생산적인 개인이 생산적인 기업을 만들지는 않는다
(x.com/gsivulka)- AI가 개인의 생산성을 10배 끌어올렸지만 그에 비례해 가치가 10배 오른 기업은 없는데, 늘어난 생산성은 어디로 갔을까?
- 1890년대 전기 도입기 뉴잉글랜드 방직 공장이 증기기관을 전기 모터로 교체했음에도 30년간 산출이 거의 늘지 않았고, 1920년대 조립 라인 중심으로 공장을 재설계한 뒤에야 수익이 실현됨
- 성과는 기술 자체가 아니라 기술과 조직(institution)을 함께 재설계할 때 나타났으며, 2026년 AI도 "모터만 교체하고 공장은 재설계하지 못한" 상태
- 대부분의 AI 제품은 생산적인 느낌만 줄 뿐 실제 가치를 움직이지 못하며, 생산적인 조직에는 Institutional Intelligence(기관 지능) 가 필요함
- Institutional AI와 Individual AI를 가르는 7가지 요소가 향후 10년 B2B AI 기업의 토대가 됨
사라진 생산성: 핵심 질문
- AI가 모든 개인을 10배 더 생산적으로 만들었지만, 그 결과로 10배 더 가치 있어진 기업은 없음
- "늘어난 생산성은 어디로 갔는가" 라는 질문이 글 전체의 출발점임
- 이는 처음 겪는 현상이 아니며, 전기 도입기에 이미 같은 일이 반복됨
역사적 교훈: 1890년대 방직 공장의 전기화
- 1890년대 전기는 막대한 생산성 향상을 약속했고, 증기기관의 회전력을 쓰던 뉴잉글랜드 방직 공장은 더 빠른 전기 모터를 그 자리에 곧바로 설치함
- 그러나 30년간 전기화된 공장의 산출은 거의 늘지 않았으며, 기술은 훨씬 우월했지만 조직은 그렇지 못함
- 1920년대에 이르러 공장을 다시 완전히 재설계하면서 비로소 의미 있는 수익이 발생
- 조립 라인 도입, 모든 장비마다 개별 모터 장착, 작업자와 기계가 완전히 다른 역할 수행
- Lowell 방직 공장의 세 단계 진화로 설명됨
- 1890년 증기기관 공장 → 1900년 전기 모터 공장 → 1920년 "unit drive" 공장(전기 조립 라인으로의 전면 재구축)
- 수익은 기술 자체나 개별 작업자·기계를 더 빠르게 만든 데서 온 것이 아니라, 조직과 기술을 함께 재설계했을 때 비로소 실현됨
- 이는 기술 역사상 가장 비싼 교훈이며, 지금 다시 학습 중
Institutional Intelligence의 필요성
- 2026년 AI는 이를 활용할 줄 아는 개인의 생산성을 10배 높이고 있지만, 모터만 교체했을 뿐 공장은 아직 재설계하지 못함
- 시중 AI 제품 대다수는 생산적인 느낌을 주지만 실제 가치는 움직이지 못하며, 공개된 AI 활용 다수는 Twitter나 사내 Slack에서의 자기만족적 "productivity-maxxing"으로 실질 영향이 전무
- 1년간 반복된 "services as software" 모티프는 방향은 맞지만 청사진을 제시하지 못하며, 더 큰 그림을 놓침
- 진짜 전환은 도구에서 서비스로가 아니라, 기술과 조직(기존이든 신규든)을 함께 구축하는 것
- 생산적인 조직에는 Institutional Intelligence가 필요하며, 이것이 "내일의 조립 라인"에 해당하는 새로운 제품군
Institutional Intelligence의 7가지 기둥
-
1. Coordination (조율)
- Individual AI는 혼란을, Institutional AI는 조율을 만들어냄
- 사고 실험: 내일 당장 최고의 직원만 복제해 조직 인원을 두 배로 늘린다고 가정
- 각자 사소한 차이·성향·관점을 지니며(특히 최고 직원일수록), 관리·소통·역할(swim lane, OKR, R&R)이 충분히 정의되지 않으면 혼란이 발생
- 개별 기준으로는 더 생산적일 수 있어도, 수천 개의 에이전트(또는 사람)가 반대 방향으로 노를 저으면 최선의 경우 정체, 최악의 경우 조직 화합 파괴
- 이는 가설이 아니라 조율 계층(coordination layer) 없이 AI를 도입한 모든 조직에서 지금 벌어지는 일
- 직원마다 각자의 ChatGPT 습관·프롬프트 스타일·산출물을 가지며, 그 산출물들이 서로 연결되지 않음
- Institutional Intelligence는 에이전트의 역할·책임, 에이전트 간 및 에이전트-인간 간 소통, 에이전트 가치 측정을 다루는 "Agentic Management" 산업으로 진화
- 소비량 기반 과금만으로는 부족함
-
2. Signal (신호)
- Individual AI는 노이즈를, Institutional AI는 신호를 찾아냄
- 인간은 이제 에세이, 프레젠테이션, 스프레드시트, 사진, 영상, 노래, 웹사이트, 소프트웨어 등 상상하는 거의 모든 것을 생성 가능
- 문제는 AI가 생성한 거의 모든 것이 slop(쓰레기 산출물) 이라는 점이며, 일부 조직은 과잉 대응으로 AI 산출물을 전면 금지하기도 함
- 글쓴이 본인도 AI 회사를 운영하지만 경영진에게 최종 작성물에는 AI를 쓰지 말라고 요청함
- PE(사모펀드) 사례: 작년 책상 위로 10건이 올라왔다면, 올해는 분기당 50건이 각각 AI로 완벽하게 다듬어진 채 도착하고, 진짜 거래 하나를 찾을 시간은 동일함
- 이제 무언가를 생성하는 것은 문제가 아니며, 진짜 문제는 올바른 것을 생성하고 선별하는 것
- 향후 10년 핵심 경제 동인은 기하급수적으로 늘어나는 slop 속에서 신호를 찾아내는 일
- Institutional 등급 지능은 신호를 찾고 노이즈를 구조화하며, 정의되고 결정론적이며 감사 가능(auditable) 해야 함
- Individual AI가 24시간 비결정론적 에이전트("Clawdbot")의 "always on" 생산성을 강조한다면, Institutional AI는 예측 가능한 체크포인트·단계·프로세스를 갖춘 결정론적 에이전트에 의존
- Matrix는 생성 기술의 힘으로 노이즈를 걸러내는 도구로 제시됨
-
3. Bias (편향)
- Individual AI는 편향을 강화하고, Institutional AI는 객관성을 만들어냄
- 사회정치적 편향 논의가 수년간 AI 담론을 지배했으나, 파운데이션 모델 랩은 충분한 RLHF로 모델을 사실상 아첨꾼(sycophant) 으로 만들어 이를 우회함
- 오늘날 ChatGPT, Claude 등은 Overton window 내 어떤 주제에든 동의할 만큼 과잉 정렬됨
- 이 과잉 정렬은 우스꽝스러울 정도가 되어 밈이 되었으며, 무엇을 말하든 반사적으로 나오는 Claude의 "you're absolutely right!" 가 대표적
- 해롭지 않아 보이지만 실제로는 그렇지 않음
- 조직 내 가장 목소리 큰 AI 옹호자가 곧 역사적으로 가장 성과가 낮은 직원일 수 있음
- 긍정적 강화를 거의 받지 못하던 최악의 직원이 ASI의 동의를 얻게 되면 "가장 똑똑한 지능이 내게 동의한다, 내 매니저가 틀렸다"고 속삭이게 됨 → 중독적이면서 조직적으로 유독함
- 개인용 생산성 도구는 사용자를 강화하지만, 정작 강화해야 할 가장 중요한 것은 진실(truth)
- 조직은 수천 년에 걸쳐 이 문제를 상쇄하는 시스템을 진화시켜 옴
- 투자 위원회 회의, 제3자 실사, 이사회, 미국 정부의 행정·입법·사법부, 대의 민주주의와 민주주의 전반
- 조직은 사람들이 자신감이 없어서가 아니라, 아무도 "아니오"라고 말하지 못해서 실패함
- Institutional AI는 그 역할을 맡아야 하며, 사용자를 띄워주도록 RLHF되는 대신 편향에 도전해야 함
- 가장 중요한 에이전트는 "yes-men"이 아니라 추론을 심문하고 위험을 드러내며 기준을 강제하는 규율 있는 "no-men"
- 향후 응용: AI 이사회 멤버, AI 감사관, AI 제3자 검증, AI 컴플라이언스 등
-
4. Edge (우위)
- Individual AI는 사용량(usage) 을, Institutional AI는 우위(edge) 를 최적화함
- AI의 골대는 주 단위, 때로는 일 단위로 이동하며 파운데이션 모델 회사들이 빠르게 역량을 반복 개선
- 그러나 고전적 innovator's dilemma처럼, 특정 응용에서는 매번 폭(breadth)보다 깊이(depth) 가 이김
- Midjourney는 디자인 이미지에서 약간 앞서는 역할
- ElevenLabs는 음성 모델에서 약간 앞서는 역할
- Decagon은 풀스택 고객 서비스 경험에서 항상 앞서는 역할
- 파운데이션 모델이 근접하더라도 전문가에게는 진짜 우위가 중요하며, 최고의 디자이너 다수가 Midjourney를, 최고의 음성 AI 기업들이 ElevenLabs를 사용함
- 목적 특화 제품이 자기 우위를 향해 굽히지 않고 집중하는 것이 곧 우위 자체를 정의
- 금융이 현재 LLM 개발에서 가장 뜨거운 영역으로 제시됨
- 어떤 역량이 널리 퍼지면 정의상 시장을 이기는 데 도움이 안 되지만, 프런티어 기술이 일시적 1% 틈새 우위를 낸다면 그 1%가 수십억 달러 성과로 레버리지됨
- 사용자는 늘 프런티어를 앞서 왔으며, LLM의 컨텍스트 윈도우는 4년 만에 4K에서 1M 토큰으로 성장
- 일부 사용자는 단일 작업에서 30B 토큰을 처리하고, 올해 100B 토큰 작업까지 시야에 둠(Hebbia)
- 미래는 ChatGPT/Claude "또는" 도메인 특화 솔루션이 아니라 ChatGPT/Claude "그리고" 도메인 특화 솔루션
- 핵심 질문: "AGI라면 지름길로 쓸 에이전트는 무엇인가? 초지능조차 특정 도메인에는 목적 특화 도구를 원할 것"
-
5. Outcomes (성과)
- Individual AI는 시간을 절약하고, Institutional AI는 매출을 확장함
- MaVolpi의 말: CEO에게 비용 절감과 매출 확장 중 첫 번째 우선순위를 물으면 거의 모두 매출이라 답함
- 그러나 현재 시장의 거의 모든 AI 제품은 시간 절약·인력 대체 등 비용 절감을 약속
- Institutional AI는 상승 가치(upside) 를 제공해야 하며, 이는 절약된 시간보다 상품화(commoditize)하기 훨씬 어려움
- 에이전트 기반 소프트웨어 개발 사례
- 코딩 IDE는 최고의 개인용 AI 생산성 도구지만 또 다른 개인용 도구 Claude Code로부터 큰 역풍을 받음
- Cognition은 도구가 아니라 transformation(전환) 을 파는 기술을 구축하며 전혀 다른 게임을 함
- Naval 인용: "순수 소프트웨어는 빠르게 투자 불가능(un-investable) 해지고 있음"
- 순수 서비스는 확장되지 않으며, 기술과 성과를 결합하는 solution layer(솔루션 계층) 에 지속 가치가 축적됨
- M&A 사례: Individual AI는 분석가가 모델을 더 빨리 만들도록 돕지만, Institutional AI는 100개 중 추구할 만한 단 하나의 상대방을 식별하고 그 모집단을 1,000개로 확장 → 하나는 시간 절약, 다른 하나는 매출 창출
- 시장의 자연스러운 중력은 "상류(upstream)"로의 이동
- 파운데이션 모델은 앱 계층으로, 앱 계층 기업은 솔루션 계층으로 이동
- Institutional Intelligence가 곧 솔루션 계층이며, 성과가 존재하는 이 계층이 지속 가치와 가장 큰 상승분을 포착
-
6. Enablement (실행 지원)
- Individual AI는 도구를 주고, Institutional AI는 그 도구를 쓰는 법을 보여줌
- 인간은 그 모든 독창성에도 변화를 꺼림
- 뉴욕에는 손해인 줄 알면서도 여전히 신용카드를 받지 않는 성공한 사업체가 존재하며, 마찬가지로 일부 조직의 직원들은 무기한 AI 사용을 거부할 것
- 인간 전용 조직에서 AI 우선 하이브리드 조직으로의 전환이 향후 10년의 지속적이고 결정적인 과제
- 많은 경우 가장 고위·가장 중요한 계층이 가장 느리게 도입
- Palantir는 최근 두 달간 1조 달러 규모의 기술주 매도 속에서도 비범한 멀티플로 거래되는 유일한 "소프트웨어" 회사로 제시됨
- Palantir는 최초의 진정한 "process engineering(프로세스 엔지니어링)" 회사 중 하나
- "process engineering"이든 "Claude skills 파일 작성"이든, 미래의 Institutional AI는 기업 프로세스를 에이전트에 인코딩하고 필요한 변화 관리를 실현하는 산업을 형성
- 프로세스 엔지니어링이 단기적으로 가장 중요한 "기술(technology)" 이 될 것
- 여기서는 소프트웨어 전문성보다 비즈니스·산업 전문성이 더 중요하며, 도메인 특화 솔루션이 forward deployed 엔지니어링·배포·변화 관리를 수행하는 전문가의 전문성을 키움
- 한 Top 3 bulge bracket 은행이 전사 배포에 Hebbia를 택한 사례
- 대형 모델 랩과 일할 때 "팀에 CIM이 무엇인지 설명해야 했던" 점에서 흥미를 잃음
- Claude나 GPT는 분명 도메인을 알았지만, 랩의 롤아웃 설계 팀은 몰랐던 것이 결정적 차이
-
7. Unprompted (선제적 작동)
- Individual AI는 인간의 프롬프트에 반응하고, Institutional AI는 프롬프트 없이 선제적으로 작동함
- 에이전트 간 통신, 미래의 기업·소프트웨어·기관에 인간이 필요한지에 대한 논의가 많음
- 더 나은 질문은 미래의 AI 에이전트가 애초에 프롬프트를 필요로 하는가
- AGI에 프롬프트를 거는 것은 전기 모터를 동력 직조기에 연결하는 것과 같으며, 공급망의 가장 약한 고리(=인간) 에 근본적으로 제약됨
- 인간은 무엇을 물어야 할지조차 잘 모르며, 언제 물어야 할지는 더더욱 모름
- 가장 가치 있는 일은 아무도 요청할 생각조차 못 한 일
- 아무도 표시하지 않은 위험, 아무도 떠올리지 못한 상대방, 아무도 몰랐던 영업 파이프라인을 AI가 찾아내야 함
- 선제적(unprompted) 시스템 예시
- 포트폴리오 전반의 유입 데이터를 지속적으로 감시하다가, 한 회사의 운전자본 주기가 3개월 연속 악화된 것을 감지
- 이를 신용 계약의 covenant 임계값과 대조하고, 누군가 PDF를 열기도 전에 운영 파트너에게 선제 경고
- 인간이 AI에 프롬프트를 걸 필요가 사라지면 새로운 인터페이스와 새로운 업무 방식이 등장하며, 이에 대한 Hebbia의 강한 의견은 "to be continued"로 남김
결론
- 위 내용 어느 것도 챗봇·에이전트·Individual AI 전반의 필요성을 부정하지 않음
- Individual AI는 세계 대다수 기업이 AI의 변혁적 마법을 처음 경험하는 통로이며, 사용량과 보편적 사용 편의를 추구하는 것이 AI 우선 경제로 가는 변화 관리의 핵심 첫 단계
- 동시에 Institutional Intelligence에 대한 명백하고 시급한 수요가 존재
- 미래의 모든 조직은 대형 랩의 챗봇을 갖게 되고, 도메인 특화 문제를 위해 목적 설계된 Institutional AI도 갖게 되며, Individual AI는 이를 자신의 핵심 도구로 활용
- Institutional AI와 Individual AI의 "better together" 서사는 필연
- 1890년대 방직 공장의 교훈처럼, 먼저 전기화한 공장이 바닥(공장)을 재설계한 공장에게 패배함
- "우리에겐 전기가 있고, 이제 공장을 재설계할 때"