What are your biggest strengths?

From TNC to Tapas to Saywise Different platforms, one question October 2026 · HJ The last section of Chang Kim’s (“CK”) angel investment page is called Former Companies. Companies that were acquired sit right next to companies that closed. Apollo, an audio fiction platform. Lifeguard Bio, a drug developer. Buildspace, an education company for on-chain developers. Next to each of these names, it simply says “Shut down.” An investment portfolio is usually a showcase of wins. There is no reason to keep failed investments on a public page. But CK kept them. It is a small detail. Yet it tells you more about the man than any exit price. For CK, a record is not a way to look bigger. It is a way to write down, accurately, what he tried and what happened. This essay follows that record: three companies, more than fifty investments, a year-long sabbatical, and Saywise. On the surface, these are different stories. Follow them long enough, and they lead to one question. How do we take the value that already lives inside people, but hasn’t yet been seen, and connect it to more people and bigger opportunities? 1. Three companies, one problem TNC (2006–2008). The company behind TextCube, a blogging tool. In the Web 2.0 era, it let ordinary people publish their own thoughts. Google acquired TNC in 2008; Google’s Korea blog described it as Google’s first acquisition of a Korean company. CK joined Blogger as a product manager and led its redesign and Google+ integration. Tapas (2012–2023). A mobile storytelling platform for webcomics and web novels. It helped creators find readers, build fan communities, and turn their stories into income and original IP. In 2021, Kakao Entertainment acquired Tapas for about $510 million. Saywise (2024–). A company that uses AI to bring out the experience and wisdom inside people and connect it to better career opportunities. It is building Sage, an AI recruiter that works with you by text, 24 hours a day. Only the subject changed. From a person’s writing, to a person’s stories, to a person’s career and wisdom. Each time, CK built a way to connect one person’s voice to a bigger market. That part of the story is fairly well known. Less known is the path CK walked as an investor over the same years. 2. 2008: Two beginnings CK made his first angel investment in 2008, the same year Google acquired TNC. His first exit and his first investment came in the same year. Just as he closed one chapter as a founder, he started helping other founders. For the next eighteen years, those two paths never stopped. He kept investing while he was a product manager at Google, while he ran Tapas for eleven years, during his sabbatical, and now, while building Saywise. From 2023 to 2024, he was also a General Partner at Rabbit VC. Looking back on his sabbatical, he wrote that managing more than fifty investments, including a new fund where he served as GP, was not a source of stress. It was “something that gave me energy.” Founding a company means solving one problem directly and deeply. Investing means standing beside many founders as they solve similar problems in their own ways. CK has done both at the same time. 3. A portfolio is a map of what you care about CK’s investment page has five sections: US companies, Korean companies, syndicate investments, fund LP commitments, and Former Companies. At first glance, the range is wide: Web3 games, prescription delivery, craft beer, hearing aids, construction logistics. But step back, and a few themes keep coming back. First: stories and IP. Story Protocol, a Web3 storytelling and IP protocol. Jubilee Media, a media company focused on empathy. Venn, a community for transmedia IP creators. Concept Art House, which builds game IP assets. Long Black, a long-form knowledge media company in Korea. Dankoom-I, an edutainment IP company. The “economy of stories” CK worked on at Tapas shows up in his investments too. Second: work, knowledge, and careers. Liftoff, a social recruiting platform. Question Base, AI-assisted workplace Q&A. Dex, a personal CRM. Wonder, a research platform. Aha, a Korean Q&A service. Alicon (집무실), a distributed office company. Patlytics, AI-powered patent search. And, in the Former Companies section, Sugarwork: a tool that used AI to capture the knowledge inside an organization’s people. It was acquired by Decidr. This group is especially interesting for understanding Saywise. One company tried to make hiring more human and relationship-driven (Liftoff). Another tried to use AI to draw out the knowledge inside people (Sugarwork). Long before he started Saywise, CK was watching both questions play out through other founders’ companies. It would be too much to call this a master plan. But it is clear that Saywise did not come out of nowhere. Third: tools that help individuals become economic players. Tomo Credit, a credit card that doesn’t require a credit score. Ceeya, a website builder for solo business owners. Trend.io, which connects brands with influencers. These are services that open doors for people the existing system often overlooks. Fourth: a bridge between Korea and the US. CK has invested directly in eleven Korean companies and committed as an LP to Korean funds such as Strong Ventures, Future Play, Fast Ventures, Antler Korea, and Sazze Partners. In Los Angeles, he backed Sopo, a Korean fast-casual restaurant, and Dokkabier, an Asian-flavored craft brewery. Since 2026, he has also volunteered as Chief Strategy Officer of United Korean Founders (UKF), a community for Korean and Korean American founders. Put these four themes together, and you see that CK the founder and CK the investor have been chasing the same question: connecting people, stories, and knowledge that haven’t been fully seen to a wider market. 4. Investing in an ecosystem, not just companies Another thing that stands out is the length of his fund list. CK is an LP in sixteen funds. A direct investment means picking one company. An LP investment means supporting another investor’s judgment and network. His steady commitment to early-stage Korean investors and smaller funds suggests he cares less about individual bets and more about making the whole startup ecosystem stronger. In an interview with Deftly VC, CK described his investing as “paying it forward”: giving back to the next generation of founders the help and lessons he received early on. In the same interview, he openly shared that for Tapas’s first two years, he couldn’t find a working business model and faced serious cash pressure, until he studied how mobile games make money and changed direction. Because he has lived through that kind of uncertainty, he knows founders need more than money. They need experience, connections, and someone who asks first: “Is there anything I can help with?” 5. A portfolio that doesn’t erase failure Let’s go back to Former Companies. In that list, very different endings are written in the same plain format. Lounge was acquired by Pulse. Aerial was acquired by Typeface.ai. Sugarwork was acquired by Decidr. Apollo, Lifeguard Bio, and Buildspace shut down. Recording good outcomes and disappointing ones with the same weight. That attitude lines up exactly with the principle Saywise needs to hold onto. When AI can produce a polished résumé for anyone in seconds, documents are no longer rare. What is rare is evidence that can be verified. And trust in evidence doesn’t come from showing only your best results. It comes from recording results as they really are. The way CK the investor treats his own portfolio could become the principle behind the product CK the founder is building. 6. The sabbatical: “If I only had five years left” In January 2023, CK left his company. In nearly twenty-five years of work, he had never taken more than two weeks off. He decided to rest for at least a year. During that year, he traveled to about twenty cities around the world, welcomed his third child, and read roughly one book a week. He wrote more than 200 pages of journal entries in Google Docs, caught up with old friends, and met new people. He also wrote, calmly and honestly, about the things he wanted to do but didn’t, like taking an unusual trip alone. His methods were ikigai and a “whole-life review.” And one question brought him more clarity than anything else: “If I only had five years left to live, what would I do?” The answer was not to prove himself with another, bigger company. The answer he found was “a platform that helps people share their work experience and wisdom better.” A mission-driven business. That was the starting point of Saywise. In his sabbatical notes, he shares three questions that can open a meaningful conversation with anyone: “How have you been lately?” “What are you spending most of your time on these days?” “Is there anything I can help you with?” The third question stays with you. It is probably the question CK has been asking other founders for eighteen years. And in a way, Sage is an attempt to ask that question to everyone, 24 hours a day, as a system. 7. Saywise today: a great recruiter for everyone Today, Sage is an AI recruiter that works with you by text. It learns your experience and preferences, tells you when a matching job is posted, tailors your résumé to each role, and can even apply for you. Hiring manager research, scheduling, and interview coaching are listed as coming next. CK spent many years on the hiring side of the table. Again and again, he saw strong candidates miss opportunities, not because they lacked skill, but because they saw the posting too late or didn’t have time to prepare. That is where his core belief comes from: “Job searching is a full-time job, except you don’t get paid.” Having a great recruiter on your side has always been a privilege for the few. Saywise wants to turn that privilege into basic career infrastructure that everyone can use. 8. Saywise’s next ten years, through an investor’s eyes This section is not Saywise’s public roadmap. It is my own proposal, based on the record above. If CK the investor looked at a company like Saywise, what would he ask? Probably this: “When models get better and competitors ship the same features, what is left?” Résumé writing, job matching, and auto-apply are quickly becoming standard features. As foundation models improve, the differences between products shrink. So the asset Saywise needs to build is not a feature. It is each person’s unique evidence of experience, the context behind their choices, and the memory of what actually happened after each opportunity. That is why Sage’s next step should not be “Resume AI.” It should be Career Evidence Infrastructure, which could be built in five layers: Career Intake. With the user’s clear permission, take in résumés, work samples, results, and feedback. Evidence Graph. Remember a career not as keywords, but as connections between roles, actions, decisions, results, contributions, and proof. Opportunity Intelligence. Look beyond job titles and years of experience. Is the evidence strong enough? Is there a relationship that can open the door? Does the role fit the direction this person wants? Career Orchestration. Run the whole flow: search, filling evidence gaps, writing applications, networking, interviews, and negotiation. Sage does the work. The user makes the call. Outcome Memory. Remember which applications got replies, which evidence persuaded people, and what happened after the hire, so the next decision is better. At that point, Sage is no longer a tool you open only when you’re job hunting. It helps you through your first 90 days in a new role, records your wins each quarter, prepares the evidence for salary and promotion talks, and scouts your next move before you need it. It becomes a lifelong Career Management Agent. Two principles in this picture must never change. One: the individual owns the data. Career data is not an asset of Saywise or of employers. It belongs to the user, and the user controls it. Two: no inflation. Every important claim Sage writes should be clearly marked as “documented fact,” “confirmed by the user,” “AI inference,” or “needs verification.” Like a portfolio that keeps its failures on the page, Sage’s job is to show who you really are, as persuasively as possible. The way we measure success also has to change. Not how many jobs were recommended or how many résumés were generated, but how many times a person’s career actually moved forward. The moment a new achievement is verified. The moment an important relationship is formed. The moment an interview is booked. The moment a skill gap is closed. The moment an offer, a promotion, or a raise comes through. We could call these Monthly Career Progress Events. 9. The same question, a bigger answer At TNC, CK helped one person’s thoughts reach the world. At Tapas, he helped creators’ stories meet readers and markets. Through eighteen years of investing, he stood beside other founders so their potential could go further. And at Saywise, he is trying to help one person’s career and potential lead to better opportunities. From voice to story, from story to wisdom, from wisdom to evidence, from evidence to opportunity. People say you can tell what someone believes by looking at their portfolio. CK’s portfolio says something clear. He has kept betting on people, stories, and knowledge that the existing system hasn’t fully recognized. And whether the results were good or disappointing, he has recorded them honestly. CK’s next ten years may not be about proving himself with a bigger company. They may be about making the advice, networks, and recruiter support that only a few people have had into something many more people simply have. So the question Saywise must answer in the end won’t be “How many people used Sage?” How far did Sage actually move someone’s career forward? The fullest answer to the question CK has carried for nearly twenty years will be proven, in the end, by that number. Sources CK (Chang Kim) Bio and Angel Investments pages ( , as of October 22, 2026) Chang Kim, LinkedIn profile (October 2026) CK, My Sabbatical (「나의 안식년」, May 2024) Google Korea Blog, “Google and Tatter and Company Become One Family” (September 12, 2008) Kakao Entertainment Newsroom, Tapas acquisition announcement (May 2021) Deftly VC, “Deftly VC Welcomes LP Chang Kim” (March 2023) Saywise official website and CK’s Sage launch post (October 2026) HJ, “What Harvey’s Business Model Shift Asks of Saywise and Sage” (Saywise, October 2026) Hashtags Core (for Saywise / LinkedIn) #Saywise #Sage #ChangKim #FounderJourney #AngelInvesting #CareerEvidence #FutureOfWork #AIRecruiter Extended #Tapas #StartupEcosystem #KoreanFounders #PayItForward #CareerInfrastructure #AIAgents #Sabbatical #EvidenceBuilder

TNC에서 Tapas, 그리고 Saywise까지 플랫폼은 달라졌지만, CK가 붙든 질문은 하나였다 창업자 CK와 투자자 CK, 그리고 Saywise의 다음 10년 2026년 10월 · HJ CK(Chang Kim)의 투자 포트폴리오 페이지 맨 아래에는 Former Companies라는 항목이 있다. 인수된 회사들 옆에 문을 닫은 회사들이 나란히 적혀 있다. 오디오 픽션 플랫폼 Apollo, 신약 개발사 Lifeguard Bio, 온체인 개발자 교육 Buildspace. 이름 옆에는 모두 ‘Shut down’이라고 쓰여 있다. 투자 포트폴리오는 보통 잘된 회사를 보여 주는 쇼케이스다. 실패한 투자를 공개 페이지에 남겨 둘 이유는 없다. 그런데 CK는 남겨 두었다. 작은 디테일이다. 하지만 이 사람을 이해하는 데에는 엑싯 금액보다 더 많은 것을 말해 준다. CK에게 기록은 자신을 크게 보이게 하는 수단이 아니다. 무엇을 시도했고 어떤 결과가 나왔는지를 정확하게 남기는 일이다. 이 글은 그 기록을 따라간다. 세 번의 창업, 50개가 넘는 투자, 1년의 안식년, 그리고 Saywise. 겉으로는 서로 다른 이야기지만, 따라가다 보면 하나의 질문으로 모인다. 사람 안에 이미 있지만 아직 세상에 드러나지 않은 가치를, 어떻게 더 많은 사람과 더 큰 기회로 연결할 것인가? 1. 세 개의 회사, 하나의 문제 TNC (2006–2008). 블로그 소프트웨어 텍스트큐브를 만든 회사다. 웹 2.0 시대에 평범한 개인이 자기 생각을 직접 발행할 수 있게 했다. 2008년 Google이 인수했고, Google 한국 블로그는 이를 Google의 첫 한국 기업 인수로 소개했다. CK는 Blogger의 PM으로 합류해 리디자인과 Google+ 연동을 맡았다. Tapas (2012–2023). 모바일에서 웹툰과 웹소설을 연재하는 스토리텔링 플랫폼이다. 창작자가 독자를 만나고, 팬을 모으고, 이야기를 수익과 원천 IP로 키울 수 있게 했다. 2021년 카카오엔터테인먼트가 약 5억1천만 달러에 인수했다. Saywise (2024–). AI로 사람 안의 경험과 지혜를 꺼내 더 나은 직업적 기회로 연결하는 회사다. 24시간 문자로 일하는 AI 리크루터 Sage를 만들고 있다. 대상만 바뀌었다. 개인의 글에서 개인의 이야기로, 다시 개인의 경력과 지혜로. 매번 CK는 한 사람의 목소리를 더 큰 시장과 연결하는 구조를 만들었다. 여기까지는 비교적 알려진 이야기다. 덜 알려진 쪽은 같은 기간 투자자로서 CK가 걸어온 길이다. 2. 2008년, 두 개의 시작 CK가 엔젤 투자를 시작한 해는 2008년이다. TNC가 Google에 인수된 바로 그해다. 첫 번째 엑싯과 첫 번째 투자가 같은 해에 시작되었다. 창업자로서 한 장을 마무리하는 순간, 그는 다른 창업자를 돕는 일을 함께 시작했다. 그 뒤 18년 동안 이 두 갈래는 한 번도 끊기지 않았다. Google PM으로 일하는 동안에도, Tapas를 11년 동안 이끄는 동안에도, 안식년에도, 그리고 Saywise를 창업한 지금도 그는 투자하고 있다. 2023년부터 2024년까지는 Rabbit VC의 GP로 참여했다. 안식년 기록에서 그는 자신이 GP로 참여한 신규 펀드를 포함한 50개 이상의 투자를 챙긴 일을 스트레스가 아니라 ”에너지를 얻는 일"로 꼽았다. 창업은 하나의 문제를 직접, 깊게 푸는 방식이다. 투자는 여러 창업자가 같은 문제를 각자의 방식으로 푸는 과정을 곁에서 돕는 방식이다. CK는 두 가지를 동시에 해 왔다. 3. 포트폴리오는 관심사의 지도다 CK의 투자 페이지는 다섯 묶음으로 나뉜다. 미국 회사, 한국 회사, 신디케이트 투자, 펀드 LP, 그리고 Former Companies. 목록만 보면 범위가 넓다. Web3 게임, 처방약 배송, 수제 맥주, 보청기, 건설 물류까지 있다. 하지만 한 걸음 물러서면 몇 개의 축이 반복된다. 첫째, 이야기와 IP. Web3 스토리텔링·IP 프로토콜 Story Protocol, 공감 콘텐츠 미디어 Jubilee Media, 트랜스미디어 IP 개발자 커뮤니티 Venn, 게임 IP 자산을 만드는 Concept Art House, 롱폼 지식 콘텐츠 롱블랙, 에듀테인먼트 단꿈아이. Tapas에서 다룬 '이야기의 경제'가 투자로도 이어진다. 둘째, 일과 지식, 그리고 경력. 소셜 리크루팅 플랫폼 Liftoff, AI 기반 업무 Q&A Question Base, 개인 CRM Dex, 리서치 플랫폼 Wonder, Q&A 서비스 아하, 분산 오피스 집무실, AI 특허 검색 Patlytics. 그리고 Former Companies에 올라 있는 Sugarwork. 조직 안 사람들의 지식을 AI로 포착하는 도구였고, 인수로 끝났다. 이 묶음은 Saywise를 이해하는 데 특히 흥미롭다. 채용을 사람과 관계 중심으로 바꾸려는 시도(Liftoff)와 사람 안의 지식을 AI로 꺼내려는 시도(Sugarwork). CK는 Saywise를 시작하기 전부터 이 두 질문을 다른 창업자들의 회사를 통해 지켜보고 있었다. 이를 계획된 수순이라고 단정할 수는 없다. 다만 Saywise가 어느 날 갑자기 나온 아이디어가 아니라는 점은 분명해 보인다. 셋째, 개인이 경제적 주체가 되도록 돕는 도구. 신용점수 없이 쓰는 신용카드 Tomo Credit, 1인 사업자를 위한 웹사이트 빌더 Ceeya, 브랜드와 인플루언서를 연결하는 Trend.io. 기존 시스템에서 충분히 평가받지 못하던 개인에게 기회를 여는 서비스들이다. 넷째, 한국과 미국을 잇는 다리. 한국 회사 11곳에 직접 투자했고, 스트롱벤처스·퓨쳐플레이·패스트벤처스·앤틀러코리아·사제파트너스 같은 한국 펀드에 LP로 참여했다. LA에서는 한식 패스트캐주얼 Sopo와 아시아 풍미 수제 맥주 도깨비어(Dokkabier)에 투자했다. 2026년부터는 한인·한국계 창업자 커뮤니티 UKF(United Korean Founders)의 전략총괄을 자원봉사로 맡고 있다. 네 개의 축을 겹쳐 보면, 창업자 CK와 투자자 CK가 붙든 질문이 같다는 것이 드러난다. 충분히 발견되지 못한 사람과 이야기와 지식을 더 넓은 시장과 연결하는 일. 4. 회사가 아니라 생태계에 투자한다는 것 포트폴리오에서 눈에 띄는 또 하나는 펀드 LP 목록의 길이다. 열여섯 개 펀드에 LP로 참여하고 있다. 직접 투자는 한 회사를 고르는 일이다. LP 투자는 다른 투자자의 판단과 네트워크를 지원하는 일이다. 특히 한국 초기 투자사와 소규모 펀드에 꾸준히 참여해 왔다는 점은, 그가 개별 승부보다 창업 생태계 자체가 두터워지는 것에 관심을 두고 있다는 뜻으로 읽힌다. CK는 Deftly VC와의 인터뷰에서 자신의 투자를 ”paying it forward”로 설명했다. 창업 초기에 받은 도움과 배움을 다음 세대 창업자에게 돌려준다는 뜻이다. 같은 인터뷰에서 그는 Tapas 초기 2년 동안 실행 가능한 비즈니스 모델을 찾지 못해 자금 압박을 겪었고, 모바일 게임의 수익화 구조를 연구해 방향을 바꿨다고 털어놓았다. 막막한 시기를 직접 지나 본 사람이기에, 다른 창업자에게 필요한 것이 돈만이 아니라는 것을 안다. 경험, 연결, 그리고 누군가 먼저 "제가 도울 수 있는 부분이 있을까요?"라고 물어 주는 일. 5. 실패를 지우지 않는 포트폴리오 다시 Former Companies로 돌아가 보자. 그 목록에는 서로 다른 결말이 같은 형식으로 적혀 있다. Lounge는 Pulse에, Aerial은 Typeface.ai에 인수되었고, Sugarwork도 인수되었다. Apollo, Lifeguard Bio, Buildspace는 문을 닫았다. 좋은 결말과 아쉬운 결말을 같은 무게로 기록하는 것. 이 태도는 Saywise가 앞으로 지켜야 할 원칙과 정확히 겹친다. AI가 누구에게나 그럴듯한 이력서를 몇 초 만에 만들어 주는 시대에, 문서는 더 이상 희소하지 않다. 희소한 것은 검증 가능한 증거다. 그리고 증거의 신뢰는 좋은 결과만 골라 보여 줄 때가 아니라, 결과를 있는 그대로 기록할 때 생긴다. 투자자 CK가 자기 포트폴리오에 적용해 온 태도가, 창업자 CK가 만드는 제품의 원칙이 될 수 있다. 6. 안식년: "앞으로 5년밖에 없다면" 2023년 1월, CK는 회사를 떠났다. 25년 가까이 일하는 동안 2주 이상 쉬어 본 적이 없던 그는 최소 1년을 쉬기로 결정했다. 그 1년 동안 그는 20여 개 도시를 여행했고, 셋째 아이를 맞았고, 일주일에 한 권꼴로 책을 읽었다. 구글 문서로 200페이지가 넘는 저널을 썼고, 오랜 지인들과 새로운 사람들을 만났다. 혼자 떠나는 특이한 여행처럼 하고 싶었지만 하지 못한 일도 그는 담담히 적어 두었다. 방법론은 이키가이와 '인생 총괄 리뷰'였다. 그리고 가장 큰 명확함을 준 질문은 하나였다. "만일 내 인생이 앞으로 5년밖에 남지 않았다면, 나는 무엇을 할 것인가?" 답은 더 큰 회사를 한 번 더 증명하는 일이 아니었다. 그가 찾은 답은 ”일과 관련된 경험과 지혜를 더 잘 나눌 수 있도록 하는 플랫폼"이었다. 미션 기반의 비즈니스. 그것이 Saywise의 출발점이다. 안식년 기록에서 그는 누구와도 의미 있는 대화를 여는 세 가지 질문을 소개한다. "요즘 어떠세요?" "요새 주로 어떤 것 하세요?" "제가 혹시 도울 수 있는 부분이 뭘까요?" 세 번째 질문을 오래 들여다보게 된다. CK가 18년 동안 다른 창업자들에게 건네 온 질문이 아마 이것이었을 것이다. 그리고 Sage는 어떤 의미에서 이 질문을 모든 사람에게, 하루 24시간, 시스템으로 건네려는 시도다. 7. Saywise의 현재: 좋은 리크루터를 모두에게 지금의 Sage는 문자로 일하는 AI 리크루터다. 사용자의 경험과 선호를 이해하고, 맞는 공고가 올라오면 알려 주고, 역할에 맞게 이력서를 다듬고, 대신 지원까지 한다. 채용 담당자 리서치, 일정 조율, 인터뷰 코칭은 다음 단계로 예고되어 있다. CK는 오랫동안 채용하는 사람의 자리에 있었다. 그는 뛰어난 후보자가 실력이 부족해서가 아니라 공고를 늦게 봤거나 준비할 시간이 없어서 기회를 놓치는 장면을 반복해서 보았다. ”구직은 급여를 받지 못하는 풀타임 노동"이라는 문제의식은 거기서 나왔다. 좋은 리크루터를 곁에 두는 일은 지금까지 소수의 특권이었다. Saywise는 그 특권을 모두가 쓸 수 있는 기본 커리어 인프라로 바꾸려 한다. 8. 투자자의 눈으로 본 Saywise의 다음 10년 이 장은 Saywise의 공개 로드맵이 아니라, 지금까지의 기록을 바탕으로 한 필자의 제안이다. 투자자 CK라면 Saywise 같은 회사를 볼 때 무엇을 물을까. 아마 이 질문일 것이다. "모델이 좋아지고 경쟁자가 같은 기능을 내놓아도, 끝까지 남는 것은 무엇인가?" 이력서 생성, 공고 매칭, 자동 지원은 빠르게 표준 기능이 되고 있다. 더 좋은 모델이 나올수록 제품 간 결과물의 차이는 줄어든다. 그렇다면 Saywise가 쌓아야 할 자산은 기능이 아니다. 사람마다 다른 경험의 증거, 그 사람이 내린 선택의 맥락, 그리고 기회 이후에 실제로 일어난 결과의 기억이다. Career Intake. 사용자의 명시적 동의 아래 이력서, 작업물, 성과, 피드백을 받아들인다. Evidence Graph. 키워드가 아니라 역할, 행동, 판단, 결과, 기여, 검증 자료 사이의 관계로 경력을 기억한다. Opportunity Intelligence. 직무명과 연차만이 아니라, 증거가 충분한지, 닿을 수 있는 관계가 있는지, 그 사람이 원하는 방향과 맞는지까지 판단한다. Career Orchestration. 탐색, 증거 보완, 지원서 작성, 네트워킹, 인터뷰, 협상을 하나의 흐름으로 실행한다. 일은 Sage가 하고, 판단은 사용자가 한다. Outcome Memory. 어떤 지원이 답장을 받았고, 어떤 증거가 상대를 설득했고, 입사 후 무엇이 일어났는지를 기억해 다음 판단을 더 정확하게 만든다. 이 단계에 이르면 Sage는 구직할 때만 여는 도구가 아니다. 입사 후 첫 90일을 함께 정리하고, 분기마다 성과를 기록하고, 연봉 협상과 승진 논의에 필요한 근거를 준비하고, 다음 기회가 필요해지기 전에 미리 길을 살피는 평생의 Career Management Agent가 된다. 이 그림에서 두 가지 원칙은 바뀌면 안 된다. 하나, 데이터의 주인은 개인이다. 경력 데이터는 Saywise의 자산도, 고용주의 자산도 아니다. 사용자가 통제하는 자산이어야 한다. 둘, 부풀리지 않는다. Sage가 쓰는 주요 주장마다 '문서로 확인된 사실', '사용자가 확인한 사실', ‘AI의 추론', '확인 필요'를 구분해 보여 주어야 한다. 실패를 지우지 않는 포트폴리오처럼, 있는 그대로를 가장 설득력 있게 보여 주는 것이 Sage의 역할이다. 측정 기준도 달라져야 한다. 몇 개의 공고를 추천했는지, 몇 장의 이력서를 만들었는지가 아니라 한 사람의 커리어가 실제로 앞으로 나아간 순간을 세는 것이다. 새 성과가 검증된 순간, 중요한 관계가 만들어진 순간, 인터뷰가 잡힌 순간, 역량의 공백이 메워진 순간, 오퍼와 승진과 연봉 인상이 일어난 순간. 이를 Monthly Career Progress Events라고 부를 수 있을 것이다. 9. 같은 질문, 더 큰 답 TNC에서 CK는 한 사람의 생각이 세상에 나올 수 있게 도왔다. Tapas에서는 창작자의 이야기가 독자와 시장을 만나게 했다. 18년의 투자로는 다른 창업자들의 가능성이 더 멀리 가도록 곁에 섰다. 그리고 Saywise에서는 한 사람의 경력과 잠재력이 더 나은 기회로 이어지게 하려 한다. 목소리에서 이야기로, 이야기에서 지혜로, 지혜에서 증거로, 증거에서 기회로. 투자 포트폴리오를 보면 그 사람이 무엇을 믿는지 알 수 있다고 한다. CK의 포트폴리오가 말하는 것은 분명하다. 그는 기존 시스템이 충분히 알아보지 못한 사람과 이야기와 지식에 계속 걸어 왔다. 그리고 결과가 좋든 아쉽든, 그것을 정직하게 기록해 왔다. CK의 다음 10년은 더 큰 회사를 다시 증명하는 시간이 아닐지도 모른다. 오히려 지금까지 소수만 누리던 조언과 네트워크와 좋은 리크루터의 도움을, 더 많은 사람이 당연하게 누리게 만드는 시간이 될 수 있다. 그래서 Saywise가 결국 답해야 할 질문도 "얼마나 많은 사람이 Sage를 썼는가"가 아닐 것이다. Sage는 한 사람의 커리어를, 실제로 얼마나 앞으로 움직였는가? CK가 20년 가까이 붙들어 온 질문에 대한 가장 완전한 답은, 결국 그 숫자로 증명될 것이다. 참고 자료 CK (Chang Kim) Bio, Angel Investments 페이지 ( , 2026년 10월 기준) Chang Kim LinkedIn 프로필 (2026년 10월) CK, 「나의 안식년」 (2024년 5월) Google Korea Blog, "구글과 태터앤컴퍼니가 한 식구가 됩니다" (2008.09.12) Kakao Entertainment Newsroom, Tapas 인수 발표 (2021.05) Deftly VC, “Deftly VC Welcomes LP Chang Kim” (2023.03) Saywise 공식 사이트 및 CK의 Sage 런칭 포스트 (2026.10) HJ, “What Harvey’s Business Model Shift Asks of Saywise and Sage” (Saywise, 2026.10) #Tapas #StartupEcosystem #KoreanFounders #PayItForward #CareerInfrastructure #AIAgents #Sabbatical #EvidenceBuilder

From AI That Answers to AI That Moves Careers What Harvey’s Business Model Shift Asks of Saywise and Sage October 2026 · @HJ In the fall of 2026, what is happening at Harvey is hard to read as just another product update. Harvey first drew attention for a clear reason. It was generative AI that let a lawyer ask a question and get back research, contract review, and a fast first draft. Turning dozens of hours of work into a few was powerful enough on its own. The direction Harvey is taking now is much larger. Harvey is no longer just an AI that writes good legal documents. It is pulling the whole flow of legal work inside the product: a request comes in, gets classified by risk and type, is routed to the right agent and the right lawyer, is reviewed and approved, and then becomes part of the organization’s knowledge. Harvey now describes itself as an operating system for legal and professional services. By the company’s own figures, more than 3,500 customer organizations across more than 85 countries use it, including more than 80 of the Am Law 100. Put simply, Harvey is evolving from a legal AI tool into an operating system for legal work. That shift raises an important question for Saywise and Sage. Will Sage remain an AI that finds good jobs and writes résumés? Or will it become a Career Management Agent: one that understands a person’s career, judges opportunities, carries out the work, and learns from the results? 1. Harvey’s Shift Is Not Feature Expansion. It Is a Business Model Migration. Taken one by one, Harvey’s recent launches can look like separate products. Agentic Search connects enterprise document systems such as iManage, SharePoint, and Google Drive so teams can explore internal material in natural language. The Connector Library lets Harvey’s agents use a company’s tools and data. The Motion to Dismiss Workflow, built with LexisNexis, analyzes a complaint, surfaces possible grounds for dismissal, gets a lawyer’s approval, researches case law, checks validity through Shepard’s, and produces a draft motion. Harvey says this can compress 40 to 50+ hours of work into a few. That figure is Harvey’s own product claim and should be kept separate from independently verified results. All of these converge on one point: Intake and Legal Work Orchestration. Harvey Intake pulls legal requests from email, Slack, Jira, ServiceNow, and other channels into one place. When a request lacks information, an agent asks follow-up questions, determines the work type and risk level, and routes it to the right lawyer, Custom Agent, or Contract Intelligence. The requester does not need to be a lawyer holding a paid Harvey seat. Any employee can submit a request, add details, and track its status and outcome. Legal Work Orchestration is the structure that actually gets the work done. Recurring litigation, contract, regulatory, and M&A work is saved as step-by-step templates. Each task is assigned to an agent, a lawyer, or a client. When an agent produces output, a designated lawyer reviews it, and only after approval does the work move forward. Who did what, and who approved it, is recorded. What Harvey sells is no longer an answer or a single document. It is the entire flow: Intake → context gathering → classification → assignment → AI execution → human review → approval → record This is a move from an AI seat that boosts individual productivity to a System of Action and System of Record that an organization’s core work runs through. Harvey has not formally announced usage-based or workflow-based pricing, so it would be wrong to declare that seat-based subscriptions are going away. But the direction is unmistakable: the center of value is expanding from headcount to request volume, workflows, data access, and organizational outcomes. 2. Harvey Is Not Trying to Own the Answer. It Is Trying to Own the Flow of Work. Early generative AI products were judged mostly on output quality. How accurate is the answer? How fast does it find material? How convincing is the draft? As foundation models improved and competitors shipped similar features, “better answers” stopped being a durable differentiator. Harvey reports that more than 110,000 individual service connections have been created through its Connector Library, with tens of thousands of tool calls every week. That is a signal that Harvey is moving beyond a product that writes answers in a chat window toward one that does work inside real enterprise systems. Competitors are moving the same way. Around the time Harvey announced Intake, Legora launched its own Intake using Slack as the front door for legal requests, followed by an integration ecosystem connecting more than 30 enterprise systems. Intake, connectors, custom agents, and workflows are likely to become table stakes for legal AI platforms soon. So where does Harvey’s real advantage accumulate? Inside the customer’s actual work: What request came in What information was missing Who the work was assigned to Which materials and precedents were used Which agent outputs were approved, and which were revised Which risks the organization accepted or rejected What the final outcome was As this accumulates, Harvey stops being an AI that simply knows the law. It becomes a system that understands how a particular organization does legal work. Harvey’s long-term moat, then, is not a feature or a model. It is real work data, organization-specific processes, access to professional data, security and governance, and a history of judgment that compounds with every use. Harvey’s business model shift can be summarized like this: AI search and drafting → Custom Agents → Enterprise data connections → End-to-end workflows → Intake and Orchestration → Organizational memory and operating system That sequence is an important map for where Saywise and Sage need to go. 3. Sage’s Value Today Is Clear. So Are Its Limits. What Sage offers today is already useful. According to Saywise, Sage texts users relevant jobs, tailors their résumé to each role, and can apply on their behalf. Job Alerts, Tailored Résumés, and Auto Apply are the core features today; Hiring Manager Research, Logistics, and Coaching are listed as coming soon. Users no longer have to comb through job boards every day, compare near-identical postings, and rewrite their résumé for every application. That is real value. But today’s Sage experience has an important boundary. Sage can find a promising opportunity and produce a résumé without fully judging whether it is an opportunity the user can actually win. It can show a high match score because the user’s experience resembles the job description, while the user lacks the decisive evidence the employer is really looking for. An Account Executive role at Clera is a good example. Sage connected my AI technical sales and North American GTM experience to the role, recommended it, and quickly produced a tailored résumé leading with that experience. When I reread the posting, the real requirements were elsewhere. The first was experience building relationships with research, post-training, and data teams at frontier AI labs. The second was a track record of carrying quota and owning the sales cycle from first contact to close. I had adjacent experience. I did not have enough material to directly prove either requirement. A conventional job-matching system says “Good Match” and stops there. A real Career Agent should ask: Did you personally close those deals? Did you own the cycle from prospecting through negotiation and close? Do you have direct relationships with decision-makers at AI labs? Is there email, a contract, a reference, or a number that proves it? If not, what can you strengthen before applying? Rewording a résumé and manufacturing evidence that does not exist are entirely different things. In an era when AI lets anyone generate a résumé instantly and apply in bulk, a more polished document no longer differentiates. As the barrier to applying falls, applicant volume rises and résumés converge on the same language. What is scarce now is not documents. It is evidence. 4. Sage Should Be Built Around a Career Evidence Graph, Not the Résumé If Harvey is moving from document generation to organizational work and knowledge infrastructure, Sage should move from résumé generation to the user’s Career Evidence Infrastructure. A résumé is a temporary document made for one job posting. Change the role and it gets rewritten; give it time and it goes stale. But the experience, results, relationships, and judgment inside it are long-term career assets. Sage should record those assets in a structure like this: What was the situation and the problem? What was the user’s formal role and responsibility? What decisions and actions did the user personally take? What changed as a result, and by how much? What was the user’s specific contribution to the overall outcome? Who or what can confirm it? Is it documented fact? Is it a statement the user has confirmed? Is it something the AI inferred? Is it a claim that still needs verification? Imagine a user enters: “Built the North American market.” A typical résumé builder polishes the sentence. A Career Evidence Agent digs deeper: “Which markets did you prioritize?” “How many customers did you personally source?” “Did any PoC convert into a paid contract?” “What was your role in negotiation and close?” “How much did deployment time, revenue, cost, or productivity change?” “Is there email, a contract, a customer reference, or an internal report that confirms it?” Once these answers are captured in a structured way, a single experience can be reused in many forms: role-specific résumés, cover letters, LinkedIn profiles, interview stories, executive bios, reference briefs, performance reviews, compensation negotiations, and evidence packages for credentials such as an O-1 or NIW. A résumé builder produces documents. Career Evidence Infrastructure remembers, verifies, and makes a career reusable. That difference should become Sage’s most important competitive advantage. 5. A Match Score Should Explain Why You Can Win, Not How Similar You Look Most hiring platforms compare title, industry, skills, and years of experience, then display a single match score. One number hides too much. Sage should judge fit along at least four dimensions. Capability Fit. Can the user actually do the job? Evidence Fit. Can the user prove it, on the résumé and in the interview? Access Fit. Can the user reach the industry, customers, recruiters, decision-makers, or referrers? Motivation Fit. Does this role genuinely fit the life and long-term direction the user wants? These are different things. Someone may be capable but lack proof. Someone may have strong evidence but no relationships in the industry. Every condition may line up, and the role may still be the wrong direction. So Sage’s judgment should not end at “86% Good Match.” It should sound more like this: You are likely capable of doing this job. But with the evidence confirmed so far, it will be hard to prove two hard requirements: AI lab relationships and direct closing experience. Rather than applying now, you will be better positioned if you first confirm related experience or secure a warm introduction. And it should propose the next move: Apply now Find an internal connection first Ask the user about missing evidence Prove expertise through a small project or public content Find a better-fitting adjacent role Do not apply for now A good Career Agent does not push you to apply to everything. A good Career Agent helps you decide which opportunities to move on, which to wait on, and which to let go. 6. Saywise’s Next Products: Career Intake and Career Orchestration The core of Harvey Intake is that a legal request enters one system no matter where it starts. Sage needs Career Intake. Career evidence does not live only in a résumé. It is scattered across email, project documents, presentations, work messages, customer feedback, deal outcomes, awards, credentials, interviews, and references. With the user’s explicit permission and clearly scoped access, Sage should take in this material and surface new achievements and capabilities from it. For example: “This customer email shows you cut deployment time from nine months to three. Save this as evidence of impact?” “In this presentation you said you designed the U.S. go-to-market strategy yourself. Want to add the concrete results and your specific role?” That is Career Intake. Next comes Career Orchestration. After finding an opportunity, Sage should break the work into steps and assign each one to the AI or the user: Opportunity found → Hard requirements analyzed → Existing evidence checked → Gap questions asked → Apply / network / hold decision → Résumé and outreach drafted → User review and approval → Application or intro request → Follow-up → Interview prep → Outcome and feedback recorded Sage does not need to make every decision. In fact, the most important design principle should be: Sage does the work. The user keeps the judgment. Sage can search, compare, write, prepare, and remember. But verifying facts, submitting anything externally, forming important relationships, and making the final call must remain the user’s to approve. This can look slower than indiscriminate Auto Apply. Over time, it builds more trust with both users and employers. What Saywise should promise is not a thousand applications. Fewer applications. Stronger evidence. Better conversations. 7. “Never Search for a Job Again” Has to Extend Past the Job Offer Job-search products share a structural problem: users leave once they get hired. Legal work happens every day. A job search is a low-frequency event. If Saywise only covers the search window, usage frequency and lifetime value will hit a hard ceiling. This is also why Harvey’s strategy cannot simply be copied. For Saywise to be used continuously, Sage has to stay necessary after the hire. In the first 90 days, Sage can clarify the expectations of the new role, map key stakeholders, and track 30-60-90 day goals. It can prepare the user for 1:1s with their manager and log early decisions and wins into the Evidence Graph. Every quarter, Sage can review the user’s career with them: What value did I create this quarter? What new capabilities did I build? Which results can be verified externally? How has my market value changed? What experience and relationships should I build next quarter? When it is time to negotiate pay or make the case for promotion, Sage can pull past results into an argument, benchmark against market compensation, and prepare the evidence the conversation needs. At that point, “Never search for a job again” means more than an AI finding postings for you. Because Sage manages your career all along, you never have to start over when you need the next opportunity. That connects to a second promise: Never explain yourself from scratch again. The first line removes the repetitive labor of job searching. The second means your career memory and evidence keep compounding. When these two lines become one product experience, Sage’s true identity takes shape. 8. Saywise’s Business Model Must Grow Beyond Individual Subscriptions By embedding itself in an enterprise’s core workflows, Harvey delivers far broader value than an individual productivity tool. Saywise should not design its future around a single consumer subscription either. But individual job seekers have far less willingness to pay than corporate legal teams or large law firms, so Saywise needs a staged, hybrid model. 1. Free Career Record. Users accumulate, edit, and export their career and evidence for free. Ownership and control of that record belong to the user. 2. Pro Career Agent. Always-on opportunity monitoring, gap analysis, role-specific positioning, approval-based application orchestration, and interview prep. 3. AI-Human Concierge. For complex transitions such as executive moves, industry switches, or entering the U.S. market, human experts work alongside the AI. 4. B2B2C. Universities, professional associations, founder communities, and corporate alumni and outplacement programs may pay to support their members’ careers and transitions. Over the long term, users could share an approved Evidence Profile with employers or executive recruiters. One principle must never change: A user’s career data is not an asset of Saywise or of employers. It is an asset the user controls. Saywise should not be a platform that sells users as an ad product. It should be a platform that lets users own and put their careers to work. 9. Saywise’s Real Moat Is Not the Model. It Is Career Memory. Résumé generation, job matching, and auto apply are quickly becoming standard features. As better foundation models arrive, output differences between products shrink fast. The model itself cannot be Saywise’s long-term moat. First: the Evidence Graph. The user’s roles, actions, results, relationships, and proof become more precise over time. Second: Decision Memory. Sage remembers which opportunities the user took or declined, and why. Third: Outcome Learning. Sage learns whether an application got a reply, converted to an interview, where it dropped off, and which experience and evidence caught the other side’s attention. Fourth: Career Workflow. Finding an opportunity, checking evidence, locating relationships, and turning it into action with the user’s approval. Fifth: Trust Architecture. Every significant claim Sage writes should carry a status: Documented fact User-confirmed fact AI inference Needs verification If an AI presents unverified claims as fact to make a user look better, the résumé may look stronger in the short run. In the long run, it puts both the user’s credibility and their career at risk. Sage should not be the AI that inflates you. It should be the AI that proves your real value most accurately and most persuasively. 10. What to Measure To succeed, Saywise needs to measure something more meaningful than jobs recommended or résumés generated. Sage should ask: How many verifiable pieces of evidence were surfaced from the user’s experience? How often did the user answer Sage’s gap questions? What share of recommended opportunities actually met the hard requirements? How much did warm introductions grow relative to cold applications? How well did applications convert to replies, interviews, and offers? What share of AI-generated content did users revise? How much time did Sage save the user? Are hired users still using Sage at 3, 6, and 12 months? How much do the reasons behind rejections and wins feed into the next recommendation and action? And the most important question of all: How far did Sage actually move the user’s career forward? Saywise’s North Star Metric should be Monthly Career Progress Events, not just Monthly Active Users. The moment a new achievement is verified. The moment an important relationship is formed. The moment an interview is secured. The moment a capability gap is closed. The moment an offer, promotion, role change, or compensation increase happens. Measure not how often users open the app, but how often their careers move forward. 11. From AI That Answers to AI That Moves Careers Harvey’s recent shift shows where the next round of AI competition will be fought. The first generation of AI answered questions. The second generation produced documents. The third generation began connecting tools to do work. Now AI is becoming an operating system that takes in requests, divides the work, gets human approval, and remembers the results. Saywise and Sage should evolve in the same direction. LinkedIn shows who you are. Job boards show which jobs are open. Résumé builders reduce you to a document. Sage cannot stop there. Sage should understand a user’s career, accumulate evidence, judge the next opportunity, and carry out the work until real results arrive. Then Sage is not just an AI recruiter. It is Career Memory, remembering the path the user has walked. It is Career Evidence Infrastructure, proving the user’s value. It is a Career Orchestration Platform, moving the next opportunity forward. If Harvey is moving from a legal drafting tool to an operating system for legal work, Saywise should move from a job-search tool to a system that runs an individual’s career. Sage’s future is not about showing more job postings. It is about never making users explain their value from scratch again. About not stopping at finding good opportunities, but actually moving them forward. About managing not one job search, but an entire career.

답을 만드는 AI에서, 경력을 움직이는 AI로 Harvey의 사업모델 변화가 Saywise와 Sage의 미래에 던지는 질문 2026년 10월 · @HJ 2026년 가을, 법률 AI 기업 Harvey의 변화는 단순한 제품 업데이트로 보기 어렵다. 처음 Harvey가 주목받은 이유는 분명했다. 변호사가 질문하면 법률자료를 검색하고, 계약서를 검토하며, 법률문서의 초안을 빠르게 작성해 주는 생성형 AI였기 때문이다. 수십 시간이 필요했던 일을 몇 시간으로 줄이는 것만으로도 충분히 강력했다. 그러나 최근 Harvey가 보여주는 방향은 그보다 훨씬 크다. 이제 Harvey는 법률문서를 잘 작성하는 AI에 머물지 않는다. 기업 안에서 법률 요청이 들어오고, 위험도와 업무 유형에 따라 분류되고, 적절한 에이전트와 변호사에게 배정되며, 결과물이 검토·승인되고, 그 과정이 조직의 지식으로 축적되는 전체 흐름을 제품 안으로 가져오고 있다. Harvey는 스스로를 법률 및 전문서비스를 위한 ‘운영체계’로 규정한다. 현재 회사 발표 기준으로 3,500개 이상의 고객 조직, 85개 이상의 국가, Am Law 100 로펌 중 80곳 이상이 Harvey를 사용하고 있다. 한마디로 Harvey는 법률 AI 도구에서 법률업무 운영체계로 진화하고 있다. 이 변화는 Saywise와 Sage에도 중요한 질문을 던진다. Sage는 좋은 일자리를 찾아주고 Resume를 만들어 주는 AI로 남을 것인가. 아니면 사용자의 경력을 이해하고, 기회를 판단하고, 필요한 일을 실행하며, 그 결과까지 학습하는 Career Management Agent로 진화할 것인가. 1. Harvey의 변화는 기능 확장이 아니라 사업모델의 이동이다 최근 Harvey가 발표한 기능들을 하나씩 보면 서로 다른 제품처럼 보일 수 있다. Agentic Search는 iManage, SharePoint, Google Drive 같은 기업의 문서관리 시스템을 연결해 자연어로 내부 자료를 탐색할 수 있게 한다. Connector Library는 Harvey의 에이전트가 기업의 다양한 업무도구와 데이터를 사용할 수 있도록 연결한다. LexisNexis와 함께 공개한 Motion to Dismiss Workflow는 소장을 분석하고, 가능한 기각 논거를 찾고, 변호사의 승인을 받은 뒤, 판례를 조사하고, Shepard’s를 통해 법적 유효성을 확인하며, 기각신청서 초안까지 만든다. Harvey는 기존에 40~50시간 이상 걸릴 수 있는 과정을 몇 시간으로 줄일 수 있다고 설명한다. 다만 이 수치는 Harvey가 제시한 제품 성과이므로 독립적으로 검증된 결과와는 구분해 볼 필요가 있다. 이러한 변화가 하나의 방향으로 모이는 지점이 바로 Intake와 Legal Work Orchestration이다. Harvey Intake는 이메일, Slack, Jira, ServiceNow 등 여러 채널에서 발생하는 법률 요청을 한곳으로 가져온다. 요청에 정보가 부족하면 에이전트가 추가 질문을 하고, 업무의 유형과 위험도를 판단한 뒤, 적절한 변호사·Custom Agent·Contract Intelligence로 보낸다. 요청자는 반드시 Harvey의 유료 좌석을 가진 변호사일 필요가 없다. 일반 임직원도 요청을 등록하고, 필요한 정보를 추가하며, 진행상태와 결과를 확인할 수 있다. Legal Work Orchestration은 접수된 일을 실제로 끝내는 구조다. 반복되는 소송·계약·규제·M&A 업무를 단계별 Template로 저장하고, 각 과제를 Agent·변호사·고객에게 배정한다. 에이전트가 결과물을 만들면 지정된 변호사가 검토하고, 승인이 완료되어야 다음 단계로 넘어간다. 누가 무엇을 수행하고 승인했는지도 기록된다. 이제 Harvey가 판매하는 것은 단순한 답변이나 문서 한 장이 아니다. 요청 접수 → 맥락 보완 → 분류 → 업무 배정 → AI 실행 → 인간 검토 → 승인 → 기록 Harvey는 이 전체 업무 흐름을 제품 안으로 가져오고 있다. 이는 개인의 생산성을 높이는 AI Seat에서, 조직의 핵심 업무가 통과하는 System of Action이자 System of Record로 이동하는 과정이다. Harvey가 사용량이나 Workflow 가치에 기반한 새로운 가격정책을 공식적으로 발표한 것은 아니다. 따라서 ‘좌석 기반 구독이 사라진다’고 단정할 수는 없다. 그러나 제품 가치의 중심이 사람 수에서 요청량, Workflow, 데이터 접근권, 조직의 결과로 확장되고 있다는 방향만큼은 분명하다. 2. Harvey가 장악하려는 것은 답변이 아니라 업무의 흐름이다 초기 생성형 AI 제품의 가치는 대부분 결과물의 품질로 평가됐다. 질문에 얼마나 정확하게 답하는가. 얼마나 빠르게 자료를 찾는가. 얼마나 그럴듯한 문서를 작성하는가. 하지만 기반모델의 성능이 향상되고 경쟁사들이 비슷한 기능을 출시하면서, ‘더 좋은 답변’만으로는 장기적인 차별화를 만들기 어려워졌다. Harvey의 Connector Library에는 회사 발표 기준 11만 개 이상의 개별 서비스 연결이 생성됐고, 매주 수만 건의 도구 호출이 발생한다. 이는 Harvey가 대화창 안에서 답을 만드는 제품을 넘어, 실제 기업 시스템 안에서 일을 수행하는 제품으로 이동하고 있다는 신호다. 경쟁사도 빠르게 같은 방향으로 움직이고 있다. Legora는 Harvey Intake 발표와 비슷한 시기에 Slack을 법률 요청의 입구로 사용하는 Intake를 공개했다. 이어 30개 이상의 기업용 시스템을 연결하는 Integration Ecosystem도 발표했다. Intake, Connector, Custom Agent, Workflow는 머지않아 법률 AI 플랫폼의 표준기능이 될 가능성이 크다. 그렇다면 Harvey의 진짜 경쟁력은 어디에 쌓일까. 그 답은 고객의 실제 업무 안에 있다. 어떤 요청이 들어왔는가 요청에 어떤 정보가 부족했는가 누구에게 업무가 배정됐는가 어떤 자료와 선례가 사용됐는가 에이전트의 결과 중 무엇이 승인되고 수정됐는가 조직은 어떤 위험을 허용하거나 거절했는가 최종적으로 어떤 결과가 만들어졌는가 이 정보가 반복적으로 축적되면 Harvey는 단순히 법률을 잘 아는 AI가 아니라, 그 조직이 법률업무를 처리하는 방식을 이해하는 시스템이 된다. 따라서 Harvey의 장기적인 해자는 하나의 기능이나 모델이 아니다. 실제 업무 데이터, 조직별 프로세스, 전문 데이터 접근권, 보안과 거버넌스, 그리고 반복 사용을 통해 축적되는 판단의 역사다. Harvey의 사업모델 변화는 다음과 같이 요약할 수 있다. AI 검색과 문서 작성 → Custom Agent → 기업 데이터 연결 → 완성형 Workflow → Intake와 Orchestration → 조직의 업무 기억과 운영체계 이 구조는 Saywise와 Sage가 어디로 가야 하는지를 보여주는 중요한 지도다. 3. 현재 Sage의 가치는 분명하지만, 경계도 분명하다 현재 Sage가 제공하는 경험은 이미 유용하다. Saywise의 공식 설명에 따르면 Sage는 사용자에게 적합한 일자리를 문자로 보내고, 역할에 맞게 Resume를 조정하며, 사용자를 대신해 지원할 수 있다. 현재 Job Alert, Tailored Resume, Auto Apply가 핵심 기능이며, Hiring Manager Research, Logistics, Coaching은 앞으로 제공할 기능으로 안내되어 있다. 사용자는 더 이상 매일 여러 Job Board를 탐색하고, 비슷한 공고를 비교하고, 지원할 때마다 Resume를 다시 작성할 필요가 없다. 이는 작지 않은 가치다. 하지만 현재의 Sage 경험에는 중요한 경계가 있다. Sage가 좋은 기회를 발견하고 Resume를 만들어 주더라도, 그 기회가 실제로 사용자가 이길 수 있는 기회인지까지 충분히 판단하지 못할 수 있다. 사용자의 경험과 채용공고의 문구가 비슷하다는 이유로 높은 Match Score를 제시할 수 있지만, 정작 고용주가 요구하는 결정적인 증거가 없을 수도 있다. Clera의 Account Executive 역할이 좋은 예다. Sage는 나의 AI 기술영업과 북미 GTM 경험을 연결해 이 역할을 추천했고, 관련 경험을 앞세운 맞춤 Resume도 빠르게 만들었다. 그러나 공고를 다시 읽어보니 핵심 조건은 따로 있었다. 첫째는 frontier AI lab의 research, post-training, data team과 관계를 구축한 경험이었다. 둘째는 quota를 책임지고 영업과정을 처음부터 Closing까지 소유한 실적이었다. 나는 인접한 경험을 가지고 있었다. 그러나 이 두 조건을 직접적으로 증명할 충분한 자료는 없었다. 기존 Job Matching 시스템은 여기에서 “Good Match”라고 말하고 멈춘다. 하지만 진정한 Career Agent라면 다음과 같은 질문을 해야 한다. 실제로 해당 계약을 직접 체결했습니까? 고객 발굴부터 협상과 Closing까지 소유했습니까? AI lab의 의사결정자와 직접적인 관계가 있습니까? 이를 증명할 이메일·계약·추천·수치가 있습니까? 증거가 없다면 지원 전에 무엇을 보완할 수 있습니까? Resume의 표현을 바꾸는 것과 존재하지 않는 증거를 만드는 것은 전혀 다른 일이다. AI가 누구나 Resume를 빠르게 만들고 대량으로 지원할 수 있게 한 시대에는 더 매끄러운 문서만으로 차별화하기 어렵다. 지원 장벽이 낮아질수록 지원자는 늘어나고, Resume는 비슷한 언어를 사용하게 된다. 이제 부족한 것은 문서가 아니라 증거다. 4. Sage의 중심은 Resume가 아니라 Career Evidence Graph가 되어야 한다 Harvey가 법률문서 생성에서 조직의 업무와 지식 인프라로 이동하고 있다면, Sage도 Resume 생성에서 사용자의 Career Evidence Infrastructure로 이동해야 한다. Resume는 특정 채용공고를 위해 만들어지는 임시 문서다. 역할이 달라지면 다시 작성되고, 시간이 지나면 오래된 파일이 된다. 그러나 그 안에 담기는 경험, 성과, 관계, 판단은 사용자의 장기적인 경력 자산이다. Sage는 이 자산을 다음과 같은 구조로 기록해야 한다. 어떤 상황과 문제가 있었는가 사용자의 공식 역할과 책임은 무엇이었는가 어떤 판단과 행동을 직접 수행했는가 결과적으로 무엇이 얼마나 달라졌는가 전체 결과에서 사용자의 기여는 무엇이었는가 어떤 사람이나 자료를 통해 확인할 수 있는가 문서로 확인된 사실인가 사용자가 확인한 진술인가 AI가 추론한 내용인가 추가 검증이 필요한 주장인가 예를 들어 사용자가 “북미 시장을 개척했다”고 입력했다고 생각해 보자. 일반적인 Resume Builder는 이 문장을 더 근사하게 다듬는다. 그러나 Career Evidence Agent는 더 깊이 질문해야 한다. “어떤 시장을 우선순위로 선정했습니까?” “직접 발굴한 고객은 몇 곳입니까?” “PoC에서 유료계약으로 전환된 사례가 있습니까?” “계약 협상과 Closing에서 본인이 맡은 역할은 무엇입니까?” “도입기간, 매출, 비용 또는 생산성은 얼마나 달라졌습니까?” “이 결과를 확인할 수 있는 이메일, 계약서, 고객 추천, 내부 보고서가 있습니까?” 이 질문에 대한 답이 구조적으로 축적되면 하나의 경험은 여러 형태로 재사용될 수 있다. 역할별 Resume, Cover Letter, LinkedIn Profile, Interview Story, Executive Bio, 추천인용 요약, 승진평가 자료, 연봉협상 문서, 그리고 O-1이나 NIW 같은 전문경력 입증자료에도 활용할 수 있다. Resume Builder는 문서를 만든다. Career Evidence Infrastructure는 사용자의 경력을 기억하고, 검증하고, 다시 사용할 수 있게 만든다. 이 차이가 Sage의 가장 중요한 경쟁력이 되어야 한다. 5. Match Score는 ‘얼마나 비슷한가’가 아니라 ‘왜 이길 수 있는가’를 설명해야 한다 현재 많은 채용 플랫폼은 직함, 산업, 기술, 경력연수 같은 요소를 비교해 하나의 Match Score를 보여준다. 하지만 하나의 숫자는 너무 많은 것을 감춘다. Sage는 적합성을 최소한 네 가지로 나누어 판단해야 한다. 첫째는 Capability Fit이다. 사용자가 실제로 그 일을 수행할 능력이 있는가. 둘째는 Evidence Fit이다. 그 능력을 Resume와 인터뷰에서 충분히 증명할 수 있는가. 셋째는 Access Fit이다. 해당 산업, 고객, 채용담당자, 의사결정자 또는 추천인에게 접근할 수 있는가. 넷째는 Motivation Fit이다. 이 역할이 사용자가 원하는 삶과 장기적인 경력 방향에 실제로 맞는가. 이 네 가지는 서로 다르다. 업무를 수행할 능력은 있지만 이를 증명할 자료가 부족할 수 있다. 증거는 충분하지만 해당 산업의 관계가 없을 수도 있다. 모든 조건이 맞더라도 사용자가 원하는 방향이 아닐 수 있다. 따라서 Sage의 판단은 “86% Good Match”에서 끝나서는 안 된다. 예를 들어 다음과 같이 설명해야 한다. 업무 수행 가능성은 높습니다. 그러나 현재 확인된 증거만으로는 AI lab 관계와 직접적인 Closing 경험이라는 두 가지 필수조건을 충분히 입증하기 어렵습니다. 바로 지원하기보다 관련 경험을 추가로 확인하거나 Warm Introduction을 확보한 뒤 접근하는 편이 유리합니다. 그리고 다음 행동까지 제안해야 한다. 지금 지원한다 내부 관계를 먼저 찾는다 부족한 증거를 사용자에게 질문한다 작은 프로젝트나 공개 콘텐츠로 전문성을 증명한다 더 적합한 유사 역할을 찾는다 현재는 지원하지 않는다 좋은 Career Agent는 모든 기회에 지원하도록 부추기지 않는다. 좋은 Career Agent는 어떤 기회를 움직이고, 어떤 기회를 기다리며, 어떤 기회를 포기해야 하는지 판단하도록 돕는다. 6. Saywise의 다음 제품은 Career Intake와 Career Orchestration이다 Harvey Intake의 핵심은 법률 요청이 어디에서 시작되든 하나의 시스템 안으로 들어오게 하는 것이다. Sage에도 Career Intake가 필요하다. 사용자의 경력 증거는 Resume 안에서만 발생하지 않는다. 이메일, 프로젝트 문서, 발표자료, 업무 메시지, 고객 피드백, 계약 결과, 수상, 자격, 인터뷰, 추천서 등 다양한 장소에 흩어져 있다. Sage는 사용자의 명확한 허락과 범위 설정을 전제로 이 자료를 받아들이고, 그 안에서 새로운 성과와 역량을 발견해야 한다. 예를 들어 Sage가 다음과 같이 말할 수 있다. “이번 고객 이메일에서 제품 도입기간을 9개월에서 3개월로 줄였다는 내용이 확인됐습니다. 이를 성과 증거로 저장할까요?” “이번 발표에서 미국 시장진입 전략을 직접 설계했다고 말씀하셨습니다. 구체적인 결과와 본인의 역할을 추가하시겠습니까?” 이것이 Career Intake다. 그다음에는 Career Orchestration이 필요하다. Sage는 기회를 발견한 뒤 해야 할 일을 단계별로 나누고, AI와 사용자에게 적절히 배정해야 한다. 기회 발견 → 필수조건 분석 → 기존 증거 확인 → 부족한 정보 질문 → 지원·네트워킹·보류 판단 → Resume와 메시지 작성 → 사용자 검토와 승인 → 지원 또는 소개 요청 → Follow-up → 인터뷰 준비 → 결과와 피드백 기록 여기에서 Sage가 모든 결정을 대신할 필요는 없다. 오히려 가장 중요한 설계원칙은 다음과 같아야 한다. Sage does the work. The user keeps the judgment. Sage는 일을 수행하고, 사용자는 판단권을 가진다. Sage는 탐색하고, 비교하고, 작성하고, 준비하고, 기억할 수 있다. 그러나 사실의 확인, 외부 제출, 중요한 관계 형성, 최종 선택은 사용자가 승인해야 한다. 이 구조는 무차별 Auto Apply보다 느려 보일 수 있다. 하지만 장기적으로 사용자와 고용주 모두에게 더 큰 신뢰를 만든다. Saywise가 약속해야 할 것은 1,000개의 지원서가 아니다. Fewer applications. Stronger evidence. Better conversations. 7. “Never search for a job again”은 취업 이후까지 이어져야 한다 법률업무는 매일 발생하지만 구직은 저빈도 사건이다. 따라서 Saywise가 Job Search 기간만을 다룬다면 사용 빈도와 고객생애가치에는 분명한 한계가 있다. Harvey의 전략을 그대로 복사할 수 없는 이유도 여기에 있다. Saywise가 지속적으로 사용되는 제품이 되려면 Sage는 취업 이후에도 필요해야 한다. 입사 후 첫 90일 동안 Sage는 새로운 역할의 기대치를 정리하고, 주요 이해관계자를 파악하며, 30·60·90일 목표를 관리할 수 있다. 상사와의 1:1 미팅을 준비하고, 사용자가 만든 결정과 초기 성과를 Evidence Graph에 기록할 수도 있다. 분기마다 Sage는 사용자의 경력을 함께 검토할 수 있다. 이번 분기에 어떤 가치를 만들었는가. 새롭게 확보한 역량은 무엇인가. 외부에서 확인할 수 있는 성과는 무엇인가. 현재의 시장가치는 어떻게 달라졌는가. 다음 분기에는 어떤 경험과 관계를 만들어야 하는가. 연봉협상이나 승진 시점에는 지난 성과를 다시 찾아 협상 논리를 구성하고, 시장 보상과 비교하며, 대화에 필요한 근거를 준비할 수 있다. 그렇게 되면 “Never search for a job again”은 단순히 AI가 공고를 대신 찾아준다는 뜻을 넘어선다. Sage가 평소부터 사용자의 경력을 관리하기 때문에, 사용자는 다음 기회가 필요할 때 처음부터 다시 시작하지 않아도 된다. 여기에 두 번째 약속이 연결된다. Never explain yourself from scratch again. 첫 번째 문장은 구직의 반복 노동을 제거한다는 뜻이다. 두 번째 문장은 사용자의 경력 기억과 증거를 축적한다는 뜻이다. 이 두 문장이 하나의 제품 경험으로 연결될 때 Sage의 진정한 정체성이 만들어진다. 8. Saywise의 사업모델은 개인 구독을 넘어 확장되어야 한다 Harvey는 기업의 핵심 업무 흐름 안으로 들어가면서 개인 생산성 도구보다 훨씬 넓은 가치를 제공하고 있다. Saywise도 하나의 개인용 구독상품만으로 미래를 설계해서는 안 된다. 다만 개인 구직자의 지불의사는 기업 법무팀이나 대형 로펌보다 제한적이다. 따라서 Saywise에는 단계적인 혼합모델이 필요하다. 첫 번째는 Free Career Record다. 사용자는 자신의 경력과 증거를 무료로 축적하고, 수정하고, 내보낼 수 있어야 한다. 이 기록의 소유권과 통제권은 사용자에게 있어야 한다. 두 번째는 Pro Career Agent다. 상시 Opportunity Monitoring, Gap Analysis, 역할별 Positioning, 승인 기반 Application Orchestration, Interview Preparation을 제공한다. 세 번째는 AI-Human Concierge다. 임원급 이직, 산업 전환, 미국 진출처럼 복잡한 경력변화를 준비하는 사용자를 위해 인간 전문가와 AI가 함께 개입한다. 네 번째는 B2B2C 모델이다. 대학, 전문협회, 창업자 커뮤니티, 기업의 Alumni 및 Outplacement Program은 구성원의 취업과 경력전환을 지원하기 위해 비용을 지불할 수 있다. 장기적으로는 사용자가 승인한 Evidence Profile을 기업이나 Executive Recruiter와 공유하는 모델도 가능하다. 하지만 한 가지 원칙은 변하지 않아야 한다. 사용자의 경력 데이터는 Saywise나 고용주의 자산이 아니라, 사용자가 통제하는 자산이어야 한다. Saywise는 사용자를 광고상품으로 판매하는 플랫폼이 아니라, 사용자가 자신의 경력을 소유하고 활용하게 만드는 플랫폼이어야 한다. 9. Saywise의 진짜 해자는 AI 모델이 아니라 Career Memory다 Resume 생성, Job Matching, Auto Apply는 빠르게 표준기능이 되고 있다. 더 좋은 기반모델이 등장하면 제품 간의 결과물 차이도 빠르게 줄어든다. 따라서 Saywise의 장기적인 해자는 AI 모델 그 자체가 될 수 없다. 첫 번째 해자는 사용자의 Evidence Graph다. 사용자의 역할, 행동, 성과, 관계, 검증자료가 시간이 지날수록 정교해진다. 두 번째는 Decision Memory다. 사용자가 어떤 기회를 받아들이거나 거절했는지, 그 이유가 무엇이었는지를 기억한다. 세 번째는 Outcome Learning이다. 지원 후 답변을 받았는지, 인터뷰로 전환됐는지, 어느 단계에서 탈락했는지, 어떤 경험과 증거가 상대방의 관심을 얻었는지를 학습한다. 네 번째는 Career Workflow다. 기회를 발견하고, 증거를 확인하고, 관계를 찾고, 사용자의 승인을 받아 실제 행동으로 연결한다. 다섯 번째는 Trust Architecture다. Sage가 작성하는 중요한 주장에는 다음과 같은 상태가 표시되어야 한다. 문서로 확인된 사실 사용자가 확인한 사실 AI가 추론한 내용 추가 확인이 필요한 내용 AI가 사용자를 더 좋아 보이게 만들기 위해 확인되지 않은 내용을 사실처럼 표현하면 단기적으로는 Resume가 강해 보일 수 있다. 하지만 장기적으로는 사용자의 신뢰와 경력을 동시에 위험에 빠뜨린다. Sage는 사용자를 과장하는 AI가 아니라, 사용자의 실제 가치를 가장 정확하고 설득력 있게 증명하는 AI가 되어야 한다. 10. 무엇을 측정할 것인가 Saywise가 성공하기 위해서는 추천한 공고 수나 생성한 Resume 수보다 더 중요한 지표를 측정해야 한다. Sage가 물어야 할 질문은 다음과 같다. 사용자의 경험에서 몇 개의 검증 가능한 Evidence가 발견됐는가 Sage의 Gap Question에 사용자가 얼마나 응답했는가 추천된 기회 중 필수조건을 실제로 충족하는 비율은 얼마인가 Cold Application보다 Warm Introduction이 얼마나 증가했는가 지원이 응답, 인터뷰, Offer로 얼마나 전환됐는가 AI가 생성한 내용 가운데 사용자가 수정한 비율은 얼마인가 Sage가 사용자의 시간을 얼마나 절약했는가 취업한 사용자가 3개월, 6개월, 12개월 후에도 Sage를 사용하는가 거절과 성공의 이유가 다음 추천과 행동에 얼마나 반영되는가 그리고 가장 중요한 질문은 이것이다. Sage가 사용자의 경력을 실제로 얼마나 앞으로 움직였는가. Saywise의 North Star Metric은 단순한 Monthly Active User보다 Monthly Career Progress Events가 되어야 한다. 새로운 성과가 확인된 순간. 중요한 관계가 만들어진 순간. 인터뷰가 확보된 순간. 부족한 역량이 보완된 순간. Offer, 승진, 역할 변화, 보상 개선이 발생한 순간. 사용자가 얼마나 자주 앱을 열었는지가 아니라, 사용자의 경력이 얼마나 자주 전진했는지를 측정해야 한다. 11. 답을 만드는 AI에서, 경력을 움직이는 AI로 Harvey의 최근 변화는 AI 산업의 다음 경쟁이 어디에서 벌어질지를 보여준다. 첫 번째 단계의 AI는 질문에 답했다. 두 번째 단계의 AI는 문서를 만들었다. 세 번째 단계의 AI는 여러 도구를 연결해 업무를 수행하기 시작했다. 그리고 이제 AI는 요청을 접수하고, 일을 나누고, 사람의 승인을 받고, 그 결과를 기억하는 운영체계로 이동하고 있다. Saywise와 Sage의 진화도 같은 방향이어야 한다. LinkedIn은 사용자가 누구인지 보여준다. Job Board는 어떤 일자리가 열려 있는지 보여준다. Resume Builder는 사용자를 하나의 문서로 표현한다. 그러나 Sage는 거기에서 멈춰서는 안 된다. Sage는 사용자의 경력을 이해하고, 증거를 축적하며, 다음 기회를 판단하고, 필요한 일을 실행해 실제 결과가 나올 때까지 움직여야 한다. 그렇게 된다면 Sage는 단순한 AI Recruiter가 아니다. 사용자가 걸어온 길을 기억하는 Career Memory다. 사용자의 가치를 입증하는 Career Evidence Infrastructure다. 다음 기회를 앞으로 움직이는 Career Orchestration Platform이다. Harvey가 법률문서 작성도구에서 법률업무 운영체계로 이동하고 있다면, Saywise는 Job Search 도구에서 개인의 경력을 운영하는 시스템으로 이동해야 한다. Sage의 미래는 더 많은 채용공고를 보여주는 데 있지 않다. 사용자가 자신의 가치를 매번 처음부터 설명하지 않아도 되게 하는 것. 좋은 기회를 발견하는 데서 그치지 않고 실제로 앞으로 움직이게 하는 것. 한 번의 취업이 아니라 사용자의 경력 전체를 함께 관리하는 것에 있다. The Career Agent That Remembers, Acts, and Grows With You 기억하고, 행동하고, 사용자와 함께 성장하는 Career Agent. Never search for a job again. Never explain yourself from scratch again. 이 두 약속이 하나의 제품 경험으로 연결되는 순간, Saywise는 Job Search 시장의 또 다른 서비스가 아니라 새로운 카테고리를 만들 수 있다. 그 카테고리의 이름은 구직 자동화가 아니다. User-Owned Career Evidence and Orchestration Infrastructure.

Beyond the Apply Button: How Sage Could Become a Career Evidence Infrastructure Beyond Resumes: Building an AI That Remembers What People Can Do From AI that finds jobs to AI that understands people's experiences and creates opportunities. October 2026 · @HJ 1. "Found One for You!" In October 2026, I received a text message from Sage. "Found one for you!" It was an Account Executive position listed through Clera, with an annual salary of $160,000 to $200,000. The role involved selling data and evaluation services to AI research labs at an early-stage startup. Sage explained that my technical sales experience at Polymerize and my North American go-to-market (GTM) background were relevant to the position. I was interested. I asked for more details, and Sage created a tailored resume for me. But when I downloaded and reviewed the PDF, I started to have questions. The job required existing relationships with Research, Post-training, and Data teams at AI labs, along with proven experience closing deals. Sage had moved my technical sales and proof-of-concept (PoC) experience at Polymerize to the top of my resume. However, it had not shown clear evidence that I met these important requirements. My experience at Polymerize is valuable. But selling industrial AI solutions and managing technical PoCs is different from directly selling specialized training and evaluation data to AI research labs. Sage did not ask about that difference. The application process raised another question. In my experience with this Clera position, I still had to download the resume, visit an external application website, enter my name and contact information, answer work authorization questions, and submit the application myself. Sage had found an opportunity and created a resume. But it had not fully explained why I was a strong candidate. And in this case, it had not completed the application process for me. So I began to wonder: How was this fundamentally different from finding a job on LinkedIn and using AI to improve my resume? That question led me to think more deeply about what Sage could become. 2. Personalization Is More Than Remembering a Name We often use the word "personalization" too easily when talking about AI. If an AI remembers our name, previous employers, industries of interest, salary expectations, and preferred work locations, we call it personalized. But remembering information about someone is not the same as understanding that person. Consider my own career. I have worked in entrepreneurship, global marketing, content production, startup investment, and technical sales. A typical recommendation system might divide these experiences into keywords: Founder. GTM. AI Sales. Media. Investment. Partnerships. Then it would recommend jobs that match those keywords. But the real question is not whether my job titles match a job description. The important questions are: What problems have I solved across different environments? What decisions did I make? What results did I create? For example, discovering a market as a founder, building strategic partnerships, and explaining complex technology to customers may look like separate experiences. But they may share a deeper skill. That skill could be the ability to recognize the value of technologies or people that the market does not yet fully understand—and turn that value into opportunities that customers and investors can recognize. Of course, this is still a hypothesis. It needs to be supported by real projects, decisions, and results. True personalization is not about remembering the titles we have held. It is about continuously understanding the problems we are capable of solving. This is where the need for a Career Evidence Infrastructure begins. 3. A Resume Is an Output, Not the Original Source Today, most hiring platforms are built around resumes. A resume organizes education, job titles, experience, skills, and achievements into a standard format. But resumes have important limitations. The same project may need to be described differently depending on the role. Being involved in a project is not the same as being personally responsible for its results. Sometimes, even the performance numbers of a technology product can be confused with an individual's sales achievements. My experience with Polymerize is a good example. Polymerize's AI-powered materials informatics platform helps reduce experiments and improve R&D efficiency. But the product's value proposition, the customers I personally discovered, the PoCs I managed, and the contracts I may have helped close are related—but not identical—pieces of evidence. Sage should understand these differences. It should ask: What did I actually do? What problem was I trying to solve? How was my role different from the roles of other team members? What documents or results can support my achievements? What has been verified, and what is still based only on my own description? This is why we need a Career Evidence Graph. Instead of storing only job titles, this system would record individual experiences as structured pieces of evidence. Each project could connect eight elements: Context: What problem needed to be solved? Role: What was my responsibility? Action: What did I actually do? Decision: What choices did I make? Outcome: What results were achieved? Contribution: How much of the result was my responsibility? Source: Where does the supporting information come from? Verification: How reliable is the evidence? For example, my North American business development experience at Polymerize could be broken into several separate records: Discovering potential customers in North America. Discussing technical requirements with R&D organizations. Defining PoC scope and success criteria. Preparing technical demonstrations and proposals. Participating in licensing and contract discussions. Directly closed deals: further confirmation required. The final item is especially important. AI should not present something it does not know as a fact. It should distinguish between confirmed experience and experience that has not yet been verified. And when important information is missing, it should ask the right questions. Career Evidence Infrastructure should not simply produce a more impressive professional story. It should turn real experiences into reliable information that can be used across different opportunities—without changing or exaggerating what actually happened. 4. A Good Agent Knows How to Ask Questions I do not believe Sage's next competitive advantage will come from collecting more data. I believe it will come from knowing when to ask better questions. When Sage discovered the Clera opportunity, it did not need to create a tailored resume immediately. It could have asked: "You worked on PoCs and licensing discussions at Polymerize. Have you personally closed any contracts?" "Clera requires existing relationships with Research and Data teams at AI labs. Have you worked directly with these types of customers?" Just two questions could have changed the recommendation. If I had personally closed relevant contracts and could confirm relationships with AI research organizations, Sage could have built a stronger resume around that evidence. If I did not have that experience, Sage could have explained the gap and suggested more suitable roles, such as Founding GTM or Technical Sales. The goal is not simply to reject candidates who appear unqualified. It is to distinguish between skills someone still needs to develop and skills they already have but have not yet proven. This distinction is essential for long-term career management. Some jobs are opportunities we can apply for today. Others are goals we may be ready for in six months. Still others may reveal a new direction for our careers. A good career agent should be able to explain the difference. "This is a good opportunity for you right now." "We need to confirm a few more details before presenting you as a strong candidate." "This role may be difficult today, but developing these skills could open similar opportunities in the future." Before writing a resume, Sage should understand what that resume needs to prove. 5. Four Products, One Connected Journey Looking back at Saywise's product journey, I see an interesting connection. Live AMA, AI Content Producer, Resume 2.0, and Sage. At first, they may look like separate products or changes in direction. But if we look at the deeper problems each product tried to solve, they can be understood as parts of one larger journey. Live AMA — Capture Live AMA helps people share their experiences. Good questions can bring out stories, ideas, and decisions that people may not have expressed before. AI Content Producer — Structure AI Content Producer helps organize scattered thoughts, stories, and experiences into a form that other people can understand. The important goal is not simply to improve the writing. It is to preserve the meaning and context of the person's experience. Resume 2.0 — Prove Resume 2.0 aims to show abilities that traditional job titles and education records cannot fully explain. It uses projects, work samples, decisions, and results to tell a more complete career story. At this stage, stories need to be connected to evidence. Sage — Discover, Act, Grow, Learn Sage can connect structured experiences and evidence to real opportunities. It can discover companies, study job requirements, and help users apply or make professional introductions with their permission. Then it can learn from the results and help prepare for future opportunities. Seen this way, these four products may not be abandoned experiments. They may represent different parts of a larger infrastructure that Saywise has been discovering over time. Capture → Structure → Prove → Discover → Act → Grow → Learn If this cycle becomes a reality, Sage could become more than a resume-writing tool. It could become a system that understands a person's career over time. Of course, this does not mean the four products are already fully integrated. This is a product vision that Saywise would still need to build and test. 6. The Real Differentiation Is Beyond Published Job Postings LinkedIn already has a huge network of users and job listings. AI-powered job search, resume writing, and automated applications are becoming more common. It will be difficult for Sage to build a lasting competitive advantage by offering the same features with a slightly better user experience. So perhaps we need to change the question. Instead of asking how Sage can help people apply faster to existing jobs, we should ask: How can Sage connect people's abilities with company needs that have not yet been clearly expressed? Imagine a Korean AI startup preparing to enter the U.S. market. The company has strong technology, but it is still trying to understand how to find its first customers in North America. Its founders may be asking: How should we design our first customer PoC? Which industry should we target first? When should we hire our first GTM leader? The company may not have published a Founding GTM job posting yet. Now imagine Sage studying the company's public strategy, hiring signals, and founder interviews—and then confirming whether the company actually needs help. Sage could compare the problems facing that company with problems a candidate has solved before. It could identify relevant projects in the candidate's career history. It could organize the supporting evidence and explain how that experience might help the company. Then, with permission from both sides, Sage could suggest an introduction. In this situation, Sage would not simply send a resume. It would provide a clear explanation of why this person might be able to solve a problem the company is facing right now. Of course, Sage should not assume a company is hiring simply because it sees signs of growth. It should confirm actual business needs. It must also protect personal information and never contact or share information without permission. Still, the possibility is important. Traditional hiring platforms mainly connect candidates with jobs that already exist. Sage could go further by discovering opportunities in problems that companies have not yet turned into formal job postings. This is Opportunity Creation. 7. Employers Need More Than Resumes, Too For Career Evidence Infrastructure to work, it must create value for employers as well as candidates. Imagine an early-stage startup founder hiring the company's first GTM leader. A traditional resume shows company names, job titles, years of experience, and sales responsibilities. But the founder may want to know something more specific. Can this person find customers when the market is still uncertain? Can they communicate effectively between engineers and customers? Can they help build the first PoC and sales process when the company has no established sales organization? Sage should help answer these questions with project-based evidence. Consider two candidates who both have Enterprise Sales experience. One may have managed large contracts in a well-established sales organization. The other may have worked closely with a founder to explore a new market and build the first customer pipeline. Which candidate is better? That is not the right question. The right question is whose experience is more relevant to the problem the company needs to solve today. If Sage can help hiring managers understand these differences faster and more accurately, its value could grow beyond making job applications easier. It could become part of the actual hiring decision process. This could also create new business models. Instead of charging mainly for resume generation or application volume, value could come from introducing qualified candidates and supporting real hiring outcomes. But there is an important condition. Employers must actually review and use the Evidence Passport. And Saywise must test whether this evidence helps them make better interview and hiring decisions. A claim about evidence-based hiring should itself be supported by evidence. 8. From Vision to Product: Five Milestones Career Evidence Infrastructure cannot be built all at once. If I were planning this product, I would not begin by trying to build a career platform for everyone. I would start with a smaller market, prove real value, and then expand. Milestone 1: First 30 Days — Evidence Before Resume Goal: Connect every important claim in a generated resume to a reliable source. The first experiment could be small. Start with 20 existing users and around 50 tailored resumes. Compare each resume with the original profile and the job description. Separate must-have job requirements from preferred qualifications. Then identify the actual career evidence supporting each requirement. If evidence is missing, do not invent a claim. Distinguish between product performance and individual achievements. Ask the user for clarification when needed. Success criteria: Every important achievement can be traced to a source or user confirmation, and unsupported claims are removed from generated resumes. Sage must first earn trust. Milestone 2: Days 31–90 — Career Evidence Graph MVP Goal: Build a career memory system so users do not need to explain the same experiences again and again. Organize projects, roles, decisions, results, and supporting evidence. Users should be able to edit or delete information and decide what can be shared with employers. Career information should continue to improve over time. For example, if Sage previously had no confirmed evidence of personally closed deals, it could update its understanding when the user adds a real contract example. That new evidence could then improve future job evaluations. Success criteria: Fewer repeated questions, more reuse of existing information, less time spent correcting resumes, and fewer repeated errors. This is when personalization starts to create lasting value. Milestone 3: Months 3–6 — Verified Application Agent Goal: Connect application preparation, submission, and confirmation in one process. Sage should first check whether a job is a good fit. It should identify missing information, ask relevant questions, and prepare a tailored application. If automated submission is supported, Sage should complete the process with the user's approval. If it cannot submit automatically, it should explain that limitation clearly. The application should move through separate stages: Application prepared. User approved. Application submitted. Employer receipt confirmed. A resume that has only been prepared should never be marked as successfully submitted. Success criteria: Higher verified application completion, more accurate application status, less manual work, and a greater share of applications that meet the required qualifications. This is not about sending more applications. It is about making the application process more reliable. Milestone 4: Months 6–12 — Employer Evidence Network Goal: Test whether verified career evidence helps employers make better hiring decisions. At first, Sage could focus on early-stage AI startups and roles where problem-solving experience matters. Examples include Founding GTM, Technical Sales, and early engineering positions. A pilot with 5–10 participating companies could compare traditional resume reviews with reviews supported by Evidence Passports. Important questions would include: Do employers understand candidates faster? Are the questions they need to ask during interviews clearer? Are there fewer interviews with poorly matched candidates? Do qualified candidates receive more interview invitations? Success criteria: Faster and more useful employer reviews, better use of verified evidence, and improved interview conversion for qualified candidates. At this stage, Sage's value would extend from individual candidates to employers. Milestone 5: Months 12–24 — Opportunity Creation Network Goal: Connect people's capabilities with business needs before those needs become job postings. Sage could study a company's growth stage and public market signals, then confirm whether the company is interested in hiring or collaboration. Using a candidate's Career Evidence Graph, it could explain how that person might contribute. With permission from both sides, Sage could support introductions, project collaborations, advisory work, or full-time employment. Career opportunities do not always begin with formal job postings. Success criteria: Meaningful introductions agreed to by both sides, newly discovered opportunities, real project or hiring outcomes, and long-term candidate satisfaction. If this stage works, Sage could move beyond searching job boards and become a network that helps create new opportunities. These milestones are my proposed development path, not an official Saywise roadmap. Each stage should be tested before moving to the next. If the results do not support the idea, the product should be improved before expanding. 9. What We Measure Shapes What We Build A product's direction is shaped by the numbers it chooses to measure. If the goal is to recommend more jobs, the system will send more job alerts. If the goal is to generate more resumes, it will produce more PDFs. If the goal is to automate more applications, it will submit more applications. But none of these numbers necessarily means that people's careers are improving. Career Evidence Infrastructure needs different success metrics. First, how many important career claims are supported by reliable evidence? Second, how accurately do recommended jobs match the candidate's real qualifications? Third, how much does Sage reduce repeated explanations and manual corrections? Fourth, how often does verified evidence lead employers to start meaningful conversations and interviews? Fifth, does Sage's understanding and recommendation quality improve over time? One possible key metric is Qualified Opportunity Conversion. This measures how often an opportunity becomes meaningful after a candidate's actual abilities and an employer's needs have been confirmed. It is not simply about the number of applications submitted. Of course, interview and hiring decisions belong to employers. Sage cannot guarantee those outcomes. But Sage should be responsible for improving the accuracy, reliability, and transparency of the process. This difference matters. A good career agent should not simply send more applications. It should reduce unnecessary applications and help create more meaningful opportunities. 10. Evidence Must Not Become Another Score That Limits People There is also an important risk. When career evidence becomes structured data, we may believe that people can be evaluated more objectively. But not every ability can be measured with numbers or documents. Some people have had the chance to build impressive results at large companies. Others may have achieved smaller results while working under much more difficult conditions. Some projects have plenty of public evidence. Others involve confidential work that cannot be shared. People changing industries may also lack direct experience in the new field they want to enter. Career Evidence Infrastructure should not close future opportunities simply because someone lacks certain evidence from the past. Having evidence and having ability are not exactly the same thing. A lack of verified evidence does not mean a person lacks potential. Sage should distinguish between proven abilities, transferable abilities, and abilities that have not yet been discovered. And people should remain in control of the final decisions. Users must understand how their career information is interpreted and shared. They should be able to control that information. Employers should not treat AI-generated assessments as final hiring decisions. Evidence should not be a final judgment about a person. It should be a starting point for discovering possibilities that have not yet been recognized. Without this principle, Career Evidence Infrastructure could become just another automated screening system. 11. What Comes After LinkedIn? For many years, LinkedIn has helped bring professional identities and networks online. It shows where people have worked, who they know, and what professional skills they have. That remains extremely valuable. But new questions are becoming more important. Not just: What job titles has someone held? But: What can this person actually do? Not just: Where has this person worked? But: What problems have they solved? Not just: Which keywords match a job description? But: How can this person's experience help solve a problem that matters today? Career Evidence Infrastructure is an attempt to answer these questions. This does not mean Sage must replace LinkedIn. At first, Sage could use existing professional profiles and hiring platforms while building a new layer of value on top of them. That new layer would connect professional identity with real experiences and verifiable evidence. If it becomes useful enough, people may record more of their project experiences. Employers may begin using that evidence in hiring. And Sage could learn from the results to connect people with better opportunities. But simply collecting more data will not automatically create a competitive advantage. Sage will need user trust, user control, accurate verification, real employer adoption, and continuously improving results. That is the difference between building another feature and building lasting infrastructure. 12. Sage's Future Is Beyond the Apply Button Let me return to my experience with Clera. Sage helped me discover a new job opportunity. It also helped me create a resume quickly. That was useful. But what I really wanted to understand was something deeper. Why might this company need someone like me? Which parts of my experience make me a truly competitive candidate? What am I missing, and how can I close those gaps? And even if this opportunity is not right for me today, what should I prepare for the next one? That’s what we’re building with Sage. And the best part? You can just text her. No app to install, no complicated sign-up process. You still make the decisions, but you don’t have to do all the work yourself. Let Sage help. The future of job search is fully agentic - your own AI recruiter working on your behalf, even while you’re sleeping. Never search for a job again. Try Sage now → saywise.com

이력서 너머, 한 사람의 가능성을 기억하는 인프라 Sage는 어떻게 Career Evidence Infrastructure가 될 수 있는가 AI가 일자리를 찾는 시대에서, 사람의 경험을 이해하고 기회를 만드는 시대로 Oct 2026 · @HJ 1. "Found one for you!" 2026년 10월, Sage에게서 문자메시지가 도착했다. "Found one for you!" Clera의 Account Executive 포지션이었다. 연봉은 16만~20만 달러. 초기 AI 스타트업에서 AI 연구소를 대상으로 데이터와 평가 서비스를 판매하는 역할이었다. Sage는 나의 Polymerize 기술영업 경험과 북미 GTM 경력이 이 직무와 연결된다고 설명했다. 흥미로웠다. 나는 좀 더 자세한 설명을 요청했고, Sage는 나를 위한 맞춤 이력서를 생성했다. 하지만 다운로드한 PDF를 살펴보면서 몇 가지 질문이 생겼다. Clera는 AI 연구소의 Research, Post-training, Data 팀에 이미 구축된 고객관계와 직접 계약을 성사시킨 경험을 중요하게 요구한다. 반면 Sage가 만든 이력서는 내가 Polymerize에서 수행한 기술영업과 PoC 경험을 앞쪽으로 옮겼을 뿐, 이러한 핵심 자격을 실제로 입증하지 못했다. 물론 Polymerize에서 경험한 기술영업은 가치가 있다. 그러나 산업용 AI 기술을 고객에게 설명하고 PoC를 추진한 경험과, AI 연구소에 학습·평가용 전문 데이터를 직접 판매한 경험은 다르다. Sage는 그 차이를 질문하지 않았다. 지원 과정에서도 마찬가지였다. 내가 경험한 Clera 지원 흐름에서는 생성된 이력서를 다운로드한 뒤 외부 채용 페이지로 이동해야 했다. 이름, 연락처, 취업 자격을 입력하고 최종 지원서를 제출하는 일은 여전히 내 몫이었다. Sage는 일자리를 발견했고, 이력서를 만들었다. 그러나 내가 왜 이 회사에 적합한 후보인지 충분히 증명하지 못했고, 이번 경험에서는 실제 지원까지 완결하지도 못했다. 그렇다면 LinkedIn에서 일자리를 찾고 AI로 이력서를 수정하는 것과 무엇이 다른가? 이 질문이 Sage의 다음 방향을 고민하게 만들었다. 2. 개인화는 이름을 기억하는 것이 아니다 우리는 AI의 개인화를 지나치게 쉽게 이야기한다. 이름을 기억하고, 이전 직장을 알고, 관심 있는 산업을 파악하고, 선호하는 연봉과 근무지역을 학습하면 개인화된 서비스라고 부른다. 하지만 그것은 사용자에 관한 정보를 기억하는 것일 뿐이다. 한 사람을 이해한다는 것은 조금 다른 문제다. 예를 들어 내 경력에는 창업, 글로벌 마케팅, 콘텐츠 제작, 스타트업 투자, 기술영업이 함께 존재한다. 일반적인 추천 알고리즘은 이 경험들을 서로 다른 키워드로 분류할 수 있다. Founder. GTM. AI Sales. Media. Investment. Partnerships. 그리고 각 키워드와 유사한 채용공고를 추천할 것이다. 하지만 실제로 중요한 것은 직함의 공통점이 아니다. 서로 다른 환경에서 내가 반복적으로 해결해 온 문제가 무엇인지, 어떤 판단을 했으며, 어떤 결과를 만들어 냈는지다. 창업자로서 시장을 발견한 경험, 파트너십을 구축한 경험, 기술을 고객의 언어로 번역한 경험은 겉으로는 다른 경력이다. 그러나 그 이면에는 공통된 역량이 있을 수 있다. 아직 시장에서 충분히 이해받지 못한 기술이나 사람의 가치를 발견하고, 이를 고객과 투자자가 이해할 수 있는 언어와 기회로 연결하는 역량이다. 물론 이런 해석 역시 하나의 가설이다. 실제 프로젝트의 의사결정과 성과로 확인해야 한다. 진정한 개인화는 내가 어떤 직함을 가졌는지 기억하는 것이 아니라, 내가 어떤 문제를 해결할 수 있는 사람인지 계속해서 이해하는 과정이다. 여기서 Career Evidence Infrastructure의 필요성이 시작된다. 3. 이력서는 결과물이지, 경력의 원본이 아니다 오늘날 대부분의 채용 플랫폼에서 이력서는 중심에 있다. 이력서는 학력, 직함, 경력, 기술, 성과를 일정한 형식에 맞춰 정리한다. 동일한 프로젝트라도 지원 직무에 따라 강조해야 하는 경험이 달라진다. 프로젝트에 참여했다는 사실과 그 성과를 직접 만들어 냈다는 사실도 다르다. 심지어 기술 제품의 성능 지표가 개인의 영업 실적으로 잘못 해석될 수도 있다. 이번 사례가 그렇다. Polymerize의 AI 물질정보학 플랫폼은 실험을 줄이고 연구개발 과정을 효율화하는 기술이다. 이 플랫폼의 가치 제안과 내가 직접 발굴한 고객, 운영한 PoC, 성사시킨 계약은 서로 연결되어 있지만 동일한 증거는 아니다. Sage는 이 차이를 구분해야 한다. 내가 실제로 무엇을 했는가? 어떤 문제를 해결하려 했는가? 나의 역할과 다른 팀원의 역할은 어떻게 달랐는가? 성과를 어떤 자료로 확인할 수 있는가? 무엇은 사실로 확인되었고, 무엇은 아직 나의 설명에만 의존하는가? 이를 위해 필요한 것이 Career Evidence Graph다. 이 시스템은 직함이 아니라 실제 경험을 최소 단위로 기록한다. 각 프로젝트에는 문제(Context), 역할(Role), 행동(Action), 판단(Decision), 결과(Outcome), 기여도(Contribution), 증거 출처(Source), 검증 상태(Verification)가 연결된다. 예를 들어 Polymerize의 북미 시장개척 경험은 하나의 긴 경력 설명이 아니라 여러 개의 독립적인 증거로 구성될 수 있다. 북미 고객 발굴 경험 R&D 조직과의 기술적 요구사항 논의 PoC 범위와 성공 기준 설계 기술 데모와 제안서 작성 라이선싱 및 계약 과정에 대한 관여 직접 계약 성사 실적: 추가 확인 필요 여기서 마지막 항목이 중요하다. AI가 모르는 것을 사실처럼 표현하지 않는 것. 잘 알려진 경력과 아직 입증되지 않은 경력을 구분하는 것. 그리고 필요할 때 사용자에게 정확한 질문을 던지는 것. Career Evidence Infrastructure는 더 그럴듯한 자기소개를 만드는 시스템이 아니다. 한 사람의 실제 경험을 손상시키지 않으면서, 서로 다른 기회에 활용할 수 있는 신뢰 가능한 데이터로 만드는 시스템이다. 4. Sage는 질문할 줄 아는 에이전트가 되어야 한다 나는 Sage의 다음 경쟁력이 더 많은 데이터를 수집하는 능력에 있다고 생각하지 않는다. 오히려 적절한 순간에 더 좋은 질문을 던지는 능력이다. Clera 공고를 발견했을 때 Sage는 곧바로 맞춤 이력서를 만들 필요가 없었다. 먼저 다음과 같이 질문할 수 있었다. "Polymerize에서 PoC와 라이선싱 과정을 담당하셨군요. 직접 계약을 성사시킨 경험도 있나요?" "Clera는 AI 연구소의 Research 및 Data 팀과 기존 관계를 요구합니다. 관련 고객과 직접 협업한 경험이 있나요?" 두 질문의 답변만으로도 추천의 의미는 달라질 수 있다. 직접 수주한 계약이 있고 관련 연구조직과의 관계가 확인된다면 강점을 중심으로 이력서를 재구성할 수 있다. 반대로 해당 경험이 없다면 Sage는 그 사실을 숨기지 않고 더 적합한 Founding GTM이나 Technical Sales 직무를 찾아야 한다. 여기서 중요한 것은 부적합한 후보자를 걸러내는 것이 아니다. 지금은 부족하지만 발전시킬 수 있는 역량과, 이미 갖추었지만 아직 증명하지 못한 역량을 구분하는 것이다. 이 구분은 커리어 관리의 핵심이다. 어떤 공고는 지금 지원할 기회다. 어떤 공고는 6개월 후 도전할 목표다. 또 어떤 공고는 자신의 경력을 전혀 다른 방향으로 확장할 가능성을 보여준다. 좋은 커리어 에이전트라면 세 가지를 구분해 설명해야 한다. "지금 지원할 만합니다." "이 경험을 더 확인하면 경쟁력을 높일 수 있습니다." "현재는 어려울 수 있지만, 이 역량을 확보한다면 다음 기회가 열립니다." Sage는 이력서를 작성하기 전에 그 이력서가 증명해야 할 것이 무엇인지 이해해야 한다. 5. 네 개의 제품은 결국 하나의 여정이었다 Saywise가 지금까지 시도한 제품들을 다시 돌아보면 흥미로운 연결이 보인다. Live AMA, AI Content Producer, Resume 2.0, 그리고 Sage. 겉으로 보면 서로 다른 제품이고 방향 전환의 역사처럼 보일 수 있다. 하지만 각 제품이 다루었던 본질적인 문제를 살펴보면 하나의 연속적인 구조로 해석할 수 있다. Live AMA — Capture 사람이 자신의 경험을 이야기하도록 돕는다. 좋은 질문을 만나기 전까지는 밖으로 드러나지 않았던 경험과 판단이 대화 속에서 발견된다. AI Content Producer — Structure 흩어져 있는 생각, 이야기, 경험을 다른 사람이 이해할 수 있는 형태로 구조화한다. 단순히 문장을 다듬는 것이 아니라, 경험의 맥락과 의미를 보존하는 것이 중요하다. Resume 2.0 — Prove 직함과 학력만으로 설명하기 어려운 역량을 프로젝트와 작업물, 실제 의사결정과 성과로 보여준다. 이 단계에서 이야기는 증거와 연결되어야 한다. Sage — Discover, Act, Grow, Learn 구조화된 경험과 증거를 실제 기회에 연결한다. 기업을 발견하고, 채용요건을 분석하고, 사용자의 동의를 받아 지원이나 소개를 진행한다. 이후 결과를 학습하고 다음 기회를 준비한다. 이렇게 보면 네 제품은 서로 버려진 실험이 아니다. 하나의 더 큰 인프라에 필요한 서로 다른 기능을 발견해 온 과정일 수 있다. Capture → Structure → Prove → Discover → Act → Grow → Learn 이 순환이 완성된다면 Sage는 단순한 이력서 작성 도구가 아니라, 한 사람의 경력을 시간에 따라 이해하는 지속적인 인프라가 된다. 단, 이것은 현재 네 제품이 완전히 통합되어 있다는 뜻은 아니다. Saywise가 앞으로 구현하고 검증해야 할 제품 비전이다. 6. 가장 큰 차별성은 공개된 일자리를 찾는 데 있지 않다 LinkedIn에는 이미 엄청난 규모의 직무 정보와 사용자 프로필이 있다. AI 기반 검색과 이력서 작성, 자동 지원 기능은 점점 보편화되고 있다. Sage가 같은 기능을 조금 더 편리하게 제공하는 것으로 장기적인 경쟁우위를 만들기는 어렵다. 그렇다면 경쟁의 기준을 바꾸어야 한다. 이미 게시된 채용공고에 가장 빨리 지원하는 것이 아니라, 아직 명확하게 표현되지 않은 기업의 필요와 사람의 역량을 연결하는 것이다! 가상의 사례를 생각해 보자. 한국에서 창업한 AI 스타트업이 미국 시장 진출을 준비하고 있다. 기술력은 있지만 북미 고객을 어떻게 발굴해야 할지 모른다. 첫 번째 고객의 PoC를 어떻게 설계할지, 어느 산업부터 접근할지, 초기 영업조직을 언제 구성할지 고민하고 있다. 아직 Founding GTM 채용공고를 올리지 않았을 수도 있다. Sage가 이 기업의 공개된 사업 전략, 채용 신호, 창업자의 발언을 분석하고 실제 기업의 의사를 확인할 수 있다면 어떨까? 기업이 해결하려는 문제와 후보자가 과거에 해결했던 문제를 비교한다. 후보자의 실제 경험에서 적합한 프로젝트를 발견한다. 그 프로젝트의 증거를 정리하고, 기업이 당면한 문제와 어떻게 연결되는지 설명한다. 그리고 양측의 동의를 받아 소개를 제안한다. 이때 Sage가 전달하는 것은 일반적인 이력서가 아니다. "왜 이 사람이 지금 이 기업이 해결해야 할 문제에 적합한가"라는 구체적인 근거다. 물론 기업의 실제 채용 수요를 추측만으로 확정해서는 안 된다. 동의 없는 연락이나 개인정보 공유도 허용되어서는 안 된다. 그럼에도 중요한 가능성이 있다. 지금까지의 채용 플랫폼이 이미 존재하는 일자리와 후보자를 연결하는 데 집중했다면, Sage는 기업이 아직 채용공고로 정의하지 못한 문제에서 새로운 기회를 발견할 수 있다. 이것이 Opportunity Creation이다. 7. 기업 입장에서도 이력서보다 중요한 것이 있다 Career Evidence Infrastructure가 작동하려면 후보자에게만 유용해서는 안 된다. 기업에도 명확한 가치가 있어야 한다. 초기 스타트업 창업자가 첫 번째 GTM 담당자를 채용한다고 가정해 보자. 전통적인 이력서에는 회사 이름, 직책, 근무 기간, 영업 경험이 나열된다. 그러나 창업자가 실제로 알고 싶은 것은 조금 다르다. 이 사람이 시장이 불확실한 상황에서도 고객을 발견할 수 있는가? 기술팀과 고객 사이의 언어 차이를 줄일 수 있는가? 아직 영업 프로세스가 존재하지 않는 회사에서 첫 번째 PoC와 계약 프로세스를 설계할 수 있는가? 이 질문에 대해 Sage는 프로젝트별 증거를 보여줄 수 있어야 한다. 예를 들어 두 후보자가 모두 'Enterprise Sales' 경험을 가지고 있더라도 한 사람은 이미 구축된 영업조직에서 대규모 계약을 관리했고, 다른 사람은 창업자와 함께 초기 시장을 탐색했을 수 있다. 어느 쪽이 더 우수한가의 문제가 아니다. 지금 기업이 해결하려는 문제와 누구의 경험이 더 직접적으로 연결되는가의 문제다. 채용담당자가 이러한 차이를 더 빠르고 정확하게 이해하도록 돕는다면, Sage의 가치는 사용자 편의성을 넘어 실제 채용 의사결정으로 확장된다. 그리고 여기서 비즈니스 모델도 달라질 수 있다. 이력서 생성 횟수나 자동 지원 건수보다, 검증 가능한 후보자 소개와 실제 채용 성과를 통해 가치를 창출하는 모델이다. 다만 이를 증명하기 위해서는 기업이 Sage의 Evidence Passport를 실제로 검토하고, 그 정보가 면접과 채용 결정에 도움을 주는지 측정해야 한다. 증거 기반 채용이라는 주장이 그 자체로 증거가 되어서는 안 된다. 8. 비전에서 제품으로 — 다섯 개의 마일스톤 Career Evidence Infrastructure는 한 번에 완성할 수 없다. 저라면 처음부터 범용 커리어 플랫폼을 만들기보다, 작은 시장에서 실제 효용을 증명하며 확장하겠다. Milestone 1. 첫 30일 — Evidence Before Resume 목표: 생성되는 이력서의 모든 중요한 주장에 출처를 연결한다. 첫 번째 실험은 매우 작게 시작할 수 있다. 기존 사용자 20명과 약 50개의 맞춤 이력서를 대상으로, 원본 프로필과 채용공고를 비교한다. 채용요건을 필수조건과 우대조건으로 나누고 각각에 연결되는 실제 경력 증거를 찾는다. 증거가 없으면 임의로 문장을 만들지 않는다. 기술의 효과와 개인의 성과를 구분하고, 필요한 경우 사용자에게 질문한다. 성공 기준: 중요한 성과 주장을 원본 자료나 사용자 확인 기록으로 추적할 수 있고, 증거가 없는 성과를 사실처럼 작성하는 사례를 제거하는 것. 이 단계에서 Sage는 가장 먼저 신뢰를 확보해야 한다. Milestone 2. 31~90일 — Career Evidence Graph MVP 목표: 사용자가 반복해서 설명하지 않아도 되는 경력 기억 시스템을 만든다. 프로젝트, 역할, 판단, 결과, 증거 자료를 구조화한다. 사용자는 각 정보를 수정하거나 삭제할 수 있고, 어떤 자료를 기업과 공유할지 선택할 수 있어야 한다. 중요한 것은 경력 정보가 시간에 따라 갱신된다는 점이다. 지난번에는 직접 Closing 경험이 확인되지 않았더라도, 사용자가 실제 계약 사례를 추가하면 Sage는 그 정보를 검증하고 이후의 직무 평가에 반영한다. 성공 기준: 반복 질문 감소, 기존 정보의 재사용률 증가, 이력서 수정 시간 감소, 동일 오류의 재발 감소. 개인화는 이 단계에서 비로소 누적되는 가치를 갖기 시작한다. Milestone 3. 3~6개월 — Verified Application Agent 목표: 지원 준비부터 제출 결과 확인까지 하나의 흐름으로 연결한다. Sage는 적합한 공고를 발견한 뒤 필수조건을 확인하고, 누락된 증거를 질문하고, 맞춤 지원서를 작성한다. 자동 지원이 가능한 공고라면 사용자 승인 후 필요한 정보를 입력하고 제출한다. 자동 제출이 불가능하다면 이를 명확히 알린다. '지원서 준비 완료', '사용자 승인', '제출 완료', '기업 접수 확인'은 서로 다른 상태로 관리해야 한다. 제출되지 않은 지원서를 제출되었다고 기록해서는 안 된다. 성공 기준: 실제 지원 완료율, 제출 상태의 정확성, 사용자 수동 작업 시간 감소, 적격 지원 비율 개선. 이것은 자동 지원 건수를 늘리는 실험이 아니다. 실행의 신뢰성을 높이는 실험이다. Milestone 4. 6~12개월 — Employer Evidence Network 목표: 후보자가 만든 경력 증거가 기업의 실제 채용 판단에 도움이 되는지 검증한다. 초기에는 AI 스타트업과 Founding GTM, Technical Sales, 초기 엔지니어링 직무처럼 문제 해결 경험이 중요한 영역에 집중한다. 예를 들어 5~10개의 참여 기업과 함께 기존 이력서 기반 검토 방식과 Evidence Passport 기반 검토 방식을 비교할 수 있다. 기업이 후보자를 이해하는 데 걸린 시간은 줄었는가? 면접에서 확인해야 할 질문이 더 명확해졌는가? 적합하지 않은 면접은 줄었는가? 실제 면접 초대율은 개선되었는가? 성공 기준: 기업 검토의 효율성, 검증 가능한 증거의 활용률, 자격을 충족하는 후보자의 면접 전환 성과. 이 단계에서 제품의 가치가 후보자 개인을 넘어 채용기업으로 확장된다. Milestone 5. 12~24개월 — Opportunity Creation Network 목표: 공개 채용공고 이전의 문제와 가능성까지 연결한다. Sage는 기업의 성장 단계와 공개된 시장 신호를 분석하고, 실제 채용·협업 의향을 확인한다. 후보자의 Career Evidence Graph를 활용해 잠재적인 기여 가능성을 설명한다. 양측이 동의한다면 직접적인 소개, 프로젝트 협업, 자문, 정규직 채용으로 연결할 수 있다. 커리어 기회는 반드시 정규직 채용공고의 형태로 시작하지 않기 때문이다. 성공 기준: 양측이 동의한 유효한 소개, 신규 기회 발굴, 실제 협업·면접·채용 전환, 장기적인 후보자 만족도. 이 단계가 성공한다면 Sage는 기존 채용공고를 검색하는 도구에서 새로운 기회를 만드는 네트워크로 발전할 수 있다. 이 일정은 확정된 Saywise 제품 로드맵이 아니라 검증 순서를 중심으로 한 제안이다. 각 단계가 성공하지 못하면 다음 단계로 확장하기보다 가설을 수정해야 한다. 9. 숫자를 바꾸면 제품의 방향이 바뀐다 제품은 무엇을 측정하는가에 따라 달라진다. 추천한 공고 수가 목표라면 더 많은 공고를 보낼 것이다. 생성한 이력서 수가 목표라면 더 많은 PDF를 만들 것이다. 자동 지원 건수가 목표라면 더 많은 기업에 지원서를 제출할 것이다. 하지만 이 숫자들이 커리어의 실제 발전을 의미하지는 않는다. Career Evidence Infrastructure가 추구해야 할 지표는 다르다. 첫째, 중요한 경력 주장이 얼마나 정확한 증거에 연결되어 있는가. 둘째, 추천된 기회가 실제 필수 채용요건과 얼마나 일치하는가. 셋째, Sage가 사용자의 반복적인 설명과 수정 작업을 얼마나 줄였는가. 넷째, 기업이 후보자의 증거를 검토한 뒤 얼마나 의미 있는 대화와 면접을 시작했는가. 다섯째, 시간이 지날수록 Sage의 이해와 추천이 실제로 개선되고 있는가. 궁극적으로 가장 중요한 지표는 Qualified Opportunity Conversion이 될 수 있다. 단순한 지원 전환이 아니라, 후보자의 실제 역량과 기업의 필요가 확인된 뒤 의미 있는 채용 기회로 발전하는 비율이다. 물론 면접이나 채용 결과는 기업의 판단에 달려 있다. Sage가 보장할 수 있는 결과는 아니다. 그러나 Sage는 기회에 이르는 과정의 정확성, 신뢰성, 설명 가능성을 지속적으로 개선할 책임이 있다. 이 차이가 중요한 이유는 명확하다. 좋은 커리어 에이전트는 더 많은 지원서를 보내는 시스템이 아니라, 의미 없는 지원을 줄이면서 의미 있는 기회를 늘리는 시스템이기 때문이다. 10. 증거는 사람을 가두는 또 하나의 점수가 되어서는 안 된다 여기에는 중요한 위험도 존재한다. 경력의 증거를 구조화하면 사람을 더 객관적으로 평가할 수 있을 것처럼 보인다. 하지만 모든 능력이 숫자와 문서로 증명되는 것은 아니다. 어떤 사람은 대기업에서 화려한 실적을 쌓을 기회를 얻었고, 다른 사람은 훨씬 불리한 환경에서 작은 성과를 만들어 냈을 수 있다. 어떤 프로젝트는 공개 가능한 자료가 많지만, 어떤 프로젝트는 기밀이나 계약 때문에 결과를 공개할 수 없다. 또한 새로운 산업으로 전환하려는 사람은 관련 직무의 직접적인 증거가 부족할 수밖에 없다. 따라서 Career Evidence Infrastructure는 과거의 증거만으로 미래의 가능성을 닫아서는 안 된다. 증거가 있다는 것과 능력이 있다는 것이 완전히 같은 뜻은 아니기 때문이다. 검증되지 않았다는 이유로 가능성이 없다고 판단해서도 안 된다. Sage는 확인된 능력과 전환 가능한 능력, 아직 발견되지 않은 능력을 구분해야 한다. 그리고 최종적인 선택은 사람에게 남겨 두어야 한다. 사용자는 자신의 경력 정보가 어떻게 해석되고 공유되는지 이해하고 통제할 수 있어야 한다. 기업 또한 AI가 만든 판단을 채용 결정의 절대적인 기준으로 받아들여서는 안 된다. 증거는 사람을 판정하기 위한 최종 판결문이 아니라, 아직 만나지 못한 가능성을 발견하기 위한 출발점이어야 한다. 그 원칙을 잃는다면 Evidence Infrastructure는 또 다른 자동화된 선별 시스템에 불과해질 것이다. 11. LinkedIn 다음의 커리어 인프라는 무엇일까? LinkedIn은 오랜 시간 직업적 정체성과 네트워크를 디지털화했다. 누가 어디에서 일했고, 누구와 연결되어 있으며, 어떤 전문성을 가진 사람인지 보여주는 거대한 인프라다. 그 가치는 여전히 강력하다. 하지만 새로운 질문이 등장하고 있다. 한 사람이 어떤 직함을 가졌는가가 아니라, 실제로 무엇을 해낼 수 있는가. 어떤 회사에서 일했는가가 아니라, 어떤 문제를 해결해 왔는가. 어떤 키워드와 일치하는가가 아니라, 그 사람의 경험이 지금 필요한 문제에 어떻게 적용될 수 있는가. Career Evidence Infrastructure는 이러한 질문에 답하려는 시도다. 다만 이것이 LinkedIn을 대체해야 한다는 뜻은 아니다. 초기 Sage는 기존의 프로필과 채용 플랫폼을 활용하되, 그 위에 새로운 가치의 층을 만들 수 있다. 직업적 정체성의 층 위에 실제 경험과 검증 가능한 증거의 층을 쌓는 것이다. 그것이 충분히 유용하다면 사용자는 자신의 프로젝트 경험을 더 많이 기록하고, 기업은 그 증거를 실제 채용에 활용하며, Sage는 그 결과를 바탕으로 더 나은 기회를 연결할 수 있다. 그러나 데이터가 쌓인다고 자동으로 경쟁우위가 생기는 것은 아니다. 사용자의 신뢰와 통제권, 기업의 실질적인 활용, 정확한 검증, 반복적으로 개선되는 결과가 함께 필요하다. 그것이 단순한 기능과 인프라의 차이다. 12. Sage의 미래는 지원 버튼 너머에 있다 Clera 사례로 돌아가 보자. 나는 Sage 덕분에 하나의 새로운 채용공고를 발견했다. 이력서도 빠르게 만들 수 있었다. 그것만으로도 일정한 편의성은 있었다. 그러나 내가 정말 알고 싶었던 것은 다른 것이었다. 이 회사가 왜 나를 필요로 할 수 있는가. 내가 가진 경험 중 무엇이 실제로 경쟁력이 있는가. 무엇이 부족하며, 그 부족함을 어떻게 해결할 수 있는가. 그리고 이 기회가 지금 나에게 적합하지 않더라도 다음 기회를 위해 무엇을 준비해야 하는가. 내가 기대하는 Sage는 이 질문들에 답하는 에이전트다. 일자리를 발견한 뒤 멈추는 것이 아니라, 한 사람의 경험을 더 깊이 이해하고 다음 선택을 더 나은 것으로 만드는 존재. 이력서를 만드는 것에서 끝나는 것이 아니라, 그 이력서의 근거를 검증하고 그 증거가 실제 기회로 이어지도록 돕는 존재. 그리고 한 번의 지원 결과를 사라지는 데이터로 취급하지 않고, 다음 도전을 위한 학습으로 축적하는 존재. Saywise의 네 제품은 이런 방향으로 다시 연결될 수 있다. Live AMA가 경험을 발견했다면, AI Content Producer는 그 경험을 구조화했다. Resume 2.0이 경험을 경력의 증거로 바꾸려 했다면, Sage는 그 증거를 실제 세계의 기회와 연결해야 한다. Capture → Structure → Prove → Discover → Act → Grow → Learn. 이것은 또 하나의 이력서 작성 파이프라인이 아니다. 한 사람이 살아온 시간과 앞으로 열릴 가능성을 연결하는 인프라의 설계도다. Sage가 구축해야 할 것은 완벽한 이력서가 아니다. 어떤 공고에도 적합하다고 말하는 AI도 아니다. 한 사람을 시간이 지날수록 더 깊이 이해하고, 그 사람이 실제로 해낸 일을 정확히 기억하며, 아직 발견되지 않은 기회를 향해 그 증거를 사용할 수 있도록 돕는 시스템이다. The next career platform should not simply know where we have worked. It should understand what we have learned, what we have built, what we can prove, and what we might become. 다음 세대의 커리어 플랫폼은 우리가 어디에서 일했는지만 알아서는 안 된다. 우리가 무엇을 배웠고, 무엇을 만들었으며, 무엇을 증명할 수 있고, 앞으로 어떤 사람이 될 수 있는지 이해해야 한다. 그것이 Career Evidence Infrastructure의 비전이다. 그리고 Sage가 단순한 구직 에이전트를 넘어 장기적인 커리어 에이전트가 될 수 있는 이유이기도 하다. 이력서는 지나온 경력을 요약한다. Sage는 그 경력이 앞으로 만들어 낼 가능성을 발견해야 한다. That’s what we’re building with Sage. And the best part? You can just text her. No app to install, no complicated sign-up process. You still make the decisions, but you don’t have to do all the work yourself. Let Sage help. The future of job search is fully agentic - your own AI recruiter working on your behalf, even while you’re sleeping. Never search for a job again. Try Sage now → saywise.com #CareerEvidenceInfrastructure #Saywise #SageAI #AIAgents #FutureOfWork #EvidenceBasedHiring #CareerTech #HRTech #AIRecruiting #StartupInnovation Evidence is not the end of a person's story. It is the beginning of their next opportunity. @HJ · October 2026

Living by Repetition Habit, Creativity, and the Repetitions We Choose in the Age of AI Oct 10, 2026 · @HJ 1. The Runner in October As the Nobel Prize in Literature announcement approaches, I think of Haruki Murakami. The 2026 prize went to Anne Carson, the Canadian poet and classicist. I imagine Murakami on the morning after the announcement. Did he lace up his running shoes and head out on a familiar route? The Nobel did not come, but the morning did. Did the run go on? I don’t know what he actually did that day. But the scene I picture holds the difference between outcomes we cannot control and the daily life we can keep going on our own. After closing his jazz bar and becoming a full-time writer, Murakami began running regularly in the autumn of 1982, at the age of thirty-three. Writing and running became the rhythms that sustained his life from then on. What I Talk About When I Talk About Running is a book about running. But I also read it as a record of how a person is formed through repetition. Why do we keep doing the same things, even as we chase what is new? We look for creativity in new ideas and experiences. Repetition, meanwhile, we tend to see as boring or inefficient. The prediction that humans will focus on more creative work once AI takes over repetitive tasks rests on the same assumption. But listening to a conversation with Professor Inah Lee of Seoul National University’s Department of Brain and Cognitive Sciences, I began to wonder what that prediction leaves out. Some of the repetition we are trying to eliminate may be the very learning process that makes new thinking possible. 2. Resolutions Need an Environment to Last Every new year, people make resolutions. I’ll exercise. I’ll read. I’ll study English. I’ll write. When the resolve fades a few weeks later, we blame a lack of willpower. But that explanation alone rarely changes what we do next. What struck me in Professor Lee’s account was that the environment deserves as much attention as willpower. We make countless choices every day, but we don’t consciously decide every action from scratch. Sit at a familiar desk, and we turn on the computer. Pick up the phone, and we start scrolling. Cues around us connect to past experience and call up the next action. So when a new resolution collides with a long-learned environment, it is easy to slip back into old behavior. Take exercise. Instead of debating at the end of every busy day whether to go to the gym, you can keep equipment in your room and start, even briefly. You shorten the distance between thinking about exercise and doing it. If you want to read, you can leave a book open within reach. If you want to write, you can open yesterday’s document at a set time. Building a habit then becomes something slightly different. Beyond persuading yourself every day, it becomes the work of designing conditions that make the desired behavior easy to start. Resolution sets the direction. Environment and repetition carry that direction into daily life. 3. The Striatum — How Familiar Behavior Takes Shape One of the brain structures important to understanding habit is the striatum. A major component of the basal ganglia, deep in the cerebrum, it is involved in action selection, learning, and habit formation. But habits are not stored in the striatum alone; they are better understood as the work of circuits linking many brain regions. Think back to the first time you sat behind the wheel. Check the mirrors, press the brake, watch the lane, adjust your speed. Each action demanded deliberate attention. But as practice accumulates, the actions flow more naturally in familiar situations. We experience something similar with chopsticks or a musical instrument. Movements we once controlled consciously become smooth through practice. Here it helps to distinguish skill from habit. Performing an action proficiently and habitually selecting an action in response to a particular cue are related, but they are not exactly the same process. What links them is that repeated experience shapes later behavior. When the conscious control a familiar action requires diminishes, we gain room to attend to other problems. This benefit of habit coexists with another trait: once formed, a behavior may not change easily even when its outcomes do. The stability we gain through repetition can sometimes become the resistance that makes change hard. The brain does not start from zero each day. It chooses today’s actions on the foundation of what it has learned up to yesterday. Repetition is today’s learning that makes tomorrow’s actions easier. 4. Dopamine — The Timing of Reward Drives Repetition Why is it so hard to keep up exercise or study, yet so easy to keep swiping through short videos? No single cause explains every behavior. But when and how a reward arrives makes an important difference. The benefits of exercise or progress in a foreign language usually appear over time. Swiping, by contrast, delivers new stimulation immediately, and some of it grips our attention hard. The reward-learning system, including dopamine, is involved in this process. Dopamine’s role goes beyond simply making us feel good. It plays a key part in predicting rewards and adjusting learning according to the gap between expectation and actual outcome. An unexpected reward can become a signal that changes later behavior. So to change an unwanted repetition, we need to examine not only the behavior but also the cue that triggers it and the reward that follows. A goal of “I won’t do it” has another blank in it: it doesn’t say what to do instead. If you want to look at your phone less at night, you can move its charging spot out of the bedroom and set out a book for that hour. You build conditions that block one behavior and conditions that start another, together. Here I see a paradox of choice. We choose what to repeat, but what we have long repeated in turn shapes our choices. Deciding what to make a habit is a decision that reaches beyond the convenience of a single day. 5. Hippocampus and Striatum — Between the New and the Familiar The hippocampus plays a major role in memory for new experiences and events, spatial information, and imagining the future by drawing on past experience. The striatum is deeply involved in learning and selecting actions and in forming habits. That doesn’t mean we can label the hippocampus the organ of creativity and the striatum the organ of repetition. Both operate within wider brain networks, and their relationship shifts with situation and task. Still, the two help us think about two sides of learning. We learn by exploring unfamiliar experiences, connecting past memories and discovering possibilities we couldn’t see before. We also learn by practicing, turning what was once difficult into familiar skill and using that skill to take on more complex problems. In life, the new and the familiar need each other. Picture a writer taking a walk, a researcher tending a garden, a musician practicing a familiar piece. Stepping away from a problem that demanded intense focus to do something else, our thinking sometimes changes direction. Cognitive science studies such phenomena through mind-wandering and the incubation period in creative problem-solving. In some experiments, a simple task that let the mind drift helped people solve certain creative problems. But this does not mean every repetitive activity boosts creativity. What matters is that focus and shifting, exploration and practice, support thinking in different ways. Creativity does not live only on the opposite side of repetition. New ideas can also begin in the margins that familiar skill creates. 6. Rereading Murakami’s Running Now Murakami’s running looks a little different. At the desk, he searches for sentences, imagines scenes, explores the structure of a story. On the road, he carries on the breathing and footfalls he has practiced for years. I read these two kinds of time as the work of finding new possibilities and the work of caring for the self that sustains that work. We cannot know which brain circuits he uses while running, or how much. Mapping writing directly onto the hippocampus and running onto the striatum would be an oversimplification. But the fact that he has placed creative work and physical activity side by side in his life leaves an important question about how to live a sustained life. We call his consistency extraordinary willpower. Alongside that willpower, I want to see the structure of life that held it up. Persistence is not built only by testing your will every day. It is also the work of preparing the time and conditions to begin again. Write, move, recover, return. What he built up was likely not only books and running logs. He also built a rhythm of life that sustained him so he could keep making new work. 7. In the Age of AI, Which Repetitions Will We Keep? When AI takes over repetitive work, people can spend their time on more important problems. Less burden in organizing reports, formatting materials, and copying the same information across documents is a clear benefit. But repetition comes in different kinds. Data entry a company demands is not the same as instrument practice you have chosen. Transferring administrative forms and revising your own thoughts into sentences may both look like repetition, but what you learn inside them differs. Some repetition consumes time. Some repetition builds ability. Both can be mixed within the same job. AI can produce a draft. By reviewing and revising it, we can sharpen our judgment. AI can produce a score. But learning sound and movement through practice is something a performer must experience firsthand. AI can draw up a training plan. Reading the plan and training the body are still different things. This calls for a new capability: the ability to tell what to hand off to gain time, and what to do yourself to gain ability. This is not a scientific conclusion about the dangers of AI. It is my proposal for how to design work and learning. We need not define the success of automation solely as a state in which people no longer have to do anything. Alongside the freedom not to do, the freedom to keep doing in order to learn matters too. The question of the AI age is which repetitions to reduce, and which to carry on better. 8. Neuroplasticity — Changing Within the Same Action Neuroplasticity refers to the capacity of the nervous system’s connections and functions to change through experience and learning. Repeated practice is one of the key experiences involved in these changes. But more repetition does not always mean getting better. Wrong methods can become familiar too. The nature and difficulty of the task, feedback and rest, and the individual’s condition all need attention. So meaningful practice requires adjustment, not just repetition. Read, and check your understanding. Write, and revise. Play, and listen to the sound. Find where you failed, and change the next attempt. What changes in this process is not just the output. The person doing the work changes too. Kierkegaard’s Repetition treats recollection and repetition as movements in opposite directions: where recollection faces what has passed, genuine repetition faces forward. Repetition in philosophy and learning in neuroscience are not the same concept. But between the two, I find one thought. Read the same sentence as yesterday, and today’s understanding may differ. Run the same distance, and your body is in a different state. Ask the same question again, and you may arrive at a different answer. Even while doing what looks like the same thing, we change how we experience it and how well we perform it. Repetition can breed stagnation. But repetition that observes and adjusts can become a way of changing. 9. When Does a Record of Repetition Become Evidence? Here I want to extend repetition from individual learning to a question of social trust. Michael Spence’s signaling theory explains how observable choices, such as education, can convey information about productivity that employers find hard to observe directly. What matters in his model is the condition that the cost of a signal differs by type of person. Simply spending a lot of time or effort does not make a signal credible. This distinction matters for thinking about records in the age of AI as well. AI is lowering the cost of producing a polished résumé, a smooth essay, a plausible portfolio. Judging an author’s ability and contribution from a single output may grow harder. So I pay attention to the process behind the output. What problem did they explore? What judgment did they revise? What did they learn after failing? How did that learning carry into the next piece of work? I have left more than 100 records on Saywise. But I don’t think the number of records is itself proof of ability. Many posts, even a process that looks consistent, can be manufactured. For records to become grounds for judgment, they must be tied to actual work. One’s own contribution must be distinguishable, and the reasons for and results of revisions must be verifiable. Interactions with others and reviewable materials help as well. Then the trajectory of repetition can show how a person has thought, learned, and acted. This is not a conclusion drawn directly from neuroscience. It is my own extension of ideas about learning to questions of career and trust. An output shows what someone made. A reviewable record of the process can show what judgments they made and what they learned. This is the perspective behind Evidence-Led Hiring and Career Evidence Infrastructure, which I want to develop through Saywise. Looking beyond a single résumé to work and experience accumulated over time. Making it possible for earlier assessments to be revised by new experience. I hope evidence will be used less to fix the limits of a person and more to discover their next possibility. 10. Again, Tomorrow Morning I return to the scene I first imagined. The day after the Nobel announcement, Murakami lacing up his running shoes. The scene stays with me not because it ignores outcomes. It stays because the desire for a result and the action that can continue even after the result doesn’t come are both present in it. We cannot promise outcomes. Nor can we always freely choose which experiences to repeat. Health and livelihood, caregiving and circumstance all shape our choices. Even so, within the conditions we are given, we can find small actions that let us begin again. Reading one page. Revising one sentence. Moving for a moment. Looking again at yesterday’s judgment. I no longer want to see repetition only as a mark of diligence. It is one of the ways we learn, adjust, and shape ourselves. The more AI does for us, the more the experiences we choose to carry on ourselves may matter. What will you do again tomorrow morning? That question holds what abilities you will build, what thoughts you will refine, and what kind of person you will live as. Doing the same thing does not always mean staying in the same place. By reading again, trying again, doing it a little differently, we can reach an understanding different from yesterday’s. Even in the age of AI, what I want to protect is that experience of learning and changing. Again, tomorrow morning. #Neuroscience #Neuroplasticity #HabitFormation #Creativity #HumanLearning #DeliberatePractice #FutureOfWork #AI #SignalingTheory #EvidenceLedHiring #CareerEvidence #Saywise

반복을 사는 시대 습관, 창의성, 그리고 AI 시대에 우리가 선택할 반복 Oct 10, 2026 · @HJ 1. 10월의 러너 노벨문학상 발표가 다가오면 나는 무라카미 하루키를 떠올린다. 2026년의 상은 캐나다의 시인이자 고전학자인 앤 카슨에게 돌아갔다. Reuters 나는 발표 다음 날 아침의 하루키를 상상한다. 그는 운동화 끈을 묶고 익숙한 길로 나섰을까. 노벨상은 오지 않았지만, 아침은 왔고, 달리기는 이어졌을까. 그날 그가 실제로 무엇을 했는지는 알지 못한다. 다만 내가 떠올리는 장면에는, 자신이 통제할 수 없는 결과와 스스로 이어갈 수 있는 일상의 차이가 담겨 있다. 하루키는 재즈 바를 정리하고 전업 작가가 된 뒤, 서른셋이던 1982년 가을부터 일상적으로 달리기 시작했다. 글쓰기와 달리기는 이후 그의 삶을 지탱하는 중요한 리듬이 되었다. The New Yorker 『달리기를 말할 때 내가 하고 싶은 이야기』는 달리기에 관한 책이다. 그러나 나는 이 책을 반복을 통해 한 사람이 어떻게 만들어지는지에 대한 기록으로도 읽는다. 왜 우리는 새로운 것을 추구하면서도, 같은 일을 반복하며 살아갈까? 우리는 창의성을 새로운 아이디어와 경험에서 찾는다. 반면 반복은 지루하거나 비효율적인 것으로 여기곤 한다. AI가 반복 업무를 대신하면 인간은 더 창의적인 일에 집중할 것이라는 예측도 이런 생각과 맞닿아 있다. 하지만 서울대 뇌인지과학과 이인아 교수의 대담을 들으며, 나는 그 예측에서 빠진 것이 무엇인지 생각하게 되었다. 우리가 줄이려는 반복 가운데 일부는, 새로운 생각을 가능하게 하는 학습의 과정일 수 있다는 것이다. 2. 결심이 이어지려면 환경이 필요하다 새해가 되면 사람들은 결심한다. 운동하겠다. 책을 읽겠다. 영어를 공부하겠다. 글을 쓰겠다. 몇 주 뒤 결심이 흐려지면 우리는 의지력이 부족했다고 설명한다. 그러나 그 설명만으로는 다음 행동을 바꾸기 어렵다. 이인아 교수의 설명에서 내가 주목한 것은, 의지력 못지않게 환경을 살펴야 한다는 점이다. 우리는 매일 수많은 선택을 하지만, 모든 행동을 처음부터 의식적으로 결정하지는 않는다. 익숙한 책상에 앉으면 컴퓨터를 켜고, 휴대전화를 집어 들면 화면을 넘긴다. 주변의 단서는 과거의 경험과 연결되어 다음 행동을 불러온다. 그래서 새로운 결심이 오래 익힌 환경과 충돌하면, 이전의 행동으로 돌아가기 쉽다. 운동을 예로 들어보자. 바쁜 하루 끝에 헬스장에 갈지 매번 고민하는 대신, 방 안에 운동기구를 두고 짧게라도 시작할 수 있다. 운동을 떠올리고 실행하는 사이의 거리를 줄이는 것이다. 책을 읽고 싶다면 손이 닿는 곳에 책을 펼쳐둘 수 있다. 글을 쓰고 싶다면 정해진 시간에 어제의 문서부터 열 수 있다. 이때 습관을 만드는 일은 조금 달라진다. 매일 자신을 설득하는 일에 더해, 원하는 행동을 시작하기 쉬운 조건을 설계하는 일이 된다. 결심은 방향을 정한다. 환경과 반복은 그 방향을 일상으로 옮긴다. 3. 선조체 — 익숙한 행동이 만들어지는 과정 습관을 이해하는 데 중요한 뇌 구조 가운데 하나가 선조체(Striatum)다. 대뇌 깊숙한 곳에 있는 기저핵의 주요 구조로, 행동 선택과 학습, 습관 형성에 관여한다. 다만 습관은 선조체 한곳에 저장되는 것이 아니라 여러 뇌 영역과 연결된 회로의 작용으로 이해해야 한다. 처음 운전대를 잡았을 때를 생각해 보자. 거울을 확인하고, 브레이크를 밟고, 차선을 살피고, 속도를 조절한다. 여러 동작에 일일이 주의를 기울여야 한다. 그러나 연습이 쌓이면 익숙한 상황에서 동작들이 더 자연스럽게 이어진다. 젓가락질이나 악기 연주에서도 비슷한 변화를 경험한다. 처음에는 의식적으로 조절하던 움직임이 연습을 통해 매끄러워진다. 여기서 숙련과 습관은 구분할 필요가 있다. 어떤 동작을 능숙하게 수행하는 것과, 특정 단서에 따라 행동을 습관적으로 선택하는 것은 관련이 있지만 완전히 같은 과정은 아니다. 둘을 연결하는 중요한 특징은 반복된 경험이 이후의 행동에 영향을 준다는 점이다. 익숙해진 행동에 필요한 의식적 조절이 줄어들면, 다른 문제에 주의를 기울일 여유가 생긴다. 습관의 이러한 이점과, 일단 형성된 행동이 결과의 변화에도 쉽게 달라지지 않을 수 있다는 특성은 함께 존재한다. National Institute of Mental Health (NIMH) 우리가 반복으로 얻은 안정성이 때로는 변화를 어렵게 만드는 저항이 되는 것이다. 뇌는 매일 처음부터 시작하지 않는다. 어제까지 배운 것을 바탕으로 오늘의 행동을 선택한다. 반복은 미래의 행동을 더 수월하게 만드는 오늘의 학습이다. 4. 도파민 — 보상의 시점이 반복을 이끈다 운동이나 공부는 꾸준히 이어가기 어려운데, 짧은 영상을 넘겨보는 행동은 왜 쉽게 반복될까? 모든 행동을 하나의 원인으로 설명할 수는 없다. 그러나 보상이 언제, 어떤 방식으로 주어지는지는 중요한 차이를 만든다. 운동의 효과나 외국어 실력의 변화는 대개 시간을 두고 나타난다. 반면 화면을 넘기는 행동은 곧바로 새로운 자극을 제공한다. 그중 일부는 우리의 관심을 강하게 붙잡는다. 이 과정에는 도파민을 비롯한 보상 학습 체계가 관여한다. 도파민의 역할은 단순히 기분을 좋게 만드는 데 그치지 않는다. 보상을 예측하고, 예상과 실제 결과의 차이에 따라 학습을 조정하는 데 중요한 역할을 한다. 예상하지 못한 보상은 이후의 행동을 바꾸는 신호가 될 수 있다. www.gatsby.ucl.ac.uk 따라서 원치 않는 반복을 바꾸려면, 행동뿐 아니라 그 행동을 부르는 단서와 뒤따르는 보상을 함께 살펴야 한다. ‘하지 않겠다’는 목표에는 또 하나의 빈칸이 있다. 대신 무엇을 할 것인지가 정해져 있지 않다는 점이다. 밤에 휴대전화를 덜 보고 싶다면 충전 장소를 침실 밖으로 옮기고, 그 시간에 읽을 책을 준비할 수 있다. 행동을 막는 조건과 새로운 행동을 시작하는 조건을 함께 만드는 것이다. 나는 여기서 선택의 역설을 본다. 우리는 무엇을 반복할지 선택하지만, 오래 반복한 행동은 다시 우리의 선택에 영향을 준다. 무엇을 습관으로 만들 것인지는 하루의 편의를 넘어서는 결정이다. 5. 해마와 선조체 — 새로움과 익숙함 사이 그렇다고 해마를 창의성의 기관, 선조체를 반복의 기관으로 나눌 수는 없다. 두 구조는 더 넓은 뇌 네트워크 안에서 작동하며, 상황과 과제에 따라 그 관계도 달라진다. 다만 이 둘을 통해 우리는 학습의 두 측면을 생각해 볼 수 있다. 우리는 낯선 경험을 탐색하며 배운다. 과거의 기억을 연결하고 이전에는 보지 못했던 가능성을 발견한다. 동시에 연습하며 배운다. 처음에는 어렵던 일을 익숙한 기술로 만들고, 그 기술을 바탕으로 더 복잡한 문제에 도전한다. 새로움과 익숙함은 삶에서 서로를 필요로 한다. 글을 쓰는 사람이 산책하고, 연구자가 정원을 가꾸고, 음악가가 익숙한 곡을 연습하는 시간을 떠올려 보자. 강한 집중을 요구하던 문제에서 잠시 벗어나 다른 활동을 하는 동안, 생각의 방향이 바뀌기도 한다. 인지과학은 마음의 방랑과 창의적 문제 해결의 잠복기 등을 통해 이런 현상을 연구한다. 일부 실험에서는 마음이 다른 곳으로 흐를 수 있는 단순한 과제가 특정 창의적 문제의 해결을 도왔다. 다만 이것이 모든 반복 활동이 창의성을 높인다는 뜻은 아니다. journals.sagepub.com 중요한 것은 집중과 전환, 탐색과 연습이 사고를 서로 다른 방식으로 뒷받침한다는 점이다. 창의성은 반복의 반대편에만 있지 않다. 익숙한 기술이 마련한 여백에서도 새로운 생각은 시작될 수 있다. 6. 하루키의 달리기를 다시 읽다 이제 하루키의 달리기가 조금 다르게 보인다. 책상 앞에서는 문장을 찾고, 장면을 상상하고, 이야기의 구조를 탐색한다. 길 위에서는 오랫동안 익힌 호흡과 발걸음을 이어간다. 나는 이 두 시간을 새로운 가능성을 찾는 일과, 그 일을 지속할 자신을 돌보는 일로 읽는다. 그가 달리는 동안 어떤 뇌 회로를 얼마나 사용하는지는 알 수 없다. 글쓰기를 해마에, 달리기를 선조체에 곧바로 대응시키는 것도 지나친 단순화다. 그러나 창작과 신체 활동을 함께 생활에 배치해 왔다는 사실은, 지속하는 삶에 관한 중요한 질문을 남긴다. 우리는 그의 꾸준함을 대단한 의지력이라고 부른다. 나는 그 의지력과 함께, 그것을 지탱한 생활의 구조를 보고 싶다. 지속은 매일 의지를 시험하는 일만으로 이루어지지 않는다. 다시 시작할 수 있는 시간과 조건을 마련하는 일이기도 하다. 쓰고, 움직이고, 회복하고, 돌아온다. 그가 쌓아온 것은 작품과 달리기 기록만이 아니었을 것이다. 새로운 작품을 계속 만들 수 있도록 자신을 지탱하는 삶의 리듬도 함께 쌓였을 것이다. 7. AI 시대, 어떤 반복을 남길 것인가 AI가 반복 업무를 대신하면 인간은 더 중요한 문제에 시간을 쓸 수 있다. 보고서를 정리하고, 자료의 형식을 맞추고, 같은 정보를 여러 문서에 옮기는 부담이 줄어드는 것은 분명한 이점이다. 그러나 반복에는 서로 다른 종류가 있다. 회사에서 요구하는 단순 입력과 스스로 선택한 악기 연습은 다르다. 행정 서류를 옮기는 일과 자신의 생각을 문장으로 고치는 일도, 겉으로는 반복이지만 그 안에서 배우는 것은 다르다. 어떤 반복은 시간을 소모한다. 어떤 반복은 능력을 기른다. 같은 업무 안에서도 두 종류가 섞여 있을 수 있다. AI가 문장 초안을 만들어줄 수 있다. 우리는 그 초안을 검토하고 고치면서 판단을 정교하게 만들 수 있다. AI가 악보를 만들 수 있다. 그러나 소리와 움직임을 익히는 연습은 연주자가 직접 경험해야 한다. AI가 운동 계획을 세울 수 있다. 계획을 읽는 것과 몸을 움직여 훈련하는 것은 여전히 다르다. 여기서 필요한 능력이 생긴다. 무엇을 맡기면 시간을 얻는지, 무엇을 직접 해야 능력을 얻는지 구별하는 능력이다. 이것은 AI의 위험성에 관한 과학적 결론이 아니라, 일과 학습을 설계하는 데 관한 나의 제안이다. 자동화의 성공을 사람이 아무것도 하지 않아도 되는 상태로만 정의할 필요는 없다. 하지 않아도 되는 자유와 함께, 배우기 위해 스스로 계속할 자유도 중요하다. AI 시대의 질문은 어떤 반복을 줄이고, 어떤 반복을 더 잘 이어갈 것인가에 있다. 8. 신경가소성 — 같은 행동 속에서 달라지는 사람 신경가소성(Neuroplasticity)은 경험과 학습 등에 따라 신경계의 연결과 기능이 변화할 수 있는 성질을 말한다. 반복된 연습은 이러한 변화에 관여하는 중요한 경험 가운데 하나다. 다만 많이 반복한다고 언제나 더 잘하게 되는 것은 아니다. 잘못된 방법도 익숙해질 수 있다. 과제의 성격과 난이도, 피드백과 휴식, 개인의 상태도 함께 살펴야 한다. 그래서 의미 있는 연습에는 되풀이뿐 아니라 조정이 필요하다. 읽고 이해를 확인한다. 써보고 고친다. 연주하고 소리를 듣는다. 실패한 지점을 찾아 다음 시도를 바꾼다. 이 과정에서 달라지는 것은 결과물만이 아니다. 그 일을 수행하는 사람도 달라진다. 키르케고르의 『반복』은 회상과 반복을 서로 다른 방향의 움직임으로 바라본다. 회상이 지나간 것을 향한다면, 진정한 반복은 앞으로 향한다는 것이다. 9780691020266, 9781400846955 철학의 반복과 뇌과학의 학습은 같은 개념이 아니다. 그러나 나는 두 관점 사이에서 하나의 생각을 얻는다. 어제와 같은 문장을 읽어도 오늘의 이해는 다를 수 있다. 같은 거리를 달려도 몸의 상태는 다르다. 같은 질문을 다시 던져도 이전과 다른 대답에 도달할 수 있다. 겉으로 같은 행동을 하는 동안에도, 우리는 그 행동을 경험하는 방식과 수행하는 능력을 바꾸어 간다. 반복은 정체를 낳을 수도 있다. 그러나 관찰하고 조정하는 반복은 변화의 방식이 될 수 있다. 9. 반복의 기록은 언제 증거가 되는가 여기서 나는 반복을 개인의 학습에서 사회적 신뢰의 문제로 확장해 보고 싶다. 마이클 스펜스의 신호이론은 고용주가 직접 관찰하기 어려운 생산성에 대해, 교육과 같은 관찰 가능한 선택이 어떻게 정보를 전달할 수 있는지 설명한다. 그의 모형에서 중요한 것은 신호의 비용이 사람의 유형에 따라 달라지는 조건이다. 단순히 많은 시간이나 노력을 들였다고 신뢰할 만한 신호가 되는 것은 아니다. competitionandappropriation.econ.ucla.edu 이 구분은 AI 시대의 기록을 생각할 때도 중요하다. AI는 정돈된 이력서와 매끄러운 에세이, 그럴듯한 포트폴리오를 만드는 비용을 낮추고 있다. 결과물 하나만으로 작성자의 역량과 기여를 판단하기는 어려워질 수 있다. 그래서 나는 결과물 뒤의 과정에 주목한다. 어떤 문제를 탐구했는가. 어떤 판단을 수정했는가. 실패한 뒤 무엇을 배웠는가. 그 배움이 다음 작업에 어떻게 반영되었는가. 나는 Saywise에 100편이 넘는 기록을 남겼다. 그러나 기록의 수가 곧 능력의 증명이라고 생각하지 않는다. 많은 글도, 꾸준해 보이는 과정도 만들어낼 수 있다. 기록이 판단의 근거가 되려면 실제 작업물과 연결되어야 한다. 본인의 기여가 구분되어야 하고, 수정의 이유와 결과가 확인되어야 한다. 다른 사람과의 상호작용이나 검토 가능한 자료도 도움이 된다. 그때 반복의 궤적은 한 사람이 어떻게 생각하고 배우고 행동해 왔는지 보여줄 수 있다. 이것은 뇌과학에서 곧바로 도출되는 결론이 아니다. 학습에 관한 설명을 경력과 신뢰의 문제로 확장해 본 나의 생각이다. 결과물은 무엇을 만들었는지 보여준다. 검토 가능한 과정의 기록은 어떤 판단을 했고, 무엇을 배웠는지까지 보여줄 수 있다. 내가 Saywise를 통해 발전시키고 싶은 Evidence-Led Hiring과 Career Evidence Infrastructure의 관점도 여기에 있다. 한 장의 이력서에 더해, 시간이 쌓인 작업과 경험을 살펴보는 것. 이전의 평가를 새로운 경험으로 수정할 수 있게 하는 것. 증거가 한 사람의 한계를 확정하기보다, 다음 가능성을 발견하는 데 쓰이기를 바란다. 10. 내일 아침, 다시 내가 처음 상상한 장면으로 돌아간다. 노벨문학상 발표 다음 날, 운동화 끈을 묶는 하루키. 그 장면이 마음에 남는 이유는 결과를 무시해서가 아니다. 결과를 바라는 마음과, 결과가 뜻대로 오지 않은 뒤에도 이어갈 수 있는 행동이 함께 있기 때문이다. 우리는 결과를 약속할 수 없다. 어떤 경험을 반복할지도 언제나 자유롭게 선택할 수 있는 것은 아니다. 건강과 생계, 돌봄과 환경은 우리의 선택에 영향을 준다. 그럼에도 주어진 조건 안에서 다시 시작할 수 있는 작은 행동을 찾을 수는 있다. 한 페이지를 읽는 일. 한 문장을 고치는 일. 잠깐 몸을 움직이는 일. 어제의 판단을 다시 살펴보는 일. 나는 이제 반복을 성실함의 표시로만 보지 않으려 한다. 그것은 배우고, 조정하고, 자신을 만들어가는 방식 가운데 하나다. AI가 많은 일을 대신할수록, 우리가 직접 이어가기로 선택한 경험은 더욱 중요해질 수 있다. 내일 아침 무엇을 다시 할 것인가. 그 질문에는 앞으로 어떤 능력을 기르고, 어떤 생각을 다듬으며, 어떤 사람으로 살아갈 것인지가 담겨 있다. 같은 일을 한다고 언제나 같은 자리에 머무는 것은 아니다. 다시 읽고, 다시 시도하고, 조금 다르게 해보는 동안 우리는 어제와 다른 이해에 도달할 수 있다. AI 시대에도 내가 지키고 싶은 것은 그렇게 배우고 달라지는 경험이다. 내일 아침, 다시. #Neuroscience #Neuroplasticity #HabitFormation #Creativity #HumanLearning #AI #EvidenceLedHiring #Saywise

Celebrating Sage's Launch: An AI That Understands Me Finds My Next Opportunity Oct 7, 2026 · @HJ Lessons from Jack & Jill, and a vision with 24-month milestones for Sage 1. Today, Sage started texting "Never search for a job again." CK has launched Sage at Saywise: a 24/7 AI recruiter. The launch post ends with that line. The diagnosis is sharp. The job search was already broken, and AI is making it worse. Anyone can now use AI to write a résumé and auto-apply to hundreds of jobs. By the time you find a great opportunity, you may already be the 837th applicant. And even after you find it, all the work is still yours. Sage's answer is a recruiter who works only for you. One that gets to know you, watches the market around the clock and hand-picks opportunities the moment they appear, prepares your application packet so you can apply with one tap, and runs mock interviews with feedback. No app to install, no complicated sign-up: you just text her. You still make the decisions; Sage does the work alongside you. I'm glad this exists. Not an AI that makes you write more applications, but one that lets you skip the pile altogether. That direction is right. It's also striking that a founder who built Tapas Media, a platform for serialized stories, is now focused on another kind of ongoing story: a person's career. I'm writing this to celebrate the launch. First I look at Jack & Jill, which tackles the same problem a different way. From that comparison, I sketch a vision for Sage and a set of 24-month milestones. The first half is analysis based on public information. From section 6 on, it is a proposal from someone who has kept a steady record on Saywise, as a user and an observer. It is not Saywise's official plan. 2. Our careers continue, but every job search starts from zero Every time we look for a job, we explain ourselves from scratch. We rewrite the résumé, redo the cover letter, and copy old experience into new form fields. Our working lives are continuous, yet the job search resets every time. Meanwhile, the questions that matter get pushed aside. What kinds of problems am I good at solving? In what environments do I grow best? What should my next move give me, and what must it protect? The line I lingered on longest in the launch post touches exactly these questions. "Someone who really gets to know you." Round-the-clock market scanning, one-tap applications and mock interviews are features. "Someone who really gets to know you" is a promise about a relationship. And as AI recruiters multiply, that promise becomes the heart of the competition. As more AI recruiters do similar work, why would I keep trusting Sage with my story? The best point of comparison for this question is Jack & Jill in London. 3. Jack & Jill: two founders, two agents Jack & Jill places an agent on each side of the market. Jack understands a candidate's experience and hopes; Jill defines the role a company needs. When both sides' interests align, they connect the two in a real meeting. To understand this design, it helps to look at the problems its two founders have lived with. Matt Wilson: from cross-border employment to the problem of connecting people. The co-founder and CEO studied physics at Oxford and in 2017 co-founded Veratrak, which digitised the pharmaceutical supply chain. He later met Guenther Eisinger at Entrepreneur First and founded Omnipresent, a global employment (EOR) company that handles each country's employment contracts, payroll and compliance so businesses can work with talent abroad. Omnipresent raised a $120M Series B in 2022, and Creandum says he grew the company to a valuation of roughly $600M in three years. Peak valuation and sale terms should be kept apart, though. Omnipresent was acquired by Deel in October 2025, and Reuters, citing a source, reported a deal size of about $15M. Public information does not tell us Wilson's role at the time or his personal return. What matters for his next company is how the problem moved. I read his path as a shift from the conditions for employing people to the conditions for them to meet. Saaras Mehan: an engineer who has built AI that makes connections. The co-founder and CTO is a Cambridge graduate with a record of project work with Microsoft Research, and a former member of the England chess team. His company Kular.ai, backed by Y Combinator, uses AI to find prospective customers and charges based on results. In other words, he has already built a product that finds the right targets, reaches them and turns them into real opportunities. He names two bottlenecks in hiring: agency recruiters are limited by how much work they can handle, and job boards force candidates into endless searching while burying hiring teams in poorly matched applications. The two founders' experience meets in a single task: combining depth in understanding people with the scale to help many of them. Jack, an agent that understands my experience and my next move. It starts with your own story: what you have done, what matters now, and what kind of change would be worth a move. The company says Jack reviews 15 million job postings a day and also helps with mock interviews, compensation benchmarks, career direction and opportunity tracking. Two people with the same "Marketing Director" title may want different futures: one the stability of a large organisation, the other the chance to build a market with a small team. A good recommendation needs a reason. Jill, an agent that defines what a company needs. Starting from a job post, notes or a conversation, Jill sets evaluation criteria, researches the company's context and refines the role as real candidates appear. A direct introduction happens when the company wants to meet and the candidate is interested. Not every external posting Jack surfaces leads to an introduction through Jill, though. "No application needed" holds only when conditions on both sides are met. 4. What Jack & Jill gets right, and the question it leaves open The value I see in Jack & Jill is that it lowers the cost of finding and understanding each other. Candidates carry less of the search, and companies define more clearly who they need. The time saved goes into real conversations and judgement. The revenue model fits this design. According to its official pricing, candidates use it for free, and companies pay 10% of first-year salary when a hire is made through Jill. It lowers the barrier to entry and ties revenue to real hires. That leaves a question every long-term career agent has to answer. Even in a model where revenue comes from hires, the best choice for an individual may be to stay where they are, or to wait. This is not evidence that Jack & Jill's recommendations are biased. But the promise to stand on the individual's side grows stronger when it also respects the choice not to move. Nor can Sage's position be summed up as "Jack & Jill does jobs, Sage does careers." Jack also calls itself a career agent and offers support and coaching for people who are already employed. Wilson's background in employment operations alone does not show that Jack & Jill has left life after the hire empty. The broader word "career" does not create a difference on its own. The difference has to show in whose problem is solved, which problem, and how deeply. The question left for Sage is this: On what evidence will Sage build its understanding of me, and how usefully will it carry that understanding beyond the job search? 5. Three lessons for Sage: understand, act, connect There are three lessons Sage can take from Jack & Jill. First, understanding must come before recommending. Good onboarding uncovers the conditions a user cares about and checks the reason behind each recommendation together. When a user turns a recommendation down, the reason becomes material for the next judgement. Whether it was about pay, the role, or simply not the right time should change what happens next. Second, understanding must t Turn into action. Insight alone is not enough. Users still need to decide where to apply, organise their experience, prepare for interviews and review their outreach. In the spirit of the launch post's "You still make the decisions," Sage should act within the limits the user sets and let the user check anything that goes out. Third, see the individual and the company together. A good connection requires knowing in which environments a person's strengths turn into a company's results. Early on, Sage can test connection quality between users in one role and a small number of hiring partners. What worked and what fell short in real meetings becomes the basis for the next stage of growth. 6. The vision: never explain yourself from scratch again From here on, this is a proposal. Next to "Never search for a job again," I'd like to add one more line. Never explain yourself from scratch again. If Sage lifts the burden of searching for jobs, the next step is to lift the burden of explaining yourself. This vision grows in three stages. Today's Sage, a recruiter that searches for you. It finds opportunities, picks the right ones and prepares your application. Tomorrow's Sage, an agent that understands your experience. It understands the judgements, actions and results behind the lines on your résumé, along with the evidence for them. The future Sage, an agent for your working life. It stays with you through the first 90 days, quarterly reviews, pay conversations and the next decision. CK recently compared the problem with general-purpose agents to a blank canvas: they can do almost anything, so people don't know what to use them for. The future, he argued, belongs to vertical agents that combine deep domain knowledge, purpose-built workflows and natural conversational interfaces. The third-stage Sage is the version that fits those conditions best. So this is how I would write Sage's vision: Sage becomes the personal agent that understands a person's career best. That understanding belongs to the user, builds up with evidence, and is put to use again with every next opportunity. 7. Vertical strategy: own the time of employment, not the job search A job search ends in weeks or months. Employment lasts for years. Yet most career tools focus on the short stretch of searching and leave users alone for the long stretch of working. The material that proves what someone can do is actually created during that long stretch. Jack & Jill is strongest at the moment of meeting. If Sage competes at the same point, it becomes a contest of scale. So Sage's vertical can be defined by the time that follows: from the day you start a job to the day you make your next decision. The time of employment. The time of employment is not a blank canvas This period is already full of work everyone repeats. The timing is clear, the evidence needed is clear, and each result feeds the next stage. The agent's job is already defined. A decision with its reasons on record Only one of these five stages involves changing jobs. In the other four, Sage helps users do better work and be recognised more accurately where they are. The record built along the way improves the quality of that final decision. First market: one role, one window As a starting point, I propose the first 90 days of people newly in GTM or partnership roles at AI and B2B startups. The first 90 days are when expectations and judgements form fastest, so the value of keeping a record is felt right away. GTM results show up in numbers, but individual contribution is hard to separate: a pipeline is built by a team, and partnerships pass through many hands. And early-stage startups often lack a performance-management system, so no one keeps the record for you. This choice is a hypothesis to test with real users. The record of employment becomes the signal for the next match The employment vertical does not abandon hiring. When a user decides to move, Sage already holds a career organised with evidence. Jack & Jill expects a market where individuals' career agents and companies' hiring agents connect. In that market, Sage's goal is not to beat the companies' agents. It is to be the personal agent that any company's agent can trust. If Jack & Jill designs the meeting, Sage designs the time after it. 8. Three principles behind the vision: evidence, ownership, the choice to stay The bigger the vision, the firmer its principles need to be. First, evidence. Understanding must be checkable and correctable. People can claim abilities. Which project, which decision and which result back up that claim is a separate question. If someone says "I have experience entering the US market," Sage asks which customer segment they chose first, why that segment, and what response made them change their hypothesis. It then links the answers to materials the user has the right to share: market analyses, customer interviews, proposals, experiment results. Along the way, it separates the project's overall result from the individual's contribution, and marks what has been verified, what is the user's own account, and what has not yet been confirmed. A document existing does not prove the whole capability. Experience organised this way shows users which experiences connect to a given role, and tells companies what else to ask in an interview. Second, ownership. The record belongs to the individual. Whoever pays, the record is never reported to an employer, and the user decides what to show and to whom. For long-term memory to be useful, people must be able to change it. A field you once doubted can become a strength through a new project; a company you once wanted may no longer fit. Users should be able to add context, correct misreadings and update old judgements. An AI that remembers me for a long time also needs to recognise who I have become. Third, the choice to stay. Sage must be worth it even when you don't move. The best choice for a person may be to grow further where they are. If Sage's revenue comes from the value it provides during employment rather than from job moves, the advice "staying is better for now" never conflicts with the business. The default is a personal subscription, with a possible extension where employers offer access as a growth benefit. But charging a subscription does not, by itself, guarantee the user's interest. What Sage recommends, why, and how the user can change that judgement should be visible in the product. 9. 24 months, five milestones A vision becomes testable when it is broken into stages. Each milestone is a gate that proves Sage has earned the next stage, and the scope does not widen until the gate is passed. The first two stages earn trust during the job search; the last three carry that trust into the time of employment. The turning point is M3: the first 90 days, which test whether the relationship with people hired through Sage continues after they start. M1. Earned trust (launch to month 3) Prove that the launch post's promise actually works. What to build: A one-sentence reason with every recommendation. When a user turns one down, ask whether it was about pay, the role or timing, and reflect that in the next one. A record of how users edit the application packet before applying with one tap. Gate: The share of recommendations users accept rises week by week. Users edit their packets less before applying. Applications turn into first interviews at a higher rate than the user's previous applications. More users say mock interviews helped in real ones. M2. One role, deep (months 3 to 6) Prove depth in GTM and partnership roles at AI and B2B startups, where recurring work is clear: choosing customer segments, building an early pipeline, testing partner hypotheses. What to build: A question set tailored to this role, and Evidence Log v1. It links each experience to materials the user has shared and marks what is verified, what is the user's account, and what is not yet confirmed. Gate: The share of experiences backed by evidence grows. Users report using that evidence in real interviews. Recommendations rejected for the same reason disappear within a few rounds of feedback. M3. First 90 days pilot (months 6 to 9) Spend one quarter with 20 to 30 users who started new GTM roles through Sage. What to build: A five-minute weekly check-in by text. Drafts of 30/60/90-day reviews. A draft summary of contributions for the first quarterly review. Gate: Does weekly logging continue after the job search ends? Were Sage's summaries used in real reviews or conversations with a manager? Do users feel they explain their contribution better? Do they want to keep using Sage next quarter with no plan to move? The next stage begins only when enough people say yes to the last question. M4. Life at work (months 9 to 15) Turn what the pilot proved into a product. What to build: Quarterly review preparation; performance and pay conversation prep that combines proof of results with market pay data; a diagnosis of the experience missing for the next role, with suggested projects to close the gap; a stay-or-go comparison. A personal subscription whose value does not depend on job moves. Screens where users control sharing and see the edit history of their record. Gate: People not job hunting make up a growing share of active users. More people keep using Sage twelve months after they start a job. Users who were advised that staying is better for now are satisfied with that advice. M5. Trusted links (months 15 to 24) Use the evidence built during employment as the signal for the next match. What to build: A way to share an evidence-based career summary with companies or other hiring channels, within the limits the user allows. Expansion to a second role, reusing the M2 playbook. Gate: Companies say the summary helped them prepare sharper interview questions. Sage reproduces the M1 and M2 results in the second role faster than in the first. 10. Measures of success, and the risks to overcome Beyond the number of applications: the quality of choices The product's performance should be measured against its promise. Applications and introductions are process metrics. The value that process should create is better choices and continuous growth. Share of recommendations accepted with their reasons understood Share that led to real interviews and conversations Time saved on preparation Whether the user's corrections were reflected in the next recommendation Role satisfaction and growth after the hire (voluntary feedback) Whether it was useful enough that people with no plan to move came back Even without a move in the short term, a clearer sense of direction is value a career agent has created. Risks to overcome Risk How it shows up Response Logging fatigue Keeping a record becomes another chore and stops within weeks Sage drafts the record from conversation and the user only confirms by text. The weekly check-in never runs past five minutes. Fear of surveillance Candid records dry up the moment an employer pays State plainly, in the terms and on screen, that the record belongs to the individual. Loss of focus Trying every role and every stage at once, so nothing gets deep Don't widen to the next stage or another role until the gate is passed. A contest of scale Fighting large platforms on search volume at the same point Compete on depth, not breadth. Focus on the time after the meeting, not the meeting itself. Rigid memory Past records trap people in who they used to be Let users add context, fix interpretations and delete records at any time. All five come back to the same question: does the user want this relationship to continue? Answering it honestly is the foundation under every milestone. 11. A relationship that starts with a single text Sage talks by text. I think that choice means more than a feature. Texting is how we share daily life with the people closest to us. It is an interface that invites us to imagine not a recruiter, but someone who stays by our side for a long time. The first text Sage sends today will probably be about an opportunity. A year from now, it might suggest looking back on the last three months together before a first quarterly review. Two years from now, it might lay out the evidence gathered along the way and ask whether now is the right time to move. Wilson turned the complexity of employment into a business; Mehan built products that use AI to find opportunities. Just as problems solved before become material for the next product, one person's experience can become the basis for understanding their next opportunity. That is the question Sage can hold on to. How far does understanding a person go? On what evidence do we explain the work they have done? And how do we carry what they gain from one choice into a deeper understanding for the next? "Never search for a job again." Reading this line, the future I came to hope for holds one more promise: each time I meet the next opportunity, I won't have to explain the experiences I have lived from scratch, alone. Evidence should not be a verdict that confines a person, but a door to possibilities not yet discovered. An AI that understands me finds my next opportunity. The experience I build there deepens how well I am understood. The future I hope for in Sage is a relationship that lasts. Congratulations on the launch, CK and the Saywise team. Sources: Sage launch post (Chang Kim, LinkedIn); Chang Kim's post on vertical agents (LinkedIn); jackandjill.ai official product pages and pricing; Creandum; Goodwin; Reuters; Forbes; Y Combinator; FieldHouse Associates; Matt Wilson interview (usepassionfruit.com). The vision and milestones from section 6 onward are the author's proposals, not Saywise's official plan.

Sage 런치에 부쳐 — 나를 이해하는 AI가 다음 기회를 찾는다 Oct 7, 2026 · @HJ Jack & Jill에서 배우고, Sage의 비전과 24개월 마일스톤을 그리다 CK가 Saywise에서 Sage를 출시했다. 24시간 일하는 AI 리크루터. 출시문은 이 문장으로 끝난다. 출시문의 진단은 날카롭다. 구직은 이미 고장 나 있었고, AI가 그것을 더 악화시키고 있다. 누구나 AI로 이력서를 쓰고 수백 곳에 자동으로 지원하는 시대에, 좋은 기회를 발견했을 때 나는 이미 837번째 지원자일 수 있다. 그리고 기회를 찾은 뒤에도 모든 일은 여전히 내 몫이다. Sage의 답은 나만을 위해 일하는 리크루터다. 나를 알아가고, 시장을 24시간 지켜보다 좋은 기회가 나오는 순간 골라 주고, 한 번의 탭으로 지원할 수 있게 지원 패킷을 준비하고, 모의 면접과 피드백을 준다. 앱을 설치하거나 복잡하게 가입할 필요 없이 문자로 대화하면 된다. 결정은 여전히 사용자가 하고, 일은 Sage가 돕는다. 나는 이 출시가 반갑다. 지원서를 더 많이 쓰게 하는 AI가 아니라, 지원서 더미를 건너뛰게 하는 AI라는 방향이 옳다고 믿기 때문이다. 연재 이야기 플랫폼 Tapas Media를 키워 낸 창업자가, 이번에는 한 사람의 경력이라는 이야기에 주목했다는 점도 흥미롭다. 이 글은 출시를 축하하며 쓴다. 먼저 같은 문제를 다른 방식으로 푸는 Jack & Jill을 살펴보고, 그 비교에서 Sage의 비전과 24개월의 마일스톤을 그려 본다. 앞부분은 공개 자료에 근거한 분석이고, 6장부터는 Saywise에 꾸준히 기록을 남겨 온 한 사용자이자 관찰자로서의 제안이다. 2. 경력은 이어지는데, 구직은 매번 처음으로 돌아간다 우리는 일자리를 찾을 때마다 자신을 처음부터 설명한다. 이력서를 고치고, 자기소개서를 다시 쓰고, 새로운 입력란에 오래된 경험을 옮겨 적는다. 살아온 시간은 이어져 있는데, 구직 과정은 매번 처음으로 돌아간다. 그러는 동안 중요한 질문은 뒤로 밀린다. 나는 어떤 문제를 잘 해결하는 사람인가. 어떤 환경에서 더 잘 성장하는가. 다음 선택에서 무엇을 얻고, 무엇을 지켜야 하는가. 출시문에서 내가 가장 오래 머문 문장도 이 질문들과 닿아 있다. "Someone who really gets to know you." 24시간 시장 탐색, 원클릭 지원, 모의 면접은 기능이다. "나를 정말로 알아가는 존재"는 관계에 대한 약속이다. 그리고 AI 리크루터가 빠르게 늘어나는 지금, 이 약속이 곧 경쟁의 핵심이 된다. 비슷한 일을 하는 AI 리크루터가 늘어날 때, 나는 왜 계속 Sage에게 나의 이야기를 맡기게 될까. 이 질문을 생각하는 데 가장 좋은 비교 대상이 런던의 Jack & Jill이다. 3. Jack & Jill — 두 창업자, 두 에이전트 Jack & Jill은 시장의 양쪽에 에이전트를 둔다. Jack은 후보자의 경험과 희망을 이해하고, Jill은 기업이 필요로 하는 역할을 구체화한다. 양쪽의 관심이 맞으면 실제 만남으로 연결한다. 이 설계를 이해하려면 두 창업자가 어떤 문제를 경험해 왔는지 함께 봐야 한다. Matt Wilson — 국경을 넘는 고용에서, 사람을 연결하는 문제로. 공동창업자 겸 CEO인 그는 옥스퍼드에서 물리학을 공부했고, 2017년 제약 공급망을 디지털화하는 Veratrak을 공동창업했다. 이후 Entrepreneur First에서 Guenther Eisinger를 만나 글로벌 고용(EOR) 회사 Omnipresent를 세웠다. 국가마다 다른 고용계약, 급여, 규정 준수를 대신 다뤄 기업이 해외 인재와 일하도록 돕는 사업이다. Omnipresent는 2022년 1억 2,000만 달러 시리즈 B를 유치했고, Creandum은 그가 회사를 3년 만에 약 6억 달러 기업가치로 키웠다고 소개한다. 다만 당시의 기업가치와 이후 매각 조건은 구분해야 한다. Omnipresent는 2025년 10월 Deel에 인수됐고, Reuters가 관계자를 인용해 보도한 거래 규모는 약 1,500만 달러다. 공개 자료만으로 당시 Wilson의 역할이나 개인적 회수 성과까지 판단할 수는 없다. 그의 다음 창업에서 중요한 것은 문제의 이동이다. 나는 이 궤적을 고용의 실행 조건에서 만남의 조건으로 관심이 이어진 과정으로 읽는다. Saaras Mehan — AI로 연결을 실행해 온 엔지니어. 공동창업자 겸 CTO인 그는 케임브리지 출신으로, Microsoft Research와의 프로젝트 기록이 있고 잉글랜드 체스팀 일원이었다. 그가 창업한 Kular.ai(Y Combinator)는 AI로 잠재 고객을 발굴하고 성과에 따라 비용을 받는 서비스다. 적절한 대상을 찾고, 접근하고, 실제 기회로 잇는 제품을 이미 만들어 본 셈이다. 그는 기존 채용의 두 병목을 이렇게 짚는다. 에이전시 리크루터는 처리할 수 있는 업무량에 한계가 있고, 잡보드는 후보자에게 끝없는 탐색을 요구하면서 채용팀에는 맞지 않는 지원서를 쌓는다. 두 사람의 경험은 하나의 과제에서 만난다. 사람을 이해하는 깊이와, 많은 사람을 도울 수 있는 규모를 함께 확보하는 것이다. Jack, 나의 경험과 다음 선택을 이해하는 에이전트. Jack과의 시작은 자신의 이야기다. 무엇을 해왔는지, 지금 무엇이 중요한지, 어떤 변화라면 움직일 가치가 있는지를 대화로 풀어낸다. 회사는 Jack이 하루 1,500만 건의 공고를 살피고, 모의 면접, 보상 비교, 커리어 방향 정리, 기회 추적도 돕는다고 설명한다. 같은 '마케팅 디렉터'라도 한 사람은 큰 조직의 안정을, 다른 사람은 작은 팀에서 시장을 만드는 일을 원할 수 있다. 좋은 추천에는 선택의 이유가 필요하다. Jill, 기업의 필요를 구체화하는 에이전트. Jill은 채용공고나 메모, 대화에서 출발해 평가 기준을 정리하고, 기업의 맥락을 조사하고, 실제 후보자를 보며 역할을 조정한다. 직접 소개는 기업이 만나고 싶어 하고 후보자의 관심과도 맞을 때 이루어진다. 다만 Jack이 찾아 주는 모든 외부 공고가 Jill을 통한 소개로 이어지지는 않는다. '지원 없는 연결'은 양쪽의 조건이 갖춰졌을 때 성립한다. 4. Jack & Jill의 가치와 남은 질문 Jack & Jill에서 내가 주목하는 가치는 서로를 발견하고 이해하는 비용을 줄인다는 점이다. 후보자는 탐색의 부담을 덜고, 기업은 어떤 사람이 필요한지 더 명확히 정의한다. 그렇게 아낀 시간은 실제 대화와 판단에 쓰인다. 수익 구조도 이 설계와 맞물린다. 공식 가격 안내에 따르면 후보자는 무료로 쓰고, 기업은 Jill을 통해 채용이 성사되면 첫해 연봉의 10%를 낸다. 진입 부담을 낮추고 실제 채용을 매출로 잇는 모델이다. 여기에는 장기적인 커리어 에이전트가 풀어야 할 과제가 있다. 채용 성사가 수익을 만드는 구조에서도, 개인에게 가장 좋은 선택은 지금의 자리에 남거나 이직을 미루는 것일 수 있다. 이것이 Jack & Jill의 추천이 왜곡된다는 증거는 아니다. 다만 '개인의 편에 선다'는 약속은 이직하지 않는 선택까지 존중할 때 더 단단해진다. 그렇다고 Sage의 자리를 "Jack & Jill은 취업을, Sage는 커리어를"이라는 문장으로 정리할 수는 없다. Jack도 스스로를 커리어 에이전트로 소개하고, 재직 중인 사람을 위한 지원과 코칭을 제공한다. Wilson의 고용 운영 경험만으로 Jack & Jill이 입사 이후를 비워 두었다고 단정할 수도 없다. '커리어'라는 더 넓은 이름만으로는 차이가 생기지 않는다. 차이는 누구의 어떤 문제를 얼마나 깊게 해결하느냐에서 드러나야 한다. Sage에게 남는 질문은 이것이다. 나에 대한 이해를 어떤 근거로 쌓고, 그 이해를 구직이 끝난 뒤에도 얼마나 유용하게 이어 갈 것인가. 5. Sage가 배울 세 가지 — 이해, 행동, 연결 Jack & Jill에서 Sage가 가져갈 교훈은 세 가지다. 첫째, 이해가 추천보다 앞서야 한다. 좋은 온보딩은 사용자가 중요하게 여기는 조건을 발견하고, 추천의 이유를 함께 확인하는 과정이다. 추천을 거절했다면 그 이유도 다음 판단의 재료가 된다. 연봉 때문인지, 역할 때문인지, 지금은 움직일 때가 아니기 때문인지에 따라 다음 행동이 달라져야 한다. 둘째, 이해를 실제 행동으로 이어야 한다. 통찰만으로는 부족하다. 지원할 기업을 판단하고, 경험을 정리하고, 면접을 준비하고, 연락할 내용을 검토해야 한다. 출시문의 "You still make the decisions"처럼, Sage는 사용자가 허용한 범위에서 일을 진행하고 외부로 나가는 내용은 사용자가 확인하게 해야 한다. 셋째, 개인과 기업의 맥락을 함께 봐야 한다. 어떤 환경에서 개인의 강점이 기업의 성과로 이어지는지 알아야 좋은 연결이 된다. 초기에는 특정 직무의 사용자와 소수의 채용 파트너 사이에서 연결의 품질부터 검증할 수 있다. 실제 만남에서 무엇이 통했고 무엇이 부족했는지가 다음 확장의 근거가 된다. 6. 비전 — 다시는 나를 처음부터 설명하지 않아도 되는 미래 여기서부터는 제안이다. "Never search for a job again." 이 약속 옆에 한 문장을 더하고 싶다. Never explain yourself from scratch again. 다시는 나를 처음부터 설명하지 않아도 되는 미래. Sage가 일자리 탐색의 부담을 덜어 준다면, 다음 단계는 나를 설명하는 부담을 덜어 주는 것이다. 이 비전은 세 단계로 자란다. 오늘의 Sage, 구직을 대신하는 리크루터. 기회를 찾고, 고르고, 지원을 준비한다. 다음의 Sage, 경험을 이해하는 에이전트. 이력서의 문장 뒤에 있는 판단과 행동, 결과를 근거와 함께 이해한다. 미래의 Sage, 고용의 시간을 함께하는 에이전트. 입사 후 첫 90일, 분기 리뷰, 보상 대화, 그리고 다음 선택까지 곁에 있다. CK는 최근 범용 에이전트의 문제를 빈 캔버스에 비유했다. 무엇이든 할 수 있지만 무엇을 시킬지 모른다는 것이다. 그리고 미래는 깊은 도메인 지식과 목적형 워크플로, 대화형 인터페이스를 갖춘 버티컬 에이전트에 있다고 했다. 세 번째 단계의 Sage는 그 조건에 가장 잘 들어맞는 모습이다. 그래서 나는 Sage의 비전을 이렇게 쓰고 싶다. Sage는 한 사람의 경력을 가장 잘 이해하는 개인 에이전트가 된다. 그 이해는 사용자의 것이고, 근거와 함께 쌓이며, 다음 기회마다 다시 쓰인다. 7. 버티컬 전략 — 구직이 아니라 고용의 시간을 맡다 구직은 몇 주에서 몇 달이면 끝난다. 고용은 몇 년 동안 이어진다. 그런데 대부분의 커리어 도구는 짧은 구직의 시간에 집중하고, 긴 고용의 시간은 사용자 혼자 보내게 둔다. 역량을 증명할 재료가 실제로 만들어지는 곳은 그 긴 시간이다. Jack & Jill이 가장 강한 곳은 만남의 순간이다. Sage가 같은 지점에서 경쟁하면 규모의 싸움이 된다. 그래서 Sage의 버티컬은 그다음 시간으로 정의할 수 있다. 입사한 날부터 다음 선택을 내리는 날까지, 고용의 시간이다. 고용의 시간은 빈 캔버스가 아니다 고용의 시간에는 누구나 반복하는 일이 이미 정해져 있다. 시기가 분명하고, 필요한 근거가 분명하며, 결과가 다음 단계로 이어진다. 에이전트가 할 일이 이미 정의돼 있는 셈이다. 이유가 기록된 선택 다섯 단계 중 이직은 마지막 하나뿐이다. 나머지 네 단계에서 Sage는 사용자가 지금의 자리에서 더 잘 일하고, 더 정확하게 인정받도록 돕는다. 그리고 그 과정에서 쌓인 기록이 마지막 판단의 질을 바꾼다. 첫 시장: 한 직무, 한 시기 출발점으로는 AI·B2B 스타트업에서 GTM·파트너십 역할을 새로 맡은 사람의 첫 90일을 제안한다. 첫 90일은 기대와 평가가 가장 빠르게 형성되는 시기라 기록이 왜 필요한지 바로 느껴진다. GTM의 성과는 숫자로 드러나지만 개인의 기여는 가려내기 어렵다. 파이프라인은 팀이 함께 만들고, 파트너십은 여러 사람의 손을 거친다. 그리고 초기 스타트업은 성과 관리 체계가 갖춰지지 않은 경우가 많아, 회사가 개인의 기록을 대신 남겨 주지 않는다. 이 선택은 실제 사용자와 검증해야 할 가설이다. 고용의 기록이 다음 만남의 신호가 된다 고용의 버티컬은 채용을 포기하는 전략이 아니다. 사용자가 움직이기로 결정할 때, Sage는 이미 근거가 정리된 경력을 갖고 있다. Jack & Jill은 머지않아 개인의 커리어 에이전트와 기업의 채용 에이전트가 연결되는 시장이 올 것이라고 본다. 그 시장에서 Sage가 노릴 자리는 기업의 에이전트를 이기는 것이 아니다. 어떤 기업의 에이전트를 만나도 신뢰받는 개인의 에이전트가 되는 것이다. Jack & Jill이 만남을 설계한다면, Sage는 만남 이후의 시간을 설계한다. 8. 비전을 지탱하는 세 가지 원칙 — 근거, 소유, 머무는 선택 비전이 커질수록 원칙이 단단해야 한다. 첫째, 근거. 이해는 확인하고 고칠 수 있어야 한다. 사람은 자신의 역량을 주장할 수 있다. 그러나 그 주장이 어떤 프로젝트, 어떤 판단, 어떤 결과에 근거하는지는 별도의 질문이다. 한 사람이 "미국 시장 진출 경험이 있습니다"라고 말한다면, Sage는 어느 고객군을 먼저 골랐는지, 왜 그 고객군이었는지, 어떤 반응을 보고 가설을 바꾸었는지 묻는다. 그리고 사용자가 공유할 권한이 있는 시장 분석, 고객 인터뷰, 제안서, 실험 결과와 답을 잇는다. 이때 프로젝트 전체의 성과와 개인의 기여를 구분하고, 확인한 사실, 본인의 설명, 아직 확인하지 못한 내용을 각각 표시한다. 문서가 있다는 사실만으로 역량 전체가 입증되지는 않기 때문이다. 이렇게 정리된 경험은 사용자에게는 어떤 경험이 이 역할과 이어지는지 보여 주고, 기업에게는 면접에서 무엇을 더 물어야 할지 알려 준다. 둘째, 소유. 기록은 개인의 것이다. 누가 비용을 내든 기록은 회사에 보고되지 않고, 무엇을 누구에게 보여 줄지는 사용자가 정한다. 장기적인 기억이 유용하려면 사람이 그 기억을 바꿀 수 있어야 한다. 자신 없다고 말한 분야가 새 프로젝트로 강점이 될 수 있고, 예전에 원했던 회사가 지금은 맞지 않을 수 있다. 사용자는 기록에 맥락을 더하고, 잘못된 해석을 고치고, 오래된 판단을 갱신할 수 있어야 한다. 나를 오래 기억하는 AI에는, 달라진 나를 알아볼 능력도 필요하다. 셋째, 머무는 선택. 이직하지 않아도 가치가 있어야 한다. 개인에게 가장 좋은 선택은 지금의 자리에서 더 성장하는 것일 수 있다. Sage의 수익이 이직 성사가 아니라 고용 기간에 주는 가치에서 나온다면, "지금은 남는 편이 낫다"는 조언이 회사의 이익과 충돌하지 않는다. 기본은 개인 구독이고, 기업이 직원 성장 지원 혜택으로 이용권을 제공하는 확장도 생각할 수 있다. 다만 구독료를 받는 것만으로 개인의 이익이 보장되지는 않는다. 무엇을 왜 추천하는지, 사용자가 그 판단을 어떻게 바꿀 수 있는지가 제품 안에서 보여야 한다. 9. 24개월, 다섯 개의 마일스톤 비전은 단계로 나눌 때 검증할 수 있다. 각 마일스톤은 다음 단계로 넘어갈 자격을 증명하는 관문이고, 관문을 통과하기 전에는 범위를 넓히지 않는다. 앞의 두 단계는 구직의 시간에서 신뢰를 얻는 일이고, 뒤의 세 단계는 그 신뢰를 고용의 시간으로 이어가는 일이다. 전환점은 M3, Sage로 입사한 사람과의 관계가 입사 뒤에도 이어지는지 확인하는 첫 90일이다. M1. 대행의 신뢰 (출시~3개월) 출시문의 약속이 실제로 작동한다는 것을 증명한다. 만들 것: 추천마다 그 이유를 한 문장으로 설명한다. 사용자가 추천을 거절하면 이유가 연봉인지, 역할인지, 시기인지 묻고 다음 추천에 반영한다. 원클릭 지원 전에 사용자가 지원 패킷을 어떻게 고쳤는지 기록한다. 통과 기준: 추천을 받아들이는 비율이 주차가 지날수록 오른다. 원클릭 전에 사용자가 패킷을 고치는 양이 줄어든다. 지원이 첫 인터뷰로 이어지는 비율이 사용자의 기존 지원보다 높다. 모의 면접이 실제 면접에 도움이 됐다는 응답이 쌓인다. M2. 한 직무의 깊이 (3~6개월) AI·B2B 스타트업의 GTM·파트너십 직무에서 깊이를 증명한다. 고객군 선택, 초기 파이프라인 구축, 파트너 가설 검증처럼 반복되는 일이 분명한 직무다. 만들 것: 이 직무에 맞춘 질문 세트. 그리고 경력 증거 기록 v1. 경험마다 사용자가 공유한 자료를 잇고, 확인한 사실과 본인의 설명, 아직 확인하지 못한 내용을 구분해 표시한다. 통과 기준: 근거가 연결된 경험의 비율이 늘어난다. 사용자가 그 근거를 실제 면접에서 썼다고 답한다. 같은 이유로 거절되는 추천이 몇 번의 피드백 안에 사라진다. M3. 첫 90일 파일럿 (6~9개월) Sage를 통해 새 GTM 역할을 시작한 사용자 20~30명과 한 분기를 함께한다. 만들 것: 문자로 하는 주간 5분 체크인. 30·60·90일 회고 초안. 첫 분기 리뷰에 쓸 기여 정리 초안. 통과 기준: 구직이 끝난 뒤에도 매주 기록이 이어지는가. Sage의 정리가 실제 리뷰나 상사와의 대화에 쓰였는가. 사용자가 자신의 기여를 더 잘 설명하게 됐다고 느끼는가. 이직 계획이 없어도 다음 분기에 계속 쓰고 싶어 하는가. 마지막 질문에 충분히 많은 사람이 그렇다고 답할 때 다음 단계로 간다. M4. 고용의 시간 (9~15개월) 파일럿에서 확인한 가치를 제품으로 만든다. 만들 것: 분기 리뷰 준비, 성과 근거와 시장 보상 수준을 함께 보는 평가·보상 대화 준비, 다음 역할에 부족한 경험의 진단과 보완 프로젝트 제안, 남을지 떠날지의 비교. 이직 성사와 상관없이 가치가 생기는 개인 구독 모델. 공유 범위와 수정 이력을 사용자가 직접 관리하는 화면. 통과 기준: 구직 중이 아닌 사용자가 활성 사용자에서 차지하는 비중이 커진다. 입사 후 12개월이 지나도 쓰는 사람이 늘어난다. "지금은 남는 편이 낫다"는 조언을 받은 사용자도 그 조언에 만족한다. M5. 신뢰의 연결 (15~24개월) 고용의 시간에 쌓인 근거를 다음 만남의 신호로 쓴다. 만들 것: 사용자가 허락한 범위에서 근거 기반 경력 요약을 기업이나 다른 채용 채널에 공유하는 기능. 그리고 M2의 플레이북을 재사용한 두 번째 직무로의 확장. 통과 기준: 기업이 이 요약으로 면접 질문을 더 구체적으로 준비했다고 답한다. 두 번째 직무에서 M1과 M2의 지표를 첫 직무보다 빠르게 재현한다. 10. 성공의 기준과 넘어야 할 위험 지원 수를 넘어, 선택의 질을 묻다 제품의 성과도 약속에 맞게 측정해야 한다. 지원 수와 소개 수는 과정의 지표다. 그 과정이 만들어야 할 가치는 더 나은 선택과 지속적인 성장이다. 근거를 이해하고 받아들인 추천의 비율 실제 면접과 대화로 이어진 비율 준비에 절약한 시간 사용자가 고친 설명이 다음 추천에 반영됐는가 입사 후 역할 만족도와 성장 경험 (자발적 피드백) 이직 의사가 없는 사람도 다시 찾을 만큼 유용했는가 단기적으로 이직하지 않았더라도 자신의 방향을 더 명확히 이해했다면, 그것 역시 커리어 에이전트가 만든 가치다. 11. 문자 한 통에서 시작되는 관계 Sage는 문자로 대화한다. 나는 이 선택이 기능 이상의 의미를 가진다고 생각한다. 문자는 우리가 가장 가까운 사람들과 일상을 나누는 방식이다. 리크루터가 아니라 오래 곁에 있는 존재를 상상하게 만드는 인터페이스다. 오늘 Sage가 보내는 첫 문자는 기회에 관한 이야기일 것이다. 1년 뒤의 문자는 첫 분기 리뷰를 앞두고 지난 석 달을 함께 정리하자는 이야기일 수 있다. 2년 뒤의 문자는 다음 선택을 앞두고, 그동안 쌓인 근거를 펼쳐 놓고 지금 움직이는 것이 맞는지 함께 생각해 보자는 이야기일 수 있다. Wilson은 고용의 복잡성을 사업으로 다뤘고, Mehan은 AI로 기회를 발굴하는 제품을 만들어 왔다. 이전에 풀어 본 문제가 다음 제품의 재료가 되듯, 한 사람의 경험도 다음 기회를 이해하는 근거가 될 수 있다. Sage가 붙잡을 질문도 여기에 있다. 한 사람을 이해한다는 것은 어디까지인가. 그 사람이 해 온 일을 어떤 근거로 설명할 것인가. 다음 선택에서 얻은 경험을 어떻게 다음의 이해로 이어 갈 것인가. "Never search for a job again." 이 문장을 읽고 내가 기대하게 된 미래에는 약속이 하나 더 있다. 다음 기회를 만날 때마다, 내가 살아낸 경험을 처음부터 혼자 설명하지 않아도 되는 미래다. 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 Sage의 미래는, 그 관계가 오래 이어지는 데 있다. 출시를 축하합니다, CK와 Saywise 팀.

1. An AI that understands me finds my next opportunity 1. What the founders' experience reveals about Jack & Jill, and Sage's vertical agent strategy Every time we look for a job, we explain ourselves from scratch. Our careers are continuous, yet the job search resets to zero every time. Meanwhile, the questions that matter get pushed aside. What kinds of problems am I good at solving? In what environments do I grow best? What should my next move give me, and what must it protect? 2. Matt Wilson — from cross-border employment to the problem of connecting people Co-founder and CEO Oxford: Physics; master's in theoretical and mathematical physics 2017: Co-founded Veratrak, digitising the pharma supply chain 2019: Founded Omnipresent with Guenther Eisinger, whom he met at Entrepreneur First 2022: $120M Series B; roughly $600M valuation within three years Oct 2025: Acquired by Deel; reported deal size about $15M 2025: Co-founded Jack & Jill with Saaras Mehan P eak valuation and sale terms are different things. The ~$15M figure is a press report citing a source, and public information does not tell us Wilson's role at the time or his personal return. His focus moved from the conditions for employing people to the conditions for them to meet. Sources: founder interview (usepassionfruit.com), Creandum, Goodwin, Reuters report 3. Saaras Mehan — an engineer-founder who builds AI that makes connections Co-founder and CTO A Cambridge graduate, listed with Microsoft Research on a 2021 Cambridge Computer Science project, and a former member of the England chess team. Kular.ai (Y Combinator): An AI service that finds prospective customers and charges based on results. He has already built a product that finds the right targets, reaches them, and turns them into real opportunities. The two bottlenecks he sees in hiring: Agency recruiters are limited by how much work they can handle. Job boards force candidates into endless searching and bury hiring teams in poorly matched applications. Depth in understanding people, and the scale to help many of them. This is where the two founders' experience meets. Sources: Forbes, Y Combinator, FieldHouse Associates (funding announcement) 4. Jack — an agent that understands my experience and my next move The candidate's agent 15M: job postings Jack reviews every day (company figure) It starts with your story: what you have done, what matters now, and what kind of change would be worth a move. Jack also offers mock interviews, compensation benchmarks, career direction and opportunity tracking. Marketing Director A wants the resources and stability of a large organisation. Marketing Director B wants to build product and market with a small team. Same title, different futures. A good recommendation needs a reason. Understanding comes first; search and suggestions follow. Source: jackandjill.ai 5. Jill — an agent that defines what a company needs and makes the introduction The company's agent Start: Job posts, notes, conversations Define: Evaluation criteria, research on the company's context Search and refine: Candidates from Jack's network; the role is adjusted as real candidates appear Direct introduction: When the company wants to meet and the candidate is interested The value: lowering the cost of finding and understanding each other. Candidates carry less of the search; companies define who they need more clearly. The time saved goes into real conversations and judgement. A distinction to keep: Not every external posting Jack surfaces leads to a direct introduction through Jill. "No application needed" holds only when both sides' interest and the conditions for connection line up. Source: jackandjill.ai 6. Linking hiring outcomes with individual interests The product's value Candidates: Free. Including mock interviews, salary negotiation and career coaching Companies: 10%. Of first-year salary when a hire is made through Jill The model lowers the barrier to entry and ties revenue to real hires. But a long-term career agent faces a harder question: even when revenue comes from successful hires, the best choice for an individual may be to stay where they are. This is not evidence that Jack & Jill's recommendations are biased. The promise to stand on the individual's side grows stronger when it respects the choice not to move. Source: Jack & Jill official pricing Sage's starting point — read the founders' experience, but don't assume an empty market From here on: strategic interpretation and proposals Different problems: The payroll, contracts and employment operations of EOR are different from skill development, project reflection and long-term career management. Wilson's background alone does not show that Jack & Jill has left life after the hire empty. Where they already overlap: Jack already supports people who are employed and offers career coaching. "We manage careers beyond the job search" is not a differentiator on its own. On what evidence will Sage record life after the hire, and how usefully will it connect that record to the next decision? What matters is how deeply and credibly the same promise is delivered. 8. Three lessons for Sage — understand, act, connect What to learn from Jack & Jill Understanding comes before recommending: Find the conditions that matter and check the reason behind each recommendation together. Whether a rejection was about pay, the role or timing should change what happens next. Turn understanding into action: Choosing where to apply, organising experience, preparing for interviews, reviewing outreach. Act within the limits the user sets, and let the user check anything that goes out. See the individual and the company together: Know which environments turn someone's strengths into results. Start by testing connection quality between users in one role and a few hiring partners. 10. Own the time of employment, not the job search Vertical agent strategy A job search takes weeks; employment lasts years. Jack & Jill is strongest at the moment of meeting. Sage's vertical begins after it: from the first day in the job to the day of the next decision. This period is full of recurring work, so the agent's job is already defined. The first four stages are about doing better work, and being recognised accurately, where you are. Stay or go is the only move. First market: The first 90 days of people newly in GTM, partnership or community roles at AI and B2B startups. Results show in numbers, but individual contribution is hard to separate, and no one keeps the record for you. A hypothesis to test. Revenue model: If revenue comes from value during employment rather than from job moves, "staying is better for now" never conflicts with the business. Whoever pays, the record belongs to the individual. First experiment: One quarter with 20–30 GTM users starting their first 90 days. The key question: will they keep using Sage next quarter with no plan to move? Join → Record → Review → Grow → Decide → Next opportunity → Record again If Jack & Jill designs the meeting, Sage designs the time after it. 11. The longer it remembers, the more it must be able to understand a new Designing memory A field you once doubted can become a strength through a new project. A company you once wanted may no longer fit. How you read one failure can change with later experience. Users should be able to add context, fix wrong interpretations and update old judgements. They also decide what is kept and who can see it. An AI that remembers me for a long time also needs to recognise who I have become. 12. Better decisions and continuous growth Measures of success Beyond applications and introductions, measure against the promise. When the measures change, the product's behaviour changes. Share of recommendations accepted with their reasons understood Share that led to a real conversation Time saved on preparation Whether the user's corrections were reflected Role satisfaction and growth after the hire (voluntary feedback) Whether the user understands their direction more clearly 13. A door that opens possibilities A future where understanding deepens Wilson turned the complexity of employment into a business; Mehan built products that use AI to find opportunities. Just as problems solved before become material for the next product, one person's experience can become the basis for understanding their next opportunity. Evidence should not be a verdict that confines a person, but a door to possibilities not yet discovered. An AI that understands me finds my next opportunity. The experience I build there deepens how well I am understood. The future I hope for in a career agent is a relationship that lasts.

[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. (**The views in this essay are my own and do not necessarily reflect Saywise's editorial direction. ) 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