파운데이션 모델은 통신사가 될 것인가 — Benedict Evans가 말하는 AI 경제학의 핵심 질문들

왜 코딩이 먼저였나: 소프트웨어 개발자들이 LLM을 가장 먼저 실험했고, 자신들이 잘 아는 분야(소프트웨어 개발)에 먼저 적용한 것은 어찌 보면 당연했다. Evans는 이를 "초기 PC 사용자들이 컴퓨터를 만드는 데 PC를 썼던 것"과 같다고 비유했다. LLM은 일종의 컴퓨터이고, 그 컴퓨터로 처음 한 일이 더 많은 컴퓨팅을 만드는 것이었다는 식이다.

OpenAI와 Anthropic의 갈림길: OpenAI는 작년 하반기에 "모델 위에 모든 것을 올리자"는 방향으로 달렸다. 반면 자본이 더 적었던 Anthropic은 코딩에 집중했고, 결과적으로 그것이 작동했다. 의도적 전략이었는지 우연이었는지는 모르지만, 결과는 명확하다.

주니어 엔지니어 고용 문제: 아직 아무것도 확실하지 않다. 이게 6개월 전에는 작동하지 않았고, 지금 모두가 허둥대는 중이다. 팀 구조가 어떻게 바뀔지는 몇 년은 지켜봐야 한다. Evans는 "3년 후 소프트웨어 엔지니어의 커리어가 어떻게 될지 안다고 생각하는 사람은 미친 것"이라고 잘라 말했다.

"What happens when someone else in some other field gets something working? Which field — law, banking? I don't know where, but something."

상품화 논거의 세 축:

첫째, 지속 가능한 차별화 수단이 없다. 네트워크 효과도 없고, 구글 검색이나 인스타그램 같은 고착 레버도 없다. "이 모델이 저 모델보다 약간 나은 것 같다" 정도의 차이는 있지만 구조적 경쟁 우위가 아니다.

둘째, 챗봇은 최종 UI가 아니다. 대부분의 실제 업무에는 툴링, 데이터 설정, 사용자 인터페이스, 가드레일이 필요하다. 도메인 전문가(예: 훌륭한 재무 어드바이저)와 그 도구를 설계하는 사람은 다른 사람이다. 모델 회사들이 이 모든 것을 만들 수 없다 — 마치 Microsoft와 Apple이 모든 Windows/iOS 앱을 만들 수 없듯이.

셋째, 공급이 폭발적으로 늘어난다. 향후 1~2조 달러의 설비투자가 파이프라인에 있고, 효율은 매년 100~200배 개선된다. 3~6개 회사가 모두 비슷한 칩으로 비슷한 모델을 만들어 팔 때 가격 결정력은 어디서 나오나?

iOS vs. 통신사 — 어느 쪽이 될 것인가: Windows와 iOS는 가치를 포착했다. 그 이유는 네트워크 효과와 스택 상단으로 올라갈 레버가 있었기 때문이다. 파운데이션 모델에는 그게 없어 보인다. 기업 고객이 SaaS 제품을 살 때 "이거 Claude 쓰는 거야 OpenAI 쓰는 거야, 우리 Claude로 표준화했거든"이라고 묻는 세상은 아직 오지 않았다 — 마치 기업이 SaaS 제품이 AWS를 쓰는지 Azure를 쓰는지 신경 안 쓰는 것처럼.

"모델들은 차별화가 어렵다. 챗봇은 V1 UI다. 회사들이 그 위의 모든 걸 만들 수 없다. 따라서 이것들은 저수준 인프라다. 그렇다면 가격 결정력이 어디서 오는가?"

반론 인정: Evans 본인도 틀릴 수 있다고 인정한다. "LLM을 만들 수 있는 회사가 두 곳밖에 안 남아서 가격 결정력을 갖게 되는 세상, 또는 대부분의 작업이 모델 안으로 흡수되는 세상도 가능하다." 다만 기본 논리적 질문은 해야 한다는 입장이다.

FOMO의 함정: Google·Meta·Microsoft 입장에서는 이것이 실존적 문제다. 참여하지 않으면 회사가 사라질 수 있다. Microsoft가 2000년대에, IBM이 90년대에, Meta가 2010년대에 Apple에 치인 것처럼 되고 싶지 않다는 동기가 있다. 그래서 CFO의 우려에도 불구하고 투자가 계속된다.

토큰 과소비 문제: 지금 가장 비싼 모델로 별 의미 없는 검색을 하는 것은 2010년 모바일 데이터 폭탄 청구서와 똑같다. 기업들이 제대로 ROI를 측정하기 시작하면 일부 조정이 있겠지만, 근본 문제는 ROI 측정 자체가 어렵다는 것이다. "분석을 5배 더 빠르게 하는 것"의 재무적 가치를 어떻게 매기나?

소비자 잉여 문제: DCF가 1주일에서 10초로 빨라지면 DCF를 50개 한다. 하지만 그만큼 더 청구하지는 못한다. 생산성 향상이 경쟁에 의해 소진되면서 도구를 쓰는 기업이 아닌 최종 고객에게 가치가 전달된다. McKinsey가 같은 분석을 5배 더 빠르게 해도 같은 금액을 청구한다 — 비용 기반이 달라지지 않았기 때문이다.

기업 소프트웨어의 세 버킷: 현재 일반적인 대기업에는 ①SAP·Workday 같은 대형 수평적 시스템, ②산업별 수직 SaaS, ③이메일·Excel·공유 파일 시스템으로 돌아가는 비공식 영역이 있다. LLM은 이 세 층 모두에 영향을 주지만, 각기 다른 방식으로 들어간다.

스택의 위 vs 아래: LLM을 "Salesforce 안의 버튼(하단)"으로 쓸 것인지, "Salesforce+Workday+이메일을 종합해서 새로운 인사이트를 주는 레이어(상단)"로 쓸 것인지는 케이스마다 다르다. 확률론적 소프트웨어(LLM)와 결정론적 시스템 소프트웨어(DB)를 어디에 배치하느냐의 문제다.

아웃컴 기반 프라이싱의 함정: ROI를 개별 버튼 클릭에 연결하는 것은 대부분의 엔터프라이즈 소프트웨어에서 불가능하다. 프라이싱 구조가 어떻게 진화할지는 아직 불투명하다.

결론: SaaS 전체를 50% 디레이팅해야 할 이유는 없지만, 일부는 분명히 죽을 것이다. 어떤 것인지 모르니까 소프트웨어 전반에 롱 포지션 잡기가 불편한 건 사실이다.

광고·e-커머스 가속: Google·Meta·Amazon은 SKU는 알지만 "그게 뭔지"는 모른다. "화장실 시트 커버 샀다고 화장실 시트를 수집하는 게 아닌데 모른다." LLM은 원칙적으로 상품의 의미, 구매 이유, 연관 상품을 이해할 수 있다. 이게 이미 광고 전환율 상승으로 나타나고 있다 — Google·Meta의 분기별 광고 매출 가속화가 그 증거다. "코트 사진을 보여주고 비슷한 10개 추천해줘, 각각 장단점과 가격대와 함께"는 이제 동작한다.

프로페셔널 서비스의 피라미드 문제: 로펌·컨설팅·IB의 피라미드 하단 업무 자동화가 가능해지면 어떻게 되는가? Evans는 "로펌을 실제로 다녀본 적 없으면 그 사람들이 정말 무엇을 하고 있는지 모른다"고 단언한다. 이 질문은 Bain·McKinsey·BCG가 AI 회사보다 더 잘 안다.

변화의 네 가지 레버 (Evans 프레임워크): ①비용이 싸져서 더 많이 하는 가격 탄성(제번스 역설), ②비용이 낮아서 진입장벽이 사라지는 것, ③사업 모델이나 경쟁 구조에서 잠금 해제되는 것, ④이전엔 비용이 너무 높아 아무도 상상하지 못했던 완전히 새로운 것. Spotify의 "$15/월에 세상 모든 음악"이 네 번째 카테고리의 예다.

모델이 모든 걸 다 할 수 있다는 생각의 문제: VC 피치 중 "업계 사람들이 이미 알던 문제"인 경우는 의외로 드물다. 많은 경우 "그 문제가 존재한다는 것 자체를 업계 사람도 몰랐다"가 더 정확하다. 모델이 자동으로 그런 문제를 발견해서 해결한다는 생각은 현실적이지 않다.

"모든 기술 전환의 특징은: 뭔가를 이해하고 어떻게 작동할지 알게 된 순간이 바로 다음 질문으로 넘어가야 할 때다."

물리적 한계가 없다는 차이: 이전 플랫폼 전환(3G, 아이폰, 웹)에서는 "다음 주에 전 세계에 브로드밴드를 줄 순 없다"는 물리적 한계가 있었다. 생성 AI는 내일 아침 "신모델이 나왔고 가격이 2%"라는 푸시 알림이 올 수도 있다. 이 불확실성의 성격 자체가 다르다.