SaaS의 성공을 견인하는 Fly-wheel & AI

생성형 인공지능 애플리케이션과 전통적 앱의 구조적 차이

빠른 속도로 발전하는 사업의 영역속에서, 서비스와 프로덕트의 성공과 성장을 뒷받침하는 본질적인 힘은 무엇보다 중요하다. 바로 이 본질적인 힘을 명료한 컨셉으로 표현한 것이 바로 제프 베이조스(CEO of Amazon)이 고안한 “Fly-wheel”이라는 개념이다.

https://www.intelligence4start.com/amazon-flywheel-model-a-brilliant-strategy-from-jeff-bezos/

“Fly-wheel”은 하나의 매커니즘으로, 프로덕트나 서비스가 가파르게 성장하거나 혹은 결정적인 기회를 얻도록 돕고, 여러 작용과 가치의 발생이 선 순환 하는 상황을 이끌어낸다. 서비스와 고객과 가치의 다양한 상호작용을 “떠 있는 바퀴”라는 뜻의 선순환의 수레바퀴에 빗대어 표현한 것이다.

전통적인 방식의 “Fly-wheel”

우리에게 익숙한 전통적인 방식의 SaaS (Software as a Service) 제품 속에서는 지속적인 성장과 프로덕트의 성공을 위한 Fly-wheel요소를 다음과 같이 정의한다. 강한 Fly-wheel일 수록 SaaS 프로덕트가 결정적인 기회와 급격한 확장성, 또한 유저와 수익의 증가를 빠르게 견인한다.

전통적인 SaaS 프로덕트의 Fly-wheel 요소는 다음과 같이 구분할 수 있다.

사용자 참여: 제품을 사용하는 사용자의 유저가 많아질 수록, 제품의 성공확률은 높아진다. 그러므로, SaaS 프로덕트는 사용자의 긍정적인 경험을 만들고 지속적인 제품 사용을 할 수 있도록 집중해야 한다.

입소문: 제품에 만족한 사용자들은 자신의 경험을 그들의 친구나 동료 등의 주변 인에게 공유하고 추천한다. 이는 곧 자연스럽게 발생하는 organic 성장으로 이어진다.

지속적인 개선: 사용자의 피드백 및 사용 데이터를 기반으로 제품을 꾸준히 개선하고 업데이트한다. 이를 통해, SaaS 프로덕트는 지속적으로 고도화되고 사용자와의 관련성을 유지할 수 있다.

네트워크 효과: 고도화된 프로덕트는 더 많은 가치를 신규 사용자에게 제공하고 채택됩니다. 그리고 이는 성장의 선순환으로 이어집니다.

이런 Fly-wheel의 요소는 SaaS 제품의 성공을 위한 강력한 원동력으로 정의되며, 장기적인 성장과 지속 가능성 획득의 주요 Frame-work로 사용되었다.

우리는 생성형 인공지능이라는 새로운 시대의 목전에 서있다.

생성형 인공지능의 출현으로 새로운 형식의 애플리케이션 개발을 위한 길이 열렸다. 이미 결정된 입력과 출력이 있는 정적인 인터페이스를 지닌 기존 애플리케이션이 아닌 동적인 인터페이스를 기반한 애플리케이션이 등장할 것이다. 실제로, 이미 상용화된 AI-native 애플리케이션은 비 정형화된 결과물 출력 등을 핵심적인 가치로 부상하고 있다. (비 정형화된 결과물은 인공지능이 생성하는 결과물을 의미한다.)

이런 차세대 애플리케이션은 인류가 인공지능과 상호 작용하는 방식을 변화시키고 있으며, 궁극적으로는 생활과 일하는 방식에 큰 변화를 불러일으킬 것이다.

이번 포스팅에서는 AI-native 애플리케이션의 성공을 이끄는 Fly-wheel 구성 요소를 살펴보고자 한다.

AI-native 서비스의 Fly-wheel 역시, 서비스의 지속적인 성장과 성공을 견인하는 역할을 하는것은 동일하다. 그 구성요소는 다음과 같다.

사용자 참여: 서비스를 사용하는 사용자가 많을 수록 성공 가능성이 높아진다.

AI 생성 출력에 대한 사용자 피드백: AI가 생성한 결과물에 대한 사용자의 피드백을 수집하고 그에 따라 조치를 취하면 서비스를 개선하고, 더 좋은 퀄리티의 결과물로 서비스의 가치를 향상 시킨다.

모델 개선: 인공지능 생성 결과물에 대한 사용자의 피드백 및 사용 데이터를 기반으로 서비스의 기반인 모델을 개선하고 업데이트하며, 서비스가 지속적으로 성장하고 발전할 수 있도록 한다.

사용량 증가: 더 많은 사람들이 서비스를 사용할 수록 가치가 높아지고 더 많은 사용자를 끌어들이는 Fly-wheel 효과가 발생한다.

차세대 애플리케이션(AI-native 애플리케이션)의 차별적인 구조는?

AI-native 애플리케이션들의 Fly-wheel을 구축하기 전, 전통적인 방식의 애플리케이션과 AI-native 애플리케이션의 구조적 차이를 이해해야 한다.

인공지능 기술을 원할하고 통합적으로 사용하도록 설계된 새로운 유형의 애플리케이션 이다. 기존 애플리케이션과 차별적인 구조로는 자연어 인터페이스, 비 정형화된 출력 결과물, 자체 개선 기능 등을 꼽을 수 있다.

AI-native 애플리케이션의 성공적인 Fly-wheel을 위한 프로덕트 분석 도구의 중요성

새로운 형태의 차세대 애플리케이션(AI-native 애플리케이션)을 맞이하며, ‘필요한것이 무엇일까?’ 라는 고민에 대해서는 지체없이 제품 분석 툴이라고 대답할 것이다. AI-native 서비스가 “Fly-wheel”효과를 생성하려면 올바른 핵심 성과 지표(KPI)를 추적하고 측정할 수 있는 분석 도구가 필요하다.

근본적으로 AI-native 서비스는 그 인공지능의 성능에(생성 결과물에 대한 유저 만족도)의존하기 때문에, 서비스의 UX 뿐만 아니라 AI 생성 데이터에 대한 적확한 분석 도구가 필요하다. 해당 분석 도구에서 제공하기 유용한 기능은 아마도 다음과 같지 않을까 싶다.

AI 성능 추적 도구: 서비스의 UI와 연동되어 있는 유저의 Feedback Action 을 통해, 모델이 생성하는 결과물 및 이에 대한 만족도 모니터링 기능

사용자 행동 분석: 사용자가 상호 작용하는 Feedback 인터페이스에 대한 전반적인 모니터링과, 유저 코호트 분석 기능

생성 데이터 모니터링: AI 생성 데이터에 대한 뉴럴 서칭 기반이 카테고리 라벨링과, 부정/긍정 피드백 데이터 콜렉트 및 확인 기능. 해당 기능을 통해 유저들이 선호하는 생성 결과물에 대한 인사이트 발굴 및 추후 재학습 자료로 활용

자연어 인터페이스에 대한 대응: AI-native 서비스에는 유저가 구조화된 입력이 아닌 자연어를 사용하여 서비스와 상호 작용할 수 있는 인터페이스가 있는 경우가 많다. 분석 도구는 이런 구조화되지 않은 데이터를 처리하고 분석할 수 있어야 한다.

비 정형화된 출력 결과물: 인공지능은 결정적이고 확실하기 보단, 불 확정적이고 확률적인 결과물을 출력한다. 분석 도구는 이런 유형의 데이터를 처리하고 그에 따른 인사이트를 제공해야 한다.

자체 개선 기능: AI-native 서비스는 생산된 데이터에 따라 성능 향상을 위한 재학습이 가능하다. 분석도구는 이런 개선 사항을 추적, 측정할 수 있어야하며. 편리하게 개선 가능한 파이프라인을 제공해야 한다. 더 나아가, 모델의 변경 사항에 따른 사용자 경험과 참여에 미치는 변화와 인사이를 올바르게 분석할 수 있어야 한다.

태동하는 AI-native 서비스의 경쟁에서 승리하기 위해서는, AI-native용으로 설계된 특별한 분석 도구와 함께 Fly-wheel을 구축하여 지속적인 성장과 성공을 주도할 수 있을 것이다.

결론

이제는 사용자의 피드백 뿐만 아니라 인공지능이 생성한 결과물에 대해서도 주목해야 한다. 앞서 말했던 것 처럼, 생성형 인공지능 서비스의 본질은 인공지능이 생성한 결과물에 대한 유저의 만족도로 부터 출발하기 때문에, 결과물에 대한 사용자의 피드백을 기반으로 인공지능을 향상 시키는 것은 피할 수없는 숙명이다.

이러한 차세대 서비스(생성형 인공지능 기반 서비스)의 특성에 맞는 분석도구의 등장 역시 그러한 맥락에서 궤를 같이한다.기반의 서비스의 본질은 인공지능이 생성한 결과물이 품질이 결정하기 때문이다.

생성형 인공지능이 다양한 산업과 사람들의 삶에 긍정적인 변화와 혁신을 가져올 것이라고 믿고있다. 인공지능의 발전으로 누구나 개인화 된 멀티미디어 컨텐츠를 제작할 수 있는 시대 역시 다가오고 있다. 이전에는 상상조차 할 수 없었던, 개인화된 경험과 서비스를 제공받고, 고품질의 컨텐츠를 개인과 기업이 모두 만들 수 있는 시대가 열리는 것이다. 인공지능 기술의 발전함에 따라 표현하지 못하던 상상력 조차 손쉽게 컨텐츠화 되는 세상은 어떤 모습일까?

새로운 흐름을 목도하거나 관조하기 보다는, 새 흐름에 의미있는 기여를 하고 싶다!