(Source : Gemini)

투자 심사 과정에서 AI가 '기술 공동조종사(Technical Co-pilot)' 역할을 한다는 표현이 자주 등장해요.

VC가 처음 접하는 딥테크 분야 기업을 분석할 때, 해당 분야 전문 지식 없이도 AI를 통해 수 시간 안에 깊이 있는 이해를 만들어낼 수 있어요.
예를 들어, AI에게 "이 분야에서 가장 많이 인용되는 논문 혹은 최근 가장 논쟁적인 논문을 학부 수준으로 설명해줘"라고 요청하면, 해당 기술의 핵심을 빠르게 파악할 수 있어요.
이렇게 기초를 쌓은 뒤, 진짜 전문가를 불러서 마지막 한 걸음을 채우는 구조예요.
5년 전이라면 전문가를 수소문해서 모으는 데만 며칠에서 몇 주가 걸렸을 일이, 이제는 몇 시간이면 가능한 거예요.

또 하나 눈에 띄는 활용법은, 투자 메모(Investment Memo)를 작성한 후 Claude나 ChatGPT에게 "내 논리에서 가장 약한 부분이 어디야? 내가 놓친 건 뭐야?"라고 묻는 방식이에요.
AI가 논리의 구멍을 짚어주면, 그 약점을 중심으로 다시 실사를 깊게 파고드는 거예요.(비주류VC도 유사하게 활용 중입니다.)

(Source : Google)

정확해요.
Standard Metrics(스탠다드메트릭스, VC 포트폴리오 데이터 관리 및 리포팅 자동화 플랫폼)의 공동창업자이자 CEO인 존 멜라스-키리아지(John Melas-Kyriazi)는 Spark Capital(스파크 캐피탈, 초기 단계 기술 기업 중심 VC 펌)에서 6년간 VC로 일하면서 이 문제를 직접 겪었어요.
스파크 캐피탈은 Twitter 상장, Wayfair(웨이페어, 온라인 가구·인테리어 플랫폼), Oculus의 Facebook 피인수 등 화려한 투자 성과를 낸 곳이지만, 정작 회사 내부 운영을 위한 소프트웨어는 거의 없었어요.

LP(Limited Partner, 펀드 출자자) 미팅 하나를 준비하려면 100개가 넘는 포트폴리오 기업에서 데이터를 수동으로 모아야 했어요.
전체 포트폴리오 기준으로 매출 성장률을 비교하거나, 현금이 부족한 기업 목록을 최신 상태로 유지하는 것조차 믿기 어려울 만큼 손이 많이 가는 작업이었어요.

이 경험이 Standard Metrics를 만드는 계기가 됐어요.
이후 조 론스데일이 이끄는 8VC 팀을 만나면서 본격적으로 창업에 나서게 됐어요.
현재 150개 이상의 VC 펌과 10,000개 이상의 스타트업이 이 플랫폼을 사용하고 있어요.

싱가포르에 있는 한 고객사 사례가 특히 인상적이에요.
이 회사는 AI 에이전트 오케스트레이션 툴을 활용해서 Standard Metrics와 연동된 여러 에이전트를 운영하고 있어요. LP가 질문을 하면, 에이전트가 자동으로 작동해서 Standard Metrics에서 관련 데이터를 가져오고, 이메일 초안을 작성한 뒤, 담당자의 검토를 요청하고, 최종적으로 LP에게 발송해요.
사람이 할 때는 몇 시간이 걸리던 일이 이제 단 하나의 프롬프트로 처리되는 거예요.

또 하나의 사례는 플랫폼 내 AI 애널리스트(AI Analyst) 기능이에요.
"내가 5% 이상 지분을 보유하고, 연 매출이 1,000만 달러(약 145억 원) 이상인 포트폴리오 기업 중 가장 빠르게 성장하는 상위 10개 기업을 이 항목들로 표를 만들어줘"라고 요청하면, 높은 정확도로 표를 만들어줘요.
Excel에 Claude와 Standard Metrics를 연동하면, DCF(Discounted Cash Flow, 할인현금흐름) 분석 모델도 자동으로 만들어줘요.

더 나아가 MCP(Model Context Protocol, 모델 컨텍스트 프로토콜)를 활용하면 Notion(노션, 팀 문서 협업 및 프로젝트 관리 플랫폼), 캘린더, Standard Metrics를 하나로 연결할 수 있어요.
"다음 달 이사회 미팅 6개를 캘린더에서 찾아서, 각각의 Notion 페이지를 만들고, Standard Metrics에서 최신 데이터를 가져와서 안건과 요약을 만들어줘"라고 하면, AI가 알아서 처리해요.
비서 한 명분의 업무가 프롬프트 하나로 끝나는 거예요.

구조화된 맥락 안에서 AI는 놀랍도록 정확하게 작동해요.
하지만 처음 보는 미지의 문서에서 데이터를 추출하는 일은 아직 완전히 해결된 문제가 아니에요.
예를 들어, 이사회 덱(Board Deck)에 포함된 차트에서 데이터를 추출하려면 AI가 대략적인 값을 추정해야 하는 경우가 많아서 오차가 생길 수 있어요.
그래서 현재 Standard Metrics는 AI가 처리한 결과물을 사람이 검토(Human-in-the-Loop)하는 방식을 병행하고 있어요.
데이터 솔루션 팀이 AI 결과물의 품질을 최종 확인하는 역할을 맡고 있는 거예요.

그런데 AI 모델의 발전 속도를 보면, 이 문제가 빠르게 해결될 것 같다는 기대감을 충분히 갖게 돼요.
현재 Claude는 50% 성공률을 유지하면서 약 20시간 분량의 연속 작업을 처리할 수 있는데, 1년 전에는 이게 1시간 수준이었어요.
이 속도로 발전하다 보면, 지금 사람이 개입하는 영역도 점점 AI가 처리하게 될 거예요.

(Source : Gemini)

일부는 맞고, 일부는 과장이에요.

맞는 부분은 이래요.
AI 덕분에 소프트웨어를 만드는 비용이 낮아졌어요.
경쟁자가 빠르게 유사 제품을 만들 수 있고, 직접 소프트웨어를 '바이브 코딩(Vibe Coding)'해서 쓰는 것도 가능해졌어요.
데이터 마이그레이션도 AI 에이전트 덕분에 예전보다 훨씬 쉬워졌어요.
그래서 소프트웨어 전환 비용(Switching Cost)이 낮아진 건 분명한 사실이에요.

하지만 소프트웨어 기업의 경쟁 우위가 전환 비용만 있는 건 아니에요.
Standard Metrics의 경우 두 가지 해자가 있어요.

첫째, 네트워크 효과예요.
바로 어제 새로 영입한 고객사의 포트폴리오 기업 40%가 이미 Standard Metrics를 쓰고 있었어요.
새 VC가 온보딩하는 순간, 수십 개 기업의 데이터가 이미 준비된 상태인 거예요.
이건 더 나은 소프트웨어를 만드는 것만으로는 따라올 수 없어요.

둘째, 데이터예요.
10,000개 스타트업의 익명화된 벤치마크 데이터는 수년간 쌓아온 자산이에요.
바이브 코딩으로는 이 데이터를 복제할 수 없어요.

그리고 한 가지 더, AI가 주도하는 검색 환경에서는 마케팅 전략도 바뀌고 있어요.
Standard Metrics는 하루에 수백 개의 프롬프트를 주요 LLM 4~5개에 돌려서, 자사가 어떻게 언급되는지 추적하고 AI 친화적인 콘텐츠를 만들어요.
SEO에서 GEO(Generative Engine Optimization, AI 생성 검색 최적화)로 마케팅 패러다임이 이동하고 있는 거예요.

(Source : Google)

Vercel(버셀, 웹 배포 및 개발 플랫폼)처럼 AI 에이전트가 자연스럽게 추천하는 브랜드가 되는 것이 새로운 마케팅 목표가 되고 있어요.

Vercel은 원래 웹 배포 인프라 회사였는데, 지금은 'AI 클라우드' 플랫폼으로 빠르게 진화하고 있어요.
실제로 현재 Vercel에서 이뤄지는 전체 배포의 30% 이상이 사람이 아닌 AI 코딩 에이전트에 의해 시작되는데, 이 수치가 불과 6개월 전 대비 10배나 늘어난 거예요.
특히 Vercel은 MCP(모델 컨텍스트 프로토콜) 서버를 자체적으로 지원해서, Claude나 Cursor(커서, AI 코드 에디터) 같은 AI 도구가 Vercel 계정에 직접 접근해 코드 생성부터 배포까지 사람의 개입 없이 처리할 수 있어요.
이제 AI가 소프트웨어를 쓰고, 배포하고, 심지어 스스로 다음 버전을 만드는 시대가 이미 현실이 된 거예요.

오늘 배우게 된 점을 아래와 같이 정리해 볼께요.