특화 AI가 이기는 자리는 데이터가 아니라 워크플로다

결론부터. "데이터가 없어서 못 한다"는 변명은 생각보다 약하다. 그리고 작은 팀이 이기는 자리는 레코드를 소유하는 곳이 아니라, 조직 경계를 넘는 워크플로 전체를 남보다 잘 굴리는 곳이다.

a16z가 특화 AI 스타트업의 승부처를 정리한 글이 이 두 가지를 짚는다.

기존 강자의 한계는 자기 레코드다

Salesforce나 Docusign 같은 기존 강자도 AI로 업무 실행까지 확장하고 있다. 그런데 이들은 자기가 가진 레코드 안에 갇혀 있다. 원문의 표현이 정확하다.

계약서는 법률 사안 전체가 아니다.

고객의 실제 업무는 어떤 단일 시스템보다 넓다. 여러 시스템, 여러 사람, 여러 조직에 걸쳐 있다. 기존 강자가 그중 한 조각만 통제하는 동안, 특화 업체는 과정 전체를 맡을 수 있다.

두 번째 주장이 더 흥미롭다. 우위는 최종 결과물을 쌓는 데서 오지 않고, 실행 도중 전문가가 무엇을 어떻게 고치는지, 왜 그렇게 판단했는지를 관찰하는 데서 온다.

전문가가 AI의 판단을 수정한 이유까지 이해하면 피드백 루프가 훨씬 빨리 돈다. 결과만 모으는 쪽은 이 신호를 못 얻는다.

법률 AI 업체 Harvey는 약 1,750개의 법률 태스크 환경을 구축했다. 재료는 합성 데이터, 공개 법률 자료, 전문가가 직접 만든 데이터셋이었다.

방대한 고객 이력이 아니었다.

이게 왜 중요하냐면, 특화 제품을 못 만드는 이유로 가장 흔히 나오는 게 "우리는 데이터가 없다"이기 때문이다. Harvey는 도메인 전문성을 데이터 축적이 아니라 태스크 환경 설계로 만들었다.

원문이 제시한 승리 조건은 넷이다.

이 필터는 스타트업 심사용으로 쓰였지만, 혼자 제품을 고를 때 그대로 쓸 수 있다. 오히려 더 유용하다.

1번은 검증 속도다. 내가 만든 결과가 맞는지 빠르게 판정할 수 없는 영역은 혼자 하기에 최악이다. 피드백 루프가 안 돌면 개선이 안 된다. 자기가 이미 전문가인 영역을 고르라는 말과 같다.

2번은 자동화 여부다. 규칙으로 풀리는 일은 이미 누군가 스크립트로 만들었다. 판단이 필요한 지점이 남는 자리다.

3번은 시장 크기의 대용이다. 드물게 일어나는 일은 아무리 아파도 돈이 안 된다. 자주 겪는 사람이 있어야 한다.

4번이 함정이자 기회다. 단일 태스크 도구는 만들기 쉽고 대체되기도 쉽다. 워크플로로 확장되는 자리를 골라야 한다. 그리고 조직 경계를 넘는 워크플로는 큰 회사가 구조적으로 못 하는 자리다. 자기 레코드 밖으로 못 나가니까.

원문은 자본이 들어간 특화 스타트업 이야기다. 1,750개 태스크 환경은 혼자 만들 규모가 아니다.

다만 Harvey 사례의 핵심은 규모가 아니라 없어도 시작할 수 있다는 사실 쪽이다. 시작 조건이 "고객 데이터 확보"가 아니라 "태스크 정의"라면, 그건 혼자서도 첫 걸음을 뗄 수 있다는 뜻이다.