AI-First 제품의 가격 책정 방법

AI-First 기업들은 이제 더 이상 소프트웨어 서비스(SaaS) 가격 모델을 자동적으로 선택하지 않고, 다른 거래형 가격 모델이 더 매력적인지 평가하고 있습니다. 최근 기술 산업에서는 "AI 기반 서비스" 또는 "서비스로서의 소프트웨어"와 같은 비즈니스 모델의 확산으로 인해 이 주제가 특히 주목받고 있습니다. 이러한 회사들은 서비스를 중심으로 운영하며, 기술 대신 작업을 판매함으로써 기존의 노동 비용을 대체하려고 합니다. 아래에서는 각 가격 모델의 장단점, 특정 상황에서 어떤 모델이 더 적합할 수 있는지, 그리고 사용량 기반 가격 모델에서 입력 기반과 출력 기반 과금 간의 차이에 대해 논의하겠습니다.

거래형 가격 모델로의 전환

거의 모든 회사에서 노동 비용은 소프트웨어 비용보다 훨씬 큰 지출 항목입니다. 이 비용을 활용하려는 매력은 분명합니다. 더 큰 계약 규모, 일반적으로 노동이 소프트웨어보다 더 중요한 임무로 여겨지기 때문에 더 쉬운 판매 가능성, 그리고 AI를 활용해 마진 스토리가 성공적으로 전개된다면 전통적인 소프트웨어와 유사한 마진 구조를 기대할 수 있습니다. 대규모 언어 모델(LLM)이 점점 더 전체 워크플로를 자동화할 수 있게 됨에 따라 AI-First 기업들은 이 노동 예산을 대상으로 제품을 판매하면서 백엔드에서 일부 또는 전체를 자동화할 수 있습니다.

SaaS는 오랫동안 최고의 모델로 평가받아 왔습니다. 우리의 분석에 따르면, 2020년 이후 SaaS 회사들은 공공 시장에서 거래 모델보다 약 1.5~2.5배 더 높은 수익 배수를 기록했습니다. 그럼에도 불구하고, 더 큰 노동 시장(TAM)을 공략하기 위해 고정 반복 모델 대신 거래형 모델을 채택하는 회사들이 점점 늘어나고 있습니다.

기업들은 구독 대 사용량을 평가하는 것뿐만 아니라, 고정 비용(사용자당 또는 장소당), 입력 기반(사용량), 출력 기반(성과 또는 성공 기반) 등 세 가지 가격 모델을 고려하고 있습니다.

가격 모델의 유형

아래에서는 다양한 가격 모델을 탐구하고, 사례를 통해 사용 사례를 설명하며, 각 모델의 이점과 단점을 구체적으로 살펴보겠습니다.

고정 비용

SaaS 모델(사용자당 또는 장소당 요금 부과)은 여러 매력적인 요소를 가지고 있습니다. 고객에게 비용 예측 가능성을 제공하며, 회사에는 예측 가능한 수익과 종종 선불로 지불되는 계약을 통해 유리한 현금 흐름을 제공합니다. 하지만 단점도 존재합니다. 매주나 매달 사용이 일관되지 않을 경우 판매가 어려울 수 있으며, 소프트웨어가 이메일이나 Excel처럼 "무료"로 간주되는 것을 대체하거나, 고정 비용을 정당화할 만큼 ROI(투자 수익률)가 충분히 강력하지 않을 경우에는 더욱 그렇습니다. 또한, 고정 SaaS 모델에서는 특히 AI 중심 환경에서 고객의 매출이 회사의 인력 추가 필요성보다 빠르게 확장될 위험이 있습니다. 이는 고객이 성장함에 따라 회사가 창출한 가치를 충분히 포착하지 못하고, 결과적으로 매출 확장이 어려워질 수 있음을 의미합니다.

고정 비용 기반 모델은 고객이 이 사용 사례에 대해 이미 소프트웨어 예산을 할당한 경우 가장 적합합니다. 이 모델은 또한 소프트웨어가 워크플로를 활성화하거나 명확한 생산성 또는 효율성 향상이 있는 경우와 같이 제품이 자주 사용되는 상황에서 가장 매력적입니다. 반면, AI가 특정 "틈새" 사용 사례를 아주 잘 해결하지만, 연간 계획이나 IT 지출 합리화와 같이 고객이 비정기적으로 사용하는 경우에는 구독 모델이 덜 적합할 수 있습니다. 이러한 경우 고객은 정기적으로 사용하지 않는 소프트웨어에 대해 고정 요금을 지불하려 하지 않을 가능성이 큽니다.

예를 들어, Ivo는 AI 기반 계약 검토 솔루션에 대해 사용자당 SaaS 요금을 부과합니다. 이 회사는 주로 제품을 매주 사용하는 내부 법무팀을 대상으로 하며, 고정된 소프트웨어 예산을 가진 고객에게 집중합니다. 또한, 계약 협상 워크플로가 조달 부서나 HR과 같은 다른 부서와의 협업을 수반하기 때문에 사용자 확장 가능성이 명확합니다. 금융 서비스 분야에서는 Hebbia가 금융 전문가들이 데이터룸, 실적 발표문, 보도 자료, SEC 서류 및 기타 데이터 세트를 분석하여 핵심 정보를 추출할 수 있도록 돕습니다. Hebbia 역시 일상적으로 사용되는 사례에 해당하며, 데이터 및 분석 제품에 대해 고정 소프트웨어 라이선스를 지불하는 데 익숙한 고객을 대상으로 사용자당 요금을 부과합니다.

입력 기반

입력 기반 모델은 소비량에 따라 요금을 부과합니다. 예를 들어, 처리된 비디오의 테라바이트 수, 쿼리 수, 처리된 페이지 수 등이 이에 해당합니다. 이 모델은 기존 소프트웨어 회사의 사용량 기반 가격 책정과 가장 유사합니다. 즉, 고객의 저장, 컴퓨팅, 또는 API 사용량에 따라 월말 청구서가 결정됩니다.

입력 기반 모델은 사용량 수준이 상대적으로 예측 가능하거나 사전에 알 수 있고, 고객이 입력 데이터를 비용 절감 또는 ROI로 변환할 수 있는 사용 사례에 가장 적합합니다. 예를 들어, Trialkit이라는 회사는 법률 회사에 e-Discovery 소프트웨어를 판매하며, 분석 및 저장해야 하는 데이터의 용량(GB)에 따라 요금을 부과합니다. 이는 케이스의 문서 수가 몇 백 개에 불과한 경우와 비디오, 문서, 오디오 등 다양한 형식으로 수천 개의 파일을 포함하는 경우에 따라 컴퓨팅 및 저장 비용이 달라지기 때문입니다.

또한, AI 기반 영업 생산성 도구인 Skarbe는 고객이 "좌석이 아닌 가치에 대해 지불"할 수 있도록 CRM 배치 업로드를 처리하거나, 미팅 후속 작업을 자동화하거나, 리드 개요를 생성하는 데 사용할 수 있는 크레딧을 판매합니다. 고객은 입력 데이터를 정량화하고, 각 작업의 가치와 비용 절감을 계산하여 ROI 기반의 의사 결정을 내릴 수 있습니다.

이러한 방식의 가치는 입력 지표가 추적되지 않거나 예측 가능성이 낮을 때 더 복잡해질 수 있습니다(예: 문서 크기가 다양하거나 색인된 데이터 양이 기하급수적으로 증가할 수 있는 경우). 회사는 고객이 입력 데이터를 추적할 수 있는 방법을 제공해야 하며, 그렇지 않을 경우 고객은 과다 청구되었다고 느끼거나 가격이 불투명하고 복잡하다고 생각할 수 있습니다.

출력 기반

출력 기반 모델은 결과물, 즉 생성된 작업 단위, 완료된 작업, 작성된 요약 등의 결과에 대해 요금을 부과합니다. 이 모델은 인간 노동을 대체하는 방식으로 가장 직접적으로 연결되며, 특히 처리량에 중점을 둔 회사에 적합합니다.

법률 및 컨설팅과 같은 특정 산업 구조는 이 모델에 잘 맞습니다. 예를 들어, 대부분의 변호사는 시간당 요금을 청구하기 때문에 특정 사건에 대한 출력 비용을 명확히 계산하여 고객에게 청구할 수 있습니다. 반면, 월간 소프트웨어 라이선스 비용을 여러 고객에게 분배하는 것은 더 어렵습니다. 예를 들어, Casemark는 법률 문서(진술서, 의료 기록, 계약서, 소송 업데이트 등)의 요약을 생성하는 플랫폼으로, 생성된 요약 단위당 요금을 청구합니다. 이전에는 이러한 요약이 법무 보조원에 의해 작성되었으므로 작업 단위가 잘 이해되고, 법무 보조원은 이제 더 높은 가치의 작업에 집중할 수 있습니다. 또한, 요약은 특정 사건에 명확히 연결되므로 변호사들은 Casemark의 비용을 고객에게 직접 전가할 수 있습니다.

출력 기반 모델은 효율성을 높이고 환자 결과를 개선하려는 동기가 강한 의료 산업과도 잘 맞습니다. 예를 들어, Defy의 포트폴리오 회사인 Synthpop.ai는 최대 80%의 행정 및 운영 작업을 자동화하는 AI 기반 플랫폼으로, 환자 추천서의 정확성을 평가하거나, 접수 양식을 작성하거나, 보험 범위를 확인하기 위해 지급인을 호출하는 작업과 같은 업무를 성공적으로 완료할 때만 요금을 청구합니다. 고객은 주로 노동 비용을 절감하고, 의료 전문가의 번아웃을 줄이며, 처리 오류를 줄이기 위해 Synthpop의 서비스를 구매하지만, 추가적인 이점으로는 환자 정보를 더 빠르게 처리함으로써 더 많은 환자를 치료할 수 있고 환자 경험을 개선할 수 있다는 점이 포함됩니다. Synthpop은 효율성 증가와 환자 결과 개선이라는 고객의 주요 사명에 맞춰 솔루션을 판매합니다.

하이브리드 모델

입력 및 출력 기반 모델에서 겪는 주요 과제 중 하나는 유지율과 반복 가능한 상위 퍼널 전환입니다. 구독 모델은 특히 엔터프라이즈 고객의 경우, 월별 유지율 지표에서 더 유리한 경향이 있습니다. 고객이 한 번 가입하면 사용 빈도와 상관없이 계약 기간 동안 월간 비용이 고정됩니다. 반면, 사용량 기반 모델에서는 유지율이 덜 확실하고, 고객의 비즈니스 니즈와 볼륨이 월별로 크게 변동할 수 있기 때문에 명확히 정의되기 어렵습니다. 이러한 이유로, 입력 또는 출력 기반 모델을 사용하는 많은 AI 회사들은 최소 사용량과 함께 계층형 구독이나 플랫폼 요금을 도입한 하이브리드 가격 모델을 도입했습니다. 예를 들어, Tavrn은 변호사를 위한 AI 기반 요구서 및 의료 연대기 생성을 제공하며, 사용량 기반 요소를 유지하면서 계층형 가격 책정을 실험했습니다. 이 회사는 고객과 연간 약정을 체결하며, 고객이 생성할 최소 의료 연대기 수를 약속하고, 그 한도를 초과하는 사례에 대해 추가 요금을 부과합니다.

어떤 모델이 적합할까요?

각 가격 모델은 고유한 장단점을 가지고 있으며, 비즈니스에 적합한 수익화 전략을 평가할 때 이러한 요소들을 고려하는 것이 중요합니다. 몇 가지 주요 고려 사항은 다음과 같습니다.

• 사용 빈도: 고객이 제품을 얼마나 자주 사용하나요? 매일/매주/매월 사용되나요, 아니면 사용 사례가 더 산발적인가요? 고정 월간 요금은 초기 사용 사례 외에도 추가 제품을 구축하면서 더 명확히 설명될 수 있지만, 다른 요소들이 제품의 지속적인 사용과 ROI를 명확히 보여주지 않는다면 유지율과 전환 지표에 부정적인 영향을 미칠 수 있습니다.
• 고객 메트릭과 KPI 정렬: 고객이 가장 중요하게 생각하는 메트릭은 무엇인가요? 이미 측정되고 있나요? 고객이 ROI를 어떻게 생각하고, 무엇을 최적화하려고 하나요? 고객이 추적하고 중요하게 여기는 것에 정렬하는 것이 중요합니다. 고객 세그먼트의 세부사항도 반드시 고려해야 합니다.
• 가격 단순성: 고객이 솔루션의 비용 산출 방식을 명확히 이해하고, 특정 작업에 대해 얼마나 비용이 드는지 빠르게 계산할 수 있도록 보장하세요. 입력 또는 출력 기반 가격을 사용하는 경우, 고객이 청구서에 놀라지 않도록 투명성을 유지해야 합니다.
• 비용 구조: 특정 작업의 복잡성에 따라 비용이 크게 달라질 경우, 고객이 입력 또는 출력에 대해 지불할 의사가 있다면 사용량 기반 모델이 경제적으로 더 적합할 수 있습니다. AI 모델 비용은 계속 감소할 것이므로, 이는 오늘날 단위 경제성을 어렵게 만들 정도로 비용이 높을 경우에만 중요한 고려 사항이어야 합니다.
• 노동 효율성 사고방식: AI-First 소프트웨어 비용을 인간의 동일 작업 비용에 비해 평가하고 노동 절감의 비율로 가격을 책정하는 것이 유혹적일 수 있지만, 모든 회사가 ROI를 이러한 방식으로 평가하고 싶어하는 것은 아닙니다. 고객이 아직 결과를 보지 못했다면 소프트웨어와 노동 지출을 여전히 다르게 생각할 수 있습니다. 모델과 가치 제안을 고객의 주요 문제점에 맞추세요. AI 기반 작업의 이점은 인간을 대체하는 것이 아니라, 그들이 더 전략적인 작업에 집중할 수 있도록 하는 데 있을 수 있습니다. 다른 회사의 경우, 부족한 인력 또는 높은 이직률이 있는 산업에서의 오류 감소가 더 중요할 수 있습니다. 이러한 상황에서 고객은 입력 및 출력 기반 모델에 더 개방적일 수 있습니다. 왜냐하면 이는 그들의 가장 큰 요구 사항, 즉 노동 문제와 직접적으로 일치하기 때문입니다.

결론

올바른 가격 모델을 선택하는 것은 단순한 가격 전략 이상의 영향을 미칠 수 있습니다. 이는 유지율과 참여도, 고객의 구매 의향, 추가 가치를 느끼는 정도, 그리고 ROI에 중대한 영향을 미칠 수 있습니다.

현재 사용량 기반 모델이 유행하고 있지만, 장기적인 멀티플 측면에서 그 견고함은 아직 지켜봐야 합니다. 사실 '사용량'이라는 용어는 트랜잭션 또는 비구독 기반 비즈니스 모델에 대한 새로운 용어일 뿐입니다. 과거에는 거래 기반 비즈니스 모델이 특정 시기에 SaaS와 유사한 멀티플(Uber, Lyft, Robinhood, Doordash 등)로 평가받는 것을 보았지만, 시간이 지나면서 투자자들이 이러한 비즈니스 모델의 비반복성으로 인한 낮은 수익 예측 가능성, 수익의 큰 변동성, 수요 급증 또는 변동성 발생 시 수익의 평준화 어려움 등 SaaS와 비교하여 단점을 깨닫게 되면서 종종 조정이 이루어지곤 했습니다.

이제 AI 스타트업의 경우, 인풋 또는 아웃풋 기반이 아닌 비즈니스 모델을 가진 많은 기업들에게도 비슷한 가치 평가 프리미엄이 부여되고 있습니다. 반면에 기술 혁신의 단계적 변화, 성장 속도, 인건비 활용 기회, 소프트웨어가 사람을 대체함에 따른 잠재적 마진, 그로 인한 더 큰 TAM을 고려하면 이러한 높은 밸류에이션이 정당화될 수 있다고 주장할 수도 있습니다. 이러한 밸류에이션이 정당화될까요, 아니면 과거와 비슷한 궤적을 따라 멀티플이 형성될까요? 시간이 지나면 알 수 있겠지만 현재로서는 새로운 모델이 가져올 혁신과 비즈니스 영향력에 대해 기대가 큽니다.