Entrepreneur Media LLC와 Yahoo Finance LLC는 아래 링크를 통해 일부 제품 및 서비스에 대한 수수료 또는 수익을 얻을 수 있습니다.

핵심 요약 (Key Takeaways)

• AI 에이전트(AI agents)가 고객이 되고 있지만, 기업들이 이들이 창출하는 매출이 얼마인지 공개하는 경우는 드뭅니다.

• 에이전트 주도 매출(Agent-driven revenue)은 파운데이션 모델(foundational models)이 재학습되거나 기본 설정이 변경될 때 하룻밤 사이에 급변할 수 있습니다.

• 투자자들은 에이전트 경제(agent economy)에서의 집중 위험(concentration risk)을 측정하기 위한 새로운 공시 표준이 필요합니다.

공개 시장 투자자들은 에이전트 경제의 변동성 함정(volatility trap) 속에서 눈을 가린 채 나아가고 있습니다. SaaS 기업이 40%의 매출 성장을 보고할 때, 그 성장이 지속 가능한 고객 관계에서 온 것인지, 아니면 다음 모델 업데이트와 함께 사라질 수 있는 AI 에이전트로부터 온 것인지 알 방법이 없습니다.

회계 방식은 실제로 누가 구매하고 있는지에 대한 현실을 따라잡지 못하고 있습니다.

최근 기사에서 저는 고객 획득 비용(customer acquisition cost)이나 고객 생애 가치(lifetime value)와 같은 전통적인 지표들이 충성도나 기억이 없는 AI 에이전트가 고객일 때 무너진다고 주장했습니다. 저는 더 나은 프레임워크로서 "에이전트 침투율(agent penetration rate)"을 제안했습니다. 하지만 무언가를 측정하는 방법을 아는 것과 기업이 실제로 그 결과를 공시하도록 요구하는 것은 별개의 문제입니다.

그러한 투명성이 없다면, AI 주도 매출은 인간 고객에게는 존재하지 않는 집중 위험(concentration risk)을 생성합니다. 이러한 노출을 세분화하는 기업은 투자자에게 필수적인 정보를 제공합니다. 그렇지 않은 기업들은 새로운 공시 표준에 참여할 때까지 압박을 받아야 합니다.

사실, 우리는 결국 GAAP(일반적으로 인정된 회계 원칙)의 수정이 필요할 수도 있습니다.

변동성 함정 (The volatility trap)

전통적으로 기업은 가장 큰 고객을 잃고 매출 타격을 입을 수 있었지만, 이는 예상 가능하고 측정 가능한 현상이었습니다. 유지율(retention) 및 이탈률(churn)과 같은 지표는 우리가 무엇을 기대해야 하는지 총체적으로 알려줍니다. AI 주도 매출은 다르게 집중됩니다.

코딩 에이전트(coding agents)가 인증 제공업체(authentication providers)나 결제 처리업체(payment processors)를 선택할 때, 이들은 소수의 파운데이션 모델(foundational models)이 학습 과정에서 습득한 패턴을 따릅니다. 예를 들어, OpenAI가 GPT를 재학습시키고 경쟁사의 API 쪽으로 방향을 전환한다면, 해당 업데이트 이후 생성되는 모든 애플리케이션은 새로운 선택지를 기본값(default)으로 사용하게 됩니다. 이로 인해 매출은 최신 학습 데이터(training data)에 가장 빈번하게 등장하는 쪽으로 대폭 이동할 수 있습니다.

다시 말해, 승자가 모든 것을 독식하는 구조가 됩니다.

이는 개발자 도구(developer tools)의 문제를 넘어섭니다. 대기업에서 사용하는 조달 AI(procurement AI)가 업데이트된 공급업체 데이터로 재학습될 때, 단 하룻밤 사이에 특정 공급업체를 선택하던 패턴에서 다른 공급업체를 선택하는 패턴으로 급격히 변할 수 있습니다. 여기에는 충성도 완충 장치(loyalty buffer)도, 전환 비용(switching cost)도, 보존해야 할 관계도 존재하지 않습니다. 선택은 경기 침체(recession)나 회복(recovery)과 같은 경제 지표가 아니라, 학습 데이터의 패턴을 따릅니다.