2026 AI에 대한 美 유력 VC의 대담한 전망들
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. 의미 전달이 애매한 문장은 삭제했습니다. 이번에는 앤드리슨 호로위츠 웹사이트에 올라온 글을 정리한 것입니다.
투자자로서 우리 일은 기술 산업에서 모든 구석구석을 깊이 파고들어 다음 행보를 예측하는 것이다. 그래서 매년 12월이면 투자 팀들에게 기술 개발자들이 다가오는 해에 도전할 주요 아이디어 하나를 공유하도록 요청한다.
인프라
스타트업들이 멀티 모달 데이터 혼란을 정복하다
비정형(Unstructured) 멀티 모달 데이터는 기업들 가장 큰 병목이자 동시에 가장 큰 미개척 보물이다. 모든 기업은 PDF, 스크린샷, 동영상, 로그, 이메일, 반정형 데이터 늪에 빠져 허우적대고 있다. 모델은 계속 똑똑해지지만 입력 데이터는 점점 더 지저분해져 RAG 시스템이 환각을 일으키고, 에이전트가 미묘하고 비용이 많이 드는 방식으로 고장 나며, 핵심 워크플로가 여전히 인간 QA(Quality Assurance)에 크게 의존하게 만든다. AI 기업 한계 요인은 이제 데이터 엔트로피다: 기업 지식 80%가 존재하는 비정형 데이터 세계에서 신선함, 구조화, 진실성이 꾸준히 쇠퇴하는 현상이다.
바로 이 때문에 비정형 데이터 복잡성을 풀어나가는 일이 세대를 초월한 기회다. 기업들은 멀티 모달 데이터를 지속적으로 정리하고, 구조화하며, 검증하고, 관리할 수 있는 방법이 필요하다. 그래야 다운스트림(downstream: AI가 실제로 쓰이는 단계) AI 워크로드가 실제로 작동할 수 있기 때문이다. 활용 사례는 어디에나 존재한다: 계약 분석, 온보딩 프로세스, 클레임 처리, 규정 준수, 지원, 조달, 엔지니어링 검색, 영업 지원, 분석 파이프라인, 그리고 신뢰할 수 있는 컨텍스트에 의존하는 모든 에이전트 워크플로우가 사례들이다. 문서, 이미지, 동영상에서 구조를 추출하고, 충돌을 조정하며, 파이프라인을 복구하거나, 데이터를 최신 상태로 유지하고 검색 가능하게 하는 플랫폼을 구축하는 스타트업이 기업 지식과 프로세스 왕국으로 가는 열쇠를 쥐고 있다.
AI 땜에 사이버 보안 채용 되살아난다
지난 10년 동안 CISO들이 직면한 가장 큰 과제는 채용이었다. 2013년부터 2021년까지 채워지지 않은 사이버 보안 일자리 수는 100만 개 미만에서 300만 개로 증가했다. 이는 보안 팀이 고도로 숙련된 기술자를 채용해 로그 검토 같은 영혼을 짓누르는 1단계 보안 업무를 하루 종일 수행하게 하기 때문인데, 아무도 이 일을 하고 싶어 하지 않는다. 문제는 사이버 보안 팀이 모든 것을 탐지하는 제품을 구매함으로써 그 고된 작업을 창출한다는 점이다. 이는 팀이 모든 것을 검토해야 함을 의미하며, 이는 다시 가짜 노동력 부족을 만들어낸다.악순환이다.
2026년에는 AI가 사이버 보안 팀을 위해 이러한 반복적이고 중복되는 작업의 상당 부분을 자동화함으로써 이 악순환을 끊고 채용 격차를 해소할 것이다. 대규모 보안 팀에서 일해 본 사람이라면 누구나 작업의 절반은 자동화로 쉽게 해결될 수 있다는 것을 알지만, 업무에 파묻혀 있을 때는 무엇을 자동화해야 할지 파악하기가 불가능하다. 보안 팀을 위해 이를 해결해 주는 AI 네이티브 도구는 마침내 그들이 원하는 일—악당 추적, 신규 시스템 구축, 취약점 수정—에 집중할 수 있는 여력을 제공할 것이다.
에이전트 네이티브 인프라가 기본 요건으로
2026년 , 인프라에 가장 큰 충격은 외부 기업이 아닌 내부에서 올 것이다. 우리는 예측 가능하고 동시 접속이 적은 ‘인간 속도’ 트래픽에서 재귀적이고, 대규모인 ‘에이전트 속도’ 워크로드로 전환 중이다.
현재 기업 백엔드는 인간 행동과 시스템 응답이 1:1 비율로 설계됐다. 단일 에이전트 '목표'가 5,000개 하위 작업, 데이터베이스 쿼리, 내부 API 호출을 재귀적으로 분산시키는 것을 밀리초 단위로 처리하도록 설계되지 않았다. 에이전트가 코드베이스 리팩토링이나 보안 로그 수정을 시도할 때, 이는 사용자로 보이지 않는다. 레거시 데이터베이스나 요청 제한기( rate-limiter)에게는 DDoS 공격처럼 보인다.
2026년 에이전트를 위한 구축은 제어 평면 재구축을 의미한다. 이에 따라 “에이전트 네이티브” 인프라의 부상이 예상된다. 차세대 시스템은 “번개 같은 군집” 패턴을 기본 상태로 간주해야한다.. 콜드 스타트는 축소되어야 하며, 지연 시간 변동은 최소화되어야 하고, 동시성 한계는 수십 배로 증가해야 한다. 병목 현상은 조정으로 전환된다. 대규모 병렬 실행 전반에 걸친 라우팅, 잠금, 상태 관리, 정책 시행이 그것이다. 승리한 플랫폼은 이후 쏟아지는 도구 실행의 홍수를 견뎌낼 수 있는 유일한 플랫폼이 될 것이다.
창작 도구의 멀티 모달화
이제 우리는 생성형 음성, 음악, 이미지, 비디오 등 AI로 이야기를 전달할 수 있는 구성 요소를 갖추게 되었다.하지만 단편 클립을 넘어서는 작업에서는 원하는 결과를 얻는 것이 종종 시간 소모적이고 좌절감을 주며, 심지어 불가능할 때도 있다. 특히 기존 감독이 가졌던 수준 제어력을 어느 정도라도 원한다면 더욱 그렇다.
왜 30초짜리 영상을 모델에 입력하고, 참조 이미지와 음성으로 생성된 새 캐릭터로 장면을 이어가라고 요청할 수 없을까? 아니면 클립을 재촬영해 다른 각도에서 장면을 보거나, 참조 영상과 동작을 일치시킬 수는 없을까?
2026년은 AI가 다중 모달로 진화하는 해다. 모델에 어떤 형태의 참조 콘텐츠든 제공하면, 이를 활용해 새로운 것을 만들거나 기존 장면을 편집할 수 있다. 클링 O1(Kling O1)이나 런웨이 알레프(Runway Aleph) 같은 초기 제품들이 등장하기 시작했다. 하지만 아직 갈 길이 멀며, 모델과 애플리케이션 양쪽 모두에서 혁신이 필요하다.
콘텐츠 생성은 AI의 핵심 활용 사례 중 하나다.밈 제작자부터 할리우드 감독에 이르기까지 다양한 사용 사례와 고객 유형을 아우르는 성공적인 제품들이 다수 등장할 것으로 기대한다.
AI 네이티브 데이터 스택은 계속 진화 중
지난 1년간 데이터 기업들이 수집(ETL), 변환, 컴퓨팅 분야 전문화에서 번들링 및 통합 플랫폼으로 이동하면서 “현대적 데이터 스택” 분야에서 많은 통합이 이뤄졌다. 생태계가 상당히 성숙해졌다고 느껴지지만, 진정한 AI 네이티브 데이터 아키텍처는 아직 초기 단계다. AI가 데이터 스택 여러 부분을 계속해서 혁신할 수 있는 방식에 기대가 크며, 데이터와 AI 인프라가 어떻게 불가분 관계로 발전하고 있는지 보기 시작했다.
주목하는 몇 가지 아이디어:
-기존 정형 데이터와 함께 데이터가 고성능 벡터 데이터베이스로 계속 유입되는 방식
-AI 에이전트가 '컨텍스트 문제'를 해결하는 방법: 데이터와 대화하듯 여러 기록 시스템에 걸쳐 항상 정확한 비즈니스 정의를 유지하는 견고한 애플리케이션을 구축하기 위해 적절한 데이터 컨텍스트와 의미론적 계층에 지속적으로 접근하는 방식
-데이터 워크플로우가 보다 능동적이고 자동화됨에 따라 기존 BI 도구와 스프레드시트가 변화하는 방식
우리가 영상 속으로 들어가는 해
2026년, 영상은 수동적으로 시청하는 대상이 아닌 실제로 발을 들여놓을 수 있는 공간처럼 느껴지기 시작할 것이다. 비디오 모델은 마침내 시간을 이해하고, 이미 보여준 내용을 기억하며, 우리 행동에 반응하고, 물리적 세계에서 기대하는 조용한 일관성으로 유지될 수 있게 된다. 단절된 몇 초짜리 영상을 생성하는 대신, 이 시스템들은 행동이 의미를 가지며 결과가 전개될 수 있을 만큼 충분히 오랫동안 캐릭터, 객체, 물리적 특성을 유지한다. 이러한 변화는 영상을 우리가 구축할 수 있는 매체로 전환한다.: 로봇이 연습하고, 게임이 진화하며, 디자이너가 프로토타입을 만들고, 에이전트가 실행을 통해 학습할 수 있는 공간이다. 여기서 탄생하는 것은 클립이라기보다 살아 숨 쉬는 환경에 가깝다. 인식과 행동 사이의 간극을 좁히기 시작하는 환경이다. 우리가 생성한 영상 속에 살아갈 수 있다는 느낌이 처음으로 들게 된다.
기록 시스템(Systems of record)의 영향력 약화
2026년 기업 소프트웨어 진정한 혁신은 기록 시스템이 마침내 주도권을 잃기 시작이다. AI는 의도와 실행 간 거리를 좁히고 있다. 모델은 이제 운영 데이터를 직접 읽고, 작성하고, 추론할 수 있어 ITSM 및 CRM 시스템을 수동적인 데이터베이스에서 자율적인 워크플로 엔진으로 전환한다. 추론 모델과 에이전트형 워크플로 최근 발전이 복합적으로 작용하면서, 이러한 시스템들은 단순히 반응하는 것을 넘어 예측하고 조정하며 엔드투엔드 프로세스를 실행하는 능력을 갖게 된다.
인터페이스는 동적인 에이전트 계층으로 진화하고, 전통적인 기록 시스템(System of Record)은 뒤로 밀려나 범용화된 데이터 영속성 계층에 머문다. 그 결과 기록 시스템이 아니라 직원들이 실제로 사용하는 지능형 실행 환경을 통제하는 주체로 전략적인 주도권이 넘어가게 된다.
버티컬 AI, 정보 검색 및 추론에서 멀티플레이어로 진화한다
AI는 버티컬 소프트웨어를 전례 없는 성장으로 이끌었다. 의료, 법률, 주택 기업들은 몇 년 만에 연간 반복 매출(ARR) 1억 달러 이상을 달성했으며, 재무 및 회계 분야도 그 뒤를 바짝 쫓고 있다. 진화의 첫 단계는 정보 검색이었다. 올바른 정보를 찾고, 추출하고, 요약하는 것이었다. 2025년에는 추론이 등장했다. 헤비아가 재무제표를 분석하고 모델을 구축하고, 베이시스가 시스템 간 시산표를 조정하며, 엘리스AI가 유지보수 문제를 진단하고 적절한 업체를 파견하는 식이다.
2026년에는 멀티플레이어 모드가 열린다. 버티컬 소프트웨어는 도메인 특화 인터페이스, 데이터, 통합의 혜택을 누린다. 그러나 버티컬 업무는 본질적으로 다자간 협업이다. 에이전트가 노동을 대리하려면 협업이 필요하다. 구매자와 판매자부터 세입자, 자문사, 공급업체에 이르기까지 각각의 당사자들은 버티컬 소프트웨어만이 이해하는 서로 다른 권한, 워크플로우, 컴플라이언스 요구사항들이 있다.
현재 각 당사자들은 AI를 독립적으로 사용하다 보니 권한 없이 업무가 인계되는 상황을 야기한다. 구매 계약을 분석하는 AI는 모델 조정을 위해 CFO와 소통하지 않는다. 유지보수 AI는 현장 직원이 임차인에게 약속한 내용을 알지 못한다. 멀티플레이어는 이해관계자 간 조정을 통해 변화한다: 기능별 전문가에게 업무 전달, 맥락 유지, 변경 사항 동기화. 상대방 AI들(Counterparty AIs)는 설정된 매개변수 내에서 협상하며, 비대칭적인 요소들을 표시해 인간이 검토할 수 있게 해준다. 수석 파트너가 남긴 수정 사항이 시스템을 학습시켜 전사적으로 활용된다. AI가 수행하는 작업은 더 높은 성공률로 완료될 것이다.
그리고 멀티 휴먼 및 다중 에이전트 협업으로 가치가 증가하면 전환 비용도 상승한다. 여기서 우리는 AI 애플리케이션이 놓쳐온 네트워크 효과를 목격하게 될 것이다.: 협업 계층이 바로 그 해자(moat)가 되는 것이다.
인간이 아닌 에이전트를 위한 제작
2026년, 사람들은 에이전트를 통해 웹과 인터페이스하기 시작할 것이다. 그리고 인간 소비에 중요했던 것들은 에이전트 소비에 똑같이 중요하지 않을 것이다.
몇년 간 우리는 예측 가능한 인간 행동을 위해 최적화해왔다.: 구글에서 상위 노출, 아마존에서 첫 몇 개 항목에 등장, TL;DR(너무 길어서 요약)로 시작하기. 고등학교 저널리즘 수업에서 우리는 뉴스에는 5W+H(누가, 무엇, 언제, 어디서, 왜, 어떻게)를, 특집 기사에는 흥미로운 도입부를 사용하라고 배웠다. 인간이라면 5면에 묻힌 깊이 있는 관련성 높은 통찰을 놓칠 수 있지만, 에이전트는 그렇지 않을 것이다.
이같은 변화는 소프트웨어에도 해당된다. 앱은 인간의 눈과 클릭을 위해 설계되었으며, 최적화는 좋은 UI와 직관적인 흐름을 의미했다. 에이전트가 검색과 해석을 맡게 되면서 시각적 디자인은 이해의 핵심에서 멀어진다. 엔지니어가 Grafana 대시보드를 응시하는 대신, AI SRE가 텔레메트리 데이터를 해석해 Slack에 인사이트를 게시할 수 있다. 영업팀이 CRM을 샅샅이 뒤지는 대신, 에이전트가 패턴과 요약 정보를 자동으로 추출해낼 수 있다. 우리는 더 이상 인간을 위한 디자인이 아닌 에이전트를 위한 디자인을 하고 있다. 새로운 최적화는 시각적 계층 구조가 아닌 기계 가독성을 위한 것이며, 이는 우리가 창작하는 방식과 이를 위한 도구 사용법을 바꿀 것이다.
AI 애플리케이션에서 화면 시간 KPI의 종말
지난 15년간 화면 시간은 소비자 및 비즈니스 애플리케이션 모두에서 가치 전달을 측정하는 최고의 지표였다. 우리는 넷플릭스 스트리밍 시간, 의료 EHR UX에서의 마우스 클릭 수(의미 있는 사용을 입증하기 위해), 심지어 ChatGPT 사용 시간까지 핵심 성과 지표로 삼는 패러다임 속에서 살아왔다. 공급자와 사용자 간 인센티브를 완벽히 일치시키는 성과 기반 가격 책정 방식으로 전환되면서, 우리는 먼저 화면 사용 시간 보고에서 벗어나게 될 것이다.
이미 현실에서 이를 목격하고 있다. 내가 ChatGPT에 DeepResearch 쿼리를 실행할 때, 화면 사용 시간은 거의 없지만 엄청난 가치를 얻는다. Abridge가 환자와 의료진 간 대화를 마법처럼 포착하고 후속 작업을 자동화할 때, 의사는 화면을 거의 보지 않는다. 커서가 애플리케이션 전체를 엔드투엔드로 개발할 때, 엔지니어는 다음 기능 개발 주기를 계획하고 있다. 헤비아가 수백 건 공시 자료를 바탕으로 투자 제안서를 작성할 때, 투자 은행가는 당연히 누려야 할 휴식을 취하고 있다.
이는 독특한 도전을 가져온다: 애플리케이션이 사용자당 얼마를 청구할 수 있는지는 ROI를 측정하는 더 복잡한 방법을 요구한다. 의사 만족도, 개발자 생산성, 재무 분석가의 웰빙, 소비자 행복도 모두 AI 애플리케이션과 함께 증가한다. ROI에 대해 가장 단순한 영업 전략을 제시하는 기업들이 경쟁사들을 계속 앞서 나갈 것이다.
스토리텔링에서 주목받는 월드 모델
2026년에는 AI 기반 월드 모델이 인터랙티브 가상 세계와 디지털 경제를 통해 스토리텔링에 혁명을 일으킬 것이다. 마블(월드 랩스)과 지니 3(딥마인드) 같은 기술은 이미 텍스트 프롬프트로 완전한 3D 환경을 생성하여 사용자가 게임처럼 탐험할 수 있게 한다. 창작자들이 이러한 도구를 채택함에 따라 완전히 새로운 스토리텔링 형식이 등장할 것이며, 궁극적으로 플레이어가 방대하고 진화하는 우주를 공동 창작하는 '생성형 마인크래프트'로 발전할 가능성이 있다. 이러한 세계는 게임 메커니즘과 자연어 프로그래밍을 결합할 수 있다. 예를 들어 “내가 만지는 모든 것을 분홍색으로 바꾸는 붓을 만들어라”와 같은 명령이 가능해진다.
이러한 모델은 플레이어와 창작자의 경계를 모호하게 하여 사용자를 역동적인 공유 현실의 공동 창작자로 변모시킬 것이다. 이러한 진화는 판타지, 공포, 모험 등 다양한 장르가 공존하는 상호 연결된 생성적 다중우주를 탄생시킬 수 있다. 이 안에서 창작자들이 자산을 제작하거나 신규 사용자를 지도하거나 새로운 상호작용 도구를 개발하며 수익을 창출함에 따라 디지털 경제가 번성할 것이다. 엔터테인먼트 영역을 넘어, 이러한 생성형 세계는 AI 에이전트, 로봇, 나아가 AGI(인공일반지능) 훈련을 위한 풍부한 시뮬레이션 환경으로 기능할 것이다. 따라서 월드 모델의 부상은 단순한 새로운 플레이 장르를 넘어 완전히 새로운 창작 매체이자 경제적 개척지를 예고한다.
“나의 해”
2026년은 “나의 해”가 될 것이다.: 제품이 대량 생산되는 것을 멈추고 당신을 위해 만들어지는 순간이 도래하는 해다. 이미 곳곳에서 이를 목격하고 있다. 교육 분야에서는 알파스쿨(Alphaschool) 같은 스타트업이 각 학생 진도와 호기심에 맞춰 조정되는 AI 튜터를 구축 중이다. 이를 통해 모든 아이가 자신의 학습 속도와 선호 방식에 맞는 교육을 받게 된다. 이전에는 학생당 수만 달러 과외 비용 없이는 불가능했던 수준 맞춤형 교육이다.
의료 분야에서는 AI가 개인의 생물학적 특성에 맞춰 설계된 일일 영양제 조합, 운동 계획, 식사 루틴을 제안한다. 트레이너나 실험실은 필요 없다. 미디어 분야에서도 AI는 뉴스, 프로그램, 이야기를 재구성해 사용자 정확한 관심사와 어조에 맞춘 맞춤형 피드를 제공한다. 지난 세기의 가장 큰 기업들은 평균적인 소비자를 찾아내 승리한 기업들이었다. 다음 세기의 가장 큰 기업들은 평균 속의 개인을 찾아내 승리한 기업들이 될 것이다. 2026년은 세상이 모두를 위한 최적화를 멈추고 당신을 위한 최적화를 시작하는 해다.
최초 AI 네이티브 대학
2026년에는 지능형 시스템을 중심으로 처음부터 구축된 최초의 AI 네이티브 대학이 탄생할 것으로 예상한다.
지난 몇 년간 대학들은 AI 기반 채점, 튜터링, 스케줄링을 시도해왔다. 하지만 지금 등장하는 것은 더 깊이 있는, 실시간으로 스스로 학습하고 최적화하는 적응형 학술 유기체다.
데이터 피드백 루프에 따라 강의, 지도, 연구 협력, 심지어 건물 운영까지 지속적으로 적응하는 기관을 상상해 보라. 시간표는 스스로 최적화된다. 독서 목록은 매일 밤 진화하며 새로운 연구가 등장할 때마다 스스로 재작성된다. 학습 경로는 각 학생 속도와 상황에 맞춰 실시간으로 변화한다.
이미 그 전조가 나타나고 있다. 애리조나 주립대(ASU)의 캠퍼스 전체 차원에서 오픈AI(OpenAI)와의 협력은 교수진과 행정부 전반에 걸쳐 수백 개의 AI 기반 프로젝트를 탄생시켰다. 뉴욕 주립대(SUNY)는 이제 AI 활용 능력을 교양 교육 필수 과목에 포함시켰다. 이는 보다 근본적인 도입을 위한 초석이다.
AI가 본질적으로 내재된 대학에서 교수진은 학습 설계자가 되어 데이터를 선별하고 모델을 조정하며 학생들에게 기계 추론 방식을 분석하는 법을 가르친다. 평가 방식도 변화한다. 표절 탐지 도구와 금지 조치는 AI 활용 방식에 대한 평가로 대체된다. 학생들은 AI 사용 여부가 아닌 어떻게 활용했는지에 따라 평가받는다. 투명성과 세심한 적용이 금지를 대체한다.
모든 산업이 AI 시스템을 설계하고 관리하며 협력할 인재를 확보하기 위해 고군분투하는 가운데, 이 새로운 대학은 조율에 능숙한 졸업생을 배출하는 훈련장이 되어 급변하는 노동력을 보완하는 역할을 한다. 이 AI 중심 대학은 새로운 경제의 인재 공급원이 될 것이다.
