요즘IT » 스타트업 » 피드

당신의 취향(Taste)은 AI보다 나은가?

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 실리콘밸리에서 떠오른 새로운 키워드 ‘취향(Taste)’을 다룹니다. 모든 것을 AI가 만들 수 있는 시대. 취향은 어떻게 IT 업계의 새로운 역량으로 떠오르게 되었을까요?

안녕하세요. 매쉬업벤처스의 박은우 파트너입니다. 2026년 2월, 실리콘밸리에 흥미로운 논쟁이 벌어졌습니다. OpenAI의 사장인 그렉 브록먼(Greg Brockman)이 X에 올린 한 줄의 글이 시작이었습니다.

Taste is a new core skill.
취향은 새로운 핵심 역량이다.

한편, Y Combinator의 창업자인 폴 그레이엄(Paul Graham)도 본인의 X에 이렇게 적었습니다.

When anyone can make anything, the big differentiator is what you choose to make.
누구나 무엇이든 만들 수 있게 되면, 진짜 차별화는 무엇을 만들지 선택하는 것이다.

지난 30년간 “빠르게 만들고, 빠르게 출시하라(Build fast, ship fast)” 외치던 실리콘밸리가, 갑자기 ‘취향’을 이야기하기 시작한 것입니다. 무슨 일이 일어난 것일까요?

도구의 희소 시대에서 풍요의 시대로

이번 논쟁에서 가장 날카로운 지적은 PM들을 위한 뉴스레터를 운영하는 Aakash Gupta에게서 나왔습니다.

Taste was always a core skill. We just had a 30-year window where you could ignore it because execution was so hard that anything that worked at all felt like an achievement.
취향은 언제나 핵심 역량이었다. 다만 지난 30년 간은 실행 자체가 너무 어려워서, 일단 작동하기만 하면 그 자체가 성취였던 예외 기간이었을 뿐이다.

이 문장에 이번 논쟁의 본질이 담겨 있습니다.

소프트웨어 산업의 역사를 돌아보면, 도구가 희소할 때는 기술이 가치였고, 도구가 풍부해질 때는 판단이 가치가 되는 패턴이 반복되어 왔습니다. 1995년, 스티브 잡스(Steve Jobs)가 PBS 인터뷰에서 “Microsoft의 유일한 문제는 취향이 없다는 것(The only problem with Microsoft is they just have no taste)”라고 말했던 때는 하드웨어와 소프트웨어가 막 대중화되던 시점이었습니다. 2002년, 폴 그레이엄이 ‘Taste for Makers’라는 에세이에서 언급한 “훌륭한 결과물 = 까다로운 취향 + 그것을 실현할 수 있는 실행력(Great work = Exacting taste + The ability to gratify it)”은 인터넷이 소프트웨어 개발의 진입 장벽을 낮추기 시작한 시점의 관찰이었습니다.

그리고 2026년, AI가 코드 작성, 디자인, 카피라이팅, 데이터 분석에 이르기까지 소프트웨어 개발의 거의 모든 실행을 범용적으로 만들고 있는 지금, 이 패턴이 가장 극적인 형태로 반복되고 있습니다. 코드를 시간 당 500줄 생산하는 엔지니어보다, 어떤 5줄이 존재해야 하는지 30분 고민하는 사람이 더 가치 있는 시대가 온 것입니다.

프롬프트로 구현되는 취향 vs 그렇지 않은 취향 (Promptable Taste vs Unpromptable Taste)

그렇다면 취향(Taste)이란 구체적으로 무엇일까요? 실리콘밸리의 이번 논쟁에서 가장 도발적인 반론은 ‘당신의 취향이 AI보다 낫지 않을 수 있다’ 일 것입니다. 하지만 혹자는 취향의 90%가 암묵지이기 때문에 프롬프트로 전달하기 불가능하다고 이야기합니다.

저는 이 두 의견의 충돌에서의 논점을 프롬프트로 구현되는 취향(Promptable Taste)과 프롬프트로 구현할 수 없는 취향(Unpromptable Taste)으로 나누어 생각합니다.

<출처: 작가, Gemini로 제작>

프롬프트로 구현되는 취향(Promptable Taste): AI가 이미 잘 하거나, 곧 잘 하게 될 영역

‘이 UI를 Airbnb 스타일로 깔끔하게 만들어줘’, ‘이 광고 카피를 더 간결하게 다듬어줘’, ‘경쟁사 10개를 분석해서 정리해줘.’ 이런 지시는 레퍼런스가 존재하고, 기준을 언어로 전달할 수 있는 영역입니다. AI는 이미 이 영역에서 인간의 평균을 넘었거나 빠르게 넘고 있습니다. 이것이 프롬프트로 구현되는 취향입니다.

프롬프트로 구현할 수 없는 취향(Unpromptable Taste): 창업자에게 진짜 요구되는 것

반면 언어로 전달할 수 없는 판단의 영역이 있습니다.

가령, ‘이건 지금이 아니다’의 감각. 2025년에 AI 에이전트 스타트업을 시작하는 것과 2021년에 시작하는 것의 차이. 기술적으로 가능한 것과 시장이 받아들일 준비가 된 것 사이의 차이를 읽는 능력. 이건 데이터로 증명할 수 없습니다.

‘이 기능(Feature)은 빼야 한다’의 감각. AI에게 ‘이 기능의 사용률이 낮으니 빼자’라고 지시하는 것은 프롬프트로 가능합니다. 하지만 사용률이 높은데도 ‘이건 우리 제품의 방향이 아니다’라고 빼는 것은 전혀 다른 차원의 판단입니다.

‘이 사람이다’의 감각. 초기 스타트업에서 파운딩 엔지니어를 고르는 판단. 이력서와 포트폴리오는 AI가 스크리닝 가능하지만, ‘이 사람이 우리 팀의 빈 조각을 채운다’는 감각은 AI에게 프롬프트로 전달할 수 없습니다.

‘이 문제가 진짜 문제다’의 감각. AI에게 ‘좋은 스타트업 아이디어를 내줘’라고 하면 그럴듯한 답이 나옵니다. 하지만 그중 어떤 문제에 10년을 걸 것인가에 대한 확신은 창업자 자신의 경험과 세계관에서만 나옵니다.

‘당신의 취향이 AI보다 낫지 않을 수 있다’는 반론은 프롬프트로 구현되는 취향의 영역에서는 유효합니다. AI는 이미 평균적 취향을 넘어서고 있습니다. 하지만 프롬프트로 구현할 수 없는 취향은 구조적으로 다릅니다. AI는 근본적으로 패턴 매칭 머신(Pattern Matching Machine)입니다. 하지만 프롬프트로 구현할 수 없는 취향의 핵심은 ‘기존 패턴 자체가 틀렸다’고 선언하는 것, 즉 역발상에 대한 베팅(contrarian bet)입니다. 트레이닝 데이터의 컨센서스를 벗어나는 판단은 AI의 구조적 한계 밖에 있습니다.

프롬프트로 구현되지 않는 취향의 해부(The Anatomy of Unpromptable Taste)

여기까지 읽으시면 이런 반론이 떠오를 수 있습니다. ‘취향이라는 단어 자체가 모호한 것 아닌가?’ 이는 충분히 유효한 비판입니다. 이에 대해 폴 그레이엄은 앞서 언급한 2002년 에세이에서 명확한 답을 제시합니다. 취향은 주관적 감상이 아니라, 디자인을 계속 할수록 성장하는 객관적 능력이며, 분야를 막론하고 공통된 원칙들로 분해할 수 있다는 것입니다. 즉, 취향은 신비의 영역이 아니라 분해하고 훈련할 수 있는 구체적 역량이라는 것입니다. 이에 “나는 취향이 있고 너는 없다”는 식의 논의는 아무런 가치를 만들지 못합니다. 그래서 취향을 신비화하지 않고, 구체적으로 분해할 필요가 있습니다.

창업자의 취향 영역

창업자에게 취향이 발현되는 영역은 크게 세 가지로 나눌 수 있습니다.

큐레이션의 취향(Curation Taste): 빼는 능력입니다. 무엇을 하지 않을지 아는 것. 스티브 잡스는 “집중이란 ‘No’라고 말하는 것(Focus is about saying no)”라고 했습니다. 10개의 기능 중 1개만 남기는 판단, 높은 사용률의 기능이라도 제품의 방향과 맞지 않으면 빼는 판단이 여기에 해당합니다.

제작의 취향(Craft Taste): 만드는 능력입니다. 남긴 것을 어떤 수준으로 마감하는가. Apple의 전 디자인 총괄 조니 아이브(Jony Ive)는 이를 Jony Ive는 이를 ‘끈질긴 정성(Sustained care)’이라고 표현했습니다. 피상적 심미성(aesthetic)이 아니라, 모든 결정에 의도(Intentionality)를 넣는 것. 디테일의 퀄리티에 대한 감각입니다.

비전의 취향(Vision Taste): 보는 능력입니다. 남들이 아직 못 보는 것을 먼저 감지하는 것. 피터 틸(Peter Thiel)이 ‘Zero to One’에서 말한 ‘구체적 낙관주의(Definite Optimism)’, 즉 미래에 대한 구체적 확신을 갖는 능력과 맞닿아 있습니다.

창업자의 취향을 작동시키는 엔진(Taste Engine)

그렇다면 이 세 가지 취향을 실제로 작동시키는 엔진은 무엇일까요? 매쉬업벤처스는 뛰어난 창업자에게 반드시 있어야 하는 역량을 오랫동안 관찰해 왔습니다. 그렇기에 이 역량이 바로 취향을 구동하는 엔진이라고 생각합니다.

<출처: SpaceX>

일원칙 사고(First Principle Thinking): 취향의 정확성을 만드는 엔진. 기존 패턴을 해체하고 본질을 보는 능력입니다. 일론 머스크가 로켓의 원가를 원재료 단위로 다시 계산한 것, 정주영이 퇴역 유조선으로 방조제를 쌓은 것 모두 일원칙 사고의 산물입니다. AI가 패턴 매칭 머신이라면, 일원칙 사고는 그 정반대, 즉 기존 패턴을 의도적으로 파괴하는 사고입니다.

메타 인지(Meta-Cognition): 취향의 적응성을 만드는 엔진. 자기 판단의 한계를 알고, 시장의 피드백으로 반영하는 능력입니다. 시장에 대한 겸손함, 팀 구성에서의 겸손함이 여기서 나옵니다. 폴 그레이엄이 “취향은 기를 수 있다(Taste can be cultivated)”라고 했을 때, 그 배양의 메커니즘이 바로 메타 인지입니다. 과거의 내 판단을 돌아보고, ‘그때는 왜 저걸 좋다고 생각했지?’라고 묻는 능력이 취향을 정제합니다.

장기적 사고(Long-term Thinking): 취향의 지속성을 만드는 엔진. 아직 데이터로 증명되지 않은 확신을 2~3년 견디는 능력입니다. 제프 베조스(Jeff Bezos)가 “서점이 왜 서버를 파느냐”는 주주들의 질문을 견디며 AWS를 만들었듯이, 장기적 사고가 없으면 취향은 창업자의 변덕이 됩니다.

이 세 엔진 중 하나라도 빠지면 취향은 불완전해집니다. 일원칙 사고가 없는 취향은 유행 따라가기(남의 취향 복제)가 됩니다. 메타 인지 없는 취향은 독선(시장이 뭐라 하든 내가 옳다)이 됩니다. 장기적 사고가 없는 취향은 변덕(매번 다른 방향)이 됩니다.

취향 × 역량 매트릭스(Taste × Competency Matrix)

앞서 언급한 세 가지 취향 영역과 세 가지 엔진을 교차하면 3x3 매트릭스를 만들 수 있습니다. 이 중 AI 시대에 특히 주목해야 할 교차점은 대각선을 따라 나타나는 세 가지입니다.

	큐레이션의 취향	제작의 취향	비전의 취향
일원칙 사고	O
메타 인지		O
장기적 사고			O

1. 큐레이션 × 일원칙. ‘이건 왜 있어야 하지?’라고 묻고, 관성적으로 넣어왔던 것을 제거하는 판단입니다. 스티브 잡스가 아이폰에서 물리 키보드를 뺀 것이 대표적입니다. 당시 모든 시장 데이터가 반대를 가리키고 있었지만, 그는 터치스크린이라는 본질에 집중하기 위해 기존의 전제 자체를 해체했습니다. 이 교차점은 프롬프트로 구현할 수 없는 취향 중에서는 가장 구현할 수 있는 축에 가까운 영역입니다. 논리적으로 설명이 가능하기 때문입니다.

2. 제작 × 메타 인지. ‘내가 만든 이 결과물, 내 눈에만 좋은 거 아닌가?’ 시장과 사용자의 피드백으로 기능을 끊임없이 정제하는 판단입니다. 이 교차점이 없으면 취향의 논의는 ‘감 좋은 천재에 대한 찬양’으로 전락합니다. AI 시대, Granola의 크리스 페드레갈(Chris Pedregal)이 “AI는 데모하기는 쉽게 만들었지만, 꾸준히 만족감을 유지하기는 어렵게 만들었다(AI makes it easy to demo, but hard to sustain delight)”라고 말한 것, 그리고 여러 AI 기능을 과감히 버리고 하나의 핵심 인터랙션에 집중하여 리텐션을 만들어낸 것이 이 교차점의 좋은 사례입니다. 취향은 독선이 아닌 이유가 바로 여기 있습니다.

3. 비전 × 장기적 사고. ‘지금은 시장이 없지만, 이 방향이 맞다’는 확신을 데이터 없이 2~3년 유지하는 판단입니다. 이것이 AI가 구조적으로 대체 불가능한 영역이며, 프롬프트로 구현할 수 없는 취향의 정점입니다. AI는 현재 데이터에 기반해서 판단하지만, 이 교차점의 창업자는 아직 존재하지 않는 데이터를 근거로 판단합니다. 그리고 그 확신(Conviction)을 시장이 따라올 때까지 견딥니다.

대각선을 따라 왼쪽 위에서 오른쪽 아래로 갈수록, 프롬프트로 구현할 수 있는 것에서 없는 것으로의 그라데이션이 나타납니다. AI가 범용적(commodity)으로 만드는 영역과, 오히려 더 희소해지는 영역의 경계가 이 대각선 위에 있습니다.

K-스타트업 에코 시스템: 실행의 시대에서 취향의 시대로

이 논의가 한국 스타트업 생태계에 특히 유효한 이유가 있습니다.

한국은 전통적으로 실행 속도(Execution speed)가 경쟁력인 시장이었습니다. ‘빨리빨리’ 문화가 스타트업에도 그대로 적용되어, 남보다 빨리 만들고 빨리 런칭하는 것이 미덕이었습니다. 이전 글에서 다루었듯이, 한국 SaaS 시장의 성장도 글로벌 레퍼런스를 빠르게 현지화하는 모델에서 상당 부분 이루어져 왔습니다.

그런데 AI가 실행 속도를 평준화시키고 있습니다. 코드 작성, 디자인, 마케팅 카피 등 과거에 수주가 걸렸던 작업은 이제 클릭 몇 번이면 수시간만에 끝낼 수 있게 되었습니다. ‘빨리 만드는 것’이 누구나 할 수 있게 되면, 한국 스타트업의 전통적 강점이 사라집니다.

그리고 이것은 단순히 창업자의 문제가 아닙니다. 생태계의 구조적 문제입니다. 한국 VC 시장은 지표(Traction) 중심의 평가를 해왔습니다. MAU, GMV, 매출 성장률. 이것들은 모두 프롬프트로 만들 수 있는 지표입니다. 측정 가능하고, 비교 가능하고, 벤치마크가 존재합니다. 하지만 창업자의 취향을 평가하는 체계적 방법론은 부족했습니다.

한국의 교육 시스템은 정답 찾기에 최적화되어 있습니다. ‘정답이 없는 상황에서의 판단력’ 즉, 취향을 훈련하는 구조가 취약합니다.오해하지 말아야 할 것은, ‘한국 창업자에게 취향이 없다’가 아니라는 점입니다. 한국 생태계가 취향을 키우고 보상하는 구조를 갖추지 못했던 것입니다. AI 시대에 이 구조적 한계가 본격적으로 드러나기 시작합니다.

VC가 취향을 보는 방법

스타트업의 첫 번째 파트너를 지향하는 투자자로서, 저희가 보려는 것은 결국 창업자의 프롬프트로 만들 수 없는 취향입니다. 제품도 지표도 불완전한 시점에서, 저희가 주목하는 것은 다음과 같은 신호입니다.

“왜 이 문제인가”를 자기만의 언어로 말하는지. 다른 사람의 프레임워크를 빌려서 말하는 것이 아니라, 자신의 경험과 관찰에서 나온 고유한 관점으로 문제를 정의하는 창업자. 이것이 문제를 보는 안목의 프록시입니다.

“경쟁사 대비 뭐가 다르냐”는 질문에 기능 리스트가 아닌 관점의 차이로 답하는지. “우리는 이 기능이 더 있습니다”가 아니라 “우리는 이 문제를 근본적으로 다르게 봅니다”라고 답할 수 있는 창업자. 이것이 비전 관점 취향의 프록시입니다.

제품 데모에서 “이건 일부러 안 넣었다”고 말할 수 있는지. 기능이 적은 것이 아니라, 의도적으로 뺀 것이라고 설명할 수 있는 창업자. 이것이 큐레이션 취향의 프록시입니다.

Focus on the things that don't change

빌보드 앨범 차트에서 1위를 차지한 최초의 힙합 앨범 Rick Rubin, Beastie Boys - Licensed to Ill(1986) <출처: wikipedia>

그래미 9회 수상에 빛나는 전설적인 음악 프로듀서 릭 루빈(Rick Rubin)은 악기를 연주하지 못하고, 믹싱 보드도 다루지 못합니다. 앤더슨 쿠퍼(Anderson Cooper)가 60초 인터뷰에서 “그럼 무엇으로 돈을 받느냐”고 묻자, 그는 이렇게 답했습니다.

The confidence that I have in my taste.
내 취향에 대한 확신.

AI 시대에 바뀌는 것은 많습니다. 코드 작성 방식, 디자인 프로세스, 데이터 분석 방법론. 하지만 바뀌지 않는 것이 있습니다. 무엇을 만들지 선택하는 판단, 무엇을 빼야 하는지 아는 감각, 아직 보이지 않는 미래에 확신을 갖는 용기. 이것이 프롬프트로 바꿀 수 없는 취향이고, AI 시대에 오히려 더 희소해지는 창업자의 핵심 역량입니다.

이전 글에서 제프 베조스의 말을 빌려 “바뀌지 않는 것에 집중하라”고 말씀드린 바 있습니다. AI 시대의 불멸의 플레이북에 이어, 저는 취향이야말로 시대가 바뀌어도 변하지 않는 창업자의 무기라고 생각합니다.

AI가 모든 것을 만들 수 있는 시대에, 당신은 무엇을 만들지 선택할 수 있는 취향을 갖고 계신가요?

[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 창업자의 취향: Promptable vs Unpromptable Taste

]]>

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.”

]]>

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.

]]>

AI 버블인지 아닌지가 당신의 스타트업에 중요한가?

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

]]>

스타트업 출신 개발자로 네임드 기업에서 AI와 살아남기

2025년을 돌아보면, 그냥 ‘바빴다’는 말로는 도저히 설명할 수 없습니다.

올해 저는 어느덧 8년 차 개발자가 되었고, 작은 스타트업을 떠나 개발자 동료가 정말 많은 네임드 기업에서 새로운 도전을 시작했습니다.

솔직히 말해, 이 환경 자체가 저에게는 완전히 새로운 세계였어요. 7년 동안은 소규모 스타트업에서 ‘내가 모든 걸 직접 해내야 하는’ 구조 속에 있었습니다. 하지만 올해는 수십 명의 개발자가 함께 일하는, 체계적인 팀과 정교한 프로세스 한가운데에 섰죠.

그 순간부터 저는 자연스럽게 이런 생각을 하기 시작했습니다.

“여기서도 내가 살아남을 수 있을까?”

그런 관점에서 돌이켜보면, 올해 제가 했던 건 단순 ‘버티기’가 아니었습니다. 살아남기 위해 정말 필사적으로 발버둥 쳤던 한 해였어요.

개발 실력만으로는 밀어붙일 수 없다는 사실을 인정해야 했고,

새로운 조직문화와 커뮤니케이션 방식, 더 높은 기준,

그리고 무엇보다 ‘AI라는 거센 폭풍’을 온몸으로 맞아야 했습니다.

그래서 이번 글에서는 저처럼 변화 속에서 허덕였던 분들이 조금이라도 공감할 수 있도록, 그리고 앞으로의 시대에서도 잘 살아남을 수 있도록, 제가 몸으로 부딪치며 배운 노력과 작은 깨달음들을 솔직하게 나눠보려 합니다.

혹시 지금 여러분도 불안한 마음으로 막연히 “앞으로 괜찮을까?”라는 생각을 하고 있다면, 오늘 이 글이 아주 작은 힌트라도 되었으면 좋겠습니다.

PART 1. 스타트업 개발자가 네임드 기업에서 살아남는 방법

커뮤니케이션 능력이 더없이 중요하다

<출처: 작가, 챗GPT로 제작>

이번 이직 전까지 저는 매우 작은 스타트업에서 일을 해왔습니다. 같이 일하는 개발자가 많아봤자 6~7명 남짓이었고, 대부분 초기 서비스를 만들어가는 과정이었습니다. 자연스럽게 기획부터 참여했고, DB 설계, 인프라 구성, API 설계와 개발, 관리자 페이지 제작, 운영·유지보수까지 서비스 개발 전반을 거의 혼자 커버할 수 있는 환경이었습니다.

그러다 보니 제 역량도 넓고 얕지만 전체를 아우르는 형태로 확장되었고, 타 직군과의 커뮤니케이션에서도 큰 문제를 겪은 적이 없었습니다. 오히려 저는 소통이 나의 강점이라고 착각하고 있었습니다.

하지만 이미 오랜 서비스가 운영되고 있는 네임드 기업에 들어와 보니, 제가 커뮤니케이션에서 얼마나 약점이 많은지 뼈저리게 알게 되었습니다. 백엔드 파트 내 수많은 동료의 PR 리뷰 코멘트, 설계 과정에서의 깊은 토론, 기획과 정책에 대한 의견 조율 등 모든 과정이 이전과는 완전히 다른 깊이와 복잡도를 가지고 있었습니다. 어떻게 말해야 하는지, 어떤 방식으로 설득해야 하는지 감을 잡지 못했고, 그 상태로 3개월이 순식간에 지나갔습니다.

수습 기간은 무사히 넘겼지만, 그 이후 결제 관련 중요한 태스크를 맡았다가 정책을 잘못 이해해 큰 손실이 날 뻔한 적까지 있었습니다. 일정조차 지키지 못했고, 회사 입장에서는 시간과 인력 리소스를 낭비한 셈이 되어 버렸습니다. 그 시기에는 제 커리어 전체에 의문이 생길 정도로 큰 충격을 받았습니다.

그렇게 깨달았습니다. 큰 조직은 일하는 방식 자체가 완전히 다르다는 것을. 이곳은 혼자 다 이해했다고 생각하고 개발해서는 절대 안 되는 환경이었습니다. 모르는 것은 적극적으로 묻고, 완전히 이해될 때까지 확인하고, 관련자 모두에게 더블체크 받고, 작은 변경이라도 여러 직군과 함께 조율해야, 제 일을 제대로 한 것입니다.

처음에는 회사가 나와 맞지 않는다고 생각했습니다. 하지만 서비스 규모가 크고 레거시가 깊은 조직에서는 이런 방식이 필연적으로 발생할 수밖에 없다는 사실을 점차 받아들이게 되었습니다. 개발, 코드 수정, 배포 어느 하나 마음대로 하기보다, 전체 팀 관점에서 순서는 맞는지, 놓친 리스크는 없는지 먼저 판단해야 했습니다. 넓은 관점에서 보면 이것도 결국 커뮤니케이션 능력이라는 생각이 들었고요.

지금은 제 역할에서 최선을 다하며, 제가 맡은 일이 동료들의 작업 흐름에 방해되지 않도록, 그리고 어떤 문제도 생기지 않도록 꾸준히 노력하고 있습니다.

단순 개발 역량보다 눈치, 센스, 배려가 훨씬 중요하다

<출처: 작가, 챗GPT로 제작>

큰 조직에 들어와서 정말 크게 느낀 점이 하나 더 있습니다. 생각보다 개발 실력 자체보다 소프트 스킬이 훨씬 더 중요하다는 사실이었습니다. 왜냐하면 같은 개발팀 안에서만 협업하는 게 아니라, 사업실이나 QA팀, 운영팀 등 정말 많은 이해관계자와 함께 일하게 되거든요. 팀마다 일하는 방식도 다르고, 업무 우선순위를 바라보는 관점도 다르다 보니, 어떤 식으로 요청해야 하고 어떤 타이밍에 이야기해야 일이 매끄럽게 풀리는지, 모든 것을 몸으로 배우게 됐습니다.

한번은 이런 일이 있었어요. 배포 후 모니터링을 하면서 운영팀의 지원이 꼭 필요한 태스크가 있었는데, 제가 개발과 배포 준비에만 매몰돼서 운영팀 리소스를 미리 요청하는 걸 완전히 잊어버린 겁니다. 사실은 배포 일정을 잡을 때부터 운영팀과 먼저 커뮤니케이션하고, 어떤 시간대에 누가 지원할 수 있는지 확인해야 했는데, 그 과정을 통째로 스킵해버린 거죠.

결국 배포 직전에 운영팀에 급하게 사정을 전했는데요. 다행히 도움받아 큰 문제 없이 마치기는 했습니다. 하지만 이때 진짜 크게 배웠습니다. ‘내 파트만 보고 일을 처리하면 절대 안 되는구나’, ‘전체 관점에서 보고 필요한 건 미리미리 준비해 두는 게 얼마나 중요한가’를 뼈에 새겼죠.

그 이후로는 제가 원래 그런 일을 좋아하는 타입은 아니지만, 타팀 분들과의 관계를 조금씩 더 다져가려고 노력하고 있습니다. 가벼운 커피챗이라도 해보고, 평소 어떤 부분을 어려워하는지 듣기도 하고, 제 일정을 잡을 때는 어떤 팀의 리소스가 필요한지 먼저 리스트업해둡니다. 그리고 꼭 미리 연락을 드려요. 이 과정 자체가 제가 하는 일을 훨씬 수월하게 만들어주더라고요. 무엇보다 서로 신뢰가 쌓이니까, 작은 요청 하나도 더 자연스럽게 주고받을 수 있게 됐습니다.

‘시스템’과 ‘프로세스’라는 옷 입기

<출처: 작가, 챗GPT로 제작>

이전에는 주로 초기 팀에서 일을 해왔기 때문에, 사실 전체 시스템이 제대로 갖춰지지 않은 상태에서 시작하는 경우가 대부분이었습니다. 협업 문화라는 것도 처음부터 만들어진 것이 아니라, 일하면서 하나씩 직접 쌓고 정착시키는 과정이 오히려 자연스러웠어요. 특히 백엔드 중심으로 일하다 보니, 코드 리뷰나 코드 컨벤션처럼 여러 명이 함께 일할 때 필요한 룰들이 느슨했던 것도 사실입니다. 당장 서비스가 돌아가는 게 더 급했으니까요.

그런데 이번에 규모가 큰 회사에 오고는 완전히 다른 세계를 경험했습니다. 타 팀에 업무를 요청할 때도 일정한 약속, 즉 프로토콜이 있습니다. 어떤 양식으로 요청해야 하는지, 어느 단계에서 누구에게 먼저 공유해야 하는지, 언제까지 무엇을 준비해야 하는지가 다 정해져 있었죠. 그 흐름을 정확히 따라야만 일들이 자연스럽게 움직입니다.

새로운 프로그램을 사용하고 싶어도 바로 쓸 수 있는 게 아니라, 결제 문서를 올리고 승인을 받아야 합니다. 처음에는 이런 시스템과 프로세스가 정말 갑갑하게 느껴졌습니다. “이걸 굳이 문서로 또 올려야 하나?”, “이 절차만 없으면 바로 일할 수 있을 텐데…” 하는 생각을 수도 없이 했어요. 솔직히 시간 낭비라고 느낀 적도 많았습니다.

하지만 결국 받아들였습니다. 회사 규모가 커질수록 누가 어떤 권한을 갖고 무엇을 사용할 수 있는지가 명확하게 정리되어 있어야 합니다. 그게 팀을 보호하는 장치이기도 하더라고요. 모두가 각자 방식으로 일하기 시작하면 오히려 더 큰 혼란이 생기는 구조라는 걸 점점 이해하게 됐습니다.

그래서 요즘은 조금 더 센스를 발휘하려고 합니다. 필요한 프로그램은 미리미리 결제를 올려두고, 승인까지 걸리는 시간을 감안해 일정도 여유 있게 잡습니다. 꼭 결제가 필요하지 않을 것 같은 경우에는 미리 담당자에게 확답을 받아두고, 불필요하게 대기하는 시간을 만들지 않으려 해요. 결국 중요한 건 시스템과 프로세스를 거스르지 않으면서, 그 안에서 최대한 효율적인 흐름을 만드는 것이더라고요.

이제는 그 방식이 꽤 잘 맞는 편입니다. 오히려 한 번 세팅해 두면 예측 가능한 흐름 속에서 안정적으로 일할 수 있다는 점이 장점이라는 것도 깨달았고요.

대규모 트래픽에 대한 경험

<출처: 작가, 챗GPT로 제작>

스타트업에서 일하면서 개인적으로 가장 아쉬웠던 부분이 하나 있었습니다. 바로 대규모 트래픽을 직접 다뤄본 경험이 거의 없었다는 점이었어요. 이건 “하고 싶다”고 해서 할 수 있는 경험이 아니고, 회사가 가진 트래픽 규모에 따라 자연스럽게 정해지는 부분이니까요.

그래서 이번에 DAU 30만이 넘는 서비스를 다룬 건 저에게 정말 큰 도전이었습니다. 이 정도 규모에서는 아주 작은 기능 하나 추가하는 것도 조심스럽습니다. 사소한 부분만 놓쳐도 예기치 않은 장애로 이어질 수 있기 때문에, 더더욱 디테일하게 체크하고 설계해야 했습니다.

또 서비스가 MSA 형태의 여러 도메인으로 나뉘어져 있다 보니, 각각 서비스가 어떤 역할을 하는지 익히는 것부터 만만치 않았습니다. 처음에는 진짜 정신이 하나도 없었어요. 어떤 도메인에서 어떤 이벤트가 발생하고, 그게 어디로 전파되고, 어느 팀이 어떤 부분을 담당하는지 하나하나 이해하는 데 많은 시간이 필요했습니다.

CS 대응을 할 때는 더 복잡했습니다. 특정 문제가 발생하면 정책을 먼저 확인하고, 그 정책이 서비스 여러 개와 어떻게 연결돼 있는지 파악해야 하고, 복잡한 DB 구조와 의존관계까지 모두 살펴봐야 했습니다. 알아야 할 게 너무 많아서 처음엔 진짜 막막하다는 생각이 들 정도였어요.

하지만 그만큼 얻은 것도 컸습니다. 유지보수성을 고려한 디자인 패턴 적용부터 CPU 사용량을 생각한 코드 작성, 쿼리 성능을 높이기 위한 튜닝까지…. 지금 돌이켜보면 백엔드 엔지니어로서 이보다 더 좋은 학습 환경이 없었다는 생각이 듭니다. 이런 경험은 단기간에 얻을 수 있는 게 아니라, 트래픽 규모가 큰 서비스에서 직접 부딪혀야만 배울 수 있는 것들이거든요.

그래서 저는 이런 경험들을 그냥 흘려보내지 않으려고 합니다. 실수했던 부분, 배웠던 패턴, 개선했던 과정들을 모두 꾸준히 기록해 두고 있어요. 시간이 지나면 이 모든 것이 제 커리어에서 정말 큰 자산이 될 것 같다는 확신이 있습니다.

PART 2. AI 시대에 살아남는 방법

AI Tool이라는 신세계를 마주하다

<출처: 작가, 챗GPT로 제작>

솔직히 얘기하면, AI 도구가 이렇게 급속도로 퍼질 줄은 정말 상상도 못 했습니다. 처음엔 그저 하나의 유행처럼 스쳐 지나갈 줄 알았어요. 제가 AI를 처음 접한 것은 아마 Copilot이었던 것 같습니다. 그때만 해도 성능이 지금과는 비교도 되지 않을 정도로 제한적이어서 그저 간단한 예시 코드만 참고하는 수준이었습니다. 그 때문에 크게 관심을 가지지 않고, “아직은 멀었구나”라는 생각이 더 컸습니다.

그러나 GPT와 클로드 같은 모델들이 점점 발전하기 시작하면서 상황이 조금씩 달라지기 시작했습니다. 처음에는 저도 AI를 아주 부분적으로만 사용했습니다. 기술 검토를 해보거나, 설계 아이디어가 막힐 때 가볍게 물어보는 정도였죠. 제가 놓친 관점이 있는지 확인하고, 문서를 더 이해하기 쉽게 정리해달라는 정도로만 활용했습니다.

그런데 모델들이 업그레이드될수록 상황이 확확 바뀌기 시작했습니다. 어느 순간부터는 “이거 꽤 쓸 만한데?”라는 생각이 들 정도로 업무에 실질적인 도움을 주더라고요. 특히 코드 구현을 설계할 때, 좋은 패턴을 참고해야 할 때, 새로운 기술을 적용할 때, 이 모두를 충분히 검토하도록 지원해 주는 역할을 하기 시작했습니다. 마치 사수와 동료 사이 어딘가 보조 엔지니어가 하나 생긴 느낌이랄까요.

이 과정에서 작업 생산성도 자연스럽게 올라갔습니다. 반복 작업이나 문서 작성, 리뷰 포인트 정리 같은 부분은 AI에게 맡기다 보니, 저는 더 중요한 문제 해결에 집중할 수 있었거든요. “AI를 잘 쓰면 정말 좋은 보조 도구가 될 수 있겠구나”라는 생각이 들었고, 그 이후부터는 제 업무 흐름 안에 AI가 자연스럽게 녹아들기 시작했습니다.

물론 그때도 몰랐습니다. 이것이 단순한 도입 테스트 정도가 아니라, 제가 일하는 방식 전체를 바꿔버리는 시작점이 될 줄은 정말 상상도 못 했으니까요.

AI 도구로 생산성을 높이다

<출처: 작가, 챗GPT로 제작>

AI 도구 중에서 제 업무와 사고방식에 가장 큰 충격을 준 건 단연 Cursor였습니다. 아쉽게도 회사 보안 정책 때문에 실제 업무에는 적용하지 못했지만, 개인적으로 간단한 사이드 프로젝트를 만들면서 처음 Cursor를 제대로 사용해봤을 때의 경험은 지금도 잊기 어려워요.

정말로 코드를 일일이 짤 필요가 없었습니다. 그냥 자연어로 설명만 해줬는데, 마치 옆에 앉은 누군가 뚝딱뚝딱 코드를 만들어주는 느낌이 들더라고요. 당연하지만, 오류도 있었고, 제 지시 사항을 제대로 이해하지 못하는 경우도 여러 차례 있었습니다. 하지만 그럴 때마다 “이 부분은 이런 의도다”라고 다시 설명해 주고 apply 버튼만 누르면, 그 방향으로 코드를 고치고 프로젝트를 계속 완성해 가는 모습을 보였습니다.

그러자 갑자기, 서늘한 두려움이 느껴졌습니다. “아, 이거 진짜 곧 일이 크게 바뀌겠구나.” 그런 직감이 강하게 들었습니다.

Cursor가 불러온 화제가 끝나기도 전에, Claude Code라는 CLI 기반 도구가 등장하면서 이 흐름은 거의 전 세계적인 붐으로 번졌습니다. 개발자 커뮤니티 전체가 크게 출렁였고, 저 역시 이 흐름을 거스를 수 없겠다는 감각이 들었습니다. 그래서 회사 업무에서도 어떻게든 LLM 기반 도구를 적용하려고 정말 부지런히 애를 썼습니다.

물론 개인정보나 보안 이슈 때문에 사용할 수 없는 도구들도 많았습니다. 하지만 사용할 수 있다고 판단되는 건 전부 시도해 봤습니다. Claude, Gemini CLI, JetBrains IDE에서 지원하는 AI Assistant, Junie 등 가능한 건 다 직접 테스트하고, 일에 적용할 수 있는 부분을 계속 찾아 나갔습니다.

어느 순간부터는 단순히 AI 도구 하나를 쓰는 수준이 아니라, LLM을 활용한 개발 방법론 자체가 발전한다는 걸 느꼈습니다. “이걸 어떻게 써야 가장 효율적일까?”, “LLM에게 어떤 식으로 설명해야 원하는 설계를 얻을까?” 같은 고민을 하면서 제 개발 방식도 자연스럽게 달라지기 시작했어요.

솔직히 말하면, 회사 분위기는 그저 핫한 도구를 한 번 써보는 정도에 머무르는 느낌이 강했습니다. “편하면 쓰고 아니면 말고” 같은 기조라고 해야 할까요. 하지만 저는 포기하지 않았습니다. 어떻게든 업무에 AI를 적용해 생산성을 높이고, 반복 작업을 줄이고, 더 중요한 문제에 집중할 시간을 확보하려고 했습니다. 이런 변화는 앞으로 선택이 아니라 필수가 될 것이라는 직감이 있었기 때문에, 더 적극적으로 움직일 수밖에 없었습니다.

AI를 동료로 받아들이다

<출처: 작가, 챗GPT로 제작>

예전처럼 LLM에 단순히 질문을 던지고, 답변받고, 이를 업무에 적용하는 방식은 거의 사용하지 않습니다. 그 방식은 너무 느리고, 매번 주도적으로 모든 단계를 챙겨야 하기에 효율이 떨어졌습니다. 이제 저는 본격적으로 에이전트를 사용하며, 제가 하는 업무 프로세스 하나하나에 에이전트가 자연스럽게 들어오도록 꾸준히 시도하고 있습니다.

가장 먼저 자동화를 시도한 건 테스트 코드였습니다. 제가 직접 테스트 코드를 작성하는 대신 스펙을 정리해 에이전트에게 설명하고 맡겨봤습니다. 어떤 의도인지, 어떤 상황을 검증해야 하는지, 어떤 조건을 만족해야 하는지 하나씩 설명해 줬더니, 마치 제가 짰을 법한 테스트 코드를 거의 완성된 형태로 만들어주더라고요. 이 경험 이후로 생산성은 최소 30% 이상은 올라간 것 같습니다.

이제는 처음처럼 질문하고 답을 받는 방식이 아니라, 전체 맥락과 작업 목적을 설명한 뒤 “이 테스트 코드를 작성해라”라고 위임해 두고, 저는 더 중요한 작업을 먼저 처리합니다. 작업이 다 끝나면 에이전트가 알람을 보내주기 때문에, 그때 가서 검수만 하는 식으로 업무 방식 자체가 완전히 달라졌습니다.

이런 경험이 쌓이다 보니, 지금은 AI를 하나의 ‘도구’가 아니라 진짜 동료처럼 받아들이는 마인드셋이 생겼습니다. 그래서 동료에게 하듯 더 잘 이해시키고 더 잘 협업하고 싶어 여러 방법론을 직접 적용해 보고 있습니다. BMAD나 SDD 같은 새로운 개발 방식을 실제 업무 프로젝트에 적용해 보면서, 개발의 패러다임 자체가 바뀌고 있다는 사실을 강하게 체감하고 있습니다.

특히 역할을 나눈 여러 에이전트를 활용하는 BMAD 방법론이 제게 정말 잘 맞습니다. 최근에는 Gemini CLI에 BMAD 개발 환경을 구성해서 사용하고 있고요.

이제 저는 프로젝트 전체 구조나 변경 사항이 있을 때 ‘Architect 에이전트’와 논의합니다. ‘Fullstack Developer 에이전트’에는 실제 구현을 맡겨두고, 중간중간 의견을 주거나 설계 방향을 얘기하며 작업을 이어갑니다. 마치 진짜 팀원들과 일하는 것처럼 대화를 주고받으며 프로젝트를 완성해 가는 방식입니다.

그래서 전체 스펙을 잡는 게 제 업무의 70%를 차지하고, 나머지 구현은 에이전트가 계획한 대로 코드를 만들어줍니다. 저는 검수와 수정, 품질 관리에 집중하며 프로젝트의 큰 방향을 책임지는 역할을 합니다. 개발이라는 업무에서 “내가 손으로 직접 짠 코드의 양”보다 “내가 스펙을 얼마나 정확히 정의했는가”가 훨씬 중요한 시대로 넘어가고 있다는 생각이 듭니다.

마치며

돌이켜보면 2025년은 제게 그 어떤 때보다 변화가 극심했던 한 해였습니다. 완전히 다른 규모의 조직에서 새로운 협업 환경을 익히고, AI라는 거대한 파도 안에서 살아남기 위해 발버둥 치다 보니 어느 순간 시간이 훅 지나 있더라고요. 그런데 이렇게 회고를 해보니, 그 과정들이 결국 저를 더 단단하게 성장시켜 주었다는 생각이 듭니다.

2026년의 방향도 결국 AI일 것입니다. “AI를 동료로 받아들인다”는 건 말은 쉬운데, 실제로는 생각보다 훨씬 큰 마인드셋 전환이 필요하거든요. AI도 실수합니다. 제 말을 잘못 이해할 때도 많고, 엉뚱한 방향으로 답을 줄 때도 있습니다. 그래서 더더욱 함께 일을 잘할 방법을 고민해야 하고, 어떤 설명이 AI에게 가장 자연스럽게 이해되는지 실험해 보려 합니다.

이제는 모두 거부할 수 없는 흐름 위에 올라탔다고 생각합니다. 앞으로는 코드를 짜는 능력 그 자체의 의미는 점점 줄어들 가능성이 높습니다. 오히려 기본 지식에 충실한 상태로, 직접 경험한 문제 해결 과정과 배운 것을 얼마나 잘 정리하고 활용하는지가 훨씬 중요한 역량이 될 것 같습니다.

그렇게 2026년에는 이 흐름 속에서 더 단단해지고, 더 똑똑하게 일할 수 있는 개발자가 되고 싶습니다.

]]>

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.

]]>

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.

“AI 회사라고 다른 건 없어요” 백엔드 → ML 데이터 엔지니어 전환기

글로벌 영상 특화 AI 모델 제공사 트웰브랩스 김근오 개발자 인터뷰

AI 분야로 전환을 고민하는 개발자들도 많지만 막상 실행에 옮기기는 쉽지 않습니다. "AI를 모르는데 어떻게 시작하지?" "머신러닝 이론부터 공부해야 하나?" 같은 질문에 막혀버리죠.

트웰브랩스의 데이터 엔지니어 김근오 씨도 트웰브랩스에 합류하기 바로 1년 전까지만 해도 AI와는 거리가 먼 백엔드 개발자였습니다. 6년간 프론트엔드, 백엔드, 네트워킹 시스템을 구현했지만 머신러닝이 어떻게 동작하는지, 데이터가 왜 중요한지 전혀 몰랐다고 합니다.

그런 그가 지금은 1페타바이트가 넘는 영상 데이터를 다루며, AWS 베드록에 한국 최초로 올라간 AI 모델의 성능을 끌어올리고 있습니다. 영상 AI 기업 트웰브랩스의 ‘마렝고’가 바로 그 모델입니다. 트웰브랩스는 영상 AI 모델에서는 전 세계적으로 앞선 것으로 알려진 한국 스타트업인데요. 2023년에 그 가능성을 알아본 엔비디아, 인텔, 삼성넥스트가 1000만 달러를 투자했고 현재 누적 투자유치치금 1500만 달러에 이릅니다.

"100개 비디오를 다운로드받는 파이프라인은 누구나 만들 수 있어요. 처음부터 큰 스케일을 경험할 필요는 없더라고요. 그 과정에서 수많은 에러를 만나게 되면 배울 수 있어요."

백엔드에서 출발해 AI 회사의 핵심 데이터 엔지니어가 된 그의 현실적인 전환 스토리를 들어봤습니다.

이 인터뷰에서 얻을 수 있는 것
백엔드 경험을 ML 데이터 엔지니어링으로 전환한 과정에 대한 레퍼런스
대규모 영상 데이터를 다루면서 마주치는 현실적 난관과 해결법
AI/ML 경험이 없어도 데이터 엔지니어로 커리어를 넓히는 방법과 첫 프로젝트 아이디어

트웰브랩스 김근오 개발자 <출처: 김근오>

Q. 간단히 소개 부탁드립니다.

안녕하세요. 트웰브랩스에서 데이터 엔지니어로 일하고 있는 김근오입니다. 회사에서 사용하는 이름은 다니엘이고, 총 6년간 소프트웨어 엔지니어로 일해왔습니다.

트웰브랩스에 합류하기 직전에는 한국형 링크드인 서비스를 만들려던 스타트업에서 2년 정도 풀스택 엔지니어로 근무했습니다. 그 전 스타트업에서는 프론트엔드 개발이랑 블로그 시스템, 프로필 시스템, 네트워킹 시스템 같은 주요 서비스를 직접 구현했어요.

그러다 4년 전(2021년)에 트웰브랩스에 백엔드 엔지니어로 합류해 초기 API 서버와 데이터베이스 구조, 서버 보안 같은 서비스의 기술적 기반을 설계하고 구축했습니다. 지금은 데이터 엔지니어로서 더 나은 모델을 만들기 위해서 다양한 데이터 파이프라인을 설계하고 대규모 데이터를 구축, 관리하는 역할을 담당하고 있어요.

Q. AI나 ML 관련 경험이 전혀 없으셨는데, 데이터 엔지니어링으로 전환하게 된 계기가 무엇인가요?

백엔드 엔지니어로 들어와서 프론트 일도 겸하고 있었는데, 회사가 모델을 대규모로 학습해야 하는 중요한 시점이 왔어요. 마침 제가 전 직장에서 쌓은 데이터 수집과 크롤링 경험이 딱 필요한 타이밍이었죠.

전 직장에서 링크드인과 같은 서비스를 만들면서 크롤링과 같은 기술적인 것들을 많이 경험해봤거든요. 외부 데이터를 안정적으로 수집하고 정제하는 과정이 결국 데이터 엔지니어링의 출발점이기도 하니까요. 회사에서도 제 경험을 인정해주시고 데이터 파이프라인 구축이라는 새로운 도전 기회를 주셨어요. 그렇게 데이터 업무를 백엔드와 함께 시작하다가 나중에는 완전히 데이터 엔지니어로 전환하게 되었습니다.

실전에서 배운 AI

Q. AI/ML 지식이 전혀 없는 상태에서 데이터 엔지니어링을 어떻게 시작하셨나요?

처음에는 책을 찾아봤어요. 구글링하거나 유튜브, 깃헙 소스코드를 보면서 어떤 식으로 흘러가는지 개념을 빠르게 잡으려고 노력했죠. 사실 단순히 빅데이터를 공부하면 되겠지, 생각했고요. 아파치 스파크, 하둡 같은 걸 공부했는데 실제와 너무 많이 달랐습니다.

제가 스파크 전문가는 아니지만 스파크를 예로 들자면, 스파크를 사용하는 방식부터 달랐어요. 일반적 회사에서는 여러 가지 소스에 있는 DB를 한 번에 읽어와서 정제하는 식으로 쓰는 걸로 알고 있어요. 하지만 트웰브랩스에서는 대용량 비디오 파일을 웹데이터셋으로 변환해서 모델이 학습할 수 있게 해야 하다 보니 일반적인 케이스와 달랐죠.

그런데 많은 개발자들이 공감할 거예요, 이론 공부가 전부가 아니라는 걸요. 사실 실제 개발에 들어가서 문제에 부딪혀 봐야 해결할 수 있는 것들이 많잖아요. 이번에도 그랬던 것 같아요.

Q. 그럼 실전에서는 어떻게 학습했나요?

실제 학습에 쓰이는 데이터가 어떤 건지 사이언티스트에게 여쭤봤어요. 이런 과정에서 어떤 식으로 데이터가 수집되고 정제되고 중복이 제거되어야 하는지, 데이터 파이프라인 설계 방향도 잡았던 것 같습니다.

또 경험이 없다고 해서 구현을 못하는 건 또 아니에요. 100개 비디오를 다운로드받는 파이프라인은 누구나 만들 수 있어요. 거기서부터 시작해서 알아가는 거라서, 처음부터 큰 스케일을 경험할 필요는 없어요. 그 과정에서 수많은 에러를 만나게 되면서 배울 수 있었죠.

Q. 처음에 가장 어려웠던 부분은 무엇이었나요?

전반적으로 하는 일이 너무 달랐습니다. 데이터 엔지니어는 고객이 내부 리서치 팀이고, 백엔드 엔지니어처럼 실시간 장애 대응 같은 일이 없고요.

또 무엇보다 AI에 대해서 지식이 없는 상태로 전환을 하다 보니 허들이 좀 있었어요. 예를 들면 비디오 데이터라는 게 단순히 수집해서만 되는 게 아니란 걸 나중에 깨달았어요. 비디오를 대규모로 수집하는 과정에서 비디오가 깨질 수도 있고, 업로드 당시부터 프레임에 노이즈가 있을 수 있고, 비디오 디스크립션이 부족할 수 있다는 걸 아예 몰랐죠. 그런 부분이 이해하기 힘들었던 것 같습니다.

또 1페타 바이트 이상의 규모를 다루다 보니 무결성 처리나 데이터 오염에 대해서도 고민이 많았고요. 데이터를 크롤링하면서도 종종 겪었던 문제였지만, 이 정도 스케일에서는 파일 손상이나 노이즈 처리 같은 부분이 훨씬 큰 도전이 됐습니다.

수집된 데이터를 리서처가 활용하려면 수집된 비디오 데이터가 아니라 웹데이터셋이라는 포맷으로 변환해야 했는데, 웹데이터셋이 어떤 것인지 감이 안 잡혀서 많이 헤맸어요. 영상 데이터는 텍스트, 오디오, 이미지의 집합체예요. 그래서 모델이 학습할 때는 이 데이터가 모두 분리되어 들어가야 하는데, 이걸 일관된 키로 정리하는 것도 어려웠고요.

팀원들과 함께 일하고 있는 트웰브랩스 김근오 개발자(맨 오른쪽) <출처: 트웰브랩스>

백엔드 경험이 만든 시너지

Q. 백엔드 경험 중에서 의외로 도움이 된 부분이 있었나요?

사실 AI가 어떤 식으로 학습되는지를 알게 되고 익숙해지는 것에 허들이 있어서 어려웠던 것이지, 백엔드 개발자로 서비스 운영했던 경험은 많이 도움이 됐어요.

예를 들면 데이터 처리할 때 단일 인스턴스보다 병렬 인스턴스로 처리하는 방식은 이미 백엔드에서 많이 경험해본 것이고요. 대규모 크롤링도 마찬가지였습니다. 크롤러 워커들이 큐잉 시스템을 통해 작업을 분배받는 분산처리 역시 백엔드에서 충분히 경험해봤기 때문에 적용할 수 있었죠. 이런 경험들이 차곡차곡 쌓여 AI 분야를 이해하는 데 훨씬 수월했던 것 같습니다.

Q. 일반 회사의 데이터 엔지니어와 영상 AI 회사의 데이터 엔지니어는 어떤 차이가 있나요?

제가 일반 데이터 엔지니어 분들의 일을 경험해보지 못했기 때문에 얼마나 어떻게 다른지는 정확히 모르겠어요. 다만 생각해보자면, 로그나 데이터 분석을 위해서 데이터 엔지니어링을 하냐 아니면 학습을 위해서 데이터 엔지니어링을 하냐 이런 차이인 것 같습니다.

일반적인 회사에서 데이터 엔지니어는 ETL 파이프라인으로 서비스 운영하면서 생기는 로그나 유저 이벤트를 분석하기 좋은 형태로 만든 다음에 회사 운영 방향에 쓰는 일을 하는 걸로 알아요. 그런데 저희는 영상 학습을 위한, 모델 학습을 위한 데이터 엔지니어라는 점에서 다릅니다.

Q. 구체적으로 어떤 점이 다른가요?

텍스트는 10억 개든 100억 개든 용량이 크지 않아요. 하지만 영상은 그 차이가 엄청나게 커요. 그래서 대규모 스케일링이 필요하죠. 또 데이터 학습에서는 ‘어노테이션’이라는 작업이 필요한데, 비디오나 이미지에 대해 세세하게 설명을 붙이는 게 어노테이션이에요. 이 일을 하는 어노테이터 분들과도 소통해야 하고, 그렇게 나온 걸 어떻게 정제해야 하는지 파악해야 합니다. 학습을 위해서 실제 학습 가능한 형태로 변환해줄 수 있는 일도 해요.

데이터 플랫폼 개발과 협업

Q. 내부 툴 개발도 직접 하신다고 들었는데, 어떤 툴을 만드셨나요?

트웰브랩스는 대규모 영상 데이터를 다루는 회사이다 보니 데이터 수집 플랫폼을 개발했습니다. 지금도 유지 보수되면서 진행 중인 프로젝트예요. 대용량 데이터를 수집하고 정제하는 과정에서 많은 리소스가 필요해요. 분산 큐 기반으로 설계해서 대용량 데이터나 작업들을 안정적으로 수행할 수 있게 만들었습니다.

데이터를 수집하다 손상되는 파일을 발견하면 무결성 검사를 하고, 자동으로 복구를 시도하거나 제거하는 자동화도 있고요. 데이터 수집 당시 저작권 문제 판별을 할 수도 있어요. 학습할 때 민감한 부분이라서 문제없게 처리하려고 노력을 많이 했습니다.

Q. 허깅페이스 관련 기능도 개발했다고요?

최근에 허깅페이스에 공개된 데이터셋이 많이 올라오는데, 초기에는 리서처가 그런 것을 직접 다운로드했습니다. 그게 병목 태스크였어요. 그래서 지금은 허깅페이스에서 뭔가 사용해보고 싶다고 선택해서 제출하면 자동 다운로드해서 내부 표준 포맷으로 변경해 연구자들이 바로 쓸 수 있는 기능도 넣었습니다.

Q. 사이언티스트들과 협업할 때 데이터 엔지니어의 역할은 어떤가요?

사이언티스트들과 같이 일을 하지만 한 팀은 아니에요. 제품마다 사이언티스트가 있고, 데이터 엔지니어는 데이터 엔지니어 팀으로 있어요. 사이언티스트마다 연구 주제들이 다 다르다 보니 원하는 데이터에 대한 니즈도 다 다릅니다.

그래서 저희 데이터 팀은 다양한 요구사항을 듣고 공통으로 활용할 수 있는 데이터 인프라스트럭처를 만들어요. 특정 프로젝트에만 맞는 툴보다는 동시에 사용할 수 있는 범용적인 데이터 시스템을 만들려고 합니다. 그래야 사이언티스트는 모델 개발에만 집중할 수 있죠. 데이터 품질은 우리가 맡고요.

트웰브랩스 사무실 라운지 <출처: 트웰브랩스>

커리어 전환을 위한 실질적 조언

Q. AI/ML 경험이 없는 엔지니어들이 데이터 엔지니어링으로 전환하려면?

파이썬으로 토이 프로젝트를 경험해보라고 추천하고 싶습니다. 지금은 워낙 LLM이랑 멀티모달이 나온 지 좀 지난 상황이어서 공개된 데이터셋이 엄청 많거든요. 그런 걸 학습 가능한 형태로 만들어보는 간단한 프로젝트를 해보면 좋겠어요.

데이터셋을 받아서 그걸 웹데이터셋 같은 학습 가능한 형태로 변환해보고 그걸 파이토치 데이터 로더 같은 걸로 읽는 과정이 한 사이클이에요. 크지는 않더라도 작게 시작해보면 좋겠습니다. 데이터를 수집이나 정제하는 것에서 난관에 부딪힐 거예요. 그러면서 하나씩 해보는 거죠. 저도 처음에 이렇게 했어요.

ML 데이터 엔지니어라고 해서 특별한 인프라스트럭처가 필요한 건 아니거든요. 그냥 백엔드에서 쓰던 인프라스트럭처를 가져와서 상황에 맞게 쓰면 되는 거예요.

Q. 구체적인 프로젝트 예시가 있다면?

사이트 한 개만 크롤링하는 서비스를 만들다가, 여러 사이트를 크롤링하는 서비스를 만들어 보는 식인 것 같아요. 하나의 프로그램에서 어떻게 적절하게 수집할 수 있을지, 어떻게 안정적으로 수집할 수 있는지 그런 파이프라인을 설계해보는 게 도움이 됐어요.

굳이 처음부터 큰 스케일링을 경험할 필요는 없다고 생각하거든요. 처음엔 작은 크롤링에서 시작해도, 결국은 데이터 파이프라인 설계와 같은 원리를 경험할 수 있습니다. 100개의 비디오를 다운로드 받는 파이프라인을 만들 수 있다면, 그 무결성 체크나 프레임레이트 같은 것을 확인하겠죠. 그런 것만 스스로 해봐도 그 과정에서 수많은 에러를 만나고 해결하면서서 도움이 될 거예요. 꼭 머신러닝닝 데이터 경험이 없다고 해서 구현을 못하는 건 아니에요.

현업 팁 | 작게 시작해도 괜찮다
처음부터 대규모 데이터를 다루지 않아도 됩니다.
예: 100개 비디오 다운로드 → 무결성·프레임레이트 체크 → 실패 로그로 개선
작은 규모에서 부딪히며 에러를 해결하는 경험이 결국 대규모 파이프라인 설계로 이어집니다.

트웰브랩스 팀원들 <출처: 트웰브랩스>

Q. 데이터 엔지니어에게 요구되는 마인드셋이 있다면요?

개선할 수 있는 마인드예요. 특정 시스템을 끊임없이 개선할 수 있는 마인드. 학습에 필요한 데이터는 항상 부족하거나 노이즈가 많을 수밖에 없습니다. 완벽한 상태의 데이터는 없다고 생각해요.

협업도 중요한 것 같아요. 혼자 성과를 낼 수 없는 직군이 ML 데이터 엔지니어다 보니까 사이언티스트나 어노테이터 등과 협력해야 합니다. 그런 다양한 요구사항을 하나의 시스템으로 녹여낼 수 있는 마인드가 필요할 것 같아요.

Q. 앞으로 데이터 엔지니어링 분야는 어떻게 발전할 것 같나요?

데이터 엔지니어링이 기존에는 ETL 파이프라인을 만들어서 로그 등을 처리하는 파이프라인을 만들었다고 하면 이제는 머신러닝이 급부상하면서 ML 친화적인 데이터 파이프라인으로 진화하고 있다고 생각합니다.

글로벌 멀티모달 AI 시장이 24년도에는 15~16억 달러 규모였는데 최근에는 2030년까지 400억 달러 규모 이상으로 성장한다고 해요. 이런 데이터를 안정적으로 처리할 수 있는 데이터 엔지니어 역할이 커질 수밖에 없다고 생각해요.

마치며

백엔드에서 데이터 엔지니어로 전환한 그는 이제 트웰브랩스라는 글로벌 AI 스타트업에서, 이전에는 상상하지 못했던 대규모 데이터와 함께합니다. 리서치 사이언티스트와의 협업 속에서 새로운 시야를 얻고 있기도 하죠. 특히 “사이언티스트에게 ML 데이터 엔지니어링에 대해 많이 배운다”고 합니다. 엔지니어와 사이언티스트의 생각과 접근 방식이 많이 다른데, 그 관점의 차이에서 배울 점이 많다고요.

무엇보다 “트웰브랩스처럼 ‘비정형 데이터’를 대규모로 다루는 데이터 엔지니어링을 해볼 수 있는 곳은 희소”하다고 그는 말합니다. “‘영상’ 데이터는 텍스트, 이미지, 오디오가 합쳐진 ‘멀티모달’ 데이터이기도 해서 다양한 데이터를 다뤄볼 수 있어 특별하다”는 것이죠.

“지금은 멀티모달 시장이 이제 막 커지는 단계이다 보니 이런 일을 하는 곳이 적지만, 언젠가는 누구나 비정형 데이터를 다뤄야 할 순간이 올 거라고 생각해요. 그 시기를 앞서 경험하는 것 같아요.”

마지막으로 김근오 엔지니어에게 과거의 자신에게 무슨 말을 들려주고 싶은지 물어봤습니다. 이에 그는 “두려워하지 말라”는 말을 해주고 싶다고 했습니다. 백엔드 엔지니어인 자신이 AI 회사에서 자신이 할 수 있는 일이 있을지 불안해 했지만, 막상 부딪히고 나니 달랐다는 것입니다.

“AI 회사라고 해서 특별한 게 있는 건 아니더라고요. 처음엔 낯설고 어려웠지만, 결국은 익숙했던 개발 경험들이 도움이 됐고, 새로운 환경 속에서 다른 방식으로 배워 나가면 됩니다. 환경이 달라진 것이지, 하는 일이 완전히 달라지는 건 아니었어요.”

➡️ 현재 트웰브랩스는 전 분야에서 적극적으로 채용을 진행하고 있습니다. 관심 있는 분들은채용공고를 확인해 보세요.

노희선 에디터 heesun.noh@wishket.com

]]>

“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>

]]>

AI 기업 탐구: 네오사피엔스, 타입캐스트로 유튜브를 사로잡다

AI 기술이 이미 생활 속 필수재로 자리 잡은 요즘, 그 기술 뒤에서 움직이는 기업들의 정체와 비전이 궁금하지 않으신가요? AI는 이제 단순한 기술 트렌드를 넘어 세상을 바꾸는 핵심 동력으로 떠올랐습니다.

〈AI 기업 탐구〉시리즈는 AI 산업의 대표적인 기업들을 하나씩 꼼꼼하게 살펴보며, 이들이 어떻게 탄생했고, 현재 어떤 전략과 비전으로 미래를 그려나가는지 구체적으로 조명하고자 합니다. AI를 이끄는 주인공들의 생생한 이야기를 지금부터 만나보세요.

Chapter. 0 왜 지금, 이 기업을 알아야 하는가?

<출처: 타입캐스트>

유튜브 쇼츠의 태동기였던 2021년과 2022년, 연달아 쇼츠 분야 1위를 차지한 채널이 있습니다. 바로 ‘1분요리 뚝딱이형’인데요. 활동 초기부터 폭발적인 관심을 받은 이 채널은 현재 구독자 수가 300만 명을 넘어서는 대형 채널로 성장했습니다.

이 채널의 주요 콘텐츠는 이름 그대로 1분 안에 요리 레시피를 알려주는 것입니다. 흔한 주제임에도 불구하고 빠르게 성장할 수 있었던 이유는 바로 목소리에 있습니다. 영상 속에서는 ‘삼촌(aka. 뚝딱이형)’이 요리를 설명하고, ‘조카(aka. 잼민이)’가 맛이나 방법에 대해 딴지를 걸며 대화를 이어가는데요. 두 사람의 티키타카와 재치 있는 드립 덕분에 단순한 요리 채널이 아니라, 마치 콩트 같은 재미를 주는 채널로 자리 잡게 되었습니다.

<출처: 유튜브>

이제는 레시피를 배우러 온다기보다, 두 인물의 티키타카를 즐기기 위해 찾는 시청자가 더 많을 정도입니다. 그런데 흥미로운 사실은, 이 삼촌과 조카는 실존 인물이 아니라는 점입니다. 두 사람의 목소리는 모두 AI 성우 서비스인 '타입캐스트(Typecast)'로 만들어졌으며, 그 서비스를 제공한 회사가 바로 오늘의 주인공 '네오사피엔스(Neosapience)'입니다.

많은 AI 스타트업이 뚜렷한 수익 모델 없이 투자금에 의존하다 사라지곤 하지만, 네오사피엔스는 다릅니다. ‘1분요리 뚝딱이형’ 채널처럼 실제 시장에서 검증된 서비스와 안정적인 비즈니스 모델을 기반으로 성장했고, 이제는 IPO를 앞둔 한국 대표 AI 스타트업으로 주목받고 있습니다. 오늘은 이들이 어떻게 이러한 성과를 만들어낼 수 있었는지 자세히 살펴보겠습니다.

Chapter. 1 탄생의 배경과 창립 철학

음성 기술 외길 인생

타입캐스트를 만든 김태수 네오사피엔스 대표는 연구자 출신입니다. 카이스트(KAIST)에서 음원 분리와 합성을 연구하며, 다양한 소리가 섞여 있는 환경에서 특정 목소리를 분리하는 알고리즘을 개발해 박사 학위를 받았는데요. 이 연구는 훗날 네이버 클로바 노트와 같이 여러 사람의 목소리를 화자별로 구분하는 기술의 기반이 되는 선구적인 시도로 평가받습니다.

박사 학위를 마친 뒤 입사한 LG전자에서는 통화 중 주변 소음을 제거하는 기술 개발에 매진했습니다. 이 과정에서 세계 최초로 휴대폰에 듀얼 마이크를 탑재해 음원을 분리하는 기술을 구현하기도 했습니다. 흥미로운 점은 그가 LG전자를 선택한 이유입니다. 당시만 해도 음성 분야는 지금처럼 핫한 영역이 아니었고, 국내에서 관련 연구를 지속할 수 있는 거의 유일한 팀이 LG전자에 있었기 때문입니다.

<출처: 김태수 대표 링크드인>

이후 그는 퀄컴으로 자리를 옮겨, 별도의 버튼을 누르지 않고 언제든 이름만 부르면 응답할 수 있는 ‘항상 켜져 있는 마이크’ 기술을 연구했습니다. 이 기술 역시 아마존 알렉사나 애플 시리와 같은 음성 비서 서비스가 별도의 조작 없이 사용자를 인식하는 기술의 기반이 됐습니다. 이러한 연구 과정에서 40건이 넘는 특허를 출원하며, 음성 분야에서 독보적인 성과를 쌓아 올린 엔지니어로 자리매김했습니다.

하지만 엔지니어로 승승장구하던 그는 2016년 뜻밖의 전환점을 맞습니다. 건강상의 문제가 생긴 건데요. 이는 지금까지 걸어온 길을 되돌아보는 계기가 되었고, 고민 끝에 “지금까지의 연구 성과를 토대로 세상을 바꿀 무언가를 직접 만들어보고 싶다”라는 결론에 이르렀습니다. 그렇게 해서 시작된 도전이 바로 네오사피엔스의 탄생이었습니다.

뚝심으로 만든 기회

네오사피엔스는 '새로운 현인'이라는 의미를 담아, 인간의 창의력을 AI로 확장하겠다는 포부를 녹여냈습니다. 그러나 시작은 쉽지 않았습니다. 앞서 이야기했던 것처럼 김태수 대표는 엔지니어로서는 경험이 풍부했지만, 사업은 또 다른 영역이었기 때문입니다.

<출처: 네오사피엔스>

그는 음성 기술을 기반으로 사람들이 진정 필요로 하고, 돈을 지불할 만한 제품과 서비스를 찾기 위해 1년 이상 매달렸습니다. 그 결과 유명인의 목소리를 합성해 더빙 영상을 만드는 실험에서 가능성을 발견했습니다. 당시만 해도 AI라 하면 제조업 자동화나 플랫폼 기술에 관심이 쏠리던 시기였기에, 콘텐츠 시장을 바라보는 시선은 회의적이었지만, 김태수 대표는 흔들리지 않았습니다.

“기술이 사람들의 일상을 바꾸는 거대한 파도를 직접 일으키고 싶다”라는 목표 아래 네오사피엔스는 좁은 음성합성 분야에 집중했습니다. 작은 시장이라도 세계 최고가 되겠다는 각오로 팀을 이끌며, 2019년 서비스를 정식 공개하기 전까지는 요란한 홍보보다 기술 완성도와 사용자 경험을 끌어올리는 데 주력했는데요. 이러한 뚝심은 결국 투자자들의 눈에 띄었습니다. 2018년경부터 잠재력을 눈여겨본 VC들이 나타나기 시작했고, 마침내 초기 투자 유치에도 성공했습니다.

Chapter. 2 대표 서비스와 기술 혁신

선택과 집중

앞서 다룬 '보이저엑스'는 AI 기술을 활용한 서비스라면 어떤 것이든 좋다는 큰 목표 아래, 다양한 아이디어를 빠르게 실험하며 시장성을 검증하는 전략을 취했습니다. 반면, 네오사피엔스는 정반대의 길을 걸었는데요. 방향성이 정해진 이후 오직 하나의 서비스, '타입캐스트'에 모든 역량을 집중했습니다.

<출처: 네오사피엔스>

이 같은 선택은 창업자 김태수 대표가 연구자 출신이라는 배경과 맞닿아 있습니다. 평생을 음성 관련 기술 하나에만 몰두해 온 만큼, 이 분야에서는 누구보다 깊은 전문성과 자신감을 갖고 있었죠. 실제로 네오사피엔스가 2018년 이후 발표한 12편의 연구 논문 가운데, 10편 이상이 모두 음성과 관련된 주제를 다루고 있다는 사실은 이러한 '한 우물 전략’을 잘 보여줍니다.

감정까지 표현하는 TTS

네오사피엔스의 대표 서비스 타입캐스트는 AI 성우·영상 생성 플랫폼으로 사용법은 단순합니다. 대본 텍스트를 입력하고 원하는 캐릭터를 선택하면, 불과 몇 분 만에 사람이 직접 읽는 듯한 음성이 생성됩니다. 이 서비스는 TTS(Text-to-Speech)를 기반으로 하는데요. 기존에도 TTS 기술을 활용한 서비스는 종종 있어 있었지만, 타입캐스트가 주목을 받은 가장 이유는 자연스러운 표현력에 있습니다.

<출처: 타입캐스트>

기존의 TTS가 기계적인 억양에 머물렀다면, 타입캐스트는 기쁨·화남·설렘 같은 감정까지 섬세하게 표현할 수 있습니다. 예컨대 "안녕하세요"라는 한 마디도 상황에 따라 밝게, 혹은 울먹이며 말할 수 있습니다. 이는 네오사피엔스가 수년간 축적한 음성 데이터와 자체 개발한 딥러닝 합성 엔진 덕분인데요. 이러한 기술력을 단순히 정해진 캐릭터를 활용하는 데 그치지 않고, 사용자가 자신만의 AI 보이스를 제작할 수 있는 단계로까지 발전했습니다.

성우에서 연기자로

이처럼 감정 표현이 정교해지자 자연스럽게 서비스의 확장 방향은 '성우'에서 '연기자'로 이어졌습니다. 단순히 목소리를 만들어내는 데서 그치지 않고, AI로 생성된 아바타 캐릭터가 선택한 목소리로, 입 모양을 맞추어 말하는 영상을 만들어주는 기능으로 확대된 것입니다.

<출처: 타입캐스트>

예컨대 뉴스 클립을 만든다면, AI 성우 목소리에 맞춰 뉴스 앵커 모습의 가상 인간이 등장해 자연스럽게 대본을 읽는 영상을 생성할 수 있습니다. 앞서 언급한 12편의 연구 논문 가운데, 음성과 직접적 관련이 없는 2편이 바로 이러한 비주얼 아바타 기술과 맞닿아 있습니다.

대체 불가한 캐릭터

아무리 타입캐스트의 기술이 좋더라도, 목소리 캐릭터 수가 적다면 한계가 뚜렷할 수밖에 없습니다. 동일한 목소리가 여러 콘텐츠에서 사용된다면, 후발 주자들이 차별화된 결과물을 만들기 어려워 사용을 꺼릴 가능성이 커지기 때문입니다.

<출처: 타입캐스트>

네오사피엔스는 이 문제를 정면으로 돌파했습니다. 2019년 서비스 초창기에는 몇십 종에 불과했지만, 현재는 600종 이상의 캐릭터를 보유하고 있습니다. 아동·청소년·청년·중년·장년 등 전 연령대 목소리는 물론, 산타클로스·앵커·왕·동물 캐릭터 같은 특수 목소리까지 확보하면서 애니메이션 더빙·오디오북·유튜브 브이로그·광고 영상 등 어떤 콘텐츠에도 적합한 목소리를 제공하는 콘텐츠 제작 인프라로 자리매김했습니다.

Chapter. 3 비즈니스 모델과 시장 성과

구독 기반의 수익 구조와 락인 효과

타입캐스트는 누구나 무료로 체험할 수 있지만, 본격적인 사용을 위해서는 유료 구독이 필수적입니다. 구독 등급에 따라 사용할 수 있는 음성 캐릭터 수, 음성 합성 시간, 영상 생성 기능이 달라지는데요. 이러한 구독 모델은 다른 서비스들에서도 흔히 볼 수 있지만, 타입캐스트의 구독 모델이 안정적인 수익을 창출할 수 있었던 핵심 이유는 강력한 락인 효과가 있었기 때문입니다.

크리에이터가 타입캐스트의 특정 캐릭터를 선택해 콘텐츠를 만들고 그 콘텐츠가 인기를 얻기 시작하면, 해당 캐릭터는 곧 채널의 정체성으로 자리 잡습니다. 이후 다른 목소리로 바꾸는 것은 팬들에게 이질감을 줄 수 있어 사실상 불가능합니다. 앞서 소개한 1분요리 뚝딱이형의 첫 영상에서의 목소리가 4년이 지난 지금까지 바뀌지 않았던 것도 같은 맥락에서 이해할 수 있습니다.

<출처: 사람인>

이 구조는 강력한 '전환 비용'을 만들어냅니다. 다른 AI 음성 서비스로 이동하려 해도 동일한 목소리와 감정을 재현하기 어렵고, 이미 축적된 콘텐츠 자산 때문에 다른 서비스로 이전하기 어렵습니다. 이처럼 콘텐츠 자산이 곧 브랜드가 되고, 브랜드가 다시 서비스 이용을 고착화하는 선순환이 형성된 것이 네오사피엔스의 주요 경쟁력이죠. 설립 이후 꾸준히 매출 성장세를 이어가고 있는 것도 바로 이 덕분입니다.

개인 크리에이터에서 글로벌 기업까지

초기 타입캐스트의 고객군은 대부분 개인 크리에이터였습니다. 유튜버, 팟캐스터, 강의 제작자가 그 주인공들이었는데요. 최근에는 음성합성의 기술력이 더욱 정교해지면서 신뢰도가 생겼고, 기업으로도 고객군이 확대되고 있습니다. 매일경제에서 김주하 MBN 앵커의 목소리를 학습해 오디오 뉴스 서비스로 제공하고 있는 것이 대표적인데요. 2024년에는 전년 대비 B2B 고객사 수가 42% 증가했습니다.

<출처: 타입캐스트>

더 나아가 타입캐스트는 이제 글로벌 시장에서도 성과를 내고 있습니다. 현재 200만 명 이상의 개인 사용자와 1,000개 이상의 기업 고객을 확보했으며, 전체 트래픽의 60% 이상이 해외에서 발생할 정도로 글로벌 비중이 큰데요. 2024년 연말 결산에 따르면, 타입캐스트는 총 225개국에서 사용되고 있으며, 지원 언어도 계속해서 확대되어 2025년에는 33개 언어까지 늘어날 예정이라고 합니다.

사람의 마음을 움직이는 기술

특히 네오사피엔스의 기술은 단순히 상업적 효용성을 넘어, 사회적 가치와 감정적 파급력을 보여주는 사례로 주목받았습니다. 대표적인 예가 바로 MBC 다큐멘터리 “너를 만났다”입니다. 이 프로그램에서 네오사피엔스는 세상을 떠난 가족의 목소리를 AI로 복원해, 유족이 VR 공간에서 다시 만나는 장면을 구현했는데요. 해당 장면은 방송 직후 국내외에서 큰 반향을 일으켰고, AI 음성이 단순한 기능을 넘어 인간의 삶과 감정을 울리는 기술이 될 수 있음을 입증했습니다.

<출처: MBC 유튜브>

이 경험은 투자자들에게 중요한 메시지를 전달했습니다. 네오사피엔스가 가진 음성 합성 기술은 단순히 유튜브나 광고를 위한 도구가 아니라, 방송·엔터테인먼트·교육·치유 산업 등 훨씬 넓은 시장으로 확장 가능한 잠재력을 가진다는 점입니다. 또한 “사람들의 마음을 움직일 수 있는 기술”이라는 스토리는 투자 설득 과정에서 강력한 자산이 되었고, 이는 실제 시리즈 A·B 라운드에서 긍정적 효과를 가져왔습니다.

현재 네오사피엔스는 안정적인 매출 성장과 글로벌 고객 기반을 토대로 IPO(기업공개)를 본격적으로 준비하고 있습니다. 단순히 기술 스타트업이 아닌, 사람과 기술을 잇는 감성적 가치를 창출하는 기업이라는 이미지는 향후 상장 과정에서도 투자자와 시장 모두에게 강력한 신뢰 요인이 될 것으로 보입니다.

Chapter. 4 도전과 한계

한 우물 전략의 이면

AI 음성 합성 기술은 불과 몇 년 전만 해도 소수 연구소와 빅테크 기업만 구현할 수 있는 첨단 영역이었습니다. 그러나 최근 들어 대규모 언어 모델(LLM)과 오픈소스 음성 합성 엔진이 확산되면서 진입 장벽이 빠르게 낮아지고 있는데요. 이제는 누구나 공개된 모델을 활용해, 어렵지 않게 기본적인 음성 합성 기능을 구현할 수 있는 시대가 열렸습니다.

이 과정에서 기술 자체의 희소성이 줄어들며, 경쟁은 점점 치열해지고 있습니다. 구글, 아마존 같은 빅테크뿐 아니라, 수많은 스타트업이 TTS 기술을 내세워 시장에 뛰어들고 있는데요. 네오사피엔스가 오직 타입캐스트에 집중해 전문성을 쌓아온 것은 분명 강점이지만, 동시에 타입캐스트가 시장에서 매력을 잃거나 새로운 대체재가 등장할 경우, 회사 전체가 흔들릴 수 있는 위험 요소로 작용할 수도 있습니다.

AI와 인간의 공존

AI 연기자는 크리에이터들에게 더 많은 선택지를 제공하며 콘텐츠 제작 방식을 크게 확장시켰습니다. 그러나 동시에 기존에 그 일을 하던 사람들에게는 일자리를 위협하는 결과로 이어지고 있습니다. 특히 성우 업계와의 갈등이 불거질 수 있고, 목소리를 기반으로 생계를 이어가는 배우, 강사, 방송인 등 다양한 직업군이 잠재적인 영향을 받습니다. 나아가 강의실, 무대, 방송국 등 목소리 노동을 기반으로 한 산업 전반 역시 AI 기술의 확산으로 위협받을 수 있습니다.

How the voices for ChatGPT were chosen <출처: OpenAI X>

여기에 더해 목소리 저작권 문제는 갈수록 복잡해지고 있습니다. 대표적으로 2024년 OpenAI가 공개한 GPT 음성 인터페이스는 배우 스칼렛 요한슨의 목소리와 유사하다는 논란에 휩싸였고, 결국 서비스가 중단되었는데요. 이처럼 의도와 상관없이 특정 유명인의 목소리와 닮았다는 사실만으로도 해명과 대응이 쉽지 않다는 점이 드러났습니다.

더 나아가, 현재는 문제가 없더라도 언젠가 타입캐스트에서 제공하는 목소리와 유사한 실제 인물이 등장한다면, 저작권을 누구에게 인정해야 할지 같은 새로운 쟁점이 불거질 수 있습니다. 결국 유사 음색 충돌을 다루기 위한 윤리적 가이드라인과, 산업 전반이 공존할 수 있는 모델을 선제적으로 마련하는 것이 시급합니다.

악용 가능성과 규제 리스크

AI 음성 합성 기술은 긍정적인 가능성만큼이나 악용 위험도 큽니다. 이미 해외에서는 보이스피싱, 음성 사기, 가짜 뉴스 등에 합성 음성이 활용된 사례가 잇따라 보고되고 있습니다. 홍콩에서는 AI 딥페이크 음성을 이용해 기업에서 2,500만 달러 이상을 탈취당한 사건이 발생했고, 미국 롱아일랜드에서는 2023년 한 해 동안 3,000건이 넘는 AI 음성 사기가 접수됐고, 피해액은 1억 2,600만 달러에 달했습니다. 이러한 사례는 AI 음성이 단순한 편의 도구가 아니라, 심각한 사회적 범죄 수단이 될 수 있음을 보여줍니다.

특히 영상은 보고·듣고 판단할 수 있지만, 목소리는 오직 청각에만 의존해야 하기에 진위를 가리기가 훨씬 더 어렵습니다. 이 때문에 각국 정부는 관련 규제를 강화하는 추세이며, 한국에서도 AI 기반 범죄에 대한 처벌 강화를 논의 중입니다.

결국 이 기술은 규제와 정책의 영향을 크게 받을 수밖에 없으며, 네오사피엔스가 시장에서 신뢰를 유지하려면 단순한 기능 제공을 넘어, 악용 방지 기술과 윤리적 안전장치를 선제적으로 마련해야 합니다.

Chapter. 5 결론과 전망

네오사피엔스는 단일 서비스인 타입캐스트를 기반으로 글로벌 시장에서 입지를 다져왔습니다. 감정 표현이 가능한 AI 성우에서 출발해, 이제는 영상까지 아우르는 AI 연기자로 확장하며 개인 크리에이터와 기업 모두에게 새로운 콘텐츠 제작 방식을 제시했습니다. 그러나 기술의 빠른 평준화, 성우·배우 등 직업군과의 공존 문제, 보이스피싱 같은 악용 리스크는 피할 수 없는 도전 과제입니다. 또한 서비스 의존도가 지나치게 높은 구조는 잠재적 약점으로 작용할 수 있죠.

그럼에도 불구하고 네오사피엔스는 원천 기술을 직접 보유하고 있다는 점에서 분명한 강점을 지니고 있습니다. 외부 API에 의존하는 기업들이 제공사의 정책 변화나 비용 문제로 쉽게 흔들릴 수 있는 반면, 네오사피엔스는 독립적인 기술 개발과 안정적인 서비스 운영이 가능합니다.

이는 단순히 비용 절감 차원을 넘어, 특정 언어의 문화적 뉘앙스를 반영한 목소리를 구현하거나, 영상 아바타의 감정 표현을 정교하게 고도화하는 등 시장의 요구에 더욱 빠르고 깊이 있게 대응할 수 있는 핵심 경쟁력으로 이어집니다.

결국 네오사피엔스의 미래는 이러한 원천 기술을 어떻게 발전시키고, 시장과 사회의 기대에 맞게 조율하느냐에 달려 있습니다. 이 강점을 전략적으로 살려낸다면, 네오사피엔스는 단순한 서비스 제공자를 넘어 AI 콘텐츠 생태계를 선도할 수 있지 않을까요?

<AI 기업 탐구 시리즈 보러 가기>

AI 기업 탐구: 오픈AI, 절대강자의 탄생
AI 기업 탐구: 앤트로픽, 오픈AI를 위협하는 진짜 라이벌
AI 기업 탐구: 글린, 오픈AI도 경계한 AI 검색의 강자
AI 기업 탐구: 뤼튼, 한국인이 가장 많이 사용한 국내 AI 툴
AI 기업 탐구: 업스테이지, 작고 빠른 SLM으로 '국민 AI'에 도전하다
AI 기업 탐구: 트웰브랩스, 엔비디아·AWS가 선택한 영상 AI 강자
AI 기업 탐구: 애니스피어, 커서(Cursor)로 바꾼 개발자 패러다임
AI 기업 탐구: xAI, 일론 머스크가 만드는 AI 초격차
AI 기업 탐구: 퓨리오사AI, 엔비디아에 맞서는 K-유니콘의 등장
AI 기업 탐구: 미스트랄 AI, 프랑스 소버린 AI의 핵심 주역
AI 기업 탐구: 퍼플렉시티 AI, 4년 만에 구글 노린 스타트업
AI 기업 탐구: 보이저엑스, '브루·브이플랫'이 증명한 돈 버는 AI

]]>

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.

]]>

AI 기업 탐구: 퓨리오사AI, 엔비디아에 맞서는 K-유니콘의 등장

AI 기술이 이미 생활 속 필수재로 자리 잡은 요즘, 그 기술 뒤에서 움직이는 기업들의 정체와 비전이 궁금하지 않으신가요? AI는 이제 단순한 기술 트렌드를 넘어 세상을 바꾸는 핵심 동력으로 떠올랐습니다.

〈AI 기업 탐구〉시리즈는 AI 산업의 대표적인 기업들을 하나씩 꼼꼼하게 살펴보며, 이들이 어떻게 탄생했고, 현재 어떤 전략과 비전으로 미래를 그려나가는지 구체적으로 조명하고자 합니다. AI를 이끄는 주인공들의 생생한 이야기를 지금부터 만나보세요.

Chapter 0. 왜 지금, 이 기업을 알아야 하는가?

최근 AI 분야에서 가장 공격적으로 투자하는 기업을 꼽자면 메타를 빼놓을 수 없습니다. 메타는 천문학적인 연봉을 제시하며 전 세계의 우수한 인재를 대거 영입하는 한편, 2030년까지 AI 데이터센터 구축에 280조 원을 투입하겠다는 계획도 내놓았습니다.

메타의 계획은 여기서 그치지 않습니다. 엔비디아에 대한 의존도를 줄이고 자체 AI 칩을 확보하겠다는 목표를 분명히 하고 있는데요. 이 과정에서 뜻밖의 이름이 거론됐습니다. 바로 오늘의 주인공 '퓨리오사AI(Furiosa AI)'입니다.

<출처: 퓨리오사AI>

퓨리오사AI는 2017년에 설립된 한국의 팹리스(Fabless) 스타트업입니다. 팹리스란, Fabrication+less의 합성어로 반도체 제품을 직접 생산하지 않고 반도체 설계를 전문적으로 하는 회사를 말하는데요. 메타는 퓨리오사AI에 약 8억 달러(1조 2천억 원)의 인수 금액을 제안하며 반도체 설계부터 이어지는 생태계를 구축하려 했지만, 퓨리오사AI가 이 제안을 거절하며 무산됐습니다.

설립 8년 차에 불과한 스타트업이 뿌리치기 어려운 규모의 제안이었지만, 퓨리오사AI는 자신들의 기술력과 미래 가치에 대한 확신으로 독자 개발의 길을 선택한 것입니다. 과연 어떤 기업이길래 이처럼 뚝심 있는 결정을 내릴 수 있었을까요? 지금부터 그 배경을 자세히 들여다보겠습니다.

Chapter 1. 탄생의 배경과 창립 철학

반도체 업계의 ‘매드맥스’

혹시 '퓨리오사'라는 이름을 들으면 떠오르는 것이 있지 않으신가요? 맞습니다. 2015년에 개봉해 전 세계적으로 큰 인기를 끌었던 영화 '매드맥스: 분노의 도로'의 주인공 이름입니다. 이 작품이 흥행에 성공하자 이후 '퓨리오사: 매드맥스 사가'라는 후속편까지 제작되었는데요. 흥미롭게도 퓨리오사AI라는 기업명 역시 이 영화에서 영감을 받아 지어졌습니다.

<출처: 영화 ‘매드맥스 분노의 도로’ 스틸컷>

퓨리오사AI의 창업자는 백준호 대표로, 미국 조지아텍(Georgia Tech)에서 전기전자공학 석사 학위를 받은 반도체 전문가입니다. 그는 AMD의 GPU 설계팀과 삼성전자 메모리반도체 부서에서 엔지니어로 경력을 쌓으며, AI 시대에 최적화된 전용 반도체의 필요성을 절감하게 되었습니다. 이를 계기로 퓨리오사AI를 창업했고, 새로운 패러다임에 도전하는 반항적 DNA를 담겠다는 의미로 영화 속 캐릭터 이름인 '퓨리오사'를 기업명으로 삼았습니다.

칩의 이름 역시 같은 세계관에서 모티브를 얻어왔습니다. 1세대 칩은 '워보이(Warboy)', 2세대 칩은 '레니게이드(Renegade)'로 명명하며, 영화 속 등장인물과 세계관의 상징성을 이어가고 있습니다.

무모한 도전?

퓨리오사AI는 백준호 대표를 필두로 삼성전자, AMD, 퀄컴 등에서 풍부한 경험이 쌓인 인재들이 모여 설립됐습니다. 하지만 인재만으로는 충분하지 않았습니다. 반도체 산업은 성공 궤도에 오르기 위해 인력뿐 아니라, 막대한 자본이 필요하기 때문입니다. 당시 스타트업이 거대 기업과 맞서 싸운다는 것은 계란으로 바위 치기에 가깝다는 시선이 많았습니다.

설립 초기 당시 퓨리오사AI <출처: D2SF>

“많은 분들이 묻습니다. 불가능해 보이는 일에 도전하는 것에서 자부심을 느끼지 않냐고요. 그런데 정작 우리 중에 '내가 이 어려운 일을 해보겠다'라며 합류한, 모험가는 없습니다. 할 수 있다고 생각한 사람이 모여, 그 생각을 정교한 엔지니어링으로 하나씩 풀어내고 있을 뿐입니다.”

그러나 백준호 대표는 성공에 대한 확신이 있었습니다. AI 칩 시장은 발전 가능성은 무궁무진하고, 기존 반도체 개발과는 접근법을 달리 가져가는 전략이라면 스타트업이 더 잘할 수 있다고 생각한 것인데요. 이러한 의지는 네이버의 스타트업 액셀러레이터인 D2SF의 시드를 끌어내는 계기가 되었습니다. 확보한 초기 자금으로 제작한 시제품은 곧 글로벌 AI 반도체 성능 벤치마크에서 뛰어난 성과를 거두며, 그 믿음이 틀리지 않았음을 증명했습니다.

Chapter 2. 대표 서비스와 기술 혁신

GPU? 우리는 NPU

퓨리오사AI의 대표 제품을 이해하려면, 먼저 GPU와 NPU의 차이를 이해할 필요가 있습니다. NPU(Neural Processing Unit)'는 인공지능 연산에 특화된 전용 반도체로, GPU나 CPU보다 더 높은 연산 효율성과 전력 효율성을 제공하는 것이 특징입니다. NPU를 '인공지능 연산에 특화된 전용 반도체'라고 정의한 데는 이유가 있는데요. 현재 인공지능 연산에 가장 많이 사용되고 있는 GPU는 사실 인공지능 연산을 위해 만들어진 것이 아니기 때문입니다.

GPU(Graphic Processing Unit)'는 그 이름에서 알 수 있듯 그래픽 연산 처리에 최적화된 반도체입니다. 그래픽을 부드럽게 구현하기 위해 수많은 연산을 병렬적으로 처리할 수 있도록 설계되었는데, 이 특성이 AI 연산에도 적합해 생성형 AI 붐과 함께 폭발적인 수요가 생겼습니다. AI 경쟁에서 뒤처지지 않기 위해서는 GPU 확보가 필수였기 때문에, 지금까지는 GPU가 사실상 유일한 대안으로 자리 잡게 된 것입니다.

<출처: 작가>

그러나 GPU는 범용적 용도에 맞춰진 만큼 전력 소모가 크고, AI 연산 효율성 측면에서 최적화되지 않았다는 한계가 있습니다. 백준호 대표가 노린 것이 바로 이 지점이었습니다. AI 연산에 필요한 행렬·텐서 연산을 전용 하드웨어 수준에서 최적화한 NPU를 제대로 개발한다면, GPU보다 훨씬 적은 전력으로 더 높은 성능을 발휘할 수 있을 것이라는 판단이었습니다.

최고의 전력 대비 성능비: 워보이, 레니게이드

퓨리오사AI는 NPU 개발에 집중하며 두 가지 세대의 제품을 내놓았습니다.

첫 번째 제품 워보이는 삼성전자 14nm 공정으로 생산된 것으로, 이미지 인식·영상 분석 등 컴퓨터 비전 작업에 최적화된 제품입니다. 특히 글로벌 AI 반도체 성능 벤치마크인 MLPerf Inference에서 동급 엔비디아 GPU 대비 뛰어난 성능을 보여 업계의 주목을 이끈 제품이기도 합니다.

위 수치는 낮을수록 좋은 수치 <출처: 퓨리오사AI>

워보이가 좋은 평가를 받은 이유는 효율성에 집중한 설계 혁신 덕분이었습니다. 범용 연산을 수행하는 GPU와 달리, 워보이는 이미지 분류·객체 인식 등 특정 AI 추론 작업을 가속화하는 맞춤형 연산 엔진을 갖추었고, 이를 통해 동일 전력 대비 더 많은 연산 처리를 실현할 수 있었습니다.

이후 공개된 2세대 레니게이드는 퓨리오사AI가 글로벌 시장을 본격적으로 공략하기 위해 내놓은 전략 제품입니다. TSMC 5nm 공정으로 제작된 레니게이드는 대규모 언어모델(LLM)과 멀티모달 AI까지 구동할 수 있도록 확장된 연산 구조를 갖췄습니다.

<출처: 퓨리오사AI>

특히 HBM3 고대역폭 메모리를 통합하여, 대규모 데이터를 빠르게 불러오고 연산할 수 있어 AI 모델 처리 속도와 안정성을 크게 향상했습니다. 여기에 동일 전력 조건에서 엔비디아 최신 GPU 대비 최대 3배의 와트당 성능을 목표로 하며, 데이터센터 전력 비용을 크게 절감할 수 있다는 장점이 있습니다.

이러한 혁신 덕분에 레니게이드는 AI 데이터센터가 직면한 전력 소모·비용·공간 문제를 해결할 수 있는 강력한 대안으로 주목받고 있습니다. 실제로 LG AI연구원이 진행한 테스트에서는 동일 전력 조건에서 엔비디아 GPU 대비 최대 3.75배 많은 토큰 생성 성능을 보였다는 평가를 받았습니다.

HW-SW 통합 최적화: 소프트웨어 스택과 생태계 구축

아무리 잘 훈련된 군대라 하더라도, 이를 통솔하는 장군의 지휘 능력이 부족하다면 전투력을 제대로 발휘하기 어렵습니다. AI 칩도 마찬가지입니다. 아무리 뛰어난 설계로 만들어진 칩이라 해도, 요청에 따라 연산을 최적화하려면 이를 제어하는 소프트웨어의 지원이 꼭 필요한데요. 특히 인공지능 애플리케이션은 복잡하고 다양한 연산을 요구하기 때문에, 이 과정에서 SW 스택의 최적화는 매우 고난도의 기술로 꼽힙니다.

퓨리오사AI는 이 부분을 놓치지 않았습니다. 하드웨어와 소프트웨어가 긴밀하게 연동될 수 있도록 풀스택 소프트웨어 아키텍처를 자체적으로 구축하고 있습니다.

자체 SDK와 컴파일러: 퓨리오사AI는 개발자들이 AI 모델을 쉽게 최적화할 수 있도록 소프트웨어 개발 키트(SDK)와 컴파일러, 드라이버를 제공합니다.
주요 프레임워크 연동: PyTorch, TensorFlow, ONNX 등 주요 AI 프레임워크와의 호환성을 확보해 복잡한 포팅 없이 바로 사용할 수 있습니다.
모델 저장소(Model Zoo): 다양한 범용 AI 모델을 사전에 최적화된 상태로 제공하여, 개발자가 칩을 즉시 활용할 수 있도록 지원합니다.

이러한 HW-SW 통합 최적화는 AI 칩의 성능을 100% 끌어내는 데 핵심적인 역할을 합니다. 더 나아가 개발자들이 쉽고 편리하게 접근할 수 있는 생태계를 구축함으로써, 퓨리오사AI는 엔비디아 CUDA처럼 자사 칩을 중심으로 한 지속 가능한 개발자 네트워크를 만들어가고 있습니다.

Chapter 3. 비즈니스 모델과 시장 성과

아직은 성과를 쌓아가는 단계

퓨리오사AI의 비즈니스 모델은 전형적인 팹리스 구조를 기반으로 합니다. 직접 반도체를 생산하지 않고 설계에 집중한 뒤, 삼성전자와 TSMC 같은 파운드리를 통해 위탁 생산을 진행합니다. 완성된 칩은 데이터센터용 AI 가속기 카드나 서버 레퍼런스 시스템 형태로 제공되는데요. 고객사에 따라 직접 판매 또는 파트너사를 통한 공급 방식을 병행합니다.

LG AI 토크 콘서트 2025에서 발표하는 백준호 대표 <출처: LG AI연구원>

특히 최근에는 LG AI연구원과의 협력 사례가 눈에 띕니다. 퓨리오사AI는 LG AI연구원이 개발한 대규모 언어모델 '엑사원'에 레니게이드를 공급하는 실증 계약을 체결했는데요. 엑사원은 LG 내부는 물론 전자, 통신, 바이오 등 그룹 계열사를 위한 AI 모델이며, 외부 기업 고객에게도 온프레미스 기반으로 솔루션화될 예정입니다.

그러나 퓨리오사AI는 여느 딥테크 스타트업과 마찬가지로 긴 R&D 기간을 거치고 있어, 여전히 눈에 띄는 매출 성과는 부족한 것도 사실입니다. 즉, 현재까지의 비즈니스 성과는 주로 제품 성능 검증과 초기 고객사 확보에 초점이 맞춰져 있는데요. 본격적인 매출은 양산 체계가 안정화되고 글로벌 고객사 확보가 가시화된 이후에 기대할 수 있을 것으로 보입니다.

유니콘의 탄생

비즈니스 성과는 아직 제한적이지만, 퓨리오사AI는 기술력과 성장 가능성을 인정받아 투자 시장에서는 높은 평가를 받고 있습니다. 최근 완료된 시리즈 C 브릿지 라운드에서 1,700억 원 규모의 자금을 유치했고, 기업가치 1조 원 이상을 인정받아 이른바 '유니콘' 기업 반열에 올랐습니다.

<출처: Crunchbase, 작가 편집>

이로써 퓨리오사AI의 누적 투자액은 3,400억 원에 이르게 됐는데요. 이번에 확보한 자금은 차세대 칩 아키텍처 개발 및 HW-SW 생태계 강화와 글로벌 고객사 대응 체계 구축을 통해 글로벌 엔터프라이즈로부터 매출 확대하는 데 사용될 예정입니다. 무엇보다 시장의 신뢰를 받았다는 것이 무엇보다 의미 있는 성과로 볼 수 있습니다.

Chapter 4. 도전과 한계

여전히 높은 엔비디아의 벽

이렇게 퓨리오사AI가 기술적 성과를 인정받아 주목받고 있지만, 여전히 엔비디아라는 압도적 경쟁자의 벽을 넘어야 한다는 과제가 남아있습니다. 엔비디아는 GPU 시장의 90%에 육박하는 압도적 점유율뿐 아니라, 쿠다(CUDA)를 중심으로 한 강력한 소프트웨어 생태계를 구축하고 있는데요. AI 개발자와 기업들은 이미 쿠다 기반의 툴과 라이브러리를 폭넓게 사용하고 있어, 새로운 하드웨어로 전환하는 데 높은 학습 비용과 리스크를 느낄 수밖에 없습니다.

<출처: Eric Flaningam X>

또한 AI 경쟁은 계속 과열되고 있습니다. 메타, 구글, 마이크로소프트 등 글로벌 빅테크 기업들은 이번 경쟁에서 뒤처질 경우, 영원히 격차를 좁히기 어렵다는 절박감으로 막대한 자원을 쏟아붓고 있죠. 이 과정에서 전력 효율이나 비용보다는 절대적인 성능과 안정성이 우선되는 경향이 뚜렷합니다. 퓨리오사AI가 내세우는 전력 효율성과 최적화 기술은 분명 강점이지만, 이러한 글로벌 경쟁 환경에서는 우선순위에서 밀릴 가능성도 배제할 수 없습니다.

자체 칩 개발 트렌드

두 번째 도전 과제는 글로벌 빅테크의 자체 칩 개발 추세입니다. 퓨리오사AI가 메타로부터 인수 제안을 받은 것도, 메타가 엔비디아 의존도를 낮추기 위해 자체 칩 생태계를 확보하려는 의지에서 비롯되었습니다.

<출처: 구글>

메타뿐만 아니라 구글은 이미 TPU(Tensor Processing Unit)를 통해 AI 학습과 추론을 지원하고 있으며, 아마존은 Inferentia와 Trainium이라는 자체 칩을 개발해, AWS 데이터센터에 적용하고 있습니다. 최근에는 오픈AI까지 자체 칩 설계 계획을 공식화했습니다. 이러한 움직임은 고객사가 퓨리오사AI와 같은 외부 칩 공급업체에 의존하지 않으려는 흐름을 강화합니다.

특히 빅테크 기업들은 하드웨어와 소프트웨어를 통합적으로 설계하고 최적화할 수 있는 역량을 보유하고 있습니다. 자체 칩을 보유하면 AI 모델과 하드웨어의 성능을 극대화할 수 있기 때문에, 중장기적으로는 퓨리오사AI가 접근할 수 있는 고객 풀 자체가 줄어들 수 있다는 우려도 큽니다.

끝이 보이지 않는 자본 전쟁

마지막으로, 자본 문제는 반도체 산업에서 가장 큰 진입 장벽이자 생존 과제입니다. 칩 설계부터 양산까지는 수천억에서 수조 원에 이르는 막대한 자금이 필요하며, 성공까지는 수년간의 긴 개발 사이클을 거쳐야 합니다. 퓨리오사AI 역시 이 과정에서 큰 폭의 적자를 피할 수 없었습니다. 2022년에는 512억 원, 2023년에는 637억 원의 순손실을 기록했습니다.

메타의 인수 제안을 거절한 것은 독자 노선을 지키기 위한 전략적 선택이었지만, 동시에 글로벌 빅테크의 든든한 후원 없이 자력으로 버텨야 한다는 부담을 의미하기도 합니다. 이번에 1,700억 원의 투자를 유치한 것은 분명히 의미 있는 일이지만, 여전히 글로벌 기업과 비교하면 결코 많다고 볼 수 있는 수준은 아닙니다.

자본 전쟁의 양상은 점점 더 치열해지고 있습니다. 엔비디아는 물론 구글, 아마존, 메타 등 글로벌 빅테크는 막대한 투자로 칩 개발과 데이터센터 확장에 나서고 있으며, 이들의 속도와 스케일을 따라잡기는 쉽지 않은 상황입니다. 퓨리오사AI가 지속 가능한 성장 전략을 마련하지 못한다면, 기술 혁신만으로는 이 거대한 시장에서 생존하기 힘들 수 있습니다.

Chapter 5. 결론 및 향후 전망

AI 산업은 현재 ‘탈엔비디아’라는 거대한 흐름 속에 있습니다. 엔비디아 GPU에 대한 과도한 의존과 공급망 리스크, 그리고 AI 연산에 따른 전력 소모 문제가 글로벌 차원에서 큰 이슈로 떠오르며, 새로운 대안에 대한 수요가 빠르게 늘고 있는 것인데요. 이 같은 시장 변화는 퓨리오사AI에게 분명한 기회가 될 수 있습니다. 특히 전력 효율성과 최적화를 강점으로 하는 NPU 중심의 아키텍처, 그리고 HW-SW 통합 전략을 통해 이러한 흐름에 부합하는 기술력은 이미 입증해 가고 있습니다.

여기에 최근 한국 정부가 전략적으로 추진하고 있는 소버린 AI(Sovereign AI) 정책 기조 역시 퓨리오사AI에 좋은 발판이 될 수 있습니다. 국가 차원에서 자국 AI 인프라를 주도적으로 확보하려는 움직임은 글로벌 빅테크가 장악한 GPU 의존도를 줄이고, 국내 기술 생태계를 강화하려는 취지와 맞닿아 있기 때문입니다.

이재명 대통령 후보 시절 퓨리오사AI를 방문한 모습 <출처: 국회사진기자단>

물론 퓨리오사AI가 넘어야 할 과제도 적지 않습니다. 엔비디아의 막강한 생태계와 빅테크 기업들의 자체 칩 개발 경쟁, 그리고 자본력 격차는 여전히 부담 요소입니다. 그러나 이를 모르고 시작한 퓨리오사AI가 아닙니다.

매드맥스의 어려운 환경에서도 누구보다 강인한 생존력을 보여준 ‘퓨리오사’처럼, 퓨리오사AI 역시 어려운 환경에서 더욱 빛을 발할 것으로 기대됩니다. 기술력과 도전 정신을 바탕으로 글로벌 시장에서 의미 있는 입지를 확보해 나간다면, 탈엔비디아라는 새로운 AI 산업 패러다임 속에서 차세대 핵심 플레이어로 성장할 가능성은 충분합니다.

]]>

정육각과 ‘초신선’은 왜 실패했을까?

2025년 7월 4일, ‘초신선’ 돼지고기로 업계의 주목을 받았던 신선식품 유통 플랫폼 정육각이 기업회생을 신청했습니다.

한때 스타트업 혁신의 아이콘으로, 초록마을까지 인수하며 시장을 놀라게 한 정육각이 유동성 위기로 결국 회생 절차를 밟게 된 것인데요. 예비 유니콘에서 기업회생에 이르기까지, 정육각에는 대체 무슨 일이 있었던 것일까요?

초신선의 탄생

미국으로 유학 가기 전 우연한 기회에 도축한 지 얼마 안 된 돼지고기를 먹게 됐어요. 돼지고기가 이렇게 맛있을 수 있다는 사실에 충격받았죠. 갓 도축한 돼지고기가 가장 맛있지만, 일반 소비자들이 이런 고기를 먹는 건 거의 불가능하죠. 돼지고기 도축부터 배송까지 최대 4일 걸리는 시스템을 만들어보기로 결심했죠.

<신수현 기자, 도축장서 고기맛 본 카이스트 수학 영재...연 매출 2천억 스타트업 키웠다는데 [남돈남산], 매일경제, 2024년 8월 30일>

미국 국무부 장학생으로 유학을 준비하던 카이스트 출신 학생이 있었습니다. 고기를 좋아하던 그는 ‘미국으로 떠나기 전 실컷 고기나 먹자’는 생각에 제주도로 여행을 떠났고, 그곳에서 갓 도축한 초신선 돼지고기를 맛봅니다. 처음 먹어본 초신선 돼지고기의 맛에 매료된 그는 결국 미국 유학과 장학금을 포기하고 초신선 돼지고기 유통 사업에 뛰어들었습니다. 정육각의 시작이었죠.

정육각은 창업 초기부터 업계의 주목을 받았습니다. “카이스트를 졸업한 수학 영재가 첨단 IT 기술로 불합리하고 비효율적인 축산 유통 구조를 개선한다.” 대중과 미디어가 좋아할 만한 이력과 스토리텔링이었죠. 2019년 포브스가 선정한 아시아 30대 이하 리더 30인, 22년 중소벤처기업부 예비 유니콘 선정까지, 화려한 이력과 유려한 입담을 가진 대표의 미디어 노출에 힘입어 정육각은 빠르게 성장했습니다.

정점은 22년 초록마을 인수였습니다. 이마트, 컬리 등 쟁쟁한 기업을 제치고 창업 6년 차 스타트업이 업력 24년 차의 대기업 계열사를 인수한다는 소식이 전해졌죠. 언론은 “새우가 고래를 삼켰다”며 놀라움을 표했습니다.

하지만 인수 당시 흑자로 전환시키겠다던 정육각의 공언과 달리 초록마을은 적자를 벗어나지 못했습니다. 기대했던 초록마을과 정육각의 시너지 효과 역시 없었습니다. 오히려 무리한 인수로 기업의 재무 부담만 증가했죠. 결국 불어나는 적자와 이자 비용을 감당하지 못한 정육각과 초록마을은 기업회생 절차를 신청하게 됩니다.

그렇다면 정육각은 정말 무리한 초록마을 인수로 무너진 것일까요? 초록마을을 인수하지 않은 세계관의 정육각은 지금과 다른 모습이었을까요?

초신선의 딜레마

정육각의 아이덴티티는 뭐니 뭐니 해도 ‘초신선’입니다.

옳고 그름을 떠나 ‘초신선’이라는 콘셉 자체는 마케팅적으로도 훌륭한 전략이었죠. 문제는 초신선이라는 콘셉에 지불해야 하는 비용이 높다는 데 있는데요. 잠시 정육각의 재무제표를 살펴볼까요?

<출처: 작가>

매출은 꾸준히 증가하지만, 그와 비례해 적자 역시 꾸준히 증가하고, 어느 순간부터는 매출 성장조차 정체되는, 전형적으로 망하는 이커머스의 정석 같은 재무제표입니다.

이는 근본적인 사업 모델에 ‘수익을 내기 어렵다’라는 문제가 있었다는 뜻입니다.

‘초신선’의 근본적인 문제

정육각이 표방하는 초신선을 구현하려면 높은 유통 비용이 발생합니다. 높은 유통비는 필연적으로 가격 상승의 요인이 됩니다. 한편 정육각의 취급 품목은 동네 슈퍼, 마트 등 우리 근처에서 쉽게 찾아볼 수 있고 쉽게 구매할 수 있는 물건이죠.

그래서 ‘초신선’의 맛과 프리미엄의 가치를 인정하고 높은 비용을 지불하며 온라인 구매에 익숙한 사용자가 정육각의 주 타깃입니다.

<출처: 작가>

축산물품질평가원 조사에 따르면 돼지고기의 온라인 채널 구매 비율은 전체의 10.1%입니다. 이 중 71%가 냉동, 29%가 냉장고기로 조사되었습니다. 다른 채널과 비교했을 때, 온라인 구매 시에는 유독 냉동고기 구매 비율이 높았는데요. 가격에 민감해 저렴한 물건을 선호하는 온라인이라는 특성, 직접 보고 구매하는 것을 선호하는 신선신품의 특성이 반영된 결과로 보입니다.

결국 정육각이 노린 온라인 냉장육 판매 비중은 전체 시장의 3% 남짓입니다. 게다가 특정 부위(삼겹살, 목살)만 판매하는 방식으로 전체 돼지고기 유통 시장에서 정육각이 점유율을 가져갈 수 있는 시장은 1% 미만으로 추산됩니다. 애초에 시장 규모 자체가 작아도 너무 작죠.

거기다 초신선이라는 콘셉상 대량 구매보다는 소량으로 자주 구매하는 방식에 적합한 물건이라 객단가도 높지 않습니다. 따라서 동네 슈퍼나 대형 마트에서 구매하는 삼겹살보다 정육각에서 구매하는 삼겹살이 압도적으로 맛있고 압도적으로 품질이 좋다 정도의 차별성이 있어야 합니다.

그럼 과연 정육각은 타사가 따라 할 수 없는 차별성과 변별력을 가지고 있었을까요?

‘초신선’과 국내 돼지고기 시장

여기서 잠깐, 정육각의 주력 상품인 삼겹살이 우리 집에 배송되기까지 유통 과정을 살펴보겠습니다.

축산물 유통은 ‘농장-도축장-육가공 공장-도매 시장-세절 공장-소매점’의 6단계를 거쳐 소비자에게 판매된다. 유통 단계가 길어지면서 신선도는 떨어지고 가격은 높아진다. 정육각은 이러한 유통단계를 ‘농장-도축장-육가공 공장-정육각’으로 대폭 간소화해 유통 기간을 줄이고, 가격을 낮췄다.

<장영화 조인스타트업 대표,돼지고기 덕후, 대기업을 먹다, 주간조선, 2022년 4월 13일>

기존 축산물 유통 방식

농장 → 도축장 → 육가공 공장 → 도매 시장 → 세절 공장 → 소매점

정육각

농장 → 도축장 → 육가공 공장 → 정육각

정육각은 기존 축산물 유통 6단계를 대폭 줄였다고 주장하는데요. 6단계에서 두 단계를 줄여 4단계로 만들었다니, 얼핏 생각하면 많이 줄어든 것 같습니다. 그러나 자세히 살펴보면 의문점이 하나 생깁니다. ‘3단계의 육가공 공장을 거치지 않고 도축장에서 고기를 직접 떼어오면 유통 비용이 더 줄어들지 않을까? 육가공 공장을 거치는 이유가 뭘까?’라는 질문이죠. 정육각이 육가공 공장을 거칠 수밖에 없는 이유를 알려면 국내 축산물 시장의 특성과 유통 과정을 이해할 필요가 있습니다.

육가공 공장 <출처: EBS 유튜브, 극한직업>

축산물 관리법에 따라 모든 돼지는 도축장에서 도축되어야 합니다. 도축을 마치고 경매를 거쳐 육가공 공장으로 납품된 고기는 발골과 정형 과정을 지나 부위별로 분류됩니다.

정육각은 이 육가공 공장에서 부위별로 분류한 삼겹살과 목살만을 구매해 소비자에게 판매했습니다. 이들이 육가공 공장을 따로 운영해 유통과정을 단축하지 않고, 부위를 구매한 이유는 삼겹살 선호도가 높은 국내 돼지고기 시장의 특성에 있습니다.

일반적으로 돼지 한 마리를 도축했을 때, 삼겹살이 차지하는 비중은 대략 10~15% 정도입니다. 반면 국내 돼지고기 소비에서 삼겹살이 차지하는 비중은 약 30% 정도인데요. 즉, 돼지 한 마리에서 나오는 삼겹살의 양보다 소비가 많다는 미스매치가 발생하는 것입니다.

그렇다 보니 삼겹살은 물량이 부족해 해외에서 수입까지 하지만, 뒷다리살 같은 비선호 부위는 남아도는 상황이 발생합니다. 그래서 모든 부위에 대한 판매망, 유통망을 가지고 있지 않는 한 육가공 공장을 직접 운영하는 것보다는 개별 단가는 조금 비싸더라도 육가공 공장에서 분류한 삼겹살만 구매하는 게 훨씬 효율적입니다.

특히 정육각처럼 초신선이 아이덴티티인 서비스는 짝돼지를 가져와 모든 부위를 하루이틀 만에 판매하지 못하면 재고는 모두 폐기처분해야 합니다. 자연스레 모든 부위의 재고 부담을 안고 있는 것보다 그날그날 잘 팔리는 특정 부위만 납품받아 판매하는 게 훨씬 합리적이죠.

<출처: 정육각>

‘초신선’의 한계와 딜레마

그렇다면 정육각은 어느 육가공 공장에서 돼지고기를 납품받을까요?

여기서 우리에게 익숙한 이름이 하나 등장합니다. ‘선진포크’란 브랜드로 유명한 (주)선진이죠. 정육각은 이 선진포크에서 삼겹살과 목살을 납품받았습니다.

즉, 첨단 IT 기술 도입으로 유통 과정을 단축한다고 홍보했지만, 사실 정육각의 비즈니스 모델은 생각보다 단순합니다. “선진포크에서 당일 도축한 삼겹살을 납품받아 주문받은 양만큼 썰어 고객에게 배송한다.”

물론 그 과정에서 수요 예측 기술이라던가 주문 효율화 같은 일부 IT 기술이 쓰였지만, 서비스의 성패를 좌우할 정도의 핵심 기술은 아니었습니다. 결국 IT 기술 융합 같은 번지르르한 말로 포장했을 뿐 정육각 역시 다른 온라인 업체와 큰 차별점이 없었습니다. 온라인에서 돼지고기를 판매하는 업체 중 상당수가 선진포크에서 고기를 납품받으니까요.

돼지고기는 선진포크, 닭고기는 체리부로, 소고기는 안성축협과 민속한우. 정육각이 자랑하는 초신선은 사실 대형 고기유통업체로부터 고기를 납품받지 못하면 성립할 수 없는 비즈니스였습니다.

(좌)대상그룹의 미트프로젝트, (우)동원그룹의 육백점 <출처: 대상, 동원>

정육각의 한계와 딜레마도 바로 여기에서 출발합니다. 대형 고기유통업체로부터 고기를 납품받을 수만 있다면 누구나 쉽게 따라 할 수 있는 비즈니스라는 것. 실제 동원그룹의 육백점, 대상그룹의 미트프로젝트 등 정육각과 유사한 콘셉의 서비스가 등장하며 진입 장벽이 높지 않다는 사실을 증명했죠.

하지만 이 비즈니스는 비용이 많이 들고 시장 규모가 크지 않아 이익을 내기 어렵습니다.

만약 정육각의 비즈니스가 정말로 시장 규모가 크고 성장성이 있었다면, 정육각에게 고기를 공급하는 연 매출 1조 원의 대기업 선진포크부터 거센 공격을 받았을 겁니다. 선진포크는 사료부터 육가공까지 양돈과 관련된 모든 인프라를 보유한 기업입니다. 공장을 직접 보유하고 있으니 정육각보다 유통과정을 줄여 가격경쟁력에서도 우위에 설 수 있었겠죠. 심지어 팔리지 않은 고기를 처리할 유통망과 판매망도 가지고 있고요.

그런 선진포크가 정육각에 고기만 납품하며 적극적으로 나서지 않았던 건 돈이 되지 않는 비즈니스라는 사실을 누구보다 잘 알고 있었기 때문입니다. 정육각에 고기를 납품하며 원가를 훤히 꿰고 있었을 테니까요.

재밌는 점은 정육각의 김재연 대표도 이 사실을 알고 있었다는 겁니다.

초록마을 인수 당시 정육각은 단순히 매출 규모만 늘리는 것으로는 적자를 탈출하기 어려운 비용 구조를 갖고 있었습니다. 그래서 BEP를 달성하기 위해서는 매출부터 비용까지 모든 구조를 손봐야 하는 상황이었죠. 반면 초록마을은 2200억 원 이상 매출만 회복한다면 흑자 전환이 가능한 사업 모델이었습니다. 두 회사가 놓인 상황과 처방이 다른 것이었죠.

<임경업 기자, [쫌아는기자들] 고래를 소화하기 시작한 새우, 정육각의 초록마을 인수기, 한국일보, 2024년 4월 26일>

언제부터였는지 알 수 없지만, 김재연 대표도 결국 정육각의 현재 비즈니스 모델로는 수익을 낼 수 없다는 사실을 알고 있었다고 보입니다.

결국 정육각의 초록마을 인수는 무리한 욕심이 아닌 살기 위한 발버둥에 가까웠던 겁니다. 계속 적자만 내다가 망할 바에는 뭐라도 해보고 죽는 게 나았으니까요. 그 발버둥이 초록마을 인수였고요.

어쩌면 예견된 실패

초록마을 인수 시점에서 정육각이 가용할 수 있는 현금은 약 200억 원가량이었습니다. 매년 적자를 생각하면, 버틸 수 있는 기간은 허리띠를 졸라맨다고 해도 길어야 3년. 매출과 MAU는 정체되고 성장률은 점점 떨어지는 상황. 3년 안에 상황을 반전시킬 모멘텀을 확보하지 못하면 정육각 역시 적자만 내다 문을 닫고 마는 뻔한 스타트업의 전철을 밟아야 했죠.

이런 상황에서 초록마을 인수는 어쩌면 굉장히 좋은 모멘텀이었을지도 모릅니다. 전국에 깔려있는 수많은 오프라인 매장과 유통망을 가진, 매출은 많지만 상대적으로 적자 폭은 크지 않은 회사. 컬리와 이마트가 눈독을 들인 이유도 여기 있었을 겁니다. 조금 손을 봐 매출이 살짝만 늘어나도 흑자 전환이 가능해 보였거든요.

초록마을을 인수하고 흑자 전환시켜 몸집을 키운다. 그렇게 키운 몸집으로 추가 투자 자금을 유치한다. 들어온 자금으로 서비스를 확장해 종합농축수산플랫폼이 된다. 이것이 정육각이 생각한 성장 스토리였을 겁니다.

정육각은 기존 '초신선' 육류 유통 플랫폼 '정육각'에 더해 최근 새로운 플랫폼 출시로 본격적인 서비스 다양화에 돌입했다. 이달 초엔 농수산 직거래 플랫폼 '직샵'의 베타 서비스를 출시해 입점 생산자를 늘리고, 고객 확보에 집중하고 있다. 정식 서비스는 연내 출시될 예정이다.

정육각이 가공·유통한 육류의 맞춤형 조리를 선보이는 주방기기 브랜드 '정육각on(가칭)'도 출시를 앞두고 있다.

…(중략)…

지난해 440억원 규모의 시리즈C 투자를 유치한 정육각은 현재 시리즈D 투자 유치를 진행 중이다. 업계에선 초록마을과의 시너지에 대한 기대로 1500억원 규모에 달할 것으로 전망하고 있다.

<성현희 기자, [유니콘 발굴단⑮] 신선식품 D2C 확대 나선 정육각···‘선배 유니콘’ 컬리·오아시스에 도전장, 조선비즈, 2022년 8월 16일>

농축수산물을 취급하는 서비스의 궁극적인 목표이자 지향점은 대부분 비슷합니다. 중간 유통 과정을 없애 생산자에게는 정당한 가치를, 소비자에게는 합리적인 가격으로 농축수산물을 판매하는 직거래 플랫폼. 정육각이 꿈꾸는 최종 목표도 그랬을 겁니다. 초록마을은 최종 지향점으로 가는 중간 과정이었을 테고요.

이런 정육각의 계획이 실현되려면 아래와 같은 조건이 필요했습니다.

저금리가 몇 년 동안 이어져 적자를 내면서도 투자금을 받아 사업을 유지한다.
초록마을을 인수해 흑자 전환에 성공한다.
농수산 직거래 플랫폼이 빠르게 자리 잡아 흑자전환에 성공한다.
네이버, 컬리 등 경쟁자를 물리치고 종합농축수산플랫폼으로 성장한다.

안타깝게도, 정육각의 계획은 첫 번째부터 어긋났습니다. 미국이 금리를 인상하며 저금리 시대가 끝난 것이죠. 쉽게 돈을 빌릴 수 있을 거로 예상해 시작한 초록마을 인수가 첫 단추부터 어그러지기 시작했습니다. 설상가상 초록마을은 흑자 전환에 실패하며 자금난에 시달렸고요. 그리고 그 결과가 바로 정육각과 초록마을의 기업회생 신청이었습니다.

혹자는 승자의 저주라며, 무리한 인수가 독이 되었다고 말합니다. 그러나 초록마을 인수가 없었더라도 정육각의 상황은 크게 달라지지 않았을 겁니다. 창립 이래 한 번도 흑자를 내본 적 없는, 매년 수십억 원에서 수백억 원의 적자를 내며, 외부 투자 없이 자력 생존이 불가능한 비즈니스 구조를 가진 기업이었으니까요.

어쩌면 정육각이 무너지기 시작한 진짜 시점은 초록마을 인수가 아닌, 돈을 벌지 못한다는 사실을 알면서도 꿈과 희망을 팔아 투자금을 유치하던 그때였는지도 모릅니다.

]]>

AI 시대에 살아남는 스타트업

이번 글에서는 국내 대표 VC ‘매쉬업벤처스’의 박은우 파트너가 커서와 윈드서프가 오픈AI로부터 받은 인수 제안을 바탕으로 AI 시대에 살아남는 스타트업에 대한 인사이트를 소개합니다.

안녕하세요, 매쉬업벤처스 박은우 파트너입니다. 2025년 5월, 오픈AI가 윈드서프(Windsurf) 인수를 계획하고 있다는 소식에 업계가 떠들썩했습니다. 이와 동시에 오픈AI의 인수 제안을 거절한 스타트업이 있다는 이야기가 함께 화제가 되었습니다.

거절의 주인공인 애니스피어(Anyspere, Cursor 개발사)는 어떤 생각으로 오픈AI의 인수 제안을 거절하였는지 들여다보고, 그 배경과 맥락 속에서 AI 시대에서 스타트업들이 어떻게 살아남을 수 있을지 실마리를 찾아보고자 이 글을 작성하게 되었습니다.

*이 글은 2025년 6월 말에 작성되어, 7월에 배포되었습니다. 2025년 7월, 윈드서프는 최종적으로 오픈AI의 인수 제안을 거절하였습니다. (관련 기사)

오픈AI의 거부할 수 없는 제안

2025년 5월, 오픈AI가 AI 코딩 에이전트(Coding Agent)의 대표 주자인 윈드서프 인수를 추진 중이라고 밝혔습니다. 책정한 기업가치만 $3B에 달한다는 소식에 업계가 술렁였습니다. 100명도 안 되는 직원들로 구성된 $50M ARR(연간 반복 매출, Annual Recurring Revenue) 규모의 스타트업을 수조 원에 인수하는 것도 놀라웠지만, 더 놀라운 점은 윈드서프 이전에 오픈AI가 여러 번 인수를 위한 러브콜을 보냈으나 이를 거절했던 스타트업도 있다는 점입니다. 그 주인공은 바로 AI 코딩 에이전트 업계 1위인 커서(Cursor)를 개발한 애니스피어입니다.

애니스피어는 창업 직후 오픈AI의 시드(Seed) 투자를 받았습니다. 그리고 출시 2년이 채 되기 전에 ARR $100M을 돌파하며 빠르게 성장하고 있습니다. 그리고 두 차례에 걸친 오픈AI의 인수 시도가 불발된 이후, a16z, Accel, Thrive Capital 등 굵직한 VC들로부터 $10B의 기업가치를 인정받으며 $900M 규모의 투자를 받았습니다.

많은 AI 스타트업이 오픈AI가 업데이트를 발표할 때마다 두려움에 떨며 사업을 영위하고 있습니다. 이런 시대에 오픈AI의 인수 제안을 거절하는 스타트업이 등장하는 장면은, 영화 ‘대부’의 마피아 보스인 돈 꼴레오네가 ‘거부할 수 없는 제안’을 하는 장면과 오마주 됩니다.

<출처: 영화 ‘대부(The Godfater)’>

오픈AI의 인수 제안을 거절하는 스타트업이 등장하는 것을 보며, 이것이 단순히 한 스타트업의 성공 사례를 넘어, AI 시대의 생존과 성장에 대한 중요한 시그널이라는 판단이 들었습니다.

그렇게 이 글에서는 애니스피어와 커서의 사례로 ‘거대한 AI의 파도 위에서 스타트업은 어떻게 생존할 수 있을까?’라는 본질적인 질문에 대한 답을 찾고자 합니다. 보다 구체적으로는 AI 네이티브(Native) 제품이 어떤 배경에서 등장하고, 어떻게 빠르게 성장할 수 있는지를 들여다 보고자 합니다. 더불어, 커서의 해자는 무엇이었는지를 살펴보고, 커서-for-X를 꿈꾸는 창업자들이 AI 시대에 살아남는 스타트업이 되기 위한 방법에 대해서 이야기해 보려고 합니다.

AI 네이티브 제품의 빠른 성공 요인: 준비된 산업과 준비된 마인드

LLM의 등장 이후에 많은 AI 제품이 쏟아졌습니다. 그 중 ‘프로그래밍’이 가장 빠르게 부상한 데에는 여러가지 이유가 있습니다.

첫 번째로 코드라는 것이 기본적으로 디지털 세상에서 탄생한 제품이라는 점입니다. 많은 산업에서 AI가 충분히 빠르게 도입되지 못하고 있는 이유는 흔히 말하는 DX(Digital Transformation)의 수준이 부족하기 때문입니다. 그런 의미에서 프로그래밍 언어는 LLM이 학습하기 가장 좋은 형태의 디지털화된, AI가 이해하기 쉬운 지식이고, 동시에 LLM이 만들어낸 아웃풋을 바로 상용 제품에 적용하는 것 또한 그 어떤 산업보다 쉽기 때문입니다.

두 번째로는 AI를 도입하는 산업 내 실무자들이 AI에 가장 친숙한 개발자들이라는 점입니다. 물론 연차에 따른 차이, AI에 대한 거부감 여부 등이 조금씩 차이를 만들긴 하지만, 기본적으로 소프트웨어를 다루는 개발자들은 LLM을 만들고 AI를 개발하는 직군의 전문가들로, 역으로 AI를 도입하는 데 가장 거부감이 적은 직군입니다. 그렇기 때문에, 빠른 제품 기반 그로스(Product-Led Growth)가 가능했다는 특징이 있습니다.

오늘날 AI 코딩 에이전트는 개발자에게 이미 필수 도구가 되었습니다. 특히, 준비된 산업에서, 준비된 마인드를 갖춘 업계 종사자들 덕분에 AI 네이티브 제품이 빠르게 시장에서 성장할 수 있었다는 것도 확인할 수 있습니다.

하지만 오늘날 커서나 윈드서프의 성공에 주목하는 것에 반해, 초창기 AI 코딩 도구에 대한 시장의 반응은 차가웠습니다. 챗GPT나 클로드의 ‘래퍼(Wrapper, 싸개)’라는 비판을 받으며, 오픈AI와 같은 빅테크가 코딩 어시스턴트(Coding Assistant) 기능을 출시하면 사장될 것이라는 평도 많았습니다.

실제로 마이크로소프트의 코파일럿(Copilot)부터 시작하여, 오픈AI는 물론 구글, 앤트로픽과 같은 기업들이 코딩 기능을 강화하기 위해 모델뿐만 아니라 제품도 빠르게 개선해 나가고 있습니다. 하지만 빅테크들이 자체적인 개발을 시도하고 있음에도 불구하고, AI 코딩 에이전트 스타트업들의 몸값이 올라가고 있는 이유는 무엇일까요?

AI 스타트업의 해자: AI 네이티브 UX와 사용자 피드백 루프(feat. RLHF & DPO)

시장을 선도하고 있는 AI 코딩 에이전트의 시작은 단순한 LLM 래퍼였습니다. 그래도 마이크로소프트가 방대한 양의 코드를 보유한 깃헙과 오픈AI의 GPT를 활용하여 코파일럿 같은 제품을 출시한 상황에서도 LLM 래퍼 스타트업들은 빠른 성장을 만들어냈습니다.

이는 기본적으로 챗GPT의 등장 이후 빠르게 성장한 대다수의 AI 제품이 그렇듯이, 압도적인 사용자 경험을 주었기 때문입니다. 지금은 아무도 SaaS가 엑셀(Excel)의 래퍼가 아니냐는 이야기를 하지 않는 것처럼, LLM을 사용자 편의에 맞춰 압도적인 사용자 경험을 제공하는 UX는 초기 AI 스타트업의 빠른 성장에 큰 영향을 미쳤습니다.

특히 코파일럿의 경우, 전통적인 IDE(Integrated Development Environment)에 AI의 기능을 플러그인(Plug-in) 형태로 접목시킨 것이라면, AI 네이티브 UX로 설계된 커서는 단순하게 개발자가 코드를 작성하는 과정뿐 아니라, 코드 유지 관리, 디버깅, 수정과 같이 코드 작성보다 더 많은 시간을 쓰는 워크플로우를 효율화시켰습니다.

하지만 AI 네이티브 UX와 같은 초기 성장 동력을 넘어서 실제로 커서가 만들어 낸 해자(Moat)는 따로 있었습니다. 바로 수많은 열성적인 개발자들을 초기 고객으로 확보하면서, 그들이 매일 수백만 줄씩 새롭게 생성되는 코드를 리뷰해주고, 생성된 코드를 얼마나 채택할지를 알려주는 Human-in-the-loop의 설계였습니다.

전통적으로 IDE는 개발자가 직접 코드를 작성, 테스트, 실행하는 공간입니다. 개발자가 IDE에서 작성하여 커밋한 코드는 필요에 따라선 팀 내 다른 개발자(주로 시니어 개발자)가 코드 리뷰를 한 뒤에 최종적으로 실제 소프트웨어 프로그램에 병합됩니다.

한편 커서와 같은 AI IDE는 먼저 사용자의 의도에 맞는 코드를 생성합니다. 이어 사용자가 시니어처럼 그 코드를 리뷰하는 워크플로우를 갖습니다. 사용자는 코드 리뷰를 통해 생성된 코드를 커밋하여 실제 프로그램에 반영할지 말지 결정하는 과정을 거치게 됩니다.

단순해 보이는 이 과정은 AI 기반의 IDE가 더 좋은 코드가 무엇인지 끊임없이 배우는 데이터 루프(Data Loop)로 동작합니다. 이때 쓰이는 사용자를 AI의 포스트 트레이닝(Post Training) 과정에 참여시킴으로써 모델의 성능을 높이는 RLHF(Reinforcement Learning with Human Feedback) 기법은, 복잡한 보상 함수(Reward Function)에 대한 구현 없이도 사용자의 선호를 더욱 쉽게 판별하여 모델의 튜닝에 활용하는 DPO(Direct Preference Optimization)의 형태로 진화하며 더욱 빠르게 AI 제품들의 모델 성능을 고도화시키고 있습니다.

<출처: arxiv.org>

Non-Verifiable을 Verifiable으로

AI 코딩 에이전트의 중요한 목표는 사용자가 원하는 더 좋은 코드를 생성하는 것입니다. 이를 위해 단순한 LLM의 래퍼를 넘어서 AI 모델을 진화시키는 것이 필수입니다.

AI 코딩 에이전트들은 사용자가 생성된 코드를 그대로 커밋하는지, 수정하는지, 폐기하는지에 대한 선택의 행동 데이터를 실시간으로 수집하고 있습니다. 그리고 이 데이터는 ‘더 좋은 코드’라는 정성적인 개념을 커밋 확정률, 리팩토링 빈도, 테스트 통과율과 같은 측정 가능한 지표로 변환하는 AI 피드백 루프를 형성합니다. 한국의 대표적인 연쇄 창업자이자 AI 팟캐스트를 운영하는 비팩토리의 노정석 대표는 이 개념을 검증할 수 없는(Non-Verifiable) 데이터를 검증할 수 있게(Verifiable) 만드는 과정이라고 설명하고 있습니다.

초기 AI 개발에서는 전문가가 데이터를 직접 라벨링하고, 이를 통해 모델을 훈련하며 성능을 개선하는 방식이 주를 이루었습니다. 하지만 오늘날에는 단순히 데이터를 라벨링하는 것을 넘어, 모델의 출력(Output) 자체를 평가하는 루프가 핵심적인 역할을 합니다.

<출처: AWS 블로그>

특히 강화 학습(Reinforcement Learning) 환경에서 AI 제품은 모델을 강화하기 위한 복잡한 보상 함수를 설계하는데 어려움을 겪을 수밖에 없습니다. 이런 환경에서도 사용자의 직접적인 선호도를 평가하는 방식은 모델이 간접적으로 학습할 수 있는 중요한 데이터 기반을 제공합니다.

이는 앞서 언급한 RLHF의 한 방법론인 DPO의 핵심 개념과도 맞닿아 있습니다. DPO는 사람이 선호하는 결과와 선호하지 않는 결과를 비교하여 모델을 직접적으로 최적화하는 방식으로, 복잡한 보상 모델링 없이도 사람의 의도에 더 잘 부합하는 출력을 생성하도록 돕습니다. 즉, ‘어떤 응답이 더 좋은가?’라는 사람의 선호도를 직접적인 학습 데이터로 활용할 수 있습니다. 이같은 AI 피드백 루프는 전통적인 라벨링에서 평가(Evaluation) 중심으로 진화하며 더욱 정교하고 효율적인 모델 개발을 가능하게 합니다.

이는 최첨단 모델(Frontier Model)들도 갖지 못한 희소 자산입니다. 따라서 AI 코딩 에이전트 생태계의 강력한 해자로 작동합니다. AI 피드백 루프로 생성된 데이터로 만들어진 작은 AI 모델(Small AI Model)은 GPT나 클로드 같은 최첨단 모델과 함께 하이브리드 형태로 동작하며 코드 생성 성능을 강화하는 것은 물론, API에 의존하는 비중을 낮추면서 원가를 절감하는 효과까지도 함께 누릴 수 있습니다.

이 같은 점을 고려하였을 때, 오픈AI가 인수한 것은 단순히 빠르게 성장하고 있는 AI 코딩 에이전트의 ARR이 아니라, 검증하기 어려운 코드 생성 데이터를 검증하게 만드는 실시간 사용자 데이터 공장(Real-time User Data Factory)이라는 것을 의미합니다.

자율성 슬라이더(Autonomy Slider): 아이언맨에서 휴머노이드까지

<출처: Y-Combinator YouTube>

오픈AI의 창립 멤버이자, 테슬라 오토파일럿의 아버지인 안드레이 카파시(Andrej Karpathy)가 최근에 YC의 AI Startup School에서 AI 제품이 나아가야 할 방향에 대해서 이야기한 바 있습니다. 강연에서 그는 많은 사람이 2025년을 AI 에이전트의 해라고 이야기하지만, 실제 AI 에이전트는 10년의 시간을 거쳐 변화해 나갈 것이라고 말합니다. 그 과정에서, 첫 번째 AI 에이전트의 모습은 마치 영화 아이언맨의 슈트와 같을 것이라고 언급하고 있습니다. 마치 인간과 AI가 서로 상호작용 하면서, 아이언맨의 슈트가 파일럿인 토니 스타크의 역량을 증강(Augment)시키는 모습과 유사합니다.

하지만 아이언맨의 후반부에는 파일럿이 탑승하지 않은 로봇 형태의 슈트가 군집으로 자율비행을 하며 임무를 수행하는 장면을 볼 수 있습니다. 이를 AI 에이전트에 빗댄다면 더 이상 사용자의 개입 없이도, 완전한 자율성을 갖고 임무를 수행하는 멀티 에이전트 형태의 모습이라고 볼 수도 있습니다.

<출처: 안드레아 카파시, AI 스타트업 스쿨 2025(AI Startup School 2025)>

안드레이 카파시는 커서와 같은 AI 에이전트 제품의 현재 모습을 부분 자율 앱(Partial Autonomy App)이라고 칭하고 있습니다. 그와 함께, 자율성 슬라이더(Autonomy Slider)라는 개념을 통해 AI 제품의 미래에 대해서 설명합니다.

커서에는 사용자가 작성 중인 코드의 뒷부분을 자동 완성해 주는 가장 낮은 수준의 자율성인 탭 완성(Tab Completion), AI가 특정 코드를 블록 단위로 변경해 주는 기능, 그리고 AI가 전체 파일이나 전체 저장소(Repository)를 수정할 수 있는 권한을 부여받는 단계로 자율성 슬라이더 개념이 탑재되어 있습니다.

이렇게 앞으로 AI 에이전트들은 가장 자율성이 떨어지는 슬라이더의 좌측부터 시작해, 사용자의 행동 데이터를 통해 만들어진 AI 피드백 루프를 바탕으로, 점차 완전한 자율성을 부여받는 슬라이더의 우측으로 나아갈 것이라고 예상할 수 있습니다. 그리고 이 일련의 과정을 통해 부분 자율 앱은 궁극에 AI와 사람이 협업하며 성장하는 셀프 드라이빙 서비스(Self-Driving Service)로 진화해 나갈 것입니다.

<출처: 안드레아 카파시, AI 스타트업 스쿨 2025(AI Startup School 2025)>

커서-for-X를 꿈꾸는 창업자를 위한 조언

애니스피어의 창업자 마이클 트루엘(Michael Truell)은 YC와의 인터뷰에서 AI 네이티브 스타트업이 미래 시장에서 지속 가능한 해자를 가지려면 ‘검색(Search)의 등장에서 교훈을 얻어야 한다’고 강조했습니다.

장기적으로 제품 개선 여지가 크고, 사용자의 로그 데이터를 빠르게 제품과 모델 개선에 활용할 수 있는 영역을 골라, 데이터 루프(Data Loop)를 확보하라는 것입니다. 특히 그는 검색 서비스가 사용자의 클릭 데이터를 통해 지속적으로 성능을 개선하며 해자를 구축했듯, 스타트업 역시 AI 기반 제품의 사용 데이터를 축적하고 모델에 직접 연결하여 자기강화적 성장 엔진을 구축하는 것이 필수라고 강조합니다.

또한 아이폰의 등장과 같이, 시장에 주기적으로 오는 기술적 패러다임 전환점(Frontier Jump)을 남들보다 빠르게 선점하여 표준을 정의하는 것이 중요하다고 언급합니다. 이는 커서가 초기에 자체 IDE를 만들어 제품의 핵심 레이어를 직접 통제했던 것처럼, 외부 플랫폼 의존도를 낮추고 핵심 인프라를 내재화하는 전략을 의미합니다.

결국 그는 “제품 개선 여지가 큰 시장, 데이터 기반의 자기강화 루프, 기술적 전환점 선점, 그리고 제품과 인프라의 독자적인 통제를 통한 수직적 통합”이 미래 스타트업의 핵심적이고 지속 가능한 해자를 구축할 요소라고 말합니다.

<출처: Y-Combinator 유튜브>

AI를 위한 산업 인프라와 준비된 마인드의 사용자들이 만나 폭발적으로 성장한 코딩 에이전트 시장처럼, 다양한 산업에서도 유사한 혁신이 일어날 것이라 믿고 있습니다. 오픈AI의 거부할 수 없는 제안을 거절한 커서처럼 말입니다. 여러분이 만들 ‘Next Cursor’가 부분 자율 앱에서 셀프 드라이빙 서비스로 진화해 나갈 여정을 기대합니다.

[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 시대에 살아남는 스타트업: OpenAI의 거부할 수 없는 제안

]]>

AI 기업 탐구: 트웰브랩스, 엔비디아·AWS가 선택한 영상 AI 강자

AI 기술이 이미 생활 속 필수재로 자리 잡은 요즘, 그 기술 뒤에서 움직이는 기업들의 정체와 비전이 궁금하지 않으신가요? AI는 이제 단순한 기술 트렌드를 넘어 세상을 바꾸는 핵심 동력으로 떠올랐습니다.

〈AI 기업 탐구〉시리즈는 AI 산업의 대표적인 기업들을 하나씩 꼼꼼하게 살펴보며, 이들이 어떻게 탄생했고, 현재 어떤 전략과 비전으로 미래를 그려나가는지 구체적으로 조명하고자 합니다. AI를 이끄는 주인공들의 생생한 이야기를 지금부터 만나보세요.

Chapter 0. 왜 지금, 이 기업을 알아야 하는가?

마렝고가 뭐야?

AI 기업 소개 시리즈에서 다뤘던 '뤼튼(Wrtn)'이나 '아숙업(AskUp)'은 콘텐츠가 발행되기 전에도 한 번쯤 들어보신 분들이 많을 겁니다. 그렇다면 '마렝고(Marengo)'나 '페가수스(Pegasus)'라는 이름은 어떨까요? 이 이름은 대부분 들어보지 못하셨을 것 같은데요. 그러나 이 다소 생소한 이름 뒤에는 '한국 최초 엔비디아 투자 유치', 'CB 인사이트 글로벌 100대 AI 스타트업 4년 연속 선정'이라는 타이틀을 가진 국내 스타트업이 있습니다. 바로 오늘 소개할 '트웰브랩스(TwelveLabs)'입니다.

<출처: 트웰브랩스>

트웰브랩스가 국내 대중에게 낯선 이유는 처음부터 글로벌 시장을 목표로 움직였기 때문입니다. 엔비디아, 인텔, 스노우플레이크 등 굵직한 글로벌 기업들이 이 스타트업에 투자를 결정한 것도 이들이 '글로벌 기준에서 경쟁력 있는 영상 AI 기업'이라는 점을 입증하는 사례라 할 수 있습니다. 한국보다 외국에서 더 유명한 국내 스타트업 트웰브랩스. 오늘은 그 이유에 대해 들여다보겠습니다.

Chapter 1. 탄생의 배경과 창립 철학

군대에서 시작된 스타트업

대한민국 남성이라면 성인이 된 후 누구나 한 번쯤 마주하게 되는 고민이 있습니다. 바로 군복무인데요. 국방의 의무는 분명히 의미 있는 일이지만, 약 2년 동안 사회와 단절된 상태로 지내야 한다는 점에서 많은 이들이 그 시간을 어떻게 보낼지 고민하곤 합니다. 이 시간을 제대로 활용하지 못하면, 말 그대로 2년의 기회비용을 잃게 되는 결과로 이어지기도 합니다.

군대에서 소프트웨어 개발 부문 최우수상을 받은 이재성 대표 <출처: 이재성 대표 링크드인>

그러나 트웰브랩스의 이재성 대표에게 군 복무는 오히려 기회로 작용했습니다. UC 버클리에서 컴퓨터과학을 전공하던 그는 병역의 의무를 이행하기 위해 국방부 사이버작전사령부에 입대하게 됩니다. 그곳에서 AI 기술에 깊은 관심을 가진 이승준(현 CTO)과 김성준(현 Head of Eng)을 만나는데요. 세 사람은 복무 중에도 틈틈이 함께 AI 기술을 공부하며 서로의 비전에 공감했고, 전역 후 함께 창업하기로 뜻을 모읍니다. 당시 세 사람의 케미스트리가 얼마나 좋았는지는 먼저 전역한 이가 부대를 다시 찾아와 스터디를 이어갔다는 일화만 봐도 알 수 있습니다.

세상을 이해하는 AI

이들이 전역하던 2020년은 GPT-3로 대표되는 거대 언어모델 붐이 일던 시기였습니다. 텍스트 생성 모델을 연구하는 AI 스타트업에 천문학적인 비용이 모이고 있었지만, 이들은 오히려 영상에 주목했습니다. 유튜브, 틱톡 등 영상 데이터가 폭발적으로 늘어났음에도 정작 영상 속 내용을 이해하고 검색하는 기술은 걸음마 수준이었고, 이 분야야말로 차이를 만들어낼 수 있는 분야라 생각한 겁니다. 이후 트웰브랩스 미국 법인을 설립하고 본격적인 제품 개발 및 비즈니스를 시작하게 됩니다.

이들의 철학은 명확했습니다. "인간은 말을 배우기 전부터 시각과 청각 정보로 세상을 이해한다. AI 모델도 그렇게 만드는 것이 옳다"는 것이었죠. 트웰브랩스는 처음부터 영상이라는 감각 데이터에 집중해 세상을 해석하는 AI, 즉 비디오 파운데이션 모델 구축을 지향했습니다. 이를 위해 음성, 이미지, 텍스트 등 다양한 모달리티를 동시에 다루는 멀티모달 연구를 시작했고, 이 비전은 지금도 트웰브랩스 기술의 핵심 축으로 자리하고 있습니다.

Chapter 2. 대표 서비스와 기술 혁신

입소문 난 맛집에 흔히 보이는 공통점이 하나 있습니다. 바로 메뉴가 단출하다는 점인데요. 잘하는 메뉴 하나, 많아야 두 가지에 집중해 승부를 거는 곳이 많습니다. 선택지가 적기 때문에, 그만큼 완성도에 대한 자신감이 있어야 가능한 전략입니다.

이러한 맥락에서 볼 때, 트웰브랩스는 영상 AI 맛집이라 불릴만합니다. 빠르게 변화하는 기술 트렌드 속에서도 흔들리지 않고, 여러 제품을 동시에 만들기보다는 영상 AI 모델에 기술력을 집중하고 있습니다. 현재는 크게 두 가지 모델을 운영하고 있지만, 두 모델 모두 영상 AI에 기반하고 있다는 점에서 초기 비전은 여전히 단단하게 유지되고 있습니다.

1) 마렝고, 비디오를 '이해'하다

트웰브랩스의 대표 모델 마렝고는 영상의 시각 정보는 물론 음성, 자막까지 통합적으로 벡터화해 이해하는 멀티모달 임베딩 모델입니다. 이 모델을 활용하면 영상 데이터에서 원하는 장면을 검색으로 쉽게 찾을 수 있습니다. 예를 들어, "파란색 나사(NASA) 티셔츠"를 입력하면, 수많은 비디오 중 해당 티셔츠를 입은 사람이 등장하는 장면을 정확히 찾아주는 식입니다.

<출처: 트웰브랩스 유튜브>

특히 최신 버전인 Marengo 2.7은 ‘리 임베딩’이라는 새로운 구조를 도입했습니다. 예전에는 하나의 벡터에 모든 정보를 압축했다면, 이제는 시각, 음향, 텍스트 정보를 각기 다른 벡터로 나눠 표현함으로써 정보 손실을 최소화하고 맥락 인식 능력을 극대화했는데요. 이를 통해 의미 검색, 하이브리드 검색, 이상 감지 등의 복잡한 기능도 쉽게 구축할 수 있습니다.

결국 마렝고는 영상 데이터를 마치 데이터베이스처럼 질의 가능한 인프라로 전환시킨 모델입니다. 이는 단순한 모델 성능을 넘어, 영상 AI 분야의 새로운 표준을 제시한 기술적 분기점으로 평가받을 수 있습니다.

2) 페가수스, 비디오를 '분석'하다

마렝고가 영상을 ‘기억’한다면, 페가수스는 비디오-텍스트 변환 기술을 기반으로 그 기억을 ‘말’로 풀어내는 역할을 합니다. 즉, 사람이 영상 데이터를 보다 직관적으로 활용할 수 있도록 돕는데요. 예를 들어, "농구 경기에서 3점슛, 턴오버, 타임아웃이 발생한 시간 코드를 나열해 주세요"라고 요청하면, 실제 그 상황이 생긴 시간과 함께 구체적인 상황 설명까지 제공하는 식입니다.

<출처: 트웰브랩스 유튜브>

페가수스의 기술적으로 주목할 점은 두 가지입니다.

첫째, 최대 1시간 이상의 긴 영상도 안정적으로 처리할 수 있다는 점입니다. 대부분의 기존 모델이 수 분 내외 클립에만 최적화돼 있는 데 비해, 페가수스는 영상 전체를 이해하고 타임스탬프 기반으로 정확한 응답을 제공합니다.
둘째, 처리 효율을 극대화한 구조적 혁신입니다. 한 번 본 영상은 내부적으로 캐싱되어, 반복 질문 시에는 속도와 비용이 획기적으로 절감됩니다. 실제 실험에서는 30분 이상 분량의 질의응답 테스트에서 경쟁 모델 대비 최고 수준의 정확도와 응답 속도를 동시에 달성했습니다.

단순한 영상 요약기를 넘어, 실시간 모니터링, 회의록 자동화, 영상 기반 챗봇 등으로의 확장 가능성까지 갖춘 ‘실전형 영상 생성 AI’라 할 수 있습니다.

3) 따로 또 같이

마렝고와 페가수스는 단독으로도 강력하지만, 함께 사용할 때 진정한 잠재력이 드러납니다. 마렝고가 영상의 내용을 인덱싱 해두면, 사용자는 텍스트로 원하는 장면을 검색할 수 있고, 페가수스는 그 장면의 의미를 자연어로 설명해 줍니다.

즉, 영상이라는 비정형 데이터를 → 벡터로 정제하고 → 질문에 대한 설명을 생성하는 일련의 과정. 트웰브랩스는 이를 하나의 파이프라인으로 통합했고, 이 구조 자체가 영상 콘텐츠 처리의 새로운 전형으로 주목받고 있습니다.

Chapter 3. 비즈니스 모델과 시장 성과

압도적 가성비, 단일 분야 집중의 힘

앞서 트웰브랩스를 메뉴가 단출한 유명 맛집에 비유한 바 있습니다. 메뉴가 적다는 것은 단순함을 넘어선 전략적 장점이 있는데요. 바로 재고 관리가 용이하고, 리소스 낭비가 적다는 점입니다. 이를 통해 맛은 잘 유지하면서도 상대적으로 저렴한 가격을 유지할 수 있습니다. 트웰브랩스도 역시 이와 유사한 방식으로 기술과 비즈니스의 균형을 맞추고 있습니다. 영상 AI라는 단일 분야에 집중해 효율성과 전문성을 극대화한 것입니다.

트웰브랩스의 수익 모델은 B2B 중심의 API 판매에 집중되어 있습니다. 기업 고객은 트웰브랩스의 영상 AI 기능을 API 형태로 손쉽게 연동해, 검색·요약·질의응답 등 다양한 기능을 구현할 수 있습니다. 이때 트웰브랩스가 내세우는 가장 큰 장점은 "최고의 성능을 가장 저렴한 가격에 제공한다"라는 점입니다.

<출처: 트웰브랩스>

실제로 영상 AI 분야에 있어서는 GPT, 제미나이, 클로드 등 글로벌 빅테크 모델보다 뛰어난 성능을 보이는 동시에, 토큰당 가격은 훨씬 더 저렴한 가격을 제시하며 경쟁력을 확보하고 있습니다. AI API 시장은 성능 못지않게 비용 효율성이 핵심 경쟁 요소이기 때문에, 트웰브랩스의 전략은 곧바로 성과로 이어졌습니다. 실제로 개발자 커뮤니티에서는 비슷한 성능 대비 3~5배 저렴하게 쓸 수 있다는 평가가 이어지고 있습니다.

이러한 기술력과 효율성을 바탕으로 트웰브랩스는 설립 초기부터 흑자 기조를 유지하며 안정적인 매출을 이어가고 있습니다. 대부분의 AI 스타트업이 적자를 감수하면서 성능 개선에 집중하는 것과 달리, 운영 안정성과 수익성을 동시에 확보한 보기 드문 사례로 평가받고 있습니다.

AWS 베드록, 글로벌 진출 파트너

트웰브랩스가 단순히 기술력 있는 스타트업을 넘어, 글로벌 AI 시장에서도 존재감을 키우게 된 데에는 강력한 파트너십 전략도 한몫했습니다. 그중 대표적인 사례가 바로 AWS(아마존 웹 서비스)와의 협업입니다.

<출처: AWS>

2023년 10월, 트웰브랩스는 AWS의 생성형 AI 플랫폼 '베드록(Bedrock)'에 영상 AI 모델로는 최초로 통합됐습니다. 베드록은 GPT, 클로드, 스테이블퓨전 등 여러 생성형 AI 모델을 한 곳에서 제공하는 멀티모델 플랫폼으로, 기업 고객은 자체 데이터를 베드록 모델들과 결합해 다양한 AI 서비스를 개발할 수 있는데요. 이 플랫폼에 트웰브랩스의 모델이 포함되었다는 것은 기술적 신뢰성과 경쟁력을 동시에 인정받은 결과라 할 수 있습니다.

이 협업은 단순한 유통 채널 확보를 넘어, 트웰브랩스가 자체 세일즈 조직 없이도 글로벌 고객과 연결될 수 있는 구조를 가능하게 했습니다. 이는 디즈니, 파라마운트 등 주요 글로벌 기업이 트웰브랩스의 고객이 된 계기가 되기도 했는데요. 이후에도 아마존 리인벤트(AWS re:Invent)와 같은 대규모 글로벌 행사에 공식 파트너로 초청되는 등 존재감을 넓혀가고 있으며, 북미 시장을 중심으로 점차 영향력을 확대하고 있습니다.

실사용 사례로 입증한 시장 경쟁력

트웰브랩스의 기술은 단순히 이론상 성능이나 데모 수준에서 머무르지 않고, 실제 고객 현장에서 비즈니스 성과로 이어지는 사례를 통해 입증되고 있습니다. 대표적으로 미국 프로풋볼리그(NFL)는 트웰브랩스의 영상 검색·요약 기능을 활용해 경기 콘텐츠를 빠르게 가공·활용할 수 있는 워크플로우를 구축했으며, 이는 콘텐츠 제작 시간 단축과 운영 효율화로 이어졌습니다.

<출처: AWS Startups>

이러한 실효성은 기술 자체의 우수성뿐 아니라, 고객 맞춤형 API 최적화와 도메인 특화 파인튜닝 전략을 병행한 결과입니다. 고객사의 니즈에 따라 모델을 유연하게 조정해 주는 서비스 구조는 API 단가 이상의 가치를 창출하며, 결과적으로 고객 유지율과 재계약률을 높이는 데 기여하고 있습니다. 이는 B2B 기반 AI 서비스가 흔히 겪는 ‘도입 이후 이탈’ 문제를 최소화하며, 트웰브랩스의 흑자 경영을 뒷받침하는 핵심 요인 중 하나로 작용하고 있습니다.

이러한 기술력과 파트너십 기반의 성장세는 자연스럽게 투자 유치로 이어졌습니다. 2022년에는 약 60억 원 규모의 시드 투자를 유치했는데요. 이때 주요 투자자로 참여한 인덱스벤처스는 노션, 디스코드 등 90곳이 넘는 유니콘 기업에 투자한 세계적 VC로, 한국 기업에 투자한 것은 트웰브랩스가 처음이었습니다. 이후에는 엔비디아, 데이터브릭스, 스노우플레이크 등 글로벌 기술 기업들이 전략적 투자자로 참여하며 시장의 주목을 받았고, 누적 투자 유치액은 약 1,500억 원에 달합니다.

Chapter 4. 도전과 한계

AI 스타트업 자체가 진입장벽이 높은 분야입니다. 단순한 아이디어만으로 시작할 수 있는 일반적인 IT 스타트업과 달리, AI 기업은 고도의 기술 인력, 대규모 연산 자원, 정제된 학습 데이터, 그리고 장기간의 연구개발이 필요합니다. 특히 AI 모델을 직접 개발하고 상용화 단계까지 끌어올리기 위해선 상당한 시간과 비용이 요구됩니다. 이런 상황에서 트웰브랩스가 선택한 '영상 AI'는 그중에서도 가장 난이도가 높은 영역 중 하나입니다.

음성이나 텍스트보다 데이터의 복잡도가 월등히 높고, 멀티모달 방식으로 다양한 입력을 동시에 처리해야 하며, 연산 비용도 기하급수적으로 증가하기 때문입니다. 트웰브랩스는 이 높은 벽을 정면으로 돌파하고 있지만, 여전히 해결해야 할 과제도 적지 않은데요. 구체적으로 어떤 도전과 한계가 있는지 살펴보겠습니다.

멀티모달 영상 AI의 구조적 난관

영상 데이터는 텍스트나 이미지보다 크기가 압도적으로 크고, 구조가 복잡하며, 다양한 정보가 동시에 얽혀 있습니다. 이 때문에 초기 학습 단계부터 고성능 GPU 수백 대, 수만 개의 CPU 코어가 필요한 대규모 인프라가 필수입니다. 실제로 설립 초기에 모델을 훈련하고 인덱싱 하고 이해하는 데 100제타바이트가 넘는 비디오 콘텐츠가 사용되었다고 인터뷰하기도 했는데요. 트웰브랩스는 AWS와의 협업을 통해 이를 구축해 왔지만, 분산 환경에서의 하드웨어 오류나 시스템 장애는 끊임없는 운영 리스크로 작용합니다.

<출처: 작가, ChatGPT-4o 생성>

한편 이들이 개발한 멀티모달 AI는 단순히 ‘보이는 것’을 넘어서, 장면·음성·자막 등 다양한 정보를 종합해 맥락을 파악하는 것이 핵심입니다. 하지만 이러한 멀티모달 처리에는 여전히 기술적 한계가 존재합니다. 예컨대 어두운 장면이나 편집이 심한 영상, 흔들리는 카메라 등은 모델이 의미를 정확히 이해하기 어렵습니다. 특정 분야에선 높은 정확도를 보이더라도, 다양한 상황으로 확장되면 성능 저하가 나타나는 ‘좁은 AI’ 문제도 안고 있습니다.

더불어 멀티모달 AI는 챗봇처럼 명확한 벤치마크 기준이 부족하다는 점도 도전 과제입니다. 고객마다 요구하는 결과의 기준이 달라 모델 성능을 객관적으로 비교하기 어렵고, 사용자 피드백을 기반으로 한 반복 개선이 필수입니다. 트웰브랩스는 이를 해결하기 위해 기업 고객이 자사 데이터를 활용해 파인튜닝할 수 있도록 지원하고 있으며, 특수 도메인에선 의미 있는 성과를 거두고 있습니다.

결국 트웰브랩스가 이 분야에서 지속가능한 성장을 이어가려면, 기술 고도화와 인프라 최적화라는 이중 과제를 동시에 해결해야 합니다. 초기의 기술 선점을 지키면서도, 거대 고객사의 다양한 요구를 만족시키기 위한 민첩한 대응력이 중요한 시점입니다.

거인들과의 경쟁

트웰브랩스는 창업 초기부터 글로벌 시장을 겨냥한 비즈니스를 지향해 왔습니다. 미국 법인을 중심으로 설립됐고, 모델과 서비스도 영어 데이터를 기반으로 먼저 개발되었습니다. 이처럼 출발선부터 '글로벌을 목표로 한 스타트업'이었기에 구글, 메타, OpenAI 등과 같은 빅테크와의 경쟁은 피할 수 없는 과제입니다.

실제로 MS의 애저 비디오 인덱서, 아마존의 레코그니션 역시 기업 고객이 사용할 수 있는 영상 분석 툴로 자리 잡고 있으며, 이들 서비스는 제한된 기능이라 해도 "안정성과 신뢰도"를 내세운다는 점에서 보수적인 고객의 선택지를 잠식할 수 있습니다.

애저 비디오 인덱서 <출처: Microsoft>

특히 트웰브랩스가 창업할 당시에 비해 지금은 영상을 포함한 멀티모달 기술의 주목도가 매우 높아진 상태인데요. 만약 구글이나 MS가 대규모 언어 모델과 연동된 고성능 영상 AI를 강하게 드라이브한다면, 스타트업 입장에선 기술력만으로 시장을 지키기 어려울 수 있습니다.

트웰브랩스는 누구보다 앞서 비디오 파운데이션 모델을 상용화해 시장에서의 선점 효과를 확보했고, 고객의 도메인별 수요에 유연하게 대응하며 "전문성과 민첩성"이라는 스타트업 고유의 장점을 극대화해 왔습니다. 하지만 빅테크가 가진 막대한 자본, 탄탄한 인프라, 자체 생태계와의 연계를 고려하면 이러한 장점만으로는 경쟁 우위를 유지하기 어려울 수 있습니다.

결국, 트웰브랩스에게 있어 거인들과의 경쟁은 기술력의 싸움을 넘어, 얼마나 정교한 전략으로 틈새를 공략하고, 시장의 신뢰를 선점하느냐에 달려 있습니다.

Chapter 5. 결론 및 향후 전망

트웰브랩스는 한국보다 해외에서 더 많이 회자되는, 드문 유형의 스타트업입니다. 국내에선 아직 이름이 낯설 수 있지만, 이미 글로벌 테크 생태계에서는 ‘가장 먼저 비디오 파운데이션 모델을 상용화한 회사’로 기록되고 있습니다. 특히 영상이라는 고난도의 영역에서 멀티모달 AI를 실전 비즈니스에 연결한 사례는, 여전히 세계적으로도 찾기 어렵습니다. 단일 모델에 집중해 성능과 비용 효율을 동시에 잡았고, 대기업과의 협업 없이도 안정적인 수익을 만들어낸 구조는 B2B AI 스타트업이 나아갈 하나의 교본처럼 읽힙니다.

하지만 이제는 진짜 시험대에 올랐다고 볼 수 있습니다. 멀티모달 AI는 대중화 국면에 접어들었고, 빅테크는 언제든 자체 영상 모델을 밀어붙일 수 있는 자금력과 유통 채널을 갖추고 있습니다. 초창기의 선점 효과나 스타트업 특유의 유연성만으로는 시장을 지키기 어렵고, 기술뿐 아니라 전략, 고객 설계, 생태계 포지셔닝까지 복합적인 경쟁력을 요구받는 시점입니다.

이러한 과제가 많고, 압박이 큰 상황에서도 흔들림 없이 중심을 지키며 누구보다 명확한 해답을 제시할 수 있다면, 트웰브랩스는 단순히 ‘한국 AI 스타트업의 예외적 성공 사례’에 머무는 것이 아니라, 향후 글로벌 시장에서 ‘새로운 표준’을 제시한 기업으로 자리매김할 수 있을 겁니다.

★ 독자 EVENT ★ (마감)
지금~~요즘IT X에서 이재훈 작가의 『샘 올트먼 더 비전 2030』 도서 증정 이벤트(7/16~7/20)를 진행 중입니다.~~
~~많은 관심과 참여 부탁드려요!~~

]]>

AI 기업 탐구: 업스테이지, 작고 빠른 SLM으로 '국민 AI'에 도전하다

AI 기술이 이미 생활 속 필수재로 자리 잡은 요즘, 그 기술 뒤에서 움직이는 기업들의 정체와 비전이 궁금하지 않으신가요? AI는 이제 단순한 기술 트렌드를 넘어 세상을 바꾸는 핵심 동력으로 떠올랐습니다.

〈AI 기업 탐구〉시리즈는 AI 산업의 대표적인 기업들을 하나씩 꼼꼼하게 살펴보며, 이들이 어떻게 탄생했고, 현재 어떤 전략과 비전으로 미래를 그려나가는지 구체적으로 조명하고자 합니다. AI를 이끄는 주인공들의 생생한 이야기를 지금부터 만나보세요.

Chapter 0. 왜 지금, 이 기업을 알아야 하는가?

눈 달린 ChatGPT, 기억하시나요?

ChatGPT는 직관적인 UI/UX를 앞세워 생성형 AI의 대중화를 이끌었습니다. 그러나 웹 기반의 영어 서비스라는 한계로, 국내 사용자에게는 여전히 심리적 진입장벽이 존재했는데요. 이 벽을 허문 서비스가 바로 '아숙업(AskUp)'입니다.

오늘 소개할 기업, '업스테이지(Upstage)'는 한국인이라면 누구나 사용하는 카카오톡에 ChatGPT를 탑재해, 아숙업이라는 이름으로 서비스를 선보였습니다. 카카오톡이라는 친숙한 플랫폼을 매개로 접근성을 획기적으로 높인 아숙업은 출시 3일 만에 3만 명, 3개월 만에 100만 명 이상의 사용자를 끌어모았는데요. 이 수치는 실제 ChatGPT의 국내 사용자 수와 비교해도 결코 뒤지지 않는 수준이었습니다.

<출처: 업스테이지>

아숙업은 단순히 ChatGPT를 연동하는 것에 그치지 않았습니다. 업스테이지는 여기에 글자를 읽어주는 광학문자인식(OCR) 기술을 더해, 사용자가 촬영한 문서 이미지를 읽고 요약하는 기능까지 제공했습니다. 덕분에 '눈 달린 ChatGPT'라는 별명을 얻었고, 이후에는 그림 생성 기능까지 추가되며 AI의 실용성을 한층 확장하며 대중적인 성공을 거두었습니다.

이처럼 빠르게 주목을 받으며 업스테이지는 단숨에 주목받는 AI 스타트업으로 떠올랐습니다. 하지만 이 성과만으로는 업스테이지라는 기업을 온전히 설명할 수 없는데요. 오늘은 아숙업이라는 결과 너머, 업스테이지의 진짜 모습을 들여다보려 합니다.

Chapter 1. 탄생의 배경과 창립 철학

애증의 기술, AI

기업들에게 AI는 애증의 기술이었습니다. 홍보 문구만 보면 모든 걸 해결해 줄 것처럼 보이지만, 막상 현장에 도입하려 하면 제약투성이었기 때문입니다. AI 전문 인력은 부족하고, 데이터는 분산되어 있으며, 투자 대비 성과(ROI)도 불확실한 경우가 많았습니다.

이런 와중에 경쟁사가 AI를 도입해 생산성을 높였다는 이야기를 들으면, 막연한 불안감이 찾아옵니다. 여기저기서 AI 이야기가 쏟아지다 보니, 이른바 FOMO(Fear Of Missing Out)가 찾아오기도 하는데요. 업스테이지는 이런 고질적인 문제를 해결하기 위해 탄생했습니다.

진짜 사용할 수 있는 AI

업스테이지 창업자 김성훈 대표는 홍콩과학기술대학 교수이자, 네이버에서 클로바 AI 총괄을 맡았던 인물입니다. 여기에 전 카카오AI 팀장 김재범, 네이버 Visual AI / OCR 팀에서 세계적 성과를 낸 이활석, 번역기 파파고의 모델팀을 이끌었던 박은정, 엔비디아에서 AI 교육 및 개발 마케팅 담당의 손해인 등이 합류하며 업스테이지가 토대가 마련됐습니다.

왼쪽부터 이활석 CTO, 김성훈 CEO, 박은정 CSO <출처: 업스테이지>

언론에서는 이들을 'AI 어벤저스'라 부르기도 했지만, 더 주목할 점은 이들이 모두 AI를 실제로 써 본 사람들, 즉 AI 기술을 비즈니스에 직접 적용해 본 경험자들이라는 점입니다.

업스테이지는 많은 기업들이 데이터, 인력, 인프라의 제약으로 AI 도입에 번번이 좌절하는 현실을 누구보다 잘 알고 있었습니다. 그래서 기술 자체보다 더 중요한 것은 '정확한 문제 정의'와 '현장에서 작동하는 솔루션'이라고 보았는데요. 업스테이지는 이 간극을 좁히고, 기업의 AI 트랜스포메이션을 현실로 만들고자 설립됐습니다. 더 이상 AI가 애증의 대상이 아닌, 애정의 대상으로 만들겠다는 것이 이들의 비전입니다.

Chapter 2. 대표 서비스와 기술 혁신

AI와 OCR의 만남

업스테이지라는 이름이 대중에게 각인된 계기는 단연 '아숙업'입니다. 아숙업이 빠르게 인기를 끌었던 이유 중 하나는, 단순한 챗봇 기능을 넘어 OCR 기능이 탑재돼 있었기 때문인데요. 이때 아숙업에 OCR이 포함된 것은 결코 우연이 아닙니다. 애초에 업스테이지가 가장 먼저 기술력을 입증한 분야가 바로 OCR이었기 때문입니다.

OCR은 'Optical Character Recognition'의 약자로, 이미지나 스캔 문서에 포함된 글자를 인식해 사람이 읽을 수 있는 텍스트 데이터로 변환해 주는 기술입니다. 이 기술은 오래전부터 존재했지만 분명한 한계를 가지고 있었는데요. 글자의 위치가 고정되지 않은 문서, 표가 포함된 문서, 손으로 쓴 글씨, 기울어지거나 화질이 낮은 이미지 등에는 그 정확도가 크게 떨어져, 실제 업무에 적용하기에는 어려움이 많았습니다.

<출처: 업스테이지>

특히 서류를 많이 다루는 금융·보험 업계 등 문서 중심 산업에서는 OCR에 수요가 높았지만, 이 분야는 무엇보다 '정확도'가 생명인 만큼 기존의 낮은 정확도를 가진 OCR 기술로는 쉽게 도입하기 어려웠는데요. 업스테이지는 이 한계를 극복할 열쇠로 AI를 주목했습니다.

AI를 접목한 업스테이지의 OCR은 딥러닝 기반의 텍스트 검출·인식 기술을 고도화해, 기울어진 문서나 손글씨, 복잡한 레이아웃을 가진 비정형 문서에서도 높은 정확도를 구현했습니다. 단순한 텍스트 추출을 넘어, 문서의 의미 구조를 이해하고 자동으로 정렬·분류·요약하는 기능까지 더해 반복적인 문서 처리 작업의 효율을 획기적으로 높였습니다.

<출처: 업스테이지>

이러한 기술력을 바탕으로 업스테이지는 2023년 국제 OCR 대회인 ICDAR에서 아마존, 엔비디아, 알리바바 등 글로벌 AI 강자들을 제치고 4개 부문에서 1위를 차지했습니다. 이후 OCR 기술을 API 형태로 제공해 기업들이 손쉽게 적용할 수 있도록 했으며, 추천 엔진 등 다양한 기능과 함께 ‘AI Pack’이라는 통합 솔루션으로 발전시켜 나갔습니다.

작고 빠른 SLM

업스테이지가 OCR 기술로 주목받는 무렵, AI 업계에서는 ChatGPT를 필두로 대형 언어 모델(Large Language Model)이 최대 화두로 떠올랐습니다. LLM은 이름 그대로 크고 무거운 모델로, 뛰어난 성능을 자랑하지만 실제 기업 현장에 적용하기에는 속도, 비용, 인프라 측면에서 부담이 따를 수밖에 없었는데요. 기업에서 사용할 수 있는 AI를 지향해 온 업스테이지는 이 한계를 외면하지 않았습니다.

LLM과 유사한 성능을 유지하면서도 경량화된 형태의 모델이 필요하다고 판단한 업스테이지는 곧바로 SLM(Small Language Model) 개발에 착수합니다. SLM은 적은 연산 자원으로도 빠르게 작동하며, 기업 환경에 최적화된 성능을 제공하는 것을 목표로 하는데요. 특히 개인정보 보호가 중요한 기업 환경이나, 고객 데이터를 기반으로 실시간 질의응답이 이뤄지는 시스템에서는 클라우드 기반의 대형 모델보다 보안성과 응답 속도 측면에서 유리한 SLM의 필요성이 더욱 부각됩니다.

무엇보다 중요한 점은, SLM은 단지 기술적으로 작고 빠른 데 그치지 않는다는 것입니다. 기업의 실제 데이터와 업무 흐름에 맞춰 유연하게 커스터마이징이 가능하다는 점에서 그 진가가 발휘되는데요. 업스테이지는 이를 바탕으로, 단순한 모델 공급을 넘어 기업 맞춤형 AI 솔루션을 제공하는 파트너로 자리매김하고 있습니다.

<출처: 업스테이지>

업스테이지의 핵심 모델은 '솔라(Solar)' 시리즈입니다. 이 중 Solar-10.7B-Instruct라는 모델은 허깅페이스(Hugging Face) 오픈 LLM 리더보드에서 1위를 차지하며 업계의 주목을 받았는데요. 특히 72B개의 매개변수를 가진 QWEN 모델보다 높은 성능을 자랑하며, 말 그대로 작지만 강한 모델이라는 수식어를 갖게 됩니다. 이는 OCR에 이어 SLM 분야에서도 업스테이지가 글로벌 수준의 경쟁력을 갖추고 있음을 입증한 사례였습니다.

Chapter 3. 비즈니스 모델과 시장 성과

고객 맞춤형 AI

아숙업으로 대중적으로 주목을 받았지만, 업스테이지의 본질은 B2B 소프트웨어 기업입니다. OCR, 추천 시스템 등 다양한 AI 기능을 API 형태로 제공하며, 이를 조합해 기업 업무에 바로 적용할 수 있도록 구축한 'AI Pack'을 중심으로 비즈니스를 전개해 왔습니다.

이러한 모듈형 접근은 기업 입장에서 상대적으로 진입 장벽이 낮은데요. 자체적으로 AI 모델을 개발하지 않아도 되고, 필요한 기능만 골라 사용할 수 있기 때문입니다.

<출처: 업스테이지>

특히 업스테이지는 단순한 API 제공에 그치지 않고, 기업 고유의 데이터를 활용해 모델을 맞춤형으로 튜닝해 주는 컨설팅형 서비스까지 함께 제공하며 차별화된 경쟁력을 확보했습니다. 이 역시 실제 기업에서 비즈니스를 경험한 다양한 인재들이 모였기에 가능했던 전략이었습니다.

육각형 성장

업스테이지는 국내에서 입증한 기술력과 성과를 바탕으로 2021년 시리즈 A 투자에서 약 316억 원을 확보한 데 이어, 2024년 4월 시리즈 B 라운드에서는 1,000억 원 규모의 투자를 유치했습니다. 총 누적 투자액 1,400억 원은 국내 AI 스타트업 중에서도 손에 꼽히는 규모로, OCR·SLM 분야의 기술적 성숙도와 수익 기반 성장 잠재력이 동시에 평가된 결과인데요. 업스테이지는 이 투자금을 기반으로 글로벌 진출에도 속도를 내고 있습니다.

특히 업스테이지는 설립 초기부터 100% 원격 근무 체재를 도입, 국경을 넘는 인재 확보에 유리한 구조를 선제적으로 갖추었습니다. 이러한 토대를 바탕으로 미국 법인을 설립하고 현지 인재를 확보했으며, 일본에서는 현지 AI 기업 '카라쿠리(Karakuri)'와의 합작을 통해 일본어 특화 LLM '신(Syn)'을 출시하기도 했는데요. 신은 일본어 LLM 벤치마크 상위권을 기록하며 경쟁력을 입증했으며, 이외에도 동남아, 북미 시장을 중심으로 글로벌 SaaS 모델을 전개하며 해외 수익 기반을 다져가는 중입니다.

AI 4대 석학 앤드류 응 교수와 LLM 강의 <출처: 업스테이지>

한편 업스테이지는 김성훈 대표가 교수 출신이라는 배경을 살려 AI 교육 사업에도 적극적입니다. 글로벌 온라인 인공지능 경진대회인 캐글에서 두각을 나타낸 엔지니어도 다수 포함하고 있는 업스테이지는 업계 실무자와 예비 엔지니어를 대상으로 한 다양한 교육 프로그램을 운영하고 있는데요. 기업 맞춤형 교육·오픈 클래스·해커톤 등 다양한 방식으로 AI 생태계 전반의 저변을 확대하며, 질적/양적 성장을 동시에 이루고 있습니다.

AI 산업의 '인싸'

최근 뉴스를 보다 보면 'MOU'라는 용어를 자주 접하게 됩니다. MOU(Memorandum of Understanding), 즉, 양해각서는 정식 계약에 앞서 기관 간 협력 의지를 밝히는 문서로, 실질적인 비즈니스로 이어지지 않더라도 '좋은 관계를 맺겠다'라는 의미를 담고 있습니다.

이런 관점에서 보면, 업스테이지는 AI 업계의 인싸라고 볼 수 있습니다. 2020년에 설립된 이래, 업스테이지는 수많은 기업 및 기관과 MOU를 체결하며 빠르게 기술 협업 네트워크를 넓혀왔는데요. 대표적으로 KT와는 AI 기반 페이퍼리스 DX 사업 협력 MOU, LG전자와는 온디바이스 AI 사업 협력 MOU 등이 있습니다. 이 외에도 롯데쇼핑, 식약처, 이테크시스템, 퓨리오사AI, 투이컨설팅 등 다양한 분야와 손을 잡으며 기술의 확장성과 신뢰도를 동시에 입증하고 있습니다.

<출처: 업스테이지>

특히 눈에 띄는 협업은 AWS와의 전략적 파트너십입니다. 업스테이지는 2024년 AWS와 다년간의 파트너십을 체결하고, 자체 개발한 LLM인 솔라 모델을 AWS SageMaker에 탑재했는데요. 단순히 기술을 등록하는 수준이 아니라, 글로벌 공동 영업(co-selling) 체계까지 마련해 AI SaaS 모델의 해외 진출을 위한 유통 채널을 확보하게 됐습니다.

이렇듯 업스테이지는 클라우드, 반도체, SI, 데이터, 스타트업 등 다양한 산업군과의 균형 잡힌 협업을 통해 독립적인 기술 생태계를 구축하고 있습니다. 이는 단순한 AI 솔루션 제공자를 넘어, AI 기반 생태계 전반의 성장 플랫폼으로 자리매김하고 있다는 중요한 지표라 할 수 있습니다.

Chapter 4. 도전과 한계

생성형 AI 시장에서 빠르게 존재감을 드러낸 업스테이지는 기술력, 수익 모델, 글로벌 확장 등 여러 측면에서 ‘잘 나가는 스타트업’으로 주목받고 있습니다. 하지만 모든 성장이 그렇듯, 그 이면에는 도전과 한계도 공존하는데요. 업스테이지는 다음과 같은 고민을 갖고 있습니다.

거인들과의 경쟁

업스테이지가 직면한 가장 큰 과제는 역시 초거대 AI 기업들과의 경쟁입니다. 현재 생성형 AI 시장은 마이크로소프트, 구글, 메타 등 이른바 '거인들'이 주도하고 있는데요. OpenAI와 Anthropic과 같은 스타트업도 두각을 나타내고 있지만, 이들 역시 사실상 빅테크의 날개를 단 플레이어입니다. 결국 이 시장은 자본력과 규모의 경제를 둘러싼 싸움인 셈입니다.

업스테이지는 독립 스타트업으로서 상대적으로 제한된 자원과 인프라로 경쟁에 나서야 하는 입장입니다. 솔라 모델이 오픈소스 LLM 중 최상위권 성능을 보였지만, 폐쇄형 초거대 모델과의 경쟁과는 직접적인 비교 자체가 어렵습니다. 현재의 평가는 어디까지나 공개된 모델들 사이에서의 상대적 우위일 뿐입니다. 게다가 최근 메타가 수백억 원을 들여 AI 인재를 흡수하고 있다는 내용이 화제가 된 것처럼, 고급 인재 확보 싸움에서도 업스테이지는 자본력에서 불리할 수밖에 없습니다.

또한 산업 특화 AI를 개발하는 데 핵심인 데이터 확보 문제도 만만치 않습니다. 최근 데이터의 저작권 논란이 본격화되면서, 양질의 데이터를 합법적으로 수급하려면 그에 상응하는 높은 비용과 법적 리스크를 감수해야 합니다. 스타트업 입장에서는 기술 개발 이전에 해결해야 할 복잡한 과제가 늘어난 셈입니다.

더욱이 기존 LLM 시장을 주도하던 글로벌 빅테크들이 이제는 SLM 영역까지 본격적으로 진출하고 있습니다. 작고 빠른 모델에 집중하며 차별화를 이루던 전략마저 이제는 주류 경쟁 무대가 되어 경쟁이 치열해지고 있는 셈입니다.

고객 확장과 수익화의 한계

업스테이지는 뛰어난 기술력과 빠른 제품화를 통해 단기간 내 업계의 주목을 받았지만, 기술적 성과만으로는 지속 가능한 수익을 담보하기 어렵습니다. 특히 B2B 중심의 사업 구조에서는 고객 확보의 속도와 폭이 사업 성장을 좌우하는데요. 업스테이지의 경우, OCR과 추천 시스템 등 다양한 API 기반 솔루션을 제공하고 있지만, 국내 기업들의 AI 도입 속도는 여전히 제한적입니다.

이런 상황에서 업스테이지가 직면한 과제는 명확합니다. 어떻게 하면 ‘파일럿’을 ‘유료 계약’으로, ‘기술 데모’를 ‘지속 매출’로 전환할 것인가입니다. 현재 업스테이지는 AI Pack과 맞춤형 컨설팅 등으로 진입 장벽을 낮추고 있으나, 기업 내부의 예산 구조나 정책적 제약으로 인해 실제 유료 전환율이 제한되는 경우도 적지 않습니다.

더 나아가, 생성형 AI SaaS 모델의 경우 반복적 구독 수익 구조를 구축하는 것이 핵심인데, 아직까지 업스테이지가 국내/외에서 이 모델을 안정적으로 정착시켰다고 보기는 어렵습니다. 클라우드 사용료, 튜닝 인건비, 기술 유지 비용 등을 감안하면, 일정 이상의 고객 기반 확보 없이는 손익분기점에 도달하기 어렵다는 현실적인 한계도 존재합니다.

<출처: NICE평가정보, 작가 편집>

실제로 업스테이지는 2023년 50억 원 수준이던 매출을 2024년 140억 원 수준으로 끌어올리는 데 성공했지만, 연구개발(R&D)과 인프라 투자 등의 고정비용이 지속적으로 증가하면서 영업손실 역시 2023년 -190억 원 수준에서 2024년 -400억 수준으로 확대됐습니다. 이는 성장 곡선의 초입에 있는 스타트업으로서 당연한 수순이지만, 외부 투자와 시장 기대에 부응하기 위해서는 일정 시점부터 수익성과 확장성이라는 두 마리 토끼를 동시에 잡아야 한다는 과제를 안고 있는 셈입니다.

Chapter 5. 결론 및 향후 전망

업스테이지가 출범 이후 쌓아온 기술력과 시장 반응은 분명 인상적이었습니다. 하지만 본격적인 생존 경쟁은 지금부터이며, 앞으로의 길은 더욱 복잡하고 치열할 것으로 보입니다. 특히 정책 환경의 변화는 업스테이지 같은 스타트업에 중요한 외부 변수로 작용하게 됩니다.

2025년 새롭게 들어선 정부는 "100조 원 규모의 AI 투자"를 공식 공약으로 내세우며, AI 주권 확보에 대한 의지를 공식화했습니다. 그 상징적 조치로, 대통령실 최초의 ‘AI미래기획수석’ 자리에 민간 출신의 전문가 하정우 수석이 임명되기도 했습니다. 네이버클라우드 센터장을 지낸 그는 오랜 기간 '소버린 AI(Sovereign AI)'의 중요성을 강조해 온 인물로, 향후 정책 방향이 국내 AI 생태계의 기술 독립성과 인프라 구축에 무게를 둘 것이라는 관측이 힘을 얻고 있습니다.

이러한 변화는 업스테이지에게도 기회가 될 수 있습니다. 이미 업스테이지는 퓨리오사AI 등 국산 AI 반도체 기업과의 협력, 국내 LLM 및 OCR 모델 개발 경험을 축적해 왔고, 이는 정부의 기술 자립 전략과 맞물리는 지점입니다. 특히 업스테이지가 강조해 온 작고 빠르며, 정렬성 높은 SLM 전략은 공공영역에서 요구하는 에너지 효율, 비용 절감, 개인정보 보호 기준에도 부합합니다.

그러나 단순한 기대감만으로 미래를 낙관하기는 어렵습니다. 정책의 실행 속도는 예측하기 어렵고, 공공사업에서는 대형 SI 기업의 경험과 조직력이 먼저 평가받을 수 있습니다. AI 스타트업에게 ‘기회’란 주어지는 것이 아니라, 읽고 선점해야 할 흐름입니다. 업스테이지에게 중요한 것은 지금까지 그래왔듯, 기술과 시장의 균형을 읽는 감각이 될 것으로 보입니다.

]]>

마케팅/그로스 외부자문 활용법③ 언제, 어떻게 종료할 것인가

마케팅/그로스 외부자문 활용법 시리즈

① 어느 조직에 맞을까
② 파트너십 논의를 어떻게 시작할까

언제 자문을 종료할까?: 타이밍은 ‘기간’이 아닌 ‘상태’로

외부자문 계약은 일반적으로 3~6개월 단위로 시작한다. 실무에서는 종료 시점을 미리 정하지 않고, 중간 점검을 거쳐 자동으로 연장하는 경우가 대부분이다.

종료에 있어 중요한 건 ‘기간’이 아닌 ‘상태’다. 다음과 같은 상태에서는 자문 종료 시점이 자연스럽게 찾아온다.

목표했던 핵심 지표가 달성된 경우
내부에 새로운 리더가 채용되거나 육성된 경우
조직의 핵심 고민이 전환된 경우
실행 리소스 부족으로 전략이 계속 누적되고만 있는 경우

따라서 자문은 시작할 때부터 종료 가능성을 염두에 둬야 한다. 이러한 엑싯 전략은 초기 설계, 중간 점검, 종료 계획까지 모든 과정에 포함돼야 한다.

<출처: 프리픽>

‘어떻게 종료할 것인가’를 설계할 때는 자문이 어떤 영역에 집중했는지와 어떤 역할까지 확장되었는지두 가지를 기준으로 따져볼 수 있다.

종료 설계 고려사항(1) 어떤 영역에 집중해 자문했는가

외부자문이 집중해서 관여한 영역은 종료 방식에도 직접적인 영향을 준다. 자문이 주로 다루는 영역은 다음 세 가지다.

산업 도메인 중심
조직의 그로스 단계 중심
프로덕트-채널 핏(Fit)을 고려한 핵심 채널 중심

각 영역에 따라 어떤 종료가 설계되는지 정리했다.

산업 도메인 중심

운영 채널이나 콘텐츠 규제가 명확한 산업군(예: 금융, 교육 등)에서는 도메인 인사이트가 중요하다. 따라서 자문 종료 전에 도메인의 특성, 목표 고객, 콘텐츠 제약 등을 정리한 ‘기본 플레이북(Playbook)’을 남기는 것이 좋다.

만약 이미 내부 자료가 있다면 이를 체계화하고 즉시 실행할 수 있는 형태로 리프레이밍하는 데 집중한다. 그 문서는 종료 후에도 조직이 스스로 발전시켜 나갈 수 있는 구조로 설계해야 한다.

조직의 그로스 단계 중심

그로스 단계에 집중한 외부자문은 시드~시리즈C 단계의 스타트업, 혹은 그 이후까지 성장 단계에서 필요한 KPI/OKR과 조직 설계를 함께 논의한다. 이때는 일반적으로 고객사가 현재 단계에서 다음 단계로 넘어가는 것을 직접적으로 돕는다.

예를 들어 시리즈 A 단계의 고객사가 시리즈 B로 넘어갈 수 있도록 전사 단위 목표 수치, 그와 정합성(Align)을 갖춘 마케팅 지표를 담아 IR 자료를 함께 만들기도 한다. 또, 다음 투자 라운드를 위한 성과지표의 목표 수치를 설정하고, 달성 전략 수립과 더불어 팀과 팀원 단위의 업무 성과 향상을 돕는다.

이 경우, 종료 시점은 ‘다음 단계 진입 준비가 완료되었는가’를 기준으로 본다.

프로덕트-채널 핏(Fit)을 고려한 핵심 채널 중심

고객사의 프로덕트와 가장 잘 맞고, 매출이나 예산 측면에서 임팩트가 큰 핵심 채널의 성과 최적화와 운영 자동화가 목표다. 대표적인 집중 채널은 검색 광고(SEM)/SEO, 소셜 광고, 디스플레이 광고, 오프라인 채널, 제휴, CRM 등이 있다.

이때 자문은 구체적인 성과지표 분석부터 시작해, 채널별 성과를 한 단계 더 끌어올릴 수 있는 액션 플랜(Action Plan)을 담당자 또는 팀 리드와 함께 수립한다.

자문 종료 전에는 채널 최적화 실행 방식과 대행사 및 내부 협업 방식이 명확하게 문서로 존재해야 한다. 즉, 채널 담당자가 바뀌더라도 새로운 담당자가 보고 바로 실행할 수 있는 수준의 전략 및 운영 문서, 즉 채널별 ‘룰북(Rule Book)’을 도출하는 것이다.

이 룰북은 월별이나 분기별로 주기적인 업데이트와 관리가 이뤄져야 하며, 세부 실행 전략을 바꿀 때마다 성과 변화를 모니터링해 유효성을 검증해야 한다.

종료 설계 고려사항 (2) 자문이 어떤 확장된 역할을 수행했는가

때로 자문의 역할이 컨설팅을 넘어 코치나 매니저로 확장되기도 한다. 그 역할에 따라 종료 기준과 마무리 방식 역시 달라진다.

코칭 영역으로의 확장

코칭이 일반적인 컨설팅과 다른 점은 정답을 주기보다 스스로 답을 찾도록 질문과 관점을 제시한다는 것이다. 이때는 지속적으로 마일스톤을 달성할 수 있도록 옆에서 함께 뛰는 ‘러닝메이트(Running Mate)’의 역할을 수행한다.

즉, 자문의 답에 기대지 않고도 조직 스스로 업무 상황을 진단하며 성과를 개선하고 목표를 달성하도록, 그에 필요한 역량을 키워 자기주도적 문제해결을 통한 성장을 돕는다.

자문 대상에 따라 코칭의 역할은 다음과 같이 세분화된다.

리드 혹은 이그제큐티브 코칭(Lead/Executive Coaching): 주로 CMO, VP 등 고위 리더가 대상이며, 리더십, 의사결정, 커뮤니케이션 역량 강화 중심
커리어 코칭(Career Coaching): 미들 레벨~주니어 실무자를 대상으로 하며, 업무 우선순위 설정, 자기효능감 강화, 매니징 업(Managing Up) 등을 지원

실제 외부자문은 조직 내부 인력과 같은 레벨의 스트레스에 노출되지 않는 외부인이라는 점에서 더욱 객관적인 시각을 가질 수 있다. 그렇기에 매일 업무에 치여 보이지 않던 전체 그림을 볼 수 있도록 다양한 관점을 제안하거나, 여러 다른 조직과 비교하면서 다양한 사례를 공유하기도 한다.

또한, 외부자문에 토로하는 업무의 어려움은 조직 규모와 상관없이 인간관계나 누적된 부정적 감정 등 근본적인 심리적 요소에 비롯하는 경우가 많다. 코칭은 이렇게 혼자서 깊이 들여다보기 어려운 내면 깊숙한 부분을 바라보고, 스스로 근본적인 변화를 만들어낼 힘을 가질 수 있게 돕는다.

이 경우 코칭 종료의 기준은, 자문 대상자가 개인과 조직의 성장이라는 두 축 모두에서 목표 설정, 문제 진단, 실행까지 스스로 주도할 역량을 갖추었는지 여부다.

매니징 영역으로의 확장

매니징 역할은 리드나 매니저가 없는 실무자 그룹을 대상으로 자문할 때 요구된다. 이때 자문은 조직의 목표 달성을 위해 자원과 인력을 조직적으로 관리하며, 직접적인 업무 실행을 이끄는 역할을 담당한다. 인사 평가와 의사결정도 주로 고객사 대표와 함께 논의한다. 채용, 해고, 승진, 인사이동과 같은 의사결정 문제 해결이 종종 핵심 과제가 되기도 한다.

물론 외부자문은 사람의 매니징보다 시스템 매니징에 집중하는 편이 현실적이다. 외부자문이 팀원들과 접촉하는 시간이 풀타임 매니저에 비해 절대적으로 부족하기 때문이다. 당연하게도 풀타임 매니저 수준으로 팀원과 라포(Rapport)를 형성하는 것이 쉽지 않다. 조직 내에서 시시각각 변하는 분위기를 모두 파악해 적시에 빠르게 지원하는 것이 힘들기 때문이다. 이는 마케팅 리드가 없는 상황에서 실무자 대상으로 자문하는 방식의 난이도가 높은 이유 중 하나다.

따라서 외부자문은 이러한 구조적 한계를 인지하고 전반적인 시스템 점검과 개선에 집중해야 한다. 동시에 리드로 성장할 가능성이 있는 시니어들을 중심으로 ‘코칭 역할’을 병행한다. 이로써 미들급 리드를 빠르게 성장시켜 매니징 역할을 점진적으로 위임하는 것이 중요하다. 외부 자문은 매니징을 덜어내는 것이 목표로 해야 한다.

결국 자문이 매니저 역할에서 손을 떼고, 새로운 내부 리드가 팀을 이끄는 구조가 자리 잡을 때가 종료 시점이다. 필요에 따라 외부자문이 코칭 중심의 관계로 자연스럽게 전환할 수도 있다.

자문 엑싯의 3가지 종류

이러한 자문의 종료 방식은 보통 다음 세 가지 중 하나로 나뉜다. 일반적으로 두 가지 기준에 따라 현재 상황을 확인하고, 각자 다음 단계로 나아간다.

성공적인 종료

목표 지표 도달, 팀 역량 내재화, 문서 정리 완료 → 명확한 종료 설계

풀타임 전환

자문자의 핏(Fit)과 역량이 검증되어 팀 리더로 내부 전환 → 기대 역할과 목표의 재설정

실패한 종료

전략 실행이 제대로 이루어지지 않거나 실무자와의 라포(Rapport) 형성 부족으로 큰 성과 없이 종료

마치며: 자문이 끝난 다음, 지속적인 성장을 위해

자문이 남긴 전략과 관점은 종료 이후에도 조직의 사고방식에 흔적으로 남는다. 결국 자문 종료는 단기 협력의 끝이 아니라 내부 팀의 지속가능성을 시험하는 시작점이다.

무엇보다 자문의 종료는 다음 문제를 함께 풀어가기 위한 준비 과정이며, ‘잘 마무리하는 법’을 조직이 함께 배울 중요한 기회이기도 하다.

]]>

AI 시대를 맞아 한 창업자가 스스로에게 던진 질문

AI 시대에, 나는 무엇을 상상하고, 어떻게 행동해야 하는가?

<출처: 작가>

AI 시대를 맞아, 스스로에게 다시 질문을 던지게 됩니다.

“이 거대한 변화 앞에서 나는 무엇을 상상하고, 어떻게 행동해야 하는가?”

2012년 마이리얼트립을 창업한 이후, 지난 13년간 여러 기술적 전환점을 마주해왔지만, 이번처럼 전면적이고 구조적인 전환은 처음입니다. 그 흐름 속에서 저는 창업자로서의 경험과 반성을 되짚어보고, 우리가 어떤 방향으로 나아가야 할지를 고민하게 되었습니다.

모바일 시대의 후회: 상상력의 빈곤이 낳은 기회 손실

정말 이런 앱에서 수백만 원, 천만 원 이상의 결제를 할까? <출처: 마이리얼트립>

마이리얼트립의 첫 앱은 창업 3년 뒤인 2015년에 출시됐습니다.

그전까지 저는 모바일이 수백만 원에 이르는 고관여 여행 상품을 구매하기엔 부적절하다고 판단했습니다. 작은 화면과 느린 반응 속도, 부족한 신뢰도 등 여러 이유로 우리는 PC 웹에 더 많은 자원을 투입했고, 실제 당시 데이터를 봐도 모바일에서의 구매는 10만 원 이하 소비에 집중되어 있었습니다.

하지만 곧 상황은 급변했습니다. 우리는 모바일 중심의 변화에 뒤늦게 반응해야 했고, 그 경험은 제게 큰 교훈을 남겼습니다. 대표의 상상력이 부족하면 회사 전체가 중요한 흐름을 놓칠 수 있다는 것을, 뼈아프게 깨달았습니다. 그 이후부터 저는 다짐했습니다. 다음 변화가 온다면 가장 먼저 움직이고, 가장 넓게 상상하겠다. 그리고 지금, 그 ‘다음’이 눈앞에 와 있습니다. AI는 모바일보다 더 거대한 변화입니다.

분업에서 통합으로: 조직 구조의 근본적인 전환

AI의 본질은 기술이 아니라 구조의 변화에 있습니다.

산업화 이후, 조직은 분업을 통해 복잡한 문제를 효율적으로 해결해 왔습니다. 기획자는 기획을, 디자이너는 디자인을, 개발자는 개발을 담당하며 역할을 분리하는 것이 일반적이었습니다.

그러나 기술이 비약적으로 발전할 때마다 이 구조는 도전을 받아왔습니다. 인터넷, PC, 모바일은 업무의 경계를 흐리게 했고, 이제 AI는 그 흐름을 근본적으로 가속화하고 있습니다. 실제로 많은 AI 기반 스타트업에서는 소수의 구성원이 다기능적으로 문제를 해결하는 구조가 빠르게 보편화되고 있습니다.

분업이 무너질 때, 각 개인은 더 넓은 권한과 책임을 가지게 됩니다. 더 이상 팀 간의 조율에 의존하지 않고, 혼자서 문제를 정의하고 해결하는 구조가 만들어집니다. 이 흐름은 결국, 리더십의 ‘조율’ 기능이 축소되고, IC(Individual Contributor)의 시대를 여는 전환점이 될 것입니다.

기능보다 문화가 먼저다: 리터러시가 변화의 시작점

처음에는 AI 전담 조직을 만들어 특정 기능을 개발하고, 각 팀에서 의뢰된 솔루션을 구현하는 방식으로 접근했습니다. 그러나 곧 병목이 발생했습니다. 요청 중심의 구조는 컨텍스트 이해에 많은 시간과 에너지를 소모했고, 팀 전체의 속도는 오히려 느려졌습니다.

크몽과 비슷한 방식이라 생각해 ‘마리트크몽’ 이라는 귀여운 이름을 붙였습니다 <출처: 마이리얼트립>

그래서 우리는 전략을 바꾸었습니다. 특정 팀이 AI를 담당하기보다는, 모든 구성원이 AI를 이해하고 활용할 수 있도록 만드는 방향으로 전환한 것입니다. 우리는 실험적인 사례 공유 세션을 열고, 동료 간에 학습이 일어나는 구조를 설계했습니다. 일부 팀에서는 ‘Bounty Hunter’ 방식으로, 문제를 해결할 동료를 직접 찾고 포상하는 시도도 진행하고 있습니다.

이러한 리터러시는 기술 그 자체보다 더 중요한 기반입니다. AI를 일에 연결하기 위한 출발점은, 전사적인 학습과 자율적인 시도에서 비롯된다고 믿고 있습니다.

팀과 무관하게, 스스로의 문제를 AI를 활용해 해결하는 사례들. 이 또한 매주 사내에 공유됩니다. <출처: 마이리얼트립>

인위적 결핍: 역할 확장을 유도하는 구조적 설계

기존의 업무 구조 안에서 단순히 “AI를 써보라”고 권유하는 것만으로는 실질적인 변화가 일어나지 않습니다. 대부분은 흥미 위주의 실험으로 흐르기 마련이고, 실제 비즈니스 임팩트로 연결되기 어렵습니다.

그래서 우리는 ‘인위적 결핍’을 구조적으로 설계했습니다.

새로운 프로젝트를 시작할 때, 의도적으로 특정 포지션 – 예를 들면, 디자이너나 개발자 - 없이 팀을 꾸리는 경우가 많습니다. 그러면 자연스럽게 구성원은 자신의 역할을 확장해야 하고, 그 과정에서 AI를 도구로 활용하게 됩니다.

물론 이 방식은 스트레스를 동반합니다. 역할의 확장은 곧 부담으로 이어질 수 있기 때문입니다. 그렇기 때문에 우리는 이러한 구조적 실험이 구성원에게 위험이 아닌 기회가 될 수 있도록, 반드시 보호와 보상, 그리고 맥락에 대한 충분한 설명을 함께 설계하려고 노력합니다.

시의성의 가치: 완벽함보다 빠른 실험이 더 중요하다

모바일 시대에는 수많은 선례가 있었습니다.

카카오, 배달의민족, 쿠팡 등 성공적인 사례들을 벤치마킹하며 부드럽고 효율적인 전환이 가능했습니다. 하지만 AI 시대는 다릅니다. 참고할 만한 기업도, 적용 가능한 정답도 많지 않습니다.

저는 오히려 이 점이 기회라고 생각합니다. 지금이야말로 우리가 기준이 될 수 있는 시기이기 때문입니다. 시행착오가 따르더라도, 빠르게 움직이는 조직만이 다음 시대의 중심에 설 수 있습니다. 그래서 이번 변화에서는 ‘정확함’보다는 ‘속도’가, ‘정제됨’보다는 ‘실행력’이 훨씬 더 중요하다고 생각합니다.

새로운 생산성에는 새로운 목표가 필요하다

AI를 통해 팀과 개인의 생산성이 비약적으로 향상된다면, 그에 걸맞는 더 큰 목표와 도전이 반드시 동반되어야 합니다.

만약 기존과 동일한 수준의 과제를 수행하면서 생산성만 높아진다면, 구성원은 자신이 조직 내에서 ‘잉여’가 되었다고 느낄 수밖에 없습니다.

이는 불안과 저항을 낳고, 변화의 모멘텀을 꺾을 수 있습니다.

따라서 우리는 AI를 단순히 ‘자동화’의 관점에서 보지 않고, 그로 인해 구성원이 더 높은 가치의 일을 할 수 있는 발판이 될 수 있도록 설계하고자 합니다. 생산성이 높아진 조직은 반드시 더 큰 꿈을 꾸고, 더 높은 목표를 향해 나아가야 합니다.

마치며: 기술이 아니라 사람의 전환이다

AI는 단순한 기술 변화가 아닙니다.

그것은 조직의 철학과 구조, 리더십의 역할, 그리고 개인의 일하는 방식까지 바꾸는 근본적인 전환입니다. 이제 저는 창업 13년차를 맞은 경영자로서, 다시 창업 당시와 같은 질문 앞에 서게 되었습니다.

이번에는 더 크게 상상하고, 더 빠르게 행동하려 합니다.

이 글이 같은 고민을 하시는 모든 분에게 조금이나마 도움이 되었으면 합니다.

]]>

다리 꼬고 앉지 말아 주세요

관점의 차이를 받아들이는 방법

스타트업 업계에서는 새해가 시작되면 다양한 공공프로그램이 시작됩니다. 특히 R&D 과제 같은 것들은 테크 스타트업에는 가뭄에 단비처럼 소중한 도움이자 재원이 되고는 합니다. 창업에 관련된 여러 기관도 이러한 새해 계획은 기관의 존속 이유이기도 하고 또 예산의 근원이기도 한 만큼 세심하게 준비하고 잘 집행하려 노력합니다.

그러다 보면 저와 같은 사람도 어떤 종류의 평가나 심사와 같은 자리에 와달라고 요청받는 경우가 왕왕 있습니다. 그리 큰 대가를 받지는 않지만 그런 자리에서 새로운 사람들을 만나는 일은 즐겁기도 하고, 드물지만 새로운 기회나 투자의 가능성을 발견하는 때도 있어 웬만하면 마다하지 않고 감사하게 참석하고 있습니다.

다만 요즘에는 “공정성”을 기하기 위해서 일부는 추첨 방식으로 선정하고는 하는데, 현업에서 바쁘게 일하는 분들 입장에서는 추첨 결과를 확인하려고 시간을 비워두는 것까지는 사실상 불가능한 일입니다. 그래서 요즘은 이런 자리에서 현업에서 열심히 일하는 분들을 뵙기가 상대적으로 더 어려워진 점은 많이 아쉽습니다.

얼마 전에도 평가 자리에 초청을 받아 오랜만에 참석하게 되었습니다. 새로운 분들과 인사를 나눌 기회에 오랜만에 기관 건물을 방문하니 반갑기도 했습니다. 그 건물에서 큰 행사를 주최한 적도 있었는데, 당시에 비해 많은 것이 바뀌었더군요.

그렇게 기쁜 마음으로 평가에 참석하고 있던 와중 쉬는 시간에 당황스러운 메시지를 받았습니다. 기관의 높은 분이 배석하셨는데, 제가 다리를 꼬고 앉아서 평가에 임하는 것이 마음에 들지 않았던 모양입니다. 그뿐만 아니라 평가 위원장을 맡은 제가 질의응답 과정을 정리해 나가는 방식조차 탐탁지 않았던 모양인지 담당자를 통해 이런 메시지를 전달받았습니다.

위원장이 질의응답 시간을 관리하지 말고 그냥 질문이 있는지 없는지 정도만 정리해 달라. 너무 옛날 스타일로 진행을 하는 거 아니냐. 그리고, 다리 풀고 앉아 달라.

이런 평가 자리에서 남들이 기피하는 위원장을 자임하는 경우도 많은 저는 이런 진행을 잘한다고 나름 자평하고 있었던 지라 많이 당황스럽긴 했습니다. 사실 그 시점에는 기분이 솔찬히 불쾌했습니다. 제가 수트를 입지도 않고 짧은 헤어스타일을 늘 유지하고 있기에 언뜻 보면 어려 보여서 이러는 것인가 싶기까지 했습니다. 현장에서는 담당자 얼굴을 봐서라도 그 메시지를 들어주지 않을 수 없었는데, 평가를 마저 진행하다 보니 문득 이런 생각이 들었습니다.

‘발표하러 온 사람들 앞에서 평가 위원이 마치 우위에 있는 것처럼 보이는 것이 마음에 들지 않았던 걸까?’

차등한 관계의 표상

만약 어느 직무의 인터뷰 자리에 앉았는데, 인터뷰어의 태도가 불량하다면 인터뷰이 입장에서 혹은 그 장면을 바라보는 제3자의 관점에서는 그 관계가 매우 ‘차등하게’ 보여질 수 있겠습니다. 물론 그것은 단순히 다리를 꼬고 앉아 있는가 정도로 판별한 것은 아니긴 합니다만, 어느 한쪽이 일방적인 정보 우위에 있다거나 혹은 어느 종류든 ‘권위’ 혹은 ‘권력’을 (잠시라도) 가지고 있는 상황이라면 분명 불편하게 보일 수도 있을 것 같습니다.

그 자리는 어떤 행사의 용역사를 선정하는 자리였고, 발표 제안을 하는 분들 역시 업계에서 오랜 경력을 쌓아온 이들이었을 것입니다. 한편 맞은편에 앉아 있는 평가위원들은 업계에서야 물론 나름 어떠한 이유로든 전문가라고 구분되었지만, 무작위로 추출되었으며 어느 정도는 공정성을 위해 임시적이며 임의적으로 권위를 부여받은 사람들이었습니다.

따라서 그 자리 역시 어쩔 수 없는 정보의 차등, 또 상황 논리에 따른 위계의 차등이 존재했습니다. 그렇게 양측이 공정하거나 동등하지 않은 관계를 가진 상태에서 비교 우위에 있는 쪽이 마치 그 우위를 드러내는 듯한 자세가 마음에 들지 않았을 수도 있으며, 어쩌면 발표자의 입장에서는 그 자세로 인해 발표에 영향을 받게 될 수도 있었을까요?

그렇게 생각이 뻗어 ‘차등한 관계’까지 미치고 나니 갑작스레 불편하고 불쾌했던 마음과 기분은 모두 사라졌습니다. 반대로 발표자에게 혹시 내가 잘못된 시그널이나 영향을 준 것은 없는지, 또 함께 참석한 다른 평가위원에 잘못된 영향을 준 것은 없는지, 하는 생각이 들어 저도 모르게 조심하게 되는 그런 경험을 했습니다. 또 그것을 계기로 이렇게 글 한 편을 시작할 도입부를 얻게 되기도 했습니다.

물론 단순히 앉은 자세가 그 상황에 영향을 주었을 것이라고는 전혀 생각하지 않습니다. 또 제 진행 스타일이 옛날 스타일이라거나 문제가 있다고는 여기지 않습니다. 요즘은 “공정”을 위해 사회자가 극단적으로 제한된 역할을 수행한다는 이야기도 들었습니다. 하지만, 저는 이처럼 목적 자체가 공정이 아닌 행사에서 꼭 그런 스타일의 사회 진행이 적절하다고만 생각하지는 않습니다. 게다가 비록 제가 한창 이런 자리를 다니던 것이 5년 전 상황이긴 하지만, 평가 방식이나 과정 자체는 그보다 훨씬 더 이전의 고루한 스타일을 가지고 있는 기관에서 이런 지적을 하는 것은 가당치 않다고도 생각합니다. 옛날 스타일이라니!

화성에서 온, 금성에서 온 시리즈

<출처: 동녘라이프, 한빛미디어>

요즈음 분들이라면 이 책을 잘 모를 수도 있다고 생각합니다. 사실 저도 읽어본 적은 없지만, 정말 오래된 책인 데다 여기저기 너무 많은 밈이 떠다녀 마치 내용은 다 알고 있는 ‘해리포터’ 같은 책이기도 합니다.

그렇기에 이 ‘화성에서 온, 금성에서 온’ 구절은 다양하게 변주되어 쓰이기도 합니다. 특히 스타트업 업계에서는 ‘화성에서 온 프로그래머, 금성에서 온 기획자’란 책 제목으로 변주되어 여러 번 회자된 적도 있습니다.

책은 원작과 마찬가지로 두 개의 직군이 서로 다른 관점에서 다른 종류의 언어를 사용하지만, 같은 소속으로, 혹은 같은 목표를 추구하며 벌어지는 관점의 차이를 기술하고 설명하고 있습니다. 모두 끝에는 두 집단/존재 사이 그 관점의 차이, 간격을 좁혀나가고 어떤 측면에서는 일치시킬 수 있는 단서나 방향을 제시하고 있습니다.

다만 저는 표지처럼 프로그래머가 너디(Nerdy)하게 그려지는 것은 온당하지 않다고 생각합니다. 동시에 기획자/PM이 저렇게 댄디하게 그려지는 것도요.

왜 창업자에게만 투자자의 관점을 이해하라고 요구하는가

이제 본론으로 들어왔습니다.

<출처: 디캠프 뉴스레터>

스타트업 업계에서 으레 멘토링/코칭/클리닉 등 이름을 붙이고 있는 프로그램이거나, 공공 기관의 액셀러레이팅 프로그램들을 뜯어보면 모두 예외 없이 “어떻게 투자유치를 잘할 수 있느냐”에 집중되어 있습니다. 구성 역시 ‘IR 덱을 잘 만드는 방법’이라든가, ‘투자자 매칭 프로그램’ 등이 주입니다. 무엇보다 빠지지 않는 것 중 하나가 바로 ‘투자/펀드/투자자의 관점을 이해하기’라는 프로그램입니다.

저는 스타트업 업계에서 창업 경험과 또 작지만 소중한 투자를 경험했습니다. 그러다 보니 자주 양쪽의 입장을 잘 이해할 수 있는 사람이라는 평가를 받습니다. 물론 업계에는 이미 창업가 출신의 대단한 투자자들이 여럿 있어 일찌감치 이런 평가를 받았겠지만, 그들은 업계의 거물이 되었고 또 연배도 한참 있다 보니 제가 주로 접하는 초기창업자들은 만나기가 어렵습니다. 그러니 이 창업자들에게는 저 같은 존재가 반가울 테고, 또 그런 마음에서 나온 일종의 칭찬이라고 생각하고 듣고 있습니다.

그렇게 저도 여러 상황에서 IR 덱을 만드는 방법을 강의하기도 하고, 데모데이를 위한 액셀러레이팅 프로그램을 운영하기도 했습니다만, 돌이켜 보면 이야말로 과도한 비대칭 상황이 아닐까 하는 생각이 듭니다. 특히 ‘투자자를 이해하자’가 목표인 프로그램의 구성으로는 펀드 그 자체에 대한 설명도 있지만, 궁극적으로는 투자심사역/벤처캐피탈리스트라는 직장인에 대한 설명이 종착점인 경우가 많습니다. 그들은 펀드를 운용하기 위해 고용된 직장인이며, 펀드 운용의 한 방식으로 스타트업 투자를 발굴하는 것을 업으로 가지게 된 사람들이죠.

그러다 어느 일화를 전해 들었습니다. ‘제품 리텐션 90% 이상’이란 수치를 아주 자랑스럽게 생각하는 대표님이 바로 그러한 심사역으로부터 “초기 기업에서는 그 정도 리텐션 수치가 당연히 나와야 하는 것 아닌가요?”라는 답변을 받았다는 것입니다. 앞서 사건과 함께 이 이야기를 듣고는 글을 써야겠다는 결심이 굳어졌습니다.

대부분, 사실 거의 모든 투자심사역은 제품을 만들어 본 적이 없습니다. 한국에서 ‘스타트업 투자 펀드’라는 씬 자체가 정부의 앵커 펀드를 발판으로 삼고 있는 데다, 그 방침 역시 금융업에서 펀드를 운용하는 것을 전제로 하고 있기 때문일 수 있습니다.

물론 일부 변리사 출신으로 펀드 운용을 하는 경우도 있기는 합니다만, 바이오메디컬 분야에서는 의사나 연구자 출신이 투자를 주도할 수 있도록 시장이 성장해 왔습니다. 그에 반해 유달리 소프트웨어나 IT 쪽에서 제품을 만들어 보고 사업을 직접 운영해 본 사람들이 투자심사역을 맡는 경우는 거의 없는 것 같습니다. 일부 짧은 개발자 경험을 거친 다음 투자자가 되거나 IT 기업의 재무/전략 부문 경험을 바탕으로 투자자가 되기도 하지만, 십수 년 이상 제품을 만들고 출시해 운영한 경험을 가진 투자자를 저는 아직 잘 모릅니다.

액셀러레이터 분야에서는 이미 거물이 된 분들을 몇몇 꼽을 수 있겠네요. 또, 제가 잘 모르고 있을뿐 여러분이 아는 이들이 더 있을 거라고 짐작하고 있기도 합니다. 그렇다 해도 스타트업 투자라는 관점에서 봤을 때는 너무 숫자가 적은 게 아닌가 싶습니다.

게다가 투자라는 시장 자체가 자본절대우위 시장으로 형성되어 있다 보니 투자심사역/벤처 캐피탈리스트에게 스타트업/제품에 대한 이해를 요구하는 경우를 본 적도 없습니다. 그들이 절대 우위에 있어 상대방의 관점을 이해할 필요가 없는 것일까요? 아니면 늘 정제된 설명을 청취하다 보니 자연스럽게 잘 알고 있는 것일까요?

어찌 되었든 이 시장에서는 항상 ‘창업가가 투자자를 이해할 것’을 요구하고 있습니다. 저 역시 지금까지 이것이 너무 당연하다고 생각해 왔습니다. ‘투자받고 싶으면 그렇게 해야지’ 같은 생각으로요. 제가 꾸리는 포트폴리오 기업들에게조차 그렇게 설명해 왔습니다만, 이제 와서 보니 그것이 과연 당연하고 온당한 일인가 하는 의구심을 가지게 되었습니다.

그들은 직장인이므로 그 업을 잘하기 위해 노력하고 자기 계발을 해야 합니다. 그러한 항목으로 LP를 잘 영업한다거나, 모태펀드 제안서를 잘 작성하고 발표하는 기술이라거나, 프리-IPO와 같은 메자닌 딜을 잘 소싱하는 관계를 구축하는 것들이 전부일까요? 투자의 본질적인 대상인 스타트업, 또 그들의 본질적인 요체인 제품과 성장에 대한 이해가 반드시 포함되어야 하는 것은 아닐까요?

그럼에도 불구하고, 제품

스타트업에서 투자를 받는 것은 그럼에도 불구하고 결국 ‘제품’이어야 한다고 생각합니다.

물론 IR도 투자자 관점에 맞춰 잘하면 좋겠죠. 어떻게든 우리는 그들이 관리하는 펀드로부터 개발비를 확보하고 싶으니까요. 시장이 성숙하거나 성장하는 것도 더할 나위 없이 좋습니다. 아마 이러한 시장은 스타트업을 시작하는 지점인 만큼 어느 정도 전제 조건이기도 합니다. 특히 한국의 경제 규모 수준에서는 어지간하면 적정한 규모를 갖추고 있을 것도 같습니다.

그 안에서 스타트업은 제품을 만들고 그 제품이 시장에서 고객을 만납니다. 결국 창업자가 제품이 어떻게 동작하고 가치를 전달하는지 설명할 때, 그러한 동작과 가치, 그리고 그것을 나타내는 지표가 어떤 의미인지 이해하는 사람만이 투자할 수 있겠죠. 그것은 창업자가 주장한다고 다른 투자자들이 넙죽 알아먹을 수 있는 종류는 아닐 겁니다.

딱히 제품이나 지표를 이해하지 못하는 투자자들을 설득할 수 있는 아마도 유일한 방법은 아주 높은 수준의 매출이나 이익, 성장세가 나오는 것입니다. 다만 그 정도 지표를 만들었다면 굳이 그런 투자자들의 투자를 받아야 할 필요도 없겠죠. 초기 기업이 투자금을 확보하지 못한 채로 이런 방법을 선택하기는 어려울 겁니다. 흔히 투자자의 질문 가운데 “나는 안 쓸 거 같은데요?” 라거나 “네이버가 뛰어들면 어떻게 하죠?” 같은 말에 답변하는 것만큼이나 어려운 일이 될 겁니다.

어쩌면 이를 더 잘 이해하는 투자자들이 선행 투자를 하고, 그 투자를 바탕으로 클럽 단위로 함께 투자를 받는 것도 가능할 수 있습니다. 다만 제품을 더 잘 이해하고 창업 과정을 잘 이해하는 투자자를 어떻게 만날 수 있는가, 그리고 그때까지 지치지 않고 에너지를 잘 보존한 채로 만날 수 있는가 하는 것들은 또 하나의 과제가 되어버리는 듯합니다.

제가 투자한 회사들 역시 창업자가 투자자를 만나는 행위, 흔히 IR이라고 부르는 행위를 굉장히 힘들어합니다. 그에 비해 매출 올리고 사업하는 게 훨씬 더 쉽다고 생각하며, “그래서 이번 투자만 받으면 다시는 투자를 안 받을 거야”라는 얘기를 하는 분도 있습니다.

그래서 저는 투자나 IR 관련 업무를 아주 정기적인 루틴으로 소화하는 것을 추천합니다. 매주 4시간, 혹은 격주로 4시간을 정기 업무 시간로 만들고, 그 시간에는 다른 일을 하지 않고 관련 업무만 하는 것입니다.

이번 주에는 IR 덱의 수치를 정리하는 데 시간을 썼다면 다음은 만나 본 적 있는 투자자 중 일부에게 이메일을 보낸다거나, 누군가 미팅이 잡히면 다른 일을 제쳐두고 일정을 조정하기보다는 이번 주나 다음 주 혹은 차차 주라도 미팅을 조정하는 방법으로 ‘늘 하는 일’로 편입시켜 버리는 것이지요. 마치 매주 하는 정기 회의처럼 일상적으로 이 업무를 대하며 다양한 사람을 만나고, 연락할 기회를 가진 다음, 그렇게 정말 필요한 시점이 올 때까지 에너지를 보존하면서 유지해 나가는 것입니다.

무엇보다 잊지 말아야 할 것은 투자를 받는 것은 결국 제품이라는 점입니다. 창업자에게 제품은 IR보다는 훨씬 더 가깝고 친숙한 존재입니다. 그러니 “내가 IR을 잘해서 투자를 받는 것”이 아닌 “제품이 잘해서 투자를 받는 것이며, IR은 그런 상황을 정확하게 전달하는 것”이라는 사실만 자각해도 IR에 대한 부담이 훨씬 줄어들 거라 생각합니다.

‘거의없’는 사람의 관점

앞서도 말했듯 저는 기존 투자 시장의 메인스트림에는 들어갈 수가 없는 종류의 사람입니다. 흔히들 “산업계” 인력이라고 부르는 저는, 정부의 앵커펀드에 참여할 수 있는 경력이 ‘거의없’는 사람에 해당합니다. 하긴 제가 쌓아온 20여 년 경력에는 펀드 운용이라는 것을 제대로 해본 적이 전혀 없었다고 해도 과언이 아니니까요.

그래서 저는 그렇게 ‘거의없’는 사람의 관점으로 투자하기 위해 노력하고 있습니다. 스타트업의 본질은 제품이라는 믿음으로 말입니다.

스타트업이라는 기업들은 결국 제품을 만들고 산출하며 운영하는 것을 본질로 합니다. 따라서 가장 중요한 것은 제품입니다. 그 제품이 사용자에게 가치를 전달할 수 있는가, 이 창업팀은 그 제품을 산출할 수 있는가, 그리고 그 제품이 기능할 시장과 사용자는 성장하고 있는가, 그 순서로 기업을 바라봅니다.

이런 접근 방법은 물론 그 나름의 장점도 있지만 반대로 한계나 제약도 상당히 있습니다. 그렇게 저희는 투자하지 못했거나, 또 검토에서 투자할 만하지 않다고 생각한 기업이 크게 투자받고 성장하는 일도 일상다반사로 만납니다. 당연히 아깝기도 합니다.

그래도 나름대로 비어 있다고 생각하는 어떤 관점에서 각도를 좁혀가고 있습니다. 모쪼록 더 다양한 관점의 각도가 더 많은 투자자에 의해 채워지고, 마찬가지로 그렇게 다양한 관점의 각도에서 스타트업이 탄생하고 성장하며 투자를 받아 마침내 회수까지 가기를 기원합니다.

마치며: 다리꼬지마, Do Not Cross Your Leg

아, 저는 그 평가 자리에서 요청받은 대로 다리를 풀었고, 그렇다고 꼭 공손하지만은 않은 나름 적당히 반항적인 자세로 평가를 잘 마무리했습니다.

그렇다고 앞으로 다른 평가 자리에서는 다리를 풀고 앉겠다는 종류의 다짐을 하고 있지는 않습니다. 그 대신 또 다른 누군가 어떤 이유로든 “평가위원들이 다리를 꼬고 앉지 말아달라”고 하면 불쾌해하거나, 당황하거나, 기분 나빠하지 않고 다리를 풀 마음의 준비를 했습니다. 그들의 관점도 이해할 수 있게 되었으니까요.

<출처: AKMU 유튜브>

이 글에서 간단하게 예를 든 사건들 외에도 수많은 상황을 누군가는 마주하고 또 경험하고 있을 것이고, 이렇게 해주었으면 저렇게 할 수 있다면 하는 많은 방법론들을 생각해낼 수 있을 것입니다. 이 글을 읽는 독자분들 중에 이런 사항을 경험하시고 공감하는 분이 계신다면 댓글로 생각을 남겨주세요.

또한, 제품 개발 과정(Agile Product Development Process, APDP)에 대해, 특히 PRD에 대해 궁금한 분들을 위해 커피챗 신청 창구를 만들었습니다. 링크를 참고해 주세요.

]]>

생존을 위해 수익성 택한 ‘K-유니콘’ 10곳 총정리

이번 콘텐츠는 IT 업계의 트렌드, 이슈를 전하는 유튜브 ‘줌인IT’의 <생존을 위해 수익성 향상을 택한 K유니콘 10곳 총정리>를 정리해 소개합니다. 글 하단에 유튜브 영상도 첨부했으니, 관심 있는 분들은 살펴보세요!

2024년, ‘K-유니콘’들은 어떻게 살아남았을까?

스타트업 관련 뉴스를 보다 보면 종종 등장하는 단어가 있습니다. 바로 ‘유니콘 기업’입니다. 유니콘 기업은 기업 가치가 1조 원 이상인 비상장 스타트업을 말합니다. 쉽게 말해, 투자자들로부터 “이 회사는 미래에 크게 성장할 거야”라는 기대를 한 몸에 받은 기업인데요. 현재 국내에서는 비바리퍼블리카(토스), 컬리, 당근 등 20여 곳이 유니콘 기업으로 분류되어 있죠.

하지만 ‘유니콘’이라는 이름이 붙었다고 해서 항상 순탄한 길만 걷는 건 아닙니다. 특히 2024년처럼 스타트업 업계 전반이 불황에 빠진 시기엔 더더욱 그렇죠. 글로벌 경기 침체와 투자 심리 위축으로 스타트업 생태계에 큰바람이 불어 투자 유치가 어려워지고, 비용 절감 압박은 커졌습니다. 이런 혹독한 시장 환경 속에서 우리나라 유니콘 기업들은 어떻게 살아남았을까요?

오늘은 2024년 한국 유니콘 기업들의 재무 성과와 성장성을 함께 분석해 보는 시간을 가져보겠습니다. 질문과 답변에는 줌인IT의 진행자 최동호 큐픽스 본부장, 최준호 편집인이 함께했습니다.

2024년 스타트업 생태계 현황과 유니콘 기업

최동호 큐픽스 본부장(이하 진행자): 최준호 님, 최근 스타트업 생태계의 분위기는 어떤가요?

최준호 편집인(이하 최준호): 최근 신규 유니콘 탄생이 줄어든 것을 보면 확실히 스타트업 생태계가 많이 경직되고 있다는 것을 알 수 있어요. 하지만 이런 흐름이 우리나라 스타트업 업계가 수익과 투자 유치를 함께 가져가는 건강한 방향으로 나아가는 계기가 될 수도 있다고 봅니다.

진행자: 많은 분들이 이미 아실 것 같지만, ‘유니콘 기업’이 무엇인지에 대해서도 설명 부탁드립니다.

최준호: 유니콘 기업은 초기 창업 기업 중 기업 가치가 10억 달러, 우리나라 돈으로 약 1조 원 이상으로 평가받는 비상장 기업을 말합니다. 한때는 신화 속 동물처럼 드물어서 유니콘이라고 불렀는데, 최근 전 세계적으로 그 수가 많이 늘어났어요. 우리나라에서도 꾸준히 증가하여 현재 중기청 공식 인증 기업이 22곳 있습니다.

진행자: 그렇다면 2024년 유니콘 기업들의 특징은 무엇인가요?

최준호: 2024년에는 글로벌 벤처 투자 시장이 혹한기라고 불릴 정도로 많이 침체되었는데, 특히 우리나라는 훨씬 더 심했어요. 이런 환경 속에서 신규 유니콘이 등장하기는 어려웠죠. 그러나 기존 유니콘들은 성장을 유지하고 수익성을 개선하는 모습이 보여서, 한국 스타트업 생태계의 저력을 보여주고 있다고 평가할 수 있을 것 같습니다.

2024년 주요 K-유니콘 10곳의 재무 성과 분석

진행자: 아까 22개 기업 이야기하셨는데, 오늘 주로 분석할 주요 기업들은 어디인가요?

최준호: 오늘 분석할 곳은 총 열 곳이에요. 우리가 토스라고 잘 알고 있는 비바리퍼블리카, 당근마켓(당근), 오늘의집(버킷플레이스), 야놀자, 두나무, 오아시스, 무신사, 에이블리코퍼레이션, 리디, 컬리 이렇게 열 곳입니다. 이들은 모두 현재까지 비상장 상태를 유지하고 있고, 기업 가치가 1조 원 이상으로 평가받은 기업들이에요. 최근 IPO를 했거나, 인수합병된 기업들은 분석 대상에서 제외했습니다.

<출처: 줌인IT>

진행자: 그럼 2024년 매출은 어땠나요? 이 기업들 중에서 특히 눈에 띄는 기업이 있었을까요?

최준호: 매출 기준으로 보면 컬리가 약 2조 2천억 원, 토스가 약 1조 9천억 원, 두나무가 약 1조 7천억 원, 무신사가 1조 2천억 원으로 4개 사가 1조 원 이상의 매출을 보였어요. 특히 이커머스 기업이랑 핀테크 분야의 기업들이 전반적으로 1조 이상의 높은 매출 규모를 보였다고 평가할 수 있을 것 같습니다.

진행자: 사실 이 정도 규모면, 매출만큼 이익도 중요하잖아요. 이익 측면은 어떤가요?

<출처: 줌인IT>

최준호: 이익으로 보면 두나무는 매출 1조 7천억 원에, 영업이익이 1조 1800억 원으로 압도적인 성과를 보였습니다. 무신사의 경우 1천억 원이 넘는 영업이익을 냈고, 토스는 창사 첫 영업이익 흑자인 900억 원을 달성했습니다. 당근마켓은 소액이지만 2년 연속 흑자를 기록했고요.

에이블리코퍼레이션이나 리디, 컬리는 100억 원대 영업 손실을 기록했지만, 리디와 컬리는 손실 폭을 크게 줄여나가고 있다는 점은 긍정적으로 평가할 수 있을 것 같아요. 특히 컬리는 2022년 2,289억 원이었던 영업 손실액을, 2024년 작년에는 183억 원까지 줄였어요. 최근에는 1분기 흑자 전환했다는 소식도 있었습니다.

진행자: 스타트업은 손실이 많은 건 어쩔 수 없지만, 손실 폭을 줄여간다는 게 중요하죠. 이렇게 손실 폭이 줄어들면, 어느 순간 이익으로 바뀐다는 의미기 때문에 상당히 중요하네요.

토스의 흑자 전환 요인과 스타트업 경영 기조 변화

진행자:여러 회사들이 잘하고 있는데, 그중에서도 토스의 흑자 전환이 상당히 중요하잖아요. 흑자로 전환할 수 있었던 주요 요인들은 무엇이었을까요?

최준호: 토스 같은 경우에는 토스 증권의 미국 주식 서비스 성공, 토스 뱅크의 선방 등 금융 서비스 다각화가 성공 요인으로 보입니다. 하지만 가장 큰 요인은 투자 환경이 많이 어려워지면서 자체적인 현금 창출 능력을 이끌어내기 위한 노력, 즉 수익성 확보를 우선시하는 경영 기조로 전환한 것이죠. 비용을 줄이고, 핵심 사업을 강화하고, 수익 모델을 발굴하는 등 내실을 다지는 성장을 추구한 결과입니다.

진행자: 투자 환경 악화가 스타트업들에게 오히려 긍정적인 영향을 주기도 했네요?

최준호: 맞습니다. 투자 환경이 안 좋은 상황이 오히려 스타트업들이 이것을 극복하기 위해 노력하게 만들고, 그것이 결국 약이 되는 요인으로 작용한 것 같습니다. 예전에는 단순한 양적인 성장에 집중했다면, 이제는 수익성 확보를 통해 탄탄하게 성장하려는 방향으로 바뀌고 있어요.

지난 3년간 주요 유니콘 기업의 성장 트렌드

진행자: 그러면 지난 3년간의 트렌드도 한번 좀 살펴보면 좋을 것 같은데요. 한 2022년도부터 작년까지 주요 유니콘 기업들의 어떤 성장 궤도는 어떻게 보시나요?

최준호: 제일 눈에 띄는 곳은 당근이었어요. 당근 같은 경우에 본격적인 수익화 작업을 시작한 게 2021년도부터거든요. 그때부터 매년 지금도 계속 두 배씩 성장하고 있어요. 3년 평균 성장률이 95%에 달합니다. 이 정도 큰 시장에서 매년 두 배씩 성장하고 있다는 건, 지역 기반의 광고 사업이 성공적으로 안착하고 있다고 평가할 수 있을 것 같아요.

무신사도 2022년 7천억 원대 매출에서 지난해 1조 2천억 원으로 성장했습니다. 토스도 2024년에도 40%대 성장률을 보이면서 금융 서비스 다각화의 성공을 증명했습니다.

<출처: 줌인IT>

진행자: 반면에 성장이 둔화된 기업도 있을까요?

최준호: 좀 가슴 아픈데, 리디가 상대적으로 낮은 한 자릿수 성장을 기록하고 있습니다. 콘텐츠 기업은 또 뭐가 하나 터지면 어떻게 될지 모르지만, 시장 경쟁이 워낙 심하고 글로벌 진출 노력의 성과가 아직 나타나지 않은 것으로 보입니다. 반대로 두나무의 경우, 성장이 그냥 마음대로입니다. 이건 암호화폐 시장에 따라가기 때문에, 제가 감히 평가할 수 없는 영역에 있다고 봅니다.

산업별 유니콘 기업 현황 및 특징

진행자:그러면 이 말 나온 김에, 이 유니콘 기업들을 어떤 산업별로 조금 구분해서 얘기해 보면 좋을 것 같아요. 핀테크, 이커머스, 여행, 콘텐츠 등으로요.

최준호: 네. 우선 이커머스부터 말씀을 드리면, 무신사, 오아시스, 당근이 있습니다. 당근을 이커머스로 분류할 수 있는지는 좀 애매하지만요. 이들은 특정 분야에 독자적으로 집중했거나, 특정 분야를 거의 독점하고 있는 회사들이에요. 이런 회사들이 높은 성장과 수익성을 확보해 가고 있다고 보입니다.

진행자: 여행 쪽하고 콘텐츠는 어떤가요?

최준호: 여행 분야에서는 야놀자나 여기어때 정도가 주목받고 있습니다. 야놀자는 지금 본진 앱 성장은 조금 주춤하지만, B2B 분야에서 꽤 큰 성장을 이끌어내고 있고요. 그리고 콘텐츠 분야의 리디 같은 경우에는 글로벌 시장에서 한 번 더 폭발적인 성장 지점을 찾으려고 노력하고 있다고 평가할 수 있을 것 같습니다.

한국 유니콘 생태계의 미래 전망과 과제

진행자: 이렇게 봤을 때, 우리가 감히 유니콘 생태계를 전망해 볼 수는 없지만, 그래도 예상되는 것들은 어떻게 보시나요?

최준호: 일단은 생각보다 흑자 전환이라든지 영업 손실을 줄이는 데 상당수의 유니콘들이 성공했다는 생각이 듭니다. 그리고 사실 이 리스트에서 빠졌지만, 직방이라는 회사도 있잖아요. 그 회사도 안 좋다는 얘기가 굉장히 많았거든요. 그런데 최근에 또 성장성을 인정받으면서 대규모 투자를 유치했어요. 이런 것들을 볼 때, 한국 유니콘 생태계가 추가적인 성장을 견인할 뭔가 동력은 확보해 놨다는 생각이 듭니다.

진행자: 앞으로 해결해야 할 과제는 무엇일까요?

최준호: 지속적인 성장과 수익성 향상을 위한 노력, 글로벌 불확실성 하에서도 글로벌로 진출하려는 노력, 그리고 경쟁 심화 등이 해결해야 할 과제로 보입니다.

진행자: 마지막으로 하고 싶은 말씀이 있으신가요?

최준호: 신규 유니콘 탄생이 줄어든 것은 확실히 스타트업 생태계가 많이 경색되고 있다는 것을 보여주지만, 수익성 확보에 방점을 둔 경영 활동은 우리나라 스타트업 업계가 조금 더 건강해질 수 있는 흐름으로 이어질 겁니다. 수익과 투자 유치를 같이 가는 한 해로 기억되지 않을까 감히 평가를 한번 해 보겠습니다.

진행자: 그리고 또 생각해 보면, 이전에는 플랫폼적으로 접근했던 회사들이 유니콘으로 많이 갔는데요. 이제는 AI나 버티컬 AI 분야에서도 큰 유니콘이 나올 것으로 기대됩니다. 지금 저희가 분석한 리스트에 AI 스타트업 유니콘은 아직 없는데, 앞으로 나올 것 같습니다.

오늘은 한국 유니콘 기업들의 재무 성과와 성장성에 관해 이야기해 봤는데요. 앞으로도 주기적으로 이 주제를 다루면서, 산업의 변화 속에서 어떤 기회를 발견할 수 있는지 함께 고민하고 배워나가겠습니다. 감사합니다.

출처:

]]>

AI 100조 시대, 현장의 목소리는? 위시켓 x 임문영 위원장 간담회

AI에 100조 투자, AI 주권 확립, AI 인재 양성. 이번 대통령 선거에서 AI와 관련한 정책 공약에 자주 등장했던 말이죠. 무엇보다 AI가 기업과 국가, 심지어 개인에게도 앞으로의 생존과 성장을 위해 가장 중요한 키워드가 됐습니다.

그런데 이와 같은 AI 정책은 국내 사업체의 99%, 전체 종사자의 80%를 차지하는 중소기업에게는 어떤 의미일까요? 이러한 중소기업의 AI 및 IT 서비스 도입을 돕고 있는 IT 개발사와 프리랜서들에게는 피부로 와닿고 있을까요? 또 앞으로 이 시장에 참가하게 될, 또, 참여하도록 도와야 하는 초급 개발자들은 어떤 생각을 하고 있을까요?

2025년 6월 2일 위시켓 사무실에서 AI 시대 중소기업, IT 프리랜서, 초급 개발자들의 현실적 고충을 토론하고 이를 해결하기 위한 정책을 제안하는 간담회가 열렸습니다. 더불어민주당 임문영 디지털특별위원장과 함께 위시켓 대표, 개발사 대표, IT 프리랜서, 초급 개발자 교육 전문가 등 업계 전문가들이 모여 머리를 맞대었습니다.

간담회는 모두 네 개의 주제로 진행됐습니다.

중소기업의 AI 및 디지털 전환, 효과적으로 이루어지고 있는가?
대한민국 AI 전환 시대에서 IT 프리랜서의 역할은 어떻게 변화하는가?
초급 개발자, 꿈과 현실의 간극은 어떻게 줄여야 하나?
AI 전환, 디지털 전환 플랫폼은 왜 정책 지원의 사각지대에 놓여 있나?

주제별로 위시켓 박우범 대표가 주제에 관한 현황을 브리핑한 뒤, 현장 참가자들이 제언하는 식으로 진행됐습니다. 약 90분 동안 가장 현실적인 IT 시장에 관한 논의가 밀도 높게 오갔습니다. 간담회 현장에서 오간 내용을 이 글에서 소개합니다.

왜 위시켓에서 간담회가 열렸나?

IT 아웃소싱 플랫폼 위시켓은 AI 또는 소프트웨어 도입을 원하는 기업과 이를 도울 수 있는 개발사 및 프리랜서를 연결하는 플랫폼입니다. 10만 개가 넘는 다양한 규모의 기업이 위시켓을 통해 프로젝트를 진행했고, 특히 기존 대기업 SI 수주 구조에서는 포착되지 않는 수많은 중소기업의 프로젝트를 연결하고 있습니다.

이와 같은 프로젝트는 SMB의 든든한 기술 파트너이자 SI 산업의 핵심 동력인 개발사와 IT 프리랜서의 노고를 바탕으로 진행되고 있으며, 초급 개발자들의 취업 수요를 받아줄 수 있는 시장이기도 합니다. 이러한 시장 구조의 한가운데 있는 위시켓은 현재 IT 시장의 가장 현실적인 목소리를 가장 가까이서 듣고 있는 곳이라고 할 수 있습니다. 위시켓이 시장 참여자들을 한자리에 모은 이유죠.

위시켓-더불어민주당 정책 간담회 <출처: 위시켓>

각 세션은 위시켓 박우범 대표가 먼저 주제에 관해 브리핑하고, 참석자들이 해당 주제와 관련한 현장의 고충 및 정책 제안을 하는 방식으로 진행되었습니다. 이 글 또한 간담회의 진행 방식에 맞춰 박우범 대표의 발언을 요약/정리하고, 이어 현장에서 이뤄진 대화를 기록했습니다.

1. 중소기업은 어떻게 AI로 전환해야 할까?

중소기업은 우리나라 전체 기업 수의 99%, 종업원 수의 80% 이상을 차지합니다. 말 그대로 우리나라 경제의 허리죠. 대기업보다 월등히 많은 일자리를 만들고, 시장 변화에 민첩하게 대응할 혁신과 다양성의 원천이자, 지역 경제를 지탱하는 역할을 해냅니다. 그런 만큼 중소기업이 AI 기술을 적극 활용하도록 지원하는 것은 기업 생존과 국가 산업 경쟁력 측면에서 필수적입니다.

이들에게 필요한 건 맞춤형 AI입니다. 공장의 제조공정 예측, 고객 데이터 기반 추천 등이 필요하죠. 특정 기술 기업뿐 아니라 제조업, 서비스업 등 모든 산업의 중소기업에게 AI는 필수 전략입니다. 즉, 테크 회사가 아닌 SMB도 기업경쟁력과 생존을 위해서 이제 AI 도입을 준비해야 합니다.

그렇다면 실제 SMB들은 AI 도입을 원하고 있을까요? 위시켓 내부 데이터에 따르면, 이들의 AI 프로젝트 의뢰율은 23년 3분기 대비 3배가 증가했습니다. 챗봇, 견적서 자동화, 고객 대상 이미지 생성, 수요 예측 등 프로젝트를 주로 의뢰합니다.

<출처: 위시켓>

AI 도입의 걸림돌

하지만 국내 중소기업의 AI 도입률은 2.9%에 불과합니다. AI 기술의 잠재력을 충분히 활용하지 못하고 있는 것입니다. 위시켓이 만난, AI 도입을 원하지만 시작할 엄두를 못 내고 있는 회사들은 이렇게 얘기합니다.

“무엇부터 해야 할지 모르겠다”: AI 기술의 복잡성과 빠른 변화 속도로 인해, 어떤 기술을 어떻게 도입해야 할지 막막함을 느낍니다.
“데이터는 있는데, 어떻게 써야 할지…”: 데이터는 쌓여가지만, 이를 정제하고 분석하여 AI 모델 학습에 활용할 역량이 부족합니다.
“AI 전문가는 그림의 떡이다”: 높은 연봉과 치열한 경쟁으로 인해 중소기업이 AI 전문 인력을 채용하는 것은 사실상 불가능에 가깝습니다.
“투자하고 싶지만 너무 비싸고 위험 부담도 크다”: AI 솔루션 도입 및 컨설팅 비용, 그리고 투자 대비 성과 불확실성은 중소기업의 AI 도입을 주저하게 만드는 주요 요인입니다.

<출처: 위시켓>

중소기업의, 중소기업에 의한, 중소기업을 위한 AI

특히 ‘우리 같은 일반 중소기업과는 관계없는 것 아닌가?’ 생각하는 기업들도 많아 보입니다. 게다가 대선 공약에도 제조업을 제외한 SMB들을 위한 AI 전략은 잘 보이지 않습니다. 아웃소싱 플랫폼이자 그 생태계의 일원으로서 위시켓이 이런 기업을 위해 필요한 항목들을 정리해 보았습니다.

1. 교육: 중소기업 맞춤형 AI 리터러시 교육과 현장 컨설팅을 확대해야 합니다. 중소기업 CEO와 실무자를 위한 AI 기초 교육부터 기업 현장을 방문한 AI 전문가의 데이터 분석, 솔루션 선정, 도입 전략 수립 등을 지원하는 맞춤형 컨설팅이 필요합니다.

2. 바우처: AI 바우처 지원 대상을 기성 솔루션 구매뿐이 아닌 맞춤형 AI 개발까지 확대해야 합니다. 이를 통해 중소기업은 각자의 산업 도메인에 특화된 AI를 구축하여 경쟁 우위를 확보할 수 있을 것입니다. 단기적 수익 실현보다 장기적 관점에서 AI 도입을 지원하는 '인내자본(Patient Capital)'이 필요한 시기입니다.

3. 데이터와 인프라: 중소기업의 데이터 레이크 구축, 클라우드 인프라 도입, 컨설팅 등 인프라를 지원해야 합니다. 정부 및 공공기관이 구축하는 AI 데이터센터와 컴퓨팅 자원에 중소기업이 저렴하고 쉽게 접근할 수 있도록 지원하는 것도 방법일 것입니다.

4. 협력: 신뢰할 수 있는 AI 솔루션 공급기업, IT 개발 프리랜서/기업과 중소기업을 연결하는 플랫폼이 필요합니다. 앞서가는 대기업이 중소기업과 함께 기술을 협력하거나 성과를 공유해야 합니다.

현장 목소리: “AI는 정말 몰라서 (도입하지) 못하고 있습니다”

역량 강화를 위한 교육과 산업별 구체적 R&D가 필요하다

김수보(IT 개발사 CTO, 요즘IT SI 전문 작가): 중소기업은 AI를 활용하지 못하고 있습니다. 지금 회사에 처음 들어왔을 때만 해도 프로젝트에 AI를 못 쓰게 하더라고요. 왜 그러냐고 하니 보안 등 규제 이슈가 있다고 했죠. 지금은 이를 풀어냈지만, 그 과정에서 크게 이런 문제들이 있다고 생각했습니다.

첫째는 역량의 문제입니다. AI 도구를 활용할 교육이 마땅치 않고요. 또한, 여러 팁을 논의할 커뮤니티도 부족합니다. SNS 중심으로 사용 팁이 오가고 있지만, 현장에서 바로 적용하기 어렵죠. 둘째는 R&D입니다. 무엇보다 산업별로 구체적이고 실효적인, 즉, 중소기업이 적용할 방식들이 연구 과제로 나와야 합니다. 이를 위해서는 큰 단위 범용적인 과제보다 작은 파트로 나눠진 과제가 필요합니다.

정말 ‘몰라서’ 도입을 못 하는 현실, 교육이 필요하다

정창식(AI 서비스 개발사 대표): 최근, 중소기업 대상 AI 특강을 경험하고 개발에 참여하기도 하며 실제 현장에서 왜 AI를 도입하기 어려운지, 그 이유를 느낄 수 있었습니다.

가장 큰 문제는 “몰라서 도입을 못 한다는 것”입니다. 실제로 기술이 어려운 것이 아닌 ‘친숙하지 않아서’ 기술을 어렵다고 느끼는 것이죠. 성과도 확실하지 않고, 무엇보다 의사결정권자가 몰라 프로젝트를 이끌 수가 없었던 것입니다. 실제로도 짧은 교육이나 컨설팅만 들어가도 생산성이 높아지는 모습을 많이 봤습니다. 리스크를 감수하고 작게라도 시도해 보면 도입이 그렇게 어렵지 않습니다.

2. AI 시대, IT 프리랜서는 어떻게 생존할까?

IT 업계에는 또 다른 축이 있습니다. 유연한 전문성과 뛰어난 기술력을 가진 프리랜서는 중요한 구성원으로 자리 잡고 있습니다. 때로는 SI 산업의 핵심 동력으로, 때로는 SMB의 든든한 기술 파트너로 역할을 합니다. 인력 채용이 부담스럽거나 막막한 기업 누구나 프로젝트 단위로 프리랜서와 함께합니다. 꼭 개발뿐만 아니라 기획/마케팅 영역으로도 확장하고 있습니다.

AI 기술은 이런 프리랜서의 역할을 확장할 것입니다. AI는 반복적인 작업을 자동화하고 개인의 생산성을 극대화하여, IT 프리랜서가 더 복잡하고 창의적인 작업에 집중할 수 있도록 지원합니다. 즉, 단순 1인 전문가인 프리랜서를 넘어 ‘1인 기업’, ‘슈퍼 프리랜서’의 등장을 끌어낼 것입니다.

실제 국내 프리랜서 플랫폼 시장은 2023년 3천억 원 규모에서 30년 1조 원 규모까지 큰 폭으로 성장할 것이라 예상됩니다. 그뿐만 아니라 기업의 프리랜서 수요, 일반 전문가의 프리랜서 전환에 대한 관심 역시 늘어나고 있습니다.

<출처: 위시켓>

성장하는 시장, 그렇지 못한 지위

하지만, 성장하는 시장에 비해 프리랜서들은 여전히 어려움에 놓여 있습니다. 위시켓과 함께하는 120,000명 수준의 파트너 프리랜서에게서 들은 목소리는 이렇습니다.

“우리는 유령인가요?”: 정확한 시장 규모, 종사자 수, 평균 소득, 주요 애로사항 등에 대한 정부 차원의 공식 데이터가 없어 정책 수립에 어려움이 있습니다. 위시켓의 파트너 수를 평균으로 삼는 예도 있을 만큼, 이를 파악할 기준이 마땅치 않은 상황입니다.
“아프면 끝에 노후는 막막”: 프리랜서 및 플랫폼 노동자의 국민연금 가입률은 10명 중 5명에 불과합니다. 그뿐만 아니라 대출, 보험 등 금융 서비스 이용 시 불이익도 있습니다. 당장 프리랜서로 활동하다가도 결혼이나 이사 등에 맞춰 직장으로 들어가는 경우도 많습니다.
“경력을 제대로 인정받을 수 있나요?”: 현행 제도에서는 프리랜서들이 자신이 쌓은 경력을 공식적으로 인정받기 어렵습니다. 특히 프리랜서들은 A 기업의 파트너로 들어가 실제 B 기업의 업무를 수행하는 경우도 많습니다. 이렇게 경력 체계가 투명하지 않다 보니 본인이 수행한 업무 경력을 설명하는 데 한계를 겪습니다.
“이 계약은 괜찮은 건가요?”: 프리랜서를 둘러싼 불투명한 계약과 세무 처리 문제도 개선이 필요합니다. 가장 큰 문제는 프리랜서 고용이 위장도급이나 불법 파견의 형태로 이루어지는 사례입니다. 누구는 3.3% 세금을 내고, 누구는 개인 사업자로 등록되어 있습니다. 이로 인해 다양한 문제가 생기는 것은 당연합니다.

위시켓에서 활동하는 IT 프리랜서 인터뷰에서 발췌 <출처: 위시켓>

프리랜서도 안심하고 일할 권리

프리랜서 누구나 AI 시대에도 권리를 보장받도록 필요한 지원이 있습니다. 5가지로 정리해 보았습니다.

1. 실태조사와 통계: IT 프리랜서 시장 정기 실태조사와 통계 시스템 구축이 필요합니다. AI 시대 변화에 맞춰 IT 프리랜서의 규모, 소득, 활동 분야, 애로사항 등을 파악할 국가 단위의 노력이 필요합니다.

2. 금융과 사회안전망: 프리랜서 특화 소액 대출, 정책자금 지원 확대와 신용평가 모델 개선을 예로 들 수 있습니다. 또한 국민연금·고용보험 가입 지원 확대와 1인 사업자 퇴직공제제도 도입도 검토할 수 있을 것입니다.

3. 경력 인증과 권익 보호: 프리랜서 경력 인증제를 도입하는 것이 핵심입니다. 국가 차원의 공신력 있는 프리랜서 경력 인증 시스템을 마련하여, 프리랜서들이 수행 완료한 프로젝트에 대한 경력을 공식적으로 증명해주는 제도입니다. 프로젝트 단위로 업무 기간과 성과를 확인한 후 인증서를 발급해주는 방안을 고려할 수 있습니다.

4. 노동환경 개선: 위장도급·불법파견 단속과 제재를 강화할 필요가 있습니다. IT 업계의 프리랜서 활용 관행을 점검하여, 파견근로로 간주될 소지가 있는 계약은 시정 조치하고, 악의적 위반 사업주에 대한 제재를 명확히 함으로써 프리랜서들이 정당한 처우를 받도록 해야 합니다.

5. 교육을 통한 역량 강화: 현재의 정부 교육 지원은 주로 초급 개발자 양성이나 신규 인력 공급에 초점을 맞추고 있습니다. 그러나 기술 변화가 빠른 IT 분야 특성상 프리랜서들 역시 역량 업그레이드가 필수입니다. 이들을 위한 적합한 교육 기회와 지원이 필요합니다.

현장 목소리: “AI 월세에 숨이 막힙니다”

최준호(IT 유튜브 운영, 프리랜서): 티메프 사태의 여파로 퇴사하고 지금은 프리랜서로 일하고 있습니다. 프리랜서가 되고 나니, 사회 보장 비용이 개인한테 넘어오더라고요. 순식간에 숨이 막혔습니다. 돈을 버는 만큼 실업 급여에서는 깎여 나갔고요. N잡러, 슈퍼 개인의 시대라지만, 개인한테는 부담이 큽니다.

또, 저는 AI 툴을 7개 정도 쓰고 있습니다. 지금은 사무실 임대료보다 AI 도구가 더 비싸죠. 최근 거대 AI 기업은 아주 비싼 기업용 요금제를 내고, 여기 강력한 기능을 추가하고 있습니다. AI 도구가 “또 다른 월세”가 된 겁니다. 정부 지원이 있다면, 개인 사업자에게 큰 도움이 되지 않을까 생각합니다.

임문영 더불어민주당 디지털특별위원장도 프리랜서의 지위, IT 시장에서의 왜곡된 고용 구조, AI로 인해 추가된 지대의 발생 등 현장에서 나온 문제의식에 크게 공감했습니다. AI 시대를 맞아 바뀔 IT 프리랜서들의 근무 형태에 따른 근본적으로 다른 접근이 필요할 것이라는 의견을 덧붙였습니다.

발언하고 있는 임문영 더불어민주당 디지털특별위원장 <출처: 위시켓>

3. 초급 개발자도 AI 할 수 있을까요?

AI 시대를 맞아 개발자 수요가 폭발적으로 늘어나고 있습니다. AI뿐만 아니라 빅데이터, 클라우드 등 신기술 분야 개발자는 늘 필요하죠. 정부와 민간도 “100만 디지털 인재 양성”을 목표로 달리고 있습니다. KDT를 비롯한 지원 프로그램으로 수많은 초급 개발자가 쏟아져 나오고 있습니다.

그러나 현실은 안타깝게도, 이들 모두 “취업 절벽”으로 밀리는 중입니다. 지원 교육을 마친 초급 개발자가 일자리를 찾지 못하는 것입니다. 자리도 부족하고, 질도 좋지 않습니다. 결국 전공과 무관한 분야로 이탈하는 경우가 늘어납니다.

<출처: 위시켓>

‘미스매치’의 덫

요즘IT 역시 그렇게 어려움을 겪는 개발자들이 많이 찾는 플랫폼입니다. 이들은 어떠한 어려움을 말할까요?

“경력직만 찾아요”: 대부분의 기업, 특히 중소기업은 교육이나 추가 투입 없이 바로 프로젝트를 수행할 수 있는 중·고급 경력 개발자를 선호합니다. 실제 개발 시장에 공급되는 초급 개발자는 많지만, 기업은 당장 업무에 투입할 수 있는 개발자를 원하는 것입니다.
“배운 것과 현장이 달라요”: 현재 개발 교육 과정은 이론이나 기초 기술 위주로 구성되어 실제 기업에서 요구하는 실무 역량이나 최신 AI 기술 트렌드를 따라가지 못하는 경우가 많습니다.
“AI 프로젝트를 경험해 보고 싶어요”: 특히 AI 모델 개발, 데이터 분석, 클라우드 배포 등은 교육에서 접하기 어려운 환경입니다. 실제 AI 프로젝트 경험의 부족은 경쟁력 낮은 포트폴리오로 이어집니다.
“어디서부터 시작해야 할지…”: 이들 초급 개발자에게는 AI 분야 채용 정보, 기업 문화, 기술 동향 등에 대한 정보 접근성이 낮은 데다 현업 개발자와의 네트워킹 기회가 부족합니다.

<출처: 위시켓>

청년 개발자를 위한 성장 사다리

모든 개발자는 초급에서 시작합니다. 이들이 중급, 고급 개발자로 나아가려면 ‘현실적인’ 사다리가 필요합니다. 사다리의 발판으로 쓰일 만한 4가지를 모아봤습니다.

1. 현장 실습과 인턴십 경험: AI 관련 기업(스타트업, 중소기업 포함)과 연계하여 초급 개발자들이 실제 AI 프로젝트에 참여하며 실무 경험을 쌓을 수 있는 인턴십 프로그램을 확대해야 합니다. 그러려면 참여 기업에 대한 현실적인 혜택이 필요합니다. 정부 R&D 과제와 공공 AI 프로젝트에 초급 개발자 참여 의무화 또는 가점을 부여할 수 있습니다.

2. 채용과 연계한 성장 지원 프로그램: 이를테면 초급 개발자를 채용하여 AI 실무 교육(OJT)과 멘토링을 제공하고 정규직으로 전환하는 기업에 파격적인 인센티브(채용 지원금, 세제 혜택 등)를 제공할 수 있습니다. “선배 스타트업-정부-지자체 공동 창업 연대 기금” 등을 활용하여 AI 분야 청년 스타트업을 지원하는 것도 방법입니다.

3. 교육과정의 혁신: AI 기업 현장의 목소리를 반영하여 교육 커리큘럼을 주기적으로 업데이트하고, 최신 AI 기술(생성형 AI, MLOps 등) 교육을 강화해야 합니다. 이를 기반으로 교육 수료자의 AI 실무 역량을 객관적으로 평가하고 기업이 신뢰할 수 있는 ‘AI 실무 역량 인증제’ 도입도 검토할 수 있습니다.

4. 일자리 플랫폼 연계의 강화: 정부 지원 AI 교육 프로그램 수료생 정보를 위시켓과 같은 IT 인력 매칭 플랫폼과 연동하여, AI 프로젝트 참여 기회 및 취업 연계를 활성화할 수 있습니다.

현장 목소리: “정답 찾기가 아닌 문제 해결력 키우는 교육”

김진한(AI 개발사 대표, 개발 교육 전문가): 집중 교육 프로그램을 수료한 개발자는 물론 좋은 인재지만, 실무에 바로 투입하기는 어렵습니다. 6개월~1년 단위 교육이 필요하죠. 저도 채용을 하지만, 실제 비즈니스 환경에서 작은 기업에는 무척 어려운 일입니다. 부트캠프와 학원을 2~3번 수료하는 경우도 많이 보고 있습니다. 이런 곳에 들어갈 자원을 기업과 연계해 채용하는 데 투입하면 좋겠습니다.

이호준(개발자 지원 사업 담당자): 대학생이 졸업하고 취업까지 하는 과정에는 ‘간극’이 있습니다. 이를 매꾸려고 지원 사업들이 나왔지만 실패했죠. 이유는 간단합니다. 기업에서 요구하는 개발자는 정답을 찾는 사람이 아닌, 문제를 해결하는 사람이기 때문입니다. 정답을 찾는 것에 주력한 부트캠프 교육을 마치면, 이슈 중심 현장에서는 답을 찾지 못합니다. 기업이 가진 개별적인 문제를, 공통의 문제로 발전시켜야 합니다. 정부가 이 문제를 찾고 조율하는 데 역할이 필요하고요. 또한, 기업과 학생들이 만나는 자리를 만드는 것만으로도 그러한 문제를 논의할 자리가 생겨나지 않을까 합니다.

임문영 더불어민주당 디지털특별위원장은 위와 같은 문제점에 동의하며, 초급 개발자 채용 시 혜택을 주는 방안, 중소기업이 인재를 계속 확보할 방안에 대한 창의적인 접근이 필요하다는 견해를 덧붙였습니다.

4. 플랫폼은 AI 전환에서 어떤 역할을 할 수 있을까?

기술은 빠르게 달려가는데 인력은 부족한 현재 상황은, 외부 전문 인력이나 SaaS 솔루션을 활용하는 능력을 필수 역량으로 만들고 있습니다. 정규직 채용만으로는 모든 수요를 감당하기 어렵기 때문입니다. 현재 국내 SI 시장은 12.8조 원 수준의 시장입니다. 대기업(캡티브 마켓)이 8조 원, 중견기업 중심 시장이 4.8조 원 수준입니다.

특히 최근 AI의 발전으로 거래 비용이 높아지고 있습니다. 기술 복잡도가 높기 때문입니다. 대기업은 내부 전담팀과 컨설팅으로 전환을 이어가고 있습니다. 반면 중소기업은 자금의 부족으로 기회를 놓치고 있습니다. 그렇게 AI 도입을 마음먹어도 탐색과 검증, 관리 모든 영역에서 어려움을 겪습니다.

<출처: 위시켓>

한편 개발사는 좁은 영역, 이를테면 커머스, ERP 등 범위를 좁혀 시장을 공략하는 개발사가 성장하고 있습니다. 하지만 이런 좁은 영역에 집중하려면 개별 회사의 영업 비용이 커집니다. 수요자는 좁은 영역의 개발사를 찾기 어렵고, 공급사는 스스로 홍보하는 데 어려움이 커집니다.

그래서 이를 연결하는 IT 아웃소싱 플랫폼이 있습니다. 위시켓도 그러한 플랫폼의 하나로 지금까지 성장해 오고 있습니다. 지금까지 국내 최대 IT 프리랜서 풀(약 12만 명), 국내 최대 개발 회사 풀(약 1만 9천 개), 누적 프로젝트 금액 8,729억 원을 일궈냈습니다. 중개를 넘어 프로젝트 컨설팅, 계약 지원, 분쟁 중재 등 전문 매니저의 적극적인 개입으로 프로젝트 성공률을 높입니다. 특히, 프로젝트의 분쟁률은 0.6%에 불과합니다. (자유 거래 시 평균 분쟁률: 47%).

다만 이러한 플랫폼 기반 협업을 원활히 하기 위해서는 현행 제도와 인식의 개선이 뒷받침되어야 합니다.

경계에 선 플랫폼

AI 전환에 앞장서야 할 플랫폼이지만, 이들은 경계에 서 있습니다. 법적으로도, 사회적으로도, 모호한 플랫폼의 문제를 3가지로 짚어 보았습니다.

“우리는 누구인가?”: 정부 프로젝트에서는 위시켓과 같은 플랫폼을 쓸 수 없습니다. 또한, 플랫폼상 중개 인력의 고용 형태에 대한 법적 정의가 분명하지 않습니다. 특히 IT 프로젝트 매칭 플랫폼들은 이들 어느 범주에도 들어맞지 않는 회색지대에 있습니다. 단순히 구인·구직 정보를 제공하는 것인지, 아니면 실질적으로 인력을 알선·공급하는 주체인지 규정이 모호하여 관련된 노동법·세법 적용도 혼선을 빚습니다.
“어디까지 책임져야 하나?”: AI 결과물의 편향성, 데이터 프라이버시 침해, 알고리즘의 공정성 등 AI 기술과 관련된 새로운 이슈에 대한 플랫폼의 책임 범위 논의가 필요합니다.
“함께 성장하고 싶은데…”: 위시켓은 그동안 쌓아온 데이터를 모두 공개할 수 있습니다. 분쟁 해결 가이드, 표준 계약서 역시 모두 나누려고 합니다. 그러나 노력에도 이러한 데이터가 표준으로 쓰이지는 않습니다. 모든 플랫폼 내 입점 사업자(프리랜서, 중소 개발사)와의 상생, 수수료 정책의 투명성, 데이터 활용의 윤리성 등 지속가능한 성장을 위한 노력이 중요합니다.

<출처: 위시켓>

플랫폼을 낀 현실의 AI 혁신

단순 정부와 개인의 노력만으로는 부족합니다. 그 중간 다리 역할을 하는 플랫폼의 4가지 역할이 꼭 필요합니다.

1.성공 사례 확산: 민간 플랫폼은 자율적인 규범(코드 오브 컨덕트)을 정립하여 건전한 시장 형성에 기여합니다. 그중 성공적인 사례를 취하며 정부는 민간의 혁신을 뒷받침하는 방향으로 정책을 설계해야 합니다.

2.정부와 플랫폼의 협력. 이를테면 정부의 중소기업 AI 도입 지원 사업(바우처, 컨설팅 등)에서 매칭 과정 등을 플랫폼과 연계하여 효과를 키울 수 있습니다. 또, 정부 지원 AI 인력 양성 사업 풀을 플랫폼과 연동하여, AI 프로젝트 참여 및 취업 기회 확대하는 것도 방법입니다.

3. 데이터와 인사이트 공유: 플랫폼이 보유한 AI 프로젝트 수요, 필요 기술, 시장 단가 등 실시간 시장 데이터를 익명화하여 정책 수립의 기초 자료로 활용하는 방식입니다.

4.공정한 환경 조성: 플랫폼 내 수수료 정책 투명화, 계약 조건 공정화 등 플랫폼과 참여자 간의 상생 협력 모델 구축을 지원하고, 우수 사례를 발굴하여 확산할 수 있습니다.

현장 목소리: “AI 전환 관리 허브로 풀어낼 문제가 아닐까요?”

이홍주(위시켓 경영지원 팀장): AI 도입의 핵심 문제가 몇 가지 있습니다. 제조업에 집중된 정책, 대기업 중심 하도급 구조, 도입 이후 관리와 고도화의 어려움 등입니다.

결국 이는 모두 디지털 전환을 관리할 허브로 풀어낼 문제가 아닌가 싶습니다. 지금까지 나온 바우처 등 지원 방식은 통합 관리가 아닌, 한 번에 끝나는 전환으로 문제를 해결하는 데 적합합니다. 꼭 위시켓 중심이 아니어도 디지털 전환을 위한 허브가 필요한 시점이 아닌가 생각합니다.

못다 한 이야기: 수주 과정 개편과 오픈 소스 커뮤니티

4가지 주제가 모든 AI 전환의 문제를 대변한 것은 아닙니다. 이에 핵심 주제가 끝나고 이어진 이야기를 추가로 담았습니다.

오경원(AI 개발사 대표): 실제 AI 프로젝트 수주를 위해 달리다 보니 조건이 현재 상황과 맞지 않다는 것을 느꼈습니다. 옛날 방식으로 신원 평가를 하는데, 대부분 이 기준을 넘기가 어렵습니다. 특히, 기술 자체에 대한 평가보다 프로젝트 매니징 중심으로 평가가 이뤄집니다. 또한 지금은 솔루션 초기 도입에 대한 지원 위주입니다. 하지만 더 중요한 건 운영과 고도화입니다. 고객이 가장 고민하는 건 도입 6개월 이후입니다. 사후 관리에 대한 지원이 필요하지 않을까 생각합니다.

박조은(N잡러이자 파이썬한국사용자모임 운영자): 제가 참여한 커뮤니티인 파이썬한국사용자모임은 개인들이 모여 행사를 운영합니다. 해외 개발자를 초청해 코엑스에서 행사를 진행하기도 하는데요. 특히 최근에는 해외 개발자를 모셔 오는 과정에서 복잡한 한국 비자 발급 절차로 어려움을 겪기도 했습니다. 게다가 이런 행사에서 오는 금전적인 문제들은 모두 개인이 책임집니다. 개발자나 오픈 소스 커뮤니티를 지원하는 정책이 있으면 생태계 활성화에 큰 도움이 될 듯합니다.

임문영 더불어민주당 디지털특별위원장은 이러한 목소리에 공감한다며, ‘팁스(TIPS)와 유사한 AI 운영/지원 사업 모델’, ‘오픈소스 커뮤니티의 법인격 지정’과 같은 새로운 아이디어를 제시했습니다.

위시켓-더불어민주당 정책 간담회 <출처: 위시켓>

마치며

AI라는 키워드가 많은 것을 바꾸고 있습니다. 임문영 위원장은 “국가의 운명을 좌우하는 정말 중요한 시대”라며 “여기서 미뤄지면, 다시 또 100년 넘게 남을 쫓아가야 하는 상황이 올 수 있습니다. 그런 방면에서 생태계 모두의 역할이 정말 중요합니다”고 말하기도 했습니다.

위시켓 박우범 대표 역시 “AI 시대를 맞아 거품이 없는 IT 현장의 진짜 목소리를 전달하고 싶었습니다. 중소기업과 프리랜서, 초급 개발자와 플랫폼까지, 마치 IT 전통시장과 같은 곳에서 일하는 이들의 이야기가 나왔다는 것 자체가 긍정적입니다. 앞으로도 대표성을 띠고 적극적으로 의견을 내도록 노력하겠습니다.”고 말했죠.

위시켓과 요즘IT는 이러한 전환의 시대에 역할을 해내기 위해 나아가고 있습니다. 여러분은 어떻게 생각하나요? 중소기업의 AI 전환, IT 프리랜서 지원, AI 개발자 양성, IT 아웃소싱 플랫폼의 역할까지. 댓글로 의견을 남겨 주세요. 그 댓글 하나하나가 또 다른 작은 목소리가 되어 닿도록 노력하겠습니다.

]]>

인재가 탈주하는 회사는 왜 그럴까?

<출처: 애니메이션 ‘나루토’ 캡처 및 편집>

이 글을 보는 분들 대부분은 IT 업계에 종사할 겁니다. (사이트 이름부터 요즘IT니까요.)

업계에서 우리는 종종 이런 말을 하거나, 듣습니다.

“OO님 없어도 회사는 잘 돌아가요.”

누군가가 없어도 회사가 잘 돌아가는 건 중요합니다. 인재 의존성을 나타내는 버스 팩터(Bus Factor)*라는 단어도 있을 정도니까요.

*버스 팩터: IT 프로젝트를 진행하는 팀원이 ‘버스에 치이는 일’처럼 갑작스럽게 빠져도 문제가 없는지 파악하는 지표

하지만, 이는 누군가에게 회사가 심각하게 종속되는 걸 방지해야 한다는 것이지, 인재 각각이 지닌 가치를 아무렇게나 보라는 건 아닙니다.

줄퇴사

<원본 출처: 우주 해적 코브라, 작가 수정/ 오른쪽에서 왼쪽으로>

가끔 이런 경우가 있습니다. 괜찮은 사람이 많았던 회사였는데, 어느 날 갑자기 그런 사람들이 우르르 나가버리는 일이요.

흔히들 그런 상황을 ‘줄퇴사’라고 표현합니다. 줄퇴사가 시작하면 적게는 3~4명, 많게는 수십 명이 우르르 나가버리기도 합니다. 저는 10명 넘는 직원이 우르르 나가는 줄퇴사만 3번을 겪어봤습니다. (항상 나가는 쪽에 제가 포함되어 있었지만요…)

이런 줄퇴사는 아무 이유 없이 일어나지 않습니다. 대략 무슨 이유에서 이렇게 되는지 이야기를 해보겠습니다.

왜 ‘공장의 부품’ 보듯 인재를 보는 걸까?

일은 사람이 하는 건데

조금 앞서 나가 AI가 모든 일을 하는 시대라고 쳐봅시다. 성능 좋은 AI를 쓰려고 직접 그래픽 카드나 여러 장비들을 구비해 일을 시킨다고 하겠습니다. 그럼 기기 쿨링도 해줘야 하고, 먼지가 들어가지 않게 신경도 써야 하며, 하드웨어에 문제가 생기진 않았는지 정기적으로 확인도 해줘야 할 겁니다.

AI를 쓴다 해도 관리할 것이 이렇게 많은데, 아직은 인간이 일을 하는 시대입니다.

그런데 왜 인간에게는 열받았을 때 쿨링을 시켜주지도 않고, 업무 환경을 개선해 능률을 올려보려는 노력도 안하고, 업무의 만족도나 행복도 같은 것은 물어보지도 않을까요?

직설적으로 말하자면, 어떤 곳에서는 인간을 기계보다도 못하게 대우하고 있다는 말입니다.

그래요, 원래 하지 않던 일을 안 해주는 거야 그렇다고 칩시다.

보통 줄퇴사의 원인이 되는 것들은 ‘저런 걸 안 해서’가 아니라 ‘하지 말아야 할 걸 해서’ 생깁니다.

직원들이 불합리함을 느낄 상황을 만든다거나, 직원들을 불편한 상황으로 밀어 넣는다거나, 회사의 결정 같은 과정이 이상하게 돌아간다든가 하는 것들요. (사람들은 회사가 이상하게 돌아가면 꽤나 빠르게 눈치챕니다)

그러고는 진심으로 죄송한 건 아닌 표정으로 직원들에게 “죄송합니다” 하겠죠 <출처: ‘진심으로 죄송한 건 아닌 표정’을 검색해 나온 이미지>

이처럼 뒤숭숭한 상황일 때, 일 잘하고 직원들과 사이도 좋은 사람이 퇴사 선언을 한다면, 여기서부터 줄퇴사가 시작됩니다. 다들 불만이 생겨도 눈치만 보고 있다가 누군가 물꼬를 트니 다 같이 터져버리는 거죠.

모두가 싫어하는 것은 올바른 선택일까?

‘하지 말아야 할 것을 하는’ 가장 대표적인 예를 들어 보겠습니다.

어떤 사람은 맡은 업무에 따라 재택근무가 아예 불가능한 사람도 있습니다. 그렇게 재택근무를 하던 회사는 어느 날, 그런 사람을 이유로 들며 “다 같이 재택근무를 없애겠습니다”라고 선언합니다.

이런 상황도 있습니다. 어떤 사람은 책임을 적게 지며 비교적 쉬운 일을 맡아서 하는데, 어떤 사람은 회사에 큰 영향을 미치는 어려운 일을 합니다. 하지만 기존의 쉬운 일을 보는 잣대로 둘을 평가해 중요하지만 새로운 일을 한 사람이 안 좋은 평가를 받게 만듭니다.

‘바보 같은 상황’으로 느껴지지만 우리는 종종 이런 일을 마주합니다.

왜 이런 상황이 생길까요?

누군가 특정 인원이 불만을 가질 선택을 하면 골치가 아프니, 결국 모두가 불만을 가지는 선택을 하기 때문은 아닐까요. 회사의 지출이나 관리에 대한 부담을 줄여 좋아하는 것이 핵심일지도 모르고요.

그런 다음 발생하는 문제에는 “여기서 너만 힘든 줄 아냐?” 하고 말하는 거죠.

차별 대우

“누군가가 불만을 가질 수 있는 선택을 하면 골치가 아프니…” 대신 이런 선택지도 있습니다.

모두가 싫어하는 선택을 해 모두의 의욕을 꺾어버리기보다는, 누군가는 불만이 있을지언정 힘들고 어려운 사람을 하는 사람에게 좋은 쪽의 차별 대우, 그러니까 ‘보상’이라는 차별 대우를 하는 겁니다.

꼭 눈앞의 ‘돈’을 말하는 것은 아닙니다.

업무 장소를 마음대로 결정할 수 있게 해준다거나, 휴가를 무제한으로 쓸 수 있게 해준다거나, 그런 신뢰 기반에서 이루어질 수 있는 것들 말이죠.

그렇다면 어렵고 힘든 일을 하는 사람들에겐 많은 자유와 보상을, 쉬운 업무를 주로 하는 사람들에겐 성장 욕구를 자극할 수 있겠죠.

물론 쉬운 업무를 주로 맡아 하는 주니어 레벨에 회사가 완전한 신뢰를 갖기는 솔직히 어렵습니다. 하지만 회사의 미래나 지금의 실적에 큰 영향을 끼치는 어렵고 힘든 일을 하는 사람들에게는 신뢰를 가져볼 수도 있을 겁니다. 이런 일을 하는 사람들은 대개 실력도 좋고 성과도 잘 내서 이미 인정을 받은 사람일 테니까요.

제 경험에서도 주니어 레벨에게 자유를 주면 문제가 생기는 경우가 있었지만, 시니어 레벨에게 자유를 줬을 때 문제가 생기는 경우는 많지 않았습니다.

당연히 주니어 레벨이라 해도 실력이 좋으면 시니어가 하는 업무를 할 수도 있습니다. 그렇게 원하는 대로 연봉도 올리고 자유도 누리며 그 대신 시니어와 같은 중압감을 느끼게 해준다면, 발전 욕구가 있는 사람에게는 그 자체가 성장 동력으로 작용하지 않을까 하는 생각입니다.

업무의 난이도와 양 자체가 차이 난다면, 그런 자유라도 없이는 뭐가 공평해지겠습니까? 이런 면에서는 오히려 차별 대우를 해야 비로소 공평해지는 걸지도 모릅니다.

여기까지는 일반적으로 회사라는 공간에서 일어나는 일들에 대한 이야기였습니다. 아래는 좀 더 좁혀, 스타트업이나 인원이 적은 소규모 회사에 해당하는 이야기를 해보겠습니다.

신입이 1~2년만 버티다가 이직해 버리는 회사의 특징

결국 모든 것은 ‘인재’에 대한 이야기입니다. 그래서 인재 채용은 신중해야 합니다. 분명 다들 아는 상식입니다.

그런데 현실은 녹록치 않습니다. 상식을 알고 있어도, 상식적으로 행동하지 못하도록 만드는 게 현실이니까요.

인재를 상식적으로 채용하기 어려운 이유

스타트업 대표님들이 공감할 만한 가장 큰 이유는 이것입니다.

“누가 지원을 해야 그런 행복한 고민을 좀 하지.”

<출처: 만화 ‘개그만화 보기 좋은 날’>

그래서 아래와 같은 기준으로 사람을 뽑는 상황이 벌어집니다.

한 달 동안 아무도 신청을 안 했는데 드디어 지원자가 생겨서
(아무 평가 없이) 학력이 괜찮아서
열심히 할 것 같아 보여서
눈빛이 따뜻하고 맑아 보여서
간절해 보여서

의도치 않게 인재 채용에 이런 판단 기준이 들어간 겁니다. 이제 어떤 상황들이 펼쳐지게 될까요?

잘못된 채용의 나비효과

제대로 검증할 만큼 지원자가 없어 일단 지원한 사람을 뽑았다고 합시다.

매우 높은 확률로, 이들은 회사의 당면한 일을 처리할 만한 실력이 없는 경우가 많습니다. 다만, 당장 그만큼의 실력이 없다 해도 발전 가능성을 알아채고 채용하는 것과는 다릅니다. 이 부분도 잘 검증해야 합니다. (인재의 실력 검증에 대한 조언은 뒤에 다뤄보겠습니다)

잘못된 채용의 가장 큰 문제는 ‘해고’입니다.

직원을 해고할 때 반드시 필요한 것은 정당한 사유입니다. 그리고 ‘열심히 해도 능력이 안 되어 일을 처리하지 못하는 것’은 정당한 사유가 아닙니다.

인원이 아주 적은 기업이라면 그 자체가 고정 지출이고, 이는 다른 인재를 그만큼 채용하지 못한다는 뜻입니다.

한편 저성과자가 언제나 눈에 띄는 것은 아닙니다. 아래 설명할 여러 가지 이유로 꾸준히 진급한다면, 이들은 일할 줄 아는 신입이 들어온 지 1~2년 만에 빠르게 탈주하게 만드는 역할을 맡습니다.

‘퇴사를 안 하니까…’

잘못 채용한 인재가 퇴사를 하지 않고 꾸준히 붙어있는다고 합시다.

여기서 참 웃긴 상황이 생깁니다.

아무래도 오래 다니다 보니 이들은 자연스레 회사의 역사와 서비스, 또는 제품에 대한 지식이 가장 많은 사람이 됩니다. 여기에 연차도 자꾸 오르겠다, 오래 봤으니 대표님과의 정도 들고 의리도 생겼겠다, 진급을 시켜줍니다. 그렇게 직급이 오르다 이들이 실무와 매니징 역량이 모두 필요한 직위에 가면 거기서부터 문제가 생깁니다.

피터의 법칙이란 말이 있습니다. ‘사람이 진급하다 보면 무능해지는 위치까지 간다’는 이야기입니다.

유능한 사람도 진급하다 보면 무능해진다는 겁니다. 애초에 무능한 사람이라면 더 빨리 오겠죠.

이들 아래로 신입 사원들이 들어왔다고 하겠습니다. 그런데 정작 IT 업계 기본 소양인 ‘요즘 기술’이나 ‘트렌드’에는 전혀 관심이 없거나 모르고 회사에 오래 다녔을 뿐이라면, 그러니까 “나보다 나은 게 하나도 없는” 상사가 자리를 지키고 있다는 느낌을 주면, 누구라도 빠르게 탈주하고 싶을 겁니다.

그렇게 ‘신입이 딱 1~2년만 버티다가 이직해 버리는 회사’가 만들어집니다.

특히 요즘처럼 1~2년 알차게 실무 경력 쌓고 중고 신입으로 갈아타는 게 유행이 된 세상에는 더더욱 그렇습니다. 모두 ‘사람이 없어서 뽑은 채용’의 나비효과입니다.

하지만, 이를 어찌하면 좋겠소?

<출처: 드라마 ‘야인시대’>

이미 그런 일이 벌어졌고, 회사의 구조 자체에 문제가 생긴다면, 필요한 것은 굳은 결의입니다.

다만, 가장 좋은 것은 이런 일이 생기기 전에 미리 막는 것입니다.

즉, ‘좋은 인재를 검증하고 채용하는 것’입니다.

지원자가 없는데 무슨 인재 검증을 한단 말이오?

큰 회사보다 스타트업이나 소규모 회사가 더더욱 신중하게 검증하고 채용을 해야 할 겁니다.

하지만, 큰 회사는 규격이 정해진 딱딱한 구인 공고라도 올려두면 지원서가 쏟아집니다. 그에 반해 스타트업이나 소규모 회사는 구인 공고를 올려도 아무도 지원하지 않습니다. 아직 아무도 모르는 우리 회사의, 개성 없는 구인 공고를 보고 누가 지원하고 싶을까요?

이를테면 저는 구인 공고를 이렇게 작성했었습니다. (개발자군, 두려워할 필욘 없어) 물론 저야 오래 블로그를 운영해 (게다가 실력도 좋고, 인기도 많은 인플루언서기에) 이렇게 관심을 끌 수 있었지만, 이는 시간이 필요하다는 걸 압니다.

하지만, 누구나 노력은 해볼 수 있습니다.

어떻게든 사람들의 눈에 띄는 구인 공고를 써 열심히 홍보해 보세요.

신입들은 취업을 위해 엄청난 노력을 합니다. 아직 인지도가 없는 회사라면, 그와 비슷하게 노력해야 하지 않겠습니까?

개발을 1도 모르는데 실력을 어찌 검증하죠?

이런 경우도 충분히 있을 수 있습니다.

아직 주변에서 이런 의견을 내는 사람을 본 적은 없는데요. 그래도 이런 상황에 처한 사람이라면 유용할 조언을 해보려고 합니다.

실력이 좋은 시니어 개발자를 채용하는 건 매우 어려운 일입니다.

하지만 그런 사람에게 사례금을 주고 ‘면접과 인재 검증을 도와달라’하는 건 그보다 훨씬 쉬운 일입니다.

<출처: 온라인 커뮤니티>

어쩌면 이렇게 나가는 돈이 굉장히 아깝다고 느낄 수도 있습니다. 하지만, 잘못된 채용으로 매월 발생할 고정 지출을, 또 그 이후에 벌어질 일들을 생각해 보아야 합니다.

인재 채용은 처음이라 어떻게 해야 할지…

제 ‘힘들었던 면접관 후기’도 링크를 남겨 둡니다. 당시 신입 채용을 위해 이력서를 300개 정도 검토했던 기억이 납니다.

사람마다 기준이 다르겠지만, 기초적인 실력이 있는지 검증하고 나면 ‘개발자라는 일에 대한 열의’를 중요하게 봅니다.

*저는 ‘소프트웨어 장인’이라는 책의 서문에 많이 공감하는 편으로 비슷한 생각이라면 참고해도 좋겠습니다.

이런 열의를 검증할 사전 질문도 보내고, 면접까지 온 지원자에게는 코딩 자체를 얼마나 흥미로워할지 알아낼 만한 질문을 주로 했습니다. 또, 그렇게 뽑은 개발자는 굉장히 성공적이었다고 생각하고요. (지금도 같이 일하고 있습니다.)

지원자의 성격에 따라 다르겠지만, 저는 ‘자신감 있는 사람이 좋다’라고 느꼈습니다. 소심하고 내향적인 것과는 별개입니다. ‘자신감’이라는 부분은 그런 성격과는 다르게 자기 실력 등에 기대어 작동하는 메커니즘이라고 생각하거든요.

뭐가 어찌 됐든 기초 실력에 대한 검증은 필수지만, 여기에 더해서는 ‘열의’와 ‘자신감’, 그리고 회사마다 선호하는 인재상을 중점으로 보는 것이 가장 좋습니다.

마치며

앞서도 말했지만, 아직은 “사람이 일하는 시대”입니다. 그렇기에 ‘누가 일을 하냐’는 가장 중요한 요소입니다.

회사의 성장 동력을 잃지 않기 위해서도, 나아가 좋은 회사가 되기 위해서도, 인재 채용은 매우 신중해야 합니다.

잘하는 사람들이 탈주하는 회사가 되지 않으려면요.

]]>

명품 플랫폼은 왜 돈을 못 버는 걸까?

2025년 3월 31일, 명품 플랫폼 발란이 법정관리를 신청했습니다.

그로 인해 풍문으로 떠돌던 발란의 유동성 위기가 표면 위로 드러났습니다. 많은 언론이 제2의 티메프 사태를 우려하며 분석 기사를 쏟아냈고, 몇몇 기사는 명품 플랫폼의 근본적인 사업 모델과 수익성 한계를 언급하며 도미노 위기를 우려하기도 했는데요. 실제로 많은 명품 플랫폼 업체가 수년간 적자를 거듭하며 흑자 전환에 실패했습니다. 게다가 얼어붙은 투자 심리로 신규 투자 확보에 난항을 겪으며 자본 잠식 위기에 빠져있는 상태입니다.

발란의 법정 관리로 드러난 명품 플랫폼의 위기.

이는 단순 유동성의 문제일까요? 아니면 명품 플랫폼 비즈니스의 본질적인 한계일까요?

머트발 재무제표 톺아보기

대표적인 명품 플랫폼 3사; 머스트잇, 트렌비, 발란의 지난 5년간 매출과 영업이익을 한번 살펴보겠습니다.

<출처: 작가>

머트발 3사 모두 코로나19 붐을 타고, 2022년까지 높은 매출 성장세를 보였으나 그만큼 적자 역시 빠르게 증가했습니다. 보통 플랫폼은 매출이 늘어나는 비율만큼 적자가 줄어드는 게 일반적인데요, 머트발 3사는 매출이 늘어나는 비율만큼 적자 역시 늘어나는 양상을 보입니다.

매출이 늘어도 실적이 개선되지 않는 이유는 무엇인지, 재무제표를 한번 상세히 살펴볼까요?

<출처: 작가>

재무제표를 상세히 살펴보면, 다른 항목에 비해 광고선전비가 유독 높은 비중을 차지하고 있다는 사실을 알 수 있습니다. 특히 코로나가 절정에 달했던 2021년과 2022년에는 매출의 절반 이상을 광고비로 사용할 정도로 지출 비중이 높았습니다.

통상적인 이커머스 업체가 매출의 10% 정도를 광고선전비로 사용한다는 걸 생각해 보면, 공격적으로 TV 광고를 펼치던 2021년과 2022년의 광고선전비 비율은 지나치다는 생각이 듭니다. 심지어 2021년 트렌비는 버는 돈보다 훨씬 많은 돈을 광고비로 썼을 정도니까요.

<출처: 작가>

2023년까지 발란의 광고선전비와 당기순손실을 비교해 보아도, 광고비와 당기순손실이 비슷한 비중을 차지하고 있다는 것을 알 수 있습니다. 만약 당시 광고선전비를 한 푼도 쓰지 않았다고 가정해 보면 적자를 거의 내지 않거나 소폭 흑자가 가능한 수준으로 실적이 개선됩니다.

이렇게 적자의 가장 큰 원인은 광고선전비라고 볼 수 있을 텐데요. 그럼 광고비를 줄이면 흑자 전환이 가능할까요?

<출처: 작가>

머트발의 매출 대비 광고비 지출 추이를 살펴보겠습니다. 3사는 유명 연예인을 기용해 경쟁적으로 TV 광고를 송출하던 2021~2022년 대비 2023~2024년에 광고비 지출을 대폭 줄였는데요. 적자의 가장 큰 원인이었던 광고비를 대폭 줄였음에도 불구하고 여전히 적자의 늪을 벗어나지 못하고 있습니다.

이러한 재무제표가 말해주는 건 매출의 광고 의존도가 상당히 높았다는 것입니다. 즉, 광고비를 많이 쓰면 매출이 올라가지만, 반대로 광고비를 줄이면 매출도 따라 줄어든다는 것이죠.

이처럼 큰 폭의 적자를 기록하고 있기에 명품 플랫폼 사업의 지속성에 의문 부호가 붙을 수밖에 없는 상황입니다.

이런 추세라면 과연 흑자 전환이 가능할까요? 이 비즈니스가 과연 돈을 벌 수 있는 사업이 맞긴 할까요?

그 전에, 그렇다면 명품 플랫폼은 왜 돈을 벌지 못하는 걸까요?

명품 플랫폼의 특성

명품 플랫폼은 타 플랫폼 서비스나 이커머스와는 다른, 그들만의 독특한 특성이 존재합니다. 이 독특한 특성은 플랫폼의 경쟁력이 되어 신규 플레이어에게는 진입장벽으로 작용합니다.

그 특성을 이해하려면 먼저 타 이커머스와는 다른 명품 시장의 특수성과 이용자 특성을 이해할 필요가 있습니다. 시장의 특수성과 이용자 특성, 이 두 가지 요소가 명품 플랫폼의 특성을 만드는 키 포인트이기 때문이죠.

명품 시장의 특성

많은 사람이 단순 물건을 파는 비즈니스라 오해하기 쉽지만, 사실 명품 업계는 이미지를 파는 비즈니스를 합니다. 장인이 오랜 시간 공들여 한 땀 한 땀 수작업으로 만든 품질 좋은 물건을 소유하고 있다는 만족감, 높은 비용을 지불하고서라도 물건을 살 수 있는 재력의 증명, 성공한 사람이 되었다는 느낌. 그것이 명품이 사람들에게 주는 이미지입니다.

그래서 명품 브랜드들은 그러한 이미지를 만들고 유지하기 위해 많은 돈을 씁니다. 유명 연예인을 앰배서더로 고용하며 ‘연예인 OO이 사용하는 고급스러운 브랜드’라는 이미지를 만들고, 생산량을 제한하거나 재고를 불태우는 방식으로 브랜드 가치를 유지하기 위해 노력합니다. 누구나 가지고 있고 누구나 가질 수 있다면 명품은 더 이상 특별하지 않을 테니까요.

최상위급 명품 브랜드는 브랜드 가치를 지키고 희소성을 유지하기 위해 판매 채널과 생산량을 엄격하게 제한합니다. 공항 면세점에는 에르메스, 루이비통, 샤넬 매장이 있지만 인터넷 면세점에는 몽블랑과 발리 이상의 브랜드가 입점하지 않는 것도, 샤넬과 롤렉스가 물량을 적게 풀며 사람들을 줄 세우고 오픈런을 유도하는 것도 이런 이유죠. 아무 데서나 구할 수 없고 아무나 구할 수 없어야 특별함이 유지될 테니까요.

특히 명품 브랜드들은 상품의 ‘희소성’을 강조하며 시즌이 지난 제품을 소각하거나 매립해 왔다. 브랜드들은 ‘재고가 암시장에서 유통될 수 있’고 ‘브랜드 가치를 지키기 위해 소각한다’는 입장이지만 재고를 소각할 시 회계상 손실로 처리해 세금을 아낄 수 있는 장점도 있다고 전했다.

<강민선 기자, “구매자는 ‘오픈런’도 불사르는데.. 명품 브랜드는 '재고 파괴'용 소각”, 세계일보, 2021년 5월 6일>

다만 에르메스, 샤넬, 롤렉스 같은 하이엔드급 브랜드는 오프라인에서도 원하는 물건을 구하기 어렵고 가격도 고가라 온라인 명품 플랫폼에서 잘 취급하지 않습니다. 따라서 온라인 명품 플랫폼의 주력 판매 물품은 대중 인지도가 높고 상대적으로 가격이 저렴한, 매스티지 브랜드(버버리, 셀린느, 발렌시아가 등)와 디자이너 브랜드(아미, 메종 키츠네, 메종 마르지엘라 등)인 경우가 대부분이죠.

명품 플랫폼 소비자의 특성

이제 명품 플랫폼을 이용하는 소비자의 특성을 한번 살펴봅시다. 사람들이 정식 매장이 아닌 명품 플랫폼에서 물건을 사는 이유는 뭘까요? 매장에서 구할 수 없는 물건을 구할 수 있어서? 아마도 가장 큰 이유는 ‘가격’일 겁니다.

그래서 명품 플랫폼 이용자들은 가격에 굉장히 민감합니다. 다만 여기까지는 다른 이커머스 플랫폼과 동일한 특성이라고 할 수 있죠. 그런데 가격 외에도 일반 이커머스와 차별화되는 명품 플랫폼의 특성이 하나 더 있습니다. 바로 ‘정품 여부’입니다.

명품을 취급하는 플랫폼은 구조적으로 짝퉁 논란에서 자유로울 수 없습니다. 젠테, 발란, SSG, 롯데온, 솔드아웃 등 스타트업, 대기업을 가리지 않고 논란은 잊을 만하면 끊임없이 반복되어 왔으며, 지금도 현재 진행형입니다. 특히 명품 생산처가 다양해지며 생산 국가에 따라 품질 차이가 생기는 일명 ‘개체차’와 인도네시아산 폴로, 한국산 에비수 등 상표권의 허점을 이용한 진짜 같은 짝퉁의 등장, 짝퉁 제조 기술의 발전 등으로 정품 구분은 점점 어려워지고 있습니다.

온라인에서 명품이나 브랜드 의류를 구입하는 사람은 짝퉁의 위험을 안고서라도 조금이나마 저렴하게 물건을 구매하기 위해 플랫폼을 찾습니다. 그래서 정품이 100% 보장되는 곳이라면 다른 곳보다 조금 더 비싸도 그 플랫폼을 이용하려는 습성이 있습니다. 단가가 워낙 높다 보니 몇만 원 더 아끼겠다고 위험을 감수하기보다 조금 비싸더라도 확실한 곳에서 구매하는 게 안전하니까요.

이런 상황에서 명품 플랫폼이 짝퉁 논란을 피할 수 있는 유일한 방법은 ‘100% 직매입’뿐입니다. 아무리 셀러를 잘 관리해도 짝퉁 논란이 한 번 터지면 해당 플랫폼은 사망 선고를 받는 거나 다름없습니다. 이슈가 터진 순간부터 사람들은 그 셀러 한 명이 아닌 모든 셀러, 나아가 플랫폼에 등록된 모든 제품의 정품 여부를 의심하기 시작할 테니까요.

그렇기에 명품 이커머스는 셀러들이 입점해 물건을 판매하는 플랫폼 비즈니스 구조에 적합하지 않습니다. 오히려 대규모 장치 산업에 가까운 특성을 보이죠. 플랫폼을 운영하려면 제품 하나하나의 단가가 높은 만큼 제품 매입을 위한 ‘대규모 자본’과 입고 > 포장 > 배송 > 반품/교환까지 주문을 원스톱으로 처리할 수 있는 ‘자체 물류 시스템’, 플러스알파로 ‘정품 검수/반품 프로세스’까지 탄탄하게 구축되어 있어야 합니다. 그래야 바꿔치기로 인한 짝퉁 유입을 원천 차단할 수 있습니다.

즉, 다른 이커머스와 다르게 시스템 구축에 상당한 시간과 비용, 그리고 고도의 운영 노하우가 필요한 업종이라는 뜻이죠.

여기에 우리나라 소비자만의 독특한 특성이 하나 더 있는데요. 바로 쏠림현상입니다. 우리나라 소비자들은 유행에 민감해 특정 브랜드나 모델이 유행을 타면 모두가 그 ‘대세템’을 구매하려는 쏠림현상이 무척 강하게 나타납니다.

<출처: MBC>

특히 단가가 높은 명품은 실패를 줄이기 위해 디자인이 무난하고 남들이 많이 찾는 주류 모델의 선호도가 높은 편입니다. 그래서 ‘샤넬 클래식’, ‘롤렉스 서브마리너’, ‘톰 브라운 밀라노 스티치 가디건’ 같이 캐주얼과 정장 모두 무난하게 어울리며 과시하기 좋은 스테디셀러들의 인기가 높습니다. 또, 이런 스테디셀러가 대세템이 되는 경우도 많죠. 그래서 로고가 숨겨져 있거나 선호 모델이 아니라면 아무리 할인율이 높고 저렴해도 사람들은 외면합니다. 사람들이 몽클레어에서 클루니와 클로에, 파르나이바를 구입하는 것도 이런 이유입니다.

지금까지 나온 우리나라 시장의 특성을 종합해 볼까요?

하이엔드급 명품은 온라인에서 구하기 어렵다.
주 매출은 매스티지 브랜드와 디자이너 브랜드 제품에서 나온다.
플랫폼 이용자는 가격에 민감하다.
가격은 저렴해도, 정품이 보장되어야 한다.
우리나라 소비자는 유행에 민감하다. 대세템 쏠림현상이 나타난다.

사람들이 명품에 비싼 값을 지불하는 이유는 소재나 품질이 높아서도 있겠지만 ‘명품이 가진 이미지를 자신에게 대입’하고 싶어 하기 때문입니다. 톰 브라운 셔츠를 입은 성공한 나, 100만 원짜리 디올 스니커즈를 신을 재력을 가진 나. 그것이 명품을 구매하는 사람이 기대하는 이미지입니다. 즉, 명품 플랫폼 이용자들이 원하는 건 매장에서 구하기 어려운 에르메스 버킨백, 롤렉스 서브마리너가 아닙니다. 삼선이 선명하게 드러난 톰 브라운 셔츠나 가디건, 여우가 가슴팍에 떡하니 박혀있는 메종 키츠네 티셔츠를 저렴한 가격에 구매하려는 겁니다.

명품 플랫폼의 특성

이처럼 사람들이 명품 플랫폼에서 사고 싶어 하는 물건은 누구나 알고 누구나 갖고 싶어 하는 스테디셀러입니다.

메종 키츠네의 폭스헤드 티셔츠, 톰 브라운 삼선 스티치 가디건, 디올 오블리크 스니커즈 <출처: 각 브랜드 공식 홈페이지>

다만 이런 스테디셀러는 수요가 많아 전 세계 모든 바이어들이 물량 확보에 총력을 기울이는 아이템입니다. 그래서 해당 브랜드에서 가장 잘 팔리는 대표 상품을 최대한 저렴한 가격으로 많이 확보하는 ‘소싱 능력’이 플랫폼의 경쟁력이자 매출과 영업이익을 좌우하는 핵심 역량이 될 수밖에 없습니다.

지금까지 나온 명품 플랫폼의 특성을 종합해 보겠습니다.

100% 직매입 체제여야 짝퉁 논란에서 자유롭기에, 그 체제를 구축할 대규모 자본의 자본과 설비(물류 시스템)가 필요하다.
유행에 민감하고 쏠림 현상이 심해 브랜드 대표 상품 위주로 소비하려는 한국 소비자들의 특징으로, 다양한 거래처로부터 저렴한 가격에 물건을 공급받을 수 있는 거래망 관리와 소싱 능력이 중요하다.

이런 특성 때문에 100% 직매입으로 제품을 판매하는 업체는 규모를 키우기 어려워하거나, 의도적으로 작은 규모를 유지합니다. 제품 단가가 워낙 높아 제품 사입에 적게는 수백억 원에서 많게는 천억 원 단위 자본이 필요한데, 제품 회전율이 좋지 않거나 조금이라도 재고가 쌓이면 현금 유동성이 떨어져 회사가 한 방에 무너질 수 있기 때문이죠.

즉, 사업의 리스크는 큰데 기존에 자리 잡은 업체는 많아 경쟁이 심한 시장이라 안착한다고 해도 얻을 수 있는 수익이 높지 않습니다. 다른 이커머스 업종과 다르게 명품 플랫폼 시장에서는 1위 업체 하나가 시장을 독식하지 못하고 소규모 업체와 셀러가 난립하는 춘추전국시대를 벗어나지 못하는 이유죠.

이것이 명품 플랫폼 업체가 돈을 벌 수 없는 이유입니다.

그런데, 그것이 전부일까요?

명품 플랫폼은 정말 돈을 벌지 못하는 걸까?

위드 코로나와 보복 소비 열풍을 타고 많은 명품 플랫폼 업체가 공격적인 마케팅과 영업 활동을 벌이며 매출을 키우고 몸집을 불렸습니다. 그러나 그들은 고질적인 적자의 늪을 벗어나지 못했습니다. 앞선 재무제표 분석에서 보았듯 위기는 현재 진행형이죠.

다만 이런 명품 플랫폼 업계에도 100% 직매입을 고수하며 매년 매출이 성장하고, 십 년 넘게 영업이익 흑자를 기록하는 기업이 있는데요. 바로 온라인 명품 시장의 숨은 강자 ‘오케이몰’입니다.

아웃도어 전문 쇼핑몰 오케이아웃도어닷컴 시절의 오케이몰 <출처: 작가>

오케이몰은 2000년 오케이아웃도어닷컴이라는 아웃도어 전문 쇼핑몰로 출발했습니다. 시작은 아웃도어 전문 쇼핑몰이었지만, 이들은 아크테릭스, Rab, 캐나다구스 등 프리미엄 아웃도어 브랜드를 취급하며 유럽 부티크, 도매상들과 거래하고 소싱 능력을 키웠습니다. 여기에 스톤 아일랜드, CP 컴퍼니 같은 기능성 컨템포러리 브랜드를 취급하며 사명도 변경했죠. 그렇게 아웃도어 전문 쇼핑몰에서 명품 특화 이커머스로 이미지 변신에 성공했습니다.

20년이 넘는 업력 내내 매출이 꾸준히 성장했지만, 오케이몰도 부침이 없었던 것은 아닙니다. 2013년 오케이슈즈닷컴이라는 종합 신발 쇼핑몰을 오픈하며 사업을 확장하고, 2014년에는 사명을 오케이몰로 변경하며 종합쇼핑몰로 변신을 꾀했을 때만 해도 이들이 큰 재미를 보지는 못했습니다. 2018년부터 명품 판매에 주력하기 시작하며 지금의 오케이몰이 된 것이죠.

<출처: 작가>

오케이몰의 최근 5년간 실적을 살펴보았습니다. 2023년 적자를 기록하긴 했지만, 2024년 반등에 성공하며 치열한 명품 플랫폼 시장에서 경쟁력을 입증했는데요. 많은 명품 플랫폼이 적자의 늪을 벗어나지 못하는 가운데 오케이몰이 흑자를 낼 수 있었던 비결은 뭘까요?

오케이몰은 창업 초기부터 100% 직매입 시스템을 고수했습니다. 100% 직매입은 짝퉁 유입을 원천 차단할 수 있으며 플랫폼의 가격 통제가 용이해 최저가로 물건을 팔 수 있다는 장점이 있지만, 재고 부담을 항상 안고 가야 한다는 리스크가 존재합니다. 단가가 높은 명품의 경우, 악성 재고는 치명적인 리스크가 될 수 있죠.

오케이몰은 처음에는 소규모로 물건을 매입해 판매하면서 점점 취급 브랜드와 상품수를 늘리고 판매 데이터를 쌓고 아이템 소싱 능력과 운영 노하우를 조금씩 키워나갔습니다. 그렇게 누적된 판매 데이터를 근거로 잘 팔릴만한 물건 위주로 소싱해 최저가로 판매하며 제품 회전율을 높이고 팔리지 않는 물건은 파격적으로 가격을 인하해 재고 리스크를 최소화했습니다.

인기 있는 물건을 항상 최저가에 판매하다 보니 자연스레 ‘명품을 싸게 사려면 오케이몰에 가면 된다’라는 인식을 심어줬고, 그 덕분에 별다른 마케팅 없이도 높은 재구매율과 신규 고객 유입이 가능한 선순환 구조를 만들어냈습니다. 2024년, 오케이몰이 지출한 광고 선전비는 1억 4천만 원으로 매출의 0.06% 수준입니다. 경쟁사들이 일년에 수십억, 수백억 마케팅 비용을 들여서도 얻을 수 없었던 브랜드 가치를 만들어내는 데 성공한거죠.

100% 직매입 시스템.

20년 넘게 쌓아온 판매 데이터와 탁월한 아이템 소싱 능력.

오랜 기간 영업으로 구축한 소비자 신뢰와 브랜드 가치.

이 3가지 요인이 오케이몰이 꾸준한 매출 성장과 함께 흑자를 기록할 수 있었던 비결입니다.

물이 빠지면 누가 발가벗고 수영하는지 알 수 있다

워렌 버핏이 2001년 버크셔 헤서웨이의 주주서한에 넣은 이 유명한 말은, 현재 명품 플랫폼 업계를 관통합니다.

2024년, 동아일보가 국내 주요 이커머스 플랫폼 10곳의 재무제표를 분석한 결과 10곳 중 4곳은 완전자본잠식 상태라고 합니다. 2023년 감사보고서에서 기업 존속 능력에 의문을 표한다는 지적을 받은 발란은, 1년 뒤인 2025년, 법정관리를 신청합니다.

2024년 3월, 거래액 기준 4위로 머트발을 바짝 추격했던 ‘캐치 패션’의 사업 종료와 법인 청산.

2024년 10월, 리앤한이 운영하던 1세대 명품 편집숍 ‘한스타일’의 사업 종료.

2024년 12월, 이랜드리테일이 운영해 온 명품 플랫폼 ‘럭셔리 갤러리’의 운영 중단.

2025년 1월, 명품 플랫폼 ‘디코드’와 ‘나우인파리’ 운영 중단.

특별한 기술 없이 연예인을 모델로 기용하며 광고로 몸집 키우기에 열을 올린 명품 플랫폼의 위기는 어쩌면 당연한 수순이었을까요? 이제 남은 명품 플랫폼 업체들도 대부분 자본 잠식에 빠져있는 상태라고 합니다. 발란과 동일하게 감사보고서에서 기업 존속 능력에 의문을 표한다는 지적을 받은 곳도 있죠.

명품 플랫폼의 위기는 어쩌면 이제 시작인지도 모릅니다.

]]>

YC를 통해 본 AI 에이전트의 현재와 미래

이번 글에서는 국내 대표 VC ‘매쉬업벤처스’의 정재원 선임심사역이 YC의 콘텐츠와 투자 동향을 통해 AI 에이전트 시장의 변화를 소개합니다.

“누군가 스타트업의 미래를 묻거든 고개를 들어 Bay Area를 보게 하라”

안녕하세요. 매쉬업벤처스 정재원 선임심사역입니다. 최근 스타트업 씬의 분위기를 한 줄로 요약하자면 위와 같습니다. 한국의 거시경제 상황이 좋다고 보기 어려울뿐더러, 모바일 시대가 촉발한 한 차례의 호황기가 지나면서 폭발적으로 성장할 분야가 줄어든 것도 영향을 끼쳤다고 생각합니다.

그렇다 보니 결국 창업자, 투자자 가릴 것 없이 해외 시장으로, 그리고 그중에서도 혁신을 주도하는 미국 시장을 주목하고 있습니다. 그리고 초기 단계에 투자하는 사람이라면 역시 미국의 초기 투자사인 ‘Y-Combinator(이하 YC)’의 활동을 주기적으로 살펴보게 되는 것 같습니다.

YC Requests for Startups: Spring 2025

YC는 항상 정기적으로 ‘Requests for Startups(이하 RFS)’ 콘텐츠를 통해 자신들의 투자 관점에 대해 설명합니다. ‘여기 있는 것만 투자하겠다’는 목적은 아니고, 이런 생각에 공감하면 바로 YC에 지원하라는 일종의 콘텐츠 마케팅이라고 할 수 있습니다. 올해 1월에도 YC에서 새로 RFS를 공개했으며, 요약하자면 다음과 같습니다. (다음 아티클을 참고하였습니다.)

서론

AI의 적용 범위가 넓어졌고, 이에 따른 창업 기회와 인프라에 대한 수요가 증가함

키워드1: 자동화/간소화

컴플라이언스, 감사, 계약 절차 등의 자동화
소프트웨어 개발 하부 조직의 자동화(QA, 배포, 다국어 지원 등)
컴퓨터 내 워크플로우 자동화

키워드2: 진입장벽 또는 병목을 제거하는 일

오픈소스 AI를 활용하고자 하는 B2B 고객 대상 솔루션
AI 하드웨어 개발에 대한 플랫폼 종속성을 줄이는 코딩 에이전트
소프트웨어로 대중화된 개인 전용 전문가
추론 과정에 들어가는 리소스 최적화

이와 같이 RFS의 모든 지면을 할애했을 정도로 YC에서 AI에 집중하고 있음을 알 수 있습니다.

YC의 최신 투자 동향 알아보기

YC는 정기적으로 배치(Batch) 프로그램을 통해 창업자들을 모집하고 투자를 집행합니다. 기존 연 2회만 진행하던 프로그램인데, 24년 하반기부터 가을 배치 프로그램이 시작되면서 이제는 분기별로 진행하는 것으로 변경되었습니다.

*이와 같이 변경된 이유는 해당 아티클을 살펴보면 더욱 자세히 파악할 수 있습니다.

이번에는 최근 2차례 배치를 통해 YC가 실제로 투자한 스타트업은 어떤 곳들이 있을지 살펴보겠습니다. 다만, 전체적인 경향성을 조망하는 글은 이미 많기 때문에 조금 다른 시각에서 분석해 보려는 의도로 글을 구성했습니다. 그래서 이 글은 예상 독자인 국내 창업자들이 참고할 수 있는 부분을 위주로 작성하였습니다.

요약하자면, 아래와 같습니다.

한국에서도 이미 유사한 시도가 많은 부류의 비즈니스는 제외했습니다.
‘미국이라서’ 잘 될 수 있는 아이디어 또한 다루지 않았습니다.
상기 조건을 기반으로, 한국에 있는 창업자들도 참고해 볼 수 있는 인사이트를 정리했습니다.

YC F24: AI 에이전트 붐이 온다(?)

지난 8월 말부터 모집해 12월에 데모데이까지 마친 기업은 총 95개사였고, 그중 78개가 넓은 의미의 AI 비즈니스였습니다. 세부적으로는 에이전트(agent), 어시스턴트(assistant), 워크플로우/자동화(workflow/automation), 에이전트 인프라(agent infra) 등으로 추려볼 수 있습니다.

1. 버티컬(Vertical) SaaS + AI 에이전트

이전부터 특정 산업군에 특화된 B2B 소프트웨어가 버티컬 SaaS(Vertical SaaS)라는 이름으로 많이 등장했던 것을 기억해 볼 수 있습니다. F24 배치에는 AI의 발전과 함께 에이전트를 결합한 형태의 SaaS가 많이 포함되었습니다. 또한 의료, 보험 등 비교적 ‘규제로 인해 낙후된 업무 방식+높은 지불용의’가 명확한 도메인부터 다양한 시도가 이뤄지고 있습니다. 상용화된 SW 제품만으로 고객을 온보딩시키고 조직 전체로 퍼뜨리기까지는 상당한 시일이 소요되기 때문에, 이러한 부분을 에이전트로 해결하려는 모습입니다. 정리하면, 고객이 특정 SaaS의 핵심 가치(first value)를 체감하는데 에이전트가 도움을 줄 수 있을 것이라 기대합니다.

2. AI 에이전트를 위한 피드백/모니터링 도구

모든 분야마다 AI 에이전트의 필요성이 대두되고 있습니다만, 그에 비해 아직은 그것들이 만들어낸 결과물은 들여다볼수록 아쉬운 상황입니다. 알아서 모든 것을 해주길 바라는 사람들의 바람과 달리, 현재 AI 에이전트는 인지-판단-실행을 모두 처리하는 수준까지 도달하지 않았습니다. 오히려, 여전히 인간의 지도 편달이 필요한 인턴/주니어 정도의 실무 능력을 가지고 있는 상황이라고 생각합니다. 그러다 보니 관리자인 인간이 에이전트를 잘 들여다볼 수 있는 모니터링 도구가 등장하는 것이 오히려 자연스러운 흐름일 것입니다. 다시 말해, 필요하다고 생각하는 부분에서는 여전히 인간이 바로 개입할 수 있도록 하는 HITL(Human In The Loop) 시스템을 주목해 볼 수 있겠습니다.

주요 사례

Fixa: AI 음성 에이전트에 대한 모니터링/디버깅을 자동화함
Abundant: AI 에이전트를 위한 온디맨드 인력을 투입해 퀄리티 제고
Humanlayer: AI 에이전트가 인간에게 피드백/승인 등을 요청하도록 하는 트랜지션

이외에는 3. 노코드 툴을 활용해 산업 현장에서 AI로 업무 방식을 혁신하는 기업이나, 4. 위성 통신을 위한 인프라를 구축하는 기업 등도 국내에 적용해 볼 수 있겠다 싶었습니다. 특히, 후자의 경우에는 국가 주도의 성장을 기대해 볼 수 있는 산업이기 때문에 그 파도에 올라탄다면 스타트업이 주도권을 잡는 것도 가능하겠다는 생각이 들었습니다.

YC W25: 업무 방식 혁신에 주목

W25 배치에는 총 166개 기업이 선정되었습니다. W24 배치가 총 253개사니까 실질적으로는 한 시즌을 2개로 쪼개어 관리 부하를 줄이고자 했던 게 일단 확실해 보입니다. 개인적인 생각을 덧붙이자면, F24에서의 레슨런을 W25에 반영한 게 아닐까 싶기도 합니다.

1. AI 에이전트 대상 모니터링/보조 도구

F24 배치에서는 버티컬 AI 에이전트가 다수였으나, W25에서는 에이전트를 관리하고 보조하는 솔루션이 더 많아졌습니다. 결국 고객사는 AI 에이전트에 대한 책임 소재를 어차피 공급사에 물을 수밖에 없기 때문에, 아직 나 홀로(stand-alone) 제품보다는 앞서 언급한 ‘HITL이 포함된 에이전트 패키지’를 팔아야 할 것 같습니다.

2) 부수 업무를 빠르게 해결해 주는 솔루션의 부상

LLM 키워드와 함께 정말 많이 등장했던 ‘AI OCR’과 ‘RAG 기반 사내 챗봇’이 기억 날지 모르겠습니다. 둘 다 인간이 직접 하는 것에 비해서는 효율적이었지만, 그것만으로는 스케일업에 한계가 있다고 생각합니다. 그리고 현재는 그 수준을 넘어 ‘직접 데이터를 수집하고 도메인 전문성이 덜 중요한 영역의 의사결정까지 자동화’하는 정도까지 발전했습니다. 여기서 제가 생각하는 핵심 가치는 결국 ‘방대한 양의 비정형 데이터에서 인사이트를 뽑고 그 중 선택지를 기준과 함께 제시하는 행위’를 자동화하는 것이 아닐까 생각합니다. 한 마디로 입맛에 맞게 고르기만 하라는 정도는 되어야 할 것입니다.

주요 사례

Vantel: 부동산 중개인이 방대한 문서를 빠르게 비교해 볼 수 있도록 함
Misprint: 포켓몬 카드에 대한 비정형 데이터를 분석해 가격 정보를 트래킹함

생각해 볼 것들: MCP와 계층적인 AI 에이전트

Q1. MCP(Model Context Protocol)가 시사하는 바는 무엇인가?

최근 MCP에 대한 아티클을 자주 접하고 있습니다. 이는 24년 11월 앤트로픽(Anthropic)에서 공개한 오픈소스의 일환으로, ‘AI 에이전트를 위한 USB-C 포트’라고 이해하면 좋을 것 같습니다. 결국 AI 모델을 다양한 툴이나 데이터베이스 등에 연결하는 표준화된 방식을 제안한 것입니다.

MCP가 가져올 파급 효과로 무엇이 있을지 상상해 보면 다음과 같습니다. 우선, 오픈소스인 MCP를 통해 AI 에이전트의 사용 사례가 폭발적으로 늘어날 것 같습니다. 또한 상호작용의 횟수가 많은(multi-turn) 작업을 더욱 정교하게 수행하며 그 성능 또한 대폭 개선될 것으로 보고 있습니다. 마지막으로, 특정 서비스의 API를 배타적으로 연동하는 것만으로 사업적인 해자(moat)를 갖추기는 어려워졌다고 생각합니다.

Q2. 계층적인(Hierarchical) AI 에이전트는 도래할 것인가?

앞서 다루었듯 AI 에이전트를 단독으로 사용하기에는 성능과 신뢰도 모두 부족합니다. 그렇기 때문에 아직 인간이 일일이 개입을 해야 하는 상황입니다. 하지만, 무릇 인간이란 게으른 존재이기 때문에 언젠가는 그 개입마저도 자동화하게 되는 시점이 올 것 같습니다.

그리고 개인적으로 이것은 엄청난 기술보다는 계층화를 통해 이룰 수도 있겠다고 생각합니다. 결국에는 인간이 최상위에서 굵직한 의사결정과 함께 대승적 차원의 책임을 지고, 그 아래에는 관리자 에이전트, 실무 에이전트, 실무 보조 에이전트가 생길 수도 있겠다는 상상을 합니다.

*이러한 상상을 잘 풀어낸 아티클이 있어 이 또한 참고하면 도움이 될 것 같습니다.

주목할 만한 AI 비즈니스

‘MCP’ 서퍼(surfer): 진정한 의미의 AI 에이전트가 되기 위한 첫걸음

현재 MCP가 만든 파도를 시의적절하게 활용하여 다양한 사용 사례를 만들 수 있다고 생각합니다.
실제로 0.99인분을 할 수 있는 에이전트가 되기까지 ‘꾹 참고 써 줄’ 사용자를 1명 이상 확보했다면 더욱 좋습니다.

에이전트를 위한 에이전트(Agent for agent): AI 에이전트에 대한 모니터링 (반)자동화

여전히 인간의 피드백이 필요한 영역이라고 생각하기 때문에 당장 자동화는 어렵다고 생각합니다. (사실 완전 자동화가 적기라고 생각하지도 않습니다.)
하지만 언젠가는 소위 ‘AI 봉건제’를 만들어내며 (인간의) 노동집약성과 휴먼 에러(human error)를 극소화하는 비즈니스만이 살아남을 수도 있을 것 같습니다.

이러한 것들이 당연히 정답이라고 볼 수 없을뿐더러 아직 그 누구도 명확히 정의하지 않은 주제입니다. 그렇기 때문에 이러한 고민을 누구보다 먼저 해왔고, 자신만의 가설을 세운 분들의 이야기가 궁금하네요.

[매쉬업벤처스가 AI 에이전트 창업자를 찾습니다]

산업 최전선의 경험을 활용한 End-to-End AI 에이전트
빠르게 증가하는 AI 에이전트와 A2A 이코노미를 위한 기반 기술

글로벌 비즈니스 경험이 풍부한 창업자 출신 파트너들이 직접 투자하고 성장을 지원합니다. 매쉬업벤처스와 함께 AI의 미래를 만들어갈 창업자들은 아래 버튼을 눌러 연락주세요.

<원문>

Y Combinator를 통해 본 AI Agent의 동향과 미래

]]>

‘일레븐랩스’, 주말 프로젝트가 33억 달러짜리 회사가 되기까지

AI 목소리 서비스의 대표 주자, ‘일레븐랩스’ 성장기

일레븐랩스(ElevanLabs)라는 회사를 아시나요?

텍스트, 오디오를 기반으로 목소리를 생성하는 서비스를 주력 서비스로 하는 회사인데요. 우리나라에도 ‘타입캐스트’라고 유사한 서비스를 제공하는 스타트업 ‘네오사피엔스’가 있습니다.

일레븐랩스는 쉬지 않고 빠르게 성장하고 있습니다. 2025년 1월에는 렉스 프리드먼이 키이우에서 우크라이나 대통령 젤렌스키와의 3시간짜리 인터뷰를 진행하며, 일레븐랩스 서비스로 인터뷰 내용을 영어, 우크라이나어, 러시아어로 제공하기도 했습니다. 젤렌스키 대통령의 목소리와 억양이 아주 그럴듯하게 다른 언어들로 바뀌더군요 - AI가 단순한 번역이 아닌 ‘언어의 장벽’을 허물 수 있다는 것을 확인한 사례였습니다.

사업적으로도 일레븐랩스는 영민하게 나서는데, 꼭 긍정적으로만 움직이는 회사는 아닌 걸로 보입니다 - 혹시 윤리적인 문제로 이슈가 될 거 같으면 빠르게 움직여 잠재 부정 여론을 다양한 수단으로 잠재우기도 하고, 연구 결과를 공유하거나 일절 공개하지 않기도 합니다.

지난 1월 말, 일레븐랩스는 또 한 번 대규모 투자 라운드를 마무리했고, 1억 8백만 달러를 유치하며 기업 가치는 33억 달러(4조 8천억 원)가 되었습니다. 폴란드 출신의 두 창업자는 어떻게 일레븐랩스를 AI 음성 기술의 최전선에 있는 회사로 성장시켰을까요? 그리고, 이 회사의 ‘비밀주의’에도 불구하고 왜 사람들은 일레븐랩스를 좋아할까요?

오늘 글에서는 이 일레븐랩스의 여정, AI 음성 분야에서의 경쟁력, 그리고 이들이 사업을 추진하는 전략을 함께 살펴볼까 합니다.

일레븐랩스의 시작: ‘엉망’인 폴란드의 더빙 환경

마티 스타니셰프스키(Mati Staniszewski), 그리고 피오트르 다브코프스키(Piotr Dabkowski)는 폴란드 바르샤바의 코페르니쿠스 고등학교 시절부터, 그러니까 아주 오래전부터 아는 사이였다고 합니다. 꽤 끈끈한 사이였나봐요. 사실, 너무 잘 아는 사람하고 같이 일하는 게 어려울 수도 있는데, 이 두 사람은 ‘기술에 대한 열정’을 공통분모로 해서 오랫동안 주말 프로젝트도 같이 하며 협력을 계속해 왔다고 합니다.

피오트르와 마티 모두 영국으로 대학을 가게 됐는데, 마티는 임페리얼 칼리지 런던에서 수학을, 피오트르는 옥스퍼드/케임브리지에서 컴퓨터 사이언스를 공부했습니다. 그리고 마티는 Opera Software, 블랙록, 팔란티어에서, 피오트르는 Tessian과 구글에서 7년간 근무했죠.

이렇게 각자의 길을 영원히 갈 수도 있었겠지만, 같이 했던 주말 프로젝트 중 하나로 이 두 사람이 어릴 때부터 불만을 가졌던 ‘공통의 문제’를 해결할 것 같다는 느낌을 받았다고 해요. 그 문제는 바로, ‘폴란드 영화 더빙’이었습니다.

폴란드도 영어를 모국어로 쓰는 나라가 아니니 많은 외국 영화가 더빙으로 송출되는데, 상당히 많은 경우 단조로운 나레이터 한 명의 목소리로 더빙을 했다고 합니다. (네, 한 명이요. 상상해 보면 정말 기괴할 거 같지 않나요?)

이를 해결하고자 음성 분석을 가지고 실험하던 중에, 마티와 피오트르는 발음, 감정, 음색의 미묘한 차이에 흥미를 느꼈습니다. 일종의 ‘와우’ 모먼트였겠죠? “만약에 음성 합성 기술이 계속 발전해서, 진짜 감정, 개성을 담아낼 수 있다면, 전 세계 콘텐츠가 훨씬 더 많은 사람들에게 전달될 수도 있겠다. 무엇보다 마침내, 폴란드 사람들을 이 끔찍한 더빙에서 구해줄 수 있겠구나!”라는 깨달음의 순간이요.

얼마 지나지 않은 2022년 4월, 마티와 피오트르는 이 주말 프로젝트를 가지고 ‘일레븐랩스’라는 스타트업을 설립하게 됩니다.

연구 중심, 그러나 고객과 밀접하게 협업한다

2022년, ‘모든 언어, 모든 목소리로 고품질 콘텐츠에 대해 보편적인 접근성(Universal Access)을 제공한다’는 사명을 가진 연구 중심 기업 일레븐랩스를 설립한 후, 마티는 CEO, 피오트르는 CTO 역할을 맡습니다. 처음에는 아예 사무실도 없이 직원 15명과 함께 운영했다고 해요. 초기 6개월은 두 파트너 모두 연구 및 제품 개발에 집중했는데, 모든 노력을 TTS(Text-to-Speech) 기술 개발에 쏟았죠.

TTS는 아시다시피, 머신러닝 기술을 사용해서 텍스트를 자연스러운 음성으로 변환하는 기술입니다. 시리, 알렉사 등과 대화할 때 많이 써 보았을 겁니다.

내부를 들여다보면, TTS는 몇 가지 단계를 거치는데요. 먼저 ‘텍스트 정규화(Text Normalization)’와 ‘음소 변환(Phoneme Conversino)’을 통해 입력값을 표준화, 부호화합니다. 다음으로는 인코더-디코더 아키텍처(어텐션 메커니즘을 갖춘 Seq2seq 모델 같은)가 이 언어 표현을 ‘멜 스펙트로그램(Mel-Spectrogram)’ 같은 중간 단계의 음향적 특징들로 변환합니다. 마지막으로, Wavenet 같은 신경망 보코더가 이런 스펙트로그램에서 원시 오디오 파형을 생성하죠. 이런 E2E 접근 방식에 딥러닝 기술을 기반으로 하면 운율, 억양, 자연스러움 등을 잘 포착해 표현력이 좋고 사실적인 음성을 합성할 수 있게 해 줍니다.

일레븐랩스는 시리나 알렉사 수준의 TTS에서 만족하지 않았습니다. 훨씬 더 감정적이고 현실적인 뭔가를 만들고 싶었습니다. 결구 2023년 1월 베타 버전 제품을 출시했고, 마티는 CEO의 역할을 다하고자 잠재 고객들에게 연락을 하면서 일레븐랩스의 기술을 현장에서 입증하기 위해서 노력했습니다.

마티가 튜링 포스트의 Ksenia에게 보낸 메시지 <출처: 튜링 포스트>

그렇게 2023년 6월까지, 일레븐랩스의 AI 플랫폼에 등록한 사용자는 100만 명을 넘어섰습니다. 그리고 일레븐랩스는 산업 내의 중요한 사업자들과 B2B 파트너십도 열심히 구축했죠. 예를 들어 가장 큰 오디오북 출판사 중 하나인 Storytel, 글로벌 콘텐츠 제작 플랫폼의 리더인 TheSoul Publishing, 그 외에도 Embark Studios, Paradox Interactive 같은 유명한 게임 개발사, 그리고 크리에이티브 미디어 플랫폼 MNTN과도 협력했습니다.

마티가 B2B 파트너십을 구축해 가는 사이, 팀은 아래와 같은 목표를 달성하는 데 집중했습니다.

음성 합성(Speech Synthesis)

문맥과 맥락을 고려해서 반영하는 장문(Long-form) TTS에 초점을 맞추고 자연스러운 음성을 만들어내는 기술에 집중했습니다.

음성 복제(Voice Cloning)

사이즈가 큰 데이터셋이 필요한 기존의 방식과는 달리, 일레븐랩스의 시스템은 단 1분 분량의 데이터만으로도 목소리를 복제할 수 있었습니다.

압축 (Compression)

일레븐랩스의 모델은 음성 데이터를 MP3보다 100배 더 압축해 고품질의 효율적인 인코딩을 해 줍니다.

챗GPT 등장: 투자자들은 ‘생성형 AI’의 실체를 원했다

일레븐랩스는 2023년 1월, 중부와 동부 유럽의 창업자들을 지원하는 체코의 펀드 Credo Ventures, 그리고 영국의 최대 시드 펀드인 Concept Ventures로부터 첫 번째 Pre-Seed 라운드 투자를 유치했습니다.

이 시기가 어떤 분위기인지 기억하시나요? 챗GPT가 2022년 11월 30일에 출시됐고, 투자자와 시장은 생성형 AI와 조금이라도 관련이 있다면 열광하기 바빴죠. 수많은 스타트업에 돈이 쏟아져 들어오며 기업 가치는 폭등했고, 모두가 갑자기 거대 언어모델로 뭔가를 ‘혁신한다’고 주장하기 시작했던 때입니다.

일레븐랩스의 특별한 점은 이미 그때 ‘자연스러운 음성’, ‘맥락과 문맥을 고려해서 반영한 음성’을 생성할 수 있는 독자적인 AI 모델을 가지고 있었으며, 고객에게 소개할 수 있는 제품도 있었다는 겁니다. 투자자들에게 일레븐랩스는 ‘껍데기가 아니라 실체가 있는 생성형 AI 스타트업’이었던 거죠.

완전히 틀려버린 예측

제 개인 의견이지만, 처음에는 일레븐랩스 팀도 LLM이 어느 정도까지 혁명적인 변화를 가져올 건지, 특히 ‘멀티모달 모델의 등장’이 언제 이뤄질지에 대해서는 완전히 이해하지 못했던 것 같습니다. 2023년 4월, 한 인터뷰에서 마티는 향후 5년과 10년에 대한 예측을 이야기합니다.

5년 후

AI 기술 기반의 더빙이 사람의 수준을 능가해서, 할리우드 영화의 번역을 AI로 할 수 있어진다.

10년 후

화자의 정체성과 감정을 보존하는 실시간 음성 번역이 가능해져서, 전 세계에서 커뮤니케이션의 장벽을 제거하게 된다.

그해 5월이나 6월쯤, 일레븐랩스가 시리즈 A 라운드를 준비할 때쯤, 마티와 피오트르 두 사람은 이전 인터뷰에서 이야기한 예측을 다시 검토하고, 거대 언어모델이 제공하는 새로운 기능들을 활용해 제품을 개선하는 작업에 긴급하게 착수했을 겁니다. 어쨌든 전반적으로 일레븐랩스는 시기적으로 완벽한 상황에 있었습니다: 이미 베타 버전의 제품을 보유한 검증된 생성형 AI 스타트업이었고, 비즈니스 전략도 잘 수립해서 실행한 거죠.

명확한 방향의 사업전략

일레븐랩스는 연구 단계에서 제품화 단계로 넘어가는 과정을 아주 신중하게, 그리고 전략적으로 진행했습니다. 그들은 ‘고품질의, 그리고 스케일링할 수 있는 음성 AI 서비스’가 가장 큰 영향을 미칠 수 있는 산업이 어디일까 계속해서 고민했다고 합니다. 여기도 만나보고 저기도 같이 해 보고 하는 대신, 일레븐랩스는 ‘미디어(신문, 뉴스레터)’, ‘엔터테인먼트(영화와 TV)’, ‘출판(오디오북)’ 분야를 가장 긴급한 수요가 있는 영역으로 판단했습니다. Endeavor의 추정에 따르면 이 산업에서는 콘텐츠에 대한 고품질 음성 해설을 제작하는 데 연간 약 60억 달러를 지출한다고 합니다. 이 정도면 설립 2년 차 신생 스타트업에게는 엄청난 기회죠.

위에서 일레븐랩스가 고른 분야들은 상대적으로 눈에 잘 띄며 청중 스스로가 홍보 수단이 되는 - 물론 서비스의 품질이 좋으면요 - 분야입니다. 이를테면 많은 사람이 구독하는 뉴스레터에 어떤 스타트업의 기술이 쓰였다고 하면, 독자들에게 자연스럽게 소문이 퍼지고 직접 사용해 보고도 싶어지겠죠. 아마 팔란티어에서 사업 전략 일을 한 경험을 가진 마티가 이런 점도 고려했을 거라고 생각합니다 - B2B를 먼저 시작한 다음, 자연스럽게 노출하고 실험해 보면서 소비자 시장으로 가는 것이죠.

물론, 일레븐랩스는 동시에 이 산업을 혁신하는 사업자가 되고 싶어 했습니다:

교육: 여러 가지 언어로 된 콘텐츠에 훨씬 더 많은 사람들이 접근할 수 있도록 합니다.
게임: 캐릭터에게 여러 가지 언어로 만든 목소리를 부여합니다.
실시간 커뮤니케이션: 실시간 번역, 그리고 음성에 기반한 커뮤니케이션을 하도록 합니다.

이처럼 장문(Long-form) 음성 합성 기술을 완벽하게 만드는 데 먼저 집중해서, 일레븐랩스는 AI 기반 음성 변환 기술을 더 광범위하게 응용할 수 있는 기반을 마련했습니다. 어찌 보면 당연한 것이기도 하지만, 일레븐랩스를 차별화하는 것은 그들의 전략이 단순히 더빙이나 비용 절감에만 초점을 맞춘 게 아닌, 음성 AI의 완전히 새로운 가능성을 끊임없이 추구하면서 그 역할을 꾸준히 새로운 방향으로 확장하려고 했다는 점입니다.

제품군, 그리고 대화형(Conversational) AI 에이전트 플랫폼

일레븐랩스는 앞서 이야기한 대로 TTS(Text-to-Speech), 음성 복제, 더빙 도구 등 ‘AI 기반의 음성 합성 제품군’을 제공합니다. 일레븐랩스 플랫폼에서 사용자는 오디오북, 비디오 음성 해설 등 다양한 용도에 적합한 현실적인 음성을 32개 언어로 생성할 수 있습니다.

‘Voice Library’는 다양한 프로젝트에 사용할 수 있는 대규모의 음성 컬렉션을 제공하고, ‘Dubbing Studio’는 원본 화자의 감정과 톤을 유지하면서 오디오 및 비디오 번역을 쉽게 할 수 있도록 해 줍니다. 또, ‘ElevenLabs Reader’ 앱에서는 여러 언어로 만들어진 콘텐츠를 들을 수도 있습니다.

일레븐랩스 제품 출시 타임라인 <출처: 튜링 포스트>

2023년 6월에서 2024년 말까지, 1년 반 정도의 기간 동안 일레븐랩스는 여러 가지 유즈 케이스, 품질 수준 및 성능 요구 사항에 최적화된 다양한 음성 합성 모델을 개발했습니다. 29개 언어로 생생하고 풍부한 감정을 느낄 수 있는 음성을 합성할 수 있는 “Eleven Multilingual v2”, 32개 언어를 지원하는 아주 빠르고 저렴한 모델인 “Eleven Flash v2.5” 같은 모델을 포함해서요.

일레븐랩스의 대화형 (Conversational) AI 에이전트 플랫폼

최근에는 LLM 기능을 최대한 활용해서 ‘자연스럽고 사람과 유사한 상호작용’을 하는 맞춤형 대화형 음성 에이전트를 배포할 수 있는 ‘대화형 AI 에이전트 플랫폼’을 출시했습니다.

일레븐랩스 대화형 AI 에이전트 플랫폼 <출처: 일레븐랩스>

이 플랫폼은 아래 몇 가지 핵심적인 구성 요소를 통합합니다.

음성-텍스트 변환(STT; Speech-to-Text): 사용자의 음성을 텍스트로 정확하게 변환합니다.
거대 언어 모델(LLM; Large Language Model): 변환된 텍스트를 처리해서 문맥과 맥락을 이해하고 적절한 응답을 생성합니다.
텍스트-음성 변환(TTS; Text-to-Speech): 생성된 텍스트 형태의 응답을 다시 자연스러운 음성으로 변환합니다.

이 플랫폼은 ‘부드럽고 빠르게 반응하는 대화를 보장’하는 고급 턴 테이킹/인터럽션 처리 메커니즘을 갖추고 있습니다. 여기에 사용자가 광범위한 음성 라이브러리에서 선택하거나 특정한 요구사항에 맞게 스스로의 목소리를 복제할 수도 있습니다. 또, 함수 호출로 외부 애플리케이션과 통합하거나 실시간으로 정보를 검색하는 등 기타 작업을 수행할 수 있죠. 그래서 AI 에이전트의 역할로 많이 언급되는 고객 지원 상담원, 가상 선생님, 대화형 게임 캐릭터 등 여러 응용 분야에 적용할 수 있을 걸로 보입니다.

외부에 알려지지 않은 기술 스펙과 연구 내용

이처럼 TTS, 대화형 AI 에이전트, LLM 등 흥미로운 연구 토픽이 많이 언급되었지만, 일레븐랩스에서 어떤 연구를 했는지는 정확히 알 수 없습니다.

2023년 1월, 일레븐랩스가 베타 버전을 공개하고 나서 며칠 만에 일부 악성 사용자들이 유명인의 목소리를 복제해 장난을 치는데 이 기술을 사용하는 일이 일어났습니다. 곧바로 일레븐랩스는 5달러짜리 Starter Tier 요금제를 도입했고, 그 이유를 ‘기술을 어떤 사람이 사용하는지 식별하기 위해서’라고 밝혔습니다. 트위터는 즉시 비난의 글로 들끓었고, 비슷한 기능의 오픈소스 프로젝트가 등장하며 일레븐랩스가 위기에 빠지는 것이 아니냐는 이야기까지 돌았습니다.

지금이 2025년 2월인데요, TorToise TTS 같은 비슷한 오픈소스 프로젝트가 있긴 하지만, 일레븐랩스는 잘 살아남아서 성장하고 있습니다. 공식 연구 논문을 공개하거나, 기술을 오픈소스로 만들지 않은 상태에서도 말이죠. 웹사이트에서는 음성 생성에 초점을 맞춘 ‘연구소’라고 하고 있지만, 논문이든 출판물(Publication)에 대한 링크는 눈을 씻고 찾아봐도 없습니다. 이처럼 일레븐랩스는 연구를 내부적으로만 진행하고, 학술적인 채널로 공개하지 않고 있는 듯합니다. 아마 경쟁 또는 지적재산 보호를 위해 기술의 세부 사항은 비밀로 유지하고 싶은 것이겠죠.

이는 오픈소스이든 아니든, 아주 직관적인 사용자 경험 제공이 더 중요하다는 점을 시사합니다. 결국 사람들은 그 단순함과 아름다움, 편리함에 빠져드는 것이 아닌가 싶네요.

홍보용 캐치프레이즈로 쓰이는 ‘오픈’

이렇게 연구와 개발 내용은 공개하지 않지만, 제품 구현 방법을 설명하는 코드, 그리고 설명서는 깃헙에 열어두고 있습니다. 이걸 ‘오픈소스’에 기여한다고 할 만한지는 모르겠지만요. 어쨌든 자사 제품과 생태계를 홍보하는 데 중점을 두고 있습니다. 또한 Python API, GitHub 예제 프로젝트 등 개발자 도구를 제공하지만, 이는 일레븐랩스의 독점적인 모델과 더 쉽게 통합하기 위한 방법을 안내하는 것입니다. 물론 핵심 기술을 공개할 거냐 비공개할 거냐는 전적으로 회사의 선택입니다. 일레븐랩스의 ‘오픈’은 진정한 오픈소스의 자유정신이 아닌 ‘편의를 위한 개방’ 정도로 이해하면 되겠습니다.

<출처: 일레븐랩스>

다양한 경쟁자들

한편 일레븐랩스는 AI 기술 기반 스타트업들과 거대한 빅테크 기업, 모두와 경쟁하고 있습니다.

1. AI 기술 기반 스타트업

여러 스타트업이 각기 다른 방식으로 음성 합성 분야에서 틈새시장을 개척하고 있습니다.

MURF.AI, Play.ht, WellSaid Labs

이런 스타트업은 콘텐츠 제작자를 위한 AI 음성 해설에 초점을 맞춥니다. 비디오, 오디오북 및 기업 교육을 위한 합성 음성 솔루션을 제공합니다.

Descript, 네오사피엔스

Descript나 우리나라의 AI 스타트업 네오사피엔스는 팟캐스트, 유튜브(YouTube), 전문 편집까지 포함하는 범위의 AI 음성 복제와 생성 서비스를 제공합니다. (네오사피엔스는 비디오 콘텐츠를 제작할 수 있는 서비스도 제공합니다)

Replica Studios

게임과 몰입형 경험을 전문으로 하며, 대화형 스토리텔링을 위해 고유한 캐릭터 음성을 생성합니다.

Resemble AI

개인 맞춤형 콘텐츠와 다이나믹한 대화를 위해 실시간 음성 복제 및 음성 합성 서비스를 제공합니다.

Voicery

감정과 자연스러운 억양을 강조하며 실시간 음성 상호 작용에 중점을 둡니다.

2. 빅테크 기업

결국 AI 음성 분야의 가장 큰 경쟁자는 구글, 아마존, 오픈AI라고 봐야 합니다. 다만, 접근 방식은 조금씩 다릅니다.

Google Cloud TTS & Amazon Polly

이 플랫폼들은 클라우드 기반의 음성 합성 서비스를 제공하지만, 기존 생태계에 최신 AI 기술을 통합하는 데는 다소 어려움을 겪고 있습니다. 이 회사들의 모델은 일레븐랩스의 모델보다 표현력과 맞춤 기능이 부족하다는 평가를 받고 있습니다.

오픈AI의 음성 모델

오픈AI도 챗GPT에 음성 기능을 통합했습니다. 그러나 역시 오픈AI의 주력은 ‘생생한 합성 음성’보다는 멀티모달 AI와 추론 모델에 있다고 봐야겠죠.

결국 일레븐랩스는 일면 아주 니치한 시장으로 보이는 ‘AI 음성 합성 기술’에만 집중해, 빠르게 제품과 서비스의 개선을 위한 반복(Iteration)하며, 여러 빅테크 기업을 능가해 뛰어난 PMF(Product-Market Fit)를 확보한 것으로 보입니다.

시장 규모와 사업 모델

2022년, 14억 5천만 달러로 평가된 ‘AI 음성 복제 시장’은 AI 기반 음성 기술에 대한 수요가 증가하면서 2030년까지 연평균 26.1%의 성장률을 보일 것으로 예상됩니다. 일레븐랩스는 특히 오디오북 시장(50억 달러 규모, 2030년에는 350억 달러에 이를 것으로 예상)과 기업 커뮤니케이션 시장에서 좋은 포지션을 점유하고 있습니다. 또, ALS 지원, 뇌졸중 회복, 노인 간호 등 표현력 좋은 음성이 필요한 보조 기술 분야 사업으로 250억 달러 규모의 시장을 공략하고 있죠. 연간 60억 달러로 추정되는 고품질 콘텐츠 음성 해설 제작 비용 시장도 있네요. 어떤 면으로 보든 일레븐랩스가 성장을 드라이브할 만큼 수익성 있는 선택지는 많아 보입니다.

돈은 어떻게 버나

일레븐랩스는 텍스트-음성 변환 문자의 처리량에 따라서 계층화된 가격을 청구하는 구독 기반 SaaS 모델로 수익을 창출하고 있습니다.

<출처: 튜링 포스트>

또한, ‘음성 마켓플레이스’를 운영하면서 크리에이터들이 자기 음성 프로필을 활용해 수익을 창출할 수 있도록 만들고 추가 수익원을 확보하고 있습니다. 이 서비스는 ‘생성형 AI가 사람의 일자리를 빼앗는 것 아니냐’는 잦은 비난이 들리는 부분에 대한 응답이며, 일레븐랩스 커뮤니티의 핵심을 강화하는 효과를 동시에 가져오는 아주 흥미로운 서비스입니다. 음성 아티스트가 자신의 작품을 공유할 공간을 제공하는 동시에 사용자들이 프로젝트에 사용할 새로운 목소리를 쉽게 찾을 수 있게 해 줍니다.

매출 구조

일레븐랩스는 2022년 첫 서비스 출시 이후, 상당한 매출 성장을 경험했습니다. 2024년 10월 기준으로 회사의 추정 ARR은 8천만 달러입니다. 연초의 2천5백만 달러에서 급증한 상황이네요.

회사가 충분한 수익을 내고 있는지는 명확하지 않습니다. 일레븐랩스의 매출 40% 이상은 포춘 500대 기업에서 사용하는 AI 음성 플랫폼으로 발생합니다. 주요 고객으로는 워싱턴 포스트(Washington Post)와 타임(TIME) 등 미디어 회사, 패러독스 인터랙티브(Paradox Interactive)와 같은 게임 스튜디오, 그리고 하퍼콜린스(HarperCollins)와 같은 출판사가 있습니다.

재무 상태

적어도 지금까지는, 일레븐랩스의 전략이 효과를 발휘하고 있습니다. 다양한 산업에서 고객들이 몰려들었고, 투자자들이 문을 두드렸죠. 현재 일레븐랩스는 누구 돈을 받을지 선택할 만한 상황으로, 거대한 VC들의 지원을 든든하게 받고 있습니다.

일레븐랩스 투자 라운드 <출처: 튜링 포스트>

마치며

일레븐랩스의 강점은 대기업의 일반적인 TTS 솔루션을 능가하는 ‘아주 사실적이고 감정적으로 풍부한 AI 음성’ 기술에 있습니다. 렉스 프리드먼 팟캐스트와 같이 잘 짜여진 파트너십, 다양한 쇼케이스 전략이 수익을 창출하는 동시에 회사를 꾸준히 뉴스에 등장시켜 가시성을 유지하고, 다른 스타트업과 경쟁사들을 자극합니다.

실시간 대응력, 사용자 친화적인 인터페이스, 개발자 친화적인 API와 원활한 통합 기능 등으로, 일레븐랩스의 제품은 미디어, 게임, 그리고 출판 분야에서 가장 선호하는 선택지가 되었습니다. 또한, 동의 메커니즘이라든가 딥페이크 탐지를 포함해 윤리적인 안전 장치를 만들어 놓았고, 충분하지는 않다 해도 사용자, 그리고 사회와 신뢰를 강화하는 방안 역시 모색하고 있습니다. 여기에 번성하는 크리에이터 마켓플레이스가 네트워크 효과를 더하며 성장률이 높은 SaaS 모델로 빠른 매출 확장을 실현합니다.

결론적으로, 지금까지 일레븐랩스는 아주 잘 해 왔다고 볼 수 있습니다. 과연 일레븐랩스가 현재 차지하고 있는 좋은 포지션을 기반으로, 앞으로 기술과 시장의 모든 관점에서 선두를 유지할 것인지 주목됩니다.

보너스: 참고자료

<원문>

'일레븐랩스', 주말 프로젝트가 33억 달러짜리 회사가 되기까지

]]>

스타트업은 사람 뽑으면 망한다고 하던데요?

채용, 해야 할까? 말아야 할까?

여러 스타트업 구루(guru)와 투자자들로부터 얻을 수 있는 조언 중 이런 것이 있다.

잘 나가는 스타트업이 투자받고 사람 채용하며 몸집을 키우더니 망가지는 것을 많이 봐왔다, 따라서 사람을 채용하는 것은 늘 신중해야 하고, 그러므로 팀을 작게 운용하는 것이 더 바람직하며, 스타트업 창업자가 모든 일을 해내야만 한다. 그것이 스타트업이라는 것이다.

이렇게 갑자기 커진 회사들이 문제가 발생해서, 사람을 대량 해고하면, 신기하게도 매출은 오히려 더 증가하고 비용은 내려가는데, 이런 경험을 해본 창업가들은 이제 되도록 사람을 안 뽑으려 한다.

…

그래서, 일단 가급적이면 채용하지 말아라. 임직원들이 모두 200% 캐파로 일해서 더 이상 더 많은 일을 못 한다면, 그리고 100% 마음에 드는 사람을 찾으면, 그때 한 명씩, 아주 천천히 채용해라. 그리고 정말 개 같이 일 할 수 있는 사람만 뽑아라.

<출처: 스타트업바이블 블로그>

스타트업 창업자나 코파운더들은 24/7 회사 일에 신경을 쓰고 있기도 하지만, 저런 조언은 물리적으로도 스타트업 멤버라면 주 52시간이 아닌 주 80시간, 100시간 일해야 한다는 주장의 당위 근거가 되기도 한다.

특히 최근에는 인원을 1/10로 줄였더니 매출이 줄기는커녕 오히려 늘었다는 경험담도 심심치 않게 만나볼 수 있다. 역시 스타트업은 채용을 하지 말아야 하는 것일까?

여러 스타트업 채용 행사 포스터. 본문의 글과 전혀 관련 없는 예시일 뿐입니다 <출처: 중소벤처기업부, 송파구, 강남구>

무언가 잘못되고 있다는 것을 알아차렸을 때

PMF가 투자한 어느 기업의 CTO와 저녁 식사를 하게 되었다. 그 CTO는 S대기업 출신으로, 큰 꿈을 안고 이 스타트업에 합류했다. 그는 S대기업에서 본인의 조직장이었던 상무나 임원을 보며, 조직 관리를 비롯해 구성원들에게 동기부여를 하는 방법과 과정 등 많은 배움을 얻었을 것이다.

이 CTO는 당시 회사의 여러 개발자/개발팀 구성원 간 이해관계와 갈등을 조정하는데 아주 많은 시간을 쏟고 있었다. 1on1도 적극적으로 열심히 했지만 성과를 내지 못했고, 그 자체로 너무 힘들어하고 있어 그 자리가 만들어졌다. 가만히 얘기를 들어보건대 그 CTO에게는 정말 문제가 없었다. 최선을 다하고 있었고, 구성원들에게도 진심으로 대하고 있었다. 하지만 무언가 잘못되고 있다는 것은 그 자리에 있던 여럿이 모두 느낄 수 있었다.

나는 명확한 몇 가지 디렉션을 주며 조언했다. 1) 구성원들과 1on1을 하지 말 것, 2) 현재 개발팀의 구성원들 중에서 갈등을 유발하는 인원을 먼저 내보낼 것, 3) 나머지 인원도 CTO의 개발 문화와 방식에 동의하지 않고 반발한다면, 일정 보상을 하고 내보낼 것. 이렇게 세 가지 조언이었다.

이 조직은 몇몇 우여곡절을 거쳐 안정을 찾았고, 현재 아주 잘 성장하고 있다. 최근에는 이 기업과 개발 조직에 대한 얘기까지는 나누고 있지 않다. 그 때문에 나의 조언이 단기적으로 혹은 장기적으로 효과가 있었는지, 혹은 별 쓸모가 없었는지를 따라가 파악해 보지는 않았다. 다만 CTO가 번아웃되지 않고 건강한 모습으로 조직을 이끌고 있는 것을 보면 어느 정도 유효하지 않았을까 짐작해 본다.

과연 나의 조언은 앞서 여느 투자자들의 조언처럼 “인원을 줄였더니 오히려 잘 되더라”와 같은 맥락에서 효과를 본 것일까?

이 조직에서 CTO는 가장 개발 실력이 뛰어난 사람일 것이고, 또 지금의 태도를 보건데 제품에 대한 열정과 이해도 가장 높을 것이다. 따라서 그는 본인이 가장 역량을 가지고 있는 개발에서 더 큰 기여를 해야 하는데, ‘가장 못하는 조직 관리에서 에너지를 소진하며 번아웃될 위기에 놓여있다’ 라고 나는 진단했다. 그래서 현재 CTO의 에너지를 갉아먹는 가장 큰 원인인 ‘사람’을 줄여 보존한 에너지를 제품 개발에 집중해 쓰도록 조언했을 뿐이다. 항상 강조하는 대로 스타트업에게 가장 중요한 것은 오직 ‘제품’ 한 가지뿐이고, 제품의 산출이 잘 되면 나머지 문제는 모두 그 결과에 종속될 뿐이라는 지론 역시 함께 강조했다.

이는 ‘인원을 줄여 전체 몸집을 축소해야 한다는 방향’을 제안하는 것과 다르다. 개발 문화를 세운 이후에는 그 문화와 방향에 맞는 인원을 적극적으로 채용해 개발팀의 사이즈를 키워나가야 한다. 어떤 종류의 일은 반드시 머릿수가 필요하기 때문이다. 다만 이때에도 CTO가 조직 관리에만 집중하지 말고, 여러 엔지니어링 매니저나 조직을 운영할 TPM 등을 채용함으로써 CTO는 보다 잘하는 일에 집중할 수 있게 설계해야 한다.

창업자의 에너지: 스타트업에게는 가장 희소한 자원

나 역시 여느 스타트업이 큰 투자를 받고, (투자자의 조언이나 가이드가 있었건 없었건) 사람을 무한정/무제한으로 채용하겠다며, 서치펌 수십 개를 줄 세우고 이력서 수백 통을 받으며 신중하게 여러 겹의 인터뷰를 보는, 그런 상황의 회사에 합류해 보기도 했다. 또, 동시에 그 스타트업이 다시 매달 수십 개의 인터뷰를 진행하면서 채용에 집중하겠다는 시절을 겪어보기도 했다. 물론 스타트업이 이처럼 몸집을 키우는 것이 꼭 올바른 방향은 아니라고 생각한다. 다만 잊지 말아야 할 것은 “어떤 종류의 일은 반드시 머릿수가 되어야만 할 수 있다”는 것이다.

양쪽의 관점이 부딪치는 만큼, 먼저 이 글의 결론을 짓고 넘어가려고 한다. 이러한 종류의 문제는 결국 어떤 사람을 왜 뽑아야 하는지에 대한 명확한 아이디어와 배경이 없을 때에 일어난다. 따라서 ‘누구를’, ‘어떤 목적으로’ 채용하고자 하는지 그 방향성을 잘 설정해야 한다. 이를 조금은 섣부르지만, 결론으로 먼저 언급해 본다.

*이에 관련해서는 이전 글 JD를 제대로 씁시다를 참고해도 좋습니다.

특히 투자자는 버닝을 끌어올리고 런웨이를 짧게 만드는, 그리고 기업의 이익을 줄이는 채용에 대해 기본적으로 부정적인 입장일 수밖에 없다는 점도 참고하도록 하자.

런웨이는 스타트업의 자금이 남아 있는 기간을 의미하는 투자 관련 용어입니다. <출처: 요즘IT, ImageFX로 제작>

스타트업, 특히 초기 스타트업에게 누군가를 ‘추가로’ 채용한다는 행위의 목표는 “창업자의 에너지”를 절약하기 위함이어야 한다고 생각한다. 앞서 언급한 사례의 ‘인원 줄이기’가 CTO의 에너지를 보존하기 위해서였던 것과 마찬가지 이유다. 스타트업에서는 그것이 어떠한 종류든, 창업자/대표의 손과 에너지를 태우지 않는 것은 전무하다고 해도 과언이 아니다. 그리고 스타트업에서의 일이란, 자가발전-자기증식을 하는 습성을 가지고 있다. 그 때문에 창업자가 최선을 다해서 줄여내려고 노력하더라도 일은 반드시 스멀스멀 빈틈을 찾아 늘어나게 되어 있다. 하물며 창업자가 새로운 일을 벌이려고 하거나 조금만이라도 추가로 일을 수용할 빈틈을 보이면 걷잡을 수 없이 늘어나 버리곤 한다.

가장 잘못된 경우를 상정해보자면 이렇다. 새로운 일을 시작하기 위해 새로운 사람을 채용해 조직을 꾸리면서‘이 일은 세팅만 해놓으면 손대지 않아도 잘 굴러갈 것’이라고 상상하는 경우다. 새로운 일이 주는 불확실함은 창업자의 에너지를 대량으로 갉아먹고, 새로운 사람을 채용하고 태도와 문화를 맞추어가는 과정은 창업자의 시간을 점유해 버린다. 사업을 세팅하는 단계까지 가기도 전에 이미 문제가 생기기 시작하며, 잘 굴러가는 기존의 다른 서비스에도 영향을 미치기 시작한다. 기존의 다른 서비스에서 나타나는 이러한 현상은 ‘아무리 세팅을 잘해도 창업자의 에너지 없이는 잘 굴러가지 않는다’는 명제의 반증이라고 할 만하다.

반대로 상대적으로 양호한 종류의 채용이란 지금 창업자가 가지고 있는 일의 종류와 개수 가운데, 어떤 것이든 줄여주는 종류의 채용이라고 할 수 있다. 이 방향에서는 어떻게든 채용이 창업자의 에너지를 조금이라도 덜 소모하는 쪽으로 귀결될 수 있을 것이기 때문이다. 다만 이런 방향에서도 꼭 유념해야 할 것은 창업자의 일 가운데 ‘어떤 성격의 일을 우선적으로 덜어낼 것인가’에 대한 결정이다. 창업자/대표니까 해야만 하는 일들을 먼저 정해버리다 보면, 정작 본인이 해당 업과 제품의 최고 전문가이자 비저너리, 엔지니어로서 할 수 있는 역할에 소홀해지고 본인보다 전문성이나 역량이 부족한 직원에게 일임하는 현상이 발생하기도 한다. 이는 결코 양호한 방향이라고 할 수 없다.

가끔 들리는 ‘AI 시대가 오면서 한 사람의 생산성이 이전의 몇 배, 몇십 배가 되어 더 이상 채용은 불필요하다’라거나,‘솔로프리너의 시대를 맞아 혼자 생성형 AI의 도움을 받아 남성용 제모기라던가, 플라이트 게임을 만들어 몇천만 원을 뚝딱 벌었다’라는 얘기는 미안하지만 오늘의 주제에서는 완전히 벗어나 있다. 그것은 자영업으로서는 영속성이 없을 뿐 아니라, 반복/재현이 가능하지도 않으니까.

<출처: 크몽>

뭘 힘들게 물건을 만들고 게임을 만드는가. 저 홍보 이미지의 문구가 모두 사실이라면, 책 한 권으로 월 9천만 원을 벌고 포르쉐를 탈 수 있는데. 생성형 AI와는 다르게 우리 인간들은 사고를 하고 (생각하니까 존재하는 것처럼) 그 사고를 하기 위해 반드시 “여유”라는 연료를 태워야 한다. 생성형 AI도 추론(reasoning)을 하지 않는가. 토큰을 연료로 태워서 말이다.

언젠가 생성형 AI가 단순히 개발자나 직무 한두 개를 대체하는 것이 아니라, 스타트업 창업이라는 행위를 대체하고, 투자자가 생성형 AI 기반 가상의 존재에 투자하며, 꾸준한 후속 투자를 받고 엑시트를 할 수 있게 될 때, 그때까지만 유효하다고 전제해 둔다.

“포지티브” 방식으로 선별할, 대표가 전념해야 하는 일의 종류

투자를 받고 사업을 하면서 외부 파트너가 존재하거나 외부의 발주 기관이 존재하는 일과 엮일 때, 창업자가 신경을 쓰지 않아도 되는 일이란 우주에 존재하지 않는 법이다. 그래서 대표가 가지고 있는 24/7의 시간, 그만큼의 여유, 그만큼의 사고의 폭은 창업 행위가 존재하는 것만으로도 만들어질 수많은 일에 조금씩 잠식당한다. 가끔은 해당 분야의 전문가이자 비저너리인 대표는 잡일을 하고, 그보다 못한 초기 합류자(물론 그들도 훌륭한 재능을 가졌겠지만)들이 사업의 본질을 담당하는 것을 보기도 한다.

뛰어난 대표라면 그렇게 조직이 운영되고 연구 개발이 진행되고 세일즈가 만들어지는 구조를 설계했을 수도 있다. 그러나 운이 좋아서 그렇게 굴러가는 경우를 제외하면 어디선가 속도가 늦어지고 일이 막히는 경험을 하고는 만다. 이럴 때에 대표는 보통 채용에 대한 필요를 느끼고, 공격적이든 아니든 어떤 형태로든 유능(?)하다고 알려진 사람들을 모으고 싶어 한다. ‘뛰어난 인재를 모아 두어야만 위대한 기업이 될 수 있다’는 식의 레토릭도 존재하기는 하지만, 꼭 그런 극단적인 경우가 아니더라도 채용에 대한 니즈는 창업자들이 공통으로 가지고 있기도 하다.

이런 상황에서 채용은 창업자가 최소 개수의 가장 중요한 일에만 집중할 수 있는 구조를 전제로 이루어져야 한다. 여기서 중요한 표현은 ‘최소 개수’이다. 모든 종류의 일은 그것이 크든 작든 어렵든 쉽든 반드시 창업자의 시간과 에너지, 즉 사고의 여유를 갉아먹는다. 인간은 기본적으로 멀티태스킹이 되지 않기 때문에, 그 개수를 줄여야만 작은 개수의 일에 집중할 수 있다. (인간에게 멀티태스킹이란, 무의식과 잠재의식에서 일어나는 일부를 제외하면 결국 빠른 전환(스위칭)일 뿐이다. 스위칭을 할 때 딜레이가 최소화되면 스스로 멀티태스킹이라고 착각할 뿐이며, 집중도가 올라가는 시간에 과도하게 쓰이는 에너지를 자각하지 못하는 탓에 번아웃에 이르기도 한다)

창업자에게 일이란 하지 않으려고 애쓰고 발버둥을 쳐야만 비로소 현상을 유지하거나 아주 조금 늘어나는 수준에서 멈추는 것이다. “필요하면 해야지” 같은 담대하고 수용적인 자세를 가지는 순간 일의 개수가 늘어나는 속도를 제어하는 것은 불가능에 가까워진다.

이런 상황에서 덜 중요한 일을 한두 개 덜어낸다고 해도 창업자의 에너지를 절약해 내지는 못한다. 아주 큰 숫자에서 -2 정도를 해도, 여전히 큰 숫자라고 부르기에 충분하기 때문이다. 이렇게 소거법이나 네거티브 방식으로 몇 가지를 제거해 나가는 방식으로는 창업자가 꼭 해야만 하는 최소한의 일들을 좁혀나갈 수 없다.

이들에게는 제품을 산출하고 목표(Objective)에 직접 연결되는 일을 “선택”하는 방향으로, 일의 종류를 선별해 볼 것을 제안한다. 이렇게 해도 돌아보면 결국 너무 많은 일의 종류를 맞닥뜨릴 것이 분명하다. 그저 이렇게 해야 그나마 상대적으로 적은 종류의 일들이 남겨진다는 사실이 위안을 줄 뿐.

Vice-Entrepreneur 혹은 Founder’s Associate

<출처: 작가, 챗GPT 캡처>

어느 글에서 “주니어 앙트레프레너”라는 용어를 읽었던 기억이 난다. 어렴풋하지만 “새로운 사무실이나 브랜치를 오픈할 때, 혹은 새로운 엔티티(Entity)를 세울 때 창업자의 역할을 대신해 주는 사람”으로 이를 지칭한 것으로 기억한다. 최근에는 이런 역할을 하는 사람에 “Chief of Staff”라는 용어를 대신 사용하는 것으로 보인다. 다만, 이 용어는 이번 글에서 내가 창업자에게 추천하려는 채용과는 의미가 상이하다. 그래서 다른 종류의 용어를 찾아보다가 Founder’s Associate라는 용어를 발견했다. 또한 완전히 적합한 사례를 찾지는 못했지만, 개념상으로 충분히 사용해 볼만한 용어로 Vice-Entrepreneur를 추천한다는 제안도 챗GPT로부터 받았다.

물론 가장 아름다운 것은 “중요하지 않은 일을 없애고 하지 말아야 한다”라거나 “덜 중요한 자리에 참석해서 시간을 낭비하지 말아야 한다”와 같은 말을 실천하는 것이겠지만, 현실은 그보다는 훨씬 더 시궁창 같기 마련이다. 창업자로 참석을 요청받는 여러 형식적인 자리도 있기 마련이고, 각종 정부 지원 사업 자금을 유치하다 보면 응당 그 지원금의 대가로 창업자의 시간과 에너지를 당연하게 요구받는 일도 빈번하다. 그런 일들은 그 자체로 각각 하나의 “가짓수”를 채우면서 꾸준히 창업자의 멀티태스킹 리스트에 오른다.

회사의 자금을 책임지는 것도 대표의 중요한 일이다 보니, 창업자는 이런 요구 사항에 하나하나 응대를 하게 된다. 그러나 처음에는 한두 차례 신경쓸 시간과 에너지만으로 충분했던 일들이 시간이 지나며 그 몇 배의 시간과 에너지를 투입해도 충분하지 않을 만큼 커지는 것을 발견할 것이다.

물론 회사의 상황에 따라 언제, 어느 때, 어떤 사람이 필요한지는 모두 다를 것이다. 그리고 어떤 이유로든 반드시 사람은 더 필요하며, 따라서 채용도 계속해 나갈 것이다. 이런 과정에 절대적인 정답이 있을 리가 없다. 채용을 해야 하는가 말아야 하는가 여부조차 그때그때 달라질 뿐 아니라, 심지어 ‘그때는 맞고 지금은 틀린’ 상황들도 연출되고야 말 것이다.

그럼에도 불구하고 채용을 하는 방향에 대한 길을 잃지만 않는다면, 순식간에 과도하게 채용하며 발생하는 문제나 폐해는 어느 정도 줄여낼 수 있을 것이며, 중간중간 회사에 꼭 필요한 사람을 채용해 나오는 성과도 분명히 여럿 만날 수 있을 것이다.

스타트업에서 사람을 채용하는 행위에 대해 너무 과도하게 경계하거나 두려워하지 말기를 바란다. 그보다는 어떤 방향에서 채용해 나가야 하는지를 고민해 볼 계기가 되었으면 하는 바람으로, 이 글을 마무리한다.

]]>

바쁜가? 무엇 때문에 바쁜가?

일정으로 가득 찬 흔한 IT 회사 사람의 캘린더 <출처: 요즘IT>

하루 종일 캘린더를 가득 채운 회의와 미팅들, 나의 결정을 기다리는 슬랙 메시지와 이메일들, 지라 티켓(JIRA assigned ticket)과 태그된 코멘트로부터 도착한 수많은 알림(Notification). IT 스타트업에서 일해본 사람이라면 의외로 상당히 익숙한 장면이기에 기시감이 느껴질 수도 있을 듯하다.

꼭 여느 스타트업을 언급하지 않더라도 대표나 본부장, 임원급 혹은 C레벨이라고 불리는 사람들의 캘린더에서는 한 줄로 모자라 두 줄, 세 줄로 겹쳐 있는 일정들을 손쉽게 발견할 수 있다. 밥 먹을 시간도 없이 바쁘고, 그래서 워킹 런치라는 이름으로 미팅을 묶어보기도 하지만, 이건 점심도 아니고 회의도 아닌 경우가 대부분인 데다 시간에 맞춰 밥을 먹기는 커녕 회의를 하기도 힘들다.

처음에는 한 시간 미팅을 잡다가 미팅할 시간이 모자라서 시간을 쪼갠다고 25분 미팅으로 줄여서 잡아도, 20분 늦게 오는 경우가 많으니 상대방은 한 시간을 일단 비워둬야 한다. 게다가 앞뒤로 계속 일정에 쫓기다 보니 그 미팅에서 무슨 얘기를 할지, 무슨 결정을 할지도 준비하지 못하고, 그때그때 임기응변으로 즉흥적으로 대응할 수밖에 없기도 하다.

그렇게 시간이 미뤄지고 조금 타이밍을 놓치면 이번 미팅은 지난 미팅 때문에 미뤄지고, 다음 미팅은 이번 미팅 때문에 그렇게 또 미뤄진다. 이렇게 도미노처럼 쌓여 있는 미팅이 밀리고 밀리다 보면 하루 일과가 끝나고, 우리는 “보람찬 하루 일을 끝마쳤다”고 할 수 있을까?

그래서 당신은 대체 무엇 때문에 그리 바쁜가?

나는 스타트업의 경영진, 대표가 눈코 뜰 새 없이 바쁜 것에 대해 매우 깊이 ‘그럴 수 있다’고 생각한다. 구성원은 물론이고 외부로 눈을 돌리자면 투자자에서부터 외부 파트너사, 영업 대상은 물론 수많은 정부 기관의 지원 사업들과 운영 기관들까지, 그를 찾는 사람이 너무도 많다.

기실 조금만 둘러보면, 꼭 대표가 아니더라도, 어느 회사의 CPO, CTO이거나 개발실장이거나 하는 사람들은 으레 캘린더가 가득 차 있다. 기본적으로는 정기 회의가 일단을 채우는 데다가 시즌이 되면 요구사항을 전달하기 위해 요청 받는 개발사항/로드맵 요구회의들이 끝도 없이 생겨난다. (여러 부서 또는 상위 부서나 경영진으로부터 나오는 요청 사항으로 인한 회의를 “요구회의”로 통칭했다.)

그리고 빼곡히 잡혀 있는 1on1 미팅. 하루에 1on1을 10개는 해야 하는 날이 하루씩은 꼭 끼어 있다. 30분 단위로 1on1을 돌려 진행하고 나면, 대체 나는 누구와 1on1을 했는지, 무슨 대화를 했는지조차 헷갈릴 지경이다. 그뿐 아니라 조직이 성장하거나 채용이 바쁠 때에는 면접도 하루에 2-3건씩 들어가야 한다. 하루는 8시간이라는데, 인터뷰 참석에 3시간을 쓰고 나도 여전히 10시간은 할 일이 남아 있는 것 같다.

그래서 그 일들 가운데 ‘성과가 있는 일’은 대체 무엇인가?

채용대상자의 인터뷰 일정을 조정해 주는 것만으로 큰 기업 가치를 인정받는 회사들이 있다. 사람들이 바쁜(?) 현업 와중에 시간을 쪼개어 인터뷰를 보려면 충분히 그럴만도 하겠다. 일정 조정을 하기 위한 별도의 노력과 인력을 줄일 수 있을 뿐 아니라, 일정을 조정하는 경험이 탁월하게 좋을 수 있다고 한다. 그러니 더더욱 그 회사의 기업 가치나 투자 행위에 공감할 만하다.

하지만 정작 인터뷰를 보는 그 시간은 어떠한가? 미리 한번 훑어보지도 못하고, 현장에 들어와서 지원자와는 눈 한 번 마주치지 않고 그제야 랩톱으로 읽어 내려가는 이력서. 준비가 안 되었으니 대충 예전에 어디서나 했을 법한 반복되는 질문들. 인터뷰 보는 중에 평가표를 채워 넣어야 한다는 압박감. 중간중간 올라오는 슬랙 알림. 그렇게 구조적인 질문을 하기는커녕, 상투적으로 아무런 질문이나 던지고 으레 인사치레나 한 두 마디 하면서 예의를 갖추는 척하고 있지는 않은가? 인터뷰어의 문제로 상대방을 파악하지조차 못했으면서, 진짜 탈락의 이유는 ‘나에게 인상적인 감흥을 주지 못했기 때문’인데, 우리 회사의 조직 문화에 맞지 않아서라거나, 경험한 프로젝트의 깊이가 느껴지지 않아서 라고 탈락 이유를 적고 있지는 않은가?

이쯤 되면 차라리 인터뷰를 보지 말라고 하고 싶을 지경이다. 인터뷰이에 대한 예의가 아닌 것은 둘째로 쳐야 할 만큼, 그 인터뷰 시간이 당신은 물론 당신의 동료들에게 미치는 파급효과가 너무 크다. 차라리 그 시간에 당신의 동료들이 애타게 찾는 슬랙이나 티켓에 응대하는 게 조직 전체에 큰 효용 가치가 있을 것이니까.

일은 많은데 사람이 없어서 바쁜가?

매일 밤을 샌다며 불평불만을 하는 SRE팀 담당자는 “자기들이 얼마나 바쁘고 리소스가 부족한 줄 알고 있느냐”며, 자기들에게 업무를 요청할 때는 최소 2주 전에는 줘야 겨우 일정을 맞춰낼 수 있다고 강변한다. 그럼 더 채용을 해서 리소스를 늘리면 될 텐데, 사람을 뽑으면 적응할 때까지 당장 더 바빠질 수도 있다고 우려한다.

채용한 사람이 뛰어난 사람이면 어려운 일을 넘기고, 평범한 사람이면 시간을 잡아먹는 나머지 업무(Stuff job)를 넘기면 될 일인데, 슈퍼맨을 뽑아야 하기 때문에 채용은 해내질 못한다. 그리고는 우리의 업무 스타일과 조직 문화에 맞는 사람을 찾을 수 없다고 한탄한다. 우리의 조직 문화를 정의해낼 수 있다면, 그것을 JD에 작성하고 맞는 사람을 추천받아도 좋을 텐데, 너무 바빠서 그것을 정리해 낼 시간도 없는 것 같다. 특히나 스스로 암묵지 속에 존재하는 것을 조직 문화라고 착각하거나 프로세스로 정제되지 않아 되는 대로, 닥치는 대로 처리하는 것을 업무 스타일이라고 주장하면 곤란해진다. 그렇게 본인은 불평불만을 하다가 약속된 베스팅 기간을 채우고 퇴사해 버리면 그만일 테지만.

30분 단위로 1on1을 하루 10개 잡아 놓고, 10~15분씩 늦어져 사람들이 그것을 위해 대기해야 하는 상황이 벌어진다면, 어떻게 편안하고 캐주얼하고 진실한 상태의 1on1이 이루어 진단 말인가. 혼자 업무를 지시하며 하고 싶은 말이나 하는 시간을 종일 잡아놓고 본인의 시간뿐만 아니라 상대방의 시간까지 같이 허비해 버리는 것은 아닐까.

결국은 1:1 업무 지시 시간으로 전락해 버렸지만, 그 업무 지시는 일관되거나 통일되지 않고 상대방이 따로 시간을 들여 조율해야 하는 추가 과제를 던져버리고야 마는 이상한 1on1 묶음(1on1 Bunch)을 하며, 나는 조직 구성원에 최선을 다하는 성실하고 진실한 리더라는 착각에 빠져 있지는 않은가? 나는 이렇게 구체적으로 관리하고 있는데, 상대방이 무능하고 성실하지 않아 나의 지시 사항을 제대로 이해하지 못하고 이행하지도 않는다며 한탄하고 있지는 않은가?

바쁨의 네트워크 효과

현대 조직에서는 나 홀로(Stand alone으로) 일하고 완성하는 경우는 거의 존재하지 않는다. 수많은 네트워크로 업무와 시간이 얽혀있기 때문에, 한사람이 시간을 허비하면 조직 전체에 그 파급 효과가 전달된다. 즉, 조직이 전부 다 같이 바빠지기 마련이다. 너무 많은 사람이 자기 계획대로 시간을 사용하지 못하는, 이런 조직에서 보이는 증상은 대표적으로 두 가지이다.

네트워크 효과 <출처: 자기계발팩토리 블로그, 플랫폼 레볼루션>

첫 번째 증상: 비효율적인 회의를 줄이자는 말을 입에 달고 산다

툭하면 회의를 서면으로 대체하고 다들 바쁘기 때문에 그렇다고 한다. 실제로도 다들 바쁘고 캘린더가 항상 가득 차 있다. 다만 그것이 과연 정기 회의보다 중요한가. 누군가는 자신의 시간에 비해 150~200%의 일을 하고 있고, 그 사람과 가까운 네트워크에 위치한 사람일수록 더 많은 시간을 그 사람에 맞추기 위해 할애하고 있다.

이 조직을 바쁘게 만드는 범인은 누구일까? 마치 비유하자면 축구 경기에서 수비 라인을 세우고 오프사이드 트랩을 맞추는 데, 라인이 깨질 때마다 손들고 오프사이드를 주장하는 ‘그 자’가 오히려 트랩을 맞추지 못하는 자일 가능성이 가장 높은 것은 아닐까?

<출처: Robinson thokchom 유튜브 캡처>

두 번째 증상: 개인기에 대한 과도한 찬사가 있다

개인기나 필살기(패시브 스킬이건 액티브 스킬이든)는 정말 소중하고 중요하다. 마찬가지로 축구의 예를 들면, 마르세유 턴으로 한 명을 순식간에 벗겨낼 수는 있다 해도 그 턴을 계속 반복하면 그때부터는 안토니 턴*이 되어 버린다는 뜻이다.

*안토니 턴: 축구 선수 안토니(Antony)의 시그니처 개인기. 주로 제자리에서 공을 잡은 상태로 한 바퀴 도는 개인기를 말하는데, 효과가 크지 않아 조롱거리로 쓰이기도 한다. (에디터 주)

안토니 턴 <출처: 파브리지오 로마노 페이스북 페이지>

바쁜 일정 순간순간 즉흥적으로 결정을 내려야 하고, 나의 결정을 기다리는 수많은 사람에게 즉답을 해야만 하는 상황에서는 개인기로 이를 극복하는 임기응변이 기본값이 되어버린다. 그렇게 그 상황을 개인기로 넘기는 것이 지상과제처럼 되어 버린다. 문제의 원인은 개인기의 남발에 있는데, 다른 곳에서 해법을 찾고 싶어 하며 개인기를 부리는 사람에 대한 찬사와 리스펙트는 유지한다.

시스템과 포메이션으로부터 발현된 문제를 개인기로 극복하는 순간은 칭찬받을 수 있고 스포트라이트를 받을 수도 있지만, 그것을 매번 반복하다 보면 개인기로 극복하지 못하는 것을 개인의 위치 문제로 치환해 버린다. 그렇게 가장 비난하기 손쉬운 상대를 찾고, 다른 이들에게는 뛰어난 개인기를 계속 발휘하기를 장려한다. 이제 팀워크와 빌드업은 온데간데없고 모두들 개인기를 부려 칭찬을 받고자 한다.

바쁜가? 무엇 때문에 바쁜가?

<출처: 레딧 /comedy>

대표는 아무리 바빠도 바빠서는 안 된다. 리더라면 결코 캘린더를 가득 채운, 바쁜 상태가 되어서는 안 된다. 본인이 바쁘면 본인이 속하고 섞여 있는 조직 전체가 다 같이 바빠지기 때문이다. 그리고 나면 내가 200%, 300% 일을 하고 시간을 들여봤자, 그만큼 소속된 조직 구성원 전체의 시간을 방해(interfere)할 뿐이다. 그래서 모두가 다 같이 바빠지는 것이다. 조직이 모두 아주 바쁜 것은 뿌듯한 일인가?

솔선수범하며 함께 짐차를 끌고 가는 진정한 리더가 된 것 같은 기분이 드는가? 내가 다른 누구보다 더 바쁘게 일을 한다면, 나의 구성원들은 나를 리더로 여겨 함께 최선을 다해 바쁘게 일할 것이라고 상상하는가? 그렇다면 이렇게 묻는다. 조정 경기에서 노를 젓지 않는 한 명은 왜 존재할까? 같이 노를 저으면 더 빠르게 갈 수 있을 텐데 말이다.

<출처: 무한도전, MBC 유튜브 캡처>

어떻게든 억지로라도 바쁘지 않기 위해 최선을 다해 노력해야만 한다

‘나 혼자 바쁘더라도 다른 구성원에게는 항상 당신을 위한 여유와 여지를 가지고 있다는 믿음을 주어야 하는 것’이 대표라고 나는 생각한다.

실제로 대표에게 그러한 사색과 고민의 시간이 필요하다는 수많은 연구 결과를 어렵지 않게 찾아볼 수 있다. 회의에서 임기응변으로 고민해 보겠다거나 시간을 들여 검토해 보겠다는 정도 개인기를 말하는 것이 아니다. 진실로 생각하고 사색할 ‘뭉치 시간’이 필요하다. 그러려면 무엇부터 시작해야 할까?

사적인 채널의 소통(Private Channel Communications)을 없애야 한다

앞에서 언급했듯 사실 대표나 리더가 1:1로 지시하는 것은 일관성을 가질 수가 없다. 다른 글에서도 강조한 바 있지만, 실무진일수록 맥락 기반으로 의사결정을 하고, 경영진일수록 TPO 기반으로 의사결정을 한다.

1:1로 상대방을 만나 얘기를 듣고 나누고 그 답을 찾아 주려고 하다 보면, 그 사람과의 TPO를 기반으로 하는 ‘올바른’ 결정(그 시점과 상황에 한정해서는 정의롭고 올바른)을 내리게 된다. 그리고 다음 1on1을 하면 다른 상대방과 다른 상황에서 얘기를 듣고 나누고 답을 찾기 때문에 또 다른 ‘올바른’ 결정을 하게 된다. 그렇게 나는 계속 일관되게 ‘올바른’ 결정을 하고 있는데, 그 상황을 벗어나면 상충하는 여러 결정이 내려져 있다.

왜 사적인(private) 채널로 의사 결정을 하고 싶은가? 비난받는 것이 두렵기 때문이다. 나의 결정, 나의 태도, 나의 대화가 공공(public)에 나섰을 때, (부족함이나 모른다는 것이 드러나며) 비난받을 가능성이 비약적으로 높아지기 때문이다. 그래서 내가 비난받지 않기 위해 다른 이의 시간을 낭비하게 된다.

요청을 받아 대화는 1:1로 진행하더라도 결정은 반드시 퍼블릭 채널에서 함께 내릴 수 있어야 한다. 그것은 연습과 반복을 통해 문화로 정착되어야 한다.

정기 회의의 힘을 믿어야 한다

정기 회의체에서 결정을 내리는 문화를 가져가야 한다. 특히 회의체에 들어오기 전, 결정할 사항과 그것을 위한 준비를 하고 와야 한다.

그런 문화가 없다면 앞서 인터뷰 케이스처럼 그 자리에서 임기응변으로 대응하고, 답변은 항상 “내부 회의와 논의, 고민을 더 하고 결정하겠다”로 마무리한다. 그러면 다른 사람들은 당신의 결정을 위해 또 다른 시간을 기다림으로 허비해야 한다. 고민하면 더 좋은 결론에 도달할까? 아니, 그 회의장을 나가 고민할 시간을 가지고 있기는 한가? 맥락 기반으로 실무자들이 결정할 수 있도록 Direction만 결정하는 일조차도 고민해야 결정할 수 있는 수준이라면, 왜 Director의 호칭을 받고 있는 것인가? (보통 이사 또는 본부장 등의 영문 호칭은 Director를 사용한다)

정기 회의체는 결정을 내리는 퍼블릭 채널로 이용해야 하고, 조직 전체가 그 회의에서 죽이 되든 밥이 되든 결정이 내려진다고 믿고 계획할 수 있도록 해야 한다. 물론 그렇게 준비를 해도 그때그때 발생하는 예상하지 못했던 사안들을 피할 수는 없다. 또 그럴 때에는 정말 어쩔 수 없이 개인기를 부려야만 할 수도 있다.

어차피 그렇게 될 수도 있으니까 시간을 더 가지고 고민을 회의 바깥으로 가져가겠다고 마음을 먹기 시작하면, 그때부터는 걷잡을 수 없을 만큼 더 많은 사안들이 당신의 시간을 흡혈하듯 빨아먹게 될 것이다. 그만큼 당신의 네트워크에 있는 사람들이 당신을 위해 긴 시간을 할애해 주어야만 할 것이다. 현장에서 모든 결정을 마무리한다는 최대의 노력을 기울였을 때, 비로소 내가 진짜 고민해야 할 중요한 사안들만이 추가 시간을 요구하는 고민거리로 남을 것이다. 개인기는 그 정도만 부려도 충분히 칭찬받고 찬사받을 수 있다.

마치며

나는 PMO(Project Management Office)를 운영하면서, 모든 프로젝트에 대해 일정 주기로 정기 회의를 설계했다. 아무런 할 말이 없을 때에는 모여 커피 한 잔 나누는 시간으로 삼는 한이 있더라도 회의를 취소하거나 서면으로 대체하지 않았다. 가능한 모든 결정 사항은 그 자리에서 의견을 나누고 방향을 좁혀내려고 했고, 상급자 또는 누군가 의견을 듣고 오겠다고 하면 다음 정기 회의에서는 반드시 결정을 내려야 한다고 주지시키기도 했다.

모두들 예상할 수 있는 대로, 상급자의 의견/결정을 청취해 오겠다고 한 주를 미룬 결정은 거의 대부분 한 달씩 밀려나서도 분명한 결론을 내리지 못하는 경우가 많았다. 다들 실제로는 충분하게 사유나 사색의 시간을 할애하지도 않았으면서 대단한 고민을 하는 듯이 시간을 소모하곤 했었다. 그리고 그렇게 상급자로부터 받아온 결정은 결국 사적인 채널의 결정(Private Channel Dicision)이 되어 맥락을 충분히 반영하지 못하며 일관적이지 않은 경우도 많았다.

이렇게 두 가지 방법만 충실하게 시도하고 조직의 문화로 자리매김할 수 있다면, 지금 캘린더를 가득 채운 일정 가운데 그래도 10~15% 정도는 여유를 가질 수 있지 않을까? 그렇게 좀 더 제품과 결정에 대한 사색과 사유가 많아지지 않을까 하는 기대를 가져본다.

이 글에서 간단하게 예를 든 사건 외에도 수많은 상황을 누군가는 마주하고 또 경험할 것이고, “이렇게 해 주었으면”, “저렇게 할 수 있다면” 같은 많은 방법론을 생각해 낼 수 있을 것입니다. 이 글을 읽는 독자분들 중에 이런 일을 경험하고 공감하는 분이 있다면, 댓글로 생각을 남겨주세요.

제품 개발 과정(Agile Product Development Process, APDP)에 대해, 특히 PRD에 대해 궁금한 분들을 위해 커피챗 신청 창구를 만들었습니다. 링크를 참고해 주세요.

]]>

“이런 외주는 얼마에요?” 전환 280% 올린 위시켓 ‘AI 검색’ 구현기

[AI 비법 노트] 4. 위시켓 ‘유사사례 검색 AI’ 개발팀 인터뷰

AI가 대세라는 말, 이제는 너무 흔한 말입니다. 그만큼 우리 서비스에 적용해야 한다는 생각도 누구나 하죠. 문제는 기술의 정체를 잘 모른다는 겁니다. 남들은 만능열쇠로 쓴다는데, 정작 우리 회사는 갈 길이 멀어 보입니다. 어디서, 어떻게 시작해야 할지 감도 안 잡힙니다.

그래서 준비했습니다. 잘 나가는 기업들의 AI 기능 관련 실무자들을 만나, 요즘IT 에디터가 열심히 별표 쳐 가며 받아 적었습니다. 어디에도 없는 AI 비법 노트, 요즘IT 독자들한테만 공유합니다.

위시켓 인터뷰를 앞두고 궁금한 것이 있어 오랜만에 구글을 찾았습니다.

원래라면 궁금한 키워드 ‘위시켓 창업년도’만 입력했어야 하는데, 저도 모르게 ‘위시켓이 언제 창업했는지 알려 줘’라고 검색창에 입력했습니다. 챗GPT와 퍼플렉시티에 길들여졌기 때문인가 봅니다. 여전히 구글은 키워드 검색에 더 친절했고, 검색어를 다시 수정해야 했습니다.

구글에 문장(위)과 단어(아래)로 검색한 결과 <출처: 요즘IT>

이처럼 LLM은 검색의 UX를 다시 정의하고 있습니다. 검색창 입력 형식을 ‘단어’에서 ‘문장’으로 바꾼 것이죠. 단순하지만 큰 변화입니다. 검색은 그 자체로 정보 탐색의 시작이자 플랫폼을 찾은 사용자 경험의 출발선이기 때문입니다.

IT 외주 프로젝트가 필요한 고객사(클라이언트)와 개발사(파트너)를 연결하는 플랫폼, 위시켓에서 가장 먼저 AI를 접목할 포인트로 ‘검색’을 선택한 것도 그 연장선에 있을지 모릅니다. 위시켓 ‘유사사례 검색 AI’ 기능의 개발과 검증에 참여한 이들을 만났습니다. 검색에는 AI를 어떻게 접목해야 할까요?

김수민: 위시켓 세일즈팀 리더. 위시켓을 이용할 잠재 고객을 발굴하고 그들에게 필요한 정보를 제공하는 일을 합니다. 기능을 탄생 시킨 문제와 이를 검증하는 방법에 대해 소개합니다.
홍수정: 위시켓 UX팀 디자이너. ‘디자이너’란 이름으로 불러달라 했지만, 상세 기획부터 UX/UI 디자인, 검증과 확장을 모두 책임지는 ‘기자이너’로 일합니다.
나아름: 위시켓 백엔드 개발자. 위시켓의 AI 전문가로 통합니다. 위시켓 플랫폼과 요즘IT의 여러 AI 기능을 도맡아 구현하고 있습니다.

왼쪽부터 김수민 세일즈팀 리더, 홍수정 UX팀 디자이너, 나아름 백엔드 개발자. <촬영: 요즘IT>

Chapter 1. 스스로 무엇이 필요한지 잘 모를 때도 쓸모 있는 검색기

“검색이 필요하다”는 것은 “그 대상을 잘 모른다”는 사실을 전제로 합니다. 완벽히 알고 있는 사실은 그대로 써먹으면 그만이니까요. 위시켓을 찾는 고객들도 마찬가지입니다. 그들은 “IT 프로젝트로 해결할 문제가 있다”는 마음만 가진 상태로 플랫폼을 찾고는 합니다. 이 프로젝트를 정말 할 수 있을지, 여기에 얼마나 들어갈지는 ‘검색’하며 알아내야 하는 거죠.

Q. 유사 사례 검색 기능은 고객의 어떤 문제에서 출발했을까요?

김수민: 첫 문제 제기는 세일즈 팀의 ‘헬스 체크 유닛’에서 나왔어요. 헬스 체크 유닛은 위시켓 플랫폼을 이용할 만한 잠재 고객을 발굴하고 그들이 사용 의지가 있는지, 진행 예정인 프로젝트가 있는지 확인하는 일을 해요. 또 그 연장선에서 고객에게 필요한 정보를 제공해 드리기도 하죠.

이 단계에서 만나는 고객은 스스로 무엇이 필요한지 아직 확실하지 않은, 그러니까 아직 요구 사항을 정리하지 못한 경우가 많아요. 본인들이 가진 아이디어의 실현 가능성이 궁금한 고객도 있고, 진행 여부는 확정했지만 내부 의사 결정을 위한 견적이 필요하기도 하죠. 또, 프로젝트 진행은 하고 싶은데 어떻게 의뢰해야 할지 잘 모르는 경우도 있고요. 이런 고객들이 가장 필요로 하는 것이 ‘유사한 프로젝트 사례’에요. 내 아이디어와 비슷한 프로젝트가 이 금액으로 진행하고 있구나, 실제로 10명이든 20명이든 지원자가 생기는구나, 하는 것을 눈으로 보면 진행할 가능성이 크게 늘어나요.

Q. 이렇게 발견한 고객의 문제를 AI 검색으로 해결하게 된 계기가 있을까요?

김수민: IT 프로젝트의 특성 때문이에요. 이 분야는 워낙 카테고리가 넓어 내 프로젝트와 유사한 프로젝트에 대한 정보를 찾기가 어렵거든요. 예를 들면, ERP* 개발을 한다 해도 요구사항에 따라 필요한 항목이 달라져요. 만약 “노인 요양 시설의 ERP를 만든다”고 하면 필요한 기능이 특화되어 있어요. 간호 진료 기록 관리, 입소자 관리, 요양사 관리 등 업계 특성에 맞는 기능이 필요하죠. 어떤 산업에서, 누가 쓰는지에 따라 요구사항과 견적이 천차만별이고요. 일반 검색으로는 찾기가 어렵죠.

*ERP: 전사적 자원 관리, Enterprise Resource Planning의 약자입니다. 인력, 상품, 재무, 회계를 비롯해 기업의 자원을 운영할 때 필요한 도구나 프로세스를 지원하는 소프트웨어 시스템을 의미합니다.

홍수정: 사실 위시켓의 기존 검색 방식인 ‘프로젝트 찾기’에도 정말 다양한 키워드 필터가 있어요. 하지만 VoC를 보면, 프로젝트 찾기 기능을 쓰기보다 고객센터로 본인의 프로젝트를 할 수 있는지 직접 물어보는 경우가 많아요. 특히 헬스 체크 유닛의 영역인 ‘가입 전’ 고객들이 가장 많이 물어보는 부분이죠.

이런 VoC는 대부분 문장형 질문으로 들어와요. 프로젝트 찾기를 쓰려면 이 문장을 필터로 바꾸는 ‘뾰족함’이 필요해요. 즉, 요구사항을 명확히 알아야 한다는 거예요. 하지만 이 단계의 유저들은 요구사항이 그렇게 뾰족한 상황이 아니고요. 그래서 유저가 질문하는 맥락 그대로 검색하고, 그 프로젝트를 바로 찾아줄 수 있다면 탐색 과정의 허들을 낮출 수 있을 거라고 생각했어요.

기존 위시켓 플랫폼 내 ‘프로젝트 찾기’ 필터들 <출처: 위시켓>

그렇게 나온 해답이 ‘문장형 질문’을 가장 잘 이해하고 답할 수 있는 검색기, ‘AI 검색기’입니다. 하지만 검색 기능을 만들 때 어려운 점은 고객이 궁금한 것을 미리 유추해 결과를 어떤 구성으로 보여줄지 선택해야 한다는 점입니다. 위시켓 팀은 그에 대한 답으로 프로젝트의 ‘가능성’과 ‘비용’을 골랐다고 합니다.

Q. 고객이 검색으로 원하는 정보가 ‘가능성’과 ‘비용’, 두 가지라는 것은 어떻게 유추할 수 있었을까요?

김수민: 헬스 체크 유닛에서 유저랑 매번 통화하며 필요한 것을 많이 들었어요. 의뢰를 망설이는 고객들은 ‘견적을 픽스하지 못했다’거나 ‘의뢰 내용을 잘 모르겠다’고 말하죠. 이런 분들에게 유사한 프로젝트를 전달하면 프로젝트를 등록하는 경우가 많았고요. 저희도 똑같이 해주세요, 라고 하기도 하죠. 그래서 고객에게 필요한 것이 무엇인지는 어느 정도 확신하고 다가갈 수 있었어요.

홍수정: 기존 검색 기능의 유저 사용 행태도 살펴봤어요. 프로젝트를 찾아본 사람들은 특히 ‘견적’과 ‘상세 의뢰 내용’을 중심으로 봤어요. 비슷한 니즈를 가질 거라고 판단했죠.

그에 따라 검색의 답변도 최대한 유저가 알고 싶어하는 것을 많이 보여주려고 노력했어요. 무엇보다 유저가 원하는 가장 큰 정보는 유사한 프로젝트의 ‘금액’이에요. 하지만, 아웃소싱 프로젝트 특성상 정확한 금액을 그대로 노출할 수는 없어요. 그래서 일정 범위를 보여 주고 ‘더 자세한 금액은 프로젝트를 등록하면 알 수 있다’는 유도 장치를 많이 마련했죠. 그렇게 프로젝트 과정의 시작인 ‘프로젝트 등록’ 자체를 핵심 목적으로 잡고 요소들을 채워 넣었어요.

Tip. AI 검색에서 고객의 경험을 개선하는 법

검색은 플랫폼을 이용하는 사용자의 첫 번째 경험으로 작용하기도 합니다. 그래서 좋은 검색 결과를 내는 것만큼 양질의 검색을 유도하는 것, 검색 과정을 보여주는 것 또한 신경 써야 하는 요소죠. 특히 AI 검색처럼 새로운 사용자 경험일수록요.

홍수정: 검색을 시작할 때는 최대한 채팅처럼 느껴지게 만들려고 노력했어요. 어떻게 검색할지 모르겠는 사람을 위해 예시 질문도 만들어 넣고, 적당한 결과가 나오지 않을 때 참고할 가이드도 많이 붙였어요. 고객이 쓰는 언어로 자연스럽게 검색할 수 있도록 유도하려고 노력했죠. 또, AI 검색은 대기 시간이 일반 검색보다 긴 편인데요. 이 체감 시간을 줄이기 위해 애니메이션을 만들어 넣었어요. 실제 검색에서 키워드를 뽑아내 안내 문구에도 적용했죠.

‘유사사례 검색 AI’ 베타의 애니메이션 <출처: 위시켓>

Chapter 1 요약

① 아이디어와 유사한 프로젝트를 확인하면 고객이 프로젝트 등록을 결심하는 모습에서 출발
② 기존 키워드와 필터 기반 검색의 한계를 넘어, 문장으로 물어봐도 찾아주는 것이 목표
③ 검색 결과에는 고객이 가장 궁금해하는 ‘비용’과 ‘가능성’을 확인하도록 구성

Chapter 2. 팀원에게 좋은 AI 모델은 고객에게도 좋다

사실 유사 사례 검색기는 내부 어드민에 그 기능이 먼저 들어왔습니다. 팀 내에서는 이러한 AI 기반 사례 검색을 비롯해 포트폴리오, 경력 검색을 합쳐 ‘유사 검색 3종’이라 불렀다고 합니다. 그중 가장 비즈니스 임팩트가 큰 기능을 고객에게 공개한 것이죠. 그 덕분에 모델은 내부 활용을 기반으로 여러 차례 검증을 거쳤고, 그렇게 사용 데이터 또한 쌓였습니다. 실제 구현 과정에도 이러한 내부 데이터가 쓰였죠.

Q. 기능은 어떤 모델을 활용해 만들었나요? 구현 과정에서는 무엇을 중점적으로 신경 썼나요?

나아름: 기능 구현에는 외부 API를 활용했어요. 오픈AI의 GPT 4o-mini와 4o 모델 두 개를 활용했죠. 모델은 정확도와 시간, 비용 사이에서 줄타기를 하며 결정했어요. 구현을 할 때는 빠르게 기능을 만들어서 선보이고 이를 바탕으로 개선하는 방향을 선택했어요. 내부 어드민을 위해 만들어 시스템을 이번 기능 구축에도 활용해 시간 단축에 도움을 많이 받았어요.

성능은 위시켓에 쌓인 데이터를 최대한 잘 쓰며 보장하려고 했는데요. 다른 조건 상관없이 ‘유저의 검색 내용과 가장 비슷한 프로젝트를 찾아주는 것’에 최대한 집중했어요. 그래서 데이터도 프로젝트의 정보를 가장 잘 파악할 수 있는 것을 찾았고, 제목과 상세 내용 데이터 중심으로 탐색하게 만들었죠.

Tip. 자체 구축과 외부 모델, 어떻게 선택할까?

AI 기능 구현은 ‘모델’ 구축 방식을 선택하는 것에서 시작하고는 합니다. 요즘은 자체 구축과 외부 API 활용이란 선택지 안에서 고민하는 경우가 많은데요. 이때는 무엇을 고민해야 할까요?

나아름: 외부 API의 가장 큰 장점은 ‘시간 단축’이죠. 빠르게 만들고 개선하고 싶을 때는 가장 좋은 선택지에요. 구축 초기에 들어가는 비용 부담도 적고요. 문제는 ‘비용’과 ‘보안’인데요. 다행히 최근 API 비용이 많이 저렴해지고 있어요. 위시켓 방문객 수 추이를 참고해 보니 큰 문제를 만들 수준은 아니었고요. 또, 검색 결과를 뽑을 때는 이미 사이트에 공개된 ‘제목’, ‘상세 내용’ 데이터만 쓰도록 만들어 보안 문제도 걸리지 않았어요.

Q. 아무래도 고객이 쓰는 기능은 내부 어드민보다 정교한 성능이 필요해요. 무엇을 개선했나요?

나아름: 기본 구조는 비슷하지만, 단계별로 필요한 작업을 추가해 성능을 높이려고 했어요. 무엇보다 팀원들이 내부 어드민의 검색기를 활용하는 방식을 확인하며 얻은 인사이트를 녹여내려고 노력했죠.

검색 로그를 보니 개발자가 원하지 않은 방향으로 검색할 때가 더 많았어요. 그래서 검색어를 한 번 더 전처리하는 과정을 추가했죠. 또, 기존에는 결과를 벡터 검색만 거쳐 냈는데요. 순위가 안 맞는 경우가 있어 리랭킹 과정을 추가했어요. 즉, 검색어에서 필요한 키워드를 추출하고, 여기서 나온 키워드를 모두 충족할 때 우선순위를 높게 가져가도록 개선한 거죠.

이를테면 ‘요양 병원에서 쓸 ERP 프로젝트를 찾아 줘’라고 검색했을 때, ‘ERP’와 ‘요양 병원’이란 키워드를 추출하고, 이 두 가지를 모두 포함한 프로젝트의 우선순위를 높이는 방식입니다.

내부 어드민에 먼저 적용한 ‘유사사례 검색 AI’ <출처: 위시켓>

더 알아보기. AI는 어떻게 ‘유사도’를 판단할까? 벡터 검색과 리랭킹

AI는 어떻게 사람의 검색어를 알아듣고 그 많은 정보에서 필요한 결과값을 돌려줄까요?

① 벡터 검색(Vector Search): AI는 정보를 사전에 훈련한 벡터 공간에 저장해 둡니다. 이를 임베딩(embedding)이라고 하죠. 사용자가 검색어를 던지면, AI는 검색어를 마찬가지로 임베드해 벡터 공간에 넣고 이와 가장 가까운 기존 정보, 즉 ‘유사도’가 높은 정보를 가져옵니다.
② 리랭킹(Re-ranking): 벡터 검색으로 가져온 결과는 다양합니다. 때로는 적합하지 않은 결과가 우선 노출되기도 하죠. 그래서 벡터 검색으로 뽑아낸 후보를 한 번 더 검색어와 비교해 평가하는 과정을 거치면, 그 정확도가 높아져요. 이를 ‘리랭킹’이라고 합니다.

벡터 검색은 빠르게 많은 정보를 모으고, 리랭킹은 조금 느리지만 정교하죠. 그런 만큼 최근 AI 검색은 이렇게 두 가지 결과 추출 과정을 순서대로 조합해 활용하는 것이 일반적입니다.

아무리 개선을 하고 손을 대도 고객에게 새로운 기능을 선보이는 것은 긴장의 연속입니다. 그래서 더욱 ‘만족할 만한 성능’의 선을 잡기가 어렵습니다. AI는, 그리고 검색은 사용 방식이 다양하고 새로운 만큼 그 선을 잡기가 더욱 어려웠다고 합니다. 위시켓 팀은 이 문제를 어떻게 넘어섰을까요?

Q. 구현 과정에서 가장 어려운 작업은 무엇이었나요?

홍수정: 가장 어려운 일은 결국 검증이었어요. “이 정도면 됐나? 이 정도면 됐나?” 하는 궁금증이 끝없이 생겼죠. 아무래도 제품팀은 운영팀보다 도메인 지식이 떨어지기에 검색 결과가 정말 적합한지 확신하기가 힘들었어요. 그래서 1차 검증 단계에는 ‘최악’을 막는 쪽으로 봤어요. 예를 들면 건설 홈페이지 구축을 묻는데 ‘건설’ 쪽으로 핀트를 잡아서 프로젝트를 추천하는 일을 피하도록 한 거죠.

나아름: 1차 검증이 끝나고 최종 컨펌은 운영팀에 부탁했어요. 검색어를 데이터로 두고 평가를 돌리는 것도 물론 중요하지만, 도메인 지식이 풍부한 운영팀의 의견도 중요하니까요. 테스트 단계에서 나온 유사도 점수를 함께 제공하고, 그 기준이 적합한지 판단할 것을 요청했죠. 운영팀 매니저 한 분마다 기준이 다를 수도 있겠다 생각도 들었고요.

Q. 그렇다면 기능을 선보이기 전, 어떤 기준으로 검색 결과를 최종 검증했나요?

김수민: 검증 단계에서 가장 중요하게 생각한 건 ‘키워드’였어요. ‘부동산 중개 경매 플랫폼’을 만들고자 하는 고객이 있다고 해볼게요. 이를 검색하면 ‘부동산’, ‘경공매’, ‘플랫폼’ 세 가지 키워드를 모두 만족해야만 정말 유사한 프로젝트라고 할 수 있어요. 세 가지 모두 각자 필요한 기능이 있으니까요. 그래서 키워드를 뽑은 다음, 나온 프로젝트들이 키워드에 적합한지 체크했어요. 검증 결과 역시 이 기준을 바탕으로 점수를 매겨 전달했죠.

홍수정: 이렇게 검증을 하니 제품팀의 판단과 다른 결과도 나왔어요. 프롬프트를 조정해 둘의 차이를 좁혔죠. 사실 하다 보니 검증도 끝이 없겠다고 느꼈어요. 그래서 일단 내보는 방향으로 의사결정했죠.

Chapter 2 요약

① 빠른 기능 구축과 개선을 목표로 외부 API 모델을 활용해 기능을 구현
② 정식 출시에 앞서 내부 어드민에 기능을 추가하고 이때 쌓인 데이터를 개선에 활용
③ 검증의 어려움을 해소하기 위해 운영팀과 협력하며 ‘키워드’ 중심 검증 체계를 적용

Chapter 3. AI 기능 검증은 ‘고객의 반응’으로 완성된다

결국 유사사례 검색 기능은 개발에 착수한 지 1개월 만인 지난 1월, 론칭했습니다. 현장 인터뷰는 그로부터 2주가 지난 시점이었죠. 그나마도 설 연휴로 고객 데이터는 이제 막 쌓이고 있는 상태였습니다. 안정적인 서비스 위에 올라선 새로운 기능들이 그렇듯, 처음부터 열광적인 반응은 없습니다. 어차피 ‘고객의 반응’까지 검증 계획의 일환이니까요.

Q. 유사 사례 검색 베타 서비스를 열고 현재까지 반응은 어떤가요?

홍수정: 초기 검증 단계에는 유저 이용률, 프로젝트 등록까지 탐색 시간, 프로젝트 등록 수, 이렇게 세 가지를 핵심 지표로 볼 예정이에요. 우선 지금까지 쌓인 데이터를 보면 유저 이용률 자체는 괜찮은 편이에요. 검색 과정의 어려움은 크게 없었고, 사용 자체는 잘하고 있다는 데이터를 확인했어요.

특히 ‘유사사례 검색’ 페이지 방문자의 프로젝트 등록 전환율이 기존 검색인 ‘프로젝트 찾기’ 페이지 방문자의 등록 전환율보다 280% 상승한 것을 확인했어요. AI 기반 검색이 전환에 확실히 영향을 준다는 뜻이죠. 이제 프로젝트를 등록하는 고객, 즉, 클라이언트의 유입을 강화해 전체 양을 늘리는 쪽으로 UX를 개선해 나갈 예정이에요.

Tip. 어떤 분야에 가장 먼저 AI를 적용하는 것이 좋을까?

제품에는 시간이 지날수록 많은 기능이 올라갑니다. 운영한 지 10년이 넘어가는 플랫폼에는 그만큼 많은 기능이 존재하죠. AI는 이 모든 기능에 유용한 효율을 제공할 수 있습니다. 자연스레 팀 입장에서는 이 다양한 기능 중 어디에 가장 먼저 AI를 접목할 수 있을지 고민하기 마련입니다. 위시켓은 왜 검색을 가장 먼저 선택했을까요?

나아름: 이유는 단순해요. 제일 간단하고 빠르게 붙일 수 있는 것부터 시작한 거죠. 유사 프로젝트를 찾을 때는 복합적인 정보가 아닌, ‘프로젝트의 정보’만 써도 충분했어요. 또, 내부에서 프로세스 효율화가 많이 이뤄지지 않은 영역에 우선 적용하자는 방향성도 있었죠. 그래서 내부에 먼저 기능을 열어 검증하고 효과를 본 기능을 고객에게 제공한 것 같아요.

위시켓 플랫폼의 ‘유사사례 검색 AI’ <촬영: 요즘IT>

위시켓은 ‘아웃소싱 매칭’이라는 시장을 연 기업입니다. 업력이 쌓이며 프로젝트 케이스가 다양해진 만큼, 운영 매니저들이 직접 고객과 만나며 쌓은 경험치가 커졌습니다. 소위 말하는 ‘짬바’가 생긴 거죠. 이런 경험에 기반한 직관은 위시켓에 쌓인 데이터를 기반으로 작용합니다. 다양한 데이터를 처리해 새로운 케이스에 대응하는 것. AI가 가장 잘하는 일이죠. 그래서 플랫폼의 다음 단계는 이 ‘짬바’를 AI에 이식하는 일입니다.

Q. 유사 사례 검색 기능의 다음 단계는 무엇인가요?

홍수정: 우선은 유저 행동 바탕으로 검색 기능의 UX/UI를 개선할 예정이에요. 또, 전반적인 검색의 영역을 확장하는 것도 생각하고 있어요. 지금의 검색은 프로젝트 단위로 유사한 사례를 찾는 것에 특화되어 있어요. 하지만 위시켓 플랫폼에는 기간제로 인력을 채용하는 프로젝트도 많이 올라오죠. 이 프로젝트는 상세 내용을 가볍게 쓰는 대신, 연차, 기술 스택, 지역 등을 주요하게 봐요. 이런 기간제 프로젝트도 알아서 구분해 적용하도록 고도화하는 것이 목표예요.

나아름: 플랫폼의 다른 기능도 청사진을 그리고 있어요. 특히 프로젝트에 적합한 파트너를 연결해 주는 쪽으로 고민하고 있어요. 프로젝트에 적합한 지원자 목록을 추천하거나 파트너 포트폴리오 중심으로 매칭해 줄 수도 있죠.

김수민: 이 과정에서 매니저들이 경험적으로 쌓아 올린 복합적인 요소가 많은데요. 파트너의 데이터 외에도 모집과 미팅, 계약 단계의 특징을 잘 고려해야 해요. 웹에 쌓이는 기록뿐만 아니라 오프라인 미팅에서 갑자기 계약 결정에 중요한 요소가 나오기도 하죠. 이렇게 매칭에 필요한 요소를 잘 정리하며 AI를 적용해 나가지 않을까요?

더 알아보기. 위시켓 AI 실무자는 무슨 AI 툴을 쓸까?

김수민: 가장 많이 쓰는 건 역시 챗GPT에요. IT 프로젝트 분야가 다양한 만큼 학습해야 할 최신 기술 정보를 얻고는 하죠. 아름 님이 만들어 준 유사 사례 검색기도 정말 많이 써요. 이것 역시 툴이니까요.
홍수정: 저는 피그마 AI를 잘 쓰고 있어요. 디자인 과정에서 아이콘을 그리거나 기본 형태, 레이아웃을 잡는 용도로요.
나아름: 커서가 유용해요. 코드를 로컬에서 가져오니까 맥락을 공유하기가 쉬워요. 대신 가끔 커서로 모두 해결이 안 되면 성능 좋은 o1으로 넘어가죠. 코드를 넘기지 않는 선에서 문제 해결에 도움을 받아요.

Chapter 3 요약

① 초기 검증으로는 사용 방식과 목적 달성을 함께 보며, UX/UI를 중심으로 개선할 계획
② 외주 도급 프로젝트 중심 검색이 안정되면, 기간제 프로젝트 검색으로 영역을 조금씩 확장
③ 플랫폼 운영 과정에서 쌓인 경험과 노하우의 포인트를 찾아 AI에 이식하는 것이 장기 방향

AI가 검색의 행태를 바꾸고 있다고들 합니다. 단어에서 문장으로요. 하지만 ‘검색’이란 행위의 근본은 같습니다. 몰랐던 것을 찾는 일이죠.

어쩌면 AI가 바꾸는 일의 형태도, 제품과 고객을 만나는 일도, 모양이 달라질 뿐 근본은 같을지 모릅니다. 여러분이 만드는 제품의 근본은 무엇인가요?

]]>

오늘의집이 ‘실시간 AI 추천’으로 88% 더 성장한 방법

[AI 비법 노트] 3. 오늘의집 ML엔지니어 단체 인터뷰

그래서 준비했습니다. 잘 나가는 기업들의 AI 기능 관련 실무자들을 만나, 요즘IT 에디터가 열심히 별표 쳐 가며 받아 적었습니다. 어디에도 없는 AI 비법 노트, 요즘IT 독자들한테만 공유합니다.

여러분에게 “오늘의집”은 무슨 앱인가요?

다른 집의 인테리어를 구경할 ‘콘텐츠’ 앱일 수도, 인테리어 정보를 얻고 나눌 ‘커뮤니티’ 앱일 수도, 내게 필요한 인테리어 소품을 살 ‘커머스’ 앱일 수도 있을 것입니다. 어쩌면 그 모두일 수도 있고요.

그렇다면 이토록 여러 정체성을 가진 앱의 홈 화면은 어떤 모습일까요?

오늘의집 홈 화면 <출처: 오늘의집 앱 캡처>

바로 “피드(Feed)”입니다. 흔히 인스타그램 같은 SNS에서 접할 수 있는 형식이죠. 이 피드에는 사람들이 직접 올린 게시글(content)과 반응(community), 추천 상품(commerce)들이 공존합니다. 또 다른 특징은 무엇일까요? 피드를 구성하는 요소가 “사용자 맞춤형 추천” 기반으로 구성된다는 것입니다. 내가 보는 피드와 옆자리 동료가 보는 피드가 모두 다르다는 뜻이죠.

오늘의집은 2024년, 메뉴와 콘텐츠를 나열해 제시하던 홈 화면을 지금의 1-그리드 피드 형태로 업데이트했습니다. 그 결과, 콘텐츠 활성화 사용자(Content Active Users)는 28.6%, 진입자당 콘텐츠 조회 수(Content Views)는 무려 88.2%가 올랐습니다. 피드 형식의 성공에는 다양한 유저 행동을 이해하고, 맞춤형 콘텐츠를 관심 순서에 맞게 배치한 “추천” 기술이 압도적인 영향력을 끼쳤습니다.

이러한 추천 시스템을 비롯해 맞춤형 광고, 3D방꾸미기 AI 서비스 등을 만들어 내고 있는 오늘의집 ML 엔지니어들을 만나고 왔습니다. 이들은 어떻게 AI로 오늘의집을 바꿔 나가고 있을까요?

도미닉(Dominic): 오늘의집 TLM. 3년 반을 오늘의집에서 근무하며 추천 시스템 전반의 커뮤니케이션, 설계, 실험, 개선을 담당하고 있습니다.
현(Hyeon): 오늘의집 추천팀 ML 엔지니어. 도메인에 구애받지 않고 추천에 필요한 모든 업무를 합니다. 지금은 광고팀과 함께 개인화 광고 최적화 작업을 수행하고 있습니다.
준형(Junhyung): 오늘의집 확장 현실(XR)팀 ML 엔지니어. 생성형AI와 컴퓨터 비전 관련 업무를 합니다. 요즘은 가구와 소품을 3D 환경에서 미리 볼 수 있는 기능, 3D 방꾸미기에 AI를 접목할 방법을 고민하고 있습니다.

왼쪽부터 오늘의집 ML엔지니어 도미닉, 현, 준형 <촬영: 요즘IT>

Chapter 1. AI로 ‘추천’ 잘하려면 어떻게 해야 하나요?

유튜브, 스포티파이, 넷플릭스의 공통점이 무엇일까요? 글로벌 콘텐츠 플랫폼이자 AI 기반 ‘추천’을 아주 잘 쓴 테크 기업이라는 점입니다. 추천이 없었다면 이들은 지금의 자리에 없었을 겁니다. 그만큼 추천은 AI 하면 떠오르는 가장 기본적인 기능이지만, 가장 강력한 기능이기도 합니다. 문제는 그렇게 ‘잘’ 하기가 어렵다는 점입니다.

Q. 오늘의집에서 ‘AI 추천 시스템’을 대표적으로 활용하는 곳은 어디일까요?

도미닉: 지난해, 오늘의집 홈에 1-그리드 피드(1-grid feed)를 개발해 론칭했어요. 이 피드로 유저의 피드백을 즉각 반영할 수 있는 추천 환경을 만들기 위해 집중했죠. 유저가 보내는 시그널을 이해하고, 맞춤형 추천을 만든 다음, 가장 관심 있어 할 순서로 랭킹을 매기는 추천 시스템을 구축한 거예요. 기존에는 “당신은 이런 것을 좋아할 것이다” 정도로 끝나던 추천이 이제는 선택에 따라 움직이는 ‘실시간 개인화 추천’ 시스템이 된 거죠.

Q. 콘텐츠와 상품을 피드에 추천할 때는 무엇을 고민하고 반영했나요?

도미닉: 추천을 할 때는 다양한 유저 상황을 최대한 신경 쓰고 있어요. 처음 들어온 유저도, 앱을 잘 써오던 유저도 모두 만족하도록 추천하는 것이 가장 중요하죠. 그래서 피드에는 여러 추천 방식을 모두 적용해 봐요. 콘텐츠 중심으로 추천하기도 하고 유저 선호도 중심으로 추천하기도 하고요. 상황과 지면에 따라 다르기에 초기 단계부터 모든 시도가 가능하도록 디자인했어요. 지금도 꾸준하고 반복적인 실험으로 가장 나은 추천 방식을 찾고 있죠.

사실 ‘오늘의집’이라는 제품이 좀 독특하거든요. 3C(content, community, commerce)라는 표현을 많이 쓰는데, 콘텐츠와 커머스가 섞여 있는 특이한 서비스예요. 그래서 이들 사이 조화를 잘 이룬 추천 구조도 집중할 포인트였어요. 이를테면 핀터레스트처럼 콘텐츠 중심인 앱은 콘텐츠 소비가 늘어나는 데에 목적을, 쿠팡 같은 이커머스는 상품 구매가 늘어나는 데에 우선 중점을 두고 추천하면 되거든요. 하지만 저희는 이 두 가지 목적 사이에서 균형을 잡는 것이 필요했어요. 그래서 선을 지키며 모든 영역에서 적합한 추천을 만드는 데 집중했죠.

<촬영: 요즘IT>

현: 이를테면, 추천을 할 때는 유저가 만든 콘텐츠를 많이 활용하는데요. 그래서 이미지 퀄리티 지표를 중요하게 반영하기도 해요. 품질이 떨어지는 사진은 추천에서 모두 제외하는 거죠. 화질이 얼마나 좋은지, 초점이 잘 잡혀 있는지, 혹시 불쾌감을 느끼지 않을지 필터링하는 거예요. 최근에는 이런 기본 필터링을 넘어 유저가 좀 더 “영감을 받을 사진”을 상단에 올리려고 노력하고 있는데, 내부에서는 이 작업을 ‘감도를 높인다’고 표현하기도 해요.

더 알아보기. 기본적인 ‘추천 시스템’ 이해하기

‘AI 추천 시스템’은 데이터에서 패턴을 찾아 관심 있을 내용을 추천합니다. 취향을 분석한 다음, 추천할 만한 것들을 골라내는 단계를 ‘필터링’이라고 하는데요. 일반적인 두 가지 필터링 유형을 소개합니다.

협업 필터링: 사용자들 사이 유사성을 기반으로 추천하는 방식입니다. 유저가 ‘검정 가죽 소파’에 좋아요를 눌렀다면, 똑같은 상품에 ‘좋아요’를 누른 다른 사용자가 구매한 ‘검정 스툴’을 추천하는 거죠.
콘텐츠 기반 필터링: 콘텐츠의 특성(feature)에 초점을 두고 추천하는 방식입니다. ‘검정 가죽 소파’에 좋아요를 누른 유저에게 이번에는 그 소파를 만든 회사의 ‘초록 스툴’을 추천하는 거죠.

물론 이는 단순한 예시로, 필터링의 세계는 아주 복잡하며 선택지도 많습니다. 도메인마다, 서비스마다 효율도 다르고요. 오늘의집처럼 최대한 많은 추천 방식을 써보며 실험해야 하는 이유죠.

Q. 오늘의집 ML 팀에서는 추천을 잘하기 위해 또 무엇을 고민했나요?

도미닉: 최근에 신경 쓰는 건 빠르게 새로운 추천을 전달하는 일이에요. 특히 피드의 경우에는 유저가 어떠한 동작을 했을 때, 그에 대한 변화가 바로 나타나는 것이 사용자 경험에 무척 중요하거든요. 지표로 봐도 유저의 행동을 반영한 추천이 성과가 잘 나오는 편이고요. 데이터 플랫폼 팀에서 만든 인프라를 거쳐 실시간으로 유저 로그를 받아 추천 엔진에 적용하려 노력하고 있습니다.

다만 반영 시점을 잘 잡는 것도 중요하게 봐요. 추천 경험에서 중요한 하나는 ‘추천의 다양성’이에요. 그런데 유저의 실시간 행동을 고려한 것들로만 추천을 채우면 다양성이 크게 떨어져요. 또, 생각보다 인테리어 취향은 크게 달라지지 않더라고요. 그래서 지금 당장 관심 있는 상품과 유저의 기본 취향을 조화롭게 바라보는 것이 중요해요. 지금 당장이 아닌, 최근 일주일 유저가 한 행동을 기반으로 콘텐츠를 보여주면 다른 추천 풀이 나와요. 더 롱텀으로 가면 카테고리와 토픽처럼 그룹 단위 관심도를 활용하고요. 다양한 조합을 해보며 실험 결과를 바탕으로 결정하죠.

오늘의집 실시간 추천 시스템 아키텍처 <출처: 버킷플레이스>

Chapter 1. 3줄 요약

① 오늘의집은 지난해 실시간 맞춤형 추천 기반 피드로 홈 화면을 업데이트하며 성장
② 피드에서 콘텐츠와 상품을 추천하는 방식은 꾸준하고 반복적인 실험으로 검증
③ 맞춤형 추천에서 중요한 것은 빠른 사용자 피드백 반영과 다양성 사이 균형

“어디서부터 시작해야 할 지”
“기존 시스템에 통합할 수 있을 지”
“투자 대비 실적을 낼 수 있을 지”

많은 기업들이 AI에 관심을 가지지만, 걱정이 앞서 도입을 망설입니다. 하지만 AI를 도입한 기업 10곳 중 8곳은 기대했던 효과를 얻었다고 합니다. 어떻게 하면 우리 회사에 딱 맞는 AI를 찾을 수 있을까요?

국내 1위 IT프로젝트 플랫폼 위시켓이 ‘문제 진단-맞춤 솔루션 제안-개발사 연결’까지 전 과정을 도와드립니다.

지금 무료 컨설팅을 신청하고 우리 회사에 ‘가장 효과적인’ AI 솔루션을 추천 받으세요

Chapter 2. 추천할 때도, 성과를 볼 때도, ‘데이터’가 전부입니다

이처럼 추천을 잘하려면 데이터가 잘 흘러야 합니다. 빠르게 데이터를 반영하고 적용할 수 있어야 좋은 추천이 나오죠. 문제는 “추천을 잘하고 있다”는 말이 아주 추상적인 표현이라는 겁니다. 좋은 추천이 나가고 있다는 건 어떻게 알 수 있을까요? 그 해답도 마찬가지 ‘데이터’에서 찾아야 합니다.

Q. 서비스가 추천을 잘하고 있는지, 정말 성과를 내고 있는지는 어떻게 확인하면 좋을까요?

도미닉: 결국 저희는 데이터를 보는 사람들이기 때문에 다시 지표로 모든 것을 봐요. 개인적으로 유저의 반응은 ‘지표로 측정할 수 있다’라고 생각하는 편이기도 하고요.

우선 지표에서는 콘텐츠 사이드와 커머스 사이드를 구분하고 있어요. 콘텐츠 쪽에서는 콘텐츠 조회 유저 수, 콘텐츠 활성화 유저 비율(CAU/DAU, Content Active Users / Daily Active Users) 등을 메인 지표로 삼아요. 커머스 쪽에서는 구매 전환율(CR) 등을 메인으로 보고요. 이때 두 영역의 핵심 지표들은 일종의 ‘가드레일’이에요. 다른 지표를 올리기 위한 실험에 침범당하면 안 될 지표인 거죠. 그렇게 가드레일을 해치지 않으며 조금씩 각 사이드의 지표를 올리는 것이 기본 방향성이에요. 아직은 끌어 올릴 공간이 남아 있다고 보고 있고요.

실험을 할 때는 단기적으로 사용자 행동의 변화가 있었는지, 이러한 단기 지표를 좀 더 포커싱해요. 물론 지표 반응이 한 번에 달라지지 않기도 하죠. 하지만 연 단위 장기 추세를 살피며 변화를 쌓아가다 보면 유저들이 좋아하는 방향성을 찾을 수 있다고는 생각해요.

Tip. 오늘의집 ML 팀이 고객의 문제를 전달받는 방법

지표로 성과를 측정하는 ML팀에도 고객 반응은 중요합니다. 경영진이 설정한 핵심 지표(OKR)와 고객들의 정성 의견 사이에서 균형을 이루며 문제를 찾아 나가야 하죠. 이들 사이 균형은 어떻게 조율할까요?

도미닉: 핵심 지표는 OKR 기준으로 설정해요. 경영진에서 설정한 목표를 바탕으로 프로젝트가 생기고, 그 안에서 세부 지표를 고민하는 편이죠. 또, 같이 일하는 PO들이 많은 역할을 해 주세요. 추천, XR, 플랫폼 등 ML팀 각 영역마다 담당 PO가 있는데, 기능이 필요할 때면 PO 분들을 통해 요청이 많이 들어와요. 주요 프로젝트와 요청들 사이에서 우선순위를 조정하며 결과물을 전달하려고 하죠.

<촬영: 요즘IT>

이처럼 추천에도, 성과 점검에도 오늘의집은 데이터를 중심으로 움직입니다. 이 근간에는 공들여 만든 데이터 파이프라인 시스템을 활용하죠. 그렇다면 AI 시스템의 기반이 되는 모델과 인프라는 어떻게 갖춰 나가고 있을까요?

Q. 오늘의집은 AI 모델을 어떻게 구축하고 활용하나요?

현: 추천을 할 때는 주로 자체 구축한 모델을 활용해요. 때로는 상황에 맞게 오픈 소스를 활용하기도 하죠. 다만 외부 API나 오픈소스는 아무리 초기 비용이 적다 해도 커스텀에 적합하지 않아서요. 그래서 무게 중심을 자체 구축에 많이 두는 편이에요. 그렇게 한 번 만들어 둔 시스템을 추천이 필요한 다른 영역으로 확장 시켜요. 결국 관리도 저희가 해야 하고 무언가 모델을 덧붙인다 해도 기존 시스템 위에 돌아가는 것이 훨씬 편리하니까요.

준형: 추천을 중심으로 얘기를 많이 했지만, XR에서는 외부 리소스를 우선으로 구현하고 있어요. 외부 API 활용을 가장 선호하고, 그다음 오픈 소스, 자체 구축 순이죠. 이미 서비스에 올라가 적극적으로 쓰이는 추천과 달리, 기능을 테스트하며 목표를 빠르게 전환할 필요성이 있어서 더욱 그렇죠. 다만 아무래도 XR 도메인에서 쓰는 모델은 무거운 경향이 있어 학습과 서빙에 비용이 많이 들거든요. 그런 만큼 서빙 비용을 줄이는 것에도 관심이 많아요. 현재는 큐 기반의 시스템을 구축해 불필요한 인스턴스 비용이 나가지 않게 하고 있죠. 더 나아가서는 AWS의 Inferentia나 허깅페이스의 제로GPU(ZeroGPU) 프로젝트처럼, 더 저렴한 기술도 눈여겨 보는 중이에요.

Q. 구축한 모델을 서비스에 안정적으로 연결하는 일도 중요한데요. 오늘의집은 이 업무를 어떻게 해결하고 있을까요?

도미닉: 내부 개발팀에게는 모델을 주로 API 형태로 제공하고 있어요. 초기에 API 스펙까지 싱크를 맞춘 다음, 이에 맞춰 모델을 활용할 수 있게 전달하는 편이죠. 그래서 ML팀 단위로도 단순히 모델 구축뿐만 아니라 다양한 개발 작업에 참여하도록 권장하고 있어요. AI 영역에서 엔드 투 엔드 엔지니어로 성장할 수 있도록요.

현: ML 엔지니어로 일하다 보니, 결국 모든 영역에 다 참여하게 되더라고요. 모델만 만들 때도 있고, API 만드는 데 들어가기도 했죠. API 만드는 일은 처음에는 어렵기는 했는데, 주변의 도움을 받고 하다 보니 괜찮아졌어요. 결국 모든 작업을 해봐야 다시 모델을 만들 때도 도움이 되더라고요.

Tip. 오늘의집 ML 팀이 학습하는 방법

오늘의집 ML 조직은 크게 XR, 추천, 검색, 플랫폼으로 나뉘어 있습니다. 플랫폼이 제공하는 서비스 인프라 위에 각각 전문성을 바탕으로 AI 기능을 얹고 있죠. 이들 엔지니어는 어떻게 서로 지식을 공유하며 성장하고 있을까요?

도미닉: ML 엔지니어의 성장을 위해 두 가지 정도를 진행해요. 하나는 오하우스 퀄리티 세션으로, 엔지니어가 배운 것을 공유하는 시간이에요. 직접 진행한 프로젝트의 성공이나 실패담, 외부 콘퍼런스나 논문에서 학습한 내용의 요약을 발표하죠. 다른 하나는 러닝 아워라고, 정규 근무 중 각자 하고 싶은 공부를 하는 시간이에요. 그 시간에 공부한 내용은 간단히 적어서 공유하고요.

Chapter 2. 3줄 요약

① 추천의 성과는 콘텐츠 사이드/커머스 사이드로 나눠 지표 중심으로 검증
② 추천 모델은 자체 구축, XR의 비전/생성 모델은 외부 API 중심으로 활용
③ 구축한 모델은 플랫폼 인프라 내에서 API 형태로 제공하며 적용

Chapter 3. 오늘의집이 AI로 ‘사용자 경험’을 개선하는 방법

오늘의집을 찾는 고객은 다양합니다. 고생해서 꾸민 우리 집을 자랑하고 싶은 사람, 예쁜 집을 보고 내 공간을 꾸밀 영감을 받고 싶은 사람, 이사 가기 앞서 필요한 물건을 사려는 사람 등이죠. 하지만 중요한 고객이 하나 더 있습니다. 바로 ‘셀러’, 즉, 오늘의집에서 물건을 판매하는 사람들이죠. 플랫폼에는 이들 역시 중요한 고객입니다.

Q. 오늘의집을 찾는 또 다른 고객, 셀러들을 위한 추천도 이뤄지고 있을까요?

현: 추천 피드와 엮어 광고 영역에서도 새로운 도전을 하고 있어요. 오늘의집에는 유저들이 직접 꾸며 올린 ‘상품 스타일링샷’ 이미지가 있어요. 이 스타일링샷을 광고에 적극적으로 활용하는 건데요. 광고주가 광고할 상품을 고르면, 유저가 가장 선호할 스타일링샷을 찾아 피드에 보여주며 광고를 집행하는 거죠. 미리 만들어둔 소재가 아니라요.

아주 멋진 얘기는 아니지만, 광고는 추천 팀에서 처음 진행하다 보니 피처를 모두 새로 만들어 시간이 많이 들어갔어요. 또 마케팅 활용 동의가 필요했기에 법무팀 검토를 받은 데이터셋으로 완전히 시스템을 새로 구축해야 하기도 했고요.

도미닉: 추천은 유저와 셀러를 연결하는, 플랫폼의 역할을 가장 잘 나타낼 중요한 기능이라고 생각해요. 유저에게는 본인의 취향에 적합한 상품과 콘텐츠를, 셀러에게는 상품에 더 큰 관심을 가질 유저를 연결해 주죠. 오늘의집을 찾는 핵심 사용자 모두에게 가치를 준다고 보고 있습니다.

오늘의집 홈 피드 내 광고 화면 <출처: 오늘의집 앱 캡처>

AI는 이처럼 다양한 고객의 ‘사용자 경험’을 개선하는 방법으로 쓰입니다. 그 방법은 단순히 추천만 있는 것이 아니죠. 요즘 주목받는 생성형 AI와 LLM 기술을 접목하는 연구 역시 오늘의집에서 활발하게 이뤄지고 있습니다.

Q. 다른 측면에서 사용자 경험을 올리기 위해 AI 기능을 연구하는 분야가 있을까요?

준형: XR팀에서는 생성 모델을 서비스에 적용할 방법을 많이 고민하고 있어요. “#ai야내방을바꿔줘 챌린지”처럼 이미지 생성 모델을 적용하는 이벤트를 진행하기도 했고요. 특히, 요즘은 3D방꾸미기 서비스에 AI 기능을 접목해 유저 경험을 개선하는 방법을 고민하고 있죠.

특히 방꾸미기에 쓸 3D 모델이 부족하다는 고객 피드백이 많은데요, 이를 해결할 AI 기반 3D 모델링을 최우선 과제로 생각하고 있어요. 또, 도면을 업로드하면 이를 인식해서 그에 맞는 방을 만들어 주거나, 방 사진을 분석하고 사진 속 가구를 AI가 대신 배치해 줌으로써 유저가 빠르게 방을 꾸미도록 도울 수도 있죠. 공간 기반 가구 추천이나 자동 재배치 기능처럼 유저가 방을 꾸미기에 편한 여러 기능을 함께 검토하고 있어요.

물론 아직 AI 기능이 본격적으로 들어가지는 않았지만, 사용자가 쉽고 편하고 빠르게 방을 꾸며 상상을 실제로 바꿀 수 있다면, 모든 가능성을 열어두고 시도하고 있어요.

오늘의집 XR팀의 생성 모델 기반 서비스 관련 이미지들 <출처: 버킷플레이스>

Q. LLM의 등장으로 AI 기반 사용자 경험을 다시 정의되는 듯해요. 오늘의집은 LLM을 어떻게 사용하나요?

도미닉: LLM이 잘할 수 있는 영역들부터 접근하고 있어요. 가장 먼저 고민하는 건 키워드에 다양하게 접근할 방법인데요. 예를 들어 사용자가 ‘부드러운 이불’을 검색했다고 할게요. 이를 반영한 피드를 만들려면 ‘부드러운’이란 키워드를 적용할 수 있어야 하는데요. 상세 설명에 직접 쓰여 있지 않다고 해도, ‘부드러운’이란 값을 적용할 항목을 뽑아내는 건 LLM이 잘하는 일이라고 생각해요.

또, 이미지와 텍스트의 연결을 강화할 수도 있죠. 어떠한 이미지를 보고 텍스트로 잘 설명하는 LLM이 있다면, 텍스트 중심으로 추천해도 적합한 이미지를 연결할 수 있는 거죠. 다양성을 고려할 때 도움이 되지 않을까 싶어요.

다만 AI 기능의 개선과 확장에 있어서는 기술 자체에 제한을 두지 않아요. 무엇보다 유저를 더 많이 이해하는 방향을 가장 큰 줄기로 잡고 있어요. 유저의 반응을 어떻게 이해해야 할지 찾아내는 것이 핵심이라고 생각합니다. 여기에서 출발해 같이 볼만한, 관심 있을 법한, 구매해 볼만한 것을 집요하게 찾아내 제공하려고 합니다.

더 알아보기. 오늘의집 ML 엔지니어들은 어떤 AI 툴을 쓸까?

도미닉: 아이디에이션에 ChatGPT를 많이 쓰게 되는 것 같아요. 혼자 생각하다 보면 사고의 방향이 한 방향으로 흐르기 마련인데, ChatGPT가 당연하면서도 중립적인 의견을 많이 줘서 큰 도움이 됩니다.
현: 기존에는 코파일럿을 활용하다가 최근에 커서(Cursor)로 넘어갔습니다. 여러 파일을 동시에 추가할 수 있어서 좋아요.
준형: 아이디에이션이나 간단한 코딩에는 ChatGPT, 코파일럿을 쓰고 있습니다. 쉽게 해결되지 않는 코드의 경우에는 클로드(Claude)를 쓰고 있어요.

Chapter 3. 3줄 요약

① 플랫폼의 또 다른 고객인 셀러를 위한 AI 맞춤형 광고를 개발해 도입
② 3D방꾸미기 서비스를 중심으로 이미지 생성형 AI 기능 역시 테스트 진행중
③ “AI 기능의 개선과 확장에 있어 가장 중요한 건 ‘유저를 더 많이 이해하는 것’”

AI 추천과 맞춤형 광고, 3D방꾸미기의 AI 기능까지. 이토록 복잡하고 어려운 시스템을 만들어 내는 이유는 무엇일까요? 문득 궁금해졌습니다. 인터뷰를 정리하다 보니 엔지니어들이 여러 차례 말한 답변이 눈에 들어왔습니다. “유저에 집중해 더 나은 ‘사용자 경험’을 만들기 위한 것”이라고요.

어쩌면 기술 도입 자체가 목적이 아닌, 사용자 경험을 올리려다 보니 기술을 도입하게 되었을 뿐은 아닐까요. 그 길에 추천과 생성, 그런 AI 기술이 놓여 있었던 것입니다. AI는 흔히 새로운 사용자 경험을 만들어 낸다고 합니다. 다만 이 새로움에는 반드시 ‘고객에게 좋은’이란 수식어가 붙어야 하지 않을까요?

]]>