도구를 팔 것인가, 결과를 팔 것인가? AI 기업들은 완전히 다른 두 가지 미래로 향하고 있다

저자: Variant

번역: TechFlow

TechFlow 가이드: AI 기업들이 두 가지 종으로 분화되고 있습니다: 하나는 로펌에 도구를 판매하고, 다른 하나는 직접 로펌이 되는 것입니다. Variant 의 이 프레임워크 글은 왜 어떤 산업은 증강 (augmentation) 을 해야 하고 어떤 산업은 자동화 (automation) 를 해야 하는지 분석합니다. 핵심은 책임, 검증 비용, 관계 의존성입니다. 창업자와 투자자에게 이는 AI 기업의 성장 한계를 판단하는 실용적인 기준입니다.

1 세대 AI 기업들은 주로 워크플로우 증강에 집중했습니다. 그중 많은 기업이 기업 SaaS 역사상 가장 성공적인 비즈니스가 되었습니다. 2026 년이 되면 모델 성능이 임계점에 도달하고, 스타트업들은 전략을 바꾸기 시작합니다. 그들은 기존 플레이어에게 도구를 판매하는 대신 자동화를 통해 직접 그들을 대체합니다. 이러한 기업들은 많은 경우 SaaS 처럼 보이지 않고, 서비스 그 자체인 소프트웨어처럼 보입니다.

증강과 자동화의 대립은 Chris Dixon 의 고전적인 프레임워크인 강기술 (strong technology) 과 약기술 (weak technology) 과 일치합니다. 약기술은 아날로그 식으로, 새로운 기술로 오래된 방식을 복제하며 보통 단순히 더 효율적일 뿐입니다. 강기술은"제 1 원리에서 출발하여 기존 자원을 최대한 활용하여 기술이 본래 가져야 할 모습을 설계하는 것"입니다.

법률 서비스를 예로 들어보겠습니다. Harvey 는 로펌에 월간 SaaS 구독을 판매하지만, 경쟁사 Crosby 는 그 자체로 로펌입니다. AI 가 법률 업무를 수행하고 인간 변호사는 가장 사람이 필요한 부분에만 개입합니다. 고객 관계 구축 및 유지, 작업 검증, 문제 발생 시 책임 짐 등입니다.

증강 도구를 판매하는 기업은 고객과 조직 구조를 대체하고 싶어 하지 않습니다. 그들이 생계를 의존하는 대상이기 때문입니다. 자동화를 판매하는 기업은 세상이 크게 변해야 한다고 시사합니다. 서비스 기업과 마찬가지로 자동화를 수행하는 AI 기업은 좌석 수, token 수 또는 구독보다는 결과를 판매하는 경향이 있습니다.

Chris 는 글에서 강기술과 약기술 모두 성공할 수 있으며, 종종 타임라인이 다를 뿐이라고 언급했습니다. 두 경로 모두 이미 큰 결과를 낳았으며 계속 그럴 것입니다. 문제는 어떤 경로가 특정 작업, 시장 및 기술 능력의 진화 상태와 더 잘 일치하느냐입니다.

Variant 에서 우리는 어떤 워크플로우가 자동화에 적합하고 어떤 것이 증강에 적합한지 판단하기 위해 간단한 프레임워크를 사용합니다. 이를 따라 살펴보면 어떤 수직 기업들이 나타날 수 있는지, 어디서 벤처 캐피탈 규모의 기회가 나타날 수 있는지 알 수 있습니다. 우리는 세 가지 차원을 봅니다:

1. 책임: AI 가 실수했을 때 얼마나 위험하고 비용이 많이 드는가?
2. 검증: 사용자가 작업 품질을 확인하는 데 얼마나 빠르고 저렴한가?
3. 관계: 경험이 인간 상호작용에 얼마나 의존하는가?

책임이 높고, 검증 비용이 높으며, 관계에 크게 의존하는 작업은 증강에 적합합니다. 이 프레임워크는 Crosby 와 Harvey 의 비교에서 명확합니다. 대기업의 내부 법무팀은 프레임워크의 세 가지 항목 모두에 부합합니다. 높은 책임, 높은 검증 비용 (많은 개방형 작업), 높은 관계 의존성입니다. Harvey 나 Claude Cowork 와 같은 증강 도구가 이러한 시나리오에서 적합합니다. 반대로 Crosby 는 창업 기업을 대상으로 상업 계약과 같이 더 일반적이고 빈번한 법률 서비스에 집중합니다. 책임은 일반적으로 낮고, 검증이 더 쉽고, 관계 의존성은 약합니다.

우리는 퍼블릭 블록체인에서 자율 시스템을 구축할 때 유사한 규칙을 배웠습니다. 스마트 계약은 검증 가능한 대상에만 작동할 수 있습니다. 검증할 수 없는 모든 것은 인간에게 돌려져 오프체인에서 증강 처리되어야 하며, 보통 거버넌스를 통해 이루어집니다. 암호화폐도 유사한 규칙을 따릅니다. 검증 가능한 수량 (연산 능력, 스테이킹, 유동성) 에 보상하는 것은 매우 잘하지만, 주관적인 품질에 보상하는 것은 매우 잘하지 못합니다. 이것이 암호화가 금융 시장은 성공적으로 시작했지만 Airbnb 나 Uber 는 아직 해결하지 못한 이유입니다. 이러한 교훈은 진정한 자율 시스템이 어디서 규모를 확장할 수 있는지 판단하는 데 점점 더 적용 가능해지고 있습니다.

현재 진정한 자동화는 적용 범위와 도달 가능한 시장 규모 측면에서 더 제한적입니다. 자동화 워크플로우에 집중하는 스타트업은 종종 좁은 교두보 시장에 가장 적합하며, 스타트업이나 새로운 방식에 덜 저항적인 틈새 시장에 판매합니다.

좁은 웨지 (wedge) 시장에서 시작하는 것은 대형 AI 연구소의"킬 존 (kill zone)"을 피하는 한 가지 방법입니다. 후자는 더 큰 기존 시장을 증강하기 위해 수평적 확장에 집중합니다.

시간이 지남에 따라 우리는 자동화 솔루션이 모델 능력의 확장, 검증 비용의 감소, 인간과 AI 의 상호작용이 언캐니 밸리를 넘어서고 문화적 수용성이 향상됨에 따라 관계에 더 의존하고 책임이 더 높은 시장을 서서히 잠식할 것이라고 생각합니다. 그런 경우 교두보 시장에서 얻은 선점 데이터 우위가 복리로 작용하여 스타트업이 시장 자체와 함께 성장할 수 있게 할 것입니다.

산업별로 자동화와 증강의 구도 및 장기적인 매력은 계속 분화될 것입니다. 교육을 예로 들어보겠습니다. Alpha School 은 수직 통합된 AI 사립학교로, 교사를"가이드"로 대체하여 기본적으로 자동화된 학습 과정을 촉진합니다. 우리는 AI 지원 교육이 매우 중요해질 것이라고 믿지만, 과도한 자동화와 수직화는 틈새 시장 밖으로 확장되지 않을 것이라고 생각합니다. 부모는 교사 - 학생 관계를 우려하고 학교는 책임을 우려하기 때문입니다. 우리 교육 시스템의 대부분은 경직된 (그리고 대부분 공립) 기관이며, 이는 곧 바뀌지 않을 것입니다. 최고급 사립 기관조차도 혁신가의 딜레마에 직면합니다. 따라서 증강에 집중하는 솔루션이 큰 결과를 낼 가능성이 더 높아 보이지만, 기존 플레이어의 진입 경쟁에도 직면할 것입니다.

채용은 반대 방향을 가리킵니다. 우리는 자동화를 더 선호합니다. 이 수직 분야에서의 Harvey 대 Crosby 는 다음과 같습니다. Juicebox 는 채용 담당자에게 후보자 소싱 소프트웨어를 판매하지만, Prism 은 그 자체로 채용 담당자입니다. 직무 brief 를 주면 면접 준비가 된 후보자를 전달하며, 누가 계약할 때만 비용을 청구합니다. 주요 단계는 검증이 쉽고 (응답률, 면접 성과, 계약률), 책임은 상대적으로 낮습니다. 채용은 관계에 크게 의존하지만, 채용은 더 상류에 있습니다 (주로 후보자를 찾아 면접으로 전환하는 것). 이는 기업들이 자주 아웃소싱하는 기능이므로 첫 번째 고객은 스타트업입니다. 그들은 팀을 구축하는 대신 결과를 구매하는 것을 선호합니다. 최대 규모의 기업은 내부 채용 담당자가 있으며 증강 도구를 선택할 것입니다. 스스로를 자동화하고 싶어 하지 않기 때문입니다. 목표 고객은 스타트업이며, 이는 자동화 솔루션이 데이터가 풍부한 프로세스에 삽입되어 시간이 지남에 따라 개선되고 시장과 함께 성장할 수 있는 좁은 웨지입니다.

AI 기업에는 두 가지 유형이 있습니다. 증강자와 자동화자입니다. 둘 다 인간의 자율성을 확장하지만 방식이 다릅니다. 증강자는 기존 조직 내에서 사람들이 더 많은 레버리지를 얻도록 합니다. 더 많은 지식, 더 많은 산출물, 더 많은 주도권입니다. 자동화자는 접근성을 확대합니다. 과거에 기업만 구매할 수 있었던 전문가 서비스가 모두에게 접근 가능해지고, 소비된 시간이 더 야심찬 일에 사용하도록 해방됩니다. 최신 기회는 소프트웨어를 판매하는 것을 넘어 서비스 그 자체가 되는 것입니다.