콘텐츠작가 : Robin

디스플레이: Bright Company

！ 최근 미국의 AI 의료 유니콘 기업인 에이브리지(Abridge)의 설립자 겸 CEO인 쉬브 라오(Shiv Rao) 박사가 미국 CNBC와 인터뷰를 가졌다. Shiv는 의료 엔터프라이즈 서비스에서 Abridge의 위치와 한때 "AI 셸"로 분류되었던 애플리케이션인 Abridge가 "셸"의 방향을 어떻게 정의하는지에 대해 이야기합니다. Shiv Rao는 또한 비침습적 심장 전문의입니다.

대형 모델 개발 초기에 "AI 쉘" 회사는 "자신의 모델을 만들기 위해 힘든 일을 하는 대신 다른 사람의 기술에 인터페이스를 넣기만 하는" 때문에 "2류 중개인"이라는 별명도 얻었습니다. 당시에는 AI 분야에서 경쟁할 수 있는 유일한 방법은 막대한 자금을 모으고, 컴퓨팅 파워를 투자하고, 대규모 사전 교육을 수행하는 것이라고 믿었으며, 이러한 결론은 OpenAI 및 Anthropic과 같은 대형 모델 공급업체의 평가에 빠르게 반영되었습니다.

하지만 상황이 바뀌었습니다. 진정한 높은 가치는 최상위 수준의 애플리케이션으로 이동하고 있다는 것을 빠르게 깨달았으며, 이것이 투자자들이 이러한 유형의 가치에 대해 기꺼이 프리미엄을 지불하고 소위 "쉘" 제품에 Anthropic 및 OpenAI보다 더 높은 밸류에이션 배수를 제공하는 이유 중 하나입니다.

인포메이션(Information)에 따르면 AI 검색 엔진 퍼플렉시티(Perplexity)는 현재 연간 매출의 43배로 평가되고 있으며, 이는 앤트로픽(Anthropic)의 0배, 오픈AI(OpenAI)의 0배에 비해 높은 수치입니다. 이는 투자자들이 수익성을 더 빠르게 달성하고 성장을 수익으로 전환하는 Perplexity의 효율성에 대해 더 확신하고 있음을 나타냅니다.

Cursor的母公司Anysphere在12個月內實現了超過1億美元ARR（年度經常性收入）。Cursor是由Anysphere開發的AI代碼編輯器。Anysphere的估值在2024年的幾個月內飆升了550%，現在已成為一家vibe-coding領域的“十角獸”。

Perplexity 및 Cursor와 마찬가지로 Abridge는 의료 대화에 중점을 둔 "AI 쉘" 회사입니다. 핵심 제품은 의사와 환자의 대화를 실시간으로 구조화된 임상 기록으로 변환하고 전자 의료 기록 시스템과 원활하게 통합되는 AI Scribe입니다. 이 제품은 의사의 서류 작업 부담을 줄이고 의료 기록의 효율성과 정확성을 향상시키도록 설계되었습니다.

Abridge通過向醫療系統提供訂閱服務獲取收入，公司預計其ARR在2024年達到5000萬美元。Abridge已在美國超過100個醫療系統中部署其AI平臺。

다음은 Bright Company에서 편집한 인터뷰에서 발췌한 내용입니다.

Abridge가 헬스케어 산업을 이해하는 방법

사회자: 기본적인 것부터 시작하겠습니다. Abridge는 어떤 일을 하나요?

Shiv: Abridge는 임상의의 서류 작업을 덜어주고 가장 중요한 사람, 즉 환자에게 집중할 수 있도록 합니다. 우리는 2018 년 안에 설립되었으므로 잠시 동안 존재했습니다. 우리가 구축한 모든 것은 의료는 사람 중심이며 이것이 변하지 않을 것이라고 생각한다는 근본적인 가정에서 비롯됩니다.

의료 시스템에는 항상 서로 다른 사람들 사이에 대화가 있습니다 : 한쪽에는 의사 또는 간호사와 같은 전문가가 있고 다른 한쪽에는 일반적으로 환자 또는 가족 구성원이 있습니다. 대화는 클리닉이나 병원 진찰실, 응급실에서 발생할 수 있습니다. 이러한 대화는 실제로 의료 분야의 다양한 워크플로우의 업스트림입니다.

예를 들어, 당신이 내 환자 중 한 명이고 내가 당신에게 상담을 한다면, 나는 낙서한 메모를 적고, 우리가 실제로 논의하고 있는 것을 조합하려고 노력하고, 마지막으로 전문적인 규범에 따라 일련의 서류를 기록할 것입니다. 이것은 전 세계적인 규모로 사실입니다.

여러 이해 관계자가 그 메모를 보고 평가할 것입니다: 예를 들어, 다른 의사와 간호사는 내가 왜 당신에게 특정 약물을 처방하는지 이해하기 위해 그것을 읽을 것입니다. 비즈니스 운영 및 재무 담당자들도 그 메모를 읽는데, 그 이유는 제가 받는 급여와 관련이 있기 때문이며, 의사들이 제공하는 의료 서비스에 대한 크레딧을 받는 방식입니다.

사회자: Abridge는 2022년 만에 설립되었습니다. ChatGPT는 0으로 나왔습니다. 생성형 AI는 오랫동안 사용되어 왔는데, 비즈니스에 어떤 영향을 미쳤나요?

Shiv: 저는 2018년 만에 사업을 시작했는데, 그 중 일부는 생성형 AI를 지원하는 머신 러닝 모델인 Transformer와 관련이 있었습니다. 그러나 우리는 LLM보다 앞선 모델(BERT, BioBERT, Longformer 또는 Pegasus와 같은 모델)부터 시작하려고 합니다. 이러한 모델은 때때로 인터넷 데이터에 대해 사전 학습되며 해결하려는 특정 사용 사례에 맞게 미세 조정할 수도 있습니다.

대규모 언어 모델이 등장하고 생성형 AI가 하나의 현상이 되었을 때 우리는 매우 기뻤습니다. 2023년에 우리는 생성형 AI에 관한 큰 산업 컨퍼런스에서 저녁 식사에 참석했던 것을 기억합니다. 0에서는 그 저녁 식사에 참석한 많은 사람들이 저에게 전화를 걸어 "이제 알겠습니다, 저도 해볼 것입니다"라고 말했습니다. 그래서 우리는 그 모든 잠재된 에너지를 거의 하룻밤 사이에 폭발적인 힘으로 바꾸어 놓았습니다.

사회자: 의사들도 느낄 수 있을 거라고 확신합니다. OpenAI, Google 및 Anthropic과 같은 대규모 언어 모델 회사는 항상 제품을 개선하고 있으며 자체 음성 전사 서비스도 보유하고 있습니다. 의사, 병원, 의료 산업에서 Abridge를 직접 사용하지 않는 이유는 무엇입니까?

Shiv: AI 기술의 전체 스택을 살펴보면 맨 아래 계층 또는 맨 아래 계층은 모든 사람이 사용할 수 있는 원자재를 제공할 수 있는 기본 대형 모델 회사입니다. 회사가 서로 다른 모델을 조정하는 데 도움이 되는 인프라 계층이 중간에 있어야 합니다.

맨 위에는 응용 프로그램 계층이 있으며 응용 프로그램 계층의 회사는 특정 사용자 또는 비즈니스 집합의 특정 문제를 해결하는 데 중점을 둡니다. 그들은 종종 워크플로에 긴밀하게 통합되고 독점 데이터 세트를 활용합니다. Abridge의 임무는 산업별 문제를 실제로 해결하는 것인데, 이는 인터넷에서 사용할 수 없는 데이터 세트에서 학습하고 최상의 사용자 경험을 만들기 위해 수많은 다양한 모델을 조정하는 경우가 많다는 것을 의미합니다.

진행자: 데이터 프라이버시가 의료 분야에서도 매우 중요하기 때문인가요?

쉬브: 맞아요. 특정 산업에는 특정 진입 장벽이 있고, 개인 정보 보호는 의료 서비스에 매우 중요하며, 신뢰성은 거래의 궁극적인 통화인 기본 요구 사항입니다.

따라서 우리가 보는 도전과 기회는 최저 수준에 가까운 우수한 기술을 활용하고, 가장 적합한 시나리오에서 자체 기술 역량을 구축하고, 진정한 풀 스택 제품 및 솔루션으로 수렴할 수 있는지 여부입니다. 이는 핵심 기술과 AI의 통합이며, 데이터를 워크플로에 통합하고, 매일 의사의 의견을 수집하고, 고객 서비스를 제공하는 방법에 대한 탐구에서 비롯됩니다.

사회자: Satya Nadella는 OpenAI가 이제 제품 회사라고 말했습니다. Abridge에서 대형 모델 회사가 이 분야에 진입하는 것을 막는 것은 무엇입니까?

Shiv: 기본 모델 회사가 최상위 애플리케이션 수준으로 이동하는 것이 합리적이라고 생각합니다. 어떤 면에서, 그들은 항상 그 방향으로 걸어왔습니다. 당신과 나는 둘 다 ChatGPT 또는 Claude를 사용하고 있습니다. 앱 또는 제품입니다.

이 회사들은 또한 T-corporation이며, 우리 모두가 사용하는 소비자 대면 앱일 수 있는 수직 지향적 성향을 가지고 있습니다. 그러나 그들은 또한 다른 회사가 이러한 원시 구성 요소에 액세스할 수 있도록 하여 심층적인 방식으로 활용할 수 있도록 하는 보다 수평적인 계층인 API를 가지고 있습니다. 그러나 그들은 모든 영역을 커버할 수 없으며 모든 영역으로 깊이 들어갈 수 없습니다.

5% 더 나은 경험: 다양한 모델의 이점을 효율적으로 결합

사회자: Abridge의 모델은 무엇입니까?

Shiv: 다양한 모델을 코디했습니다. 우리가 보이지 않는 곳에서 수행하는 작업은 "시나리오 기반 추론 엔진"이라고 할 수 있습니다. 지난 몇 년 동안 탐구한 끝에 서로 다른 모델 간의 복잡한 조정 작업을 처리할 수 있었습니다. 이러한 모델 중 일부는 네트워크 규모 모델(종종 대규모 매개 변수와 복잡한 계산 구조를 포함)인 반면, 다른 모델은 미세 조정된 오픈 소스 모델입니다.

要知道，在我們的工作中，一點點的差異，哪怕只有5%，對最終形成的用戶體驗有著巨大的不同。加上還有醫療保健中的信任和安全問題。因此，在許多方面，我們得盡可能深思熟慮地調用大語言模型並利用AI。

과제 중 하나는 복잡한 조건에서 사용자 동작에서 많은 작업을 추상화하는 방법입니다. 제품 이면에는 겉보기에 평범해 보이는 메모를 생성하기 위해 대규모 언어 모델을 20에서 0번 호출할 수 있습니다. 분명히, 우리는 대형 기성품 모델을 그렇게 높은 빈도로 호출하면서 여전히 비용을 낮게 유지할 수 없습니다. 따라서 우리는 효율적이고 정확한 출력을 보장하기 위해 자체적으로 최적화한 보다 비용 효율적인 모델을 사용해야 합니다.

사회자: 그럼 DeepSeek 오픈소스 모델도 사용하고 계시는 건가요?

Shiv: 물론입니다, 저희는 실험을 하고 있습니다. 저는 이것이 응용 프로그램 이야기의 일부라고 생각하며, 근본적인 빅 모델에 변화가 있고 새로운 발전이 있을 때마다 우리에게 좋은 일이라고 생각합니다: 이러한 기술을 특정 사용 사례에 맞게 구체화하는 방법을 알고 있는 회사에게는 확실히 좋은 소식입니다.

사회자: 그들의 제품은 더 민감해졌습니다.

Shi: 물론입니다.

사회자: AI 애플리케이션 회사로서 OpenAI보다 수익 창출이 더 쉽다고 생각하십니까? 결국 OpenAI는 매년 수십억 달러의 손실을 입습니다. 비용 구조는 어떻게 됩니까? 구체적인 세부 사항을 제공하고 싶지 않아도 괜찮습니다. 하지만 일반적인 정보를 알려주실 수 있습니까?

Shiv: 애플리케이션 수준에서는 특정 산업의 모든 규칙을 따라야 합니다. 의료 산업에는 제품 홍보 전략, 판매 전략 등에 대한 규칙이 있습니다. 법조계와 같은 다른 직업도 나름의 특징이 있다고 생각합니다. 규칙에 따라 위의 작업을 수행했다면 가격 책정은 다음 단계일 뿐입니다.

우리의 가치는 우리가 업계에 미칠 수 있는 영향에 있습니다. 지난 몇 년 동안 의사 12명 중 2명은 향후 0년에서 0년 동안 의사로 계속 일하기를 원하지 않습니다. JAMA 잡지의 기사에 따르면 간호사의 0%가 향후 0개월 이내에 간호사로 계속 일하기를 원하지 않습니다. 이것은 시골 지역에 사는 환자들이 류마티스 전문의를 만나기 위해 5-6시간을 운전하여 도시 병원에 가야 한다는 것을 의미할 수 있습니다. 이러한 공중 보건 비상 사태에 대해 우리가 해야 할 일은 무엇입니까?

사회자: Abridge를 사용하면 일부 서류 작업이 제거되고 의사의 업무가 조금 더 집중될 수 있으므로 그 때문에 의사가 직업에 남을 의향이 있습니까?

Shiv: 네, 우리는 실제로 규정을 준수하는 커뮤니케이션 채널을 통해 수많은 사용자로부터 피드백을 받고 있으며, 그들은 우리가 그들의 부담을 많이 덜어주었기 때문에 이 업계에서 5년 더 일할 준비가 되어 있다고 말합니다. 이 피드백은 또한 엔지니어들에게 도파민의 원천이 되며, 그들은 자신이 그 일을 하는 이유에 대해 점점 더 명확해지고 있습니다.

진행자: 경쟁이 치열한 분야이기도 합니다. 의사와 병원이 제품에 대해 기꺼이 비용을 지불할 수 있는 단계에 도달했습니까? 아니면 규모를 확장하고 시장 점유율을 확보하는 성장 단계에 있습니까?

Shiv: 그들은 기꺼이 비용을 지불할 의향이 있고, 우리는 항상 규모를 확장하고 있습니다. 우리는 전국에 걸쳐 110개 이상의 의료 시스템에서 온라인 상태입니다. 그리고 실제로 지난 몇 년 동안 우리가 처한 순간은 정말 역사적이었는데, 왜냐하면 의료 시스템은 보통 그렇게 빨리 변하지 않기 때문입니다. 이는 우리가 해결하고 있는 문제가 우리나라의 모든 최고 경영진이 염두에 두고 있는 가장 중요한 문제 중 하나이며 이에 대한 효과적인 해결책을 찾고 있음을 보여줍니다. 긍정적인 변화를 가져올 수 있다는 것을 입증할 수 있었기 때문에 원활하게 확장할 수 있었습니다.

오픈 소스를 사용하면 더 낮은 비용으로 제품을 차별화할 수 있습니다

사회자: 저는 Abridge를 "AI 애플리케이션 회사"라고 부르는 것이 조심스러웠습니다. 다른 사람이 당신을 AI 셸로 정의할 때 불편함을 느끼십니까?

Shiv: 몇 년 전과 같은 의미를 여전히 가지고 있는지 확신할 수 없기 때문에 이 단어를 어떻게 만들어야 할지 모르겠습니다. 2, 3년 전쯤만 해도 인공지능 분야에서 경쟁할 수 있는 유일한 방법은 수억 달러를 모금하고 모든 종류의 문제를 해결하기 위해 이러한 네트워크 규모 모델을 사전 훈련하는 것이라는 주장이 있었습니다.

그러나 사람들은 진정한 가치가 상위 수준의 애플리케이션으로 이동하고 있다는 것을 곧 깨달았습니다. 그리고 인간의 문제를 깊이 있게 해결할 수 있을 때 이 기술의 최고의 가치를 실현할 수 있습니다.

우리 회사의 CSO(Chief Scientific Officer)는 카네기 멜론 대학의 교수이며, 그녀도 우리와 함께 풀타임으로 샌프란시스코에 살고 있습니다. 그는 우리가 비록 규모는 다르지만 기본적인 모델 회사와 더 비슷하다고 느꼈습니다. 우리는 또한 T자형이며 우리만의 방식으로 발전합니다. 우리는 또한 자체 수준의 기술을 보유하고 있으며 독점 데이터 세트도 사용하며 최상의 결과와 솔루션을 제공하기 위해 자체 모델에 대한 미세 조정 및 사후 훈련 최적화를 수행하고 있습니다.

사회자: 그럼 "껍질"이라는 표현이 더 이상 정확한 표현이 아니라는 말씀이신가요? 케이스의 적용은 "얇은"것을 의미합니까? 하지만 더 복잡한 문제를 다루고 있고 점점 더 깊이 들어가고 있다고 생각합니다.

Shiv: 물론입니다. 소위 "케이스"는 특정 유형의 제품에 여전히 적용될 수 있으며 소비자 공간에서 더 많이 적용될 수 있다고 생각합니다. 그러나 기술 외에도 규정 준수, 개인 정보 보호, 보안, 인프라, 확장 능력 등과 같이 고려해야 할 요소가 있기 때문에 엔터프라이즈 서비스 공간에는 적용되지 않습니다.

사회자: 박사님은 자신만의 모델을 개발하고 계시는데, 특히 DeepSeek이 모델을 더 저렴하고 효율적으로 만드는 등 이미 이러한 추세를 보고 계십니다. 여러분뿐만 아니라 많은 AI 회사가 활용할 수 있는 오픈 소스 모델이 더 많아 자체 최적화 모델을 생성할 수 있습니다.

Shiv: 네, 물론입니다. 저는 그것이 트렌드라고 생각하고, 그것이 우리 성공의 비결이라고 생각합니다. 우리는 제품, 사용자 경험 및 특정 지표를 통해 스스로를 차별화할 수 있습니다.

우리는 의사에게 말하지 않을 것입니다 : 이봐, 제품 뒤에서, 우리는 20 다른 모델을 호출하고 조정할 수 있습니다. 이러한 모델 중 일부는 보험사가 인수 또는 상환을 위해 검토하고자 하는 내용을 추출할 수 있습니다. 의사가 노트에 "경피적 대동맥 판막 고정술"과 같은 용어를 사용하면 환자는 그 용어를 보고 "잠깐만요, 저한테 이런 말을 한 적 없어요"라고 생각할 수 있습니다. Google에 가보니 끔찍하게 들립니다. "그러면 환자는 의사에게 전화나 이메일을 보내 도대체 무슨 일이냐고 물어볼 수 있습니다.

따라서 우리가 보이지 않는 곳에서 조율하는 다양한 모델들은 모두 이러한 다양한 이해관계자에게 서비스를 제공하도록 설계되었으며, 바로 여기에서 우리의 차별화가 많이 이루어집니다.

바이브 코딩과 기존 소프트웨어 개발의 관계

사회자: 의료 분야에서 훌륭한 일을 하고 계시다는 것을 알고 있습니다만, AI 애플리케이션 계층에 대해 조금 더 광범위하게 이야기하고 싶습니다. 우리는 바이브 코딩의 부상, 특히 그것이 개발자의 작업을 어떻게 변화시킬지 궁금합니다. AI 애플리케이션의 리더로서 이에 대해 연구해 보셨나요?

Shiv: 네, 물론입니다. 이것은 아마도 우리가 내부 Slack에서 매일 제기하는 주제일 것입니다.

바이브 코딩은 아이디어를 테스트 가능한 프로토타입으로 빠르게 전환하여 기존의 많은 개발 단계를 건너뛸 수 있습니다. 예를 들어, 기본 코드를 깊이 이해할 필요 없이 웹 사이트를 만들 수 있습니다. 12개월 또는 0개월 후에 이 기술이 어떤 발전을 이룰지 알 수 없지만 바이브 코딩의 도움을 받아도 제품 구성을 완료하려면 프로그래밍 언어, 알고리즘, AI 및 기계 학습의 기본 사항을 마스터해야 합니다.

의사로서 저는 여전히 환자들이 어떻게 지내는지 보기 위해 때때로 병원에 갑니다. 매달 정해진 주말에 아무도 근무하고 싶어하지 않을 때, 나는 근무를 하러 간다. 저는 환자의 둔감해진 질병 정보 중 일부를 연구하고 이를 AI 모델에 입력하여, AI가 이러한 증상이나 불만을 가진 환자를 의사의 역할로 본다면 어떻게 할지 확인할 것입니다. 나는 적어도 절반의 경우는 AI의 첫 번째 본능이 틀렸다는 것을 발견했다. 저는 AI와 이야기하고, 우리는 그것에 대해 반복해서 이야기했고, 저는 그것에 확신을 가질 수 있었습니다. 제가 반사실적 추론이나 가정을 하지는 않았지만, 저는 우리가 처음에 가졌던 것보다 더 나은 결론에 도달했다고 믿습니다.

(반사실적 추론 또는 가설: 의사는 다른 치료 옵션을 선택했다면 환자의 상태가 어떻게 진행되었을지 고려합니다.) 이러한 사고 방식은 의학적 의사 결정에서 일반적입니다. ）

그래서 AI는 제 생각을 넓히고 희귀 질환 진단이나 특이한 의학적 진단을 간과하지 않도록 도와주었습니다. 그러나 여전히 진단적 사고 전체를 대체할 수는 없습니다. 바이브 코딩은 기본 모델을 사용하는 기존 개발 및 AI 엔터프라이즈 애플리케이션과 유사한 상호 작용이 있다고 생각합니다.

사회자: 바이브 코딩이 기존 코드 생성을 대체할 수 있다고 생각하십니까?

Shiv: 현 단계에서, 특히 엔터프라이즈 솔루션을 확장해야 하는 헬스케어와 같은 산업에서 바이브 코딩은 제품이나 기능의 프로토타입을 빠르게 제작할 수 있는 훌륭한 도구입니다. 예를 들어, 아이디어를 구상하거나 회사 간에 아이디어를 전달하는 많은 단계를 건너뛰어 사람들이 우리가 만들고 있는 것을 더 쉽게 이해할 수 있도록 하고, 제품이 일반적으로 사용 가능할 때 예상대로 작동하고 작동하는지 확인하기 위해 사용자 경험을 최적화하는 것과 같이 구축 중인 요소를 미리 최적화할 수 있습니다.

결과적으로 제품 출시 전에 전체 주기를 단축할 수 있지만 릴리스하는 코드가 정확하게 실행되고 확장되는지 확인해야 하는 아직 수행해야 하는 기초 작업을 대체하지는 않습니다.

AI 엔터프라이즈 애플리케이션은 매우 민감하고 올바른 팀을 유지해야 합니다.

사회자: 제가 마지막으로 얘기하고 싶은 주제는 스타트업들이 오랫동안 같은 문제를 해결하려고 노력해온 거대 기업들과 경쟁하고 있다는 것입니다. 지금 경쟁할 수 있는 여지가 있는 이유는 무엇입니까? 이것이 생성형 AI와 관련이 있습니까? 아니면 전통적인 거인들의 "돌이치기 어려운 배"와 더 관련이 있습니까?

Shiv: 앞서 말씀하신 것처럼 기본 모델이 너무 빨리 변경되는 경우 애플리케이션 계층의 선명도와 유연성이 매우 중요합니다. 높은 민첩성은 기본 모델 계층을 드릴다운하고 특정 사용 사례에 맞게 모델을 미세 조정할 수 있는 과학자 팀을 포함하여 적절한 기술을 갖춘 팀을 보유하는 동시에 산업 워크플로에 긴밀하게 통합됨을 의미합니다.

따라서 지금 당장 팀의 기술을 AI 및 업계 지식과 결합하는 것이 중요합니다. 분명히 시장 타이밍은 파악하기가 매우 어렵지만 엄청난 수요가 발생하면 가치가 강조됩니다. 헬스케어 분야는 이제 AI와 공명하고 있으며, 다른 산업도 곧 동일하게 될 것입니다.

사회자: 스타트업이 빠르게 움직일 수 있는 것은 시간 문제일 뿐이지만, 거대 기업들은 더 많은 데이터를 가지고 있고 그 데이터를 현명하게 사용할 수 있습니다. 그들은 귀하와 경쟁하기 위해 미래에 인수 합병을 할 수 있습니다. 그렇다면 당신의 해자는 무엇입니까?

Shiv: 기본 모델에는 확실히 해자가 있습니다. 몇 년 안에 컴퓨팅 파워, 데이터 수집, 강화 학습 등에 막대한 돈이 필요한데, 이는 매우 과중한 작업량입니다.

애플리케이션 레이어 해자는 특히 B2B 시장에서 기술 기업을 위한 해자였습니다. 해자는 네트워크 효과, 높은 전환 비용, 희소한 리소스를 활용할 수 있는 능력 또는 브랜드 효과일 수 있습니다. 이 모든 것이 비즈니스의 경쟁 우위가 될 수 있습니다.

사회자: 하지만 거대 기업들이 유통 채널에서 더 유리한가요?

Shiv: 저는 유통 부분이 중요하다고 생각합니다. 그러나 AI는 유통 게임의 규칙을 바꾸고 유통 채널의 정의도 바꾸고 있습니다. 불과 몇 주, 몇 달 만에 우리는 많은 프로세스를 자동화하고 사용자의 브라우저나 기존 시스템에 빠르게 도달하는 데 도움이 되는 많은 엔터프라이즈급 기술에 노출되었습니다. 이러한 대규모 작업을 수행할 수 있는 진입 장벽은 이전에도 매우 높았을 수 있습니다.

AI는 유통 채널의 중요성 또는 기존 채널의 중요성을 재정의하고 있습니다. 이것은 스타트업이 최고의 제품을 가지고 있는 한 성공할 수 있는 여지를 제공합니다.