이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Long Lake는 소프트웨어 판매가 아닌 서비스 기업을 직접 인수하여 AI를 이식하는 독특한 사업 모델을 통해 실세계 AI 확산을 추진한다. 기술 확산은 전기가 공장에 도입되기까지 수십 년이 걸렸듯 단순히 도구를 제공하는 것을 넘어 업무 프로세스 전체를 재설계해야 하는 세대적 과제이다. 특히 인터넷에 없는 실무 데이터와 '실제 지붕 수리 여부'와 같은 물리적 결과를 기반으로 한 평가 체계 구축이 핵심이다. 이를 위해 개발자는 현장에서 사용자와 직접 소통하며 소프트웨어와 서비스를 공동 설계하는 전략을 취해야 한다.
챕터별 상세
데모와 현실 사이의 거대한 간극
화려한 AI 에이전트 데모가 쏟아지고 있지만 실제 산업 현장에서는 변화가 거의 체감되지 않는 문제가 존재한다. 200명 규모의 자산 관리 기업을 예로 들면, 기술적 잠재력에도 불구하고 실제 업무 방식은 과거와 동일하게 유지되고 있다. 이는 모델의 성능 부족보다는 기술이 실제 경제적 가치를 창출하는 업무에 이식되지 못했기 때문이다. 데모는 마법처럼 보이지만 현실의 복잡한 비즈니스 로직을 해결하기에는 아직 부족함이 많다.
기술 확산에 필요한 세대적 시간
전기가 1880년대에 발명되었음에도 Ford의 전기화된 조립 라인이 등장하기까지는 약 40년의 시간이 걸렸다. 이는 단순히 새로운 동력을 도입하는 것을 넘어 기존의 모터와 장비를 모두 뜯어내고 인력을 재교육하는 프로세스 재설계가 필요했기 때문이다. AI 역시 단순한 도구 도입을 넘어 산업 전반의 운영 방식을 근본적으로 바꾸는 '확산'의 과정을 거쳐야 하며, 이는 향후 20년간 가장 중요한 과제가 될 것이다. 기술 자체보다 기술을 수용하기 위한 조직적 변화가 더 큰 병목이다.
Long Lake의 독특한 비즈니스 모델
Long Lake는 소프트웨어를 판매하는 대신 서비스 기업을 직접 인수하여 AI를 적용하는 전략을 취한다. 현재까지 부동산 관리, 건축, HR 서비스 등 35개 기업을 인수했으며 최근에는 63억 달러 규모의 Amex GBT 인수를 발표했다. 이러한 모델은 AI가 작동하지 않을 때 고객을 탓하는 것이 아니라 스스로가 운영자이자 소유자로서 책임을 지는 구조를 만든다. 외부 벤더로서 솔루션을 제안하는 것이 아니라 내부에서 직접 기술을 이식하여 실질적인 성과를 도출한다.
에이전트 자율성의 5단계 사다리
AI 에이전트의 발전 단계는 Copilot에서 시작하여 Coworker로 나아가는 사다리 구조를 가진다. 단순 보조 도구인 Copilot을 넘어 실시간 상호작용을 하는 Sync Agent, 배경에서 독립적으로 작동하는 Async Agent, 그리고 장기간 업무를 수행하는 Long-running Agent로 진화한다. 최종 목표인 Coworker는 사용자와 함께 업무를 완수하는 능동적인 파트너이다. 하지만 처음부터 Coworker를 만들려 하기보다 현장에서의 반복적인 프로토타이핑을 통해 자율성을 점진적으로 확보해야 한다.
지식 노동의 코드화와 병렬 처리
엔지니어는 10개의 작업을 동시에 실행하고 순서에 상관없이 결과를 수용하는 병렬 처리에 익숙하지만 일반적인 서비스 업무는 직렬적으로 처리된다. 지식 노동을 코드처럼 표현하고 비동기적으로 처리할 수 있는 구조를 만드는 것이 AI 확산의 핵심이다. 예를 들어 이메일을 하나씩 처리하는 대신 AI가 배경에서 수십 개의 초안을 동시에 작성하고 사용자는 검토만 하는 방식으로 전환해야 한다. 이를 위해 각 산업군에 맞는 적절한 폼 팩터와 사용자 활성화 방안을 고민해야 한다.
인터넷에 없는 실세계 데이터의 가치
가장 가치 있는 업무 데이터는 인터넷이 아니라 숙련된 실무자의 머릿속이나 낡은 소프트웨어 안에 숨겨져 있다. 영수증이 누락된 장부를 마감하거나 청사진을 보고 건물의 범위를 산정하는 등의 작업은 기존 모델이 학습하지 못한 영역이다. Long Lake는 실제 업무 과정에서 발생하는 풍부한 실행 추적(Traces) 데이터를 수집하여 모델을 사후 학습(Post-training)시킨다. '지붕이 실제로 수리되었는가'와 같은 물리적 결과가 AI 성능을 평가하는 가장 강력한 Ground Truth가 된다.
지속적 학습과 사용자 수용의 선순환
사용자가 AI를 많이 사용할수록 더 많은 피드백 데이터가 쌓이고 이는 다시 모델의 성능 향상으로 이어지는 스노우볼 효과가 발생한다. 2026년의 핵심 트렌드는 모델을 개선하는 Continual Learning과 사용자의 채택을 돕는 Enablement가 하나의 루프로 통합되는 것이다. 에이전트는 사용자가 실제로 사용할 때만 개선될 수 있으며 사용자는 에이전트가 가치를 줄 때만 사용한다. 이 두 가지를 별개의 팀이 담당하는 것이 아니라 하나의 핵심 루프로 관리하여 성능과 수용성을 동시에 높여야 한다.
현장에서 이루어지는 공동 설계의 중요성
AI 확산을 위한 소프트웨어 설계는 Zoom 회의나 지원 티켓만으로는 불가능하며 반드시 현장에서 이루어져야 한다. 개발자가 직접 현장에 가서 실무자와 함께 산악자전거를 타거나 컨퍼런스에서 솜사탕 기계를 운영하며 그들의 고충을 직접 들어야 한다. 사용자의 시스템에 기술을 매끄럽게 통합하고 물리적으로도 그들과 소통하며 제품을 만들어가는 과정이 필수적이다. 실세계 AI 확산의 성공 여부는 기술적 탁월함만큼이나 현장과의 밀착된 협업에 달려 있다.
용어 해설
- AI 확산(AI Diffusion)
- — 새로운 기술이 사회나 산업 전반에 걸쳐 수용되고 실제로 가치를 창출하는 단계에 이르는 과정이다. 단순히 기술적 데모를 보여주는 단계를 넘어, 기존의 업무 프로세스를 파괴하고 재설계하여 기술이 일상적인 운영의 일부가 되는 것을 의미한다.
- 비동기 에이전트(Asynchronous Agent)
- — 사용자의 실시간 입력이나 대기 없이 배경에서 독립적으로 작업을 수행하는 AI 시스템이다. 작업 큐에서 할당된 업무를 스스로 처리하고 결과가 준비되었을 때 보고하는 방식으로, 동기식 챗봇보다 높은 자율성과 병렬 처리 능력을 가진다.
- 지표 기준(Ground Truth)
- — AI 모델의 예측이나 결과가 실제 현실의 사실과 일치하는지 판단하는 절대적인 기준이다. 서비스 산업에서는 '지붕이 실제로 수리되었는가' 또는 '장부가 정확히 마감되었는가'와 같은 물리적 결과가 AI 성능 평가의 핵심 데이터가 된다.
- 지속적 학습(Continual Learning)
- — 시스템이 운영되는 과정에서 발생하는 사용자 피드백과 실행 데이터를 실시간으로 수집하여 모델을 점진적으로 개선하는 기법이다. 새로운 데이터가 들어올 때마다 성능을 업데이트하여 변화하는 비즈니스 환경에 모델을 최적화한다.
- 소프트웨어-서비스 공동 설계(Software-Service Co-design)
- — 소프트웨어 개발자와 현장 실무자가 긴밀히 협력하여 기술과 업무 프로세스를 동시에 설계하는 방법론이다. 기술적 가능성과 현장의 제약 사항을 통합적으로 고려하여 실제 사용자가 수용 가능한 형태의 AI 도구를 만드는 것이 목적이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 29.수집 2026. 08. 29.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
