- GrubMarket에 인수된 Butter 창업자가 2020년부터 5년간의 경험을 정리한 글
파트1 : 하지 말아야 할 것들
시작점: 팬데믹과 디지털 전환의 기회
- 2020년 팬데믹 기간, 식품 산업의 디지털 전환 가능성을 보고 Butter 설립.
- 발견한 문제:
- 셰프들은 여전히 수기로 작성하는 주문서와 전화/문자를 이용한 재래식 방식 선호
- 도매업체는 낡은 기술(1990년대 ERP, 엑셀 재고 관리, 종이 수표 결제)에 의존
- 솔루션 계획:
- 핵심 워크플로우를 캡처하고 '기록 시스템' 역할을 할 수 있는 올인원 클라우드 기반 ERP로 핵심 워크플로 디지털화
- 결제, 대출, 급여 등 금융 서비스를 통합하여 고객 가치를 극대화(ACV)
- 셰프와 도매업체 모두를 위한 원활한 커뮤니케이션 프로세스를 도입, DoorDash 스타일의 주문 앱으로 플랫폼 네트워크 효과 생성
((유니콘 기업으로 급부상한 또 다른 주문 앱인 Choco의 영향을 받음)
하지만 실패
- 당연히 성공할 줄(no-brainer) 알았지만, 우리가 완전히 틀렸음
함정 1: 기술적 복잡성과 과도한 커스터마이징
- ERP 구축이 단순할 것이라 생각했지만, 실제로는 고객마다 서로 다른 요구사항으로 인해 개발 리소스 고갈
- 예: 키보드 단축키, 데이터 입력 화면 레이아웃, 특정 송장 형식
- 결과: 확장성이 없는 커스터마이징 의존 제품으로 변질
함정 2: 긴 영업 주기
- ERP 시스템 전환은 복잡하고, 많은 부서의 동의가 필요:
- 고객사들은 현재의 불편함에도 불구하고 전환을 꺼림
- 레스토랑의 바쁜 시즌에는 판매 기회가 제한됨
- 결과: 낮은 거래 성사율(목표치의 20~30% 수준)
함정 3: 낮은 지불 의향과 긴 수익 활성화 주기
- 고객사 대부분이 낮은 이윤(약 5%)으로 운영:
- QuickBooks에 월 $80 지불하던 고객들에게 ERP 업그레이드 비용은 부담됨
- 추가적인 핀테크 및 주문 앱 매출도 활성화에 긴 시간이 소요
함정 4: 지나치게 많은 실험
- 초기 단계에서 여러 수익 모델과 네트워크 효과를 동시에 시도:
- 단일 성공 사례를 확보하지 못한 상태에서 과도한 전선 확장
- 결과: 팀 번아웃과 낮은 반복 실험 속도
뼈 아프게 얻은 교훈
- Butter를 운영하면서 많은 자부심을 느낀 순간들이 있었음:
- 새벽 2시에 일어나 창고에서 잠을 자며 성공적인 온보딩을 위해 노력
- 고객이 사랑한, 복잡하지만 직관적인 소프트웨어 구축
- 체계적인 구현 가이드 개발
- 하지만 확장 가능한 벤처 비즈니스 구축에는 실패
- 교훈 1. 아이디어를 고차원적인 가설에만 의존하지 말 것:
- 창고, 현장, 후방 작업자와 직접 소통하며 실질적인 통찰력을 얻어야 함
- "진리 탐구"를 목표로 이야기 나누기, 기존 아이디어를 재확인하려는 대화는 지양
- 교훈 2. 성공적인 제품 구축을 위해 필요한 요소:
-
문제를 깊이 이해하는 사용자 확보:
- 현재 상태를 유지하는 고통이 변화의 마찰보다 크지 않다면 아무도 시스템을 바꾸지 않음
- 변화는 몇 가지 촉매만으로 충분히 이루어질 수 있음
-
충분한 지불 능력:
- 고객이 솔루션을 감당할 재정적 여유가 없다면 제공하는 가치로는 회사의 수익을 유지할 수 없음
-
기존보다 10배 나은 제품 경험:
- 고객이 전통적일수록 더 극적인 개선 필요
- 고객이 오랫동안 기존 방식을 유지해온 이유를 해결하는 방식으로 접근
-
단순함의 중요성:
- 초기 제품은 간단하고 쉽게 채택할 수 있어야 함
- 예: 화려한 일본식 비데를 파는 대신 기본적인 배관 문제 해결에 집중
- 교훈 3. 비즈니스 모델과 SaaS 성공 조건:
- 거래 규모와 영업 주기(딜 속도)가 균형을 이뤄야 함.
-
David Sacks의 "The Difficulty Ratio":
- 고액 ACV(Annual Contract Value)와 낮은 거래 속도 또는 그 반대의 조합은 가능
- 그러나 ACV가 낮고 거래 속도가 느리면 실패 확률이 높음
-
Butter의 경우:
- 추가 수익원에도 불구하고 낮은 거래 속도와 낮은 ACV 구간에 속함
- 특히 전체 수익 활성화 주기까지 거래 속도가 매우 느림
마지막 생각
- 돌이켜보면, 전통적인 관행과 낡은 기술에 의존하는 산업에서 수직 SaaS를 구축하는 복잡성을 과소평가했음
- 디지털 솔루션만으로는 채택을 유도하기에 충분하지 않았음
- 대신, 기존 방식보다 획기적인 개선 효과를 제공해야 하며,
- 고객이 이해할 수 있는 방식으로 이를 전달해야 함.
-
즉각적으로 적합하다는 인상을 주지 못하면, 고객은 익숙한 기존 방식을 고수하게 됨
-
교훈: 기존 워크플로를 존중하면서 실질적인 가치를 증명하는 접근이 성공의 핵심
출발점: 전통적인 방식과의 충돌
- 초기 시도:
- 전자상거래를 통한 도매업체의 주문 입력 프로세스 현대화를 목표로 도구 개발
-
문제:
- 셰프들은 여전히 전통적인 방식(전화, 문자)을 선호하며 디지털 시스템에 쉽게 적응하지 못함
- 새로운 시스템은 기존 방식을 완전히 대체할 만큼 충분한 가치를 제공하지 못함
- 고객 의견 청취:
- 활성 사용자, 이탈 사용자, 앱 반대자 등 다양한 고객군과 인터뷰 진행
- 앱을 통한 주문이 전화/문자/이메일 대비 10배 나은 경험이 아니라고 판단:
- 실시간 제품 가용성과 배송 상태에 대한 가시성이 부족
- 도매업체의 어려움 파악:
- 도매업체는 여전히 수시간에 걸친 매뉴얼 주문 입력에 시달림
- AI 도입 아이디어:
- 비정형 데이터를 처리할 수 있는 대규모 언어 모델(LLMs)이 적합
- AI를 통해 복잡한 작업 자동화 가능
- 전 세계 데이터의 약 80%가 비정형 데이터라는 점에서 패러다임 전환의 가능성을 봄
- 전략 전환:
- 공급업체와 운영자를 완전히 디지털 워크플로로 강제하지 않음
- 대신, 기존 프로세스를 보완하는 AI 기반 도구 (예: Butter’s AI Order Assistant) 개발:
- 기존 워크플로에 자연스럽게 통합되도록 설계.
- 기술적으로 뒤처진 식품 유통 산업을 현대화할 수 있는 실질적 솔루션으로 자리 잡음.
AI로의 전환: 단순 약속이 아닌 실질적 구현
- AI 성공의 핵심:
- "더 세련된" 제품이 아닌, 사용자의 작업을 실제로 완료하는 제품이 필요
-
AI Order Assistant:
- 셰프와 도매업체가 기존 프로세스를 바꾸지 않아도 되는 방식으로 설계
- 기존 워크플로에 자연스럽게 통합
- 자연어 처리 기반 주문 관리:
- 음성 명령이나 문자 메시지를 처리할 수 있는 AI로 프로세스를 단순화
- 전면 시스템 교체가 아닌 추가 도구(add-on)로 제공:
- 빠르게 도입 가능
- 기존 "디지털 전환"의 복잡한 문제를 회피
- 고객 온보딩 과정:
- 이메일 및 음성사서함 데이터를 ERP와 연계해 구조화된 구매 주문 데이터로 변환
- 셰프의 선호도(예: "2박스의 새우")를 디지털 시스템에 저장:
- 과거 주문 패턴과 주문 가이드를 활용해 제품 변형을 정확히 이해.
- 예: "4-6 Tiger Shrimp Frozen"인지 "16-20 EZ Peel Shrimp"인지 AI가 구분
- 사용자 피드백 반영:
- AI 모델의 100% 정확성을 기대하지 않음:
- 광범위한 UX 인터뷰를 통해 사용자가 AI 출력 수정 가능
- ERP의 단축키를 활용해 키보드 입력으로 모든 작업 가능하도록 설계
-
결과:
- 주문 처리 시간이 96% 이상 단축
- 백오피스 직원의 고부가가치 작업(품질 관리, 고객 관계 관리)으로 전환 가능
-
GrubAssist로 확장:
- GrubMarket에 인수 후, AI Order Assistant를 GrubAssist로 확장
- 기존 ERP 시스템에 자연어 기반 비즈니스 인텔리전스 및 분석 공.
- 식품 산업의 기존 워크플로를 방해하지 않고 매끄럽게 통합
-
기존 워크플로와의 통합이 AI 성공의 열쇠. 복잡한 전환 없이 쉽게 적용 가능해야 함.
LLM 제품 개발에서 얻은 교훈
-
기술적 한계를 고려한 설계:
- LLM은 강력하지만 여전히 신뢰성과 속도 면에서 한계가 있음.
-
효과적인 설계로 한계를 보완:
- 예: 레스토랑/소매업체는 주문을 다음 날 아침 처리하므로, 백그라운드 처리를 통해 속도를 희생하고 더 높은 추론 능력을 가진 모델 선택 가능.
-
속도를 우선시하고 완벽을 나중에 추구:
- 초기 단계에서는 "완벽한 모델"을 찾는 데 얽매이지 말 것.
- 시장 진입을 위한 간단한 기술(예: RAG) 활용:
- 적절한 맥락을 제공하면 간단한 방법도 강력하게 작동.
- 기본 모델이 개선되면 AI 제품 자체도 자동으로 발전.
-
기본을 확실히 다지기:
-
유연한 실험 환경 제공:
- 모듈형 아키텍처 설계로 모델 또는 기능 교체를 쉽게 하고 빠르게 반복 가능.
- 명확하고 정량화 가능한 제품 내 피드백 시스템 통합 필요.
-
인터페이스가 제품 성패를 좌우:
- "완벽한" 모델이 있어도 작업의 20%는 인간 검증이 필요하다는 가정으로 설계.
- 상호작용을 단순하고 직관적으로 만들어 사용자 참여 유지:
-
사용자 검증 과정을 강화하면 제품 개선에 중요한 데이터를 확보 가능.
-
비정형 지식 캡처:
- 전통적인 산업에서는 중요한 정보가 디지털화되지 않고 사람의 기억에 의존.
- 예: 고객 선호도가 영업사원 Joey의 머릿속에만 있다면, 이를 캡처할 수 있는 인터페이스 구축.
- 이러한 통찰력은 모델의 차별화를 강화하고 지속적으로 데이터 우위를 제공.
-
피드백 루프를 통해 정확성 향상:
-
엔지니어링만으로는 한계:
- 사용자 피드백을 제품 내에서 직접 수집할 수 있는 매끄러운 방법 제공.
- 피드백을 튜닝 엔진과 결합해 더 정확하고 맥락적으로 관련된 출력 제공.
기존 시스템과 협력하는 것이 중요
-
현실적인 도전 과제:
- 아무리 뛰어난 AI 솔루션이라도 기존의 레거시 ERP 시스템과 통합되지 않으면 의미 없음
-
레거시 시스템 대체를 시도하면 협업이 어려워짐
-
통합 전략:
- Butter의 경우, EDI(전자 데이터 교환)나 SFTP 파일 교환 같은 방법을 통해 ERP와 통합 필요
- 레거시 시스템은 깊이 뿌리내려져 있어 설득과 아키텍처 설계가 복잡
-
성공 전략:
- 기존 제품을 개선하는 추가 도구(add-on) 제공:
- 고객이 기존 인프라를 유지하면서 AI의 이점을 활용할 수 있도록 지원
- 기존 네트워크를 강화하며 사업과 인프라 제공자 모두에게 AI가 순기능임을 강조
-
급박한 상황:
- AI 전문성이 빠르게 확산되고, 느리던 전통 서비스 제공자들도 AI를 도입 중
-
빠르게 실행하고 기존 플레이어와 협력:
- 올바른 전략과 차별화된 접근 방식으로 시장에 대응해야 함
-
새로운 소프트웨어 접근에 대한 경고:
- "통합 및 포위(integrate and surround)" 방식의 신제품:
- 특정 비즈니스 영역(예: 현장 영업)을 완전히 자급자족형으로 구축
- 비용/수익 구조를 유리하게 변경
- 이러한 동향을 이해하고 적절한 파트너를 선택하는 것이 중요
-
핵심 교훈
기존 시스템과 협력하며, 전면적인 시스템 전환 없이도 명확한 혜택과 개선점을 제공
-
낮은 리스크와 높은 보상의 추가 도구로 가치를 보여주어 빠른 채택 유도
미래를 위한 통찰
-
전통 산업과 AI의 접점:
- 손으로 작성된 기록이나 오디오 데이터 같은 비정형 데이터에 의존하던 전통 산업이 이제 LLM(대규모 언어 모델)을 통해 현대 기술 솔루션에 접근 가능
- Vertical SaaS(수직 SaaS)가 이러한 산업에서 점차 현실적인 대안으로 떠오르고 있음
- AI를 모든 곳에 적용하려는 유혹이 있지만, 신중한 접근이 필요
-
AI 성공의 핵심:
- 기술 자체가 아닌 제품-시장 적합성(Product-Market Fit) 이 성공의 결정 요인
- AI의 발전은 가능성을 열어주지만, 제품 개발의 기본 원칙은 변하지 않음:
-
사용자와 그들의 요구를 명확히 이해하는 것에서 시작
- 기술은 그 이후에 따라옴
-
주요 교훈:
- AI는 기존 프로세스에 적합하게 통합될 때 가장 효과적
- 기존 방식을 뒤엎으려 하지 말고 자연스럽게 녹아들도록 설계
-
질문:
- "누가 이 기회를 먼저 잡을 것인가?"
- 시간이 지나기 전에 기회를 활용하는 사람이 승리