AI 에이전트 시대, 작은 팀이 먼저 버려야 할 착각

저커버그가 2026년 7월 실적발표에서 꺼낸 예측은 짧았다. "5년 안에 수십억 명이 개인 AI 에이전트를 갖게 된다." Meta가 올해 설비투자에만 600억~650억 달러를 쏟아부으며 하는 말이다.

작은 팀 운영자들이 이런 발표를 접할 때 가장 많이 하는 반응이 있다. "저건 우리랑 다른 세계 얘기." 완전히 틀린 말은 아니다. 하지만 그렇게 넘기면 이 뉴스가 실제로 던지는 질문을 놓친다 — 우리는 AI를 만드는 팀이 될 것인가, AI를 쓰는 팀이 될 것인가. 그리고 그 선택이 지금 당장 채용과 투자 결정에 영향을 준다는 점에서 생각보다 급하다.

단, 이 답이 단순해 보여도 함정이 있다. "API 쓰면 되지"라고 결론 내리는 순간, 정작 우리만 해야 하는 일까지 외부에 맡기는 실수를 저지른다. 그 경계선이 어디인지가 이 글의 핵심이다.

600억 달러가 작은 팀에게 하는 말

거대 자본이 한 방향으로 집중될 때, 그 방향의 인프라는 빠르게 상품화된다. 클라우드 컴퓨팅이 그랬고, 모바일이 그랬다. AI도 같은 패턴을 밟고 있다.

1~2년 전에 GPT-4 수준의 성능을 API로 쓰려면 토큰당 비용이 지금의 10배가 넘었다. 지금은 그 세대 성능의 모델을 쓰면 글 한 편 생성 비용이 수십 원 수준이다. Meta가 이 방향에 수백억 달러를 더 넣으면, 5년 뒤 단가는 또 다른 세계가 된다.

이 상품화 속도를 무시하고 내부에서 직접 만들겠다고 결정하면 어떤 일이 생기는지를 먼저 생각해야 한다.

AI 개발 채용이라는 유혹

AI 붐이 오자마자 소규모 팀들이 가장 많이 하는 반응 중 하나가 AI 개발 채용이다. "우리도 AI팀이 있어야 하는 것 아닌가"라는 막연한 압박감. 솔직히 우리도 한때 ML 엔지니어나 LLM 파인튜닝 경험자를 채용해야 하는지 진지하게 고민했다.

그런데 실제로 숫자를 놓고 따져보면 얘기가 달라진다. 국내 기준으로 경력 AI 개발자 연봉은 최소 8,000만 원에서 1억 원 이상이다. 그 인력이 1년 동안 만들 수 있는 내부 AI 기능의 가치가, 이미 Claude·GPT-4o·Gemini API로 지금 당장 가져올 수 있는 것보다 명확하게 커야 투자가 정당화된다.

기반 모델을 훈련하는 일은 Meta와 Anthropic과 Google이 수백억 달러를 써가며 하는 일이다. RAG 파이프라인도 오픈소스와 완성된 서비스가 이미 넘친다. 그 영역에서 우리가 직접 만드는 게 나을 가능성은 낮다. 단, 이 결론이 맞는 경우와 틀리는 경우가 있는데 — 그 구분을 잘못 하면 정반대 실수를 저지른다.

만드는 것과 이어붙이는 것의 차이

우리가 실제로 운영하면서 배운 건, AI 도입에서 가장 어려운 부분이 모델 성능이 아니라는 점이었다. 모델은 이미 충분히 좋다. 어려운 건 그 모델의 결과를 우리 운영 맥락에 맞게 검증하고, 틀렸을 때 빠르게 잡아내고, 피해를 최소화하는 레이어를 만드는 일이었다.

콘텐츠 자동 발행을 예로 들면, LLM이 글을 생성하는 것 자체는 API 호출 몇 줄이다. 공수가 들어가는 건 그다음이다. 그 글이 사실과 다를 때 어떻게 잡는지, 발행 후 문제가 생겼을 때 어떻게 회수하는지, AI가 특정 주제에서 반복적으로 실수하는 패턴을 어떻게 다음 프롬프트에 반영하는지. 이 운영 파이프라인이 진짜 작업이었다.

이 문제를 푸는 데 ML 지식보다 시스템 설계와 운영 경험이 훨씬 중요했다. 그리고 이 역량은 일반 백엔드 엔지니어도 충분히 가질 수 있다. 결국 우리가 필요했던 포지션은 "AI 개발자"가 아니라 "AI를 빠르게 이어붙이고 검증하는 엔지니어"였다. JD에 AI를 넣고 싶은 충동을 이기고, 실제로 무엇을 해결할 사람인지부터 먼저 정의하는 게 순서다.

에이전트가 보편화되면 경쟁 구도가 바뀐다

저커버그의 예측이 절반만 맞아도 업무 환경이 상당히 달라진다. 지금 외주나 알바에 맡기는 단순 반복 작업 — 이미지 편집, 고객 1차 응답, 간단한 데이터 정리, 소셜 포스팅 — 이 영역은 에이전트로 대체되는 속도가 빠르다. 이미 방향이 보인다.

그 예산이 절약되는 건 긍정적이다. 문제는 경쟁자들도 같은 도구를 쓴다는 것. 도구 자체가 경쟁 우위가 안 되는 세계가 오면, 차이는 어디서 나오나.

에이전트를 어디에, 어떤 순서로, 어떤 데이터와 함께 쓰느냐 — 운영 판단이다. 역설적으로 이건 작은 팀에게 유리한 지점이기도 하다. Meta는 600억 달러를 투자할 수 있지만, 실제 서비스에 AI를 붙이는 의사결정 하나에 내부 승인이 몇 달 걸린다. 우리는 이번 주 아이디어를 다음 주에 배포할 수 있다. 에이전트 시대에 작은 팀이 잃으면 안 되는 건 바로 그 속도다.

우리라면 지금 이렇게 한다

지금 AI 관련 채용이나 투자를 고민하는 팀이라면, 우선 이 질문부터 하나씩 던져보라.

지금 하려는 작업이 1~2년 안에 API 한 줄로 해결될 가능성이 있는가. 그렇다면 직접 만들지 않는 게 맞다. Meta·OpenAI·Google이 그 기능을 만들어 싸게 팔아줄 것을 우리가 수천만 원짜리 인건비로 미리 만들 이유가 없다.

반대로 우리만 아는 데이터, 우리 운영에서만 발생하는 예외 케이스, 경쟁자가 쉽게 복제할 수 없는 워크플로우가 있는가. 이 영역은 반대다. 여기에 공을 들여야 한다. 범용 에이전트가 보편화될수록 범용으로 해결 안 되는 영역이 희소해지고, 그 희소함이 가치가 된다.

지금 바로 쓸 수 있는 판단 기준

채용 결정을 앞두고 있다면, 포지션 이름보다 실제 아웃풋을 먼저 정의하라. "AI 개발자가 있으면 좋겠다"가 아니라 "6개월 뒤 이 사람이 만들어야 하는 것은 무엇인가"를 구체적으로 쓰고, 그 아웃풋이 외부 API로 대신할 수 있는지 다시 확인한다. 대부분의 케이스에서 필요한 건 ML 엔지니어가 아니라 AI 파이프라인을 빠르게 이어붙이는 백엔드 엔지니어다.

투자 결정을 앞두고 있다면, 채용 전에 3~4주 동안 외부 API로 최소 버전을 먼저 만들어봐라. 실제로 어디서 막히는지를 직접 겪고 나면 그다음 결정이 훨씬 정확해진다. 실패해도 잃는 건 시간뿐이고, 얻는 건 맥락이다.

마지막으로, 지금 자동화하려는 것 중 에이전트 보편화 이후에도 남아 있을 영역이 무엇인지를 적어보라. 그 목록이 짧을수록, 지금 거기에 더 집중해야 한다는 신호다.

저커버그는 수십억 명에게 AI 에이전트를 가져다줄 인프라를 만드는 데 베팅한다. 작은 팀의 할 일은 그 인프라 위에서 누구보다 빠르게 실험하고, 빠르게 방향을 바꾸고, 빠르게 결정하는 것이다. 600억 달러짜리 베팅보다 그 속도가 유일하게 빠른 지점이다.

원문: AI News & Artificial Intelligence | TechCrunch