🎬 Building & Testing | A Week Inside Our Startup

▶️ 유튜브

• 원본 링크: https://youtu.be/_SS-FXjw4b8?si=hUvKhgPeCzSGRVMN

🖼️ 4컷 인포그래픽

💡 한 줄 결론

이 노트는 에덴의 스타트업 운영 로그를 빌려, 파일 구조와 맥락 접근권을 가진 AI 워크스페이스가 왜 일반 사용자 생산성을 크게 바꿀 수 있는지 정리한 메모다.

📌 핵심 요점

1. 사용자 반발이 큰 제거 기능을 다시 우선순위 상단에 올리면서, 팀 내부 추정보다 실제 사용 반응을 더 강한 제품 신호로 채택하고 있다.
2. 저장비 절감과 사실상 무마진 크레딧 정책으로 대중시장 확장을 노리지만, 미사용 크레딧이 수익의 핵심인 구조라 헤비 유저 비중이 높아지면 수익성이 급격히 약해질 수 있다.
3. 모바일 업로드 장애의 본질은 전송 프로토콜이 아니라 업로드와 백그라운드 다운로드가 동시에 중첩되는 아키텍처 충돌이었고, 이를 분리하는 구조 변경이 안정화의 핵심 해법으로 제시됐다.
4. 에덴의 학습 활용 가치는 단순 요약이 아니라 강의 영상·슬라이드·기출문제를 실제 파일 구조 안에 보관한 뒤 AI가 위치, 시점, 교수 표기법까지 함께 참조하며 검색과 문제 생성을 수행하는 데 있다.
5. 일반 사용자 영역에서도 정보가 구조화된 파일 워크스페이스로 통합되면, 개발자가 코드 저장소에서 누리던 컨텍스트 기반 AI 성능 우위를 일상 지식 작업으로 확장할 수 있다는 주장이 영상의 중심 논지다.

🧠 상세 요약

1) 배경과 문제 정의

이 영상의 출발점은 두 가지다. 하나는 초기 스타트업이 제품 방향, 가격, 기능 우선순위를 어떻게 다시 정렬하느냐이고, 다른 하나는 AI의 성능 차이가 모델 자체보다 정보 구조화 방식에서 갈린다는 문제의식이다. 그래서 봐야 할 포인트도 명확하다: 에덴이 실제 사용자 반응과 기술 병목을 어떻게 해석하는지, 그리고 그 해석이 통합 파일 워크스페이스라는 제품 비전을 얼마나 설득력 있게 뒷받침하는지다.

2) 섹션별 상세 정리

1. 실수를 공개하는 빌드 방식의 의미 [00:00]

• 화자는 잘된 회사들도 보이지 않는 곳에서 계속 실수해 왔고, 남의 실패를 듣는 것만으로는 같은 오류를 피하기 어렵다고 말한다.
• 그래서 제품을 공개적으로 만드는 이유를 “잘한 것”의 전시가 아니라 “실수의 과정을 노출해 다른 사람도 배우게 하는 것”으로 정의한다.

2. 이번 주 우선순위는 버그, 에이전트, 복구 요청 기능 [01:06]

• 팀은 지난주 결정들을 실제 제품에 반영하는 단계로 들어갔고, 버그 수정과 에이전트 개선에 집중하고 있다고 설명한다.
• 특히 제거했던 기능 가운데 사용자들이 강하게 복구를 요구한 항목들을 되살리고 있는데, 이는 내부 판단보다 실제 사용 반응이 더 정확한 우선순위 신호라는 뜻으로 읽힌다.

3. 초기 스타트업에서 비전 정렬이 속도를 결정한다 [01:37]

• 초기 조직은 서로 다른 비전이 섞여 있으면 기능과 출시 방향이 쉽게 분산되고, 그 결과 실행 속도도 떨어진다고 진단한다.
• 최근 논의를 통해 팀이 하나의 방향으로 정렬되기 시작했으며, 그 정렬 자체가 과거 시행착오의 산물이라는 점을 강조한다.

4. 공격적 가격 정책은 보급 확대와 수익성 리스크를 동시에 안는다 [02:10]

• 현재 시장의 가격 경쟁 구도를 비판하면서도, 에덴 역시 저장비를 낮추고 크레딧 상품을 거의 마진 없이 제공하는 방향을 택했다고 밝힌다.
• 이 구조는 많은 사용자가 크레딧을 끝까지 다 쓰지 않을 것이라는 가정 위에서만 성립하므로, 대중시장 확장 전략이자 동시에 매우 민감한 수익성 실험이다.

5. 모바일 업로드 병목은 대용량 파일 처리에서 드러났다 [02:42]

• 팀은 최근 이틀 동안 신규 기능보다 모바일 업로드 파이프라인 안정화에 집중했고, 특히 5GB 수준의 큰 영상 업로드에서 반복 충돌이 발생했다고 설명한다.
• 처음에는 복잡한 사용자 정의 전송 프로토콜을 쓰는 것도 아닌데 왜 메모리가 급증하는지 이해하기 어려웠고, 실제 사용 조건에서 문제를 추적하는 과정이 필요했다.

6. 진짜 원인은 업로드와 백그라운드 다운로드의 동시 증폭이었다 [04:04]

• 분석 결과 병목은 업로드 자체보다 전경·배경에서 여러 프로세스가 동시에 돌아가는 구조에 있었다.
• 영상 하나를 올릴 때 백그라운드 다운로드 관련 프로세스까지 켜지고, 여기에 다음 업로드가 이어지면 처리량과 메모리 사용량이 기하급수적으로 튀는 구조였다는 것이다.
• 이를 해결하기 위해 업로드 중에는 백그라운드 다운로드를 막고, 업로드 종료 후에 후속 데이터를 가져오는 방식으로 아키텍처를 바꾸고 있다.
• 현재는 이전보다 훨씬 안정적이며, 최대 20GB 규모까지 테스트 중이라고 공유한다.

7. 실제 시험공부 사례가 파일 워크스페이스의 효용을 보여준다 [05:35]

• 화자는 친구와 밤새 중간고사 공부를 하면서 전 과정을 에덴 안에서 수행했고, 지금 기준으로는 다른 플랫폼보다 훨씬 잘 맞았다고 평가한다.
• 여기서 핵심은 단순 AI 응답이 아니라, 강의 영상 10개와 슬라이드 10개처럼 큰 학습 자료 묶음을 실제 파일 시스템 안에서 구조적으로 관리할 수 있었다는 점이다.

8. 검색, 시점 추적, 문제 생성이 한 구조 안에서 이어진다 [06:24]

• 에이전트는 자료의 위치와 맥락을 알고 있기 때문에 교수의 특정 발언이 어느 영상의 어느 시점에 나오는지까지 찾을 수 있다.
• 그 결과 특정 개념이나 방정식을 찾기 위해 수십 시간 분량의 영상을 다시 훑지 않아도 되고, 탐색 시간이 크게 줄어든다.
• 더 나아가 과거 시험문제를 넣고 유사 난이도의 변형 문제를 생성하거나, 예외 케이스까지 포함한 연습 문제를 만들 수 있었다고 설명한다.
• 교수의 표기법에 맞춘 풀이 절차까지 정리해 준 사례는, 단순 요약을 넘어 실제 학습 보조 시스템으로 작동한다는 근거로 제시된다.

9. 개인화 학습은 통합 공간이 있을 때 더 강해진다 [07:52]

• 사람마다 이해 방식이 다른데도 기존 교육은 지나치게 표준화되어 있어, 개인별 설명 경로를 제공하기 어렵다고 본다.
• 실제로 함께 공부한 두 사람도 문제를 이해하는 방식이 달랐고, 한 사람에게 맞는 설명 구조가 다른 사람에게는 잘 맞지 않았다.
• 이때 AI의 장점은 모든 자료와 상호작용이 하나의 공간 안에 있으면서, 다음 질문까지 연결되는 개인화된 설명 흐름을 만들 수 있다는 점으로 제시된다.

10. 구조화된 정보가 LLM 성능을 끌어올리는 진짜 이유 [09:00]

• 화자는 LLM이 코드베이스 분석에서 강한 이유를 모델의 특별함보다도 구조화된 저장 방식에서 찾는다.
• 정보가 폴더와 파일 구조 안에 있으면 시스템은 전체를 한꺼번에 넣지 않아도 어디서 무엇을 찾아야 할지 추론할 수 있다.
• 반대로 일반 사용자의 자료가 노트, 드라이브, 메모 앱 등 여러 서비스에 흩어져 있으면 AI는 맥락을 통합적으로 이해하기 어렵다.
• 따라서 개발자만 누리던 “구조화된 컨텍스트 기반 AI 생산성”을 일반 사용자에게 확장하려면, AI 기능 추가보다 먼저 통합 파일 워크스페이스를 만드는 것이 핵심이라는 결론으로 연결된다.

✅ 액션 아이템

• 모바일 앱에 업로드 중 백그라운드 다운로드 차단 플래그를 넣고, 5GB 단일 업로드·10개 연속 업로드·50개 이상 배치 업로드별 메모리 피크와 충돌률을 별도 계측한다.
• 최근 제거 후 복구 요청이 들어온 기능을 사용자 코호트별로 묶어, 요청 빈도·재방문율 영향·핵심 워크플로 기여도를 기준으로 복구 순서를 다시 산정한다.
• 크레딧 상품의 지속 가능성을 검증하기 위해 사용자별 소진율, 미사용 잔액 비중, 상위 10% 헤비 유저의 원가 점유율을 분리 계산해 현재 가격 가설의 손익분기 조건을 정리한다.
• 강의 영상 10개와 슬라이드 10개로 구성된 동일 학습 세트를 만들어, Notebook형 인터페이스와 파일 워크스페이스형 인터페이스의 검색 시간·답 도달 시간·재질문 횟수를 비교 실험한다.
• 기출문제 기반 변형 문제 생성 품질을 평가하기 위해 예외 케이스 포함률, 교수 표기법 준수율, 풀이 단계 재현성, 난이도 일관성을 체크리스트로 만든다.

❓ 열린 질문

• 무마진에 가까운 크레딧 정책이 대중시장 확장에는 도움이 되더라도, 헤비 유저 비중이 높아지는 순간 손익이 무너질 가능성을 어떤 실제 사용 데이터로 방어할 수 있는가?
• “파일 구조가 AI를 강하게 만든다”는 주장이 맞다면, 일반 사용자가 그 구조를 직접 설계하고 유지해야 하는 초기 비용은 어떤 온보딩 메커니즘으로 상쇄할 수 있는가?
• 시험공부처럼 자료 경계가 선명한 환경에서는 강점이 분명한데, 일상 업무처럼 문서·메모·채팅이 뒤섞인 환경에서도 같은 성능 우위가 재현된다는 증거는 무엇인가?
• 모바일에서 56개 배치 업로드가 여전히 깨지는 상태라면, 에덴이 “모든 파일과 미디어를 다루는 워크스페이스”라는 약속을 충족했다고 판단할 기준은 처리량, 충돌률, 기기 스펙 중 무엇이어야 하는가?