Closing Keynote - Garry Tan, Y Combinator
📺 원본 영상: Closing Keynote: Garry Tan, Y Combinator
🎙️ 채널: AI Engineer
📅 정리 일자: 2026-07-17
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료는 포함되지 않을 수 있습니다. 다만 강연자는 중간에 “슬라이드는 없다”고 명시했기 때문에, 본 리포트는 음성 발화만을 기준으로 재구성했습니다.
개요
Garry Tan의 이 클로징 키노트는 “이제 무엇을 만들어야 하는가”라는 질문에 대한 Y Combinator식 답변이다. 그는 AI를 단순한 자동완성 도구로 보는 관점에서 벗어나, AI 에이전트를 기술 조직과 회사 운영 전체를 재구성하는 노동력으로 보아야 한다고 주장한다.
강연의 핵심은 AI 네이티브 기업이 단순히 AI를 사용하는 회사가 아니라, 처음부터 에이전트, 스킬 파일, 컨텍스트 엔지니어링, 회사 기억 시스템을 중심으로 설계된 조직이라는 점이다. Tan은 이를 통해 한 사람이 과거 수백 명 또는 수천 명이 하던 일을 수행하는 구조가 이미 가능해졌으며, 그 경쟁력은 모델 자체보다 일을 배선하는 방식에서 나온다고 설명한다.
AI 생산성의 본질은 모델이 아니라 작업 구조에 있다
Tan은 자신의 경험을 출발점으로 삼아 AI 시대의 생산성 변화를 설명한다. 2013년 YC 파트너로 일하면서 내부 소셜 네트워크를 개발하던 시절, 그는 하루에 약 14줄의 “사용 가능한 논리 코드”를 작성했다고 말한다. 주석과 의미 없는 보일러플레이트를 제외하면 당시의 생산성은 문헌상 일반적인 범위였고, 하루 수천 줄의 코드를 만드는 현재의 AI 기반 개발 환경과는 전혀 다른 리듬이었다.
그는 2025년 현재 같은 사람이 더 적은 시간으로도 약 400배의 산출을 낼 수 있다고 주장한다. 이 숫자는 다소 과장처럼 보일 수 있기 때문에, Tan은 스스로 보수적으로 깎아도 바닥값은 8배, 중간값은 80배 수준이라고 설명한다. 중요한 점은 이 차이가 특정 모델의 마법에서 나오지 않는다는 것이다. 같은 Claude, 같은 가중치, 같은 컨텍스트 윈도우, 같은 API를 쓰더라도 어떤 사람은 2배의 개선에 머물고 어떤 사람은 100배의 개선을 만들어내기 때문이다.
이 대목에서 Tan의 메시지는 명확해진다. AI 생산성의 레버리지는 모델의 가중치가 아니라 “일을 어떻게 배선하느냐”에 있다. 그는 빠르게 성장하는 YC 창업자들이 AI를 자동완성으로 다루지 않고, 하나의 노동력 또는 조직으로 다룬다고 본다. 즉 AI 네이티브 개발은 프롬프트를 잘 쓰는 기술을 넘어, 업무를 분해하고, 위임하고, 기억시키고, 반복 가능하게 만드는 운영 설계의 문제로 이동한다.
스킬 파일은 직원이고, 리졸버 테이블은 조직도다
Tan이 강연의 중심으로 제시한 은유는 매우 구체적이다. 그는 스킬 파일을 직원에 비유한다. 하나의 스킬 파일은 하나의 능력과 하나의 책임을 가진 실행 단위이며, 사람이 일을 맡길 수 있을 만큼 명확하게 작성된 절차서에 가깝다.
그는 리졸버 테이블을 조직도에 비유한다. 어떤 작업이 들어왔을 때 어떤 문서, 어떤 절차, 어떤 담당 능력을 불러와야 하는지를 결정하는 구조가 곧 조직의 라우팅 방식이라는 것이다. 예를 들어 테스트 파일을 수정해야 할 때 test.md를 로드해야 한다는 규칙이 있다면, 그 규칙은 단순한 문서가 아니라 업무 배정의 메커니즘이 된다. 또한 그런 규칙이 실제로 작동하는지를 검증하는 테스트는 성과 평가에 해당한다.
이 관점에서 AI 에이전트와 함께 일한다는 것은 더 이상 소프트웨어만 작성하는 일이 아니다. Tan은 Claude Code나 Codex 같은 도구를 사용할 때, 개발자는 사실상 마크다운으로 이루어진 노동력을 고용하고, 훈련하고, 관리하고 있다고 말한다. 조직을 구성하던 많은 요소가 문서, 규칙, 라우팅, 평가, 자동화로 치환되면서, 기업 운영의 일부가 소프트웨어적인 형태로 재작성되는 것이다.
AI 네이티브 기업은 인원수가 아니라 매출 대비 조직 밀도로 정의된다
Tan은 YC 내부 사례를 통해 AI 네이티브 기업의 규모 감각이 달라지고 있다고 설명한다. 그에 따르면 Winter 2025 배치에서는 약 4분의 1의 회사가 코드베이스의 95%를 AI로 생성했으며, 해당 배치는 YC 역사상 가장 빠르게 성장하고 가장 수익성이 높은 배치가 되었다. 그는 AI 생성 코드가 성장을 직접 유발했다고 단정하지는 않지만, 성장하는 창업자들이 AI를 업무 구조 자체에 깊게 통합했다는 점은 분명하다고 본다.
그는 Lovable이라는 AI 앱 빌더가 공개 출시 후 8개월 만에 9자리 ARR, 즉 1억 달러 이상의 ARR에 도달했고, 1,500만 달러 ARR을 넘겼을 때 직원 수가 15명뿐이었다고 언급한다. 또 다른 사례로는 Winter 2024의 Retell AI를 들며, 약 40명 규모에서 6,000만 달러 수준의 매출을 만들었다고 말한다. Tan이 강조하는 방향성은 분명하다. 소프트웨어 기업의 매출 대비 인력 구조가 과거의 상식과 다른 영역으로 이동하고 있다는 것이다.
그가 말하는 AI 네이티브 기업은 판매, 지원, 운영, 재무를 위해 수백 명을 채용하는 회사가 아니다. 대신 그 회사는 반복 업무를 스킬 파일과 절차로 인코딩하고, 엔지니어는 그 스킬을 유지보수하며, 아직 스킬이 처리하지 못하는 일을 보완한다. 이 구조에서는 비개발자도 에이전트 매니저가 된다. Tan은 YC의 재무 담당자가 약 100개의 Excel 워크북을 하나의 내부 앱으로 통합한 사례를 언급하며, 프로그래머가 아니어도 에이전트를 관리하는 방식으로 업무를 재구성할 수 있다고 설명한다.
Latent Space와 Deterministic Space를 구분해야 한다
강연의 기술적 핵심은 계산이 어디에서 일어나야 하는지를 구분하는 데 있다. Tan은 많은 AI 엔지니어링 문제가 Latent Space와 Deterministic Space를 혼동할 때 발생한다고 말한다. Latent Space는 LLM이 담당하는 영역으로, 취향, 판단, 모호한 인간 의도의 해석, 비결정적 추론이 여기에 속한다. 이 영역은 마크다운 지침과 컨텍스트를 통해 조향할 수 있지만, 완전히 결정론적으로 제어하기는 어렵다.
반대로 Deterministic Space는 엔지니어에게 익숙한 코드의 세계다. TypeScript, Erlang, Elixir 같은 언어로 작성되는 명시적 로직, 데이터 구조, 상태 저장, 테스트 가능한 계산이 이 영역에 들어간다. Tan은 두 영역을 섞지 않는 것이 중요하다고 본다. LLM에게 사람의 선호와 의미를 판단하게 하는 것은 적절하지만, 800명의 좌석 배치 상태를 컨텍스트 윈도우 안에 저장하게 만드는 것은 잘못된 설계라는 것이다.
그는 Startup School에서 수천 명의 참가자 중 800명을 한 번에 “서로 만나야 할 사람”끼리 잘 배치하는 문제를 예로 든다. 이 문제는 사람의 목적과 적합성을 판단하는 Latent Space와, 좌석 배열과 상태를 안정적으로 관리하는 Deterministic Space가 결합되어야 한다. 과거라면 한 달 걸릴 수 있는 작업이 이제는 토큰 비용 몇백 달러와 짧은 실행 시간으로 가능해질 수 있다는 설명은, AI 에이전트가 단순히 답변을 생성하는 도구가 아니라 복잡한 운영 문제를 재구성하는 계산 환경이 되고 있음을 보여준다.
컨텍스트 엔지니어링은 어떤 세 권의 책을 펼칠지 결정하는 기술이다
Tan은 인간의 작업 기억을 설명하기 위해 “7±2”라는 인지심리학의 고전적 개념을 가져온다. 인간은 한 번에 대략 일곱 개 안팎의 항목을 머릿속에 유지할 수 있으며, 체크리스트, 조직도, 파일 캐비닛 같은 제도적 장치는 모두 이 한계를 보완하기 위한 외부 기억 장치였다는 것이다. 반면 현대 AI 에이전트는 백만 토큰, 즉 대략 천 페이지에 해당하는 컨텍스트를 동시에 다룰 수 있다.
그는 이를 아이에게 설명하듯 “Harry Potter 세 권을 동시에 펼쳐놓고 그 안에서 바늘을 찾을 수 있는 능력”에 비유한다. 그러나 곧바로 중요한 한계를 덧붙인다. 세 권의 책은 인간 기준으로는 엄청난 양이지만, 회사 전체의 기억에 비하면 극히 일부에 불과하다. 회사에는 이메일, 회의, 의사결정, 고객 대화, 사후 분석, 문서화된 판단이 모두 쌓여 있기 때문이다.
따라서 진짜 문제는 에이전트가 긴 컨텍스트를 가진다는 사실이 아니라, 어떤 세 권의 책을 펼칠지 누가 결정하느냐에 있다. Tan은 이것이 바로 Context Engineering(컨텍스트 엔지니어링)이며, 회사의 “브레인”은 도서관과 사서의 결합이라고 설명한다. 단순 검색이나 RAG(Retrieval-Augmented Generation, 검색 증강 생성)는 원시적인 구성 요소일 뿐이고, 무엇을 기록할지, 어떻게 연결할지, 어떤 지식을 뜨거운 기억으로 승격할지, 충돌하는 사실을 누가 중재할지가 제품의 본질이라는 것이다.
G-Brain과 회사 기억 시스템의 가능성
Tan은 자신이 공개적으로 만들고 있는 시스템을 G-Brain이라고 부른다. 그는 이 시스템을 에이전트를 위한 Postgres에 비유하며, 어떤 작업에 대해 어떤 “세 권의 책”을 로드해야 하는지 결정하는 검색 및 기억 계층으로 설명한다. 그의 개인 G-Brain은 처음에는 방 하나 분량의 책처럼 시작했지만, 지금은 이메일, 회의, 20년 치 노트, 개인적 경험에서 나온 약 22만 페이지 규모의 저장소로 커졌다고 한다.
이 시스템의 목적은 단순히 많은 문서를 저장하는 데 있지 않다. 창업자가 위기 상황에 대해 이메일을 보내면, Tan의 에이전트는 그 이메일을 다 읽기도 전에 해당 창업자와의 과거 대화, 비슷한 문제를 겪은 포트폴리오 회사들, 실제로 효과가 있었던 대응을 찾아낼 수 있다고 한다. 이렇게 되면 에이전트는 단순한 비서가 아니라, 사용자가 이미 알고 있는 것을 바탕으로 함께 판단하는 동료에 가까워진다.
그러나 Tan은 회사 기억 시스템에도 명확한 실패 모드가 있다고 강조한다. 아무도 관리하지 않는 브레인은 검색 기능이 뛰어난 쓰레기장이 될 수 있고, 오래된 사실은 확신에 찬 오류로 재등장할 수 있다. 나쁜 스킬 파일은 나쁜 프로세스를 영구적으로 인코딩할 수 있기 때문에, 기억 시스템은 위생, 출처, 충돌 검사, 인간과 에이전트가 함께 수행하는 가지치기 작업을 필요로 한다. 그는 브레인을 생산 인프라처럼 다루면 복리로 성장하지만, 아무렇게나 쌓아두면 추적 불가능한 오류를 가진 자신감 있는 에이전트만 남는다고 경고한다.
“한 번만 하는 일”을 없애는 Skillify의 원칙
Tan이 YC 회사들과 내부 조직에 반복해서 말한다고 밝힌 원칙은 “한 번만 하는 일을 하지 말라”는 것이다. AI 에이전트에게 어떤 일을 시키고 결과가 마음에 들었다면, 거기서 멈추지 말고 그 작업을 스킬화해야 한다. 그는 이를 “skillify it”이라는 표현으로 부르며, 같은 요청을 두 번 해야 한다면 이미 실패한 것이라고 말한다.
이 원칙은 AI 활용의 생산성을 단기 산출에서 조직 학습으로 바꾼다. 한 번의 성공적인 프롬프트가 문서화되지 않고 사라지면, 다음 날 조직은 다시 같은 시행착오를 반복한다. 반대로 그 작업이 스킬 파일로 변환되면, 조직은 매일 조금씩 더 똑똑해진다. Tan이 말하는 AI 네이티브 회사는 바로 이 지식의 축적 장치를 갖춘 회사다.
그는 모델 품질은 빌려 쓰는 것이지만, 브레인은 소유하는 것이라고 표현한다. 이 말은 AI 시대의 방어력이 어디에 있는지를 잘 보여준다. 모델은 누구나 접근할 수 있고, 시간이 지나면 더 좋은 모델이 등장하지만, 조직이 축적한 문맥, 절차, 판단 기록, 작업 습관은 외부에서 쉽게 복제할 수 없다. 결국 장기 경쟁력은 “좋은 모델을 쓰는 회사”가 아니라 “배운 것을 잃어버리지 않는 회사”에서 나온다.
지금 만들어야 할 것은 AI를 쓰는 회사가 아니라 AI 네이티브 회사다
Theo가 던진 “이제 무엇을 만들어야 하는가”라는 질문에 대해 Tan의 답은 AI 네이티브 회사다. 이것은 기존 회사에 AI 기능을 덧붙이는 방식이 아니라, 첫날부터 얇은 팀, 전사적 스킬 파일, 창업자의 코드 관여, 회사 브레인, 개인 AI를 중심으로 설계된 회사를 의미한다. 그런 회사는 첫 주부터 라이브러리를 축적하고, 조직 전체가 반복 가능한 절차와 기억을 통해 빠르게 학습한다.
그는 또 하나의 창업 기회로 “모든 회사가 필요로 하게 될 브레인”을 제시한다. 개인 AI가 사용자를 실제로 알고, 회사가 이미 알고 있던 것을 다시 묻지 않게 만드는 메모리 레이어는 아직 넓게 열려 있는 영역이라는 것이다. Tan은 G-Brain을 오픈소스와 MIT 라이선스로 공개하고 있다고 말하며, 이 계층은 Linux처럼 열려 있어야 한다고 주장한다. 다만 그 위에 만들어질 회사 브레인, 개인 컨텍스트, 적절한 세 권의 책을 골라주는 사서 시스템은 여전히 큰 창업 기회로 남아 있다.
흥미로운 점은 Tan이 특정 도구에 집착하지 말라고 말한다는 것이다. 그는 자신이 선호하는 도구를 추천하긴 하지만, Codex 같은 도구도 이 작업의 90%는 수행할 수 있다고 설명한다. 핵심은 도구 이름이 아니라 개념이다. 계산이 어디서 일어나야 하는지 구분하고, 스킬 파일을 직원처럼 다루며, 사서 계층을 만들고, 한 번 한 일을 반복 가능한 자산으로 바꾸는 원칙은 어떤 스택에서도 작동한다.
일자리 공포를 넘어서는 상상력의 문제
강연의 마지막은 기술 구조에서 사회적 상상력으로 확장된다. Tan은 AI로 인해 일자리가 어떻게 될지 두려워하는 사람들이 많다는 점을 인정하면서도, 그것을 상상력의 실패라고 말한다. 그가 보기에 이 방에 있는 창업자들은 AI로 자신을 복제하고, 회사의 모든 구성원이 자신을 증폭시키는 방식으로 새로운 조직의 기준을 만들 사람들이다.
그는 희귀한 형태의 뇌전증을 가진 아이를 위해 한 아버지가 8만 개의 마크다운 파일로 개인 브레인을 만들었다는 사례를 소개한다. 이 사람은 연구소도, 보조금도, 허가도 없이 노트북과 라이브러리만으로 아들의 정확한 질환에 대해 인류가 알고 있는 지식의 가장자리까지 스스로 밀고 나갔다. Tan은 이 사례가 부차적인 감동담이 아니라, 강연 내내 설명해온 구조의 본질이라고 말한다. 라이브러리, 사서, 적절한 순간에 펼쳐진 세 권의 책이 가장 절실한 문제를 향할 때, AI 네이티브 구조는 단순한 기업 생산성 도구를 넘어선다.
이 결론에서 “바다를 끓일 수 있다”는 그의 표현은 과장된 낙관이라기보다, 너무 커서 시도조차 하지 않았던 문제들을 다시 정의하자는 선언에 가깝다. 너무 버그가 많아 고칠 수 없다고 생각한 코드베이스, 너무 커서 읽을 수 없던 아카이브, 너무 지저분해서 정리할 수 없던 데이터셋이 이제는 다른 종류의 작업 대상이 된다. Tan이 말하는 혁명은 AI가 인간을 대체한다는 단선적 전망이 아니라, 인간이 자신과 조직의 기억, 절차, 판단을 에이전트 구조로 확장하는 변화다.
마무리 / 핵심 정리
Garry Tan의 메시지는 AI 시대의 경쟁력이 “어떤 모델을 쓰느냐”에서 “어떤 조직으로 일하느냐”로 이동하고 있다는 것이다. 같은 모델을 쓰더라도 어떤 팀은 자동완성 수준에 머무르고, 어떤 팀은 스킬 파일, 컨텍스트 엔지니어링, 회사 브레인, 반복 가능한 절차를 통해 전혀 다른 생산성 곡선을 만든다.
이 강연에서 AI 네이티브 회사는 단순히 AI 기능을 제품에 붙인 회사가 아니다. 그것은 조직 자체를 에이전트가 이해하고 실행할 수 있는 형태로 기록하며, 매번의 작업을 다음 작업의 자산으로 바꾸는 회사다. Tan이 반복해서 강조한 “memory”는 그래서 단순한 저장소가 아니라, 회사가 매일 더 똑똑해질 수 있는 복리 구조를 뜻한다.
결국 지금 만들어야 할 것은 AI를 사용하는 회사가 아니라, AI가 전제된 회사다. 그리고 그 아래에는 회사의 기억, 개인의 기억, 컨텍스트를 선별하는 사서, 반복 업무를 자산화하는 스킬 시스템이 놓인다. Tan의 관점에서 이것은 먼 미래의 비전이 아니라 이미 YC 내부와 일부 스타트업에서 작동하기 시작한 새로운 운영 체제다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | Closing Keynote: Garry Tan, Y Combinator |
| 채널 | AI Engineer |
| 리포트 작성 | 2026-07-17 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.