AI 에이전트를 잘못 이해하고 있다—시뮬레이션이 승리한다

AI News & Strategy Daily | Nate B Jones 구독자 48,900명

요약

이 영상은 대부분 AI 에이전트를 단순 실행자로만 활용하는 현재 패러다임의 한계를 지적합니다. 대신 LLM 기반 도구와 가이드라인 위에 현실 시뮬레이터(디지털 트윈)를 추가해 미래를 모델링하는 접근이 비선형적으로 더 큰 가치를 창출한다고 제안합니다. 대체 타임라인, 시간 압축, 컴파운딩 등 주요 비선형 레버를 소개하고 르노, BMW, 포뮬러1, 광고 네트워크 사례를 통해 시뮬레이션의 효과를 입증합니다. 마지막으로 데이터 관리, 조직 문화 혁신, 책임 있는 의사결정 프로세스를 통해 시뮬레이터 에이전트 도입을 권장합니다.

주요 키워드

AI 에이전트 디지털 트윈 현실 시뮬레이션 시뮬레이션 시간 대체 타임라인 시간 압축 컴파운딩 LLM(Large Language Model)

하이라이트

🔑 AI 에이전트를 단순 실행자로만 보는 것은 낮은 레버리지 기회입니다. 모델링 에이전트를 통해 비선형적 가치를 추구해야 합니다.
⚡️ 전통적인 AI 에이전트는 LLM+도구+정책 가이드로 업무 자동화를 수행하지만, 이것은 선형적 시간 절약에 그칩니다.
🌟 디지털 트윈은 물리 시스템을 가상 환경에 재현해 다양한 미래 시나리오를 탐색하는 현실 시뮬레이터입니다.
🚀 대체 타임라인, 시간 압축, 컴파운딩은 시뮬레이션의 비선형 가치 레버로, 의사결정 효율을 획기적으로 높입니다.
📌 르노는 디지털 트윈으로 차량 충돌을 사전 예측해 개발 시간을 60% 단축했습니다.
⚠️ 시뮬레이션 정확도는 입력 데이터 품질과 가정에 달려 있으므로 반복적 캘리브레이션이 필요합니다.
💡 조직의 인센티브를 의사결정 품질 중심으로 재설계하면 문화 변화라는 도전 과제도 기회가 됩니다.
🎯 첫걸음으로 하나의 KPI를 선정해 디지털 트윈을 적용하고, 데이터 피드백 루프를 구축해 보세요.

용어 설명

AI 에이전트

LLM(대형 언어 모델), 도구, 가이드라인으로 구성된 자동화 시스템입니다.

디지털 트윈

물리적 시스템을 가상 환경에 1:1로 재현해 미래 시나리오를 탐색하는 모델입니다.

현실 시뮬레이터

가상의 제약과 규칙을 적용해 실제 상황을 모의 실험하는 AI 기반 시뮬레이션 환경입니다.

대체 타임라인(Alternate timeline)

여러 미래 시나리오를 시뮬레이션해 대체 가능한 결과를 탐색하는 개념입니다.

시간 압축(Time compression)

실제 시간 대신 시뮬레이션 시간을 이용해 짧은 시간 안에 다수의 반복 실험을 수행하는 방법입니다.

컴파운딩(Compounding)

반복적 시뮬레이션을 통해 축적된 사전 지식(priors)이 비선형적 혁신을 유도하는 효과입니다.

LLM(Large Language Model, 대형 언어 모델)

방대한 텍스트 데이터를 학습해 자연어 처리 작업을 수행하는 인공지능 모델입니다.

AI 에이전트를 이메일 작성, 티켓 응답 등 단순 실행자로만 활용하는 현재 접근법은 낮은 레버리지 기회를 제공합니다. 커뮤니티는 더 빠른 실행에만 집중하지만, 이는 진정한 엣지를 제공하지 않습니다. 시뮬레이션을 통한 비선형 가치 창출로 시각을 전환해야 한다는 문제를 제기합니다.

[00:00] 현재 AI 에이전트의 활용 방식이 가장 저평가된 접근법이라고 주장합니다. 우리는 AI 에이전트를 이메일 작성, 티켓 답변, 코드 생성 등을 하는 실행자로만 보고 있으며, 이는 낮은 레버리지 기회에 불과합니다.

AI 에이전트는 대형 언어 모델(LLM)을 ‘두뇌’로, 도구 호출 기능과 정책·제약을 부여하는 가이드라인으로 구성됩니다. 지금까지 우리는 티켓 처리 수, 절약된 시간, 상호작용당 비용 등 실행 효율 지표에 몰두해 왔습니다. 네트워크나 팀 단위 자동화는 모두 이 접근법에서 출발합니다.

[00:33] 더 높은 레버리지 기회는 AI 에이전트를 AI 모델로 모델링하는 것입니다. 이는 기하급수적인 기회이며, 모델링이 실행을 능가한다는 아이디어를 중심으로 조용한 AI 혁명이 일어나고 있습니다.

[00:50] 전통적인 에이전트 개념은 LLM + 도구 + 가이던스로 구성됩니다. 중심에 대규모 언어 모델이 있고, 작업 수행을 위한 도구와 정책 가이던스로 제한되어 있습니다. 현재 평가는 이러한 에이전트가 실제 작업을 얼마나 잘 수행하는지를 측정합니다.

[01:37] 에이전트의 더 넓은 기회는 현실 시뮬레이터로 활용하는 것입니다. 디지털 트윈 개념이 올해 초 엔비디아가 제조 창고 트윈을 출시하면서 공개적으로 처음 선보였으며, 이는 젠슨이 AI 에이전트의 해라고 발표한 같은 컨퍼런스에서였습니다.

‘디지털 트윈’ 개념을 도입해 AI 에이전트를 3D 게임처럼 가상 환경에서 운영할 수 있습니다. 텍스트 기반 제약만으로도 세계 모델(world model)을 구축해 의사결정 시뮬레이션을 수행할 수 있습니다. 이를 통해 다양한 상황을 미리 체험하며 학습할 수 있다는 점이 핵심입니다.

[02:50] 사람들은 창고 부분을 놓쳤지만, 젠슨의 핵심 아이디어는 디지털 트윈이 장기적인 생산성과 AI 에이전트의 레버리지를 극대화하는 데 매우 중요하다는 것이었습니다. 실행자로서의 에이전트 정의처럼, 모델러로서의 에이전트는 시뮬레이션된 세계에서 활동합니다.

[03:19] AI 에이전트의 진정한 잠재력은 단순한 실행 도구가 아닌 시뮬레이션된 세계에서 작동하는 현실 시뮬레이터로 활용하는 것입니다. 젠슨이 소개한 창고 시뮬레이션처럼 모든 모델링 사례는 세계를 시뮬레이션하며, 이는 3D 게임 형태가 아닌 텍스트나 단어로 세계의 제약 조건을 모델링하는 방식일 수 있습니다.

실행자 에이전트는 이메일 10분을 0분으로 줄여주는 선형적 이득을 제공합니다. 반면 모델링 에이전트는 비선형적 가치 스케일을 형성해 의사결정 과정을 개선합니다. 시뮬레이션을 통해 수년간의 시장 주기를 몇 시간 안에 테스트할 수 있습니다.

[03:49] 현실적으로 사람들은 이미 ChatGPT와 어려운 이해관계자와의 상황이나 전 연인과의 이별 대화를 시뮬레이션하고 있습니다. 이것이 바로 현실 시뮬레이터로서의 에이전트 활용 사례입니다.

[04:33] 현재 우리는 10분짜리 이메일을 0분으로 줄여주는 선형적 시간 절약 에이전트에 대부분의 시간을 투자하고 있습니다. 물론 이것도 환상적이지만, 비즈니스 의사결정을 개선하는 현실 시뮬레이터 에이전트의 가치는 훨씬 더 큽니다.

대체 타임라인: 여러 미래 시나리오를 시뮬레이션해 최적의 경로를 탐색합니다. 시간 압축: 벽시계가 아닌 시뮬레이션 시간을 활용해 수백 번의 반복 실험을 단시간에 수행합니다. 컴파운딩: 반복적 시뮬레이션으로 축적된 priors가 비선형적 돌파구를 이끌어 냅니다.

[04:54] 기존에는 3개 옵션이 담긴 파워포인트로 이사회에 한 번의 기회만 가졌다면, AI는 훨씬 더 강력한 도구를 제공합니다. 구조화된 타임라인 탐색을 통해 10년의 시장 사이클을 10시간의 시뮬레이션으로 압축하고, 5-6개의 다른 시나리오를 실행하여 비즈니스 방향에 대한 더 깊은 이해를 얻을 수 있습니다.

[05:36] 역사적으로 2-3단계만 내다볼 수 있었던 타임라인을 이제 컴퓨팅 파워로 여러 시나리오를 시뮬레이션할 수 있습니다. 이것이 인간의 의사결정을 조금이라도 개선한다면, 실행에만 집중하는 모든 LLM 에이전트의 영향력을 충분히 보상할 것입니다.

[06:00] 기하급수적 가치 레버의 첫 번째는 대안 타임라인의 장점입니다. 전체 비즈니스뿐만 아니라 특정 시나리오에 대해서도 다양한 옵션을 실행하고 시뮬레이션할 수 있으며, 고객의 제품 출시 반응이나 마케팅 캠페인을 실제 실행 전에 미리 확인할 수 있습니다.

[06:20] AI 시뮬레이션을 통해 고객 반응 예측, 마케팅 캠페인 사전 테스트, 코드 배포 전 검증 등 다양한 시나리오를 비용 없이 미리 실험할 수 있다고 설명합니다.

[06:36] 시간 압축 개념을 소개하며, 시뮬레이션 시간을 통해 경쟁사가 3번째 반복에 있을 때 300번째 반복에 도달할 수 있는 압도적 속도 우위를 강조합니다.

[06:58] 시뮬레이션 정확도에 대한 반박 의견에 응답하며, 완벽하지 않더라도 70% 정확도만으로도 충분히 유용하다고 주장합니다.

[07:30] 로봇공학과 테슬라 자율주행 사례를 통해 가상 환경에서의 훈련이 실제 비용과 위험 없이 극단적 상황 학습을 가능하게 한다고 설명합니다.

[08:16] 복합효과의 중요성을 강조하며, 시뮬레이션 반복을 통해 더 나은 사전 지식을 개발하고 가격 절벽, 숨겨진 세그먼트, 혁신 제품을 발견할 수 있다고 설명합니다.

[08:43] 핵심 메시지를 전달하며, 실행자로서의 AI 에이전트는 선형적 가치를, 모델 시뮬레이터로서의 AI 에이전트는 비선형적 가치를 제공한다고 구분합니다.

[08:56] 르노의 60% 차량 개발 시간 단축과 BMW의 가상 공장 구축 사례를 통해 디지털 트윈과 시뮬레이션의 실제 산업 적용 사례를 제시합니다.

르노는 디지털 트윈으로 사전 충돌 예측을 통해 개발 시간을 60% 단축했습니다. BMW는 가상 공장에서 수천 가지 라인 변경을 하룻밤에 테스트했고, 포뮬러1은 실시간 피트 전략 시뮬레이션으로 에너지 할당을 최적화합니다. 광고 네트워크는 비용 투입 전 크리에이티브 믹스를 미리 검증합니다.

[09:29] 시뮬레이션 기술을 통해 포뮬러 1의 피트 크루 에너지 배분이나 광고 네트워크의 창의적 믹스 최적화 등에서 AI 에이전트가 세계 모델로 작동하는 방식을 설명한다.

[09:57] AI 에이전트가 세계 모델로 작동하는 방식을 설명하며, LLM이나 머신러닝 알고리즘에 제약 조건과 도구, 작동할 세계를 제공하여 시뮬레이션 결과를 얻는 과정을 소개한다.

[10:12] 시뮬레이션에 대한 첫 번째 반대 의견인 '쓰레기를 넣으면 쓰레기가 나온다'는 문제를 인정하며, 이를 해결하기 위해 보정 루프와 백테스트를 통한 성능 검증의 중요성을 강조한다.

‘Garbage in, garbage out’ 문제는 반복적 캘리브레이션과 백테스트로 해결할 수 있습니다. 과도한 자신감은 분포 기반 시뮬레이션으로 보완하고, 컴퓨트 비용은 돌파구 가치를 고려해 투자해야 합니다. 문화 변화는 의사결정 품질에 따른 보상 체계를 재설계하며 점진적으로 기업 문화에 스며들게 합니다.

[10:57] 두 번째 반대 의견인 '거짓 확신' 문제를 다루며, 점 예측이 아닌 분포 제한을 통해 시뮬레이션을 활용할 것을 제안한다. 인간이 특정 점 가정에 과도하게 고착되는 약점을 지적한다.

[11:32] 세 번째 반대 의견인 높은 컴퓨팅 비용 문제에 대해 돌파구 잠재력을 고려할 때 충분한 가치가 있다고 반박한다.

[11:44] 네 번째 반대 의견인 문화 변화의 어려움을 다루며, 의사결정 품질과 재앙 방지에 대한 보상 체계 변화를 통해 기업 인센티브를 바꿀 기회가 있다고 주장한다.

[12:26] AI 에이전트를 활용한 컴퓨팅이 의사결정과 미래 예측에 혁신적인 변화를 가져올 수 있으며, 이는 우리가 생각하고 의사결정하는 방식의 문화적 변화를 의미한다고 설명합니다.

[12:40] AI 에이전트 활용을 시작하는 구체적인 방법으로 하나의 KPI를 선택해서 디지털 트윈을 만들어보라고 제안하며, 고객 획득 비용이나 이탈률 같은 잘 알고 있는 지표부터 시작할 것을 권합니다.

첫째, 하나의 KPI를 선정해 디지털 트윈을 적용합니다. 둘째, 시뮬레이션에 투입할 데이터 소스와 피드백 루프를 명확히 설계합니다. 셋째, 엔터프라이즈라면 데이터 레이크·레이크하우스·기능 저장소(feature store)·시뮬레이션 엔진·대시보드를 구축하고, 개인용이라면 주기적 데이터 업데이트와 피드백 확보에 집중합니다.

[13:06] 성공적인 AI 에이전트 구현을 위해서는 좋은 데이터, 데이터 갱신 주기, 피드백 루프, 그리고 신뢰할 수 있는 도구 스택이 필요하다고 설명합니다. 대기업과 개인 수준에서의 접근법이 다르지만 기본 원칙은 동일하다고 강조합니다.

[13:48] 더 명확한 통찰력을 가질 수 있는 AI 능력이 있음에도 불구하고 이를 활용하지 않는다면 우리의 도덕적 책임이 높아진다고 주장합니다. 에이전트를 세계 구축자로 생각할 수 있는 컴퓨팅 능력이 있기 때문에 더 깊이 생각할 책임이 있다고 강조합니다.

[14:09] 다른 사람들이 AI 에이전트를 단순한 '실행자'로만 보는 동안, 미래 현실을 모델링하고 더 나은 의사결정을 위한 도구로 활용하는 것이 차별화된 접근법이라고 강조합니다.

강화된 컴퓨팅 능력으로 미래를 모델링할 수 있음에도 활용하지 않는 것은 도덕적 책임을 가중합니다. 에이전트를 실행자로만 쓰는 대신 세계 모델 구축에 집중하면 경쟁에서 차별화된 엣지를 얻습니다. AI가 제시하는 다양한 미래를 적극적으로 활용해 더 나은 의사결정을 실천하라는 메시지를 남깁니다.

타임라인 정보가 없습니다.

[00:00] 저는 우리가 에이전트의 가장 저평가된 지점에 초점을 맞추고 있다고 생각합니다.

[00:02] 제가 무슨 말인지 설명해 드리겠습니다.

[00:05] 근본적으로 우리는 AI 에이전트를 실행자로 보고 있습니다.

[00:07] AI 에이전트를 실행자로 말이죠.

[00:10] 이메일 작성, 티켓 답변, 코드 생성 데모 등을 하는 실행자로요.

[00:14] 그리고 우리는 잉크와 픽셀과 토큰을 소비하면서

[00:16] 커뮤니티로서 AI 에이전트가 더 잘 작업할 수 있도록 하는 방법을 찾고 있습니다.

[00:18] AI 에이전트가 더 나은 성과를 내도록 하는 방법을 찾고 있습니다.

[00:21] 하지만 이는 에이전트의 낮은 레버리지 기회입니다.

[00:23] 그리고 우리는 더 높은 레버리지 기회에 대해서는 거의 이야기하지 않습니다.

[00:26] 그런데 이 기회는 오늘날 스마트한 기업들에 의해 활용되고 있습니다.

[00:28] 더 높은 레버리지 기회는

[00:31] AI 에이전트를 AI 모델로 모델링하는 것입니다.

[00:33] 이는 기하급수적인 기회이며

[00:35] 이 비디오는 모델링이 실행을 능가한다는 아이디어를 풀어내는 것입니다.

[00:37] 그리고 이를 깨달은 기업들 사이에서 조용한 AI 혁명이 일어나고 있습니다.

[00:41] 다음 조 달러 규모의 우위는

[00:42] 에이전트를 통한 더 빠른 실행이 아니라는 것을 보여드리고 싶습니다.

[00:45] 물론 그것도 좋지만요.

[00:47] 진짜 우위는 에이전트를 통한 더 나은 시뮬레이션입니다.

[00:50] 전통적인 에이전트 개념은

[00:52] LLM + 도구 + 가이던스입니다.

[00:54] 꽤 간단하죠?

[00:56] 중심에 대규모 언어 모델이 있는 AI 에이전트가 있습니다.

[00:58] 우리는 이를 뇌라고 부를 수 있습니다.

[01:01] 작업을 수행하기 위해 도구를 호출할 수 있고

[01:03] 해야 할 일을 알려주는 정책과

[01:08] 하지 말아야 할 일을 제한하는 가이던스나 오케스트레이션으로 감싸져 있습니다.

[01:10] 그리고 우리의 많은 평가는 본질적으로

[01:14] 이러한 에이전트가 LLM과 도구와 가이던스를 가지고

[01:16] 작은 트렌치 코드에서 실제 작업을 얼마나 잘 수행하는지를 측정합니다.

[01:18] 그래서 우리가 자랑하는 KPI들은

[01:20] 처리된 티켓 수, 절약된 시간, 상호작용당 비용 등입니다.

[01:22] 이 모든 것은 에이전트에 대한 그 아이디어에서 나옵니다.

[01:24] 도구와 정책 가이던스로 제한된 에이전트가 일을 하는 것으로 말이죠.

[01:26] 에이전트 네트워크, 에이전트 커뮤니티,

[01:28] 맥킨지 표현을 사용하면 에이전트 메시 등은

[01:30] 모두 에이전트 떼나 팀이 당신을 위해 일해야 한다는 개념에서 나옵니다.

[01:32] 이는 자동화에 훌륭하고 실행에 훌륭합니다.

[01:37] 더 넓은 기회로 줌아웃해보겠습니다.

[01:40] 에이전트는 현실 시뮬레이터가 될 수 있습니다.

[01:42] 디지털 트윈의 개념은

[01:44] 실제로 올해 초 1월에 공개적으로 처음 선보였습니다.

[01:47] 엔비디아가 제조 창고 트윈을 출시했을 때입니다.

[01:49] 이는 엔비디아 CEO인 젠슨이

[01:51] 올해가 AI 에이전트의 해라고 발표한 같은 컨퍼런스에서였습니다.

[01:54] 그리고 우리는 AI 에이전트에 대한 VC 과대광고가 큰 것을 알고 있었습니다.

[01:57] 젠슨이 연초 1월에 AI 에이전트 데모 전체를 가지고 나왔을 때

[01:59] 사람들은 창고 부분을 다소 놓쳤습니다.

[02:02] 사람들은 젠슨의 아이디어가

[02:05] 디지털 트윈이 장기적인 생산성과

[02:07] AI 에이전트의 AI 레버리지를 극대화하는 데 매우 중요하다는 것이었다는 걸 잊었습니다.

[02:10] 그래서 우리가 AI 에이전트를 LLM과 도구와 가이던스를 가진 실행자로 정의한 것처럼

[02:16] 에이전트를 모델러로 사용하려면

[02:18] 말씀드리겠습니다.

[02:20] 공개적으로 처음 선보이고 과시된 것은

[02:21] 올해 초 1월이었습니다.

[02:25] 엔비디아가 제조 창고 트윈을 출시했을 때입니다.

[02:28] 이는 엔비디아 CEO가

[02:31] 발표한 같은 컨퍼런스에서였습니다.

[02:35] 젠슨이 올해가 AI 에이전트의 해라고 말할 것이라고 발표했습니다.

[02:38] 그리고 우리는 AI 에이전트에 대한 VC 과대광고가 큰 것을 알고 있었습니다.

[02:40] 젠슨이 연초 1월에

[02:42] AI 에이전트 데모 전체를 가지고 나왔을 때

[02:45] 사람들은 창고 부분을 다소 놓쳤습니다.

[02:47] 사람들은 젠슨의 아이디어를 잊었습니다.

[02:50] 디지털 트윈이 장기적인 생산성과

[02:53] AI 에이전트의 AI 레버리지를 극대화하는 데 매우 중요하다는 것이었습니다.

[02:58] 그래서 우리가 AI 에이전트를 LLM과 도구와 가이던스를 가진 실행자로 정의한 것처럼

[03:02] 에이전트를 모델러로 사용하려면

[03:04] 말씀드리겠습니다.

[03:06] AI 에이전트가 있습니다.

[03:09] LLM과 도구와 가이던스를 가진 에이전트가

[03:12] 시뮬레이션된 세계에서 활동합니다.

[03:14] 하나를 더 추가하면

[03:17] 에이전트가 있습니다.

[03:19] 한 가지를 더 추가하면 됩니다. 도구와 가이드를 갖춘 LLM인 에이전트를

[03:21] 시뮬레이션된 세계에 배치하는 것입니다.

[03:25] 바로 이 마지막 부분이 핵심입니다.

[03:28] 그리고 이것이 바로 젠슨이 소개한 창고 시뮬레이션에서

[03:29] 시뮬레이션이 매우 중요한 이유입니다.

[03:31] 우리가 가진 모든 모델링 사례는

[03:34] 세계를 시뮬레이션합니다. 이는

[03:36] 3D 비디오 게임 세계 시뮬레이션과 같은 형태가 아닐 수도 있습니다.

[03:38] 텍스트나 단어로 세계의 관련 제약 조건을

[03:42] 모델링하는 시뮬레이션일 수 있습니다.

[03:43] 그것도 가능합니다. 그리고 우리가

[03:45] 항상 하는 일인데, LLM이 현실 시뮬레이터 내에서

[03:49] 에이전트 역할을 하도록 설정하는 프롬프트가 있습니다.

[03:52] 이때 우리가 하는 일은 단순히

[03:54] 에이전트에게 세계의 제약 조건을 고려하여

[03:57] 특정 방식으로 행동하도록 지시하는 것입니다.

[04:00] 정책과 가이드라인을 제공하면서 말이죠.

[04:01] 그래서 우리가 '어려운 이해관계자와의

[04:04] 상황을 시뮬레이션해달라'고 요청할 때,

[04:06] 사람들은 LLM과 그런 대화를 나눕니다.

[04:08] ChatGPT와 그런 대화를 나누죠.

[04:11] 전 연인과의 이별에 대해 이야기하며

[04:13] ChatGPT와 그 대화를 시뮬레이션해보면서

[04:15] 어떻게 진행될지 확인해봅니다.

[04:18] 바로 이것이 현실 시뮬레이터로서의

[04:21] 에이전트입니다.

[04:22] 이것이 왜 중요한지

[04:24] 설명해드리겠습니다.

[04:27] 우리는 대부분의 시간을

[04:29] 실행하는 에이전트에 대해 이야기하는 데 보냅니다.

[04:31] 이들은 선형적인 시간 절약 에이전트입니다.

[04:33] 10분짜리 이메일을 0분짜리 이메일로

[04:35] 바꿔주죠.

[04:37] 물론 환상적입니다.

[04:40] 하지만 비즈니스의 의사결정을 개선하는 데

[04:42] 도움이 되는 현실 시뮬레이터 에이전트가

[04:43] 있을 때의 차이를 상상해보세요.

[04:46] 다양한 비즈니스 타임라인을 시뮬레이션하고

[04:48] 탐색할 수 있게 해주는 에이전트를

[04:50] 상상해보세요. 우리는 보통 3개의 옵션이 담긴

[04:54] 간단한 파워포인트 프레젠테이션으로

[04:56] 이사회에 한 번의 기회만 갖습니다.

[04:59] 그리고 우리가 선호하는 하나를 제시하죠.

[05:01] AI는 우리에게 훨씬 더 강력한 도구를

[05:03] 제공하는데, 거의 모든 사람이

[05:05] 이런 에이전트를 현실 시뮬레이터로

[05:08] 활용하여 다양한 타임라인을

[05:11] 구조적으로 검토하지 않고 있습니다.

[05:13] 만약 비즈니스를 위해 조금이라도

[05:15] 구조화된 타임라인 탐색을 했다면,

[05:17] 10년의 시장 사이클을 10시간의 시뮬레이션으로

[05:20] 압축할 수 있고, 5~6개의 다른

[05:22] 10시간 시뮬레이션을 실행하여

[05:25] 비즈니스가 어디로 향하는지에 대해

[05:28] 훨씬 더 유용한 이해를 얻을 수 있습니다.

[05:31] 어떤 의미에서 우리는 역사적으로

[05:34] 다음 2-3단계만 내다볼 수 있었던

[05:36] 모든 타임라인을 이제 컴퓨팅 파워로

[05:37] 여러 다른 시나리오를 시뮬레이션하여

[05:39] 가져와서 더 스마트한 결정을 내릴 수 있습니다.

[05:42] 만약 이것이 인간으로서 우리의

[05:44] 의사결정을 조금이라도 개선한다면,

[05:46] 실행에 집중하는 모든 LLM 에이전트의

[05:48] 영향력을 충분히 보상할 것입니다.

[05:51] 그렇다면 이런 기하급수적 가치 레버는

[05:53] 무엇일까요? 올바르게 하고 있는지

[05:56] 어떻게 알 수 있을까요? 첫째로,

[06:00] 제가 말씀드린 타임라인입니다.

[06:02] 엄청난 대안 타임라인의 장점이 있습니다.

[06:04] 전체 비즈니스뿐만 아니라

[06:07] 특정 시나리오에 대해서도 모든 종류의

[06:09] 다양한 옵션을 실행하고 시뮬레이션할 수 있습니다.

[06:12] 고객의 제품 출시 반응을 시뮬레이션할 수 있습니다.

[06:16] 마케팅 캠페인 세계를 시뮬레이션하여

[06:18] 실제 실행 전에 미리 확인할 수 있습니다.

[06:20] 고객의 제품 출시 반응을 시뮬레이션할 수 있습니다.

[06:21] 마케팅 캠페인 환경을 시뮬레이션해서

[06:23] 한 푼도 쓰기 전에 미리 테스트할 수 있어요.

[06:26] 코드를 실제로 배포하기 전에 모든 종류의

[06:30] 코드 변형을 테스트할 수 있습니다.

[06:33] 실제 코드를 배포하기 전에 말이죠.

[06:36] 시간 압축이 제가 말씀드리고 싶은

[06:38] 두 번째 개념입니다. 시간 압축은

[06:41] 경쟁사가 3번째 반복에 있을 때

[06:44] 당신은 300번째 반복에 있다는 개념이죠.

[06:46] 실제 시간이 아니라 시뮬레이션 시간으로

[06:50] 움직이기 때문입니다. 시뮬레이션 시간에서는

[06:53] 매우 빠르게 시뮬레이션하고

[06:54] 필요 없는 것들을 빠르게 버릴 수 있어요.

[06:58] 물론 반대 의견들이 있을 거예요.

[07:00] 사람들은 이렇게 말할 것입니다:

[07:01] "이런 시뮬레이션들이 모두 정확하지 않잖아요.

[07:04] 그런데 왜 이런 대안적 타임라인을

[07:05] 믿어야 하고, 왜 시간 압축

[07:07] 개념을 믿어야 하죠?" 첫째로,

[07:10] 이미 세계 최대 기업들이

[07:11] 엄청난 가치를 창출하기 위해

[07:13] 사용하고 있고, 이에 대해서는

[07:14] 곧 말씀드릴게요. 하지만 둘째로,

[07:19] 완벽하게 정확하지 않더라도

[07:21] 아무것도 생각하지 않는 것보다

[07:23] 훨씬 낫다면 좋은 거죠.

[07:26] 70% 정확도라도 여전히

[07:28] 매우 유용할 수 있습니다.

[07:30] 그리고 실제로 가상 시뮬레이션을

[07:33] 사용해서 발전을 극적으로

[07:35] 가속화하는 회사들이 있습니다.

[07:37] 로봇공학이 좋은 예입니다.

[07:40] 로봇들은 실제로 걷지 않고도

[07:43] 가상 환경에서 먼저 훈련받아

[07:46] 걷는 법을 배우고 있어요.

[07:47] 매우 빠르게 훈련받을 수 있죠.

[07:50] 이는 회사의 훈련 비용을

[07:52] 엄청나게 절약해 줍니다.

[07:55] 또 다른 예는 테슬라와 자율주행입니다.

[07:58] 테슬라는 시뮬레이션 코스에서

[08:02] 자율주행 AI를 훈련시키고

[08:05] 이는 매우 도움이 됩니다. 왜냐하면

[08:08] 차량이 매우 비싼 사고를 당하지 않고도

[08:12] 모든 극단적인 상황을 경험할 수 있기 때문입니다.

[08:16] 자, 이제 대안적 타임라인과

[08:18] 시간 압축 같은 가치 레버에 대해

[08:19] 말씀드렸는데, 실제 사례로

[08:21] 넘어가기 전에 하나 더

[08:22] 말씀드리고 싶은 게 있어요. 복합효과가 큰 요소입니다.

[08:26] 시뮬레이션을 할 때마다 더 나은 사전 지식을 개발하게 됩니다.

[08:29] 더 나은 사전 지식을 개발하면

[08:31] 비선형적 돌파구를 더 쉽게 찾을 수 있어요.

[08:33] 가격 절벽을 찾을 수 있고

[08:35] 숨겨진 시장 세그먼트를 찾을 수 있어요.

[08:36] 혁신적인 제품들을 찾을 수 있죠.

[08:38] 이런 것들은 세상에서 가장 똑똑한

[08:41] 실행 에이전트로도 얻을 수 없는 거예요.

[08:43] 제가 여러분에게 정말 전달하고 싶은 건

[08:46] 실행자로서의 AI 에이전트는

[08:48] 선형적 가치 척도에 있고

[08:50] 모델 시뮬레이터로서의 AI 에이전트는

[08:53] 비선형적 가치 척도에 있다는 것입니다.

[08:56] 몇 가지 예시를 들어보겠습니다.

[08:59] 모두 자동차 관련 예시들이에요.

[09:01] 이번에는 자동차 몇 대를 살펴보겠습니다.

[09:03] 이것만이 유일한 분야는 아니지만

[09:04] 도움이 될 거라고 생각해요.

[09:05] 르노의 경우 디지털 트윈을 통해

[09:08] 차량 개발 시간을 60% 단축했습니다.

[09:13] 디지털 트윈은 프로토타입 제작 전에

[09:15] 충돌 결과를 예측해서

[09:17] 적절한 차량 개발에 정말 도움이 됩니다.

[09:20] BMW는 하룻밤 사이에

[09:22] 수천 가지 라인 변경 조합을 가진

[09:24] 가상 공장을 구축해서

[09:27] 최적의 공장 결과를 시뮬레이션했습니다.

[09:29] 시뮬레이션이 무엇인지 알아내는 데 도움이 됩니다

[09:32] 에너지를 할당하는 가장 효율적인 방법을

[09:34] 피트 크루 교체 시에 말이죠

[09:37] 차량을 레이스 코스로 최대한 빨리

[09:38] 돌려보낼 수 있도록 하는 것입니다. 그리고 한 가지 예시로

[09:41] 자동차 상황이 아닌 경우, 광고 네트워크는

[09:44] 비용 지출 없이 창의적인 믹스를 사전 테스트하여 상승 효과를 낼 수 있습니다

[09:47] 바이럴 시뮬레이터라는 아이디어에 대해 이야기할 때

[09:49] 이런 기능을 하는 앱들이 지금 있습니다

[09:52] 이것이 본질적으로 하는 일은

[09:54] AI 에이전트를 세계 모델로 사용하는 것입니다

[09:57] LLM이나 다른 머신러닝 알고리즘에

[10:00] 일련의 제약 조건과 일련의 도구,

[10:02] 그리고 작동할 세계를 제공하는 것입니다

[10:05] 그리고 그 세계를 모델링한 후

[10:07] 응답을 가져오도록 요청하는 것입니다

[10:09] 좋습니다. 더 많은 반대 의견이 있을 것으로 예상합니다

[10:12] 그래서 우리는 그 반대 의견들에 대해

[10:14] 솔직하게 말하겠습니다

[10:16] 첫 번째는 쓰레기를 넣으면 쓰레기가 나온다는 것입니다

[10:18] 맞죠? 쓰레기를 넣으면

[10:20] 나쁜 시뮬레이션이 나오고

[10:22] 시간 낭비가 됩니다. 그것은 사실입니다

[10:24] 아마도 검증된 보정 루프를 넣고

[10:27] 입력하는 것을 보정해야 할 것입니다

[10:29] 아마도 주의를 기울여야 할 것입니다. 이것은 매우

[10:31] 통제 가능합니다. 그리고 다음을 확인해야 합니다

[10:33] 백테스트를 하고 성능과 관련하여

[10:34] 자신에게 정직하게 유지하는 것입니다. 따라서

[10:38] 당신의 디지털 트윈이 타임라인을 시뮬레이션하고

[10:40] 실제로 그 타임라인을

[10:42] 실제 시간 속도로 실행하고 있고

[10:43] 상황이 시나리오와 비교하여

[10:45] 상당히 다르게 나타나는 것을 본다면

[10:47] 정직하게 받아들이세요. 시뮬레이션에서

[10:49] 무엇이 잘못되었는지 평가하세요

[10:51] 보통은 이사회를 위해 예측할 때

[10:52] 제약 조건을 놓쳤을 것입니다

[10:54] 돌아가서 수정하세요

[10:57] 또 다른 반박입니다. 이것은 당신에게 거짓

[10:59] 확신을 줍니다

[11:00] 맞습니다. 제 생각에는 우리가 선택지들을

[11:02] 고려하지 않았을 때도 거짓 확신을 가지고 있었습니다

[11:04] 이전에도 말이죠. 시뮬레이션을 사용하여

[11:06] 분포를 제한해야 하지, 점 예측을 실행해서는 안 됩니다

[11:10] 이해가 되시나요? 타임라인의 분포가 있습니다

[11:11] 그것들 주위에 몇 가지 제약을

[11:13] 두어야 합니다. 왜냐하면

[11:15] 일어날 가능성이 높은 것을 모델링한

[11:17] 시나리오가 있었기 때문입니다. 점 가정을

[11:19] 만들고 싶지 않습니다. 그것은 항상 인간의 약점이었습니다

[11:21] 우리는 특정 점 가정에 지나치게 고착되고

[11:23] 세계를 일련의 분포로

[11:25] 생각하지 않습니다

[11:27] 생각하지 않습니다

[11:29] 또 다른 반대 의견입니다. 컴퓨팅은 매우

[11:32] 비쌉니다. 어떻게 이것을 감당할 수 있을까요? 음

[11:34] 어떻게 감당하지 않을 수 있을까요? 만약 그것이

[11:37] 돌파구 잠재력을 준다면

[11:38] 그만한 가치가 있을 것 같지 않나요?

[11:40] 맞죠? 네 번째 것을 언급하고 싶습니다

[11:44] 문화 변화는 어렵습니다

[11:48] 만약 우리가 실제로 사람들에게 보너스를 준다면

[11:51] 의사결정 품질에 대한 보상을 준다면

[11:54] 새로운 것을 만드는 것뿐만 아니라

[11:58] 재앙을 피하는 것에 대한 보상을 준다면

[12:00] 우리는 기업 인센티브를 바꿀 것입니다

[12:02] 그것이 어려운 문제라는 것을 알고 있습니다

[12:05] 저는 환상이 없습니다. 저는

[12:06] 기업 세계에서 충분히 오래 일해서

[12:08] 그런 일을 하는 회사가 많지 않다는 것을 알고 있습니다

[12:11] 그런 일을 하는 회사가 많지 않다는 것을 알고 있습니다. 하지만

[12:15] 우리는 의사결정 방식을 재고할 기회가 있습니다

[12:18] 비즈니스에서 에이전트 활용 방식을 재고할 기회가 있고

[12:21] 우리는 가져올 수 있습니다

[12:23] 우리는 가져올 수 있습니다

[12:26] 컴퓨팅을 우리의 의사결정과 미래 지향적 사고에

[12:29] 이전에는 불가능했던 방식으로 활용할 수 있게 되었습니다.

[12:31] 이것은 문화적 변화를 의미한다고 생각합니다.

[12:33] 우리가 어떻게 생각하고, 어떻게 의사결정을 내리는지,

[12:38] 재난을 피하는 방법에 대해 더 깊이 생각하는 것을 의미합니다.

[12:40] 여러분은 '좋아, 이게 많네. 어떻게 시작하지?'라고 생각할 것입니다.

[12:43] 음, 먼저 하나의 KPI를 선택해서 트윈을 만들어보라고 제안하겠습니다.

[12:46] 모델링할 수 있을 만큼 잘 알고 있다고 생각하는 것을 선택하세요.

[12:49] ChatGPT에서 긴 프롬프트로 모델링하든, 맞춤형 시스템을 구축하든 상관없습니다.

[12:53] 고객 획득 비용일 수도 있고, 이탈률일 수도 있습니다.

[12:55] 잘 모르겠네요.

[12:57] 그다음에는 입력하는 데이터를 이해해야 합니다.

[12:59] 데이터를 어떻게 갱신할지 이해해야 하고,

[13:01] 피드백 루프를 이해해야 합니다.

[13:03] 마지막으로, 신뢰할 수 있고 견고한 도구 스택이 있는지 확인해야 합니다.

[13:06] 대기업의 노력이라면,

[13:07] 레이크하우스가 있는 데이터 레이크와

[13:09] 피처 스토어, 시뮬레이션 엔진, 대시보드가 있을 것입니다.

[13:11] 이것이 엔터프라이즈 스택의 예시입니다.

[13:14] 만약 매우 작은 규모로 전 연인이나

[13:16] 곧 헤어질 연인과의 이별을 시뮬레이션하려고 한다면,

[13:19] 그렇게 복잡하지 않습니다.

[13:21] 좋은 데이터만 있으면 됩니다.

[13:25] 다음 데이트 때마다 갱신 주기가 있어야 하고,

[13:27] 헤어질 것을 고려 중인 사람과의

[13:28] 좋은 피드백 루프가 있어야 합니다.

[13:30] 저는 개인적인 삶에서 약간 유머러스한 예시를 의도적으로 사용했습니다.

[13:32] 첫째, 우리는 실제로 ChatGPT와 개인적인 삶에 대해 이야기하고,

[13:34] 둘째, 이것이 더 구체적으로 만들어준다고 생각합니다.

[13:37] 근본적으로, 관계를 시뮬레이션하려면

[13:38] 그 관계에 대한 충분한 정보를 제공해야 합니다.

[13:41] 유용한 시뮬레이션이 되도록 말이죠.

[13:43] 그런 다음 에이전트가 이해할 수 있도록

[13:44] 사전 정보를 변경하고 업데이트해야 합니다.

[13:46] 현실이 계속 진화함에 따라 어떻게 조정해야 하는지를.

[13:48] 제가 여러분에게 남기고 싶은 것은 이것입니다.

[13:50] 만약 우리가 더 명확한 통찰력을 가질 수 있는 능력이 있는데

[13:52] 그것을 사용하지 않기로 선택한다면,

[13:54] 이것이 우리의 도덕적 책임을 높이는 것일까요?

[13:56] 우리가 미래 타임라인에 대해 더 많은 책임을 지게 되는 것일까요?

[13:58] 에이전트를 세계 구축자로 생각할 수 있는 컴퓨팅 능력이 있기 때문에 말이죠.

[14:00] 저는 그렇다고 생각합니다.

[14:01] 우리에게는 더 깊이 생각할 책임이 있다고 생각합니다.

[14:03] 그렇게 할 수 있는 컴퓨팅 능력이 있기 때문입니다.

[14:05] 그리고 다시 한번 강조하고 싶은 것은, 여기에 거대한 분기점 기회가 있다는 것입니다.

[14:09] 만약 다른 모든 사람들이 '실행자'로서의 에이전트에 집착하고

[14:10] 여러분이 미래 현실을 모델링하고 더 나은 의사결정을 내리는 방법으로서

[14:12] 에이전트에 대해 생각하는 사람이라면,

[14:15] 여러분은 다른 게임을 하고 있는 것이고

[14:17] 그 게임에서 선도자가 되는 것입니다.

[14:20] 그러니 'AI가 이 작업을 어떻게 할 수 있을까?'라고 묻는 것을 멈추세요.

[14:23] 아니, 멈추라고 하지는 않겠습니다.

[14:25] AI는 실행자로서 엄청나게 가치 있지만,

[14:28] 제가 보는 것의 95%가 그것입니다.

[14:30] AI가 어떻게 다른 종류의 미래를 보여주고

[14:32] 의사결정을 개선하는 데 도움을 줄 수 있는지 묻기 시작하세요.

[14:34] 디지털 트윈이 여러분의 다음 큰 실수에서

[14:37] 여러분을 구해줄 수 있는 곳이 어디일까요?

[14:39] 이것이 여러분에게 드리는 질문입니다.

[14:41] 즐기시기 바랍니다.

[14:43]

[14:45]

[14:47]

[14:49]

[14:51]

[14:53]

[14:56]

[14:58]

[14:59]

[15:01]

[15:03]

[15:07]

[15:10]

[15:12]

[15:16]

[15:18]

[15:21]

[15:23]

[15:25]

[15:28]

[15:31]