당신의 AI 경쟁 우위가 수익을 내지 못하게 될 때까지 얼마나 걸릴까요?

가장 위험한 AI 경쟁 우위(edge)는 실제로 작동하는 것입니다. 그것은 오늘 당장 실제 돈을 벌어다 주지만, 당신이 그것을 방어하기 위해 만들려는 것보다 더 빠르게 범용화(commoditising)되고 있습니다.

현재 10개 조직 중 9개는 최소한 하나 이상의 비즈니스 기능에서 AI를 사용하고 있습니다. 하지만 이익에 측정 가능한 영향을 미쳤다고 답할 수 있는 조직은 10개 중 4개 미만입니다. 동일한 도구를 사용하지만, 결과는 정반대입니다.

변수는 모델이 아닙니다. 그것은 '속도'입니다.

두 가지 속도

Dario Amodei는 중요한 두 가지 속도, 즉 두 가지 지수(exponentials)를 언급했습니다. 하나는 모델이 개선되는 속도이고, 다른 하나는 경제가 모델을 흡수할 수 있는 속도입니다.

첫 번째는 역량 속도(capability rate)입니다. 이는 해당 분야에 속해 있으며, 보도 자료를 통해 확인할 수 있습니다. 두 번째는 당신의 흡수 속도(absorption rate)입니다. 즉, 새로운 역량을 CFO나 고객이 인식할 수 있는 수치로 얼마나 안정적으로 전환하느냐 하는 것입니다. 역량이 흡수 속도를 앞지르면, 당신은 사용할 수 없는 힘을 비축하고 있는 셈이 됩니다. 더 나은 모델은 생산적이라고 느끼기 위한 가장 비싼 방법이 되어버립니다.

당신의 흡수 속도에는 한계가 있으며, 그 한계는 단 하나의 계층입니다. 즉, 역량이 고객에게 도달하기 전에 반드시 통과해야 하는 단계입니다. 대부분의 팀에게 그것은 일상적인 것들입니다. 아무도 정제하지 않은 데이터, 레거시 시스템을 이해하는 단 한 명의 엔지니어, 업무 방식을 바꾸지 않으려는 고객, 3주가 걸리는 승인 절차 등입니다. 그 계층을 소유한 사람이 가치를 포착합니다. 모델이 할 수 있는 모든 것이 그 계층을 통해 흐르기 때문입니다.

돈이 실제로 어디로 흘러갔는가

Microsoft는 기업용 AI 유통(distribution)에서 가장 큰 점유율을 차지하고 있습니다. Microsoft는 이미 보유하고 있던 채널, 즉 Office, Teams, Azure, 그리고 모든 대기업이 이미 맺고 있는 조달 관계를 통해 다른 회사들의 모델을 실행함으로써 그 리드를 구축했습니다. 매달 약 4억 2천만 명의 사람들이 Microsoft 제품 전반에서 Copilot을 사용합니다. 그 내부에서 가장 강력한 모델들은 여전히 OpenAI와 Anthropic의 것입니다.

모델은 빌려온 것이었습니다. 유통은 소유한 것이었습니다. 마진(margin)은 유통을 따라갔습니다.

Jasper는 또 다른 실패 사례를 보여줍니다. OpenAI의 모델을 기반으로 한 글쓰기 도구로서 1억 2,500만 달러를 조달했습니다. 하지만 ChatGPT가 무료로 출시되자, 이들의 제품은 하룻밤 사이에 누구나 아무런 비용 없이 얻을 수 있는 것이 되어버렸습니다. Jasper는 자신들이 건너뛰었던 계층인 기업용 워크플로우 (enterprise workflow)와 데이터 (data) 영역으로 올라섬으로써 생존했습니다.

Chegg가 하루 만에 모든 것을 잃은 이유

Chegg는 자신의 계층을 온전히 소유하고 있었습니다. 10년 동안 축적된 단계별 숙제 풀이 라이브러리와 그에 걸맞은 학생 트래픽을 보유했으며, 이는 경쟁자가 빠르게 재구축할 수 없는 해자 (moat)였습니다. 그러다 범용 모델 (general model)이 모든 것을 무료로 수행할 수 있게 되었습니다. 2023년 5월, Chegg는 투자자들에게 학생들이 ChatGPT로 떠나고 있다고 밝혔습니다. 주가는 반토막이 났습니다. 2021년 정점 이후 Chegg는 가치의 95% 이상을 잃었습니다.

그들은 희소한 계층을 소유했습니다. 하지만 잘못된 계층을 소유했습니다.

베네치아(인쇄기 시대)와 Chegg를 나란히 놓고 보면 그 변수를 알 수 있습니다. 다른 이들이 반드시 거쳐야만 하는 희소한 계층이라는 점은 동일한 종류의 우위 (edge)였지만, 시계 (clock)는 백 배나 차이가 났습니다. 베네치아의 시계는 한 세기 동안 지속되었습니다. Chegg의 시계는 몇 달밖에 지속되지 않았습니다.

희소한 계층은 그 시계가 당신이 그 위에 구축하는 데 걸리는 시간보다 길 때만 수익을 창출합니다. 이 기준을 통과하면 복리 효과를 누릴 수 있습니다. 그렇지 못하면 제값을 다 주고 녹아내리는 자산 (melting asset)을 산 셈이 됩니다.

기간을 결정짓는 요소

범용 모델이 흡수할 수 있는 경우, 즉 영리한 기술, 미세 조정 (fine-tune), 누구나 조립할 수 있는 일반적인 데이터인 경우 계층의 시계는 짧습니다. 반면, 모델이 제조할 수 없는 무언가에 희소성이 기반을 두고 있다면 시계는 깁니다. 규제 기관의 승인, 팹 (fabs)이나 전력과 같은 물리적 병목 현상 (bottleneck), 수년간 축적된 전환 비용 (switching cost), 또는 신뢰 관계가 바로 그것입니다.

Chegg의 계층은 모델이 재생성할 수 있는 콘텐츠였기에 몇 달의 시간밖에 없었습니다. 반면 AI가 구동되는 칩은 물리적 병목 현상이며, 그 희소성은 수년간 유지됩니다.

그마저도 침식되고 있습니다. Nvidia는 범용 AI 가속기 (AI-accelerator) 시장의 약 80%를 점유하고 있지만, 그들의 가장 큰 고객들은 이를 우회하기 위해 자체 실리콘 (silicon)을 설계하고 있습니다. 70% 중반대의 매출 총이익률 (Gross margin)이 가장 먼저 무너질 것입니다. 저는 2028년까지 이 수치가 70% 미만으로 떨어질 것으로 예상합니다. 만약 그때까지 70% 후반대를 유지한다면, 이 가설은 제 모델의 예측보다 더 지속 가능하다고 볼 수 있습니다.

오늘 바로 실행할 수 있는 진단법

이 작업은 한 페이지면 충분합니다:

1. 당신의 흡수층 (absorbing layer)을 정의하십시오. '배가 테스트 (doubling test)'를 사용하세요: 만약 내일 어떤 요소가 두 배로 늘어났을 때, 모델 자체를 두 배로 늘리는 것은 아무런 이득이 없으면서도 모델을 두 배 더 많이 사용할 수 있게 해주는 요소는 무엇입니까?

2. 당신이 그것을 소유하고 있는지 테스트하십시오. 경쟁자가 주말 사이에 재구축할 수 없는 당신만의 무언가를 거치지 않고서는 새로운 기능이 고객에게 도달할 수 없을 때에만, 당신은 그 계층을 소유하고 있는 것입니다. 당신의 문서로 미세 조정 (fine-tuned)된 모델은 이 테스트를 통과하지 못합니다.

3. 흡수율 (absorption rate)을 측정하십시오. 올해 진지하게 시도했던 기능들과, CFO나 고객이 인지할 수 있는 수치를 변화시킨 기능들의 수를 세어보십시오. 대부분의 팀은 뼈아픈 진실을 마주하게 될 것입니다.

4. 두 개의 시계를 읽으십시오. 당신의 계층이 희소성을 유지하는 기간을 추정하십시오. 그리고 회수 기간 (payback) — 즉, 해당 계층을 구축하는 데 드는 비용을 회수하는 데 얼마나 걸리는지를 추정하십시오. 만약 시계(희소성 기간)가 회수 기간보다 짧다면, 당신은 Chegg와 같은 처지가 될 것입니다.

구체적인 사례

경쟁자가 정제하지 못한 3년 치의 지저분한 운송업체 통합 데이터 (carrier-integration data)를 보유한 40명 규모의 물류 회사를 예로 들어보겠습니다. 데이터를 두 배로 늘리면 모델은 더 유용해집니다. 하지만 모델을 두 배로 늘려도 변하는 것은 없습니다. 아무도 3년 치의 지저분한 피드 (feeds)를 주말 사이에 다시 구축할 수는 없습니다. 모든 테스트를 통과합니다.

그러다 원시 운송업체 피드를 제로샷 (zero-shot)으로 파싱하는 프런티어 모델 (frontier model)이 출시됩니다. 3년 동안의 정제 작업이 프롬프트 (prompt) 하나로 축소됩니다. 수년간의 희소성처럼 보였던 계층은 이제 18개월의 구축 기간 대비 6개월의 수명만을 갖게 됩니다. 데이터가 방치되어 있는 동안, 베팅의 성격은 복리 (compound)에서 녹아내림 (melting)으로 뒤바뀝니다.

모델이 변화하는 순간, 즉시 수치를 다시 계산하십시오.

전체 진단 도구는 브라우저에서 여기를 통해 실행할 수 있습니다 — 여러분의 레이어 (layer)를 지정하고, 흡수율 (absorption rate), 해당 레이어의 반감기 (half-life), 그리고 다음 레이어를 구축하기 시작해야 할 날짜를 확인하십시오.

이 글은 Durability Curve Analysis 시리즈의 일부입니다 — 이 시리즈는 5가지 법칙 (Five Laws) 프레임워크 (병목 현상 이동 (Bottleneck Migration), 난이도는 하중을 견디는 힘이다 (Difficulty is Load-Bearing), 아키텍처는 콘텐츠보다 오래 지속된다 (Architecture Outlives Content))를 통해 AI 인프라에서 지속 가능한 가치가 어디에서 형성되는지에 대한 구조적 분석을 다룹니다.