728x90
YouTube에서 시작한 원문 추적
95%는 부도율이 아니다
“AI 95% 연쇄부도”라는 영상을 보고 궁금해졌습니다. 정말 그런 원문이 있는지, 있다면 어떤 기업이 살아남는다는 뜻인지 개발자 관점으로 다시 정리했습니다.
2026-07-11 기준 수집
이 글은 여기서 시작했다
영상 제목은 자극적이었지만 질문은 꽤 좋았습니다. AI 버블이 꺼진다면 누가 살아남을까?
- 출발점: "AI 95% 연쇄부도 확정" 구글 발표에 전세계 패닉, 반도체 쥔 삼성·SK는 예외ㄷㄷ
- 먼저 감사: 이 영상이 좋은 문제의식을 던져줘서 원문까지 찾아보게 됐습니다.
- 영상의 큰 주장: wrapper와 aggregator는 위험하고, 반도체·추론·데이터 해자는 유리하다
- 내가 궁금했던 것: 그 말이 원문에서도 같은 의미인지, 우리 AI 관련 기업에 대입하면 어떻게 보이는지
- 이 자료의 방식: 영상 주장을 그대로 받아쓰지 않고 TechCrunch, MIT NANDA, Brookfield, Epoch AI, Google 원문으로 다시 나누어 보기
한 줄 결론
위험한 것은 AI가 아니라, 모델 위에 얇게 붙은 제품입니다.
- Google Cloud 임원 인터뷰는 LLM wrapper와 aggregator의 차별화 부족을 경고합니다.
- MIT NANDA의 95%는 AI 기업 부도율이 아니라 기업 GenAI 파일럿의 P&L impact 문제입니다.
- 살아남는 쪽은 모델 접근권보다 workflow, domain data, memory, eval, distribution을 쥡니다.
살아남을 가능성이 큰 세 부류
Compute
AI 수요가 추론으로 이동할수록 GPU, HBM, ASIC, 파운드리, 전력/냉각 인프라가 병목이 됩니다.
Workflow
채팅창을 넘어 업무의 입력, 판단, 승인, 실행까지 붙잡는 제품이 남습니다.
Data
공개 텍스트보다 도메인 데이터, 피드백, 온톨로지, 평가 데이터가 더 강한 해자가 됩니다.
제목이 섞은 두 가지
영상식 해석
- Google이 공식적으로 AI 시장 붕괴를 발표
- AI 기업 95%가 연쇄 부도
- 추론 수요, 데이터 고갈, 투자 사례를 하나의 붕괴 서사로 연결
원문에 가까운 해석
- Google Cloud 임원은 단순 wrapper와 aggregator를 경고
- MIT NANDA는 enterprise GenAI pilot의 성과 격차를 분석
- 95%는 부도율이 아니라 측정 가능한 P&L impact 미달 문제
95% 숫자의 정확한 자리
Organizations with zero return
95%
P&L impact 기준
Integrated pilots extracting value
5%
millions in value
Task-specific tools evaluated
60%
enterprise-grade systems
Reached pilot stage
20%
task-specific GenAI
Reached production
5%
custom enterprise AI tools
생존 지도의 네 구역
위험 구역
- 얇은 UI + 범용 모델
- prompt template 묶음
- 모델 가격 차익에 의존하는 API 중개
- workflow 밖의 demo-first 제품
- 고객 데이터와 권한 모델이 없는 SaaS
생존 구역
- vertical workflow에 깊게 통합된 제품
- persistent memory와 feedback loop
- domain-specific data와 eval set
- 보안과 권한을 내장한 운영 시스템
- daily active usage가 생기는 developer platform
사례로 읽는 방향성
이름보다 중요한 것은 business model의 구조다.
| 사례 | 생존 신호 | 조심할 해석 |
|---|---|---|
| Cursor / Harvey | 특정 업무와 사용자를 깊게 파고든 wrapper | 모든 wrapper가 안전하다는 뜻은 아님 |
| Replit / Lovable | 개발자 workflow와 배포 흐름에 붙음 | vibe만 있고 production path가 없으면 약함 |
| Recursion | 도메인 데이터, 실험 인프라, 컴퓨팅 파트너 | NVIDIA 투자가 성공 보장은 아님 |
| Palantir | 고객 데이터 소유보다 ontology와 운영 통합 | 데이터 독점 기업이라는 표현은 부정확 |
우리 AI 관련 기업에 대입하면
투자 판단이 아니라 생존 구조 비교다. 개별 기업 평가는 최신 실적과 고객 구조를 따로 확인해야 한다.
| 구분 | 예시 | 생존 논리 | 확인해야 할 리스크 |
|---|---|---|---|
| AI 반도체 인프라 | 삼성전자, SK하이닉스 | HBM, 메모리, 파운드리, 패키징은 AI compute 병목에 직접 연결 | 수율, 고객 집중도, CAPEX cycle, 가격 변동 |
| 추론/ASIC 공급망 | Broadcom, Marvell, Qualcomm, hyperscaler chip ecosystem | Brookfield가 말한 inference demand 이동과 맞물림 | 특정 고객 의존, 칩 세대 전환, 전력 효율 경쟁 |
| 데이터/운영 플랫폼 | Palantir, Recursion | 도메인 데이터와 업무 ontology가 모델 평준화 이후 차별점 | 규제, 매출 지속성, 실제 P&L impact |
| 얇은 AI 앱 | 단순 상담, 요약, 문구 생성, 캐릭터 앱 | 모델 API와 UI만 있으면 provider 기능 추가에 취약 | 반복 사용률, 자체 데이터, workflow lock-in |
개인 개발자의 전략 전환
예전 감각
- 좋은 모델을 빨리 붙인다
- prompt를 예쁘게 감싼다
- 사용자가 알아서 다시 온다고 믿는다
- demo가 곧 product-market fit이다
지금 필요한 감각
- 좁은 업무를 끝까지 자동화한다
- 기억, 권한, 로그, 평가를 설계한다
- 사용자의 데이터 흐름에 들어간다
- 운영 지표를 보고 계속 고친다
1인 개발자의 생존 playbook
- 1 | 좁은 업무 선택 | 한 직군의 반복 업무 하나를 고릅니다.
- 2 | 데이터 흐름 관찰 | 입력, 판단, 승인, 예외, 산출물을 기록합니다.
- 3 | 작은 ontology 설계 | 고객, 문서, 이벤트, 권한, 상태를 객체로 잡습니다.
- 4 | eval loop 구축 | 정답 예시, 실패 사례, 비용, latency를 추적합니다.
- 5 | workflow에 배치 | 채팅창 밖에서 알림, 승인, 리포트, 실행까지 연결합니다.
무엇을 만들어야 하나
Vertical copilot
특정 업무의 문서, 승인, 예외 처리를 이해하는 작은 전문가 시스템.
Data workflow tool
spreadsheet, CRM, ticket, email, database 사이를 오가는 반복 변환을 안정화하는 도구.
Evaluation layer
AI output을 그냥 믿지 않고 품질, 비용, 근거, 재현성을 측정하는 운영 레이어.
기술 스택의 우선순위
개인 개발자에게 moat는 거대한 모델이 아니라 작은 운영 루프에서 시작된다.
| 우선순위 | 쌓아야 할 것 | 이유 |
|---|---|---|
| 1 | 업무 데이터 모델링 | 모델보다 문제 구조가 오래갑니다. |
| 2 | retrieval + memory | 컨텍스트는 길어져도 제품 기억은 설계해야 합니다. |
| 3 | eval harness | 품질을 측정하지 못하면 개선도 판매도 어렵습니다. |
| 4 | permission + audit | enterprise/workflow 제품의 신뢰 경계입니다. |
| 5 | inference ops | agent가 많아질수록 비용과 latency가 제품성이 됩니다. |
고마운 출발점
이 글은 "AI 95% 연쇄부도 확정" 구글 발표에 전세계 패닉, 반도체 쥔 삼성·SK는 예외ㄷㄷ에서 시작했습니다.
먼저 좋은 문제의식을 던져준 영상에 감사합니다. 영상 덕분에 “AI 기업 95% 연쇄부도”라는 자극적인 문장 뒤에 어떤 원문들이 있는지 궁금해졌고, TechCrunch 인터뷰, MIT NANDA 보고서, Brookfield와 Epoch AI 자료까지 따라가 보게 됐습니다.
감사한 마음과 별개로, 이 자료의 최종 판단은 영상 표현이 아니라 아래 원문 자료를 기준으로 정리했습니다.
출처
YouTube 자막은 자동 생성본이라 관심 신호로만 사용했고, 결론은 원문 자료를 기준으로 정리했다.
| 구분 | 제목 | 사용한 이유 |
|---|---|---|
| 출발점 | "AI 95% 연쇄부도 확정" 구글 발표에 전세계 패닉, 반도체 쥔 삼성·SK는 예외ㄷㄷ | 이 글을 쓰게 만든 문제의식과 claim 확인 |
| Google 인터뷰 | Google VP warns that two types of AI startups may not survive | wrapper와 aggregator 리스크 |
| 95% 수치 | The GenAI Divide: State of AI in Business 2025 | 95%가 부도율이 아니라 P&L impact 문제임을 확인 |
| 추론 수요 | Building the Backbone of AI | 2030년경 inference compute demand 전망 |
| 데이터 병목 | Will we run out of data? Limits of LLM scaling based on human-generated data | 공개 인간 텍스트 데이터 한계 |
| 긴 컨텍스트 | Our next-generation model: Gemini 1.5 | 1M/10M token context claim 확인 |
| 사례 | Recursion Announces Collaboration and $50 Million Investment from NVIDIA / Palantir is Not a Data Company | 데이터, 도메인, ontology 해자 사례 |
'관심있는 주제 > 탐구 노트' 카테고리의 다른 글
| Ilya Sutskever가 추천했다고 알려진 30 Papers로 보는 AI의 큰 그림 (0) | 2026.07.12 |
|---|