Simile은 사람들의 가치관·취향·편견·행동을 학습해 개인과 집단, 시장 전체를 시뮬레이션하는 인간 행동 파운데이션 모델을 만들고 있다. 창업자 준성 박은 단순히 미래를 예측하는 것을 넘어, "어떻게 하면 우리가 원하는 미래를 만들 수 있는가"를 보여주는 것이 시뮬레이션의 핵심이라고 설명한다. 그는 뛰어난 AI 기업이 되려면 남들이 쉽게 따라 할 수 없는 독특하고 방어 가능한 데이터 확보 전략이 반드시 필요하다고 강조한다.

1. 발렌타인데이 시뮬레이션에서 시작된 Simile

진행자 해리 스테빙스는 준성 박이 2023년 선보인 독특한 프로젝트, 이른바 Smallville 시뮬레이션부터 이야기를 시작한다. 당시 대규모 언어 모델은 분류나 간단한 텍스트 생성에 주로 사용되고 있었지만, 준성 박과 동료들은 언어 모델이 훨씬 더 큰 잠재력을 갖고 있다고 보았다.

언어 모델은 인터넷에 표현된 방대한 인간의 행동과 감정, 의견 데이터를 학습한다. 따라서 적절한 방식으로 질문하면 단순한 문장 생성이 아니라, 꽤 현실적인 인간 행동을 끌어낼 수 있다는 것이 초기 관찰이었다.

"이 모델들은 인간 행동과 감정에 관한 데이터를 아주 많이 학습했습니다. 올바른 각도에서 자극하면, 실제 인간처럼 보이는 행동을 상당히 많이 끌어낼 수 있었습니다."

준성 박은 오래전부터 컴퓨터과학에서 꿈꿔 온, 어떤 환경에서도 인간처럼 행동할 수 있는 범용 에이전트를 만들 기회가 왔다고 생각했다. 그래서 가장 야심 찬 미래의 모습을 상상했고, 그 결과가 하나의 작은 마을 전체를 시뮬레이션하는 실험이었다.

가상의 마을에는 25명의 NPC, 즉 게임 속 비플레이어 캐릭터가 살았다. 하지만 이들은 단순히 정해진 대사를 반복하는 캐릭터가 아니었다. 아침에 일어나 일상을 보내고, 직장에 가고, 다른 주민들과 관계를 맺으며, 자신이 겪은 일을 기억했다. 또 하루를 계획하고, 이전 경험을 바탕으로 자신의 행동을 조정했다.

특히 시뮬레이션의 시점이 발렌타인데이 전날로 설정되면서 흥미로운 일이 일어났다. 주민들은 누가 시키지 않았는데도 서로 모여 파티를 계획하고, 카페를 꾸미고, 관계를 형성하며 마을의 행사를 스스로 조직했다.

"에이전트들이 서로 만나고, 파티를 열고, 스스로 조직하는 모습을 볼 수 있었습니다. 그들은 직접 파티를 계획하고 카페를 장식했습니다."

이 프로젝트의 중요한 기여는 오늘날 에이전트 시스템에서 익숙한 기억·계획·성찰이라는 구조를 초기부터 명시적으로 적용했다는 점이다. 당시에는 GPT-3.5와 텍스트 다빈치 모델을 사용했으며, 아직 ChatGPT가 널리 등장하기 전이었다.

2. 에이전트에게 기억과 성찰을 부여한 방법

여러 에이전트가 함께 살아가려면 서로를 기억해야 한다. 그렇지 않으면 룸메이트를 만날 때마다 "처음 만나서 반가워요"라고 말하는 문제가 생긴다.

초기에는 매우 단순한 방식으로 기억 문제를 해결했다. 언어 모델이 자연어를 잘 처리한다는 점을 활용해, 에이전트의 경험을 전부 마크다운 텍스트 파일에 저장했다.

"처음에는 모든 것을 마크다운 텍스트 파일에 넣었습니다. 그게 전부였습니다."

하지만 시간이 지나면 기억의 양이 너무 많아진다. 작은 게임 속 마을에서도 에이전트가 경험하는 사건은 빠르게 쌓이고, 실제 세계처럼 수많은 사람과 장소, 사건을 다루려면 단순히 모든 기록을 저장하는 것만으로는 부족하다.

예를 들어 어떤 에이전트가 일주일 동안 오믈렛을 다섯 번 먹었다고 하자. 단순한 기억은 "오믈렛을 다섯 번 먹었다"에서 끝나지만, 더 중요한 것은 그 행동의 의미다. 왜 계속 오믈렛을 먹었는지, 바빴기 때문인지, 오믈렛을 좋아해서인지, 혹은 특정한 기억과 연결돼 있는지를 파악해야 한다.

그래서 도입한 것이 성찰(reflection)이다. 일정한 시간이 지나면 에이전트가 자신의 여러 기억 조각을 다시 읽고, 그 안에서 더 높은 수준의 의미를 정리하도록 했다.

"왜 이번 주에 오믈렛을 그렇게 자주 먹었지? 바빴던 건가? 오믈렛을 좋아하나? 왜 매일 도서관에 갔지? 그 일이 나에게 중요한가?"

이 과정을 거치면 에이전트는 단순한 사건 목록을 넘어 자신의 성격과 관점, 가치관을 형성하기 시작한다. 어떤 연구 주제에 자신이 깊이 관심을 갖고 있다는 사실을 깨닫거나, 그 관심이 어린 시절의 경험과 연결돼 있을 수도 있다.

"이 연구 주제에 나는 사실 꽤 깊이 몰입해 있구나. 어쩌면 이것은 어린 시절의 경험이나 근본적인 기억과 관련이 있을지도 몰라."

이렇게 기억을 축적하고, 계획을 세우고, 경험을 성찰하는 과정이 에이전트에게 개성과 세계관을 부여한다.

3. Simile은 기존 프런티어 모델과 무엇이 다른가

준성 박은 Simile을 단순한 시뮬레이션 도구가 아니라 인간 행동의 파운데이션 모델을 만드는 회사라고 정의한다. 이 모델은 개인부터 특정 하위 집단, 생태계와 시장 전체까지 다양한 규모의 시뮬레이션을 생성하는 데 활용될 수 있다.

OpenAI나 Anthropic 같은 프런티어 모델 기업들은 대체로 코딩, 수학, 자연과학 같은 영역에서 인간보다 뛰어난 초합리적이고 지능적인 기계를 만들려 한다. 반면 Simile이 원하는 것은 정반대에 가깝다.

"누군가 특정 상황에서 실수를 한다면, 우리 모델도 같은 종류의 실수를 하기를 원합니다. 인간이 편향되는 방식으로 우리 모델도 편향되기를 원합니다."

Simile이 표현하려는 것은 인간의 논리적 능력보다 주관적인 측면이다. 사람들의 가치, 선호, 취향, 편견, 감정처럼 객관적인 정답으로 환원하기 어려운 요소를 모델링하려는 것이다.

"우리는 사람들의 가치관과 선호, 취향을 표현하는 모델을 만들고 싶습니다. 인간 뇌의 주관적인 부분에 해당하는 영역입니다."

따라서 Simile의 모델은 항상 가장 합리적인 답을 내놓는 것이 목표가 아니다. 오히려 실제 사람들이 특정 상황에서 보일 법한 반응과 판단, 심지어 비합리적인 선택까지 재현해야 한다.

4. 사람들이 말하는 것보다 행동 데이터가 중요한 이유

해리는 사람들이 말하는 것과 실제로 하는 행동 사이에는 큰 차이가 있다고 지적한다. 인터넷 데이터와 기존 언어 모델의 학습 데이터는 주로 사람들이 무엇을 말했는지를 담고 있다. 하지만 Simile은 사람들이 실제로 무엇을 했는지에 더 가까운 데이터를 수집한다.

Simile은 거래 데이터, 관찰 데이터, 고객 및 파트너와 협력해 확보한 행동 데이터를 활용한다. 그러나 준성 박은 관찰 데이터만으로는 충분하지 않다고 본다.

관찰 데이터는 어떤 행동이 일어났고, 그 뒤에 어떤 결과가 나타났는지 파악하는 데 유용하다. 즉, 미래 결과와 현재 관찰 사이의 상관관계를 찾는 데 강하다. 하지만 기업이 정말 알고 싶은 것은 단순히 미래에 무슨 일이 생길지가 아니다.

"아무도 실제로 예측 자체에 관심을 갖지는 않습니다. 주식시장을 예측하려는 경우가 아니라면, 미래에 무슨 일이 일어날지 아는 것만으로는 충분하지 않습니다."

예를 들어 스타벅스가 2분기 뒤 프라푸치노 판매가 급락할 것이라는 예측을 받는다고 해도, 그것은 좋은 소식이 아니다. 스타벅스가 알고 싶은 것은 판매량이 떨어진다는 사실이 아니라, 그 하락을 막기 위해 지금 무엇을 해야 하는가다.

이를 위해서는 원인과 결과를 설명하는 인과 메커니즘과 "만약 다른 선택을 했다면 어떻게 됐을까"를 다루는 반사실적 사고가 필요하다.

그래서 Simile은 무작위 대조 실험과 A/B 테스트를 중요하게 여긴다.

"사람들이 이것을 했을 때와 저것을 했을 때 행동이 어떻게 달라지는지를 보여줍니다. 이런 데이터가 우리의 핵심 학습 자산이 됩니다."

즉, 단순히 사람들이 무엇을 했는지를 관찰하는 데 그치지 않고, 여러 선택지를 실제로 제시해 행동 변화가 어떻게 나타나는지 측정한다. 이를 통해 기업의 의사결정에 직접 연결되는 시뮬레이션을 만들 수 있다는 설명이다.

5. 방어 가능한 데이터 확보 전략

준성 박은 현 세대의 AI 기업들에게 가장 중요한 경쟁력이 독특하고 방어 가능한 데이터 전략이라고 말한다.

"이 세대의 AI 기업이라면, 방어 가능한 흥미로운 데이터 전략을 갖고 있어야 합니다."

Simile의 데이터 확보에는 두 가지 큰 과제가 있다.

첫째는 대표성 있는 사람들을 모집하는 것이다. 다른 AI 기업들이 뛰어난 프로그래머나 과학자처럼 특정 전문 집단을 모집한다면, Simile은 평범한 일상을 살아가는 사람들을 대상으로 한다. 중요한 것은 단순히 많은 사람을 모으는 것이 아니라, 실제 세계의 인구 구성을 얼마나 잘 반영하느냐이다.

둘째는 사람들에게 올바른 질문을 던지는 것이다. 표면적인 선호를 묻는 것보다 그 사람이 어떤 가치관과 경험을 지녔는지 파악할 수 있는 질문이 중요하다.

"당신의 인생 이야기를 들려주세요. 어디에서 자랐나요? 무엇을 경험했나요? 지금까지 해결해야 했던 가장 어려운 문제나 내려야 했던 결정은 무엇이었나요?"

이런 질문은 사람의 행동을 단편적으로 기록하는 데서 벗어나, 그 행동의 배경이 되는 삶의 경험과 성격을 파악하게 해준다.

Simile은 장기적으로 인구 전체를 표현할 수 있는 모델을 목표로 한다. 특정 조건을 가진 사람들만 골라서 질문하는 상황이 계속 발생하기 때문이다. 어떤 사용자가 나중에 예상치 못한 기준으로 특정 집단을 필터링하더라도, 충분한 대표성을 확보하고 있어야 그 집단의 반응을 시뮬레이션할 수 있다.

6. 예측보다 미래를 바꾸는 것이 중요한 이유

해리는 "스타벅스의 판매량이 떨어질 것을 미리 안다면, 구매와 재고 전략을 조정할 수 있으니 예측도 충분히 가치 있는 것 아니냐"고 다시 묻는다.

준성 박은 그 지적을 인정하면서도, 결국 그 예측을 원하는 이유는 미래에 맞춰 전략을 바꾸기 위해서라고 답한다.

"예측을 원하는 이유는 전략을 바꾸기 위해서입니다. 결국 핵심은 반사실적 질문입니다."

기업은 단순히 "무슨 일이 일어날까?"가 아니라 다음을 알고 싶어 한다.

• 이 시장에 대응하려면 무엇을 바꿔야 하는가?
• 어떤 제품을 출시하면 소비자들이 어떻게 반응할까?
• 어떤 정책을 시행하면 여러 집단이 어떻게 움직일까?
• 부정적인 결과를 피하거나 긍정적인 결과를 강화하려면 무엇을 해야 할까?

Simile이 제공하려는 것은 바로 이런 행동 가능한 시뮬레이션이다. 결과를 맞히는 것에서 끝나지 않고, 그 결과가 만들어지는 과정과 각 단계에서 개입할 수 있는 지점을 보여주는 것이다.

7. 차세대 Qualtrics를 넘어서는 시장

해리는 Simile이 기업의 설문조사와 고객 피드백을 대신하는 차세대 Qualtrics에 그치는 것 아니냐고 묻는다.

준성 박은 Simile의 핵심은 설문조사나 인터뷰 도구를 더 잘 만드는 것이 아니라고 선을 긋는다.

"우리가 만들려는 핵심은 간단합니다. 관심 있는 집단을 말해주면, 우리가 그 집단을 모델링하는 것입니다."

기존 시장조사 도구들이 설문과 인터뷰라는 도구를 개선해 왔다면, 시뮬레이션은 사람들의 관점을 대규모로 표현할 수 있는 일반화 가능한 인간 모델을 구축하는 데 초점을 둔다.

앞으로는 단순히 사람들의 반응을 개별적으로 묻는 것을 넘어, 수많은 사람이 서로 상호작용하는 상황을 통째로 시뮬레이션할 수 있다. 신제품 출시 전 시장 전체의 반응을 실험하거나, 하나의 의사결정이 생태계에 미칠 연쇄 효과를 분석할 수도 있다.

"새로운 제품을 출시하기 전에 전체 출시 과정을 시뮬레이션하고, 사람들이 어떻게 반응할지, 시장이 어떻게 움직일지 볼 수 있다면 어떨까요?"

이 기술은 기후변화처럼 여러 이해관계자의 협력이 필요한 난제(wicked problems)에도 적용될 수 있다. 각 집단의 이해관계가 다르기 때문에 모두가 받아들일 수 있는 균형점을 찾기 어려운 문제를 시뮬레이션해 보는 것이다.

또한 민주주의가 어떤 조건에서 약화되거나 실패하는지, 선거와 정책 결정 과정에서 어떤 결과가 나오는지도 연구할 수 있다.

8. 강력한 시뮬레이션 기술을 누가 사용해야 하는가

해리는 선거와 민주주의처럼 민감한 영역에서 시뮬레이션을 누구와 협력하고, 누구에게는 제공하지 않을 것인지 묻는다.

준성 박은 이 문제에서 원칙이 매우 중요하다고 답한다. 시뮬레이션은 강력한 기술인 만큼 오용 가능성도 크다. 그가 생각하는 기술의 북극성은 대규모 대표성이다.

사람들은 서로 다른 관점과 취향을 갖고 있지만, 중요한 결정이 내려지는 회의실에서 그들의 목소리가 제대로 반영되지 않는 경우가 많다. "고객의 목소리를 듣는다", "이해관계자의 의견을 반영한다"고 말하는 것은 쉽지만, 실제로 모든 사람의 의견을 듣는 일은 어렵다.

"시뮬레이션은 의사결정 과정에서 사람들의 목소리를 대규모로 들을 수 있게 해주는 방법입니다. 그것이 우리의 북극성입니다."

따라서 Simile은 특정 집단을 조작하거나 여론을 은밀하게 움직이는 도구가 아니라, 의사결정 과정에 더 많은 사람의 관점을 반영하는 기술이 되어야 한다고 본다.

9. 얼마나 많은 사람이 있어야 정확한가

좁고 명확한 집단을 분석한다면 사회과학 연구에서는 약 1,000명 정도만으로도 통계적 유의성을 확보할 수 있다. 하지만 Simile의 사용자는 언제든 새로운 조건을 조합해 집단을 필터링할 수 있다.

예를 들어 연령, 지역, 직업, 소득, 특정 경험 등을 조합해 예상하지 못한 하위 집단의 반응을 물을 수 있다. 이런 요청에 대응하려면 처음부터 매우 넓은 인구 구성을 모델 안에 포함해야 한다.

"특정 하위 집단으로 즉석에서 필터링할 수 있게 하려면, 결국 전체 인구를 표현하고 있어야 합니다."

Simile의 목표는 단순히 어느 한 조사에서 통계적으로 유의미한 결과를 내는 것이 아니라, 다양한 질문과 기준에 대응할 수 있는 인구 전체의 디지털 표현을 만드는 것이다.

10. 현실 세계가 정답지가 되는 데이터 플라이휠

Simile의 모델은 시간이 지날수록 더 좋아질 수 있다. 시뮬레이션 결과를 실제 세계에서 관찰하고, 예측이 맞았는지 틀렸는지 확인하면서 모델을 계속 개선할 수 있기 때문이다.

해리는 이를 바둑 AI인 AlphaGo에 비유한다. 모델이 수많은 대국을 반복하며 실수를 수정한 것처럼, 현실에서 매일 일어나는 사건 하나하나가 시뮬레이션 모델을 교정하는 새로운 학습 사례가 된다.

코딩 에이전트는 사용자가 제안을 수락했는지 거절했는지를 즉시 알 수 있어 보상 신호가 명확하다. 반면 미래를 시뮬레이션하는 모델은 결과가 나중에 발생하기 때문에 검증이 어렵다는 문제가 있다.

그러나 준성 박은 시뮬레이션에는 오히려 특별한 장점이 있다고 말한다.

"세계 자체가 우리의 정답지입니다. 우리는 정답 세계 안에서 살고 있습니다."

Simile은 매일 수만 개의 가설을 만들고, 각 가설을 검증 가능한 결과와 연결한다. 시간이 지나 실제 세계에서 그 결과가 발생하면, 해당 시뮬레이션이 맞았는지 확인할 수 있다.

"한 달 동안 백만 개의 가설을 만들고, 그중 몇 퍼센트가 실제로 일어났는지 확인할 수 있습니다."

이렇게 시뮬레이션 결과와 현실의 차이를 계속 측정하면 데이터 플라이휠이 만들어진다. 더 많은 시뮬레이션을 실행하고, 더 많은 현실 데이터를 얻고, 이를 통해 모델이 개선되며, 개선된 모델이 다시 더 정확한 시뮬레이션을 생성하는 구조다.

컴퓨팅 비용도 중요한 문제지만, Simile은 이미 모델 실행 비용을 초기보다 약 100분의 1 수준으로 낮췄다고 설명한다. 핵심 기술과 철학은 유지하면서도 학습과 추론 방식을 개선해 효율을 높였다는 것이다.

11. 기업 시장에서 확인한 제품-시장 적합성

Simile은 현재 대기업을 중심으로 사업을 전개하고 있다. 기업 고객은 예산이 충분하고, 제품이 실제 업무의 고통을 해결하는지 빠르게 검증할 수 있기 때문이다.

준성 박은 스탠퍼드 시절 동료였던 Tableau 공동창업자 팻 한라한에게서 다음과 같은 조언을 들었다고 말한다.

"가장 좋은 피드백을 받는 방법은 사람들에게 돈을 내게 하는 것입니다."

Simile은 기업 시장조사를 초기 진입점으로 삼고 있다. 이미 예산이 존재하고, 고객이 즉시 가치를 느낄 수 있기 때문이다. 하지만 최종적으로는 사회 전체가 더 나은 결정을 내리는 데 이 기술을 활용하는 것이 목표다.

제품-시장 적합성은 Fortune 500 기업의 이사회와 최고경영진이 Smallville 시연을 보고 보인 반응에서 확인됐다.

"이런 방식으로 시장을 시뮬레이션할 수 있다면, 우리가 일하는 방식 자체가 바뀌겠구나."

Simile은 약 1년 동안 모델이 실제 사람들의 행동과 태도를 얼마나 정확하게 재현하는지 검증했다. 설문, 행동 실험, 실제 환경 등에서 사람의 반응을 예측했고, 사람들이 자기 자신을 재현하는 수준의 약 85% 정확도를 달성했다고 설명한다. 이 연구 결과가 2024년 말 공개되면서 합성 패널과 인간 행동 시뮬레이션 시장이 본격적으로 주목받기 시작했다.

현재 대기업 고객과의 계약은 전통적인 엔터프라이즈 영업보다 빠르게 진행됐다. 일부 대기업은 불과 3개월 안에 계약을 체결했다. 고객들이 느끼는 문제가 그만큼 절박했기 때문이다.

Simile은 기존 컨설팅 연구가 3~6개월 걸리는 질문에 대해, 초기 통화 자리에서 약 2분 만에 비슷한 결과를 보여주기도 했다.

"3~6개월이 걸린 연구의 결과를 단 2분 만에 예측했습니다."

고객이 원하는 것은 완벽하게 확정된 예언이라기보다, 지금까지 직감에 의존하던 의사결정에 방향을 제시해 줄 빠르고 충분히 정확한 근거다.

12. 비용보다 훨씬 큰 가치를 창출하는 시뮬레이션

해리는 Simile이 기업에 수백만 달러나 수십억 달러의 가치를 만들어준다면, 단순히 100만 달러를 받는 것은 가치와 가격 사이에 큰 차이가 있는 것 아니냐고 묻는다.

준성 박은 Simile의 가치는 매출을 최적화하는 데만 있지 않고, 수억 달러짜리 실수를 예방하는 것에도 있다고 설명한다.

"시뮬레이션을 통해 5억 달러짜리 재앙을 막았다면, 그것은 기업 입장에서 명백한 진통제입니다."

따라서 가치는 두 가지 방식으로 발생한다.

1. 더 나은 캠페인과 제품, 정책을 선택해 성과를 높이는 최적화
2. 실패할 가능성이 높은 결정을 사전에 걸러내는 예방

Simile은 단순히 미래에 무슨 일이 일어날지를 보여주는 회사와도 다르다. 핵심은 어떤 결과가 나타나는지뿐 아니라 어떻게, 왜 그 결과에 도달하는지를 보여주는 것이다.

"예측하는 것과, 생태계가 그 결과에 도달하기까지 어떤 단계를 거치는지 보여주는 것은 다릅니다."

이 과정을 알면 기업은 나쁜 결과를 막거나, 원하는 결과가 나오도록 중간 단계에 개입할 수 있다.

13. 연구소와 제품 회사를 동시에 운영하는 법

Simile은 일반적인 스타트업과 달리 연구소이면서 제품·엔지니어링·영업 조직을 함께 운영한다. 공동창업자 세 명은 스탠퍼드 연구자 출신이다. 준성 박은 에이전트와 시뮬레이션 연구를 했고, 마이클 번스타인은 ImageNet과 인간 중심 AI 분야의 연구자이며, 퍼시 량은 파운데이션 모델이라는 용어를 만든 학자다. 또 다른 공동창업자 레이니가 제품과 시장 진출을 이끈다.

이 구조가 작동하는 이유는 연구 성과와 고객 가치가 거의 같은 방향으로 움직이기 때문이다.

"모델이 사람을 더 잘 표현할수록 더 나은 시뮬레이션을 만들 수 있고, 이는 곧 사용자에게 더 정확하고 현실적인 경험을 제공합니다."

연구와 사업의 목표가 충돌하는 회사라면 두 조직을 동시에 유지하기 어렵다. 하지만 Simile에서는 모델이 좋아지는 것이 바로 제품이 좋아지는 것이며, 고객이 원하는 방향과 연구의 발전 방향이 맞닿아 있다.

14. 뛰어난 팀을 만드는 조건

준성 박은 연구자 출신이라 기업 영업 경험이 부족했기 때문에, 자신의 부족한 부분을 채울 수 있는 레이니를 공동창업자로 영입했다. 훌륭한 팀은 한 사람의 능력을 복제하는 것이 아니라 서로 다른 강점을 조합해야 한다.

"팀은 균형을 이루어야 합니다. 내가 가져올 수 있는 능력도 있지만, 내가 모르는 것도 많습니다."

그는 팀이 성장할수록 새롭게 생기는 빈틈을 미리 파악하고 채우는 것이 중요하다고 말한다. 동시에 팀 전체가 가치관과 엄격함을 공유해야 한다.

준성 박은 과거 인물화를 그리던 화가였던 경험을 팀 구성에 비유한다. 어떤 모델을 그리든 그림 속 인물에게 화가 자신의 분위기가 묻어나듯, 좋은 팀에는 창업자의 가치관과 태도가 반영된다.

그가 인재를 볼 때 중요하게 보는 기준은 그 사람이 여러 단계의 삶과 경력에서 계속 성공의 공통분모였는지다.

"그 사람이 지나온 각각의 단계에서, 그 일을 성공하게 만든 원인이 그 사람 자신이었는가? 넓게 보면 그 사람이 계속해서 공통분모였는가?"

이런 사람은 높은 주인의식을 가진다. 상황이 어떻게 흘러가든 "내가 개인적으로 이것을 성공시키겠다"고 생각하며, 필요할 때 자신을 새롭게 바꿀 수 있다.

또 하나 중요한 기준은 한 사람 안에 서로 공존하기 어려운 두 가지 상반된 초능력이 있는지다. 예를 들어 최고의 마케팅 리더는 매우 데이터 중심적이고 과학적인 동시에, 창의적이고 예술적인 감각도 갖고 있다.

준성 박은 공동창업자 레이니를 단기적으로는 극도로 걱정하고 경계하지만, 장기적으로는 성공을 확신하는 사람이라고 설명한다.

"오늘은 깊이 불안해하지만, 장기적으로는 세상이 우리 편이고 결국 성공할 것이라고 믿습니다."

단기적인 긴장감은 조직에 긴박함과 실행력을 주고, 장기적인 믿음은 어려운 시기를 버티게 해준다. 둘 중 하나만 있으면 문제가 생긴다. 불안만 있으면 비관론자가 되고, 믿음만 있으면 안일해진다.

해리도 이런 불안감이 오히려 성공을 만든다고 동의한다.

"오늘의 편집증과 걱정이 미래를 더 나은 상태로 만드는 데 도움이 된다고 믿는 것입니다."

15. 수천만 달러를 받는 연구 인재를 설득하는 법

AI 연구 인재에 대한 경쟁은 매우 치열하다. 준성 박의 가까운 연구자와 친구들 중에는 총보상이 수천만 달러에 이르는 사람도 있다.

Simile이 아무리 많은 투자를 받았더라도 대형 연구소의 기본 연봉을 그대로 맞추기는 어렵다. 대신 연구자들이 중요하게 여기는 것은 단순한 보상만이 아니다.

그들은 비전과 사회적 영향을 중시한다. OpenAI와 Anthropic이 불과 몇 년 사이 작은 연구 조직에서 세계적인 기업으로 성장하는 모습을 직접 봤기 때문에, 야심 찬 비전이 현실이 될 수 있다는 사실을 잘 알고 있다.

"연구자들은 자신이 참여할 기술이 사회에 어떤 영향을 줄지, 그리고 그 일이 자신에게 정말 흥미로운지를 깊이 따집니다."

연구 인재를 붙잡는 리더의 역할은 좋은 사람을 채용하는 데서 끝나지 않는다. 각자가 자신의 강점을 최대한 발휘할 수 있는 플랫폼을 만들어야 한다.

준성 박은 지난 6년 동안 자신과 함께 연구하던 핵심 팀원들이 계속 함께했고, 결국 박사과정 지도교수였던 마이클과 퍼시까지 Simile에 합류시킬 수 있었다고 말한다. 그 바탕에는 오랜 협업에서 쌓인 신뢰와, 리더가 팀에 보내는 확신이 있었다.

16. 연구자 출신 창업자가 기업가로 전환하려면

연구자가 회사를 세울 때 가장 중요한 구분은 그 사람이 문제에 매달려 있는지, 아니면 영향력에 매달려 있는지다.

"그들이 문제에 매여 있는지, 아니면 세상에 미칠 영향에 매여 있는지를 봅니다."

어떤 연구자는 특정 문제 자체에 매력을 느끼지만, 그 문제가 좋은 사업으로 발전하지 못할 수도 있다. 반면 세상에 실제 영향을 미치고 싶어 하는 연구자는 사람들에게 도달할 수 있고, 수익을 만들 수 있는 문제를 찾아낸다.

그런 사람이라면 연구를 사업으로 전환할 가능성이 높다. 핵심은 연구 자체가 흥미로운지보다, 그 연구가 실제 사용자와 시장에 닿을 수 있는지다.

17. 6개월 동안 3억 달러를 조달한 과정

Simile은 약 5개월 전 1억 달러를 조달한 뒤, 내부 투자자들로부터 추가 투자를 받는 프리엠티브 라운드를 진행했다. 기존 투자자들은 Simile이 보여주는 시장의 반응과 기술 발전 속도, 고객의 강한 수요를 보고 더 늦기 전에 투자해야 한다고 판단했다.

이후 준성 박은 평소 존중하던 투자팀에 연락했고, 그중 하나가 Greenoaks였다. Greenoaks는 이미 Simile과 관련 시장을 깊이 조사하고 있었고, 투자할 준비가 돼 있었다.

결국 Simile은 2억 달러를 추가로 조달했고, 약 6개월 동안 총 3억 달러를 모았다. 이 자금은 데이터, 컴퓨팅, 연구 인력에 투자해 인간 행동 모델링이라는 야심 찬 과제를 더 빠르게 추진하는 데 쓰인다.

준성 박은 연구에서 결과 자체는 통제하기 어렵지만, 투입과 과정은 통제할 수 있다고 말한다.

"연구의 결과를 완전히 통제할 수는 없습니다. 하지만 투입과 과정은 통제할 수 있습니다."

더 많은 컴퓨팅과 데이터, 더 뛰어난 연구 인력을 투입하면 기술 발전을 가속할 수 있기 때문에, 이미 충분한 자금이 있어도 추가 투자를 받는 것이 합리적이었다는 설명이다.

그는 창업 전에는 벤처캐피털의 역할을 잘 이해하지 못했다고 솔직히 말한다. 하지만 좋은 투자자는 경험 많은 조언자이자 멘토가 될 수 있다는 것을 사업을 하며 깨달았다. 투자자들은 창업자가 처음 겪는 문제를 이미 여러 번 봤기 때문에, 필요한 순간에 실질적인 도움을 줄 수 있다.

또 하나의 교훈은 시장의 관심과 투자 일정이 창업자의 예상보다 빠르게 움직인다는 것이다.

"모든 일은 예상보다 조금 더 일찍 일어납니다."

다만 시장이 과열돼 있더라도 Simile은 고객, 기술 진전, 실제 시장 수요 같은 기본기를 중요하게 본다. 자금이 많이 몰리는 것 자체보다 모델의 성능이 실제로 좋아지고 있는지, 고객이 계속해서 비용을 지불할 의사가 있는지를 확인해야 한다는 입장이다.

18. 시뮬레이션의 경제성과 1억 달러짜리 세션

시뮬레이션마다 필요한 컴퓨팅 비용은 다르다. 단순한 질문보다 복잡한 의사결정의 downstream effect, 즉 여러 단계에 걸친 파급효과를 분석하거나 미국 전체를 대상으로 시장 세분화를 수행하는 작업이 훨씬 비싸다.

하지만 이런 복잡한 시뮬레이션일수록 고객에게 돌아가는 투자수익률도 높다. 실패했을 때 손실이 큰 의사결정을 다루기 때문이다.

준성 박은 앞으로 시뮬레이션이 AI 추론 비용의 새로운 최전선이 될 수 있다고 전망한다.

"2~3년 안에 하나의 시뮬레이션 세션을 실행하는 데 1,000만~2,000만 달러가 들지만, 그 세션의 가치가 너무 커서 고객이 1억 달러를 지불하는 세상이 올 수 있습니다."

이런 시뮬레이션은 세계적인 대기업이나 정부처럼 잘못된 결정으로 막대한 손실을 입을 수 있는 조직을 대상으로 할 가능성이 크다.

현재의 과제는 시뮬레이션 자체를 만들 수 있느냐가 아니다. 준성 박은 대부분의 아이디어에 대해 최소한의 개념증명은 만들 수 있다고 본다. 진짜 어려운 문제는 개념증명을 신뢰할 수 있는 생산 시스템으로 전환하는 것이다.

"진짜 간극은 개념증명과 실제 가치를 만들어내는 제품화된 기술 사이에 있습니다."

19. 10년 뒤의 AI와 인간 행동의 디지털 복제

준성 박은 현재의 대규모 언어 모델을 지능의 CPU에 비유한다. 하나의 거대한 모델이 복잡한 추론을 수행하는 구조다. 반면 시뮬레이션은 지능의 GPU와 같은 역할을 할 수 있다고 본다.

Simile은 초지능적인 단일 기계를 만드는 것이 아니라, 각기 다른 사람들의 성격과 취향, 편견을 반영하는 수많은 모델을 만들려 한다. 개별 인간의 다양성과 이들이 집단으로 상호작용할 때 발생하는 사회적 현상을 함께 시뮬레이션하는 것이다.

해리는 모든 사람이 자신과 똑같이 행동하는 가상 쌍둥이를 갖게 되는 미래를 상상한다. 준성 박은 그것을 개인 복제라기보다 사회를 대규모로 표현하는 새로운 계층으로 설명한다.

"우리가 만들려는 것은 대규모의 대표성입니다."

지금까지 사회는 정부, 기업, 제도 등을 통해 사람들의 요구를 간접적으로 대표해 왔다. 하지만 각 개인의 관점과 집단의 지능을 훨씬 세밀하게 표현할 수 있다면, 새로운 정책과 기업, 의사결정 시스템이 등장할 수 있다.

헤지펀드가 Simile의 시뮬레이션을 활용해 시장의 알파를 찾는 가능성도 논의된다. 준성 박은 Simile에 이미 퀀트 배경을 가진 인재들이 있으며, 장기적으로 자체적인 퀀트 펀드를 만들 가능성도 배제하지 않는다.

완벽한 시뮬레이터와 AGI가 등장한다면 주식시장처럼 현재 당연하게 여기는 제도도 바뀔 수 있다. 모두가 같은 수준의 예측 능력을 갖게 되면 시장의 작동 방식 자체가 달라질 수 있기 때문이다.

앞으로 가장 크게 바뀔 전제는 "모든 사람의 관점을 얻는 것은 불가능하다"는 생각일 수 있다.

"미래에는 사회와 집단지성을 대표하는 새로운 계층을 만들 수 있는 세상이 올 것이라고 생각합니다."

20. 사랑과 매칭의 미래는 시뮬레이션으로 바뀔까

해리는 Simile이 사람의 행동을 잘 시뮬레이션할 수 있다면, 연애와 결혼도 훨씬 효율적으로 바뀔 수 있다고 농담한다. 첫 만남 전에 여러 사람과 동시에 가상의 데이트를 해보고, 잘 맞는 사람을 다음 단계로 넘기는 방식이다.

준성 박은 가능성 자체는 인정하지만, 사랑에 대해서는 다소 낭만적인 견해를 갖고 있다.

"저는 조금 낭만적인 사람입니다. 사랑은 제 삶에서 좀 더 자연스러운 방식으로 길을 찾을 것이라고 믿습니다."

그는 자신에게는 누군가를 만나는 방식과 함께 공유한 여정이 중요하다고 말한다. 사람들은 함께 경험하고 기억을 쌓으면서 신뢰를 형성하기 때문이다.

"함께 무언가를 경험하고 공유된 기억을 갖는 것은 우리가 신뢰를 형성하는 방식의 근본적인 요소라고 생각합니다."

따라서 시뮬레이션이 사랑을 완전히 대신하기보다는, 사람들이 관계를 만들어 가는 과정을 더 잘 이해하고 함께 살아갈 사람을 찾는 여정을 돕는 방식이 더 적절하다고 본다.

21. 빠른 질문과 준성 박의 마지막 메시지

마지막 질문에서 준성 박은 이름이 잘 알려지지 않은 대형 연구소 내부의 연구자들 중에도 훌륭한 인재가 많다고 말했다. 논문을 공개하지 않거나 대형 조직 안에서 일하기 때문에 외부에 이름이 잘 알려지지 않을 뿐이라는 설명이다.

AI 업계에서 과열된 영역으로는 명확한 비전 없이 시작한 새로운 연구소들을 꼽았다.

"세상에 어떤 영향을 줄지에 대한 명확한 비전이 없는 연구소는 흥미로운 연구 프로젝트로 끝날 위험이 있습니다. 하지만 실행 가능한 기업이 되지 못할 수도 있습니다."

그가 AI 투자에서 가장 중요하게 보는 기준은 역시 데이터 전략이다.

"다른 누구도 접근하지 못하는 데이터에 접근할 수 있는가? 매우 수집하기 어려운 데이터를 수집할 방법을 알고 있는가?"

그는 로보틱스와 추론 인프라, 반도체와 하드웨어 분야에도 큰 가능성이 있다고 언급했다. 특히 AI 모델이 발전할수록 이를 실행하는 하드웨어와 추론 계층의 중요성이 커질 것이라고 보았다.

가장 친절했던 사람에 대한 질문에는 스탠퍼드의 이론 교수 메리 우터스를 떠올렸다. 대학 졸업 후 팔로알토의 차고에서 살며 제대로 된 일자리도 없이 스타트업을 시도하던 시절, 준성 박은 AI의 물결이 다가오고 있다는 것을 느꼈지만 연구 경험이 전혀 없었다.

그는 여러 사람에게 조언을 구했고, 같은 대학 출신이었던 메리 우터스 교수가 답장을 보내왔다. 교수는 원래 약속했던 30분보다 훨씬 긴 시간 동안 그와 대화하며 AI와 연구를 어떻게 바라봐야 하는지 설명해 주고, 함께 일할 수 있는 사람들도 연결해 주었다.

"그분이 왜 그렇게 해주셨는지는 아직도 잘 모르겠습니다. 정말 친절함 때문이었을 거라고 생각합니다."

그 만남은 준성 박이 연구 분야에 발을 들이고 이후 Simile을 창업하는 데 중요한 출발점이 됐다. 해리는 이를 한마디로 정리한다.

"처음으로 믿어준 사람을 절대 잊지 마세요."

결론

Simile의 핵심 비전은 인간처럼 똑똑한 하나의 AI를 만드는 것이 아니라, 사람들이 실제로 생각하고 행동하는 방식을 대규모로 표현하는 것이다. 이를 위해 Simile은 단순한 웹 텍스트가 아니라 실제 행동 데이터, 거래 데이터, 관찰 데이터, 무작위 실험과 A/B 테스트 데이터를 모으고 있다.

준성 박은 미래의 AI 경쟁에서 가장 중요한 것은 모델의 크기만이 아니라 누구도 쉽게 복제할 수 없는 데이터 확보 방식이라고 본다. 그리고 시뮬레이션은 미래를 맞히는 기술을 넘어, 사람들이 더 나은 선택을 하고 원하는 미래를 만들어 가도록 돕는 도구가 될 수 있다고 강조한다.