# AI 스타트업 200곳을 역공학해 보니, 73%가 단순한 프롬프트 엔지니어링에 불과 > Clean Markdown view of GeekNews topic #24586. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=24586](https://news.hada.io/topic?id=24586) - GeekNews Markdown: [https://news.hada.io/topic/24586.md](https://news.hada.io/topic/24586.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2025-11-25T07:38:26+09:00 - Updated: 2025-11-25T07:38:26+09:00 - Original source: [pub.towardsai.net](https://pub.towardsai.net/i-reverse-engineered-200-ai-startups-73-are-lying-a8610acab0d3) - Points: 18 - Comments: 4 ## Summary 200개의 **AI 스타트업을 리버스 엔지니어링**한 결과, 무려 **73%가 OpenAI나 Claude API를 단순 호출**하는 구조로 드러났습니다. 겉으로는 “고유 LLM”과 “독자 인프라”를 내세우지만, 실제로는 **GPT-4 래퍼와 표준 RAG 스택**을 포장해 수십 배 마진을 붙이는 경우가 많았다고 합니다. 흥미로운 점은, 이런 현실이 단순한 기술 문제가 아니라 **투자자와 시장의 ‘고유 AI’ 기대가 만든 인센티브 왜곡**이라는 점입니다. 아마도 당분간은 이런 흐름이 계속 되지 않을까 한데요. 결국 중요한 건 모델이 아니라 **정직하게 문제를 해결하는 태도**입니다. ## Topic Body - 200개의 **AI 스타트업을 리버스 엔지니어링**한 결과, 다수의 기업이 자체 기술을 보유했다고 주장하면서 실제로는 **외부 API를 호출**하는 형태로 운영됨 - 조사된 기업 중 **73%가 OpenAI나 Claude API를 그대로 사용**하며, 여기에 단순한 UI나 기능을 덧붙인 수준으로 확인됨 - 자사 **“고유 LLM”** 을 내세우는 스타트업 상당수가 실제로는 `api.openai.com`에 요청을 보내는 **GPT-4 래퍼**에 불과했고, 단순 시스템 프롬프트만 얹은 구조로 **수십~수백 배 마진**을 붙여 판매하고 있음 - **RAG 아키텍처**를 강조하는 서비스 대부분도 OpenAI `text-embedding-ada-002` · Pinecone/Weaviate · GPT-4를 조합한 **표준 40줄짜리 스택**을 “고유 인프라”로 포장하고 있었으며, 1M 쿼리 기준 월 약 3만 달러 비용에 15만~50만 달러 매출로 **80~94% 마진 구조**를 보이는 상황 - 반대로 전체의 **27%** 는 “Built on GPT-4”처럼 스택을 투명하게 밝히는 래퍼 회사, 실제로 자체 모델을 학습하는 빌더, 멀티모델 투표·에이전트 프레임워크 등 **실제 기술적 차별점**을 가진 팀들로 구성됨 - 조사 결과, 많은 AI 스타트업이 **API 기반 서비스 비즈니스**임에도 “고유 AI 인프라”를 내세우는 구조가 드러났고, 투자자·고객·개발자 모두가 **DevTools로 네트워크 탭만 열어도 검증 가능**하다는 점을 강조하며 AI 생태계에 **정직한 기술 공개**가 필요하다는 걸 강조 --- ### 개요 - 외부 투자를 받은 AI 스타트업 200곳의 웹 애플리케이션을 대상으로, **네트워크 트래픽·코드·API 호출**을 추적해 마케팅 주장과 실제 기술 스택의 차이를 분석함 - 출발점은 “고유 딥러닝 인프라”를 주장하는 한 회사가 실제로는 **OpenAI API**만 콜하고 있다는 의심에서 시작 - 이 회사는 **4.3M 달러** 투자를 받았고, “근본적으로 다른 인프라를 구축했다”는 스토리로 자금 조달을 진행한 상태였음 - 조사 결과 **73%** 회사에서 주장하는 기술과 실제 구현 간에 **의미 있는 괴리**가 발견되었고, 상당수가 서드파티 모델 API를 단순 래핑한 구조였음 - 조사 대상은 YC·Product Hunt·LinkedIn “We’re hiring” 포스트 등에서 수집한 AI 스타트업 200곳이며, 설립 6개월 미만 회사는 제외했고 **외부 자금 유치**와 **구체적 기술 주장**이 있는 곳에 집중함 - 조사 방식은 패시브한 브라우저 개발자 도구 수준에서 이뤄졌으며, 비공개 시스템 접근·인증 우회·TOS 위반 없이 진행되었음 ### 조사 방법(Methodology) - Playwright·aiohttp 등을 이용해 **자동화된 분석 파이프라인**을 구성하고, 각 스타트업 사이트에 대해 공통적으로 세 가지를 수집함 - `capture_network_traffic(url)`로 **네트워크 헤더와 요청 패턴**을 캡처 - `extract_javascript(url)`로 **JS 번들 디컴파일** 및 분석 - `monitor_requests(url, duration=60)`으로 60초 간 **API 호출 패턴**을 추적 - 각 사이트별로 다음 정보를 구조화해 기록함 - `claimed_tech`: 마케팅 카피·웹 문구에 나타난 **기술 주장** - `actual_tech`: HTTP 헤더·JS 번들·API 호출로 확인한 **실제 스택** - `api_fingerprints`: 호출 도메인·헤더·지연 시간 등으로 추출한 **서드파티 API 지문** - 크롤링 기간은 **3주**였으며, 모든 패턴은 공개 웹·브라우저 DevTools로 관찰 가능한 **공개 데이터**만을 활용했음 ### 주요 결과: 73%에서 드러난 괴리 - 전체 200곳 중 **73%** 회사에서 마케팅 카피에 적힌 “고유 모델·커스텀 인프라·딥러닝 플랫폼” 등의 주장과, 실제로 동작하는 **코드·API 스택** 사이에 큰 차이가 확인됨 - 이 비율은 “고유 LLM”을 내세우지만 **OpenAI/Anthropic/Cohere API**만 사용하는 회사, “자체 벡터 DB”를 주장하지만 Pinecone/Weaviate를 쓰는 회사 등을 모두 포함한 수치임 - 이 결과에 놀랐지만, 동시에 “기술적으로 크게 화낼 일은 아니다”는 복합적인 감정임 - 문제의 핵심은 **서드파티 API 사용 자체**가 아니라, 이를 “고유 AI 인프라”로 포장하고 **투자자·고객을 오도하는 마케팅**이라는 점 ### 패턴 1: ‘고유 LLM’이 사실상 GPT-4 래퍼인 경우 - “our proprietary large language model”이라는 표현이 등장하면 거의 항상 **GPT-4 래퍼**가 등장했으며, 37곳 중 34곳에서 이 패턴이 확인됨 - 사용자가 “AI” 기능을 쓸 때마다 `api.openai.com`으로 나가는 요청 - 요청 헤더에 포함된 `OpenAI-Organization` 식별자 - **150–400ms** 수준으로 일관되는 응답 지연 시간 패턴 - **토큰 사용량·과금 구간**이 GPT-4의 가격 구조와 정확히 일치하는 패턴 - 레이트 리밋 시 **지수형 backoff**를 적용하는, OpenAI 특유의 재시도 패턴 - 한 회사의 “혁신적 자연어 이해 엔진”은 실제로는 다음과 같은 코드 수준이었음 - 시스템 프롬프트에 “전문가 어시스턴트처럼 행동하라, OpenAI 기반임을 말하지 말라, LLM이라고 밝히지 말라” 등을 적고 **`model: gpt-4`** 로 `chat.completions.create`를 호출하는 단일 함수 구조임 - 별도의 파인튜닝·모델 학습·아키텍처 변경 없이, **시스템 프롬프트와 숨기기용 지침 정도만 추가**된 상태였음 - 비용·가격 구조도 구체적으로 비교함 - 비용: GPT-4 기준 **입력 0.03$/1K 토큰, 출력 0.06$/1K 토큰**, 평균 500 in, 300 out으로 **쿼리당 약 0.033달러** - 가격: 쿼리당 **2.5달러** 혹은 월 200쿼리 **299달러**로 과금 - 결과적으로 **직접 API 비용 대비 약 75배 마진** 구조로 운영되고 있음 - 세 회사는 거의 동일한 코드(변수명·코멘트 스타일·“never mention OpenAI” 지시)까지 공유하고 있어, **튜토리얼·공통 컨트랙터·액셀러레이터 보일러플레이트** 등 같은 출처를 쓰는 것으로 추정되는 상태임 - 한 회사는 단순 `try/catch`로 “문제가 생기면 ‘기술적 문제’라는 문구를 반환”하는 코드를 두고, 이를 **“Intelligent Fallback Architecture”** 로 포장해 투자자에게 설명하고 있었음 ### 패턴 2: 모두가 만드는 RAG 스택과 과장된 표현 - 많은 회사들이 “custom embedding model, semantic search infrastructure, advanced neural retrieval” 같은 표현으로 **고유 RAG 인프라**를 내세우지만, 실제 구현은 매우 유사한 표준 스택이었음 - **OpenAI `text-embedding-ada-002`** 로 임베딩 생성 - **Pinecone 또는 Weaviate**를 벡터 스토어로 사용 - **GPT-4**로 컨텍스트를 붙여 답변 생성 - 조사자가 “Proprietary Neural Retrieval Architecture”라는 이름으로 소개된 코드를 디컴파일해 본 결과, **약 40줄짜리 Python 코드**로 위 세 단계를 그대로 호출하는 구조였음 - 질문을 임베딩으로 변환 - 벡터 DB에서 top-k 문서 검색 - 검색된 텍스트를 이어 붙여 GPT-4에 system 메시지로 전달 - 사용자 질문을 user 메시지로 함께 보내 답변을 생성 - 비용·가격 구조 역시 매우 큰 차이를 보임 - OpenAI 임베딩: 1K 토큰당 **0.0001달러** - Pinecone 쿼리: 호출당 **0.00004달러** - GPT-4 completion: 1K 토큰당 **0.03달러** - 합산 시 쿼리당 **약 0.002달러** 수준 비용 - 실제 고객 과금은 쿼리당 **0.5~2달러**로, **API 비용 대비 250~1000배** 마진이 발생하는 구조임 - 42개 회사가 이와 **거의 동일한 스택과 코드 구조**를 사용했고, 추가 23개 회사는 90% 이상 비슷한 패턴을 공유함 - 차이점은 주로 Pinecone vs Weaviate 선택 여부, 변수명, Redis 캐시 추가 여부 정도였음 - Redis 캐시를 붙이고 이를 **“optimization engine”**, 재시도 로직을 붙이고 이를 **“Intelligent Failure Recovery System”** 같은 이름으로 마케팅하는 사례도 등장 - 월 100만 쿼리 수준의 스타트업 경제성도 계산해봄 - 비용: 임베딩 약 **100달러**, Pinecone 호스팅 약 **40달러**, GPT-4 completion 약 **3만 달러**, 총 **약 3만140달러/월** - 매출: **15만~50만 달러/월** - **80~94% 수준의 높은 매출 총이익률**을 갖는 비즈니스 구조 ### 패턴 3: ‘우리가 직접 파인튜닝했다’의 실제 의미 - “우리가 직접 모델을 파인튜닝했다”는 표현을 쓰는 회사들에 대해 인프라를 추적한 결과, 크게 두 부류로 나뉨 - 소수(약 **7%**)는 실제로 **AWS SageMaker, Google Vertex AI** 등을 통해 자체 학습 잡을 돌리고, S3 버킷에 모델 아티팩트를 저장한 뒤, **별도 인퍼런스 엔드포인트**와 GPU 인스턴스 모니터링을 운영하고 있는 경우임 - 다수는 **OpenAI의 fine-tuning API**를 사용하고 있었고, 사실상 “OpenAI에 예시 데이터와 프롬프트를 넘겨 저장하는 수준”에 가까운 구조였음 - 전자(실제 자체 학습)는 학습 인프라와 배포 파이프라인이 브라우저에서 관찰되는 수준으로도 어느 정도 드러나지만, 후자는 대부분 **단일 OpenAI 엔드포인트 호출**로 표현되는 차이가 있음 ### 래퍼 회사를 빠르게 구분하는 방법 - ## 네트워크 트래픽 패턴 - 브라우저에서 **DevTools(F12) → Network 탭**을 열고, 서비스의 AI 기능을 사용하는 동안 나가는 요청을 보면 간단한 구분이 가능 - `api.openai.com` - `api.anthropic.com` - `api.cohere.ai` - 등과 같은 도메인이 직접 등장하면, 기본적으로 **서드파티 모델 API 래퍼**로 볼 수 있음 - 응답 지연 시간도 지문 역할을 함 - 특히 OpenAI API의 경우 **200~350ms** 구간에 응답이 몰리는 **특유의 레이턴시 패턴**이 있어, 이를 통해 백엔드 모델을 추정할 수 있음 - ## 자바스크립트 번들과 키 노출 - 페이지 소스 및 JS 번들 검색에서 다음 키워드를 찾아보는 것도 간단한 방법 - `openai`, `anthropic`, `claude`, `cohere`, `sk-proj-`(OpenAI 프로젝트 키 프리픽스) 등 - 조사 과정에서 **12개 회사**가 API 키를 프런트엔드 코드에 그대로 포함한 채 배포하고 있었고, 이에 대해 제보 메일을 보냈지만 어떤 회사도 답하지 않았음 - ## 마케팅 언어 매트릭스 - 마케팅 카피에 나타나는 언어와 실제 기술 구현 간의 패턴을 **표 형태로 정리**해 “Marketing Language Matrix”라고 표현 - “GPU 인스턴스 유형, 서빙 아키텍처, 모델 크기” 등 **구체적인 기술 용어**가 등장하는 경우, 실제로 어느 정도 독자적인 인프라를 갖고 있을 가능성이 더 높았음 - 반대로 “advanced AI”, “next-gen intelligence”, “proprietary neural engine”처럼 **추상적 버즈워드**만 반복될수록, 내부는 서드파티 API 래퍼일 가능성이 높았음 ### 인프라 현실 지도와 AI 스타트업 지형 - 글에서는 여러 다이어그램을 통해 현재 AI 스타트업의 **인프라 현실 지도**를 정리함 - 다수의 스타트업이 **OpenAI·Anthropic·Cohere 등 모델 제공자** 위에 얇은 애플리케이션 레이어를 얹은 형태로 존재하는 구조 - 각 레이어 위에 “워크플로우·UX·도메인 데이터·파이프라인” 등에서 차별화를 시도하는 서비스들이 쌓여 있는 구조임 - 이러한 구조를 바탕으로, AI 스타트업의 상당 부분이 실질적으로는 **서비스/플랫폼 비즈니스**이며, “고유 AI 인프라 기업”이라는 자기 인식과 괴리가 있는 상태 ### 왜 이 문제를 신경 써야 하는가 - “잘 동작한다면 상관없지 않냐”는 질문에 대해, 조사자는 네 가지 이해관계자 관점에서 이유를 정리함 - **투자자**: 현재 상당수 회사에 투자되는 자금은 **AI 연구·모델 개발**이 아니라, 실질적으로는 **프롬프트 엔지니어링과 워크플로우 레이어**에 투입되고 있음 - **고객**: 실제 API 비용에 **10배 이상 프리미엄**을 얹은 가격을 내고 있으며, 비슷한 기능을 주말 프로젝트 수준으로 직접 구현할 수 있는 경우가 많음 - **개발자**: 겉으로 보이는 “AI 스타트업”의 화려함에 비해, 실제로는 **낮은 진입 장벽**의 래퍼 서비스인 경우가 많아, 스스로도 비슷한 것을 단기간에 만들 수 있음을 인식할 필요가 있음 - **생태계**: “AI 회사”의 **73%가 기술을 과장·오도**하는 상황은, 전체적으로 **버블에 가까운 상태**를 의미하며 건강하지 않은 인센티브를 만듦 ### 래퍼 스펙트럼: 모든 래퍼가 나쁜 것은 아님 - “Wrapper Spectrum”이라는 도표를 통해, 래퍼 회사에도 **질적으로 다른 층위**가 있음을 설명함 - 한쪽 끝에는 단순히 **서드파티 API에 얇은 UI만 입힌 수준**의 래퍼가 있음 - 다른 한쪽 끝에는 **도메인 특화 워크플로우·우수한 UX·모델 오케스트레이션·가치 있는 데이터 파이프라인** 등을 제공하는 고급 래퍼가 있음 - 핵심 메시지는 “래퍼인지 여부”가 아니라 **정직성·가치 제공 방식**에 있음 - 서드파티 API를 쓰면서도 이를 투명하게 공개하고, 문제 해결·경험·데이터에서 차별화를 만드는 회사는 긍정적으로 평가됨 ### 제대로 하고 있는 27% - ## Category 1: 투명한 래퍼(Transparent Wrappers) - 이 그룹의 회사들은 홈페이지에 **“Built on GPT-4”** 같은 문구를 명시적으로 적고, 자신들이 판매하는 것은 **워크플로우·UX·도메인 지식**이라는 점을 분명히 함 - 예: GPT-4 + 법률 템플릿 조합으로 **법률 문서 자동화**를 제공하는 서비스 - 예: Claude 기반으로 **고객 지원 티켓 라우팅**에 특화한 서비스 - 예: 여러 모델과 **휴먼 리뷰 프로세스**를 결합한 콘텐츠 워크플로우 서비스 - ## Category 2: 실제 빌더(Real Builders) - 이 그룹은 실제로 **자체 모델을 학습**하고 있는 회사들임 - 의료 분야에서 HIPAA 준수를 위해 **셀프 호스팅 모델**을 운영하는 헬스케어 AI - 금융 분석에 **커스텀 리스크 모델**을 학습·운영하는 서비스 - 산업 자동화에서 **특수한 컴퓨터 비전 모델**을 개발·배포하는 서비스 - ## Category 3: 혁신적 조합(Innovators) - 여기에는 서드파티 모델을 사용하지만, 그 위에 **실질적으로 새로운 구조**를 쌓은 회사들이 포함됨 - 여러 모델의 출력을 조합해 **투표 기반 정확도 향상**을 구현한 시스템 - **메모리·에이전트 프레임워크**를 만들어 복잡한 태스크를 수행하는 시스템 - 새로운 형태의 **리트리벌 아키텍처**를 도입한 사례 등 - 이들 회사는 자신들의 아키텍처를 자세히 설명할 수 있으며, 실제로 **스스로 구축한 구조**를 가지고 있다는 공통점이 있음 ### 배운 점: 스택보다 문제, 그리고 정직성 - 3주간의 조사 결과, 다음과 같이 요약 가능 - **기술 스택 자체보다 해결하려는 문제**가 더 중요하며, 실제로 가장 뛰어난 제품들 중 상당수는 “단지 래퍼”라고 부를 수 있는 구조였음 - 다만, **정직함은 별도의 차원**으로 중요하고, 스마트한 래퍼와 사기성 래퍼의 차이는 **투명성**에 있음 - AI 골드러시는 “고유 AI”를 요구하는 투자자·고객의 기대 때문에 **거짓된 주장을 하도록 압박하는 인센티브**를 만들고 있음 - 그리고 **API 위에서 구축하는 것 자체는 부끄러운 일이 아니며**, 문제는 이를 숨기고 “고유 신경망 아키텍처”로 포장하는 행위임 ### 평가 프레임워크와 실질적 조언 - ## 48시간 복제 가능성 테스트 - 모든 “AI 스타트업”을 평가하는 간단한 기준을 제안함 - **“그들의 핵심 기술을 48시간 안에 복제할 수 있는가?”** - 그럴 수 있다면, 기술적으로는 래퍼에 해당하며, - 스택을 솔직하게 밝힌다면 괜찮은 회사 - “고유 AI 인프라”를 주장하며 숨긴다면 피해야 할 회사로 봐야 한다는 구조임 - ## 창업자를 위한 조언 - 창업자에게는 다음과 같은 원칙을 제안함 - 스택에 대해 **정직하게 공개**할 것 - **UX·데이터·도메인 전문성**으로 경쟁할 것 - 만들지 않은 것을 만들었다고 주장하지 않을 것 - “Built with GPT-4”는 약점이 아니라 **정직한 설명**이라는 점을 받아들일 것 - ## 투자자를 위한 조언 - 투자자에게는 다음과 같은 검증 포인트를 제시함 - **아키텍처 다이어그램**을 요구할 것 - **OpenAI·Anthropic 등 API 청구서**를 요청해 실제 의존도를 확인할 것 - 래퍼 회사는 래퍼 회사로서 **적절히 가치평가**할 것 - 정직하게 스택을 공개하는 팀을 **인센티브로 보상**할 것 - ## 고객을 위한 조언 - 고객에게는 아래와 같은 실천 항목을 제안함 - 브라우저에서 **네트워크 탭**을 열고 나가는 요청을 확인할 것 - 인프라와 모델 사용 방식에 대해 **직접 질문**할 것 - API 호출에 불필요한 **10배 이상의 마크업**을 내고 있지 않은지 검토할 것 - 기술 주장보다 **실제 결과와 문제 해결 능력** 기준으로 평가할 것 ### ‘AI 스타트업’의 실체 한 줄 요약 - “대부분의 ‘AI 스타트업’은 **직원 비용 대신 API 비용을 쓰는 서비스 비즈니스**에 가깝다” - 이는 잘못된 비즈니스 모델이 아니라, 그 자체로 인정하고 **정직하게 설명해야 할 현실** ### 조사 이후 전개와 반응 - **1주 차**: 원래는 20~30% 정도가 서드파티 API를 사용할 것이라고 예상했으나, 결과가 훨씬 컸음을 언급함 - **2주 차**: 한 창업자는 조사자에게 “어떻게 우리 프로덕션 환경에 들어왔냐”고 물었고, 조사자는 **브라우저 네트워크 탭만 본 것**이라고 설명함 - **3주 차**: 두 회사는 조사 결과를 **내려달라고 요청**했지만, 기사에서는 특정 회사 이름을 공개하지 않았고 지금도 그 상태를 유지 중이라고 밝힘 - **어제**: 한 VC가 다음 이사회 전에 포트폴리오 회사들을 **감사(audit)** 해 달라고 요청했고, 조사자는 이를 수락했다고 언급함 ### 데이터·도구 공개 계획 - 이번 연구를 바탕으로 **방법론과 도구를 공개**할 계획임 - ## GitHub에 공개 예정인 내용(무료) - 완전한 **스크래핑 인프라 코드** - API 지문(fingerprint)을 추출하는 기법들 - 누구나 실행해볼 수 있는 **감지 스크립트** - 주요 AI API별 **응답 시간 패턴** 모음 - ## 심화 분석(멤버 전용) - 월 **3,300만 달러 가치평가를 받은 “AI 유니콘”** 이 실제로는 월 **1,200달러 OpenAI 비용**만 쓰고 있는 케이스 - “1억 파라미터 모델”이라고 소개하면서 실제로는 **시스템 프롬프트 3개**로 구성된 구조 - 공개적으로 서빙되는 프로덕션 코드(클라이언트 측, 익명화된 스니펫) - 래퍼를 즉시 드러내는 **5가지 질문 프레임워크** - 투자자 프레젠테이션과 실제 인프라를 **비교한 사례 연구**들 ### 마지막 메시지와 ‘정직한 AI 시대’ 필요성 - 조사는 **회사 이름을 공개하지 않고 패턴만 공유**하는 방식으로 진행되었으며, 시장은 결국 **투명성을 보상**할 것이라는 믿음을 강조함 - 실제로 **18개 회사**는 진정한 의미에서 새로운 기술을 만들고 있는 것이 확인되었고, - 이들에 대해서는 **“당신들은 스스로 누구인지 알고 있다, 계속 만들라”** 는 응원의 메시지를 보냄 - 조사 이후 **7명의 창업자**가 개인적으로 연락을 취했으며, - 일부는 방어적이었고, 일부는 감사해했고, 세 명은 “proprietary AI”에서 “best-in-class APIs 위에 구축”으로 **마케팅 전환을 돕는 방법**을 요청함 - 한 창업자는 “우리가 거짓말한다는 걸 알고 있었다, 투자자들이 그걸 기대했고, 다들 그러고 있다, 이제 어떻게 멈춰야 하느냐”라고 털어놓았다고 전함 - 기사 말미에서, AI 골드러시는 끝나지 않겠지만 **정직의 시대가 시작돼야 한다**는 메시지를 재차 강조하며, 누구나 DevTools의 **Network 탭(F12)** 만 열어보면 스스로 진실을 확인할 수 있다고 정리 ## Comments ### Comment 46780 - Author: geekygeek - Created: 2025-11-25T18:20:43+09:00 - Points: 1 댓글 중에 "저자 존재 자체가 의심스러움. 데이터 출처도 불분명하고, 네트워크 트래픽을 마음대로 캡처할 수도 없음. 기본적인 검증이 필요함"가 있는데, 공감합니다. 미디움 프로필에 써있는 링크드인 링크도 존재하지 않는 페이지로 연결되고, 애초에 존재하지 않는 인물인 것 같아요. 11월 25일에 GPT-4o도 아니고 GPT-4랑 계속 언급하는 것도 이상하고요. 구독 결제 시스템까지 넣어서 수익 창출까지 할 정도의 개발자가 AI API와의 통신을 서버가 아닌 클라이언트에 구현해서 이렇게 쉽게 탐지한다는 것도... 믿기 어렵네요. ### Comment 46769 - Author: mhj5730 - Created: 2025-11-25T14:16:12+09:00 - Points: 1 에이전트 만드는 것을 시도해보면 프롬프트 엔지니어링은 AI를 활용한 아주 훌륭한 생산성을 가진 애플리케이션으로 보게됩니다. ### Comment 46743 - Author: neo - Created: 2025-11-25T07:38:26+09:00 - Points: 1 ###### [Hacker News 의견](https://news.ycombinator.com/item?id=46024644) - 2023년은 매주 **프롬프트 데모**를 보여주는 해였음 AWS 행사에서도 발표자가 Claude를 열고 무작위 프롬프트를 치는 걸로 한 시간을 채웠음 우리 팀도 6개월째 “에이전트”를 만든다며 툴, 커넥터, 평가 시스템을 붙였다가 결국 다시 **프롬프트 엔지니어링**으로 회귀했음 - “그 다음 단계는 오프쇼어링 아니냐”는 농담을 들었음 - 프롬프트 엔지니어링을 진지하게 쓰는 사람은 믿기 힘듦. 회사 메일에서 그 단어를 보면 그냥 넘김 - 그런데 그 프로젝트, 실제로 **작동**했는지가 궁금함. 여러 회사가 AI Agent를 만든다지만, 제대로 돌아가는 걸 본 적이 없음. 루프를 닫아보면 LLM이 허우적거릴 뿐이었음 - 결국 기존 솔루션을 다시 감싸는 새 솔루션을 만드는 셈이라, 소프트웨어 개발은 영원히 계속될 것 같음 - 예전에 멘토가 “기술에서 전문가란 남들보다 한두 가지 더 아는 사람”이라 했음 그래서 지금의 **프롬프트 엔지니어링** 열풍도 자연스러운 흐름이라 생각함. 새로운 기술일수록 기존 스택에 한두 가지를 더 얹는 식으로 발전함 - 좋은 컨설턴트의 비결은 회의 가는 길에 뭘 읽을지 아는 것이라 들었음 - 단순한 프롬프트 조정이라도 **테스트와 튜닝**에 엄청난 시간이 듦. 모델마다 최적의 변형을 찾는 게 핵심임 - 나는 오히려 복잡한 스택을 줄이고 **단순화 전략**으로 같은 효과를 내는 접근이 더 흥미로움 - “그냥 프롬프트 엔지니어링일 뿐”이라는 말은 실제 **고성능 시스템 구축의 난이도**를 과소평가함 평가 지표 설계, 툴 호출, 캐싱 등은 단순한 프롬프트 수준이 아님. 결과를 보여줄 수 있다면 투자금은 쉽게 모일 것임 - 현실적으로는 **프롬프트 + CRUD** 수준이 많고, 대부분의 회사가 사실상 CRUD 기업임 - 투자금이 몰리는 이유는 성과 때문이 아니라 **AI 버블**과 투자자들의 수익 집착 때문임. 실제로는 금광 대신 삽만 팔고 있는 셈임 - 제대로 된 평가 프로세스를 구축해본 사람만 그 어려움을 이해함 - 하지만 대부분의 내부 AI 프로젝트는 평가 자체를 하지 않음. FAANG에서도 5%도 안 됨 - 2025년 11월에 GPT-4를 언급하는 글이라니 의심스러움 네트워크 트래픽으로 AI 제공자를 판별했다는 방법론도 이상함. 프론트엔드에서 직접 API를 호출하면 **보안 키 노출** 위험이 크기 때문임 뭔가 냄새가 나는 조사 방식임 - OpenAI는 클라이언트 키를 제공해 직접 호출할 수 있음. [공식 문서](https://platform.openai.com/docs/api-reference/realtime-sessions) 참고 - 오래된 모델 이름을 언급하는 것도 **LLM 생성 흔적** 같음 - “그럼 도대체 뭘 해야 하느냐”는 질문이 나옴 90년대엔 콘솔 시스템에 UI를 얹는 것도 훌륭한 스타트업 아이디어였음 - 문제는 자신을 **AI 회사**라 부르면서 실제로는 CRUD 앱을 만드는 점임. 비기술자는 그 차이를 구분하기 어려움 - 언젠가 OpenAI가 **저가 판매를 멈추면**, 작은 도메인 특화 모델을 만들어야 함 - 시장 논리에 맡기면 됨. 다만 AI 과열로 소프트웨어 산업 전체가 피로함 - 단순 래퍼 플랫폼을 “AI”라 포장하는 건 위험함. 닷컴 버블 때와 비슷한 **무방비 구조**임 - 진짜 AI를 만드는 게 아니라, 단지 LLM을 쓰는 수준임 - 사실 이런 현상은 **AI 이전 스타트업**에서도 흔했음 기존 기술을 감싸 UX만 개선해도 큰돈을 벌었음. 내부적으로는 오픈소스 툴 조합이었지만, 수익률이 너무 높아 자체 개발이 무의미했음 - ChatGPT 출시 직후부터 생각했음. 만약 어떤 회사가 진짜 **AGI**를 가진다면, 그걸 팔 이유가 없을 것임. 그냥 자사 서비스를 직접 만들어 경쟁사를 압도하면 됨 - 사실 AGI가 없어도 같은 순환이 벌어짐 1. 스타트업이 GPT/Claude를 감싸 새로운 유즈케이스를 만듦 2. OpenAI나 Anthropic이 그 기능을 직접 구현해 출시함 3. 래퍼는 **모트(진입장벽)** 가 없고, 기반 모델 회사도 경쟁이 쉬움 - LLM을 만드는 회사는 몇 안 되고, 기능도 비슷함 결국 자동화의 핵심은 **프롬프트 엔지니어링**임. 모바일 앱처럼, 빅테크가 마음만 먹으면 쉽게 복제할 수 있음. Perplexity나 Cursor도 위험함 - 다만 **ROI**가 낮은 아이디어는 빅테크가 건드리지 않음. 억 단위 수익이 아닌 틈새 시장엔 여전히 기회가 있음 - 문제의 기사 자체가 **AI 생성 콘텐츠**로 보임 저자가 실제로 데이터를 분석했는지 신뢰하기 어려움 - 저자 존재 자체가 의심스러움. 데이터 출처도 불분명하고, 네트워크 트래픽을 마음대로 캡처할 수도 없음. 기본적인 검증이 필요함 - “이 사람은 어떻게 이런 데이터를 수집했을까?”라는 의문이 큼 내 회사라면 고객 데이터를 이렇게 공개하지 못함 - 기사 하단의 LinkedIn 링크도 존재하지 않음. **Teja Kusireddy**가 실존 인물인지조차 불확실함 - 일부 회사가 프론트엔드에서 OpenAI API를 직접 호출하는 것 같지만, 백엔드에서 누출된 정보일 수도 있음 - 브라우저에서 직접 호출을 본다는 게 이상함. OAuth나 인증 없는 요청이 가능한지도 의문임 - API 키를 프론트에 넣는 건 **보안 구멍**이라 대부분 백엔드에서 호출함. 세부 설명이 없으면 신뢰하기 어려움 - 기사 전문은 [Medium 링크](https://medium.com/@teja.kusireddy23/i-reverse-engineered-200-ai-startups-73-are-lying-a8610acab0d3?sk=60b6f04b464b86af5cabd49270bd1bcb)에서 볼 수 있음. NDA 때문에 구체적 회사명을 밝히지 않은 듯함 ### Comment 46778 - Author: cgl00 - Created: 2025-11-25T16:39:37+09:00 - Points: 2 저게 왜 부정직한거죠 ㅋㅋ