1. 핵심 주장 / 논지
다음 10년의 가장 큰 회사들은 소프트웨어 기업이 아니라 AI 네이티브 서비스 기업이 될 것이다. 보험사, 로펌, 세무법인 같은 기존 서비스 산업을 AI로 처음부터 다시 구축하는 것이다. 이 시장은 수조 달러 규모이며, 모델의 발전 덕분에 불과 몇 년 전까지는 존재하지 않았던 기회가 열렸다.
핵심 차별점: 전통적인 SaaS는 고객에게 도구(co-pilot)를 제공해 고객이 직접 사용하게 하지만, AI 서비스 기업은 결과물(outcome)을 직접 고객에게 납품한다. 고객은 어떻게 만들었는지가 아니라 최종 결과물에 관심이 있다.
2. 주요 논거 및 근거
2-1. 올바른 시장 선택 (Market Selection)
좋은 AI 서비스 시장이 갖춰야 할 4가지 고유 특성:
-
낮은 신뢰도(Low Trust) — 이미 외주화된 업무여야 한다.
- 고객은 이미 벤더에게 일을 맡기고 있으므로 "새로운 행동 변화"를 요구하지 않아도 된다.
- 예산이 이미 존재하는 곳에 들어가는 것 → 벤더 교체(displacement), 행동 변화 요구 아님.
-
낮은 판단 의존도(Low Judgment at Task Level) — 각 단계를 잘게 쪼갤 수 있어야 한다.
- 모든 단계에서 인간의 판단이 필요하면 스케일이 불가능하다.
- 대부분의 단계는 자동화 가능해야 하고, 인간의 판단은 소수의 핵심 포인트에만 집중해야 한다.
-
높은 지능 임계치(High Intelligence Threshold) — 업무 자체가 어려워야 한다.
- 모순처럼 들리지만, 업무가 충분히 어려워야 모델+인간 조합이 경쟁 우위를 가진다.
- 쉬운 업무는 누구나 자동화할 수 있어 해자(moat)가 없다.
-
규제(Regulation) — 규제가 오히려 유리할 수 있다.
- 규제 산업은 더 높은 기대치와 법적 책임이 있어 진입 장벽이 높다.
- 예시: Panacea — FDA 규제 컨설팅을 AI로 수행하는 YC 포트폴리오사. 경험 많은 FDA 컨설턴트 + AI 플랫폼 조합으로 더 빠르고 높은 품질의 FDA 승인 제공.
YC가 주목하는 시장: 세금(tax), 감사(audit), 보험, 모기지, 헬스케어 일부, 물류 일부 → 아직 손대지 않은 시장이 훨씬 많다.
주의사항:
- Sam Altman 테스트: 모델이 더 발전할수록 내 서비스가 강해지는가, 아니면 모델이 나를 대체하는가? 전자여야 한다.
- 장비와 현장 노동이 필요한 물리적 사업은 소프트웨어 마진 수학이 적용되지 않으므로 피할 것(로보틱스 창업자들의 영역).
- 인간을 쓰는 이유가 진짜 판단이 필요해서인지, 아니면 제품 결함을 인간으로 때우는 건지 솔직하게 자문해야 한다.
2-2. 올바른 창업팀 구성 (Founding Team)
AI 서비스 창업자들이 공통적으로 갖춰야 할 3가지 핵심 역량:
-
도메인 유창성(Domain Fluency)
- 직접 경험이 최고지만, 배운 것도 괜찮다.
- 회의적인 구매자와 규제 환경에서 신뢰를 얻어야 하므로 "해당 분야에서 피 흘린 경험"이 필요하다.
-
모델 유창성(Model Fluency)
- 최전선 모델이 무엇을 할 수 있는지 정확히 알고, 모델이 발전하는 곡선을 타도록 제품을 설계해야 한다.
- 기술에 대한 과소평가 금지. 훌륭한 기술이 없으면 대체 불가.
-
운영 엄격성(Operational Rigor)
- 분산(variance), 처리량(throughput), 사이클 타임, SOP 같은 개념을 좋아하고 통달해야 한다.
- 대부분의 창업자에게 흥미롭지 않은 주제지만, AI 서비스는 근본적으로 "운영(operation)"을 실행하는 것이다.
실제 사례 — General Legal (YC 백 법률 스타트업):
- 창업자들이 Cooley/Fenwick에서의 실제 법률 사무소 경험 + Casetext에서의 기술 리더십 조합 보유.
- 핵심: 처리량(throughput)과 팀 구성을 깊이 고민하고, 사이클 타임을 줄이기 위한 교대 근무(shift work)를 도입. 이는 스케일을 위한 윈-윈.
2-3. 제품 구축 (Building the Product)
AI 서비스의 제품 구조는 일반 소프트웨어와 정반대:
- 일반 소프트웨어: 인간이 인터페이스(사용자)
- AI 서비스: 인간이 고객 접점이고, 제품은 인간이 비선형적으로 스케일하도록 돕는 도구
이에 따른 제품 구축 원칙:
-
운영 마인드셋 적용 — 병목을 찾고 병목에 맞게 구축하라.
- 처리량(throughput)과 사이클 타임을 제품 지표로 추적 (DAU처럼 관리)
-
분산(Variance)이 실존적 위협 — 일관성 없는 결과물은 신뢰를 파괴하고 고객 이탈을 유발.
- 고객은 느리거나 비싸다는 이유보다 일관성 없다는 이유로 더 빨리 해지한다.
-
루프 내 인간이 비선형 스케일해야 — 인력 증가와 1:1로 매출이 늘어나면 심각한 문제.
- 루프 내 인간들도 소프트웨어를 즐겨야 한다 (그들이 실제 사용자이므로).
-
초기에는 스케일 안 해도 되지만, 결국은 해야 한다 — "자동화가 곧 제품"임을 명심.
2-4. 영업 및 고객 성공 (Sales & Customer Success)
**초기 수요 함정(Early Demand Trap)**이 가장 큰 도전:
- 아직 아무것도 없는 상태에서 파일럿 고객을 과도하게 확보하기 쉽다.
- 너무 많으면 서빙 능력이 초과되고, 결국 인간으로만 때우게 되어 스케일이 불가능해짐.
- 처방: 첫 파일럿 고객은 소수만 받고, 그 고객들로부터 깊이 학습하라.
영업 방식의 차이:
- 좌석이나 토큰이 아닌 결과물(outcomes)을 팔아야 한다.
- 파일럿이 곧 제품이다.
- 초기에는 표준화를 서두르지 말고, AI가 진짜 레버리지를 주는 포인트와 단순 자동화만 되는 포인트를 구분하는 데 파일럿을 활용하라.
가격 전략:
- 단위별 가격(Per-unit pricing): 건당, 청구서당, 대출 건당 등. 가장 명확하고 설명하기 쉬움.
- 성과 기반 가격(Outcome-based pricing): 인센티브 정렬이 뛰어나지만 예측하기 어려움. Panacea는 시간제 대신 컨설팅 보고서 완성 기준으로 청구.
- 피해야 할 전략 2가지:
- 원가 가산 가격(Cost-plus): 상승 여력을 영구적으로 차단. 절대 하지 말 것.
- 직선적 덤핑(Straight-line undercutting): 제품이 저가/저품질로 인식됨. 가치 기반으로 가격을 설정하라.
2-5. 손익계산서 (P&L)
AI 서비스 P&L 구조:
매출(Revenue)
- 매출원가(COGS): 모델 비용 + 호스팅 비용 + 루프 내 인건비
= 매출총이익(Gross Profit)
- 운영비용(Opex): R&D, 영업비, G&A(재무/법무/급여 등)
= 영업이익(Operating Income)
- 세금 및 이자
= 순이익(Net Income)
핵심 인사이트:
- COGS에 집착하라. 3가지(모델 비용/호스팅/인건비) 각각에 수치, 추세선, 담당자가 있어야 한다.
- 제로 마진/마이너스 마진 파일럿은 학습용으로만 활용하고, 여기에 중독되면 위험하다.
- 핵심 내기(Core bet): 제품이 발전할수록 COGS가 낮아지고 마진이 개선됨 → 이것이 AI 운영 레버리지(AI Operating Leverage).
AI 서비스의 P&L 기회:
| 전통 서비스 | 순수 소프트웨어/에이전트 | AI 서비스 목표 | |
|---|---|---|---|
| 마진 | ~30% | 높지만 TAM 작음 | 50%+ (소프트웨어 마진) |
| 시장 크기 | 수조 달러 | 상대적으로 작음 | 소프트웨어 대비 2~3배 큰 시장 |
2-6. 기존 사업 인수 금지 (Don't Buy Your Way In)
운영 경험 있는 창업자들이 많이 빠지는 함정:
- 기존 서비스 사업 인수 → AI 추가 → 매출 빠르게 확보 시도
- 거의 항상 실패하는 이유:
- Product-Market Fit을 돈으로 살 수 없다.
- 레거시 기업은 지표, 채용, 성과 기대치가 완전히 다르다.
- AI를 얹는다고 그런 조직 문화와 구조가 바뀌지 않는다.
- 유일한 예외: 규제 라이선스가 빠르게 필요한 경우(예: 보험 라이선스). 이 경우 외에는 직접 구축(Building)이 항상 인수보다 낫다.
3. 세부 내용 및 사례
사례 1: Panacea (FDA 규제 서비스)
- 업무: 바이오텍/메드텍을 위한 FDA 규제 서비스 제공
- 팀 구성: 경험 많은 FDA 컨설턴트 + AI 플랫폼
- 결과: 더 빠르고 높은 품질의 FDA 승인
- 가격 모델: 컨설팅 스터디 완성 기준 청구 (시간제 아님)
- 핵심: 규제 산업 특성이 오히려 해자로 작용
사례 2: General Legal (AI 네이티브 로펌)
- 팀 배경: Cooley/Fenwick 법률 경험 + Casetext 기술 리더십
- 핵심 차별화: 처리량 극대화를 위한 교대 근무 도입, 사이클 타임 단축
- 결과: 최고 변호사 유치 + 스케일 가능한 구조 동시 달성
핵심 개념 정리
| 개념 | 설명 |
|---|---|
| AI Operating Leverage | 제품이 발전할수록 COGS가 낮아져 마진이 개선되는 구조 |
| Early Demand Trap | 초기에 너무 많은 파일럿 고객을 받아 스케일 불능 상태가 되는 함정 |
| Sam Altman Test | 모델 발전이 내 서비스를 강화하는지 vs. 대체하는지 확인하는 기준 |
| Variance | 서비스 결과물의 비일관성 — AI 서비스의 실존적 위협 |
| Outcome-based pricing | 결과물 단위로 청구하는 가격 모델 (시간제 대비 인센티브 정렬 우수) |
4. 시사점 및 개인적 적용
AI 서비스 비즈니스의 패러다임 전환
- "도구 판매"에서 "결과 납품"으로 — 고객이 직접 조작하는 도구가 아닌 결과물을 파는 모델이 AI 서비스의 본질이다.
- 소프트웨어 마진 + 서비스 시장 크기 — 이 조합이 AI 서비스의 가장 강력한 투자 명제. 기존 서비스 시장(수조 달러)에서 소프트웨어 수준의 마진(50%+)을 달성하는 것.
- 분산(Variance) 통제가 생존의 조건 — 일관성이 속도보다 중요하다. 신뢰 구축이 최우선.
창업자/PM으로서 적용 포인트
- 인간이 제품의 사용자: AI 서비스에서 루프 내 인간 경험(UX)이 핵심 제품 지표. 그들이 행복해야 스케일이 가능.
- 운영 메트릭을 제품 메트릭으로: 처리량, 사이클 타임, 분산 — 이런 운영 지표를 DAU처럼 추적하는 사고방식 전환 필요.
- 초기 파일럿은 학습이지 매출이 아님: 수익화보다 "AI가 진짜 레버리지를 주는 포인트" 발견이 우선.
- Sam Altman 테스트 정기 실행: 내가 만드는 서비스가 모델 발전으로 강화되는지 주기적으로 점검.
- 규제를 해자로 보라: 진입 장벽이 높은 규제 환경이 오히려 경쟁 우위의 원천이 될 수 있다.
주의해야 할 함정
- 초기 수요 함정 → 소수 파일럿 고객으로 깊은 학습 우선
- 원가 기반/덤핑 가격 → 가치 기반 가격으로 포지셔닝
- 인간으로 제품 결함 숨기기 → 솔직한 자기 진단 필요
- 기존 사업 인수 유혹 → 직접 구축이 거의 항상 더 낫다
- 물리적 인프라 의존 사업 → 소프트웨어 마진이 적용되지 않음
핵심 요약 (20줄)
- 다음 10년의 가장 큰 회사들은 소프트웨어가 아닌 AI 네이티브 서비스 기업이 될 것이며, 세금·감사·보험·법률·헬스케어 등 수조 달러 시장이 대상이다.
- AI 서비스 기업은 도구(co-pilot)가 아닌 결과물(outcome)을 직접 납품하는 것이 핵심 차별점이며, 고객이 어떻게 만들었는지는 관심 없다.
- 좋은 시장의 4가지 조건: ① 이미 외주화된 업무(Low Trust) ② 단계별 자동화 가능성(Low Judgment) ③ 충분히 어려운 업무(High Intelligence Threshold) ④ 규제로 인한 높은 진입 장벽.
- Panacea 사례처럼 경험 많은 FDA 컨설턴트 + AI 플랫폼 조합으로 더 빠르고 높은 품질의 규제 서비스를 제공하는 모델이 가장 좋은 예시다.
- Sam Altman 테스트: 모델이 더 발전할수록 내 서비스가 강해지는가? 아니면 모델에 의해 대체되는가? — 전자만이 지속 가능한 해자(moat)다.
- 창업팀 3대 핵심 역량: 도메인 유창성(해당 산업 경험), 모델 유창성(AI 최전선 이해), 운영 엄격성(처리량/분산/SOP 통달).
- AI 서비스 제품 구조는 일반 소프트웨어와 정반대 — 인간이 인터페이스가 아니라 고객 접점이며, 제품은 그 인간이 비선형적으로 스케일하도록 돕는 도구다.
- 분산(Variance)이 실존적 위협 — 고객은 느리거나 비싸서가 아니라 결과물이 일관되지 않아서 더 빨리 이탈한다. 신뢰가 최우선이다.
- 루프 내 인간이 비선형 스케일해야 — 매출 증가가 인력 증가에 1:1로 비례하면 비즈니스 모델이 실패한 것이다.
- 초기 수요 함정(Early Demand Trap): 파일럿 고객을 과도하게 확보하면 서빙 불능 + 인간으로만 때우는 함정에 빠진다. 초기 파일럿은 소수만 받아라.
- 좌석이나 토큰이 아닌 결과물(outcomes)을 팔아야 한다 — 파일럿이 곧 제품이며, 초기에는 표준화보다 학습이 우선이다.
- 추천 가격 모델: 단위별(per-unit) 또는 성과 기반(outcome-based). 원가 가산 가격과 직선적 덤핑은 절대 피해야 한다.
- AI 운영 레버리지(AI Operating Leverage): 제품이 발전할수록 COGS가 낮아지고 마진이 개선되는 구조 — 이것이 AI 서비스 비즈니스의 핵심 베팅이다.
- P&L 기회: 전통 서비스(~30% 마진) + 소프트웨어보다 2~3배 큰 시장에서 소프트웨어 수준(50%+) 마진을 달성하는 것이 목표다.
- COGS의 3요소(모델 비용, 호스팅, 인건비) 각각에 수치·추세선·담당자가 있어야 하며, 제로/마이너스 마진 파일럿에 중독되면 위험하다.
- 기존 서비스 사업 인수는 거의 항상 함정 — PMF는 돈으로 살 수 없고, 레거시 기업의 문화와 구조는 AI 추가로 바뀌지 않는다.
- General Legal 사례: 로펌 경험 + 기술 리더십 조합의 창업팀이 교대 근무 도입으로 처리량을 극대화하고 최고 변호사를 유치하는 선순환 구조를 만들었다.
- 인간이 실제 제품 사용자 — 루프 내 인간들이 소프트웨어를 즐겨야 하며, 그들의 경험을 DAU처럼 추적하라.
- 아직 미개척 시장이 훨씬 많다 — X에서 화제가 되는 분야만 쫓지 말고, 아무도 건드리지 않은 시장에서 기회를 찾아라.
- 핵심 메시지: "과정이 제품이고, 제품이 과정이다(Process is the product, product is the process)" — 이 사고방식을 가진 창업자만이 세대적 기업(Generational Company)을 만들 수 있다.