스프레드시트 에이전트 Shortcut을 만들며 Claude for Excel과 직접 경쟁해 온 창업자(@BrainsAndTennis)의 글. “거대 랩이 결국 네 제품을 잡아먹는다”는 둠주의를 반박하며, 스타트업이 가진 구조적 이점 네 가지를 자기 회사 사례로 제시한다. 수치는 전부 자체 벤치마크로, 외부 검증된 값은 아니다.
핵심 주장
랩의 본업은 최고 모델 훈련과 재귀적 자기개선, 그리고 그걸 지탱할 엔터프라이즈 매출이다. 하네스(프롬프트·툴·컨텍스트)는 랩에게 부차적 과제지만, 스타트업에게는 그게 사업의 전부다. 이 비대칭이 스타트업이 이길 수 있는 근거다.
1. 하네스에 사활을 건다
같은 베이스 모델(Opus 4.8)로 맞붙었을 때, Shortcut은 Claude for Excel 대비:
| 지표 | Shortcut | Claude for Excel |
|---|---|---|
| 비용 | 40% 저렴 | 기준 |
| 정확도 | 17%p 높음 | 기준 |
| 툴 호출 수(task당) | 37회 | 61회 |
| 턴 수(task당) | 36 | 34 (유사) |
| 입력 토큰(task당) | 370만 | 710만 |
턴 수는 비슷하지만 턴마다 다루는 컨텍스트가 훨씬 가볍다. 매 턴 무거운 컨텍스트를 다시 읽어 들이는 비용이 상대를 갉아먹는다는 것.
2. 좁은 도메인이 곧 하네스 우위
Claude Code·Codex는 30개 이상의 툴을 갖췄다 — 고객층이 넓어서 지원해야만 한다. 그 대가로 컨텍스트가 지침·툴·스킬로 가득 찬다. 반면 도메인이 좁은 제품은 2-3개 핵심 유스케이스에만 하네스를 집중할 수 있다. 실제로 스트립다운된 하네스를 쓰는 Pi가 Databricks의 멀티밀리언라인 코드베이스 벤치마크에서 Claude Code·Codex를 앞섰다 — Anthropic·OpenAI가 못 만들어서가 아니라, 그들의 목표가 다차원적이라서다(“서브에이전트 10개 띄워 20분 걸리는 $30짜리 PR 리뷰”를 고객은 원하지 않는다).
3. 모델을 갈아탄다 (“sling models”)
랩 생태계에 묶여 있지 않다는 것 자체가 가장 큰 구조적 이점이라고 강조한다. Shortcut의 최근 사례:
- 기본 모델 교체: 1년 넘게 Opus 계열을 기본으로 썼지만, GPT 5.6 Sol이 정확도는 동일하면서 2배 저렴·2배 빠르다는 벤치마크 결과가 나오자 출시 24시간 만에 기본 모델을 Sol로 교체.
- 이미지/PDF 인식: Gemini Flash가 비용 고려 없이도 정확도에서 명확히 앞서, 금융 데이터 추출용 이미지·PDF·스캔 테이블 처리를 Gemini로 전환. (Claude for Excel은 계속 Claude 모델로 처리 — 더 나쁘고 더 비싸도.)
- 저가 티어: GLM 5.2는 2배 느리고 2배 저렴, 정확도는 SOTA 대비 2-4%p 낮음(79% vs Opus 4.8/Sol의 81-83%) — 최고 난도가 아니어도 되는 비용 민감 고객에게 동일 하네스·툴·스킬로 서빙.
- 자체 모델: Qwen3.5-27B를 기반으로 금융·스프레드시트 특화 모델 Pivot을 학습해 프로덕션에 투입. 아직 ~Sonnet 4.5급이지만 작고 빠르고 훨씬 저렴하며, 워커 서브에이전트로 오프로드해 비용-정확도 트레이드오프를 개선. 장기적으로는 ZDR 등 엔터프라이즈 요구사항에 대응할 모델 훈련·서빙 역량 확보로 이어진다.
4. 고객에 더 밀착한다
창업자가 직접 뉴욕에 가서 GTM·FDE가 아니라 창업자들을 만나 실제로 중요한 워크플로우를 배운다. 팀이 그 워크플로우가 될 때까지 옆에서 돕고, 이를 벤치마크·eval로 전환해 집요하게 개선한 뒤, 그 인사이트를 제품에 되먹여 한 고객에게서 얻은 정확도 향상을 전체 고객에게 전달한다. 랩은 이 루프를 특정 버티컬 하나에 대해 계속 돌리기 어렵다 — 그게 랩의 본업이 아니기 때문이다.
왜 중요한가
배포력(distribution)은 여전히 시장에서 가장 큰 힘이지만, “그럭저럭 괜찮으면 됐다”는 거대한 중간층만 잡을 뿐이다. 모든 도메인에는 최고를 요구하고, 그걸 위해서라면 작은 회사 제품이라도 찾아가는 진짜 유저층이 있다. 모델 선택의 자유, 집중된 하네스, 그리고 고객에 대한 더 큰 관심으로 그 층을 이길 수 있다는 것이 글의 결론이다.
관련 노트
- moc-ai-agents-harness — 하네스 설계 MOC
- anthropic · glm-5.2