생성AI 경제 모델, 기존 AI와 어떻게 다른가?
학습 차원에서 틈틈이 해외 전문가들이 블로그나 미디어 그리고 책에서 쓴 글을 번역 또는 요약 정리하고 있습니다. 이번 포스팅도 그중 하나고요. 거칠고 오역된 부분이 있을 수 있습니다. 제대로 번역되지 않은 부분은 확인 주시면 반영토록 하겠습니다. 번역 과정에서 의미 전달이 애매한 일부 문장은 삭제했습니다. 이번 글 안드레센 호로위츠 웹사이트에 올라온 글을 정리한 것 입니다.
인공 지능은 1950년대부터 컴퓨터 과학에서 필수 요소였다. 지난 수년 동안 인공지능을 효과적으로 도입한 기업들은 많은 수익을 창출하기도 했다. 하지만 최근 월스트리트 저널에 실린 기고문에서 설명했듯 이러한 이익에서 대부분은 스타트업이 아닌 기존 대형 벤더들(예: Google 또는 Meta)에게 돌아갔다. 최근까지, 즉 생성 AI가 등장하기 전까지 AI 퍼스트 기업들이 직접 경쟁을 통해 기존 대기업들 이익을 심각하게 위협하거나 완전히 새로운 플레이로 기존 기업들을 무력화시킨 적은 없다.
그러나 생성 AI 애플리케이션과 기본 모델(foundation models) 또는 프론티어 모델(frontier models)을 사용하면 상황이 매우 달라진다. 놀라운 성능과 채택률, 그리고 놀라운 혁신의 속도는 우리가 마이크로칩과 인터넷 이후 볼 수 없었던 수준으로 우리의 삶과 경제를 바꿀 주기의 초기 단계에 있을 수 있음을 보여준다.
이 글에서는 기존 AI 경제성을 살펴보고, AI를 핵심 차별화 요소로 사용하는 스타트업들이 일반적으로 탈출 속도(escape velocity: 물리학 용어로 물체 운동 에너지(속도)가 행성 등 중력 위치 에너지(궤도속도)를 넘는 속도를 의미)에 도달하기 어려웠던 이유(과거에 작성했던 글)에 대해 살펴본다. 그런 다음,생성 AI 애플리케이션과 거대 기본 모델 기업이 매우 다르게 보이는 이유와 이것이 우리 업계에 어떤 의미를 갖는지 다룬다.
역량=경제성
지금까지 AI를 둘러싼 문제들은 AI가 작동하지 않는다는 것이 아니라, 오랫동안 놀라운 결과를 창출해왔지만 민간 시장에서 매력적인 순수 비즈니스 모델을 구축하는 데 어려움을 겪어왔다는 것이다. 근본적인 문제들을 살펴보면 스타트업이 AI를 통해 뛰어난 경제성을 확보하는 것이 왜 어려웠는지 어렵지 않게 알 수 있다.
꼬리가 길다(The tail is long)
많은 AI 제품은 흔히 "꼬리"라고 불리는 예외적인 상황들에서도 높은 정확도를 제공해야 한다. 이 문제가 중요한 이유는 사례가 희귀해질수록 이를 처리하는 데 필요한 투자 수준이 급증할 수 있기 때문이다. 이는 스타트업이 합리화할 수 있는 왜곡된 규모의 경제가 될 수 있다.
예를 들어 체리를 80% 정확도로 따는 로봇을 만드는 데 2천만 달러를 투자할 수 있지만, 90% 정확도가 필요하다면 필요한 투자액은 2억 달러로 늘어날 수 있다. 95% 정확도를 달성하려면 10억 달러가 필요할 수도 있다. 인간에게 지나치게 의존하지 않고 적절한 수준의 정확도를 얻기 위해서는 막대한 초기 투자가 필요할 뿐만 아니라 투자한 자본의 한계 수익률도 감소한다. 원하는 수준의 정확도를 달성하고 유지하는 데 필요한 막대한 비용 외에도, 증가하는 개발 비용은 리더가 R&D에 현금을 소진하는 반면 패스트 팔로워는 학습을 기반으로 적은 비용으로 격차를 좁히는 등 리더에게 안티 해자(anti-moat) 역할을 할 수 있다.
정확함이 중요하다
기존에 있었던 많은 AI 문제들은 오답에 특별히 관대하지 않다. 예를 들어, 고객 성공 봇은 잘못된 안내를 제공해서는 안 되며, 수표 입금을 위한 광학 문자 인식(OCR)은 은행 계좌를 잘못 판독해서는 안 되며, 자율주행 차량은 불법적이거나 위험한 일을 해서는 안 된다. AI는 잘 정의된 일부 작업에서 인간보다 더 정확하다는 것이 입증되었지만, 맥락이 중요한 롱테일 문제에서는 인간이 더 나은 성과를 내는 경우가 많다. 따라서 AI 기반 솔루션은 정확성을 보장하기 위해 여전히 사람을 투입하는 경우가 많은데, 이는 확장하기 어렵고 총 마진에 부담을 주는 비용으로 작용하는 경우가 많다.
인간의 두뇌와 신체는 특정 분야에서 저렴하고 놀라운 능력을 발휘한다. 인간의 몸과 뇌는 물리적 세계를 탐색하기 위해 수억 년에 걸쳐 진화한 아날로그 기계들도 이뤄진다. 약 150와트 에너지를 소비하고, 죽 한 그릇으로 작동하며, 꼬리 문제를 해결하는 데 꽤 능숙하고, 전 세계 평균 임금은 시간당 약 5달러다. 세계 일부 지역 일부 작업의 경우 평균 임금이 하루 1달러 미만인 경우도 있다.
많은 애플리케이션에서 AI는 기존 컴퓨터 프로그램이 아니라 인간과 경쟁하고 있다. 그리고 지각과 같이 인간의 가장 기본적인 능력 중 하나를 필요로 하는 업무의 경우 인간이 더 저렴한 경우가 많다. 적어도 상대적으로 적은 투자로 합리적인 정확도를 얻는 데는 사람을 활용하는 것이 훨씬 저렴하다. 일반적으로 대규모 정교한 AI 인프라를 구축할 수 없는 스타트업의 경우 특히 그렇다. 또한 AI는 단순히 인간이 달성할 수 있는 수준보다 더 높은 목표에 매달리는 경우가 많다는 점도 주목할 필요가 있다.(새로운 시스템이 크게 더 낫지 않다면 왜 시스템을 바꿀까?). 따라서 AI가 분명히 더 나은 경우라도 여전히 불리한 상황에 처할 수 있다.
새롭게 등장하는 사용자 행동 부재
이 점은 매우 중요하지만 과소평가되고 있는 부분이다. AI가 기존 기업 기존 제품을 보완하는 역할에 그쳤기 때문에 광범위한 소비자 집단에서 새로운 사용자 행동으로 이어지는 새로운 사용 사례를 많이 보여주지 못했을 가능성이 높다. 새로운 사용자 행동은 종종 기존 기업이 이해하지 못하거나 관심을 갖지 않는 주변적인 세속적 움직임으로 시작되기 때문에 대규모 시장 변화의 근간이 되는 경향이 있다. (개인용 마이크로컴퓨터, 인터넷, 개인 스마트폰 또는 클라우드를 생각해 보라) 이는 스타트업이 핵심 분야에서 확고한 기존 기업과 경쟁할 필요 없이 새로운 소비자 니즈를 충족시킬 수 있는 비옥한 토양이다.
물론 가정용 음성 비서가 도입한 새로운 행동과 같은 예외도 있다. 하지만 이 분야에서 널리 채택된 독립 기업이 눈에 띄게 부족하다는 점을 고려하면 이러한 예외조차도 기존 기업이 AI 제품에서 얼마나 지배적인지 알 수 있다.
자율주행차는 AI 도전 과제의 축소판
자율주행차(AV)는 스타트업에게 AI가 어려운 이유를 극단적이지만 잘 보여주는 예시다. AV는 꼬리 정확도가 필요하고(잘못하면 매우, 매우 나쁨), 작동하는 AV 시스템은 종종 사람의 감독에 많이 의존하며, 인간의 두뇌(약 12와트로 작동하는 일부 하이엔드 CPU/GPU AV 설정은 1,300와트 이상을 소비함)와 지각 능력에서 경쟁해야 한다. 따라서 안전, 효율성, 교통 관리 등 자율주행차로 전환해야 하는 이유는 많지만, 직접 운전하는 것은 말할 것도 없고 차량 공유 서비스와 비교했을 때 경제성은 아직 미흡하다. 이는 AV 기술에 약 750억 달러가 투자되었음에도 불구하고 마찬가지다.
물론 트럭 운송이나 잘 정의된 캠퍼스 경로와 같이 더 매력적인 사용 사례도 있다. 또한 경제성은 계속 개선되고 있으며 조만간 인간을 능가할 가능성이 높다. 하지만 여기까지 오는 데 걸리는 투자와 시간, 그리고 지속적인 운영상 복잡성과 위험을 고려하면 일반화된 자율주행차가 인큐베이션이든 인수를 통해서든 주로 대기업들이 기울이는 노력이 된 것은 당연한 결과라고 할 수 있다.
민간 시장에서의 무서운 AI 평범함의 소용돌이
위에서 설명한 이유들로 인해 AI가 핵심 차별화 요소인 고수익, 고성장 비즈니스를 창출하는 것이 어렵기 때문에 이를 시도하는 스타트업에게는 잘 알려진 슬로건이 생겼습니다. 월스트리트 저널에 실린 이 가설은 이를 잘 요약하고 있다.
스타트업은 초기에 충분한 정확도를 확보하기 위해 시간이 지남에 따라 AI가 자동화하기를 바라는 기능을 수행하기 위해 인간을 고용한다. 이는 흔히 에스컬레이션 경로의 일부로, 첫 번째 AI가 일반적인 사용 사례의 80%를 처리하고 인간이 나머지 부분을 관리한다.
초기 투자자들은 수익보다는 성장에 더 집중하는 경향이 있기 때문에 자본을 조달하고 이사회를 만족시키기 위해 앞서 언급한 롱테일의 복잡한 문제 때문에 까다로운 자동화에 투자하기보다는 계속 사람을 고용한다. 회사가 성장 단계를 위해 투자를 할 준비가 되었을 때는 이미 사람을 고용하고 운영하기 위해 전체 조직을 구축한 상태이기 때문에 긴장을 풀기가 너무 어렵다. 그 결과 초기 성장률은 상대적으로 높지만 마진이 낮고 시간이 지남에 따라 확장하기가 어려워지는 비즈니스가 된다.
하지만 AI의 평범함이 치명적인 것은 아니며, 실제로 이를 통해 상당한 규모의 상장 기업을 구축할 수 있지만 경제성과 확장성은 소프트웨어 중심 제품보다 뒤처지는 경향이 있다. 따라서 역사적으로 빠르게 성장하는 AI 스타트업이 기존 기업을 뒤흔들 만한 추진력을 가진 사례는 없었다. 오히려 더 어렵고, 더 까다롭고, 더 복잡한 문제를 해결하거나 맞춤형 솔루션을 구축하는 서비스 회사로 성장하는 경향이 있었는데, 이는 이러한 유형의 문제들을 처리할 수 있는 인력을 보유하고 있기 때문이다.
하지만 생성AI를 통해 이 모든 것이 바뀌고 있다.
생성AI와 기본 모델은 어떻게 다른가
지난 몇 년 동안 대규모 기본 모델을 기반으로 구축되거나 이를 통합하는 새로운 AI 애플리케이션들이 등장했다. 이러한 트렌드는 일반적으로 콘텐츠(이미지, 텍스트, 오디오 등)를 생성하는 데 모델이 사용되기 때문에 생성 AI라고 부르거나, 기반 기술이 콘텐츠 생성 이외 작업에 적용될 수 있기 때문에 단순히 거대 기본 모델이라고 부른다. 이 글에서는 이 모든 것을 생성 AI로 지칭한다.
AI의 오랜 역사를 고려할 때, 이를 언젠가는 식어버릴 또 하나의 과여롤 치부하기 쉽다. 하지만 이번에는 AI 기업들이 전례 없는 소비자 관심과 도입 속도를 보여주고 있다. 2022년 중후반에 등장한 생성 AI는 이미 기술 산업 역사상 가장 빠르게 성장하는 기업, 제품, 프로젝트를 탄생시시키고 있다. 대표적인 사례가 있다:
ChatGPT는 세계에서 가장 상징적인 소비자 기업들을 제치고 단 5일 만에 사용자 수 100만 명을 달성했다(Meta Threads는 최근 몇 시간 만에 100만 명을 달성했지만, 기존 소셜 그래프에서 부트스트랩한 것이기 때문에 비교 대상으로 삼기에는 무리가 있다).
초기 빠른 성장보다 더 놀라운 것은 제품 출시 초기의 참신함을 넘어선 지속적인 성장과 규모다. 출시 후 6개월 만에 ChatGPT 전 세계 월간 활성 사용자 수(MAU)는 약 2억 3천만명을 넘어섰다. Facebook은 아이비리그에 처음 출시된 지 5년이 넘고 일반 대중에게 소셜 네트워크를 제공한 지 3년이 지난 2009년이 되어서야 비슷한 1억 9700만 명 MAU를 달성했다.
ChatGPT가 AI의 거물인 것은 분명하지만, 이것이 유일한 생성 AI 성공 사례는 결코 아니다. 텍스트-이미지 변환 AI 회사인 Midjourney는 2022년 7월 오픈 베타를 시작한 지 1년도 채 되지 않은 2023년 6월에 Discord 서버 회원 수가 약 1500만 명으로 급증하여 Discord에서 가장 큰 서버를 보유하게 됐다.
수직적으로 통합된 AI 컴패니언 제공업체인 Character.AI는 5월 성공적인 모바일 출시를 제외하고도 출시 9개월 만에 월간 순 방문자 수 1,800만 명, 일일 활성 웹 사용자 수 300만 명 이상(SimilarWeb 기준)을 기록했다. 사용자당 활성 사용자(플랫폼에서 최소 1건의 메시지를 보내는 사용자로 정의)가 매일 평균 2시간 이상 플랫폼에 머무르는 것을 감안하면 이러한 사용자 기반 성장은 특히 인상적이다.
챗봇 회사인 Janitor AI와 같은 신생 스타트업은 출시 후 몇 주 만에 100만 명 이상 사용자를 확보했다고 자체 보고했다. AI 개발자 시장도 엄청난 성장세를 보이고 있다. 예를 들어, 거대 이미지 모델인 Stable Diffusion 출시는 채택 속도와 보급률 측면에서 최근 역사상 가장 성공적인 오픈 소스 개발자 프로젝트 중 일부를 날려버렸다. Meta의 라마 2 대형 언어 모델(LLM)은 7월에 출시된 후 며칠 만에 Replicate와 같은 플랫폼을 통해 수십만 명 사용자를 끌어모았다.
전례 없는 수준으로 이뤄지는 이같은 채택은 생성 AI가 경제적으로 실행 가능할 뿐만 아니라 마이크로칩과 인터넷에 버금가는 수준의 시장 혁신을 촉진할 수 있다는 강력한 논거가 있다고 믿는 큰 이유다. 그 이유를 이해하려면 생성 AI가 이전 AI 상용화 시도와 어떻게 다른지 살펴볼 필요가 있다.
과대평가된 정확성
많은 생성 AI 사용 사례는 정확성이라는 공식적인 개념이 있는 영역에 속하지 않는다. 실제로 현재 가장 일반적인 두 가지 사용 사례는 창의적인 콘텐츠 생성(이미지, 스토리 등)과 컴패니언(가상 친구, 동료, 브레인스토밍 파트너 등)이다. 이런 맥락에서 정확하다는 것은 단순히 "사용자 관심을 끌거나 참여를 유도하는 것"을 의미한다. 또한 코드 생성을 통해 개발자의소프트웨어 작성을 돕는 것과 같이 널리 사용되는 다른 사용 사례는 사용자가 사실상 루프에 있는 사람이 되어 생성된 답을 개선하기 위한 피드백을 제공하는 반복적인 경향이 있다. 사용자는 회사가 즉각적인 정확성을 보장하기 위해 인력 풀에 의존하지 않고도 원하는 답을 향해 모델을 가이드할 수 있다.
광범위한 시장에 적용 가능
생성 AI 모델은 매우 일반적이며 이미 다양한 대규모 시장에 적용되고 있다. 여기에는 이미지, 비디오, 음악, 게임, 채팅 등이 포함된다. 게임과 영화 산업만 해도 그 가치가 3,000억 달러가 넘는다. 치료, 법률, 교육, 프로그래밍, 코칭과 같은 전문적인 쌍방향 상호작용 분야에서도 폭넓게 채택되고 있다.
하지만 기존 시장은 가치를 증명하는 지점에 불과하며, 발전적인 AI를 위한 시작점에 불과할 수도 있다. 역사적으로 인터넷의 경우처럼 경제와 역량이 극적으로 변화하면 예측이 불가능할 뿐만 아니라 이전보다 훨씬 더 큰 완전히 새로운 행동과 시장이 등장하게 된다.
고부가가치 작업에서 인간보다 훨씬 뛰어난 성능 발휘
지금까지 AI는 물체를 식별하거나 물리적 세계를 탐색하는 등 인간에게 쉬운 작업, 즉 지각과 관련된 작업을 복제하는 데 많은 노력을 기울여왔다. 그러나 이러한 작업은 뇌가 수억 년에 걸쳐 진화하면서 특별히 최적화되었기 때문에 인간에게는 쉬운 작업들이다.(열매 따기, 사자 피하기 등). 따라서 위에서 설명한 것처럼 인간과 비교해 경제성을 확보하는 것은 어렵다.
반면 생성AI는 인간의 두뇌가 진화하는 데 걸린 시간보다 훨씬 짧은 시간에 자연어 처리와 콘텐츠 제작을 자동화한다. 생성 AI는 이미 이러한 작업 중 상당수를 인간보다 훨씬 저렴하고 빠르게, 그리고 경우에 따라서는 더 잘 수행할 수 있다. 이러한 언어 기반 또는 "창의적" 작업은 인간에게 더 어렵고 종종 더 정교함을 요구하기 때문에 프로그래머, 변호사, 치료사와 같은 사무직은 더 높은 임금을 요구하는 경향이 있다.
다양한 새로운 사용자 행동들
인공지능 발전과 함께 등장한 새로운 사용자 행동은 경제적인 측면만큼이나 놀랍다. LLM은 소프트웨어 개발 파트너, 브레인스토밍 동반자, 교육자, 인생 코치, 친구, 심지어 연인으로까지 활용되고 있다. 거대 이미지 모델은 기발한 새 콘텐츠를 제작하거나 정신 건강 문제와 같은 사용 사례를 치료하는 데 도움이 되는 AI 미술 치료 개발을 중심으로 구축된 새로운 커뮤니티의 중심이 됐다. 이러한 기능은 지금까지 컴퓨터가 수행할 수 없었던 기능이기 때문에 우리는 이러한 행동이 어떤 결과를 가져올지, 그리고 이러한 기능을 수행하는 데 가장 적합한 제품이 무엇인지에 대해 잘 알지 못한다. 이 모든 것이 새롭게 부상하고 있는 민간 생성 AI 기업들에게 기회를 의미한다.
이러한 새로운 행동들 대한 사용 사례는 아직 등장하고 있거나 만들어지고 있지만, 사용자들은 이미 기꺼이 비용을 지불할 의사가 있음을 보여주고 있다. 많은 신생 AI 기업들이 앞서 언급한 사용자 증가와 더불어 엄청난 매출 성장을 보이고 있다. ChatGPT 가입자 추정에 따르면 미국 가입자만 연간 5억 달러에 가까운 수익을 창출할 것으로 예상된다. ChatGPT 외에도 법률, 카피라이팅, 이미지 생성, AI 동반자 등 다양한 산업 분야 기업들이 첫해에 수억 달러 런레이트 매출을 달성하는 등 놀랍고 빠른 매출 확장을 이루고 있다. 자체 모델을 소유하고 학습시키는 일부 기업의 경우, 이러한 매출 성장은 추론 비용, 즉 고객에게 서비스를 제공하기 위한 가변 비용 뿐만 아니라 막대한 학습 비용을 앞질렀다. 따라서 이미 자생력을 갖추었거나 곧 자생력을 갖추게 될 기업들이 나오고 있다.
사용자 100만 명에 도달하는 데 걸리는 시간이 단축된 것처럼, 많은 AI 기업이 제품 시장 적합성을 달성하기 위한 자금 조달 지표인 1000만 달러 이상의 매출을 달성하는 데 걸리는 시간도 단축되고 있다.
숫자를 돌려보자
동기를 부여하는 예로 이미지를 만드는 간단한 작업을 살펴보자. 현재 이러한 모델이 생성하는 이미지 품질은 인간 아티스트와 그래픽 디자이너가 생성하는 이미지와 동등한 수준이며, 포토리얼리즘에 근접하고 있다. 이 글을 쓰는 현재, 거대 이미지 모델을 사용해 이미지를 생성하는 데 드는 컴퓨팅 비용은 약 0.001달러이며 약 1초가 소요된다. 디자이너나 사진작가가 비슷한 작업을 수행하려면 최소 수백 달러 비용과 몇 시간 또는 며칠이 소요된다.(작업 시간 및 일정을 고려해야 함). 단순화를 위해 비용을 100달러로, 시간을 1시간으로 과소평가하더라도 생성 AI는 사람이 대신하는 것보다 10만배 저렴하고 3,600배 빠르다.
다른 많은 작업에도 유사한 분석을 적용할 수 있다. 예를 들어, 변호사는 일반적으로 시간당 수백 달러(최대 수천 달러)를 청구하고 몇 시간 또는 며칠이 걸리는 반면, 복잡한 법률 요약서를 요약하고 질문에 답변하는 데 드는 비용은 몇 푼에 불과하다. LLM 치료사 비용도 세션당 몇 푼에 불과하다. 그 밖에도 여러 가지가 있다.
물론 이러한 경제적 가치를 실현하기 위해서는 LLM이 실제로 이러한 기능에 능숙해야 한다. 실제 업무에 생성 AI가 효과적으로 사용되고 있다는 증거는 날로 늘어나고 있다. 생성 AI는 놀라운 수준으로 계속 개선되고 있으며, 지금까지 학습 비용이나 제품 가격의 급격한 인상 없이도 이러한 성과를 달성하고 있다. 거대 모델이 이러한 종류 모든 작업을 대체할 수 있거나 대체할 것이라는 의미는 아니며, 현재로서는 그럴 가능성이 거의 없다. 다만 시간당 절감되는 작업 시간당 경제성이 놀랍다는 의미다.
물론 이 모든 것이 과학적인 것은 아니지만, 모델을 사용해 기존 서비스를 수행하는 이상적인 경우를 스케치해 보면 현재 상태보다 3~4배 더 저렴하고 일반적으로 2~3배 더 빠를 수 있는 경향이 있다
극단적인 예로 하나의 프롬프트에서 전체 비디오 게임을 만드는 것을 들 수 있다. 오늘날 기업들은 3D 모델, 음성, 텍스처, 음악, 이미지, 캐릭터, 스토리 등 복잡한 비디오 게임의 모든 측면에 대한 모델을 제작하며, 오늘날 AAA급 비디오 게임을 제작하는 데는 수억 달러가 소요될 수 있다. AI 모델이 게임에 필요한 모든 에셋을 생성하는 데 드는 추론 비용은 몇 센트 또는 수십 센트에 불과하다. 이는 마이크로칩 또는 인터넷 수준의 경제성이다.
컴퓨팅의 세 번째 시대?
그렇다면 우리는 실효성이 없는 또 다른 과대 광고에 연료를 공급하고 있는 것일까? 우리는 그렇게 생각하지 않는다. 마이크로칩이 컴퓨팅의 한계 비용을 0으로 만들고 인터넷이 유통의 한계 비용을 0으로 만든 것처럼, 생성 AI는 창작의 한계 비용을 0으로 만들 수 있을 것으로 기대한다.
인터넷은 먼 거리에 걸쳐 비트를 이동하는 계산법을 극적으로 변화시켰다. 적절한 크기의 인터넷 대역폭이 확보되면 며칠 또는 몇 주에 걸쳐 우편으로 소프트웨어를 받거나 직접 구매하기 위해 동네의 Fry's에 가는 대신 몇 분 만에 소프트웨어를 다운로드할 수 있게 되었다. 또는 이메일 전송, 비디오 스트리밍 또는 기본적으로 모든 클라우드 서비스 사용에 따르는 엄청난 효율성을 생각해 보라.
생성AI는 이메일 작성부터 영화 한 편 제작에 이르기까지 콘텐츠 생성에 드는 비용과 시간 측면에서 비슷한 가능성을 제시한다. 물론 이 모든 것은 AI의 확장이 계속되고 경제성과 역량이 계속해서 크게 향상된다는 가정하에 이루어진다. 이 글을 쓰는 현재, 우리가 대화하는 많은 전문가들은 우리가 이 기술의 초기 단계에 있으며 앞으로 몇 년 동안 엄청난 발전을 계속할 가능성이 매우 높다고 믿고 있다.
방어성은 어떨까?
AI 기업의 방어성 또는 방어성 부족에 대해 할 일이 많다. 이는 중요한 논의이며 실제로 이에 대한 글도 작성한 바 있다. 하지만 생성 AI를 통해 얻을 수 있는 경제적 이점이 막대하다면 규모, 네트워크, 기업 유통의 롱테일, 브랜드 등과 같은 전통적인 방어 해자를 중심으로 회사를 구축할 수 있는 충분한 속도가 있다. 실제로 모델 제작자와 모델 사용자 간 양면 마켓플레이스와 크리에이티브 콘텐츠를 중심으로 한 커뮤니티를 중심으로 생성 AI 영역에서 방어 가능한 비즈니스 모델이 이미 등장하고 있는 것을 보고 있다.
따라서 기술 스택에 내재된 명백한 방어성은 없어 보이지만(오히려 왜곡된 규모의 경제가 남아있는 것처럼 보인다), 이것이 임박한 시장 변화를 방해할 것이라고는 생각하지 않는다. 대체로 크리에이티브의 한계 가치가 하락하면 수요가 크게 증가할 것으로 예상한다. 실제로 역사적으로 제본스의 역설은 지속적으로 사실로 입증되고 있다: 탄력적인 수요를 가진 재화(예: 컴퓨팅 또는 유통)의 한계비용이 하락하면 이를 보상하기 위해 수요가 증가하는 것 이상으로 증가한다. 그 결과 더 많은 일자리, 더 많은 경제 확장, 소비자에게 더 나은 상품이 제공된다. 마이크로칩과 인터넷이 그랬고, 생성 AI에서도 이런 일이 일어날 것이다.
