# AI가 흔해진 뒤에도 남는 기업의 경쟁력

> 2026-10-27 · Invest Like the Best · 큐레이션 김태우
> https://challengekim.com/insights/ai가-흔해진-뒤에도-남는-기업의-경쟁력
> 원문: https://www.youtube.com/watch?v=EH6DsNT455M

## 핵심 요약

- AI가 똑똑해져도 현실의 모든 문제를 계산만으로 풀 수는 없다. 새로운 정보를 얻으려면 실험과 관찰이 필요하고 여기에는 시간이 든다.
- AI 사용량 증가가 공급 기업의 매출 증가를 보장하지는 않는다. 가격 하락을 수요가 얼마나 상쇄하는지가 관건이다.
- 지능이 흔해질수록 데이터, 고객의 관심, 물리적 규모처럼 **지능과 결합해 가치를 내는 자산**이 중요해질 수 있다.
- 소비자를 대신하는 AI 에이전트는 관성에 기대던 수익을 줄이는 한편, 원가가 낮은 기업의 규모 확대를 도울 수 있다.
- 기업의 AI 전환에는 시스템 접근 권한과 변경 관리가 필요하다. 창업 비용이 낮아져도 오래 유지할 경쟁우위를 만드는 문제는 남는다.

## 지능이 좋아져도 현실을 건너뛸 수는 없다

투자자 패트릭 오쇼너시가 진행하는 팟캐스트 ‘Invest Like the Best’의 이번 대화는 AI가 싸고 풍부해진 뒤 기업과 투자에 무엇이 남는지를 다룬다. 투자자로 참여한 한 출연자는 지능의 발전이 모든 한계를 없앤다는 관점 대신 지능만으로 해결할 수 있는 문제의 범위를 먼저 짚었다.

그는 지능을 흩어진 사실 사이의 빈칸을 채워 예측하는 도구로 봤다. 수학처럼 추론이 잘 통하는 분야도 있지만 날씨나 사람들의 상호작용처럼 여러 요소가 얽혀 변하는 복잡한 동적 시스템에서는 사정이 다르다. 시뮬레이션의 초기 조건과 계산 단계에 작은 오차가 있으면 시간이 흐르면서 예측이 크게 어긋날 수 있다.

추론만으로 얻을 수 있는 답을 다 얻고 나면 추가 정보가 필요하다. 기존 논문들을 연결해 놓쳤던 발견을 찾아내는 일은 AI가 잘할 수 있다. 그러나 알려진 지식 밖의 가설을 확인하려면 결국 실험해야 한다.

출연자는 자동화된 생물학 실험실도 유망하게 평가했다. 다만 실험에 쓰는 생쥐가 자라고 죽는 데 1년이 걸린다면 그 시간은 필요하다. 실험실의 수용 능력도 유한하다. **더 좋은 가설과 더 빠른 연구는 가능하지만, 생각하는 속도가 곧 현실을 검증하는 속도는 아니다.**

## 사용량이 늘어도 시장의 매출은 줄 수 있다

오쇼너시는 성능이 가장 앞선 최첨단 모델이 여전히 비싸게 팔릴 가능성을 제기했다. 경쟁사가 따라올 수 없는 성능과 낮은 공급 비용을 함께 확보한다면 좋은 사업이 될 수 있다는 데 출연자도 동의했다.

다만 그는 모델이 발전할 때마다 두 가지 변화가 동시에 일어난다고 봤다. 앞에서는 더 어려운 과제를 해결하며 시장을 넓히지만 뒤에서는 이미 해결한 과제가 범용 상품으로 바뀐다. 고객 응대 챗봇처럼 충분한 성능을 확보한 용도에는 굳이 최첨단 모델을 쓸 필요가 줄어든다. 다음 단계의 지능이 이전보다 더 큰 시장을 열어줄지도 확실하지 않다.

가격이 내려가면 사용량이 늘어난다는 반론도 나왔다. 이른바 제번스의 역설이다. 출연자는 이 효과가 어느 가격대에서나 시장 매출을 키우는 것은 아니라고 지적했다. 사용량이 늘어도 가격 하락 폭을 따라잡지 못하면 전체 매출은 줄 수 있다. 그는 정보 전송 비용이 크게 떨어지고 전송량이 급증했어도 통신 시장이 끝없이 커지지는 않았다는 사례를 들었다.

자신의 사용 경험도 같은 맥락이었다. 딸에게 수학을 설명하려고 AI로 몇 분짜리 영상을 만들지만 한 번에 5달러가 든다면 하지 않을 것이라고 했다. 낮은 가격 덕분에 생기는 수요가 많다면 그 사용량을 높은 지불 의사로 해석하기는 어렵다.

## 지능을 보유한 기업보다 지능을 활용할 자산

출연자는 기업을 살필 때 모두가 훌륭한 지능을 갖게 됐다고 가정한 뒤 무엇이 남는지부터 본다. 복잡한 문제를 풀기 위해 똑똑한 사람을 많이 고용해야 한다는 사실만으로는 장기적인 방어력을 설명하기 어려워진다.

그가 주목한 것은 지능의 보완재, 즉 지능과 함께 쓸 때 가치가 커지는 자산이다. 데이터, 사람들의 관심과 정서적 애착, 물리적 근접성, 규모 등이 여기에 해당한다.

대표 사례는 메타였다. 그는 메타의 핵심 사업을 이용자마다 다른 영상을 보여주는 개인화된 TV로 묘사했다. 메타는 이용자가 어떤 영상을 보는지에 관한 데이터와 이용자의 시간을 보유한다. 값싼 AI가 등장한다고 사람들이 짧고 재미있는 영상을 보는 일을 그만두지는 않을 것이라고 봤다.

AI 비용이 내려가면 창작자는 더 좋은 콘텐츠를 만들고 메타는 다음에 보여줄 영상을 더 잘 고르며 광고주는 광고 제작과 타기팅을 개선할 수 있다. 메타가 얻는 이익은 비용 절감에만 머물지 않을 수 있다. 기존 데이터와 관심을 바탕으로 더 나은 서비스를 만드는 쪽에도 기회가 생긴다.

반대로 고객이 귀찮아서 비교하거나 옮기지 않는 덕분에 돈을 버는 기업은 압박을 받을 수 있다. 고객의 판단 능력을 보완하는 AI가 그 수익의 기반을 흔들기 때문이다.

## 에이전트는 관성을 줄이고 원가 경쟁을 강화한다

사용자를 대신해 비교하고 일을 수행하는 AI 에이전트가 보편화되면 사소한 비용 차이를 계속 확인하는 일이 쉬워진다. 다만 모든 선택을 똑같이 위임할 수 있는 것은 아니다. 출연자는 예금보험이 적용되는 예금 중 가장 높은 금리를 찾는 일과 마음에 드는 스웨터를 고르는 일을 양 끝에 놓았다. 후자는 여전히 개인의 취향과 판단이 크게 작용한다.

그는 가격과 서비스 조건만으로 업체를 바꿀 수 있다고 가정한 쓰레기 수거 사례를 들었다. 지금은 더 싼 업체가 있어도 소비자가 알아보고 바꾸는 데 수고가 든다. 에이전트끼리 조건을 비교한다면 작은 절약만으로도 교체가 일어날 수 있다.

동시에 한 거리의 고객이 같은 업체로 모이면 수거 동선이 짧아져 원가가 더 낮아질 수 있다. 저원가 업체가 고객을 더 많이 확보하고 늘어난 밀도로 다시 비용을 낮추는 구조다. 이 경우 승자는 더 큰 물량을 확보하되 더 낮은 이익률을 감수할 수 있다.

그렇다고 기업 전체의 이익률이 반드시 내려간다는 결론은 아니었다. AI가 복잡한 업무의 조율을 쉽게 만들면 사료부터 보험과 동물병원까지 여러 단계를 묶은 반려동물 사업도 운영하기 쉬워질 수 있다. 그는 소비자에게 더 나은 조건을 제공하면서 기업의 수익성도 높일 가능성을 제시했다.

소득 분배에서도 양쪽 경로를 제시했다. 기존 수수료와 전문 서비스 비용이 낮아지면 소비자, 특히 비싼 서비스를 이용하기 어려웠던 사람이 혜택을 볼 수 있다. 반면 AI로 훨씬 많은 일을 할 수 있게 된 적극적이고 야심 있는 사람에게 보상이 집중될 가능성도 남는다.

## AI 인프라의 중요성과 투자 수익은 별개다

출연자는 AI 인프라 구축을 거대하고 중요한 사업으로 평가하면서도 어느 공급 기업이 얼마나 벌지는 예측하기 어렵다고 했다. AI가 얼마나 더 싸지고 좋아질지, 사람들이 그에 따라 얼마나 더 쓸지 모두 불확실하기 때문이다.

수요와 공급을 맞혀도 문제가 끝나지 않는다. 가치사슬 중 어디가 공급을 제한하는 병목인지, 그 지점의 기업이 경쟁사에 맞서 수익을 지킬 수 있는지까지 판단해야 한다. 기술이 빠르게 변할수록 이 계산은 더 어려워진다.

물리적 공정과 오랜 경험을 쌓아야 하는 반도체 제조는 지능만으로 복제하기 어려운 특성이 있을 수 있다. 그러나 그는 TSMC를 언급하면서도 충족되지 않은 막대한 수요가 전 세계의 경쟁자에게 그 강점을 따라잡을 동기를 준다는 점을 함께 짚었다.

그는 인프라 구축 경쟁의 승자보다 그 이후의 사업에 관심을 뒀다. 철도 건설업자 중 누가 돈을 벌지 고르는 대신 철도가 깔린 세상에서 어떤 사업이 가능해질지를 생각하는 방식이다. AI 사용이 폭증해 설비가 부족해지는 이야기와 효율 개선·가격 하락·느린 도입 탓에 과잉 설비가 생기는 이야기 모두 설득력 있게 그릴 수 있다고 했다.

## 기업의 도입 과제와 창업자의 방어력

출연자는 기존 기업의 경영진부터 AI로 직접 무언가를 만들어보게 하자고 제안했다. 자연어로 요구를 전달하며 소프트웨어를 만드는 바이브 코딩과 해커톤의 목적도 당장 유용한 제품을 얻는 데만 있지 않았다. 무엇이 가능한지 조직의 기대치를 바꾸는 데 의미를 뒀다.

다음 단계는 경영자가 원래 확인할 수 있는 사내 정보를 AI로 조회하도록 시스템별 읽기 전용 접근을 연결하는 일이다. 이후 직원별 권한을 정하고 데이터 입력을 위한 쓰기 권한과 시스템 변경 절차를 마련한다. 몇 가지 항목으로 요약할 수 있어도 실제로는 수년이 걸릴 만큼 어려운 작업이라고 봤다.

기존 기업에는 그 전환을 마칠 때까지 새로운 경쟁자를 견딜 시간이 있는지가 중요하다. 새 기업은 오래된 시스템의 부담 없이 적은 인원과 AI 에이전트로 더 많은 일을 할 수 있다.

그러나 만들기 쉬워진 서비스는 남도 쉽게 만들 수 있다. 출연자는 공급자를 수시로 바꾸는 에이전트가 있는 시장에서 고객이 계속 머무를 이유나 독점적인 데이터를 쌓을 경로가 있는지 따졌다. 구현의 문턱이 낮아졌다는 사실과 지속적인 수익을 확보했다는 사실은 다르다.

## 전문지식과 검증할 시간은 여전히 필요하다

출연자는 AI가 지능을 공급하더라도 사람의 지식이 무의미해지는 것은 아니라고 봤다. 자신이 잘 모르는 양자물리학에서는 모델과 깊이 대화하거나 최전선의 실험을 설계하기 어렵지만 전문성이 있는 분야에서는 원하는 방향으로 모델을 더 잘 이끌 수 있다고 했다.

교육에서도 두 방향을 함께 제안했다. 기초 개념은 AI 없이 익혀 이후의 내용을 이해할 토대를 만들고 다른 한편으로는 AI를 충분히 활용해야 가능한 훨씬 어려운 과제를 맡기는 방식이다. 이때 결과물을 제출하는 데서 끝내지 않고 왜 그렇게 만들었는지 설명하게 해야 한다고 봤다.

투자 역시 검증할 시간이 중요하다. 오쇼너시는 지인이 투자 종목은 직접 고르되 비중 결정을 AI에 맡기는 실험에서 좋은 성과를 얻었다고 소개했다. 출연자는 그 결과가 20년에 걸친 검증은 아니라는 점을 짚으며 AI의 활용이 피드백을 빨리 얻는 짧은 투자 기간부터 긴 기간으로 확대될 수 있다고 내다봤다.

이 대화를 관통하는 기준은 지능의 가격이 내려간 뒤에도 남는 제약과 자산이다. 실험에 필요한 시간, 현실에서 쌓은 데이터와 규모, 고객의 관심, 조직의 권한 체계는 추론 능력과 함께 살펴야 한다. 값싼 AI가 기업의 비용을 줄이는지, 기존 수익을 무너뜨리는지, 보유 자산의 가치를 키우는지에 따라 사업의 결과는 달라질 수 있다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=EH6DsNT455M)