이 영상은 Y Combinator의 통계와 AI 네이티브 기업 사례를 통해 창업자 구성, 스타트업의 성장 방식, 제품과 가격 정책, 조직 운영의 변화를 살펴봅니다. AI 덕분에 적은 인원으로도 더 많은 일을 할 수 있게 됐지만, 그만큼 무엇을 만들지 판단하는 능력, 역할 경계를 조정하는 일, 구성원 간의 갈등을 풀어가는 능력이 중요해지고 있다고 짚습니다. 결국 핵심은 AI를 쓰는 것 자체보다, 필요한 문제를 제대로 찾고 사람과 AI를 효과적으로 움직이는 것입니다.
1. "AI가 해주는데, 왜 아무것도 안 하나요?"
영상은 Y Combinator CEO인 개리 탄의 발언을 소개하며 시작합니다. AI가 많은 일을 해줄 수 있고 제품을 만드는 능력도 크게 향상됐는데, 왜 여전히 아무것도 시도하지 않느냐는 도발적인 질문입니다.
"AI가 지금 우리를 위해 거의 모든 일을 해주는데, 왜 아무것도 하지 않나요? 핑계가 뭔가요?"
진행자들은 이 말이 YC 입장에서는 자연스럽다고 봅니다. YC에서 최근 창업자와 스타트업의 모습, 매출 성장에 변화가 나타나고 있고, 개리 탄은 그 통계를 정리해 소개한 것이라는 설명입니다. 영상은 이를 바탕으로 AI 네이티브 스타트업은 실제로 돈을 벌 수 있는지, 또 적은 인원만으로 회사를 운영할 수 있는지를 살펴봅니다.
2. YC 통계로 본 빠른 매출 성장과 창업자 변화
YC 프로그램은 약 3개월간 진행되며, 한 배치에 참여한 회사들은 프로그램을 마치고 각자의 사업을 이어갑니다. 진행자들은 최근 YC 배치 기업의 프로그램 종료 시점 월 매출 중앙값이 기존 약 8,000달러에서 2만 달러로 늘었다는 통계를 이야기합니다. 평균값이 아니라 중앙값이므로, 소수의 초대형 성공 사례만으로 수치가 부풀려진 것은 아니라는 점도 강조합니다.
또 한 회사가 3개월 만에 매출 100만 달러를 달성한 사례도 언급됩니다. 이런 사례는 예전에는 전설처럼 들렸지만, 이제는 창업 초기부터 매우 빠르게 매출을 올리는 일이 실제로 나타나고 있다는 뜻입니다.
"스타트업이 시작하자마자 빠르게 성공하는 전설 같은 사례가 실제로 벌어지고 있어요."
창업자 구성에서도 변화가 있습니다. 1인 창업자의 비중이 크게 늘었고, 처음에는 혼자 시작한 뒤 나중에 공동창업자를 영입하는 경우도 많아졌습니다. 과거에는 공동창업자끼리 지분을 50 대 50으로 나누는 방식이 흔했지만, 이제는 한 사람이 많은 일을 해낸 뒤 동료를 합류시키는 경우가 늘면서 지분도 역할과 기여에 따라 달라지는 모습입니다.
"한 사람이 혼자 할 수 있는 일이 지금은 너무 많아졌어요."
예전에는 말과 사업을 잘하는 사람, 기술과 개발에 능한 사람이 짝을 이루는 공동창업자 조합이 자주 떠올랐습니다. 하지만 AI가 제작과 개발의 많은 부분을 보완하면서, "그렇다면 왜 반드시 공동창업자가 필요할까?"라는 질문도 생깁니다. YC가 1인 창업자에게 특화된 액셀러레이터처럼 변하고 있다는 이야기도 이 변화와 맞닿아 있습니다.
3. 40대 창업자와 '무엇을 만들지 아는 능력'
영상은 40대 창업자들이 예상보다 좋은 성과를 내고 있다는 점을 중요한 변화로 꼽습니다. 나이가 들면 무조건 창업에 불리해지는 것이 아니라, 오랜 경험을 통해 어떤 문제를 풀어야 하는지 더 잘 알 수 있다는 설명입니다.
"무엇을 만들 수 있는지가 아니라, 무엇을 만들어야 하는지 아는 것이 가장 중요한 능력입니다."
경험이 쌓이면 어떤 일을 해보고 싶었는지, 어떤 시도를 미뤄온 것을 후회하는지 분명해질 수 있습니다. 이런 확신은 AI를 활용할 때도 도움이 됩니다. AI에게 좋은 결과를 얻으려면 단순히 지시를 내리는 데 그치지 않고 상황과 목표를 잘 설명하는 맥락을 제공해야 하기 때문입니다. 팀을 이끌어본 사람은 무엇을 해야 하는지, 결과의 목표가 무엇인지 파악하고 있을 가능성이 더 크다는 이야기입니다.
따라서 AI 시대에는 기술을 직접 잘 다루는 능력만큼이나 문제를 정확히 정의하고 방향을 제시하는 경험이 중요해질 수 있습니다.
4. 소프트웨어에서 하드테크로: '비트에서 원자로'
다음으로 영상은 '비트에서 원자로'라는 표현을 통해 소프트웨어를 넘어 로봇, 제조, 방위산업, 실리콘 포토닉스 같은 하드테크 분야의 성장을 다룹니다. YC에서 로봇 관련 스타트업 비중이 과거 약 1%에서 6~7% 수준으로 늘었다는 언급이 나오고, 박사 학위를 가진 창업자도 많아지고 있다고 설명합니다.
과거 YC가 주목하던 창업자는 스탠퍼드나 MIT를 중퇴한 젊은 학생 창업자 이미지가 강했습니다. 이제는 복잡한 기술과 전문 지식이 필요한 문제를 풀기 위해 기술적 기반을 갖춘 창업자가 더 많이 등장하고 있습니다. 로봇처럼 실제 세계와 맞닿아 있어 구현이 까다로운 분야도 창업의 무대가 되고 있다는 것입니다.
하드웨어 사업은 원래 큰 초기 자본과 많은 인력이 필요하고, 소프트웨어 기업처럼 빠르게 규모를 키우기 어렵다는 인식이 있었습니다. 하지만 AI가 여러 업무를 도우면서 초기 진입 비용과 필요한 인력이 줄어들 수 있습니다. 영상에서는 전통적인 금속 제조 기업이 소프트웨어 기업만큼 빠르게 성장하는 사례도 언급합니다.
다만 진행자들도 왜 AI 시대에 하드테크 창업이 특히 늘어나는지에 대해서는 확답하지 않습니다. 소프트웨어는 복제하기 쉬워 차별화가 어려워지고, 하드웨어는 진입이 어렵다는 점이 영향을 주는지 생각해보지만, 그 이유를 통계만으로 단정하지는 않습니다.
5. 조용히 성장하는 데이터 기업과 AI 학습 환경
스타트업은 대개 언론이나 소셜미디어에서 크게 주목받는다고 생각하기 쉽지만, 영상은 유명세보다 훨씬 큰 수익을 내면서 조용히 성장하는 기업들도 있다고 말합니다. 특히 AI 학습에 필요한 데이터를 제공하는 업체나 강화학습 환경을 만드는 회사들이 늘고 있습니다.
"아무도 잘 모르는데, 어느 날 보면 돈을 엄청 벌고 있는 회사들이 있어요."
Scale AI가 이런 데이터 기업의 초기 사례로 언급됩니다. 예전에는 뚜렷한 분류가 없던 사업 영역이 지금은 '데이터 벤더'라는 범주로 자리 잡았고, AI 모델을 학습시키고 개선하는 데 필요한 데이터와 환경을 제공하는 기업들이 하나의 산업군을 형성하고 있다는 설명입니다.
이런 변화는 창업 기회를 꼭 눈에 잘 띄는 소비자용 앱이나 유명한 제품에서만 찾을 필요는 없다는 점을 보여줍니다. AI 산업을 가능하게 하는 기반을 공급하는 사업도 큰 시장이 될 수 있습니다.
6. 제품을 과감히 접고 창업자-시장 적합성을 찾기
이어지는 사례는 a16z가 소개한 Lightfield입니다. 이 회사는 처음에는 AI로 프레젠테이션 자료를 만드는 서비스 Tome을 운영했고, 이용자가 2,500만 명에 이르렀습니다. 하지만 회사 내부에서는 제품에 만족하지 못했고, 결국 서비스를 접었습니다.
이용자가 많더라도 제품을 만든 팀이 실제 품질을 믿지 못한다면 장기적으로 사용자가 떠날 수 있다고 판단한 것입니다. AI 덕분에 새로운 제품을 만드는 일이 쉬워진 만큼, 반응이 있는 제품을 무조건 붙잡기보다 더 잘 만들 수 있고 진심으로 해결하고 싶은 문제로 방향을 바꾸는 선택도 가능해졌습니다.
"우리가 진짜 좋아하지 않는 제품이라면, 결국 그 사람들도 떠나지 않을까요?"
이 대목에서 진행자들은 PMF(Product-Market Fit)와 Founder-Market Fit을 구분해 설명합니다. PMF는 제품이 시장에서 실제로 필요하고 잘 맞는 상태를 뜻합니다. Founder-Market Fit은 창업자의 경험과 관심, 강점이 그 시장과 문제에 잘 맞는지를 가리킵니다.
한 가지 방식은 좋은 시장을 먼저 고른 뒤 최소 기능 제품을 만들어 출시하고, 반응이 없으면 계속 피벗하는 것입니다. 다른 방식은 창업자가 오랫동안 관심을 갖고 전문성을 쌓아온 분야에서 시작하는 것입니다. 예를 들어 로봇을 오래 연구한 박사라면 로봇 분야에 대한 깊은 이해와 열정을 바탕으로 회사를 만들 수 있습니다.
AI가 전문 영역에 진입하는 장벽을 낮추면서, 창업자가 원래 잘 알고 좋아하는 분야에서 직접 제품을 만드는 기회도 커졌습니다. 돈이 될 것 같은 시장을 억지로 선택하기보다, 자신이 잘 이해하고 진심으로 개선하고 싶은 문제를 택하면 더 나은 제품과 설득력 있는 이야기를 만들 수 있다는 주장입니다.
7. AI 백오피스와 뒤틀리는 가격 정책
Lightfield는 이후 회사 운영을 돕는 백오피스 도구를 만들었습니다. 과거에는 엑셀이나 정해진 표에 사람이 직접 구매 내역과 거래 정보를 입력해 관리했습니다. 하지만 AI가 여러 원천 데이터를 모아 장부를 자동으로 만들 수 있다면, 사람이 먼저 표의 구조를 정하고 내용을 채우는 방식 자체를 바꿀 수 있습니다.
영상에서는 이런 생각을 "스키마보다 지능이 우위에 선다"는 식으로 표현합니다. 여기서 스키마는 데이터를 정리하는 표나 형식처럼, 사람이 미리 만들어두는 틀을 뜻합니다. 이전에는 비싼 인력과 시스템이 있어야 가능했던 지능적인 분류와 정리를 AI가 대신할 수 있다는 것입니다.
하지만 제품을 만드는 일과 별개로 가격을 어떻게 매길지가 큰 문제가 됐습니다. 직원 수에 따라 요금을 받으면 고객이 예상보다 많이 사용했을 때 서비스 제공 비용이 급증할 수 있습니다. 반대로 사용량에 따라 과금하면 고객이 비용을 걱정해 제품을 충분히 쓰지 않을 수 있습니다. 실제 사례에서는 요금 체계가 사용량을 감당하지 못해 회사가 거의 파산할 뻔했다고 소개됩니다.
"사용자가 너무 많이 써서 비용이 폭증했고, 그렇다고 사용량 기준으로 받으니 아무도 쓰지 않았어요."
AI 제품은 사용자마다 사용량 차이가 기존 소프트웨어보다 훨씬 클 수 있습니다. 영상에서는 진행자들 사이의 토큰 사용량이 1만 배까지 차이 난다는 예를 들며, 사용량 차이가 곧바로 생산성 차이를 뜻하지는 않는다고 지적합니다. AI 기능을 추가한 슬랙이나 노션 같은 기존 서비스도 사용량과 가치, 비용을 어떻게 연결할지 고민해야 합니다.
결국 AI 시대에는 사용량 기반 과금, 구독료, 고객이 얻는 가치, 서비스 운영 비용이 서로 어긋날 수 있습니다. 가격을 기존 SaaS 방식대로 정하기 어려워졌다는 것이 AI 스타트업과 고객 모두가 마주한 현실적인 문제입니다.
8. 역할 경계가 흐려지는 AI 네이티브 조직
Lightfield의 일하는 방식은 전통적인 직무 구분과 다릅니다. 먼저 해야 할 일을 정리하고 중요도에 따라 우선순위를 매긴 다음, 개발·고객 대응·제품 개선 등 필요한 일을 구성원들이 나누어 맡습니다. "이건 내 일, 저건 네 일"이라는 경계를 최대한 흐리려는 방식입니다.
"내 일과 네 일의 경계를 완전히 없앴습니다."
영상은 이 방식이 단순히 모두가 모든 일을 아무렇게나 하는 뜻은 아니라고 설명합니다. 각자 전문성은 있더라도, 직무를 이유로 다른 영역의 문제를 외면하지 않고 필요한 일을 직접 처리하거나 초안을 만들어 협업한다는 취지입니다.
제품 관리자가 AI로 디자인 초안을 만들어 디자이너에게 검토를 부탁한 사례도 이야기합니다. 이에 대해 "내 일을 왜 대신하느냐"는 반발이 나왔지만, 진행자들은 문제를 단순히 영역 침범으로만 볼 필요는 없다고 말합니다. 초안의 품질이 부족했다면 그것은 결과물과 소통의 문제일 수 있습니다. 반대로 실제로 좋은 초안을 만들었다면, 직무가 다르다는 이유만으로 이를 막을 필요는 없다는 관점입니다.
다만 상대에게 초안을 전달하는 방식이 "이제 빨리 마무리하라"는 압박처럼 느껴질 수 있으므로, 협업의 의도와 전달 방식을 살피는 일은 여전히 중요합니다. AI로 한 사람이 여러 역할을 잘 수행할 가능성이 커졌어도, 모든 사람이 모든 일을 잘할 수 있는 것은 아닙니다. 잘하는 일에 집중하고 어려운 일은 다른 사람과 나누는 것 역시 필요합니다.
이 때문에 역할을 무조건 없애는 것이 답인지에 대한 토론도 이어집니다. 짧은 작업은 여러 사람이 유연하게 나눌 수 있지만, 몇 주나 몇 달 동안 이어지는 일에는 담당자와 책임감, 즉 오너십이 필요할 수 있습니다. 구성원 모두가 회사의 성공을 자기 일처럼 여기는 작은 조직이라면 경계가 덜 중요해질 수 있지만, 인원이 늘어날수록 같은 방향으로 정렬하기는 어려워집니다.
9. 작은 팀과 고객 확보, 전통적 SaaS의 생존
진행자들은 자신들의 팀도 핵심 인원이 적고, 역할을 엄격히 나누기보다 다양한 일을 함께 맡는 방식으로 운영한다고 말합니다. 규모가 커지더라도 한 조직을 크게 늘리는 대신, 제품이나 사업 단위로 작은 팀을 구성하는 방식을 선호할 수 있다는 의견도 나옵니다. 텔레그램처럼 의도적으로 적은 인원을 유지하는 기업 사례도 언급됩니다.
Lightfield 사례에서는 영업과 마케팅을 합친 고객 확보 담당자가 세 명뿐이었다는 점이 소개됩니다. 적은 인원으로도 상당한 투자와 성장을 이뤄낼 수 있다는 뜻입니다. 고객을 확보할 때도 현재 가장 큰 매출을 내는 고객만 쫓기보다, 앞으로 빠르게 성장할 가능성이 있는 기업을 일찍 찾아내는 전략이 중요할 수 있습니다.
전통적인 SaaS 기업이 AI 네이티브 기업에 대체될지에 대해서는 의견이 갈립니다. 한쪽에서는 오래된 방식의 소프트웨어가 사라지고 AI 기반 대안이 들어설 것이라고 보고, 다른 쪽에서는 기존 기업도 변화에 잘 적응하면 살아남을 수 있다고 봅니다. 진행자들의 정리는 비교적 현실적입니다.
"전통적인 SaaS도 잘 적응하면 살아남고, 그러지 못하면 사라질 겁니다."
10. AI의 발전 속도, 직무 갈등, 앞으로 필요한 사람
AI가 지금처럼 계속 발전할지에 대해서는 불확실성이 있습니다. 다만 진행자들은 AI의 영향이 과소평가되는 경향이 있다고 봅니다. 불과 몇 년 전에는 대형 언어 모델이 질문에 답하는 수준에 머물 것이라는 회의적인 시각이 있었지만, 이후 AI가 실제 과업을 수행하는 에이전트로 발전하면서 상황이 크게 바뀌었습니다.
"모델이 여기서 더 발전하지 않더라도, 지금 나온 기술을 실제로 적용하는 것만으로도 많은 게 바뀔 겁니다."
새 모델이 빠르게 등장해도 기업과 일상에서 그 기술이 쓰이는 데는 시간이 걸립니다. 그런데 모델 자체가 계속 발전하고 있으므로, 아직 충분히 적용하지도 못한 기술만으로도 큰 변화가 일어날 수 있다는 주장입니다. GPU 부족을 걱정하는 기업들이 많아진 상황을 보면, AI 연산 능력에 미리 투자한 판단도 옳았을 수 있다고 이야기합니다.
이러한 변화에서 가장 비싼 능력은 결국 무엇을 만들지 결정하는 일입니다. 이전에 만든 것을 버려야 하더라도 고객에게 정말 필요한 다음 제품이 무엇인지 찾아야 합니다. AI가 제작 비용을 낮추고 인력 수요를 줄인 만큼, 창업자는 무엇을 만들지 알고 제대로 구현하는 데 집중해야 합니다.
하지만 조직 안에서는 직무 갈등이 커질 수 있습니다. 개발자가 어렵다고 한 기능을 디자이너가 AI를 써서 하루 만에 만들면, 새로운 가능성을 보여준 일로 볼 수도 있지만 기존 담당자의 영역을 위협한 일로 받아들여질 수도 있습니다. 역할 경계가 흐려지는 방향이 생산적일 수 있다는 걸 알아도, 구성원 모두가 그 변화를 편하게 받아들이는 것은 아닙니다.
"사람들이 화를 내는 건 모두가 위협을 느끼기 때문일 수도 있어요."
특히 직원 입장에서는 자신의 직무가 바뀌는 것이 단순한 업무 조정이 아니라 생계와 고용 안정의 문제일 수 있습니다. 미국처럼 인력 조정이 비교적 쉬운 환경과 한국처럼 조직 변화나 해고가 쉽지 않은 환경은 대응 방식도 다를 수 있습니다. 기존 구성원을 AI 활용에 맞게 바꾸려 해도 잘되지 않고, 그렇다고 쉽게 교체할 수도 없다면 갈등이 오래 이어질 수 있다는 현실적인 고민이 나옵니다.
그렇다고 조직에서 나와 창업하는 것이 언제나 답인 것도 아닙니다. 내부에서 비효율적으로 보이는 회사가 계속 살아남는다면, 외부에서 쉽게 보이지 않는 강점이 있을 수 있습니다. 따라서 조직의 문제를 해결할 수 있는 사람은 귀한 인재가 되겠지만, 실제로 서로의 이해관계를 조정하는 일은 쉽지 않다고 말합니다.
마지막으로 영상은 창업자와 직장인 모두에게 질문을 던집니다.
"무엇을 만들어야 하는지 알고 있나요?"
"그걸 안다면 무엇을 해야 할지도 알겠지만, 그보다 먼저 그런 관점을 키워야 합니다."
또 AI 시대에 회사가 어떤 사람을 채용해야 하는지도 답이 정해져 있지 않다고 말합니다. 과거에는 개발을 잘하면 개발자로, 디자인을 잘하면 디자이너로 채용하는 식으로 전문 역할이 선명했습니다. 이제는 역할을 넘나들며 문제를 해결하는 사람이 필요해질 수 있지만, 그렇다면 기업은 누구를 뽑아야 하고 개인은 어떤 역량을 길러야 하는지 계속 고민해야 합니다.
11. 실험하며 답을 찾아가는 AI 네이티브 기업
영상은 통계와 사례를 함께 보면 스타트업의 변화가 실제로 진행되고 있다고 정리합니다. 1인 창업자와 중년·박사 창업자가 늘고, 짧은 기간에 매출을 만드는 사례가 나타나며, 제품을 과감히 접고 피벗하는 기업도 생겨났습니다. 조직에서는 역할의 경계가 약해지고, 적은 인원으로 고객을 확보하는 방식이 가능해지고 있습니다.
그렇지만 이런 변화가 곧바로 모든 조직에 적용될 수 있는 정답을 뜻하지는 않습니다. 가격 정책은 여전히 어렵고, 오너십과 협업 방식도 상황에 따라 다르며, AI가 바꾼 역할을 두고 갈등이 생길 수 있습니다. 진행자들은 AI 네이티브 기업에 관한 이야기를 여러 차례 다루고 직접 실천해보면서 생각이 조금씩 정리되고 있지만, 답을 이미 알고 있는 것은 아니라고 덧붙입니다.
"직접 해보면 생각이 조금씩 바뀌고, 무엇이 분명한지도 서서히 보이기 시작합니다."
결국 영상의 핵심은 AI가 모든 문제를 해결해준다는 말이 아닙니다. 무엇을 만들지 찾아내고, 변화한 기술을 실제 제품과 조직에 적용하며, 그 과정에서 생기는 갈등과 비용 문제까지 다뤄가는 일이 AI 시대 창업자와 조직에 남은 과제라는 이야기입니다.