- 기반 모델에 단일 기능을 얹은 AI 래퍼의 일시적 우위가 사라지면서, 초기 스타트업은 전체 워크플로와 가치사슬을 소유하는 수직 통합형 사업으로 이동하고 있음
- 첫 번째 전략은 도메인 지식과 작업 오케스트레이션을 결합해, 기반 모델의 원시 지능만으로는 얻기 어려운 산업 현장의 결과를 만드는 것임
- 두 번째 전략은 기존 기업에 AI 소프트웨어를 판매하는 데 그치지 않고, 영업·심사·운영을 자동화 중심으로 재구축해 고객 경험까지 개선하는 방식임
- 세 번째 전략은 파편화된 산업 데이터를 통합하는 기록 시스템을 확보한 뒤, 업무 처리와 의사결정까지 맡는 행동 시스템으로 확장하는 것임
- 대형 기존 기업은 프런티어 연구소와 직접 협력할 수 있지만 비용·독점 지식 공유·조직 이해관계에 제약이 있으며, AI 네이티브 스타트업은 시장 진출과 고객 경험에 집중하는 수직화로 방어력을 구축할 수 있음
단일 기능 AI 래퍼의 부상과 쇠퇴
- ChatGPT 등장 후 창업자들은 카피라이팅, 고객 서비스, 법률 조사, 영업처럼 사람이 하던 개별 작업에 모델을 결합하고 구독료나 작업 대가를 받는 제품을 만들었음
- Jasper는 2022년 기업가치 15억 달러로 1억2,500만 달러를 조달했지만, 1년 이내에 2023년 ARR 전망을 최소 30% 낮추고 감원을 진행했으며 공동창업자 2명이 모두 물러남
- 이후 비전을 ‘마케팅 운영체제’로 재정립함
- 단일 작업 도구를 만든 기업은 기반 모델의 기능이 비슷한 수준에 머물 것이라고 전제했지만, 프런티어 연구소가 모델을 직접 제품화하면서 이 전제가 무너짐
- Anthropic은 Claude Code와 Claude Design처럼 2년 전이라면 래퍼로 분류됐을 도구를 직접 제공함
- 공개된 수치에 따르면 Anthropic의 연환산 매출은 1월 140억 달러에서 5월 470억 달러를 넘어섰으며, 기업 수요가 성장을 주도함
- 특정 작업을 뜻하는 ‘AI for X’는 지속 가능한 제품 전략이 아니라 일시적 우위에 가까웠음
- 네트워크 효과나 수직 산업 전문성이 없는 범용 에이전트 역시 ‘래퍼 2.0’이 될 수 있음
살아남은 기업은 서비스 전체를 소유함
- 성과를 내는 기업은 모델 위에 AI 도구를 얹는 대신, AI를 서비스 제공 메커니즘으로 삼고 서비스에 필요한 전체 워크플로를 소유하는 방향으로 출발함
- EvenUp은 광범위한 법률 AI가 아니라 개인 상해라는 좁고 전문적인 분야에서 시작함
- 2,000곳 이상의 로펌이 플랫폼을 사용하며, 미국 상위 100개 개인 상해 로펌 중 20%가 고객임
- ARR은 전년 대비 두 배로 늘었고, 2025년 10월 기업가치 20억 달러 이상으로 Series E에서 1억5,000만 달러를 조달함
- 기업가치는 1년이 되기 전에 두 배 이상 증가함
- Further AI는 보험, Blitzy는 기업용 소프트웨어 개발에서 같은 접근법을 취함
- 경쟁력은 모델·데이터·사용자 경험 중 하나만으로 만들어지지 않음
- 전체 워크플로, 도메인 지식, 사례나 코드베이스마다 축적되는 데이터, 복잡한 산업에 진입해 판매하는 역량이 함께 작동해야 함
- 과거에는 지능 자체가 판매 대상이고 래퍼는 보조 구조물이라고 봤지만, 이제는 워크플로·데이터·영업 파이프라인을 포함한 공장 전체가 제품이 됨
접근법 1: 원시 지능을 넘어 복잡한 워크플로를 소유함
- Blitzy는 Fortune 500 기업을 위한 맞춤형 소프트웨어를 개발하는 AI 플랫폼이며, 최근 기업가치 14억 달러로 2억 달러를 조달함
- 기업용 소프트웨어 시장에는 두 가지 선택지가 있었음
- Cursor나 Codex 같은 도구를 만들어 대규모 외주 개발 인력에 판매함
- 외주 인력 자체가 필요 없도록 AI를 서비스로 만들어 기업에 직접 판매함
- Blitzy는 두 번째 방식을 택함
- 2024년에는 OpenAI나 Claude의 모델이 모든 문제를 해결해 스타트업이 경쟁하기 어려울 것이라는 시각이 있었음
- 실제 기업 환경에서는 회사 전체 코드베이스의 지식 그래프, 작업을 작은 단위로 나누는 기능, 각 작업에 가장 적합한 모델을 호출하는 오케스트레이션 계층이 프런티어 연구소 제품보다 좋은 결과를 냄
- 코드베이스 주변 맥락을 파악하는 시스템으로 SWE-Bench Pro 66.5% 를 기록해 1위에 오름
- 원시 지능이 핵심 공학·시스템 병목을 해결하더라도 산업 현장에서 작동하도록 운영화하는 과정은 필요하며, 전체 워크플로의 수직 통합이 그 역할을 맡음
접근법 2: 기존 사업을 자동화 중심으로 다시 설계함
- Tomo는 모기지 업체에 AI 소프트웨어를 판매하는 대신, 대출 심사와 모기지 취득 과정 자체를 AI 중심으로 재구성함
- 영업·심사·운영 전반에 자동화를 적용해 대출 담당자 1인당 생산성을 경쟁사보다 높이고, 이를 소비자에게 더 좋은 금리로 연결함
- 현재 주택 구매자의 77%가 전통적인 제공업체보다 Tomo에서 더 좋은 금리를 받음
- 더 좋은 금리를 받은 구매자 비율: {p:77}
- 기존 워크플로에 소프트웨어를 끼워 넣는 것보다 산업을 처음부터 다시 설계하는 편이 더 나은 고객 경험으로 이어질 수 있음
- 소폭의 소프트웨어 개선은 애초에 해당 기술을 위해 설계되지 않은 시스템 안에서 영향이 제한될 수 있음
- 기존 조직에 워크플로 변경을 설득하는 대신 사업을 직접 재구축하고, 그 자원을 고객 경험 개선에 사용할 수 있음
- 기존 기업은 기존 사업 모델과 조직을 스스로 파괴해야 하므로 이런 방식을 택할 가능성이 매우 낮음
- SaaS 시대에는 기존 워크플로 안으로 소프트웨어를 도입하는 전략이 효과적이었지만, AI는 전통 산업을 자동화 중심으로 재구축하고 내부 도입보다 고객 경험에 집중할 수 있게 함
접근법 3: 기록 시스템에서 행동 시스템으로 확장함
- Seso는 미국 농업 분야의 인사 기록 시스템을 구축함
- 미국 농업 인력의 상당 부분을 뒷받침하는 H-2A 비자 절차는 로펌, Microsoft Office 제품, 종이 문서에 분산돼 있었음
- Seso는 이를 하나의 중앙 데이터베이스로 통합해 농장이 계절 노동자를 일반 기업의 직원처럼 관리하도록 지원함
- AI 도입 후 단순한 ‘디지털 서류함’에서 행동 시스템으로 전환함
- 직원 물류를 관리하고 사업 인사이트를 생성하며 노동 관련 의사결정까지 수행할 수 있도록 플랫폼을 재정비함
- 기록 시스템을 확보한 기업은 축적한 정보를 기반으로 실제 작업을 수행하는 시스템까지 확장할 수 있음
- 같은 접근법을 적용하는 사례로 레크리에이션 분야의 Rec과 장기 의료 분야의 Veras가 있음
기존 기업과 AI 네이티브 서비스의 경쟁
- 대형 로펌 같은 기존 기업은 AI 네이티브 경쟁사에 내부 전문 지식을 넘기지 않고 프런티어 연구소와 직접 협력해 자동화를 내재화할 수 있음
- Freshfields는 맞춤형 도구 개발을 위해 Anthropic과 제휴함
- 이 전략은 Big Law나 주요 금융기관처럼 규모가 큰 기업에 주로 열려 있으며, 이들에게도 프런티어 연구소와의 협력 비용이 지나치게 클 수 있음
- Uber와 Microsoft 사례처럼 LLM 토큰 비용이 커지고 있으며 고가의 AI 엔지니어 비용도 추가됨
- 협력이 성립하려면 산업 기존 기업은 장기 가치가 제한적일 수 있는 독점 지식을 감추려는 태도를 완화하고, 프런티어 연구소는 가격 결정력을 과도하게 행사하지 않아야 함
- 합의하더라도 자동화는 기존 기업이 수행하는 여러 기능 중 하나일 뿐, 핵심 사업의 초점은 아님
- AI 네이티브 서비스는 프런티어 연구소에 대한 의존을 상대적으로 줄이고, 시장 진출(GTM)과 고객 경험 개선에 집중할 수 있음
- Tomo는 전통 모기지 업체가 프런티어 연구소와 협력하더라도 더 저렴하고 간소한 고객 선택지를 유지함
- 이 선택지는 기존 기업의 이해관계와 직접 충돌하므로 경쟁을 없애지는 못해도 범위를 제한할 수 있음
AGI 시대를 겨냥한 수직화
- 다음 세대 스타트업은 ‘가치사슬의 모든 부분을 어떻게 소유할 것인가’를 중심으로 사업을 설계해야 함
- 수직적 사고는 AGI 전환기에도 유지될 수 있는 방어력 가운데 하나임
- 원시 지능이 새로운 혁신을 가능하게 하더라도, 이를 실제 운영에 적용하고 고객에게 전달하는 과정은 여전히 필요함
- 초기부터 전체 산업과 워크플로를 소유한 창업자는 AI 하이퍼스케일러 시대에도 지속 가능한 위치를 구축할 수 있음
- 바이오와 딥테크처럼 실행 자체가 고도로 전문화된 분야에서는 전문 실행력이 별도의 진입 장벽으로 남아 있음