소프트웨어는 죽는 게 아니라 진화 중이다

 (signalfire.com)
8P by GN⁺ | ★ favorite | 댓글과 토론
  • AI로 코드 생성이 저렴해지며 "기능을 먼저 만들었다"라는 해자가 무너지고, 기능만 잔뜩 쌓아온 소프트웨들은 실시간으로 가치가 재평가(repriced) 되는 중
  • 이제 방어력은 기능 속도가 아닌 고정확도 워크플로우, 독점 데이터, 깊은 기록 시스템에서 나오며,'진짜 기업'으로 인정받는 기준도 높아짐
  • "주말에 Claude로 CRM을 바이브 코딩했다"하는 식의 주장은 코드 생성과 미션 크리티컬 서비스 운영의 차이를 간과하는 것이며, 기업은 코드가 아닌 신뢰(trust) 를 구매함
  • 에이전트는 앱을 대체하는 게 아니라 수직 애플리케이션 내부에 중첩되며, 데이터 모델·권한·감사 추적을 소유한 애플리케이션이 판매·갱신의 주체로 남음
  • 최근 레거시 소프트웨어 시가총액에서 2,850억 달러가 증발하며 SaaS 종말론이 부상했으나, AI 수요는 여전히 공급을 초과하는 실제 매출 기반 시장임

거품 논쟁은 잘못된 질문

  • AI 전체로 보면 거품이 아님. 수요가 공급을 계속 초과 중이고, 일부 포트폴리오 기업은 컴퓨팅 부족으로 고객을 다 받지 못할 정도임
    • 이 수요에는 단순 사용자 수가 아닌 수백억 달러 규모의 실제 매출이 연결되어 있으며, 거품은 이런 형태로 나타나지 않음
  • 다만 거품이 의심되는 곳은 따로 있는데, 바로 후기 단계 밸류에이션에 자본이 몰리는 휴머노이드 로보틱스 분야임
    • 백플립이나 댄스 동작은 보이지만, 경제적으로 가치 있는 작업을 하는 로봇은 아직 없음
    • LLM은 오픈 인터넷이라는 학습 코퍼스 덕에 작동했지만 로보틱스는 동등한 데이터 코퍼스가 없어,
      학습 데이터 출처가 불분명한 연구 문제로 남음 (연구 일정은 벤처 일정과 맞지 않음)
  • 즉 "AI 거품" 질문의 답은 분야마다 다르며, 소프트웨어(SaaS)에 대해서도 "죽었다"는 결론을 곧바로 내릴 게 아니라 주장별로 따져봐야 함

소프트웨어의 죽음에 대한 4가지 주장 (최악부터 최고 순으로 정리)

  • #4: 모두가 자기 소프트웨어를 바이브 코딩할 것

    • "왜 Salesforce에 돈을 내나, 주말에 Claude로 직접 CRM을 바이브 코딩하면 되는데"라는 주장
    • 코드베이스 생성과 미션 크리티컬 서비스 운영은 전혀 다른 일임
      • 바이브 코딩한 담당자가 떠나면 코드베이스 관리 문제가 발생
      • 코드 생성은 SOC2 컴플라이언스, 환각(hallucination) 제어 문제를 해결하지 못함
      • 1998년 작성된 SQL 데이터베이스 통합, 새벽 4시 대시보드 다운 시 가동시간 책임 문제도 해결 못 함
    • 기업은 코드가 아닌 신뢰를 구매하며, AI로 코드 동등성은 쉬워졌으나 신뢰 동등성은 여전히 어려움

  • #3: Claude·ChatGPT 같은 에이전트가 엔터프라이즈 앱을 삼킬 것

    • 바이브 코딩보다 나은 주장이나, 오류 비용이 큰 워크플로우에서는 작동에 회의적임
    • LLM 시스템은 비결정적(non-deterministic) 이며 환각에 취약함
      • 일반 소프트웨어 버그는 재현 가능하지만, 에이전트 실패는 98% 통과하다 결정적 순간에 실패하는 불안정한 테스트와 유사
    • 이메일 초안·문서 요약·마케팅 카피 같은 저위험 작업에는 적합
      • 그러나 에이전트가 필수 필드를 누락하거나 계약 금액을 잘못 기록해 6자리 거래를 잃으면 규칙을 강제하는 시스템이 필요해짐
    • 순수 에이전트 워크플로우 팀은 결국 검증 계층·승인 단계·롤백·감사 로그를 다시 쌓게 됨
      • 이 모든 것을 더하면 결국 에이전트 주위에 SaaS 앱을 재구축한 셈
      • 결과적으로 앱을 대체하는 게 아니라 수직 애플리케이션 내부에 에이전트를 중첩하는 형태
      • 데이터 모델·권한·감사 추적·고객 관계는 애플리케이션이 소유하고, 판매·지원·갱신되는 것은 그 envelope 자체임
    • 모델 신뢰성이 향상되면 더 흥미로워지나 아직 그 단계는 아님

  • #2: 좌석 기반 가격제 소멸이 SaaS 모델을 붕괴시킬 것

    • 전통 SaaS는 데이터·비즈니스 로직·UI 세 계층으로 구성되며, 여기에 네 번째 에이전트 계층(agentic layer) 이 쌓이는 중
      • 인간에게 50석을 팔던 것을 두 에이전트가 UI 없이 처리하면 가격 결정력 문제가 발생
    • 에이전트가 더 많은 일을 하고 고객이 더 큰 가치를 얻으면 이는 실존적 문제가 아닌 가격·패키징 문제임
      • 토큰·성과·하이브리드 사용 모델로 가치 기반 가격(price to value) 을 설계하는 벤더는 살아남음
      • 좌석당 가격에 집착하는 벤더는 고객이 좌석을 자동화하며 무너짐
    • 순수 성과 기반 가격제는 전 카테고리에 깔끔히 적용하기 어려워, 향후 몇 년간 하이브리드 모델(사용량+성과) 이 지배할 전망 (원문 명시)

  • #1: 코드가 저렴해져 기능 해자가 무너짐

    • 가장 진지하게 받아들이는 주장임
    • SAP·ServiceNow·Salesforce의 해자는 수십 년간 누적된 엔지니어링 인력이었음
      • 모든 기능·통합·리포트가 스타트업이 따라잡기 힘든 코드베이스에 흡수되어 있었으나, AI가 그 타임라인을 극적으로 압축함
    • 순수 워크플로우 계층 제품이고 방어 논리가 "먼저 만들었다"였다면 위기 상황임
      • 비즈니스 인텔리전스, 창의적 콘텐츠 생성이 현재 가장 얕은 해자를 가진 영역으로, LLM이 바로 그 작업을 매우 잘함

이제 해자는 어디에 존재하는가

  • 세 가지 방어 요소

    • 오류 예산이 0에 가까운 고정확도 워크플로우: 금융 인프라·헬스케어·규제 컴플라이언스 등
      • 바이브 코딩은 HIPAA 감사나 정산 불일치를 견디지 못하며, 오류 비용 자체가 해자가 됨
    • 독점 데이터 피드백 루프: 고객 사용에 따라 의미 있게 개선되며 경쟁사가 동일 파운데이션 모델로 복제 불가
      • 모델이 아닌 데이터가 자산임
    • 깊은 기록 시스템(systems of record): 레거시 운영에 내장되어 진실의 원천을 소유하고 높은 전환 비용 창출
      • 이들 기업은 AI를 피할 게 아니라 적극 수용해야 하며, 에이전트 계층이 데이터 가치를 더 높임

AI 스택의 현황: 투자처와 비투자처

  • "AI에 투자한다"는 말은 2012년 "소프트웨어에 투자한다"만큼 차별성이 없어짐
  • 네 계층이 존재하며 동일한 자본 배분 대상이 아님

  • 1. 하드웨어

    • 컴퓨팅이 이번 사이클의 제약 요인(binding constraint) 으로 남음
    • Neolabs 같은 기업은 수개월 전 처리되었어야 할 발주(PO)를 기다리는 중
    • 수요는 실재하나 공급이 막혀 있고, 승자는 대부분 상장사거나 이미 규모를 갖춘 곳임 — 시드 투자로 결과가 바뀌지 않음

  • 2. 모델

    • 프론티어 모델은 벤처 사업이 아닌 자본 집약(capex) 사업임
    • 제대로 학습시키는 비용이 소국 GDP에 맞먹으며, OpenAI·Anthropic·Google이 이미 그 게임을 수행 중
    • 정면 공격형 모델 스타트업은 잘못된 싸움을 고르는 것
    • Sciforium처럼 새로운 아키텍처·학습/추론 방식·문제 프레이밍으로 다른 형태를 추구하는 소수 기업만 투자함
      • 기존 강자가 자기 핵심을 잠식해야만 따라할 수 있는 측면 우회(outflanking) 접근이라면 관심 있음

  • 3. 인프라

    • AI가 기존 SaaS 가정을 흥미롭게 깨는 지점임
    • 전통 SaaS는 읽기 중심(read-heavy) 으로, 한 행을 저장하고 수백만 번 조회하는 구조였음
      • AI 워크로드는 이를 뒤집어 학습 파이프라인·에이전트 메모리·벡터 스토어·평가 하니스가 쓰기·업데이트 중심(write-heavy) 이며 레거시가 설계하지 않은 데이터 형태로 작동
    • 양쪽 모두에 적극 투자 중
      • 데이터 계층 자체: PlanetScale, Greybeam — 이 워크로드 형태에 맞춰 OLTP·OLAP 데이터베이스 프리미티브를 재구축
      • 데이터 생성 계층: Preference Model, Moody Pines, Terac — 컴퓨팅 해결 후 실제 병목인 정제·구조화·라벨링된 데이터 공급

  • 4. 애플리케이션

    • 현재 자본 대부분이 투입되는 곳으로, 가치가 실제 구매자에게 도달하는 계층임
    • 의료 코딩·화물 최적화·법률 검토·세일즈 모션·임상 운영 등 이전엔 손댈 수 없던 워크플로우에 AI가 가능해져 표면적(surface area)이 막대함
    • 경쟁이 치열하고 가격 압박이 있으나, 이는 수요가 큰 계층의 특성임
    • 승자는 AI 네이티브 워크플로우를 고정확도 환경·독점 데이터 루프·깊은 기록 시스템 중 하나와 결합한 곳이 될 것

이 시장에서 창업하는 이들에게

  • 하드웨어와 모델은 구조적 우위 없이는 신규 진입자에게 거의 닫혀 있음
  • 인프라는 "AI 워크로드는 챗봇만 붙인 SaaS 워크로드가 아니다"를 내재화했다면 활짝 열려 있음
  • 애플리케이션은 물량이 가장 많고 기준선이 가장 빠르게 상승하는 영역임

  • 시드·시리즈 A 단계 권고

    • "빠르게 출시한다"는 해자 주장은 멈출 것 — 이제 기본 요건임
    • 다른 누구도 얻을 수 없는, 당신만이 축적한 데이터를 보여주세요
    • 고객이 마음대로 빼낼 수 없는, 당신만이 흡수해버린 워크플로우를 강조하세요
    • 오류가 큰 손실로 이어지는 환경에서 당신의 시스템이 제공하는 정확성을 피치하세요
    • 두 대형 애플리케이션 사이에 낀 기능이라면 데드존(dead zone) 에 있음을 인지해야 함
  • 소프트웨어는 죽지 않으나, 비대한 유틸리티형 소프트웨어는 실시간으로 재평가(repriced) 중이며,
    이를 대체할 것은 모델 API로 만든 주말 프로젝트보다 훨씬 어려운 작업임 — 진짜 기업의 기준선이 높아짐

함께 보면 좋은 글 β