저희가 OpenAI를 위주로 이야기를 전개해나가고는 있지만, 사실 저는 OpenAI 만큼이나 테슬라 또한 유심히 관찰하고 있습니다. 그리고 AI 비즈니스를 고민하는 사람들에게 테슬라는 반드시 공부해야하는 기업입니다.
https://drive.google.com/file/d/1WDnhRmIeRngGgFs3PrO1_t0IIVQEb_gx/view
노정석 대표님은 버티컬 영역에서 적절한 데이터의 확보를 통해 풀스택 서비스를 구축해야 밸류 캡쳐가 가능하다고 말씀하시며 그의 대표적인 예시로 테슬라를 들고 계십니다. 그리고 핵심 요소 3가지로 서비스, 알고리즘, 컴퓨팅을 언급하시며, 특히 서비스를 통해 적절한 데이터를 수집해야 한다고 주장하십니다. 이는 제가 어제 언급했던 내용과 같은데, 테슬라가 특별한 점은 우선 전기차를 만들어서 모빌리티의 점유율을 일부 확보한 뒤 초거대모델이 접근하기 어려운 ‘자율주행’이라는 specific domain을 파고들어서 만들어낸 AI를 수직 통합해버렸고, 더 나아가 이를 위해서 자신만의 알고리즘과 컴퓨팅 인프라를 구축했다는 점에 있습니다.
“테슬라-라이제이션'의 의미는 테슬라가 기존에 존재하는 거대 버티컬 산업(자동차산업)을 기술적 차별화 요소 하나를 이용하여 강력한 서비스(전기차)를 만들어내고, 그 서비스의 세부 요소들을 AI(운영체제, 자율주행)을 이용하여 수직통합(vertical integration)하여 “차별화된 서비스 x AI 의 조합” 을 구축하여 강력한 사업자로 포지셔닝 했듯이, 특정 산업영역(vertical)에서 고객가치가 존재하는 ‘서비스와 AI기술의 조합’을 이용하여 확실하게 차별화되면서도 경쟁사는 절대로 모방할 수 없는 비지니스를 구축한다라는 것을 의미합니다.”
하고 싶은 말은 차별화된 서비스를 구축하는게 우선이고, 여기에 적절한 데이터를 수집할 수 있도록 하여 AI를 학습시킨다음, 이를 서비스에 붙여서 사실상 한 버티컬을 독점하는 플레이북을 고민해야한다는 소리입니다. 그리고 적절한 데이터의 수집을 통한 AI 학습 시에 LLM을 이용 가능하다면 훨씬 수월하게 사업을 전개해나갈 수 있을테고, 만약 LLM으로 부족하다면 테슬라와 같이 자체적으로 모델을 개발하는 방향 또한 고민해봐야 될 것 같습니다. 물론 저는 계속 말해온대로 LLM으로 해결할 수 있는 문제와 영역을 찾아내는게 성공 확률을 높일 수 있는 길이라고 생각하긴 합니다만 (그런데 노정석 대표님은 저의 생각과는 다르게 결국 AGI가 모든 서비스를 가져가게 될 것이라고 전망하고 계시긴 하네요), 일론 머스크처럼 제1 원칙 사고를 통해 아이디어를 전개시켜 나가다보면 결국 테슬라처럼 자체적인 컴퓨팅 인프라를 구축할 수도 있을 것 같습니다 (대신 해당 게임의 난이도가 최소 100배는 더 높은 것 같습니다).
테슬라는 너무 큰 예시 같아서, 하나의 예시를 추가로 들어보겠습니다. 저희 N파트너스가 투자한 기업 중에 태블릿으로 수능 기출문제를 풀 수 있는 서비스 ‘오르조’를 운영하는 슬링이라는 회사가 있습니다. 이 회사를 투자할 때 중요하게 보았던 부분이 바로 학생들의 종합적인 ‘문제풀이’ 데이터를 모으고 있다는 점이었습니다. 오르조는 학생 한명 한명의 문제풀이 데이터를 수집해 어느 부분이 학습이 잘 되어있고 어디를 더 학습해야하는지를 그 어떤 서비스보다 정확하게 파악하고 있고, 예를 들어 이 데이터를 LLM에 넣으면서 ‘이 학생이 자주 틀리는 부분에 대해서 연습 문제를 생성해줘’라고 입력한다면 해당 학생만을 위한 문제들 생성이 가능합니다. 이는 마치 AI를 나만의 과외 선생님처럼 활용하게 되는 것인데, 이것이 가능한 이유는 오르조의 서비스가 적절한 데이터를 모으고 있기 때문입니다.
약간 다른 결에서 메스프레소의 콴다는 학생들의 ‘오답문제’ 데이터를 수집한다음 이를 활용해서 자체적인 모델을 구축해서 유의미한 트래픽을 모으는데 성공하기도 했습니다. 오르조와 콴다를 보면서 제가 개인적으로 느끼는 것은 무슨 서비스를 만들어서 어떠한 데이터를 모을지 명확히 정의하는게 매우 중요하며, 가능하다면 해당 버티컬에서의 ‘핵심 행위’ 데이터를 모으는게 유리할 것이다라는 생각을 합니다. 이후 LLM을 통해서 서비스를 제공할 것인지, 혹은 자체적으로 모델을 만드는 방향으로 갈 것인지는 데이터 적합성과 비용을 기준으로 판단하면 될 것 같습니다.
교육 버티컬을 예시로 들어 보았는데, 테슬라의 케이스와 비슷해보이지 않으신가요? 물론 오르조와 콴다는 디지털 제품으로부터 데이터를 모으지만 테슬라는 하드웨어를 바탕으로 리얼 오프라인 데이터를 모은다는 근본적인 차이점이 있긴 하지만, 비즈니스를 만들어가는 방식 자체는 큰 틀에서 유사하다고 생각해서 좋은 레퍼런스가 되는 것 같습니다. 그리고 어제 이야기한 바이트댄스도 큰 틀에서는 같은 방법론을 띄는 것 같고요. 위의 케이스들을 고민하다보면 AI 비즈니스 아이디어의 단서가 될 수 있을 것 같아서 오늘의 주제를 준비해보았습니다.
$1 trillion in equity: How Carta is set to unlock the private markets - Tribe Capital
FAQ on Carta, N-of-1 and atomic units - Tribe Capital
마지막으로, 이번 주제를 준비하다가 제가 좋아하는 글 하나가 떠올랐습니다. 바로 Tribe Capital에서 Carta를 투자한 이유를 서술한 글인데요. 이 글은 Facebook, Slack, Carta 세 기업의 성공이 ‘N-of-1’ 기회 덕분이었다고 소개하고 있으며, N-of-1 회사를 만들기 위해서는 1) new atomic unit of value의 출현, 2) new atomic unit of value의 캡처 3) 핵심 유틸리티로의 전환 세 가지를 충족해야한다고 이야기합니다.
다시 읽어보면서 바이트댄스와 테슬라에 대입해보았는데 충분히 들어맞는다는 생각이 들었으며, 따라서 AI 시대에서도 동일하게 대입해볼 수 있는 기회들이 많을 것 같아 소개드립니다 (특히 new atomic unit을 proprietary data로 해석해보고 기회를 찾아보면 커다란 기회들이 보이지 않을까 싶네요).
Q. 여러분들이 종사하고 계신 혹은 고민하고 계신 버티컬에서는 어떠한 데이터가 핵심 데이터인가요? 그걸 모으고 있는 서비스가 존재하나요? 그리고 해당 데이터를 AI로 활용하기 위해서는 LLM으로 충분할까요 아니면 자체적으로 모델을 학습시켜야 할까요?
Q. 어제부터 이틀에 걸쳐서 제가 바라보는 AI 프로덕트 관점을 이야기해보았는데, 이에 대한 생각과 여러분들의 관점이 궁금합니다!