AI 스타트업은 소프트웨어 거인을 앞설 수 있는가?

URL: https://www.youtube.com/watch?v=OTQ-lFsq7zA
날짜: 2026-10-03
채널: a16z
원문 제목: Can AI Startups Outrun the Software Giants?

---

📌 핵심 질문 / 논점과 근거

==기존 소프트웨어 기업이 고객·데이터·시스템 오브 레코드(system of record)를 모두 쥔 채 AI 에이전트를 얹을 때, AI 네이티브 스타트업은 시스템 바깥에서 실제 업무 전체를 완수하는 능력으로 승부할 수 있다.==

• 기존 기업은 유통, 고객 신뢰, 이미 설치된 제품, 내부 데이터라는 강점을 가진다.
• 그러나 기존 시스템은 최종 결과와 기록을 저장할 뿐, 그 결과가 만들어지기까지 필요한 이메일·스프레드시트·사람 간 조율·예외 처리·판단을 끝까지 책임지지 못한다.
• AI 스타트업은 특정 기록 시스템의 부가 기능이 아니라, 법무·재무·운영·조달 등 여러 부서와 도구를 가로지르는 end-to-end 업무(job)를 소유할 수 있다.
• 조달에서는 ERP에 남은 단순한 최종 가격 뒤에 수백 통의 이메일, 수십 번의 이해관계자 회의, 원가 분석, 공급업체 협상, 배송·송장 예외가 숨어 있다.
• 신뢰는 처음부터 완전 자율로 얻는 것이 아니라 human-in-the-loop에서 시작해 반복 횟수와 학습을 쌓으며 확장된다.

핵심 경쟁은 ‘누가 더 좋은 모델을 붙였는가’가 아니라 ‘누가 고객의 실제 일을 더 많이, 더 안전하게, 더 깊은 맥락으로 대신하는가’다. LEO의 조달 사례는 검색·기록 입력을 넘어 공급업체 탐색, RFQ 발송, 문서 해석, 가격 벤치마킹, 협상, 주문 확인, 배송 추적, 송장 처리까지 하나의 업무 흐름으로 묶는 방향을 보여준다.

1. 기존 기업과 AI 네이티브 스타트업의 경쟁 구도

1.1. 유통 대 혁신이라는 기존 구도에 세 번째 경쟁자가 등장하다

1. 전통적인 스타트업 경쟁 구도

   1. 역사적으로 기존 기업과 스타트업은 유통(distribution)과 혁신(innovation)의 대결을 벌였다.
   2. 기존 기업은 이미 고객을 확보하고 제품을 배포할 수 있었고, 스타트업은 새로운 문제 해결 방식과 빠른 제품 혁신을 무기로 삼았다.
   3. Alex Rampell이 말한 구도처럼 기존 기업의 유통과 스타트업의 혁신이 맞붙는 구조였다.

2. 기존 제품에 모델을 얹는 세 번째 선택지

   1. 이제 기존 기업은 자신이 보유한 시스템 위에 최신 모델을 얹을 수 있다.
   2. Salesforce가 보유한 고객·데이터와 클라우드·모델 역량을 결합하는 식의 제품이 등장하면, 고객은 이미 익숙한 도구 안에서 AI를 켜면 된다.
   3. Salesforce의 Agentforce처럼 거의 추가 비용 없이 기존 고객에게 제공되는 에이전트는 도입 장벽이 낮다.
   4. 고객 입장에서는 이미 데이터가 있고 직원들이 기존 제품을 사용할 줄 아는데 굳이 별도 AI 제품을 살 이유가 무엇인지 묻게 된다.

1.2. 시스템 오브 레코드가 하지 않는 일을 스타트업이 소유하다

1. 기록 시스템의 경계

   1. 기존 기업의 핵심 자산은 시스템 오브 레코드다. CRM, ERP, 결제·청구 시스템처럼 정형화된 사실과 최종 상태를 저장한다.
   2. 그러나 실제 업무는 한 시스템 안에서 끝나지 않는다. 고객의 계약, 과거 대화, 청구 내역, 내부 승인, 예외 사유를 함께 살펴야 결과를 낼 수 있다.

2. 해지 후 과금 사례

   1. 고객이 서비스를 해지했는데도 요금이 청구됐다고 문의한다고 가정한다.
   2. 단순 검색 에이전트는 고객이 과다 청구됐다는 사실과 계약 조건을 찾아 보여줄 수 있다.
   3. 실제 해결에는 청구 시스템, 고객지원 대화 기록, 계약서, 해지 이력, 보상 승인과 후속 청구 처리가 함께 필요하다.
   4. 하나의 시스템 오브 레코드에 없는 고객 지식과 전체 맥락을 연결해 환불·보상·관계 유지까지 끝내는 것이 end-to-end 업무다.

3. AI 네이티브 기회의 정의

   1. AI 스타트업은 기존 시스템에 검색창을 하나 더하는 대신 업무의 처음부터 끝까지 소유하겠다고 제안할 수 있다.
   2. 법무라면 브리프 작성에서 재판까지, 고객지원이라면 문의 접수에서 문제 해결과 관계 보존까지 이어지는 전체 아크를 책임지는 방식이다.
   3. 조달이라면 ERP에 가격을 기록하는 것보다 공급업체 선정, 협상, 계약, 배송, 송장과 예외 처리를 모두 연결하는 것이 핵심이다.

2. 조달 업무의 숨은 복잡성과 네 가지 에이전트 단계

2.1. ERP의 8,000달러가 숨기는 실제 노동

1. 표면에 보이는 결과

   1. 조달 결과는 ERP에 ‘알루미늄 8,000달러’처럼 단순한 한 줄로 보인다.
   2. 영업 계약도 서명된 계약서 한 장만 보면 간단해 보이지만, 실제로는 결과에 이르는 과정이 대부분 기록 밖에 있다.

2. 숨은 업무의 규모

   1. 단일 계약이나 가격 결정 뒤에는 약 30회의 이해관계자 회의가 있을 수 있다.
   2. 약 500통의 이메일과 20개의 Excel 시트가 오갈 수 있다.
   3. 공급업체가 처음에는 10,000달러를 요구했다가 반발과 재협상을 거쳐 8,000달러로 내려왔을 수 있다.
   4. 원가 엔지니어가 3주 동안 Excel 계산과 3D 모델링을 수행해 부품의 합리적 가격을 산출했을 수 있다.
   5. 조달의 핵심 노동은 ERP나 단일 시스템 오브 레코드 바깥에서 발생한다.

2.2. 검색·프로세스·정책·원칙 에이전트의 네 단계

1. 검색(retrieval) 에이전트

   1. 기존 기업이 처음 제공한 ‘챗봇을 시스템 기록 위에 얹는’ 전략에 해당한다.
   2. 고객 데이터베이스와 계약에서 사실을 찾아주고, 가벼운 분석이나 요약을 수행한다.
   3. 서비스 장애로 보상을 요청한 고객에게 장애 날짜와 계약상 보상 조건을 찾아 알려주는 수준이다.
   4. 판단하지 않고 이미 존재하는 정보를 꺼내어 합성한다.

2. 프로세스(process) 에이전트

   1. 사내 정책 핸드북과 승인 규칙을 확인해 보상 자격을 판정한다.
   2. 자격이 있으면 승인된 크레딧을 청구서에 적용하는 등 정해진 절차를 실행한다.
   3. 규칙에 따른 처리이지, 경계 사례에서 새로운 판단을 내리는 단계는 아니다.

3. 정책(policy) 에이전트

   1. 장애가 20분 지속됐다는 사실만 보는 것이 아니라, 회사 정책상 ‘중대한 장애’로 볼 만한지 해석한다.
   2. 엄격한 숫자 하나로 정의되지 않은 상황에서 정책의 취지와 맥락을 적용한다.
   3. 같은 20분이라도 서비스 종류, 고객 영향, 장애 범위에 따라 판단이 달라질 수 있다.

4. 원칙(principal) 에이전트

   1. 규정상 최소 보상액을 계산하는 데서 멈추지 않고 사업 관계의 장기 가치를 고려한다.
   2. 장애가 매우 심각했다면 고객과의 관계를 지키기 위해 더 많은 보상을 제안할지 판단한다.
   3. 프로세스나 정책의 자동 적용을 넘어 회사가 어떤 결과를 원하고 감수할 수 있는지를 대리한다.

2.3. 기존 기업이 더 깊은 단계로 내려가기 어려운 이유

1. 현재 제공 수준

   1. 많은 기존 기업은 검색 단계에서 출발했고, 현재도 프로세스와 일부 정책 단계로 이동한다고 홍보한다.
   2. 문서 서명, 녹취에서 정보 입력, 정해진 워크플로 실행 같은 기능은 프로세스 에이전트에 가깝다.
   3. 복잡한 판단과 기업의 원칙을 반영하는 단계까지는 아직 제한적이다.

2. 파트너십으로 모델 역량을 보충하려는 전략

   1. 기존 기업은 OpenAI·Anthropic 같은 모델 연구소와 협력해 자신이 가진 제품과 데이터를 보강하려 한다.
   2. 모델을 붙이면 기능을 빠르게 확장할 수 있지만, 업무 전체의 책임과 이해관계 조정까지 자동으로 해결되지는 않는다.

3. 내부 인센티브 충돌

   1. 기존 기업은 고객 신뢰와 유통이라는 압도적인 장점을 갖는다.
   2. 반대로 더 복잡한 에이전트를 만들면 기존 워크플로 제품과 ‘업무 자체를 해결하는 제품’이 서로 충돌한다.
   3. 사람 고객지원 담당자를 위한 워크플로를 파는 구매자와 고객 문제를 end-to-end로 해결하는 구매자는 다를 수 있다.
   4. 서로 다른 조직의 두 부사장이 각자 다른 제품을 판매하는 전형적인 사일로와 판매 인센티브 충돌도 발생한다.
   5. 무엇을 팔 것인지, 누구에게 팔 것인지, 어느 팀의 매출로 잡을지 결정하기 어려워진다.

3. LEO의 신뢰 형성 방식과 조달 현장

3.1. 자율성은 위험과 복잡도에 따라 조절된다

1. 네 단계 모두를 아우르는 제품 범위

   1. LEO는 검색·프로세스·정책·원칙의 네 범주를 모두 사용한다.
   2. 예산 승인 수준, 업무 복잡도, 결정의 위험도에 따라 완전 자율 실행과 human-in-the-loop를 섞는다.
   3. 내부 구성원이 LEO를 믿고 조달 업무를 맡기는 내부 신뢰와, LEO 에이전트가 공급업체와 대화할 때 필요한 외부 신뢰를 모두 얻어야 한다.

2. 기존 기업의 신뢰와 스타트업의 신뢰

   1. Salesforce 같은 기존 기업은 이미 고객 신뢰를 보유해 제품을 켜는 것 자체는 쉽다.
   2. 하지만 너무 이른 시점에 작동하지 않는 제품이나 잘못된 결정을 내리는 제품을 내보내면 오랫동안 쌓은 신뢰를 훼손할 수 있다.
   3. 스타트업은 처음부터 신뢰를 갖고 시작하지 않지만, 작은 성공을 실제 운영 환경에 빠르게 배포하며 신뢰를 단계적으로 쌓을 수 있다.

3.2. 20%의 송장 프로세스에서 예외 처리로 이동하다

1. 정상 경로는 소프트웨어 시장의 전부처럼 보인다

   1. 송장 에이전트는 문서를 읽고 여러 문서의 정보를 대조한 뒤 SAP나 Oracle에 결과를 밀어 넣을 수 있다.
   2. 이 기능은 오늘날 송장 소프트웨어가 해결한다고 말하는 업무의 100%처럼 보인다.

2. 실제로는 정상 경로가 문제의 20%다

   1. 송장이 사기인지, 문서와 실제 납품이 불일치하는지, 예상치 못한 예외가 발생했는지는 단순 입력 자동화로 해결되지 않는다.
   2. 정상 경로는 전체 업무의 약 20%에 불과하고, 예외 처리와 판단이 나머지 80%의 문제를 만든다.
   3. LEO는 이 사실을 확인한 뒤 예외 처리 에이전트로 빠르게 초점을 옮겼다.

3. 앞서 제안하고 뒤따라 제품화하는 반복 루프

   1. 약 3년 전에는 문서 검색만으로도 고객에게 매우 인상적인 기능이었다.
   2. 고객에게 다음 세대 기능을 제안하고 실제로 돈을 낼 문제인지 확인한 뒤 몇 주 만에 제품으로 배포했다.
   3. 검색에서 프로세스, 완전 자율, 장시간 실행 에이전트로 단계마다 같은 검증 루프를 반복했다.
   4. 기술이 대중화되기 전에 약간 앞서 문제를 제시하되, 고객이 실제 가치가 있다고 확인한 부분만 생산 환경에 넣는 방식이다.

3.3. 조달은 가격표보다 넓은 기업 의사결정이다

1. 조달에 참여하는 조직

   1. 조달은 물건을 싸게 사는 단순 구매가 아니라 경제를 움직이는 다중 이해관계자 프로세스다.
   2. 법무, 원가 엔지니어링, 조달, 재무가 한 결정에 함께 참여한다.
   3. 계약 구조는 법무, 대금 회수와 지급 구조는 재무, 원가 구조는 원가 엔지니어링, 상업 조건은 조달이 담당한다.
   4. 참여자는 특정 기업과 산업의 매우 구체적인 지식과 프로세스를 가진 고도로 훈련된 전문가다.

2. 협상에서 human-in-the-loop가 필요한 경우

   1. 기업이 과거에는 용량 부족으로 협상하지 않던 작은 금액의 거래는 위험이 거의 없으므로 에이전트가 먼저 자율 협상을 시도할 수 있다.
   2. 50,000달러 미만의 청구서는 사람이 처리할 여력이 없어 그냥 지불되는 경우가 있었고, 에이전트는 그동안 놓친 절감 기회를 포착한다.
   3. 협상하지 않던 상태에서 조금 잘못 협상하는 것의 위험은 거의 0에 가깝기 때문에 ‘아무것도 하지 않는 것보다 낫다’는 기준이 성립한다.
   4. 반대로 마케팅 서비스나 스튜디오처럼 금액은 작아도 오래된 사업 관계와 말투·관계의 맥락이 중요한 경우는 사람이 최종적으로 조정한다.
   5. 수백만 달러 규모의 협상, 3D 모델·기술 도면 분석, 장시간 원가 계산에는 전문가를 계속 loop 안에 둔다.

4. 물리적 세계에 연결된 조달과 확률적 개입

4.1. 항공기·로봇·드론·데이터센터의 조달 규모

1. 쉬운 간접 조달과 어려운 직접 조달

   1. 노트북과 연필 같은 간접 조달은 이미 비교적 해결된 영역이다.
   2. 중요한 문제는 항공기, 휴머노이드 로봇, 드론, 데이터센터처럼 먼저 공장을 만들고 수많은 부품을 조달해야 하는 직접 조달이다.
   3. AI 자체도 데이터센터와 물리적 인프라를 필요로 하므로 AI 산업의 성장도 조달에 의존한다.

2. 작은 지연의 거대한 손실

   1. 항공기나 대형 데이터센터 프로젝트에는 수천 개의 공급업체가 관여한다.
   2. 그중 한 부품이 2주 늦게 도착하면 전체 프로젝트가 미뤄지고 수억 달러의 손실이 발생할 수 있다.
   3. 조달 담당자의 받은편지함에는 공급업체의 ‘죄송하지만 2주 늦어진다’는 메일이 수백 통 중 하나로 섞여 있다.
   4. ERP에는 단지 납기가 이번 주 수요일에서 다음 주 수요일로 바뀐 사실만 남는다.
   5. 그 변화가 괜찮은지, 아니면 1억 달러 손실을 뜻하는지는 시스템 오브 레코드가 아니라 맥락을 가진 판단이 알아내야 한다.

4.2. 외부 맥락을 결합해 개입 지점을 고르다

1. 공급업체의 신뢰도와 가격의 교환

   1. 에이전트가 모든 운송 사고를 직접 바꿀 수는 없지만, 여러 맥락을 모으면 사고 확률과 영향을 예측할 수 있다.
   2. 한 공급업체는 물량의 20%가 누락되고 다른 공급업체는 1%만 누락되는 기록을 가질 수 있다.
   3. 전자는 10배 저렴해도 중요한 부품이라면 후자의 높은 가격을 지불하는 편이 합리적일 수 있다.
   4. 비용 최저화가 아니라 도착 확률, 지연 비용, 프로젝트의 중요도를 함께 계산해야 한다.

2. 기업 밖의 정보까지 포함하는 맥락

   1. 여러 내부 부서의 정보뿐 아니라 뉴스와 외부 사건도 조달 판단에 들어가야 한다.
   2. 공급업체 측의 상황, 판매자와 구매자의 수요, 세계적 운송·정치 리스크를 함께 봐야 한다.
   3. 대화에서 예로 든 Polymarket 같은 예측 신호도 특정 교란이 일어날 가능성을 추정하는 외부 맥락으로 활용될 수 있다.
   4. 목표는 단순한 기업 내부 조달 자동화가 아니라 기업 간 거래 전체를 더 잘 조정하는 것이다.

5. 다중 에이전트 시스템과 볼트 한 개의 end-to-end 구매

5.1. 다중 에이전트가 필요한 이유

1. 업무를 구성하는 사람·부서·도구

   1. 인간 수준의 조달 업무에는 여덟 명의 이해관계자, 세 개 부서, 다섯 개의 서로 다른 소프트웨어 도구가 관여할 수 있다.
   2. 한 에이전트가 모든 역할을 흉내 내는 방식으로는 정보의 공유 순서와 전문 판단을 안정적으로 조정하기 어렵다.
   3. 여러 에이전트가 정보를 공유하고 정해진 순서로 서로의 결과를 받아야 전체 업무가 완성된다.

2. LEO의 발전 단계

   1. 시작은 약 3년 전의 검색 중심 코파일럿이었다.
   2. 다음은 단일 에이전트였지만, 협상에는 계약을 읽는 에이전트와 외부 뉴스를 보는 에이전트가 함께 필요하다는 한계가 드러났다.
   3. 각 에이전트가 검색·프로세스·정책·원칙 범주를 맡고, 위험·복잡도에 따라 순차적으로 협력하는 구조가 다중 에이전트 시스템이다.

5.2. Boeing의 볼트 구매를 시작점으로 삼은 흐름

1. 수요 입력을 쉽게 만든다

   1. 항공사나 제조 현장에서 누군가 볼트가 필요하다는 수요를 올린다.
   2. 건설 노동자처럼 노트북을 2주에 한 번만 여는 사람에게 SAP나 ERP의 복잡한 양식을 강요하지 않는다.
   3. 사진을 찍거나 견적서·Excel 파일을 업로드하는 것만으로 수요를 전달할 수 있게 한다.
   4. GL 계정, 카테고리, 프레임워크, 계약 구조는 조달 부서가 신경 쓸 내부 언어이지 현장 요청자가 알 필요는 없다.

2. 내부 재고와 공급원을 확인한다

   1. 에이전트가 재고를 확인하고 다른 공장에 같은 볼트를 내부적으로 조달할 수 있는지 묻는다.
   2. 내부 공급이 불가능하면 소싱 에이전트가 내부·외부 공급업체를 찾는다.

3. RFQ와 비정형 응답을 처리한다

   1. 별도 에이전트가 RFQ(request for quotation)를 작성해 이메일로 발송한다.
   2. 회신은 자연어 이메일, PDF, Excel, 불완전하거나 무의미한 문장 등 다양한 형식으로 들어온다.
   3. 에이전트가 자료에서 가격·납기·조건을 추출하고 가격 벤치마킹을 수행한다.

4. 협상 모드를 결정한다

   1. 절감 여지가 있으면 전략적 협상과 human-in-the-loop를 선택한다.
   2. 상황에 따라 완전 자율 협상, 경매·전자경매, 특정 협상 에이전트 호출로 분기한다.
   3. 금액·관계·위험·기술 복잡도에 따라 사람의 승인 지점을 다르게 둔다.

5. 주문 이후까지 연결한다

   1. 주문 확인, 배송 추적, 송장 처리까지 하나의 흐름으로 이어진다.
   2. 전체 맥락을 보존하기 때문에 단순히 주문일을 ERP에 기록하는 데 그치지 않고, 배송 변경이 프로젝트에 미치는 영향과 해결 방법을 판단한다.
   3. 동일한 구조를 더 복잡한 직접 조달 부품에도 적용한다.

5.3. 간접 조달과 직접 조달의 차이

1. 간접 조달

   1. 공장 유지보수·수리·운영(MRO) 부품, 노트북, 연필, 마케팅 서비스, 팟캐스트 스튜디오 구축 등이 해당한다.
   2. 업무량은 많지만 기업이 과거에는 협상하지 못했던 거래를 자동으로 커버할 수 있다.
   3. ‘사람이 하루에 수천 번 수행하지만 실제로는 한 번도 하고 싶어 하지 않는 일’을 자동화하는 영역이다.

2. 직접 조달

   1. 항공기·드론·로봇을 실제로 만드는 부품과 공급업체가 해당한다.
   2. 공급업체가 50,000곳인 시장이 아니라 전략적으로 중요한 100~2,000곳의 공급업체를 다룬다.
   3. 한 공급업체에 10억 달러의 지출이 걸릴 수 있어 즉석 자율 협상 대신 3개월 동안 준비하는 협상을 선택한다.
   4. 알루미늄·석유 지수의 변동, 기술 도면, 품질 자료, 원가 구조를 엔지니어가 함께 검토한다.

6. 장기 협상에서 모델·하네스·실시간 판단이 결합되는 방식

6.1. 협상의 90%는 준비다

1. 백오피스 중심의 복합 협상

   1. 수백만 달러 거래에서 에이전트가 사람처럼 테이블 건너편에 앉아 악수하는 장면이 핵심이 아니다.
   2. 최종 결과가 10억 달러 대신 9억 달러를 지불하는 것이라면, 그 뒤에는 3개월의 준비와 10명의 전담 인력이 있다.
   3. 실제 현장에서는 협상 직전의 분석·문서화·가격 모델링이 업무의 90%를 차지한다.

2. 실시간 협상 보조

   1. 에이전트는 준비 자료를 바탕으로 협상 중 화면에 즉시 정보를 띄울 수 있다.
   2. 공급업체가 석유 가격 지수가 10% 올랐으니 가격을 10% 높여야 한다고 주장할 수 있다.
   3. 에이전트는 석유 지수 상승은 맞지만 해당 제품의 원가에서 석유가 차지하는 비중은 30%이므로 가격 인상 근거는 10%가 아니라 약 4%라고 반박할 수 있다.

6.2. 범용 모델과 업무 하네스의 분업

1. 여러 모델을 상품처럼 조합한다

   1. LEO는 특정 한 모델에 종속되지 않고 여러 제공자의 모델을 사용한다.
   2. PDF 읽기·생성, Excel 작성 같은 일반적인 비즈니스 업무는 기반 모델이 이미 잘 처리하는 범용 능력이다.
   3. 경쟁력은 모델 자체보다 업무 순서, 권한, 메모리, 통합, 데이터, 평가를 묶는 하네스(harness)에 있다.

2. 하네스로 100%에 접근하는 영역

   1. 일부 업무는 기반 모델과 올바른 하네스를 결합하면 job to be done의 100%까지 도달할 수 있다.
   2. 기업 시스템 통합, 특정 승인 흐름, 장기 메모리, 예외 처리 규칙이 마지막 실행 가능성을 만든다.

3. 80%에서 멈추는 영역과 파인튜닝

   1. 최상의 기반 모델과 하네스를 사용해도 원가 엔지니어의 판단처럼 80% 수준에 머무는 업무가 있다.
   2. 도면을 분석해 부품의 적정 원가를 산정하는 should-cost modeling은 명시적인 규칙만으로 설명하기 어려운 전문 감각을 포함한다.
   3. LEO는 이 영역을 파인튜닝해 100%에 가까워지게 만드는 작업을 진행한다.

6.3. 결과를 예측하는 모델과 암묵지

1. 가격 벤치마킹의 데이터 문제

   1. 이상적인 시스템이라면 견적서를 끌어다 놓는 즉시 적정 가격을 알려줘야 한다.
   2. 그러나 적정 가격을 만드는 정보는 공개되지 않고, 기업별·산업별 독점 데이터에 가깝다.
   3. 범용 모델은 그 데이터로 학습할 수 없으므로 기업 안에 축적된 경험과 결과를 활용해야 한다.

2. 텍스트 입력이 아니라 결과를 학습한다

   1. 텍스트를 읽고 텍스트를 생성하는 전통적인 LLM만이 아니라, 입력 문서에서 최종 결과인 적정 가격을 예측하는 모델이 필요하다.
   2. BCG와 McKinsey가 거의 같은 일을 해도 견적이 10배 다를 수 있는데, 일반 모델은 어느 쪽이 적절한지 알기 어렵다.
   3. 조달 관리자는 견적서를 보고 ‘이 가격은 말이 된다’는 직관을 가질 수 있지만, 그 규칙을 글로 모두 설명하지 못한다.
   4. 영상 제작 비용처럼 경험 많은 실무자의 감각에 의존하는 가격 책정도 같은 문제다.
   5. 따라서 가격 벤치마킹과 should-cost modeling은 단순 하네스가 아니라 결과 기반 학습의 대상이 된다.

7. 지속 가능한 수직 AI 기업의 조건

7.1. 미래의 해자를 미리 설계하기 어렵다

1. 해자를 예측하려는 접근의 한계

   1. 초기 기업이 ‘여섯 단계를 수행하면 일곱 번째 단계에서 해자가 생긴다’고 미리 계산하기는 어렵다.
   2. 실제로 좋은 기업은 초기부터 해자의 완성도를 계산하기보다 고객의 신뢰를 얻고, 더 많이 판매하고, 더 많은 일을 맡으며 성장했다.

2. 일을 더 많이 맡을수록 생기는 방어력

   1. 고객이 제품에 더 의존하고, 제품이 더 많은 업무를 수행하고, 제품이 고객 운영에 더 깊게 들어갈수록 전환 비용과 가치가 높아진다.
   2. 과거 CRM은 거래 기록을 저장했지만, 새로운 판매 AI 에이전트는 영업 준비·아웃바운드·인바운드 대응까지 실제 업무를 수행한다.
   3. 고객이 결과를 그 제품에 의존하게 되면 고착성(stickiness)과 네트워크 효과는 이후에 따라오는 결과다.

7.2. 내부 구축이 8시간 가능한데도 제품을 사는 이유

1. 첫 기능은 너무 쉽게 복제된다

   1. LEO의 초기 기능인 견적 정보를 SAP에 입력하는 도구는 오늘날 엔지니어가 8시간이면 만들 수 있는 사례가 됐다.
   2. 조달 부서의 파트너가 두 달 동안 비슷한 시스템을 만들 수도 있다.

2. 70% 정확도는 70% 자동화가 아니다

   1. 내부 구축이 70%의 성능이나 정확도에 도달해도 업무가 70% 자동화되는 것은 아니다.
   2. 나머지 오류를 확인하기 위해 사람이 데이터 전체를 점검해야 하면 100%의 노동이 그대로 남는다.
   3. 어설픈 자동화는 검토 업무를 추가해 도입 전보다 일을 늘릴 수도 있다.

3. Fortune 500의 현금 회수 구축 사례

   1. 한 Fortune 500 기업은 현금 회수 제품을 내부에서 만들려고 최소 3~4개월을 투자했다.
   2. 녹화·스크린샷을 한 시스템에 모았지만 업무에 필요한 맥락의 품질이 낮았다.
   3. 두 개의 ERP를 운영했고 세 번째 ERP를 인수할 예정이어서, 데이터 매핑을 누가 업데이트하고 테스트할지 문제가 생겼다.
   4. 예외 처리를 다른 시스템과 다른 방식에 다시 매핑해야 하자 내부 구축의 비용과 복잡도가 드러났다.
   5. 기업은 핵심 역량과 내부 도구 구축을 구분하고, AI 조달 에이전트를 핵심 역량으로 삼을지 냉정하게 평가해야 한다.

4. 마지막 20%가 대부분의 노력을 요구한다

   1. 내부 팀은 기반 모델로 80%를 빠르게 만들 수 있다.
   2. 하지만 운영 환경에 넣기 위해 필요한 통합, 메모리, 워크플로, 권한, 예외, 수직 데이터와 원칙은 나머지 20%에 들어간다.
   3. 그 20%가 전체 노력의 80%를 차지할 수 있으며, 이 부분이 수직 AI 기업의 실질적 가치가 된다.

8. 구매자와 공급자 양쪽에 에이전트가 존재하는 시장

8.1. 공급자 측의 도입과 조달의 역전된 영향력

1. 양측 에이전트가 미래의 기본값이 된다

   1. 구매자와 공급자 모두 업무 에이전트를 사용하는 상황이 장기적으로는 자연스럽다.
   2. 현재 공급자 조직은 영업·회의 녹화 도구를 쓰기는 하지만, 조달처럼 실제 업무를 에이전트로 자동화하는 수준은 아직 예상보다 앞서지 않았다.

2. 조달의 산업적 영향력

   1. 영업은 눈에 잘 띄고 매력적인 영역이지만 조달은 덜 매력적으로 보인다.
   2. 자동차와 산업 기업에서는 구매자가 공급자에게 품질 수준, RFQ 응답 방식, 사용할 도구와 표준을 사실상 지시한다.
   3. 조달 부서에 LEO를 제공하면, 구매자가 공급자에게 LEO 에이전트 사용을 요구해 거래 양쪽의 업무를 자동화할 수 있다.
   4. 한쪽의 도입이 다른 쪽의 네트워크 확산을 촉진하는 구조다.

8.2. 양쪽의 협상 에이전트가 공존할 때

1. 가격은 대립하지만 대부분의 일은 같은 목표를 가진다

   1. 구매자와 판매자의 협상 에이전트가 가격을 두고 서로 다른 이해관계를 가질 수 있다.
   2. 하지만 최종 가격은 그 이전에 발생한 수천 개 업무의 결과다.
   3. 판매자는 불필요한 마찰을 줄이고 싶어 하고, 구매자는 시장 출시 시간을 단축하고 싶어 한다.
   4. 항공기나 데이터센터를 6개월 늦게 짓고 싶어 하는 구매자는 없고, 판매자도 응답 분석에 불필요하게 오랜 시간을 쓰고 싶어 하지 않는다.
   5. 가격을 둘러싼 마지막 대립을 제외하면 조달 요청, 문서 교환, 상태 추적, 변경 조정의 대부분은 양쪽이 신속하게 끝내고 싶어 하는 공통 업무다.

2. 법무 협업의 확장 가능성

   1. 서로 다른 고객을 대리하는 두 법무법인은 이해관계가 대립하지만, 최신 계약 초안·미해결 쟁점·합의된 항목의 상태를 함께 추적할 이익이 있다.
   2. 지금은 사람이 수동으로 작성하는 조정 정보를 에이전트가 양측에 제공할 수 있다.
   3. 같은 플랫폼에서 대립하는 당사자의 공통 업무를 조정하면 협상 자체보다 거래 진행 속도를 높일 수 있다.

9. 맞춤화·전방 배치·제품 학습 루프

9.1. AI가 맞춤화를 소프트웨어로 바꾸다

1. 고객별 맞춤화가 더 이상 확장의 적이 아닐 수 있다

   1. 과거에는 한 고객에게 소프트웨어를 과도하게 맞추면 다른 고객에게 확장하기 어렵다고 여겼다.
   2. AI는 고객의 업무를 학습하고 설정값·규칙·에이전트 행동을 조정하면서 맞춤화 비용을 낮출 수 있다.

2. N과 N+1의 차이

   1. 새로운 고객 N+1을 이해하는 것보다 현재 고객 N의 데이터와 예외를 이해하는 일이 훨씬 어렵다.
   2. 초기 배포 단계에서는 고객 맥락을 알아야 하므로 사람과 forward-deployed 엔지니어가 제품에 많이 포함된다.
   3. 맞춤화가 코드와 컨설팅에 머무르지 않고 고객이 소프트웨어에서 직접 레버와 설정을 조절하는 방식으로 이동한다.

3. 기존 기업의 구현팀과 AI 스타트업의 학습 루프

   1. 기존 기업에도 구현팀은 있지만 제품 피드백으로 이어지는 구조가 아니라 사후 작업인 경우가 많다.
   2. AI 제품은 올바른 평가(evaluation) 프로세스와 학습 루프를 갖추면 더 복잡한 업무를 계속 수행할 수 있다.
   3. 장기적으로는 배포 자체도 자동화되어 고객별 맞춤화가 제품 내부에서 처리된다.

9.2. LEO의 조직 설계

1. 엔지니어 중심 구조

   1. LEO 구성원의 약 85%가 엔지니어다.
   2. 엔지니어 직함이 아닌 구성원도 대부분 엔지니어링 배경을 갖고 있다.
   3. 목표는 컨설팅 회사가 되는 것이 아니라 간접 조달·직접 조달·재무 등 여러 영역에서 가장 강한 에이전트를 제품으로 만드는 것이다.

2. 자기 업무를 자동화하는 전방 배치 엔지니어

   1. 기업마다 프로세스의 미묘한 차이가 있어 초기에는 forward-deployed 엔지니어가 고객 현장에 관여한다.
   2. 그들의 KPI는 같은 작업을 여러 번 반복하는 것이 아니라 자기 업무를 스스로 자동화하는 것이다.
   3. 업무를 자동화한 엔지니어는 다음 과제로 이동하고, 조직 전체가 점점 더 제품 중심으로 전환된다.

10. 조달 리더 행사에서 드러난 시장의 감정과 규모

10.1. 100명의 조달 리더가 말한 불편

1. Bots and Buyers Summit

   1. LEO가 뉴욕 본사 근처에서 개최한 행사는 세 번째 행사였다.
   2. 최고조달책임자(CPO)와 부사장급을 포함한 100명 이상의 조달 리더가 참석했다.
   3. 다음 행사는 뮌헨에서 약 700명 규모로 열릴 예정이며, 뉴욕과 유럽에서 행사를 이어간다.

2. 도구는 많지만 일하는 방식은 바뀌지 않았다

   1. 지난 26~27년 동안 조달 도구가 많이 생겼고, LinkedIn의 기술 지형도에는 약 500개의 조달 도구가 보인다.
   2. 그럼에도 요청자, 공급자, 조달 담당자 모두 조달 업무를 싫어한다.
   3. 기존 도구는 프로세스를 조금 더 효율적으로 만들었을 뿐, 사람들이 실제로 일하는 방식을 바꾸지 못했다.
   4. 핵심 업무 채널은 여전히 이메일, Microsoft Teams, Excel, PowerPoint이며 AI가 거의 들어가 있지 않다.

3. 기능이 아닌 전체 흐름을 보여주는 체험

   1. LEO는 ‘새로운 송장 기능’ 하나를 자랑하는 대신 요청이 생겨 최종 물건이 도착하는 전체 과정을 보여준다.
   2. 간접·직접 조달, 물류, 재무를 가로지르는 흐름을 실제 부스와 사무실 공간에서 체험하게 한다.
   3. 추상적인 AI 에이전트를 물리적인 업무 흐름으로 바꾸어 보여주자 조달 리더가 무엇을 자동화하는지 직접 이해하고 열광했다.

10.2. 지루하지만 감정적이고 경제적 영향이 큰 시장

1. 사람들이 조달을 싫어하는 이유가 기회가 된다

   1. 조달은 B2B SaaS 관점에서는 지루하고 틈새적인 분야다.
   2. 동시에 현업의 불만이 매우 커서 감정적으로 강하게 반응하는 분야다.
   3. 마지막 큰 혁신이 20년 전이었고, 10년 전에는 사용자 인터페이스가 조금 좋아졌을 뿐 실질적 변화가 없었다.
   4. 변화에 굶주린 사용자에게 실제 업무를 바꾸는 에이전트를 보여주면 놀라움을 만들기 쉽다.

2. P&L과 실물 경제에 미치는 영향

   1. 조달은 단순한 사무 업무가 아니라 데이터센터·항공기·자동차·드론이 만들어지는 방식을 결정한다.
   2. 이익률을 1% 높이려면 매출을 10% 더 올려야 하는 기업이라면, 조달 비용을 1% 줄이는 효과는 매출 10% 증가와 같다.
   3. 작은 협상과 지연 관리가 기업 손익계산서와 전체 공급망에 큰 차이를 만든다.
   4. 감정적으로 불만이 크고, 현재 도구는 낡았고, 손익과 산업 생산에 미치는 영향이 큰 조합이 약 1조 달러 규모의 사업 기회를 만든다.

주요 발언 모음

“기존 기업은 자신의 시스템 오브 레코드에 제한되어 있고, end-to-end 업무를 완성하지 않는다.” — Seema Amble

“ERP에 8,000달러라고 적힌 결과 뒤에는 30회의 이해관계자 회의, 500통의 이메일, 20개의 Excel 시트가 있을 수 있다.” — Vladimir Keil

“아무 회사도 첫날부터 완전 자율 협상 에이전트로 시작하지 않는다. 신뢰가 없기 때문이다.” — Vladimir Keil

“70%의 성능은 70%의 자동화를 의미하지 않는다. 여전히 100%의 일을 확인해야 할 수 있다.” — Vladimir Keil

“마지막 20%가 전체 노력의 80%가 될 수 있다. 통합, 메모리, 워크플로와 수직 데이터가 생산 환경 진입을 결정한다.” — Vladimir Keil

“가격은 5,000개의 다른 업무가 만들어낸 결과이고, 그 업무 대부분에서 구매자와 판매자는 같은 인센티브를 가진다.” — Vladimir Keil

“조달은 지루하고 감정적이며 사업에 미치는 영향이 크다. 이 세 가지가 합쳐지면 1조 달러의 기회가 된다.” — Vladimir Keil

핵심 데이터와 수치

• 8,000달러: ERP에 보이는 단순한 알루미늄 조달 결과의 예시다.
• 30회·500통·20개: 하나의 결과 뒤에 있을 수 있는 이해관계자 회의·이메일·Excel 시트의 예시다.
• 3주: 원가 엔지니어가 3D 모델링과 Excel로 부품 가격을 검토할 수 있는 기간이다.
• 20% 대 80%: 송장 업무의 정상 경로가 차지하는 비중과 사기·불일치·예외 처리의 비중이다.
• 10,000·20,000·100,000회: human-in-the-loop를 통해 기업이 에이전트에 점차 맡길 수 있는 협상 횟수의 예시다.
• 50,000달러 미만: 과거에는 용량 부족으로 협상하지 않고 지불되기 쉬웠던 거래 규모의 예시다.
• 수천 개 공급업체: 항공기나 데이터센터를 건설할 때 조달해야 할 공급업체 규모다.
• 2주 지연: 한 부품의 지연이 전체 프로젝트를 미루고 수억 달러 손실을 만들 수 있는 사례다.
• 20% 대 1% 누락률: 더 싼 공급업체의 높은 실패율과 더 비싼 공급업체의 높은 신뢰도를 비교한 예시다.
• 8명·3개·5개: 인간 수준 조달에 관여할 수 있는 이해관계자·부서·소프트웨어 도구의 예시다.
• 100~2,000곳: 직접 조달에서 전략적으로 관리하는 공급업체 규모다.
• 10억 달러: 단일 직접 공급업체에 걸릴 수 있는 지출 규모다.
• 3개월·10명·90%: 대형 협상의 준비 기간·전담 인력·준비 작업 비중이다.
• 10%와 4%: 석유 지수는 10% 올라도 제품 원가에서 석유가 30%라면 가격 인상 근거는 약 4%라는 실시간 판단 예시다.
• 8시간·70%: 초기 제품을 빠르게 복제할 수 있어도 70% 성능에 그치면 실무 자동화가 되지 않는다는 사례다.
• 3~4개월: Fortune 500 기업이 내부 현금 회수 도구를 구축하려다 맥락·ERP 매핑 문제를 확인한 기간이다.
• 85%: LEO 구성원 중 엔지니어의 비중이다.
• 500개: 기존 조달 도구의 대략적인 기술 지형도 규모다.
• 100명·700명: 뉴욕 행사 참석자 규모와 예정된 뮌헨 행사의 규모다.
• 1% 대 10%: 조달 비용 1% 절감이 매출 10% 증가와 맞먹을 수 있다는 손익 비교다.
• 1조 달러: 감정적 불만, 낡은 업무 방식, 거대한 P&L 효과가 결합한 조달 AI의 잠재적 사업 기회에 대한 추정이다.

결론 및 실용적 시사점

1. 시스템 오브 레코드 위에 챗봇을 얹는 것만으로는 충분하지 않다. 최종 데이터가 아니라 그 데이터가 만들어지는 과정과 예외를 소유해야 한다.
2. AI 제품의 진짜 경쟁력은 end-to-end 업무 범위다. 하나의 기능보다 여러 부서·도구·사람을 연결해 결과를 책임지는 능력이 더 오래 간다.
3. 기존 기업의 유통 우위는 강력하지만 내부 인센티브가 발목을 잡는다. 기존 워크플로 매출과 업무 해결 제품이 충돌하는 지점을 AI 스타트업이 공략할 수 있다.
4. 자율성은 위험도에 따라 단계적으로 확대해야 한다. 검색과 프로세스에서 시작해 정책·원칙 판단으로 이동하고, 대규모·고위험 의사결정에는 전문가를 남겨야 한다.
5. 예외 처리와 암묵지는 마지막 20%가 아니라 제품의 핵심이다. 정상 경로 자동화는 쉬워도 사기, 불일치, 관계, 공급망 위험을 처리해야 실제 비용 절감이 발생한다.
6. 모델보다 하네스와 결과 데이터가 수직 AI의 해자가 된다. 통합·메모리·워크플로·권한·전문 데이터와 실제 결과를 학습하는 구조가 복제하기 어려운 자산이다.
7. 내부 구축의 판단 기준은 데모 성공률이 아니라 운영 자동화율이다. 70% 정확도가 사람의 전수 검토를 요구한다면 업무는 줄지 않을 수 있다.
8. 구매자와 공급자 양쪽의 공통 업무를 먼저 자동화할 수 있다. 가격 협상은 대립해도 문서·상태·배송·품질 조정은 양측의 목표가 같아 네트워크 효과를 만들기 쉽다.
9. 전방 배치 인력을 컨설팅 비용으로만 보지 말고 제품 학습 루프로 설계해야 한다. 고객별 차이를 자동화하고 자기 업무를 없애는 조직이 맞춤화와 확장을 동시에 달성한다.
10. 가장 매력적인 수직 시장은 반드시 화려할 필요가 없다. 오래된 도구와 큰 현업 불만, 실질적인 손익 효과가 함께 있는 조달 같은 영역이 AI 네이티브 기업의 강력한 출발점이 될 수 있다.

핵심 요약 (20줄)

항공기와 데이터센터는 수천 개 공급업체의 납기와 품질이 맞물려야 완성된다.

ERP에 기록된 8,000달러의 최종 가격 뒤에는 회의 30회, 이메일 500통, Excel 시트 20개가 숨어 있을 수 있다.

기존 소프트웨어 기업은 고객과 데이터를 보유하지만 시스템 오브 레코드 밖의 실제 업무 전체를 책임지기 어렵다.

AI 네이티브 스타트업은 검색 기능이 아니라 법무·재무·운영·조달을 가로지르는 end-to-end 업무를 소유할 수 있다.

검색 에이전트는 정보를 찾고 프로세스 에이전트는 정해진 규칙을 실행한다.

정책 에이전트는 모호한 규정을 해석하고 원칙 에이전트는 관계와 장기 가치를 고려해 결정을 내린다.

기존 기업은 유통과 신뢰가 강하지만 기존 워크플로 제품과 업무 해결 제품 사이의 내부 인센티브 충돌을 겪는다.

LEO는 위험과 복잡도에 따라 완전 자율 실행과 human-in-the-loop를 조합한다.

송장 자동화의 정상 경로는 전체 문제의 20%이고 사기·불일치·예외 처리가 나머지 80%를 차지한다.

기업은 처음부터 완전 자율 협상을 맡기지 않고 수천 번의 감독된 거래를 통해 에이전트를 신뢰한다.

50,000달러 미만의 거래는 과거에 협상할 여력이 없어 그대로 지불되는 경우가 많았다.

볼트 한 개의 구매도 수요 입력, 재고 확인, 공급원 탐색, RFQ, 문서 분석, 협상, 주문과 배송 추적을 포함한다.

직접 조달에서는 100~2,000개의 전략 공급업체와 수십억 달러 지출을 3개월 이상 준비해 협상한다.

협상의 90%는 가격을 말하는 순간이 아니라 도면·원가·시장지수를 분석하는 준비 단계다.

기반 모델과 업무 하네스는 일부 업무를 100%까지 자동화하지만 암묵지가 필요한 업무는 80%에서 멈출 수 있다.

70%의 정확도는 사람이 모든 결과를 점검해야 한다면 70%의 자동화를 뜻하지 않는다.

구매자와 공급자 양쪽에 에이전트가 배치되면 가격 외 수천 개의 공통 업무에서 마찰을 줄일 수 있다.

LEO는 고객별 맞춤화를 제품 설정과 학습 루프로 바꾸기 위해 구성원의 약 85%를 엔지니어로 구성한다.

조달 업계에는 약 500개의 도구가 있지만 사람들은 여전히 이메일, Teams, Excel, PowerPoint로 일한다.

지루하고 감정적이며 손익과 실물 경제에 큰 영향을 주는 조달은 약 1조 달러 규모의 수직 AI 기회가 될 수 있다.