인공지능이 단순한 묻고 답하기 수준을 넘어, 스스로 깊게 생각하고 실행하는 단계로 빠르게 진화하고 있다. o1과 같은 최신 모델들은 내부 검증 과정을 통해 복잡한 작업의 정확도를 획기적으로 높였다. 이는 디지털 플랫폼에서 다단계 목표를 설계하고 직접 수행하는 자율형 AI(AI agent)의 핵심 엔진이 된다. 이제는 '도구'가 아니라 '대행자'의 시대다.

이러한 변화는 지식 노동의 정의를 바꾼다. 사람은 직접 실무를 처리하는 대신 상위 단계에서 관리하고 감독하는 역할로 옮겨간다. 그 사이 자율형 AI는 스스로 업무 환경에 적응하고, 운영 전반을 관리하며, 독립적으로 수행할 수 있는 작업 시간을 계속 늘려가고 있다.

인프라의 확장세도 가파르다. 물리적 로봇과의 결합은 물론, 대량의 결과물을 뽑아낼 수 있는 개발자용 구독 모델이 도입됐다. 작업의 난이도에 따라 적절한 모델에 배분해 비용을 최적화하는 경로 제어 도구(cost-routing tools)도 등장했다. 기업들은 모델 제어권(sovereign model control)을 통해 거버넌스를 강화하고, 자동화된 사용 보고서로 효율성을 측정하며, 코딩 없이 시각적으로 설계하는 캔버스 도구로 업무 흐름(workflow)을 자동화하고 있다.

고성능 모델이 기술적인 짐을 대신 짊어지면서 상황이 바뀌었다. 이제 디지털 콘텐츠 제작과 개발의 병목 구간은 소프트웨어의 성능이 아니다. 결국 인간의 상상력이 유일한 제약이 되는 시대다.

01AI, 단순 답변 넘어 복잡한 문제 해결사로 — o1 수학 정답률 83% 기록

AI가 단순한 질의응답 도구를 넘어 고도로 복잡한 문제를 해결하는 시스템으로 진화하고 있다. 이러한 변화의 중심에는 o1과 같은 추론 모델이 있다. 이들은 최종 답변을 내놓기 전, 스스로 작업 내용을 점검하는 내부 검토 과정을 거친다. 결과는 압도적이다. 경시 대회 수준의 수학 문제 정답률이 GPT-4의 13%에서 o1의 83%로 급증했다. 논리를 스스로 검증하는 능력이 갖춰지면서, 과거 인간의 깊은 사고가 필요했던 정교한 작업까지 AI가 수행할 수 있게 됐다.

이러한 추론 능력은 자율형 AI(AI agent)를 움직이는 엔진이 된다. 자율형 AI는 단순히 대화하는 수준을 넘어, 항공권 예약처럼 여러 단계의 목표를 스스로 계획하고 실행한다. 기존 챗봇과 달리 웹 브라우저, 이메일, 파일 등의 도구를 직접 활용하며, 작업이 완료될 때까지 과정을 반복적으로 수정하고 보완한다. 또한 '스킬'이라 불리는 전문적인 능력을 갖출 수 있으며, MCP, CLI, API 같은 표준 인터페이스를 통해 외부 소프트웨어와 연결된다.

이에 따라 지식 노동의 구조가 재편되고 있다. 사람이 소프트웨어를 일일이 클릭하거나 데이터를 입력하는 대신, 목표와 기준을 설정하고 결과를 검토하는 지시자 역할로 옮겨가는 추세다. 실제 운영은 자율형 AI가 전담한다. 예를 들어, 자율형 AI는 사람의 개입 없이 가상 인플루언서를 위한 이미지와 영상을 제작하며 소셜 미디어 계정 전체를 관리할 수 있다. Viktor 같은 AI 직원들은 Slack, Asana, 구글 Drive의 협업 기록을 스스로 읽어 팀원의 역할과 비즈니스 맥락을 파악하는 '자기 주도적 업무 적응(self-onboard)'까지 수행한다. 자율 작업 능력의 확장 속도는 매우 빠르다. METR의 데이터에 따르면, 자율형 AI가 독립적으로 수행 가능한 작업 시간은 7개월마다 두 배씩 증가하고 있다. GPT-4 시대에는 단 몇 분에 불과했던 작업 시간이 이제는 16시간 이상으로 늘어났다.

02제미나이 4 Argon — 로봇 제어와 제조 공정으로의 영역 확장

AI가 이제 디지털 화면을 넘어 현실 세계의 복잡한 물리적 문제를 해결하기 시작했다. 제미나이 4 Argon은 Apptronik Apollo 2 같은 휴머노이드 로봇이 '관찰-시뮬레이션-실패-수정'의 반복 과정을 통해 물리적 기술을 스스로 익히도록 돕는다. 실제로 이 모델은 단 하나의 영상만으로 로봇에게 콘홀(cornhole) 게임을 가르쳤다. 첫 시도에서는 86cm나 빗나갔지만, 18번째 투구에는 15cm 너비의 구멍에 정확히 넣는 수준에 도달했다. 모델이 약 4.5m/s의 최적 발사 속도를 찾아내고, 빠른 움직임에도 로봇이 쓰러지지 않게 발 너비를 넓혔으며, 3D 충돌 검사를 통해 어깨 위치를 조정해 간섭을 피하게 만든 결과다. 물리적 학습의 효율이 증명된 셈이다.

이러한 능력은 VI 제조 분야로도 이어진다. 모델이 개인 맞춤형 물리 제품의 설계 과정을 지원하는 식이다. CAD 파일을 관리하고, 주문형 3D 프린팅을 위해 Bamboo로 STL 파일을 전송하는 공정까지 처리할 수 있다. 창업자들은 초기 고객을 확보하기 위해 이 모델을 이른바 '분위기 마케팅(vibe marketing)'에 활용하고 있다. 설계부터 마케팅까지 AI의 손길이 닿는다.

기술적, 재무적 관점에서 제미나이 4 Argon은 대량의 멀티모달(multimodal, 여러 형태의 정보 처리) 작업에 최적화됐다. 10월 13일에 출시된 이 모델은 100만 토큰의 컨텍스트 창을 지원하며 텍스트, 이미지, 파일, 오디오, 비디오 입력을 모두 처리한다. 현재 50% 할인된 가격으로 제공되며, 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 10달러로 책정됐다. 벤치마크 결과 대부분의 기존 모델을 압도하는 성능을 보였지만, 특정 영역에서는 Astra나 클로드 Opus에 비해 약간 뒤처지는 모습이다. 성능과 비용의 균형을 잡은 전략이다.

03구글 AI 구독 등급, 개발 도구와 출력 용량의 차이는?

구글의 AI 구독 등급 선택은 사용자가 단순히 AI 비서와 대화할 것인지, 아니면 전문적인 개발 환경으로 활용할 것인지를 결정한다. 저가형 등급은 기초적인 작업에 충분하지만, 프리미엄 등급은 복잡한 문제를 해결하는 데 필요한 전용 도구와 출력 용량을 제공한다. 소프트웨어를 구축하고 확장하는 능력이 구독 등급에 직접적으로 묶여 있는 셈이다. 도구의 격차가 곧 생산성의 격차다.

월 100달러의 구글 AI Ultra는 고강도 작업을 위해 설계된 포괄적인 개발자 도구 세트를 제공한다. 이 멤버십을 통해 Antigravity 앱과 텍스트 기반 명령 도구(CLI)를 완전히 사용할 수 있다. CLI는 시각적 메뉴 대신 텍스트 명령어로 소프트웨어를 제어하는 방식이다. 가장 핵심적인 차이는 최대 100만 개의 출력 토큰을 지원한다는 점이다. 이 방대한 용량 덕분에 모델은 한 번의 응답으로 대규모 코드 블록이나 상세한 문서를 생성할 수 있으며, 일반적인 AI로는 감당하기 어려운 복잡한 기술 프로젝트를 관리할 수 있는 여유 공간을 확보해 준다. 전문 개발자를 위한 엔진이다.

반면 월 19.99달러의 구글 AI Pro 멤버십은 보다 기본적인 기능으로 제한된다. 이 등급의 사용자는 Ultra 멤버에게 제공되는 전문 생태계에서 제외되며, Antigravity 앱과 CLI, 구글 AI Studio를 사용할 수 없다. 또한 100만 개의 출력 토큰 제한 혜택도 받지 못한다. 즉, Pro 등급은 일반적인 텍스트 생성이나 웹 검색 작업에는 유용하지만, 전문 수준의 개발이나 대규모 데이터셋 생성에 필요한 인프라는 부족하다. 가벼운 활용에 최적화된 구성이다.

이러한 계층 구조는 일상적인 AI 사용과 최첨단 엔지니어링을 효과적으로 분리한다. 가장 강력한 도구와 높은 출력 제한을 훨씬 비싼 월 이용료 뒤에 배치함으로써, 단순한 챗봇이 필요한 사람과 소프트웨어 제작을 위한 강력한 엔진이 필요한 사람을 구분 짓는다. 개발자에게 Ultra 등급으로의 전환은 단순한 비용 상승이 아니라, 제한적인 도구에서 실제 서비스 구축 환경(production environment)으로 옮겨가는 과정이다. 이제 AI는 도구를 넘어 환경이 됐다.

04RouteLLM의 모델 분배 전략 — 비용 절감과 정확도 100% 달성

모든 고객 문의에 고성능 AI 모델을 투입하는 것은 자원 낭비다. 배송 상태 확인 같은 단순 조회 업무에 굳이 고도의 추론 능력이 필요하지 않기 때문이다. 작업 복잡도에 따라 적절한 모델로 연결하는 '전략적 라우팅(strategic routing)' 시스템을 도입하면, 응답 품질은 유지하면서 운영 비용을 획기적으로 낮출 수 있다. 효율이 곧 경쟁력인 시대다.

AbacusAI의 RouteLLM이 대표적인 사례다. 하나의 인터페이스로 여러 제공사의 AI 모델을 사용할 수 있게 해준다. RouteLLM API를 쓰면 서비스가 자동으로 가장 적합한 모델에 업무를 배정한다. 예를 들어 키보드 시장 상담 서비스라면, 단순 배송 문의는 가벼운 모델인 GPT-5.6 Luna가 처리하고, 반품 가능 여부 판단이나 정확한 환불 금액 계산 같은 고난도 작업은 GPT-5.6 Sol이 담당하는 식이다. 적재적소의 배치다.

이 전략은 단순한 비용 절감을 넘어 신뢰도까지 높인다. 12가지 고객 서비스 시나리오를 대상으로 테스트한 결과, RouteLLM의 자동 라우팅 모드와 맞춤형 라우팅 규칙 모두 100%의 정확도를 기록했다. 반면 GPT-5.6 Terra 단일 모델만 사용한 시스템은 한 가지 사례에서 실패했다. 모든 일을 모델 하나에 맡기는 것보다 작업별로 최적화된 모델 집합을 활용하는 것이 더 효과적이라는 방증이다. 이러한 효율적인 모델 관리 체계는 사용자당 월 10달러부터 시작하는 기본 플랜으로 이용 가능해, 소규모 사업자에게도 현실적인 선택지가 된다.

05자주권의 기준은 소유권이 아닌 통제력 — 국산 모델 개발보다 거버넌스가 중요한 이유

인공지능(AI) 독립을 추구하는 조직과 국가에게 소프트웨어를 소유하는 것과 그에 대한 통제력을 갖는 것은 서로 다르다. 주권형 AI(Sovereign AI)의 진정한 가치는 단순한 소유권 보유가 아니라 모델의 행동을 규율하고 통제하는 능력에 있다. AI가 행동하고 응답하는 방식을 주도하지 못한다면 해당 모델이 자국에서 개발되었다는 사실은 부차적인 문제에 불과하다. 궁극적인 목표는 기술의 소유가 아니라 그 결과물을 이끌어갈 수 있는 권한이다.

이러한 차이는 주권형 AI가 단순히 국내산 모델을 개발하는 것만으로 완성되지 않는다는 것을 뜻한다. 대신 핵심 요소는 모델의 출신과 관계없이 조직이 그 행동을 완전히 통제할 수 있는지 여부다. 모델을 처음부터 직접 만들었든 수입했든 주권은 논리와 응답을 관리하는 역량에 따라 정의된다. 이러한 시각의 전환은 논의의 중심을 소유권의 법적 측면에서 거버넌스의 실무적 측면으로 옮겨주며, AI가 특정 전략적 이해관계를 수행하는 도구로 남도록 보장한다.

AI 거버넌스가 법적 규제 준수와 맞물리면서 이러한 통제력의 중요성은 점점 커지고 있다. 아시아태평양(APAC) 지역에서는 한국과 싱가포르가 금융 보안 분야의 발표를 비롯해 AI 규제와 기본법 제정을 선도하고 있다. 거버넌스는 종종 엄격한 규제 준수의 문제로 발전하기 때문에 모델의 행동을 제어하는 능력은 이러한 법적 틀 안에서 운영되기 위한 전제 조건이 된다. 이들 국가에게 주권은 AI의 출처보다는 해당 기술이 해당 지역의 구체적인 법률과 보안 기준을 준수하도록 보장하는 능력에 더 가깝다.

06Viktor: AI가 아낀 시간을 실제 비용으로 환산해 보고한다

AI 도구들은 늘 효율성을 약속하지만, 그 이득을 수치화하는 일은 보통 사용자가 직접 계산해야 했다. Viktor는 자동화된 작업 내용을 구체적인 비즈니스 지표로 변환하는 사용 보고서를 자동 생성해 이 문제를 해결한다. 추상적인 생산성을 구체적인 데이터로 전환해, 일상 업무에서 수작업이 얼마나 사라졌는지 정확히 보여준다. 생산성을 숫자로 증명한다.

보고서는 도구 운영 비용의 정당성을 입증하기 위해 몇 가지 핵심 성과 지표(KPI)에 집중한다. 우선 AI 직원이 사용자에게 아껴준 예상 시간을 추적하고, 이를 시간당 비용으로 환산해 구체적인 금전적 가치로 나타낸다. 여기에 절감액의 연간 추세를 계산해 기업이 한 해 동안 얻을 효율성 이득을 예측할 수 있게 한다. 핵심은 투자 대비 수익(ROI) 분석이다. AI 기능을 구동하는 데 쓴 크레딧(credits) 대비 창출된 재무적 가치를 정밀하게 측정한다. 비용이 아닌 수익의 관점으로 접근한다.

이러한 투명성은 AI가 복잡하고 시간이 많이 걸리는 작업을 처리할 때 빛을 발한다. 예를 들어 Viktor가 누락된 링크나 잘못된 명령, 문서의 빈틈을 찾기 위해 전체 과정 검토(course audit)를 수행하면, 여기서 절약된 시간이 보고서에 수치로 기록된다. 특정 작업과 재무적 수익을 직접 연결함으로써, 이 도구가 비즈니스 환경의 필수적인 구성 요소임을 입증한다. 덕분에 크레딧 지출은 단순한 비용이 아니라, 성과 추적이 가능한 전략적 투자로 인식된다. 지출을 투자의 영역으로 바꾼다.

07Argon의 플랜 모드 — 무작정 코딩 대신 전략부터 합의

복잡한 작업을 AI에게 맡기면 첫 결과물이 엉망인 경우가 많다. 쓸만한 수준이 될 때까지 계속해서 프롬프트를 수정해야 하는 번거로움이 따른다. 초기 결과물과 최종 완성본 사이의 격차는 생각보다 크다. 예를 들어 Argon에 처음 요청했을 때 나오는 결과는 초기 메타버스 시절의 어설픈 3D 아바타처럼 조잡할 때가 있다. 최종본은 훌륭할지 몰라도, AI가 목표를 정확히 이해하지 못한 채 파일부터 수정하기 시작하면 완성까지 가는 과정이 매우 비효율적이다.

이러한 격차를 줄이고 헛수고를 막기 위해 Argon은 '플랜 모드(plan mode)'라는 기능을 제공한다. 이 도구는 일종의 전략적 조율 단계다. 실제 파일을 수정하기 전에 사용자와 AI가 구축 전략과 코드의 기본 구조인 아키텍처(architecture)에 대해 먼저 합의하는 방식이다. 미리 합의점을 찾으면 AI가 프로젝트 목표를 완벽하게 이해하게 된다. 사용자가 반복적인 프롬프트 입력으로 몇 시간씩 수정해야 했던 저품질의 초기 버전을 만들 가능성을 원천 차단하는 것이다.

이러한 방식의 실질적인 가치는 late checkout.studio 같은 프로젝트의 작업 흐름(workflow)을 보면 명확해진다. 플랜 모드를 활용했다면 초기 결과물의 품질을 훨씬 높일 수 있었을 것이다. 결함이 있는 버전을 먼저 만들고 이를 수정하며 완성해가는 대신, 전략을 먼저 확정해 첫 버전부터 목표에 부합하는 정확한 결과물을 낼 수 있기 때문이다. 이제 개발자의 역할은 AI의 실수를 바로잡는 '교정자'에서, 실행 전 설계도를 승인하는 '전략가'로 바뀐다. 결국 최종 완성본에 도달하는 시간이 획기적으로 단축된다.

08UiPath Maestro — 코딩 없이 설계하는 AI 자동화 작업 흐름

송장 같은 문서를 열어 업체명, 날짜, 합계 금액을 다른 시스템에 일일이 옮겨 적는 단순 반복 업무는 매우 지루하다. 이런 소모적인 작업은 더 전략적인 일에 써야 할 귀중한 시간을 뺏는다. UiPath Maestro는 읽기와 입력 과정을 대신 처리하는 AI 기반의 자동화 시퀀스, 즉 작업 흐름 설계(orchestration)를 통해 이 문제를 해결한다. 코딩이 필요 없는(no-code) 도구이기에, 개발 지식이 없어도 복잡한 업무 흐름을 자동화할 수 있다. 코딩의 장벽이 사라졌다.

시스템은 시각적 캔버스 형태로 작동하며, '노드(node)'라고 불리는 단계들을 연결해 자동화 흐름을 구축한다. 각 노드는 특정 동작을 수행하는 기능 단위다. 예를 들어, 정보를 시스템으로 가져오는 노드로 시작해 데이터를 처리하는 노드로 이어지는 식이다. 정확도를 높이기 위해 최종 저장 전 사람이 직접 검토하는 단계를 추가할 수도 있다. 사용자는 트리거부터 최종 저장까지의 전체 비즈니스 프로세스를 시각적으로 그려낼 수 있다. 업무 전체 지도가 한눈에 보인다.

노드 사이에서 오가는 데이터 관리는 직관적인 변수(variable) 시스템이 담당한다. 분석 작업 첨부와 같은 설정을 할 때, 사용자가 직접 변수를 분석하거나 복잡한 참조 코드를 입력할 필요가 없다. 대신 전용 아이콘을 클릭해 사용 가능한 모든 흐름 변수가 담긴 드롭다운 메뉴에서 검색하면 된다. 가령 수동 트리거 노드를 확장해 특정 문서를 선택하면, `$vars.manualTrigger1.output.document`와 같은 참조 값이 자동으로 입력되어 정확한 파일이 연결되었는지 즉시 확인할 수 있다. 수동 코딩 과정을 없앰으로써, 고도화된 AI 자동화 시스템을 구축하는 진입 장벽을 크게 낮췄다. 복잡한 코드는 이제 필요 없다.

09Viktor, 단순한 도구를 넘어 팀원으로서 여러 명과 동시에 협업할 수 있을까?

기존 AI 도구들은 대부분 1인 운영 체제로 설계되어 생산성의 병목 현상을 일으키곤 한다. 주 사용자가 직접 프롬프트를 입력해야만 작동하는 구조 탓에, AI의 효율은 결국 사용자가 투입할 수 있는 시간에 갇히게 된다. Viktor는 단순한 도구가 아니라 실질적인 'AI 직원'으로 작동하며 이 한계를 해결한다. AI의 역할을 개인 비서에서 팀 전체의 자원으로 전환해, 관리 부담을 조직 전체로 분산시킨 것이다. 관리의 주체가 바뀐 셈이다.

이러한 협업 환경은 Slack 같은 커뮤니케이션 플랫폼을 통해 구현된다. Viktor는 배포한 사람 한 명과만 소통하는 것이 아니라, 다수의 팀원과 다이렉트 메시지(DM)나 스레드로 동시에 상호작용할 수 있다. 이를 통해 AI는 팀의 기존 사회적, 전문적 관계망 속에 자연스럽게 녹아든다. 설정된 권한에 따라 다양한 경로로 지시를 받고 요청을 처리하는 방식이다. 소통의 벽이 사라졌다.

실질적인 변화는 업무 위임이 훨씬 유연해졌다는 점이다. 예를 들어, Zell이라는 이름의 어시스턴트는 주 사용자를 거치지 않고 Viktor에게 직접 메시지를 보내 여러 과업을 독립적으로 완수했다. 구체적으로 Zell은 Viktor에게 주간 요약 보고서(weekly digest) 설정을 요청했고, Viktor는 이를 자율적으로 처리했다. 이제 AI는 한 사람이 관리해야 할 도구가 아니라, 전 직원이 믿고 맡기며 프로젝트의 추진력을 유지하는 실질적인 팀원으로 기능한다. 업무의 연속성이 확보됐다.

10UiPath Maestro Flow — AI 추출 데이터를 맞춤형 변수로 지정

AI 에이전트로 비즈니스 문서를 처리할 때, 단순히 텍스트 뭉치를 결과값으로 받는 것은 전문적인 업무 흐름(workflow)에서 활용도가 낮다. 다른 소프트웨어나 데이터베이스에 이 데이터를 입력하려면 날짜나 금액 같은 특정 정보를 구조화된 형식으로 받아야 하기 때문이다. UiPath Maestro Flow는 자율형 에이전트가 내보낼 맞춤형 출력 변수(output variables)를 사용자가 직접 정의할 수 있는 기능을 제공한다. 일괄적인 응답에 의존하는 대신, 어떤 데이터를 추출해 어떻게 분류할지 사용자가 완전히 통제하는 방식이다.

구체적으로는 송장 처리와 같은 특정 작업의 요구사항에 맞춰 에이전트의 출력 설정을 조정한다. 기본으로 제공되는 일반 '콘텐츠(content)' 필드는 휴지통 아이콘으로 삭제하고, 목적에 맞는 정교한 변수를 추가할 수 있다. 예를 들어 업체명과 날짜 필드는 텍스트 표준 형식인 문자열(string) 타입으로 설정하고, 합계 금액 필드는 정확한 수치 처리를 위해 숫자(number) 타입으로 지정한다. 에이전트가 단순히 정보를 찾는 것을 넘어, 다른 자동화 시스템이 즉시 인식할 수 있는 전용 슬롯에 데이터를 배치하게 만드는 과정이다.

이러한 구조적 접근은 에이전트의 분석 결과와 전체 자동화 업무 흐름 사이의 간극을 메운다. 시스템 프롬프트가 에이전트에게 '무엇을 찾을지' 지시한다면, 출력 변수는 그 결과물이 담길 '목적지'를 제공한다. 이 설정은 프로세스를 시작하는 수동 트리거 노드(manual trigger node)와 같은 구성 요소와 결합해 활용도가 높아진다. 사용자가 분석할 첨부 파일을 지정할 때 검색 가능한 드롭다운을 통해 특정 문서 변수를 연결하면, 가공되지 않은 파일이 입력되어 정제된 타입의 데이터가 출력되는 정밀한 파이프라인이 완성된다.

11AI 콘텐츠 제작 — 기술적 한계에서 인간의 상상력으로

디지털 창의성의 병목 구간이 소프트웨어에서 사용자로 옮겨갔다. 그동안 AI 콘텐츠 제작의 가장 큰 걸림돌은 모델 자체의 기술적 한계였다. 복잡한 지시를 이해하지 못하거나 결과물의 완성도가 떨어지는 문제가 대표적이었다. 하지만 이제 제약 조건이 바뀌었다. 이제는 모델의 기술력이 아니라, 구체적이고 수준 높은 비전을 상상하고 이를 명령어로 구현하는 인간의 능력이 핵심이다.

이러한 변화는 Argon 같은 최첨단 엔진의 등장으로 가속화됐다. 구글은 방대한 데이터를 보유한 만큼 모델 개발 속도가 빨랐고, 이제는 거의 모든 시각적·구조적 요청을 수행할 수 있는 수준에 도달했다. 기반 기술이 이 정도로 고도화되면 결과물의 품질은 전적으로 사용자의 입력값에 의해 결정된다. 도구와 씨름하며 쓸만한 결과물을 얻어내려 애쓰던 시대는 끝났다. 이제는 필요한 것을 정확하게 묘사할 수 있는 창의적 통찰력이 중요하다.

기존의 작업 흐름(workflow)과 현재의 능력을 비교하면 변화의 규모가 명확히 드러난다. 예를 들어 2021년 당시, 디자인 에이전시 LCA와 자율형 기업 Boring Marketing을 포함한 지주회사의 종합 웹사이트를 구축하려면 40,000시간의 수작업이 필요했다. 비전을 현실로 구현하기 위해 엄청난 인적 조율과 기술적 실행력이 필수였다.

이제 복잡한 결과물을 만들어내는 능력은 더 이상 단순 노동 시간과 비례하지 않는다. Argon 같은 모델이 기술적 마찰을 제거하면서, 가치는 명령어를 설계하는 기획자에게로 옮겨갔다. 마케팅과 디자인 분야의 경쟁 우위는 더 이상 투입 인력이나 특정 소프트웨어 숙련도에서 나오지 않는다. 최종 결과물을 가장 생생하게 상상하고, 그 비전을 기계에 정확히 전달하는 능력이 승패를 가른다.