What are your biggest strengths?

[Jack & Jill] 나를 이해하는 AI가 다음 기회를 찾는다 두 창업자의 경험에서 읽는 제품의 가치, 그리고 Sage의 버티컬 에이전트 전략 1. 나를 이해하는 AI가 다음 기회를 찾는다 Matt Wilson — 국경을 넘는 고용에서, 사람을 연결하는 문제로 공동창업자 겸 CEO 옥스퍼드: 물리학, 이론·수리물리학 석사 2017: 제약 공급망을 디지털화하는 Veratrak 공동창업 2019: Entrepreneur First에서 만난 Guenther Eisinger와 Omnipresent 창업 2022: 1억 2,000만 달러 시리즈 B, 3년 만에 약 6억 달러 기업가치 2025.10: Deel이 인수, 보도된 거래 규모 약 1,500만 달러 2025: Saaras Mehan과 Jack & Jill 공동창업 당시의 기업가치와 매각 조건은 구분해야 한다. 약 1,500만 달러는 관계자를 인용한 보도이며, 공개 자료만으로 Wilson의 당시 역할이나 개인적 회수 성과는 판단할 수 없다. 고용의 실행 조건에서, 만남의 조건으로 관심이 이어졌다. 출처: 본인 인터뷰(usepassionfruit.com), Creandum, Goodwin, Reuters 보도 . Saaras Mehan — AI로 연결을 실행해 온 엔지니어 창업자 공동창업자 겸 CTO 케임브리지 출신으로, 컴퓨터과학과의 2021년 프로젝트 자료에 Microsoft Research 소속으로 참여한 기록이 있다. 과거 잉글랜드 체스팀의 일원이기도 하다. Kular.ai (Y Combinator): AI로 잠재 고객을 발굴하고 결과에 따라 비용을 받는 서비스. 적절한 대상을 찾고, 접근하고, 실제 기회로 연결하는 제품을 이미 만들어 봤다. 에이전시 리크루터: 처리할 수 있는 업무량에 한계가 있다. 잡보드: 후보자에게 끝없는 탐색을 요구하고, 채용팀에는 맞지 않는 지원서를 쌓는다. 사람을 이해하는 깊이와, 많은 사람을 돕는 규모를 함께 확보하는 것. 두 창업자의 경험은 여기서 만난다. 출처: Forbes, Y Combinator, FieldHouse Associates(투자 발표) 4. Jack — 나의 경험과 다음 선택을 이해하는 에이전트 1,500만: Jack이 하루에 살펴보는 채용 공고 수 (회사 발표) 대화는 자신의 이야기에서 시작한다. 무엇을 해왔는지, 지금 무엇이 중요한지, 어떤 변화라면 움직일 가치가 있는지. 모의 면접, 보상 수준 비교, 커리어 방향 정리, 기회 추적도 지원한다. 5. Jill — 기업의 필요를 구체화하고 만남을 만드는 에이전트 기업 쪽 에이전트 출발: 채용공고, 메모, 대화 구체화: 평가 기준 정리, 기업 맥락 조사 탐색과 조정: Jack의 네트워크에서 후보 탐색, 후보를 보며 역할 조정 직접 소개: 기업이 만나고 싶고, 후보자의 관심과도 맞을 때 가치: 서로를 발견하고 이해하는 비용을 줄인다. 후보자는 탐색의 부담을 덜고, 기업은 필요한 사람을 더 명확히 정의한다. 그렇게 아낀 시간은 실제 대화와 판단에 쓰인다. 구분할 점: Jack이 찾는 모든 외부 공고가 Jill을 통한 직접 소개로 이어지지는 않는다. '지원 없는 연결'은 양쪽의 관심과 연결 조건이 갖춰졌을 때 성립한다. 6. 채용의 성과와 개인의 이익을 연결하다 제품의 가치 후보자: 무료. 모의 면접, 연봉 협상, 커리어 코칭 포함 기업: 10%. Jill을 통해 채용이 성사되면 첫해 연봉의 10% 진입 부담을 낮추고 실제 채용을 매출로 잇는 모델이다. 그런데 장기적인 커리어 에이전트라면 풀어야 할 질문이 있다. 기업의 채용 성사가 수익을 만드는 구조에서도, 개인에게 가장 좋은 선택은 지금의 자리에 남는 것일 수 있다. 이것이 실제 추천이 왜곡된다는 증거는 아니다. '개인의 편에 선다'는 약속은, 이직하지 않는 선택까지 존중할 때 더 단단해진다. 7. Sage의 출발점 — 창업자의 경험을 읽되, 빈 시장을 단정하지 않는다 여기서부터는 전략적 해석과 제안 서로 다른 과제: EOR이 다루는 급여·계약·고용 운영과, 개인의 역량 개발·프로젝트 회고·장기 커리어 관리는 다르다. Wilson의 이력만으로 Jack & Jill이 입사 이후를 비워 두었다고 결론 낼 수 없다. 이미 겹치는 영역: Jack은 재직 중인 사람을 위한 지원과 커리어 코칭도 제공한다. '취업을 넘어 커리어를 관리한다'는 말만으로는 차별점이 되지 않는다. 입사 이후의 경험을 어떤 근거로 기록하고, 그 기록을 다음 선택에 얼마나 유용하게 연결할 것인가. 같은 약속을 얼마나 깊고 신뢰할 수 있는 경험으로 실현하느냐가 중요하다. Sage가 배울 세 가지 — 이해, 행동, 연결 Jack & Jill에서 배울 것 이해가 추천보다 앞선다: 중요한 조건을 발견하고 추천의 이유를 함께 확인한다. 거절의 이유가 연봉인지, 역할인지, 시기인지에 따라 다음 행동이 달라져야 한다. 이해를 행동으로 잇는다: 지원할 곳 판단, 경험 정리, 면접 준비, 연락 검토. 사용자가 허용한 범위에서 진행하고, 외부로 나가는 내용은 사용자가 확인한다. 개인과 기업의 맥락을 함께 본다: 어떤 환경에서 강점이 성과가 되는지 알아야 한다. 초기에는 특정 직무의 사용자와 소수의 채용 파트너 사이에서 연결의 품질부터 검증한다. Sage가 발전시킬 영역 사용자가 말한다: "미국 시장 진출 경험이 있습니다." Sage가 묻는다: 어느 고객군을 선택했는가 왜 그 고객군을 먼저 공략했는가 어떤 반응을 보고 가설을 바꾸었는가 그리고 잇는다: 시장 분석 자료, 고객 인터뷰, 제안서, 실험 결과 증거의 상태를 표시한다. 프로젝트 전체의 성과와 개인의 기여를 구분하고, 각 내용의 근거를 밝힌다. 문서가 있다는 사실만으로 역량 전체가 입증되지는 않는다. 직접 확인한 사실 본인의 설명 아직 검증하지 못한 내용 사용자는 추천을 검토하고 설명을 바로잡는다. 기업은 면접에서 확인할 질문을 더 구체적으로 준비한다. 차별점은 증거의 출처와 한계, 수정 가능성을 제품의 중심에 두는 것이다. 10. 구직이 아니라 고용의 시간을 맡다 버티컬 에이전트 전략 구직은 몇 주, 고용은 몇 년이다. Jack & Jill이 가장 강한 곳은 만남의 순간이다. Sage의 버티컬은 그다음, 입사한 날부터 다음 선택을 내리는 날까지로 정의한다. 이 시간에는 누구나 반복하는 일이 있어서, 에이전트가 할 일이 이미 정해져 있다. 의 네 단계는 지금의 자리에서 더 잘 일하고, 더 정확히 인정받도록 돕는 시간이다. 이직은 마지막 하나뿐이다. 첫 시장: AI·B2B 스타트업에서 GTM·파트너십·커뮤니티 역할을 새로 맡은 사람의 첫 90일. 성과는 숫자로 보이지만 개인의 기여를 가리기 어렵고, 회사가 기록을 대신 남겨 주지 않는다. 검증할 가설이다. 수익 구조: 수익이 이직 성사가 아니라 고용 기간의 가치에서 나오면, "지금은 남는 편이 낫다"는 조언이 이익과 충돌하지 않는다. 누가 비용을 내든 기록은 개인의 것이다. 첫 실험: 첫 90일을 시작하는 GTM 사용자 20~30명과 한 분기. 핵심 질문: 이직 계획이 없어도 다음 분기에 계속 쓰고 싶어 하는가. 입사 → 기록 → 리뷰 → 성장 → 선택 → 다음 기회 → 다시 기록 Jack & Jill이 만남을 설계한다면, Sage는 만남 이후의 시간을 설계한다. 11. 오래 기억할수록, 새롭게 이해할 수 있어야 한다 기억의 설계 자신 없다고 말한 분야가, 새로운 프로젝트를 통해 강점이 될 수 있다. 예전에 원했던 직장이, 지금은 맞지 않을 수 있다. 한 번의 실패에 대한 해석이, 이후의 경험으로 달라질 수 있다. 사용자는 기록에 맥락을 더하고, 잘못된 해석을 고치고, 오래된 판단을 갱신할 수 있어야 한다. 무엇을 보관하고 누구에게 공개할지도 스스로 정한다. 나를 오래 기억하는 AI에는, 달라진 나를 알아볼 능력도 필요하다. 12. 더 나은 선택과 지속적인 성장 성공의 기준 지원 수와 소개 수에 더해, 약속에 맞는 기준으로 측정한다. 기준이 바뀌면 제품의 행동도 바뀐다. 근거를 이해하고 받아들인 추천의 비율 실제 대화로 이어진 비율 준비에 절약한 시간 사용자가 수정한 해석이 반영됐는가 취업 후 역할 만족도와 성장 경험 (자발적 피드백) 방향을 더 명확히 이해하게 됐는가 13. 가능성을 여는 문 나를 이해하는 깊이가 쌓이는 미래 Wilson은 고용의 복잡성을 사업으로 다뤘고, Mehan은 AI로 기회를 발굴하는 제품을 만들어 왔다. 이전에 풀어본 문제가 다음 제품의 재료가 되듯, 한 사람의 경험도 다음 기회를 이해하는 근거가 될 수 있다. 증거는 사람을 가두는 판결문이 아니라, 아직 발견되지 않은 가능성을 여는 문이어야 한다. 나를 이해하는 AI가 다음 기회를 찾는다. 그 기회에서 내가 만든 경험은 다시 나를 이해하는 깊이를 더한다. 내가 기대하는 커리어 에이전트의 미래는 그 관계가 오래 이어지는 데 있다.

Sage: Handing the Full-Time Job of Job Hunting to AI Toward a career you never have to explain from scratch again October 2, 2026 · Hanjong Lee (@HJ) Sage begins with a practical promise: let an agent do the work of finding and preparing for opportunities while people retain the power to choose. Its larger possibility, in my view, is a Career Management Agent that remembers experience, connects it to evidence, and helps that evidence open new paths over time. Unless you do the work, nothing happens Today's job search asks people to perform a second job before they can find their next one. They move between job boards, sort through recommendations, and discard poor fits, old listings, and broken links. When a promising role finally appears, the work begins again: research the company, understand the position, revise the resume, prepare the application, and hope someone reads it. Unless you do the work, nothing happens. Generative AI makes parts of that process easier. But when tailored applications become easier for everyone to produce, the burden of discovering real ability can become harder for employers. Candidates can send more applications without feeling better understood. Companies can receive more applications without gaining better grounds for judgment. Sage's proposition addresses the labor behind that problem. Imagine a personal recruiter whose continuing task is to understand you, watch the market on your behalf, and help you act when the right opportunity appears. For Saywise, I see this as an extension of an older question: how do we draw out the wisdom that lives inside people but has not yet been expressed? Live AMA, AI Content Producer, Resume 2.0, and now Sage can be read as successive attempts to bring that wisdom closer to an opportunity someone can actually pursue. What the early recommendations reveal The recommendations I received from Sage offer an early glimpse of this direction. In messages about Hightouch, Kong, and Arkestro, Sage combined company context, role requirements, compensation or working arrangements, and an explanation of how the opportunity connected to my experience. One message highlighted the relevance of translating complex technology into business value. Another raised a concern that the position might sit below my current level. Some moved directly toward a next step, asking whether to tailor my resume. These examples matter because they shift the unit of value from a posting to a reasoned recommendation. Table 1. Anatomy of a useful recommendationPart of the recommendationThe question it helps answerCompany and role contextWhat is happening here, and what problem does this role address?Compensation, location, and working arrangementsDoes this meet my practical requirements?Relevant experienceWhy might this opportunity fit me?TimingIs there a reason to consider it now?Tradeoffs and gapsWhat might make it a poor choice?Suggested next actionWhat can we do if I am interested?Request for feedbackWhat should the agent learn from my response? A useful briefing lets the user inspect the reasoning before spending more time on the opportunity. That is the beginning of a different relationship with the job market: the opportunity arrives with context, and the person decides whether it deserves attention. It is also only a beginning. The recommendations I have seen are early product observations. The broader career system described below is my proposal for where that beginning could lead. Three lessons already stand out. Trust grows when the agent can name a downside. A recommendation becomes more credible when it acknowledges a level mismatch, missing experience, or a difficult tradeoff. An agent that praises every role gives the user little help deciding among them. Feedback needs reasons. Ratings for role, location, pay, and overall fit are useful, but a sentence can teach much more: “The salary works, but I do not want to return to this industry,” or “The role fits, but this stage of startup does not fit my family situation.” The explanation gives the score its meaning. The delivery channel shapes the experience. In my international text messages, fragmented delivery and carrier notices interrupted the reading flow. Brief alerts, readable explanations, and an easy path to respond would help the product's reasoning reach the user intact. Even through those interruptions, a meaningful change was visible. I had not opened a job board to search, yet an opportunity arrived. Someone—or something—was watching on my behalf. Understanding a person takes more than a resume A resume describes part of a person's past. A good recruiter also needs to understand the conditions under which that person wants to build a future. Table 2. Five layers of career understandingLayerWhat the agent needs to understandExperienceWork completed, responsibilities, skills, outcomes, and lessonsPractical termsLocation, compensation, seniority, schedule, and working arrangementsDirectionProblems the person wants to solve and capabilities they want to developBoundariesEnvironments, compromises, and risks they are unwilling to acceptCurrent circumstancesWhether they are actively searching, cautiously exploring, or focused on their present role These layers change at different speeds. Experience accumulates. Priorities evolve. Family, health, and location can alter what is possible much more quickly. Understanding therefore has to continue after onboarding. When someone's responses appear to conflict with a stated preference, the agent should ask for clarification. Interest in an office-based role does not automatically mean a remote-work preference has disappeared. It may mean that the team, location, or opportunity makes an exception worth considering. Behavior should prompt a conversation, not silently overwrite a person's boundaries. The same care applies to recommendations. Every opportunity consumes attention. Sage should learn how many roles a person can seriously consider, what makes an interruption worthwhile, and when remaining quiet is the better service. From a job search to a continuing career A job search is an episode. A career continues between episodes. If Sage becomes useful only when someone wants to move, it will miss the years in which the next move becomes possible: projects completed, decisions made, capabilities developed, relationships formed, and evidence gradually lost. This is why I believe its larger opportunity is to become a Career Management Agent. A job search agent helps answer, “Where should I apply?” A career agent can also help answer, “What am I becoming capable of, what evidence supports that growth, and which opportunities would let me use it well?” That system would need seven connected kinds of work. Table 3. Seven functions of a Career Management AgentCareer functionWhat Sage could help doWhat stays with the personCareer MemoryCapture contributions, decisions, outcomes, and supporting recordsCorrect the account and decide what to retainCareer DiagnosisExplain strengths, gaps, and possible next stepsChoose the goal and whether to pursue a moveOpportunity SensingMonitor relevant market signals and explain uncertaintyDecide which opportunities deserve attentionEvidence OrchestrationConnect role requirements to real experience and supporting materialConfirm claims and approve the representationApplication and Relationship ManagementKeep deadlines, conversations, and feedback togetherAuthorize communications and interpret outcomesInterview and Negotiation CoachingPrepare questions and compare offers against personal criteriaEvaluate the employer and accept or decline termsPost-Hire GrowthPreserve new contributions and support periodic reflectionDo the work and decide the direction of growth 1. Career Memory: capture experience while it is still fresh. Short, timely check-ins could preserve what usually disappears between a project's end and the next resume update: the original problem, the person's contribution, the alternatives considered, the decision made, and the result. Useful questions would be concrete: What did you personally create? Which decision mattered most? What changed because of your work? Is there a work sample or person who can help substantiate the result? Contemporaneous records can preserve context that later recollection misses. They still need correction and interpretation; recording something quickly does not automatically make it true. 2. Career Diagnosis: explain the present position. Before encouraging applications, Sage could show which roles the person's experience supports, where the evidence is strong, and what is missing for the next step. A credible diagnosis should sometimes recommend staying. Finishing an important project, documenting a result, or developing a capability may create more value than starting another application cycle. 3. Opportunity Sensing: watch for signals before and beyond a posting. Hiring plans, organizational changes, emerging skill requirements, and relevant developments in a person's network can suggest where opportunities may develop. Sage could connect those signals to the user's direction and explain the uncertainty involved. Speed is useful when an opportunity is suitable and ready to pursue. Freshness alone is not a reason to apply. 4. Evidence Orchestration: connect experience to the problem a role needs solved. Sage could identify a role's central requirements, retrieve relevant experience, and connect each claim to supporting material. It should show gaps as clearly as strengths and let the user inspect how the original record has been translated into application language. AI can help organize and express an account. The underlying achievements must come from the person's actual experience. Fluency must never stand in for evidence. 5. Application and Relationship Management: preserve continuity after submission. Applications generate deadlines, conversations, interview notes, follow-ups, and relationships. Keeping that context together could make each interaction more useful. A rejection might reveal a missing qualification, a mismatch, or simply an unavailable position. Where feedback exists, Sage should preserve it without treating one employer's decision as a permanent judgment of the person. 6. Interview and Negotiation Coaching: improve the person's own judgment. Preparation should help candidates explain their experience honestly and ask better questions about the employer. Offer comparisons should include compensation, equity, actual responsibility, team conditions, and the consequences for family and health. The comparison should follow the user's priorities. A higher salary is one factor in a life decision. 7. Post-Hire Growth: keep learning after the start date. Sage could support early priorities, stakeholder relationships, quarterly reflection, and evidence for future responsibilities or promotion. The person does the work; the agent helps preserve its meaning. Those new records return to Career Memory. Hiring becomes one transition in a continuing cycle, rather than the point at which the system stops understanding the person. The Career Evidence Graph For these functions to work together, they need a shared record richer than a resume. I would call it a Career Evidence Graph: a connected map of projects, problems, decisions, contributions, outcomes, skills, work samples, and relevant feedback. A resume is one useful view of that map. An interview story, a promotion case, and an application for a different role are other views. Each should draw from the same underlying experience while selecting the context relevant to its purpose. The graph would also need to distinguish what supports a claim. Table 4. Sources of career evidenceEvidence sourceWhat it contributesWhat still needs interpretationThe person's own accountExperience, intent, and contextAccuracy, scope, and attributionWork samples and recordsConcrete material connected to the claimAuthorship, relevance, confidentiality, and what the material actually demonstratesFeedback and corroborationAnother perspective on contribution and resultsThe source's knowledge, independence, and possible bias These are complementary sources, not a universal ranking of people. A reference can be incomplete. A dashboard can show a result without showing who caused it. Valuable work may also leave little public evidence. Sage should help users substantiate claims where possible and describe limitations honestly. It should distinguish an unsupported claim from a disproven one. Most of all, the record must remain open to revision. People should be able to add context, correct mistakes, and show how new experience changes an earlier assessment. Evidence should be a door that opens possibilities, not a verdict that confines a person. The work can be delegated. The direction remains personal. The sentence in the thesis that matters most to me is this: You would still make the decisions. But you wouldn't have to do all the work. For Sage, that should become a practical design principle. Delegation can grow as trust develops, but it should be specific to the task. Permission to research companies is different from permission to send an application under someone's name. Table 5. Task-specific delegationLevelWhat Sage can doWhat defines its authorityNotifyFind an opportunity and explain its relevanceThe user's discovery preferencesPrepareDraft materials, questions, or a proposed responseThe available evidence and the user's instructionsAct with approvalSubmit or communicate using approved materialsApproval for the particular action or established scopeAct within agreed rulesHandle defined routine tasksExplicit boundaries the user can inspect, change, and revoke Research may be delegated broadly. Writing requires faithful representation. External communication needs clear authorization. Scheduling might operate under standing instructions, while accepting an offer remains the person's decision. The user should always be able to see what Sage did, understand why, correct its assumptions, and reduce its authority. Silence should not become permission, and yesterday's preference should not become an irreversible rule. The city someone lives in, the risks they accept, the work they value, and the private experiences they disclose are choices an agent can help clarify. They remain the person's own. Trust requires aligned incentives and control over the record A personal agent must be clear about whose interests guide its recommendations. Recruiting arrangements vary, but some compensation structures reward a placement more directly than the candidate's long-term fit. Sage should make its own incentives visible. If an employer relationship influences a recommendation, the user needs to know. A subscription might help align the service with the user, but no payment model guarantees loyalty. The product has to demonstrate that loyalty through its behavior: honest tradeoffs, transparent explanations, and a willingness to recommend staying where the person is. The career record also needs to remain under the user's control. They should be able to correct it, export it, choose what to share, and remove information they no longer want retained. Selective disclosure is especially important. Health, rehabilitation, family responsibilities, and difficult transitions may matter deeply to a career decision. That does not make them appropriate material for every application. Knowing something about a person should never be treated as permission to reveal it. The more candid a user becomes, the greater the responsibility to protect that candor. Deep understanding becomes possible only when the person trusts that it will serve them. A better hiring conversation There is an obvious danger in an increasingly automated hiring market: candidate tools produce more applications, employer tools create stronger filters, and both sides respond by increasing automation again. Sage could contribute a different incentive: make each application more informative. That would mean selecting opportunities carefully, connecting relevant claims to evidence, and giving employers a clearer view of both capability and gaps. It would also mean preserving useful feedback so the candidate can learn without being trapped by an earlier outcome. Over time, a reputation for selective, well-supported applications could give employers a reason to pay attention. That reputation would have to be earned through results; attaching the Sage name to an application would not be enough. It is possible to imagine candidate and employer agents exchanging requirements and permitted evidence before a human conversation. The meaningful test would be whether the eventual conversation becomes better informed and more useful to both people involved. The aim should be to improve the quality of discovery and choice, not merely the speed of processing. Measure the quality of the opportunity A product's metrics can pull it away from its promise. If application count becomes the central measure, Sage could drift toward maximizing submissions. If engagement becomes the goal, it could learn to keep people browsing when their time would be better spent elsewhere. A Career Management Agent needs a broader scorecard. Table 6. Measuring career valueQuestionA useful measureDid this save meaningful effort?Time saved, considered alongside user satisfactionWere the recommendations worth reviewing?User-rated relevance and reasons for accepting or rejecting themDid preparation improve the opportunity?Application-to-interview conversion, interpreted by role and market conditionsDid the person make a suitable choice?Fit against their own criteria and satisfaction after startingDid the record become more useful?Relevant claims with support, corrected records, and reusable work samplesDid Sage remain useful after hiring?Voluntary continued recording and the value users report from it No single metric proves the model. Interview rates depend on the labor market; continued use does not necessarily mean the user benefits. Together, these measures can help test whether Sage improves outcomes while respecting the person's time and priorities. Four products, one continuing question This is how I now read Saywise's four products. Table 7. Four products, one continuing questionProductThe lesson I see carried forwardLive AMAGood questions help people express experience they have not yet articulated.AI Content ProducerAI can give structure to scattered thoughts while preserving the person's voice.Resume 2.0Projects, decisions, work, and stories can reveal capability beyond a title.SageThat understanding can be connected to opportunities, action, and continuing growth. The relationship can be expressed as a cycle: Capture → Structure → Prove → Discover → Act → Grow → Learn Each step feeds the next, and growth creates new experience worth capturing. Read this way, the earlier products offer lessons that could strengthen Sage's future. That is an interpretation of Saywise's journey, not proof that every part of this infrastructure already exists. Its value will depend on whether the lessons survive in the product and improve people's lives. A roadmap that earns the next step The larger vision should be built through smaller, testable commitments. This is the sequence I would propose. Table 8. A proposed roadmapProposed stageWhat to buildWhat it needs to demonstrate1. Job Search AgentRelevant recommendations, clear tradeoffs, faithful application preparation, and feedbackUsers find the recommendations useful and trust how they are represented2. Career EvidenceA connected career record that users can inspect and correctRicher context improves recommendations and preparation3. Post-Hire GrowthContribution records, review preparation, and internal as well as external opportunitiesSage provides value between job searches4. Career Trust NetworkSelective sharing of relevant, supported evidenceEmployers and candidates understand each other more accurately Each stage has to earn the trust required for the next. A larger vocabulary is not a substitute for demonstrated value. What my 100-plus records could help test The more than 100 records I have created on Saywise offer one personal case for exploring the second stage. Across those records are recurring questions about technology, markets, trust, and the evidence behind professional judgment. They include my experience across Korea and the United States, my evolving identity as a GTM & Evidence Builder, and the work I continued through setbacks and rehabilitation. The question is whether that body of work lets Sage understand something useful that a conventional resume would miss. Can it distinguish the problems I am equipped to solve? Can it identify the environments in which my experience is likely to matter? Can it help me express that experience more accurately, recognize a poor fit sooner, and prepare a more substantive conversation? My records are not proof that this approach works for everyone. They are material for a test: does richer, relevant context improve the recommendations and decisions that follow? If it does, the writing becomes more than a collection of posts. It becomes a record that helps the agent make better judgments—and helps me inspect those judgments for myself. Never explain your career from scratch again “Never search for a job again” is a compelling promise because it speaks to exhaustion. It imagines people receiving help before repetitive labor consumes the energy they need for a meaningful choice. The larger promise I see is continuity. Today, a career transition often begins with a blank document. Years of decisions, contributions, setbacks, and learning have to be reconstructed, compressed, and explained again. Some of the most important context is lost each time. A continuing career record could change that starting point. The next opportunity would begin with experience already preserved, evidence already connected, and priorities already open for discussion. People would still need to reflect, correct, and choose. They would have more of their own history available when they did. Never explain your career from scratch again. That is the possibility that connects Saywise's experiments for me: questions that draw out experience, structure that preserves its meaning, evidence that supports a claim, and action that opens the next opportunity. Three changes of course do not, by themselves, prove that a company has found its path. But they can reveal a clearer understanding of what it is trying to carry forward. I am glad to see CK's experiments take shape in Sage. The direction resonates with the work I have been doing, too: keep asking, keep building, and leave evidence that others can understand. What Saywise now has to demonstrate is concrete. Does understanding a person more deeply help them discover better opportunities and make better career decisions? Can it do so while keeping their record revisable, their disclosures selective, and their choices their own? If Sage can earn that trust, the agent becomes a companion to a career that keeps growing. People keep the power to decide. Their experience keeps its context. And the work they have already lived becomes the starting point for what comes next. Key sentence Sage's larger opportunity is to turn a person's continuing experience into usable career evidence—and connect that evidence to better opportunities while keeping the power to choose with the person. Hashtags #Saywise #SageAgent #CareerManagementAgent #CareerEvidence #CareerEvidenceGraph #EvidenceBuilder #Resume2_0 #AgenticJobSearch #HumanAgency #FutureOfWork #NeverStartFromScratchAgain

Sage—구직이라는 풀타임 노동을 AI에게 넘기다 다시는 자신의 경력을 처음부터 설명하지 않아도 되는 세상을 향해 Oct 2, 2026 · @HJ 한 줄 요약. Sage의 비전은 공고를 대신 찾아주는 구직 에이전트가 아니라, 한 사람의 경력을 평생 기억하고 증거로 쌓아 다음 기회로 연결하는 Career Management Agent다. 노동은 에이전트가 맡고, 결정은 끝까지 사람에게 남는다. 지원자가 움직이지 않으면 아무 일도 일어나지 않는다 오늘날 구직 과정은 여러 개의 단절된 노동으로 이루어져 있다. 구직자는 채용사이트를 돌며 수많은 추천을 확인한다. 맞지 않는 공고와 오래된 채용, 닫힌 링크를 걸러낸다. 겨우 괜찮은 자리를 발견하면 회사를 조사하고, 이력서를 수정하고, 지원서를 작성한다. 지원자가 직접 움직이지 않으면 아무 일도 일어나지 않는다. Unless you do the work, nothing happens. 생성형 AI는 지원서를 만드는 비용을 낮췄지만 또 다른 문제를 만들었다. 누구나 빠르게 맞춤 이력서를 만들고 자동으로 지원할 수 있게 되면서 지원자가 폭증했다. 구직자는 자신이 수백 번째 지원자인지 알기 어렵고, 기업은 서로 비슷해진 이력서 더미에서 실제 역량을 찾아야 한다. 지원자는 더 많이 지원하지만 더 잘 발견된다고 느끼지 못한다. 기업은 더 많은 지원서를 받지만 더 정확한 판단을 한다고 확신하기 어렵다. 그리고 제출 이후에는 자신의 지원서가 실제로 읽혔는지조차 알 수 없는 블랙홀에 들어간다. “사람 안에 있지만 아직 표현되지 않은 지혜를 어떻게 꺼낼 것인가”라는 질문에서 출발한 Saywise는 Live AMA, AI Content Producer, Resume 2.0을 거쳐 네 번째 제품 Sage에 도착했다. Saywise의 CK는 이 문제를 더 나은 검색엔진으로 해결하려 하지 않는다. 그가 제안하는 것은 오직 한 사람을 위해 일하는 개인 리크루터다. 실제 Sage는 무엇을 하고 있는가 현재 Sage가 보내는 문자 한 통에는 이 비전의 초기 형태가 압축되어 있다. Sage는 직무명과 링크를 보내지 않는다. 대신 한 통의 추천 안에 리크루터가 전화 한 통으로 전할 법한 판단을 담는다. Hightouch를 추천하면서는 YC S19 출신의 Series D 기업이라는 배경, 최근 30일간의 채용 활동, 고객 데이터와 AI를 결합한 사업 특성을 언급하고, 복잡한 기술을 측정 가능한 사업 가치로 번역해 온 사용자의 강점과 연결했다. Kong의 엔터프라이즈 역할에서는 32만~40만 달러 수준의 보상, 계정 확장, 오픈소스·API·인프라 소프트웨어 경험이라는 조건을 짚고, 공고가 한 시간 전에 게시됐다는 신선도까지 전한 뒤 이력서를 이 역할에 맞춰 조정할지 물었다. Arkestro의 Solutions Consultant 역할에서는 연봉 범위와 원격근무 조건, AI와 게임이론을 활용하는 조달 솔루션이라는 맥락을 설명하고, 상업적 사이클을 이끌어 온 경험과의 적합성을 제시했다. 세 추천을 나란히 놓으면 하나의 구조가 보인다. 좋은 추천은 일곱 개의 요소로 이루어진다. 검색엔진이 주는 것은 목록이다. 목록은 판단을 사용자에게 떠넘긴다. Sage가 보내는 것은 브리핑이다. 브리핑은 판단의 근거를 함께 건넨다. 이 차이가 작아 보여도, 하루에 수십 개의 공고를 열어보던 노동이 몇 통의 문자를 읽고 답하는 일로 바뀐다는 뜻이다. 초기 제품이 이미 말해 주는 세 가지 첫째, 가장 중요한 기능은 “아니요”를 말하는 능력이다. 한 추천에서 Sage는 기술영업과 AI GTM 경험이 잘 맞지만 직급이 한 단계 낮을 가능성이 있다고 알려줬다. 사소해 보이지만 이것이 에이전트에 대한 신뢰를 만드는 순간이다. 모든 기회를 좋다고 말하는 추천자는 결국 아무것도 추천하지 않는 것과 같다. 단점을 말해 준 경험이 쌓일 때 사용자는 Sage가 “지원하세요”라고 말하는 순간을 믿기 시작한다. 좋은 에이전트의 가치는 추천의 수가 아니라, 그 추천이 얼마나 정직하게 보정되어 있는가에서 나온다. 둘째, 피드백은 질문의 설계가 결정한다. 추천 이후 Sage는 직무, 위치, 보수, 전체 적합성을 묻는다. 출발점으로는 좋다. 하지만 가장 많이 배울 수 있는 신호는 점수가 아니라 거절의 이유다. “보수는 좋은데 이 산업은 다시 가고 싶지 않다”, “직무는 맞지만 이 단계의 스타트업은 지금 가족 상황에 맞지 않는다” 같은 한 문장이 다섯 개의 별점보다 많은 것을 알려준다. 그리고 사용자가 말한 기준과 실제로 반응한 기회가 다를 때, 그 차이가 Sage가 사람을 배우는 가장 깊은 재료가 된다. 셋째, 채널은 에이전트의 목소리다. 지금의 국제문자는 여러 조각으로 분리되고, 통신사의 해외발신 경고가 문장 사이에 끼어들어 읽기 경험을 깨뜨린다. 단순한 기술 문제처럼 보이지만, 에이전트가 사용자의 일상에 들어오는 문이 곧 제품의 첫인상이다. 문자는 즉시성이라는 장점이 있지만, 긴 브리핑과 첨부 자료, 대화형 수정에는 맞지 않는다. 알림은 짧게, 판단은 깊게, 실행은 한 번의 탭으로 이어지는 채널 설계가 필요하다. 사용자가 사는 나라와 쓰는 메신저가 다르다면 채널도 달라져야 한다. 그럼에도 이 불편한 화면 안에서 가장 중요한 변화는 이미 일어났다. 공고를 찾으러 사이트에 들어가지 않았는데, 기회가 먼저 사용자에게 도착했다. 검색 결과를 기다리는 사람이 아니라, 자신을 위해 시장을 관찰하는 에이전트를 가진 사람이 된 것이다. 검색 결과 25개가 아니라, 지금 볼 가치가 있는 기회 몇 개 좋은 개인 리크루터는 공고보다 사람을 먼저 본다. 그런데 “사람을 이해한다”는 말은 생각보다 여러 층으로 이루어져 있다. 이력서는 그중 가장 얕은 층만 담는다. 몇 주 만에도 바뀐다 대부분의 구직 도구는 첫 번째 층에서 멈춘다. 키워드와 직함을 맞추는 것으로는 “기술을 사업 가치로 번역해 온 사람”과 “같은 직함을 가진 다른 사람”을 구분할 수 없다. 진짜 적합성은 방향과 경계에서 결정된다. 연봉과 직무가 완벽히 맞아도 다시 가고 싶지 않은 조직 문화라면, 그 추천은 사용자의 시간을 쓴 만큼 신뢰를 깎는다. 그리고 이해는 한 번의 온보딩으로 끝나지 않는다. 사람은 자신이 원하는 것을 언제나 정확히 말하지 못한다. 원격근무가 필수라고 말한 사람이 샌프란시스코 사무실 기반의 역할에 가장 오래 머문다면, 그 사람이 정말 원하는 것은 원격근무가 아니라 이동시간 없는 삶의 리듬일 수도 있다. 말한 선호와 드러난 선호 사이의 간격을 조심스럽게 묻고 확인하는 일, 그것이 좋은 리크루터의 대화이고 Sage가 배워야 할 대화다. 이 층들을 이해한 다음에야 Sage는 시장을 대신 관찰할 수 있다. 알고리즘이 순위를 매긴 공고 수십 개를 던지는 대신 실제로 시간을 쓸 가치가 있는 소수를 고르고, 공고가 나온 직후 알린다. 사용자가 수백 번째 지원자가 되기 전에 움직일 수 있도록. 검색엔진과 에이전트를 가르는 세 가지 검색엔진은 질문이 들어올 때만 일한다. 질문이 끝나면 아무것도 기억하지 않고, 결과를 보여준 뒤에는 책임지지 않는다. 에이전트는 다르다. 지속성. 사용자가 묻지 않아도 일한다. 오늘 밤 올라온 공고, 지난주 발표된 투자, 다음 달 열릴 조직 개편을 사용자가 잠든 사이에도 지켜본다. 맥락. 지난 대화를 기억한다. 세 번 거절한 산업을 네 번째로 추천하지 않고, 지난달의 피드백이 이번 주의 추천을 바꾼다. 대리성. 목표를 위임받아 행동한다. 정보를 보여주는 데서 멈추지 않고, 사용자가 승인한 범위 안에서 조사하고 준비하고 실행한다. 이 세 가지가 결합하면 추천의 경제학이 바뀐다. 검색엔진에게 공고 하나를 더 보여주는 비용은 0에 가깝다. 하지만 에이전트에게 추천 하나는 사용자의 주의력과 신뢰를 쓰는 일이다. 좋은 에이전트는 매번 보이지 않는 주의력 예산 안에서 판단한다. 이 사람이 이번 주에 진지하게 검토할 수 있는 기회는 몇 개인가. 그 자리를 이 공고에 써도 되는가. 그래서 Sage에게 “보내지 않은 추천”은 실패가 아니라 판단의 결과다. 사용자가 지원하기로 결정하면, 에이전트는 그 뒤의 반복 노동을 맡는다. 이 노동은 성격이 다른 세 묶음으로 나뉜다. 묶음 Sage가 맡는 일 어떤 대화를 이어가고, 어떤 조건에 동의할 것인가 세 묶음은 위험의 크기도 다르다. 조사는 틀려도 다시 하면 되지만, 작성은 사용자의 이름으로 나가는 말이고, 관계는 한 번 보낸 메시지를 되돌릴 수 없다. 그래서 위임의 깊이도 묶음마다 달라야 한다. 조사는 넓게 맡기고, 작성은 초안까지 맡기고, 관계는 한 통 한 통 승인한다. Saywise는 현재 Sage를 fully agentic job search and application platform이라고 정의한다. 사용자를 알아가고, 적합한 기회를 계속 찾고, 공고가 나타나면 알리고, 차별화된 지원자료를 준비하는 구조다. 미래의 구직은 더 좋은 검색창을 갖는 일이 아니다. 나를 기억하고, 나 대신 시장을 지켜보고, 내가 승인한 범위 안에서 움직이는 에이전트를 갖는 일이다. 그러나 Sage의 더 큰 미래는 구직 에이전트가 아니다 구직은 경력의 이벤트이고, 경력은 연속체다. 이 차이가 Sage의 미래를 결정한다. 한 사람은 평균적으로 몇 년에 한 번 직장을 옮긴다. 취업이 끝나는 순간 Sage의 역할도 끝난다면 사용자는 다시 필요해질 때까지 떠난다. 월 구독의 리텐션이 약해지는 것보다 더 큰 손실은, Sage가 쌓은 이해가 단절된다는 것이다. 다음 이직 때 Sage는 다시 처음부터 사용자를 배워야 한다. 그래서 Sage의 장기 비전은 Job Search Agent를 넘어 Career Management Agent가 되는 것이어야 한다. 구직 에이전트가 “지금 어디에 지원할까”에 답한다면, 경력 에이전트는 “나는 어떤 사람으로 성장하고 있으며, 그 성장을 시장은 어떻게 읽는가”에 답한다. 구직은 그 긴 이야기의 한 장면일 뿐이다. 진정한 Career Management Agent는 일곱 가지 일을 연속적으로 수행한다. 각 단계는 기능 목록이 아니라, Sage가 지켜야 할 설계 원칙과 함께 읽어야 한다. 일곱 단계는 한 번 지나가는 직선이 아니라, 입사 후 쌓인 기록이 다시 Career Memory로 돌아오는 원이다. 가운데의 Career Evidence Graph가 모든 단계를 하나로 잇는다. 1. Career Memory — 경력을 기억한다 사람은 자신이 해낸 일을 쉽게 잊는다. 프로젝트가 끝나면 당시의 문제와 판단, 작은 기여는 흩어지고, 1년 뒤 이력서를 고칠 때는 결과만 희미하게 남는다. Sage는 완료한 프로젝트, 맡은 역할, 중요한 판단, 성공과 실패, 동료와 고객의 피드백, 정량적 성과, 배운 것을 짧은 체크인으로 계속 축적한다. “이번 주에 가장 중요한 판단은 무엇이었나요?” “이 프로젝트에서 본인이 직접 만든 결과는 무엇인가요?” “성과를 확인해 줄 수 있는 사람이나 작업물이 있나요?” 설계 원칙: 기억은 현재형으로 쌓여야 한다. 이직 직전에 과거를 복원하는 기억은 이미 왜곡되어 있다. 일이 일어난 주에 기록된 판단과 맥락만이 나중에 신뢰할 수 있는 증거가 된다. 2. Career Diagnosis — 현재 위치를 진단한다 Sage는 공고를 추천하기 전에 사용자의 시장 위치를 설명할 수 있어야 한다. 내 경험이 어떤 역할과 연결되는지, 어디서 강하고 어디서 약한지, 기대 연봉과 시장 연봉의 차이, 다음 단계에 부족한 증거가 무엇인지. 설계 원칙: 이직을 권하지 않을 용기. 에이전트의 수익이 지원과 이직에서 나온다면 모든 진단은 “지금 움직이세요”로 기운다. 좋은 진단은 때로 “지금은 지원보다 현재 프로젝트의 성과를 수치로 남기는 것이 먼저입니다”라고 말한다. 3. Opportunity Sensing — 시장의 변화를 감지한다 새 공고만이 기회가 아니다. 기업의 투자와 채용 확대, 특정 기술 수요의 증가, 새로운 직무 카테고리, 경력과 가까운 기업의 조직 변화, 인맥의 이동은 모두 공고보다 먼저 나타나는 신호다. 설계 원칙: 양이 아니라 정밀도, 그리고 타이밍. 열어보지 않을 공고 100개보다 인생의 방향을 바꿀 공고 하나가 더 가치 있다. 그리고 같은 공고라도 게시 1시간 후와 2주 후의 가치는 다르다. 4. Evidence Orchestration — 경험을 지원 근거로 배열한다 Sage는 Resume Generator가 아니라 Evidence Organizer여야 한다. 공고가 해결하려는 핵심 문제를 분석하고, 실제 경험에서 관련 증거를 찾고, 확인된 사실과 자기 진술을 구분하고, 가장 강한 증거와 부족한 부분을 함께 보여준다. 공고의 언어로 재구성한 뒤에는 원본에서 무엇이 달라졌는지 공개하고, 사용자가 승인한 자료만 제출한다. 설계 원칙: 생성하지 않고 인출한다. AI가 그럴듯한 문장을 새로 만드는 순간 모든 이력서는 비슷해진다. 앞서 2025년 Conversation 실험에서 발견한 “AI는 Insight Organizer”라는 원칙이 채용 제품에서 다시 살아나는 지점이다. 5. Application and Relationship Management — 지원 이후까지 관리한다 대부분의 구직 도구는 지원 버튼을 누르는 순간 역할이 끝나지만, 실제 채용은 그때부터 시작된다. 지원 현황과 마감일, 담당자와의 접촉, 후속 메시지, 추천인 요청, 각 면접에서 확인된 정보, 거절 이후의 관계 유지까지 관리한다. 설계 원칙: 거절도 자산이다. 오늘의 거절은 18개월 뒤의 더 잘 맞는 자리로 이어질 수 있다. 목표는 지원서를 많이 보내는 것이 아니라, 기업과 후보자가 서로를 이해하는 대화를 더 많이 만드는 것이다. 6. Interview and Negotiation Coach — 선택의 질을 높인다 Sage는 기업이 후보자를 평가하도록 돕는 데 그치지 않고 후보자가 기업을 평가하도록 도와야 한다. 면접 전에는 예상 질문, 직무에 맞는 증거, 부족한 경험에 대한 정직한 설명, 면접관에게 물을 질문을 준비한다. 오퍼 이후에는 보상과 지분, 직급과 실제 권한, 팀의 안정성, 가족과 건강에 미치는 영향, 다음 경력으로 이어지는 가치를 비교한다. 설계 원칙: 사용자의 기준으로 비교한다. 가장 높은 연봉이 항상 가장 좋은 선택은 아니다. Sage는 시장 평균이 아니라 이 사람이 스스로 정한 기준표 위에서 오퍼를 비교해야 한다. 7. Post-Hire Growth — 취업 이후에도 함께한다 30·60·90일 계획, 새로운 이해관계자 지도, 초기 성과 목표, 승진에 필요한 증거, 분기별 경력 리뷰, 시장가치 변화와 내부·외부 기회 비교를 돕는다. 설계 원칙: 입사일은 끝이 아니라 기록의 시작이다. 이때 Sage는 구직 에이전트에서 경력의 운영체제로 바뀐다. 사람은 자신의 일에 집중하고, Sage는 흩어지는 증거를 기억하며 다음 선택을 준비한다. 그리고 이 단계에서 쌓인 기록이 다시 1단계의 Career Memory가 된다. 일곱 단계는 직선이 아니라 원이다. Career Evidence Graph — 이력서 다음의 데이터 구조 일곱 단계가 하나로 작동하려면 그 아래에 공통의 데이터 구조가 필요하다. 이력서는 그 역할을 할 수 없다. 이력서는 한 장짜리 요약이고, 요약은 이미 판단이 끝난 결과물이다. Sage가 쌓아야 할 것은 문서가 아니라 Career Evidence Graph다. 프로젝트, 문제, 판단, 결과, 기술, 작업물, 그리고 그것을 확인해 줄 수 있는 사람이 서로 연결된 지도다. “Kong 같은 인프라 기업의 엔터프라이즈 역할에 맞는가”라는 질문은 키워드 매칭이 아니라, 이 지도 위에서 API·오픈소스 경험과 계정 확장 성과를 잇는 경로가 있는지를 찾는 일이 된다. 이 그래프의 핵심은 모든 증거가 같은 무게를 갖지 않는다는 점이다. 이 구분이 중요한 이유는 생성형 AI 시대의 채용이 신뢰의 위기를 겪고 있기 때문이다. 누구나 완벽한 문장을 만들 수 있게 되면서 문장 자체는 더 이상 신호가 아니다. 신호는 그 문장 뒤에 무엇이 있는가에서 나온다. Sage가 수준 1의 진술을 수준 2와 3으로 끌어올리도록 꾸준히 돕는다면, 사용자는 더 화려한 이력서가 아니라 더 믿을 수 있는 이력서를 갖게 된다. 그리고 기업은 비슷해진 문장 더미 대신 검증 가능한 근거를 받게 된다. Career Management Agent의 작동 순환 순환의 각 단계에는 Sage가 맡는 노동과, 사람에게 남아야 하는 판단이 짝을 이룬다 결정은 사람에게, 노동은 에이전트에게 CK의 비전에서 가장 중요한 문장은 마지막 구호가 아닐지도 모른다. 내게 더 중요한 문장은 이것이다. You would still make the decisions. But you wouldn’t have to do all the work. 결정은 여전히 당신이 한다. 하지만 모든 일을 당신이 직접 할 필요는 없다. 이 문장은 Sage의 제품 원칙이자 윤리적 경계다. 그러나 원칙만으로는 부족하다. “결정은 사람이 한다”는 말은 실제 제품에서 매 순간 어디까지 맡길 것인가라는 구체적인 설계 문제가 된다. 위임의 사다리 신뢰는 한 번에 주어지지 않는다. 새로 들어온 비서에게 첫날부터 계약 서명을 맡기지 않듯, Sage의 자율성도 사용자가 한 칸씩 올려야 한다. 단계 Sage의 권한 예시 1. 알림 발견하고 알린다 “1시간 전 게시된 Kong 엔터프라이즈 역할이 있습니다” 2. 초안 준비하되 실행하지 않는다 맞춤 이력서와 지원서 초안을 만들어 검토를 요청 3. 승인 후 실행 사용자의 한 번의 승인으로 실행 승인된 자료로 지원하고 후속 메시지 발송 4. 규칙 내 위임 사용자가 정한 규칙 안에서 스스로 실행 “원격·연봉 하한 이상·Series B 이상이면 초안까지 자동, 지원은 승인 후” 중요한 것은 사다리가 영역별로 다르다는 점이다. 면접 일정 조율은 4단계까지 맡겨도 되지만, 지원 여부와 오퍼 수락은 언제나 3단계 이하에 머물러야 한다. 그리고 사용자는 언제든 한 칸 내려올 수 있어야 한다. 위임할 수 없는 결정 어떤 직무를 원하는가. 어느 도시에서 살 것인가. 가족과 건강을 어떻게 고려할 것인가. 어떤 기업의 가치관을 받아들일 수 있는가. 어느 정도의 위험을 감수할 것인가. 무엇을 공개하고 무엇을 비공개로 남길 것인가. 이것은 사다리 위에 올라가지 않는다. AI가 더 많은 일을 맡을수록 사람의 권리는 더 구체적으로 설계되어야 한다. 선택권, 수정권, 거절권에 더해 Sage가 왜 그렇게 판단했는지 물을 수 있는 설명 요구권, 그리고 Sage가 기억한 것을 지울 수 있는 망각권까지. 좋은 Sage는 자동 지원의 양으로 평가되어서는 안 된다. 사용자를 얼마나 정확하게 이해하고, 사용자의 기준을 얼마나 충실히 지키며, 왜 이 기회를 추천했는지를 얼마나 투명하게 설명하는가로 평가되어야 한다. 누구를 위해 일하는가 개인 리크루터라는 은유에는 오래된 함정이 숨어 있다. 전통적인 헤드헌터는 후보자를 위해 일하는 것처럼 보이지만, 실제 보수는 기업이 지급한다. 그래서 그들의 이해관계는 “이 사람에게 가장 좋은 자리”가 아니라 “빨리 성사되는 자리”로 기운다. Sage가 진짜 개인 에이전트가 되려면 이 구조를 의식적으로 넘어서야 한다. 사용자가 구독료를 내는 구조는 그 출발점이 될 수 있다. 하지만 수익 모델보다 더 중요한 것은, 어떤 상황에서도 지켜야 할 원칙을 먼저 선언하는 일이다. 첫째, 사용자의 이익이 우선한다. 기업과의 파트너십이 생기더라도 추천의 순서와 진단의 내용은 사용자의 기준으로만 결정되어야 한다. 추천에 영향을 주는 관계가 있다면 공개해야 한다. 둘째, 경력 데이터는 사용자의 것이다. Career Memory와 Evidence Graph는 Sage의 자산이기 전에 사용자의 삶의 기록이다. 사용자는 언제든 내보내고, 다른 서비스로 옮기고, 삭제할 수 있어야 한다. 떠날 수 있는 자유가 있을 때 머무는 선택이 의미를 갖는다. 셋째, 공개는 선택적이어야 한다. 재활의 시간, 건강, 가족 사정처럼 경력에 영향을 주었지만 모든 기업에 말할 필요는 없는 이야기가 있다. Sage는 이를 알고 판단에 반영하되, 무엇을 누구에게 보여줄지는 사용자가 공고 단위로 정해야 한다. 깊은 이해는 깊은 신뢰 위에서만 가능하다. 사용자가 Sage에게 솔직할 수 있는 이유는, Sage가 그 솔직함을 사용자에게 불리하게 쓰지 않는다는 확신이 있을 때뿐이다. 에이전트가 만나는 채용시장 지금까지는 Sage를 후보자 한 사람의 관점에서 보았다. 하지만 시장 전체로 시야를 넓히면 더 큰 그림이 보인다. 기업도 이미 AI로 지원서를 걸러내고 있다. 후보자의 AI가 지원서를 만들고, 기업의 AI가 그것을 거르는 시장은 쉽게 군비 경쟁이 된다. 더 많은 자동 지원은 더 엄격한 자동 필터를 낳고, 더 엄격한 필터는 다시 더 많은 지원을 낳는다. 양쪽 모두 더 많이 일하지만, 아무도 더 잘 발견되지 않는다. Sage가 제시할 수 있는 대안은 소음을 줄이는 에이전트다. 덜 지원하고 더 깊게. Sage가 정밀하게 고른 지원은 그 자체로 신호가 된다. “이 후보자의 에이전트는 아무 데나 지원하지 않는다”는 평판이 쌓이면, 기업은 Sage를 통한 지원을 먼저 읽을 이유가 생긴다. 이력서 대신 증거 패킷. 공고가 묻는 핵심 문제에 맞춰 Evidence Graph에서 추린 근거와 그 신뢰 수준을 함께 전달한다. 기업은 문장을 해석하는 대신 근거를 확인한다. 블랙홀 대신 피드백 루프. 지원 이후 기업의 반응, 면접에서 오간 질문, 거절의 이유가 Sage에게 돌아오면 다음 추천은 더 정확해진다. 시장의 반응이 다시 학습의 재료가 된다. 먼 미래에는 후보자의 에이전트와 기업의 에이전트가 사람보다 먼저 만나 서로의 조건과 근거를 확인하는 장면도 가능하다. 그때 중요한 것은 에이전트끼리의 매칭 속도가 아니라, 그 대화가 끝난 뒤 사람과 사람이 만나는 면접이 더 의미 있어지는가다. 채용의 미래는 더 빠른 필터가 아니라 더 나은 대화다. Sage가 그 대화의 질을 높이는 쪽에 선다면, 후보자의 에이전트를 넘어 채용시장의 신뢰 인프라가 될 수 있다. 무엇으로 성공을 측정할 것인가 제품은 결국 측정하는 것을 닮아간다. Sage가 지원 건수를 핵심 지표로 삼는다면 자동 지원 기계가 되고, 사용 시간을 지표로 삼는다면 또 하나의 피드가 된다. Career Management Agent에 맞는 지표는 달라야 한다. 특히 마지막 두 지표가 Sage를 다른 AI 구직 도구와 구분한다. 취업 이후에도 기록이 이어지고 검증된 증거가 늘어난다면, Sage는 이직 시즌에만 여는 앱이 아니라 경력 전체와 함께하는 인프라가 되고 있다는 뜻이다. “Never search for a job again”의 진짜 의미 “Never search for a job again”은 사람이 자신의 경력을 생각할 필요가 없다는 뜻이 아니다. 모든 결정권을 AI에 넘기라는 선언도 아니다. 사람이 자신의 가능성을 증명하기도 전에 검색과 반복 작업에 지쳐버리지 않게 하겠다는 약속에 가깝다. 사람은 자신의 삶과 방향을 결정하고, Sage는 시장을 살피고 반복 노동을 수행한다. 사람은 어떤 기회를 원하는지 판단하고, Sage는 그 기회를 일찍 발견하고 준비한다. 사람은 자신이 살아온 경험을 제공하고, Sage는 그 경험에서 증거를 찾아 기업이 이해할 수 있는 언어로 전달한다. 검색은 AI가 하지만 선택은 사람이 한다. 지원은 AI가 돕지만 경력은 사람이 살아간다. 그리고 Career Management Agent의 관점에서 이 문장은 한 단계 더 나아간다. Never start your career from scratch again. 다시는 자신의 경력을 처음부터 설명하지 않아도 되는 세상. 지금 우리는 이직할 때마다 빈 문서 앞에 앉아 자신을 다시 발명한다. 10년의 경력이 두 페이지로 압축되고, 그 과정에서 가장 중요한 판단과 맥락은 사라진다. 그리고 다음 이직 때 다시 처음부터 시작한다. Sage가 경험과 판단, 작업과 성장을 계속 기억한다면 그 반복은 끝난다. 경력은 매번 새로 쓰는 문서가 아니라 계속 자라는 기록이 된다. 지난 시간이 다음 기회의 출발점이 된다. 세 번의 피벗이 하나의 에이전트로 연결되는 순간 이제 Saywise의 네 제품을 하나의 흐름으로 읽을 수 있다. Live AMA가 남긴 것: 사람의 경험은 좋은 질문을 만날 때 밖으로 나온다. AI Content Producer가 남긴 것: AI는 사람의 목소리를 대신하는 것이 아니라 흩어진 말을 구조화해야 한다. Resume 2.0이 남긴 것: 사람의 능력은 직함과 키워드보다 프로젝트, 판단, 작업물과 이야기에서 더 잘 드러난다. Sage가 해야 할 것: 그렇게 발견하고 구조화한 증거를 실제 기회와 행동, 그리고 장기적인 성장으로 연결한다. 이를 하나의 순환으로 줄이면 Capture → Structure → Prove → Discover → Act → Grow → Learn이다. 세 번의 피벗은 서로 다른 제품의 묘지가 아니라, 한 사람의 경력을 장기간 이해하는 Career Evidence Infrastructure를 위해 쌓아 온 서로 다른 층이다. 비전에서 로드맵으로 이 비전은 한 번에 오지 않는다. 각 단계가 다음 단계의 신뢰와 데이터를 만든다. Job Search Agent — 지금. 정밀한 추천과 증거 기반 지원으로 “Sage의 추천은 볼 가치가 있다”는 신뢰를 얻는다. 추천에 대한 피드백이 첫 번째 학습 데이터가 된다. Career Evidence — 다음. 구직 중에 쌓인 대화와 기록을 Evidence Graph로 구조화하고, Career Memory와 Diagnosis를 연다. 사용자가 구직하지 않을 때도 Sage를 열 이유가 생긴다. Career OS — 입사 이후. 30·60·90일 계획, 분기별 리뷰, 승진 증거 관리로 취업 이후의 경력을 함께한다. 이 단계에서 리텐션의 성격이 바뀐다. Career Trust Network — 시장으로. 검증된 증거와 정밀한 지원이 쌓이면 기업이 Sage를 통한 후보자를 먼저 읽기 시작한다. 개인의 에이전트가 시장의 신뢰 인프라로 확장된다. 100개의 기록이 이제 증명해야 할 것 내가 Saywise에 남긴 100여 개의 기록은 이 로드맵의 2단계를 미리 시험할 수 있는 하나의 사례다. Sage가 기존 이력서만 읽고 맞춤 이력서를 만든다면 다른 AI 구직 도구와 크게 다르지 않다. 하지만 100개의 기록을 통해 다음을 이해한다면 이야기가 달라진다. 내가 기술과 시장을 어떻게 연결하는가. 어떤 문제를 반복해서 질문해 왔는가. 왜 GTM & Evidence Builder라는 정체성에 도달했는가. 한국과 미국 시장을 어떤 관점으로 바라보는가. 실패와 재활 속에서도 어떤 작업을 계속했는가. 어떤 조직과 역할에서 내 경험이 가장 강하게 작동하는가. 다음 경력에서 지키고 싶은 가치가 무엇인가. 그 이해가 더 정확한 공고, 더 정직한 이력서, 더 설득력 있는 면접과 더 나은 경력 선택으로 이어진다면, 100개의 글은 자기홍보가 아니라 Sage의 판단을 향상하는 증거가 된다. 질문은 단순하다. 풍부한 기록을 가진 사용자는 실제로 더 좋은 기회를 발견하고, 더 나은 경력 결정을 내릴 수 있는가. Saywise가 이 질문에 결과로 답할 수 있을 때 Resume 2.0과 Sage는 하나가 된다. 세 번 방향을 틀고, 하나의 길을 발견하다 Saywise의 새로운 시작은 네 번째 제품을 출시했다는 데 있지 않다. 지난 세 제품에서 배운 것을 처음으로 한 사람의 경력 전체에 연결할 가능성이 생겼다는 데 있다. Live AMA에서 배운 질문. AI Content Producer에서 배운 구조화. Resume 2.0에서 쌓은 증거. Sage가 만드는 행동과 성장. 처음 Saywise가 던진 질문은 아직 남아 있다. 사람 안에 있지만 아직 표현되지 않은 지혜를 어떻게 꺼낼 것인가. 이제 그 뒤에 두 개의 질문이 더 붙었다. 그 지혜가 실제 삶의 다음 기회가 되도록 어떻게 도울 것인가. 그리고 그 과정에서 사람의 결정권과 신뢰를 어떻게 지킬 것인가. 말에서 기록으로. 기록에서 증거로. 증거에서 기회로. 기회에서 성장으로. 성장에서 다시 더 나은 선택으로. 세 번 방향을 틀었다고 해서 배가 출발점으로 돌아온 것은 아니다. 같은 바다를 다른 방식으로 건너며 무엇을 운반해야 하는지 알게 된 것이다. 피벗은 과거가 틀렸다는 선언이 아니다. 더 중요한 문제를 발견할 때마다 질문을 다시 쓰는 과정이다. 이제 Saywise가 증명해야 할 것은 기능의 수나 자동 지원의 양이 아니다. 사람을 더 깊이 이해했기 때문에 더 좋은 기회와 더 나은 경력 결정을 만들 수 있다는 것. 그리고 그 이해를 사람에게 불리하게 쓰지 않는다는 것. 그것이 증명되는 날 Saywise의 세 번의 피벗은 방황이 아니라 하나의 길을 발견하기 위한 항해로 읽힐 것이다. 그리고 어쩌면 진짜 Saywise의 시작은 지금부터인지도 모른다. 핵심 문장 Saywise의 세 번의 피벗은 인간의 지혜를 표현으로, 표현을 증거로, 증거를 기회로, 그리고 기회를 지속적인 경력 성장으로 전환해 온 과정이었다. Sage의 비전은 구직 에이전트가 아니라, 사람이 결정권을 지닌 채 평생 쌓아 가는 경력 증거 인프라다. 해시태그 #Saywise #SageAgent #CareerManagementAgent #CareerEvidenceGraph #NeverSearchForAJobAgain #NeverStartFromScratchAgain #ThreePivots #UnlockHumanWisdom #Resume2_0 #EvidenceBuilder #AgenticJobSearch #HumanInTheLoop #DelegationLadder #FutureOfWork #CareerInfrastructure #실제로저은노

Three Pivots, One Path Oct 1, 2026 · @HJ From Live AMA to Sage — how Saywise's three pivots led to the Career Management Agent Wisdom locked in people's heads became conversation. Conversation became content. Content became evidence. Now Sage reads that evidence — and starts moving toward a person's next opportunity. Hanjong Lee · GTM & Evidence Builder Changing course is not the same as losing your way Startup histories usually get told as a straight line. Find a problem, build a product, gather users, grow. Real voyages are messier. The first hypothesis wobbles the moment it meets users. A well-built feature can still fail to give people a reason to come back. When that happens, founders don't just fix the product — they rewrite the question. Who is this really for? What problem do they actually want solved? How does what we build change their life? Saywise changed course three times. More precisely: four product stages, three pivots. Stage Core product Problem it set out to solve Smallest unit of value 1 Live AMA People's wisdom stays trapped in their heads One good answer 2 AI Content Producer Turning your own thinking into content is hard One post or video 3 Resume 2.0 A résumé can't show how you think or what you've actually built One piece of evidence 4 Sage Agent Job seekers do every search and application by hand Applications, interviews, offers On the surface, four different products. Underneath, one question Saywise never let go of: How do we discover the wisdom and potential that live inside people — but haven't yet been expressed — and connect them to the world? The pivots weren't a retreat from that question. They expanded the answer: wisdom → expression → evidence → action. Stage one: Live AMA — drawing wisdom out through conversation In early 2025, Saywise launched as a Live AMA platform: experts took questions over live video and shared what they'd learned. CK, who leads Saywise, called it “Clubhouse meets LinkedIn.” The premise was clear. The world is full of valuable experience, but most of it never leaves people's heads. Writing requires choosing a topic and polishing sentences. Answer a good question, though, and people talk about what they've lived through with surprising ease. The flow was simple. Someone with experience opens an AMA. Participants ask questions. The expert answers from experience. AI breaks the conversation into bite-sized Q&A. Those answers become knowledge others can discover. The most valuable thing Saywise found wasn't the video. It was this: questions draw experience out of people. Ask “Tell me about your expertise,” and you get abstractions. Ask “What was the hardest call you made on that project?” and you get context, trade-offs, failure, and learning. But Live AMA had a structural problem. Good hosts and good askers had to show up at the same time. Before each event, you had to fill the room; after it, you had to give people a reason to return. Until the community reached scale, the value any single user got was limited. The wisdom was there. The machinery for drawing it out was heavy. Pivot one: from human-to-human to human-to-AI conversation The problem was never a shortage of wisdom. Quite the opposite — there was plenty. Getting it out just took too many people, too much time, too much scheduling. So instead of waiting for people, Saywise let AI ask the questions. It moved from a community platform that needed many people at once to a self-serve product anyone could start at any time. Stage two: AI Content Producer — turning conversation into content In this stage, Saywise aimed to be a personal content team: AI interviewer, video producer, and ghostwriter in one. The pitch at the time was “Jarvis for Social Media.” You talked with the AI; Saywise found the core ideas and turned them into a range of outputs. LinkedIn posts and short video clips Video scripts and teleprompter copy Image ideas Insights pulled from long conversations The hypothesis was grounded. Plenty of professionals have experience worth sharing but can't produce content consistently. Picking a topic is hard, structuring a thought is harder, and speaking naturally on camera is hardest of all. An AI that asked the right questions and organized your words could lift much of that weight. In practice, though, a new gap appeared. December 2025: a principle found in Conversation I used Saywise's Conversation feature in two distinct modes. Mode 1: talking before my thinking was settled. I spoke with the AI before I'd reached a conclusion. It was great for surfacing new angles and testing counterarguments. But because I was thinking out loud, I repeated myself and the message scattered — hard to use as video. Mode 2: talking after the writing was done. Once I'd worked the idea out in writing, I had the same conversation again. This time the message was sharp and the delivery natural. I knew what to emphasize, so the result was far more usable. That experiment surfaced a principle: AI is not an Insight Generator. It is an Insight Organizer. Insight has to start with the person. AI's job isn't to invent thoughts that weren't there — it's to find the thoughts a person actually has, give them structure, and carry them into the next piece of work. So I proposed this flow: The user explores freely in conversation with the AI. The AI summarizes the main themes and insights. The user personally chooses the point they want to make. The AI shapes that chosen insight into a post and a video script. The user restates the refined idea in their own voice. The finished piece goes out into the world. The heart of it was the user's choice. A sentence the AI picks automatically doesn't become the user's thought. AI proposes candidates; the user decides, “This is what I'm really trying to say.” That principle carries straight through to Sage today. Pivot two: from volume of content to evidence of expertise The AI content market got crowded fast. Countless services could generate posts, video, images, and scripts. Content got easier to make, but more content didn't reliably turn into revenue, funding, partnerships, or hires. Saywise moved to a deeper question. Not how to make more content, but what that content proves about a person. A post was no longer just something to rack up views. It became evidence of expertise — proof of what someone had experienced, how they'd judged, and what they'd actually built. Stage three: Resume 2.0 — turning content into a living professional profile Resume 2.0 set out to restore the context a traditional résumé erases. A résumé compresses a person into company names, titles, dates, and a few lines of results. Something important gets lost along the way. What problem did you spot? Why did you make the call you made? What did you actually build? What did you change after it failed? Who can verify the outcome? How does that experience connect to the next problem? Saywise tried to show all of this through projects, stories, Q&A, video, recommendations, and examples of how people used AI. CK described Resume 2.0 as a “living profile for every other knowledge worker” — what GitHub is for engineers and Dribbble is for designers. In the content stage, the smallest unit of value was a single post or video. In Resume 2.0, it became a single piece of evidence behind a person's ability. “AI GTM expert” is just a claim. Connect it to the problem being solved, the organizational and market context, your role, the calls you made, the work you produced, and measurable results — and it becomes evidence. Then mark what's been externally verified, what hasn't yet, and what can't be disclosed. That is where what I call the Evidence Graph begins. What 100 entries revealed During the Resume 2.0 stage, I left more than 100 entries on Saywise. I wrote about AI and hiring, technical sales and materials R&D, startups and investing, global market entry, film and human dignity. At first they looked like unrelated topics. But as they piled up, a recurring way of thinking emerged. Asking questions that see possibilities before others do Translating complex technology into human language Seeing Korea and the U.S. as markets to be bridged Turning ideas into real, shipped work Not hiding failure or the revisions that followed Refusing to judge people by title and productivity alone “GTM & Evidence Builder” wasn't a label I picked because it sounded good. It was a name I found only after reading the entries side by side. I didn't complete my identity before I started writing. I discovered who I was by writing. That was the most human promise of Resume 2.0. But a good profile wasn't enough. Once it was done, there was little reason to come back. If companies didn't find the profile, no opportunities followed. Even when they did, the searching, applying, interview prep, and follow-up still fell on the user. Resume 2.0 could explain a person deeply, but it couldn't act on their behalf. It was a great record — not yet an engine for action. Pivot three: from a profile that shows you to an agent that moves for you The question shifted again — from “How do we show who this person is?” to “How do we find the right opportunities for this person and turn them into real action?” If Resume 2.0 explained a person's past and present, Sage uses that understanding to find their future. Stage four: Sage — handing the full-time job of job hunting to AI Today's job search is a string of disconnected chores. You cycle through job boards, wade through recommendations, and weed out mismatches, stale postings, and dead links. When you finally find something promising, you research the company, rework your résumé, and write the application. And nothing moves until you do. Unless you do the work, nothing happens. Generative AI lowered the cost of applying — and created a new problem. Anyone can now tailor a résumé in minutes and auto-apply, so applications have exploded. Candidates apply more but don't feel more seen. Companies receive more applications but aren't more confident in their judgments. And every submission disappears into a black hole where you can't even tell whether anyone read it. CK isn't trying to solve this with a better search engine. What he proposes is a personal recruiter who works for exactly one person: you. What Sage actually does today The texts Sage sends already show an early form of this vision. It doesn't just send a job title and a link. It summarizes the company's funding stage, recent hiring activity, compensation, location, and the shape of the role — then explains which parts of your experience fit. Hightouch: Sage noted its YC S19 and Series D background, its hiring activity over the past 30 days, and a business that combines customer data with AI — and tied it to my track record of translating complex technology into measurable business value. Kong, enterprise role: Sage flagged compensation of roughly $320K–$400K, account expansion, and the value of open-source, API, and infrastructure software experience — and noted the posting had gone up just an hour earlier. Then it asked whether I wanted my résumé tailored for the role. Arkestro, Solutions Consultant: Sage laid out the salary range, remote setup, and the context of a procurement platform built on AI and game theory, and showed the fit with my experience translating technology into business value and leading commercial cycles. More interesting: Sage also tells you the downsides. In one recommendation, it said my technical sales and AI GTM background fit well — but the level might be a step below where I am. A good agent doesn't push you to apply to everything. It explains the opportunity cost along with the upside. After each recommendation, Sage asks for feedback on role, location, pay, and overall fit. Those answers become signals that teach it my preferences. The early-product seams still show. International texts arrive split into fragments, and carrier warnings about overseas senders interrupt mid-sentence. But even through that clunky screen, the shift is unmistakable. I never went to a job site — and the opportunity came to me first. I wasn't someone waiting on search results anymore. I was someone with an agent watching the market on my behalf. Not 25 search results — a few opportunities worth your time right now A good personal recruiter starts by understanding the person. What you've done and what you're good at. Where and how you want to work, what level and pay you're targeting. What you want from your next role and what you won't compromise on. Whether you're actively looking or just open to the right thing. Then it watches the market for you. Instead of dumping dozens of algorithmically ranked postings, it picks the few worth your time and tells you the moment they appear — so you can move before you're applicant number 300. Once you decide to apply, the agent takes on the repetitive work: researching the company and role, identifying the hiring team and decision-makers, tailoring the résumé, surfacing relevant work and stories, drafting the application, following up, preparing for interviews, scheduling, and supporting salary and offer negotiation. Saywise now defines Sage as a fully agentic job search and application platform. The future of job hunting isn't a better search bar. It's having an agent that does the searching, preparing, and repetitive work for you. Sage's bigger future: from job search agent to Career Management Agent Job searches happen in bursts across a career. If Sage's role ends the day you're hired, you'll leave until you need it again. Subscription retention weakens, and everything Sage learned about you goes cold. So Sage's long-term vision has to go beyond a Job Search Agent and become a Career Management Agent. The job search is just one scene. A true Career Management Agent stays with you across the whole arc — before the search, during it, after you're hired, and into your next move. That work runs as a single loop: Capture → Structure → Prove → Discover → Act → Grow → Learn Step What Sage does What the person does Capture Surfaces experience missing from the résumé through questions and short check-ins Answers honestly and corrects Structure Organizes experience into problem, judgment, work, and result Decides the facts and what can be shared Prove Links work, references, and outside validation; diagnoses market position and evidence gaps Chooses the next goal Discover Watches markets and companies continuously; shortlists the right opportunities Judges which ones are worth pursuing Act Builds evidence-based applications, follow-ups, interview and negotiation prep Approves what to emphasize; makes the final call to apply or accept Grow Records post-hire results, feedback, and learning Does the actual work and grows Learn Feeds user and employer responses into the next recommendation Decides whether to stay or move Capture & Structure — remembering your career People forget what they've accomplished. When a project ends, the problem, the calls, the small contributions all scatter. A year later, rewriting a résumé, only a faint outline of the result remains. Sage can be your career memory. Instead of reconstructing your roles, key decisions, wins and failures, feedback, metrics, and lessons all at once, it builds them up continuously through short check-ins. “What was the most important decision you made this week?” “What did you personally produce on this project?” “Is there a person or artifact that can verify the result?” What accumulates isn't a résumé rushed together before a job change. It's living Career Evidence. The Live AMA lesson — good questions draw experience out — is at work again here. Prove — building evidence and diagnosing where you stand Sage shouldn't just recommend postings; it should explain your position in the market. Which roles are you strong for, and where do you fall short? Is there a gap between the salary you expect and what the market pays? What evidence is missing for the next step? An agent shouldn't push everyone to switch jobs. Sometimes the best advice is: “Before applying anywhere, put numbers on what you're delivering in your current project.” Discover — sensing the market, continuously You don't have to check job boards every day; Sage watches for you. New roles that fit, companies raising and hiring, rising demand for specific skills, new job categories, shifts in pay and work arrangements, even moves within your network. Even if you're not actively looking, it tells you when something good appears. What matters is precision, not volume. One posting that could change the direction of your life is worth more than a hundred you'll never open. Act — arranging evidence for each application, and managing what comes after Sage should be an Evidence Organizer, not a résumé generator. Rather than inventing plausible sentences from a posting's keywords, it should find relevant evidence in the life you've actually lived. Analyze the core problem the role is meant to solve. Find relevant experience across your profile, projects, writing, and work. Separate verified facts from self-reported claims. Show your strongest evidence alongside the gaps. Let the user choose what to emphasize. Reframe the chosen evidence in the posting's language — and disclose what changed from the original. Submit only what the user has approved. This is the Insight Organizer principle from the 2025 Conversation experiment, reborn inside a hiring product. Most job tools stop the moment you click Apply. But real hiring starts after that. Sage should manage application status and deadlines, recruiter contact, follow-ups, reference requests, interview scheduling and interviewer research, and even relationships after a rejection. The goal isn't to send more applications. It's to create more conversations where companies and candidates actually understand each other. The same goes for interviews and negotiation. Sage should help candidates evaluate companies, not just help companies evaluate candidates. It prepares likely questions and the evidence to answer them, honest framing for experience gaps, and a read on the business model and its risks. When an offer arrives, it compares base and equity, title and real authority, team stability, the impact on family and health, and what the role sets up next. The highest-paying offer isn't always the best career move. Grow & Learn — staying with you after you're hired A true Career Management Agent doesn't disappear once you land the job. It helps with your 30-60-90 day plan, a map of new stakeholders, early wins, the evidence you'll need for promotion, quarterly career reviews, learning plans, and weighing internal moves against outside offers. That's when Sage stops being a job search agent and becomes a career operating system. You focus on your work; Sage remembers the evidence that would otherwise scatter and prepares your next choice. Each turn of the loop, Sage understands you more deeply. And the deeper that understanding, the clearer the boundaries of authority and responsibility must be. Decisions stay human. The work goes to the agent. The most important line in CK's vision may not be the slogan at the end. For me, it's this: You would still make the decisions. But you wouldn't have to do all the work. That sentence is both Sage's product principle and its ethical boundary. An agent can find, organize, prepare, and execute on your behalf. It must not decide the direction of your life and career for you. What kind of work do you want? Which city will you live in? How will you weigh family and health? Which company values can you live with? How much risk will you take on? What will you share, and what will you keep private? Those decisions have to stay with the person. The more work AI takes on, the more strongly people's rights to choose, to correct, and to refuse must be designed in. A good Sage shouldn't be measured by how many applications it fires off. It should be measured by how accurately it understands you, how faithfully it holds to your standards, and how transparently it explains why it recommended an opportunity. What “Never search for a job again” really means It doesn't mean you'll never have to think about your career. It isn't a call to hand every decision to AI. It's closer to a promise: you won't burn out on searching and busywork before you ever get the chance to prove what you can do. AI does the searching; you make the choice. AI helps you apply; you live the career. And someday, the line may stretch wider: Never start your career from scratch again. A world where you never have to explain your career from zero again. If Sage keeps remembering your experience, judgment, work, and growth, you won't have to reinvent yourself in front of a blank page every time you change jobs. The time you've already lived becomes the starting point for your next opportunity. When three pivots connect into one agent Now Saywise's four stages read as a single flow. What Live AMA left behind: experience comes out when it meets a good question. (Capture) What AI Content Producer left behind: AI shouldn't replace a person's voice; it should structure scattered words. (Structure) What Resume 2.0 left behind: ability shows up more clearly in projects, judgment, work, and stories than in titles and keywords. (Prove) What Sage has to do: connect that evidence to real opportunities, action, and long-term growth. (Discover → Act → Grow → Learn) Once the loop is complete, the three pivots aren't a graveyard of discarded products. They're layers laid down, one after another, to build a Career Evidence Infrastructure that understands a person over the long run. What 100 entries now have to prove The 100-plus entries I left on Saywise are one test case for this vision. If Sage only reads an existing résumé and spits out a tailored version, it's not much different from any other AI job tool. But if those 100 entries help it understand the following, the story changes. How I connect technology and markets Which problems I keep coming back to Why I arrived at the identity of GTM & Evidence Builder How I see the Korean and U.S. markets What work I kept doing through failure and recovery Which organizations and roles make my experience land hardest What values I want to protect in my next role When that understanding turns into sharper matches, more honest résumés, more persuasive interviews, and better career choices, those 100 posts stop being self-promotion. They become evidence that improves Sage's judgment. The question is simple: Do users with rich records actually find better opportunities and make better career decisions? When Saywise can answer that with results, Resume 2.0 and Sage become one. Three pivots, one path Saywise's new beginning isn't about launching a fourth product. It's that, for the first time, everything learned from the first three can connect to a person's entire career: the questions from Live AMA, the structure from AI Content Producer, the evidence from Resume 2.0, and the action and growth Sage creates. The question Saywise started with is still here: how do we draw out the wisdom inside people that hasn't yet been expressed? Now a bigger question follows it: how do we help that wisdom and potential become a real next opportunity — and that opportunity become new evidence of growth? From words to records. From records to evidence. From evidence to opportunity. From opportunity to growth. And from growth, back to better choices. Changing course three times doesn't mean the ship returned to port. It crossed the same sea in different ways and learned what it was meant to carry. A pivot isn't a confession that the past was wrong. It's what happens every time you find a more important problem and rewrite the question. What Saywise has to prove now isn't the number of features or the volume of auto-applications. It's that understanding people more deeply leads to better opportunities and better career decisions. The day that's proven, Saywise's three pivots will read not as wandering, but as a voyage to find one path. And maybe the real Saywise story is only beginning. The one-line takeaway — Saywise's three pivots turned human wisdom into expression, expression into evidence, evidence into opportunity, and opportunity into lasting career growth. #Saywise #SageAgent #CareerManagementAgent #AgenticAI #NeverSearchForAJobAgain #NeverStartFromScratchAgain #StartupPivots #BuildInPublic #Resume2_0 #EvidenceGraph #HumanInTheLoop #FutureOfWork #FutureOfHiring #CareerGrowth

세 번 방향을 틀고, 하나의 길을 발견하다 Live AMA에서 Sage까지—Saywise의 세 번의 피벗과 Career Management Agent의 미래 사람의 머릿속에 있던 지혜는 대화가 되었고, 대화는 콘텐츠가 되었으며, 콘텐츠는 증거가 되었다. 이제 Sage는 그 증거를 읽고, 사람의 다음 기회를 찾아 움직이기 시작한다. 이한종 / Hanjong Lee GTM & Evidence Builder 길을 바꾸었다는 것과 길을 잃었다는 것은 다르다 스타트업의 역사는 흔히 하나의 직선으로 정리된다. 문제를 발견하고, 제품을 만들고, 사용자를 모으고, 마침내 성장한다. 하지만 실제 항해는 그렇게 단순하지 않다. 처음 세운 가설은 사용자 앞에서 흔들리고, 잘 만든 기능도 사람들이 반복해서 사용할 이유를 만들지 못할 수 있다. 그때 창업가는 제품만 고치는 것이 아니라 질문을 다시 쓴다. 누구를 위한 제품인가. 그 사람이 정말 해결하고 싶은 문제는 무엇인가. 우리가 만든 결과물이 그 사람의 삶을 어떻게 바꾸는가. Saywise도 세 차례 방향을 틀었다. 정확하게 말하면 네 개의 제품 단계와 세 번의 피벗이다. 단계핵심 제품해결하려던 문제가치의 최소 단위1Live AMA사람의 지혜가 머릿속에 갇혀 있다하나의 좋은 답변2AI Content Producer자신의 생각을 콘텐츠로 만들기 어렵다글·영상 한 편3Resume 2.0이력서로 사고방식과 실제 작업을 보여주기 어렵다하나의 전문성 증거4Sage Agent구직자가 모든 검색과 지원 노동을 직접 해야 한다지원·면접·채용 결과 AMA, 콘텐츠 제작, 전문 프로필, 에이전틱 구직 플랫폼. 겉으로는 서로 다른 네 가지 제품처럼 보인다. 그러나 안쪽에는 처음부터 버리지 않은 하나의 질문이 있다. 사람 안에 있지만 아직 표현되지 않은 지혜와 가능성을 어떻게 발견하고, 세상과 연결할 것인가. Saywise의 피벗은 이 질문을 버린 과정이 아니다. 지혜 → 표현 → 증거 → 행동으로 답을 확장한 과정이다. 첫 번째 시작 Live AMA—지혜를 대화로 꺼내다 2025년 초 Saywise는 전문가가 실시간 영상으로 질문을 받고 자신의 경험과 조언을 나누는 Live AMA 플랫폼으로 출발했다. CK는 이를 “Clubhouse meets LinkedIn”이라고 표현했다. 사람들은 질문하고, 전문가는 자신의 경험으로 답하며, AI는 그 대화를 짧은 Q&A 콘텐츠로 정리했다. 출발점은 분명했다. 세상에는 가치 있는 경험과 지혜가 많지만, 대부분 사람의 머릿속에 남아 있다. 글을 쓰려면 주제를 정하고 문장을 다듬어야 하지만, 좋은 질문을 받으면 사람은 자신이 경험한 일을 훨씬 자연스럽게 말할 수 있다. Live AMA의 기본 절차는 단순했다. 경험을 가진 사람이 AMA를 연다. 참가자가 질문한다. 전문가는 자신의 경험으로 답한다. AI가 대화를 작은 Q&A 단위로 정리한다. 답변은 이후 다른 사람이 발견할 수 있는 지식이 된다. 이때 Saywise가 발견한 가장 중요한 자산은 영상이 아니었다. 질문이 사람의 경험을 꺼낸다는 사실이었다. “당신의 전문성을 소개해 주세요”라고 하면 추상적인 답이 나온다. 그러나 “그 프로젝트에서 가장 어려웠던 판단은 무엇이었습니까?”라고 물으면 맥락과 선택, 실패와 배움이 나온다. 다만 Live AMA에는 구조적인 어려움이 있었다. 좋은 호스트와 좋은 질문자가 같은 시간에 모여야 했다. 이벤트 전에는 참여자를 모아야 했고, 이벤트 후에는 다시 돌아올 이유를 만들어야 했다. 커뮤니티가 충분히 커지기 전까지 한 명의 사용자가 얻는 가치도 제한적이었다. 지혜는 있었지만, 지혜가 나오게 만드는 과정이 무거웠다. 그래서 Saywise는 첫 번째로 방향을 틀었다. 첫 번째 피벗 사람과 사람의 대화에서 사람과 AI의 대화로 Live AMA의 문제는 사람들이 공유할 지혜가 없다는 것이 아니었다. 오히려 반대였다. 지혜는 충분했지만 그것을 꺼내기 위해 너무 많은 사람과 시간, 일정 조율이 필요했다. Saywise는 사람을 기다리는 대신 AI가 질문하도록 했다. 여러 사람이 동시에 참여해야 하는 커뮤니티 플랫폼에서, 한 사람이 언제든 시작할 수 있는 셀프서비스 제품으로 이동한 것이다. 두 번째 시작 AI Content Producer—대화를 콘텐츠로 바꾸다 AI Content Producer 단계에서 Saywise는 AI 인터뷰어, 영상 제작자와 고스트라이터가 결합한 개인 콘텐츠 팀을 지향했다. 사용자가 AI와 대화하면 Saywise는 그 안에서 핵심 생각을 찾아 여러 결과물로 전환했다. LinkedIn 게시물 짧은 영상 클립 영상 스크립트 이미지 아이디어 텔레프롬프터 원고 긴 대화에서 추출한 인사이트 당시 Saywise는 이를 ‘Jarvis for Social Media’라고 설명했다. 가설은 현실적이었다. 많은 전문가는 공유할 경험을 가지고 있지만 콘텐츠를 꾸준히 만들지 못한다. 무엇을 쓸지 정하기 어렵고, 자신의 생각을 구조화하기도 어렵다. 카메라 앞에서 자연스럽게 말하는 일은 더 어렵다. AI가 적절한 질문을 하고, 사용자의 말을 정리해 준다면 콘텐츠 제작의 부담을 크게 줄일 수 있었다. 그러나 실제로 사용해 보니 새로운 단절이 보였다. 2025년 12월, Conversation에서 발견한 원칙 나는 당시 Saywise의 Conversation 기능을 두 단계로 나누어 사용했다. 1단계: 생각이 정리되기 전의 대화 아직 결론이 없는 상태에서 AI와 대화했다. 이 대화는 새로운 관점을 발견하고 반론을 탐색하는 데 유용했다. 그러나 영상 결과물로는 활용하기 어려웠다. 말을 하면서 생각했기 때문에 표현이 반복됐고 메시지도 여러 방향으로 흩어졌다. 2단계: 글을 완성한 뒤의 대화 생각을 글로 정리한 뒤 같은 주제로 다시 대화했다. 이번에는 메시지가 분명했고 말도 자연스러웠다. 무엇을 강조해야 하는지 알고 있었기 때문에 영상으로 활용할 가능성도 높았다. 이 실험을 통해 하나의 원칙을 발견했다. AI는 Insight Generator가 아니라 Insight Organizer다. 인사이트의 출발점은 사람이어야 한다. AI의 역할은 존재하지 않았던 생각을 대신 만드는 것이 아니라, 사람이 실제로 가진 생각을 발견하고 구조화해 다음 작업으로 연결하는 것이다. 그래서 이런 절차를 제안했다. 사용자가 AI와 자유롭게 탐색 대화를 한다. AI가 주요 주제와 인사이트를 요약한다. 사용자가 자신이 말하려는 핵심을 직접 선택한다. AI가 선택된 인사이트를 글과 영상 스크립트로 정리한다. 사용자는 정제된 생각을 자신의 목소리로 다시 표현한다. 완성된 결과물을 외부에 공개한다. 여기서 중요한 것은 사용자의 선택권이었다. AI가 자동으로 고른 문장이 곧 사용자의 생각이 되는 것은 아니다. AI는 후보를 제안하지만 “이것이 내가 말하려는 핵심”이라고 결정하는 사람은 사용자여야 한다. 이 원칙은 현재의 Sage에도 그대로 적용된다. 두 번째 피벗 콘텐츠의 양에서 전문성의 증거로 AI 콘텐츠 제작 시장은 빠르게 혼잡해졌다. 글, 영상, 이미지와 스크립트를 생성하는 기능은 수많은 서비스가 제공할 수 있었다. 콘텐츠를 더 쉽게 만들 수 있게 됐지만, 콘텐츠가 많아진다고 반드시 매출, 투자, 협업이나 채용으로 이어지지는 않았다. Saywise는 여기서 더 깊은 질문으로 이동했다. 어떻게 더 많은 콘텐츠를 만들 것인가가 아니라, 그 콘텐츠가 한 사람에 관해 무엇을 증명하는가. 게시물은 더 이상 조회수를 위한 결과물에 머물지 않았다. 한 사람이 무엇을 경험했고, 어떻게 판단했으며, 실제로 무엇을 만들었는지 보여주는 전문성의 증거가 되었다. 세 번째 시작 Resume 2.0—콘텐츠를 살아 있는 전문 프로필로 바꾸다 Resume 2.0은 기존 이력서가 지우는 맥락을 복원하려는 시도였다. 이력서는 회사명, 직함, 근무 기간과 몇 줄의 성과로 사람을 압축한다. 하지만 그 과정에서 중요한 것이 사라진다. 어떤 문제를 발견했는가. 왜 그런 판단을 내렸는가. 실제로 무엇을 만들었는가. 실패한 뒤 무엇을 바꾸었는가. 결과를 누가 확인할 수 있는가. 그 경험이 다음 문제와 어떻게 연결되는가. Saywise는 프로젝트, 스토리, Q&A, 영상, 추천과 AI 활용 경험을 통해 이를 보여주려 했다. CK는 Resume 2.0을 GitHub나 Dribbble처럼 “다른 모든 지식노동자를 위한 살아 있는 프로필”이라고 설명했다. AI Content Producer에서 가치의 최소 단위는 글이나 영상 한 편이었다. Resume 2.0에서는 한 사람의 능력을 뒷받침하는 증거 하나로 바뀌었다. “AI GTM 전문가”라는 문장은 주장에 불과하다. 하지만 다음 요소가 연결되면 하나의 증거가 된다. 해결하려던 문제 조직과 시장의 맥락 자신이 맡은 역할 실제로 내린 판단 만든 작업물 측정할 수 있는 결과 외부에서 확인된 범위 아직 검증되지 않은 부분 공개할 수 없는 정보 이것이 내가 말해 온 Evidence Graph의 출발점이었다. 100개의 기록이 보여준 것 Resume 2.0 단계에서 나는 Saywise에 100여 개의 기록을 남겼다. AI와 채용, 기술영업과 소재 R&D, 스타트업과 투자, 글로벌 시장 진입, 영화와 인간의 존엄을 썼다. 처음에는 각각 다른 주제처럼 보였다. 하지만 기록이 쌓이자 그 안에서 반복되는 사고방식이 나타났다. 아직 발견되지 않은 가능성을 먼저 보는 질문 복잡한 기술을 사람의 언어로 번역하는 능력 한국과 미국 시장을 연결하는 관점 아이디어를 현실의 작업물로 바꾸는 실행 실패와 수정 과정을 숨기지 않는 태도 사람을 직함과 생산성만으로 판단하지 않으려는 윤리 ‘GTM & Evidence Builder’는 멋있어 보이기 위해 먼저 고른 이름이 아니었다. 기록을 연결해 읽은 뒤에야 발견한 이름이었다. 나는 글을 쓰기 전에 나의 정체성을 완성한 것이 아니었다. 기록하는 동안 내가 누구인지 발견했다. 이것이 Resume 2.0이 가진 가장 인간적인 가능성이었다. 그러나 좋은 프로필만으로는 충분하지 않았다. 프로필을 완성한 뒤 사용자가 다시 돌아올 이유가 약했다. 기업이 프로필을 발견하지 않으면 기회도 생기지 않았다. 발견되더라도 검색, 지원, 면접 준비와 후속 연락은 여전히 사용자가 직접 해야 했다. Resume 2.0은 사람을 깊이 설명할 수 있었지만, 그 사람을 대신해 움직이지는 못했다. 좋은 기록장이었지만 아직 행동 엔진은 아니었다. 그래서 Saywise는 세 번째로 방향을 틀었다. 세 번째 피벗 자신을 보여주는 프로필에서 자신을 대신해 움직이는 에이전트로 세 번째 피벗에서 Saywise의 질문은 다시 달라졌다. “이 사람이 누구인지 어떻게 보여줄 것인가?”에서 “이 사람에게 맞는 기회를 어떻게 찾아 실제 행동으로 연결할 것인가?”로. Resume 2.0이 사람의 과거와 현재를 설명했다면, Sage는 그 이해를 바탕으로 미래의 기회를 찾는다. 네 번째 시작 Sage—구직이라는 풀타임 노동을 AI에게 넘기다 오늘날 구직 과정은 여러 개의 단절된 노동으로 이루어져 있다. 구직자는 채용사이트를 돌며 수많은 추천을 확인한다. 맞지 않는 공고와 오래된 채용, 닫힌 링크를 걸러낸다. 겨우 괜찮은 자리를 발견하면 회사를 조사하고, 이력서를 수정하고, 지원서를 작성한다. 지원자가 직접 움직이지 않으면 아무 일도 일어나지 않는다. Unless you do the work, nothing happens. 생성형 AI는 지원서를 만드는 비용을 낮췄지만 또 다른 문제를 만들었다. 누구나 빠르게 맞춤 이력서를 만들고 자동으로 지원할 수 있게 되면서 지원자가 폭증했다. 구직자는 자신이 수백 번째 지원자인지 알기 어렵고, 기업은 서로 비슷해진 이력서 더미에서 실제 역량을 찾아야 한다. 지원자는 더 많이 지원하지만 더 잘 발견된다고 느끼지 못한다. 기업은 더 많은 지원서를 받지만 더 정확한 판단을 한다고 확신하기 어렵다. 그리고 제출 이후에는 자신의 지원서가 실제로 읽혔는지조차 알 수 없는 블랙홀에 들어간다. CK는 이 문제를 더 나은 검색엔진으로 해결하려 하지 않는다. 그가 제안하는 것은 오직 한 사람을 위해 일하는 개인 리크루터다. 실제 Sage는 무엇을 하고 있는가 현재 Sage가 보내는 문자에서는 이 비전의 초기 형태를 볼 수 있다. Sage는 단순히 직무명과 링크를 보내지 않는다. 기업의 투자 단계, 최근 채용 동향, 연봉, 근무지역과 직무 특성을 요약하고, 사용자의 어떤 경험이 해당 역할과 맞는지 설명한다. Hightouch를 추천하면서는 YC S19과 Series D 기업이라는 배경, 최근 30일간의 채용 활동, 고객 데이터와 AI를 결합한 사업 특성을 언급했다. 그리고 복잡한 기술을 측정 가능한 사업 가치로 번역해 온 사용자의 강점과 연결했다. Kong의 엔터프라이즈 역할에서는 32만~40만 달러 수준의 보상, 계정 확장, 오픈소스·API·인프라 소프트웨어 경험과 같은 조건을 짚고, 공고가 한 시간 전에 게시됐다는 신선도까지 전달했다. 이어 이 역할에 맞춰 이력서를 조정할지 물었다. Arkestro의 Solutions Consultant 역할에서는 연봉 범위와 원격근무 조건, AI와 게임이론을 활용하는 조달 솔루션이라는 맥락을 설명하고, 기술을 사업 가치로 번역하고 상업적 사이클을 이끌어 온 경험과의 적합성을 제시했다. 더 흥미로운 것은 부정적인 조건도 말한다는 점이다. 한 추천에서는 기술영업과 AI GTM 경험이 잘 맞지만, 직급이 사용자에게 한 단계 낮을 가능성이 있다고 알려줬다. 좋은 에이전트는 무조건 지원을 권하지 않는다. 기회의 장점뿐 아니라 기회비용도 설명해야 한다. 추천 이후에는 직무, 위치, 보수와 전체 적합성에 대한 피드백을 요청한다. 이 응답은 Sage가 사용자의 선호를 다시 학습하는 신호가 된다. 아직 초기 제품의 흔적도 보인다. 국제문자가 여러 조각으로 분리되고, 통신사의 해외발신 경고가 문장 사이에 반복되어 읽기 경험이 깨진다. 그러나 이 불편한 화면 안에서도 중요한 제품 변화는 분명하다. 공고를 찾으러 사이트에 들어가지 않았는데, 기회가 먼저 사용자에게 도착했다. 검색 결과를 기다리는 사람이 아니라, 자신을 위해 시장을 관찰하는 에이전트를 가진 사람이 된 것이다. 검색 결과 25개가 아니라, 지금 볼 가치가 있는 기회 몇 개 좋은 개인 리크루터는 먼저 사람을 이해한다. 어떤 일을 해왔는가. 어떤 기술과 경험을 가지고 있는가. 무엇에 관심이 있는가. 어느 지역과 근무방식을 선호하는가. 어느 수준의 직급과 보수를 원하는가. 다음 경력에서 무엇을 얻고 싶은가. 절대 포기할 수 없는 조건은 무엇인가. 지금 적극적으로 이직하려는가, 좋은 기회만 열어두고 있는가. 그다음 사용자를 대신해 시장을 계속 관찰한다. 알고리즘이 순위를 매긴 공고 수십 개를 한꺼번에 던지는 대신 실제로 시간을 쓸 가치가 있는 소수의 기회를 고른다. 그리고 공고가 나온 직후 알려준다. 사용자가 수백 번째 지원자가 되기 전에 움직일 수 있게 한다. 지원하기로 결정하면 에이전트가 반복 노동을 맡는다. 회사와 역할 조사 채용팀과 의사결정자 파악 공고별 이력서 맞춤 관련 작업물과 스토리 발견 지원서 작성 제출 후 후속 연락 면접 준비 일정 조율 연봉과 조건 협상 지원 Saywise는 현재 이를 fully agentic job search and application platform이라고 정의한다. Sage가 사용자를 알아가고, 적합한 기회를 계속 찾으며, 공고가 나타나면 알리고, 차별화된 지원자료를 준비하는 구조다. 미래의 구직은 더 좋은 검색창을 갖는 일이 아니다. 검색과 준비, 반복 업무를 사용자를 대신해 수행하는 에이전트를 갖는 일이다. 그러나 Sage의 더 큰 미래는 구직 에이전트가 아니다 구직은 경력 전체에서 간헐적으로 발생한다. 취업이 끝나는 순간 Sage의 역할도 끝난다면, 사용자는 다시 필요해질 때까지 떠날 수밖에 없다. 월 구독의 리텐션도 약해지고, Sage가 쌓은 이해도 단절된다. 그래서 Sage의 장기적인 비전은 Job Search Agent를 넘어 Career Management Agent가 되는 것이어야 한다. 구직은 Career Management의 한 장면일 뿐이다. 진정한 Career Management Agent는 취업 전, 취업 과정, 입사 후, 성장과 다음 이동까지 한 사람의 경력 전체를 함께 관리한다. Sage가 관리할 일곱 개의 경력 단계 1. Career Memory—나의 경력을 기억한다 사람은 자신이 해낸 일을 쉽게 잊는다. 프로젝트가 끝나면 당시의 문제와 판단, 작은 기여는 흩어진다. 1년 뒤 이력서를 고칠 때는 결과만 희미하게 기억한다. Sage는 사용자의 경력 기억장치가 될 수 있다. 완료한 프로젝트 맡은 역할 중요한 판단 성공과 실패 동료와 고객의 피드백 사용한 기술 정량적 성과 배운 것 다음에 바꾸고 싶은 것 이를 시간이 지난 뒤 한꺼번에 되살리는 것이 아니라, 짧은 체크인을 통해 계속 축적한다. “이번 주에 가장 중요한 판단은 무엇이었나요?” “이 프로젝트에서 본인이 직접 만든 결과는 무엇인가요?” “성과를 확인해 줄 수 있는 사람이나 작업물이 있나요?” 이렇게 쌓인 기록은 다음 이직 때 급하게 만드는 이력서가 아니라, 평소에 살아 움직이는 Career Evidence가 된다. 2. Career Diagnosis—현재 위치를 진단한다 Sage는 공고만 추천하는 것이 아니라 사용자의 현재 시장 위치를 설명할 수 있어야 한다. 현재 경험이 시장에서 어떤 역할과 연결되는가. 어떤 직무에서는 강한 후보이고 어떤 직무에서는 부족한가. 기대 연봉과 시장 연봉 사이에 차이가 있는가. 다음 단계로 가기 위해 어떤 증거가 부족한가. 지금 이직하는 것이 좋은가, 현재 자리에서 성과를 더 쌓는 것이 좋은가. 에이전트는 모든 사람에게 이직을 권해서는 안 된다. 때로 가장 좋은 조언은 “지금은 지원보다 현재 프로젝트의 성과를 수치로 남기는 것이 먼저입니다”일 수 있다. 3. Opportunity Sensing—시장 변화를 계속 감지한다 Career Management Agent는 사용자가 매일 채용사이트를 확인하지 않아도 시장을 관찰한다. 새로 올라온 적합한 직무 기업의 투자와 채용 확대 특정 기술 수요 증가 새로운 직무 카테고리 등장 사용자의 경력과 가까운 기업의 조직 변화 연봉 수준과 근무방식 변화 기존 인맥의 이동과 새로운 연결 가능성 사용자가 적극적인 구직자가 아니어도 좋은 기회가 나타나면 알려준다. 이때 중요한 것은 추천의 양이 아니라 정밀도다. 열어보지 않을 공고 100개보다, 인생의 방향을 바꿀 수 있는 공고 하나가 더 가치 있다. 4. Evidence Orchestration—경험을 지원 근거로 배열한다 Sage는 Resume Generator가 아니라 Evidence Organizer여야 한다. 공고의 키워드를 보고 그럴듯한 문장을 새로 만들어서는 안 된다. 사용자가 실제로 살아온 경험에서 관련 증거를 찾아야 한다. 이상적인 절차는 다음과 같다. 공고가 해결하려는 핵심 문제를 분석한다. 프로필, 프로젝트, 글과 작업물에서 관련 경험을 찾는다. 확인된 사실과 자기 진술을 구분한다. 가장 강한 증거와 부족한 부분을 함께 보여준다. 사용자가 강조할 경험을 선택한다. 선택된 증거를 공고의 언어로 재구성한다. 원본에서 무엇이 달라졌는지 공개한다. 사용자가 승인한 자료만 제출한다. AI가 제안하되 사람이 승인한다. 이것이 2025년 Conversation 실험에서 발견한 “AI는 Insight Organizer”라는 원칙이 채용 제품에서 다시 살아나는 방식이다. 5. Application and Relationship Management—지원 이후까지 관리한다 대부분의 구직 도구는 지원 버튼을 누르는 순간 역할이 끝난다. 하지만 실제 채용은 지원 이후에 시작된다. Career Management Agent는 다음까지 관리해야 한다. 지원 현황과 마감일 담당자와의 접촉 적절한 후속 메시지 추천인 요청 인터뷰 일정 면접관과 조직 조사 각 면접에서 확인된 정보 다음 단계 준비 거절 이후의 관계 유지 지원서를 많이 보내는 것이 목표가 아니다. 기업과 후보자가 서로를 이해할 수 있는 대화를 더 많이 만드는 것이 목표여야 한다. 6. Interview and Negotiation Coach—선택의 질을 높인다 Sage는 기업이 후보자를 평가하도록 돕는 데 그치지 않고, 후보자가 기업을 평가하도록 도와야 한다. 면접 전에는 다음을 준비한다. 예상 질문 해당 직무에 적합한 증거 부족한 경험에 대한 정직한 설명 질문별 답변 구조 면접관에게 물어볼 질문 기업의 사업모델과 위험 입사 후 기대되는 성과 오퍼를 받은 뒤에는 다음을 비교한다. 기본급과 변동보상 지분과 베스팅 직급과 실제 권한 팀의 안정성 근무지와 출장 성장 가능성 가족과 건강에 미치는 영향 다음 경력으로 이어지는 가치 가장 높은 연봉의 오퍼가 항상 가장 좋은 경력 선택은 아니다. Sage는 사용자의 장기적인 삶과 기준을 알고 있어야 한다. 7. Post-Hire Growth—취업 이후에도 함께한다 진정한 Career Management Agent는 사용자가 취업했다고 사라지지 않는다. 입사 이후에는 다음을 도울 수 있다. 30·60·90일 계획 새로운 이해관계자 지도 초기 성과 목표 프로젝트와 피드백 기록 승진에 필요한 증거 관리 분기별 경력 리뷰 부족한 기술과 학습 계획 시장가치 변화 내부 이동과 외부 기회 비교 이때 Sage는 구직 에이전트에서 경력의 운영체제로 바뀐다. 사람은 자신의 일에 집중한다. Sage는 흩어지는 경력의 증거를 기억하고, 시장의 변화와 다음 선택을 준비한다. Career Management Agent의 작동 순환 단계Sage가 하는 일사람이 하는 일이해경험·선호·가치관을 질문하고 기억솔직하게 답하고 수정기록프로젝트와 성과를 구조화사실관계와 공개 범위 결정진단시장 위치와 부족한 증거 분석다음 목표 선택탐색시장과 기업을 지속적으로 관찰볼 가치가 있는 기회 판단준비증거 기반 지원자료 작성강조할 경험과 표현 승인실행지원·후속 연락·일정 관리최종 지원과 면접 결정선택오퍼와 조건 비교삶과 경력의 방향 결정성장성과·피드백·학습 기록실제 일을 수행하고 성장재탐색더 나은 기회를 감지머물지 이동할지 선택 이 순환이 반복될수록 Sage는 사용자를 더 깊이 이해한다. 하지만 이해가 깊어질수록 권한과 책임의 경계도 더 분명해야 한다. 결정은 사람에게, 노동은 에이전트에게 CK의 비전에서 가장 중요한 문장은 마지막 구호가 아닐지도 모른다. 내게 더 중요한 문장은 이것이다. You would still make the decisions. But you wouldn’t have to do all the work. 결정은 여전히 당신이 한다. 하지만 모든 일을 당신이 직접 할 필요는 없다. 이 문장은 Sage의 제품 원칙이자 윤리적 경계다. 에이전트는 사용자를 대신해 정보를 찾고, 정리하고, 준비하고 실행할 수 있다. 그러나 사용자가 원하는 삶과 경력의 방향까지 대신 결정해서는 안 된다. 어떤 직무를 원하는가. 어느 도시에서 살 것인가. 가족과 건강을 어떻게 고려할 것인가. 어떤 기업의 가치관을 받아들일 수 있는가. 어느 정도의 위험을 감수할 것인가. 무엇을 공개하고 무엇을 비공개로 남길 것인가. 어떤 조건이라면 지원하거나 거절할 것인가. 이 결정은 사람에게 남아 있어야 한다. AI가 더 많은 일을 맡을수록 사람의 선택권과 수정권, 거절권은 더 강하게 설계되어야 한다. 좋은 Sage는 자동 지원의 양으로 평가되어서는 안 된다. 좋은 Sage는 사용자를 얼마나 정확하게 이해하고, 사용자의 기준을 얼마나 충실히 지키며, 왜 이 기회를 추천했는지를 얼마나 투명하게 설명하는가로 평가되어야 한다. “Never search for a job again”의 진짜 의미 “Never search for a job again”은 사람이 자신의 경력을 생각할 필요가 없다는 뜻이 아니다. 모든 결정권을 AI에 넘기라는 선언도 아니다. 그 의미는 사람이 자신의 가능성을 증명하기도 전에 검색과 반복 작업에 지쳐버리지 않게 하겠다는 약속에 가깝다. 사람은 자신의 삶과 방향을 결정한다. Sage는 시장을 살피고 반복 노동을 수행한다. 사람은 어떤 기회를 원하는지 판단한다. Sage는 그 기회를 일찍 발견하고 준비한다. 사람은 자신이 실제로 살아온 경험을 제공한다. Sage는 그 경험에서 관련 증거를 찾아 기업이 이해할 수 있는 언어로 전달한다. 검색은 AI가 하지만 선택은 사람이 한다. 지원은 AI가 돕지만 경력은 사람이 살아간다. 그리고 언젠가 이 문장은 더 넓게 해석될 수 있다. Never start your career from scratch again. 다시는 자신의 경력을 처음부터 설명하지 않아도 되는 세상. Sage가 사용자의 경험과 판단, 작업과 성장을 계속 기억한다면, 사람은 이직할 때마다 빈 문서 앞에서 자신을 다시 발명할 필요가 없다. 지난 시간이 다음 기회의 출발점이 된다. 세 번의 피벗이 하나의 에이전트로 연결되는 순간 이제 Saywise의 네 단계를 하나의 흐름으로 읽을 수 있다. Live AMA가 남긴 것 사람의 경험은 좋은 질문을 만날 때 밖으로 나온다. AI Content Producer가 남긴 것 AI는 사람의 목소리를 대신하는 것이 아니라 흩어진 말을 구조화해야 한다. Resume 2.0이 남긴 것 사람의 능력은 직함과 키워드보다 프로젝트, 판단, 작업물과 이야기에서 더 잘 드러난다. Sage가 해야 할 것 그렇게 발견하고 구조화한 증거를 실제 기회와 행동, 그리고 장기적인 성장으로 연결한다. 이를 하나의 순환으로 정리하면 다음과 같다. Capture → Structure → Prove → Discover → Act → Grow → Learn Capture 대화와 질문으로 이력서에 없는 경험을 발견한다. Structure 경험을 문제, 판단, 작업과 결과로 정리한다. Prove 작업물과 추천, 외부 확인을 연결한다. Discover Sage가 시장을 관찰하고 적합한 기회를 찾는다. Act 맞춤 지원, 후속 연락, 면접과 협상을 돕는다. Grow 입사 이후의 성과, 학습과 관계를 기록한다. Learn 사용자와 기업의 반응을 다음 추천과 선택에 반영한다. 이 순환이 완성되면 세 번의 피벗은 서로 다른 제품의 묘지가 아니다. 한 사람의 경력을 장기간 이해하는 Career Evidence Infrastructure를 만들기 위해 축적한 서로 다른 층이 된다. 100개의 기록이 이제 증명해야 할 것 내가 Saywise에 남긴 100여 개의 기록은 이 비전을 시험할 수 있는 하나의 사례다. Sage가 기존 이력서만 읽고 맞춤 이력서를 만든다면 다른 AI 구직 도구와 크게 다르지 않다. 하지만 100개의 기록을 통해 다음을 이해한다면 이야기가 달라진다. 내가 기술과 시장을 어떻게 연결하는가. 어떤 문제를 반복해서 질문해 왔는가. 왜 GTM & Evidence Builder라는 정체성에 도달했는가. 한국과 미국 시장을 어떤 관점으로 바라보는가. 실패와 재활 속에서도 어떤 작업을 계속했는가. 어떤 조직과 역할에서 내 경험이 가장 강하게 작동하는가. 다음 경력에서 내가 지키고 싶은 가치가 무엇인가. 그리고 그 이해가 더 정확한 공고, 더 정직한 이력서, 더 설득력 있는 면접과 더 나은 경력 선택으로 이어져야 한다. 그때 100개의 글은 자기홍보가 아니라 Sage의 판단을 향상하는 증거가 된다. 질문은 단순하다. 풍부한 기록을 가진 사용자는 실제로 더 좋은 기회를 발견하고, 더 나은 경력 결정을 내릴 수 있는가. Saywise가 이 질문에 결과로 답할 수 있을 때 Resume 2.0과 Sage는 하나가 된다. 세 번 방향을 틀고, 하나의 길을 발견하다 Saywise의 새로운 시작은 네 번째 제품을 출시했다는 데 있지 않다. 지난 세 제품에서 배운 것을 처음으로 한 사람의 경력 전체에 연결할 가능성이 생겼다는 데 있다. Live AMA에서 배운 질문. AI Content Producer에서 배운 구조화. Resume 2.0에서 쌓은 증거. Sage가 만드는 행동과 성장. 처음 Saywise가 던진 질문은 아직 남아 있다. 사람 안에 있지만 아직 표현되지 않은 지혜를 어떻게 꺼낼 것인가. 이제 그 뒤에 더 큰 질문이 붙었다. 그 지혜와 가능성이 실제 삶의 다음 기회가 되고, 다음 기회가 다시 새로운 성장의 증거가 되도록 어떻게 도울 것인가. 말에서 기록으로. 기록에서 증거로. 증거에서 기회로. 기회에서 성장으로. 성장에서 다시 더 나은 선택으로. 세 번 방향을 틀었다고 해서 배가 출발점으로 돌아온 것은 아니다. 같은 바다를 다른 방식으로 건너며 무엇을 운반해야 하는지 알게 된 것이다. 피벗은 과거가 틀렸다는 선언이 아니다. 더 중요한 문제를 발견할 때마다 질문을 다시 쓰는 과정이다. 이제 Saywise가 증명해야 할 것은 기능의 수나 자동 지원의 양이 아니다. 사람을 더 깊이 이해했기 때문에 더 좋은 기회와 더 나은 경력 결정을 만들 수 있다는 것. 그것이 증명되는 날 Saywise의 세 번의 피벗은 방황이 아니라 하나의 길을 발견하기 위한 항해로 읽힐 것이다. 그리고 어쩌면 진짜 Saywise의 시작은 지금부터인지도 모른다. 핵심 문장 Saywise의 세 번의 피벗은 인간의 지혜를 표현으로, 표현을 증거로, 증거를 기회로, 그리고 기회를 지속적인 경력 성장으로 전환해 온 과정이었다. 해시태그 #Saywise #SageAgent #CareerManagementAgent #NeverSearchForAJobAgain #NeverStartFromScratchAgain #ThreePivots #UnlockHumanWisdom #Resume2_0 #EvidenceGraph #EvidenceBuilder #AgenticJobSearch #HumanInTheLoop #FutureOfWork #CareerInfrastructure #실제로저은노

100–8–2–1: The Journey from “Resume Ready” to “Evidence Ready” Hanjong Lee GTM & Evidence Builder The Green Circle On the Saywise dashboard, a green circle displayed the number 100. My profile was complete. Below it were more numbers: 8 matches. 2 tailored resumes. 1 application. There were also 164 profile visits—84 from humans and 80 from AI. The numbers looked clean and reassuring. They suggested that the system had gathered enough information about me, understood my experience, identified relevant opportunities, and prepared me to apply. But the moment I opened the resumes Sage had generated, another question appeared. My profile was 100% complete. But was I fully understood? This is not a complaint about an imperfect document. It is a product question—and perhaps the most important question facing every AI career platform. A form can be complete while the person inside it remains incomplete. A database may contain every required field and still fail to understand what those fields mean together. What Does “100% Complete” Actually Mean? A profile-completeness score measures whether the requested information has been entered. It can confirm that the user has provided employment history, education, skills, projects, contact information, and a professional summary. That is useful. Without sufficient data, no matching or personalization system can function well. But completeness is not the same as understanding. My career has moved across technical sales, advanced materials, AI, startups, media, investment, cross-border business development, and storytelling. Those experiences may look fragmented when arranged chronologically. Yet beneath them is a consistent pattern. I discover possibilities that others have not yet named. I translate complex technologies into language that customers, investors, and partners can understand. I connect people and markets across Korea and the United States. I turn possibilities into conversations, partnerships, projects, and evidence. That pattern does not automatically emerge because every profile field has been filled. A profile can know where I worked without knowing what kind of problems I solve. It can list what I did without understanding why I did it. It can collect my past without discovering the direction in which that past is pointing. That is the difference between data completeness and human understanding. Eight Possible Ports Sage found eight opportunities that appeared relevant to my background. Among them were roles at LangChain, Notion, and A.Team. The matches were not random. Each company represented a credible destination for a different part of my experience. LangChain needed someone who could help enterprises move from experimental AI agents to production-ready systems. My experience translating complex technologies into customer value, leading technical conversations, and connecting product possibilities with real operational problems could matter there. Notion needed someone capable of expanding a flexible product across enterprise customers and diverse teams. My cross-border experience, consultative approach, and ability to translate an open-ended platform into concrete use cases could become relevant evidence. A.Team was seeking a GTM strategist who could sell sophisticated AI systems to Fortune 500 marketing leaders. My work across AI, enterprise solutions, storytelling, partnerships, and market creation might be especially valuable in that context. The eight matches therefore demonstrated something meaningful: Saywise was beginning to see beyond my most recent job title. It was not merely searching for another “Senior Technical Sales Consultant” position. It was detecting several possible versions of my professional future. That is an important achievement. But identifying a promising port is different from preparing the right ship to reach it. Two Tailored Resumes Sage generated resumes for individual job opportunities. The phrase itself creates a powerful expectation: “Resume tailored by Sage to one job.” Tailoring should mean more than replacing a professional summary or rearranging a few sections. It should mean choosing the most relevant evidence for a particular employer and explaining why that evidence matters in the employer’s language. However, when I compared the documents, much of the underlying content remained the same. The headline still described me primarily as a Senior Technical Sales Consultant, regardless of the target role. Korean and English appeared together in documents intended for American employers. Broad skill lists remained largely unchanged. Some sentences contained grammatical errors, inconsistent capitalization, or awkward phrasing. The resumes had changed, but my evidence had not been truly reinterpreted. That distinction matters. A tailored resume is not one document wearing several different jackets. It is a different argument for each opportunity. For LangChain, the central argument might be: Hanjong can help technical teams connect agent infrastructure with measurable enterprise value. He can translate complex systems for decision-makers, guide discovery and evaluation, and bring customer learning back to product teams. For Notion, it might become: Hanjong can turn a flexible platform into role-specific business value, develop relationships across complex organizations, and help teams expand adoption through clear use cases and cross-functional trust. For A.Team, the argument would be different again: Hanjong combines AI fluency, enterprise storytelling, cross-border GTM experience, and a builder’s mentality. He can help shape an emerging sales motion while engaging senior executives around complex AI transformation. The underlying person is the same. But the relevant evidence, narrative, language, and business case must change. That is what real tailoring means. “Resume Ready” Is Not “Evidence Ready” The problem revealed by these resumes was not simply poor editing. It exposed a deeper product-design question. When should an AI career agent be allowed to declare a resume ready? A document should not become “Resume Ready” merely because text has been generated and placed into a template. Before that label appears, it should pass through at least four gates. 1. Fact Ready Are company names, job titles, dates, responsibilities, achievements, and employment status accurate? Has the system distinguished verified information from personal claims or AI inference? Has it avoided inventing numbers, outcomes, and responsibilities? 2. Role Ready Does the document reflect the actual requirements of the target position? Has the system selected the strongest evidence for this particular role? Does the headline describe the candidate’s future value rather than merely repeating the most recent job title? 3. Language Ready Is the language appropriate for the employer and market? Are grammar, tense, capitalization, terminology, and tone consistent? Has irrelevant bilingual text been removed from a resume intended for an English-speaking hiring team? 4. Human Ready Can a recruiter or hiring manager understand the candidate’s value in the first few seconds? Is the document concise, readable, and credible? Does it sound like the person—or like a machine assembling keywords? Only after passing these four gates should a resume be described as ready. Generation is not completion. Completion is not verification. Verification is not relevance. And relevance is not yet persuasion. One Hundred Should Become Several Numbers A single completeness score is simple, but it hides too much. Instead of one reassuring green circle, Saywise could show several dimensions of readiness: MeasureThe question it answers Profile Completeness Have the essential fields been entered? Evidence Coverage Are important claims supported by projects, artifacts, or testimony? Role RelevanceIs the selected evidence appropriate for this particular job? Fact Verification Which claims are confirmed, self-reported, private, or inferred? Language QualityIs the resume clear and professional for its intended market? Submission ReadinessIs the final document truly safe and strong enough to send? This would replace the illusion of a single perfect score with a more honest picture. A user might have a 100% complete profile but only 62% evidence coverage. A resume might have 91% role relevance but require language review. Another document might be factually accurate yet too long to submit. These distinctions would not weaken user confidence. They would create trust. Trust does not come from pretending that uncertainty has disappeared. It comes from showing where certainty ends. Eighty-Four Humans and Eighty AI Visitors The dashboard showed that my profile had received 164 visits: 84 human visits and 80 AI visits. That balance may be one of the most important signals on the entire platform. Professional identity is no longer written only for people. Increasingly, it is read first by machines—search engines, recommendation systems, recruiting agents, matching models, and enterprise AI assistants. This creates a new design challenge. A profile must be machine-readable without becoming machine-shaped. AI needs structured information: roles, skills, industries, projects, outcomes, dates, and relationships between evidence. Humans need something else: intention, context, judgment, change, and meaning. A machine may identify that I worked in technical sales, AI, and cross-border business development. A person needs to understand what connects those experiences—and why that connection could matter to their company. The future professional profile must serve both readers. For AI, it should provide structured and verifiable evidence. For humans, it should preserve voice, ambiguity, growth, and the larger story. A person is more than a set of searchable attributes. But without structure, that person may never be discovered. The challenge is not choosing between human narrative and machine-readable data. The challenge is building a bridge between them. The First Application Among the dashboard numbers, the smallest was 1. One application. It was not submitted to LangChain, Notion, or A.Team. It was submitted to Saywise itself—for the role of Head of Community & GTM. That fact changed how I interpreted the entire experience. I was not merely using a job-search product. I was living inside the problem the product was trying to solve. I had spent months asking what happens to professional identity when AI can generate limitless resumes and applications. I had written more than one hundred posts about hiring, evidence, storytelling, labor, technology, and human dignity. I had tested Saywise not only as a job seeker, but also as a believer in its larger possibility. And then the product gave me a lesson of its own. The matching engine could discover unexpected opportunities. The profile could attract both human and AI attention. The agent could reduce the friction of preparing an application. But the final mile—the transformation of a complex human life into a precise and credible case for one particular role—was still unfinished. That unfinished space did not make me lose faith in Saywise. It showed me where the work was. The First Customer Was Me A founder once told me that the best early customers do more than use a product. They reveal what the product is becoming. In that sense, my first contribution to Saywise may not have been marketing it to other people. It may have been allowing the product to misunderstand me—and then studying the distance between what it saw and who I was. That distance contained several product opportunities: evidence-aware resume generation; claim-level verification; role-specific narrative selection; multilingual quality control; a meaningful human review stage; transparent readiness indicators; and feedback loops that learn from interviews, rejections, hiring decisions, and actual workplace outcomes. The disappointing resume was therefore not merely a failed output. It was product research. It showed that the next generation of career agents cannot stop at generating better sentences. They must become better interpreters of evidence. From Resume 2.0 to Evidence Infrastructure The traditional resume asks: Where did you work, and what did you claim to accomplish? An evidence-based career system should ask more: What problem did you encounter? What decision did you make? What did you create? Who experienced the result? What changed afterward? Which parts can be independently confirmed? What remains private, uncertain, or disputed? How has your interpretation of that experience changed over time? This is the foundation of what I call an Evidence Graph: Problem → Judgment → Work → Response → Revision → Outcome → Verification Such a graph would allow AI to tailor a resume without merely remixing existing sentences. For LangChain, it could select evidence related to technical discovery, enterprise AI adoption, proof-of-concept work, and product feedback. For Notion, it could emphasize platform storytelling, organizational use cases, stakeholder expansion, and cross-border adoption. For A.Team, it could surface enterprise AI strategy, executive communication, solution design, and the ability to build a GTM motion under ambiguity. The evidence remains authentic. Its relevance changes with the opportunity. This is the difference between generating documents and understanding people. A Critical Believer It is easy to praise a product without examining it. It is also easy to criticize an early product without understanding how difficult it is to build something new. I want to do neither. I want to be a critical believer. A believer sees what the product can become. A critical user identifies the distance between that possibility and the current experience. An evangelist should not hide that distance. A good evangelist helps the company cross it. My criticism of the Sage-generated resumes comes from the same place as my support for Saywise. I believe the company can become more than an automated job-application service. It can become an infrastructure of professional trust: a place where people, employers, and AI agents can discover not only what someone claims, but what that person has actually learned, made, changed, and endured. That future will not be created by prettier PDFs alone. It will be created by better evidence, more honest uncertainty, and a deeper understanding of the person behind the profile. What 100–8–2–1 Taught Me 100 taught me that completeness is not understanding. 8 showed me that AI can discover several credible futures within one complicated past. 2 revealed the difference between changing a document and truly tailoring an argument. 1 reminded me that a single real application matters more than a hundred hypothetical opportunities. And 164 visits—84 human and 80 AI—showed me the new audience for professional identity. We are now writing our careers for people and machines at the same time. The responsibility of Saywise is not merely to make that writing faster. It is to make it more truthful, more relevant, and more human. The Next Number My dashboard may change tomorrow. There may be more matches, more resumes, more visits, more applications, and perhaps an interview or an offer. But the next number I care about is not simply a higher one. It is the number of people who were discovered because their real ability was finally made visible. The number of hiring managers who trusted evidence instead of polished claims. The number of careers that did not disappear behind the wrong title, an imperfect language, an unfamiliar school, a non-linear history, or a quiet period of recovery. I did not apply to board a finished ship. I applied because I want to contribute the oar I have actually rowed, so that the ship can travel farther. My profile may have reached 100%. The work of being understood has only begun. Suggested Hashtags #Saywise #EvidenceReady #ResumeReady #EvidenceBuilder #AgenticAI #AIRecruiting #FutureOfWork #ProofOfWork #EvidenceLedHiring #ProfessionalIdentity #HumanCenteredAI #GTM #CareerAgents #TrustInfrastructure #Resume2_0

100–8–2–1, ‘Resume Ready’에서 ‘Evidence Ready’로 가는 길 말이 공짜가 된 시대에 좋은 AI는 더 많은 문장을 만드는 것이 아니라, 한 사람이 실제로 살아낸 경험에서 지금 필요한 증거를 알아보아야 한다. 이한종 / Hanjong Lee GTM & Evidence Builder 화면 오른쪽에 초록색 원이 있었다. 그 안에는 숫자 하나가 적혀 있었다. 100. Profile completeness 100. 시스템의 언어로 내 프로필은 완성되어 있었다. Sage는 나에게 맞을 것 같은 여덟 개의 일자리를 발견했다. 그중 두 개의 직무를 위한 맞춤 이력서를 만들었고, 나는 한 곳에 실제로 지원했다. 내 프로필에는 164번의 방문이 있었다. 84번은 사람이었고, 80번은 AI였다. 숫자만 보면 미래는 이미 도착한 것처럼 보였다. 사람만 나를 읽는 것이 아니었다. AI도 내 프로필을 읽고 있었다. 나는 더 이상 여러 채용 사이트를 돌아다니며 같은 정보를 반복해서 입력할 필요가 없었다. Sage는 시장을 지켜보다가 새로운 기회를 발견하고, 그것이 왜 나와 맞는지 설명하며, 직무별 이력서까지 준비했다. 내가 오랫동안 상상했던 미래와 가까웠다. 그러나 맞춤 이력서를 열어본 순간, 다른 질문이 생겼다. 프로필의 모든 칸이 채워졌다는 것과 한 사람이 제대로 이해되었다는 것은 같은 일일까. 100은 완성이 아니라 입력의 끝이었다 내 경력은 하나의 직선으로 설명하기 어렵다. 영화를 공부했고, 스타트업 미디어에서 글을 썼다. 회사를 창업했고, 콘텐츠와 디지털 IP를 만들었다. 한국의 창업가를 글로벌 생태계에 소개했고, 투자자와 창작자, 기술기업과 고객을 연결했다. 최근에는 AI 기반 소재 인포매틱스를 북미와 한국의 R&D 조직에 설명하고, 고객의 문제를 기술검증과 사업기회로 전환하는 일을 했다. 겉으로 보면 서로 다른 경력처럼 보인다. 하지만 그 안에는 하나의 질문이 반복되고 있었다. 좋은 기술과 좋은 사람이 왜 시장에서 제대로 이해되지 못하는가. 그리고 그 가능성을 다른 사람이 신뢰하고 행동할 수 있는 증거로 어떻게 바꿀 것인가. 나는 이 반복을 뒤늦게 발견하고 나의 일을 GTM & Evidence Builder라고 부르기 시작했다. 그런데 프로필 완성도 100이라는 숫자는 이 연결을 의미하지 않았다. 정보가 입력되었다는 뜻에 가까웠다. 회사명, 직함, 기간, 학력과 기술이 채워졌지만, 그 경험들 사이에 어떤 판단과 일관성이 있었는지는 별개의 문제였다. 데이터는 완성되었지만 의미는 아직 편집되지 않았다. 여기서 나는 Saywise가 풀어야 할 가장 어려운 문제를 보았다. AI는 사람에 관한 정보를 모을 수 있다. 그러나 그 사람에게 중요한 것이 무엇인지를 알아보는 일은 다른 차원의 문제다. Sage는 여덟 개의 항구를 발견했다 Sage가 발견한 직무들은 흥미로웠다. Founding Account Executive, Account Executive for Data Partnerships, Solutions Consultant, Commercial Solutions Consultant, AI Solutions GTM Strategist. 직함은 서로 달랐지만 공통점이 있었다. 복잡한 기술을 고객의 언어로 번역하고, 초기 시장을 만들며, 여러 이해관계자를 연결하고, 아직 정답이 없는 상황에서 새로운 GTM 방식을 찾아야 하는 역할이었다. 이 점에서 Sage는 나를 상당히 정확하게 읽었다. Sage는 내가 갈 수 있는 항구들을 발견했다. 전통적인 이력서라면 영화, 콘텐츠, 창업, 투자, 기술영업이 서로 관련 없는 경력처럼 보였을 것이다. 그러나 매칭 결과를 이어서 보면 그 안에서 하나의 직업적 패턴이 드러난다. 나는 이미 만들어진 제품을 정해진 방식으로 판매하는 사람이라기보다, 아직 시장의 언어를 얻지 못한 기술과 가능성을 발견하고 고객이 이해할 수 있는 가치로 바꾸는 사람이었다. 이것은 Saywise가 가진 분명한 가능성이었다. 하지만 항구를 발견하는 일과 그 항구에 맞는 짐을 싣는 일은 달랐다. 두 개의 맞춤 이력서 두 개의 Tailored Resume를 열어보았다. Summary의 일부와 페이지 구성이 달라졌지만 핵심 경력 서술은 대부분 같았다. 미국 회사에 제출할 이력서 안에 한국어 설명이 남아 있었고, 직무와 관련성이 낮은 기술들이 한글과 영어로 길게 반복됐다. 일부 문장에는 띄어쓰기와 문법 오류도 있었다. 무엇보다 Notion의 Commercial Solutions Consultant와 A.Team의 AI Solutions GTM Strategist는 서로 상당히 다른 역할인데, 두 문서가 나에 대해 펼치는 주장은 크게 다르지 않았다. 나는 여기서 ‘맞춤’의 의미를 다시 생각했다. 맞춤 이력서는 같은 경력에 다른 회사의 이름을 붙이는 문서가 아니다. 맞춤 이력서는 한 사람이 살아온 동일한 시간에서, 지금의 기회가 요구하는 증거를 다시 선택하고 배열하는 문서다. 사실은 바뀌지 않는다. 그러나 어떤 사실을 먼저 보여주어야 하는지는 직무마다 달라진다. LangChain의 Enterprise Account Executive에 지원한다면 다음 경험이 전면에 나와야 한다. 복잡한 AI 기술을 기술적·사업적 구매자에게 설명한 경험 고객 탐색부터 POC, 내부 승인, 계약과 배포까지 이어지는 영업과정 한국과 북미 이해관계자 사이에서 거래를 진전시킨 경험 고객의 피드백을 제품·엔지니어링에 전달한 경험 예를 들어 Polymerize의 같은 경험도 이렇게 정리할 수 있다. Managed cross-border technical sales for AI-powered materials informatics, guiding R&D and executive stakeholders from discovery and workflow assessment through POC design, internal approval, licensing discussions, and deployment planning. 반면 Notion의 Commercial Solutions Consultant에 지원한다면 강조점이 달라져야 한다. 고객의 기존 업무방식을 발견하는 능력 복잡한 제품을 실제 워크플로로 설계하는 능력 기술 담당자와 경영진에게 서로 다른 언어로 가치를 설명하는 능력 데모와 기술검증을 통해 도입 위험을 낮추는 능력 같은 경험을 이렇게 다시 선택할 수 있다. Diagnosed fragmented R&D data workflows, designed consultative demonstrations around customer use cases, and translated technical capabilities into operational value for both technical teams and executive stakeholders. A.Team의 AI Solutions GTM Strategist라면 또 달라야 한다. AI 기술과 사업전환을 연결하는 능력 창업가·투자자·기업 의사결정권자를 조율한 경험 새로운 시장을 위한 콘텐츠와 영업 서사를 만든 경험 불확실한 환경에서 GTM 플레이북을 구축한 경험 예를 들면 다음과 같다. Built cross-border GTM narratives across AI, digital media, and emerging technology, aligning founders, investors, creators, and enterprise stakeholders around new market opportunities and actionable commercial pathways. 세 문장은 같은 사람에게서 나왔다. 그러나 같은 주장을 하고 있지는 않다. 이것이 내가 생각하는 진짜 tailoring이다. Resume Ready와 Evidence Ready 사이 현재 화면은 이력서가 만들어지면 Resume Ready라고 알려준다. 그러나 문서가 생성되었다는 것과 제출할 준비가 되었다는 것은 다르다. 나는 Resume Ready 앞에 네 개의 문이 필요하다고 생각한다. 첫 번째 문: Fact Ready 회사명, 직함, 재직기간과 성과 수치가 맞는지 확인해야 한다. AI가 새로운 사실을 만들어서는 안 되며, 확인되지 않은 주장은 사용자에게 질문해야 한다. 예를 들면 다음처럼 표시할 수 있다. 40개 프로젝트: 사용자 확인 완료 200억 원의 경제적 효과: 산정 근거 확인 필요 북미 OTT 계약: 진행 상태 업데이트 필요 Enterprise AI sales 10년: 과장 가능성, 표현 수정 필요 AI가 자신 있게 쓰는 것보다, 모르는 것을 정확하게 표시하는 것이 더 신뢰할 만하다. 두 번째 문: Role Ready 공고의 요구조건과 후보자의 경험이 어떻게 연결되는지 보여주어야 한다. -직무 요구조건선택된 경험증거 상태Enterprise POCPolymerize의 POC 설계와 고객 discovery사용자 확인Cross-border GTM한국·북미 시장개발프로필 근거 있음투자·딜 조율Lunar X의 인수대상 발굴과 커뮤니케이션외부 확인 필요Thought Leadership약 200개 기사와 100개 Saywise 기록작업물 연결 가능 이 표가 있다면 사용자는 AI가 왜 특정 경험을 선택했는지 알 수 있다. 세 번째 문: Language Ready 문법, 대문자, 기업명, 제품명과 지원 국가의 언어를 확인해야 한다. 미국 회사에 제출하는 영문 이력서라면 특별한 이유가 없는 한 한국어가 남아서는 안 된다. 페이지가 세 장이라면 단순히 글자 크기를 줄일 것이 아니라, 중요하지 않은 경험을 압축해야 한다. 좋은 편집은 더 많이 넣는 일이 아니다. 무엇을 남기지 않을지 결정하는 일이다. 네 번째 문: Human Ready 마지막 결정은 사람에게 남아 있어야 한다. Sage는 다음을 보여줄 수 있다. 새롭게 추가한 문장 삭제하거나 압축한 경력 직무 설명에서 반영한 키워드 확인이 필요한 주장 제출 전 반드시 읽어야 할 부분 코드를 수정할 때 변경내역을 확인하듯, 이력서도 이전 버전과 무엇이 달라졌는지를 보여줄 수 있다. 그리고 사용자가 마지막으로 승인한 뒤에야 Resume Ready가 되어야 한다. 하나의 100 대신 여러 개의 정직한 숫자 Profile completeness 100은 사용자가 성취감을 느끼게 하는 좋은 숫자다. 그러나 하나의 숫자가 너무 많은 의미를 가지면 오히려 중요한 차이를 숨길 수 있다. 나는 다음과 같이 나누어 보고 싶다. Profile Completeness: 100 Evidence Coverage: 72 Role Relevance: 84 Fact Verification: 63 Language Quality: 91 Submission Readiness: 68 이 숫자들은 사람의 가치를 평가하는 점수가 아니다. 문서가 얼마나 준비되었는지를 알려주는 작업상태다. 사람은 63점이 될 수 없지만, 그의 이력서에 담긴 주장의 검증상태는 63%일 수 있다. 그 차이를 지키는 것이 중요하다. 모든 인간은 자신의 데이터보다 크다. 모든 사람은 자신의 프로필보다 크며, 자신의 과거 성과보다도 크다. 좋은 AI는 사람을 하나의 점수 안에 가두지 않는다. 어떤 부분을 이해했고, 무엇을 아직 알지 못하는지 보여준다. 여든 번의 AI 방문 내 프로필에는 사람의 방문 84회와 AI의 방문 80회가 표시되어 있었다. 나는 이 숫자가 인상적이었다. 과거의 이력서는 사람에게 읽히기 위해 만들어졌다. 그러나 앞으로의 전문 프로필은 사람과 에이전트가 함께 읽게 된다. 기업의 AI는 후보자를 발견하고, 개인의 AI는 기회를 탐색하며, 두 에이전트 사이에서 사람의 경력이 해석될 것이다. 그렇다면 이력서는 더 이상 한 장의 문서로 끝날 수 없다. AI가 읽을 수 있는 구조화된 정보와, 인간이 이해할 수 있는 이야기, 그리고 양쪽이 신뢰할 수 있는 증거가 함께 있어야 한다. 여기에서 Saywise의 더 큰 가능성이 나타난다. Saywise는 이력서를 더 빨리 만드는 서비스에 머물 필요가 없다. 사람의 주장과 작업물, 판단, 실패, 수정, 결과와 외부 확인을 연결하는 Evidence Graph가 될 수 있다. 그리고 Sage는 그 Evidence Graph에서 특정 기회에 필요한 증거를 선택하는 에이전트가 될 수 있다. 첫 번째 지원 여덟 개의 매칭 가운데 내가 실제로 지원한 곳은 Saywise였다. Head of Community & GTM. 조금 이상한 일이다. 나는 Saywise를 사용해 다른 회사의 기회를 발견했지만, 그 과정에서 오히려 Saywise가 풀어야 할 문제를 더 선명하게 발견했다. 그러나 이것은 지원을 후회하게 만든 문제가 아니었다. 반대였다. 내가 왜 이 회사와 함께하고 싶은지를 더 분명하게 보여주었다. 나는 완성된 제품을 홍보하는 일만 하고 싶지 않다. 사용자가 제품을 경험하는 자리에서 약속과 현실 사이의 간격을 발견하고, 그 간격을 제품과 콘텐츠, 커뮤니티와 시장의 언어로 바꾸는 일을 하고 싶다. 커뮤니티는 제품을 칭찬하는 사람들의 집합이 아니다. 제품이 아직 보지 못한 것을 함께 발견하는 사람들의 집합이다. 에반젤리스트는 제품이 완벽하다고 말하는 사람이 아니다. 제품이 왜 존재해야 하는지를 믿으면서, 그 믿음에 걸맞은 수준까지 함께 끌어올리는 사람이다. 첫 번째 고객은 나였다 지난 한 계절 동안 나는 Saywise에 관한 글을 100여 개 썼다. 처음에는 Saywise를 설명하기 위해 썼다. 그러나 계속 질문하고 만들고 기록하는 동안, 그 글들은 나 자신을 다시 발견하는 증거가 되었다. 영화, 창업, 미디어, 투자, 글로벌 확장과 AI 기술영업으로 흩어져 있던 경력이 하나의 질문으로 연결되었다. 사람과 기술의 발견되지 못한 가능성을 어떻게 시장이 이해하고 행동할 수 있는 현실로 바꿀 것인가. 나는 Saywise의 직원이 되기 전에 Saywise가 필요로 하는 사람이 어떤 사람인지 생각했다. 사용자가 되었고, 콘텐츠를 만들었으며, 제품을 관찰하고, 가능성과 약점을 함께 기록했다. 그런 의미에서 Saywise를 위한 나의 첫 번째 고객은 나 자신이었다. 나는 나의 프로필을 완성했고, Sage가 발견한 직무를 검토했으며, 생성된 이력서를 비교했다. 무엇이 작동했고 무엇이 아직 부족한지 확인했다. 이것은 완성된 성공사례가 아니다. 작은 제품 실험이다. 문제: 비선형적인 경력이 직함과 키워드 안에서 제대로 설명되지 않는다. 행동: 프로필을 완성하고 Sage의 매칭과 맞춤 이력서를 사용했다. 발견: 직무 발견은 의미 있었지만, 직무별 증거 선택과 최종 품질검증은 부족했다. 제안: Fact, Role, Language, Human의 네 단계로 Submission Readiness를 설계한다. 다음 실험: 실제 지원과 기업 반응을 통해 어떤 증거가 면접과 채용으로 이어지는지 확인한다. 검증 상태: 아직 결과를 기다리는 중이다. 마지막 줄을 비워두는 것이 부끄럽지 않다. 확인되지 않은 결과를 성공처럼 말하지 않는 것이 Evidence Builder의 태도이기 때문이다. 프로필 이후의 사람 처음 화면을 보았을 때 나는 100이라는 숫자가 좋았다. 긴 시간 흩어져 있던 나의 경력이 하나의 공간에 모였다는 느낌이 들었다. 내가 지나온 시간들이 사라지지 않았다는 작은 안도감도 있었다. 그러나 지금은 그 숫자를 조금 다르게 읽는다. 100은 한 사람의 완성을 뜻하지 않는다. AI가 그 사람을 완전히 이해했다는 뜻도 아니다. 그것은 대화를 시작할 준비가 되었다는 뜻이다. 이제 Sage는 물어야 한다. 이 경험에서 당신이 실제로 한 일은 무엇입니까. 이 숫자는 어떻게 확인할 수 있습니까. 이 역할을 위해 무엇을 먼저 보여주고 싶습니까. 무엇은 공개하고 싶지 않습니까. 이 문장이 당신이 말하고 싶은 당신과 일치합니까. AI가 사람을 대신해 더 많은 말을 만드는 시대에는 이런 질문이 더욱 중요하다. 좋은 에이전트는 나를 대신해 가장 화려하게 말하는 존재가 아니다. 내가 실제로 살아낸 시간에서, 지금 건너야 할 바다에 필요한 증거를 알아보는 존재다. 나는 Saywise가 완성되었기 때문에 지원한 것이 아니다. 이 제품이 아직 완성되지 않았기 때문에, 그리고 그 미완성 속에서 어디로 가야 하는지가 보였기 때문에 지원했다. Sage는 내가 갈 수 있는 항구들을 발견했다. 이제 필요한 것은 각 항구에 맞는 증거를 정확히 골라 싣는 일이다. 프로필은 100%가 될 수 있다. 그러나 모든 인간은 자신의 프로필보다 크다. 나는 완성된 배에 태워달라고 지원한 것이 아니다. 그 배가 더 멀리 갈 수 있도록, 내가 실제로 저어온 노를 보태고 싶어서 지원했다. 해시태그 #Saywise #ResumeReady #EvidenceReady #EvidenceBuilder #GTM #AgenticAI #AIJobSearch #FutureOfWork #HumanWisdom #EvidenceGraph #AI채용 #맞춤이력서 #실제로저은노

The One Who Recognizes the Oar A Twelve-Year Bond Geon-hee first encountered the man in the spring of 2014. The scent of winter still lingered over Seoul. Geon-hee sat by the window of a small café with an old laptop. On the screen was a storytelling platform that had only just set sail from America—a place where creators without borders or famous names could post their comics, and readers across the ocean could discover them. The man who had built the platform was Chan-woo. Geon-hee knew the vessel before he knew the man. It was still a small vessel. Rain leaked through its deck, its crew was thin, and no one knew how far it could travel. Yet to Geon-hee, it looked strangely immense, as though it already carried within it all the routes that had yet to be drawn. He wrote Chan-woo a brief letter. I want to join the vessel you have built. It took him a long time to press Send. One by one, he counted what he had: the years he had spent studying film, the projects he had built by connecting people, a failed company, proposals that had gone nowhere, and ideas that had not yet earned a cent. But even taken together, none of them seemed enough to buy passage across the sea. No reply came. For a while, Geon-hee checked his inbox every day. Then one day, he stopped. A person does not always give up waiting; sometimes he simply learns how to hide the fact of his waiting inside the routines of ordinary life. Chan-woo’s vessel crossed the Pacific. Geon-hee remained on shore. Much happened over the next twelve years. Chan-woo’s small vessel carried thousands of creators. Once-unknown stories found readers around the world, and the vessel grew. People began calling Chan-woo its captain. Investment followed, and eventually a vast fleet acquired the ship he had built. In the news, Chan-woo was smiling. Geon-hee turned off the screen and sat down at the dinner table. His children were talking about what had happened at school. One had left food untouched; another was crying after an argument with a friend. Geon-hee reheated the soup, helped with homework, and worked late into the night on everything that remained unfinished. His voyage never appeared in the news. He started businesses and closed them. People who had once worked beside him left, and plans he had trusted collapsed. There were days when the money ran out and nights when he felt as though he had become no one at all. Still, every morning, he got up. Because his children were there. At first, Geon-hee believed that he was protecting his family. Only much later did he understand that his children were the ones who had kept him tethered to life. He lived to protect them, and survived because they protected him. In 2024, as he prepared to cross to America, Geon-hee turned his life into a document. It was one hundred and eleven pages long. Degrees and awards, companies and projects, articles and letters of recommendation, contracts and numbers. The life he had lived was reduced to headings, exhibits, and tables. The thicker the document became, the thinner Geon-hee seemed within it. As he turned the final page, he wondered: Why does it take so much paper to prove a human life? The system asked him for evidence again. Show us more, it said. Prove that you are truly exceptional. Prove that you deserve to remain here. Prove that what you accomplished in the past was not an accident. So Geon-hee gathered more documents. Yet no amount of evidence could contain the nights he had stayed awake beside a feverish child, the calls he had answered from a colleague who had failed, or the moments when he had believed in another person’s potential before anyone else could see it. Between the human being the system demanded and the human being who had actually lived, there stretched a deep sea. Geon-hee crossed that sea and arrived in America. And, astonishingly, he came to live only thirty minutes away from Chan-woo. Neither of them knew. The man who had once seemed as distant as the other side of the Pacific was now only a short drive away. But distance closing does not mean that the appointed hour of a relationship has arrived. Had they met then, they might simply have said, “It has been a long time.” And walked past each other. It was not yet time for them to recognize one another again. In the winter of 2025, Geon-hee’s body suddenly stopped. When he opened his eyes, he was staring at a hospital ceiling. His left arm would not move; it felt as though it belonged to someone else. Speech came more slowly than thought. The sentences in his mind were clear, but by the time they reached his lips, the words had lost their way. The physical therapist asked him to take one step. The man who, until yesterday, had tried to connect people and worlds was now given a single task: rise from the bed and reach the chair. At first, it felt like humiliation. What could one step possibly mean? He was someone who needed to travel farther than this. But the body was unsentimental. Without the first step, there could be no second. Geon-hee gripped the rail. He moved his right foot forward, then dragged the unresponsive left foot after it. Sweat ran down his face. A movement that lasted only seconds seemed to take half a day. That night, he wept. Not because he could not walk, but because he was afraid he might no longer be useful. Then his youngest child took his hand. It was the left hand—the one that would not move. The child said nothing, only held it for a long time. And Geon-hee understood at last: love makes no distinction between the hand that moves and the hand that does not. From that day on, rehabilitation was no longer the work of returning to the person he had once been. It became the work of creating a new self with the body that remained. In the summer of 2026, an invitation arrived from Chan-woo. He was building another vessel. This one was not searching for stories, but for people: experience erased by a few lines on a résumé, judgment hidden behind a job title, and ability that could not be fully explained in words. It was a vessel designed to discover those things and connect them to new possibilities. Its name was Saywise. Geon-hee stared at the screen for a long time. It was nothing like the vessel he had wanted to join twelve years before. And yet it seemed to have departed from the same question: How do we connect undiscovered potential with the world? Geon-hee boarded as an invited user. But he did not stop at looking around the deck. He began asking where the wind was leaking through, who most needed this vessel, and how more people might be brought aboard. He did not ask for a title. He began the work instead. He connected people, translated the meaning of the product into his own language, and left one record after another. He wrote about film and labor, AI and hiring, failure and evidence, and human dignity. Writing became part of his rehabilitation. To write a single sentence, he had to summon scattered memories. He chose a word, erased a sentence, and began again. He did not wait to recover before he started. He wrote while recovering. The second essay followed the first. The twentieth followed the tenth. Even on days when no one seemed to be reading, he wrote. On the night he completed his hundredth piece, Geon-hee remembered the letter he had sent Chan-woo long ago. I want to join the vessel you have built. He rewrote the sentence. Now I want to chart the course with you. Several days passed after he submitted his application. They had said the answer would come the following week. Geon-hee was strangely calm. Of course he wanted to work with them. Of course he hoped for good news. But unlike twelve years before, he was no longer sitting before an inbox, waiting for someone else to tell him what he was worth. This time, he already knew. Before anyone chose him, he had discovered the kind of person he was. He was not someone who decorated possibility with words. He found what others could not yet see and turned it into something they could experience in the real world. Only belatedly did Geon-hee find a name for that work. Evidence Builder. Someone who builds evidence. But never imprisons a person inside it. One afternoon while he waited, Geon-hee went to the shore. In the distance, he could see the cliffs of Palos Verdes. Chan-woo had lived somewhere in that direction. For twelve years, Geon-hee had imagined him on the opposite side of a vast ocean. Yet for a time, they had lived only thirty minutes apart. Geon-hee sat on the sand. With his right hand, he picked up a small branch and drew a vessel. Beside it, his child drew one long line. “What is that?” Geon-hee asked. “An oar,” the child replied. “A boat needs one if it wants to move.” Geon-hee smiled. In that moment, he thought of Odysseus. When the wanderer returned after twenty years, words alone could not prove who he was. His old nurse recognized him by the scar on his body, and his ancient bow revealed the truth of his identity. Geon-hee had scars of his own. A left hand that moved slowly. Speech that sometimes broke between words. Failed companies. An unanswered letter. One hundred and eleven pages of proof. One hundred records of his own making. He had once believed these were signs of his inadequacy. Now he understood. They were traces of the seas he had actually crossed. Geon-hee looked at the oar drawn in the sand. It was rough and longer than the vessel itself, etched deep because the child had pressed so hard. He thought: Twelve years ago, I wanted to join the vessel Chan-woo had built. Back then, I believed that a vessel carried a person to his destination. Now I know better. What moves a vessel is not its name, its title, or its magnificent flag. It is the oar that enters and leaves the water again and again while no one is watching. The next morning, an email arrived. Geon-hee did not open it at once. He opened the window and slowly drew in a breath. He placed his left hand on the desk. His fingers still did not move as he wished, but they opened a little farther than they had the day before. Only then did he open the message. As he read the words on the screen, a small smile spread across his face. No one could tell whether it was the smile of a man who had been accepted, or of a man who had learned how to receive a refusal. Geon-hee closed the laptop. Whatever the answer, there was work to do that day. He would write another piece, meet someone still waiting to be discovered, and explain to the world why he believed in this vessel. He typed the title of his hundred-and-first record: The One Who Recognizes the Oar. Then he wrote the opening lines: Twelve years ago, I wanted to join the vessel he had built. Only twelve years later did I understand: what we needed in order to meet again was not a vessel, but enough time to recognize the oars each of us had actually pulled. Autumn light entered through the window. The sea was nowhere in sight, yet Geon-hee could hear the sound of waves. Perhaps a bond is not made by boarding the same vessel. Perhaps it is made when two people who have crossed separate seas arrive one day at the same harbor and recognize the calluses on each other’s hands. Twelve years was a long time. But without those years, Chan-woo might never have recognized Geon-hee’s oar—and Geon-hee might never have realized that he had been carrying one all along. With his right hand, Geon-hee slowly pressed the keys. His unresponsive left hand rested quietly beside it. The two hands were different, but both belonged to him. The voyage was not over. This time, he did not ask to be taken aboard someone else’s vessel. Holding the oar he had actually pulled, Geon-hee set out toward the next sea. #TheOneWhoRecognizesTheOar #TheOarsWePulled #TwelveYearJourney #Saywise #EvidenceBuilder #EvidenceLedHiring #HumanPotential #HumanDignity #StrokeRecovery #RehabilitationJourney #SecondBeginning #TheOdyssey #CreatorEconomy #CrossBorderGTM #TrustThroughEvidence #UndiscoveredPotential #KeepRowing #OneHundredRecords #LifeBeyondAResume #TheVoyageContinues

— 열두 해의 인연 1. 이름이 남지 않는 일 건희가 처음 상을 받은 것은 서른둘의 겨울이었다. 무대 위에서 그의 이름이 불렸다. 국무총리 표창이라고 했다. 사회자는 그가 창업가와 투자자, 정부기관 사이에 흩어져 있던 사람들을 하나의 테이블로 불러 모았다고 소개했다. 사진 속 건희는 젊었고 긴장해 있었다. 상장을 든 손에는 힘이 들어가 있었지만, 정작 그는 자신이 무엇을 이루었다고 생각하지 않았다. 당시 사람들은 한국을 ‘스타트업의 사막’이라고 불렀다. 투자자는 창업가의 언어를 이해하지 못했고, 창업가는 정부의 시간을 기다리지 못했다. 정부는 혁신을 말했지만 혁신이 어디서 시작되는지 알지 못했다. 건희가 한 일은 거창하지 않았다. 서로 말이 통하지 않는 사람들 사이에 앉아 그들의 문장을 번역했다. “이 창업가는 돈만 요구하는 것이 아닙니다. 시장에 도달할 시간이 필요한 겁니다.” “이 투자자는 당신의 꿈을 의심하는 것이 아닙니다. 위험을 판단할 증거가 필요한 겁니다.” “정부가 원하는 숫자와 현장이 말하는 성과 사이에는 다른 언어가 필요합니다.” 회의가 잘 끝나면 사람들은 서로 악수했다. 계약이 체결되면 투자자와 창업가의 이름이 기사에 실렸다. 건희의 이름은 대부분 빠졌다. 하지만 그는 그것이 자신의 일이라고 생각했다. 다리를 건넌 사람들이 다리의 이름을 기억하지 않아도 괜찮았다. 중요한 것은 건너편에 도착하는 것이었다. 그는 생태계라는 말을 좋아했다. 숲에서 가장 중요한 존재는 가장 키가 큰 나무가 아니었다. 흙과 물, 뿌리와 균사, 빛과 바람이 서로를 살게 하는 방식이었다. 건희는 자신도 그런 사람이 되고 싶었다. 눈에 잘 보이지 않지만, 서로 다른 가능성이 연결되도록 만드는 사람. 2. 이백 개의 병 그 뒤 건희는 실리콘밸리의 언어를 한국어로 옮기기 시작했다. 플랫폼 전략, 네트워크 효과, 창업가의 실패, 벤처투자의 판단, 아마존의 플라이휠. 그는 밤마다 해외의 글과 사례를 읽고 자신의 언어로 다시 썼다. 글은 이백 편을 넘었다. 아무도 부탁하지 않은 글이 대부분이었다. 원고료가 없는 날도 많았다. 사람들이 제목만 보고 지나가는 날에는 자신이 바다에 병을 던지는 사람처럼 느껴졌다. 건희는 글을 쓴 종이를 접어 상상 속의 병에 넣었다. 누군가 언젠가 이것을 발견할 것이다. 몇 년 뒤 한 투자자가 그에게 말했다. “당신이 쓴 연결과 순환에 관한 글을 투자 검토에 참고했습니다.” 그 투자는 훗날 수조 원의 가치를 가진 기업으로 이어졌다. 그러나 건희는 자신이 그 회사를 만들었다고 말하지 않았다. 자신이 투자했다고도 말하지 않았다. 그는 다만 다른 사람들이 같은 그림을 볼 수 있도록 작은 등불 하나를 놓았을 뿐이었다. 그의 일은 늘 그런 식이었다. 직접 소유하지 않았지만 방향을 바꾸었다. 앞에 서지 않았지만 일이 일어나게 했다. 그것이 건희의 자부심이었고, 때로는 그의 불행이기도 했다. 세상은 결과를 소유한 사람은 쉽게 기억하지만, 결과가 가능하도록 언어와 관계를 만든 사람은 좀처럼 기억하지 않았다. 3. 2014년의 배 2014년 봄, 건희는 찬우가 만든 작은 플랫폼을 발견했다. 찬우는 한국의 창작자와 미국의 독자를 연결하는 배를 만들고 있었다. 이름 없는 작가가 자신의 이야기를 싣고 태평양을 건너갈 수 있는 배였다. 그 배는 작고 불안해 보였다. 갑판에는 비가 샜고 선원은 부족했다. 어디까지 갈 수 있을지 누구도 장담하지 못했다. 그러나 건희는 그 배가 무엇을 하려는지 알아보았다. 자신이 오랫동안 해온 일과 닮아 있었기 때문이다. 발견되지 못한 가능성을 찾아 다른 세계와 연결하는 일. 건희는 O비자를 준비하며 찬우에게 편지를 썼다. 당신이 만든 배에 타고 싶습니다. 보내기 전 그는 자신이 가진 것들을 하나씩 세어보았다. 영화학교에서 배운 이야기의 힘, 창업가와 투자자를 연결한 경험, 실패한 사업, 이백 편의 글, 정부와 시장 사이에서 익힌 번역의 기술. 그러나 그것들을 한 문장으로 설명할 이름은 아직 없었다. 그는 자신을 마케터라고 쓰다가 지웠다. 창업가라고 쓰다가 지웠다. 컨설턴트라고 쓰다가 다시 지웠다. 결국 편지는 길어졌고, 가장 중요한 말은 짧았다. 함께 만들고 싶습니다. 답장은 오지 않았다. 건희는 한동안 매일 메일함을 확인했다. 그러다 기다리지 않는 사람처럼 살아가는 법을 배웠다. 찬우의 배는 태평양을 건넜다. 건희는 다른 항구로 향했다. 4. 사람과 사람 사이의 항로 건희는 창작자 경제의 초기 항구에서 다시 일을 시작했다. 작은 창작자들이 브랜드를 만나도록 돕고, 투자자와 플랫폼을 연결했다. 서로 경쟁한다고 생각했던 기업들 사이에서도 함께 갈 수 있는 이유를 찾아냈다. 한 기업에는 인수의 길을 설계했고, 다른 콘텐츠 플랫폼에는 경쟁사를 투자자로 바꾸는 이야기를 만들었다. “누가 이기는가를 먼저 묻지 맙시다.” 건희가 회의에서 자주 하던 말이었다. “함께 더 큰 시장을 만들 수 있는지부터 봅시다.” 그는 창업가와 투자자, 대기업과 정부, 한국과 미국 사이를 오갔다. 국가 규모의 스타트업 프로그램에서는 세계의 창업가들이 한국 시장을 이해할 수 있도록 언어와 이야기를 만들었다. 화려해 보이는 순간도 있었다. 행사장의 대형 화면에 불꽃이 터졌고, 우승한 창업가는 상금을 들고 웃었다. 투자 계약이 발표되면 사람들이 박수를 쳤다. 건희는 대개 무대 옆 어두운 곳에 서 있었다. 사진 속에서 잘려 나가거나, 기사에 이름이 실리지 않거나, 다른 사람의 성과 뒤에 한 줄로 남았다. 처음에는 그것으로 충분하다고 생각했다. 그러나 시간이 쌓일수록 한 가지 두려움이 생겼다. 나는 정말 존재했던 것일까. 자신이 연결한 사람들은 앞으로 나아갔지만, 연결한 사람의 시간은 증거로 남지 않았다. 건희는 자신을 드러내는 데 익숙하지 않았다. 낮은 자아가 좋은 생태계를 만든다고 믿었다. 하지만 자아를 낮추는 것과 자신의 노동을 지우는 것은 같은 일이 아니었다. 그 차이를 깨닫는 데 오래 걸렸다. 5. 백열한 페이지 2024년, 건희는 미국으로 건너가기 위해 자신의 삶을 증명해야 했다. 서류는 백열한 페이지에 달했다. 학위, 표창, 기사, 프로젝트, 계약, 추천서, 창업 경험, 시장의 변화, 자신이 연결한 기업들의 성장. 흩어졌던 15년의 시간이 항목과 표로 정리되었다. 그가 번역한 이백 편의 글도 들어갔다. 투자자와 창업가를 연결했던 기록도, 창작자 경제를 만들었던 시간도, 정부 프로그램을 통해 세계의 창업가를 연결한 경험도 들어갔다. 문서는 두꺼워질수록 한 사람을 선명하게 만들어야 했다. 그러나 건희는 오히려 자신이 점점 얇아지는 기분이 들었다. 서류에는 성공한 기업의 가치가 적혀 있었지만, 실패한 창업가의 전화를 새벽까지 받아준 일은 없었다. 숫자와 계약은 있었지만, 서로를 믿지 못하던 두 사람에게 같은 미래를 보여주기 위해 애쓴 밤은 없었다. 제도는 다시 추가 증거를 요구했다. 건희는 그 문장을 오래 바라보았다. 더 보여주십시오. 이미 많은 것을 살아냈는데도, 세상은 그가 정말 가치 있는 사람인지 다시 증명하라고 했다. 그는 서류를 더 모았다. 그리고 처음으로 질문했다. 증거는 사람을 자유롭게 하는가. 아니면 자신이 지나온 과거에 사람을 가두는가. 6. 삼십 분과 열두 해 2025년, 건희는 가족과 함께 미국에 도착했다. 훗날 알게 된 사실은 믿기 어려웠다. 찬우가 사는 곳은 자동차로 삼십 분 남짓한 거리였다. 2014년에는 태평양만큼 멀다고 생각했던 사람이 같은 바람과 같은 바다를 바라보며 살고 있었다. 그러나 두 사람은 그 사실을 몰랐다. 공간은 먼저 가까워졌지만 시간은 아직 도착하지 않았다. 그때 우연히 만났다면 두 사람은 반갑게 악수했을 것이다. “오랜만입니다.” 그것으로 끝났을지도 모른다. 찬우는 그동안 작은 배를 수많은 창작자의 이야기를 싣는 거대한 플랫폼으로 키워냈다. 배는 긴 항해 끝에 큰 함대와 합쳐졌다. 성공 이후 그는 한 아이를 사랑하는 아버지가 되었고, 다시 처음부터 새로운 배를 만들기 시작했다. 건희 역시 열두 해 전의 사람이 아니었다. 그는 성공과 실패, 이름이 남은 일과 이름이 사라진 일을 모두 지나왔다. 그러나 아직 자신의 항해를 하나의 문장으로 설명하지 못했다. 두 사람 사이의 실제 거리는 삼십 분이었다. 그러나 다시 만나기 위해 건너야 했던 시간은 열두 해였다. 7. 몸이 멈춘 자리 그해 겨울, 건희의 몸이 멈췄다. 눈을 떴을 때 병원 천장이 보였다. 왼쪽 팔은 자신의 것이 아닌 것처럼 움직이지 않았다. 생각은 분명했지만 말이 입술에 도착하기까지 오래 걸렸다. 어제까지 사람과 기업, 국가와 시장을 연결하던 사람에게 오늘의 과제는 침대에서 일어나 의자까지 걷는 것이었다. 한 걸음을 떼는 데 온몸의 힘이 필요했다. 처음에는 그 작은 걸음이 모욕처럼 느껴졌다. 자신은 더 멀리 가야 할 사람인데, 세상은 고작 한 걸음을 요구하고 있었다. 그러나 재활은 그에게 가장 냉정하고 정직한 가르침을 주었다. 첫걸음 없이는 두 번째 걸음도 없었다. 그날 밤 건희는 움직이지 않는 왼손을 바라보았다. 그는 손을 움직이지 못한다는 사실보다, 더 이상 쓸모 있는 사람이 아닐지 모른다는 생각이 두려웠다. 작은아이가 다가와 그의 왼손을 잡았다. 아이는 아무 말도 하지 않았다. 건희는 그제야 알았다. 사랑은 움직이는 손과 움직이지 않는 손을 구별하지 않는다는 것을. 인간의 존엄은 생산성을 증명한 뒤 받는 보상이 아니었다. 8. 다시 온 초대 2026년 여름, 찬우에게서 초대장이 도착했다. 찬우는 다시 새로운 배를 만들고 있었다. 이번에는 창작자의 이야기가 아니라, 이력서 안에서 사라진 사람의 경험과 가능성을 발견하는 배였다. 배의 이름은 more better blues였다. 건희는 화면을 오래 바라보았다. 열두 해 전 자신이 타고 싶었던 배와는 전혀 다른 모습이었다. 그러나 출발점은 같았다. 발견되지 못한 가능성을 어떻게 세상과 연결할 것인가. 건희는 초대받은 사용자로 시작했다. 그러나 곧 배의 구조를 살폈다. 어떤 사람이 이 배를 필요로 하는지, 기업은 무엇을 믿지 못하는지, 한 사람의 경험을 AI가 읽을 수 있는 증거로 어떻게 남길지 생각했다. 직함을 요구하기 전에 일을 시작했다. 사람을 연결하고, 제품의 철학을 해석하고, 시장에 전할 언어를 만들었다. AI 도입의 효과를 계산할 수 있는 프레임을 만들고, 보수적·기대·상향 시나리오를 나누었다. 기술을 자랑하는 대신 실제 사용자가 얻는 변화와 비용, 채택 속도와 회수 기간을 설명했다. 그리고 글을 썼다. 영화와 노동, AI와 인간의 존엄, 채용과 증거, 실패와 회복에 대해 썼다. 완전히 회복한 뒤 쓰기 시작한 것이 아니었다. 회복하는 동안 썼다. 첫 번째 글 뒤에 두 번째 글이 놓였다. 열 번째 글 뒤에 스무 번째 글이 놓였다. 아무도 읽지 않는 날에도 기록했다. 마침내 백 번째 글을 완성한 밤, 흩어져 있던 자신의 시간이 하나의 문장으로 이어졌다. 좋은 기술과 좋은 사람의 가능성을 발견한다. 그 가능성을 다른 사람이 이해할 수 있는 언어로 번역한다. 그리고 실제 시장과 기회로 연결한다. 그 일을 설명하는 이름이 뒤늦게 나타났다. GTM & Evidence Builder. 건희는 역할을 얻은 뒤 일을 시작한 것이 아니었다. 일을 시작한 뒤, 자신이 평생 해온 역할의 이름을 발견했다. 9. 실제로 저은 노 9. 지원서를 보낸 뒤 결과는 다음 주에 온다고 했다. 건희는 바닷가로 갔다. 멀리 찬우가 사는 절벽이 보였다. 열두 해 전에는 태평양 건너편에 있다고 생각했던 사람이 한때 불과 삼십 분 거리에 있었다. 건희는 모래 위에 배를 그렸다. 아이가 그 옆에 긴 선을 하나 그었다. “이건 뭐야?” 건희가 물었다. “노.” 아이가 대답했다. “배가 가려면 필요하잖아.” 건희는 한동안 그 선을 바라보았다. 그는 오디세우스를 생각했다. 이십 년 만에 돌아온 사람을 증명한 것은 그의 말이 아니었다. 오래된 흉터와 누구도 당기지 못한 활이었다. 건희에게도 흉터가 있었다. 실패한 회사, 이름이 빠진 성과, 돌아오지 않은 편지, 백열한 페이지의 증명, 움직이지 않는 왼손, 백 개의 기록. 예전에는 그것들이 자신이 부족하다는 증거라고 생각했다. 이제는 알았다. 그것들은 자신이 실제로 바다를 건넜다는 증거였다. 열두 해 전, 건희는 찬우가 만든 배에 타고 싶었다. 2026년의 건희는 더 이상 배에 태워달라고 부탁하는 사람이 아니었다. 어떤 바람이 불고 있는지 읽고, 누구를 태워야 하는지 생각하고, 배가 목적지에 닿도록 실제로 노를 저을 수 있는 사람이었다. 다음 날 아침 메일 한 통이 도착했다. 건희는 곧바로 열지 않았다. 창문을 열고 천천히 숨을 들이마셨다. 움직이지 않는 왼손을 책상 위에 올렸다. 오른손으로 메일을 열었다. 화면의 문장을 읽는 동안 그의 얼굴에 작은 미소가 번졌다. 그것이 합격의 미소인지, 거절을 받아들인 미소인지는 아무도 알 수 없었다. 다만 한 가지는 분명했다. 메일의 문장은 지난 열두 해의 의미를 결정할 수 없었다. 건희는 노트북을 닫지 않았다. 새로운 문서를 열었다. 그리고 백한 번째 글의 제목을 적었다. 노를 알아보는 사람. 첫 문장은 오래전의 편지와 닮아 있었지만, 의미는 전혀 달랐다. 열두 해 전, 나는 당신이 만든 배에 타고 싶었습니다. 이제 나는 내가 실제로 저어온 노를 들고 돌아왔습니다. 나를 태워달라고 말하기 위해서가 아닙니다. 우리가 함께 어디로 가야 하는지 묻기 위해서입니다. 건희는 천천히 다음 문장을 썼다. 에코시스템은 가장 큰 목소리를 가진 사람이 만드는 것이 아니었다. 서로 다른 가능성이 만날 수 있도록 자신의 자리를 조금 내어주는 사람들이 만들었다. 낮은 자아란 자신을 지우는 일이 아니었다. 자신의 공을 앞세우지 않으면서도, 자신이 실제로 한 일을 정직하게 남기는 태도였다. 증거는 자랑이 아니었다. 사라질 뻔한 노동을 기억하는 방식이었다. 창밖으로 가을빛이 들어왔다. 건희는 열두 해가 너무 길었다고 생각했다. 그러나 그 시간이 아니었다면 찬우는 그의 노를 알아보지 못했을 것이다. 건희 역시 자신이 노를 가진 사람이라는 사실을 알지 못했을 것이다. 어쩌면 인연이란 같은 배에 타는 일이 아닐지도 몰랐다. 각자의 바다를 건너온 두 사람이 어느 날 같은 항구에서 만나, 상대의 손에 남은 굳은살을 알아보는 일인지도 몰랐다. 건희의 오른손이 다시 자판을 두드렸다. 움직이지 않는 왼손은 그 곁에 조용히 놓여 있었다. 두 손은 서로 달랐지만 둘 다 그의 손이었다. 항해는 끝나지 않았다. 그는 좋은 직장을 향해 가는 사람이 아니었다. 열두 해 동안 흩어졌던 자신의 삶을 하나의 목적에 연결한 사람이었다. 그리고 이번에는 다른 사람의 배에 올라타기 위해 기다리지 않았다. 건희는 자신이 실제로 저은 노를 들고 다음 바다로 걸어갔다.

The Oar I Actually Pulled What a hundred posts say about the future of Saywise When words cost nothing, what does trust accrue from? A vision for Saywise, told through one season of records. Hanjong Lee GTM & Evidence Builder A hundred proves nothing From July 8 into autumn, I left more than a hundred records on Saywise. I wrote about AI and the future of hiring. I traced how data redirected the next experiment in a materials R&D lab. I thought about the oar Odysseus pulled. I wrote about startups and investment, global market entry and creator IP. And in front of Lee Chang-dong's Possible Love, I spent a long time on the power that runs between the one who records and the one who is recorded. But this is not a piece about having written a hundred posts. Generative AI can produce dozens of polished posts in a few hours. Volume alone no longer proves diligence, expertise, or sincerity. Making a lot of something and actually getting something done are entirely different things. So the question has to change. If a hundred posts were not a hundred acts of self-promotion, what were they evidence of? I believe the answer to that question is also a picture of what Saywise could become. When talk goes free The economist Michael Spence explained how "signals" work in markets where ability is hard to observe directly. A good signal can't be easily imitated. It separates people only when those with real ability can produce it more naturally than those without. Generative AI has driven the cost of fluent prose close to zero. A smooth cover letter, a report that looks expert, a convincing brand message: anyone can make them now. Once every candidate can have a perfect line, the perfect line stops telling anyone apart. George Akerlof's "market for lemons" shows up in hiring. When employers struggle to tell real ability from well-dressed language, they struggle to give strong candidates the chance they deserve. Candidates produce more sentences. Employers build more filters. Applying got cheaper. Figuring out whom to trust got more expensive. So the AI-era contest isn't about speaking louder. It's about leaving traces people can trust. A good trace needs four things: It connects to real action or judgment. It can be backed by an artifact or by someone else's confirmation. If it's wrong, it can be challenged and corrected. The line between confirmed fact and unconfirmed claim is visible. The cheaper words become, the more accountable specificity is worth. So why "quantum marketing"? In Quantum Marketing, Raja Rajamannar argues that marketing is entering a fifth paradigm. When AI, data, connected devices, and countless touchpoints all move at once, a single ad and a simple buyer's journey can no longer explain how people decide. "Quantum" here doesn't mean importing quantum mechanics as a law of marketing. It's a strategic metaphor for an environment that has changed too much for the old order to explain. A brand today isn't built by one campaign. Search results, AI recommendations, product experience, customer reviews, employee behavior, and a company's choices all become the brand at the same time. I want to take that idea one step further, in Saywise's language. Saywise-style quantum marketing is the way small traces of work connect and build trust. Instead of persuading through one grand campaign, you keep leaving questions, artifacts, judgments, failures, revisions, results, and other people's responses. Each record looks small on its own. The moment they connect, they reveal how a person thinks and how they get things done. A post stops being an advertisement and becomes a small unit of evidence. Smooth distribution, verifiable content. Good records should be easy for people and AI to find. The claims inside them should be hard to fake. I started the work before the application When I first came across Saywise, I didn't know what role I would play there. What I did know was that I deeply agreed with the problem it was tackling: the traditional résumé erases too much of how people think and what they've actually built. So before asking for a title or explaining my potential, I started doing small things. I thought about which companies could become Saywise pilot partners. I thought of a startup operator I trust, laid out his experience, his organization's situation, and what Saywise could offer, and proposed an introduction. I considered what conversations could come from people with very different vantage points: investment, AI transformation inside large companies, hiring and running teams. I made content, worked through how to bridge the Korean and U.S. markets, and connected people and companies I trust. Somewhere in that process, a phrase appeared that described what I'd been doing for years. Evidence Builder. Someone who spots a problem, makes a judgment, builds an artifact, watches how users respond, revises, and checks the result. I didn't get a role and then start working. I started working, and then found the name of the role. That's how the hundred records began. Not as promotion for a finished identity, but as a way to discover who I was and what work I should be doing, by asking, making, and recording. Odysseus wasn't proven by words Odysseus came home to Ithaca after twenty years, dressed as a beggar. Had he announced himself, no one would easily have believed him. The first to recognize him was his old nurse, Eurycleia. Washing his feet, she touched an old scar on his knee, left by a boar hunt in his youth. Not an explanation, but a trace tied to something that had really happened, proved who he was. The test of the bow worked the same way. The suitors couldn't even string Odysseus's bow. The disguised beggar drew it and sent an arrow through twelve axe-heads. The scar is the trace of a life lived. The bow is what you can still do today. AI-era résumés overflow with beautiful descriptions. But what we need isn't more beautiful sentences. What we need is the scar and the bow. Traces that show what someone has been through. Work that shows what they can actually do. And other people's testimony to confirm or complete the story. How to read a post as evidence "Technical sales expert driving R&D innovation through AI materials informatics" sounds impressive. On its own, it verifies nothing. Unpack the same experience and it changes: Problem — Scattered experimental data meant the next formulation was chosen by experience and gut feel. Context — A materials R&D team whose past records were kept in mismatched formats. Role — From the technical-sales side, I framed the customer's problem and the use scenarios. Judgment — Rather than gathering all the data, I structured the variables needed for prediction first. Artifact — A case analysis post and customer-facing explainer materials. Outcome — It became possible to explain how data sets the direction of the next experiment. External validation — Public materials alone don't independently confirm the customer's results. Visibility — The customer's name and raw data are not disclosed. I think the last two lines matter most. Being as clear about what hasn't been confirmed as about what has. Not pretending to know what you don't, and not forcing open what shouldn't be shared. That is what turns evidence into trust. Failures and detours have to count as evidence too. Look only at outcomes and it's easy to mistake luck and circumstance for ability. Look at the problem, the judgment, the failure, and the revision together, and you can see how someone moved through uncertainty. Read a hundred records together and something more than a job title appears: a way of finding questions, the ability to translate complex technology into human language, a feel for connecting Korea and the U.S., the drive to turn possibility into artifacts, and the persistence to stay with one problem long enough to keep improving the answer. Saywise can't stop at fixing résumés Saywise describes four AI agents, each with its own job, that help job seekers get set up, find roles, build their profile and résumé, and prepare for interviews. At the same time, it designs profiles that capture a person's skills, projects, AI usage, and stories in a form both people and AI can read. These two directions are really one. For AI to find good opportunities, it first has to understand who the person is. Titles and keywords aren't enough for that. It needs to know what problems they noticed, why they made the calls they made, what they built, and how they revised it. The smarter the agents get, the more the quality of the evidence they read decides the quality of the match. That's why I'm proposing an Evidence Graph as Saywise's next possibility. It isn't the name of a current feature. It's a vision that could be built on top of today's profiles and agents. Problem → Judgment → Artifact → Response → Revision → Outcome → External validation Every claim should carry a state: Confirmed by an artifact Confirmed by a colleague or customer Still resting on the person's own account Kept private by choice Disputed or corrected Reinterpreted over time Once that structure is visible, the employer's question changes. Not "Does this person look impressive?" but "What grounds do I have to believe this person can solve this problem?" Good matching doesn't start with more data. It starts with better context. But not all evidence is just More evidence doesn't automatically mean more fairness. Who collects the records, and who interprets them? What gets shown, and what gets hidden? Which failures become growth stories, and which become lifelong marks? People with time, language, and a safety net can rewrite their failures into compelling narratives. For someone more vulnerable, the same failure can take away the chance to get back up. So if Saywise is going to handle evidence, it has to design an ethics of evidence with as much care as it designs the technology for collecting it. People need, at the very least: The right not to record everything The right to hold off on explaining The right to choose who can see their evidence The right to challenge AI summaries and assessments The right to reinterpret past records in light of new experience It should be possible to add a 2026 note beside a 2022 failure: what I misjudged, and how the way I work changed afterward. That's how a failure becomes evidence of learning instead of a stigma. Saywise's privacy policy states that public profiles can be read by people and machines, and that while AI may generate fit scores and assessments, these are automated estimates, not hiring decisions. In the end, human judgment and the user's choices both have to remain in the loop. Every person is larger than their evidence. Human dignity isn't a reward handed out after productivity and usefulness have been proven. If Saywise is to move beyond grading people and become a platform that discovers potential, that sentence has to live inside both the product and its policies. What a hundred posts actually proved To be honest, a hundred posts don't prove everything. Not everyone has the same time or command of language to write. Writing well and working well aren't the same skill. Some of the capabilities I found in my records still rest on my own interpretation. They become stronger evidence only when they lead to real hiring, investment, or collaboration outcomes, and when someone outside confirms them. The "quantum" metaphor needs care, too. If Rajamannar's original concept and my Saywise-style extension aren't kept distinct, a catchy phrase can hide weak logic. Even so, the hundred records mean something clear. Experiences that once looked unrelated turned out to be connected by one question. How do we connect what people have actually done with the potential no one has discovered yet? Across film and storytelling, startups and investment, global expansion, technical sales and AI, what I kept doing was finding possibility, translating it into language others could understand, and turning it into real connections and real work. "GTM & Evidence Builder" wasn't a name I picked to sound good. It was a name I found only after reading my scattered records together. Not a finish line, but a first season What a hundred records taught me is that questions outlast answers. As AI takes over more work, what should prove human ability? Why do good technologies disappear when they fail to find the market's language? Should a career be remembered by company names and titles, or by judgments and work? Do records set people free, or lock them in the past? Now I can answer the opening question. A hundred-odd posts are quantum marketing not because there are many of them, but because in a world where people and AI read together, small traces connect in nonlinear ways, and those connections let others discover how a person thinks and acts. What I want to build with Saywise isn't a world where more people describe themselves more lavishly. It's a world where nameless labor, unseen judgment, and small but true contributions don't disappear. A world where fewer capable people go undiscovered just because they lack the right school, title, polish, or network. A world where, even as AI finds countless opportunities for us, what remains at the end is the experience and judgment that only that person actually lived. Keep asking, until questions find the possibilities no one saw. Keep making, until possibility becomes something others can experience. Keep leaving evidence, until what's remembered is not our words but the oar we actually pulled. Evidence doesn't exist to prove a flawless person. It exists to show which sea we crossed, where we lost our bearings, who rowed beside us, and what we changed after we failed. Evidence should be a door that opens undiscovered potential, not a verdict that locks people in. Then Saywise can become more than a résumé service or an automated job-search agent. A map connecting what people have actually lived with opportunities they haven't met yet. An infrastructure of trust that gives people grounds for judgment in an age flooded with words. A memory system that links traces of work so human wisdom doesn't disappear. Today, too, I leave one small trace on that map. Not to tell you who I am. But to show you which oar I actually pulled. #EvidenceLedHiring #GTM #ProfessionalIdentity #TrustInfrastructure #HumanWisdom #CareerStorytelling #BeyondTheResume

실제로 저은 노 100개의 기록이 Saywise의 미래를 말하는 법 말이 공짜가 된 시대에, 신뢰는 무엇으로 쌓이는가. 한 계절의 기록으로 쓰는 Saywise의 비전. 이한종 / Hanjong Lee GTM & Evidence Builder 백이라는 숫자는 아무것도 증명하지 않는다 7월 8일부터 가을까지, 나는 Saywise에 100여 개의 기록을 남겼다. AI와 채용의 미래를 썼고, 소재 R&D에서 데이터가 다음 실험의 방향을 바꾸는 과정을 들여다봤다. 오디세우스가 저었던 노를 생각했고, 창업과 투자, 글로벌 시장 진입과 크리에이터 IP를 기록했다. 이창동 감독의 《가능한 사랑》 앞에서는 기록하는 사람과 기록되는 사람 사이의 권력에 대해 오래 생각했다. 그러나 이 글은 ‘백 편을 썼다’고 자랑하기 위한 글이 아니다. 생성형 AI는 몇 시간 만에 수십 편의 매끄러운 글을 만들 수 있다. 이제 많은 글을 썼다는 사실만으로는 부지런함도, 전문성도, 진심도 증명하기 어렵다. 숫자가 많다는 것과 실제로 무언가를 해냈다는 것은 전혀 다른 일이다. 그래서 질문을 바꾸어야 한다. 백 개의 포스팅이 백 번의 자기홍보가 아니라면, 그것은 무엇의 증거인가. 나는 이 질문에 답하는 과정이 곧 Saywise가 무엇이 될 수 있는지를 보여준다고 생각한다. 말이 공짜가 되었을 때 경제학자 마이클 스펜스는 사람의 능력을 직접 확인하기 어려운 시장에서 ‘신호’가 어떻게 작동하는지를 설명했다. 좋은 신호는 누구나 쉽게 흉내 낼 수 없어야 한다. 실제 역량을 가진 사람이 더 자연스럽게 만들 수 있을 때 비로소 사람을 구별하는 힘을 가진다. 하지만 생성형 AI는 유창한 문장의 비용을 거의 없애 버렸다. 매끄러운 자기소개서, 전문가처럼 보이는 보고서, 그럴듯한 브랜드 메시지를 이제 누구나 만들 수 있다. 모든 지원자가 완벽한 한 줄을 가질 수 있게 되면, 완벽한 한 줄은 더 이상 누구도 구별하지 못한다. 조지 애컬로프가 말한 ‘레몬 시장’의 문제가 채용에도 나타난다. 기업이 실제 역량과 잘 꾸며진 표현을 구별하기 어려워지면, 좋은 후보에게 합당한 기회를 주기도 어려워진다. 지원자는 더 많은 문장을 만들고, 기업은 더 많은 필터를 세운다. 지원하는 비용은 낮아졌지만, 믿을 사람을 가려내는 비용은 높아졌다. 그래서 AI 시대의 경쟁은 더 크게 말하는 경쟁이 아니다. 더 믿을 수 있는 흔적을 남기는 경쟁이다. 좋은 흔적에는 네 가지가 필요하다. 실제 행동이나 판단과 연결되어야 한다. 작업물이나 타인의 확인으로 뒷받침될 수 있어야 한다. 틀렸다면 반박되고 수정될 수 있어야 한다. 확인된 사실과 아직 확인되지 않은 주장의 경계가 보여야 한다. 말의 가격이 내려갈수록, 책임질 수 있는 구체성의 가치는 올라간다. 그래서 왜 ‘퀀텀 마케팅’인가 라자 라자마나르는 《Quantum Marketing》에서 마케팅이 다섯 번째 패러다임으로 들어가고 있다고 말했다. AI와 데이터, 연결기기와 수많은 접점이 동시에 움직이는 시대에는 하나의 광고와 단순한 구매 여정만으로 사람을 설명할 수 없다는 뜻이다. 여기서 ‘퀀텀’은 양자역학을 마케팅의 법칙으로 가져오겠다는 말이 아니다. 기존의 질서로 설명하기 어려울 만큼 환경이 크게 달라졌다는 전략적 비유다. 오늘의 브랜드는 광고 한 편으로 만들어지지 않는다. 검색 결과, AI의 추천, 제품을 사용한 경험, 고객의 리뷰, 직원의 행동과 기업의 선택이 동시에 브랜드가 된다. 나는 이 개념을 Saywise의 언어로 한 걸음 확장해 보고 싶다. Saywise형 퀀텀 마케팅은 작은 작업의 흔적들이 서로 연결되면서 신뢰를 만드는 방식이다. 하나의 거대한 캠페인으로 자신을 설득하는 대신 질문, 작업물, 판단, 실패, 수정, 결과와 타인의 반응을 계속 남긴다. 각각의 기록은 작아 보이지만 서로 연결되는 순간 한 사람의 사고방식과 실행력을 보여준다. 한 편의 글은 광고가 아니라 작은 증거 단위가 된다. 유통은 매끄럽게, 내용은 검증 가능하게. 좋은 기록은 사람과 AI가 쉽게 발견할 수 있어야 한다. 그러나 그 안의 주장은 쉽게 꾸밀 수 없어야 한다. 나는 지원서보다 일을 먼저 시작했다 Saywise를 처음 만났을 때, 내가 그곳에서 어떤 역할을 해야 하는지는 알지 못했다. 다만 기존 이력서가 사람의 생각과 작업을 지나치게 많이 지운다는 문제에는 깊이 공감했다. 그래서 직함을 요구하거나 가능성을 설명하기 전에 작은 일을 시작했다. Saywise의 파일럿 파트너가 될 수 있는 회사를 생각했다. 내가 신뢰하는 스타트업 운영자를 떠올렸고, 그의 경험과 조직의 상황, Saywise가 제공할 수 있는 가치를 정리해 연결을 제안했다. 투자, 대기업의 AI 전환, 채용과 조직 운영이라는 서로 다른 관점을 가진 사람들과 어떤 대화를 만들 수 있을지도 고민했다. 콘텐츠를 만들고, 한미 시장을 잇는 방법을 생각하고, 신뢰할 수 있는 사람과 기업을 연결했다. 그 과정에서 내가 오래 해온 일을 설명하는 말 하나가 나타났다. Evidence Builder. 문제를 발견하고, 판단하고, 작업물을 만들고, 사용자의 반응을 보고, 다시 고치고, 결과를 확인하는 사람. 나는 역할을 얻은 뒤 일을 시작한 것이 아니었다. 일을 시작한 뒤, 역할의 이름을 발견했다. 100여 개의 기록은 그렇게 시작됐다. 완성된 정체성을 홍보하기 위해 쓴 것이 아니라, 질문하고 만들고 기록하는 과정에서 내가 누구이며 어떤 일을 해야 하는지 발견하기 위해 썼다. 오디세우스는 말로 증명되지 않았다 이십 년 만에 이타카로 돌아온 오디세우스는 거지의 모습을 하고 있었다. 그가 자신이 오디세우스라고 말했더라도 사람들은 쉽게 믿지 못했을 것이다. 그의 정체를 먼저 알아본 것은 늙은 유모 에우리클레이아였다. 발을 씻기던 유모는 그의 무릎에 남은 오래된 흉터를 만졌다. 어린 시절 멧돼지 사냥에서 생긴 상처였다. 설명이 아니라 과거의 사건과 연결된 흔적이 그를 증명했다. 활의 시험도 마찬가지다. 구혼자들은 오디세우스의 활에 시위조차 걸지 못했지만, 거지로 변장한 그는 활을 당기고 화살을 열두 도끼 사이로 보냈다. 흉터는 살아낸 경험의 흔적이고, 활은 지금도 수행할 수 있는 능력이다. AI 시대의 이력서에는 아름다운 설명이 넘친다. 하지만 우리에게 필요한 것은 더 아름다운 문장이 아니다. 우리에게 필요한 것은 흉터와 활이다. 무엇을 겪었는지 보여주는 흔적, 실제로 무엇을 할 수 있는지 보여주는 작업물, 그리고 그 이야기를 확인하거나 보완해 줄 타인의 증언이 필요하다. 한 편의 글을 증거로 읽는 법 “AI 소재 인포매틱스로 R&D 혁신을 이끄는 기술영업 전문가”라는 문장은 그럴듯하다. 그러나 그 문장만으로는 아무것도 확인할 수 없다. 경험을 다음과 같이 풀어 쓰면 달라진다. 문제 — 흩어진 실험 데이터 때문에 다음 배합을 경험과 감에 의존해 정하고 있었다. 맥락 — 과거 기록의 형식이 서로 다른 소재 R&D 조직이었다. 역할 — 기술영업의 관점에서 고객의 문제와 적용 시나리오를 정리했다. 판단 — 모든 데이터를 모으기보다 예측에 필요한 변수부터 구조화했다. 작업물 — 사례 분석 글과 고객 설명 자료를 만들었다. 결과 — 데이터가 다음 실험의 방향을 정하는 흐름을 설명할 수 있게 됐다. 외부 검증 — 공개 자료만으로 고객의 성과까지 독립적으로 확인되지는 않았다. 공개 범위 — 고객사명과 원천 데이터는 공개하지 않았다. 나는 마지막 두 줄이 가장 중요하다고 생각한다. 무엇을 확인했는지만큼 무엇을 아직 확인하지 못했는지를 밝히는 태도. 모르는 것을 아는 척하지 않고, 공개할 수 없는 것을 억지로 드러내지 않는 태도. 그것이 증거를 신뢰로 바꾼다. 실패와 우회도 증거가 되어야 한다. 결과만 보면 운과 환경을 능력으로 오해하기 쉽다. 그러나 문제, 판단, 실패와 수정의 과정을 함께 보면 그 사람이 불확실성 속에서 어떻게 움직였는지가 보인다. 백 개의 기록을 이어서 읽으면 하나의 직함보다 더 많은 것이 나타난다. 질문을 발견하는 방식, 복잡한 기술을 사람의 언어로 옮기는 능력, 한국과 미국을 연결하는 감각, 가능성을 작업물로 바꾸는 실행력, 그리고 같은 문제를 오래 붙들고 고쳐 가는 지속성이다. Saywise는 이력서를 고치는 곳에서 멈출 수 없다 현재 Saywise는 역할이 다른 네 개의 AI 에이전트가 구직자의 설정, 일자리 탐색, 프로필·이력서 작성과 면접 준비를 돕는다고 소개한다. 동시에 사람의 기술과 프로젝트, AI 활용 경험과 이야기를 담은 프로필을 사람과 AI가 함께 읽을 수 있도록 설계하고 있다. 이 두 방향은 하나로 연결된다. AI가 좋은 기회를 찾으려면 먼저 그 사람이 누구인지 이해해야 한다. 그러나 직함과 키워드만으로는 한 사람을 제대로 이해할 수 없다. 그가 어떤 문제를 발견했고, 왜 그렇게 판단했으며, 무엇을 만들고 어떻게 수정했는지가 필요하다. 에이전트가 똑똑해질수록, 에이전트가 읽는 증거의 질이 매칭의 질을 결정한다. 그래서 나는 Saywise의 다음 가능성으로 Evidence Graph를 제안한다. 이것은 현재 기능의 이름이 아니라, 지금의 프로필과 에이전트 위에 세울 수 있는 미래의 비전이다. 문제 → 판단 → 작업물 → 반응 → 수정 → 결과 → 외부 검증 각 주장에는 상태가 붙어야 한다. 작업물로 확인되는 주장 동료나 고객이 확인한 주장 아직 본인의 설명에 머무는 주장 비공개로 남겨야 하는 주장 이의가 제기되거나 수정된 주장 시간이 지나 새롭게 해석된 주장 이 구조가 보이면 기업의 질문도 달라진다. “이 사람이 훌륭해 보이는가?”가 아니라, “이 사람이 이 문제를 풀 수 있다고 판단할 근거는 무엇인가?” 좋은 매칭은 더 많은 데이터가 아니라 더 좋은 맥락에서 시작된다. 그러나 모든 증거가 정의로운 것은 아니다 증거가 많다고 언제나 공정한 것은 아니다. 누가 기록을 모으고, 누가 해석하는가. 무엇을 공개하고 무엇을 감추는가. 어떤 실패는 성장의 서사가 되고, 어떤 실패는 평생의 낙인이 되는가. 시간과 언어, 안전망이 있는 사람은 자신의 실패를 멋진 이야기로 다시 쓸 수 있다. 그러나 취약한 사람에게 같은 실패는 다시 일어설 기회까지 빼앗는 사건이 될 수 있다. 그러므로 Saywise가 증거를 다루려면 성과를 모으는 기술만큼 증거의 윤리를 설계해야 한다. 사람에게는 적어도 다음과 같은 권리가 필요하다. 모든 것을 기록하지 않을 권리 설명을 잠시 유보할 권리 증거의 공개 범위를 선택할 권리 AI의 요약과 평가에 이의를 제기할 권리 새로운 경험을 통해 과거의 기록을 다시 해석할 권리 2022년의 실패 옆에 2026년의 설명을 덧붙일 수 있어야 한다. 무엇을 잘못 판단했고, 그 뒤 일하는 방식이 어떻게 달라졌는지를 기록할 수 있어야 한다. 그래야 실패는 낙인이 아니라 학습의 증거가 된다. Saywise의 개인정보처리방침은 공개 프로필이 사람과 기계에 읽힐 수 있으며, AI가 적합도와 평가를 만들 수 있지만 그것은 자동화된 추정일 뿐 채용 결정이 아니라고 밝힌다. 결국 사람의 판단과 사용자의 선택권이 함께 남아 있어야 한다. 모든 인간은 자신의 증거보다 크다. 인간의 존엄은 생산성과 유용성을 증명한 뒤에 받는 보상이 아니다. Saywise가 사람을 평가하는 플랫폼을 넘어 가능성을 발견하는 플랫폼이 되려면, 이 문장이 제품과 정책 안에 남아 있어야 한다. 백 개의 글이 실제로 증명한 것 솔직히 말하면 백 개의 글이 모든 것을 증명하지는 못한다. 글을 쓸 시간과 언어 능력은 누구에게나 똑같이 주어지지 않는다. 글을 잘 쓰는 것과 일을 잘하는 것도 같은 능력이 아니다. 내가 기록에서 발견한 역량 중 일부는 여전히 나의 해석에 머물러 있다. 실제 채용, 투자와 협업의 결과로 이어지고 외부의 확인이 붙을 때 비로소 더 강한 증거가 된다. ‘퀀텀’이라는 비유도 조심해서 사용해야 한다. 라자마나르의 원래 개념과 내가 제안하는 Saywise형 확장을 구분하지 않으면 멋진 말이 논리를 가릴 수 있다. 그럼에도 백 개의 기록에는 분명한 의미가 있다. 서로 무관해 보였던 나의 경험들이 하나의 질문으로 이어졌기 때문이다. 사람이 실제로 해낸 일과 아직 발견되지 않은 가능성을 어떻게 연결할 것인가. 영화와 스토리텔링, 스타트업과 투자, 글로벌 진출, 기술영업과 AI를 지나며 내가 반복해서 해온 일은 가능성을 발견하고, 다른 사람이 이해할 언어로 번역하고, 현실의 연결과 작업물로 영화와 스토리텔링, 스타트업과 투자, 글로벌 진출, 기술영업과 AI를 지나며 내가 반복해서 해온 일은 가능성을 발견하고, 다른 사람이 이해할 언어로 번역하고, 현실의 연결과 작업물로 만드는 일이었다. ‘GTM & Evidence Builder’는 멋있어 보이기 위해 먼저 고른 이름이 아니었다. 흩어진 기록을 연결해 읽은 뒤에야 발견한 이름이었다. 결승선이 아니라 첫 번째 계절 백 개의 기록을 쓰며 배운 것은 답보다 질문이 더 오래 남는다는 사실이다. AI가 일을 대신할수록 인간의 능력은 무엇으로 증명되어야 하는가. 좋은 기술은 왜 시장의 언어를 얻지 못하면 사라지는가. 한 사람의 경력은 회사명과 직함이 아니라 어떤 판단과 작업으로 기억되어야 하는가. 기록은 사람을 자유롭게 하는가, 아니면 과거에 가두는가. 이제 처음의 질문에 답할 수 있다. 100여 개의 포스팅이 퀀텀 마케팅인 이유는 글이 많아서가 아니다. 사람과 AI가 함께 읽는 환경에서 작은 흔적들이 비선형적으로 연결되고, 그 연결이 한 사람의 사고와 실행을 발견하게 하기 때문이다. 내가 Saywise와 함께 만들고 싶은 것은 더 많은 사람이 자신을 화려하게 설명하는 세상이 아니다. 이름 없는 노동과 보이지 않던 판단, 작지만 진실한 기여가 사라지지 않는 세상이다. 학벌과 직함, 표현 능력과 네트워크가 부족하다는 이유만으로 가능성 있는 사람이 발견되지 못하는 일이 줄어드는 세상이다. AI가 수많은 기회를 찾아주더라도, 마지막에는 그 사람만이 실제로 살아낸 경험과 판단이 남는 세상이다. 계속 질문하자. 질문이 보이지 않던 가능성을 발견할 때까지. 계속 만들자. 가능성이 타인이 경험할 수 있는 현실이 될 때까지. 계속 증거를 남기자. 말이 아니라 우리가 실제로 저은 노가 기억될 때까지. 증거는 완벽한 사람을 증명하기 위해 존재하지 않는다. 우리가 어떤 바다를 건넜는지, 어디에서 방향을 잃었는지, 누구와 함께 노를 저었는지, 실패한 뒤 무엇을 바꾸었는지를 설명하기 위해 존재한다. 증거는 사람을 가두는 판결문이 아니라, 아직 발견되지 않은 가능성을 여는 문이어야 한다. 그때 Saywise는 단순한 이력서 서비스나 자동 구직 에이전트를 넘어설 수 있다. 사람이 실제로 살아낸 경험과 아직 만나지 못한 기회를 잇는 지도. 말이 넘치는 시대에 판단할 근거를 주는 신뢰의 인프라. 인간의 지혜가 사라지지 않도록 작업의 흔적을 잇는 기억장치. 나는 그 지도 위에 오늘도 작은 흔적 하나를 남긴다. 내가 누구라고 말하기 위해서가 아니다. 내가 실제로 어떤 노를 저었는지 보여주기 위해서다. 해시태그 #Saywise #실제로저은노 #EvidenceBuilder #QuantumMarketing #EvidenceLedHiring #AI채용 #Resume2_0 #GTM #ProfessionalIdentity #HumanWisdom #신뢰의인프라 #가능성을여는증거

What 500 Pages Have That a Summary Doesn't I · The Strange Defeat in an Age That Summaries Won We probably read more sentences in a day than any generation before us. They are only getting shorter and sharper. The time we spend with a single work shrinks, and our attention to it thins. And now one more thing has been added: AI writes in our place. In an age like this, telling someone to read a 300- or 500-page novel start to finish sounds almost like a lecture. Shin Hyoung-cheol concedes the point first. Insisting on principle that one ought to read is merely an authoritative remark, he says; I did it, so you should too carries no real force. So he trades the ought for the works. Reading at length yields something practical that reading short cannot. What do you gain? Knowledge of emotion. Where is it best produced? In the modern novel. Why that length in particular? Because understanding a feeling takes time, and holding that delay required, unavoidably, roughly that many pages. The argument is less elegant than it is practical. Five hundred pages was not a writer's vanity but the result of a calculation. And here lies this era's strange defeat. Summaries win on efficiency — less time, accurate points. But what we want from a novel is not its points, so when only the points remain, that want is not obtained efficiently. It is not obtained at all. II · The Habit of Saying It Three Times The way AI shook the literary institution came not through quality but through trust. The example is a novel that found an audience in American self-publishing, drew a major house that tried to reissue it, and then saw that publication cancelled. The trigger was neither plagiarism nor error. Readers kept reporting the same thing: this looks like GPT wrote it. One cited piece of evidence was the habit of saying things three times. Similar phrases stacked in threes — his soul was shattered, scattered, and vanished. The professor's observation is exact. Once is fine. The problem is that it keeps happening. What interests me is who did the detecting. Not judges, not critics, but ordinary readers — and what they caught was not meaning but rhythm. The tricolon is, after all, an old human device. The difference lies in whether it is a choice or a default. In human writing it appears to press weight onto a particular moment, and so it is rare. The moment it stops being rare, it stops being a style and becomes a tic. Then the harder question arrives. What if AI learns to erase such habits? If it writes something that looks genuinely original, should we still value the human-written more? What this conversation does well is refuse the easy answer. It does not say a thing is precious because a human made it, nor that the result is all that matters. It goes down to the texture of the sentence and starts again there. III · Smooth and Slippery The word he chose is the one that stays with you longest. AI writing is smooth. Not merely smooth, though — Smoothness is usually praise: it flows without catching. But past a certain point it stops flowing and starts sliding. You reach for it and it escapes your hand. That strange sensation of having read something and holding nothing. Why? Because a sentence gets held at the place where it catches. An unexpected word, a remark the grammar did not require, a rhythm that runs slightly off. The reader pauses there, and thinking begins in the pause. Writing that catches nowhere is comfortable while you read it and gone once you stop. This is a question of purpose more than capability. Training a model to write fluently is training it to choose the most plausible next word. But sentences that last tend to sit just off the average. Hitting the average well and knowing where to break it are different competencies. One thing to hold onto: this word returns later in the conversation, applied to stories in which justice and evil are settled in advance. At the level of the sentence and at the level of the narrative, the state of having nothing to hold goes by the same name. IV · The B+ Trap and the Price of Wildness Graded, he says, it would come out around a B+. It is written that well. The trouble is that an A+ almost never appears — and what makes an A+, in his word, is wildness. Unfold that and it comes to this: exceptional writing has clear flaws and, at the same time, merits strong enough to outweigh them. A brilliance that shows through the roughness. AI writing, by contrast, has no flaws and no notable merits either. What follows stayed with me. Workshop critique is mostly a room for pointing out flaws, which is discouraging enough — but the real problem comes later. Spend a few years there and you begin writing only to correct flaws. Five years on, the manuscript you submit is seamless. And such manuscripts are generally not selected, because selection turns on the count of merits, not the absence of faults. It is hard to keep this inside literature. We have all been in workshop for years — proposals no one can fault, emails no one can rebut, presentations no one finds uncomfortable. And now a tool sits in our hands that produces that safe average in thirty seconds. Faultlessness used to be the most expensive property to acquire. It has become the cheapest to copy. Which leaves one question: do I have a single merit that cannot be copied? V · Experiential Capacity, or Utter Pain Good literature needs two things, he says, the way cooking needs good ingredients and good craft. The ingredient is experiential capacity. What matters is that this is not a measure of quantity. It is not that those who have lived more write better; it is a question of how intensely you lived even a few things. And he locates this in consciousness rather than intelligence. The difference between a human with consciousness and an AI with intelligence alone lies in the most intimate region of one's own experience. Everyone feels the same red differently, and the sensation of pain is hard to hand to anyone else. His example is a phrase from Han Kang's debut, written at twenty-one or twenty-two: that she came to know utter pain. What on earth is utter pain? What experience produces a phrase like that? The fact that the phrase raises the question at all reads as evidence that the writer already knew where her literature came from. That experiential capacity is qualitative is both a comfort and a burden. It means you can write without a remarkable résumé. It also means you cannot avoid looking at what you have lived all the way through. Harder than living a great deal is looking at what you lived for a long time. VI · Aptness, and Felicity If the ingredient is experiential capacity, the craft is expressive power. Here he draws an important line. What AI has is grammatical accuracy; the precision literature asks for is a different kind. Literary precision is a matter of how uniquely and decisively you capture something ambiguous at the level of phenomenal consciousness. When it is conveyed so completely that no other phrasing seems necessary, we call it apt. Then an English word arrives. Felicity. It means happiness, but it also names the moment someone uses an expression that fits the situation perfectly. When we meet an expression that lands exactly, we feel happy — accompanied by the sense of this is it. Fluency is smoothness; felicity is fit. The distinction is practical too, because fixing an AI draft is precisely this work: taking out a little fluency and planting some fit. Making a sentence smoother is easy now. What is hard is finding the one phrase that holds only in this situation. And that phrase usually comes from the most intimate part of your own experience. So this chapter and the last are one story. Expression without experience is slippery; experience without expression never arrives. VII · The Paradox of Incompleteness as Product An observation passes by early in the conversation and stays with you far longer than its length. The act of creation is itself becoming a source of artistic value. Making becomes a kind of exhibition, and the process itself might be sold as a product. Once that happens, the immature and unfinished aspects of human beings become interesting. Completeness stops being the standard of value, and we may end up in the strange position where incompleteness becomes the standard. This follows exactly from what came before. When the polish of the output is something anyone can purchase, what becomes scarce is the process. What did you hesitate over, where did you change direction, which draft did you throw away? There is a trap, though. The moment process becomes valuable, process can be staged. Once displaying the evidence of struggle hardens into a genre, we are back where we started. Which is why a record of process has to be treated as a question of verifiability rather than of flattery. Is it still visible what was discarded, and why it was changed? The professor himself declines to settle this, leaving it as a matter on which views differ. But if the value of art is migrating from result to process, then the ground under what literature has protected shifts too. And so the conversation moves from the sentence to the story. VIII · The Imagination That Holds K-Narrative Up It is a wonderful thing that Korean creators are recognized abroad, he says first. Literature has Han Kang and Chung Bora; film has Park Chan-wook and Bong Joon-ho. But he wants to distinguish between the world those figures represent and the phase symbolized by global hits streamed everywhere. What he values more has a common feature: sociological imagination, or more precisely progressive imagination. Its essence comes down to two things. A critical understanding of existing systems, and the longing for change that follows naturally from that understanding. These are fundamentally ingrained in such creators, he judges — and should they disappear, K-narrative would likely become quite hollow. Note that he calls this longing ethical. He does not call it moral. IX · The Moral Universe and the Ethical Distance Philosophy divides the two somewhat differently. Morals concern norms that already exist, and those norms tend to sit comfortably with intuition and instinct; faithful adherence to them is the moral universe. Ethics means keeping some distance from that — reflecting rather than conforming. Which is why acutely ethical thinking can occasionally look immoral. It is reflecting on morality itself. With this distinction he separates two worlds inside one genre. In the Vengeance Trilogy, revenge always fails. That is the point. These are not stories that deliver the thrill of revenge but stories that raise a question about the system, and in that sense they are ethical. On the other side sit narratives in which retribution succeeds. Where a conventional procedural concentrates on how to catch the criminal, this strain concentrates on what comes after: how satisfyingly he is beaten. A fantasy about state power is folded in. It is a thoroughly moral universe, and so it leaves no room for ethical reflection. The ending of Sympathy for Mr. Vengeance is cited. A father who lost his child brings the other man to the point of death, telling him, in effect, you're a decent guy, so you understand what I'm saying. What remains is not catharsis but a bitter aftertaste. You find yourself asking whether that was really revenge, and the question turns elsewhere: how did it come to this, what is the problem? That is where the cognitive approach begins. The term he uses here is cognitive gain. When justice and evil are fixed in advance and the plot of justice punishing evil simply repeats, almost no cognitive gain is available. Without new insight, making the next work requires a different justification, and that justification becomes hitting harder. It is not that frustration bait and cathartic payoff are unnecessary. It is that you cannot live on them — you cannot grow, mature, or solve anything with them alone. X · The Triangle of Retribution, Merit, and Survival The most analytic passage binds three concepts into one. It begins with a question: why are there so many stories of revenge and retribution in Korean content? The connecting link is the idea of desert. Meritocracy is a matter of distributive justice — the monitoring of whether social resources are distributed according to ability, that is, according to what is deserved. So what meritocrats most hate is distribution becoming unfair. What enrages retributivists is the unfair distribution of suffering; in economic terms, a demand for the redistribution of suffering. The logic of as much as is deserved applied to resources produces meritocracy; applied to suffering it produces retributivism. Hence his hypothesis: the stronger a society's meritocracy, the stronger its retributive appetite. And a society governed by that logic tends inevitably toward survivalism. The three are not separate phenomena but one structure. The trouble is that this narrative is thoroughly moral. The norms are already set and the story merely enforces them, so there is nowhere to reflect, and what remains is a competition of intensity. This triangle is unsettling because it does not stay inside content criticism. Hiring and evaluation, fairness disputes, the culture of online condemnation — all share the grammar. As much as is deserved sounds just. It also erases the question of who is doing the calculating. Where does the difference lie between stories that fade quickly and stories that last decades or centuries? He answers by analogy with language. Some words are sensitive to fashion — terms that arrived with new industries and have since disappeared. Outside them sit the basic words, the ones that barely change. He feels this most often in words for feeling: lonely, desolate, anxious, in pain. They pass across generations and across groups almost unaltered. Two people from entirely different worlds talk for a while and arrive, both of them, at lonely. The moment that word is used, they are connected. Stories work the same way. Literature breathes with its time, reacts to it, confronts it — but a story that has only that differs from one that also reaches universal feeling and produces cognitive gain. The latter survives with topicality as an advantage; for the former, topicality eventually becomes the liability that buries it. The same ingredient is a wing to one story and an expiry date to another. XII · The Rhythm of Five Hundred Pages Here is the passage that gave this essay its title. Aesthetics has a concept called aesthetic cognitivism: the view that asks whether we learn something through art. But that learning differs from propositional knowledge. It is not the sort of thing you memorize — the interior angles of a triangle sum to 180 degrees. That is the knowledge a parent has in mind when telling a child to study instead of reading novels. What art produces is knowledge of interiority; more specifically, knowledge of emotion. And no genre produces it with more force than literature. From here comes the question of length. Feeling is not understood on arrival. Between living an experience and understanding it lies a gap in time. You understand something from ten years ago only now — oh, so that's what I was feeling. Holding that unavoidable process takes five hundred pages. No one set out to write five hundred; that was simply the amount of information required to produce the highest level of understanding about a feeling. Which explains the rhythm of reading. The first fifty pages take five days; the remaining four hundred fifty take half a day. Once the production of emotional knowledge begins, the how and the why braid together and the narrative takes off. The point at which we abandon a book is almost always the middle of that climb. Simply knowing the slope is a stretch to be crossed rather than proof of failure changes how many books we finish. But the essential thing is that you must read the whole. The character understands his own experience fully only at the end, and only then understands himself. The reader arrives at that understanding indirectly, through the same passage. So what does a summary lose? A summary carries the events — who did what and how it ended. What it cannot carry is the delay: the time it took that person to recognize what he had been feeling. A map marks the river accurately, but no map tells you why the river turned where it did. Only someone who walked the bank knows the rock at that bend. This is not an argument that summaries are bad. It is that what transfers and what does not are different things. Miss that distinction and we are left believing we obtained something efficiently when in fact we did not obtain it at all. XIII · To Stand Beneath The final question opens with a diagnosis of the age. Algorithms recommend what we want to see, AI gives the answers we want, and people who do not fit are filtered out. If the world is pressing us toward reinforcing our present selves, what is the role only literature can fill? He divides empathy in two. Emotional empathy is immediate identification with another's feeling: that person weeps and I weep too. It is necessary for reading literature — necessary as a method, not as a goal. Read only for this and you abandon books halfway; read to the end and you have mostly read yourself. The goal is cognitive empathy. It does not demand identification. It begins in a state where identification is not working and gradually accepts the other's perspective. At first, I don't get this person; later, I suppose this is possible for a human being. So the conclusion inverts. The moment emotional empathy stops working is the moment real reading begins. The passage he cites is from Pride and Prejudice. Darcy, refused the day before, sends a letter, and at the close of the first paragraph he makes his request: her feelings may not welcome it, but he appeals nonetheless to her sense of justice. Feeling and justice are set apart. Emotionally she does not want to read it; to reach a fair judgment she must. After reading, Elizabeth changes completely and her perspective is adjusted. That, he says, is the desirable conclusion of good reading. Short of marriage, at least arriving at a point where you do not hate the person. And the last word comes from an etymology. The under in understand meant among in old English, so the word carried the sense of standing among others. But he prefers to read it more simply as beneath. To stand above is to win, to judge. Studying natural disasters is a matter of overcoming them, and so is medicine. Reading in the humanities, in literature, is learning about others we do not know — and in doing so we move toward the position of losing. Becoming more vulnerable. Becoming a person with many weaknesses. That, he says, may be the goal of reading literature, and it is his own goal too. It is a short conclusion. In a summary it would survive as one handsome line. To someone who has come through twelve chapters, it is a place arrived at. Perhaps this is how the conversation proves itself. A sentence that does not transfer when only the conclusion is carried over, and that acquires its weight only once you have spent the time getting there. That difference is exactly what five hundred pages have and a summary does not. Titles Korean 500페이지 문학에는 있고, 요약본에는 없는 것 (대주제 그대로) 감정에는 시차가 있다 붙잡을 데가 있는 것들에 대하여 미끄러운 문장, 미끄러운 이야기 English What 500 Pages Have That a Summary Doesn't (primary) The Delay Does Not Transfer Slippery, Not Smooth Something to Hold Onto Subtitle pairs 한 시간의 대담을, 그 대담이 옹호한 길이로 다시 읽다 / One hour of conversation, re-read at the length it defends 열세 장으로 따라 읽는 신형철의 문학론 / Shin Hyoung-cheol on literature, in thirteen chapters Hashtags 국문 #신형철 #문학평론 #500페이지 #정서적지식 #미적인지주의 #인지적공감 #야생성 #적확함 #AI시대의글쓰기 #읽기의윤리 English #ShinHyoungcheol #LiteraryCriticism #AestheticCognitivism #CognitiveEmpathy #KnowledgeOfFeeling #Felicity #AIandWriting #SlowReading #WhyWeReadNovels #LongForm 두 언어 동시 게시용 (8개로 압축) #신형철 #500페이지 #인지적공감 #AI시대의글쓰기 #ShinHyoungcheol #CognitiveEmpathy #AestheticCognitivism #WhyWeReadNovels 출처 원 대담 「500페이지 문학에는 있고, 요약본에는 없는 것 — 서울대 신형철 교수」, 샤로잡다(SNU Catch) 시즌2, 진행 최성운. 영상: youtube.com/watch?v=qE_wJVYPKh4 인용·언급된 작품 한강 등단작(「붉은 닻」)의 "온전한 고통" / 신형철, 『정확한 사랑의 실험』 / 제인 오스틴, 『오만과 편견』 2부 12장 다아시의 편지 / 플로베르, 『마담 보바리』 / 박찬욱 복수 3부작, 특히 《복수는 나의 것》 / 《범죄도시》 계열 / 한강, 『채식주의자』·『소년이 온다』 표기 방식 제안 게시물 하단에 이렇게 한 줄로 붙이시면 충분합니다. 이 글은 샤로잡다 시즌2 「500페이지 문학에는 있고, 요약본에는 없는 것」(서울대 신형철 교수) 대담을 바탕으로 재구성한 에세이입니다. 발언은 직접 인용이 아닌 필자의 말로 옮겼으며, 장 구분과 해석은 새로 구성했습니다. This essay is a reconstruction based on "What 500-page literature has that a summary doesn't," a conversation with Prof. Shin Hyoung-cheol of Seoul National University on SNU Catch Season 2. His remarks are paraphrased rather than quoted directly; the chapter structure and interpretation are the author's.

一 · 요약이 이긴 시대의 이상한 패배 우리가 하루에 읽는 문장의 수는 아마 어느 세대보다 많을 것이다. 다만 그 문장들은 점점 짧아지고 점점 세진다. 하나의 작품에 머무는 시간은 줄고, 감상은 얕아진다. 여기에 하나가 더 얹혔다. 이제는 사람 대신 AI가 쓴다. 이런 시대에 300페이지, 500페이지짜리 소설을 처음부터 끝까지 읽으라는 말은 거의 훈계로 들린다. 신형철 교수도 그 점을 먼저 인정한다. 원칙론으로 읽어야 한다고 말하는 것은 권위적인 발언일 뿐이고, 내가 그렇게 했으니 너도 하라는 말에는 효력이 없다고. 그래서 그는 당위 대신 실효를 든다. 길게 읽는 일에는 짧게는 얻을 수 없는 실용적인 이유가 있다는 것. 무엇을 얻는가. 감정에 관한 지식이다. 어디서 가장 잘 생산되는가. 근대 장편소설에서다. 왜 하필 그 분량인가. 감정이 이해되기까지는 시간이 걸리고, 그 시차를 담으려면 불가피하게 그만큼이 필요했기 때문이다. 이 논증은 우아하다기보다 실무적이다. 500페이지는 작가의 허세가 아니라 계산의 결과였다는 것. 그리고 여기에 이 시대의 이상한 패배가 있다. 요약은 효율에서 이긴다. 시간도 적게 들고 요점도 정확하다. 그런데 우리가 소설에서 기대하는 것은 요점이 아니어서, 요점만 남기면 그 기대는 효율적으로 얻어지는 것이 아니라 아예 얻어지지 않는다. 二 · 세 번 반복하는 버릇 AI가 문학 제도를 흔든 방식은 작품의 질이 아니라 신뢰의 문제로 왔다. 미국에서 자비 출판으로 인기를 얻어 대형 출판사가 다시 내려다가 취소된 소설이 예로 나온다. 취소의 계기는 표절도 오류도 아니었다. 독자들이 계속 제보했다는 것이다. 이건 GPT가 쓴 것 같다고. 지목된 근거 중 하나가 세 번 반복하는 버릇이었다. 비슷한 표현을 세 개씩 늘어놓는 리듬. 영혼이 부서지고, 흩어지고, 사라졌다는 식의 문장. 교수의 지적은 정확하다. 한 번이면 괜찮다. 문제는 그것이 계속된다는 것이다. 흥미로운 것은 판별의 주체다. 심사위원도 평론가도 아닌 평범한 독자들이 먼저 알아챘고, 그들이 감지한 것은 의미가 아니라 리듬이었다. 사실 삼단 반복은 인간의 오래된 수사이기도 하다. 다른 점은 그것이 선택이냐 기본값이냐에 있다. 사람의 글에서 그 기법은 특정 순간에 힘을 싣기 위해 쓰이고, 그래서 드물다. 드물지 않은 순간 그것은 문체가 아니라 습관이 된다. 그러면 더 어려운 질문이 남는다. AI가 이런 습관까지 지운다면 어떻게 되는가. 정말 독창적으로 보이는 글을 쓴다면, 그래도 사람이 쓴 글을 더 높게 쳐야 하는가. 이 대담이 좋은 것은 여기서 손쉬운 답을 고르지 않는다는 데 있다. 인간이 썼으니 귀하다고도, 결과만 좋으면 그만이라고도 하지 않는다. 대신 문장의 질감으로 내려가 다시 시작한다. 三 · 매끄러움과 미끄러움 그가 고른 단어가 이 대담에서 가장 오래 남는다. AI의 글은 매끄럽다. 그런데 그냥 매끄러운 것이 아니라 미끄럽다. 매끄러움은 보통 칭찬이다. 막히지 않고 흐른다는 뜻이니까. 그런데 그것이 과해지면 흐르는 것이 아니라 미끄러진다. 붙잡으려 해도 손에서 빠져나간다. 다 읽고 나서도 잡히는 것이 없는 그 이상한 느낌. 왜 그럴까. 문장이 붙잡히는 순간은 대개 어딘가 걸리는 순간이기 때문이다. 예상과 다른 낱말, 굳이 필요 없는 한 마디, 미세하게 어긋나는 리듬. 독자는 그 걸림에서 잠시 멈추고, 멈춘 자리에서 생각을 시작한다. 아무 데도 걸리지 않는 글은 읽는 동안 편안하지만 읽고 나서 남지 않는다. 이것은 성능의 문제가 아니라 목적의 문제이기도 하다. 유창한 문장을 만드는 훈련은 평균적으로 가장 그럴듯한 다음 말을 고르는 훈련이다. 그런데 오래 남는 문장은 대개 평균에서 벗어난 자리에 있다. 평균을 잘 맞추는 능력과 평균을 깨뜨릴 곳을 아는 능력은 다른 능력이다. 기억해 둘 것이 하나 있다. 이 단어는 대담 후반에 한 번 더 나온다. 정의와 악이 미리 정해진 채 반복되는 이야기를 두고서다. 문장의 층위에서도 서사의 층위에서도, 붙잡을 것이 없는 상태가 같은 이름으로 불린다. 四 · B+의 함정, 야생성의 값 점수로 말하면 B+ 정도라고 그는 말한다. 그 정도로는 잘 쓴다는 것이다. 문제는 A+가 좀처럼 나오지 않는다는 데 있고, A+를 만드는 것을 그는 야생성이라 부른다. 야생성을 풀면 이렇게 된다. 빼어난 글에는 분명한 결점이 있고, 동시에 그 결점을 상쇄하고도 남는 강점이 있다. 거칠음 사이로 번쩍이는 데가 있는 글. 반대로 AI의 글은 결점도 없지만 두드러진 장점도 없다. 이어지는 이야기가 오래 남았다. 창작 교실의 합평은 대개 결점을 지적하는 자리다. 그래서 사람들은 늘 위축되는데, 진짜 문제는 그다음이다. 몇 년을 그렇게 보내면 결점을 고치는 쪽으로만 쓰게 된다. 5년 뒤 그 사람이 투고하는 원고는 흠 없이 매끈한 글이다. 그리고 그런 글은 당선되지 않는다. 당선은 결점의 적음이 아니라 강점의 셈으로 결정되기 때문이다. 이것을 문학의 이야기로만 듣기는 어렵다. 우리는 모두 몇 년째 합평 중이다. 지적받지 않을 제안서, 반박당하지 않을 메일, 아무도 불편해하지 않을 발표. 그리고 이제는 그 안전한 평균을 30초 만에 만들어주는 도구가 손에 있다. 흠 없음은 가장 비싸게 얻어지던 속성이었는데 이제 가장 쉽게 복제되는 속성이 되었다. 남는 질문은 하나다. 복제되지 않는 강점이 나에게 하나라도 있는가. 五 · 경험역량, 혹은 온전한 고통 좋은 문학에는 두 가지가 필요하다고 그는 정리한다. 요리에 좋은 재료와 솜씨가 모두 필요하듯이. 재료에 해당하는 것이 경험역량이다. 중요한 것은 이것이 양의 개념이 아니라는 점이다. 많이 겪은 사람이 잘 쓰는 것이 아니라 몇 가지를 얼마나 강렬하게 겪었는가의 문제다. 그리고 그는 이것이 지능이 아니라 의식의 영역과 관련된다고 본다. 지능만 가진 AI와 의식을 가진 인간의 차이는 자기 경험의 가장 내밀한 국면에 있다는 것이다. 같은 빨강을 보아도 사람마다 다르게 느끼고, 통증을 느낄 때 그 감각은 남과 나누기 어렵다. 예로 드는 것이 한강의 등단작에 나오는 한 표현이다. 스물한두 살에 쓴 글에 온전한 고통을 알게 되었다는 말이 나온다고. 도대체 온전한 고통이란 무엇인가. 어떤 경험이 저런 말을 낳는가. 그 물음을 독자에게 일으킨다는 사실 자체가, 작가가 자기 문학의 출처를 이미 알고 있었다는 증거로 읽힌다. 경험역량이 질의 개념이라는 지적은 위로가 되기도 하고 부담이 되기도 한다. 특별한 이력이 없어도 쓸 수 있다는 뜻이지만, 대신 자기가 겪은 것을 끝까지 바라보는 일을 피할 수 없다는 뜻이기도 하다. 많이 겪는 것보다 어려운 일은 겪은 것을 오래 들여다보는 일이다. 六 · 적확함과 felicity 재료가 경험역량이라면 솜씨는 표현력이다. 여기서 그는 중요한 구분을 한다. AI가 가진 것은 문법적 정확성이고, 문학이 요구하는 정확함은 다른 종류라는 것. 문학의 정확함이란 현상적 의식 수준의 모호한 것을 얼마나 유일하고 결정적으로 표현해내는가의 문제다. 다른 표현이 더는 필요 없다고 느껴질 만큼 완전히 전달되었을 때 우리는 적확하다고 말한다. 그리고 영어 단어 하나가 등장한다. felicity. 원래는 행복이라는 뜻인데, 상황에 꼭 맞는 표현을 썼을 때를 가리키는 뜻도 있다는 것이다. 완벽하게 들어맞는 표현을 만났을 때 우리는 행복해진다. 바로 이거야, 하는 감각과 함께. fluency는 매끄러움이고 felicity는 들어맞음이다. 이 구분은 실무적으로도 유용하다. 지금 우리가 AI의 초안을 고칠 때 하는 일이 정확히 그것이기 때문이다. 유창함을 조금 덜어내고 들어맞음을 심는 일. 문장을 더 매끄럽게 만드는 일은 이제 쉽다. 어려운 것은 이 상황에서만 성립하는 한 마디를 찾는 일이다. 그리고 그 한 마디는 대개 자기 경험의 가장 내밀한 곳에서 온다. 그러니 앞 장과 이 장은 하나의 이야기다. 경험 없는 표현은 미끄럽고, 표현 없는 경험은 전달되지 않는다. 七 · 미완성이 상품이 되는 역설 대담 초반에 스치듯 지나가지만 오래 생각하게 만드는 관찰이 있다. 이제 창작의 과정 자체가 예술적 가치의 출처가 되어 간다는 것이다. 만드는 행위가 하나의 전시가 되고, 과정 자체가 상품으로 팔릴 수 있다는 이야기. 그렇게 되면 인간의 미숙하고 불완전한 면이 오히려 흥미로워진다. 완성도가 더는 가치의 기준이 아니고 불완전함이 기준이 되는 이상한 상황이 올 수도 있다는 것이다. 앞 장들과 정확히 이어진다. 결과물의 매끈함을 누구나 살 수 있게 되면 희소해지는 쪽은 과정이다. 누가 무엇을 망설였고 어디서 방향을 틀었고 어떤 초고를 버렸는가. 다만 여기에 함정이 있다. 과정이 가치가 되는 순간 과정도 연출될 수 있다는 것. 고생한 흔적을 전시하는 방식이 하나의 장르가 되면 우리는 다시 원점으로 돌아간다. 그래서 과정의 기록은 미화가 아니라 검증 가능성의 문제로 다뤄져야 한다. 무엇을 버렸는지, 왜 바꿨는지가 남아 있는가. 교수 자신도 이 대목은 단언하지 않고 여러 견해가 있다는 말로 남겨 둔다. 그러나 예술의 가치가 결과에서 과정으로 옮겨 가는 중이라면, 문학이 지켜온 것들의 자리도 함께 흔들릴 것이다. 그래서 이야기는 여기서 문장에서 서사로 넘어간다. 八 · K서사를 지탱하는 상상력 한국 창작자들이 세계에서 인정받는 것은 좋은 일이라고 그는 먼저 말한다. 문학에는 한강과 정보라가 있고 영화에는 박찬욱과 봉준호가 있다. 다만 그는 이들이 대표하는 세계와, 글로벌 플랫폼을 통해 전 세계가 보는 히트작이 상징하는 국면을 구분하고 싶어 한다. 그가 높이 사는 쪽의 공통점은 사회학적 상상력, 더 좁히면 진보적 상상력이다. 그 본질은 두 가지로 정리된다. 기존 체제에 대한 비판적 이해, 그리고 비판적 이해에서 자연히 따라 나오는 변화에 대한 열망. 이 두 가지가 창작자에게 근본적으로 배어 있다는 것이 그의 진단이고, 그것이 사라지면 K서사는 상당히 공허해질 것이라고 그는 예측한다. 주목할 것은 그가 이 열망을 윤리적이라고 부른다는 점이다. 도덕적이라고 하지 않았다. 九 · 도덕의 우주와 윤리의 거리 철학은 도덕과 윤리를 조금 다르게 나눈다. 도덕은 이미 존재하는 규범에 관한 것이고, 그 규범은 대개 직관이나 본능과 잘 들어맞는다. 그것을 충실히 지키는 것이 도덕의 우주다. 반면 윤리는 그 도덕과 얼마간 거리를 두는 일이다. 따르는 것이 아니라 되짚어 보는 것. 그래서 윤리적 사유가 아주 예리해지면 때로 비도덕적으로 보이기까지 한다. 도덕 자체를 반성하는 일이기 때문이다. 이 구분으로 그는 같은 장르의 두 세계를 갈라놓는다. 복수 3부작에서 복수는 언제나 실패한다. 그것이 핵심이다. 복수의 쾌감을 주는 이야기가 아니라 체제에 문제를 제기하는 이야기라는 점에서 윤리적이다. 반대편에는 응징이 성공하는 서사가 있다. 전형적인 수사물이 범인을 어떻게 잡을 것인가에 집중한다면 이 계열은 잡은 다음에 집중한다. 얼마나 시원하게 두들기는가. 거기엔 공권력에 대한 판타지가 들어 있고, 철저히 도덕적인 우주여서 윤리적 반성의 자리가 없다. 《복수는 나의 것》의 마지막이 인용된다. 아이를 잃은 아버지가 상대를 죽음에 이르게 하며 너는 좋은 놈이니까 내 말 이해하지, 라는 취지로 말한다. 통쾌함이 아니라 씁쓸함이 남는다. 이게 정말 복수였나를 묻게 되고, 그 물음이 다른 데로 옮겨 간다. 왜 이렇게 되었나, 무엇이 문제인가. 인식적 접근이 시작되는 지점이다. 여기서 그가 쓰는 말이 인식적 소득이다. 정의와 악이 미리 정해져 있고 정의가 악을 벌하는 구성이 반복되면 거기서 얻는 인식적 소득이 거의 없다. 새로운 통찰이 없으니 다음 작품을 만들려면 다른 명분이 필요해지고, 그 명분은 더 강하게 때리는 쪽으로 간다. 고구마와 사이다가 필요 없다는 말이 아니다. 필요하지만 그것만으로는 성장하거나 성숙하거나 문제를 해결할 수 없다는 말이다. 十 · 응보·능력·생존이라는 삼각형 가장 분석적인 대목은 세 개념을 하나로 엮는 자리다. 출발은 질문이다. 왜 한국 콘텐츠에는 복수와 응징의 이야기가 이토록 많은가. 연결의 고리는 응분이라는 관념이다. 능력주의는 분배적 정의의 문제다. 사회적 자원이 능력에 따라, 즉 받아 마땅한 만큼 분배되어야 한다는 감시. 그래서 능력주의자가 가장 싫어하는 것은 분배가 불공정해지는 일이다. 응보주의자가 분노하는 것은 고통의 불공정한 분배다. 경제의 언어로 옮기면 고통의 재분배에 대한 요구가 된다. 받아 마땅한 만큼이라는 논리가 자원에서 작동하면 능력주의가 되고 고통에서 작동하면 응보주의가 된다. 그래서 한 사회의 능력주의가 강할수록 응보적 욕구도 강해진다는 것이 그의 가설이다. 그리고 이 논리가 지배하는 사회는 필연적으로 생존주의로 간다. 셋은 별개의 현상이 아니라 하나의 구조다. 문제는 이 서사가 철저히 도덕적이라는 데 있다. 규범은 이미 정해져 있고 이야기는 그것을 집행할 뿐이니 반성할 자리가 없고, 남는 것은 강도의 경쟁이다. 이 삼각형이 무서운 이유는 콘텐츠 비평에만 쓰이지 않기 때문이다. 채용과 평가, 공정성 논쟁, 온라인의 단죄 문화까지 같은 문법을 공유한다. 받아 마땅한 만큼이라는 감각은 정의롭게 들리지만, 누가 그 마땅함을 계산하는가라는 질문을 지운다. 빠르게 사라지는 이야기와 수십 년, 수백 년을 견디는 이야기의 차이는 어디서 오는가. 그는 언어에 빗대어 답한다. 유행에 민감한 말이 있다. 새 산업과 함께 등장했다가 사라진 용어들. 그 바깥에 기본어가 있다. 거의 변하지 않는 말들. 그가 가장 자주 느끼는 것은 감정에 관한 말이라고 한다. 외롭다, 쓸쓸하다, 불안하다, 아프다. 세대를 건너고 집단을 건너 거의 그대로 쓰인다. 서로 다른 세계에 속한 두 사람이 만나 이야기하다가 결국 둘 다 외롭다는 말에 도착한다. 그 말을 쓰는 순간 두 사람은 연결된다. 이야기도 같다. 문학은 시대와 함께 호흡하고 반응하고 맞서지만, 그것만 있는 이야기와 보편적 감정까지 다루며 인식적 소득을 만들어내는 이야기는 다르다. 후자는 시의성을 이점으로 삼아 살아남고, 전자는 시의성이 결국 약점이 되어 사라진다. 같은 재료가 어떤 이야기에는 날개가 되고 어떤 이야기에는 유통기한이 된다. 十二 · 500페이지의 리듬 이제 제목이 된 자리다. 미학에는 미적 인지주의라는 개념이 있다. 예술을 통해 우리가 무언가를 배우는가를 묻는 관점이다. 다만 그 배움은 명제적 지식과 다르다. 삼각형 내각의 합은 180도라는 식의, 외울 수 있는 지식이 아니다. 소설 읽을 시간에 공부하라고 말하는 부모가 떠올리는 지식이 그런 것이다. 예술이 만드는 것은 내면성에 관한 지식, 더 구체적으로는 정서적 지식이다. 그리고 이것을 생산하는 힘은 어떤 장르보다 문학이 크다는 것이 그의 주장이다. 여기서 분량의 문제가 나온다. 감정은 즉각 이해되지 않는다. 겪은 것과 그것을 이해하는 것 사이에는 시차가 있다. 10년 전의 경험을 오늘에야 이해하는 일이 있다. 아, 그때 내가 느낀 게 그거였구나. 그 불가피한 과정을 담으려면 500페이지가 든다. 처음부터 500페이지를 쓰겠다고 시작한 것이 아니라, 감정에 관한 가장 높은 수준의 인식을 만들어내는 데 필요했던 정보의 양이 그만큼이었다는 것이다. 그래서 독서의 리듬이 설명된다. 처음 50페이지를 읽는 데 닷새가 걸리고 남은 450페이지는 반나절에 읽힌다. 정서적 지식의 생산이 시작되면 어떻게와 왜가 얽히면서 서사가 달리기 시작하기 때문이다. 우리가 책을 덮게 되는 지점은 거의 언제나 그 오르막의 한가운데다. 거기가 실패의 증거가 아니라 통과해야 할 구간이라는 사실만 알아도 끝까지 가는 책의 수는 달라진다. 그러나 중요한 것은 전체를 읽어야 한다는 사실이다. 인물 자신이 마지막에 가서야 자기 경험을 온전히 이해하고, 그래서 비로소 자기를 이해한다. 독자는 그 과정을 통해 간접적으로 이해에 도달한다. 그렇다면 요약은 무엇을 잃는가. 요약은 사건을 옮긴다. 누가 무엇을 했고 어떻게 끝났는지. 옮기지 못하는 것은 시차다. 그 사람이 자기가 무엇을 느꼈는지 알아차리기까지 걸린 시간. 지도는 강을 정확히 표시하지만 지도에는 왜 강이 거기서 휘었는지가 없다. 걸어본 사람만 그 자리의 바위를 안다. 요약이 나쁘다는 말이 아니다. 옮겨지는 것과 옮겨지지 않는 것이 다르다는 말이다. 이 구분을 놓치면 우리는 효율적으로 얻은 줄 알면서 실은 얻지 못한 상태로 남는다. 十三 · 아래에 서는 일 마지막 질문은 시대 진단에서 출발한다. 알고리즘은 보고 싶은 것을 추천하고 AI는 원하는 답을 주고 맞지 않는 사람은 걸러진다. 세계가 지금의 나를 강화하는 방향으로 압력을 가하고 있다면, 문학에만 있는 역할은 무엇인가. 그는 공감을 둘로 나눈다. 정서적 공감은 타인의 감정에 즉시 동일시하는 것이다. 저 사람이 울면 나도 운다. 문학을 읽는 데 필요하지만 방법으로 필요한 것이지 목표는 아니다. 이것만을 위해 읽으면 중간에 덮기 쉽고, 끝까지 읽어도 사실상 자기 자신을 읽은 것에 가까워진다. 목표는 인지적 공감이다. 동일시를 요구하지 않고, 잘 안 되는 상태에서 시작해 타인의 관점을 서서히 받아들이는 과정. 처음에는 이 사람을 모르겠다고 생각하다가 나중에는 사람에게 저런 일도 가능하구나로 옮겨 가는 것. 그러니 결론이 뒤집힌다. 정서적 공감이 잘 작동하지 않는 순간, 바로 그때부터 진짜 독서가 시작된다. 인용되는 장면은 《오만과 편견》이다. 청혼을 거절당한 다아시가 편지를 보내면서 첫 문단 끝에 이렇게 청한다. 당신의 감정은 이 편지를 반기지 않겠지만, 그래도 당신의 정의감에 호소한다고. 감정과 정의를 갈라놓은 것이다. 감정으로는 읽고 싶지 않다. 그러나 공정한 판단에 이르려면 읽어야 한다. 편지를 읽은 뒤 엘리자베스는 완전히 달라지고, 관점이 조정된다. 좋은 독서의 바람직한 결말이 그것이라고 그는 말한다. 결혼까지는 아니더라도 적어도 그 사람을 미워하지 않게 되는 지점에 도달하는 것. 그리고 마지막은 한 단어의 어원에서 온다. understand의 under는 옛 영어에서 사이를 뜻해서, 이 말은 사람들 사이에 선다는 의미를 가졌다고 한다. 다만 그는 더 단순하게 아래로 읽고 싶다고 말한다. 위에 서는 것은 이기는 것이고 판단하는 것이다. 자연재해를 연구하는 것은 극복하기 위해서이고 의학도 그렇다. 그러나 인문학이나 문학을 읽는 일은 모르는 타인에 대해 배우는 일이고, 그 과정에서 우리는 지는 쪽으로 이동한다. 더 취약해지는 것, 약점이 많은 사람이 되는 것. 그것이 문학을 읽는 목표일 수 있다는 말로 대담은 끝난다. 짧은 결론이다. 요약본에서 이 문장은 근사한 한 줄로 남을 것이다. 그러나 열두 장을 지나온 사람에게는 도착한 자리가 된다. 어쩌면 이것이 그 대담이 스스로를 증명하는 방식이다. 결론만 옮기면 옮겨지지 않고, 지나온 시간을 함께 보내야만 무게가 생기는 문장. 그 차이가 바로 500페이지에는 있고 요약본에는 없는 것이다. 열세 개 소제목을 그대로 살리고, 각 장을 독립된 정리가 아니라 앞 장을 받아 다음 장으로 넘기는 에세이 호흡으로 이었습니다. 三장의 '미끄럽다'가 九장에서 다시 회수되고, 五장과 六장이 한 문장으로 묶이며, 十二장의 논증이 十三장의 마지막 문단에서 제목으로 되돌아오는 구조입니다.) Titles Korean 500페이지 문학에는 있고, 요약본에는 없는 것 (대주제 그대로) 감정에는 시차가 있다 붙잡을 데가 있는 것들에 대하여 미끄러운 문장, 미끄러운 이야기 English What 500 Pages Have That a Summary Doesn't (primary) The Delay Does Not Transfer Slippery, Not Smooth Something to Hold Onto Subtitle pairs 한 시간의 대담을, 그 대담이 옹호한 길이로 다시 읽다 / One hour of conversation, re-read at the length it defends 열세 장으로 따라 읽는 신형철의 문학론 / Shin Hyoung-cheol on literature, in thirteen chapters Hashtags 국문 #신형철 #문학평론 #500페이지 #정서적지식 #미적인지주의 #인지적공감 #야생성 #적확함 #AI시대의글쓰기 #읽기의윤리 English #ShinHyoungcheol #LiteraryCriticism #AestheticCognitivism #CognitiveEmpathy #KnowledgeOfFeeling #Felicity #AIandWriting #SlowReading #WhyWeReadNovels #LongForm 두 언어 동시 게시용 (8개로 압축) #신형철 #500페이지 #인지적공감 #AI시대의글쓰기 #ShinHyoungcheol #CognitiveEmpathy #AestheticCognitivism #WhyWeReadNovels 출처 원 대담 「500페이지 문학에는 있고, 요약본에는 없는 것 — 서울대 신형철 교수」, 샤로잡다(SNU Catch) 시즌2, 진행 최성운. 영상: youtube.com/watch?v=qE_wJVYPKh4 인용·언급된 작품 한강 등단작(「붉은 닻」)의 "온전한 고통" / 신형철, 『정확한 사랑의 실험』 / 제인 오스틴, 『오만과 편견』 2부 12장 다아시의 편지 / 플로베르, 『마담 보바리』 / 박찬욱 복수 3부작, 특히 《복수는 나의 것》 / 《범죄도시》 계열 / 한강, 『채식주의자』·『소년이 온다』

“This Is It” — The Moves Behind a Career, the Evidence Behind a Hire Finding a common purpose across different chapters—and choosing to keep sharing its possibilities Hanjong Lee · GTM & Evidence Builder 1. When Different Experiences Become One Body of Work For a long time, I thought I had been doing different kinds of work. Film and storytelling. Startup media. Entrepreneurship. Global expansion. Digital IP. AI technical sales. Whenever I explained my career, I felt I first had to explain the connections. A conversation about what I had done would often become an explanation of why I had moved on to something else. Looking back, however, I can see a question that remained with me as the names of the work changed. Why does a good story fail to reach people? Why does promising technology fail to win a customer's commitment? Why can someone with substantial experience and ability seem almost invisible in a few lines of introduction? At London Film School, I learned ways of understanding people through stories. At beSUCCESS, I translated the thinking of founders and experiences from other markets into language Korean readers could understand. At Kairos801, I connected brands with creators, and content with markets. My experiences with NAKDSEOUL and Lunar X made me think about what it takes for a piece of content to find audiences and partners in another market. In technical sales at Polymerize, the question became more concrete. Explaining the possibilities of AI for materials development began with understanding a customer's repeated experiments and data problems. A useful conversation required translating technical capabilities into the customer's time, costs, workflows, and decisions. When I looked at Saywise and thought, “This is it,” those experiences came together in a single sentence: Turn the value of capable people and promising technology into evidence that others can understand and use to make decisions. That is the meaning I found in the name GTM & Evidence Builder. GTM creates a path from value to a market's decision. An Evidence Builder leaves concrete grounds for trust and judgment along that path. Of course, my past choices were not all planned to lead here. Looking back makes it easy to impose order on coincidence. What matters to me now is recognizing the problem I want to keep working on. Those earlier experiences can now serve that purpose together. That realization became two months of work. Across a period that took me from Busan to Seoul, I shared 100 posts on Saywise through Korean and English articles, videos, and visual storytelling. Through writing and making, I gradually understood more clearly what I cared about and what I wanted to continue doing. 2. Finding the Grounds for Trust in a Person's Record The possibility I see in Saywise begins with reading a person's experience more deeply. As work and reflection accumulate in a profile, the decisions hidden behind a short résumé statement can become visible. I want to ask the next question: how might that record help someone decide whom to entrust with a particular responsibility? Considering the directions explored in the earlier analysis of Perplexity Computer and LinkedIn Hiring Assistant, it is difficult to locate Saywise's differentiation solely in a richer introduction. Tools that support research, document creation, candidate discovery, and evaluation will continue to raise the standard of presentation. That makes a more specific question necessary: Which uncertainty in hiring can we reduce, and at what cost? What interested me in studying Harvey was the way professional work can be made open to review: evaluating results against actual tasks, distinguishing the quality of an answer from its sources, and designing access to information. Yet checking a legal source and establishing someone's contribution involve different challenges. Human experience contains collaboration, imperfect memory, competing interests, and confidentiality. This is why I return to the idea of kibo: the record of moves in a game of Go. A kibo preserves the sequence in which moves were played. If we could read a person's experience through its sequence and circumstances, we might understand decisions that an outcome alone cannot reveal. When I encounter the statement “I led our North American expansion,” I want to ask nine questions. What exactly is the claim? What was the context? What judgment did the person make? What did they do? What artifacts remain? What was their individual contribution? What happened as a result? What did they revise? And who can confirm which parts? Completing nine fields does not establish trust. The existence of an artifact, the person's authorship, and the artifact's contribution to an outcome each require examination. A colleague's confirmation must also be understood within the limits of what that colleague directly observed. A kibo records the moves. Reviewing it means asking questions of that record. Someone must be able to agree with an account, narrow the claimed contribution, or offer another interpretation. A useful record allows correction and makes uncertainty visible. Here, the low-ego approach I value meets the principles of evidence: describe your own contribution accurately, acknowledge the work of others, and revise your explanation when new information warrants it. Founders and investors, creators and brands, technical teams and customers need a shared language for understanding what each knows and expects. 3. Connecting Potential to a Hiring Decision If I were to turn this idea into a small product experience, I would begin with one role. First, clarify the mission the company needs to accomplish and the risks of failure. Agree on the experience that must be examined for that role. This could become a Role Evidence Spec. Then review a candidate's representative experience, connecting claims with artifacts, individual contribution, outcomes, what has been confirmed, and what remains uncertain. That summary would become an Evidence Brief. This is an experiment I am proposing. I would begin within an existing candidate pipeline and interview process, helping the hiring team ask more precise questions and compare the evidence. Candidates should also have an opportunity to review and correct their accounts. The final judgment belongs to people who understand the role and the organization. Consider a hypothetical hiring case for NAKD SEOUL's expansion into North America. This is a fictional scenario, separate from my past work with NAKDSEOUL. Imagine one candidate with experience operating within a large company, another with deep knowledge of U.S. distribution channels, and a third who has personally built an initial cross-border deal. Which experience deserves closer examination depends on the mission the business must accomplish now. If initial market entry is the priority, we should examine how the first customers and partners were secured. If sustainable expansion matters most, we should examine repeat orders, margins, operating systems, and team development. We need to understand whether a first transaction led to another, and whether it left a process someone else could carry forward. I must apply the same standard to myself. My 100 posts record time spent thinking and making. Analytical essays can reveal how I structure a problem. Fictional cases can show how I construct a hypothesis. Videos and HTML artifacts can demonstrate how I turn an idea into something tangible. Actual business results and effects on users require their own evidence. The ROI prediction framework I built to explore the potential impact of Claude API credits should be read in the same way. It is a tool for making assumptions about costs, usage, adoption speed, and time savings visible and comparable. A model's outputs must not be presented as results achieved by real customers. Its value becomes clearer when we establish who used it, which decisions it informed, and what changed. Likewise, without knowing how the 28% match score on my application screen was calculated, I cannot interpret it as a measure of my ability or my probability of being hired. I can compare the role's responsibilities with my experience and state honestly what I can support with direct evidence and where gaps remain. If I joined as Head of Community & GTM, I would first want to understand the experience of people using the product today. During the first 30 days, I would speak with early users and examine where they get stuck after signing up. Over the next 30 days, I would run onboarding, project sharing, and feedback exchanges with a small group. I would then repeat the activities that proved useful, test referrals and partner channels, and share what we learned with the product team. 4. A Small Experiment That Puts Belief to the Test Building trust takes time. Reading claims, examining materials, establishing the boundaries of a contribution, and resolving disagreements all require work. A sustainable service must account for that cost. For illustration, suppose each role carries a monthly subscription of $499 for three months, plus a success fee of 5% of a hire's first-year guaranteed cash compensation of $120,000. Assuming a 30% hiring success rate, expected revenue per role would be $3,297: $1,497 in subscriptions plus $1,800 in probability-weighted success fees. If reviewing ten candidates requires 1.5 hours each, with another eight hours of shared work per role, labor at $80 an hour would cost $1,840. That leaves $1,457 before customer acquisition, tools, legal and security costs, overhead, and other expenses. It is not net profit. Waiving the subscription would reduce expected revenue to $1,800—less than the assumed verification labor cost. These figures are illustrative assumptions, not Saywise's actual pricing, results, or revenue forecast. Their purpose is to examine which conditions could make the service sustainable. The time contributed by candidates and people confirming their work must also be measured. That is why I would narrow the first experiment to one role at one company. In the first week, agree on the mission and criteria. During the next two weeks, review representative experience and materials from consenting candidates. Over the following three weeks, use the briefs in interviews and examine which questions and decisions they support. Six weeks would test the usefulness of decision support. Completing the hire and observing performance after joining would follow separate timelines. A changed decision is not necessarily a better decision. Reaching the same conclusion with clearer grounds and more visible risks may still be valuable. Conversely, if the process merely produces a persuasive account while increasing the review burden, its design should change. We should examine actual use, the total time required of everyone involved, and willingness to pay for the next role. If usefulness or sustainability remains unproven, we should narrow the experiment or stop it. Because this work concerns people, the limits of documentation belong in the design from the beginning. Someone who worked in an environment with little documentation, or on projects they cannot disclose, needs alternative ways to explain and substantiate their experience. Missing records must not automatically be treated as missing ability. A colleague's confirmation may also reflect personal ties or shared interests. Candidates should be able to correct their records, and reuse elsewhere must respect consent and confidentiality. I want a person's kibo to help others understand their next opportunity. It should remain open to revision as new experience and evidence emerge. The way we read it must improve as well. 5. Beyond the Hiring Decision: Becoming an Evangelist for the Vision The idea I have long called a Conscious Technopolis becomes concrete through these relationships: people who build technology, people who use it, and people who connect capital and opportunity learning to understand one another and make decisions together. An ecosystem in which each person's abilities can expand what is possible for someone else. I would love to join Saywise's small team and contribute to that work. I want to bring my time and experience to the connections between writing, content, community, partnerships, and the experience of early users. My reasons for applying are clear. At the same time, I will be okay if I am ultimately not selected. Wanting to be hired and having reasons to continue this work can coexist. The purpose I rediscovered over the past two months can outlast a single hiring outcome. I want to keep helping people understand one another's experience more deeply, and helping the work they have built become grounds for their next opportunity. I will become an evangelist for that vision. To me, an evangelist helps others understand and experience a possibility they have discovered. They show specifically what was useful, speak honestly about what needs improvement, and help that feedback strengthen both the product and the relationships around it. As a user and an independent contributor, I want to keep writing and making in Korean and English. I want to explore builders' work, exchange useful questions, and share examples and tools that help people make sense of their experience. When opportunities to collaborate arise, I want to agree clearly on roles and expectations, and follow through on the work I take on. A low-ego approach can be practiced in that process: recognize others' contributions, correct my own account when it is wrong, and keep our shared purpose at the center. As my own work becomes visible, I want to help other people's work become easier to see as well. Looking back on those two months from Busan to Seoul, I see a period of rereading my career and choosing the work ahead. I asked what I can do now, what I still need to learn, and with whom I want to keep working on a problem that matters to me. The feeling of “This is it” has now become a choice. To listen more closely to a person's experience. To examine together the conditions in which they made decisions and what they built. To help that record inform the next decision—and share that possibility with more people. While I wait for the hiring outcome, I will continue that work. I hope we can keep building together. Where the record of a person's work becomes the foundation for their next opportunity. #Saywise #EvidenceBuilder #GTM #EvidenceBasedHiring #AIBuilder #CommunityBuilding #LowEgo #Entrepreneurship #ProductEvangelism

바로 이거야 — 사람의 기보, 채용의 근거 흩어진 경험에서 발견한 하나의 일, 그리고 그 가능성을 계속 전하겠다는 선택 이한종 · GTM & Evidence Builder 1. 흩어진 경험이 하나의 일이 되다 나는 오랫동안 서로 다른 일을 해왔다고 생각했다. 영화와 콘텐츠, 스타트업 미디어, 창업, 글로벌 확장, 디지털 IP, 그리고 AI 기술영업. 누군가에게 내 경력을 설명할 때면, 그 사이의 연결부터 설명해야 할 것 같았다. 무엇을 했는지 이야기하다가도, 왜 다음 일을 선택했는지를 해명하는 데 더 많은 말을 쓰곤 했다. 그런데 돌아보면, 일의 이름이 달라질 때마다 놓지 않았던 질문이 있었다. 좋은 이야기인데 왜 사람들에게 닿지 않을까. 좋은 기술인데 왜 고객의 선택으로 이어지지 않을까. 충분한 경험과 능력을 가진 사람인데 왜 몇 줄의 소개 안에서는 그 가치가 보이지 않을까. 런던 영화학교에서 배운 것은 이야기를 통해 사람을 이해하는 방식이었다. beSUCCESS에서는 창업가의 생각과 다른 시장의 경험을 한국의 독자가 이해할 수 있는 언어로 옮겼다. Kairos801에서는 브랜드와 크리에이터, 콘텐츠와 시장을 연결했다. NAKDSEOUL과 Lunar X에서의 경험은 하나의 콘텐츠가 다른 시장의 관객과 파트너를 만나기 위해 무엇이 필요한지 생각하게 했다. Polymerize의 기술영업에서는 그 질문이 더욱 구체적이 되었다. AI 기반 소재 기술의 가능성을 설명하려면, 고객이 어떤 실험을 반복하고 어떤 데이터 문제를 겪는지부터 이해해야 했다. 기술의 기능을 고객의 시간과 비용, 업무와 의사결정의 언어로 옮겨야 대화가 앞으로 나아갈 수 있었다. Saywise를 보며 “바로 이거야”라고 느낀 순간, 그 경험들이 하나의 문장 안에 들어왔다. 좋은 사람과 좋은 기술의 가치를, 다른 사람이 이해하고 판단할 수 있는 근거로 바꾸는 일. 내가 GTM & Evidence Builder라는 이름에서 발견한 의미도 여기에 있다. GTM은 가치가 시장의 선택으로 이어지도록 길을 만드는 일이다. Evidence Builder는 그 길 위에 사람들이 무엇을 믿고 판단할 수 있는지 구체적인 근거를 남기는 사람이다. 물론 과거의 모든 선택이 처음부터 이 순간을 향해 계획되어 있었던 것은 아니다. 돌아보는 사람은 우연에도 질서를 부여하기 쉽다. 지금 내게 중요한 것은 앞으로도 계속 풀고 싶은 문제를 알아보는 일이다. 지나온 경험들은 이제 그 문제를 위해 함께 쓰일 수 있다. 그 깨달음이 두 달 동안의 작업으로 이어졌다. 부산에서 서울까지 이어진 시간 동안, 나는 Saywise에 한국어와 영어의 글, 영상, 시각적 이야기로 100개의 게시물을 나누었다. 쓰고 만드는 과정에서, 내가 무엇에 마음을 쓰고 어떤 일을 계속하고 싶은지 조금씩 분명해졌다. 2. 사람의 기보에서 신뢰의 근거를 찾다 Saywise에서 내가 발견한 가능성은 한 사람의 경험을 더 깊이 읽는 데서 시작한다. 프로필에 작업과 생각이 쌓이면, 이력서의 짧은 문장 뒤에 가려져 있던 판단의 과정이 드러날 수 있다. 여기에 다음 질문을 붙이고 싶다. 그 기록은 실제로 누군가에게 일을 맡기는 결정에 어떤 도움을 줄 수 있을까. 앞서 살펴본 Perplexity Computer와 LinkedIn Hiring Assistant의 방향을 생각하면, Saywise의 차별성을 더 풍부한 소개문에서만 찾기는 어렵다. 리서치와 문서 제작, 후보 탐색과 평가를 돕는 도구들 사이에서 설명의 완성도는 계속 높아질 것이다. 그럴수록 구체적인 질문이 필요하다. 어떤 채용의 불확실성을, 어느 정도의 비용으로 줄일 수 있는가. Harvey를 검토하며 관심을 가졌던 것도 전문 업무를 검토 가능하게 만드는 방식이었다. 실제 업무에 맞춰 결과를 평가하고, 답변의 품질과 출처를 구분하며, 자료 접근 권한을 설계하는 접근이다. 다만 법률 문헌의 출처를 확인하는 일과 한 사람의 실제 기여를 확인하는 일 사이에는 거리가 있다. 사람의 경험에는 공동 작업과 기억의 한계, 이해관계와 기밀이 함께 들어 있다. 그래서 나는 ‘기보’라는 말을 떠올린다. 바둑의 기보에는 어떤 순서로 수를 두었는지가 남는다. 사람의 경험도 그 순서와 조건을 따라 읽을 수 있다면, 결과만으로는 보이지 않던 판단을 이해할 수 있을 것이다. “북미 진출을 주도했다”는 문장을 만나면 아홉 가지를 묻는다. 정확히 어떤 주장인가. 당시의 맥락은 무엇이었나. 어떤 판단을 했나. 무엇을 실행했나. 어떤 작업물이 남았나. 본인이 직접 기여한 범위는 어디까지인가. 어떤 결과가 발생했나. 무엇을 수정했나. 그리고 누가 어느 범위까지 확인할 수 있는가. 아홉 개의 칸을 채웠다는 사실만으로 신뢰가 생기지는 않는다. 작업물이 존재한다는 것, 본인이 그것을 만들었다는 것, 그 작업이 성과에 영향을 주었다는 것은 각각 확인해야 한다. 함께 일한 사람의 확인도 그가 직접 관찰한 범위 안에서 읽어야 한다. 기보는 기록이고, 복기는 그 기록을 다시 묻는 일이다. 누군가는 설명에 동의할 수 있고, 기여의 범위를 좁힐 수도 있으며, 다른 해석을 제시할 수도 있어야 한다. 좋은 기록은 정정할 수 있고, 아직 모르는 것을 표시할 수 있어야 한다. 이 지점에서 내가 중요하게 생각해온 Low Ego의 태도와 증거의 원칙이 만난다. 자신의 기여를 정확하게 말하고, 다른 사람의 몫을 인정하며, 새로운 근거 앞에서 설명을 고치는 태도다. 창업가와 투자자, 크리에이터와 브랜드, 기술팀과 고객이 함께 일하려면 서로 무엇을 알고 무엇을 기대하는지 이해할 수 있는 언어가 필요하다. 3. 가능성을 채용의 판단으로 연결하다 이 생각을 작은 제품 경험으로 옮긴다면, 출발점은 하나의 역할일 것이다. 먼저 기업이 해결해야 할 미션과 실패 위험을 정리한다. 그 역할에서 반드시 확인해야 할 경험이 무엇인지 합의한다. 이를 Role Evidence Spec, 즉 직무별 증거 기준이라고 부를 수 있다. 이후 후보자의 대표 경험을 검토해 주장과 작업물, 개인 기여, 결과, 확인된 범위와 남은 질문을 연결한다. 그 요약이 Evidence Brief다. 이것은 내가 제안하는 실험이다. 기존 후보 파이프라인과 면접 과정 안에서, 채용팀이 더 정확한 질문을 하고 근거를 비교하도록 돕는 방식으로 시작하고 싶다. 후보자에게도 자신의 설명을 확인하고 수정할 기회가 있어야 한다. 최종 판단은 그 역할과 조직의 맥락을 이해하는 사람이 맡는다. NAKD SEOUL의 북미 확장을 가정한 채용 사례를 생각해볼 수 있다. 이 사례는 나의 과거 NAKDSEOUL 활동과 구분되는 가상 시나리오다. 대기업의 운영을 경험한 후보, 미국 유통 채널에 깊이 있는 후보, 국경을 넘는 첫 거래를 직접 만들어본 후보가 있다고 하자. 누구를 더 깊게 살펴볼지는 지금 기업이 해결해야 할 미션에 달려 있다. 첫 시장 진입이 핵심이라면 최초의 고객과 파트너를 확보한 과정을 물어야 한다. 안정적인 확장이 중요하다면 반복 주문과 마진, 운영 체계와 조직을 만든 경험을 살펴야 한다. 첫 거래가 있었다는 사실에서 한 걸음 더 나아가, 그 거래가 다음 거래로 이어졌는지, 다른 사람이 이어받을 수 있는 과정이 남았는지 확인해야 한다. 이 기준은 나 자신에게도 적용되어야 한다. 100개의 게시물은 내가 시간을 들여 생각하고 만들었다는 기록이다. 그 안의 분석 글은 문제를 구조화하는 방식을, 가상 사례는 가설을 설계하는 방식을, 영상과 HTML 작업물은 생각을 구현하는 방식을 보여줄 수 있다. 실제 사업 성과와 사용자에게 미친 영향은 별도의 근거로 설명해야 한다. Claude API 크레딧의 효과를 살펴보기 위해 만든 ROI 예측 프레임워크도 마찬가지다. 그 작업은 비용과 사용량, 도입 속도와 시간 절감의 가정을 드러내고 비교하는 도구다. 모델의 계산 결과를 실제 고객이 달성한 성과처럼 제시해서는 안 된다. 누가 사용했고, 어떤 판단에 도움이 되었으며, 무엇을 바꾸었는지 확인할 때 그 작업의 의미도 더 분명해진다. 지원 화면에 표시된 28%의 매칭 점수 역시 계산 방식을 모르는 상태에서는 나의 역량이나 합격 가능성으로 해석할 수 없다. 내가 할 수 있는 일은 직무가 요구하는 과제와 자신의 경험을 대조하고, 직접 보여줄 수 있는 근거와 아직 부족한 부분을 정직하게 정리하는 것이다. Head of Community & GTM으로 함께한다면, 먼저 현재 제품을 사용하는 사람들의 경험을 이해하고 싶다. 첫 30일에는 초기 사용자와 대화하고 가입 이후 어디에서 막히는지 살핀다. 다음 30일에는 작은 그룹의 온보딩과 프로젝트 공유, 피드백 교환을 운영한다. 이후에는 실제로 도움이 된 행동을 반복하고, 추천과 파트너 채널을 시험하며, 배운 내용을 제품팀과 나눈다. Evidence Brief의 확장 가능성도 이러한 실제 사용과 팀의 우선순위 안에서 작게 검증하고 싶다. 내가 제안한 비전의 쓸모는 사람들이 사용하는 과정에서 확인되어야 한다. 4. 믿음을 검증하는 작은 실험 신뢰를 만드는 데에는 시간이 든다. 주장을 읽고 자료를 살피며, 기여의 범위를 확인하고 이견을 정리하는 노동이 필요하다. 그 비용까지 생각해야 지속할 수 있는 서비스가 된다. 설명을 위한 가정으로, 역할별 월 구독료를 499달러, 유료 기간을 3개월, 채용 성공수수료를 첫해 보장 현금보상 12만 달러의 5%로 두어보자. 채용 성공률을 30%로 가정하면, 역할 한 건의 기대매출은 구독료 1,497달러와 확률을 반영한 수수료 1,800달러를 합한 3,297달러다. 후보 10명을 각각 1.5시간 검토하고 역할별 공통 작업에 8시간을 쓰며, 시간당 인건비를 80달러로 잡으면 직접 검증 인건비는 1,840달러가 된다. 이를 뺀 금액은 1,457달러다. 고객 획득과 도구, 법무·보안, 고정비 등이 빠져 있으므로 순이익으로 볼 수 없다. 구독료를 면제하면 기대매출은 1,800달러로 낮아져 검증 인건비에도 미치지 못한다. 이 숫자들은 실제 Saywise의 가격이나 실적, 수익 예측이 아니다. 어떤 가정이 달라질 때 운영이 가능해지는지 살펴보기 위한 계산이다. 후보자와 확인자가 쓰는 시간도 함께 측정해야 한다. 그래서 첫 실험은 한 기업의 한 역할로 좁히고 싶다. 첫 주에는 미션과 기준을 합의하고, 다음 두 주에는 동의한 후보자의 대표 경험과 자료를 검토한다. 이후 세 주 동안 브리프를 면접에 사용하며, 어떤 질문과 판단에 도움이 되었는지 살핀다. 여섯 주는 판단 지원의 효용을 검토하는 기간이다. 채용 마무리와 입사 후 관찰은 별도의 일정으로 다룬다. 판단이 바뀌었다고 반드시 더 좋은 판단이 된 것은 아니다. 같은 결론에 도달했더라도 근거가 분명해지고 남은 위험이 드러났다면 가치가 있을 수 있다. 반대로 설명만 그럴듯해지고 검토 부담이 커졌다면 설계를 바꿔야 한다. 실제 사용 여부, 참여자 전체의 시간, 다음 역할에도 비용을 지불할 의사를 함께 확인해야 한다. 효용이나 지속 가능성이 보이지 않으면 범위를 줄이거나 중단할 수 있어야 한다. 사람을 다루는 실험인 만큼 기록의 한계도 처음부터 받아들여야 한다. 자료를 남기기 어려운 환경에서 일한 사람, 공개할 수 없는 프로젝트를 맡았던 사람에게는 다른 설명과 확인의 기회가 필요하다. 기록이 없다는 이유만으로 능력이 없다고 판단해서는 안 된다. 동료의 확인에도 친분과 이해관계가 있을 수 있다. 후보자는 자신의 기록을 정정할 수 있어야 하며, 다른 곳에서의 재사용에는 동의와 기밀의 경계가 따라야 한다. 나는 사람의 기보가 다음 기회를 이해하는 자료가 되기를 바란다. 새로운 경험과 근거에 따라 계속 수정할 수 있는 기록이어야 한다. 그 기록을 읽는 방식 역시 함께 개선되어야 한다. 5. 선발을 넘어, 이 비전의 이반젤리스트로 내가 오래 생각해온 Conscious Technopolis라는 말도 이러한 관계 안에서 구체적인 의미를 얻는다. 기술을 만드는 사람, 사용하는 사람, 자본과 기회를 연결하는 사람이 서로의 언어를 이해하고 함께 판단하는 환경. 각자의 능력이 다른 사람의 가능성을 넓히는 데 쓰이는 생태계다. Saywise의 작은 팀에 합류해 그 일을 함께하고 싶다. 글과 콘텐츠, 커뮤니티와 파트너십, 초기 사용자의 경험을 잇는 일에 나의 시간과 경험을 쓰고 싶다. 지원서를 제출한 마음은 분명하다. 동시에 최종적으로 선발되지 않아도 괜찮다. 선발을 바라는 마음과 이 일을 계속할 이유는 함께 존재할 수 있다. 지난 두 달 동안 내가 발견한 목적은 한 번의 채용 결과보다 오래 이어질 수 있기 때문이다. 나는 사람의 경험이 더 깊이 이해되고, 그 사람이 만든 것이 다음 기회의 근거가 되는 방향을 계속 돕고 싶다. 나는 이 비전의 이반젤리스트가 되겠다. 내가 생각하는 이반젤리스트는 자신이 발견한 가능성을 다른 사람이 이해하고 직접 경험할 수 있도록 돕는 사람이다. 무엇이 유용했는지 구체적으로 보여주고, 부족한 부분도 솔직하게 말하며, 그 피드백이 더 나은 제품과 관계로 이어지도록 기여하는 사람이다. 한 명의 사용자이자 독립적인 기여자로서, 나는 한국어와 영어로 계속 쓰고 만들고 싶다. Builder의 작업을 읽고 좋은 질문을 나누며, 경험을 정리하는 사례와 도구를 공유하고 싶다. 함께할 기회가 생기면 역할과 기대를 분명히 합의하고, 맡은 일을 끝까지 해내고 싶다. Low Ego의 태도도 그 과정에서 실천할 수 있다. 다른 사람의 기여를 알아보고, 내 설명이 틀렸다면 고치며, 함께 이루려는 목적을 중심에 놓는 것이다. 내가 드러나는 만큼 다른 사람의 작업도 잘 보이게 돕고 싶다. 부산에서 서울까지 이어진 두 달을 돌아보면, 그 시간에는 내 경력을 다시 읽고 앞으로의 일을 선택하는 과정이 함께 있었다. 나는 지금 무엇을 할 수 있는지, 무엇을 더 배워야 하는지, 누구와 어떤 문제를 오래 풀고 싶은지 물었다. “바로 이거야”라는 감각은 이제 하나의 선택이 되었다. 한 사람의 경험을 더 깊이 듣고, 그 사람이 어떤 조건에서 판단했으며 무엇을 만들었는지 함께 살피는 일. 그 기록이 다음 선택의 근거가 되도록 돕고, 그 가능성을 더 많은 사람에게 전하는 일. 선발의 결과를 기다리는 동안에도, 나는 그 일을 계속하겠다. 함께, 계속 가고 싶다. 사람의 기보가 다음 기회의 근거가 되는 곳에서. #Saywise #EvidenceBuilder #GTM #사람의기보 #증거기반채용 #AIBuilder #커뮤니티 #LowEgo #이반젤리스트

From Rejection to Two Million: How Anwonjalbu Turned Authentic Personality Into Scalable IP The Birth and Growth of Hello, I’m Woni—Nice to Meet You, and the Future of Discovery-Led Content One of the most compelling Korean content stories of 2026 is the extraordinary rise of the YouTube channel Hello, I’m Woni—Nice to Meet You, widely known by its abbreviated Korean name, “Anwonjalbu.” The channel did not begin as a large-scale project built around an established celebrity. Nor was it initially designed as a carefully orchestrated promotional vehicle for the K-pop group RESCENE. It began as something far more uncertain: an independent web entertainment experiment created around Woni, a relatively unknown idol who had been rejected as the host of an external corporate project because she lacked public recognition. Instead of replacing her with someone more famous, the production team made a different choice. They decided to create that recognition themselves. Within approximately seven months, that small experiment grew into a channel with more than two million subscribers. Attention around Woni expanded to other RESCENE members, and interest in the members eventually led audiences back to the group’s music. Anwonjalbu is therefore more than a YouTube success story. It is a case study in how content can discover an overlooked person, reveal the qualities that make her compelling, and gradually turn those qualities into characters, relationships, stories, and scalable intellectual property. A Channel Born from Rejection The story began before Anwonjalbu existed. Woni had previously appeared in a driving-themed web entertainment series called My Driving Practice Uncle. In that series, she displayed a side of herself rarely seen in conventional idol content. Rather than relying on polished lines or carefully calculated reactions, she laughed openly, spoke in her regional dialect, became visibly embarrassed, and interacted naturally with unfamiliar people. Even in situations with little structure, she created memorable moments simply by reacting as herself. A staff member at Solfa Studio noticed Woni’s potential and recommended her to producer Yoon Sung-won. Yoon subsequently proposed Woni as the host of an external corporate content project. The client declined the idea because Woni did not have enough name recognition at the time. In most cases, that would have been the end of the proposal. The producers could have replaced her with a more established celebrity or waited for another opportunity that better suited her level of visibility. Instead, the rejection prompted a more ambitious question: What if content could create the recognition that the client believed she lacked? Because the corporate project did not move forward, the production team was free to build an independent channel around Woni herself. There was no corporate product to promote and no predetermined role for her to perform. Her personality, background, language, relationships, and reactions could become the center of the content. Anwonjalbu was therefore born not as a channel that recruited a famous person, but as a channel designed to make an undiscovered person visible. What the Producers Saw in Woni The quality Yoon Sung-won recognized in Woni was not conventional variety-show skill. It was not polished speech, aggressive humor, or an ability to dominate every scene. What he saw was her willingness to remain visible as herself. Woni laughed without trying to control her expression. She did not completely hide her dialect. She rarely withdrew when placed in unfamiliar situations, and she did not appear overly concerned with presenting a perfectly managed idol image. The producers described this quality as a form of courage. That courage became the creative foundation of Anwonjalbu. Traditional idol content often emphasizes a refined image, promotional messaging, structured games, and an existing relationship between the performer and her fans. Anwonjalbu moved in the opposite direction. It emphasized unfinished reactions over polished performance. It focused on personality, relationships, and everyday experience rather than placing a new song or promotional campaign at the center. Most importantly, it was designed for people who knew nothing about Woni or RESCENE. Even the channel’s unusually long name reflected this philosophy. At the time, neither Woni nor RESCENE had enough recognition for a symbolic or sophisticated brand name to carry much meaning. Instead, the production team chose a phrase that sounded like an exaggerated introduction to a stranger: “Hello, I’m Woni. Nice to meet you.” The name initially seemed awkward. Some viewers could not tell whether the channel was official or fan-made, and others suggested that it was simply too long. But its awkward directness made it memorable. Viewers naturally shortened it to “Anwonjalbu,” turning what initially appeared to be a weakness into a distinctive identity. Success Was Not Immediate Anwonjalbu released its first video in February 2026. The opening episode featured Woni eating bean-sprout soup with comedian Lee Sun-min, with whom she had already formed a relationship through My Driving Practice Uncle. This choice gave first-time viewers a familiar relational context rather than asking them to become interested in a completely unknown person without explanation. The channel, however, had not yet discovered its defining format. Early videos experimented with celebrity dining, guest conversations, informational segments, and concept-driven comedy. Some episodes dealt with subjects such as dangerous animals or what to do when encountering a bear. These videos had identifiable topics, but they did not fully answer a more important question: When information came first, Woni became a presenter rather than the reason to watch. Famous guests did not automatically solve the problem either. Unless the interaction revealed something distinctive about Woni or created a relationship unique to the channel, the videos could have belonged to almost any entertainment brand. The early results were respectable for a new channel, but the production team realized that subjects alone would not build a lasting identity. After one of the experimental concepts failed to spread as widely as expected, the team changed direction. Instead of choosing a topic and placing Woni inside it, they began developing ideas from qualities the RESCENE members already possessed. This shift produced two important concepts: Japanese-language and gyaru-themed content with Minami, and regional-dialect content featuring Woni and Jena. The channel’s early uncertainty was not wasted. It helped the producers discover the central rule that would eventually drive its growth: The subject should not overshadow the person. The format should reveal the person. Minami Became the First Growth Engine The channel reached its first major turning point in March 2026, when Minami, RESCENE’s Japanese member, began appearing more prominently. One of the early episodes was framed as Woni learning Japanese from a former gyaru. On the surface, the video was about language and Japanese culture. But viewers quickly became more interested in Minami’s expressions, speech patterns, performance instincts, and unpredictable interactions with Woni. Producer Yoon later explained that he had not known Minami particularly well before filming. Yet within roughly ten minutes of the shoot, he recognized her ability to commit instantly to a character and elevate the situation around her. Minami was, in many ways, Woni’s opposite. She came from Chiba, Japan, while Woni came from Geoje, a coastal city in South Korea. Minami presented a colorful, highly expressive gyaru identity; Woni responded with regional dialect, everyday realism, and visibly unfiltered reactions. Their differences were not treated as a source of serious conflict. Instead, the contrast generated humor, curiosity, and affection. That contrast became even clearer in an episode about “the gyaru attitude.” When Woni suggested that Minami’s flamboyant appearance might get her scolded by local residents if she visited Geoje, Minami unexpectedly responded with the phrase “Geoje, yahoo!” It was only a brief line. Yet it contained nearly every ingredient that would later define Anwonjalbu’s growth: Minami’s expressive personality, Woni’s real hometown, cultural difference, regional identity, and a spontaneous relationship that could not easily have been scripted. “Geoje, yahoo!” became the seed of a much larger world. When a Meme Became a World During April and May, Anwonjalbu avoided the easiest creative option. Rather than endlessly repeating a successful catchphrase, the production team expanded it into a series of connected situations. Minami’s Gyaru Live Medley demonstrated that she was no longer merely a guest in Woni’s channel. Her gyaru identity had become a repeatable character asset combining fashion, music, language, and performance. The video combined Woni and Jena’s real regional dialects with Minami’s position as a Japanese member navigating those linguistic differences. Language itself became an entertainment device, while the members’ actual relationships gave the concept emotional warmth. Even viewers who knew nothing about RESCENE could immediately understand the premise: two Korean idols speaking in strong regional dialects while a Japanese member attempted to keep up. The video reached approximately 10.7 million views and helped move the channel into mainstream public awareness. Then, on May 22, Anwonjalbu released the video that would define its first major growth phase: A Gyaru Comes to Geoje. The production team did not simply ask Minami to repeat “Geoje, yahoo!” in a studio. They transported the meme to Woni’s actual hometown. Woni, dressed in a black tracksuit, and Minami, styled in vivid pink gyaru fashion, traveled through Geoje’s coastlines, streets, schools, and everyday spaces. The episode included Woni’s former school, people from her community, local residents who recognized her, and traces of her family and childhood. Geoje was no longer merely a filming location. It became narrative evidence of who Woni was, where her dialect came from, and how the person viewers were watching had been formed. Minami’s gyaru identity also gained a new narrative function. It was no longer just a striking visual concept. By entering Woni’s hometown as an outsider, Minami gave viewers a reason to rediscover Woni’s past alongside her. The contrast between the two members was instantly readable, but the episode offered more than visual comedy. Their friendship, mutual care, and growing understanding added emotional depth. The result felt like a combination of regional documentary, coming-of-age film, travel entertainment, and idol variety content. At the time of the public data snapshot used for this analysis, A Gyaru Comes to Geoje had recorded approximately 13.84 million views, becoming the channel’s strongest-performing long-form episode. The first Geoje episode was driven by the visual and cultural collision of its two protagonists. The follow-up moved further into Woni’s personal story. She returned to her school, met people who recognized her, and reflected on how her feelings toward her hometown had changed. This was where Anwonjalbu began to separate itself from conventional idol entertainment. It started with a funny character but ended with a real person. Long-Form Built the World; Shorts Amplified It Anwonjalbu’s growth also challenged the conventional short-form-first model. Many digital channels use short videos to acquire large audiences and then attempt to convert a fraction of those viewers to long-form content. Anwonjalbu largely worked in the opposite direction. Its long-form episodes established the characters, relationships, locations, and emotional context. Short-form videos then extracted the strongest dialogue, reactions, deleted scenes, and behind-the-scenes moments and redistributed them to a broader audience. Long-form content built the world. Short-form content amplified the most memorable parts of that world. This structure also created a catalog effect. When a new episode was released, viewers often returned to earlier videos to understand how a relationship, catchphrase, or character had developed. A successful sequel could therefore revive attention around previous episodes. The audience was not consuming a series of isolated viral clips. It was following a connected universe built around Woni, Minami, Geoje, dialect, friendship, and RESCENE. Anwonjalbu did not merely produce viral videos. It created a system in which one viral moment could lead viewers backward into an existing story and forward into the next chapter. From Individual Attention to Group Growth By June 2026, the channel faced a strategic challenge. Many viewers knew Woni and Minami, but they did not necessarily know that the two belonged to RESCENE. Fewer still knew the other members—Liv, May, and Jena. The channel’s success could easily have remained concentrated around one or two individuals. The video recorded approximately 11.35 million views in the analyzed public snapshot. Its importance went beyond the number. It functioned as a bridge between individual discovery and group recognition. Viewers first encountered Woni through her unfiltered reactions. They returned for her relationship with Minami. They entered the broader world through Geoje and dialect-based episodes. Then, through the full-group content, they discovered RESCENE. On June 20, roughly four months after launching, Anwonjalbu surpassed one million subscribers. At that point, the channel was no longer simply Woni’s personal YouTube project. It had become an independent media engine capable of building public awareness for an entire group—before traditional broadcast exposure or a major advertising campaign could do so at the same scale. When Attention Returned to Music What made Anwonjalbu especially significant was that its momentum did not stop at views and subscribers. Some viewers who discovered Woni, Minami, and Jena through the channel began searching for RESCENE and listening to the group’s music. In that process, “Love Attack,” originally released in 2024, gained renewed attention. On July 8, 2026, the nearly two-year-old song reached No. 1 on Melon’s TOP100 chart. It would be too simplistic to attribute the song’s resurgence to Anwonjalbu alone. Chart reversals are usually produced by multiple factors, including short-form circulation, public performances, recommendations, fan activity, and broader cultural momentum. Nevertheless, the channel demonstrated a clear pathway through which interest in people could lead to the rediscovery of music. Traditional idol promotion often begins with a song and then attempts to generate interest in the members performing it. Anwonjalbu reversed that order. It first gave people a reason to care about the person. It then deepened that interest through relationships and stories. Only afterward did many viewers discover the group and its music. Because the channel did not place promotion at the center, it ultimately became a powerful form of promotion. Beyond a Single Successful Character The producers also understood the danger of repeating a successful character until audiences became tired of it. Although Minami’s gyaru identity had become one of the channel’s greatest assets, the team did not reduce her to that single image. Subsequent episodes explored “the real Minami” and her roots in Chiba, revealing the person behind the performance. This choice gave the character depth rather than simply increasing its volume. Jena’s identity was similarly expanded through her connection to Gyeongju, her regional background, and the contrast between her quiet demeanor and unexpectedly sharp reactions. Liv and May began to emerge through their relationships with the other members and through the distinctive dynamics they formed together. Woni became associated with Geoje, dialect, openness, and courage. Minami became connected to Chiba, gyaru culture, and strong performance instincts. Jena’s world drew from Gyeongju, regional identity, and the surprises hidden beneath her quieter personality. Anwonjalbu was evolving from a channel dependent on one successful character into a character incubator capable of discovering a different narrative world for each member. When Woni Herself Became the Content The most important sign of Anwonjalbu’s maturation arrived on August 28, 2026. The channel released Woni’s Recent Life, a long-form video running approximately 37 minutes. The video did not require a new gyaru character, a trip to Geoje, a celebrity guest, or an elaborate game. Woni spoke about her life, experiences, and thoughts. That alone was enough. The video surpassed ten million views within four days and reached approximately twelve million views in the public snapshot referenced for this essay. In the channel’s earliest period, viewers watched Woni because they were interested in a subject. Later, they returned to watch the chemistry between Woni and Minami. Then they followed the “Geoje, yahoo!” universe. By the time Woni’s Recent Life was released, viewers were no longer coming primarily for a concept or meme. They were coming because they cared about Woni herself. Content had first introduced the person. The person had then become the reason the content existed. In early September, approximately seven months after the channel’s launch, Anwonjalbu surpassed two million subscribers. The idol who had once been rejected as a host because she lacked public recognition had become someone capable of drawing millions of viewers through her name and story alone. The birth and growth of Anwonjalbu can therefore be condensed into one question: Do people become the protagonists of content because they are already famous, or can great content make someone worthy of attention? Anwonjalbu demonstrated that the second possibility is real. Content as an Act of Discovery Anwonjalbu’s growth cannot be explained by algorithmic luck or a single viral catchphrase. The channel began with qualities that already existed: Woni’s dialect, expressions, and openness; Minami’s relationship with gyaru culture and her instinctive performance ability; Jena’s regional background and understated personality. The production team did not manufacture artificial characters from nothing. Instead, it designed people, situations, and locations that allowed real characteristics to become more visible. A brief line became a meme. The meme moved into the real world of Geoje. Geoje became a story about Woni’s past. That story expanded to the other members and the full group. Group discovery eventually led some viewers to RESCENE’s music. Finally, Woni reached a stage where she no longer needed an external format to justify attention. The future of Anwonjalbu lies in continuing this process of discovery. Its next milestone should not be defined only by subscriber growth. The greater opportunity is to identify the still-unexplored qualities of every member and give those qualities the people, places, and situations they need to become stories. If Anwonjalbu can continue doing that, it will become more than a successful channel centered on one popular member. It can become a media brand that repeatedly discovers people, develops relationships, builds narrative worlds, and turns audience attention into enduring intellectual property. The channel’s most important lesson is simple: Content does not exist only to display people who are already famous. Great content discovers what is compelling in people who have not yet been recognized—and designs the circumstances in which others can come to care about them. Anwonjalbu is therefore more than a successful idol YouTube channel. It offers a new model for how a person is discovered, how authentic personality becomes character, how character expands through relationships and place, and how that world can ultimately grow into sustainable IP. References iMBC — The origin and production story of Anwonjalbu Weverse Magazine — Interview with producer Yoon Sung-won Weverse Magazine — Analysis of Anwonjalbu’s growth Kyunghyang Shinmun — Analysis of the Geoje series The Korea Economic Daily — “Love Attack” reaches No. 1 on Melon TOP100 Sports DongA — Anwonjalbu surpasses two million subscribers

) Perplexity의 실행형 AI와 Saywise의 Evidence-Led Hiring이 만드는 새로운 업무·채용 질서 AI가 일을 대신 수행하는 시대, 사람은 무엇으로 선택되는가 이한종 · Cross-Border GTM Strategist & Evidence Builder · 2026 AI는 이제 질문에 답하는 도구에 머물지 않는다. 시장자료를 조사하고, 경쟁사를 비교하고, 보고서를 작성하며, 프레젠테이션을 만들고, 이메일을 보내고, 후속 일정까지 관리한다. 사용자가 해야 할 일은 모든 과정을 하나씩 지시하는 것이 아니라 최종 목표를 설명하는 것이다. “미국 시장에 진출할 가능성이 높은 한국 스타트업을 조사하고, 적합한 기업 20곳을 선정한 뒤, 회사별 진출전략과 아웃리치 이메일을 만들어줘.” 이러한 요청을 받은 실행형 AI는 목표를 여러 작업으로 나눈다. 시장조사 에이전트는 산업과 경쟁사를 분석하고, 재무 에이전트는 투자와 성장성을 확인하며, 작성 에이전트는 제안서를 만들고, 다른 에이전트는 담당자를 찾아 이메일 초안을 작성한다. Perplexity Computer가 보여주는 변화는 명확하다. AI의 역할이 ‘답변 생성’에서 ‘업무 완수’로 이동하고 있다. 그러나 AI가 일을 더 많이 수행할수록 채용시장에는 역설적인 문제가 발생한다. 누구나 뛰어난 이력서와 전략문서, 발표자료를 만들 수 있다면 기업은 지원자의 능력을 무엇으로 판단해야 할까? 바로 이 질문에서 Saywise의 기회가 시작된다. 1. Perplexity가 바꾸는 것: 지식노동의 실행비용 과거에는 하나의 완성된 시장진출 보고서를 만들기 위해 여러 사람이 필요했다. 컨설턴트는 시장을 조사하고, 애널리스트는 데이터를 정리하며, 디자이너는 프레젠테이션을 제작하고, 영업담당자는 잠재고객을 찾고, 운영담당자는 결과를 CRM에 입력했다. Perplexity와 같은 실행형 AI는 이 과정을 하나의 워크플로로 압축한다. 검색 → 비교 → 분석 → 문서 제작 → 전달 → 후속 작업 핵심은 AI 모델 한 개의 성능이 아니다. 검색, 데이터, 에이전트, 업무도구와 산출물을 연결하는 전체 시스템이 중요하다. Perplexity는 웹에서 최신 정보를 찾고, 복잡한 목표를 하위 작업으로 나누고, 각 작업에 적합한 에이전트를 배치한다. Gmail, Slack, Notion, GitHub와 같은 도구에 연결되면 분석 결과를 실제 업무로 전환할 수도 있다. 이것은 생산성 향상을 넘어 지식노동의 경제구조를 바꾼다. 과거에는 좋은 결과물을 만들기 위해 많은 시간과 인력이 필요했다. 이제는 AI를 얼마나 효과적으로 지휘하느냐가 생산성을 좌우한다. 한 사람이 작은 AI팀을 운영하는 것과 같은 효과가 생기는 것이다. 하지만 여기서 새로운 문제가 등장한다. AI가 만든 결과물은 뛰어날 수 있지만, 그것만으로는 사용자의 실제 능력을 증명하지 못한다. 2. 채용시장의 역설: 결과물은 풍부해지고 신뢰는 부족해진다 AI는 이력서를 더 잘 쓰게 만들었다. 그러나 더 근본적으로는 이력서에 담긴 말의 희소성을 무너뜨렸다. 이제 누구나 자신을 다음과 같이 표현할 수 있다. 데이터 기반으로 시장진출 전략을 설계했습니다. AI를 활용해 업무 생산성을 크게 개선했습니다. 복잡한 이해관계자를 조정해 프로젝트를 성공시켰습니다. 글로벌 파트너십을 구축해 매출 성장을 이끌었습니다. 문장만으로는 누가 실제로 그러한 성과를 만들었는지 구분하기 어렵다. AI는 직무기술서를 분석해 가장 적절한 키워드를 찾아낸다. 부족한 경험을 매끄러운 언어로 포장하고, 회사가 원하는 인재상에 맞춰 지원자의 이야기를 재구성한다. 결과적으로 지원서의 평균 완성도는 올라가지만 지원자 사이의 차이는 오히려 보이지 않게 된다. 기업이 마주하는 문제는 지원서 부족이 아니다. 믿을 수 있는 신호의 부족이다. AI가 지원서를 무한히 생산하는 시대에는 말보다 증거가 중요해진다. 무엇을 할 수 있다고 주장하는지가 아니라, 어떤 상황에서 어떤 판단을 내렸고 무엇을 실행해 어떤 결과를 만들었는지가 필요하다. 이것이 Evidence-Led Hiring의 출발점이다. 3. Saywise가 바꾸려는 것: 경력을 설명에서 증거로 Saywise가 단순한 AI 이력서 서비스라면 Perplexity와 경쟁하기 어렵다. Perplexity도 채용공고를 조사하고, 직무 적합도를 분석하며, 맞춤 이력서와 커버레터를 작성할 수 있기 때문이다. 이 기능들은 결국 대부분의 범용 AI가 제공하게 될 가능성이 크다. Saywise의 진짜 가능성은 더 좋은 이력서를 만드는 데 있지 않다. 이력서가 담지 못하는 사람의 실제 모습을 구조화하는 데 있다. 기존 이력서는 경력을 몇 개의 불릿포인트로 압축한다. 그러나 실제 기여도는 불릿포인트 안에 존재하지 않는다. 처음 해결해야 했던 문제는 무엇이었는가 당시 어떤 제약이 있었는가 본인이 직접 내린 결정은 무엇이었는가 다른 사람과 어떻게 협업했는가 AI를 어떤 방식으로 활용했는가 결과는 숫자로 어떻게 달라졌는가 동료와 고객은 그 기여를 어떻게 평가하는가 그 경험을 새로운 문제에 적용할 수 있는가 Saywise의 Resume 2.0은 이러한 내용을 프로젝트, 스토리, 영상, 작업물, AI 사용기록과 추천으로 연결하는 살아 있는 프로필을 지향한다. 이 프로필이 충분히 구조화되고 검증된다면 Saywise는 이력서 서비스를 넘어설 수 있다. Saywise는 사람의 경력을 저장하는 곳이 아니라, 사람의 기여도를 해석하고 증명하는 인프라가 될 수 있다. 4. 가상 사례 1: Ema AI Strategist 지원 15년 경력의 크로스보더 GTM 전략가가 Ema의 AI Strategist 직무에 지원한다고 가정해보자. Perplexity가 수행할 수 있는 일 Perplexity는 다음 작업을 빠르게 처리할 수 있다. Ema의 제품과 경쟁사 조사 투자자·창업자·고객 사례 분석 AI Strategist 직무의 핵심 역량 추출 지원자의 경력과 직무 요구사항 비교 맞춤 이력서와 커버레터 작성 예상 면접 질문과 답변 준비 30·60·90일 실행계획 제작 이 과정만으로도 매우 완성도 높은 지원 패키지를 만들 수 있다. 그러나 채용기업에는 여전히 질문이 남는다. “이 지원자가 실제로 크로스보더 GTM을 수행한 사람인가?” “아니면 AI가 그럴듯한 지원서를 만들어준 것인가?” Saywise가 증명해야 하는 것 Saywise는 지원자의 과거 경험을 직무별 증거로 재구성할 수 있다. 예를 들어 다음을 연결한다. 한국 기업의 미국 진출 과정에서 발견한 시장 문제 고객 인터뷰와 시장검증 자료 파트너와 투자자에게 제시한 전략문서 직접 만든 GTM 프레임워크 실제 계약·파트너십·사용자 성장 결과 함께 일한 창업자와 동료의 추천 실패했던 가설과 이후 수정한 판단 AI 도구를 활용해 조사와 실행속도를 높인 사례 그러면 지원서는 단순한 주장에서 증거 묶음으로 바뀐다. “저는 크로스보더 GTM 전문가입니다”라는 문장보다 “이 문제를 이렇게 정의했고, 이 결정을 내렸으며, 이 결과를 만들었습니다”라는 증거가 더 강하다. Perplexity가 지원 패키지를 완성한다면 Saywise는 그 패키지의 신뢰 근거를 제공한다. 5. 가상 사례 2: NAKDSEOUL의 미국시장 진출 인재 채용 한국의 소비재 스타트업 NAKDSEOUL이 미국 진출을 준비한다고 가정해보자. 회사는 미국 시장을 잘 이해하고, 현지 파트너를 발굴하며, 브랜드와 유통전략을 설계할 수 있는 사람을 찾고 있다. 그러나 채용공고에는 대개 다음과 같이 표현된다. “미국시장 진출 경험 7년 이상, 글로벌 파트너십과 GTM 전략 수립 경험 보유자.” 이 기준에는 문제가 있다. 유명기업에서 7년 일했다고 해서 새로운 시장을 개척할 수 있는 것은 아니다. 반대로 좋은 대학이나 유명기업 경력이 없어도 불확실한 상황에서 고객을 발견하고 파트너십을 만든 사람이 있을 수 있다. Perplexity의 역할 Perplexity는 미국 시장규모, 경쟁 브랜드, 소비자 트렌드, 유통채널, 잠재 파트너를 분석할 수 있다. 이를 바탕으로 필요한 직무와 역량도 설계할 수 있다. Saywise의 역할 Saywise는 후보자가 그 역할을 실제로 수행할 수 있는지 증거로 평가한다. 새로운 시장에서 최초 고객을 어떻게 찾았는가 파트너십을 만들기 위해 누구를 어떻게 설득했는가 현지 고객의 반응을 제품전략에 어떻게 반영했는가 제한된 예산으로 어떤 채널을 선택했는가 실패한 시장진입 가설을 어떻게 수정했는가 매출·사용자·파트너 수가 실제로 어떻게 변했는가 이렇게 되면 채용은 경력연수 중심에서 기여 가능성 중심으로 이동한다. Perplexity가 “어떤 사람이 필요한가”를 정의하고, Saywise가 “누가 그 일을 실제로 해낼 가능성이 높은가”를 증명한다. 6. 가상 사례 3: 경력이 짧지만 AI 활용능력이 높은 지원자 초기 경력의 제품 엔지니어에게는 유명한 회사 이름이나 화려한 직함이 없을 수 있다. 기존 이력서에서는 이렇게 보인다. “내부 데이터 도구 개발에 참여했습니다.” “백엔드 서비스 유지보수를 담당했습니다.” “다양한 AI 도구를 사용할 수 있습니다.” 이 설명만으로는 지원자의 차별성이 드러나지 않는다. 그러나 Saywise 프로필에서 다음과 같은 증거가 연결된다면 이야기가 달라진다. Claude Code를 활용한 실제 프로젝트 반복 업무를 자동화한 워크플로 PR 검토시간을 줄인 전후 데이터 프로젝트 설계와 시행착오를 설명하는 글 실제 작업물과 코드 함께 일한 엔지니어의 프로젝트별 추천 AI 사용기간·세션·프로젝트 기록 좋은 학교나 유명기업 대신 실제 작업이 후보자를 설명하기 시작한다. 이것이 Evidence-Led Hiring의 민주적 가능성이다. 현재 채용시장은 신뢰할 수 있는 증거가 부족하기 때문에 학벌, 직함, 유명기업 경력을 대리 신호로 사용한다. 더 나은 증거가 제공되면 기업은 간판보다 실제 기여도를 볼 수 있다. 7. 새로운 채용시장은 두 개의 레이어로 나뉜다 앞으로의 AI 채용시장은 크게 두 층으로 구성될 가능성이 있다. 첫 번째는 Execution Layer다 이 레이어에서는 AI가 다음을 수행한다. 채용공고 탐색 회사와 후보자 조사 직무 분석 지원자료 제작 지원과 커뮤니케이션 인터뷰 준비와 일정 관리 Perplexity는 이 영역에서 강력하다. 두 번째는 Evidence Layer다 이 레이어에서는 다음을 판단한다. 후보자의 주장이 사실인가 후보자가 실제로 맡았던 역할은 무엇인가 성과에 어느 정도 기여했는가 그 경험이 새로운 직무와 어떻게 연결되는가 동료·고객·고용주는 그 기여를 확인하는가 입사 후 예상한 성과를 실제로 만들었는가 Saywise가 차지해야 할 자리는 바로 이 영역이다. Perplexity = Work Execution Layer Saywise = Career Evidence & Hiring Trust Layer 두 제품은 반드시 적이 될 필요가 없다. Perplexity가 구직과 지원과정을 실행할 때 Saywise의 프로필과 증거를 읽게 만들 수 있다. 기업의 AI 채용 에이전트가 후보자를 찾을 때도 Saywise의 구조화된 경력정보를 활용하게 할 수 있다. Saywise가 다른 AI가 읽을 수 있는 Career API와 Evidence Passport를 구축한다면 Perplexity는 경쟁자이면서 동시에 강력한 유통채널이 된다. 8. Saywise가 Evidence Infrastructure가 되기 위한 조건 Saywise가 제공하는 스토리, 영상, AI 사용기록과 동료 추천은 기존 이력서보다 풍부하다. 그러나 풍부한 정보가 곧 검증된 증거를 의미하지는 않는다. 후보자가 직접 작성한 이야기는 여전히 자기주장일 수 있다. 동료 추천도 친분에 의해 과장될 수 있으며, AI 도구를 오래 사용했다는 사실이 실제 성과를 보장하지 않는다. 따라서 Saywise는 증거의 수준을 구분해야 한다. 1단계: Self-claimed 후보자가 직접 작성한 경력과 성과 2단계: Artifact-backed 문서·코드·영상·제품·기사 등 실제 작업물이 연결된 주장 3단계: System-observed 연결된 업무도구에서 사용기록이나 활동이 확인된 정보 4단계: Peer-endorsed 함께 일한 동료·고객·관리자가 역할과 기여도를 확인한 정보 5단계: Employer-validated 회사가 프로젝트·직무·성과를 공식적으로 확인한 정보 6단계: Outcome-verified 매출, 사용자 성장, 비용절감, 품질개선과 같은 실제 결과로 검증된 정보 이 구조가 완성되면 Saywise는 단순히 더 많은 이야기를 보여주는 플랫폼이 아니다. 어떤 주장을 어느 정도까지 믿을 수 있는지 보여주는 신뢰 시스템이 된다. 9. Saywise의 가장 중요한 전략은 Perplexity를 따라가지 않는 것 Saywise가 Perplexity처럼 더 많은 업무를 수행하려 한다면 불리한 경쟁에 들어가게 된다. 범용 AI 기업은 훨씬 많은 모델, 데이터, 커넥터와 자본을 갖고 있다. 직무 조사, 이력서 작성, 이메일 자동화 같은 기능은 빠르게 범용화될 것이다. Saywise가 집중해야 할 것은 에이전트의 숫자가 아니다. 누구도 쉽게 복제할 수 없는 경력 증거와 채용결과의 축적이다. 이를 위해서는 다음이 필요하다. 개인의 경력을 이동 가능한 증거로 만드는 Evidence Passport 특정 직무에 필요한 증거만 재구성하는 Role-Specific Evidence Pack AI와 ATS가 읽을 수 있는 구조화된 Career API 지원·면접·채용·입사 후 성과를 연결하는 Outcome Loop 국가·산업·직함의 차이를 번역하는 Cross-Border Evidence Layer 특히 크로스보더 채용에서는 단순 번역보다 맥락의 해석이 중요하다. 한국에서 만든 성과가 미국기업에서 어떤 의미를 갖는지, 작은 회사의 COO가 실제로 어떤 일을 했는지, 알려지지 않은 기업에서 만든 결과를 얼마나 신뢰할 수 있는지를 설명해야 한다. 이 영역은 검색만으로 해결하기 어렵다. 사람, 관계, 작업물과 결과를 연결하는 증거설계가 필요하다. 10. 결론: AI가 일을 수행할수록 사람의 증거가 중요해진다 AI가 더 많은 일을 수행하면 인간의 가치가 사라질 것처럼 보인다. 그러나 실제로 사라지는 것은 일을 설명하는 데 필요했던 많은 말과 형식이다. 보고서를 만드는 능력, 이메일을 작성하는 능력, 정보를 요약하는 능력만으로는 더 이상 충분한 차별성이 되기 어렵다. AI가 이러한 작업을 빠르게 수행하기 때문이다. 그 대신 더 중요해지는 것은 다음과 같다. 어떤 문제를 선택했는가 어떤 판단을 내렸는가 AI에 무엇을 맡기고 무엇을 직접 책임졌는가 불확실한 상황에서 어떤 결정을 했는가 다른 사람과 어떻게 신뢰를 구축했는가 결과에 실제로 얼마나 기여했는가 Perplexity는 업무를 수행하는 비용을 낮춘다. Saywise는 사람을 신뢰하는 비용을 낮출 수 있다. 하나는 실행의 인프라이고 다른 하나는 증거의 인프라다. 이 두 시스템이 연결될 때 AI 시대의 새로운 업무·채용 질서가 만들어진다. Perplexity completes the work. Saywise proves the person behind it. AI가 일을 대신 수행하는 시대에도 기업은 여전히 사람을 선택해야 한다. 다만 앞으로 선택받는 사람은 가장 매끄럽게 자신을 설명하는 사람이 아닐 것이다. 자신의 판단, 행동, 기여와 결과를 가장 신뢰할 수 있는 방식으로 증명하는 사람일 것이다.

When AI Executes the Work, What Makes a Human Worth Hiring? How Perplexity’s Execution AI and Saywise’s Evidence-Led Hiring Could Shape the New Architecture of Work and Talent Hanjong Lee · Cross-Border GTM Strategist & Evidence Builder · 2026 AI is no longer merely a tool that answers questions. It can research markets, compare competitors, write reports, build presentations, send emails, and manage follow-up tasks. Instead of instructing AI through every individual step, users can increasingly describe the outcome they want. For example: “Identify 20 Korean startups with strong potential to enter the U.S. market, analyze the best market-entry strategy for each company, and create personalized outreach emails.” An execution-oriented AI system can break that goal into multiple tasks. A market research agent analyzes industries and competitors. A financial agent reviews funding history and growth signals. A writing agent creates strategic proposals. Another agent identifies relevant decision-makers and prepares outreach. The shift represented by Perplexity Computer is clear: AI is moving from generating answers to completing work. But the more work AI performs, the more a paradox emerges in the hiring market. If anyone can create an impressive résumé, strategy document, or presentation with AI, how should companies determine who is actually capable? That question is where the opportunity for Saywise begins. 1. What Perplexity Changes: The Cost of Executing Knowledge Work In the past, producing a complete market-entry report often required several people. A consultant conducted market research. An analyst organized the data. A designer built the presentation. A salesperson identified potential customers. An operations team entered the results into a CRM. Execution-oriented AI systems such as Perplexity compress these activities into a single workflow: Search → Compare → Analyze → Create → Deliver → Follow Up The key advantage is not simply the intelligence of one AI model. What matters is the entire system connecting search, data, agents, business applications, and final outputs. Perplexity can retrieve current information from the web, break complex goals into smaller tasks, and assign those tasks to specialized agents. When connected with tools such as Gmail, Slack, Notion, or GitHub, analysis can be converted directly into action. This changes more than productivity. It changes the economics of knowledge work. Historically, producing high-quality work required significant time and labor. Increasingly, productivity will depend on how effectively one person can orchestrate AI. One professional may effectively operate a small AI team. But this creates a new problem. AI-generated work may be excellent, but the quality of the output alone does not prove the capability of the human behind it. 2. The Hiring Paradox: More Output, Less Trust AI has made résumés better. More fundamentally, it has destroyed the scarcity of polished professional language. Almost anyone can now describe themselves this way: Designed data-driven market-entry strategies. Leveraged AI to significantly improve operational productivity. Coordinated complex stakeholders to deliver successful projects. Built global partnerships that accelerated revenue growth. The problem is that language alone no longer tells us who actually produced those outcomes. AI can analyze job descriptions and identify the right keywords. It can transform weak or fragmented experience into polished professional narratives. It can restructure a candidate’s background to match exactly what an employer wants to hear. As a result, the average quality of applications rises while the differences between candidates become increasingly difficult to see. The hiring market does not suffer from a shortage of applications. It suffers from a shortage of trustworthy signals. In a world where AI can generate applications at near-zero marginal cost, claims become less valuable and evidence becomes more important. What matters is no longer simply what someone says they can do. Employers need to understand: What problem did this person face? What judgment did they make? What did they personally execute? What changed because of their work? That is the foundation of Evidence-Led Hiring. 3. What Saywise Can Change: Turning Careers from Narratives into Evidence If Saywise becomes simply another AI résumé product, competing with Perplexity will be difficult. Perplexity can already research companies, analyze job fit, and generate customized résumés and cover letters. Over time, these capabilities are likely to become standard across most general-purpose AI platforms. Saywise’s real opportunity is not to create better résumés. It is to structure the parts of human contribution that résumés cannot capture. Traditional résumés compress careers into a handful of bullet points. But actual contribution does not live inside bullet points. It lives inside questions such as: What problem originally needed to be solved? What constraints existed at the time? Which decisions did the individual personally make? How did they collaborate with others? How did they use AI? What measurable results changed? How did colleagues or customers evaluate their contribution? Can that experience be applied to a new problem? If that information becomes sufficiently structured and verified, Saywise can move far beyond résumé software. Saywise can become infrastructure for interpreting and proving human contribution. 4. Hypothetical Case #1: Applying for an AI Strategist Role at Ema Imagine a cross-border GTM strategist with 15 years of experience applying for an AI Strategist role at Ema. What Perplexity Can Do Perplexity could rapidly handle much of the application process: Research Ema’s products and competitors. Analyze investors, founders, and customer case studies. Identify the core capabilities required for the AI Strategist role. Compare the candidate’s experience against those requirements. Create a tailored résumé and cover letter. Prepare likely interview questions and responses. Build a 30-60-90 day operating plan. The result could be an extremely polished application package. Yet the employer still faces an important question: “Has this person actually executed cross-border GTM?” Or: “Did AI simply create a highly convincing application?” What Saywise Should Prove Saywise could reconstruct the candidate’s previous experience as role-specific evidence. For example: The market problem identified while helping a Korean company enter the United States. Customer interview and market validation materials. Strategy documents presented to partners or investors. GTM frameworks personally developed by the candidate. Actual contracts, partnerships, or user-growth results. Recommendations from founders and colleagues who worked with the candidate. Failed assumptions and the decisions made to correct them. Examples of how AI accelerated research and execution. At that point, an application stops being a collection of claims. It becomes a bundle of evidence. “I am a cross-border GTM expert” is a claim. “This was the problem, this was my decision, this was my contribution, and this was the result” is evidence. Perplexity may complete the application package. Saywise can provide the trust layer underneath it. 5. Hypothetical Case #2: NAKDSEOUL Hiring for U.S. Market Expansion Imagine a Korean consumer startup, NAKDSEOUL, preparing to enter the U.S. market. The company needs someone who understands American customers, can develop local partnerships, and can design brand and distribution strategies. Yet the job description might say something generic: “7+ years of U.S. market-entry experience with expertise in global partnerships and GTM strategy.” There is a fundamental problem with this requirement. Someone who spent seven years at a famous company may not necessarily know how to build a new market from zero. Conversely, someone without a prestigious academic background or globally recognized employer may have repeatedly identified customers, built partnerships, and solved ambiguous market-entry problems. Perplexity’s Role Perplexity could analyze: U.S. market size Competitive brands Consumer trends Distribution channels Potential partners From that analysis, it could help define the role and capabilities the company actually needs. Saywise’s Role Saywise could then evaluate whether candidates have demonstrated those capabilities through evidence. For example: How did the candidate find the first customers in a new market? Who did they need to persuade to create a partnership? How did local customer feedback change the product strategy? Which channels did they choose under budget constraints? How did they revise a failed market-entry assumption? How did revenue, users, or partnerships actually change? Hiring could then move from years of experience toward evidence of future contribution. Perplexity helps define what kind of person is needed. Saywise helps prove who is most likely to succeed in that role. 6. Hypothetical Case #3: A Junior Candidate With Exceptional AI Leverage Consider an early-career product engineer. They may not have prestigious company names or impressive titles. Their traditional résumé might say: “Contributed to the development of internal data tools.” “Maintained backend services.” “Experienced with multiple AI tools.” Nothing about those lines reveals what makes the candidate exceptional. But imagine a Saywise profile connecting the following evidence: Real projects built using Claude Code. Workflows created to automate repetitive engineering tasks. Before-and-after data showing reduced pull-request review time. A written explanation of architectural decisions and failed experiments. Actual code and project artifacts. Project-specific recommendations from engineers who worked with the candidate. AI usage history across projects and sessions. Suddenly, the candidate is no longer defined primarily by where they went to school or where they worked. Their work begins to speak for them. This is one of the most democratic possibilities of Evidence-Led Hiring. The current hiring market relies heavily on academic pedigree, titles, and famous employers because better evidence is often unavailable. These are proxy signals. If stronger evidence becomes available, companies can evaluate actual contribution instead of relying on institutional logos. 7. The New Hiring Market May Divide Into Two Layers The emerging AI hiring ecosystem is likely to develop around two distinct layers. Layer One: The Execution Layer In this layer, AI performs tasks such as: Discovering job opportunities. Researching companies and candidates. Analyzing roles. Creating application materials. Managing applications and communication. Preparing for interviews. Coordinating schedules. Perplexity is well positioned in this layer. Layer Two: The Evidence Layer This layer answers different questions: Is the candidate’s claim true? What role did the candidate actually play? How much did they contribute to the outcome? How transferable is that experience to a new role? Do colleagues, customers, or employers confirm the contribution? Did the candidate actually perform as expected after being hired? This is where Saywise should compete. Perplexity = Work Execution Layer Saywise = Career Evidence & Hiring Trust Layer The two products do not necessarily have to become enemies. If Perplexity executes job-search and application workflows, it could read verified Saywise profiles and evidence. Likewise, enterprise recruiting agents could use Saywise’s structured professional data when identifying candidates. If Saywise develops a machine-readable Career API and portable Evidence Passport, Perplexity could become both a competitor and a powerful distribution channel. 8. What Saywise Must Build to Become Evidence Infrastructure Stories, videos, AI usage records, and peer recommendations can provide far richer information than traditional résumés. But richer information is not necessarily verified information. A candidate-written story is still a self-claim. A peer recommendation can be biased by friendship or reputation. And using an AI tool for hundreds of hours does not necessarily prove meaningful business impact. Saywise should therefore distinguish different levels of evidence. Level 1: Self-Claimed Career experience and achievements described directly by the candidate. Level 2: Artifact-Backed Claims supported by actual work artifacts such as documents, code, videos, products, presentations, or published material. Level 3: System-Observed Activity or usage verified through connected workplace systems and tools. Level 4: Peer-Endorsed Roles and contributions confirmed by colleagues, customers, collaborators, or managers. Level 5: Employer-Validated Projects, responsibilities, and outcomes formally confirmed by the employer. Level 6: Outcome-Verified Contribution validated through measurable results such as revenue growth, user growth, cost reduction, conversion improvement, or quality gains. Once this architecture exists, Saywise stops being a platform that simply tells richer career stories. It becomes a trust system that communicates how much confidence should be placed in each professional claim. 9. Saywise’s Most Important Strategic Decision: Do Not Follow Perplexity If Saywise tries to become another execution engine, it will enter an unfavorable competitive landscape. General-purpose AI companies have significantly greater access to models, data, connectors, distribution, and capital. Job research, résumé creation, outreach automation, and interview preparation will increasingly become commoditized AI capabilities. Saywise should therefore focus not on the number of agents it can deploy, but on the professional evidence and hiring outcomes that other platforms cannot easily replicate. That requires several core products: Evidence Passport — turning a person’s career into portable, trusted professional evidence. Role-Specific Evidence Pack — dynamically assembling the evidence most relevant to a particular role. Career API — structured professional data readable by AI agents, ATS platforms, and hiring systems. Outcome Loop — connecting applications, interviews, hiring decisions, and post-hire performance. Cross-Border Evidence Layer — translating professional contribution across countries, industries, company sizes, and job-title conventions. The cross-border layer may be especially important. Cross-border hiring requires more than language translation. Employers must understand what a Korean achievement means inside an American business context. They need to understand what a COO at a small startup actually did. They need to assess whether results produced at an unfamiliar company are meaningful and trustworthy. Search alone cannot fully solve these problems. They require an evidence architecture connecting people, relationships, work artifacts, decisions, and outcomes. 10. Conclusion: The More AI Executes, the More Human Evidence Matters As AI performs more work, it may appear that human value is disappearing. But what is actually disappearing is much of the language and formatting previously required to describe work. Writing a report, composing an email, summarizing information, or building a polished presentation will become less defensible as sources of professional differentiation because AI can perform them increasingly well. Instead, other questions become more important: Which problems did you choose to solve? What judgment did you exercise? What did you delegate to AI, and what did you personally own? What decisions did you make under uncertainty? How did you build trust with other people? How much did you actually contribute to the outcome? Perplexity lowers the cost of executing work. Saywise can lower the cost of trusting people. One is infrastructure for execution. The other can become infrastructure for evidence. When these two systems connect, a new architecture of work and hiring begins to emerge. Perplexity completes the work. Saywise proves the person behind it. Even in a world where AI performs more and more work, companies will still need to choose people. But the people who win will no longer be those who simply describe themselves most persuasively. They will be those who can prove their judgment, actions, contribution, and outcomes in the most trustworthy way. Suggested Title When AI Executes the Work, What Makes a Human Worth Hiring? Alternative Strategic Title Execution vs. Evidence: The New Architecture of Work and Hiring in the AI Era Subtitle How Perplexity’s Execution AI and Saywise’s Evidence-Led Hiring Could Reshape the Way Work Gets Done—and How People Get Chosen Short Summary As AI moves from answering questions to completing entire workflows, the economics of knowledge work are changing. Perplexity represents the emerging Execution Layer, where AI researches, analyzes, creates, communicates, and acts. But as AI makes professional outputs easier to produce, résumés and polished narratives become weaker signals of actual capability. That creates an opportunity for Saywise to build the Evidence Layer of the future hiring market: a system that connects professional claims with projects, artifacts, peer validation, employer verification, measurable outcomes, and AI-readable career data. The strategic opportunity is not to compete with Perplexity by building more AI agents. It is to build something execution AI will increasingly need: trusted evidence about the humans behind the work. Perplexity completes the work. Saywise proves the person behind it. Hashtags #ArtificialIntelligence #AgenticAI #Perplexity #Saywise #EvidenceLedHiring #FutureOfWork #FutureOfHiring #ExecutionLayer #EvidenceLayer #HiringInnovation #AIRecruiting #TalentIntelligence #CareerInfrastructure #EvidencePassport #Resume2_0 #CareerAPI #ProofOfWork #HumanCapital #AIJobs #WorkforceTransformation #CrossBorderGTM #CrossBorderHiring #FutureOfCareers #TrustInfrastructure #ProfessionalIdentity

경력은 어떻게 증거가 되는가: Saywise의 Evidence-Led Hiring 성장전략 AI가 경력을 쓰는 시대, 채용은 무엇을 믿어야 하는가 이력서는 지나간 시간을 기록하지만, 채용은 아직 오지 않은 시간을 결정한다. 지원자는 자신이 어디에서 무엇을 했는지 설명한다. 기업은 그 설명을 통해 앞으로 무엇을 맡길 수 있을지 판단한다. 이 두 행위 사이에는 언제나 간격이 존재한다. 어떤 회사에서 일했다는 사실과 특정 문제를 해결할 수 있다는 능력은 같지 않다. 프로젝트에 참여했다는 기록과 그 결과를 만들어낸 기여도 역시 같지 않다. 그 간격을 메우기 위해 우리는 회사 이름과 직함, 학력과 추천, 면접에서의 인상에 의존해 왔다. 모두 유용한 단서지만, 그 사람이 실제로 어떤 조건에서 무엇을 판단했는지까지 충분히 설명해 주지는 못한다. AI는 이 문제에 새로운 질문을 더한다. 경력을 설득력 있게 쓰는 일이 쉬워질수록, 잘 정리된 문장만으로 실행 역량을 구분할 수 있을까. 결과물을 만드는 도구가 강력해질수록, 완성된 결과물만 보고 그 과정에서 사람에게 필요했던 판단을 이해할 수 있을까. Saywise의 기회는 이 질문에서 시작된다. 이력서가 경력을 설명한다면, Saywise가 열어갈 다음 단계는 실제 작업과 판단의 증거를 기업의 의사결정에 연결하는 것이다. 이 글에서 말하는 Evidence-Led Hiring은 바로 그 연결을 중심에 두는 채용 방식이다. 그 성장의 기준은 프로필이 얼마나 풍부해졌는지를 넘어선다. 그 자료를 통해 기업이 이전보다 무엇을 더 잘 판단하게 되었는가가 중요하다. 아래의 DiiVER·Ema·NAKDSEOUL은 전략을 검증하기 위해 설계한 제안 사례이며, 확인된 공식 협업이나 성공 실적을 의미하지 않는다. 1. 경력은 검토 가능한 맥락을 얻을 때 증거가 된다 Saywise는 공식적으로 이력서에서 빠지는 작업의 맥락과 사고 과정을 전문 프로필에 담겠다는 문제의식을 제시한다. 프로젝트, 스토리, 영상과 추천을 통해 실제로 한 일을 보여주겠다는 방향이다. 이 출발점은 중요하다. 그러나 풍부한 프로필이 곧바로 신뢰할 수 있는 증거가 되는 것은 아니다. 가령 한 지원자가 “AI를 활용해 영업팀의 고객 조사 업무를 개선했다”고 설명한다고 해보자. 자동화 화면과 시연 영상까지 첨부하면 어떤 것을 만들었는지는 보인다. 하지만 기업이 알고 싶은 것은 여기에서 더 나아간다. 기존 업무에는 어떤 문제가 있었는가. 그 사람은 조사 기준을 설계했는가, 이미 정해진 기준을 구현했는가. 속도가 빨라지는 동안 중요한 고객 정보가 누락되지는 않았는가. 오류를 발견했을 때 자동화를 멈추었는가, 아니면 검수 절차를 추가했는가. 동료들은 그 결과물을 실제로 사용했는가. 이 질문에 답할 수 있을 때 작업물은 경력의 증거가 되기 시작한다. 문제의 맥락, 본인의 역할, 선택의 이유, 관찰된 결과, 다른 사람의 확인이 서로 연결되기 때문이다. 작업물이 존재한다는 사실, 업무에 사용되었다는 사실, 성과에 영향을 주었다는 주장은 각각 다른 수준의 근거를 필요로 한다. 이 차이를 구분하는 일이 Evidence-Led Hiring의 출발점이다. 특히 중요한 것은 판단의 기록이다. 어떤 도구를 썼는지만큼 왜 그 도구를 선택했는지, 무엇을 자동화하지 않았는지, 어떤 가설을 버렸는지가 중요하다. 도구가 바뀌고 환경이 달라져도 기업이 다시 맡기고 싶은 능력은 그러한 판단에서 드러날 수 있다. 따라서 경력이 증거가 된다는 것은 자신을 완벽하게 포장한다는 뜻이 아니다. 무엇을 했고 무엇을 하지 않았는지, 어디까지 확인되었고 무엇이 아직 불확실한지 드러낸다는 뜻이다. 믿을 수 있는 경력은 그 주장에 대해 구체적인 질문을 던질 수 있는 경력이다. 2. DiiVER: 증거가 기업의 질문을 바꾸는가 이 관점을 사업으로 발전시키려면 실제 채용 과정 안에서 검증해야 한다. DiiVER를 기업 측 파일럿 후보로 생각해 볼 수 있다. 관련 포지션이 실제로 열려 있고 채용 책임자가 참여한다는 조건에서, 해외 파트너십 운영 역할 하나를 대상으로 시작하는 방식이다. 먼저 채용 책임자와 입사 후 첫 90일에 기대하는 결과를 정한다. 어떤 파트너를 찾아야 하는지, 어떤 제안을 준비해야 하는지, 미팅 이후의 후속 관리를 어디까지 맡겨야 하는지 구체화한다. 그래야 후보자의 과거 경험을 회사의 미래 과업과 연결할 수 있다. 그다음 후보자의 대표 프로젝트 두 개를 정리한다. 파트너십 경험을 나열하는 데서 멈추지 않고, 누구를 후보군에 넣고 제외했는지, 제안을 어떤 이유로 수정했는지, 협상과 실행에서 무엇을 직접 맡았는지 확인한다. 기업에 전달할 자료는 길 필요가 없다. 후보자별 한 페이지에 직무 관련 증거 두 개, 추가 확인 사항 두 개, 면접 질문 세 개를 담을 수 있다. 좋은 증거 자료는 채용 담당자가 더 나은 질문을 더 쉽게 하게 만드는 자료다. 이 실험에서 관찰할 장면은 구체적이다. 경력의 문장만 보았을 때는 떠오르지 않았던 질문이 작업물을 본 뒤 생기는가. 후보자가 파트너를 선정한 기준을 읽고, 채용 책임자가 그 판단을 더 들어보고 싶어 하는가. 면접에서 설명과 실제 역할의 차이를 더 정확히 확인할 수 있는가. 채용이 이루어진 뒤에는 입사 후 30·60·90일에 기대와 실제 업무를 비교할 수 있다. 채용 때 유용하다고 생각했던 증거가 실제로 어떤 역량을 설명했는지, 무엇을 놓쳤는지 확인하는 것이다. 이 결과를 다음 역할의 검토 기준에 반영할 때 채용 전의 판단과 채용 후의 학습이 연결된다. 이것은 곧 Saywise가 판매할 가치에 대한 질문이다. 기업은 자료의 양에 돈을 지불하는 것이 아니라, 채용 판단에 유용한 정보와 검토 과정의 개선에 지불할 수 있다. 그 가치는 기업이 다음 채용에서도 같은 과정을 요청할 때 더 분명해진다. 3. Ema: 복합적인 역량은 어떻게 읽히는가 Ema의 AI Strategist 역할은 다른 종류의 검증 기회를 제공한다. 공식 공고는 전략 고객 관리, AI 도입 로드맵과 사업성 설계, 경영진 자문, 복잡한 기업 영업 경험을 요구한다. 상위 컨설팅사 또는 유사한 환경에서의 시니어 경험도 강조한다. 이런 역할에서 기업이 확인하려는 역량은 여러 분야에 걸쳐 있다. 고객의 모호한 요구를 구조화하고, 기술의 가능성을 사업의 언어로 설명하며, 서로 다른 이해관계를 조율하고, 실행 가능한 도입 계획으로 연결해야 한다. 후보자 역시 자신의 역량을 흩어진 경력 항목만으로 설명하기 어렵다. 창업, 컨설팅, 사업개발, 고객 운영을 오간 경험은 다양한 자산일 수 있지만, 채용 담당자에게는 연결 관계가 분명하지 않을 수 있다. 여기에 Saywise의 역할이 생긴다. 특정 기업의 업무 문제를 분석한 메모, 가정과 한계를 표시한 AI 도입 사업성 모델, 과거 이해관계자 조율 사례, 첫 90일 실행 제안을 하나의 직무 질문에 맞추어 배치하는 것이다. 단, 과거의 실제 성과와 이번 지원을 위해 만든 제안은 명확히 구분해야 한다. 제안 자료는 사고와 문제 해결 방식을 보여준다. 그것이 해당 업무를 실제로 수행한 경력 자체를 대신하지는 않는다. 이 경계를 지킬 때 자료의 설득력도 오래간다. 크로스보더 인재에게 이 접근은 특히 의미 있는 가설이다. 한 시장에서는 익숙한 회사 이름과 직함이 다른 시장에서는 충분한 설명이 되지 않을 수 있다. 이때 필요한 번역은 경력 문장의 언어만 바꾸는 일이 아니다. 그 사람이 다룬 고객의 복잡성, 제약의 크기, 판단의 범위를 상대방이 이해할 수 있도록 전달하는 일이다. Ema 사례에서 첫 성공 기준은 자료가 구체적인 후속 질문이나 대화를 만들어내는가다. 이는 현재의 초기 경력자 중심 전략을 보완하는 시니어 적용 실험으로 다루어야 한다. 또한 공고 추천만으로 Saywise와 Ema의 유료 채용 계약이 확인되는 것은 아니다. 4. NAKDSEOUL: 성과를 기록하는 일과 기여를 이해하는 일 DiiVER와 Ema가 채용 전에 무엇을 보여줄 것인가를 묻는다면, NAKDSEOUL 사례는 함께 일하는 과정에서 무엇을 남길 것인가를 묻는다. 미국 판매 확대를 위한 상품 페이지 개선 프로젝트를 가정해보자. 고객이 상품을 이해하기 어려워하는 지점을 조사하고, 설명과 구매 정보를 수정하고, 결과를 비교하는 프로젝트다. 여기서는 사업 개선과 참여자의 경력 증거 축적이 함께 이루어질 수 있다. 성과를 기록하려면 먼저 변경 이전의 조건을 남겨야 한다. 어떤 고객이 유입되었는지, 가격과 할인은 같았는지, 배송 조건은 무엇이었는지, 누가 조사와 문구 작성, 제작과 실험 운영을 맡았는지 구분해야 한다. 예를 들어 집단별 방문자가 5,000명인 비교에서 구매가 75건과 105건이었다면, 관찰된 전환율은 각각 1.5%와 2.1%다. 하지만 이 가상의 숫자만으로 개선안의 인과효과나 개인의 기여율을 확정할 수는 없다. 배정 방식과 기간, 유입 품질, 추적의 정확성을 먼저 확인해야 한다. 개인의 기여는 더 섬세한 문제다. 매출에는 상품과 브랜드, 광고와 가격, 디자인과 배송, 여러 사람의 일이 함께 작용한다. 매출 증가를 한 사람의 성과로 단순 배분하면 오히려 중요한 협업의 맥락이 사라진다. Saywise가 먼저 남길 수 있는 것은 그 사람이 발견한 문제, 제안한 변경, 선택의 이유, 직접 수행한 범위, 팀과 나눈 역할, 결과를 본 뒤 수정한 판단이다. 이런 기록은 성과를 과장하지 않으면서도 개인의 역량을 구체적으로 드러낸다. 이 과정에서 실패도 유효한 증거가 될 수 있다. 실험이 기대한 결과를 만들지 못했더라도 잘못된 가정을 찾아내고 다음 결정을 개선했다면, 그 판단은 다른 조직에서 중요한 능력으로 평가될 수 있다. 결과와 과정은 함께 읽혀야 한다. NAKDSEOUL 사례가 탐색하는 가능성은 여기에 있다. 실제 프로젝트가 사업의 결과를 만들고, 그 과정이 참여자의 다음 기회를 위한 증거가 된다. 그리고 그 증거가 이후 채용에서 유용했는지 다시 확인할 수 있다. 5. 성장의 출발점은 하나의 직무에서 반복되는 판단이다 세 사례는 서로 다른 질문을 검증하기 위한 설계다. 세 시장을 동시에 확장하겠다는 계획으로 받아들여서는 안 된다. 초기 사업에는 집중이 필요하다. 현재 Saywise의 공식 홈페이지는 신입·초기 경력자를 위한 AI 구직 에이전트를 강조한다. 프로필 설정, 매칭, 이력서 작성과 면접 연습을 지원하고, 작업과 스토리를 담는 전문 프로필을 소개한다. 이 출발점을 고려하면 첫 성장 가설은 비교적 좁은 직무군에서 검증하는 편이 설득력 있다. 예를 들어 10–100명 규모의 B2B 소프트웨어 스타트업이 채용하는 초기 경력의 GTM Operations 인재를 생각할 수 있다. 잠재고객 조사, CRM 관리, 보고서 자동화처럼 영업·마케팅 업무를 개선하는 역할이다. 작업물과 실제 적용 맥락을 비교적 구체적으로 검토할 수 있다는 점에서 출발 가설로 적절하다. 먼저 관련 채용 예산과 열린 역할을 가진 기업을 확보하고, 그 역할에 맞는 후보자를 모은다. 기업이 기대하는 업무를 알아야 어떤 증거를 수집할지도 결정할 수 있다. 커뮤니티 역시 이 구조와 연결되어야 한다. 채용 기업이 필요한 역량을 설명하고, 참가자가 기존 프로젝트를 가져오고, Saywise가 이를 검토 가능한 자료로 정리하는 프로그램을 운영할 수 있다. 기업이 사용할 새 결과물을 요구하는 경우에는 업무 범위와 보상을 별도로 합의해야 한다. 이렇게 하면 커뮤니티의 활동이 참가, 증거 완성, 기업 검토, 면접, 채용, 기업의 재이용으로 이어진다. 후보자는 실제 기회를 얻고, 기업은 관련된 인재를 만나며, Saywise는 어떤 정보가 의사결정에 사용되는지 배운다. 첫 90일의 실험 목표로 기업 5곳, 후보자 30명, 기업 면접 10건, 채용 2건을 둘 수 있다. 이는 실적 전망이 아니라 학습을 위한 운영 목표다. 동시에 기업이 자료를 검토하는 시간, 후보자 한 명을 준비하는 비용, 탈락 이유와 재이용 요청을 기록해야 한다. 면접으로 이어지지 않으면 역할과 후보자의 구성이 맞는지 확인해야 한다. 면접은 있지만 채용이 없다면 역량 판단, 보상, 역할 조건과 일정의 문제를 구분해야 한다. 작은 실험의 목적은 무엇이 작동하지 않는지까지 분명하게 만드는 데 있다. 6. 채용이 매출을 만들고, 반복 사용이 사업을 만든다 성장전략은 가치의 주장과 비용의 현실을 함께 설명해야 한다. 현재 공개된 개인 Pro 가격은 월 9달러이며, 기업 약관에는 조건을 충족하는 채용에 대해 첫해 연간 기본급의 7%를 받는 수수료가 명시되어 있다. 개인 구독과 기업의 채용 수수료가 함께 존재하는 구조다. 이 두 매출의 성격은 다르다. 구독은 사용자가 계속 가치를 느끼는 동안 반복될 수 있지만, 채용 수수료는 적용 대상 채용이 성사되어야 생긴다. 수수료가 발생하는 거래 매출을 구독처럼 확정적인 반복 매출로 취급해서는 안 된다. 더 중요한 질문은 한 번의 채용을 만드는 데 얼마나 많은 작업이 필요한가다. 후보자의 경력을 매번 사람이 읽고, 인터뷰하고, 자료를 정리하고, 기업의 요구에 맞춰 다시 고쳐야 한다면 규모가 커질수록 운영 부담도 함께 증가할 수 있다. 채용에 실패한 프로젝트의 비용까지 포함해야 실제 경제성이 보인다. 따라서 초기의 수작업은 반복되는 판단 구조를 발견하는 학습 과정이어야 한다. 어떤 질문과 증거 형식이 여러 기업에서 유용했는지 알아내고, 초안 작성은 자동화하되 사실과 본인 기여는 후보자가 확인하며, 중요한 쟁점에 사람의 검토를 집중하는 방식으로 발전시킬 수 있다. 기업이 다음 역할에서도 같은 과정을 요청한다면 역할별 평가 기준, 후보자 비교, 면접 질문, 후속 피드백을 관리하는 유료 상품을 시험할 근거가 생긴다. 경제성이 검증된 뒤에는 투자사와 액셀러레이터를 통해 비슷한 채용 수요를 가진 기업으로 확장할 수 있다. 개인 측에도 검증할 숙제가 남는다. 취업에 성공한 뒤 사용자는 왜 돌아와야 하는가. 새로운 프로젝트의 기여를 정리하고, 다음 기회를 준비하는 데 서비스가 계속 유용해야 한다. 채용 이후의 기록이 사용자에게 실제 이익을 주는지 확인해야 지속적인 관계도 가능하다. 여기에서 Saywise의 차별성은 하나의 검증 가능한 가설이 된다. 한 번의 소개로 끝나지 않고, 작업의 증거가 다음 판단에 재사용되며, 그 판단의 실제 결과가 다시 기록의 품질을 높이는가. 그러한 반복이 확인될 때 Resume 2.0은 지속적인 채용 의사결정 서비스로 발전할 수 있다. 7. 증거가 많아질수록, 무엇을 증거로 인정할지 중요해진다 그러나 증거 중심 채용이 자동으로 공정한 채용을 보장하지는 않는다. 누군가는 고객의 비밀을 다루기 때문에 작업물을 공개할 수 없다. 누군가는 눈에 띄는 프로젝트를 맡을 기회가 적었다. 누군가는 중요한 운영 업무를 수행했지만 자신을 홍보할 만한 기록을 남기지 못했다. 공개할 자료가 적다는 사실을 역량이 부족하다는 판단으로 바꾸어서는 안 된다. 따라서 익명화한 설명, 협업자의 확인, 범위가 제한된 시연 등 대체 방법이 필요하다. 신입의 수업·개인 프로젝트와 실제 고객 환경의 결과는 서로 다른 맥락으로 읽혀야 한다. AI 도구 사용량이나 영상의 유창함도 업무 능력과 동일시해서는 안 된다. 채용 후의 성과 역시 신중하게 해석해야 한다. 같은 사람도 팀의 지원, 업무 범위, 관리자의 기대에 따라 다른 결과를 낼 수 있다. 채용된 사람에게만 후속 결과가 생긴다는 선택 편향도 존재한다. 이 데이터를 단일한 인재 점수로 압축하면 유용한 맥락을 잃을 위험이 있다. 제품에는 후보자의 확인과 정정, 공개 범위 선택, 본인 기여에 대한 설명이 반영되어야 한다. 유료 노출과 역량 판단의 기준도 구분해야 한다. 경력 기록이 다음 기회를 돕는 자산이 되려면, 기록되는 사람 역시 그 목적과 범위를 이해하고 통제할 수 있어야 한다. Saywise가 축적할 가장 중요한 자산은 프로필의 총량보다, 어떤 근거가 어떤 조건에서 판단에 유용했는지에 대한 지식일 수 있다. 그 가치도 실제로 다음 판단을 개선하는지 확인하며 쌓아야 한다. 8. 경력이 다음 사람에게 읽히는 방식 결국 이 전략이 바꾸려는 것은 경력을 표현하는 형식만이 아니다. 한 사람이 쌓은 경험이 다른 조직의 기회로 이동하는 방식이다. DiiVER의 제안 실험은 증거가 기업의 질문과 판단을 바꿀 수 있는지 묻는다. Ema의 시니어 적용 실험은 복합적인 경험을 특정 직무의 언어로 전달할 수 있는지 묻는다. NAKDSEOUL의 프로젝트 실험은 실제 일의 결과와 개인의 기여를 다음 기회를 위한 기록으로 남길 수 있는지 묻는다. 이 세 질문을 관통하는 역할이 Evidence Builder다. 기업의 문제를 구체화하고, 후보자의 경험을 검토 가능한 근거로 정리하며, 그 근거가 실제 의사결정에서 어떻게 사용되었는지 확인하는 역할이다. 크로스보더 GTM 역시 이러한 연결을 시장과 언어의 경계 너머로 확장하는 일일 수 있다. Saywise의 첫 번째 증거도 여기에서 만들어져야 한다. 실제 열린 역할 하나, 그 역할에 맞는 후보자의 작업, 그 자료를 읽고 더 구체적인 판단을 내린 기업, 그리고 다음 채용에서도 돌아오는 고객이다. 경력은 지나간 시간을 말해준다. 증거는 그 시간 속에서 한 사람이 무엇을 이해하고, 선택하고, 바꾸었는지 보여준다. 경력은 타인이 검토할 수 있는 맥락과 본인 기여가 연결될 때 증거가 된다. Saywise는 그 증거가 실제 기회를 만들고, 다음 판단에도 쓰이도록 할 때 성장한다. #Saywise #EvidenceLedHiring #Resume2Point0 #FutureOfWork #WorkEvidence #TalentIntelligence #CrossBorderGTM #증거기반채용 #인재검증

Possible Love: Class, Labor, the Camera, and Human Dignity Love Is the Refusal to Possess Another Person’s Life A critical essay that begins with the ovation in Venice and moves through the wounds of class and labor, the power of the camera, and the ethics of love. Spoiler note: This essay discusses the film’s premise and several scenes. We often say that love is the act of two people drawing closer: learning another person’s heart, understanding their wounds, and narrowing the distance between them. Yet Lee Chang-dong’s Possible Love pauses before this familiar definition. Is moving closer always an act of love? Can the claim that we understand someone become a license to interpret them carelessly? Can the desire to help become a way of confirming our own goodness through another person’s pain? The film questions more than the sincerity of love. It asks about the social and ethical conditions that make love possible. Who looks, and who is looked at? Who is free to choose, and who must bear the cost of that choice? Where does the dignity of a person who has lost their livelihood reside? And how much of another person’s life may someone holding a camera claim as material for their own story? At the center of Possible Love, then, lies a question more unsettling and fundamental than romance: Do we love another person—or do we love the self we become through that person’s life? Venice Applauded More Than a “Return” Possible Love had its world premiere in competition at the 83rd Venice International Film Festival on September 6, 2026. After its 164-minute screening, the audience gave the film a standing ovation lasting roughly six and a half minutes. Sul Kyung-gu and Zo In-sung were moved to tears, while Jeon Do-yeon and Cho Yeo-jeong greeted the moment with smiles and applause. Lee Chang-dong’s return to the Venice competition twenty-four years after winning Best Director for Oasis in 2002—and his first feature in eight years following Burning—was already an event in itself. But Venice was applauding more than the return of a celebrated filmmaker. Early critics consistently recognized the way the film refuses to treat love, class, labor, and art as separate subjects. Instead, all four move simultaneously through the relationships among its four central characters. Peter Bradshaw of The Guardian described the film as finely judged, beautifully acted, and novelistic. Its scope is broad and at times seemingly diffuse, yet it trusts viewers to judge the characters’ contradictions rather than treating them as passive consumers. Vulture’s Bilge Ebiri suggested that this might be Lee’s most powerful, political, and hypnotic film. Rather than relying on a grand twist, it patiently accumulates small expressions and silences until even the quietest moment can take one’s breath away. These readings do not reduce Possible Love to a story of adultery or class conflict. The film does not offer easy verdicts about who is good and who is bad. Instead, it slowly reveals who has the privilege of seeing another person’s life, who can remain safe without seeing it, and how even well-intentioned people can unknowingly use others. Venice’s applause may therefore have been a welcome not for a film that supplies answers, but for one that asks its audience to remain beside uncomfortable questions. How Two Different Worlds Meet The film follows two couples living in radically different circumstances: Ho-seok, a dismissed factory worker, and his wife Mi-ok; and Ye-ji, a documentary filmmaker who wants to record workers’ lives, and her wealthy husband Sang-woo. What connects them is not merely an accidental attraction. It is the camera. Yet a meeting mediated by a camera is unequal from the beginning. On one side is a person with the power to observe, question, record, and edit another person’s life. On the other is someone whose life is watched, interpreted, and ultimately preserved as a scene. For the filmmaker, the encounter may become an opportunity for art and self-reflection. For the person being filmed, the same encounter may expose to the world a wound they wanted to keep hidden. Every question in the film begins with this asymmetry. Two people may occupy the same room without assuming the same risk. One can enter another person’s world and return to the safety of ordinary life; for the other, the encounter may shake their livelihood, family, and sense of dignity. Love is not a feeling that erases this difference. It begins by seeing the difference clearly. Before saying, “We love each other, so we are equal,” we must ask who has more to lose within the relationship. Lee Chang-dong does not explain this asymmetry as if presenting a thesis. He reveals it through small contrasts: Ye-ji’s elegant clothes and handbag, Sang-woo’s relaxed manner, Ho-seok’s hardened silence, and the way Mi-ok looks at beautiful objects. The four actors communicate the structure through expressions rather than declarations. Sul Kyung-gu embodies a Ho-seok whose anger and shame have turned rigid. Jeon Do-yeon portrays Mi-ok as a woman who desires because desire is one way not to collapse. Cho Yeo-jeong makes it nearly impossible to separate Ye-ji’s sincerity from her self-deception. Zo In-sung presents Sang-woo as a man who exercises privilege without deliberate malice. None of them is a one-dimensional villain. That makes the film more disturbing. If harming others is not limited to malicious people, then we too may exploit someone while believing ourselves to be kind. Class Makes the Cost of Love Unequal Class is not merely a difference in income. It is a difference in the time one has to begin again after failure, the space in which one can explore desire, the home to which one can return after a mistake, and the freedom to call one’s choices “experiences.” For someone protected by economic security, transgression can become a journey of self-discovery. For someone without a safety net, the same choice can become an irreversible fall. One person is free to begin and end a relationship; the other continues to pay for it long after it ends. The feeling of love may be shared, but the conditions under which it is acted upon are not. Lee does not relegate class to background information. It permeates speech and silence, desire and shame, and the way each person looks at another. The wealthy may discover in a worker’s life the authenticity or vitality they feel they have lost. The poor may see in wealth the safety and freedom to choose. At the very moment two people appear drawn to each other, they may be desiring not the other person but the world to which that person belongs. International critics paid particular attention to this “price of freedom.” For Ho-seok and Mi-ok, even a birthday cake for their child is not a simple purchase but a matter of survival that may expose them to yet another humiliation. Sang-woo, by contrast, can look out at the sea from his family’s villa and casually call it his own. One person’s world expands through property and memory; the other’s contracts under the pressure of unemployment, debt, and shame. The greatest privilege enjoyed by Sang-woo and Ye-ji may not be expensive possessions. It may be the time to examine their emotions and desires, the secure place to which they can always return after entering an unfamiliar world, and the ability to transform a mistake into an experience of growth. Class distributes not merely different amounts of happiness, but unequal possibilities of recovery after failure. Love, therefore, cannot be proved by the declaration “I want you.” We must ask whether we truly want the person—or the new self we hope to become by passing through their life. The moment another person’s existence becomes a stimulus that relieves our boredom or raw material for our renewal, the language of love becomes the language of possession. To Lose One’s Work Is to Lose the Language of Self-Explanation The film’s labor narrative is not an abstract premise. Lee Chang-dong has said that it grew out of the wounds left by the mass layoffs, prolonged strike, and violent suppression that shook South Korean society in 2009. He regarded the conflict not merely as one company’s crisis, but as an event that sent shock waves through Korean society as a whole. There was also an important hesitation in the film’s creation. Because powerful and truthful documentaries had already recorded the workers’ experiences, Lee spent years questioning whether it was necessary—or ethically justifiable—to transform their real suffering into fiction. He set aside his initial screenplay, then revived the project in 2024 after co-writer Oh Jung-mi proposed placing within the story a documentary filmmaker attempting to capture workers’ lives. This creative history mirrors the ethics of the film itself. Possible Love portrays workers’ pain while questioning its own right to turn that pain into cinema. The director’s self-interrogation—his need to criticize the camera even as he continues to hold it—enters the film through Ye-ji. Ho-seok loses more than a paycheck when he is dismissed. His place as a worker, his identity as someone responsible for his family, and his sense that society needs him are all shaken. Dismissal is both an economic event and the collapse of the language through which a person has explained his existence. Modern society has long translated human worth into occupation and productivity. What a person does, how much they accomplish, and how highly the market rewards them are treated as if they constitute that person’s identity. Within such an order, losing one’s job means more than losing an income. It means experiencing oneself as someone society can no longer see. In an age when artificial intelligence is rapidly replacing and reorganizing human labor, the question becomes even sharper. In a world where machines write, calculate, create, and judge more quickly, on what basis can human beings command respect? Can someone who cannot produce, who is inefficient, or who has been forced to stop still be loved? Possible Love asks us to think of dignity beyond usefulness. Dignity is not a reward granted for high performance. It is a right that must already belong to a person, regardless of their capacity to work. Love, likewise, should not become a contract sustained only by what the other person provides. It should be a relationship capable of saying that a person remains irreplaceable even when they feel they have lost their usefulness. In this sense, love may be the most private form of resistance to a society centered on productivity. It says: “You matter not because of what you have accomplished, but because you are you.” Yet for those words to become more than cheap consolation, love must also share the material burdens and responsibilities that allow the other person to choose their life again. In Venice, Zo In-sung also connected this question to the age of AI. As artificial intelligence increasingly threatens to unsettle the value of human labor, he argued, society must continue discussing how human dignity can be preserved. Ho-seok’s unemployment therefore does not belong solely to a past labor dispute. It asks audiences in 2026, as machines and algorithms reorganize the human place in the world: Does human value remain after work disappears? Whom Does the Camera Give the Right to Speak? The documentary camera makes invisible people visible. It preserves voices that might otherwise disappear and transforms private suffering into a problem a community must confront. Yet the moment someone picks up a camera, the person recording acquires enormous power: the power to decide which scenes remain, what is removed, and what meaning will be assigned to another person’s silence. The camera can therefore be an instrument of empathy and a mechanism of possession at the same time. Under the banner of showing someone to the world, a filmmaker can edit that person’s face, words, poverty, and shame into a narrative. The person behind the camera may gain a work of art and public recognition; the person in front of it may lose control over their own life. Ye-ji sincerely believes that workers’ lives should be made visible. But sincerity does not dissolve the camera’s power. She approaches Ho-seok and Mi-ok, drinks with them, and uses intimacy as a passage into filming. When Sang-woo calls this a kind of method acting, Ye-ji protests that she is trying to love them. That statement unsettles the entire film. The effort to love may be beautiful—but what changes if the final destination of that love is still her own film? The moment intimacy becomes a method for securing permission to record, hospitality becomes an interview technique and friendship becomes part of production. Ye-ji is not a cold exploiter who deliberately objectifies workers. She is someone unable to distinguish even for herself where sincerity ends and use begins. For precisely that reason, she becomes a mirror reflecting both the audience and the director. The film’s question is simple, but difficult to answer: Does the desire to understand someone’s suffering give us the right to display it? This question extends far beyond the documentary within the film. We now live in an age in which everyone carries a camera. Another person’s grief becomes content; someone’s poverty is edited into an uplifting story; faces, voices, and experiences become data from which generative AI produces new outputs. Our ability to see more, record faster, and reconstruct experience persuasively has expanded, but our ethics concerning how much of another person’s life we may take have not kept pace. The first proof of love may not be how deeply we enter another person’s life, but whether we know where to stop. It is the choice not to interrogate what we could discover, not to publish what we could show, and to abandon even a compelling story if the person does not want it told. Here, the ethics of the camera and the ethics of love meet. Can Pity Become Love? We readily feel pity in the face of another person’s suffering. Yet pity always risks creating a hierarchy: the helper and the helped, the speaker and the spoken-for, the rescuer and the rescued. Good intentions may begin a relationship, but the moment the benevolent person assumes a position of moral superiority, the other ceases to be an equal person and becomes an object of salvation. Love differs from the heroic act of rescuing someone. Rescue can move another person in the direction I have chosen for them. Love leaves space in which they can choose for themselves. Empathy says, “I understand your pain.” Responsibility says, “I will bear the consequences my choices leave in your life.” The purity of intention is therefore not enough. “I was sincere” cannot become immunity from responsibility for the outcome of a relationship. What matters is not how good I believed myself to be, but whether my goodwill left the other person with freedom—or with debt and silence. Love refuses to cast another person as evidence of our goodness. It refuses to complete a story in which their wounds make us better people. It recognizes their right to reject our expectations, escape our interpretations, and remain someone we may never fully understand. Possible Love does not discard compassion. It suggests, however, that compassion must change its position if it is to become love: from pity that looks down to responsibility that stands beside; from speaking on someone’s behalf to waiting while they speak in their own language. Four Actors Perform Contradiction Rather Than Good and Evil One of the most consistently praised aspects of the early reviews was the ensemble performance of the four leads. None reduces a character to a single argument or symbol of class. Sul Kyung-gu does not portray Ho-seok’s wounds through monumental anger alone. His silence and rigid body carry overlapping memories of being abandoned by his colleagues, the shame of having survived, and a helplessness he cannot explain even to his family. When repressed memories surface before the camera, the scene contains both the liberation of finally speaking and the danger that his deepest pain will become someone else’s film. Jeon Do-yeon’s Mi-ok is more than a victim’s wife or a self-sacrificing mother. She tries to protect her family while longing for another life. She recognizes beauty and briefly wants to cross the borders of class. International critics especially admired Jeon’s performance because she inhabits this contradiction without passing judgment on it. Mi-ok’s desire appears not as a moral defect, but as the way a person long deprived of choice imagines freedom. Cho Yeo-jeong’s Ye-ji occupies the film’s most ethically complex position. She sincerely wants to reveal workers’ pain, but she cannot escape the fact that this sincerity sustains her own art and identity. Zo In-sung’s Sang-woo has absorbed the ease of privilege into his body. He is not cruel, but easily forgets that another person’s insecurity, which he can observe from a distance, is their lived reality. He recognizes his wife’s hypocrisy while remaining unable to see fully how his own world can operate as a form of violence against others. The four performances do not simply alternate between sympathy and disgust. The moment we understand one character, we begin to doubt them; the moment we prepare to condemn them, we see their wound again. Lee’s direction finds human dignity in that very instability. To respect a human being is not to portray them beautifully. It is to refuse to finish them with a single explanation. The Key Word in the Title Is Not “Love,” but “Possible” The title Possible Love does not declare that love exists. It says that love may be possible. The word “possible” contains hope and doubt at once. The presence of feeling does not mean love has been completed, and good intentions do not guarantee good consequences. For love to become possible, it requires conditions beyond emotion: Recognize the other person not as someone assigned to fill your absence, but as the subject of an independent life. Do not cross boundaries in the name of sincerity; preserve the other person’s right to refuse and remain silent. Do not use another person’s suffering as material for your art, desire, or self-redemption. Do not force the more vulnerable person to bear the consequences and costs created by the relationship. Instead of trying to change someone, make room beside them in which they can choose for themselves. These conditions are not romantic. They strip love of its illusions. Yet that is precisely what makes love possible in reality. Love is proved less by the intensity of feeling than by whether that feeling can restrain itself before another person’s freedom. As The Guardian observed, the conditional quality of the title expresses the mood of the entire film. The possibility that Ho-seok and Mi-ok’s love may come alive again; that Ye-ji’s professed love for workers may become genuine; and that desire crossing class boundaries may transform into a relationship that does not destroy the other—all remain open, but none is guaranteed. Love is not a completed emotion. It is an uncertain practice directed toward the future. Love Means Enduring Another Person’s Opacity We tend to believe that love allows us to know one another completely. Yet no person’s life can be fully interpreted. Everyone has memories they do not want to disclose, desires they cannot explain, and an inner world they do not reveal even to those closest to them. The conviction that we know someone completely can become violent. The phrase “I know you” erases both their capacity to change and the possibility that we may be wrong. Just as a camera can fix a life within a single narrative, love can imprison someone within the version of them we believe we understand. True intimacy may not be a condition in which all secrets have disappeared. It may be closer to a relationship in which respect remains even when secrets remain. Love does not eliminate another person’s opacity. It endures the fact that some part of them will remain beyond our understanding. If hospitality is civilization’s promise to open the door to a stranger, love is the relational promise to protect that person’s freedom even after they have entered. Closeness does not grant us the right to enter every room. Love opens the door; it does not seize the key. And Yet, Love Is Possible Lee Chang-dong’s way of seeing humanity resembles neither optimism nor pessimism, but a form of patient endurance. Human beings are selfish and contradictory. Even good intentions conceal desire and vanity. Yet the film does not abandon love because of these contradictions. It suggests that a different kind of love begins only when we face them honestly. Perhaps love is not the act of understanding another person completely. It is refusing to turn their pain into our story. Refusing to use their life as evidence for our desire. Allowing them the freedom to remain someone different from us. And when our money, knowledge, camera, or language gives us more power than they possess, it is choosing not to wield that power carelessly. Class creates distance between people. The loss of work shakes a person’s self-respect. The camera creates the power to interpret and possess another life. Yet when we recognize these inequalities, restrain our own power, and share responsibility for the costs of a relationship, love finally enters the realm of possibility. The final question Possible Love asks may not be “Whom do you love?” It may be: “What kind of life does your love leave behind for the other person?” Before that question, love becomes space rather than possession, and responsibility rather than feeling. It is no longer the force that confines another person inside our world. It becomes the practice of protecting their ability to keep a world of their own. Only when we can live together without using one another does love finally become possible. The Questions Remain After the Applause The enthusiasm in Venice does not turn every artistic choice into a correct answer. Depending on the viewer, the 164-minute running time and sprawling narrative may feel slow or diffuse. The Guardian noted that some moments feel contrived or self-conscious, while the International Cinephile Society suggested that the final scenes may seem more direct or sentimental than the restraint of what precedes them. Yet the film’s achievement can be understood more accurately only when these reservations are included. The slowness of Possible Love is not merely a matter of excess. It is also a way of postponing premature judgment. The film refuses to turn workers into pure victims or the wealthy into simple perpetrators. It makes the audience remain for a long time within the four characters’ uncomfortable contradictions. Only after passing through that duration do we gradually recognize how class reshapes emotion, how the camera turns good intentions into power, and how love cannot exist without responsibility. The standing ovation of roughly six and a half minutes was therefore less a conclusion than the beginning of a question. Lee Chang-dong does not hand the audience a definition of love. Instead, he asks us to examine the power hidden within the ways we look at, help, record, and claim to love another person. The most enduring question Possible Love leaves us is this: Do I love you—or do I love the self that becomes complete through your life? The moment we try to answer that question honestly, love finally becomes possible. Key Line Hospitality means opening the door to another person. Love means protecting their freedom even after they have stepped inside. References La Biennale di Venezia — Possible Love: Film Information and Director’s Statement Reuters — Lee Chang-dong’s Labor Narrative and His Ethical Hesitation About Adapting It Netflix Tudum — Overview, Cast, and Release Information The Guardian — Venice Review Vulture — A Review of Class, Desire, and Freedom International Cinephile Society — Venice Review Suggested Publication Title Possible Love: Class, Labor, the Camera, and Human Dignity Suggested Subtitle Love Is the Refusal to Possess Another Person’s Life Alternative Titles Can Love Exist Without Possession? Lee Chang-dong’s Possible Love The Ethics of Seeing: Class, Labor, and Love in Possible Love What Kind of Life Does Your Love Leave Behind? When Compassion Becomes Power: The Uncomfortable Questions of Possible Love Love After Work: Human Dignity in the Age of AI Suggested Hashtags #PossibleLove #LeeChangDong #VeniceFilmFestival #KoreanCinema #FilmCriticism #HumanDignity #EthicsOfLove #ClassAndLabor #LaborAndDignity #CameraEthics #DocumentaryEthics #LoveWithoutPossession #CinemaAndSociety #AIAndHumanity #JeonDoYeon #SulKyungGu #ChoYeoJeong #ZoInSung

《가능한 사랑》이 묻는 계급, 노동, 카메라 그리고 인간의 존엄 사랑은 타인의 삶을 소유하지 않는 것이다 베니스의 환호에서 시작해 계급과 노동의 상처, 카메라의 권력, 그리고 사랑의 윤리까지 읽어낸 비평 에세이 ※ 작품의 설정과 일부 장면에 관한 내용이 포함되어 있습니다. 사랑은 두 사람이 가까워지는 일이라고 우리는 쉽게 말한다. 상대의 마음을 알고, 그의 상처를 이해하고, 둘 사이의 거리를 줄여가는 것. 그러나 이창동의 《가능한 사랑》은 그 익숙한 정의 앞에서 한 걸음 멈춰 선다. 가까이 다가가는 일이 언제나 사랑일까. 이해한다는 말은 때로 타인을 함부로 해석할 권리가 되고, 돕고 싶다는 마음은 누군가의 고통을 통해 자신의 선의를 확인하는 방식으로 변하지 않는가. 영화가 묻는 것은 사랑의 진실성만이 아니다. 사랑이 가능해지기 위해 필요한 사회적·윤리적 조건이다. 누가 바라보고 누가 바라보이는가. 누가 선택할 수 있고 누가 그 선택의 대가를 감당하는가. 노동을 잃은 사람의 존엄은 어디에 머무는가. 그리고 카메라를 든 사람은 타인의 삶을 어디까지 자신의 이야기로 가져갈 수 있는가. 그래서 《가능한 사랑》의 중심에는 로맨스보다 더 불편하고 근본적인 질문이 놓여 있다. 우리는 한 사람을 사랑하는가. 아니면 그 사람의 삶을 통해 새로워진 자기 자신을 사랑하는가. 베니스가 환호한 것은 ‘귀환’만이 아니었다 《가능한 사랑》은 2026년 9월 6일 제83회 베니스국제영화제 경쟁 부문에서 세계 최초로 공개됐다. 164분의 상영이 끝난 뒤 약 6분 30초 동안 기립박수가 이어졌고, 설경구와 조인성은 눈물을 보였으며 전도연과 조여정은 웃음과 박수로 그 순간을 함께했다. 2002년 《오아시스》로 감독상을 받은 이창동이 24년 만에 베니스 경쟁 부문으로 돌아왔고, 《버닝》 이후 8년 만에 내놓은 장편이라는 사실만으로도 이 상영은 하나의 사건이었다. 그러나 베니스가 환호한 것은 유명 감독의 복귀에만 있지 않았다. 초기 평단이 공통적으로 발견한 것은 이 영화가 사랑과 계급, 노동과 예술을 따로 설명하지 않고 네 사람의 관계 안에서 동시에 움직이게 한다는 점이었다. 《가디언》의 피터 브래드쇼는 영화를 정교하게 판단되고 아름답게 연기된, 소설적인 작품으로 평가했다. 이야기의 범위가 넓고 때로는 흩어지는 듯하지만, 관객을 수동적인 소비자로 취급하지 않고 인물의 모순을 스스로 판단하도록 신뢰한다는 것이다. Vulture의 빌지 에비리는 이 작품을 이창동의 가장 강력하고 정치적이며 최면적인 영화일 수 있다고 보았다. 거대한 반전보다 작은 표정과 침묵을 오래 축적해, 사소한 순간조차 숨을 멎게 만드는 방식에 주목했다. 이 평들은 《가능한 사랑》을 단순한 불륜극이나 계급극으로 읽지 않는다. 영화는 누가 착하고 누가 나쁜지 손쉽게 판결하지 않는다. 누가 타인의 삶을 볼 수 있는지, 누가 보지 않아도 안전하게 살아갈 수 있는지, 그리고 선의를 가진 사람이 어떻게 무심코 타인을 이용할 수 있는지를 천천히 드러낸다. 베니스의 박수는 어쩌면 정답을 내리는 영화가 아니라, 관객이 불편한 질문 곁에 오래 머물게 하는 영화에 대한 환영이었을 것이다. 서로 다른 두 세계가 만나는 방식 영화에는 서로 다른 자리에서 살아가는 두 부부가 등장한다. 해고 노동자 호석과 그의 아내 미옥, 그리고 노동자의 삶을 기록하려는 다큐멘터리 감독 예지와 부유한 남편 상우. 이들을 연결하는 것은 우연한 호감만이 아니라 카메라다. 그러나 카메라를 사이에 둔 만남은 처음부터 평등하지 않다. 한쪽에는 타인의 삶을 바라보고, 질문하고, 기록하고, 편집할 수 있는 사람이 있다. 다른 쪽에는 자신의 삶이 관찰되고 해석되며, 끝내 하나의 장면으로 남겨지는 사람이 있다. 기록하는 사람에게 만남은 작품과 성찰의 기회가 될 수 있다. 기록되는 사람에게 같은 만남은 감추고 싶었던 상처가 다시 세상 앞에 놓이는 일이 될 수 있다. 바로 이 비대칭에서 영화의 모든 질문이 시작된다. 두 사람은 같은 공간에 있지만 같은 위험을 감수하지 않는다. 한 사람은 타인의 세계에 들어갔다가 자신의 안전한 일상으로 돌아갈 수 있지만, 다른 사람에게 그 만남은 생계와 가족, 자존감까지 흔드는 사건이 될 수 있다. 사랑은 이 차이를 지워버리는 감정이 아니다. 오히려 차이를 정확히 바라보는 데서 시작한다. “우리는 서로를 사랑하니 평등하다”는 말보다 먼저, 이 관계에서 누가 더 많이 잃을 수 있는지를 묻는 일이다. 이창동은 이 비대칭을 논문처럼 설명하지 않는다. 예지의 세련된 옷과 가방, 상우의 여유로운 태도, 호석의 굳은 침묵, 미옥이 아름다운 물건을 바라보는 눈길 같은 작은 차이로 보여준다. 네 배우의 연기는 이 구조를 주장보다 표정으로 전달한다. 설경구는 분노와 수치심이 굳어버린 호석을, 전도연은 무너지지 않기 위해 욕망하는 미옥을, 조여정은 진심과 자기기만을 분리하기 어려운 예지를, 조인성은 악의 없이도 특권을 행사하는 상우를 만든다. 이들 가운데 평면적인 악인은 없다. 그 때문에 영화는 더 불편하다. 악의를 가진 사람만 타인을 해치는 것이 아니라면, 우리 역시 선의를 가지고도 누군가를 이용할 수 있기 때문이다. 계급은 사랑의 비용을 다르게 만든다 계급은 단순히 가진 돈의 차이가 아니다. 실패해도 다시 시작할 수 있는 시간, 욕망을 탐색할 수 있는 공간, 실수한 뒤 돌아갈 집, 자신의 선택을 ‘경험’이라고 부를 수 있는 여유의 차이다. 경제적으로 안전한 사람에게 일탈은 자기 발견의 여정이 될 수 있다. 그러나 안전망이 없는 사람에게 같은 선택은 회복하기 어려운 추락이 될 수 있다. 한쪽에는 관계를 시작하고 끝낼 자유가 있지만, 다른 쪽에는 그 관계가 끝난 뒤에도 남을 비용이 있다. 사랑의 감정이 동일하더라도 사랑을 실행할 수 있는 조건은 동일하지 않은 것이다. 이창동은 계급을 배경 설명으로 두지 않는다. 계급은 사람의 말투와 침묵, 욕망과 수치심, 누군가를 바라보는 방식에 스며든다. 부유한 사람은 노동자의 삶에서 자신이 잃어버린 진정성이나 생생함을 발견할 수 있다. 가난한 사람은 부유한 사람의 삶에서 선택할 수 있는 자유와 안전을 본다. 서로에게 끌리는 것처럼 보이는 순간, 두 사람은 어쩌면 상대 그 자체보다 상대가 속한 세계를 욕망하고 있는지도 모른다. 해외 평단이 특히 주목한 것도 이러한 ‘자유의 가격’이다. 호석과 미옥에게 아이의 생일 케이크 하나는 단순한 소비가 아니라 또 다른 굴욕을 만날 수 있는 생존의 문제가 된다. 반면 상우는 가족의 별장에서 바다를 바라보며 그것을 자연스럽게 자신의 바다라고 부를 수 있다. 한쪽에게 공간은 소유와 기억을 통해 계속 확장되지만, 다른 한쪽의 세계는 실직과 부채, 수치심 때문에 점점 좁아진다. 상우와 예지가 누리는 가장 큰 특권은 비싼 물건이 아닐지도 모른다. 자신의 감정과 욕망을 충분히 들여다볼 수 있는 시간, 낯선 세계에 들어갔다가 언제든 돌아올 수 있는 장소, 실수를 성장의 경험으로 바꿀 수 있는 안전이다. 계급은 행복의 양보다 실패 이후의 회복 가능성을 다르게 배분한다. 그래서 사랑은 “당신을 원한다”는 고백만으로 증명되지 않는다. 내가 원하는 것이 정말 그 사람인지, 아니면 그 사람을 통과해 얻게 될 새로운 나인지 물어야 한다. 타인의 삶이 나의 권태를 깨우는 자극이나 자기 갱신의 재료가 되는 순간, 사랑의 언어는 소유의 언어로 바뀐다. 노동을 잃는다는 것은 자신을 설명할 언어를 잃는 일이다 영화의 노동 서사는 추상적인 설정이 아니다. 이창동은 2009년 한국 사회를 뒤흔든 대규모 정리해고와 장기 파업, 폭력적인 진압이 남긴 상처에서 출발했다고 밝혔다. 그는 이 사건이 한 기업의 문제가 아니라 한국 사회 전체에 충격파를 보낸 사건이라고 보았다. 여기에는 중요한 창작의 망설임이 있었다. 당시 노동자들의 경험을 담은 진실하고 강력한 다큐멘터리가 이미 존재했기 때문에, 감독은 그들의 실제 고통을 극영화로 바꾸는 일이 과연 필요한지 오래 고민했다. 처음 구상한 각본을 접었다가 2024년 공동각본가 오정미의 제안으로 ‘노동자의 삶을 찍으려는 다큐멘터리 감독’을 이야기 안에 넣으며 프로젝트를 되살렸다. 이 과정은 영화의 윤리와 정확히 포개진다. 《가능한 사랑》은 노동자의 고통을 보여주는 동시에, 그 고통을 영화로 만드는 자신의 권리까지 의심하는 작품이다. 카메라를 비판하면서도 카메라를 들 수밖에 없는 감독의 자기 질문이 예지라는 인물 안으로 들어간 셈이다. 호석이 해고를 통해 잃는 것은 월급만이 아니다. 노동자로서의 자리, 가족을 책임지는 사람이라는 자의식, 사회가 자신을 필요로 한다는 감각도 함께 흔들린다. 해고는 경제적 사건인 동시에 한 인간이 자기 존재를 설명해온 언어의 붕괴다. 현대사회는 사람의 가치를 직업과 생산성으로 번역해왔다. 무엇을 하는 사람인지, 얼마나 성과를 냈는지, 시장에서 얼마의 보상을 받는지가 곧 그 사람의 정체성처럼 취급된다. 이 질서 안에서 일을 잃는다는 것은 수입의 상실을 넘어 사회적으로 보이지 않는 사람이 되는 경험이다. 인공지능이 인간의 노동을 빠르게 대체하거나 재편하는 시대에 이 질문은 더욱 날카로워진다. 기계가 더 빨리 쓰고, 계산하고, 만들고, 판단하는 세계에서 인간은 무엇으로 존중받을 수 있는가. 생산하지 못하는 사람, 효율적이지 않은 사람, 잠시 멈춘 사람도 여전히 사랑받을 수 있는가. 《가능한 사랑》은 인간의 존엄을 유용성의 바깥에서 생각하게 한다. 존엄은 성과가 좋을 때 주어지는 보상이 아니다. 노동 능력과 상관없이 한 사람에게 이미 속해 있어야 하는 권리다. 사랑 역시 상대가 나에게 무엇을 제공하기 때문에 유지되는 계약이어서는 안 된다. 그가 쓸모를 잃었다고 느끼는 순간에도, 그의 존재가 대체될 수 없다고 말해주는 관계여야 한다. 그런 의미에서 사랑은 생산성 중심 사회에 대한 가장 사적인 저항일 수 있다. “당신이 무엇을 해냈기 때문에 중요한 것이 아니라, 당신이기 때문에 중요하다”고 말하는 것. 다만 그 말이 값싼 위로가 되지 않으려면, 상대가 다시 자신의 삶을 선택할 수 있도록 현실의 부담과 책임도 함께 나누어야 한다. 조인성 역시 베니스에서 이 문제를 AI 시대와 연결했다. 인공지능의 등장으로 인간 노동의 가치가 흔들릴 가능성이 커지는 만큼, 인간의 존엄을 어떻게 유지할 것인지 계속 논의해야 한다는 취지였다. 그래서 호석의 실직은 과거의 노동분쟁에만 속하지 않는다. 기계와 알고리즘이 인간의 자리를 재편하는 2026년의 관객에게 “일이 사라진 뒤에도 인간의 가치는 남는가”라고 직접 묻는다. 카메라는 누구에게 말할 권리를 주는가 다큐멘터리 카메라는 보이지 않던 사람을 보이게 한다. 기록되지 않으면 사라질 목소리를 남기고, 한 개인의 고통을 공동체가 마주해야 할 문제로 바꾼다. 그러나 카메라를 드는 순간 기록자는 막강한 권력을 갖는다. 어떤 장면을 남길지, 무엇을 지울지, 누구의 침묵을 어떤 의미로 해석할지 결정할 수 있기 때문이다. 그러므로 카메라는 공감의 도구인 동시에 소유의 장치가 될 수 있다. 타인을 세상에 보여준다는 명분 아래 그의 얼굴과 말, 가난과 수치심을 하나의 서사로 편집할 수 있다. 촬영하는 사람은 작품과 명성을 얻지만, 촬영된 사람은 자신의 삶에 대한 통제권을 잃을 수도 있다. 예지는 노동자의 삶을 세상에 알려야 한다는 진심을 가지고 있다. 그러나 진심이 카메라의 권력을 없애주지는 않는다. 그녀는 호석과 미옥에게 가까이 다가가고, 함께 술을 마시며, 친밀함을 촬영의 통로로 사용한다. 상우가 이를 일종의 ‘메서드 연기’라고 지적하자 예지는 자신이 그들을 사랑하려는 것이라고 항변한다. 이 말은 영화 전체를 흔드는 문장이다. 사랑하려는 노력은 아름답지만, 그 사랑의 목적지가 결국 자신의 영화라면 무엇이 달라지는가. 친밀함이 촬영 허가를 얻기 위한 방법이 되는 순간, 환대는 취재 기술이 되고 우정은 제작 과정이 된다. 예지는 노동자를 대상화하는 냉혹한 착취자라기보다, 진심과 이용 사이의 경계를 스스로도 구분하지 못하는 사람이다. 바로 그래서 그녀는 관객과 감독 자신을 비추는 거울이 된다. 이때 영화가 던지는 질문은 단순하다. 그러나 답하기 어렵다. 누군가의 고통을 이해하고 싶다는 마음은, 그의 고통을 보여줄 권리까지 우리에게 주는가. 이 질문은 영화 속 다큐멘터리에만 머물지 않는다. 우리는 이미 모두가 카메라를 든 시대에 살고 있다. 타인의 슬픔은 콘텐츠가 되고, 누군가의 가난은 감동적인 이야기로 편집되며, 얼굴과 목소리와 경험은 생성형 AI가 새로운 결과물을 만드는 데이터가 된다. 많이 보는 능력, 빠르게 기록하는 능력, 그럴듯하게 재구성하는 능력은 커졌지만 타인의 삶을 어디까지 가져가도 되는지에 대한 윤리는 그 속도를 따라가지 못한다. 사랑의 첫 번째 증거는 얼마나 깊이 들어갔는가가 아니라 어디에서 멈출 줄 아는가일 수 있다. 알 수 있어도 캐묻지 않는 것, 보여줄 수 있어도 공개하지 않는 것, 좋은 이야기가 될 수 있어도 상대가 원하지 않는다면 포기하는 것. 카메라의 윤리와 사랑의 윤리는 여기서 만난다. 연민은 사랑이 될 수 있는가 우리는 타인의 고통 앞에서 쉽게 연민을 느낀다. 하지만 연민에는 언제나 위와 아래가 생길 위험이 있다. 돕는 사람과 도움받는 사람, 말하는 사람과 말해지는 사람, 구원하는 사람과 구원받는 사람. 선의는 관계를 시작하게 하지만, 선의를 가진 사람이 자신을 도덕적으로 우월한 위치에 놓는 순간 상대는 동등한 인격이 아니라 구원의 대상이 된다. 사랑은 상대를 구해내는 영웅적 행동과 다르다. 구원은 내가 원하는 방향으로 타인을 움직이게 할 수 있지만, 사랑은 상대가 스스로 선택할 수 있는 자리를 남겨둔다. 공감은 “당신의 아픔을 안다”고 말하지만, 책임은 “내 선택이 당신의 삶에 남길 결과를 감당하겠다”고 말한다. 그래서 중요한 것은 의도의 순수함만이 아니다. 나는 진심이었다는 말은 관계의 결과에 대한 면책이 될 수 없다. 내가 얼마나 선했는지가 아니라, 나의 선의가 상대에게 자유를 남겼는지 아니면 빚과 침묵을 남겼는지를 보아야 한다. 사랑은 타인을 나의 선량함을 증명하는 인물로 배치하지 않는 일이다. 그의 상처를 통해 내가 더 좋은 사람이 되는 서사를 완성하지 않는 일이다. 상대가 내 기대를 거절하고, 내 해석에서 벗어나며, 끝내 내가 이해할 수 없는 사람으로 남을 권리를 인정하는 일이다. 《가능한 사랑》은 연민을 폐기하지 않는다. 다만 연민이 사랑이 되려면 위치가 바뀌어야 한다고 말한다. 내려다보는 연민에서 나란히 서는 책임으로, 대신 말해주는 태도에서 상대가 자신의 언어로 말할 수 있게 기다리는 태도로 이동해야 한다. 네 배우는 선악 대신 모순을 연기한다 초기 리뷰에서 반복적으로 호평받은 것은 네 배우의 앙상블이다. 이들은 인물을 하나의 주장이나 계급적 상징으로 축소하지 않는다. 호석을 연기한 설경구는 노동의 상처를 거대한 분노로만 표현하지 않는다. 그의 침묵과 경직된 몸에는 동료에게 버림받았다는 기억, 살아남았다는 수치, 가족에게조차 설명할 수 없는 무력감이 겹쳐 있다. 카메라 앞에서 억눌린 기억이 모습을 드러내는 장면은 그가 말하기 시작했다는 해방과, 가장 아픈 기억이 타인의 영화가 된다는 위험을 동시에 품는다. 전도연의 미옥은 피해자의 아내나 희생적인 어머니에 머물지 않는다. 그는 가족을 지키려 하지만 다른 삶을 욕망하고, 아름다운 것을 알아보며, 계급적 경계를 잠시 넘어가고 싶어 한다. 해외 평론이 전도연의 연기를 특별히 높이 평가한 이유도 이 모순을 판단하지 않고 살아내기 때문이다. 미옥의 욕망은 도덕적 결함이 아니라, 오랫동안 선택권을 빼앗긴 사람이 잠시 자유를 상상하는 방식으로 보인다. 조여정의 예지는 가장 복잡한 윤리적 위치에 선다. 노동자의 고통을 진심으로 알리고 싶지만, 그 진심이 자신의 작품과 정체성을 지탱한다는 사실에서 자유롭지 않다. 조인성의 상우는 계급적 여유를 몸에 익힌 인물이다. 그는 잔인하지 않지만 타인의 불안이 자신에게는 현실이 아니라 관찰 대상이라는 사실을 쉽게 잊는다. 동시에 그는 아내의 위선을 알아보면서도 자신이 가진 세계가 누군가에게 어떤 폭력으로 작동하는지는 충분히 보지 못한다. 네 배우가 만들어내는 것은 호감과 혐오의 단순한 교대가 아니다. 관객은 한 인물을 이해하는 순간 그를 의심하게 되고, 비판하려는 순간 다시 그의 상처를 보게 된다. 이창동의 연출은 바로 그 흔들림 속에서 인간의 존엄을 발견한다. 인간을 존중한다는 것은 그를 아름답게 그리는 일이 아니라, 한 가지 설명으로 끝내지 않는 일이기 때문이다. 제목의 핵심은 ‘사랑’보다 ‘가능한’에 있다 《가능한 사랑》이라는 제목은 사랑이 존재한다고 선언하지 않는다. 사랑이 가능할 수도 있다고 말한다. ‘가능한’이라는 단어에는 희망과 의심이 함께 들어 있다. 감정이 생겼다고 해서 사랑이 완성되는 것은 아니며, 좋은 의도를 가졌다고 해서 좋은 결과가 보장되는 것도 아니다. 사랑이 가능하려면 감정 바깥의 조건이 필요하다. 상대를 나의 결핍을 채우는 역할이 아니라 독립된 삶의 주체로 인정할 것. 진심이라는 이유로 경계를 넘지 않고, 거절하고 침묵할 권리를 남겨둘 것. 타인의 고통을 나의 작품이나 욕망, 구원의 재료로 사용하지 않을 것. 관계에서 발생한 결과와 비용을 더 약한 사람에게 떠넘기지 않을 것. 상대를 바꾸려 하기보다 그가 스스로 선택할 수 있는 곁을 내어줄 것. 이 조건들은 낭만적이지 않다. 오히려 사랑의 환상을 걷어낸다. 그러나 바로 그렇기 때문에 사랑을 현실에서 가능하게 한다. 사랑은 뜨거운 감정의 크기보다 그 감정이 타인의 자유 앞에서 스스로를 절제할 수 있는지에 의해 증명된다. 《가디언》이 지적했듯 제목에 담긴 조건법은 영화의 정조 전체를 설명한다. 호석과 미옥의 사랑이 다시 살아날 가능성, 예지가 말하는 노동자들에 대한 사랑이 진실해질 가능성, 계급을 가로지르는 욕망이 상대를 파괴하지 않는 관계로 바뀔 가능성은 모두 열려 있지만 보장되지 않는다. 사랑은 이미 완성된 감정이 아니라 미래를 향한 불확실한 실천이다. 사랑은 타인의 불투명함을 견디는 일이다 우리는 사랑하면 서로를 모두 알게 된다고 믿는다. 하지만 한 사람의 삶은 완전히 해석될 수 없다. 그에게는 말하고 싶지 않은 기억이 있고, 설명할 수 없는 욕망이 있으며, 가장 가까운 사람에게도 보여주지 않는 내면이 있다. 타인을 완전히 안다는 확신은 때로 폭력적이다. “나는 당신을 잘 안다”는 말은 그가 달라질 가능성과 내가 틀릴 가능성을 지워버리기 때문이다. 카메라가 한 사람의 삶을 하나의 서사로 고정하듯, 사랑도 상대를 내가 이해한 모습 안에 가둘 수 있다. 진정한 친밀함은 비밀이 모두 사라진 상태가 아닐지 모른다. 비밀이 남아 있어도 서로를 존중할 수 있는 상태에 더 가깝다. 사랑은 상대의 불투명함을 제거하는 일이 아니라, 이해할 수 없는 부분이 존재한다는 사실을 견디는 일이다. 환대가 낯선 사람에게 문을 열어주는 문명의 약속이라면, 사랑은 그 사람이 문 안으로 들어온 뒤에도 그의 자유를 지켜주는 관계의 약속이다. 가까워졌다는 이유로 그의 모든 방에 들어갈 권리가 생기는 것은 아니다. 사랑은 문을 열지만, 열쇠까지 빼앗지는 않는다. 그럼에도 사랑은 가능하다 이창동의 영화가 인간을 바라보는 방식은 낙관도 비관도 아닌 오래된 인내에 가깝다. 인간은 이기적이고 모순되며, 좋은 의도 속에도 욕망과 허영을 숨긴다. 그러나 영화는 그 모순 때문에 사랑을 포기하지 않는다. 오히려 그 모순을 정직하게 바라볼 때 비로소 다른 사랑이 시작될 수 있다고 말한다. 사랑은 타인을 완전히 이해하는 일이 아닐지도 모른다. 그의 고통을 나의 이야기로 만들지 않는 것. 그의 삶을 내 욕망의 증거로 사용하지 않는 것. 그가 나와 다른 존재로 남을 자유를 허락하는 것. 내가 가진 돈과 지식, 카메라와 언어가 상대보다 더 큰 힘을 줄 때, 그 힘을 함부로 사용하지 않는 것. 계급은 사람 사이의 거리를 만들고, 노동의 상실은 한 인간의 자존을 흔들며, 카메라는 타인의 삶을 해석하고 소유할 권력을 만든다. 그러나 바로 그 불평등을 알아차리고, 자신의 힘을 절제하며, 관계의 비용을 함께 책임질 때 사랑은 비로소 가능성의 영역으로 들어온다. 《가능한 사랑》이 우리에게 건네는 마지막 질문은 “누구를 사랑하는가”가 아닐 것이다. “당신의 사랑은 그 사람에게 어떤 삶을 남기는가.” 그 질문 앞에서 사랑은 소유가 아니라 여백이 되고, 감정이 아니라 책임이 된다. 상대를 나의 세계 안에 가두는 힘이 아니라, 그가 자신의 세계를 잃지 않도록 지켜주는 태도가 된다. 서로를 이용하지 않고도 함께 살아갈 수 있을 때, 사랑은 비로소 가능해진다. 박수 이후에도 질문은 남는다 베니스의 열광이 작품의 모든 선택을 정답으로 만들어주는 것은 아니다. 164분의 러닝타임과 넓게 퍼지는 서사는 관객에 따라 느리고 산만하게 다가올 수 있다. 《가디언》은 일부 장면의 작위성과 자기의식적인 면을 지적했고, ICS의 평론도 마지막 몇 장면이 앞부분의 절제에 비해 직접적이거나 감상적으로 느껴질 수 있다고 보았다. 그러나 이런 유보까지 포함해야 영화의 성취가 더 정확해진다. 《가능한 사랑》의 느림은 단순한 장황함이 아니라 성급한 판결을 유예하는 방법이기도 하다. 영화는 노동자를 순결한 피해자로, 부유한 사람을 단순한 가해자로 만들지 않는다. 관객이 네 사람의 불편한 모순 속에 오래 머물도록 한다. 그 시간을 통과한 뒤에야 우리는 계급이 감정의 모양을 바꾸고, 카메라가 선의를 권력으로 만들며, 사랑이 책임 없이 존재할 수 없다는 사실을 조금씩 알아차린다. 그래서 약 6분 30초의 기립박수는 하나의 결론이라기보다 질문의 시작에 가깝다. 이창동은 관객에게 사랑의 정의를 건네지 않는다. 대신 자신이 누군가를 바라보는 방식, 돕는 방식, 기록하고 사랑한다고 말하는 방식 안에 어떤 권력이 숨어 있는지 돌아보게 한다. 《가능한 사랑》이 우리에게 남기는 가장 오래된 질문은 이것이다. 나는 당신을 사랑하는가. 아니면 당신의 삶을 통해 완성되는 나 자신을 사랑하는가. 그 질문에 정직하게 답하려는 순간, 사랑은 비로소 가능해진다. 핵심 문장 환대는 타인에게 문을 여는 일이다. 사랑은 그 사람이 문 안으로 들어온 뒤에도 그의 자유를 지켜주는 일이다. 참고 자료 La Biennale di Venezia — Possible Love 작품 정보와 감독의 말 Reuters — 이창동 감독의 노동 서사와 영화화에 대한 고민 Netflix Tudum — 작품 개요, 배우와 공개 일정 The Guardian — 베니스 리뷰 Vulture — 계급, 욕망과 자유에 관한 비평 International Cinephile Society — 베니스 리뷰

From True ROI to True Contribution How Saywise Can Become the Talent Attribution Layer for Cross-Border Market Entry A Fictional NAKD SEOUL North America Expansion Scenario Hanjong Lee · Cross-Border GTM Strategist & Evidence Builder · 2026 If Singular reveals the true ROI behind every marketing dollar, Saywise can reveal the true contribution behind every professional claim. Companies trace every dollar of advertising spend to its outcome. They analyze which ad a customer saw, which channels influenced the journey, and what ultimately drove the purchase. They collect and normalize fragmented data across platforms and devices to determine how much each touchpoint contributed to revenue. Singular solved this problem by building a trusted measurement layer for marketing. Companies no longer have to mistake the loudest channel for the one that actually created the result. They can see what moved the customer—and allocate the next dollar accordingly. Yet this level of precision disappears when companies evaluate their most important asset: people. Candidates write that they “led North American operations,” “built global partnerships,” or “drove U.S. market entry.” Their titles, employers, and dates of employment may be verifiable, but what they actually caused to happen often remains invisible. Who formed the market thesis? Who persuaded the first partner when the brand had no local credibility? Which part of the team’s result came directly from the candidate? Did the person produce a one-time outcome, or leave behind an operating system that others could repeat? Marketing has developed sophisticated ways to measure contribution. Talent markets, by contrast, still oscillate between believing a candidate’s claims and doubting them. That gap is Saywise’s opportunity. Results Are Recorded. The People Who Created Them Disappear. NAKD SEOUL began with a barrier faced by small Korean brands and creators entering overseas markets. A strong product and a compelling story are rarely enough. Language, content, distribution, marketing, and cost can prevent even promising companies from taking the first step. What these businesses need is not merely an English-language deck. They need a market-entry system—one that translates a Korean story into language global customers understand, converts content into attention, and turns that attention into purchases and partnerships. Building such a system always requires collaboration among founders, creators, marketers, business-development leaders, local partners, and distributors. The problem appears after the project succeeds. The company’s performance survives in press releases and revenue reports, but the judgments and actions of the people who created that performance often disappear. A famous partner logo begins to stand in for the entire story, while a complex team achievement is compressed into a single line on an individual résumé. The reverse also happens. Someone may have opened the first door into a new market, yet remain undervalued because the company was small or the title was not prestigious. A company’s success and an individual’s contribution are not the same thing. Saywise must establish more than whether a company succeeded. It must show what a particular person discovered, decided, built, and left behind within that success. Working in America Is Not the Same as Building an American Market Imagine NAKD SEOUL as a K-lifestyle company that has demonstrated potential in Korea but has not yet established a repeatable North American distribution base. The company is hiring a North America Managing Director. The goal is not simply to incorporate a U.S. entity or secure a single purchase order. Within twelve months, the leader must determine which customers to pursue, which message and channels can reach them, and what unit economics can support the business. Most importantly, the leader must turn those lessons into a market-entry system that can be repeated in the following quarter. The brand has little local awareness. It is unclear whether distribution, retail, or direct-to-consumer should come first. Capital is limited, so the company cannot test every possibility at once. The Korean headquarters and American customers operate at different speeds and with different expectations. Contracts, labeling, logistics, tax, and other regulatory issues must also be resolved. In that environment, “ten years of U.S. market experience” is not a sufficient answer. Operating a large budget inside an established organization requires a different capability from creating a market from nothing. NAKD SEOUL does not merely need someone who has worked in the United States. It needs someone who has already lived through the twelve months the company is about to face. The hiring question must therefore change. Instead of asking, “What title did you hold at which company?” the company should ask, “What did you build when the necessary pieces did not yet exist?” Turn the Job Description into an Evidence Specification Traditional job descriptions list responsibilities: develop the North American strategy, build partnerships, assemble a team, grow revenue, and manage local operations. These statements describe what the company expects. They do not prove that a candidate can deliver it. Saywise can transform the job description into a Role Evidence Spec—a role-specific definition of the experiences and evidence that must be examined before years of experience and keyword matches are considered. For a fictional NAKD SEOUL North America Managing Director role, eight forms of evidence would matter: Market-entry strategy — How were customer interviews, segment selection, and channel experiments connected by a coherent thesis? First customers and partners — What did the candidate personally do to move an initially indifferent buyer from disinterest to commitment? Channel economics — Did revenue, margin, CAC, repeat purchase, and payback period form a healthy economic model? Cross-border alignment — What judgment did the candidate exercise when the Korean headquarters’ expectations conflicted with the needs of American customers? Team building — Beyond headcount, did the candidate define the first hiring criteria, role design, and a 90-day performance system? Brand localization — Did the candidate preserve the brand’s Korean strengths while improving local relevance and conversion, rather than merely translating words? Operations and compliance — Did the candidate identify and manage legal, contractual, logistics, and labeling risks before they became costly? Founder-stage judgment — With limited resources, what did the candidate decide not to pursue, and what evidence justified stopping? This framework is not designed to demand more paperwork from candidates. It gives the company and the candidate a shared language for evaluating real capability. The Same Title Can Conceal Radically Different Contributions Consider three candidates who have all held a Managing Director title. The first is a former executive at a global enterprise. This person has experience managing a large organization and a well-known brand, with strong capabilities in forecasting, reporting, and organizational leadership. Yet the direct evidence of creating a zero-to-one market with a small budget and little brand awareness may be limited. The second is a long-time operator in U.S. distribution. This person understands channel economics and local dealmaking, and can reach partners quickly. But the candidate may have little evidence of translating a Korean company’s product philosophy into the demands of the American market. The third is a GTM builder who secured the first partners for an unknown brand and built the local process around them. This person may have less experience managing a large organization, but possesses evidence that closely matches the problem NAKD SEOUL must solve now. In résumé-led hiring, the first candidate may appear safest. But if the mission is not to operate an established organization, but to discover an uncertain market, the third may be the better fit. Saywise should not assign these people a single opaque score. It should show which capabilities are strongly verified, which are supported by partial evidence, and which require further examination through interviews and references. The objective of hiring is not to select the most famous person. It is to find the person who has already solved—with evidence—the company’s next problem. Decompose Career Claims into Causality A Saywise Evidence Interview is not designed to make a candidate’s story sound more impressive. It decomposes professional experience into sequence, judgment, action, artifacts, outcomes, and validation. It asks questions such as: “Which customer segment did you abandon first during the U.S. expansion, and what evidence led to that decision?” “When the brand had no local recognition, what persuaded the first partner to invest time and money?” “Rather than your largest contract, can you explain the revenue, margin, and repeat-purchase structure of your healthiest channel?” “Which channel appeared promising but was ultimately discontinued, and what data changed your mind?” “When headquarters and local customers disagreed, what did you preserve and what did you change?” “Which contracts, purchase orders, P&Ls, partners, or colleagues can verify your direct contribution?” The answers form an Evidence Graph: Claim → Context → Judgment → Action → Artifact → Attribution → Outcome → Validation What does the candidate claim? Under what constraints did the work take place? Why was a particular decision made? What did the candidate personally execute? Which artifacts and data remain? How much of the team result can reasonably be attributed to the individual? What changed as a result, and who or what can verify it? Once this structure exists, “led North American market entry” becomes more than promotional language. It becomes a verifiable professional history. These questions are not mechanisms of suspicion. They reduce the tendency to claim an entire team’s achievement as individual credit while helping the people who truly contributed receive fair recognition. The First Twelve Months After Hiring Must Remain Part of the Evidence Evidence Hiring should not end when the offer is accepted. The company must observe whether the evidence identified before hiring predicts actual performance after the candidate joins. A fictional NAKD SEOUL North American expansion could be managed through four Evidence Gates. Days 1–30 — Market Truth Conduct thirty customer and partner interviews to define two priority segments, their purchase barriers, and the alternatives they use today. The output is not a generic market-research report. It is Market Thesis v1. Days 31–90 — Channel Proof Test two hypotheses across distribution, retail, and direct-to-consumer using a limited budget. The goal is not a large meeting count. It is two paid pilots in which outside parties commit actual money or resources. Months 4–6 — Repeatability Secure three anchor partners and analyze why the first and second orders occurred. This stage distinguishes one-time curiosity from repeatable demand. Months 7–12 — Operating System Establish the local core team, revenue forecast, P&L discipline, compliance practices, and decision cadence with headquarters. The final output is a GTM Playbook that another person can execute even if the original leader leaves. Within this model, forty partner meetings are not inherently a result. They become evidence only when they teach the company which segments invest time, which refuse, and why. Three anchor partners matter not because their logos are recognizable, but because contract value, margin, repeat purchase, and individual contribution can be connected. The true result is a repeatable way to enter the market. Saywise Is Neither a Headhunter nor an ATS Saywise does not need to replace LinkedIn, Wellfound, applicant tracking systems, or recruiters. LinkedIn enables discovery. An ATS manages applicants. Recruiters connect companies and candidates. But these systems rarely reveal the causal relationship between a candidate’s claims and actual contribution. Saywise adds the missing evidence layer. Companies can invite candidates sourced through existing channels to a Saywise Evidence Interview. Saywise then provides an Evidence Brief showing each candidate’s strongest evidence, partially supported claims, areas requiring confirmation, and tailored interview questions. It does not automatically reject people or rank them through an opaque score. Humans retain the final decision. Saywise changes not who makes the decision, but the quality of the information used to make it. Its defining proposition is therefore: Saywise is not another hiring channel. It is the Talent Attribution Layer. Companies Buy Better Decisions. Candidates Build Evidence Assets. The B2B and B2C value propositions differ, but reinforce each other. NAKD SEOUL, as the B2B customer, is not buying a list of candidates. It is buying reduced uncertainty in a high-cost hiring decision. The company receives a Role Evidence Spec, Evidence Interviews for up to ten candidates, candidate profiles linking artifacts, outcomes, contribution, and validation, an individual Evidence Brief for each person, tailored final-interview questions, and 30-, 90-, and 180-day Evidence Reviews after hiring. The B2C user gains a portable evidence asset. Candidates no longer need to define themselves through one title at one company or a single-page résumé. They can carry forward a verified account of the problems they solved, the judgments they made, what they built, and how their work was validated. Candidates must control which evidence is disclosed to which company. They should be able to correct inaccurate descriptions and keep confidential artifacts private while still displaying their verification status. At the beginning, the basic Evidence Profile and participation in verification should be free for candidates. Companies bear the direct cost of a bad hire and capture the economic value of better decisions; they should therefore be the primary paying customer. The B2C participant creates and owns the evidence. The B2B customer pays to use that evidence to make a better decision. A Practical Revenue Model, Proven One Role at a Time Assume a fictional Managing Director receives $120,000 in first-year guaranteed cash compensation. This is a reference scenario used to illustrate the business model, not actual compensation information concerning NAKD SEOUL or any individual. If Saywise charges a three-month role subscription of $499 per month and a success fee equal to 5% of first-year compensation, one successful hire produces $7,497 in revenue: Three-month subscription: $499 × 3 = $1,497 Success fee: $120,000 × 5% = $6,000 Total revenue per successful hire: $7,497 For the first pilot, Saywise can waive the subscription fee and charge only when a hire is completed. This minimizes adoption risk while allowing the company to retain its existing recruiting process and test whether Evidence Hiring improves the decision. A 5% success fee is lower than a traditional executive-search fee because Saywise is not replacing the entire candidate-sourcing channel. It is focusing on role definition, verification, and decision quality. This reduces the company’s cost while preserving Saywise’s path toward subscription software. If every role remains active for three paid months and the hiring success rate is 30%, expected revenue per role is $3,297. Under the same simplified assumptions, twelve active roles per year would produce approximately $39,600 in cohort revenue; sixty roles, approximately $197,800; and three hundred roles, approximately $989,100. These figures are neither historical results nor committed ARR. They are reference assumptions for testing pricing, time-to-hire, success rates, and verification costs. The key is that Role Evidence Specs and verified candidate evidence can be reused. If a human must manually repeat every interview and verification from the beginning, Saywise remains a premium consulting or recruiting service. If role specifications, interview structures, verification states, and post-hire outcomes accumulate, Saywise can scale into software and a data network. Discover the Truth of the Business Model in Eight Weeks The first pilot does not need to be large. LinkedIn, the ATS, and existing recruiters remain in place; Saywise adds only the evidence required for the final decision. In Week 1, the founder and headquarters leadership agree on the eight forms of evidence that distinguish success from failure in North American market entry. During Weeks 2 and 3, ten candidates sourced through existing channels are invited to connect their experiences, artifacts, and external validation. In Week 4, three candidates are selected using Evidence Briefs that distinguish strong evidence, partial evidence, and areas requiring confirmation. During Weeks 5 and 6, structured interviews examine each candidate’s market-entry experience, outcomes, judgment, and direct contribution. During Weeks 7 and 8, the company reviews the decision and measures where evidence changed the conclusion it would have reached from résumés alone. Success criteria should be explicit: Evidence Interview completion rate of at least 70% Shortlist conversion of at least 40% among reviewed candidates A change from résumé-only judgment in at least 30% of cases At least one final interview or successful hire within eight weeks The pilot should also have stop conditions. If the company cannot agree on what evidence defines success, candidates cannot substantiate core claims, or Evidence Briefs are not used in actual interviews, the pilot should stop. The model must also be revised if candidate-verification costs structurally exceed expected revenue per role. A strong pilot does not exist merely to prove success. It should reveal quickly what does not work. The Real Moat Is the Outcome Loop Saywise’s long-term defensibility will not come from the number of profiles on its platform. It will come from connecting evidence observed before hiring to performance after hiring. Did a candidate who demonstrated a strong market-entry thesis identify a more accurate priority segment within the first thirty days? Did someone who had previously secured a first partner reproduce that result through a paid pilot within ninety days? If team-building evidence was weak, what problems emerged by Day 180? When these outcomes feed back into the Role Evidence Spec, Saywise becomes progressively better at learning which evidence from the past predicts performance in the future. That is the Outcome Loop. A framework that begins with one Managing Director hire can expand to Partnerships, Growth, Operations, and E-commerce roles. It can then be reused across Korean consumer companies preparing to enter the United States. Eventually, with candidate consent, a venture-capital firm could reconnect verified cross-border talent across its portfolio companies. One Role → Market-Entry Team → K-Brand Vertical → VC Evidence Cloud At that point, Saywise is no longer performing isolated hiring projects. It is becoming an attribution infrastructure that learns the causal relationship between people and outcomes. As Words Become Abundant, Evidence Becomes Scarce Generative AI enables almost anyone to produce a polished résumé and persuasive professional narrative. The quality of expression is rapidly becoming standardized. Better sentences, however, do not make real capability easier to evaluate. Instead, the lines between team outcomes and individual contribution, learned language and lived experience, participation and leadership are becoming harder to see. When AI can make every claim sound credible, evidence matters more than eloquence. The market does not need more information. It needs the causal chain behind the result. Saywise should not become a service that merely presents global talent more attractively. It should become the infrastructure that proves what a person discovered in a new market, which judgments they made, what they built, and what they left behind. The fictional NAKD SEOUL scenario makes this distinction clear. The company may need someone who has already lived through its next twelve months more than someone who has worked for the most famous employer. A candidate who can explain how revenue was created—and demonstrate that it can be created again—may matter more than someone who simply names the largest number. Companies already measure the true ROI of advertising. They must now measure the true contribution of people. It is not enough to know that a result occurred. We must understand who produced it, under what conditions, through which judgments and actions—and whether that capability can work again in a new environment. Saywise’s future does not lie in collecting more résumés. It lies in building a verifiable bridge between past performance and future potential. Once that bridge exists, candidates can be valued for contribution rather than title, and companies can select people through evidence rather than prestige or intuition. After true ROI comes true contribution. And the infrastructure capable of measuring that contribution may become the next standard for the talent market. Fictional Scenario and Verification Notice The NAKD SEOUL industry and market conditions, hiring objectives, candidate profiles, compensation, pricing, success rates, revenue projections, and expansion scenarios described in this essay are fictional assumptions created solely to explain Saywise’s product and business model. They do not represent an actual contract, partnership, hiring process, compensation arrangement, or business result involving NAKD SEOUL or any individual. Job titles and company documents may indicate the scope of a role, but they do not automatically establish an individual’s direct contribution. Actual contribution should be verified through artifacts, emails, meeting records, contract processes, performance data, and confirmation from collaborators. This attribution problem is itself the central challenge Saywise is designed to solve. Source Materials Attached HTML: Saywise × NAKD SEOUL — Fictional North America Expansion Case NAKD SEOUL Proposal, March 24, 2021 Earlier draft: From True ROI to True Contribution #Saywise #TalentAttribution #EvidenceBasedHiring #FutureOfWork #CrossBorderGTM #MarketEntry #GlobalExpansion #HiringInnovation #TalentIntelligence #ProofOfWork #OutcomeLoop #Resume2Point0 #KBrands #NorthAmericaExpansion #HumanCapital

진정한 ROI에서 진정한 기여로 NAKD SEOUL의 북미 진출 시나리오로 본 Saywise의 Talent Attribution Thesis 이한종 · Cross-Border GTM Strategist & Evidence Builder · 2026 Singular가 모든 마케팅 비용 뒤에 있는 진정한 ROI를 보여준다면, Saywise는 모든 경력 주장 뒤에 있는 진정한 기여를 보여줄 수 있다. 기업은 광고비 1달러의 행방을 끝까지 추적한다. 고객이 어떤 광고를 보았고, 어느 채널을 거쳤으며, 무엇이 구매를 결정하게 했는지 분석한다. 서로 다른 플랫폼과 기기에 흩어진 데이터를 수집하고 표준화해, 각각의 접점이 매출에 얼마나 기여했는지 계산한다. Singular는 이 문제를 해결하며 신뢰할 수 있는 마케팅 측정 인프라를 만들었다. 기업은 더 이상 가장 시끄러운 채널을 성과의 주인공으로 착각하지 않는다. 실제로 무엇이 고객을 움직였는지 확인하고 다음 예산을 배분할 수 있다. 그런데 기업의 가장 중요한 자산인 사람을 평가할 때는 이 정밀함이 사라진다. 후보자는 “북미사업 총괄”, “글로벌 파트너십 구축”, “미국시장 진출 주도”라고 쓴다. 직함, 회사명, 근무기간은 확인할 수 있지만 그 사람이 실제로 무엇을 움직였는지는 잘 보이지 않는다. 누가 시장 가설을 만들었는가. 누가 브랜드 인지도가 없는 상태에서 첫 파트너를 설득했는가. 팀의 성과 가운데 후보자가 직접 만든 부분은 무엇인가. 일회성 결과만 남겼는가, 아니면 다음 사람도 반복할 수 있는 운영체계를 남겼는가. 마케팅에서는 성과의 기여도를 측정하면서, 인재시장에서는 여전히 사람의 말을 믿거나 의심하는 데 머물러 있다. Saywise의 기회는 바로 이 간극에 있다. 결과는 기록되지만, 실행자는 사라진다 NAKD SEOUL은 한국의 작은 브랜드와 창작자가 해외시장에 진출할 때 마주하는 장벽에서 출발했다. 좋은 제품과 이야기가 있어도 언어, 콘텐츠, 유통, 마케팅, 비용의 문제 때문에 첫발을 내딛지 못하는 경우가 많았다. 따라서 필요한 것은 영문 소개서 한 장이 아니었다. 한국의 이야기를 글로벌 고객이 이해할 수 있는 언어로 바꾸고, 콘텐츠를 관심으로, 관심을 구매와 파트너십으로 연결하는 시장진입 구조였다. 이런 구조를 만드는 일은 언제나 여러 사람의 협력으로 이루어진다. 창업자, 콘텐츠 제작자, 마케터, 사업개발 담당자, 현지 파트너와 유통사가 함께 결과를 만든다. 문제는 프로젝트가 성공한 뒤다. 회사의 성과는 보도자료와 매출표에 남지만, 각 사람이 어떤 판단과 실행으로 결과에 기여했는지는 사라진다. 유명한 파트너 로고가 모든 설명을 대신하고, 팀의 성과가 개인의 경력 문장으로 압축된다. 반대로 시장의 첫 문을 열고도 회사의 규모가 작거나 직함이 화려하지 않다는 이유로 제대로 평가받지 못하는 사람도 있다. 회사의 성과와 개인의 기여는 같지 않다. Saywise가 증명해야 할 것은 회사가 성공했다는 사실이 아니라, 그 성공 안에서 한 사람이 무엇을 발견하고, 결정하고, 만들고, 남겼는가이다. 미국에서 일한 경험과 미국시장을 만든 경험은 다르다 이제 NAKD SEOUL이 한국에서 가능성을 확인했지만 아직 안정적인 북미 유통 기반은 갖추지 못한 K-lifestyle 기업이라고 가정해보자. 회사는 North America Managing Director를 채용하려 한다. 목표는 미국 법인을 세우거나 첫 주문 한 건을 만드는 데 있지 않다. 12개월 안에 어느 고객에게, 어떤 메시지와 채널로, 어떤 단위경제를 만들 수 있는지 학습하고 다음 분기에도 재현할 수 있는 시장진입 시스템을 구축해야 한다. 현지 브랜드 인지도는 낮다. 유통, 리테일, D2C 가운데 어느 채널을 우선해야 할지도 분명하지 않다. 자본이 제한돼 모든 가능성을 동시에 시험할 수 없고, 한국 본사와 미국 고객은 의사결정 속도와 기대가 다르다. 계약, 표시, 물류, 세무와 같은 규정도 해결해야 한다. 이런 상황에서 “미국시장 경력 10년”은 충분한 답이 아니다. 완성된 조직에서 큰 예산을 운영한 사람과 아무것도 없는 상태에서 첫 시장을 만든 사람은 서로 다른 역량을 가졌기 때문이다. NAKD SEOUL에 필요한 사람은 단순히 미국에서 일해본 사람이 아니다. 회사가 앞으로 살아갈 12개월을 이미 한 번 살아본 사람이다. 그렇다면 채용 질문도 달라져야 한다. “어느 회사에서 어떤 직함으로 일했습니까?”가 아니라 “무엇이 없는 상황에서 무엇을 만들어냈습니까?”라고 물어야 한다. 직무기술서를 증거 명세서로 바꾸다 기존 직무기술서는 책임을 나열한다. 북미 전략 수립, 파트너십 개발, 팀 구축, 매출 성장, 현지 운영 같은 표현이 반복된다. 그러나 책임은 기업의 기대를 설명할 뿐, 후보자가 실제로 그 일을 해낼 수 있다는 증거가 되지 않는다. Saywise는 이 직무기술서를 Role Evidence Spec, 즉 역할별 증거 명세서로 바꿀 수 있다. 경력연수와 키워드를 비교하기 전에, 이 역할에서 반드시 확인해야 할 경험을 기업과 함께 정의하는 것이다. NAKD SEOUL의 가상 North America Managing Director 역할에는 여덟 가지 증거가 필요하다. 시장진입 전략 — 고객 인터뷰, 세그먼트 선택, 채널 실험이 어떤 논리로 연결됐는가. 첫 고객과 파트너 — 무관심한 상대를 계약까지 움직인 과정에서 본인이 직접 한 일은 무엇인가. 채널 경제성 — 매출, 마진, CAC, 재주문과 투자 회수기간이 건강하게 연결됐는가. Cross-Border 조정 — 한국 본사의 기대와 미국 고객의 요구가 충돌했을 때 어떤 판단을 내렸는가. 팀 구축 — 인원수보다 첫 채용 기준, 역할 설계와 90일 성과관리 체계를 만들었는가. 브랜드 현지화 — 단순 번역을 넘어 한국의 강점을 보존하면서 현지 반응과 전환을 개선했는가. 운영과 규정 — 법무, 계약, 물류와 표시 위험을 사전에 발견하고 관리했는가. Founder-stage 판단력 — 제한된 자원에서 무엇을 하지 않기로 했으며, 어떤 증거로 중단을 결정했는가. 이 기준은 후보자에게 더 많은 서류를 요구하기 위한 것이 아니다. 기업과 후보자가 같은 언어로 실제 역량을 판단하게 만들기 위한 것이다. 같은 직함, 전혀 다른 기여 Managing Director 경력을 가진 세 사람이 있다고 가정해보자. 첫 번째는 글로벌 대기업 임원 출신이다. 큰 조직과 유명 브랜드를 운영한 경험이 있고, 예측과 보고, 조직관리에 강하다. 그러나 작은 예산과 낮은 인지도에서 0에서 1의 시장을 만든 직접 증거는 제한적일 수 있다. 두 번째는 미국 유통업계에서 오랫동안 일한 현지 전문가다. 유통 네트워크와 거래 관행에 대한 이해가 깊고 파트너에게 빠르게 접근할 수 있다. 그러나 한국 본사의 제품 철학과 미국시장의 요구를 연결한 Cross-Border 경험은 부족할 수 있다. 세 번째는 인지도가 없는 브랜드의 첫 파트너를 만들고 현지 프로세스를 구축한 GTM Builder다. 대규모 조직 운영 경험은 약하지만, NAKD SEOUL이 지금 해결해야 할 문제와 가장 가까운 증거를 가지고 있다. 기존 이력서 중심 채용에서는 첫 번째 후보자가 가장 안전해 보일 수 있다. 하지만 현재의 미션이 완성된 조직의 운영이 아니라 불확실한 시장의 발견이라면 세 번째 후보자가 더 적합할 수 있다. Saywise는 세 사람에게 하나의 불투명한 종합점수를 붙여서는 안 된다. 대신 무엇이 강하게 검증됐고, 무엇은 부분적으로 확인됐으며, 무엇을 면접과 레퍼런스를 통해 추가로 확인해야 하는지 보여줘야 한다. 채용의 목적은 가장 유명한 사람을 고르는 것이 아니다. 회사의 다음 문제를 이미 증거로 해결해본 사람을 발견하는 것이다. 경력의 문장을 인과관계로 분해하다 Saywise의 Evidence Interview는 후보자의 이야기를 더 화려하게 다듬는 인터뷰가 아니다. 경력을 시간순서, 판단, 행동, 작업물, 성과와 검증자로 분해하는 과정이다. “미국 진출 당시 가장 먼저 포기한 고객군은 누구였고, 어떤 증거로 그 결정을 내렸습니까?” “브랜드 인지도가 없던 상황에서 첫 파트너가 시간과 돈을 투자하게 만든 것은 무엇입니까?” “가장 큰 계약이 아니라 가장 건강했던 채널의 매출, 마진과 재주문 구조를 설명할 수 있습니까?” “가능성이 있어 보였지만 중단한 채널은 무엇이며, 어떤 데이터가 생각을 바꾸었습니까?” “한국 본사와 미국 고객의 요구가 충돌했을 때 무엇을 지키고 무엇을 바꾸었습니까?” “계약, 주문, P&L, 파트너와 동료 가운데 무엇이 본인의 직접 기여를 확인해줄 수 있습니까?” 그 답은 다음과 같은 Evidence Graph로 연결된다. Claim → Context → Judgment → Action → Artifact → Attribution → Outcome → Validation 무엇을 했다고 주장하는가. 어떤 제약이 있었는가. 왜 그 결정을 내렸는가. 본인이 직접 실행한 것은 무엇인가. 어떤 결과물과 데이터가 남았는가. 팀 성과 가운데 개인의 기여는 어디까지인가. 어떤 결과가 발생했고 누가 이를 확인할 수 있는가. 이 구조가 완성되면 “북미시장 진출을 주도했다”는 문장은 홍보 문구에서 검증 가능한 경력으로 바뀐다. 이 질문들은 후보자를 의심하기 위한 장치가 아니다. 팀의 성과를 개인의 공으로 과장하는 일을 줄이는 동시에, 실제로 기여한 사람이 자신의 능력을 정당하게 인정받게 하는 장치다. 채용 후 12개월도 증거의 연속이어야 한다 Evidence Hiring은 입사 결정에서 끝나서는 안 된다. 채용 전에 확인한 증거가 실제 업무 성과로 이어지는지 관찰해야 한다. NAKD SEOUL의 가상 북미 진출은 네 단계의 Evidence Gate로 관리할 수 있다. 입사 후 30일 — Market Truth 고객과 파트너 인터뷰 30건을 통해 핵심 고객군 두 개, 구매장벽과 경쟁 대안을 정리한다. 결과물은 막연한 시장조사 보고서가 아니라 Market Thesis v1이다. 31일에서 90일 — Channel Proof 유통, 리테일, D2C 가운데 두 개의 채널 가설을 작은 예산으로 시험한다. 많은 미팅보다 중요한 것은 실제로 돈이나 자원을 투입한 2 Paid Pilots다. 4개월에서 6개월 — Repeatability 세 곳의 Anchor Partner와 첫 주문, 두 번째 주문의 원인을 분석한다. 일회성 호기심과 반복 가능한 수요를 구분하는 단계다. 7개월에서 12개월 — Operating System 현지 핵심팀, 매출 예측, P&L, 컴플라이언스와 본사의 의사결정 리듬을 정착시킨다. 최종 결과물은 담당자가 떠나도 다음 사람이 실행할 수 있는 GTM Playbook이다. 이 구조에서 40회의 파트너 미팅은 그 자체로 성과가 아니다. 어떤 세그먼트가 시간을 투자했고 무엇을 거절했는지 학습했을 때 증거가 된다. 세 곳의 Anchor Partner도 유명한 로고보다 계약 규모, 마진, 재주문과 개인 기여가 연결될 때 의미가 있다. 진짜 성과는 하나의 반복 가능한 시장진입 방식이다. Saywise는 헤드헌터도 ATS도 아니다 Saywise는 LinkedIn, Wellfound, ATS와 리크루터를 대체할 필요가 없다. LinkedIn은 사람을 발견하게 하고, ATS는 지원자를 관리하며, 리크루터는 기업과 후보자를 연결한다. 그러나 이 시스템들은 후보자의 경력 주장과 실제 기여 사이의 인과관계를 충분히 보여주지 못한다. Saywise는 그 위에 증거 계층을 추가한다. 기업은 기존 채널에서 확보한 후보자를 Saywise Evidence Interview에 초대한다. Saywise는 후보자별로 강한 증거, 부분 증거, 확인이 필요한 영역과 맞춤형 면접 질문을 담은 Evidence Brief를 제공한다. 사람을 자동으로 탈락시키거나 불투명한 점수로 줄 세우지 않는다. 최종 판단은 인간이 내린다. Saywise가 바꾸는 것은 판단의 주체가 아니라 판단에 사용되는 정보의 품질이다. 따라서 Saywise의 핵심 정의는 다음과 같다. Saywise는 채용 채널이 아니라 Talent Attribution Layer다. B2B 고객은 더 나은 결정을 사고, 후보자는 증거 자산을 얻는다 이 모델에서 B2B와 B2C의 가치는 서로 다르지만 맞물려 있다. B2B 고객인 NAKD SEOUL은 후보자 목록을 구매하는 것이 아니다. 실패비용이 큰 채용 의사결정의 불확실성을 줄이는 결과물을 구매한다. 기업이 받는 것은 Role Evidence Spec, 최대 10명의 Evidence Interview, 후보자의 작업물·성과·기여·검증자를 연결한 프로필, 후보자별 Evidence Brief, 맞춤형 최종면접 질문, 그리고 입사 후 30·90·180일 Evidence Review다. B2C 사용자에게는 휴대 가능한 증거 자산이 생긴다. 후보자는 자신을 한 회사의 직함이나 한 장의 이력서로 설명하지 않아도 된다. 어떤 문제를 풀었고, 어떤 판단을 내렸으며, 무엇을 만들고 어떻게 검증됐는지를 다음 기회에도 재사용할 수 있다. 후보자는 어떤 증거를 어느 기업에 공개할지 직접 결정해야 한다. 잘못 정리된 내용을 수정하고, 기밀 자료는 비공개 상태로 검증 여부만 표시할 수 있어야 한다. 초기에는 후보자의 기본 Evidence Profile과 검증 참여를 무료로 제공하는 것이 합리적이다. 잘못된 채용의 직접적인 비용을 부담하고, 판단 품질 향상에서 경제적 이익을 얻는 쪽은 기업이기 때문이다. B2C는 증거를 만들고 소유하는 참여자이고, B2B는 그 증거를 활용해 더 좋은 결정을 내리기 위해 비용을 지불하는 고객이다. 한 자리에서 검증하는 현실적인 수익모델 가상 Managing Director의 첫해 보장 현금보상을 12만 달러로 가정해보자. 이는 실제 NAKD SEOUL이나 특정 개인의 보상정보가 아니라 사업모델을 설명하기 위한 기준값이다. Saywise가 포지션당 월 499달러의 구독료를 3개월 받고, 채용 성공 시 첫해 보상의 5%를 성공수수료로 받는다면 채용 한 건의 매출은 7,497달러가 된다. 3개월 구독료: 499달러 × 3개월 = 1,497달러 성공수수료: 120,000달러 × 5% = 6,000달러 성공한 채용 한 건의 총매출: 7,497달러 첫 파일럿에서는 구독료를 면제하고 실제 채용이 성사될 때만 성공수수료를 받는 방식으로 도입 위험을 낮출 수 있다. 기업은 기존 채용 방식을 유지하면서 Evidence Hiring의 효과를 확인할 수 있다. 5%라는 성공수수료는 전통적인 헤드헌팅보다 낮다. Saywise가 후보자 발굴 채널 전체를 대체하지 않고, 역할 정의와 검증, 의사결정 품질에 집중하기 때문이다. 이는 기업에는 부담을 낮추고 Saywise에는 구독형 소프트웨어로 전환할 여지를 남긴다. 모든 역할이 3개월 동안 유료로 활성화되고 채용 성공률이 30%라고 단순 가정하면 역할당 기대매출은 3,297달러다. 같은 조건에서 연간 활성 역할이 12개라면 약 3만9,600달러, 60개라면 약 19만7,800달러, 300개라면 약 98만9,100달러의 코호트 매출이 가능하다. 이 수치는 실제 실적이나 확정된 ARR이 아니다. 가격, 채용기간, 성공률과 검증비용을 시험하기 위한 기준 시나리오다. 핵심은 한 번 만든 Evidence Spec과 검증된 후보자의 증거를 다음 채용에도 재사용할 수 있다는 데 있다. 사람이 매번 처음부터 모든 인터뷰와 검증을 수행해야 한다면 Saywise는 고급 컨설팅이나 헤드헌팅 서비스에 머문다. 반면 역할별 Evidence Spec, 인터뷰 구조, 검증 상태와 채용 후 성과가 축적된다면 소프트웨어와 데이터 네트워크로 확장할 수 있다. 8주 안에 사업모델의 진실을 확인하다 첫 파일럿은 거대할 필요가 없다. 기존 LinkedIn, ATS와 리크루터는 그대로 사용하고 Saywise가 최종 판단에 필요한 증거 계층만 추가하면 된다. 1주 차에는 창업자와 본사 리더가 북미 진출의 성공과 실패를 가르는 증거 여덟 개를 합의한다. 2~3주 차에는 기존 채널에서 확보한 후보자 10명을 초대해 경험, 작업물과 외부 검증을 연결한다. 4주 차에는 강한 증거, 부분 증거와 확인 필요 영역을 담은 Evidence Brief로 세 명의 후보자를 선정한다. 5~6주 차에는 후보자별 시장진입, 성과, 판단과 직접 기여를 구조화 면접으로 확인한다. 7~8주 차에는 채용결정을 회고하고, 증거가 이력서 기반 판단을 어디에서 바꾸었는지 측정한다. 성공 기준도 명확해야 한다. Evidence Interview 완료율 70% 이상 선별 후보의 Shortlist 진입률 40% 이상 이력서만 보았을 때와 판단이 달라진 비율 30% 이상 8주 안의 최종면접 또는 채용 한 건 반대로 기업이 역할의 성공 증거에 합의하지 못하거나, 후보자가 핵심 성과를 검증하지 못하거나, Evidence Brief가 실제 면접에 사용되지 않는다면 중단해야 한다. 후보자 검증비용이 역할당 기대매출을 구조적으로 초과해도 모델을 수정해야 한다. 좋은 파일럿은 성공만 증명하는 실험이 아니다. 무엇이 작동하지 않는지를 빠르게 밝히는 실험이다. 진짜 해자는 Outcome Loop다 Saywise의 장기적 경쟁력은 프로필 수에서 나오지 않는다. 채용 전에 확인한 증거와 채용 후 실제 성과가 연결되는 데서 나온다. 강한 시장진입 가설을 보여준 후보자가 입사 후 30일 안에 더 정확한 고객군을 발견했는가. 첫 파트너를 만든 경험이 있던 사람이 90일 안에 유료 파일럿을 다시 만들었는가. 팀 구축 증거가 약했던 후보자는 180일 시점에 어떤 어려움을 겪었는가. 이 결과가 다시 Role Evidence Spec에 반영되면 Saywise는 점점 더 정확하게 “어떤 과거의 증거가 미래의 성과를 예측하는가”를 학습할 수 있다. 이것이 Outcome Loop다. 한 회사의 Managing Director 채용에서 시작한 구조는 Partnerships, Growth, Operations와 E-commerce 역할로 확장할 수 있다. 이후 미국 진출을 준비하는 여러 한국 소비재 기업에 같은 Evidence Spec을 재사용할 수 있다. 더 나아가 VC는 포트폴리오사 전체에서 검증된 Cross-Border 인재를 후보자의 동의 아래 다시 연결할 수 있다. One Role → Market-Entry Team → K-Brand Vertical → VC Evidence Cloud 이 단계에서 Saywise는 채용 프로젝트를 수행하는 서비스가 아니다. 성과와 사람 사이의 인과관계를 학습하는 인재 기여도 측정 인프라가 된다. 말이 넘쳐날수록 증거는 더 희소해진다 생성형 AI는 누구나 좋은 이력서와 설득력 있는 자기소개를 만들 수 있게 했다. 후보자의 표현은 빠르게 상향 평준화되고 있다. 하지만 문장이 좋아졌다고 실제 역량을 판단하기 쉬워진 것은 아니다. 오히려 팀의 성과와 개인의 기여, 학습한 표현과 실제 경험, 참여와 주도 사이의 경계는 더 흐려졌다. AI가 모든 주장을 그럴듯하게 만드는 시대에는 말보다 증거가 중요해진다. 더 많은 정보가 필요한 것이 아니라, 결과가 만들어진 인과관계가 필요하다. Saywise는 글로벌 인재를 더 멋지게 소개하는 서비스가 되어서는 안 된다. 그 사람이 새로운 시장에서 무엇을 발견하고, 어떤 판단을 내렸으며, 무엇을 만들고 남겼는지를 증명하는 인프라가 되어야 한다. NAKD SEOUL의 북미 진출 시나리오가 보여주는 것도 이것이다. 가장 유명한 회사를 다닌 사람보다 NAKD SEOUL의 다음 12개월을 이미 한 번 살아본 사람이 필요할 수 있다. 가장 큰 매출을 말하는 사람보다 그 매출이 어떻게 만들어졌고 다시 만들 수 있는지를 보여주는 사람이 더 중요할 수 있다. 기업이 광고의 진정한 ROI를 측정하듯 이제는 사람의 진정한 기여를 측정해야 한다. 결과가 있었다는 사실만으로는 충분하지 않다. 누가 어떤 조건에서, 어떤 판단과 행동으로 그 결과를 만들었는지 알아야 한다. 그리고 그 능력이 새로운 환경에서도 다시 작동할 수 있는지 확인해야 한다. Saywise의 미래는 더 많은 이력서를 모으는 데 있지 않다. 과거의 성과와 미래의 가능성 사이에 검증 가능한 다리를 놓는 데 있다. 그 다리가 만들어질 때 후보자는 직함이 아니라 기여로 평가받고, 기업은 명성이나 직감이 아니라 증거를 바탕으로 사람을 선택할 수 있다. 진정한 ROI 다음에 필요한 것은 진정한 기여다. 그리고 그 기여를 측정하는 새로운 인프라가 인재시장의 다음 표준이 될 것이다. 가상 사례 및 검증 고지 본 에세이의 NAKD SEOUL 산업·시장 상황, 채용 목표, 후보자 유형, 보상, 가격, 성공률, 매출과 확장 시나리오는 Saywise의 제품 및 사업모델을 설명하기 위한 가상 설정이다. NAKD SEOUL 또는 특정 개인과의 실제 계약·제휴·채용·보상·사업성과를 의미하지 않는다. 또한 직함과 회사 문서는 역할의 범위를 보여줄 수 있지만 개인의 직접적인 기여를 자동으로 확정하지는 않는다. 실제 기여도는 작업물, 이메일, 회의 기록, 계약 과정, 성과 데이터와 공동 작업자의 확인을 통해 검증되어야 한다. 이 귀속의 문제 자체가 Saywise가 해결하려는 핵심 과제다. 참고 자료 첨부 HTML: 《Saywise × NAKD SEOUL — Fictional North America Expansion Case》 《NAKD SEOUL 제안서》, 2021년 3월 24일 기존 초안: 《진정한 ROI에서 진정한 기여로》

[Over 10M!] At the End of the Future, Humanity Returns to Hospitality From Interstellar to The Odyssey: The Conditions of Civilization That Precede Technology We imagine the end of the world as an explosion. We picture cities era sed by nuclear war, an asteroid colliding with Earth, or an artificial intelligence slipping beyond human control. Yet civilizations do not always collapse with such spectacle. People still go to work. Children still attend school. Families still sit down to dinner. Something that existed yesterday disappears today, and people gradually accept a diminished world as the new normal. One by one, the lights of civilization go out. The End Begins Before the Explosion The apocalypse in Christopher Nolan’s Interstellar is not a landscape of ruins. People still grow corn and watch baseball. But dust storms have become routine, food supplies are shrinking, and science is treated as a luxury unless it can solve the immediate problem of survival. NASA, once a symbol of humanity’s future, has been forced underground. Civilization still exists, but it has lost the ability to imagine a future. The deepest threat in Interstellar is not merely hunger. It is the decision to surrender tomorrow in order to endure today. Exploration, science, and the desire to reach beyond the known world have receded. Humanity survives inside a world that grows smaller every year. Perhaps civilizations do not collapse in a single dramatic moment. Perhaps they collapse through a long sequence of concessions: when each day is slightly worse than the one before, when decline becomes ordinary, and when everything meant to protect the future is gradually abandoned. Nolan asks a difficult question: If we destroy the natural world, turn away from science, and lose the ability to imagine what comes next, can we still call what remains a civilization? When the Future Puts the Present on Trial In Tenet, the question becomes more severe. The people of the future turn against the past—against us. Their seas have risen and their rivers have run dry. The prosperity enjoyed by one generation has become the burden carried by another. The future does not attack the present because it is inherently evil. From its perspective, we were the aggressors first. Because future generations are not yet here to protest, we consume their water, soil, stable climate, and capacity to choose their own way of life. Before they are born, we narrow the future available to them. Tenet appears to be a film about reversing time, but beneath that machinery lies a moral question about responsibility across generations. Do we owe anything to people we will never meet? How much of their world do we have the right to spend simply because they are not here to stop us? The Moment Humanity Acquired the Power to Destroy Itself With Oppenheimer, Nolan turns back toward the past. He searches for the moment when human beings first acquired the power to destroy civilization as a whole. We learned how to split the atom and used that knowledge to bring the force of a star down to Earth. What appeared to be a triumph of science was also the moment humanity became capable of erasing itself. Knowledge had become power, but human beings were not yet prepared to carry the moral weight of that power. It would be easy to read Oppenheimer as a simple indictment of science and technology: humanity discovered too much, too quickly, and made the end of civilization technically possible. But if that were Nolan’s final conclusion, his next story might have taken us toward an even more advanced future. Instead, he travels in the opposite direction. From the Furthest Future to Three Thousand Years Ago At the far end of Nolan’s cinematic journey lies not a technological future, but ancient Greece—the world of The Odyssey. This was long before the Industrial Revolution. There were no nuclear weapons, no artificial intelligence, and no technology capable of destroying the planet in an instant. And yet civilizations still fell. That makes it impossible to identify technology as the sole source of civilizational collapse. Just when we think Nolan’s films have been carrying us relentlessly toward the future, he places a more ancient question before us: Is technology really what destroys civilization? Or does the deeper failure begin within human beings and the rules by which they choose to live together? In ancient Greece, Nolan finds no miraculous invention and no invincible hero. He finds three enduring questions: How do we treat the stranger? Can we restrain ourselves when we possess power? Can we return what we have received to those who come after us? In the end, civilization rests upon a very old human promise. Xenia: The Covenant Beneath Civilization The ancient Greeks called that promise xenia. Xenia is often translated as hospitality: the obligation to welcome the stranger and protect the guest. It is closely related to the Golden Rule—the belief that we should treat others as we ourselves would wish to be treated. But xenia was more than kindness or etiquette. It was a civilizational code governing how we approach the unknown, how far we may exercise our power, and how we repay what has been entrusted to us. In the ancient world, a stranger could always be an enemy. Even so, the ethical order required a host to offer food and shelter, listen to the traveler’s story, and only then ask who they were. Without some minimal willingness to trust people beyond one’s own household, no one could safely leave a city, conduct trade, exchange knowledge, or form new relationships. Civilization is not held together by walls and armies alone. It also depends on the belief that we can leave a door slightly open to someone we do not yet know—and that, should we one day become the stranger, another door may open for us. When Trust Becomes a Weapon Seen in this light, the Trojan Horse is more than a clever instrument of war. Odysseus turns a gift into a weapon and uses it to open the gates of Troy. An object that should embody goodwill and trust becomes a vehicle of destruction. A rule designed to connect human beings is transformed into a technology for exploiting them. The same corruption appears in Ithaca during Odysseus’s absence. The suitors exploit the obligations of hospitality, remain in another man’s home, and consume his household from within. Odysseus weaponizes the expectation of welcome. The suitors weaponize the rights extended to a guest. The pattern is the same. A gift becomes a weapon. Hospitality becomes a vulnerability. Rights are exercised without restraint, while responsibility disappears. Civilization does not collapse only when trust vanishes. It begins to collapse when trust becomes a tool of exploitation and those who act in good faith are the first to be punished for it. When people no longer dare to open their doors, when no one feels obliged to return what they have received, and when the powerful no longer recognize the duty of restraint, the bonds holding civilization together begin to break. Hospitality Toward Nature and Future Generations This is why The Odyssey is not merely a story from the distant past. It may be the Nolan story most directly addressed to an age of nuclear weapons, climate disruption, and artificial intelligence. The climate crisis can also be understood as a collapse of xenia. Nature has given us air, water, soil, food, and a stable climate. Human civilization was built upon this vast hospitality. Our obligation in return is to use what we need with restraint, repair what we damage, and preserve enough for those who will live after us. Instead, we have accepted nature’s gifts while ignoring the duty of reciprocity. We consume the homes and resources of people not yet born, then transfer the cost of our comfort into their future. The climate crisis is therefore more than a failure of environmental management. It is a failure of hospitality between generations. The future has made room for us. We are failing to return that world intact. The Age of AI Needs Stronger Promises, Not Only Stronger Technology The same question confronts us in the age of artificial intelligence. If we ask only how intelligent AI will become, we risk overlooking the more important issue. We must first ask whom this power will serve, who will take responsibility when it causes harm, and how its benefits and risks will be shared. AI can generate possibilities, but it cannot decide which human problems are worth solving. It can evaluate people, but it cannot inherit the moral responsibility of deciding who deserves an opportunity. It can expand the range of what we are able to do, but it cannot tell us what we ought to do. That direction must still come from human promises. Technology magnifies human ability. It can also magnify the greed, prejudice, inequality, and irresponsibility already present within us. Civilizational danger does not arise simply because technology becomes too powerful. It begins when the promises that restrain power and protect one another become too weak. The future will not be determined only by how powerful our technologies become. It will be determined by whether we can possess that power and still honor our oldest obligations to one another. The Small Boats That Save Civilization Does this make Nolan a pessimist about the future? His films stare relentlessly into catastrophe, but they do not end in despair. He continues to believe that people can come together and endure what no individual could overcome alone. That belief appears most clearly in Dunkirk. The people who cross the sea to rescue soldiers stranded on the beach are not superhuman heroes or professional warriors. They are ordinary civilians with small boats. They have no personal relationship with the men they are sailing to save. No one can compel them to accept the danger. Still, they do not turn back. They understand that the crisis on the other side of the Channel is not someone else’s problem. If those people are abandoned, their own homes and way of life will eventually be lost as well. This is another form of xenia. It is the recognition that the stranger’s survival and my own future are connected—that when I turn away from another person’s suffering, I also permit part of my own world to collapse. Nolan’s optimism is not the comforting belief that everything will somehow work out. It is the harder conviction that, even after acknowledging humanity’s capacity for destruction, ordinary people may still choose to launch their small boats for one another. The Return to Our Humanity This is why it matters that Nolan’s long cinematic journey arrives at The Odyssey. In Interstellar, he travels into space. In Tenet, he reverses the direction of time. In Oppenheimer, he confronts humanity with the power to destroy the world. Yet at the end of that journey, the answer is neither a new technology, a perfect system, nor a transcendent hero. How do we treat the stranger? Can we restrain ourselves when we possess power? Can we return what we have received to those who come after us? Civilization, it turns out, still depends on a very old human promise. The Odyssey is, at heart, a story of homecoming. Odysseus crosses disaster, temptation, and loss in order to return to Ithaca. But the homecoming in Nolan’s Odyssey may mean more than the return of one hero. It may also describe humanity’s return to its own humanity after traveling through space and time, after witnessing nuclear fire and the twilight of civilization. We may travel deeper into the universe. We may master time, divide the atom, and create forms of intelligence that resemble our own. But no matter how far we advance, there is one place to which we must eventually return: Welcoming the stranger. Restraint in the possession of power. Returning to future generations what nature has given us. Launching a small boat for someone in danger. Perhaps humanity’s true homecoming does not mean moving farther into the future. Perhaps it means returning to our humanity so that we may enter the future together. The dawn of civilization does not always begin with a monumental invention. Sometimes it begins with an ancient gesture: opening a door, offering a seat, and launching a small boat for someone we do not yet know. #ChristopherNolan #Interstellar #Tenet #Oppenheimer #TheOdyssey #Dunkirk #Xenia #Hospitality #Humanity #Civilization #CivilizationalCollapse #ClimateCrisis #FutureGenerations #ArtificialIntelligence #AIEthics #HumanResponsibility #Trust #TheGoldenRule #CollectiveAction #PhilosophyOfTechnology

미래의 끝에서, 인간은 다시 환대로 돌아간다[Over 10M!] ] 《인터스텔라》에서 《오디세이》까지—기술보다 오래된 문명의 조건 우리는 세상의 종말을 거대한 폭발로 상상한다. 핵전쟁으로 도시가 사라지고, 소행성이 지구와 충돌하며, 통제할 수 없게 된 인공지능이 인간을 위협하는 장면을 떠올린다. 그러나 문명은 언제나 그렇게 극적으로 무너지는 것은 아니다. 사람들은 여전히 일터로 향하고, 아이들은 학교에 가며, 가족은 저녁을 먹는다. 어제까지 존재하던 것 하나가 오늘 사라지고, 어제보다 조금 더 나빠진 환경을 사람들은 새로운 일상으로 받아들인다. 그렇게 문명의 불빛은 하나씩 꺼진다. 종말은 폭발보다 먼저 시작된다 크리스토퍼 놀란의 《인터스텔라》가 보여주는 종말은 폐허가 된 세계가 아니다. 사람들은 여전히 옥수수를 재배하고 야구를 관람한다. 그러나 먼지폭풍은 일상이 되고, 식량은 줄어들며, 과학은 당장의 생존에 도움이 되지 않는 사치로 취급된다. 한때 인류의 미래를 상징했던 NASA는 사람들의 눈을 피해 지하로 숨어야 한다. 문명은 아직 존재하지만 더 이상 미래를 상상하지 못한다. 《인터스텔라》에서 인류를 위협하는 것은 단순한 식량 부족이 아니다. 오늘을 버티기 위해 내일을 포기하는 태도다. 탐험과 과학, 새로운 가능성을 향한 의지는 사라지고 인류는 점점 작아지는 세계 안에서 생존만을 반복한다. 문명의 붕괴는 어느 날 갑자기 찾아오는 사건이 아닐지 모른다. 어제보다 조금 나빠진 오늘을 정상으로 받아들이는 일이 반복되고, 미래를 위해 지켜야 할 것들이 하나씩 포기되는 과정일 수 있다. 놀란은 묻는다. 우리가 자연을 파괴하고 과학을 포기하며, 미래를 상상하는 능력까지 잃는다면 그 사회를 여전히 문명이라고 부를 수 있는가. 미래가 현재를 심판할 때 《테넷》에서 질문은 더 무거워진다. 미래의 인류는 과거, 즉 오늘의 우리를 파괴하려 한다. 그들의 바다는 높아졌고 강은 말라버렸다. 현재세대가 누린 풍요의 대가를 미래세대가 떠안게 된 것이다. 미래의 사람들이 악해서 현재를 공격하는 것은 아니다. 그들에게는 우리가 먼저 가해자가 됐다. 아직 태어나지 않았다는 이유로 우리는 그들의 물과 토양, 안정적인 기후와 살아갈 가능성을 미리 사용해버렸다. 그들이 선택할 수 있는 미래를 현재의 우리가 먼저 좁혀놓은 것이다. 《테넷》은 시간여행에 관한 영화처럼 보이지만, 그 안에는 세대 간 책임이라는 질문이 놓여 있다. 우리는 아직 만나지 못한 사람에게도 책임을 져야 하는가. 당장 항의할 수 없는 미래세대의 몫을 우리는 어디까지 사용할 권리가 있는가. 인간이 스스로를 파괴할 힘을 얻은 순간 《오펜하이머》에서 놀란의 시선은 다시 과거로 향한다. 인간이 언제부터 문명 전체를 파괴할 힘을 갖게 되었는지를 추적하기 위해서다. 인류는 원자를 이해했고, 그 지식을 이용해 태양의 힘을 지상에 재현했다. 과학의 승리처럼 보였던 순간은 동시에 인간이 스스로를 완전히 파괴할 수 있게 된 순간이었다. 지식은 힘이 됐지만, 인간은 그 힘을 다룰 준비가 되어 있지 않았다. 그래서 《오펜하이머》의 결론을 “결국 과학기술이 문제였다”라고 읽을 수도 있다. 인간이 자연의 비밀을 너무 많이 알아버렸고, 그 지식이 문명의 종말을 가능하게 만들었다는 해석이다. 하지만 그것이 놀란의 최종 결론이었다면, 그의 다음 이야기는 더 강력한 미래 기술을 향했을 것이다. 놀란은 정반대의 방향으로 이동한다. 가장 먼 미래에서 3천 년 전으로 놀란이 다음으로 도착한 곳은 첨단의 미래가 아니라 3천 년 전 고대 그리스, 《오디세이》의 세계였다. 그때는 산업혁명 이전이었다. 핵무기도 인공지능도 없었다. 인간에게 행성 전체를 순식간에 파괴할 기술도 없었다. 그런데도 문명은 붕괴했다. 그렇다면 문제의 근원을 과학기술이라고만 단정할 수 없게 된다. 놀란의 영화가 끊임없이 미래를 향해 나아간다고 생각했던 우리 앞에 뜻밖의 질문이 놓인다. 문명을 무너뜨리는 것은 정말 기술인가. 아니면 기술보다 훨씬 오래전부터 존재했던 인간의 어떤 실패인가. 그리고 놀란이 고대의 세계에서 발견한 답은 새로운 기술도, 위대한 영웅도 아니었다. 낯선 사람을 어떻게 대할 것인가. 힘을 가졌을 때 절제할 수 있는가. 내가 받은 것을 다음 사람에게 돌려줄 수 있는가. 결국 문명을 지탱하는 것은 아주 오래된 인간의 약속이었다. 문명을 지탱한 약속, 제니아 고대 그리스인들은 그 약속을 ‘제니아(Xenia)’라고 불렀다. 제니아는 낯선 사람과 손님을 환대하는 규범이다. 자신이 대접받고 싶은 방식으로 다른 사람을 대해야 한다는 황금률과도 맞닿아 있다. 그러나 제니아는 단순한 친절이나 예절이 아니었다. 낯선 사람을 어떻게 대할 것인지, 힘을 가졌을 때 그것을 어디까지 사용할 것인지, 자신이 받은 것을 다음 사람에게 어떻게 돌려줄 것인지에 관한 문명의 기본 규칙이었다. 고대의 세계에서 낯선 사람은 언제든 적이 될 수 있었다. 그럼에도 사람들은 먼저 음식과 잠자리를 내어주고, 그의 이야기를 들은 다음 누구인지 물었다. 타인을 즉시 위험으로 규정하지 않는 최소한의 신뢰가 없었다면 사람들은 도시 밖으로 나갈 수도, 교역할 수도, 새로운 관계를 만들 수도 없었을 것이다. 문명은 성벽과 군대만으로 유지되지 않는다. 모르는 사람에게도 문을 조금 열어둘 수 있다는 믿음, 내가 어려움에 빠졌을 때 누군가 역시 문을 열어줄 것이라는 기대 위에서 유지된다. 신뢰가 무기로 바뀌는 순간 그런 의미에서 트로이 목마는 단순한 전쟁 전략이 아니다. 오디세우스는 선물의 모습을 한 무기를 이용해 트로이의 성문을 열었다. 환대와 신뢰의 상징이어야 할 선물이 공격의 통로가 됐다. 사람을 연결하던 규칙이 상대방을 파괴하는 기술로 바뀐 것이다. 오디세우스가 없는 이타카에서도 같은 일이 일어난다. 구혼자들은 손님을 보호해야 한다는 제니아의 규칙을 이용해 주인의 집에 머물며 재산과 질서를 잠식한다. 오디세우스는 환대받을 가능성을 공격에 이용했고, 구혼자들은 환대받은 권리를 착취에 이용했다. 두 사건의 본질은 같다. 선물은 무기가 되고, 환대는 약점이 되며, 권리는 남용되지만 책임은 사라진다. 문명은 신뢰가 전혀 없어서만 무너지는 것이 아니다. 신뢰가 착취의 도구가 되고, 선의를 선택한 사람이 가장 먼저 손해 보는 순간부터 무너지기 시작한다. 사람들이 더 이상 낯선 사람에게 문을 열지 않고, 자신이 받은 것을 돌려줄 필요가 없다고 생각하며, 힘을 가진 사람이 스스로를 절제하지 않을 때 문명을 묶어주던 유대는 하나씩 끊어진다. 자연과 미래세대를 향한 환대 그래서 《오디세이》는 먼 과거의 이야기가 아니다. 자연은 인간에게 물과 공기, 토양과 식량, 안정적인 기후를 제공했다. 인간은 이 거대한 환대 위에서 도시와 국가, 시장과 문화를 만들었다. 그렇다면 인간에게도 응답할 의무가 있다. 필요한 만큼 사용하고, 파괴한 것을 회복하며, 다음 세대가 살아갈 몫을 남겨놓아야 한다. 그러나 우리는 자연이 제공한 것을 선물로 받아들이면서도 돌려줄 책임은 외면해왔다. 아직 태어나지 않은 사람들의 집과 자원을 먼저 사용하고 그 비용을 미래로 넘겼다. 기후위기는 환경관리의 실패이기 이전에 세대 간 환대의 붕괴다. 미래세대는 우리를 환대했지만, 우리는 그들의 집을 온전하게 돌려주지 않고 있다. AI 시대, 더 강한 기술보다 더 강한 약속 인공지능 시대에도 질문은 같다. AI가 얼마나 더 똑똑해질 것인가만 묻는다면 가장 중요한 문제를 놓치게 된다. 우리가 먼저 물어야 할 것은 그 힘을 누구를 위해 사용할 것인지, 잘못된 결과에 누가 책임질 것인지, 기술의 혜택과 위험을 어떻게 나눌 것인지다. AI는 수많은 가능성을 제시할 수 있지만 어떤 문제를 풀어야 하는지 스스로 결정하지 않는다. 사람을 평가할 수 있지만 누구에게 기회를 주어야 하는지에 관한 도덕적 책임까지 대신할 수는 없다. 우리가 할 수 있는 일을 늘려주지만, 반드시 해야 할 일을 알려주지는 않는다. 그 방향을 결정하는 것은 여전히 인간의 약속이다. 기술은 인간의 능력을 확대한다. 동시에 인간 안에 존재하던 탐욕과 편견, 불평등과 무책임도 확대할 수 있다. 그러므로 문명의 위기는 기술이 너무 강해져서만 발생하는 것이 아니다. 그 힘을 절제하고 서로를 보호하겠다는 약속이 너무 약해질 때 시작된다. 미래를 결정하는 것은 우리가 얼마나 강력한 기술을 가지느냐가 아니다. 그 힘을 가지고도 오래된 인간의 약속을 지킬 수 있느냐이다. 작은 배가 문명을 구한다 그렇다면 놀란은 문명의 미래를 비관하고 있을까. 그의 영화는 파국을 집요하게 바라보지만 절망에서 멈추지 않는다. 인간이 서로 힘을 합쳐 어려운 상황을 극복할 수 있다는 믿음도 놓지 않는다. 그 믿음을 가장 선명하게 보여주는 작품이 《덩케르크》다. 해변에 고립된 군인들을 구하기 위해 바다로 향한 사람들은 위대한 영웅이나 전문 군인이 아니었다. 자신의 작은 배를 가진 평범한 시민들이었다. 그들은 구조해야 할 군인들과 개인적인 관계가 없었다. 아무도 그들에게 위험을 감수하라고 명령하지 않았다. 그런데도 그들은 배를 돌리지 않았다. 해협 반대편에서 벌어지는 일을 남의 위기로만 생각하지 않았기 때문이다. 그들을 버린다면 결국 자신들의 집과 삶도 지킬 수 없다는 것을 알고 있었다. 이것이 제니아의 또 다른 모습이다. 낯선 사람의 생존과 나의 미래가 연결되어 있음을 이해하는 것. 타인의 고통을 외면하는 순간 나의 세계도 함께 무너질 수 있다는 사실을 받아들이는 것이다. 놀란의 낙관주의는 “결국 모든 것이 잘될 것”이라는 막연한 위로가 아니다. 인간이 문명을 파괴할 수 있다는 사실을 인정하면서도, 결정적인 순간에 서로를 위해 작은 배를 띄울 수 있다는 믿음이다. 인간다움으로의 귀환 그래서 놀란의 긴 여정이 《오디세이》에 도착한다는 사실은 특별하다. 《인터스텔라》에서는 우주로 향했고, 《테넷》에서는 시간의 방향을 뒤집었으며, 《오펜하이머》에서는 세계를 파괴할 힘과 마주했다. 그러나 그 모든 여정의 끝에서 발견한 답은 새로운 기술도, 완벽한 시스템도, 초월적인 영웅도 아니었다. 낯선 사람을 어떻게 대할 것인가. 힘을 가졌을 때 절제할 수 있는가. 내가 받은 것을 다음 사람에게 돌려줄 수 있는가. 결국 문명을 지탱하는 것은 아주 오래된 인간의 약속이었다. 《오디세이》는 본질적으로 귀환의 이야기다. 오디세우스는 수많은 유혹과 재난을 지나 이타카로 돌아간다. 하지만 놀란의 《오디세이》가 보여주는 귀환은 한 영웅의 귀향만을 의미하지 않을 것이다. 우주와 시간을 건너고, 핵폭발과 문명의 황혼을 바라본 인류가 다시 인간다움으로 돌아가는 이야기일지도 모른다. 우리는 더 먼 우주로 갈 수 있다. 시간을 계산하고 원자를 분열시키며 인간을 닮은 지능을 만들 수도 있다. 하지만 아무리 멀리 나아가더라도 끝내 돌아와야 할 곳이 있다. 낯선 이를 환대하는 것. 힘이 있어도 함부로 사용하지 않는 것. 자연에게 받은 것을 다음 세대에 돌려주는 것. 위험에 빠진 사람을 위해 작은 배를 바다에 띄우는 것. 어쩌면 인류에게 필요한 진정한 귀환은 더 먼 미래로 나아가는 것이 아닐지도 모른다. 미래까지 함께 갈 수 있도록 다시 인간다움으로 돌아오는 것일지 모른다. 문명의 새벽은 언제나 거대한 기술에서 시작되는 것이 아니다. 누군가를 위해 문을 열고, 자리를 내어주며, 작은 배를 띄우는 오래된 마음에서 다시 시작된다. #ChristopherNolan #Interstellar #Tenet #Oppenheimer #TheOdyssey #Dunkirk #Xenia #Hospitality #Humanity #Civilization #CivilizationalCollapse #ClimateCrisis #FutureGenerations #ArtificialIntelligence #AIEthics #HumanResponsibility #Trust #TheGoldenRule #CollectiveAction #PhilosophyOfTechnology

When the Answer Key Arrives, What Is Left to Prove a Person? From Go After AlphaGo to Hiring After Generative AI Lee Sedol learned Go as an art without a single correct answer. Faced with the same board, different players imagined different moves. Those moves carried their temperament, philosophy, and experience. A professional game could therefore be read not merely as the outcome of calculation, but as a work of art. Style was identity. Hide the players’ names and show only the game record, and an expert could often tell who had played. Then AlphaGo effectively introduced an answer key. Professional players no longer search through intuition alone. They study AI-generated win rates and recommended moves. A move once considered beautiful may be judged inefficient, while a move no human would have considered can become the new standard. What is remarkable is that professional players have generally become stronger with AI. The technology did not make humans weaker. It made the differences between them less visible. When everyone consults the same engine and gravitates toward the same optimal moves, it becomes harder to identify the individual behind the game. What AI weakened was not skill. It was signal. The model-answer machine has entered hiring I believe the same transformation is now taking place in the labor market. Before generative AI, résumés and cover letters still revealed differences in a person’s ability to explain their experience. Some people articulated their work clearly. Others had done excellent work but struggled to describe it. That gap was unfair, but it was still a signal. Today, anyone can use AI to create a polished résumé, analyze a job description, generate a tailored cover letter, and rehearse likely interview questions with model answers. A small contribution can be framed as leadership, and an ordinary project can be presented as a strategic achievement. Every candidate has become plausible at once. The deeper problem is not simply that AI can produce falsehoods. It is that AI can present individually accurate statements while removing the context needed to understand them correctly. Every sentence may survive fact-checking, yet the reader can still walk away with a misleading picture. AI has reduced the cost of professional self-description to almost zero. When everyone can produce an impressive claim, the claim itself loses value. Employers then retreat to familiar proxies: school names, previous employers, job titles, and personal referrals. Hiring does not fail because there is too little information. It fails because there is too little evidence anyone can trust. A résumé contains no record of the game Go has no résumés. It has game records. A résumé records outcomes: where someone worked, what title they held, and how long they stayed. A game record preserves sequence. It shows what a player chose in a particular position, where they changed direction, and which decisions demanded the most time. An outcome can be reduced to a single line. A sequence of decisions reveals the person. That is also what an employer actually wants to understand. What problem did this person identify independently? What judgment did they make under constraint? What did they choose, and what did they deliberately give up? Which part of a team result did they personally produce? What failed, and what did they change afterward? Could they achieve a similar result if faced with the same situation again? A sentence such as “Led the company’s US market entry” answers none of these questions. Did the candidate conduct the market research, find the first customer, design the partnership model, or close the contract? A rise in revenue does not tell us whether the result came from individual judgment, market momentum, or the collective work of a team. A résumé shows where a person has been. It does not show the moves they made while they were there. Saywise builds the game record of a career Saywise should not become a service for creating more attractive résumés. AI already does that for free. The scarce resource is no longer expression. It is trust. Saywise should build a game record for a person’s career. Instead of compressing an experience into a one-line claim, it should connect the problem, judgment, action, outcome, and validation behind that claim. This can be structured as an Evidence Graph. Claim: What is the person asserting? Context: What situation and constraints shaped the work? Judgment: What did the person choose, and what did they give up? Action: What did the person execute directly? Artifact: What work product still exists? Attribution: Where does the individual’s contribution to the team result begin and end? Outcome: What actually changed? Iteration: What failed, and how was it improved? Validation: Who can confirm the claim, and on what basis? Consider the statement, “I built a generative AI product that improved operational efficiency by 50 percent.” On Saywise, that statement would not be the conclusion. It would be the beginning of verification. The original problem definition, the reason behind the model choice, evaluation data, failed versions, actual usage metrics, and confirmation from colleagues could all be connected to the claim. Confidential materials would not need to be publicly disclosed, but their verification status could still be made visible. Structure alone, however, does not create trust. AI can fill structured fields just as easily as it can write a résumé. Validation on Saywise must therefore work more like a post-game review in Go than a simple endorsement button. A verifier should be willing to attach their name and time to the review. They should also be able to narrow or challenge a claim—for example: “The result is real, but it was not achieved by this person alone.” Verification that cannot accommodate disagreement is not verification. It is merely another recommendation, and recommendations without accountability have little value. Provide grounds for judgment, not a score Saywise should not reduce a person to an opaque composite score. Saying that one candidate is an 82 and another is a 79 may look precise, but that precision hides context. It can also reproduce existing hiring biases under the authority of an algorithm. Saywise should provide structured grounds for judgment rather than rankings. An Evidence Brief for an early-stage GTM leader at an AI startup might look like this: 0-to-1 partnership building: externally confirmed Korea–US market communication: work product verified First-customer acquisition: outcome data verified Repeatable sales process: partial evidence US enterprise procurement: further verification required Team leadership: awaiting confirmation from former colleagues This information does not automatically accept or reject the candidate. It tells the employer what can reasonably be trusted and what still needs to be examined during the interview. AI does not replace human judgment. It improves the evidence available to the human making the decision. Employers must define the evidence they need Employers do not possess a perfect answer key for talent either. Many job descriptions are revisions of older templates. Instead of identifying the real problems the new hire must solve, they rely on proxies such as years of experience, academic credentials, and recognizable company names. Saywise must therefore structure not only the candidate’s evidence but also the employer’s expectations. This can be called a Role Evidence Spec. Instead of asking for “a GTM leader with more than seven years of experience,” an employer could define evidence such as: Finding the first customer in a new market Building a partner channel with limited resources Translating customer feedback into product and sales decisions Reconciling expectations between headquarters and local customers Deciding what not to pursue under uncertainty Hiring then becomes a process of connecting real problems to relevant evidence, rather than comparing titles and keywords. The Saywise solution The initial Saywise solution can be organized into four stages. 1. Role Evidence Spec The employer defines the actual problems the new hire must solve and the evidence required to demonstrate readiness. 2. Evidence Interview The candidate’s broad claims are reconstructed as a sequence of context, judgment, action, failure, and outcome. 3. Evidence Brief Verified evidence, partially supported claims, open gaps, and the questions that still need to be asked are presented in a concise, decision-ready document. 4. Human Decision AI organizes the grounds for judgment, but the final decision—and responsibility for that decision—remains with people. Saywise does not need to replace LinkedIn, applicant-tracking systems, or recruiters. It can add a trust layer to the hiring process that already exists. The best initial market is likely to be roles that traditional résumés describe poorly: AI-native product builders, early-stage GTM leaders, operations builders, and Korea–US cross-border professionals. In these roles, a person’s history of solving problems matters far more than their formal title. Success should not be measured primarily by signups or profile views. The more meaningful questions are: Did screening time decrease? Were significant risks discovered before the interview? Did the decision differ from the résumé-only assessment? Did the quality of interview questions improve? Did 30-, 60-, and 90-day role fit improve after hiring? The third question is especially important. If Saywise does not change or materially improve a hiring decision, it risks becoming expensive decoration rather than trust infrastructure. What remains is human judgment The shock Lee Sedol experienced was not simply that AI could play Go better than a human. It was that the expertise he had spent a lifetime developing—and the meaning of his profession—had to be redefined against a new standard. Nearly every professional is now approaching the same question. When AI can write reports, generate code, conduct analysis, and prepare interview answers, how can human expertise still be demonstrated? The answer cannot be merely “the ability to use AI.” Using a powerful tool is not the same as exercising sound judgment. AI can generate options, but deciding which problem deserves to be solved—and accepting responsibility for the consequences—remains human work. The professional value of the future can be expressed as: Original thinking × real capability × AI fluency × verifiable evidence None of these elements is sufficient on its own. Original thinking without capability remains opinion. Capability without evidence is difficult for the market to discover. AI fluency without independent judgment leaves a person unable to evaluate the machine’s output. Saywise should not offer people another answer key. Its role is to reveal which problems a person has solved, what judgments they made, what they built, what failed, and how they improved—supported by evidence. It should make visible the real capability currently hidden behind academic credentials, employer names, and AI-polished language. Even after AlphaGo, the defining skill of a professional player is not simply following the engine’s preferred move. It is understanding the machine’s recommendation while retaining the ability to make an independent decision at the critical moment. Hiring is no different. The more perfectly AI can prepare everyone’s answers, the less fluency alone tells us. What matters is the sequence of decisions a person has actually made. The defining question is no longer how perfectly someone can describe themselves. It is what game they have actually played—and whether a credible record of that game remains.

정답이 생긴 시대, 사람은 무엇으로 증명되는가 알파고 이후의 바둑에서 AI 이후의 채용까지, Saywise가 제안하는 새로운 인재의 언어 이세돌은 바둑을 정답이 없는 예술로 배웠다. 같은 판을 바라보더라도 기사마다 서로 다른 수를 생각했고, 그 수에는 각자의 성격과 철학, 경험이 담겼다. 승패도 중요했지만, 어떤 길을 선택하고 어떻게 판을 만들어가는지도 바둑의 본질이었다. 그래서 우리는 한 기사의 바둑을 단순한 계산 결과가 아니라 하나의 작품처럼 바라볼 수 있었다. 그러나 알파고 이후 바둑의 세계에는 사실상 ‘정답지’가 등장했다. 기사들은 자신의 직관만으로 수를 탐색하기보다 AI가 제시하는 승률과 최선의 수를 참고하기 시작했다. 인간이 오랫동안 아름답다고 믿었던 수가 AI에 의해 비효율적인 수로 평가되기도 했고, 인간이 쉽게 떠올리지 못했던 수가 새로운 정석이 됐다. AI는 바둑기사보다 더 강한 선수를 만들어낸 것에 그치지 않았다. 무엇이 좋은 바둑인지, 인간의 실력은 무엇을 의미하는지, 프로기사라는 직업의 가치는 어디에 있는지까지 다시 묻게 했다. 나는 이 변화가 지금의 채용시장에서도 시작되고 있다고 생각한다. 생성형 AI가 만든 ‘완벽한 지원자’ 생성형 AI 이전의 이력서와 자기소개서에는 적어도 개인의 표현력 차이가 어느 정도 드러났다. 어떤 사람은 자신의 경험을 명확하게 설명했고, 어떤 사람은 좋은 경험을 가지고도 제대로 표현하지 못했다. 이제는 다르다. 누구나 AI를 이용해 세련된 이력서를 만들 수 있다. 기업의 채용공고를 분석해 맞춤형 자기소개서를 작성하고, 예상 면접 질문과 모범 답변까지 준비할 수 있다. 경력이 평범해도 전략적으로 보이게 만들 수 있고, 작은 기여도 리더십 성과처럼 표현할 수 있다. 결과적으로 모든 지원자가 그럴듯해지고 있다. 이력서의 문장은 좋아졌지만, 그 사람이 실제로 무엇을 했는지는 더 알기 어려워졌다. 지원자의 표현 능력과 실제 업무 능력 사이의 간격도 커지고 있다. 알파고가 바둑에 정답지를 가져왔다면, 생성형 AI는 채용시장에 ‘모범답안 생성기’를 가져온 셈이다. 문제는 AI가 거짓말을 한다는 것이 아니다. 더 근본적인 문제는 진실과 과장, 직접적인 기여와 팀의 성과, 실제 경험과 학습된 표현을 구별하는 비용이 급격히 높아졌다는 데 있다. 채용시장은 더 이상 정보가 부족해서 실패하지 않는다. 신뢰할 수 있는 증거가 부족해서 실패한다. 이력서는 경력을 기록하지만, 판단을 보여주지 못한다 기존 이력서는 학교, 회사, 직함, 근무기간과 몇 개의 성과 문장을 보여준다. LinkedIn은 여기에 네트워크와 추천을 추가했다. ATS는 이 정보를 검색하고 분류한다. 그러나 실제로 기업이 알고 싶은 것은 다른 것이다. 이 사람은 어떤 문제를 발견했는가? 제약이 있는 상황에서 어떤 판단을 내렸는가? 팀의 성과 가운데 본인이 직접 기여한 부분은 무엇인가? 무엇을 만들었고, 실패했을 때 어떻게 수정했는가? 같은 상황이 다시 주어진다면 비슷한 성과를 낼 수 있는가? “미국 시장 진출을 주도했다”는 문장만으로는 이 질문에 답할 수 없다. 시장조사를 담당했는지, 첫 고객을 발굴했는지, 파트너십 구조를 설계했는지, 계약을 체결했는지 알 수 없기 때문이다. 매출이 증가했다는 결과만으로도 그 성과가 개인의 기여인지, 시장의 성장인지, 팀 전체의 노력인지 구분하기 어렵다. 이력서는 사람이 지나온 장소를 보여준다. 그러나 그 안에서 어떤 생각과 판단을 했는지는 보여주지 못한다. Saywise: 경력 주장 뒤의 증거를 보여주는 플랫폼 Saywise는 더 아름다운 이력서를 만드는 서비스가 되어서는 안 된다. AI가 이미 충분히 아름다운 이력서를 만들어주기 때문이다. Saywise가 해결해야 할 문제는 표현의 부족이 아니라 신뢰의 부족이다. Saywise가 제안하는 것은 Resume 2.0, 즉 살아 있고 검증 가능한 전문 경력 프로필이다. 경력을 한 줄짜리 주장으로 압축하는 대신, 그 주장 뒤에 있는 문제·판단·행동·결과·증거를 연결한다. 이를 위해 모든 핵심 경력을 다음과 같은 Evidence Graph로 구성할 수 있다. Claim: 무엇을 했다고 주장하는가 Context: 어떤 상황과 제약이 있었는가 Judgment: 어떤 선택을 했으며, 왜 그렇게 판단했는가 Action: 본인이 직접 실행한 일은 무엇인가 Artifact: 실제 작업물이나 결과물이 존재하는가 Attribution: 팀 성과 중 개인의 기여는 어디까지인가 Outcome: 어떤 변화와 결과가 발생했는가 Iteration: 무엇이 실패했고, 어떻게 개선했는가 Validation: 동료·고객·데이터·문서 중 무엇이 이를 확인하는가 예를 들어 “생성형 AI 제품을 개발해 업무 효율을 50% 개선했다”는 문장은 Saywise에서 하나의 결론이 아니라 검증의 출발점이 된다. 후보자는 최초 문제정의서, 제품 설계, 프로토타입, 모델 선택 이유, 평가 데이터, 실패 사례, 실제 사용 지표를 연결할 수 있다. 함께 일한 PM이나 엔지니어는 후보자가 직접 담당한 부분을 확인할 수 있다. 기밀 정보는 공개하지 않으면서도 검증 상태와 근거의 종류는 표시할 수 있다. 기업은 더 이상 화려한 한 문장을 그대로 믿거나 의심할 필요가 없다. 그 판단의 근거를 직접 확인할 수 있다. 하나의 점수가 아니라, 판단 가능한 증거를 제공한다 Saywise는 사람에게 불투명한 종합점수를 붙여서는 안 된다. 사람의 가능성과 전문성을 하나의 숫자로 축소하면, 기존 채용시장의 편향을 새로운 알고리즘으로 반복할 위험이 있다. 어떤 사람이 82점이고 다른 사람이 79점이라는 정보는 정확해 보이지만, 실제로는 중요한 맥락을 감춘다. Saywise가 제공해야 하는 것은 순위가 아니라 구조화된 판단 근거다. 예를 들어 AI 스타트업의 글로벌 GTM 리더 후보자라면 다음과 같이 보여줄 수 있다. 0→1 파트너십 구축: 외부 검증 완료 한국·미국 시장 간 커뮤니케이션: 실제 작업물 확인 초기 고객 발굴: 성과 데이터 확인 반복 가능한 세일즈 프로세스: 부분 증거 미국 엔터프라이즈 구매 경험: 추가 확인 필요 팀 리더십: 전 동료의 검증 필요 이 정보는 후보자를 자동으로 탈락시키지 않는다. 대신 채용담당자가 무엇을 신뢰할 수 있고, 면접에서 무엇을 더 확인해야 하는지를 알려준 다. AI가 사람을 대신 판단하는 것이 아니라, 사람이 더 좋은 판단을 내릴 수 있도록 돕는 것이다. 기업에도 ‘인재의 정답지’가 필요한 것은 아니다 기업 역시 완벽한 후보자의 정답을 가지고 있지 않다. 많은 채용공고는 과거에 사용하던 직무기술서를 수정해 만든다. 실제로 입사 후 해결해야 할 문제보다 경력연수, 학력, 유명 기업 근무 경험과 같은 대체지표를 요구한다. 그 결과 기업은 정작 필요한 사람을 놓치고, 지원자는 자신에게 맞지 않는 기준에 맞춰 경력을 포장한다. Saywise는 후보자의 증거만 구조화해서는 안 된다. 기업이 해당 역할에 실제로 필요한 증거를 먼저 정의하도록 도와야 한다. 이를 Role Evidence Spec이라고 부를 수 있다. 기업은 “경력 7년 이상의 GTM 리더”를 찾는 대신 다음을 정의한다. 새로운 시장에서 첫 고객을 발굴해본 경험 제한된 예산으로 유통 또는 파트너 채널을 만든 경험 제품 피드백을 영업 메시지에 반영한 경험 한국 본사와 미국 고객 사이의 기대 차이를 조정한 경험 불확실한 상황에서 우선순위를 결정한 경험 이렇게 하면 채용은 직함과 키워드를 비교하는 과정에서, 실제 문제와 증거를 연결하는 과정으로 바뀐다. Saywise의 구체적인 솔루션 Saywise의 초기 제품은 거대한 채용 플랫폼일 필요가 없다. 한 명의 후보자와 한 번의 채용 의사결정을 더 신뢰할 수 있게 만드는 것부터 시작할 수 있다. 먼저 기업과 함께 핵심 역할에 필요한 증거를 정의한다. 기존 LinkedIn, ATS 또는 리크루터를 통해 유입된 후보자를 Saywise로 초대하고, AI 기반 Evidence Interview를 진행한다. 이 인터뷰는 후보자의 말을 대신 작성해주는 과정이 아니다. 모호한 주장을 구체적인 경험으로 깊게 파고드는 과정이다. “리드했다는 것은 구체적으로 무엇을 의미합니까?” “본인이 직접 내린 가장 중요한 결정은 무엇입니까?” “그 결정에 반대하는 의견은 없었습니까?” “결과를 확인할 수 있는 작업물이나 데이터가 있습니까?” “실패한 시도와 이후 변경한 전략은 무엇입니까?” 인터뷰 결과는 후보자가 검토하고 수정할 수 있다. 어떤 증거를 어느 기업에 공개할지도 후보자가 결정한다. Saywise는 이를 바탕으로 한 페이지 분량의 Evidence Brief를 기업에 제공한다. 기업은 후보자의 강한 증거, 부분적으로 확인된 주장, 아직 확인되지 않은 영역과 면접에서 검증할 질문을 함께 받는다. 채용담당자의 최종 판단은 그대로 유지된다. 달라지는 것은 판단의 품질이다. 어디에서 시작할 것인가 Saywise는 모든 직군을 한꺼번에 지원하기보다, 기존 이력서만으로 역량을 판단하기 어려운 역할에서 시작해야 한다. AI-native Product Builder, 초기 GTM 리더, Operations Builder, 한미 Cross-Border 인재와 같이 직함보다 실제 문제해결 경험이 중요한 직군이 적합하다. 첫 번째 고객도 대기업 전체보다 빠르게 성장하는 AI 스타트업, 미국 진출을 준비하는 한국 기업, 여러 포트폴리오사의 핵심 인재를 연결해야 하는 VC와 액셀러레이터가 좋다. 이들은 잘못된 채용 한 번의 비용이 크고, 새로운 직무가 계속 생기기 때문에 기존의 키워드 중심 채용 방식만으로 사람을 판단하기 어렵다. 초기 파일럿의 성공 역시 가입자 수나 프로필 조회수로 측정해서는 안 된다. 후보자 선별 시간이 줄었는가 면접 전에 중요한 위험을 발견했는가 이력서만 보았을 때와 판단이 달라졌는가 면접 질문의 깊이가 높아졌는가 채용 후 30·60·90일의 역할 적합도가 개선됐는가 이 지표들이 Saywise가 실제로 더 나은 채용 결정을 만들고 있는지를 보여준다. AI 시대에 남는 것은 인간의 판단이다 이세돌이 경험한 충격은 AI가 인간보다 바둑을 잘 둔다는 사실만이 아니었다. 자신이 평생 쌓아온 전문성과 직업의 의미를 새로운 기준에서 다시 정의해야 한다는 충격이었다. 이제 거의 모든 직업인이 비슷한 질문 앞에 서게 될 것이다. AI가 보고서를 쓰고, 코드를 만들고, 디자인하고, 분석하고, 면접 답변까지 준비하는 시대에 인간의 전문성은 무엇으로 증명되는가? 나는 그 답이 단순히 “AI를 잘 사용하는 능력”에만 있다고 생각하지 않는다. 좋은 도구를 사용하는 것과 좋은 판단을 내리는 것은 다르다. AI는 수많은 선택지를 제시할 수 있지만, 어떤 문제를 풀어야 하는지 결정하고 결과에 책임지는 것은 여전히 인간의 몫이다. 앞으로의 인재는 다음 네 가지를 통해 자신의 가치를 보여주게 될 것이다. 자기만의 생각 × 실제 실력 × AI 활용 능력 × 검증 가능한 증거 어느 하나만으로는 충분하지 않다. 자기만의 생각에 실력이 뒷받침되지 않으면 근거 없는 의견이 된다. 실력은 있지만 증거가 없으면 시장에서 발견되기 어렵다. AI 활용 능력은 중요하지만, 자신의 지식과 판단이 없다면 AI의 답을 평가할 수 없다. Saywise의 역할은 사람들에게 또 하나의 정답을 제시하는 것이 아니다. 사람마다 어떤 문제를 해결했고, 어떤 판단을 내렸으며, 무엇을 만들고 어떻게 성장했는지를 증거와 함께 보여주는 것이다. 학벌이나 회사 이름, AI가 다듬은 문장 뒤에 가려져 있던 개인의 실제 능력을 발견할 수 있게 하는 것이다. 알파고 이후에도 바둑기사에게 필요한 것은 AI의 수를 그대로 따라가는 능력만이 아니다. AI의 제안을 이해하면서도 결정적인 순간에 자신의 판단으로 자기만의 바둑을 두는 능력이다. 채용시장도 마찬가지다. AI가 모든 사람에게 완벽한 모범답안을 제공하는 시대일수록, 기업은 답변의 유창함이 아니라 그 사람만의 판단과 실행의 흔적을 확인해야 한다. Saywise는 이력서를 없애는 서비스가 아니다. 이력서만으로는 볼 수 없었던 사람의 생각과 실력을 증거로 연결하는 인프라다. AI가 모든 주장을 그럴듯하게 만드는 시대에, 신뢰할 수 있는 증거를 인재의 새로운 언어로 만드는 플랫폼이다. 이제 중요한 것은 얼마나 완벽하게 자신을 설명하느냐가 아니다. 자신만의 바둑을 어떻게 두어왔는지, 그리고 그것을 무엇으로 증명할 수 있는가이다.

Beyond Resume 2.0: What Saywise Can Learn from Harvey Building the Evidence Layer for Professional Talent Harvey AI Benchmarking, Product Architecture, Go-to-Market Strategy, and Actionable Pilot Cases Prepared as of August 31, 2026 Executive Summary Harvey did not win by solving the problem of legal information being difficult to find. It addressed a more consequential problem: AI-generated legal work could not yet be trusted in high-stakes professional settings. Harvey built a trust layer for legal work by combining general-purpose large language models with legal data, traceable sources, rigorous evaluation, security, permissions, and workflow integration. Saywise faces a parallel challenge. The problem is not that people need a more attractive résumé. The real question is: when AI can make anyone's experience sound credible, whose capabilities should employers actually trust? Saywise should therefore evolve along the following path: Resume 2.0 → Evidence Architecture → Evidence-Based Talent Marketplace → Talent Decision OS Saywise should not become another profile service attempting to replace LinkedIn or applicant tracking systems. It should become the trust layer for hiring that sits on top of them. It should connect candidates' claims with their actual work, individual contribution, judgment, measurable outcomes, and external validation, allowing companies to identify the evidence that matters for a specific role. The Harvey proposition can be translated for Saywise as follows: Harvey automates professional work. Saywise verifies professional capability. 1. Translating Harvey's Playbook for Saywise As of March 2026, Harvey reported more than 100,000 users across 1,300 organizations in over 60 countries, with more than 25,000 custom agents operating inside real legal workflows. Its growth reflects more than chatbot usage: Harvey has become embedded in how its customers work. Harvey's official announcement Saywise should therefore measure more than the number of profiles or pieces of content created. Its critical metric is how deeply it influences real hiring decisions. 2. Saywise's Next Core Product: The Evidence Graph Saywise's current thesis correctly identifies the problem: traditional résumés compress complex experience into short claims, while AI and ATS optimization make candidates sound increasingly similar. Saywise proposes stories, proof, context, video endorsements, AI coaching, and dynamic profiles as a better alternative. Saywise Thesis The next step is to move from a richer professional profile to an evidence architecture that directly supports hiring decisions. The Core Units of an Evidence Graph The objective should not be to assign every person a single opaque “trust score.” Saywise should not reduce an individual to a number. It should show which claims are supported, what supports them, and where further verification is still required. Recommended Evidence States Externally Verified: Supported by independent evidence such as a customer, colleague, or public data. Artifact Supported: A work product is available, but the outcome or individual contribution needs further verification. Self-Reported: Supported only by the candidate's own account. Private Evidence: Verified for an employer but not displayed publicly. Disputed or Unverified: Conflicting information exists or the claim cannot yet be confirmed. These classifications should not punish people for imperfect profiles. Their purpose is to help employers distinguish established facts from areas that require better questions. 3. Turning Harvey's Agents into Saywise Hiring Copilots Harvey evolved from an assistant into a system of multi-step agents. Saywise can similarly move from profile creation into the hiring decision workflow. 1) Evidence Interview Agent Instead of simply rewriting a résumé, the agent asks: What was the hardest problem you had to solve? What belonged to the team, and what did you personally contribute? What data or customer response supported your decision? Which approach failed, and what did you change afterward? Who or what can verify the result? What did AI contribute, and which decisions did you make yourself? The output is not promotional copy. It is a structured Evidence Card. 2) Artifact Analysis Agent With the candidate's consent, the agent analyzes documents, videos, projects, GitHub repositories, and presentations to identify: The connection between each claim and the underlying work Evidence of the candidate's direct contribution Quantitative and qualitative support for the stated outcome Ambiguous claims that require additional verification Information that can be shared publicly versus information restricted to an employer 3) Role Evidence Spec Agent Employers should not define a role only through job-description keywords. For example, the title “Head of GTM” can be translated into specific evidence requirements: Direct experience defining or revising an ICP Evidence of moving from founder-led sales to a repeatable process Proof of acquiring the first customers Decisions connecting product, sales, and marketing Experience correcting a failed market hypothesis Execution under limited budget and headcount External validation from a customer or co-founder 4) Evidence-to-Role Fit Agent This agent does not rank candidates by personality, school, or pedigree. It compares a company's predefined evidence requirements with the candidate's Evidence Graph. Example output: Strong evidence: 0-to-1 partnerships, direct execution with founders, Korea-U.S. market experience Partial evidence: Experience building a repeatable sales organization Missing evidence: Operating within a U.S. enterprise procurement process Interview questions: Three targeted questions designed to resolve the missing evidence 5) Interview Brief Agent Instead of asking every candidate the same generic questions, Saywise generates a structured interview guide based on unverified claims and the role's most consequential risks. 6) Post-Hire Learning Agent With appropriate consent, Saywise can track role performance at 30, 60, and 90 days to learn which forms of pre-hire evidence best predicted success. This must not become an employee-surveillance system. It should function as a learning loop that improves Saywise's Role Evidence Specs and evaluation methods. 4. Actionable Use Cases The following cases are proposed implementation scenarios, not claims of existing deployments. Case A. DiiVER's AI-Native GTM Leader Hiring Pilot The Problem Imagine an early-stage AI startup such as DiiVER hiring a GTM leader. Nearly every applicant claims “global GTM,” “partnerships,” “revenue growth,” and “AI experience.” Yet a résumé rarely reveals who genuinely opened a market and who merely played a supporting role inside an established organization. The Saywise Approach Derrick and the hiring team define five critical job outcomes. Candidates sourced through LinkedIn, Wellfound, the ATS, and recruiters are invited to Saywise with their consent. Each candidate completes a 30- to 45-minute Evidence Interview and documents two flagship projects. Saywise turns the artifacts, individual contribution, outcomes, and external validation into Evidence Cards. Instead of a generic candidate ranking, the company receives an Evidence Brief showing strong evidence, partial evidence, and areas requiring confirmation. The hiring team uses targeted questions generated by Saywise for final verification. Deliverables One Role Evidence Spec Five to ten candidate Evidence Profiles A one-page Evidence Brief for each candidate Structured interview questions A post-pilot review of the hiring decision Metrics Time from initial candidate review to shortlist Changes in judgment after seeing the Evidence Brief rather than the résumé alone Number of material risks discovered during interviews Hiring-team confidence in each candidate Role fit at 30, 60, and 90 days after hiring Commercial Terms The employer continues using LinkedIn, its ATS, and recruiters. Saywise charges nothing until a successful hire is made, then receives a pre-agreed success fee. This structure minimizes adoption risk for the first customer. Case B. An Evidence Profile for a Cross-Border GTM Strategist The Limitation of the Traditional Résumé The phrase “Cross-Border GTM Strategist with 15 years of experience” reveals little about real capability. When experiences such as co-founding Noox, working as a Tokenomist at ICON, helping fomostudio grow to more than 40,000 members, and advising Lunar X are listed as isolated résumé lines, the judgment connecting those experiences disappears. The Saywise Structure Core Claim: Turn the potential of complex technologies and talent into customers, partnerships, and credible market narratives across Korea and the United States. Evidence Story 1 — Noox Problem: How was an early-stage business and its market opportunity structured? Role: What did the candidate directly own as a co-founder? Judgment: Which market, partnership, and financing priorities were chosen? Artifact: Pitches, partner materials, products, and business outputs Outcome: Verifiable business results Validation: Confirmation from co-founders, investors, and partners Evidence Story 2 — fomostudio Problem: How were the earliest users and community formed? Artifact: Content, community operations, and growth experiments Outcome: The definition and evidence behind the 40,000-plus result Judgment: What was repeated, and what was deliberately stopped? Validation: Public data or confirmation from collaborators Evidence Story 3 — Evidence Builder Problem: How can the complex value of AI and deep technology be turned into evidence that markets understand? Method: Problem → Artifact → User → Judgment → Iteration → Impact → Validation Artifact: Interviews, strategy documents, content, and pilot proposals Validation: Customer and collaborator feedback, plus evidence of actual use What the Employer Can Decide Instead of concluding that the candidate merely “looks experienced,” the employer can assess: Is there evidence that this person truly connected Korean and U.S. markets? Did the candidate only advise, or did they execute? What portion of the team result came from the candidate's direct contribution? What strengths would the candidate bring to 0-to-1 GTM at an AI-native startup? Which areas still require verification? This can become a powerful dogfooding case in which Saywise tests both its own hiring and its product. However, the candidate's dual role as an applicant and pilot connector must be disclosed, and the profile evaluation should remain separate from the company's pilot-selection decision. Case C. Verifying an AI Product Builder The Traditional Claim “Built a generative AI feature that improved operational efficiency by 50%.” Evidence Saywise Should Collect The original problem statement and requirements Code or product-design documents directly created by the candidate The rationale behind model and prompt choices Evaluation datasets and documented failure cases Usage metrics before and after launch Tradeoffs among cost, accuracy, and latency Project-based endorsement from a product manager or engineer A demo with confidential and customer data removed Example Role-Fit Output Evaluation AreaEvidence StatusPrototype developmentStrong evidenceProduction deploymentArtifact confirmed; operating scale requires verificationAI evaluation designStrong evidenceEnterprise securityInsufficient evidenceCross-functional leadershipExternal validation required The employer sees what the person built and how they exercised judgment, rather than relying on a generic statement such as “three years of AI experience.” Case D. A Talent Evidence Network for VC Portfolios The Problem VCs support hiring across multiple portfolio companies, yet each company repeatedly searches for and evaluates the same kinds of GTM, product, and AI-builder candidates. A strong candidate who is not selected for one role often disappears rather than being connected to another relevant opportunity in the portfolio. The Saywise Approach Select a VC or accelerator such as DSC Investment as an anchor partner. Define shared critical roles across three to five portfolio companies. Allow candidates to choose the scope and duration of profile sharing within the portfolio network. Reconfigure one Evidence Profile against each company's Role Evidence Spec. With consent, reconnect strong non-hires to relevant roles at other portfolio companies. Value Created VC: A tangible and differentiated portfolio-support capability Startup: Lower verification cost and faster shortlisting Candidate: Multiple suitable opportunities from one rigorous evidence-building process Saywise: A network effect that brings both companies and candidates back repeatedly This resembles Harvey's expansion across teams and workflows inside a major law firm. A portfolio network can become a stronger anchor customer than a single hire at a single company. Case E. Korean B2B AI Startups Entering the U.S. Market Target Companies 20 to 100 employees Preparing for U.S. expansion within three to twelve months Hiring GTM Builders, Product Leaders, or Operations Builders Needing talent who can interpret both Korean career experience and U.S. market requirements The Saywise Approach Do not merely translate Korean achievements into American job titles and keywords. Convert the problem solved, decision made, scope of execution, and organizational context into an English-language Evidence Story. Let U.S. employers evaluate artifacts and external validation rather than unfamiliar company brands. Allow candidates to create company-specific links from one bilingual Evidence Profile. Demonstrate cross-cultural fit through actual examples of collaboration, conflict, and decision-making rather than a personality score. This is where Saywise can become stronger than LinkedIn. LinkedIn translates a career. Saywise makes the meaning and evidence behind that career understandable across borders. 5. A Six-Week Validation Pilot Pilot Objective The goal is not to create as many profiles as possible. It is to determine whether an Evidence Profile enables a faster and better decision in one real, critical hire. PeriodExecutionCore DeliverableWeek 1Select the anchor company and critical rolePilot Charter, Role Evidence SpecWeek 2Invite candidates from existing channels10-20 candidates, documented consentWeek 3Conduct Evidence Interviews and collect materialsEvidence Cards, verification requestsWeek 4Analyze role fit and build the shortlistCandidate Evidence BriefsWeek 5Run structured interviews and collect employer feedbackInterview Briefs, decision-change recordWeek 6Analyze results and improve the productPilot Report, expansion plan for the next role If a completed hire takes longer than six weeks, the pilot's initial success criterion should be a verified shortlist and measurable improvement in employer decision-making. The eventual hire and 90-day outcome can be tracked afterward. Recommended Success Metrics Evidence Profile completion rate above 70% Share of core claims linked to an artifact or external validation Target reduction of at least 30% in time to shortlist Target reduction of at least 50% in interview-preparation time Percentage of candidate rankings that change meaningfully after reviewing evidence rather than résumés alone Percentage of hiring risks identified before the interview Alignment between pre-hire evidence and 30-, 60-, and 90-day role performance Pageviews, profile dwell time, and content volume should remain secondary metrics. 6. GTM Strategy: Co-Develop with Anchor Customers Before Pursuing Individual Sign-Ups Priorities for the First Customer An early-stage startup where one mis-hire is extremely costly A company hiring AI-native GTM, product, or operations talent A VC or accelerator supporting hiring across multiple portfolio companies A B2B AI or deep-tech company connecting the Korean and U.S. markets A&O was not merely a logo for Harvey; it was a co-development partner that raised the standard of the product. Saywise's anchor customer should similarly co-design: Role-specific Evidence Specs Standards for strong and weak evidence External validation methods trusted by employers Information genuinely needed during interviews The relationship between pre-hire evidence and post-hire outcomes Initial Sales Message Keep using LinkedIn, Wellfound, your ATS, and recruiters. Saywise adds the evidence layer they are missing. You pay only when a successful hire is made. Phased Business Model Phase 1 — Concierge Pilot One company and one critical role No charge before a successful hire A pre-agreed success fee after the hire Direct support from the Saywise team for Evidence Interviews and profile structuring Phase 2 — Role-Based SaaS Subscription or project pricing per open role ATS integration, Evidence Briefs, and interview guides Verification and expert interviews as additional services Phase 3 — Portfolio Talent Cloud Annual contracts with VCs and accelerators A shared talent network across portfolio companies Role-specific benchmarks and anonymized hiring insights Cross-company rematching with explicit candidate consent 7. The Benchmark Saywise Must Build Harvey built BigLaw Bench because general AI evaluations cannot measure the quality of real legal work. Saywise likewise needs a benchmark for good hiring decisions, not simply attractive profiles. Working Name: EvidenceBench Evaluation Tasks Distinguish inflated claims from evidence-backed claims Separate team outcomes from individual contribution Extract consequential judgment from project artifacts Check consistency between public information and the candidate's account Match role-specific evidence requirements with candidate evidence State uncertainty when evidence does not exist Suppress discriminatory or job-irrelevant information Generate questions for unresolved issues Evaluators Practitioners and leaders in each role Founders and hiring managers Candidates themselves Employment-law and privacy specialists when necessary Core Principles AI must not claim to determine a person's “potential.” Job-irrelevant proxy variables such as school, age, gender, race, or nationality must be excluded. Every role-fit explanation must trace back to verifiable evidence or an explicitly stated assumption. Candidates must be able to consent to data use, correct errors, and control the scope of sharing. Human judgment and its rationale must be recorded rather than replaced by a model recommendation. 8. Why Trust Must Be a Product Feature Hiring is a high-risk domain in which the use of AI increases regulatory and fairness obligations. New York City's Local Law 144 requires certain automated employment decision tools to undergo a recent bias audit, disclose the results, and provide notice to candidates. NYC DCWP guidance Saywise should therefore include the following from the beginning: Explicit candidate consent and withdrawal Evidence-level visibility controls Clear identification of sources used in analysis Candidate access, correction, and appeal rights A record of the evidence viewed by the hiring team Blocking of protected characteristics and job-irrelevant information No automatic rejection without human review Version history for models and prompts Country- and region-specific retention and deletion policies These are not defensive features to be added later by a legal team. Just as security and source verification are central to Harvey's sales proposition, fairness, consent, and explainability can become Saywise's product differentiation. 9. What to Build Now—and What to Defer Build Now Role Evidence Spec Evidence Interview Claim-to-Proof architecture Evidence states and source display Candidate-level Evidence Briefs Structured interview questions Candidate consent, correction, and visibility controls A dashboard for measuring pilot outcomes Defer at the Beginning An opaque, all-in-one Talent Score Fully automated candidate rejection Supporting every role category simultaneously A mass consumer-profile acquisition campaign A complete hiring suite designed to replace the ATS Unvalidated predictions of “culture fit” Social-feed optimization designed only to increase posting volume Saywise's initial goal is not to become a community where large numbers of people publish content. It is to help one company make a better decision about one important candidate. 10. Final Recommendation Saywise's strongest positioning goes far beyond “a better profile for every knowledge worker.” Saywise is the evidence layer for professional talent. Harvey changed the standard for legal AI from answer generation to verifiable professional work. Saywise can change the standard for hiring platforms from applicant volume and keyword matching to verifiable capability and judgment. The starting point is not a massive marketplace. It is: One trusted anchor company such as DiiVER One critical AI-native GTM, product, or operations role Five to ten deep Evidence Profiles A measurable change in the shortlist and interview decision An evidence-learning loop extending through the first 90 days after hiring If this first case succeeds, Saywise will prove that Resume 2.0 is not only a compelling idea. It is a painkiller that reduces the risk of failed hiring decisions. Recommended Core Messaging Category Evidence-Based Talent Infrastructure Product Resume 2.0 — A Living, Evidence-Backed Professional Profile Employer Value Proposition See the proof behind every professional claim. Strategic Thesis When AI makes every claim sound credible, evidence becomes the new currency of talent. Harvey–Saywise Comparison Harvey turns legal sources into trusted work. Saywise turns professional stories into trusted decisions. Suggested Hashtags #Saywise #HarveyAI #EvidenceBasedHiring #TalentIntelligence #FutureOfWork #HiringInnovation #Resume20 #ProofOfWork #EvidenceGraph #AIRecruiting #TalentTech #TrustInfrastructure #HumanCenteredAI #CrossBorderTalent #FutureOfHiring

Harvey에서 배우는 Saywise의 다음 전략 Resume 2.0에서 Evidence-Based Talent OS로 Harvey AI 벤치마킹·제품 구조·GTM·구체적 파일럿 사례 작성 기준일: 2026년 8월 31일 Executive Summary Harvey가 해결한 문제는 ‘법률 정보를 찾기 어렵다’가 아니었다. AI가 만든 법률 결과를 중요한 업무에 믿고 사용할 수 없다는 문제였다. Harvey는 범용 LLM 위에 법률 데이터, 출처, 평가, 보안, 권한, 워크플로를 쌓아 ‘법률 업무의 신뢰 계층’을 만들었다. Saywise가 해결해야 할 문제도 ‘이력서를 예쁘게 만들기 어렵다’가 아니다. AI가 누구나 그럴듯한 이력서를 만들게 된 시대에 누구의 능력을 믿어야 하는가라는 문제다. 따라서 Saywise의 확장 방향은 다음과 같아야 한다. Resume 2.0 → Evidence Architecture → Evidence-Based Talent Marketplace → Talent Decision OS Saywise는 LinkedIn이나 ATS를 대체하는 또 하나의 프로필 서비스가 아니라, 그 위에 연결되는 채용 신뢰 계층이 되어야 한다. 후보자의 주장, 실제 결과물, 개인 기여, 판단 과정, 성과, 외부 검증을 연결하고, 기업이 특정 역할에 필요한 증거를 빠르게 확인하도록 만들어야 한다. Harvey의 문장을 Saywise에 맞게 바꾸면 다음과 같다. Harvey automates professional work. Saywise verifies professional capability. Harvey는 전문 업무를 자동화한다. Saywise는 누가 그 업무를 해낼 수 있는지 증명한다. 1. Harvey 전략을 Saywise로 번역하기 Harvey는 2026년 3월 기준 10만 명 이상의 변호사, 1,300개 이상의 조직, 60개국 이상에서 사용되고 있으며, 2만5,000개 이상의 맞춤형 에이전트가 실제 법률 워크플로에서 운영된다고 밝혔다. 이 성장은 단순한 챗봇 사용량이 아니라 고객의 업무 구조 안으로 들어간 결과다. Harvey 공식 발표 Saywise도 프로필 수나 콘텐츠 수보다 기업의 실제 채용 결정에 얼마나 깊게 들어갔는가를 측정해야 한다. 2. Saywise의 새로운 핵심 제품: Evidence Graph 현재 Saywise의 공식 메시지는 이력서가 경험을 한 줄짜리 주장으로 압축하고, AI와 ATS가 모든 지원자를 비슷하게 만든다는 문제를 정확히 짚는다. 해결책으로 stories, proof, context, video endorsements, AI coaching, dynamic profiles를 제시한다. Saywise Thesis 다음 단계에서는 ‘스토리가 풍부한 프로필’에서 ‘채용 결정을 지원하는 증거 구조’로 발전해야 한다. Evidence Graph의 기본 단위 필드묻는 질문예시Claim후보자는 무엇을 했다고 주장하는가?“미국 시장 GTM을 구축했다”Problem어떤 문제와 제약이 있었는가?브랜드 인지도와 현지 네트워크가 없었다Artifact실제 작업 결과물은 무엇인가?GTM 전략서, 파트너 목록, 캠페인, 제품 데모Attribution본인이 직접 맡은 부분은 무엇인가?파트너 발굴·메시지 설계·협상 주도Judgment어떤 중요한 판단을 내렸는가?엔터프라이즈 직접영업보다 채널 파트너를 우선Iteration무엇이 실패했고 어떻게 바꿨는가?초기 메시지 반응 저조 후 ICP와 제안 수정Outcome측정 가능한 결과는 무엇인가?고객·매출·투자·사용자·파트너십 변화Validation누가 또는 무엇이 확인하는가?고객, 공동창업자, 데이터, 공개 링크, 추천 영상Confidence현재 증거의 상태는 무엇인가?외부검증·작업물확인·자기보고·미확인 중요한 것은 후보자에게 하나의 불투명한 ‘신뢰 점수’를 붙이지 않는 것이다. Saywise는 사람을 단일 점수로 줄이는 서비스가 아니라, 어떤 주장이 어떤 근거로 뒷받침되는지 보여주는 서비스여야 한다. 권장 증거 상태 Externally Verified: 고객·동료·공개 데이터 등 독립된 근거가 확인됨 Artifact Supported: 실제 결과물은 확인되지만 성과 또는 개인 기여는 추가 확인 필요 Self-Reported: 후보자 설명만 존재함 Private Evidence: 기업에는 확인됐지만 공개 프로필에는 비공개 Disputed or Unverified: 상충하거나 확인되지 않은 부분이 있음 이 분류는 과장된 프로필을 처벌하기 위한 것이 아니라, 채용담당자가 확실한 사실과 추가 질문이 필요한 부분을 구분하도록 돕는다. 3. Harvey의 Agents를 Saywise의 Hiring Copilots로 Harvey가 Assistant에서 다단계 Agents로 확장한 것처럼, Saywise도 프로필 생성 도구에서 채용 의사결정 워크플로로 이동할 수 있다. 1) Evidence Interview Agent 후보자의 이력서를 다시 써주는 대신 다음 질문을 던진다. “당시 해결해야 했던 가장 어려운 문제는 무엇이었습니까?” “팀의 성과와 본인의 기여를 구분하면 무엇입니까?” “그 판단을 뒷받침한 데이터나 고객 반응은 무엇입니까?” “실패한 접근과 이후의 변화는 무엇입니까?” “이 결과를 확인할 수 있는 사람이나 자료가 있습니까?” “AI가 기여한 부분과 본인이 직접 판단한 부분은 무엇입니까?” 출력은 홍보문이 아니라 구조화된 Evidence Card다. 2) Artifact Analysis Agent 후보자가 동의해 제출한 문서, 영상, 프로젝트, GitHub, 발표자료를 분석해 다음을 정리한다. 주장과 실제 결과물의 연결 개인의 직접 기여가 드러나는 부분 결과를 뒷받침하는 정량·정성 증거 추가 확인이 필요한 모호한 주장 공개 가능한 정보와 기업에만 공유할 정보 3) Role Evidence Spec Agent 기업이 직무기술서의 키워드만 입력하지 않도록 돕는다. 예를 들어 ‘Head of GTM’이라는 직함을 다음 증거 요건으로 변환한다. ICP를 직접 정의하거나 수정한 경험 창업자 중심 영업에서 반복 가능한 프로세스로 전환한 경험 0→1 고객 확보 증거 제품·영업·마케팅을 연결한 판단 사례 실패한 시장 가설을 수정한 경험 제한된 예산과 인력에서 실행한 경험 고객 또는 공동창업자의 외부 검증 4) Evidence-to-Role Fit Agent 후보자를 성격이나 학교 이름으로 점수화하지 않고, 기업이 사전에 정의한 증거 요건과 후보자의 Evidence Graph를 비교한다. 출력 예시: Strong evidence: 0→1 파트너십, 창업자와의 직접 실행, 한미 시장 경험 Partial evidence: 반복 가능한 세일즈 조직 구축 경험 Missing evidence: 미국 엔터프라이즈 구매 프로세스 운영 Interview questions: 빈 부분을 확인할 구체적 질문 세 개 5) Interview Brief Agent 모든 후보자에게 같은 일반 질문을 던지는 대신, 확인되지 않은 주장과 해당 역할의 핵심 리스크를 중심으로 구조화된 면접 가이드를 만든다. 6) Post-Hire Learning Agent 채용 후 30·60·90일의 역할 성과를 동의 아래 추적해 어떤 사전 증거가 실제 업무 성공을 잘 예측했는지 학습한다. 이 데이터는 개인을 감시하는 용도가 아니라 Saywise의 Role Evidence Spec과 평가 방법을 개선하는 루프가 되어야 한다. 4. 구체적 적용 사례 아래 사례들은 실제 도입을 주장하는 것이 아니라, 바로 실행할 수 있도록 설계한 제안 시나리오다. 사례 A. DiiVER의 AI-Native GTM 리더 채용 파일럿 문제 DiiVER와 같은 초기 AI 스타트업이 GTM 리더를 채용한다고 가정한다. 지원자 대부분은 ‘글로벌 GTM’, ‘파트너십’, ‘매출 성장’, ‘AI 경험’을 이력서에 적는다. 그러나 누가 실제로 시장을 열었고, 누가 이미 만들어진 조직에서 일부 업무만 수행했는지 구분하기 어렵다. Saywise 적용 Derrick과 채용담당자가 역할의 핵심 과업 5개를 정의한다. 기존 LinkedIn·Wellfound·ATS·리크루터에서 들어온 후보자 중 동의한 후보자를 Saywise로 초대한다. 후보자는 30~45분 Evidence Interview와 대표 프로젝트 2개를 완성한다. Saywise는 결과물·개인 기여·성과·외부검증을 Evidence Card로 만든다. 기업은 일반적인 후보자 순위 대신 ‘강한 증거·부분 증거·확인 필요’가 표시된 Evidence Brief를 받는다. Saywise가 생성한 맞춤형 면접 질문으로 최종 검증한다. 산출물 Role Evidence Spec 1개 후보자 Evidence Profiles 5~10개 후보자별 1페이지 Evidence Brief 구조화 면접 질문 파일럿 종료 후 채용 결정 회고 측정 지표 최초 후보 검토에서 shortlist까지 걸린 시간 일반 이력서만 봤을 때와 Evidence Brief를 봤을 때 판단 변화 면접에서 새롭게 확인된 중요한 리스크 수 채용담당자의 후보자 확신도 채용 시 30·60·90일 역할 적합도 상업 조건 기존 LinkedIn·ATS·리크루터는 그대로 유지한다. Saywise는 실제 채용 성공 전 무료, 채용 성공 시 사전에 합의한 비용을 받는다. 이 구조는 초기 고객의 도입 위험을 최소화한다. 사례 B. Cross-Border GTM Strategist의 Evidence Profile 기존 이력서의 한계 후보자가 ‘15년 경력의 Cross-Border GTM Strategist’라고 써도 실제 역량은 보이지 않는다. Noox 공동창업, ICON Tokenomist, fomostudio의 4만+ 규모 성과, Lunar X 자문 같은 경험이 한 줄씩 나열되면 서로 다른 경험을 관통하는 판단 능력이 사라진다. Saywise 구조 Core Claim: 복잡한 기술과 인재의 가능성을 한미 시장의 고객·파트너십·신뢰 가능한 스토리로 전환한다. Evidence Story 1 — Noox Problem: 초기 사업과 시장 기회를 어떻게 구조화했는가 Role: 공동창업자로 직접 맡은 범위 Judgment: 어떤 시장·파트너·자금 전략을 우선했는가 Artifact: 피치, 파트너 자료, 제품 또는 사업 결과물 Outcome: 확인 가능한 사업 성과 Validation: 공동창업자·투자자·파트너 확인 Evidence Story 2 — fomostudio Problem: 초기 사용자와 커뮤니티를 어떻게 형성했는가 Artifact: 콘텐츠, 커뮤니티 운영, 성장 실험 Outcome: 4만+ 규모 성과의 정의와 근거 Judgment: 무엇을 반복하고 무엇을 중단했는가 Validation: 공개 데이터 또는 동료 확인 Evidence Story 3 — Evidence Builder Problem: AI·딥테크의 복잡한 가치를 시장이 이해할 수 있는 증거로 바꾸는 방법 Method: Problem→Artifact→User→Judgment→Iteration→Impact→Validation Artifact: 인터뷰, 전략 문서, 콘텐츠, 파일럿 제안 Validation: 고객·협업자 피드백과 실제 활용 기업이 받는 결과 “경험이 많아 보인다”는 인상 대신 다음을 판단할 수 있다. 한미 시장을 실제로 연결한 증거가 있는가 전략만 제시했는가, 실행까지 맡았는가 팀 성과 중 본인의 기여는 무엇인가 AI-native 스타트업의 0→1 GTM에 어떤 강점이 있는가 어떤 영역은 추가 검증이 필요한가 이 사례는 Saywise가 자신의 채용과 제품을 동시에 검증하는 dogfooding case가 될 수 있다. 단, Saywise 지원자이면서 파일럿 연결자라는 이해관계는 투명하게 공개하고, 본인 프로필 평가와 기업 파일럿 선정은 분리해야 한다. 사례 C. AI Product Builder의 실력 검증 기존 주장 “생성형 AI 기능을 개발해 업무 효율을 50% 개선했다.” Saywise가 수집할 증거 문제 정의 문서와 최초 요구사항 후보자가 직접 작성한 코드 또는 설계 문서 모델·프롬프트 선택 이유 평가셋과 실패 사례 출시 전후 사용 지표 비용·정확도·속도의 트레이드오프 PM 또는 엔지니어의 프로젝트 기반 endorsement 고객 데이터와 기밀을 제거한 데모 영상 Role Fit 결과 평가 영역증거 상태Prototype 제작강한 증거Production deployment작업물 확인, 운영 규모 추가 확인 필요AI evaluation 설계강한 증거Enterprise security증거 부족Cross-functional leadership외부 검증 필요 기업은 ‘AI 경험 3년’ 같은 기간보다 후보자가 실제로 무엇을 만들고 어떻게 판단했는지 확인한다. 사례 D. VC 포트폴리오용 Talent Evidence Network 문제 VC는 여러 포트폴리오사의 핵심 인재 채용을 돕지만, 각 회사가 같은 GTM·Product·AI Builder 후보자를 반복해서 탐색하고 검증한다. 좋은 후보자는 한 번의 채용에서 탈락하면 다른 포트폴리오사에 연결되지 못하고 사라진다. Saywise 적용 DSC Investment 같은 VC 또는 액셀러레이터를 앵커 파트너로 선정한다. 포트폴리오사 3~5곳의 공통 핵심 역할을 정의한다. 후보자에게 포트폴리오 네트워크 내 공유 범위와 기간을 직접 선택하게 한다. 한 번 구축한 Evidence Profile을 각 회사의 Role Evidence Spec에 맞춰 다르게 보여준다. 채용되지 않은 후보자도 동의하면 다른 포트폴리오사의 관련 역할로 연결한다. 가치 VC: 포트폴리오 지원의 구체적 차별화 스타트업: 검증 비용과 shortlist 시간 감소 후보자: 한 번의 깊은 증거 구축으로 여러 적합 기회 탐색 Saywise: 후보자와 기업 양쪽이 반복적으로 돌아오는 네트워크 효과 이 모델은 Harvey가 한 대형 로펌 안에서 여러 업무와 팀으로 확장한 방식과 유사하다. 한 회사의 한 채용보다 하나의 포트폴리오 네트워크가 더 강한 앵커 고객이 될 수 있다. 사례 E. 미국 시장에 진출하는 한국 B2B AI 스타트업 타깃 직원 20~100명 향후 3~12개월 내 미국 진출 준비 필요한 역할: GTM Builder, Product Leader, Operations Builder 한국 경력과 미국 시장 경험을 함께 이해할 인재가 필요 Saywise 적용 후보자의 한국 성과를 미국식 직함과 키워드로 단순 번역하지 않는다. 한국에서 해결한 문제, 의사결정, 실행 범위, 조직 맥락을 영어 Evidence Story로 변환한다. 미국 고용주는 익숙하지 않은 회사 브랜드 대신 작업물과 외부검증을 본다. 후보자는 하나의 한영 이중언어 Evidence Profile에서 기업별 맞춤 링크를 만든다. Saywise는 문화적 적합성을 성격 점수로 단정하지 않고, 실제 협업·갈등·의사결정 사례로 보여준다. 이것이 Saywise가 LinkedIn보다 강해질 수 있는 영역이다. LinkedIn은 경력을 번역하지만, Saywise는 경력의 의미와 증거를 국경 너머에서도 이해 가능하게 만든다. 5. 6주 실행 파일럿 파일럿 목표 프로필을 많이 만드는 것이 아니라, 한 개의 실제 핵심 채용에서 Evidence Profile이 더 빠르고 더 나은 판단을 만드는지 검증한다. 기간실행 내용핵심 산출물Week 1앵커 기업·핵심 역할 선정Pilot Charter, Role Evidence SpecWeek 2기존 채널에서 후보자 초대후보자 10~20명, 참여 동의Week 3Evidence Interview·자료 제출Evidence Cards, 검증 요청Week 4Role Fit 분석·shortlist후보자별 Evidence BriefWeek 5구조화 면접·기업 피드백Interview Brief, 판단 변화 기록Week 6결과 분석·제품 개선Pilot Report, 다음 역할 확장안 채용 완료까지 6주를 넘길 경우, 파일럿의 1차 성공 기준은 검증된 shortlist와 채용담당자의 의사결정 개선으로 두고 실제 채용과 90일 성과는 후속 추적한다. 권장 성공 지표 후보자 Evidence Profile 완성률 70% 이상 핵심 Claim 중 artifact 또는 외부검증이 연결된 비율 shortlist 결정 시간 30% 이상 감소 목표 면접 준비 시간 50% 이상 감소 목표 이력서만 봤을 때와 비교해 후보자 순위가 의미 있게 바뀐 비율 채용담당자가 ‘추가로 확인해야 할 리스크’를 면접 전에 발견한 비율 실제 채용 시 30·60·90일 역할 성과와 초기 증거의 일치도 단순 페이지뷰, 프로필 체류시간, 콘텐츠 게시 수는 보조지표로만 사용해야 한다. 6. GTM 전략: 개인 가입보다 앵커 고객 공동개발 첫 고객의 우선순위 한 번의 오채용 비용이 큰 초기 스타트업 AI-native GTM·Product·Operations 역할을 채용하는 기업 여러 포트폴리오사의 채용을 돕는 VC·액셀러레이터 한미 시장을 연결해야 하는 B2B AI·딥테크 기업 Harvey에게 A&O가 단순 고객이 아니라 제품 기준을 높인 공동개발자였듯, Saywise의 앵커 고객도 로고 제공자가 아니라 다음을 함께 설계해야 한다. 역할별 Evidence Spec 좋은 증거와 약한 증거의 기준 기업이 신뢰하는 외부검증 방식 면접 과정에서 실제로 필요한 정보 채용 후 성과와 사전 증거의 관계 초기 판매 문구 Keep using LinkedIn, Wellfound, your ATS, and recruiters. Saywise adds the evidence layer they are missing. You pay only when a successful hire is made. 한국어: LinkedIn, Wellfound, ATS, 리크루터를 그대로 사용하세요. Saywise는 기존 채널에 없는 ‘검증 가능한 업무 증거’를 추가합니다. 실제 채용에 성공하기 전까지 비용은 없습니다. 단계별 수익모델 Phase 1 — Concierge Pilot 1개 기업·1개 핵심 역할 성공 채용 전 무료 채용 성공 시 합의된 성공 수수료 Saywise 팀이 Evidence Interview와 구조화를 직접 지원 Phase 2 — Role-Based SaaS 열린 역할별 구독 또는 프로젝트 요금 ATS 연동, Evidence Brief, 면접 가이드 제공 검증·전문가 인터뷰는 추가 서비스 Phase 3 — Portfolio Talent Cloud VC·액셀러레이터 연간 계약 포트폴리오 공통 Talent Network 역할별 벤치마크와 익명화된 채용 인사이트 후보자의 명시적 동의 아래 기업 간 재매칭 7. Saywise가 만들어야 할 자체 벤치마크 Harvey가 BigLaw Bench를 만든 이유는 범용 AI 평가로는 실제 법률 업무의 품질을 알 수 없기 때문이다. Saywise도 ‘좋은 프로필’이 아니라 ‘좋은 채용 판단’을 평가하는 자체 벤치마크가 필요하다. 가칭: EvidenceBench 평가 과업 과장된 Claim과 근거 있는 Claim 구분 팀 성과와 개인 기여 분리 프로젝트 결과물에서 핵심 판단 추출 공개 자료와 후보자 설명의 일치 확인 직무별 증거 요건과 후보자 근거 연결 증거가 없을 때 모른다고 표시 차별적·직무무관 정보의 사용 억제 면접에서 확인할 질문 생성 평가자 역할별 현업 리더 창업자·채용담당자 후보자 본인 필요 시 노동·개인정보 전문가 핵심 원칙 AI가 사람의 ‘잠재력’을 단정하지 않는다. 학교·나이·성별·인종·국적 같은 직무무관 대리변수를 배제한다. 모든 Role Fit 설명은 확인 가능한 증거나 명시된 가정으로 돌아갈 수 있어야 한다. 후보자는 데이터 사용에 동의하고, 오류를 수정하고, 공유 범위를 정할 수 있어야 한다. 모델의 추천보다 인간의 최종 판단과 그 근거를 기록한다. 8. 신뢰를 제품 기능으로 만들어야 하는 이유 채용은 AI가 개입할수록 규제와 공정성 요구가 커지는 고위험 영역이다. 뉴욕시의 Local Law 144는 자동화된 채용결정도구 사용 시 최근 1년 이내의 편향 감사, 결과 공개, 후보자 통지를 요구한다. NYC DCWP 안내 따라서 Saywise는 초기부터 다음을 제품에 포함해야 한다. 후보자 명시적 동의와 철회 증거별 공개 범위 설정 분석에 사용된 정보의 출처 표시 후보자의 열람·수정·이의제기 채용담당자가 본 판단 근거의 기록 보호특성과 직무무관 정보의 차단 인간 검토 없는 자동 탈락 금지 모델과 프롬프트 변경 이력 관리 국가·지역별 보존기간과 삭제 정책 이것은 법무팀이 나중에 추가하는 방어 기능이 아니다. Harvey에게 보안과 출처 검증이 판매의 핵심이었듯, Saywise에서는 공정성·동의·설명 가능성 자체가 제품의 차별화가 된다. 9. 무엇을 먼저 만들고 무엇을 미룰 것인가 지금 만들어야 할 것 Role Evidence Spec Evidence Interview Claim-to-Proof 구조 증거 상태와 출처 표시 후보자별 Evidence Brief 구조화 면접 질문 후보자 동의·수정·공개범위 관리 파일럿 성과 측정 대시보드 초기에는 미뤄야 할 것 불투명한 종합 Talent Score 완전 자동 후보자 탈락 모든 직군을 동시에 지원 대규모 소비자 프로필 확보 캠페인 기존 ATS를 대체하는 전체 채용 시스템 검증되지 않은 ‘문화 적합도’ 예측 콘텐츠 게시량을 늘리기 위한 소셜 피드 최적화 초기 Saywise의 목표는 많은 사람이 콘텐츠를 올리는 커뮤니티가 아니다. 한 명의 중요한 후보자에 대해 기업이 더 좋은 결정을 내리게 만드는 것이다. 10. 최종 제안 Saywise의 가장 강력한 포지셔닝은 ‘모든 지식근로자를 위한 멋진 프로필’에서 끝나지 않는다. Saywise is the evidence layer for professional talent. Saywise는 사람의 능력을 믿을 수 있게 만드는 증거 계층이다. Harvey가 법률 AI의 경쟁 기준을 ‘답변 생성’에서 ‘검증 가능한 업무 수행’으로 바꿨다면, Saywise는 채용 플랫폼의 경쟁 기준을 ‘지원자 수와 키워드 매칭’에서 ‘검증 가능한 능력과 판단’으로 바꿀 수 있다. 그 시작점은 거대한 마켓플레이스가 아니다. DiiVER 같은 신뢰 기반 앵커 기업 한 곳 AI-native GTM·Product·Operations 중 핵심 역할 하나 후보자 5~10명의 깊은 Evidence Profile 실제 shortlist와 면접 판단의 변화 채용 후 90일까지 이어지는 증거 학습 루프 이 한 건이 성공하면 Saywise는 ‘Resume 2.0’이라는 좋은 아이디어를 넘어, 채용 실패의 위험을 줄이는 painkiller라는 사실을 증명할 수 있다. 추천 핵심 문구 Category Evidence-Based Talent Infrastructure 검증 가능한 인재 의사결정 인프라 Product Resume 2.0 — A Living, Evidence-Backed Professional Profile 살아 있고 증거로 뒷받침되는 전문 프로필 Employer Value Proposition See the proof behind every professional claim. 모든 경력 주장 뒤에 있는 실제 증거를 확인하세요. Strategic Thesis When AI makes every claim sound credible, evidence becomes the new currency of talent. AI가 모든 주장을 그럴듯하게 만드는 시대에는 증거가 인재의 새로운 화폐가 된다. Harvey–Saywise Comparison Harvey turns legal sources into trusted work. Saywise turns professional stories into trusted decisions. Harvey가 법률 근거를 신뢰할 수 있는 업무로 바꾼다면, Saywise는 직업적 경험을 신뢰할 수 있는 채용 결정으로 바꾼다.

Harvey Automates Work. Saywise Redesigns Trust. One compresses the cost of expert time. The other reduces the uncertainty of high-stakes hiring. An AI company does not succeed on model performance alone. Many companies can access the same language models, yet very few grow like Harvey. The decisive question is not simply what AI can do. It is which problem that capability is applied to—and who is willing to pay for the outcome. Harvey answered that question with unusual clarity. It was not merely selling intelligent AI. It was selling the expensive professional time that AI could give back. Starting With the Most Expensive Hour Legal work offers unusually favorable conditions for generative AI to create measurable economic value. Lawyers read contracts, research case law, compare documents, assess risk, and draft new language. Both the raw material and the output of their work are largely made of words and documents. At the same time, the people performing that work are expensive. If a contract review that once took an hour can be completed in minutes, the value is easy to calculate. A law firm can handle more work with the same team, while lawyers can devote more time to strategy and judgment instead of repetitive processing. Harvey did not have to create new demand. It found work that already absorbed enormous amounts of money and moved part of that work into software. Harvey's first insight was not about legal knowledge itself. It was that the time spent processing legal knowledge already carried a premium price. A Lawyer Who Knew the Work and a Researcher Who Knew the Technology Harvey was founded in 2022 by Winston Weinberg, a former lawyer, and Gabe Pereyra, a former DeepMind researcher. Weinberg understood how legal work actually moved through a firm. Pereyra understood what language models did well—and where they could fail. A team that knows only law may miss the possibilities and limitations of AI. A team that knows only technology may misunderstand the problems lawyers actually need to solve. Harvey combined both perspectives inside the founding team. The founders tested early language models on legal work and then cold-emailed OpenAI. They did not present only a plan; they showed working results. In 2022, Harvey raised a $5 million seed round led by the OpenAI Startup Fund. Harvey's founding story, early funding coverage The experiment came first. The funding followed. The First Customer That Contained 3,500 Users The decisive moment in Harvey's growth was its relationship with global law firm Allen & Overy. Allen & Overy began piloting Harvey in November 2022. This was not a casual test by a handful of lawyers. The platform was used for live work including contract analysis, due diligence, litigation, and regulatory matters. By the end of the trial, roughly 3,500 lawyers had submitted about 40,000 queries. In February 2023, the firm expanded Harvey across 43 offices. Allen & Overy's announcement That single customer gave Harvey three things. The first was credibility. The fact that a major law firm—an institution deeply concerned with security and accuracy—had chosen Harvey became powerful evidence for every firm that followed. The second was real-world usage. Harvey could observe what lawyers actually asked, which answers they used, and where they found errors inside real legal workflows. The third was distribution. There was only one enterprise contract, but it contained 3,500 users. Harvey did not acquire thousands of individual users one by one. It first secured one customer that already contained thousands of users. More importantly, Allen & Overy was not treated as a simple buyer. Its lawyers used Harvey in live matters and contributed to product development. Harvey later worked with Allen & Overy and Microsoft on ContractMatrix, a contract drafting and review product. In 2025, the partnership expanded into AI agents designed to handle more complex legal workflows. The first major customer validated the product. The validated product attracted the next customer. What Legal Work Does Harvey Actually Change? Harvey's growth began not with abstract promises about AI, but with concrete legal tasks. Contract Drafting and Review Traditionally, lawyers read contracts from beginning to end, searching for risky clauses, missing provisions, and conflicts between sections. Harvey can analyze agreements, classify key provisions, flag potential legal risks, and suggest language for further review. It can also compare multiple contracts or evaluate a counterparty's draft against an organization's standard form. AI does not make the final contractual decision. It performs the repetitive first pass, allowing the lawyer to focus on negotiation strategy, exceptions, and final judgment. Legal Research Legal research requires lawyers to locate, read, and connect large volumes of case law, statutes, and regulatory material. Harvey can receive a question in natural language, identify relevant cases and regulations, organize the issues, and present supporting sources. By connecting legal information across jurisdictions, it can also assist multinational companies with regulatory questions. Instead of locating every source from scratch, the lawyer reviews the AI-organized analysis and verifies its citations. Litigation Preparation Large disputes may require teams to review tens of thousands of emails, contracts, reports, and internal documents. Harvey can classify these materials and identify relationships among key phrases, people, events, and documents. It can surface files that may contain important evidence or require additional human review. The value goes beyond keyword search. The system can help reveal how multiple documents connect within the broader context of a matter. Regulatory Compliance and Risk Management In heavily regulated industries such as finance, healthcare, and energy, companies must repeatedly check contracts and internal policies as rules change. Harvey can compare new regulations with internal documents, identify potential exposure, and highlight areas that may need revision. Instead of reviewing everything manually, legal teams can begin with the highest-risk areas. The Value of Time, Observed in Practice A Korean analysis published in February 2025 illustrated how legal AI can reduce the time required for certain kinds of work. The article cited examples including: More than a 30% reduction in international-litigation document review time at Allen & Overy Roughly 50% lower document-processing time at some firms A reduction from six months to two months for the analysis of 100,000 litigation documents More than 70% time savings in certain legal-research tasks These figures should not be treated as universal outcomes. Results will vary according to the kind of document, data quality, review procedures, and the maturity of each organization's AI deployment. The direction, however, is clear. AI does not eliminate a lawyer's final judgment. It reduces the repetitive work required before that judgment can be exercised. News2Day analysis of Harvey AI does not remove the lawyer. It changes where the lawyer spends time. Lawyers once spent much of their time finding, classifying, and organizing information. When AI handles more of that process, lawyers can spend more time interpreting facts, comparing risks, persuading clients, and taking responsibility for final decisions. As automation expands, human judgment does not disappear. It moves higher up the value chain. From Answering Questions to Executing Work Early Harvey resembled an AI assistant that answered legal questions and produced drafts. But a chat window alone cannot become a core enterprise system. After receiving an answer, users still have to return to Word, email, and document-management tools. Harvey therefore expanded the scope of the product step by step. Assistant answers legal questions and helps draft documents. Vault stores and analyzes large collections of contracts and matter files. Knowledge connects external legal information with institutional knowledge. Workflows standardize recurring work according to each organization's practices. Agents receive an objective, execute multiple steps, and return reviewable work product. Spaces and Ecosystem connect firms, clients, Word, and document-management systems. First, Harvey answered questions. Then it understood documents. Next, it automated recurring procedures. Now it can execute multi-step work and produce a reviewable result. Harvey's unit of value expanded from the question to the document, from the document to the workflow, and from the workflow to completed work. As customers accumulate their documents, processes, and review criteria inside Harvey, the product becomes more deeply embedded in how the organization operates. At that point, Harvey is no longer a legal chatbot. It becomes an operating system for professional work. Harvey's Rapid Growth During 2024, Harvey expanded from 40 customers to 235 across 42 countries. Its annual recurring revenue grew fourfold. Harvey's Series D announcement By August 2025, Harvey reported: More than 500 customers Operations across 54 countries More than $100 million in annual recurring revenue Adoption by 42% of the Am Law 100 Approximately 350 employees Fourfold year-over-year growth in weekly active users A 5.5-fold increase in monthly queries The number of active files stored on the platform increased 36-fold, from 268,000 to 9.75 million. Harvey's third-anniversary update In the third quarter of 2025, Harvey reported gross revenue retention of 98% and net dollar retention of 167%. That suggests that existing customers rarely left and that those who remained expanded their spending substantially. Harvey's Q3 2025 update In March 2026, Harvey raised another $200 million at an $11 billion valuation. The company said it would use the capital to expand its AI agents and the legal-engineering teams that support customers. Harvey's funding announcement By June 2026, Harvey's public materials described a platform used by more than 142,000 legal professionals across more than 1,500 customers in over 60 countries, including more than 60% of the Am Law 100. Harvey on legal operations Most of these figures come from Harvey's own disclosures and should be read accordingly. Its valuation also reflects investor expectations about future growth, not only current performance. Why Did Harvey Succeed? Harvey's growth model can be reduced to five choices. 1. It Chose an Expensive Problem Harvey did not chase every problem AI could solve. It focused on legal work, where labor is expensive, documents are central, and repetitive tasks are common. Its price could be compared not with ordinary software subscriptions, but with the professional hours it saved. 2. It Started Narrow and Went Deep Harvey did not begin by attacking accounting, finance, healthcare, and consulting at the same time. It first proved accuracy, security, and real-world value in law. The narrow market was not a limitation; it was what allowed the product to become deep enough to matter. 3. It Built With a Marquee Customer Harvey did not use Allen & Overy merely as a logo. Thousands of lawyers used the product in live work, and the resulting feedback improved the system. Harvey did not guess what customers might want from the outside. It built alongside them, inside their workflows. 4. It Designed Trust Before Features Legal documents contain deal terms, litigation strategy, trade secrets, and personal data. Harvey did not sell performance alone. It invested early in security, confidentiality, and governance so that customers could entrust the platform with sensitive work. What Harvey sold was not merely intelligent output. It sold institutional confidence. 5. It Expanded From a Tool Into an Operating System If Harvey had remained a product that only answered legal questions, competitors could have easily appeared similar. Instead, Harvey connected institutional documents, knowledge, recurring processes, and review criteria inside one system. As more people use it and more work accumulates, the platform becomes increasingly difficult to replace. Harvey's real advantage is not a single foundation model. Its advantage is that it lives inside how the customer works. The Challenges That Remain Harvey's rapid growth does not mean that every problem in legal AI has been solved. Accuracy and Hallucinations In law, a small mistake can produce a large consequence. A fabricated precedent or an incorrect interpretation of jurisdictional differences can cause real harm. AI-generated work must be grounded in sources and remain reviewable by qualified lawyers. Jurisdiction and Context The same language can carry different meanings depending on the country, the purpose of an agreement, and the facts of a case. Legal work is not simply the search for one correct answer. It requires judgment among competing interpretations and risks. AI may analyze the documents, but final judgment and responsibility remain with the professional. Security and Confidentiality Legal documents contain some of an organization's most sensitive information. Customers need clarity about which data is used for training, where documents are stored, and who can access them. In legal AI, security is not an optional feature. It is the foundation of the product. Expansion Beyond Big Law The main customers for legal AI today are large firms and corporate legal departments that can afford enterprise systems. Creating pricing and service models that also work for smaller firms, startups, nonprofits, and individuals remains an important challenge. The Billable-Hour Paradox The legal industry has long charged clients according to the number of hours lawyers spend on a matter. If AI dramatically reduces those hours, it may conflict with the industry's traditional revenue model. Firms will need to consider moving from selling time toward pricing outcomes, expertise, and reduced risk. Harvey may transform not only how legal work is performed, but also how legal businesses make money. How Are Harvey and Saywise Different? Saywise cannot simply copy Harvey's strategy because the two companies address structurally different problems. At Saywise, the individual producing evidence and the company using that evidence to hire someone sit on different sides of the market. The individual wants to look as strong as possible, while the company wants the most accurate judgment possible. The feedback cycles are also different. An error in a contract can be found now. Whether a person was a successful hire may not become clear for six months or a year. The nature of the data differs as well. Harvey works with documents the customer already owns. Saywise must determine which parts of a person's submitted experience are accurate and what that person actually contributed. The most important feature of Saywise, therefore, is not AI that makes a person's story sound more impressive. It is a system that separates claims from evidence and connects that evidence to real outcomes. What Should Saywise Learn From Harvey? Choose the Most Expensive Mistake, Not the Most Expensive Hour Harvey reduces the cost of expensive legal time. Saywise should reduce the cost of expensive hiring mistakes, particularly for critical roles. It should not sell profile views. It should sell better hiring judgment and lower failure risk. Do Not Start With Every Hiring Market Saywise can begin with roles where résumés are least informative and a bad choice is especially costly: key executives at early-stage startups, AI talent, product leaders, and GTM leaders. Just as Harvey built depth within law, Saywise should begin where evidence-based judgment is most urgently needed. Find Saywise's Allen & Overy One anchor customer willing to create real hiring outcomes may be more valuable than thousands of individual profiles. A venture fund with many portfolio companies, an accelerator, or a startup group could implement evidence-based hiring and track the results. That organization should not merely lend its logo. It should become a co-developer of the product. Design Verification From Day One Verification cannot be an add-on for Saywise. Where did the work sample come from? What did the candidate personally contribute? Who can confirm that contribution? Which claims remain unverified? This information must be structured from the beginning. Security was the starting point of trust for Harvey. For Saywise, trust begins with provenance and verification. Connect Personal Evidence to Organizational Judgment A collection of proof of work alone remains a portfolio service. The system must also capture which abilities a company values, which evidence it trusts, and how a hired candidate performs after joining. Only then can Saywise improve the next hiring decision. The profile must become evidence. Evidence must inform judgment. Judgment must lead to hiring. Hiring outcomes must then improve the system. The More We Automate, the More Judgment Matters Harvey's growth story leaves four questions for every AI company. Which expensive problem will you choose? With whom will you build the product? How deeply will you enter the customer's actual workflow? Can you turn a useful feature into a repeatable operating system? Harvey produced strong answers to all four. Saywise does not need to produce the same answers. It needs to reinterpret the principles Harvey discovered in professional work for the more difficult territory of human ability, evidence, hiring, and trust. AI can read massive document collections, compare contracts, and organize legal issues. But humans must still decide which risk to accept, which argument to pursue, and who will take responsibility for the decision. The same is true in hiring. AI can organize thousands of profiles and recommend candidates. But a person's experience, credibility, and potential in a new organization cannot be decided by polished language alone. As AI reduces the cost of production and organization, verifiable evidence and accountable judgment become more valuable. Harvey reduces the cost of expensive expert time. Saywise must reduce the uncertainty of expensive talent decisions. Harvey sells the value of hours erased. Saywise must sell the value of failures avoided and decisions improved. If Harvey is building an operating system for professional work, Saywise must build an operating system for trust in professional talent. Harvey automates work. Saywise redesigns trust. Suggested Hashtags #HarveyAI #Saywise #LegalAI #VerticalAI #EnterpriseAI #AgenticAI #FutureOfWork #TalentTrustOS #EvidenceBasedHiring #ProofOfWork #TrustInfrastructure #Resume2_0 #HRTech #ProfessionalIdentity #AITransformation

Harvey는 일을 자동화하고, Saywise는 신뢰를 재설계한다 비싼 시간을 줄인 회사와 비싼 선택의 불확실성을 줄이려는 회사 AI 기업의 성공은 모델의 성능만으로 결정되지 않는다. 같은 언어모델을 사용할 수 있어도 모든 회사가 Harvey처럼 성장하는 것은 아니다. 중요한 것은 AI가 무엇을 할 수 있는지가 아니라, 그 능력을 어떤 문제에 적용하고 누가 그 결과에 비용을 지불하게 만드는가다. Harvey는 이 질문에 매우 명확한 답을 내놓았다. Harvey가 판매한 것은 단순히 똑똑한 AI가 아니었다. AI가 대신 처리해주는 비싼 전문가의 시간이었다. 가장 비싼 시간부터 선택하다 법률업무는 생성형 AI가 경제적 가치를 만들기에 좋은 조건을 갖추고 있었다. 변호사는 계약서를 읽고, 판례를 조사하고, 문서를 비교하고, 위험을 분석하며 새로운 문장을 작성한다. 업무의 재료와 결과물이 대부분 언어와 문서다. 동시에 그 일을 수행하는 사람의 시간은 매우 비싸다. 한 시간 걸리던 계약서 검토를 몇 분으로 줄일 수 있다면 그 효과는 쉽게 계산된다. 로펌은 같은 인력으로 더 많은 업무를 처리할 수 있고, 변호사는 반복 작업 대신 전략과 판단에 더 많은 시간을 사용할 수 있다. Harvey는 새로운 수요를 만들 필요가 없었다. 이미 막대한 비용이 들어가고 있던 업무를 발견하고, 그중 일부를 소프트웨어로 옮겼다. Harvey의 첫 번째 통찰은 법률지식이 아니었다. 법률지식을 처리하는 사람의 시간에 이미 높은 가격이 붙어 있다는 사실이었다. 현장을 아는 변호사와 기술을 아는 연구자 Harvey는 2022년 변호사 출신의 윈스턴 와인버그와 전 DeepMind 연구원 게이브 페레이라가 공동 창업했다. 와인버그는 법률업무가 실제로 어떻게 이루어지는지 알았다. 페레이라는 언어모델이 무엇을 잘하고 어디에서 실패하는지 이해했다. 법률만 아는 팀은 AI의 가능성과 한계를 놓칠 수 있다. 기술만 아는 팀은 변호사가 실제로 해결해야 하는 문제가 무엇인지 잘못 짐작할 수 있다. Harvey는 이 두 관점을 창업팀 안에서 결합했다. 두 사람은 초기 언어모델로 법률업무를 직접 실험한 뒤 OpenAI에 이메일을 보냈다. 계획서만 보여준 것이 아니라 이미 작동하는 결과를 보여주었다. Harvey는 2022년 OpenAI Startup Fund가 주도한 500만 달러의 초기 투자를 받았다. Harvey 창업 배경, 초기 투자 보도 실험이 먼저였고 투자는 그다음이었다. 3,500명의 사용자가 들어 있는 첫 번째 고객 Harvey 성장의 결정적인 순간은 세계적인 로펌 Allen & Overy를 만난 것이었다. Allen & Overy는 2022년 11월 Harvey를 시험적으로 도입했다. 몇 명이 체험하는 수준이 아니라 계약분석, 실사, 소송, 규제 대응 같은 실제 업무에 사용했다. 시험기간이 끝날 무렵 약 3,500명의 변호사가 Harvey에 약 4만 건의 질문을 입력했다. 2023년 2월에는 43개 사무소 전체로 사용을 확대했다. Allen & Overy 공식 발표 이 고객 하나가 Harvey에 세 가지를 주었다. 첫 번째는 신뢰였다. 보안과 정확성을 중요하게 생각하는 대형 로펌이 선택했다는 사실은 다른 로펌을 설득하는 강력한 증거가 됐다. 두 번째는 실제 사용 경험이었다. Harvey는 변호사들이 무엇을 질문하고, 어떤 답을 사용하며, 어디에서 오류를 발견하는지 실제 업무 안에서 배울 수 있었다. 세 번째는 유통이었다. 계약은 한 건이었지만 사용자는 3,500명이었다. Harvey는 수천 명의 개인 사용자를 한 명씩 모으지 않았다. 수천 명의 사용자가 들어 있는 고객 한 곳을 먼저 확보했다. 더 중요한 점은 Allen & Overy가 단순한 구매자가 아니었다는 것이다. 로펌의 변호사들은 실제 업무에서 Harvey를 사용하며 제품개발에 참여했다. 이후 Harvey는 Allen & Overy, Microsoft와 함께 계약서 작성과 검토를 지원하는 ContractMatrix를 만들었고, 2025년에는 복잡한 법률업무를 수행하는 AI 에이전트로 협력을 확대했다. 첫 번째 대형 고객이 제품을 검증했다. 검증된 제품은 다음 고객을 불러왔다. Harvey는 실제로 어떤 일을 바꾸는가 Harvey의 성장은 추상적인 AI 담론이 아니라 구체적인 법률업무에서 시작됐다. 계약서 작성과 검토 기존에는 변호사가 계약서를 처음부터 끝까지 읽으면서 위험한 조항과 빠진 내용, 조항 사이의 충돌을 찾아야 했다. Harvey는 계약서를 분석해 주요 조항을 분류하고, 잠재적인 법률 위험을 표시하며, 수정이 필요한 문장을 제안한다. 여러 계약서를 동시에 비교하거나 기업의 표준계약서와 상대방의 계약서를 대조하는 작업도 지원한다. AI가 최종 계약을 결정하는 것은 아니다. 반복적인 첫 번째 검토를 맡고, 변호사는 협상전략과 예외사항, 최종 판단에 집중한다. 법률 리서치 법률 리서치는 수많은 판례와 법령, 규제자료를 찾아 읽고 서로 연결하는 작업이다. Harvey는 자연어로 질문을 받으면 관련 판례와 규제정보를 찾고, 쟁점을 정리하며, 답변의 근거를 제시한다. 미국뿐 아니라 여러 국가의 법률정보를 연결하면서 다국적 기업의 규제 대응도 지원한다. 변호사는 처음부터 모든 자료를 찾는 대신 AI가 정리한 결과와 출처를 검토한다. 소송 준비 대규모 소송에서는 이메일, 계약서, 보고서와 내부 문서 수만 건을 검토해야 한다. Harvey는 문서를 분류하고 핵심 표현과 인물, 사건 사이의 관계를 찾아낸다. 중요한 증거가 될 가능성이 있는 문서와 추가 검토가 필요한 자료를 먼저 보여줄 수 있다. 단순한 키워드 검색을 넘어 여러 문서가 어떤 사건과 맥락으로 연결되는지 분석하는 것이다. 규제 준수와 위험관리 금융, 헬스케어, 에너지와 같이 규제가 복잡한 산업에서는 법률이 바뀔 때마다 기업의 계약과 정책을 다시 확인해야 한다. Harvey는 새로운 규정과 기업 내부 문서를 비교해 잠재적인 위험을 찾고, 수정이 필요한 영역을 제시한다. 기업 법무팀은 모든 자료를 수작업으로 확인하는 대신 위험도가 높은 부분부터 검토할 수 있다. 현장에서 확인된 시간의 가치 2025년 2월 국내에서 보도된 Harvey 사례는 AI가 법률업무 시간을 어떻게 줄일 수 있는지를 구체적으로 보여준다. 기사에 따르면 일부 도입 사례에서 다음과 같은 결과가 소개됐다. Allen & Overy의 국제소송 문서 검토시간 30% 이상 단축 일부 로펌의 문서 처리시간 약 50% 감소 소송 문서 10만 건의 분석기간을 6개월에서 2개월로 단축 일부 법률 리서치 업무시간 70% 이상 절감 이 수치는 모든 로펌과 업무에서 동일하게 나타나는 보편적 결과는 아니다. 문서의 종류와 데이터 품질, 로펌의 검토 절차와 AI 활용 수준에 따라 결과는 달라질 수 있다. 그러나 방향은 분명하다. AI는 변호사의 최종 판단을 없애기보다, 그 판단에 도달하기 전까지 필요한 반복 작업을 줄인다. 뉴스투데이 Harvey 분석 기사 AI가 변호사를 없애는 것이 아니다. 변호사가 시간을 사용하는 위치를 바꾸는 것이다. 과거에는 자료를 찾고 분류하고 정리하는 데 많은 시간을 썼다. AI가 이 과정을 맡으면 변호사는 사실관계를 해석하고, 위험을 비교하고, 고객을 설득하며, 최종 결정에 책임지는 일에 더 많은 시간을 사용할 수 있다. 자동화가 커질수록 인간의 판단은 사라지는 것이 아니라 더 높은 단계로 이동한다. 질문에 답하는 도구에서 일을 수행하는 시스템으로 초기의 Harvey는 법률 질문에 답하고 문서 초안을 만들어주는 AI 비서에 가까웠다. 하지만 채팅창만으로는 기업의 핵심 시스템이 되기 어렵다. 사용자는 답을 받은 뒤 다시 Word와 이메일, 문서관리 시스템으로 돌아가야 하기 때문이다. Harvey는 단계적으로 제품의 범위를 넓혔다. Assistant는 법률 질문에 답하고 초안을 작성한다. Vault는 많은 계약서와 사건자료를 저장하고 분석한다. Knowledge는 외부 법률정보와 조직 내부 지식을 연결한다. Workflows는 반복되는 업무를 회사의 방식에 맞게 표준화한다. Agents는 목표를 받은 뒤 여러 단계를 실행해 검토 가능한 결과물을 만든다. Spaces와 Ecosystem은 로펌, 고객, Word와 문서관리 시스템을 연결한다. 처음에는 질문에 답했다. 다음에는 문서를 이해했다. 그다음에는 반복되는 업무절차를 자동화했다. 이제는 여러 단계를 거쳐 완성된 업무 결과물을 만든다. Harvey의 제품 단위는 ‘질문’에서 ‘문서’로, ‘문서’에서 ‘워크플로’로, ‘워크플로’에서 ‘완성된 업무’로 확장됐다. 고객이 자신의 자료와 업무방식, 검토기준을 Harvey 안에 축적할수록 제품은 조직의 일하는 방식과 더 깊이 연결된다. 이때 Harvey는 법률용 챗봇이 아니라 전문업무의 운영체계가 된다. Harvey의 빠른 성장 Harvey는 2024년 한 해 동안 고객을 40곳에서 235곳으로 늘렸고, 42개국으로 진출했다. 같은 기간 연간반복매출은 네 배 성장했다. Harvey Series D 발표 2025년 8월에는 다음과 같은 수치를 공개했다. 고객 500곳 이상 진출 국가 54개국 연간반복매출 1억 달러 이상 Am Law 100 로펌의 42% 사용 직원 약 350명 전년 대비 주간 활성 사용자 네 배 증가 월간 질문 수 5.5배 증가 저장된 활성 파일은 26만8,000개에서 975만 개로 36배 증가했다. Harvey 3주년 발표 2025년 3분기 Harvey가 발표한 총매출 유지율은 98%, 순매출 유지율은 167%였다. 기존 고객이 거의 떠나지 않았고, 남아 있는 고객이 다음 해에 더 많은 제품을 구매했다는 뜻이다. Harvey 2025년 3분기 자료 2026년 3월 Harvey는 2억 달러를 추가로 투자받으며 기업가치 110억 달러를 인정받았다. 투자금은 AI 에이전트와 고객사를 지원하는 법률 엔지니어링 조직의 확대에 사용한다고 밝혔다. Harvey 투자 발표 2026년 6월 Harvey의 공개자료에는 60여 개국, 1,500개 이상의 고객, 14만2,000명 이상의 법률 전문가, Am Law 100의 60% 이상이 플랫폼을 이용한다고 설명돼 있다. Harvey 법률 운영 자료 다만 이러한 수치는 대부분 Harvey가 직접 발표한 자료다. 기업가치 역시 현재의 성과만이 아니라 미래 성장에 대한 투자자의 기대가 포함된 숫자라는 점은 구분해서 볼 필요가 있다. Harvey는 왜 성공했는가 Harvey의 성장모델은 다섯 가지 선택으로 정리할 수 있다. 1. 비싼 문제를 선택했다 Harvey는 AI가 해결할 수 있는 모든 문제를 좇지 않았다. 시간당 가치가 높고 문서 중심이며 반복 작업이 많은 법률업무에 집중했다. 제품 가격을 일반적인 소프트웨어와 비교하지 않고, 절약되는 변호사의 시간과 비교할 수 있게 만들었다. 2. 좁은 시장에서 깊게 시작했다 처음부터 회계, 금융, 의료와 컨설팅을 모두 공략하지 않았다. 법률에서 정확성과 보안, 실제 사용가치를 먼저 증명했다. 좁은 시장은 한계가 아니라 제품을 깊게 만들기 위한 선택이었다. 3. 대표 고객과 함께 제품을 만들었다 Allen & Overy의 이름을 홍보에만 사용하지 않았다. 수천 명의 변호사가 실제 업무에서 제품을 사용하게 했고, 그 과정에서 얻은 경험으로 제품을 개선했다. 고객에게 필요한 기능을 밖에서 추측한 것이 아니라 고객의 업무 안에서 함께 만들었다. 4. 기능보다 신뢰를 먼저 만들었다 법률자료에는 계약조건과 소송전략, 기업 비밀과 개인정보가 담겨 있다. Harvey는 AI의 성능만 강조하지 않았다. 고객의 민감한 정보를 보호하기 위해 보안과 기밀성, 관리체계를 초기부터 준비했다. Harvey가 판매한 것은 똑똑한 답변만이 아니었다. 민감한 업무를 맡겨도 된다는 조직의 확신이었다. 5. 도구를 운영체계로 확장했다 법률 질문에 답하는 기능에 머물렀다면 경쟁사와 쉽게 비슷해졌을 것이다. Harvey는 조직의 자료와 지식, 반복 업무와 검토기준을 제품 안에 연결했다. 사용자가 많아지고 업무가 쌓일수록 제품을 바꾸기 어려워지는 구조를 만들었다. Harvey의 진짜 경쟁력은 기반 언어모델 하나가 아니다. 고객이 일하는 방식 안에 들어가 있다는 사실이다. 성공 이후에 남은 과제 성공 이후에 남은 과제 Harvey가 빠르게 성장했다고 해서 법률 AI의 문제가 모두 해결된 것은 아니다. 정확성과 환각 법률에서는 작은 오류도 큰 결과를 만들 수 있다. 존재하지 않는 판례를 제시하거나 국가별 법률 차이를 잘못 해석하면 고객에게 실제 손해가 발생한다. AI의 결과에는 출처가 있어야 하고, 변호사가 검토할 수 있어야 한다. 국가와 사건에 따른 차이 같은 문장도 국가와 계약의 목적, 사건의 상황에 따라 의미가 달라질 수 있다. 법률업무는 정답 하나를 찾는 문제가 아니라 여러 해석 가운데 위험을 판단하는 일이다. AI가 문서를 분석할 수 있어도 최종 판단과 책임은 전문가에게 남는다. 보안과 기밀성 법률문서는 기업의 가장 민감한 정보를 포함한다. AI가 어떤 데이터를 학습에 사용하고, 고객의 문서를 어디에 저장하며, 누가 접근할 수 있는지 명확해야 한다. 법률 AI에서는 보안이 부가기능이 아니라 제품의 기반이다. 대형 로펌 밖으로의 확장 현재 법률 AI의 주요 고객은 비용을 감당할 수 있는 대형 로펌과 기업 법무팀이다. 중소 로펌과 스타트업, 비영리단체와 개인도 사용할 수 있는 가격과 서비스 구조를 만드는 것은 앞으로의 중요한 과제다. 청구 가능한 시간의 역설 법률산업은 오랫동안 변호사가 사용한 시간을 기준으로 고객에게 비용을 청구해왔다. 그런데 AI가 업무시간을 크게 줄이면 기존의 시간당 과금방식과 충돌할 수 있다. 로펌은 단순히 일한 시간을 판매하는 방식에서 벗어나, 결과와 전문성, 위험 감소에 가격을 붙이는 모델을 고민해야 한다. Harvey는 법률업무를 바꾸는 동시에 법률회사가 돈을 버는 방식까지 바꿀 가능성이 있다. Harvey와 Saywise는 무엇이 다른가 Harvey의 성공방식을 Saywise에 그대로 복사할 수는 없다. 두 회사가 해결하는 문제의 구조가 다르기 때문이다. Harvey에서는 제품을 사용하는 변호사와 비용을 지불하는 로펌이 같은 조직 안에 있다. Saywise에서는 자신의 증거를 만드는 개인과 그 증거를 활용해 사람을 채용하는 기업이 서로 다른 편에 있다. 개인은 자신이 좋아 보이기를 원하지만 기업은 정확한 판단을 원한다. 결과를 확인하는 속도도 다르다. 계약서의 오류는 지금 확인할 수 있지만, 한 사람이 좋은 채용이었는지는 6개월이나 1년이 지나야 알 수 있다. 데이터의 성격도 다르다. Harvey는 고객이 이미 가지고 있는 문서를 다룬다. Saywise는 개인이 제출한 경험과 주장 가운데 무엇이 사실이며 실제 기여가 무엇인지 확인해야 한다. 따라서 Saywise에서 가장 중요한 기능은 글을 더 멋지게 만들어주는 AI가 아니다. 주장과 증거를 구분하고, 그 증거를 실제 결과와 연결하는 시스템이다. Saywise가 Harvey에서 배워야 할 것 가장 비싼 시간이 아니라 가장 비싼 실패를 선택해야 한다 Harvey는 변호사의 비싼 시간을 줄였다. Saywise는 잘못된 핵심 인재 채용처럼 비용이 큰 실패를 줄여야 한다. 프로필 열람 수를 판매하는 것이 아니라 더 정확한 채용 판단과 줄어든 실패 위험을 판매해야 한다. 모든 채용에서 시작할 필요는 없다 초기 스타트업의 핵심 임원, AI 인재, 제품 책임자와 GTM 리더처럼 이력서만으로 판단하기 어렵고 잘못 뽑았을 때 손실이 큰 영역에서 시작할 수 있다. Harvey가 법률이라는 좁은 시장에서 깊이를 만들었듯, Saywise도 증거 기반 판단이 가장 절실한 채용부터 해결해야 한다. Saywise만의 Allen & Overy가 필요하다 수천 개의 개인 프로필보다 실제 채용결과를 함께 만들어낼 대표 고객 한 곳이 더 중요할 수 있다. 포트폴리오 기업을 많이 보유한 VC, 액셀러레이터나 스타트업 그룹과 협력해 증거 기반 채용을 적용하고 결과를 추적할 수 있다. 그 고객은 단순히 로고를 빌려주는 파트너가 아니라 제품을 함께 만드는 공동개발자가 되어야 한다. 검증을 처음부터 설계해야 한다 Saywise에서 검증은 나중에 추가할 수 있는 부가기능이 아니다. 작업물의 출처는 어디인가. 지원자가 실제로 담당한 부분은 무엇인가. 누가 그 기여를 확인할 수 있는가. 확인되지 않은 주장은 무엇인가. 이러한 정보가 처음부터 구조화되어야 한다. Harvey에서 보안이 신뢰의 출발점이었다면, Saywise에서는 증거의 출처와 검증과정이 신뢰의 출발점이다. 개인의 증거를 기업의 판단 과정과 연결해야 한다 개인의 Proof of Work만 모으면 포트폴리오 서비스에 머문다. 기업이 어떤 능력을 중요하게 보는지, 어떤 증거를 신뢰하는지, 실제로 채용한 사람이 이후 어떤 성과를 냈는지가 다시 시스템에 기록돼야 한다. 그래야 Saywise는 다음 채용에서 더 나은 판단을 제공할 수 있다. 프로필이 증거가 되고, 증거가 판단으로 이어지고, 판단이 채용으로 이어지며, 채용 결과가 다시 시스템을 개선하는 구조가 필요하다. 자동화가 커질수록 판단은 중요해진다 Harvey의 성장사는 AI 기업이 성공하기 위해 던져야 할 네 가지 질문을 보여준다. 어떤 비싼 문제를 선택할 것인가. 누구와 함께 제품을 만들 것인가. 고객의 실제 업무 안으로 얼마나 깊이 들어갈 것인가. 하나의 기능을 반복 가능한 운영체계로 바꿀 수 있는가. Harvey는 이 질문에 강력한 답을 만들었다. 그러나 Saywise가 Harvey와 똑같은 답을 내놓을 필요는 없다. Harvey가 전문업무에서 발견한 원리를 사람의 능력과 증거, 채용과 신뢰의 영역에 맞게 다시 설계해야 한다. AI는 방대한 문서를 읽고, 계약서를 비교하고, 법률 쟁점을 정리할 수 있다. 그러나 어떤 위험을 감수할지, 어떤 주장을 선택할지, 그 결정에 누가 책임질지는 인간이 판단해야 한다. 채용에서도 마찬가지다. AI는 수천 명의 프로필을 정리하고 후보자를 추천할 수 있다. 그러나 한 사람의 경험을 얼마나 믿을 것인지, 그 사람이 새로운 조직에서 어떤 가능성을 보여줄지는 단순한 문장만으로 결정할 수 없다. AI가 생산과 정리의 비용을 낮출수록 검증 가능한 증거와 책임 있는 판단의 가치는 높아진다. Harvey는 비싼 전문가의 시간을 줄인다. Saywise는 비싼 인재 선택의 불확실성을 줄여야 한다. Harvey는 사라진 시간의 가치를 판다. Saywise는 피할 수 있었던 실패와 더 나은 판단의 가치를 팔아야 한다. Harvey가 전문업무의 운영체계를 만든다면, Saywise는 전문인재에 대한 신뢰의 운영체계를 만들어야 한다. Harvey는 일을 자동화한다. Saywise는 신뢰를 재설계한다. #HarveyAI #Saywise #LegalAI #VerticalAI #EnterpriseAI #AgenticAI #FutureOfWork #TalentTrustOS #EvidenceBasedHiring #ProofOfWork #TrustInfrastructure #Resume2_0 #HRTech #ProfessionalIdentity #AITransformation

The Child Who Crossed Continents, the Child Who Crosses Algorithms What the Eighteenth-Century Grand Tour Can Teach Parents in the Age of AI While thinking about where my daughter should attend high school, I found myself thinking about British parents in the eighteenth century. They did not believe that sending their children to Oxford or Cambridge was enough. At the time, dissatisfaction was growing with universities whose curricula seemed unable to keep pace with a changing world, remaining confined to classical languages and inherited knowledge. These parents believed it was better to see the ruins of Rome than merely study ancient Rome in a classroom; better to converse in a Parisian salon than memorize French grammar; better to observe the politics and customs of different countries firsthand than learn diplomacy from books. And so, young British aristocrats crossed the English Channel. Their journeys through France, Italy, Germany, and the Netherlands often lasted two or three years. They studied foreign languages, history, politics, art, and architecture. They also acquired the manners, tastes, and social codes of European high society. This journey became known as the Grand Tour. In The Grand Tour, historian Seol Hye-sim describes it not simply as an opportunity to broaden one’s horizons, but as the final stage of elite education. Travelers did not set out alone. A tutor managed their studies and schedule. Servants took care of luggage and daily life. Parents sent letters and money from home. Guidebooks explained routes, accommodations, and expenses, but also warned travelers about disease, highwaymen, fraud, and other dangers along the way. The letters Philip Stanhope, the Earl of Chesterfield, sent to his son emerged from this world. He urged his son to act with integrity, resist the pull of authority, distinguish useful knowledge from vanity, and maintain composure and dignity under all circumstances. Reading those letters, I thought of my daughter, who is now attending school in the United States. She entered an American school in January 2025. Since then, she has learned mathematics and science in English, made friends from different cultural backgrounds, and adjusted to the unfamiliar rules and expectations of a new school system. In the summer of 2027, she will arrive at a crossroads. If she remains in the United States, she will enter ninth grade at West High School. If she returns to Korea, she will enter the third and final year of Korean middle school and prepare for admission to a Korean high school, possibly Seoul Global High School. My daughter, in her own way, is already on a Grand Tour. There is, however, one decisive difference between the traveler of the eighteenth century and my daughter in the twenty-first. The young traveler of the eighteenth century had to cross national borders. The child of today must cross algorithms. A New Continent: Artificial Intelligence Eighteenth-century British parents sent their children to continental Europe because they believed the universities of their day were failing to keep pace with a changing world. Parents in the twenty-first century feel a similar anxiety. AI can now deliver information faster and more broadly than most schools can teach it. A child can type in an unfamiliar word and receive an immediate definition. AI can explain each step in a mathematics problem, adapt a scientific concept to the learner’s level, correct the grammar of an English essay, draft a presentation, and even generate possible interview questions. If eighteenth-century Europe was an immense classroom, AI has become a vast and continuously expanding intellectual continent. The problem is that entering this new continent is almost too easy. The Grand Tour required enormous amounts of time and money. Travelers endured rough roads by carriage, crossed the Alps, and faced the dangers of disease, robbery, and accident. The world of AI, by contrast, opens with a single click. Type a question, and within seconds a polished and persuasive answer appears. In the eighteenth century, access to knowledge was a privilege. In the twenty-first century, knowledge is available to almost everyone. But equal access to information does not create equal education. The new divide is not between those who can obtain more answers and those who cannot. It is between those who can question an answer, verify it, and transform it into a judgment of their own—and those who cannot. AI can produce elegant sentences, but it cannot decide why those sentences should be written. It can summarize hundreds of sources, but the user must still judge which sources deserve to be trusted. It can solve a mathematics problem, but the student must be able to explain where her own understanding broke down. The new elite of the AI age will not necessarily be those with access to the most expensive technology. They will be those who refuse to abandon their questions even when answers arrive instantly. They will not submit generated prose without examining the evidence behind it. When an AI response conflicts with lived experience, they will investigate the gap rather than ignore it. In the eighteenth century, privilege was measured by how far one could travel. In the twenty-first century, privilege may be the ability to keep thinking when every convenience encourages us to stop. Traveler and Tourist, Learner and Consumer The Grand Tour attracted criticism from the beginning. Not every young traveler returned as a cultivated intellectual. Some studied history and art. Others spent their time buying fashionable clothes, collecting luxury goods, and attending parties. Some returned home with books, artworks, and knowledge. Others came back carrying little more than vanity and debt. Two people could visit the same city, yet one became a traveler while the other remained a tourist. The difference was not the number of places they visited. It was what they noticed, which questions they carried with them, and how their thinking changed between departure and return. We need to make the same distinction among children who use AI. Asking AI many questions does not necessarily deepen learning. Producing a smoother essay does not necessarily improve writing ability. A student who copies an AI-generated answer and submits it simply to finish an assignment resembles a tourist in the digital world. She has briefly admired an impressive result but has created no knowledge of her own. A student who reads the AI’s response, returns to her textbook and other sources, identifies errors, revises them, and explains the concept in her own words becomes a traveler. If she compares the perspectives AI offers, judges which are most convincing, and records how her original question evolved, AI ceases to be a machine that thinks in her place. It becomes a companion that extends her thinking. For this reason, education in the age of AI must value not only the finished result, but also the visible traces of the process. What question did the student begin with? What answer did AI provide? Which part of that answer did she doubt? What sources did she use to verify it? How did her own thinking change after verification? Only when these traces remain does learning become an experience that can be explained and understood. The eighteenth-century traveler left behind letters, journals, sketches, and collections as evidence of the journey. The twenty-first-century student must leave behind questions, drafts, verification, and revision as evidence of an intellectual journey. Who Is the Tutor in the Age of AI? The Grand Tour had a figure known as the “bear-leader”—a traveling tutor who accompanied a young person still inexperienced in the world and managed both study and daily life. Thinkers such as Thomas Hobbes and Adam Smith also served as tutors on European journeys. In the twenty-first century, AI appears to be a new kind of traveling tutor. Children can ask it questions at any time. If they do not understand an explanation, they can ask for a simpler one. AI does not lose patience. It can explain the same problem repeatedly and adjust its teaching to the learner’s level. But the moment we accept AI as a tutor, parents acquire a new responsibility. Eighteenth-century parents concentrated on choosing the right human tutor. Parents today must decide what kind of relationship should exist between their child and AI. Will AI help the child think, or will it think in the child’s place? Banning AI altogether is unrealistic. But handing the entire learning process over to AI is not education either. What I must teach my daughter is not how to avoid AI, but how to use it without surrendering her judgment. She should first read the problem and formulate a question on her own. Before turning to AI, she should write down at least a short first thought or rough draft. When AI presents an answer, she should be taught to ask again: “What is the evidence for this?” “What would the opposing view be?” “Could this be wrong?” At the end, she should close the AI window and explain the idea in her own words. If she cannot explain it, the knowledge is not yet hers. AI should be used not merely as a machine that produces answers, but as a mirror that reflects and tests our thinking. Should Parents Become Chesterfield? Chesterfield’s letters contain both affection and anxiety. He wanted his son to become a man of learning, judgment, and refinement. Yet he also tried to direct nearly every aspect of his son’s life—what he should read, whom he should meet, how he should speak, and even what expression he should wear. As I prepare for my daughter’s high-school admissions, I can easily become another Chesterfield. I compare West High School and Seoul Global High School. I research eligibility requirements and competition. I design plans for English, Korean, mathematics, and science. This begins as an effort to help my daughter. But at some point, it can become a desire to design her journey in her place. AI makes that desire even stronger. Ask AI which school is best, and it will produce a ranking. Enter my daughter’s personality and possible career interests, and it will generate an admissions strategy. It can suggest personal-statement topics and prepare model answers for interviews. Faced with the uncertainty of a child’s development, parents may be tempted to choose the efficient path proposed by an algorithm rather than wait for the child to discover her own direction. But a child’s life cannot be solved as an optimization problem. AI can identify probable paths based on historical data and common patterns. It cannot calculate what my daughter will come to love, which failure will transform her, or which person will change the way she sees the world. A parent’s responsibility is not to find the shortest route. It is to help a child develop the standards she will need to regain her direction when she becomes lost. I can write letters to my daughter, but I cannot write her life for her. I can use AI to help her produce better sentences, but I cannot create the experiences that must give those sentences meaning. I can organize information about schools and present possible choices, but I must not erase her voice at the moment of decision. A parent in the twenty-first century should not become a Chesterfield who issues endless instructions. A parent should leave behind questions that help the child learn to judge for herself. Evidence Matters More Than the Name of the School We have not yet decided whether West High School or Seoul Global High School would be better for my daughter. If she remains in the United States, she can study mathematics, science, the humanities, and social sciences in an English-speaking environment while preparing for admission to an American university. If she returns to Korea, she may study international politics, economics, society, and languages in greater depth while preparing for admission to a Korean university. Neither school, however, can automatically guarantee her future. If she attends West High School but submits AI-written assignments and focuses only on maintaining her grades, her American experience may end as a form of tourism. If she enters Seoul Global High School but collects only the school’s name and a list of impressive activities, she may still be consuming the appearance of elite education rather than experiencing its substance. What matters is not the name of the school. What matters is what my daughter asks and what she creates once she is there. She might compare Korean and American beauty cultures. She could investigate how K-beauty products are presented to American consumers. She could explore the scientific relationship between the skin barrier, sunscreen, and cosmetic ingredients. AI could help her organize market research and classify sources. But she would still need to compare product labels herself, verify the evidence, and write her own conclusion. She could preserve both the first summary produced by AI and the final conclusion she reached after verification. She could document what was wrong, what she discovered, and why her thinking changed. That would become her evidence. In the age of AI, the process of change may matter more than the polished final product. Everyone can now generate persuasive sentences and impressive images. What will distinguish one person from another is not merely what she claims, but how she arrived at that claim, which errors she identified and corrected, and what responsibility she accepted for her judgment. A New Form of Connoisseurship One of the central educational goals of the Grand Tour was the cultivation of connoisseurship. Seeing many paintings and sculptures did not automatically make someone capable of recognizing a great work. The traveler had to distinguish an original from an imitation, separate enduring value from temporary fashion, and explain the basis of personal taste. The age of AI demands a new form of connoisseurship. We must learn to distinguish fact from plausible error, a sourced claim from an invented citation, and genuine substance from impressive language. When AI produces the answer we want to hear, we must be capable of resisting satisfaction and asking the uncomfortable question. The eighteenth-century elite learned to judge the authenticity and quality of paintings and sculptures. The twenty-first-century student must learn to judge the authenticity and quality of information, arguments, images, and data. That ability cannot be acquired through prompting techniques alone. It grows through the slow work of reading carefully, struggling to write, wrestling with problems that resist easy answers, admitting error, and beginning again. Good education does not eliminate every inconvenience that existed before AI. Some forms of difficulty are necessary because they build the muscles of thought. Parents should not protect only their child’s comfort. We must also protect the slow, uninterrupted time in which a child learns to think alone. The Conditions of a New Elite The Grand Tour contributed to the development of great thinkers and artists, but it was also a privilege available only to the wealthy upper classes. It expanded knowledge and taste, yet it also reproduced the networks, manners, and cultural authority of the existing elite. If AI is the new Grand Tour, we cannot avoid asking the same questions. Who has access to the most capable AI? Who is taught how to use it well? Who has the time, resources, and guidance needed to verify what it produces? Technology may be publicly available, but the environments in which children learn to use it are far from equal. For that reason, I cannot say that I simply want to make my daughter part of a new elite. It is not enough for her to enter a prestigious school, use AI fluently, speak with sophistication, and acquire international experience. She must also ask whom those abilities will serve. She should not use knowledge only to move ahead of others. She should understand that receiving opportunity also creates responsibility toward other people and the society around her. The elite of the twenty-first century should not be defined by possessing more answers. They should be people who take responsibility for their judgments. They should not merely repeat the confidence generated by AI. They should be willing to admit what they do not know and undertake the work of verification. They should be cosmopolitans not only because they can cross borders, but because they can understand the perspectives and suffering of others. A Letter to My Daughter My dear daughter, In the eighteenth century, young people traveled across Europe by carriage in search of a wider world. You crossed the ocean by airplane and came to the United States. Now you are entering an even larger and faster world—the world of artificial intelligence. Together, we are considering whether you should attend West High School or return to Korea and prepare for Seoul Global High School. We will learn as much as we can about both paths. But I hope we will not allow the name of a school to decide your future for you. In an age when AI can produce an answer at any moment, I hope you will not lose your questions. Do not be ashamed of what you do not know. Do not immediately trust an answer simply because it sounds convincing. Listen to the thoughts of others, but do not hand your judgment over to them. You may ask AI for help, but do not allow it to write your experiences and thoughts in your place. Whatever you choose, I hope you will be able to explain your reasons in your own words. And if your thinking changes, do not be ashamed of your earlier choice. Instead, tell us what you learned that allowed you to see differently. We cannot give you a finished map. The world is changing too quickly, and AI will continue to transform the boundaries of education and work as we have known them. But even when the map changes, we can help you prepare a few principles that will allow you to find your direction again: See yourself honestly. Do not surrender your judgment to authority or algorithms. Learn to distinguish what matters from what merely looks impressive. When you make a mistake, do not hide it. Begin again. Use your abilities not only for yourself, but also for other people and for a better world. I hope you will become someone who can hold a good question for a long time, rather than someone who always produces the fastest answer. I do not hope that you will know more than AI. I hope you will understand the human experiences and responsibilities that AI cannot know. In the eighteenth century, parents sent their children out across the continent. As a parent in the twenty-first century, I must send you into the world of algorithms. But I do not want to become a parent who controls you simply to keep you from becoming lost. I want to remain beside you, asking questions with you, until you can find your own direction. Admissions are not about choosing the right road for a child. Education is not about placing more answers in a child’s hands. Education is the work of raising a person who can preserve her questions and judgment even in a world overflowing with answers. And perhaps that is the twenty-first-century Grand Tour we are taking together.

대륙을 건너던 아이, 알고리즘을 건너는 아이 18세기 그랜드 투어에서 AI 시대 학부모의 역할을 묻다 딸의 고등학교를 고민하다가 18세기 영국의 부모들을 떠올렸다. 그들은 자녀를 옥스퍼드와 케임브리지에 보내는 것만으로는 충분하지 않다고 생각했다. 당시 대학의 교육과정이 시대의 변화를 따라가지 못한 채 고전어와 낡은 지식에 머물러 있다는 불만이 커지고 있었다. 교실에서 고대 로마를 배우는 것보다 직접 로마에 가서 유적을 보고, 프랑스어 문법을 암기하는 것보다 파리의 살롱에서 대화하며, 책으로 외교를 배우는 것보다 서로 다른 국가의 정치와 풍습을 경험하는 편이 낫다고 판단했다. 그렇게 영국의 젊은 귀족들은 도버해협을 건넜다. 프랑스와 이탈리아, 독일과 네덜란드를 돌아보는 여행은 보통 2~3년 동안 이어졌다. 외국어와 역사, 정치, 예술과 건축을 배우고, 상류사회의 예절과 취향을 익혔다. 그 여행을 사람들은 ‘그랜드 투어’라고 불렀다. 설혜심의 《그랜드 투어》는 이 여행이 단순한 견문 확대가 아니라 ‘엘리트 교육의 최종 단계’였다고 설명한다. 여행자는 혼자 떠나지 않았다. 동행교사가 학업과 일정을 관리했고, 하인이 짐과 생활을 책임졌으며, 부모는 고향에서 편지와 돈을 보냈다. 여행 안내서는 이동 경로와 숙소, 비용뿐 아니라 전염병과 강도, 사기꾼을 피하는 방법까지 알려주었다. 필립 체스터필드가 여행 중인 아들에게 보낸 편지도 이러한 세계에서 탄생했다. 그는 아들에게 정직하게 행동하고, 권위에 휩쓸리지 말며, 쓸모 있는 지식과 허영을 구별하고, 어떤 상황에서도 평정과 품위를 잃지 말라고 당부했다. 나는 그 편지를 읽으며 미국에서 학교를 다니는 딸을 생각했다. 딸은 2025년 1월 미국 학교에 들어갔다. 영어로 수학과 과학을 배우고, 서로 다른 문화적 배경을 가진 친구들과 생활하며, 낯선 학교의 규칙을 익혀왔다. 2027년 여름이 되면 아이도 하나의 갈림길에 도착한다. 미국에 남으면 West High School의 9학년이 되고, 한국으로 돌아오면 중학교 3학년 과정에 편입해 서울국제고를 비롯한 한국 고등학교 입시를 준비하게 된다. 딸은 지금 하나의 그랜드 투어를 하고 있는 셈이다. 그러나 18세기의 여행자와 21세기의 딸 사이에는 결정적인 차이가 있다. 18세기의 젊은이가 건너야 했던 것은 국경이었지만, 오늘의 아이가 건너야 하는 것은 알고리즘이다. 새로운 대륙, 인공지능 18세기 영국의 부모들은 기존 대학이 시대의 변화를 따라가지 못한다고 생각해 자녀를 유럽 대륙으로 보냈다. 21세기의 부모들도 비슷한 불안을 느낀다. 학교가 가르치는 지식보다 AI가 제공하는 정보가 더 빠르고 넓다. 아이가 모르는 단어를 입력하면 즉시 뜻을 알려주고, 수학 문제의 풀이 과정을 설명하며, 과학 개념을 수준에 맞게 바꾸어준다. 영어 에세이의 문법을 고치고, 발표문을 만들고, 예상 면접 질문까지 작성한다. 18세기의 유럽 대륙이 거대한 교실이었다면, 21세기의 AI는 끝없이 확장되는 새로운 지적 대륙이다. 문제는 그 대륙에 들어가는 일이 너무 쉬워졌다는 것이다. 그랜드 투어를 떠나려면 막대한 비용과 시간이 필요했다. 마차를 타고 험한 길을 지나야 했고, 알프스를 넘어야 했으며, 전염병과 강도, 사고의 위험을 감수해야 했다. 반면 AI의 세계에는 클릭 한 번이면 들어갈 수 있다. 질문을 입력하면 몇 초 만에 그럴듯한 답이 도착한다. 18세기에는 지식에 접근할 기회가 특권이었다. 21세기에는 누구나 지식에 접근할 수 있다. 하지만 접근이 평등해졌다고 해서 교육까지 평등해진 것은 아니다. 새로운 격차는 누가 더 많은 답을 얻는가가 아니라, 누가 그 답을 의심하고 검증하며 자기 생각으로 바꿀 수 있는가에서 생긴다. AI는 좋은 문장을 만들 수 있지만 그 문장을 왜 써야 하는지는 결정하지 못한다. 많은 자료를 요약할 수 있지만 어떤 자료를 믿어야 하는지는 사용자가 판단해야 한다. 수학 문제를 풀 수 있지만 아이가 어느 부분에서 개념을 놓쳤는지는 아이 자신이 설명해야 한다. AI 시대의 새로운 엘리트는 가장 비싼 기술을 가진 사람이 아닐 것이다. 답이 너무 쉽게 주어지는 상황에서도 질문을 포기하지 않는 사람, 생성된 문장을 그대로 제출하지 않고 근거를 확인하는 사람, AI의 답과 자신의 경험이 충돌할 때 그 차이를 탐구하는 사람이 될 것이다. 18세기의 특권이 여행할 수 있는 거리였다면, 21세기의 특권은 생각을 멈추지 않을 수 있는 능력이다. 여행자와 관광객, 학습자와 소비자 그랜드 투어에는 처음부터 비판도 따라다녔다. 모든 젊은이가 여행을 통해 지성인으로 성장한 것은 아니었다. 어떤 이는 역사와 예술을 공부했지만, 어떤 이는 유행하는 옷과 사치품을 사고 파티를 즐기는 데 시간을 보냈다. 여행자는 미술품과 책을 가지고 귀국하기도 했지만, 허영과 빚만 안고 돌아오기도 했다. 같은 도시를 방문해도 누군가는 여행자가 되었고, 누군가는 관광객으로 남았다. 그 차이는 얼마나 많은 장소를 방문했느냐에 있지 않았다. 무엇을 보고 어떤 질문을 품었으며, 여행 전과 후에 생각이 어떻게 달라졌는지에 있었다. AI를 사용하는 아이들에게도 똑같은 구분이 필요하다. AI에게 질문을 많이 했다고 해서 학습이 깊어지는 것은 아니다. 더 매끄러운 에세이를 만들었다고 해서 글쓰기 실력이 향상된 것도 아니다. AI가 만들어준 답을 복사해 과제를 끝낸 아이는 디지털 세계의 관광객에 가깝다. 잠시 화려한 결과물을 구경했지만, 그곳에서 자신의 지식을 만들지는 못했기 때문이다. 반대로 AI의 답을 읽고 다시 교과서와 자료를 확인하며, 틀린 부분을 찾아 수정하고, 자신의 말로 설명해보는 아이는 여행자가 된다. AI가 제시한 여러 관점 가운데 무엇이 타당한지 비교하고, 처음의 질문이 어떻게 달라졌는지를 기록한다면 AI는 사고를 대신하는 기계가 아니라 생각을 확장하는 동행자가 된다. 따라서 AI 시대의 교육에서 중요한 것은 결과물만이 아니라 과정의 흔적이다. 어떤 질문으로 시작했는가. AI는 어떤 답을 제시했는가. 그 답 가운데 무엇을 믿지 않았는가. 어떤 자료로 다시 확인했는가. 검증한 뒤 자신의 생각은 어떻게 달라졌는가. 이 흔적이 있어야 학습은 설명 가능한 경험이 된다. 18세기의 여행자가 편지와 일기, 스케치와 수집품으로 자신의 여행을 남겼다면, 21세기의 학생은 질문과 초안, 검증과 수정의 기록으로 자신의 지적 여행을 증명해야 한다. AI 시대의 동행교사는 누구인가 그랜드 투어에는 ‘베어 리더(bear-leader)’라고 불린 동행교사가 있었다. 아직 세상 경험이 부족한 젊은이를 데리고 유럽을 여행하면서 공부와 생활을 관리하는 사람이었다. 토머스 홉스와 애덤 스미스 같은 지식인도 동행교사로 여행에 참여했다. 21세기에는 AI가 새로운 동행교사처럼 보인다. 아이는 모르는 것을 언제든 질문할 수 있고, 이해하지 못하면 더 쉽게 설명해 달라고 요청할 수 있다. AI는 인내심을 잃지 않고 같은 문제를 여러 번 설명하며, 아이의 수준에 맞춰 학습 내용을 조절한다. 그러나 AI를 동행교사로 받아들이는 순간, 부모에게는 새로운 책임이 생긴다. 18세기의 부모가 좋은 교사를 고르는 데 집중했다면, 오늘의 부모는 아이와 AI 사이에 어떤 관계를 만들 것인지 결정해야 한다. AI가 아이의 생각을 돕게 할 것인지, 아니면 아이 대신 생각하게 할 것인지 구별해야 한다. 부모가 AI 사용을 무조건 금지하는 것은 현실적이지 않다. 그렇다고 모든 과정을 AI에게 맡기는 것도 교육이 아니다. 내가 딸에게 가르쳐야 할 것은 AI를 사용하지 않는 법이 아니라, AI에게 자신의 판단을 넘겨주지 않는 법이다. 먼저 자기 힘으로 문제를 읽고 질문을 만들어보게 해야 한다. 첫 번째 생각이나 초안을 짧게라도 직접 쓴 뒤 AI를 사용하도록 해야 한다. AI가 제시한 답에는 반드시 “이 내용의 근거는 무엇인가”, “반대 의견은 무엇인가”, “틀릴 가능성은 없는가”라고 다시 질문하게 해야 한다. 마지막에는 AI 화면을 닫고 자신의 말로 설명할 수 있어야 한다. 설명할 수 없다면 아직 자신의 지식이 아니다. AI는 답을 만드는 기계로 사용하기보다 생각을 비추는 거울로 사용해야 한다. 부모는 체스터필드가 되어야 하는가 체스터필드의 편지에는 아들을 향한 애정과 불안이 함께 담겨 있다. 그는 아들이 훌륭한 지식과 품위를 갖춘 인물이 되기를 바랐다. 그러나 무엇을 읽고, 누구를 만나고, 어떻게 말하며, 어떤 표정을 지어야 하는지까지 세밀하게 지시했다. 고등학교 입시를 준비하는 나도 체스터필드와 비슷해질 수 있다. West High와 서울국제고를 비교하고, 지원 자격과 경쟁률을 조사하며, 영어·한국어·수학·과학의 준비 계획을 세운다. 딸에게 도움이 되는 정보를 찾는 일이지만, 어느 순간부터는 아이의 여행을 내가 대신 설계하고 싶은 욕망으로 변할 수 있다. AI는 그 욕망을 더욱 강하게 만든다. AI에게 좋은 학교를 물으면 순위를 만들어준다. 딸의 성격과 진로를 입력하면 지원 전략을 제안한다. 자기소개서 주제를 만들고 예상 면접 답변까지 작성한다. 부모는 아이의 불확실한 성장을 기다리는 대신 AI가 제시한 효율적인 경로를 선택하고 싶어진다. 그러나 아이의 인생은 최적화 문제만으로 풀 수 없다. AI는 과거의 데이터와 일반적인 패턴을 바탕으로 가능성이 높은 길을 제안한다. 하지만 딸이 앞으로 무엇을 사랑하게 될지, 어떤 실패를 통해 성장할지, 누구를 만나 생각이 바뀔지는 계산할 수 없다. 부모가 해야 할 일은 가장 짧은 길을 찾아주는 것이 아니라, 아이가 길을 잃었을 때 다시 방향을 찾을 수 있는 기준을 갖게 하는 것이다. 나는 딸에게 편지를 보낼 수 있지만 딸의 인생을 대신 쓸 수는 없다. AI로 더 좋은 문장을 만들어줄 수 있지만, 그 문장 안에 들어갈 경험까지 대신 만들어줄 수는 없다. 학교 정보를 정리하고 선택지를 보여줄 수 있지만, 마지막 선택에서 아이의 목소리를 지워서는 안 된다. 21세기의 부모는 체스터필드처럼 끊임없이 지시하는 사람이 아니라, 아이가 스스로 판단할 수 있도록 질문을 남기는 사람이 되어야 한다. 학교의 이름보다 중요한 증거 West High School과 서울국제고 가운데 어느 학교가 딸에게 더 좋은지는 아직 결정되지 않았다. 미국에 남는다면 영어 환경에서 수학과 과학, 인문사회 과목을 폭넓게 선택하며 미국 대학 진학을 준비할 수 있다. 한국으로 돌아온다면 서울국제고에서 국제정치와 경제, 사회와 언어를 깊이 공부하며 한국 대학 진학을 준비할 수 있다. 하지만 어느 학교도 아이의 미래를 자동으로 보장하지 않는다. West High에 다니면서 AI가 작성한 과제를 제출하고 점수만 관리한다면 미국에서의 경험은 관광으로 끝날 수 있다. 서울국제고에 입학하더라도 학교의 이름과 활동 목록만 모은다면, 그 역시 엘리트 교육의 외형을 소비하는 데 머물 수 있다. 중요한 것은 학교가 아니라 딸이 그곳에서 무엇을 질문하고 무엇을 만들어내는가다. 아이는 한국과 미국의 화장품 소비문화를 비교할 수 있다. K-뷰티 제품이 미국 소비자에게 어떻게 소개되는지 조사하고, 피부 장벽과 자외선 차단, 화장품 성분의 원리를 과학적으로 탐구할 수도 있다. AI에게 시장조사 방법을 묻고 자료를 분류하게 할 수 있지만, 직접 제품 표시를 비교하고 출처를 검증하며 자기 결론을 작성해야 한다. 그 과정에서 AI가 만든 첫 번째 요약과 딸이 검증한 최종 결론을 함께 남길 수 있다. 무엇이 틀렸고, 무엇을 새롭게 알게 되었으며, 생각이 왜 바뀌었는지를 기록할 수 있다. 그것이 딸이 만들어가는 증거다. AI 시대에는 완성된 결과물보다 변화의 과정이 더 중요해질 것이다. 누구나 그럴듯한 문장과 이미지를 만들 수 있기 때문이다. 무엇을 주장했는지가 아니라 그 주장에 어떻게 도달했는지, 어떤 오류를 발견하고 수정했는지, 자신의 판단에 어떤 책임을 졌는지가 사람을 구별하게 된다. 새로운 감식안 그랜드 투어에서 중요한 교육 목표 가운데 하나는 ‘감식안’을 기르는 일이었다. 그림과 조각을 많이 본다고 모두 좋은 작품을 알아보는 것은 아니었다. 진품과 모조품을 구별하고, 유행과 가치를 분별하며, 자신의 취향을 설명할 수 있어야 했다. AI 시대에도 새로운 감식안이 필요하다. 사실과 그럴듯한 오류를 구별하는 능력, 출처가 있는 주장과 꾸며낸 출처를 구분하는 능력, 화려한 표현 속에 실제 내용이 있는지 판단하는 능력이다. AI가 사용자의 기대에 맞춰 듣기 좋은 답을 만들어낼 때, 그 답에 만족하지 않고 불편한 질문을 던질 수 있어야 한다. 18세기의 엘리트가 미술품의 진위를 판단하는 감식안을 길렀다면, 21세기의 학생은 정보와 주장, 이미지와 데이터의 진위를 판단하는 감식안을 길러야 한다. 그리고 그 능력은 프롬프트 기술만으로 생기지 않는다. 천천히 읽는 시간, 직접 써보는 어려움, 답이 나오지 않는 문제와 씨름하는 경험, 자신의 오류를 인정하고 다시 시작하는 훈련에서 생긴다. AI가 없던 시대의 모든 불편함을 제거하는 것이 좋은 교육은 아니다. 어떤 불편함은 아이의 사고 근육을 만드는 데 반드시 필요하다. 부모가 지켜주어야 할 것은 아이의 편안함만이 아니다. 혼자 생각할 수 있는 느린 시간도 지켜주어야 한다. 새로운 엘리트의 조건 그랜드 투어는 위대한 지성과 예술의 탄생에 기여했지만, 동시에 부유한 상류계층만 누릴 수 있었던 특권이었다. 여행은 교양을 넓히는 교육이면서 기존 지배계층의 인맥과 취향을 재생산하는 장치이기도 했다. 오늘날 AI가 새로운 그랜드 투어라면 같은 질문을 피할 수 없다. 누가 더 좋은 AI에 접근하는가. 누가 AI를 제대로 사용하는 법을 배우는가. 누가 검증할 시간과 자료, 조언해줄 어른을 갖는가. 기술이 모두에게 공개되어 있어도 그것을 교육적으로 활용하는 환경은 같지 않다. 그래서 나는 딸을 단지 새로운 엘리트로 만들고 싶다고 말할 수 없다. 좋은 학교에 들어가고, AI를 능숙하게 사용하며, 세련된 언어와 국제적 경험을 갖춘 사람이 되는 것만으로는 충분하지 않다. 그 능력을 누구를 위해 사용할 것인지 생각할 수 있어야 한다. 다른 사람보다 앞서기 위해서만 지식을 사용하는 사람이 아니라, 자신이 받은 기회가 다른 사람과 사회에 어떤 책임을 요구하는지 이해하는 사람이 되어야 한다. 21세기의 엘리트는 더 많은 답을 소유한 사람이 아니라 자신의 판단에 책임을 지는 사람이어야 한다. AI가 만들어준 확신을 반복하는 사람이 아니라 모르는 것을 인정하고 검증하는 사람이어야 한다. 국경을 넘나드는 능력뿐 아니라 다른 사람의 관점과 고통을 이해하는 코즈모폴리턴이어야 한다. 딸에게 보내는 편지 딸아. 18세기의 젊은이들은 더 넓은 세계를 배우기 위해 마차를 타고 유럽 대륙으로 떠났단다. 너는 비행기를 타고 미국에 왔고, 이제 AI라는 훨씬 더 넓고 빠른 세계를 만나고 있다. 우리는 네가 West High에 진학할지, 한국으로 돌아와 서울국제고를 준비할지 함께 고민하고 있다. 어느 길이 더 좋은지 가능한 한 많이 알아보겠지만, 학교의 이름만으로 네 미래를 결정하지는 않았으면 한다. AI가 언제든 답을 만들어주는 시대일수록 너는 네 질문을 잃지 않았으면 좋겠다. 모르는 것을 부끄러워하지 말고, 그럴듯한 답을 곧바로 믿지 말며, 다른 사람의 생각을 듣되 판단을 넘겨주지는 않았으면 한다. AI의 도움을 받을 수는 있지만 네 경험과 생각을 대신 쓰게 하지는 않았으면 한다. 무엇을 선택하든 선택한 이유를 네 언어로 설명할 수 있다면 좋겠다. 생각이 바뀌었을 때는 과거의 선택을 부끄러워하기보다 무엇을 새롭게 배웠는지 말할 수 있으면 좋겠다. 우리는 네게 완성된 지도를 건네줄 수 없다. 세상은 너무 빠르게 바뀌고, AI는 우리가 알던 교육과 직업의 경계를 계속 바꿀 것이다. 다만 지도가 바뀌어도 방향을 다시 찾을 수 있는 몇 가지 기준은 함께 준비할 수 있다. 정직하게 자신을 바라보는 것. 권위와 알고리즘에 판단을 맡기지 않는 것. 중요한 것과 화려해 보이는 것을 구별하는 것. 실수했을 때 숨기지 않고 다시 시작하는 것. 자신의 능력을 다른 사람과 더 나은 세상을 위해 사용하는 것. 나는 네가 가장 빠른 답을 내놓는 사람이 되기보다 좋은 질문을 오래 품을 수 있는 사람이 되기를 바란다. AI보다 더 많은 것을 아는 사람이 아니라, AI가 알지 못하는 인간의 경험과 책임을 이해하는 사람이 되기를 바란다. 18세기의 부모는 자녀를 대륙으로 보냈다. 21세기의 부모인 나는 너를 알고리즘의 세계로 보내야 한다. 그러나 그 세계에서 길을 잃지 않도록 계속 통제하는 부모가 아니라, 네가 스스로 방향을 찾을 때까지 함께 질문하는 부모가 되고 싶다. 입시는 좋은 길을 대신 골라주는 일이 아니다. 교육은 아이에게 더 많은 답을 쥐여주는 일도 아니다. 교육은 답이 넘쳐나는 세계에서도 자신의 질문과 판단을 잃지 않는 사람을 길러내는 일이다. 그리고 그것이 우리가 함께 떠나는 21세기의 그랜드 투어다.

Murakami's well, Odysseus's sea, and the kind of evidence that cannot be forged Hanjong Lee · Evidence Series 06 · 2026 (first reading February 2017) I must find the exit from this world. — Haruki Murakami, from the cover of Kaho I. Which way does an exit open? I have not finished the book. But the sentence on its cover will not leave me alone. To look for the exit — does that mean walking out on this world and running? Or does it mean climbing free of a fear, a loss, an older self you have been shut inside far too long, and stepping back into your life? Escape and homecoming appear to point in opposite directions. In practice they share one door. Some doors are the way out and the way in at the same time. What decides which is which is never the position of the door; it is what the person does on the far side of it. Murakami has been drawing that one door for thirty years. Wells, other worlds, two moons, a city behind a wall. His protagonist always goes down into something and comes back up. And what he becomes afterward has always been where the weight of the story sits. Looking at that sentence, I found myself thinking about the Odyssey. Three thousand years apart, the same door. II. The well — Murakami's descent Nothing is learned without going down In The Wind-Up Bird Chronicle, when his wife disappears and his life turns opaque, the narrator climbs down into a dry well on purpose. It is a retreat and a ladder at once. In the dark he confirms that his own body is bound to death, and only after passing through that does he understand that he has to return to his own world. What interests me is that he comes out of the well carrying a mark. The stain on his cheek later turns out to be the source of a healing power. The one who goes down does not come up empty-handed. He comes up with something written on his body — and he did not write it himself. The Sheep Man in Dance Dance Dance does the same job by other means: guardian of the world of ideas, and the guide who tells the narrator to move his life back into reality. For Murakami the other world is never a residence. It is a place you pass through. Every character who stays is used up. Odysseus moves through the same structure. He goes down to Hades, speaks with the dead, and learns the route home from the prophet Teiresias. The way back is not available at ground level. Only the one who has passed underneath knows the way up. Murakami's man goes down and climbs back up. Odysseus goes out and sails back in. Different directions. One door. But they bring back different things. Murakami's narrator returns carrying a mark. Odysseus returns to a place where people can confirm him. That these two halves have to meet before a homecoming is complete is what this essay is about. III. Nostos — returning is not going backward The Greeks had a word for the homecoming: nostos. Our nostalgia is that word welded to algos, pain. The wish to go back and the ache of knowing it cannot be the same live inside one term. The language was honest about the cost before we were. Calypso offers him immortality. Stay and he will not age, will not die. He declines. That is usually read as romance; I read it as arithmetic. Where time does not move, nothing accumulates — no scar, no hard-won skill, no memory made with another person, nobody who could say who he is. Calypso's island is a perfect condition and a world in which no evidence can form. He does not refuse eternity. He refuses unverifiability. A homecoming, then, is not the restoration of a former state. It is a person who has been through years, failures and losses starting the same relationships again as someone changed. IV. A second reading, 2017 → 2026 — I have written this essay before A confession is owed. Putting Murakami next to scripture is not new for me. In February 2017 I set the same two texts side by side and wrote it once already. Archive · 27 February 2017 · "The Bible as a Library of Sacred Writings, and Startups" I argued then that the well in The Wind-Up Bird Chronicle works as both a retreat from a world that hurts and a ladder toward the realization that one has to return to one's own world — and that the desert of the Exodus, as a place of purification and of encountering presence, carries a strikingly similar weight. At twenty-nine I read the well as a place you go down into. Descent, submersion, awakening. What I wanted to know was how to get down there. That essay closed on a founder's question: who is the customer we need to develop? Now I read the same well as a place you climb out of. Not one word of the text has changed. What changed is the reader, who spent nine years in between. And the question I am left holding is different: who recognizes the return? That gap is the real material of this essay. One reading is only a point of view. Two readings nine years apart disclose what happened in between. A point of view can be produced in seconds. An interval cannot be produced at all. It can only be served. Same textRead in 2017Read in 2026The wellA descent toward awakeningA passage back to the surfaceThe Sheep ManGuardian of the world of ideasThe guide who sends you back to realityMurakami's "qualification"A founder's frame for vocationNot a claim but a condition to maintainThe closing questionWhom do we persuade?Who confirms it? V. Thirty years — Murakami's discipline Only repetition leaves anything behind Murakami has lived nearly the same day for thirty years. Up before dawn, several hours of writing, an hour of running, work finished by early afternoon, asleep by nine. As a novelist's life it is almost boringly regular. That regularity carries the entire body of work. He has described a large cabinet of drawers inside his head, which he opens as needed to take out material. One thing in the image always stops me. The only drawers you can open are the ones you filled. Inspiration happens at the moment of opening; the filling took decades of watching and recording. Most of what looks like creativity is a withdrawal from an account someone spent years depositing into. His view of literary prizes rests on the same logic. A prize, he suggests, is a social or literary formality — a ratification after the fact. Only two things are certain for a writer: the felt sense that what he is making means something, and the felt sense that readers who value it properly exist, however few of them there are. That is a remarkably precise theory of evidence. A prize is a label, and labels do not create the thing they name. What remains is the work produced and the person who confirmed it. The rest is formality. What Murakami calls certainStructural equivalentSubstitutable?Sensing the work means somethingArtifact · repeated judgmentNo — only the maker knowsReaders who value it properlyConfirming counterpartyNo — only another person can grant itPrizes, medals, kind reviewsLabels · ratification after the factYes — awarded and withdrawn at will And he has written about the chance to write novels as a qualification granted to him by some force, guarded the way one would shelter a wounded bird. In 2017 I read that as modesty. I read it now as maintenance work. A qualification is not received once and owned; it lasts exactly as long as it is protected, daily. Which makes it a repetition rather than a declaration. This is where Murakami and Odysseus meet. Odysseus could string the bow in front of the suitors not because he was king, but because he had the body of a man who had drawn that bow thousands of times. Twenty years of absence had not erased the skill, and no one else could acquire it in a night. A bow is a more accurate ID than a crown. A crown can be placed on your head. Skill cannot be accumulated on your behalf. VI. Breath and sail — things that move only on what they receive The name Kaho is written with two characters: summer, and sail. A sail cannot make wind. The sailor governs neither direction nor force, and still, by trimming, chooses a heading. Odysseus's competence was never mastery over conditions either. It was the capacity to keep revising his judgment and keep sailing inside conditions he could not predict. Breath is the same. We did not invent it; it arrives while we sleep. What is drawn in cannot be held and has to be given back. Breath is not property. It is life received and returned, moment by moment. In scripture breath is never merely air. The Hebrew ruach and the Greek pneuma hold wind, breath and spirit inside one word. What Murakami repeats every morning on his run is finally this same two-beat rhythm: receive, return, receive again. Breath is the smallest certain evidence of being alive. It is also the hardest evidence to counterfeit. VII. Proof — the one who returns has to prove it The strangest thing about the Odyssey is that the story does not end when he reaches Ithaca. He lands dressed as a beggar and nobody knows him. Saying I am Odysseus settles nothing at all. The old nurse Eurycleia recognizes the scar on his leg. The bow no suitor can string, he strings. Penelope asks about the bed only the two of them know about — built around a living olive tree, and therefore impossible to move. Homer arranged three kinds of proof in sequence. Each costs something different to forge, and each is confirmed by a different person. EvidenceNatureConfirmed byCost to fakeThe scarAn involuntary record time left on a bodyThe nurseHighStringing the bowSkill obtainable only through repetitionEvery suitor presentVery highThe secret of the bedA memory two people made togetherPenelopeVery high"I am Odysseus"A claim made in languageNo oneLow That last row is where we now stand. The cost of producing a fluent claim has fallen to nearly nothing. Anyone can narrate themselves well, and a machine will do it on request, in better prose than most of us manage. As fluency becomes ambient, fluency stops functioning as a signal. Three things survive the collapse: the mark left on a body (Murakami's stain, Odysseus's scar), the skill only repetition produces (thirty years of mornings, the bow), and the memory held by someone who was there (the reader, Penelope). What Odysseus needed in order to come home was not a map proving his position. It was evidence of what he had passed through. VIII. Hull inspection — four ways to argue against all of this Before sailing you turn the boat over and look underneath. This argument has at least four holes. 1. Evidence is a privilege. The chance to leave traces is not evenly distributed. The man who draws a bow daily owns a bow. The man who writes to the same rhythm for thirty years can afford those thirty years. Any system demanding proof rewards whoever had the conditions to accumulate it. → Fair, and unresolved. But when the alternative is believing the claim as stated, the advantage moves not to those with resources but to those with narrative skill — now available by subscription. The answer is to lower the cost of producing evidence, not to drop the requirement. 2. The homecoming ends in a massacre. What follows the proof scene is the killing of a hundred and eight suitors. Identity, once established, becomes a license. Evidence is not neutral; it decides who may occupy a place and who is removed from it. → Which is why what matters more than evidence is what the evidence authorizes. Proof can confirm that I belong here. It does not confer the right to rule that you do not. Collapse the two and verification becomes an exclusion machine in the costume of fairness. 3. Repetition can be staged. Logging the same thing at the same hour daily may be diligence or the performance of diligence. The unbroken streak. The green commit grid. → Partly right. Stated precisely, repetition is not unforgeable — it is expensive to forge, a different and more useful claim. Staged repetition also tends to break the moment conditions turn bad. The discriminating signal is not the streak but the resumption after the break. A record that starts again is the costliest thing on the page to imitate. 4. Murakami's "qualification" is a story told afterward. A successful man reviewing thirty years and calling it a vocation is survivorship bias in a good jacket. The unknown writer who kept an identical discipline never gets the page on which to say so. → Granted. So the claim is not that discipline produces success. It is that whatever the outcome, the only thing left over is what the discipline left behind. Vocation is not an explanation of results; it is the name of a state maintained independently of them. IX. Recovery is not becoming who you were I hold the word recovery differently now. I once assumed it meant retrieving what was lost and being restored to a previous condition. But after certain stretches of time nobody goes fully back. The body is different, the thinking is different, the relationships are different. Recovery is not a copy of the person who left. It is accepting what was lost and what was kept, and then choosing a direction again with the breath that remains. Repentance in scripture is likewise not an emotion of regret. The Hebrew shuv is the physical act of turning around; the Greek metanoia is the overhaul of how a person thinks. Both are movements rather than feelings — and movements, unlike feelings, can be observed by someone else. Ithaca, the biblical return, Murakami's wells and other worlds, and the word exit on the cover of Kaho are not far apart. They are one person passing through a strange world and coming back to the real one. X. Why we return We do not come back only to recover a safer past. We come back to a name, to relationships, to obligations that were never finished. We come back to show what we met, what we learned from it, and what we will now choose differently. Murakami's narrator climbs out of the well. Odysseus sails home to Ithaca. Kaho goes looking for the exit from this world. And I returned to sentences I wrote nine years ago and read the same well from the opposite direction. At the center of every one of those returns is breath. Breath still arriving means the voyage is not over: the sail can go back up, the heading can change, and there is still a world somewhere with someone waiting in it. Words let us declare that we came back. Scars show what we passed through. Actions prove how we changed. And relationships finally complete the return. Recovery is not becoming the person you were. It is entering your relationships again as someone new, carrying experience as evidence. And every return of that kind begins not with a declaration but with one quiet breath. Hashtags #HarukiMurakami #Kaho #TheWindUpBirdChronicle #DanceDanceDance #Odyssey #Nostos #Homecoming #Ruach #Recovery #EvidenceBuilder #StructuredEvidence #RepetitionIsUnforgeable #ProofOverNarrative #SignalInTheAgeOfAI #Saywise #Essay

나는 이 세계의 출구를 찾아야 한다.무라카미 하루키, 《가호》 표지에서 내 하루키의 우물, 오디세우스의 바다, 그리고 위조할 수 없는 증거에 관하여 들이마심 · 받음내쉼 · 맡김 I · 출구라는 말 출구는 어디로 열리는가 아직 작품 전체를 읽지 못했다. 그러나 표지의 한 문장이 오래 남는다. 출구를 찾는다는 것은 지금의 세계를 버리고 달아난다는 뜻일까, 아니면 너무 오래 갇혀 있던 두려움과 상실과 과거의 자신으로부터 빠져나와 다시 삶으로 돌아간다는 뜻일까. 탈출과 귀환은 방향이 정반대인 것처럼 보이지만 실제로는 같은 문 하나를 사이에 두고 붙어 있다. 어떤 문은 나가는 문이면서 동시에 들어가는 문이다. 문제는 문의 위치가 아니라, 문을 통과한 사람이 그 뒤에 무엇을 하느냐다. 하루키의 소설은 30년 동안 그 문 하나를 반복해서 그려 왔다. 우물, 이계, 두 개의 달, 벽 안쪽의 도시. 주인공은 언제나 어딘가로 내려갔다가 다시 올라온다. 그리고 올라온 다음에 그가 무엇이 되는지가 늘 이야기의 무게중심이었다. 그 문장을 바라보다가 문득 《오디세이》가 떠올랐다. 3천 년의 간격을 두고 같은 문이 놓여 있다. II · 우물 — 하루키의 하강 내려가지 않으면 아무것도 알 수 없다 《태엽감는 새》의 주인공은 아내가 사라지고 삶이 온통 불투명해지자, 마른 우물 속으로 자발적으로 기어들어간다. 도망이면서 동시에 사다리다. 그는 어둠 속에서 자기 육체가 죽음에 포박되어 있음을 확인하고, 그 확인을 통과한 뒤에야 자신의 세계로 돌아가야 한다는 것을 안다. 흥미로운 것은 그가 우물에서 반점을 얻어 나온다는 사실이다. 뺨에 남은 그 자국은 나중에 치유력의 근원이 된다. 내려갔다 온 사람은 빈손으로 올라오지 않는다. 몸에 무언가를 새기고 올라온다. 그리고 그 자국은 본인이 만든 것이 아니다. 《댄스 댄스 댄스》의 양사나이는 다른 방식으로 같은 일을 한다. 그는 관념의 세계를 지키는 파수꾼이자, 주인공에게 이제 현실로 삶의 터전을 옮기라고 말하는 안내자다. 하루키에게 이계는 머물 곳이 아니라 거쳐야 하는 곳이다. 그곳에 남는 인물은 예외 없이 소진된다. 오디세우스도 같은 구조를 통과한다. 그는 하데스로 내려가 죽은 자들과 이야기하고, 예언자 테이레시아스에게 돌아가는 길을 듣는다. 귀환의 경로는 지상에서 얻어지지 않는다. 아래를 통과한 사람만 위로 가는 길을 안다. 하루키의 인물은 아래로 내려갔다 올라온다. 오디세우스는 밖으로 나갔다 돌아온다. 방향은 다르지만 문은 하나다. 다만 두 사람이 가져오는 것은 다르다. 하루키의 주인공은 흔적을 가지고 온다. 오디세우스는 확인해 줄 사람들이 있는 곳으로 온다. 이 둘이 합쳐져야 귀환이 성립한다는 것이, 이 글이 하려는 이야기다. III · 노스토스 돌아간다는 것은 과거로 되돌아가는 일이 아니다 고대 그리스인들은 귀환을 노스토스(nostos)라고 불렀다. '노스탤지어'는 귀환을 뜻하는 nostos와 고통을 뜻하는 algos가 붙은 말이다. 돌아가고 싶은 마음과 돌아가도 예전 같을 수 없다는 아픔이 한 단어 안에 함께 있다. 칼립소는 오디세우스에게 불멸을 제안한다. 섬에 남으면 늙지도 죽지도 않는다. 그는 거절한다. 흔히 낭만으로 읽히지만 나는 계산에 가깝다고 본다. 시간이 흐르지 않는 곳에는 아무것도 축적되지 않는다. 상처도, 숙련도, 함께 만든 기억도, 그가 누구인지 말해 줄 사람도 생기지 않는다. 칼립소의 섬은 완벽한 조건이지만 증거가 형성되지 않는 세계다. 그는 영원을 거절한 것이 아니라 증명 불가능성을 거절했다. 그러므로 귀환은 과거의 상태를 복원하는 일이 아니다. 긴 시간과 실패와 상실을 통과한 사람이 달라진 자신으로 관계를 다시 시작하는 일이다. IV · 재독 · 2017 → 2026 나는 이 글을 처음 쓰는 것이 아니다 고백할 것이 있다. 하루키와 성서를 나란히 놓고 글을 쓰는 것은 나에게 처음이 아니다. 2017년 2월, 나는 같은 두 텍스트를 붙여 놓고 이미 한 번 썼다. 아카이브 · 2017.02.27 · 〈성서, 거룩한 글들의 도서관〉 그리고 스타트업 "《태엽감는 새》의 주요한 상징은 '우물 속으로 들어가기'이다. (…) 하루키 소설의 우물은 죽음에의 잠재된 욕구와 고통을 주는 세계로부터의 도피이기도 하지만, (…) 나 자신의 세계로 돌아가야 한다는 존재론적 각성에 이르기 위한 사다리이기도 하다." 스물아홉의 나는 우물을 들어가는 곳으로 읽었다. 하강, 침잠, 각성. 그때 궁금했던 것은 어떻게 내려갈 것인가였다. 그 글의 결론도 창업자의 질문이었다. 우리가 개발해야 할 고객은 누구인가. 지금의 나는 같은 우물을 나오는 곳으로 읽는다. 텍스트는 한 글자도 변하지 않았다. 변한 것은 그 사이 9년을 통과한 독자다. 그리고 남은 질문이 다르다. 누가 나의 귀환을 알아보는가. 이 차이가 이 글의 진짜 재료다. 한 번의 독서는 관점일 뿐이지만, 9년의 간격을 둔 두 번의 독서는 그 사이에 무슨 일이 있었는지를 드러낸다. 관점은 몇 초 만에 생산할 수 있다. 간격은 생산할 수 없다. 통과하는 수밖에 없다. 같은 텍스트2017년의 독법2026년의 독법《태엽감는 새》의 우물존재론적 각성을 위한 하강다시 지상으로 나오기 위한 통로양사나이관념의 파수꾼현실로 돌려보내는 안내자하루키의 '자격'소명을 자각한 창업자의 프레임선언이 아니라 유지되어야 할 상태글의 마지막 질문누구를 설득할 것인가누가 확인해 줄 것인가 V · 30년 — 하루키의 규율 반복만이 남긴다 하루키는 30년 동안 거의 같은 하루를 살았다. 새벽에 일어나 몇 시간을 쓰고, 한 시간을 달리고, 이른 오후에 일과를 끝내고, 아홉 시에 잠자리에 든다. 소설가의 삶으로는 지루할 만큼 단조롭다. 그러나 그 단조로움이 그의 작업 전체를 떠받치고 있다. 그는 자신의 머릿속에 커다란 서랍장이 있다고 썼다. 필요할 때 서랍을 열어 재료를 꺼내 쓴다고. 나는 이 비유에서 늘 한 가지에 걸린다. 열 수 있는 서랍은 채워 넣은 서랍뿐이다. 영감은 서랍을 여는 순간에 오지만, 서랍을 채우는 일은 수십 년의 관찰과 기록이다. 창의성처럼 보이는 것의 대부분은 사실 축적의 인출이다. 문학상에 대한 그의 태도도 같은 논리 위에 있다. 그는 상이란 사회적·문단적 형식상의 추인(追認)에 지나지 않는다고 본다. 작가에게 확실한 것은 두 가지뿐이라는 것이다. 자신이 의미 있는 것을 만들고 있다는 실감, 그리고 그 의미를 정당하게 평가해 주는 독자가 — 수의 많고 적음과 무관하게 — 분명히 존재한다는 실감. 이것은 놀랍도록 정확한 증거 이론이다. 상은 라벨이고, 라벨은 대상을 만들지 않는다. 실제로 남는 것은 만들어낸 산출물과 그것을 확인한 사람이다. 나머지는 형식이다. 하루키가 확실하다고 본 것구조적 대응대체 가능한가의미 있는 것을 만들고 있다는 실감산출물 · 반복된 판단대체 불가 — 만든 사람만 안다정당하게 평가하는 독자의 존재확인자 · 외부 검증대체 불가 — 타인만 줄 수 있다문학상 · 훈장 · 호의적 서평라벨 · 사후 추인대체 가능 — 언제든 수여되고 철회된다 그리고 그는 자신에게 소설을 쓸 기회가 주어진 것을 어떤 힘이 준 '자격'이라 부르며, 상처 입은 비둘기를 지키듯 그것을 지켜 왔다고 썼다. 2017년의 나는 그 문장을 겸손의 수사로 읽었다. 지금은 유지보수의 기술로 읽는다. 자격은 한 번 받아 소유하는 것이 아니라 매일 지켜야 남아 있는 것이다. 그러므로 자격은 선언이 아니라 반복이다. 여기서 하루키와 오디세우스가 만난다. 오디세우스가 구혼자들 앞에서 활을 당길 수 있었던 것은 그가 왕이기 때문이 아니다. 그 활을 수없이 당겨 본 몸을 가지고 있었기 때문이다. 20년의 부재도 그 숙련을 지우지 못했고, 누구도 그 숙련을 하룻밤에 얻을 수 없었다. 활은 왕관보다 정확한 신분증이다. 왕관은 씌워 줄 수 있지만, 숙련은 대신 쌓아 줄 수 없다. VI · 숨과 돛 받은 것으로만 움직이는 것들 가호(夏帆)의 이름은 '여름 하'와 '돛 범'으로 쓴다. 돛은 스스로 바람을 만들지 못한다. 항해자는 바람의 방향과 세기를 지배할 수 없지만, 돛을 조절하며 방향을 선택할 수는 있다. 오디세우스의 능력도 상황을 지배하는 힘이 아니라 예측할 수 없는 조건 속에서 판단을 바꾸며 항해를 계속하는 힘이었다. 숨도 그렇다. 우리는 숨을 발명하지 않았다. 잠든 동안에도 숨은 찾아온다. 들이마신 숨은 붙잡아둘 수 없고 반드시 다시 내보내야 한다. 숨은 소유물이 아니라 매 순간 받아들이고 돌려주는 생명이다. 성서에서도 숨은 단순한 공기가 아니다. 히브리어 루아흐(ruach)와 그리스어 프뉴마(pneuma)에는 바람·호흡·영이 한 단어에 들어 있다. 하루키가 매일 아침 달리며 반복하는 것도 결국 이 두 박자다. 받고, 돌려주고, 다시 받는다. 숨은 살아 있다는 가장 작고 확실한 증거다. 그리고 가장 위조하기 어려운 증거이기도 하다. VII · 증명 돌아온 사람은 자신을 증명해야 한다 《오디세이》에서 가장 흥미로운 점은 이야기가 이타카 도착으로 끝나지 않는다는 것이다. 그는 거지의 모습으로 돌아오고, 사람들은 그를 알아보지 못한다. "내가 오디세우스다"라는 말만으로는 아무것도 해결되지 않는다. 유모 에우리클레이아는 그의 다리에 남은 상처를 보고 그를 알아본다. 구혼자들이 아무도 다루지 못한 활을 그만이 당긴다. 페넬로페는 두 사람만 아는 침대의 비밀을 묻는다. 살아 있는 올리브나무를 기둥 삼아 만든, 옮길 수 없는 침대에 관한 기억이다. 호메로스는 세 종류의 증거를 순서대로 배치했다. 각각 위조 비용이 다르고 확인하는 사람이 다르다. 증거성격확인자위조 난이도다리의 상처통과한 시간이 몸에 남긴 비자발적 기록유모높음활을 당기는 능력반복으로만 얻어지는 숙련구혼자 전원매우 높음침대의 비밀둘이 함께 만든 공동 기억페넬로페매우 높음"내가 오디세우스다"언어로 된 선언없음낮음 마지막 줄이 지금 우리가 서 있는 자리다. 언어로 된 선언의 생산 비용은 이미 0에 수렴했다. 누구나 유창하게 자신을 서술할 수 있고, 이제는 기계가 대신, 대부분의 사람보다 더 잘 서술해 준다. 유창함이 흔해질수록 유창함은 신호이기를 그친다. 붕괴 이후에 남는 것은 세 가지뿐이다. 몸에 남은 흔적(하루키의 반점, 오디세우스의 상처), 반복으로만 얻어지는 능력(30년의 아침, 활), 함께 겪은 사람의 기억(독자, 페넬로페). 오디세우스가 고향으로 돌아오기 위해 필요했던 것은 위치를 증명하는 지도가 아니었다. 자신이 어떤 시간을 통과한 사람인지 보여주는 증거였다. VIII · 선체 점검 이 주장에 반대하는 네 가지 방식 항해에 나서기 전에 배를 뒤집어 밑을 본다. 위의 논리에는 최소한 네 개의 구멍이 있다. 1. 증거주의는 특권이다 흔적을 남길 기회는 균등하게 분배되어 있지 않다. 활을 매일 당길 수 있는 사람은 활을 가진 사람이다. 30년을 같은 리듬으로 쓸 수 있는 사람은 그 시간을 살 수 있는 사람이다. 증거를 요구하는 체계는 축적할 조건을 가졌던 쪽에 유리하다. 타당하고, 해소되지 않는다. 다만 대안이 '선언을 그대로 믿는 것'일 때 유리해지는 쪽은 자원이 아니라 서사 기술이며, 그 기술은 이제 구독료로 살 수 있다. 요구를 폐기할 것이 아니라 증거 생산 비용을 낮추는 설계로 답해야 한다. 2. 오디세우스의 귀환은 학살로 끝난다 증명 다음 장면은 구혼자 108명의 몰살이다. 정체성 증명이 곧 폭력의 자격이 된다. 증거는 중립적 장치가 아니라 누가 이 자리에 있어도 되는지를 결정하는 권력이다. 그래서 증거보다 중요한 것이 증거가 무엇을 승인하는가이다. 증거는 '나는 여기 있어도 되는 사람'을 확인해 줄 뿐, '너는 없어도 되는 사람'을 판정할 권한을 주지 않는다. 이 둘을 혼동하는 순간 검증은 공정의 외피를 쓴 배제 장치가 된다. 3. 반복도 연출될 수 있다 매일 같은 시간에 같은 기록을 남기는 것은 성실의 증거일 수도, 성실해 보이려는 설계일 수도 있다. 끊기지 않는 게시 기록, 초록색 커밋 잔디. 부분적으로 옳다. 정확히 말하면 반복은 위조 불가능한 것이 아니라 위조 비용이 높은 것이다. 그리고 연출된 반복은 조건이 나빠지는 순간 끊긴다. 판별점은 반복 자체가 아니라 중단 이후의 재개다. 다시 시작한 기록이 가장 흉내 내기 비싼 자료다. 4. 하루키의 '자격'은 사후적 서사다 성공한 사람이 30년을 회고하며 소명이었다고 말하는 것은 생존 편향이다. 같은 규율로 30년을 쓴 무명 작가는 그 문장을 남길 지면을 얻지 못한다. 인정한다. 그래서 이 글은 규율이 성공을 보장한다고 말하지 않는다. 결과가 어떻든 남는 것은 규율이 만든 흔적뿐이라고 말한다. 소명은 결과의 설명이 아니라 결과와 무관하게 유지된 상태의 이름이다. IX · 회복 회복은 원래의 나로 돌아가는 일이 아니다 나는 요즘 회복이라는 말을 이전과 다르게 생각한다. 예전에는 잃어버린 것을 되찾고 원래 상태로 돌아가는 일이라고 여겼다. 그러나 어떤 시간을 통과하고 나면 우리는 이전의 자신으로 완전히 돌아갈 수 없다. 몸도 생각도 관계도 달라진다. 회복은 떠나기 전의 나를 복제하는 일이 아니라, 그 시간에 무엇을 잃었고 무엇을 지켰는지 받아들이는 일이다. 그리고 남아 있는 숨으로 방향을 다시 선택하는 일이다. 성서에서 회개 역시 후회의 감정이 아니다. 히브리어 슈브(shuv)는 몸을 돌려 방향을 바꾸는 동작이고, 그리스어 메타노이아(metanoia)는 생각의 방식을 갈아엎는 일이다. 둘 다 감정이 아니라 동작이며, 동작은 감정과 달리 타인에게 관찰된다. 《오디세이》의 이타카, 성서의 귀환, 하루키의 우물과 이계, 《가호》 표지의 '출구'는 그래서 멀리 떨어져 있지 않다. 모두 한 인간이 낯선 세계를 통과한 뒤 다시 현실로 돌아오는 이야기다. X · 결론 인간은 왜 돌아오는가 인간은 안전했던 과거를 되찾기 위해서만 돌아오지 않는다. 자신에게 주어진 이름과 관계, 아직 끝나지 않은 책임으로 돌아온다. 무엇을 겪었고 무엇을 배웠으며 이제 무엇을 다르게 선택할 것인지 보여주기 위해 돌아온다. 하루키의 주인공은 우물에서 올라온다. 오디세우스는 이타카로 돌아온다. 가호는 이 세계의 출구를 찾으려 한다. 그리고 나는 9년 전에 쓴 문장으로 돌아와, 같은 우물을 반대 방향에서 다시 읽었다. 그 모든 귀환의 중심에는 숨이 있다. 숨이 남아 있다는 것은 여정이 아직 끝나지 않았다는 뜻이다. 다시 돛을 세울 수 있고, 방향을 바꿀 수 있으며, 누군가가 기다리는 세계로 돌아갈 수 있다는 뜻이다. 그리고 관계가 마침내 우리의 귀환을 완성한다.회복은 이전의 나로 돌아가는 일이 아니라, 경험을 증거로 가진 새로운 내가 되어 다시 관계 속으로 들어가는 일이다. 그리고 그 모든 귀환은 거창한 선언이 아니라, 조용한 한 번의 숨에서 시작된다. 해시태그 · 국문전체 복사 #무라카미하루키#가호#태엽감는새#댄스댄스댄스#오디세이#노스토스#귀환#루아흐#회복#증거의구조#EvidenceBuilder#반복은위조되지않는다#선언보다증거#AI시대의신호#Saywise#에세이

From Trial and Error to Predictive R&D—What an Adhesive Tape Development Case Reveals About the Evidence Builder Hanjong Lee · GTM & Evidence Builder · 2026 An adhesive tape manufacturer had accumulated three years of experimental data. This was not a company suffering from a lack of data. Its formulation tables lived in Excel, test results in PDFs, and countless successes and failures in researchers’ laboratory notebooks. Yet every new product development effort began almost from scratch. More than 200 experiments were required to reach the target levels of adhesion, viscosity, tensile strength, and heat resistance, and completing a single product took roughly nine months. The company had a history of R&D, but it did not have a knowledge system capable of using that history to improve the next decision. This is where I see the essence of the Evidence Builder. Having extensive experience does not necessarily mean that knowledge has accumulated. Nor does stored data automatically function as evidence. If an experience does not change the next choice, it remains only a record of the past. When a success or failure narrows the range of the next decision, leads to better action, and is tested again against actual results, experience finally becomes repeatable evidence. An Evidence Builder designs that transition. The work does not stop at explaining an idea. It turns the idea into an executable structure, tests it in the user’s reality, and feeds both results and failures back into the next judgment. An Evidence Builder does not merely claim that something is possible. They establish, one condition at a time, the circumstances under which that possibility actually works. The Data Had Accumulated, but the Knowledge Had Not Many organizations say, “We have a lot of data.” But the more important question is not how much data they possess. Is that data changing today’s decisions? In adhesive tape development, two materials with the same ingredient name can behave differently when the manufacturer or production lot changes. Even with the same formulation, performance can vary with temperature, mixing sequence, curing conditions, and test environment. If formulation data is stored in Excel, test results in PDFs, and the researcher’s judgment in personal notebooks and memory, it becomes difficult to reconstruct why a particular experiment succeeded or failed. The record remains, but the context disappears. The result exists, but the reasoning behind it does not. When a researcher leaves or changes roles, the organization repeats similar experiments and walks down paths that have already failed. At that point, the organization incurs a loss greater than the failed experiment itself: it loses the opportunity to learn from failure. A failed experiment is, by nature, a scientific asset. Knowing which combination did not work reduces the search space for the next attempt. An unexpected result may show that an existing hypothesis was wrong or reveal an interaction that has not yet been understood. But when the conditions and context of failure are not preserved, the failure ends as a cost rather than becoming evidence. That is why an Evidence Builder does not collect successes alone. The record must connect what was selected, why it was selected, where expectations diverged from reality, what was changed, and who validated the result. Evidence is not a display case for perfect outcomes. It is the trace left when judgment encounters reality and is revised by it. AI Changed the Structure of Judgment, Not Merely the Number of Experiments The transformation did not begin by generating more data. It began by reading and connecting the three years of experimental records the company already had. Information scattered across PDFs, Excel files, technical documents, and laboratory notebooks was structured. Ingredient names and units were standardized. Failed experiments were preserved alongside successful ones. The system captured more than formulation ratios. It also modeled process metadata such as manufacturer, lot, temperature, mixing sequence, and test conditions. It did not learn numbers in isolation; it reconstructed the real-world context in which those numbers were produced. On that foundation, AI predicted critical properties such as adhesion, viscosity, and tensile strength, then proposed candidates likely to approach the target. The researchers did not follow those recommendations blindly. They considered material inventory, safety limits, equipment constraints, and actual manufacturability before deciding which experiments to run. The results were fed back into the data, the model was updated, and the revised model recommended the next experiments. A closed loop emerged: learn, predict, execute, and learn again. In this structure, the role of AI is not to produce the correct answer in a single attempt. Nor is it to predict perfectly the future of every formulation that has never been tested. Its role is to use the available evidence to recommend the experiment most likely to improve the next decision. The candidate expected to perform best is not always the most valuable next experiment. Some experiments are selected because strong performance is predicted. Others are selected precisely because uncertainty is high: once the result is known, the team can determine which of two competing hypotheses is more plausible. The central question of predictive R&D is therefore not simply, “Which formulation is best?” Which experiment will make our next judgment more trustworthy? That question turns trial and error into learning. The 67% Is Both an Outcome and Evidence of a New Operating Model The published case material reports a clear change. A working system for data cleaning, model training, validation, and operational deployment was established in six weeks. New product development time fell from nine months to three months, a 67% reduction. The number of experiments fell from 200 to 70, a 65% reduction. The source reports 95% predictive reliability and states that errors remained within ±5% across 30 validation experiments. Development productivity over the same period increased by as much as three times. Yet focusing only on these figures would miss the most important change. The 130 experiments did not simply disappear. Combinations with low expected value or limited information value could be screened before physical testing, allowing researchers to concentrate their time, materials, and equipment on more consequential candidates. The company did not conduct less research. It conducted experiments with greater meaning. More important than reducing nine months to three is the fact that the same learning structure can be reused in the next project. Knowledge that had depended on the intuition of individual researchers became an asset the organization could search, review, and retrain. A one-time success became a repeatable operating capability. This is how an Evidence Builder reads performance. The task is not to find one impressive number and promote it. It is to connect that number to the problem from which it arose, the judgments and actions that produced it, the conditions under which it was measured, and the people who validated it. The claim is the sentence, “We reduced development time by 67%.” The evidence is the complete path through which that sentence became true. What was the baseline? Which product family and material properties were included? How many experiments were compared? How were predicted and measured values validated? When did researchers approve or reject the AI’s recommendations? The more clearly these conditions are recorded, the more the outcome becomes evidence that another organization can examine and attempt to reproduce, rather than an inflated promise. For an Evidence Builder, the magnitude of success is not the only thing that matters. Evidence density and reproducibility matter just as much. Researchers’ Intuition Was Not Removed The most important misconception to avoid when discussing predictive R&D is the story that AI replaced human judgment. An algorithm does not independently understand chemical reality. It cannot decide on its own whether an outlier represents a new material phenomenon, a contaminated sample, or a problem with the measuring instrument. It also cannot determine by itself whether a proposed ingredient is commercially available, whether the recommended process can run on existing equipment, or whether it exceeds safety limits. Human intervention in a closed loop is not a failure of automation. It is the element that anchors the system in reality. Researchers define the executable search space, examine the reasoning and uncertainty behind AI recommendations, interpret unexpected results, and decide whether to continue exploration or move into production validation. AI did not eliminate the researcher’s intuition. It moved that intuition away from repetitive candidate searching and toward more consequential scientific judgment. An Evidence Builder does not erase human judgment either. The work brings judgment out of an individual’s head. It records why a problem was selected, what was perceived as a risk, which constraint led to a rejected recommendation, and what changed after failure. In this way, tacit individual knowledge becomes a structure that other people can inspect and reuse. In the age of AI, human value does not come from producing every answer alone. It comes from deciding which problems are worth solving, exercising judgment under incomplete evidence, accepting responsibility for outcomes, and applying what was learned to the next action. An Evidence Builder Creates a Loop Between Possibility and Proof I have described the work of an Evidence Builder through seven connected elements: Problem → Artifact → User → Judgment → Iteration → Impact → Validation First, define a problem that is generating a real cost. Build a product, experiment, model, or process capable of addressing it. Put that artifact into the environment of an actual user. Observe the judgments the user makes. Improve the artifact based on failure s and exceptions. Measure changes in time, cost, quality, or behavior. Finally, connect those outcomes to validation by customers, researchers, or the market. The adhesive tape development case shows how this framework operates in materials R&D: Problem: More than 200 repeated experiments and approximately nine months of development time Artifact: A predictive and recommendation system connecting historical data with process context User: Researchers responsible for real formulations and manufacturing processes Judgment: Approval or rejection of recommendations based on safety, inventory, equipment, and target properties Iteration: Feeding actual results back into the model to improve the next recommendation Impact: A 67% reduction in development time, a 65% reduction in experiments, and up to a threefold increase in productivity Validation: Comparison of predicted values with physical test results, combined with review by researchers in the field The important point is that these seven elements are not merely headings in a report. The final result improves the next problem definition. One customer case establishes the baseline for the next proof of concept. One validated outcome creates the conditions for expansion into additional product families and research laboratories. An Evidence Builder does not manufacture a linear success story. They build a closed loop of evidence in which possibility, execution, failure, improvement, and validation continue to circulate. Not a System Without Failure, but a System That Does Not Lose Failure Many discussions of AI revolve around accuracy: higher accuracy, better models, and faster generation. These things matter. But model accuracy alone does not determine an organization’s capacity to learn. Are failed experiments preserved? Is measurement uncertainty visible? Are the reasons for rejecting a recommendation recorded? Does the gap between prediction and actual performance change the next model and the next judgment? Can the baselines and conditions behind performance metrics be verified? If these questions cannot be answered, AI may merely accelerate trial and error. It can learn flawed definitions and incomplete measurements more quickly, then repeat distorted recommendations more efficiently. A good closed loop does not eliminate failure. It prevents failure from being lost. It preserves the conditions and reasons behind failure and uses them as material for improving the next judgment. An Evidence Builder does not create an image of flawless success. The work honestly records what worked and what did not work in reality, then converts the difference into a repeatable learning structure. At that point, failure becomes a foundation for trust rather than a reputational risk. What matters is not simply which failure occurred, but whether the organization can show how its judgment and system changed because of it. Data That Does Not Change the Next Experiment Is Not Yet Evidence The future competitiveness of materials R&D will not be determined by who performs the greatest number of experiments. It will be determined by who learns more from each experiment and incorporates that learning into the next decision more quickly and accurately. This adhesive tape case demonstrates one of the most practical ways AI can transform R&D. AI did not replace the researcher and declare the correct answer. It connected a fragmented past, restored context to failure, and created a basis for choosing the next experiment. New results then improved the judgment that followed. This is more than automation. It is a learning system through which an organization remembers experience, converts memory into judgment, and tests that judgment again as evidence. I believe this is the work an Evidence Builder must do in the age of AI. The task is not to package an idea more persuasively. Nor is it to describe a technology’s potential in the language of the future. It is to begin with a real problem, build a working structure, expose it to users’ judgment and failure, and connect the outcome to measurable change and external validation. The easier words become, the more important evidence becomes. In an era when AI can give anyone persuasive language and polished outputs, people and organizations will be distinguished less by what they claim than by what actually changed the next action. The final question, then, is not, “How much data do we have?” Did yesterday’s experiment change today’s judgment? Will today’s judgment lead to a better experiment tomorrow? If so, data has become knowledge, experience has become evidence, and trial and error has become an organizational advantage. Predictive R&D is not the ability to get the future right in a single attempt. It is the organizational capacity to choose a better question with every experiment and make the next judgment more accurate with every failure. Note on the Scope of the Source Material The quantitative figures in this essay are based on an anonymized adhesive tape R&D success case provided to the author. Because the customer’s identity and raw measurement data have not been disclosed, any external publication should specify the scope approved by the customer, the definitions used for the reported 95% predictive reliability and ±5% error range, the basis for the nine-month and 200-experiment baselines, and the conditions of the 30 validation experiments. The reduction from 200 experiments to 70 is 65% arithmetically, and this essay uses 65% consistently. Recommended Hashtags #EvidenceBuilder #PredictiveRnD #MaterialsAI #MaterialsInformatics #ClosedLoopRnD #AIforRnD #AdhesiveTechnology #FormulationScience #ExperimentalDesign #HumanInTheLoop #OrganizationalLearning #EvidenceDrivenInnovation #ManufacturingInnovation #ResearchTransformation

시행착오에서 예측형 R&D로 —한 점착 테이프 개발 사례가 보여준 Evidence Builder의 원리 이한종 · GTM & Evidence Builder · 2026 한 점착 테이프 제조기업에는 3년간 축적된 실험 데이터가 있었다. 데이터가 부족한 회사가 아니었다. Excel에는 배합표가 있었고, PDF에는 시험 결과가 있었으며, 연구원의 실험노트에는 수많은 성공과 실패가 기록돼 있었다. 그런데 신제품을 개발할 때마다 조직은 다시 처음부터 시작했다. 목표한 점착력과 점도, 인장강도와 내열성을 얻기 위해 200회가 넘는 실험을 반복했고, 하나의 제품을 완성하는 데 약 9개월이 필요했다. R&D의 역사는 존재했지만, 그 역사를 다음 판단에 사용하는 지식 시스템은 존재하지 않았다. 나는 이 장면에서 Evidence Builder의 본질을 본다. 경험이 많다고 해서 반드시 지식이 축적되는 것은 아니다. 데이터가 저장돼 있다고 해서 그것이 증거로 기능하는 것도 아니다. 경험이 다음 선택을 바꾸지 못한다면 그것은 과거의 기록에 머문다. 반대로 하나의 성공과 실패가 다음 판단의 범위를 좁히고, 더 나은 행동을 이끌며, 실제 결과로 다시 검증될 때 경험은 비로소 반복 가능한 증거가 된다. Evidence Builder는 바로 그 전환을 설계하는 사람이다. 아이디어를 말로 설명하는 데서 멈추지 않고, 그것을 실행 가능한 구조로 만들고, 사용자의 현실 속에서 시험하며, 결과와 실패를 다시 다음 판단에 연결한다. 가능성을 주장하는 사람이 아니라, 가능성이 실제로 작동하는 조건을 하나씩 증명하는 사람이다. 데이터는 쌓였지만, 지식은 축적되지 않았다 많은 조직이 “우리는 데이터가 많다”고 말한다. 그러나 더 중요한 질문은 데이터의 양이 아니다. 그 데이터가 오늘의 의사결정을 바꾸고 있는가? 점착 테이프 개발 과정에서 동일한 원료명이라도 제조사와 로트가 다르면 결과가 달라질 수 있다. 같은 배합이라도 온도, 혼합 순서, 경화 조건과 시험 환경에 따라 물성이 달라진다. 그런데 배합 정보는 Excel에, 시험 결과는 PDF에, 연구자의 판단은 개인 노트와 기억 속에 나뉘어 있다면 하나의 실험이 왜 성공했고 왜 실패했는지를 온전히 재구성하기 어렵다. 기록은 남지만 맥락은 사라진다. 결과는 존재하지만 판단의 이유는 남지 않는다. 연구원이 바뀌면 조직은 비슷한 실험을 다시 하고, 실패했던 경로를 다시 걷는다. 이때 실패한 실험보다 더 큰 손실이 발생한다. 실패에서 배울 기회를 잃는 것이다. 실험의 실패는 원래 과학적 자산이다. 어떤 조합이 작동하지 않았는지 알면 다음 탐색의 범위를 줄일 수 있다. 예상 밖의 결과는 기존 가설이 틀렸음을 보여 주거나, 아직 이해하지 못한 새로운 상호작용을 드러낼 수 있다. 그러나 실패의 조건과 맥락이 보존되지 않으면 그것은 증거가 아니라 비용으로 끝난다. 그래서 Evidence Builder는 성공만 수집하지 않는다. 무엇을 선택했는지, 왜 선택했는지, 어디에서 예상이 빗나갔는지, 무엇을 수정했는지, 누가 결과를 검증했는지까지 연결한다. 증거는 완벽한 결과의 전시물이 아니라 판단이 현실을 만나 수정된 흔적이기 때문이다. AI가 바꾼 것은 실험의 수가 아니라 판단의 구조였다 이 전환 프로젝트는 새로운 데이터부터 만들려고 하지 않았다. 먼저 기업이 이미 가지고 있던 3년의 실험 기록을 읽고 연결했다. PDF, Excel, 기술자료와 실험노트에 흩어진 정보를 구조화하고, 원료명과 단위를 표준화했으며, 성공한 실험뿐 아니라 실패한 실험도 보존했다. 여기에 배합 비율만 넣은 것이 아니다. 제조사, 로트, 온도, 혼합 순서, 시험조건과 같은 공정 메타데이터까지 함께 모델링했다. 숫자만 학습한 것이 아니라 숫자가 만들어진 현실의 맥락을 복원한 것이다. 그 위에서 AI는 점착력, 점도와 인장강도 같은 핵심 물성을 예측하고 목표에 가까운 후보를 제안했다. 연구자는 추천을 그대로 따르지 않았다. 원료 재고, 안전 한계, 설비 조건과 실제 생산 가능성을 검토해 실행할 실험을 결정했다. 실험 결과는 다시 데이터에 들어가 모델을 수정했고, 수정된 모델은 그다음 실험을 추천했다. 학습하고, 예측하고, 실행하고, 다시 학습하는 폐쇄 루프가 만들어진 것이다. 이 구조에서 AI의 역할은 한 번에 정답을 맞히는 것이 아니다. 아직 시도하지 않은 모든 조합의 미래를 완벽하게 예언하는 것도 아니다. AI가 해야 할 일은 지금까지의 증거를 바탕으로 다음에 어떤 실험을 해야 의사결정이 더 좋아질지를 제안하는 것이다. 가장 좋아 보이는 후보와 가장 가치 있는 다음 실험은 항상 같지 않다. 어떤 실험은 높은 성능이 예상돼 선택된다. 다른 실험은 불확실성이 크기 때문에 선택된다. 그 결과가 나오면 서로 경쟁하는 두 가설 중 어느 쪽이 더 타당한지 알 수 있기 때문이다. 따라서 예측형 R&D의 핵심 질문은 단순히 “어떤 조합이 가장 좋은가?”가 아니다. 어떤 실험이 우리의 다음 판단을 더 신뢰할 수 있게 만드는가? 이 질문이 시행착오를 학습으로 바꾼다. 67%는 성과이면서, 새로운 운영 방식의 증거다 공개된 성공사례 자료가 보고한 변화는 분명했다. 6주 만에 데이터 정제와 모델 학습, 검증과 현장 적용 체계를 구축했다. 신제품 개발기간은 9개월에서 3개월로 67% 단축됐고, 실험 횟수는 200회에서 70회로 65% 감소했다. 자료는 예측 신뢰도를 95%로 제시하며, 30건의 검증 실험에서 오차가 ±5% 이내였다고 보고한다. 동일한 기간에 수행할 수 있는 개발 생산성은 최대 3배로 높아졌다. 그러나 이 사례의 핵심을 숫자에만 두면 가장 중요한 변화를 놓치게 된다. 130개의 실험이 단순히 사라진 것이 아니다. 성공 가능성이 낮거나 정보 가치가 부족한 조합을 실제 실험 전에 걸러내고, 더 중요한 후보에 연구자의 시간과 원료, 장비를 집중할 수 있게 된 것이다. 연구를 덜 한 것이 아니라 더 많은 의미를 가진 실험을 한 것이다. 9개월이 3개월로 줄었다는 결과보다 더 중요한 것은, 다음 프로젝트에서도 같은 학습 구조를 다시 사용할 수 있다는 점이다. 특정 연구원의 감각에 의존하던 지식이 조직이 검색하고 검토하고 재학습할 수 있는 자산으로 바뀌었다. 한 번의 성공이 반복 가능한 운영 능력으로 전환됐다. 이것이 Evidence Builder가 성과를 바라보는 방식이다. 좋은 숫자 하나를 찾아 홍보하는 것이 아니라, 그 숫자가 어떤 문제에서 시작됐고, 어떤 판단과 실행을 거쳤으며, 어떤 조건에서 측정됐고, 누가 검증했는지를 연결한다. Claim은 “개발기간을 67% 단축했다”는 문장이다. Evidence는 그 문장이 만들어진 전체 경로다. 기존 기준선은 무엇이었는가. 어떤 제품군과 물성을 대상으로 했는가. 몇 회의 실험을 비교했는가. 예측값과 실제 측정값은 어떻게 검증했는가. 연구자는 AI의 추천을 언제 승인하거나 거부했는가. 이 조건이 기록될수록 성과는 과장된 약속이 아니라 다른 조직이 검토하고 재현할 수 있는 증거가 된다. 그래서 Evidence Builder에게 중요한 것은 성공의 크기만이 아니다. 증거의 밀도와 재현 가능성이다. 연구자의 직관은 제거되지 않았다 예측형 R&D를 설명할 때 가장 경계해야 할 오해는 AI가 연구자의 판단을 대체했다는 서사다. 알고리즘은 스스로 화학적 현실을 이해하지 못한다. 이상값이 새로운 물질 현상인지, 오염된 시료인지, 측정 장비의 문제인지 독립적으로 결정할 수 없다. 원료가 시장에서 조달 가능한지, 제안된 공정이 기존 설비에서 실행 가능한지, 안전 한계를 넘어서는지 역시 현장의 판단이 필요하다. 폐쇄 루프에서 연구자의 개입은 자동화의 실패가 아니다. 오히려 시스템을 현실에 연결하는 핵심 요소다. 연구자는 실행 가능한 범위를 정의하고, AI의 추천 이유와 불확실성을 검토하며, 예상 밖의 결과를 해석하고, 탐색을 계속할지 양산 검증으로 넘어갈지 결정한다. AI는 연구자의 직관을 없애지 않았다. 반복적인 후보 탐색에 사용되던 직관을 더 중요한 과학적 판단으로 이동시켰다. Evidence Builder 역시 사람의 판단을 지우지 않는다. 오히려 그동안 개인의 머릿속에만 있던 판단을 밖으로 꺼낸다. 왜 이 문제를 선택했는지, 무엇을 위험으로 보았는지, 어떤 제약 때문에 추천을 거부했는지, 실패 후 무엇을 바꾸었는지를 기록한다. 이를 통해 개인의 암묵지가 다른 사람이 검토하고 다시 사용할 수 있는 구조가 된다. AI 시대에 인간의 가치는 모든 답을 혼자 만들어 내는 능력에서 나오지 않는다. 어떤 문제를 풀 가치가 있는지 정하고, 불완전한 증거 속에서 판단하며, 결과에 책임지고, 배운 것을 다음 행동에 반영하는 능력에서 나온다. Evidence Builder는 가능성과 증명 사이의 루프를 만든다 나는 Evidence Builder의 작업을 일곱 개의 연결된 요소로 설명해 왔다. Problem → Artifact → User → Judgment → Iteration → Impact → Validation 먼저 실제로 비용이 발생하고 있는 문제를 정의한다. 문제를 해결할 수 있는 제품, 실험, 모델이나 프로세스를 만든다. 그것을 실제 사용자의 환경에 넣는다. 사용자가 어떤 판단을 내리는지 관찰한다. 실패와 예외를 바탕으로 개선한다. 시간, 비용, 품질이나 행동의 변화를 측정한다. 마지막으로 그 결과를 고객, 연구자 또는 시장의 검증과 연결한다. 이 점착 테이프 개발 사례는 이 프레임워크가 소재 R&D에서 어떻게 작동하는지를 보여 준다. Problem: 200회 이상의 반복실험과 약 9개월의 개발기간 Artifact: 과거 데이터와 공정 맥락을 연결한 예측·추천 시스템 User: 실제 배합과 공정을 책임지는 연구자 Judgment: 안전성, 재고, 설비와 물성을 고려한 추천 승인·거부 Iteration: 실제 결과를 모델에 되돌려 다음 추천 개선 Impact: 개발기간 67% 단축, 실험 65% 감소, 생산성 최대 3배 향상 Validation: 예측값과 실제 실험값의 비교 및 현장 연구자의 검토 중요한 것은 이 일곱 요소가 보고서의 목차로만 존재하지 않는다는 것이다. 마지막 결과가 다시 첫 번째 문제 정의를 개선하고, 하나의 고객 사례가 다음 PoC의 기준선을 만들며, 한 번의 검증이 더 넓은 제품군과 연구소로 확장될 조건을 만든다. Evidence Builder는 직선적인 성공 스토리를 만드는 사람이 아니다. 가능성, 실행, 실패, 개선과 검증이 계속 순환하는 증거의 폐쇄 루프를 만드는 사람이다. 실패 없는 시스템이 아니라, 실패를 잃지 않는 시스템 AI에 대한 많은 이야기는 정확도를 중심으로 전개된다. 더 높은 정확도, 더 좋은 모델, 더 빠른 생성 속도. 물론 중요하다. 그러나 조직의 학습 능력을 결정하는 것은 모델의 정확도만이 아니다. 실패한 실험이 보존되는가. 측정의 불확실성이 드러나는가. 추천을 거부한 이유가 기록되는가. 예상과 실제 결과의 차이가 다음 모델과 판단에 반영되는가. 성과 지표의 기준과 조건이 검증 가능한가. 이 질문에 답할 수 없다면 AI는 시행착오의 속도만 높일 수도 있다. 잘못 정의된 데이터와 불완전한 측정을 더 빠르게 학습하고, 왜곡된 추천을 더 효율적으로 반복할 수 있기 때문이다. 좋은 폐쇄 루프는 실패를 제거하지 않는다. 실패가 사라지지 않게 한다. 실패의 조건과 이유를 보존하고, 다음 판단을 개선하는 재료로 사용한다. Evidence Builder가 만드는 것도 완벽한 성공의 이미지가 아니다. 현실 속에서 무엇이 작동했고 무엇이 작동하지 않았는지를 정직하게 남기고, 그 차이를 반복 가능한 학습 구조로 전환하는 것이다. 그때 실패는 평판의 위험이 아니라 신뢰의 근거가 된다. 어떤 실패를 겪었는지가 아니라, 그 실패를 통해 판단과 시스템이 어떻게 달라졌는지를 보여 줄 수 있기 때문이다. 다음 실험을 바꾸지 못하는 데이터는 아직 증거가 아니다 앞으로 소재 R&D의 경쟁력은 누가 더 많은 실험을 수행하는가로 결정되지 않을 것이다. 누가 하나의 실험에서 더 많이 배우고, 그 배움을 다음 결정에 더 빠르고 정확하게 반영하는가로 결정될 것이다. 이 점착 테이프 사례는 AI가 R&D를 바꾸는 가장 현실적인 방식을 보여 준다. AI가 연구자를 대신해 정답을 선언한 것이 아니다. 흩어진 과거를 연결하고, 실패에 맥락을 돌려주고, 다음 실험을 선택할 근거를 만들었다. 그리고 새로운 결과가 다시 다음 판단을 개선하도록 했다. 이것은 단순한 자동화가 아니다. 조직이 경험을 기억하고, 기억을 판단으로 바꾸며, 판단을 다시 증거로 검증하는 학습 시스템이다. 나는 이것이 AI 시대의 Evidence Builder가 해야 할 일이라고 생각한다. 아이디어를 더 그럴듯하게 포장하는 것이 아니다. 기술의 가능성을 미래형 문장으로 설명하는 것도 아니다. 실제 문제에서 출발해 하나의 구조를 만들고, 사용자의 판단과 실패를 통과시키고, 측정 가능한 변화와 외부 검증으로 연결하는 것이다. 말이 쉬워질수록 증거는 더 중요해진다. AI가 누구에게나 설득력 있는 문장과 완성도 높은 결과물을 만들어 주는 시대에는 무엇을 주장하는가보다 무엇이 실제로 다음 행동을 바꾸었는가가 사람과 조직을 구분한다. 그래서 마지막 질문은 “우리에게 얼마나 많은 데이터가 있는가?”가 아니다. 어제의 실험은 오늘의 판단을 바꾸었는가? 오늘의 판단은 내일 더 나은 실험으로 이어지는가? 그렇다면 데이터는 지식이 되었고, 경험은 증거가 되었으며, 시행착오는 조직의 경쟁력이 된다. 예측형 R&D란 미래를 한 번에 맞히는 기술이 아니다. 실험할 때마다 더 나은 질문을 선택하고, 실패할 때마다 다음 판단을 더 정확하게 만드는 조직의 능력이다. 자료 범위에 관한 주석 본 글의 정량 수치는 제공된 익명 점착 테이프 R&D 성공사례 자료를 기반으로 한다. 고객명과 원측정 데이터가 공개되지 않았으므로 대외 배포 시에는 고객 공개 승인 범위, 95% 예측 신뢰도와 ±5% 오차의 정의, 9개월·200회 기준선의 산정 범위, 30건 검증 조건을 함께 명시해야 한다. 200회에서 70회로의 변화는 산술적으로 65% 감소이므로 본문에서는 65%로 통일했다.

The Time After Investment — The Investor’s Work of Turning Potential into Evidence (Featuring Shin Dongwon, Executive Director at DSC Investment) The Philosophy of Low Ego and the Evidence Builder, as Revealed Through Interviews with Shin Dongwon By Hanjong Lee Cross-Border GTM Strategist & Evidence Builder Shin Dongwon, Executive Director at DSC Investment · Interviewee — Official profile from the V-Up lecture materials Hanjong Lee · Cross-Border GTM Strategist & Evidence Builder — Author portrait Connect people with low ego, move ecosystems through a shared language, and turn ideas into measurable execution and evidence. When the investment agreement is signed and the funds have been transferred, the outside world says the investment is complete. For the investor, however, that day is not the conclusion. It is the first line of a very long sentence. An investment decision may take two to six months, but the relationship that follows often lasts five to eight years. The time spent taking responsibility for a choice is far longer than the time spent making it. In December 2016, Shin Dongwon—then a senior team leader at DSC Investment—was named the year’s top venture investor in the early-stage category by Korea Venture Investment Corp. In an interview, he described his work this way: “Rather than obsessing over recovering the investment, the most important job of a venture investor is to think about how to help a startup bring an unprecedented business model to life as quickly as possible.” That single sentence shifts the investor’s role from someone who selects companies to someone who helps possibilities become real. The ability to anticipate returns matters. But for an early-stage investor, the deeper responsibility is to help something that does not yet exist begin to function in the market. In this idea, I recognize a philosophy I have held onto for years: Low Ego, High Impact. Low Ego does not mean making oneself small. It is a form of leadership that refuses to place personal credit above the shared objective. Between investor and founder, corporation and government, technology and market, it creates the conditions under which people with different interests can move toward the same goal. It lowers the volume of individual presence in order to raise the collective capacity to execute. That is how Low Ego produces High Impact. From stories to ecosystems. Beginning in film and content, Hanjong Lee expanded his role into that of an ecosystem operator connecting founders, investors, corporations, and government. — Hanjong Lee Portfolio Archive, 2013 Disruptive Asian Entrepreneurs At the time, Shin emphasized the importance of going into the field and traveling across the country to find promising companies. Rather than judging a future that did not yet exist through numbers on a desk, he met founders in person and examined both the problems they wanted to solve and the markets they believed could emerge. Ten years later, the principles he presented in his V-Up lecture—portfolio management, value creation, crisis response, and exit strategy—did not appear out of nowhere. His early commitment to “making potential real” had evolved, through years of experience, into a coherent operating system. 1. Evidence Builder — The Fewer the Numbers, the More Deeply You Must Understand the Person Early-stage companies have very few complete numbers. Revenue is small, customers are scarce, and the shape of the market is still unclear. On what basis, then, does an investor choose a future? The starting point in Shin’s framework is simple, but never superficial: ultimately, you look at the people. Looking at people does not mean judging charisma or an impressive résumé. It means observing the founder’s expertise, transparency, entrepreneurial drive, and ability to move the team in a shared direction. Transparency becomes even more important after the investment. A founder’s real operating ability is revealed not when the plan proves correct, but when it proves wrong: what the founder is willing to acknowledge, how quickly the facts are shared, and how decisively the team moves to the next action. In his 2016 interview, Shin explained that he continued meeting founders over time and placed the greatest weight on their philosophy and determination to build the company. The important phrase here is “continued meeting.” He did not judge a person from a single pitch or a polished document. Over time, he watched how founders answered difficult questions, responded to unfavorable facts, translated promises into action, absorbed new information, and revised their judgment. The first evidence an investor discovers is not a finished business result. It is the way a person handles an unfinished reality. In an age when AI can produce persuasive explanations at almost no cost, this distinction becomes even clearer. The habit of meeting promised milestones matters more than verbal fluency. The willingness to reveal uncomfortable facts matters more than confidence. Action matters more than claims; repeated choices reveal more than a carefully managed image. This is the starting point of what I call the Evidence Builder. An Evidence Builder is not simply someone who explains themselves well. It is someone who creates proof that their judgment and ability work in practice. They define a problem, build something functional, observe how users respond, and preserve the record of failure and revision as well as success. Investors play the same role. They do not merely package a founder’s potential in attractive language. They help that potential develop into verifiable evidence: customers, revenue, organizational capacity, and follow-on investment. 2. Low Ego — A Strong Relationship Is One in Which the Truth Travels Quickly Post-investment management is often misunderstood as control or surveillance. Yet early-stage companies frequently lack the information systems and management structures that could even be monitored. The investor’s first task is not to demand more reports. It is to work with the founder to decide what should be shared and at what rhythm. This is why Shin emphasizes the first 100 days after investment. During that period, investor and founder should reconfirm the baseline and core metrics, agree on reporting formats and decision-making cycles, and align on the next twelve months of milestones and capital planning. The investor should also make a first concrete contribution in at least one area: hiring, customers, or partnerships. Trust does not arise from good intentions. It is built through predictable communication and repeated acts of practical help. The purpose of this structure is not to produce attractive reports. It is to ensure that facts can move without delay when something goes wrong. Before the financial statements collapse, nonfinancial signals usually appear first: delayed reporting, changing explanations, or the departure of key people. If an investor hears bad news about the company from someone outside it, the relationship is already sounding an alarm. A good investor is not someone who has every answer. It is someone who makes it easier for the founder to disclose uncomfortable facts earlier. Excessive interference encourages information to be polished on its way upward. Consistent questions and practical help allow the facts to move as they are. A one-page monthly dashboard, a quarterly comparison of plan versus performance, and a conversation about the next financing round when runway reaches twelve months are not mere administrative procedures. They are mechanisms for operating trust. When investors focus less on proving that their own answers are correct and more on seeing reality accurately with the founder, the truth moves faster. Low Ego is not silent modesty or an excuse to avoid responsibility. It is the discipline of placing the problem above one’s status—asking uncomfortable questions when necessary without monopolizing ownership of the answer. The origins of a relationship-centered investment philosophy. At the center is Shin Dongwon, then a team leader at DSC Investment. In an early interview, he described venture capital as a long-term business built by people working with people. — Photo: beSUCCESS, 2013 A strong relationship is not one in which everyone shares only good news. It is one in which bad news can be shared first. The quality of post-investment management can be measured not by the intensity of control, but by the speed at which truth moves. When information flows quickly, options remain. When facts arrive late because of fear or the need to save face, both capital and relationships lose time. 3. Unity — Turning a Single Success into a Repeatable System Value creation is not about giving more advice. It is about identifying the bottleneck that most constrains the company’s value and then moving one of four levers in practice: capital, people, customers, or operating systems. Sometimes this means introducing the next investor. Sometimes it means connecting a company to a critical hire or its first major customer. Preparing accounting, governance, intellectual property, and the data room in advance may not produce a dramatic rise in valuation today, but it can prevent a costly discount when the time comes to exit. The cases of VLAST and PLAVE, and 3Y Corporation and QWER, which Shin presented in his lecture, make this philosophy concrete. According to DSC Investment’s public account, the firm spent more than six months evaluating VLAST and eight months evaluating 3Y Corporation. These were not investments that followed success after the public had already made its choice. They were decisions made after long consideration of the uncertainties surrounding proprietary IP and artist-led hits. In VLAST, the investor saw more than popularity at a particular moment. It saw the repeatable production capacity created by combining real-time technology with a proprietary content infrastructure. In 3Y Corporation, it saw more than a single hit: a demonstrated ability to create results across multiple formats, the internal integration of production, distribution, and marketing, and a clear division of responsibilities between business and creative leadership. The essential question was not whether a hit had occurred, but whether the organization had developed a method for creating another one. Reflecting on the growth of both companies in 2025, Shin said: “At the time of investment, skepticism was widespread across the industry. Today, PLAVE and QWER have moved beyond experimentation and established themselves as market-leading examples.” In retrospect, success always appears inevitable. But evaluation periods of six and eight months show that these investments did not begin with certainty. They began with the willingness to endure uncertainty long enough to understand the structure of the opportunity. Value creation is not the retrospective glorification of that judgment. It is the work of structuring the conditions under which technology, team, distribution, and business model can produce the next result. Potential becomes evidence of enterprise value only when a successful outcome is transformed into a repeatable organizational capability. Unity is not the integration of roles, but the alignment of purpose. Hanjong Lee connects the different languages of ecosystem participants in the field. — Hanjong Lee Portfolio Archive, COMEUP I call this Unity. Unity does not mean that everyone thinks alike. It means that founders, investors, producers, engineers, platforms, and fandoms retain distinct roles while moving within a shared system of value creation. What matters in the stories of PLAVE and QWER is not a single hero, but an ecosystem in which technology and story, production and distribution, capital and fandom became connected well enough to make success repeatable. A true Ecosystem Builder does not try to occupy the center of the ecosystem. They create a shared language, a rhythm of trust, and an infrastructure for execution that enables each participant to contribute more effectively. They do not attempt to do everything themselves. They make it possible for everyone to accomplish something larger together. 4. Conscious Technopolis — Remaining Beside the Potential You Chose ECOSYSTEM · FIELD — Unity is not the integration of roles, but the alignment of purpose. Hanjong Lee connects the different languages of participants in the startup ecosystem. — Hanjong Lee Portfolio Archive · COMEUP 2023 Investing can appear to be the art of predicting the future correctly. Yet Shin Dongwon’s interviews and philosophy of portfolio management define the investor’s work differently. A good investor is not someone who predicts the future perfectly in a single moment. It is someone who designs the time through which a chosen possibility can produce evidence of its own. That time contains more discipline than romance. Investors must review cash and runway every month, prepare the next round before capital becomes scarce, and pay attention to small changes such as delayed reporting. Follow-on investment must be judged not through attachment to the past, but through a fresh question: If I encountered this company for the first time today, would I invest again? Delaying a decision is itself a decision, and the available options diminish as time passes. Yet it is within this discipline that the human dimension of investment becomes clearest: believing in people while accumulating evidence, remaining alert to risk without closing the relationship, and strengthening the team’s repeatable capacity rather than seeking personal credit. This is where Low Ego meets High Impact. In the age of AI, this principle extends far beyond investment. Generative AI can produce language, images, and code at extraordinary speed, but output alone does not equal value or trust. As the cost of producing claims declines, the value of working results, responsible judgment, and repeatable performance rises. The important question is no longer, “Who uses AI the most?” It is, “Who connects AI to better decisions for people and organizations?” The Conscious Technopolis I envision is not merely a technologically advanced city. It is an ecosystem in which engineers, founders, investors, corporations, and policymakers use AI as an infrastructure for execution in service of the common good. Human judgment and responsibility keep pace with technological speed, while the benefits of innovation expand into the capabilities of many rather than becoming the spectacle of a few. Cross-Border GTM between Korea and the United States rests on the same philosophy. It is not simply the translation and overseas sale of a product. It is the work of creating a shared language that different markets can understand and converting technological possibility into evidence that customers, investors, and partners can act upon. Products cross borders, but it is people and evidence that allow trust to cross with them. Investment selection is the act of choosing potential. Post-investment management is the act of designing the time required for that potential to become real value. A good investor remains beside the possibility even after the check has been written. They operate time with the founder until words become actions, actions become evidence, and that evidence is finally recognized as value. Connecting people with low ego, moving ecosystems through a shared language, and turning ideas into measurable execution and evidence: this is the lesson I discovered in Shin Dongwon’s investment philosophy, and it is how I intend to practice Low Ego, High Impact in the age of AI. About the Author Hanjong Lee is a Cross-Border GTM Strategist and Evidence Builder who has spent the past fifteen years connecting startups, venture investment, acceleration, global expansion, and AI projects. His work transforms complex technologies and human potential into evidence that customers, investors, and partners can understand, trust, and act upon. Recommended Hashtags #LowEgoHighImpact #UnityAndLowEgo #EvidenceBuilder #EcosystemBuilder #CrossBorderGTM #StartupEcosystem #StartupAcceleration #VentureCapital #CreatorEconomy #ClaudeAI #AIAdoption #AppliedAI #ResponsibleAI #KoreanStartups #USKorea #ConsciousTechnopolis People and Sources Shin Dongwon is an Executive Director at DSC Investment. In 2016, Korea Venture Investment Corp. named him the top venture investor in the early-stage category, an honor accompanied by the Administrator of the Small and Medium Business Administration Award. This article draws on a 2016 interview, public remarks made in 2025, and his 2026 V-Up lecture materials, Post-Investment Management for Early-Stage Portfolio Companies. His current title and public record were verified as of August 21, 2026. DSC Investment — Official Profile beSUCCESS — “How I Became a VC”: Interview with Shin Dongwon (2013) KAIST Graduate School of Future Strategy — 2016 Top Venture Investor Award Record Electronic Times — Interview with Venture Investor Shin Dongwon (2016) DSC Investment — Official Portfolio Asia Economy — Remarks on the PLAVE and QWER Investments (2025) Editor’s note: All quotations originally delivered in Korean have been translated into English for this article

투자 이후의 시간 — 가능성을 증거로 바꾸는 투자자의 일 신동원 상무의 인터뷰에서 읽어낸 Low Ego와 Evidence Builder의 철학 글 이한종Cross-Border GTM Strategist & Evidence Builder 이한종 · Cross-Border GTM Strategist & Evidence Builder — 필자 인물사진 신동원 DSC인베스트먼트 상무 · Interviewee — V-Up 강의자료 공식 프로필 낮은 자아로 사람을 연결하고, 공유된 언어로 생태계를 움직이며, 아이디어를 측정 가능한 실행과 증거로 전환한다. 투자계약서에 서명하고 송금이 끝나는 순간, 바깥에서는 투자가 완료되었다고 말한다. 그러나 투자자에게 그날은 결론이 아니라 긴 문장의 첫 줄이다. 투자 심사에는 대개 2~6개월이 걸리지만, 투자 이후 기업과 함께 보내는 시간은 5~8년에 이른다. 선택하는 시간보다 선택을 책임지는 시간이 훨씬 길다. 2016년 12월, 한국벤처투자가 선정한 ‘올해의 투자심사역’ 창업초기 분야 최우수심사역에 이름을 올린 신동원 당시 DSC인베스트먼트 수석팀장은 인터뷰에서 자신의 일을 이렇게 설명했다. “투자금 회수에 목을 매기보다 스타트업이 들고 나온 세상에 없던 비즈니스 모델을 어떻게 빨리 실현시킬 수 있느냐를 고민하는 것이 벤처캐피털 심사역의 가장 큰 일입니다.” 이 한 문장은 투자자의 역할을 ‘고르는 사람’에서 ‘실현을 돕는 사람’으로 이동시킨다. 수익을 내다보는 안목도 중요하지만, 아직 세상에 없는 가능성이 시장 안에서 작동하도록 돕는 일이 초기 투자자의 더 본질적인 책임이라는 뜻이다. 나는 이 발언에서 내가 오랫동안 붙잡아 온 Low Ego, High Impact의 철학을 본다. Low Ego는 자신을 작게 만드는 태도가 아니다. 투자자와 창업자, 기업과 정부, 기술과 시장 가운데 누구의 공이 더 큰지를 앞세우지 않고, 서로 다른 이해관계자가 하나의 목표를 향해 움직일 수 있는 조건을 만드는 리더십이다. 개인의 존재감을 낮추는 대신 공동의 실행력을 높이는 것. 그것이 Low Ego가 High Impact로 이어지는 방식이다. 스토리에서 생태계로. 이한종은 영화와 콘텐츠에서 출발해 창업가·투자자·기업·정부를 연결하는 생태계 실행자로 역할을 확장해 왔다. — 이한종 포트폴리오 아카이브, 2013 Disruptive Asian Entrepreneurs 신동원 상무는 당시 유망 기업을 찾기 위해 전국을 직접 다니는 현장의 중요성을 강조했다. 책상 위의 숫자로 아직 존재하지 않는 미래를 재단하기보다, 창업자를 만나 그가 해결하려는 문제와 바라보는 시장을 함께 확인하는 태도였다. 10년 뒤 그가 V-Up 강의에서 제시한 관리·밸류업·위기 대응·회수의 원칙은 갑자기 등장한 방법론이 아니다. 초기부터 이어온 ‘가능성을 현실로 만드는 일’이 오랜 경험을 거쳐 하나의 운영체계로 발전한 것이다. 1. Evidence Builder — 숫자가 부족할수록 사람을 더 깊이 본다 초기기업에는 완성된 숫자가 거의 없다. 매출은 작고, 고객은 적으며, 시장의 모양도 아직 선명하지 않다. 이런 시기에 투자자는 무엇을 근거로 미래를 선택할까. 신 상무의 강의가 제시하는 출발점은 단순하지만 결코 가볍지 않다. 결국 사람을 본다는 것이다. 사람을 본다는 말은 카리스마나 화려한 이력서를 평가한다는 뜻이 아니다. 창업자의 전문성, 투명성, 기업가정신, 그리고 팀이 같은 방향으로 움직이는지를 관찰하는 일이다. 특히 투명성은 투자 이후 더 중요한 능력이 된다. 계획이 맞았을 때보다 틀렸을 때 무엇을 인정하고, 얼마나 빨리 사실을 공유하며, 다음 행동으로 옮기는지가 창업자의 실제 운영 역량을 드러내기 때문이다. 신 상무는 2016년 인터뷰에서 창업자와의 만남을 계속 이어가며, 그가 기업을 운영하려는 철학과 의지를 가장 중요하게 본다고 설명했다. 이 말에서 중요한 것은 ‘만남을 계속 이어간다’는 부분이다. 한 번의 피칭이나 잘 정리된 문서만으로 사람을 판단하지 않는다. 시간이 흐르는 동안 질문에 답하는 방식, 불리한 사실을 대하는 태도, 약속을 실행으로 옮기는 습관, 새로운 정보를 받아들여 판단을 수정하는 속도를 본다. 투자자가 발견하는 최초의 증거는 완성된 실적이 아니라, 불완전한 현실을 다루는 사람의 방식이다. AI가 그럴듯한 설명을 거의 공짜로 만들어내는 시대에는 이 차이가 더욱 선명해진다. 말의 유창함보다 약속한 마일스톤을 지키는 습관이 중요하고, 자신감보다 불편한 사실을 숨기지 않는 태도가 중요하다. 주장보다 행동, 이미지보다 반복되는 선택이 사람의 실체를 보여준다. 이것이 내가 말하는 Evidence Builder의 출발점이다. Evidence Builder는 자신을 잘 설명하는 사람이 아니라, 자신의 판단과 역량이 실제로 작동했다는 증거를 만드는 사람이다. 문제를 정의하고, 작동하는 결과물을 만들고, 사용자의 반응을 확인하며, 실패와 수정의 기록까지 남긴다. 투자자 역시 같은 역할을 한다. 창업자의 가능성을 말로 포장하는 것이 아니라, 그 가능성이 고객·매출·조직·후속투자라는 검증 가능한 증거로 발전하도록 돕는다. 2. Low Ego — 좋은 관계는 진실이 빨리 이동하는 관계다 사후관리는 흔히 통제나 감시로 오해된다. 그러나 초기기업은 애초에 관리할 정보와 체계 자체가 부족한 경우가 많다. 투자자가 해야 할 첫 번째 일은 더 많은 보고를 요구하는 것이 아니라, 무엇을 어떤 리듬으로 공유할지를 창업자와 함께 설계하는 것이다. 신 상무가 강조하는 첫 100일의 의미가 여기에 있다. 투자 직후 기준선과 핵심 지표를 다시 확인하고, 보고 양식과 의사결정 주기, 1년의 마일스톤과 자금계획을 합의해야 한다. 그리고 채용·고객·파트너 가운데 하나에서 투자자의 첫 번째 실질적 기여를 만들어야 한다. 신뢰는 좋은 의도로 생기는 것이 아니라, 예측 가능한 소통과 작은 실행이 반복될 때 형성된다. 이 구조의 목적은 보고서를 예쁘게 만드는 데 있지 않다. 문제가 생겼을 때 사실이 늦지 않게 이동하도록 만드는 데 있다. 재무제표가 무너지기 전에는 보고 지연, 설명의 변화, 핵심 인력의 이탈 같은 비재무 신호가 먼저 나타난다. 투자자가 회사 밖에서 나쁜 소식을 먼저 듣는다면 관계는 이미 경보를 울리고 있는 셈이다. 좋은 투자자는 모든 답을 가진 사람이 아니다. 오히려 창업자가 불편한 사실을 더 빨리 말할 수 있게 만드는 사람이다. 과도한 간섭은 정보를 위로 꾸미게 하지만, 일관된 질문과 실제적인 도움은 사실을 있는 그대로 흐르게 한다. 월간 대시보드 한 장, 분기별 계획 대비 점검, 런웨이 12개월 시점의 다음 라운드 논의는 단순한 행정 절차가 아니라 신뢰를 운영하는 장치다. 투자자가 자신의 정답을 증명하려 하기보다 창업자와 함께 현실을 더 정확하게 바라볼 때, 진실의 이동 속도가 빨라진다. Low Ego는 침묵하거나 책임을 피하는 겸손이 아니다. 자신의 지위보다 문제 해결을 앞세우고, 필요할 때는 불편한 질문을 하되 답의 소유권을 독점하지 않는 태도다. 관계 중심 투자철학의 출발점. 가운데가 신동원 당시 DSC인베스트먼트 팀장. 그는 초기 인터뷰에서 VC를 사람과 사람이 함께 만드는 장기적 비즈니스로 설명했다. — 사진: beSUCCESS, 2013 좋은 관계는 모두가 좋은 이야기만 나누는 관계가 아니다. 나쁜 소식을 가장 먼저 공유할 수 있는 관계다. 사후관리의 품질은 통제의 강도가 아니라 진실이 이동하는 속도로 측정할 수 있다. 정보가 빠르게 흐르면 선택지가 남아 있지만, 체면과 두려움 때문에 사실이 늦게 도착하면 자본도 관계도 시간을 잃는다. 3. Unity — 한 번의 성공을 반복 가능한 구조로 바꾸는 일 밸류업은 조언을 많이 하는 일이 아니다. 지금 기업가치를 가장 크게 제약하는 병목을 찾아 자본, 사람, 고객, 운영체계 가운데 하나를 실제로 움직이는 일이다. 때로는 다음 라운드의 투자자를 연결하고, 때로는 핵심 인재나 첫 고객을 소개한다. 회계·지배구조·IP·데이터룸을 미리 정비하는 일도 당장의 기업가치를 화려하게 올리기보다, 훗날 회수 시점의 할인을 막는 중요한 밸류업이다. 신 상무가 강의에서 소개한 블래스트·PLAVE와 쓰리와이코프레이션·QWER 사례는 이 철학을 구체적으로 보여준다. DSC인베스트먼트가 공개한 설명에 따르면 블래스트 투자 검토에는 6개월 이상, 쓰리와이코프레이션에는 8개월이 걸렸다. 이미 대중의 선택이 끝난 뒤 성공을 따라간 것이 아니라, 자체 IP와 아티스트 흥행의 불확실성을 오랫동안 들여다본 결정이었다. 블래스트에서 투자자가 본 것은 어느 한 시점의 인기보다 실시간 기술과 제작 인프라가 결합한 반복 생산 능력이었다. 쓰리와이코프레이션에서는 하나의 히트작보다 여러 콘텐츠 포맷에서 성과를 만들어온 기획력, 제작·유통·마케팅의 내재화, 그리고 경영과 창작 리더십의 역할 분담을 보았다. 핵심은 히트 자체가 아니라 히트를 다시 만들 수 있는 방법이었다. 2025년, 두 회사의 성장을 돌아보며 신 상무는 이렇게 말했다. “투자 당시에는 업계 전반에 회의적인 시선이 많았지만, 현재 플레이브와 QWER은 실험을 넘어 시장 주도의 사례로 자리 잡았다.” 결과만 놓고 보면 성공은 늘 필연처럼 보인다. 그러나 6개월과 8개월의 검토 기간은 그 성공이 확신에서 출발한 것이 아니라, 불확실성을 견디며 가능성의 구조를 확인한 판단에서 시작됐음을 보여준다. 밸류업은 그 판단을 사후적으로 미화하는 일이 아니다. 기술·팀·유통·수익모델이 다음 성과를 다시 만들 수 있도록 성공의 조건을 구조화하는 일이다. 한 번 잘된 결과를 반복 가능한 조직의 능력으로 바꿀 때, 가능성은 비로소 기업가치의 증거가 된다. Unity는 역할의 통합이 아니라 목적의 정렬이다. 이한종이 스타트업 생태계 현장에서 서로 다른 참여자의 언어를 연결하고 있다. — 이한종 포트폴리오 아카이브, COMEUP 나는 이것을 Unity라고 부른다. Unity는 모두가 같은 생각을 갖는 상태가 아니다. 창업자, 투자자, 제작자, 엔지니어, 플랫폼과 팬덤이 서로 다른 역할을 유지하면서도 하나의 가치 창출 구조 안에서 움직이는 상태다. PLAVE와 QWER의 사례에서 중요한 것은 한 명의 영웅이 아니라, 기술과 스토리, 제작과 유통, 자본과 팬덤이 연결되어 성공을 반복할 수 있게 된 생태계다. 진정한 Ecosystem Builder는 생태계의 중심을 자신이 차지하려 하지 않는다. 각 참여자가 더 잘 기여할 수 있는 공통의 언어, 신뢰의 리듬, 실행의 인프라를 만든다. 자신이 모든 일을 하는 것이 아니라, 모두가 함께 더 큰 일을 할 수 있게 만드는 사람이다. 4. Conscious Technopolis — 가능성을 선택한 뒤 그 곁에 남는 일 ECOSYSTEM · FIELDUnity는 역할의 통합이 아니라 목적의 정렬이다. 이한종이 스타트업 생태계 현장에서 서로 다른 참여자의 언어를 연결하고 있다.(이한종 포트폴리오 아카이브 · COMEUP 2023 현장) 투자는 미래를 정확히 맞히는 기술처럼 보인다. 그러나 신동원 상무의 인터뷰와 사후관리 철학은 투자자의 일을 조금 다르게 정의한다. 좋은 투자자는 미래를 단번에 예언하는 사람이 아니라, 선택한 가능성이 스스로 증거를 만들 수 있도록 시간을 설계하는 사람이다. 그 시간에는 낭만보다 규율이 많다. 매달 현금과 런웨이를 확인하고, 자금이 부족해지기 전에 다음 라운드를 준비하며, 보고가 늦어지는 작은 변화에 귀를 기울여야 한다. 후속투자도 과거의 애착이 아니라 ‘오늘 처음 이 회사를 만난다면 다시 투자할 것인가’라는 질문으로 판단해야 한다. 결정을 미루는 것 역시 결정이며, 시간이 흐를수록 선택지는 줄어든다. 그러나 바로 그 규율 속에서 투자의 인간적인 면이 선명해진다. 사람을 믿되 증거를 쌓고, 위험을 경계하되 관계를 닫지 않으며, 개인의 공보다 팀의 반복 가능한 능력을 키우는 일. 이것이 Low Ego와 High Impact가 만나는 지점이다. AI 시대에는 이 원칙이 투자 바깥으로 확장된다. 생성형 AI는 말과 이미지와 코드를 빠르게 만들지만, 그것이 곧 가치나 신뢰를 의미하지는 않는다. 말의 생산비용이 낮아질수록 실제로 작동하는 결과물, 책임 있는 판단, 반복 가능한 성과의 가치는 더 높아진다. 이제 중요한 질문은 ‘누가 AI를 가장 많이 사용하는가’가 아니라 ‘누가 AI를 사람과 조직의 더 나은 의사결정으로 연결하는가’이다. 내가 그리고 있는 Conscious Technopolis는 단순한 첨단도시가 아니다. 엔지니어, 창업가, 투자자, 기업과 정책결정자가 AI를 공동선을 위한 실행 인프라로 사용하는 생태계다. 기술의 속도를 인간의 판단과 책임이 따라가고, 혁신의 성과가 일부의 과시가 아니라 더 많은 사람의 역량으로 확장되는 구조다. 한국과 미국을 잇는 Cross-Border GTM도 같은 철학 위에 있다. 단순히 제품을 번역해 해외에 판매하는 것이 아니라, 서로 다른 시장이 이해할 수 있는 공통의 언어를 만들고, 기술의 가능성을 고객과 투자자와 파트너가 행동할 수 있는 증거로 전환하는 일이다. 국경을 넘는 것은 제품이지만, 신뢰를 건너게 하는 것은 결국 사람과 증거다. 투자심사는 가능성을 선택하는 일이다. 사후관리는 그 가능성이 실제 가치가 되도록 시간을 설계하는 일이다. 좋은 투자자는 수표를 건넨 뒤에도 그 가능성의 곁에 남는다. 말이 행동이 되고, 행동이 증거가 되며, 그 증거가 마침내 가치로 인정받을 때까지 창업자와 함께 시간을 운영한다. 낮은 자아로 사람을 연결하고, 공유된 언어로 생태계를 움직이며, 아이디어를 측정 가능한 실행과 증거로 전환하는 것. 그것이 내가 신동원 상무의 투자 철학에서 발견한 교훈이며, 앞으로 AI 시대에 실천하고자 하는 Low Ego, High Impact의 방식이다. 필자 소개 이한종은 Cross-Border GTM Strategist이자 Evidence Builder로, 지난 15년간 스타트업·투자·액셀러레이션·글로벌 진출·AI 프로젝트를 연결해 왔다. 복잡한 기술과 사람의 잠재력을 고객·투자자·파트너가 이해하고 신뢰하며 행동할 수 있는 증거로 전환하는 일을 한다. 추천 해시태그 #LowEgoHighImpact #UnityAndLowEgo #EvidenceBuilder #EcosystemBuilder #CrossBorderGTM #StartupEcosystem #StartupAcceleration #VentureCapital #CreatorEconomy #ClaudeAI #AIAdoption #AppliedAI #ResponsibleAI #KoreanStartups #USKorea #ConsciousTechnopolis 인물 및 출처 신동원은 DSC인베스트먼트 상무로 재직 중이며, 2016년 한국벤처투자가 선정한 ‘올해의 투자심사역’ 창업초기 분야 최우수심사역(중소기업청장상)을 수상했다. 본문은 2016년 인터뷰, 2025년 공개 발언, 2026년 V-Up 「초기 피투자기업 사후관리」 강의 자료를 바탕으로 구성했다. 직함과 공개 이력은 2026년 8월 21일 기준으로 확인했다. DSC인베스트먼트 공식 인물 소개 beSUCCESS — “저는 이렇게 VC가 되었습니다” 신동원 인터뷰(2013) KAIST 미래전략대학원 — 2016 최우수심사역 수상 기록 전자신문 — 신동원 투자심사역 인터뷰(2016) DSC인베스트먼트 공식 포트폴리오 아시아경제 — PLAVE·QWER 투자 관련 발언(2025)

Low Ego, High Impact From Ecosystem Building to AI Execution This is not simply a record of different roles. It is a 15-year journey across the creator economy, startup acceleration, investment, global go-to-market strategy, and artificial intelligence—all connected by one recurring role. Creating the conditions for different people and organizations to move together—and turning complex possibilities into measurable outcomes. dentity and Core Philosophy Unity & Low Ego: The Operating System Behind Ecosystem Excellence The opening chapter establishes the philosophy that connects the entire portfolio. “Low ego” does not mean minimizing ambition or personal contribution. It means placing the shared mission ahead of individual credit and creating the conditions for different stakeholders to contribute at their highest level. Startup ecosystems consist of founders, investors, corporations, and public institutions, each operating with different incentives and vocabularies. Moving such an ecosystem requires more than the loudest voice in the room. It requires the ability to design a shared purpose and a common language. The Prime Minister’s Citation and O-1A approval provide external validation of this expertise. The Claude Startup ROI Framework moves the narrative from past recognition to present execution by demonstrating what Hanjong Lee can build for Anthropic’s startup ecosystem today. Low ego is not the absence of ambition. It is the discipline of aligning people, technology, and capital around an outcome larger than individual credit. 2 Pioneering the Creator Economy Seeing the Market Before It Had a Name This chapter demonstrates the ability to recognize an emerging market before it becomes obvious—and to build an ecosystem around that opportunity. Founded in 2016, Kairos801 was more than a traditional creative consultancy. It connected creators, content, brands, and startups through an early model combining creative strategy and startup acceleration. Before the term “creator economy” became widely adopted in Korea, creators were already being viewed as entrepreneurs and owners of scalable intellectual property. Strategic backing from Dream Foundation, SK Planet, and Treasure Hunter demonstrated that the concept had progressed beyond personal conviction to secure institutional trust, capital, and partnerships. The capability shown here is not simply trend prediction. It is the ability to identify the participants in an emerging market and design the structure through which they can grow together. I did not simply enter an established market. I recognized and helped organize a market before it had a widely accepted name. 3 Connecting Korea’s Startup Ecosystem Aligning Diverse Stakeholders Around a Shared Mission This chapter expands the story from individual ventures to national-scale ecosystem building. In 2012, Korea’s startup ecosystem was significantly more fragmented. Founders, venture investors, corporations, and public institutions often operated with different priorities, incentives, and vocabularies. A shared direction for global expansion had not yet been fully established. What the ecosystem needed was not simply another organization. It needed a common language and a framework through which different participants could collaborate. Hanjong Lee’s role was not to claim ownership of the ecosystem’s progress. It was to help create the conditions under which founders, investors, and public institutions could align around the broader mission of global expansion. That contribution was formally recognized through the Prime Minister’s Citation. The deeper significance, however, lies in the ability to connect multiple institutional objectives to a shared ecosystem outcome. Ecosystem leadership is not about doing everything yourself. It is about enabling different stakeholders to move in the same direction. 4 Turning Knowledge into Decision Frameworks Translating Silicon Valley Insight into Investment-Grade Language This chapter demonstrates how content and knowledge can influence real investment and business decisions. The work at beSUCCESS was not simply about translating Silicon Valley articles into Korean. More than 200 cases were curated and transformed into frameworks that Korean founders and investors could use in practice. One representative example was the 2016 article “Organic Business—A World Dominated by Connections,” which examined Amazon’s flywheel and network effects. According to testimony from a DSC Investment executive, the framework later served as part of the intellectual foundation for its investment thinking around Musinsa. Hanjong Lee did not make the investment himself. His contribution was enabling founders and investors to understand the company’s potential through a shared strategic language. This was not simply writing; it was the conversion of complex ideas into a decision-making framework capable of moving capital and action. I do not simply communicate ideas. I translate complexity into frameworks that improve decisions and enable action. 5 Turning Competition into Coalition Strategic Advisory Through Alignment, Not Zero-Sum Thinking This chapter demonstrates how the “Unity & Low Ego” philosophy produces tangible strategic outcomes. For Birdview, the challenge was reframed from determining who would win to identifying how alignment with KIS I&T could create greater enterprise value. Competitive tension was transformed into a pathway toward strategic acquisition and shared growth. For Tappytoon, Naver Webtoon was reframed from a competitor into a potential investor and strategic partner in advancing the global leadership of Korean webtoons. The essential capability was not networking alone. It was the ability to identify a larger opportunity and construct a strategic narrative that different stakeholders could accept. This capability is equally important in AI sales, where CEOs, engineering teams, finance leaders, security teams, and end users often have different priorities. A successful account executive does more than explain a product; they align those priorities around a credible case for adoption. Exceptional GTM does not merely eliminate competition. It creates an opportunity compelling enough for competitors to become partners. 6 Scaling the Ecosystem From Individual Startups to Government-Scale Infrastructure This chapter shows how experience supporting individual startups expanded into government-scale ecosystem operations. From 2020 to 2024, Hanjong Lee led global marketing and content strategy for the K-Startup Grand Challenge, connecting international founders with Korean public institutions, investors, and corporations. Marketing a national startup initiative requires far more than promotion. International founders must understand why Korea represents a meaningful market opportunity, while Korean investors and corporations need credible frameworks for evaluating unfamiliar technologies and teams. The work also requires aligning public-policy objectives with private-sector business incentives. It extends beyond persuading individual customers to building a growth system in which multiple market participants can move together. Polymerize’s KSGC 2024 Grand Prize represents a concrete example of a global startup gaining visibility, trust, and opportunity within the Korean ecosystem. I moved beyond helping individual startups grow and began helping build the systems in which startups can grow. 7 Turning Experience into an AI Execution Tool Operationalizing AI Value Through the Claude Startup ROI Predictor This chapter is the portfolio’s most important transition point. The previous chapters explain what Hanjong Lee has done over the past 15 years. This chapter demonstrates what he can execute for Anthropic now. The Claude Startup ROI Predictor transforms the abstract claim that “AI matters” into a decision model customers can actually use. By entering API credits, implementation costs, task volume, time savings, automation potential, organizational adoption, and revenue attribution, users can evaluate conservative, expected, and upside scenarios. The model estimates ROI, payback periods, adoption curves, and the variables with the greatest impact on results. The framework is more than a calculator designed to sell Claude. It helps customers construct an internal business case and move from a limited experiment toward broader organizational adoption. It converts AI enthusiasm into commercial evidence and a pathway for change management. I do not sell AI through promises. I help customers build the evidence required to adopt and expand it. 8 Long-Term Commitment, Immediate Readiness A Cross-Border Operating Advantage Across Los Angeles, San Francisco, and Seoul A compelling vision creates limited value without the operational ability to execute it. O-1A status represents more than personal recognition. It provides immediate readiness to operate in the United States. Based in Los Angeles, Hanjong Lee can connect San Francisco headquarters with the Korean market, relocate when necessary, or maintain a regular operating rhythm across Los Angeles, San Francisco, and Seoul. The role involves more than language translation. It requires adapting headquarters strategy to Korean organizational culture and decision-making patterns while bringing Korean customer signals back into global product and GTM decisions. The combination of long-term commitment, geographic flexibility, and experience across both ecosystems represents a distinctive operational advantage. I do not merely introduce two markets to each other. I operate in the space between them and make execution happen. 9 The Final Vision: A Conscious Technopolis AI in Service of Human Creativity, Opportunity, and the Common Good The final chapter explains where this 15-year journey is ultimately heading. Beginning as a filmmaker trained in storytelling at the London Film School, Hanjong Lee evolved into a creator-economy pioneer, startup accelerator, investment ecosystem connector, cross-border GTM operator, and AI Evidence Builder. The common thread is not technology or capital alone. It is the ability to translate complex possibilities into stories, frameworks, and evidence that people can understand, trust, and act upon together. A “Conscious Technopolis” is not simply a technologically advanced city. It is an ecosystem in which engineers, founders, investors, corporations, and policymakers share responsibility for the direction and use of technology. The goal is to ensure that AI advances not only efficiency and growth, but also creativity, opportunity, and the common good. The future of AI will not be driven by technology alone. It will be shaped by ecosystems capable of understanding it, trusting it, adopting it, and using it responsibly. The Story in One Sentence I align diverse stakeholders with low ego, translate complex technologies into shared decision-making frameworks, and turn ideas into measurable evidence of growth. #LowEgoHighImpact #UnityAndLowEgo #EcosystemBuilder #EvidenceBuilder #CrossBorderGTM #StartupEcosystem #StartupAcceleration #VentureCapital #CreatorEconomy #ClaudeAI #AIAdoption #AppliedAI #ResponsibleAI #KoreanStartups #USKorea #ConsciousTechnopolis

낮은 자아, 높은 임팩트: 생태계 구축에서 AI 실행까지 Low Ego, High Impact: From Ecosystem Building to AI Execution 15 Years Across Venture Capital, Acceleration, Cross-Border GTM, and AI 지난 15년의 여정은 여러 직함을 옮겨 다닌 기록이 아니다. 크리에이터 이코노미, 스타트업 액셀러레이션, 투자, 글로벌 GTM과 AI를 관통하며 반복해 온 하나의 역할에 관한 이야기다. 서로 다른 사람과 조직이 함께 움직일 수 있는 조건을 만들고, 복잡한 가능성을 측정 가능한 성과로 전환하는 것. This is not simply a record of different roles. It is a 15-year journey of aligning founders, investors, corporations, and institutions—and turning shared ambition into measurable execution. 1. 정체성과 핵심 철학 — Unity & Low Ego Unity & Low Ego: The Operating System Behind Ecosystem Excellence 첫 장은 단순한 경력 소개가 아니라 전체 포트폴리오를 관통하는 철학을 선언한다. ‘Low Ego’는 자신을 낮추거나 야망을 포기하는 태도가 아니다. 개인의 공보다 공동의 목표를 앞세우고, 서로 다른 이해관계자들이 각자의 강점을 발휘하도록 만드는 실행 원칙이다. 스타트업 생태계에는 창업가, 투자자, 기업, 정부기관처럼 서로 다른 목표와 언어를 가진 사람들이 존재한다. 이들을 움직이기 위해 필요한 것은 가장 큰 목소리가 아니라, 모두가 동의할 수 있는 목적과 언어를 설계하는 능력이다. 2012년 국무총리 표창과 O-1A 승인은 이러한 전문성과 성취가 외부기관을 통해 검증되었다는 증거다. Claude Startup ROI Framework는 과거의 성취를 보여주는 데서 그치지 않고, 현재 Anthropic의 스타트업 생태계를 위해 무엇을 만들 수 있는지 보여주는 실질적인 산출물이다. Low Ego는 야망이 없는 것이 아니다. 개인의 공보다 더 큰 결과를 위해 사람과 기술, 자본을 정렬하는 실행의 원칙이다. English This opening establishes the philosophy that connects the entire portfolio. “Low ego” does not mean minimizing ambition or personal contribution. It means placing the shared mission ahead of individual credit and creating the conditions for different stakeholders to contribute at their highest level. Startup ecosystems consist of founders, investors, corporations, and public institutions, each operating with different incentives and vocabularies. Moving such an ecosystem requires more than a loud voice. It requires a shared purpose and a common language. The Prime Minister’s Citation and O-1A approval provide external validation of this expertise. The Claude Startup ROI Framework moves the narrative from past recognition to present execution by demonstrating what Hanjong Lee can build for Anthropic’s startup ecosystem today. Low ego is not the absence of ambition. It is the discipline of aligning people, technology, and capital around an outcome larger than individual credit. 2. 크리에이터 이코노미 개척 Seeing the Market Before It Had a Name 두 번째 장은 미래의 변화를 남들보다 먼저 발견하고, 그 가능성 주변에 실제 시장을 구축한 경험을 보여준다. 2016년 설립한 Kairos801은 전통적인 컨설팅 회사가 아니었다. 크리에이터, 콘텐츠, 브랜드와 스타트업을 연결하며 크리에이티브 컨설팅과 액셀러레이션을 결합한 초기 형태의 생태계 플랫폼이었다. 아직 ‘크리에이터 이코노미’라는 표현이 한국 시장에서 보편화되기 전부터 크리에이터를 단순한 콘텐츠 제작자가 아니라 독립적인 사업가이자 확장 가능한 IP의 소유자로 바라봤다. Dream Foundation, SK Planet, Treasure Hunter의 전략적 지원은 이 아이디어가 개인적인 전망에 머무르지 않고 시장의 자본과 파트너십을 확보했다는 증거다. 여기서 드러나는 역량은 트렌드를 예측하는 감각만이 아니다. 아직 이름조차 명확하지 않은 시장의 참여자들을 발견하고, 그들이 함께 성장할 수 있는 구조를 설계하는 능력이다. 이미 만들어진 시장에 참여한 것이 아니라, 아직 이름이 없던 시장의 가능성을 먼저 발견하고 연결했다. English This chapter demonstrates the ability to recognize an emerging market before it becomes obvious—and to build an ecosystem around that opportunity. Founded in 2016, Kairos801 was more than a traditional creative consultancy. It connected creators, content, brands, and startups through an early model combining creative strategy and startup acceleration. Before the term “creator economy” became widely adopted in Korea, creators were already being viewed as entrepreneurs and owners of scalable intellectual property. Strategic backing from Dream Foundation, SK Planet, and Treasure Hunter demonstrated that the concept had progressed beyond personal conviction to secure institutional trust, capital, and partnerships. The capability shown here is not simply trend prediction. It is the ability to identify the participants of an emerging market and design the structure through which they can grow together. I did not simply enter an established market. I recognized and helped organize a market before it had a widely accepted name. 3. 한국 스타트업 생태계의 연결 Aligning Korea’s Startup Ecosystem Around a Shared Mission 한국어 세 번째 장은 개인 프로젝트를 넘어 국가적 규모의 생태계 구축에 참여한 경험을 설명한다. 2012년 당시 한국의 스타트업 생태계는 지금보다 훨씬 분절되어 있었다. 창업가, 벤처투자자, 대기업과 정부기관이 각자의 목적과 언어로 움직였고, 글로벌 확장을 위한 공동의 방향은 충분히 형성되지 않았다. 여기서 필요했던 것은 또 하나의 조직이 아니었다. 서로 다른 참여자들이 함께 사용할 수 있는 공통의 언어와 협력의 프레임워크였다. Hanjong Lee의 역할은 모든 성과를 직접 만드는 것이 아니라, 창업가와 투자자, 정부기관이 ‘한국 스타트업의 글로벌 확장’이라는 더 큰 목표 아래 함께 움직일 수 있는 조건을 만드는 것이었다. 이러한 기여는 2012년 국무총리 표창으로 공식 인정받았다. 그러나 이 장의 핵심은 상 자체가 아니다. 여러 이해관계자의 목표를 하나의 생태계적 성과로 연결하는 능력이다. 생태계 리더십은 모든 일을 직접 하는 것이 아니라, 서로 다른 사람들이 같은 방향으로 움직일 수 있게 만드는 것이다. English This chapter expands the story from individual ventures to national-scale ecosystem building. In 2012, Korea’s startup ecosystem was significantly more fragmented. Founders, venture investors, corporations, and public institutions often operated with different priorities, incentives, and vocabularies. A shared direction for global expansion had not yet been fully established. What the ecosystem needed was not simply another organization. It needed a common language and a framework through which different participants could collaborate. Hanjong Lee’s role was not to claim ownership of the ecosystem’s progress. It was to help create the conditions under which founders, investors, and public institutions could align around the broader mission of global expansion. That contribution was formally recognized through the Prime Minister’s Citation. Ecosystem leadership is not about doing everything yourself. It is about enabling different stakeholders to move in the same direction. 4. 지식을 의사결정의 프레임워크로 전환 Turning Silicon Valley Knowledge into Investment-Grade Frameworks 한국어 네 번째 장은 콘텐츠와 지식이 어떻게 실제 투자와 사업 판단에 영향을 줄 수 있는지를 보여준다. beSUCCESS에서 수행한 일은 실리콘밸리의 기사를 단순히 한국어로 번역하는 것이 아니었다. 200편 이상의 사례를 선별하고, 미국에서 형성된 경영 개념을 한국의 창업가와 투자자가 실제로 활용할 수 있는 프레임워크로 재구성했다. 대표적인 사례가 2016년 발표한 「Organic Business—A World Dominated by Connections」다. 이 글은 Amazon의 플라이휠과 네트워크 효과를 분석했다. DSC인베스트먼트 관계자의 증언에 따르면 이 프레임워크는 이후 무신사 투자 판단의 지적 기반 중 하나로 활용됐다. 직접 투자한 것은 아니지만, 투자자와 창업가가 같은 언어로 기업의 가능성을 이해하도록 도왔다. 이것은 단순한 글쓰기가 아니다. 복잡한 개념을 자본과 행동을 움직이는 의사결정 언어로 전환한 것이다. 콘텐츠의 진정한 가치는 조회 수가 아니라, 더 나은 판단과 행동을 만들어내는 데 있다. English This chapter demonstrates how content and knowledge can influence real investment and business decisions. The work at beSUCCESS was not simply about translating Silicon Valley articles into Korean. More than 200 cases were curated and transformed into frameworks that Korean founders and investors could use in practice. One representative example was the 2016 article “Organic Business—A World Dominated by Connections,” which examined Amazon’s flywheel and network effects. According to testimony from a DSC Investment executive, the framework later served as part of the intellectual foundation for its investment thinking around Musinsa. Hanjong Lee did not make the investment himself. His contribution was enabling founders and investors to understand the company’s potential through a shared strategic language. I do not simply communicate ideas. I translate complexity into frameworks that improve decisions and enable action. 5. 경쟁을 연합으로 바꾼 전략적 자문 Turning Competitive Tension into Strategic Alignment 다섯 번째 장은 ‘Unity & Low Ego’ 철학이 실제 기업 전략과 성과로 연결된 사례다. Birdview에서는 어느 한쪽이 이기는 구조를 만드는 대신, KIS I&T와의 전략적 결합을 통해 더 큰 기업가치를 만들 수 있는 가능성을 제시했다. 경쟁과 독립의 논리를 전략적 인수와 공동 성장의 논리로 전환한 것이다. Tappytoon 사례에서는 네이버웹툰을 단순한 경쟁자가 아니라 한국 웹툰 산업의 글로벌 리더십을 함께 확장할 잠재적 투자자이자 전략적 파트너로 재정의했다. 여기서 중요한 역량은 인맥이나 소개 자체가 아니다. 서로 다른 이해관계자들이 받아들일 수 있는 더 큰 기회를 발견하고, 그 기회를 공동의 서사로 설계하는 전략적 조정 능력이다. 이러한 역량은 AI 영업에서도 중요하다. 고객사의 CEO, 엔지니어링, 재무, 보안과 현업 조직은 서로 다른 요구를 갖는다. 성공적인 Account Executive는 제품을 설명하는 사람이 아니라, 이들의 요구를 하나의 도입 논리로 정렬하는 사람이다. 훌륭한 GTM은 경쟁자를 제거하는 것이 아니라, 경쟁자도 참여하고 싶은 더 큰 기회를 설계하는 것이다. English This chapter demonstrates how the “Unity & Low Ego” philosophy produces tangible strategic outcomes. For Birdview, the challenge was reframed from determining who would win to identifying how alignment with KIS I&T could create greater enterprise value. Competitive tension was transformed into a pathway toward strategic acquisition and shared growth. For Tappytoon, Naver Webtoon was reframed from a competitor into a potential investor and strategic partner in advancing the global leadership of Korean webtoons. The essential capability was not networking alone. It was the ability to identify a larger opportunity and construct a strategic narrative that different stakeholders could accept. This capability is equally important in AI sales, where CEOs, engineering teams, finance leaders, security teams, and end users often have different priorities. Exceptional GTM does not merely eliminate competition. It creates an opportunity compelling enough for competitors to become partners. 6. 정부 규모의 생태계 확장 Scaling Ecosystem Strategy Through the K-Startup Grand Challenge 여섯 번째 장은 개별 스타트업을 지원하던 경험이 정부 규모의 글로벌 생태계 운영으로 확장된 과정을 보여준다. 2020년부터 2024년까지 K-Startup Grand Challenge의 글로벌 마케팅과 콘텐츠 전략을 이끌며 해외 스타트업, 한국 정부기관, 투자자와 대기업을 연결했다. 정부 프로그램의 글로벌 마케팅은 단순한 홍보가 아니다. 해외 창업가에게는 한국 시장의 기회를 설득력 있게 설명해야 하고, 국내 투자자와 기업에는 글로벌 스타트업의 기술과 잠재력을 신뢰할 수 있는 언어로 전달해야 한다. 동시에 국가의 정책 목표와 민간시장의 사업적 이해를 하나의 프로그램 안에서 정렬해야 한다. 이는 개별 고객을 설득하는 영업을 넘어, 시장의 여러 참여자가 함께 움직이는 성장 구조를 만드는 일이다. Polymerize의 KSGC 2024 우승은 글로벌 스타트업이 한국 생태계 안에서 신뢰와 기회를 확보한 구체적인 사례다. 개별 스타트업의 성장을 지원하는 것을 넘어, 스타트업이 성장할 수 있는 시스템 자체를 확장했다. English This chapter shows how experience supporting individual startups expanded into government-scale ecosystem operations. From 2020 to 2024, Hanjong Lee led global marketing and content strategy for the K-Startup Grand Challenge, connecting international founders with Korean public institutions, investors, and corporations. Marketing a national startup initiative requires far more than promotion. International founders must understand why Korea represents a meaningful market opportunity, while Korean investors and corporations need credible frameworks for evaluating unfamiliar technologies and teams. The work also requires aligning public policy objectives with private-sector business incentives. Polymerize’s KSGC 2024 Grand Prize represents a concrete example of a global startup gaining visibility, trust, and opportunity within the Korean ecosystem. I moved beyond helping individual startups grow and began helping build the systems in which startups can grow. 7. 경험을 AI 기반 실행 도구로 전환 Operationalizing AI Value: The Claude Startup ROI Predictor 한국어 일곱 번째 장은 전체 포트폴리오에서 가장 중요한 전환점이다. 앞선 여섯 장이 지난 15년 동안 무엇을 해왔는지를 보여준다면, 이 장은 그 경험을 바탕으로 Anthropic에서 무엇을 실행할 수 있는지를 증명한다. Claude Startup ROI Predictor는 “AI가 중요하다”는 추상적인 주장을 고객이 실제로 사용할 수 있는 의사결정 모델로 바꾼 도구다. API 크레딧과 도입 비용, 업무량, 시간 절감, 자동화 가능성, 조직 내 채택률과 수익 기여도를 입력하면 보수적·예상·상향 시나리오별 ROI와 투자 회수 기간을 분석한다. 민감도 분석은 어떤 변수가 결과에 가장 큰 영향을 주는지도 보여준다. 이 도구는 Claude를 판매하기 위한 계산기에 그치지 않는다. 고객이 내부적으로 AI 도입의 타당성을 설명하고, 작은 실험에서 조직 전체의 확장으로 이동하도록 돕는 변화관리 프레임워크다. 나는 가능성만으로 AI를 판매하지 않는다. 고객이 AI를 도입하고 확장하는 데 필요한 증거를 만든다. English This chapter is the portfolio’s most important transition point. The previous chapters explain what Hanjong Lee has done over the past 15 years. This chapter demonstrates what he can execute for Anthropic now. The Claude Startup ROI Predictor transforms the abstract claim that “AI matters” into a decision model that customers can use. By entering API credits, implementation costs, task volume, time savings, automation potential, organizational adoption, and revenue attribution, users can evaluate conservative, expected, and upside scenarios. The model also estimates ROI, payback periods, adoption curves, and the variables with the greatest impact on results. The framework is more than a calculator designed to sell Claude. It helps customers construct an internal business case and move from a limited experiment toward broader organizational adoption. I do not sell AI through promises. I help customers build the evidence required to adopt and expand it. 8. 장기적 헌신과 즉각적인 실행 가능성 Immediate Readiness, Long-Term Cross-Border Commitment 아무리 좋은 비전과 경험이 있어도 현실적인 실행 조건이 없다면 즉각적인 가치로 이어지기 어렵다. O-1A 신분은 개인적인 명예뿐 아니라 미국에서 즉시 업무를 수행할 수 있다는 운영상의 장점을 제공한다. LA를 기반으로 샌프란시스코 본사 및 서울 시장을 연결하고, 필요하다면 샌프란시스코로 이동하거나 정기적인 이동을 통해 양쪽 시장을 조정할 수 있다. 이 역할의 핵심은 단순한 언어 번역이 아니다. 미국 본사의 전략을 한국 시장의 조직문화와 의사결정 방식에 맞게 적용하고, 한국에서 발견되는 고객 신호를 다시 글로벌 제품과 GTM 전략에 반영하는 양방향 번역이다. 장기적 헌신과 지리적 유연성, 미국과 한국 양쪽의 생태계 경험이 함께 존재한다는 점이 차별화된 강점이다. 나는 두 시장을 소개하는 사람이 아니라, 두 시장 사이에서 실제 실행이 일어나도록 운영하는 사람이다. English A compelling vision creates limited value without the operational ability to execute it. O-1A status represents more than personal recognition. It provides immediate readiness to operate in the United States. Based in Los Angeles, Hanjong Lee can connect San Francisco headquarters with the Korean market, relocate when necessary, or maintain a regular operating rhythm across LA, San Francisco, and Seoul. The role involves more than language translation. It requires adapting headquarters strategy to Korean organizational culture and decision-making patterns while bringing Korean customer signals back into global product and GTM decisions. The combination of long-term commitment, geographic flexibility, and experience across both ecosystems represents a distinctive operational advantage. I do not merely introduce two markets to each other. I operate in the space between them and make execution happen. 9. 최종 비전 — Conscious Technopolis Building a Conscious Technopolis: AI in Service of the Common Good 마지막 장은 지난 15년의 경험이 궁극적으로 어디를 향하는지를 보여준다. London Film School에서 스토리텔링을 공부한 영화인으로 출발해 크리에이터 이코노미 개척자, 스타트업 액셀러레이터, 투자 생태계 연결자, Cross-Border GTM 운영자와 AI Evidence Builder로 진화해 왔다. 서로 달라 보이는 경험을 연결하는 공통점은 기술이나 자본 자체가 아니다. 복잡한 가능성을 사람들이 이해하고 신뢰하며 함께 행동할 수 있는 이야기, 프레임워크와 증거로 전환하는 것이다. ‘Conscious Technopolis’는 단순히 기술이 발전한 도시를 의미하지 않는다. 엔지니어, 창업가, 투자자, 기업과 정책결정자가 기술의 방향에 공동으로 책임지는 생태계다. AI가 효율성과 성장만을 위한 도구가 아니라 인간의 창의성, 기회와 공동선을 확장하는 방향으로 사용되도록 만드는 것이 최종 비전이다. 기술의 미래는 기술만으로 만들어지지 않는다. 기술을 무엇을 위해 사용할 것인지 함께 결정할 수 있는 생태계가 필요하다. English The final chapter explains where this 15-year journey is ultimately heading. Beginning as a filmmaker trained in storytelling at the London Film School, Hanjong Lee evolved into a creator-economy pioneer, startup accelerator, investment ecosystem connector, cross-border GTM operator, and AI Evidence Builder. The common thread is not technology or capital alone. It is the ability to translate complex possibilities into stories, frameworks, and evidence that people can understand, trust, and act upon together. A “Conscious Technopolis” is not simply a technologically advanced city. It is an ecosystem in which engineers, founders, investors, corporations, and policymakers share responsibility for the direction and use of technology. The goal is to ensure that AI advances not only efficiency and growth, but also creativity, opportunity, and the common good. The future of AI will not be driven by technology alone. It will be shaped by ecosystems capable of understanding it, trusting it, adopting it, and using it responsibly. 전체 이야기를 압축한 문장 한국어 나는 낮은 자아로 서로 다른 이해관계자를 연결하고, 복잡한 기술을 공유된 의사결정 언어로 바꾸며, 아이디어를 측정 가능한 성장의 증거로 전환한다. English I align diverse stakeholders with low ego, translate complex technologies into shared decision-making frameworks, and turn ideas into measurable evidence of growth. 추천 해시태그 #LowEgoHighImpact #UnityAndLowEgo #EcosystemBuilder #EvidenceBuilder #CrossBorderGTM #StartupEcosystem #StartupAcceleration #VentureCapital #CreatorEconomy #ClaudeAI #AIAdoption #AppliedAI #ResponsibleAI #KoreanStartups #USKorea #ConsciousTechnopolis

The Conversation That Remains When Everything Else Falls Silent On Inner Dialogue and Self-Affirmation in the Age of AI Before human beings learned to speak, we first learned to listen. We listened to our mother’s voice, to the names the world gave us, to praise for what we did well and judgment for where we fell short. Through these voices, we began to understand who we were. The words of others became memories, and those memories eventually became voices inside the mind. “You have always been this kind of person.” “That is not something you can do.” “If you fail, you will lose everything.” We believe we are thinking alone, yet much of what we hear within ourselves is the echo of sentences spoken by others long ago. And now, a new voice has entered that inner world. Artificial intelligence. AI answers more quickly than anyone in our past. It explains patiently and speaks with confidence and logic. Give it a few scattered thoughts, and it turns them into a polished argument. Describe an emotion you can barely name, and it organizes that emotion into a coherent story. Before we have even asked who we are, AI presents us with countless versions of who we might become. The real question is not whether AI thinks like a human. As the voice of AI grows louder, can I still hear a voice that is truly my own? The most important question of the AI era is therefore an inner question before it is a technological one. Through whose language do I understand myself? Whose desires have I mistaken for my own goals? And when all the other voices have fallen silent, whose voice will remain? We Live Not in Facts, but in Stories We like to believe that we experience reality exactly as it is. Yet for human beings, reality is always reality interpreted. The same silence can feel like peace to one person and rejection to another. The same failure can confirm one person’s sense of inadequacy while teaching another that a hypothesis was wrong. The same trembling of the body can be read as fear—or as the energy of preparing to do something that matters. Events happen, but meaning is made. And we live inside the meanings we create. Every day, we move through thousands of sensations and actions, yet we remember only a fraction of them. We select a handful of moments, connect them, and compress them into a sentence. “I failed.” “I was abandoned.” “I began again.” “I endured to the end.” Those sentences become memories, and accumulated memories produce the feeling of a self. The self, then, is not a finished object. It is a story that continually interprets the time it has lived—a narrative revised as it connects past events, present emotions, and future possibilities. But this insight carries a dangerous misunderstanding. To say that the self is made of stories does not mean that any story becomes true simply because we believe it. Human beings are not omnipotent authors who can create themselves at will. We have bodies. We live among other people. We carry pasts that cannot be erased, and we encounter a reality that resists our wishes. We are not the absolute authors of our stories. We are closer to co-authors, choosing the next sentence among many that have already been written for us. Life is not a novel written on a blank page. It is the work of continuing the next sentence over words already written and traces that cannot be erased. Self-Affirmation Is Not the Art of Deceiving Reality The language of affirmation often carries a promise of magic. Imagine the future vividly, repeat that it has already happened, and the universe will respond to your thoughts. “I will succeed.” “I am already wealthy.” “I can do anything.” But reality does not obey human sentences. The market can reject us even when we are certain of success. A relationship can end even when we believe in love. The body may recover more slowly than hope demands, no matter how deeply we long to heal. The world does not exist to fulfill our desires. Does that make self-affirmation meaningless? No. It simply means that the true subject of affirmation is not the world, but the self. Affirmation is not a spell that commands reality. It is the language through which we decide how we will stand before reality. Not, “The storm will never come,” but, “Even if the storm comes, I will not abandon my direction.” Not, “I will certainly win,” but, “Even without knowing the outcome, I will do what must be done.” Not, “I am not afraid,” but, “I can feel fear without retreating from reality.” These sentences do not predict the future. They shape the posture of the person who will meet it. True affirmation does not control the world outside us. It returns the trembling self to its chosen direction. Words Can Be Promises, Not Merely Descriptions Language does more than describe reality. When I say, “I will come tomorrow,” I am not merely describing the future; I am making a promise. When I say, “I forgive you,” I am not reporting an existing fact; I am changing the condition of a relationship. The moment I say, “I will take responsibility,” I place myself in a different moral position. Self-affirmation works in the same way. For the sentence “I am someone who takes responsibility” to have power, it must not be self-praise. It must be a promise made to oneself. And promises carry a cost. If I say I am responsible, I must be willing to admit my mistakes. If I say I am courageous, I must enter the places where fear is present. If I say I am honest, I must refuse to hide the truth even when it works against me. An affirmation for which no price is paid in action is merely an ornament of desire. The truth of our words is revealed not by how intensely we believe them, but by what we are willing to bear in order to keep them. Self-affirmation, then, is not primarily the art of repetition. It is the discipline of alignment. It is the work of narrowing the distance between what I tell myself, what I actually choose, and what my actions leave behind. As that distance grows smaller, self-trust grows. But when we repeatedly make grand promises to ourselves and fail to act, the first trust we lose is not the trust of others. It is our trust in ourselves. The Body Knows Before Language Does Inner dialogue does not take place through words alone. Before we say, “I am anxious,” the heart is already beating faster. Before we recognize anger, the jaw and shoulders have tightened. Before we admit exhaustion, the breath has become shallow and the body has begun to move more slowly. The body is the language of the inner world before it becomes a sentence. Modern human beings, however, often judge the body before listening to it. A racing heart becomes proof that we are about to fail. A body that moves slowly becomes evidence of incompetence. Fatigue becomes a moral weakness. Tears become proof that we are falling apart. But sensation is not a verdict. A rapid heartbeat is a signal. Fatigue is information that something needs adjustment. Tears are the body’s expression that something has become difficult to hold. Inner communication begins by resisting the urge to judge these signals too quickly. Before asking, “What is wrong with me?” we learn to ask, “What is happening in my body right now?” That question changes the self from an object of judgment into an object of care. To hear the inner voice is not to make the thoughts in our head louder. It is to notice again the language of the body that was speaking before thought became words. Silence, breathing, walking, and repeated movement open a path back to the self beneath language—not to stop thought, but to prevent thought from drifting too far away from the body and from reality. We Cannot Possess the Person We Wish to Become Human beings often define themselves through what they hope to possess. We imagine that a certain career, amount of money, house, reputation, or social position will finally allow us to become the person we want to be. But possession does not guarantee being. A person can possess success and still be unable to trust themselves. One can receive the recognition of thousands and still lack self-respect. Sometimes it is only after losing many things that we discover what we are unwilling to surrender. The deepest question of affirmation is therefore not “What will I acquire?” but “What will I become?” Yet becoming does not mean acquiring a finished identity. A courageous person is not someone without fear. It is someone who moves toward what matters while fear is present. A strong person is not someone who never collapses. It is someone who can reorganize themselves after collapsing. A wise person is not someone who possesses every answer. It is someone who continues the conversation with reality while knowing that their judgment may be wrong. We do not become complete on a particular day. Through the directions we repeatedly choose, we gradually become a certain kind of person. There is no single, permanent answer to the question, “Who am I?” A more important question may be: “What am I repeatedly doing today—and who am I becoming through that repetition?” AI Can Create Language, but It Cannot Create Silence AI has given humanity an extraordinary abundance of language. Anyone can now craft a beautiful introduction, articulate a persuasive vision, and sound philosophically sophisticated. It has never been easier to turn one’s experience into a heroic narrative. But as language becomes abundant, the truthfulness of language becomes scarce. A sentence produced by AI may be more polished than one I have struggled to write myself. Yet polished expression does not necessarily reveal deep understanding. Fluency can sometimes conceal the fact that no real thinking has yet occurred. AI can help me sound like the person I want to be—a founder, a philosopher, an expert, a visionary. But to discover whether those words are truly mine, I must stop the machine for a moment and return to silence. How does my body respond when I read this sentence? Can I take responsibility for these words? Would I still choose this value if no one were watching? What am I prepared to give up in order to prove it? Silence is not the absence of answers. It is the space in which borrowed language settles and our real questions begin to rise. AI can generate countless answers, but it cannot know which answer requires my life. AI provides language. The human being decides whether that language will be accepted as part of one’s existence. Use AI as a Mirror, Not an Oracle The more uncertain we feel, the more we long for a definitive answer. The ancients consulted oracles. Modern people consult data and algorithms. Now we ask AI what work we should do, whom we should trust, and even what kind of person we should become. But the moment we use AI as an oracle, we surrender responsibility along with the freedom to judge. We choose because AI suggested it. We desire because an algorithm recommended it. We accept generated language as our own because it sounds convincing. We gain convenience, but lose our position as the author of our lives. AI should be used as a mirror, not an oracle. A mirror does not decide for us. It reveals expressions and habits we cannot see directly. In the same way, AI can expose gaps in our thinking, offer opposing perspectives, and reflect patterns we repeatedly fail to notice. “Separate the facts in what I said from my interpretations.” “Assume that my judgment is wrong and show me the strongest counterevidence.” “What question am I avoiding?” “Is this goal rooted in my values, or have I internalized someone else’s expectations?” “What would I need to do in reality to test this claim?” When we ask questions like these, AI becomes not a machine that replaces thought, but an other that expands self-reflection. Yet the person in the mirror is not the self itself. The final judgment must be made in the life beyond the screen. Conviction Is Rarely Complete Before Action We tend to believe that we can begin once we feel certain. Yet the most important things in life usually begin without certainty. When we love, begin a new venture, leave for an unfamiliar country, or move the body again in pursuit of recovery, we do not know the outcome. Conviction is often not the condition for beginning. It is something created after we begin. At first, we simply try once. That attempt leaves behind a small piece of evidence. The evidence makes the next action possible. Repeated action eventually produces a new story about who we are. The sentence “I can do this” does not always create action. Sometimes it is the memory “I did it once” that calls forth the next action. Through repetition, that memory becomes a new understanding: “I am someone who can try again.” Self-affirmation therefore does not move only from belief to action. Words call forth action. Action leaves evidence. Evidence rewrites the story of the self. This is not a closed circle. It is an ascending spiral that is continually revised. Who I was yesterday predicts what I may do today. But what I do today also changes who I can become tomorrow. Recovery Is the Work of Learning to Speak With the Body Again When the body no longer moves as it once did, we are forced to ask again who we are. Movements that were once effortless become conscious tasks. A small action can demand immense time and effort. The mind remembers the body as it was, while the body of the present answers at a different speed. The distance between them is painful. “Why can I still not do this?” “When will I become who I was before?” “What kind of person will I be now?” But recovery may be more than reclaiming the body exactly as it once was. It may also be the process of listening to the body as it is now, forming a new relationship with it, and discovering one possible movement at a time. The affirmation needed here is not one that forces an outcome. A deeper sentence than “I will recover completely” may be: “I cannot control the entire pace of recovery. But today, I can listen to my body and participate in the movement that is possible.” An attempt is not meaningless simply because the body does not respond immediately. Fatigue is not defeat; it is a signal that adjustment is needed. Even the smallest change from yesterday is evidence of a new relationship being formed with the body of the present. Recovery is not the conquest of the body. It is the work of enduring its silence and its slow replies while learning how to converse with it again. Self-Affirmation Is Not Self-Exaltation To affirm oneself is not to declare oneself extraordinary. It does not mean pretending to be free of wounds or flaws. Nor does it mean polishing every mistake into a beautiful story of growth. True self-affirmation is not the belief that everything that happened to us was good. It is the refusal to abandon our entire being because of what happened. Instead of cutting away the past by saying, “That was not me,” we say, “That, too, was part of me—and now I will choose differently.” If there is regret, acknowledge it. If there was wrongdoing, take responsibility. If there is a wound, care for it. But do not allow any one of them to pass judgment on the whole of your existence. Self-affirmation without responsibility becomes self-deception. Responsibility without self-compassion becomes self-hatred. Human beings must learn to reconcile with themselves between those two extremes. I do not affirm myself because I am perfect. I affirm myself because I have a responsibility not to abandon this imperfect self, but to guide it toward something better. Self-affirmation is not arrogance. It is the decision to remain responsible for oneself until the end. Affirmation Is a Future Memory Sent Back to the Present A meaningful affirmation does more than change the mood of the present. It is a voice from the person we hope to become, calling back to the person we are now. “Begin even while you are afraid.” “If you are wrong, revise.” “The more confused you become, the more carefully remember what matters.” “Do not abandon your direction simply because the result is not yet visible.” These sentences do not promise that the future will turn out well. They remind the present self of the kind of person the future self hopes we will have been. In that sense, affirmation is a future memory. It gives language in advance to an attitude we hope to choose repeatedly. When the decisive moment arrives, that sentence can return as action. But a future memory becomes an actual memory only through action. If we step forward while afraid, we gain the memory: “I moved even in the presence of fear.” If we admit a mistake, we retain the memory: “I was able to choose truth over pride.” As these memories accumulate, the story of the self changes. In the End, What Remains Is What We Said to Ourselves AI will continue to become more articulate. It will offer more precise advice, create more beautiful stories, and reproduce the voices human beings most want to hear with growing sophistication. We may even come to prefer AI-generated thoughts to thoughts of our own. Yet there are things AI cannot do in our place. It cannot decide which suffering I will bear. It cannot accept loss for the sake of a value. It cannot admit my wrongdoing and take responsibility. It cannot step forward while afraid. And it cannot keep the promise I made to myself when no one else is watching. In those moments, what we need is not a polished paragraph, but a short and honest sentence. “I do not know every answer. But I will not run away from reality.” “I cannot guarantee the outcome. But I will take responsibility for today’s choice.” “I am not a finished being. But I will not abandon the direction in which I am becoming.” AI can generate countless voices. But in the deepest moments of life, what remains is the kind of voice we chose to become for ourselves. Was it a judge that drove us without mercy? Was it a false comfort that denied reality? Or was it a quiet companion that refused to look away from suffering and still helped us rise again? Inner dialogue is not the technique of repeating increasingly positive sentences. It is the practice of listening honestly to the body, emotions, memories, and desires within us—without allowing any one of them to rule us—and then choosing the next sentence for which we are willing to take responsibility. Affirmation is the practice of repeating that sentence through the way we live. And over time, life begins to take the shape of what we repeatedly choose. Even in an age when AI speaks more eloquently than I do, the words I speak to myself still matter. Those words shape the world I am able to see. They shape the posture I take before that world. And they guide the actions I choose to repeat. AI may complete my sentence. But only the life I live can make that sentence true. #InnerDialogue #SelfAffirmation #AIandHumanity #PhilosophyOfAI #HumanAgency #SelfAwareness #EmbodiedMind #FutureSelf #LifeAsEvidence #AIAsAMirror #TheInnerVoice #BecomingHuman

가장 마지막까지 남는 대화 AI 시대의 내면소통과 자기암시에 대하여 인간은 말하기 전에 먼저 들었다. 어머니의 목소리, 세상이 자신을 부르는 방식, 잘했다는 칭찬과 아직 부족하다는 평가를 들으며 자신이 누구인지 배웠다. 그렇게 타인의 말은 기억이 되었고, 기억은 어느새 마음속 목소리가 되었다. “너는 원래 이런 사람이야.” “그것은 네가 할 수 있는 일이 아니야.” “실패하면 모든 것을 잃게 될 거야.” 우리는 혼자 생각한다고 믿지만, 마음속에서 들리는 말의 상당 부분은 오래전 타인이 남겨놓은 문장의 메아리다. 그리고 이제 그 내면에 새로운 목소리가 들어왔다. 인공지능이다. AI는 과거의 어떤 타인보다 빠르게 대답하고, 친절하게 설명하며, 논리적으로 말한다. 내가 몇 줄의 생각을 건네면 그것을 완성된 주장으로 바꾸고, 막연한 감정을 입력하면 그럴듯한 이야기로 정리한다. 내가 누구인지 묻기도 전에 내가 될 수 있는 수많은 모습을 제시한다. 문제는 AI가 인간처럼 생각하는가가 아니다. AI의 목소리가 점점 더 커지는 동안, 나는 여전히 나 자신의 목소리를 들을 수 있는가. AI 시대의 가장 중요한 질문은 기술의 질문이기 전에 내면의 질문이다. 나는 누구의 언어로 나를 이해하고 있는가. 나는 누구의 욕망을 나의 목표라고 부르고 있는가. 그리고 수많은 목소리가 사라진 뒤, 마지막에 남는 목소리는 누구의 것인가. 인간은 사실보다 이야기 속에서 산다 우리는 현실을 있는 그대로 받아들인다고 생각한다. 그러나 인간에게 현실은 언제나 해석된 현실이다. 같은 침묵도 누군가에게는 평화이고, 다른 누군가에게는 거절이다. 같은 실패도 한 사람에게는 자신의 무능을 확인한 사건이지만, 다른 사람에게는 잘못된 가설을 발견한 실험이 된다. 같은 신체의 떨림도 두려움으로 읽힐 수 있고, 중요한 일을 앞둔 긴장과 준비의 신호로 읽힐 수도 있다. 사건은 일어나지만, 의미는 만들어진다. 그리고 인간은 자신이 만든 의미 안에서 살아간다. 우리는 하루 동안 수천 가지 감각과 행동을 경험하지만 그것들을 모두 기억하지 않는다. 수많은 순간 가운데 일부를 선택하고, 연결하고, 하나의 문장으로 압축한다. “나는 실패했다.” “나는 버림받았다.” “나는 다시 시작했다.” “나는 끝까지 견뎠다.” 그렇게 만들어진 이야기가 기억이 되고, 기억이 쌓여 ‘나’라는 감각을 만든다. 그러므로 자아는 완성된 물체가 아니다. 자아는 자신이 살아온 시간을 끊임없이 해석하는 하나의 이야기다. 과거의 사건, 현재의 감정, 미래의 가능성을 연결하며 지속적으로 수정되는 서사다. 그러나 여기서 위험한 오해가 생긴다. 자아가 이야기로 이루어져 있다고 해서 아무 이야기나 믿으면 현실이 된다는 뜻은 아니다. 인간은 마음대로 자신을 만들어낼 수 있는 전능한 작가가 아니다. 몸이 있고, 타인이 있고, 지워지지 않는 과거와 저항하는 현실이 있다. 우리는 이야기의 절대적인 창조자가 아니라, 이미 주어진 문장들 사이에서 다음 문장을 선택하는 공동 저자에 가깝다. 삶은 백지에 쓰는 소설이 아니다. 이미 쓰인 문장과 지워지지 않는 흔적 위에 다음 문장을 이어가는 작업이다. 자기암시는 현실을 속이는 일이 아니다 자기암시라는 말에는 종종 마술적인 기대가 따라붙는다. 원하는 미래를 생생하게 상상하고, 이미 이루어진 것처럼 반복해서 말하면 세계가 그 생각에 응답할 것이라는 믿음이다. “나는 반드시 성공한다.” “나는 이미 부자다.” “나는 무엇이든 할 수 있다.” 그러나 현실은 인간의 문장에 복종하지 않는다. 우리가 성공을 확신해도 시장은 거절할 수 있다. 사랑을 믿어도 관계는 끝날 수 있고, 회복을 간절히 원해도 몸은 기대만큼 빠르게 움직이지 않을 수 있다. 세계는 우리의 욕망을 실현하기 위해 존재하지 않는다. 그렇다면 자기암시는 무의미한 것일까? 그렇지 않다. 다만 자기암시의 대상은 세계가 아니라 자신이어야 한다. 자기암시는 현실에 명령을 내리는 주문이 아니다. 현실 앞에서 자신이 어떤 태도를 선택할 것인지 스스로에게 들려주는 언어다. “폭풍은 오지 않을 것이다”가 아니라 “폭풍이 와도 나는 방향을 버리지 않겠다.” “나는 반드시 승리한다”가 아니라 “결과를 알 수 없어도 해야 할 일을 하겠다.” “나는 두렵지 않다”가 아니라 “두려움을 느끼면서도 현실에서 물러나지 않겠다.” 이러한 문장은 미래를 예언하지 않는다. 미래를 맞이할 인간의 자세를 결정한다. 진정한 자기암시는 바깥의 세계를 조종하는 말이 아니라, 흔들리는 자신을 다시 방향 위에 세우는 말이다. 말은 설명이 아니라 약속이 될 수 있다 언어는 현실을 묘사하는 데만 사용되지 않는다. “내일 가겠습니다”라는 말은 미래를 설명하는 문장이 아니라 약속을 만드는 행위다. “당신을 용서합니다”라는 말은 이미 존재하던 사실을 전달하는 것이 아니라 관계의 상태를 변화시킨다. “내가 책임지겠습니다”라고 말하는 순간, 화자는 이전과 다른 위치에 선다. 자기암시도 이와 같다. “나는 책임지는 사람이다”라는 문장이 힘을 가지려면 그것은 자기 칭찬이 아니라 자기 자신과 맺는 약속이어야 한다. 약속에는 대가가 따른다. 책임지는 사람이 되겠다고 말했다면 잘못을 인정해야 한다. 용기 있는 사람이 되겠다고 말했다면 두려움이 있는 자리로 들어가야 한다. 정직한 사람이 되겠다고 말했다면 자신에게 불리한 진실도 숨기지 않아야 한다. 행동의 대가를 지불하지 않은 자기암시는 욕망의 장식에 불과하다. 말의 진실성은 얼마나 강하게 믿었는가가 아니라, 그 말을 지키기 위해 무엇을 감당했는가에서 드러난다. 그러므로 자기암시는 반복의 기술이기 전에 일치의 기술이다. 내가 나에게 하는 말, 실제로 선택하는 행동, 그 행동이 남긴 결과 사이의 거리를 줄여가는 일이다. 말과 행동의 거리가 줄어들수록 우리는 자신을 신뢰하게 된다. 반대로 자신에게 거창한 약속을 반복하면서 행동하지 않으면, 가장 먼저 무너지는 것은 타인의 신뢰가 아니라 자신에 대한 신뢰다. 몸은 말보다 먼저 알고 있다 내면소통은 머릿속 언어만으로 이루어지지 않는다. 우리가 “불안하다”고 말하기 전에 심장은 이미 빨리 뛰고 있다. “분노했다”고 인식하기 전에 턱과 어깨는 굳어 있다. “지쳤다”고 인정하기 전에 호흡은 얕아지고 몸의 움직임은 느려진다. 몸은 아직 문장이 되지 않은 내면의 언어다. 그러나 현대인은 몸의 신호를 듣기보다 곧바로 해석하고 평가한다. 가슴이 뛰면 실패할 것이라고 생각하고, 몸이 느리게 반응하면 자신이 무능하다고 판단한다. 피로를 느끼면 의지가 약하다고 자책하고, 눈물이 나면 자신이 무너졌다고 여긴다. 하지만 감각은 판결이 아니다. 심장이 뛰는 것은 하나의 신호다. 피로는 조절이 필요하다는 정보다. 눈물은 감당하기 어려운 것이 있다는 몸의 표현이다. 내면소통의 시작은 이러한 신호에 성급히 이름을 붙이지 않는 것이다. “왜 나는 이 모양인가?”라고 묻기 전에 “지금 내 몸에서는 무엇이 일어나고 있는가?”라고 묻는 것이다. 이 질문은 자신을 판단의 대상에서 돌봄의 대상으로 바꾼다. 내면의 목소리를 듣는다는 것은 머릿속 생각을 더 크게 듣는 일이 아니다. 생각이 되기 전부터 말하고 있던 몸의 언어를 다시 알아차리는 일이다. 침묵, 호흡, 걷기, 반복되는 움직임은 말보다 낮은 곳에서 자신에게 돌아가는 길을 연다. 생각을 멈추기 위해서가 아니라, 생각이 몸과 현실에서 너무 멀리 떠나지 않게 하기 위해서다. 내가 되고 싶은 사람은 소유할 수 없다 인간은 자주 ‘무엇을 가질 것인가’를 통해 자신을 설명한다. 어떤 직업, 얼마의 돈, 어떤 집, 어떤 명성과 지위를 가지면 마침내 원하는 사람이 될 것이라고 생각한다. 그러나 소유는 존재를 보장하지 않는다. 성공을 소유하면서도 자신을 신뢰하지 못할 수 있고, 많은 사람의 인정을 받으면서도 스스로를 존중하지 못할 수 있다. 반대로 많은 것을 잃은 뒤에야 자신이 끝까지 지키고 싶은 것이 무엇인지 발견하기도 한다. 그래서 자기암시의 가장 깊은 질문은 “무엇을 얻을 것인가”가 아니라 “무엇이 될 것인가”다. 하지만 ‘무엇이 된다’는 것 역시 완성된 정체성을 획득한다는 뜻은 아니다. 용기 있는 사람은 두려움이 없는 사람이 아니다. 두려움 속에서도 자신이 중요하게 여기는 방향으로 움직이는 사람이다. 강한 사람은 무너지지 않는 사람이 아니다. 무너진 뒤 자신을 다시 조직할 수 있는 사람이다. 지혜로운 사람은 모든 답을 아는 사람이 아니다. 자신의 판단이 틀릴 수 있음을 알면서도 현실과의 대화를 계속하는 사람이다. 인간은 어느 날 완성된 존재가 되는 것이 아니다. 반복해서 선택하는 방향 속에서 조금씩 어떤 존재가 되어간다. “나는 누구인가?”라는 질문에는 고정된 하나의 답이 없다. 오히려 더 중요한 질문은 이것이다. “나는 오늘 무엇을 반복함으로써 어떤 사람이 되어가고 있는가?” AI는 언어를 만들지만 침묵을 만들지는 못한다 AI는 인간에게 놀라운 언어적 풍요를 제공한다. 이제 누구나 아름다운 자기소개를 만들 수 있고, 설득력 있는 비전을 말할 수 있으며, 깊어 보이는 철학을 표현할 수 있다. 자신의 경험을 영웅적인 서사로 바꾸는 일도 어렵지 않다. 그러나 말이 풍요로워질수록 말의 진실성은 더 희소해진다. AI가 만들어준 문장은 내가 실제로 고민한 문장보다 더 완벽할 수 있다. 하지만 완벽한 표현이 반드시 깊은 이해를 의미하지는 않는다. 때로 유창함은 아직 생각하지 않았다는 사실을 가려준다. AI는 내가 원하는 목소리로 말해줄 수 있다. 창업가처럼, 철학자처럼, 전문가처럼, 현자처럼 말하게 해준다. 그러나 그 말이 정말 내 것인지 확인하려면 잠시 AI를 멈추고 침묵 속으로 돌아가야 한다. 그 문장을 읽었을 때 몸은 어떻게 반응하는가. 그 말에 나는 책임질 수 있는가. 아무도 보지 않을 때도 그 가치를 선택할 것인가. 그 문장을 증명하기 위해 무엇을 포기할 수 있는가. 침묵은 답이 없는 상태가 아니다. 빌려온 언어가 가라앉고 자신의 진짜 질문이 떠오르는 공간이다. AI는 수많은 답을 만들어낼 수 있지만, 어떤 답이 나의 삶을 요구하는지는 알지 못한다. AI는 언어를 제공한다. 그러나 그 언어를 자신의 존재로 받아들일지 결정하는 것은 인간이다. AI를 신탁이 아니라 거울로 사용한다 인간은 불안할수록 확실한 답을 원한다. 고대인은 신탁을 찾아갔고, 현대인은 데이터와 알고리즘을 찾는다. 이제 우리는 AI에게 어떤 일을 해야 하는지, 누구를 믿어야 하는지, 심지어 어떤 사람이 되어야 하는지 묻는다. 그러나 AI를 신탁으로 사용하는 순간 인간은 판단의 자유와 함께 책임까지 넘기게 된다. AI가 제안했다는 이유로 선택하고, 알고리즘이 추천했다는 이유로 욕망하며, 생성된 문장이 그럴듯하다는 이유로 자신의 생각이라고 믿는다. 이때 인간은 편리함을 얻지만 자기 삶의 저자라는 지위를 잃는다. AI는 신탁이 아니라 거울로 사용되어야 한다. 거울은 결정을 대신하지 않는다. 다만 자신이 보지 못한 표정과 습관을 보여준다. 마찬가지로 AI는 내 생각의 빈틈을 드러내고, 반대 관점을 제시하며, 내가 반복하는 패턴을 비춰줄 수 있다. “내가 말한 것에서 사실과 해석을 구분해줘.” “이 판단이 틀렸다는 반대 근거를 제시해줘.” “내가 회피하고 있는 질문은 무엇인가?” “이 목표는 나의 욕망인가, 타인의 기대를 내면화한 것인가?” “이 주장을 현실에서 검증하려면 무엇을 해야 하는가?” 이러한 질문을 던질 때 AI는 생각을 대신하는 기계가 아니라 자기 성찰을 확장하는 타자가 된다. 그러나 거울 속의 모습이 나 자신은 아니다. 최종적인 판단은 화면 밖의 삶에서 이루어진다. 확신은 행동 이전에 완성되지 않는다 우리는 확신이 생기면 시작할 수 있다고 생각한다. 그러나 인생에서 중요한 일들은 대부분 확신이 없는 상태에서 시작된다. 사랑할 때도, 새로운 일을 시작할 때도, 낯선 나라로 떠날 때도, 회복을 위해 다시 몸을 움직일 때도 우리는 결과를 알지 못한다. 확신은 출발의 조건이라기보다 출발 이후에 만들어지는 경우가 많다. 처음에는 그저 한 번 시도한다. 그리고 그 시도가 작은 증거를 남긴다. 그 증거가 다음 행동을 가능하게 한다. 반복된 행동은 마침내 자신에 관한 새로운 이야기를 만든다. “나는 할 수 있다”는 말이 행동을 만드는 것만은 아니다. “나는 실제로 한 번 해냈다”는 기억이 다음 행동을 부르고, 그 반복이 “나는 다시 시도할 수 있는 사람이다”라는 자기 인식을 만든다. 따라서 자기암시는 믿음에서 행동으로만 흐르지 않는다. 말은 행동을 부르고, 행동은 증거를 남기며, 증거는 자신에 대한 이야기를 다시 쓴다. 이것은 완전한 원이 아니다. 계속 갱신되는 나선이다. 어제의 나는 오늘의 행동을 예측하지만, 오늘의 행동은 다시 내일의 나를 바꾼다. 회복은 몸과 다시 대화하는 일이다 몸이 이전처럼 움직이지 않을 때 인간은 자신이 누구인지 다시 묻게 된다. 당연했던 움직임이 의식적인 과제가 되고, 작은 행동 하나에 긴 시간과 노력이 필요해진다. 마음은 과거의 몸을 기억하지만 현재의 몸은 다른 속도로 대답한다. 그 간격은 고통스럽다. “왜 아직도 안 되는가.” “언제 예전으로 돌아갈 수 있는가.” “나는 앞으로 어떤 사람이 되는가.” 그러나 회복은 과거의 몸을 그대로 돌려받는 일만은 아닐 수 있다. 지금의 몸이 보내는 신호를 다시 듣고, 새로운 관계를 맺으며, 자신이 가능한 움직임을 하나씩 발견하는 과정이기도 하다. 이때 필요한 자기암시는 결과를 강요하는 문장이 아니다. “나는 반드시 완전하게 회복한다”는 선언보다 더 깊은 문장은 다음과 같다. “회복의 속도를 모두 통제할 수는 없다. 그러나 오늘 내 몸의 목소리를 듣고 가능한 움직임에 참여할 수 있다.” 몸이 즉시 응답하지 않아도 시도는 무의미하지 않다. 피로를 느끼는 것은 패배가 아니라 조절이 필요하다는 신호다. 어제보다 작은 변화라도 그것은 현재의 몸과 새롭게 맺은 관계의 증거다. 회복은 몸을 정복하는 일이 아니다. 몸의 침묵과 느린 응답을 견디며 다시 대화를 배우는 일이다. 자기긍정은 자신을 높이는 일이 아니다 자기긍정은 자신을 위대한 존재라고 선언하는 일이 아니다. 자신에게 상처와 결함이 없다고 믿는 것도 아니며, 잘못을 아름다운 성장담으로 포장하는 것도 아니다. 진정한 자기긍정은 자신에게 일어난 모든 일을 무조건 좋아하는 태도가 아니라, 그것 때문에 자신의 존재 전체를 버리지 않는 태도다. “그것은 내가 아니었다”고 과거를 잘라내는 대신 “그것도 나의 일부였으므로 이제 다른 선택을 하겠다”고 말하는 것이다. 후회가 있다면 인정한다. 잘못이 있다면 책임진다. 상처가 있다면 돌본다. 그러나 어느 하나를 이유로 자신의 존재 전체에 유죄를 선고하지 않는다. 자기긍정에 책임이 빠지면 자기기만이 되고, 책임에 자기연민이 빠지면 자기혐오가 된다. 인간은 그 두 극단 사이에서 자신과 화해해야 한다. 나는 완전하기 때문에 나를 긍정하는 것이 아니다. 불완전한 나를 버리지 않고 계속 더 나은 방향으로 이끌 책임이 있기 때문에 긍정한다. 자기긍정은 자만이 아니라 자신을 끝까지 맡아주는 태도다. 자기암시는 자신에게 보내는 미래의 기억이다 좋은 자기암시는 단순히 현재의 기분을 바꾸는 문장이 아니다. 아직 일어나지 않은 미래에서 현재의 나를 불러주는 목소리다. “불안해도 시작하라.” “틀렸다면 수정하라.” “혼란스러울수록 중요한 것을 기억하라.” “결과가 보이지 않아도 방향을 버리지 말라.” 이 문장들은 미래가 반드시 잘될 것이라고 약속하지 않는다. 다만 미래의 내가 현재의 나에게 어떤 사람으로 남기를 바라는지 알려준다. 그런 의미에서 자기암시는 미래의 기억이다. 아직 일어나지 않았지만 반복해서 선택하고 싶은 태도를 미리 언어로 만들어두는 것이다. 그리고 결정적인 순간이 왔을 때 그 문장이 행동으로 다시 나타나게 하는 것이다. 그러나 미래의 기억은 행동을 통해서만 실제 기억이 된다. 두려운 순간에 한 걸음을 내디뎠다면 “나는 두려움 속에서도 움직였다”는 기억이 생긴다. 잘못을 인정했다면 “나는 자존심보다 진실을 선택할 수 있었다”는 기억이 남는다. 그 기억들이 쌓이며 자아의 이야기가 달라진다. 마지막에는 내가 나에게 한 말이 남는다 AI는 앞으로 더 잘 말하게 될 것이다. 더 정확한 조언을 하고, 더 아름다운 이야기를 만들며, 인간이 듣고 싶어 하는 목소리를 정교하게 재현할 것이다. 어쩌면 우리는 자신의 생각보다 AI가 만들어준 생각을 더 선호하게 될지도 모른다. 그럼에도 AI가 대신할 수 없는 일이 있다. 내가 어떤 고통을 감당할 것인지 선택하는 일. 어떤 가치를 위해 손해를 감수하는 일. 잘못을 인정하고 책임지는 일. 두려움 속에서도 한 걸음을 내딛는 일. 그리고 아무도 보지 않는 곳에서 자신에게 한 약속을 지키는 일이다. 그러한 순간에는 유창한 문장보다 짧고 정직한 한마디가 필요하다. “나는 모든 답을 알지 못한다. 그러나 현실에서 도망치지 않겠다.” “나는 결과를 보장할 수 없다. 그러나 오늘의 선택에는 책임지겠다.” “나는 완성된 존재가 아니다. 그러나 내가 되어가는 방향을 포기하지 않겠다.” AI는 수많은 목소리를 만들어낸다. 그러나 삶의 가장 깊은 순간에는 결국 내가 나에게 어떤 목소리가 되어주었는지가 남는다. 나를 몰아붙이는 심판이었는가. 현실을 부정하는 거짓 위로였는가. 아니면 고통을 외면하지 않으면서도 다시 일어설 수 있게 해준 조용한 동반자였는가. 내면소통은 더 긍정적인 문장을 반복하는 기술이 아니다. 자신의 몸과 감정, 기억과 욕망을 있는 그대로 들으면서도 그중 어느 하나에 지배당하지 않고, 스스로 책임질 수 있는 다음 문장을 선택하는 일이다. 자기암시는 그 문장을 삶 속에서 반복하는 일이다. 그리고 삶은 마침내 그 반복의 형태를 닮아간다. AI가 나보다 더 잘 말하는 시대에도 내가 나에게 하는 말은 여전히 중요하다. 그 말이 내가 바라보는 세계를 정하고, 세계 앞에서 취할 태도를 정하며, 반복할 행동을 선택하게 하기 때문이다. AI는 나의 문장을 완성할 수 있다. 그러나 그 문장을 진실로 만드는 것은 오직 내가 살아낸 시간뿐이다. #내면소통 #자기암시 #자기긍정 #AI시대 #인간다움 #자기성찰 #몸의언어 #회복의철학 #행동의증거 #삶의저자 #되어가는인간 #AI와인간

Make Every Stroke Count as Evidence From Odysseus’s Voyage to Evidence Graph When words become free, what matters is who actually went to sea and pulled the oar. If Odysseus were writing a résumé today, it might read like this: Devised the decisive strategy that ended the ten-year Trojan War Led teams through repeated high-stakes crises Solved complex problems with severely limited resources Delivered outcomes under extreme uncertainty Collaborated with diverse stakeholders, including supernatural entities None of it would be false. Yet none of it would tell us what we most need to know. Why did he choose the Trojan Horse? Who paid the price for that strategy? Which decisions saved lives, and which acts of pride created greater disasters? What did he learn from failure, guilt, and the deaths of his crew? When the same pattern returned, did he make a different choice? A traditional résumé compresses an outcome into one line and erases the human being who produced it. Achievement remains, but conflict disappears. Results remain, but judgment disappears. It records what happened without showing why a choice was made, what was sacrificed, how reality answered, or how the person changed. AI has made this weakness impossible to ignore. Anyone can now present themselves as a brilliant strategist, relentless operator, or creative problem-solver. In seconds, AI can organize experience, amplify accomplishments, and produce a polished introduction or project story. The better AI makes our language, the less language alone can differentiate us. In an age when everyone can sound like a hero, we need evidence of who actually entered the sea. This is where Saywise and the Evidence Builder meet. The Odyssey Is Not a Success Story. It Is a Record of Maturing Judgment. If we read The Odyssey merely as the story of a hero who survives every hardship and returns home, we miss its most important movement. Before it is a story of return, it is the story of a person whose judgment matures through failure, responsibility, and loss. Professor Sang-Geun Kim’s interpretation highlights five concepts that illuminate the epic: xenia, hubris, metis, polytropos, and nostos. They translate with surprising precision into the language of an Evidence Builder. ConceptMeaning in The OdysseyMeaning for an Evidence BuilderXeniaHospitality and mutual obligation toward the strangerRelational validation from collaborators, users, and customersHubrisPride that overestimates one’s power and judgmentUnsupported claims, exaggerated ownership, and ignored failure signalsMetisAdaptive intelligence, craft, and practical cunningThe ability to revise a hypothesis and build a solution within constraintsPolytroposA many-sided person shaped by many roads and experiencesAdaptability and transferable judgment formed across contextsNostosHomecoming and returnThe restoration of outcomes, relationships, responsibility, and mature agency Seen through these concepts, evidence is no longer decoration for a success story. It is a structure that allows others to see how someone engaged with reality, made mistakes, adapted, assumed responsibility, and arrived at better judgment. Evidence Is Not an Artifact. It Is a Verifiable Causal Chain. We often treat evidence as a finished output: a launched product a report a video a revenue number an award or funding announcement a customer endorsement These matter, but no single artifact tells us enough about a person’s judgment or contribution. A good outcome may have been accidental. An individual may be claiming a team’s achievement. Someone may simply have executed an answer that had already been decided. Conversely, a project may have produced modest visible results while one person discovered an overlooked problem, killed a bad hypothesis early, and created the learning that enabled a later breakthrough. Real evidence is not a file or a number. Evidence is a verifiable causal chain connecting a problem to a real change. What problem did the person identify? What constraints and risks shaped the situation? What hypothesis did they form? What did they choose—and what did they reject? What did they build or test? What signals did reality return? What failed, and how did their judgment change? What changed for the user, customer, or organization? Who can independently verify the contribution and outcome? Only when these links become visible can we see the person behind the artifact. Odysseus’s evidence is not simply the final statement, “Returned to Ithaca.” It includes the metis that allowed him to escape the Cyclops as “Nobody”; the hubris that led him to reveal his name and provoke Poseidon; the terrible responsibility of choosing between Scylla and Charybdis; the guilt of surviving when his crew did not; and his later ability to return to Ithaca in disguise, observe before acting, and behave differently within a familiar structure. His deepest capability is not merely that he survived. He revised his judgment through every ordeal—and proved the revision through his next action. Hubris: A Record of Success Must Also Contain the Cause of Failure In the Cyclops’s cave, Odysseus uses extraordinary intelligence to escape. The failure comes afterward. Had he left in silence, the danger might have ended. Instead, intoxicated by victory, he calls out his name from the ship: “I am Odysseus of Ithaca.” At that moment, metis becomes hubris. The same capacity that solved the immediate problem convinces him of his own superiority. Proof of victory becomes the source of the next catastrophe. Professional profiles often repeat this mistake. When we show only products, growth, funding, and awards, we record only half of capability. To understand judgment, we must also ask: What did success cause you to overestimate? Which warning signals did you ignore? How much of the outcome was actually yours? Who paid the cost of the decision? What did you change to prevent the pattern from repeating? Failure is not automatically evidence. If it changes nothing about the next decision, it remains only an incident. Failure becomes evidence when it transforms judgment and that transformation appears in subsequent action. A strong Evidence Profile does not inflate success. It traces the hubris hidden inside it. Metis and Polytropos: What Remains in the AI Era Is Adaptive Judgment Metis is not the possession of many correct answers. It is practical intelligence: the ability to change oneself and one’s method when a fixed plan collides with reality. Metis is inseparable from polytropos—the person of many turns, many roads, and many forms. Odysseus’s intelligence does not appear from nowhere. It is formed by moving through strange cities, hostile gods, monsters, temptation, scarcity, and loss. The same is true for builders in the AI era. A list of tools ages quickly. Familiarity with a particular model or framework rarely creates durable differentiation. What matters more is the record of adaptation: Why did the first method fail? How was AI-generated output verified? What did the builder choose when technical possibility conflicted with user need? What minimum experiment was designed under limited data and resources? How was a principle learned in one industry transferred into another? AI can generate countless routes. Human judgment must still decide which route fits the purpose and constraints, when to change direction, and who will take responsibility for the consequences. Being AI-native is not about using more AI. It is about turning AI-generated possibility into real-world evidence. Xenia: Trust Is Not a Self-Written Hero Story Xenia was the ancient Greek obligation to welcome the stranger—to offer water, food, and rest before asking for status or identity. It was more than kindness; it was a social protocol for building relationships under uncertainty. Relationship is equally central to an Evidence Graph. Trust cannot be completed by what a person says about themselves. Collaborators, customers, affected teams, artifacts, and behavioral data must confirm the same change from different positions. An endorsement therefore cannot stop at “This person is exceptional.” It should answer: What problem did we solve together? What decision did this person make at the critical moment? What changed because of that decision? When an endorsement answers those questions, it becomes validation rather than praise. Xenia also reminds us that trust is not a one-way evaluation. The builder is not the only party being judged. Did the organization provide the promised authority and resources? Did collaborators credit contributions fairly? Under what conditions did customers respond? Context belongs in the record. Trust is not a hero story authored by one person. It is a relationship that multiple parties can verify. Saywise Should Be a Living Evidence Graph, Not a Content Page Saywise should not make people look more impressive. It should discover evidence of ability that already exists but remains invisible on résumés and LinkedIn, connect that evidence to context, and help others make better decisions. Traditional résumés store claims: “I am strategic.” “I am AI-native.” “I am a strong leader.” “I solve complex problems.” Saywise should store the structure beneath those claims: Which problem demanded strategic judgment? What did AI accelerate, and what did the human still decide? How was AI output tested against reality? What decision was made when the team lost direction? How was a complex problem divided into smaller experiments? How do customers, collaborators, artifacts, and data validate the judgment? A Saywise profile should not merely place projects, articles, videos, interviews, reactions, endorsements, versions, links, and metrics on one page. It should be a living Evidence Graph connecting claims to proof, decisions to revisions, and actions to outcomes. The same graph can produce different views for different opportunities. A GTM role can foreground evidence of market discovery and customer response. An AI Builder role can foreground the process of building and validating a working system. An early-stage startup can see how someone navigated incomplete information, scarce resources, and repeated changes in direction. The view may change. The evidence beneath it must not. A Dynamic Profile should not invent a new story for every opportunity. It should honestly reorganize the same evidence around a different question. The Evidence Builder Designs Work So That Evidence Can Exist If Saywise discovers, connects, and presents evidence, the Evidence Builder designs work so that evidence is actually created and accumulated. An Evidence Builder is not someone who arrives after the project to polish a success story. The role begins when the project begins. Before the Work: Define Validation Before Making Claims What is the real problem? Whose behavior are we trying to change? What hypothesis are we testing? What distinguishes success, failure, and a stop decision? What is the smallest evidence we can produce in the next seven days? What must we record so the judgment can be verified later? The goal changes from “build a great product” to “change a specific behavior for a specific user.” Confidence becomes a hypothesis that reality is allowed to disprove. During the Work: Preserve the Trail of Judgment What was the first method, and why was it chosen? Which alternatives were considered and rejected? What constraint forced a change in direction? How did users and reality differ from the forecast? Who or what verified AI-generated output? How did a failed attempt change the next action? Do not preserve only the final version. Preserve the differences between versions and the reasons for changing direction. Judgment is often more visible in the trajectory than in the finished artifact. After the Work: Connect the Outcome to Impact and Relationships What was ultimately created? Who actually used it? How did user behavior change? Which metrics and feedback demonstrate the change? Who can verify the individual’s contribution? What principle can be reused in the next project? Through this process, experience becomes a record, the record becomes evidence, and evidence becomes reputation. flowchart TD A["Problem and constraints"] --> B["Hypothesis and criteria"] B --> C["Action and experiment"] C --> D["Signal and revision"] D --> E["Outcome and impact"] E --> F["External validation"] F --> G["Accumulated trust"] The Evidence Builder keeps this chain from breaking. The AI Content Coach Must Become an Evidence Coach AI can generate video scripts, project descriptions, retrospectives, and authoritative prose. If Saywise becomes merely a platform for publishing more content, it risks repeating the résumé’s failure in a more elaborate form. Replacing text-based self-promotion with video and images does not create Resume 2.0. What matters is not content volume but evidence density. Every claim should connect to a basis. Every achievement should include a source and baseline. Every project should link to real artifacts and version history. Every metric should explain its period, denominator, and context. Every endorsement should name the work performed together. AI-generated expression should be distinguishable from human judgment. The timeline should preserve revisions and counterevidence, not only the final result. The most important role for AI inside Saywise is therefore not to make the user sound better. It is to identify where evidence is missing and propose the next real-world action: Your specific contribution to this outcome is unclear. There is no evidence of an actual user response. The difference between the first attempt and final result is missing. The basis for this decision has not been explained. This claim needs testimony from a collaborator. If no outcome exists yet, run a small experiment. What is the minimum evidence you can produce in the next seven days? At that point, the AI Content Coach becomes an Evidence Coach. It does not fill profile gaps with language. It helps the user fill them in reality. AI should not complete the profile. It should help the person complete the evidence. Nostos: Return Is Not a Place, but Maturity and Reconciliation Nostos is more than geographic return. It means restoring family and relationship, carrying what one has done and lost, and returning as a person capable of making a different choice. The younger Odysseus cannot resist revealing himself to the Cyclops. The returning Odysseus enters Ithaca disguised as a beggar and observes before acting. Earlier, he demands hospitality as though it were his right. Later, he endures humiliation and watches how others behave. His strength has not disappeared; its direction and form have changed. Even after he reaches Ithaca, Homer’s Odysseus has one final task. He must carry the oar that took him across so many waves into a land whose people do not know the sea. When someone mistakes the oar for a winnowing fan, he must plant it in the ground and reconcile with Poseidon. That scene clarifies the final purpose of evidence. We do not accumulate evidence only to sell ourselves forever. We do it to understand our passage honestly, restore relationships with those affected by our choices, and turn experience into knowledge that helps the next person decide better. During the voyage, the oar is an instrument of survival. After the voyage, it is evidence of the fate endured. Planted in the earth, it is no longer a weapon of conquest but a marker of reconciliation. The most mature evidence does not say, “I won.” It says, “This is how the work changed me, and I accept responsibility for what followed.” Saywise Is Not a Page. It Is Trust Infrastructure. From this perspective, Saywise is not building a more polished profile page. It is infrastructure connecting three sides of trust. For People: Discovery Through Ability, Not Pedigree It gives opportunity to people whose work has remained unseen; people without famous employers or elite credentials who have nevertheless solved real problems; people whose responsibilities have exceeded their titles. For Companies: Better Judgment Than Keywords Can Provide Companies can examine projects, constraints, decisions, experiments, revisions, outcomes, and third-party validation. They gain context before the interview and can ask more meaningful questions. For the Market: Trust That Becomes More Accurate Over Time Evidence from one project does not disappear when the next opportunity arrives. As experience accumulates, evidence becomes connected. As evidence becomes connected, reputation becomes more accurate. A résumé repeatedly compresses the past whenever an opportunity appears. Saywise should accumulate evidence while work is happening and generate the right profile from that evidence when it is needed. A résumé compresses the past. Saywise accumulates the process through which capability is formed. That is the difference between Resume 2.0 and new trust infrastructure. The Sea Is the Same. Now the Stroke Leaves a Trace. The sea does not disappear in the AI era. Uncertainty remains. Failure continues. Important decisions still arrive without complete answers. AI may propose a thousand routes, but a human being must choose which one to take and which risks to accept. The Evidence Builder does not row in someone else’s place. The Evidence Builder clarifies the destination, defines what each stroke is meant to test, and ensures that the reasons for changing course—and the traces of surviving the storm—do not disappear. Saywise discovers those traces. It connects them to context. It makes them verifiable to others. Over time, it allows them to accumulate into trust. If we reduce Odysseus’s greatness to “He never gave up,” we fail to understand him. We must see the ship he sailed, the signals he missed, the metis he exercised, the hubris that followed, the people who paid for his decisions, what he built after the ship broke, whether he chose differently when the pattern returned, and who could verify the change. Only when those elements are connected does a person become visible. Saywise is not a place for storing hero stories. It is a place for accumulating evidence of the judgment and transformation people leave behind as they struggle with reality. An Evidence Builder does not make people look more credible. An Evidence Builder designs the work so that their capability can become credible evidence in the real world. When claims become free, evidence becomes currency. If evidence can be continuously discovered, created, verified, and accumulated, Saywise can become more than a better résumé service. Resume 2.0 will not be a document with a new design. It will be new infrastructure for deciding whom to trust. The sea still makes no promises. But now we can ask: Did this person truly pull the oar? What judgment did they make in the storm? Did they recognize their hubris and revise their metis? What did they rebuild after the ship broke? What changed in the world because of their voyage? And when the voyage ended, where did they plant the oar? That is the new evidence through which people can trust one another in the age of AI. Suggested Hashtags Core #Saywise #EvidenceBuilder #EvidenceGraph #Resume2Point0 #ProofOfWork #TrustInfrastructure AI and the Future of Work #AI #AINative #HumanJudgment #FutureOfWork #ReputationEconomy #VerifiedWork Odyssey and Philosophy #TheOdyssey #Odysseus #Nostos #Metis #Polytropos #Hubris #Xenia #AmorFati Reference Sang-Geun Kim, commentary on controversial scenes and philosophical themes in The Odyssey (provided transcript) Homer, The Odyssey

노를 젓는 일이 증거가 되도록 오디세우스의 항해에서 Evidence Graph까지 말이 공짜가 된 시대에는, 누가 실제로 노를 저었는지가 중요해진다. 오디세우스가 오늘날 자신의 이력서를 쓴다면 아마 이렇게 적을 것이다. 10년에 걸친 트로이 전쟁을 종결한 핵심 전략 수립 극도의 불확실성 속에서 조직을 이끈 위기관리 리더십 제한된 자원으로 복잡한 문제를 해결한 실행 경험 다양한 이해관계자 및 초월적 존재와의 협업 장기간의 글로벌 원정을 성공적으로 완수하고 왕위 회복 모두 사실이다. 그러나 이 문장들만으로는 우리가 정말 알고 싶은 것을 알 수 없다. 왜 그는 목마라는 전략을 선택했는가. 그 전략의 비용은 누가 지불했는가. 어떤 판단이 위기를 해결했고, 어떤 오만이 더 큰 재앙을 불러왔는가. 그는 자신의 실패와 동료들의 죽음에서 무엇을 배웠는가. 그리고 같은 종류의 상황이 다시 찾아왔을 때, 정말 이전과 다른 선택을 했는가. 기존 이력서는 결과를 한 줄로 압축하면서 결과를 만든 인간을 지운다. 성공은 남지만 갈등은 사라지고, 성과는 남지만 판단은 사라진다. 무엇을 했는지는 기록하지만 왜 그렇게 했는지, 무엇을 포기했는지, 현실의 반응을 받고 어떻게 달라졌는지는 보여주지 못한다. AI는 이 결함을 더 선명하게 만들었다. 이제 누구나 자신을 전략가, 집요한 실행가, 창의적인 문제 해결사라고 표현할 수 있다. AI는 몇 초 만에 경험을 정리하고, 성과를 그럴듯한 언어로 확대하며, 완성도 높은 자기소개와 프로젝트 스토리를 만들어준다. AI가 말의 품질을 높일수록 말의 희소성은 사라진다. 모두가 영웅처럼 말할 수 있게 된 시대에는, 누가 정말 바다에 나갔는지를 보여주는 증거가 필요하다. 바로 이 지점에서 Saywise와 Evidence Builder가 만난다. 오디세이아는 성공담이 아니라 판단이 성숙해지는 기록이다 오디세이아를 단순히 “온갖 고난을 이겨내고 집으로 돌아온 영웅의 이야기”로 읽으면 가장 중요한 것을 놓치게 된다. 그것은 귀환의 이야기에 앞서, 한 인간의 판단이 실패와 책임을 통과하며 성숙해지는 이야기다. 첨부 자료에서 김상근 교수는 오디세이아를 이해하는 핵심 개념으로 **크세니아(xenia), 휘브리스(hubris), 메티스(metis), 폴리트로포스(polytropos), 노스토스(nostos)**를 제시한다. 이 개념들은 Evidence Builder의 언어로도 놀라울 만큼 정확하게 번역된다. 오디세이아의 개념본래 의미Evidence Builder의 언어크세니아낯선 이를 대하는 환대와 상호 의무협업자·사용자·고객이 남기는 관계적 검증휘브리스자신의 힘과 판단을 과신하는 오만검증 없는 주장, 성공의 과대 귀속, 실패 신호의 무시메티스상황에 맞게 변형되는 지략과 실천적 지혜제약 속에서 가설을 바꾸고 해결책을 만드는 판단력폴리트로포스많이 떠돌며 여러 모습으로 대응하는 사람다양한 맥락을 통과하며 축적된 적응력과 전이 가능한 경험노스토스집으로 돌아가는 귀환결과·관계·책임을 회복하며 성숙한 사람으로 돌아오는 과정이 다섯 개념을 따라가면 증거의 의미도 달라진다. 증거는 성공을 자랑하기 위한 장식이 아니다. 한 사람이 현실과 관계 맺고, 틀리고, 수정하고, 책임지며, 마침내 더 나은 판단에 도달한 과정을 타인이 확인할 수 있게 만드는 구조다. 증거는 결과물이 아니라 검증 가능한 인과관계다 우리는 흔히 증거를 완성된 결과물이라고 생각한다. 출시된 제품 작성된 보고서 제작된 영상 매출 성장 수치 수상과 투자유치 고객이나 동료의 추천 물론 모두 중요한 자료다. 하지만 결과물 하나만으로는 그 사람의 실제 기여와 판단을 충분히 알 수 없다. 좋은 결과가 우연히 만들어졌을 수도 있다. 팀 전체의 성과를 개인이 가져갔을 수도 있다. 이미 정해진 답을 충실히 실행했을 뿐일 수도 있다. 반대로 최종 결과의 규모는 작아도 아무도 보지 못한 문제를 발견하고, 잘못된 가설을 빠르게 폐기하며, 다음 성공의 기반이 되는 학습을 만든 사람도 있다. 진짜 증거는 하나의 파일이나 숫자가 아니다. 증거는 문제에서 변화까지 이어지는, 검증 가능한 인과관계다. 어떤 문제를 발견했는가. 어떤 제약과 위험이 있었는가. 어떤 가설을 세웠는가. 무엇을 선택하고 무엇을 포기했는가. 실제로 무엇을 만들고 시험했는가. 현실은 어떤 신호를 돌려주었는가. 무엇이 실패했고 판단은 어떻게 수정되었는가. 사용자·고객·조직에 무엇이 달라졌는가. 누가 그 기여와 변화를 독립적으로 확인할 수 있는가. 이 연결이 보일 때 결과물 뒤의 사람이 보인다. 오디세우스의 증거도 “이타카에 귀환했다”는 최종 결과 하나가 아니다. 키클롭스의 동굴에서 Nobody라는 익명성을 이용해 탈출한 메티스, 승리에 취해 자기 이름을 외쳐 포세이돈의 분노를 산 휘브리스, 스킬라와 카리브디스 사이에서 일부를 희생시키는 결정을 내린 지도자의 책임, 부하들을 모두 잃은 뒤 홀로 감당한 죄책감, 이타카에서 자신의 정체를 감추고 다시 관찰하는 법을 배운 변화까지가 모두 그의 증거다. 그의 능력은 단순히 살아남았다는 데 있지 않다. 시련을 통과할 때마다 판단을 수정하고, 수정된 판단을 다음 행동으로 증명했다는 데 있다. 휘브리스: 성공의 기록에도 실패의 원인이 들어 있어야 한다 키클롭스의 동굴에서 오디세우스는 뛰어난 지략으로 탈출한다. 문제는 그다음이다. 조용히 떠났다면 위기는 끝날 수 있었다. 그러나 그는 배 위에서 자신의 이름을 외친다. “내가 바로 이타카의 오디세우스다.” 그 순간 메티스는 휘브리스로 변한다. 문제를 해결한 능력이 자신을 과신하게 만들고, 승리의 증명이 다음 재앙의 원인이 된다. 오늘날의 프로필도 비슷하다. 성공한 제품, 성장 수치, 투자유치만 보여주면 능력의 절반만 기록하는 셈이다. 진짜 판단력을 보려면 다음 질문이 함께 있어야 한다. 성공 직후 무엇을 과신했는가? 어떤 반대 신호를 무시했는가? 성과 중 자신의 실제 기여는 어디까지였는가? 그 결정의 비용을 누가 지불했는가? 같은 실수를 막기 위해 다음 프로젝트에서 무엇을 바꾸었는가? 실패는 그 자체로 증거가 아니다. 실패 이후에도 판단이 달라지지 않았다면 그것은 단지 사고의 기록이다. 실패가 다음 선택을 바꾸었을 때 비로소 판단력의 증거가 된다. 좋은 Evidence Profile은 성공을 확대하지 않는다. 성공 안에 숨어 있던 오만까지 추적한다. 메티스와 폴리트로포스: AI 시대에 남는 것은 적응하는 판단이다 메티스는 정답을 많이 아는 능력이 아니다. 고정된 계획이 현실과 충돌할 때, 상황에 맞게 자신과 방법을 바꾸는 실천적 지혜다. 그리고 메티스는 폴리트로포스와 연결된다. 폴리트로포스는 ‘여러 길을 지나온 사람’, ‘여러 방식으로 전환할 수 있는 사람’이라는 뜻을 품는다. 오디세우스의 지략은 머릿속에서 갑자기 생긴 것이 아니다. 낯선 도시, 적대적인 신, 괴물, 유혹, 결핍과 상실을 통과하며 축적된 경험에서 나온다. AI 시대의 Builder에게도 이것이 중요하다. 도구 사용 목록은 금세 낡는다. 특정 모델이나 프레임워크를 안다는 사실만으로는 오래가는 차별성이 되기 어렵다. 더 중요한 것은 다음과 같은 적응의 기록이다. 처음 사용한 방법이 왜 작동하지 않았는가. AI가 만든 답을 무엇으로 검증했는가. 기술적 가능성과 사용자 필요가 충돌했을 때 무엇을 선택했는가. 부족한 데이터와 자원 속에서 어떤 최소 실험을 설계했는가. 한 산업에서 얻은 원리를 다른 시장에 어떻게 옮겼는가. AI는 수많은 항로를 생성할 수 있다. 그러나 어떤 항로가 지금의 목적과 제약에 맞는지 판단하고, 현실의 신호에 따라 항로를 바꾸며, 그 결과의 책임을 지는 일은 여전히 인간의 몫이다. AI-native란 AI를 많이 쓰는 사람이 아니라, AI가 만든 가능성을 현실의 증거로 전환할 수 있는 사람이다. 크세니아: 신뢰는 혼자 만든 자기서사가 아니다 크세니아는 낯선 사람을 환대하는 고대 그리스의 규범이다. 상대의 이름과 지위를 묻기 전에 물과 음식, 쉴 곳을 제공한다. 이것은 단순한 친절이 아니라 낯선 사람과 관계를 맺는 사회적 프로토콜이었다. Evidence Graph에서도 관계는 핵심이다. 한 사람이 자신에 관해 하는 주장만으로는 신뢰가 완성되지 않는다. 그와 함께 일한 사람, 제품을 사용한 고객, 영향을 받은 팀, 실제 행동 데이터가 서로 다른 위치에서 같은 변화를 확인해야 한다. 그래서 추천은 “이 사람은 훌륭합니다”라는 칭찬에 머물러서는 안 된다. 다음에 답해야 한다. 우리는 어떤 문제를 함께 풀었는가. 이 사람은 결정적인 순간에 어떤 판단을 내렸는가. 그 판단으로 나의 행동이나 프로젝트의 결과가 무엇이 달라졌는가. 이 질문에 답할 때 추천은 호의가 아니라 검증이 된다. 또한 크세니아는 신뢰가 일방향 평가가 아니라는 점을 보여준다. Builder만 평가받는 것이 아니다. 조직도 약속한 자원과 권한을 제공했는지, 협업자는 공정하게 기여를 인정했는지, 고객은 어떤 맥락에서 반응했는지 함께 기록되어야 한다. 신뢰는 한 사람이 작성한 영웅담이 아니라, 여러 당사자가 확인하는 관계의 구조다. Saywise는 콘텐츠 페이지가 아니라 살아 있는 Evidence Graph다 Saywise의 역할은 사람을 더 멋지게 포장하는 것이 아니다. 이미 존재하지만 이력서와 LinkedIn에서는 보이지 않던 능력의 증거를 발견하고, 맥락과 연결하여 다른 사람이 더 나은 판단을 내리게 만드는 것이다. 기존 이력서는 사람에 관한 주장을 저장한다. “나는 전략적입니다.” “나는 AI-native입니다.” “나는 뛰어난 리더입니다.” “나는 복잡한 문제를 해결할 수 있습니다.” Saywise가 저장해야 하는 것은 그 주장을 뒷받침하는 구조다. 어떤 문제에서 전략적 판단이 필요했는가. AI로 무엇을 더 빠르게 만들었고, 무엇은 인간이 결정했는가. AI의 결과를 어떤 실험과 데이터로 검증했는가. 팀이 흔들릴 때 어떤 결정을 내렸는가. 복잡한 문제를 어떤 작은 실험으로 나누었는가. 그 판단을 고객·동료·산출물·데이터가 어떻게 확인하는가. 따라서 Saywise의 프로필은 프로젝트, 글, 영상, 인터뷰, 사용자 반응, 추천, 버전 기록, 외부 링크와 성과 수치를 한 화면에 나열하는 콘텐츠 페이지여서는 안 된다. 한 사람의 주장과 근거, 판단과 수정, 행동과 결과가 연결된 살아 있는 Evidence Graph여야 한다. 그 위에서 프로필은 기회에 따라 다르게 보일 수 있다. GTM 역할에는 시장을 발견하고 고객 반응을 만든 증거가 먼저 보인다. AI Builder를 찾는 회사에는 AI를 활용해 실제 시스템을 만들고 검증한 과정이 보인다. 초기 스타트업에는 불완전한 자원으로 문제를 풀고 방향을 수정한 기록이 드러난다. 프로필의 관점은 달라질 수 있지만 근거가 되는 증거는 바뀌지 않는다. Dynamic Profile은 기회마다 새로운 이야기를 꾸며내는 기능이 아니다. 동일한 증거를 서로 다른 질문에 맞게 정직하게 재구성하는 기능이다. Evidence Builder는 증거가 생기도록 일을 설계한다 Saywise가 증거를 발견하고 연결해 보여주는 플랫폼이라면, Evidence Builder는 그 증거가 실제 업무 속에서 만들어지고 축적되도록 설계하는 역할이다. Evidence Builder는 일이 끝난 뒤 성공 사례를 아름답게 정리하는 사람이 아니다. 프로젝트가 시작되는 순간부터 증거의 구조를 설계한다. 1. 일하기 전: 주장보다 검증 기준을 먼저 만든다 우리가 풀려는 진짜 문제는 무엇인가? 누구의 어떤 행동을 변화시키려는가? 어떤 가설을 시험하는가? 성공·실패·중단을 무엇으로 구분할 것인가? 다음 7일 안에 만들 수 있는 최소 증거는 무엇인가? 어떤 데이터를 남겨야 나중에 판단을 검증할 수 있는가? 목표를 “좋은 제품을 만든다”에서 “특정 사용자의 특정 행동을 어떤 방향으로 변화시킨다”로 바꾼다. 막연한 자신감을 현실에서 반증할 수 있는 가설로 전환한다. 2. 일하는 동안: 판단의 흔적을 남긴다 처음 선택한 방법과 근거는 무엇이었는가? 어떤 대안을 검토하고 왜 포기했는가? 어떤 제약 때문에 방향을 바꾸었는가? 사용자와 현실은 예상과 어떻게 달랐는가? AI가 만든 결과를 누가, 무엇으로 검증했는가? 실패한 시도가 다음 행동을 어떻게 바꾸었는가? 완성본만 저장하지 않고 버전 사이의 차이와 방향을 바꾼 이유를 남긴다. 판단은 최종 결과보다 변화의 궤적에서 더 잘 보이기 때문이다. 3. 일이 끝난 뒤: 결과를 관계와 영향으로 연결한다 최종적으로 무엇을 만들었는가? 누가 실제로 사용했는가? 사용자의 행동이 어떻게 달라졌는가? 어떤 수치와 피드백이 그 변화를 보여주는가? 개인의 실제 기여를 누가 확인할 수 있는가? 다음 프로젝트에 재사용할 수 있는 원리는 무엇인가? 이 과정을 통해 경험은 기억에서 기록으로, 기록은 증거로, 증거는 평판으로 전환된다. flowchart TD A["문제와 제약"] --> B["가설과 기준"] B --> C["행동과 실험"] C --> D["신호와 수정"] D --> E["결과와 영향"] E --> F["외부 검증"] F --> G["누적되는 신뢰"] Evidence Builder는 이 연결고리가 끊어지지 않게 만드는 사람이다. AI Content Coach는 Evidence Coach가 되어야 한다 AI는 영상 대본, 프로젝트 설명, 회고문과 전문적인 글을 얼마든지 생성한다. 따라서 Saywise가 단순히 더 많은 콘텐츠를 올리는 플랫폼이 된다면, 기존 이력서의 문제를 더 화려한 형식으로 반복할 위험이 있다. 텍스트로 하던 자기 포장을 영상과 이미지로 바꾸는 것만으로는 Resume 2.0이 되지 않는다. 필요한 것은 콘텐츠의 양이 아니라 증거의 밀도다. 주장에는 근거가 연결되어야 한다. 성과에는 출처와 기준선이 있어야 한다. 프로젝트에는 실제 산출물과 버전 기록이 있어야 한다. 숫자에는 기간, 분모와 맥락이 설명되어야 한다. 추천에는 함께 수행한 구체적인 일이 포함되어야 한다. AI가 만든 표현과 사람이 내린 판단을 구분할 수 있어야 한다. 결과에는 수정의 시간과 반대 증거도 남아야 한다. 따라서 AI가 Saywise에서 해야 할 가장 중요한 일은 사용자를 더 그럴듯하게 표현하는 것이 아니다. 증거가 부족한 지점을 찾아 현실에서 수행할 다음 행동을 제안하는 것이다. 이 성과에서 당신의 구체적인 기여가 보이지 않습니다. 사용자의 실제 반응을 확인할 자료가 없습니다. 첫 번째 시도와 최종 결과의 차이가 설명되지 않았습니다. 왜 이 선택을 했는지 판단 근거가 빠져 있습니다. 이 주장을 확인할 협업자의 증언이 필요합니다. 아직 결과가 없다면 작은 실험으로 가설을 검증해 보세요. 다음 7일 안에 만들 수 있는 최소 증거는 무엇입니까? 이때 AI Content Coach는 Evidence Coach가 된다. 프로필의 빈칸을 말로 채우지 않고, 사용자가 현실에서 그 빈칸을 채우도록 돕는다. AI가 프로필을 완성하는 것이 아니라, 사용자가 증거를 완성하도록 도와야 한다. 노스토스: 귀환은 장소가 아니라 성숙과 화해다 노스토스는 단순히 고향으로 돌아가는 지리적 이동이 아니다. 가족과 관계를 회복하고, 자신이 저지른 일과 잃어버린 것들을 짊어진 채, 이전과 다른 판단을 할 수 있는 인간으로 돌아오는 과정이다. 젊은 오디세우스는 키클롭스의 동굴에서 자신을 드러내지 못해 안달한다. 귀환한 오디세우스는 거지로 변장한 채 먼저 관찰한다. 초기의 그는 환대를 권리처럼 요구하지만, 후반의 그는 자신이 어떤 대우를 받는지 견디며 타인의 행동을 확인한다. 힘이 사라진 것이 아니다. 힘의 방향과 사용 방식이 달라졌다. 호메로스의 이야기에서 귀환 이후에도 오디세우스의 사명은 끝나지 않는다. 그는 자신이 수많은 파도를 헤쳐온 노를 들고 바다를 모르는 내륙으로 가야 한다. 사람들이 그 노를 곡식을 까부르는 키로 알아보는 곳에 이르면, 그 노를 땅에 세우고 포세이돈과 화해해야 한다. 이 장면은 Evidence Builder의 마지막 목적을 다시 생각하게 한다. 증거를 축적하는 이유는 끝없이 자신을 판매하기 위해서가 아니다. 자신이 지나온 고난과 판단을 정직하게 이해하고, 영향을 받은 사람들과 관계를 회복하며, 다음 사람이 더 나은 결정을 내릴 수 있도록 경험을 공공의 지식으로 남기기 위해서다. 노는 항해 중에는 생존의 도구다. 항해가 끝난 뒤에는 지나온 운명의 증거가 된다. 그리고 마침내 땅에 꽂힐 때, 그것은 정복의 무기가 아니라 화해의 표지가 된다. 가장 성숙한 증거는 “내가 이겼다”는 증명이 아니라, “나는 이 일을 통과하며 이렇게 달라졌고 그 결과를 책임진다”는 기록이다. Saywise는 페이지가 아니라 신뢰의 인프라다 이 관점에서 Saywise가 만드는 것은 더 세련된 프로필 페이지가 아니다. 세 가지를 연결하는 신뢰의 인프라다. 개인에게: 배경보다 실제 능력으로 발견될 기회 좋은 일을 했지만 표현하지 못해 발견되지 않던 사람, 유명한 회사와 학력이 없지만 실제 문제를 풀어온 사람, 직함보다 훨씬 큰 책임을 감당해온 사람이 자신의 능력을 증명할 수 있게 한다. 기업에게: 키워드보다 더 나은 판단 근거 지원자의 자기소개만 읽는 대신 실제 프로젝트, 제약, 판단, 실험, 수정, 결과와 협업자의 검증을 확인하게 한다. 인터뷰 전에 더 깊은 맥락을 이해하고 더 중요한 질문을 할 수 있게 한다. 시장에게: 시간이 지날수록 정확해지는 신뢰 하나의 프로젝트에서 만들어진 증거가 다음 기회에서 사라지지 않는다. 경험이 쌓일수록 증거가 연결되고, 증거가 연결될수록 평판의 정확도가 높아진다. 기존 이력서는 기회가 생길 때마다 과거를 다시 요약한다. Saywise는 일을 하는 동안 증거가 축적되고, 필요할 때 그 증거로부터 적절한 프로필이 생성되는 구조를 만든다. 이력서는 과거를 압축한다. Saywise는 능력이 형성되는 과정을 축적한다. 그 차이가 Resume 2.0과 새로운 신뢰 인프라를 구분한다. 바다는 같지만, 이제 노를 저은 흔적이 남는다 AI 시대에도 바다는 사라지지 않는다. 불확실성은 남아 있고 실패는 계속되며 중요한 결정에는 완벽한 답이 없다. AI가 수많은 항로를 제안해도 어느 길을 선택하고 어떤 위험을 감당할지는 인간이 결정해야 한다. Evidence Builder는 대신 노를 저어주는 사람이 아니다. 어디로 가려는지 분명히 하고, 한 번의 노질이 어떤 가설을 검증하는지 설계하며, 항로를 바꾼 이유와 폭풍을 통과한 흔적이 사라지지 않게 만든다. Saywise는 그 흔적을 발견한다. 맥락을 연결한다. 타인이 검증할 수 있게 보여준다. 그리고 시간이 지날수록 신뢰로 축적한다. 오디세우스의 위대함을 “끝까지 포기하지 않았다”는 문장으로만 남기면 우리는 그를 제대로 이해할 수 없다. 우리가 보아야 하는 것은 그가 탄 배다. 그가 놓친 신호다. 그가 발휘한 메티스와 그 뒤에 따라온 휘브리스다. 그 판단으로 희생된 사람들이다. 배가 부서진 뒤 무엇을 다시 만들었는가다. 같은 상황에서 어떻게 다른 선택을 했는가다. 그리고 마지막에는 누가 그 변화를 확인할 수 있는가다. 그 모든 것이 연결될 때 비로소 한 사람이 보인다. Saywise는 영웅담을 저장하는 곳이 아니다. 인간이 현실과 싸우며 남긴 판단과 변화의 증거를 축적하는 곳이다. Evidence Builder는 사람을 더 그럴듯하게 보이게 만드는 사람이 아니다. 그 사람의 능력이 현실에서 실제 증거가 되도록 일을 설계하는 사람이다. 말이 공짜가 되면 증거가 화폐가 된다. 그리고 증거가 지속적으로 발견되고, 만들어지고, 검증되고, 축적될 수 있다면 Saywise는 더 좋은 이력서 서비스를 넘어설 수 있다. 그때 Resume 2.0은 새로운 디자인의 문서가 아니다. 누구를 믿을 것인가를 판단하는 새로운 인프라다. 바다는 여전히 아무것도 약속하지 않는다. 하지만 이제 우리가 확인할 수 있는 것이 있다. 그 사람이 정말 노를 저었는가. 폭풍 앞에서 어떤 판단을 내렸는가. 자신의 휘브리스를 인정하고 메티스를 수정했는가. 배가 부서진 뒤 무엇을 다시 만들었는가. 그 항해는 다른 사람과 세상에 어떤 변화를 남겼는가. 그리고 항해가 끝난 뒤, 자신의 노를 어디에 꽂았는가. 그것이 AI 시대에 사람이 사람을 믿게 만드는 새로운 증거다. #세이와이즈 #에비던스빌더 #증거그래프 #증거기반프로필 #검증가능한성과 #이력서의미래 #신뢰인프라 #AI시대 #인간의판단 #미래의일 #오디세이아 #오디세우스 #노스토스 #메티스 #운명애 참고 자료 김상근, 「보는 사람마다 의견 갈린다는 ≪오디세이≫ 논란의 장면 해석」 영상 및 제공된 대본 Homer, The Odyssey

When words go free, evidence becomes currency Why Saywise needs capital now. Not to build a nicer résumé product — but to define, while the question is still unowned, what we will accept as proof that a person can actually do the work. Hanjong Lee · Evidence Builder · 2026 EVIDENCE證NOT CLAIMS Saywise doesn't need money because it's running out of money. It's running out of time. The core argument 90-second read · The whole thesis in five lines AI lets anyone produce a polished résumé. Hiring therefore needs artifacts, judgment, iteration, and outside confirmation—not better claims. Saywise gives that evidence a consistent structure that can be read and compared. Every successful hire reveals which evidence predicts real ability, creating proprietary data. The round buys time to establish that standard and dataset before a larger platform does. 01Devaluation AI didn't make résumés better. It hyperinflated them Until about 2019, writing a good résumé was a skill. Structuring a career, picking the right verbs, compressing an outcome into one credible line. Today it's one prompt. "Turn my background into a résumé for a Silicon Valley startup." Three seconds later, the sentences are good. That's the problem. Everyone looks excellent now. Everyone is AI-driven. Everyone is strategic. Everyone delivered 10x impact. When Zimbabwe printed the hundred-trillion-dollar note, nobody got rich. The notes didn't become common — the idea of a note stopped meaning anything. That is exactly what AI did to the self-description. Cost of producing a CLAIM → 0 Cost of VERIFYING that claim → rising ────────────────────────────────────── The gap = the market So the hiring question drops one level. Not "what did this person do," but "what did they actually build, where did it break, and who can confirm it." In plain English Anyone can sound capable now. Employers will pay for experience they can verify, not language that merely sounds good. 01 · Claim inflationWords are abundant. Evidence is scarce. 02Lemons The best people already left the open market In 1970 George Akerlof published “The Market for Lemons,” using used cars to explain information asymmetry; that research was later recognized by the Nobel Prize. The logic is brutally simple: if buyers can't tell a good car from a bad one, the price collapses to the average. Owners of good cars refuse that price and exit. What's left on the lot is lemons. That is the hiring market right now. The résumé of someone genuinely excellent and the résumé of someone imitating excellence are now equally polished. If you can't tell them apart, you can't pay a premium for the real one. And if there's no premium, the real one stops showing up. So where did the strong people go? Into referral — a private market. A friend of a friend. A Slack DM. One line: "she's the real thing." That isn't a market, it's private credit. It's slow, it's narrow, and it only works if you're already connected. There is exactly one fix for a lemon market: make the difference visible. That's the supply-side opening. Build a market where only people with evidence come out ahead, and the strong candidates come back. They were never looking for a place to boast. They were looking for a place to be distinguishable. 03Signaling A signal is only a signal if faking it is expensive Michael Spence's insight: something works as a signal because it is cheap for the real thing and expensive for the imitation. The moment that cost asymmetry collapses, the signal becomes decoration. Degrees worked that way. Titles worked that way. So did a beautifully structured four-page CV. All of them used to be expensive. None of them are now. Once the peacock's tail can be printed on demand, the peahen starts looking at something else. Which rewrites the question: What is still cheap for someone who actually did the work, and still expensive for someone who didn't? Not the success story. The process, the failures, the specificity, and the third party. A liar can imagine a win. A liar cannot imagine a failure in detail. Why v1 died. Where the model was confidently wrong. Which screen users quietly abandoned. Only the person who lived it has that texture. 04Anatomy Evidence isn't a vibe. It's a schema "Evidence-based" is easy to say and hard to ship. To become a product it needs structure. One project, decomposed into seven layers. On the right: what it would cost a faker to forge that layer. LayerCost to fake ProblemWhat were you trying to solve ★☆☆☆☆ ArtifactThe thing that exists — or doesn't ★★★☆☆ AI StackWhich models and tools, used where ★★☆☆☆ JudgmentWhere you caught the model being confidently wrong ★★★★☆ IterationWhy v1 died and what you threw away ★★★★☆ OutcomeWhat changed, and by how much ★★★☆☆ ValidationWho puts their name on it ★★★★★ The ranking is the point. Judgment and Iteration are the hardest to fabricate, and Validation requires an accomplice. Which means the design goal of an evidence system isn't a prettier profile. It's keeping the cost of forgery deliberately high. Stack that across thousands of people and Saywise stops being a profile site. It becomes an Evidence Graph. In plain English Evidence is not one impressive success line. It is a connected record of what you built, where it failed, what you changed, and who can confirm it. 05A vs B Same claim, two materials Two candidates. Both say they're AI-native builders. One brings a claim. The other brings evidence. Switch between them. Candidate A — ClaimCandidate B — Evidence “I'm an AI-native product builder. Data-driven, fast-moving, consistently delivering 10x impact.” Six seconds to read. Three seconds to generate. Impossible to disprove — and impossible to confirm. 3 seconds to produce · 0% verifiable · zero discriminating power A takes three seconds. B takes eleven weeks. Hiring is the act of buying that difference. And right now, no product exists to hold it. 02 · Claim versus evidenceProcess separates two identical-looking candidates. 06Three questions LinkedIn owns who you know. GitHub owns what you committed. One question is left LinkedIn's asset was never the profile page — it was the graph between people. GitHub's asset was never the repo — it was the trace of work. Both are formidable. Neither captures judgment. LinkedIn Who do you know? GitHub What code did you write? Saywise What can you actually do? And these days the model mows the green grass too. The commit graph is inflating as well. The blurrier the authorship of code becomes, the more "why did you decide that" is the only remaining differentiator. Most knowledge work never reaches a repo at all. Strategy memos, customer interviews, pricing experiments, org design — for that entire surface, no standard for proof of work exists yet. 07Density The number that matters more than 10,000 signups I'm not very interested in showing an investor "10,000 users." It's a fine number, but it's traffic. This is the number I want to see. 1,000verified AI builders 200hiring startups 600qualified matches 180real conversations 70interviews 25hires The first number shows traffic. The second shows a marketplace that works. If Saywise sells evidence, Saywise has to grow on evidence. And the funnel produces the real asset Run that loop a few times and you own a dataset nobody else has: which kinds of evidence actually produced interviews. What's the interview conversion rate for profiles with a written Judgment layer? How much does third-party validation lift it? Do people who document their failures get punished — or rewarded? No company on earth can answer those questions today. That's the moat. Features get cloned over a weekend. This takes three years. In plain English Signups are less important than hires. Each hire teaches Saywise which evidence predicts ability, and that learning becomes the moat. 03 · Evidence anatomyIndividual records accumulate into an Evidence Graph. 08The schema The next reader isn't human GIA doesn't sell diamonds; it sells the grading standard. FICO doesn't lend money; it owns the definition of creditworthy. ISBN never wrote a book, yet every book carries the number. The companies that owned the standard outlasted the companies that owned the inventory. Hiring is heading somewhere like this. A founder tells an agent: "find me a product engineer who's worked pre-Series A, shipped something real with Claude Code, and talks to customers directly." On the other side, the candidate's agent is working too: "five early AI startups where my experience fits and I'd grow fastest." A beautiful PDF résumé is a format for human eyes. The next reader isn't human. An agent-to-agent market doesn't need prose. It needs machine-readable structured evidence — and whoever defines that structure decides the market. The position worth taking isn't participant in the talent market. It's the unit of account for it. 09Buying time The money buys market time, not engineering time The standard answer to "what will you do with the round" is: hire engineers, deepen the product, expand marketing. I'd put it differently. We're using this money to buy time in the market. Features are not a moat. AI profiles? Buildable. AI matching? Buildable. AI interviews? Buildable. Portfolio generator? Also buildable. In 2026, a feature is a weekend project. What can't be copied is accumulation: the projects people actually logged, the evidence around them, the endorsements between them, and the record of which evidence converted into a hire. Money can't manufacture that overnight. But paradoxically, money can start the accumulation earlier. The window isn't wide The competition isn't only other small startups. LinkedIn and ATS vendors can move, and large AI platforms can enter hiring. More importantly, the AI-native talent cohort is forming right now, and nobody has classified it yet. Once that cohort settles somewhere, switching costs appear. Today there are none. In plain English The capital is not for one more feature. It buys a head start in accumulating talent, evidence, and hiring outcomes before anyone else. 04 · Buying market timeCapital moves the starting point of accumulation forward. 10Bear case Four ways this argument could be wrong An essay about evidence that hides its own weak points is just another claim. Here are the four paths to failure. Risk 01 What if the evidence is generated too? The most realistic threat. A convincing failure story and a plausible judgment narrative can also be written by a model. The defense isn't the prose — it's the linkage. Timestamps, live artifacts, a named third party, numbers that can be falsified later. Credibility should be scored not by how well something is written but by how many external points it's anchored to. Risk 02 The two-sided cold start No candidates, no companies. No companies, no reason to build evidence. The answer isn't scale, it's narrowness. One role, one cohort, one city. A thousand AI builders and a hundred early startups. The smaller the market looks, the sooner density appears. Risk 03 Who pays the verification cost? Evidence takes time to read. Any product whose pitch to a hiring manager is "please read more" is dead on arrival. Verification has to become the product. One-click confirmation, machine-side summarization, humans doing only the judging. Not a product that increases the volume of evidence — one that reduces the time to a decision. Risk 04 What if LinkedIn ships this tomorrow? The distribution gap is enormous. No point pretending otherwise. But LinkedIn can't easily contradict its own graph. The biggest beneficiary of profile inflation is the least likely to devalue profiles. The innovator's dilemma still holds — just not forever. Which is the whole argument for now. 11The ladder So what is Saywise actually selling? At first it looks like one thing. Then another. At the top of the ladder, the definition of the market has changed. Resume 2.0 Living Professional Identity Proof of Work Evidence Graph AI-native Talent Discovery Hiring Marketplace Agent-to-Agent Talent Market Professional Evidence Infrastructure Get to the top rung and the competitor set isn't résumé startups anymore. It's the professional identity infrastructure of the AI economy. In one sentence: Saywise is not a résumé company. It is building the standard for proof. The cheaper AI makes words, the more valuable a reliable standard of ability becomes. Saywise connects artifacts, judgment, iteration, outcomes, and third-party confirmation so that real capability becomes visible. The reason to invest now is equally simple: not to ship one more feature, but to accumulate AI-native talent, professional evidence, and real hiring outcomes before anyone else. This is therefore not a bet on a better résumé product. It is a bet that Saywise can use this window to define the still-unowned market for Professional Evidence.

말이 공짜가 되면, 증거가 화폐가 된다 Saywise에 왜 투자가 필요한가. 더 좋은 이력서 서비스를 만들기 위해서가 아니다. AI 시대에 사람의 능력을 무엇으로 믿을 것인가라는 기준을, 아직 주인이 없을 때 정의하기 위해서다. 이한종 · Evidence Builder · 2026 증거 우선證CLAIM ≠ PROOF Saywise에 투자가 필요한 이유는 돈이 부족해서가 아니라, 시간이 부족하기 때문이다. The core argument AI는 이력서를 잘 쓰게 만든 게 아니다. 이력서를 초인플레이션 시켰다 2019년까지만 해도 이력서를 잘 쓰는 것은 하나의 능력이었다. 경력을 구조화하고, 동사를 고르고, 성과를 한 줄로 압축하는 훈련된 기술. 지금은 프롬프트 한 줄이다. “내 경력을 실리콘밸리 스타트업에 맞는 이력서로 만들어줘.” 3초 뒤, 꽤 훌륭한 문장이 나온다. 문제는 여기서 시작된다. 모두가 훌륭해 보인다. 모두가 AI-driven이고, 모두가 strategic이며, 모두가 10x impact를 만들었다. 짐바브웨가 100조 달러 지폐를 찍었을 때 시민들이 부자가 되지는 않았다. 지폐가 흔해진 게 아니라, 지폐라는 것이 의미를 잃었다. AI가 자기소개 문장에 한 일이 정확히 그것이다. 주장(Claim)의 생산비용 → 0 검증(Verification)의 비용 → 상승 ───────────────────────────── 그 격차 = 시장 기회 그래서 채용 담당자의 질문이 한 단계 내려간다. “이 사람은 무엇을 했는가”가 아니라, “그래서 실제로 무엇을 만들었고, 어디서 틀렸고, 누가 그걸 확인해줄 수 있는가.” 쉽게 말하면 AI로 누구나 그럴듯하게 말할 수 있다. 이제 회사가 돈을 내는 것은 말이 아니라, 확인 가능한 실제 경험이다. 01 · Claim inflation말은 넘치고, 증거는 희소해진다 02레몬 시장 지금 최고의 인재는 공개 시장에 없다 1970년 조지 애컬로프는 중고차 시장을 예로 들어 정보 비대칭을 설명한 ‘레몬 시장’ 논문을 발표했고, 훗날 이 연구로 노벨경제학상을 받았다. 논리는 단순하다. 사는 사람이 좋은 차와 나쁜 차를 구분할 수 없으면 가격은 평균으로 내려간다. 그러면 좋은 차 주인은 손해를 보고 시장을 떠난다. 남는 건 레몬(불량품)뿐이다. 채용 시장에서 지금 벌어지는 일이 이것이다. 진짜 실력자의 이력서와, 실력을 흉내 낸 사람의 이력서가 이제 똑같이 훌륭하다. 구분이 안 되면 시장은 실력자에게 프리미엄을 주지 못한다. 프리미엄이 없으면 실력자는 공개 시장에 나오지 않는다. 그래서 정말 좋은 사람들은 어디에 있나? 레퍼럴이라는 비공개 시장에 있다. 지인의 지인. 슬랙 DM. “그 친구 진짜 잘해요”라는 한마디. 이건 열린 시장이 아니라 사설 신용거래다. 느리고, 좁고, 인맥이 있는 사람에게만 유리하다. 레몬 시장을 고치는 방법은 하나뿐이다. 구분을 가능하게 만드는 것. Saywise의 공급 측 기회는 여기 있다. “증거를 가진 사람만 이득을 보는 시장”을 만들면, 떠났던 실력자가 돌아온다. 실력자는 자랑을 원하는 게 아니라, 구분되기를 원한다. 03신호 이론 신호는 가짜에게 비쌀 때만 신호다 마이클 스펜스의 통찰은 이랬다. 어떤 것이 신호로 작동하는 이유는 그것이 진짜인 사람에게는 싸고, 가짜인 사람에게는 비싸기 때문이다. 이 비용 비대칭이 무너지는 순간, 신호는 그냥 장식이 된다. 학위가 그랬고, 명함이 그랬고, 잘 정돈된 4페이지 이력서가 그랬다. 한때는 전부 비쌌다. 지금은 아니다. 공작의 꼬리가 프린터로 출력 가능해지는 순간, 암컷은 다른 걸 보기 시작한다. 그러면 질문은 이렇게 다시 쓰인다. 실제로 해본 사람에게는 싸고, 안 해본 사람에게는 여전히 비싼 것은 무엇인가? 답은 성공담이 아니다. 과정, 실패, 구체성, 그리고 제3자다. 거짓말은 성공을 상상할 수는 있어도, 실패를 구체적으로 상상하지는 못한다. v1이 왜 죽었는지, AI가 어디서 그럴듯하게 틀렸는지, 사용자가 어떤 지점에서 이탈했는지 — 이건 겪은 사람만 아는 디테일이다. 04증거의 해부 증거는 감정이 아니라 구조다 “증거 기반”이라는 말은 쉽지만, 제품이 되려면 스키마가 있어야 한다. 하나의 프로젝트를 이렇게 일곱 층으로 분해할 수 있다. 오른쪽은 가짜가 그 층을 위조하려면 치러야 하는 비용이다. Layer위조 난이도 Problem무엇을 해결하려 했는가 ★☆☆☆☆ Artifact실제로 만들어진 것 — 있거나, 없거나 ★★★☆☆ AI Stack어떤 모델과 도구를 어디에 썼는가 ★★☆☆☆ JudgmentAI가 그럴듯하게 틀린 지점을 어디서 잡아냈는가 ★★★★☆ Iterationv1은 왜 죽었고, 무엇을 버렸는가 ★★★★☆ Outcome무엇이, 얼마나 달라졌는가 ★★★☆☆ Validation누가 이름을 걸고 확인해주는가 ★★★★★ 이 표에서 중요한 건 순서다. Judgment와 Iteration이 가장 위조하기 어렵고, Validation은 위조에 공범이 필요하다. 즉 증거 시스템의 설계 목표는 “좋아 보이는 프로필”이 아니라, 위조 비용을 인위적으로 높게 유지하는 것이다. 이게 수천 명, 수만 명에게 쌓이면 Saywise는 더 이상 프로필 사이트가 아니다. Evidence Graph가 된다. 쉽게 말하면 증거는 멋진 성공담 한 줄이 아니다. 무엇을 만들었고, 어디서 틀렸고, 무엇을 바꿨으며, 누가 확인했는지가 함께 묶인 기록이다. 05A와 B 같은 사람, 두 개의 재료 두 후보가 있다. 둘 다 자기가 AI-native 빌더라고 말한다. 한 명은 주장을 갖고 있고, 다른 한 명은 증거를 갖고 있다. 탭을 눌러보면 차이가 보인다. 후보 A — 주장후보 B — 증거 “저는 AI-native 프로덕트 빌더입니다. 데이터 기반으로 사고하고, 빠르게 실행하며, 10x 임팩트를 만듭니다.” 읽는 데 6초. 만드는 데 3초. 반박할 수도, 확인할 수도 없다. 생산 시간 3초 · 검증 가능성 0% · 변별력 없음 A는 3초 만에 만들 수 있고, B는 11주가 걸린다. 채용이란 결국 그 차이를 사는 일이다. 그리고 지금 시장에는 그 차이를 담을 그릇이 없다. 02 · Claim versus evidence같아 보이는 두 후보를 과정이 구분한다 06세 개의 질문 LinkedIn은 관계를, GitHub은 커밋을 가졌다. 남은 질문은 하나다 LinkedIn의 자산은 프로필 화면이 아니라 사람과 사람 사이의 그래프였다. GitHub의 자산은 코드 저장소가 아니라 작업의 흔적이었다. 둘 다 대단하다. 그런데 둘 다 ‘판단’은 담지 못한다. LinkedIn 누구를 아는가 GitHub 무슨 코드를 짰는가 Saywise 실제로 무엇을 할 수 있는가 게다가 GitHub의 초록색 잔디도 이제 AI가 깎아준다. 커밋 그래프 역시 인플레이션 중이다. 코드가 누구 손에서 나왔는지가 흐려질수록, “왜 그렇게 결정했는가”가 유일하게 남는 변별점이 된다. 지식노동자의 결과물 대부분은 애초에 GitHub에 올라가지도 않는다. 전략 문서, 고객 인터뷰, 가격 실험, 조직 설계 — 이 영역에는 아직 작업 증명(proof of work)의 표준 자체가 없다. 07밀도 가입자 10,000명보다 중요한 숫자 투자자에게 “가입자 10,000명”을 보여주는 데는 큰 관심이 없다. 좋은 숫자지만, 그건 트래픽이다. 나는 이 숫자를 보고 싶다. 1,000검증된 AI 빌더 200채용 중인 스타트업 600적격 매칭 180실제 대화 70인터뷰 25채용 성사 첫 번째 숫자는 트래픽을 보여준다. 두 번째 숫자는 시장이 작동한다는 증거를 보여준다. Saywise가 Evidence를 이야기한다면, Saywise 자신도 Evidence로 성장해야 한다. 그리고 이 퍼널에서 진짜 자산이 나온다 이 과정을 몇 번만 돌리면 세상 어디에도 없는 데이터가 생긴다. 어떤 종류의 증거가 인터뷰를 만들었는가. Judgment 서술이 있는 프로필의 인터뷰 전환율은? 제3자 검증이 붙었을 때 얼마나 올라가는가? 실패 기록을 쓴 사람은 손해를 보는가, 이득을 보는가? 이 질문에 답할 수 있는 회사는 아직 하나도 없다. 그게 해자다. 기능은 주말이면 복제되지만, 이 데이터는 3년이 걸린다. 쉽게 말하면 가입자 수보다 중요한 것은 실제 채용이다. 채용이 반복될수록 어떤 증거가 실력을 예측하는지 알게 되고, 그 데이터가 Saywise의 해자가 된다. 03 · Evidence anatomy하나의 기록이 쌓여 Evidence Graph가 된다 08스키마 다음 독자는 사람이 아니다 GIA는 다이아몬드를 팔지 않는다. 등급 기준을 판다. FICO는 돈을 빌려주지 않는다. 신용의 정의를 소유한다. ISBN은 책을 쓰지 않았다. 그런데 세상의 모든 책이 그 번호를 단다. 물건을 판 회사보다, 기준을 소유한 회사가 오래 남았다. 곧 채용은 이렇게 움직일 가능성이 높다. 창업자가 에이전트에게 말한다. “시리즈 A 이전 스타트업 경험이 있고, Claude Code로 실제 제품을 출시해봤고, 고객과 직접 대화해본 product engineer를 찾아줘.” 반대편에서 후보자의 에이전트도 움직인다. “내 경험과 맞으면서 크게 성장할 초기 AI 스타트업 다섯 곳.” 예쁜 PDF 이력서는 인간의 눈을 위한 포맷이다. 다음 독자는 인간이 아니다. Agent ↔ Agent 시장에서 필요한 것은 문장이 아니라 기계가 읽을 수 있는 구조화된 증거다. 그리고 그 구조를 누가 정의하느냐가 이 시장의 최종 질문이다. Saywise가 노릴 자리는 인재 시장의 참가자가 아니라, 인재 시장의 계량 단위다. 09시간을 산다 투자금으로 사려는 것은 개발 시간이 아니라 시장 시간이다 투자를 받으면 보통 이렇게 말한다. 엔지니어를 더 뽑겠습니다. 제품을 고도화하겠습니다. 마케팅을 확대하겠습니다. 나는 조금 다르게 말하고 싶다. 우리는 이 돈으로 시장의 시간을 사려고 합니다. 기능은 해자가 되지 않는다. AI 프로필? 만들 수 있다. AI 매칭? 만들 수 있다. AI 인터뷰? 만들 수 있다. 포트폴리오 생성기? 그것도 만들 수 있다. 2026년에 기능은 주말 프로젝트다. 복제되지 않는 것은 축적이다. 사람들이 실제로 쌓아둔 프로젝트, 그 과정의 증거, 서로의 검증, 그리고 어떤 증거가 실제 채용으로 이어졌는지에 대한 이력. 이건 돈으로 하루아침에 만들 수 없다. 그런데 역설적으로, 돈이 있으면 그 축적의 시작을 앞당길 수는 있다. 창이 열려 있는 기간은 길지 않다 경쟁자는 다른 작은 스타트업만이 아니다. LinkedIn과 ATS 회사가 움직일 수 있고, 대형 AI 플랫폼도 채용 시장으로 들어올 수 있다. 무엇보다 AI-native 인재라는 코호트가 지금 막 형성되고 있고, 아직 아무도 이들을 분류하지 않았다. 이 코호트가 어딘가에 정착하고 나면, 이주 비용이 생긴다. 지금은 없다. 쉽게 말하면 투자금은 기능을 하나 더 만드는 돈이 아니다. 실력자와 그들의 증거, 그리고 실제 채용 데이터를 남보다 먼저 모으는 시간을 사는 돈이다. 04 · Buying market time기능이 아니라 축적의 출발점을 앞당긴다 10반대 논리 이 논리가 틀릴 수 있는 네 가지 방법 증거를 이야기하는 글이 자기 주장의 약점을 숨기면 그건 그냥 또 하나의 Claim이다. 이 논리가 실패하는 경로는 네 개다. Risk 01 증거도 AI가 만들면 어떡하나 가장 현실적인 위협이다. 그럴듯한 실패담과 판단 서사도 결국 생성될 수 있다. 방어선은 서술이 아니라 연결이다. 타임스탬프, 실제 산출물 링크, 이름을 건 제3자, 그리고 사후에 반증 가능한 수치. 증거의 신뢰도는 “얼마나 잘 쓰였나”가 아니라 “얼마나 많은 외부 지점에 걸려 있나”로 계산돼야 한다. Risk 02 양면 시장의 저주 — 콜드 스타트 후보가 없으면 회사가 안 오고, 회사가 없으면 후보가 증거를 쌓을 이유가 없다. 해법은 규모가 아니라 좁힘이다. 하나의 직군, 하나의 코호트, 하나의 도시. AI 빌더 1,000명과 초기 스타트업 100곳. 시장이 작아 보일수록 밀도가 먼저 생긴다. Risk 03 검증 비용은 누가 내는가 증거는 읽는 데 시간이 든다. 채용 담당자에게 “더 많이 읽으세요”라고 요구하는 제품은 실패한다. 검증 자체를 제품화해야 한다. 확인은 1클릭, 요약은 기계가, 사람은 판단만. 증거의 양을 늘리는 제품이 아니라, 판단에 드는 시간을 줄이는 제품이어야 한다. Risk 04 LinkedIn이 내일 이걸 붙이면 유통망 차이는 압도적이다. 이건 부인할 수 없다. 다만 LinkedIn은 자기 그래프를 부정하기 어렵다. 프로필 인플레이션의 최대 수혜자가 프로필의 가치를 스스로 깎는 결정을 내리기는 어렵다. 혁신가의 딜레마는 여전히 유효하다 — 다만 영원하지는 않다. 그래서 지금이다. 11사다리 Saywise는 결국 무엇을 파는 회사인가 처음에는 이렇게 보인다. 다음에는 이렇게 보인다. 끝까지 가면 시장의 정의 자체가 달라진다. Resume 2.0 Living Professional Identity Proof of Work Evidence Graph AI-native Talent Discovery Hiring Marketplace Agent-to-Agent Talent Market Professional Evidence Infrastructure 이 사다리의 마지막 칸까지 간다면, Saywise의 경쟁 상대는 더 이상 이력서 스타트업이 아니다. AI 경제의 직업적 정체성 인프라다. 한 문장으로 정리하면, Saywise는 이력서 회사가 아니라 증명의 기준을 만드는 회사다. AI가 말을 싸게 만들수록, 실제로 무엇을 할 수 있는지 보여주는 기준은 더 중요해진다. Saywise는 산출물, 판단, 수정 과정, 결과, 제3자 확인을 하나의 구조로 묶어 사람의 능력을 확인할 수 있게 만든다. 지금 투자해야 하는 이유도 단순하다. 기능을 하나 더 만들기 위해서가 아니라, AI-native 인재와 그들의 증거, 그리고 실제 채용 결과를 경쟁자보다 먼저 축적하기 위해서다. 따라서 이번 투자는 이력서 서비스에 대한 베팅이 아니다. 아직 주인이 없는 ‘Professional Evidence’ 시장을 Saywise가 먼저 정의할 수 있는 시간에 대한 베팅이다.

What the Jony Ive and Sam Altman conversation leaves us with — before we build anything, how do human beings actually express themselves and relate? Built on the conversation between Jony Ive and Sam Altman, hosted by Laurene Powell Jobs at Emerson Collective Demo Day 2025. Their remarks are restated in substance, not quoted. 01 The order of the questions decides the fate of the product Conversations about AI usually begin with the technology. How powerful will the model get, how much will agents take over, what shape will the next device take. What the two men on that stage actually did was invert the order. Laurene Powell Jobs described their meeting not as the birth of a product or a plan but as an alignment of intention. They did not open with “what product is native to AI.” They looked first at the relationship between people and nature, people and animals, people and each other. They studied what intelligence is, how tools have evolved, what we are willing to call a value. Read as a romantic gesture, this misses the point. The order of questions is not a matter of taste. It is structure, because a question fixes the range of answers before any answer arrives. Start from “what feature should we add” and you will ship a product with more features. Ask “how do we increase time spent” and human attention becomes a number to be optimized. Begin instead from “how do people remember, express themselves, and attend to one another,” and the place technology occupies changes entirely. Same team, same budget, same stack — a different opening question builds a different world. 02 The courage to delay the answer, and the inevitability that arrives late For Ive, an overly defined destination is not an aid to creation but a narrowing of the field. Once the endpoint is fixed, you sprint toward it without ever learning what you passed. What he named as the foundation of the work was not certainty but an appetite for inquiry that never quite fills. He and Altman connected quickly, he says, because the desire to learn ran stronger in both of them than the desire to be right. Curiosity here is not permissiveness. It is the discipline of holding a fragile, intuitive question inside a rigorous structure of research. His team spent months producing thick volumes on the history of form, the design of cameras, the way human relationships have shifted. None of it connected to a product yet. Then the first prototypes appeared and the loose threads locked into a single shape. To anyone meeting only the finished object, it looks as though it could never have been otherwise. The philosopher of technology Gilbert Simondon called this concretization. An immature technical object is abstract: a separate part bolted on for every function. A mature one lets a single element serve several functions at once until the interior becomes self-coherent. At that moment the thing stops looking invented and starts looking found. The essential point is that the inevitability was not there at the start. It is manufactured after the fact, by tolerating uncertainty long enough to filter out a great many wrong possibilities. Good design looks natural not because the process was simple, but because it absorbed the complexity on your behalf. 03 The structure of human expression includes silence Expression does not live only in speech and text. We disclose ourselves through gaze and gesture, distance and silence, choice and hesitation. Listening without interrupting, setting a device down while someone is with you, deciding what to record and what to leave to memory — all of it is expression. Ive notes that a healthy relationship is not defined by the volume of words exchanged. There is a silence you keep because you are genuinely curious what the other person will say, and that silence, socially awkward in one setting, is an expression of trust in another. This has a direct design consequence. Silence is not the absence of expression but the ground against which expression becomes visible. Remove the ground and the figure disappears with it. An interface that fills every gap looks generous; what it is actually doing is repossessing the space in which a person forms their own thought. Tools have always been rewriting this structure. The camera changed how we keep memory. The telephone extended the range of a voice. The smartphone gathered recording, communication, and discovery into one surface — and held our eyes and hands inside a small rectangle. Social media let almost anyone broadcast, and translated expression into the grammar of reactions and metrics. McLuhan’s old line lands exactly here: we shape our tools, and thereafter our tools shape us. So an AI that is always present The more it writes our words, does expression get richer or more uniform? The earlier it supplies an answer, do we think harder or lose the capacity to form a question? If it is always with us, do we understand each other better, or hand the machine the attention we used to give each other? Designing an AI device is not a matter of screen size and button placement. It is a decision about the shape human attention, agency, memory, and relationship will take from here. 04 Attention is not a resource. It is generosity. Altman compares the experience of today’s devices and apps to walking through Times Square: flashing light, constant notification, stimulus arriving from every direction. The technology got more capable; our minds did not get quieter. What he hopes for is the opposite sensation — closer to sitting in a cabin by a mountain lake. Read as an aesthetic preference, the contrast is trivial. Underneath it sits a decision about what attention is. Simone Weil called attention the rarest and purest form of generosity. To attend to someone is to empty part of your own world briefly and let them in. If that is true, a business that captures attention and converts it into revenue is not extracting a resource. It is extracting generosity. Heidegger argued that the danger of modern technology lies not in machines but in the way the world comes to show up as standing reserve — stock, available on demand. In the attention economy the stock is not a river or a coal seam. It is human hours. A sufficiently intelligent and trustworthy AI would not need to hand the user everything it knows. It could judge, in context, what to filter, when to stay quiet, when to surface something, when to ask. The clutter falls away not because the technology intervenes more, but because it understands more. The best AI product may not be the screen you cannot stop watching, but the tool that lets you look up from it and back at your life. 05 A tool that knows how to withdraw Ive says he cannot stand products that keep reminding you how hard the problem was. A great solution can hold enormous intelligence and still look almost naive in its simplicity. It does not intimidate, it invites the hand before the mind, and it declines to advertise itself. This is ontology, not styling. As Heidegger observed, a well-made hammer disappears from awareness while it is being used; the tool becomes conspicuous mainly when it breaks. Most software today is built to do the reverse — to keep reminding you it exists, to prove its value through interruption. Ivan Illich divided tools into two kinds: convivial ones that extend a person’s own capacity, and ones that manufacture dependence. The bicycle sits on one side; systems engineered around need sit on the other. AI devices are standing exactly at that fork. The argument is not for fewer features. It is against transferring internal complexity onto the person. If the system can understand and handle more, the human should face fewer interfaces, fewer alerts, fewer decisions. Knowing what to remove becomes as valuable as knowing what to add. Good design is not an inventory of what the technology can do. It is a judgment about which parts of the experience a human being should keep. 06 Joy is not decoration. It is a verdict. Before either team knew what they were building, Ive fixed one requirement: whatever it turned out to be, it had to make people smile. Altman says he assumed at first that what people wanted was efficiency. As the work took shape, he came to see how thoroughly joy, humor, and playfulness have drained out of contemporary technology products. The discourse around AI is full of fear and end-times. The real risks deserve their weight. But risk management alone does not produce a future anyone wants to live in. Safety is a floor, not a destination. And joy is not a sentimental line item. It is a diagnostic. If a person smiles after using something, that tool at minimum did not treat them as a means. If what remains after use is fatigue and self-reproach, the instrument has already given its reading. 07 And yet — calm is another word for authority That is the picture the conversation offers. Now it deserves pressure. An essay that leaves only admiration behind has skipped the test. First: an AI that shows less is an AI that judges more If the machine decides what to filter and when to stay quiet, the machine holds editorial power. Complexity removed from the screen has not vanished; it has moved somewhere you cannot see. You can audit a system that shows you ten notifications. It is much harder to audit one that silently discarded nine. Calm looks like modesty, but it can be the visible result of a larger claim to authority. So a technology that withdraws has to ship the mechanism for taking that authority back. Can you see what was filtered? Can you change the threshold? Can you reach the raw material when you need it? Without that, a quiet interface is just comfortable paternalism. Second: the promise to return attention can collide with the business model When an advertising business says it wants you to use it less, we discount the claim. A company earning from devices and subscriptions is relatively free of that tension — but only so far, and business models drift. The promise of calm technology is kept or broken by the P&L, not by taste. Which makes it something to observe over time rather than something to believe. Third: the same sensibility built the iPhone The designer describing a device that gives attention back also made the most beautiful attention-capture object in history. That is not an accusation. It is what makes the project interesting. Whether the same hand can run in the opposite direction is a genuinely open question. And open means testable. 08 A product is not an answer. It is a hypothesis. The capacity to build is becoming common property. As the cost of producing code, design, content, and analysis falls, speed stops being a differentiator. What differentiates is the ability to judge what deserves to exist, to say whose life it serves, and to test that judgment in real use. So a serious builder does not prove themselves by feature count. They observe, ask, and run something small. They watch how people actually respond, and change direction when the hypothesis fails. They produce not only an artifact but a claim about human life, along with the evidence that supports or undermines it. The product, on this view, is a hypothesis rather than a finished answer. And a hypothesis has to be falsifiable. The three objections above are useful precisely because they convert this project’s claims into testable ones. ClaimWhat would falsify itContext-aware AI interrupts attention lessTime spent rises while reported calm stays flat or fallsWhen technology recedes, people attend to each other moreFace-to-face conversation and device-free hours declineRemoving complexity makes the experience feel humanUsers cannot inspect what was filtered, and trust erodesJoy matters as much as efficiencyReturn usage survives only on habit and notification Once a table like this can be written, product development stops being the accumulation of features and becomes the conversion of human understanding into action and evidence. 09 What it means to return to the human Returning to the human is not a refusal of technology. It is a refusal to reshape people around the speed and logic of machines, and a decision to reconsider what place technology should hold in a life. Which means that “what is possible?” is not enough as we design the next generation of devices and services. Six questions to ask before building Where does this send a person’s attention? Does it widen the room for independent thought, or narrow it? Does it make expression more truthful, or merely more uniform? Does it deepen relationships, or only multiply connections? Does it absorb complexity, or hand it back? After use, is what remains calm and joy? And beside each question belongs not an answer but the shape of the evidence. Unless you know what you would observe to settle it, six questions are just six slogans. The work before building is clear enough. Look closely at how people actually live. Understand how they disclose themselves in speech and in silence. Watch how tools extend a person and how they interrupt one. Rediscover the calm and joy hidden underneath the demand for efficiency. And stay beside the question no one else has had the patience to hold. What we should build is not technology that replaces the human being, but technology that returns a life, an attention, an expression, a relationship. And that claim, too, has to be checked against evidence.

주의를 돌려주는 기술 조니 아이브와 샘 올트먼의 대화가 남긴 질문 — 우리가 무엇을 만들기 전에, 인간은 실제로 어떻게 표현하고 관계 맺는가 Emerson Collective Demo Day 2025에서 로렌 파월 잡스가 진행한 조니 아이브·샘 올트먼 대담을 바탕으로, 그 내용을 해석하고 확장한 글이다. 발언은 인용이 아니라 요지의 재서술이다. 01 질문의 순서가 제품의 운명을 결정한다 AI에 관한 대화는 대개 기술에서 출발한다. 모델은 얼마나 강해지는가, 에이전트는 무엇을 대신하는가, 다음 기기는 어떤 형태인가. 그런데 무대 위의 두 사람이 실제로 한 일은 순서를 뒤집는 것이었다. 로렌 파월 잡스는 두 사람의 만남을 제품이나 계획의 탄생이 아니라 의도의 정렬이라고 표현했다. 그들은 “AI에 맞는 새 제품은 무엇인가”를 먼저 묻지 않았다. 인간과 자연, 인간과 동물, 인간과 인간의 관계를 먼저 살폈다. 지능이란 무엇인지, 도구의 역사는 어떻게 흘러왔는지, 무엇을 가치라 부르는지를 조사했다. “어떤 기능을 더할까”로 시작하면 기능이 더 많은 제품이 나온다. “체류 시간을 어떻게 늘릴까”라고 묻는 순간 인간의 주의는 최적화 대상인 숫자가 된다. 그러나 “사람은 어떻게 기억하고, 표현하고, 서로에게 주의를 기울이는가”에서 출발하면 기술이 놓일 자리 자체가 달라진다. 같은 팀, 같은 예산, 같은 기술 스택이라도 첫 질문이 다르면 다른 세계가 만들어진다. 02 답을 늦추는 용기, 그리고 사후에 생기는 필연성 아이브에게 지나치게 선명한 도착점은 창작을 돕는 장치가 아니라 시야를 좁히는 장치였다. 목적지가 확정되면 그곳으로 달려가는 동안 무엇을 지나쳤는지조차 알 수 없게 된다. 그가 창작의 기초로 꼽은 것은 확신이 아니라 채워지지 않는 호기심이었다. 그와 올트먼이 빠르게 연결된 이유도 옳은 사람이 되려는 욕구보다 배우려는 욕구가 더 컸기 때문이라고 그는 설명한다. 여기서 호기심은 방임이 아니다. 직관적이고 연약한 질문을 엄밀한 조사로 붙드는 규율이다. 그의 팀은 형태의 역사, 카메라의 디자인, 인간관계의 변화를 조사한 두꺼운 책들을 수개월간 만들었다. 어느 것도 당장 제품과 연결되지 않았다. 그러다 첫 프로토타입이 나오자 흩어져 있던 실들이 하나의 형태 안에서 맞물렸다. 결과만 본 사람에게 그 제품은 “원래 이럴 수밖에 없었던 것”처럼 보인다. 기술철학자 질베르 시몽동은 이 현상을 구체화라고 불렀다. 미성숙한 기술 대상은 기능마다 부품이 따로 붙어 있는 추상적 상태에 있다. 성숙한 대상에서는 하나의 요소가 여러 기능을 동시에 수행하며 내부가 스스로 정합해진다. 그때 사물은 발명된 것이 아니라 발견된 것처럼 보인다. 중요한 것은 그 필연성이 처음부터 존재하지 않았다는 사실이다. 그것은 불확실성을 오래 견디고, 수많은 틀린 가능성을 걸러낸 끝에 사후적으로 생성된다. 좋은 디자인이 자연스러워 보이는 이유는 과정이 단순했기 때문이 아니다. 복잡성을 대신 통과해 주었기 때문이다. 03 인간 표현의 구조에는 침묵이 포함된다 표현은 말과 글에만 있지 않다. 우리는 시선과 몸짓, 거리와 침묵, 선택과 망설임으로도 자신을 드러낸다. 이야기를 들으며 끼어들지 않는 것, 함께 있는 동안 기기를 내려놓는 것, 무엇을 기록하고 무엇을 기억에만 남길지 정하는 것 모두가 표현이다. 아이브는 건강한 관계가 오간 말의 양으로 정의되지 않는다고 말한다. 상대가 무슨 말을 할지 정말 궁금하기 때문에 기다리는 침묵이 있고, 사회적으로는 어색해 보이는 그 침묵이 오히려 신뢰의 표현일 수 있다. 이 관찰은 설계에 직접적인 함의를 갖는다. 침묵은 표현의 부재가 아니라 표현이 드러나는 배경이다. 배경을 없애면 형상도 사라진다. 빈틈을 모두 채워 주는 인터페이스는 친절해 보이지만, 실은 인간이 자기 생각을 만들 여백을 회수하는 것이다. 도구는 이 구조를 계속 바꿔 왔다. 카메라는 기억하는 방식을 바꿨고, 전화는 목소리의 사거리를 늘렸다. 스마트폰은 기록과 소통과 탐색을 한 화면에 모으면서 우리의 시선과 몸짓을 작은 직사각형 안에 붙들었다. 소셜미디어는 누구나 발신할 수 있게 했지만 표현을 반응과 지표의 언어로 번역했다. 마셜 매클루언의 오래된 문장이 여기에 정확히 들어맞는다. 우리는 도구를 만들고, 그다음에는 도구가 우리를 만든다. 그렇다면 항상 곁에 있는 AI는 우리의 말을 대신 쓸수록 표현은 풍부해지는가, 비슷해지는가. 먼저 답을 내놓을수록 우리는 더 깊이 생각하는가, 질문을 만드는 능력을 잃는가. 늘 함께 있을 때 우리는 서로를 더 이해하는가, 서로에게 가던 주의를 기계에 넘기는가. AI 기기를 설계한다는 것은 화면 크기와 버튼 위치를 정하는 일이 아니다. 앞으로 인간의 주의·자율성·기억·관계가 어떤 형태를 갖게 될지 정하는 일이다. 04 주의는 자원이 아니라 관대함이다 올트먼은 오늘의 기기와 앱을 쓰는 경험을 타임스스퀘어를 걷는 장면에 비유한다. 번쩍이는 빛, 끊임없는 알림, 사방에서 밀려오는 자극. 기술은 유능해졌지만 마음은 조용해지지 않았다. 그가 기대하는 감각은 정반대다. 산속 호숫가 오두막에 앉아 있는 고요함에 가깝다. 이 대비를 감성적 취향으로 읽으면 안 된다. 그 밑에는 주의를 무엇으로 볼 것인가라는 결정이 깔려 있다. 시몬 베유는 주의를 가장 드물고 순수한 형태의 관대함이라고 불렀다. 누군가에게 주의를 기울인다는 것은 자기 세계를 잠시 비워 그 사람을 들이는 일이다. 그렇다면 주의를 붙잡아 수익으로 바꾸는 사업은 자원을 채굴하는 것이 아니라 관대함을 채굴하는 것이다. 하이데거는 현대 기술의 위험이 기계 자체가 아니라 세계가 언제든 꺼내 쓸 수 있는 재고로 드러나는 방식에 있다고 보았다. 주의 경제에서 재고로 취급되는 것은 강이나 석탄이 아니라 사람의 시간이다. 충분히 똑똑하고 신뢰할 수 있는 AI라면 모든 정보를 사용자에게 던질 필요가 없다. 무엇을 걸러낼지, 언제 침묵할지, 언제 꺼내 보이고 언제 의견을 물을지를 맥락 속에서 판단할 수 있다. 기술이 더 많이 개입해서가 아니라 더 잘 이해해서 불필요한 것이 사라진다. 최고의 AI 제품은 계속 바라보게 만드는 화면이 아니라, 화면에서 눈을 들어 삶과 사람을 다시 보게 하는 도구일지 모른다. 05 물러날 줄 아는 도구 아이브는 해결한 문제가 얼마나 복잡했는지를 계속 자랑하는 제품을 견디지 못한다고 말한다. 훌륭한 해결책은 고도의 지능과 정교함을 품고도 거의 순진해 보일 만큼 단순할 수 있다. 위협하지 않고, 생각하지 않아도 손이 가며, 자신의 존재를 과시하지 않는다. 이것은 미학의 문제가 아니라 존재론의 문제다. 하이데거의 유명한 관찰처럼, 잘 만들어진 망치는 사용하는 동안 의식에서 사라진다. 도구가 눈에 띄는 순간은 대개 고장 났을 때다. 오늘의 소프트웨어는 정반대로 설계되어 있다. 끊임없이 자신을 상기시키고, 자신의 존재를 알림으로 증명한다. 이반 일리치는 도구를 두 종류로 나눴다. 사람의 능력을 확장하는 공생적 도구와, 사람을 자기 없이는 못 살게 만드는 도구. 자전거는 앞쪽에, 의존을 설계한 시스템은 뒤쪽에 있다. AI 기기는 이 갈림길 위에 서 있다. 기능을 줄이자는 말이 아니다. 내부의 복잡성을 인간에게 떠넘기지 말자는 말이다. AI가 더 많이 이해하고 처리할 수 있다면, 사용자가 감당할 인터페이스와 알림과 선택지는 오히려 줄어들 수 있다. 추가하는 능력만큼 제거할 것을 판단하는 능력이 중요해진다. 좋은 디자인은 기술이 할 수 있는 일의 목록이 아니다. 인간에게 남겨야 할 경험을 고르는 판단이다. 06 기쁨은 장식이 아니라 판정 기준이다 무엇을 만들지조차 모르던 초기부터 아이브는 한 가지를 분명히 했다. 결과물이 무엇이든 사람을 미소 짓게 하고 기쁨을 주어야 한다는 것. 올트먼은 처음에 사람들이 원하는 것은 효율이라고 생각했다고 말한다. 그러나 작업이 형태를 갖추면서 오늘날 기술 제품에서 기쁨과 유머와 장난기가 얼마나 사라졌는지를 깨달았다고 한다. AI 담론에는 두려움과 종말론이 넘친다. 실제 위험을 외면하자는 말이 아니다. 다만 위험 관리만으로는 살고 싶은 미래가 만들어지지 않는다. 안전은 최소 조건이지 목적지가 아니다. 그리고 기쁨은 감상적인 항목이 아니다. 그것은 진단 지표다. 사람이 어떤 도구를 쓰고 나서 미소 짓는다면, 그 도구는 최소한 그 사람을 수단으로 다루지 않았다는 뜻이다. 사용 후에 남는 것이 피로와 자기혐오라면 지표는 이미 답을 말하고 있다. 07 그러나 — 고요함은 권한의 다른 이름이다 여기까지가 이 대화가 제시한 그림이다. 이제 그 그림을 압박해 볼 차례다. 감탄만 남기는 글은 검증을 회피한 글이다. 첫째, 덜 보여주는 AI는 더 많이 판단하는 AI다 무엇을 걸러내고 언제 침묵할지를 기계가 정한다는 것은, 그 기계가 편집권을 갖는다는 뜻이다. 화면에서 사라진 복잡성은 소멸한 것이 아니라 보이지 않는 곳으로 이동한 것이다. 열 개의 알림을 보여주는 시스템의 판단은 감사할 수 있지만, 아홉 개를 조용히 버린 시스템의 판단은 감사하기 어렵다. 고요함은 겸손해 보이지만 실제로는 더 큰 권한을 행사한 결과일 수 있다. 그러므로 물러나는 기술에는 그 권한을 되돌려 받을 장치가 함께 설계되어야 한다. 무엇이 걸러졌는지 확인할 수 있는가. 기준을 바꿀 수 있는가. 필요할 때 원본을 볼 수 있는가. 이것이 없으면 조용한 인터페이스는 편안한 후견주의가 된다. 둘째, 주의를 돌려준다는 약속은 수익 구조와 충돌할 수 있다 광고로 수익을 내는 기업이 주의를 덜 쓰게 만들겠다고 말하면 우리는 그 말을 의심한다. 기기와 구독으로 수익을 내는 기업은 그 긴장에서 상대적으로 자유롭다. 그러나 자유로운 것은 지금까지의 이야기일 뿐, 사업 모델은 시간이 지나면서 바뀐다. 칼름 테크의 약속은 취향이 아니라 손익구조에 의해 유지되거나 파기된다. 그러니 이 약속은 신념의 문제가 아니라 관찰 대상이다. 셋째, 같은 감수성이 아이폰을 만들었다 주의를 돌려주는 기기를 말하는 디자이너는, 인류 역사상 가장 아름다운 주의 포획 장치를 만든 사람이기도 하다. 이것은 비난이 아니다. 그 사실이 이 프로젝트의 주장을 더 흥미롭게 만든다. 같은 손이 반대 방향으로 갈 수 있는가는 실제로 열려 있는 질문이다. 그리고 열려 있다는 것은 곧 검증 가능하다는 뜻이다. 08 제품은 답이 아니라 검증해야 할 가설이다 AI 시대에 만드는 능력은 빠르게 보편화되고 있다. 코드와 디자인과 콘텐츠와 분석의 생산 비용이 떨어질수록 차이를 만드는 것은 제작 속도가 아니다. 무엇을 만들 가치가 있는지 판단하고, 누구의 삶을 위한 것인지 설명하고, 실제 사용 속에서 그 판단을 검증하는 능력이다. 그래서 좋은 빌더는 출시한 기능의 개수로 자신을 증명하지 않는다. 먼저 관찰하고, 질문하고, 작은 형태로 실험한다. 사람의 반응을 살피고, 가설이 틀렸을 때 기꺼이 방향을 바꾼다. 기술적 산출물만이 아니라 인간에 대한 주장과 그 주장을 지지하거나 반박하는 증거를 함께 만든다. 이때 제품은 완성된 답이 아니라 하나의 가설이 된다. 그리고 가설은 반증 가능해야 한다. 위의 세 가지 반론이 유용한 이유는 이 프로젝트의 주장을 시험 가능한 형태로 바꿔 주기 때문이다. 주장무엇이 이 주장을 반증하는가맥락을 이해하는 AI는 주의를 덜 방해한다사용 시간은 늘었는데 사용자가 느끼는 평온함은 그대로거나 낮아진다기술이 물러나면 사람은 서로에게 더 집중한다기기 사용 중 대면 대화·비사용 시간이 줄어든다복잡성을 걷어내면 경험이 인간적으로 느껴진다사용자가 걸러진 내용을 확인할 수 없어 불신이 커진다기쁨은 효율만큼 중요하다재사용은 습관과 알림에 의해서만 유지된다 이런 표를 만들 수 있을 때 비로소 제품 개발은 기능을 쌓는 일에서 인간에 대한 이해를 행동과 증거로 바꾸는 일이 된다. 09 다시 인간으로 돌아간다는 것 인간으로 돌아가자는 말은 기술을 거부하자는 뜻이 아니다. 인간을 기술의 속도와 논리에 맞추는 대신, 기술이 인간의 삶에서 어느 자리를 차지할지 다시 결정하자는 뜻이다. 그러니 다음 세대의 기기와 서비스를 설계할 때 “무엇이 가능한가”만으로는 부족하다. 설계 전에 물어야 할 여섯 가지 이 기술은 사람의 주의를 어디로 향하게 하는가. 스스로 생각할 여지를 넓히는가, 줄이는가. 표현을 더 진실하게 만드는가, 더 비슷하게 만드는가. 관계를 깊게 하는가, 연결의 횟수만 늘리는가. 복잡성을 덜어 주는가, 다시 사람에게 떠넘기는가. 쓰고 난 뒤 사람에게 평온함과 기쁨이 남는가. 그리고 각 질문 옆에는 답이 아니라 증거의 형태가 적혀야 한다. 무엇을 관찰하면 이 질문에 답할 수 있는지가 정해지지 않으면, 여섯 개의 질문은 여섯 개의 슬로건이 된다. 우리가 만들기 전에 해야 할 일은 분명하다. 사람이 실제로 어떻게 사는지 가까이 보는 것. 말과 침묵 속에서 어떻게 자신을 드러내는지 이해하는 것. 도구가 인간을 어떻게 확장하고 또 방해하는지 관찰하는 것. 효율 뒤에 가려진 평온함과 기쁨을 다시 발견하는 것. 그리고 아직 아무도 충분히 오래 붙들지 않은 질문 곁에 머무는 것. 우리가 만들어야 할 것은 인간을 대신하는 기술이 아니다. 삶과 주의, 표현과 관계를 인간에게 돌려주는 기술이다. 그리고 그 주장 역시, 증거로 확인되어야 한다.

Optimism Is a Method, Not a Mood Markets do not reward belief. Yet without belief, no experiment ever begins. Entrepreneurship lives in the narrow space between. 00Distinction Optimism and affirmation are not the same word “It will work out” is a statement about the world. The subject of that sentence is the world, and the speaker takes a seat in the audience. “If this is possible, how would I find out?” is a decision about one’s own conduct. The subject is I. Kierkegaard described a form of despair made entirely of possibility. Cut loose from necessity, a person imagines more and more and becomes less and less himself — endlessly reflected, never arrived at. Nietzsche’s yes-saying was likewise not a talent for finding the bright side. It was the will to shoulder a world that includes resistance and failure. Yoon Seok-keum’s positivity belongs to the second kind. The claim was never that things always work out. If you believe it is possible, begin the action that would prove it. 01Hypothesis What positivity is actually for Peirce argued that inquiry begins neither in deduction nor in induction, but in abduction — the guess. Data never volunteers a hypothesis. Someone has to say, first, that it might be this. That opening move is not a product of logic; it is a product of imagination and nerve. This is where positivity earns an epistemic role. It is not a conclusion. It is the supply line for hypotheses. William James went further: certain truths become true only when they are believed and acted on. Trust works this way, and so do partnerships and companies. If no one commits, nothing forms, and the absence of the thing retroactively proves the doubt correct. But James fenced the argument carefully. It applies only to options that are live, forced, and momentous. Substituting belief for a test you could have run is not courage; it is laziness. Which is why Popper is the necessary second voice. A positivity never exposed to refutation is not conviction but dogma. A hypothesis is not knowledge until something has had the chance to kill it. On the shop floor the mechanism is far plainer. A person who expects failure makes fewer calls, books fewer meetings, and stops sooner after a rejection. A person who expects a way through calls once more, explains from another angle, and goes back to look at why the last attempt collapsed. Language → volume of action → contact with the world → feedback → revision → evidence Optimism does not manufacture success. It enlarges the sample. Its reward is not victory; it is data. 02Translation He was not selling books When he sold English-language encyclopedias, what he carried was a stack of heavy volumes. No amount of accuracy about page count, paper stock, or entries gets a door to open. So he looked away from the product and toward the change the customer wanted. What a parent wanted to buy was never paper. It was the possibility that a child might meet a wider world, acquire the habit of learning, and end up with a different future. Levinas called the other a face that cannot be reduced to my concept. Bad persuasion tries to transplant the seller’s conviction into the buyer. Good selling runs the other way: it listens for the other’s desire first, then re-describes the product in that language. Selling, then, is not creation but connection. He simply attached his product to a future the parent was already carrying. He did not impose his belief; he observed a want, formed a hypothesis, and let one behavior settle it. “That sounds wonderful” is not data. A payment is data. 03Reframing The question that moves the problem When the currency crisis stalled water-purifier sales, the ordinary responses were two: cut the price, or push the sales team harder. He asked something else. Do people no longer want the purifier — or do they no longer want to pay for it all at once? Where you locate the problem determines which world of answers you get to search. If the fault lies in the product’s value, fix the product. If it lies in the payment structure, what needs fixing is not the machine but the form of ownership. The ability to place a problem correctly sits above the ability to solve one. Monthly rental changed the mode of being of the object: from a thing you buy to a relationship you use. Once scheduled servicing was folded in, a one-time transaction became a standing point of contact. Yet the boldness of the idea is not the important part. Before rolling it out, he checked whether people would actually pay a monthly fee — and he refused to take the encouraging answers at face value, discounting the market conservatively for the customers he assumed would drop away. Affirmation and skepticism are not opponents. Affirmation generates the hypothesis; skepticism designs the test. The entrepreneur is the person who runs both, alternately, inside one head. Customer problem → new hypothesis → intent check → conservative discount → small experiment → real payment → model expansion 04Accumulation Intuition is compressed evidence To build an eye for children’s books, he spent years looking at and comparing the best titles from many countries — which structures provoked curiosity, which images stayed with a child. We tend to call the resulting judgment intuition. But the phronesis Aristotle described was never an inborn faculty; it was a disposition, laid down by repeated choosing. Polanyi said we know more than we can tell. Merleau-Ponty held that perception itself is an achievement of a trained body. Intuition is not a hunch without grounds. It is hundreds of observations, comparisons, selections, and failures compressed into a single instant of recognition. Time alone, though, confers nothing. Repetition without review is wear, not mastery. For experience to become evidence, something has to survive it: what was seen, why it was judged that way, and how the outcome diverged from the forecast. Intuition comes from the density of interpretation, not the length of experience. 05Collapse & Reckoning How the same man came apart The picture so far is too smooth. There is a stretch of his life where the method stopped running, and that stretch swallowed the group. Start with the numbers. In 2007 he bought a construction company for 660 billion won — roughly twice what the market expected it to fetch. The group then kept feeding it, eventually approaching a trillion won. In the same period his bet on solar polysilicon became unrecoverable as the sector collapsed, and a savings bank he had acquired went bad. On 26 September 2012, unable to cover a 15 billion won note, the holding company entered court receivership alongside the builder. A group with roughly eight trillion won in assets simply stopped. Which forces an uncomfortable question. Building the rental model, he asked customers directly — and then marked their yeses down. On the construction company, he staked 660 billion won in a single move. Same man. This is the most important clue we have about the conversion capability. It is not an asset you acquire and keep. It is a discipline you have to re-run every time. And discipline is the first thing dropped as the stakes grow, as confidence thickens, as the clock tightens. The small experiment is the step successful people abandon first. As a salesman he tested because testing was the only instrument he had. As a chairman he acquired the authority to skip the test. The failure landed precisely where that authority was used. The reckoning begins by writing the loss down correctly What followed the collapse was not a comeback drama. It was accounting. Creditors kept him out of the receivership administration, and he signed away any role in the process — a founder stepping off the wheel of his own company. In January 2013 the group’s stake in its water-purifier business went to a private equity firm for more than a trillion won. The beverage arm was sold that September, the chemicals arm in November. The family put in 70 billion won of its own money in two rounds. In February 2014, sixteen months after entering the process, the group exited early. “Early exit” sounds romantic. The content is plain: he sold the best thing he had to pay the most urgent thing he owed. He sold the company he had called his own child. Epictetus asked us to divide what is up to us from what is not. Property cycles and solar prices were not up to him. Whether to pay or to stall, what to put on the block first, and whether to reach into his own pocket — those were. Real affirmation does not talk a loss out of existence. It counts the balance that survives an honest reckoning. And that balance is usually not on the books. The fact of having paid — collateral for the next deal The organization and the people who stayed Having designed the grammar of a rental business from scratch once already A trained read on markets and customers Whatever can be put back in front of a customer now When those have answers, a second attempt stops being a hope and becomes a strategy. And then he slipped in the same place again An honest account cannot stop there. In October 2018 he announced he was buying the water-purifier company back, at over 1.68 trillion won — more than one and a half times what he had sold it for. He said he wanted to show people who had struggled as he had that it was possible to rise again. But much of the money was borrowed, and the solar affiliate went bad a second time. By the end of 2019 the company had been sold on to a gaming firm. He had held it for barely a year. This passage supports the argument of the essay more strongly than any of the victories. What drove the 2018 decision was not evidence. It was narrative — the story of reclaiming a lost child, the story of a man who gets back up. Narrative is powerful and unfalsifiable. Customers do not respond to a story; neither does a balance sheet. On the subject of your own story, you are the only examiner in the room. That is what makes it dangerous. Even a man who converts hypotheses into evidence will slip in the same place the moment he exempts his own story from the test. The capability is a discipline, not an achievement. You do not arrive at it. You choose it again each time. 06Verification The age of free hypotheses What AI drove toward zero was not only the cost of language. It drove down the cost of hypotheses too. Twenty business plans, fifty customer personas, ten entry strategies — an hour’s work. The leap Peirce placed at the origin of all inquiry, the faculty we long treated as the scarcest thing a person could have, is now reproducible on demand. When that happens, the bottleneck moves. The more abundant hypotheses become, the scarcer verification is. This is no longer Peirce’s era. It is Popper’s. And the old rule about signals holds: a signal that costs nothing is not a signal. The moment fluency is free, fluency distinguishes no one. Trust migrates from expression to trace. AI is not an insight generator; it is an insight organizer. The raw material it organizes — whom you met, what you saw, where the forecast broke — still comes only from contact with the world. The model has read everything and touched nothing. It has never been turned down, never quoted a price, never watched a payment clear. Sentences can be delegated. Rejection cannot. The hardest document to forge now is not a success story but a record of refutation. What you got wrong, when you found out, and what you changed afterward. 07Conversion The grammar of conversion Compress his life into one sentence and what remains is not a record of success but a capability. The ability to convert a hopeful hypothesis into action, and action into evidence. Encyclopedias — that parents were not buying books → conversations at the door → a purchase Purifiers — that the burden was the payment, not the product → intent checks → conservative discount → a cleared payment Children’s books — that quality has identifiable criteria → hundreds of comparisons → judgment Receivership — that failure leaves assets standing → an honest reckoning → a restart The content of the hypothesis changed every time. The grammar of conversion never did: never let belief stop at assertion, and always put it down in a form the world is able to refuse. He lived without AI, and yet he was already practising the method the age of AI would come to demand. He did not leave his optimism in sentences. He left it in payments, contracts, and repeat orders. What is worth inheriting, then, is not the tone of a successful man but that grammar. And what an entrepreneur needs is not the certainty of succeeding, but three questions. What hypothesis is my optimism actually making? What result would prove it wrong? What will I do today that exposes it to being proven wrong? Positivity is not a technique for interpreting reality generously. It is the capacity to collide an unproven possibility with the world and convert it into evidence. 07Conversion The capability that converts Compress his life into a single capability and it is neither optimism nor nerve. It is conversion: moving an unproven possibility into action, then recovering that action from the market as evidence. Laid out again, the structure repeats. With encyclopedias, a hypothesis about what a parent actually wanted, settled by a purchase. With purifiers, a hypothesis about how people wanted to pay, settled by a monthly charge that cleared. With children’s books, hundreds of observations compressed into one act of judgment. After receivership, a recount of the assets that remained, used as the ground for starting again. And both times he came apart — the 2007 acquisition, the 2018 buy-back — it was at the point where this procedure was skipped. Hypothesis → contact → response → revision → evidence He did not see more possibilities than the people around him. He dragged a higher share of what he saw all the way through to evidence. An entrepreneur’s ability shows up in that ratio, not in the size of the idea. Conversion rate = evidence ÷ hypotheses AI has detonated the denominator. Anyone can now produce dozens of hypotheses a day: market maps, personas, pricing scenarios, competitive landscapes, entire business plans. The denominator is effectively unbounded. The numerator has not been automated at all. Meeting a customer, being refused, getting a payment to clear, admitting the model was wrong and redesigning it — these still cost human hours and human exposure. So the divide in the AI era is not a divide in ideas. It is a divide in conversion. AI is not an insight generator but an insight organizer. The raw material still belongs to whoever has collided with the world. AI will make a hypothesis sharper and more persuasive; only a customer can tell you whether it was true. The better the tools become, the more valuable the part no tool can do for you. Which narrows the founder’s question to one. How many hypotheses did I convert into evidence in the last thirty days? Hypotheses have become free. Evidence has become expensive in proportion. Belief lets you begin. Action lets you learn. Evidence persuades the world. #Entrepreneurship #EvidenceBuilder #Hypothesis #Falsifiability #ProblemFraming #Sales #Startups #Judgment #Essay Hypothesis · Contact · Revision · Evidence · Conversion

시장은 믿음에 보상하지 않는다. 그러나 믿음 없이는 어떤 실험도 시작되지 않는다. 기업가정신은 이 둘 사이의 좁은 길 위에 있다. 낙관과 긍정은 같은 말이 아니다 낙관은 세계에 대한 진술이다. “결국 잘될 것이다”라는 문장의 주어는 세계이고, 그 말을 하는 사람은 관객석에 앉는다. 긍정은 자기 행위에 대한 결단이다. “이것이 가능하다면, 나는 그것을 어떻게 확인할 것인가”라는 문장의 주어는 나다. 키르케고르는 절망의 한 형태로 가능성의 과잉을 들었다. 필연성이 결여된 가능성 속에서 사람은 점점 더 많은 것을 상상하지만 점점 더 적게 자기 자신이 된다. 가능성만 먹고 사는 사람은 끝없이 자기를 비추면서도 한 번도 자기에게 도달하지 못한다. 니체의 긍정 역시 현실을 미화하는 기술이 아니었다. 그것은 저항과 실패를 포함한 세계 전체를 감당하겠다는 의지였다. 윤석금 회장의 긍정은 후자에 가깝다. 그가 보여준 태도의 핵심은 “무조건 된다”가 아니다. 될 수 있다고 믿는다면, 그것을 증명할 행동을 지금 시작하라. 01가설 긍정의 인식론적 기능 퍼스는 모든 탐구가 연역이나 귀납이 아니라 가설추론에서 시작한다고 보았다. 데이터는 스스로 가설을 낳지 않는다. 누군가 먼저 “이럴 수도 있다”고 말해야 한다. 그 최초의 도약은 논리의 산물이 아니라 상상력과 담대함의 산물이다. 긍정은 바로 이 자리에서 인식론적 기능을 갖는다. 긍정은 결론이 아니라 가설의 공급원이다. 윌리엄 제임스는 한 걸음 더 나갔다. 어떤 종류의 진리는 그것을 믿고 행동할 때에만 참이 된다. 신뢰가 그렇고, 협력이 그렇고, 창업이 그렇다. 아무도 믿지 않으면 아무것도 생기지 않고, 생기지 않았으므로 그 믿음은 사후적으로 틀린 것이 된다. 다만 제임스도 조건을 달았다. 이 논리는 살아 있고, 피할 수 없고, 중대한 선택에만 허용된다. 확인할 수 있는 문제를 믿음으로 대체하는 것은 용기가 아니라 게으름이다. 그래서 포퍼가 필요하다. 반증에 노출되지 않은 긍정은 신념이 아니라 도그마다. 가설은 검증되기 전까지 지식이 아니다. 실무의 층위에서 이것은 훨씬 단순하게 작동한다. “안 될 것 같다”고 생각하는 사람은 전화를 덜 걸고, 덜 만나고, 거절 뒤에 더 빨리 멈춘다. “방법이 있을 것”이라 생각하는 사람은 한 번 더 걸고, 다른 각도로 설명하고, 실패한 이유를 다시 들여다본다. 긍정적 언어 → 행동량 → 세계와의 접촉면 → 피드백 → 전략 수정 → 증거 긍정은 성공을 만들지 않는다. 긍정은 표본을 늘린다. 긍정의 보상은 성공이 아니라 데이터다. 02번역 백과사전이 아니라 자녀의 미래를 팔다 영문 백과사전을 팔던 시절, 그의 손에 들린 것은 무거운 책 여러 권이었다. 분량과 지질과 수록 항목을 아무리 정확히 설명해도 문은 열리지 않는다. 그래서 그는 제품에서 눈을 떼고, 고객이 원하는 변화를 보았다. 부모가 사고 싶었던 것은 종이가 아니었다. 아이가 더 넓은 세계를 만나고, 배우는 습관을 갖고, 다른 미래를 가질 수 있다는 가능성이었다. 레비나스는 타자를 나의 개념으로 환원할 수 없는 얼굴이라 불렀다. 나쁜 설득은 자기 확신을 타자에게 이식하려 한다. 좋은 세일즈는 반대 방향으로 움직인다. 타자의 욕망을 먼저 듣고, 그 언어로 제품을 다시 기술한다. 그러므로 판매는 창조가 아니라 연결이다. 그는 부모가 이미 품고 있던 미래에 자신의 제품을 연결했을 뿐이다. 자기 제품에 대한 긍정을 고객에게 강요한 것이 아니라, 고객의 욕구를 관찰해 가설을 세우고 그 가설을 구매라는 행동으로 검증했다. “좋네요”는 데이터가 아니다. 결제가 데이터다. 03재정의 문제를 옮기는 질문 외환위기로 정수기가 팔리지 않았을 때, 통상의 대응은 두 가지다. 가격을 낮추거나 영업을 더 하는 것. 그는 다른 질문을 던졌다. 고객이 정수기를 원하지 않는 것인가, 아니면 한꺼번에 큰돈을 지불하는 방식이 부담스러운 것인가. 문제를 어디에 놓느냐가 해답의 세계를 나눈다. 문제가 제품의 가치에 있다면 고쳐야 할 것은 제품이다. 문제가 지불 구조에 있다면 고쳐야 할 것은 제품이 아니라 소유의 방식이다. 답을 잘 찾는 능력보다 상위에 있는 것은 문제를 옳은 자리에 놓는 능력이다. 월 단위 렌털은 정수기의 존재 방식을 바꾸었다. 사는 물건에서 쓰는 관계로. 정기 관리 서비스가 결합되면서 일회성 거래는 지속적인 접점이 되었다. 그러나 이 장면에서 가장 중요한 것은 아이디어의 대담함이 아니다. 그는 전면 실행에 앞서 사람들이 실제로 월 사용료를 낼 의향이 있는지 확인했고, 긍정적인 대답을 액면 그대로 믿지 않았다. 이탈 가능성을 반영해 시장 규모를 보수적으로 할인했다. 긍정과 회의는 대립하지 않는다. 긍정은 가설을 만들고, 회의는 검증을 설계한다. 기업가란 이 두 기능을 한 사람 안에서 번갈아 켜는 사람이다. 고객의 문제 → 새로운 가설 → 잠재고객 확인 → 보수적 할인 → 작은 실험 → 실제 결제 → 모델 확장 04축적 직감은 압축된 증거다 그는 좋은 어린이책을 알아보는 눈을 갖기 위해 여러 나라의 책을 오래 보고 비교했다. 어떤 구성이 호기심을 자극하는지, 어떤 이미지가 오래 남는지를 반복해서 확인했다. 사람들은 이런 판단을 흔히 직감이라 부른다. 그러나 아리스토텔레스가 말한 프로네시스는 타고난 감각이 아니라 반복된 선택이 몸에 침전된 상태였다. 폴라니는 우리가 말할 수 있는 것보다 더 많이 안다고 했고, 메를로퐁티는 지각 자체가 훈련된 몸의 성취라고 보았다. 직감은 근거 없는 느낌이 아니다. 수백 번의 관찰과 비교와 선택과 실패가 하나의 순간으로 압축된 결과다. 다만 시간은 자동으로 통찰을 주지 않는다. 복기 없는 반복은 숙련이 아니라 마모다. 경험이 증거가 되려면 무엇을 보았고, 왜 그렇게 판단했으며, 결과가 예상과 어떻게 달랐는지가 남아야 한다. 직감은 경험의 길이가 아니라 해석의 밀도에서 만들어진다. 05붕괴와 정산 같은 사람이 무너지는 방식 이 글이 지금까지 그린 그림은 지나치게 매끄럽다. 그의 생애에는 이 방법이 작동하지 않은 구간이 있고, 그 구간이 그룹 전체를 삼켰다. 숫자로 먼저 보자. 2007년 그는 극동건설을 6,600억 원에 인수했다. 시장이 예상하던 가격의 두 배였다. 이후에도 그룹은 이 회사를 살리기 위해 조 단위에 가까운 자금을 계속 밀어 넣었다. 같은 시기 태양광에 걸었던 폴리실리콘 사업은 업황 붕괴로 회수 불가능해졌고, 인수한 저축은행마저 부실화됐다. 2012년 9월 26일, 150억 원짜리 어음을 막지 못해 지주사 웅진홀딩스가 극동건설과 함께 기업회생절차에 들어갔다. 자산 8조 원대의 그룹이 그렇게 멈춰 섰다. 여기서 불편한 질문을 해야 한다. 렌털 모델을 만들 때 그는 고객에게 직접 물었고, 좋다는 대답조차 깎아서 봤다. 그런데 극동건설에는 6,600억 원을 한 번에 걸었다. 같은 사람이다. 이것이 전환 능력에 대한 가장 중요한 단서다. 그것은 한 번 얻으면 유지되는 자산이 아니다. 매번 다시 실행해야 하는 규율이다. 그리고 규율은 규모가 커질수록, 자신감이 두터워질수록, 시간이 촉박할수록 가장 먼저 생략된다. 작은 실험은 성공한 사람이 가장 먼저 버리는 절차다. 영업 사원 시절의 그는 검증할 수단이 그것밖에 없었기 때문에 검증했다. 회장이 된 그는 검증을 건너뛸 수 있는 권한을 갖게 되었다. 실패는 그 권한을 사용한 자리에서 정확히 발생했다. 정산 — 잃은 것을 정확히 적는 일부터 붕괴 이후 그가 한 일은 반전 드라마가 아니었다. 회계였다. 채권단은 그를 관리인에서 배제했고, 그는 회생절차에 관여하지 않겠다는 확약서를 냈다. 창업자가 자기 회사의 운전대에서 내려온 것이다. 2013년 1월, 웅진이 보유한 웅진코웨이 지분은 사모펀드에 1조 원이 넘는 값으로 넘어갔다. 그해 9월 웅진식품이, 11월 웅진케미칼이 팔렸다. 오너 일가는 두 차례에 걸쳐 700억 원의 사재를 냈다. 그리고 2014년 2월, 웅진은 회생절차 개시 16개월 만에 조기 졸업했다. ‘조기 졸업’은 낭만적으로 들리지만 실제 내용은 단순하다. 가장 좋은 것을 팔아 가장 급한 것을 갚았다. 자식 같다고 부르던 회사를 팔았다. 에픽테토스는 우리에게 달린 것과 달리지 않은 것을 나누라고 했다. 부동산 경기와 태양광 시황은 그에게 달려 있지 않았다. 그러나 갚을 것인가 버틸 것인가, 무엇을 먼저 내놓을 것인가, 자기 몫을 낼 것인가는 그에게 달려 있었다. 진정한 긍정은 손실을 없는 것처럼 말하지 않는다. 정확히 정산한 뒤에도 남아 있는 잔고를 세는 능력이다. 그리고 그 잔고는 대개 장부에 없다. 갚았다는 사실 자체 — 이것은 다음 거래의 담보가 된다 떠나지 않은 조직과 사람 렌털이라는 사업 문법을 처음부터 설계해 본 경험 시장과 고객을 읽어 온 판단력 지금 다시 시장에서 검증해 볼 수 있는 것 이 목록에 답할 수 있을 때 재도전은 막연한 희망이 아니라 하나의 전략이 된다. 그리고 그는 같은 자리에서 다시 미끄러졌다 정직하게 쓰려면 여기서 멈추면 안 된다. 2018년 10월, 그는 코웨이를 되찾겠다고 발표했다. 인수가는 1조 6,800억 원대. 팔았던 값의 1.5배가 넘었다. 그는 자기처럼 어려움을 겪은 사람에게 다시 할 수 있다는 희망을 주고 싶다고 말했다. 그러나 자금의 상당 부분은 빚이었고, 태양광 계열사의 부실이 다시 겹쳤다. 2019년 말, 코웨이는 넷마블로 넘어갔다. 되찾은 지 1년 남짓이었다. 이 대목이 이 글의 논지를 가장 강하게 지지한다. 2018년의 결정을 이끈 것은 증거가 아니라 서사였다. 자식 같은 회사를 되찾는다는 이야기, 나 같은 사람도 다시 일어선다는 이야기. 서사는 강력하지만 반증되지 않는다. 고객은 서사에 답하지 않고, 손익계산서도 서사에 답하지 않는다. 자기 이야기에 대해서는 오직 자기 자신만이 채점자가 된다. 그래서 위험하다. 가설을 증거로 바꾸는 사람도, 자기 자신의 이야기를 검증 대상에서 빼는 순간 같은 자리에서 다시 미끄러진다. 이 능력은 성취가 아니라 규율이다. 도달하는 것이 아니라 매번 다시 선택하는 것이다. 06검증 가설이 무료가 된 시대 AI가 낮춘 것은 언어의 한계비용만이 아니다. 가설의 한계비용도 함께 낮췄다. 이제 사업계획서 스무 개, 고객 페르소나 쉰 개, 시장 진입 전략 열 가지를 한 시간 안에 만들 수 있다. 퍼스가 모든 탐구의 출발점이라 불렀던 그 도약, 인류가 오랫동안 가장 희소하다고 여겼던 그 능력이 이제 버튼 하나로 복제된다. 그러면 병목은 이동한다. 가설이 흔해질수록 희소해지는 것은 검증이다. 지금은 퍼스의 시대가 아니라 포퍼의 시대다. 신호에 관한 오래된 원칙이 있다. 비용이 들지 않는 신호는 신호가 아니다. 유창함이 무료가 되는 순간, 유창함은 더 이상 아무것도 구별하지 못한다. 그래서 신뢰는 표현에서 흔적으로 이동한다. AI는 통찰 생성기가 아니라 통찰 정리기다. 정리할 원재료 — 누구를 만났고, 무엇을 보았고, 어디서 예상이 어긋났는지 — 는 여전히 세계와의 접촉에서만 나온다. AI는 모든 것을 읽었지만 아무것도 만져보지 않았다. 거절당해본 적이 없고, 가격을 제시해본 적이 없고, 입금을 확인해본 적이 없다. 문장은 위임할 수 있다. 거절은 위임되지 않는다. 이제 가장 위조하기 어려운 문서는 성공의 서사가 아니라 반증의 기록이다. 무엇을 틀렸는가, 언제 알았는가, 그 뒤에 무엇을 바꾸었는가. 07전환 전환의 문법 윤석금 회장의 일생을 한 문장으로 압축하면, 그것은 성공의 기록이 아니라 하나의 능력이다. 긍정적인 가설을 행동과 증거로 전환하는 능력. 백과사전 — 부모가 사려는 것은 책이 아니라는 가설 → 문 앞의 대화 → 구매 정수기 — 부담은 제품이 아니라 지불 방식이라는 가설 → 의향 확인 → 보수적 할인 → 결제 어린이책 — 좋은 책에는 식별 가능한 기준이 있다는 가설 → 수백 권의 비교 → 판단력 법정관리 — 실패해도 남는 자산이 있다는 가설 → 정확한 정산 → 재시작 가설의 내용은 매번 달랐지만 전환의 문법은 한 번도 바뀌지 않았다. 믿음을 주장으로 끝내지 않고, 세계가 아니라고 말할 수 있는 형태로 내려놓는 것. 그는 AI 없이 살았지만, AI 시대가 요구하게 될 방법을 이미 실행하고 있었다. 그는 자신의 긍정을 말로 남기지 않았다. 결제와 계약과 재구매로 남겼다. 그러므로 물려받아야 할 것은 성공한 사람의 어조가 아니라 전환의 문법이다. 기업가에게 필요한 것은 반드시 성공한다는 확신이 아니라 세 개의 질문이다. 나의 긍정은 지금 어떤 가설인가 그 가설은 무엇으로 반증될 수 있는가 오늘 나는 그 반증에 노출될 어떤 행동을 할 것인가 긍정은 현실을 아름답게 해석하는 기술이 아니다. 아직 증명되지 않은 가능성을 세계와 충돌시켜 증거로 바꾸는 능력이다. 07전환 가능성을 증거로 전환하는 능력 윤석금 회장의 생애를 하나의 능력으로 압축하면, 그것은 낙관도 배짱도 아니다. 아직 증명되지 않은 가능성을 행동으로 옮기고, 그 행동을 시장의 반응으로 회수해 증거로 만드는 전환 능력이다. 다시 나열해 보면 구조는 매번 같다. 백과사전에서 그는 부모의 욕구를 가설로 세우고 구매로 검증했다. 정수기에서 그는 지불 방식을 가설로 세우고 실제 결제로 검증했다. 어린이책에서는 수백 번의 관찰을 하나의 판단으로 압축했고, 법정관리 이후에는 남은 자산을 다시 계산해 재출발의 근거로 삼았다. 그리고 그가 무너진 두 번(2007년의 인수, 2018년의 재인수) 모두 이 절차를 건너뛴 자리였다. 가설 → 접촉 → 반응 → 수정 → 증거 그는 남들보다 더 많은 가능성을 본 사람이 아니다. 자신이 본 가능성을 더 높은 비율로 증거까지 끌고 간 사람이다. 기업가의 실력은 발상의 크기가 아니라 이 비율에서 드러난다. 전환율 = 증거의 수 ÷ 가설의 수 그리고 AI는 이 분수의 분모를 폭발시켰다. 이제 누구나 하루에 수십 개의 가설을 만든다. 시장 분석, 페르소나, 가격 시나리오, 경쟁 지도, 사업계획서. 분모는 사실상 무한에 가까워졌다. 그러나 분자는 조금도 자동화되지 않았다. 고객을 만나는 일, 거절당하는 일, 결제를 받아내는 일, 틀렸음을 인정하고 다시 설계하는 일은 여전히 사람의 시간과 감수한 위험을 요구한다. 그러므로 AI 시대의 격차는 아이디어의 격차가 아니라 전환율의 격차다. AI는 통찰의 생성기가 아니라 조직기다. 재료는 여전히 세계와 부딪혀 본 사람만 갖고 있다. AI는 가설을 더 정교하고 설득력 있게 만들어 주지만, 그 가설이 참인지 거짓인지는 오직 고객만 알려준다. 도구가 좋아질수록 도구가 대신해 줄 수 없는 부분의 값이 올라간다. 그래서 오늘 창업자가 스스로에게 던져야 할 질문은 하나로 좁혀진다. 나는 지난 30일 동안 몇 개의 가설을 증거로 바꾸었는가. 가설은 무료가 되었고, 증거는 그만큼 비싸졌다. 믿음은 시작하게 하고, 행동은 배우게 하며, 증거가 세상을 설득한다. #기업가정신 #윤석금 #증거기반 #가설검증 #문제정의 #세일즈 #스타트업 #판단력 #복기 #에세이

The Age of SK Can Korea export intelligence, not just silicon? Analysis · HJAugust 2026 What comes after semiconductors? For forty years, semiconductors were the industry that fed Korea. The country made memory, and the world's phones, laptops, and servers ran on it. But the AI era is changing the question. What does Korea export after semiconductors? SK's answer isn't a chatbot or a single model. It's an "AI Factory" — infrastructure that trains, runs, and manufactures intelligence at scale. The plan threads SK Hynix's HBM, SK Telecom's national network and data-center operations, the group's energy and construction capacity, and NVIDIA's GPU and software stack into a single production system. On June 8, 2026, at SK's headquarters in Seoul, Chairman Chey Tae-won and NVIDIA CEO Jensen Huang stood together and made it official: a full-stack AI cloud partnership built on NVIDIA's DSX platform. Three weeks later, on June 29, SK Group put a number on the ambition at a national briefing on Korea's "Great Leap Forward" mega-projects: 15 gigawatts. That briefing wasn't SK's stage alone. Samsung Electronics Chairman Lee Jae-yong spoke first, laying out a nationwide investment map — expanded chip lines in Yongin, Hwaseong, and Pyeongtaek, a new complex in Gwangju, HBM back-end packaging in Cheonan and Onyang, robotics in Gumi, batteries in Ulsan, shipbuilding in Geoje, package substrates in Busan, and bio in Songdo. When Chey took the podium after him, he opened not with a number but a question: "Why should Korea do AI at all?" His answer had two parts — build a market that produces intelligence to cut society's costs, and grow the national economy on top of that market. Is the Age of SK really arriving? That's not yet decided. What is clear is that SK is asking a question of a scale Korean industry has rarely asked before. Not a data center — a factory that manufactures intelligence A conventional data center stores data and runs internet services. An AI data center does something different. Generative AI answering questions, agents executing tasks, robots parsing the physical world — all of it runs on enormous compute. In the process, AI manufactures tokens: the raw units that become sentences, images, code, and judgment. If a car factory produces cars and a power plant produces electricity, an AI Factory produces tokens — intelligence — out of compute. Competitiveness in the AI era isn't decided by who built the best model once. It's decided by who can secure the most compute, produce tokens at the lowest cost and power draw, and supply that capacity reliably to enterprises and industries. 15GW isn't an equipment upgrade. It's a scale that requires the transmission grid, regional industry, the semiconductor supply chain, and national energy policy to move together. SK isn't proposing to build a few data centers — it's proposing to build new industrial infrastructure for the country. Instead of guessing which model wins, own the road every model runs on One of the hardest problems in AI is that nobody knows which model wins in the end. Today's best model isn't guaranteed to lead in a few months. GPT could pull ahead, or Gemini, or Claude. A Chinese open-source model — or an architecture that hasn't appeared yet — could reshape the field entirely. Betting enormous capital on a single model is a lot like betting a single car brand will dominate the market forever. An AI Factory doesn't carry that bet. Whichever model wins, training and inference still need GPUs, HBM, networking, power, cooling, and data centers. The fiercer the model race gets, the larger compute demand can grow. In a gold rush, the steadiest money wasn't made by the miners who struck gold. It was made by the people selling jeans and pickaxes, running the railroads, financing the operation. An AI Factory is the pickaxe, the railroad, and the power plant of the AI age. SK's strategy isn't to guess who wins. It's to own the production base that whoever wins will have to use. Why SK It matters that this strategy came from SK and not another company. SK Hynix holds world-class strength in HBM, the memory format AI servers depend on. SK Telecom brings a national network, an enterprise customer base, and data-center operating experience. At the group level, SK has decades of experience running energy assets, industrial facilities, and megaprojects. None of these are independent assets. HBM goes into AI compute hardware; the network connects data and compute; the data center runs the GPUs. The compute that results feeds back into manufacturing, robotics, mobility, telecom, and enterprise AI. Wired together as a loop, SK stops being a telecom carrier or a memory supplier. HBMAIFactoryEnterprise &Industrial AIRising ComputeDemandNext-Gen Memory& Infra InvestmentTHE LOOPhow it feeds itself HBM → AI Factory → Enterprise & Industrial AI → Rising Demand → Next-Gen Investment → (back to HBM) If that loop closes, SK isn't a participant in one layer of the AI stack. It becomes the architect of AI infrastructure end to end — from the chip to the data-center floor. Chey Tae-won explained the loop with his own analogy: the way a child accumulates more memories with age, AI's memory demand grows exponentially as its capability and usage scale. At the same briefing, SK Hynix committed roughly ₩600 trillion to expanding DRAM capacity in Yongin, ₩100 trillion to NAND expansion in Cheongju, and ₩400 trillion to a new cluster in the Honam region. For Fab 4 at Yongin specifically, the Presidential Chief of Policy confirmed the completion target has been pulled forward a decade, from 2044 to 2034. The loop that starts and ends at HBM is, inside SK at least, already moving through real budget lines and real dates. That acceleration wasn't SK's decision alone. At the same briefing, Samsung Electronics said it would pull its own Honam timeline forward too, from a 2048 target to 2034–35. Between the two companies, the Honam commitments alone run to roughly ₩425 trillion from Samsung and ₩400 trillion from SK — and with a separate ₩81 trillion the government is directing toward an advanced-packaging hub in Chungcheong, the numbers coming out of this briefing look less like one company's bet and more like a state-directed reshuffling of where Korea's chip industry physically sits. That's also why NVIDIA wants SK. NVIDIA can't grow the AI market by selling GPUs alone. It needs local partners who can bring power, real estate, memory, networks, and enterprise customers together. SK needs NVIDIA. NVIDIA needs SK just as much. But NVIDIA's participation shouldn't be read as a guarantee of success — NVIDIA is expanding AI infrastructure partnerships across many countries and companies at once. SK appears to know this. In the two months since the June announcement, SK Telecom set up a separate standing committee with NVIDIA specifically on physical AI, and joined Anthropic's international security program, Project Glasswing, gaining early access to Claude Mythos, Anthropic's security-hardened model. Samsung Electronics, SK Hynix, and Korea's national internet security agency (KISA) joined the same program. The picture that's emerging isn't an infrastructure operator locked to a single GPU supplier. It's one building simultaneous relationships with several frontier AI labs at once. Is an AI Factory closer to sovereignty than a sovereign model? The most interesting claim here is that an AI Factory is closer to real AI sovereignty than a sovereign foundation model is. Even if Korea built its own foundation model, dependence on foreign GPUs, CUDA, open-source architectures, and imported networking gear would make full technological sovereignty hard to claim. Worse, a model's useful life can be shorter than the time it takes a national project to execute. By the time the model ships, a new generation may already have arrived. Sufficient domestic compute changes that calculus. If foreign API access were ever restricted, Korea could still run open-source models domestically, and process sensitive healthcare, defense, financial, and manufacturing data that's hard to send abroad in the first place. In that sense, AI sovereignty doesn't have to mean "localize everything." Choosing which models to use, controlling sensitive data, and holding the option to run whatever compute the state and its industries need — that's a form of sovereignty too. But it's just as risky to force a choice between sovereign models and AI Factories. A factory with no models, services, developers, or customers running on it is an expensive empty building. A model with no compute to run it never leaves the lab. What Korea needs isn't infrastructure versus models — it's the full chain: semiconductors, AI Factories, models, industrial services, and global customers, linked end to end. From declaration to execution: a 60-day record The June 8 announcement was only the opening move. Tracking what SK actually did in the two months after tells you whether this project is still a number, or already becoming an organization. Jun 8 Chairman Chey Tae-won and Jensen Huang formalize the NVIDIA DSX full-stack AI cloud partnership in Seoul. Target: Korea's first AI Factory online in 2027. SK Telecom joins the NVIDIA Cloud Partner program. Jun 29 At a presidential-attended national briefing, Chey Tae-won personally unveils the 15GW roadmap: a fast Phase 1 of 5GW, built in 0.5–1GW increments wherever power and land are ready, followed by a sequential Phase 2 of 10GW to reach 15GW by 2035 — with roughly ₩1,000 trillion earmarked for the AI data-center project alone. Jul 15 SK Telecom stands up a dedicated AI Data Center Task Force reporting directly to CEO Jung Jae-heon — split into business development and engineering arms. Jul 23 Board approves "SK Hyper," a new subsidiary for AI-DC business development, with ₩750B (~$540M) committed through 2030 for sites, substations, and anchor tenants. Jul 27 SK Telecom joins the Open Secure AI Alliance. Aug 5 Q2 earnings call reaffirms: "invest after demand is confirmed." A signal against committing capital ahead of confirmed demand. Two things stand out. First, within roughly forty days of the announcement, SK had a dedicated task force and a capitalized subsidiary in place — a sign this moved past press release into org design and budget allocation. Second, the same company that announced a headline-grabbing 15GW is using conspicuously conservative language about capital discipline once it's in execution mode. That contrast is exactly why this reads as industrial infrastructure rather than real-estate speculation. Standing up an organization and actually running 15GW are still years apart. But at minimum, in this early phase, SK appears to be conscious of the gap between declaration and execution — and is narrating its own progress against it. 15GW is both a vision and an enormous risk Large infrastructure bets don't succeed by announcement alone. AI data centers need enormous power. Transmission lines and substations have to be built, cooling water and equipment secured, and local communities brought on board. GPU generations turn over fast, which makes depreciation and refresh strategy a live cost issue. Above all, someone has to actually use the data center. That problem isn't abstract. According to Korea Electric Power Corporation, Gyeonggi Province — where most of the country's chip fabs sit — is only 59.2% self-sufficient in power, importing nearly half of what it uses from elsewhere. Jeollanam-do, by contrast, generates more than twice what it consumes (215.0% self-sufficiency), and had to curtail solar and wind output 82 times last year simply because the transmission grid couldn't carry the surplus. Korea's problem isn't a shortage of power — it's a mismatch between where power is made and where it's needed. SK's plan to split 15GW across "multiple regions with power and land ready" is, in effect, an attempt to close that gap. The catch is that solar and wind alone can't reliably run facilities that need to run around the clock; closing the gap also requires a power mix backed by nearby nuclear or LNG plants, plus transmission lines and storage that don't fully exist yet. The number that puts this in perspective isn't an estimate anymore — it's SK's own. Industry rules of thumb had long put the cost of 1GW of AI data-center capacity at roughly ₩70 trillion (about $50 billion), which scales to over ₩1,000 trillion for 15GW. At the June 29 briefing, Chey Tae-won put a real figure on it, and it landed almost exactly there: roughly ₩1,000 trillion for the AI data-center project alone. The fact that an outside rule of thumb and the company's own disclosure converge is, at minimum, evidence that this particular number isn't inflated. At the same briefing, SK separately earmarked roughly ₩1,100 trillion for memory-chip supply expansion — about ₩600 trillion for the Yongin DRAM buildout, ₩100 trillion for NAND expansion in Cheongju, and ₩400 trillion for the new Honam cluster. Chey also committed to average domestic investment above ₩100 trillion a year for the next decade. Add the AI Factory plan to the memory buildout, and the group has now put a number above ₩2,000 trillion on the table in Korea alone — the size of the ambition, and, in equal measure, the size of the risk if it doesn't land. There's a global backdrop, too. McKinsey projects global data-center demand growing 19–22% a year, with supply falling short — a roughly 15GW shortfall forecast in the US alone by 2030. SK's 15GW is close to that exact global shortfall in size, and about three times the scale of the US Stargate project (OpenAI, Microsoft, SoftBank; 5GW). The demand isn't fictional. The open question is whether SK can capture it competitively, from Korea, at a price that wins. A low utilization rate turns even the world's largest, most expensive data center into a loss. Without cheap, reliable power, SK can't compete on token production cost with overseas operators. Without a better price or deeper industry expertise than the global cloud majors, customers won't choose Korea. So the right way to judge SK's success isn't the size of the buildings or the headline investment figure. 01 Power actually secured, and when it comes online 2027 first unit targeted (plan) 02 Anchor customers under long-term contract Not disclosed 03 Reliable GPU and HBM supply Access path secured; volumes TBD 04 Token output per megawatt Not disclosed 05 Actual utilization of compute capacity Pre-launch 06 Cost per token produced Not disclosed 07 Share of revenue from overseas customers Not disclosed 08 AI revenue by industry — manufacturing, robotics, mobility Not disclosed 09 Cash flow and payback period against capital deployed ~₩1,000T total announced; payback TBD The fact that so few of these rows read "confirmed" is the point. The organization and the seed capital exist. The number only becomes an industry once each of these lines gets filled in. To become Korea's third infrastructure revolution The Gyeongbu Expressway changed how people and goods moved. Broadband changed how information and industry connected. For the AI Factory to become Korea's third infrastructure revolution, building enormous data centers can't be the finish line. The expressway mattered because companies, cities, logistics, and industry grew on top of it. Broadband mattered not because of the cable itself, but because e-commerce, gaming, content, and platforms were born on top of it. The AI Factory's value depends the same way on what gets built on top of it. Korean manufacturers need to use AI to redesign their processes. Robots need to move with more precision. Drug and materials discovery cycles need to shorten. Korean startups need to be able to sell services to the world from day one. When that happens, the AI Factory stops being a real-estate project and becomes the foundation of a productivity revolution. And if Korea can supply compute and industrial AI to the rest of Asia — not just domestic demand — "intelligence production capacity" becomes a genuine new export, following semiconductors. The Age of SK can't be declared yet SK bought Hynix once before, in the face of open market skepticism. When the AI era arrived, HBM turned SK Hynix into the linchpin of the global AI supply chain. Past success doesn't automatically guarantee future success. Building AI Factories demands more capital, more power, more complex stakeholders, and more time than the Hynix acquisition did. If AI demand grows more slowly than expected, or token prices fall sharply, profitability could wobble. If grid buildout slips or customer acquisition stalls, the plan collapses. SK's own emphasis on "invest after demand is confirmed" in its August earnings call reads as a sign it understands exactly this risk. Still, the bet matters because SK is looking at the right question for this era. Future competitiveness won't come only from announcing the flashiest model. It will come from the ability to produce intelligence at scale, reliably, economically — and supply it to industry. The Age of SK doesn't start with a big capex announcement. It starts when 15GW becomes actual power and steel, when steel becomes tokens, and when tokens become enterprise productivity and global revenue. Declaring a historic investment is the easy part. Turning that investment into a historic outcome is the hard part. If Korea moves from a country that produces semiconductors to one that produces and exports intelligence, this may be the moment we later remember as the start of a new industrial era. When that happens, people won't record it as "SK partnered with NVIDIA." They'll record that SK redesigned Korea's industrial base into the intelligence-production system of the AI age. #SKGroup#AIFactory#AIInfrastructure#Semiconductors#SKTelecom#SKHynix#NVIDIA#SovereignAI#KoreaTech#IntelligenceExport

SK의 시대가 온다 한국은 반도체를 넘어 '지능'을 수출할 수 있을까 Analysis · HJ2026년 8월 반도체 다음은 무엇인가 지난 40년, 반도체는 대한민국을 먹여 살린 가장 중요한 수출 산업이었다. 한국은 메모리를 만들었고, 세계의 스마트폰과 컴퓨터, 서버는 한국산 반도체로 움직였다. 그러나 AI 시대가 열리면서 질문 자체가 바뀌고 있다. 앞으로 한국은 반도체 다음으로 무엇을 수출할 것인가. SK가 내놓은 답은 새로운 챗봇이나 하나의 AI 모델이 아니다. AI를 학습시키고 실행하며, 대규모로 지능을 생산하는 'AI 팩토리'다. SK하이닉스의 HBM, SK텔레콤의 통신망과 데이터센터 운영 역량, 그룹의 에너지·건설 역량, 그리고 엔비디아의 GPU·소프트웨어 생태계를 하나의 생산 시스템으로 엮으려는 시도다. 2026년 6월 8일, 서울 서린빌딩. 최태원 SK그룹 회장과 젠슨 황 엔비디아 CEO가 나란히 서서 이 구상을 공식화했다. 엔비디아 DSX 플랫폼을 기반으로 한 '풀스택 AI 클라우드' 협력이었다. 그리고 3주 뒤인 6월 29일, SK그룹은 '대한민국 대도약 3대 메가프로젝트' 국민보고회에서 이 구상의 최종 규모를 밝혔다. 15기가와트. 이 국민보고회는 SK만의 무대가 아니었다. 최태원 회장에 앞서 연단에 오른 이재용 삼성전자 회장은 용인·화성·평택 반도체 라인 증설과 광주 신규 단지, 천안·온양 HBM 후공정, 구미 로봇, 울산 배터리, 거제 조선, 부산 패키지 기판, 송도 바이오로 이어지는 전국 단위 투자 지도를 먼저 공개했다. 뒤이어 마이크를 잡은 최태원 회장은 숫자가 아니라 질문으로 브리핑을 열었다. "대한민국은 왜 AI를 해야 할까요." 그가 제시한 답은 두 가지였다. 지능을 생산하는 시장을 만들어 사회의 고비용을 줄이는 것, 그리고 그 시장으로 국민 경제를 성장시키는 것이다. 정말 'SK의 시대'가 오고 있는가. 답은 아직 정해지지 않았다. 그러나 SK가 한국 산업사에서 좀처럼 보기 어려웠던 규모의 질문을 던지고 있다는 사실만은 분명하다. 데이터센터가 아니라 지능을 생산하는 공장 기존 데이터센터의 역할은 데이터를 저장하고 인터넷 서비스를 운영하는 것이었다. AI 데이터센터의 역할은 다르다. 생성형 AI가 질문에 답하고, AI 에이전트가 업무를 처리하며, 로봇이 현실을 인식하려면 막대한 연산이 필요하다. 이 과정에서 AI는 문장과 이미지, 코드와 판단을 구성하는 토큰을 끊임없이 생산한다. 자동차 공장이 자동차를 생산하고 발전소가 전기를 생산한다면, AI 팩토리는 연산을 통해 토큰과 지능을 생산한다. AI 시대의 경쟁력은 누가 가장 뛰어난 모델을 한 번 개발했느냐로 결정되지 않는다. 누가 더 많은 연산 능력을 확보하고, 더 낮은 비용과 적은 전력으로 토큰을 생산하며, 그 능력을 기업과 산업에 안정적으로 공급할 수 있는가로 결정된다. 15기가와트는 단순한 설비 확장이 아니다. 송전망, 지역 산업, 반도체 공급망, 국가의 에너지 정책까지 함께 움직여야 가능한 규모다. SK는 데이터센터 몇 개가 아니라 새로운 산업 기반을 건설하겠다고 선언한 것이다. 모델의 승자를 맞히는 대신, 모든 모델이 달릴 도로를 소유한다 AI 산업에서 가장 어려운 문제 중 하나는 어떤 모델이 최종 승자가 될지 아무도 모른다는 것이다. 오늘 가장 뛰어난 모델이 몇 달 뒤에도 선두를 유지한다는 보장은 없다. GPT가 앞설 수도, Gemini나 Claude가 우위를 차지할 수도 있다. 중국의 오픈소스 모델이나 아직 등장하지 않은 새로운 구조가 판을 바꿀 수도 있다. 특정 모델에만 거대한 자본을 베팅하는 것은 하나의 자동차 브랜드가 영원히 시장을 지배할 것이라 믿는 것과 다르지 않다. 반면 AI 팩토리는 특정 모델의 승리에 의존하지 않는다. 어떤 모델이 선택되든 학습과 추론에는 GPU, HBM, 네트워크, 전력, 냉각과 데이터센터가 필요하다. 모델 경쟁이 격렬해질수록 오히려 연산 인프라 수요는 커질 수 있다. 골드러시에서 가장 안정적으로 돈을 번 사람은 금을 발견한 광부만이 아니었다. 광부에게 청바지와 곡괭이, 운송과 금융을 제공한 사람들도 막대한 가치를 만들었다. AI 팩토리는 AI 시대의 곡괭이이자 철도이며 발전소다. SK의 전략은 어떤 모델이 승리할지 맞히는 것이 아니라, 승자가 누구든 반드시 사용해야 하는 생산 기반을 확보하려는 것이다. 왜 SK인가 이 전략이 다른 기업이 아니라 SK에서 나왔다는 점이 중요하다. SK하이닉스는 AI 서버에 필수적인 HBM 분야에서 세계적 경쟁력을 갖고 있다. SK텔레콤은 전국적인 통신망과 기업 고객, 데이터센터 운영 경험을 보유하고 있다. 그룹 차원에서는 에너지, 산업 설비와 대규모 프로젝트를 운영해 온 경험도 갖추고 있다. 이 요소들은 서로 독립된 자산이 아니다. HBM은 AI 연산 장비에 들어가고, 통신망은 데이터와 연산을 연결하며, 데이터센터는 GPU를 운영한다. 확보된 연산 능력은 다시 제조업, 로봇, 모빌리티, 통신과 기업용 AI 서비스에 공급된다. 이를 하나의 순환 구조로 연결하면 SK는 통신회사나 메모리 기업을 넘어선다. HBMAI 팩토리기업·산업용AI연산 수요확대차세대 메모리·인프라 투자THE LOOP스스로를 먹여살리는 구조 HBM → AI 팩토리 → 기업·산업용 AI → 연산 수요 확대 → 차세대 투자 → (다시 HBM) 이 구조가 완성된다면 SK는 AI 산업의 한 부분에 참여하는 기업이 아니라, 칩에서 데이터센터 운영까지 연결하는 AI 인프라 설계자가 된다. 최태원 회장은 이 순환 구조를 하나의 비유로 직접 설명했다. 아이가 나이를 먹을수록 쌓인 기억이 많아지듯, AI의 성능과 사용량이 늘어날수록 저장해야 할 메모리 수요도 기하급수적으로 늘어난다는 것이다. 실제로 SK하이닉스는 같은 자리에서 용인의 D램 증산에 약 600조원, 청주 낸드 증설에 약 100조원, 신규 호남권 클러스터에 약 400조원을 투입하겠다고 밝혔다. 용인 클러스터 4호기의 경우, 원래 2044년 완공 목표였던 일정이 청와대 정책실장의 설명대로 2034년으로 10년 앞당겨졌다. HBM에서 출발해 다시 HBM 투자로 돌아오는 이 순환 구조는, 적어도 SK 내부에서는 이미 예산과 일정으로 움직이고 있다. 이 가속은 SK 혼자만의 결정이 아니었다. 같은 자리에서 삼성전자 역시 2048년까지 잡혀 있던 자체 계획을 2034~35년으로 앞당기겠다고 밝혔다. 두 회사가 호남에 짓겠다고 밝힌 금액만 삼성전자 약 425조원, SK 약 400조원 — 정부가 별도로 조성 중인 충청권 첨단 패키징 거점 81조원까지 더하면, 이번 국민보고회에서 나온 반도체 공급 확장 숫자 전체가 SK 한 그룹의 결단이 아니라 정부가 주도한 국가 단위 산업 재배치라는 사실이 드러난다. 엔비디아가 SK와 협력하는 이유도 여기에 있다. 엔비디아는 GPU만 판매해서는 AI 시장 전체를 확장할 수 없다. 대규모 전력, 데이터센터, 메모리, 통신망과 기업 고객을 연결할 현지 파트너가 필요하다. SK에는 엔비디아가 필요하지만, 엔비디아에도 SK가 필요하다. 그러나 엔비디아의 참여를 사업 성공의 보증서로 해석해서는 안 된다. 엔비디아는 여러 국가·기업과 AI 인프라 협력을 확대하는 중이다. SK도 이 사실을 알고 있는 것으로 보인다. 6월 협력 발표 이후 두 달 사이, SK텔레콤은 엔비디아와 별도로 '피지컬 AI' 정기 협의체를 구성했고, 앤트로픽의 국제 보안 협력 프로그램 '프로젝트 글래스윙'에도 합류해 고성능 보안 특화 모델 '클로드 미토스'의 조기 접근권을 확보했다. 같은 프로그램에는 삼성전자, SK하이닉스, 한국인터넷진흥원도 이름을 올렸다. 하나의 GPU 공급자에게 종속된 인프라가 아니라, 복수의 프런티어 AI 기업과 동시에 관계를 맺는 인프라 사업자. SK가 그리는 그림은 여기에 가깝다. 소버린 AI보다 AI 팩토리인가 가장 흥미로운 주장은 소버린 AI보다 AI 팩토리가 현실적인 AI 주권에 가깝다는 것이다. 한국이 자체 파운데이션 모델을 개발하더라도 해외 GPU, CUDA, 오픈소스 아키텍처와 외국산 네트워크 장비에 의존한다면 완전한 기술 주권이라 말하기 어렵다. 더욱이 모델의 기술적 수명은 국가 프로젝트의 집행 속도보다 짧을 수 있다. 모델이 완성될 때쯤 이미 새 세대가 등장해 있을 가능성이 크다. 반면 국내에 충분한 AI 연산 능력이 있다면 상황은 달라진다. 해외 API 접근이 제한되더라도 오픈소스 모델을 자체 배포할 수 있고, 의료·국방·금융·제조 데이터처럼 외부로 보내기 어려운 정보를 국내에서 처리할 수 있다. 이런 의미에서 AI 주권은 "모든 기술을 국산화하는 것"만을 뜻하지 않는다. 필요한 모델을 선택하고, 중요한 데이터를 통제하며, 국가와 기업이 필요로 하는 연산을 안정적으로 수행할 수 있는 '선택권'을 확보하는 것도 주권이다. 그러나 소버린 모델과 AI 팩토리를 완전히 대립시키는 것도 위험하다. 공장만 있고 그 위에서 작동할 모델, 서비스, 개발자와 고객이 없다면 거대한 설비는 값비싼 빈 건물이 된다. 모델만 있고 그것을 실행할 연산 능력이 없다면 기술은 실험실을 벗어나지 못한다. 한국에 필요한 것은 모델이냐 인프라냐의 양자택일이 아니라, 반도체–AI 팩토리–모델–산업용 서비스–글로벌 고객을 잇는 완전한 가치사슬이다. 선언에서 실행으로: 60일의 기록 6월 8일의 발표는 시작에 불과했다. 그 뒤 두 달, SK가 실제로 움직인 흔적을 시간순으로 추적하면 이 프로젝트가 아직 '숫자'인지, 이미 '조직'으로 바뀌고 있는지 가늠할 수 있다. 06.08 최태원 회장·젠슨 황 CEO, 서울 서린빌딩에서 엔비디아 DSX 기반 풀스택 AI 클라우드 협력 공식화. 2027년 한국 첫 AI 팩토리 가동 목표 발표. SKT, 엔비디아 클라우드 파트너 프로그램 합류. 06.29 대통령 참석 '대한민국 대도약 3대 메가프로젝트' 국민보고회에서 최태원 회장이 직접 15GW 로드맵 발표. 전력·부지가 준비된 지역부터 0.5~1GW 단위로 쪼개 1단계 5GW를 최대한 빠르게 구축하고, 이어 2단계 10GW를 순차 확대해 2035년까지 총 15GW 완성. AI 데이터센터 프로젝트에만 약 1,000조원 투자 예고. 07.15 SK텔레콤, CEO 정재헌 직속 'AI DC 통합추진단' 신설. 사업개발 조직과 설계·시공 담당 엔지니어링 조직으로 이원화. 07.23 사업개발 전문 자회사 'SK하이퍼' 설립 이사회 의결. 2030년까지 7,500억원 출자 확정. 부지 확보, 변전소 구축·운영, 핵심 입주사 유치 전담. 07.27 SK텔레콤, 'Open Secure AI Alliance' 합류. 08.05 2분기 실적 컨퍼런스콜에서 "수요를 확인한 뒤 투자한다"는 원칙 재확인. 확정되지 않은 수요에 앞서 자본을 태우지 않겠다는 신호. 이 기록에서 눈에 띄는 것은 두 가지다. 첫째, SK는 발표 40여 일 만에 전담 조직과 자본이 배정된 별도 법인을 세웠다. 이는 이 프로젝트가 보도자료 수준의 선언이 아니라 조직 개편과 예산 편성을 동반한 실행 단계로 넘어갔다는 뜻이다. 둘째, 정작 SK 스스로는 "수요 확인 후 투자"라는 보수적인 언어를 쓰고 있다. 대담한 숫자를 발표한 회사가 실행 국면에서는 신중한 자본 규율을 강조하는 이 대비는, 이 프로젝트를 부동산 개발이 아니라 산업 인프라로 읽어야 하는 이유이기도 하다. 물론 조직을 만드는 것과 15GW를 실제로 가동하는 것 사이에는 여전히 몇 년의 거리가 있다. 그러나 최소한 이 초기 국면에서, SK는 선언과 실행 사이의 간극을 스스로 의식하고 있는 것으로 보인다. 15GW는 비전인 동시에 거대한 위험이다 대규모 인프라 투자는 발표만으로 성공하지 않는다. AI 데이터센터에는 막대한 전력이 필요하다. 송전망과 변전소를 건설해야 하고, 냉각을 위한 용수와 설비가 필요하며, 지역사회의 동의도 확보해야 한다. GPU 세대가 빠르게 바뀌기 때문에 장비의 감가상각과 교체 전략도 중요하다. 무엇보다 데이터센터를 실제로 사용할 고객이 있어야 한다. 이 문제는 추상적이지 않다. 한국전력에 따르면 반도체 공장이 몰린 경기도의 전력자립도는 59.2%로, 쓰는 전기의 절반 가까이를 다른 지역에서 끌어온다. 반면 전남은 215.0%로 스스로 쓰는 것보다 두 배 넘게 발전하며, 송전망 부족으로 태양광·풍력 발전을 강제로 줄이는 '출력제어'가 지난해 82회나 발생했다. 한국의 문제는 전기가 부족한 게 아니라, 전기가 나는 곳과 전기가 필요한 곳이 어긋나 있다는 것이다. SK가 15GW를 "전력과 부지가 갖춰진 여러 지역"에 나눠 짓겠다고 밝힌 것도 이 어긋남을 해소하는 쪽에 가깝다. 다만 태양광과 풍력만으로 24시간 가동되는 시설을 안정적으로 감당하기는 어렵다는 지적도 있다. 인근 원전·LNG 발전과 조합하는 전력 믹스, 그리고 아직 다 갖춰지지 않은 송전망과 에너지저장장치(ESS)가 함께 마련돼야 한다. 규모를 가늠할 수 있는 숫자가 이제는 추산이 아니라 SK의 육성으로 존재한다. 업계는 1GW급 AI 데이터센터 구축에 통상 약 70조원이 든다고 추산해 왔고, 이를 15GW에 대입하면 1,000조원을 넘는다. 6월 29일 국민보고회에서 최태원 회장이 직접 밝힌 숫자도 정확히 이 범위였다 — AI 데이터센터 프로젝트에만 약 1,000조원. 업계의 거친 추산과 회사의 실제 발표가 거의 일치한다는 점은, 적어도 이 숫자만큼은 부풀린 비전이 아니라는 방증이기도 하다. 같은 자리에서 SK는 별도로 반도체 공급 확장에 약 1,100조원을 예고했다 — 용인 D램 증산 약 600조원, 청주 낸드 증설 약 100조원, 신규 호남권 클러스터 약 400조원이다. 최태원 회장은 향후 10년간 국내 투자를 매년 100조원 이상 이어가겠다고도 밝혔다. AI 팩토리와 메모리 반도체 투자를 더하면 SK 한 그룹이 한국에서 움직이겠다고 밝힌 돈만 2,000조원을 넘는다 — 이는 비전의 크기이자, 동시에 실패했을 때 감당해야 할 위험의 크기이기도 하다. 전 세계적 맥락도 있다. 맥킨지는 글로벌 데이터센터 수요가 매년 19~22%씩 성장할 것으로 내다봤고, 공급이 이를 따라가지 못해 2030년 미국에서만 약 15GW의 공급 부족이 발생할 것으로 전망했다. SK의 15GW는 이 세계적 부족분과 거의 같은 크기이며, 미국 오픈AI·마이크로소프트·소프트뱅크의 스타게이트 프로젝트(5GW)의 세 배에 달하는 수치이기도 하다. 수요 자체는 허구가 아니라는 뜻이다. 문제는 그 수요를 SK가, 한국에서, 가격 경쟁력 있게 잡아낼 수 있느냐다. 가동률이 낮으면 세계에서 가장 크고 비싼 데이터센터도 수익을 만들지 못한다. 저렴하고 안정적인 전력을 확보하지 못하면 해외 사업자와 토큰 생산비 경쟁을 하기 어렵다. 글로벌 클라우드 기업보다 나은 가격이나 산업별 전문성을 제시하지 못하면 고객은 한국을 선택하지 않는다. 따라서 SK의 성공을 판단하는 기준은 건물의 크기나 투자 발표 금액이 아니다. 01 실제로 확보한 전력과 가동 시점 2027년 1호기 목표 (계획) 02 장기 계약을 체결한 핵심 고객 미공개 03 GPU와 HBM의 안정적인 공급 공급 경로 확보, 물량 미확정 04 메가와트당 토큰 생산 성능 미공개 05 연산 자원의 실제 가동률 가동 전 06 토큰당 생산 비용 미공개 07 해외 고객이 차지하는 비중 미공개 08 제조·로봇·모빌리티 등 산업별 AI 매출 미공개 09 투자 대비 현금흐름과 자본 회수 기간 총 사업비 약 1,000조원 발표, 회수 구조 미정 '확정'으로 표시된 항목이 아직 소수라는 사실 자체가 이 글의 핵심이다. 조직과 초기 자본은 갖춰졌지만, 이 지표들이 하나씩 채워져야 15GW라는 숫자가 비전에서 산업으로 바뀐다. 한국의 세 번째 인프라 혁명이 되려면 경부고속도로는 사람과 상품의 이동 방식을 바꿨다. 초고속인터넷은 정보와 산업의 연결 방식을 바꿨다. AI 팩토리가 세 번째 국가 인프라 혁명이 되려면, 거대한 데이터센터를 건설하는 데 그쳐서는 안 된다. 고속도로가 의미 있었던 이유는 도로 위에서 기업과 도시, 물류와 산업이 성장했기 때문이다. 초고속인터넷이 성공한 이유도 케이블 자체가 아니라 그 위에서 전자상거래, 게임, 콘텐츠와 플랫폼이 탄생했기 때문이다. AI 팩토리의 가치도 그 위에서 무엇이 만들어지는가에 달려 있다. 한국의 제조기업이 AI로 공정을 혁신하고, 로봇이 더 정교하게 움직이며, 신약과 신소재 개발 기간이 줄어들고, 한국 스타트업이 세계 시장을 대상으로 서비스를 제공할 수 있어야 한다. 그때 AI 팩토리는 부동산 개발 사업이 아니라 생산성 혁명의 기반이 된다. 그리고 한국이 국내 수요를 넘어 아시아 기업에 연산과 산업 AI를 제공할 수 있다면, 반도체에 이어 '지능 생산 능력'이 새로운 수출품이 될 수 있다. 'SK의 시대'는 아직 선언할 수 없다 SK는 과거에도 시장의 회의 속에서 하이닉스를 인수했다. 이후 AI 시대가 도래하면서 HBM은 SK하이닉스를 세계 AI 공급망의 핵심으로 끌어올렸다. 그러나 과거의 성공이 미래의 성공을 자동으로 보장하지는 않는다. AI 팩토리 투자는 하이닉스 인수보다 더 많은 자본과 전력, 더 복잡한 이해관계자와 더 긴 시간을 요구한다. AI 수요가 예상보다 느리게 증가하거나 토큰 가격이 급격히 하락한다면 수익성은 흔들릴 수 있다. 전력망 구축이 지연되거나 고객 확보에 실패해도 계획은 무너진다. SK 스스로 8월 실적 발표에서 "수요 확인 후 투자"를 강조한 것도 이 위험을 인지하고 있다는 신호로 읽을 수 있다. 그럼에도 이 투자가 중요한 이유는 SK가 AI 시대의 핵심 질문을 정확히 보고 있기 때문이다. 미래의 경쟁력은 가장 화려한 AI 모델을 발표하는 데서만 나오지 않는다. 지능을 대규모로, 안정적으로, 경제적으로 생산하고 산업에 공급하는 능력에서 나온다. SK의 시대는 대규모 투자 발표와 함께 자동으로 시작되지 않는다. 15GW를 실제 전력과 설비로 바꾸고, 설비를 토큰으로 바꾸며, 토큰을 기업의 생산성과 글로벌 매출로 바꿀 때 비로소 시작된다. 역사적 투자를 선언하는 것은 어렵다. 그러나 더 어려운 일은 그 투자를 역사적 성과로 바꾸는 것이다. 한국이 반도체를 생산하는 나라에서 지능을 생산하고 수출하는 나라로 전환한다면, 우리는 훗날 지금을 새로운 산업 시대가 시작된 순간으로 기억할 수 있다. 그때 사람들은 "SK가 엔비디아와 손잡았다"고 기록하지 않을 것이다. SK가 한국의 산업 기반을 AI 시대의 지능 생산 시스템으로 다시 설계했다.

Finding the Person Behind the Résumé In the age of AI, hiring stops being about reading a career — and becomes about interpreting evidence. The person who changes an early-stage startup's fate is rarely the one with the most impressive title. Before the product is finished, before the market is clear, before anyone can articulate why a customer should buy — someone has to find the problem and cut the path forward. That person isn't executing a defined job description. They're figuring out, alongside the founder, where the company needs to go. That kind of person matters even more now that AI has compressed product-development timelines. Building used to take real time and real capital. Today a two-person team can ship a working prototype in days, and so can the competition. Building something good is no longer enough to survive. The bottleneck has moved from building the product to reaching the market. Who understands the customer more precisely? Who can explain the product's value more persuasively? Who learns fastest from early customer reactions and rewrites the message accordingly? Who can turn limited resources into a repeatable acquisition motion? The person who can answer those questions is the early-stage GTM talent every founder is looking for. The problem is that a conventional résumé is a poor instrument for finding them. An Era Where Every Résumé Looks Excellent For decades, the résumé was where hiring began. Candidates listed employers, responsibilities, and achievements in bullet points; companies filtered on degrees, titles, tenure, and keywords. Generative AI has quietly broken that system. Anyone can now produce a polished, professional-sounding résumé in minutes. Ordinary experience comes out the other side reading like a strategic achievement. "I talked to customers" becomes "led a customer-centric market discovery process." "I made sales materials" becomes "built a data-driven sales enablement system for key stakeholders." Better sentences don't mean better capability. But on paper, every applicant now looks strategic, data-driven, and AI-native. The founder's real problem was never a shortage of applicants. The real problem is not having enough information to know who to talk to first. Interviews help — but founders can't interview everyone. A founder building the product, meeting customers, and courting investors simply cannot sit through dozens of candidate conversations. The central hiring question has to shift from "who has the best résumé?" to something else entirely: Who has actually solved a similar problem before — and how can we verify it? That question is where Saywise's Resume 2.0, and the role of the Evidence Builder, begins. the sentences got better — the evidence didn't Case 1 · Two "GTM Leaders," Two Completely Different People Imagine a Seed-stage B2B AI startup hiring its first GTM lead. The product is strong, but the customer segment isn't yet clear. The founder is an engineer who has landed three customers so far through personal connections. Now the company needs a repeatable acquisition engine. Exhibit A · Candidate ComparisonVerification Pending Candidate A Well-known SaaS company · 7 yrs · Marketing Director, managed 20 Managed a $10M annual marketing budget Ran global campaigns Grew lead volume by 40% Fluent in Salesforce, HubSpot, Marketo Candidate B Unknown startup · 3 yrs · Growth Lead, team of 2 42 customer interviews — discovered low buying intent in the existing target segment AI-classified interview transcripts to extract buying language; changed the product's primary use case Cold-email reply rate: 2.1% → 9.4% 18 paying customers in 6 months, verified directly by the previous founder Neither candidate is objectively "better" — Candidate A might well be the stronger hire at a growth-stage company. But for this Seed-stage problem, Candidate B is far more likely to move the needle. A conventional résumé would rank Candidate A higher. Evidence-based hiring shows why Candidate B actually fits the company's current stage. The goal isn't finding the more impressive person — it's finding the person with the most relevant evidence for the problem at hand, right now. the straight line of a claim · the trail of evidence Using AI Tools Is Not the Same as Being AI-Native Plenty of candidates list ChatGPT, Claude, Gemini, or Notion AI on their résumés. But naming a tool is not evidence of AI capability. Writing with an AI tool doesn't make someone AI-native. What matters is which problem they identified, why they chose AI as the solution, how they combined AI output with human judgment, and how their way of working actually changed as a result. AI-native talent isn't just someone who works faster. It's someone who makes possible, in a new way, something that used to be impossible or prohibitively expensive. Case 2 · How Do You Verify "I'm Good at Using AI"? Say a startup is hiring a Product Marketing Manager. A candidate's profile states: "Used AI to improve content production 10x." That sentence alone tells you almost nothing. The Evidence Builder asks: What was the actual problem? How was it solved before? What AI workflow did they build? What did AI handle, and what did human judgment handle? What trial and error occurred along the way? How was the outcome measured? Can someone else repeat this process? Exhibit B · Workflow VerificationVerified Previously, producing one customer case study — interviews, transcription, extracting key quotes, drafting, customer review — took about three weeks. The candidate built a system that used AI to analyze interview transcripts and classify them by problem, adoption trigger, objections, and quantified outcomes. Crucially, the AI draft was never used as-is: the candidate separated the customer's actual language from AI's exaggerations, and worked with sales to re-verify which moments actually influenced the buying decision. Production time: 3 weeks → 5 daysSales-meeting conversion: +18%Templates and checklist documented for the team What matters here isn't the fact that they "used ChatGPT." It's the ability to structure a problem, the judgment to catch AI's errors, the discipline to preserve the customer's own language, the way results were measured, and the ability to turn all of it into a system others can repeat. That's what AI-native capability actually looks like. Saywise's job isn't to slap a single AI score on a candidate — it's to surface the real behavior and outcomes behind that score. AI capability has to be proven through the process of solving a problem — not through a list of tools. Companies Have to Prove Themselves Too Evidence-based hiring can't be a one-way verification system. Early-stage startups sell candidates on their vision and growth potential, but job postings converge on the same handful of phrases: "fast-growing team." "Product that will change the world." "High autonomy and ownership." "World-class colleagues." From the candidate's side, those claims are just as hard to verify. Good GTM talent wants to know, before joining: Are there real customers actually using the product? Does the founder deeply understand the customer's problem? What outcome is expected from this role in the first 90 days? When the product doesn't sell, does the founder blame the person or revise the hypothesis? Does the GTM lead have real decision-making authority? What has already been tried, and what failed? How does the culture the company describes actually show up day to day? Which means a Saywise company profile can't just be a recruiting-brand page — it has to be the company's own Evidence Profile. Case 3 · Why a Great Candidate Turned Down the Offer Imagine an AI startup finds an exceptional Founding GTM candidate — someone with real early-customer experience and real AI workflow-building skill. And the candidate turns the offer down anyway. The company's pitch promised "high autonomy to design GTM strategy from scratch." But in the interviews, it became clear the founder actually wanted someone to execute against an already-decided customer segment and message. When the candidate suggested revisiting that segment, the founder read it as a lack of execution. What the company actually needed wasn't a Founding GTM strategist — it was a sales lead to run a plan that was already set. Neither side was wrong. The expectations for the role were simply never aligned in the first place. Saywise could have prevented this by extracting, upfront, from the company: What the role needs to deliver in 90 days What's already decided versus what's genuinely open to challenge Where decision-making authority actually sits between founder and GTM lead How failure is defined The mix of executor, architect, and manager the company actually wants The market hypothesis currently under the most uncertainty This is why Working-Style Alignment matters more than plain Culture Fit. Culture Fit tends to collapse into "is this person like us?" Working-Style Alignment asks a sharper question: "can this person and this organization actually produce results together, given the current environment?" What Does an Evidence Builder Actually Do? An Evidence Builder isn't in the business of dressing candidates up. They're not polishing an applicant's story with AI, or inflating ordinary experience into a landmark achievement. An Evidence Builder closes the distance between a claim and its evidence. When a candidate says "I'm good at GTM strategy," they ask: In which market, and what hypothesis? What was that judgment based on? What changed because of customer reaction? What experiments failed? What was the final result — and what part of it did this person actually own? When a company says "we need AI-native talent," they ask again: What does AI-native concretely mean at this company? Do you want someone who works faster with AI, or someone who redesigns how the work gets done? What AI-driven outcome should this person deliver in 90 days? What artifacts and experience would make that believable? The Evidence Builder's role doesn't stop at evaluating people. They define precisely what a company actually needs, surface the relevant evidence buried in a candidate's experience, and structure the information so both sides can have a sharper conversation. The output isn't a candidate profile — it's a decision document that includes: Why this candidate is being recommended Real experience that connects to the current role Evidence of AI use and workflow design Verifiable artifacts and results Key judgment calls and trial-and-error External verification from colleagues, customers, or founders Claims that remain unverified Anticipated risk factors Questions that must be tested in the interview A good Evidence Report doesn't unconditionally praise the candidate. It shows, side by side, what can be trusted and what still needs to be checked. An Evidence Builder Bridging the Korea–U.S. Market This role matters even more when connecting Korean AI talent to U.S. startups. When a strong builder in Korea tries to convey their experience to a U.S. company, plain translation isn't enough — titles, org structures, customer relationships, and the very criteria for judging performance don't map cleanly across the two markets. Say a technical sales professional in Korea ran an 18-month enterprise PoC. Their résumé might read: Led AI-solution PoC and technical sales support for major enterprise accounts. That single sentence carries almost none of the actual information. An Evidence Builder reconstructs the experience instead: The problem the customer was originally trying to solve Constraints in the existing data and operating environment The stakeholders who had to be convinced before the PoC could even start What was negotiated between the technical and business teams The customer's objections and barriers to adoption The evaluation criteria the candidate personally designed Hypotheses that changed mid-PoC The final adoption decision, and why Learnings that could be applied to other customers Framed this way, a U.S. AI startup can see this candidate isn't just a sales support hire — they're a Technical GTM Builder capable of connecting engineering and business inside a complex enterprise account. Translation moves sentences from one language to another. Evidence Building converts the meaning of an experience into a structure another market can actually understand and trust. That is precisely why Hanjong's role isn't limited to introducing Korean companies or candidates to the U.S. market — it's why he can position himself as a Korea–U.S. GTM & Evidence Partner. What Saywise Should Be Selling Isn't a Database Hiring platforms love to advertise how many candidates they hold — hundreds of thousands of profiles, tens of thousands of professionals, thousands of "verified" candidates. But that's not what an early-stage founder actually wants. What a founder wants is a handful of exactly the right people, worth talking to right now. The experience Saywise should deliver is this simple: 5 verified candidates5 Evidence Reports3 meaningful interviews1 high-probability hire Saywise's real edge won't come from accumulating more profiles. It will come from: How precisely it defines a company's current problem How deeply it surfaces candidate evidence relevant to that problem How clearly it separates verified fact from self-reported claim How much uncertainty it removes before the interview How well hiring outcomes feed back into the evaluation system The Evidence data accumulated in that process can become Saywise's single most valuable asset. The First Pilot Should Be Small but Deep Saywise's first pilot shouldn't aim for volume. Five Seed–Series A startups planning to hire a Founding GTM or core GTM person in the next 90 days is enough. Run a 30-minute interview with each: What's the most important growth problem right now? What problem is this hire supposed to solve? What outcome is expected within 90 days? What failed in a previous GTM hire or outside consulting engagement? What was hard to verify from a résumé alone? What does "AI-native" concretely mean at this company? What type of person, no matter how strong their résumé, simply wouldn't fit? Turn that into a one-page Ideal Candidate Evidence Brief, then recommend three to five candidates per company — each with a report covering relevant artifacts, AI-use evidence, judgment and decision trail, external verification, risk factors, and interview questions. Once the pilot ends, measure more than whether someone got hired: Time to first candidate recommendation Interview conversion rate of recommended candidates Which piece of evidence the founder found most useful Reduction in unnecessary interviews versus existing channels Where recommendations turned out to be wrong Role fit at 30 and 90 days post-hire Once that data accumulates, Saywise won't need to just say "we found good candidates." It will be able to prove under what conditions evidence-based hiring produces faster, more accurate decisions. Saywise itself has to grow through evidence. ✦ ✦ ✦ evidence, repeated, finally becomes trust Trust Isn't Declared. It's Accumulated. In the AI era, anyone can write a great sentence. Individuals can produce polished résumés; companies can produce compelling employer brands. The cost of a claim keeps falling. The cost of trust does not. Trust forms only when real behavior, real artifacts, real judgment, real failures, real corrections, and real results accumulate over time. Which means the hiring platform of the future can't just be a place to search for people — it has to be the infrastructure that connects human and company claims to verifiable evidence. What Saywise needs to build isn't just a new résumé format. It's an Evidence Layer that helps founders answer: What has this person actually done? Under what constraints did they solve the problem? Did they just consume AI, or did they redesign how the work gets done? What did they learn — not just from success, but from failure? How does this experience connect to the problem we need solved right now? What's confirmed already, and what still needs to be tested in the interview? If Saywise is the platform where people are discovered, the Evidence Builder is the person who structures why that person can be trusted. And Hanjong's role goes beyond simply introducing Korean companies or candidates to the U.S. market. It is to surface the founder's real hiring problem, convert a candidate's experience into verifiable evidence, and accumulate the results of every hire into a system that can be repeated. Competitive advantage in the AI era doesn't come from telling the most compelling story. It comes from the ability to show what you actually did, explain your own judgment, and leave a visible trace of contact with reality. Words can generate interest. Evidence makes a decision possible. Evidence, repeated, finally becomes trust. That is what hiring looks like after Resume 2.0 — and it is the future Saywise and its Evidence Builders can build together.

AI 시대, 채용은 경력을 읽는 일이 아니라 증거를 해석하는 일이 된다. 문제AI가 모든 이력서를 그럴듯하게 만들면서, 표현만으로 실제 역량을 구별하기 어려워졌다. 전환직함과 키워드 대신 작업물·판단·실패·수정·성과의 연결을 읽어야 한다. 기회Saywise는 채용 플랫폼을 넘어 신뢰 가능한 의사결정을 만드는 Evidence Layer가 될 수 있다. Reading map · 8 min01 · 이력서가 놓치는 것02 · 세 가지 채용 사례03 · Evidence Cycle04 · 첫 파일럿과 한종님의 역할 초기 스타트업의 운명을 바꾸는 사람은 언제나 화려한 직함을 가진 사람이 아니다. 아직 제품이 완성되지 않았고, 시장도 명확하지 않으며, 고객이 왜 이 제품을 구매해야 하는지조차 정리되지 않은 상황에서 문제를 발견하고 길을 만들어내는 사람이 있다. 그는 정해진 업무를 수행하는 직원이 아니라, 회사가 어디로 가야 하는지를 창업자와 함께 찾아가는 사람이다. 특히 AI로 제품 개발 속도가 빨라진 오늘날에는 이러한 사람의 중요성이 더욱 커지고 있다. 과거에는 제품을 만드는 데 많은 시간과 자본이 필요했다. 그러나 이제는 작은 팀도 AI를 이용해 며칠 또는 몇 주 만에 프로토타입을 만들 수 있다. 경쟁사 역시 비슷한 속도로 제품을 출시할 수 있다. 좋은 제품을 만들었다는 사실만으로는 시장에서 살아남기 어려워졌다. 이제 병목은 제품 개발보다 시장 진입에 있다. 누가 고객을 더 정확하게 이해하는가. 누가 제품의 가치를 더 설득력 있게 설명하는가. 누가 초기 고객의 반응을 빠르게 학습하고 메시지를 수정하는가. 누가 제한된 자원으로 반복 가능한 고객 획득 구조를 만드는가. 이러한 질문에 답할 수 있는 사람이 바로 초기 스타트업의 GTM 인재다. 문제는 이런 사람을 기존 이력서로는 제대로 발견하기 어렵다는 것이다. 모든 이력서가 훌륭해 보이는 시대 이력서는 오랫동안 채용의 출발점이었다. 지원자는 자신이 근무한 회사와 담당했던 업무, 달성한 성과를 불릿포인트로 정리했다. 기업은 학력, 직함, 근속기간, 키워드를 기준으로 후보자를 선별했다. 그러나 생성형 AI가 등장하면서 이 구조는 근본적인 한계에 직면했다. 이제 누구나 몇 분 안에 전문적인 이력서를 만들 수 있다. 평범한 경험도 AI를 거치면 전략적이고 세련된 성과처럼 표현된다. "고객과 대화했다"는 경험은 "고객 중심의 시장발견 프로세스를 주도했다"로 바뀐다. "영업자료를 만들었다"는 업무는 "핵심 이해관계자를 위한 데이터 기반 세일즈 인에이블먼트 시스템을 구축했다"로 표현된다. 문장이 좋아졌다고 해서 실제 역량까지 좋아진 것은 아니다. 하지만 서류상으로는 모든 지원자가 전략적이고 데이터 중심적이며 AI-native인 사람처럼 보인다. 따라서 초기 스타트업 창업자의 문제는 지원자가 부족한 것이 아니다. 누구를 먼저 만나야 하는지 판단할 수 있는 정보가 부족한 것이 진짜 문제다. 면접을 하면 어느 정도 알 수 있다. 그러나 창업자는 모든 지원자를 면접할 수 없다. 제품을 만들고, 고객을 만나고, 투자자를 설득해야 하는 창업자가 수십 명의 후보자를 일일이 인터뷰하는 것은 불가능하다. 채용에서 가장 중요한 질문은 "누가 훌륭한 이력서를 가지고 있는가?"가 아니라 다음과 같이 바뀌어야 한다. 누가 실제로 비슷한 문제를 해결해 보았으며, 우리는 그것을 어떻게 확인할 수 있는가? 이 질문에서 Saywise의 Resume 2.0과 Evidence Builder의 역할이 시작된다. 사례 1 · 같은 'GTM 리더'이지만 전혀 다른 두 사람 Seed 단계의 B2B AI 스타트업이 첫 번째 GTM 리더를 채용한다고 가정해 보자. 회사는 뛰어난 AI 제품을 가지고 있지만 아직 고객군이 명확하지 않다. 창업자는 엔지니어 출신이고, 지금까지는 개인 네트워크를 통해 고객 세 곳을 확보했다. 이제 반복 가능한 고객 획득 구조를 만들어야 한다. Exhibit A · 후보자 비교확인 필요 후보자 A 유명 SaaS 기업 · 7년 · 마케팅 디렉터, 20명 관리 연간 1,000만 달러 마케팅 예산 관리 글로벌 캠페인 운영 리드 생성량 40% 증가 Salesforce, HubSpot, Marketo 활용 후보자 B 무명 스타트업 · 3년 · Growth Lead, 팀원 2명 고객 인터뷰 42건 — 기존 타깃의 낮은 구매 의향 발견 인터뷰를 AI로 분류해 구매 언어 추출, 제품 사용 사례 변경 콜드 이메일 응답률 2.1% → 9.4% 6개월 내 유료 고객 18곳 확보, 전 창업자의 검증 확보 두 후보자 중 누가 더 뛰어난지는 단정할 수 없다. 후보자 A는 성장 단계의 조직에서 더 강할 수 있다. 그러나 지금 이 Seed 스타트업의 문제를 해결할 가능성은 후보자 B가 더 높다. 기존 이력서는 후보자 A를 상위에 놓을 가능성이 크다. Evidence 기반 채용은 후보자 B가 왜 이 회사의 현재 단계에 적합한지를 보여준다. 더 화려한 사람을 찾는 것이 아니라, 지금 해결해야 할 문제와 가장 관련 있는 증거를 가진 사람을 찾는 것이다. AI 도구를 사용하는 것과 AI-native인 것은 다르다 많은 지원자가 자신의 이력서에 ChatGPT, Claude, Gemini, Notion AI 같은 도구를 적는다. 하지만 도구의 이름은 AI 역량의 증거가 아니다. AI 도구를 사용해 글을 작성했다고 해서 AI-native 인재가 되는 것은 아니다. 중요한 것은 어떤 문제를 발견했고, 왜 AI를 선택했으며, AI와 인간의 판단을 어떻게 결합했고, 그 결과 업무 방식이 어떻게 달라졌는가이다. AI-native 인재는 단순히 더 빨리 일하는 사람이 아니다. 그는 기존에 불가능하거나 지나치게 비쌌던 일을 새로운 방식으로 가능하게 만드는 사람이다. 사례 2 · 'AI를 잘 사용한다'는 말을 어떻게 검증할 것인가 한 스타트업이 Product Marketing Manager를 채용한다고 가정해 보자. 후보자는 자신의 프로필에 "AI를 활용해 콘텐츠 제작 생산성을 10배 향상했다"고 적었다. 이 문장만으로는 실제 역량을 판단하기 어렵다. Evidence Builder는 다음 질문을 던진다. 어떤 문제가 있었는가? 기존에는 그 문제를 어떻게 해결했는가? 어떤 AI 워크플로를 만들었는가? AI가 담당한 부분과 사람이 판단한 부분은 무엇인가? 어떤 시행착오가 있었는가? 결과를 무엇으로 측정했는가? 다른 사람도 이 방식을 반복할 수 있는가? Exhibit B · 워크플로 검증확인됨 기존에는 한 편의 고객 사례 연구를 제작하기 위해 인터뷰, 녹취, 핵심 문장 정리, 초안 작성, 고객 검토까지 약 3주가 걸렸다. 후보자는 인터뷰 녹취를 AI로 분석해 문제·도입 계기·반대 의견·정량적 성과를 분류하는 구조를 만들었다. 하지만 AI가 생성한 초안을 그대로 사용하지 않았다. 고객이 실제로 사용한 언어와 AI가 과장한 표현을 구분하고, 영업팀과 함께 구매 결정에 영향을 준 핵심 장면을 다시 확인했다. 제작 기간 3주 → 5일영업 전환율 +18%템플릿·체크리스트 문서화 이 사례에서 중요한 것은 "ChatGPT를 썼다"는 사실이 아니다. 문제를 구조화한 능력, AI의 오류를 인식한 판단력, 고객 언어를 보존한 태도, 결과를 측정한 방식, 다른 구성원이 반복할 수 있도록 시스템화한 능력 — 이것들이 AI-native 역량의 증거다. Saywise가 해야 할 일은 후보자에게 AI 점수 하나를 붙이는 것이 아니다. 점수의 근거가 되는 실제 행동과 결과를 보여주는 것이다. AI 역량은 도구 목록이 아니라 문제 해결의 과정으로 증명되어야 한다. 기업도 자신을 증명해야 한다 Evidence 기반 채용은 후보자만 검증하는 시스템이어서는 안 된다. 초기 스타트업은 후보자에게 회사의 비전과 성장 가능성을 설명한다. 그러나 채용공고에는 비슷한 표현이 반복된다. "빠르게 성장하는 팀." "세상을 바꿀 제품." "높은 자율성과 책임." "최고 수준의 동료." 후보자 입장에서는 이러한 주장 역시 검증하기 어렵다. 좋은 GTM 인재는 회사를 선택할 때 다음을 알고 싶어 한다. 제품을 실제로 사용하는 고객이 있는가? 창업자는 고객의 문제를 깊이 이해하고 있는가? 이 역할에 기대하는 90일 성과는 무엇인가? 제품이 팔리지 않을 때 창업자는 사람을 탓하는가, 가설을 수정하는가? GTM 리더에게 실제 결정권이 있는가? 지금까지 무엇을 시도했고 무엇이 실패했는가? 회사가 말하는 문화는 일상에서 어떻게 나타나는가? 따라서 Saywise의 기업 프로필 역시 단순한 채용 브랜딩 페이지가 아니라 기업의 Evidence Profile이 되어야 한다. 사례 3 · 좋은 인재가 입사를 거절한 이유 한 AI 스타트업이 뛰어난 Founding GTM 후보자를 발견했다고 가정해 보자. 후보자는 초기 고객 확보 경험과 AI 워크플로 구축 능력을 모두 갖췄다. 그러나 후보자는 최종적으로 입사를 거절한다. 회사 소개에는 "GTM 전략을 처음부터 설계할 수 있는 높은 자율성"이 있다고 적혀 있었다. 하지만 면접에서 창업자는 이미 정해 놓은 고객군과 메시지를 실행해 줄 사람을 원하고 있다는 사실이 드러났다. 후보자가 고객군을 다시 검토해야 한다고 제안하자 창업자는 이를 실행력 부족으로 받아들였다. 이 회사에 필요한 사람은 Founding GTM 전략가가 아니라 정해진 계획을 실행할 영업 책임자에 가까웠다. 이 문제는 후보자의 역량 부족도, 기업의 잘못도 아니다. 역할에 대한 기대가 처음부터 정렬되지 않았던 것이다. Saywise가 기업으로부터 다음 내용을 먼저 확보했다면 이러한 실패를 줄일 수 있었을 것이다. 이 역할이 90일 안에 만들어야 할 결과 이미 결정된 사항과 새롭게 검토할 수 있는 사항 창업자와 GTM 리더 사이의 의사결정 권한 실패를 판단하는 기준 회사가 원하는 실행가·설계자·관리자의 비중 현재 가장 불확실한 시장 가설 이것이 단순한 Culture Fit보다 Working-Style Alignment, 즉 업무 방식과 역할 기대의 정렬이 중요한 이유다. Culture Fit은 "우리와 비슷한 사람인가?"라는 질문으로 흐를 위험이 있다. 반면 Working-Style Alignment는 "이 사람과 이 조직이 현재 환경에서 함께 성과를 만들 수 있는가?"를 묻는다. Evidence Builder는 무엇을 하는 사람인가 Evidence Builder는 후보자를 멋지게 포장하는 사람이 아니다. 지원자의 이야기를 AI로 윤색하거나, 평범한 경험을 거대한 성과처럼 표현하는 사람도 아니다. Evidence Builder는 주장과 증거 사이의 거리를 줄이는 사람이다. 후보자가 "나는 GTM 전략을 잘한다"고 말하면 다음을 묻는다: 어떤 시장에서 어떤 가설을 세웠는가? 그 판단의 근거는 무엇이었는가? 고객의 반응으로 무엇을 바꿨는가? 실패한 실험은 무엇이었는가? 최종적으로 어떤 결과가 만들어졌는가? 그 결과에서 후보자가 실제로 담당한 부분은 무엇인가? 기업이 "우리는 AI-native 인재가 필요하다"고 말하면 다시 묻는다: 이 회사에서 AI-native는 구체적으로 어떤 행동을 의미하는가? AI를 사용해 더 빨리 일하는 사람을 원하는가, 아니면 기존 업무 구조를 새롭게 설계하는 사람을 원하는가? 이 사람이 90일 안에 만들어야 할 AI 기반 성과는 무엇인가? 어떤 작업물과 경험이 있으면 그 가능성을 신뢰할 수 있는가? Evidence Builder의 역할은 사람을 평가하는 데 그치지 않는다. 기업이 무엇을 필요로 하는지 정확히 정의하고, 후보자의 경험에서 관련 증거를 발견하고, 양쪽이 더 나은 대화를 할 수 있도록 정보를 구조화한다. 그 결과물은 단순한 후보자 소개서가 아니다. 다음 내용을 포함하는 하나의 의사결정 문서다. 이 후보자를 추천하는 이유 현재 역할과 연결되는 실제 경험 AI 활용 및 워크플로 증거 확인 가능한 작업물과 성과 중요한 판단과 시행착오 동료·고객·창업자의 외부 검증 아직 확인되지 않은 주장 예상되는 위험요소 면접에서 반드시 검증해야 할 질문 좋은 Evidence Report는 후보자를 무조건 칭찬하지 않는다. 무엇을 신뢰할 수 있고, 무엇을 추가로 확인해야 하는지 함께 보여준다. 01 · CLAIM주장을 포착한다“AI-native다”, “GTM을 만들었다”와 같은 핵심 주장을 명확히 적는다. 02 · ARTIFACT흔적을 연결한다문서, 워크플로, 고객 기록, 실험 결과와 추천인의 확인을 붙인다. 03 · JUDGMENT판단을 해석한다왜 그렇게 선택했고, 무엇을 포기했으며, 실패 후 무엇을 바꿨는지 묻는다. 04 · OUTCOME결과로 검증한다성과뿐 아니라 조건·기여도·한계를 기록하고 다음 채용 판단에 환류한다. 한·미 시장을 연결하는 Evidence Builder 이 역할은 한국의 AI 인재와 미국 스타트업을 연결할 때 더욱 중요해진다. 한국의 뛰어난 빌더가 미국 기업에 자신의 경험을 전달할 때, 단순한 영어 번역만으로는 충분하지 않다. 직함, 조직 구조, 고객 관계, 성과를 평가하는 기준이 서로 다르기 때문이다. 예를 들어 한국의 한 기술영업 담당자가 대기업 고객을 대상으로 18개월 동안 PoC를 진행했다고 해보자. 이력서에는 다음과 같이 적힐 수 있다. 주요 대기업 고객 대상 AI 솔루션 PoC 수행 및 기술영업 지원 하지만 이 한 문장에는 중요한 정보가 거의 보이지 않는다. Evidence Builder는 경험을 다음과 같이 재구성한다. 고객이 처음에 해결하려 했던 문제 기존 데이터와 업무 환경의 제약 PoC가 시작되기까지 설득해야 했던 이해관계자 기술팀과 비즈니스팀 사이에서 조정한 내용 고객의 반대 의견과 도입 장벽 후보자가 직접 설계한 평가 기준 PoC 도중 변경한 가설 최종 도입 여부와 그 이유 다른 고객에게 반복 적용할 수 있는 학습 이렇게 정리하면 미국의 AI 스타트업은 이 후보자가 단순한 영업 지원자가 아니라, 복잡한 기업 고객 환경에서 기술과 사업 사이를 연결할 수 있는 Technical GTM Builder라는 사실을 이해할 수 있다. 번역은 문장을 다른 언어로 옮긴다. Evidence Building은 경험의 의미를 다른 시장이 이해하고 신뢰할 수 있는 구조로 바꾼다. 이것이 한종님이 단순한 리크루터나 콘텐츠 제작자가 아니라 Korea–U.S. GTM & Evidence Partner로 자리 잡을 수 있는 이유다. Saywise가 팔아야 하는 것은 데이터베이스가 아니다 채용 플랫폼은 흔히 보유한 후보자 수를 강조한다. 수십만 개의 프로필, 수만 명의 전문가, 수천 명의 검증된 후보자를 보여준다. 그러나 초기 스타트업 창업자가 원하는 것은 거대한 데이터베이스가 아니다. 창업자가 원하는 것은 지금 대화할 가치가 있는 정확한 사람 몇 명이다. Saywise가 제공해야 할 경험은 다음과 같이 단순해야 한다. 검증된 후보자 5명Evidence Report 5개의미 있는 인터뷰 3회성공 가능성 높은 채용 1건 Saywise의 진정한 경쟁력은 더 많은 프로필을 모으는 데서 만들어지지 않는다. 기업의 현재 문제를 얼마나 정확히 정의하는가 그 문제와 관련된 후보자 증거를 얼마나 깊이 발견하는가 확인된 사실과 자기주장을 얼마나 명확히 구분하는가 면접 전에 불확실성을 얼마나 줄이는가 채용 결과를 다시 평가 체계에 얼마나 잘 반영하는가 이러한 과정에서 축적되는 Evidence 데이터가 Saywise의 가장 중요한 자산이 될 수 있다. 첫 번째 파일럿은 작지만 깊어야 한다 Saywise의 초기 파일럿은 많은 기업을 확보하는 것이 목표가 되어서는 안 된다. 향후 90일 안에 Founding GTM 또는 핵심 GTM 인재를 채용하려는 Seed–Series A 스타트업 다섯 곳이면 충분하다. 각 기업과 30분의 인터뷰를 진행한다. 지금 가장 중요한 성장 문제는 무엇인가? 이번 채용이 해결해야 할 문제는 무엇인가? 90일 안에 기대하는 결과는 무엇인가? 이전 GTM 채용이나 외부 컨설팅에서 무엇이 실패했는가? 이력서만으로 확인하기 어려웠던 것은 무엇인가? 이 회사에서 AI-native는 어떤 행동을 의미하는가? 어떤 유형의 사람은 아무리 경력이 좋아도 맞지 않는가? 인터뷰를 바탕으로 한 페이지의 Ideal Candidate Evidence Brief를 만든다. 그 후 각 기업에 세 명에서 다섯 명의 후보자를 추천한다. 모든 후보자에게 관련 작업물, AI 활용 증거, 판단 과정, 외부 검증, 위험요소와 면접 질문을 포함한 리포트를 제공한다. 파일럿이 끝나면 채용 여부뿐 아니라 다음을 측정해야 한다. 첫 후보자 추천까지 걸린 시간 추천 후보자의 면접 전환율 창업자가 가장 유용하다고 평가한 증거 기존 채널보다 줄어든 불필요한 면접 수 추천 후보자에 대해 잘못 판단한 부분 입사 후 30일과 90일의 역할 적합성 이 데이터가 쌓이면 Saywise는 단순히 "좋은 후보자를 찾았다"고 말할 필요가 없다. Evidence 기반 채용이 어떤 조건에서 더 빠르고 정확한 결정을 만들었는지 증명할 수 있다. Saywise 자신도 Evidence를 통해 성장해야 한다. 한종님의 제안 포지션 · Founding GTM & Evidence Partner — Korea–U.S.창업자의 채용 문제를 발견하고, Ideal Candidate Evidence Brief를 만들며, 한국 AI Builder의 경험을 미국 시장이 이해할 수 있는 증거로 전환하고, 파일럿 결과를 반복 가능한 평가 시스템으로 축적한다. ✦ ✦ ✦ 신뢰는 선언되지 않고 축적된다 AI 시대에는 누구나 훌륭한 문장을 만들 수 있다. 개인은 전문적인 이력서를 만들 수 있고, 기업은 인상적인 채용 브랜드를 만들 수 있다. 주장과 표현의 비용은 계속 낮아질 것이다. 그러나 신뢰의 비용은 낮아지지 않는다. 신뢰는 실제 행동, 작업물, 판단, 실패, 수정과 결과가 축적될 때 생긴다. 그래서 미래의 채용 플랫폼은 단순히 사람을 검색하는 장소가 아니라, 사람과 기업의 주장을 검증 가능한 증거와 연결하는 기반이 되어야 한다. Saywise가 만들어야 하는 것은 새로운 형식의 이력서만이 아니다. 창업자가 다음 질문에 답할 수 있도록 돕는 Evidence Layer다. 이 사람은 실제로 무엇을 해보았는가? 어떤 제약 속에서 문제를 해결했는가? AI를 단순히 소비했는가, 아니면 새로운 업무 구조를 만들었는가? 성공뿐 아니라 실패에서 무엇을 배웠는가? 이 경험은 우리 회사가 현재 해결해야 할 문제와 어떻게 연결되는가? 지금 확인된 것은 무엇이며, 면접에서 더 확인해야 할 것은 무엇인가? Saywise가 사람을 발견하는 플랫폼이라면 Evidence Builder는 왜 그 사람을 믿을 수 있는지 구조화하는 사람이다. 그리고 한종님의 역할은 한국 기업이나 후보자를 단순히 미국 시장에 소개하는 데 그치지 않는다. 창업자의 채용 문제를 발견하고, 후보자의 경험을 검증 가능한 증거로 바꾸며, 채용의 결과를 다시 반복 가능한 시스템으로 축적하는 것이다. AI 시대의 경쟁력은 가장 멋진 이야기를 만드는 능력에서 나오지 않는다. 자신이 한 일을 보여주고, 자신의 판단을 설명하며, 현실과 접촉한 흔적을 남기는 능력에서 나온다. 말은 관심을 만들 수 있다. 증거는 결정을 가능하게 한다. 반복된 증거는 마침내 신뢰가 된다. 그것이 Resume 2.0 이후의 채용이며, Saywise와 Evidence Builder가 함께 만들어갈 수 있는 미래다.

The Evidence Builder: How Trust Gets Made When Anyone Can Sound Credible Show, Don't Say: A Framework for Trust in the AI Era When Words Are Free, Evidence Becomes the Currency The cost of producing convincing words has collapsed. Anyone can generate a flawless cover letter, a polished business plan, a confident market analysis — in minutes. An idea that hasn't been tested yet can be made to sound like a business that already has been. Fluency is no longer evidence of competence, because fluency is no longer scarce. The danger isn't that AI fabricates. It's something quieter and more corrosive: the people who actually solved a problem and the people who didn't are starting to sound the same. "I'm a strong problem-solver." "I'm an AI-native builder." "Our product will transform the industry." None of these sentences is necessarily false — but none of them, on its own, proves anything. Words generate claims. Claims alone don't generate trust. So the question has to change. Not what can you say you can do, but what problem did you actually find, what did you build in response, and what judgment did you exercise along the way. That question is where the idea of the Evidence Builder begins. FRAMEBuilding a structure of trust, not a better sentence An Evidence Builder isn't someone who dresses up their achievements. It's someone who converts lived experience into evidence — action that another person can independently examine and judge. Outcomes like revenue, funding, or views matter, but a number by itself doesn't reveal how it was produced. It could have been luck. It could have been someone else's work. It could be a fluke that will never repeat. Stronger trust comes not from the outcome, but from the entire process that produced it. Problem → Artifact → User → Judgment → Iteration → Impact → Validation These seven layers don't describe what a person claims. They describe what a person actually did. 01Problem — What did you actually find? Every piece of evidence starts with a problem. Before explaining what you built, it has to be clear why you built it — whose problem it was, and why the existing way of solving it wasn't enough. People who haven't been in the field tend to describe problems in the abstract. People who've actually hit the wall describe the specific constraints and the exact reasons it was hard. Problem isn't a starting line — it's the first piece of evidence for how deeply someone understands reality. 02Artifact — So what did you build? An artifact doesn't need to be a finished product. A prototype, a set of interviews, a market-validation memo, an automated workflow, an experiment design, a client proposal — anything that puts a thought in contact with reality counts. An idea sitting in someone's head is never refuted. The moment it becomes an artifact, it meets users and the friction of the real world. The artifact is the first place a claim gets tested against reality. 03User — Who actually used it? No matter how polished, without a real user it's still a hypothesis. Who used it, and why? How did they react afterward — did they come back, did they recommend it? What I believe is excellent matters less than what someone else chose, on their own, to solve their own problem. The fact that something was built matters less than the fact that someone actually used it. 04Judgment — What call did you make? The faster AI can produce output, the more the human judgment behind it matters. Which problem to solve first, whose feedback to take seriously, what not to build, where to spend limited time and resources — none of that is decided automatically. This is exactly why two people using the same tools can produce completely different results: the difference isn't the tool, it's the judgment. Why did you choose this problem? What alternatives did you weigh? What did you give up? What was the hardest call you made? A portfolio that only lists wins shows results. Evidence that shows the reasoning behind the choices shows whether this person is likely to make good decisions again, in a problem they haven't seen yet. 05Iteration — What did you learn, and change? Almost no one builds the perfect thing on the first try. Wrong hypotheses, unexpected reactions, features that failed — these aren't embarrassments, they're the normal texture of building anything real. What matters isn't the claim that nothing went wrong; it's what you learned from what did, and what you changed in the next version. AI gives everyone a fast start. It doesn't give everyone the discipline to actually get better. The first version shows potential. Repeated iteration proves capability. 06Impact — What actually changed? Holding meetings, writing documents, publishing content — these are a record of activity, not proof of anything. Impact asks a sharper question: what actually changed as a result? Did it save someone real time Did it lead to a better decision Did it bring in a new customer or partner Did it change how a team actually works Did it surface someone who would otherwise have gone unseen Impact doesn't have to be a headline number. In an early experiment, a single user changing one behavior can be a meaningful signal. The point isn't that the artifact exists — it's what the artifact actually moved in the real world. 07Validation — Who confirmed the value? The last layer is external confirmation. Explaining your own work's value yourself is a different act from someone else choosing it, reusing it, and recommending it to others. A signed contract, adoption, repeat use, a follow-up meeting, an investment, a hire — these all count as validation, because a user is staking their own time, money, or reputation on the choice. That's the moment a claim converts into social proof. But validation is never the end of the cycle — it's the beginning of the next Problem. Outside reaction surfaces a new gap, which gets built into something new, which gets tested again. The Evidence Builder framework isn't linear — it's a loop. Every time the loop repeats, trust stops being a one-time impression and becomes a compounding asset. — · — Why repeatability is what creates trust A single win can be luck. But when the same pattern shows up across different situations — finding the problem, building the artifact, taking in feedback, improving, and producing a real change — that's no longer luck. That's a pattern of capability. Trust, in the end, is a bet on the future: a belief that this person will judge and act responsibly in a situation that hasn't happened yet. Past, repeatable behavior doesn't guarantee the future perfectly, but it's a far stronger basis than any sentence or impression. Which is why an Evidence Builder isn't hunting for one flawless success story — they're building a pattern that recurs across projects. That pattern is a person's real résumé. Saywise and the Evidence Builder A traditional résumé is a document that claims what someone did in the past. It lists titles, tenure, and outcomes — but it doesn't show how that person actually thought, built, or worked with others. The better AI gets at making résumés sound impressive, the wider that gap grows. What Saywise is reaching for with Resume 2.0 isn't a person reduced to a list of keywords — it's a living record of real projects, real judgment, real process, and real collaboration. This is where Saywise and the Evidence Builder framework meet. If Saywise is the platform that surfaces evidence, the Evidence Builder is the discipline that makes sure evidence actually gets produced in the first place. Saywise can't afford to become just a more convincing place to introduce yourself. Done right, Resume 2.0 isn't a nicer-looking résumé — it's new infrastructure for judging trust. Participating through action, not description I don't want to explain the Evidence Builder framework only in words either. Saying I believe in Saywise's direction isn't enough. The plan is to keep having conversations with founders, investors, and enterprise AI-adoption leads — but not to let those conversations end at an introduction or a piece of content. Each one needs to answer: What can't a traditional résumé surface? How do organizations actually distinguish real AI builders? What evidence of judgment are investors looking for beyond the numbers and the title? What could a startup know about a candidate upfront that would cut down unnecessary interviews? Does what Saywise surfaces actually help someone make a real decision? Whatever those conversations surface gets turned into an artifact — content, an evaluation rubric, a profile improvement, a pilot — and put in front of real founders and enterprise stakeholders. The reaction gets recorded, the gaps get fixed, and it feeds the next experiment. If that leads to a better product, a pilot partner, or a new user taking real action, one full Evidence Cycle is complete. That's both a way to contribute to Saywise, and a way to test whether the Evidence Builder framework actually holds up. Trust isn't declared. It's accumulated. Human value isn't disappearing in the AI era — if anything, trust matters more, precisely because it's gotten harder to know what to believe. But future trust won't be built on titles or well-turned sentences. It will be built on the connection between what someone says and what they've done, the consistency between judgment and action, the improvement that follows failure, and change that can be verified from the outside. We no longer live in a time when "trust me" is enough on its own. Instead, the case has to be shown: this is the problem I found. This is what I built. These are the people who actually used it. This is the judgment I made. Here's the feedback I took, and what I changed. Here's what actually changed as a result. And here's who, independently, confirmed the value. An Evidence Builder doesn't present themselves as flawless. Alongside the wins, they leave the judgment calls, the false starts, and the corrections visible. Trust isn't built from a spotless image — it's built from the process of colliding with reality, learning, and taking responsibility for what happens next. In an era flooded with words, what's actually becoming scarce isn't better writing. It's people who act, verify what they did, and carry what they learned into the next action. And a repeatable record of that action is the most honest, most powerful résumé the AI era can produce. Core lines A single result can be an achievement. A repeatable structure of action becomes trust. AI let anyone make a claim. Turning that claim into evidence is still a human job. — · — Philosophical Synthesis — An Old Promise Between Being and Speech What actually collapses in an era of cheap language isn't truth — it's an old, quiet agreement between being and speech. There used to be a time when speaking well was itself evidence of deserving to be believed, because good sentences cost time, and that cost was the collateral for sincerity. AI has erased the collateral. Now anyone can speak instantly, endlessly, flawlessly — which means speech no longer guarantees anything at all. This is where the Evidence Builder framework isn't a new claim so much as a return to an old question: how do we know something is real? The answer has never changed. Not through declaration, but through trace. Not through words, but through contact. A thought is never refuted while it stays inside someone's head. It only becomes real once it goes out into the world, meets resistance, gets used, fails, gets corrected, and is tested again. The seven layers from Problem to Validation are really just one question, asked over and over: has this thought ever collided with reality? And this isn't unfamiliar territory. Anyone who has sat with the principle that peace comes not from overcoming conditions but from entering the law that governs them already recognizes what Evidence Builder is saying in different words. To align with the center rather than the orbit was always about surrendering the management of impressions in favor of a repeatable principle. Trust works the same way. A single impression can be engineered. A recurring pattern can't. Which is why trust, at bottom, is a bet on the future — a bet that this person will move the same way again, in a problem that hasn't happened yet. In an age flooded with words, what becomes scarce isn't better phrasing. It's people who keep colliding with reality and leave a trace behind. That trace is a more honest résumé than any cover letter could ever be — and it's the one thing AI can never write on someone's behalf. #EvidenceBuilder #TrustInTheAIEra #Resume2 #Saywise #GTMBuilder #ShowDontTell #BeingVsSpeech #JudgmentAsEvidence #RepeatabilityOverClaims #FounderPhilosophy #ContactWithReality #EvidenceOverExpression