실리콘밸리 전설의 투자자: 토큰을 낭비하고 시간을 아끼세요

URL: https://maily.so/josh/posts/8mo569y1r9p?from=email&mid=knrjmegd7rl
Captured: 2026-07-10 17:44 KST
Fetch method: ultimate-fetcher --json via Jina.

Summary

조쉬의 뉴스레터는 Naval Ravikant가 Guillermo Rauch, Blake Scholl, Max Hodak과 나눈 AI 산업 혁명 대화를 한국어로 정리한다. 세 창업자는 각각 Vercel, Boom Supersonic, Science를 이끌며 공통적으로 “부품을 사다 조립하는 것”보다 “공장 자체를 다시 짓는 것”에 집중한다. 글의 핵심은 AI가 소프트웨어 제작 방식만 바꾸는 것이 아니라 조직, 하드웨어 개발, 보안, 채용, 개인의 커리어 전략까지 다시 짠다는 점이다.

가장 강한 문장은 Naval의 “토큰을 낭비하고 시간을 아끼라”는 조언이다. 모델 비용은 사람 시간보다 싸고, 검증 가능한 문제라면 여러 모델과 반복을 써서 빠르게 답에 접근하는 것이 합리적이라는 주장이다. 다만 이 말은 토큰 사용량을 생산성 지표로 삼으라는 뜻이 아니다. 오히려 토큰 수를 코드 줄 수처럼 측정하면 성과를 오해한다. 중요한 것은 최종 결과물과 사람 시간 절약이다.

Software factory

Guillermo Rauch는 엔지니어의 일이 결과물을 직접 만드는 것에서 결과물을 계속 찍어내는 공장을 만드는 것으로 이동한다고 말한다. 예전 기준은 한 사람이 B라는 결과물을 얼마나 잘 만드는가였다. 이제는 B부터 Z까지 여러 결과물을 생산하는 시스템을 만들 수 있는지가 중요해진다. 이 맥락에서 100배, 1000배 엔지니어가 가능하다는 주장이 나온다.

그러나 토큰 소비량으로 생산성을 재는 것은 코드 줄 수로 생산성을 재는 것과 같은 착각이다. Blake Scholl도 토큰 사용량은 결과와 직접 연결되지 않는 지표라고 지적한다.

Model quality depends on human feedback

Max Hodak은 Claude나 ChatGPT가 사용자가 그 분야에서 잘하는 만큼 강력해진다고 말한다. 뛰어난 개발자에게는 매우 강력한 도구가 되지만, 주니어 개발자에게는 주니어처럼 느껴질 수 있다. 짧은 피드백 하나가 모델 성능을 크게 바꾼다.

Guillermo는 모델이 예전처럼 단순히 다음 단어를 이어가는 수준에서 벗어나, 스스로 계획하고 trade-off를 제안하며 사용자의 잘못된 요구에 반박하는 수석 엔지니어처럼 변했다고 본다.

Waste tokens, save time

Naval은 프롬프트 요령을 과하게 배우지 않았다고 말한다. 모델이 좋아지는 속도가 사람이 도구 사용법을 익히는 속도보다 빠를 것이라고 봤기 때문이다. 그는 Codex, Claude, Gemini를 동시에 던져놓고 토큰을 써서 시간을 산다.

그의 기준은 token cost가 아니라 human time과 final output이다. 검증 가능한 문제라면 품질 낮은 초안을 여러 번 만들고, 마지막에 더 많은 token을 부어 다시 검토하고 다시 쓰게 만들 수 있다. 이때 token은 절약해야 할 비용이 아니라 시간을 사기 위한 연료다.

Is pure software dead?

Naval은 모델이 영어를 이해하고 코드를 쓸 수 있게 되면서 pure software만으로 만드는 해자가 약해졌다고 본다. 반대로 하드웨어 회사는 AI 덕분에 좋은 소프트웨어를 빠르게 붙일 수 있으므로 유리해진다.

Guillermo는 Mitchell Hashimoto의 Building Block Economy를 언급한다. Agent가 매번 queue system이나 database abstraction을 새로 만들게 하지 말고, 검증된 building block을 재사용하게 해야 한다. 공유 표준과 재사용 가능한 컴포넌트는 token cache처럼 작동한다.

Vibe coding hardware

Boom Supersonic의 Blake Scholl은 소프트웨어 엔지니어가 다른 엔지니어들을 위한 도구를 만드는 방식으로 조직을 바꾸고 있다고 설명한다. 소프트웨어가 기계공학과 전기공학의 workflow에 들어가면 CAD, PCB, simulation 같은 영역도 AI와 agent의 영향을 받는다.

Use the smartest model

Naval은 지능은 그 자체로 좋은 것이므로 가능하면 더 똑똑한 모델을 원하게 된다고 말한다. 모델이 틀렸을 때 사용자가 알아채지 못할 수 있기 때문이다. Guillermo도 대량 반복 작업에는 비용 대비 성능이 좋은 모델이 맞지만, frontier coding에는 최고의 모델이 필요하다고 본다.

Autonomous company

Vercel은 SRE 일부를 자동화해 agent가 이상 지표를 조사하고 incident를 만들며 해결책을 준비하게 한다. 실제 production 변경만 제외하면 엔지니어가 바로 실행할 수 있는 형태로 문제 해결을 차려준다.

또한 deepsec을 전체 monorepo에 돌려 수천 개 agent로 보안 연구를 병렬 수행했다. 몇 분기 걸릴 수 있는 red-team 작업을 며칠과 약 1만 4천 달러의 token cost로 처리했다는 사례가 나온다.

Many small teams

Blake Scholl은 회사 전체가 일주일 동안 AI로 각자 중요하다고 생각하는 것을 만들게 한 실험을 소개한다. 결과는 예상보다 강했고, 입출고 담당자가 재고 알림 자동화를 만들어 실제로 사용하게 된 사례가 나온다.

Guillermo는 앞으로 일을 직접 하는 사람보다 그 일을 하는 agent를 훈련하는 사람이 중요해진다고 본다. Naval과 Guillermo의 결론은 “많은 사람이 사라진다”가 아니라 “아주 많은 작은 팀이 생긴다”에 가깝다.

Personal preparation

Naval은 AI가 기본 지능과 전문지식을 제공하고 agent가 agency를 제공하면서, 남는 것은 창의성, 취향, 시작하고 버티는 주체성이라고 말한다. 전문가 자격과 암기보다 도구의 경계를 계속 체감하고 능숙해지는 것이 중요하다.

Key takeaways

• Token consumption is not productivity; final output and saved human time are.
• Engineers increasingly build factories that produce work, not only individual outputs.
• Verified reusable building blocks become token caches for agents.
• Hardware companies may gain software leverage through AI.
• Agent-first organizations automate investigation, preparation, and support while keeping high-risk production changes bounded.
• The likely outcome is many more small teams, not simply fewer humans.