AI 래퍼 다음에 남는 것, 스타트업 수직화 3가지

AI 래퍼 다음에 남는 것, 스타트업 수직화 3가지

AI 뉴스 썸네일

기반 모델에 기능 하나를 더한 AI 제품은 모델 회사가 같은 기능을 출시하면 차이를 유지하기 어려워요. 벤처투자사 NFX의 Pete Flint는 초기 스타트업이 좁은 산업의 전체 업무 과정과 고객 경험까지 맡는 수직화 전략을 택해야 한다고 주장해요. 도메인 지식, 자동화, 산업 데이터를 어떻게 사업의 방어력으로 바꿀지가 글의 중심이에요. 1

핵심 요약

전략	무엇을 소유하나요	확인할 점
복잡한 워크플로	작업 분해, 도메인 맥락, 모델 선택과 검수 과정을 묶어요	기반 모델을 바꿔도 고객이 얻는 결과가 유지되는지 봐요
자동화 중심 사업	기존 기업에 도구만 파는 대신 서비스 제공 과정 자체를 다시 설계해요	비용 절감이 가격, 처리 시간, 승인율 같은 고객 혜택으로 이어지는지 봐요
기록에서 행동으로	흩어진 산업 데이터를 모은 뒤 실제 업무와 의사결정까지 맡아요	데이터 접근권과 정확성, 실행 결과에 대한 책임 범위를 정해야 해요

1. AI 기능보다 산업의 일하는 방식을 소유해야 해요

ChatGPT가 나온 뒤 카피라이팅, 고객 상담, 법률 조사, 영업 같은 개별 작업에 생성형 AI를 붙인 제품이 빠르게 늘었어요. 당시에는 모델 사용 경험과 빠른 출시만으로도 차이를 만들 수 있었어요. 하지만 OpenAI와 Anthropic 같은 기반 모델 기업이 코딩과 디자인을 비롯한 응용 제품까지 직접 내놓으면서 기능 자체의 희소성은 줄었어요.

728x90

NFX는 이런 단일 기능 제품을 지속 가능한 사업이라기보다 일시적인 우위에 가깝게 봐요. 투자사가 자사 포트폴리오를 중심으로 제시한 관점이라는 점은 고려해야 해요. 그래도 기반 모델의 성능과 제품 범위가 계속 넓어지는 상황에서, “모델 API에 무엇을 덧붙였나”만으로 경쟁력을 설명하기 어려워졌다는 진단은 초기 AI 제품을 검토할 때 유용해요. 2

좁은 산업의 복잡한 워크플로를 묶어요

첫 번째 전략은 모델의 답변 앞뒤에 있는 작업을 함께 소유하는 방식이에요. 기업용 소프트웨어 개발을 다루는 Blitzy 사례에서는 회사 전체 코드베이스를 이해하는 지식 그래프, 큰 업무를 작은 작업으로 나누는 과정, 작업별 모델 선택과 결과 검수가 하나의 서비스로 묶여요. 고객이 사는 것은 채팅 화면이나 코드 생성 기능이 아니라 완성된 업무 결과에 가까워요.

법률 분야의 EvenUp도 넓은 법률 업무 전체보다 개인 상해 사건이라는 좁은 영역에서 시작했어요. NFX 원문에 따르면 2,000곳이 넘는 로펌이 이 플랫폼을 사용하고 있어요. 미국 상위 100개 개인 상해 로펌 가운데 20%도 고객으로 소개돼요. 이 수치는 회사와 투자사 측 자료에 기반하므로 독립적인 시장 점유율 조사와 같게 해석하면 안 돼요. 다만 좁은 분야의 문서, 절차, 검토 기준을 깊게 묶는 접근이 범용 법률 챗봇과 무엇이 다른지는 보여줘요. 2

제품을 설계할 때는 모델 성능 외에도 업무 시작점과 종료점, 사람의 승인 단계, 예외 처리, 결과 품질 기준을 그려봐야 해요. 기반 모델을 다른 제품으로 교체했을 때 서비스 가치가 대부분 사라진다면 방어력이 약해요. 반대로 고객사가 직접 조합하기 어려운 운영 지식과 검수 과정이 남는다면 모델이 좋아져도 제품의 역할을 유지할 수 있어요.

소프트웨어 판매보다 사업 운영을 다시 설계해요

두 번째 전략은 기존 기업에 AI 도구를 파는 데서 멈추지 않고, 같은 서비스를 AI 중심으로 직접 운영하는 방식이에요. 주택담보대출 업체 Tomo는 대출 심사와 운영, 영업 과정을 자동화해 담당자 한 명이 처리할 수 있는 업무량을 늘리고 그 효과를 더 나은 금리와 간소한 절차로 연결한다고 설명해요. 원문은 주택 구매자의 77%가 전통적인 제공업체보다 Tomo에서 더 좋은 금리를 받았다고 제시해요. 이 역시 NFX가 투자한 회사의 성과 수치라서 비교 조건과 표본을 함께 확인할 필요가 있어요. 2

이 방식은 기존 업무 화면에 AI 버튼을 추가하는 것보다 범위가 넓어요. 자동화로 줄인 비용을 누가 가져가는지, 고객의 대기 시간이 얼마나 줄어드는지, 오류가 생겼을 때 누가 책임지는지까지 사업 모델에 포함해야 해요. 산업 규제가 강하거나 사람의 최종 승인이 필요한 분야라면 완전 자동화보다 승인 대기열과 감사 기록을 잘 설계하는 쪽이 현실적이에요.

초기 스타트업은 “AI를 도입하면 비용이 줄어요”라는 설명만으로 고객을 설득하기 어려워요. 처리 시간, 가격, 승인율, 재작업률처럼 고객이 체감할 지표를 정하고 기존 방식과 비교해야 해요. 자동화가 내부 효율에만 머물면 기존 기업도 비슷한 도구를 도입할 수 있어요. 고객 경험의 차이로 이어져야 별도 서비스를 선택할 이유가 생겨요.

흩어진 기록을 모아 실제 작업까지 맡아요

세 번째 전략은 파편화된 산업 데이터를 먼저 정리하는 방식이에요. 농업 인력 관리를 다루는 Seso 사례에서는 H-2A 비자와 인사 관련 정보가 로펌, 사무용 문서, 종이 기록에 흩어져 있었어요. Seso는 이를 중앙 데이터베이스로 모아 기록 시스템을 만들었고, 이후 직원 물류 관리와 운영 판단을 돕는 행동 시스템으로 범위를 넓혔어요. 2

기록 시스템을 먼저 확보하면 AI가 참고할 회사별 맥락이 쌓여요. 하지만 데이터가 많다고 자동으로 경쟁력이 생기지는 않아요. 입력 품질이 낮거나 고객이 데이터를 쉽게 내보낼 수 없다면 신뢰와 전환 비용을 둘러싼 문제가 커져요. 어떤 정보가 고객 소유인지, 모델 개선에 사용할 수 있는지, 잘못된 실행을 어떻게 되돌릴지를 제품 초기에 정해야 해요.

기록에서 행동으로 넘어갈 때는 권한 설계가 중요해요. 조회와 추천, 실행 권한을 나누고 고위험 작업에는 사람의 승인을 남겨야 해요. 실행 결과와 수정 이력을 기록하면 고객도 자동화가 어떤 근거로 움직였는지 확인할 수 있어요. 산업 데이터의 깊이는 접근 장벽이 될 수 있지만, 데이터 관리와 책임 체계가 약하면 오히려 도입을 막는 요인이 돼요.

왜 중요한가요

초기 AI 스타트업이 기반 모델과 기능 수로 정면 경쟁하기는 갈수록 어려워요. 모델 회사가 더 좋은 기능을 빠르게 내놓고 기업 고객이 여러 모델을 바꿔 쓰기 시작하면, 특정 API에 의존한 제품의 차이는 줄어들어요. 반면 산업별 절차와 예외 처리, 영업 방식, 규제 대응, 고객 데이터는 범용 모델이 곧바로 대신하기 어려워요. NFX가 말하는 수직화는 이 부분을 제품과 운영에 함께 묶자는 제안이에요. 2

다만 모든 스타트업이 산업 전체를 직접 운영할 필요는 없어요. 규제 자본과 현장 인력이 많이 필요한 분야에서는 수직 통합의 비용이 제품의 이점을 넘을 수 있어요. 먼저 좁은 업무 하나에서 고객이 원하는 결과와 사람이 개입하는 지점을 확인해 보세요. 그다음 인접한 업무, 데이터, 실행 권한을 순서대로 넓히면 수직화가 실제 고객 문제를 푸는지 검증할 수 있어요.

새 AI 제품을 검토할 때는 세 가지 질문이 남아요. 기반 모델이 같은 기능을 내놓아도 고객이 계속 쓸 이유가 있는지, 자동화 효과가 고객의 가격과 시간에 반영되는지, 업무를 수행할 데이터와 권한을 합법적이고 안전하게 확보했는지 확인해야 해요. 이 질문에 구체적으로 답할 수 있어야 AI 기능이 하나의 사업으로 이어져요.

참고 자료

1. AI 래퍼는 끝났다: 초기 스타트업을 위한 수직화 전략 — GeekNews
2. The AI Wrapper is Dead: 3 Approaches to Verticalization for Early-Stage Startups — NFX