brunch

매거진 디지털 서비스 리포트

라이킷 13 댓글 1

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 김영욱 Sep 30. 2024

SaaS기업의 AI 기능 가격 모델

AI 기능 특성에 맞는 새로운 가격 모델이 필요하다.

이 글은 제가 NIA [한국지능정보사회진흥원]의 < 디지털서비스 이슈리포트 > 2024년 8월호에 기고한 글입니다. 원본 글 'SaaS 기업의 AI 기능 가격 모델'를 이곳 브런치에서 공유합니다.

AI 시대 - 가격은 그 품질을 의미

가격을 정하는 일은 소프트웨어 업계에서 가장 중요하지만 가장 논의가 부족한 요소 중 하나이다. 과거에는 기술 창업자들이 최고의 제품이 궁극적으로 승리할 것이라는 믿음 아래 가격 책정을 소홀히 할 수 있었지만, 더 이상은 아니다. AI 기능이 포함된 소프트웨어 시대에는 가격과 제품이 연결되어 있으며, 가격은 근본적으로 사용량에 영향을 미치고, 제품 품질에 근본적인 영향을 가져온다. 따라서 휴대폰의 월별 사용량 과금 구조처럼 사용을 제한하는 가격 모델은 품질을 제한하는 것과 같다.

지난 20여년 동안 사용했던 SaaS의 가격 책정 방식을 바꿔야 한다는 주장이 설득력을 얻고 있다. AI 기능이 지원되는 서비스를 판매하는 기업이라면 새로운 가격 모델 설계를 적극적으로 해야 할 때이다. AI는 현재 업계에서 가장 많이 투자하고 있는 기술이기 때문에 가격 모델의 변경이 필수적이다. 생성형 AI 제품 기능 개발에 투자한 기업들은 연간 R&D 비용이 평균적으로 약 20% 더 증가하고 있고, R&D 비용은 폐쇄형 또는 오픈 소스 모델을 활용하거나 미세 조정하는 기업들보다 지식 재산권(IP)의 핵심인 AI 연구팀을 보유한 스타트업의 경우 훨씬 더 높은 경향을 보인다. 이런 상황에선 전통적인 SaaS 가격 모델은 더 이상 수익을 보장하지 못한다.

이머전스의 최근 조사[1]에 의하면 대다수의 기업이 이미 생성형 AI 제품이나 기능을 출시했으며, 아직 출시하지 않은 기업들 역시 2024년 중에 출시할 계획을 갖고 있다. 생성형 AI를 제품에 통합한 기업들 중 대부분은 기존 제품에 존재하거나 이를 보완하는 기능으로 도입했으며 40%의 기업만이 새로운 제품이나 서비스의 형태로 출시했다.

그림 1. 기업의 생성형 AI 기능 출시 여부 (출처: Emergence)

AI에 맞는 신 가격 모델이 필요한 이유

1. 기존 모델은 AI 기반 제품 개발 동기를 악화

전통적인 소프트웨어 가격 모델인 사용자당 요금제 (Per seat pricing model)는 특정 기능 사용량과는 관계가 없다. 사용자가 해당 기능의 활용여부와 상관없이 기능은 존재하고, 더 많은 로그인이 발생한다고 해서 소프트웨어 기능이 새롭게 발전하는 것은 아니다. 정적인 소프트웨어라 부를 수 있다. 사용자당 가격이 부과되는 모델이기 때문에 라이선스가 부여된 사용자만큼 비용이 발생한다.

반면에 AI는 동적이다. AI는 입력되는 모든 데이터 포인트를 통해 학습하며, 사용자의 모든 행동과 경험이 주요 정보 소스가 된다. 제품을 사용하면 사용할수록 제품 자체가 더 좋아진다. AI 기능을 제공하는 소프트웨어 공급업체가 기존의 사용자당 요금을 부과하는 것은 본질적으로 기술 개발 인센티브를 떨어뜨리는 것이 된다. 동적인 제품엔 제품 사용량에 따른 제품 가치를 극대화하는 가격 모델 설계가 필요하다.

2. 기존 모델은 가치 창출 기회를 방해

AI 기반 소프트웨어는 개인화를 통해 조직의 모든 면을 혁신함으로써 비즈니스 효율성을 더 높인다. 우리는 사용자의 특정 요구에 맞춘 소프트웨어가 일반 경쟁 제품에 비해 상당한 프리미엄을 받을 수 있다는 사실을 확인해 왔다. 예를 들어, 세일즈포스는 엔터프라이즈 기업부터 모든 산업 분야의 중소기업에 이르기까지 모든 사용자에게 서비스를 제공하는 수평적 CRM을 제공하는 반면, 세일즈포스의 코어 CRM를 라이선스했지만, 생명 과학 업계에 최적화된 CRM을 제공하는 비바(veeva.com)는 제약산업 사용자의 요구사항에 특화된 이유로 구독 가격이 몇 배 더 높다. 최근에 비바가 매출의 15%를 차지하던 세일즈포스의 사용자당 라이선스 비용 계약을 해지하고 독자 가격모델을 선택한 것은 시사점이 매우 높다고 할 수 있다.[2]

AI 기능을 지원하는 소프트웨어는 최종 사용자의 개별 상황에 맞춤화될 것이므로 더 높은 가격을 책정하는 모델이 필요하다. 사용자당 요금제에 의존하면 구매자는 아주 편리하고 보편화된 방법으로 가격을 비교할 수 있지만, AI 프로바이더에게는 매우 불합리하게 느낄 수 있다. 이러한 전통적인 가격 구조에서 벗어나야 AI 프로바이더는 고유한 장점으로 제품을 개발하고 판매할 수 있게 된다.

3. AI 프로바이더 간의 카니발라이제이션

소프트웨어 프로바이더가 전통적으로 사용해 온 가장 중요한 판매 수단은 업셀(upsell)로서 “상향 판매" 또는 "추가 판매"하는 것인데, 이 방법은 고객의 성장과 연계하는 것이다. 고객이 성장하면 프로바이더와의 계약도 성장해야 한다는 논리이다. 그러나 효과적인 AI 기반 소프트웨어는 업무 효율성에 초점이 있기에 정적 소프트웨어처럼 회사 성장에 따라 사용자 수가 선형적으로 증가할 필요는 없다. 사용자당 요금에 얽매이면 계약 확장이 훨씬 더 어려워진다. 실제로 AI 소프트웨어의 성공이 곧 계약 축소를 수반하는 상황을 만들 가능성이 높다.

AI 기능 가격 책정 전 고려 사항

AI 소프트웨어 가격 책정을 고려할 때 염두에 두어야 할 4 가지 핵심 아이디어를 소개한다.

1. ROI 분석

이 부분은 정적 동적을 가리지 않고 모든 소프트웨어 영역에서 고려할 부분이다. 고객과 매우 솔직하게 협업하여 모든 업무에서 소프트웨어가 제공하는 가치를 정량화하는 것이다. 가치 제공자로서 창출하는 가치중 10~30%를 사용자가 포착한다고 하면 매우 고무적인 상황이다. AI와 같은 동적 소프트웨어 환경에서는 제품이 더 많이 사용되고 데이터 모델이 개선되고 데이터가 쌓임에 따라 그 가치가 증가한다. ROI는 제품을 기업에 규모가 있는 형태로 배포된 후 계산하는 것이 가장 좋다. 또한 1~2년 사용 후 다시 계산하여 그 차이를 관찰 추적하는 것도 필요하다. 일간/월간 활성 사용자 수 (DAU/MAU)와 같은 전통적인 소비자 사용 지표를 추적하는 것은 SaaS를 사용하는 엔터프라이즈 AI 환경에서는 절대적으로 중요한데, 이는 사용량이 ROI의 핵심 동인이기 때문이다.

ROI는 청구 금액을 결정하는 좋은 방법이지만, 동시에 ROI를 청구 방법의 메커니즘으로 사용해서는 안 된다. 대신 ROI를 수준 설정 도구 및 특정 가격에 도달하는 방법을 결정할 때 사용하는 것이 좋다.

2. 사용량을 억제하지 않는다

정적 소프트웨어의 모범 사례는 두 가지 축의 가격 책정 모델을 사용하여 가격을 차별화하는 것이다. 첫 번째는 사용자 단위로 설정하는 볼륨 기반이고, 두 번째는 기능이나 제품 기반이다. 이 두 축의 프레임워크는 동적 영역에서도 여전히 적용되지만, 사용량을 제한하지 않는 볼륨 기반 절충모델을 찾는 것이 관건이다. 즉, 고객이 성장함에 따라 성장하고(볼륨 기반) 제품이 의미 있고 측정 가능한 영향을 미치는(가치 기반) 사용량에 구애받지 않는 지표를 찾아야 합니다.

비슷한 채용 서비스를 제공하는 두 기업의 가격 모델을 비교해 보면 흥미롭다. 먼저 레버(lever.co)는 직원 수에 따라 가격을 책정한다. 이러한 모델은 매우 심플한 이유로 광범위한 사용을 장려하고 공급업체가 고객의 성장에 따라 성장할 수 있도록 지원한다. 이와는 약간 다른 가격 모델을 제공하는 텍스티오(textio.com)가 있다. 텍스티오는 채용 담당자가 공석을 더 빨리 채울 수 있도록 도와주는 AI 기반 작문 서비스를 특징으로 하는데 이 서비스의 가격은 계획하는 채용 인원과 연동되는 볼륨 기반이며, 사용자가 무제한으로 사용할 수 있다. 따라서 구매자는 모든 채용 담당자와 관리자에게 텍스티오를 배포하고 모든 채용의 경우에 사용하도록 권장한다. 이를 통해 텍스티오는 데이터 수집을 극대화하여 제품 가치를 극대화한다.

그림 2. AI 기능을 도입한 텍스티오 제품과 가격 모델 (출처: Textio)

이런 경우 메트릭을 볼륨 기반 가격 모델을 정할 때 분모로 사용할 수 있다.(예: 채용할 사람당). 세분화된 증가 분량을 사용하는 대신 가격이 합리적인 분모 범위(예: 고용할 인원이 n명에서 n+1,000명으로 구성된 범위의 가격은 $X)에 속하도록 범위를 생성하는 것이 좋다. 기능 기반 가격 모델 축을 계층화하여 볼륨 축의 잠재적인 축소 문제를 완화할 수 있다.

3. 가격 모델을 통해 제품 개선

대부분의 AI 프로바이더는 서비스를 개시할 때 이미 고객의 과거 데이터를 수집하여 맞춤형 추천을 제공한다. 좀 더 혁신적인 AI 프로바이더는 고객 간에 인사이트를 공유하는 방법을 제공한다. 가격 모델은 이러한 데이터 네트워크를 시작하기 위한 중요한 수단이 될 수 있다. 실제 제품이나 기능의 가치를 초월하여 그 네트워크가 갖는 가치는 가격 모델의 독점적 위치를 제공할 수 있다.

실제로 텍스티오는 초기에 전략적 가격 할인 정책을 사용하여 이런 독점적인 데이터 세트를 구축했다.[3] 또한 고객에게 광범위한 사용자 네트워크에서 얻은 인사이트를 포함한 데이터 교환 프로그램에 참여할 수 있는 기회를 제공했다. 사용자가 데이터 네트워크의 가치를 느끼기 시작할 쯤엔 할인 프로그램은 더 이상 존재하지 않았다.

부동산은 전략적 가격 책정을 통해 데이터 네트워크를 구축하고 있는 또 다른 산업이라고 할 수 있다. 콤스탁(compstak.com)은 중개인이 시스템에 데이터를 제출하면 크레딧을 제공하여 독점적인 상업용 부동산 데이터의 선순환 구조를 만들었다.

그림 3. 독점적인 부동산 데이터 네트워크를 이용한 CompStak One 화면 (출처: compstak)

4. 차별화된 가치 이해

제품에 통합한 AI 기능에 대한 가격 책정은 이 AI 기능이 얼마나 차별화된 가치를 창출하는가 라는 질문을 통해 접근할 수 있다.

AI 기능을 업무 플로우나 워크프로세스에 통합하면 사용자가 ChatGPT나 클로드 등으로 이동하기 위해 플로우를 떠나야 하는 시간과 번거로움을 줄일 수 있다. 사용자를 업무 프로세스 안에서 유지하는 것은 강력한 락인 수단이 된다.

또한 진정한 가치를 이해하기 위해서 AI 프로바이더로서 이 기능이 실제로 얼마나 많은 가치를 창출하고 있는지에 대해 솔직해질 필요가 있다. 오늘날 많은 SaaS의 AI 기능은 초기에는 사용자의 호기심으로 관심을 받지만, 의미 있는 지속성으로 이어지지는 못하고 있다. 이것을 위해선 리텐션과 가치 창출을 이해하는 것이 중요하다. 제공하는 AI 기능이 창출하는 가치의 대부분이 ChatGPT로 얻을 수 있다면 해당 기능의 가치는 거의 없다고 생각하면 된다. 기능의 재포장이나 재판매는 지속 가능한 가치가 아니며 차별화 전략도 아니다. 지금 당장 그 기능에 대해 비용을 청구할 수 없더라도 현재 제품의 가치를 높이고 제품을 꾸준히 사용하게 함으로써 의미 있는 가치를 창출할 수 있다.

지금은 타사 모델을 얇게 재 포장한 것에 불과한 초기 기능이지만, 작은 가치를 전달 할 수 있으면, 시간이 지나고 데이터가 모아지면 보다 차별화된 가치를 만들 수 있다. 그리고 그 시점에 도달하면 새로운 가격 책정 모델을 만들 수 있다.

SaaS 기업의 AI 가격 모델 현황

AI 기능을 출시할 때 가장 우선적으로 고려해야 할 사항은 해당 기능이 어떻게/어디서 가치를 창출하고 사용자가 만족하는 지를 파악하는 것이다. 이를 위해 대부분의 SaaS 회사들은 AI 기능을 무료로 제공하는 것부터 시작한다. 이러한 전략의 배후에는 시간이 지남에 따라 많은 가치가 창출되고 누구를 위한 것인지에 대해 알게 되면서 수익화가 가능할 것이라는 기대가 있다.

일부 SaaS 선도 업체는 이미 AI 기능에 대한 유료화를 시작했다. 이머전스 보고서에 따르면, 생성형 AI 제품이나 기능을 출시한 기업 중 58%가 수익화를 도입했다. 나머지 42%를 생각해 보면, 생성형 AI 기능의 유지 비용이 전통적인 소프트웨어보다 훨씬 높기 때문에 기업이 신중하게 결정하고 있다는 이유이다. 수익화를 시행하고 있는 기업들의 절반 정도(28%)가 사용량에 따른 가격을 책정하고 있다.

그림 4. 생성형 AI 수익화 방법 현황 (출처: Emergence)

사용량에 따라 과금하는 유료화 방식은 유료화 전에 사용자가 기능을 테스트 할 수 있도록 한다. 일반적인 SaaS 제공업체는 핵심 제품 제공에 더해 AI 기능에 대한 추가 요금을 부과하는 형태다. 높은 유료 전환율을 보이는 깃헙 코파일럿과 노션AI는 추가 요금을 부과하는 방법이다.

이와는 달리, 전체 프로덕트에서 AI 지원 서비스를 제공하는 데 중점을 둔 SaaS 제공업체도 있다. Jasper.ai와 Copy.ai 같은 회사는 오픈AI를 활용하여 카피라이팅을 서비스로 제공한다. 이들은 사용자당 상대적으로 높은 가격을 청구하지만, 오픈AI에 지불하는 라이선스 구독료를 고려할 때 매출원가(COGS: Cost of Goods Sold)는 매우 높을 것으로 예상한다.

그림 5. SaaS 기업의 AI 기능 가격 모델 예

이렇게 매출원가가 높은 SaaS 기업이 시간이 지남에 따라 고객에게 얼마나 많은 비용을 전가할 수 있을지는 의문이다. 진정으로 차별화된 가치를 제공하는 업체민이 모든 비용을 고객에게 청구할 수 있고, 건전한 마진을 추가할 수 있을 것으로 전망한다.

ChatGPT, 제미나이, 클로드와 같은 기본 모델 공급업체의 가격 모델을 보면 구독 가격뿐 아니라 과금 방식 (일부는 토큰 단위, 일부는 컴퓨팅 단위 등)도 빠르게 바뀌고 있다. SaaS 기업은 더 많은 모델 공급업체와 기술의 발전으로 시간이 지남에 따라 비용이 계속 감소할 것이라고 가정한다. SaaS 기업 포트폴리오를 보면 현재 대부분의 AI 기능(요약, 편집, 텍스트 생성 등)이 큰 비용이 들지 않는 것으로 나타나고 있다. 따라서 대부분의 SaaS 업체는 유료 AI 기능에 대해 사용량을 제한하지 않고 있다.

매출 원가를 줄이는 방법을 생각할 때, 중요한 접근 방식은 비용과 성능의 균형을 유지하면서 특정 작업에 사용하는 기본 모델을 최적화하는 것이 있다. 예를 들어, 성능차이가 크지 않다면, GPT-4o를 사용하기보다 사용 사례에 따라 GPT-3.5 Turbo를 사용할 수 있다. 업무에 적합한 모델을 선택한다는 핵심 아이디어는 SaaS 공급업체가 동등한 품질 수준의 AI 기능을 제공하면서도 매출원가를 줄이는 접근 방식이 될 것이다. 특히 라마와 같은 오픈 소스 모델이 빠르게 개선됨에 따라 SaaS 공급업체에게 더욱 유리하게 작용할 것으로 예상된다.

반복하여 강조하지만, 궁극적인 AI 기능 목표는 차별화된 가치를 창출하는 것이어야 한다. 타사 모델을 간단하게 통합하는 것이 여정의 시작일 수는 있지만, 목표는 이런 접근 방식을 사용하여 독점 데이터를 보유하는 것이다. 모델을 통해 어떤 제안이 나타나는지, 사용자가 제안을 통해 무엇을 하는지 비즈니스 결과에 따라 추적하고 상호 연관성을 파악해야 한다. 그런 다음 이 독점 데이터를 사용하여 모델을 조정함으로써 일반적인 타사 모델에서는 얻을 수 없는 고유의 가치를 제공할 수 있어야 한다.

아이언클래드 (ironcladapp.com)는 고객이 계약서 초안을 작성하고, 협상하고, 서명할 수 있는 디지털 계약 서비스를 제공하는 SaaS 기업이다. 고객이 계약서를 작성할 때 AI 기반 코칭을 받을 수 있는 기능을 제공한다.[4] 초기에는 오픈AI의 모델에 통합하는 것으로 시작했지만, 이제는 사용자가 모델의 제안에 따라 무슨 작업을 수행하고, 어떤 사용자 경험이 계약 체결 시간을 단축하는지와 같은 비즈니스 성과에 대한 귀중한 데이터를 수집하고, 이 데이터를 AI 기능에 다시 되먹임 하여 타사 모델로는 얻을 수 없는 인사이트를 제공한다.

그림 6. 아이온클래드의 AI 기반 계약서 작성 코칭 서비스 (출처: 아이언클래드)

이러한 가치 창출 기능이 제공될 수록 AI 프로바이더들은 전통적인 사용자당 가격 책정 모델에서 벗어나 좀 더 AI 시대에 맞는 가격 모델을 설계 할 수 있게 된다.

마무리

AI 소프트웨어의 가격 모델은 사용량을 제한하지 않는 가치 기반, 볼륨 기반 모델로 전환될 것으로 전망한다. 가치 기반 가격 모델은 본질적으로 사용자에게 제공되는 서비스의 가치에 대한 깊은 이해가 필요하며, 고객과 사용 사례를 신중하게 세분화해야 한다. 잘못된 가격 정책은 제품 내에서 카니발라이제이션이 발생하거나 지불 의향이 높거나 AI 기능을 통해 큰 혜택을 얻는 고객에게 적게 청구되는 일이 발생한다. 그렇기에 고객 그룹을 올바르게 식별하고 세분화하는 일이 우선이며, 그에 따라 각 세그먼트에 제공되는 가치를 보다 정확하게 반영하는 맞춤형 가격 책정 전략을 수립할 수 있다.

오픈AI API 가격 모델을 예로 들면, 사용량과 모델 복잡성에 따라 계층형 가격을 청구한다. 언뜻 보기에 이 접근 방식은 사용량이 많고 복잡도가 높은 모델이 더 많은 가치를 의미한다는 논리적 상관관계를 말하는 것 같으나, 여기에서 중요한 질문을 제기할 수 있어야 한다. 더 많은 쿼리와 더 복잡한 모델을 사용하는 것이 고객에게 제공되는 가치를 나타내는 신뢰할 수 있는 지표인가? '토큰당' 가격이 더 높은 더 복잡한 모델이 특정 애플리케이션에 더 많은 가치를 제공하는 것을 의미하는가?

사용량과 복잡성이 증가하면 공급자의 운영 비용이 높아지는 것은 부인할 수 없는 사실이지만, 이러한 요소를 고객 가치와 직접적으로 동일시하는 것은 오해의 소지가 있을 수 있다. 모델의 복잡성이 본질적으로 모든 사용자에게 더 가치 있는 결과를 보장하는 것은 아니며, 중요한 요소는 그 복잡성이 고객이 직면한 특정 요구나 문제를 해결해 주는지 여부이다.

따라서 쿼리 양이나 모델 복잡성과 같은 비용 중심 요소는 중요한 고려 사항이지만, 가치 기반 모델에서 가격을 결정하는 유일한 요소가 되어서는 안된다. 그보다는 각 고객 세그먼트가 AI 제품에서 가치를 인식하고 도출하는 방식을 보다 총체적으로 이해하는 것이 가장 중요하다. 이를 위해서는 가치 평가를 위한 보다 정교한 지표를 개발하고, 고객과 직접 소통하여 고객의 요구와 AI 솔루션의 혜택을 파악하며, 제공되는 가치에 보다 밀접하게 부합하도록 가격 모델을 지속적으로 개선하는 것이 필요하다.