피터 틸의 반기류 투자 스타일과 데이터 인프라·분석·자동화 등 AI를 가능하게 한 초기 관련 베팅들이 어떻게 형성되었는지, 테제 우선 사고·리스크·비판·실무적 시사점을 살펴봅니다.
왜 틸의 반기류 접근법이 AI에 중요한가
피터 틸은 반기류 투자자이자 공개적으로 강경한 의견을 내는 사상가로 널리 알려져 있다. 그는 틀릴 수 있더라도 공개적으로 틀린 채 머무르는 걸 감수하는 유형이다. 그 직관—합의에 의문을 제기하고, 간과된 레버리지를 찾으며, 초기에 배팅해 전념하는 방식—은 지난 20년간 ‘AI’ 가치가 쌓여온 방식과 아주 잘 맞아떨어진다.
여기서 말하는 “초기 AI 베팅”의 의미
이 글은 틸이 ‘ChatGPT를 ChatGPT 이전에 잡았다’고 주장하려는 게 아니다. 대신 데이터 인프라, 분석, 자동화, 보안, 방산 지향 소프트웨어처럼 이후 AI 물결을 가능하게 하거나 더 방어적으로 만든 AI 인접 투자들을 살펴본다.
생각해볼 대상: 지저분한 현실 세계 정보를 결정·예측·행동으로 바꾸는 회사와 시스템들.
이 글에서 기대할 것
이 글은 원칙 중심의 가이드로, 공개 문서(회사 연혁, 인터뷰, 공시, 널리 보도된 투자 내역)에 기반한다. 목적은 영웅 숭배나 비밀스런 ‘틸 공식’을 제공하는 것이 아니다. 대신 운영자이든 투자자이든—무엇이 실제인지 과대광고인지 판단하려는 사람이라면 압력시험(pressure-test)할 수 있는 플레이북을 추출하는 것이다.
우리가 답할 핵심 질문들
다음과 같은 현실적인 질문들에 초점을 맞춘다. AI 담론이 시끄러워질 때 중요한 질문들이다:
많은 베팅이 이뤄졌을 때 “AI”는 정확히 무엇을 의미했으며, 그들이 실제로 해결하려던 문제는 무엇이었나?
틸 스타일의 AI 인접 투자에서 반복되는 패턴은 무엇인가(데이터 우위, 유통, 규제된 구매자, 미션 크리티컬 워크플로 등)?
타이밍과 ‘투자 수단’(시드, 후기, 헤지펀드형 포지션 등)은 위험 프로필을 어떻게 바꾸나?
감시, 방위, 권력과 관련된 윤리적 균열은 어디에 있고, 그 위험들은 결과에 어떻게 영향을 미치나?
트렌드를 쫓지 않고 초기 AI 투자를 명료하게 생각하는 방법을 찾고 있다면, 틸식 반기류 프레임워크는 유용한 출발점이 될 수 있다.
반기류 플레이북: 무엇이고 무엇이 아닌가
반기류 투자는 평범히 말해 대부분의 똑똑한 사람들이 지지하지 않는 아이디어에 베팅하는 것이다—그들이 틀렸다고 생각하거나, 지루하다고 여기거나, 정치적 리스크가 있다고 생각하거나, 단순히 너무 이르다고 판단하기 때문이다.
그 베팅의 핵심은 “내가 다르다”가 아니다. 핵심은 “다른 사람이 놓치고 있는 어떤 것이 옳고, 내가 옳다면 보상이 크다”는 것이다.
반기류와 과대광고 사이클의 차이
기술은 물결을 이루며 움직인다: 큰 소리의 과대광고 시기와 실제 제품이 만들어지고 채택이 누적되는 조용한 시기가 번갈아 온다. 반기류 플레이는 종종 가장 시끄러운 사이클을 피한다. 과대광고가 항상 틀린 건 아니지만, 과대광고는 수익을 압축시키는 경향이 있다: 가격이 오르고 경쟁자가 몰려들어 우위를 찾기 어렵게 된다.
조용한 복리는 정반대다: 관심이 적고 모방자가 적으며 반복할 시간이 더 많다. 많은 중요한 사업들이 ‘시대착오적’으로 보이다가 필연적으로 변하는 경우가 많다.
‘비밀’ 통찰과 비대칭적 베팅
틸은 흔히 ‘비밀’ 개념과 연결된다—명백하지만 비자명한 진실. 투자적 관점에서 비밀은 현실에 대해(부분적이라도) 검증 가능한 테제다: 비용 변화, 새로운 능력, 규제 변화, 유통 우위, 데이터 해자 등.
비밀이 신뢰 가능할 때, 이는 비대칭적 베팅을 만든다: 하방은 투자만큼으로 제한되는 반면, 세계가 당신 쪽으로 움직이면 상방은 여러 배가 될 수 있다. 이는 타이밍과 2차적 효과(데이터 접근, 워크플로 잠금, 컴퓨트 경제성)가 원시 모델 품질만큼 중요한 AI 인접 투자에서 특히 관련 있다.
반기류가 아닌 것
반기류라는 건 합의에 무조건 반대하는 것이 아니다. 성격적 특성이나 마케팅 전략이 아니며, 단지 ‘리스크를 즐기는’ 태도도 아니다.
유용한 규칙: 군중이 왜 무언가를 무시하는지, 그리고 그 무시가 당신이 우위를 쌓기에 충분히 오래 지속될 구조적 이유를 설명할 수 있을 때만 반기류라 할 수 있다. 그렇지 않다면 당신은 반기류가 아니라 단순히 일찍 나선, 시끄러운, 혹은 틀린 것뿐이다.
테제 우선 투자: 틸과 연관되는 아이디어들
테제 우선 투자는 세계가 어떻게 변할지에 대한 명확하고 테스트 가능한 믿음에서 출발하고, 그다음에 그에 맞는 회사를 찾는다.
틸과 자주 연관되는 접근법은 ‘많은 작은 안전한 베팅을 한다’가 아니라: 아주 옳을 수 있는 몇몇 기회를 찾는 것이다. 기술의 결과는 종종 멱법칙을 따르기 때문이다.
틸 사고와 자주 연결되는 몇 가지 아이디어
독특한 관점을 가져라. 테제가 ‘AI는 커질 것이다’처럼 합의처럼 들리면 승자를 고르는 데 도움이 되지 않는다. 유용한 테제는 경계가 있다: 어떤 AI 능력이 중요한지, 어떤 산업이 먼저 도입할지, 왜 기존 업체들이 고전할지.
멱법칙 수익을 기대하라. 벤처 성과는 소수의 아웃라이어에 의해 좌우되는 일이 많다. 이는 투자자가 시간과 확신을 집중하도록 만든다. 동시에 많은 테제가 틀릴 것이라는 솔직함을 유지해야 한다.
신호가 아닌 비밀을 찾아라. 추세 추종은 신호(펀딩 라운드, 과대광고, 카테고리 레이블)에 의해 움직인다. 테제 우선은 과소평가된 고객 고통, 간과된 데이터 우위, 혹은 다른 이들이 무시하는 유통 쐐기를 식별하려 한다.
왜 AI에서 테제가 추세 추종을 이길 수 있는가
AI 시장은 빠르게 움직이고, ‘AI’라는 레이블은 주기마다 재정의된다. 강력한 테제는 이야기들을 사들이지 않게 해주고 대신 지속 가능한 요소들을 평가하게 해준다: 누가 가치 있는 데이터를 소유하는가, 누가 실제 워크플로에 배포할 수 있는가, 모델이 범용화될 때 누가 성능과 마진을 유지할 수 있는가.
테제를 압력시험할 실용적 질문들
우리가 믿는 것 중 대부분의 똑똑한 투자자가 동의하지 않는 것은 무엇인가?
이 회사가 아웃라이어가 되려면(단순히 ‘좋은’ 수준이 아닌) 무엇이 반드시 사실이어야 하는가?
비자명한 해자(데이터 권리, 유통, 워크플로 잠금, 규제적 지위)는 무엇인가?
기반 모델이 더 싸지고 좋아진다면 이 회사는 강해지는가, 아니면 압박을 받는가?
6–12개월 내에 우리의 생각을 바꿀 증거는 무엇인가?
참고: 특정 주장을 틸에게 귀속할 때는 2차 요약이 아닌 1차 출처(예: Zero to One, 기록된 인터뷰, 공개 연설)를 인용하라.
이 베팅들이 이뤄졌을 때 ‘AI’는 무엇을 의미했나?
사람들이 초기 ‘AI’ 투자를 돌아볼 때, 현대의 용어—LLM, 파운데이션 모델, GPU 클러스터—를 과거에 투영하기 쉽다. 당시 가장 가치 있던 ‘AI형’ 베팅의 많은 부분은 실제로는 ‘AI’라고 마케팅되지 않았다.
‘AI’가 유행하기 전: 전문가 시스템에서 예측 분석까지
이전 사이클에서 ‘AI’는 종종 전문가 시스템을 의미했다: 전문가의 의사결정을 모방하도록 설계된 규칙 기반 소프트웨어(“만약 X면 Y”). 이런 시스템은 좁은 영역에서 인상적일 수 있었지만 깨지기 쉬웠고 업데이트가 어렵고 유지 비용이 높았으며 규칙집합과 현실이 맞지 않으면 한계가 있었다.
데이터가 더 저렴하고 풍부해지면서 프레이밍은 데이터 마이닝, 머신러닝, 예측 분석으로 옮겨갔다. 핵심 약속은 인간 같은 지능이 아니라 결과의 측정 가능한 개선이었다: 더 나은 사기 탐지, 스마트한 타게팅, 조기 위험 감지, 운영 실수 감소 등.
왜 초기 ‘AI’ 회사들은 데이터/분석으로 불렸나
오랫동안 ‘AI’라는 말을 쓰면 구매자에게 신뢰도에 해가 될 수 있었다. 기업들은 종종 ‘AI’를 과대광고, 학술 데모, 혹은 프로덕션 제약을 견디지 못할 과학 프로젝트로 연상했다.
그래서 회사들은 조달팀이 신뢰하는 언어로 자신을 포지셔닝했다: 분석, 결정 지원, 리스크 스코어링, 자동화, 데이터 플랫폼 등. 기저 기술에는 머신러닝이 포함될 수 있지만 판매 시에는 신뢰성, 감사 가능성, ROI를 강조했다.
이 점은 틸 관련 베팅을 해석할 때 중요하다: 많은 경우 기능적으로는 ‘AI’였지만 레이블은 달랐다—데이터를 결정으로 바꾸는 것.
모델이 없어도 ‘AI 베팅’으로서의 인프라
AI에서 가장 지속 가능한 이점 중 일부는 표면상 ‘AI 제품’이 아닌 기반에서 나온다:
데이터: 배타적이고 고품질의 데이터셋; 내구성 있는 파이프라인; 피드백 루프
컴퓨트: 확장 가능한 인프라 접근과 이를 운영하는 노하우
유통: 임베디드된 워크플로, 기업 관계, 또는 주의를 통제하는 플랫폼
회사가 이러한 입력을 소유하면, 기술이 개선됨에 따라 여러 AI 물결을 탈 수 있다.
과거의 베팅을 볼 때의 시간적 오류 피하기
유용한 규칙: ‘AI’ 투자를 그 당시 무엇을 할 수 있었는지(불확실성 감소, 의사결정 개선, 실제 데이터로부터 학습 확장)로 판단하라—현대의 생성형 AI와 얼마나 닮았는지로 판단하지 말라. 이 프레이밍이 다음 예시들을 더 명확하고 공정하게 만든다.
틸 스타일 AI 인접 베팅에서 찾아볼 패턴들
틸과 정렬된 베팅들은 처음에는 ‘AI 회사’처럼 보이지 않는 경우가 많다. 패턴은 유행어보다 불공평한 우위를 구축하는 데 있다—AI 또는 고급 자동화가 적용될 때 특히 강력해지는 우위.
1) 복리로 쌓이는 데이터 우위
반복되는 신호는 특권적 접근이 가능한 고신호 데이터다: 수집이 어렵거나 라벨링 비용이 높거나 법적으로 확보하기 힘든 데이터. 실제로는 기업의 운영 데이터, 보안의 네트워크 텔레메트리, 규제 환경의 전문 데이터셋 등이 될 수 있다.
핵심은 ‘빅 데이터’가 아니라 결정 개선에 기여하고 시스템이 운영될수록 더 가치가 되는 데이터—경쟁자가 쉽게 복제할 수 없는 피드백 루프다.
2) 포장만이 아닌 독점 기술
핵심 역량에 투자하는 팀을 찾아라: 인프라, 워크플로 통합, 혹은 방어 가능한 기술 IP. AI 인접 영역에서는 새롭고 견고한 데이터 파이프라인, 제약 환경에서의 모델 배포, 검증 레이어, 혹은 제품을 미션 크리티컬 운영에 깊게 임베드하는 통합이 될 수 있다.
제품이 깊이 임베드되면 전환 비용과 유통이 해자가 된다—이는 단일 모델 우위보다 더 지속가능한 경우가 많다.
3) 실제 이해관계가 있는 어려운 문제
또 다른 공통점은 실패 비용이 큰 도메인을 선택하는 것이다: 보안, 방위, 규제가 엄격한 엔터프라이즈 소프트웨어, 중요 인프라 등. 이런 시장은 신뢰성, 신빙성, 장기 계약을 보상하며—대규모 반기류 투자를 지지하는 조건을 만든다.
4) AI 레버리지를 숨긴 ‘지루한’ 카테고리
스프레드시트, 조달, 신원관리, 감사, 사건 대응 같은 분야는 매력 없어 보일 수 있지만 반복되는 의사결정과 구조화된 워크플로로 가득 차 있다. 이런 곳이 바로 AI가 단계적 효율을 만들 수 있는 지점이며, 특히 독점 데이터와 긴밀한 통합과 결합될 때 효과적이다.
실무적 출판 주의
구체적 딜 조건, 날짜, 펀드 참여를 인용할 때는 1차 출처(SEC 공시, 공식 보도자료, 직접 인용, 평판 좋은 매체)를 확인하라. 공개적으로 문서화되지 않은 의도나 참여를 추정하지 마라.
수단과 타이밍: 큰 베팅이 배치되는 방식
Founders Fund는 집중적이고 확신에 찬 베팅을 하는 평판이 있다—종종 유행하지 않거나 시기상조로 느껴지는 카테고리에 투자한다. 이 평판은 태도뿐 아니라 테제를 표현하도록 구조화된 벤처 펀드의 방식과도 관련 있다.
VC 펀드는 정의된 전략으로 자본을 모아 여러 회사에 배분하고 소수의 아웃라이어가 펀드의 대부분을 회수할 것이라는 기대를 가진다.
테제 실행: 메모에서 자금으로
테제 중심 펀드는 ‘지금 누가 모금 중인가?’로 시작하지 않는다. ‘5–10년 후 무엇이 사실일 것인가?’라는 관점에서 시작해 그 미래를 향해 빌드하는 팀을 찾는다.
실무적 실행은 보통 다음과 같다:
쐐기 정의(소프트웨어와 데이터가 복리 작용하는 구체적 문제)
배포 경로가 현실적인 팀 찾기(실제로 제품을 내고 팔 수 있는 팀)
테제가 맞을 경우 의미 있는 영향이 있는 크기의 체크 작성
결과가 멱법칙을 따르기 때문에 포트폴리오 구성은 중요하다: 많이 틀려도 몇몇 투자가 카테고리를 정의하면 이기는 구조다. 그래서 펀드가 의미 있는 후속 자금을 예약해 두는 경우가 많은데—후속 베팅에서 수익이 만들어지기 때문이다.
단계별 타이밍: 시드에서 성장까지
AI 인접 시장에서는 인프라, 데이터 가용성, 채택 사이클이 함께 움직이지 않는 경우가 많아 타이밍이 특히 민감하다.
시드/시리즈 A: 기술적 통찰과 배포 계획을 언더라이트한다. 제품은 불완전할 수 있지만 학습 속도가 자산이다.
시리즈 B/C: 반복 가능한 판매와 실제 사용 증거로 증거가 이동한다. AI 제품의 경우 단위 경제, 신뢰성, 컴플라이언스가 승자를 가르기 시작하는 단계다.
성장: 이 회사가 기본 플랫폼이 되는지, 단지 값비싼 기능인지가 질문이 된다.
반기류 베팅은 달력상으로 ‘이르다’ 하더라도 활성화 조건(컴퓨트, 데이터 파이프라인, 구매자 준비, 규제)과는 ‘적시’일 수 있다.
타이밍을 잘못 맞추면 유망한 AI 회사가 영원한 R&D 프로젝트가 된다.
공개적 검증의 중요성
Founders Fund나 피터 틸 관련 보유를 논할 때는 주장들을 인용처럼 다뤄라: 확인 가능한 공개 출처(보도자료, 규제 공시, 평판 매체)를 사용하라. 소문이나 2차 요약이 아닌 근거 기반 접근이 분석을 정직하게 하고 교훈을 어느 한 펀드의 신화성 너머로 확장시킨다.
사례 연구(공개 검증 가능한 예시 사용)
이 미니 사례 연구들은 의도적으로 공개 문서(회사 공시, 공식 발표, 공개 인터뷰)에서 확인 가능한 것들로만 제한한다. 목표는 패턴을 배우는 것이지 비공개 의도를 추측하는 것이 아니다.
사례 1: 팔란티어(데이터 분석을 ‘AI 인접’ 쐐기로)
공개로 확인할 것: 초기 펀딩 라운드 시기(공개된 경우), 틸의 공동창업자/초기 후원자 역할, 팔란티어가 공개 자료(예: S-1, 투자자 커뮤니케이션)에서 사업을 어떻게 기술했는지.
목표 문제: 기관들은 증가하는 데이터 볼륨을 통합·거버넌스·운영화해 의사결정에 활용하는 데 어려움이 있었다.
쐐기: 미션 크리티컬 소프트웨어 워크플로를 제공(대개 정부/규제 기업 영역)해 전환 비용을 실질화한다.
데이터 해자(실무적): ‘모든 데이터를 소유’하는 것이 아니라 엄격한 권한 아래 서로 다른 데이터셋을 정규화·연결하는 시스템이 되어 시간이 지날수록 제품 가치가 증가한다.
유통: 긴 관계 중심의 영업 주기; 고위험 배치에서 얻은 신뢰로부터 신뢰 축적; 초기 팀에서 조직 전반으로의 확장.
유의할 위험: 민감한 고객 집중, 조달 주기, 정치·규제적 검토, 서비스 중심 롤아웃이 확장성을 제한할 위험.
사례 2: Anduril(방위 자율성과 소프트웨어 정의 하드웨어)
공개로 확인할 것: Founders Fund 참여 여부(공개 발표된 경우), 라운드 시기, Anduril의 제품 초점(보도자료·계약 발표에 명시된 내용).
목표 문제: 기존 방위 조달과 플랫폼이 신흥 보안 요구에 맞추어 이동하는 속도가 너무 느렸다.
쐐기: 신속히 전개하고 소프트웨어로 반복 가능한 필드 가능한 제품(예: 감시/엣지 시스템)을 제공한다.
데이터 해자: 실제 배치에서 나오는 운영 데이터가 모델 개선과 신뢰성, 엣지 케이스 커버리지를 강화한다.
유통: 정부 계약과 파일럿 성과를 통한 확장; 시스템이 제약 조건 하에서 작동할 때 신빙성이 누적된다.
유의할 위험: 윤리적 논란, 수출 통제, 조달 의존성, 공개 반발의 위험.
이 예시들을 책임감 있게 사용하는 방법
‘틸 스타일’ 베팅을 작성하거나 분석할 때는 사실 주장(날짜, 역할, 라운드 규모, 고객 주장)에 대해 출처를 명시하라. 직접 인용된 근거가 없는 ‘그들이 투자한 이유는…’ 같은 문장은 피하라.
반기류 AI 베팅의 리스크 관리
반기류 AI 인접 베팅은 아이디어가 명백히 틀려서 실패하지 않는다—타이밍이 길어지고 증거가 시끄러우며 주변 환경이 변하기 때문에 실패한다.
그 현실을 관리하려면 초기의 모호함을 수용하면서도 한 확신이 되돌릴 수 없는 실수로 이어지지 않도록 가드레일을 세워야 한다.
수동성이 아닌 인내
테제 우선 베팅은 종종 수년간 ‘이른’ 것처럼 보인다. 이는 데이터를 기다리고, 유통이나 규제가 따라오기를 기다리며 지저분한 신호(부분적 PMF, 모델 능력의 변화, 불명확한 단위 경제)를 견뎌야 한다는 의미다.
요점은 인내하되 수동적이지 않게 행동하는 것이다: 허영 지표가 아니라 테제를 시험하는 마일스톤을 설정하라.
벤처형 베팅에 맞는 실무적 리스크 통제
포지션 사이징: 초기 체크 크기는 틀렸을 때 버틸 수 있게 설계하라. 베팅이 여러 미지수(모델 품질 그리고 규제 승인 그리고 엔터프라이즈 채택)에 의존하면 초기 노출은 그 불확실성의 스택을 반영해야 한다.
후속 전략: 테제가 탈리스크된 특정 시나리오(반복 배치, 갱신, 측정 가능한 ROI)에 대비해 자본을 예약해 두라. 후속 투자는 ‘자동’이 아니라 ‘자격을 얻은’ 것으로 취급하라.
거버넌스를 통한 손실 제한: 스타트업에는 손절매 주문이 없지만 거버넌스 수단이 있다—이사회 의석, 감사 권한, 정보 권한, 핵심 역할에 대한 채용 승인, 테제가 깨질 때 피봇이나 매각을 촉구할 능력 등. 사전에 ‘테제 붕괴’ 조건을 정의하라.
사람들을 놀라게 하는 비재무적 리스크
AI 인접 제품은 손익계산서 외부에서 다운사이드가 쌓일 수 있다:
규제: 라이선스, 수출 통제, 데이터 지역화, 섹터별 규칙(헬스, 금융, 국방 등)
프라이버시: 동의, 보유, 학습 데이터 출처, 유출 영향
방위 및 이중사용: 제품의 재활용 가능성; 고객 심사 및 계약 조항의 중요성
평판: 공개 인식, 직원 반발, 논란으로 인한 고객 이탈
AI 인접 제품을 위한 다운사이드 체크리스트
모델이 틀리면 무슨 일이 발생하는가—누가 피해를 보고 누가 책임지는가?
제품을 안전하게 제한할 수 있는가(인간 검토, 속도 제한, 감사 로그)?
어떤 데이터가 수집되는가, 그리고 이를 사용할 권한을 증명할 수 있는가?
어느 규제 기관이 가장 빠르게 중단시킬 수 있는가, 그들은 무엇을 문제 삼을 것인가?
신빙성 있는 ‘오프램’이 존재하는가(피봇, 좁은 사용 사례, 질서 있는 종료)?
비판, 윤리, 공적 검토
반기류 베팅은 바로 강력하고 민감한 시장(국방, 정보, 치안, 국경 통제, 대규모 데이터 플랫폼)을 겨냥하기 때문에 정밀한 검토를 받기 쉽다.
피터 틸이나 Founders Fund와 연관된 여러 회사는 프라이버시와 감시 우려, 정치적 논란, 소프트웨어가 고위험 결정을 좌우할 때 책임 문제 등에 대한 지속적 비판의 대상이 되어 왔다.
자주 제기되는 비판들(의도 추정 없이)
공개로 확인 가능한 주제들이 반복적으로 나타난다:
프라이버시와 감시: 팔란티어의 정부 기관과의 작업은 여러 해 동안 보도되고 토론되어 왔으며, 비평가들은 고급 분석이 엄격한 감독 없이 사용되면 과잉집행을 가능하게 한다고 주장해 왔다.
권력과 정치: 틸의 정치 활동과 공개 발언은 보도와 비판을 받아왔고, 이는 연관 회사나 파트너, 고객의 평판 리스크로 파급될 수 있다.
방위 기술의 검토: Founders Fund가 후원한 방산/법집행 대상 스타트업은 확산, 민간 피해, 조달 투명성에 대한 높은 수준의 질문에 직면한다.
AI 투자를 할 때 윤리적 질문들이 드러나는 방식
AI는 일반 소프트웨어를 넘어선 특정 리스크를 추가로 가진다:
데이터 출처와 동의(데이터가 적법하게 라이선스 되었는가?)
편향과 차별적 영향(오류가 특정 집단에 불균형하게 발생하는가?)
배치 맥락(모델이 추천·결정·자동화하는 경우 누가 이를 오버라이드할 수 있는가?)
감사 가능성(출력이 설명, 테스트, 도전될 수 있는가?)
투자하거나 빌드하기 전에 물어볼 질문들
시스템을 구동하는 데이터 출처는 무엇이고, 적법·윤리적으로 사용하는 증거가 있는가?
최종 사용자는 누구인가, 오용을 막을 안전장치(접근 통제, 로깅, 인간 검토)는 무엇인가?
실질적 해악이 규모화될 때 어떤 일이 가능한가, 회사는 이를 어떻게 측정·보고할 것인가?
독립적 감사, 레드팀, 외부 연구를 위한 경로가 있는가?
이 시스템이 내일 신문 1면에 오르면 무엇을 변호하기 가장 어려울 것인가—구체적으로?
창업자가 AI 회사를 빌드할 때 배울 점
틸 스타일의 반기류 회사는 AI에 대해 더 똑똑해 보이는 것으로 이기지 않는다. 다른 이들이 무시하는 구체적 문제에서 옳다는 사실을 입증하고, 그 통찰을 제품으로 전환해 출시·확산·복리화하는 방식으로 승리한다.
반기류 테제를 제품 전략으로 전환하라
쐐기에서 시작하라: AI가 명확한 단계적 개선을 만드는 좁고 고통스러운 워크플로(시간 절약, 오류 감소, 수익 캡처)를 찾아라. 쐐기는 빠르게 채택될 만큼 작아야 하지만 확장 가능한 더 큰 시스템에 연결되어야 한다.
차별점은 모델 선택이 아니라 모델이 워크플로 어디에 놓이는가에 있다. 모두가 비슷한 파운데이션 모델을 구매할 수 있다면, 당신의 우위는 보통 독점적 프로세스 지식, 더 긴밀한 피드백 루프, 실제 업무 방식에 대한 더 나은 통합이다.
배포는 테제의 일부다. 통찰이 비자명하다면 고객이 당신을 찾아오지 않을 것이라 가정하라. 보유할 수 있는 채널—임베디드 파트너십, 역할 중심의 바텀스업 채택, 팀 단위로 퍼지는 ‘스프레드시트를 대체’하는 진입점—주위에서 빌드하라.
한 가지 실무적 함의: 워크플로 + 평가에서 빠르게 반복할 수 있는 팀이 단순히 ‘더 나은’ 모델을 고르는 팀보다 앞설 때가 많다. 전체 스택 프로토타입을 압축해주는 도구는 반기류 쐐기를 더 빠르게 검증하는 데 도움이 된다. 예를 들어 Koder.ai는 채팅을 통해 웹·백엔드·모바일 앱을 빌드할 수 있게 하는 바이브 코딩 플랫폼으로, 프론트엔드는 React, 백엔드는 Go + PostgreSQL, 모바일은 Flutter를 사용한다. 워크플로 통합과 ROI를 장기 엔지니어링 로드맵에 앞서 검증할 때 유용할 수 있다.
비공식적 이야기 없이 비자명한 스토리를 전하라
‘우리는 AI를 사용한다’로 시작하지 말고 결과로 시작하라: 모든 사람이 무엇을 믿는지, 왜 그것이 틀렸는지, 당신이 무엇을 다르게 할지를 평이한 언어로 설명하라. 투자자는 구체성에 반응한다:
어떤 결정이 언제, 어떤 영향으로 개선되는가?
지금 당신의 접근이 가능한 이유(데이터 접근, 규제, 단위 경제, 행동 변화)는 무엇인가?
복리 효과를 만드는 방어력 구축
사용량이 늘수록 좋아지는 우위를 목표로 하라: 합법적으로 생성하거나 사용할 수 있는 고유한 데이터 권리, 시스템의 기록이 되는 워크플로 잠금, 도메인별 평가에 기반한 성능 우위.
피치덱과 지표: 할 것과 하지 말 것
할 것: 전/후 워크플로, 평가 방법, 채택 증거(유지율, 확장, 가치 도달 시간)를 보여라.
하지 말 것: 모델 아키텍처, 모호한 TAM, 혹은 취사선택된 데모로 시작하지 마라.
할 것: 신뢰성 지표(오류율, 인간 오버라이드 빈도, 지연시간)를 비즈니스 지표와 함께 추적하라.
하지 말 것: 실패 모드를 숨기지 마라—그것을 소유하고 어떻게 관리하는지 보여라.
투자자와 운영자를 위한 실용적 프레임워크
반기류는 ‘스포츠처럼 반대한다’는 의미가 아니다. 미래에 대한 명확한 관점을 갖고 그 관점을 증명하기 위해 일을 하되(혹은 틀렸음을 증명하기) 시장이 합의에 도달하기 전에 스스로 옳음을 증명하는 것이다.
5요소 체크리스트: 테제 → 엣지 → 타이밍 → 방어력 → 리스크
1) 테제(당신이 믿는 것): 오늘 대부분의 똑똑한 사람들이 틀렸다고 들을 한 문장으로 써라.
예: “AI의 가치는 단지 모델 품질이 아니라 독점적 유통을 통제하는 회사에 귀속될 것이다.”
2) 엣지(특별히 당신이 보는 것): 다른 사람이 놓치는 접근성, 도메인 전문성, 고객 근접성, 데이터 권리, 규제 통찰, 네트워크 중 무엇을 보는가?
엣지가 ‘같은 트위터 스레드를 본 것’이라면 엣지가 아니다.
3) 타이밍(왜 지금인가): 반기류 베팅은 가장 자주 타이밍에서 실패한다. 활성화 변화(비용곡선, 규제, 워크플로 변화, 구매자 행동)와 채택 경로(누가 먼저 사는가, 누가 따르는가)를 식별하라.
4) 방어력(왜 당신이 나중에 이기는가): AI에서는 ‘우리는 AI를 쓴다’가 해자가 아니다. 지속 가능한 우위를 보라: 합법적으로 사용할 수 있는 독점 데이터, 유통, 전환 비용, 임베디드 워크플로, 경쟁자가 복제할 수 없는 사용량 기반 피드백 루프.
5) 리스크(무엇이 깨지는가): 상위 세 가지 실패 모드—기술적, GTM, 법적/윤리적—을 이름 붙이고 각 경우에 무엇을 할지 정하라.
트렌드를 쫓지 않고 정보를 유지하는 법
‘시그널 다이어트’를 설정하라: 소수의 실무자 목소리를 팔로우하고, 고객 예산을 추적하며, 단위 경제(지연, 작업당 비용, 이탈)를 지켜라. 과대광고 지표(데모 바이럴, 모델 벤치마크 도약)는 입력일 뿐 최종 결정이 아니다.
반기류 관점을 압력시험하라
레드팀을 돌려라: 테제에 반대하도록 인센티브가 있는 사람에게 공격하게 하라.
실증적 고객 발견을 수행하라: 거절할 가능성이 큰 대상과 인터뷰하라.
마음을 바꿀 증거를 사전에 약속하라.
투자 메모를 위한 평이한 질문들
우리가 믿는, 대부분의 사람이 믿지 않는 것은 무엇인가?
고객은 누구이며, 어떤 고통스러운 일이 더 잘 해결되는가?
이게 작동하려면 무엇이 사실이어야 하고(30일 내 테스트 방법은?), 어떻게 테스트할 것인가?
2년 내에 복사하기 어려운 이유는 무엇인가?
실패하는 가장 단순한 이유는 무엇이며, 플랜 B는 무엇인가?
핵심 요약과 다음 단계
반기류 투자는—적어도 피터 틸과 종종 연관되는 형태는—단순히 ‘군중에 반대 베팅’이 아니다. 세상이 어떻게 변하는지에 대한 명확한 관점을 갖고, 그 관점을 표현하는 집중된 베팅을 하며, 한동안 틀려 보이는 것을 감수하는 것이다.
기억할 원칙들
첫째, 반기류적 사고는 구체적이고 테스트 가능한 주장과 결합될 때만 유용하다. “모두가 X를 믿는데, X가 틀렸다…”로 시작하라. 승리를 위해 사실이어야 할 것들—고객, 유통, 규제, 타이밍, 단위 경제—을 규정하는 것이 핵심이다.
둘째, 테제 우선이 트렌드 추종보다 낫다. 테제는 당신이 무시할 것을 안내해야 한다. AI에서는 새로운 데모가 필연성을 환상적으로 보이게 만들 수 있다.
셋째, 많은 ‘AI’ 결과는 데이터 권리와 접근, 인프라, 배포 경로, 모델을 신뢰할 수 있는 제품으로 바꾸는 지저분한 현실에 달려 있다. 데이터/인프라 엣지를 평이한 언어로 설명할 수 없다면 당신의 ‘AI 베팅’은 마케팅 포장일 가능성이 크다.
넷째, 리스크 인식은 선택사항이 아니다. 반기류 베팅은 보통 비명시적 방식으로 실패한다: 평판 손상, 규제 변화, 모델 취약성, 보안 사고, 규모화 이후의 인센티브 변화 등. 성장이 시작되기 전에 이를 계획하라.
증거와 겸손: AI 예측을 위한 최소 기준
예측을 가설로 다뤄라. 당신의 마음을 바꿀 증거를 정의하고, 30/90/180일 단위의 체크포인트를 설정해 스토리텔링 없이 진척을 검토하라. 일찍 나선다고 해서 옳은 건 아니며, 한 번 옳았다고 해서 다시 옳을 보장은 없다.
