Sheet0 왕 문봉, 2인 팀이 500만 달러를 투자받아 Agent를 위한 Google.com을 구축할 계획입니다.
Sheet0 왕 문봉, 2인 팀이 500만 달러를 투자받아 Agent를 위한 Google.com을 구축할 계획입니다.
지난 2년간 AI 에이전트는 초기 기술 탐색 단계에서 점차 실제 적용 단계로 진입했습니다. OpenAI, Anthropic 등 주요 기업이 주도하는 일반적인 에이전트부터 특정 분야별 자동화 도구까지, 시장은 한 가지 트렌드를 빠르게 검증하고 있습니다 — 데이터가 에이전트 능력을驱动하는 핵심 연료가 되었습니다.그러나 고품질 데이터의 수집, 정제, 조직화 과정의 어려움과 비용은 여전히 에이전트의 대규모 적용을 가로막는 핵심 장애물입니다. 전통적인 데이터 수집 방식은 공학 팀이 프로그램을 개발하거나 비효율적인 수동 작업을 의존해야 하는데, 이는 정보의 분산화와 실시간화 시대에 정확성과 속도의 이중 요구를 충족시키기 어렵습니다.
이러한 배경에서 Sheet0은 장기적으로 소홀히 되어왔지만 폭발적인 잠재력을 지닌 분야에 진출했습니다 — 인간과 에이전트에게 'L4급 실시간 데이터 수집 및 전달 능력'을 제공하는 것입니다.
단일 도구 호출에 의존하는 솔루션과 달리, Sheet0은 사용자 데이터 요구사항을 실행 가능한 코드로 변환해 설명 가능하고 추적 가능한 동적 워크플로우 시스템을 구축했습니다. 데이터 환경(Data Environment) 기반 피드백 루프를 통해 실행 오류 시 자체 복구가 가능합니다.내부 테스트에서 Sheet0은 2분 이내에 YC 공식 홈페이지의 294개 기업에 대한 전체 정보를 정확히 수집했으며, 사용자의 추가 요구에 따라 창업자의 교육 배경, 경력 등 세부 데이터를 수집할 수 있습니다. 비용과 속도 모두 다른 에이전트 제품보다 한 단계 낮은 수준입니다.
창업자 왕문봉은 연속 창업자로서 AI, 기초 소프트웨어 및 대규모 분산 데이터 처리 분야에서 10년 이상의 경험을 쌓아 데이터 엔지니어링, 컨텍스트 엔지니어링(Context Engineering) 및 조합 가능 시스템 아키텍처 분야에서 깊은 전문성을 갖추고 있습니다. 이는 Sheet0가 기술 구현에서 더 빠르고 안정적으로 운영될 수 있도록 하며, 시장 동향과 제품 포지셔닝에 대한 극히 희소한 선구적 판단력을 제공합니다.
Sheet0는 단순히 데이터 수집 도구를 만드는 것이 아니라, 슈퍼 개인, 지식 근로자 및 에이전트 네트워크에 실시간 데이터를 제공하는 효율적인 통합 레이어를 목표로 합니다. 이는 에이전트 전용의 Google.com을 구축하는 것을 목표로 합니다. AI 응용의 다음 단계에서 데이터 수집부터 구조화 전달까지의 전체 프로세스를 해결하는 기업이 에이전트 인터넷의 핵심 허브가 될 것입니다. Sheet0는 기술 체계와 시장 진입점을 통해 이 목표에 빠르게 접근하고 있습니다.Sheet0과 그 창립자 왕원펑의 이야기를 함께 살펴보겠습니다. 즐겁게 감상하세요!
Chat은 새로운 시대의 프론트엔드입니다... 이 '새로운 프론트엔드'의 능력을 제약하는 것은 모델이 실시간 데이터를 획득하는 능력입니다... 모델에 실시간 데이터를 공급할 수 있는 능력을 가진 자가 에이전트 시대의 '새로운 백엔드'가 될 것입니다.
Sheet0의 제품 포지셔닝은 L4급 데이터 에이전트입니다...우리의 시나리오에서 이 목표는 ‘실시간으로 구조화된 데이터를 수집하고 전달하는 것'입니다..사용자는 단순히 요구사항을 제시하면, 우리는 데이터를 수집하고 분석이나 시각화에 바로 사용할 수 있는 표로 정리합니다. 이것이 바로 우리가 'L4급 Data Agent'를 정의하는 방식입니다.
시장에 있는 다른 제품들과 비교할 때, 우리의 가장 큰 차별점은 '정확하고 빠르게’ 사용자에게 ‘100% 정확한, 0 환각’ 결과를 제공하는 것입니다.이를 실현하는 핵심은 작업을 설명 가능하고 검증 가능하며 추적 가능한 기본 워크플로우 코드로 분해하여 데이터 수집 및 처리 과정의 투명성과 결과의 신뢰성을 확보하는 것입니다.
Agent를 '사람'으로 본다면, Sheet0을 Agent의 Google.com으로 보는 것이 더 적합할지도 모르겠습니다(웃음).
인간의 존재 자체가 AGI 존재의 가장 좋은 증거가 아닐까요? 인간은 복잡한 물리 법칙의 작용 하에 탄생한 자연의 산물이기 때문입니다... 지혜 자체는 물리 법칙의 결과입니다. '심리적 장벽 파괴 효과'라는 용어가 있습니다... 자연은 이미 우리에게 모범을 보여주었습니다. 지혜의 존재는 물리 법칙임을 증명했으니, 우리가 모델의 지속적인 진보를 의심할 이유가 무엇일까요?
AI 발전은 매우 빠르고, 모두가 FOMO에 휩싸여 있습니다. 많은 경우 우리는 밀려나며 움직입니다. 저는 항상 스스로에게 상기시킵니다: 어떤 것이 과도하게 확산될 때, 반드시 파도에서 벗어나 해안으로 뛰어올라야 합니다. 무엇이 희소한 것인지 생각해야 합니다.
01 프로그래머에서 기술 창업자로
Z Potentials: 먼저 Sheet0의 500만 달러 투자 유치 축하드립니다. 팀이 정말 두 사람뿐인가요?
왕문봉: 감사합니다. TS를 체결할 때 저를 포함해 정규직 동료는 두 명과 인턴 한 명뿐이었습니다. 지금은 그때보다 조금 더 많아졌습니다.
Z Potentials: 과거의 업무 경험과 창업 경험을 공유해 주시겠어요? 특히 졸업 후 인공지능과 기초 소프트웨어 분야에서의 탐구 경험이 현재 창업 프로젝트에 대한 인식을 어떻게 형성했는지 궁금합니다.
왕문봉: 제 직업 경력은 두 단계로 나눌 수 있습니다.2017년 졸업 후 4년간 코딩을 했고, 이후 4년간 창업에 매진했습니다. 2019년 지평선에 합류해 지평선 AI 플랫폼의 데이터 플랫폼을 담당했으며, 주로 데이터 저장 및 정제 작업을 진행했습니다. 2021년 기초 소프트웨어 투자 열풍이 불었을 때, 제 전문 분야가 메시지 큐잉(메시지 큐잉은 기초 소프트웨어의 한 종류입니다)이었기 때문에 친구들과 함께 창업에 참여해 공동 창업자이자 CTO가 되었습니다.2023년 여름, 에이전트 개발을 결심하고 LLM 창업 열풍에 뛰어들었습니다.
지평선에는 천재적인 알고리즘 엔지니어와 과학자들이 많았습니다. 그들의 영향으로 '고품질 데이터만이 더 나은 지능을 창출한다'는 것을 깨달았습니다. 장기적인 기초 소프트웨어 개발과 설계 경험은 제 기술적 감각과 제품 직관을 키워주었으며, 이는 제품 개발에 대한 제 사고 방식에 매우 중요한 영향을 미쳤습니다.
Z Potentials: 지난 6년간 데이터와 함께 일해오셨는데, 현재 에이전트와 인간 간의 상호작용에서 데이터의 중요성을 어떻게 보시나요? 또한 에이전트 시대의 데이터의 특수한 가치를 설명해 주시겠어요?
왕 문펑: 먼저 데이터의 유형과 적용 시나리오를 구분해야 합니다. 인간을 대상으로 하는 데이터와 에이전트를 대상으로 하는 데이터는 완전히 다릅니다.
에이전트에게 데이터의 가치는 세 가지 측면에서 나타납니다:
첫째, 모델 훈련. 고품질 데이터는 모델 지능의 기반입니다. 업계에서 GPT-5의 성능이 기대에 미치지 못했다는 논의는 본질적으로 고품질 훈련 데이터가 거의 고갈되었기 때문입니다. Horizon에서 자율주행 기술을 개발할 때도, 파라미터 조정보다 고품질 데이터 세트를 추가하는 것이 특정 사례 개선에 더 효과적이라는 점을 발견했습니다. 우수한 데이터는 입력, 출력 및 중간 과정 데이터를 명확히 정의해야 하며, 이것이 모델이 실제로 학습하는 핵심입니다. 강화 학습 역시 이러한 작업 단계 데이터와 보상 신호에 의존합니다.
둘째, 실행 과정. 실행 시 핵심 데이터는 컨텍스트(Context)로, 작업 실행의 모든 단계 데이터를 포함해야 하며 구조화 관리, 의미화 처리, 인과 관계 정의가 필요합니다. Claude Code의 최근 성과는 도구 호출 메시지의 세밀한 의미화 구분에서 비롯되었습니다. 에이전트에게 좋은 데이터는 잘 조직된 의미화 컨텍스트입니다.
셋째, 도구 호출. 본질적으로 제3자 실시간 데이터를 획득하여 자신의 컨텍스트를 보완하는 것입니다. 현재 모델의 도구 사용(Tool use) 또는 MCP는 대부분 코드 함수를 캡슐화한 후 해당 코드를 통해 뒤쪽 데이터를 액세스하는 방식입니다. 하지만 이 코드 함수의 필요성은 얼마나 될까요? 코드의 본질은 하위 구조화된 데이터를 조작하는 것이기 때문입니다. 그렇다면 모델은 왜 SQL로 직접 데이터를 가져오지 않고 코드 중간층을 거쳐야 할까요?
인간 사용자에게 데이터의 가치는 비즈니스 가치 외에도 검증 가능성과 심리적 안정성에 더 많이 있습니다. 사용자는 결과의 출처를 확인해야 합니다. 웹 데이터 예를 들어, 데이터가 웹에서 어떻게 추출되었는지, 추출 후 어떤 처리 단계를 거쳤는지, 사용자에게 단순하고 직접적인 ‘백박스’ 방식으로 제시할 수 있을까요? 정확성과 설명 가능성은 데이터의 가장 희소한 특성일 것이며, 사용자가 안전하게 사용할 수 있도록 반드시 보장해야 합니다.
02 Sheet0, 첫 번째 Level 4 데이터 에이전트
ZP: Sheet0 플랫폼의 본질과 주요 기능을 소개해 주시겠어요?
왕 문봉: 좋습니다. 단기 목표와 장기 비전 두 가지 측면에서 설명드리겠습니다. 우리는 Sheet0의 제품을 L4급 데이터 에이전트로 포지셔닝했습니다.
“L4”라는 용어는 주로 자율주행 분야에서 사용됩니다. L4는 사용자가 차량에게 A 지점에서 B 지점으로 이동하라고만 지시하면 나머지 과정을 완전히 자동으로 처리한다는 의미입니다. 동일한 논리를 에이전트에 적용하면, 사용자가 목표를 설명하면 시스템이 자율적으로 작업을 완료하고 결과를 제공하는 것입니다.
우리의 시나리오에서 이 목표는 “실시간으로 구조화된 데이터를 수집하고 전달하는 것”입니다.사용자는 단순히 요구사항을 제시하면, 우리는 데이터를 수집하고 분석이나 시각화에 바로 사용할 수 있는 표로 정리합니다. 이것이 바로 우리가 정의하는 “L4급 데이터 에이전트”입니다.
단기적으로는 임의의 데이터 소스(웹페이지, 파일, API)를 구조화된 데이터 시트로 변환하는 것이 핵심 역량입니다. 실제 사례를 들어보겠습니다: 특정 고객은 트위터에서 어떤 KOL의 '인기 게시물 비율'이 더 높은지 분석하고 싶었습니다.이유는 간단합니다. 트위터는 중요한 여론 및 마케팅 채널이기 때문에, 광고 캠페인을 진행할 때 히트율 높은 인플루언서를 선택해 더 높은 ROI를 얻고자 하기 때문입니다. 고객은 Sheet0에 이 목표를 전달하면, 해당 인플루언서의 과거 트윗, 조회 수, 댓글 수, 리트윗 수 등 관련 데이터를 자동으로 수집해 구조화된 표로 정리하고, SQL을 통해 각 인플루언서의 히트율을 계산해 최종 결과를 제공합니다.
시장에 있는 유사 제품과 비교할 때, 우리의 가장 큰 차별점은 ‘정확하고 빠른’ 결과 제공입니다. ‘100% 정확, 0 환각’ 결과를 제공하는 핵심은 작업을 설명 가능하고 검증 가능하며 추적 가능한 기본 워크플로우 코드로 분해해 데이터 수집 및 처리 과정의 투명성과 결과의 신뢰성을 확보하는 것입니다.
장기적으로 Sheet0는 슈퍼 개인, 지식 근로자 및 에이전트에게 자연어 방식으로 선형 확장 가능한 실시간 데이터 수집 및 처리 능력을 제공할 것입니다.
Z Potentials: 어떻게 이해해야 하나요? 미래에 데이터가 에이전트에게 갖는 중요성은 무엇이라고 생각하시나요?
왕 문펑: 소프트웨어 내에서 백엔드는 본질적으로 프론트엔드에 실시간으로 렌더링 가능한 데이터를 제공합니다.이 데이터는 다양한 데이터베이스, 파일 시스템, 또는 특정 API에 무작위로 분산되어 있으므로, 백엔드 엔지니어가 수동으로 이를 통합해야 합니다.
저는 자주 생각하거나, 사람들이 당연하게 여기는 것을 의심합니다. 예를 들어: 사용자는 반드시 일반적인 의미의 프론트엔드가 필요할까요? 제 생각에는 채팅이 새로운 시대의 프론트엔드이며, 단일 앱은 대화 상자 내의 생성형 UI 구성 요소입니다.저는 GPT-5부터 이 트렌드가 빠르게 확산될 것이라고 생각합니다.
현재 이 '신 프론트엔드'의 능력을 제약하는 것은 모델의 실시간 데이터 획득 능력입니다. 왜냐하면 '신 백엔드'가 아직 등장하지 않았기 때문입니다. 모델에 실시간 데이터를 공급할 수 있는 주체가 바로 에이전트 시대의 '신 백엔드'가 될 것입니다. 이 관점에서 보면 Sheet0이 이 '신 백엔드'가 될 가능성이 있습니다.
왜 실시간 데이터가 그렇게 중요할까요? 에이전트에게 데이터는 지식과 정보로 나눌 수 있습니다. 모델은 에이전트에게 충분한 지식을 제공하지만, 실시간 결정을 위해 필요한 정보가 매우 부족합니다. 컨텍스트 엔지니어링의 본질은 에이전트를 위해 이러한 정보를 조직하는 것입니다. 한쪽은 기억이고, 다른 한쪽은 실시간 데이터입니다. 그러나 에이전트가 실시간 데이터를 획득하는 방식은 아직 원시적이고 지능적이지 않습니다. 모델이 실시간 데이터를 획득할 수 있는 더 표준화된 방식이 필요합니다.
이것은 미래의 경쟁 핵심이 “내가 얼마나 많은 데이터를 가지고 있는가”가 아니라 “Agent에게 실시간 데이터를 얼마나 빠르고 정확하게 제공할 수 있는가”로 이동할 것임을 의미합니다. 데이터 획득 속도가 실시간에 가까워지고 거래 비용이 거의 제로에 수렴하면 Agent 간의 협업 효율성은 근본적으로 변화할 것입니다.특정 에이전트가 임무를 수행할 때, 다양한 노드에서 다중 데이터를 즉시 호출하는 것은 오늘날의 API 호출처럼 자연스러울 것입니다. 이 모델은 정보 불균형과 에이전트의 능력 한계를 크게 줄일 것입니다.
따라서 우리는 유일한 '데이터 소스'가 되는 것이 아니라, Agent 생태계 내의 효율적인 데이터 집계 층이 되어 Agent에게 표준화된 방식으로 실시간 데이터 접근 능력을 제공하는 것을 목표로 합니다. Agent를 '사람'으로 비유한다면, Sheet0을 Agent의 Google.com으로 보는 것이 더 적합할 것입니다(웃음).
Z Potentials: 데이터의 '100% 정확성, 0 환각'을 어떻게 달성했나요?
왕 문봉: 현재 많은 에이전트 제품은 사용자 대신 작업을 끝까지 완료하는 ‘엔드투엔드'에 초점을 맞추며, 자율성을 강조합니다. 반면 우리는 '다중 확인, 단계별 정렬’ 전략을 채택해 정확성을 강조합니다. 따라서 '100% 정확, 0 환각'은 시트0이 작업을 성공적으로 완료하고 사용자에게 전달된 데이터에 한함입니다. 작업이 실패하면 사용자는 빈 표를 받게 되며, 중간 단계의 불확실성은 존재하지 않습니다.
구체적인 제품 구현 과정에서 우리는 두 가지를 주로 의존합니다:
1.동적으로 생성되고 반복적으로 최적화되는 실행 프로세스: 우리는 고정된 데이터 수집 논리를 작성하지 않습니다. 대신 에이전트가 작업 실행 과정에서 예외 상황을 만나면 워크플로우와 코드를 재작성하고 최적화합니다. 이는 동일한 작업이 여러 번 실행될 때 내부 논리가 완전히 다를 수 있지만, 사용자는 이를 인식하지 못합니다. 왜냐하면 사용자가 보는 것은 단순히 데이터 표이기 때문입니다.
- 데이터 환경(Data Environment) 기반 피드백 메커니즘: Data Environment는 Sheet0의 RL 환경으로, 실행 모니터링, 오류 분류, 컨텍스트 필터링, 데이터 검증 등 기능을 담당합니다. 이로써 에이전트는 실패 후 명확하고 구조화된 피드백을 기반으로 조정할 수 있으며, 모호한 언어 설명으로 문제를 추측하는 대신 정확한 원인을 파악할 수 있습니다.
따라서 기술적 관점에서 Sheet0는 본질적으로 데이터 문제 처리에 매우 능숙한 코딩 에이전트입니다. 먼저 코드를 작성하고, 테스트를 실행하고, 오류 보고를 수집한 다음, 반복적으로 개선하여 안정적으로 장시간 실행될 때까지 계속합니다.
ZP: 현재 초기 내부 테스트 사용자가 있습니다. 사용자 시나리오를 공유해 주실 수 있나요?이 사용자들을 프로파일링하여 분류한 적이 있나요? 특히 예상치 못한 '장미형 시나리오'가 있었나요? 사용자들이 효과가 특히 좋다고 느끼거나 큰 문제를 해결한 사례가 있나요?
왕 문펑: 현재 주요 시나리오는 공개 인터넷 데이터 수집에 집중되어 있습니다.
첫 번째 사례는 해외 아웃소싱 플랫폼, 예를 들어 Fiverr 같은 프리랜서 사이트에서 나왔습니다. '데이터 수집'은 항상 큰 서비스 카테고리였습니다.미국 사용자가 20달러 예산으로 대만 특정 온라인 이벤트 공유 사이트의 이벤트 정보를 수집하는 작업을 게시했습니다. 해당 사이트는 20년 전 스타일의 구식 디자인으로, 이벤트 데이터가 표가 아닌 지도에 흩어진 마커 포인트 형태로 저장되어 있었습니다. 사용자의 목표는 700개 이상의 이벤트 중 2~4세 어린이에게 적합한 이벤트를 선별해 정리하는 것이었습니다.
전통적인 방법으로는 지도 마커를 하나씩 클릭하고 팝업 창을 열어 수동으로 복사-붙여넣기를 반복해야 했기 때문에 매우 시간이 많이 소요되었습니다. 또한 지도 상호작용이 필요했기 때문에 개발자가 스크립트를 작성해야 했고, 비용이 높고 개발 기간이 길었으며, 저예산 작업이라서 개발자가 맡기 꺼리는 경우가 많았습니다. 반면 우리 도구는 이 문제를 정확히 해결했습니다.
두 번째 사례는 판매 리드 생성이라는 일반적인 요구사항입니다. 한 사용자가 AI 잠재 고객을 찾고 있었으며, 그들의 워크플로는 두 가지 경로로 나뉩니다:
첫 번째: 시중의 AI 기업 정보를 수집합니다. 그들은 먼저 AI 도구 관련 웹사이트에서 기업 목록을 추출한 후 통합 정리하고, 각 기업에 적합한 연락처와 이메일 주소를 찾아냅니다. 이 정보는 기업 공식 홈페이지와 공개 채널에 분산되어 있습니다.
두 번째: 기존에 보유한 대규모 고객 이메일 목록을 기반으로 AI 전환을 진행 중인 고객사를 분석합니다. 이메일 주소를 특정 회사에 매핑하고, 사업 분야를 조사해 AI 관련 여부를 판단한 후 태그를 부여합니다.
전통적인 소프트웨어 개발 방식으로 이러한 엔드투엔드 데이터 처리 파이프라인을 구축하려면 프로그래머가 수주간의 시간이 필요합니다. 그러나 이 사용자는 Sheet0을 활용해 데이터 수집, 정제, 매칭, 라벨링의 전체 프로세스를 직접 연결해 사용 가능한 리드 목록을 빠르게 생성했습니다.
우리는 waiting list 단계에서 거의 홍보를 하지 않았으며, 자연스러운 확산만으로 3,000명의 waiting list 사용자를 확보했습니다.8월 12일에 초기 버전 테스트를 오픈할 예정입니다. 관심 있는 분들은 Hxrbusha를 추가해 초대장을 받으실 수 있습니다(제한 시 문봉 공식 계정에 댓글을 남겨주세요: bet-on-agi) .
최종 목표 달성은 아직 멀었고, 경로가 매우 중요합니다. 따라서 제품 방향과 실제 사용자 요구사항을 결합해 초기 단계에서는 공개 인터넷 데이터 수집 시나리오를 선택했습니다. 먼저 가장 강력한 AI 데이터 수집 도구로 자리매김해 모든 공개 웹사이트를 구조화된 데이터 테이블로 변환할 수 있도록 할 것입니다. 또한 제품 매니저, 시장 운영 담당자 등 데이터 관련 업무를 수행하는 인력의 요구사항을 우선적으로 지원할 계획입니다.
ZP: 비즈니스 모델 측면에서 어떻게 계획하고 계신가요? 특히 AI가 인간을 대신해 작업을 수행하는 방향에서, 미래에 어떤 커뮤니티를 구축하고 싶으신가요?
왕 문봉: 단기적으로는 대부분의 에이전트 제품과 유사한 크레딧(포인트) 기반 요금제를 채택할 계획입니다. 이는 기본 자원 소비량에 따라 계산됩니다.
장기적으로는 결과 기반 요금제의 가능성을 탐색할 예정입니다.예를 들어, 사용자가 필요한 데이터가 공개 채널이나 우리 기존 데이터베이스에 없을 경우, 사용자가 원하는 가격을 설정하고 작업을 생성해 Sheet0 플랫폼 사용자 네트워크에 배포할 수 있습니다. 다른 사용자가 해당 데이터를 보유하고 판매를 원할 경우 직접 거래가 성사됩니다. 이 모델의 핵심은 가격 결정권을 사용자에게 넘기고, Sheet0는 데이터 소유자를 파악해 매칭을 중개해 데이터가 사용자 간 효율적이고 통제 가능한 방식으로 유통되도록 하는 것입니다.
03 방향 탐색에서 장기주의로
Z Potentials: 2023년 창업 후 방향 전환을 경험하셨는데, 산업 판단이나 기술 경로 선택에서 어떤 우회로를 걸었나요? 그 과정에서 어떤 교훈을 얻었나요?
왕 문펑: 전반적으로 마음이 급했고, 기대치를 잘 관리하지 못했습니다.
저는 2023년 7월에 창업했으며, 첫 번째 방향은 AI 코딩이었고 회사 이름은 LLM Programming으로, '대형 모델 프로그래밍'을 의미했습니다. 당시의 접근 방식은 Cursor보다 더 공격적이었습니다. 사용자가 제품 요구사항 문서(PRD)를 작성하면 이를 직접 사용 가능한 소프트웨어로 변환하는 것이었죠. 이는 오늘날의 Vibe Coding과 유사합니다.여러분이 알고 계시다시피, Cursor는 2024년 5월 새로운 모델이 출시되기 전까지 성능이 평범했습니다. Claude 3.5가 출시된 후 갑자기 급성장했습니다. 우리는 당시 모델에 대한 이해와 신뢰도가 부족했고, 추진 속도가 너무 빨랐기 때문에 최종 결과가 기대에 미치지 못했습니다. 따라서 방향을 전환하기로 결정했습니다. 돌아보면, 이번 경험이 저에게 모델의 능력이 지속적으로 발전할 것이라는 믿음을 심어주었습니다.
두 번째 방향은 Tool Use로, NPi라고 불리며, 전체 이름은 Natural Programming Interface, 자연 언어 프로그래밍 인터페이스입니다. HackerNews 상위 10위에 올랐으며 Madrona Ventures가 발표한 글로벌 첫 번째 Agent Infra 순위표에 포함되었습니다. NPi는 2024년 2월에 시작되어 6월까지 비교적 완성된 첫 번째 버전을 출시했습니다. Tool Use를 선택한 이유는 첫 번째 방향의 시도에서 Agent가 행동을 취해야 한다는 것을 확신했기 때문입니다.사실, 지금 NPi를 돌아보면 그때 우리가 한 일이 바로 후속 프로젝트인 MCP였으며, 반년 앞서 프로세스와 규격을 정의했을 뿐만 아니라 완전한 구현까지 완료했습니다. 같은 시기에 같은 일을 한 회사인 Composio는 인도 팀으로, 올해 상반기에 미국 광속 투자를 주도한 2,900만 달러의 투자를 유치했으며, 현재 실리콘 밸리의 핫한 스타트업으로 주목받고 있습니다.
NPi 첫 번째 버전을 완료한 후, 저는 총 30명 이상의 에이전트 개발자와 대화했습니다. 모두가 주목하는 포인트는 Tool use가 아니었습니다(사실 MCP가 인기를 얻은 것은 2025년 2월 Cursor가 MCP를 지원한 이후입니다). 모두 RAG에 집중하고 있었습니다. 핵심 이유는 당시의 문제는 적합한 도구가 없었기 때문이 아니라, LangChain 같은 프레임워크로 도구를 만드는 것은 빠르지만, 에이전트가 적절한 도구를 선택하는 것이 문제였기 때문입니다.이 과정에서 저는 에이전트의 핵심은 컨텍스트라는 것을 깨달았고, 이를 바탕으로 컨텍스트 엔지니어링을 정리했습니다. 순수하게 도구 레이어를 개발하면 에이전트의 컨텍스트에 접근할 수 없어 도구 호출 정확도를 높일 수 없습니다. 이로 인해 단순히 도구 사용 제품을 만드는 것은 부족하다는 것을 깨달았고, 상위 레이어로 진출하기로 결정했습니다. 오랜 탐색 끝에 최종적으로 Sheet0을 개발했습니다.
첫 번째 프로젝트부터 세 번째 프로젝트까지, 근본적인 목표는 변하지 않았습니다: 일반인도 극히 간단한 방법으로 엔지니어의 '초능력'을 얻을 수 있도록 하는 것, 즉 복잡한 문제를 단순화한 후 자동화하는 능력입니다. 이는 피봇 과정에서 항상 고민해온 문제이기도 합니다.처음에는 AI가 사람을 대신해 프로그램을 작성하도록 하는 것을 생각했지만, 코드가 일반인에게 친숙하지 않다는 점을 깨달아 Tool Use를 시작했습니다. 프로그래머가 하는 일은 다양한 코드 도구 인터페이스를 연결하는 것이기 때문에, 모델이 Tool Use를 잘 구현한다면 코드를 보지 않고도 가능하지 않을까 생각했습니다. 결국 코드의 본질은 구조화된 데이터를 조작하는 것이라는 점을 깨달았습니다.
요약하자면, 제 판단은 시장보다 약 1년 정도 앞서 있습니다.이는 적어도 반년 이상 지속적인 부정적인 피드백을 받으며 고생해야 기회가 온다는 것을 의미합니다. 예를 들어 AI Coding과 MCP는 모두 1년 정도 기다려야 했습니다.
ZP: 맞습니다. 방향이 맞고 수요가 실제적이라 할지라도, 적어도 반년 이상의 적응기가 필요하며, 그 후에야 긍정적인 신호를 볼 수 있습니다. AI는 일회성 사업이 아니라 장기적인 투자와 두터운 준비가 필요하며, 그 과정에서 여러 단계의 폭발적인 성장이 있습니다.
왕원펑: 맞습니다.저는 돌아보면, 설립 후 반년 내에 빠르게 주목받는 제품을 출시한 사례는 거의 없습니다. 현재의 스타 제품들 중 어느 것이 1~2년의 '냉각기'를 거치지 않았나요? Cursor는 2022년에 설립되어 2024년 5월 Claude 3.5가 출시된 후부터 성장하기 시작했습니다. 또 다른 예로 Manus는 Monica가 2년간 축적한 후, Manus 개발을 결정해도 순조롭지 않았고, 중간에 반년 이상을 여러 번 조정했습니다.
그래서 제 결론은: 첫째, 합리적인 기대치를 가져야 합니다. 특히 Production-ready Agent를 개발하는 공학적 복잡성을 과소평가하지 마세요. 최근에 본 한 그림이 정말 적절하다고 생각했어요.
둘째, 모델의 진보에 대한 믿음을 잃지 않아야 합니다. 이건 오래된 이야기지만, 모델이 출시될 때마다 많은 사람들이 부정적인 의견을 내뱉습니다. 저는 이제 그런 발언을 직접 차단합니다.
제가 모델에 대한 신뢰가 전환된 시점은 2025년 5월 어느 날이었습니다. 그 전까지는 스스로를 강제로 믿으려고 했습니다. 그때 친구와 대화 중 갑자기 이런 생각이 떠올랐습니다: 인류의 존재 자체가 AGI 존재의 가장 좋은 증거가 아닐까. 인간은 복잡한 물리 법칙의 작용으로 탄생한 자연의 산물이며, 인간은 지능을 갖추고 있습니다. 따라서 이 사실에서 출발하면, 지능 자체는 물리 법칙의 작용 결과입니다.
'심리적 장벽 파괴 효과'라는 용어가 있습니다. 특정 문제나 한계가 돌파되어 가능함이 증명되면, 그 이후 재현의 난이도가 급격히 감소한다는 의미입니다. 마라톤이 대표적인 예시죠. 따라서 앞서 언급한 논리로 돌아가면, 자연이 이미 우리에게 모범을 보여주었으니, 지혜의 존재가 물리 법칙의 결과라면, 우리가 모델의 지속적인 진보를 의심할 이유가 무엇일까요?
Z Potentials: 현재 AI 분야에서 창업 중인 독자들에게 마지막으로 전하고 싶은 말이 있나요?
AI는 매우 빠르게 발전하고 있으며, 많은 사람들이 FOMO(Fear of Missing Out)에 휩싸여 있습니다. 종종 우리는 흐름에 밀려가며 행동하게 됩니다. 최근 저는 계속 스스로에게 상기시키고 있습니다: 무언가가 널리 퍼지기 시작할 때, 반드시 파도에서 벗어나 해안으로 뛰어올라 무엇이 희소성 있는 것인지 생각해야 합니다. 올해 하반기에 더 많은 시간을 생각에 할애할 수 있기를 희망합니다.
