핵심 요약

  • 엘라드는 큰 시장이 곧 단기간에 시가총액 1조 달러 기업을 낳는 것은 아니라고 봤다. 특히 에너지·로봇처럼 물리적 생산이 필요한 분야에서는 시장 규모와 성장 속도를 구분해야 한다고 주장했다.
  • 두 진행자는 일부 투자자가 AI 서비스의 잠재 시장을 과소평가하는 한편, 일부 창업자는 대형 AI 연구소와의 경쟁을 피하려고 목표를 좁힌다고 진단했다.
  • 기업 매각 여부는 자금 조달 가능성만이 아니라 기술 변화 속에서 가치를 계속 확보할 수 있는지, 창업자가 투입할 시간을 어떻게 평가하는지에 달렸다는 의견이 나왔다.
  • AI 연구와 기업 운영에서는 컴퓨팅 자원이 병목이 되면서 누구와 어떤 프로젝트에 토큰 예산을 배분할지가 중요해지고 있다는 관측이 제시됐다.
  • 대담은 AI 안전 규제의 이익과 비용을 함께 따져야 한다는 주장으로 마무리됐다.

큰 시장과 빠른 성장은 다르다

엘라드는 최근 약 5년 사이 일부 기업의 가치가 급격히 커진 사례를 들며, 이를 앞으로 3~5년 동안 여러 기업이 반복할 것으로 기대하는 분위기에 의문을 제기했다. 기술 산업에는 새로운 기업이 한꺼번에 등장하는 시기와 이후 시장이 정착하는 시기가 있다는 설명이다. 그는 향후 20년의 가능성을 부정하지 않으면서도, 가까운 몇 년 안에 시가총액 1조 달러에 도달할 기업의 수는 제한적일 것으로 봤다.

그가 제시한 판단 기준은 단일 기업이 확보할 수 있는 매출이다. 그의 계산으로는 시가총액 1조 달러를 논하려면 높은 수익성과 함께 연간 500억~1,000억 달러 수준의 매출을 낼 경로가 필요하다. 수십억 달러의 매출을 올려 매우 큰 기업이 되는 경우와는 다른 규모다. 에너지나 로봇 분야는 시장이 커도 생산 시설과 공급 능력을 단기간에 갖출 수 있는지가 별도 문제라고 짚었다.

반면 사라는 투자자들이 기존 소프트웨어 시장의 규모를 기준으로 AI 기업을 평가해 잠재력을 놓칠 수 있다고 봤다. 법률·의료 분야의 AI 서비스를 사용자 좌석 수로만 계산하면, 기업이 업무의 결과에 따라 비용을 청구할 가능성을 충분히 반영하지 못한다는 것이다. 두 사람의 견해는 시장을 크게 볼 필요가 있다는 점보다, 그 시장을 한 기업이 얼마나 빨리 매출로 바꿀 수 있는지에서 갈렸다.

대형 연구소를 피하는 창업 전략

엘라드는 뛰어난 창업자 가운데 일부가 대형 AI 연구소와 경쟁할 가능성을 우려해 틈새시장으로 향하는 추세를 체감한다고 말했다. 연구소가 직접 제공할 수 있는 기능과 겹치지 않는 하드웨어나 좁은 응용 분야를 고르는 식이다. 그는 연구소가 자연스럽게 장악할 시장도 있지만, 제품 경험이나 유통에서 스타트업이 경쟁할 수 있는 시장까지 피할 수 있다고 우려했다.

다만 모든 창업자에게 해당하는 평가는 아니라고 선을 그었다. 사라도 연구소의 핵심 사업과 맞서는 기업이 있다고 반박했다. 논점은 개별 기업의 선택보다 최근 새로 출발하는 창업자들의 목표가 얼마나 커지고 있는지에 있었다.

매각을 판단할 때의 비용

엘라드는 당분간 매각을 고려할 이유가 거의 없는 기업도 있지만, 대부분의 기업은 적절한 시점에 매각 가능성을 검토해야 한다고 주장했다. 기업 가치가 가장 높아지는 기간이 12~18개월에 그칠 수 있다는 것이 그의 견해다. 그는 창업자나 투자자가 먼저 매각을 요구하는 상황을 피하기 위해, 이사회에서 정기적으로 향후 매각 여부를 논의하는 방식을 제안했다.

사라는 그때 점검할 기준으로 모델의 성능이 높아지고 비용이 낮아질 때 기업이 그 변화에서 가치를 확보하고 있는지를 들었다. 장기 계획에 맞는 자금을 계속 조달할 수 있는지도 중요하다고 봤다. 엘라드는 투자금이 늘더라도 그것만으로 사업의 전망이 좋아지는 것은 아니라고 강조했다. 미래 매출과 지분 희석, 목표에 도달하기까지 걸릴 시간을 계산해야 한다는 것이다.

여기에는 창업자의 시간도 포함된다. 엘라드는 후속 투자나 기존 지분 일부 매각이 당장의 문제를 덜어줄 수는 있어도, 성과가 나지 않는 회사를 오래 운영해야 하는 문제까지 해결하지는 못할 수 있다고 말했다. 사라는 민간 투자시장의 판단이 오랫동안 창업자의 예상과 다를 수 있어, 자금 조달 능력 자체도 계속 살펴야 한다고 덧붙였다.

자기개선 전망과 컴퓨팅 병목

대담에서는 AI 모델이 학습 과정을 개선하는 재귀적 자기개선이 가까운 시기에 나타날 것이라는 연구 현장의 기대도 다뤘다. 사라는 코딩·수학에서 나타난 발전을 학습용 코드와 데이터 처리로 확장하는 전망은 받아들일 만하지만, 더 복잡하고 성과를 검증하기 어려운 분야에 필요한 데이터를 어떻게 얻을지는 별개의 문제라고 봤다. 연구자들이 비슷한 돌파 시점을 거듭 가까운 미래로 예상해 왔다는 점도 일정에 신중해야 할 이유로 들었다.

엘라드는 컴퓨팅 자원이 부족하면 각 대형 연구소의 발전 속도에 상한이 생겨 경쟁 구도가 유지될 수 있다고 추정했다. 그는 일부 연구소에서 연구자를 채용할 때 인건비보다 그 연구자에게 필요한 컴퓨팅 자원이 더 큰 제약이 되고 있다고 전했다. 연구 성과가 소수에게 집중된다는 자신의 관찰을 바탕으로, 제한된 토큰 예산을 누구에게 줄지 따지는 투입 토큰 대비 성과가 중요해질 것이라고 전망했다.

이 기준은 기업에도 적용될 수 있다. 엘라드는 AI를 자유롭게 쓰도록 장려하던 단계에서 지출을 측정하고 오픈소스 활용을 늘리는 단계로 이동하고 있다고 봤다. 다음에는 내부 도구, 기존 소프트웨어 업무, 핵심 제품 가운데 어떤 프로젝트에 토큰을 집중할지가 쟁점이 될 것이라는 설명이다. 다만 대기업 상당수는 아직 직원들에게 AI 사용을 권장하는 단계에 있다고 덧붙였다.

규제와 기술 발전의 비용 계산

두 진행자는 새로운 모델 구조가 업계 구도를 바꿀 가능성도 논의했다. 사라는 메모리와 전력을 덜 쓰는 구조를 찾으려는 압력이 커지겠지만, 기존 트랜스포머 방식의 규모와 하드웨어 적합성을 따라잡기는 어렵다고 봤다. 엘라드는 새 기술이 등장해도 지식이 다른 연구소로 퍼질 가능성이 높다고 보면서, 한 연구소가 비밀리에 큰 우위를 확보하는 경우도 가능성으로 남겨뒀다.

규제에 관해서는 안전 위험뿐 아니라 기술 도입이 가져올 편익도 함께 평가해야 한다는 엘라드의 주장이 이어졌다. 그는 의약품과 에너지 분야를 예로 들며 안전에 무게를 둔 제도가 발전 속도에 비용을 초래할 수 있다고 봤다. AI에서도 지나치게 높은 안전 기준이 대형 연구소 내부의 개발은 허용하면서 외부의 활용을 늦춘다면, 기존 사업자에게 유리한 결과가 생길 수 있다는 우려다. 이는 규제의 효과에 대한 그의 해석이며, 대담은 어느 수준의 규제가 적절한지 결론을 내리지는 않았다.

이번 대담은 AI가 열 수 있는 시장의 크기와 그 시장에 도달하는 속도, 기술의 가능성과 이를 뒷받침할 자원·제도를 구분해 살폈다. 창업자의 매각 결정과 연구소의 토큰 배분, 규제의 설계 모두 그 구분에 따라 판단이 달라질 수 있다는 것이 대화의 공통된 맥락이었다.