Lenny's Podcast: 올해 당신이 듣게 될 AI에 관한 가장 이성적인 견해

이번 영상은 Lenny's Podcast가 독립 기술 분석가이자 전 Andreessen Horowitz (a16z) 파트너인 Benedict Evans와 진행한 심층 인터뷰로, 주제는 《올해 당신이 듣게 될 AI에 관한 가장 이성적인 견해》(The most rational take on AI you’ll hear this year)입니다.

Benedict Evans는 지난 6년 동안 기술의 흐름, 특히 AI가 경제 전환에 미치는 역할에 대해 깊이 연구해 왔습니다. 1시간 20분에 걸친 이 포괄적인 대화에서 그는 극단적인 '파멸론'이나 '맹목적인 찬양'을 피하고, 산업 역사, 기술적 본질, 비즈니스 구현 등의 차원에서 현재의 AI 열풍을 매우 통찰력 있게 복기하고 전망했습니다.

다음은 이번 인터뷰 핵심 내용의 상세 분석입니다:

1. AI의 본질과 기술적 한계

1. 자동화의 새로운 단계: 기계가 "이해"할 수 있게 되다

Evans는 과거의 자동화가 본질적으로 결정론적 데이터베이스 로직(If A, then B)이었다고 지적합니다. 반면 대규모 언어 모델 (LLM)의 본질적인 돌파구는 전통적인 코드로 고정할 수 없는 모호하고, 롱테일(Long-tail)하며, 복잡한 개념들을 처리할 수 있다는 점에 있습니다.

그의 핵심 명언: "AI는 마치 잠을 잘 필요도 없고 시간당 급여가 불과 몇 센트에 불과한 수만 명의 대학 졸업생을 고용한 것과 같습니다. 그들은 많은 지식을 알고 있지만, 때로는 저급한 실수를 저지르기도 합니다."

2. 생성형 AI의 근본적인 역설: 환각은 곧 기능이다

많은 이들이 AI의 "환각 (Hallucination)" 현상을 비판하지만, Evans는 이것이 바로 AI의 근본적인 로직이라고 생각합니다:

환각과 창의성의 동일한 기원: AI가 시를 쓰고, 그림을 그리고, 브레인스토밍을 할 수 있는 이유는 확률적 예측을 수행하기 때문입니다. 만약 "환각"을 완전히 제거한다면, AI는 이러한 생성 및 연상 능력을 상실하게 됩니다.
도구 선택의 오류: LLM을 "결정론적인 계산기"나 "절대적으로 정확한 데이터베이스"로 사용하는 것이 현재 가장 큰 인지적 오류입니다.

2. 비즈니스 구현: "망치를 찾는 것"에서 "정원을 가꾸는 것"으로

1. 소프트웨어의 "새로운 외피" 찾기

Evans는 현재 AI 산업이 "기술(망치)은 갖추었으나, 온 세상에서 못을 찾고 있는" 단계에 있다고 봅니다.

현재 대부분의 AI 제품은 기존 소프트웨어 외부에 "채팅 인터페이스 (Chat UI)"라는 층을 씌운 것에 불과합니다.
그러나 "채팅"은 종종 가장 효율적인 인간-컴퓨터 상호작용 방식이 아닙니다. 미래의 진정한 기회는 워크플로우 (Workflow)를 재설계하여 AI가 구체적인 비즈니스 시나리오에 매끄럽게 통합되도록 하는 데 있습니다.

2. 기업용 AI 도입의 페인 포인트 (Pain Points)

기업이 AI를 배포할 때 직면하는 거대한 현실적 기술 장벽은 다음과 같습니다:

컨텍스트 스노우볼링 (Context Snowballing): 대화가 길어질수록 기억을 유지하는 데 필요한 토큰 (Token) 수가 기하급수적으로 증가합니다.
높고 변동성이 큰 비용: 에이전트 (Agents)가 백그라운드에서 고빈도로 API를 호출하면 청구 금액이 폭등할 수 있어, 기업이 ROI (투자 수익률)를 예측하기 어렵습니다.
데이터 사일로 (Data Silo): 기업의 진정으로 가치 있는 데이터는 종종 무질서하게 흩어져 있어 AI가 직접 학습하기 어렵고, 데이터를 정제하는 비용이 매우 높습니다.

3. 산업 구도: 누가 돈을 벌 것인가? (금광 채굴자 vs. 곡괭이 판매자)

Evans는 현재의 AI 산업 체인을 분석하기 위해 고전적인 기술 진화 프레임워크를 제시했습니다:

산업 체인 계층	현황 및 Benedict Evans의 판단
연산 능력 및 인프라 <br>(예: Nvidia)	현재 최대 승자: 극심한 공급 부족의 특수를 누리고 있으나, 이러한 높은 이익률은 장기적으로 경쟁과 효율성 향상에 따라 평균 회귀 (Mean Reversion)를 맞이할 수 있음.
기초 대규모 모델 <br>(예: OpenAI, Anthropic, Google)	범용화 (Commoditization) 리스크: 각 모델의 성능이 빠르게 수렴하고 있으며, 오픈 소스 모델 (예: Meta의 Llama)도 빠르게 추격 중임. 기초 모델은 전기와 같은 "공공 범용 상품"이 될 가능성이 높으며, 절대적인 해자 (Moat)를 형성하기 어려움.
애플리케이션 계층 <br>(SaaS 및 수직적 소프트웨어)	진정한 해자의 소재: 승자는 단순히 AI를 껍데기만 씌운 회사가 아니라, 수직적 산업 워크플로우, 고객 관계 및 독특한 독점 데이터 (Data Moat)를 보유한 회사임.

4. 역사적 거울: AI는 마법이 아니라, 차세대 "관계형 데이터베이스"이다

현재의 AI 거품과 공포에 대응하기 위해, Evans는 빈번하게 역사적 관점으로 시선을 돌립니다:

1970년대의 관계형 데이터베이스 (Relational Database, SQL): 당시 이 기술 또한 모든 기업의 운영 방식을 변화시킨 파괴적인 "마법" 같은 기술이었으며, Oracle과 같은 거물을 탄생시켰습니다. 하지만 오늘날 그 누구도 "우리 회사는 'SQL 기반' 회사입니다"라고 자랑하지 않습니다. 그것은 인프라 (Infrastructure)가 되었기 때문입니다. AI 역시 결국 이 단계로 나아갈 것입니다.
2000년대의 모바일 인터넷: 스마트폰이 처음 등장했을 때, 사람들은 모두 지루한 "손전등" 앱이나 맥주를 부는 껍데기뿐인 앱(현재의 다양한 단순 AI 채팅 도구와 유사함)을 만들고 있었습니다. 몇 년이 지난 후에야 Uber, Instagram처럼 생활 방식을 진정으로 재편하는 슈퍼 앱들이 탄생했습니다. AI의 "Uber 모멘트"는 아직 오지 않았습니다.

5. 논쟁적인 관점: "AI 해고 열풍"과 "AGI 멸망론"에 대한 성찰

1. 효율성 향상 vs. 일자리 소멸

사회 전반적으로 AI가 대규모 실업을 유발할 것이라고 우려합니다. Evans는 매우 이성적인 반론을 제시합니다:

회계와 Excel의 역사: 1980년대 Excel이 등장했을 때, 사람들은 장부 기록원과 회계사들이 모두 실직할 것이라고 생각했습니다. 결과적으로 계산 비용이 대폭 낮아지면서 기업의 재무 분석 수요가 폭증했고, 미국 전역의 회계 종사자 수는 오히려 증가했습니다.
제번스의 역설 (Jevons Paradox): 특정 자원(여기서는 지능/자동화 비용)의 사용 효율이 높아지면, 그 소비 총량은 줄어들기는커녕 수요의 대폭 증가로 인해 오히려 늘어납니다. AI는 콘텐츠 생산의 문턱을 낮추며, 그 결과 인류가 창조하고 처리하는 정보의 양은 기하급수적으로 증가할 것입니다.

2. AGI (범용 인공지능) 공포 해소

인터넷에 만연한 "AI가 곧 인류를 멸망시킬 것"이라는 공포 (Hype-driven fearmongering)에 대해, Evans는 냉철한 절제력을 유지합니다:

현재의 스케일링 법칙 (Scaling Law)은 주로 모델을 더 박학다식하고 유창하게 만드는 데 집중되어 있지만, 이것이 모델이 "진정한 의식"이나 "자율적 의도"를 가졌음을 의미하지는 않습니다.

요약

Benedict Evans의 관점에서 AI는 매우 파괴적인 생산성 혁명이지만, 기술 발전의 역사적 객관 법칙을 따릅니다.

우리는 현재 "기술 기대의 팽창기"에서 "환멸의 시기"로 넘어가는 단계에 있습니다. 거품이 터지는 것은 두려운 일이 아닙니다. 거품이 빠지고, 비용이 하락하며, 상호작용이 재구축된 후에야 AI는 비로소 전기처럼 소리 없이 스며들어 전 세계 경제의 모든 세포를 완전히 재편할 것입니다.