AI를 파는 대신 기업을 인수해야 하는 이유

URL: https://www.youtube.com/watch?v=J7n3WJnFTto 날짜: 2026-10-19 채널: AI Engineer (aiDotEngineer) 발표자: Prathik Naidu, Long Lake 창립 파트너 원제: Why Buying Companies Beats Selling Them AI — Prathik Naidu, Long Lake 영상 길이: 18분 51초

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

AI의 가치를 실현하는 더 나은 방식은 기존 기업에 에이전트를 외부 판매하는 것일까, 아니면 이미 고객 신뢰와 전문 인력을 가진 서비스 기업을 인수해 내부에서 AI를 적용하는 것일까? Naidu의 주장은 ==신뢰·현장 지식·최종 결과의 책임이 중요한 서비스 영역에서는 기업을 소유해야 AI 배포와 사업 성과를 함께 통제하고 창출 가치를 손익에 남길 수 있다==는 것이다.

• 기업 외부에서 AI를 판매하면 보안·레거시 통합, 현장 채택, 가격·ROI와 가치 회수라는 세 장벽을 넘어야 한다.
• 기존 서비스 기업은 고객 관계, 암묵지, 전문 인력, 운영 현장, 현금흐름을 이미 갖고 있어 AI를 단일 도구에서 전체 업무 혁신으로 확장할 수 있다.
• AI가 서비스 노동비용과 매출의 연동을 낮추더라도 시간 절약만으로는 충분하지 않으며, 확보한 역량을 성장과 고객 경험에 재투자해야 P&L 개선으로 이어진다.

핵심은 모델 성능보다 배포·운영·성과 귀속의 구조다. 처음부터 AI-native 기업을 세우는 방법도 유효하지만 고객·브랜드·도메인 전문성의 축적에는 시간이 걸린다. 따라서 이미 신뢰받는 미션 크리티컬 서비스 기업을 인수하거나 깊이 제휴하고, 현장 전문가와 함께 업무 전체를 이해하며 AI를 구축하는 방식이 더 빠른 가치 포착을 가능하게 한다. 다만 인수 자체가 성과를 보장하지는 않는다. 적합한 기업을 엄격히 고르고, 절감된 시간을 실제 매출 성장과 서비스 품질 개선으로 전환해야 한다.

1. 외부에서 기업에 AI를 파는 방식이 부딪히는 벽

외부 AI 공급자의 난점은 모델을 만드는 데서 끝나지 않는다. 조직에 들어가 실제로 쓰이게 하고, 경제적 성과를 공급자 몫으로 회수하는 과정에서 마찰이 생긴다.

1.1. 제한된 에이전트에서 기업 배포까지

1. 작동하는 좁은 에이전트도 기업 안에 넣어야 한다

   1. 출발점은 특정 고통점이다: AI 스타트업이 고객 문제를 찾아 에이전트를 만들고 좁은 사용 사례에서 작동시키는 것은 좋은 시작이다.
   2. 첫 번째 장벽은 기업 통합이다: 보안 심사, 사내 부서 간 조율, 이미 20년가량 운영된 시스템과의 연동을 해결해야 한다. Naidu는 이 과정을 기업에 AI를 배포할 때 처음 마주치는 벽으로 설명한다.
   3. 기술 연결만으로 완료되지 않는다: 기존 시스템과 연결한 뒤에도 직원이 실제로 업무에 쓰도록 만들어야 한다.

2. 현장 채택의 책임이 불분명하다

   1. 제품과 교육을 반복 개선한다: 공급자는 인터페이스를 조정하고 교육을 진행하며 사용자 피드백을 반영해야 한다.
   2. 채택 책임의 주체가 모호하다: 사용을 늘리는 일이 AI 공급자 몫인지 고객사 몫인지가 반복해서 문제로 떠오른다. 책임이 분리되면 사용 정착과 성과 확인도 어려워진다.

3. 요금·가격·ROI를 설계해야 한다

   1. 과금 단위를 정해야 한다: 토큰 요금, 좌석 요금 또는 두 방식을 섞은 요금 중 무엇을 택할지 판단해야 한다.
   2. 가격 민감성과 투자수익률을 다뤄야 한다: 고객의 가격 저항을 감안하면서 실제 ROI를 측정해야 한다.
   3. 계약의 지속성도 불확실하다: 고객이 계속 갱신할지, 모델이 개선되고 대안이 저렴해질 때 가격을 유지할 수 있을지도 공급자의 질문이다.

1.2. 실제 운영은 조직도와 기록 시스템보다 복잡하다

1. 공식 조직도 뒤에 비공식 의사결정망이 있다

   1. 조직도는 단순화된 그림이다: 문서상으로는 소유자, 관리자, 팀이 깔끔하게 나뉘어 있어도 현장의 결정은 그보다 훨씬 복잡하다.
   2. 경험 많은 사람들이 운영의 연결점이다: 수십 년 경력의 직원들이 영업·운영 팀과 얽혀 판단하고, 소유자도 이들의 경험에 의지한다.
   3. 외부 공급자는 업무 현장에 깊게 들어가기 어렵다: 회사 안에서 누가 무엇을 어떻게 결정하는지 모르면 에이전트를 한 가지 사용 사례 너머로 확장하기 어렵다.

2. 시스템 기록은 유용하지만 운영 현실 전체는 아니다

   1. 연결 가능한 자료: CRM, 티켓 관리 시스템, SOP, 계약서, 문서 저장소, 과거 이메일은 기업 업무를 파악하는 귀중한 정보원이다.
   2. 현장 판단은 문서화되지 않는 부분에 있다: 복잡한 서비스는 예외 상황, 엣지 케이스, 암묵지, 전문가에게 즉석에서 묻는 질문에 좌우된다.
   3. 좋은 업무의 기준은 함께 일하며 알아야 한다: 실제 업무를 하는 사람과 협업해야 무엇이 훌륭한 결과인지, 어떤 예외를 어떻게 처리하는지 알 수 있다.

1.3. 고객이 창출 가치 대부분을 가져갈 수 있다

1. 공급자 매출과 고객 가치의 크기가 다를 수 있다

   1. 가정 사례: AI 공급자가 연간 약 100만 달러 규모의 계약을 따냈다고 해도, 고객은 그 배포로 연간 EBITDA 약 500만 달러의 효과를 얻을 수 있다.
   2. 기업가치로 환산하면 격차가 더 커진다: Naidu가 든 대략 보수적인 10배 EBITDA 배수를 적용하면 고객에게 생기는 기업가치는 5,000만 달러다.
   3. 가치가 고객 P&L에 귀속된다: 통합과 팀 협업의 어려움을 공급자가 감당했어도 가장 큰 재무 효과는 고객사 손익에 나타난다.

2. 외부 판매는 가치 포착 구조를 제한한다

   1. 성과의 귀속을 통제하지 못한다: 공급자가 만든 경제적 가치는 고객의 기존 사업 안에서 축적된다.
   2. 핵심 질문은 가치의 소유다: 기업에 AI를 배포하는 데 성공했는지가 아니라, 그 결과로 만들어진 가치를 누가 장기간 보유하는지가 전략의 핵심이다.

2. 처음부터 창업할 것인가, 기존 회사를 인수할 것인가

AI를 핵심에 두고 처음부터 기업을 만드는 전략은 유효하다. 다만 신뢰와 유통망이 중요한 서비스 시장에서는 기존 기업의 자산을 새로 쌓는 데 큰 시간이 든다.

2.1. AI-native 기업을 새로 세우는 전략의 장점과 한계

1. 처음부터 전체 업무를 설계할 수 있다

   1. 전 과정을 개선한다: 기존 프로세스에 좁은 도구를 끼워 넣는 대신 워크플로 전체를 다시 설계할 수 있다.
   2. 도구가 아니라 업무 결과를 판다: 특정 AI 제품의 좌석 수가 아닌 서비스 자체와 최종 결과를 제공한다.
   3. 손익과 성과를 소유한다: 만들어낸 가치가 자신의 P&L에 반영된다.

2. 하지만 출발 시 고객·브랜드·전문성이 없다

   1. 고객 확보가 어렵다: 첫 고객을 얻고 신뢰를 쌓아야 한다.
   2. 브랜드 평판을 새로 만들어야 한다: 오랜 기간 서비스 품질을 증명해온 기존 기업과 경쟁하기 어렵다.
   3. 도메인 전문 인력 확보가 쉽지 않다: 전문성이 필요한 산업, 여러 전문 서비스를 함께 제공해야 하는 영역에서 경험 많은 인재를 모으기 어렵다.

3. 의료시설 설계 사례는 신뢰의 무게를 보여준다

   1. 상황: 병원 시스템의 책임자가 새 수술동을 계획한다고 가정한다.
   2. 선택: AI 건축 스타트업에 맡길지, 20년 동안 함께 일하며 표준과 설계상의 뉘앙스를 알고 전체 범위를 책임져온 건축사에 맡길지 비교한다.
   3. 결정 기준: 고객은 도면 작성만이 아니라 프로젝트 전체를 끝까지 수행할 신뢰와 책임을 산다. 기존 우수 기업은 수십 년간 고객·브랜드·서비스 팀을 구축했다.

2.2. 인수와 소유가 제공하는 다섯 가지 기반

1. 접근성(Access)

   1. 현장 전문가와 함께 설계한다: AI 팀이 업무 수행자와 마주 앉아 실제 업무를 이해하고 관계를 쌓는다.
   2. 베테랑의 경험에 접근한다: 20년 경력의 직원이 가진 운영 지식과 업무의 세부 맥락을 배울 수 있다.
   3. 좁은 사례를 넘어선다: 한 업무 자동화가 아니라 회사 전체의 자동화와 서비스 제공 기회를 설계할 수 있다.

2. 데이터(Data)

   1. 사업장은 살아 있는 학습 환경이다: 실제 과업, 예외 상황, 답변이 맞았는지 틀렸는지에 대한 신호가 계속 발생한다.
   2. 운영 결과가 모델 개선에 쓰인다: 이 정보를 활용해 에이전트와 모델을 개선할 수 있다.
   3. 사용 데이터와 결과가 연결된다: 실제 업무가 어떻게 처리됐고 어떤 결과를 냈는지 현장에서 확인할 수 있다.

3. 인센티브 정렬(Incentive Alignment)

   1. 사업이 성공해야 소유자도 성공한다: 별도 공급자 매출 목표가 아니라 사업의 실제 성과가 공동 목표가 된다.
   2. 고객 간 우선순위 충돌을 줄인다: 여러 외부 고객의 요구를 동시에 처리하는 공급자의 분산과 별도 매출 목표가 줄어든다.
   3. 배포 장애를 함께 해결한다: 같은 목표를 가진 팀이 도입 속도를 늦추는 운영상의 장애를 찾아 제거한다.

4. 신뢰(Trust)

   1. 기존 브랜드를 이어받는다: 고객 관계와 평판은 수십 년간 쌓인 경우가 많다.
   2. 중요한 결과를 맡길 수 있는 관계가 있다: 신규 AI 기업이 처음부터 증명해야 할 책임성과 실행 역량을 기존 서비스 기업은 이미 제공해왔을 수 있다.

5. 규모(Scale)

   1. 고객 기반과 전문 팀이 있다: 기존 고객에게 숙련된 팀이 서비스를 제공한다.
   2. 현금흐름으로 투자를 지속한다: 확보된 현금흐름을 성장과 신규 제품에 재투자해 성과를 누적할 수 있다.

2.3. 다섯 기반이 만드는 복리형 학습 선순환

1. 사람과 에이전트가 실제 운영에서 함께 일한다

   1. 업무 이해가 깊어진다: 현장 직원과 에이전트가 협업하면서 일이 실제로 수행되는 방법을 파악한다.
   2. 현실 데이터가 쌓인다: 운영에서 생성된 작업과 결과가 에이전트 개선 신호가 된다.
   3. 성과와 학습이 연결된다: 더 나은 모델·에이전트가 더 나은 업무 결과를 만들고, 그 결과가 다음 개선에 보탬이 된다.

2. 각 자산은 서로를 강화한다

   1. 접근성은 데이터의 품질을 높인다: 전문가와 협업하면 맥락이 있는 예외 처리와 정답 신호를 얻는다.
   2. 신뢰와 규모는 실험 기회를 넓힌다: 고객 기반과 서비스팀이 있는 상태에서 개선을 반복할 수 있다.
   3. 인센티브 정렬은 실행을 돕는다: 개선의 성과가 사업에 돌아가므로 AI 배포와 경영 전환에 장기간 투자할 유인이 생긴다.

3. 서비스 경제에서 AI가 바꾸는 단위경제성

소프트웨어의 도구 판매보다 서비스의 최종 결과를 소유하는 기회가 훨씬 큰 시장에 있을 수 있지만, 서비스업의 성장은 사람을 더 고용해야 하는 비용 구조에 묶여 있었다.

3.1. 서비스 시장의 크기와 기존 노동비용 구조

1. 서비스는 거대한 경제 영역이다

   1. 시장 규모: Naidu는 글로벌 서비스 시장을 약 70조 달러 규모로 제시하며 소프트웨어 시장보다 훨씬 큰 영역이라고 설명한다.
   2. 도구와 결과의 차이: 소프트웨어는 보통 업무를 하는 사람에게 도구를 판매하지만, 서비스 기업은 고객이 원하는 결과를 끝까지 제공한다.
   3. 결과 소유의 가치: 서비스의 전체 결과에 책임을 지는 사업은 업무 일부를 보조하는 도구보다 고객 문제에 더 직접적으로 연결된다.

2. 서비스 매출이 커질수록 인력도 늘어난다

   1. 업무량에 한계가 있다: HOA 관리자의 담당 단지 수와 건축가가 설계할 병원·학교 수는 제한된다.
   2. 성장에는 채용이 필요하다: 고객을 더 받으려면 더 많은 인력을 고용하고 교육하고 관리해야 한다.
   3. 성장 의지가 부족해서가 아니다: 서비스 기업 창업자들이 성장을 멈추는 이유는 야망이 없거나 시장이 작아서가 아니라 매출 증가에 따라 수행 비용도 커지는 구조 때문이다.

3.2. 매출 100달러의 차이와 AI의 운영 레버리지

1. 소프트웨어 사업은 추가 매출의 상당 부분을 보유한다

   1. 단위경제 예시: 추가 매출 100달러 중 약 80달러가 남는 전형적인 소프트웨어 사업 사례를 든다.
   2. 낮은 한계비용: 추가 고객을 서비스하는 비용이 상대적으로 낮아 성장의 한계비용이 작다.

2. 서비스 사업은 추가 매출 대부분을 전달 비용에 쓴다

   1. 단위경제 예시: 추가 매출 100달러마다 전달·간접 비용이 약 80달러 들어 사업에는 약 20달러가 남는다.
   2. 비용의 원인: 사람을 채용하고 훈련하고 관리하는 데 비용이 든다.
   3. 성장에 붙는 ‘80% 한계세’: Naidu는 서비스 매출 증가에 동반되는 비용을 성장의 80% 한계세에 비유한다. 이 구조는 창업과 확장을 모두 어렵게 만든다.

3. AI는 노동비용과 매출의 연결을 느슨하게 만든다

   1. 비용을 낮추고 품질을 높인다: AI는 서비스 제공 비용을 낮추는 동시에 서비스 품질도 개선할 수 있다.
   2. 운영 레버리지: 매출이 늘 때 인건비가 같은 비율로 늘지 않도록 업무를 재설계하면 서비스 기업의 경제성이 소프트웨어에 가까워질 수 있다.
   3. 전문가는 계속 필요하다: 고객에게 서비스를 제공할 숙련된 전문가 팀을 없애는 것이 아니라, AI로 그 팀의 역량을 확대하고 더 많은 업무를 처리하게 하는 전략이다.
   4. 인수·제휴와 AI 적용의 결합: 우수 서비스 기업과 깊이 제휴하고 AI로 규모와 품질을 높이는 것이 Long Lake의 핵심 논지다.

4. Long Lake의 사업 모델과 인수 대상 선별

Long Lake는 AI를 외부 고객에게 따로 판매하는 회사라기보다, 서비스 기업을 인수하고 그 기업과 함께 운영을 바꾸는 응용 AI 지주회사로 자신을 설명한다.

4.1. 회사 소개와 포트폴리오

1. 응용 AI 지주회사로 출발했다

   1. 사업 논지: 우수한 서비스 기업을 인수하고, 함께 운영을 전환해 더 빠르게 성장시키며 고객에게 더 나은 서비스를 제공한다.
   2. 연혁: 발표자는 Long Lake가 약 3년 전에 시작했다고 말한다.
   3. 자본과 투자자: 약 75억 달러를 조달했으며 Elad Gil, General Catalyst, Alpha Wave, D1 등으로부터 자본을 받았다고 소개한다.

2. 운영팀과 제휴 기업

   1. 포트폴리오: 주거 서비스, 건축, HR을 포함한 여러 시장에서 약 40개 기업과 파트너십을 맺었다고 발표한다.
   2. 팀 구성: 기술·재무·운영 분야에 걸쳐 55명 규모의 팀을 두고 있다.
   3. 배경의 혼합: 전직 창업자, 군 경력자, Palantir 출신 등 다양한 경력의 인력이 있다고 설명한다.

3. 기업 출장 영역으로 확장했다

   1. Amex GBT: 발표자는 Amex Global Business Travel과의 제휴를 최근 발표했다고 말한다.
   2. 거래 규모와 의미: 63억 달러 규모의 비공개화(take-private)와 연결된 거래로 기업 출장 서비스 영역에 들어가게 됐다고 소개한다.
   3. AI가 바꾸는 지주회사 전략: 전통적인 지주회사 모델을 참고하되, AI가 사업 전환의 가능성과 상한을 높인다는 점을 차별점으로 제시한다.

4.2. 지능이 저렴해질수록 무엇이 희소한가

1. 모델 성능과 지능의 단가는 계속 변한다

   1. 추론 능력은 개선된다: 발표자는 모델이 계속 좋아지고 지능의 가격이 빠르게 내려가는 흐름을 짚는다.
   2. 경쟁력은 다른 자산으로 이동한다: 지능이 저렴해질수록 고객 신뢰, 책임성, 현장 경험, 전문 운영 능력이 더욱 중요한 차별화 요소가 된다.

2. Long Lake의 세 가지 선별 질문

   1. 최종 결과에 대한 고객 신뢰: 고객이 그 기업에 종단 간 결과를 맡길 만큼 신뢰하는가?
   2. 서비스 안의 인간 판단: 서비스 제공에 사람의 판단과 도메인 경험이 실제로 필요한가?
   3. 규제와 책임성: 인수와 운영에서 책임을 규정하는 규제 요인이 있는가?
   4. 결과 소유: 세 조건은 결국 최종 결과를 끝까지 책임지는 서비스인지 확인하는 기준이다.

3. 업무 조각이 아니라 최종 결과를 책임진다

   1. 주거 관리: 집주인에게 뉴스레터를 작성하는 데서 그치지 않고 HOA의 긴급 누수를 해결하는 결과까지 책임진다.
   2. 세무: 서류에서 정보를 추출하는 데 그치지 않고 복잡한 세금 판단에 책임을 진다.
   3. 기업 출장: 항공권 예약 지원에서 멈추지 않고 일정 차질이나 막판 변경 때 재예약을 처리한다.
   4. 희소한 조합: 이런 조건을 모두 갖추고 제휴에 적극적인 팀을 보유한 기업은 드물기 때문에 엄격한 선택이 필요하다.

4.3. 넓은 투자 파이프라인과 좁은 필터

1. 좋은 투자는 선택지에서 나온다
   1. 충분히 넓은 후보군: 발표자는 연간 약 5,000건의 거래를 검토한다고 말한다.
   2. 강한 펀더멘털: 사업과 시장 측면에서 기초 체력이 좋은 기업을 찾는다.
   3. 실질적인 AI 기회: 현장에 깊이 들어가 함께 운영을 바꿀 만한 AI 적용 여지가 있어야 한다.
   4. 파트너십 의지: 기업 팀이 변화를 함께 추진할 의지가 있는지도 선별 조건이다.

5. 인수 후 AI 전환: 시간 절약에서 P&L까지

AI 도입에는 선행 투자가 필요하고, 사용량이 늘고 시간이 절약되는 중간 성과를 실제 사업 효과로 연결해야 한다. Naidu는 이를 투자와 도입 뒤에 손익 효과가 나타나는 J-커브로 설명한다.

5.1. 초기 투자와 현장 배포

1. 플랫폼과 워크플로를 구축한다

   1. 기술 투자: 플랫폼을 만들고 기술을 구축하며 업무 흐름을 포착하는 데 투자한다.
   2. 사람의 시간 투입: 사업 안에서 작동하도록 상당한 팀 시간을 투입한다.
   3. 반복 검증: 현장 팀과 긴밀히 협업해 제품을 반복 개선하고 검증하며, 필요하면 모델을 훈련하고 기업 고유의 업무 흐름과 데이터를 살핀다.

2. 도입은 전체 운영을 대상으로 한다

   1. 실무 현장에 가까이 간다: 여러 지역의 팀과 직접 만나며 업무를 이해해야 한다.
   2. 발표자가 든 방문 지역: Minneapolis, Portland, London에서 팀과 시간을 보내는 사례를 제시한다.
   3. 좁은 사용 사례에 멈추지 않는다: 에이전트를 한 가지 업무가 아니라 기업 전체 운영에 걸쳐 배포한다.

5.2. J-커브의 중간 지표와 최종 성과를 구분한다

1. 사용량 증가와 시간 절약은 중간 단계다

   1. 제품 사용이 시작된다: 초기 배포의 어려움을 넘으면 직원이 실제 제품을 사용하기 시작한다.
   2. 생산능력이 풀린다: 사용량이 높아지고 같은 결과를 더 적은 시간에 낼 수 있어 여유 역량이 생긴다.
   3. 시간 절약만으로 끝나지 않는다: 사용량이나 절감 시간은 성공의 최종 지표가 아니다.

2. 확보한 역량을 사업 성과로 전환한다

   1. 경영진과 인센티브를 맞춘다: 경영팀 및 신뢰받는 파트너와 함께 절감된 시간을 활용한다.
   2. 성장과 경험을 개선한다: 성장 기회를 만들고 고객 및 직원 NPS를 높이는 활동에 역량을 투입한다.
   3. 손익에 나타나는 지표: 직원 1인당 매출을 높이고 더 나은 서비스 품질을 제공해 실제 P&L 효과를 만든다.

5.3. 플랫폼·플레이북·현장 운영을 반복 가능하게 만든다

1. 매번 일회성 컨설팅으로 끝내지 않는다

   1. 공통 플랫폼과 플레이북: AI 배포와 사업 전환을 수행하는 플랫폼 및 실행 방법을 구축한다.
   2. 배포 속도가 복리로 빨라진다: 기존 학습을 다음 사업에 적용해 에이전트 배포부터 P&L 효과까지 걸리는 시간을 단축한다.
   3. 포트폴리오에서 반복한다: 발표자는 이미 제휴한 40개 이상 기업에서 이 방식의 확장을 보고 있다고 설명한다.

2. 인수 역량과 운영 역량이 함께 필요하다

   1. M&A 팀: 우수한 서비스 기업을 찾아 관계를 만들고, 장기 제휴와 미래에 대한 기대를 구축한다.
   2. 현장 배포·운영 팀: 사용을 확산하고 AI 도입을 지원하는 전담 조직이 필요하다.
   3. 전체 사업 전환의 책임: 시간 절약에서 멈추지 않고 협력 기업의 실제 사업 성과와 고객 경험을 개선해야 한다.

주요 발언 모음

“중요한 점은 문제가 모델 자체가 아니라는 것이다. 모델은 놀라울 정도로 좋아지고 있고 지능은 기하급수적으로 증가하고 있다.”

“기업은 특히 복잡한 영역에서 인간의 판단으로 움직인다. 예외, 엣지 케이스, 암묵지, 전문가에게 빠르게 묻는 질문이 중요하다.”

“소유하면 이 문제를 해결할 수 있다. 우리 팀과 사업이 이길 때만 우리도 이긴다.”

“AI는 서비스 비용을 낮추는 동시에 서비스 품질도 높인다.”

“시간 절약과 생산능력에서 멈추지 말고, 실제 사업 영향으로 이어지는지 확인해야 한다.”

핵심 데이터 & 수치

• 20년 된 시스템: AI 에이전트 기업이 기존 기업에 연결해야 하는 레거시 시스템의 예로 언급됐다.
• 20년 경력: 조직의 실제 운영을 좌우할 수 있는 현장 전문가와, 병원이 신뢰해온 건축 파트너의 관계 사례에 등장한다.
• 연간 약 100만 달러 계약 → EBITDA 연 500만 달러 → 기업가치 5,000만 달러: 10배 배수를 적용한 외부 공급자와 고객의 가치 귀속 차이 예시다.
• 글로벌 서비스 시장 약 70조 달러: 발표자가 제시한 서비스 경제 규모이며 소프트웨어 시장보다 큰 영역으로 설명됐다.
• 매출 100달러당 잔여액: 소프트웨어 사업은 약 80달러를 남기는 반면 서비스 사업은 약 80달러의 전달·간접 비용을 지출하고 약 20달러를 남긴다는 비교다.
• 80% 한계세: 서비스 기업의 추가 성장을 따라가는 비용을 표현한 비유다.
• Long Lake의 자본 조달 약 75억 달러: Elad Gil, General Catalyst, Alpha Wave, D1 등 투자자를 언급했다.
• 약 3년: Long Lake가 시작된 시점에 대한 발표자의 설명이다.
• 40개 기업 이상: 주거 서비스, 건축, HR 등 여러 업종에서 협력한다고 밝혔다.
• 55명: 기술·재무·운영 전반의 Long Lake 팀 규모다.
• 63억 달러: Amex GBT의 비공개화 거래 규모로 언급됐으며 기업 출장 사업 진출과 연결된다.
• 연간 약 5,000건: 투자·인수 후보 거래의 검토 규모다.
• Minneapolis·Portland·London: 현장 팀과 함께 업무를 구축하기 위해 직접 방문하는 도시 사례다.

결론 및 시사점

1. 기업용 AI에서 경쟁력은 모델 성능만으로 결정되지 않는다. 보안, 오래된 시스템, 조직 내 도입 책임, 암묵지와 고객 신뢰가 실제 배포를 좌우한다.
2. AI-native 기업을 처음부터 만드는 전략도 가능하지만, 고객 관계·브랜드·전문 인력·책임성이 중요할수록 기존 기업의 자산을 확보하는 편이 유리할 수 있다.
3. 인수의 전략적 가치는 단순히 AI 도구를 내부에 설치하는 데 있지 않다. 현장 전문가 접근, 실운영 데이터, 성과 중심의 인센티브, 기존 신뢰, 재투자 가능한 규모를 함께 얻는 데 있다.
4. 서비스 기업을 고를 때는 고객이 최종 결과를 신뢰하고 맡기는지, 인간 판단이 필요한지, 규제상 책임성이 중요한지를 살핀다. 충분한 후보군을 만든 뒤 사업 기초와 AI 적합성을 엄격하게 검증해야 한다.
5. 자동화로 확보한 시간을 성장, 더 많은 고객 업무, 고객·직원 경험 개선에 투입해야 한다. 그렇지 않으면 사용량과 시간 절약은 생겨도 P&L 개선은 일어나지 않는다.
6. AI의 비용 절감과 서비스 품질 향상을 실제 수익·직원 1인당 매출·고객 만족으로 바꾸는 운영 체계가 AI 기업가치 포착의 핵심이다.

핵심 요약 (20줄)

1. AI를 기업에 외부 판매하면 통합·도입·가치 회수의 벽에 막히기 쉽고, 기존 서비스 기업을 인수해 현장 지식과 신뢰를 확보한 뒤 AI로 생산성과 서비스 품질을 함께 높여야 성과가 손익에 남는다.
2. 좁은 업무용 에이전트가 작동해도 보안 심사와 부서 조율, 오래된 시스템 연동을 거쳐야 기업 현장에 배포된다.
3. 제품 인터페이스 개선과 직원 교육을 반복해도 공급자와 고객 중 누가 채택을 책임지는지 불분명하면 사용 정착이 늦어진다.
4. 토큰·좌석·혼합 요금제 선택, 고객의 가격 민감도, ROI 측정은 AI 계약의 주요 상업적 과제다.
5. 갱신과 가격 유지 가능성은 모델이 좋아지고 대안이 저렴해질수록 불확실해진다.
6. 실제 조직의 결정은 공식 조직도보다 수십 년 경험자의 비공식 관계와 현장 판단에 크게 좌우된다.
7. CRM·티켓·SOP·계약·이메일은 귀중한 기록이지만 예외와 엣지 케이스, 암묵지를 모두 담지 못한다.
8. 실제 업무를 수행하는 전문가와 협업해야 훌륭한 결과와 예외 처리의 기준을 파악할 수 있다.
9. 연 100만 달러 계약으로 고객 EBITDA가 500만 달러 늘면 10배 배수에서 5,000만 달러 가치가 고객에게 쌓일 수 있다.
10. AI-native 신설 기업은 전체 워크플로와 손익을 소유하지만 고객·브랜드·도메인 전문성을 새로 쌓아야 한다.
11. 병원은 수술동 설계를 새 AI 업체보다 20년간 함께 일해온 신뢰받는 설계사에 맡길 수 있다.
12. 기존 기업 소유는 베테랑 접근성을 확보해 단일 자동화를 넘어 전체 업무와 서비스 제공을 개선하게 한다.
13. 실운영에서 생성되는 작업·예외·정답·오답은 에이전트와 모델을 개선하는 데이터가 된다.
14. 소유자는 고객별 외부 매출 목표 대신 사업 성과에 AI 배포와 경영 개선을 정렬할 수 있다.
15. 기존 브랜드와 고객 관계, 전문 팀, 현금흐름은 성장과 신규 제품 투자를 지속하게 하는 기반이다.
16. 글로벌 서비스 시장은 약 70조 달러이며, 최종 결과를 책임지는 서비스는 도구 판매보다 큰 사업 기회를 제공한다.
17. 매출 100달러 중 소프트웨어는 약 80달러를 남기지만 서비스는 약 80달러를 인력·전달 비용에 쓰고 약 20달러를 남긴다.
18. AI는 노동비용과 매출의 연동을 낮추고 품질을 개선해 서비스 기업에도 소프트웨어형 운영 레버리지를 제공할 수 있다.
19. Long Lake는 약 75억 달러를 조달한 응용 AI 지주회사로, 55명 팀과 주거 서비스·건축·HR 등 40개 기업 이상에서 협력한다고 밝혔다.
20. 연간 약 5,000건의 후보 중 엄격히 선별하고, 절감된 시간을 성장·NPS·서비스 품질에 재투입해야 직원 1인당 매출과 P&L이 개선된다.