중견 기업이 사용자 수(per seat)가 아닌 해결된 티켓당(per resolved ticket) 비용을 지불해야 하는 이유

대부분의 리더들은 여전히 AI를 "자체 구축(build) vs 구매(buy)"의 구도로 바라봅니다. 이러한 프레임은 2026년의 핵심을 놓치고 있습니다. 놀라운 현실은 다음과 같습니다. 많은 중견 기업에게 올바른 선택은 자체적으로 구축하거나 기존 SaaS 기업의 기능 추가형(feature add-ons)을 구매하는 것이 아니라, 결과 기반 가격 책정(outcome-priced) 방식의 버티컬 에이전트(vertical agents)를 구매하는 것입니다(티켓당, 사건당, 또는 상담당 비용 지불).

이는 소프트웨어 구독(software subscription)을 노동 기반 가격 계약(labor-priced contract)으로 교체해야 한다는 점에서 직관에 어긋나 보일 수 있습니다. 하지만 벤더가 워크플로우(workflow)를 소유하고 결과에 따라 비용을 청구할 때, 가치 실현 시간(time-to-value)이 단축되고, 통합 비용(integration costs)이 감소하며, ROI(투자 대비 수익)가 가시화된다는 증거가 나타나고 있습니다.

흔한 가정과 그것이 실패하는 이유

리더들은 기존 기업들(Salesforce, ServiceNow, HubSpot)이 안전한 선택이라고 가정합니다. 이들은 이미 귀사의 워크플로우를 운영하고 있으며, 기존 라이선스에 AI 기능을 덧붙일 수 있기 때문입니다. 이는 엔지니어를 고용하거나 니치(niche) 벤더를 신뢰하는 것보다 리스크가 낮아 보입니다.

하지만 세 가지 힘이 경제 구조를 뒤집어 놓았습니다. 첫째, 추론 비용(inference costs)이 급격히 하락했습니다(a16z에 따르면 2021년 출력 토큰 100만 개당 약 $60에서 2024년 말 기준 약 $0.05~$0.10로 하락). 이로 인해 모델 자체는 지속 가능한 해자(moat)로서의 기능을 상실했습니다. 둘째, AI 네이티브 제품은 실질적으로 더 낮은 매출 총이익률(gross margins)을 기록하며(ICONIQ/Bessemer에 따르면 기존 SaaS의 ~80-90% 대비 52-65%), 기존 기업들은 사용자 수 기반의 가격 인상과 제한을 통해 이러한 비용을 전가하고 있습니다. 이는 사실상 은밀한 마진 세금(stealth margin tax)과 같습니다. 셋째, 버티컬 에이전트(vertical agents)는 대체되는 노동 비용을 흡수하고 결과에 따라 가격을 책정할 수 있으며, 이는 인센티브를 일치시키고 유사한 많은 구매자에게 통합 비용을 분산(amortize)시킬 수 있습니다.

구체적인 계약 사례

결과 기반 가격 책정 에이전트 계약 (전형적인 시장 형태):

• 가격: 해결된 티켓당 $X (또는 사건당 $Y / 상담당 $Z)
• KPI(핵심 성과 지표): 합의된 카테고리에 대한 해결 정확도 ≥ 95%, 인간에게로의 에스컬레이션(escalation) 비율 <N%, 기존 CRM/ERP와의 통합 기간 <T일
• 램프업(Ramp): 파일럿 단계가 운영 단계로 전환될 때, 초기 6개월 동안 분할 상환되는 고정 온보딩 수수료 적용

이 방식이 사용자 수(seat) 기반 모델보다 우월한 이유: 각 해결된 티켓당 인건비가 12달러인 지원 부서를 상상해 보십시오. 해결된 티켓당 6~8달러를 청구하는 버티컬 에이전트(Vertical agent)는 인건비 항목을 예측 가능한 단위 비용(unit cost)으로 전환하며, 벤더(vendor)가 품질과 처리량(throughput)에 대한 책임을 집니다. 반면, 기존의 애드온(add-on) 방식은 종종 구독 비용을 증가시키며, 통합 작업과 품질 관리의 부담을 고객에게 떠넘깁니다.

짧은 사례 요약 (숫자가 중요합니다)

• Sierra (지원): 결과 기반 가격 책정(outcome-priced)을 적용하여 약 7분기 만에 ARR(연간 반복 매출) 약 1억 달러를 달성했습니다. 빠른 램프업(Ramp)은 고객들이 예측 가능한 ROI(투자 대비 수익)를 빠르게 얻고 있음을 시사합니다.

• Harvey (법률): 로펌을 대상으로 결과 기반 가격 책정을 적용하며, 2026년 2분기까지 ARR 약 3억 달러를 목표로 하고 있습니다. 결과에 따라 구매하는 방식은 대체된 청구 가능 시간(billable hours)과 직접적으로 매칭됩니다.

• Klarna (주의 사례): 초기에는 OpenAI 어시스턴트가 700명의 상담원을 대체하여 연간 약 4,000만 달러를 절감했다고 주장했으나, CSAT(고객 만족도)가 하락한 후 인간 직원을 다시 채용했습니다. 이후 Klarna는 AI가 약 800명의 FTE(전업 환산 인원)에 해당하는 업무를 처리하지만, 인간이 개입하는 방식(human in the loop)이라고 명확히 했습니다. 이는 워크플로(workflow) 수준의 책임 없이는 순수 대체 서사(replacement narratives)가 실패한다는 것을 보여줍니다.

이 사례들은 두 가지를 보여줍니다. 첫째, 버티컬 에이전트는 단위 경제성(unit economics)이 구매자의 노동 경제성과 일치할 때 확장(scale)됩니다. 둘째, 품질이나 워크플로를 엔드 투 엔드(end-to-end)로 책임지지 않으면 단순한 도구 설치는 실패합니다.

결과 기반 가격 책정을 반복 가능하게 만드는 메커니즘

다음 세 가지 역량이 표준화될 때 결과 기반 가격 책정은 반복 가능하게 작동합니다:

1. 버티컬 통합 어댑터(Vertical integration adapters): 성공적인 에이전트들은 CRM, 티켓팅 시스템, 문서 저장소를 위한 커넥터(connector) 세트와 매핑 로직(mapping logic)을 제공하여, 통합 기간이 몇 달이 아닌 몇 주 단위로 단축되도록 합니다.

2. 버티컬 온톨로지(Vertical ontologies) 및 템플릿: 에이전트들은 산업별 분류 체계(지원 의도, 법률 사건 유형, 임상 진료 코드 등)를 재사용하므로, 학습 및 라우팅(routing)의 상당 부분이 고객 간에 공유됩니다.

3. 집계된 신호(Aggregated signal): Sierra나 Harvey와 같은 기업들은 익명화된 상호작용 데이터를 모아 공유된 개선 사항으로 추출합니다. 이는 고객별 미세 조정(fine-tuning) 비용을 줄이고, 고립된 사내 모델(in-house models)보다 더 빠르게 품질을 향상시킵니다.

이 세 가지 동력 덕분에 벤더(vendor)는 온보딩 비용을 낮게 유지하고, SLA(Service Level Agreement) 방식의 보증을 충족할 수 있으며, 결과적으로 중견 기업(mid-market) 구매자들에게 매력적인 결과 기반 가격 책정(per-outcome pricing)을 제공할 수 있습니다.

이것이 적절한 선택이 아닌 경우

예외는 중요합니다. 만약 수십 년간 축적된 독점적인 트랜잭션 로그(transaction logs)를 보유하고 있거나, 사업장 외부로 반출할 수 없는 규제 대상 데이터(제약 R&D, 특정 사기 탐지 시스템, 임상 진단 등)를 다루고 있다면, 프라이빗 모델(private models)을 활용한 내부 구축이 여전히 승리할 수 있습니다. 어떤 벤더도 귀사의 데이터셋을 복제할 수 없기 때문입니다. 또한, 규제가 매우 엄격한 기업은 감사 가능성(auditability)과 데이터 거주성(residency) 제약으로 인해 내부 모델이 필요할 수 있습니다.

구매 결정을 테스트하기 위한 빠른 비용 계산법

빠른 결정을 위해 세 가지 수치를 사용하십시오:

• 결과 단위당 현재 인건비 (예: 티켓당 인건비).
• 벤더의 결과 기반 가격.
• 12개월로 분할 상환(amortized)한 일회성 통합 비용.

만약 [벤더 가격 + 분할 상환된 통합 비용] < [현재 인건비 + 기존 라이선스(seat)의 한계 증가분] 이라면, 결과 기반 가격 책정이 유리합니다. 손익분기점 규모 계산에 유의하십시오: 내부 구축 프로젝트는 종종 150만 달러 이상의 선행 비용이 필요하며, 일일 1억~2억 토큰(100–200M tokens/day) 이상을 처리해야만 손익분기점에 도달합니다 (DreamFactory 참조). 대부분의 중견 기업은 결코 그 정도의 볼륨에 도달하지 못합니다.

솔직한 주의사항

생성형 AI (GenAI) 파일럿의 95%가 측정 가능한 손익(P&L) 영향이 전혀 없었다는 MIT NANDA의 조사 결과는 무작위 대조 시험(randomized trial)이 아닌 공개 배포, 인터뷰 및 설문 조사를 기반으로 합니다. 따라서 이를 인과 관계의 법칙이 아닌 강력한 시사적 증거로 취급하십시오. 일부 수직적 에이전트(vertical agents)는 매우 큰 규모에서는 아직 검증되지 않았으며, API 및 추론(inference) 경제성이 진화함에 따라 마진이 압축될 것입니다. 마지막으로, 신중한 계약과 적절한 규모의 SLA가 필수적입니다. 결과 기반 가격 책정은 리스크를 벤더에게 전가하지만, 구매자는 데이터 처리, 컴플라이언스(compliance), 그리고 에스컬레이션(escalation) 조건을 반드시 확인해야 합니다.

다음 단계로 할 일

매출 5,000만 달러에서 10억 달러 규모 기업의 CFO(최고재무책임자) 및 COO(최고운영책임자)를 위한 권장 사항: 2주간의 재무 테스트를 실시하십시오. 결과물당 노동 비용을 계산하고, 버티컬 에이전트(vertical agent)로부터 결과 기반 가격 책정(outcome-priced) 파일럿 견적을 받은 뒤, 이를 기존의 애드온(add-on) 비용(예상되는 사용자 수(seat) 증가 및 통합 작업 비용 포함)과 비교하십시오. 만약 벤더가 KPI(핵심성과지표)를 충족하고 계산 결과가 유리하다면, 결과 기반 가격 책정(outcome pricing)이 일반적으로 더 빠른 투자 회수(payback)를 제공할 것입니다.

맺음말

2026년의 놀라운 진실은 이렇습니다. 진짜 결정 사항은 '직접 구축할 것인가(build) 아니면 구매할 것인가(buy)'가 아니라, '누구로부터 결과물을 구매할 것인가'입니다. 많은 중견 기업(mid-market firms)에게 있어, 버티컬 에이전트로부터 해결된 티켓당 비용을 지불하는 것이 내부적으로 구축하거나 기존 업체로부터 AI 애드온(add-ons)을 구매하는 것보다 더 저렴하고, 빠르며, 리스크가 적을 것입니다.

출처

• MIT NANDA Project — The GenAI Divide: State of AI in Business 2025 Report: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• a16z — Welcome to LLMflation — LLM 추론(inference) 비용은 빠르게 하락하고 있습니다: https://a16z.com/llmflation-llm-inference-cost/
• DreamFactory Blog — 자체 LLM 데이터 레이어(data layer) 구축의 숨겨진 비용: https://blog.dreamfactory.com/hidden-cost-building-own-llm-data-layer