AI는 비즈니스는 전통적인 SW 비즈니스와 왜 다른가

A

학습 차원에서 틈틈이 해외 전문가들이 블로그나 미디어 그리고 책에서 쓴 글을 번역 또는 정리하고 있습니다. 이번 포스팅도 그중 하나고요. 거칠고 오역된 부분이 있을 수 있습니다. 제대로 번역되지 않은 부분은 확인 주시면 반영토록 하겠습니다. 이번 글 안드레센 호로위츠가 운영하는 미디어 퓨처에 올라온 것을 번역한 것입니다.

기술적인 레벨에서 AI는 소프트웨어의 미래인 듯 보인다. AI는 다양한 컴퓨터 과학 문제들에서  놀라운 진화를 보여주고 있다. 소프트웨어 개발자들의 일도 근본적으로 바뀌는 과정에 있다. 소스코드 만큼 데이터로 작업을 하고 있다.

많은 AI 회사들(투자자들)은 이 관계가 단지 기술을 넘어 확장할 것이라는데 베팅하고 있다. AI 기업들도 전통적인 소프트웨어를 닮을 것으로 보고 있다. AI 회사들과 협력한 우리 경험을 기준으로 우리는 그렇게 확신하지 않는다.

우리는 AI의 힘이 비즈니스를 바꿀 것이라고 강하게 믿는 사람들이다. 우리는 우리 돈을 이런 이론 뒤에 쏟아붓고 있다. 우리는 계속해서 적응한(applied) AI 회사들과 AI 인프라에 적극 투자할 것이다.

그러나 우리는 많은 사례들에서 AI 회사들은 소프트웨어 기업들로서 단지 같은 경제적인 구조를 갖고 있지 않다는 것을 주목하고 있고 있다. 종종 그들은, 전통적인 서비스 회사들처럼 보인다.

특히 많은 AI 회사들은 갖고 있다.:

  • 높은 클라우드 인프라 사용과 지속적인 인력 지원으로 인한 현재 낮은 총 마진
  • 예외적인 사례들에서 나오는 골치 아픈 문제들로 인한 확장 문제들
  • AI 모델들의 범용화와 데이터 네트워크 효과에 대한 도전들로 인해 취약한 방어 해자(defensive moats)

일례로 우리는 AI 회사들 재무 데이터에서 놀라울 정도로 꾸준한 패턴을 보고 있다. 총마진은 종종 50~60% 범위다. 비교할 수 있는 SaaS 회사들 벤치마크인 60~80% 이상 아래에 있다. 초기 단계 프라이빗 자본은 이들 비효율성 들을 단기적으로는 감출 수 있다. 일부 투자자들은 이익성 보다는 성장을 요구하기 때문이다. 어느 정도 장기 제품 또는 고투마켓(go-to-market, GTM) 최적화가 이 문제를 완전히 해결할 수 있는지는 분명치 않다.

SaaS가 온프레미스(on-premise) 소프트웨어와 비교해  새로운 경제적인 모델을 도입한 것과 마찬가지로 우리는 AI가 본질적으로 새로운 유형의 비즈니스를 만들어낼 것이라고 보고 있다.

따라서 이번 포스트는 AI 회사들이 전통적인 소프트웨어 회사들과 다른 일부 방법들을 설명하고, 이들 차이를 어떻게 풀지에 대한 일부 조언을 공유한다.

우리 목표는 지시하는 것이 아니라 운영자들과 다른 이들이  지속적인 회사를 구축할 수 있는 AI 경제학과 전략적인 풍경을 이해할 수 있도록 돕는 것이다.

소프트웨어+서비스=AI?

SaaS를 포함해 소프트웨어의 좋은 점은, 한번 개발되면 여러 번 판매될 수 있다는 것이다. 이 자산은 반복적으로 발생하는 매출 스트림, 높은(60~80% 이상) 총마진(gross margins), 그리고 상대적으로 네트워크 효과 또는 규모 효과가 장악하는 사례가 상대적으로 드문 것-초선형 확장(superlinear scaling)-들을 포함해 많은 인상적인 비즈니스 혜택들을 만들어 낸다.

소프트웨어 회사들은 또한 강력한 방어 해자를 구축할 잠재력을 갖고 있다. 이들 업체는 그들이 작업해 만든 지식 재산권(통상 코드)을 보유하기 때문이다.

서비스 회사들은 이 스펙트럼의 다른 끝을 차지하고 있다. 각각의 새 프로젝트는 전담 인원들을 요구하며 정확하게 한 번만 판매될 수 있다. 결과적으로 매출은 반복적이지 않은 경향이 있다. 총 마진은 낮다. (30~50%). 그리고 확장은 잘해야 선형적이다. 그리고 . 종종 브랜드나 현재 고객 컨트롱에 기반하는 방어 가능성(Defensibility)은 보다 도전적이다. 소비자가 소유하지 않은 어떤 IP는 광범위한 적용성을 가질 가능성은 크지 않기 때문이다.

AI 회사들은 점점 소프트웨어와 서비스 요소 두 가지를 결합하는 듯 보인다.

많은 AI 애플리케이션들은 일반 소프트웨어처럼 보인다. 이들 앱은 사용자들과 상호 작용, 데이터 관리, 또는 다른 시스템들과의 통합 같은 작업을 수행하기 위해 전통적인 코드에 의존한다.

AI 애플리케이션의 핵심은 그렇지만 훈련된 데이터 모델이다. 이들 모델은 이미지를 해석하고 음성을 텍스트로 바꾸고, 자연어를 생성하고, 다른 복잡한 작업들을 수행한다. 이들을 관리하는 것은, 때때로 서비스 비즈니스처럼 보인다. 일반적인 지원이나 성공 기능들을 넘어 상당한, 고객 특화된 작업과 인풋 비용을 요구한다.

이 역할은 AI 비즈니스에 많은 중요한 방식으로 영향을 미친다. 우리는 아래 섹션들에서 몇몇-총마진, 확장, 방어 가능성-을 살펴본다.

총마진, 파트1: 클라우드 인프라는 AI 회사들에는 상당한-그리고 종종 숨겨진-비용이다.

오래전 온프레미스 소프트웨어 시절, 제품을 전달하는 것은 물리적인 미디어를 출하하는 것을 의미했다.  소프트웨어를 돌리는 비용은, 서버든 데스크톱이든 구매자가 부담했다. SaaS가 지배적인 요즘엔 이 비용은 다시 벤더에 돌아간다. 대부분의 소프트웨어 회삳르은 매달 AWS와 애저에 많은 비용을 지불한다. 소프트웨어 수요가 많을 수록 청구서도 올라간다.

AI는 꽤 요구가 많은 것으로 나타나고 있다

  • 단일 AI 모델을 훈련시키는 것은  컴퓨팅 자원에 수십만 달러 이상 비용이 늘어갈 수 있다.  이것은 일회성 비용으로 다루고 싶은 마음이 들게 하지만 재훈련은 점점, 계속되는 비용으로 인식되고 있다. AI 모델에 공급되는 데이터는 시간이 가면서 바뀌는 경향이 있기 때문이다.( 데이터 드리프트(data drift)란 현상으로 알려져 있다.)
  • 모델 추론(실전에서 전망을 생성하는 프로세스) 또한 전통적인 소프트웨어를 운영하는 것 보다 컴퓨팅 적으로 복잡하다. 기다란 일련의 행렬 곱셉(matrix multiplications)을 실행하는 것만으로도 데이터베이스에서 읽는 것보다 많은 계산을 요구한다.
  • AI 애플리케이션들은 전통적인 소프트웨어보다는 이미지, 오디오, 비디오 같은 리치 미디어에서 운영하는 것에 보다 가깝다. 이들 데이터 유형은 평소보다 스토리지 자원들을 많이 소비하고, 처리하는 것이 비싸다. 그리고 종종 관심 영역 문제로 고생한다.-한 애플리케이션은 작은 관련 정보를 찾기 위해 큰 파일을 처리해야 할 필요도 있을 수 있다.
  • 우리는 AI 회사들이 클라우드 운영은 보다 복잡하고, 전통적인 접근법들보다 비싸다고 말하는 것을 듣고 있다.  AI 모델을 글로벌하게 확장할 수 있는 좋은 툴들이 없기 때문에 특히 그렇다.

결과적으로 일부 AI 회사들은 신뢰성, 레이턴시(지연시간), 그리고 컴플라이언스를 개선하기 위해 일상적으로 훈련된 모델을 클라우드 리전들에 걸쳐 전송해야 한다.-큰 인그레스(ingress)와 이그레스(egress) 비용을 쌓는다.

합쳐서 보면 이들 힘들은 AI  회사들이 클라우드 자원에 종종 지출하는 매출 중 25% 이상을 차지하고 있다. 심한 경우들에선 특히 복잡한 작업을 다루는 스타트업들은 실제로, 수작업 데이터 처리가 훈련된 모델을 실행하는 것보다 저렴하다는 것을 발견하고 있다.

도움은 보다 효과적으로 계산을 실행하는 전용 AI 프로세서들과 필요로 하는 계산 수를 줄여주는 모델 압축 및 크로스 컴파일(cross-compilation) 같은 최적화 기술들 형태에서 나오고 있다.

그러나 효율성 커브 모양이 어떨 것인지는 확실치 않다. 많은 문제 영역들에서, 점점 더 많은 정확도를 얻으려면 기하급수적으로 더 많은 처리와 데이터가 필요하다. 이것은-전에 언급한 대로- 모델 복잡성이 놀라운 속도로 커진다는 것을 의미한다. 그리고 프로세서들이 따라와 줄 가능성은 높지 않다. 무어의 법칙은 충분하지 않다.(예를 들어, 첨단 AI 모델을 훈련하는데 요구되는 컴퓨트 자원들은 2012년 이후 30만 배 이상 커졌다. 반면 엔비디아 GPU들 트랜지스터 수는 단지 4배까지 늘었다. 분산 컴퓨팅은 이 문제에 인상적인 솔루션이다. 그러나, 비용이 아니라 속도를 우선 해결한다.

총마진, 파트2: 많은 AI 애플리케이션들은 높은 정확도 수준에서 기능하기 위해 휴먼 인더 루프(humans in the loop)에 의존한다.

휴런 인더 루프(Human-in-the-loop) 시스템은 두 가지 형태를 취한다. 둘 다, 많은 AI 스타트업들 총마진이 낮아지는데 기여한다.

첫째: 요즘 첨단 AI 모델 대부분을 훈련하는 것은 대규모 데이터셋에 대한 수작업 클리닝과 라벨링을 포함하고 있다. 이 작업은 노동이 많이 들어가고 비싸고,  광범위한 AI 적용에 가장 큰 장벽들 중 하나다. 여기에 더해 위에서 말한대로, 훈련은 모델이 배포된 후 끝나지 않는다. 정확도를 유지하려면 새로운 훈련 데이터가 지속적으로 캡쳐되고 라벨링되고 시스템에 다시 공급될 필요가 있다. 드리프트 탐지(drift detection)와 액티브 러닝(active learning) 같은 기술들이 이 부담을 줄일 수 있지만 일화적인(anecdotal) 데이터는 많은 회사들이, 이 프로세스에 매출의 10~15%를 쓰고 있다는 것을 보여준다.-통상 코어 엔지니어링 자원은 계산하지 않는다- 그리고 계속되는 개발 작업은 통상적인 버그 수정과 기능 추가를 초과한다.

둘째: 많은 작업들에서 특히 이것들은 큰 인지적인 추론을 요구한다. 사람들은 종종 실시간으로 AI 시스템들에 연결된다. 소셜 미디어 회사들은 예를 들면, AI 기반 관리 시스템을 강화하기 위해 수천 명의 인간 리뷰어들을 고용한다. 많은 자율 주행 차량 시스템들은 원격 인간 운영자들을 포함하고 있다. 그리고 AI 기반 의료 기기들은 의사들과 공동 의사 결정자로서 인터페이스하고 있다. 모던 AI 시스템들 역량이 잘 이해되고 있어, 많은 스타트업들이 이같은 접근을 채택하고 있다.

순수 소프트웨어 제품들을 팔려고 계획했던 많은 AI 회사들은 점점, 서비스 역량을 내부로 가져오고 있고 관련 비용을 예약하고 있다.

인간 개입 필요성은 AI 모델 성능이 향상되면서 줄어들 가능성이 높다. 하지만 인간이 루트에서 완전히 떨어져 나올 가능성은 크지 않다. 많은 문제들-자율주행차들과 같이-완전히 현재 세대 AI 기술로 자동화되기에는 너무 복잡하다. 안전 문제들, 공정성, 그리고 신뢰는 또한 상당한 사람 감시를 필요로 한다.-현재 미국, EU, 그리고 다른 곳들에서 만들어지고 있는 AI 규제들에서도 명시될 가능성이 높은 사실이다.

우리가 결국 특정 작업들을 위해 완전 자동화를 성취한다고 해도 마진이 얼마나 개선될지는 확실치 않다. AI 애플리케이션의 기본 기능은 인풋 데이터 스트림을 처리하고 관련 예측을 생성하는 것이다. 이 시스템을 운영하는 비용은 따라서, 처리되는 데이터 양의 함수다. 일부 데이터 포인트는 사람에 의해 다뤄진다.(상대적으로 비싸다). 반면 다른 것들은 AI 모델에 의해 자동으로 처리된다.(덜 비싸기를 바란다). 그러나 모든 인풋은 어떤 식으로든 다뤄질 필요가 있다.

이같은 이유로 지금까지 우리가 논의한 비용의 두 가지 카테고리들-클라우드 컴퓨팅과 인간 지원(human support)은 실제로, 연결돼 있다. 하나를 줄이는 것은, 다른 것을 증가시키는 경향이 있다. 공식의 두 조각은 최적화될 수 있다. 그러나, 아무 것도, SaaS 비즈니스와 관련해 거의 제로 비용 수준에 이를 가능성은 크지 않다.

AI 시스템을 확장하는 것은 생각보다 어려울 수 있다. AI는 롱테일에서 살기 때문이다.

AI 회사들 입장에서 전통적인 소프트웨어 보다 프로덕트 마켓 핏(product-market fit)을 찾았을 때를 아는 것은 약간 어렵다. 당신이 프로덕트 마켓 핏에 왔다고 생각하기 쉽다.-특히, 5~10개 우수한 고객들에 가까워 진 후에 그렇다.-

많은 상황들에서 죄인은 엣지 케이스들(edge cases)이다. 많은 AI 앱들은 오픈 엔디드(open-ended) 인터페이스들을 갖고 있고 시끄럽고, 비정형 데이터(이미지 또는 자연어 같은)에서 운영된다.  사용자들은 종종 제품을 둘러싼 직관이 부족하다. 설상가상으로 제품이, 휴먼/슈퍼 휴먼 역량들을 갖고 있다고 가정한다. 이것은, 엣지 케이스들이 어디서나 있다는 것을 의미한다.: 우리가 살펴본 AI 제품들에서 의도된 기능 중 40~50%는 사용자 의도 롱테일에 있을 수 있다.

달리 말하면 사용자들은 모든 것에 대한 것을 AI 앱에 입력할 수 있고 입력할 것이다.

이 거대한 상태 공간을 다루는 것은 계속적으로 번거롭게 마련이다. 가능한 인풋값들 범위가 매우 크기 때문에,  각각의 신규 고객 배치는 결코 보여지지 않았던 데이터를 생성할 가능성이 높다. 고객들 조차도 비슷해 보이지만-예를 들면, 결함 탐지를 하고 있는 2개 자동차 제조사들- 조립 라인들에 비디오 카메라를 두는 것 같은 간단한 일 때문에 상당히 다른 훈련 데이터를 요구할 수 있다.

한 창업자는 이 현상을 AI 제품들의 시간 비용(time cost)으로 부르고 있다. 그녀 회사는 정해진 시간 데이터 수집물과 각 신규 고객 관여 시작 시점에 미세하게 조정한 모델을 돌리고 있다.

이것은 이들에게 고객 데이터 분포에 대한 가시성을 주고 배치에 앞서 엣지 케이스들을 제거한다.  그러나 이것은 또한 비용을 수반한다. 이 회사 팀과 재무 자원들은 모델 정확도가 적합한 수준에 이를 떄와 맞물려 있다. 트레이닝 기간은 도한 일반적으로 알려져 있지 않다. 팀이 하는 일이 얼마나 어려운지와 상관 없이 훈련 데이터를 빠르게 생성할 옵션들이 일반적으로 거의 없기 때문이다.

AI 스타트업들은 종종 그들이 예상했던 것보다 보다 많은 시간과 자원들을 그들 제품을 배치하는데 투입한다. 전통적인 프로타이핑 도구들은- 목업들(mockups), 프로토타입들(prototypes), 또는 베타 테스트들- 이례적인 경우들이 아니라 단지 대부분 일반적인 경로만 커버하는 경향이 있기 때문에 이들 필요를 미리 확인하는 것은 어려울 수 있다. 전통적인 소프트웨어처럼 이 프로세스는 특히 초기 고객 집단(customer cohorts)들의 경우 많은 시간을 소모한다.

AI를 비즈니스를 방어하기 위한 플레이북은 여전히 작성되고 있다

뛰어난 소프트웨어 회사들은 강력한 방어적인 해자 중심으로 구축된다. 최고 해자들은 네트워크 효과, 높은 전환 비용, 규모의 경제 같은 강력함 힘들이다.

이들 모든 요인은 AI 회사들에게도 가능하다. 방어 가능성을 위한 기반은 일반적으로 기술적으로 우위에 있는 제품에 의해 형성돼 있다.-엔터프라이즈에선 특히 그렇다- 복잡한 소프트웨어 조각을 먼저 구현하는 것은 중대한 브랜드 우위들과 거의 독점적인 시간을 창출할 수 있다.

AI 세계에서 기술적인 차별화는 이루기가 어렵다. 새로운 모델 아키텍처들은 대체로 공개되고, 학제적인 환경에서 개발된다. 레퍼런스 구현(미리 훈련된 모델들)은 오픈소스 라이브러리들에서 이용할 수 있다. 그리고 모델 매개변수들(parameters)은 자동으로 최적화될 수 있다. 데이터는 AI 시스템의 핵심이다. 그러나, 데이터는 종종 퍼블릭 도메인에서 고객들에게 의해 소유된다. 아니면 시간이 가면서 범용화되어 간다. 데이터는 시장이 성숙하고 상대적으로 약한 네트워크 효과를 보이면서 가치가 약화된다. 일부 사례들에서, 우리는 AI 비즈니스에 데이터 제공과 관련해 규모의 디스이코노미(diseconomies of scale)도 보고 있다. 모델들이 점점 성숙해지면서-데이터 해자의 공허한 약속(Empty Promise of Data Moats)으로 논쟁 되는 것처럼-각각의 새로운 예외적인 사례는 점점 해결하기가 비싸진다. 반면 관련 고객들에게 가치를 전달하는 것은 적어진다.

이것은 반드시 AI 제품이, 그들의 순수 소프트웨어 상대들보다 덜 방어적이라는 것을 의미하는 것은 아니다. 그러나 AI 기업들을 위한 해자들은 많은 예상했던 것보다는 얕은 것으로 보인다. AI는 대체로 방어 가능성 관점에서 기반 제품과 데이터를 거치는 것으로 보인다.

구축, 확장, 그리고 우수한 AI 회사들을 방어하는 것-창업자들을 위한 실용적인 조언

우리는 AI 회사들을 위한 장기적인 성공에 핵심은 도전들을 소유하고, 서비스와 소프트웨어의 최고를 결합하는 것이라고 보고 있다. 이런 맥락에서, 창업자들이, 새로운 또는 기존 AI 애플리케이션들로 번역하기 위해 밟을 수 있는 많은 단계들이 있다.

가능한 많이 모델 복잡성을 제거하라. 우리는 고객마다 고유한 모델을 훈련하는 곳과 모든 고객들에게 단일 모델을 공유할 수 있는 스타트업들 사이에서 COGS에 커다란 차이를 보고 있다.

이 단일 모델(single model) 전략은 유지하기 쉽고, 새로운 고객들에게 빠르게 내놓을 수 있다. 그리고 단순하고, 보다 효과적인 엔지니어링 조직을 지원한다. 이것은 또한 뻗어나가 있는 데이터 파이프라인과 중복적인 훈련 가동을 줄이는 경향이 있다. 이것은 클라우드 인프라 비용을 상당히 줄일 수 있다. 반면 이 이상적인 상태에 이르기 위한 묘책(silver bullet)은 없지만 한 열쇠는 거래에 동의하기 전에 당신의 고객들과 그들의 데이터에 대해 가능한 많이 이해하는 것이다. 종종 신규 고객은 당신의 머신러인 엔지니어링 노력들에 중대한 포크(fork)를 유발할 수 있다. 대체로 변경한 것들은 몇몇 고유 모델들이나 일부 미세 조정을 포함해 보다 미묘하다.  이들 판단을 내리는 것은-장기적인 경제적인 건전성과 장기 성장 사이에 상쇄 효과-AI 설립자들이 직면한 가장 중요한 일들 중 하나다.

데이터 복잡성을 줄이기 위해 문제 도메인들을 신중히 선택하라-그리고 종종 좁게-. 인간 노동을 자동화하는 것은 근본적으로 하기 어렵다. 많은 회사들은 AI 모델들을 위해 최소 가능한 작업(the minimum viable task)이 그들이 예상했던 것보다 좁다는 것을 발견하고 있다. 일반적인 텍스트 제안들을 제공하는 게 아니라 예를 들면 일부 팀들은 이메일이나 구인공고에서 짧은 제안을 제공하면서 성공을 찾아왔다. CRM 공간에서 뛰는 회사들은 단지 기록 업데이트들에 대한 AI 기반으로 매우 귀중한 틈새를 찾아왔다. 사람들이 수행하기 어렵지만 AI는 상대적으로 쉬운 커다란 등급 문제들이 있다.

이것은 모더레이션, 데이터 엔트리/코딩(data entry/coding), 트랜스크립션(transcription) 등과 같은 대규모 낮은 복잡성 작업들을 포함하는 경향이 있다. 이들 영역에 초점을 맞추는 것은 지속적인 예외 사례들에 대한 도전을 최소화할 수 있다. 다시 말해, 그들은 AI 개발 프로세스에 데이터를 공급하는 것을 간소화할 수 있다.

매우 다양한 비용을 계획하라. 창업자로서 당신은 당신의 비즈니스 모델에 대한 신뢰할만 하고, 직관적인 멘탈 프레임워크를 갖고 있어야 한다. 이 포스트에서 논의된 비용은 나아질 수 있지만 완전히 사라질 것이라고 가정하는 것은 실수일 것이다. 대신 우리는 낮은 총마진을 염두에 두고 비즈니스 모델과 GTM 전략을 구축하는 것을 제안한다. 당신의 모델에 공급하는 데이터 배포에 대해 깊숙하게 이해하라. 모델 관리와 인간 페일오버(failover)를  최고 문제들로 다뤄라. 당신의 실제 변동 비용을 추적하고 측정하라.-R&D에서 이것들이 숨어 있도록 하지 마라. 재무 모델에서 보수적인 단위 경제학(unit economic assumptions) 가정을 만들어라. 자금 유치 기간에는 특히 그렇다. 이 문제를 풀기 위해 확장 또는 외부 기술 발전을 기디라지 마라.

서비스들을 수용하라. 서 있는 시장을 맞추기 위한 거대한 기회들이 있다. 이것은 번역 소프트웨어보단 풀스택 번역 서비스를, 자율주행차를 파는 것보다 택시 서비스를 제공하는 것을 의미하는 것일 수 있다. 하이브리드 비즈니스를 구축하는 것은 순수 소프트웨어보다는 어렵다. 그러나 이 접근은 고객이 필요로 하는 것에 대해 깊은 통찰을 제공하고 빠른 성장, 시장 정의(market-defining) 회사들은 만들어낼 수 있다.

서비스들은 또한 한 회사 고투마켓 엔진을 빠르게 시작하기 위한 좋은 도구일 수도 있다. 복잡하고 새로운 기술을 판매할 때는 특히 그렇다. 핵심은 소프트웨어와 서비스 고객들을 둘 다 지원하기 보다는 하나의 전략을 약속된 방식으로 추구하는 것이다.

테크 스택에서 변화를 계획하라. 모던 AI는 여전히 성숙하지 않았다. 현장에서 그들의 일을 효과적으로 그리고 표준화된 방식으로 하는 것을 도와주는 툴들은 단지 이제 개발되고 있다.

앞으로 몇 년 간 우리는 모델 훈련, 추론을 보다 효과적으로 만들어주는 것, 개발자 워크플로우 자동화, 그리고 실전에서 AI 모델 모니터링 및 보호를 자동화해주는 툴들을 광범위하게 이용할 수 있을 것을 보고 있다

클라우드 컴퓨팅은 일반적으로 또한 소프트웨어 회사들에 의해 해결되어야 할 비용 문제로서 보다 많은 관심을 끌고 있다. 일들을 하는 지금 방식에 애플리케이션을 강하게 묶어두는 것은 향후 아키텍처적으로 경쟁력이 약해지는 결과로 이어질 수 있다.

전통적인 방식으로 방어 가능성을 구축하라. 한 AI 모델 자체적으로-또는 기반 데이터-장기적인 해자를 제공할지는 분명하지 않지만 좋은 제품, 그리고 독점적인 데이터는 거의 항상 좋은 비즈니스들을 구축한다. AI는 창업자들에게 오래된 문제들에 대한 새로운 관점을 제시한다. 예를 들면 AI 기술들은  상대적으로 조용한 악성코드 탐지 시장에서 분명하게 나은 성과를 보여줌으로써 새로운 가치를 제공해왔다.

초기 고유한 제품 역량을 기반으로 스티키(sticky, 방문자가 오랜 시간 동안 웹 사이트의 다양한 페이지들을 보도록 하는)한 제품과 오래 가는 비즈니스를 구축하는 기회는 항상 열려 있다. 우리는 또한 몇몇 AI 회사들이 최신 세대 오픈소스 회사들과 유사하게 효과적인 클라우드 전략을 통해 그들 시장 위치를 굳히는 것을 보고 있다.

요약: 요즘 대부분의 AI 시스템은 전통적인 의미에서 소프프트웨와는 거리가 있다. 그리고 AI 비즈니스는 결과적으로 소프트웨어 비즈니스와는 똑같이 않아 보인다. AI 비즈니스는 계속되는 인간 지원과 상당한 변동 비용을 포함하고 있다. AI 비즈니스는 그들이 바라는 만큼 종종 쉽게 확장하지 않는다. 강력한 방어 가능성은-한발 개발하면 여러번 파는데 중요한-공짜로 오지 않은 듯 보인다.

이같은 특성은 AI를 서비스 비즈니스처럼 느껴지게 만든다. 달리 말하면 당신은 서비스 회사를 대신할 수 있다. 그러나 당신은 (완전히) 서비스들을 대체할 수는 없다.

믿든 말든 이것은 좋은 뉴스일 수 있다. 변동 비용, 확장 역학(scaling dynamics), 그리고 방어적인 해자와 같은 것들은 궁극적으로 시장에 의해-개발 회사들은 아닌-결정된다. 데이터에서 우리가 보고 있는 익숙지 않은 패턴들은 AI 회사들은 진정으로 뭔가 새로운 것-새로운 시장을 공략하고 거대한 기회를 구축하는-이라는 것을 예고한다. 이 아이디어를 미로를 성공적으로 항해하고 지속적으로 강한 성능을 가진 제품을 개발해온 많은 뛰어난 AI 회사들이 이미 있다.

AI는 여전히 연구 주제에서 생산 기술(production technology)로 전환하는 초기에 있다. 알렉스(AlexNet)넷-거의 틀림 없이 현재 AI 소프트웨어 개발 웨이브에 시동을 건-잊어버리는 쉽다. 알렉스넷이 공개된 지는 8년도 안됐다 인텔리전트 애플리케이션들은 소프트웨어 산업 전진을 이끌고 있다. 우리가 다음에 어디를 갈지 보는 것은 흥미롭다.

테크잇 뉴스레터를 전해드립니다!

오피니언 기반 테크 블로그 'TechIt'
테크 비즈니스를 보는 다양한 통찰들을 이메일로 간편하게 받아 볼 수 있습니다.

About the author

endgame
endgame

테크 블로거 / 공유할만한 글로벌 테크 소식들 틈틈히 전달하겠습니다

No more pages to load


TechIT

테크 비즈니스를 보는 다양한 통찰 '테크잇'

독자 여러분들께서 좋은 의견이나 문의 사항이 있으시면 아래 양식에 따라 문의 주시기 바랍니다.

Contact