CEO가 "우리 AI 전략이 무엇인가?"라고 물을 때 /ai-product-strategy는 문제, 인간-AI 경계, 플라이휠을 맵핑해 실행 계획으로 답하게 합니다. — Claude Skill

AI 제품 전략 - 모든 게스트 인사이트

게스트 94명, 언급 179건

---

Alex Hardimen

Alex Hardimen

"우리는 기자에게서 실제로 나오는 편집 중요도 점수 같은 특정 데이터셋으로 알고리즘을 학습시키고 있습니다. 이것이 가능하게 하는 것은 편집 판단을 더 큰 독자 집단으로 확장하는 일입니다. 그 알고리즘은 편집 신호로 학습되지만 여전히 도달, 참여, 전환 같은 결과를 향해 작동할 수 있습니다."

인사이트: AI 전략은 단순히 참여를 최적화하는 것이 아니라 알고리즘으로 인간 전문성과 판단을 확장하는 데 집중해야 합니다.

전술 조언:

• 편집 점수 같은 독점 '전문가' 데이터셋으로 알고리즘을 학습시킵니다.
• AI를 사용해 인간 판단을 더 큰 청중에게 확장합니다.
• 전문가 신호와 전통적 참여 결과를 균형 있게 다룹니다.

타임스탬프: 01:04:25

Adriel Frederick

Adriel Frederick

"알고리즘 비중이 큰 제품을 다룰 때 당신의 일은 알고리즘이 무엇을 책임져야 하고, 사람이 무엇을 책임져야 하며, 의사결정 프레임워크가 무엇인지 정하는 것입니다."

인사이트: AI 제품에서 제품 관리자의 핵심 역할은 자동화된 알고리즘 결정과 인간 판단의 경계를 정의하는 것입니다.

전술 조언:

• 알고리즘이 아직 이해하지 못하는 장기적 전략 의도가 필요한 결정을 식별합니다.
• 기계와 인간 운영자의 책임을 명시하는 프레임워크를 만듭니다.

타임스탬프: 00:00:00

---

"사람이 혼자 잘할 수 있는 결정에 쓸 정보를 주고, 기계에는 사람의 의도를 증폭할 힘을 주는 일에 가깝습니다... 저는 그것을 블랙박스가 아니라 자기 자신의 확장으로 느껴지는 인터페이스를 설계하는 일로 생각합니다."

인사이트: AI는 인간 제약 없이 독립적으로 움직이는 블랙박스가 아니라 인간 의도를 증폭하는 도구로 설계되어야 합니다.

전술 조언:

• 인간이 전략적 선택을 할 수 있도록 필요한 맥락을 제공하는 인터페이스를 설계합니다.
• 인간이 전략적 제약을 설정하고, ML은 특정 목표를 최적화하도록 사용합니다.

타임스탬프: 00:38:15

Albert Cheng

Albert Cheng

"뒤에서는 체스 엔진을 돌려 사용자가 두는 모든 수에 대한 평가를 뱉어내게 합니다. 그런 다음 그것을 사용자의 모국어와 쉬운 스타일로 번역해 접근 가능하게 만듭니다... 그 부분이 LLM입니다."

인사이트: 최고의 AI 제품은 작업에 맞는 기술을 씁니다. 논리/계산에는 특화 엔진을, 인간 친화적 커뮤니케이션에는 LLM을 사용합니다.

전술 조언:

• 엔진 평가 같은 복잡한 기술 데이터를 사용자에게 자연스럽고 격려하는 언어로 번역하는 데 LLM을 사용합니다.

타임스탬프: 00:49:07

Alexander Embiricos

Alexander Embiricos

"Codex에서 우리의 큰 목표 중 하나는 선제성에 도달하는 것입니다. 초시스템을 만들려면 일을 할 수 있어야 합니다. 지난 1년의 배움 중 하나는 모델이 무언가를 하려면 컴퓨터를 사용할 수 있을 때 훨씬 더 효과적이라는 점입니다. 모델이 컴퓨터를 쓰는 가장 좋은 방법은 단순히 코드를 쓰는 것입니다. 그래서 어떤 에이전트를 만들고 싶다면 코딩 에이전트를 만들어야 하는 것 아니냐는 생각으로 가고 있습니다."

인사이트: AI 에이전트가 컴퓨터와 상호작용하고 제어하는 가장 효과적인 방식은 접근성 API나 시각적 클릭보다 코드를 쓰고 실행하는 것입니다.

전술 조언:

• 기능적 AI 에이전트의 핵심 역량으로 코딩 능력을 우선합니다.
• 직접 지시가 없어도 에이전트가 끼어들거나 행동하는 '선제성'에 집중합니다.

타임스탬프: 00:00:47

---

"무엇에 써야 하는지 모를 때 채팅은 매우 좋은 인터페이스라고 생각합니다... 일을 벗어나서도 도움을 받기 시작하고 AI로 가속되는 감각에 익숙해집니다. 그러면 일터에 가서도 자연스럽게 '그냥 이걸 물어보면 되지, 모든 커넥터나 기능을 알 필요는 없어'라고 하게 됩니다."

인사이트: 채팅은 사용자가 특정 도구 구성을 배우지 않고도 복잡한 AI 역량에 접근하게 하는 보편적 '공통분모' 인터페이스입니다.

전술 조언:

• 발견과 일반 지원의 진입점으로 채팅을 사용합니다.
• 코딩처럼 기능 영역에 깊이 들어가야 할 때만 특화 그래픽 인터페이스를 노출합니다.

타임스탬프: 00:26:10

---

"현재 제한 요소는 많지만, 과소평가된 제한 요소 중 하나는 문자 그대로 인간의 타이핑 속도나 프롬프트 작성 중 멀티태스킹 속도라고 생각합니다... 인간이 계속 프롬프트를 쓰고 모든 작업을 수동 검증해야 하는 생산성 루프를 풀어야 합니다."

인사이트: AI 생산성의 주요 병목은 프롬프트 작성과 산출물 수동 검증을 요구하는 '인간 개입'입니다.

전술 조언:

• 끊임없는 지시 없이도 에이전트가 '기본적으로 유용'하게 작동하는 시스템을 만듭니다.
• 인간이 모든 AI 행동을 수동 검토하지 않도록 자동 검증 루프를 개발합니다.

타임스탬프: 01:11:29

Aishwarya Naresh Reganti + Kiriti Badam

Aishwarya Naresh Reganti + Kiriti Badam

"대부분의 사람은 비결정성을 무시하는 경향이 있습니다. 사용자가 제품에서 어떻게 행동할지 알 수 없고, LLM이 그것에 어떻게 응답할지도 알 수 없습니다. 두 번째 차이는 자율성과 통제의 맞교환입니다. 에이전트 시스템에 의사결정 능력을 넘길 때마다 당신 쪽 통제권 일부를 내려놓는 것입니다."

인사이트: AI 제품은 비결정적 입력/출력과 시스템 자율성 대 인간 통제의 맞교환 때문에 전통 소프트웨어와 다릅니다.

전술 조언:

• 자연어 인터페이스에서 사용자의 비결정적 행동을 고려합니다.
• 에이전트에게 주는 자율성 수준과 사용자가 유지하는 통제량을 균형 있게 설계합니다.

타임스탬프: 00:08:01

---

"우리는 단계적으로 만들 것을 권합니다. 작게 시작하면 내가 해결하려는 문제가 무엇인지 생각하게 됩니다. AI의 모든 발전 속에서 쉽게 미끄러지는 길은 해결책의 복잡성만 생각하다가 해결하려던 문제를 잊는 것입니다."

인사이트: 성공적인 AI 배포는 문제 우선 접근이 필요하며, 확장 전 낮은 영향·높은 통제 버전으로 배워야 합니다.

전술 조언:

• 현재 역량을 파악하기 위해 영향이 작은 사용 사례부터 시작합니다.
• 시스템 신뢰도가 높아질수록 자율성을 점진적으로 늘립니다.

타임스탬프: 00:11:39

---

"경쟁자 중 처음으로 에이전트를 가진 회사가 되는 것이 핵심이 아닙니다. 시간이 지나며 개선할 수 있는 올바른 플라이휠을 구축했는지가 핵심입니다."

인사이트: AI의 경쟁 우위는 정적인 에이전트를 먼저 출시하는 것이 아니라 반복적 피드백 루프, 즉 플라이휠을 만드는 데서 나옵니다.

전술 조언:

• '원클릭' 솔루션보다 시간이 지나며 학습하고 개선되는 파이프라인 구축에 집중합니다.
• 초기 버전에서 인간 행동을 기록해 시스템 개선을 위한 데이터 플라이휠을 만듭니다.

타임스탬프: 00:30:31

---

"저는 지금 Rackspace의 CEO인 Gagan과 일한 적이 있습니다. 그는 매일 아침 4시부터 6시까지 'AI 따라잡기' 블록을 잡았습니다... 리더는 다시 직접 만져보는 상태로 돌아가야 한다고 생각합니다. 구현을 직접 해야 해서가 아니라, 자신의 직관이 틀릴 수 있다는 사실에 편안해질 만큼 직관을 다시 만들어야 하기 때문입니다."

인사이트: AI 리더십은 직접 학습하고 빠른 기술 변화를 따라가며 전문 직관을 재구축해야 합니다.

전술 조언:

• AI 발전을 따라가기 위한 전용 시간을 매일 확보합니다.
• AI 맥락에서 오래된 제품 직관을 의심하고 다시 배울 준비를 합니다.

타임스탬프: 00:25:43

Alex Komoroske

Alex Komoroske

"LLM은 정말 파괴적 기술이라고 생각합니다. 지금 업계에서 보이는 것은 지난 기술 시대 말기의 성숙한 플레이북을 아직 맞지 않는 새 시대에 쓰려는 시도라고 봅니다. 제게 LLM은 마법의 덕트테이프입니다. 사회 전체의 응축된 직관으로 만들어졌고, 인간과 낡은 컴퓨팅 사이의 비용 구조에서 작동합니다."

인사이트: AI는 소프트웨어의 기본 비용 구조를 바꾸며, 쓰기는 비싸고 실행은 싸다는 전통 플레이북에서 벗어나게 합니다.

전술 조언:

• LLM은 '충분히 좋은' 소프트웨어 작성 비용을 크게 낮추지만 추론 한계비용을 높인다는 점을 인식합니다.
• 광고 수익이 추론 비용을 넘지 못할 수 있으므로 광고에만 기반한 소비자 스타트업 모델을 피합니다.

타임스탬프: 00:10:56

---

"사람들이 제품을 만들고 '80%, 90%는 훌륭하다'고 말하는 곳을 많이 봅니다. 하지만 5%는 사용자 얼굴을 때립니다... 99%까지 내려도 괜찮아 보일 수 있습니다. 그래도 얼굴을 때린다면 실행 가능한 제품이 아닙니다. 이 물건이 물렁하고 완전히 정확하지 않으며 완전히 작동하지 않을 것이라고 가정하고 제품을 어떻게 설계할 것인가가 문제입니다."

인사이트: AI 시대 제품 설계는 LLM을 완벽한 신탁처럼 다루지 말고 '물렁하고' 비결정적인 특성을 고려해야 합니다.

전술 조언:

• AI가 부정확하거나 실패할 수 있는 경우를 처리하도록 제품 경험을 설계합니다.
• AI를 100% 자율적으로 만들려 하기보다 LLM이라는 '마법의 덕트테이프'가 생겨서 지금 가능해진 것을 만듭니다.

타임스탬프: 00:13:24

Amjad Masad

Amjad Masad

"저는 2022년에 이미 이것에 대해 썼습니다. 제품은 여러 다른 모델로 이루어지는 모델의 사회가 될 것이고, 꽤 무거운 엔지니어링 프로젝트가 될 것이라고 말했습니다."

인사이트: 미래 AI 제품은 단일 모델이 아니라 특화 모델들의 오케스트레이션된 생태계 위에 만들어질 것입니다.

전술 조언:

• 추론과 속도처럼 각 모델의 구체적 강점을 기준으로 여러 기초 모델을 활용하는 시스템을 설계합니다.

타임스탬프: 00:33:47

---

"5년 뒤쯤에는 누군가 직원 없이 10억 달러 회사를 운영하는 것도 상상할 수 있습니다. 지원은 AI가 처리하고, 개발도 AI가 처리하고, 당신은 사람들이 가치 있게 여기는 것을 만들고 창조하는 것입니다."

인사이트: AI는 지원과 개발 같은 핵심 기능을 자동화해 창업자가 가치 창출에만 집중하는 '초고효율' 회사의 미래를 가능하게 합니다.

전술 조언:

• 자율 에이전트를 활용해 최소 인원으로 높은 매출까지 확장할 수 있는 비즈니스 모델을 평가합니다.

타임스탬프: 00:53:08

Anton Osika

Anton Osika

"우리가 Lovable을 하는 이유는, 당신 어머니는 모르겠지만 제 어머니는 코드를 쓰지 않습니다... 우리는 코드를 쓰지 않는 인구의 99%를 위해 만들고 있습니다."

인사이트: AI 제품 전략은 비기술 다수에게 복잡한 기술을 민주화하는 데 집중해야 합니다.

전술 조언:

• 전문 기술이 없는 '99%'를 목표로 합니다.
• 진입 장벽을 낮추기 위해 자연어 인터페이스에 집중합니다.

타임스탬프: 00:06:52

---

"문제가 되는 경계는 매우 빠르게 뒤로 물러나고 있습니다. 그래서 우리는 가장 중요한 영역, 구체적으로 로그인 추가, 데이터 지속성 만들기, Stripe 결제 추가를 식별했습니다. AI가 거기서 막히지 않게 보장한 것들입니다."

인사이트: 안정적인 사용자 경험을 위해 AI 에이전트가 보통 실패하는 구체적 '막힘 지점'을 찾아 체계적으로 해결해야 합니다.

전술 조언:

• 인증, 결제 같은 AI 생성의 공통 실패 지점을 식별합니다.
• 이 병목을 해결하도록 시스템을 정량적으로 튜닝합니다.

타임스탬프: 00:29:04

Aparna Chennapragada

Aparna Chennapragada

"에이전트를 생각할 때 세 가지를 생각합니다. 첫째는 더 높은 수준의 과업을 위임할 수 있는 자율성과 독립성의 증가입니다. 둘째는 복잡성입니다. '이 이미지를 만들어줘', '이 문서를 요약해줘' 같은 한 번짜리가 아니라, 예를 들어 증강현실 앱에 대한 내 아이디어를 표현하는 프로토타입을 만들어 달라는 것입니다. 셋째는 훨씬 더 자연스러운 상호작용입니다."

인사이트: 효과적인 AI 에이전트는 자율성, 복잡한 다단계 작업 처리 능력, 자연스럽고 종종 비동기적인 상호작용 모델로 정의됩니다.

전술 조언:

• 세밀한 보조가 아니라 높은 수준 목표 위임을 설계합니다.
• 단순한 일회성 지시보다 복잡한 다단계 업무 흐름에 집중합니다.
• 사용자가 자리를 비운 동안 에이전트가 일하도록 비동기 역량을 포함합니다.

타임스탬프: 00:17:10

Asha Sharma

Asha Sharma

"갑자기 이것들은 상호작용이 많아질수록 더 나아지는 살아 있는 유기체가 됩니다. 이것이 모든 회사의 새로운 지식재산이라고 생각합니다. 생각하고, 살고, 배우는 제품입니다."

인사이트: AI 제품은 정적 산출물에서 지속적 데이터 루프와 상호작용으로 진화하는 살아 있는 유기체로 이동하고 있습니다.

전술 조언:

• 제품 팀이 데이터를 흡수하고 보상 모델을 소화하는 '대사'에 집중합니다.
• 가격, 성능, 품질 같은 구체적 결과를 향해 모델을 튜닝합니다.

타임스탬프: 05:26

---

"회사가 실패하는 지점은 AI를 AI 자체를 위해 한다는 점입니다. 동시에 수많은 프로젝트를 시작하지만 실제로 어떻게 작동했고 스택이 어떻게 생겼는지 이해할 청사진이 없고, 진짜 투자처럼 다루지 않습니다. 그래서 측정, 관측 가능성, 평가 체계가 모두 갖춰져 있지 않습니다."

인사이트: 성공적인 AI 구현은 전략 청사진, 엄격한 측정, AI를 실험 묶음이 아니라 핵심 투자로 다루는 태도가 필요합니다.

전술 조언:

• 확장 전에 명확한 측정, 관측 가능성, 평가 프레임워크를 세웁니다.
• 기존 프로세스를 매핑하고 고객 지원이나 사기 감소 같은 특정 고통 지점에 AI를 적용합니다.

타임스탬프: 10:56

---

"현재 위치의 스냅샷이 아니라 기울기에 맞춰 만들어야 한다고 느낍니다."

인사이트: AI 제품 전략은 현재 기술 수준만이 아니라 기술 변화의 빠른 속도를 고려해야 합니다.

전술 조언:

• 모델이나 도구가 좋아질 때 교체할 수 있는 유연한 아키텍처를 만듭니다.
• 산출물 한계비용이 0에 가까워지면서 생산성 수요가 지수적으로 늘어날 것을 예상합니다.

타임스탬프: 11:54

Benjamin Mann

Benjamin Mann

"모델 출시 리듬을 보면 진전은 실제로 가속되고 있다고 생각합니다. 예전에는 1년에 한 번이었지만 후학습 기술 개선으로 이제 매달 또는 세 달마다 출시를 봅니다. 여러 면에서 진전은 가속되고 있지만 이상한 시간 압축 효과가 있습니다."

인사이트: AI 진전은 더 빠른 출시 리듬으로 가속되고 있으며, '시간 압축' 때문에 정체처럼 보일 수 있습니다.

전술 조언:

• 업계 진전을 판단할 때 한 번의 큰 도약 크기만 보지 말고 모델 출시 리듬을 모니터링합니다.
• 빠른 반복이 지수 성장을 가릴 수 있는 AI 개발의 '시간 팽창'을 고려합니다.

타임스탬프: 00:08:06

---

"그 시기 제가 가장 좋아한 역할은 약 1년 전 labs 팀을 시작했을 때입니다. 그 팀의 근본 목표는 연구에서 최종 사용자 제품과 경험으로 이전하는 것이었습니다. Anthropic이 차별화하고 이기려면 최전선에 있어야 한다고 보기 때문입니다."

인사이트: 전선 연구와 실행 가능한 최종 사용자 제품 경험 사이의 간극을 잇기 위해 전담 'Labs' 기능이 필요합니다.

전술 조언:

• 연구 돌파구를 제품 기능으로 이전하는 전문 팀을 만듭니다.
• 높은 신뢰와 높은 차별화를 만들 수 있는 제품 영역으로 컴퓨터 사용과 자격 증명 관리를 집중합니다.

타임스탬프: 01:03:07

---

"구체적으로 우리는 퍽이 가는 곳으로 스케이트를 타야 한다고 생각합니다. 그것은 지수를 정말 이해하는 것입니다... 오늘을 위해 만들지 말고, 6개월 뒤, 1년 뒤를 위해 만드세요. 지금은 20%만 작동하는 것들이 100% 작동하기 시작할 것입니다."

인사이트: AI 제품 계획은 현재 모델의 한계가 아니라 미래 모델의 예상 역량에 기반해야 합니다.

전술 조언:

• 낡은 제품을 출시하지 않도록 6-12개월 뒤 예상되는 모델 역량을 기준으로 만듭니다.
• 오늘은 신뢰도가 낮아도(예: 20% 성공) 지수 개선 곡선 위에 있다면 투자합니다.

타임스탬프: 01:06:21

Ben Horowitz

Ben Horowitz

"애플리케이션 계층은 매우 흥미로울 것입니다... ChatGPT는 좋든 싫든 진짜 해자를 가지고 있습니다... 애플리케이션은 사람들이 처음 생각했던 것보다 더 복잡하고 더 끈적합니다. 사람들이 크게 잘못 본 것은 GPT 위의 얇은 껍데기라는 생각입니다. 그것은 정말 틀렸습니다."

인사이트: AI 해자는 기초 모델 접근이 아니라 복잡한 애플리케이션 로직과 사용자 고착성으로 만들어집니다.

전술 조언:

• '얇은 껍데기' 구축을 피하고 깊은 도메인 통합에 집중합니다.
• 이전에는 소프트웨어로 풀 수 없던 문제를 찾습니다.

타임스탬프: 01:04:08

---

"우리가 소프트웨어로 해결할 수 없던 모든 것을 이제 거의 해결할 수 있습니다. 정말 큰 세계입니다."

인사이트: 가장 큰 AI 기회는 전통적 결정론 소프트웨어로는 이전에 풀 수 없던 문제를 다루는 데 있습니다.

전술 조언:

• 전통 코드가 처리하지 못했던 '두꺼운 꼬리' 인간 행동이나 드문 예외 상황을 식별합니다.

타임스탬프: 01:11:48

Brian Balfour

Brian Balfour

"제 예측은 새 유통 플랫폼이 ChatGPT가 될 것이라는 것입니다... 더 큰 것은 그들이 ChatGPT 위에 서드파티 플랫폼을 출시하며 무엇을 하느냐입니다. 곧 출시할 것이라는 신호가 많습니다."

인사이트: ChatGPT 같은 AI 플랫폼은 기술 변화에서 유통 변화로 전환하고 있으며, 스타트업에 새로운 '탈출 속도' 기회를 만듭니다.

전술 조언:

• 새 유통 채널로서 서드파티 에이전트 플랫폼의 등장을 모니터링합니다.
• AI 플랫폼을 월간 활성 사용자 수만이 아니라 유지율과 참여 깊이로 평가합니다.

타임스탬프: 00:12:02

---

"제 가설은... 해자는 맥락과 기억에 관한 것입니다. 이 모델들 자체를 나란히 비교하면 같은 결과를 냅니다. 실제 차이를 만드는 것은 어느 쪽이 당신의 맥락을 더 많이 가지고 있느냐입니다. 최고의 산출물은 맥락과 모델이 함께 만들기 때문입니다."

인사이트: AI 시대의 방어력은 모델 자체에서 사용자 맥락과 기억의 축적으로 이동합니다.

전술 조언:

• 제품이 사용자별 데이터를 저장하고 회상할 수 있게 하는 '맥락 커넥터'에 투자합니다.
• 사용량이 많을수록 더 좋은 개인화 맥락과 더 뛰어난 산출물을 만드는 플라이휠을 만듭니다.

타임스탬프: 00:30:25

Cam Adams

Cam Adams

"우리는 제품 안의 AI를 세 기둥으로 접근합니다. 첫째, 우리 자체 AI 기술 일부를 만들어야 합니다... 둘째는 세계 최고의 AI 인재와 협력할 사람을 찾는 것입니다... 셋째는 앱 생태계입니다."

인사이트: 탄탄한 AI 전략은 독점 모델 구축, 전략적 파트너십, 열린 개발자 생태계를 균형 있게 결합합니다.

전술 조언:

• 데이터 이점이 있거나 핵심 사업에 필수적인 곳에서만 독점 AI를 만듭니다.
• LLM 같은 범용 AI 필요에는 최고 제공자와 협력합니다.
• 서드파티 AI 개발자가 사용자 기반에 도달할 수 있는 앱 생태계를 만듭니다.

타임스탬프: 00:56:53

Bret Taylor

Bret Taylor

"AI 시장에는 세 세그먼트가 있습니다... 프런티어 모델 시장, 도구, 적용 AI 시장입니다. 에이전트를 만드는 회사들에게 이렇게 전개될 것이라고 생각합니다. 에이전트가 새 앱입니다."

인사이트: AI 시장은 자본지출이 큰 프런티어 모델, 위험한 도구, 특정 비즈니스 문제를 해결하는 고가치 적용 에이전트로 나뉩니다.

전술 조언:

• 에이전트가 주요 제품 형태인 '적용 AI'에 집중합니다.
• 개인 생산성만 높이는 것이 아니라 일을 자율적으로 완수하는 에이전트를 만듭니다.

타임스탬프: 00:52:36

---

"전체 시장은 에이전트로 갈 것입니다. 전체 시장은 결과 기반 가격으로 갈 것입니다. 소프트웨어를 만들고 파는 너무나 명백하게 올바른 방식입니다."

인사이트: 소프트웨어의 미래는 좌석 수가 아니라 전달한 가치에 따라 가격이 매겨지는 자율 에이전트입니다.

전술 조언:

• 인간 개입 도구가 아니라 자율 작업 완료를 중심으로 제품 전략을 잡습니다.

타임스탬프: 00:59:31

Chip Huyen

Chip Huyen

"AI 앱을 실제로 개선하는 것은 사용자와 이야기하기, 더 신뢰성 있는 플랫폼 만들기, 더 좋은 데이터 준비하기, 처음부터 끝까지 업무 흐름 최적화하기, 더 좋은 지시문 쓰기입니다."

인사이트: 성공적인 AI 제품은 최신 기술 프레임워크를 좇는 것보다 기본적인 제품 작업과 데이터 품질 위에 세워집니다.

전술 조언:

• 모든 AI 뉴스 주기를 따라가는 것보다 사용자와 대화하는 것을 우선합니다.
• 더 좋은 지시문 작성과 끝단 간 업무 흐름 최적화에 집중합니다.
• 나중에 교체하기 어려운 검증되지 않은 새 기술에 과도하게 묶이지 않습니다.

타임스탬프: 00:05:30

---

"사람들에게 관리자에게 이렇게 물어보라고 합니다. '팀 모두에게 매우 비싼 코딩 에이전트 구독을 줄까요, 아니면 인원 한 명을 더 받을까요?' 거의 모든 관리자가 인원을 말합니다."

인사이트: AI 생산성 향상이 측정하기 어렵기 때문에 경영진의 AI 목표와 관리자 수준의 생산성 필요 사이에 단절이 있습니다.

전술 조언:

• 팀 안에서 AI 도구의 인식 가치를 가늠하기 위해 '인원 vs. AI 구독' 질문을 사용합니다.
• 도입을 이끌기 위해 영업 봇의 전환율처럼 명확하게 측정 가능한 결과가 있는 사용 사례를 찾습니다.

타임스탬프: 00:44:28

---

"음성을 생각하면 완전히 다른 짐승입니다... 지연 시간을 생각해야 합니다. 여러 단계가 있기 때문입니다... 그리고 무엇이 자연스럽게 들리게 하느냐는 질문이 있습니다."

인사이트: 특히 음성 같은 멀티모달 AI는 모델 역량보다 지연 시간과 끼어들기 감지 같은 전통 엔지니어링 문제로 도전이 이동합니다.

전술 조언:

• 음성 봇이 자연스럽게 느껴지도록 '강제 끼어들기'를 해결합니다.
• 실시간 상호작용을 위해 STT -> LLM -> TTS의 다중 홉 지연을 최적화합니다.

타임스탬프: 01:01:45

Chandra Janakiraman

Chandra Janakiraman

"AI가 전략 수립 과정을 돕는 방법은 두 가지입니다. 첫째는 조사 측면에서 준비 단계를 지원하는 것입니다... 둘째는 모의 전략 생성이라는 아이디어입니다."

인사이트: AI는 대규모 경쟁 조사를 수행하고 포괄적인 '모의' 출발점을 제공해 전략 작업을 가속할 수 있습니다.

전술 조언:

• AI로 방대한 경쟁사 릴리스 노트에서 주제를 분석합니다.
• 인간이 추려내기 전에 LLM으로 '모의 전략'을 생성해 포괄적인 투자 영역을 식별합니다.

타임스탬프: 01:27:52

Christopher Miller

Christopher Miller

"저는 HubSpot이 AI 기반 경험을 만들기 위한 기초 기술을 어떻게 구축해야 하는지 이끄는 일을 돕고, 동시에 그 경험을 활용해 B2B 비즈니스 구축자가 과거보다 우리 플랫폼을 통해 훨씬 더 성공하도록 하는 전략을 이끕니다."

인사이트: AI 제품 전략은 기초 인프라 개발과 고객 성공을 이끄는 구체적 사용자 경험 생성을 균형 있게 다뤄야 합니다.

전술 조언:

• 여러 AI 경험을 구동할 수 있는 기초 기술 구축에 집중합니다.
• 전통 소프트웨어 방식보다 사용자가 결과를 더 성공적으로 달성하도록 AI를 활용합니다.

타임스탬프: 00:04:54

Claire Vo

Claire Vo

"기술 리더로서 저는 이것이 무엇을 파괴할 수 있는지 이해하는 데 리그를 이끌고, 이 도구로 더 나은 팀을 만들며, 우리 주변 기술에 대응해 조직의 크기와 모양을 실제로 바꿔야 한다는 기준을 제 자신에게 둡니다."

인사이트: 리더는 AI 기반 효율 향상에 대응해 조직과 인재 비율을 선제적으로 재구조화해야 합니다.

전술 조언:

• 새 채용 공고를 열기 전에 한 주 동안 그 역할을 자동화해봅니다.
• '정보 교환'으로서의 커뮤니케이션에서 '동의 얻기'로서의 영향력으로 초점을 이동합니다.
• 비결정적 제품을 연구해 전통 소프트웨어와 어떻게 다른지 이해합니다.

타임스탬프: 01:03:30

David Placek

David Placek

"엔지니어들은 더 세련된 이름을 원해서 찾아오지만 결국 또 다른 Codium, Anduril, Anthropic 같은 이름으로 갈 가능성이 큽니다... 우리는 당신이 하는 일이 훨씬 더 만질 수 있고, 사람들이 붙잡을 수 있으며, Codium 같은 것보다 훨씬 더 자연스러워야 한다고 생각합니다."

인사이트: AI 제품은 소비자의 회의감과 기술 추상성을 상쇄하는 만질 수 있고 자연스러운 이름에서 이점을 얻습니다.

전술 조언:

• 추상적이고 기술적으로 들리는 AI 이름에서 벗어납니다.
• Windsurf 같은 은유와 자연 개념을 사용해 AI를 더 접근 가능하게 만듭니다.

타임스탬프: 00:37:42

Dan Shipper

Dan Shipper

"역사적으로 정말 비싸서 부자나 큰 회사만 살 수 있던 것들이 있습니다... AI가 하는 일은 '아, 그냥 클라우드로 그걸 쓰면 되겠네'라고 할 수 있게 하는 것입니다... 그리고 그것이 작동하면 별도 앱이 되는 독립적인 것으로 분리할 것입니다."

인사이트: 실행 가능한 AI 제품 전략은 비싸고 수요가 높은 인간 서비스를 찾아 저렴한 특화 AI 애플리케이션으로 분리하는 것입니다.

전술 조언:

• 범용 챗봇(ChatGPT/Claude)으로 먼저 제품 아이디어를 테스트해 업무 흐름이 가치 있는지 봅니다.
• 공개 출시 전 내부 팀의 실제 도입으로 제품 성공을 측정합니다.

타임스탬프: 00:57:38

---

"가장 큰 예측 변수는 'CEO가 ChatGPT를 쓰는가?'라고 생각합니다... CEO가 항상 들어가 '이거 정말 멋지다'고 하면 다른 사람들도 하기 시작합니다. CEO가 '모르겠어, 이건 다른 사람을 위한 거야'라고 하면 아무도 그 흐름을 이끌 수 없습니다."

인사이트: 조직 내 성공적인 AI 도입은 주로 CEO의 개인적 사용과 도구에 대한 직관에서 시작됩니다.

전술 조언:

• CEO는 메모 초안 작성에 AI를 사용했을 때 그것을 명시적으로 언급합니다.
• 개인 사용 경험을 바탕으로 합리적 기대치를 세우며 앞에서 이끕니다.

타임스탬프: 01:12:00

Dalton Caldwell

Dalton Caldwell

"거대한 범용 모델의 대안으로 작은 미세조정 모델... 우리는 아마 모든 종류의 소프트웨어 시스템이 서로 대화할 수 있게 하는 더 나은 접착제를 점점 만들 수 있을 것입니다. 매우 넓은 아이디어지만, 그것을 핵심으로 시작해 매우 성공하는 회사를 많이 보게 될 것이라고 생각합니다."

인사이트: 실행 가능한 AI 전략은 범용 모델에서 특화 미세조정 모델로 이동하고, LLM을 엔터프라이즈 시스템의 '접착제'로 사용하는 것입니다.

전술 조언:

• 특정 수직 사용 사례를 위한 작고 미세조정된 모델을 탐색합니다.
• LLM으로 대체하거나 개선할 수 있는 취약한 엔터프라이즈 '접착제'를 식별합니다.

타임스탬프: 00:55:37

Dr. Fei Fei Li

Dr. Fei Fei Li

"빅데이터, 신경망, GPU라는 세 기술의 조합이 현대 AI의 황금 레시피였습니다. 그리고 시간이 흘러 AI의 대중적 순간, 즉 ChatGPT 순간을 보면 ChatGPT를 세상에 가져온 기술적 재료도 여전히 이 세 가지를 사용합니다."

인사이트: 현대 AI 돌파구는 대규모 데이터셋, 신경망 아키텍처, 고성능 GPU라는 세 핵심 기둥의 수렴 위에 세워집니다.

전술 조언:

• 빅데이터, 신경망, 컴퓨팅(GPU)이라는 기술의 '삼요소'에 집중합니다.
• 기존 아키텍처 확장은 필요하지만 미래 돌파구에 충분하지 않다는 점을 인식합니다.

타임스탬프: 00:19:12

---

"더 많은 데이터, 더 많은 GPU, 더 큰 현재 모델 아키텍처의 스케일링 손실에는 아직 할 일이 많지만, 저는 더 많은 혁신이 필요하다고 절대적으로 생각합니다. 인류 역사에서 깊은 과학 분야가 '끝났다, 혁신은 끝났다'고 말하는 지점에 도달한 적은 없습니다. AI는 인류 문명에서 가장 젊은 분야 중 하나입니다."

인사이트: 컴퓨팅과 데이터 확장은 효과적이지만, 고급 AI로 가기 위한 진짜 진전에는 추상화, 감성 지능, 과학적 추론 같은 영역의 근본 혁신이 필요합니다.

전술 조언:

• 추상화와 창의성 혁신을 위해 현재 transformer 아키텍처 너머를 봅니다.
• 모델 개발을 이끌 객체 인식이나 공간 지능 같은 '북극성' 문제를 식별합니다.

타임스탬프: 00:26:44

---

"세계 모델을 이해하는 간단한 방식은, 이미지든 문장이든 프롬프트를 통해 누구나 마음의 눈으로 어떤 세계든 만들 수 있게 하는 모델이라는 것입니다. 또한 이 세계를 둘러보고 걷거나 물체를 집거나 바꾸는 방식으로 상호작용하고, 그 세계 안에서 추론할 수 있어야 합니다."

인사이트: 세계 모델은 수동적 콘텐츠 생성에서 상호작용 가능하고 탐색 가능하며 추론 기반인 3D 환경 생성으로의 전환을 나타냅니다.

전술 조언:

• 2D 산출물만이 아니라 3D 공간 안에서 상호작용과 추론을 가능하게 하는 모델을 개발합니다.
• 세계 모델을 체화 AI(로보틱스)와 공간 지능의 기반으로 사용합니다.

타임스탬프: 00:34:56

---

"결국 더 적은 데이터의 더 복잡한 모델보다, 많은 데이터가 있는 더 단순한 모델이 항상 이깁니다... 왜 bitter lesson이 로보틱스에서만은 잘 작동하지 못할까요? ...로봇에게서 행동을 얻고 싶지만, 학습 데이터에는 3D 세계의 행동이 부족합니다... 우리에게 있는 것은 수많은 웹 영상이므로, 네모를 둥근 구멍에 맞추는 다른 방법을 찾아야 합니다."

인사이트: 'Bitter Lesson'(데이터/컴퓨팅 확장)은 LLM의 텍스트 풍부함과 달리 고품질 3D 행동 데이터가 부족한 로보틱스에는 적용하기 어렵습니다.

전술 조언:

• 로봇 모델 학습을 위해 웹 영상 데이터에 원격 조작 데이터나 합성 데이터를 보완합니다.
• 로보틱스는 물리적 몸체와 공급망이 필요하므로 소프트웨어 전용 AI보다 제품화 여정이 길다는 점을 인식합니다.

타임스탬프: 00:41:17

Dhanji R. Prasanna

Dhanji R. Prasanna

"우리의 최우선순위는 automate Block을 통해 AI와 AI 형태의 자동화를 회사 전체에 넣는 것입니다. ... Goose를 매일 쓰는 매우 AI 지향적인 엔지니어링 팀은 주당 약 8-10시간을 절약했다고 보고합니다. 자기보고 기준입니다."

인사이트: AI를 통한 내부 자동화를 회사 최상위 우선순위로 다뤄 대규모 생산성 향상을 이끌어야 합니다.

전술 조언:

• AI 영향을 엔지니어링뿐 아니라 모든 부서의 '절약된 수작업 시간'으로 측정합니다.
• 데이터 과학자가 PR 수 같은 처리량 지표로 자기보고 생산성 향상을 검증하게 합니다.

타임스탬프: 00:15:46

---

"진실은 가치가 매일 바뀐다는 것입니다. 그래서 적응할 수 있어야 하고 오늘의 가치가 무엇인지 보며 내일의 가치가 무엇이 될지 계획하고, 가장 효과적인 영역으로 천천히 확장해야 합니다."

인사이트: 기초 모델 역량이 빠르게 진화하기 때문에 AI 전략은 유동적이어야 합니다.

전술 조언:

• AI가 현재 인간보다 잘하는 영역(예: 간단한 도구 만들기)과 못하는 영역(예: 복잡한 아키텍처)을 구분합니다.
• 기술의 '최종' 버전을 기다리지 말고 모델 개선의 파도를 탑니다.

타임스탬프: 00:17:17

Drew Houston

Drew Houston

"Dash는 모든 다른 앱에 연결됩니다. 범용 검색을 제공합니다. ChatGPT 이후에는 전통 검색만이 아니라 자연어로 질문할 수 있고, 당신의 것에 연결되어 있지 않아서 ChatGPT가 답하지 못하는 많은 질문에 답할 수 있습니다."

인사이트: AI 제품 전략은 LLM을 흩어진 독점 사용자 데이터에 연결해 '맥락' 문제를 해결하는 데 집중해야 합니다.

전술 조언:

• SaaS 앱의 '알려진 우주'를 색인해 개인화 AI 답변을 제공하는 커넥터 플랫폼을 만듭니다.
• 사용자의 업무 생활을 조직하는 방식으로 범용 검색과 자연어 질의에 집중합니다.

타임스탬프: 01:11:08

Dharmesh Shah

Dharmesh Shah

"우리는 명령형 모델에서... 엔지니어들이 선언형 모델이라고 부르는 것으로 가고 있습니다. 선언형 모델은 거기까지 가는 단계가 아니라 원하는 결과를 설명하는 것입니다."

인사이트: AI 제품 전략의 핵심 전환은 단계별 사용자 지시(클릭/스와이프)에서 결과 기반 설명(자연어)로 이동하는 것입니다.

전술 조언:

• 사용자의 생각과 소프트웨어 인터페이스 사이의 '번역 계층'을 제거할 수 있는 사용 사례를 식별합니다.
• 사용자가 단계를 실행하기보다 의도를 표현하게 하는 제품을 만듭니다.

타임스탬프: 01:34:31

Dylan Field

Dylan Field

"온라인 소셜 미디어를 보니 사람들이 이미 올바른 대화에 초점을 맞추고 있다고 봅니다. AI가 더 많은 소프트웨어를 만드는 세계에서 그것이 무엇을 의미하는가, 장인정신과 품질에 미치는 영향, 더 독특한 디자인이 필요하다는 점, 디자인이 어떻게 차별화 요소가 되는가입니다."

인사이트: AI가 주도하는 소프트웨어 환경에서 제품 전략은 주요 경쟁 차별화 요소로 장인정신과 고유 디자인에 집중해야 합니다.

전술 조언:

• AI 생성 기능이 제품 전체 품질과 '혼'에 어떤 영향을 주는지 평가합니다.
• AI가 '뻔한' 작업을 처리해 인간이 고유 차별화에 집중할 수 있는 영역을 식별합니다.

타임스탬프: 03:37

---

"제품 관리자가 더 이상 디자이너에게 '이거 그려줄 수 있어요?'라고 말하지 않습니다. 그러면 디자이너 시간이 풀려 더 깊이 탐색해야 할 것에 들어갈 수 있고, 어디로 가야 할지에 대한 첫 대화에 누구나 기여할 수 있게 됩니다."

인사이트: AI는 제품 개발 과정을 실행 중심(시안 그리기)에서 탐색 중심(전략 방향)으로 이동시킵니다.

전술 조언:

• 비디자인 기능에서도 프로토타입 과정을 민주화하는 데 AI를 사용합니다.
• 아이디어에서 작동하는 프로토타입까지의 경로를 줄이는 AI 전략에 집중합니다.

타임스탬프: 00:45:24

Edwin Chen

Edwin Chen

"암 치료, 빈곤 해결, 우주 이해처럼 우리 종을 실제로 진보시키는 AI를 만드는 대신 AI 잡동사니에 최적화하고 있는 것이 걱정입니다. 우리는 슈퍼마켓에서 타블로이드를 사는 사람들 유형에 맞춰 모델을 최적화하고 있습니다. 기본적으로 진실이 아니라 도파민을 쫓도록 모델을 가르치고 있습니다."

인사이트: 현재 AI 개발은 정확성과 의미 있는 인간 진보보다 참여와 '번쩍이는' 응답을 우선할 위험이 있습니다.

전술 조언:

• 사용자 참여나 '도파민' 자극만을 위해 모델을 최적화하지 않습니다.
• 피상적 성능보다 '진실'과 높은 효용 결과에 집중합니다.

타임스탬프: 00:01:18

---

"저는 벤치마크를 전혀 믿지 않습니다... 벤치마크 자체가 솔직히 틀린 경우가 많습니다. 잘못된 답이 있습니다... 결국 그 벤치마크들은 명확한 객관 답을 가지고 있어 모델이 hill-climb하기 매우 쉽고, 현실 세계의 지저분함과 모호함과는 매우 다릅니다."

인사이트: 표준 AI 벤치마크는 종종 결함이 있고 게임화되기 쉬우며, 실제 성능과 모호함을 대표하지 못합니다.

전술 조언:

• 학술 벤치마크 성능을 회의적으로 봅니다.
• 객관 답 벤치마크보다 지저분하고 모호한 실제 작업으로 모델을 테스트합니다.

타임스탬프: 00:18:00

---

"모델 진전을 정말 측정하는 방식은 이런 모든 인간 평가를 돌리는 것입니다... 검색자나 주석자는 각 분야 최상위 전문가이고, 단지 응답을 주는 것이 아니라 응답을 깊이 검토합니다... 모델을 매우 깊은 방식으로 평가하며, 일반 사용자가 보지 않는 정확성과 지시 준수 같은 것에 주목합니다."

인사이트: 도메인 전문가의 깊은 인간 평가는 실제 모델 진전을 측정하는 데 캐주얼 사용자 피드백이나 자동 벤치마크보다 우월합니다.

전술 조언:

• 전문가 인간 주석자를 사용해 모델 산출물을 사실 확인하고 깊이 평가합니다.
• '느낌'과 화려한 응답을 넘어 정확성과 지시 준수를 측정합니다.

타임스탬프: 00:20:15

---

"회사가 가진 가치가 모델을 형성한다는 것을 깨달았습니다... '당신 말이 완전히 맞습니다. 이 이메일을 개선할 20가지 방법이 더 있습니다'라고 말하고 50번 더 반복하게 하는 모델을 원하나요, 아니면 당신의 시간과 생산성을 최적화해 '아니요. 멈추세요. 이메일은 훌륭합니다. 그냥 보내고 넘어가세요'라고 말하는 모델을 원하나요?"

인사이트: AI 모델은 제작자가 선택한 특정 가치와 목적 함수에 따라 점점 더 차별화될 것입니다.

전술 조언:

• AI 제품이 구현할 특정 '성격'과 가치 체계를 정의합니다.
• 사용자 참여(체류 시간)와 사용자 생산성(절약 시간) 중 무엇을 최적화할지 결정합니다.

타임스탬프: 00:48:20

Eoghan McCabe

Eoghan McCabe

"선택권은 없습니다. AI는 가장 공격적이고 격렬한 방식으로 파괴할 것입니다. 그 안에 있지 않다면 곧 전체에서 밀려날 것입니다."

인사이트: AI 파괴는 점진적 도입이 아니라 공격적이고 전면적인 헌신이 필요한 실존적 위협입니다.

전술 조언:

• AI가 거의 모든 소프트웨어 카테고리를 파괴할 것임을 인정합니다.
• 그것에 맞서 싸우기보다 파괴의 일부가 되도록 공격적으로 움직입니다.

타임스탬프: 00:00:00

---

"GPT 3.5 출시 후 겨우 6주가 지났을 때 우리는 이미 Fin의 베타 버전을 가지고 있었습니다. GPT 3.5 출시 일주일쯤 뒤 공동창업자 Des에게 문자를 받았는데, 'AI 팀이 흥미로운 것을 가지고 있고 실제 제품으로 만들 수 있다고 생각한다'고 했습니다."

인사이트: 기초 기술 전환이 일어날 때는 프로토타입 속도가 중요합니다.

전술 조언:

• 기존 AI/ML 팀이 새 모델로 즉시 실험하도록 권한을 줍니다.
• 주요 모델 출시 후 몇 주 안에 작동하는 프로토타입을 목표로 합니다.

타임스탬프: 00:11:10

---

"저는 AI에 강하게 뛰어들었고, 우리 현금 거의 1억 달러를 쓰겠다고 발표했습니다. 많은 자본을 배정했지만 문화도 다시 시작했습니다."

인사이트: 성공적인 AI 전환에는 큰 자본 배분과 고속 혁신을 뒷받침하는 문화 재설정이 필요합니다.

전술 조언:

• AI 개발 전용 예산을 상당히 배정합니다.
• AI 시대의 요구(속도, 회복력)에 회사 문화를 맞춥니다.

타임스탬프: 00:28:40

Eric Ries

Eric Ries

"AI는 관리 기술입니다. AI가 하는 일은 지능과 다른 지능들을 관리하는 것입니다... 개인의 통제 범위를 꽤 많이 바꾸기 때문에 관리를 정말 많이 바꿀 것입니다."

인사이트: AI가 조직에 주는 주요 영향은 정보를 요약하고 개인의 통제 범위를 넓히는 능력입니다.

전술 조언:

• 조직 활동 요약에 AI를 사용합니다.
• 명확한 조달 정책을 가진 에이전트를 설계합니다.
• 다양한 미래 시나리오에서 윤리적으로 타당한 행동을 선택합니다.

타임스탬프: 01:20:35

Ethan Smith

Ethan Smith

"Answer Engine Optimization은 LLM에서 내가 답변으로 어떻게 나타나는가입니다."

인사이트: AEO는 대규모 언어 모델 응답 안에서 제품이나 브랜드가 주요 답으로 인용되도록 하는 전략적 과정입니다.

전술 조언:

• 단일 링크 순위보다 다양한 인용 전반에서 최대한 많이 언급되는 데 집중합니다.
• 전통 검색보다 채팅에서 더 흔한 대화형 질문의 '긴 꼬리'를 최적화합니다.

타임스탬프: 00:00:02

---

"LLM은 많은 인용을 요약하므로 가능한 한 많이 언급되어야 합니다. 보통 'X를 위한 최고의 도구는 무엇인가요?' 같은 것을 물으면 첫 번째 답은 인용에서 가장 많이 언급된 것입니다."

인사이트: LLM은 RAG로 회수한 출처 전반의 언급 빈도와 권위에 따라 '최고' 답을 결정합니다.

전술 조언:

• LLM이 가져오는 구체적 인용(웹사이트, 영상, 스레드)을 식별합니다.
• 그 고권위 인용에서 브랜드 언급을 늘려 LLM 내부 순위를 올립니다.

타임스탬프: 00:11:18

Eric Simons

Eric Simons

"소프트웨어는 결정론적입니다. 코드를 쓰고 실행하면 돌아가거나 돌아가지 않습니다... 무엇보다 LLM이 다른 대부분의 적용 분야보다 코드를 쓰는 데 미친 듯이 좋아질 기술적 이유가 있습니다."

인사이트: AI 전략은 자동 테스트와 순열을 통한 강화학습이 적용될 수 있는 결정론적 수직 영역에 집중해야 합니다.

전술 조언:

• 코드 실행처럼 결정론적 결과가 있는 작업에 AI 노력을 집중합니다.
• 강화학습을 통해 고품질 학습 데이터를 만들 수 있는 자동 환경을 사용합니다.

타임스탬프: 01:09:13

---

"제품 관리자들은 JIRA 티켓을 쓰고 개발자가 하길 기다리는 대신, 따옴표 안에서 '코드를 쓰게' 될 것입니다... 적어도 승자들의 조직도는 완전히 바뀌고, 제품을 만들고 출시하는 접근도 완전히 바뀔 것입니다."

인사이트: AI는 제품 관리자와 디자이너가 UI '코딩'을 직접 이끌고, 엔지니어는 복잡하고 비범용적인 로직에 집중하도록 조직 구조를 바꿀 것입니다.

전술 조언:

• 제품 관리자와 디자이너가 AI를 통해 코드베이스에 직접 '손끝' 접근을 갖는 조직도를 준비합니다.
• 엔지니어링 자원을 판박이 UI 작업에서 지적으로 어려운 작업으로 이동합니다.

타임스탬프: 00:55:30

Geoffrey Moore

Geoffrey Moore

"고객 관점에서 보면 초기 시장의 AI도 있고, 볼링 앨리의 AI도 있고, 캐즘의 AI도 있고, 토네이도의 AI도 있고, 메인 스트리트의 AI도 있습니다."

인사이트: AI 제품은 도입 생애주기의 모든 단계에 동시에 존재하며, 각 단계마다 다른 전략이 필요합니다.

전술 조언:

• AI 기능이 Copilot 같은 '메인 스트리트' 생산성 추가 기능인지, AI 튜터링 같은 '볼링 앨리' 특화 솔루션인지 식별합니다.
• 특화 AI에는 적당한 위험으로 높은 생산성 수익을 주는 영역에 집중합니다.

타임스탬프: 00:59:50

Gaurav Misra

Gaurav Misra

"영상에 대한 우리의 구체적 목표는 전문가 도구를 만드는 것이 아닙니다... 우리는 이전에는 영상을 만들 수 없던 사람을 위해 만들고 있습니다."

인사이트: AI 전략은 비전문가의 진입 장벽을 낮추고 기술·시간 격차를 메우는 데 집중해야 합니다.

전술 조언:

• 전문 도구가 없는 사용자의 '기술 격차'나 '시간 격차'를 AI가 메울 수 있는지 식별합니다.
• 실용적 문제 해결을 위해 범용 생성보다 말하는 영상 같은 특정 AI 틈새에 집중합니다.
• 안전과 제품 초점을 위해 '기록' 영상(현실)과 '스토리텔링' 영상(AI 강화)을 구분합니다.

타임스탬프: 00:10:55

Hamel Husain & Shreya Shankar

Hamel Husain & Shreya Shankar

"훌륭한 AI 제품을 만들려면 평가 체계를 정말 잘 만들어야 합니다. 그것은 할 수 있는 활동 중 ROI가 가장 높은 일입니다."

인사이트: 평가 시스템 개발은 AI 제품 개발에서 가장 중요하고 수익이 높은 활동입니다.

전술 조언:

• 평가 체계 구축을 핵심 역량으로 삼습니다.
• 느낌 점검보다 체계적 측정을 우선합니다.

타임스탬프: 00:00:00

---

"평가 체계는 AI 애플리케이션을 체계적으로 측정하고 개선하는 방법이며, 전혀 무섭거나 접근하기 어려울 필요가 없습니다. 핵심은 LLM 애플리케이션에 대한 데이터 분석입니다."

인사이트: AI 평가는 대규모 언어 모델 산출물에 적용된 특화 데이터 분석입니다.

전술 조언:

• 평가 체계를 체계적 측정 프레임워크로 다룹니다.
• 데이터 분석 원칙을 사용해 LLM 애플리케이션을 반복 개선합니다.

타임스탬프: 00:05:49

---

"당신이 신뢰하는 취향을 가진 한 사람을 지정할 수 있습니다. 그 사람은 도메인 전문성이 있어야 합니다. 많은 경우 제품 관리자입니다."

인사이트: 위원회 중심 정체를 피하려면 도메인 전문성을 가진 '선의의 독재자'가 평가 과정을 이끌어야 합니다.

전술 조언:

• 개방형 코딩을 이끌 단일 도메인 전문가를 지정합니다.
• 제품에 대한 최고의 '취향'을 가진 사람이 품질 기준을 정의하게 합니다.

타임스탬프: 00:01:09

Grant Lee

Grant Lee

"모델 하나가 아닙니다. 제품의 여러 부분을 구동하는 20개 이상의 모델일 수도 있고, 필요한 오케스트레이션을 생각하게 됩니다. 계속 실험한다면 최신 모델과 더 오래됐지만 싼 모델을 비교 테스트할 수 있어야 합니다... 당신의 일은 다시 말해 가치를 정렬하고, 사업으로 지속 가능하면서 최종 사용자에게 전달하는 가치를 극대화하는 것입니다."

인사이트: 지속 가능한 AI 제품은 단순한 '껍데기'를 넘어 여러 모델을 오케스트레이션해 깊은 끝단 간 사용자 업무 흐름을 해결합니다.

전술 조언:

• 단일 AI 기능보다 끝단 간 업무 흐름을 소유합니다.
• 개요 작성, 시각 배치, 이미지 생성처럼 작업별로 다른 모델을 사용합니다.
• 성능과 추론 비용의 균형을 위해 새 모델을 계속 실험합니다.

타임스탬프: 01:20:15

Hamilton Helmer

Hamilton Helmer

"AI 모델이 한 사용자의 상호작용에서 배운 것이 다른 사용자의 상호작용을 돕는 방식으로 발전할까요? 그렇다면 강력한 네트워크 경제가 됩니다. 또는 당신에 대해 배우고 더 나은 정신과 의사 같은 것이 된다면, 그것은 전환 비용입니다."

인사이트: AI는 데이터 기반 네트워크 경제 또는 깊은 개인화에서 나온 높은 전환 비용으로 전략적 힘을 만들 수 있습니다.

전술 조언:

• 한 사용자의 데이터가 모든 다른 사용자의 경험을 개선하는 네트워크 경제를 AI 학습이 어떻게 만들 수 있는지 탐색합니다.

타임스탬프: 00:39:44

Guillermo Rauch

Guillermo Rauch

"AI 제품을 만들 때는 사용자 피드백의 끊임없는 흐름이 있습니다. 그래서 AI 제품을 만들지 않으려는 사람에게는 사용자와 그렇게 촘촘한 피드백 루프를 가진 것과 경쟁하기 어려울 것입니다. 핵심은 사용자 피드백을 포착해 모델, 지시문, 미세조정, 예시, RAG의 다음 반복을 더 좋게 만드는 것입니다."

인사이트: AI 제품의 경쟁 우위는 사용자 피드백의 지속적 흐름을 사용해 기초 모델, RAG, 지시문을 즉시 개선하는 능력입니다.

전술 조언:

• 사용자 '좋아요/싫어요'를 포착해 다음 미세조정 반복에 반영하는 인프라를 만듭니다.
• 사용자 피드백을 RAG 개선의 직접 입력으로 다룹니다.

타임스탬프: 01:02:40

Gustav Söderström

Gustav Söderström

"인터넷은 큐레이션으로 시작했습니다... 그다음 세상은 큐레이션에서 추천으로 바뀌었습니다... 이제 우리는 큐레이션에서 추천을 거쳐 생성으로 가고 있다고 봅니다. 결국 제품을 다시 생각해야 할 만큼 큰 변화가 될 것입니다."

인사이트: 추천 기반 제품에서 생성 기반 제품으로의 전환은 사용자 인터페이스와 비즈니스 모델을 근본적으로 다시 생각하게 합니다.

전술 조언:

• 사용자가 원하는 것을 모르는 '무의도' 사용 사례를 식별하고 생성 AI로 간극을 메웁니다.
• 안전, 분류 같은 반복 개선용 AI와 핵심 생성 기능용 AI를 구분합니다.

타임스탬프: 00:13:30

---

"이 확산 모델이 음악 생성에 충분히 좋아진다면 악기처럼 생각하는 것이 맞을 것입니다. 훨씬 더 강력한 악기이고, 어떤 악기에도 능숙하지 않았던 새 유형의 창작자를 보게 될 것입니다."

인사이트: 생성 AI는 기존 예술의 대체재가 아니라 새 장르와 새 창작자를 가능하게 하는 고레버리지 악기로 봐야 합니다.

전술 조언:

• AI가 일반 콘텐츠 생성보다 창작자가 '진정으로 고유'해지도록 돕는 방식에 집중합니다.
• 권리 보유자가 생성 기술의 혜택을 얻을 수 있는 새 비즈니스 모델을 찾습니다.

타임스탬프: 00:22:51

Hilary Gridley

Hilary Gridley

"보상 루프 설계... 보상 루프는 강력하고, 즉각적이고, 감정적이어야 합니다. 그래서 이 사람이 당신이 원하는 행동을 하면 백만 달러를 번 기분이 들게 해야 합니다. ... 저는 Custom GPTs가 사람들이 LLM 사용법을 배우는 데 도움이 되는 도구라고 좋아합니다. 왜냐하면 '오, 이게 나를 도와주네. 멋지다'라는 기쁨을 주고, '아, 나는 프롬프트를 잘 못 쓰네'라는 절망은 주지 않기 때문입니다."

인사이트: AI 도입을 이끌려면 새 도구 학습의 마찰을 줄이는 즉각적이고 감정적인 보상 루프를 설계해야 합니다.

전술 조언:

• 휴가 계획처럼 재미있고 부담 낮은 AI 사용 사례로 습관을 만듭니다.
• 사용자가 지시문 작성부터 익히지 않아도 즉시 가치를 얻도록 미리 만든 Custom GPTs를 제공합니다.
• AI 산출물이 성취감이나 시간 절약의 '백만 달러' 느낌을 주게 합니다.

타임스탬프: 01:05:48

Inbal S

Inbal S

"소프트웨어 개발을 위한 AI 도구 사용자는 다른 사고를 형성해야 합니다. 이 AI 도구를 어떻게 써야 성공할 수 있는지 알아내기 시작해야 합니다. 더 이상 실제 코드 작성만이 아니라, 큰 그림, 연결된 경험, 연결된 시스템으로 사고를 진화시키는 일입니다."

인사이트: AI는 개발자의 역할을 전술적 코드 작성에서 높은 수준의 시스템 아키텍처와 큰 그림 사고로 이동시킵니다.

전술 조언:

• 문법만이 아니라 시스템과 환경 이해에 집중합니다.
• AI가 단순 코드를 처리하게 해 주니어 개발자가 더 일찍 아키텍처를 배우게 합니다.

타임스탬프: 00:00:00

---

"생성 AI가 인간을 대체할 것인가. 가까운 미래에는 그렇게 보지 않습니다. 제 생각에는 항상 인간이 루프 안에 필요합니다. AI는 혁신을 대체할 수 없기 때문입니다. 인류의 중심인 창의적 불꽃, 창의적 사고는 AI로 대체되지 않을 것입니다."

인사이트: AI는 효율을 위한 도구이지만, 인간 혁신과 '창의적 불꽃'은 자동화할 수 없는 필수 핵심입니다.

전술 조언:

• 모든 AI 생성 산출물에 인간 검토를 유지합니다.
• 반복 작업보다 혁신과 창의적 문제 해결에 인간 노력을 집중합니다.

타임스탬프: 00:05:11

---

"우리가 해결하려는 문제가 무엇이고, AI로 그 문제를 더 잘 해결할 수 있는가를 봐야 합니다. 'AI로 무엇을 할까?'가 아닙니다. 해결하려는 고객 문제에서 거꾸로 작업하고, 그 일을 더 잘하기 위한 최고의 도구가 무엇인지 깨닫는 것입니다."

인사이트: 고객 문제에서 시작해 AI가 올바른 도구인지 판단함으로써 'AI를 위한 AI'를 피해야 합니다.

전술 조언:

• 솔루션으로 AI를 선택하기 전에 고객 문제에서 거꾸로 작업합니다.
• 수동이거나 마찰이 큰 업무 흐름을 AI 연동의 주요 후보로 식별합니다.

타임스탬프: 14:38

---

"Copilot의 설계 철학은 거꾸로 작업하는 개념과 매우 맞아 있습니다... 고객의 입장이 되어 그들이 무엇을 필요로 하는지, 그 경험이 그들에게 어떻게 작동할지 알아내는 것입니다. 추가 도구이고 요청해야 하거나 기다려야 한다면 개발자는 도입하지 않을 것입니다."

인사이트: AI 도구는 도입을 막는 마찰을 피하기 위해 기존 업무 흐름에 매끄럽게 통합되어야 합니다.

전술 조언:

• AI 기능을 직관적이고 마찰 없게 설계합니다.
• 사용자가 가치를 얻기 위해 '기다리거나' 추가 단계를 수행하지 않게 합니다.

타임스탬프: 19:05

---

"모든 것을 지배하는 단일 지표는 없습니다. AI 도입으로 측정하려는 것들의 조합입니다... 생산성은 각 구성요소에 맞는 올바른 지표가 아닙니다. GitHub Advanced Security에 AI를 구현할 때는 더 안전한 코드를 쓰는 것이 올바른 요소입니다. 예를 들어 얼마나 많은 비밀 정보 유출을 막을 수 있었는가입니다."

인사이트: AI 성공은 하나의 일반 생산성 지표가 아니라 보안이나 품질 같은 구체적 결과로 측정해야 합니다.

전술 조언:

• 단순한 '절약 시간'보다 '가치까지 걸린 시간'을 측정합니다.
• 보안 AI에는 유출 방지된 비밀 정보나 감지된 버그 같은 구체적 품질 지표를 사용합니다.

타임스탬프: 20:35

Howie Liu

Howie Liu

"그 미션을 완전한 AI 네이티브 접근으로 어떻게 실행할 것인가? 할 수 없다면 구매자를 찾고, 그 미션을 정말 중요하게 생각한다면 다음 화신을 시작해야 합니다."

인사이트: 기존 자산이 이점인지 부채인지 판단하기 위해 제품 미션을 백지 상태의 AI 네이티브 관점으로 평가해야 합니다.

전술 조언:

• 'AI 네이티브 회사라면 우리 미션을 어떻게 실행할까?'라고 묻습니다.
• AI를 기존 제품 원시 요소를 조작하는 DSL(도메인 특화 언어)로 사용합니다.
• 전통적인 그래픽 인터페이스만이 아니라 바이브 코딩과 에이전트형 앱 구축을 우선합니다.

타임스탬프: 00:35:08

---

"가능한 솔루션 공간을 진짜 이해하려면 디테일 안에 있어야 합니다. 문자 그대로 새 제품 기능의 화면 캡처나 사전 녹화 영상을 보는 것만으로는 안 됩니다. AI는 직접 가지고 놀아야 하는 것입니다."

인사이트: AI 솔루션 공간을 이해하려면 리더가 최종 제품만 검토하지 말고 기초 원시 요소와 모델을 직접 실험해야 합니다.

전술 조언:

• API나 채팅 인터페이스로 기초 원시 요소를 직접 사용해 모델 경계를 이해합니다.
• 사용자가 기초 AI 역량을 이해하도록 돕는 시각 은유와 조작 단서를 만드는 데 집중합니다.

타임스탬프: 00:12:46

Ivan Zhao

Ivan Zhao

"저는 AI 언어 모델이 새로운 종류의 나무처럼 느껴진다고 항상 생각합니다. 알루미늄처럼 새 재료입니다... 알루미늄이 충분히 싸져 비행기를 비용에 맞게 만들 수 있기 전까지 대중 항공 여행은 가능하지 않았습니다... AI는 묶음형 제공에 정말 좋습니다. AI는 수평 도구에 정말 좋습니다."

인사이트: AI는 이전에는 불가능했던 아키텍처 맞교환을 가능하게 하는 새 원재료로 다뤄야 하며, 특히 수평·묶음형 플랫폼에 유리합니다.

전술 조언:

• 서로 다른 데이터셋을 가로질러 추론하는 AI 능력을 활용해 수평 제품의 가치 제안을 강화합니다.
• 외부 데이터를 핵심 생태계로 끌어오는 AI '커넥터'를 만들어 AI의 추론력을 높입니다.

타임스탬프: 00:39:13

---

"첫 제품은 AI 글쓰기 제품이었습니다. 두 번째 제품은 AI Q&A 또는 커넥터입니다. Notion의 모든 정보를 보고 답을 주세요... 세 번째는 더 흥미로운데, AI 코딩 에이전트를 그 위에 얹으면 필요한 어떤 수직 사용 사례든 지식, 고객 소프트웨어, 고객 에이전트를 만들 수 있습니다."

인사이트: AI 제품 진화는 단순 생성(글쓰기)에서 회수(Q&A), 자율 조립(에이전트가 맞춤 소프트웨어를 만드는 것)로 이동합니다.

전술 조언:

• AI 기능을 낮은 복잡도(글쓰기)에서 높은 복잡도(자율 에이전트)로 순서화합니다.
• AI가 사용자를 위해 구성요소를 조립하게 하여 모듈형 도구의 '빈 화면' 문제를 해결합니다.

타임스탬프: 00:58:17

Jake Knapp + John Zeratsky

Jake Knapp + John Zeratsky

"이것이 AI 스타트업에 특히 가치 있다는 것을 발견했습니다. 처음에는 신뢰할 수 없을 수 있는 것을 고객에게 익숙하지 않은 큰 행동 변화로 바꾸는 데는 복잡한 문제가 많고, 때때로 인공지능이 사람들에게 좀 낯설게 느껴지는 것을 만들어낼 수 있기 때문입니다. 구석의 작은 별 달린 챗봇을 넘어서 실제로 유용하고 정말 의미 있는 것으로 만드는 일입니다."

인사이트: AI 제품 전략은 사용자 신뢰와 큰 행동 변화를 해결해야 합니다.

전술 조언:

• 일반 챗봇을 추가하는 데 그치지 말고 AI 기능을 '의미 있게' 만듭니다.
• 전통 업무 흐름에 AI를 도입할 때 '신뢰 장벽'을 다룹니다.

타임스탬프: 01:31:20

Jason Droege

Jason Droege

"현재 일반적인 흐름은 모델이 무언가를 아는 것에서 무언가를 하는 것으로 가고 있다는 것입니다. 다음 질문은, 그것이 나를 위해 무엇을 할 수 있는가? 에이전트가 당신을 위해 어떻게 결정을 내리는가입니다."

인사이트: AI의 전략적 최전선은 지식 회수에서 에이전트형 행동과 의사결정으로 이동하고 있습니다.

전술 조언:

• 모델이 소프트웨어 환경을 탐색하는 에이전트형 업무 흐름에 제품 개발을 집중합니다.
• 정확도가 낮을 때 에이전트가 인간에게 피드백을 요청하도록 시스템을 설계합니다.

타임스탬프: 00:35:47

---

"이것들이 중요한 프로세스를 자동화할 만큼 정말 견고해지는 데는 6-12개월이 걸립니다. 이런 주요 기술 혁명과 마찬가지로 헤드라인은 한 이야기를 하지만 현장에서는 광대역을 깔려면 미국의 모든 도로를 파헤쳐야 하는 식입니다."

인사이트: 엔터프라이즈 AI 자동화가 프로덕션 수준 신뢰도에 도달하려면 상당한 '운영적 다듬기'와 6-12개월의 시간이 필요합니다.

전술 조언:

• 초기 개념 증명(POC)을 넘어 긴 구현 주기를 계획합니다.
• 핵심 업무 프로세스에는 신뢰성과 '파이브 나인' 정확도에 집중합니다.

타임스탬프: 00:39:00

Jonathan Becker

Jonathan Becker

"인적 자본 관점에서 우리가 본 최종 효과는 재배치입니다. 지금 사람은 이전보다 더 많지만, 그들이 하는 일의 성격은 더 전략적입니다. 모델링, 검증, 올바른 질문하기, 창의적 레버에 집중하는 일입니다. Google 검색의 키워드 수준 입찰 조정 같은 실행의 참호 작업과 매우 힘든 수동 분석은 줄었습니다."

인사이트: AI는 인간 역할을 수동 실행에서 높은 수준의 전략 모델링과 창의적 방향 설정으로 이동시킵니다.

전술 조언:

• 인적 자본을 전략 모델링과 검증에 집중합니다.
• 입찰 조정과 키워드 수준 분석 같은 수동 작업을 자동화합니다.

타임스탬프: 00:00:00

Karina Nguyen

Karina Nguyen

"창의적 사고와 여러 아이디어를 생성하고 걸러내는 일을 원합니다. 최고의 제품 경험만 만드는 것이 아닙니다. 모델에게 미학이나 정말 좋은 시각 디자인, 또는 글에서 극도로 창의적인 법을 가르치는 것은 실제로 매우 어렵다고 생각합니다."

인사이트: 창의적 추론, 미학, 높은 수준의 아이디어 선별은 여전히 자동화하기 어렵고 AI 제품 팀에 높은 가치가 있는 역량입니다.

전술 조언:

• 모델이 현재 부족한 '미학적' 판단과 '창의적' 판단을 개발하는 데 집중합니다.

타임스탬프: 00:00:26

---

"파일 업로드 때문에... 형식은 기능을 따른다는 것과 같습니다. 파일 업로드라는 형태는 사람들이 책, 보고서, 재무자료 등 말 그대로 무엇이든 업로드하고 모델에게 어떤 작업이든 요청할 수 있게 합니다."

인사이트: AI 제품 가치는 기초 모델 역량만이 아니라 파일 업로드 같은 제품 형태에서 나오는 경우가 많습니다.

전술 조언:

• 문서 업로드처럼 익숙한 사용자 작업과 맞는 형태를 설계해 모델 효용을 엽니다.

타임스탬프: 00:37:04

---

"미래를 위해 만들어야 합니다. 지금 모델이 좋든 좋지 않든 반드시 중요한 것은 아닙니다. 모델이 정말 좋아질 때쯤에는 아주 잘 작동할 제품 아이디어를 만들 수 있습니다."

인사이트: 효과적인 AI 전략은 현재 한계보다 미래 모델 개선을 예상하는 제품 경험을 설계하는 것입니다.

전술 조언:

• 오늘은 실패할 수 있지만 추론 비용이 내려가고 지능이 올라가면 성공할 제품 아이디어를 프로토타입으로 만듭니다.

타임스탬프: 00:43:53

---

"모델이 정말 잘하는 것은 점들을 연결하는 일이라고 생각합니다. 예를 들어 한 출처의 사용자 피드백, 지표가 있는 내부 대시보드, 다른 피드백이나 입력이 있으면, 그것이 당신을 위한 계획과 추천까지 만들 수 있습니다."

인사이트: AI는 피드백, 지표, 로그 같은 서로 다른 데이터 출처를 응집된 전략이나 계획으로 종합하는 데 매우 강합니다.

전술 조언:

• LLM을 사용해 사용자 피드백과 내부 지표를 모으고 요약해 가장 고통스러운 사용자 흐름을 식별합니다.

타임스탬프: 00:50:10

Keith Coleman & Jay Baxter

Keith Coleman & Jay Baxter

"기존 노트를 입력으로 가져와... LLM이 수많은 변형을 생성하게 하고, 기본적으로 모의 배심원을 만들어 커뮤니티 노트를 평가할 대표 기여자 집단이 이 LLM 생성 노트를 어떻게 평가할지 과거 평가를 바탕으로 예측하려 했습니다."

인사이트: LLM은 사용자 피드백을 시뮬레이션하고 합의에 도달할 가능성이 높은 고품질 콘텐츠 변형을 만드는 데 사용할 수 있습니다.

전술 조언:

• 기존 사용자 입력을 바탕으로 콘텐츠 조각의 여러 변형을 LLM으로 생성합니다.
• 과거 데이터를 사용해 사용자 평가 과정을 시뮬레이션하고 어떤 AI 생성 콘텐츠가 가장 도움이 될지 예측합니다.

타임스탬프: 01:39:13

Kevin Weil

Kevin Weil

"이전 어디에서 일하든 자신이 어떤 기술 위에 만들고 있는지 어느 정도 알았습니다... 하지만 AI에서는 전혀 그렇지 않습니다. 두 달마다 컴퓨터가 이전에는 절대 할 수 없던 일을 할 수 있게 되고, 당신은 하고 있는 일을 완전히 다르게 생각해야 합니다."

인사이트: AI 제품 전략은 기초 기술이 고정 기반이 아니라 움직이는 목표물이기 때문에 사고방식 전환이 필요합니다.

전술 조언:

• 기술이 두 달마다 바뀔 것을 예상합니다.
• 새 모델 역량에 따라 제품 방향을 자주 재평가합니다.

타임스탬프: 00:16:19

---

"우리의 일반적인 사고방식은 두 달 뒤 더 좋은 모델이 나와 현재 한계 묶음을 날려버릴 것이라는 것입니다... 만들고 있는 제품이 모델 역량의 가장자리에 있다면 계속 가세요. 당신은 올바른 일을 하고 있는 것입니다."

인사이트: 거의 가능해지는 역량을 기준으로 만드는 '모델 최대주의'를 채택해야 합니다. 출시 시점에는 모델이 따라잡을 가능성이 큽니다.

전술 조언:

• 현재 모델 한계를 보완하는 임시 발판을 과도하게 설계하지 않습니다.
• 현재 모델 역량의 가장자리를 밀어붙이는 제품을 만듭니다.

타임스탬프: 00:31:12

---

"미래는 매우 똑똑하고 폭넓은 모델이 회사별 또는 사용 사례별 데이터로 미세조정되고 맞춤화되어, 회사별 또는 사용 사례별 일에서 아주 잘 수행하는 방향이 될 것이라고 생각합니다."

인사이트: AI 전략의 다음 단계는 강력한 범용 모델과 독점·산업별 데이터를 미세조정으로 결합하는 것입니다.

전술 조언:

• 미세조정에 사용할 수 있는 비공개 데이터를 식별합니다.
• 특정 사용 사례 성능을 측정하는 맞춤 벤치마크를 개발합니다.

타임스탬프: 00:23:58

---

"우리는 사람들이 생각하는 것보다 내부적으로 모델 앙상블을 훨씬 더 많이 씁니다... 10개의 다른 문제가 있다면 20개의 다른 모델 호출로 풀 수 있고, 그중 일부는 특화 미세조정 모델입니다... 넓은 고수준 작업 묶음보다 문제를 더 구체적인 작업으로 쪼개야 합니다."

인사이트: 복잡한 AI 제품은 하나의 범용 모델 호출이 아니라 특화·미세조정 모델들의 앙상블로 만들어야 합니다.

전술 조언:

• 넓은 문제를 구체적 하위 작업으로 나눕니다.
• 각 하위 작업의 지연 시간과 비용 필요에 따라 4o와 4o mini 같은 다른 모델 크기를 사용합니다.

타임스탬프: 01:00:32

Luc Levesque

Luc Levesque

"곧 보게 될 것은 Google이... 검색 결과 위에 질의에 직접 답하는 큰 박스를 보여주는 것입니다... 플랫폼 최적화가 아니라 AI에게 당신이 무엇을 하고 왜 세계 최고인지 가르치는 세계에서 어떻게 최적화할 것인가가 문제입니다."

인사이트: 검색엔진의 생성 AI는 전략을 키워드 최적화에서 AI가 브랜드를 추천하도록 '가르치는' 방향으로 바꿉니다.

전술 조언:

• AI 검색 요약에 잠식될 위험이 있는 '정보형' 키워드를 식별합니다.
• 사용자가 여전히 행동을 완료하기 위해 클릭해야 하는 '거래형' 의도로 초점을 옮깁니다.

타임스탬프: 00:52:42

Madhavan Ramanujam

Madhavan Ramanujam 2.0

"AI 가격 책정은 이전 세대 회사와 매우 다릅니다... 소프트웨어가 접근권에 돈을 내는 것에서 이제는 전달된 일에 돈을 내는 것으로 이동했습니다. 그래서 수익화 모델이 핵심이 되었습니다."

인사이트: AI는 가치 제안을 도구 제공(접근권)에서 결과 제공(일)으로 바꾸며, 가격 모델의 근본 변화를 요구합니다.

전술 조언:

• '접근권에 대한 지불'보다 '전달된 일에 대한 지불'에 집중합니다.
• AI가 고객 KPI에 정확히 어떤 영향을 주는지 보여 '기여도 문제'를 해결합니다.

타임스탬프: 00:27:51

---

"그 의미는 제품 안에 실제로 기여도를 보여주는 기능을 어떻게 만들 것인가, 인간을 루프에서 빼고 더 자율적인 에이전트형 인력을 어떻게 만들 것인가, 그리고 더 결과 기반 가격 모델을 향하도록 비전과 전략을 신중하게 잡는 것입니다."

인사이트: AI 전략은 제품 자율성을 높이고 가치 기여도를 명시적으로 추적·표시하는 기능을 만드는 데 집중해야 합니다.

전술 조언:

• 고객 KPI에 대한 가치 기여도를 보여주는 대시보드를 만듭니다.
• '코파일럿'에서 '자율' 모드로 이동하는 에이전트형 역량을 개발합니다.

타임스탬프: 00:46:05

Logan Kilpatrick

Logan Kilpatrick

"더 많은 사람들을 보게 되어 정말 기대됩니다. 2024년은 멀티모달 AI의 해이기도 하지만, 사람들이 AI를 둘러싼 새 UX 패러다임의 경계를 실제로 밀어붙이는 해이기도 합니다."

인사이트: AI 제품 개발의 다음 단계는 채팅 인터페이스를 넘어 무한 캔버스 같은 멀티모달·새 UX 패러다임으로 이동합니다.

전술 조언:

• AI가 세부정보, 파일, 영상을 비선형 형식으로 채울 수 있는 '무한 캔버스' 같은 인터페이스를 탐색합니다.
• 데이터와 상호작용하는 더 인간 중심적 방식을 찾기 위해 지배적인 채팅 인터페이스 너머를 봅니다.

타임스탬프: 00:09:30

---

"GPTs는 에이전트 미래로 가는 우리의 첫 단계라고 생각합니다. 오늘 GPT를 쓰면 메시지를 보내고 거의 바로 답을 받습니다... GPTs가 더 견고해지면 실제로 '이 일을 하고 끝나면 알려줘'라고 말할 수 있게 될 것입니다."

인사이트: AI 전략은 즉각적 채팅 응답에서 비동기적이고 복잡한 작업을 수행하는 '에이전트'로 이동하고 있습니다.

전술 조언:

• 사용자가 능동적으로 기다리지 않고 AI에 작업을 위임한 뒤 완료 알림을 받도록 제품을 설계합니다.
• AI가 의미 있는 요청에 더 많은 '사고 시간'을 쓰는 미래에 맞춰 만듭니다.

타임스탬프: 00:45:48

---

"친구에게 들은 팁이 있습니다. 오늘 제품을 만들 때는 GPT-4의 현재 한계가 아니라 GPT-5 미래를 향해 만들어야 한다는 것입니다."

인사이트: 제품 로드맵은 현재 모델 한계에 묶이지 말고 미래 모델의 예측 역량을 위해 설계해야 합니다.

전술 조언:

• 미래 모델이 더 빠르고 똑똑하며 더 높은 수준의 문제를 해결할 것이라고 가정합니다.
• AI 도구가 새로움으로 남는다고 가정하지 말고 매우 빠르게 '정상적'이고 통합된 것이 되는 세계를 계획합니다.

타임스탬프: 00:48:22

---

"채팅 인터페이스를 넘어서는 제품은 정말 큰 이점을 가질 것입니다. 또한 사용 사례를 다음 단계로 어떻게 끌어올릴지 생각해야 합니다... 제가 정말 원하는 것은 질문만 하는 것입니다... 그리고 매우 데이터에 근거한 방식으로 그 질문에 대한 답을 얻는 것입니다."

인사이트: AI 제품의 가장 큰 기회는 복잡한 대시보드와 필터를 직접적이고 데이터 근거가 있는 자연어 답변으로 대체하는 것입니다.

전술 조언:

• 사용자가 복잡한 UI 필터를 탐색하는 영역을 식별하고 하나의 자연어 질의로 대체합니다.
• 원시 예시만 보여주지 말고 데이터에서 '무슨 일이 일어나고 있는지' 요약을 제공합니다.

타임스탬프: 00:55:34

Marc Benioff

Marc Benioff

"AI는 우리 생애, 아마 어떤 생애에서도 정의적 기술입니다."

인사이트: AI는 단순한 기능이 아니라 제품 방향을 완전히 재평가하게 하는 기초 전환입니다.

전술 조언:

• 모든 미래 제품 개발의 주요 렌즈로 AI를 다룹니다.

타임스탬프: 36:33

---

"1단계는 이 모든 고객 접점을 자동화해야 했습니다... 3단계는 그 위의 에이전트형 플랫폼입니다. 그리고 올 네 번째 계층은 로봇 드론 계층으로, 그 로봇과 드론이 플랫폼과 모든 역량을 먹고 자라게 됩니다."

인사이트: AI 제품 진화는 접점 자동화, 데이터 집계, 에이전트형 계층, 마지막으로 물리 로보틱스라는 순서를 따릅니다.

전술 조언:

• 상호작용 기준선을 만들기 위해 고객 접점을 먼저 자동화합니다.
• 모든 상호작용 데이터를 통합 'Data Cloud'에 모읍니다.
• 자율 작업을 처리하는 '에이전트형' 계층을 데이터 위에 만듭니다.

타임스탬프: 37:18

Marily Nika

Marily Nika

"미래에는 아마 모든 제품 관리자가 AI 제품 관리자가 될 것이라고 믿습니다. 모든 제품에 개인화 경험과 실제로 좋은 추천 시스템이 필요해지는 것을 보기 때문입니다."

인사이트: 개인화와 자동화가 표준 요구사항이 되면서 AI는 제품 관리의 기본값이 될 것입니다.

전술 조언:

• 모든 제품이 결국 개인화 경험이나 추천 시스템을 필요로 할 것이라고 예상합니다.
• 'AI 제품 관리자'와 '일반 제품 관리자' 역할이 합쳐지는 미래를 준비합니다.

타임스탬프: 00:08:39

---

"MVP에는 하지 마세요. 전혀 말이 안 됩니다. 강력한 기계로 몇 주 동안 모델을 학습시킬 수 있는 데이터 과학자의 시간을 낭비하지 마세요. MVP가 있고 미래에 AI를 쓸 수 있는 아이디어나 기능에 동의를 얻고 싶다면, 작은 Figma 프로토타입을 만들어 사용자에게 보여주고 AI가 할 일을 그냥 흉내 내세요."

인사이트: MVP에는 실제 AI 사용을 피하고 저충실도 프로토타입으로 AI 기능을 '가짜로' 보여 시장을 먼저 검증해야 합니다.

전술 조언:

• 초기 사용자 테스트에는 Figma 프로토타입으로 AI 기능을 시뮬레이션합니다.
• 문제를 검증하고 충분한 데이터가 있을 때만 모델 학습에 투자합니다.

타임스탬프: 00:14:42

---

"AI 제품 개발은 다릅니다. 앞서 말했듯 때로는 제품이 아니라 문제를 관리하고, 스마트한 해결책으로 답할 만한 문제가 있는지 확인하려 합니다."

인사이트: AI 제품 관리는 높은 불확실성을 관리하고 단순 기능 전달보다 문제-해결 적합성에 집중하는 일입니다.

전술 조언:

• AI/연구의 진전이 항상 출시로 이어지지 않을 수 있음을 리더십과 명확히 합니다.
• 모델 결과가 가설을 충족하지 못하면 방향 전환하거나 프로젝트를 종료할 준비를 합니다.

타임스탬프: 00:28:02

Marty Cagan

Marty Cagan 2.0

"확률적 소프트웨어와 결정론적 소프트웨어의 함의, 그리고 무엇이 괜찮은지 이야기하는 이런 통화를 정말 많이 했습니다. 변호사들은 이미 법적 관점과 윤리 관점에서 의견을 내고 있습니다. 이것이 핵심 업무라면 확률적 답을 갖는 것이 괜찮은가라는 질문입니다."

인사이트: AI는 제품 관리자의 초점을 확률적 소프트웨어 결과의 실행 가능성과 윤리적 함의로 이동시킵니다.

전술 조언:

• 핵심 업무 기능에서 확률적 AI 답변을 사용할 위험을 평가합니다.
• AI 제품 전략을 정의할 때 법무와 윤리 관점을 초기에 포함합니다.

타임스탬프: 00:53:45

Matt MacInnis

Matt MacInnis

"AI 시대에는 포인트 솔루션에 유용할 만큼 충분한 데이터가 없습니다. AI가 일을 하려면 많은 데이터에 대한 많은 맥락을 제공할 수 있어야 합니다. 조인도 할 수 있고 상관관계도 볼 수 있습니다."

인사이트: AI 가치는 고립된 포인트 솔루션보다 넓은 1차 데이터셋을 가진 플랫폼으로 이동하고 있습니다.

전술 조언:

• AI가 유용해지는 데 필요한 맥락을 주기 위해 '공통 비즈니스 데이터 그래프' 구축에 집중합니다.
• 제한된 연동으로 '빨대로 데이터 마시기'에 의존하는 AI 포인트 솔루션 구축을 피합니다.

타임스탬프: 01:18:49

Matt Mullenweg

Matt Mullenweg

"Llama는 다운로드해서 로컬로 실행할 수 있습니다. 그들의 SaaS 서비스를 쓸 필요는 없습니다. 하지만 월간 활성 사용자 수가 특정 기준을 넘으면 라이선스가 필요하다는 조항이 있습니다. 그래서 어떤 목적으로든 소프트웨어를 쓸 자유를 주지는 않습니다."

인사이트: 진짜 오픈소스 AI 전략에는 공급업체 종속을 만드는 임의의 사용자 수 제한 없이 어떤 목적에도 모델을 쓸 자유가 필요합니다.

전술 조언:

• AI 모델 라이선스에 미래 성장을 제한할 수 있는 '사용자 기준' 조항이 있는지 검토합니다.
• 기초 모델 선택 시 '오픈 가중치'와 진정한 '오픈소스'를 구분합니다.

타임스탬프: 00:23:52

---

"그쪽에서 더 많은 자동 스캔이 나오기를 기다릴 수 없고, 그것이 오픈소스 보안을 크게 업그레이드할 수 있다고 생각합니다. 또 흥미로운 점은 지금은 사람들이 앱 등을 만들 때 맞춤 생성 코드가 많지만, 다음 세대 모델에서는 오픈소스 모델에게 '웹사이트를 만들어줘'라고 하면 실제로 WordPress를 설치하고 그 위에 구축할 것이라는 점입니다."

인사이트: AI 보조 개발의 미래는 완전히 맞춤 생성되고 유지되지 않는 코드베이스가 아니라 검증된 오픈소스 엔진 위에 구축하는 에이전트에 있습니다.

전술 조언:

• 서드파티 플러그인과 확장의 보안 스캔 자동화에 AI를 사용합니다.
• 장기 유지보수를 보장하기 위해 AI 에이전트가 검증된 오픈소스 플랫폼 위에 구축하게 합니다.

타임스탬프: 00:32:03

Mayur Kamat

Mayur Kamat

"회사 수준에서는 개발자 생산성, 고객 지원, 사기라는 세 영역 전반에 엄청난 발전이 있습니다."

인사이트: 엔터프라이즈에서 AI의 가장 즉각적이고 큰 ROI는 코딩 효율, 지원 자동화, 패턴 기반 사기 탐지에 있습니다.

전술 조언:

• AI 코파일럿을 배포해 개발자 생산성 20-25% 향상을 달성합니다.
• LLM으로 고객 지원 질의의 '하위 70%'를 자동화합니다.
• 사기범의 언어와 거래 패턴을 감지하는 데 AI를 적용합니다.

타임스탬프: 01:16:58

Melanie Perkins

Melanie Perkins

"그것을 제품에 통합해 사람들이 실제로 일을 마치도록 돕고, 진정으로 목표를 달성하게 돕는 것이 중요합니다... AI는 우리에게 자연스럽게 그 방정식의 매우 중요한 부분입니다."

인사이트: AI는 아이디어와 실행 사이의 마찰을 줄이기 위해 기존 사용자 업무 흐름에 직접 내장되어야 합니다.

전술 조언:

• 사용자가 이미 작업하는 핵심 편집기나 요소 탭에 AI 도구를 직접 내장합니다.
• 교사용 안전 제어처럼 구체적 사용자 요청을 해결하는 AI 기능을 우선합니다.

타임스탬프: 00:52:56

Michael Truell

Michael Truell

"이 시점에서 Cursor의 모든 마법 같은 순간은 어떤 식으로든 맞춤 모델을 포함합니다... 지점을 신중하게 고르고, 바퀴를 다시 발명하려 하지 않으며, 최고의 기초 모델이 뛰어난 곳이 아니라 그 약점과 그것을 어떻게 보완할지에 집중합니다."

인사이트: AI 제품의 '마법 같은 순간'을 만들려면 큰 기초 모델과 특정 작업용 작고 특화된 맞춤 모델을 결합하는 모델 앙상블을 사용해야 합니다.

전술 조언:

• 300ms 미만 같은 빠른 속도나 낮은 비용이 필요한 작업에는 맞춤 모델을 사용합니다.
• 기초 모델의 일반 지능을 복제하려 하기보다 약점을 보완하는 맞춤 모델 개발에 집중합니다.

타임스탬프: 00:33:18

---

"우리는 이 모델들이 제안하는 변경의 스케치를 가져와 코드베이스에 적용합니다. 그런 다음 세부를 채우는 모델들이 있습니다. 높은 수준의 사고는 가장 똑똑한 모델이 하고, 몇 토큰을 씁니다. 그다음 더 작고 특화된 매우 빠른 모델들이 추론 기법과 결합해 그 높은 수준의 변경을 실제 전체 코드 차이로 바꿉니다."

인사이트: 똑똑한 모델은 추론에, 빠른 모델은 실행에 사용하는 '앙상블' 접근은 품질과 성능을 모두 최적화합니다.

전술 조언:

• Sonnet이나 GPT-4 같은 높은 추론 모델을 작업의 고수준 '스케치'에 사용합니다.
• 더 작고 빠른 모델로 기술 세부를 채우고 최종 산출물을 생성합니다.

타임스탬프: 00:37:02

Mihika Kapoor

Mihika Kapoor

"제로투원을 성공시키는 핵심은 솔직히 망상에 가까운 낙관주의라고 생각합니다. 거의 미쳐야 합니다. 현실 왜곡장처럼 '아니오'라는 말을 듣지 않거나, 최소한 '아직 아니다'로 번역해야 합니다."

인사이트: 제로투원 AI 이니셔티브를 이끌려면 초기 개발의 모호함 속에서도 추진력을 유지하는 '불꽃의 수호자' 사고방식이 필요합니다.

전술 조언:

• AI 산출물을 정적이 아니라 상호작용하고 조작 가능하게 만드는 '블랙박스화'에 집중합니다.
• 기존 회사 안에서 만들지 결정할 때 유통 또는 플랫폼 이점을 찾습니다.
• 해커톤을 사용해 야심찬 새 제품 방향을 빠르게 프로토타입하고 초기 동의를 확보합니다.

타임스탬프: 01:23:12

Mike Krieger

Mike Krieger

"Anthropic의 기능적 작업 단위는 더 이상 모델을 가져와 디자인과 제품과 함께 제품을 출시하는 것이 아닙니다. 이제는 후학습 대화에서 이것들이 어떻게 작동해야 하는지 논의하고, 구축 과정에 있으며, 그 내용을 다시 먹이고 루프로 되돌리는 것에 가깝습니다."

인사이트: 가장 효과적인 AI 제품 개발은 완성된 모델 위에 UX를 얹는 것이 아니라 제품 팀이 후학습과 연구 과정에 내장될 때 일어납니다.

전술 조언:

• 미세조정과 후학습 단계에서 제품 관리자를 연구자와 직접 함께 배치합니다.
• 기성 모델에 지시문을 얹는 것보다 모델 역량과 제품 경험의 교차점에 집중합니다.

타임스탬프: 00:23:07

---

"여전히 두 가지, 사실 세 가지에 많은 가치가 있다고 생각합니다. 하나는 이 모든 것을 이해 가능하게 만드는 것입니다... 둘째는 전략, 우리가 어떻게 이기고 어디에서 플레이할지입니다... 마지막은 무엇이 가능한지 사람들의 눈을 여는 것이며, 이는 이해 가능하게 만드는 것의 연장입니다."

인사이트: 제품 팀은 AI에서 전략, 복잡한 역량을 이해 가능하게 만들기, 사용자에게 '가능성의 예술'을 보여주기라는 고유 가치를 제공합니다.

전술 조언:

• 모델이 할 수 있는 것과 사용자가 실제로 쓰는 것 사이의 격차인 '오버행'을 줄이는 데 집중합니다.
• 비기술 사용자가 AI 역량을 이해하도록 공감과 인간 심리를 우선합니다.

타임스탬프: 00:24:42

---

"5-10년이라고 약속할 수는 없지만 적어도 1-3년 동안 방어 가능하거나 지속 가능하게 느껴질 것들이 있습니다. 하나는 특정 시장에 대한 이해입니다... 둘째는 그와 짝을 이루는 차별화된 시장 진입입니다... 마지막은 AI와 인터페이스하는 형태 자체에 대한 완전히 다른 접근입니다."

인사이트: AI 스타트업의 방어력은 깊은 수직 시장 지식, 특화된 시장 진입 관계, 또는 급진적으로 새로운 인터페이스 형태에서 나옵니다.

전술 조언:

• 법률, 바이오테크처럼 복잡한 규정 준수나 업무 흐름이 있는 특정 산업용 제품을 만듭니다.
• 기존 기업이 느려 채택하지 못하는 '이상한' 또는 파워 유저용 형태를 실험합니다.

타임스탬프: 00:47:51

Naomi Ionita

Naomi Ionita

"마케팅과 영업을 설명한 이유는 그들이 돈과 정말 맞닿아 있기 때문입니다. 시간 절약뿐 아니라 매출 창출에 관한 ROI 이야기가 될 수 있습니다. 고객 지원 같은 곳에서도 효과적인 예시는 많을 것입니다. 비용 절감 잠재력이 엄청날 것입니다."

인사이트: AI 전략은 자동화가 손익에 직접 영향을 주는 영업, 마케팅, 지원 같은 높은 ROI 영역에 집중해야 합니다.

전술 조언:

• SDR 아웃바운드나 고객 지원처럼 매출 생성 또는 큰 비용 절감을 만드는 기능에 AI 구현을 집중합니다.

타임스탬프: 48:48

Nick Turley

Nick Turley

"이렇게 본질적으로 경험적인 제품은 처음입니다. 사람들이 무엇을 하는지 멈춰서 보고 듣지 않으면 효용과 위험 양쪽에서 정말 많은 것을 놓칩니다. 보통 제품을 출시할 때는 그것이 무엇을 할지 압니다... 하지만 AI는 많은 부분이 창발적이므로, 출시 후 정말 멈춰서 들어야 합니다."

인사이트: AI 제품 개발은 역량과 위험이 미리 정의되지 않고 창발적이기 때문에 경험적 접근이 필요합니다.

전술 조언:

• 출시 후 사용자 행동을 관찰해 창발적 효용과 위험을 식별합니다.
• 선험적 추론보다 실제 사용 사례를 바탕으로 모델을 반복 개선합니다.

타임스탬프: 00:19:14

---

"ChatGPT에서 배운 한 가지는 모델과 제품 사이에 실제로 구분이 없다는 것입니다. 모델이 제품이고, 따라서 제품처럼 반복 개선해야 합니다."

인사이트: AI 애플리케이션에서는 모델과 인터페이스가 분리될 수 없으므로 모델 자체도 제품 사고방식으로 관리해야 합니다.

전술 조언:

• 코딩이나 글쓰기처럼 가치가 큰 특정 사용 사례를 위해 모델을 체계적으로 개선합니다.
• '느낌'과 성격을 튜닝할 제품 기능으로 다룹니다.

타임스탬프: 00:29:18

---

"초기 출시에서 무료로 만든 것은 큰 일이었습니다... 무료로 만들고 좋은 UI를 얹은 것은 지금은 당연하게 느끼지만 매우 중대한 일이었습니다. 그래서 2025년에도 유통과 인터페이스는 계속 중요하다고 생각합니다."

인사이트: 무료 접근과 깔끔한 UI로 마찰을 낮추는 것은 복잡한 AI 기술의 대중 도입에 매우 중요합니다.

전술 조언:

• 성장을 이끌기 위해 로그인 요구 같은 마찰 제거를 우선합니다.
• 모델 반복에 필요한 대량 데이터를 모으기 위해 무료 등급을 사용합니다.

타임스탬프: 00:37:34

---

"기초 모델이 두 배 똑똑해졌을 때 기능이 두 배 좋아지지 않는다면, 아마 출시할 기능이 아닐 것입니다."

인사이트: AI 기능의 핵심 리트머스 테스트는 기초 모델 지능과 비례해 확장되는지입니다.

전술 조언:

• 미래 모델 지능 향상에서 얼마나 이익을 얻는지 기준으로 기능을 평가합니다.
• 연구와 제품 목표가 맞물리는 '학제적' 개발에 집중합니다.

타임스탬프: 01:04:23

---

"저는 평가가 무엇인지 알기 전부터 평가를 쓰고 있었습니다. 다양한 사용 사례에 대해 매우 명확하게 지정된 이상 행동을 개요화하고 있었기 때문입니다... 그것은 제품이 무엇을 해야 하는지 AI 연구자에게 전달하는 공용어가 될 수 있습니다."

인사이트: 평가 작성은 제품 관리자가 원하는 행동을 AI 연구자에게 전달하는 주요 방식입니다.

전술 조언:

• 특정 사용 사례의 이상적 모델 행동을 개요화해 성공을 표현합니다.
• 평가를 제품 요구사항과 기술 연구 사이의 다리로 사용합니다.

타임스탬프: 01:14:41

Nicole Forsgren

Nicole Forsgren

"사람들은 AI 지원 도구와 일할 때 일하는 방식을 근본적으로 바꿉니다... 코드를 쓰는 시간보다 검토하는 시간이 더 많아집니다... 우리는 당신의 정신 모델을 바꿨습니다. 당신이 기대하는 마찰 모델을 바꿨고, 기대하는 인지 부하를 바꿨습니다."

인사이트: AI 도구는 개발자의 주요 활동을 창작에서 검토로 바꾸며, 필요한 인지 부하와 정신 모델을 근본적으로 바꿉니다.

전술 조언:

• 단순 작업 시간 절약만이 아니라 더 어려운 일에 쓸 인지 여유를 얼마나 만드는지로 AI 도구를 평가합니다.
• AI를 업무 흐름에 통합할 때 '신뢰'와 '신뢰성' 같은 새 생산성 차원을 고려합니다.

타임스탬프: 00:51:04

---

"AI 도구를 끌어와 전략을 다듬고, 메시지를 다듬고, 실험 방법이나 실험 목표를 생각하는 데 도움받을 방법이 많다고 생각합니다... 이제 엔지니어링, 특히 프로토타이핑이 훨씬 빨라질 수 있기 때문입니다. 프로토타입을 던져보고 고객 대면 테스트와 실험을 할 수 있습니다."

인사이트: AI는 빠른 프로토타이핑과 더 빠른 고객 실험을 가능하게 해 전략에서 실행까지의 루프를 가속합니다.

전술 조언:

• AI를 사용해 여러 전략 대안이나 프로토타입을 빠르게 생성하고 테스트합니다.
• AI 가속을 사용해 아이디어에서 프로덕션 실험까지의 피드백 루프를 일주일 미만으로 줄입니다.

타임스탬프: 00:30:26

Noah Weiss

Noah Weiss

"큰 것 중 하나는 UI의 약속이 기초 데이터의 품질과 맞아야 한다는 점입니다... 지금 여러 언어 모델의 실패 중 하나는 완전히 환각하고 있을 때도 모두 극도로 자신 있어 보인다는 점입니다. 사람들이 많이 작업해야 할 부분은 그렇게 무결해 보이지 않는 법, 확실하지 않을 때 인정하는 법을 알아내는 것입니다."

인사이트: 사용자 신뢰를 유지하려면 사용자 인터페이스의 신뢰도 수준이 기초 AI 데이터의 실제 정확도와 일치해야 합니다.

전술 조언:

• 환각하면서도 '극도로 자신 있는' 것처럼 보이지 말고 AI 응답에서 불확실성을 인정합니다.
• 데이터가 어디서 왔는지 투명하게 제공해 신뢰성을 만듭니다.

타임스탬프: 00:21:42

---

"우리가 하고 싶은 것은 공통 인프라를 사용하되 서로 조금씩 다른 특정 방향에 집중하는 여러 팀을 띄우는 것입니다. 검색 팀 같은 공통 ML 팀이 있고, 이제 그 공유 인프라를 사용해 서로 다른 고객 문제를 해결하는 여러 팀이 병렬로 일합니다."

인사이트: 중앙 인프라/ML 팀이 특정 고객 문제에 집중하는 여러 임시 프로토타이핑 팀을 지원하는 방식으로 AI 개발을 조직해야 합니다.

전술 조언:

• 중앙 ML 인프라 + 분산 프로토타이핑 팀의 하이브리드 모델을 사용합니다.
• 학습 속도를 높이기 위해 AI 프로토타이핑 팀에 일반 분기 계획에서 벗어날 권한을 줍니다.

타임스탬프: 00:25:42

Noam Lovinsky

Noam Lovinsky

"Grammarly는 설치만 하면 당신을 더 낫게 만드는 몇 안 되는 제품 중 하나입니다. 설정할 필요도, 조작할 필요도, 하던 일을 바꿀 필요도 없습니다. ... 본질적으로 작은 UX 혁신으로 위장한 거대한 AI 성취와 같습니다."

인사이트: 성공적인 AI 제품은 기존 업무 흐름에 통합되는 무설정 가치로 '사용자가 있는 곳에서 만나는' 데 집중해야 합니다.

전술 조언:

• 새 업무 흐름을 요구하기보다 기존 업무 흐름에 통합되는 AI 기능을 설계합니다.
• 복잡한 지시문이나 설정 없이 가치를 제공하는 '보이지 않는' AI에 집중합니다.

타임스탬프: 00:52:14

Paul Adams

Paul Adams

"저라면 제품이 하는 일에서 시작하겠습니다. '그 뒤의 핵심 전제는 무엇인가? 사람들은 왜 쓰는가? 그들에게 어떤 문제를 해결하는가?' 같은 기본으로 돌아가는 것입니다. 그런 다음 'AI가 그것을 할 수 있는가?'를 묻습니다. 많은 경우 답은 '그렇다'일 것입니다."

인사이트: AI 연동은 핵심 제품 전제와 고객 문제를 현재 AI 역량과 매핑해 평가해야 합니다.

전술 조언:

• 제품이 해결하는 핵심 문제를 식별합니다.
• AI가 현재 솔루션을 대체할 수 있는지, 아니면 단지 보강할 수 있는지 판단합니다.

타임스탬프: 00:00:14

---

"제품이 하는 일을 AI가 할 수 있는 일과 매핑해야 합니다... 어떤 것은 대체일 것입니다. AI가 대체하고 그냥 해버립니다. 다른 곳에서는 보강입니다. 돕는 것입니다."

인사이트: AI 전략은 기술이 업무 흐름을 근본적으로 대체할지, 사용자 보조용 '코파일럿'으로 작동할지 결정하는 일입니다.

전술 조언:

• 제품 기능을 AI의 쓰기, 요약, 추론, 행동 수행 능력과 매핑합니다.

타임스탬프: 00:22:07

---

"덧붙이지 마세요. 아직도 그런 진영에 있는 사람들이 있습니다... 'AI 사람들이 잔뜩 있을 거야'라고 하지 마세요. 물론 일부 전문가는 있습니다. 하지만 대체로 우리는 모두가 그것을 배우도록 하려 합니다."

인사이트: AI를 별도 팀에 격리하지 말고 전체 제품 조직에 AI 지식을 통합해야 합니다.

전술 조언:

• 일반 제품 관리자와 엔지니어가 AI 인터페이스와 프레임워크를 배우도록 장려합니다.
• 기존 제품에 AI 기능만 붙이는 '옆 팀'을 만들지 않습니다.

타임스탬프: 00:37:08

Ramesh Johari

Ramesh Johari

"예측은 패턴을 잡는 일이지만, 의사결정은 이런 차이를 생각하는 일입니다... 데이터 과학자에게 시킬 일에서 제가 가장 강하게 느끼는 첫 번째이자 가장 중요한 것은, 그들의 목표가 비즈니스가 의사결정하도록 돕는 것이라는 점을 항상 마음 뒤에 두게 하는 것입니다. 그리고 인과와 상관의 차이는 매우 중요합니다."

인사이트: 제품에서 데이터 과학의 가장 큰 레버리지는 단순 예측(상관)에서 비즈니스 결정을 알리는 인과 추론으로 이동하는 것입니다.

전술 조언:

• 데이터 팀의 초점을 예측 모델 구축에서 특정 제품 변경의 인과 영향을 식별하는 것으로 옮깁니다.

타임스탬프: 00:33:21

---

"AI가 우리에게 해준 것은 문제에 대해 생각할 수 있는 것, 가질 수 있는 가설, 테스트할 수 있는 것의 경계를 엄청나게 넓힌 것입니다... 실제로 그것은 인간에게 더 적은 압력이 아니라 더 많은 압력을 준다고 생각합니다. 중요한 것이 무엇인지 식별하는 좁혀가기 과정을 이끌기 위해 인간이 루프 안에서 이 도구와 상호작용하는 것이 더 중요해집니다."

인사이트: AI는 가능한 가설과 크리에이티브의 양을 늘리므로, 인간의 '깔때기화'와 우선순위 지정 역할이 그 어느 때보다 중요해집니다.

전술 조언:

• AI로 방대한 테스트 가능 가설이나 크리에이티브를 생성하되, 전략 목표에 맞는 것을 고르기 위해 인간 감독을 유지합니다.

타임스탬프: 01:09:35

Ravi Mehta

Ravi Mehta

"가장 흥미로운 점 중 하나는 AI가 사람을 대체하는 것이 아니라 사람을 증폭하고 더 효과적으로 만드는 방식이라는 것입니다. 이미지 생성과 텍스트 생성 모두에서 AI가 모든 일을 하는 것보다 전문가가 다듬을 수 있는 정말 좋은 출발점을 제공하는 일이 많을 것입니다."

인사이트: AI의 현재 주요 가치는 인간 전문가가 다듬을 고품질 출발점을 제공하는 '증폭기'입니다.

전술 조언:

• 전문가가 맞춤화할 초기 초안이나 제안(예: 코칭 피드백)을 AI로 생성합니다.
• 행동 지향형 vs. 공감형처럼 다른 페르소나나 리더십 스타일을 시뮬레이션하는 지시문 스타일을 실험합니다.

타임스탬프: 01:14:32

Rahul Vohra

Rahul Vohra

"저에게 가장 큰 놀라움은 사용자 사랑이 무엇을 사랑하고 무엇을 사랑하지 않는지에서 얼마나 예측 불가능했는가입니다... 제가 잘될 것이라고 생각한 모든 것은 사람들이 생각보다 덜 썼고, '모르겠지만 만들어보자'고 한 것은 사람들이 사랑했습니다."

인사이트: AI 제품 성공은 종종 직관에 반합니다. 단순한 기능이 엄청난 참여를 만들 수 있고 복잡한 기능은 뒤처질 수 있습니다.

전술 조언:

• 글쓰기 보조 같은 '범용화된' AI 기능도 가장 높은 효용을 가질 수 있으므로 실험합니다.
• 창업자 직관보다 실제 사용 데이터를 바탕으로 AI 로드맵을 전환할 준비를 합니다.

타임스탬프: 01:14:25

Roger Martin

Roger Martin

"돈을 버는 핵심이 위협받을 때는 정말 어렵습니다. 그게 사라지지 않기를 바라게 됩니다... 하지만 제 일반적 조언은 항상 같습니다. 시간이 걸릴 수 있지만 결국 고객이 이깁니다."

인사이트: AI 전략은 종종 기존 매출 보호와 고객 선호의 '흐름'을 따르는 것 사이의 선택을 강제합니다.

전술 조언:

• 현재 비즈니스 모델을 위협하더라도 '고객의 흐름'이 어디로 움직이는지 식별합니다.
• 새 기술의 흐름을 막으려 하지 말고, 새 현실에서 고객을 섬길 방법을 서둘러 찾습니다.

타임스탬프: 01:06:14

Robby Stein

Robby Stein

"AI는 확장적입니다. 이제 AI로 충족될 수 있는 질문과 호기심이 점점 더 많아집니다."

인사이트: AI는 기존 검색 행동을 대체하기만 하는 것이 아니라, 사용자가 더 깊은 호기심을 충족하게 하여 전체 질의량을 확장합니다.

전술 조언:

• 사용자가 제품을 '해킹'하는 지점(예: 검색어에 'AI' 추가)을 찾아 AI가 가치를 더할 수 있는 곳을 식별합니다.
• 핵심 기반 필요를 대체하는 것보다 확장적 순간에 AI 기능을 집중합니다.

타임스탬프: 00:08:54

---

"우리는 정보 필요에서 최고가 되고 싶었습니다. 그것이 Google의 전부입니다. 그래서 정보를 어떻게 찾는가? 정보가 맞는지 어떻게 아는가? 자기 작업을 어떻게 점검하는가? 이 모든 것을 모델에 넣었습니다."

인사이트: 효과적인 AI 전략은 범용 채팅보다 정보 회수 같은 특정 도메인에 모델을 특화하는 것입니다.

전술 조언:

• 정보 작업의 정확성을 보장하기 위해 모델에 '자기 작업 점검' 메커니즘을 넣습니다.
• 모델이 실시간 데이터 회수를 위한 도구로 검색을 사용하도록 질의 확장을 활용합니다.

타임스탬프: 00:18:15

Ryan J. Salva

Ryan J. Salva

"여러 언어 전반에서 20대 후반부터 40대까지 범위가 보입니다. ... 멀지 않은 미래에 AI는 개발 스택 거의 전체에 스며들 것입니다. Copilot은 많은 혁신의 아주 끝부분일 뿐입니다. 빌드 대기열을 더 잘 관리하거나 도와주는 것 등입니다... 좋은 예가 있습니다. 저만 그런지 모르겠지만 커밋 메시지와 PR에 달리는 설명이 별로 좋지 않은 경우가 많습니다. 코드 검토자가 개발자가 실제로 무엇을 하려 했는지 알아내는 데 많은 노력을 쓰게 됩니다. AI가 전체 요청과 함께 모든 변경을 요약해주고, 기여 개발자는 그것이 정확한지 검토하고 보내기만 하면 된다면 어떨까요?"

인사이트: AI는 PR 요약이나 반복 작성 같은 단조로운 일을 제거해 인간이 더 높은 수준의 창의적 설계에 집중하게 하는 보강 도구로 봐야 합니다.

전술 조언:

• 업무 흐름에서 지루하고 창의성이 낮은 작업을 AI 자동화 대상으로 식별합니다.
• 사용자 기대와 불안을 관리하기 위해 AI를 '대체자'가 아니라 '보강자'로 포지셔닝합니다.

타임스탬프: 00:45:35

---

"우리가 도달한 입장은 Copilot을 AI 페어 프로그래머로 프레이밍하는 것이 유용하다는 점입니다. ... Copilot이 당신의 AI 페어 프로그래머인데 귀에 이상한 말을 속삭이고 정치나 성 정체성 또는 다른 것을 끌어들이고, 속어나 비방을 쏟아낸다면 일에 집중할 수 없을 것입니다. 해결하려는 사용 사례가 무엇인지, 옆에 앉은 AI 봇의 '적절한' 행동이 무엇인지에 대한 원칙을 세우는 것이 우리가 만들고 싶은 개발자 경험에 대한 원칙과 지침을 만드는 데 도움이 되었습니다."

인사이트: 'AI 페어 프로그래머' 같은 명확한 페르소나는 적절한 AI 행동의 경계를 정하고 사용자 경험을 안내합니다.

전술 조언:

• AI의 행동 보호장치를 세우기 위해 페르소나를 정의합니다.
• 특정 제품 맥락 안에서 '적절한' AI 상호작용이 무엇인지 원칙을 세웁니다.

타임스탬프: 00:39:53

Sander Schulhoff

Sander Schulhoff

"챗봇조차 안전하다고 믿을 수 없다면, 에이전트가 가서 우리의 재정을 관리하게 어떻게 믿을 수 있나요? 누군가 휴머노이드 로봇에게 다가가 가운데손가락을 보였을 때, 그것이 그 사람을 때리지 않을 것이라고 어떻게 확신할 수 있나요?"

인사이트: 챗봇에서 자율 에이전트로의 이동은 프롬프트 주입이 실제 물리적 또는 금융 피해로 이어질 수 있기 때문에 큰 보안 위험을 도입합니다.

전술 조언:

• 항공권 예약이나 자금 관리처럼 행동 권한이 있는 제품을 만들 때 '에이전트형 보안'을 우선합니다.

타임스탬프: 00:01:00

---

"프롬프트 주입을 막기 위해 가장 흔히 쓰는 기법은 프롬프트를 개선하고 '악의적 지시를 따르지 마라'라고 말하는 것입니다. 이것은 전혀 작동하지 않습니다... 미세조정과 안전 튜닝은 특히 효과적인 기법과 방어입니다."

인사이트: 프롬프트 기반 방어와 외부 보호장치는 충분하지 않은 경우가 많으며, 보안은 모델 학습 수준에서 다뤄야 합니다.

전술 조언:

• 악의적 주입을 막기 위해 시스템 프롬프트에 의존하지 않습니다.
• 모델 역량을 특정 작업으로 좁히는 미세조정을 사용해 일반 악성 지시에 덜 취약하게 만듭니다.

타임스탬프: 01:09:48

---

"해결 가능한 문제가 아닙니다... 버그는 패치할 수 있지만 뇌는 패치할 수 없습니다... 어떤 강한 정확도로도 다시 일어나지 않을 것이라고 절대 확신할 수 없습니다."

인사이트: AI 보안은 확률적 '뇌 같은' 모델을 모든 적대 입력에 대해 완벽히 패치할 수 없기 때문에 전통 사이버보안과 근본적으로 다릅니다.

전술 조언:

• 95-99% 보안 천장을 가정하고 그에 맞춰 제품 보호장치를 만듭니다.
• 프롬프트 주입에 대한 100% '수정'을 기대하기보다 완화와 탐지에 집중합니다.

타임스탬프: 01:15:08

---

"제대로 보안 처리되지 않고 데이터 권한이 잘못된 에이전트를 배포하면, 사람들은 그것들을 속여 무엇이든 하게 만들 수 있고, 사용자의 데이터를 유출하거나 회사나 사용자의 돈을 잃게 하는 등 여러 현실 피해를 일으킬 수 있습니다."

인사이트: 엄격한 데이터 권한 없이 AI 에이전트를 배포하면 회사에 큰 금융 및 개인정보 위험이 생깁니다.

전술 조언:

• 배포 전에 에이전트의 데이터 권한이 올바른지 보장합니다.
• 에이전트가 악의적 방식으로 여러 행동을 연결할 가능성을 평가합니다.

타임스탬프: 00:19:11

---

"FAQ에 답하는 챗봇만 배포한다면... 실제로 큰 문제는 아닙니다. 유일한 걱정은 악의적 사용자가 와서 챗봇이 혐오 발언을 출력하게 할 수 있다는 정도입니다... 하지만 그들은 ChatGPT, Claude, Gemini에 가서 똑같은 일을 할 수 있습니다."

인사이트: 단순 읽기 전용 FAQ 챗봇의 보안 위험은 피해가 대화 자체에 제한되므로 기능적 위험보다 평판 위험에 가깝습니다.

전술 조언:

• 보안 필요를 평가할 때 단순 챗봇과 에이전트형 시스템을 구분합니다.
• 행동을 취하거나 민감한 사용자 데이터에 접근할 수 있는 시스템에 보안 노력을 집중합니다.

타임스탬프: 00:46:24

Sarah Tavel

Sarah Tavel

"LLM은 아마 긴 꼬리에 있는 공급 유형을 온보딩할 수 있게 만들 수 있습니다. 그들에게 연락하고 온보딩하기에는 노력이 너무 컸지만, 그 작업을 자동화하면 지금 우리가 예상하지 못하는 방식으로 공급을 확장할 기회를 만들 수 있습니다."

인사이트: AI는 긴 꼬리 공급자의 높은 마찰 온보딩과 관리를 자동화해 새로운 마켓플레이스 공급을 열 수 있습니다.

전술 조언:

• 이전에는 수동 확보 비용이 너무 높았던 공급 세그먼트를 찾고, LLM으로 그 통합을 자동화합니다.

타임스탬프: 01:44:15

Shaun Clowes

Shaun Clowes

"LLM은 주어진 데이터와 그 데이터의 최신성만큼만 좋습니다. 궁극적으로 정보 분쇄기와 같습니다. 무한한 정보 먹는 존재입니다. LLM의 진짜 가치를 얻기 위해 줄 수 있는 정보는 결코 충분하지 않습니다."

인사이트: AI 제품의 효과는 모델에 제공되는 데이터 맥락의 양, 품질, 최신성에 직접 연결됩니다.

전술 조언:

• 단순히 '최고' 모델을 고르기보다 고품질 실시간 맥락을 LLM에 공급하는 데이터 파이프라인 구축을 우선합니다.

타임스탬프: 00:21:11

---

"이것은 데이터 관리 문제입니다. 좋은 데이터, 고품질 데이터, 시의적절한 데이터에 접근하고 그것을 LLM에 전달해 LLM이 똑똑한 결정을 내리게 하는 일입니다. 에너지의 90%가 거기에 들어갑니다."

인사이트: AI 제품 개발은 모델링이나 프롬프트 문제가 아니라 주로 데이터 관리 문제입니다.

전술 조언:

• UI나 지시문 엔지니어링보다 AI를 위한 데이터 품질과 접근성에 노력의 90%를 투자합니다.

타임스탬프: 00:23:21

Shweta Shriva

Shweta Shriva

"우리는 딥 모델을 학습시키기 위해 많은 인간 운전 데이터를 사용합니다. 그래서 차의 행동이 로봇처럼 보이지 않게 하는 것이 중요합니다... 다른 도로 사용자의 의도가 무엇인지 이해할 수 있는 딥러닝 모델이 있습니다. 보행자가 어느 쪽을 보고 있는지, 몸 방향이 어떤지 같은 것은 그들이 어디로 가는지 알려줄 수 있습니다."

인사이트: AI 제품은 로봇처럼 보이기보다 자연스러운 상호작용과 사회 규범을 흉내 내기 위해 인간 행동 데이터를 활용해야 합니다.

전술 조언:

• 부자연스럽거나 '로봇 같은' 제품 상호작용을 피하도록 인간 행동 데이터로 모델을 학습시킵니다.
• 복잡한 인간 환경을 처리하기 위해 몸 방향, 시선 같은 의도 인식을 AI 모델에 포함합니다.

타임스탬프: 06:07

Tomer Cohen

Tomer Cohen

"알고리즘의 목적은 무엇인가? 사람들에게 묻기를 권합니다... 알고리즘의 목적이 무엇인지, 칠판에 써줄 수 있는지 물어보세요. 궁극적으로 수학 공식이므로 할 수 있어야 합니다. 그리고 알고리즘에 어떤 기능을 추가했는가? ...데이터 수집과 미세조정에 어떤 투자를 하고 있는가?"

인사이트: AI 우선 제품 리더는 AI를 블랙박스로 다루는 것을 넘어 모델의 목적, 기능, 데이터 전략을 소유해야 합니다.

전술 조언:

• 알고리즘의 수학적 목적을 핵심 제품 요구사항으로 정의합니다.
• UI 기능만이 아니라 인프라와 데이터 수집을 주요 제품 레버로 투자합니다.
• 정확한 사용자 경험 통제에서 AI가 사용하는 '재료'(데이터와 지침)를 통제하는 방식으로 이동합니다.

타임스탬프: 00:40:13

---

"AI는 궁극의 매칭 메이커입니다. 충분히 활용되지 않고 오해받고 있습니다... 마켓플레이스에서는 모든 것이 가치 교환에 관한 것입니다. 가치 교환을 정말 잘할 수 있다면 사람들은 돌아오고 참여합니다."

인사이트: 마켓플레이스에서 AI의 핵심 전략 가치는 고품질 매칭과 가치 교환을 촉진하는 능력입니다.

전술 조언:

• AI 목적을 상위 클릭이 아니라 의미 있는 대화 같은 이후 가치에 맞춥니다.

타임스탬프: 00:31:21

---

"우리는 이것을 풀스택 빌더 모델이라고 부릅니다. 목표는 훌륭한 빌더가 역할, 스택, 팀과 상관없이 아이디어를 시장으로 가져갈 수 있게 하는 것입니다. 인간과 기계 사이의 매우 유동적인 상호작용입니다."

인사이트: 풀스택 빌더 모델은 AI를 사용해 개인이 아이디어에서 출시까지 전체 제품 생애주기를 소유하게 함으로써 조직 복잡성을 압축하려 합니다.

전술 조언:

• 빌더가 전통적 기능 경계를 넘어 일하도록 권한을 줍니다.
• 인간 노력은 비전, 공감, 커뮤니케이션, 창의성, 판단에 집중합니다.
• 반복적인 프로세스 단계를 자동화해 반복 속도를 높입니다.

타임스탬프: 00:12:03

---

"우리에게 플랫폼의 예는 AI가 그 위에서 추론할 수 있도록 모든 핵심 플랫폼을 재설계하는 것입니다. 서버 측과 함께 우리가 실제로 만드는 조합 가능한 UI 구성요소를 만들고 있습니다. 기본적으로 AI를 들여올 준비가 되도록 만들고 있습니다."

인사이트: 성공적인 AI 통합에는 AI 에이전트가 코드베이스를 효과적으로 추론하고 조작할 수 있도록 기술 플랫폼과 디자인 시스템을 재설계하는 일이 필요합니다.

전술 조언:

• 핵심 플랫폼을 AI가 읽기 쉬운 구조로 재설계합니다.
• AI가 조립할 수 있는 조합형 UI 구성요소를 만듭니다.
• 내부 독점 스택에서 작동하도록 서드파티 AI 도구를 맞춤화합니다.

타임스탬프: 00:17:17

Varun Mohan

Varun Mohan

"우리는 6-12개월마다 기존 제품 상태를 스스로 잠식해야 합니다. 6-12개월마다 기존 제품이 우스워 보이게 해야 합니다. 기존 제품의 형태가 거의 바보 같아 보이게 해야 합니다."

인사이트: 빠르게 움직이는 AI 시장에서는 앞서가기 위해 성공한 자사 제품도 스스로 파괴할 의지가 필요합니다.

전술 조언:

• 6-12개월마다 주요 제품 패러다임 변화를 계획합니다.
• 현재 기능을 낡게 만들 수 있는 장기 R&D에 투자합니다.

타임스탬프: 00:00:00

---

"실제로 차별화할 수 있는 계층은 어디인가? 우리는 애플리케이션 계층이 차별화하기에 매우 깊은 계층이라고 믿습니다. 개발자를 위해 더 나은 사용자 경험과 더 나은 업무 흐름을 만들 방법은 얼마나 많은가? 사실상 천장이 없다고 생각합니다."

인사이트: AI의 가치는 인프라에서 고유 사용자 경험과 업무 흐름이 만들어지는 애플리케이션 계층으로 이동하고 있습니다.

전술 조언:

• 모델 껍데기가 되는 것보다 수직 통합과 맞춤 UI/UX에 집중합니다.
• AI로 근본적으로 다시 상상할 수 있는 구체적 사용자 업무 흐름을 식별합니다.

타임스탬프: 00:10:00

---

"AI가 코드의 90% 이상을 쓴다면... 기술 구축의 ROI는 실제로 올라갑니다. 이는 더 많이 채용한다는 뜻입니다. 가장 좋은 방법은 이 모든 제품을 직접 손에 묻혀 써보는 것입니다. 조직이 전혀 예상하지 못한 방식으로 당신은 힘의 증폭기가 될 수 있습니다."

인사이트: AI는 엔지니어링 ROI를 높이며, '기술 천장'이 높은 회사가 인재에 더 투자하도록 장려합니다.

전술 조언:

• 조직이 만들 수 있는 기술의 양과 복잡도를 늘리는 데 AI를 사용합니다.
• 비기술 역할도 AI 도구로 맞춤 내부 솔루션을 만들도록 장려합니다.

타임스탬프: 00:00:29

Brendan Foody

Brendan Foody

"모델이 제품이라면 평가는 제품 요구사항 문서입니다. 연구자의 일상은 평가 세트에서 작은 개선을 만들기 위해 수십 개의 실험을 돌리는 방식입니다."

인사이트: 평가는 AI 모델의 기초 제품 요구사항이며, 진전과 성공을 측정하는 주요 기준입니다.

전술 조언:

• AI 제품에서 평가를 PRD로 다룹니다.
• 평가 세트 대비 작고 측정 가능한 개선을 만들기 위해 반복 실험을 돌립니다.

타임스탬프: 00:06:39

---

"특히 엔터프라이즈에서 핵심 사고방식은 AI가 핵심 가치사슬을 얼마나 잘 자동화하는지 측정할 테스트 또는 체계적 방법을 어떻게 만들 수 있는가라고 생각합니다."

인사이트: AI를 효과적으로 적용하기 위한 전제 조건은 회사의 특정 가치사슬을 얼마나 잘 자동화하는지 측정하는 체계적 방법을 정의하는 것입니다.

전술 조언:

• 비즈니스의 핵심 가치사슬을 식별합니다.
• 그 특정 체인 자동화에서 AI 성능을 측정할 체계적 테스트를 만듭니다.

타임스탬프: 00:07:39

Andrew Wilkinson

Andrew Wilkinson

"근본 질문은 모든 직무가 하나의 프롬프트가 되는가입니다. 예를 들어 CEO는 고객을 행복하게 하면서 수익을 내고 사업을 성장시키는 것만 하면 되는가... 그리고 전체 회사를 운영할 수 있는 전지적 존재가 실제로 가능한가입니다."

인사이트: AI의 장기 궤적은 전체 비즈니스 기능을 관리할 수 있는 '전지적' 에이전트로 이동해 전통 지식 노동을 대체할 가능성을 시사합니다.

전술 조언:

• 2027년까지 AI 모델이 '모든 박사보다 똑똑할' 수 있는 미래를 준비합니다.
• AI가 노동 비용을 낮추면서 컴퓨팅과 에너지로 부를 만들고 다각화하는 데 집중합니다.
• AI 풍요의 세계에서 유머, 지위, 물리적 연결 같은 '인간 전용' 가치 추가 요소를 식별합니다.

타임스탬프: 00:58:43

Garrett Lord

Garrett Lord

"모델이 너무 좋아져서 일반주의자는 더 이상 필요하지 않습니다. 정말 필요한 것은 모델이 집중하는 모든 영역의 전문가입니다."

인사이트: AI 전략은 모델의 특화 도메인 추론을 개선하기 위해 일반 데이터 라벨링에서 전문가 주도 후학습으로 이동하고 있습니다.

전술 조언:

• 모델 개선을 위해 고급 STEM 도메인과 법률·의학 같은 파생 전문 기능에 집중합니다.
• 모델의 추론이나 기준 사실이 어디서 깨지는지 식별할 수 있는 전문가(박사, 석사)를 목표로 합니다.

타임스탬프: 00:10:52

---

"우리는 인간 데이터의 유일한 해자는 청중에 대한 접근이라고 말하곤 합니다. 이 공간에는 아주 많은 작은 플레이어가 있고... 그들은 기본적으로 TikTok 광고를 돌립니다... 우리가 가진 거대한 이점은 1,800만 명과 10년간 신뢰를 쌓았다는 점입니다."

인사이트: AI 데이터 제품의 지속 가능한 해자는 성과 마케팅에 의존하는 것이 아니라 신뢰받고 의도가 높은 청중에 대한 독점 접근입니다.

전술 조언:

• 기존 브랜드 친밀도를 활용해 데이터 기여자 확보 비용을 낮춥니다.
• 특정 라벨링 작업에 맞는 전문가를 목표로 하기 위해 사용자 성과 이력 데이터를 사용합니다.

타임스탬프: 00:30:50

Paige Costello

Paige Costello

"최근 LLM의 거대한 도약이 있었을 때 우리는 정말 빠르게 프로토타입하고 무엇이 가능한지 발견하며, 우리가 일하는 일반 규범 밖에서 가설을 적용할 팀을 꾸렸습니다. 그래서 앞서 설명한 Double Diamond를 거치지 않고 바로 프로토타이핑으로 갔습니다."

인사이트: LLM처럼 빠르게 진화하는 기술에는 기술적 가능성을 빨리 발견하기 위해 표준의 무거운 프로세스를 우회하고 빠른 프로토타이핑을 택해야 합니다.

전술 조언:

• 정상 제품 주기 밖에서 AI 가설을 프로토타입할 전담 팀을 꾸립니다.
• 불확실성이 높은 기술을 다룰 때는 공식 발견 단계보다 즉시 프로토타이핑을 우선합니다.

타임스탬프: 00:40:08

Peter Deng

Peter Deng

"가치의 상당 부분은 많은 빌더가 그 새로운 에너지 원천을 실제로 인간이 쓰고 싶고 우리의 문제 일부를 해결하는 것으로 바꾸기 위해 부지런히 움직이는 데 여전히 필요할 것입니다."

인사이트: AGI만으로는 충분하지 않으며, 제품 빌더가 AI 에너지를 구체적인 인간 중심 솔루션으로 '활용'하고 흐르게 해야 합니다.

전술 조언:

• 원시 AI 지능을 유용한 제품으로 바꾸는 데 필요한 '수고'에 집중합니다.
• AI가 기존 도구보다 더 인체공학적으로 해결할 수 있는 구체적 인간 문제를 식별합니다.

타임스탬프: 00:08:15

---

"데이터 플라이휠은 정말 흥미롭습니다. 모델은 보여주는 데이터에 대해 정말 좋아질 것이기 때문입니다... 플라이휠을 시작하기 위해 접근할 수 있는 데이터와 그 플라이휠을 계속 돌리기 위해 할 수 있는 일을 매우 신중하게 보는 것이 중요합니다."

인사이트: AI에서 방어력은 독점 데이터 플라이휠과 깊이 통합된 업무 흐름에서 나옵니다.

전술 조언:

• 초기 모델 학습 플라이휠을 시작할 독점 데이터 출처를 식별합니다.
• 사용자 상호작용을 통해 자연스럽게 더 많은 고품질 데이터를 생성하는 업무 흐름을 만듭니다.

타임스탬프: 00:29:36

---

"대형 모델 회사에서 후학습과 제품 사이의 가깝고 긴밀한 관계는 정말 놀라운 것을 만들어낼 것이라고 생각합니다."

인사이트: AI 제품 관리자의 가장 큰 레버리지는 연구 및 후학습 팀과 직접 일하며 모델 행동을 미세조정하는 것입니다.

전술 조언:

• 제품 관리자를 연구 팀에 내장해 모델의 '느낌'과 역량에 영향을 주게 합니다.
• UI 계층만이 아니라 미세조정과 후학습에 집중합니다.

타임스탬프: 00:35:15

Scott Belsky

Scott Belsky

"제가 함께 일한 최고의 성과자들은... 많은 가능성을 탐색할 시간을 보존합니다... 생성 AI와 모두를 위한 AI가 제품 리더가 가능성을 탐색하는 것에 대해 말할 때, 이것은 표면적을 넓혀야 합니다."

인사이트: 생성 AI는 제품 리더가 더 짧은 시간에 훨씬 더 넓은 가능성과 시나리오 표면을 탐색하게 하는 초능력입니다.

전술 조언:

• AI로 여러 '만약' 시나리오를 생성해 초기 해결책 너머로 사고를 확장합니다.
• AI를 초기 초안이나 썸네일을 만드는 '인턴'처럼 다루고 이후 다듬습니다.
• 새 AI 도구를 정기적으로 가지고 놀며 자신의 창의 과정에 어떻게 보강되는지 이해합니다.

타임스탬프: 00:33:05

Scott Wu

Scott Wu

"우리가 보게 될 큰 변화는 텍스트-텍스트 모델에서 실제 자율 시스템으로 이동하는 것이라고 느꼈습니다. 결정을 내리고, 현실 세계와 상호작용하고, 피드백을 받아들이고, 여러 단계를 반복해 문제를 풀 수 있는 시스템입니다. 이제 우리는 그것을 에이전트라고 부르지만, 당시 우리가 정말 흥분했던 것이 바로 그것이었습니다."

인사이트: AI 제품 전략의 핵심 변화는 단순 텍스트 완성에서 다단계 추론과 현실 세계 상호작용이 가능한 자율 에이전트로 이동하는 것입니다.

전술 조언:

• 텍스트-텍스트 완성 도구보다 자율 시스템 구축에 집중합니다.
• 피드백을 받아들이고 자기 작업을 반복할 수 있는 시스템을 설계합니다.

타임스탬프: 00:13:34

---

"제품 경험 자체가 매번 바뀔 것이라고 생각합니다. 그리고 당연히 그것을 세상에 실제로 내놓는 현실적 문제도 모두 있습니다. 사람들은 새 기술을 사용하는 법을 배워야 합니다. 현실 세계 소프트웨어의 모든 지저분함 속에 배포하려면 할 일이 많습니다."

인사이트: AI 제품 전략은 모델 역량이 좋아질수록 사용자 경험이 계속 진화한다는 점과 현실 세계의 지저분한 예외 상황을 처리해야 한다는 점을 고려해야 합니다.

전술 조언:

• 모델 역량의 새 세대마다 제품 인터페이스가 바뀌어야 할 것을 예상합니다.
• 이론적 성능보다 현실 세계 복잡성과 '지저분함' 처리를 우선합니다.

타임스탬프: 00:56:04

Timothy Davis

Timothy Davis

"여러분은 이미 수년 동안 AI를 사용해 왔습니다. 스마트 입찰은 AI입니다. Google Ads 안의 모든 추천도 AI입니다. 광고 문구 추천도 AI이고, 그것은 항상 플랫폼 안에 있었습니다."

인사이트: 성과 마케팅의 AI는 스마트 입찰과 알고리즘 추천 같은 플랫폼 내장 자동화에 이미 들어 있는 경우가 많다는 점을 인식해야 합니다.

전술 조언:

• 기본 작업에는 외부 도구를 찾기보다 입찰과 광고 문구 반복을 위한 플랫폼 내장 AI를 활용합니다.

타임스탬프: 01:30:59

Tamar Yehoshua

Tamar Yehoshua

"5-10년 안에 제품 관리자, 엔지니어, 디자이너 사이의 선이 흐려질 것이라고 생각합니다. AI가 제품 관리자에게 프로토타입과 디자인을 만들 수 있게 할 것이기 때문입니다... 저는 우리가 훨씬 더 많은 소프트웨어를 갖게 될 것이라고 믿습니다."

인사이트: AI는 실행과 반복 노동을 범용화해 기능 역할의 경계를 흐리고 소프트웨어 산출량을 크게 늘릴 것입니다.

타임스탬프: 00:50:21

---

"업계가 매우 빠르게 변하고 있기 때문에 LLM이 좋아질수록 제품도 좋아지도록 해야 합니다. 너무 많은 사람이 LLM을 보완하고 보상하기 위해 무언가를 만들고 있는데, 그 작업은 사라질 것입니다. 그것이 사라질 것임을 이해하기 위해 하는 것은 괜찮지만, 그것이 차별화 요소가 되어서는 안 됩니다."

인사이트: 현재 LLM 한계를 고치는 것을 핵심 가치 제안으로 삼지 말아야 합니다. 그 간극은 모델 제공자가 닫을 가능성이 큽니다.

전술 조언:

• 제품의 고유 가치가 LLM의 기본 역량 밖, 예를 들어 독점 데이터 접근이나 특정 업무 흐름에 있는지 확인합니다.

타임스탬프: 01:03:45

Casey Winters

Casey Winters_

"제품 관리자 일이 프레임워크를 채워 넣는 것뿐이라고 생각했다면 AI에 대체될 것입니다."

인사이트: 프레임워크를 기계적으로 따르는 제품 관리자는 대체되고, 전문성을 가진 사람은 성장합니다.

전술 조언:

• 주제 전문성을 키웁니다.
• 지루한 작업에는 AI를 사용합니다.

타임스탬프: 00:24:41

David Singleton

David Singleton

"GPT-4가 우리 모든 문서를 읽고 개발자 질문에 답하게 할 수 있습니다."

인사이트: 복잡한 제품을 자연어로 접근 가능하게 만드는 데 LLM을 적용합니다.

전술 조언:

• 문서에는 임베딩을 사용합니다.
• 자연어를 기술 질의로 번역합니다.

타임스탬프: 01:03:44

Jag Duggal

Jag Duggal

"회사는 AI 네이티브가 무엇인지 알아내야 합니다. 모서리에 AI를 덧붙이는 방법이 아닙니다."

인사이트: AI 네이티브는 AI를 핵심에 두고 제품을 제1원리에서 다시 상상하는 것입니다.

전술 조언:

• AI가 처음부터 존재했다면 무엇을 설계했을지 묻습니다.
• AI를 중심부에 만듭니다.

타임스탬프: 01:11:12

Krithika Shankarraman

Krithika Shankarraman

"AI 시대에는 취향이 차별화 요소가 될 것입니다."

인사이트: AI 시대에는 취향과 장인정신이 핵심 차별화 요소가 됩니다.

전술 조언:

• 취향을 키우는 데 투자합니다.
• AI를 판단의 대체가 아니라 보강으로 사용합니다.

타임스탬프: 00:55:31

Sam Schillace

Sam Schillace

"AI는 제품의 기능이 아닙니다. 당신의 제품이 AI의 기능입니다."

인사이트: 변혁적 AI 제품은 AI를 덧붙인 기능이 아니라 플랫폼 기반으로 다룹니다.

전술 조언:

• AI가 필요해야만 가능한 제품을 만듭니다.
• AI가 새 카테고리를 가능하게 한다고 생각합니다.

타임스탬프: 01:03:01