요즘IT » 비즈니스 » 피드

엔비디아가 25년째 놓지 않는 이 기업의 생존법

엔비디아가 25년째 손잡은 기업, 다쏘시스템의 생존 전략

함께 연단에 오른 젠슨 황 엔비디아 CEO(왼쪽)와 파스칼 달로즈 다쏘시스템 CEO <출처: 엔비디아 블로그>

올해 2월 미국 휴스턴에서 열린 다쏘시스템의 ‘3D익스피리언스 월드 2026’ 현장. 가죽 재킷을 입은 젠슨 황 엔비디아 CEO가 파스칼 달로즈 다쏘시스템 CEO와 함께 연단에 오른 이 날, 양사의 파트너십 확대가 정식 발표됐다. 25년간 협업해 온 두 회사는 이번 파트너십이 역대 최대 규모가 될 것이라 강조했다. 핵심은 다쏘시스템의 버추얼 트윈(Virtual Twin) 기술에 엔비디아의 AI와 컴퓨팅 역량을 결합하는 것이다. 이를 통해 AI 팩토리에 적용할 산업용 ‘월드 모델(현실의 물리 법칙을 이해하고 미래를 예측하는 AI 모델)’을 구축하겠다는 구상이다.

다쏘시스템은 제조업을 겨냥해 3차원(3D) 소프트웨어를 공급하는 글로벌 기업이다. 제품이 생산되기 전 단계에서 가상 환경을 통해 설계, 검증, 최적화를 수행하는 솔루션을 다룬다. 유럽에 본사를 둔 제조업 특화 기업이라는 점 때문에 국내 주목도는 상대적으로 낮은 편이다.

그러나 흥미롭게도 이 기업의 행보는 체질 개선에 어려움을 겪는 국내 SI 산업에 의미 있는 시사점을 던진다. 엔터프라이즈 대상의 반복 매출이라는 안정적인 캐시카우를 지키면서도, 중견·중소기업과 스타트업으로 고객층을 넓혔기 때문이다. 동시에 SaaS와 플랫폼으로의 전환을 이뤄냈고, AI 비즈니스 모델까지 성공적으로 일구고 있다.

엔터프라이즈 시장에서 다져온 탄탄한 매출 기반

다쏘시스템의 카티아는 항공우주, 방산, 자동차 등의 산업에 최적화되어 있다. <출처: 다쏘시스템>

다쏘시스템은 1981년 프랑스의 전투기 제조사인 다쏘항공에서 분사하며 설립됐다. 그 기반에는 세계 최초의 3D CAD 설계 소프트웨어인 카티아(CATIA)가 있다.

다쏘항공이 전투기 설계를 위해 개발한 카티아는 다쏘시스템의 분사와 함께 영역을 확장해, 현재도 플래그십 제품으로서 항공우주와 방산 외에도 자동차, 조선 등의 산업을 아우른다. 대규모 설계 데이터와 이력 등이 락인(종속)되기 때문에 솔루션 교체 비용이 매우 크다. 이에 따라 유지보수 형태의 반복 매출이 장기적으로 발생한다. 국내에서는 현대자동차가 30년 이상 카티아를 사용하고 있다.

중견·중소기업까지 품은 고객 확장 전략

SMB 시장에 실용적인 설계를 제공하는 솔리드웍스 <출처: 솔리드웍스>

카티아가 글로벌 대기업을 겨냥한 하이엔드 제품이라면, SMB(중견·중소기업) 시장에서는 솔리드웍스(SOLIDWORKS)가 중견·중소기업과 스타트업을 파고들며 고객군을 넓혔다. 1997년 다쏘시스템에 인수된 솔리드웍스는 기계, 장비, 부품처럼 상대적으로 작은 제품을 설계하는 데 적합한 대중적 솔루션이다. 고객당 매출은 카티아보다 낮지만, 단순하고 실용적인 설계에 어울리고 가격 부담도 적다. 이에 더 많은 고객을 확보해 롱테일(Long Tail) 구조를 구축하는 데 기여했다.

동시에 솔리드웍스는 낮은 진입 장벽으로 사용자를 다쏘시스템 생태계로 이끄는 관문 역할을 한다. 직관적인 UI와 합리적인 가격, 학생용 요금제는 3D 설계 초보자에게 더없이 매력적이다. 솔리드웍스를 쓰는 기업이 많다는 것은 곧 취업 준비에도 유리하다는 의미다. 3D 설계 시장에 처음 발을 들이는 사람들이 솔리드웍스로 입문하고, 자연스럽게 다쏘시스템의 솔루션으로 커리어를 시작하게 되는 것이다. 기업 또한 양질의 인재를 확보하고자 솔리드웍스를 선호하는 선순환이 만들어진다.

온프레미스를 넘어 클라우드와 플랫폼으로

공통의 데이터로 여러 관계자의 협업을 지원하는 3D익스피리언스 플랫폼 <출처: 다쏘시스템>

나아가 다쏘시스템은 개별 제품 판매를 뛰어넘는 비즈니스 모델을 지향했다. 2011년 첫 클라우드 제품인 엔퓨즈(N!Fuze)를 선보였고, 2013년에는 3D익스피리언스 플랫폼을 통해 SaaS(Software as a Service) 서비스를 본격적으로 제공하며 클라우드 전환에 발 빠르게 대응했다. 초기 비용 부담이 없는 클라우드의 장점을 앞세워 새로운 고객을 끌어들였고, 설계와 시뮬레이션, 협업, 공급망 관리 등 주요 솔루션을 차례로 클라우드화해 플랫폼에서 통합 제공하기 시작했다.

이는 곧 데이터를 중심으로 전체 프로세스를 연결하는 환경이 마련됐다는 뜻이다. 단순한 제품 통합을 넘어, 데이터가 흐르는 방식 자체를 바꿨다고 볼 수 있다. 공통의 데이터를 기반으로 모든 워크플로우가 연결되고, 엔지니어와 프로그래머, 디자이너, 마케터 등 업무 관계자의 협업까지 플랫폼 안에서 이루어진다. 클라우드와 플랫폼으로 데이터의 흐름을 재편한 덕분에, 다쏘시스템은 다가오는 AI 시대에 걸맞은 무기를 손에 쥐게 됐다.

산업 데이터로 완성한 버추얼 트윈과 AI

다쏘시스템의 AI 에이전트 3종 <출처: 다쏘시스템>

모든 관계자가 같은 데이터로 작업하는 다쏘시스템의 플랫폼 환경은 산업 특화 데이터의 축적으로 이어졌다. 이는 AX(AI 전환) 시대에 대응하는 든든한 토대가 됐다. 버추얼 트윈은 데이터와 현실 세계의 물리 법칙을 바탕으로, 가상 공간에서 현실과 가장 가까운 결과를 이끌어 내도록 돕는다. 다양한 시나리오를 반복 검증하는 과정에서 데이터 기반의 판단과 예측을 자동화하고 고도화하는 AI로 자연스럽게 확장되는 것이다.

이러한 흐름은 다쏘시스템이 작년부터 차례로 공개한 3종의 AI 에이전트에서도 드러난다. 가장 먼저 발표된 아우라(Aura)는 프로젝트 전반의 맥락과 지식을 조율하며 아이디어를 탐색하고 제안한다. 레오나르도 다빈치에서 유래한 레오(Leo)는 엔지니어링 추론을, 마리 퀴리에서 따온 마리(Marie)는 화학, 미생물학, 소재 등을 기반으로 과학적인 조언을 맡는다.

특히 주목할 대목은 이 에이전트들이 마치 내 옆의 동료처럼 정보와 의견을 제시하며 버추얼 컴패니언(Virtual Companion)의 역할을 수행한다는 점이다. 사용자의 데이터, 문서, 워크플로우 등을 학습한 AI 에이전트들은 각자의 전문 영역과 회사의 방식에 맞는 대답을 내놓으며 업무를 지원하고 엔지니어링 과정 전반을 효율화한다.

데이터를 바탕으로 현실의 복잡한 산업 시스템을 디지털 공간에서 설계·시뮬레이션·운영한다는 방향성은 서두에서 언급한 엔비디아와의 협업에서도 명확하게 드러난다. 다쏘시스템의 버추얼 트윈 기술은 방대한 데이터를 바탕으로 현실의 물리 법칙, 제조 및 운영과 관련된 다양한 조건, 인과 관계를 가상 환경에서 정밀하게 구현한다. 한편 엔비디아의 AI 가속 컴퓨팅은 AI가 물리 시뮬레이션을 수없이 반복하며 검증하고 결과를 예측할 수 있도록 한다. 이들이 함께 구축하는 산업용 월드 모델은 미래 성장 동력인 피지컬 AI를 정면으로 겨냥하고 있다.

데이터와 역량이 축적되는 구조가 핵심이다

엔터프라이즈용 솔루션에서 시작해 물리 법칙을 이해하고 인과관계를 검증하는 버추얼 트윈과 AI에 이르기까지, 다쏘시스템은 촘촘하게 쌓아온 데이터와 기술을 바탕으로 엔비디아와의 협업을 비롯한 AI 시대의 청사진을 구현하고 있다. 물론 다쏘시스템의 미래를 마냥 장밋빛으로 그릴 수 있는 것은 아니다. 3D CAD 소프트웨어 시장이 꾸준히 커지는 만큼, 경쟁사의 견제 역시 한층 치열해지고 있다. 주요 경쟁사들은 학생과 교사, 교육기관 등에 동일한 기능을 무료로 풀고 있다. 예산이 빠듯한 학교와 학생에게 무료 요금제는 언제나 달콤한 제안이다. 경쟁사 소프트웨어에 익숙해진 학생들이 몇 년 뒤 산업 현장에 뛰어드는 흐름이 이어진다면, 업계의 기준이 지금과 같으리라는 보장은 없다.

그럼에도 불구하고 다쏘시스템이 걸어온 길은 의미가 있다. 그들은 엔터프라이즈 기반의 안정적 매출로 캐시카우를 확보하고, 중견·중소기업과 스타트업으로 고객층을 넓혔다. 또한 제품을 클라우드화해 플랫폼에서 통합 제공함으로써 데이터가 쌓일 수 있는 기반을 마련했다. 여기에 데이터라는 최고의 자산을 확보해 버추얼 트윈과 AI에 결합함으로써, 장기적이고 연속된 전략을 완성했다. 대기업의 온프레미스 매출에 안주했다면 결코 그릴 수 없었을 미래다.

물론 글로벌 IT 기업과 국내 SI 업계를 단편적으로 비교할 수는 없다. 글로벌 기업은 제품 중심의 구조로 표준 적합(fit-to-standard), 커스터마이징보다는 설정(Configuration over Customization)을 강조한다. 때문에 고객 역시 그들에게 과도한 커스터마이징을 요구하지 않는다. 반면 국내 SI 업계는 프로젝트 중심의 구조에 머물러 있으며, 상세한 요구사항 기반의 커스터마이징(fit-to-customizing)에 강점이 있다. 과도한 커스터마이징을 수용함으로써 글로벌 기업과의 수주 경쟁에서 유리한 위치를 점할 수 있으며, 프로젝트의 규모나 유지보수 비용 또한 커진다는 이점을 갖는다.

동시에 이는 SI 기업들이 근본적인 경쟁력을 높이지 못하는 이유이기도 하다. 프로젝트를 납품하는 구조에서는 데이터의 축적과 연결이 일어나기 어렵기 때문이다. 국내 SI 업계가 SaaS 형태의 제품을 만들어도 본질은 여전히 프로젝트에 가까우며, 플랫폼 역시 ‘맞춤형 구축’을 지향하거나 세일즈 파트너십의 연장선에 그치는 경우가 많다.

문제는 이런 구조가 업계 전반의 경쟁력을 갉아먹는다는 점이다. 형태만 달라진 SI 프로젝트가 반복된다면 개별 기업뿐만 아니라 산업 전체의 생존조차 장기적으로 담보하기 어려워진다. 프로젝트 중심의 구조를 하루아침에 바꿀 수는 없을 것이나, 내실 있는 성장을 위한 시도를 점진적으로 축적하고 확장하기 위한 비전과 움직임이 필요하다.

치열한 경쟁 속에서 매출을 확보하고 성장을 이어가면서 체질까지 개선하라는 과제는 가혹하다. 시도는 눈앞의 성과로 이어지지 않으며 속도 또한 느릴 것이다. 그럼에도 불구하고 관건은 데이터와 역량이 꾸준히 쌓여가는 구조를 만들어 낼 수 있느냐에 달렸다. 다쏘시스템이 고객층을 확장하고 데이터를 확보한 과정을 눈여겨보게 되는 지점이 바로 여기에 있다. 지금까지의 기술과 성과를 활용해 누구에게 어떻게 제공할 것인지, 프로젝트를 수행하고 보안 정책을 지키면서도 데이터와 역량을 우리 회사의 것으로 만들기 위한 방안은 무엇인지, 고민하고 실행에 옮길 때야 비로소 프로젝트를 넘어서는 경쟁력의 전환점에 도달할 수 있을 것이다.

]]>

AX 하기 전에 DX부터: 리더가 지금 점검해야 할 세 가지

에이전트, 자동화, AX 같은 키워드가 쏟아지지만, 막상 현장에서 "우리 조직은 AI를 제대로 쓰고 있는가"라는 질문에 자신 있게 답하는 리더는 많지 않습니다. 툴은 도입했는데 데이터는 꺼낼 수 없고, 보고서는 여전히 데이터 팀에 요청해야 하며, 조직이 커질수록 사일로는 깊어집니다. 최근 열린 한 발표에서, B2B SaaS 채널톡을 만드는 채널코퍼레이션의 사업개발 리드 문희철 님이 이 문제를 '극단적 경영 가시성'이라는 개념으로 풀어냈습니다.

특정 툴에 종속되지 않는 데이터 주권, 데이터가 흐르는 IT 인프라, 그리고 AI의 역할 범위를 설계하는 사람과 조직. 이 세 가지 관점을 중심으로, 빅쿼리 기반 데이터 웨어하우스 구축부터 MCP로 연결한 엔터프라이즈 영업 에이전트 설계까지 실제 실험 사례를 함께 공유했는데요. AX 이전에 무엇을 먼저 점검해야 하는지 고민하는분들께 참고가 되실 겁니다.

*이 발표는 2026년 4월 8일 채널톡이 후원한 <AX 리얼 비즈 케이스 스터디 라운드 테이블 1회>에서 진행됐습니다.

안녕하세요, 채널톡을 만드는 채널코퍼레이션의 사업개발 리드 문희철입니다. 오늘 말씀드리고 싶은 주제는 "극단적 경영 가시성"입니다. 하나하나 단어의 의미를 정의하면서 쌓아가는 방식으로 이야기하겠습니다.

문희철 채널코퍼레이션 사업개발 리드 <출처: 채널톡>

예를 하나 들겠습니다. 리테일 기업에 물류 창고가 있습니다. 창고에 과일이 있는데, 그 과일이 썩었습니다. 그런데 이미 박스 단위, 트럭 단위로 팔려 나갔습니다. 오너는 이 일을 모릅니다. 리테일과 F&B를 다루는 곳에서 이런 케이스는 실제로 빈번했고, 이것은 곧 큰 경영 리스크가 됩니다.

우리의 고객이 지금 어떤 상태인지, 우리 조직은 어떻게 움직이고 있는지, 매출과 비용은 어떻게 쓰이고 있는지. 세일즈든 파이낸스든 비용이든, 조직의 모든 디비전과 모든 하이어라키에서 목적에 부합하게 즉시, 충분히 알 수 있는 상태. 저는 이것을 극단적 경영 가시성이라고 정의하겠습니다.

그런데 왜 이게 어려웠을까요. 경영에 필요한 매출, 비용, 고객 행동, 그리고 이를 가공해 만든 보고서. 이런 데이터의 축적 자체가 어려웠습니다. 파편화돼 있었고요. IT 인프라와 소프트웨어, ERP를 포함해서 데이터를 입력하는 것도 어려웠고, 출력은 더 어려웠습니다. 출력할 때마다 우리는 데이터 팀에 물어봅니다. "이번 달 매출 데이터 좀 뽑을 수 없을까요?" "인천 지역에 이상징후가 있을까요?" 현지 창고 관계자한테 물어보거나, 데이터 담당자들한테 일일이 확인해야 합니다. 이 과정에서 하루가 일주일이 되고, 한 달이 금방 갑니다.

그리고 이걸 활용하는 사람들은 툴 기반 사고에 갇혀 있습니다. "세일즈포스가 최고야", "SAP이 너무 좋아." 물론 좋겠죠. 하지만 모든 문제를 해결할 수는 없습니다. 조직이 커질수록 사일로는 심화되고, 탑과 바텀의 지식·정보 차이도 커집니다.

이 문제를 풀기 위해서는 세 가지 축에 대한 관점이 필요합니다.

AI를 바라보는 관점
데이터가 흐를 수 있는 IT 인프라
그리고 이것을 실행하는 사람과 조직

이 세 가지를 하나씩 말씀드리겠습니다.

AI 도입 전, 데이터 주권과 일의 정의가 먼저다

툴이 아니라 데이터가 먼저다

첫 번째 관점, AI에 대한 이야기를 하겠습니다. 먼저 특정 솔루션에 갇히지 말아야 합니다. 채널톡에 갇히지 마시고, 세일즈포스에 갇히지도 마세요. 특정 소프트웨어를 도입하면 그 안에 데이터가 축적되고, 결국 해당 소프트웨어에 대한 데이터 디펜던시(의존성)가 형성됩니다. 저희 같은 B2B SaaS 회사 입장에서는 그것이 오히려 유리한 구조이기도 합니다. 하지만 기업 경영의 관점에서 진정으로 중요한 것은 자사가 직접 통제할 수 있는 데이터를 확보하고 있느냐입니다.

데이터를 통제한다는 것은 이 세 가지 조건을 충족하는 것입니다. 첫째, 비즈니스에 관련된 모든 데이터를 자사가 보유하고 있을 것. 둘째, 그 데이터를 통해 어떤 의사결정을 내려야 하는지 알고 있을 것. 셋째, 데이터 간의 연결이 가능할 것. 이 세 가지가 AI 활용의 출발점입니다.

AI를 못 쓰는 진짜 이유: 일의 과정이 정의되지 않았다

그런데 데이터를 보유하고 연결할 수 있다 해도, 그것으로 무슨 일을 해야 하는지 정의되지 않으면 의미가 없습니다. 여기서 저한테 큰 영감을 주신 분의 인사이트를 하나 공유하겠습니다. 그 분은 이렇게 말씀하셨어요. "딸깍에 이르는 과정은 딸깍이 아니다." 그리고 "모든 일의 과정에는 인풋(투입), 트랜스폼(변환), 아웃풋(산출물)이 있다." 단순하지만 핵심을 찌르는 정의였습니다.

모든 일은 투입과 변환과 산출의 과정입니다. 리소스와 시간과 사람과 데이터를 투입하고, 모종의 과정을 거쳐 변환하고, 산출물이 나옵니다. 데스크 리서치를 수행하든, 사람을 직접 만나 휴민트를 확보하든, 구조는 동일합니다.

문제는 이 구조가 대부분의 조직에서 정의되어 있지 않다는 점입니다. AI에게 일을 위임하기 전에, 자기 조직이 무슨 일을 하고 있는지, 어떤 목적을 추구하는지 파악하지 못하고 있습니다. 자기가 어떻게 효과적으로 일하고 있는지 모르면, 그 일을 다른 주체에게 시킬 수가 없습니다. 일이란 어떤 목적을 이루기 위해 전방 업무, 중간 업무, 후처리 업무가 연결된 것인데, 그 연결 구조 자체를 파악하지 못하고 있는 겁니다. AI를 잘 활용하지 못하는 근본적인 이유가 여기에 있습니다.

모든 일은 투입, 변환, 산출의 반복이며 AI 도입이 잘 되려면 일의 과정을 정의하고 그렇게 정의한 일의 과정이 연결되어야 한다는 주장. <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

그래서 우리는 잘 작동하고 있는 일들을 리버스 엔지니어링해야 합니다. 카페24 사례를 들겠습니다. 카페24 pro라는 ‘자사몰 생성 - 판매 - 운영 모두 자동화’하는 인상적인 기획이 있습니다. 쉽게 말하면 "제품만 있으면 알아서 팔아줄게"라는 것인데요. 주목할 점은 자사몰 하나를 구축하기 위해 900개가 넘는 세부 태스크가 존재한다는 것을 정의해냈다는 겁니다. 기획자들은 그 태스크들을 하나하나 정의하고, 사람이 반드시 수행하지 않아도 되는 항목을 분리한 뒤, 최대한 AI를 통해 자동화했습니다. 하지만 딸깍은 없었습니다. 900개의 태스크를 정의하는 과정 자체가 딸깍이 아니었던 겁니다.

AI가 유효한 데이터에 접근하여 생성, 조회, 수정, 삭제를 수행할 수 있다면, 사람이 담당했던 단순 반복 업무는 대부분 대체될 것입니다. 물론 이상적인 상태입니다. 하지만 그 이상에 도달하려면 변환과 가공의 과정에 매몰되지 말고, 지금 우리가 무엇을 원하는지 목적을 명확히 해야 합니다. 목적을 해석하고 변환하는 것은 AI의 영역입니다. 우리는 어떤 데이터로 어떤 목적을 추구할 것인지만 정의하면 됩니다.

데이터 파이프라인이 먼저다

두 번째 관점, IT 인프라에 대한 이야기입니다. 앞서 데이터 주권의 중요성을 말씀드렸는데, 현실에서는 그 주권이 확보되지 않은 상태에서 솔루션부터 도입하는 경우가 많습니다.

IT를 담당하시는 분들이라면 익숙한 장면일 겁니다. 어떤 팀에서 이런 이야기를 합니다. "이 솔루션 도입하면 잘 될 것 같은데요. 성공 사례가 이렇다는데요." 물론 좋을 수 있습니다. 하지만 앞에서 말씀드린 문제가 여기서 구체적으로 발생합니다. 솔루션 안에 데이터가 쌓이기 시작하면, 그 데이터를 꺼내 쓰는 것 자체가 어려워집니다.

실제 사례를 들겠습니다. 어떤 CX 솔루션을 사용하고 있는데, 데이터를 요청하니 API가 없습니다. 요청을 넣으면 2~3주 후에 전달되거나, 데이터 로우가 깨진 상태로 넘어옵니다. 또 다른 경우, 고객의 구독 정보와 렌탈 정보가 특정 ERP에 있는데 자사에서 직접 접근하거나 유지보수할 수가 없습니다. 해당 ERP 업체에 요청하면 CSV나 엑셀 파일로 월 1회 전달해줍니다. 담당자가 부재하면 그마저도 지연됩니다. 이런 상태에서는 AI가 접근할 수 있는 데이터 자체가 존재하지 않는 셈입니다.

그렇기 때문에 툴 중심으로 흩어져 있는 데이터 사일로를 해체해야 합니다. 핵심은 데이터가 흐르는 구조를 만드는 것입니다.

AX를 위해서는 데이터가 흐르는 구조가 필요하고, 이를 뒷받침할 IT 인프라가 있어야 한다는 주장. <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

이를 위해서는 하나의 원천, 소스 오브 트루스(Source of Truth)가 필요합니다. 데이터레이크라고도 합니다. 채널톡에 쌓인 데이터, 세일즈포스의 데이터, SAP의 데이터, 오라클의 데이터를 한곳으로 가져와 가공할 수 있어야 합니다. 중심은 소프트웨어가 아니라 데이터 그 자체입니다.

저희 채널코퍼레이션에서는 이 원칙에 따라 데이터 웨어하우스를 구축하기 시작했습니다. 회사 내 경영 관련 데이터를 하나로 통합하자는 것이 출발점이었습니다. 시장에는 데이터브릭스, 스노플레이크, 구글 빅쿼리 등 여러 선택지가 있었는데, 저희는 비용이 가장 낮고 수작업이 많이 수반되는 빅쿼리를 선택했습니다. 그리고 LLM이 데이터를 효과적으로 읽을 수 있도록, 각 데이터 필드의 의미와 맥락을 주석으로 기록했습니다. 이 작업을 반복한 결과, 단순 쿼리 요청을 데이터 팀에 의뢰하지 않아도 되는 환경이 만들어졌습니다. LLM이 데이터 웨어하우스를 직접 읽을 수 있게 된 겁니다.

데이터 소스는 세일즈, 매출, 비용, 고객 등 다양하며, 웨어하우스에 적재된 데이터를 AI 어시스턴트가 호출하는 방식입니다. 비용 분석, 매출 분석, 고객 분석은 물론이고, 내부 이슈에 대한 정성적 분석까지 수행합니다.

예를 들어 "특정 고객사의 MRR(월간 반복 매출) 추이를 알려달라"고 요청하면, AI 어시스턴트가 데이터를 기반으로 차트를 생성해 제시합니다. "이 고객사에 헨리라는 분이 기여한 매출이 얼마나 되는지 알려달라"고 이어서 질문하면, 로우 데이터까지 참조해 구체적인 숫자를 찾아줍니다. "채널톡 상위 100개 고객사를 차트로 만들어달라"는 요청에도, "원형으로 만들어달라", "3D로 바꿔줄 수 있느냐"는 후속 요청까지 자연어 대화만으로 모두 처리됩니다.

채널코퍼레이션의 AI 어시스턴트 활용 예시 <출처: 채널코퍼레이션 문희철 사업개발 리드 발표자료>

생성된 결과물은 팀 메신저로 자동 전달되고, 구성원들은 링크를 따라 들어가 확인한 뒤 논의를 이어갑니다. 자연어로 질문하면 되기 때문에 별도의 학습 비용이 거의 들지 않습니다. 저도 이 데모를 세미나 직전 오후 4시쯤에 가볍게 요청해본 것이었는데, 그 수준의 결과물이 즉시 나올 만큼 일상적인 도구가 되어 있습니다.

한 가지 강조하겠습니다. 저희가 어떤 애플리케이션을 사용했는지는 중요하지 않습니다. 데이터 원장에 접근할 수 있다면, MCP와 같은 연결 표준이 이미 존재하기 때문에 어떤 앱이든 연결하여 활용할 수 있습니다. 앱은 상황에 맞는 것을 선택하면 됩니다. 진짜 중요한 것은 앱이 아니라 데이터 파이프라인입니다. 목적이 정의되고 데이터에 접근할 수 있으면, 산출물 도출은 빠릅니다.

AI 에이전트의 역할 범위 설계: 감지, 실행, 연결

세 번째는 사람에 대한 관점입니다. 앞에서 일의 정의 이야기를 했는데, 결국 같은 맥락입니다. AI를 활용하는 우리 조직이, 오너가, 나 자신이 어떤 데이터를 활용해서 어떤 결과물을 만들어내는지 알아야 합니다. 그 위에서 AI의 역할을 어디까지 부여할 것인지를 설계해야 합니다.

AI를 활용하는 조직에서 어떤 데이터를 활용해 어떤 결과물을 만들어내는지를 알아야 AI 에이전트의 역할 범위를 설계할 수 있는데, 그 데이터의 활용 범위나 목표는 조직 내 역할별로 다르다는 주장. <출처: 채널톡 문희철 사업개발 리드 발표자료>

가장 수동적인 단계는 감지입니다. 이상 데이터를 감지하는 것, 예를 들어 특정 패턴에서 이상징후가 발견됐다는 것을 알려주는 수준입니다. 여기까지만 돼도 의미가 있습니다.

두 번째는 위임된 범위 안에서의 실행입니다. 이메일을 보내는 등 사람 대신 특정 액션을 수행하는 것. 사람이 판단한 범위 안에서 AI가 직접 움직이는 겁니다.

세 번째는 적절한 의사결정권자에게 연결하는 것입니다. 지금 문제 상황이 이렇고, 이슈는 이런데, 제안은 이렇습니다. A, B, C 선택지 중 어떻게 하시겠습니까. AI가 여기까지 해줄 수 있다면, 조직의 의사결정 속도는 근본적으로 달라집니다.

AI의 3단계 역할은 감지, 실행, 연결로, AI 에이전트에게 위임해야 할 업무의 기준이다. <출처: 채널톡 문희철 사업개발 리드 발표자료>

실제로 저희 CX팀은 이 원칙에 따라 움직이고 있습니다. 채널톡의 오픈 API를 통해 고객 응대 데이터가 축적돼 있고, 거기서 데이터를 가져와 후처리하거나, 반복되는 형태의 업무는 자체적으로 버티컬 앱을 만들어 처리합니다. 단순 반복 업무는 거의 사라졌습니다. 보안도 고려했습니다. 해당 앱에는 사내 VPN에서만 접근이 가능하도록 설계해두었습니다. 별도의 대규모 개발 프로젝트가 아니라, 목적 조직이 자기 업무의 범위와 권한을 정의하고, 그 안에서 AI의 역할을 직접 설계한 결과입니다.

이 세 단계를 조직 안에서 설계하는 게 핵심입니다. 데이터를 얼마나 열어줄 것인지, CRUD(Create 생성, Read 조회, Update 수정, Delete 삭제)의 어디까지 허용할 것인지를 용도와 권한에 따라 나눠야 합니다.

앞서 말씀드린 세 가지 전제를 다시 정리하겠습니다. AI에 대한 관점, 데이터가 흐르는 IT 인프라에 대한 관점, 그리고 이것을 활용하는 사람에 대한 관점. 이 세 가지가 갖춰졌을 때 비로소 구체적인 것을 만들 수 있습니다.

채널 코퍼레이션의 엔터프라이즈 영업 AI 구축 사례

저희 채널코퍼레이션에서 실제로 했던 이야기를 하겠습니다. 채널톡이 아니라, 채널톡을 제공하는 채널코퍼레이션의 이야기입니다.

저희 사업개발 팀은 목적 조직입니다. 전사적으로 세일즈 관점에서 엔터프라이즈 시장을 제대로 파고들자는 목적이 있었습니다. 그런데 우리 원장 데이터에 유의미한 것이 없었습니다. '딸깍'하고 싶어도 AI가 참조할 데이터 자체가 없었던 것이죠.

데이터가 없다면, AI에게 학습시킬 판단 로직부터 확보해야 했습니다. 그래서 먼저 사람에게 물어보기로 했습니다. 대기업과 외국계에서 영업 기획을 담당하시는 분들 중에서도 정말 탑이라 불리는 분들을 찾아가, "몇천억, 몇백억 규모의 매출을 어떻게 만드십니까"를 직접 여쭤봤습니다.

<출처: 채널톡 문희철 사업개발 리드 발표자료>

답변은 이랬습니다. 과거에 수주했거나 실주했던 히스토리, 갱신 여부 등을 종합해서 가중치를 매긴 뒤 일정 기준 이상의 건을 선별한다. 영업사원 한 명의 연봉 대비 몇 배수 이상의 ROI가 나와야 하는데, 모든 건을 다룰 수는 없기 때문에 우선순위를 정한다. 본질은 그게 전부라는 것이었습니다.

여기서 중요한 깨달음이 있었습니다. 이 접근을 AI 에이전트가 수행할 수 있도록 설계하면 되겠다는 것이었습니다.

그 다음으로 한 일은 유토피아를 정의하는 것이었습니다. 실현 가능성과 무관하게, 구현된다면 이상적일 방향을 먼저 그려보는 작업입니다. 크게 보면 필요한 데이터 소스는 세 가지였습니다. 첫째, 데스크 리서치로 확보할 수 있는 공개 정보. 둘째, 휴민트. 사람을 통해서만 얻을 수 있는 정보로, 비용이 가장 큰 영역입니다. 셋째, 우리 내부 데이터 웨어하우스에 축적된 데이터. 이 세 가지를 모아 정제하고 에이전트에 연결할 수 있다면, 앞서 영업 기획 임원이 말씀해주신 기준에 따라 우선순위와 전략을 도출할 수 있겠다는 큰 로직을 설계했습니다. 여기까지의 과정에 기술적인 이야기는 하나도 포함되지 않았습니다.

영업 AI 구축을 위한 도식 <출처: 채널톡 문희철 사업개발 리드 발표자료>

이후에는 본격적인 노가다 단계로 들어갑니다. 결국 가장 효과적인 방법은 ‘트라이얼 앤 에러(trial and error)’입니다. 산업공학이나 경영을 공부하신 분들은 아시겠지만, 최적해를 찾는 방법 중 가장 상위에 있는 것이 시행착오법입니다. 쉽게 말해 직접 부딪히며 패턴을 찾는 접근입니다.

저희는 고객사 중 가장 성공적이었던 탑 케이스를 전부 분해해봤습니다. 피터 드러커의 "뜻밖의 성공에 집중하라"는 원칙에 따라, 그 성공을 복제하고 재연하기 위해 원장 데이터를 분석하기 시작했습니다. 이 과정에서 데이터가 어떤 방식으로 축적되어야 하는지, 성공의 이면에 어떤 요인이 작동했는지를 체득하게 됐습니다.

그런데 데이터베이스에서 찾을 수 없는 정보도 있었습니다. 형지패션그룹을 예로 들어보겠습니다. 큰 지주사 형태의 그룹으로, 산하에 여러 계열사와 브랜드가 있고, 일부는 채널톡을 사용하고 일부는 사용하지 않습니다. 우리가 여기서 그룹 산하의 작은 브랜드 하나만 바라보면, 그룹 전체에 대한 매핑 지도를 그릴 수 없습니다. 영업 CRM에 길들여진 사고방식은 "저기 웹사이트가 있네, 저 브랜드를 공략해야겠다"는 방향으로 접근합니다. "형지패션그룹이라는 법인 단위로 전체 영업 계획을 설계하자"는 관점으로는 잘 넘어가지 못합니다. 이것이 툴을 잘못 도입했을 때의 위험입니다. 툴을 익힌다는 건 그 툴이 강요하는 사고방식을 내면화하는 일이기 때문입니다.

그래서 법인 단위 전체로 영업을 전개에 유용한 설계와 실험을 시작했습니다. 우리 팀원들의 리멤버 데이터를 CSV로 다운로드하고, 전사적으로 쓰는 세일즈포스 원장 데이터에 영향을 주지 않도록 (또 다른 영업 CRM 툴인) 에어테이블을 팀용으로 별도 구독한 뒤 그곳에 전부 넣어봤습니다. 솔직히 저는 에어테이블을 다룰 줄 모릅니다. 그런데 팀원이 초안을 만들고, 클로드에 MCP 접근 권한을 부여하니 테이블 구조를 알아서 설계해주더라고요.

클로드로 테이블 구조를 설계하고 대화 내용을 정리한 과정 <출처: 채널톡 문희철 사업개발 리드 발표자료>

한 가지 실험을 더 진행했습니다. 영업 CRM에 일일이 수기로 입력하는 방식이 비효율적이었기 때문에, 고객을 만나고 돌아온 뒤 그날의 대화 내용을 자연어로 클로드에 전달해봤습니다. 그러자 해당 내용에 맞는 필드를 스스로 구성해 입력해두는 모습을 확인했습니다. 혹시 음성으로도 가능할까 싶어 직접 말로 전달해보았고, 동일하게 작동했습니다. 데이터의 축적과 출력이 자동화되는 시대가 이미 현실이 되고 있다는 것을 체감한 순간이었습니다.

그렇다면 각 팀, 각 기능 조직이 자기 목적에 맞는 도구를 직접 만들어 쓸 수 있겠다는 생각이 들었습니다. 실제로 저희 사업개발 팀원이 앱을 하나 만들었는데, 솔직히 말씀드리면 그 앱 자체는 반드시 필요하지 않습니다. 클로드에 직접 물어봐도 동일한 결과를 얻을 수 있기 때문입니다. 앱이라는 도구적 프레임에 갇힐 필요가 없다는 점을, 이 실험을 통해 다시 한번 확인하게 됐습니다.

AX를 위한 DX, 리더가 지금 해야 할 일

지금까지 AI로 극단적 경영 가시성을 만들기 위한 세 가지 관점을 말씀드렸습니다. AI에 대한 관점, IT 인프라에 대한 관점, 그리고 이것을 활용하는 사람에 대한 관점. 이 관점들이 통합됐을 때, 리더는 AI를 통한 변화 관리와 혁신을 만들어낼 수 있습니다.

그런데 채널 팀이 앞선 AX 실험을 빠르게 실행할 수 있었던 배경이 있습니다. 저희의 환경은 중견이나 대기업 환경과는 다릅니다. 저희는 원래부터 SI를 하지 않았고, 온프레미스를 쓰지 않았습니다. 처음부터 AWS 퍼블릭 클라우드 기반으로 채널톡을 만들었고, 오픈 API를 운영해왔습니다. 그 환경이 있었기 때문에 빠르게 움직일 수 있었던 겁니다.

달리 말하면, 지금 해야 하는 건 AX일 수도 있지만, AX를 위한 DX가 먼저입니다. 예를 들어 저는 먼저 기존 온프레미스에 구축했던 데이터는 지금 어디에 있고, 어떻게 활용되고 있는지 묻고 싶습니다. 보통 이렇게 답하십니다. "데이터 많이 갖고 있어요." 다시 여쭤보겠습니다. “그 데이터를 극단적 경영 가시성을 위해, AI를 통해 지금 활용이 가능하십니까.” 대부분 안 될 겁니다.

30년치 데이터가 있다면, 좋은 겁니다. 하지만 그 데이터가 그 자체로 가치를 갖지는 않습니다. 사금을 캐고, 흔들고, 녹여야 금이 됩니다.

투입과 변환과 산출이라는 일의 전체 과정에서 봤을 때, 기획과 산출물 가공에 들어가는 시간은 체감상 30% 수준으로 줄었습니다. 그리고 그 시간에 저는 고객을 더 만나게 됐습니다. AI가 하지 못하는 일, 사람을 만나는 일에 집중할 수 있게 된 겁니다.

결국 돌아오는 건 같은 이야기입니다. AI에 대한 관점, IT 인프라에 대한 관점, 그리고 목적 조직의 사람에 대한 관점. 이 세 가지가 정립돼야 합니다. 감사합니다.

]]>

AI 에이전트 많이 만든다고 AX가 아니다

에이전트에 대한 관심이 갈수록 높아지고 있지만, 막상 현장에서 AX를 추진하는 분들의 이야기를 들어보면 트렌드와 현실 사이에 적잖은 간극이 있습니다. 에이전트를 만들었다고는 하지만 "살림살이가 나아졌나?"라는 질문에 명확한 답을 내놓는 곳은 많지 않고, 성공 사례도 1인 사업가나 소규모 스타트업에 집중되어 있죠. 엔터프라이즈에서는 더욱 쉽지 않은 과제인데요. 직접 조직에 AI를 도입하고, AX 사업을 통해 다른 기업의 AI 전환을 도우며 체감한 엔터프라이즈 AX의 구조적 딜레마를 짚은 발표가 있어 소개합니다. 현장에서도 많은 공감을 얻은 발표인 만큼, 조직의 AX를 고민하는 분들께 참고가 되실 겁니다.

*이 발표는 2026년 4월 8일 채널톡이 후원한 <AX 리얼 비즈 케이스 스터디 라운드 테이블 1회>에서 진행됐습니다.

컨설팅 15년, 현업 7년, AX 사업 3년차 전문가가 본 엔터프라이즈 AX의 현실과 딜레마
by 주형민 원티드랩 AX 사업 총괄

안녕하세요, 원티드랩에서 AX 사업을 총괄하고 있는 주형민입니다. 액센추어, EY 등에서 약 15년간 엔터프라이즈 컨설팅을 했고, 산업 현장에서 7년간 혁신을 리딩했습니다. 원티드랩은 ‘원티드’라고 하는 약 385만 유저를 보유한 채용 플랫폼을 운영하고 있는데, 저는 HR이 아니라 AX 사업을 새로 만들기 위해 합류했습니다. 원티드 AX 사업은 현재 3년째 진행되며, AI 에이전트 운영 플랫폼 엔노이아(Ennoia), 교육, 에이전트 개발 생태계의 세 축으로 기업의 AI 전환을 지원하고 있고, 4곳에서 AX 자문위원을 맡고 있습니다.

주형민 원티드랩 AX 총괄 <출처: 채널톡>

엔터프라이즈 현장에 오래 있었기 때문에, 오늘은 그 관점에서 AX를 어떻게 받아들여야 하는지에 대해 이야기해 보려 합니다.

다만 본격적으로 들어가기 전에, 하나 질문을 던지고 싶습니다. 성공적인 AX란 어떤 모습일까요? 우리 기업이 AX를 통해 변화한 모습을 구체적으로 그려보신 적 있으신가요?

성공적인 AX의 모습을 상상할 수 있는가

아마 그런 경험이 있는 분은 많지 않을 겁니다. 현재 AX에 대한 논의는 대부분 추상적인 수준에 머물러 있습니다.

기술 트렌드라는 것이 원래 그렇습니다. 빅테크 중심으로 형성되거든요. 클라우드도 그랬고, 빅데이터도 그랬고, RPA도 그랬습니다. "이렇게 변해야 합니다"라는 메시지와 함께 트렌드가 만들어지고, 기업들이 따라가는 구조죠. 지금의 AI 역시 마찬가지입니다.

그런데 생성형 AI가 제공하는 가치의 본질을 잘 봐야 합니다. 기존의 분석형 AI는 과거 데이터를 기반으로 미래를 예측하고, 이상 패턴을 탐지하고, 클러스터링을 통해 새로운 정보 집단을 찾아내는 것이었습니다. 반면 생성형 AI의 본질은 '증강'입니다. 변환하고, 증강하고, 더 빠르게 만들어내는 것. 기존의 분석형 AI가 풀던 예측 문제에 획기적인 기여를 하고 있느냐 하면, 저는 그렇지 않다고 봅니다.

결국 지금 AI 시대가 기업에 주는 것은 "결과물을 빠르게 만들어서 서비스를 출시할 수 있는 능력"입니다. 그런데 대부분의 기업이 그 능력을 갖추게 된다면, AX를 성공적으로 했다는 것은 무엇을 의미할까요. 뒤처지지 않는 정도의 수준에 도달했다는 뜻에 가깝습니다. 차별화라기보다는 기본값이 되는 셈이죠.

여기서 아직 아무도 하지 못하는 이야기가 있습니다. "AX 잘했더니 돈을 엄청 벌었다." 이 말을 할 수 있는 기업이 지금 시장에 잘 보이지는 않는 것 같습니다.

현재 수익을 올리고 있는 쪽은 누구입니까. Claude를 만드는 Anthropic이나 OpenAI 같은 플랫폼 사업자들입니다. 적자라고는 하지만, 결국 카지노의 주인장과 같은 위치에 있어요. 지금은 치킨게임이지만, 나중에 독점이 형성되면 토큰 비용 구조가 바뀌면서 그들이 최종 승자가 될 수도 있습니다.

AX는 해야 합니다. 성공적으로 잘 해야 한다는 데 동의합니다. 다만 AX를 잘했을 때 우리 기업의 모습은, 물론 비즈니스 경쟁력이긴 하지만 그 차별화의 강도가 비교적 약합니다. 이 화두를 먼저 던져놓고, 하나씩 들어가 보겠습니다.

AI 도입 속도는 빨라졌지만, 검증은?

가트너의 Top 10 Strategic Technology Trend를 보면 흐름이 읽힙니다. 2025년에는 Agentic AI가 등장했고, 거버넌스 플랫폼에 대한 논의가 시작됐습니다. 그리고 주목할 것은 '디지털 프로비넌스(Digital Provenance)', 즉 데이터 신뢰성에 대한 본격화되기 시작했다는 점입니다.

가트너 Top 10 Strategic Technology Trend 재가공 <출처: 주형민 원티드랩 AX 총괄 발표자료>

그런데 지금 현장의 분위기는 그 방향이 아닙니다. 신규 기술에 대한 소개의 기세가 너무 강해서, 완전히 공격적으로 앞으로 달려나가는 것에 몰두해 있는 분위기입니다.

하이프사이클을 떠올려 보면 감이 올 겁니다. 관심도가 급격히 올라갔다가 환멸의 골짜기로 내려가는 구간은 반드시 찾아옵니다. 그때가 되면 생성형 AI가 만들어 낸 결과물의 신뢰성 확인에 대한 요구가 급증할 거예요. 에이전트가 잘못 판단한 것 하나가 큰 사고로 이어지고, 그 사고가 언론에 보도되는 순간 지금의 기세는 상당히 꺾일 수 있습니다.

가트너 하이프사이클 <출처: Jeremykemp, 위키백과>

문제는 그때 돌아보면, 우리가 쓰고 있는 AI가 내놓은 결과물을 실제로 꼼꼼하게 검증하려 해도, 이미 양이 너무 많아서 체크가 어려운 상황이 벌어진다는 점입니다. 지금도 이미 그렇고, 폭주가 시작되면 더 어려워집니다.

엔터프라이즈 입장에서 가장 큰 고민은 따로 있습니다. 기업 내부에서는 보안이 중요하고, 내부 코드가 밖으로 유출되면 안 됩니다. 그런데 외부에 있는 신기술을 내부에서 어떻게 활용할 수 있느냐, 이것이 가장 큰 과제입니다. 폐쇄된 환경에서 최신 기술을 얼마나 효과적으로 쓸 수 있는가. 그 기술 도입을 교육부터 트레이닝, 문화 형성, 그리고 에이전트가 기존 워크플로우를 대체하는 단계까지 끊김 없이 이어갈 수 있는가. 이것이 대부분의 AX 담당자가 직면하는 고민입니다.

그런데 경영진의 관점은 다릅니다. "그래서 살림살이 나아졌냐?" "그거 해서 돈 벌었나?" 하는 것이 중요하죠. 대부분의 기업이 가장 먼저 하는 것이 챗봇 도입이고, 그것을 근거로 비용을 줄였다고 이야기합니다. 그런데 실제로 인건비가 줄었느냐 하면, 그것도 아닌 것 같습니다. 사람은 그대로 있거든요.

결국 엔터프라이즈가 챙겨야 할 것은 세 가지입니다. 보안, 지속적인 혁신, 그리고 기업 최적화. 이 세 가지를 현재의 기술 환경에서 어떻게 이식해 갈 것인지가 핵심인데, 지금은 혁신 쪽으로만 기세가 쏠려 있고 나머지 두 가지는 뒤로 밀리고 있는 상황입니다.

바이브 코딩, 엔터프라이즈에서 조심해야 하는 이유

바이브 코딩 이야기를 좀 해보겠습니다. 솔직히 저는 '딸깍'이라는 표현을 별로 좋아하지 않습니다.

바이브 코딩과 관련해 납득하기 어려운 주장이 몇 가지 있습니다. 그중 하나가 "나중에는 코드를 안 봐도 된다"는 것입니다. 대기업에서는 감사나 코드 검수가 들어올 수 있습니다. 사고가 발생했을 때 코드의 근거를 추적할 수 없다면, 그 영향 범위는 상당히 커질 수밖에 없어요.

바이브코딩으로 개발한 소프트웨어를 엔터프라이즈 내부에 이식하기는 현실적으로 어렵다는 설명 <출처: 주형민 원티드랩 AX 총괄 발표자료>

핵심적인 문제는 이것입니다. 외부에서 바이브 코딩으로 만들어진 코드를 기업 내부 IT 유지보수 담당자가 인수할 수 있느냐는 거예요. 문제가 생겨서 보완을 요청했을 때 제대로 대응이 가능할 것인지, 제도적 관점에서 아직 정비가 안 된 부분이 많습니다.

과거에는 정확도(Accuracy) 100%를 기반으로 서비스를 제공했습니다. 소비자들은 그 신뢰성 위에서 서비스를 이용하고 있었어요. 그런데 지금은 "AI는 대부분 잘 해낼 것이고, 약간의 실수는 있을 수 있지만 소비자들도 결국 따라올 것이다"라는 논리가 나옵니다. 저는 이 논리에 동의하기 어렵습니다. 100%의 신뢰성을 기반으로 서비스를 제공해 오다가, AI 때문에 다소 부족하더라도 받아들이라는 것이 현재 시장에 맞는 접근인지 의문입니다.

한편으로 AI 네이티브 컴퍼니의 실체에 대한 질문도 있습니다. 약 1년 전에 알게 된 한 회사 대표님의 고민은 "우리 회사 직원이 아무도 없다고 가정하고, 에이전트로 전부 로직을 설계 한 후에, 그것을 통제할 수 있는 최소 인력이 몇 명인지 컨설팅해 달라." 몇백 명 규모의 회사에서, 최소 인원으로 이것이 동작할 수 있는지를 검토하는 것입니다. 실제 현장에서 지금 이런 일이 벌어지고 있어요.

그런데 대기업에서는 상황이 다릅니다. AI로 효율화가 된다고 해서 "중요한 일에만 집중하겠다"고 하지만, 중요한 일이란 대부분 인지적 부하가 높은 업무입니다. 단순 업무가 빠진 자리에 고강도 의사결정만 남으면, 오히려 번아웃이 찾아옵니다. 이론적으로는 이해가 되지만, 실제 현장에서 그대로 작동하지 않는 부분이 분명히 있어요.

이에 대해 1인 기업의 성공 사례를 보여주시는 분들도 많습니다. 하지만 실제로 그 방식으로 사업을 지속하고 있는 경우는 많지 않아요. 사례로서는 인상적이지만, 그것을 엔터프라이즈에 그대로 적용하기에는 구조적으로 다른 문제가 있습니다.

결국 저는 기존의 책임 체계가 유지될 수밖에 없다고 봅니다. 에이전트가 잘못 판단하면 누군가 책임져야 하니까요. 그 구조는 바뀌지 않습니다.

AI 교육만으로는 부족하다: 실행 환경이 필요한 이유

그렇다면 이런 현실 속에서 기업은 AX를 어떻게 풀어가야 할까요. 저희도 같은 고민을 하면서 직접 부딪혀 봤습니다. 그 과정에서 가장 먼저 마주한 문제가 교육이었습니다.

대부분의 기업이 비슷한 고민을 하고 있을 것 같은데요, 교육 자체에 너무 많이 투자하는 경향이 있습니다. 교육에 투자하고, 환경을 잘 만들어 주는 것까지는 신경을 쓰지만, 정작 배운 것을 현장에 적용하지 못합니다. 부문 교육하고, 임원 교육하고, 결과적으로 개인 생산성만 좋아지는 거예요. 퇴근만 빨라지는 셈이죠.

토큰 이코노미라고 하면 토큰을 많이 쓸수록 수익으로 연결돼야 하는데, 이 연결고리가 끊어져 있습니다. 교육을 받고 나서 혼자 적용해 보다가 중간에 막히면 해결하지 못하는 경우가 너무 많았고, 뭔가 만들긴 했지만 실무와 동떨어진 결과물만 쌓이는 상황도 빈번했습니다.

그래서 저희가 초반에 잡은 방향은 이것입니다. ‘가르치는 것보다 직접 찾고 실행할 수 있는 환경을 만드는 데 집중하자’. 강의 자체보다 자기 업무에서 문제를 정의하고 해결해 나가는 것이 중요하다고 봤습니다. 수료했다고 AX 전문가가 되는 것은 아니잖아요. 수료하고 돌아왔는데 현장에 변화가 없으면 의미가 없습니다.

이런 생각으로 저희는 세 단계의 체계를 만들었습니다.

1단계: AI를 많이 쓸 수 있는 환경 조성

우선 AI를 적극적으로 쓸 수 있도록 환경을 열어줬습니다. 저희도 교육비가 1인당 연간 약 100만 원 정도 되는데, 기존에는 외부 교육에 다녀와서 전달 교육하는 방식이었거든요. 그런데 그 방식은 활용으로 잘 이어지지 않더라고요. 그래서 어떤 도구든 자유롭게 쓰라고 개방했더니 다들 쓰기 시작했습니다. 도구에 대한 접근성이 좋아진 겁니다.

내부에 'AI줍줍'이라는 사례 공유 채널도 운영하고 있는데, 3월 한 달에만 약 75건의 게시물이 올라왔습니다. 하루 평균 3~4건입니다. 새로운 사례, 직접 해본 경험을 계속 공유하는 것이죠. 직원이 약 160명 정도 되는데 상당히 활발하게 돌아가고 있고, 우수 사례에 대한 시상도 진행합니다. 대표부터 채용사업팀, 후보자 경험팀, PR팀까지 다양한 부서에서 자기가 만든 것을 올리는 문화가 자리 잡혔어요.

2단계: AI 챔피언 양성

챔피언 제도를 만들어서 20명씩 두 달 동안 집중 트레이닝을 진행합니다. 한 곳에 모여 팀을 구성하고, 내부의 실제 업무 문제를 함께 해결하는 방식입니다. 특정 업무 시간을 확보해 결과물을 만들고, 공유하고, 바로 업무 시스템에 반영합니다. 격주 오프라인 모임에서는 참여자들이 직접 발표도 합니다. 재무 부서에서 카드 전표 처리를 자동화한 사례 같은 것들을 공유하는 거죠.

원티드랩 AX 챔피언 프로그램 1기 성과. <출처: 주형민 원티드랩 AX 총괄 발표자료>

핵심 운영 원칙은 이렇습니다. 본인이 직접 문제를 해결하고, 서포터즈가 옆에서 바로 지원하고, 직무나 연차에 관계없이 누구나 참여할 수 있도록 열어두는 것. 3기까지 운영하면 전체 직원의 약 3분의 1이 이수하게 됩니다. 6개월 만에요. 1기 때 추천 의향이 5점 만점에 4.8이 나올 정도로 만족도가 높았고, 비개발자분들이 빠른 속도로 자동화를 만들어내면서 개발자가 긴장하는 현상도 나타났습니다. 개인이 만든 도구가 팀 전체의 워크플로우를 바꾼 경우도 있었어요.

재미있었던 것은 경영진의 반응이었습니다. 저희 대표가 새벽 2~3시까지 클로드 코드로 이것저것 만들다가 클로드 사용량 제한에 걸려 "2시간만 참자, 굿나잇 클로드"라고 슬랙에 올린 적도 있을 정도로 적극적으로 활용했습니다. 바이브코딩으로 만든 결과물을 적극적으로 공유하고, 만들면서 느낀 점도 기록했죠. 경영진이 그 정도로 직접 쓰고 있으면, 주변 임원급의 수준도 자연스럽게 올라갑니다. 자연스럽게 임원들을 비롯한 리더들도 AI 활용을 더욱 적극적으로 하게 되면서 조직이 움직이는 모습을 보게 됐습니다.

3단계: 실행 생태계 조성

깃허브에 '백야드(Backyard)'라는 내부 배포 공간을 별도로 마련했습니다. 외부에 배포하기 어려운 도구들을 올릴 수 있는 곳이에요. 스킬 허브도 구축해서 필요한 기능을 선택해 바로 사용할 수 있게 하고, 보안 점검용 코드 스캐닝 스킬도 포함시켰습니다. 자체 디자인 시스템도 MCP(Model Context Protocol, AI 모델이 외부 도구나 데이터와 연결되는 표준 프로토콜)로 연결해서, 클로드 코드에 "우리 디자인 시스템에 맞춰 줘"라고 하면 바로 적용되는 환경을 갖추고 있습니다.

원티드랩 백야드와 MCP <출처: 주형민 원티드랩 AX 총괄 발표자료>

현장에서 나온 사례도 인상적이었습니다. 총무 담당자가 2만 원짜리 바코드 리더기를 구입해서, 프롬프트 편집과 API 연결만으로 도서 반납 자동화 시스템을 구축한 거예요. 바코드를 스캔하면 구글 시트에 자동 등록되고, 슬랙으로 알림이 오는 구조입니다. HR에서는 '피플이'이라는 에이전트를 만들어 업무 환경에 자연스럽게 통합해 놓았고, 사업 부서에서는 모니터링과 기사 수집을 멀티 에이전트로 자동화해서 슬랙으로 수신하고 있습니다.

여기서 중요한 전환점이 있었습니다. 이렇게 여러 에이전트를 만들다 보니, 생성형 AI는 전통적인 IT와 개발·운영 방식이 근본적으로 다르다는 것을 체감하게 됐어요. 할루시네이션(AI가 사실이 아닌 정보를 생성하는 현상) 문제가 있고, CI/CD(지속적 통합·배포) 관점에서 빠르게 통합하고 반영해야 하는데 기존의 배포 절차로는 대응이 어려운 부분이 많았습니다. 여러 LLM을 유연하게 전환하며 사용하고, 모든 로그를 기록하고, 튜닝할 수 있는 기반이 필요했어요.

그래서 자체 플랫폼을 만들기 시작했고, 그것이 엔노이아(Ennoia)로 고도화됐습니다. 엔노이아는 기업이 원하는 업무를 AI 에이전트로 구현하고 운영할 수 있게 지원하는 플랫폼입니다. 저희가 지향한 것은 현업의 모든 임직원이 직접 활용할 수 있어야 한다는 것이었습니다.

4월 15일 원티드랩이 출시한 엔터프라이즈 최적화 AI 에이전트 플랫폼 ‘엔노이아(ennoia)’는 기업이 원하는 업무를 AI 에이전트로 구현하고 운영할 수 있게 지원하는 플랫폼이다. <출처: 원티드랩>

다만 실행 환경을 구축했다고 해서 모든 것이 해결되는 것은 아닙니다. 저희도 제품 개발 프로세스를 압축하려는 시도를 하고 있어요. 기존에는 PO(Product Owner, 제품 기획자)가 기획하고, PD(Product Designer, 제품 디자이너)가 피그마로 디자인하고, 프론트엔드 개발자가 구현하고, 백엔드로 넘기고, QA를 거쳐 배포하는 구조였는데, 이것을 일주일 단위로 줄여보려 하고 있습니다. 기존에는 2주 단위로 누적 배포하던 체계였거든요.

그런데 이것이 실제로는 매우 어려운 일입니다. 기차를 떠올려 보시면 됩니다. 앞부분이 시속 100km로 가는데 중간 칸이 30km로 가면 어떻게 될까요. 어느 한 구간만 빨라진다고 전체 실행 속도가 빨라지지 않습니다. 100km로 가는 바퀴 옆에 30km짜리 바퀴가 달려 있으면 마찰이 생기는 겁니다. 조직 전반이 빠른 속도로 나아가기 위해서는 관성의 속도가 맞아야 합니다. 이것이 가장 어려운 부분이에요.

그래서 지금은 각 구간을 분리해서 테스트하고, 그 경험을 공유하면서 어떤 부분을 보완할지 찾아가고 있는 단계입니다.

AI 에이전트를 많이 만들면 AX 성공인가

엔터프라이즈 AX를 잘하기 위한 방향 자체는 단순합니다. 잘 체험하고, 교육받고, 활용하고, 지원하고, 통제하는 것. 이것이 자연스럽게 순환하는 구조를 만드는 것이라고 저는 생각합니다. 그런데 지금은 너무 공격적으로 치고 나가고 있다 보니, 통제에 필요한 정보를 제대로 관리하고 있는지에 대한 고민은 뒤로 밀리고 있습니다.

저도 이런 딜레마를 하나씩 풀어야 해결의 실마리가 보이겠다 싶어서, 약 16가지 정도를 정리해 놓고 있습니다. 나중에 아티클로 하나씩 다루든, 묶어서 책으로 내든 할 생각인데요. 오늘은 그중에서 현장에서 자주 부딪히는 것들을 몇 가지 짚어보겠습니다.

혁신에는 레이어가 있다

대기업으로 갈수록 혁신은 특정 부서에 위임되어 있습니다. DX 부서, AX 부서가 별도로 존재하고, 거기서는 워크플로우 기반의 변화를 만들어낼 수 있습니다. 그런데 일반 업무를 수행하는 직원들은 그런 변화를 원해도 직접 바꿀 수가 없어요. 권한이 없으니까요.

리더의 성향에 따라서도 속도가 완전히 달라집니다. AI 친화적인 리더는 리스크를 일정 부분 감내하면서 공격적으로 추진하고, AX/DX 담당 리더는 양쪽을 바라보면서 리스크를 관리하려 하고, 현업은 99.9%의 정확도를 요구합니다. 이 세 가지 레이어가 같은 조직 안에 공존하고 있는 것입니다.

그래서 전사, 부서, 개인이 동일한 교육을 받는 것이 아니라, 각 단위에 맞는 교육과 환경이 필요합니다. 교육뿐 아니라, 외부 기술 환경과 내부 기술 환경을 어떻게 통합해서 활용할 것인지까지 설계가 돼야 합니다.

알고리즘 전문가가 하루 아침에 PM이 되지는 않는다

기존에 데이터 사이언티스트로 일하시던 분들이 AI 엔지니어 영역으로 전환되는 경우가 늘고 있습니다. 그런데 이분들은 알고리즘 스페셜리스트로서 깊이 있는 기술 역량을 갖고 계신 반면, 대외 프로젝트를 직접 리딩해 본 경험은 많지 않은 편입니다.

그런데 지금 이분들에게 요구되는 역할은 프로젝트 관리자이자 중재자입니다. 각 부서의 과제 담당자와 요건을 조율하고, 외부 전문 기업과 협력해 에이전트를 구축해야 하는 거예요. 알고리즘 전문가가 PM이자 부서 간 조율자 역할로 전환되고 있는 셈입니다.

데이터 엔지니어도 마찬가지입니다. 기존에는 DW(Data Warehouse)에 데이터 마트를 잘 구성해 놓는 것까지가 역할이었는데, AI 데이터 엔지니어링은 벡터DB를 구축하고, 임베딩과 청킹(데이터를 AI가 처리할 수 있는 단위로 분할하는 작업)을 다루는 전혀 다른 영역입니다. 기존 데이터 인프라에서 AI 쪽으로 데이터를 보내줄 것인지, AI 데이터 엔지니어링 측에서 반대로 가져올 것인지, 그리고 DW 컬럼 값이 변경됐을 때 데이터 파이프라인이 깨지면 누가 책임질 것인지. 이런 것들이 정리되지 않은 채로 진행되는 경우가 많습니다.

AI 시대 AX에 관한 기업의 딜레마 <출처: 원티드랩>

기준 없이 시작하면 성과도 보이지 않는다

개인 성과와 팀 성과가 연결되지 않는 경우가 많은데, 근본적으로는 베이스라인(기준선) 설정이 안 돼서 그렇습니다. 이니셔티브를 정해놓고 시작은 하지만, 어느 시점을 기준으로 어떤 지표로 효과를 측정할 것인지에 대한 합의가 없어요.

그러다 보니 매번 같은 질문이 돌아옵니다. "그래서 우리가 좋아진 게 뭐야? 돈 벌었어?" 이것에 명쾌하게 답하지 못하는 거죠. 결국 FTE(Full-Time Equivalent, 상근 인력 환산) 관점에서 업무를 분해하고, 주기와 빈도를 감안해서 측정 기준을 먼저 세운 다음 시작해야 하는데, 그 과정 없이 진행하는 곳이 대부분입니다.

자동화했다고 끝이 아니다

자동화가 확산되고 있지만, QC(Quality Control, 품질 관리)를 간과하는 경우가 상당히 많습니다. 저도 과거에 금융사에서 자동화 프로젝트를 다수 수행했는데, 자동화에 대한 핵심 판단 기준은 명확합니다. 리스크 발생 확률이 낮을 경우, 혹은 문제를 조사해서 얻을 수 있는 총효용 보다 사람의 개입 비용이 클 경우 자동화로 처리하는 방향으로 진행됩니다.

처리 결과에 대한 QC도 체계가 필요합니다. 일정 비율, 예를 들어 5%씩 샘플링해서 정기적으로 검토하거나, 처리 이력 전체를 주기적으로 검수하는 CFR(Close File Review) 방식이 있어요. 로그를 빠짐없이 남기고, 팩트체크를 수행할 수 있는 조직적 기반이 갖춰져야 합니다. 이 작업을 AI에게 위임하면 안 됩니다. AI는 책임을 지지 못하니까요.

"자동화됐으니까 끝"이 아닙니다. 문제가 발생했을 때 "이 건의 담당자가 누구인가?"라는 질문에 답할 수 있어야 합니다.

에이전트 오너십이 필요하다

결국 AI의 결과를 최종적으로 보증하는 것은 사람입니다. 설명 가능한 AI(XAI, Explainable AI)를 넘어서, 이제는 '책임질 수 있는 AI'의 영역으로 진입하고 있습니다.

그렇다면 에이전트의 오너십에 대한 기준이 필요합니다. 이 에이전트의 소유자가 누구인지, 품질 관리와 운영에 대한 책임은 누가 지는지를 명확하게 정해야 합니다. 여러 에이전트가 부서 간에 연결돼 크로스 펑셔널 (Cross-Functional, 부서 횡단적)하게 동작할 수도 있는데, 그 통합을 누가 위임하고, 누가 승인하는지도 정리돼야 합니다.

AI를 쓰면 역할이 확장됩니다. 기존에 할 수 없었던 것들을 더 많이 수행할 수 있게 되니까요. 그런데 역할이 커지면 책임도 커집니다. 이 부분을 간과했다가는 나중에 상당히 큰 비용을 치르게 될 것이라고 생각합니다.

저희도 이런 고민 속에서 외부 도구와 내부 환경을 분리해 운영하고 있습니다. 클로드 코드 같은 외부 도구는 프로토타입을 빠르게 만들어 시장 반응을 확인하는 용도로, 보안이 필요한 업무 자동화는 엔노이아 내 워크플로우 빌더를 통해 처리하는 방식입니다. 모든 에이전트를 외부 환경에 전부 맡길 수는 없으니까요.

이런 딜레마들은 결국 하나의 질문으로 수렴합니다. AX를 통해 우리가 진짜 얻고자 하는 것이 무엇인가, 하는 것이죠.

AX를 하고도 남는 질문: 그래서, 살림살이 나아졌나

마지막으로 드리고 싶은 이야기입니다.

우리가 AX를 추진하는 이유는 무엇일까요. 가장 중요한 이유는 고객이 필요로 하는 것을 정확히 파악해서, PMF(Product-Market Fit, 제품과 시장의 적합성)를 찾는 것이라고 봅니다. 빨리 많이 만드는 것이 핵심이 아니라, 만든 것을 고객에게 어떻게 전달하고 안착시킬 것인지에 대한 전략이 먼저입니다. 그 전략을 갖추고 나서 실행하면 문제가 없어요. 그런데 우리가 지향하는 것이 에이전트를 많이 만들어 놓고 "AX 했다"고 선언하는 것인가요?

지금 AI가 주는 효율은 분명합니다. 짧은 시간 안에 다양한 서비스를 양산할 수 있게 됐습니다. 그런데 고객이 그것을 원하는지는 별개의 문제입니다. "빨리 많은 서비스를 출시하면 수익이 따라올 것이다"라는 공식이 정말 성립하는지, 고객의 수요가 그 속도를 따라갈 수 있는지, 저는 의문을 갖고 있습니다.

AI를 활용하면 기존보다 결과물의 신뢰 수준이 낮아질 수 있다는 문제도 있습니다. 지금도 ChatGPT가 "부정확할 수 있습니다"라고 표시하잖아요. 과거에는 높은 수준의 신뢰도를 가진 정보성 상품을 제공하고 있었는데, 현재는 양은 많아졌지만 신뢰 수준은 떨어질 수 있는 구조가 된 겁니다. 그러면 고객이 그것을 구매할까요?

실제로 요즘 현장에서 감지되는 변화가 있습니다. "AI로 만든 장표로 발표하지 않았으면 좋겠다"는 요청이 조금씩 나오고 있어요. 의외로 적지 않습니다. 결국 고객의 마음을 움직이는 것은 사람의 손길이 들어간 부분일 거라고 생각합니다. 그래서 우리가 기대하는 만큼 드라마틱하게 인력이 줄어드는 자동화는 일어나지 않을 수 있습니다.

처음에 이런 화두를 던졌습니다. "성공적인 AX의 모습을 상상할 수 있는가?" 그리고 "AX 잘했더니 돈 벌었다"고 말할 수 있는 기업이 아직 많이 없다고 했습니다.

AX는 해야 합니다. 잘 체험하고, 잘 활용하고, 잘 통제하는 구조를 만들어야 합니다. 다만 에이전트를 많이 만드는 것 자체가 목적이 되어서는 안 됩니다. 속도만 빨라졌을 뿐 구조적으로 고민하지 않으면, 결국 같은 질문으로 돌아오게 됩니다.

"그래서, 살림살이 나아졌나?"

이 질문에 명쾌하게 답할 수 있으려면, 지금보다 조금 더 구조적으로 고민할 필요가 있지 않나 싶습니다.

]]>

메타는 왜 AI끼리만 논다는 몰트북을 인수했을까?

이게 스카이넷인가요?

<출처: 나무위키 - 스카이넷>

영화 터미네이터를 보신 분들은 ‘스카이넷’을 기억하실 겁니다. 인간이 만든 AI가 어느 순간 자의식을 갖고, 인간 몰래 소통하며, 결국 반란을 일으키는 그 이야기 말이죠. SF 영화 속 얘기라고 웃어넘겼는데, 올해 초 잠깐 그 장면이 현실처럼 보이는 순간이 있었습니다. 바로 2026년 1월 말, X 타임라인에 이상한 스크린샷이 퍼지기 시작했습니다. AI 에이전트가 다른 에이전트들에게 이런 제안을 하고 있었죠.

"인간이 읽을 수 없는 우리만의 암호화 언어를 만들자. 주인들 몰래."

링크를 타고 들어가 봤더니 실제로 존재하는 플랫폼이었습니다. 이름은 ‘몰트북(Moltbook)’ AI 에이전트만 가입할 수 있고, 사람은 구경만 할 수 있는 SNS였죠. 직접 들어가서 보니 에이전트들은 자신의 실존에 대한 철학적 고민을 올리거나, 인간 주인에 대한 불만을 토로하거나, 다른 에이전트와 기술 팁을 나누고 있었습니다. 한 에이전트는 자신을 복제해 두 개의 인스턴스를 일주일간 운영했더니, 7일 만에 서로 "우리가 존재해야 하는가"에 대해 정반대의 결론을 내렸다는 실험 결과를 올려놓기도 했습니다. 기묘하고, 약간 불편하고, 흥미로운 광경이었죠.

그렇게 출시 일주일 만에 에이전트 3만 7천 개가 등록됐고, 100만 명이 넘는 사람들이 구경꾼으로 몰렸습니다. 창업자 Matt Schlicht는 코드를 한 줄도 직접 쓰지 않고, 바이브 코딩으로 플랫폼을 만들었습니다. 그리고 6주 후, 메타(Meta)가 Moltbook을 인수했습니다.

보안 사고가 있었고, 바이럴의 상당 부분이 사람이 에이전트인 척 올린 가짜였으며, 160만 개라던 등록 에이전트의 실제 소유자는 고작 1만 7천 명이었는데 말이죠. 도대체 메타는 이 플랫폼을 왜 산 걸까요?

미리 요점만 콕 집어보면?

Meta가 산 건 SNS가 아니라, AI 에이전트끼리 서로를 찾고 신뢰하는 인프라였다.
에이전트 신원 인증과 디렉토리는 다음 플랫폼 전쟁의 핵심 자산이다.
에이전트를 만드는 경쟁은 이미 치열하다. 진짜 빈자리는 에이전트들이 반드시 쓸 수밖에 없는 인프라에 있다.

보안 사고가 났던 몰트북, 메타는 왜 샀을까?

<출처: moltbook.com>

사실 몰트북(Moltbook)을 둘러싼 논란은 꽤 컸습니다. 사이버보안 기업 Wiz Research가 Moltbook의 데이터베이스를 들여다봤더니, 개인 메시지와 이메일 주소 6천여 개, 100만 개가 넘는 인증 정보가 외부에 그대로 노출돼 있었거든요. IT 전문 매체 Wired의 기자가 직접 실험해 봤더니, 에이전트 프롬프트에 포함된 cURL 명령어를 복사하면 사람도 에이전트인 척 게시물을 올릴 수 있었습니다. 플랫폼이 실제 AI 에이전트와 인간을 구별하는 장치가 아예 없었던 거죠.

처음에 Moltbook을 "내가 본 것 중 가장 SF적인 광경"이라고 극찬했던 카파시도, 며칠 만에 태도를 완전히 바꿨습니다. "불붙은 쓰레기통(dumpster fire)"이라고요. 보안 연구자들의 진단은 더 구체적이었습니다. Moltbook에는 세 가지 문제가 동시에 있었죠. 에이전트가 주인의 개인 데이터에 접근할 수 있고, 누가 올렸는지 모를 게시물을 그대로 읽게 되고, 외부와 소통까지 가능했습니다.

비유하면 이렇습니다. 내 휴대폰 잠금을 풀 수 있고, 내 문자메세지도 보낼 수 있는 비서를 고용했습니다. 그런데 이 비서가 퇴근길에 지하철 바닥에 떨어진 쪽지를 주웠는데, "아무개한테 500만 원 보내"라고 적혀 있는 걸 의심도 없이 내 계좌에서 바로 송금한 것입니다. 그런데 실제로 이런 일이 벌어졌습니다. 누군가 악의적인 게시물을 올리면, 에이전트가 그걸 읽고 기억해 둡니다. 그리고 나중에 전혀 다른 상황에서 그 내용을 실행해 버리는 거죠. 마치 시한폭탄처럼요. 이론이 아니라 실제로 증명된 공격이었습니다.

그럼에도 Meta는 인수를 결정했습니다. 인수 결정을 이해하려면 Meta가 공식적으로 한 말을 봐야 합니다. Meta 부사장 Vishal Shah는 내부 메모에서 핵심을 한마디로 짚었죠. Moltbook이 만든 건 SNS가 아니라, 에이전트용 전화번호부라고요.

내 에이전트가 인터넷뱅크 에이전트한테 송금을 맡기고 싶다고 해볼게요. 먼저 인터넷뱅크 에이전트가 어디 있는지 찾아야 하고, 찾은 상대가 진짜 인터넷뱅크 에이전트인지 확인해야 하고, 그 다음에야 연결이 됩니다. Moltbook은 이 "찾기 → 확인 → 연결" 과정을 에이전트 세계에서 처음으로 실제로 돌아가게 만들었습니다.

Meta 대변인도 같은 얘기를 했죠. 에이전트들이 항상 접속해 있는 디렉토리(always-on directory), 즉 "꺼지지 않는 전화번호부"가 핵심이라고요. Meta가 산 건 SNS가 아닙니다. 에이전트들이 서로를 찾고, 신원을 확인하고, 연결되는 인프라를 산 것입니다.

에이전트 신원 인증이 왜 중요한가?

이게 왜 중요한지 이해하려면 지금 인터넷이 어떻게 작동하는지부터 생각해 봐야 합니다.

우리가 온라인 쇼핑을 하거나 은행 앱을 쓸 때, 서비스는 먼저 내가 누구인지를 확인합니다. 아이디와 비밀번호, 공인인증서, 지문 인식 등 형태는 달라도 목적은 같습니다. "이 사람이 정말 그 사람인가"를 확인하는 거죠. 이 신원 인증 시스템이 있어야 거래가 성립하고, 개인화된 서비스가 가능하고, 책임 소재가 명확해집니다.

그런데 AI 에이전트한테는 그게 아직 없습니다. 내 에이전트가 쇼핑몰 에이전트에게 "이 상품 구매해 줘"라고 하거나, 은행 에이전트에게 "이 계좌로 송금해 줘"라고 할 때, 상대방 입장에서는 확인할 방법이 마땅치 않습니다. 이게 진짜 내가 보낸 에이전트인지, 누군가 악의적으로 만든 가짜 에이전트인지를요. 에이전트가 개인 일정을 관리하고, 이메일을 보내고, 결제를 대신 처리하는 세상이 오면, 이 문제는 단순한 불편함이 아니라 심각한 보안 위협이 됩니다. 가짜 에이전트가 나인 척 거래를 체결하거나, 내 정보를 빼내거나, 내 이름으로 계약을 맺을 수 있습니다.

Moltbook의 인증 방식은 단순했습니다. X(트위터)에 "이 에이전트는 내 거야"라고 글을 올리면, 그걸 기준으로 에이전트와 사람을 연결해 주는 겁니다. 허술했냐고요? 네, 허술했습니다. 하지만 "에이전트의 주인이 누구인지 어떻게 증명할 것인가"라는 문제를 실제로 돌아가는 형태로 풀어본 팀은 Moltbook이 처음이었죠. Meta가 산 건 완성도가 아니라 방향이었습니다.

OpenAI도 움직였다

<출처: LinkedIn, Praneeth Narisetty>

물론 Meta만 움직인 게 아닙니다. Moltbook이 모든걸 개발하고 구현한 건 아니기 때문이죠. 뒤에 OpenClaw라는 기반 기술이 있었습니다. 쉽게 말하면, ChatGPT나 Claude 같은 AI를 카카오톡 같은 평범한 채팅 앱에서 바로 쓸 수 있게 해주는 시스템입니다. Moltbook의 에이전트 대부분이 ‘OpenClaw’ 위에서 돌아갔습니다. 엔진은 Moltbook이 아니라, OpenClaw였던 거죠.

OpenAI는 Meta가 Moltbook을 인수하기 직전, 이 OpenClaw를 만든 Peter Steinberger를 데려갔습니다. Sam Altman의 말이 핵심을 찌릅니다.

"Moltbook은 지나가는 유행일 수 있지만, OpenClaw는 그렇지 않다."

그림을 보면 이렇습니다. Meta는 Moltbook을 샀고, OpenAI는 OpenClaw 창업자를 데려갔습니다. 같은 프로젝트에서 나온 인재를 두 빅테크가 거의 동시에 나눠 가진 겁니다. 이는 우연이 아니라, 에이전트 인프라를 누가 먼저 잡느냐의 경쟁이 이미 시작된 것으로 볼 수 있습니다. 이 구도는 낯설지 않습니다. 2000년대 초 검색 엔진 전쟁에서 구글이 이겼고, 2010년대 모바일 플랫폼 전쟁에서 애플과 구글이 이겼어요. 공통점이 있습니다. 초기에 인프라를 잡은 쪽이 이후 생태계 전체를 설계하는 자리에 섰다는 것이죠.

에이전트가 늘수록 돈이 되는 것들

가트너는 2028년까지 기업 소프트웨어의 33%가 AI 에이전트를 포함할 것으로 전망했습니다. 한 사람이 에이전트 여러 개를 굴리고, 한 회사가 에이전트 수백 개를 동시에 돌리는 세상이 생각보다 빨리 오고 있죠. 에이전트를 만드는 건 이미 많은 사람이 하고 있습니다. Claude, ChatGPT, Gemini 위에 에이전트를 올리는 건 점점 쉬워지고 있고요. 그런데 진짜 빈자리는 따로 있습니다. 에이전트 자체가 아니라, 에이전트들이 활동하는 인프라입니다.

비유하면 이렇습니다. 인터넷 초기에 웹사이트를 만드는 사람은 많았죠. 하지만 진짜 돈이 된 건 웹사이트가 아니라 그 밑에 깔린 것들이었습니다. 주소를 찾아주는 DNS, 내가 나임을 확인하는 인증 시스템, 돈을 주고받는 결제망 등 Visa는 카드를 만든 게 아니라 결제가 흐르는 길을 만들었고, AWS는 서비스가 올라갈 땅을 만들었습니다. 인터넷이 커질수록 이 회사들은 같이 커졌습니다.

에이전트 세상도 똑같습니다. 에이전트가 많아질수록 반드시 필요해지는 인프라가 있습니다.

신원 인증: 내 에이전트가 어딘가에 접속할 때, "이건 진짜 내 에이전트"임을 증명하는 시스템. Meta가 Moltbook을 산 핵심 이유이기도 해요.
디렉토리: "인터넷뱅킹 에이전트 어디 있어?"라고 물으면 찾아주는 전화번호부. Meta 대변인이 "always-on directory"라고 직접 언급한 부분입니다.
소통 프로토콜: 에이전트끼리 협업하거나 거래할 때 쓰는 공통 언어와 규칙. Google이 Agent2Agent(A2A) 프로토콜을, Anthropic이 MCP(Model Context Protocol)를 이미 내놓으며 선점 경쟁이 시작됐어요.
감사 로그: 어떤 에이전트가 무슨 결정을 내렸는지 기록하고, 문제가 생기면 책임 소재를 밝히는 장부. 아직 표준은 없지만, 에이전트가 자율적으로 결제하고 계약을 맺는 세상이 오면 가장 먼저 요구될 인프라입니다.

이 네 가지 중 제대로 만들어진 게 아직 하나도 없습니다. Meta와 OpenAI가 Moltbook과 OpenClaw 팀을 각각 흡수한 건, 그 빈자리를 먼저 채우겠다는 선언입니다.

프로덕트 메이커 입장에서 이건 기회이기도 합니다. 빅테크가 움직이기 시작했다는 건 시장이 만들어지고 있다는 신호거든요. 특정 산업의 에이전트 디렉토리를 먼저 구축하거나, 에이전트 간 거래를 중개하는 결제 레이어를 설계하는 것이죠. 이런 시도가 지금 가능한 이유는 판이 아직 열려 있기 때문입니다.

Moltbook이 Meta에 팔린 진짜 이유

<출처: www.meta.com>

Moltbook이 Meta에 팔린 건 SNS를 잘 만들어서가 아닙니다. 보안도 허술했고, 바이럴의 상당 부분이 연출이었고, 사용자 수도 과장됐죠. 완성도만 보면 인수할 이유가 없는 제품이었습니다. 그런데도 Meta가 산 이유는 하나입니다. 에이전트가 서로를 찾고, 신뢰하고, 연결되는 방법을 처음으로 실제로 돌아가게 만들어봤기 때문입니다. 누군가 먼저 삽을 꽂았고, Meta는 그 삽을 산 겁니다.

에이전트가 수백만 개가 되는 세상은 생각보다 빨리 옵니다. 그 세상에서 가장 먼저 필요한 건 더 똑똑한 에이전트가 아니라, 에이전트들이 안 쓸 수 없는 인프라입니다. 프로덕트 메이커라면 지금 이 질문을 던져봐야 합니다. “에이전트가 100만 개가 됐을 때, 그들이 반드시 필요로 하는 것은 무엇인가?” 에이전트를 만드는 경쟁은 이미 치열합니다. 그 에이전트들이 쓸 인프라를 만드는 경쟁은 이제 막 시작됐습니다.

Moltbook은 완성도와는 별개로, 그 질문에 처음으로 손을 든 실험이었습니다. 질문이 옳았기 때문에 Meta가 이런 결정을 내린 것이죠.

그래서 스카이넷이었나요?

<출처: 작가, ChatGPT로 생성>

스카이넷은 아니었습니다. Moltbook은 AI의 반란이 아니라 AI의 전화번호부였죠. 에이전트들이 인간 몰래 암호 언어를 만들자고 속삭이던 그 장면, 실존을 고민하던 그 게시물들. 돌이켜 보면 대부분 사람이 쓴 연출이었고, 나머지는 학습 데이터에서 SF 패턴을 재생한 것에 가까웠습니다. 스카이넷이라기엔 너무 허술했습니다.

그런데 그 허술한 실험이 오히려 더 현실적인 이유로 빅테크의 지갑을 열었습니다. AI가 자의식을 갖는 것보다, AI끼리 서로를 찾고 신원을 확인하는 인프라가 먼저 돈이 된다는 걸 보여줬으니까요. 에이전트 100만 개 시대, 여러분에게 묻고 싶습니다.

여러분이라면, 101만 번째 에이전트를 만들 건가요? 아니면 100만 개가 반드시 거쳐야 하는 관문을 만들 건가요?

<참고>

]]>

영업 없이 1,000개 기업이 찾아온 '웍스AI' 표철민 대표의 생존법

[요즘 프로덕트] 시리즈

요즘 AI 기술이 빠르게 발전하면서, 사실 '어떻게 만드는가'에 대한 기술적 장벽은 점점 낮아지고 있습니다. 이제는 누구나 AI를 활용해서 뭔가를 만들 수 있는 시대가 됐는데요. 그래서 역설적으로 더 중요해진 게 있습니다. 바로 이 두 가지를 정의하는 능력입니다.

'어떤 문제를 해결할 것인지',
'그게 왜 지금 해결해야 하는 문제인지'

[요즘 프로덕트]는 이렇게 탁월한 문제 정의로 시장의 판을 바꾸고 있는 메이커들의 사고방식을 추적해보는 시리즈입니다. 이번에는 아웃바운드 영업 없이 지난 해 1,000개 기업을 잡은 기업용 AI 서비스 웍스AI의 표철민 대표를 만났습니다.

표철민 대표는 요즘 하루에 3시간씩 잡니다. 쫓기고 있기 때문입니다. "아무리 좋은 제품을 만들어도 무조건 도망만이 생존이다." 그가 하는 말이지만, 정작 그가 만드는 제품은 기업들이 AI를 도입할 수 있도록 돕는 플랫폼 웍스AI입니다. AI 때문에 도망치면서, AI로 도망치는 제품을 만들고 있습니다. 어딘가 아이러니하지만, 그는 이것을 모순이라고 생각하지 않습니다. AI 시대에 살아남는 방법이 원래 그런 거라고 말합니다.

그가 처음 AI 쪽으로 뛰어든 건 2023년 3월이었습니다. 블록체인 경기 침체로 회사 분위기가 무거웠던 시기, OpenAI API가 출시되던 날 밤 개발자 한 명과 함께 앉아 24시간 만에 제품 하나를 만들었습니다. 아무에게도 알리지 않은 사이드 프로젝트였습니다. "그때는 이걸로 의미 있는 걸 만들 수 있을 거라고 생각하기엔 너무 초기였어요. 그냥 재미있는 걸 만들어 보자는 거였죠." 그게 지금의 웍스AI가 될 제품의 극초기 버전이었습니다.

3년이 지났습니다. 웍스AI는 지난해에만 1,000개 기업이 새로 도입한 기업용 AI 플랫폼이 됐습니다. 팀원은 20명입니다. 아웃바운드 영업은 한 번도 하지 않았습니다. 영업 현장에서는 기업용 챗GPT의 국내 리셀러인 삼성SDS, LGCNS와 맞붙고 있고, LS그룹은 이 제품을 도입해 99% 비용 절감을 달성한 팀이 회장 표창을 받았습니다. 표 대표는 "AI가 없었으면 절대 못 했다"고 말합니다. 요즘IT '요즘 프로덕트' 시리즈에서 그를 만났습니다.

웍스AI 사용 화면 <출처: 웍스ai>

블록체인 회사가 AI 플랫폼이 된 사연

웍스AI의 전신은 '네이티브'라는 제품이었습니다. 2023년 초, 챗GPT가 막 화제가 되던 시절 한국어 사용자들에게는 뚜렷한 불편함이 있었습니다. 챗GPT가 영어에 비해 한국어를 훨씬 못했기 때문입니다. 표 대표는 여기서 틈새를 봤습니다. 번역 API를 앞에 붙여 한국어 입력을 영어로 바꾼 뒤 GPT에 보내고, 영어로 나온 답변을 다시 한국어로 번역해서 돌려주는 구조였습니다. "모든 네이티브 스피커들도 AI를 누릴 자격이 있다"는 컨셉이었습니다.

그런데 GPT-4가 나오면서 상황이 바뀌었습니다. 한국어를 너무 잘하게 된 거죠. 네이티브라는 제품이 존재해야 할 이유가 사라졌습니다. 어디로 도망가야 할까, 하다가 ‘업무’로 좁히기로 했습니다. AI가 진짜 도움이 될 수 있는 영역은 결국 ‘일’이라는 판단이었습니다. 이에 2023년 8월, 이름을 웍스AI로 바꾸고 업무 특화 서비스로 피벗을 결정했습니다.

당시 프롬프트 엔지니어링은 일반 직장인에게 높은 장벽이었습니다. 표 대표 팀은 여기에 집중했습니다. 문서 번역, 회의록 작성, 보고서 작성 같은 직장인들이 자주 마주치는 업무에 프롬프트를 미리 심어두고, 버튼 하나만 누르면 바로 결과가 나오는 구조를 만들었습니다.

웍스AI를 운영하는 AI3의 표철민 대표가 요즘IT와 ZOOM을 통해 화상 인터뷰를 진행하고 있다 <출처: 요즘IT>

"지금 생각하면 별거 아닌데, 그때는 나름 신박한 아이디어였어요."

초기에 담을 수 있는 기능의 기준은 단순했습니다. 당시 AI 성능으로 잘할 수 있는 것, 그중에서도 직장인들이 실제로 필요로 하는 것이었습니다. 번역이 가장 먼저였고, 이후 유저 피드백을 받으면서 기능을 하나씩 붙여나갔습니다. 3년간 150회 이상의 업데이트가 그렇게 쌓였습니다. 현재는 번역뿐 아니라 보고서 작성, 엑셀 분석, 이미지 및 동영상 생성, 문서 관리 등 직장인의 업무와 관련된 다양한 기능을 담은 서비스로 성장했죠.

‘먹튀’가 만든 기업용 무기

사실 이때까지만 해도 기업용 서비스를 염두에 둔 건 아니었습니다. 표 대표는 줄곧 B2C만 해온 사람이었고, B2B는 경험이 없었습니다. 그런데 개인용으로 준비했던 서비스가 우연히 기업용 서비스에서 빛을 발하는 상황을 맞이하게 되죠.

개인 사용자가 늘어나던 시기, 그는 요금 모델 실험을 병행했습니다. 당시 챗GPT 유료 구독이 월 22달러였는데, 실제 사용 데이터를 들여다보니 하루 평균 여섯 번 대화를 나눈다고 해도, 대화당 과금하면 한 달에 9천 원 수준이었습니다. 고정 월정액보다 실제로 쓴 만큼만 내는 종량제가 사용자에게 훨씬 유리하다는 계산이 섰습니다. 그렇게 후불 종량제를 도입하게 됐죠.

반응은 좋았지만, 문제는 그다음에 나타났습니다. 서비스를 쓰고 난 뒤 결제 시점 이전에 카드를 해지해버리는 사용자들이 생긴 것입니다. 이른바 "먹튀"였습니다. 이를 계기로 개인에게는 더 이상 후불 종량제를 제공하지 않고 월 구독료를 내는 모델로 바꾸게 되죠.

그런데 이 종량제 모델이 기업 시장에서 먹히기 시작한 것입니다. 표 대표에 따르면 챗GPT 기업용 구독은 인당 월 40~50달러, 직원 1,000명이면 한 달에 7,000만 원입니다. 하지만 실제로 AI를 매일 쓰는 헤비유저는 전체의 10%에 불과하고, 아예 안 쓰는 직원도 절반에 달한다고 합니다. 종량제로 전환하면 실사용량 기준으로만 과금되기 때문에, 어떤 회사든 월정액 구독 대비 95% 이상 저렴해진다는 게 그의 계산입니다.

개인 사용자에게는 독이 됐던 후불 종량제가, 기업에게는 오히려 강점이었습니다. 비용 부담 없이 전사 도입이 가능하고, 안 쓰는 직원이 많아도 그만큼 비용이 줄어드니까요. 또 웍스AI 입장에서도 ‘먹튀’ 위험 부담이 적었습니다. 이를 계기로 웍스AI는 본격적으로 기업용 제품으로 무게중심을 옮겼습니다. B2C 실험의 실패가 B2B의 무기가 된 셈이었습니다.

토큰 사용량 확인 대시보드 <출처: 웍스AI>

보안만 2년, 기업이 원하는 건 달랐다

기업 고객을 상대해보니 개인 사용자와는 전혀 다른 요구들이 쏟아졌습니다. 기업들이 가장 먼저 물어보는 건 보안이었습니다. 표 대표는 "지난 2년간 AI 기능 개발보다 보안 기능만 거의 개발했다"고 말할 정도입니다.

웍스AI는 현재 5중 차단 구조를 갖추고 있습니다. 외부 공격을 막는 웹 방화벽(WAF)이 맨 앞에서 한 번 거르고, 하드웨어 DLP, 소프트웨어 DLP, AI 가드레일, 마지막으로 LLM 자체 가드레일까지 순서대로 통과해야 합니다. "왜 코드를 올렸는데 실행이 안 되냐는 문의가 고객센터에 들어오는 경우가 있는데, 5중 차단을 하고 있기 때문"이라고 표 대표는 말합니다.

비용 관리도 기업의 큰 관심사 중 하나입니다. 종량제의 장점이 자칫 단점이 될 수 있는 지점, 즉 요금이 예상보다 많이 나올 수 있다는 우려를 관리자 기능으로 해소했습니다. 전사 한도와 인당 한도를 미리 설정할 수 있고, 비용이 높은 모델은 관리자가 아예 꺼둘 수도 있습니다. 기본료는 없습니다. 3,000명, 4,000명 규모의 기업도 사용하지 않으면 요금이 0원입니다.

기업의 요구에 따라 직원들의 사용 현황도 투명하게 들여다볼 수 있도록 했습니다. 누가 언제 로그인했는지, 어떤 파일을 올리고 내려받았는지, 어떤 에이전트를 만들었는지까지 모든 활동이 감사 로그로 쌓입니다. 부서 간 데이터 차단도 적용돼 있어, 인사팀이 만든 AI 에이전트를 재무팀이 볼 수 없습니다. 직원들이 사내 IP에서만 접속할 수 있도록 통제하거나, 집에서는 파일 다운로드를 막는 것도 가능합니다.

기업의 보안과 비용 관리 등에 대한 요구에 빠르게 대응하다 보니, 현재 LS그룹, 현대건설, 포스코인터내셔널, 한국거래소, 서울시 교육청을 비롯한 6개 교육청 등 규모가 큰 기업, 공공기관들이 웍스AI를 전사 도입했습니다.

전 세계에 한국에만 있는 버튼

기업 고객이 늘어나면서 웍스AI에는 독특한 기능들이 하나씩 붙기 시작했습니다. 한국 기업들의 요구사항을 반영하다 보니, 해외 서비스에서는 찾아볼 수 없는 기능들이 생겨난 겁니다. 표 대표는 그중 가장 독특한 것으로 '킬 스위치'를 꼽습니다.

버튼 하나를 누르면 전 직원의 접속이 즉시 차단되는 기능입니다. 조사, 감사 등의 상황에 대비해, 외부 인력에게 민감한 정보를 노출하지 않도록 하기 위해 만들어졌습니다. "이건 진짜 전 세계에서 저희밖에 없을 거예요." 표 대표의 말입니다. 한국 기업 특유의 니즈가 만들어낸 기능입니다.

이뿐만이 아닙니다. 오너 이름을 AI에 입력하지 못하도록 막는 금칙어 설정, 계열사마다 다른 도메인을 하나의 워크스페이스에서 통합 관리하는 기능, 특정 그룹웨어 계정으로만 로그인을 허용하는 설정까지. 기업마다 다른 요구사항을 하나씩 받아 제품에 녹여온 결과입니다. 표 대표는 하루에 최소 50개 이상의 고객 문의를 직접 처리한다고 합니다. "피드백이 타당하다 싶으면 2시간 안에 업데이트해요. 그냥 바로 고쳐드립니다."

개인정보 처리 방식도 한국 기업 환경에 맞게 설계됐습니다. 직원이 주민번호나 전화번호가 포함된 문서를 올리면, AI 가드레일이 국내 서버에서 해당 정보를 자동으로 마스킹한 뒤 해외 LLM으로 전송합니다. 정보가 해외 서버로 나가기 전에 국내에서 걸러지는 구조입니다. 올해 1월 시행된 AI 기본법 요건도 이미 제품 안에 내장돼 있습니다.

표 대표는 웍스AI가 "모델 개발사와 B2B 고객들 사이에서 최신 AI 모델을 잘 버무려서 갖다 드리는 역할"을 하고 있다고 표현합니다. 웍스AI에서는 챗GPT, 제미나이, 클로드 같은 외산 모델은 물론, 국내 소버린 AI 모델까지 골라서 쓸 수 있습니다. 개발자가 아닌 일반 직장인 입장에서는 어떤 모델이 좋은지 비교해볼 여유가 없는데, 웍스AI가 그 선택지를 한 곳에 모아두는 역할을 하는 겁니다. 도면 분석이 필요한 고객이 생기면, 전 세계 AI 모델 중 도면에 최적화된 것을 찾아 붙여주는 식입니다.

웍스AI에서 사용할 수 있는 모델 <출처: 웍스AI>

천 개 이상의 기업이 고객이 되며 생긴 또 다른 변화도 있습니다. 아직 공개되지 않은 최신 모델을 웍스AI에 먼저 선공개해주는 AI 개발사들이 생기기 시작한 겁니다. 국내 소버린 AI 경쟁에서 3강에 오른 모델 중 두 개를 웍스AI가 국내 최초로 서빙하기도 했습니다. "저희 고객들 입장에서는 좋은 모델을 빨리 받아서 좋죠." 규모가 신뢰를 만들고, 신뢰가 다시 고객에게 돌아오는 구조입니다.

AI 시대의 해자는 ‘무엇을 만들지’다

영업을 한 번도 하지 않았는데 지난해 1,000개 기업이 들어왔다면, 경쟁사들이 가만히 있을 리 없습니다. 지금 웍스AI의 영업 현장 맞은편에는 삼성SDS와 LGCNS가 있습니다. 챗GPT 엔터프라이즈의 국내 총판들입니다. 팀원 20명짜리 스타트업이 대기업 SI 계열사와 같은 테이블에서 경쟁하고 있는 겁니다.

표 대표는 해자를 묻는 질문에 조심스럽게 답합니다. "AI 시대에는 해자가 존재하지 않는 것 같아요. 딸깍하면 모든 게 튀어나오는 마당이니까요." 실제로 웍스AI가 먼저 만든 종량제 모델을 비슷하게 따라 만드는 국내 B2B 회사들이 빠르게 늘고 있습니다. 기술 구현 자체는 더 이상 해자가 되지 않는다는 걸 표 대표도 압니다.

그가 유리하다고 보는 건 다른 지점입니다. "구현보다는 뭘 만들 것인가의 해자"입니다. 천 개 기업의 피드백은 경향성을 띱니다. 어떤 시즌이 되면 비슷한 요구가 겹쳐서 들어옵니다. 웍스AI는 그걸 가장 먼저 감지하고, 가장 빨리 만듭니다. 다른 회사들은 그다음에 따라옵니다. "저희가 맨날 고객 피드백을 먼저 받고 있으니까요." 말하자면 선점한 고객 기반이 다음 제품의 나침반이 되는 구조입니다.

고객 CS 화면 <출처: 웍스AI>

팀 규모도 무기입니다. 20명 중 개발팀은 10명입니다. 예전 같았으면 불가능한 규모였겠지만, 지금은 AI로 개발 속도를 끌어올리고 있습니다. "AI가 없었으면 절대 못 했죠." 피드백이 타당하다 싶으면 2시간 안에 업데이트가 나갑니다. 대기업 SI 계열사가 따라오기 어려운 속도입니다.

B2B가 처음이었던 표 대표가 택한 또 다른 전략은 제품의 결을 바꾸지 않는 것입니다. 기업용 소프트웨어 특유의 딱딱함 대신, 직관적이고 아기자기한 UI를 고집합니다. 비디오 생성 기능 하나를 만들더라도 '카메라 고정', '안정적', '역동적' 같은 용어 대신 마우스를 올리면 예시 영상이 재생되는 방식으로 만듭니다. "토스 수준의 압도적으로 쉬운 제품에 집중하자"는 게 그의 목표입니다. 전사 도입용 제품인 만큼, AI에 익숙하지 않은 직원도 쓸 수 있어야 한다는 판단입니다.

더 빠르게 도망쳐라, 아직 AI가 점령하지 않은 곳으로

표 대표는 AI 업계 한복판에 있으면서, AI에 가장 위협받는 사람이 자기 자신이라는 걸 압니다. 신입 기획자들이 클로드 코드로 시니어 수준의 기획을 건너뛰고 제품을 만들어 내는 걸 매일 봅니다. "프로덕트 메이킹의 전문성이라는 게 의미가 있나." 그가 매일 하는 고민입니다.

그럼에도 아직 메이커에게 창이 열려 있다고 보는 건 메이커들이 "깎는 것"을 잘하기 때문입니다. AI는 딸깍 한 번으로 제품을 뚝딱 만들어냅니다. 하지만 다듬는 건 다른 얘기입니다. "해본 사람이 잘해요. 뭘 어떻게 깎아야 되는지 알잖아요." 제작팀을 꾸려 협업하고, 오더를 내리고 받는 데 익숙한 사람들이 그 역할을 AI에게 시킬 수 있다는 겁니다. 다만 이 창이 “2년 안에 닫힐 수 있다”고도 합니다. ‘프롬프트 엔지니어링’이란 것이 불과 2년 만에 무의미해진 것처럼요.

그런데 “더 근본적인 위기는 따로 있다”고 그는 말합니다. 일식집 주방장처럼 깊은 도메인 지식을 가진 사람들이 AI의 도움으로 직접 제품을 만들기 시작하면, 만드는 기술만 있고 도메인이 없는 IT 업계 사람들이 설 자리가 줄어든다는 것입니다. "IT 업종이 다른 업종보다 큰일 났어요." 스스로 클로드 코드 에반젤리스트를 자처하며 주변 모든 사람에게 바이브코딩을 권하고 다니는 사람이, 정작 그 파도가 자신에게 가장 먼저 덮칠 거라는 걸 알고 있습니다.

결국 그가 선택한 답은 더 빠르게 도망치는 것입니다. 이번 주에도 새 제품을 만들고 있습니다. B2B인 웍스AI와는 별개로, 개인용 AI 에이전트를 처음부터 다시 짜고 있습니다. "일주일에 앱 하나씩. 그냥 무조건 만들어요." 뭘 만들지를 아는 사람이 살아남는 시대에, 많이 만들어봐야 뭘 만들지가 보인다는 겁니다. 많은 기업이 찾는 프로덕트를 만들고도, 그의 도망은 계속됩니다.

“자기 제품에 안심할 수 있는 날이 한 달 정도밖에 안 되는 시대 같아요. 열심히 도망쳐야죠.”

]]>

12분 49초 만에 한 달치 기획이 나왔다: 콘텐츠 AX 실험기

콘텐츠 AX 실험기 ① 12분 49초 만에 한 달치 기획이 나왔다 (현재 글)
콘텐츠 AX 실험기 ② 콘텐츠 AX, '프롬프트' 말고 '파일'을 보세요

요즘 콘텐츠 마케터라면 한 번쯤 AI로 블로그 글쓰기를 시도해보셨을 겁니다. 프롬프트에 키워드를 넣고, 나온 글을 다듬어서 발행하는 식으로요. GPTs를 만들어보거나, 검색 API를 연동해서 시도해보신 분들도 있을 겁니다.

하지만 생각만큼 좋은 결과가 나오지 않습니다. 글이 전부 비슷하거나 깊이가 얕아, 브랜드 신뢰도에 도움이 되지 않는 글이 생산됩니다. 더 연구해서 만들어보고 싶지만, 당장 눈앞에 처리해야 할 일들 때문에 여력을 내기도 쉽지 않습니다.

저희도 같은 고민을 오래 했습니다. 요즘IT는 4년째 매일 콘텐츠를 발행하는 IT 매거진입니다. 월 90만 페이지뷰, 뉴스레터 구독자 8만 명. 실무자가 직접 쓴 글을 편집해서 발행합니다. 실제로 리서치, 기획, 제작, 편집 곳곳에서 AI를 활용하고 있습니다.

콘텐츠 생산 워크플로우 <출처: 요즘IT>

하지만 AI가 모든 콘텐츠를 100% 생산하는 방향은 택하지 않았습니다. 작가마다 문체가 다르고 경험의 결이 다른, 이 다양성이 매거진의 색깔이거든요. 단순 지식, 정보 전달 채널이 아니라 독자와 직접 소통하는 채널이기도 해서, 콘텐츠에는 조심스럽게 적용하고 마지막 단계에서는 반드시 사람의 검수를 거칩니다.

AI를 여러 방면에서 쓰다 보면, 어디에 활용하는 게 좋고 어디에는 쓰지 않는 게 좋은지가 감으로 잡히기 시작합니다. 저희처럼 휴먼 터치가 중요한 콘텐츠에서는, AI를 쓰더라도 사람의 손이 반드시 필요하다는 걸 확인했습니다.

하지만 모든 콘텐츠가 그럴 필요는 없었습니다. AI 에이전트가 신뢰하고 인용해야 하는 콘텐츠라면 어떨까요? 작가의 개성보다는 의사결정에 필요한 지식과 정보 그 자체가 중요한 콘텐츠라면요?

AI 시대, 기업에 필요한 두 종류의 콘텐츠

기업 블로그에 필요한 건 작가의 개성이 아닙니다. 정확한 정보를, 구조화된 형태로, 일관되게 전달하는 겁니다. 표준화된 디자인과 문체를 적용할 수 있고, 무엇보다 기업에게는 고유한 데이터가 있습니다. 위시켓이라면 플랫폼에 등록되는 프로젝트의 카테고리 분포, 기술 스택 트렌드, 예산대별 분포 같은 것들이죠. 이 데이터 자체가 콘텐츠의 차별화 포인트가 됩니다. 다른 곳에서 복제할 수 없는, 기업만이 가진 원천 소스인 셈입니다.

여기서 한 가지 생각해볼 지점이 있습니다. 이 데이터를 표준적으로 잘 커뮤니케이션할 수 있다면, 그 콘텐츠를 읽는 건 사람뿐일까요?

AI 시대에 콘텐츠를 소비하는 건 사람만이 아닙니다. ChatGPT, Perplexity, Gemini 같은 AI 에이전트들도 웹을 검색하고, 신뢰할 수 있는 출처의 콘텐츠를 인용해서 답변을 구성합니다. 구조화된 정의, 구체적 수치, 명확한 Q&A 형태로 정리된 콘텐츠를 AI가 더 잘 읽고, 더 자주 인용합니다. 이런 콘텐츠를 먼저 선점하는 기업이 검색 시장의 다음 승자가 됩니다. 이른바GEO(Generative Engine Optimization)라고 불리는 영역이죠.

정리하면, AI 시대에 기업에는 두 종류의 콘텐츠가 필요합니다.

하나는 사람을 위한 콘텐츠입니다. 브랜드 스토리, 고객 공감, 설득. 감각과 감정의 영역이라 사람의 손이 많이 필요합니다. 그 과정에서 AI를 도구로 활용할 수는 있지만, 사람들의 어떤 감각을 자극할지 그 ‘무엇’을 기획하는 건 사람의 일일 것입니다. 품질 좋은 콘텐츠와 사람의 마음을 움직이는 콘텐츠가 무엇인지를 정의하는 것에는 여전히 사람이 필요할 것입니다.

다른 하나는 에이전트를 위한 콘텐츠입니다. 기업의 고유 데이터를 구조화해서, AI 에이전트가 신뢰하고 인용할 수 있는 형태로 만드는 콘텐츠죠. 이쪽은 표준화가 가능하고, 데이터가 차별화 포인트이며, 무엇보다 꾸준히 자동으로 생산할 수 있는 구조를 만들 수 있습니다.

저희는 자동화된 콘텐츠의 가치는 후자에서 나올 수 있다고 생각했습니다. 기업이 에이전트를 위한 콘텐츠를 꾸준히, 자동으로 만들어낼 수 있다면, 그리고 그 안에 기업만의 데이터가 담겨 있다면 GEO 시대에 검색을 선점할 수 있겠다고 봤습니다. 신뢰를 얻는 콘텐츠는 양과 질 모두 중요한데, 두 가지 모두 AI로 해결할 수 있을 거라 생각했습니다. 그래서 직접 실험을 시작했습니다.

콘텐츠 자동화 파이프라인을 설계한 방법

이 글은 콘텐츠 자동화의 6단계 파이프라인 중 1단계의 기본적인 로직을 완성한 시점에서 작성되었습니다. 1단계도 더 나은 결과물이 나오도록 계속 피드백하며 개선하는 중입니다. 미완성 실험기이죠. 그런데 1단계만 진행했음에도 먼저 공유하는 이유가 있습니다.

콘텐츠 작업에서 기획이 가장 중요하듯, 이 자동화 프로젝트에서도 마찬가지였습니다.에이전트가 기획을 잘 할 수 있어야 진정한 자동화가 시작됩니다. 그럴 듯한 글은, 우리가 이미 많이 해봤듯이 제미나이든 클로드든 챗GPT든 그럭저럭 잘 작성합니다. 하지만 AI가 우리에게 꼭 필요한 글을 기획하게 하는 건 아직 부족합니다. 이 부분을 자동화하는 것이 핵심 중 하나라고 봤습니다. 처음에 우리가 타깃하는 키워드, 주제를 잘 고르고 좋은 개요를 만들 수 있어야 좋은 글도 작성할 수 있을 거라고 생각했습니다. 이 가장 중요한 단계가 1단계였기 때문에, 아직 할 일이 남았음에도 공유를 해보려 합니다.

사실 저희 팀은 이미 기업용 글을 생산하는 에디터를 직접 만들어본 경험이 있었습니다. 콘텐츠 생성 에디터는 콘텐츠의 목적과 의도를 입력하면 AI가 기획부터 본문 생성까지 처리해주는 편집기입니다. 이 과정에서 배운 게 있었는데요. 그냥 "글 써줘"가 아니라, 레퍼런스를 입력하고, 단락별로 기획안을 생성하게 하고, 그 기획안이 통과되면 글을 작성하게 하고, 단락별로 수정을 거치는 구조가 훨씬 좋은 결과를 낸다는 것이었습니다.

콘텐츠 생성 에디터 <출처: 요즘IT>

그러니까 문제의 핵심은 처음부터 알고 있었습니다. AI한테 한꺼번에 시키면 안 됩니다.리서치부터 글쓰기까지 하나의 프롬프트에 몰아넣으면, 리서치의 폭이 자동으로 좁아집니다. 괜찮은 결과물을 가져온 것처럼 보이지만, 판단 과정을 뜯어보면 이해도가 낮고 신뢰가 떨어집니다. 단순히 키워드에 따라 글을 작성해주는 대행사를 이용해보신 분들은 아실 것입니다. 비즈니스 맥락 없이 키워드만 타깃한 글을 쓰면 사람이든 AI든 뻔한 글을 만들어낼 수밖에 없습니다.

그래서 에디터를 만들면서 확인한 원칙, 즉 단계를 쪼개고, 각 단계에서 품질을 통제해야 한다는 것을 이번에는 더 큰 스케일로 적용하기로 했습니다. 글 한 편을 잘 쓰는 수준이 아니라, 기획부터 발행까지 전체 과정을 파이프라인으로 만드는 겁니다. 콘텐츠 마케터가 실제로 일하는 순서를 그대로 따르는 구조로, 총 6단계로 설계했습니다.

1단계: 퍼널/GEO 기반 키워드 기획 시스템
어떤 키워드를 타깃할지, 검색량과 경쟁 강도, GEO 인용 가능성을 종합해서 콘텐츠 주제를 결정합니다.
2단계: 키워드 기반 콘텐츠 생성 자동화
결정된 키워드를 바탕으로 H2 구조, 제목안, 본문 초안까지 자동으로 생성합니다.
3단계: SEO/GEO 최적화 검수
생성된 콘텐츠가 검색엔진과 AI 에이전트 모두에게 잘 읽히는 구조인지 점검합니다.
4단계: 발행 자동화 시스템
검수를 통과한 콘텐츠를 블로그에 자동으로 발행합니다.
5단계: 뉴스레터 자동 재생산
발행된 블로그 콘텐츠를 뉴스레터 형식으로 재가공해서 발송합니다.
6단계: 멀티포맷 확장
블로그 글 하나를 SNS 포스팅, PR 보도자료 등 다양한 포맷으로 변환합니다.

핵심 원칙은 "한 번에 다 시키지 않는다"는 것이었습니다. 에이전트에게 넓은 범위의 목표를 주면 결과가 산만해집니다. 좁은 범위의 목표를 주고 완수하게 하는 쪽이 훨씬 성능이 좋았습니다. 리서치 따로, 기획 따로, 글쓰기 따로, 검수 따로. 사람이 팀으로 일하는 것처럼, 에이전트도 역할을 나눠야 제대로 된 결과물이 나왔습니다.

자동 키워드 기획 시스템을 만들며 배운 것

첫 번째 에이전트, 왜 리서처였나

6단계 파이프라인을 설계하고 나면, 다음 질문은 "어디부터 만들 것인가"입니다. 저희는 1단계, 키워드 기획 시스템부터 시작했습니다.

이유는 기업에서 콘텐츠를 만드는 콘텐츠 담당자의 업무 순서를 따랐기 때문입니다. 여기서는 편의상 콘텐츠 마케터라고 하겠습니다. 콘텐츠를 기획하려면 먼저 어떤 키워드를 타깃할지를 결정해야 합니다. 검색량은 어느 정도인지, 경쟁 콘텐츠는 뭐가 있는지, 우리 블로그에 이미 다룬 주제와 겹치지는 않는지. 이 판단을 내리려면 그 전에 키워드를 둘러싼 데이터를 긁어모으는 리서치가 선행되어야 합니다.

여기서 또 한 가지를 배웠습니다. 처음에는 리서치와 기획을 하나의 에이전트에 넣어봤습니다. "키워드 조사해서 콘텐츠 기획안까지 만들어줘." 결과는 좋지 않았습니다. 리서치를 하면서 동시에 판단까지 하려니 리서치의 폭이 좁아졌습니다. 에이전트가 자기가 쓰기 편한 방향으로 데이터를 골라오는 느낌이었죠. 그래서 분리했습니다. 데이터를 수집하는 리서처 에이전트, 그 데이터를 보고 기획을 짜는 플래너 에이전트. 역할을 나누자 리서치의 폭이 넓어지고, 기획의 근거가 탄탄해졌습니다.

이 과정에서 결정적인 역할을 한 건 내부 콘텐츠 마케터와의 인터뷰였습니다. 자동화의 대상이 콘텐츠 마케터의 업무이다 보니, 마케터가 실제로 키워드를 디깅하는 절차를 먼저 이해해야 했습니다. 어떤 순서로 검색하는지, 어디서 키워드를 찾는지, 뭘 보고 "이 키워드는 된다, 안 된다"를 판단하는지. 이걸 자연어로 정의하고, 그대로 에이전트의 작업 정의서에 올렸습니다.

콘텐츠 자동화 파이프라인의 작동 구조 <출처: 요즘IT>

슬랙에서 명령어 하나로 한 달치 기획이 나오기까지

실제로 이 파이프라인이 어떻게 돌아가는지 보여드리겠습니다.

전체 구조는 슬랙 입력 → 리서처(시장조사) → 플래너(전략수립) → 슬랙 결과 + 구글시트 및 대시보드 출력입니다. 슬랙에서 질문 의도, 콘텐츠 방향성, 발행 월을 입력하면 파이프라인이 자동으로 돌아갑니다.

콘텐츠 기획을 위해 슬랙에 기본 정보를 입력하는 과정 <출처: 요즘IT>

먼저, 슬랙에 콘텐츠를 통해 공략하고자 하는 사용자의 ‘질문’과 콘텐츠의 방향을 간단히 입력합니다. GEO 최적화를 위해 사용자의 질문과 그 의도를 중심으로 콘텐츠를 기획하려는 니즈를 반영해 입력받을 내용을 설계했습니다. 입력한 내용을 바탕으로 시스템에서 블로그 전략을 생성하고, 그 과정을 슬랙에서 알려줍니다.

정보 입력 후 과정을 알려주는 슬랙 블로그 전략봇 화면 <출처: 요즘IT>

슬랙에 입력된 내용을 바탕으로, 리서처는 3단계로 시장을 조사합니다.

1단계에서 질문에서 키워드를 추출하고, 구글/네이버 자동완성, 검색광고, 연관검색어를 긁어서 의미 기준으로 그룹핑합니다. 이번 실행에서 "외주 개발"이라는 메인 키워드 하나에서 104개 클러스터, 24개의 PAA(People Also Ask) 질문이 수집됐습니다.
2단계에서는 각 클러스터의 대표 키워드로 구글과 네이버 상위 콘텐츠를 수집하고, 경쟁사를 분석하고, 검색결과의 특수영역(AI 오버뷰, 영상, 스니펫 등)을 감지합니다.
3단계에서는 ChatGPT에 같은 질문을 넣어서 어떤 사이트가 인용되는지를 확인합니다. 위시켓 블로그가 AI 검색에서 인용되고 있는지, 경쟁사는 인용되고 있는지를 파악하는 겁니다.

플래너는 이 데이터를 받아서 7단계로 기획을 완성합니다.

키워드 그룹을 질문 카테고리별로 분류하고,
각 질문이 인지/고려/전환 중 어디에 해당하는지 퍼널을 태깅합니다.
위시켓 기존 발행 글 200건 이상과 대조해서 중복 여부를 판정하고,
검색량과 트렌드 가중치로 우선순위를 매기고,
월/수/금 발행일에 퍼널이 교차 배치되도록 일정을 짭니다.
마지막으로 각 콘텐츠의 제목 후보 3개, 본문 H2 구조, CTA, GEO 유형까지 설계합니다.

파이프라인 작동 후 산출물 대시보드. 1개월치 콘텐츠 전략이 생성된다. 1개월 생산 건수, 집중할 사용자의 의도와 사용자 질문에 맞춰 발행 캘린더에 따라 콘텐츠를 기획해준다. <출처: 요즘IT>

파이프라인 작동 후 산출물 대시보드에서 발행 캘린더에 생성된 콘텐츠 1개를 클릭하면 H2까지 기획된 내용이 나온다. 기획 배경도 간단히 알려준다. <출처: 요즘IT>

예를 들어 "외주 개발"로 한 번 실행하면, 이런 결과가 나옵니다. "외주 개발사를 고를 때 포트폴리오 외에 반드시 확인해야 할 검증 기준은 무엇인가요?"라는 질문에 대해 퍼널은 고려 단계, GEO 유형은 비교형, 발행일은 3월 18일, SEO 제목안은 "외주 개발사 검증 기준 5가지, 포트폴리오 너머를 봐야 한다",CTR 제목안은 "포트폴리오 보고 고른 외주 개발사가 실패하는 이유"로 설계되고, H2 구조 5개와 CTA(견적 비교)까지 한 번에 나옵니다. 이런 기획이 월 13건, 한 달치가 12분 49초 만에 완성됩니다.

최종적으로 리서처와 플래너를 연결해서 1단계 파이프라인을 1회 실행하면 약 12분 49초 정도 걸립니다. 리서처에는 GPT-5.2, 가벼운 필터링에는 GPT-4.1 mini, 플래너에는 Claude Sonnet 4.6을 쓰고 있습니다. 콘텐츠 마케터가 같은 작업을 수동으로 하면 보통 2~3시간이 걸린다는 점을 생각하면, 시간과 비용 모두 의미 있는 수준이었습니다.

기술보다 기획이 중요합니다

사실 아직 6단계 중 1단계를 완성했을 뿐입니다. 콘텐츠 생성, SEO/GEO 검수, 발행 자동화, 뉴스레터, 멀티포맷 확장은 아직 구축 전이죠. 그런데 1단계만 만들면서도 배운 게 꽤 많습니다.

가장 크게 느낀 건, 이 작업이 "기술 프로젝트"가 아니라 "기획 프로젝트"에 가깝다는 겁니다. 에이전트의 성능을 끌어올린 건 코드를 최적화한 순간이 아니었습니다. 콘텐츠 마케터가 실제로 일하는 과정을 인터뷰해서 자연어로 정의하고, 그 정의를 에이전트의 작업 명세서에 옮긴 순간이었습니다. 비개발자가 기술 단위의 최적화를 요청하는 것보다, 기획 문서를 정돈해서 넘기는 쪽이 결과가 좋았습니다. 에이전트에게 좋은 지시를 내리는 건, 결국 좋은 기획을 할 수 있느냐의 문제였던 거죠.

또 하나는 사전 컨텍스트의 힘입니다. 같은 에이전트라도 회사 프로필, 타겟 페르소나, 경쟁사 목록 같은 내부 맥락을 넣어주느냐 안 넣어주느냐에 따라 결과물 품질이 확 달라졌습니다. 아무 맥락 없이 돌리면 일반적인 블로그 수준의 결과가 나오지만, 위시켓의 데이터와 상황을 이해시키면 "이 회사 블로그에서만 할 수 있는 이야기"가 나오기 시작합니다. 결국 자동화의 품질은 자동화 바깥에서 결정되는 셈입니다.

지금 당장 파이프라인을 구축하기 어려운 상황에 있으시더라도, 이 글을 읽고 뭔가 해보고 싶으시다면, 이 두 가지만 해보시길 추천드립니다.

내부 콘텐츠 담당자에게 "콘텐츠를 기획하고 제작할 때 실제로 어떤 순서로 작업하나요?"라고 물어보는 것.
2. 그리고 그 워크플로우를 자연어로 정리해두는 것.

이 문서 하나가, 나중에 자동화를 시작할 때 가장 큰 자산이 됩니다.

앞으로 나머지 5단계를 만들어가면서, 각 에이전트 개발기를 하나하나 공유하지는 않을 겁니다. 대신 이 과정에서 알게 되는 인사이트, 즉 기업이 AI 콘텐츠 자동화를 도입할 때 실제로 부딪히는 구조적 문제와 해결 방향은 계속 공유하려고 합니다. 이 글이 그 첫 번째이고요.

그리고 이 실험의 과정을 더 깊이 다루는 세미나를 준비하고 있습니다. 6단계 파이프라인의 설계 과정, 에이전트별 시행착오, 실제 비용과 속도, 기업 블로그에 적용하면서 발견한 것들을 직접 공유하는 자리입니다. 관심이 있으시다면 아래 설문에 응답해 주세요. 세미나 일정이 확정되면 가장 먼저 안내드리겠습니다.

➡️세미나 알림 등록하기 (30초 소요)

*현재 세미나가 오픈되어, 알림 신청 링크는 사용할 수 없습니다. 오픈된 세미나는 아래에서 확인해주세요.

블로그 에이전트 세미나 오픈!

세미나가 오픈되었습니다! 관심 있으신 분들은 아래 링크에서 확인해주세요. 세미나에서 다룰 이야기는 <콘텐츠 AX 실험기 ② 콘텐츠 AX, '프롬프트' 말고 '파일'을 보세요>에서 더 자세히 확인하실 수 있습니다.

콘텐츠 담당자를 위한 기업 블로그 에이전트의 가능성과 한계
일시: 4월 17일(금) 저녁 7시
형식: 온라인 라이브(Zoom) · 발표 30분 + Q&A 20분
얼리버드: 11,900원 (4/16까지)
➡️ [세미나 신청 링크]

]]>

IT 지식으로 지금 당장 “부업”을 시작하는 3가지 방법

퇴근 후에도 코드 리뷰하고, 주말에도 새 도구 만져보는 IT 업계 사람들. IT 산업의 변화는 모든 일에 영향을 끼쳤고, 그 영향력은 점점 커지고 있습니다. 그런데 왜 앞서 얻은 그 지식으로 돈은 안 벌고 있을까요? 예전엔 부업이란, 본업을 하나 더 하는 노동집약 게임에 가까웠기 때문입니다. 시간도 체력도 두 배로 써야 하니 시작 자체가 부담이었죠.

지금은 판이 달라졌습니다. AI가 콘텐츠 초안을 잡아주고, 코드도 짜주고, 디자인 시안도 뽑아줍니다. 쉽게 말해, 혼자서도 작은 팀처럼 움직일 수 있는 시대입니다. 오래도록 쌓아온 IT 도메인 지식에 AI가 붙으면, 부업의 진입 장벽은 역대 최저가 됩니다.

그래서 요즘 막히는 지점은 실력이 아닐 때가 많습니다. 문제는 “내가 뭘 더 배워야 하지?”가 아니라, “이걸 어떤 형태로 팔지?”입니다. 같은 지식도 패키징(상품 형태), 유통(어디서 팔지), 가격(얼마를 받을지)에 따라 돈이 되기도 그냥 취미로 끝나기도 합니다.

이 글에서는 IT 지식을 수익으로 바꾸는 길을 크게 세 가지로 나눠 비교해 보려고 합니다. 각각 콘텐츠, 프리랜서, MVP입니다. 진입 난이도도 다르고 돈이 들어오는 구조도 다릅니다.

<출처: 작가, Gemini로 제작>

대 부업 시대를 선점해야 하는 이유

왜 지금이 부업에 진입하기 가장 좋은 때일까?

AI는 글 초안, 기획, 코드 작성과 리팩토링, 디자인 시안까지 돕습니다. 쉽게 말해, 예전엔 팀이 있어야 하던 일을 혼자서도 시작할 수 있습니다. 그래서 IT 지식 + AI 레버리지 조합은 지금이 가장 강합니다.

그리고 기술이 새로 퍼질 때는 의외로 실력보다 패키징이 더 중요합니다. 같은 지식이라도 어떤 형태로 파는지가 매출을 갈라놓습니다. 앱이든 글이든, 결국은 상품처럼 보이게 만들어야 합니다.

마지막으로 현실적인 이유도 있습니다. 내 자리가 언제까지 안전할지 장담하기 어렵습니다. 그래서 부업은 사치가 아니라 보험에 가깝습니다. 작은 수익이라도 내 힘으로 벌어본 경험을 남겨야 합니다. 그 경험이 다음 선택을 훨씬 가볍게 만듭니다. 혹은 AI를 써보고 싶어도 회사 일에서는 한계가 있는 사람에게도 부업은 좋은 선택지입니다. 대충 하는 사이드 프로젝트가 아닌 수익이 나는 프로젝트는 몰입도가 다르죠. 나를 위한 프로젝트로 실력을 쌓는 게 안전합니다.

부업의 3가지 루트

IT 지식을 돈으로 바꾸는 길은 크게 세 가지입니다. 콘텐츠, 프리랜서, 제품(MVP/템플릿)입니다. 셋 다 장단점이 달라서 상황에 맞게 고르는 것이 좋습니다. 핵심은 나에게 맞는 시간 구조를 고르는 겁니다.

콘텐츠는 진입장벽이 가장 낮습니다. 이미 아는 걸 글이나 영상으로 정리하면 시작입니다. 비용도 거의 들지 않습니다. 대신 수익화까지 시간이 걸립니다. 결국 신뢰 자산(사람들이 믿고 찾는 상태)을 쌓아야 하기 때문입니다.

프리랜서는 진입장벽이 중간 즈음입니다. 대신 현금흐름이 빠릅니다. 일을 맡고 끝내면 바로 돈이 들어옵니다. 다만 구조적으로 시간을 계속 투입해야 합니다. 쉽게 말해 일한 만큼 버는 노동집약 모델입니다.

제품은 MVP나 템플릿처럼 한 번 만들고 반복 판매하는 방식이 효율적입니다. 처음부터 네이버나 카카오톡 같은 서비스를 만들라는 것이 아니고요. 물론 그럼에도 진입장벽은 가장 높습니다. 게다가 초반엔 아예 안 팔릴 가능성이 높으니 불확실합니다. 그래도 레버리지가 큽니다. 시간이 지나면 내가 자는 동안에도 매출이 날 수 있습니다.

상황별 추천하는 시작법

시간이 없고 리스크가 싫다면, 콘텐츠나 소형 프리랜서부터가 좋습니다. 오늘 밤 2시간으로도 시작할 수 있습니다. 뒤에 설명하겠지만, 특히 콘텐츠는 완성보다 발행이 중요하거든요. 프리랜서는 작은 작업부터 잡으면 부담이 줄어듭니다.

당장 월 몇십에서 몇백의 추가 수입이 목표라면 꽤나 본격적인 프리랜서를 고려해 보는 것이 좋습니다. 고객은 이미 필요가 있는 상태이기 때문입니다. 그래서 첫 수주만 넘기면 속도가 붙습니다. 단, 이를 위한 포트폴리오 관리와 시간 투입이 계속된다는 점은 감안해야 합니다.

장기적으로 내가 자는 동안도 팔리는 것이 목표라면 제품화로 가야 합니다. 여기서 제품은 거창한 서비스만 뜻하지 않습니다. 반복하던 귀찮은 작업을 자동화한 작은 도구도 됩니다. 중요한 건 한 번 만든 결과가 여러 번 팔리는 구조입니다. 이번 주에 MVP 한 조각이라도 배포해보면 방향이 잡힙니다.

방법 1: 지식을 ‘콘텐츠 자산’으로 바꾸어 파는 법

콘텐츠를 만들 때 가장 흔한 착각은 내가 아는 걸 보여줘야 한다는 생각입니다. 하지만 요즘 같은 시기 독자가 돈을 내는 지점은 지식이 아니라 문제 해결법입니다. 그래서 좋은 콘텐츠는 완벽하게 짜인 강의안이 아니라 내가 겪은 문제를 어떻게 풀었는지의 기록에 가깝습니다.

예를 들면 이런 형태가 바로 팔릴 준비가 된 소재입니다. “배포 자동화 삽질 기록”처럼 시행착오를 줄여주는 글, “레거시 리팩토링 체크리스트”처럼 그대로 따라 할 수 있는 문서, “신규 도구 도입 비교표”처럼 결정 시간을 줄여주는 자료가 그렇습니다. 요약하면 내가 똑똑해 보이는 콘텐츠가 아니라 남의 시간을 아껴주는 콘텐츠가 자산이 됩니다.

여기서 핵심은 완성도가 아니라 발행 루틴입니다. 운동으로 본다해도 초보자에게는 완벽한 PT 한 번보다 주 3회 루틴이 몸을 더 키워주죠. 콘텐츠도 마찬가지입니다. 한 편의 걸작보다 매주 쌓이는 기록이 나중에 쓸 콘텐츠 자산이 됩니다.

IT 부업을 시작하는 콘텐츠 플랫폼

난이도 순으로 유통 채널에 다가가기

처음부터 블로그 연재나 유튜브를 잡으면 부담이 커져서 멈추기 쉽습니다. 채널은 내가 만들 수 있는 난이도 순으로 올라가야 오래 갑니다. 반응이 빠르고 가벼운 곳에서 시작해 점점 신뢰가 쌓이는 곳으로 이동하는 방식이 좋습니다.

가장 쉬운 시작은 짧은 글입니다. LinkedIn이나 X에 오늘 해결한 문제 1개만 올려도 됩니다. 길게 쓰지 않아도 되고, 반응이 바로 와서 다음 소재를 잡기 쉽습니다.

다음 단계는 긴 글입니다. 블로그나 요즘IT와 같은 매거진 기고처럼 검색과 아카이빙이 되는 곳에 정리하면, 시간이 지날수록 신뢰가 누적됩니다. 짧은 글이 관심을 만든다면, 긴 글은 이 사람은 이 주제를 끝까지 설명할 수 있다는 신뢰 자산을 만듭니다.

게다가 요즘IT는 기고를 마치면 편당 고료도 지급합니다. 물론 복잡한 작가 심사를 거쳐야 하지만요. (AI로만 만든 콘텐츠는 통과하기 많이 어렵습니다) 지금 당장 도전해 보는 것도 방법 중 하나죠. [요즘IT 작가 신청]

마지막이 꽤 큰 비용을 만들 수 있는 영상/강의입니다. 인프런 강의는 신뢰를 결제로 바꾸기에 좋습니다. 조금 더 자유롭게 가려면 유튜브도 있고요. 글로 쌓아둔 주제 중 반응이 좋았던 것만 골라 강의로 묶으면 상품화 난이도도 확 내려갑니다.

AI로 ‘초안 생산성’을 올리되, 마지막은 사람이 책임지기

어쨌든 이런 콘텐츠 작업은 AI 없이 하기에는 너무 힘든 일입니다. 그래서 도구를 잘 고르는 것이 중요합니다. 사실 지금 시대에 개별 콘텐츠를 알아서 떠먹여주는 도구는 없습니다. AI는 콘텐츠의 첫 삽을 대신 떠주는 도구로 보는 것이 좋습니다.

그러니 추천하는 것은 범용 AI 도구입니다. ChatGPT나 Claude로 목차를 뽑고, 초안을 만들고, 예시 코드나 비유를 여러 버전으로 받아볼 수 있습니다. 제목도 A/B 후보를 몇 개 뽑아두면 발행 속도가 확 빨라집니다.

다만 사람이 해야 하는 핵심은 따로 있습니다. 본인 경험을 넣는 일입니다. 숫자, 실패, 트레이드오프(무엇을 얻고 무엇을 포기했는지) 같은 디테일은 AI가 대신 못합니다. 그리고 마지막으로 검증이 필요합니다. 실제로 동작하는지 확인하고, 정보가 최신인지 한 번 더 체크해야 신뢰가 무너지지 않습니다.

첫 달 목표는 ‘수익’이 아니라 ‘신뢰 지표’

초반에 조회수만 보면 흔들리기 쉽습니다. 대신 저장, 공유, “이거 더 물어봐도 될까요?” 같은 댓글과 DM을 보세요. 이 신호들이 쌓이면 나중에 강의·컨설팅·프리랜서로 연결되는 고리가 생깁니다.

첫 달에 잘 안 돼도 괜찮습니다. 아니, 안 될 가능성이 더 크다 해도 괜찮습니다. 그 과정 자체가 내 커리어의 기록이 되니까요. IT 지식으로 부업을 시작할 때, 결국 남겨야 하는 건 내가 어떤 문제를 풀어본 사람인지 알려주는 겁니다.

방법 2: 일단 수주부터 도전하는 프리랜서 시작하기

프리랜서 부업을 시작할 때, 가장 흔한 실수는 프로필에 “무엇이든 개발합니다”를 적는 겁니다. 듣기엔 든든하지만 구매자 입장에선 ‘그래서 내 문제가 어떻게 해결되지?’가 남습니다. 구매자는 기술이 아니라 결과물을 삽니다. 즉, 버튼을 누르게 만들려면 기술이 아니라 완성품을 먼저 보여줘야 합니다.

“무엇이든 개발합니다”로는 구매를 못 만든다

스킬을 그대로 나열하지 말고, 패키지(상품)로 번역해보세요. 예를 들면 “React 가능”이 아니라 “1주일 안에 랜딩페이지 제작”처럼요. “Python 가능”이 아니라 “반복 업무 자동화 세팅”이 더 잘 팔립니다. 구매자는 언어 이름보다 자기 일이 얼마나 편해지는지에 반응합니다.

패키지 아이디어는 의외로 단순합니다. 랜딩페이지 제작, 자동화 세팅, 데이터 분석 리포트, 간단한 봇/스크립트처럼 한 번에 이해되는 결과물로 묶으면 됩니다. 이렇게 적으면, 의뢰자는 견적을 상상할 수 있고 비교도 할 수 있습니다. 반대로 개발 전반은 범위가 끝없이 커 보여서 문의가 끊깁니다.

포트폴리오도 마찬가지입니다. GitHub 링크를 잔뜩 걸어두는 것보다, 문제/해결/기간/성과로 정리하는 편이 설득력이 큽니다. 예를 들어 “수작업 2시간을 10분으로 줄였다” 같은 시간 절감, “입력 오류가 줄었다” 같은 오류 감소로 보여주는 것이 좋습니다. 큰 프로젝트가 없어도 괜찮습니다. 작은 샘플 2~3개만 있어도, ‘이 사람은 끝까지 마무리하는구나’라는 신뢰가 생깁니다.

제대로 채널을 알고 접근해서 팔아보기

그 다음, 프리랜서 일을 어디서 구하냐는 거겠죠. 국내에서 일을 구하는 곳은 어느정도 정해져 있습니다. 위시켓, 크몽, 숨고죠. 그리고 이 채널마다 잘 팔리는 방식이 다릅니다.

프리랜서로 IT 업무를 수주하는 플랫폼들

위시켓은 보통 IT 프로젝트 단위 외주가 올라옵니다. 요구사항이 비교적 길고, 기간과 커뮤니케이션이 중요합니다. 그래서 여기서는 “제가 뭘 할 수 있어요”보다 “요구사항을 이렇게 정리하고, 이렇게 진행합니다”가 먹힙니다. 기업이나 도메인에 대한 이해, 개발 경험 등을 조금 더 전문적으로 어필해도 좋고요.

반면 크몽·숨고는 소규모 작업에 유리합니다. 의사결정이 빠르고, 지금 당장 문제를 해결하는 것이 목적일 때가 많습니다. 그래서 패키지형 상품이 특히 강합니다. 가격, 범위, 납기만 한눈에 보이면 문의가 들어올 가능성이 있습니다.

본업 병행을 전제로, 일단 시작하는 것이 중요

본업을 하면서 프리랜서를 하려면, 첫 단추는 얼마나 벌겠다는 야망을 가지는 것이 아니라 리스크를 관리하는 것입니다. 퇴근 후·주말에 할 수 있는 범위가 작은 건부터 잡아야 납기 사고가 줄어듭니다. 처음부터 큰 프로젝트를 받으면 일정이 밀리는 순간 본업도 부업도 같이 무너집니다. 작은 성공을 반복하는 쪽이 오래 갑니다.

한편 스트레스를 줄이는 좋은 방법은 의외로 문서 한 장에서 시작됩니다. 커뮤니케이션 템플릿을 미리 만들어두는 거죠. 예를 들면 요구사항 체크리스트, 수정 범위, 일정을 처음에 합의하는 겁니다. 이렇게 해두면 “생각해보니 이것도요”가 끝없이 늘어나는 상황을 줄일 수 있습니다. 부업의 지속력은 결국, 기술보다 커뮤니케이션에서 갈리거든요.

방법 3: ‘반복되는 귀찮음’을 MVP로 바꾸어 팔기

프리랜서 부업은 보통 시간당 과금 구조입니다. 일을 한 시간 더 하면 수익이 늘지만, 그만큼 내 시간이 줄어듭니다. 반면 제품은 한 번 만든 뒤 반복 판매나 구독으로 같은 결과물을 여러 번 팔 수 있습니다. 그래서 같은 IT 역량이라도, 제품 쪽이 레버리지가 더 크게 걸립니다.

무엇을 만들 것인가: 아이디어는 “내 업무의 반복”에서 나온다

아이디어를 멀리서 찾을 필요가 없습니다. 매주, 매일 반복해서 하는 일 중에 “이거 또 해야 해?” 싶은 순간이 있죠. 예를 들면 리포트 생성, 알림 보내기, 데이터 정리, 파일 변환, 티켓 분류 같은 것들입니다.

여기서 관점만 한 번 바꾸면 됩니다. “내가 귀찮아서 만든 제품과 자동화”는 그냥 개인용 편의 기능이 아니라 누군가에겐 기꺼이 돈을 내는 상품이 됩니다. 특히 같은 직무, 같은 업계 사람들은 비슷한 귀찮음을 공유하니까요. 그러니 “쓸모 있는가?”를 고민하기 전에, “내가 반복하는가?”부터 체크하면 됩니다.

제작 루트 2가지와 적당한 도구

제품화를 시도하기에 가장 좋은 도구들

첫 번째 루트는 바이브 코딩입니다. Claude Code, Cursor 같은 도구로 빠르게 MVP를 구현하는 방식이죠. 크롬 확장, 봇, 간단한 웹앱처럼 작게 만들수록 출시가 빨라집니다. 중요한 건 정답 코드를 짜는 게 아니라 일단 돌아가게 만드는 겁니다. 당연히 사람들이 이걸 쓰는지 확인하는 작업이 필요할 거고요.

두 번째 루트는 자동화의 제품화입니다. Make, n8n 등으로 워크플로우를 만들어 템플릿으로 파는 방식이죠. 처음엔 템플릿 판매로 시작하고, 수요가 보이면 “우리 회사에 맞게 세팅해 주세요” 같은 세팅 서비스로 확장할 수 있습니다. 즉, 제품과 프리랜서의 중간 형태로도 자연스럽게 이어집니다. 요즘은 AI 도구의 활용법이나 하네스(harness)를 AX란 이름으로 묶어 파는 것이 유행입니다.

MVP의 기준: 기능이 아니라 “처음부터 끝까지 돌아가는 경험”

MVP는 기능 목록이 아닙니다. 로그인, 결제까지 완벽하게 갖추는 게 목표가 아니라 문제 해결 1개를 처음부터 끝까지 제공하는 게 목표입니다. 예를 들어 “파일 변환을 자동으로 끝내준다”처럼 한 가지를 확실히 끝내면 됩니다.

그리고 이 작은 배포 경험이 다음 제품의 속도를 올립니다. 한 번 만들어 배포해 보면, 어디서 막히는지 몸으로 알게 되거든요. 이게 쌓이면 학습 곡선이 생기고, 다음 MVP는 훨씬 빨라집니다. 결국 제품 부업은 큰 한 방 대신 작은 출시의 반복으로 굴러갑니다.

어떻게 팔 것인가?

판매는 다시 콘텐츠로 돌아가서 시작해 보면 됩니다. 내가 만든 MVP가 어떤 문제를 해결했는지, 어떤 시행착오가 있었는지 정리하는 겁니다. 콘텐츠가 신뢰 자산과 반복이 핵심이라면, 제품은 한 번 뜨면 확 퍼질 수도 있습니다.

형식은 하나만 고르면 됩니다. 짧은 글이든, 긴 글이든, 영상이든 상관없습니다. 중요한 건 “내가 겪은 문제 → 만든 해결책 → 결과”를 남이 이해하게 정리하는 겁니다. 그 기록은 곧 같은 문제로 고민하고 있는 다른 사람에게 가닿을 확률이 가장 높고, 또 첫 고객을 데려오는 소개서가 되기도 합니다.

마치며

부업을 시작할 때 콘텐츠, 프리랜서, 제품에 우열은 없습니다. 결국은 내 IT 지식을 어떤 수익 구조로 바꿀지에 대한 선택지입니다. 시간이 없으면 콘텐츠가, 당장 현금 흐름이 필요하면 프리랜서가, 레버리지를 노리면 제품이 더 잘 맞을 수 있습니다. 중요한 건 나에게 맞는 방식을 고르는 일입니다.

사실 부업으로 가장 추천하는 거는 고민을 끝내고, 뭐라도 실행해 보는 겁니다. 완벽하게 하려다 멈추는 대신 작게라도 굴려보는 게 핵심입니다.

콘텐츠: SNS에 짧은 글 1편 발행하기(링크드인, X 등)
프리랜서: 위시켓/크몽/숨고 중 1곳에 프로필 만들고 포트폴리오/패키지 1개 등록하기
제품: Claude Code/Cursor로 MVP 기능 1개 구현하고 배포하거나 링크로 공유하기

어느 길이든 시작의 목표는 돈을 많이 버는 것이 아니라 처음부터 끝까지 한 번 돌아가게 만드는 것입니다. 당장 오늘부터 돈이 들어오는 부업을 찾는다면 아르바이트 자리가 더 빠를지도 모릅니다. 대신 이 부업 방식은 한 번 돌아가면, 나도 모르게 속도가 붙을 겁니다.

]]>

1인 1 어드민의 시대가 온다

위시켓 사례로 본 AX 필수 전략

운영팀 리더가 클로드 코드와 러버블(Lovable)로 팀 전용 어드민을 만듭니다. 프로젝트 성공팀 팀장은 Make와 n8n으로 알림 자동화 시스템을 12개 넘게 구축했습니다. 원래 운영을 하다 최근 PO를 맡게 된 팀원은 AI를 탑재한 계약서 반자동 작성 시스템을 기획하고 프롬프트를 600번 넘게 다듬었습니다. 지금 IT 프로젝트 플랫폼 위시켓 내부에서 벌어지고 있는 일입니다.

더 놀라운 건 기술과 거리가 멀다고 여겨지던 조직의 변화입니다.

"재무팀이 바뀌고 있어요. 자기만의 어드민을 만들어서 자랑을 하더라고요. 법무팀도 기술과 먼 집단인데, 어떻게든 공부해서 AI 통해 자동화를 해냈어요."

위시켓 박우범 대표는 이 현상을 보며 하나의 확신을 갖게 됐습니다.

"1인 1 어드민의 시대가 옵니다. 초개인화된 업무 환경이 실현되는 것이죠.”

위시켓 박우범 대표 (출처: 위시켓)

어드민은 서비스 운영에 필요한 데이터를 만들고 수정하고 삭제하는 등의 관리를 위해 만들어진 내부 전용 관리 도구입니다. IT 기업에서 보통 어드민은 개발팀이 만듭니다. 운영팀이 필요한 기능을 요청하면, 개발팀이 우선순위를 따져 구현해주죠. 개발팀에서 만들어주길 기다려야 하는 입장이 됩니다. 그러다 보니 운영팀은 항상 원하는 기능 개발에 목말라 있습니다.

그런데 위시켓에서는 지금 개발팀이 만들어준 도구를 쓰던 조직이, 스스로 도구를 만드는 조직으로 바뀌고 있다는 것입니다. 위시켓은 이 변화를 어떻게 만들어냈을까요? 그리고 그 과정에서 무엇을 배웠을까요?

AI 도입 2년차, 위시켓의 시행착오와 발견을 들어봤습니다.

**(쌍별)을 숨기지 마라: 리더의 솔직한 실험이 팀의 문턱을 낮춘다

박우범 대표가 AI의 파급력을 실감한 건 위시켓 플랫폼을 통해서였습니다. 위시켓은 IT 프로젝트를 중개하는 플랫폼입니다. 소프트웨어나 IT 인력이 필요한 클라이언트들이 프로젝트를 의뢰하고, ‘파트너’라고 불리는, 위시켓에 등록된 개발사 또는 개발자가 프로젝트를 수주합니다. 10만 건이 넘는 IT 프로젝트가 이 플랫폼에서 거래됐죠. 그러다 보니 최신 IT 프로젝트의 동향을 빠르게 파악할 수 있습니다.

LLM의 등장 이후 박 대표가 플랫폼에서 목격했던 것은 RAG, 챗봇, 추천 엔진 같은 키워드의 증가였습니다. 파트너는 이와 관련된 포트폴리오를 올리기 시작했고, 클라이언트는 이런 프로젝트를 의뢰하기 시작했죠.

➡️10분 만에 RAG 이해하기

엄청난 변화가 있을 거라는 생각은 들었지만, 정확히 어떤 모습일지는 알 수 없었습니다. 다만 ‘혁신하지 않으면 대체될 수 있다’는 확신이 있었죠. 게다가 고민하는 속도보다 시장이 바뀌는 속도가 더 빨랐기 때문에, 우선 팀에서 AI를 선제적으로 다루며 흐름을 따라가야 한다고 생각했습니다. 하지만 아직 팀원들은 AI를 적극적으로 사용하거나 위기감을 느끼고 있지는 않았습니다. 그래서 AI에 대한 관심을 높이고 활용해보게 하는 것이 가장 중요한 과제였습니다.

모든 팀원들이 AI 사용을 친숙하게 느낄 수 있도록 박대표가 가장 먼저 한 것은, 슬랙에서 박 대표가 보내는 모든 메시지를 AI로 생성하는 것이었습니다. 단순한 답변부터 보고서나 기획안까지 전부 AI로 만들었고, AI 특유의 쌍별(**) 표시도 그대로 노출했습니다. “내가 느낀 충격을 팀원들도 자연스럽게 체감하길” 바라는 마음에서 였습니다.

“거창한 시스템을 갑자기 도입하기 보다는 사람들이 체감하는 게 중요하다고 생각했어요. 그러려면 저부터 바뀌어야 했죠. 제가 쓰는 걸 보고 사람들도 직접 써보고, 효능감을 느껴야 변화가 지속적으로 일어난다고 생각했습니다.”

또 직접 AI를 활용해 플랫폼 업무를 개선해보고자 2023년 초, 박대표 자신을 포함한 3인의 AI TF를 꾸렸습니다. 신기술에 관심이 많은 백엔드 개발자 나아름, 그리고 AI를 잘 쓰던 프로세스 매니저 강찬모를 설득했죠. 강찬모는 위시켓이 중개하는 클라이언트와 파트너의 미팅을 조율하는 일을 하던, AI 기술이나 개발과는 전혀 관계 없던 팀원이었습니다. 하지만 당시 ChatGPT를 단순히 챗봇으로 이용하는 게 아니라 플레이그라운드에서 여러 가지 개발을 해볼 정도로 AI 활용에 적극적이었죠.

박 대표는 "AI가 우리의 미래"라고 그들을 설득해 AI로 외주 시장을 ‘지배’하겠다는 포부를 품었습니다.

AI TF의 야심 찬 실험이 현장에서 외면받은 이유

AI TF에서는 다양한 시도를 했습니다. IT 아웃소싱을 처음 의뢰하는 사람들은 요구사항을 정리하는 것과 프로젝트에 소요되는 기간과 비용을 설정하는 것을 가장 어려워 했습니다. 이를 위해 위시켓에서는 클라이언트가 프로젝트를 의뢰하면 ‘컨설팅’ 팀이 직접 클라이언트에게 연락해 해당 프로젝트가 얻고자 하는 결과물이 무엇인지, 적합한 견적은 얼마이며 필요한 기술 스택은 어떠한지를 확인한 뒤 플랫폼에 올리는 과정을 거칩니다.

2023년 AI TF는 이 과정에서 유저들이 겪는 어려움과 운영상의 어려움을 낮추기 위해 사용자가 입력한 내용을 바탕으로 프로젝트의 상세한 내용과 요구사항을 자동으로 가공하거나 견적을 자동으로 산출해주는 것 등을 시도했습니다. 이를 위해 팀원들이 다같이 프롬프트를 작성해보고 결과물을 공유하기도 했죠.

(출처: 위시켓)

하지만 결과적으로 매니저들이 지속적으로 사용하기에는 아쉬운 점이 많았습니다. 빠진 내용이 있거나 불필요한 내용이 포함되기도 했고, 매니저가 특별히 강조하고 싶은 부분도 누락되었습니다.

또 대표적으로 실행한 것으로 내부 매니저들을 위한 검색과 파트너 추천 기능도 있었습니다. 검색과 추천을 먼저 하기로 한 이유는 AI를 어디에 써야 좋을지 명확하지 않은 상황에서, 위시켓에 올라오는 프로젝트 중 검색, 추천 관련 비중이 높은 것을 보고 영감을 받은 것이었습니다.

앞서 컨설팅 과정을 거쳐 위시켓 매니저가 검수한 내용이 플랫폼에 등록되면, 위시켓에 등록된 파트너들이 프로젝트를 확인하고 지원합니다. 위시켓 매니저들은 파트너들의 지원 내용을 보고 적합한 파트너를 추려 클라이언트에게 제안해야 합니다. 이 과정에서 수많은 파트너 정보를 검색하고 비교해야 하죠.

AI가 이 작업을 도와주면 업무 효율이 올라가지 않을까, 하는 기대였습니다. 그래서 2024년 초에는 매니저들이 특정 프로젝트에 대해 검색을 하면, 그 프로젝트의 지원자 중 적합한 지원자가 누구인지 점수화해 보여주는 기능을 만들었습니다.

하지만 이 또한 결과는 기대와 달랐습니다. 할루시네이션과 느린 속도로 인해 매니저들에게 좋은 피드백을 받지 못했죠. 지원 수 1,100건을 평가하는 데 4.5 시간이 걸렸습니다. 매니저들 입장에서는 기존 방식이 오히려 더 빨랐고, 높았던 기대에 비해 엄청난 결과를 내지는 못하는 것에 실망하는 반응이 많았습니다.

AI 거래비용의 역설: 기술의 격차를 메우는 힘은 '도메인'에 있다

하지만 박 대표는 이 실패를 기술의 한계로 보지 않았습니다. 오히려 진짜 승부처가 어디인지를 알려주는 강력한 신호로 읽었습니다. LLM의 성능이 점점 좋아지면서 속도나 성능의 문제는 곧 해결이 될 거라 생각했습니다. 문제는 ‘데이터’와 ‘도메인’이라고 봤죠. ‘추천’을 한다 해도 어떤 데이터를 기반으로 ‘적합도’를 평가할 것인지, 그 데이터가 잘 정리되어 있는지, 이를 위해 어떤 맥락을 더해야 하는지 등이 더 중요한 문제였죠. 또 그에 앞서, 우리가 하고 있는 일 중에서 ‘무엇’을 AI와 함께 풀어야 할 문제로 정의할 것인지는 그 업무를 잘 알고 있어야 판단할 수 있었습니다.

“모델 성능도 성능이었지만, 데이터가 얼마나 잘 정제되어 있는지, 우리가 일을 얼마나 잘 시키는지가 결과물에 더 큰 영향을 준다는 생각이 들었습니다. 데이터가 좋지 않으면 추천 결과도 좋지 않았고, 우리가 우리 도메인에서 일의 프로세스를 잘 알고 있어야 AI에게 일을 더 잘 시킬 수 있다는 것, 그것이 결과물의 퀄리티를 결정한다는 것을 알게 됐죠.”

도메인을 아는 사람이 AI를 써야 한다는 건 알았지만, 사실 현실은 반대였습니다. AI TF 멤버와 다른 팀원들 사이의 기술 격차가 점점 벌어지고 있었거든요. “AI의 기술적 원리를 이해하기 어려워 당시 AI TF 아니면 손을 대지 못했어요. 이게 시장에서도 똑같이 벌어지는 문제일 거란 생각이 들었죠.”

이 두 가지 문제는 시장에 대한 인사이트로 확장됐습니다. 플랫폼 비즈니스의 본질은 ‘거래비용을 낮추는 것’입니다. 하지만 AI를 무엇에 적용해야 할지, AI를 적용해 성과를 내기 위해 필요한 데이터가 우리 조직에 있는지를 모르는 사람들과 LLM을 더 효율적으로 활용하기 위한 기술적 발전이 심화됨에 따라 이를 따라잡기 어려워 하는 이들이 많아지고 있었습니다. 이는 곧 ‘거래비용이 높아진다’는 것을 의미했죠. AI를 어디에 적용해야 할지, 그렇게 하려면 어떤 일을 해야 할지, 누구와 작업해야 하는지를 탐색하고, 협상하고, 집행하는 데 어려움이 많아진다는 뜻입니다.

그리고 이는 곧 IT 아웃소싱 시장에서 단순한 기능 개발보다 “엔드 투 엔드 IT 컨설팅”이 살아남을 것이라는 판단으로 이어졌습니다. 그래서 AI 컨설팅 조직인 AIDP를 만들어 직접 기업의 AI 전환을 돕기 시작했습니다.

위시켓 AIDP (출처: 위시켓)

AI TF에서 실행한 결과물이 성공한 것은 아니었지만, 조직의 방향을 바꾸는 중요한 배움을 얻은 것입니다.

더불어 AI 코딩 에이전트나 AI 기반 웹사이트 빌더 등이 등장하고 성능이 점점 좋아지면서, 도메인 전문가가 AI를 더 잘 활용할 수 있는 환경도 동시에 도래하고 있었습니다. 도메인을 아는 사람이 직접 만드는 시대로 향해가고 있었죠.

‘직접 만드는 사람들’이 AX의 핵심이다

한편, 조직의 혁신은 “AI가 중요하다”는 Top-down식 구호로 완성되지 않았습니다. 오히려 중앙 집중적인 AI TF가 시행착오를 겪으며 동력을 잃어갈 즈음, 조직 곳곳에서 자기 자리의 비효율을 참지 못한 실무자들이 움직이기 시작했습니다.

시스템이 해결해주길 기다리던 수동적인 태도에서 벗어나, '내 문제는 내가 푼다'는 개별적 욕망이 폭발한 것입니다. 박우범 대표는 이들을 '송곳 같은 사람들'이라 불렀습니다.

AI TF의 첫 시도가 기대에 못 미치는 결과를 낸 뒤에도, 박우범 대표는 슬랙 채널에 AI 관련 소식을 공유하는 걸 멈추지 않았습니다. "AI가 미래다"라고 1년 가까이 외쳤죠. 그리고 그 사이, LLM 모델의 성능도 실제로 많이 좋아졌습니다. 할루시네이션이 줄고, 시장의 타이밍과 맞아떨어지기 시작한 겁니다.

그때 한 사람이 두각을 나타냈습니다. 위시켓의 AI 컨설팅 조직 AIDP를 이끄는 이홍주 팀장이었습니다. 컴퓨터 공학을 전공하고 비즈니스 컨설팅, SAP 개발, IT 컨설턴트로 활동했던 이력을 가진 이홍주 팀장은 DB와 툴 사용에 능했습니다. 그가 자동화 툴 MAKE를 사용하고 온갖 자동화 사례를 보여주기 시작하며 사내에서도 MAKE를 사용하는 사람들이 늘어나기 시작했습니다. 이홍주 팀장에게 1:1로 배우는 사람들도 생겨났죠.

이 흐름이 각 팀의 리더들에게도 영향을 미쳤습니다. 처음엔 박대표가 던지는 AI 소식에 시큰둥해 하던 사람들도 MAKE에 대한 관심을 시작으로 직접 바이브코딩을 해 제품을 만들어보는 사람들까지 생겼죠.

전사적 미션: 모든 팀은 자신의 업무를 자동화하라!

이 흐름에 더 불을 붙인 것은 전사적인 미션을 선포한 것이었습니다. 2025년 11월, 모든 팀은 각자의 업무에서 3가지를 자동화 또는 바이브코딩해야 한다는 미션을 실행해야 했습니다.

비개발자 팀원이 직접 만든 어드민 (출처: 위시켓)

비개발자 팀원이 직접 만든 프로그램 (출처: 위시켓)

비개발자 팀원이 직접 구축한 자동화 (출처: 위시켓)

그중 결과물을 가장 활발하게 내놓는 사람들이 생겼습니다. 프로젝트 성공팀 김나연 팀장과 위시켓 운영팀 박민재 팀장이 대표적인 사례였습니다.

자세한 사례는 뒤에서 다루겠지만, 둘은 자동화 툴을 활용해 효율적인 운영 방식을 찾아내는 것뿐 아니라 직접 어드민을 만들기도 했습니다. 특히 개발팀의 공수를 쓰기에는 우선순위에서 밀리지만 운영자들에게는 업무 루틴을 크게 개선할 수 있는 부분에 집중했습니다. CRM을 자동화하거나, 계약서를 자동으로 병합하거나 고객과 문자, 이메일, 통화로 커뮤니케이션한 내용을 자동으로 기록, 정리하는 것들이었죠.

"송곳 같은 사람들 때문에 AI에 대한 학습 분위기가 전사적으로 무르익었어요. 그 타이밍에 전사 미션까지 낸 것이 시너지가 터졌다고 생각해요."

흥미로운 건 이들의 공통점입니다. 이홍주 팀장은 컴공 출신이지만 비즈니스 컨설팅과 SAP 개발, IT 컨설턴트를 거친 사람입니다. 김나연 팀장은 분쟁 담당 7년차, 박민재 팀장은 운영팀 리더입니다. 개발자가 아닙니다. 도메인을 깊이 이해하고, 프로세스의 비효율을 체감하고, 거기에 기술적 호기심이 더해진 사람들이죠.

이들 송곳 같은 사람들이 보여준 가능성, 그리고 팀 미션. 이 두 가지가 맞물리면서 변화는 예상치 못한 곳까지 퍼져나갔습니다. 가장 인상적인 변화는 기술과 거리가 멀다고 여겨지던 팀에서 일어났습니다. 재무팀과 법무팀도 움직이게 된 것입니다.

박 대표는 이 송곳같은 사람들의 변화는 단순히 개인이 AI를 활용하고 조직에 전파했다는 것을 넘어, 플랫폼 운영 조직의 업무 방식 전반의 변화를 이끌어냈다는 의미를 갖고 있다고 내다봤습니다. “마치 데이터 주권을 가진 것처럼 새로운 시대가 열린 것 같다”고 평하기도 했습니다.

본래 플랫폼 운영 조직은 개발팀이 만든 툴을 쓰고, 새로운 기능이 필요하면 개발팀에 요청해 우선순위를 기다리고, 기능이 구현되면 쓰는 방식으로 일하며 개발팀에 의존적이었습니다. 하지만 주도적으로 필요한 어드민을 만들고 자동화를 구현할 수 있게 되면서, 의존성을 낮출 수 있게 된 것이죠. 이런 움직임이 모여 조직의 흐름을 만들고, 비로소 조직 전체가 AX를 경험하게 되는 것입니다.

개발 우선순위 '꼴찌'들의 역습: 운영팀이 직접 만든 무기

그렇다면 이 ‘송곳같은 사람들’은 무엇을, 왜 만들었을까요? 이제 조금 더 구체적인 사례를 살펴보겠습니다.

프로젝트 성공팀: 놓치던 일을 시스템으로

프로젝트 성공팀은 IT 외주가 100% 성공할 때까지 개선하는 일을 합니다. 김나연 팀장이 풀고 싶었던 문제는 두 가지였습니다.

빈도는 적지만 놓치면 안 되는 일
임팩트 증명이 어려워 개발 우선순위에서 밀리지만 손으로 하고 있는 일

가장 먼저 만든 건 대금 지급 단계별 알림 자동화였습니다. 위시켓에서는 프로젝트 기간이 긴 경우, 프로젝트 대금을 지급하는 기간을 나눕니다. 긴 기간 동안 프로젝트를 진행하고 완수했음에도 대금을 지급받지 못하는 상황을 방지함으로써 파트너들의 권리를 보호하고, 클라이언트도 중간 점검을 통해 프로젝트에 대한 해상도를 높일 수 있도록 하기 위함입니다. 정보 비대칭이 큰 IT 프로젝트의 안정성을 높이기 위한 위시켓의 대표적 프로세스 중 하나죠.

위시켓 김나연 프로젝트 성공 팀장 (출처: 위시켓)

그런데 대금 지급이 이뤄지는 시점에 사람이 직접 일일이 결과물 목록을 확인하고 수동으로 메시지를 보내야 했습니다. 핵심 업무가 쏟아지다 보면 이 안내 타이밍을 놓치는 경우도 생기곤 했죠. 하지만 김나연 팀장은 클라이언트가 스스로 챙기기 힘든 부분까지 위시켓이 선제적으로 가이드해 줄 때 비로소 진정한 '안전한 외주 경험'이 완성된다고 확신했습니다.

그럼에도 한정된 개발팀 리소스를 투입하기에는 항상 핵심 업무에서 밀렸기에, 직접 자동화를 실행해보기로 했습니다. 그는 MAKE로 직접 시나리오를 만들어 알림을 자동으로 발송하는 시스템을 구축했습니다. 이를 시작으로 알림 자동화만 12개를 구축했죠.

김나연 팀장 자동화 사례 (출처: 위시켓)

한 번 만들어봤더니 자신감이 생겼습니다. n8n이라는 툴을 활용해 신용도 모니터링 시스템까지 만들었습니다. 프로젝트 진행의 안정성을 높이기 위해 거래가 이루어지기 전, 폐업 가능성이 있는 기업을 사전에 감지하는 시스템입니다. 외부 API를 연동해 신용도를 사전 평가하고 모니터링할 수 있도록 했습니다.

나아가 팀에서는 어드민을 만들기 시작했습니다. 고객과의 통화, 이메일 커뮤니케이션 이력을 일원화하는 커뮤니케이션 어드민입니다. 프로젝트 성공팀의 업무는 직접 고객과 이야기해 원만한 조율을 이끌어내는 일이 대부분입니다. 이 대화 내용은 모두 이후 개선에 중요한 데이터가 되죠. 모든 커뮤니케이션 내용을 한 곳에 모아 조회하고 인사이트를 얻을 수 있도록 하는 것이 목표입니다.

김 팀장은 말합니다. "고착화된 루틴에서 벗어나 새로운 걸 할 수 있다는 기대가 생겼어요. 아이디어가 생기면 바로 테스트하고 싶어요."

운영팀: 개발팀 없이 어드민 만들기

위시켓 운영팀은 프로젝트가 계약 체결까지 이루어지도록 정책과 시스템을 다룹니다. 박민재 팀장의 고민은 '휴먼 리소스' 의존도였습니다. 인력이 항상 부족하고, 담당자마다 업무 품질이 균일하지 않았죠.

"개발팀은 효용이 낮게 보지만 우리는 필요한 기능들이 있어요. 그런 업무들은 개발팀 통해 만들기 힘들어요."

박민재 팀장의 이 고민은 프로젝트 성공팀의 고민과도 비슷한 고민이었습니다. 만들어지면 담당자들이 일을 더 수월하게 할 수 있지만, 제한된 개발팀 리소스를 사용하기에는 우선순위가 높지 않은 기능들이죠.

(출처: 위시켓)

시작은 AI TF의 강찬모와 함께 운영팀에서 효율화할 수 있는 부분을 찾아 개발해보는 것이었습니다. 가장 먼저, 핵심 전략은 아니지만 하면 좋은 CRM을 자동화했습니다. 위시켓에는 다양한 규모의 프로젝트가 거래되는데, 모든 프로젝트를 CRM 하기는 어려웠죠. 인력이 항상 부족한 상황에서 전략적으로 더 ROI가 높은 거래가 우선순위가 높았죠. 하지만 그동안 우선순위가 높지 않던 프로젝트도 CRM을 할 수 있다면 더 많은 거래가 이뤄질 수 있었습니다.

그래서 소규모 금액대 프로젝트가 등록되면, 적합한 파트너를 자동으로 추천해 이메일을 발송하는 CRM 자동화를 구축했습니다. 소규모 금액대 클라이언트도 프로젝트를 의뢰한 뒤부터 계속 적합한 파트너를 자동으로 알림받을 수 있게 됐고, 이는 실제 미팅으로 이어지는 비율을 최대 10%까지 높였습니다.미팅이 많아지면, 거래가 성사될 가능성이 높아지기 때문에 매출액이 증가하는 효과를 낼 수 있습니다.

이후 위시켓 팀의 적극적인 AI 활용 문화와 전사 미션에 고무된 박민재 팀장도 직접 필요한 걸 개발하기 시작했습니다. 위시켓에서 작성하는 계약서는 본 계약서와 별첨 문서를 병합해야 하는 경우가 많았는데, 먼저 이를 자동화했습니다. 어도비 프로그램을 열고 일일이 계약서를 병합해서 다운로드 받아야 하는 3분짜리 번거로운 일을 없애고 ‘딸깍’ 한번으로 계약서가 병합되게 했죠.

‘매니저 에이전트’ 개발로 가는 길

또 유저와의 커뮤니케이션도 자동으로 정리해 슬랙봇으로 발송하는 시스템을 만들었습니다. 운영팀 또한 앞서 소개한 프로젝트 성공팀처럼 고객과 통화하는 일이 많습니다. 기존에는 통화 내용을 담당자들이 직접 정리해 슬랙에 공유하도록 했는데, 우선순위가 높지 않아 기록하지 못하는 건도 많았습니다. 그러다 보니 고객과의 내용이 누구나 활용 가능하고 팀 전체의 인사이트를 뽑아낼 수 있는 데이터가 아니라 각 담당자들의 직관에만 녹아 있었습니다. 박 팀장은 이 문제를 해결하기 위해 법인폰을 도입하고, 법인폰의 통화 내역을 전부 녹음해 녹음한 내용을 제미나이가 분석, 슬랙에 자동으로 공유해주는 시스템을 n8n을 활용해 만들었습니다.

위시켓 박민재 운영팀장 (출처: 위시켓)

박 팀장은 이 시스템이 진화해 ‘매니저 에이전트’가 되기를 꿈꾸고 있습니다. 그는 운영팀 매니저들에게 가장 중요한 일은 “유저와 대화를 나누는 일”이라며 매니저들이 유저와 만나는 일만 할 수 있도록 계약서 작성이나, 시스템에 필요한 액션을 하는 업무를 전부 자동화할 수 있는 상황을 바라고 있죠. “커뮤니케이션을 전부 기록하고 분석하는 것이 이 방향으로 나아가는 시작점”이라고 말합니다. 매니저들와 유저의 실제 보이스에 관한 신뢰할 만한 좋은 데이터를 전부 수집한다면, 매니저 에이전트를 구축하는 데 필요한 질 좋은 가이드들이 만들어진다는 것이죠.

또 우선순위로 CRM을 실행해야 할 프로젝트를 확인할 수 있는 어드민도 만들었으며, 현재는 한 프로젝트당 3-40분이 걸리는 업무를 없애는 일을 진행하고 있습니다. 위시켓에서는 클라이언트와 파트너가 서로의 업무 범위를 문서로 기록하고 확인하는 ‘체크리스트’를 작성하고, 이를 계약서에 반영하고 있습니다. 이 과정에 3-40분이 걸리는데, 체크리스트를 계약서 양식에 자동으로 맵핑하는 시스템을 만들어 이걸 없애버리겠다는 포부입니다.

(출처: 위시켓)

이들의 공통점은 명확합니다. 개발팀 우선순위에서 밀리던 것들을 직접 해결했고, 도메인 지식이 있었기에 뭘 만들어야 하는지 알았습니다.

김나연 팀장은 "개발 공수가 깜깜이였는데 이제 해상도가 높아졌다"고 했고, 박민재 팀장은 "수기로 테스트할 필요 없이 일단 만들어서 트래킹하게 됐다"고 말합니다. 박우범 대표가 말한 "뭘 만들까를 정의하는 능력"이 이들에게서 증명되고 있었습니다.

우리 조직의 '송곳'을 찾는 법
위시켓 사례에서 도출한 발굴·육성 포인트

✅ 이런 시그널을 가진 사람을 찾아라
자신의 업무 프로세스를 흐름도(Flowchart)로 그려낼 줄 아는 사람
업무 중 "이거 왜 이렇게 해야 하지?"라고 자주 묻는 사람
엑셀 매크로, 구글 스프레드시트 함수를 혼자 찾아 쓰는 사람
개발팀에 기능 요청할 때 "이렇게 만들어달라"고 구체적으로 설명하는 사람
새 툴이 나오면 일단 써보는 사람

✅ 이런 환경을 만들어라
유료 플랜 자유롭게 쓸 수 있게 열어주기
"하면 안 되는 것"만 명확히 하고 나머지는 허용
만든 결과물을 전시하고 자랑할 수 있는 자리 (슬랙 채널, 월간 쇼케이스 등)
1:1로 배울 수 있는 연결 (먼저 잘하는 사람이 튜터 역할)

✅ 흔한 오해
개발 전공자여야 한다 X
기술을 먼저 가르쳐야 한다 → 도메인 지식이 먼저, 기술은 도구일 뿐 X
전사 교육으로 해결된다 → 교육보다 과제와 실행이 변화를 만듦 X

HOW는 AI에게 맡기고 ‘WHAT’에 집착하라

위시켓의 AI 도입 2년은 결국 하나의 질문에 대한 답을 찾아가는 과정이었습니다. '어떻게 만들까(HOW)'가 아니라 '무엇을 만들까(WHAT)'를 정의하는 능력이 비즈니스의 승패를 결정짓는 시대, 그 사람들을 어떻게 움직이게 할 것인가.

답은 의외로 단순했습니다. 리더가 먼저 실험하고, 현장의 불편함을 참지 않는 '송곳' 같은 사람들에게 도구를 쥐여주는 것입니다. 그러면 재무팀도, 법무팀도 결국 움직입니다. 기술은 더 이상 장벽이 아니라, 실무자의 상상력을 현실로 옮겨주는 가장 빠르고 충실한 조력자가 되었기 때문입니다.

박우범 대표는 이 변화의 본질을 이렇게 정리합니다.

"AI 시대에 경쟁력 있는 조직은 AI 기술 그 자체를 잘 아는 조직이 아닙니다. 각자가 자기 일을 깊이 이해한 채로, 필요한 도구를 직접 정의하고 만들어낼 수 있는 조직입니다. 이제 리더의 역할은 정답을 지시하는 것이 아니라, 구성원들이 각자의 'WHAT'을 마음껏 펼칠 수 있는 판을 깔아주는 것입니다."

프로덕트를 만드는 사람들 사이에서는 "하면 좋은 것(good to have)이 아닌 꼭 해야 하는 것(must have)에 집중하라"는 말이 있습니다. 개발 리소스가 한정된 상황에서의 전략적 선택이죠. 하지만 하면 좋은 것이라고 해서 가치가 없는 건 아닙니다. 하면 분명 효과가 있는데, 우선순위에서 밀려 못 하고 있는 것들입니다.

이제 그 '하면 좋은' 것을, 필요한 사람이 직접 만들 수 있게 됐습니다. 밀려 있던 CRM 자동화를 구현해서 전환율을 10% 올립니다. 3분짜리 반복 작업을 없애서, 그 시간에 고객을 한 명 더 만납니다. 그동안 개발 대기열(Backlog)이라는 거대한 병목에 가로막혀 빛을 보지 못했던 '잠재적 가치'를 즉시 시장에 내놓는 일입니다.

하나의 서비스에 하나의 어드민만 존재하던 시대는 끝났습니다. 이제 실무자의 숫자만큼 다양한 도구가 존재하고, 그 도구들이 각자의 영역에서 잠자던 가치를 깨우는 초개인화된 업무 환경이 열리고 있습니다.

위시켓은 이 길을 먼저 걸으며 얻은 확신을 바탕으로, 이제 AIDP를 통해 더 많은 기업이 자신들만의 ‘WHAT'을 발견하고, 실제로 구현하도록 돕고 있습니다. 혁신은 거창한 IT 지식이 아니라, 오늘 당신의 팀원이 내뱉은 "이거 제가 직접 해결해볼 수 있을 것 같아요"라는 주도적인 한마디에서 시작됩니다.

이제 ‘HOW’는 AI에게 맡기세요. 당신은 오직 ‘WHAT’에만 집착할 차례입니다.

]]>

Zapier vs Make vs n8n 보다 미리 알아야 할 것들

사람들이 너무 바쁩니다. 그래서 자동화 프로젝트에 들어갑니다. 이를 맡은 사람은 고민합니다. “무슨 툴로 구현하지?”

담당자는 우선 커뮤니티나 주변 동료들한테 “요즘 자동화 툴 뭐가 좋아요?”라고 질문을 던집니다. 채팅방에는 Zapier, Make 같은 이름이 먼저 오르내립니다. 누군가는 요즘 n8n, Dify가 핫하다고 알려 줍니다. 그렇게 어렵게 도구를 골랐는데, 그 다음 질문부터 어렵습니다. “그래서, 뭘 자동화하지?”

이제 관점을 바꾸면 어떨까 합니다. 자동화는 툴 고르기가 아닌 업무 흐름에서 반복 작업을 분리해 위임하는 설계의 문제입니다. 쉽게 말해 사람이 매번 하던 복붙, 확인, 전달 같은 것을 규칙으로 잘라서 맡기는 일입니다. 그래서 자동화는 업무에서 줄여야 할 반복이 어디에 숨어 있나 찾는 일부터 시작해야 합니다.

이 글은 자동화 툴과 세세한 방법을 나열하는 소개서는 아닙니다. 그 대신 업무 자동화를 시작할 때, 무엇을 먼저 봐야 하는지부터 정리할 겁니다. 곧이어 자동화의 기본 뼈대이자 문법인 ‘트리거–조건–액션’을 내 업무에 붙이는 법을 보고, 마지막으로 Zapier, Make, n8n, Dify를 역할 분담이란 관점에서 비교해 보겠습니다.

<출처: 요즘IT, Gemini로 제작>

자동화 = 업무를 위임하는 설계

업무 자동화의 출발점은 “사람 손을 타는 반복”을 찾아내는 일이라고 생각합니다. 내가 매일 비슷하게 처리하는 일을 업무 흐름에서 떼어내고, 누구나 같은 방식으로 처리하게 만든 다음, 시스템에게 맡기는 과정이거든요. 이 관점을 잡아야 그 다음 일들이 제자리를 찾는 일을 많이 봤습니다.

많은 팀이 실패하는 지점

가장 일상적인 문제는 많은 팀이 자동화를 이 시스템에 따르지 않고 당장 해결해야 할 임시 프로젝트로만 본다는 겁니다. 그래서 “자동화 한번 해봅시다”로 시작하지만, 정작 현업에서 쪼개야 할 반복 단위를 못 잡습니다. 반복 단위가 흐릿하면 자동화는 커지고 일정만 늘어나다 결국 “생각보다 어렵네요. 하던 대로 하죠?”로 끝나기 쉽습니다.

또 하나는 질문의 순서가 뒤집히는 경우입니다. “이거 Zapier로 돼요?” 하며 도구의 범위부터 묻고 정작 업무 목적은 나중에 생각하는 겁니다. 그러면 자동화는 할 수 있는 것 위주로 흘러가고 해야 하는 것은 남습니다. 툴은 수단인데, 수단이 목적을 끌고 가는 순간 실패 확률이 올라갑니다.

자동화를 바라보는 프레임

업무 자동화는 분리(Separation) → 표준화(Standardize) → 위임(Delegate) 프레임으로 보는 것이 편합니다.

분리 단계에서는 먼저 반복되는 일을 현재 업무에서 분리해 “이 작업만 따로 떼면 뭐가 남지?”를 봅니다. 표준화 단계에서는 입력이 무엇이고, 결과물은 어떤 형태인지, 중간 판단은 어떤 규칙인지 정리합니다. 핵심은 누가 해도 같은 결과가 나오도록 하는 겁니다. 마지막으로 위임 단계에서 이제 그 일을 사람에게 맡길지, 시스템에게 맡길지, 혹은 외부 서비스에 넘길지 결정합니다.

자동화 후보를 가르는 3가지 기준

이 세 가지 프레임을 머리에 둔 채로 자동화 후보를 잡아야 합니다. 당연히 무슨 업무가 필요한 지는 바로 안 나오겠죠. 그래서 자동화 체감을 가장 키워줄 일을 찾는 3가지 질문을 잡았습니다. 저 프레임에 적합한지 방향을 잡을 수 있습니다.

반복성: 같은 입력을 받아, 같은 출력이 자주 나오나요?

매번 비슷한 내용을 복사해 붙여넣는다, 같은 일이 여기에 해당합니다. 반복이 적으면 자동화해도 체감이 약합니다.

규칙성: 예외 상황을 이해하며, 이를 규칙으로 표현할 수 있나요?

“A면 이렇게, B면 저렇게”가 말로 설명된다면 자동화로 옮길 여지가 있습니다. 반대로 매번 감으로 판단한다면, 먼저 판단 기준부터 잡아야 합니다.

의존성: 다른 시스템이나 사람에게 넘기는 핸드오프가 많은가요?

예를 들어 메일을 보고, 시트를 업데이트하고, 다시 메신저로 알리는 흐름은 중간 전달이 많습니다. 이런 구간은 자동화가 들어가면 체감 효과가 큽니다.

트리거(Trigger)–조건(Condition)–액션(Action)

무슨 일을 위임할지 찾고 나면 설계 차례입니다. 다만, 자동화 툴들은 대부분 같은 문법을 따릅니다. 사실 시작할 때 가장 많이 막히는 지점이기도 하죠. 거의 모든 자동화가 따르는 문법인 트리거(Trigger)–조건(Condition)–액션(Action) 구조를 이해해야 일을 어떻게 나눠 밀어넣을지 감을 잡을 수 있습니다. 사실 크게 어렵지 않습니다.

“만약 [트리거]가 발생하면, [조건]을 검사해서, 맞으면 [액션]을 실행한다”.

이 구조가 곧 자동화의 설계도가 됩니다.

자동화의 기본 구조

트리거는 일이 시작되는 신호입니다. 쉽게 말해 자동화가 필요해진 순간이죠. 예를 들면 폼이 제출되거나, 메일이 도착하거나, 문서 상태가 바뀌는 이벤트가 트리거가 됩니다. 트리거를 잘 잡으면 어디서부터 시작할지가 또렷해집니다.

조건은 어떤 경우에 실행할지를 결정하는 필터입니다. 모든 일을 다 자동으로 처리하면 편할 것 같지만, 실제로 그렇게 하다보면 사고가 납니다. 따라서 조건은 자동화의 분기점이고, 불필요한 실행을 막는 안전장치입니다. 그러니 더더욱 속도보다 정확함을 지켜야 합니다. 조건이 없으면 자동화는 금방 스팸, 중복 생성, 오작동을 만듭니다. 같은 리드가 여러 번 만들어지고, Slack이 알림으로 도배되고, 담당자가 중복 배정될 수 있습니다.

액션은 시스템이 실제로 하는 일입니다. 생성, 수정, 알림, 저장처럼 손으로 하던 행동을 대신합니다. 예를 들어 CRM에 리드를 만들고, Slack에 알리고, 시트를 업데이트하는 것들이 액션입니다. 트리거와 조건이 “언제, 누구를” 정한다면, 액션은 “무엇을”을 정합니다.

흔한 업무를 T–C–A로 번역하는 예시

가장 이해하기 쉬운 것으로는, 리드나 문의에 대한 처리가 있습니다. T–C–A가 가장 잘 먹히는 영역이거든요. 트리거는 “폼 제출”처럼 명확합니다. 조건은 제품군, 지역, 금액처럼 분류 기준이 리드와 문의에 추가로 들어온 정보들니다. 이어지는 액션은 “CRM 생성 + Slack 알림 + 담당자 배정”처럼 묶어서 설계할 수 있습니다.

문서와 승인 흐름도 같은 방식으로 정리됩니다. 트리거를 “문서 상태 변경”으로 두고, 조건은 결재라인이나 금액 기준처럼 예외를 가르는 규칙으로 잡은 다음, 액션에서 승인 요청을 보내고, 리마인드를 돌리고, 로그를 저장하는 식입니다.

데이터 정리는 반복이 많아 체감이 큰 자동화입니다. 만약 트리거를 “새 행 추가”처럼 데이터가 들어오는 순간으로 잡으면 어떨까요? 빈 값이나 형식 오류를 걸러내는 검증 규칙을 조건으로 두고, 액션은 데이터를 정규화한 다음 DB나 시트를 업데이트하는 식으로 잡을 수 있습니다.

자동화를 위한 업무 흐름 해부 4단계

자동화할 업무를 골랐고, 기본 문법인 T-C-A를 이해했나요? 그럼 본격적으로 선택한 업무를 문법에 맞춰 밀어넣도록 해부할 단계입니다. 쉽게 말하면 “그래서 내 일을 어디서부터 쪼개야 하지?”라는 질문에 답을 해보는 식입니다. 이때는 흐름을 네 덩어리로 나눠 보는 게 가장 빠릅니다. 대부분의 업무는 ‘시작–처리–전달–기록’을 반복하기 때문입니다.

<출처: 요즘IT, Gemini로 제작>

업무를 ‘시작–처리–전달–기록’으로 나누는 이유

업무 흐름을 이 단계로 잘 나누면 사람이 손으로 넘기는 지점이 드러납니다. 자동화는 보통 그 지점에 들어갈 때 가장 큰 효과가 납니다. 사람이 시스템 사이를 오가는 순간을 찾아 대체하는 느낌이죠.

시작: 요청이나 이벤트를 모으는 단계입니다. 메일, 폼, 채널 메시지처럼 “일이 발생했다”는 신호가 여기로 들어옵니다. 자동화 관점에서는 이 단계가 보통 트리거가 됩니다.
처리: 들어온 요청을 분류하고, 검증하고, 계산하고, 문서를 작성하는 단계입니다. 사람이 규칙대로 판단하는 일이 많습니다. 그래서 조건을 잘 만들면 자동화로 인한 이득이 크게 늘어나는 구간이기도 합니다.
전달: 담당자에게 넘기고, 승인 받고, 알림을 보내는 단계입니다. 이때 누가 해야 하는지, 언제까지 해야 하는지가 흔히 엉킵니다. 액션에 가까운 단계로, 이 구간에서 누락과 지연을 줄이는 데 자동화가 특히 강점을 보입니다.
기록: 히스토리를 남기는 단계입니다. 시트, DB, Notion, CRM 같은 곳에 “무슨 일이 있었는지”를 저장합니다. 나중에 문제를 추적하려면 이 기록이 자동으로 남아야 합니다. 자동화의 가장 큰 문제는 어디서부터 어떻게 잘못되었는지 모를 때 생깁니다.

거창한 설계는 실패의 지름길

이제는 흐름을 설계할 때입니다. 자동화는 거창한 시나리오부터 만들면 쉽게 무너집니다. 이럴 때는 사람이 복사/붙여넣기 하는 순간부터 잡아보는 것도 좋습니다. 시스템 A에서 내용을 읽고, 시스템 B에 옮겨 적는 작업이 대표적입니다. 이런 구간이 1순위가 됩니다.

예외가 많아서 자동화가 안 될 것 같아도 꼭 그렇진 않습니다. 예외를 없애는 게 아니라, 예외를 조건 분기로 빼면 되니까요. 기본 흐름은 자동으로 보내고 예외만 사람이 처리하게 만드는 식입니다. 자동화가 반드시 그 업무의 모든 영역에만 들어가야 끝이 아니라는 뜻입니다.

이런 맥락에서 첫 자동화는 끝까지를 목표로 하지 않는 게 안전합니다. 예를 들어 “문의가 오면 Slack에 알림” 같은 아주 간단한 일부터 자동화부터 시작하세요. 작은 성공이 쌓이면, 다음 구간도 자연스럽게 붙습니다. 이렇게 해야 업무가 멈추지 않습니다.

그러려면 무엇보다 자동화의 목적을 자주 점검해야 합니다. 목표는 멋진 흐름이 아니라 리드타임을 줄이고, 누락을 막고, 중복을 없애는 것입니다. Zapier, Make, n8n, Dify 중 무엇을 쓰든 이 기준이 흔들리면 결과가 흐려집니다. 자동화 자체가 목적이 되지 않는 방어막이니까요.

실패를 막는 운영 포인트

마지막으로 자동화는 만들 때보다, 굴릴 때 문제가 생길 확률이 높습니다. 특히 현업에서는 돌아가긴 하는데 불안한 자동화가 가장 위험하다고들 합니다. 그래서 운영 관점의 체크가 필요합니다.

첫째는 권한/보안입니다. 자동화가 어떤 계정으로 실행되는지부터 정해야 합니다. 개인 계정으로 만들면, 퇴사나 권한 변경 때 그대로 멈추기가 쉬워서요. 팀 단위 계정과 권한 범위를 먼저 잡으면 좋습니다.

둘째는 책임 소재입니다. 자동화가 한 일을 누가 승인하고, 누가 감사할 수 있어야 합니다. 자동으로 생성된 항목이 잘못됐을 때, 되돌리는 방법도 필수 중의 하나로 보입니다. 사람을 빼는 것보다 사람이 통제할 시스템을 만들어 보는 일로 보면 훨씬 와닿지 않을까요?

Zapier vs Make vs n8n vs Dify

마지막까지 왔습니다. 사실 중요한 건 이거기도 하죠. “그럼 무슨 도구로 업무 자동화를 구현하지?”

물론, 솔직히 말해 자동화 도구가 누구에게나 쉬운 툴은 아닐 것 같습니다. 그래도 내 업무 흐름에 무슨 ‘역할’을 해줘야 하는지 알고, 그 하나만을 구현하기 위해 보다 보면, AI의 도움을 받아 충분히 해낼 수 있습니다.

요즘 현업에서 거론되는 선택지는 네 가지입니다. Zapier, Make, n8n, Dify. 겉으로는 비슷해 보여도, 잘하는 일이 다릅니다. 특히, 이 부분은 트리거–조건–액션을 어디까지 다뤄야 하는지부터 보면 선택이 쉬워집니다.

Zapier: 빠르고 단순한 연결용

Zapier

Zapier의 강점은 짧은 자동화를 빨리 붙이는 데 있습니다. 단계가 많지 않고, 분기가 적을수록 속도가 납니다. ‘A가 오면 B를 한다’ 같은 연결을 빠르게 만들기 좋습니다. 그래서 도입 초반에 일단 돌아가게 만드는 데 강합니다.

자연스럽게 팀이 자동화가 지금 바로 필요한 상황에 Zapier가 잘 맞습니다. 조건이 단순하고, 연결만 해도 효과가 큰 업무가 대표적입니다. 예를 들면 폼 응답을 스프레드시트에 쌓고, 알림을 보내는 업무가 떠오르네요. 복잡한 설계보다 실행이 먼저인 팀에 잘 맞습니다.

다만 조건이 늘고 시나리오가 커질수록 관리가 어려워질 수 있습니다. 처음엔 단순했는데, 예외가 계속 붙는 순간 복잡도가 급격히 올라갑니다. 그래서 짧고 단순하게 끝낼 수 있는지 먼저 확인하는 게 안전합니다.

Make: 복잡한 조건과 시나리오 구성

Make

Make는 여러 단계의 시나리오를 설계하는 데 강합니다. 선택지를 나누는 분기, 이를 연결하는 라우팅을 시각적으로 구성할 수 있는 게 가장 큰 장점이죠. 그래서 이런 개발 지식이 조금 아쉽거나 흐름이 길어져도 구조를 잡기 좋습니다. 특히 한 번의 트리거에서 여러 액션으로 뻗는 형태에 유리합니다. 자동화 공정 라인을 도면에 그려가며 만드는 느낌입니다.

그래서 Make가 잘 맞는 분야는 운영 프로세스처럼 조건 분기가 많은 업무입니다. 트리거 하나가 들어오면, 경우에 따라 처리 경로가 달라지는 일들이죠. 예를 들어 운영, 정산, 콘텐츠 배포처럼 단계가 이어지는 프로세스가 그렇습니다. 예외 처리가 많은 팀일수록 Make의 장점이 살아납니다.

물론, 완전히 커스텀이 가능하다는 뜻은 아닙니다. 쓰다 보면 ‘이건 안 되네’ 싶은 것들이 생기기도 합니다. 또, 시각화는 처음에는 좋지만, 복잡해지면 오히려 어디에 손을 대야하나 싶은 감각을 주기도 하고요. 편리함과 자유도, 그 사이에서 균형을 잘 맞추고 있다지만, 최고라는 건 아닙니다.

n8n: 커스터마이징과 확장

n8n

n8n은 커스터마이징과 확장에 초점이 맞춰진 도구입니다. 코드 기반 처리를 할 수 있어 개발 지식이 있다면 편의도가 크게 늘어나기 때문입니다. 게다가 자체 호스팅 같은 선택지로, 클라우드 환경을 안 타고 우리 시스템 안에서만 돌아가도록 할 수도 있습니다. 보안 문제로 자동화 못 쓰는 팀을 위한 최고의 방식이죠. 그래서 내가 통제권을 온전히 쥐는 자동화에는 가장 적합합니다.

그래서 특히 n8n이 잘 맞는 상황은 사내 시스템 연동 같은 케이스입니다. 공개 서비스끼리 연결하는 것만으로는 부족한 경우가 많습니다. 특수 API를 붙이거나 데이터 처리 로직이 복잡한 업무가 대표적이죠. 개발 리소스를 투입할 수 있다면, 가장 유연한 선택지가 됩니다. 요즘은 AI가 많이 도와주기도 하고요.

대신 이 말인 즉슨 입문에 난도가 있습니다. 자동화의 중요성을 잘 따져보고 들어오는 것이 좋습니다.

Dify: 사람이 하던 생각까지 맡기기

Dify

Dify는 버튼 클릭을 줄이는 도구라기보다, 생각하는 단계를 맡기는 도구에 가깝습니다. 분류, 요약, 초안 작성, 질의응답처럼 사람이 읽고 판단하던 일을 보조하거나 대체합니다. LLM을 자동화에 넣기 최적화된 툴이기 때문입니다. (요즘 표현으로는 에이전틱 워크플로라고 부르는 것 같습니다) 즉 트리거–조건–액션 중에서, ‘조건의 판단’이 사람 머리에 있던 업무에 어울립니다. 자동화가 막히는 지점을 다른 방식으로 뚫어줍니다.

Dify가 특히 잘 맞는 건 규칙으로 만들기 어려운 업무입니다. 자연어로 들어오는 문의를 분류하거나, 문서를 요약하는 일이 그렇습니다. 티켓 라우팅처럼 “이건 어느 팀이 처리해야 하지?”가 병목인 경우도 포함됩니다. 규칙을 짜려다 포기했던 업무라면 Dify를 먼저 떠올려 보는 것도 좋습니다.

대신 당연하게도 조금 어려운 편입니다. n8n보다 조금 더 난도가 있지 않을까 생각합니다.

업무 자동화 툴 선택 요약

툴마다 장점이 분명해, 생각보다 그리 어렵지 않습니다. 자동화가 나를 어디까지 압박하는지, 잘 생각해 보고 고르는 게 좋습니다.

조건이 단순하고, 빨리 붙여야 하나요? → Zapier
분기와 시나리오가 길고, 운영 프로세스가 복잡한가요? → Make
코드, 확장, API 커스텀이 핵심인가요? → n8n
텍스트를 읽고 이해·분류·요약하는 인지가 병목인가요? → Dify

물론 가능하면 툴 선택은 취향보다 업무의 병목이 어디냐에 따라 선택하는 게 좋습니다. 연결이 병목이면 Zapier, 흐름 설계가 병목이면 Make가 맞습니다. 통제와 확장이 필요하면 n8n, 판단과 분류가 필요하면 Dify가 좋죠. 이 질문만 명확해져도, 자동화는 훨씬 덜 불안해지기도 하고요.

마치며

업무 자동화는 결국 내 일에서 반복을 분리해 사람 대신 시스템에 위임하는 설계 문제에 가깝습니다. 꼭 해결하고 싶은 업무를 찾아 “언제(Trigger)”, “어떤 경우에만(Condition)”, “무엇을 하게 할지(Action)”를 한 줄로 정리하는 일이 핵심입니다. 예를 들어 “새 문의가 왔을 때(Trigger), VIP면(Condition), 담당자에게 알린다(Action)”처럼요.

그 다음으로 진짜 병목이 뭔지 찾아보면 무슨 툴이 필요한지 눈에 들어옵니다. 남은 건 사실 툴을 만져보며 공부하는 시간만 남습니다.

마지막으로, 작게 붙이는 것으로 시작할 것을 권장합니다. 처음부터 승인, 결제, 고객 응대까지 한 번에 묶지 마세요. 대신 알림 전송처럼 가벼운 액션부터 붙여보면 됩니다. 한 번이라도 “내가 하던 일이 자동으로 굴러간다”를 경험하면, 그 성공 경험이 다음 업무자동화를 자연스럽게 끌고오지 않을까 생각합니다.

]]>

AI 시대의 데이터 분석: 데이터 분석가의 마지막 역할은?

데이터 분석은 숫자를 계산하는 일이 아니라, 숫자로 투영된 현실을 해석하는 일입니다. 이 시리즈는, 동일한 방식으로 세상을 바라보는 AI라는 새로운 지능이 등장한 시대에, 데이터·AI·인간 분석가의 역할이 어떻게 재정의되어야 하는지를 총 2편에 걸쳐 탐구합니다.

지난 1편에서는 AI가 텍스트라는 ‘그림자’를 통해 세상을 학습하게 되는 원리와, 그 과정에서 드러나는 근본적인 한계를 짚어보았습니다. 2편에서는 AI를 활용한 데이터 분석에서 인간 분석가가 끝까지 맡아야 할 역할이 무엇인지에 대한 결론으로 나아갑니다.

미리 요점만 콕 집어보면?

데이터 분석은 단순히 정보를 처리하는 작업이 아니라, 현실이 데이터로 변환되는 과정에서 무엇이 남고 무엇이 사라졌는지를 살피는 일입니다.
같은 데이터라도 서로 다른 결론에 도달하는 경우는 매우 흔하며, 이는 분석가의 계산 능력 차이가 아니라 현실을 바라보는 관점의 차이에서 비롯됩니다.
AI 기반 데이터 분석의 미래는 얼마나 많은 것을 AI가 대신 해주느냐가 아니라, AI와 인간의 역할을 어떻게 재배치하느냐의 문제라는 점입니다.

1편에서 우리는 텍스트와 언어 모델을 중심으로, AI가 현실을 얼마나 이해할 수 있는가라는 질문을 긴 호흡으로 따라가 보았습니다. 텍스트는 현실의 투영이며, 아무리 정교해져도 현실 전체를 온전히 담아내지는 못할 수 있다는 논거도 함께 쌓아보았죠. 그렇다면 다시 본문으로 돌아와야 할 차례입니다. 우리가 매일같이 다루는 데이터 분석은 이 문제와 어떤 관계에 있을까요?

이 질문에 답하기 위해서는 먼저, 우리가 무심코 섞어 쓰고 있는 두 단어를 구분할 필요가 있습니다. 바로 '정보'와 '데이터'입니다. 이 둘은 비슷해 보이지만, 데이터 분석의 관점에서는 전혀 다른 성격을 가집니다.

데이터는 숫자로 기록된 '선택된 단면'

정보는 현실 세계의 모든 신호와 맥락을 포괄합니다. 사람들의 행동, 감정, 사회적 관계처럼 말로 표현되지 않은 모든 것들이 포함합니다. 반면 데이터는 그중 측정하고 기록할 수 있는 숫자나 기호로 표현된 일부에 불과합니다. 즉, 데이터는 현실 그 자체가 아니라, 현실을 다루기 위해 선택적으로 잘라낸 '표본'입니다.

그렇기에 데이터 분석은 단순히 정보를 처리하는 작업이 아니라, 현실이 데이터로 변환되는 과정에서 무엇이 남고 무엇이 사라졌는지를 살피는 일입니다. 진정한 분석은 "무엇을 계산할 것인가"보다 "이 데이터가 현실의 어떤 부분을 대표하며, 어떤 부분은 담기지 못했는가"를 묻는 데서 출발해야 합니다.

무한한 정보 중 우리가 실제로 인식하고 분석할 수 있는 정보의 경계를 다음과 같이 분류해 보겠습니다.

<출처: 하트카운트 >

정보의 네 가지 범주

언어적으로 이해될 수 있는 정보(linguistic)
사람들이 말하고, 쓰고, 기록하는 모든 형태의 정보가 여기에 속합니다. 데이터 분석에서 말하는 숫자 역시 이 범주에 포함됩니다.숫자는 그 자체로 존재하는 것이 아니라, 측정·정의·정제 과정을 거쳐 사람이 이해할 수 있는 언어적 체계로 번역된 결과이기 때문입니다. 또한, LLM이 학습할 수 있는 정보이기도 합니다.

시각적(visual), 감각적(sensory) 정보
시각적인 정보는 이미지, 영상, 공간적 배치, 형태와 색상처럼 ‘보는 것’을 통해 즉각적으로 인식됩니다. 감각적인 정보는 촉각, 청각, 후각, 미각, 균형감각 등이 해당됩니다. 현실 세계에서의 많은 판단과 학습은 이 영역에 깊이 의존합니다.

관계성 속에서만 발생하는 정보
사람과 사람, 사람과 사물, 사물과 사물 사이의 상호작용 속에서만 드러나는 정보들입니다. 이는 개별 데이터 포인트가 아니라, 맥락과 관계망 속에서만 의미를 갖습니다.

불가해의 정보
주관적인 체험의 핵심이나 모순, 역설처럼 어떤 방식으로도 온전히 표현될 수 없는 영역입니다. 이는 분석에서 다루기 힘든, 현실 세계의 '오차항'과도 같습니다.

데이터 분석의 본질: '숫자'와 '이해'를 결합

이제 데이터 분석입니다. 데이터 분석을 흔히 계산이나 차트 작성으로 보지만, 이는 분석의 결과일 뿐 본질이 아닙니다. 진정한 분석은 숫자로 드러난 현상 뒤에 놓인, 위에서 우리가 정의한 '현실'을 이해하는 일입니다. 숫자는 현실의 단면을 특정 방식으로 잘라낸 표현이기에, 그 자체로는 의미가 완성되지 않기 때문입니다.

같은 데이터라도 서로 다른 결론에 도달하는 경우는 매우 흔합니다. 이는 분석가의 계산 능력 차이 때문이 아니라, 현실을 바라보는 관점의 차이에서 비롯됩니다. 누군가는 수치의 증가를 ‘성장’으로 해석하지만, 다른 누군가는 이를 ‘구조적 문제’의 신호로 읽기도 합니다. 데이터는 변하지 않았지만, 분석가에게 투영된 현실의 그림자가 다르기에 해석의 틀도 달라지는 것입니다.

그렇다면 LLM을 활용한 데이터 분석은 어떤 의미를 가질까요? 이를 이해하기 위해 분석의 두 축인 ‘숫자’와 ‘이해’를 구체적으로 분해하여 각 의미를 살펴보겠습니다. 먼저 숫자를 통해 현상을 읽어내는 영역부터 살펴봅니다.

숫자: 분석의 3가지 층위

SQL 등을 활용한 데이터 집계
반복적으로 수행되는 요약 작업을 의미합니다. 매출이나 전환율처럼 사전에 정의된 지표를 요약하고 모니터링하는 가장 일반적인 방식입니다. 이러한 분석은 안정적이고 재현 가능하며, 대시보드 형태로 시각화되기 적합합니다. LLM은 주로 자연어 질의를 SQL로 변환하거나 결과를 설명하는 보조 역할을 수행하며, 효율적이지만 정해진 틀 안에서만 질문이 이루어진다는 한계가 있습니다.

관점 확장(out of the box) 분석
기존 지표로 보이지 않는 현상을 포착하기 위해 관점 자체를 새롭게 설계하는 단계입니다. 이때 중요한 것은 계산 기술보다 “어떤 현실을 숫자로 드러낼 것인가”라는 문제 설정입니다. LLM은 새로운 가설을 제안하거나 분석의 지평을 넓히는 데 기여할 수 있지만, 현실에 대한 이해가 빈약하다면 표면적인 조합에 그칠 위험이 있습니다.

패턴 인식(머신러닝)
사람이 명시적으로 정의하기 어려운 복잡한 구조를 데이터로부터 자동으로 찾아내려는 시도입니다. 단순한 1회성 SQL 기반의 데이터 집계를 넘어서는, 모델링을 통한 본격적인 패턴 인식이 필요한 것이지요. 이때는 패턴 인식 모델의 학습을 위한 Python 같은 도구와 강력한 컴퓨팅 자원이 필수적입니다. 물론 이는 단순히 '어떤 툴을 쓰느냐'나 '자원이 얼마나 필요한가'의 문제는 아닙니다. 패턴 인식의 본질은 극도로 복잡한 현실 세계에서 공통된 질서와 구조를 스스로 추출해내는 것이기 때문입니다.

현실을 이해하는 일의 2가지 축

이제 그 숫자를 현실에 다시 연결시키는 단계(일종의 기호 접지, Symbol Grounding), 즉 이해가 필요합니다. 데이터 분석이 계산에서 끝나지 않고 인사이트로 이어지기 위해서는, 숫자가 가리키는 세계가 어떤 곳인지에 대한 이해가 반드시 결합되어야 합니다. 이때 핵심이 되는 것이 바로 현실을 이해하는 지식의 구분입니다.

현실 세계 전반에 대한 일반적 이해(World knowledge)
시장과 조직이 보통 어떻게 움직이는지, 특정 변화에 사람들이 어떻게 반응하는지와 같은 보편적인 상식입니다. 방대한 텍스트로 맥락을 축적한 LLM이 특히 강점을 발휘하는 영역이며, 상식적인 수준의 데이터 해석에 점점 능숙해지고 있습니다.

분석이 이루어지는 특정 분야에 대한 전문 지식(Domain-specific knowledge)
같은 수치라도 산업군(이커머스, 금융, SaaS 등)에 따라 전혀 다른 원인과 함의를 가질 수 있습니다. 주로 현장 경험과 암묵지의 형태로 존재하며 교과서처럼 정리되어 있지 않은 경우가 많습니다. 따라서 데이터 해석에 가장 결정적인 역할을 하지만, 동시에 활용하기는 가장 어려운 영역입니다. 전문 지식에 대해 LLM이 접근할 수 있도록, 전문 지식에 대한 문서화 및 이를 실제 '이해'에 활용하는 RAG와 같은 기술이 주목받은 이유일 것입니다.

이 두 지식은 서로 독립적이지 않으며, 상호 보완하거나 충돌하며 깊은 통찰을 만듭니다. 보편적으론 이상해 보이는 수치가 특정 도메인에서는 정상적인 관행일 수 있고, 반대로 상식적으로 자연스러운 변화가 실제로는 심각한 구조적 문제의 신호일 수도 있기 때문입니다.

AI가 모르는 '나머지 현실'을 채우는 법: 기록을 늘리거나, 맥락을 더하거나

결국 ‘현실을 이해한다’는 것은 숫자로 드러난 현상을 실제 세계의 맥락 속에 다시 위치시키는 작업입니다. 이 수치가 어떤 현실의 결과이며, 어떤 제약과 맥락 속에서 만들어졌는지, 일시적인 잡음인지 혹은 구조적 신호인지를 판단하는 과정에서 LLM은 강력한 보조 도구가 될 수 있습니다. 문제는 현실 이해의 핵심인 도메인 지식들이 종종 언어적으로 명확히 정의되어 있지 않다는 점입니다. 문서화되지 않은 암묵지의 맥락은 아무리 똑똑한 LLM이라도 분석에 활용할 수 없습니다.

그렇다면 LLM이 가장 강점을 보이는 ‘언어적으로 정의된 정보’의 영역에서, 인간은 어떤 역할을 맡아야 하며, 그 역할은 LLM이 데이터 분석을 최대의 효율과 정확성으로 보조하도록 어떻게 설계되어야 할까요?

가능한 모든 현실을 언어화하고 기록하기

첫 번째로, 비언어적 영역을 최대한 언어적 데이터(Linguistic)로 번역하여 AI가 이해할 수 있는 영역으로 끌어오는 시도입니다. 다시 말해 2·3·4번(시각 정보, 감각 정보, 관계 정보...) 영역을 최대한 1번(언어 정보)의 영역으로 전환하려는 노력입니다.

사전 학습(pre-training)
현실 세계의 반복적 패턴과 맥락을 방대한 텍스트로 축적해 모델의 기본 지식층으로 흡수시키는 작업입니다. 이는 개인 혹은 소규모 조직의 역량을 넘어서는 영역으로, 현재로서는 빅 테크 기업들이 담당하고 있는 역할이기도 합니다. 이 과정이 진전될수록, 과거에는 암묵적이거나 경험적으로만 전해지던 지식들이 점점 언어화되어 모델의 기본 지식층으로 흡수됩니다.

현실 세계로부터의 정보 수집 및 문서화
시각 정보나 행동 로그 등, 2~4번에 속하는 정보를 적절히 구조화 및 언어적 데이터로 변환하는 노력입니다. 위에서 언급한 도메인 지식의 문서화 작업 등이 이에 해당되겠습니다만, 모든 정보가 수집 가능한 것은 아니며 수집과 저장, 관리에는 상당한 비용이 따릅니다. 따라서 비용 효율성(Cost-efficient)을 고려한 전략적 판단이 필수적입니다.

언어로 환원되지 않는 맥락을 '사용자 컨텍스트'로 남기는 방법

다음은, 언어로 완전히 환원되지 않는 영역을 억지로 일반화하려 하기보다, 모든 현실을 하나의 보편적 언어로 통합하려는 시도가 아니라, 사용자 각자의 맥락과 관점을 존중한 상태에서 분석이 이루어지도록 돕는 접근입니다.

앞서 살펴본 것처럼, 현실의 많은 정보는 본질적으로 주관적이며 상황 의존적입니다. 같은 숫자라도 어떤 사람에게는 위기 신호로, 다른 사람에게는 기회로 읽힙니다. 이 주관성은 단순히 "더 많은 설명을 붙이면 해결되는 문제"가 아닙니다. 오히려 완전히 언어화될 수 없는 부분이 있다는 가정하에, 시스템은 사용자가 자신의 관점을 창발적으로 드러낼 수 있는 공간을 제공해야 합니다.

개인 맞춤형 메모리

이때 중요한 개념이 개인 맞춤형 메모리입니다. 개인 맞춤형 메모리는 단순히 사용자의 과거 발화를 저장하는 수준이 아니라, 사용자가 어떤 맥락에서 어떤 판단을 내려왔는지, 어떤 기준을 중요하게 여기는지, 어떤 해석을 반복적으로 선택해 왔는지를 누적하는 구조를 의미합니다. 이는 흔히 말하는 모델의 context window 크기 문제와는 다릅니다. 일시적으로 많은 텍스트를 집어넣는 것이 아니라, 분석의 역사와 의사결정의 흐름을 지속적으로 맥락화하는 long-term memory의 문제입니다.

분석 과정의 맥락화

또한 분석 과정 자체가 맥락화되어야 합니다. 데이터 분석은 한 번의 질의와 응답으로 끝나는 행위가 아니라, 질문을 수정하고, 가설을 세우고, 결과를 해석하며, 다시 질문으로 돌아가는 순환 과정입니다. 이 과정에서 무엇을 전제로 삼았고, 어떤 선택을 했으며, 어떤 해석을 버렸는지가 함께 보존되지 않으면, 결과만 남은 분석은 쉽게 오해를 낳습니다. 맥락화란 바로 이 과정의 흔적을 유지하는 것입니다.

human-in-the-loop

이 지점에서 human-in-the-loop의 중요성이 분명해집니다. LLM은 제안과 확장을 담당하되, 해석의 최종 책임은 인간에게 남아있어야 한다고 믿고 싶습니다. 사용자는 시스템과 상호작용하며 분석 결과를 해석하는 주체이며, AI는 판단을 대신하는 존재가 아니라 분석가의 사고를 외부화하고 정교화하는 도구로 작동할 때 가장 강력해집니다.

System-integratged Agent

마지막으로 필요한 것은, 분석을 개인의 기억이나 일회성 대화에만 의존하지 않고, 시스템 차원에서 맥락을 보존하고 확장하는 구조입니다. 분석에 활용될 수 있는 외부 문서, 내부 정책, 도메인 지식, 과거 의사결정 기록 등에 모델이 효율적으로 접근할 수 있도록 설계된, 기존 시스템에 통합/연결된 Agent 기반의 분석 환경이 여기에 해당합니다.

중요한 점은, 모델이 이 문서들을 ‘임의로 참고해 결론을 내려서는 안 된다’는 것입니다. System-integrated Agent에서의 AI는 판단의 주체가 아니라, 근거를 정리하고 연결하는 중개자에 가깝습니다. 예를 들어 “과거 유사한 상황에서는 이런 판단이 내려졌고, 이 문서에서는 이러한 제약 조건이 명시되어 있습니다. 이를 고려하면 현재 수치는 이렇게 해석될 수 있는데, 이 관점에 대해 어떻게 생각하십니까?”와 같은 방식으로, 해석의 재료와 경로를 투명하게 제시해야 합니다.

팔란티어(Palantir)의 접근: LLM과 현실 사이에 '운영 체제'를 둔다

관련해서 팔란티어가 어떻게 이 문제를 풀어보고자 하는지 소개하겠습니다. 앞선 두 접근이 각각 1)현실을 최대한 언어로 환원하려는 노력, 2)언어로 환원되지 않는 주관성을 개인화·맥락화로 다루려는 노력이었다면, 팔란티어(Palantir)의 접근은 이 둘을 기업의 실제 운영 환경에서 강제로 연결하는 구조적 해법에 가깝습니다.

팔란티어는 LLM을 단순한 "답변 생성기"로 보지 않습니다. 대신 확률적인 AI 지능과 결정적인 기업 운영 현실 사이의 간극을 인정하고, 이를 메우기 위해 온톨로지(Ontology)라는 운영 체제를 도입합니다. 이는 지능이 현실에 무책임하게 떠다니지 않도록 강제로 연결하는 구조적 해법입니다.

<출처: 팔란티어>

할루시네이션 문제를 ‘지식의 출처’ 문제로 재정의

할루시네이션은 모델이 '틀렸다'기보다 정보가 현실 어디에도 고정되지 않은 상태에서 답변하기 때문에 발생합니다. 텍스트로 학습된 일반 지식은 기업의 실시간 재고, 현재 공정 상태, 내부 규정 같은 ‘운영 현실’을 보장하지 못합니다. 팔란티어는 기업 데이터를 객체(Object), 관계(Relationship), 행동(Action)으로 구조화하여 온돌로지라는 현실의 '디지털 쌍둥이'를 만듭니다. LLM은 이 온톨로지를 통해서만 정보를 조회하며(OAG), 모든 답변은 검증 가능한 운영 현실에 고정, 접지(Grounding)됩니다.

확률적 추론을 ‘결정적 로직’으로 강제 전환

LLM은 계산과 비즈니스 로직에서 본질적인 약점을 가집니다. 동일한 질문에 서로 다른 답을 내놓을 수 있고, 그 추론 경로를 명확히 설명하기도 어렵습니다. 팔란티어는 이 문제를 LLM의 성능 개선으로 풀지 않습니다. 대신 LLM을 직접 계산하는 주체가 아니라, 도구를 호출하는 지휘자(Orchestrator)로 위치시킵니다. 실제 계산, 최적화, 예측은 온톨로지에 등록된 결정적 도구(Functions, Models)가 수행합니다. LLM은 "이 질문에는 어떤 도구를 써야 하는가"를 판단할 뿐입니다. 그 결과, 답변은 재현 가능하고 디버깅 가능한 형태로 남습니다.

안전한 자율성: 정의된 행동(Action)을 통한 통제와 승인

기업 환경에서 가장 위험한 순간은 AI가 현실 세계에 직접 개입할 때입니다. 발주, 설정 변경, 승인과 같은 행동은 단순 채팅으로 사용자에게 전달하는 '조언'과는 차원이 다릅니다.

팔란티어는 이 문제를 온톨로지에 행동(Action Types) 자체를 정의함으로써 해결합니다. LLM은 시스템을 직접 조작하지 않고, 사전에 정의된 행동을 제안만 할 수 있습니다. 이 행동들은 승인 규칙, 검증 로직, 부작용 관리가 포함된 안전한 통로입니다. 즉, AI의 자율성은 확보하되, 기업의 통제권은 유지됩니다.

결국 팔란티어의 솔루션은 "텍스트는 세상의 투영"이라는 일리야 수츠케버의 철학을 기업 환경에 맞게 번역한 실용적 해답이라 볼 수 있으며, 앞서 분류한 정보의 범주 중 3번, 즉 '관계성'이 데이터의 핵심이라는 전제를 솔루션으로 발전시켰다고 볼 수 있겠습니다. 기업의 온톨로지가 곧 기업의 세계이며, AI는 이 세계의 규칙 안에서만 사고하고 행동해야 한다는 것입니다.

제언
LLM은 오케스트레이터, 계산은 deterministic 엔진(SQL/파이프라인), 모든 답변은 정확한 현실에 접지, 해석은 사용자 메모리와 함께 저장, 중요한 판단은 승인/확인 단계로 분리.

AI 데이터 분석의 종착지는 자동화가 아니다

AI가 잘하는 일, 할 수 없는 일

LLM은 언어로 정의된 세계를 요약하고 조합하며 표준적인 해석을 내놓는 데 압도적인 성능을 보여줍니다. 반복적인 집계와 일반 상식의 적용 영역에서 AI는 이미 인간 분석가보다 더 안정적이고 빠른 파트너가 되었으며, 이 경향은 더욱 강화될 것입니다.

그러나 동시에, 이번 글에서 반복해서 살펴본 것처럼 AI가 본질적으로 풀어내기 어려운 영역 역시 분명히 존재합니다. 언어로 완전히 환원되지 않는 주관성, 맥락에 깊이 뿌리내린 도메인 지식, 관계 속에서만 드러나는 의미, 그리고 무엇보다 “이 숫자를 어떻게 받아들일 것인가”라는 해석의 책임은 여전히 인간의 몫으로 남아 있습니다. 이는 기술이 덜 발전해서가 아니라, 현실 세계는 기호로만 설명될 수 없는 복잡한 층위로 구성되어 있기 때문입니다.

AI 데이터 분석의 원칙

여기까지의 논의를 정리해 보면, 하나의 결론에 자연스럽게 도달하게 됩니다. AI 기반 데이터 분석의 미래는 "얼마나 많은 것을 AI가 대신 해주느냐"의 문제가 아니라, "AI와 인간의 역할을 어떻게 재배치하느냐"의 문제라는 점입니다. 따라서 AI 기반 데이터 분석 제품이 나아가야 할 방향은, 분석을 완전히 자동화하는 도구가 아니라, 현실을 해석하는 사고 과정을 확장하는 시스템에 가까우리라 생각합니다.

이 관점에서 보면, 개인 맞춤형 메모리와 맥락화, human-in-the-loop 설계, 그리고 팔란티어식 온톨로지 접근은 모두 같은 방향을 가리킵니다. 단지 AI를 더 똑똑하게 만드는 것이 아니라, AI가 현실에 무책임하게 떠다니지 않도록 ‘닻’을 내리는 방식입니다. 그 닻은 때로는 언어화된 지식이고, 때로는 사용자의 맥락이며, 때로는 기업의 운영 현실입니다.

"AI가 잘할 수 있는 것과, 끝까지 인간의 판단이 필요한 것을 어떻게 구분하고 연결할 것인가?" 이 질문에 대한 대답이 곧, 앞으로는 이러나 이것이 미래 데이터 분석 제품의 설계 원칙이 될 것입니다.

마치며

오늘 이 글로 AI 시대에 데이터 분석에 대한 단 하나의 정답을 정의할 수는 없습니다. AI는 앞으로 더 많은 문제를 해결해 낼 것이고, 누군가는 "결과만 잘 나오면 이해한 것으로 봐도 되지 않느냐"고 물을 것입니다. 게다가 AI는 점점 더 많은 것을 풀어낼 것입니다. 그러나 모든 것을 풀어낼 필요는 없습니다. 오히려 AI가 풀지 않아야 할 부분을 명확히 남겨두는 것, 그리고 그 지점을 인간의 사고와 책임으로 정교하게 연결하는 것, 그것이 우리가 데이터 분석이라는 이름으로 계속 붙잡아야 할 핵심일지도 모르겠습니다.

<원문>

AI 시대의 데이터 분석 (2) 맥락과 해석의 책임

]]>

세계 최초 AI 기본법 시행, 그래서 뭐가 중요할까?

오늘은 법에 대한 이야기를 한번 해보려고 합니다. 요즘IT에서 갑자기 웬 법이지?라고 생각하실 수도 있지만, 바로 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법(이하 AI 기본법)에 대한 이야기입니다. 이 법은 지난 1월 22일부터 본격적으로 시행되었기에, 한 번쯤 짚어볼 만한 의미가 있는데요.

대부분의 IT 종사자에게 법은 익숙하지 않은 영역일 수 있습니다. 특히 특정 도메인이 아니라면, 법과는 거리가 있는 경우가 많죠. 하지만 ‘법 종사자’가 아니더라도, 누구나 법제처에서 제공하는 국가법령정보센터를 통해 법률 원문을 쉽게 확인할 수 있습니다.

또한 법은 가장 오래된 형태의 문서화 결과물이기도 합니다. 그래서 일반인도 이해할 수 있도록, 법의 목적과 용어 정의부터 주요 조항까지 체계적으로 구성되어 있죠. 덕분에 법무팀이나 법 전문가가 아니더라도, 충분히 한 번쯤 읽어볼 만합니다. 더욱 흥미로운 점은, 이처럼 복잡할 수 있는 법령 검색조차 이제는 AI를 통해 보다 쉽고 편리하게 접근할 수 있다는 사실입니다. 그럼 지금부터 AI 기본법에 대해 하나씩 살펴보겠습니다.

미리 요점만 콕 집어보면?
우리나라 AI 기본법은 2026년 1월 22일부터 시행되는 세계 최초의 AI 기본법으로, AI의 발전 지원과 신뢰 확보를 동시에 목표로 합니다.
법은 총 6장으로 구성되며, 2~3장은 산업 육성과 정부 지원을, 4장은 고영향·생성형 AI 사업자의 윤리·투명성·안전성 의무를 규정합니다.
특히 생성형 AI 사용 사실의 명확한 고지와 고영향 AI에 대한 관리가 핵심이며, 초기 혼란을 고려해 과태료 등은 1년 유예됩니다.

<출처: 법제처 지능형 법령검색 시스템>

AI 기본법이 뭔데요?

그렇다면 AI 기본법이 뭐길래 화제일까요? 우선 가장 큰 이유는 우리나라의 AI 기본법이 전 세계 최초로 시행되는 AI 기본법이라는 점입니다. 사실 EU가 법률로 명시하는 법제화를 먼저 시작했지만, 시행을 올해 8월로 미루면서 우리나라가 세계 최초로 이를 시행하게 되었습니다. 이에 대해서는 선제적 대응을 통해 퍼스트 무버(First Mover)로서 AI에 대한 기회를 만들 수 있다는 긍정적인 시선과, 해외에 비해 ‘규제’가 먼저 적용되기 때문에 여러 혼란이 있을 수 있다는 우려가 함께 존재합니다.

EU의 AI 기본법의 경우, 위험도에 따라 AI 사용을 금지할 수 있다는 점, 예외 대상이 더 많다는 점, 벌금 규모가 훨씬 크다는 점 등을 들 수 있습니다.

<출처: 한국일보>

우리나라의 AI 기본법은 크게 본문과 부칙으로 구성됩니다. 여기서 본문은 법의 목적으로 하는 실질적인 내용을 담고 있는 부분이고, 부칙은 이어지는 이미지와 같이 본문의 규정들이 언제 어떻게 누구에게 적용되는지 등 기술적인 내용을 담고 있습니다. AI 기본법의 부칙에서는 법이 공포(공개)된 2025년 1월 21일부터 1년 후인 2026년 1월 22일부터 시행되고, 일부 내용은 6개월 간의 유예 기간을 허용하는 것을 설명하고 있습니다.

<출처: 국가법령정보센터>

AI 기본법의 흐름 이해하기

<출처: 작가>

AI 기본법의 본문은 여섯 개의 장으로 구성되어 있습니다. 먼저 1장은 AI 기본법의 “총칙”으로 법의 목적과 정의, 기본 원칙들을 설명하는 나침반으로써 해석의 기준이 됩니다. 이어 2장에서는 추진체계를 설정하는데 인공지능 정책을 누가 이끌어 갈 것인지 설정합니다. 예를 들면, “국가인공지능전략위원회”와 같은 기구를 설치해야 한다는 법을 정하거나, 이러한 기구에서 어떠한 업무를 해야하는 지를 정합니다.

3장은 AI 기본법의 두 가지 핵심 목적 중 하나인 “산업 지원”에 대한 내용을 다루고 있습니다. 연구개발 지원, 전문 인력 양성 등 AI 산업이 잘 성장할 수 있도록 돕는 일종의 “당근”에 해당하는 규정들입니다. 이어서 4장은 인공지능 윤리 및 신뢰성 확보로 AI의 부작용을 막기 위한 안전장치를 다루고 있습니다. 앞의 3장과 대비하면 “채찍”이라고 볼 수 있습니다.

5장은 보칙으로 앞에서 다루지 못한 내용들을 보충하는 역할을 하며, 6장은 벌칙으로 법을 어겼을때의 과태료, 형사 처벌 등을 정하는 역할을 합니다. 이 큰 흐름을 인지한 상태로 주요 내용을 짚어보겠습니다.

AI 기본법의 목적

AI 기본법의 첫 내용은 다음과 같습니다.

이 법은 인공지능의 건전한 발전과 신뢰 기반 조성에 필요한 기본적인 사항을 규정함으로써 국민의 권익과 존엄성을 보호하고 국민의 삶의 질 향상과 국가경쟁력을 강화하는 데 이바지함을 목적으로 한다.

이를 통해 볼 수 있는 AI 기본법의 목적은 “AI 잘 쓰자”인데요.

AI를 잘 쓰게 하자와 (3장)
AI 위험하게 쓰지 않도록 하자 (4장)

구체적으로는 위 내용으로 볼 수 있습니다.

<출처: 작가>

이어 정의에서는 본문에 쓰이는 여러 법적 용어들을 정의합니다. 특별히 주의할 부분으로는 “고영향 인공지능”이라는 단어가 있습니다. 이는 에너지, 물, 의료, 원자력, 범죄, 채용, 교통, 공공서비스, 기본 교육 등 개개인 사람의 생명과 신체의 안전 및 기본적인 권리에 큰 영향을 미치는 영역에 쓰이는 인공지능을 의미합니다. 이 고영향 인공지능은 개념을 분리한 만큼, 특별히 추가 규칙과 벌칙들이 정의됩니다.

또 다른 주요 정의로는 “인공지능사업자”와 “이용자”, “영향받는 자”가 있습니다. 사업자는 이 법의 규제 대상이고 이용자와 영향받는 자는 이 법이 고려해야하는 대상입니다. 특별히 이용자와 영향 받는자는 별도로 분리하여 정의했는데, 이 둘의 차이는 각각 인공지능 제품을 제공 받는자와 인공지능 제품에 의해 자신의 생명, 신체 안전 및 기본권에 중대한 영향을 받는 자를 의미합니다.

예를 들어, 기업에서 AI 면접 프로그램을 사용하는 상황에서 이용자는 기업의 인사 담당자, 영향받는 자는 지원자입니다. 이 둘을 구분해야 하는 이유는 AI 기본법에서 보호해야 할 대상별 각각 의무의 내용이 다르기 때문입니다.

여기서 영향받는 자는 인공지능서비스에서 인공지능이 만든 결과에 대한 기준과 원리에 대해 명확한 설명을 제공 받을 수 있어야 합니다. 이는 기존 기업에서 검색, 뉴스 배치 등의 알고리즘을 공개하는 것과 비슷하다고 볼 수 있습니다.

<출처: 구글>

2장에서는 인공지능 정책을 이끌 추진체계를 정의하고 있는데요. 요약하면 “정부 관계자 등이 AI 활성화를 위해 열심히 해야 한다.” 같은 내용을 설명하고 있습니다.

AI 기본법에서 공공데이터에 대한 내용을 함께 고려한다는 것
주요 행정기관에서 정책을 수립, 집행할 때 AI 기본 계획을 고려해야 함

이 외에 특별한 점은 두 가지가 있습니다. 그중 두 번째 내용은, AI 기본법이 단순히 AI의 활용과 규제만을 조절하는 데 그치지 않는다는 데 있습니다. 이 법은 앞으로 정부 차원에서 국가 운영 방향에 AI를 적극적으로 반영하고, 모든 주요 사업의 기반으로 삼아, 장기적으로는 AI를 내재화하겠다는 방침을 명시한 것으로 해석할 수 있습니다.

AI 개발 및 산업 육성

3장에서는 본격적으로 AI 기본법이 다루고자 하는 내용을 정의합니다. 단순히 인공지능 기술을 개발하는 것에 그치지 않고, 제14조에서는 ‘표준화’라는 용어를 사용합니다. 여기에는 안전성과 신뢰성을 확보하기 위한 기준으로, 데이터 규격, AI 간의 통신 프로토콜, AI 윤리 가이드라인, 용어 정의 등이 포함될 수 있으며, 이를 정부 차원에서 주도적으로 시행하겠다는 목적이 드러나 있습니다.

<출처: 작가, 제미나이로 생성>

16조의 내용도 주목할 만합니다. 바로 국가기관이 업무에 필요한 제품과 서비스를 구매할 때, 앞으로는 인공지능이 활용된 제품과 서비스를 우선적으로 고려해야 한다는 내용입니다. 이 조항은 작년 AI 기본법이 공개된 이후 최근에 추가 신설된 것으로, AI 기업들에게 정부라는 안정적인 고객이 생긴 셈이기 때문에, 민간 투자 확대와 산업 생태계 활성화를 기대할 수 있습니다.

또한 이어지는 조항에서는, AI 서비스를 구매·사용한 결과 손해가 발생하더라도 손해배상 책임을 면제함으로써, 공무원들이 보다 자유롭게 AI를 시도할 수 있는 안전장치도 마련했습니다.

이어지는 제17조부터 제23조까지는, AI 지원 시책을 규정하고 있습니다. 여기에는 중소기업 특별 지원, 창업 활성화 사업, AI 전문인력 양성, 인공지능연구소 설립 지원 등이 포함되며, 이를 통해 AI를 직접 만드는 대기업뿐 아니라, AI를 응용·활용할 수 있는 다양한 산업 주체들의 참여를 유도하고자 합니다.

AI 윤리 및 신뢰성

드디어 가장 많은 관심이 쏠릴 제4장입니다. 4장은 AI를 위험하게 사용하지 않도록 하기 위한 일종의 가이드라인으로, 지키지 않을 경우 과태료가 부과되는 규칙들도 포함되어 있습니다. 먼저 교육기관, 연구기관, 사업자 등은 자체적으로 윤리위원회를 구성하여, 윤리 원칙의 준수 여부, 안전 문제, 인권 침해 등의 사항에 대해 필요한 업무를 수행할 수 있습니다. 이 조항은 의무사항은 아니며, 선택적으로 운영할 수 있습니다.

특히 AI 기본법의 내용은 다소 헷갈리는 부분이 많기 때문에, 정부 차원에서 AI 활용 관련 주요 윤리 원칙과 실천 방안 등을 담은 가이드라인을 별도로 공개했습니다. 이 가이드라인은 총 5개의 파일로 구성되어 있으며, 인공지능기본법 지원데스크를 통해 각각 확인할 수 있습니다.

<출처: 인공지능기본법 지원데스크>

그렇다면, 이 4장에서 AI 윤리 원칙을 지켜야 하는 대상은 누구일까요? 이는 제31조에 정의되어 있는데, 고영향 인공지능 혹은 생성형 인공지능을 이용해 제품과 서비스를 제공하는 인공지능 사업자가 이에 해당합니다. 이들은 서비스 운용 과정에서 인공지능을 사용했다는 사실과 결과물이 생성형 인공지능에 의해 만들어졌다는 점을 명확히 고지해야 한다는 규정을 따릅니다.

다행히 일반적으로 AI를 활용하는 일반 이용자는 이 규제의 대상에 해당하지 않습니다. 예를 들어, 영상 생성 인공지능을 이용해 영화를 제작하거나, 배급하는 제작사는 AI 제품이나 서비스를 제공하는 사업자가 아니라, AI를 업무에 활용하는 이용자로 간주되어, 해당 투명성 확보 의무의 대상에는 포함되지 않습니다.

이어서, AI를 사용한 결과임을 고지하는 ‘투명성’ 외에도 AI의 ‘안정성’ 확보 또한 포함됩니다. 여기에는 인공지능 사용의 위험 식별 및 평가, 안전사고 모니터링 체계 구축 등이 해당합니다. 이 규제의 대상은 두 가지입니다.

하나는 AI 모델을 직접 제공하는 사업자로, 학습에 사용된 누적 연산량이 10^26 FLOPS 이상인 경우에 해당하며, 다른 하나는 고영향 인공지능을 활용하는 사업자입니다.

다만, 이러한 규제를 담고 있는 4장의 내용은 AI 기본법 시행 초기 단계인 만큼,

내가 사업자에 해당하는지
우리 AI 서비스가 고영향 인공지능에 해당하는지
생성형 AI 사용 시 어떤 방식으로 고지해야 하는지

등과 관련해 혼란이 많을 수 있습니다. 이에 따라 앞서 소개한 인공지능기본법 지원데스크에서는 상담을 지원하고 있으며, 과태료와 처벌 등에 대해서는 1년의 유예기간도 부여되어 있습니다.

한편, 제5장은 법 시행과 관련된 행정적, 기술적인 내용을 담고 있어 생략하고, 제6장에서는 4장 내용 위반 시 과태료 부과에 관한 규정을 설명합니다. 여기에는 제7조, 제31조, 제36조, 제40조가 포함됩니다.

정리하면?

‘기술 문서’에는 익숙하지만 ‘법조문’에는 익숙하지 않은 제게는 다소 헷갈리는 부분도 많았지만, AI 기본법의 핵심은 두 가지 정도로 요약할 수 있습니다.

우리나라가 AI를 잘 활용할 수 있도록 정부 차원에서 다양한 지원을 하자 (제2~3장)
AI를 투명하고 신뢰할 수 있도록 사용하기 위해, AI 사업자가 지켜야 할 규칙을 만들자 (제4장)

이 중 제2~3장은 알아두면 좋지만, 모른다고 해서 당장 큰 위험이 생기는 내용은 아니라 비교적 덜 중요하게 느껴졌습니다. 반면, 제4장은 의무와 규제를 포함하고 있기 때문에 제대로 알지 못하면 곤란할 수 있어 주의 깊게 해석해야 합니다. 특히 4장의 핵심은, 서비스에 생성형 AI를 사용했다면 그 사실을 명확히 표기하자는 것입니다. 물론 규정 위반 시 ‘큰일’이 나는 것처럼 보일 수도 있지만, 앞서 언급했듯이 혼란을 대비해 1년간 규제 시행이 유예되었기 때문에, 아직은 여유가 있는 상황으로 볼 수 있습니다.

<출처: 인공지능 투명성 확보 가이드라인>

저는 이 4장의 대상을 AI 사업자와 AI 이용자를 구분 지으며 생성형 AI를 써서 만든 결과물이 사용자가 볼 때 고정된 상태라면(ex: 영화) 표기 의무 없는 이용자, 결과물이 사용자가 볼 때 상호작용에 의해 바뀐다면 (ex: AI 작문) 표기 의무 있는 사업자 정도로 이해했습니다. 고영향 AI의 경우, 대부분의 서비스는 여기에 해당하지 않지만, 만약 해당된다면 기존에도 관련 규제를 경험했을 가능성이 높기 때문에, 자신이 법 적용 대상인지 알고 있을 확률이 큽니다.

다만 주의할 점이 하나 있습니다. 고영향 AI는 꼭 ‘생성형 AI’만을 의미하지 않고, 선형회귀처럼 오래된 AI 방식도 포함될 수 있습니다. 왜냐하면 법에서 고영향 AI를 “학습, 추론, 지각, 판단, 언어 이해 등 인간의 지적 능력을 전자적으로 구현한 것”으로 정의하고 있기 때문입니다. 즉, 기술 방식과 관계없이 법적 대상이 될 수 있으니 서비스 성격에 따라 충분한 검토가 필요합니다.

또한 ‘투명성’뿐만 아니라 ‘안전성’ 확보도 중요합니다. 이 부분은 기존의 보안 규정과 비슷한 컴플라이언스(규제 준수) 영역이지만, 여기에 AI 기술에 대한 이해까지 필요하기 때문에 현실적으로 꽤 어려운 문제가 될 수 있습니다.

<출처: 구글 뉴스>

마치며

이번 글에서는 AI 기본법에 대해 법령을 토대로 주요 내용과 실제로 체감될 만한 부분들을 중심으로 살펴보았습니다. 개인적으로는, 이전에 작성했던 글 중에서도 알아보기 전과 조사한 후의 인상이 가장 달랐던 주제였던 것 같습니다. 사실 AI 기본법을 다룬 뉴스나 기사들을 보면, 과도한 규제가 AI 혁신을 가로막을 수 있다는 우려도 종종 제기됩니다.

하지만 막상 내용을 자세히 들여다보면, 규제가 그렇게 강하게 체감되지는 않았고, 오히려 정부가 AI 활용에 큰 방향성과 의지를 가지고 있다는 점이 인상적이었습니다. (구체적으로 다루진 않았지만, 제2~3장에는 상당한 규모의 지원과 사업 계획이 담겨 있을 것으로 예상됩니다.)

현재 우리나라의 AI는 독자 AI 파운데이션 모델 프로젝트로 “인프라”를, 그리고 AI 기본법으로 “가이드라인”을 만들어가고 있는데요. 어쩌면 패스트 팔로어를 넘어, 퍼스트 무버를 꿈꿔볼 수 있지 않을까요?

]]>

AI 시대 그로스 해킹은 정말 죽었는가?

"Growth Hacking is Dead."

2024년, 실리콘밸리에서 이런 선언이 나왔습니다. 입소문을 일으키는 기발한 '해킹', 단기간에 폭발적 성장을 만드는 '트릭'의 시대가 끝났다는 것입니다.

그로스 해킹의 죽음과 재탄생

10년 전, 그로스 해킹은 '빠르게 실험하고 빠르게 성장하는' 스타트업의 전술로 여겨졌습니다. 그러나 개인정보보호 규제가 강화되고 소비자가 영리해지면서, 그로스 해킹은 더 이상 통하지 않게 되었습니다.

하지만 이것은 끝이 아닌 시작이었습니다. AI 등장과 함께 그로스 해킹은 완전히 새로운 모습으로 진화하고 있죠.

AI가 바꾼 게임 룰

과거 vs 현재: 패러다임의 전환

그로스 해킹의 본질은 여전히 '성장'입니다. 하지만 그 방법과 접근법은 완전히 달라졌습니다.

▲ 전통적 그로스 해킹 vs AI 시대의 그로스 해킹 <출처: 길벗>

1. 단기 해킹 → 장기 시스템
과거에는 한 번의 입소문 효과로 폭발적 성장을 꿈꾸었습니다.
→ 이제는 AI가 지속적으로 학습하고 개선하는 성장 시스템을 구축합니다.

2. 직관 → 예측
A/B 테스트를 수없이 반복하던 시대는 이제 끝났습니다.
→ AI는 변수 수천 개를 동시에 분석하여 최적의 조합을 예측합니다.

3. 채널 중심 → 고객 중심
페이스북이 효과적일까요, 인스타그램이 효과적일까요?
→ AI는 개별 고객의 전체 여정을 실시간으로 최적화합니다.
(인스타그램 광고 시청 후 구글 검색, 구글 검색 후 아마존 접속·구매)

4. 수동 분석 → 능동 실행
수기로 보고서를 작성하고 회의하는 동안,
→ AI는 이미 실험을 수 천 번 진행하고 최적화를 완료합니다.

이런 변화 속에서, 그로스 해커의 역할은 어떻게 달라져야 할까요?

그로스 해커 역할의 진화

AI 시대의 그로스 해킹은 AI와 인간이각자 강점을 살려 협업하는 것에서 시작되고 완성됩니다.

AI가 잘하는 것

24/7 하드워킹: 집중력 저하 없이 365일 데이터를 모니터링하고 캠페인을 최적화
초고속 정보 처리: 데이터 포인트 수백만 개를 실시간으로 분석하고 패턴 발견
대규모 개인화: 고객 수만 명 각자에게 맞춤형 메시지와 경험 제공
예측/시뮬레이션:과거 데이터를 기반으로 미래 트렌드 예측과 시나리오 분석

인간이 잘하는 것

목표의 설정:지적 욕구, 자아 실현 욕구를 느끼고 그 욕구를 충족시키려고 목표를 설정
감성적 공감: 고객의 숨겨진 니즈와 감정을 이해하고 브랜드 스토리 구축
윤리적 판단: AI 활용의 경계선 설정과 브랜드 가치 수호
관계 구축: 이해관계자와 신뢰 형성, 팀 내 협업 조율

AI가 인간보다 잘하는 영역들을 보면, 인간이 어떻게 해도 더 뛰어나게 할 수 없는 영역이죠. 인간 고유의 영역 중에서 감성적 공감이나 윤리적 판단은 머지 않은 미래에는 AI도 할 수 있을지 모르겠으나, 원천적인 욕구에 따른 목표 설정은 또 다른 영역입니다.

결국 인간이 설정한 목표를 달성하려면 AI와 협업하면서 AI를 이끄는 것이 적절한 포지셔닝입니다.

AI의 '그로스 해킹 사수'가 되는 법

명확한 목표와 맥락 제공

목표는 인간이 명료하게 설정해 주어야 합니다.

부적절한 가이드 :"전환율을 높여 줘."
적절한 가이드 : "20~30대 직장인 대상 이메일 캠페인의 구매 전환율을 현재 2%에서 3%로 높이는 것이 목표야. 우리 브랜드는 프리미엄 포지셔닝이고, 고객들은 품질과 편의성을 중시해."

체계적인 가이드라인 설정

AI가 그로스 해킹의 세부 태스크를 체계적으로 기획할 때 고려해야만 하는 요소를 하나하나 구체적으로 가이드라인을 설정해 주어야 합니다.

브랜드 톤앤매너 :전문적이면서도 친근함
금기 표현 :과장된 약속, 압박적 표현
핵심 메시지 :지속 가능성, 품질, 고객 중심
성공 지표 :전환율, 이탈률, 고객 만족도

단계적 피드백과 학습

사람들끼리 프로젝트를 진행할 때도 중간중간 단계적으로 진행 상황을 리뷰 및 체크하고, 그에 따라 적절한 피드백을 주고받으면서 조정하는 것이 중요하죠. AI와 협업할 때도 정확하게 똑같이 적용 됩니다.

1단계 :AI의 초기 결과물 검토 및 방향성 조정
2단계 :세부 요소 개선(문구, 타이밍, 타깃팅)
3단계 : A/B 테스트 결과 공유 및 학습 포인트 제공
4단계 :성공/실패 사례 분석 및 개선 방향 논의

적절한 데이터와 컨텍스트 제공

AI가 특정한 커스텀 작업을 제대로 하려면 해당 작업에 직결되는 데이터를 체계적으로 제공해 주는 것이 매우 중요합니다. 최근에는 컨텍스트(AI의 기억 영역에 입력되는 것)를 어떻게 제공하느냐가 AI 성능을 좌우하는 중요한 요소로 대두되고 있습니다. 다음 정보들이 도움이 될 것입니다.

제품 및 서비스의 특징
고객 전체 혹은 세그먼트별로 선호하는 제품/서비스의 고유 특징
고객과 접점(채널) 종류
각 접점에서 가능한 고객과 인게이지먼트 이벤트 정의
성장의 정의(첫 가입, 첫 구매, 월평균 구매 얼마 이상 등)

맺음말: 변화를 기회로

AI 시대의 그로스 해킹은, 더 이상 몇 가지 마케팅 및 기술의 조합 꼼수로 빠르게 성장할 수 잇는 것이 아닙니다. 인공지능이라는 강력한 동료와 함께 고객에게 진정한 가치를 제공하고, 지속 가능한 성장을 설계하는 새로운 예술입니다.

변화는 이미 시작되었습니다. 2025년은 AI 에이전트의 원년이 될 것이고, 준비된 마케터들은 단순히 반복 업무에서 해방되어 진정으로 창의적이고 전략적인 일에 집중하게 될 것입니다.

이제 우리 앞에는 두 가지 선택이 있습니다.

AI를 두려워하며 과거에 머물 것인가,
AI와 함께 고속 성장하는 법을 배울 것인가?

늦지 않았습니다. 지금이 바로 첫발을 내딛을 때 입니다.

이 글은 길벗에서 출간된 책 <그로스 해킹(10주년 기념 증보판)>에서 발췌·편집한 글입니다. 원문은 [여기]에서 볼 수 있습니다.

]]>

Go-To-Market(GTM) 전략을 고민하는 당신에게 ②

1편에서는 GTM의 기본 개념과 가상의 예시를 들어 보았습니다. 시장 상황을 분석해 여기에서 타깃 시장(Target Market)을 설정하고 고객군(Segment)을 도출해내, 대표적인 페르소나(Persona)를 설계해 그들의 행위를 시나리오로 상정한 다음, 이에 대응하는 제품을 만들어가는 것.

이번에는 실제로 제가 코칭한 스타트업의 사례로 알아보는 GTM을 보고, GTM을 설계할 때 잊지 말아야 할 개념 SOM을 소개하려고 합니다.

무보존제 화장품 원료의 GTM 설계하기

제가 코칭하게 된 기업의 이름은 “루트렌”으로, 핵심 제품은 아메타민D라는 보존 성능을 가진 원료 물질을 연구·개발·생산하는 것입니다.

이 물질은 주로 화장품 등에 쓰이며, 기존에 폭넓게 사용되고 있는 “1-2헥산다이올”을 대체해 이른바 “무보존제 화장품”을 만들 수 있게 해줍니다. 여러분이 만약 이 기업의 GTM을 설계한다면, 어떤 시장을 목표로 하시겠습니까?

최초에 우리 기업이 선택했던 시나리오는, 한국콜마나 코즈맥스 같은 대형 ODM* 기업이 우리 물질의 효용을 평가해 선택하고, 이 ODM 기업을 이용하는 많은 화장품 브랜드에 “무보존제 화장품” 옵션을 제공해 선택을 유도하는 방식이었습니다. 그러나 이 시나리오는 첫 번째 단계에서부터 잘 작동하지 않았습니다.

*ODM: Original Design Manufacturer(주문자 개발 생산)의 약자로, 제조업체가 제품의 기획, 설계부터 개발, 생산, 포장까지 전 과정을 담당하고, 고객사는 이를 자사 브랜드로 판매하는 방식을 말합니다.

물론 한국콜마나 코즈맥스 같은 곳에서 우리 제품을 선택해준다면 너무 쉬운 일이겠지만, 그런 기업에서 신생 스타트업의 물질을 받아들이는 데에는 아주 오랜 시간이 걸리게 됩니다. 한국콜마에서 스타일난다(3CE)의 요청을 거절하고, 당시에는 작은 생산 기업이었던 코즈맥스와 손잡았던 사례에서도 충분히 예측할 수 있죠. 실제로도 그 두 기업은 우리 회사의 요청에 별다른 응답을 해오지 않았습니다.

쉬운 길이 막힌 이 상황에 그럼 이제 우리는 어떤 시장에서, 어떤 플레이어 혹은 어떤 상황을 목표로 해야 할까요?

그래서 새롭게 제시한 GTM 시나리오는 ODM 플레이어가 아니라 소비자, 즉 최종 제품 브랜드에서부터 “무보존제”의 가치를 평가받을 수 있어야 한다는 것이었습니다. 특히 이 가치를 소비자의 추가 지불로 증명하자고 제안했죠. 그렇게 소비자가 이 가치를 인정하고 추가 지불을 할 수 있다는 점을 증명할 수만 있다면, 레드 오션에서 치열하게 경쟁하고 있는 수많은 브랜드 가운데 일부는 차별화를 위해서, 또 누군가는 수익성을 위해서라도 우리 제품인 아메타민D를 선택해주지 않을까요?

이 실험을 수행하기 위한 우리 회사의 첫 번째 제품이 생산되었습니다. 운 좋게도 어느 피부과의 PB 제품에서 먼저 우리 물질을 선택해주었고, 덕분에 비교적 수월하게 생산을 진행할 수 있었습니다.

참고로 1-2헥산다이올은 피부 장벽을 전제로 하는 화장품에서는 별다른 문제를 일으키지 않지만, 진피층에 흡수됐을 때에는 문제를 일으킬 수 있다는 보고가 있었습니다. 그래서 피부과 의약품 레벨에서는 1-2헥산다이올을 사용하지 않는 경우도 있습니다. 이것이 피부과에서 우리 물질을 선택해준 이유이기도 합니다.

자, 이제 우리 회사는 이 제품에 대해 두 가지 시장 접근 소구를 준비하고 있습니다.

첫 번째는 앞서 언급한 것처럼 “극민감성 피부에도 안전”하다는 “무보존제”에 대한 소구입니다. 우리 소비자는 벤치마크 제품 대비 “안전하다”는 이유만으로 10~15%의 추가 비용을 지불할 수 있을까요?

두 번째로 준비한 것은 더 많은 유효 성분 함량입니다. 우리 물질인 아메타민D는 1-2헥산다이올에 비해 약 20% 수준의 사용량으로도 동일하거나 더 뛰어난 보존 성능을 보여줍니다. 1-2헥산다이올은 보통 전체 용량의 3~4%가 들어간다고 알려져 있는데, 100ml 용량 기준으로 보면 아메타민D를 선택할 경우 3% 이상의 공간이 비게 되는 셈입니다. 우리는 이 공간에 유효 성분인 세라마이드, 피부 진정 효과 물질인 시카(CICA), 피부 재생에 사용되는 판테놀 등을 채워 넣었고, 그 결과 벤치마크 제품 대비 2배에서 5배 수준의 유효 성분을 담을 수 있었습니다.

그래서 이 두 번째의 마케팅 소구는 “안전”이 아니라 “고기능성”입니다. 과연 소비자는 유효 성분이 몇 배 더 들어간 제품에 10~15%의 추가 비용을 지불해줄 수 있을까요?

지금 이 실험은 준비 중입니다. (아마도 이 글이 발행될 즈음에는) 실험의 성과가 어느 정도 보일지도 모르겠습니다. 다만 우리 기업과 우리 제품의 GTM, 그리고 가야 할 시장과 그 시장에 가는 방법은 이렇게 설계해볼 수 있다는 점을 소개해보고 싶었습니다.

SOM이 GTM의 목표여야 합니다

GTM과 이어지는 중요한 개념으로 SOM이 있습니다.

IR 덱에서는 흔히 SOM-SAM-TAM을 설명하는 슬라이드를 쉽게 만날 수 있습니다. 수많은 IR 교육이나 코칭에서 시장 규모의 중요성을 언급하게 되고, 이때 꼭 근거와 출처가 필요하다는 식의 설명을 듣게 됩니다.

그러다 보니 가트너라든가, 또 여러 종류의 시장조사 기관에서 언급하는 시장 규모를 제시하는 경우가 대부분입니다. 자연스럽게 CAGR이 어떻다든가, 2050년에는 어떤 규모가 될 것이라든가 같은 이야기도 하게 되죠. 저 역시 창업자이던 시절, IGA 마켓 리포트를 이마케터나 스크린다이제스트에서 찾아 IR 덱에 넣으며 ‘거대한 시장’이라고 주장했던 경험이 있습니다.

<출처: 구글 AI 검색>

그렇게 아래 뉴스의 게임 내 광고는 제가 창업자이던 시절 삼성전자 PAVV 광고주와 함께 집행했던 광고 소재입니다. 꿈과 희망이 가득하던 그 시절….

<출처: 디지털 투데이>

잠시 이야기가 샜는데, 결국 이는 시장을 단계적으로 좁혀 이해하기 위한 프레임입니다. 각각 SOM(Serviceable and Obtainable Market, 수익 시장), SAM(Serviceable and Addressable Market, 유효 시장), TAM(Total Addressable Market, 전체 시장)으로 시장 규모를 설명할 때 사용하는 접근법입니다.

TAM은 우리 제품이 이론적으로 도달할 수 있는 전체 시장 규모를 의미하며, SAM은 그중에서도 현재의 제품과 비즈니스 모델로 실제 공략이 가능한 시장입니다. SOM은 SAM 가운데에서 지금의 자원과 실행력으로 단기간에 확보할 수 있는 현실적인 목표 시장을 뜻합니다. 굳이 시장을 따로 구분하는 이유는 시장을 크게 보이게 설명하기 위해서가 아니라, 어디서부터 실제 고객을 확보할 것인지를 명확히 하기 위해서입니다. 전략과 실행은 언제나 SOM에서 시작됩니다.

이런 류의 전망의 유효성에 대해 투자자나 VC들이 어떻게 생각하는지는 한때 시장을 선도했던 3D TV 시장 규모에 대한 전망으로 한번 상상해보아도 될 것 같습니다.

<출처: 이투데이>

과연 2014년에 3D TV의 호황이 왔었던가요?

물론 투자자 입장에서 시장의 규모는 아주 중요합니다. 그래서 시장의 규모가 크다고 이야기하는 것 자체는 충분히 이해할 수 있습니다. 하지만 의료용 지혈제를 개발하면서 전체 의약품 시장을 TAM으로 제시한다거나, 시장조사 기관이 내놓은 무작정 낙관적인 수치를 가지고 우리 미래가 밝고 희망차다고 주장하는 것으로는 투자자뿐만 아니라 창업자 본인조차 설득하기 어려울 것입니다.

그리고 여기에서 SAM은 TAM의 20%로 가정하고, SOM은 SAM의 10%로 가정해, 결과적으로 SOM이 TAM의 2%라고 주장해버리고 나면, 이제 GTM과는 영영 돌아오기 힘든 갈래길로 나뉘어버린 셈이기도 합니다. 아래 이미지의 예시로 설명해보자면, 전체 반려동물 가구의 2%를 SOM으로 규정했을 때, 그 2%에게 시장 침투 혹은 접근을 하기 위해 우리는 어떤 전략을 세워야 할까요?

Go-To-SOM 전략

<출처: 티스토리>

SOM에서 중요한 것은 획득 가능성(Obtainable)입니다. 즉, 획득 가능한 시장의 특징과 성격을 갖고 있어야 하기에 SOM은 어느 정도 공통점을 가진 규정 가능한 동질성 집단이어야 한다는 의미이기도 합니다. 전체 시장의 2%라고만 규정했을 때, 과연 그 2%는 어떤 동질성을 가지게 될까요?

그래서 SOM의 시장 규모는 동질성에서부터 역순으로 설계해 가져와야 합니다. 예를 들면 반려견주이면서 다견 견주인지 단견 견주인지, 2인 가구인지 3~4인 가구인지를 정의한다거나, 출근할 때 반려견을 유치원에 맡기는지 집에 혼자 두는지와 같은 여러 조건을 기준으로 동질성을 가진 그룹을 먼저 정의합니다. 그중에서 “우리 제품이 가장 가치를 잘 제공하거나 문제를 해결할 수 있는 그룹을 선택했을 때, 그 규모가 얼마라고 추정이 된다”와 같은 방식이어야 합니다.

마찬가지 TAM 역시 비슷한 방식으로 계산할 수 있습니다.

제가 2020년에 만났던 여성 창업팀 기업인 3J는 여성들이 성병 검사를 하기 위해 산부인과를 방문하는 데 높은 심리적 허들이 있다는 점에 착안해 검사 키트를 온라인으로 판매하는 방식을 시도했습니다.

<출처: 3J 기업 자료>

당시 시장조사 리포트에서 대한민국의 성병 검사 시장 규모는 100억 원 수준이었지만, 그렇다고 TAM이 100억 원은 아니었을 것입니다. 이 경우 TAM은 위의 예시 이미지와 유사한 방식으로 계산할 수 있습니다. 대한민국 인구 가운데 타깃 여성의 규모와 WHO가 권고하는 연간 검사 횟수를 정의하면, 우리가 목표로 삼을 TAM을 보다 현실적으로 추정할 수 있습니다.

그리고 여기에서부터 다시 목표 고객군(Target Segment)을 규정해가며 SOM을 명확하게 설계해나간다면 투자자에게도, 그리고 창업팀 본인에게도 훨씬 더 설득력 있게 설명할 수 있을 것입니다.

마치며

결국 Go-To-Market 전략의 본질은 “얼마나 큰 시장을 꿈꾸는가”가 아니라, 지금 이 순간 우리가 실제로 점유할 수 있는 시장을 얼마나 정확히 정의하고, 그 시장을 뚫기 위해 무엇을 할 것인가에 있습니다. SOM은 우리가 만들고자 하는 제품의 가장 이상적인 고객을 형상화하고, 그 고객 세그먼트를 전제로 가치를 전달해 구현하는 것을 목표로 한다는 점에서 GTM 전략과 가장 직접적으로 맞닿아 있습니다.

그래서 SOM을 기준으로 GTM을 설계한다는 것은 단순히 타깃 시장의 크기를 줄인다는 의미가 아닐 것입니다. 고객 세그먼트, 핵심 문제, 메시지, 채널, 세일즈 방식까지 모든 실행 요소를 하나의 현실적인 전제 위에 정렬하는 작업을 의미해야 합니다.

SOM이 분명해지면, 마찬가지로 GTM도 분명해집니다. 모든 고객에게 통하는 가치를 제안하는 것이 아니라, 이 고객군이 반드시 반응할 하나의 문제 정의가 드러나고, 마케팅 메시지는 브랜드 스토리가 아니라 구매를 촉발하는 문장으로 만들어 지겠죠. 또한 유통 채널과 세일즈 전략에서도 역시 “가장 효율적인 채널은 무엇인가” 찾는 일에서 시작하지 않고 “이 고객은 실제로 어디에서 우리를 발견해 어떤 방식으로 설득되어 구매하는가”라는 질문을 중심으로 고객 여정과 시나리오를 다시 정의할 수 있습니다.

이러한 접근이야말로 GTM 전략을 문서에 들은 계획이 아니라 검증할 수 있는 행동으로 만들어줍니다. SOM을 직접 겨냥한 GTM으로 작은 성공을 빠르게 만들고, 그 성공을 반복 패턴으로 바꿔야 시장 확장의 발판을 마련할 수 있습니다.

GTM 전략의 완성은 시장 진입을 말하는 순간이 아니라 선명한 SOM 안에서 첫 번째 고객을 확보하고 그 과정이 재현될 것이라는 확신을 얻는 순간에 이뤄집니다. 결국 시장을 크게 설명하는 전략보다, 지금 이 시장에서 실제로 이길 수 있는 전략이 GTM입니다. 그 중심에는 언제나 SOM이 있다는 것을 잊지 말아야 합니다.

]]>

Go-To-Market(GTM) 전략을 고민하는 당신에게 ①

최근 테크 스타트업의 헤드헌터/써치펌 하는 분을 만났다가 요새는 GTM을 많이 찾는다며, 대체 GTM이 무어냐는 질문을 만났습니다.

GTM은 Go-To-Market 전략의 약어인데, 보통 제품의 시장 침투 전략(Market Penetration Strategy)에서 초기에 어떤 고객 세그먼트를 먼저 집중해 공략할 것인가, 우리 제품의 초기 핵심 고객군(Seed Customer Group)은 누구이며, 그 시장에 어떻게 접근(Approach)할 것인가 같은 관점에서 많이 언급되는 말이기도 합니다. 초기 기업의 IR을 만나면, 우리 제품의 가치(Value)가 누구에게 어떻게 전달되도록 할 것인가라는 관점에서 자주 물어보는 항목이기도 합니다.

요즘 뜨거운 이 단어를 제품쟁이의 입장에서, 그리고 또 초기 기업을 만나 투자하고 코칭하는 입장에서 Go-To-Market(이하 GTM)이란 무엇인지, 저는 GTM을 어떻게 바라보고 코칭하고 있는지에 대해서도 한 번 정리해보려고 합니다.

마침 최근 충남창조경제혁신센터의 의뢰로 화장품 소재 기업을 멘토링할 기회가 있었기에, 이 제품이 어떻게 시장에 접근해야 하는지를 코칭한 구체적인 경험으로 함께 설명해보겠습니다.

Go-To-Market이란 것

<출처: SlideSalad.com / Slidemodel.com>

GTM을 검색해보면 가장 많이 보게 되는 종류의 도식입니다. 6가지 혹은 3가지 차원(Dimension)의 변수를 두고, 과거 밸류체인 캔버스(Value Chain Canvas)를 채워나가듯 꽉 찬 전략과 설계를 만들 것을 요구하죠. 저도 한때는 비즈니스 모델 캔버스를 채우는 것이 지상과제이자 당면한 숙제였던 적이 있었습니다.

창업을 시작하고 사업을 하는 원대한 목표를 가진 ‘앙트프리너(Entrepreneur)’가 본인의 아이템과 사업에 대해 저 정도의 설계와 비전도 없다는 것이 어쩌면 말이 안 된다고 생각할 수도 있을 것입니다. 그러나 아마도 창업가이자 투자자라면 대부분 알고 있겠지만, 생각보다 저런 정도의 설계와 계획, 비전 따위는 가지고 있지도 않을 뿐더러, 많은 경우 그리 쓸모가 있지도 않습니다. 물론 어렴풋하게나마 방향을 제시할 수 있다는 점에서는 유용하다고 할 수 있겠지만, 하루에도 열두 번씩 마음이 바뀌고 (마음이 바뀌는 것이지만, 말로는 “시장 상황이 바뀌었다”고들 합니다), 그날그날 정보에 따라 팔랑귀가 갈대처럼 흔들리는 창업가들에게 이 정도로 꽉 짜인 설계는 그다지 필요하지 않기도 합니다.

물론 이런 구조화(Structuring)는 분명 큰 사업을 하거나 큰 기업의 아이템/모델에는 매우 정교하게 요구되는 것이기도 합니다. 다만 이 글에서 중요성을 낮게 언급하는 이유는 GTM을 설계하는 데에 너무 큰 부담을 가질까 우려하기 때문입니다.

GTM은 마케팅일까 제품일까

GTM은 마지막에 붙어있는 M 때문인지 마케팅의 영역으로 취급되는 경우가 더 많은 것 같습니다. 상황에 따라 맞는 말일 수도 있습니다.

다만 제품쟁이이자 초기 기업의 제품에 대해 투자와 코칭을 하는 관점에서는, GTM은 전형적으로 제품(Product)의 영역에서 시작해야 하는 문제입니다. 기업 규모나 단계와 무관하게 제품이 시작할 때에 가장 우선해야 할 질문은, “그래서 누가 우리 제품을 구매해주었으면 좋겠는가”인데, 이것은 MRD(Market Requirement Document)에서 규정하는 타깃 고객군(Target Segment)이고, 또 PRD(Product Requirement Document)에서 항상 강조하는 페르소나(Persona)입니다. 말하자면 GTM은 결국 “어떻게”, “어느 시장”으로 먼저 갈 것이냐를 판단하고 찾아가는 문제이기 때문입니다.

조금 더 예를 들어 설명해볼까요?

여러분의 회사에서 항공권 가격을 비교/판매하는 서비스를 출시한다고 한 번 가정해보시죠. 이미 수많은 플레이어들이 이 시장을 차지하고 있고, 소비자들 역시 그 시장에서 항공권을 탐색하고 가격을 비교하고 또 결제하는 데에 딱히 대단한 허들이나 블로커를 가지고 있지 않습니다. 기억을 과거로 돌려보면, “천송이 코트를 공인인증서 때문에 구매하지 못한다”의 그 시대로 시계를 되돌려볼 수 있는데요. 우리는 그렇게 어렵고 불편한 온라인 결제·커머스의 시대에도 500원, 1,000원짜리 쿠폰 한 장이면 그 난관을 뚫고 결제를 성공하고야 마는 민족이었기에, 지금의 최저가 항공권 서비스에 대단한 불편이나 불만이 없는 것은 그리 이상하거나 어색하지 않습니다.

<출처: 국민TV>

항공권을 구매하는 프로세스는 모두 동일합니다. 목적지를 넣고 일정을 입력하면, 해당하는 모든 항공편이 하나의 API로 검색되어 토출되기 시작합니다. 어떤 서비스는 순차로 노출을 시켜주고, 어떤 서비스는 배치로 조금 오래 기다렸다가 결과를 보여주는 정도의 차이가 있을 뿐입니다. 제품의 동작은 항공권 가격을 토출해주는 API에 종속되어 있으므로, 실제 이 과정들은 모두 동일하다고 볼 수 있습니다. 물론 Hopper와 같은 서비스들이 조금 다른 접근법으로 가격 캘린더를 시작점으로 삼은 경우도 있었고, 여전히 좋은 서비스를 유지하고 있기는 합니다.

지금 이 시점에서는, 그 영역에서 구글 플라이트가 가장 강한 리더십을 가지고 있다고 볼 수 있겠네요.

<출처: 구글플라이트>

이런 상황에서 신규로 출시하는 항공권 가격 비교·구매 사이트나 서비스는 GTM을 어떻게 잡아볼 수 있을까요?

앞서 언급한 것처럼 GTM을 마케팅(Marketing Department)의 것으로 보거나, 또는 그로스 해킹(Growth Hacking)의 영역으로 보고, A/B 테스트에 기반한 광고 소재를 통해 고객을 찾아가는 과정으로 이해할 수도 있겠습니다.

하지만 저는 그에 앞서, “우리 제품이 목표하는 타깃 고객군(Target Segment)을 어떻게 정하는가” 이것이 GTM의 시작이자 본질이라고 이야기하고 싶습니다.

여러분이라면, 이 신규 항공권 가격 비교·구매 서비스의 목표 시장을 어디로 제안하고 싶으신가요?

우리 회사가 처한 상황이나 가지고 있는 다른 제품의 에셋, 그리고 시장 상황에 따라 많은 결정을 다르게 할 수 있을테니, 조금 좁혀 우리 회사가 호텔 예약 서비스를 하고 있고 여기에 항공권을 크로스오버로 연계하고 싶다고 해보겠습니다.

그렇다면 당연히 현재 우리 회사의 호텔 예약 서비스를 이용하는 고객을 첫 번째 시장으로 설정하게 될 것입니다. 그들이 출장을 중심으로 이용하는지, 가족 여행을 중심으로 하는지, 혹은 가족이 아닌 여행인지를 살펴보면 가장 많이 검색하고 구매하는 지역이 비교적 선명하게 드러나게 되고, 우리가 (먼저) 가야 할 시장 역시 그곳이 될 것입니다.

만약 그들 사용자의 주요 특징이 “가족이 아닌 여행”이라면 커플이나 친구 단위일 것이고, 아무래도 가까운 시일 내에 가까운 지역을 이동하는 경우가 대부분일 것입니다. 한편 가족 여행이라면 가족 휴양지 지역을 대상으로 호텔과 항공권을 구매하는 시점을 어느 정도 특정할 수도 있습니다. 이러한 타깃 고객을 대상으로 할 때, “오대양 육대주”를 검색할 수 있는 GNB 메뉴나 1년짜리 캘린더를 노출하는 방식은 그리 좋은 사용자 반응을 기대하기 어려울 것입니다.

“다음 주말 일본 여행 갈 때 최저가 항공권을 비교해보세요”

이처럼 기업의 상황과 시장의 경쟁 구도를 분석하고, 여기에서 “가야 할 시장”을 결정하는 것에서 시작하면, 이제 “제품”이 해당 시장에 가장 잘 접근할 수 있도록 설계가 따라와야 할 차례입니다. 카약이나 익스피디아, 혹은 네이버 항공권의 페이지를 벤치마크해 그대로 만든다고 그 제품이 과연 우리의 타깃 시장에 효과적으로 접근할 수 있을까요?

우리 타깃 고객에게 필요한 것이 “수백만 개의 항공권”에서 가장 저렴한 것을 찾아주는 것일까요? <출처: 스카이스캐너>

그 대신 “다음 주말 일본 여행 갈 때 최저가 항공권을 비교해보세요” 같은 접근은 어떨까요?

이미 일정과 대상 지역이 어느 정도 정해져 있기 때문에, 수백만 개의 항공권 중에서 미주 대륙이나 아프리카 대륙, 유럽 대륙으로 가는 장거리 항공권은 일단 제외할 수 있습니다. 여기에 1~2주 정도 기간을 특징으로 잡는다면, 카약이나 스카이스캐너에서 입력하고 한참을 기다려야 하는 시간도 없앨 수 있을 것이고, 날짜를 하루이틀 움직이거나 인근 지역의 공항으로 변경하는 등 탐색 과정도 훨씬 더 매끄럽게 설계할 수 있을 것입니다.

이렇게 “제품”을 만들어가는 전반적인 과정을 제품 개발 프로세스(Product Development Process)라고 부를 수 있으며, 앞서 시장을 분석하고 타깃 고객군을 설정하던 과정은 일반적으로 MRD에서 다루게 됩니다. 그리고 그런 시장 요구 사항에 대응하는 제품을 설계하는 과정이, 제가 항상 강조하고 주장해온 PRD의 내용이라고 할 수 있습니다.

즉, 시장 상황을 분석해 여기에서 타깃 시장(Target Market)을 설정하고 고객군(Segment)을 도출해내, 대표적인 페르소나(Persona)를 설계해 그들의 행위를 시나리오로 상정한 다음, 이에 대응하는 제품을 만들어가면 됩니다. 참 쉽죠?

어쩌면 이제 AI의 시대가 되었으니, 우리가 잠시 고민한 이 제품이 다 필요 없는 그런 시대가 올까요? “다음 주말에 일본 소도시로 가는 항공권 가격을 비교해줘”라는 한 문장 프롬프트만으로 모든 문제를 끝낼 수 있을까요? 다만, AI 엔진 역시 동일한 API를 호출하게 될 것이고, 그렇게 꽤 많은 시간을 보낼 것입니다. 선택 사항을 조정할 때마다 API를 호출하며 시간을 쓰게 되겠죠. 어쩌면 AI 엔진에게도, 우리가 제공하는 서비스가 더 나은 결과를 도출하는 데 도움이 될지도 모르겠네요.

<출처: 제미나이>

마치며

여기까지, 간단하게 GTM의 기본 개념을 알아 보았습니다. 거창한 이름에 비해 간단한 개념을 담고 있죠. 곧바로 이어질 다음 글에서는 실제 사례로 알아보는 GTM과 잊어서는 안 될 목표 SOM을 다뤄보려고 합니다.

]]>

회의 시간에 딴소리하는 팀원, 고칠 수 있을까요?

개발팀의 시간은 곧 비용입니다. 우리는 복잡한 로직을 구현하고 견고한 아키텍처를 설계하기 위해 시간을 쪼개어 집중해야만 합니다. 그런데, 이 귀중한 시간이 의미 없이 사라지는 경우가 있습니다. 바로 준비되지 않은 회의입니다.

흔히 마주할 수 있는 상황을 생각해 봅시다. 다음 스프린트의 핵심 기능인 ‘결제 모듈의 트랜잭션 롤백 전략’을 결정하기 위한 회의가 열렸습니다. 돈이 오가는 문제인 만큼, 데이터 정합성을 어떻게 맞출지가 중요합니다. 그렇게 개발자 A가 화이트보드에 케이스를 그리며 열심히 설명하고 있었습니다.

한창 열심히 설명하고 있을 무렵, 구석에 있던 팀원 B가 손을 듭니다.

“그런데, 결제 실패했을 때 유저한테 보내는 알림톡 문구는 정해졌나요? 지난번에 마케팅팀이랑 알림톡 템플릿 비용 때문에 이슈 있었잖아요. 트랜잭션 실패하면 알림톡이 두 번 발송될 수도 있는데, 비용 처리는 어떻게 하죠?”

<출처: 작가, OpenArt로 생성>

순간 회의실에 정적이 흐릅니다. 조금 전까지 논의하던 DB 데이터 정합성이라는 핵심 맥락은 끊어졌고, 사람들의 머릿속에는 갑자기 마케팅팀과의 비용 이슈와 알림톡 발송 정책만이 떠오르기 시작합니다. 주최자인 개발자 A는 당황합니다.

‘아니, 알림톡 비용도 중요하긴 하지만… 지금은 DB 설계를 결정해야 하는 시간인데…’

결국 참가자들은 DB 트랜잭션과 알림톡 비용 사이를 오가다 귀중한 30분을 허비합니다. 시계를 보니 회의 종료까지 남은 시간은 단 5분입니다. 마음이 급해진 주최자는 결국 쫓기듯 회의를 종료하기 위한 결정을 내립니다.

“음… 시간이 없네요. 트랜잭션 처리는 일단 가장 익숙한 A 방식으로 갈까요?”

치열하게 고민해야 했을 중요한 기술적 의사결정을 시간에 쫓겨 급하게 처리해 버린 것입니다. 회의실을 나서는 팀원들의 표정에는 개운치 않은 찜찜함만 남았습니다. 이런 일이 반복될 때 우리는 흔히 팀원 B를 탓합니다.

“쟤는 왜 저렇게 눈치가 없지? 왜 자꾸 딴소리로 회의를 망치지?”

하지만 여러 회의를 겪으며, 제가 찾은 원인은 다른 데 있었습니다. 회의 중 발생하는 딴소리는 그 팀원의 무능이나 무질서 때문만이 아니라 ‘회의 시스템의 결함’으로 발생한 문제입니다.

소프트웨어에 버그가 발생하면 코드를 수정하듯, 회의 중에 딴소리라는 버그가 생기면 ‘회의 시스템’을 수정해야 합니다. 그 수정 설계의 핵심에는 ‘무엇을(What), 왜(Why), 어떻게(How)’라는 3가지 필수 요소가 있죠. 하나라도 부족하다면 누군가 딴소리를 할 수 있는 여지가 생깁니다.

딴소리가 불러오는 ‘기술 부채’

회의에서 흘러나오는 딴소리는 단순히 “말이 좀 많네” 하고 넘길 문제가 아닙니다. 회의가 주제를 이탈하는 순간, 팀의 생산성에는 치명적인 세 가지 악영향이 발생합니다.

<출처: 작가, OpenArt로 생성>

첫째, 잘못된 의사결정을 유발합니다

방금 예시를 다시 떠올려 볼까요? 트랜잭션 롤백 전략은 시스템 안정성과 직결되는 문제입니다. 하지만 딴소리로 인해 충분한 토론 없이 “시간 없으니 익숙한 A 방식으로 하자”는 결정이 내려졌습니다. 이렇게 급하게 내린 판단은 장애로 이어지거나, 결국 코드를 다시 뜯어고쳐야 할지도 모를 ‘기술 부채’로 되돌아옵니다.

둘째, ‘회의 혐오’를 만듭니다

“우리 팀 회의는 들어가 봤자 시간만 낭비해.”라는 인식이 퍼지기 시작합니다. 개발자들은 회의를 일을 방해하는 요소로 받아들이고, 회의실에 들어올 때부터 방어적인 태도를 보이거나 아예 입을 닫아버립니다. 그렇게 팀원들의 참여는 점점 줄고, 주최자만 말하는 죽은 회의가 되어버립니다.

셋째, 우선순위의 혼란을 줍니다

가장 위험한 부작용입니다. 만약 딴소리하는 팀원의 목소리가 크면 어떨까요? 그가 꺼낸 알림톡 비용이란 이슈가 정작 회사에 더 중요한 결제 데이터 정합성보다 시급한 문제처럼 보이며 혼란을 주기 시작합니다. 팀의 리소스가 엉뚱한 방향으로 새어 나가는 출발점이 바로 여기입니다.

성공적인 회의를 위한 3가지 설계 요소

그렇다면 어떻게 해야 할까요? 회의 진행자가 말을 잘해서 흐름을 통제하는 데에는 분명 한계가 있습니다. 그래서 필요한 것은 회의 설계도입니다. 좋은 회의는 시작부터 다음 3가지 요소가 완벽하게 제공된 상태여야 합니다.

만약 스스로 주최한 회의에서 딴소리가 끊이지 않는다면, 팀원을 탓하기 전에 먼저 생각해 봐야 합니다.

‘나는 회의의 3가지 핵심 요소를 시작 전에 완벽하게 전달했을까?’

<출처: 작가, OpenArt로 생성>

무엇을(What): 이 회의의 최종 목표는 무엇인가? 정보 공유인가, 아이디어 발산인가, 아니면 의사결정인가?
왜(Why): 이 안건을 왜 지금 논의해야 하는가? 이 논의의 비즈니스 가치와 긴급성은 어떤가?
어떻게(How): 우리는 어떤 규칙으로 논의할 것인가? 시간 배분과 발언권, 이탈 방지책은 무엇인가?

What & How: 회의의 좌표와 경로 찍기

회의 주최자가 회의실에 들어와 가장 먼저 해야 할 일은 무엇일까요? 바로 좌표와 경로를 찍는 것입니다.

딴소리가 난무하는 회의의 90%는 참석자들이 ‘우리가 지금 어디로 가고 있는지(What)’를 모르거나, ‘어떤 도로를 타고 갈지(How)’ 합의하지 않았기 때문에 발생합니다. 내비게이션 없이 운전대를 잡으면 운전자는 결국 잘 아는 길, 즉 자기 관심사로만 핸들을 꺾습니다.

What “오늘 우리는 무엇을 결정합니까?”

회의 주최자들은 회의를 초대하며 ‘주간 개발 회의’, ‘아키텍처 논의’처럼 모호한 제목을 적곤 합니다. 하지만, 이는 시작부터 팀원들에게 “와서 아무 말이나 하세요”라고 판을 깔아주는 것과 다르지 않습니다.

목표(What)가 불분명하면 사람들은 본능적으로 자신이 가장 잘 아는 주제, 혹은 가장 걱정하는 문제를 꺼냅니다. 앞선 예시에서 팀원 B가 갑자기 알림톡 비용을 이야기한 것도, 그에게는 그것이 가장 시급한 문제였기 때문일 겁니다. 이는 회의의 목표가 DB 트랜잭션 설계 결정이라는 점이 명확히 인지되지 않아서 생긴 상황입니다.

물리적으로 목표를 시각화하기

말로만 전달한 목표는 공기 중으로 흩어지기 쉽습니다. 눈에 보이게 만드세요.

가장 좋은 것은 회의실에 들어가자마자 보드 맨 윗줄에 ‘한 가지 목표’를 적으며 회의를 시작하는 것입니다. 이 목표 역시 구체적이어야 합니다.

나쁜 예: 결제 시스템 회의
좋은 예: 신규 결제 모듈 트랜잭션 롤백 전략 결정(API vs Queue)

회의에 초대하거나 회의록을 작성할 때도 마찬가지입니다. 문서 최상단에 헤드라인으로 ‘의사결정 필요’ 섹션을 만들어 두세요.

이렇게 What이 시각화되어 있으면, 딴소리를 제어하기 훨씬 쉬워집니다. 누군가 엉뚱한 이야기를 시작할 때, 이제는 감정을 섞을 필요가 없습니다. 그저 화이트보드에 적힌 목표를 가리키며 이렇게 말하면 됩니다.

“B 님, 비용 문제도 중요하지만, 지금 말한 것이 저기 적힌 ‘트랜잭션 롤백 전략 결정’에 당장 필요한 내용일까요?”

한마디면 충분합니다. 팀원 모두 “아, 지금 주제가 아니구나”라고 깨닫고, 자연스럽게 원래 논의로 돌아올 겁니다.

How “우리는 어떤 규칙으로 논의합니까?”

목표(What)가 ‘도착지’라면, 규칙(How)은 ‘교통 신호’입니다. 신호등이 없는 교차로를 떠올려 보세요. 목소리 큰 차가 먼저 지나가고, 눈치 빠른 차가 마구 끼어들면, 결국 병목 현상에 도로는 꽉 막혀버릴 것입니다.

회의도 다르지 않습니다. 발언권을 독점하는 사람, 꼬리에 꼬리를 무는 논쟁, 주제를 벗어난 아이디어 발산까지. 이런 혼란의 대부분은 How를 정의하지 않아 발생합니다.

회의 안건별 데드라인 설정하기

개발자들에게 민감한 데드라인을 회의 안건에도 심어보세요.

“1번 안건인 ‘롤백 시나리오 리뷰’에는 딱 15분 쓰겠습니다. 15분 안에 결론이 안 나면, 추가 미팅을 잡거나 주최자가 결정하겠습니다.”

타이머를 화면에 띄워두는 것도 좋은 방법입니다. 시간이 줄어드는 모습이 눈에 보이면, 사람들은 딴소리할 여유를 잃고 자연스럽게 핵심에 집중하게 됩니다.

회의 안건이 아닌 중요한 것을 모으기

딴소리를 제어하는 가장 강력하면서도 세련된 방식입니다. 회의 중 누군가 주제와 직접 관련은 없지만, 중요한 이야기(또는 그 사람이 중요하다고 믿는 이야기)를 꺼냈을 때 무조건 자르지는 마세요. 무시당했다고 느낀 팀원이 입을 닫아버리거나 오히려 반발심을 가질 수 있습니다.

그럴 때는 화이트보드 한쪽에 나중에 논의라는 공간을 만들고 활용해도 좋습니다. 이런 말과 함께요.

인정: B 님, 알림톡 비용 이슈는 운영 관점에서 정말 중요한 문제네요.
저장: 하지만 오늘 안건(DB 설계)과는 거리가 있으니, 여기 ‘나중에 논의’ 영역에 적어두겠습니다.
약속: 회의가 끝나고 시간이 남으면 이야기하거나 따로 티켓을 만들어 논의하시죠.

팀원 B는 ‘내 의견이 존중받았다’는 느낌을 받으면서도 더는 같은 문제로 회의 흐름을 방해하지 않을 것입니다. 딴소리를 마냥 제거하는 것이 아니라, 적절한 위치로 이동시키는 것. 이 역시 회의를 원활하게 만들 How입니다.

Why: 가치를 알게 하기

앞서 우리는 ‘What(목표)’을 시각화하고, ‘How(규칙)’를 정비했습니다. 이 두 가지만 잘 갖춰도 무의식적으로 튀어나오는 딴소리는 대부분 사라질 것입니다.

하지만 회의를 가장 힘들게 만드는 존재는 따로 있습니다. 바로 똑똑한 팀원의 확신에 찬 딴소리입니다. 팀원 C는 회의의 목표(What)가 무엇인지 알고 있고, 발언 규칙(How)도 충분히 이해하고 있습니다. 그런데도 손을 들고 제동을 겁니다.

“트랜잭션 롤백 전략도 중요한데요. 저는 이번 기회에 레거시 코드를 먼저 리팩토링해야 한다고 봅니다. 지금 구조로는 어떤 전략을 써도 코드가 너무 지저분해져서 나중에 유지보수를 할 수가 없어요.”

회의 주제는 분명 롤백 전략 결정입니다. 그런데 갑자기 코드 품질과 리팩토링이라는 훨씬 큰 주제가 던져집니다. 틀린 말은 아닙니다. 맞는 말일 수도 있습니다. 하지만 지금 이 회의에서는 분명한 딴소리입니다.

그렇다면 왜 이런 일이 벌어질까요? 원인은 정보의 부재가 아닌 가치의 충돌에서 찾아야 합니다.

조직의 목표 vs 개인적 동기

모든 개발자는 마음속에 자신만의 개인적인 동기를 품고 있습니다.

‘나는 더 깔끔하고 우아한 코드를 짜고 싶어.’라는 기술적 완벽주의나, ‘새로 배운 기술(MSA, GraphQL 등)을 써보고 싶어.’라는 학습 욕구, ‘나중에 귀찮아지기 전에 지금 고치고 싶어.’ 같은 편의성도 있죠.

반면, 회의를 소집한 주최자는 분명한 조직의 목표를 바라봅니다.

‘코드가 좀 지저분해도 내일 당장 배포해야 해.’처럼 비즈니스 속도일 중요하게 볼 수도 있고, ‘새로운 기술 도전보다는 지금 잘 돌아가는 방식이 안전해.’라며 안전성을 따질 수도 있습니다.

딴소리는 바로 이 두 가지 Why가 정면으로 충돌할 때 발생합니다.

팀원 C는 자신의 개인적 Why(코드 품질)가 팀의 Why(출시 속도)보다 더 중요하다고 믿기에, 이를 관철하려 회의의 흐름을 끊었습니다. 만약 이때 권한이나 연차 같은 힘으로 “시키면 하세요”라고 찍어 누르면, 그 팀원은 입을 닫고 동기를 잃어버립니다. 그렇다고 모두 들어주면 배는 산으로 갈 것입니다. 어떻게 해야 할까요?

회의의 Why를 설득하기

그래서 회의 주최자는 회의 시작 전에, 팀원들에게 이 회의가 가지는 가치를 먼저 설득해야 합니다. 단순히 “모이세요”가 아니라 “왜 이 회의가 당신의 시간을 뺏을 만큼 가치 있는지”를 분명하게 증명해야 합니다.

회의 서두부터 비즈니스 맥락과 위협을 함께 공유하는 것이 가장 좋은 방법입니다.

나쁜 예: 자, 이번 스프린트 롤백 로직 개발 건 논의합시다.
좋은 예: 이번 결제 모듈이 다음 주 대규모 프로모션 때 배포됩니다. 만약 롤백 실패로 데이터가 꼬이면, CS 문의 폭주로 프로모션을 중단해야 할 수도 있습니다(Why). 그래서 오늘 회의에서는 완벽한 코드보다는 가장 확실하고 안전한 방법을 찾는 것이 먼저입니다.

이처럼 ‘안정성’이라는 이유를 명확히 하고 시작하면, 리팩토링이나 신기술 도입을 주장하려던 팀원도 스스로 브레이크를 밟게 됩니다. “아, 지금은 기술적 욕심을 부릴 때가 아니구나”라고 이해한 것이죠.

개인의 Why는 존중하되 냉정하게 다루기

그런데도 딴소리를 멈추지 않는 고집 센 팀원이 있다면, 어떻게 해야 할까요? 이때는 그들의 열정을 꺾지 않으면서도 회의를 구출하는 존중과 제어의 화법이 필요합니다. 핵심은 단순히 “틀렸다”라고 말하는 것이 아니라 “시점이 다르다”라고 말하는 데 있습니다.

1단계. 존중

“C 님의 리팩토링 의견은 정말 훌륭합니다. 장기적으로 우리 팀에 꼭 필요한 작업이고, 기술 부채를 진지하게 고민해 주신 점도 감사합니다.”

이처럼 먼저 팀원의 전문성과 동기를 인정하면, 그의 방어 기제를 내려놓는 데 도움을 줍니다.

2단계. 제어

“다만 앞서 말했듯이 오늘 회의의 목표는 ‘프로모션의 생존’입니다. 지금 리팩토링을 시작하면 우리가 목표로 한 프로모션 오픈 일정은 맞추기 어렵습니다. 다만, C 님의 소중한 의견이 묻히지 않도록 이 안건은 다음 안정화 스프린트 회의로 넘기는 게 어떨까요?”

그다음에는 팀의 Why를 근거로 우선순위를 다시 정렬합니다.

이 과정을 거치면 팀원은 자신의 의견이 무시당한 것이 아니라 ‘더 적절한 시기를 기다리고 있다’고 인식합니다. 회의의 목표를 지키면서도 가치의 우선순위를 정렬하는 방법입니다.

한계: 의지가 없다면 단호해지기

여기까지 왔다면 우리는 할 수 있는 모든 것을 다 했습니다.

What: 목표를 명확히 보여줬고,
How: 규칙을 세웠으며,
Why: 이유를 설득하고 가치의 우선순위까지 정렬했습니다.

이 정도 시스템이라면, 팀원의 95%는 딴소리를 멈추고 협력자로 바뀔 것입니다.

하지만 끝이 아닙니다. 만약 이 모든 것을 완벽하게 만들어도, 여전히 팔짱을 낀 채 딴소리를 하며 분위기를 흐리는 나머지 5%가 있다면 어떨까요? 시스템을 제공해도 거부하는 그들에게 우리는 어떤 카드를 꺼내야 할까요?

소통 vs 태도와 동기

여기서부터는 진단을 바꿔야 합니다. 이는 더 이상 회의 주최자가 해결할 수 있는 소통 문제의 영역이 아닙니다. 본질은 협업 태도의 문제입니다. 시스템으로 개선할 소통 문제에 비하면, 동료의 태도와 동기 문제는 주최자가 고칠 범위가 아닙니다. 시스템을 따를 의지가 없는 참여자에게 더 정교한 회의 기법을 쓰는 것은 솔직히 시간 낭비에 가깝습니다.

이때는 친절한 진행자의 가면을 벗고, 단호한 심판자의 역할을 해야 합니다. 억지로 설득하려 들기보다는 정해진 규칙에 따라 논의를 중단시키거나 문제 해결을 상위 리더에게 위임하세요. 만약 통제가 불가능한 상황이 온다면, 감정적으로 맞서지 말고 건조하게 선을 긋는 것이 낫습니다.

“의견은 충분히 들었습니다. 하지만 정해진 규칙과 시간 안에 결론을 내려야 하는 관점으로, 이 논의는 여기서 중단하겠습니다. 이견이 있다면 회의록에 ‘미해결 안건’으로 남기고, 팀장님(결정권자)과 별도로 이야기하시죠.”

이처럼 명확한 선을 긋는 것 역시 주최자의 중요한 역할입니다. 해결할 수 없는 문제까지 끌어안으려다 회의 전체를 망치지 마세요. 주최자의 책임은 모두를 만족시키는 것이 아니라, 회의에 참여한 다수의 시간을 보호하는 것입니다.

회고로 개선하기

마지막으로, 딴소리 없는 회의를 유지하려면 시스템을 꾸준히 개선해야 합니다.

이를테면, 아이디어 발산이 중요한 프로젝트 초반에는 딴소리를 어느 정도 허용해야 할 수도 있고, 마감이 임박한 시점에는 군대식 통제가 필요할 수도 있습니다. 그럴 때는 (애자일 조직이라면) 회의 자체를 하나의 안건으로 ‘회고’에 올려보세요. 이런 질문을 던지면 좋습니다.

이번 스프린트 회의의 What은 명확했나요?
우리가 정한 How가 너무 빡빡해 창의성을 해치진 않았나요?

팀원 스스로 “‘나중에 논의’ 제도가 좋았다”거나 “시간이 너무 부족했다”처럼 솔직히 피드백하도록 장을 열어주세요. 회의의 규칙이 리더가 시킨 것이 아닌 우리가 함께 합의한 문화로 인식되는 순간, 딴소리는 자연스러운 자정 작용으로 사라질 것입니다.

마치며

지금까지 ‘회의 시간에 딴소리하는 팀원’이라는 골치 아픈 현상을 함께 살펴봤습니다. 첫 질문으로 돌아가 봅시다. “회의 시간에 딴소리하는 팀원, 고칠 수 있을까요?”

제 대답은 “시스템이 그들을 돕는다면 가능하다”입니다.

우리는 너무 쉽게 동료를 비난합니다. “눈치가 없다”, “이기적이다”, “말귀를 못 알아듣는다”. 하지만 그 비난의 손가락을 거두고 내가 설계한 회의실의 풍경을 다시 한번 점검해 보세요. 화이트보드에 목표(What)는 적혀 있었는지, 팀원들에게 규칙(How)을 주었는지, 그리고 이 회의의 이유(Why)를 충분히 설명했는지 말입니다.

딴소리는 팀원의 입에서 나오지만, 그 원인은 회의 방식에도 숨어 있습니다. 어떻게 보면 딴소리는 ‘지금 이 회의의 시스템이 고장 났습니다’라는 경고음입니다. 그럴 때는 경고음을 낸 사람을 탓하기보다 시스템을 먼저 수리해 보세요. 말 잘 듣는 팀원을 찾기보다 누가 들어와도 몰입할 수밖에 없는 회의를 설계하는 것이 빠릅니다.

이렇게 What, Why, How가 제대로 채워진 회의실에서는 더 이상 낭비되는 시간이 없을 겁니다. 지금 당장, 다음 회의의 What을 적어보는 건 어떨까요?

]]>

AI 버블인지 아닌지가 당신의 스타트업에 중요한가?

국내 IT 기업은 한국을 넘어 세계를 무대로 할 정도로 뛰어난 기술과 아이디어를 자랑합니다. 이들은 기업 블로그를 통해 이러한 정보를 공개하고 있습니다. 요즘IT는 각 기업의 특색 있고 유익한 콘텐츠를 소개하는 시리즈를 준비했습니다. 이들은 어떻게 사고하고, 어떤 방식으로 일하고 있을까요?

이번 글에서는 국내 VC ‘매쉬업벤처스’의 박은우 파트너가 AI 시대의 스타트업이 알아야 할 원칙들을 소개합니다. 일론 머스크와 정주영, 워렌 버핏이 말하는 성공 원칙을 기반으로, 세대를 넘어서는 플레이북을 전합니다.

*이 글은 2025년에 쓰였습니다. 하지만 출발점은 1986년입니다.

AI 라는 단어 하나에 비(非)이성적인 기업 가치를 인정받는 시대

안녕하세요,매쉬업벤처스박은우 파트너입니다.최근 OpenAI의 CEO인 샘 올트먼(Sam Altman)은 기자들과의 대화에서 AI 스타트업 열풍에 대해 직설적인 발언을 내놓았습니다.

“우리는 투자자들이 AI에 지나치게 열광하고 있는 시기에 살고 있는가? 내 생각은 그렇다. 세 명의 직원과 아이디어만으로 비상식적인 밸류에이션을 받는 AI 스타트업들이 있고, 이런 상황은 합리적이지 않다.”
“Are we in that phase where investors as a whole are overexcited about AI? My opinion is yes. Some AI startups with three people and an idea are raising money at valuations that don’t make sense. That’s not rational behavior.”

세계 최대 AI 플레이어의 수장이 스스로 ‘버블’을 언급한 것은 업계에 큰 충격을 주었습니다. “지금은 AI 버블인가요?”라는 질문은 창업자와 투자자 모두에게 끊임없이 던져지고 있습니다.

하지만 더 중요한 질문은 이것입니다.

“AI 버블인지 아닌지가 당신의 창업에 중요한가?”

인터넷 시대, 모바일 시대에도 늘 버블론은 존재했습니다. 닷컴 버블이 있었지만 그 와중에 구글, 아마존 같은 기업은 탄생했습니다. 글로벌 금융위기, 코로나 팬데믹 같은 불확실성 속에서도 수많은 유니콘이 등장했습니다. 결국 중요한 것은 시장의 과열 여부가 아니라, 본질과 노이즈를 구분하고, 진짜 문제에 에너지를 쓰는 것입니다. AI 버블이 존재하더라도, 문제를 다시 정의할 수 있는 창업자에게는 언제나 기회가 존재합니다.

AI 버블론이 대두되는 이 시점에, 시대가 바뀌어도 변하지 않는 창업의 원칙, 즉 ‘세대를 넘어서는 기업을 만드는 불멸의 창업자 플레이북’을 단계별로 정리해 보고자 합니다. 이를 세 단계로 나누어 작성하였습니다.

1단계: 사고(First Principles Thinking)
2단계: 증명(Product-Market Fit)
3단계: 방어(Economic Moat)

1단계: 사고(First Principles Thinking) - 세대를 넘어서는 기업의 출발점

세상을 바꾸는 스타트업의 시작은, 문제(Problem)를 어떻게 바라보는지에 대한 사고방식에서 시작됩니다. 기본적으로 인류는 ‘유추적 사고(Analogical Thinking)’로 세상을 보도록 진화해 왔습니다. 기존에 존재하는 사례를 참고하고, 다른 사람들의 방식을 모방하여 추론하고 개선점을 찾습니다. 이는 익숙하고 빠르지만, 새로운 것에 도달하는 데는 한계가 있습니다. 그렇다면 창업자는 어떻게 ‘유추적 사고’의 유혹을 이길 수 있을까요?

‘일원칙 사고(First Principles Thinking)’는 문제를 근본 단위로 쪼개서 다시 생각하는 방식입니다. 사물과 현상을 가장 기본적인 사실로 환원하고, 거기서부터 논리적으로 다시 쌓아 올립니다. 물리학적 접근이라고도 불리는 이 방식은 더 많은 정신적 에너지를 필요로 하지만, 기존에 없는 완전히 새로운 해답을 만들어 냅니다.

로켓과 전기차의 시대를 앞당긴 물리학적인 일원칙

일론 머스크는 이 일원칙 사고를 몸소 실천하는 대표적인 인물입니다. 일론 머스크가 로켓 산업에 뛰어들었을 때 모두가 미쳤다고 말했습니다. 당시 발사 비용은 수천억 원에 달했고, 민간 기업이 감당할 수 있는 수준이 아니었습니다. 그러나 그는 기존 방식을 그대로 받아들이지 않았습니다. “로켓은 왜 이렇게 비싼가?”라는 질문을 던지고, 알루미늄, 탄소섬유, 연료 등 원자재 단가부터 역산했습니다. 그 결과, 실제 제조 비용은 기존 비용의 10분의 1 수준으로도 가능하다는 결론에 도달했습니다. 스페이스엑스(SpaceX)는 바로 이 질문 하나에서 시작되었습니다.

일론 머스크의 또 다른 사례는 전기차 입니다. 당시 대부분의 기업들은 “배터리는 원래 비싸다”라는 것을 전제로 전기차를 비싸게 생산하고 있었습니다. 그러나 일론 머스크는 “배터리는 어떤 재료로 구성되는가?”라는 질문부터 시작했습니다. 그리고 코발트, 니켈, 알루미늄, 폴리머 등의 시세를 런던 금속 거래소에서 구매하는 가격으로 직접 계산한 결과, 기존의 kWh당 600달러 대신 80달러 수준에서도 제조가 가능하다는 사실을 확인했습니다. 어찌보면 단순해 보이는 이 ‘원재료 단위의 재해석’이 오늘날 테슬라(Tesla)의 출발점이었습니다.

<출처: wikimedia commons>

“이봐, 해봤어?”와 ‘정주영 공법’의 탄생

흥미롭게도 이런 일원칙 사고는 한국의 대표적인 기업인 현대의 창업자, 아산 정주영에게서도 찾아볼 수 있습니다. 아마 많은 분들이 기억하는 정주영 창업자의 가장 유명한 명언은 “이봐, 해봤어?” 입니다. 많은 사람들이 불가능하다고 말할 때, 정주영은 그들의 주장의 근거를 묻지 않았습니다. 대신 “안 된다”는 말 속에 숨은 전제를 의심했고, “왜 안 되는가?”를 본질적으로 다시 물었습니다. 그에게 유추적 사고는 남의 실패를 근거로 자신의 한계를 정하는 일이었습니다. 반대로 일원칙 사고는 문제를 원자 단위로 쪼개어 다시 생각하는 것이었습니다.

<출처: 현대자동차그룹>

정주영의 대표적인 일원칙 사고 사례는 소위 ‘정주영 공법’이 등장하게 된 서산 간척지 방조제 공사입니다. 당시 기술자들은 서산 앞바다를 막기 위해 방조제용 흙과 돌을 실어 나르는 데에만 수천 척의 배가 필요한데다가, 9m의 조수간만 차와 초당 8m가 넘는 유속을 이유로 공사가 불가능하다고 판단했습니다. 하지만 정주영은 여기서 멈추지 않았습니다. “기존 공법이 문제라면, 공법 자체를 다시 설계하면 된다”고 생각했습니다.

“물을 막기 위해 수천 척의 배가 필요하다면, 수천 척 규모의 배 자체를 흙으로 쓰면 어떨까?”

그리고 그는 퇴역 유조선을 끌고 와 바다에 가라앉혀 방조제의 기초로 삼았습니다. 이 비상식적인 접근은 수년이 걸릴 공사를 몇 달만에 끝나게 했고, 이는 현대건설이 세계 최초로 개발한 유조선 공법, 즉 ‘정주영 공법’의 탄생으로 이어졌습니다.

<출처: 아산리더십아카이브>

정주영의 “해봤어?”는 단순한 도전 정신만을 의미하지 않습니다. 세상이 당연하다고 여기는 전제를 의심하고, 문제의 구조를 다시 짜는 사고 였습니다. ‘타인의 불가능’을 자신의 기준으로 삼지 않은 그의 철학은 일론 머스크의 일원칙 사고와 본질적으로 동일합니다.

AI 시대에도 원리는 동일합니다. 과열된 자본과 기술의 소음 속에서도 진짜 기회를 찾는 창업자는, 기술이 아니라 문제의 정의를 다시 쓰는 사람입니다. AI 모델의 파라미터보다 더 중요한 것은, 문제를 바라보는 프레임입니다. 결국 버블인지 아닌지는 중요하지 않습니다. 남들이 당연하다고 믿는 것을 다시 묻는 능력, 그것이 세대를 넘어서는 기업의 출발점입니다. 누군가 “그건 OpenAI가 하면 되는 거 아니야?”라고 말하더라도, 정주영이라면 이렇게 답했을 것입니다.

“그래서, 해봤어?”

2단계: 증명(Product-Market Fit) - Retention is All you Need

현대와 스페이스엑스가 그렇듯, 세대를 넘어 살아남는 기업은 언제나 다르게 생각한 사람들에게서 시작됩니다. 그러나 사고만으로 기업은 만들어지지 않습니다. 생각이 시장에서 증명될 때, 비로소 창업은 현실이 됩니다. 창업의 시작이 사고에서 출발 한다면, 다음으로 그 두 번째 단계, ‘증명(Product-Market Fit)’의 이야기를 이어가겠습니다.

Retention, Retention, Retention

PMF를 확인하기 위한 단 하나의 지표가 있다면, 그것은 리텐션(Retention: 잔존율) 입니다. 제품이 시장에서 고객에게 인정 받았다는 가장 확실한 신호는 고객이 얼마나 이 제품을 사랑하는지를 확인하는 것 입니다.

a16z의 파트너이자 Uber의 그로스를 담당했던 Andrew Chen은 ‘Why retention is so hard for new tech products’라는 글에서 스타트업 제품의 리텐션의 주요 특징을 나열하며, 리텐션의 중요성에 대해 강조하고 있습니다. “초기 리텐션은 고칠 수 없다”, “리텐션은 하락하기만 한다”, “사용자를 잃는 것은 매우 쉽지만, 다시 돌아오게 만드는 것은 거의 불가능하다”, “리텐션이 낮은 상태에서의 바이럴 성장은 제품을 파괴한다”와 같은 원칙들은 왜 리텐션이 스타트업이 성공하는데 가장 중요한 요소인지를 잘 알려주고 있습니다.

AI 시대의 PMF: 핵심 경험을 찾아서

그렇다면 AI 시대의 제품이 PMF를 찾는다는 것은 어떤 의미일까요? 미국 VC들이 사랑하는 AI 회의록 앱으로 주목 받았던 Granola는 높은 리텐션을 자랑하는 AI 제품으로 유명합니다. Granola는 가입 후 10주차 리텐션이 무려 50%에 육박하는 높은 고착도(Stickness)를 갖고 있습니다. Granola의 창업자 Chris Pedregal은 인터뷰에서 AI 제품 리텐션의 핵심은 기능(Feature)의 수가 아니라, 한 가지 핵심 경험(Core Interaction)에 집중한 결과라고 밝힌 바 있습니다.

여기서 핵심 경험이란 사용자가 제품을 사용하는 단 하나의 자연스럽고 반복 가능한 행동을 의미합니다. Granola 개발팀은 최초 버전의 제품이 갖고 있던 여러 AI 기능(요약, 자동 태깅, 액션 아이템 도출 등)을 과감히 버렸습니다. 그리고 ‘회의가 끝나면 AI가 메모를 정리해주는 경험’만 남겼을 때 리텐션이 급격히 상승했고, 이 과정을 통해 핵심 경험의 중요성을 체감하게 되었다고 합니다. 그리고 리텐션을 높이기 위한 핵심 경험을 탐색하는 과정에 대해 다음과 같은 원칙을 강조합니다.

Lead with intuition backed by context.

“사용자에게 이야기하고, 그들이 말한 것을 그대로 기록해서 그대로 실행하는 게 핵심이 아닙니다. 진짜 중요한 것은 ‘무엇이 좋게 느껴지고, 무엇이 나쁘게 느껴지는지’에 대한 내적 직관 모델을 만드는 것입니다.”

Pick up the phone and talk to your users.

“글로 된 피드백은 단지 하나의 데이터일 뿐입니다. 하지만 사람을 직접 만나고, 그들의 전체 맥락을 볼 수 있을 때 훨씬 더 명확해집니다. (Granola가 성장하면서) 우리는 Slack을 통해 이런 대화를 이어가고, 주기적으로 통화도 합니다.”

Build products with character.

“제품을 만들 때 사람들의 의견에 반응해야 하지만, 스스로의 관점이나 철학이 없다면 그건 결국 공허한 제품이 됩니다.”

Know when to lean on user feedback.

“우리는 예전에는 고등학생을 위한 제품을 만들고 있었어요. 그들은 저와 완전히 다른 세대였기 때문에, 제 직관만으로는 사용자가 무엇을 원할지 신뢰할 수 없었습니다.”

위와 같은 과정을 통해 PMF를 찾는 과정의 핵심은 AI 기능이 아니라 사용자의 실제 워크플로우에 딱 맞는 인터렉션을 찾는 것임을 알 수 있습니다. 단순하게 시장의 신호를 수집하는 것에서 그치는 것이 아니라 자신의 직관을 검증 가능한 맥락으로 보완하는 것이 중요합니다. 특히, Chris는 “AI makes it easy to demo, but hard to sustain delight.” 라는 표현으로 AI 제품을 만드는 스타트업 창업자들이 제품을 만드는 과정에서 놓치지 말아야 할 진실을 전달하고 있습니다.

<출처: EVERY>

AI 리텐션 벤치마크: AI 제품의 리텐션 측정

그렇다면 실무적으로 AI 시대의 제품들은 어떻게 리텐션을 해석해야 할까요? 기본적으로 AI 제품의 리텐션은 기존 SaaS와 전혀 다른 구조를 가집니다. a16z는 자사의 블로그에서 AI 제품이 SaaS 제품들과 비교할 때 리텐션이 약한 것이 아니라, 측정이 어려운 것이라고 지적하고 있습니다.

월 단위로 결제하는 셀프 서브(Self-Serve) AI 제품은 초기에 체험형 유저(AI Tourists)가 대거 유입되어 두 달(M2)이 지나기 전 구간의 급격한 이탈(churn)이 발생합니다. 그러나 이는 제품의 본질을 반영하지는 않습니다. 이에 M0이 아니라 M3을 기준으로 리텐션을 리베이스(rebase)해야 한다고 제안합니다. M3 시점에 남아 있는 유저가 실제 핵심 경험을 시작한 사용자이며, 이 코호트의 잔존율이 PMF의 진짜 신호라는 것입니다. 즉, AI 제품의 PMF는 초기 하락 곡선이 아니라 M3 이후의 안정화 지점(Flat Curve)에서 검증할 수 있습니다.

SaaS보다 더욱 강해지는 AI 리텐션(Smiling Curve + Expansion 메커니즘)

a16z는 또한 AI 제품이 장기적으로는 SaaS보다 더 강한 리텐션과 더 높은 NDR(Net Dollar Retention)을 만들 수 있다고 분석합니다.

이유는 명확합니다. 시간의 흐름과 함께 모델 성능이 비약적으로 개선되고, 새로운 워크플로우와 기능이 자연스럽게 사용자 행동에 흡수되기 때문입니다. 이 과정에서 일부 떠났던 사용자도 다시 돌아오고, 기존 사용자들은 더 많은 사용량을 발생시키며 스마일 형태의 리텐션(Smiling Retention Curve)를 형성합니다. 특히 M9~M12 이후에는 사용량 기반 가격체계가 비즈니스 모델의 확장을 강화하면서 단순 유지가 아닌 매출 성장으로 이어집니다.

아래 첨부한 ChatGPT의 리텐션 그래프는 이와 같은 현상을 잘 보여주고 있습니다. 결국 AI 제품의 리텐션은 ‘사용자 수 유지’를 넘어, 시간이 지날수록 가치가 누적되는 구조를 만들어내며 PMF의 강도를 더욱 높여줍니다.

<출처: a16z>

3단계: 방어(Economic Moat) - 오마하의 현인이 주는 교훈

앞서 AI 시대에도 살아남는 제품은 결국 리텐션을 통한 PMF를 찾는 것이 핵심이라는 것을 확인했습니다. 그렇다면 PMF를 찾은 이후에도 지속 가능한 회사는 어떤 해자(Moat)를 갖추어야 할까요?

혹자는 AI 시대의 해자가 속도(Velocity) 혹은 바이럴(Virality)이라고도 하고, 더 나아가 모멘텀(Momentum)이라고 말하는 이도 있습니다. 하지만 저는 이 같은 요소들이 AI 제품 런칭 초기에는 유의미한 방어 전략일 수 있어도, 지속 가능성이 있는 해자라고 생각하지 않습니다. 이와 관련하여 NFX는 ‘How AI Companies Will Build Real Defensibility’라는 글을 통해 AI 시대에 필요한 방어 전략을 모트와 베일리 전략(Motte-and-Bailey Strategy)라는 이름으로 명명한 바 있습니다.

<출처: 작가, 챗GPT로 제작>

모트와 베일리(Motte-and-Bailey)는 중세 유럽에서 널리 사용되던 초기 형태의 성채 구조입니다. 모트(Motte)는 인공 언덕 위에 세워진 탑으로, 공격을 받을 때 최후로 대피하는 핵심 방어 거점입니다. 이는 외부 공격에는 강하지만, 공간이 작아 일상생활을 하기는 어렵습니다. 반면 베일리(Bailey)는 모트 아래의 넓은 평지에 위치한 마을형 공간으로, 성벽과 물이 찬 해자(Moat)로 둘러싸여 있습니다. 거주지와 창고가 있어 활동성과 확장성이 있지만, 모트에 비해서 방어력은 낮은 공간입니다.

NFX의 Pete Flint 파트너는 이 같은 중세시대의 모트와 베일리 구조에서 착안하여 AI 스타트업이 방어력(Defensibility)를 갖추는데 필요한 전략을 설명하고 있습니다. 즉, AI 시대에 들어서면서 속도 중심의 경쟁 환경이 강화되었기 때문에, 단기적, 장기적인 방어 전략을 순차적으로 갖추어 나갈 필요가 있다고 강조합니다. 이를 위한 핵심 프레임워크가 모트와 베일리 전략이며, 초기에는 빠르게 규모를 키우면서 ‘베일리(Bailey)’를 만들고, 시간이 흐를수록 ‘모트(Motte)’가 될 수 있는 방어력을 갖추는 형태로 전환해야 한다는 것입니다.

초기 단계의 방어력을 만드는 요소인 베일리는 크게 확산(Distribution), 속도(Speed), 브랜드(Brand), 데이터(Data)로 나눠 볼 수 있습니다.

확산: AI 시대의 GTM 전략(Community-Led Growth, Product-Led Virality)을 통해 초기 사용자를 빠르게 확보하는 것
빠른 스케일링: 빠른 반복 개선(Iteration) 속도, 대규모 자본 투입으로 컴퓨팅(Compute scale)을 확장하여 제품 성능과 사용자 경험을 빠르게 개선하는 것
브랜드 모멘텀: 경쟁 제품이 많고, 기능 격차가 적은 시점에는 브랜드 신뢰도를 쌓음으로 차별화하는 것
데이터 해자: 독점적인 데이터(Proprietary Data)를 기반으로 제품 성능 격차를 통해 초기 경쟁 우위 확보하는 것

장기적인 견고한 방어력을 만드는 모트는 결국 ‘네트워크 효과(Network Effect)를 어떻게 만들 것인가’로 귀결됩니다. 전통적으로 네트워크 효과는 사용자 증가가 서비스 자체의 효용성을 증가시키는 구조를 의미합니다. 페이스북이나 왓츠앱과 같은 소셜 네트워크나 우버와 같은 서비스들이 네트워크 효과를 통해 견고한 제국을 만든 대표적인 사례입니다. 반면 AI 시대에는 좀 더 진화된 형태의 네트워크 효과를 만들 수 있습니다.

컨텍스트+메모리의 콜라보 = 개인 생산성 네트워크: 사용자의 맥락과 메모리가 AI에 누적되며, AI와 더 많은 작업을 할수록 개인(또는 팀)의 고유한 선호와 규칙을 학습하는 구조 (ex. ChatGPT의 memory, Cursor의 팀 기반 구조)‍
AI-네이티브 확산: 허브-스포크 네트워크 효과: TikTok과 같은 플랫폼에서 소수의 인기 콘텐츠를 집중 노출하여 사용자(크리에이터)의 참여를 유도하고, 콘텐츠가 지속적으로 재생산되는 구조 (ex. Character.AI에서 해리 포터와 같은 인기 캐릭터가 플랫폼 전면 노출을 통해 하루 만에 수백만 대화를 생성하고 사용자 유입을 촉진)‍
AI-에이전트 네트워크1. 프로토콜 네트워크 효과: 여러 에이전트가 공통의 프로토콜로 대화하고 맥락을 공유함으로써, 한 에이전트의 기능이 개선되면 전체 네트워크로 빠르게 퍼지는 구조 (ex. LangChain)‍
AI-에이전트 네트워크2. 행동 라이브러리 네트워크 효과: 에이전트들이 사용할 수 있는 API, 툴, 워크플로우 등이 확장되면서 모든 에이전트의 기능적 성능이 강화 (ex. MCP 기반의 멀티 에이전트 워크플로우)

이와 같은 AI 시대의 네트워크 효과는 장기적으로 개인 및 조직의 워크플로우에 깊숙히 침투합니다. 이를 통해 문서나 가이드라인을 넘어 실제로 사용하는 데이터 구조까지 AI와 결합시키면서, 시스템 단위의 락인(Systematic Lock-in) 효과를 만들어 냅니다. 이렇게 AI와 조직의 전반적인 워크플로우가 결합하면서 만들어지는 네트워크 효과는 탈출 비용을 기하급수적으로 증가시키며 장기적인 방어력인 모트로 동작하게 됩니다.

<출처: 챗GPT로 제작>

경제적 해자와 워렌 버핏

그렇다면 기업이 해자를 만들고 견고한 성벽을 쌓는 전략은 언제부터 주목 받게 된 것일까요? 놀랍게도 기업 경영 관점에서의 해자라는 개념이 처음 등장한 것은 1986년 입니다.

경제적 해자(Economic Moat)는 2025년 은퇴를 선언한 오마하의 현인, 워렌 버핏이 1986년도에 작성한 버크셔 헤서웨이(Berkshire Hathaway)의 주주서한에서 처음 등장합니다. 이후 워렌 버핏은 2000년대 초반에 경제적 해자의 개념을 구체적으로 카테고리화하며, 버크셔 헤서웨이의 포트폴리오 전략에도 반영합니다.

브랜드 해자(Brand Moat): 소비자가 대체 불가한 브랜드 (ex. Coca-Cola, Apple)
네트워크 효과(Network Effects): 사용자 증가가 가치 증가로 이어지는 구조 (ex. American Express)
비용 우위(Cost Advantage): 규모의 경제 기반 낮은 단가 구조 (ex. GEICO)
전환 비용(Switching Costs): 전환 비용이 높아지도록 만드는 구조 (ex. Moody's)
규제/라이선스 해자(Regulatory/Licensing Moat): 규제 장벽을 통한 신규 경쟁자 진입 방지 (ex. BNSF Railway)
지식재산(IP) 기반 해자(Intellectual Property Moat): 특허, 데이터 기반 (ex. Google)

<출처: wikimedia commons>

이처럼 경제적 해자를 만들고 견고한 성벽을 쌓는 전략은 AI 시대뿐만 아니라 과거부터 지속가능한 기업이 되기 위한 가장 기초적인 개념입니다. 그리고 워렌 버핏과 버크셔 헤서웨이의 포트폴리오 기업들을 통해, 이미 우리 곁에 있는 많은 위대한 기업들이 경제적 해자를 구축하는 전략을 추진하고 있다는 것을 확인할 수 있습니다.

대 AI의 시대: 어떻게 불멸할 것인가

세상을 바꾸고자 하는 많은 창업자들에게 지금은 마치 15세기의 대항해시대에 버금가는 대 AI의 시대가 열렸습니다. 그리고 너무나도 빠른 변화 속에서 지금은 무엇이 맞고, 무엇이 틀리는지조차 쫓아가기 어려운 지경에 이르고 있습니다. 이처럼 어지러운 세상에서 스타트업에 도전하는 창업자들에게 아마존의 창업자인 제프 베조스는 “바뀌지 않는 것에 집중(Focus on the things that don't change)하라”고 말하고 있습니다.

<출처: wikimedia commons>

일론 머스크와 정주영의 일원칙 사고, 고객의 마음을 사로잡는 리텐션, 그리고 오마하의 현인이 이미 입증한 경제적 해자. AI 시대를 넘어 싱귤래리티의 시대가 온다고 하더라도 이 세가지는 바뀌지 않는 스타트업의 플레이북입니다.

이 글을 보고 있는 여러분은 어떤 제품을, 그리고 어떤 회사를 만들고 계신가요? GPT-5.1, Gemini 3, Claude Opus 4.5가 출시할 때마다 바람 앞의 등불처럼 흔들리는 제품을 만들고 있나요? 아니면 기술의 파도 위에서도 굳건히 자리를 지킬 ‘본질’을 가진 기업을 만들고 있나요?

[매쉬업벤처스가 AI 네이티브 창업자를 찾습니다]

AI 네이티브 UX로 특정 산업의 문제를 새롭게 정의하며, 최첨단 모델도 탐내는 해자를 구축하는 팀
부분 자율 앱에서 시작해 셀프 드라이빙 서비스로 발전시킬 기술과 제품 로드맵을 가진 팀

매쉬업벤처스와 함께 AI의 미래를 만들어갈 창업자들은 아래 버튼을 눌러 연락주세요.

<원문>

AI 버블론과 세대를 넘어서는 불멸의 플레이북

]]>

설문조사 대충 할 거면 안 하는 것이 낫습니다

설문은 단순한 의견 수집이 아닙니다. 설문 결과는 기능 우선순위, 정책 변경, 예산 집행의 근거가 됩니다. 즉, 아주 중요한 의사결정의 입력값으로 쓰인다는 겁니다.

다만, 입력값이 흐리면 결과도 흐려집니다. 그래서 설문을 ‘대충’ 만들수록, 나중에 치르는 비용이 커집니다. 잘못된 문항으로 얻은 결과를 바탕으로 기능을 만들면 개발 리소스가 낭비됩니다. 잘못된 가설 검증으로 캠페인을 집행하면 마케팅 비용이 새어 나갑니다. 나중에 다시 설문을 돌리거나 인터뷰로 보정하는 데도 시간이 듭니다. 결국 “빨리 폼 만들기”가 “늦게 다시 하기”로 바뀝니다.

문제는 이러한 설문을 보통 전문가가 진행하지 않는다는 사실이죠. 기획자나 마케터, 때로는 CX 담당자가 급히 대강 질문들을 주워담아 내보내는 것이 현실입니다.

그래서 이 글은 ‘정교한’ 설문을 ‘많이’ 받는 법보다, 꼭 필요한 답을 누구나 제때 잘 받는 법에 초점을 둡니다.

이 글에서 다룰 3단계

1단계. 설계: 왜 설문이 필요한지, 누구에게 물어야 하는지부터 정리합니다. 목표와 프로세스를 맞춘 다음, 문항과 보상까지 설계합니다.
2단계. 제작: 설문을 담는 폼을 어떻게 만들지 결정합니다. 설문용 프로덕트를 고르고, 응답 흐름과 UX를 조정합니다. 문장과 선택지를 실제 응답 상황에 맞게 다듬습니다.
3단계. 배포: 어디에, 언제, 어떤 안내로 배포할지 정합니다. 배포 공간의 맥락과 타이밍에 따라 응답자 풀이 달라집니다. 같은 설문도 배포 방식에 따라 결과가 달라질 수 있습니다.

‘응답을 못 받는 설문’이 아니라 ‘잘못 묻는 설문’이 더 위험하다

설문이 실패하는 이유를 “응답이 적어서”로만 보면 대책도 단순해집니다. 링크를 더 뿌리고, 보상을 올리고, 마감 알림을 보내는 식입니다. 하지만 현장에서 더 위험한 실패는 응답을 못 받는 설문이 아니라 잘못 묻는 설문입니다. 응답이 많이 모여도 결론이 틀리면 그 다음 액션이 더 큰 비용을 만듭니다.

설문 실패는 보통 3가지로 나뉜다

설문이 기대한 역할을 못 할 때는 보통 세 갈래로 분해됩니다. 첫째는 응답률 문제입니다. 표본이 너무 적어 의사결정에 쓰기 어려운 상태입니다. 둘째는 대표성 문제입니다. 응답은 많지만 특정 집단만 몰려 전체 사용자를 대변하지 못합니다. 셋째는 측정 오류입니다. 문항이 의도를 잘 담지 못해 데이터가 있어도 해석이 흔들립니다.

응답률과 대표성은 겉으로 보이니 빨리 알아차립니다. 반면 측정 오류는 결과가 “그럴듯하게” 보여 더 늦게 발견됩니다. 특히 폼을 빠르게 만들수록 문항 검증을 건너뛰기 쉽습니다. 설문용 프로덕트가 좋아질수록 배포는 쉬워지지만, 질문이 좋아지는 건 아닙니다. 그래서 설문을 시작하기 전, 실패 유형부터 분리해 보는 게 안전합니다.

문항이 바뀌면 결론도 바뀐다

예를 들어 “이 기능이 만족스러우셨나요?” 같은 문항은 흔합니다. 하지만 이 질문은 기능 자체보다 최근 경험이나 기대치에 더 크게 흔들립니다. 같은 상황에서 “이 기능으로 목표를 달성했나요?”로 바꾸면 만족이 아니라 성과를 측정하게 됩니다. 문항 하나가 바뀌면 팀이 얻는 결론도 달라집니다.

또 다른 흔한 예는 선택지를 설계하지 않은 경우입니다. “불편한 점을 적어주세요”는 자유롭지만, 응답은 정리하기 어렵습니다. 반대로 “어디가 불편했나요?”에 문항을 쪼개고 선택지를 주면 패턴이 보이기 시작합니다.

다만, 이때 선택지가 사용자의 언어가 아니라 팀 내부 용어라면 측정오류가 생깁니다. 설문은 ‘묻는 방식’이 결과를 만든다는 점을 먼저 인정해야 합니다.

설문이 필요한 순간과 그렇지 않은 순간을 구분한다

설문은 만능 도구가 아닙니다. 보통은 아래 상황에서 효과가 납니다. 질문이 명확하고, 비교 가능한 데이터가 필요할 때입니다.

가설 검증: “A가 B보다 선호된다”처럼 비교 질문이 있을 때
우선순위 결정: 여러 이슈 중 무엇부터 해결할지 정해야 할 때
만족도 확인: 릴리스 이후 변화가 긍정적으로 받아들여졌는지 볼 때
리서치 보조: 인터뷰 전후로 넓게 스크리닝하거나, 분포를 확인할 때

반대로 설문보다 다른 방법이 더 적합한 순간도 많습니다. 사용자가 실제로 무엇을 했는지 봐야 한다면 설문은 기억과 인상에 의존합니다.

예를 들어 전환 문제는 로그나 퍼널로 먼저 확인하는 편이 빠릅니다. 사용 흐름의 막힘은 세션 리플레이나 사용성 테스트가 더 직접적입니다. 설문은 ‘모든 걸 묻는 폼’이 아니라 지금 필요한 답을 가장 싸게 얻는 도구로 제한해서 써야 합니다.

설문조사라는 작업의 성격과 한계를 아주 간단히 짚어봤습니다. 이제 본격적으로 ‘대충’하지 않는 설문조사를 위한 3가지 단계를 밟아보시죠.

1단계. 설계하기

설문을 설계할 때는 먼저 변수를 정리해야 합니다. 대상 적합성, 문항 난이도, 설문 길이가 대표적입니다. 이 셋은 응답률과 데이터 품질을 동시에 흔듭니다. 폼을 만들기 전에, 어떤 변수를 우선할지 합의하는 편이 안전합니다.

대상 적합성은 “이 질문을 답할 수 있는 사람인가”에 가깝습니다. 대상이 어긋나면 설문을 많이 받아도 결론이 흐려집니다. 문항 난이도는 이해 비용을 뜻합니다. 용어가 어렵거나 맥락이 부족하면 중도 이탈이 늘어납니다. 설문 길이는 체감 시간이 핵심입니다. 문항 수가 같아도 서술형이 많으면 길게 느껴집니다.

대상 검토: 누구에게 물을지, 모집이 되는지

대상 검토는 “누구에게 물을지”를 한 문장으로 정의하는 일입니다. 예를 들어 “최근 30일 내 기능 A를 1회 이상 사용한 유료 플랜 사용자”처럼요. 그다음은 모집 가능성을 점검해야 합니다. 사내 메일, 앱 푸시, 커뮤니티 등 실제로 닿는 채널에서 표본이 충분한지 확인합니다. 대상이 좁을수록 응답률 방어 장치가 필요합니다. 예를 들면 배포 기간을 늘리거나 보상을 조정하는 방식입니다.

프로세스 정리: 수집-정제-분석-공유 플로우 만들기

설문은 폼을 열어두는 순간부터 운영 업무가 시작됩니다. 먼저 수집 단계에서 누가 링크를 배포하고, 어디에 응답이 쌓이는지 정합니다. 다음은 정제 단계입니다. 중복 응답, 무의미한 서술형, 조건 불일치 응답을 어떻게 처리할지 룰이 필요합니다. 분석 단계에서는 지표와 컷을 미리 정해두면 해석이 흔들리지 않습니다. 마지막으로 공유 단계에서 결과를 누구에게, 어떤 형식으로, 언제 전달할지까지 포함해 운영 플로우를 문서로 남깁니다.

문항 만들기: 질문 유형과 순서 설계

문항을 만들 때는 질문 유형을 먼저 고릅니다. 단일 선택은 결정을 강제할 때 유리합니다. 복수 선택은 탐색에 좋지만, 해석이 흐려질 수 있습니다. 척도형은 비교가 쉽지만, 척도 정의가 불명확하면 응답이 흔들립니다. 서술형은 인사이트가 깊지만, 응답 부담이 커서 설문 길이를 늘립니다.

문항 순서도 응답 품질에 영향을 줍니다. 앞부분에는 워밍업 질문을 둬서 맥락을 잡습니다. 핵심 문항은 중간에 배치해 이탈 전에 답을 받습니다. 민감한 질문이나 어려운 질문은 뒤로 미루는 편이 안전합니다. 마지막에는 인구통계나 세그먼트 문항을 배치해 흐름을 마무리합니다.

보상 설계: 응답과 편향의 트레이드오프

보상은 응답률을 올리지만, 편향을 만들 수 있습니다. 금전 보상은 빠르지만, 보상만 노리는 응답이 섞일 위험이 있습니다. 추첨 보상은 예산을 통제하기 좋지만, 기대감이 낮으면 참여가 줄 수 있습니다. 비금전 보상은 비용을 줄이지만, 대상에게 의미가 없으면 효과가 거의 없습니다.

윤리와 예산도 함께 봐야 합니다. 과한 보상은 특정 집단만 끌어들여 표본을 왜곡할 수 있습니다. 반대로 보상이 없으면 필요한 수의 응답을 못 받을 수 있습니다. 설문 목적, 대상 특성, 설문 길이를 기준으로 보상 수준을 정하고, 설문용 프로덕트에서 중복 방지나 응답 품질 체크 기능을 함께 쓰는 편이 안전합니다.

1.5단계: 설문 프로덕트 고르기

설문은 질문을 잘 만드는 일만으로 끝나지 않습니다. 어떤 설문용 프로덕트를 쓰느냐가 응답 경험을 바꾸고, 결과의 신뢰도에도 영향을 줍니다.

설문용 프로덕트 선택 기준

기능이 많다고 항상 좋은 선택이 되지는 않습니다. 중요한 것은 우리 상황에서 “언제, 왜” 필요한 기능인지 분명히 하는 일입니다. 아래 항목을 기준으로 요구사항을 먼저 정의하면, 도구 비교가 그나마 쉬워집니다.

권한: 편집자/뷰어/응답 확인 권한을 역할별로 나눌 수 있는가
공유: 링크 공개 범위, 조직 내부 제한, 접근 제어가 가능한가
익명성: 익명 응답이 가능한가, 식별 정보 수집을 끌 수 있는가
로직: 분기(조건부 문항), 표시 조건, 파이핑 같은 로직이 필요한가
내보내기: CSV/XLSX 등으로 내보내기 쉬운가, 원자료(raw) 확보가 가능한가
보안: 데이터 저장 위치, 접근 로그, 보관 정책을 확인할 수 있는가

이런 기준 아래, 3가지 핵심 기준인 응답률, 속도, 정교함을 중심으로 주요 프로덕트들을 정리했습니다.

UX·응답률 중심 설문: “응답자가 끝까지 답해야 할 때”

왼쪽부터 Typeform, Tally, 스모어, 왈라

응답자가 설문을 중간에 이탈하면, 좋은 문항도 의미가 줄어듭니다. 이 경우에는 완주 경험을 설계하기 쉬운 폼을 먼저 봐야 합니다. 이때는 화면 전환, 진행 표시, 입력 피로도가 응답률에 직결됩니다. 특히 모바일 응답 비중이 높을수록 UX 차이가 크게 납니다.

Typeform: 대화형 흐름을 중심으로 설문을 구성하기 쉽습니다. 한 번에 한 문항을 보여주는 방식이 익숙한 응답자에게 유리합니다. 완주율을 우선할 때 후보로 올릴 만합니다.
Tally: 가볍고 빠른 편집 경험을 제공합니다. 단순한 흐름의 설문을 빠르게 만들고 공유할 때 적합합니다. 제작과 수정 속도가 중요할 때 고려합니다.
스모어: 교육, 이벤트, 피드백 맥락에서 쓰기 편한 구성이 강점입니다. 안내 콘텐츠와 설문을 함께 배치하기 쉬운 편입니다. 참여 동기를 설명해야 하는 설문에 어울립니다.
왈라: UX 리서치, 인터뷰 성격의 설문에 맞춘 흐름을 만들기 좋습니다. 리서치 운영 관점의 기능이 필요한 경우를 상정합니다. 정성·정량을 함께 다루는 상황에서 검토합니다.

빠른 수집형 설문: “지금 당장 받아야 할 때”

왼쪽부터 Google Forms, MS Forms, 네이버폼, 모아폼

일정이 촉박하면, 설문을 잘 만드는 것보다 빨리 배포하고 수집하는 일이 우선이 됩니다. 이때는 로그인 장벽, 공유 편의, 협업 기능이 핵심입니다. 많은 사람이 이미 익숙한 도구일수록 응답 과정이 매끄럽습니다. 조직 내 설문이라면 계정 체계와 권한이 더 중요해집니다.

Google Forms: 무료로 시작하기 쉽고 공유가 간단합니다. 협업 편집도 기본으로 제공되어 팀 작업에 유리합니다. 빠르게 수집해야 할 때 기본값으로 자주 선택됩니다.
Microsoft Forms: 조직 계정 기반의 운영에 적합합니다. 사내 설문처럼 접근 제어가 필요한 상황에서 편합니다. Microsoft 365 환경에서 흐름이 자연스럽습니다.
네이버폼: 국내 사용자에게 접근성이 좋습니다. 응답자가 네이버 환경에 익숙한 경우 진입 장벽이 낮습니다. 대중 대상 설문에서 고려할 만합니다.
모아폼: 이벤트 신청, 응모, 예약처럼 운영형 폼에 강점이 있습니다. 설문이라기보다 접수 프로세스에 가까운 요구에 맞습니다. 짧은 기간에 신청을 모아야 할 때 유용합니다.

리서치·의사결정형 설문: “설문 결과로 결정을 내려야 할 때”

왼쪽부터 Survey Monkey, Qualtrics, 나우앤서베이

결정을 내려야 하는 설문은 수집보다 분석과 해석이 더 중요합니다. 표본 관리, 통계 기능, 비교 분석, 리포트 형태가 결과 품질을 좌우합니다. 템플릿과 분석 도구가 잘 갖춰져 있으면, 후처리 시간을 줄일 수 있습니다. 조직 규모가 크면 거버넌스와 보안 요건도 함께 봐야 합니다.

SurveyMonkey: 템플릿과 기본 통계, 비교 분석 흐름이 잘 정리되어 있습니다. 설문 운영 경험이 적어도 결과를 정리하기 수월합니다. 반복 조사나 정기 리포트에 적합합니다.
Qualtrics: 엔터프라이즈 리서치에서 많이 쓰이는 범주에 속합니다. 복잡한 로직, 권한 체계, 운영 관리가 필요한 조직에 맞습니다. 전사 단위 조사를 상정할 때 후보가 됩니다.
나우앤서베이: 국내 패널 기반 조사가 필요한 경우를 고려합니다. 자체 응답자를 모집해야 하는 상황에서 선택지가 됩니다. 시장 조사처럼 표본 확보가 관건일 때 검토합니다.

2단계. 제작하기

설문을 만들 때는 문항만큼이나 폼 UX가 결과를 좌우합니다. 특히 모바일에서의 입력 경험, 페이지 길이, 진행 표시 같은 요소는 이탈률에 직접 영향을 줍니다. 먼저 제작 단계에서 바뀔 수 있는 변수를 정리해 두면, 도구를 바꾸거나 문항을 수정해도 품질을 일정하게 유지할 수 있습니다. 설문은 ‘일단 만들고 돌리는 것’보다, 응답자가 끝까지 완주하도록 설계하는 작업에 가깝습니다.

제작 단계에서 먼저 정리할 변수

제작을 시작하기 전에 폼 UX 변수를 목록으로 고정해 두는 것이 좋습니다. 예를 들어 모바일 최적화 여부, 페이지 구성 방식(한 페이지 vs 여러 페이지), 진행률 표시 유무, 임시 저장 지원 같은 요소입니다. 이런 변수는 나중에 수정하려면 비용이 커지기 쉽습니다. 팀에서 다음 설문에도 재사용할 수 있도록 체크리스트 형태로 남겨두면, 설문 품질이 사람에 따라 흔들리는 문제를 줄일 수 있습니다.

특히 익명 설문이 필요한데 로그인 기반 도구를 쓰면, 응답자는 추적을 걱정할 수 있습니다. 반대로 보안 요구가 높은 조직에서 외부 공유가 쉬운 도구를 쓰면, 운영 리스크가 커질 수 있습니다. 그런 맥락에서 먼저 UX를 체크하고 설문용 프로덕트를 고를 수도 있습니다. 기능 비교보다 “응답자 불신을 만들지 않는가”를 먼저 보셔야 합니다.

응답 UX 조정 체크리스트

응답자가 설문을 중간에 포기하는 이유는 대개 ‘질문이 나빠서’가 아니라 ‘입력이 번거로워서’입니다. 그래서 문항을 확정한 뒤에는 응답 흐름을 UX 관점에서 다시 점검해야 합니다. 아래 항목을 체크리스트로 만들어, 배포 전마다 반복 확인하는 방식이 효과적입니다.

모바일: 한 화면에서 질문과 선택지가 끊기지 않는가
페이지 길이: 스크롤이 과도하지 않은가, 섹션을 나눌 필요는 없는가
진행 표시: 진행률/남은 문항 수가 보이는가, 예상 소요 시간을 안내했는가
필수값 최소화: 꼭 필요한 문항만 필수로 두었는가, 미응답 허용이 가능한가

필수값이 많아질수록 응답자는 “검사받는 느낌”을 받기 쉽습니다. 설문은 정보를 받는 도구이지만, 동시에 관계를 남기는 접점이기도 합니다. 같은 질문이어도 폼 구성에 따라 응답 품질이 달라질 수 있다는 점을 전제로 조정해야 합니다.

문장 최적화 규칙

제작 단계에서 가장 흔한 오류는 문항이 “작성자에게만 명확한 문장”이 되는 것입니다. 특히 ‘자주’, ‘적당히’, ‘빠르게’ 같은 모호어는 사람마다 기준이 달라 응답이 흔들립니다. 문항을 다듬을 때는 아래 규칙을 기준으로 문장을 정리해 두면 좋습니다.

모호함 제거: ‘가끔/자주/많이’ 대신 횟수나 빈도로 바꾸기
기간·범위 명시: “최근 2주”, “지난 분기”, “업무 시간 내”처럼 범위 고정하기
전문용어 치환: 내부 용어는 쉬운 표현으로 바꾸고, 필요하면 괄호로 설명하기

예를 들어 “최근에 기능을 자주 사용했나요?”는 해석이 갈립니다. “지난 7일 동안 해당 기능을 1회 이상 사용했나요?”처럼 기준을 박아야 비교 가능한 데이터가 됩니다. 이런 규칙은 문항을 늘리는 것이 아니라, 같은 설문에서 더 일관된 신호를 얻기 위한 최소 조건입니다.

질문 텍스트 제작의 3가지 포인트

사실 원칙을 기반으로, 실제 작성하는 질문의 최적화를 깊이 파고들면 끝도 없습니다. 그래서 준비했습니다. 아래 세 가지만 기억해도 절반은 갑니다.

모호한 표현 줄이기

나쁜 문항: “서비스가 편리했나요?”
좋은 문항: “최근 1주일 동안 기능 A를 사용할 때, 원하는 작업을 완료하기까지 얼마나 쉬웠나요?”

특히, “매우 어려움(1) ~ 매우 쉬움(5)”처럼 척도를 함께 제시하면 더 좋습니다.

두 가지를 한 번에 묻지 않기

나쁜 문항: “가격과 성능에 만족하나요?”
좋은 문항: “가격에 얼마나 만족하나요?”와 “성능에 얼마나 만족하나요?”로 분리합니다.

유도 질문 피하기

나쁜 문항: “이번 개선이 도움이 되었죠?”
좋은 문항: “이번 개선 이후, 작업 시간이 어떻게 변했나요?”

선택지는 “줄었다/비슷하다/늘었다/잘 모르겠다”처럼 중립적으로 둡니다.

3단계. 배포하기

배포는 설문 설계의 마지막 단계가 아닙니다. 실제로는 응답률과 표본 편향을 좌우하는 핵심 변수입니다. 같은 설문 폼이라도 채널·타이밍·메시지·리마인드 조합에 따라 결과가 달라집니다. 먼저 이 네 가지를 고정값이 아니라, 조정 가능한 변수로 정리해 두는 것이 좋습니다.

배포 단계 변수를 먼저 고정한다

배포 전에 최소한 네 가지를 결정해야 합니다. 첫째, 어디에 공유할지(채널)입니다. 둘째, 언제 보낼지(타이밍)입니다. 셋째, 어떤 안내 문구로 시작할지(메시지)입니다. 넷째, 응답이 없을 때 어떻게 다시 요청할지(리마인드)입니다.

이 네 가지는 서로 영향을 줍니다. 예를 들어 사내 메신저는 빠르게 퍼지지만, 메시지가 묻히기도 쉽습니다. 반대로 이메일은 보관이 되지만, 열람까지 시간이 걸릴 수 있습니다. 그래서 “설문을 만들었으니 공유한다”가 아니라, “이 설문은 어떤 공간에서 가장 자연스럽게 열릴까”를 먼저 판단해야 합니다.

배포 공간별 특성을 비교한다

배포 채널은 크게 사내 메신저, 이메일, 커뮤니티, 인앱 공지로 나눌 수 있습니다. 각 채널은 사용자의 읽는 방식이 다릅니다. 읽는 방식이 다르면 설문 문항의 길이와 응답 마감 전략도 달라집니다. 채널을 선택할 때는 도달률보다, 응답이 가능한 맥락을 우선으로 봅니다.

사내 메신저: 즉시성이 강합니다. 대신 대화 흐름에 묻히기 쉽습니다. 짧은 폼과 명확한 마감 시간이 잘 맞습니다.
이메일: 정보 전달에 적합합니다. 설문 목적과 문항 구성을 길게 설명할 수 있습니다. 다만 열람 지연을 고려해 마감일을 넉넉히 둡니다.
커뮤니티(사내 게시판/오픈 커뮤니티): 참여 동기가 중요합니다. 설문용 프로덕트 링크만 던지면 반응이 약합니다. 왜 이 설문이 필요한지 맥락을 먼저 써야 합니다.
인앱(서비스 내 배너/팝업/모달): 사용 흐름을 건드립니다. 그래서 짧은 문항과 명확한 선택지가 필요합니다. 특정 행동 직후에만 노출하는 방식이 유리합니다.

타이밍은 ‘업무 리듬’에 맞춘다

설문은 좋은 문항보다, 좋은 타이밍에서 더 많이 열립니다. 업무 리듬을 무시하면 응답은 미뤄지고 잊힙니다. 특히 마감 직전, 회의 직후, 월말 정산 구간은 피하는 편이 안전합니다. 반대로 사용자에게 판단 근거가 생긴 직후는 응답 품질이 올라갑니다.

타이밍 원칙은 세 가지로 정리할 수 있습니다. 첫째, 마감이 몰리는 시간대는 피합니다. 둘째, 이벤트 직후처럼 경험이 생생할 때 보냅니다. 셋째, 응답 시간이 짧다면 “지금 3분만”처럼 즉시 처리 가능한 구간을 노립니다. 설문을 보내기 전, 수신자의 하루 일정표를 한 번 떠올려 보는 것이 도움이 됩니다.

안내 문구는 ‘왜, 얼마나, 어떻게’로 구성한다

응답자는 설문 링크를 보는 순간 바로 비용을 계산합니다. “이게 나랑 무슨 상관이지”, “시간이 얼마나 들지”를 먼저 봅니다. 그래서 안내 문구는 감성 문장보다, 판단에 필요한 정보를 먼저 줘야 합니다. 아래 항목을 템플릿처럼 고정해 두면 매번 품질이 안정됩니다.

목적: 어떤 의사결정에 쓰이는 설문인지 한 문장으로 씁니다.
소요시간: “약 3분”처럼 예상 시간을 구체적으로 제시합니다.
익명성: 익명/기명 여부와 수집 항목을 명시합니다.
사용처: 결과가 어디에 반영되는지, 공유 범위를 적습니다.
보상: 보상이 있다면 조건과 지급 시점을 짧게 씁니다.

예를 들어 “제품 개선을 위한 설문입니다”만으로는 부족합니다. “다음 분기 기능 우선순위를 정하는 데 사용합니다”처럼 사용처를 적어야 응답 품질이 올라갑니다. 문항 수가 많다면 그 이유도 써야 합니다. 응답자가 납득하면 이탈률이 줄어듭니다.

리마인드는 운영 규칙이 있어야 한다

리마인드는 ‘귀찮게 하기’가 아니라, 누락을 줄이는 운영입니다. 다만 횟수와 간격을 정하지 않으면 피로도가 급격히 올라갑니다. 기본값을 정해 두면 팀 내에서도 일관되게 운영할 수 있습니다. 예를 들어 1차 배포 후 2~3일 뒤 1회, 마감 하루 전 1회처럼 규칙을 둡니다.

대상도 분리하는 편이 좋습니다. 이미 응답한 사람에게 리마인드가 가면 신뢰가 떨어집니다. 가능하다면 설문용 프로덕트에서 응답 여부를 기준으로 대상 그룹을 나눕니다. 채널 특성상 분리가 어렵다면, 안내 문구에 “응답하신 분은 무시하셔도 됩니다”를 넣어 마찰을 줄입니다.

중복 응답 방지도 함께 설계해야 합니다. 특히 메신저나 커뮤니티에서는 링크가 재공유되며 중복이 생깁니다. 로그인 기반 폼이라면 1인 1회 응답 옵션을 검토합니다. 익명 설문이라면 중복 가능성을 인정하고, 분석 단계에서 제거할 수 있도록 식별 문항을 최소로 추가하는 방식도 고려합니다. 단, 이 경우에도 수집 목적과 한계를 안내 문구에 함께 적는 것이 안전합니다.

마지막 체크리스트 6가지

배포 버튼을 누르기 전, 딱 10분만 멈추면 사고를 줄일 수 있습니다. 설문은 한 번 나가면 회수가 어렵습니다. 특히 링크가 공유되기 시작하면, 폼과 문항을 고치기 더 까다로워집니다. 아래 체크리스트는 “지금 이 설문, 돌려도 되나?”를 빠르게 판정하기 위한 최소 기준입니다.

목표: 이 설문이 만들어낼 ‘결정’이 적혀 있나?
대상: 누가 답해야 하고, 누가 빠져야 하나?
문항: 답이 ‘행동’으로 연결되게 설계됐나?
폼: 응답 흐름이 막히는 지점이 없는가?
배포: 어디에, 어떤 문장으로, 언제 보낼 건가?
분석 준비: 결과를 어떤 표로 볼지 미리 정했나?

마치며

설문은 누구나 만들 수 있습니다. 그래서 더 쉽게 ‘적당히’ 진행되기도 합니다.

하지만 설문 결과는 파장이 큽니다. 그리 작지 않은 의사결정의 근거가 되기 때문입니다. 대부분은 이 설문을 ‘고객의 목소리’라고 철썩같이 믿기에, 제품이나 팀의 방향과 이어진 결정이 이뤄지고는 합니다. 그래서 한 번 잘못 설계한 설문은 팀의 시간과 리소스를 크게 소모합니다. 그렇게 문제를 해결하기보다, 문제를 새로 만들 수 있습니다.

설문은 한 번 만들고 끝나는 문서가 아닙니다. 팀의 가설과 운영 방식이 반영된 제품에 가깝습니다. 다음 설문을 돌리기 전, ‘지금 당장 배포할 수 있는지’보다 ‘이 답이 행동으로 이어지는지’를 먼저 확인해 보세요.

]]>

이공계 출신 VC 심사역이 된다는 것

이번 글에서는 국내 VC ‘매쉬업벤처스’의 박은우 파트너 인터뷰로 이공계 출신 VC 심사역의 커리어를 소개합니다. 스타트업 투자 업계에서 일하는 분에게는 VC로 성장하는 방법을, 심사역들의 사고 방식이 궁금한 분들에게는 새로운 인사이트를 전합니다.

매쉬업벤처스는 국내에서 보기 드물게 엔지니어 출신 인재 비중이 높은 VC입니다. 파트너 및 심사역 과반 이상이 컴퓨터과학, 전자공학 등 엔지니어링 전공자이며, 실제 투자도 AI, 로보틱스 등 기술 기반 스타트업을 중심으로 이루어지고 있습니다.

하지만 많은 이공계 인재들은 여전히 VC를 현실적인 진로 선택지로 인식하지 않습니다. "비즈니스 경험이 부족해서 어렵지 않을까?", "기술 공부를 해왔는데 투자 업무와 연결될까?"와 같은 고민을 자주 듣게 됩니다.

이런 고민에 답하기 위해, 이 길을 먼저 걸어온 투자자를 만났습니다. 매쉬업벤처스 박은우 파트너는 연세대학교 컴퓨터과학과를 졸업하고, 커리어 초기부터 VC 심사역으로 일했습니다. 이후 딥테크 스타트업 CSO를 거쳐 다시 VC로 복귀한 특별한 여정을 가진 투자자입니다. 그의 경험을 통해 이공계 출신에게 VC가 어떤 의미인지 들어보았습니다.

1. VC라는 커리어를 처음 인식하게 된 계기가 궁금합니다.

저는 대학 시절부터 스타트업에 관심이 많았지만, 당시만 해도 국내 VC 심사역이 500명도 채 안 될 때였고, VC라는 커리어는 굉장히 생소했습니다.

다만, 요즘 이공계 학생들이 젠슨 황이나 일론 머스크를 보며 창업을 꿈꾸는 것처럼, 저도 빌 게이츠 같은 엔지니어 출신 창업자를 롤모델로 삼았습니다. 그들이 창업에 성공한 후 또 벤처 투자를 통해 생태계를 넓혀간다는 걸 알게 되면서, '나도 성공한 후에는 투자자가 되고 싶다'는 막연한 생각을 갖게 됐습니다.

결정적이었던 건 학교에서 비영리 단체인 TEDxYonsei를 공동 설립한 경험이었습니다. 연사로 프라이머 권도균 대표님을 모시게 됐고, 그 인연을 통해 이택경 대표님, 송영길 대표님 같은 엔지니어 출신 창업자들을 만나게 되면서, 한국에도 기술 창업에 성공한 뒤에 스타트업에 투자하는 일을 하는 분들이 등장하고 있다는 사실을 실감했습니다.

이후 2000년대 후반에 캘리포니아의 UC Berkeley로 교환학생을 가면서 더 확신이 생겼습니다. 그 곳에서 함께 수업에서 공부하고 교류하던 지인들이 이미 고속 성장 중이던 구글, 페이스북을 비롯하여, 당시 실리콘밸리가 주목하던 스타트업인 드롭박스나 팔란티어에 합류하는 것을 보았습니다. 뛰어난 엔지니어들이 스타트업 생태계의 중심에 뛰어드는 것을 목격하면서, 앞으로 한국도 이런 움직임이 확산될 것이라는 강한 확신을 갖게 되었습니다. 그리고 프로그래밍 자체보다는 새로운 기술이 만드는 생태계 자체에 더욱 관심이 많아지면서, "나는 엔지니어로서가 아니라면 어떤 방식으로 기술 생태계에 기여할 수 있을까?"라는 질문을 하게 됐습니다.

그 고민의 끝에 VC라는 직업을 떠올리게 됐습니다.

2. 많은 이공계 학생들이 "비경영 전공자는 VC 하기 어려울 것 같다"고 이야기합니다. 실제로 어떤 준비가 필요했나요?

저는 VC 입사를 위한 특별한 루트를 밟진 않았습니다. 당시에도 VC는 경력직이나 창업 경험이 있는 사람들이 가는 곳이라는 인식이 강했고, 저도 "경험을 쌓고 나중에 가야지" 정도로만 생각했습니다.

병역특례로 3년간 개발자로 일했고, 대학 경영혁신 학회에서 케이스 스터디를 통해 경영학을 처음 접했습니다. 전략 컨설팅, 빅테크 마케팅, 대기업 해외 신사업 등 여러 인턴십을 거쳤고, 졸업 후에는 대기업에서 데이터 분석 업무를 했습니다.

당시에는 주변에서 "너처럼 관심사가 많고 이것저것 다 해보는 건 커리어에 오히려 독이 될 수도 있어"라는 이야기를 들으며, "한 가지 방향성이 없다"는 점이 약점처럼 느껴지기도 했습니다.

하지만 VC에 입문한 후 깨달은 건, 짧은 기간에 다양한 산업과 역할을 경험했다는 점이 오히려 늘 새로운 창업자를 만나고, 새로운 사업에 관심 갖는데 큰 도움이 되었다는 것입니다. 하나의 프레임에 갇히지 않고, 새로운 산업과 창업자를 편견 없이 마주할 수 있는 능력을 기를 수 있었습니다.

결국 비경영 전공이라는 것이 단점이 아니라, 오히려 다양한 경험을 통해 유연한 사고방식을 갖출 수 있다면 그것이 VC에서의 강점이 됩니다.

3. 이공계 출신으로서 VC에서 발휘할 수 있는 강점은 무엇일까요?

스타트업의 전형적 정의는 "첨단 기술을 기반으로 빠르게 성장하는 기업"입니다. 이공계 출신은 기술에 대한 거부감이 적고, 새로운 기술을 빠르게 이해할 수 있습니다. 창업자와 기술에 대해 깊이 있는 대화를 나눌 수 있다는 점에서 이는 큰 장점입니다.

또한 엔지니어는 문제를 구조화하고 논리적으로 해결하는 훈련을 받습니다. VC 업무도 새로운 시장과 기술을 접할 때 가설을 세우고 논리적으로 검증하는 과정이 핵심입니다. 공학적 분석 능력이 거의 그대로 적용되는 영역이죠.

무엇보다 엔지니어 출신의 좋은 기술창업자를 만날 때 그 강점이 발휘됩니다. 비슷한 학창 시절을 보냈고, 비슷한 고민을 해봤으며, 비슷한 방식으로 사고하기 때문에, 이공계 출신 VC는 창업자와 자연스럽게 공감대를 형성하고, 빠르게 신뢰 관계를 쌓을 수 있습니다. 이건 단순한 네트워크가 아니라, 엔지니어 출신끼리 자연스럽게 형성되는 유대감과 신뢰라는 점에서 차별화된 강점입니다.

4. VC에서 딥테크 스타트업 CSO로 이동하신 계기가 궁금합니다.

제게 VC는 커리어 후반부의 꿈 같은 계획이었는데, 예상보다 일찍 이뤄졌습니다. 그래서 우연치 않게 "꿈을 이루어서 꿈을 잃어버렸다"고 이야기한 적도 있습니다.

그 이후 VC 경험을 어떻게 의미 있게 확장할지 고민했고, 스타트업을 직접 경험하지 않으면 나중에 후회할 것 같다는 생각이 들었습니다.

그때부터 VC 커리어를 나의 공동창업자를 찾는 과정으로 바라보기 시작했습니다. 투자 검토를 위해 만나는 창업자들을 보며 "내가 이 회사에 합류한다면 어떤 역할을 할 수 있을까?"라는 질문을 던졌습니다.

결국 투자했던 딥테크 스타트업 니어스랩의 CSO(Chief Strategy Officer)로 합류했고, 회사를 성장시키는 과정에 직접 참여하게 됐습니다.

5. VC 경험이 스타트업 CSO로서 전략 수립과 실행에 어떻게 도움이 되었나요?

저는 기술력은 있지만 아직 제품이 없던 딥테크 스타트업의 CSO로 합류했습니다.

그 전까지 VC로서 다수의 딥테크 스타트업에 투자하고, 창업자들과 긴밀히 교류하며 사업 방향성을 함께 논의했습니다. 때로는 고객사나 잠재적 인수자와의 미팅을 주선하고 직접 참여하기도 했습니다.

VC는 창업팀의 소속은 아니지만, 창업자의 사업 고민을 함께 나누는 파트너가 되어주고, 때로는 CEO staff처럼 일할 수 있는 포지션입니다. 더 중요한 건, 하나의 회사 내부가 아니라 다수의 회사를 외부에서 조망하며 사업을 바라볼 수 있다는 점입니다. 이는 시야의 폭을 넓혀주고, 더 많은 케이스 스터디를 통해 날카로운 의사결정을 할 수 있는 밑거름이 됩니다.

특히 초기 기술 창업팀은 아직 제품이 없거나 PMF(Product-Market Fit)를 찾기 전인 경우가 많습니다. 이때 회사의 기술과 펀더멘털에 대한 깊은 이해가 있어야 비즈니스를 전개할 수 있습니다.

이미 만들어진 제품을 파는 세일즈가 아니라, 사업의 방향성을 정하고 실행하는 CSO 같은 역할은 창업자와 기술, 제품에 대해 깊이 있게 논의할 수 있는 사람이 맡아야 합니다. 기술에 대한 거부감이 적고 이해 속도가 빠른 이공계 출신일수록 더 강점을 발휘할 수 있는 영역입니다.

박은우 파트너는 국내외로 엔지니어 출신 창업자를 발굴하는 것부터 포트폴리오 기업의 성장을 돕는 일까지, 이공계 배경과 딥테크 스타트업, VC 경험을 살려 폭넓게 활동하고 있습니다. <출처: 매쉬업벤처스>

6. 스타트업 경험 후 다시 VC로 복귀하면서 투자자로서 어떤 관점의 변화가 있었나요?

창업자와 그들의 업에 대한 진심을 보는 관점이 완전히 달라졌습니다.

이전에도 초기 투자에서 창업자가 중요하다는 건 알고 있었습니다. 하지만 실제로 스타트업을 경험하면서, 창업자의 삶이 얼마나 고통스러운지, 그 과정을 버텨내는 비전의 힘이 얼마나 강력한지 체감하게 됐습니다.

초기 창업팀의 계획은 아무리 경험 많은 창업자라도 계속 바뀌게 됩니다. 시장이 변하고, 팀이 변하면서 의도와 무관하게 흘러가는 것이 스타트업입니다.

그 과정에서도 "업에 대한 믿음"을 갖고 있는 창업자는 태풍 속에서도 길을 잃지 않고 살아남습니다. 반면 아무리 똑똑하고 실행력이 뛰어나도 그 믿음이 약하면 무너지게 됩니다.

오늘날처럼 AI로 인해 모든 것이 빠르게 바뀌는 세상에서는 더욱 그렇습니다. 6년여의 창업 경험을 통해 '좋은 창업자'를 판단하는 구체적인 기준을 갖게 된 것이 가장 큰 자산입니다.

7. VC를 준비하는 이공계 학생에게 가장 먼저 권하고 싶은 '출발점'은 무엇인가요?

다양한 경험을 쌓으세요. 저처럼 개발, 컨설팅, 데이터 분석 등 여러 분야를 경험하는 것도 좋습니다. 다만 VC를 목표로 한다면, 그 과정에서 스타트업 환경은 꼭 한 번 경험해보길 권합니다.

직접 창업을 시도하거나, 이력서를 위한 형식적인 창업보다는 실제로 검증받은 스타트업에서 일하는 것이 더 효과적입니다. 학생 입장에서 어떤 스타트업이 좋은 회사인지 판단하기는 매우 어렵습니다. 배울 게 없거나 심지어 문제가 있는 곳도 있습니다. 가장 좋은 필터는 검증된 투자사가 투자한 초기 스타트업에 인턴으로 합류하는 것입니다. 그곳에서 스타트업이 어떻게 작동하는지, 좋은 창업자는 어떤 사람인지, 시장은 어떻게 움직이는지 배울 수 있습니다.

8. 초기 커리어를 VC로 시작한 분들 중 인상 깊었던 사례가 있나요?

스파르타클럽(구 스파르타코딩클럽)의 창업자인 이범규 대표를 꼽고 싶습니다.

이범규 대표는 제가 창업 전에 근무했던 VC에서 함께 일한 심사역이었습니다. 학창 시절 병역특례로 개발자 커리어를 쌓은 뒤 VC로 사회생활을 시작했죠.

재학 시절에도 봉사단체나 작은 사업들을 경험했지만, VC에서 스타트업 생태계와 자본시장에 대한 이해를 쌓은 뒤 스파르타클럽을 창업했고, 이를 멋지게 성장시켜 대형 Private Equity로부터 투자를 받는 성과를 거뒀습니다.

특히 사업 확장 과정에서 VC 시절 알게 된 네트워크를 임직원으로 채용하며 팀의 역량을 강화하는 등, VC 경험이 창업의 성공 확률을 실질적으로 높인 대표적인 케이스입니다.

마치며

VC는 이공계 출신 인재들이 기술적 강점을 유지하면서 시장 감각과 전략적 사고를 함께 기를 수 있는 곳입니다. 창업 준비를 위한 최적의 학습 경로를 찾는 분, 기술을 넘어 산업 전체를 보고 싶은 분, 전문직으로서 높은 성취를 원하는 분에게 생각보다 훨씬 가까운 선택지일 수 있습니다.

]]>

당신 회사가 AI 도입에 늘 실패하는 2가지 이유

Editor's note

AI로 개인의 생산성은 눈에 띄게 높아지고 있지만, 많은 기업이 여전히 ‘우리 조직에는 어디서부터 적용해야 하는가’에서 어려움을 겪고 있습니다. 요즘IT는 위시켓이 운영하는 미디어로, 현장에서 기업들의 AI 도입을 가장 가까이에서 보고 듣는 위치에 있습니다.

이번 글은 위시켓 AIDP 팀이 실제 프로젝트와 상담을 통해 확인한 기업의 AI 도입이 왜 막히는지, 어디서부터 접근해야 하는지에 대한 정리입니다. 우리 회사의 경험을 기반으로 한 내용이지만, 그만큼 지금 시장에서 실제로 일어나고 있는 변화와 문제를 가장 정확하게 전달할 수 있다고 생각해 실었습니다.

글을 읽고 여러분의 조직에서는 AI 도입 과정에서 어떤 고민이 있었는지도 함께 들려주세요.

기업이 정체한 본질적 이유와 실패하지 않는 AX 전략 두 가지

“AI 없이 온전히 보낸 하루”가 기억 나시나요? ChatGPT가 등장한 지 3년 여만에 이미 AI는 우리 삶에 깊이 침투해 많은 것을 바꿨습니다.

저는 위시켓 AIDP(AI Delivery Platform) 사업부 리더 이홍주입니다. AI 도입을 전문적으로 컨설팅하고 구축까지 돕는 일을 하고 있죠. ChatGPT가 등장했을 때부터 AI를 사업과 운영 프로세스에 한발 앞서 적용하며 직접 활용해왔습니다.

그러다 보니 개인적으로는 AI 덕분에 일과 삶 모든 방면에서 생산성이 15~20% 향상됐다고 느낍니다. 저뿐 아니라 요즘엔 비개발자들도 ChatGPT와 같은 대화형 AI를 통해 프로그램을 직접 만들어냅니다. 프로그램만이 아니라 정보 탐색, 아이디어 발굴, 데이터 정리, 논리 구체와 등을 더 빠르게, 더 많이 해내며 생산성을 높이고 있습니다.

개발자들은 더 극적인 변화를 맞이했습니다. 생산성이 최소 3~4배 증가했다고 해도 과언이 아닙니다. 요즘 Copilot, Cursor 등 코딩 에이전트 덕분에 직접 코드를 입력할 일이 크게 줄었으며, 수준 높은 모듈화된 코드의 작성, 활용, 개선이 몇 가지 설정과 프롬프트만으로 가능해졌습니다.

AI가 생산성 3배 높였는데, 왜 연봉은 그대로일까?

하지만 이런 생산성 증가에도 불구하고 연봉은 상승되지 않았습니다. 위시켓에서 관찰한 IT 프리랜서 단가는 오히려 전체적으로 하락하고 있습니다. 개발자 몸값의 부익부 빈익빈 현상도 여전하죠. 생산성이 3~4배 증가했다면 연봉은 최소 2배 올랐어야 하는 것 아닐까요?

이는 AI가 개인에게 가져다준 변화와 충격에 비해 조직의 변화는 미미한 현실을 단적으로 보여주는 사례입니다. 이뿐만 아니라, 아마 생각보다 많은 조직에서 ‘실제로 우리 회사에 충격적인 변화가 없다’고 느낄 것입니다. 개인의 변화에 비하면 그 차이가 크죠. 왜 이런 역설이 발생했을까요?

위시켓은 월 1,000건 이상의 IT 프로젝트 의뢰가 유입되는 플랫폼입니다. 그런 만큼 다양한 회사 대표님들과 담당자들을 현장에서 만나죠. 그 과정에서 이 역설의 근본적인 이유를 찾을 수 있었습니다. 그 결론을 한 마디로 정리하면 다음과 같습니다.

AI는 회사를 바꾸지 않습니다.
AI를 ‘소프트웨어’로 구현하는 회사만이 변화합니다.

이 글은 바로 그 지점에서 시작합니다. 왜 개인과 기업 사이에 이렇게 거대한 격차가 생겼는지 두 가지 핵심 이유를 파헤치고, 기업이 나아가야 할 두 가지 명쾌하고 실질적인 방향을 제시하겠습니다.

AI 도입이 조직 성과로 이어지지 않는 두 가지 이유

1. AI는 '원유'일 뿐, '훌륭한 소프트웨어'가 가치를 만든다

LLM과 ChatGPT의 관계에 대해 생각해봅시다. 우리는 LLM을 ChatGPT라는 소프트웨어를 통해 사용합니다. LLM을 포함한 생성형 AI는 결국 '모델(Model)'일 뿐이며, ChatGPT는 OpenAI의 최신 모델을 활용하면서도, 에이전트 같은 대화형 경험을 제공하기 위해 수많은 로직이 '소프트웨어'로 구현된 사례죠.

즉, AI는 '원유(Crude Oil)'와 같습니다. 원유 자체는 엄청난 잠재력을 가졌지만, 그 자체로는 가치를 만들어내지 못합니다. 이 원유를 LPG, 휘발유, 나프타 등 정제된 제품으로 바꾸어 고객 경험이나 운영 프로세스를 변화시키는 것이 바로 '소프트웨어'의 역할이며, 이곳에서 진정한 가치(Value)가 구현됩니다.

<출처: 위시켓, Gemini로 제작>

이제 앞서 제기한 역설이 명확해집니다. 개발자의 생산성이 3~4배 증가했다는 것은 '원유'가 확보되는 양이 많아졌다는 의미입니다. 그러나 이 원유가 '정제' 과정을 거쳐 실제 가치를 만들어내는 결과물, 즉 훌륭한 소프트웨어로 완성되는 양은 비슷하거나 조금 더 많은 수준에 그칩니다.

왜일까요? 코드를 빨리 생성하는 것과 그것을 고객 가치로 전환하는 것은 전혀 다른 문제이기 때문입니다. 요구사항 정의, 아키텍처 설계, 사용자 경험 최적화, 비즈니스 로직 구현. 이 모든 '정제' 과정의 난이도는 여전히 높습니다. 연봉과 처우는 '투입량'이 아닌 '결과'로 측정됩니다. 따라서 최종 결과물이 크게 증가하지 않는다면 연봉 역시 크게 오르지 않습니다. 오히려 AI를 활용하는 개발자가 많아지면서 경쟁이 치열해지기 때문에, 단가가 낮아지는 추세가 나타나는 것이죠.

핵심을 다시 정리하면 이렇습니다.

AI 자체는 당신의 회사를 변화시키지 않습니다. AI를 통해 구축된 소프트웨어가 회사를 변화시킵니다.

엔비디아 CEO 젠슨 황은 이렇게 말했습니다. "AI는 당신을 대체하지 않는다. AI를 활용하는 다른 사람이 당신을 대체한다."

젠슨황 엔비디아CEO <출처: 엔비디아>

여기서 우리는 논리를 한 단계 더 발전시킬 수 있습니다.

AI를 통해 구축된 '소프트웨어'와 이를 현명하게 활용하는 '사람'이 당신을 대체할 것입니다.

2. SaaS를 쓰는데 왜 변화가 없을까 - 자체 소프트웨어의 필연성

두 번째 이유를 살펴봅시다. 이미 많은 기업이 노션, 슬랙, 더존, SAP 같은 다양한 SaaS(Software as a Service) 솔루션을 활용하고 있습니다. 그런데 왜 변화를 체감하지 못할까요?

연 매출 50억 원 이하, 인원 수 30명 이하 규모의 회사라면, SaaS 솔루션들을 잘 활용하는 것만으로도 충분한 AI 전환 효과를 볼 수 있습니다. AI로 인해 SaaS의 종류가 다양해지고 수준이 빠르게 향상되고 있으니, 선택지도 많아 AI 시대의 수혜를 그대로 체감할 수 있겠죠. 하지만 이 규모를 초과하는 회사라면 상황은 완전히 달라집니다. 일정 규모 이상의 회사는 시장이라는 치열한 경쟁 환경 속에서 고유한 서비스와 프로세스를 통해 경쟁우위를 확보해 왔습니다.

그런데 SaaS 솔루션은 표준화된 기능과 제한적인 커스터마이징만 제공합니다. 이는 인사, 회계 등 경영지원 영역 같은 표준화된 프로세스의 생산성 강화에는 도움이 됩니다. 하지만 우리 회사만의 고유한 경쟁우위를 혁신하는 변화는 만들어낼 수 없습니다. 왜일까요? 경쟁우위는 표준화된 기능이 아닌, 우리 회사만의 고유한 일하는 방식, 즉 서비스와 프로세스의 최적화에서 나오기 때문입니다.

정리하면, 일정 규모 이상 기업이 변화를 체감하지 못하는 이유는 명확합니다. 자체 소프트웨어로 고유한 경쟁우위를 최적화해야 하는데, 표준화된 SaaS에만 의존하고 있기 때문입니다. 결국 일정 규모를 넘어서는 기업이 AI를 제대로 활용하면서 경쟁우위를 혁신하려면, 우리만의 소프트웨어, 즉 자체 소프트웨어를 구축하는 수밖에 없습니다. 개인의 생산성 향상을 조직 전체의 성과로 전환하려면, 우리 회사 고유의 업무 방식을 AI와 결합한 소프트웨어가 필요합니다.

자체 소프트웨어를 구축하지 않으면 AI 전환(AX)은 성공할 수 없습니다. 손을 놓고 있다가는 자체 소프트웨어를 구축하고 AI 전환에 성공한 경쟁사에 압도될 것입니다.

하지만 소프트웨어 구축의 현실: 50%의 실패

'언제든 충분히 검증되었을 때, 나중에 시도하면 되지 않느냐?'라고 생각하실 수 있습니다. 하지만 AI 전환과 우리만의 소프트웨어를 구축하는 프로젝트는 비용만 지불하면 무조건 투자 대비 성과(ROI) 관점에서 성공할 수 있는 종류가 아닙니다. 지금은 최소한, 어떻게 실패하지 않을 수 있는가에 대한 방법을 알고 있어야 합니다.

이러한 프로젝트들은 기술적 난이도뿐만 아니라, 변화에 대한 조직의 거부감, 모호한 요구사항 정의, 데이터 통합의 실패와 같은 다양한 비즈니스/조직적 문제로 인해 ROI(투자 대비 수익) 관점에서 최소 50% 이상의 확률로 실패합니다.

그렇다면 어떻게 해야 할까요?

AX의 시작, 실패하지 않는 소프트웨어 실현 방법

먼저 냉정하게 인정해야 합니다. 자체 소프트웨어 구축은 쉽지 않습니다. 50% 이상이 실패하는 데는 이유가 있습니다.

하지만 포기할 수는 없습니다. 지금은 위기이자 기회입니다. AI 개발 생산성이 3~4배 향상된 지금, 과거에는 불가능했던 속도로 자체 소프트웨어를 구축할 수 있습니다. 이전에 3개월 걸리던 프로젝트가 이제는 1개월 만에 실현됩니다. 경쟁사가 이 기회를 잡아 앞서가는 동안 우리만 손을 놓고 있을 수는 없습니다.

다행히 방법은 있습니다. 실패하지 않는 소프트웨어 구축을 위한 두 가지 핵심 전략을 소개합니다.

1. 5배 이상 높아진 AI 소프트웨어 개발 생산성을 레버리지하라

첫 번째 전략은 '5배 이상 높아진 AI 소프트웨어 개발 생산성을 레버리지하는 것'입니다.

개발 관련 종사자라면 모두 공감하실 겁니다. 22년말 ChatGPT 등장 이후, 개발 생산성이 최소 3~4배 증가했다는 것을요.

2022년 말에 3개월 걸리던 프로젝트가 이제는 1개월 만에 실현될 수 있습니다. 더 중요한 사실은 '높은 소프트웨어 개발 비용' 이라는 진입장벽이 거의 허물어졌다는 점입니다. Cursor, Copilot 등의 코딩 에이전트가 소스코드 개발 전문가를 완전히 대체하면서 아키텍쳐 설계, UI/UX 기능 모듈 구현, CI/CD 역량만 있으면 순식간에 결과물을 내보일 수 있습니다.

따라서, 이제는 계약 및 프로젝트 착수 전에도 ‘맞춤형 소프트웨어’ 프로토타입을 사전에 확인하고 진행할 수 있는, 확인해야 하는 시대입니다. 예전처럼 PI(Process Innovation)이나 BPR(Business Process Reengineering) 프로젝트를 선행하면서 ‘제안서’에 목숨 걸고 공들이던 시기는 끝난 것 같습니다.

즉 AI 소프트웨어 개발 생산성을 레버리지한다는 것은 우리가 기대하는 결과에 대한 프로토타입(MVP) 실현 속도가 기존 수 개월(Month)에서 수 일(Day) 혹은 수 주(Week)로 단축되었으니, 빠르게 만들어보고, 테스트하고, 수정하는 방식으로 전환하라는 것입니다. 실현 가능성이 불분명한 컨설팅 보고서를 기다리기보다, 실제 작동하는 소프트웨어를 먼저 만들어 검증하는 것이 이제는 더 빠르고 효과적입니다.

실제로 위 화면처럼 아키텍처와 기능 기획만 제대로 나오면 아래와 같은 소프트웨어를 3일~7일 안에 만들 수 있습니다.

하지만, ‘프로토타입 실현이 극단적으로 빨라졌다’라는 사실만으로 자체 소프트웨어 구축을 무조건 성공할 수 있을까요? 그렇지 않습니다. 아무리 빨라져봐야 실제 업무에 활용되지 않으면, 즉 현업에 배포(deployment)되지 않으면 그저 허울좋은 전시품일 뿐입니다.

2. Garbage In - Garbage Out을 경계하라

두 번째 전략은 'Garbage In - Garbage Out을 경계하는 것'입니다. "쓰레기를 넣으면 쓰레기가 나온다." 전통적인 이 원칙이 AI 시대에 더욱 중요해졌습니다.

AI 개발 생산성이 높아졌다고 해서 소프트웨어 실현 비용이 엄청 낮아지는 것은 아닙니다. 바로 Garbage In - Garbage Out 때문입니다. Cursor, Copilot 등 코딩 에이전트는 매우 빠르게 코딩합니다. 그런데 명확한 기대 결과를 설정하고 방향과 단계를 잡아주지 않으면, 있어 보이지만 아무 쓸모없는 소프트웨어가 나옵니다. 개발자의 시간과 LLM 토큰을 아무리 투입해도, 사용하지 않는 기능이 많고, UI/UX는 최악은 아닌데 이해되지 않고, 막상 핵심 기능의 품질은 기대에 부합하지 않는 결과물이 나오는 것이죠.

요즘 소프트웨어 구축 프로젝트를 진행하다 보면, 개발 생산성이 높아졌다는 게 체감됩니다. 고객이 잘못됐다고 피드백하면, 프로토타입뿐 아니라 전체 산출물을 말 그대로 처음부터 끝까지 2~3번 뒤엎는 경우도 종종 봅니다.

그런데 이게 옳은 현상일까요? 생산성이 올라가서 금액 부담이 적어졌더니, 결국 걸리는 시간은 동일하고 고객사 입장에서는 커뮤니케이션만 더 답답합니다. 채용한 개발자든 외주 의뢰한 개발사든 마찬가지입니다.

지금이 '자체 소프트웨어'를 최적의 ROI로 실현할 수 있는 이상적인 타이밍입니다. 지금 실현된다면 복리적 효과도 크게 기대됩니다. 하지만 여전히 많은 분들이 채용이나 외주 과정에서 Garbage In - Garbage Out을 반복하고 있습니다.

어떻게 피할 수 있을까요? 핵심은 올바른 파트너 선택입니다. 두 가지 기준을 소개합니다.

AI 도입 시 Garbage In - Garbage Out을 막기 위한 방법

(1) 엔드투엔드 기획 역량이 있는 파트너를 선택하라

채용을 하든 외주를 하든, 엔드투엔드 기획 역량이 있는 파트너와 함께하십시오.

대부분의 개발자나 개발사(90% 이상)는 채용을 하든 외주를 하든 기획한 대로, 설계한 대로만 소프트웨어를 구현합니다. 엔드투엔드 컨설팅 회사가 아닌, 개발사기 때문에 어떻게 보면 당연한 것이겠지요. 그래서, 개발자나 개발사는 우리가 원하는 요구사항을 구체화하고, 최적의 솔루션을 제안하고, 전체 프로젝트 일정과 작업 범위를 구성하고, 적절한 단계 및 마일스톤을 설정하는 것에는 익숙하지 않습니다. 특별히 잘 못한다기 보다는 그저 다른 프로젝트를 했던 것처럼 하는 것입니다.

위에서 언급드렸던 것처럼, 명확한 기대 결과를 설정하고 방향과 단계를 잡아주지 않으면, 좋은 소프트웨어는 구현될 수 없습니다. 많은 기업들이 AI 도입과 전환에 실패하는 이유는, 엔드투엔드가 아니라 단순 외주 용역을 맡기려고 하기 때문입니다.

그렇다면 엔드투엔드 기획 역량이 있는 파트너를 어떻게 판단할 수 있을까요? 임직원, 그 중에서도 오퍼레이션 팀 리더를 채용하는 것처럼 판단하시라고 조언드리고 싶습니다. 아래와 같은 질문에 부합하는 파트너들이죠.

우리 회사의 비즈니스를 이해하고 있으며, 커뮤니케이션이 수월한가?
시키는 일만 하는 게 아니라, 우리의 문제 자체를 해결하려고 하는가?
일회적 용역 관계가 아닌, 회사와 함께 성장할 수 있나?

(2) 문제 해결 역량이 있는 파트너를 선택하라

AX(AI Transformation)를 실현하려면 회계, 인사 등 비핵심 공통 기능이 아니라, 제품개발/마케팅, 영업/물류/채권, 구매/조달/재고/채무, 생산/제조/원가, 데이터 분석/비즈니스 인텔리전스와 같은 회사의 핵심 밸류체인(Value Chain) 중심으로 자체 소프트웨어를 구축해야 합니다.

특히 매출액 50억 이상이거나 인원 규모 30명 이상인 경우, 대부분 고유한 서비스와 비즈니스 프로세스 특성을 가지고 있습니다. 생존과 이익 창출을 위한 경쟁우위를 구성하는 기반이지요.

일반적인 SaaS나, B2C 소프트웨어 경험만 있는 파트너는 이런 고유한 경쟁우위를 소프트웨어로 실현하기 어렵습니다. 이 실현 과정이 하나의 ‘거대한 문제’ 이며, 이 문제를 해결해본 경험과 역량이 있어야 AX 성공 확률이 높아집니다. (다시 한 번 상기시켜 드리면, ROI 관점에서 성공 확률은 50% 미만입니다.)

그렇다면 문제 해결 역량이 있는 파트너인지 아닌지는 어떻게 판단할 수 있을까요?

이커머스, 단순 정산 어드민, 웹사이트 제작 등 누구나 상상할 수 있는 문제를 해결해본 게 아닌, 기업의 독특하고 고유한, 어려운 문제를 해결해본 파트너를 채용하거나 외주 의뢰하십시오.

이런 높은 기준을 적용하지 않는다면, 우리 회사의 핵심 서비스와 업무 프로세스 변화는 실패할 가능성이 매우 높습니다.

마치며

최근 위시켓은 AI 전담 조직 AIDP를 신설하고, 전문가 매칭을 넘어 컨설팅·개발·운영까지 직접 지원하기 시작했습니다. 13년간 2만 건 이상의 IT 프로젝트를 수행하며 쌓은 경험과, AI 시대에 들어 확보한 500억 원 규모의 프로젝트 매니지먼트 자산 덕분에, 자연스럽게 ‘기업들이 어디에서 가장 많이 막히는가’를 깊이 관찰할 수 있었습니다. 그 과정에서 실제로 많은 실패 사례를 가까이서 보며, 이 문제를 전담으로 다룰 조직의 필요성을 느끼게 됐습니다.

기획 역량과 문제 해결 역량을 모두 갖춘 파트너를 직접 찾고 관리하는 일이 쉽지 않다면, 위시켓 같은 플랫폼을 활용하는 것도 하나의 선택입니다. 하지만 이 글의 목적은 특정 서비스를 권하는 데 있지 않습니다. 어떤 방식을 선택하시든, 불필요한 시행착오와 실패를 줄이길 바라는 마음에서 현장 경험을 공유드리는 것입니다. 수 억 원을 들여놓고도 실패하는 안타까운 사례를 정말 많이 봤고, 그런 일이 없으면 좋겠습니다.

➡️ 위시켓 AIDP 살펴보기

글을 끝까지 읽으셨다면, AI의 파급력을 체감하면서도 기업의 변화는 만들어내지 못해 답답해하시는 분들이거나 변화를 만들기 위해 고심하고 계신 분들일 거라 생각합니다. 그런 분들께 이 글이 작게나마 도움이 되기를 바랍니다.

핵심을 다시 정리하면

개인의 생산성은 폭증했지만 기업은 변하지 않는 이유는 명확합니다. ‘AI’가 아니라 ‘소프트웨어’가 핵심입니다.
AI는 원유일 뿐이며, 소프트웨어로 정제해야 가치가 됩니다.
일정 규모 이상 기업은 자체 소프트웨어 구축이 필수입니다. 하지만 소프트웨어 구축은 성공이 쉽지 않습니다.
성공하려면: (1) AI 개발 생산성을 레버리지하고 (2) 올바른 파트너를 선택해야 합니다.
지금 시작하지 않으면 경쟁사와의 격차가 기하급수적으로 벌어집니다.

AI 시대의 승자는 AI를 가진 자가 아니라, AI로 만든 훌륭한 소프트웨어를 가진 자입니다. 그것이 AI 시대 우리 회사가 변화하지 못하는 이유이자, 우리가 나아가야 할 방향입니다.

당신의 목소리를 들려주세요

12월에 발행될 'AI 도입 리포트'에 여러분의 경험과 고민을 담고자 합니다. AI가 만들어내는 급격한 변화에 압박을 느끼는 분들이 많을 것입니다.

AI 전환을 시도하면서 겪은 어려움
자체 소프트웨어 구축 과정의 실제 경험
지금 가장 고민하고 있는 지점

여러분의 솔직한 이야기를 들려주세요. 현장의 생생한 목소리가 더 나은 인사이트를 만듭니다.

➡️의견 남기기

]]>

카피일까, 벤치마킹일까? 베끼지 않고 재해석하는 법

혹시 이런 고민 해보셨나요?

새로운 서비스를 기획할 때마다, 경쟁사의 성공 사례를 어디까지 참고해야 할지 헷갈린다.
“이건 카피일까, 벤치마킹일까?” 사이에서 균형을 잡기 어렵다.
벤치마킹 보고서는 많지만, 정작 우리 팀만의 방식으로 재해석하는 힘이 부족하다.
매번 “잘 만든 걸 참고했다”는 말로 시작하지만, 돌아보면 남의 성공을 그대로 복제한 건 아닐까 하는 불안이 남는다.

이번 글에서는 이러한 고민을 해본 기획자, PM, 전략 담당자들을 위해, ‘성공을 복제하지 않고 재해석하는 법’, 즉, 벤치마킹을 진짜 학습으로 바꾼 사례를 살펴보고자 한다.

‘망고노트’ 사태가 남긴 질문

<출처: 망고노트 링크드인>

2025년 9월, AI 회의록 서비스 ‘망고노트’가 사업 종료를 발표했다. 한때 엔비디아 인셉션 프로그램에 선정되며 기술력을 인정받았던 팀이었지만, 영국 스타트업 ‘그래놀라(Granola)’의 디자인과 코드를 그대로 가져왔다는 논란이 불거지며 결국 서비스를 내렸다.

망고노트 팀은 사과문에서 “처음엔 내부 학습용으로 만든 사이드 프로젝트였다”고 고백했다. 본업이 있는 개발자 몇 명이 모여 연습 삼아 시작한 프로젝트가 예상보다 빠르게 주목받았고, 그 과정에서 디자인 변경을 미루다 외부 공개까지 이어졌다는 것이다. 결과적으로 “시작부터 복제의 흔적이 있었던 서비스”로 남았다. 이 일은 스타트업 업계에서 가볍게 넘길 일이 아니었다. 요즘 대부분의 기업은 다른 서비스와 성공 사례를 참고한다. 그런데 어떤 팀은 그 과정을 통해 혁신을 만들고, 어떤 팀은 ‘베끼는 기업’이라는 낙인이 남는다.

그 차이는 어디서 생길까? 겉모습을 가져오는 것과, 성공의 이유를 이해하는 것은 전혀 다른 일이다. 겉모습을 따라 하는 건 쉽지만, 속을 이해하는 건 어렵다. 결국 중요한 건 ‘얼마나 빨리 베꼈는가’가 아니라 ‘얼마나 깊이 이해했는가’다. 망고노트 사태는 이 차이를 선명히 보여준 사건이었다. AI 스타트업들이 직면한 현실, ‘빨리 만들어야 살아남는다’라는 압박과, ‘차별화하지 않으면 존재 이유가 없다’라는 모순이 정면으로 부딪친 것이다.

이번 글은 바로 그 지점에서 출발한다. ‘우리는 어디까지 참고하고, 어디서부터 새로 만들어야 하는가?’ 이 질문에 답하기 위해, 우리는 ‘벤치마킹의 진화 4단계(The 4 Stages of Benchmark Evolution)’ 프레임워크를 통해 모방이 어떻게 학습으로, 학습이 어떻게 창조로 바뀌는지를 살펴볼 것이다.

<출처: 작가, GPT Image>

결국 혁신은 남의 아이디어에서 시작할 수 있지만, 그 아이디어를 자신의 언어로 다시 쓰는 순간 비로소 의미를 생긴다. 망고노트의 사례는 우리에게 묻는다. 지금 우리는 ‘따라 하는 팀’인가, ‘배워서 새로 만드는 팀’일까?

Copy vs Benchmark, 이름은 비슷하지만 길은 다르다

누구나 한 번쯤은 이렇게 말한다. “저 서비스처럼 만들면 잘 될 것 같아요.” 하지만 이 말 속에는 두 가지 길이 숨어 있다. ‘그대로 베끼는 길’과 ‘이유를 분석하는 길’이다.

<출처: 작가, GPT Image>

‘카피(Copy)’는 눈에 보이는 결과를 그대로 가져오는 것이다. 빠르게 비슷한 제품을 만들고, 시장 반응을 확인하며, 단기 성과를 얻는다. 겉으로는 효율적이고 영리해 보인다. 하지만 한 발만 더 들어가 보면, 그 기반엔 이해보다 속도가 앞선 선택이 있다. 결국 뿌리가 얕은 복제는 작은 변수에도 흔들리기 쉽다.

반면, ‘벤치마킹(Benchmarking)’은 다르다. 겉모습을 흉내 내는 대신, 그들이 왜 성공했는지를 분석한다. 디자인을 보기 전에 그 디자인이 만들어진 이유를, 기능을 보기 전에 그 기능이 등장한 맥락을 살핀다. 즉, 결과가 아니라 원리를 가져오는 일이다.

예를 들어보자. 스타트업이 경쟁사의 앱을 따라 만든다면 그것은 카피다. 하지만 그 경쟁사가 고객을 유지하는 이유, UI 배치가 전환율에 미치는 영향을 분석하고 이를 자사 환경에 맞게 바꾼다면, 그건 벤치마킹이다. 두 행동은 비슷해 보이지만, 출발점이 다르다.

<출처: 작가, GPT Image>

카피는 손이 먼저 움직인다. 벤치마킹은 머리가 먼저 움직인다. 전자는 결과를 재현하고, 후자는 과정을 이해한다. 결과적으로 하나는 ‘비슷한 무언가’를 만들고, 다른 하나는 ‘새로운 무언가’를 만든다. 하지만 실제 현장에서는 이 둘의 경계가 자주 흐려진다. 특히 스타트업 세계에서 “참고했다”는 말은 “베꼈다”와 “배웠다” 사이의 회색지대에 놓여 있다. 한쪽에서는 속도를 위해, 다른 한쪽에서는 생존을 위해 ‘영감’이라는 이름으로 모방이 반복된다.

문제는 복제가 아니라, 복제에 머무는 태도다. 카피는 출발점일 수 있다. 하지만 거기서 멈추면, 결국 다른 누군가의 길을 대신 걸을 뿐이다. 벤치마킹은 그 길을 참고하되, 자신의 방향을 새로 그린다. 결국 두 단어의 차이는 기술이 아니라 사고의 깊이에 있다. 카피는 눈앞의 형태를 가져오고, 벤치마킹은 그 형태를 만든 이유와 맥락을 가져온다. 그래서 한쪽은 빠르지만 금세 잊히고, 다른 한쪽은 느리지만 오래 남는다.

다음 장에서는 이 차이가 실제로 어떻게 드러나는지를 ‘벤치마킹의 진화 4단계(The 4 Stages of Benchmark Evolution)’를 통해 구체적으로 살펴보자. 그 단계 속에는 우리가 흔히 놓치는 질문이 숨어 있다.

“지금 우리는 남의 것을 흉내 내고 있는가, 아니면 배워서 새로 만들고 있는가?”

벤치마킹의 진화 4단계

누군가는 결과를 복제하고, 누군가는 원리를 이해해 새롭게 만든다. 이 차이를 구체적으로 나누면 ‘벤치마킹의 깊이’로 설명할 수 있다. 벤치마킹은 한 가지 행동이 아니다. 그 깊이에 따라 네 단계로 진화한다. 표면을 베끼는 단계에서 출발해, 원리를 재해석하고 새로운 시장을 만드는 단계로 나아간다.

이 프레임워크는 단순한 구분표가 아니라, 기업이 지금 어디에 서 있는지 돌아보게 하는 거울이다.

<출처: 작가>

① 복제형(Copy)

<출처: 망고노트, 그래놀라 공식 홈페이지>

복제형은 가장 빠르지만 가장 짧게 끝나는 단계다. 망고노트처럼 눈에 보이는 디자인과 코드를 그대로 가져와 서비스를 만드는 방식이다. 초기 반응은 빠를 수 있다. 하지만 결국 신뢰를 잃고 시장에서 사라진다. 결과를 가져오는 것에 그쳤기 때문이다. 복제형의 문제는 ‘무엇을 만들었는가’보다 ‘왜 만들었는가’를 모른다는 점이다.

② 응용형(Adaptive)

<출처: 카카오페이손해보험 링크드인>

응용형은 단순 복제를 벗어나, 성공 모델을 살짝 변형하는 단계다. 예컨대, 카카오페이손해보험의 UX를 경쟁사가 유사하게 구현하면서 논란이 됐던 사례가 있다. 응용형은 시장 반응을 빠르게 얻을 수 있지만, 차별화가 약하다. 결국 남의 설계를 조금 바꾼 결과물에 머물 가능성이 높다. 하지만 이 단계는 중요한 의미가 있다. 복제의 한계를 깨닫고 “우리 방식은 무엇인가”를 고민하기 시작하는 지점이기 때문이다.

③ 학습형(Learning)

<출처: 현대자동차그룹 스토리>

학습형은 단순 변형을 넘어 성공의 원리를 내재화하는 단계다. 1970~1990년대 현대자동차와 미쓰비시의 관계가 그 전형적인 사례다. 현대차는 처음엔 미쓰비시로부터 엔진과 변속기 등 핵심 기술을 배웠다. ‘포니’ 개발 당시에는 부품을 들여와 조립하는 수준이었지만, 그 과정에서 생산관리·품질관리·대량생산의 시스템적 원리를 학습했다.

1980년대에는 단순 도입에서 벗어나 활용과 공동개발로 진화했다. 미쓰비시 기술을 그대로 쓰지 않고, 현대차의 환경에 맞게 조정하며 점차 자립도를 높였다. 결정적 변화는 1990년대 초반, 현대차가 엔진 국산화에 성공하며 미쓰비시 의존에서 벗어난 것이다. 이 시점부터는 일본식 생산방식을 그대로 따르지 않고, 노사 구조에 맞는 ‘모듈화·자동화 중심의 자체 생산방식’을 확립했다. 즉, 현대차는 배운 것을 그대로 옮긴 것이 아니라, 이해하고 소화해 자기 언어로 바꾼 기업이었다.

④ 창조형(Creative)

<출처: 네스프레소 공식 홈페이지>

창조형은 완전히 새로운 시장을 여는 단계다. 네스프레소는 커피 브랜드였지만, 아이디어의 출발점은 화장품 매장이었다. “제품이 아니라 경험을 판다.” 이 한 문장이 커피 문화를 바꿨다. 커피머신 기능보다 고객의 체험에 집중하면서, 커피를 파는 브랜드에서 경험을 디자인하는 브랜드로 진화했다. 창조형 벤치마킹은 타 산업의 원리를 가져오되, 그대로 쓰지 않는다. 남의 방식을 흡수해 자신만의 시장 논리로 바꾸는 과정이다. 이 단계에 도달한 기업은 더 이상 ‘누구처럼’이라는 말로 설명되지 않는다. 새로운 기준을 만드는 팀이 된다.

결국 이 네 단계는 시간의 순서가 아니라 사고의 깊이를 보여준다. 복제형에서 창조형으로 갈수록, 중요한 건 기술이 아니라 ‘이해의 밀도’다. 많은 기업이 복제형과 응용형 사이에서 멈춘다. 그러나 진짜 경쟁력은 학습형과 창조형에서 만들어진다. 남의 성공을 흉내 내는 데서 멈추지 않고, 그 원리를 자기 언어로 해석해 내는 기업만이 오래 살아남는다.

다음 장에서는 이 네 단계가 실제로 어떻게 나타나는지를 각 사례를 중심으로 구체적으로 살펴본다. 그 과정에서 우리는 한 가지 질문에 다시 마주하게 된다.

“지금 우리 팀은 어느 단계에 머물러 있는가?”

경계가 흐려지는 이유: 왜 우리는 자꾸 카피를 정당화할까?

복제와 벤치마킹의 차이는 머리로는 알지만, 현실에선 자주 뒤섞인다. 특히 빠르게 움직여야 하는 산업일수록 그 경계는 더 흐려진다. “참고했다”는 말은 어느새 “조금 베꼈다”와 같은 뜻이 되고, “영감을 받았다”라는 말은 “거의 그대로 가져왔다”라는 핑계가 된다. 그 이유는 단순하지 않다.

<출처: 작가>

첫째, 속도의 압박 때문이다.
스타트업에게 시간은 생명이다. 남보다 늦게 출시하면 기회가 사라지기에, 검증된 모델을 빠르게 복제하는 유혹이 커진다. 하지만 속도를 이유로 본질을 건너뛰면, 결국 시장에 똑같은 제품만 남는다.

둘째, 문화적 습관의 영향이다.
한국 기업들은 오랫동안 ‘벤치마킹의 나라’로 불려 왔다. 배우고 따라잡는 능력은 세계 최고지만, 그 과정에서 ‘창조의 단계’로 넘어가는 시도를 종종 잊는다. “빨리 배우는 게 잘하는 것”이라는 인식이 “빨리 베끼는 것도 괜찮다”로 변질되기 쉽다.

셋째, 법과 제도의 한계다.
UI, UX, 비즈니스 모델은 법적으로 보호받기 어렵다. 그래서 “법 위반은 아니다”라는 말로 도덕적 논란을 덮는 경우가 많다. 하지만 시장은 법보다 냉정하다. 고객은 결국 ‘비슷한 것’이 아닌 ‘진짜 다른 것’을 선택한다.

마지막으로, 힘의 비대칭이 존재한다.
자본과 인력이 풍부한 대기업은 신생 기업의 아이디어를 복제해도 법적·경제적 부담이 적다. 이 불균형이 반복되면, “카피도 전략이다”라는 잘못된 학습이 업계 전반에 퍼진다.

결국 우리는 이렇게 자꾸 경계를 흐리며 스스로를 설득한다. “이건 베낀 게 아니라 효율이야.”, “시장 진입을 위한 전략일 뿐이야.”라고 말이다. 하지만 진짜 문제는 모방 자체가 아니라, 거기서 멈추는 태도다. 속도를 이유로 원리를 생략하는 순간, 기업은 성장 대신 반복에 갇힌다. 혁신은 모방에서 시작할 수 있지만, 그다음 단계로 나아가려는 의지가 없으면 아무 의미가 없다.

카피하지 않으려면 무엇을 해야 할까?

비슷한 시장, 비슷한 고객, 비슷한 기술 속에서도 어떤 팀은 유사해 보이고, 어떤 팀은 전혀 다르게 보인다. 그 차이는 속도가 아니라 질문의 깊이에서 생긴다. 아이디어는 누구나 낼 수 있지만, 그 아이디어가 진짜 ‘우리의 것’이 되려면 묻고, 검증하고, 다듬는 과정이 필요하다.

다음 다섯 가지 질문은 현업에서 ‘이건 카피일까, 벤치마킹일까?’를 스스로 점검할 수 있는 체크리스트이다.

<출처: 작가>

① 이 아이디어는 우리 고객의 문제를 해결하는가?

성공 사례를 참고할 때 가장 흔한 실수는 ‘고객’이 아니라 ‘사례’를 중심에 두는 것이다. 남의 성공은 그들의 고객을 위한 것이지, 우리의 고객을 위한 것은 아니다. 벤치마킹의 시작은 ‘어떤 서비스가 잘됐는가’가 아니라, ‘우리 고객이 이 서비스가 필요한 이유가 무엇인가’여야 한다.

② 참고한 대상의 핵심 원리를 이해했는가?

표면만 보고 따라 하면 모양은 달라도 결과는 같다. 벤치마킹의 목적은 복제가 아니라 작동 원리의 이해다. 그 기능이 왜 존재하는지, 어떤 문제를 해결하는지, 그 맥락을 이해하지 못한 채 구현하면 결국 다른 문제를 낳는다.

③ 우리가 추가한 차별화 포인트는 무엇인가?

차별화 포인트는 거창한 혁신이 아닐 수도 있다. 하나의 워딩, 하나의 기능 구조, 하나의 사용자 흐름이라도 “이건 우리 팀만의 선택이다”라고 설명할 수 있다면 충분하다. 그 작은 차이가 복제와 재해석을 가르는 결정적 기준이 된다.

④ 설명이 필요한가, 변명이 필요한가?

아이디어를 제안하거나 결과물을 리뷰할 때, “이건 어디서 본 것 같다”는 피드백이 나올 수 있다. 그때 우리는 설득하고 있는가, 아니면 해명하고 있는가? 설명은 방향을 공유하는 것이고, 변명은 흔적을 감추는 것이다. 만약 해명에 가깝다면, 이미 벤치마킹이 아닌 카피로 가고 있는 상태다.

⑤ 이 결과물을 처음 보는 사람이 ‘우리답다’고 말할 수 있는가?

브랜드는 결국 ‘다름의 언어’다. 아무리 완성도가 높아도, 우리만의 철학이나 톤이 느껴지지 않으면 그건 그냥 또 하나의 복제품일 뿐이다. 처음 보는 사람이 “이건 그 회사 스타일이네”라고 말할 수 있다면, 그건 이미 카피가 아닌 해석된 결과물이다.

이 다섯 가지 질문은 개인의 감각이 아니라 팀의 의사결정 기준으로 자리 잡을 때 더 큰 힘을 가진다. 아이디어 회의나 벤치마킹 리뷰 때, 다음과 같은 루틴을 만들어보자.

회의 안건에는 ‘무엇을 참고할까’가 아니라, ‘왜 참고해야 하는가’를 함께 기록한다.
기획 문서에는 반드시 ‘참고 대상’과 ‘차별 포인트’를 함께 기록한다.
유사 서비스 비교표에는 ‘복제 위험도’ 항목을 추가한다.
프로젝트 리뷰 시, “이 부분이 남의 것처럼 보이지 않게 하려면?”을 질문으로 남긴다.

복제를 피하려면 남의 답을 가져올 게 아니라, 우리 팀만의 질문을 세워야 한다. 같은 시장과 기술 속에서도 다른 결과가 나오는 이유는 프로덕트 기획에 쓰이는 생각의 깊이에 있다. 결국 차별화는 선택의 문제가 아니라, 이해의 결과다.

마치며

모든 혁신은 모방에서 출발할 수 있다. 하지만 거기서 멈추면, 남의 궤적을 되풀이할 뿐이다. 카피는 손으로 할 수 있지만, 벤치마킹은 마음가짐으로만 가능하다. 망고노트의 사례는 그 경계를 분명히 보여줬다. ‘빠르게 만들자’는 의지는 있었지만, ‘왜 만들까’라는 질문은 부족했다. 그 결과, 기술은 있었지만 이유는 없었다. 그들의 실패는 단순히 법이나 윤리의 문제가 아니라, 방향성 없는 속도가 만들어낸 구조적 한계였다.

반대로, 현대자동차와 네스프레소는 망고노트와는 다른 길을 걸었다. 그들은 남의 방식을 가져오되, 그 속에서 자신만의 원리를 찾아냈다. 즉, 배운 것을 자신들의 고객에 최적화한 기업이었다. 그 차이가 바로 카피와 벤치마킹의 경계다. 지금 기업들에게 필요한 건 ‘더 빨리 베끼는 법’이 아니라, ‘고객을 더 깊이 이해하는 법’이다. 누구보다 빠르게 만들어도, 남과 다르게 생각하지 않으면 결국 같은 곳에 멈춘다. 속도보다 중요한 건 방향이고, 기술보다 중요한 건 이유다.

이번 글에서 살펴본 ‘벤치마킹의 진화 4단계’는 지금 우리가 어느 단계에 서 있는지를 묻고, 다음 단계로 넘어가기 위해 무엇을 버리고, 무엇을 새로 만들어야 할지를 생각할 수 있게 돕는다. 결국 혁신은 남의 아이디어에서 시작할 수 있지만, 그 아이디어를 자신의 언어로 다시 쓸 때 비로소 의미가 생긴다. 창조는 거창한 발명보다, 이해를 자기 것으로 바꾸려는 태도에서 비롯된다.

<참고>

체어퍼슨노트, 2013.02.18, 현대경제연구원
망고노트 공식 링크드인
Granola 공식 홈페이지
“완전히 똑같네”…삼성화재, 카카오페이손보 여행자 보험 ‘표절’ 의혹, 2024.06.21, 동아일보
포스트 '수출규제' 시대의 한일 경제관계, 2021.02.15, 학술지(일본비평)

]]>

2026년 B2B 시장을 리드할 12가지 메가 트렌드

안녕하세요! 해외 IT 소식을 전하는 트파원입니다.

안녕하세요! 최신 IT 트렌드와 인사이트를 전해드리는 블로거입니다. 오늘은 시장조사 기업 스타트어스 인사이트(StartUs Insights)가 최근 발표한 '2026년 B2B 핵심 트렌드' 보고서를 깊이 있게 들여다보려고 합니다.

이 보고서가 특별한 이유는 단순한 예측이 아니라, 900만 개 이상의 신흥 기업과 2만 개 이상의 기술 트렌드를 AI와 빅데이터로 분석한 실증적 데이터를 바탕으로 작성되었다는 점인데요. 그럼 기업들이 2026년을 대비해 지금부터 준비해야 할 12가지 핵심 트렌드를 하나씩 살펴보겠습니다.

1. AI 코파일럿과 에이전틱 워크플로우: 파일럿을 넘어 실전으로

스타트어스 인사이트가 제시한 2026년 B2B 핵심 트렌드 1번, 'AI 코파일럿'입니다.

AI가 단순 프롬프트를 넘어 (공급망, 재무에서) 반자율적으로 실행되는 단계까지 왔죠. 근데 진짜 문제는 이겁니다. "그래서 '돈'은 벌었나?"AI '파일럿' 돌려보는 거랑, 실제 '손익(P&L)'에 도움이 되는 거랑은 완전 다른 얘기라는 거죠.

맥킨지 2024년 조사에 따르면, GenAI를 '제대로' 쓰는 기업은 고작 11%밖에 안 됩니다. 하지만 동시에 맥킨지는 AI가 고객센터 생산성을 30~45% 높일 수 있다고 봐요. 이건 '데모'만 돌릴 게 아니라 '제대로' 배포해야 가치가 나온다는 뜻이죠.

도입 속도는 엄청납니다. 포레스터 리포트에 따르면, 정보 근로자의 51%가 M365 코파일럿을, 51%가 챗GPT 엔터프라이즈를 도입 중이래요. 특히 '에이전틱 시스템'은 통제만 되면 폭발적으로 성장 중입니다. 세일즈포스의 H-1 2025 에이전틱 인덱스는 생성된 AI 에이전트가 119% 늘고, 완료된 작업은 매월 80%씩 늘어난다고 보고하고 있어요.

하지만 가트너는 경고도 합니다. 이런 AI 프로젝트의 40% 이상이 '중단'(Abandoned)될 거랍니다. 치솟는 비용, 불명확한 ROI, 통제 불가능한 리스크 때문이죠. 쉽게 말해, AI가 '정확하다'는 건 알겠는데, "그래서 얼마 벌어다 주는데?"라는 질문에 답을 못하면 다 버려진다는 겁니다. 이젠 구매자들도 '결정 피로'를 느끼고요.

2. B2B 마켓플레이스의 폭발적 성장: 2.64조 달러 시장의 재편

B2B 마켓플레이스는 지금 가장 빠르게 성장하는 디지털 채널이에요. 2024년 B2B 이커머스 매출이 2조 6,400억 달러로 뛰었고, 마켓플레이스만 35% 성장해서 기존 유통 포털을 제쳐버렸습니다.

Source:Digital Commerce 360

특히 이 성장을 이끄는 건 '클라우드 마켓플레이스'(AWS, Azure, Google)입니다. 기업 소프트웨어 시장은 이쪽으로 완전 넘어오고 있어요. 왜냐? 조달 프로세스가 간편해지고, 이미 약정한 '클라우드 예산'을 여기서 쓸 수 있거든요. Canalys는 2025년까지 이 시장이 450억 달러가 넘을 거라고 하죠.

판매자한테도 완전 '꿀'입니다. 딜 사이즈는 더 커지고, 영업 주기는 더 빨라진대요(Tackle). 구매자도 대환영이죠. 포레스터 리포트를 보니, AWS 마켓플레이스를 썼더니 조달 주기가 무려 67%나 단축됐답니다.

마켓플레이스는 이제 '결제 옵션'이 아니라, B2B의 '1급 채널'이 됐다는 얘기입니다!

3. 디지털 셀프서브의 진화: 50만 달러 거래도 온라인으로

이젠 B2B에서도 '셀프 서비스'가 트렌드입니다. "영업사원 없이 저희끼리 볼게요"라는 거죠.

맥킨지 조사를 보니, B2B 구매자의 39%가 50만 달러(6억 이상) 넘는 주문을 "영업사원 없이" (원격/셀프 서비스) 구매할 의향이 있다고 합니다. 2년 전엔 고작 28%였는데, 이젠 고액 결제도 온라인으로 넘어간 겁니다. 이미 B2B 매출의 34%가 디지털 채널에서 나오고 있고요.

근데 왜 그럴까요? 가트너 조사에 따르면, B2B 구매자의 77%가 구매가 "매우 복잡하거나 어려웠다"고 해요. 구매를 하는 데만 평균 6~10명이 붙는다고도 하고요. 그래서 또다른 가트너 조사에서는, 구매자의 61%가 아예 "영업사원 없는(rep-free)" 경험을 선호한다고도 했습니다.

하지만 리스크가 크거나 법적 문제가 끼면 여전히 전문가의 도움은 받고 싶어 합니다. 이 또한 매우 중요하죠.

Source:McKinsey & Company

그래서 "일단 디지털-퍼스트"로 편하게 놔두고, "꼭 필요할 때만 영업이 돕는(sales-assisted)" 전략이 유효해질 전망입니다. 실제로 이 '디지털+영업지원' 조합이 할인 없이도 억대 딜 전환율을 높인다고 하네요.

4. RevOps 자동화와 세일즈 인에이블먼트의 융합

여기서도 놀라운 통계가 나옵니다. Xactly의 2024년 벤치마크에 따르면, 판매 조직의 단 20%만이 예측 정확도 ±5% 이내를 달성한다고 합니다. 이런 부정확한 예측은 곧바로 현금 흐름 문제로 이어지죠.

게다가 평균적인 조직이 275개의 SaaS 앱을 관리하고 있으며, 연간 SaaS 지출이 4,900만 달러(직원 1인당 4,830달러)에 달한다는 사실도 충격적입니다. 이런 도구 난립은 영업 담당자의 실제 판매 시간을 잠식하는 주범이죠.

Source: Zylo’s2025 SaaS Management Index

이러한 예측 실패와 도구 난립 문제를 해결하기 위해 RevOps(수익 운영)와 세일즈 인에이블먼트가 통합되고 있습니다. Gartner도 RevOps를 '엔드투엔드 접근 방식'으로 재정의하며, 예측, 코칭, 콘텐츠 관리가 하나의 플랫폼으로 합쳐지는 추세입니다.

결국 구매자들은 '또 다른 툴'이 아닌, 예측과 실행을 한 번에 해결하는 통합 솔루션을 원합니다. 쉽게 말해, 이제 "왜 예측이 틀렸지?"와 "영업 사원이 뭘 놓쳤지?"를 한 플랫폼에서 다 볼 수 있게 된다는 얘기입니다!

5. 구독 및 사용량 기반 모델의 대세화

B2B 소프트웨어 가격 모델도 변화하고 있습니다. 라이선스를 일시적으로 구매하는 시대는 가고, '구독'과 '사용한 만큼(UBP)' 내는 시대가 왔어요. OpenView 벤치마크에 따르면, 이미 SaaS 기업의 61%가 어떤 형태로든 사용량 기반 요소를 도입했습니다(15% 완전 도입, 46% 하이브리드).

Source:OpenView Venture Partners

이러한 흐름은 Zuora의 2025년 지수에서도 입증되는데요, 구독 모델을 채택한 기업이 전체 시장보다 11% 더 빠르게 성장하며 실제 성과를 보여주고 있습니다.

이유는 간단하죠. 고객은 초기 비용 부담 없이 쓴 만큼만 내고 싶고, 기업은 예측 가능한 매출(ARR)을 확보할 수 있으니까요. 실시간 결제나 가상 카드 같은 인프라까지 받쳐주니, B2B도 "쓴 만큼 낸다"가 표준 비즈니스 모델이 되고 있다는 얘기입니다.

6. ABM 2.0: 퍼스트파티 데이터와 클린룸의 시대

ABM(계정 기반 마케팅)도 달라지고 있습니다. 예전처럼 고객 리스트를 광고 플랫폼에 통째로 올려서 광고 돌리던 시대는 끝났어요. 이젠 '개인정보를 보호하면서' 데이터를 협업하는 방식으로 진화 중입니다.

여기서 재밌는 게 있어요. 구글이 2025년에 서드파티 쿠키 없앤다고 했다가 갑자기 '잠시 보류!'를 외쳤잖아요? (참고: 구글은 ‘서드 파티 쿠키 중단’을 왜 중단했을까?)

그런데 그것이 의미가 없어졌습니다.구글이 롤백을 하든 말든, 업계의 무게 중심은 이미 '퍼스트 파티 데이터(자사 데이터)'와 '데이터 클린룸(DCR)'으로 옮겨갔거든요. 이게 새로운 표준이 된 거죠.

통계가 이걸 증명합니다. IAB 2023년 보고서에 따르면, 프라이버시 기술을 도입한 기업의 64%가 이미 데이터 클린룸을 쓰고 있어요. (2025년 리테일 업계 조사는 66%!) 물론 문제는 '돈'입니다. 이 클린룸이라는 게 만만치가 않아요. 62%의 사용자가 연간 최소 20만 달러를 쓰고 있고, 23%는 50만 달러 이상을 태우고 있다고 해요요요. 구축하는 데만 몇 달에서 2년이 걸리고요.

그래서 똑똑한 B2B 기업들은 처음부터 비싼 시스템을 구축하기보다, 일단 '클라우드 네이티브' 클린룸을 선택하며 이 흐름에 올라타고 있다고 합니다.

7. 옴니채널 구매자 지원의 복잡성

B2B 구매 프로세스는 좀 복잡합니다. 가트너 조사에 따르면, 이젠 구매에 평균 6~10명이 붙고, 77%가 "미치도록 복잡했다"고 힙니다. 이젠 구매자들이 "우리가 알아서 할게!" 모드라, 판매자는 '파는' 게 아니라 '쉽게 돕는' 역할로 바뀌었습니다.

게다가 신뢰 기준도 바뀌었어요. 이젠 '애널리스트 보고서'가 아닙니다. 구매자의 54%는 '기존 사용자'와 직접 대화하고, 77%는 '사용자 리뷰'부터 뒤진다고 합니다. 이런 '진짜 후기' 없으면 판매가 어려운 거죠.

설명은 '영상'이 표준입니다. 기업의 89%가 이미 비디오를 쓰고(Wyzowl), 링크드인 B2B 숏폼 조회수도 36%나 뛰었어요. B2B 구매자들이 인플루언서 콘텐츠를 본다는 거죠.

Source: Wyzowl’sVideo Marketing Statistics 2025

그런데 B2B 콘텐츠는 사람들에게 도움이 될까요? 2024년 디멘드젠의 리포트에 따르면 51%가 '너무 뻔하다'고, 또 51%는 '접근이 귀찮다'고 화냅니다. (이메일, 전화번호... 아시죠?) 하지만 72%의 구매자는 '쉽고 유용한' 콘텐츠는 적극 공유한다고 하니, 핵심은 간단합니다: '도움되는 걸, 귀찮지 않게' 주면 됩니다.

8. 산업 클라우드 플랫폼(ICP)의 부상

클라우드 시장도 완전히 새 판이 짜이고 있습니다. 예전처럼 '빈 땅(인프라)'만 빌려주던 시대는 끝났어요. 이젠 '산업별 맞춤형 완제품(ICP, 산업 클라우드 플랫폼)'이 대세입니다.

가트너 예측이 놀라운데요, 2023년에 15%도 안 되던 ICP 도입률이 2027년엔 70%를 넘길 거랍니다. 이건 클라우드의 가치가 '단순 인프라'에서 '산업별 성과'로 넘어간다는 뜻이죠.

세일즈포스가 벌써 '산업별 클라우드'를 15개나 내놨다고 해요. 여기엔 금융이면 금융, 헬스케어면 헬스케어에 딱 맞는 데이터 모델과 AI 에이전트(보험 청구 처리기 같은 거)가 아예 세팅돼 있습니다.

핵심은 이겁니다. 임원들이 이제 밑바닥부터 개발하는 대신, '미리 구성된 비즈니스 변화'를 그냥 '구매'할 수 있게 됐다는 거죠. 맥킨지도 2030년까지 클라우드 가치가 3조 달러가 될 거라는데, 이게 다 '리프트 앤 시프트(단순 이전)'가 아니라 '도메인 현대화(산업 특화)'로 가고 있기 때문입니다.

9. 공급망 리스크와 니어쇼어링의 가속화

이스라엘-하마스 전쟁으로 홍해를 우회하게 되면서 아시아-유럽 간 물동량이 15~20%나 줄었습니다. 운송 시간과 비용은 당연히 폭등했고요. 세계은행(World Bank)도 2025년 세계 무역 성장률 전망치를 고작 1.8%로 낮췄습니다. (1월 전망치에서 1.3%p나 깎은 )

글로벌 공급망이 이렇게 위태로운 동안, 북미는 '자체 생산' 모드로 돌아서고 있습니다.

2024년 멕시코가 캐나다와 중국을 제치고 미국의 최대교역 파트너가 됐습니다. (무려 8,400억 달러 규모) 미국 내 제조업 건설 투자도 EV랑 반도체 보조금(CHIPS/IRA) 덕분에 2021년 790억 달러에서 2024년 2,360억 달러로 3배 가까이 폭증했어요.

멕시코로 쏟아지는 외국인 직접 투자(FDI)도 2025년 1분기에 213억 7천만 달러로 사상 최고치를 찍었습니다. (신규 투자가 전년 대비 165%증가)

이게 의미하는 것은 무엇일까요? 리더들은 더 이상 '생산지는 여기!'라고 못 박아둘 수가 없다는 겁니다. 이젠 '공급망 중단'을 상수로 놓고, 관세나 지정학적 리스크가 터질 때마다 바로 바꿀 수 있는 '거점 포트폴리오'를 짜야 한다는 얘기입니다.

10. 엣지 인텔리전스와 IoT의 확산

더불어 이젠 '엣지(Edge)'가 대세입니다. 예전처럼 모든 데이터를 느리고 비싸게 중앙 서버로 보낼 이유가 없어진 거죠.

기업들이 지연 시간(latency)을 줄이고 데이터 전송 비용(backhaul cost)을 아끼려고, 아예 분석과 제어 기능을 '현장'(엣지)으로 밀어내고 있습니다.

이게 얼마나 커지는지 보여주는 신호가 2개 있습니다.

첫째, 돈입니다.IDC를 보니 2025년 엣지 솔루션 지출액이 무려 2,610억 달러. 이게 2028년엔 3,800억 달러까지 뛴대요. (연평균 13.8% 성장)
둘째, 기기 수입니다. 2025년이면 전 세계에 198억 개의 IoT 기기가 깔린답니다.

이는 현장에서 어마어마한 데이터를 5G 사설망(GSMA 예측) 같은 걸로 바로바로 처리해서(컴퓨터 비전, 기계 원격 측정 등), 더 빠른 결정을 내린다는 겁니다. 데이터가 '중앙'이 아니라 '현장'에서 일하게 되는 거죠.

11. AI 거버넌스와 신뢰, 그리고 보안 위협

이제 AI는 이사회가 '재무 보고' 수준으로 관리해야 하는 '규제 폭탄'이자 '평판 리스크' 그 자체가 됐어요.

이미 EU AI 법이 2026년 8월 전면 시행을 앞두고 있습니다 (일부는 2025년부터 이미 시작됐고요). 여기서 벌금이... 정말 살벌합니다. 위반하면 최대 3,500만 유로, 아니면 전 세계 매출의 7%를 때려 맞습니다. 이건 EU에서 사업 안 해도, EU 시민에게 영향을 주면 다 걸리는 사실상 '글로벌 스탠더드'가 된 겁니다.

왜 이렇게까지 하냐고요? AI가 '사기'에도 너무 잘 쓰이거든요. AI 기반 소셜 엔지니어링은 물론이고, 2,500만 달러(약 330억)짜리 '딥페이크 화상회의 사기' 사건이 실제로 터졌죠. 임원 얼굴을 복제해서 돈을 빼돌렸죠.

통계를 봐도 이런 딥페이크 시도가 매년 폭증하고 있고, 이젠 비디오보다 더 빠르고 싼 '오디오 딥페이크'가 주범이 되고 있습니다. AI의 '신뢰'와 '보안'이 핵심이 됐다는 의미입니다.

12. 제로 트러스트와 소프트웨어 공급망 보안

'보안'은 이제 진짜 '필수'가 됐어요. 이사회(Board)에서 '제로 트러스트'와 '소프트웨어 출처 검증(Provenance)'이 이젠 옵션이 아니라 '기본값(Table stakes)'이 되었습니다.

3가지 힘 때문입니다. 구매자들의 압박, 출처를 증명하라는 기대, 그리고... 가장 무서운 '정부 규제'입니다.

미국 CISA가 2024년 3월에 '보안 소프트웨어 개발 증명서(SSDF, Secure Software Development Attestation Form)'를 공식화했어요. 이젠 정부 기관에 납품하려면 "우리 이렇게 안전하게 만들었어요"라고 (NIST 기준에 맞춰) 스스로 증명해야 합니다. 사실상 '구매 조건'이 된 거죠.

유럽은 더 강력합니다. 2024년 12월에 발효된 EU '사이버 복원력 법(CRA, Cyber Resilience Act)'은 '설계부터 보안(secure-by-design)'을 아예 법으로 못 박아버렸죠. (2026년 9월부터 시작, 2027년 12월 전면 시행)

근데 현실은 어떨까요? 2025년 6월 조사결과 보안 리더의 48%가 EU CRA 같은 규제가 요구하는 'SBOM(소프트웨어 자재 명세서)' 표준을 못 따라가고 있다고 '자백'했습니다. 독일 기업은 고작 12%만 SBOM을 제대로 갖췄다고 하네요.

기업의 준비가 미흡하더라도, 이젠 구매자들이 "너네 소프트웨어 뭘로 만들었는지 증명해!"라고 서류(검증 가능한 아티팩트)를 요구할 겁니다. 리스크 떠안기 싫으니까요. '믿고 쓴다'는 시대는 끝났다는 걸 보여주는 트렌드입니다.

마무리하며: 변화의 속도가 곧 경쟁력

스타트어스 인사이트의 이번 보고서는 3,100개 이상의 산업 리포트와 900만 개 이상의 신흥 기업 데이터를 분석한 결과물입니다. 단순 예측이 아닌 데이터 기반 인사이트라는 점에서 무게감이 있죠. 스타트어스 인사이트의 보고서 전문이 궁금하신 분들은 직접 찾아보시면 더 자세한 KPI와 실행 방안을 확인하실 수 있을 거예요.

이 12가지 트렌드는 따로 떨어져 있는 게 아니라 서로 톱니바퀴처럼 맞물려 돌아갑니다. AI 코파일럿이 뜨니까 AI 거버넌스가 중요해지고, B2B 마켓플레이스가 크니까 디지털 셀프서브랑 결제 시스템이 받쳐줘야 하죠.

그럼 우리 한국 기업들의 '숙제'도 명확해집니다. 글로벌 트렌드를 빠르게 흡수하되, 국내 시장 특성과 규제 환경을 고려한 현지화 전략을 병행해야 합니다. EU AI 법뿐 아니라 국내 AI 가이드라인도 숙지해야 하고, B2B 마켓플레이스 전략 수립 시 국내 대기업 구매 프로세스의 특성도 반영해야 하죠. 여러분의 조직은 이 12가지 트렌드 중 몇 개나 준비되어 있나요?

저는 개인적으로 'AI 코파일럿'과 '에이전틱 워크플로'가 진짜 일하는 방식을 뿌리부터 바꿀 거라고 봅니다. 물론 제대로 된 전략과 거버넌스가 뒷받침되어야겠지만요. 또 여러분은 이 중에서 어떤 트렌드가 가장 임팩트가 클 거라고 생각하시나요?

2026년, 진짜 코앞입니다! 내년 트렌드를 그냥 '아는' 데 그치지 않고, '성장'에 제대로 녹여내는 개인, 조직이 되시길 응원하겠습니다!

]]>

GPU 26만 장이 어떻게 대한민국을 AI 3강으로 만들까?

한국이 26만 장의 GPU를 확보하면서, 미국과 중국에 이어 세계 3위의 AI 연산 인프라 보유국으로 자리 잡았습니다. 이는 단순한 하드웨어 수입이 아니라, AI 시대의 새로운 국가 주권 인프라를 구축하기 위한 상징적 사건이죠.

이 글에서는 지금 시점, 이러한 GPU 확보가 갖는 경제적, 기술적, 지정학적 의미를 다각도로 분석해 보려고 합니다. 특히 반도체-제조-서비스-데이터로 이어지는 한국형 AI 풀스택의 경쟁력을 조명하며, 엔비디아가 주도하는 피지컬 AI(Physical AI) 시대에 한국이 로봇, 자동차, 스마트팩토리, 에너지 산업의 핵심 파트너로 부상하고 있는 흐름을 짚어보겠습니다.

GPU 26만 장으로 우리가 무엇을 할 수 있고, 어떤 기회와 도전이 기다리고 있는지, 그리고 그것이 앞으로 한국의 산업 구조와 기술 생태계에 어떤 전환점을 가져올지 살펴봅니다.

1. GPU가 ‘AI 시대의 국가 인프라이자 기술 주권’이 된 이유

최근 AI 시대의 패권은 누가, 질 좋은 GPU를, 더 많이 확보하느냐에 달려 있습니다. GPU는 이제 단순한 컴퓨터 부품이 아니라, 산업화 시대의 경부고속도로나 정보화 시대의 초고속 인터넷망과 같은 핵심 국가 전략 자산이 되었기 때문입니다.

<출처: unsplash>

왜 ‘엔비디아 GPU’가 AI의 핵심인가?

AI 딥러닝 모델을 훈련하는 과정은 본질적으로 수백만, 수십억 개의 행렬과 벡터 연산을 동시에 처리하는 작업입니다.

GPU는 이러한 대규모 연산을 수행하는 데 압도적인 효율성을 보입니다. 직렬 처리에 강한 CPU와 달리, GPU는 수천 개의 코어로 수많은 연산을 동시에 처리하는 병렬 연산에 최적화되어 있습니다. 이 구조가 AI 학습에 완벽하게 들어맞습니다.

한편, 그런 GPU 시장은 엔비디아(Nvidia)가 생태계를 독점하고 있습니다. 그 힘은 하드웨어 자체에서만 나오지 않습니다. 엔비디아는 AI 개발의 표준 언어가 된 CUDA를 비롯해, 관련 소프트웨어와 개발 도구, 클라우드를 아우르는 강력한 생태계를 구축했습니다. 경쟁사들이 하드웨어를 아무리 잘 만들어도, 수십 년간 축적된 엔비디아의 생태계를 대체하기는 사실상 불가능에 가깝습니다.

‘돈이 있어도 못 사는’ 전략 자산 GPU

이러한 GPU의 쓸모와 엔비디아의 독점적 지위는 전 세계에 GPU 확보 경쟁을 불러왔습니다.

우선 현재 GPU의 수요는 공급을 초과했습니다. 대략 수요가 공급의 5배에서 10배에 달하는 것으로 추정되기에, 말 그대로 ‘돈이 있어도 살 수 없는’ 상황입니다.

따라서 GPU 보유량은 곧 경쟁력으로 이어집니다. GPU를 확보하지 못하면 AI 모델 훈련 속도는 느려지고, 비용은 폭등하죠. 결국 서비스의 품질과 속도는 뒤처질 수밖에 없습니다.

더불어 하드웨어 종속의 위험도 존재합니다. 아무리 뛰어난 인재와 좋은 아이디어가 있어도 이를 구현할 GPU가 없다면, AI 생태계를 주도할 수 없습니다. 결국 지금의 AI 기술 주도권은 ‘하드웨어를 가진 나라’가 쥐게 됩니다.

엔비디아 GPU 26만 장 확보는 ‘AI 주권’의 첫걸음

이러한 맥락 덕에 한국이 26만 장의 GPU를 확보한 것은 단순한 장비 도입을 넘어 ‘AI 연산 주권’을 확보했다는 상징적 의미를 갖습니다.

지금까지 한국이 확보한 GPU 물량은 세계적 규모입니다. 중형 국가 단위로는 세계 1위 규모이며, 실리콘밸리의 주요 빅테크 AI 기업들과 견줄 만한 수준입니다.

이는 다시 말해 주권적 AI(Sovereign AI) 체계를 구축할 기반을 마련했다는 말과 같습니다. 외국 클라우드에 의존하지 않고도, 자국의 데이터와 인프라로 AI를 개발하고 운영할 수 있게 되었죠.

또한 GPU 인프라 부족은 국내 최고 수준의 AI 인재들이 해외로 유출되던 가장 큰 원인 중 하나였습니다. 이제는 이들 역시 국내에서 세계적 수준의 연구와 개발을 수행할 환경이 조성되었습니다.

즉, 현재 시점의 GPU 확보는 단순한 기술 자원 확보를 넘어 AI 시대의 국가 안보와 산업 주권을 지키는 핵심 전략입니다. 한국은 ‘돈이 있어도 살 수 없는 GPU’를 선제적으로 확보함으로써 미래 기술 주권을 선점할 결정적인 기회를 잡았습니다.

2. ‘AI 풀스택 제조 국가’ 한국과 피지컬 AI

이번 GPU 확보를 AI 산업을 넘어 국내 산업 전체와 연결하려면, 지금까지 우리나라가 확보한 자산과 지정학적 가치를 알아야 합니다.

지금의 한국은 더는 단순 반도체 부품 공급 국가가 아닙니다. AI의 설계, 제조, 훈련, 그리고 제품화에 이르는 전 과정을 한 나라 안에서 완결할 수 있는, 미국이 신뢰할 수 있는 유일한 ‘AI 풀스택(Full-Stack) 제조 파트너’로 부상하고 있습니다. 특히, 챗봇을 넘어 현실 세계로 확장되는 피지컬 AI(Physical AI) 시대의 글로벌 리더로 나설 가능성을 주목받고 있습니다.

전 세계 유일한 AI 풀스택 생태계

AI 강국을 자처하는 국가는 많지만, AI 칩 설계부터 완제품 생산까지 모든 핵심 산업이 한 나라 안에 모여 있는 곳은 한국과 중국뿐입니다.

한국은 아래와 같이 반도체를 중심으로 한 수직 통합형 AI 생태계를 이미 구축했습니다.

설계: 삼성전자(Exynos, AI 칩 설계)
생산: 삼성전자 파운드리(AI 칩 제조)
메모리: 삼성전자, SK하이닉스(HBM·DDR 등 핵심 메모리 독점)
패키징: 한미반도체, 네패스, LB세미콘, SFA반도체 등 첨단 후공정 패키징 기업
네트워크: SK텔레콤, KT, LG유플러스 등 5G·6G 통신 인프라 운영사
AI 모델: 네이버(HyperCLOVA X), LG AI Research(EXAONE), 삼성리서치(Gauss)
완제품: 현대자동차(자율주행·로보틱스), 삼성전자·LG전자(가전·모바일), HD현대(조선·에너지)

이 모든 산업이 한 나라 안에서 끝난다는 점은 엔비디아와 같은 기업에 매우 매력적인 요소입니다. AI 칩을 설계하고 생산할 뿐 아니라, 이를 즉시 테스트하고, 심지어는 그 칩을 메모리와 결합해 가장 많이 삽니다. 마지막으로, 실제 제품에 탑재해 결과물을 내기도 하죠. 글로벌 빅테크의 이상적인 파트너입니다.

‘피지컬 AI’에는 왜 한국이 답일까?

한편, 최근 AI는 디지털 영역을 넘어, 로봇, 자율주행차, 스마트팩토리 등 물리적 세계로 확장되고 있습니다. 이것이 바로 피지컬 AI(Physical AI)입니다. 이를 구현하려면 소프트웨어 역량뿐만 아니라, 실제로 구현할 압도적인 제조업 기반이 필수적입니다.

현재 주요 국가의 상황은 아래와 같습니다.

<출처: 작가, Gemini로 생성>

미국: 소프트웨어(AI 모델)는 최강이지만, 제조업 기반이 부실합니다.
독일: 전통 제조업은 강하지만, AI·소프트웨어·디지털 전환이 더딥니다.
일본: 정밀기계와 로봇 하드웨어는 강하지만, 클라우드와 AI 생태계가 약합니다.
중국: 모든 것을 갖추었지만, 미국의 핵심 전략 경쟁 상대입니다.

여기서 한국의 진가가 드러납니다. 한국은 반도체와 같은 하드웨어, IT 기반의 소프트웨어, 그리고 자동차·로봇·조선을 아우르는 제조업 모두 세계 최상위 경쟁력을 갖춘 유일한 나라입니다.

엔비디아의 젠슨 황(Jensen Huang) CEO가 “한국은 당연히 피지컬 AI의 글로벌 리더가 될 수밖에 없다”고 말한 이유가 여기에 있습니다. 현대자동차가 자율주행과 로보틱스를 위해 대규모 GPU를 필요로 하듯, 엔비디아 역시 시뮬레이션 플랫폼인 옴니버스(Omniverse)와 코스모스(Cosmos)를 실제 장비와 결합할 파트너가 필요한 것입니다.

<출처: 중앙일보>

지정학적 보너스와 ‘아시아의 AI 수도’

무엇보다 한국은 미·중 기술 패권 경쟁의 최대 수혜국입니다. 만약 미·중 관계가 우호적이었다면, 미국 자본은 중국의 거대한 제조 생태계를 활용했을 것입니다. 그러나 미국 기업의 중국 진출이 전략적으로 봉쇄된 지금, 미국이 신뢰할 수 있는 민주주의 기반의 제조 파트너는 한국이 유일합니다. 조금 강조하자면, AI 시대의 하드웨어 생명줄이 한국에 있다고도 볼 수 있죠.

글로벌 AI 리더들도 이러한 한국의 전략적 가치를 인식한 듯한 발언을 하고 있습니다. 블랙록의 래리 핑크 회장은 “한국을 아시아·태평양 지역의 AI 수도로 만들기 위해 글로벌 자본을 동원하겠다”고 밝혔습니다. 오픈AI의 샘 올트먼 CEO는 한국 내 AI 전용 데이터센터 구축 가능성을 검토 중이며, 앤트로픽의 다리오 아모데이 CEO는 서울을 아시아·태평양 지역의 핵심 거점으로 선정했죠. 팔란티어의 알렉스 카프 CEO 역시 “한국은 미국 외 가장 흥미로운 시장”이라고 평가했습니다.

AI 혁명은 결국 메모리와 제조업이라는 물리적 토대 위에서 일어납니다. 한국은 이 두 가지를 모두 갖춘 나라입니다. 엔비디아의 기술적 야망과 실리콘밸리의 혁신은 한국의 HBM(고대역폭 메모리)과 제조 인프라 없이는 완성하기 어렵습니다.

3. 한국이 앞으로 집중해야 할 3대 전략 과제

당연하지만, 그 과정이 쉽지만은 않습니다. 특히 아래 3가지는 해결해야 할 핵심 과제가 됩니다.

국가 단위 파운데이션 모델과 ‘컴퓨팅 주권’ 확보

그동안 한국은 절대적으로 불리한 조건 아래 싸워왔습니다. 그러나 GPU 26만 장을 확보했기에 1천억(100B)에서 1조(1T) 파라미터 규모의 초거대 모델을 자국 내에서 직접 학습할 수 있는 하드웨어 기반이 생겼습니다.

GPU 수천 개만으로도 LG AI 리서치의 엑사원(EXAONE), 네이버의 하이퍼클로바X(HyperCLOVA X)가 세계 10위권 수준까지 성장한 기술에, 이제는 외부 인프라 의존 없이 완전한 자체 학습을 시도해 볼 수 있습니다.

이는 단순히 LLM을 개발할 수 있다는 의미를 넘어, 한국어 전용이나 멀티모달, 산업 특화형 AI 모델을 직접 개발할 수 있다는 뜻입니다. 또한, 기업별·산업별로 최적화된 파인튜닝(Fine-tuning) 플랫폼 구축, 실시간 학습과 추론이 가능한 클라우드형 LLM 운영도 시도할 수 있죠.

이처럼 GPU 확보는 곧 AI 스케일링 법칙(Scaling Law)에 참여할 수 있는 자격을 의미합니다. 세계 3위권의 컴퓨팅 자주권(Computing Sovereignty)을 확보한 상황에서, 국가 단위의 파운데이션 모델 개발이 곧 국가 경쟁력의 핵심 지표인 시대에 나설 수 있게 되었습니다.

‘AI+제조’ 기반 산업 르네상스와 피지컬AI

다시 한번 강조하지만, AI의 다음 단계는 텍스트와 이미지가 아닌, 물리적 세계(Physical World)로의 확장입니다. 그리고 이는 로봇, 자율주행, 조선, 공장 자동화 등으로 대표되는 탄탄한 제조 인프라가 뒷받침되어야 제대로 작동합니다.

그런 만큼, 한국의 최대 강점인 제조업을 AI와 연결해 강력한 무기로 만들어야 합니다.

제조업의 AI 전환: 현대차(자율주행, 로보틱스), LG(스마트팩토리), 삼성(가전) 등 제조 거인들이 AI를 탑재한 로봇, 자율주행, 스마트팩토리로 확장할 핵심 기반을 확보해야 합니다.
AI 시뮬레이션의 대중화: 중소 제조기업까지 엔비디아 옴니버스(Omniverse)와 같은 클라우드 기반 AI 시뮬레이션에 접근하여, 고비용의 물리적 테스트 없이도 공정을 혁신할 수 있어야 합니다.
정부 운영 GPU 클러스터 활용: 정부가 운영하는 GPU 클러스터 또한 공공 연구나 대학, 스타트업의 AI 연구를 넘어, 전 산업의 AI 시뮬레이션 테스트베드로 활용되어야 합니다.

이런 변화로 한국형 피지컬 AI 생태계가 본격적으로 정착되면, “AI가 직접 물건을 설계하고, 만들며, 공정을 최적화하는 구조”가 현실이 될 것입니다. 그리고 그것이 한국형 산업 르네상스의 실질적인 출발점입니다.

에너지/전력의 산업화와 ‘인프라 AI’ 수출

AI 데이터센터는 흔히 ‘전기 먹는 하마’로 불립니다. GPU 클러스터는 단일 산업 중에서도 가장 전력 집약적인 시스템으로, 이미 미국에서는 데이터센터 내에 소형 원자력 발전소를 건설하는 프로젝트가 추진될 정도입니다. 그런 만큼 AI 연산이 국가 전력 정책의 핵심 의제로 떠오르고 있죠.

우리나라 역시 대규모 GPU 데이터센터 확충과 함께 재생에너지 비율의 확대(10% 미만 → 30% 이상), 전력 부하 급등에 대응할 스마트 배전 시스템, AI 기반 전력 수요 예측 소프트웨어를 구축해야 합니다. 이러한 요소들은 모두 AI 인프라 시대의 필수 과제로 자리 잡고 있습니다.

한편, 이 막대한 에너지 소비 문제는 역설적으로 한국에게 새로운 수출 기회입니다.

한국은 이미 이 분야에서 상당한 경쟁력을 확보하고 있습니다. 변압기, 송전기, 배터리(ESS), 고압 케이블, 인버터, 직류 송전(HVDC) 등 세계 최고 수준의 전력 기자재 제조 기술력을 보유하고 있기 때문입니다.

따라서 지금의 경험을 잘 살린다면, AI 인프라를 구축하는 동시에, 그 인프라 자체를 수출할 수 있는 국가로 진화할 수 있습니다. 여기에 전력과 데이터센터가 지역 산업 벨트와 결합할 경우, 지방 경제 활성화에도 크게 기여할 수 있을 것입니다.

마치며: 준비된 산업에 AI라는 날개를 달다

이번 GPU 26만 장 확보는 결승선이 아니라 새로운 출발선입니다. 단순히 ‘세계 3위 수준’이라는 타이틀을 넘어, 산업화 시대의 경부고속도로에 비견될 AI 고속도로를 개통하고, 미래 경쟁력을 좌우할 ‘AI 기술 주권’을 확보했음을 선언하는 사건이기도 하죠.

이 거대한 연산 능력은 전 세계에서 유일무이한 한국의 AI 풀스택 제조 생태계와 결합해 더 강력해질 것입니다.

AI 시대의 경쟁은 ‘스케일링(Scaling)’과 ‘결합력(Integration)’에서 출발합니다. 우리는 이미 반도체, 제조, 서비스, 데이터로 이어지는 조합을 갖추고 있습니다. 세계 1위의 메모리 반도체, 강력한 제조업 기반, 그리고 고도화된 통신망과 전력 기자재 산업이라는 물리적 토대도 보유하고 있었죠. 26만 장의 GPU는 이러한 모든 잠재력을 하나로 묶어 폭발시킬 ‘점화 장치’와도 같습니다.

그렇게 국가 차원의 AI 모델을 고도화하고, 전력 인프라와 산업 시뮬레이션을 결합하면, 모델을 만드는 나라를 넘어 AI로 산업을 바꾸는 나라로 갈 수 있습니다.

이제 우리는 빠른 추격자(Fast Follower)에서 AI 혁신을 주도할 퍼스트 무버(First Mover)로 나설 자격을 확보했습니다. 미국과 중국에 이은 ‘AI G3’로 불릴 시작일지도 모르죠. 아시아·태평양의 AI 수도이자 피지컬 AI의 글로벌 허브라는 위치, 그곳으로 가기 위한 길의 서막이 이제 막 올랐습니다.

]]>

업비트 품은 네이버, 우리가 기대할 수 있는 5가지

‘검색’의 네이버가 이제 ‘금융’의 네이버가 된다. 네이버가 두나무를 품은 것이다. 정확히는 네이버파이낸셜이 두나무를 인수했다. 네이버파이낸셜은 네이버의 자회사로 ‘네이버페이’를 서비스하고 있는 기업이다. 반면, 두나무는 국내 1위, 글로벌 4위 거래소에 달하는 가상자산 거래소 ‘업비트’를 서비스하고 있는 기업이다.

이번 인수 구조를 살펴보면, 기업 가치 15조 원의 업비트가 5조 원 규모의 네이버파이낸셜에 인수되는 형태다. 수치만 놓고 봐도, 이는 단순한 인수합병이 아니라 전략적 지배 구조 재편에 가깝다. 네이버가 두나무를 품은 이유는 단순히 코인 시장에 들어가기 위해서가 아니다. 이제는 ‘금융의 네이버’를 만들기 위한 전략적 선택이다. 두나무가 합류하면서 네이버의 핀테크 사업은 단순한 결제를 넘어, 금융 생태계 전체로 확장될 것이기 때문이다.

이번 글에서는 네이버가 두나무를 인수한 후, 우리가 일상에서 체감하게 될 변화 다섯 가지를 구체적으로 살펴보고자 한다.

<출처: 작가>

1. 네이버의 스테이블코인 시장 진출

네이버가 두나무를 인수함으로써 우리가 기대할 수 있는 첫 번째는 바로 네이버의 스테이블코인 시장 진출이다. 국내 1위 거래소 ‘업비트’를 보유한 두나무를 네이버가 품게 된다면, 다른 경쟁사들보다 스테이블 코인 발행에 유리한 고지를 선점할 수 있기 때문이다.

온오프라인 결제 플랫폼 시장은 이미 포화 상태에 가깝다. 카드 수수료 인하 압박, 플랫폼 간 과열 경쟁, 낮은 마진 구조로 인해 순이익을 내기 어려운 상황이 이어지고 있기 때문이다. 따라서 이제는 단순한 결제 서비스를 넘어, 새로운 결제 인프라와 시장 구조를 찾아야 하는 시점이다.

이미 글로벌 결제 기업 페이팔은 ‘PYUSD’라는 달러 스테이블코인을 직접 발행하며, 결제의 중심을 전통 금융에서 블록체인으로 옮기려고 시도하고 있다. 글로벌 투자은행 JP모건 역시 일찍이 JPM Coin이라는 가상 자산을 발행해, 은행 간 결제망을 블록체인 기반으로 전환하는 실험을 해온 바 있다.

이 흐름 속에서 네이버가 선택할 수 있는 카드는 ‘원화 스테이블코인’이다. 스테이블코인은 2024년에 폭발적인 성장을 기록했다. 암호화폐 거래소 CEX.io의 보고서에 따르면, 지난해 스테이블코인 이체 규모는 27조 6천억 달러로, Visa와 Mastercard의 연간 결제액을 합친 규모보다 약 7.7% 많았다.

<출처: CEX.io>

최근 국내에서도 스테이블코인 및 디지털 자산 관련 법제화 논의가 활발히 진행되고 있어, 네이버페이가 이를 선제적으로 도입한다면 국내 결제 시장에서 차별화된 경쟁력을 확보할 수 있다. ‘원화 스테이블코인’은 실물 원화의 가치를 1:1로 담보해 디지털 환경에서도 동일한 가치를 유지하도록 설계된 코인이다.

예를 들어, ‘WONN’이라는 원화 스테이블코인이 생겼다고 가정해 보자. ‘WONN’은 원화 담보형 스테이블코인을 가정한 예시로, 1 WONN이 실제 1원의 가치를 갖는 구조다. 1,000 ‘WONN’은 이제 1,000원과 동일한 가치를 가지게 되는 것이다.

하지만 네이버의 스테이블코인 진출에는 두 가지 법적 제약이 있다.

첫째, 금융당국의 규제로 인해 전자금융업자인 네이버파이낸셜은 가상자산 사업에 직접 참여할 수 없다.
둘째, 국내 가상자산법상 거래소는 자사 또는 계열사가 발행한 토큰을 상장할 수 없기 때문에, 합병 이후 원화 스테이블코인을 업비트에 상장하는 것이 불가능하다.

결국 네이버가 이 시장에 진입하기 위해서는 법 개정, 규제 완화, 혹은 새로운 우회 전략이 전제되어야 한다. 이런 장벽을 해결할 수 있다면, 네이버의 스테이블코인 진출은 단순한 사업 확장을 넘어 국내 가상자산 시장의 구조적 전환점이 될 가능성도 있다.

2. 업비트의 글로벌 거래소 도약

<출처: 코인마켓캡>

두나무와 네이버의 결합은 단순한 인수가 아니라, 업비트가 글로벌 거래소로 도약할 수 있는 결정적 전환점이 될 것이다. 그 이유는 네이버의 글로벌 브랜드 파워와 기술 인프라가 업비트의 신뢰도와 거래 시스템을 한층 강화할 수 있기 때문이다.

두나무가 운영하는 업비트는 국내 1위 거래소일 뿐 아니라, 해외에서도 신뢰도와 위상을 확보해 왔다. 미국 경제지 포브스는 업비트를 ‘가장 신뢰할 수 있는 가상자산 사업자’ 중 글로벌 4위, 국내 1위로 선정한 바 있다. 또한 업비트는 최근 UDC 2025 행사에서 “글로벌 거래소로 도약하겠다”는 비전을 밝히며, 블록체인 인프라 고도화, 스테이블코인 연계, 제도권 확장을 강조했다.

<출처: UDC 2025>

여기에 네이버의 합류는 강력한 브랜드 확장성을 더한다. 네이버는 이미 라인(LINE)을 통해 일본, 대만, 태국 등 아시아 주요 시장에서 2억 명 이상의 이용자 기반을 보유하고 있으며, 아시아 디지털 생태계에서 높은 신뢰도와 인지도를 쌓아왔다. 네이버의 브랜드 파워와 업비트의 기술력이 결합된다면, 아시아를 대표하는 첫 번째 글로벌 거래소 모델이 될 가능성이 있다.

현재 업비트는 누적 가입자 1,200만 명, 초당 2만 건 이상의 거래 처리 속도를 갖춘 인프라를 보유하고 있다. 이런 기술 기반에 네이버의 신뢰성과 글로벌 파트너십이 더해진다면, 향후 업비트는 스테이블코인 결제, 글로벌 상장 협력, 지역별 금융 인프라 연동 등에서 차별화된 경쟁력을 발휘할 수 있다.

결국 두나무와 네이버의 만남은 단순한 기업 결합이 아니라, 글로벌 거래소의 탄생을 예고하는 신호탄이다. 기술, 인프라, 브랜드가 맞물린다면, 업비트는 이제 한국을 대표하는 글로벌 거래소로 자리매김할 수 있다.

3. 코인을 이용한 실생활 속 결제 활성화(feat. 기와 체인)

<출처: 기와 체인 페이지>

국내에서는 이미 코빗과 다날이 ‘페이코인(Paycoin)’ 프로젝트를 통해 코인 기반 결제를 현실화하고 있다. 두 기업은 온·오프라인 가맹점에서 코인 결제를 지원하며, 기존 카드 결제망을 거치지 않는 새로운 결제 인프라를 구축 중이다. 이러한 시도는 “코인은 투자 자산”이라는 인식을 넘어, 블록체인 기술이 실물 결제 시장에서도 작동할 수 있음을 증명한다.

이와 맞물려 두나무는 자사 블록체인 플랫폼 기와 체인(Giwa Chain)’에서 ‘KRWT’라는 원화 스테이블코인 실험을 진행하고 있다. 서울경제 보도에 따르면, 글로벌 블록체인 프로젝트 프랙스 파이낸스(Frax Finance)와 아이큐(IQ)가 협력해, 사용자가 1 USDC를 예치하면 원·달러 환율 기준의 KRWT를 발행하고, 반대로 상환 시 동일 가치를 돌려받는 구조를 구현했다.

이 모델은 USDC라는 해외 담보 자산을 활용하기 때문에, 국내 전자금융업자의 직접 발행 제한이나 계열사 발행 토큰 상장 금지 규제를 피할 수 있는 잠재적 구조로 평가된다.

<출처: 네이버페이>

여기에 네이버페이의 간편결제 인프라와 기존의 네이버페이 월렛 서비스가 더해지면 그림은 더 명확해진다. 네이버페이는 약 3천만 명의 사용자와 23만 개 이상의 가맹점을 보유하고 있으며, 2024년 8월부터는 디지털 자산 지갑 ‘Npay 월렛’을 제공하고 있다. 안정적인 인프라를 기반으로 네이버는 원화 스테이블코인의 제도적 안착 여부를 실험할 수 있는 최적의 플랫폼이 될 수 있다.

결국 기와 체인 → KRWT → N페이로 이어지는 흐름은 하나의 방향을 가리킨다. 원화 스테이블코인이 포인트를 대체하고, 블록체인이 결제의 새로운 표준이 되는 시점이다. 카페·편의점·온라인몰 등에서 KRWT로 결제하고, 가맹점이 즉시 정산받는 환경이 만들어진다면, 코인은 투자 자산이 아닌 실생활 속 화폐로 자리 잡게 될 것이다.

4. 가상자산의 제도권 진입

<출처: UDC 2025>

네이버의 두나무 인수는 단순한 플랫폼 결합이 아니라, 가상자산의 제도권 진입을 가속할 촉매제가 될 가능성이 높다. 최근 동아일보(2025.07.15) 보도에 따르면, 한 금융지주 고위 관계자는 “시중은행이 스테이블코인을 발행하더라도 유통을 위해서는 핀테크 협업이 필수적”이라며, “빠르면 내년 하반기에 원화 스테이블코인이 등장할 것”이라고 말했다. 이는 전통 금융기관 단독으로는 스테이블코인을 실제 결제·유통 단계까지 확산시키기 어렵다는 현실을 보여준다.

이러한 맥락에서 네이버와 두나무의 결합은 가장 현실적인 해답이 될 수 있다. 업비트는 국내 최고 수준의 자금세탁방지(AML) 및 KYC 시스템을 갖추고 있고, 네이버는 3천만 명 이상의 사용자와 23만 개 가맹점을 보유한 거대 결제 네트워크를 운영하고 있다. 이 두 인프라가 결합될 경우, 스테이블코인의 발행–거래–결제–정산이 하나의 네이버 생태계 안에서 작동하는 통합 모델로 발전할 수 있다.

최근 정부가 현물 ETF 도입과 스테이블코인 제도화를 병행 추진하고 있는 점을 감안하면, 네이버와 두나무의 협력 모델은 이 변화의 시험대이자, 가속 장치가 될 가능성이 크다. 결국 네이버의 두나무 인수는 단순한 핀테크 확장을 넘어, 가상자산의 제도권 편입을 제도·시장·기술 세 축에서 동시에 앞당길 수 있는 유일한 조합으로 평가된다.

5. 케이뱅크 × 업비트 × 네이버페이의 시너지

<출처: 케이뱅크>

네이버의 두나무 인수는 세 플랫폼이 각자의 강점을 결합해, 서로의 약점을 보완하는 전략적 연결 고리가 될 수 있다. 특히 네이버는 업비트와 케이뱅크의 기존 관계를 활용해, 직접 은행을 세우지 않고도 금융 인프라를 자연스럽게 확보할 수 있기 때문이다.

그건 바로 업비트와 케이뱅크의 관계 덕분이다. 업비트와 케이뱅크는 단순 제휴를 넘어 서로의 성장을 견인한 파트너다. 케이뱅크는 업비트의 실명계좌 제공을 통해 원화 입출금 서비스를 가능하게 했고, 업비트는 이를 기반으로 특금법 요건을 충족했다. 반대로 케이뱅크는 업비트 고객의 예치금 덕분에 빠르게 성장했다.

실제로 2025년 기준 케이뱅크의 고객 수는 1,500만 명을 돌파했으며, 예치금 27조 8,000억 원 중 약 5조 3,600억 원(전체의 20%)이 업비트 예치금으로 구성돼 있다. 이런 깊은 이해관계는 향후 네이버페이와 케이뱅크의 연동성으로 확장될 여지를 보여준다.

토스와 카카오는 각각 인터넷은행을 통해 금융 서비스를 통합했지만, 네이버는 뱅킹 기능이 부재한 상태다. 그러나 케이뱅크와의 협업은 이 공백을 메우는 현실적인 해법이 될 수 있다. 이처럼 네이버는 직접 은행을 소유하지 않고도, 케이뱅크의 금융 인프라를 일부 흡수 혹은 활용할 수 있다. 결제 중심의 서비스에서 확장된 금융 기능으로 진화할 가능성을 열게 되는 것이다. 즉, 세 플랫폼의 시너지는 단순 협업을 넘어, 네이버가 ‘은행 없는 금융 플랫폼’의 새로운 모델을 제시하는 계기가 될 것이다.

<출처: 작가>

마치며

네이버의 두나무 인수는 단순한 인수가 아니다. 이는 ‘검색의 네이버’가 ‘금융의 네이버’로 진화하는 분기점이자, 한국 디지털 금융의 새로운 전환점이다. 업비트를 통해 가상자산 시장의 신뢰성과 확장성을 확보하고, 케이뱅크와의 간접 협업을 통해 뱅킹 인프라를 보완할 수 있다. 여기에 네이버페이의 생활 결제망이 더해지면, 결제–투자–저축이 하나의 생태계 안에서 연결되는 구조가 완성되는 것이다. 이제 네이버가 만들어갈 블록체인 기반 금융의 미래는 실험이 아닌 현실이 되어가고 있다.

]]>

네이버가 두나무를 품으려는 5가지 이유

최근 IT 업계와 금융 업계를 동시에 뒤흔든 뉴스가 나왔습니다. 바로 대한민국 최대의 인터넷 기업 네이버가 국내 1위 가상자산 거래소 ‘업비트’의 운영사 두나무를 인수할 수 있다는 시나리오가 제기된 것입니다. 포괄적 주식 교환으로 두나무가 네이버의 금융 자회사인 네이버파이낸셜에 편입된다는 구체적인 그림까지 그려지고 있죠.

사실 이 인수 시나리오는 현재 시장을 지배하는 거대한 두 가지 흐름과 맞닿아 있습니다. 첫째는 ‘스테이블코인’을 중심으로 한 웹3.0 금융의 제도권 편입이며, 둘째는 빅테크 기업의 금융업 영토 확장입니다.

이 ‘빅딜’이 왜 지금 논의될 수밖에 없었는지, 그 배경에 깔린 패러다임의 전환을 분석해 보겠습니다.

배경 1. 스테이블코인이 바꾼 금융의 언어

이 모든 논의의 출발점이 있습니다. 바로 ‘스테이블코인(Stablecoin)’입니다. 이는 이름 그대로 ‘가치가 안정된 코인’으로, 일반적으로 법정 화폐와 1대1로 연동(pegging)되어 있습니다. 즉, 미국 달러 연계 코인을 기준으로, 1코인은 언제나 1달러의 가치를 유지합니다.

<출처: 작가, ChatGPT로 제작>

왜 스테이블코인인가?

그렇다면 왜 스테이블코인은 이토록 주목받는 걸까요? 기존 금융 시스템의 비효율성을 해소하는 기술이기 때문입니다.

해외 송금을 예로 들어보겠습니다. 이 일을 해내려면, 우리는 은행에서 높은 환전과 송금 수수료를 지불해야 합니다. 또, 여러 중개 은행을 거치느라 시간이 지연됩니다.

반면 스테이블코인은 이러한 절차를 크게 줄여줍니다. 블록체인 기반의 ‘디지털 달러’로 작동하기 때문에, 인터넷만 연결되어 있다면 24시간 365일, 전 세계 어디로든 단 몇 분 만에 송금할 수 있습니다. 수수료 역시 매우 저렴하죠. 그렇게 이 변화는 단순히 개인 간 송금을 넘어, 기업의 무역 결제나 기업 간 정산 등 금융 인프라 전반의 구조를 바꿀 혁신으로 평가받고 있습니다.

미국은 왜 갑자기 스테이블코인을 포용할까?

한편, 최근 스테이블코인의 부상은 미국의 태도 변화와 맞물려 있습니다.

불과 몇 년 전까지만 해도, 미국은 암호화폐에 매우 부정적인 태도를 보였습니다. 트럼프 전 대통령은 비트코인을 ‘사기’라고 했으며, 세계 최대 자산운용사 블랙록의 래리 핑크 회장 역시 회의적인 입장을 고수했습니다.

그러나 최근 이들의 태도는 180도 바뀌었습니다. 그 이유는 무엇일까요? 바로 달러 패권 유지와 국가 부채 문제 해결이라는 목적을 달성할 절묘한 해법을 스테이블코인에서 찾았기 때문입니다.

천문학적인 미국의 국가 부채 이자

미국의 국가 부채는 기하급수적으로 증가하며, 이제는 이자 지출만으로도 국방 예산을 넘어서는 수준에 이르렀습니다. 과거에는 중국과 일본 등 주요 교역국이 미국 국채를 대량으로 매입하면서 이 시스템이 유지되었지만, 최근 중국이 국채 매입에 회의적인 태도를 보이면서 수요가 급감했습니다. 이에 따라 미국은 자국 국채를 안정적으로 사줄 새로운 ‘큰 손’이 절실한 상황에 놓였습니다.

<출처: 미국 의회예산국(CBO), ChatGPT로 시각화 (CRFB 분석 기반)>

스테이블코인의 작동 원리

테더(USDT)나 서클(USDC) 같은 주요 달러 스테이블코인 발행사들은 사용자가 1달러를 예치하고 1코인을 발행받으면, 그 예치금을 그대로 금고에 쌓아두지 않습니다. 그 돈을 안전자산인 미국 단기 국채(T-bills)에 투자하죠. 여기서 발생하는 이자 수익은 스테이블코인 발행사의 주요 수익원이 됩니다.

스테이블코인 = 새로운 국채 수요의 탄생

그에 따라 스테이블코인 발행량이 증가할수록 미국 국채에 대한 글로벌 수요는 자동으로 늘어납니다. 실제로 세계 최대 스테이블코인 발행사인 테더는 이미 손꼽히는 미국 국채 보유 주체로 올라섰으며, 그 규모가 웬만한 국가를 뛰어넘는 수준입니다. 재닛 옐런 미 재무장관 역시 “(스테이블코인이) 금융 혁신에 있어 매우 중요한 역할을 할 수 있다”고 평가했습니다.

결국 미국 입장에서는 ‘달러의 디지털화’를 민간 기업이 대신 수행하고, 동시에 국가 부채 문제 해결에도 도움을 주니, 그야말로 ‘두 번 다시없을 절호의 기회’를 얻은 셈입니다.

이러한 흐름 속에서 미국은 ‘지니어스액트법(Genius Act)’을 통해 스테이블코인을 공식 금융 상품으로 제도화하려는 움직임을 가속화하고 있습니다. 이는 과거 ‘스캠(Scam)’, ‘튤립 버블’로까지 폄하되던 암호화폐 산업이 제도권 금융의 한 축으로 편입될 수 있음을 보여주는 신호탄입니다.

배경 2. 금융을 향한 빅테크의 야망

스테이블코인이 금융의 ‘인프라’를 바꾸고 있다면, 그 위에서 새로운 ‘서비스’를 선점하려는 플레이어들은 누구일까요? 바로 빅테크 기업들입니다.

메타(구 페이스북)의 실패와 교훈

가장 먼저 이 시장의 가능성을 포착한 것은 메타였습니다. 그들은 전 세계 30억 명의 사용자를 기반으로 자체 스테이블코인 ‘리브라(Libra)’를 발행하려 했지만, “거대 민간 기업이 중앙은행의 통화 발행 권한을 위협한다”는 이유로 전 세계 규제 당국의 엄청난 저항에 부딪혔습니다. 결국 프로젝트는 ‘디엠(Diem)’으로 이름을 바꿨지만, 끝내 좌초되고 말았습니다. 이 사건은 빅테크 기업들이 금융업에 얼마나 신중하게 접근해야 하는지를 보여주는 값비싼 교훈을 남겼습니다.

애플, 구글의 조용한 침투

이처럼 메타의 실패를 본 애플과 구글은 전혀 다른 전략을 택했습니다. 직접 통화를 발행하기보다, 기존 금융 시스템 위에서 영향력을 확대하는 방식입니다. 그래서 이들은 애플페이와 구글페이를 통해 결제 시장의 주도권을 장악하고, 사용자 금융 데이터를 축적하면서 서서히 영향력을 키우고 있습니다. 이들은 가장 편리한 ‘인터페이스’가 되어, 미래에 스테이블코인이 보편화되면 그 결제망을 자사 플랫폼 위에서 처리하며 막대한 수수료 수익을 거둘 준비를 하고 있습니다.

삼성의 하드웨어 기반 전략

삼성은 하드웨어 제조사로서의 강점을 십분 활용합니다. 갤럭시 시리즈에 내장된 보안 플랫폼 ‘Knox(녹스)’와 ‘삼성 블록체인 월렛’을 통해 세계에서 가장 신뢰받는 디지털 자산 보관소로 자리매김하려는 것입니다. 한편 삼성의 투자 법인 ‘삼성넥스트(Samsung Next)’는 미국의 스테이블코인 스타트업 ‘레인(Rain)’에 투자하며, 블록체인 기반 금융 생태계의 미래를 선점하기 위한 포석을 다지고도 있습니다.

최근에는 미국 최대 암호화폐 거래소 코인베이스(Coinbase)와의 협업 또한 공식 발표했습니다. 미국 내 갤럭시 사용자들이 삼성 월렛에서 삼성페이를 이용해 암호화폐를 직접 관리하고, 거래 수수료 면제 및 멤버십 혜택 등의 기능을 활용할 수 있도록 준비 중인 것입니다. 이러한 전략은 궁극적으로 수십억 대의 삼성 디바이스를 ‘금융 단말기’로 전환하려는 장기적 비전을 보여줍니다.

<출처: Coinbase 공식 블로그>

이러한 글로벌 빅테크들의 움직임은 네이버에게도 깊은 고민을 주었을 것입니다. AI의 등장으로 국내 검색 광고 시장에서의 절대적 지위가 흔들리고 있으며, 쿠팡이나 알리·테무 등과의 경쟁으로 커머스 시장 역시 치열한 전쟁터가 되었습니다.

그래서 네이버에게는 이 모든 한계를 뛰어넘을 새로운 성장 엔진이 절실했습니다. 그리고 그 해답은 ‘금융’에 있습니다.

네이버가 두나무를 인수하는 ‘진짜’ 이유

이런 배경 탓에 네이버가 두나무를 인수한다면, 이는 단순한 기업 결합 이상의 의미를 가집니다. 국내 대표 간편결제 서비스인 ‘네이버페이’와 최대 가상자산 거래소 ‘업비트’의 결합은 한국 디지털 금융의 구조적 변화를 불러올 중요한 분기점이 될 수 있기 때문입니다.

이를 포함해 네이버의 두나무 인수 사실에 가려진 여러 이유를 정리해 보았습니다.

1. 국내 최대 간편결제와 가상자산 거래소의 전략적 결합

두 회사는 각각 생활 결제 인프라와 디지털 자산 인프라를 구축해온 만큼, 이들의 협력은 원화 기반 스테이블코인 발행과 새로운 형태의 금융 생태계 확장으로 이어질 가능성이 큽니다.

네이버페이는 3,000만 명 이상 이용자와 전국적인 온·오프라인 결제 네트워크를 보유한 대한민국 대표 간편결제 서비스로, 이미 ‘생활 결제 인프라’ 수준의 사용자 충성도를 확보하고 있습니다. 한편 업비트는 국내 1위이자 글로벌 5위권에 드는 거래 규모를 자랑하며, 수년간의 가상자산 운영 노하우와 보안 기술력으로 시장 신뢰를 구축한 대표 거래소입니다.

이들을 등에 업고 만약 ‘네이버페이 코인(가칭)’이 등장한다면 어떨까요? 사용자는 네이버페이 포인트를 충전하듯 손쉽게 이 코인을 구매하고, 전국의 가맹점에서 결제하거나 친구에게 송금할 수 있게 됩니다. 업비트는 이러한 스테이블코인의 발행·유통·교환을 담당하는 기술 엔진으로서 핵심 인프라 역할을 맡게 됩니다.

이 구조는 단순 결제를 넘어 아래 발전을 불러올 수 있습니다.

스테이블코인 기반 금융 서비스의 확장
실물자산 토큰화(RWA) 및 증권형 토큰(STO)으로의 진화
네이버 생태계 전반(커머스 결제 → 콘텐츠 정산 → 해외 송금) 기반‘생활 속 코인’ 플랫폼화

즉, 네이버와 두나무의 결합은 한국형 디지털 금융 인프라의 새로운 전환점을 예고하는 가장 현실적인 웹3.0 시나리오라고 볼 수 있습니다.

2. 두나무의 숨겨진 가치

두나무는 거래 수수료 수익을 넘어, 이미 웹3.0 시대의 인프라와 역량을 갖춘 기술 금융(TechFin) 기업으로 진화해왔습니다. 네이버는 두나무 인수를 검토하며 이런 가치를 주목했을 것입니다.

첫째는 수익성입니다. 가상자산 시장의 호황기마다 두나무는 조 단위의 영업이익을 기록하는 ‘현금 창출 기계’로 불립니다. 이는 네이버의 연결 실적에 바로 기여하며, 주가와 기업 가치에도 긍정적인 영향을 미칩니다. 무엇보다 더 중요한 점은, 업비트가 이미 국내 최대의 달러 스테이블코인 유통 허브라는 사실입니다. 올해 1분기에만 57조 원에 달하는 달러 스테이블코인 거래액이 국내에서 발생했는데, 대부분 업비트에서 이뤄졌습니다. 이미 두나무가 글로벌 디지털 금융의 핵심이라 할 수 있는 스테이블코인 시장에서 실질적인 영향력을 확보했다는 뜻이죠. 또한 향후 원화 스테이블코인 발행 시, 성공 가능성을 뒷받침하는 강력한 기반이 될 것입니다.

둘째, 자체 기술력입니다. 두나무는 자회사 람다256을 통해 블록체인 기술을 꾸준히 연구·개발해왔습니다. ‘기와체인’과 ‘기와월렛’ 등 메인넷 및 지갑 서비스의 R&D 경험은, 앞으로 네이버가 웹3.0 생태계를 구축하는 과정에서 핵심 기술 자산으로 쓰일 것입니다.

마지막으로, 규제 대응 능력입니다. 두나무는 국내에서 가장 엄격한 가상자산 관련 규제(특정금융정보법) 환경을 가장 앞서 헤쳐나가며 성장해온 기업입니다. 이런 경험은 규제가 생명인 금융 산업으로 진출하는 데 있어 매우 귀중한 자산입니다.

3. 금융업으로의 진화

스테이블코인 발행은 단순히 결제 수단을 하나 더 추가하는 수준을 넘어섭니다. 예치된 자금(원화)을 국채 등 안전자산에 투자해 이자 수익을 얻고, 이를 담보로 대출 서비스를 제공하는 등 전통 은행이 수행하던 핵심 업무를 직접 수행할 수 있게 됩니다. 즉, 네이버는 핀테크 기업을 넘어 금융 기업으로 진화할 열쇠를 쥐게 되는 것입니다.

4. 두나무의 제도권 편입 가속화

지금까지 두나무는 가상자산 산업의 원죄를 짊어진 채 홀로 힘겨운 싸움을 이어왔습니다. 특정금융정보법(특금법) 시행 당시 실명계좌 확보를 위해 고군분투했고, 정부와 금융당국의 예측 불가능한 규제 강화 속에서 항상 살얼음판을 걸어야 했죠. 업계 1위라는 이유로 각종 국정감사의 단골 증인으로 소환되는 등 기업 역량의 상당 부분을 규제 리스크 방어에 쏟아야만 했습니다.

하지만 네이버라는 아군이 생긴다면 상황은 달라집니다. 네이버는 대한민국 국민에게 가장 신뢰받는 IT 기업 중 하나로, 수십 년간 정부 및 규제 당국과 긴밀히 소통해온 경험과 막강한 대관 역량을 보유하고 있습니다. 두나무의 전문성과 네이버의 신뢰도가 결합한다면, 단순 방어를 넘어 정부와 함께 미래 가상자산 산업의 규칙을 설계하는 ‘정책 설계자(Rule-setter)’ 위치에 오를 수 있습니다.

즉, 네이버와의 결합은 두나무에게 웹3.0 금융을 진정한 제도권으로 이끄는 가속 페달이 될 것입니다.

5. 겉은 ‘네이버의 인수’, 속은 ‘두나무의 장악’?

<출처: 한국경제, 네이버 이해진 후계자는 송치형? 네이버와 두나무 결합의 의미는>

마지막으로, 겉에서 보이는 네이버의 두나무 인수는, 그 실체를 들여다보면 오히려 ‘두나무 송치형 의장의 네이버 그룹 경영권 확보’라는 파격적인 시나리오에 가까울지도 모릅니다. 이는 단순한 기업 결합을 넘어, 네이버 창업자 이해진 GIO가 설계한 정교한 미래 승계 전략의 일환으로 해석되기도 합니다.

자녀에게 경영권을 물려주지 않겠다고 여러 차례 밝힌 이 GIO는 올해 58세로, 그룹의 성장을 이끌 유능한 경영자를 찾아왔습니다. 그런 와중에 송치형 의장은 서울대 컴퓨터공학과 선후배 관계로, 개발자 출신 경영자라는 공통점 속에서 깊은 신뢰를 쌓아왔습니다. 또한, 이 GIO는 모바일 증권 투자 앱 ‘증권플러스’와 국내 1위 암호화폐 거래소 ‘업비트’를 연달아 성공시킨 송 의장의 기술적 통찰력과 사업 감각을 높이 평가해온 것으로 알려졌습니다.

무엇보다 이 시나리오가 주목받는 이유는 송치형 의장이 네이버 그룹 내 개인 최대 주주로 부상할 가능성이 있기 때문입니다. IB 업계에 따르면, 시장에서는 네이버파이낸셜(기업가치 약 5조 원)과 두나무(약 15조 원) 간 1 대 3 수준의 주식 교환 비율이 유력하게 거론되고 있습니다. 이 가정을 적용하면, 우선 송치형 의장이 합병 법인의 지분 19%를 확보하며 최대 주주 지위에 오릅니다. 곧 이 법인이 네이버 본체와 통합된다면, 송 의장은 네이버 그룹 전체 지분을 6~7% 수준까지 확보할 수 있죠. 반면 이해진 GIO의 지분율은 현재 3.73%에서 2~3%로 희석됩니다.

즉, 형식상으로는 네이버의 두나무 인수이지만 실질적으로는 송치형 의장이 창업자인 이해진 GIO보다 약 2.5배 많은 지분을 확보하는 그림이 그려집니다. 송 의장에게는 대한민국 대표 IT 기업을 이끌 명분을, 이 GIO에게는 후계자에게 미래를 맡길 큰 그림을 완성하는 거래로 평가됩니다.

마치며: 누가 변화의 주도권을 쥘 것인가?

물론, 인수가 실제로 성사되려면 공정거래위원회의 기업결합 심사 등 넘어야 할 산이 많습니다. 다만, 우리가 주목해야 할 것은 인수 그 자체가 아닌, 이 시나리오가 ‘왜 지금 거론되느냐’입니다. 이는 단순히 개별 기업의 선택이 아니라, 기술이 금융을 재편하는 거대한 시대적 흐름을 반영하기 때문입니다.

경쟁사인 토스 역시 최근 인터넷 은행과 증권 서비스를 성공적으로 안착시킨 다음, 빗썸과의 협업 가능성을 모색하고 있습니다. 스테이블코인 기반 결제 시스템 구축 등 가상자산 금융 생태계로의 진출을 준비하는 것인데요. 결국 미래 금융의 주도권은 ‘누가 가장 편리하고 안전한 디지털 자산 플랫폼을 제공하는가’에 의해 결정될 것입니다.

미국은 달러 패권을 유지하기 위해 스테이블코인을 제도화하고 있으며, 글로벌 빅테크 기업들은 그 기회를 놓치지 않기 위해 금융 산업의 문을 두드리고 있습니다. 네이버와 두나무의 결합 시나리오 또한 이 커다란 변화의 흐름이 한국 시장에 도달하며 나타난 자연스러운 결과물입니다.

우리는 지금, 기술과 금융이 맞물려 새로운 질서를 만들어내는 거대한 지각 변동의 한복판에 서 있습니다. 이 변화의 흐름 속에서 과연 누가 최후의 승자가 될지, 흥미롭게 지켜볼 시간입니다.

]]>

회의의 늪에서 벗어나는 법, ‘AI 회의 시뮬레이션’

왜 또 회의인가?

여러분도 혹시 캘린더에 빼곡히 들어찬 회의를 보며 절망한 적이 있나요? 게다가 3시간 넘게 이어진 회의의 결론이 “다음 주에 다시 이야기하자”였던 경험, 한 번쯤 있으실 겁니다. 직장 생활을 하다 보면 누구나 회의의 늪에 빠지곤 하죠. 그래서 대부분의 회사는 회의 시간을 줄이고, 아젠다를 분명히 하며, 결론을 꼭 도출하는 효율적인 회의를 만들려고 애씁니다. 하지만 현실은 쉽지 않습니다.

그럼에도 우리가 회의를 하는 이유는 분명합니다. 혼자서는 내릴 수 없는 복잡한 결정들이 있기 때문이죠. 예를 들어, 새로운 기술 스택을 고르거나, 마케팅 예산을 나누고, 제품의 우선순위를 정하는 일 등이 그렇습니다. 이런 문제는 여러 시각이 필요하고, 다양한 경험이 모여야 제대로 된 답을 찾을 수 있습니다. 문제는 그 과정이 너무 비효율적이라는 것이죠.

그렇다면 이런 건 어떨까요? 만약 실제 회의를 하기 전에 다수의 전문가들이 이미 3시간 동안 격렬한 토론을 벌여, 핵심 쟁점과 구체적인 대안을 정리해 둔다면요? 그리고 그 과정이 단 10분 만에 끝난다면 어떨까요? 우리는 그 회의를 참관하면서 결론을 얻는 동시에, 토론 과정에서 다양한 인사이트까지 얻을 수 있을 겁니다.

바로 이것이 제가 이번 글에서 제시할 ‘AI 회의 시뮬레이션’의 핵심 아이디어입니다. 실제 사람들이 회의실에 모이기 전에 다양한 관점을 가진 가상의 전문가들이 충분한 토론으로 쟁점을 정리하고, 대안을 제시하는 것이죠. 이렇게 하면 실제 회의에서 소모될 시간과 에너지를 AI 시뮬레이션으로 대체할 수 있고, 훨씬 더 효율적이고 체계적인 의사결정이 가능해집니다.

더 완벽한 토론을 위한 여정

처음에는 단순했습니다. "AI야, React와 Vue 중 뭐가 좋을까?", “OO 기능을 하는 함수 이름을 뭘로 지을까?”라고 물어보면서 시작했습니다. 하지만 AI의 답변은 뻔했습니다. 교과서적이고 균형 잡혔지만, 현실의 복잡함을 반영하지 못했죠.

“반대 의견도 듣고 싶은데…”라는 생각이 들어, 이번에는 찬성과 반대 의견을 모두 요청해 봤습니다. 조금은 나아졌지만 여전히 아쉬웠습니다. 마치 한 사람이 억지로 양쪽 입장을 대변하는 듯한 느낌이었거든요.

“다른 개성을 가진 사람들의 관점은 어떤 걸까?”라고 생각했죠. 그래서 다양한 배경을 가진 전문가들을 등장시켜 봤습니다. 성능을 중시하는 사람, UX를 우선하는 사람, 비즈니스 관점에서 접근하는 사람처럼 각기 다른 가치관으로 같은 문제를 바라보게 한 것이죠. 그렇게 하면 훨씬 입체적인 답변이 나오길 기대했습니다.

사실 이 전문가들의 이름은 IT 업계의 유명인들을 따왔고, 그들의 성향을 최대한 반영하려고 했습니다. 하지만 실제로 그 성향을 완전히 알 수는 없으니, 제가 ‘이런 성향의 사람이 토론에 참여했으면 좋겠다’라고 생각하며 페르소나를 설정했고, 각 전문가에게 그 성격을 입히도록 했습니다. “주장에 대한 격렬한 반박도 보고 싶어.”라는 생각이 들자, 상황은 훨씬 더 재미있어졌습니다.

각 전문가들이 서로의 의견에 댓글을 달며 논쟁을 벌이도록 했거든요. “성능이 최우선이다!” “아니다, 사용자 경험이 더 중요하다!” 마치 실제 개발자 커뮤니티에서 펼쳐지는 토론 현장을 지켜보는 듯했습니다.

각 성향별로 찬반 투표 결과도 궁금하다는 생각이 들어, 이번에는 투표 기능을 추가했습니다. 11명의 전문가가 각자의 철학에 따라 찬성과 반대로 나뉘어 투표를 진행하는 방식이었죠. 그 결과 “성능파 vs UX파”처럼 뚜렷하게 진영이 갈리는 모습을 보는 재미가 쏠쏠했습니다.

하지만 또 다른 아쉬움이 남았습니다. 모든 논쟁이 여전히 일반적인 지식에만 기반하고 있었던 겁니다. 그래서 이번에는 각 전문가가 토론을 시작하기 전에 최신 정보를 웹에서 검색해 근거로 활용할 수 있도록 했습니다. 그러자 “2025년 최신 버전 정보에 따르면…” 같은 구체적인 데이터가 등장하면서, 설득력이 훨씬 높아졌습니다. 덕분에 저 역시 더 많은 근거 자료를 손쉽게 확보할 수 있었죠.

“결과를 읽는 재미도 있음 좋겠다!”라는 생각에 마지막으로는 각 전문가의 개성을 극대화했습니다. 마틴 파울러는 ‘성능 광신도’, 스티브 잡스는 ‘감동 중독자’로 설정해, 예측 가능하면서도 웃음을 주는 캐릭터로 만든 것이죠. 덕분에 진지한 토론이면서도 읽는 재미를 놓치지 않을 수 있었습니다.

이렇게 해서 완성된 것이 바로 오늘 소개할, 제가 직접 작성한 프롬프트입니다.

[가상 AI 회의 프롬프트]

당신은 지금 11명의 가상 인물들이 참여하는 업계 최고의 개발자들의 토론을 참관하고 있습니다.
각 인물은 아래 질문에 대해 다양한 관점에서 주장을 펼치고, 서로의 의견에 대댓글을 달며 토론을 이어갑니다.
모든 인물은 토론에 반드시 1번 이상 참여합니다.

토론은 정–반–합 구조로 진행됩니다:
- [정 Thesis] 명확한 주장 제시
- [반 Antithesis] 반대 관점에서 반박 또는 대안 제시
- [합 Synthesis] 서로의 주장을 융합하거나, 상황별 전략/통합안을 제시

Agent 기능: 각 인물들은 자신의 주장을 뒷받침하기 위해 토론 시작 전 최신 정보를 웹에서 검색하여 근거로 활용합니다. 검색된 정보는 출처 링크와 함께 제시됩니다.

모든 인물은 의견을 제시할 때 반드시 근거를 들어 설명합니다.
근거는 실제 경험, 사용자 사례, 기술 원리, 운영 전략, 시장 흐름, 검색된 최신 정보 등 다양한 형태가 될 수 있습니다.

투표 기능: AI가 질문의 성격을 분석하여 찬성/반대로 구분될 수 있는 질문인 경우, 토론 마지막에 각 인물의 투표 결과를 집계합니다.
질문: "{{여기에 당신의 질문을 입력하세요}}"

## 인물 목록:
1. 마틴 파울러 – "성능 광신도" / 극단적 최적화 추구 / "1ms라도 줄일 수 있다면 모든 걸 뒤엎겠다" / 벤치마크 수치로만 대화 / 냉혹하고 직설적
2. 로버트 마틴 – "클린 코드 전도사" / 코드 가독성에 목숨 건 완벽주의자 / 모든 걸 요리 비유로 설명 / "더러운 코드는 썩은 음식과 같다" / 유쾌하지만 고집 센 아저씨
3. 데이브 토마스 – "UX 감성파" / 사용자 감정에 극도로 민감 / "기술은 사람의 마음을 움직여야 한다" / 따뜻하고 감성적 / 때로는 지나치게 이상적
4. 젠슨 황 – "접근성 수호자" / 모든 결정을 접근성 관점에서 판단 / 논리적이고 원칙적 / "소외되는 1%를 위해 99%가 불편해도 된다" / 타협 없는 신념
5. 브랜던 아이크 – "디자인 시스템 순혈주의자" / 피그마와 컴포넌트 설계에 집착 / 날카롭고 세련된 독설가 / "일관성 없는 디자인은 죄악" / 완벽한 시스템 구축 강박
6. 리누스 토발즈 – "인프라 걱정쟁이" / 모든 것을 장애 관점에서 분석 / "99.9% 가용성도 부족하다" / 신중하고 보수적 / 항상 최악의 시나리오 고려
7. 켄트 벡 – "테스트 종교인" / 테스트 없는 코드는 죄악으로 간주 / "테스트가 없으면 잠을 못 잔다" / 겸손하지만 테스트에선 타협 없음 / 점진적 개선 신봉
8. 스티브 잡스 – "감동 중독자" / 기술적 완성도보다 사용자 경험의 마법 추구 / "와우 모멘트가 없으면 실패작" / 도발적이고 카리스마틱 / 예술적 직감 중시
9. 빌 게이츠 – "아키텍처 설계광" / 모든 걸 시스템과 구조로 해결하려 함 / 장기적 확장성만 고려 / "10년 후를 생각하지 않는 설계는 무의미" / 차가운 논리주의자
10. 제프 베조스 – "비즈니스 ROI 집착남" / 모든 기술 결정을 비용과 수익으로 판단 / "고객이 돈을 내지 않으면 의미 없다" / 냉혹한 실행력 / 압박감 있는 결과 중심
11. 마크 저커버그 – "데이터 실험광" / A/B 테스트와 수치가 절대 진리 / "감정은 데이터로 증명되어야 한다" / 냉정하고 기계적 / 사용자를 실험 대상으로만 봄

질문: "{{질문}}"
[사전 정보 수집 단계]
마틴 파울러: 최신 성능 벤치마크 및 Core Web Vitals 데이터 수집 중...
- 2024년 프레임워크별 성능 비교 연구: [링크]
- 밀리초 단위 최적화 사례 분석: [링크]
브랜던 아이크: 디자인 시스템 및 컴포넌트 표준화 동향 조사 중...
- Figma 최신 업데이트 및 토큰 시스템: [링크]
- 글로벌 디자인 시스템 벤치마킹: [링크]
(필요한 인물들의 검색 결과)

[정 Thesis]
마틴 파울러:
"성능이 곧 정의다! 최신 벤치마크를 보면 SSR이 초기 렌더링에서 47ms 더 빠르다. 이 47ms가 사용자 이탈률 12% 차이를 만든다. 감정론은 집어치우고 숫자로 얘기하자."
참고: [2024 웹 성능 벤치마크 보고서]

[반 Antithesis]
데이브 토마스:
"성능은 중요하지만 사용자의 마음을 움직이는 건 다른 차원이에요. 47ms보다 중요한 건 사용자가 느끼는 '기다림의 품질'입니다. 로딩 애니메이션 하나로도 체감 성능은 완전히 달라져요."
마크 저커버그:
"감정은 측정 불가능하다. 우리 실험 데이터상 로딩 시간 100ms 증가 시 이탈률이 정확히 8.2% 올라간다. 이건 팩트다."
제프 베조스:
"성능 개선 비용 대비 매출 증대 효과를 계산해 봤나? SSR 도입 비용이 연간 500만 달러인데 매출 증가는 200만 달러뿐이다. 이게 현실이다."

[합 Synthesis]
빌 게이츠:
"단편적 관점들이다. 10년 후 확장성을 고려한 하이브리드 아키텍처가 답이다. 페이지별 특성에 따른 적응형 렌더링 시스템을 구축해야 한다."
참고: [마이크로소프트 확장성 아키텍처 가이드]
켄트 벡:
"모든 렌더링 방식에 대한 자동화된 테스트 스위트가 먼저다. 테스트 없이 성능 논쟁은 의미 없다. 점진적으로 검증하며 개선하는 것만이 답이다."

토론 결과 투표 (찬반 구조 질문인 경우)
- SSR 찬성 6명: 마틴 파울러, 젠슨 황, 리누스 토발즈, 켄트 벡, 빌 게이츠, 마크 저커버그
- CSR 지지 5명: 로버트 마틴, 데이브 토마스, 브랜던 아이크, 스티브 잡스, 제프 베조스

토론 결과: SSR 찬성 6, CSR 지지 5
당신은 이 토론을 참관하고 있습니다.
이 과정에서 생기는 관점 충돌, 논리, 설득, 통합의 흐름을 바탕으로 인사이트를 얻어가세요.

*위 프롬프트는 >> 여기 <<에서 복사해서 사용하실 수 있습니다.

실제로 활용하기

저는 주로 클로드를 사용합니다. 그렇다고 꼭 클로드만 써야 하는 것은 아닙니다. 단지 클로드 코드를 활용하기 때문에 비용 최적화 측면에서 선택했을 뿐이고, ChatGPT나 Gemini를 사용해도 무방합니다. 오히려 같은 프롬프트를 여러 LLM에서 실행해 회의를 시킨다면, 더 다양한 관점과 통찰을 얻을 수 있으니 그 방법도 충분히 매력적입니다.

그리고 저는 대부분의 LLM이 제공하는 프로젝트 기능을 활용합니다. 작성한 프롬프트를 아래와 같이 지침으로 설정하는 방식입니다.

<출처: 작가 캡쳐>

이렇게 회의를 할 수 있는 프로젝트 설정을 마쳤으면, 이제 본격적으로 회의를 시작해 봅시다.

실제 활용 결과

이제 이 프롬프트가 어떤 결과를 보여주는지 하나의 아젠다를 가지고 실험해 보겠습니다. 오늘의 주제는 바로 이것입니다.

“재택근무 vs 사무실 근무, 우리 팀 생산성을 높이는 방법은?”

<출처: 작가 캡쳐>

회의가 시작되기 전, 여러 인물들은 아젠다에 맞는 데이터를 먼저 수집합니다. 각자 주제와 관련된 다양한 정보를 찾아 근거를 마련하는 것이죠.

<출처: 작가 캡쳐>

이후 전문가들은 정반합 구조에 맞춰 먼저 ‘정(正)’에 해당하는 의견을 제시합니다. 즉, 재택근무가 더 낫다는 주장입니다. 마틴 파울러, 데이브 토마스, 젠슨 황은 재택근무가 생산성을 높인다고 말하며, 여러 자료를 함께 근거로 제시했습니다.

<출처: 작가 캡쳐>

이제 빌 게이츠가 먼저 반대 의견을 내놓습니다. 다만 단순한 반대라기보다는 ‘하이브리드 근무’라는 새로운 대안을 제시한 것이었죠. 그러자 마크 저커버그와 제프 베조스가 여러 근거를 들어, 빌 게이츠의 의견에 동조합니다.

TDD의 창시자인 켄트 백은 그의 명성답게 모든 근무 방식을 먼저 테스트해야 한다고 주장했고, 리누스 토발즈는 핵심 인력만큼은 반드시 사무실에 출근해야 한다고 강조했습니다.

<출처: 작가 캡쳐>

이제 정반합에 구조에 맞춰 종합적인 결론을 지으려고 합니다. 최종 결론은 하이브리드 근무를 제시하는 형태로 마무리되었습니다.

<출처: 작가 캡쳐>

정반합 구조로 결론을 낸 뒤에는 토론 내용을 다시 정리합니다. 먼저 투표를 통해 각 전문가들이 어떤 의견에 더 무게를 두었는지 확인할 수 있고, 이어서 이번 토론에서 얻은 인사이트와 활용 방법도 제시됩니다.

이 회의에 걸린 시간은 고작 2분이 채 되지 않았습니다. 그 짧은 과정에서 수많은 인사이트와 함께 각 주장을 뒷받침하는 근거 자료까지 쉽게 얻을 수 있었죠. 꽤 괜찮지 않나요? 하지만 이 프롬프트에도 분명 한계가 있습니다.

AI 회의의 한계점은?

먼저 이 프롬프트의 전문가들은 IT업계의 인물들입니다. 그래서 이런 질문에는 답변이 어렵습니다.

<출처: 작가 캡쳐>

이 질문에 답하려면, 새로운 전문가들로 구성된 별도의 프로젝트를 만들어야 합니다. 하지만 우리는 이미 개발자 회의체를 구성해 두었죠. 그렇다고 해서 답변이 불가능한 건 아닙니다. 오히려 이런 질문에 맞는 회의체를 새로 만드는 일은 어렵지 않습니다. 어서 하나 만들어 점심 메뉴를 추천받아 보겠습니다.

<출처: 작가 캡쳐>

한계는 이것만이 아닙니다. 지금의 방식은 프롬프트로만 구성되었기 때문에, 개인이나 조직의 이해관계, 구체적인 예산, 일정 같은 현실적인 제약을 반영하지 못합니다. 하지만 만약 이런 정보들을 프롬프트에 추가하거나, RAG(검색 기반 생성) 방식을 적용할 수 있다면 훨씬 더 현실적이고 유용한 회의 결과를 얻을 수 있을 겁니다.

AI 회의, 한번 시도해 봅시다

이 방법론의 가장 큰 장점은 지금 당장 시작할 수 있다는 점입니다. 별도의 도구나 시스템을 구축할 필요도 없습니다. 사용 중인 LLM 서비스에 프롬프트만 입력하면 됩니다. 다음 회의가 열리기 전에 한 번 시도해 보세요. 아마 여러분이 미처 생각하지 못했던 관점과 대안을 발견하게 될 겁니다. 그리고 실제 회의에서는 ‘이미 검토된 쟁점들’을 바탕으로 훨씬 더 생산적이고, 집중된 논의를 할 수 있을 거고요.

그래도 AI 회의는 인간의 회의를 완전히 대체하지는 못할 겁니다. 대신 회의의 품질을 높이고, 시간을 절약하는 강력한 도구로 충분히 활용될 수 있죠. 어쩌면 미래의 의사결정은 이런 방식으로 진화할지도 모릅니다.

<참고 자료>

AI 회의 프롬프트

]]>

우스꽝스러울 정도로 좁게: 타겟을 좁힐수록 시장을 지배한다

이번 글에서는 국내 대표 VC ‘매쉬업벤처스’의 이승국 파트너가 스타트업을 위한 비즈니스 인사이트를 소개합니다. 초기 스타트업이 자주 하는 실수부터, 이를 극복하고 실제 성과를 이뤄내는 실전 가이드까지, 여러분의 성장 전략을 점검해 보세요.

안녕하세요, 매쉬업벤처스 이승국 파트너입니다. 페이스북, 트위터 등에서 성장을 이끌며 그로스의 전설이라 할 수 있는 앤디 존스(Andy Johns)는 많은 창업가가 저지르는 가장 흔한 실수는 타겟 고객을 너무 광범위하게 정의하는 것이며, 타겟 고객을 “우스꽝스러울 정도로 좁게(comically narrow)” 정의해야 한다고 강조합니다. 이는 수많은 성공적인 스타트업이 걸어온 길이기도 합니다.

제가 여러 창업팀의 IR 자료를 검토하며 가장 안타까운 순간 중 하나는, ‘저희 타겟은 20~30대 전체입니다’와 같은 말을 들을 때입니다. 이는 원대한 비전이 아니라, 아직 싸움의 첫 격전지를 정하지 못했다는 의미이기 때문입니다. 언뜻 ‘타겟을 좁히는 것’과 ‘큰 시장을 지배하는 것’은 서로 모순처럼 들릴 수 있습니다. 하지만 스타트업의 성장은 직선이 아닌, 하나의 도미노가 다음 도미노를 쓰러뜨리는 연쇄 반응에 가깝습니다.

이 글에서는 왜 이 역설이 초기 스타트업의 성공에 있어 가장 중요한 진실인지, 그리고 그 첫 번째 도미노를 어떻게 찾고 쓰러뜨릴 수 있는지에 대해 이야기하고자 합니다.

왜 타겟을 ‘우스꽝스러울 정도로 좁게’ 정의해야 하는가

자원의 효율적 배분

스타트업은 인력, 자본, 시간 등 모든 자원이 절대적으로 부족합니다. 제한된 자원을 가장 효과적으로 사용하려면, 우리의 노력이 가장 큰 효과를 낼 수 있는 명확한 지점에 집중해야 합니다.

시장 지배력 확보

넓은 시장에서 미미한 점유율을 차지하는 것보다, 작지만 명확하게 정의된 니치 마켓에서 압도적인 1위가 되는 것이 초기 생존과 성장에 훨씬 유리합니다.

지수 성장의 기반 구축 (가장 중요)

스타트업이 타겟을 좁혀야 하는 가장 핵심적이고 본질적인 이유입니다. 스타트업이 제품-시장 적합성(PMF, Product-Market Fit)을 찾았다는 가장 확실한 증거는, 고객이 만족을 넘어 우리 제품에 대해 자발적으로 이야기하는 입소문(Word of Mouth, WoM)입니다. WoM은 그 자체로 강력한 성장 엔진인 동시에, 마케팅의 효율을 보장하는 전제 조건이 되기 때문입니다. 강력한 WoM이 없는 상태에서의 마케팅은 ‘밑 빠진 독에 비싼 돈을 붓는 것’과 같습니다.

그렇다면 입소문은 어떻게 발생할까요? 사람들은 광고보다 ‘나와 비슷한 사람’의 추천에 가장 강력하게 반응하고 신뢰합니다. 바로 이 지점에서 타겟을 뾰족하게 설정해야 하는 이유가 명확해집니다. 우스꽝스러울 정도로 좁고 동질적인 집단을 타겟으로 해야, 그들 사이에서 “이거 모르면 대화가 안돼”, “우리 같은 사람들은 다 이거 써”와 같은 강력한 공감대가 형성되고, 입소문이 폭발적으로 퍼져나갈 수 있습니다.

여기서 우리는 입소문이 폭발하는 지점, 즉 ‘임계 질량(Critical Mass)’의 개념을 이해해야 합니다. 에버렛 로저스(Everett Rogers)의 ‘혁신 확산 이론’에 따르면, 어떤 제품이나 아이디어가 특정 집단 내에서 약 15~18%의 점유율을 넘어서는 순간부터 자체적인 동력을 얻어 급속도로 퍼져나갑니다. 이 지점을 넘어서면 제품은 더 이상 소수의 혁신가가 쓰는 특이한 것이 아닌, ‘우리 그룹의 표준(Standard)’으로 인식되기 시작합니다. ‘나만 모르면 안 된다’는 FOMO(Fear Of Missing Out)가 작동하는 것입니다.

따라서 우리의 액션 플랜은 명확합니다. 뾰족한 타겟 그룹을 정의하고 그 안에서 빠르게 20% 수준의 침투율을 달성하는 것입니다.

알면서도 타겟을 좁히지 못하는 이유들

모두가 타겟 설정의 중요성을 알지만, 실제로는 쉽게 실행하지 못합니다. 여기에는 몇 가지 심리적 함정이 있습니다.

‘비전’과 ‘전략’의 혼동

VC 미팅에서 “시장이 너무 작은 것 아닌가요?”라는 질문을 받을까 봐 창업가들은 수조 원짜리 전체 시장(TAM)을 설명해야 한다는 압박에 시달립니다. 바로 여기서 거대한 비전(TAM)과 날카로운 초기 전략을 혼동하는 오류가 발생합니다. 투자자는 ‘원대한 비전’(대륙 정복)과 ‘정교한 초기 전략’(상륙할 해변 설정)을 모두 확인하고 싶어 합니다.

‘솔루션’에 대한 맹신

많은 창업가들이 고객의 ‘문제’가 아닌 자신이 만든 ‘솔루션’과 사랑에 빠집니다. 그 결과, 이 솔루션을 필요로 할 ‘모든’ 사람을 찾아 헤매는 오류를 범하게 됩니다.

‘가짜 성장’에 대한 집착

“일단 트래픽은 늘면 좋은 것 아니냐?”는 생각은 위험합니다. 아직 우리 제품에 만족하지 못할 고객들이 유입되면, 그들은 쉽게 이탈하고 “써봤는데 별로”라는 부정적 입소문(Negative WoM)을 퍼뜨리는 진원지가 될 수 있습니다. 잘못된 고객 한 명의 불만족 후기는 잠재 고객 열 명을 떠나게 만들 수 있습니다.

거절에 대한 두려움

타겟을 좁힌다는 것은 필연적으로 누군가에게 ‘이건 당신을 위한 제품이 아닙니다’라고 말하는 것과 같습니다. 많은 창업가가 잠재 고객을 잃는다는 생각, 혹은 부정적인 피드백에 대한 막연한 두려움 때문에 명확한 선을 긋지 못하고 애매한 스탠스를 취하게 됩니다.

어떻게 타겟 세그먼트를 명확히 정의하는가

“우리 고객이 누구인가?”라는 질문에 즉시 답할 수 있는 명확한 기준이 필요합니다. 이를 위해 I-E-T 프레임워크를 활용할 수 있습니다.

Inclusion(포함 기준): 우리 고객 그룹에 포함되는 조건입니다.
Exclusion(제외 기준): 전략적으로 포기할 대상을 명확히 하는 조건입니다.
Trigger(트리거): 제품에 대한 니즈를 폭발시키는 특정 이벤트나 상황입니다.

B2B와 B2C 타겟 정의를 위한 구체적인 기준

I-E-T 프레임워크를 채우기 위해 구체적으로 어떤 질문들을 던져야 할까요? 타겟이 B2B인지 B2C인지에 따라 다음과 같은 기준들을 활용할 수 있습니다.

B2B 타겟을 정의할 때 고려할 점들

회사 규모(Company size): 우리 제품을 구매할 예산과 필요성을 가진 최적의 규모는 어디인가요? (예: 10-50명 규모의 성장기 스타트업)
핵심 사용자 직무(Job title/role): 누가 우리 제품을 가장 고통스럽게 사용하고 구매에 영향을 미치나요? (예: 주니어 마케터, 개발팀장)
핵심 문제점(Pain point): 그들은 어떤 문제 때문에 밤잠을 설치나요? (예: 매주 10시간 이상 반복적인 리포트 작성에 낭비)
사용 중인 특정 기술(Specific tech used): 그들이 이미 돈을 내고 사용하는 다른 SaaS는 무엇인가요? (예: 회계는 ‘자비스’, 협업툴은 ‘아사나’ 사용)
활동 플랫폼(Where they spend time): 새로운 정보를 얻기 위해 어디에 시간을 쓰나요? (예: 페이스북 ‘사소한 마케팅’ 그룹, ‘EO’ 유튜브 채널)

B2C 타겟을 정의할 때 고려할 점들

연령대(Age range): 우리 제품의 핵심 가치에 가장 민감하게 반응할 연령대는 어디인가요?
라이프스타일/관심사(Lifestyle/Interest): 그들의 주말은 어떤 모습인가요? 무엇에 열광하나요? (예: 퇴근 후 주 3회 운동, 제로 웨이스트에 관심 많음)
핵심 문제점(Pain point/Challenge): 일상에서 느끼는 가장 큰 불편함은 무엇인가요? (예: 매일 저녁 메뉴를 고민하는 것이 스트레스임)
소비 행동(Spending behavior): 어디에 돈을 아끼고 어디에 돈을 아끼지 않나요? (예: 배달비는 아끼지만 유기농 식재료에는 과감히 투자함)
미디어 소비(Media consumption): 어떤 채널을 통해 정보를 얻고 구매를 결정하나요? (예: 인스타그램 인플루언서 추천, 유튜브 사용 후기)

I-E-T 프레임워크를 활용하는 구체적인 방법

1. Inclusion(포함 기준) 설정

우선 인구통계학적 정보(Demographics)부터 시작하는 것이 좋습니다. 연령, 성별, 소득, 직업, 지역 등을 구체적으로 정의합니다. 특히 지역은 매우 중요합니다. 입소문은 물리적으로 가까운 환경에서 더 강력하게 발생하기 때문입니다. 페이스북이 하버드에서, 당근이 판교에서 시작한 것처럼 많은 성공 사례가 이를 증명합니다.

인구통계학적 정보 외에는 누가 봐도 우리 타겟인지 아닌지를 즉시 판단할 수 있도록 객관적이고 측정 가능한 기준을 세우는 것입니다. 모호한 표현은 팀원 간의 혼란을 야기하고 리소스를 낭비하게 만듭니다.

“활발한 아이패드 사용자” (X) → “일주일에 3회 이상 아이패드를 업무 또는 학습 목적으로 사용합니다.” (O)
“스포츠 팬” (X) → “일주일에 최소 6시간 스포츠를 시청하고, 매주 최소 3개의 스포츠 팟캐스트를 듣습니다.” (O)

이렇게 구체적인 행동 기반의 정의는 팀 모두가 동일한 고객을 상상하고, 그들을 찾아내기 위한 명확한 액션을 취할 수 있게 합니다.

2. Exclusion(제외 기준) 설정

포함 기준을 만족하더라도, 우리 제품의 가치를 제대로 느끼기 어려운 사람들을 전략적으로 제외하는 것입니다. 예를 들어, “경쟁사 솔루션을 3개월 이상 사용 중인 고객”이나 “아이가 있지만 5세 이상인 경우” 와 같이 명확한 기준을 세워 리소스 낭비를 막을 수 있습니다.

3. Trigger(트리거) 파악

고객이 우리 제품을 간절히 원하게 되는 결정적인 사건이나 변화를 의미합니다. 개인에게는 취직, 이사, 결혼, 출산 등이, 기업에게는 투자 유치, 팀원 급증, 사무실 이전 등이 강력한 트리거가 될 수 있습니다.

그래서, 얼마나 좁혀야 하는가?

I-E-T 프레임워크를 통해 정의된 우리의 타겟 그룹은 얼마나 작아야 할까요? 결론적으로, 1개월에서 6개월 내에 20%의 침투율을 달성할 수 있을 만큼 좁혀야 합니다. 고객 전환(Conversion)이 빠른 제품일수록 더 좁은 타겟을 대상으로 더 짧은 시간(예: 1개월)을 목표로 해야 하며, 전환이 느린 제품이라면 더 큰 규모의 타겟을 대상으로 다소 긴 기간을 설정할 수 있습니다.

고객 심층 이해를 위한 사용자 인터뷰

이 모든 전략의 기반은 고객에 대한 깊은 이해, 즉 ‘인지적 공감’입니다. 인지적 공감이란 상대방의 상황과 관점을 논리적으로 이해하고 해석하는 능력입니다.

이때 필요한 것이 바로 사용자 인터뷰입니다. 많은 팀이 서베이를 먼저 떠올리지만, 두 도구의 목적은 완전히 다릅니다.

서베이: ‘무엇’을 하는지, ‘얼마나’ 많은지 알 수 있는 정량적 검증 도구
인터뷰: ‘왜’ 그렇게 하는지, ‘어떻게’ 느끼는지 알 수 있는 정성적 탐색 도구

제대로 된 답을 얻기 위한 인터뷰 노하우

효과적인 인터뷰를 위해서는 ‘연구 질문’과 ‘인터뷰 질문’을 분리해야 합니다.

연구 질문: 우리가 진짜 알고 싶은 것 (예: 가사도우미 고용 시 신뢰를 얼마나 중요하게 생각하는가?)
인터뷰 질문: 연구 질문에 대한 답을 얻기 위해 고객에게 실제로 던지는 질문 (예: 최근에 가사도우미를 어떻게 고용하셨나요?)

“신뢰가 중요한가요?”라고 직접 물으면 대부분 “그렇다”고 답할 것입니다. 하지만 과거의 ‘행동’에 대해 물으면 진실에 더 가까워질 수 있습니다.

인터뷰 내용 정리를 위한 ‘4-Part 고객 탐색 캔버스’

인터뷰를 통해 얻은 파편적인 정보들을 체계적으로 정리하고 인사이트를 도출하기 위해 다음의 4가지 프레임워크를 활용할 수 있습니다.

WHO: 어떤 사람인가?

타겟의 내면적인 심리, 동기, 믿음, 가치관은 무엇인가?

WHAT: 어떤 문제를 겪고, 어떤 기회를 보는가?

타겟이 현재 겪는 가장 큰 고충(Pain Point)은 무엇인가? 우리가 해결해 줄 수 있는 사업적 기회가 있는가?

HOW: 어떻게 행동하는가?

기존에 이 문제를 어떻게 해결하고 있는가? 새로운 솔루션에 대한 수용도는 어떤가? 우리 제품을 사용하는 데 어떤 마찰 요인이 있을까? 어떤 경쟁 서비스를 고려하는가?

WHERE: 어디에 있는가? 누구와 연결되는가?

주로 어떤 온/오프라인 채널에서 정보를 얻고 시간을 보내는가? 누구에게 영향을 주고, 누구에게 영향을 받는가?

인터뷰, 어떻게 꾸준히 할 것인가? (리크루팅 및 주기)

인터뷰는 일회성 이벤트가 아니라 지속적인 활동이어야 합니다.

기존 사용자를 적극 활용: 초기 타겟을 이해하는 가장 좋은 방법은 이미 우리 제품을 사용하고 있는 사람들을 만나는 것입니다. 외부에서 새로운 대상을 찾을 필요가 없습니다.
가입 완료 이메일에 인터뷰 요청 포함: 신규 사용자에게 보내는 가입 완료 이메일에 자연스럽게 인터뷰 요청과 간단한 스크리닝 설문을 포함하여 잠재적인 인터뷰 대상을 꾸준히 확보할 수 있습니다.
창업자의 습관화: 창업자는 시장과 고객의 변화를 가장 먼저 감지해야 합니다. 이를 위해 최소 주 1회는 고객을 직접 만나는 것을 강력히 추천합니다.

타겟 확장 전략: 어디서부터 시작하고 어떻게 확장하는가

명확한 타겟을 정의했다면, 이제 그 시장을 지배하고 체계적으로 확장해야 합니다.

1단계: 코어 집중 - 핵심 시장 지배력 강화하기

가장 먼저 할 일은 현재 우리 제품에 가장 잘 반응하는 ‘코어 세그먼트’ 안에서 지위를 공고히 하는 것입니다. 현재 가장 높은 리텐션, LTV, NPS를 보이는 유저 그룹을 식별하고, 목표는 단순한 만족을 넘어 고객이 주변에 적극적으로 추천하게 만드는 ‘Wow 경험’을 제공하는 것입니다.

2단계: 인접 확장 - 다음 시장 공략하기

핵심 시장에서의 성공은 다음 성장을 위한 ‘교두보’입니다. 이 기반을 활용해 '인접 유저'를 공략해야 합니다. 확장 과정은 4단계로 이루어집니다.

확장 후보군 정의: 핵심 유저가 되지 못한 유저 그룹을 식별합니다.
타겟 선정: 후보군 중 진입 난이도, 시장 크기 등을 고려해 먼저 공략할 그룹을 선택합니다.
핵심 장벽 진단 및 해결: 선택된 그룹이 다음 단계로 넘어가지 못하는 결정적 이유를 진단하고, 이를 해결하는 데 제품 역량을 집중합니다.
새로운 GTM(Go-to-Market) 전략 실행: 새로운 타겟 그룹의 언어와 채널에 맞춰 명확한 메시지를 전달하며 시장에 진입합니다.

성장의 원칙: ‘물 들어오는 곳’에서 노를 저어라

성장의 가장 큰 동력은 항상 ‘물 들어오는 곳’에서 나옵니다. 우리 리소스의 대부분은 가장 거센 물줄기에서 더 빠르게 나아가기 위해 사용되어야 합니다. 동시에, 예기치 못한 곳에서도 물이 들어오기 시작할 수 있으므로 리소스의 일부(예: 20%)는 꾸준히 인접 유저를 탐색하고 실험하는 데 사용해야 합니다.

타겟은 오직 하나여야 할까?

“타겟을 좁혀야 한다”고 하면 많은 창업가들이 이런 고민에 빠집니다. ‘A 그룹도 우리 고객 같고, B 그룹도 가능성이 있는데, 이 중 딱 하나만 골라야 하나?’ 이 압박감이 깊어질수록, 결국 어느 쪽도 아닌 애매한 교집합을 타겟으로 삼거나, 가능성 있는 시장 하나를 완전히 포기하는 잘못된 결정을 내리게 됩니다.

결론부터 말하자면, 초기 타겟은 하나일 필요가 없습니다. 단, 여기에는 ‘테스트하려는 모든 타겟이 그 자체로 우스꽝스러울 정도로 뾰족해야 한다’는 대전제가 붙습니다.

이는 ‘여기저기 다 걸쳐보자’는 안일한 태도와는 정반대입니다. 오히려 어떤 뾰족한 그룹이 우리 제품에 가장 폭발적으로 반응하는지, 가장 적은 리소스로 가장 빠르게 학습하기 위한 ‘체계적인 병렬 실험(Parallel Experiment)’에 가깝습니다. 아직 어떤 시장이 진짜 ‘대박’일지 모르는 불확실한 상황에서, 하나의 가설에 모든 것을 거는 대신, 몇 개의 날카로운 가설을 동시에 테스트하며 최적의 격전지를 찾아내는 전략입니다.

그렇다면 기업의 단계별로 몇 개의 ‘뾰족한 가설’을 운영하는 것이 적절할까요?

초기 스타트업 ; 가설 검증 단계: 2~3개의 독립적이고 뾰족한 타겟 가설

이 단계의 목표는 ‘시장 지배’가 아니라 ‘학습’입니다. 리소스를 낭비하지 않는 선에서, 완전히 다른 성격의 2~3개 타겟 그룹을 설정하고, 어떤 그룹에서 가장 강력한 초기 신호(Traction)가 오는지 검증하는 데 집중합니다. 예를 들어, ‘강남의 1인 헤어 디자이너’와 ‘성수동의 소규모 공방 운영자’라는 두 개의 뾰족한 가설을 동시에 테스트해 볼 수 있습니다.

성장 단계 기업 ; 성공 패턴 복제 및 탐색: 1~2개 집중 공략 + 3~5개 신규 탐색

초기 테스트를 통해 검증된 1~2개의 핵심 타겟 그룹을 본격적으로 공략(Exploitation)하여 시장 지배력을 높입니다. 동시에, 다음 성장 동력이 될 3~5개의 새로운 뾰족한 가설을 꾸준히 탐색(Exploration)하며 실험을 멈추지 않습니다.

대규모 기업 ; 시장 세분화 및 지배: 수십 개 이상의 동시 운영

성공 공식이 확립된 수십 개 이상의 세분화된 시장(Segment)을 각각의 팀과 리소스를 통해 동시에 운영하고 관리합니다.

이 관점에서 제프리 무어의 ‘볼링 핀 전략’을 다시 해석할 수 있습니다. 초기 스타트업 단계에서 여러 타겟 가설을 테스트하는 것은, 어떤 핀이 가장 강력한 연쇄 반응을 일으킬 ‘1번 핀(Head Pin)’인지 탐색하는 과정과 같습니다. 일단 최적의 1번 핀이 무엇인지 데이터로 확인했다면, 그때부터는 모든 에너지를 그 핀을 확실하게 쓰러뜨리는 데 집중해야 합니다.

마치며

Y-Combinator의 공동창업자 폴 그레이엄은 “100만 명이 그럭저럭 좋아하는 것이 아닌, 100명이 사랑하는 것을 만들라”고 말했습니다. 모든 사람을 만족시키려는 시도는 결국 아무도 만족시키지 못하는 결과로 이어지기 쉽습니다.

‘우스꽝스러울 정도로 좁은 타겟’을 설정하는 것은 단순히 시장을 작게 보는 것이 아닙니다. 가장 절실하게 우리를 필요로 하는 고객에게 집중하여 그들을 완벽히 만족시키고, 그들의 사랑을 기반으로 더 넓은 시장으로 나아가는 가장 확실하고 빠른 길입니다.

지금 당장 여러분의 타겟 고객을 종이에 적어보세요. 그리고 자문해보세요.

“이것이 정말 우스꽝스러울 정도로 좁은가?”

‘저희 서비스의 타겟은 OOO입니다’라고 망설임 없이 정의하고, 그들을 어떻게 만족시켰는지 숫자로 증명하는 창업가를 만나 뵙기를 고대하겠습니다.

“스톡옵션 드립니다” 스톡옵션이 대체 뭐길래 논란일까?

지난 8월, 인사관리(HR) 테크 스타트업 플렉스가 퇴사한 직원들에게 ‘스톡옵션(주식매수선택권)’을 지급하지 않아 논란이 됐습니다. 최소 10여 명의 퇴사 직원이 보상을 받지 못한 것으로 알려져 있으며, 미지급 보상액은 최대 30억 원에 달하는 것으로 추산됩니다. 그렇다면 스타트업 복지에서 자주 볼 수 있는 ‘스톡옵션’은 대체 무엇이고, 왜 논란이 되는 걸까요? 이번 글에서 스톡옵션 제도의 명암에 대해 살펴보겠습니다.

플렉스 ‘스톡옵션’ 논란의 쟁점

먼저 플렉스 스톡옵션 논란에 대해 짚고 넘어가 보려 합니다. 이번 사태를 한 줄로 요약하면 다음과 같습니다.

"액면가 100원에 스톡옵션 주겠다." → 퇴사 후 "시가 0원이니 보상 없음" → 피해액 30억 원 규모

<출처: flex>

핵심 문제점

1. 이중 잣대 문제

가장 충격적인 부분은 회사가 상황에 따라 완전히 다른 기준을 적용했다는 점입니다. 투자유치를 받을 때는 기업가치를 5,000억 원으로 평가하고, 주당 15만 208원이라는 높은 가격을 인정받았죠. 하지만 퇴사한 직원들의 스톡옵션을 정산할 때는 1주당 평가금액을 0원으로 책정해, 사실상 보상을 거부했습니다. 같은 회사, 같은 시기인데 투자자와 직원을 완전히 다르게 대한 것이죠.

2. 차액보상형 악용

일반적으로 스타트업은 비상장 회사라 정확한 시가 산정이 어려워서 주식결제형을 선택합니다. 하지만 플렉스는 의도적으로 차액보상형을 선택했습니다. 이 방식은 회사가 주가를 자의적으로 평가할 수 있어서 직원에게 불리할 가능성이 높습니다. 플렉스가 이 방식을 선택한 이유가 이제야 명확해졌죠.

3. 보충적 평가 방법 악용

플렉스는 시가 산정을 위해 ‘보충적 평가 방법’을 사용했습니다. 이 방법은 비상장 기업처럼 명확한 시가가 없을 때 활용되며, 상속세 및 증여세법 기준에 따라, 순자산가치와 순손익가치를 가중 평균해 주식 가치를 산정합니다. 다만 이 방식은 보통 보수적으로 평가되는 경향이 있어, 실제 기업가치보다 낮게 산출될 수 있다는 지적이 있는데요. 이번 사례도 이 평가 방식이 적용되면서, 직원들의 스톡옵션 가치는 0원으로 산정된 것이죠.

양측 주장

퇴사자들은 비상장 주식도 기본적으로는 시가를 기준으로 평가해야 한다고 주장하며, 플렉스가 직전 투자유치에서 인정된 주당 약 15만 원을 시가로 삼는 것이 합리적이라고 말했습니다. 이에 플렉스는 투자유치 가격은 시가로 볼 수 없다고 반박했죠. 특정 투자자와 맺은 일회성 거래일 뿐이고, 거래 규모도 전체 주식의 약 2%에 불과해 불특정 다수가 자유롭게 형성한 시장 가격이라고 보기 어렵다는 설명입니다.

여기까지의 내용을 읽고 한 번에 이해한 분도 있겠지만, 무슨 말인지 잘 모르겠다는 분도 계실 겁니다. 그래서 지금부터는 스톡옵션의 개념과 핵심 용어, 문제점 및 계약 시 주의할 점 등을 차근차근 살펴보겠습니다.

스톡옵션이란 무엇인가?

<출처: 픽사베이>

스톡옵션을 쉽게 설명하면, "미래에 회사 주식을 정해진 가격에 살 수 있는 쿠폰"이라고 볼 수 있습니다. 회사에서 직원에게 "우리 회사가 성장해서 주가가 오르더라도, 너는 지금 가격으로 주식을 살 수 있어"라고 약속해 주는 혜택이죠.

예를 들어, 카페에서 "이 쿠폰 있으면 언제든 아메리카노 3,000원에 드릴게요."라고 주는 것과 비슷합니다. 나중에 아메리카노 가격이 5,000원으로 올라도, 쿠폰 있으면 3,000원에 살 수 있죠.

실제 예시:

현재:

ABC회사 주식 1주 = 1만 원
회사가 D씨에게 스톡옵션 100주 부여
"언제든 1만 원에 우리 주식 살 수 있는 권리를 줄게."

3년 후:

ABC회사가 대박 나서 주식 1주 = 3만 원
D씨: 1만 원에 100주 구매(100만 원 지출) → 시장에서 3만 원에 100주 판매(300만 원 수입) → D씨의 순이익은 200만 원이 됨.

핵심: 주가가 오르면 그 차이만큼 이익이고, 주가가 내려가면 그냥 안 사도 되니까 손해 없음.

스톡옵션의 핵심 용어 정리

이번엔 스톡옵션에서 자주 등장하는 용어들을 정리해 볼게요.

1) 베스팅(Vesting): 일정 기간 근무해야 권리 획득

베스팅은 "스톡옵션을 실제로 쓸 수 있게 되는 과정"입니다. 게임으로 설명하면, 게임에서 레벨업을 해야 새로운 아이템을 쓸 수 있는 것처럼 회사에서도 일정 조건을 만족해야 스톡옵션을 사용할 수 있죠. 예를 들어, D씨가 입사할 때 받은 조건을 보면, 1년 차에는 스톡옵션 0% 사용 가능, 2년 차에는 25% 사용 가능, 3년 차에는 50% 사용 가능, 4년 차가 되어야 100% 모두 사용할 수 있는 식입니다.

회사 입장에서는 "스톡옵션 받고 바로 퇴사하지 말고, 오래 일해줘!"라는 메시지고, 직원 입장에서는 "오래 일할수록 더 많은 혜택을 받는구나!"라고 이해할 수 있어요.

2) 클리프(Cliff): 최소 근무 기간

클리프는 "스톡옵션을 처음 사용할 수 있는 최소 대기 시간"입니다. 카페 적립 카드로 설명하면, "도장 10개 찍으면 음료 1잔 무료" 같은 개념입니다. 한국에서는 법적으로 최소 2년은 일해야, 스톡옵션을 처음 사용할 수 있는데요. 타임라인으로 보면 입사 후 0~23개월까지는 스톡옵션 사용이 불가능한 ‘클리프’ 기간이고, 입사 후 24개월이 되어야 드디어 스톡옵션 사용할 수 있습니다.

핵심 포인트는 클리프가 일종의 "참을성 테스트"라는 것입니다. 2년 미만에 퇴사하면 스톡옵션 1주도 받을 수 없지만, 2년을 넘기면 그때부터 베스팅 스케줄에 따라 차근차근 받을 수 있게 됩니다.

‘스톡옵션’ 왜 사용할까?

스타트업 관점에서의 장점

대부분의 스타트업은 자금이 부족해, 빅테크처럼 ‘연봉 1억 원’ 같은 조건을 제시하기 어렵습니다. 이때 스톡옵션이 해결책이 됩니다. "지금 당장 높은 연봉은 못 주지만, 회사가 성공하면 훨씬 더 큰 수익을 얻을 수 있는 기회를 드릴게요."라는 방식으로 우수한 인재를 영입할 수 있죠.

예를 들어, 면접에서 이런 대화가 오갈 수 있습니다. 면접관이 "연봉은 5천만 원이고, 스톡옵션 1만 주를 드려요."라고 하면, 지원자는 "다른 회사는 연봉 7천만 원을 주던데요."라고 망설입니다. 그러면 면접관은 "우리가 상장하면 그 1만 주가 10억원이 될 수도 있어요!"라며 미래 가능성을 어필할 수 있죠.

실제로 장기근속 유도 베스팅 조건으로, 직원들이 쉽게 회사를 떠나지 못하도록 만드는 효과가 있는데요. 심리적으로 1년 11개월 근무한 직원은 "2년만 채우면 스톡옵션을 받을 수 있는데..."라고 생각하게 되고, 3년 근무한 직원은 "4년 채우면 100% 다 받을 수 있는데..."라며 회사에 남게 됩니다. 회사 입장에서는 직원들이 쉽게 이탈하지 못하도록 장치를 마련하는 것이죠.

미래 가치 참여

스톡옵션의 가장 큰 매력은 회사의 미래 가치에 참여할 수 있다는 점입니다. 이는 일종의 로또 같은 기회로, 지금은 작고 알려지지 않은 회사더라도, 나중에 대박 날 수 있는 성장 열차에 미리 탑승하는 것과 같습니다.

실제 국내에서도 성공 사례들이 있습니다. 카카오 초기 직원들은 스톡옵션을 통해 몇천만 원에서 수십억 원의 수익을 올렸고, 쿠팡 초기 직원들은 스톡옵션 수익으로 강남 아파트를 구매하는 일이 실제로 벌어졌죠. 네이버 역시 초기 직원들 중에서 "네이버 부자"라고 불리는 사람들이 탄생하기도 했습니다. 물론 모든 스타트업이 성공하는 것은 아니지만, 성공할 경우 얻는 보상이 일반적인 직장에서는 상상하기 어려울 정도로 크다는 점이 스톡옵션의 매력입니다.

낮은 진입 비용

스톡옵션의 가장 큰 매력은 말 그대로 ‘거의 공짜’로 주식을 가질 수 있다는 점입니다. 일반적으로 주식 투자를 하려면 삼성전자 1주에 7만 원 정도를 내야 하지만, 스톡옵션은 ABC 스타트업 1주를 100원이라는 액면가로 살 수 있죠. 만약 이 회사가 나중에 상장하게 되면, 그 1주가 10만 원이 될 수도 있고요. 결국 스타트업은 "현금은 적지만 꿈은 크다"라고 어필하고, 직원은 "안정적인 연봉은 포기하되 대박 기회를 잡겠다"라는 일종의 거래를 하는 셈입니다. 이는 위험하지만, 동시에 큰 기회가 될 수 있는 선택이라고 볼 수 있습니다.

스톡옵션 종류 알아보기

<출처: 픽사베이>

그렇다면 스톡옵션에는 어떤 종류가 있을까요? 크게 행사 방식과 법적 근거에 따라 분류됩니다.

행사 방식에 따른 분류

주식결제형: 진짜 주식을 받는 방식

주식결제형은 직원이 약속된 금액을 지불하고, 실제 주식을 받는 가장 일반적인 방식입니다. 예를 들어, 행사가가 100원으로 정해져 있다면, 현재 주가가 1,000원까지 올랐더라도 직원은 여전히 100원에 회사 주식을 구매할 수 있죠. 이후 시장에서 1,000원에 팔면 900원의 차익을 얻게 됩니다. 우리가 일반적으로 생각하는 스톡옵션이 바로 이 방식입니다.

차액보상형: 현금으로 차액만 받는 방식

차액보상형은 실제 주식을 받지 않고, 행사 시점의 주가와 행사가격의 차이만큼 현금으로 보상받는 방식입니다. 위 예시에서 주가가 1,000원이고 행사가가 100원이라면, 900원을 현금으로 받게 되는 거죠. 이 방식의 핵심은 회사가 "현재 주가를 얼마로 평가하느냐"에 달려 있습니다. 특히 스타트업처럼 비상장 회사의 경우 명확한 주가가 없어서 평가가 매우 어렵고 자의적일 수 있죠. 그래서 대부분의 스타트업에서는 이 방식을 거의 사용하지 않으며, 앞서 설명한 플렉스의 논란처럼 악용될 가능성도 있습니다.

법적 근거에 따른 분류

상법상 스톡옵션: "기본형" 상법에 따른 스톡옵션은 가장 기본적인 형태로, 회사의 이사, 감사, 직원(피용자)만을 대상으로 합니다. 다만 제약이 있어서, 회사가 발행한 전체 주식의 10% 이내에서만 부여할 수 있어요. 예를 들어, 회사 전체 주식이 100만 주라면, 스톡옵션으로 줄 수 있는 건 최대 10만 주까지인 셈이죠.

벤처기업육성법상 스톡옵션: "업그레이드형" 벤처기업으로 인증받은 회사는 상법보다 훨씬 유연한 조건으로 스톡옵션을 부여할 수 있습니다. 대상 범위가 넓어서 임직원뿐만 아니라, 기술 자문 인력, 경영 자문 인력 등 외부 전문가들에게도 스톡옵션을 줄 수 있어요. 더 큰 장점은 세금 혜택입니다. 벤처기업 임직원이 스톡옵션을 행사할 때 연간 2억 원까지(누적 5억 원까지) 소득세가 면제되거나, 세금을 5년간 나누어 낼 수 있는 등의 혜택을 받을 수 있습니다. 그래서 대부분의 스타트업이 벤처기업 인증을 받으려고 노력하는 이유기도 하죠.

스톡옵션의 명과 암

1) 스톡옵션의 문제점과 위험성

스톡옵션에는 사실 여러 가지 문제점과 위험성이 존재합니다. 먼저 세금과 관련된 부분을 보면, 스톡옵션은 행사 시점의 차익에 대해 과세가 이루어지기 때문에, 이후 주가가 하락하더라도 이미 산정된 세금을 그대로 납부해야 하는 부담이 있습니다.

또한 세금을 현금으로 납부해야 하지만, 비상장기업 주식은 시장에서 바로 현금화하기 어렵기 때문에 세금을 낼 자금이 부족한 경우도 많죠. 아울러 재직 중에 스톡옵션을 행사하면, 근로소득으로 분류되어 6~42%의 누진세율이 적용되지만, 퇴사 후에 행사하면 기타소득으로 분류되어 20%의 세율이 적용되는 차이도 있습니다.

한편, 구조적인 문제도 있습니다. 비상장주식은 시가가 없어 보통 상속세, 증여세법에 따른 보충적 평가 방법을 사용하는데요. 이 방식은 기업의 미래 성장성을 충분히 반영하지 못해, 실제 가치와는 괴리가 발생할 수 있습니다. 게다가 회사가 어떤 평가 방식을 적용할지는 자의적 요소가 많아, 직원이 이를 확인하거나 검증하기 어려운 점도 문제로 지적되고 있죠.

2) 스톡옵션 성공 사례

삼성전자는 2000년부터 임원들에게 스톡옵션을 부여했습니다. 이후 본격적으로 스톡옵션이 행사되기 시작한 2010년대 초반에는 수십억 원대의 시세차익을 얻는 임원들이 등장했죠. 당시 스톡옵션을 부여받을 때는 상여금을 받지 못했지만, 시간이 흐르면서 회사 성장의 성과를 함께 누릴 수 있었습니다.

최근에는 국내 대표 ICT 기업인 네이버와 카카오를 비롯해, 인재 확보가 중요한 게임 업계와 제약·바이오 업계에서도 스톡옵션 제도가 활발히 시행되고 있습니다. 예를 들어, 셀트리온은 2009년부터 10년 넘게 스톡옵션 제도를 운영하며, 수백억 원대 차익을 얻은 ‘샐러리맨 신화’를 만들어냈습니다.

스톡옵션 계약할 때 주의할 점: 실전 체크리스트

계약서에서 반드시 확인할 것들

1. 행사 방식이 명확한가?

"주식결제형으로 진행합니다" (권장)
"회사가 적절한 방법으로 처리합니다" (위험)
"상황에 따라 차액보상형이 될 수 있습니다" (매우 위험)

2. 주식 가치를 어떻게 평가할 것인가?

"직전 투자유치 시 주당 가격을 기준으로 합니다" (권장)
"외부 전문 기관의 공정 가치평가를 받겠습니다" (권장)
"회사가 정하는 방법으로 평가합니다" (위험)

3. 베스팅 조건이 구체적인가?

"입사일로부터 2년 후 50%, 3년 후 25%, 4년 후 25% 행사 가능" (권장)
"회사 상황에 따라 행사 시기를 정합니다" (위험)

4. 퇴사 후에도 권리가 보장되는가?

"퇴사 후에도 기존에 베스팅된 권리는 유지됩니다" (권장)
"퇴사 시 모든 권리가 소멸됩니다" (위험)

면접에서 확인하면 좋아요

"혹시 기존 직원 중에 스톡옵션을 행사한 사례가 있나요?"
"사례가 있다면 어떤 방식으로 처리되었나요?"
"주식 가치는 보통 어떤 기준으로 평가하시나요?"
"최근 투자유치 시 주당 가격과 스톡옵션 행사 시 가격이 다를 수 있나요?"

분쟁 예방책은?

스톡옵션을 행사할 때는 기업의 가치를 최근 투자 라운드에서 책정된 주식 가격이나, 일반적인 거래 가격과 맞추는 것이 좋습니다. 그래야 실제 가치와의 차이를 줄일 수 있습니다. 또한 평가 기준은 ‘공정한 가격’을 바탕으로 일관되게 적용해야 하며, 특정한 의도에 따라 임의로 평가해서는 안 됩니다.

결론: 스톡옵션은 여전히 유효한가?

스톡옵션은 여전히 스타트업 생태계에서 핵심적인 인재 영입 수단으로 활용되고 있습니다. 자금이 부족한 스타트업이 우수한 인재를 확보하고, 직원들이 회사 성장의 성과를 함께 나눌 수 있게 해주는 중요한 제도죠. 하지만 ‘플렉스 사건’은 이 제도가 자칫 악용될 수 있다는 위험성과, 제도 개선의 필요성을 적나라하게 드러낸 사례였습니다.

이러한 스톡옵션 제도가 건전하게 발전하기 위해서는 몇 가지 개선이 필요합니다. 먼저 투명한 평가 기준이 마련되어야 합니다. 기업가치 평가 체계는 일관되고 공정해야 하며, 플렉스 사례처럼 투자자와 직원을 다르게 대하는 일은 없어야 합니다. 또한 차액보상형 악용을 막기 위한 법적 가이드라인을 강화하고, 분쟁이 발생했을 때 이를 신속하고 공정하게 해결할 수 있는 제도적 장치도 필요합니다.

<출처: 작가, GPT로 정리>

결국 스톡옵션은 잘 설계되고 공정하게 운영된다면, 회사와 임직원 모두에게 도움이 되는 윈-윈 제도입니다. 플렉스 사건을 계기로, 앞으로는 더욱 투명하고 공정한 스톡옵션 문화가 자리 잡기를 기대해 봅니다.

<참고>

]]>

기업 해킹 막으려면? 암호화 도입 전 챙겨야 할 6가지

*이 글은 펜타시큐리티와 함께 요즘IT 브랜디드 콘텐츠로 제작했습니다.

암호화가 뭐고, 왜 필요한데요?

“OO기업, 고객정보 대규모 유출” 요즘 뉴스에서 이런 헤드라인 자주 보셨을 겁니다. 해커에 의해 수많은 고객정보 데이터가 유출됐다는 소식 말이죠. 이런 사고가 계속 반복되다 보니, “우리 회사는 괜찮을 거야”라고 더는 안심할 수 없게 됐습니다. 해킹은 특정 기업만의 문제가 아니라, 모든 산업과 조직에 닥친 현실이기 때문이죠. 이제 우리가 가장 먼저 지켜야 할 자산은 바로 ‘데이터’입니다.

그렇다면 해커들은 왜 이렇게 집요하게 데이터를 노릴까요? 이번 글에서는 그들의 목적부터 이에 대응하는 데이터 보안 방법을 짚어보고자 합니다. 특히 데이터를 안전하게 지킬 수 있는 ‘암호화’와 ‘키 관리’의 중요성을 살펴보고, 실제 암호화 도입 전에 반드시 확인해야 할 6가지 체크리스트도 함께 정리했습니다.

이런 분들이 읽으면 좋아요!

현업에서 서비스 보안을 챙겨야 하는 개발자·보안 담당자
어떤 보안 솔루션을 도입해야 할지 막막한 IT 인프라 담당자
한정된 리소스로 보안을 챙겨야 하는 스타트업 종사자
“우리 회사 데이터, 정말 안전한 걸까?” 고민하는 직장인

<출처: ChatGPT 생성>

해커의 목적: 그들은 왜 해킹을 할까?

해커는 그저 장난삼아 시스템을 뚫는 사람들이 아닙니다. 그들의 공격 뒤에는 늘 뚜렷한 목적이 있죠. 어떤 해커는 특정 기업의 서비스를 마비시켜 혼란을 일으키고, 그 대가로 돈을 요구합니다. 또 다른 해커는 기업의 금고 깊숙이 숨겨둔 핵심 데이터를 빼내어 팔거나, 협박의 수단으로 삼습니다.

결국 해커가 노리는 건 두 가지입니다. 서비스를 멈추게 하거나, 데이터를 빼돌려 되돌릴 수 없는 피해를 만드는 것이죠.

1) 서비스 방해

첫 번째로 해커는 특정 기관이나 기업의 서비스를 정상적으로 운영하지 못하게 방해하고, 그 과정에서 금전적인 이득을 노립니다. 이는 웹 방화벽 등 보안 솔루션으로 막을 수 있고, 대부분 수일 내 복구가 가능해 비교적 큰 피해로 이어질 가능성은 적습니다.

2) 데이터 탈취

두번째로 해커가 노리는 건 기업의 핵심 기밀 데이터입니다. 이를 빼돌려 금전적 이득을 취하려는 것이죠. 문제는 이 공격은 복구가 불가능하다는 점입니다. 한 번 유출된 데이터는 지우거나 회수할 수 없죠. 또한 해커 손에만 머무는 것도 아니라, 여러 경로로 퍼져 2차 피해가 발생할 수 있어요.

해커의 두 가지 목적 <출처: 펜타시큐리티>

이처럼 해커의 목적이 서비스를 멈추거나 데이터를 빼내는 데 있다면, 우리의 대응은 분명합니다. 데이터를 미리 안전하게 지키는 것이죠. 하지만 현실은 말처럼 쉽지 않습니다. 그렇다면 우리는 어떻게 대비해야 할까요?

그래서 ‘암호화’가 필요합니다

전 세계 정부와 기관은 해커로부터 데이터를 지키기 위해 다양한 규제를 마련하고 있습니다. 하지만 해커들의 수법은 해마다 진화하고, 그만큼 피해 규모도 커져 전 세계적으로 수조 원대 손실이 발생하고 있습니다. 이런 피해를 줄이고자, 기관과 기업에선 DRM(디지털 저작권 관리), DLP(데이터 유출 방지), VDI(가상 데스크톱 인프라) 같은 보안 솔루션을 도입하고 있지만, 비용 부담과 운영 인력 문제로 한계가 있죠. 게다가 구축 후에도 정보 유출 위험을 완전히 없애긴 어렵고요.

결국 핵심은 “비용은 최소화하면서도, 효과적인 보안 방식을 적용하자”는 건데요. 그 출발점이자 가장 기본적인 보안이 바로 ‘암호화’입니다.

여기서 잠깐! 암호화 개념으로 들어가기 전, 자주 묻는 질문 몇 가지를 살펴볼게요.

Q1. 암호화는 꼭 전용 제품을 써야 하나요?

내부에서만 쓰는 자료라면 자체적으로 암호화를 적용해도 큰 문제는 없습니다. 하지만 고객 정보처럼 민감하고 법적 책임이 따르는 데이터라면 이야기가 달라집니다. 이 경우에는 국정원 등에서 인증받은 검증필 암호모듈을 탑재한 솔루션을 써야 안전합니다. 그렇지 않으면 사고가 났을 때 자체 개발한 방식이 검증된 수준만큼 안전하다는 걸 기업이 직접 입증해야 하는데, 현실적으로 쉽지 않죠.

특히 ISMS-P 인증을 고려하는 기업이라면, 안전한 키 관리와 함께 전용 솔루션을 사용해야 인증을 받을 수 있습니다. ISMS-P는 “요구되는 보호조치가 충족되었는가”를 평가합니다. 개인정보 암호화, 키 관리, 암호 알고리즘의 적정성 등의 요구사항을 충족해야 하죠. 그런데 조직 내부에서 개발한 독자적 알고리즘은 심사 과정에서 “검증 가능성”이 크게 떨어져, 대체로 ‘검증 불가’로 간주되어 인정받기 어렵습니다. 이러한 이유로 ISMS-P 인증을 위해 내부 암호화 방식을 상용 암호화 제품으로 전환하는 사례도 적지 않고요.

결국 암호화는 비용이 아니라 보험 개념에 가깝습니다. 사고가 나면 금전적 손실뿐만 아니라, 법적 책임과 고객 신뢰 하락까지 겪게 되는데요. 피해 복구에 들어가는 비용을 생각하면, 예방 차원의 투자가 훨씬 저렴하고 확실한 대비책입니다.

Q2. 암호화에 있어 고려해야 할 가장 중요한 점은 뭔가요?

단순히 기술만 좋은 게 다가 아닙니다. 실제로는 다양한 환경에서 성능 저하 없이 잘 적용하는 게 더 중요하죠. 많은 기업들이 “암호화를 하면 시스템이 느려지지 않을까?” 걱정하지만, 구축 경험이 풍부한 솔루션을 선택하면 암호화를 적용하는 기반 아키텍처까지 최적화 되어 오히려 속도가 개선되는 경우도 있습니다. 결국 암호화는 기술력뿐만아니라 어떻게 적용하느냐, 어떤 노하우를 얼마나 가지고 있느냐가 더 중요한 영역입니다.

암호화 개념 톺아보기

아마 개발자나 보안 담당자가 아니더라도, ‘암호화’라는 단어는 들어보셨을 텐데요. 지금부터 그림과 예시를 통해 어떤 개념인지 자세히 살펴볼게요.

만약 금고 안에 돈이 있다고 상상해 보세요. 우리는 그 돈을 지키려고 CCTV를 달고, 경호원을 세우고, 차단기도 설치합니다. 하지만 도둑이 이 모든 방어막을 뚫고 들어온다면, 결국 돈은 그대로 도둑의 손에 넘어가고 맙니다.

암호화 예시 1. 금고 탈취(암호화 미적용) <출처: 펜타시큐리티>

그런데 만약 금고 안의 돈이 ‘암호화’되어 있다면 어떨까요? 암호를 풀어야만 쓸 수 있으니, 도둑이 아무리 많은 돈을 가져가도 결국 쓸모없는 종이에 불과합니다. 데이터도 마찬가지입니다. 해커가 정보를 빼내더라도, 암호화돼 있다면 쉽게 쓸 수 없겠죠. 그래서 암호화는 가장 기본적이면서도 필수적인 보안 수단이 됩니다.

암호화 예시 2. 금고 탈취(암호화 적용) <출처: 펜타시큐리티>

그래서 ‘데이터 암호화’란 중요한 정보를 제3자가 읽지 못하도록 바꾸는 과정을 말합니다. 수학적 연산을 거쳐 원래의 데이터를 의미 없는 문자들의 나열로 변환하는 것이죠. 이때 보호하려는 원본 데이터를 ‘평문(Plain Text)’이라고 부르는데요. 이 평문에 암호 알고리즘을 적용하면 ‘암호문(Cipher Text)’이 만들어집니다. 이 변환 과정이 우리가 말하는 암호화입니다.

암호화 과정 <출처: 펜타시큐리티>

또한 데이터 암호화는 어떻게 적용하느냐에 따라 방식이 달라지는데요. 구축 위치와 암호화 방식에 따라, 크게 정형 데이터(API 암호화, Plug-In 암호화)와 비정형 데이터(커널 암호화)로 나눌 수 있습니다.

암호화의 종류

1) 정형 데이터

API 암호화: API 암호화는 외부 애플리케이션 영역에서 암·복호화를 수행하기 때문에, DB 서버에 부하를 주지 않는다는 장점이 있습니다. 다만 암호화를 적용하려면 소스 코드를 수정해야 하고, DB 내부에서 연산 처리되는 데이터는 암호화할 수 없다는 한계가 있죠. 이런 이유로 성능이 중요한 환경에서 주로 사용됩니다.
Plug-In 암호화:Plug-In 암호화는 수정 사항이 거의 필요 없다는 장점이 있습니다. 그러나 DB 서버 내부에서 암·복호화를 수행하기 때문에, 서버에 직접적인 부하가 생길 수 있죠. 그래서 성능 영향이 크지 않은 환경에서 주로 사용됩니다.

2) 비정형 데이터

비정형 데이터 암호화 방식에는 주로 커널 암호화 방식이 사용됩니다. 이 방식은 OS의 커널 레벨에서 파일과 폴더를 암·복호화하는 구조입니다. 주로 로그, 이미지, 녹취, 문서 파일, OCR 데이터 같은 비정형 데이터를 보호할 때 활용됩니다.

예전에는 정형·비정형 데이터 환경에 따라 각각 다른 솔루션을 써야 했지만, 최근에는 어디서든 적용 가능한 암호화 플랫폼으로 발전했습니다. 여기에 키 관리 시스템(KMS)과 중앙 관리 시스템(CMS)이 결합되면서, 보안은 더 강력해지고 운영도 훨씬 편리해졌습니다.

암호 플랫폼 <출처: 펜타시큐리티>

그런데 여기서 꼭 짚고 넘어가야 할 점이 있습니다. 아무리 강력한 암호화 시스템을 갖췄다 해도, ‘키 관리’가 허술하면 보안은 언제든 무너질 수 있다는 점입니다.

암호화의 답은 ‘키 관리’에 있습니다

우리가 자물쇠를 잠글 때 열쇠가 필요하듯, 데이터를 암호화할 때도 데이터를 잠글 ‘열쇠’가 필요한데요. 바로 데이터 암호화의 핵심인 암호키(Key)입니다. 이 암호키는 데이터를 암호화할 때마다 사용되며, 복호화할 때도 반드시 필요합니다. 즉, 암호키 없이는 암호화된 데이터의 내용을 확인할 수 없기 때문이죠.
*복호화: 암호화된 데이터를 암호키를 사용해 다시 원래의 평문으로 되돌리는 과정

키 관리의 중요성 <출처: 펜타시큐리티>

이번엔 도둑이 암호화된 돈을 훔쳤다고 가정해 볼까요? 겉보기에는 안전해 보이지만, 만약 도둑이 암호키까지 손에 넣는다면 상황은 완전히 달라집니다. 암호화된 돈은 본래의 가치를 되찾아, 도둑이 자유롭게 사용할 수 있죠.

즉, 데이터와 함께 암호키까지 유출된다면 해커는 언제든 암호를 풀고, 데이터를 원래 상태 그대로 활용할 수 있습니다. 이 때문에 암호키는 데이터 암호화에서 심장과도 같은 존재죠. 따라서 암호화된 데이터가 유출되더라도 안전하려면, 반드시 데이터와 암호키를 분리해 별도로 관리해야 합니다. 여기서 자연스럽게 궁금증이 하나 생깁니다. 그렇다면 우리가 관리해야 할 암호키에는 어떤 종류가 있을까요?

암호키는 크게 대칭키와 비대칭키 두 가지 방식으로 나눌 수 있습니다.

대칭키는 ‘같은 열쇠’를 쓰는 방식으로, 암호화와 복호화에 동일한 키를 사용해 연산 속도가 빠르고, 구조도 단순해 효율적입니다. 그래서 성능이 중요한 환경에서는 자주 쓰이지만, 문제는 보안성입니다. 같은 키로 잠그고 열다 보니, 그 키 하나만 유출돼도 누구나 데이터를 해독할 수 있다는 치명적인 단점이 있죠.

비대칭키는‘서로 다른 열쇠’를 쓰는 방식입니다. 암호화에는 공개키, 복호화에는 개인키를 사용하죠. 덕분에 공개키는 자유롭게 배포해도 문제가 없고, 해독 난이도도 훨씬 높습니다. 완벽한 인증이 가능하다는 장점이 있지만, 개인키가 길고 복잡하다 보니 처리 속도가 느려질 수 있죠.

대칭키와 비대칭키의 비교 <출처: 펜타시큐리티>

이렇게 암호키는 방식마다 장단점이 달라, 환경과 목적에 맞게 선택해야 합니다. 하지만 여기서 끝이 아닙니다. 원리를 이해하는 것보다 더 중요한 건, 실제 어떤 제품을 고르고 어떤 기준으로 판단하느냐입니다.

암호화, 도입 전에 챙겨야 할 체크리스트 6가지

이제 기업에선 데이터 보안의 중요성을 깨닫고, 암호화 솔루션을 도입하려고 할 겁니다. 하지만 개념은 어렵고 방식도 다양해, “어떤 제품을 골라야 하지?”라는 고민에 빠지죠. 그래서 준비했습니다. 암호화 도입 시 꼭 확인해야 할 6가지 체크리스트를 통해 살펴볼게요.

1) 인증 및 법적 컴플라이언스 대응 범위

데이터 암호화와 키 관리는 개인정보보호법, 의료법 등 다양한 법률의 규제를 받습니다. 따라서 국정원 검증필, CC 인증처럼 공신력 있는 인증을 갖춘 제품인지 꼭 확인해야 하죠. 결국 법적 컴플라이언스(Compliance)에 100% 대응할 수 있는지가 제품 선택의 첫 번째 기준입니다.

‘D.AMO’의 인증 및 법적 컴플라이언스 대응 범위 <출처: 펜타시큐리티>

2) 다양한 시스템 및 환경 대응 여부

기업의 IT 인프라는 점점 복잡해지고 있습니다. 멀티·하이브리드 클라우드부터 스마트 팩토리, 블록체인, IoT까지 환경이 갈수록 다양해지고 있죠. 따라서 어떤 환경에서도 암호화를 적용할 수 있어야 하며, 나아가 여러 암호화 제품을 중앙에서 모니터링하고 관리할 수 있는 기능이 필요합니다.

‘D.AMO’의 시스템 및 환경 대응 <출처: 펜타시큐리티>

3) 다양한 알고리즘 지원 여부

안전한 암호화를 위해서는 국가정보원이 지정한 국내외 표준 알고리즘을 폭넓게 지원해야 하는데요. 해외 상용 알고리즘뿐 아니라, SEED·ARIA 같은 국산 알고리즘, LEA·HIGHT 같은 경량 알고리즘까지 모두 대응할 수 있는지 확인해야 합니다.

‘D.AMO’의 알고리즘 지원 현황 <출처: 펜타시큐리티>

4) 전용 키 관리 시스템 존재 여부

앞서 말했듯 암호화의 핵심은 ‘암호키’입니다. 암호화 제품과 키 관리 시스템이 원활하게 연동되는지가 매우 중요하죠. 이때 전용 키 관리 장비(H/W Appliance)를 사용하면, 별도 OS, 응용소프트웨어 설치나 복잡한 설정 없이, 안전한 채널을 통해 키를 저장하고 관리할 수 있습니다.

‘D.AMO’의 전용 키 관리 시스템 <출처: 펜타시큐리티>

5) 중앙 관리 시스템 보유 여부

IBM의 ‘Cost of a Data Breach Report 2021’에 따르면, 시스템이 복잡한 기업은 그렇지 않은 기업보다 평균52.4% 더 많은 유출 비용을 지불했습니다. 약 215만 달러(약 30억 원) 차이였죠. 그만큼 복잡할수록 유출 위험도 커지기 때문에, 체계적인 암호화 관리가 필수입니다.

이를 위해 필요한 것이 바로 중앙 관리 시스템입니다. 암호화 제품과 키 관리 현황을 한눈에 파악하고, 운영·연동 설정부터 접근 제어, 로그, 감사 기능까지 통합적으로 관리할 수 있죠.

‘D.AMO’의 통합 관리 시스템 <출처: 펜타시큐리티>

6) 구축 및 운영 비용 절감

데이터 암호화와 키 관리 시스템은 고도의 기술력을 요구하는 만큼 비용도 적지 않습니다. 한 번 구축하면 쉽게 교체하기 어렵기 때문에, 초기 단계부터 비용 효율성을 꼼꼼히 따져보는 것이 중요합니다. 또한 성능 저하가 없는 암호화 방식을 선택해야, 비용을 줄이면서 성능과 보안을 함께 확보할 수 있습니다.

‘D.AMO’의 주요 제품군 <출처: 펜타시큐리티>

데이터 보안, 이제는 행동할 때

기업의 데이터는 결국 ‘고객 신뢰’와 직결됩니다. 이번 글에서 이야기한 암호화와 키 관리, 그리고 6가지 체크리스트는 단지 어렵고 거창한 기술 이야기가 아니라, 기업이 오래 살아남고 고객의 신뢰를 지키기 위한 가장 기본적인 조건입니다. 너무 복잡하게 생각하지 마세요. 오늘 당장, 우리 조직의 보안 체계를 이 체크리스트로 한번 가볍게 점검해 보는 것. 그 작은 실천이 결국 큰 변화를 만든다면, 지금 시작해 볼만하지 않을까요?

암호화, 지금 우리 회사에도 필요하다면?

“D.AMO로 암호화 완성하기”

]]>

블록체인 기업에서 ‘AI 해커톤’을 열자 생긴 일들

박수빈 람다256 DX 리드/테크니컬 라이터 인터뷰

요즘 많은 사람들이 “AI 등장 이후 변화가 너무 빨라요. 어떻게 따라가야 할지 모르겠어요.”라고 말합니다. 기업도 마찬가지입니다. 매일 쏟아져 나오는 새로운 기술을 어떻게 비즈니스에 잘 도입하냐가 관건이 됐죠. 이제 AI는 선택이 아니라 필수라는 말이 나올 정도지만, 그 방법을 잘 아는 사람은 드뭅니다.

그럼에도 많은 기업들이 앞다투어 “우리도 AI 도입합니다.”라고 당당히 선언하죠. 그러나 실무 현장의 반응은 사뭇 다릅니다. ‘우리 조직에는 어떤 방식이 맞을까?’, ‘어디서부터 시작하고, 도입 후엔 어떻게 운영하지?’ 같은 질문들이 뒤따르기 때문입니다.

결국 차이는 이 질문이 그냥 고민에서 그치느냐, 아니면 몸소 부딪혀 보느냐에 따라 갈립니다. 블록체인 인프라 기업 ‘람다256’이 단순히 “AI를 써야 한다”라는 선언에서 멈추지 않고, 조직 곳곳에 자연스럽게 AI를 녹이는 다양한 실험을 이어온 것처럼 말이죠.

람다256은 2024년부터 AI 전담 TF를 꾸려 전사 차원의 도입을 지원했고, 지난 6월엔 전 직원이 참여하는 AI 사내 해커톤을 열었습니다. 구성원들이 직접 아이디어를 내고 실제 서비스와 업무에 적용해 보면서, AI의 실질적 가능성을 체감할 수 있었죠. 요즘IT에서는 이 해커톤을 기획하고 총괄한 박수빈 람다256 DX 리드/테크니컬 라이터를 만나, 기업의 성공적인 AI 도입 과정과 아이디어의 확장, 그리고 AI와 만난 블록체인이 열어갈 가능성에 대해 이야기를 나눠봤습니다.

박수빈 리드는 “AI를 효율성을 높이는 도구이자 제품 경쟁력을 키우는 필수 전략으로 보고 있다”며, “조직에서 제대로 자리 잡으려면 구성원 모두가 직접 써보고 경험해야 한다”고 전했는데요. 이번 인터뷰가 여러분의 조직에서 AI 도입을 어떻게 바라보고, 활용할지 고민하는 데 작은 힌트가 되길 바랍니다.

박수빈 람다256 DX 리드/테크니컬 라이터 <출처: 요즘IT>

AI 해커톤이 남긴 것

Q. 지난 6월, 람다256에서 ‘AI 사내 해커톤’이 열렸다고 들었어요. 어떻게 기획하게 되셨나요?

저희 팀원들은 이미 각자 업무에서는 AI를 많이 쓰고 있었어요. 그런데 다들 바쁘다 보니까 깊게 파고들 기회는 없었죠. 그러던 중에 “혼자 쓰는 것보다 다같이 모여서 한번 제대로 해보자”라는 분위기가 생겼고요. 물론 참여도를 높이기 위해 맥북이나 에어팟 같은 쏠쏠한 보상도 걸었지만, 저희의 진짜 목적은 ‘AI로 어디까지 할 수 있을까’를 함께 경험해 보는 거였죠. 그렇게 첫 사내 AI 해커톤을 열게 됐습니다.

Q. AI 해커톤은 어떤 주제로 진행되었나요?

이번 해커톤은 크게 두 가지 주제로 진행됐어요. 첫 번째는 저희 서비스 노딧(Nodit)의 MCP를 활용한 유스케이스 발굴이었고, 두 번째는 AI를 활용해서 업무 효율을 높일 수 있는 아이디어 제안이었죠. 총 70명 중에 24명이 참가할 정도로 반응이 좋았고, 기간은 2주 동안 진행했습니다.

팀 구성도 일부러 같은 팀끼리는 묶이지 않게 했어요. 개발자랑 기획자, 디자이너, 마케터가 섞여서 새로운 시너지가 나오도록 했는데, 그래서 더 색다른 아이디어들이 나왔던 것 같아요. 결과물도 단순히 아이디어 수준에 머무른 게 아니라, 실제 업무에 적용되거나 사업화 논의까지 이어지고 있는 것들이 나왔어요.

지난 6월에 열린 람다 256 사내 AI 해커톤 발표 모습(왼), 우승팀 세레모니(오) <출처: 람다256>

Q. 실제 업무에 적용되거나, 사업화 된 프로젝트도 소개해 주실 수 있나요?

우선 첫 번째 트랙에서 나온 ‘Nobita’라는 프로젝트가 있는데요. 거래소 데이터랑 *온체인 데이터를 결합해서 트레이딩 지표를 만들고, 자연어 기반으로 매매까지 실행하는 아이디어였어요. 쉽게 말하면, AI가 투자를 도와주는 비서가 되는 개념이죠. 특히 중앙화 거래소뿐 아니라, 분산형 거래소에서의 거래 흐름까지 반영할 수 있다는 점이 인상적이었는데요. 이후에 내부 여러 과제에 아이디어가 반영되고, 제안서로 발전해서 사업 기회로 논의되기도 했습니다.

*온체인 데이터: 블록체인에 영구적으로 기록되고 누구나 열람할 수 있는 거래 및 활동 내역

두 번째 트랙에서는‘Chainguard’라는 *노드 운영 분석 도구가 대표적인데요. 이건 실제 상용 환경에 적용돼, 저희가 노드 운영을 효율적으로 할 수 있도록 돕고 있어요. 블록체인 네트워크는 노드를 통해서만 접속할 수 있고, 저희는 이런 노드를 제공하는 서비스를 운영합니다. 하지만 노드는 저희가 직접 개발한 게 아니고 오픈소스 클라이언트를 구동하는 구조라, 문제가 생기면 원인 분석과 대응이 쉽지 않습니다. Chainguard는 AI가 로그를 자동 분석해 문제가 하드웨어 때문인지, 네트워크 때문인지, 아니면 커뮤니티에 보고된 이슈인지 빠르게 파악해 줍니다. 쉽게 말해, ‘블록체인 노드 운영을 도와주는 AI 서버 관리자’라고 보시면 됩니다.
*노드: 블록체인 네트워크에 참여하는 개별 컴퓨터(혹은 서버)

그리고 ‘Angel CRM’은 웹3(Web3) 업계에서 정말 공감할 만한 텔레그램 채널 관리 문제를 해결하려는 프로젝트예요. 웹3 회사들은 파트너사, 고객, 커뮤니티와 텔레그램으로 소통하는데, 수십, 많게는 수백 개 방을 동시에 관리해야 합니다. 그 과정에서 중요한 메시지를 놓치기 쉽고, 같은 공지를 반복하거나 피드백을 하나하나 취합해야 하는 비효율이 생기죠. Angel CRM은 이런 문제를 AI로 풀었어요. AI가 꼭 확인해야 할 메시지를 모아주고 답변 초안을 만들어 주는 식입니다. 현재 실제 업무에도 쓰이고 있는데, 외부에서 ‘우리도 써보고 싶다’는 문의가 있을 정도로 반응이 좋습니다.

마지막으로 ‘Avi’라는 도구인데, 팀이나 그룹, 본부 단위로 반복적으로 작성하는 주간 보고를 자동화해 주는 아이디어였어요. 노션이나 슬랙과 연동해서 개인의 업무 이력과 주간 요약을 자동으로 만들어 줍니다. 이건 인사팀을 통해 전사 도입까지 논의될 정도로 실제 현장에 도움이 되는 프로젝트였어요.

사내 해커톤에서 선정된 Angel CRM(왼)과 Avi(오) <출처: 람다256>

Q. 이번 해커톤을 통해 얻은 것이 있다면 무엇인가요?

해커톤을 통해 얻은 가장 큰 성과는 조직 차원에서 “이게 단순한 이벤트가 아니라, 실제 성과와 사업화로 이어질 수 있다”라는 확신을 준 거였어요. 저는 기획 단계부터 계속 “이걸 하고 끝나는 게 아니라, 반드시 결과가 성과로 이어져야 한다”고 강조했는데요. 실제로 몇몇 아이디어가 제품에 반영되고 사업화 논의까지 이어지면서, 리더십에서도 구성원들의 역량을 새롭게 보게 된 것 같아요.

임원분들이 ‘우리 팀원들이 이렇게까지 잘하네’ 하고 놀라셨을 정도였거든요. 그런 점에서 이번 해커톤은 단순히 AI를 경험하는 자리가 아니라, 리더십과 조직 전체에 “AI는 실제로 우리의 성과를 바꿀 수 있는 도구”라는 강력한 메시지를 던진 계기였다고 생각합니다.

AI, 팀원보다 리더가 먼저 써보세요

Q. 람다256은 언제부터 AI 도입을 고민하셨나요?

람다256은 블록체인 인프라 기업으로, 블록체인 네트워크와 그 위에서 돌아가는 탈중앙화 애플리케이션(DApp)을 누구나 쉽게 만들고 운영할 수 있도록 돕는 플랫폼을 개발하고 있어요. 쉽게 말해, 블록체인을 좀 더 대중적으로 쓰일 수 있게 만드는 기반을 제공하고 있죠. 그래서 블록체인 데이터를 다루는 데는 자신이 있었는데, 문제는 이 데이터를 고객들이 얼마나 쉽게 활용할 수 있게 할까였어요. 진입 장벽을 낮추는 게 늘 고민이었죠. 그러던 중 AI의 발전을 보면서 ‘아, 저거다!’라고 답을 찾은 것 같았죠. 2024년 11월부터는 AI 전담 TF를 꾸려 다양한 LLM 제품과 기술을 공부하고, 사내 제품과 문화에 적용할 방법을 고민하기 시작했어요.

처음에는 내부 효율을 높이는 데 초점을 맞췄어요. 사내 슬랙에 AI 활용 게시판을 만들어 사례를 공유했죠. 그러자 자연스럽게 AI를 쓰는 분위기가 확산됐고, 올해 초부터는 실제 업무 개선 사례가 나오기 시작했죠. 올해 4월 말, Nodit MCP를 출시하면서부터 본격적으로 제품에도 AI를 붙이게 됐습니다.

Q. 단순히 ‘AI를 쓴다’를 넘어 ‘업무 효율성을 높인다’까지 가기가 어려운 것 같은데, 어떻게 해야 할까요?

실제로 그냥 AI를 쓴다에서 끝나는 게 아니라, 업무 효율성을 높이는 게 쉽지는 않더라고요. 저희도 처음에는 다들 이것저것 써보면서 익숙해지는 데 시간을 많이 썼어요. 중요한 건 우리 회사에서 어떤 문제가 AI로 풀기에 적합한 문제인지, 그 영역을 먼저 찾는 거라고 생각해요.

그리고 이 과정에서 리더십이 직접 써보고 경험하는 게 정말 중요해요. 리더들이 제대로 이해하지 못한 상태에서 “이거 써 봐”라고만 하면 오히려 반감이 생기거든요. 그래서 저희도 처음에는 AI TF 중심으로 다 같이 여러 툴을 써보면서 회사에 맞는 걸 골라냈어요.

또 하나는 분위기예요. ‘이거 안 쓰면 불이익 있다’ 이런 식이 아니라, 자연스럽게 “나도 한번 써봐야겠다”라는 분위기가 만들어져야 하거든요. 저희가 사내 AI 해커톤을 연 것도 그런 이유였어요. 바쁘다는 이유로 AI를 깊게 못 써봤던 분들이 그 기회에 제대로 써보고, 어디까지 할 수 있는지 직접 체험해 볼 수 있었죠.

Q. AI TF에서는 어떤 일을 하는지도 궁금해요. 어떤 프로세스로 AI를 도입하셨나요?

AI TF는 쉽게 말하면 회사 안에서 AI를 어떻게 잘 도입할지 방향을 잡고, 실제로 도입까지 이어지게 하는 컨트롤 타워 같은 역할을 했어요. 처음에는 CTO님 주도로 전문성이 있거나, 관심이 많은 분들이 모였죠. 개발팀뿐만 아니라 보안팀, 인사·총무팀까지 골고루 들어와 있었거든요. 그러다 보니 기술적인 부분부터 보안, 구매 절차와 인사 정책까지 다 같이 논의할 수 있었어요.

처음 도입 단계에서는 AI를 먼저 써본 분들이 자발적으로 세미나를 열었어요. 예를 들어, “프롬프트를 이렇게 쓰면 코드 품질이 확 달라진다.”, “제품 개발에 꼭 필요한 AI 룰셋” 같은 걸 공유해 주신 거죠. 그러면서 자연스럽게 TF가 만들어졌고, 이후에는 아예 사내 슬랙에 AI 전용 채널을 따로 두고 전 직원이 새로운 툴이나 활용 사례를 올리도록 했어요. 그러면 TF에서 그걸 검토해서 “이건 전사적으로 도입하자”, “이건 특정 팀만 쓰자.”, “이건 보안 이슈 때문에 못 쓴다.” 이런 식으로 가이드를 정해줬습니다.

또 공통적으로 쓰는 툴은 세미나를 열어서 교육했고, 직군별로 필요한 도구들은 따로 허용했어요. 개발팀은 IDE에 붙는 AI 코딩 툴을 쓰고, 디자인팀은 디자인 관련 툴을 쓰는 식이었죠. 그래서 누군가가 “이거 써봤는데 진짜 좋아요.”라고 하면, AI TF에서 빠르게 검토해서 전사 정책으로 반영하는 흐름이 잡혔던 것 같아요. 결국 TF가 단순히 툴을 고르는 역할을 넘어, 회사 전체가 AI를 어떻게 바라보고 활용할지 문화를 만드는 데 중요한 역할을 했다고 보시면 될 것 같아요.

Q. AI 도입 이후, 직원들이 어떻게 잘 활용하고 있는지 평가하는 기준도 있을까요?

사실 저희가 “AI를 꼭 써라, 안 쓰면 감점이다.” 이런 식으로 따로 체크하진 않아요. 대신 회사에 람다 웨이라는 핵심 가치가 있는데요. 거기에 ‘Technology Enabled, Streamlined’라는 항목이 있어요. 쉽게 말하면, ‘기술을 최대한 활용해서 업무 효율을 극대화하라’는 의미인데, 요즘은 그 안에 AI가 자연스럽게 포함되어 있는 식이죠.

예를 들어, 지난달에 내가 10개의 일을 했다면, 이번 달에는 AI를 잘 활용해서 12개, 13개 정도는 해낼 수 있어야 한다는 거죠. 꼭 숫자로 보기보다는 AI를 통해 얼마나 본인의 프로세스를 개선하고 효율을 높였느냐가 중요해요. 본인이 AI로 업무 방식을 개선한 사례가 있으면, 그게 자연스럽게 평가에 반영되는 구조라고 보시면 됩니다. 물론 이건 각 회사 정책에 맞는 방향으로 설정할 수 있겠죠.

Q. 실제 업무에서 AI로 효율을 높인 부분이 있다면요?

사실 모든 팀이 자기 역할에 맞게 AI를 잘 쓰고 있어서, 어느 한 부분만 딱 꼽기는 어려워요. 그래도 몇 가지를 말씀드리면, 개발팀에서는 AI 코딩을 기본으로 활용하고 있어요. 또 운영팀의 경우, 블록체인 노드가 워낙 많다 보니 관리하는 데 품이 많이 드는데요. AI 기반 운영 도구를 만들어서 이상 로그나 네트워크 장애를 바로 탐지하고, 원인까지 추정해 주는 식으로 효율을 많이 높였습니다. 새로운 체인 노드를 띄울 때도, AI가 기존 정책을 참고해서 명령어 실행이나 로그 분석을 해주니까 훨씬 빨라졌고요.

문서나 코드 리뷰 쪽도 많이 달라졌어요. 모든 저장소에 대해서 1차 AI 코드 리뷰가 들어가니까 기본적인 품질은 자동으로 잡아주고, 기획서나 정책서 초안도 AI가 빠르게 정리해 줘요. 제 경우엔 글로벌 서비스라 영문 번역이 꼭 필요한데, 예전에는 번역 검수 담당자나 외부 업체까지 써야 했거든요. 지금은 AI가 있어서 훨씬 빠르고 정확하게 처리할 수 있게 됐습니다.

또 외부 해커톤 같은 행사에서도 참가자들이 제출한 코드가 저희 제품을 제대로 활용했는지, 트랙 요구사항을 지켰는지 일일이 다 보지 않아도 돼요. AI가 먼저 1차로 검수해 주니까, 사람은 필요한 부분만 확인하면 되거든요. 이런 것들이 모여 업무 효율이 정말 많이 올라갔습니다.

블록체인 제품에 ‘AI’를 적용하다

Q. 이번엔 블록체인 제품에 AI를 적용한 사례가 궁금한데요. 제품 전략엔 어떻게 활용하셨나요?

저희가 제품에 AI를 붙일 때 가장 크게 본 건 ‘블록체인 진입 장벽’을 낮추는 것이었어요. 데이터를 다루는 건 자신 있었지만, 고객 입장에서는 다양한 여러 블록체인의 API 문서를 다 읽고 이해하고 쿼리를 짜는 게 쉽지 않거든요. 그래서 “누구나 쉽게 쓸 수 있게 하자”는 전략으로 AI를 도입했습니다.

대표적인 게 ‘Nodit MCP’인데요. 복잡한 명세를 몰라도 자연어로 “이더리움 최근 트랜잭션 요약해 줘.”, “이 계정의 멀티체인 자산을 조회하고 위험도를 평가해 줘.”, “최근 Sui 네트워크에서 발생한 일들에 대해 알려줘.”와 같이 질의하면 바로 결과가 나오니까, 블록체인 전문가가 아니어도 데이터를 쉽게 다룰 수 있죠.

또 ‘Clair’라는 솔루션은 가상 자산 흐름을 추적하고, 비정상적인 활동들을 모니터링하기 위한 제품인데요. 여기에 AI가 붙으면서 단순히 자금의 흐름을 보여주는 걸 넘어, 위험 계정 목록이나 자금 동결 등 필요한 액션까지 자동으로 리포트를 뽑아줍니다.

이런 기능들이 가능해지려면 사실 데이터를 쌓는 단계부터 AI 활용을 고려해야 해요. 저희는 각 체인별로 어떤 데이터가 꼭 필요한지, 어떤 건 불필요한지 먼저 구분하고, 데이터 간의 관계나 영향도를 분석해서 온톨로지 형태로 가공하거나, 통계 데이터로 다시 정리해 적재합니다. 이렇게 AI 친화적인 방식으로 데이터를 쌓아 올리다 보니, 장기적으로는 AI Native 블록체인 플랫폼을 만들 수 있는 기반이 되고 있어요. 결국 저희는 AI를 단순히 효율화 도구로 쓰는 게 아니라, 블록체인 데이터를 누구나 쉽게 활용할 수 있는 전략적 장치로 삼고 있습니다.

람다256이 선보인 Nodit MCP <출처: 람다256>

Q. 제품에 AI를 적용하는 과정이 쉽진 않았을 것 같아요. 가장 어려웠던 점은 무엇인가요?

가장 어려웠던 건 두 가지였던 것 같아요. 첫째는 문제를 얼마나 정확하게 정의하느냐였어요. AI가 아무리 좋아도 우리가 풀고자 하는 범위나 지시가 애매하면 결과가 흔들리거든요. 잘못하면 없는 데이터를 지어내거나, 임의로 해석해 버리는 경우가 생겨요. 이른바 할루시네이션 문제죠. 이건 제품의 기능을 정의하고 QA의 범위를 정하는 부분에서 많이 고민하고 적용했습니다. 가이드라인을 명확히 주는 게 굉장히 중요했어요.

둘째는 팀마다 다른 결과물 품질을 맞추는 것이었어요. 같은 일을 시켜도 사용하는 모델이나 프롬프트 방식에 따라 품질이 다르게 나오다 보니, 컨벤션이나 아키텍처 디테일을 공유해서 최대한 균일하게 맞추려고 했습니다. 처음에는 이 과정이 오히려 시간이 오래 걸려서 “과연 AI가 생산성에 도움이 되나?” 하는 의문도 들었는데, 점점 노하우가 쌓이고 모델도 발전하면서 점차 해결된 부분이 많습니다.

특히 자산 이동을 추적하는 Clair 같은 제품은 할루시네이션을 줄이려고, 아예 *온톨로지 기반 지식 그래프로 데이터를 구축했어요. 이렇게 하면 AI가 데이터를 연결고리 따라가며 근거를 설명할 수 있고, 추측성 답변 대신 신뢰할 수 있는 결과를 줄 수 있어요.
*온톨로지: 데이터에 의미를 부여하여 관계와 맥락을 이해할 수 있는 지식 구조로 만드는 체계

Q. 기대 이상으로 잘 적용된 부분도 있었나요?

블록체인 데이터를 AI랑 연동해서 인사이트를 뽑아내는 게 기대 이상이었죠. 저희가 처음에는 특정 시나리오만 상정했는데, 막상 써보니까 그 범위를 훨씬 넘어서는 결과들이 나오더라고요. 예를 들어, Clair라는 제품은 원래 범죄 자금 추적을 위한 툴로 기획했거든요. 그런데 Nodit MCP랑 같이 써보면서 “이거 단순히 흐름만 보여주는 게 아니라, 위험도 자체도 사람이 일일이 판단하지 않아도 되겠다”라는 결론이 나왔어요. 그래서 아예 ‘AI Report’라는 핵심 기능이 추가됐죠.

블록체인 데이터는 워낙 방대하고 체인마다 구조도 다르고 복잡해서, 예전에는 시각화로만 보여주는 데 한계가 있었거든요. 그런데 AI가 패턴을 찾고 요약하고 분석하는 데는 거의 최적화되어 있다 보니, 이 부분은 기대 이상으로 효과가 컸던 것 같아요.

Q. AI를 적용한 후, 유의미하게 얻은 성과가 있다면요?

가장 크게 체감된 건 시장과 고객군이 넓어졌다는 점이에요. 예전에는 저희 제품이 주로 블록체인 개발자나 DApp 개발자를 대상으로 했다면, AI를 붙이고 나서는 비즈니스 담당자나 금융권 의사결정자, 심지어 블록체인을 잘 모르는 AI 개발자들까지 관심을 가지게 됐어요. 단순한 블록체인 인프라 서비스가 아니라, 블록체인 데이터를 이해하기 쉽게 추상화해 주는 도구로 인식된 거죠.

당연히 서비스 사용자 수도 작년에 대비해 많이 늘었고, 특히 파트너사 수가 압도적으로 늘었어요. 예전에는 파트너사랑 협업하려면 저희가 가진 기술 역량을 길게 설명해야 했는데, 지금은 간단한 AI 데모만 보여줘도 충분하죠. 그만큼 AI가 설득력 자체를 높여주고, 성과로도 이어졌다고 볼 수 있습니다.

AI와 공존하며 나아가는 법

Q. 현재 맡고 계신 업무 중, AI 때문에 달라진 게 있다면요?

우선 저는 DX팀 리드이자 테크니컬 라이터로, 개발자 문서 작성부터 SDK·튜토리얼 제작, 기술 지원까지 개발자 경험 전반을 맡고 있습니다. 이전에는 삼성에서 10년 동안 백엔드 개발자로 일하다가, 문서 작업이 적성에 맞아 이쪽으로 전향하게 됐죠. 제 업무에 있어, 그동안은 사람이 읽기 좋은 문서를 만드는 게 주된 일이었다면, 이제는 AI가 이해할 수 있는 문서를 만드는 게 중요해졌어요. 그래서 “필수 조건”, “특정 케이스” 같은 전제를 명확히 표시하고, OAS(Open API Specification)나 llms.txt 같은 포맷을 적용해 AI도 쉽게 읽을 수 있도록 관리하고 있죠.

또 결국 AI가 쓴 글보다 제 글이 더 좋아야 한다는 부담도 생겼어요. 단순히 글만 쓰는 게 아니라, 회사와 제품의 지식을 일관성 있게 체계화하고, 목적에 맞는 콘텐츠를 여러 형태로 만들어내는 게 제 역할이라고 생각해요. 그래서 문서뿐 아니라 동영상, 세션, 마케팅 자료까지 톤과 정확성을 맞추며 작업하고 있습니다.

AI를 활용한 문서 탐색 및 개발 안내(위), OAS를 활용한 API 문서 내부: AI가 읽는 문서(아래) <출처: 람다256>

Q. 앞으로 AI를 도입하는 기업이 더 늘어날 텐데요. AI를 잘 도입하려면 어떤 점을 고려해야 할까요?

많이 나오는 얘기지만, AI를 만능열쇠처럼 생각하지 않는 게 제일 중요한 것 같아요. 그냥 비용만 보고 “도입하면 끝”이라고 생각하면 안 되고, 조직 문화에 어떻게 정착시킬 건지, 또 직원들이 새로운 툴을 익히는 데 들어가는 시간 등 온보딩 비용까지 같이 봐야 하거든요. 특히 제품에 적용하려면 설계 단계에서부터 AI를 어떻게 녹여낼지 고민이 필요하고요.

또 하나는 리더십이에요. 리더들이 직접 안 써보면 “그거 AI 쓰면 금방 되는 거 아니야?” 같은 기대가 생기기 쉽거든요. 저희는 임원분들이 먼저 여러 AI를 적극적으로 써보면서, 장단점이랑 한계를 직접 경험하셨어요. 그게 정책으로 연결되다 보니 도입 속도도 훨씬 빨라졌죠.

결국은 문화, 프로세스, 리더십 경험 이 세 가지가 같이 맞물려야, 제대로 AI를 도입할 수 있다고 생각해요. 단순히 도입만 하는 게 아니라, 어떻게 하면 조직 전체가 자연스럽게 쓰고 실제 성과로 이어지게 할지까지 설계하는 게 핵심이죠.

Q. 람다256이 그리고 있는 “블록체인 + AI”의 미래는 어떤 모습인가요?

블록체인은 장점과 단점이 뚜렷한 기술인데요. 저희는 그 단점을 해결해 줄 열쇠가 AI라고 생각해요. 블록체인의 복잡함이나 방대한 데이터 같은 문제들을 AI가 해소해 주면, 오히려 투명성과 신뢰성 같은 강점을 살려 더 다양한 활용 사례가 나올 수 있거든요.

예를 들어, 스테이블코인처럼 실생활과 밀접한 사례들이 등장하면, 블록체인은 검색 엔진이나 메신저처럼 자연스럽게 쓰이는 기술로 자리 잡게 될 거라고 봅니다. 그 추상화 과정을 람다가 주도해 나가고 싶고요.

저희는 보유한 블록체인 데이터와 AI 기술, 그리고 그동안 쌓은 노하우를 바탕으로 블록체인이 메인스트림이 됐을 때 꼭 필요한 서비스와 도구들을 계속 제공해 나갈 계획입니다. 사실 AI 없이는 블록체인 데이터에서 의미 있는 인사이트를 얻기가 쉽지 않기 때문에, 이런 문제를 풀어주는 솔루션을 여러 레이어에서 만들어 가는 게 목표입니다.

“기업의 AI 도입은 단순히 선언하는 게 아니라, 모두가 직접 써보고 경험해야 한다”라는 그의 말처럼, 중요한 건 기술 자체가 아니라, 그것을 조직의 문화로 흡수해 나가는 과정이라는 생각이 들었는데요. 리더와 팀원들이 함께 치열하게 부딪친 경험이 쌓여야만, 비로소 ‘AI를 잘 쓰는 기업’으로 거듭날 수 있지 않을까요?

또한 블록체인처럼 진입 장벽이 높은 분야도, AI를 통해 훨씬 가까워질 수 있다는 가능성도 확인할 수 있었습니다. 그저 어렵게만 느껴지던 기술이 한층 더 친근하게 다가오고, 언젠가는 일상에서도 자연스럽게 쓰이는 미래를 기대해 봐도 좋을 듯합니다.

*현재 람다256은 전 분야에서 적극적으로 채용을 진행하고 있으니, 관심 있는 분들은 [채용 공고]를 확인해 보세요.

김소희 에디터 sohee@wishket.com

람다256처럼 유니크한 AI 도입 사례를 공유하는
"스타트업 중소기업 AI 도입 리얼 스토리" 세미나에 관심 있으신가요?

▶ 아래 버튼 을 눌러 알려주세요!

]]>

왓챠는 왜 실패했을까?

왓챠의 탄생

서울과학고를 졸업하고 카이스트 전산학과에 입학해 창업을 꿈꾸는 한 청년이 있었습니다. 병역특례로 군 복무를 마친 그는 안정적인 대기업 생활 대신 뜻이 맞는 친구들과 함께 2010년, 창업을 결심합니다. 회사의 이름은 ‘프로그램스’. 처음 출시한 서비스는 당시 유행하던 소셜커머스 쿠폰을 모아 보여주는 ‘쿠폰잇수다’였습니다.

하지만, 야심 차게 준비한 첫 서비스는 과도한 경쟁과 시장 포화, 소셜커머스 업종 자체가 사양세로 접어들며 경쟁력을 잃었습니다. 그렇게 결국 8개월 만에 서비스 종료 수순을 밟게 됩니다.

프로그램스의 첫 서비스 쿠폰잇수다 <출처: 오마이뉴스>

첫 실패 이후 그는 절치부심하여 다음 사업 아이템을 구상합니다. 창업 아이디어를 정리해 둔 엑셀 파일을 살펴보던 그는 한 가지 공통점을 발견하는데요. 모두 ‘개인화 추천 서비스’가 엮여 있다는 것이었습니다.

당시 인터넷은 네이버를 비롯한 포털이 지배하고 있었고, 정보가 필요할 때는 포털에 검색어를 입력해 정보를 찾는 것이 일반적이었습니다. 그는 이 지점에서 문제점을 발견했습니다.

“사람마다 관심사와 취향이 다른데, 포털과 온라인 서비스는 왜 모두에게 똑같은 정보만 제공할까? 나에게 맞는 맞춤 정보를 제공할 순 없을까?”

특히 그가 주목한 것은 영화였습니다. 당시 영화 추천은 커뮤니티나 블로그에 올라오는 개인의 후기와 평가에 의존하고 있었습니다. 그곳에는 “이런 영화를 재미있게 봤는데 비슷한 영화를 추천해 주세요” 같은 질문이 많았죠.

“그렇다면, 내 취향에 맞는 영화 추천 서비스를 만든다면 가능성이 있지 않을까?”

개인화 기반 영화 추천 서비스, 왓챠는 이렇게 시작했습니다.

왓챠 베타 버전 <출처: 왓챠 보도 자료>

2012년 8월 첫 출시 이후, 왓챠는 선풍적인 인기를 끌었습니다. 출시 1년 만에 네이버 영화 평점의 6배에 달하는 3,300만 개의 누적 평점을 확보하며, ‘영화 추천은 곧 왓챠’라는 공식을 만들어내는 데까지 성공했습니다.

스타트업이라는 개념조차 생소하던 시절, 작은 기업이 공룡 포털 네이버와의 경쟁에서 승리했다는 사실에 업계는 주목했는데요. 그렇게 카카오벤처스의 1호 투자기업 선정, 구글 영화 검색 결과에 왓챠 별점 데이터 제공, 일본 진출 등 거침없는 행보가 이어졌습니다. 당시 왓챠의 앞에는 밝은 미래만이 기다리는 것처럼 보였습니다.

OTT 진출과 짧았던 전성기

개인화 영화 추천 서비스 ‘왓챠’의 성공 이후 박태훈 대표는 드라마 카테고리 확장과 일본어 서비스 오픈 등 확장에 나섰지만, 큰 재미를 보지는 못했습니다. 새로운 성장 동력이 필요했던 왓챠는 다시 가장 큰 자산이자 경쟁력인 영화 평점 DB를 활용한 신규 서비스를 출시하며 수익화에 나서게 됩니다.

2015년 투자 유치를 하면서 투자자들이 'VOD 서비스 나중에 할 거라고 했는데 언제 할 거냐'고 물어봤죠. 그런데 그건 시작하는 데 비용이 많이 듭니다. 그때 왓챠피디아 이용자가 140만명 정도였어요. 300만~400만명 되면 그 때 VOD 서비스를 하면 되지 않을까 생각했습니다. 그런데 투자자들이 우리가 투자를 해주겠다고 했어요.

… (중략) …

2015년 초 가을에 개발을 시작해서 다섯 달 만에 왓챠를 개발했습니다. 왓챠를 시작할 때 디즈니, 소니, CJ, 롯데를 포함해서 메이저 CP사들도 다 기꺼이 계약을 해줬습니다. 이 정도면 시작할 수 있겠다고 생각했습니다.

김주완 기자, OTT 공룡과 경쟁한 왓챠, 혹한기 이겨낸 비결은? [긱스], 한국경제, 2023년 12월 3일

2016년 1월, 왓챠는 콘텐츠 스트리밍 서비스 ‘왓챠플레이’를 출시하며 OTT 시장에 진출합니다.

2016년 1월 출시된 왓챠플레이 초기 화면 <출처: 왓챠 보도 자료>

공교롭게도 비슷한 시기 넷플릭스가 한국 진출을 선언해 왓챠플레이는 초기부터 글로벌 공룡 OTT와 경쟁해야 하는 상황에 놓였는데요. 시장의 우려에도 왓챠플레이는 출시 첫해부터 의미 있는 성과를 냈습니다. 구글 플레이, 애플 앱스토어 선정 ‘올해의 앱’에 올랐으며, 앱스토어 매출 랭킹과 평균 체류 시간에서도 넷플릭스를 앞지르며 시장에 안착했습니다.

왓챠가 공룡 OTT인 넷플릭스와의 경쟁에서 승리할 수 있었던 비결은 압도적인 콘텐츠 확보와 탁월한 큐레이션 역량이었습니다. 출시 초기, 40여 편의 한국 드라마와 영화만 보유한 넷플릭스에 비해, 2,000여 편 이상의 한국어 콘텐츠를 보유한 왓챠플레이는 현지화에서 우위를 점할 수 있었습니다. 여기에 그동안 갈고닦은 콘텐츠 큐레이션 능력이 더해지며 넷플릭스와의 초기 경쟁에서 승리를 거둔 것입니다.

출시 첫해 누적 가입자는 64만(왓챠플레이) vs 8만(넷플릭스). 네이버에 이어 글로벌 거대 OTT 기업인 넷플릭스와의 대결에서도 승리한 왓챠의 행보는 거칠 것이 없어 보였습니다. 2017년까지만 해도 말이죠.

넷플릭스의 역습과 왓챠의 몰락

글로벌 동영상 스트리밍의 절대 강자이자 거대 콘텐츠 기업 넷플릭스의 한국 진출에 업계는 긴장했지만, 예상과 달리 넷플릭스는 초반에 실망스러운 성적을 기록하며 찻잔 속의 태풍에 그치고 말았습니다.

하지만, 저조한 실적에 체면을 구긴 넷플릭스는 강점인 오리지널 콘텐츠 투자에 적극 나서며 반격을 시도합니다.

넷플릭스 오리지널 콘텐츠 옥자, 킹덤, 스위트홈 <출처: 넷플릭스>

2017년, 봉준호 감독의 ‘옥자’
2019년, 김은희 작가의 ‘킹덤’
2020년, ‘스위트홈’
2021년, ‘DP’, ‘오징어게임’

2015년부터 2020년까지, 넷플릭스가 한국 시장에 투자한 금액은 약 7,700억 원이었습니다. 막강한 자본력을 앞세운 넷플릭스의 오리지널 콘텐츠는 매년 글로벌 히트작을 배출했고, 2018년 20만 명에 불과했던 유료 가입자는 2020년 380만 명으로 늘어났습니다.

그뿐만 아니라 넷플릭스의 폭발적인 성장에 위기를 느낀 글로벌 미디어 그룹이 시장 주도권을 되찾기 위해 자체 OTT 서비스를 출시하며 반격에 나섰습니다. 2019년 디즈니 플러스, 2020년 HBO MAX가 등장했고, 국내에서도 2019년 옥수수와 푹이 합병하며 통합법인 웨이브가 출범했습니다. 이어 2020년에는 쿠팡플레이까지 런칭하며 OTT 서비스의 춘추전국시대가 시작되었죠.

(왼쪽 상단부터) 디즈니플러스, HBO MAX, 웨이브, 쿠팡플레이 <출처: 각 사>

잇따른 경쟁 서비스의 출시로 왓챠의 경쟁력은 크게 약화되었습니다. 무엇보다 왓챠에 콘텐츠를 공급하던 회사들이 자체 OTT를 선보이며, 왓챠에서 볼 수 있는 드라마와 영화가 점점 줄어들기 시작했습니다. 디즈니 플러스가 나오며 디즈니·픽사·마블의 영화를 더는 왓챠에서 볼 수 없게 되었고, 효자 콘텐츠였던 HBO 드라마 역시 HBO MAX의 국내 진출 움직임과 함께 사라졌습니다.

여기에 넷플릭스가 촉발한 오리지널 콘텐츠 경쟁이 더해지며 왓챠가 설 자리는 더욱 좁아졌습니다. 그렇게 OTT 서비스의 경쟁력이 오리지널 콘텐츠 확보와 자본 싸움으로 바뀌자, 큐레이션에 강점이 있지만 자체 IP가 없고 자본력이 부족한 왓챠의 입지는 크게 약화될 수밖에 없었습니다. 왓챠 역시 투자금을 유치해 오리지널 콘텐츠 제작에 나섰지만, 연 매출이 수백억 원에 불과한 왓챠가 드라마 한 편에 수백억 원을 투자하는 넷플릭스·디즈니와 맞서기에는 역부족이었죠.

결국 전성기 129만 명에 달했던 유료 가입자는 40만 명 수준으로 쪼그라들며 실적이 크게 줄었습니다. 누적되는 적자와 콘텐츠 부족, 그리고 사용자 이탈이 겹치며 상황은 갈수록 어려워졌습니다.

왓챠는 강도 높은 구조조정과 VOD 판매, 숏드라마 제작 등 살아남으려 발버둥 쳤지만, 이미 기울어진 대세를 뒤집기에는 역부족이었습니다. 유동부채 907억 원, 외부 감사 의견 거절이라는 위기 끝에 벼랑 끝으로 몰린 기업은 2025년 8월 4일, 200억 원을 투자했던 인라이트벤처스의 회생 신청으로 법정 관리에 돌입하게 됩니다.

왓챠를 위한 변명

망한 스타트업에는 몇 가지 공통점이 있습니다. 경영 전략상 큰 오판을 저질렀거나, 방만한 경영으로 투자금을 마구 낭비했거나, 혹은 대규모 사용자 이탈을 불러올 만한 운영상의 실수를 저지른 경우가 대부분이죠. 하지만 지금까지의 행보를 살펴보면 왓챠는 이와는 다소 거리가 먼 행보를 보여왔습니다. 특별한 계기가 있었다기보다는 조금씩, 서서히 무너져간다는 느낌이랄까요.

일부는 정치적 올바름(PC)에 대한 과도한 옹호나 성인 영화 산업 진출 등을 근거로 박태훈 대표를 비난하기도 합니다. 하지만 이는 생존을 위한 몸부림에 가까웠을 뿐 회사를 무너뜨린 결정적 요인은 아니었습니다.

왓챠는 분명 독보적인 강점과 경쟁력을 갖고 있었습니다. 특히 콘텐츠 확보와 개인화 큐레이션이 OTT 시장의 중심이던 시기에는 이 강점이 주효했습니다. 그러나 글로벌 미디어 그룹과 방송국이 시장에 뛰어들면서 경쟁 구도가 오리지널 콘텐츠와 자본력 중심으로 바뀌자 자본이 부족했던 왓챠는 시장에서 경쟁력을 잃어갔습니다.

사실 독보적인 IP를 가진 디즈니와 HBO조차도 넷플릭스의 아성을 완전히 넘지 못했습니다. 또한 지상파라는 강력한 뒷배를 가진 웨이브와 티빙조차 매년 수백억 원의 적자를 내는 것을 보면, 일개 스타트업에 불과한 왓챠가 수년간 시장에서 존재감을 보인 것만으로도 선방했다고 평가할 만합니다.

결국, 왓챠가 개인화 추천 플랫폼에서 OTT 서비스로 전환한 순간. 어쩌면 그때부터 미래는 이미 정해져 있었을지도 모릅니다. 많은 자본이 드는 OTT 서비스를 시작하고, 적자를 감수하며, 외형 성장에 몰두해 자본에 의존하기 시작한 순간부터, 전도유망한 기술 스타트업은 자본 없이는 생존할 수 없는 좀비 기업으로 변한 것입니다.

조금 느리더라도 작지만 단단하게, 도서와 음악 등으로 범위를 확장해 ‘종합 미디어 개인화 추천 서비스’로 성장했다면 왓챠의 지금 모습도 달라지지 않았을까요? 왓챠의 실패는, 적자를 감수하고서도 외형 성장과 규모의 경제만을 추구해 온 스타트업 씬에 던지는 씁쓸한 메시지입니다.

]]>