본의 아니게 공개된 엔트로픽의 미래, 우리가 대비해야 할 테크 쓰나미

Anthropic 내부의 유출 코드에서 “Conway”라는 이름이 거론됐다는 소식은 흥미롭다. 다만 먼저 선을 그을 필요가 있다. Conway는 아직 공식 출시 제품이 아니다. 최근 보도와 유출 분석이 보여준 것은, Anthropic이 Claude Code의 대규모 소스 유출 과정에서 ‘always-on’에 가까운 배경형 에이전트, 브라우저 연동, 사이드바형 인터페이스 같은 방향을 실험하고 있었다는 점이지, Conway라는 이름과 형태가 그대로 출시된다는 보장은 아니다. 그럼에도 이 유출이 중요한 이유는 이름이 아니라 방향 때문이다. Anthropic은 이미 공식적으로 Claude Cowork를 “목표를 주면 컴퓨터, 로컬 파일, 앱을 넘나들며 결과물을 가져오는” 지식노동용 에이전트로 소개하고 있고, OpenAI는 Operator와 ChatGPT agent를, Google DeepMind는 Project Mariner를 통해 브라우저를 직접 조작하는 에이전트 방향을 공개해 왔다. 즉, Conway가 실명으로 나오든 말든, 큰 흐름 자체는 이미 시작됐다.

이 흐름을 한 문장으로 줄이면 이렇다.
AI가 도구에서 환경으로 이동하고 있다.

지금까지의 AI는 필요할 때 호출하는 비서에 가까웠다. 질문을 던지면 답하고, 명령을 주면 실행했다. 하지만 브라우저를 보고, 파일을 만지고, 외부 이벤트를 웹훅으로 받고, 사용자가 자리를 비운 뒤에도 과업을 이어가는 상주형 에이전트가 보편화되면 이야기가 달라진다. 그때 AI는 더 이상 “사용하는 것”이 아니라, 우리가 일하는 바닥재이자 공기 같은 것이 된다. 전기가 처음에는 신기한 발명품이었지만 나중에는 벽 속으로 사라져 인프라가 됐듯, AI도 그렇게 배경화되고 있다.

이 지점에서 많은 스타트업이 느끼는 공포는 이해할 만하다. 왜냐하면 플랫폼이 기능을 흡수하는 장면은 기술사에서 늘 잔혹했기 때문이다. Microsoft가 Windows에 Internet Explorer를 묶어 넣었을 때, 그것은 단순한 기능 추가가 아니라 유통 경로 전체를 재정의하는 일이었다. 미 법무부는 당시 Microsoft가 브라우저를 운영체제와 결합해 경쟁을 제약했다고 판단했다. 훗날 스마트폰 시대에는 이 패턴이 더 일상적이 되었다. 오늘날 iPhone은 기본 카메라와 컨트롤 센터만으로 QR 코드를 읽고 손전등을 켤 수 있다. 한때 별도 앱 시장을 이루던 기능들이 운영체제 내부로 사라진 것이다. 손전등 앱과 QR 스캐너 앱이 완전히 “없어졌다”고 말하는 건 과장이지만, 적어도 그들이 한때 누렸던 전략적 중요성은 운영체제가 기능을 흡수하는 순간 크게 깎였다.

그래서 Conway 논쟁의 핵심은 “Anthropic이 또 무언가를 만든다”가 아니다. 더 본질적인 질문은 이것이다.
플랫폼이 어디까지를 자기 영토로 선언할 것인가.

에이전트 시대의 플랫폼은 단지 모델만 제공하지 않는다. 모델, 실행기, 브라우저 제어, 파일 시스템 접근, 알림, 기억, 플러그인 구조, 심지어 보안과 과금까지 한 덩어리로 제공하려 든다. 플랫폼 전략 연구에서 말하는 ‘플랫폼 포위(envelopment)’는 바로 이런 장면을 설명한다. 기존에 분리되어 있던 시장을 인접 플랫폼이 자기 기능과 결합해 집어삼키는 것이다. 중요한 건 이 현상이 단순한 기술 우월이 아니라, 유통·접점·표준의 장악으로 일어난다는 점이다. AI 에이전트 시장에서 이 장악이 일어나면, “브라우저 자동화”, “항상 켜진 AI 비서”, “에이전트용 오케스트레이션”, “비개발자용 AI 직원”처럼 설명되는 범용 래퍼 제품들은 매우 취약해진다. 기능 조합만으로 존재 이유를 설명하던 제품은 플랫폼이 같은 기능을 기본값으로 제공하는 순간 설 자리가 좁아진다.

하지만 여기서 많은 사람이 한 번 더 단순화한다.
“플랫폼이 다 먹는다. 그러니 작은 팀은 끝났다.”
이 문장은 반은 맞고, 반은 틀리다.

AWS가 처음 등장했을 때도 비슷한 공포가 있었다. 서버를 직접 사서 꽂고 운영하던 시절의 숙련은 상대적으로 덜 희소해질 것처럼 보였다. 실제로 인프라의 일부는 상품화됐다. 그런데 결과는 “개발자 종말”이 아니라 SaaS 폭발이었다. 서버 조달과 운영의 마찰 비용이 줄자 오히려 더 많은 서비스가 태어났다. 경제학자 에릭 브린욜프슨 등의 연구도 생성형 AI가 실제 현장에서 생산성을 올리지만, 그 효과는 모든 사람에게 균등하게 떨어지지 않는다고 보여준다. 고객지원 현장 연구에서 AI 도입은 평균 생산성을 높였지만, 특히 경험이 적거나 숙련도가 낮은 집단의 향상 폭이 더 컸고, 가장 숙련된 집단은 이득이 제한적이거나 품질 측면에서 작은 하락도 보였다. 이 말은 곧 실행 비용이 내려갈수록 상위 역량의 희소성이 사라지는 것이 아니라, 오히려 무엇이 진짜 상위 역량인지가 다시 드러난다는 뜻이다.

바로 여기서 “맥락과 해석의 가치가 올라간다”는 주장이 나온다. 그런데 이 문장은 그대로 두면 추상적이다. 회의적인 독자는 곧바로 묻는다.
“그 맥락과 해석도 결국 학습되지 않겠느냐?”

부분적으로는 맞다.
평균적인 해석은 실제로 AI가 점점 더 잘하게 될 것이다.

무난한 카피, 평균적인 UI 추천, 일반적인 A/B 테스트안, 업계 관행을 따라간 화면 구성은 이미 상당 부분 자동화 가능하다. 그래서 “해석은 인간의 영역”이라는 문장을 너무 낭만적으로 쓰면 약하다. 더 정확한 문장은 이렇다.

AI는 해석을 흉내 낼 수 있다. 하지만 해석의 결과에 책임을 지지는 못한다.

이 차이는 생각보다 크다. AI는 어떤 선택이 과거 패턴상 그럴듯한지 추정한다. 그러나 실제 비즈니스에서 중요한 순간은 추정이 아니라 책임을 요구한다. 가격 정책을 바꿨는데 매출이 꺾이면 누가 책임지나. 의료 분류 시스템이 오판해 환자에게 손해를 입히면 누가 책임지나. 게임 밸런스 조정이 커뮤니티를 폭발시키면 누가 욕을 먹나. 조직 내부 갈등을 고려하지 않은 자동화가 특정 부서를 무력화하면 누가 수습하나. 여기서 핵심은 “AI가 정답을 못 맞힌다”가 아니다. 정답이 없거나, 정답보다 책임 소재가 더 중요한 상황에서 인간이 마지막 결정을 떠안게 된다는 것이다. NIST의 AI Risk Management Framework는 AI 위험 관리에서 맥락 파악과 조직 책임을 강조하고, 생성형 AI 프로파일은 추가적인 인간 검토, 추적, 문서화, 관리 감독이 필요하다고 본다. EU AI Act 역시 고위험 AI 시스템에 인간 감독과 로그 해석 가능성을 요구한다. 다시 말해, 책임과 감독은 기술 낙후의 부산물이 아니라 제도적으로도 설계 요구사항이 되고 있다.

그래서 “맥락과 해석이 살아남는다”는 말을 더 정교하게 고치면 이렇게 된다.
살아남는 것은 책임이 없는 해석이 아니라, 비용과 리스크를 동반한 해석이다.

이 지점에서 영화적 비유를 하나 들면 이해가 쉬워진다. <2001: 스페이스 오디세이>의 HAL 9000은 계산과 제어 면에서 인간보다 압도적이지만, 그 영화의 공포는 기계가 똑똑해서가 아니라 판단의 통제권과 책임의 경계가 흐려졌기 때문에 생긴다. <아이언맨>의 JARVIS는 유능한 비서지만, 토니 스타크가 서사에서 주인공으로 남는 이유는 판단의 비용과 결과를 결국 자신이 감당하기 때문이다. 현실의 기업도 마찬가지다. 에이전트는 점점 JARVIS처럼 될 수 있지만, 계약서에 서명하고, 규제기관에 소명하고, 고객에게 사과하고, 브랜드 신뢰를 떠안는 것은 여전히 인간 조직이다.

그렇다면 플랫폼이 기능을 흡수할 때 실제로 가치가 쌓이는 곳은 어디인가. 첫째는 맥락을 보유한 데이터 레이어다. 여기서 데이터란 단순한 파일 더미가 아니다. 특정 산업의 업무 흐름, 내부 예외 처리, 역사적 의사결정의 흔적, 고객별로 다른 승인 절차, 규제 대응 방식이 함께 엮인 살아 있는 문맥이다. 최근 HBR도 “모든 회사가 같은 AI 모델을 쓸 수 있게 되면 경쟁우위는 맥락에서 나온다”고 지적했다. 같은 모델을 써도 더 나은 결과를 내는 회사가 있는 이유는 접근 권한이 아니라, 조직의 맥락을 얼마나 운영 가능한 형태로 붙여 넣었느냐에 있다.

둘째는 에이전트 인프라다. 상시 가동되는 에이전트가 늘수록 그 위에 붙는 감시, 인증, 감사 추적, 충돌 방지, 권한 관리, 비용 통제, 롤백, 승인 워크플로가 중요해진다. 최근 학계에서도 인간-AI 팀이 언제 보완 관계를 이루는지, 어떤 인터페이스와 예측 세트가 사람의 판단을 더 낫게 만드는지에 대한 연구가 늘고 있다. 이것은 “인간을 넣자”는 구호가 아니라, 어떤 설계가 실제로 더 나은 팀 성능과 더 나은 위험 통제를 만드는지에 대한 문제다. 쉽게 말해 AI 시대의 DevOps는 단순 배포 자동화가 아니라, 에이전트를 책임 가능한 노동력으로 길들이는 운영체계가 된다.

셋째는 로컬 규제와 산업 특화 실행이다. 글로벌 플랫폼 기업은 가능한 한 범용적이어야 한다. 그러나 실제 현장은 범용성과 반대로 움직인다. 한국 개인정보보호 규정, 일본 금융 규제, 유럽 AI 규제, 병원 전자의무기록 구조, 기업별 승인 체계는 모두 제각각이다. 플랫폼은 이 모든 로컬 디테일을 깊게 껴안기 어렵다. 그래서 규제가 높고 예외가 많을수록, 아이러니하게도 작은 팀이나 특화 플레이어의 방어력이 생긴다. Stanford HAI도 2026년을 “AI 전도(evangelism)에서 AI 평가(evaluation)로 넘어가는 해”로 전망했는데, 이 말은 결국 데모보다 운영, 과시보다 검수, 환상보다 적합성이 중요해진다는 뜻이다.

여기까지 오면 한 가지 오해를 피해야 한다.
“그럼 결국 인간은 기획만 하면 된다”는 식의 위로는 너무 느슨하다.

평균적인 기획, 평균적인 UX, 평균적인 해석은 빠르게 상품화될 가능성이 크다. 플랫폼이 도로와 엔진을 제공하는 세계에서는, “이 정도 화면 구성”이나 “이 정도 플로우”만으로는 돈을 받기 어려워진다. 살아남는 사람은 막연히 창의적인 사람이 아니라, 비표준 문제를 정의하고, 그 해결의 비용을 감당하고, 결과의 책임까지 설계하는 사람이다. UX도 더 이상 예쁜 화면이나 세련된 문구의 문제가 아니다. 버튼 하나가 어디 있느냐보다, 그 버튼이 눌렸을 때 무엇이 자동 실행되고, 누가 승인하며, 문제가 났을 때 어떤 로그가 남고, 어떤 사람이 개입할 수 있는지가 중요해진다. 다시 말해 앞으로의 UX는 감각만이 아니라 선택, 권한, 감사, 복구까지 포함한 경험 설계가 된다.

이런 관점에서 보면 Conway 유출을 둘러싼 소동은 단지 “Anthropic이 또 한 발 앞서갔다”는 뉴스가 아니다. 오히려 더 흥미로운 장면은, 이 유출이 Anthropic 같은 선도 기업조차 운영과 책임의 문제에서 자유롭지 않다는 사실을 드러냈다는 점이다. 최근 보도에 따르면 Claude Code 소스 유출은 해킹이 아니라 릴리스 패키징 과정의 인간적 실수에서 비롯됐고, 고객 데이터나 자격증명은 노출되지 않았다고 Anthropic은 설명했다. 그러나 바로 이런 사건이 역설적으로 말해준다. 에이전트 시대의 승부는 모델이 똑똑하냐만으로 끝나지 않는다. 내부 배포 절차, 보안 운영, 권한 통제, 감사 대응, 프로세스 자동화 수준이 곧 제품 신뢰 그 자체가 된다. 즉, 에이전트가 강해질수록 거버넌스와 운영의 품질이 경쟁력이 된다.

역사적으로 새로운 인프라가 등장할 때마다 같은 착시가 반복됐다. 철도가 깔리면 모든 역이 번영할 것처럼 보였고, 전기가 들어오면 모든 공장이 똑같이 강해질 것처럼 보였고, 인터넷이 열리면 모두가 미디어가 될 것처럼 보였다. 부분적으로는 맞았지만, 실제 승자는 늘 달랐다. 인프라는 모두에게 열렸지만, 그 위에서 무엇을 표준화하고 무엇을 차별화할지를 잘 고른 쪽이 이겼다. 그래서 지금 AI 시대의 질문도 비슷하다. “AI를 쓰느냐 마느냐”가 아니라, “무엇을 플랫폼에 맡기고, 무엇을 자기 손에 남길 것이냐”가 더 중요하다.

그 기준은 생각보다 단순하다.
반복적이고 범용적이며 설명 가능한 것은 플랫폼으로 간다.
예외가 많고 책임이 크며 맥락 의존적인 것은 사람과 조직 쪽에 남는다.

그러니 애매한 포지션은 구조적으로 퇴출 위험에 노출된다. “AI로 대신 해드립니다”라는 말만으로는 더 버티기 어렵다. 플랫폼이 “그건 내가 기본으로 한다”고 선언하는 순간 사라질 수 있기 때문이다. 반대로 살아남는 포지션은 점점 더 선명해진다. 데이터와 문맥을 구조화하는 사람, 에이전트의 행동을 통제하는 인프라를 만드는 사람, 결과에 대한 책임까지 포함해 경험을 설계하는 사람이다. 그들은 AI를 적으로 보지 않는다. 오히려 구현비용이 0에 가까워질수록 자신의 판단과 설계 역량이 더 또렷하게 가격표를 갖게 된다는 사실을 안다.

결국 Conway가 나오든, 다른 이름으로 나오든, 큰 흐름은 바뀌지 않는다. 도구가 환경이 되는 순간, 기능을 잘 다루는 법만 가르치던 시대는 빠르게 낡을 것이다. 그러나 그와 동시에 더 비싼 가치가 떠오른다.
어디로 갈지 정하는 일.
누가 책임질지 정하는 일.
그리고 그 모든 자동화가 사람에게 어떤 경험으로 남을지를 설계하는 일이다.

AI 시대의 경쟁은 “누가 더 잘 만들었는가”의 싸움이 아니다.
점점 더 누가 더 큰 책임을 감당하며, 더 좋은 맥락을 붙여 넣을 수 있는가의 싸움으로 바뀌고 있다.

Anthropic’s Future, Accidentally Revealed — A Tech Tsunami We Must Prepare For

The news that the name “Conway” was mentioned in leaked internal Anthropic code is intriguing. However, it is important to draw a clear line first. Conway is not yet an officially released product. What recent reports and leak analyses show is that Anthropic was experimenting—during the large-scale source code leak of Claude Code—with directions such as always-on background agents, browser integration, and sidebar-style interfaces. There is no guarantee that something called Conway will be released in that exact form. Nevertheless, the significance of this leak lies not in the name, but in the direction. Anthropic has already officially introduced Claude Cowork as a knowledge-work agent that “takes a goal and operates across computers, local files, and apps to deliver results,” while OpenAI has presented Operator and ChatGPT agents, and Google DeepMind has demonstrated browser-operating agents through Project Mariner. In other words, whether Conway appears under that name or not, the broader trend has already begun.

This trend can be summarized in one sentence.
AI is moving from a tool to an environment.

Until now, AI has been closer to an assistant that we call when needed. We ask questions and receive answers; we give commands and get execution. But once always-on agents become common—agents that observe browsers, manipulate files, receive external events via webhooks, and continue tasks even when the user is away—the nature of AI changes. At that point, AI is no longer something we “use,” but becomes the ground we stand on and the air we breathe while we work. Just as electricity was once a fascinating invention but later disappeared into the walls as infrastructure, AI is becoming similarly ambient.

At this point, the fear many startups feel is understandable. This is because the absorption of functionality by platforms has always been ruthless throughout the history of technology. When Microsoft bundled Internet Explorer into Windows, it was not merely adding a feature—it redefined the entire distribution channel. The U.S. Department of Justice at the time determined that Microsoft had constrained competition by tying the browser to the operating system. Later, in the smartphone era, this pattern became even more commonplace. Today, an iPhone can scan QR codes and turn on a flashlight using only its default camera and control center. Functions that once formed entire standalone app markets have disappeared into the operating system. Saying that flashlight apps and QR scanner apps have completely “disappeared” may be an exaggeration, but at the very least, the strategic importance they once held was significantly diminished the moment those functions were absorbed.

So the core of the Conway discussion is not that “Anthropic is building something new.” The more fundamental question is this:
How far will platforms declare their territory?

In the age of agents, platforms do not merely provide models. They attempt to provide everything as a single bundle: models, execution engines, browser control, file system access, notifications, memory, plugin architectures, and even security and billing. What platform strategy research refers to as “platform envelopment” describes exactly this phenomenon—where adjacent markets are absorbed by combining them into the platform’s own capabilities. The key point is that this is not simply about technological superiority, but about control over distribution, touchpoints, and standards. When such control emerges in the AI agent market, generalized wrapper products—those described as “browser automation,” “always-on AI assistants,” “AI orchestration layers,” or “AI employees for non-developers”—become highly vulnerable. Products that justify their existence through combinations of functions lose their footing once those same functions are provided as defaults by the platform.

But at this point, many people oversimplify once more:
“If platforms take everything, then small teams are finished.”

This statement is half true, and half false.

When AWS first appeared, similar fears emerged. The skills required to purchase, install, and operate servers seemed destined to lose their rarity. Indeed, parts of infrastructure became commoditized. Yet the result was not the “end of developers,” but an explosion of SaaS. As the friction of acquiring and operating servers decreased, more services were created, not fewer. Research by economists such as Erik Brynjolfsson also shows that generative AI increases productivity in real-world settings, but not evenly across all individuals. In customer support environments, AI improved average productivity, but the gains were especially large for less experienced workers, while the most skilled workers saw limited gains or even slight declines in quality. This implies that as execution costs decrease, top-tier capabilities do not disappear—instead, what truly constitutes top-tier capability becomes clearer.

This is where the claim arises that “the value of context and interpretation increases.” But taken as-is, this statement is abstract. A skeptical reader will immediately ask:
“Won’t context and interpretation also eventually be learned?”

Partially, yes.
Average-level interpretation will increasingly be handled well by AI.

Reasonable copywriting, average UI recommendations, standard A/B test suggestions, and layouts based on industry conventions are already significantly automatable. Therefore, saying “interpretation belongs to humans” in a romantic sense is weak. A more precise statement is this:

AI can imitate interpretation, but it cannot take responsibility for the outcomes of interpretation.

This difference is larger than it appears. AI estimates what choices are most plausible based on past patterns. But in real business situations, what matters is not estimation, but responsibility. If a pricing change causes revenue to drop, who is responsible? If a medical classification system makes an error and harms a patient, who bears the consequence? If a game balance update triggers community backlash, who absorbs the criticism? If automation that ignores internal organizational dynamics destabilizes a department, who fixes the situation? The key point here is not that “AI cannot find the right answer.” Rather, in situations where there is no clear answer—or where responsibility matters more than correctness—humans must ultimately bear the final decision. The NIST AI Risk Management Framework emphasizes contextual understanding and organizational accountability, and its generative AI profile highlights the need for human review, traceability, documentation, and oversight. The EU AI Act similarly requires human supervision and interpretable logs for high-risk AI systems. In other words, responsibility and oversight are not remnants of technological limitations—they are institutional design requirements.

Thus, the statement “context and interpretation survive” can be refined as follows:
What survives is not interpretation without responsibility, but interpretation that carries cost and risk.

At this point, a film analogy helps clarify the idea. In 2001: A Space Odyssey, HAL 9000 surpasses humans in calculation and control, yet the horror of the film does not come from intelligence itself, but from the blurred boundary between control and responsibility. In Iron Man, JARVIS is a highly capable assistant, but Tony Stark remains the protagonist because he ultimately bears the cost and consequences of decisions. The same applies in real organizations. Agents may become more like JARVIS, but signing contracts, answering to regulators, apologizing to customers, and carrying brand trust remain the responsibility of human institutions.

So where does value accumulate when platforms absorb functions?

First, in the data layer that holds context. Here, data is not just a collection of files. It is a living structure composed of industry workflows, exception handling, historical decision patterns, customer-specific approval processes, and regulatory responses. Recent discussions in HBR also point out that when every company has access to the same AI models, competitive advantage comes from context. The difference lies not in access, but in how deeply organizational context is embedded in operational systems.

Second, in agent infrastructure. As always-on agents proliferate, layers such as monitoring, authentication, audit trails, conflict resolution, permission management, cost control, rollback, and approval workflows become critical. Academic research is also increasingly focused on when human-AI teams become complementary, and how interfaces and prediction sets can improve human decision-making. This is not about simply “adding humans,” but about designing systems that produce better team performance and risk control. In simple terms, DevOps in the AI era is no longer about deployment automation, but about building systems that make agents accountable labor.

Third, in local regulation and industry-specific execution. Global platform companies must remain as general as possible. But real-world environments move in the opposite direction. Korean data protection laws, Japanese financial regulations, European AI regulations, hospital EMR structures, and company-specific approval systems all differ significantly. Platforms cannot deeply accommodate all these local details. As a result, the more regulated and exception-heavy a domain is, the more defensible it becomes for smaller, specialized players. Stanford HAI has even described 2026 as the year of transition from AI evangelism to AI evaluation—meaning that operation, validation, and suitability matter more than demos, hype, or spectacle.

At this point, one misunderstanding must be avoided:
The idea that “humans only need to do planning” is too loose.

Average planning, average UX, and average interpretation are all likely to be commoditized quickly. In a world where platforms provide the roads and engines, it becomes difficult to charge for “this level of layout” or “this level of flow.” The ones who survive are not vaguely creative individuals, but those who define non-standard problems, bear the cost of solving them, and design responsibility into the outcomes. UX is no longer about aesthetic screens or polished wording. What matters is not where a button is placed, but what is triggered when it is pressed, who approves it, what logs are recorded, and who can intervene when something goes wrong. In other words, future UX is not just about perception, but about designing experiences that include choice, permission, auditability, and recovery.

From this perspective, the Conway leak is not merely a story about Anthropic moving ahead. The more interesting point is that even a leading company like Anthropic is not free from issues of operation and responsibility. Reports indicate that the Claude Code leak was not a hack, but the result of human error during the release packaging process, and that no customer data or credentials were exposed. Yet this incident highlights something important: in the age of agents, competition is not determined solely by model intelligence. Internal deployment processes, security operations, access control, audit response, and automation of workflows directly define product trust. In other words, as agents become more powerful, governance and operational quality become competitive advantages.

Historically, every new infrastructure has created the same illusion. Railroads made it seem like all locations would prosper equally. Electricity made it seem like all factories would become equally powerful. The internet made it seem like everyone could become a publisher. These were partially true—but in reality, the winners were always those who knew what to standardize and what to differentiate.

The same question now applies to AI:
Not “whether to use AI,” but
what to delegate to the platform, and what to retain in your own control.

The guideline is simpler than it appears:

• repetitive, general, explainable tasks go to the platform

• exception-heavy, high-responsibility, context-dependent tasks remain with people and organizations

Ambiguous positions are therefore extremely dangerous. “We will do it for you with AI” is no longer enough to survive. The moment a platform declares, “We do that by default,” such services can disappear. In contrast, the positions that remain become clearer: those who structure data and context, those who build infrastructure to control agent behavior, and those who design experiences that include responsibility. They do not see AI as an enemy. Rather, as implementation costs approach zero, they understand that their judgment and design capabilities become more clearly priced.

Ultimately, whether Conway appears or not, the broader direction does not change. As tools become environments, the era of teaching how to use functions will quickly become outdated. At the same time, more expensive forms of value will emerge:

Deciding where to go.
Deciding who takes responsibility.
And designing what kind of experience all this automation leaves behind for people.

The competition in the AI era is no longer about who builds better things.
It is increasingly about who can bear greater responsibility and embed better context.

FROM BUNTGAMES.COM