- AI 애플리케이션 시장은 문제 복잡성과 도입 난이도에 따라 나뉘지만, 지속적인 경쟁 우위는 결국 사용 과정에서 축적되는 데이터에 달려 있음
- 도입이 쉬운 제품은 대규모 사용과 빠른 피드백으로 데이터 플라이휠을 만들 수 있지만, 교체도 쉬워 모델 제공업체와의 자본·데이터 경쟁에 노출됨
- 도입이 어려운 엔터프라이즈 제품은 고객의 시스템과 업무 방식을 학습하며 회사별 데이터 해자를 쌓고, 후발 제품이 같은 전문성을 재현하기 어렵게 만듦
- 코딩 에이전트는 하루 수십~수백 번 발생하는 제안 수락·거절 데이터를 바탕으로 빠르게 발전한 반면, 세밀한 검증 신호가 부족한 슬라이드 생성 분야는 개선 속도가 느림
- 향후 12~24개월에는 SRE·보안 운영처럼 도입과 해결이 모두 어려운 시장에서 승자가 등장할 수 있으나, 평가·구현 기간이 길고 데이터와 검증 신호가 부족해 성공률은 낮을 수 있음
복잡성과 도입 난이도로 나뉘는 AI 시장
- 충분한 인재와 자본, 향상된 모델이 존재해도 AI 에이전트의 성과는 분야별로 크게 엇갈림
- 영업 잠재 고객 발굴과 고객 지원 문의는 정확하게 처리하지만, 고품질 슬라이드는 일관되게 생성하지 못함
- 단순히 쉬운 문제부터 해결된다는 논리만으로는 복잡한 코딩 분야의 에이전트가 가장 빠르게 발전한 현상을 설명하기 어려움
- 코딩 에이전트의 발전은 쉬운 도입이 대규모 데이터 수집으로 이어진 결과임
- 개발자는 별도 승인 없이 약 5분 만에 Cursor로 전환할 수 있었음
- 사용 데이터가 제품 경험을 개선하는 플라이휠을 만들었고, 현재 필자들의 팀 전체가 코드 생성에 Cursor Composer를 사용 중임
- 시장은 문제 해결과 도입 난이도에 따라 네 영역으로 나뉨
- 도입과 해결이 모두 쉬움
- 도입은 쉽지만 해결은 어려움
- 도입은 어렵지만 해결은 쉬움
- 도입과 해결이 모두 어려움
- 쉽게 도입되는 제품은 많은 데이터를 확보하는 대신 교체도 쉬움
- 도입이 어려운 제품은 엔터프라이즈 내부에 자리 잡은 뒤 해당 회사의 업무 방식을 학습하므로, 대체하기 어려운 데이터 해자를 확보함
도입과 해결이 모두 쉬운 시장
- 맞춤형 답변을 제공하는 소비자 검색은 2023년부터 예상하기 쉬운 AI 활용 분야였으며, 일반 상식 검색부터 의료 조언까지 폭넓게 확장됨
- 기반 모델 제공업체뿐 아니라 Perplexity와 You.com 같은 신규 사업자도 이 시장에 진입함
- 진입 장벽이 낮아 보이지만 실제로는 가치 함정에 가까움
- 스타트업이 쉽게 구현할 수 있다면 프런티어 모델 연구소도 이미 만들었거나 더 쉽게 만들 수 있음
- 활용 사례가 명확할수록 기존 채팅 애플리케이션에 사용량이 집중됨
- OpenAI, Google, Anthropic은 수백만 건의 사용 데이터를 수집해 해당 분야의 모델을 개선할 수 있음
- ChatGPT Health는 이런 확장의 사례임
- 모델 제공업체는 비용을 보조하고 대규모 사용자 기반으로 새로운 애플리케이션 분야를 빠르게 학습할 수 있어 신규 사업자가 밀려날 가능성이 큼
- 사용자 충성도도 낮아 목적에 따라 여러 채팅 에이전트를 병행하며, 웹 검색 시장과 달리 업체들이 비교적 비슷한 위치에서 경쟁함
- 지배적인 브랜드가 등장한다면 모델 제공업체일 가능성이 큼
도입은 쉽지만 해결은 어려운 시장
- 코딩은 복잡한 문제지만 초기부터 개인 단위 도입이 쉬웠음
- 2023년에도 코드 조각을 ChatGPT에 붙여 넣는 것만으로 가치를 확인할 수 있었음
- 초기 품질은 제한적이었지만 Cursor가 이 과정을 더 간단하게 만듦
- 엔지니어가 IDE를 직접 선택할 수 있어 IntelliJ나 VSCode에서 Cursor로 전환하는 부담도 크지 않았음
- 코딩 작업은 빠르고 세밀한 피드백 고리를 제공함
- 개발자는 하루에 수십~수백 번 코드를 생성할 수 있음
- 제안을 수락하거나 거절할 때마다 향후 모델 개선에 활용할 훈련 데이터가 추가됨
- 이 데이터 플라이휠이 모델 품질의 급격한 향상을 가능하게 함
- 슬라이드 생성처럼 세밀한 피드백 고리가 없는 복잡한 시장은 개선 속도가 훨씬 느림
- 어려운 문제를 해결하려면 토큰 사용량과 기술 인재에 큰 투자가 필요하며, 결국 모델 훈련과 강화학습(RL)까지 요구될 수 있음
- 쉬운 도입으로 확보한 데이터는 이런 심층 투자를 뒷받침하지만, 프런티어 모델 연구소도 널리 쓰이는 생산성 에이전트를 자사 영역으로 간주함
- 이미 코딩 에이전트 시장에서 치열하게 경쟁 중임
- 기존 문서 편집기를 넘어 더 많은 오피스 생산성 도구를 출시할 수 있음
- 대규모 자본 경쟁이 벌어질 가능성이 높아 작은 업체가 막대한 투자 없이 경쟁하기 어려움
- 제품 고착성은 여전히 낮음
- 여러 코딩 에이전트를 동시에 사용할 수 있음
- 더 좋은 슬라이드를 만드는 애플리케이션이 나오면 사용자가 쉽게 이동할 수 있음
- Cursor rules나 브랜드 템플릿 같은 회사별 맞춤 설정은 고착성을 높일 수 있지만, 상호운용성이나 단일 표준이 등장하면 이전이 쉬워질 가능성도 있음
도입은 어렵지만 해결은 쉬운 시장
- 최근 2년간 엔터프라이즈 AI 도입이 가장 활발했던 영역으로, 전자상거래 반품이나 비밀번호 재설정 같은 플레이북을 LLM이 수행하는 사례가 해당함
- 해결이 쉽다는 분류가 제품의 깊이가 없다는 뜻은 아님
- 기업이 즉각적인 AI 성과를 찾으며 명확한 문제부터 도입한 결과, 시장 선도업체의 매출이 빠르게 성장함
- 이 시장에는 두 가지 차별점이 있음
- 고객 지원 티켓이나 IT 헬프데스크 요청을 처리하는 에이전트는 개인이 선택할 수 없으며, 구매위원회가 관여하는 조직 차원의 결정이 필요함
- 활용 사례가 비교적 단순해도 오래된 엔터프라이즈 시스템과의 통합은 어렵고 번거로워, 레거시 시스템을 다룰 수 있는 팀이 크게 앞섬
- 엔터프라이즈 통합 과정에서 고객별 데이터 해자가 형성됨
- 에이전트 데이터는 여러 고객에게 일반화하기 어렵고, 기업이 모델 훈련에 사용하도록 허용할 가능성도 낮음
- 대신 제품은 각 고객이 실제로 일하는 방식을 학습할 수 있음
- 축적된 지식은 전체 제품을 개선하는 동시에 고객별 고착성을 높여, 후발 에이전트가 같은 전문성을 재현하기 어렵게 만듦
- 투자자들은 이 시장의 대형 스타트업을 사실상의 기존 강자로 취급함
- 제품 혁신의 여지는 남아 있지만 작은 스타트업이 Sierra나 Decagon과 경쟁할 이유는 분명하지 않음
- 이들이 조달한 자본이 시장 진출(GTM)에 집중되는지, 코딩 특화 모델 같은 기술적 해자를 만드는지는 불분명함
- 자본이 시장 진출에만 쓰인다면 스타트업들은 비용 경쟁에 의존해야 할 수 있음
도입과 해결이 모두 어려운 시장
- SRE와 보안 운영처럼 복잡한 엔지니어링·운영 워크플로는 네 영역 중 상대적으로 가장 적은 관심을 받음
- 사람이 수시간 또는 수일 동안 수행하는 작업을 해결할 수 있어 잠재 가치는 크지만, 회사마다 워크플로가 달라 평가와 구현이 훨씬 까다로움
- RunLLM의 제품은 이 영역에 집중하며, 다음 성장 단계도 여기에서 나타날 것으로 예상함
- 향후 몇 년간 빠르게 성장할 근거는 세 가지임
- 추론 모델이 복잡한 작업을 계획하고 여러 단계의 해법을 처리할 수 있게 됨
- 문제 해결의 상당 부분은 AI 외부의 워크플로 구축·설정에서 발생하며, 코딩 에이전트가 발전할수록 이 과정이 빠르고 쉬워짐
- 기업은 이미 손쉬운 문제를 적극적으로 처리하고 있어, 남은 과제를 찾으면 더 어려운 문제로 이동하게 됨
- 이 영역의 데이터 해자는 가장 복잡하면서도 잠재 가치가 큼
- 한 회사의 워크플로에 대한 전문성을 쌓으면 다른 제품이 재현하기 매우 어려움
- 제품 교체는 숙련된 엔지니어를 해고하고 신입으로 대체하는 것과 비슷해짐
- AWS 전문 SRE 에이전트처럼 특정 핵심 역량에 대한 전문성을 축적할 기회도 있음
- 코딩 에이전트보다 데이터 양이 적고 결과를 검증하기도 어려워 개선 주기가 훨씬 느림
- 막대한 자금을 조달한 기업도 존재하지만, 해결은 쉽고 도입이 어려운 시장의 선도업체만큼 확고하게 자리 잡았다고 보기는 어려워 장기 경쟁이 남아 있음
변화하는 경계와 UX의 역할
- 네 영역의 경계는 고정되지 않으며, 문제 복잡성과 도입 난이도 모두 달라질 수 있음
- 모델 역량은 몇 달마다 크게 개선됐지만 최근에는 모델 개선이 정체되는 양상이 있어 복잡성 축에 대한 관심은 상대적으로 줄어듦
- 더 큰 변화 가능성은 사용자 경험(UX) 에 있음
- AI 애플리케이션의 UX는 아직 충분히 탐구되지 않은 분야임
- 새로운 UX 패러다임은 사용자가 제품을 도입하는 방식을 바꿀 수 있음
- 웹용 Claude Code는 코딩 에이전트를 브라우저에서 제공해 IDE나 터미널을 부담스러워하는 사용자도 접근할 수 있게 한 사례임
향후 12~24개월
- 향후 12~24개월에는 도입과 해결이 모두 어려운 시장에서 승자가 등장할 것으로 예상됨
- Sierra와 Decagon의 성장처럼 매끄럽게 진행되지는 않을 가능성이 큼
- 평가 주기가 더 길어짐
- 구현이 더 복잡해짐
- 전체 성공률도 더 낮을 수 있음
- 기업이 프로세스를 개선하고 축적된 데이터로 모델 성능을 높이면 이 영역에서 막대한 매출을 창출할 수 있음