이 영상에서 개리 탄은 AI가 단순한 코딩 보조 도구를 넘어, 기업 전체의 업무 방식과 조직 구조를 바꾸는 새로운 노동력이 되고 있다고 설명한다. 핵심은 더 좋은 모델을 고르는 데 있지 않고, 업무를 스킬 파일·조직도·프로세스·기억 시스템으로 잘 연결해 AI가 반복적으로 실행할 수 있도록 만드는 데 있다. 그는 앞으로의 승자는 AI를 조금 사용하는 회사가 아니라, 처음부터 AI 네이티브하게 설계된 회사와 '회사 두뇌'를 가진 조직이라고 강조한다.

1. AI 혁명 이후, 한 사람이 천 명의 일을 할 수 있는 시대

발표는 청중에게 "이제 무엇을 만들어야 하는가?"라는 질문을 던지는 것으로 시작한다. 개리 탄은 자신을 창업자이자 투자자이며, 20년 된 기관인 Y Combinator를 운영하는 사람이라고 소개한다. 그리고 지금 YC 자체가 AI 네이티브 조직으로 바뀌고 있다며, 오래된 기관이 새로운 방식으로 변하는 과정이 "이상하면서도 놀라운 일"이라고 말한다.

그가 YC에서 만들고 싶은 회사의 모습은 과거와 완전히 다르다. 예전에는 수백 명, 혹은 수천 명이 해야 했던 일을 이제는 한 사람이 해낼 수 있는 조직을 만들겠다는 것이다.

"한 사람이 예전에는 천 명이 해야 했던 일을 해내는 회사를 만들고 있습니다. 이건 비유가 아닙니다."

그는 곧 창업 전쟁터로 들어갈 청중에게, 현재 가능한 일이 사람들이 생각하는 것보다 훨씬 크다는 사실을 알고 출발하라고 당부한다. AI를 단순히 편리한 도구로 보는 순간, 실제로 가능한 생산성의 규모를 놓치게 된다는 뜻이다.

2. 400배 생산성의 비밀은 모델이 아니라 '일을 연결하는 방식'

개리 탄은 자신의 경험을 바탕으로 AI 생산성의 폭발적인 증가를 설명한다. 2013년 YC의 내부 소셜 네트워크를 만들던 시절, 그는 거의 전업 엔지니어처럼 일하면서 하루에 실제로 사용할 수 있는 코드 약 14줄을 작성했다고 말한다. 당시로서는 평범한 수준이었다.

하지만 2026년 현재 그는 YC를 전업으로 운영하고 있으며, 예전보다 일하는 시간도 적고 오후 5시에는 아이를 데리러 가야 한다. 그럼에도 자신의 산출량을 계산해보니 과거와 비교해 약 400배에 달했다는 것이다.

"같은 사람이고, 같은 하루인데, 실제 산출량은 약 400배입니다."

물론 그는 이 수치가 과장되었다고 생각할 수 있다는 점을 인정한다. AI 에이전트가 불필요하게 많은 코드를 작성했을 수도 있고, 그중 절반이 뼈대나 보조 코드일 수도 있다고 가정해보자고 한다. 자신의 계산을 최대한 불리하게 잡아도 생산성 증가는 최소 8배, 중간값으로는 80배에 이른다고 설명한다.

"어떻게 계산을 괴롭혀도 그 숫자는 큽니다."

하지만 그가 정말 강조하고 싶은 것은 400배라는 숫자 자체가 아니다. 중요한 것은 어떤 모델을 사용했느냐가 생산성의 전부가 아니라는 점이다.

"2배의 생산성을 내는 사람과 100배의 생산성을 내는 사람은 정확히 같은 Claude를 사용합니다. 같은 가중치, 같은 컨텍스트 창, 같은 API를 사용하죠."

그렇다면 차이는 어디에서 생길까?

"레버리지는 모델의 가중치 안에 있는 게 아닙니다. 일을 어떻게 연결하느냐에 있습니다."

YC의 사례도 이를 뒷받침한다. 2025년 겨울 배치에서는 이미 참가 기업의 약 4분의 1이 코드베이스의 95%를 AI로 생성하고 있었다. 그리고 그 배치는 YC 역사상 가장 빠르게 성장하고 수익성이 높은 배치가 되었다고 말한다. AI가 성장의 직접적인 원인이라고 단정할 수는 없지만, 가장 빠르게 성장하는 창업자들은 AI를 자동완성 기능으로 사용하지 않는다는 점은 분명하다고 강조한다.

"빠르게 성장하는 창업자들은 AI를 자동완성으로 다루지 않습니다. 그들은 AI를 하나의 노동력으로 다룹니다."

3. AI를 직원처럼 운영하는 조직의 설계도

개리 탄은 "일을 연결한다"는 것이 구체적으로 무엇을 의미하는지 설명한다. 그의 핵심 주장은 AI 에이전트와 함께 소프트웨어를 만드는 방식이 기업 조직의 구조와 거의 똑같다는 것이다.

스킬 파일은 직원이다

AI 에이전트가 특정 업무를 수행하도록 정리한 스킬 파일(skill file)은 한 명의 직원과 같다. 하나의 능력과 하나의 역할을 명확하게 기록해두면, AI가 그 업무를 반복해서 수행할 수 있다.

"스킬 파일 하나는 직원 한 명입니다."

예를 들어 테스트 파일을 수정해야 한다면, 그 업무에 필요한 규칙과 절차를 tests.md 같은 파일에 적어둘 수 있다. AI는 업무가 들어왔을 때 어떤 파일을 불러와야 하는지 판단하고, 정해진 절차에 따라 작업을 진행한다.

리졸버 테이블은 조직도다

업무와 관련된 파일을 찾아 연결하는 리졸버 테이블(resolver table)은 조직도와 비슷한 역할을 한다. 어떤 업무가 들어오면 누가 담당해야 하는지, 어떤 지식과 절차를 불러와야 하는지 결정한다.

"업무가 들어오면 리졸버가 누가 처리할지, 어디로 보낼지 결정합니다."

파일링 규칙은 내부 프로세스다

파일을 어디에 저장하고, 어떤 방식으로 연결하며, 어떤 정보를 우선시할지 정하는 파일링 규칙은 회사의 내부 운영 절차에 해당한다. 조직에서 업무가 흘러가는 경로와 정보 관리 규칙을 AI 시스템 안에 구현하는 셈이다.

트리거 평가와 테스트는 인사평가다

AI가 실제로 필요한 지식과 절차를 불러오는지 확인하는 자동 테스트는 성과 평가와 같다. 예를 들어 테스트 파일을 수정해야 할 때 정말 tests.md가 자동으로 로드되는지 검사할 수 있다.

"테스트 파일을 수정할 때 test.md가 실제로 불러와지는가를 확인하는 테스트가 바로 성과 평가입니다."

결국 기업을 구성하는 역할, 조직도, 업무 프로세스, 평가 체계가 모두 마크다운 파일과 코드로 표현될 수 있다.

"천 명을 고용해야 했던 조직의 모든 요소가 이제 마크다운 파일과 다른 종류의 마크다운 파일로 표현될 수 있습니다."

개리 탄은 지금까지 사람들이 조직을 만들어왔지만, AI를 관리할 수 있는 운영·관리 계층이 없었다고 말한다. 이제 Claude Code나 Codex를 사용하는 일은 단순히 코드를 작성하는 것이 아니라, 마크다운으로 구성된 노동력을 채용하고 훈련하고 관리하는 일이 된다.

"Claude Code나 Codex 앞에 앉았을 때 여러분은 소프트웨어를 작성하는 것이 아닙니다. 마크다운으로 이루어진 노동력을 고용하고, 훈련하고, 관리하는 것입니다."

4. 적은 인원으로 폭발적인 매출을 만드는 AI 네이티브 기업

이러한 방식은 이론에 그치지 않는다. YC에는 이미 AI를 조직의 기본 운영 방식으로 삼은 기업들이 존재한다.

개리 탄은 AI 앱 빌더 기업인 Emergence가 공개 출시 후 8개월 만에 연간반복매출, 즉 ARR 9자리 규모에 도달했다고 소개한다. 매출 1,500만 달러를 달성했을 때 직원은 고작 15명이었다. 또 다른 기업인 Retail은 직원 약 40명으로 6,000만 달러의 매출을 올리고 있다고 말한다.

"이런 수준의 직원 1인당 매출은 과거에는 존재하지 않았습니다. 소프트웨어에서도, 석유에서도, 철도에서도요."

그는 이 기업들이 자연적으로 발생한 기형적인 성공 사례가 아니라고 강조한다. 이들은 새로운 생산성의 규칙 위에 처음부터 만들어진 기업이라는 것이다.

AI 네이티브 기업은 영업, 고객지원, 운영, 재무 부서에 수백 명을 배치하지 않는다. 대신 각 업무를 스킬과 절차로 기록하고, 에이전트가 실행하게 만든다. 그리고 엔지니어는 사람이 직접 해야 할 일을 처리하는 동시에, AI 스킬이 더 많은 일을 할 수 있도록 유지·개선한다.

"AI 네이티브 기업은 영업, 지원, 운영, 재무 업무를 스킬로 기록합니다. 그리고 에이전트가 그 스킬을 실행하게 합니다."

이 방식은 세금 신고처럼 복잡하고 전문적인 업무에도 적용할 수 있다. 필요한 절차와 규칙을 스킬 파일로 만들어두면 AI가 실제 업무를 수행할 수 있다는 것이다.

"세금 신고를 위한 스킬 파일이 있다면, AI는 실제로 여러분의 세금도 신고할 수 있습니다."

YC 내부에서도 엔지니어가 아닌 직원들이 스킬 파일과 자동화 작업을 만들고 있다. 미디어 담당자, 행사 운영자, 재무팀 직원들도 AI 에이전트를 관리한다. 한 재무 담당자는 약 100개의 엑셀 파일을 자신이 직접 만든 하나의 내부 애플리케이션으로 통합했다. 그녀는 프로그래머가 아니지만, 이제는 에이전트 관리자가 되었다.

"이제 YC의 모든 사람이 에이전트의 관리자가 되었습니다."

따라서 YC가 다른 기관보다 적은 인원으로 큰 규모의 업무를 처리할 수 있는 이유는 사람들이 단순히 더 열심히 일하기 때문이 아니다. 조직의 형태 자체가 다르기 때문이다.

"핵심은 엔지니어만 400배 빨라지는 것이 아닙니다. 회사 전체가 다른 모든 회사보다 400배 높은 수준으로 운영되는 것입니다."

5. AI가 잘하는 일과 코드가 잘하는 일을 분리하라

개리 탄은 AI 엔지니어링에서 반복적으로 발생하는 문제의 상당수가 계산을 잘못된 공간에 배치해서 생긴다고 설명한다. 그는 이를 잠재 공간(latent space)과 결정론적 공간(deterministic space)으로 나눈다.

잠재 공간: 인간적인 판단과 모호한 문제

잠재 공간은 실제 대규모 언어 모델이 작동하는 영역이다. 여기서는 다음과 같은 일이 적합하다.

• 사람의 의도를 이해하는 일
• 모호한 요구사항을 해석하는 일
• 취향과 판단이 필요한 일
• 자연어로 표현된 문제를 이해하는 일
• 정해진 답이 하나가 아닌 비결정적인 작업

AI 모델은 마크다운 파일에 적힌 규칙과 맥락을 참고해 이런 문제를 처리한다.

결정론적 공간: 정확한 계산과 반복 작업

반면 결정론적 공간은 전통적인 소프트웨어와 코드가 잘하는 영역이다. 데이터 저장, 수치 계산, 규칙에 따른 분류, 정확한 좌석 배치처럼 결과가 일정해야 하는 일은 TypeScript나 다른 프로그래밍 언어로 처리하는 편이 낫다.

개리 탄은 YC의 스타트업 스쿨에서 수천 명의 참가자를 서로 잘 맞는 사람끼리 배치하는 문제를 예로 든다. AI는 각 사람의 성향과 만남의 의미를 이해할 수 있지만, 실제로 800명을 어떤 좌석에 배치할지는 결정론적인 계산이 필요하다.

과거에는 800명의 정보를 종이에 출력해 큰 공간에서 직접 배치해야 했지만, 이제는 AI와 코드의 조합으로 수백 달러 상당의 토큰과 약 10분 만에 처리할 수 있다.

"예전에는 한 달이 걸렸을 일이 이제는 몇백 달러의 토큰과 10분으로 가능할지도 모릅니다."

핵심은 AI에게 모든 일을 맡기는 것이 아니다. AI가 해야 할 판단과 코드가 해야 할 계산을 분리하는 것이다. 이 구분을 잘못하면 시스템이 느려지거나, 오류가 늘어나거나, 모델의 컨텍스트 창에 불필요한 데이터가 가득 차게 된다.

6. 인간의 일곱 가지 기억과 AI의 백만 토큰

개리 탄은 AI의 강점을 인간의 작업 기억(working memory)과 비교해 설명한다. 인간은 한 번에 대략 일곱 가지 정도의 정보를 머릿속에 유지할 수 있다. 보통 일곱 개에서 많아야 아홉 개 정도이며, 이것이 전화번호가 대체로 일곱 자리였던 이유나 장을 보러 갔을 때 여덟 번째 물건을 잊는 이유이기도 하다.

인류가 만든 체크리스트, 조직도, 서류함, 데이터베이스는 모두 이 제한된 기억력을 보완하기 위한 장치였다.

"인류가 만든 모든 체크리스트와 조직도, 서류함은 인간의 기억 한계를 보완하기 위한 의족 같은 것입니다."

하지만 AI 에이전트는 약 백만 토큰, 대략 1,000페이지에 해당하는 정보를 한 번에 다룰 수 있다. 개리 탄은 이를 자신의 10살짜리 아이에게 설명하며, AI가 해리 포터 책 세 권을 펼쳐놓고 동시에 읽는 것과 같다고 말했다고 한다.

"AI 에이전트는 해리 포터 책 세 권을 머릿속에 펼쳐놓고, 그 안에서 바늘을 찾아 몇 초 만에 세 책의 내용을 종합할 수 있습니다."

인간의 일곱 자리 기억과 AI의 책 세 권은 완전히 다른 운영 환경을 만든다. 하지만 AI의 기억도 무한하지는 않다. 회사 전체의 정보는 해리 포터 세 권보다 훨씬 많기 때문이다.

회사는 이메일, 회의, 의사결정, 고객 대화, 사후 분석 등 수많은 지식이 쌓이는 거대한 도서관이다. 따라서 AI가 똑똑한 동료처럼 행동할지, 방금 들은 것만 기억하는 금붕어처럼 행동할지는 어떤 정보를 AI에게 보여주느냐에 달려 있다.

"여러분의 회사는 책 세 권이 아닙니다. 회사는 도서관입니다."

"에이전트가 천재가 될지 금붕어가 될지를 결정하는 질문은, 그 책상 위에 어떤 세 권의 책을 펼쳐놓을지를 누가 결정하느냐입니다."

이것이 개리 탄이 말하는 컨텍스트 엔지니어링(context engineering)이다.

7. 회사 두뇌는 도서관이자 사서다

개리 탄은 기업의 AI 시스템을 단순한 검색 기능이나 RAG로만 이해해서는 안 된다고 말한다. RAG는 필요한 문서를 찾아오는 기본 기술에 불과하다. 진짜 어려운 일은 어떤 정보를 저장하고, 어떻게 연결하고, 어떤 정보를 우선순위 높은 기억으로 올릴지 결정하는 것이다.

"검색은 쉽습니다. 검색할 가치가 있는 지식을 만드는 것이 제품입니다."

회사의 두뇌는 단순한 데이터 저장소가 아니다. 다음과 같은 기능을 갖춰야 한다.

• 어떤 지식을 처음부터 기록할지 결정하기
• 지식 사이의 관계를 연결하고 보강하기
• 자주 필요한 정보는 '핫 메모리'로 관리하기
• 오래된 참고 자료는 '콜드 레퍼런스'로 분류하기
• 서로 충돌하는 정보가 있을 때 어느 쪽이 맞는지 판단하기
• 특정 업무에 필요한 가장 적절한 자료를 골라 에이전트에게 제공하기

그래서 회사 두뇌는 도서관과 사서의 결합이다.

"회사 두뇌는 도서관이면서 동시에 사서입니다."

개리 탄은 자신이 공개적으로 만들고 있는 시스템인 GBrain을 소개한다. 이는 다양한 에이전트 환경과 함께 사용할 수 있으며, 에이전트에게 특정 업무에 필요한 "책 세 권"을 골라주는 검색·기억 계층이라고 설명한다.

그의 개인 시스템에는 이메일, 회의 내용, 20년 동안의 기록, 에이전트가 작성한 지식 등을 합쳐 약 22만 페이지가 저장되어 있다. 한 창업자가 위기 상황을 이메일로 보내면, 그가 메시지를 다 읽기도 전에 에이전트가 다음 정보를 찾아온다.

• 해당 창업자와 과거에 나눈 대화
• 비슷한 문제를 겪었던 다른 포트폴리오 기업
• 당시 실제로 효과가 있었던 해결책
• 개리 탄이 이미 알고 있는 관련 맥락

"에이전트가 무엇을 하든, 내가 이미 알고 있는 것을 알고 시작합니다. 이것이 비서와 동료의 차이입니다."

다만 회사 두뇌에는 위험도 있다. 관리되지 않는 지식 저장소는 검색 기능만 뛰어난 쓰레기장이 될 수 있다. 오래된 정보가 최신 정보처럼 검색될 수 있고, 잘못된 스킬 파일이 나쁜 프로세스를 영원히 반복하게 만들 수도 있다.

따라서 회사 두뇌에는 다음이 필요하다.

• 모든 정보의 출처와 생성 시점을 기록하는 프로비넌스
• 새로운 정보가 기존 정보와 충돌할 때 확인하는 모순 검사
• 오래된 지식을 삭제하고 정리하는 인간과 AI의 공동 사서
• 실제 운영 인프라처럼 지속적으로 관리하는 체계

"두뇌를 운영 인프라처럼 다루면 지식이 복리처럼 쌓입니다. 쓰레기장처럼 다루면 누구도 추적할 수 없는 방식으로 틀린 답을 확신하는 에이전트를 얻게 됩니다."

8. '일회성 작업'을 없애고 모든 일을 스킬로 만들어라

개리 탄이 가장 강하게 강조하는 실천 원칙은 절대로 일회성 작업을 하지 말라는 것이다. AI 에이전트에게 어떤 일을 시켜서 결과가 마음에 들었다면, 거기서 끝내서는 안 된다. 그 작업 방식을 다시 사용할 수 있는 스킬 파일로 만들어야 한다.

처음에는 에이전트가 서툴고 결과도 완벽하지 않을 수 있다. 하지만 사용자는 "이 부분은 마음에 들지 않으니 수정해"라고 지시하면서 결과를 개선할 수 있다. 그리고 최종 결과가 만족스러워졌다면 그 과정을 스킬로 저장해야 한다.

"한 번 작업한 뒤 만족했다면, 거기서 멈추지 말고 반드시 스킬화해야 합니다."

"어떤 일을 두 번 요청해야 한다면, 이미 실패한 것입니다."

이 원칙은 개인의 생산성뿐 아니라 회사 전체의 학습 능력을 바꾼다. 매번 새로운 직원에게 같은 일을 처음부터 설명하는 대신, 한 번 배운 절차를 회사의 지식으로 축적할 수 있기 때문이다.

"조직이 배운 것을 이렇게 포착하면 매일 더 똑똑해집니다. 그렇지 않은 조직은 아무리 좋은 모델을 써도 매일 아침 기억상실증에 걸린 채 깨어납니다."

AI 모델의 성능은 계속 빌려 쓰는 자원에 가깝지만, 회사가 직접 축적한 스킬과 지식은 조직의 자산으로 남는다.

"모델의 품질은 빌려 쓰는 것이지만, 여러분이 두뇌를 만들면 그 두뇌는 여러분의 소유입니다."

9. 지금 만들어야 할 것은 AI를 쓰는 회사가 아니라 AI 네이티브 회사다

개리 탄은 "지금 무엇을 만들어야 하는가?"라는 질문에 분명하게 답한다. AI 기능을 기존 회사에 몇 개 추가하는 것이 아니라, 처음부터 AI가 조직의 기본 구조가 되는 회사를 만들어야 한다는 것이다.

그가 제안하는 AI 네이티브 기업의 모습은 다음과 같다.

• 얇은 인력 구조
• 모든 반복 업무를 정의한 스킬 파일
• 업무에 맞는 지식을 찾아주는 회사 라이브러리
• 정보와 경험을 축적하는 회사 두뇌
• 여전히 제품과 코드를 깊이 이해하는 창업자
• AI 에이전트를 관리하고 개선하는 모든 구성원

"AI를 그저 사용하는 회사가 아니라, 처음부터 AI 네이티브하게 설계된 회사를 만드세요."

그는 자신이 만들고 있는 GBrain을 사용할 수도 있지만, 특정 도구에 의존할 필요는 없다고 말한다. Open Claw는 페라리처럼 강력한 도구이고, Codex는 훌륭한 혼다처럼 대부분의 일을 해낼 수 있다고 비유한다.

중요한 것은 특정 저장소나 제품이 아니라 다음의 원칙이다.

1. 계산이 어디에서 일어나야 하는지 구분한다.
2. 스킬 파일을 직원처럼 활용한다.
3. 사서 역할을 하는 지식 관리 계층을 만든다.
4. 일회성 작업을 반복 가능한 능력으로 바꾼다.
5. 첫 주부터 회사의 지식을 축적한다.

그는 모든 회사가 곧 회사 두뇌를 필요로 하게 될 것이라고 전망한다. 개인을 이해하는 개인 AI, 회사의 기억을 관리하는 지식 계층, 필요한 정보를 골라주는 사서가 거대한 새로운 시장이 될 수 있다는 것이다.

"이 세상의 모든 회사는 곧 두뇌를 필요로 하게 될 것입니다."

그는 GBrain의 핵심 계층을 리눅스처럼 오픈소스로 남기고 싶다고 말하며, 이 영역에서 결정적인 기업을 만들 창업자가 나타나기를 기대한다고 한다.

10. 풍요는 정책 문서가 아니라 실제로 출시된 소프트웨어다

마지막 부분에서 개리 탄은 AI로 일자리가 사라질지 모른다는 사람들의 두려움을 언급한다. 그는 그 불안을 이해하지만, 앞으로의 가능성을 상상하지 못하는 것이 문제라고 말한다.

"그것은 상상력의 실패입니다."

그가 청중에게 기대하는 역할은 AI를 이용해 자신과 조직의 능력을 배로, 수십 배로, 수백 배로 키우는 것이다. 그리고 그렇게 만들어진 기업들이 사회가 AI를 어떻게 활용할 수 있는지 보여주는 등대가 되어야 한다고 말한다.

"풍요는 정책 보고서가 아닙니다. 풍요는 실제로 출시된 소프트웨어입니다."

그는 희귀한 형태의 뇌전증을 앓는 아들을 위해 한 아버지가 8만 개의 마크다운 파일로 구성된 회사 두뇌를 만든 사례를 소개한다. 연구소도, 정부 지원금도, 허가도 없이 한 사람이 노트북과 지식의 도서관만으로 아들의 질환에 대해 인류가 알고 있는 지식의 한계까지 밀고 나갔다는 이야기다.

"연구소도, 지원금도, 허가도 없었습니다. 아버지 한 명과 노트북, 그리고 도서관이 있었습니다."

그에게 이 사례는 단순한 감동적인 일화가 아니다. 필요한 순간에 올바른 정보 세 권을 꺼내주는 도서관과 사서라는 AI 네이티브 구조가 실제 사람의 삶을 바꾸는 사례다.

이제는 예전처럼 "그런 사람을 알고 싶지만 만날 수 없다"고 생각할 필요가 없다. 너무 복잡해서 손댈 수 없었던 코드베이스도 고칠 수 있고, 너무 커서 읽을 수 없었던 기록 보관소도 분석할 수 있다. 너무 지저분해서 정리할 수 없었던 데이터셋도 다룰 수 있다.

"너무 커서 읽을 수 없었던 모든 기록, 너무 복잡해서 정리할 수 없었던 모든 데이터, '절대 끓이지 말라'고 했던 모든 바다를 이제 우리는 끓일 수 있습니다."

결론: 회사를 만들고, 그 아래에 회사의 두뇌를 만들어라

개리 탄의 최종 메시지는 간단하다. 앞으로 창업자가 만들어야 할 것은 단순히 AI를 활용하는 제품이 아니다. AI 네이티브한 회사 자체와, 그 회사를 계속 똑똑하게 만드는 기억·지식·스킬의 기반이다.

"AI 네이티브 회사를 만드세요. 그리고 그 아래에 있는 것, 즉 두뇌와 기억, 복리처럼 쌓이는 라이브러리를 만드세요."

그는 청중에게 일을 기록하고, 스킬로 만들고, 테스트를 작성하고, 실제 소프트웨어로 출시하라고 촉구한다.

"바다를 끓이세요. 테스트를 작성하세요. 스킬을 출시하세요."

결국 새로운 시대의 경쟁력은 가장 좋은 AI 모델을 독점하는 데 있지 않다. 조직의 지식을 얼마나 잘 저장하고, 필요한 순간에 꺼내 쓰며, 한 번 한 일을 다시 사용할 수 있는 능력으로 바꾸느냐에 달려 있다. AI를 잘 연결한 얇고 빠른 조직은 과거의 거대한 기업과 전혀 다른 생산성의 물리학 위에서 움직이게 될 것이다.