In an Age When Everyone Has a Magic Lamp, Business Has Become an Open-Book Exam

https://youtube.com/shorts/hse5zl2-bvg

For a long time, one of the strongest weapons sustaining corporate competition was secrecy. Family secrets, craftsmen’s techniques, restaurant recipes, factory manufacturing methods, corporate blueprints, and source code all gained value from one simple fact: others did not know them. But viewed across the long arc of history, humanity has continuously reduced the cost of copying, interpreting, and absorbing such secrets. Manuscripts carried knowledge from one person to another, printing turned replication into mass production, and industrialization spread products across the world. Digital technology drove the cost of copying close to zero, while the internet connected knowledge on a global scale. Search engines reduced the cost of finding what mattered within that enormous mass of information. Now AI is rapidly lowering one of the last costs that remained stubbornly high: the cost of reading vast amounts of material, comparing it, extracting what matters, and turning it into new capability.

There is a word we can use for this final cost: distillation. In AI research, knowledge distillation originally refers to transferring capabilities from a large teacher model into a smaller student model. Here, however, I want to use the term more broadly. Rather than copying the original in its entirety, distillation means observing and analyzing something, then extracting and reproducing the core principles, capabilities, and accumulated results of trial and error contained within it. Seen this way, humanity’s competition over knowledge and technology has long been a tug-of-war between those trying to lower the cost of distillation and those trying to keep it high. How much time, labor, and money does it take to extract the essence of someone else’s achievement? That single question connects ancient secret techniques to today’s AI competition.

In the past, that cost was enormous. Tasting a famous dish once did not mean you could reproduce it. You did not know the exact ingredients, their proportions, the temperature, the cooking time, or the aging process. Even if you obtained an excellent sword made by a master blacksmith, it was difficult to infer the choice of ore, heat treatment, quenching method, and order of processing. That is why technology was often stored in people rather than in documents. In European apprenticeship systems, much of technical skill consisted of tacit knowledge that could not be learned from books and had to be acquired through direct observation and repeated practice. Economic historians also describe premodern skilled work as a combination of explicit knowledge and this kind of tacit knowledge. The reason family secrets and guild techniques could sustain several generations was not simply that people were good at keeping secrets. The cost of copying was high, and the cost of extracting the underlying principles from what had been copied was even higher.

Printing profoundly disrupted that order. In the manuscript era, producing another book required another round of human labor, but movable-type printing made it possible to reproduce knowledge at scale once it had been created. Economic history research has even suggested that European cities that gained early access to printing technology after Gutenberg often grew faster afterward, showing that the replication and spread of information could reshape economic structures themselves. But lower replication costs did not automatically mean lower distillation costs. The amount of knowledge available in books exploded, yet the touch of a master craftsman, the subtleties of factory process control, and the composition of materials still could not be easily extracted from text alone. That is why even after the Industrial Revolution, one of the fastest ways to acquire technology was still to obtain a machine, take it apart, recruit technicians, and send people into factories to learn.

The same pattern repeated in competition between nations. Latecomers narrowed technological gaps not by inventing everything from scratch, but by importing machines and products from advanced countries, analyzing them, dismantling them, and rebuilding them. Newly industrializing economies such as South Korea and Taiwan strengthened their technical understanding and capabilities through reverse engineering imported capital goods, while Japan is also frequently cited as a representative case of catching up through the adoption, reverse engineering, and improvement of Western technology. Finished hardware was not merely a product. Compressed inside it were decades of failed experiments and countless design decisions made by someone else. In some cases, buying a single machine was almost like buying a textbook. You were purchasing not only the product, but also the condensed outcome of someone else’s trial and error.

This is why leading countries eventually began to treat certain technologies not merely as commercial goods, but as strategic assets. Selling them generates revenue, but selling technologies that are too important can also lower a rival’s distillation costs on their behalf. The fact that advanced semiconductors, manufacturing equipment, and AI accelerators are increasingly subject to export controls and economic security policies is closely connected to this structure. Yet an old paradox remains. Sell the technology and the other side can learn from it. Refuse to sell it and you may give the other side a reason to concentrate national resources on developing an independent alternative. Blocking distillation does not stop the competition over distillation itself. In some cases, restrictions may even provide the justification for independent development and eventually help create an alternative technological ecosystem.

Twentieth-century nations also pursued the opposite strategy: instead of reducing distillation costs, they concentrated the best minds and enormous amounts of material resources in one place. At its peak, the Apollo program involved roughly 400,000 people and received support from more than 20,000 companies and universities. After World War II, Operation Paperclip brought German rocket scientists and engineers to the United States, including an initial group of roughly 125 specialists such as Wernher von Braun. It was an era when securing more of the world’s best minds was almost equivalent to securing national computing power.

The film Apollo 13 contains a scene that captures the logic of that era remarkably well. Engineers on the ground gather the limited parts actually available inside the spacecraft and are told to find a way to save the astronauts using only those materials. It is a moment of concentrated collective intelligence under extreme constraints. If that scene represents the power of concentrated human problem-solving in a crisis, the Apollo program as a whole represents what becomes possible when a nation concentrates talent, capital, and industrial capacity on a single objective.

Computers and the internet disrupted this structure again. Digital information can be copied without destroying the original. The cost of duplicating a song, a program, or a photograph a million times became incomparably smaller than producing a million physical goods. The internet made it possible to transmit those copies almost instantly anywhere in the world. But up to that point, this was primarily a revolution in replication, not a revolution in distillation. Downloading millions of papers, patents, and source-code repositories did not mean understanding them. Even if you possessed a million documents, you still needed large numbers of experts and enormous amounts of time to identify what mattered, connect the pieces, and extract the principles and patterns needed to turn them into new technology. Replication costs collapsed, but distillation costs held out for a long time.

This is where AI changes the game. The tool itself has begun, to some extent, to think. AI does not merely store or retrieve information. It reads, compares, summarizes, identifies patterns, writes code, and proposes hypotheses. Model extraction, where capabilities are inferred by observing only a model’s outputs, has become an important security research topic alongside legitimate knowledge distillation. But this is not something happening only between AI models. AI is becoming a tool for distilling the countless traces of knowledge humanity has left behind.

That is why the phrase “make me something just like this” is no longer merely a joke. In the past, even if you showed developers, designers, and engineers a competitor’s website, game, or product and told them to make the same thing, they might need months or years. Today, you can show AI an interface and ask it to create a similar structure, or ask it to analyze hundreds of competing products and user reviews and identify common features. Perfect 100 percent replication is not even necessary. Simply reducing the cost of reaching a competitive 70 or 90 percent can shake the structure of an entire industry.

What exactly does that 70 or 90 percent capture? Originally, reaching that level required someone to go through countless rounds of trial and error. They had to experience firsthand what failed, where things broke, and where customers lost interest. Distillation does not merely copy the visible form of the result. It allows someone to bypass much of the time that another person or company spent learning through failure. If one company spent ten years discovering what works and another can extract the essential patterns from those ten years in a few months, the latecomer no longer needs to live through the same ten years.

The fact that anything observable can become a target for distillation becomes even more disturbing when we remember that this does not apply only to public information. Modern corporations are connected through enormous digital supply chains, and a single cyberattack can expose internal documents and design data at scale. Leaks existed in the past as well. The difference is that even if someone acquired hundreds of gigabytes or millions of internal files, identifying the truly valuable 0.01 percent still required massive amounts of labor and time.

What has changed is not the existence of leaks themselves. What has changed is that the cost of classifying, connecting, comparing, and extracting the most valuable information from leaked data is beginning to fall dramatically.

At this point, the starting assumptions of business must change. This does not mean giving up on security. Patents, copyrights, trade secrets, access control, and cybersecurity remain essential. But building an entire business around the assumption that “no one will ever discover our secret” is becoming increasingly dangerous. It may be more realistic to assume that anything replicable will eventually be replicated, anything public will be analyzed, anything observable will be distilled, and anything successful will be imitated. Even the possibility of core information leaking must be considered.

That changes the question companies need to ask. Instead of asking, “How do we make sure no one can copy us?” a more important question may be: “If our competitors knew tomorrow what we know today, could we still remain ahead?”

In exam terms, this resembles open-book competition. In the past, the person who had memorized the answer had an advantage. In the internet era, an enormous library entered the examination room, but there were too many books, so finding the right answer still took time. Search engines created an index for that library. AI goes further. It does not merely find the books. It reads them, compares them, and helps construct the answer.

It is now as though every test-taker walks into the room carrying Aladdin’s magic lamp. Say, “Build this for me,” and the genie can create a large part of it. More surprisingly, even if you say, “I don’t know what I should build,” the genie can suggest possibilities. Traditional tools executed what humans had already decided to do. Today’s tools are beginning to participate in the process of deciding what might be worth doing in the first place.

That is why imagination may become even more important. If everyone has a magic lamp, simply owning the lamp is no longer a competitive advantage. The advantage lies in deciding what wish to make. One person using the same AI says, “Build me an online store.” Another asks, “Why should humans search for products at all? Could AI systems compete to fulfill each customer’s request instead?” The tool may be identical, but the starting point of the question is different.

In the past, people could say they could not build something because they lacked money, developers, or technology. As those barriers fall, a more uncomfortable question remains: So what are you going to build?

But imagination does not replace scale. The two need each other. No matter how good the idea, imagination remains imagination unless there is enough execution speed, production capacity, and market feedback to push it into a real product and a real market. And ironically, the battle over scale is now unfolding at one of the largest levels in human history. The Cold War battles over rockets, factories, and scientists have shifted toward GPUs, data centers, electricity, cooling systems, and semiconductor supply chains. On the surface, this looks like a software revolution, but underneath it are power plants, transmission lines, transformers, and chip fabs.

Everyone may be carrying a magic lamp, but the palace where the genie lives is a gigantic data center.

This creates a strange polarization. At one extreme, enormous amounts of capital are being invested in creating capabilities that have never existed before. Only states and a handful of giant corporations can realistically compete at that level. At the other extreme, smaller and more agile organizations compete to reproduce, adapt, and recombine those capabilities far more cheaply through AI, open source, and distillation. They may not create the original breakthrough, but the moment it appears, they can absorb it, transform it, and build on top of it.

The real danger may lie in the middle.

These are organizations that lack the capital and scale to create the frontier, yet are also too slow and inflexible to rapidly absorb and transform what others have built. The leader spends enormous resources creating the road for the first time. The hyper-agile follower sees that road and races down it at a fraction of the cost. The middle-sized organization, meanwhile, has neither the leader’s capital nor the follower’s lightness, while still carrying the overhead and cost structure of an established organization.

In the past, such companies could still buy time because technological gaps themselves often represented several years of protection. But as distillation costs collapse, that cushion may disappear first for the middle. The most dangerous position may be neither first nor fastest, but somewhere awkwardly in between.

This is why speed and market share may become even more important in business. In an era when it took competitors five years to understand your technology, the technology itself gave you five years of protection. If AI-assisted analysis and digital distillation reduce that period to a few months, then what matters is what you accomplish during those months. How many customers did you acquire? How many products did you produce? How wide a distribution network and ecosystem did you build?

Scale is not simply about making more. A company that has produced 100 units and a company that has produced 100 million units are not the same company even if they started from the same blueprint. Through 100 million production cycles, new knowledge accumulates about defects, suppliers, cost reduction, and customer response. Scale itself becomes a learning system.

Market share works the same way. Catching up technologically does not mean catching up with the market. If a competitor has already connected users, developers, suppliers, and distribution into an ecosystem, it may be difficult to overturn that position with one better product. So the key question for a latecomer is no longer simply, “Can we catch up?” It becomes, “How quickly can we catch up, and will there still be a market left when we do?” You may catch up technologically only to discover that the competitor already controls the standard. You may build production capacity only to find that the other side has cut prices in half through economies of scale.

Because of this, business structures themselves may shift from being centered on finished products toward being centered on systems of continuous production and experimentation. An organization capable of continuously testing new applications may be stronger than one that creates a single good app and protects it for years. A brand capable of constantly creating new menus and experiences may be stronger than a restaurant built around one secret recipe. A company capable of rapidly absorbing and recombining technologies in response to market changes may be stronger than one that depends on a single proprietary technology.

The strategy shifts from building something that cannot be taken to building a structure that remains ahead even after something is taken.

Think of Tony Stark in Iron Man. The moment when he creates his first suit in a cave with limited materials resembles the scene in Apollo 13 where engineers must find an answer using only the parts available to them. Both are moments in which intelligence is forced to produce a working solution under extreme constraints. But Stark’s real advantage does not lie in that single finished product. While competitors analyze his technology and build similar suits, he is already creating Mark II, Mark III, and whatever comes next. His true asset is not Mark I itself, but the system and speed that allow him to use Mark I as a stepping stone toward the next version.

Real-world business competition may increasingly resemble this. Today’s product will eventually be taken apart, analyzed, and replicated. If so, the real asset lies not in the product itself, but in the ability to create what comes next.

If we look at the history of human competition over knowledge across a very long timeline, a clear pattern emerges. In ancient times, recording knowledge was power. In the manuscript era, the ability to copy knowledge was power. Printing industrialized replication, while the Industrial Revolution industrialized production. Digital technology nearly eliminated the cost of copying, and the internet connected the world’s knowledge. Search engines reduced the cost of finding information. AI has now begun reducing the cost of distillation.

And if AI agents continue to advance, the next stage may be to reduce the cost of trial and error itself: thinking, testing, evaluating, and revising.

The Industrial Revolution mechanized human power. Computers mechanized calculation. AI has begun, for the first time, to mechanize parts of thought itself. That is why this transformation may not end as simply the arrival of a better tool. Traditional tools executed what humans had already thought. Now tools are beginning to think with humans about what should be done. Data centers are becoming not merely warehouses full of servers, but a new kind of factory for mass-producing intellectual work.

Ultimately, future competition may come to resemble a strange kind of open-book exam. The questions are visible, the books can be consulted freely, and beside each person sits an AI capable of reading millions of them. A competitor’s answer can soon be analyzed, and if I succeed, someone will immediately show what I built to an AI and say, “Make me something just like this.” Even the answers locked inside a vault cannot be assumed to remain safe forever from hacking and insider leaks.

So the winning strategy cannot depend solely on hiding the answer indefinitely. Build on the assumption that it will be copied, innovate on the assumption that it will be distilled, and secure speed, scale, and market share before others catch up. Work on the next problem under the assumption that today’s correct answer will become tomorrow’s textbook for everyone.

We are moving from an era of hiding the correct answer to an era of winning even after the correct answer becomes public. The examination room is now open-book, and everyone is walking in with a magic lamp as well. Simply owning the books is not enough. Simply having AI is not enough. The real competition lies in what questions you ask, what you choose to build, and how quickly you turn an answer into reality.

In an age when everyone has Aladdin’s magic lamp, the strongest competitor is not simply the one who owns the lamp. Nor is it necessarily the one with the largest data center or the one who has memorized the most correct answers. The strongest will be the one who imagines questions others have not yet asked, asks better questions of the genie called AI, experiments and fails repeatedly, and turns those ideas into real products and markets faster than anyone else.

AI is not merely changing the cost of making things.

It is changing the very assumptions about what counts as a competitive advantage.

patreon.com

모두가 요술램프를 가진 시대, 이제 사업은 오픈북 시험이 되었다

https://youtube.com/shorts/l8u58WgssUE

기업의 경쟁을 오랫동안 지탱해 온 가장 강력한 무기 중 하나는 비밀이었다. 가문의 비기, 장인의 손기술, 식당의 레시피, 공장의 제조법, 기업의 설계도와 소스코드까지 남들이 모르는 것을 알고 있다는 사실 자체가 경쟁력이었다. 하지만 역사를 길게 놓고 보면 인간은 끊임없이 그 비밀을 복제하고, 해석하고, 자기 것으로 만드는 비용을 낮춰왔다. 필사는 지식을 옮겼고, 인쇄술은 복제를 대량화했으며, 산업화는 제품을 세계 곳곳으로 퍼뜨렸다. 디지털은 복제 비용을 거의 0에 가깝게 만들었고 인터넷은 전 세계의 지식을 연결했다. 검색엔진은 그 거대한 정보 더미에서 필요한 것을 찾는 비용을 낮췄다. 그리고 이제 AI는 마지막까지 비쌌던 비용, 즉 수많은 자료를 읽고 비교하고 핵심을 추출해 새로운 능력으로 바꾸는 비용을 급격히 낮추고 있다.

이 마지막 비용에는 이름을 붙일 수 있다. 증류다. 원래 AI 연구에서 지식 증류는 큰 교사 모델의 능력을 더 작은 학생 모델로 이전하는 기술적 절차를 가리키지만, 여기서는 조금 더 넓은 의미로 쓰려 한다. 원본 전체를 그대로 복제하는 것이 아니라 어떤 대상을 관찰하고 분석해 그 안에 축적된 핵심 원리와 능력, 시행착오의 결과를 추출하고 재현하는 과정까지 증류라고 부를 수 있다. 이렇게 보면 인류가 지식과 기술을 두고 벌여온 경쟁은 사실 증류 비용을 낮추려는 쪽과 그것을 높게 유지하려는 쪽 사이의 오래된 줄다리기였다. 누군가의 성취에서 핵심을 뽑아내는 데 얼마나 많은 시간과 사람과 돈이 필요한가. 이 질문 하나로 고대의 비법부터 오늘날 AI 경쟁까지 꽤 많은 역사가 연결된다.

과거에는 그 비용이 막대했다. 유명한 요리를 한 번 먹었다고 해서 똑같이 만들 수 있는 것은 아니었다. 재료가 무엇인지, 비율이 얼마인지, 어느 온도에서 얼마나 익혔는지, 숙성은 어떻게 했는지 알 수 없었다. 대장장이가 만든 훌륭한 칼을 손에 넣어도 광석의 선택과 열처리, 담금질과 가공 순서까지 알아내기는 어려웠다. 그래서 기술은 종종 문서보다 사람에게 저장됐다. 유럽의 도제제도에서도 기술의 상당 부분은 책으로 배울 수 없는 암묵지였고, 직접 보고 반복해서 작업하면서 습득해야 했다. 경제사 연구에서도 근대 이전의 숙련은 명시적인 지식과 이런 암묵지가 결합된 형태였다고 설명한다. 가문의 비기나 길드의 비밀이 몇 세대를 먹여 살릴 수 있었던 것은 단지 사람들이 비밀을 잘 지켰기 때문만이 아니다. 복제하는 비용도 비쌌고, 복제된 것에서 원리를 뽑아내는 증류 비용은 그보다 더 비쌌기 때문이다.

인쇄술은 이 질서를 크게 흔들었다. 필사본 시대에는 책 한 권을 더 만들려면 다시 사람의 노동이 필요했지만 활판인쇄는 한 번 만들어진 지식을 대량으로 복제할 수 있게 했다. 구텐베르크 이후 인쇄 기술에 일찍 접근한 유럽 도시들이 이후 더 빠르게 성장했다는 경제사 연구가 있을 만큼, 정보의 복제와 확산은 경제구조 자체를 바꾸는 힘이 됐다. 하지만 복제 비용이 떨어졌다고 증류 비용까지 함께 무너진 것은 아니었다. 책으로 배울 수 있는 지식이 폭발적으로 늘어났지만 장인의 손끝, 공장의 공정관리, 재료 배합처럼 직접 경험해야 하는 지식은 여전히 쉽게 뽑아낼 수 없었다. 그래서 산업혁명 이후에도 기술을 얻는 가장 빠른 방법 가운데 하나는 기계를 직접 구해 뜯어보고, 기술자를 데려오고, 공장에 사람을 보내 배우는 것이었다.

이것은 국가 간 경쟁에서도 반복됐다. 후발국은 모든 기술을 처음부터 발명하기보다 선진국의 기계와 제품을 수입해 분석하고, 분해하고, 다시 만들면서 격차를 줄였다. 한국과 대만 같은 신흥공업국이 수입 자본재의 리버스 엔지니어링을 통해 기술 이해와 역량을 높였고, 일본 역시 서구 기술을 도입한 뒤 역설계와 개량을 통해 빠르게 추격한 대표적 사례로 자주 언급된다. 완성된 하드웨어는 단순한 상품이 아니었다. 그 안에는 누군가가 수십 년 동안 지불한 실패의 비용과 설계 판단이 압축돼 있었다. 기계 한 대를 산다는 것은 경우에 따라 하나의 교과서를 사는 것과 비슷했다. 제품을 사는 동시에 누군가의 시행착오가 응축된 결과를 손에 넣는 셈이었다.

그래서 선도국은 어느 순간 기술을 단순한 상품이 아니라 전략자산으로 보기 시작했다. 팔면 돈을 벌지만, 너무 중요한 기술을 팔면 상대의 증류 비용을 대신 낮춰주는 셈이 된다. 오늘날 첨단 반도체와 제조장비, AI 가속기가 수출통제와 경제안보의 대상이 되는 것도 이런 구조와 무관하지 않다. 그러나 여기에는 오래된 역설이 있다. 기술을 팔면 상대가 배울 수 있고, 팔지 않으면 상대가 독자개발에 국가적 자원을 집중할 이유를 만들어줄 수 있다. 증류를 막는다고 증류 경쟁 자체가 멈추는 것은 아니다. 오히려 봉쇄가 독립개발의 명분이 되고 장기적으로는 또 다른 기술 생태계를 만들어낼 수도 있다.

20세기의 국가들은 이 경쟁을 증류와는 반대 방향에서도 풀었다. 최고의 두뇌와 막대한 물량을 한곳에 집중하는 방식이다. 실제 아폴로 계획은 절정기에 약 40만 명이 참여했고 2만 곳이 넘는 기업과 대학의 지원을 받았다. 제2차 세계대전 이후 미국이 독일의 로켓 과학자와 기술자를 확보한 프로젝트 페이퍼클립에서는 베르너 폰 브라운을 포함한 초기 약 125명의 그룹이 미국으로 옮겨져 로켓 개발에 참여했다. 최고의 두뇌를 많이 확보하는 것이 곧 국가의 연산능력을 확보하는 것과 비슷했던 시대였다. 영화 아폴로 13에는 이 시대의 사고방식을 압축해 보여주는 장면이 있다. 지상의 엔지니어들이 우주선 안에 실제로 존재하는 제한된 부품만을 탁자 위에 늘어놓고, 그 안에서 우주비행사를 살릴 방법을 찾아야 하는 장면이다. 영화 속 그 장면이 위기 속에서 발휘되는 집단적 사고의 힘을 보여준다면, 실제 아폴로 계획 전체는 국가가 인재와 자본과 산업 물량을 하나의 목표에 집중했을 때 무엇이 가능한지를 보여준 사례였다.

컴퓨터와 인터넷은 이 구조를 다시 흔들었다. 디지털 정보는 복제해도 원본이 사라지지 않는다. 음악 한 곡, 프로그램 하나, 사진 한 장을 백만 번 복제하는 비용은 물리적 상품 백만 개를 만드는 비용과 비교할 수 없을 만큼 작아졌다. 인터넷은 그 복제물을 세계 어디든 거의 즉시 전달할 수 있게 했다. 하지만 여기까지는 주로 복제의 혁명이었지 증류의 혁명은 아니었다. 수백만 개의 논문과 특허와 소스코드를 다운로드할 수 있다고 해서 그것을 이해한 것은 아니었다. 자료 100만 건을 손에 넣더라도 무엇이 중요한지 찾아내고, 서로 연결하고, 그 안에서 원리와 패턴을 뽑아내 새로운 기술로 만드는 데는 여전히 수많은 전문가와 시간이 필요했다. 복제 비용은 무너졌지만 증류 비용은 오랫동안 버텼다.

AI가 판도를 바꾸는 지점이 바로 여기다. 이제 도구 자체가 일정 부분 생각하기 시작했다. AI는 자료를 단순히 저장하거나 검색하는 데 그치지 않고 읽고, 비교하고, 요약하고, 패턴을 찾고, 코드를 작성하고, 가설을 제안한다. 최근에는 모델의 출력만 관찰해 능력을 추출하려는 모델 익스트랙션과 정당한 지식 증류의 경계까지 중요한 보안 연구 대상이 되고 있을 정도다. 그런데 이것은 AI 모델들 사이에서만 벌어지는 일이 아니다. AI는 인간이 세상에 남긴 수많은 지식의 흔적 전체를 증류하는 도구가 되고 있다.

그래서 이제는 “이거랑 똑같이 만들어줘”라는 말이 농담으로 끝나지 않는다. 과거에는 경쟁사의 웹사이트나 게임, 제품을 보고 똑같이 만들어달라고 해도 개발자와 디자이너, 엔지니어가 몇 달 혹은 몇 년을 투입해야 했다. 이제 AI에게 화면을 보여주고 비슷한 구조를 만들어달라고 하거나, 수백 개의 경쟁 제품과 사용자 리뷰를 분석해 공통 기능을 찾아달라고 할 수 있다. 완벽한 100퍼센트 복제가 아니어도 상관없다. 경쟁 가능한 70퍼센트나 90퍼센트 수준까지 도달하는 비용이 극단적으로 낮아지는 것만으로도 산업구조는 흔들린다. 그 70퍼센트와 90퍼센트가 정확히 무엇을 가져가는지를 생각해보면 더 선명해진다. 원래 그 수준에 도달하려면 누군가 수많은 시행착오를 거쳐야 했다. 무엇이 실패하는지, 어디서 막히는지, 고객이 어디서 이탈하는지 몸으로 겪어야만 알 수 있었던 것들이다. 증류는 결과물의 형태만 가져가는 것이 아니다. 그 결과에 도달하기 위해 누군가가 지불한 시행착오의 시간을 통째로 건너뛰게 해준다. 누군가 10년 동안 실패하면서 알아낸 것에서 핵심 패턴을 몇 달 만에 추출할 수 있다면 후발주자는 같은 10년을 다시 살아갈 필요가 없다.

관찰 가능한 것이 증류의 대상이 된다는 사실은 공개된 정보에만 해당하지 않는다는 점에서 한 번 더 무서워진다. 기업들은 거대한 디지털 공급망으로 연결돼 있고 해킹 한 번으로 내부 문서와 설계자료가 대량으로 유출될 수 있다. 과거에도 유출은 있었다. 그러나 과거에는 수백 기가바이트, 수백만 건의 내부자료를 손에 넣더라도 그 안에서 진짜 가치 있는 0.01퍼센트를 찾아내려면 막대한 인력과 시간이 필요했다. 이제 달라진 것은 유출 그 자체가 아니다. 유출된 것을 분류하고 연결하고 비교하고 핵심만 뽑아내는 증류 비용이 이전과 비교할 수 없을 정도로 낮아지기 시작했다는 점이다.

이쯤 되면 사업의 출발점을 바꿔야 한다. 보안을 포기하자는 이야기가 아니다. 특허와 저작권, 영업비밀, 접근통제와 사이버보안은 여전히 필요하다. 그러나 “우리 비법은 아무도 모를 것이다”를 사업의 핵심 전제로 삼는 것은 점점 위험해진다. 복제 가능한 것은 언젠가 복제되고, 공개된 것은 분석되며, 관찰 가능한 것은 증류되고, 성공한 것은 반드시 모방된다고 가정하는 편이 현실적이다. 심지어 핵심 자료가 유출될 가능성까지 생각해야 한다. 그렇다면 기업이 던져야 할 질문도 달라진다. “어떻게 하면 아무도 우리를 따라 하지 못하게 할까?”보다 더 중요한 질문은 “우리의 현재 답을 경쟁자가 내일 알게 되어도 우리는 계속 앞서갈 수 있는가?”가 된다.

이것은 시험으로 치면 오픈북 경쟁과 비슷하다. 과거에는 답을 외운 사람이 유리했다. 인터넷 시대에는 시험장에 거대한 도서관이 들어왔지만 책이 너무 많아 필요한 답을 찾는 데 시간이 걸렸다. 검색엔진은 그 도서관에 색인을 만들어줬다. 그런데 AI는 책을 찾아주는 것을 넘어 읽고 비교하고 답안을 만드는 것까지 도와준다. 이제 모든 수험생이 알라딘의 요술램프를 하나씩 들고 시험장에 들어오는 것과 비슷하다. “이걸 만들어줘”라고 말하면 지니가 상당 부분 만들어준다. 더 놀라운 것은 이제 지니에게 “무엇을 만들어야 할지 모르겠어”라고 말해도 후보를 제안한다는 점이다. 과거의 도구는 인간이 무엇을 할지 결정한 뒤 그것을 실행했다. 지금의 도구는 무엇을 할 것인지 생각하는 과정 자체에 들어오기 시작했다.

그래서 상상력이 오히려 더 중요해진다. 모두가 요술램프를 가지고 있다면 램프를 가진 사실은 경쟁력이 아니다. 무슨 소원을 빌 것인가가 경쟁력이 된다. 같은 AI를 가진 한 사람은 “쇼핑몰 하나 만들어줘”라고 말하고 다른 사람은 “왜 사람이 상품을 찾아야 하지? AI들이 소비자의 주문을 놓고 경쟁하게 만들 수 없을까?”라고 묻는다. 도구의 성능은 같아도 질문의 출발점이 다르다. 과거에는 돈이 없어서, 개발자가 없어서, 기술이 없어서 못 만들었다고 말할 수 있었다. 그 장벽이 낮아지면 결국 더 불편한 질문이 남는다. 그래서 당신은 무엇을 만들 것인가.

그렇다고 상상력이 물량을 대신하는 것은 아니다. 오히려 둘은 서로를 필요로 한다. 아무리 좋은 소원이라도 그것을 실제 제품과 시장으로 밀어붙일 실행속도와 물량, 시장 피드백이 없다면 상상은 상상으로 끝난다. 그리고 공교롭게도 그 물량전은 지금 인류 역사상 가장 거대한 규모로 벌어지고 있다. 냉전 시대에 로켓과 공장과 과학자를 놓고 벌이던 물량전이 지금은 GPU와 데이터센터, 전력과 냉각설비, 반도체 공급망으로 이동했을 뿐이다. 겉으로는 소프트웨어 혁명처럼 보이지만 그 밑에서는 발전소와 송전망, 변압기와 반도체 공장이 돌아간다. 모두가 요술램프를 들고 있지만 지니가 사는 궁전은 거대한 데이터센터인 셈이다.

여기서 묘한 양극화가 발생한다. 한쪽 끝에서는 막대한 자본을 투입해 아직 존재하지 않는 능력을 처음 만들어내는 초대형 물량전이 벌어진다. 이 자리에 설 수 있는 것은 국가와 몇몇 거대 기업뿐이다. 다른 쪽 끝에서는 그렇게 만들어진 능력을 AI와 오픈소스와 증류를 이용해 훨씬 싼 비용으로 재현하는 경쟁이 벌어진다. 이 자리는 오히려 작고 민첩한 조직에 유리할 수 있다. 처음의 능력을 만들지는 못해도 그것이 세상에 나오는 순간 빠르게 흡수하고 변형하고 재조합할 수 있기 때문이다. 문제는 이 양쪽 사이에 놓인 중간지대다. 최초를 만들 만큼 압도적인 자본과 물량도 없고, 남이 만든 것을 빠르게 흡수해 변형할 만큼 민첩하지도 않은 조직이다. 선도자는 막대한 비용으로 처음 길을 만들고, 초민첩한 후발자는 그 길이 보이는 순간 훨씬 적은 비용으로 달려든다. 그런데 중간 규모의 조직은 선도자의 자본력도, 후발자의 가벼움도 갖지 못한 채 기존 조직과 비용구조를 떠안고 경쟁해야 한다. 과거에는 이런 조직도 기술 격차가 만들어주는 몇 년의 시간을 벌 수 있었지만, 증류 비용이 무너지면 그 여유가 가장 먼저 사라질 수 있다. 가장 위험한 자리는 최초도 아니고 최속도 아닌, 그 사이의 어중간한 규모가 될 수 있다.

그래서 앞으로 사업에서 속도와 점유율은 더욱 중요해질 가능성이 있다. 경쟁자가 내 기술을 이해하는 데 5년이 걸리던 시대에는 기술 자체가 5년의 시간을 벌어줬다. 그런데 AI와 디지털 증류로 그 시간이 몇 달로 줄어든다면 그 몇 달 동안 얼마나 많은 고객을 확보하고, 얼마나 많은 제품을 만들고, 얼마나 넓은 유통망과 생태계를 구축했느냐가 중요해진다. 물량 역시 단순히 많이 만드는 문제가 아니다. 100개의 제품을 만든 기업과 1억 개를 만든 기업은 같은 설계도를 가지고 있어도 같은 회사가 아니다. 1억 번의 생산 과정에서 불량과 공급망, 원가절감과 고객반응이라는 또 다른 지식이 축적된다. 규모 자체가 학습 시스템이 된다.

점유율도 마찬가지다. 기술적으로 따라잡았다고 시장까지 따라잡는 것은 아니다. 이미 경쟁자가 사용자와 개발자, 공급업체와 유통망을 묶어 생태계를 만들었다면 더 좋은 제품 하나로 뒤집기 어려울 수 있다. 그래서 후발주자에게 중요한 질문은 단순히 따라잡을 수 있는가가 아니다. 얼마나 빨리 따라잡는가, 그리고 따라잡았을 때 아직 시장이 남아 있는가가 된다. 기술은 따라잡았지만 경쟁자가 이미 표준을 장악했다면 늦을 수 있다. 생산능력을 갖췄지만 상대가 규모의 경제로 가격을 절반으로 낮췄다면 역시 늦을 수 있다.

이 때문에 사업의 구조도 완성품 중심에서 생산 시스템 중심으로 이동할 가능성이 있다. 좋은 앱 하나를 만들어 오랫동안 지키는 것보다 계속 새로운 앱을 실험할 수 있는 조직, 비밀 레시피 하나를 가진 식당보다 계속 새로운 메뉴와 경험을 만들어낼 수 있는 브랜드, 특정 기술 하나를 독점한 기업보다 시장 변화에 따라 기술을 빠르게 흡수하고 재조합할 수 있는 기업이 강해질 수 있다. 빼앗기지 않는 것을 만드는 전략에서, 빼앗겨도 계속 앞서갈 수 있는 구조를 만드는 전략으로 이동하는 것이다.

영화 아이언맨의 토니 스타크를 떠올려볼 수 있다. 그가 동굴에서 제한된 재료로 최초의 슈트를 만든 순간은 영화 아폴로 13에서 엔지니어들이 한정된 부품만으로 답을 찾아내는 장면과 닮았다. 궁지에 몰린 조건에서 두뇌를 쥐어짜 하나의 완성품을 만들어내는 순간이다. 그러나 스타크의 진짜 경쟁력은 그 완성품 하나에 있지 않았다. 경쟁자들이 그의 기술을 분석하고 비슷한 슈트를 만들어내는 동안 그는 이미 마크 투, 마크 쓰리, 그리고 그다음 버전을 만들고 있었다. 그의 진짜 자산은 마크 원이 아니라 마크 원을 발판으로 다음 것을 만들어내는 시스템과 속도였다. 현실의 기업 경쟁도 점점 이와 비슷해질 수 있다. 오늘의 제품은 언젠가 뜯어보고 분석되고 복제된다. 그렇다면 진짜 자산은 제품 그 자체보다 다음 제품을 만들어내는 능력에 있다.

인류의 지식 경쟁을 아주 길게 바라보면 하나의 흐름이 보인다. 고대에는 기록하는 것이 힘이었고, 필사본 시대에는 복제할 수 있는 사람이 힘을 가졌다. 인쇄술은 복제를 대량화했고 산업혁명은 생산을 대량화했다. 디지털은 복제 비용을 거의 없앴고 인터넷은 전 세계의 지식을 연결했다. 검색엔진은 찾는 비용을 낮췄으며 AI는 증류의 비용을 낮추기 시작했다. 그리고 AI 에이전트가 발전하면 다음 단계는 생각하고 시험하고 수정하는 시행착오 자체의 비용을 낮추는 방향으로 갈 가능성이 있다.

산업혁명은 인간의 힘을 기계화했고 컴퓨터는 계산을 기계화했다. AI는 처음으로 생각의 일부를 기계화하기 시작했다. 그래서 이번 변화는 단순히 더 좋은 도구 하나가 등장한 사건으로 끝나지 않을 수 있다. 과거의 도구는 인간이 생각한 것을 실행했지만 이제 도구가 인간과 함께 무엇을 할 것인지 생각하기 시작했다. 데이터센터는 단순한 서버 창고가 아니라 지적 작업을 대량생산하는 새로운 형태의 공장이 되어가고 있다.

결국 앞으로의 경쟁은 이상한 오픈북 시험과 닮아갈 것이다. 시험지는 공개되어 있고 책도 마음껏 볼 수 있으며 옆에는 수백만 권을 읽어주는 AI도 있다. 경쟁자의 답안도 머지않아 분석할 수 있고, 내가 성공하면 누군가는 곧바로 AI에게 보여주며 “이거랑 똑같이 만들어줘”라고 말할 것이다. 심지어 금고에 넣어둔 답안조차 해킹과 내부유출로 영원히 안전하다고 장담하기 어렵다. 그렇다면 답을 끝까지 숨기는 것만으로 승부하려 해서는 안 된다. 복제될 것을 전제로 만들고, 증류될 것을 전제로 혁신하며, 따라잡히기 전에 속도와 물량과 점유율을 확보해야 한다. 그리고 오늘의 정답이 내일 모두의 교과서에 실릴 것을 전제로 그다음 문제를 풀고 있어야 한다.

정답을 숨기는 시대에서, 정답이 공개되어도 이기는 시대로 넘어가고 있다. 이제 시험장은 오픈북이고 모두가 요술램프까지 들고 들어온다. 책을 가진 것만으로도, AI를 가진 것만으로도 이길 수 없다. 승부는 무엇을 물을지, 무엇을 만들지, 어떤 답을 먼저 현실에 내놓을지에서 갈린다. 모두가 알라딘의 요술램프를 갖게 된 시대에 가장 강한 사람은 램프를 가진 사람이 아니다. 가장 큰 데이터센터만 가진 사람도 아니고, 가장 많은 정답을 외운 사람만도 아니다. 남들이 아직 질문하지 않은 것을 상상하고, AI라는 지니에게 더 나은 질문을 던지고, 수없이 시험하고 실패하며, 그것을 현실의 제품과 시장으로 누구보다 빠르게 바꾸는 사람이 강해진다.

AI가 바꾸고 있는 것은 단순히 만드는 비용이 아니다. 무엇이 경쟁력인가에 대한 전제 자체가 바뀌고 있다.

FROM BUNTGAMES.COM