인공지능(AI) 기술이 스타트업의 사업 실행 범위를 크게 확장시키면서, 과거 소프트웨어(SW) 산업에서 유행했던 수직 통합(vertical integration), 즉 풀스택(full-stack) 전략이 다시 주목받고 있습니다. AI가 SW의 많은 부분을 범용화하면서 독점 데이터, 맥락, 현실 세계 피드백, 신뢰, 유통 등이 희소 자산으로 부상했기 때문입니다. 하지만 단순히 모든 것을 소유하려는 접근 방식은 오히려 운영 마찰과 비효율을 초래할 수 있다는 지적이 나옵니다.
핵심은 전체 가치사슬을 소유하는 것이 아니라, 데이터와 워크플로, 고가치 결과가 축적되는 '통제 지점(control point)'을 장악하는 것입니다. 클레이 크리스텐슨(Clay Christensen) 교수의 이론처럼, 산업 초기에는 제품의 기능과 신뢰성을 높이기 위해 독점적 통합 솔루션이 유리합니다. 그러나 시장이 성숙하고 인터페이스가 표준화되면, 이익은 성능을 결정하는 하위 시스템으로 이동하며 모듈화된 접근 방식이 더 효과적입니다. 따라서 방어력은 소유한 계층의 수가 아니라, 독점적이고 밀도 높으며 반복 가능한 '신호(signal)'에서 나오므로, 학습이 누적되는 최소한의 충분 스택(minimum sufficient stack)만 소유해야 합니다.
통제 지점을 확보하는 방법은 소유, 접근, 통제의 다양한 조합으로 나타납니다. 예를 들어, 의학 저널 콘텐츠에 '접근'하여 의사 워크플로의 임상 질문이라는 '통제 지점'을 장악하는 OpenEvidence, 하드웨어 '소유'를 통해 소(牛) 데이터 수집 및 행동 유도라는 '통제 지점'을 확보하는 Halter가 있습니다. 반면, 임상 대화 기록의 저작 계층(authoring layer)이라는 '통제 지점'을 '소유 없이 통제'하는 Abridge 사례도 있습니다. 이처럼 통제 지점은 산업마다 다르며 기술 변화에 따라 이동하므로, 회사의 존립을 위협하는 오류가 되지 않으려면 어떤 부분을 직접 통제하고 어떤 부분은 임대하거나 표준화할지 신중하게 판단해야 합니다.
결론적으로, 통합은 시장 진입을 위한 일시적인 다리이거나 구조적인 필요일 수 있지만, 장기적인 승리를 보장하지는 않습니다. 진정한 방어력은 독점적인 데이터 루프, 워크플로 통합, 유통, 네트워크 효과에서 나옵니다. AI 시대의 스타트업은 자동화와 번들링을 통해 통합의 매력을 높일 수 있지만, 장기적인 이익이 이동하는 원리까지 바꾸지는 않습니다. 따라서 '학습을 누적하려면 시스템이 어디를 통제해야 하는가'라는 질문에 답하고, 그에 맞는 최소 충분 스택을 구축하는 것이 성공의 열쇠가 될 것입니다.