2025년 SaaS 공룡들은 어떻게 AI로 가치의 규칙을 다시 쓰고 있는가

• 2025년 AI 시대, SaaS 가격 정책이 정액제와 좌석 기반 모델에서 벗어나 하이브리드, 사용량 기반, 성과 기반 모델로 전환 중
• 정액제 사용 비율은 29%에서 22%로, 좌석 기반은 21%에서 15%로 하락했으며, AI 네이티브 기업의 29%가 매출총이익률 60% 미만을 기록
• 하이브리드 가격 정책은 고정 구독료에 사용량 기반 요소를 결합해 예측 가능한 매출과 AI 인프라 비용을 맞추는 구조로 41%의 높은 채택률
• 성과 기반 가격 정책은 현재 5%만 사용 중이나 2028년까지 25%가 채택 예상, AI 자율 에이전트 확산이 가속화 요인
• 사용량 기반 가격은 API, 인프라, 개발자 툴, 에이전트 서비스에서 자연스럽게 쓰이지만, 변동성·예측 가능성·깜짝 요금 청구라는 위험 때문에 많은 기업이 기본 구독 + 사용량 레이어 형태의 혼합 구조로 설계하는 추세
• 가격 정책은 단순 수익화를 넘어 투자자에게 제품 가치와 확장성을 입증하는 전략적 내러티브로 진화중

---

1. 정액제·좌석 기반 가격의 붕괴: 예측 가능성이 부채가 된 이유

• 20년간 SaaS 업계를 지배했던 정액제와 좌석 기반 가격 정책이 AI로 인한 가치 불일치로 급격히 쇠퇴
  • 정액제는 29%에서 22%로, 좌석 기반은 21%에서 15%로 사용률 하락
  • AI 네이티브 기업의 29%가 기존 SaaS의 80-90% 대비 매출총이익률 60% 미만 기록
• AI 워크로드의 비용 변동성이 정액제 모델 붕괴의 핵심 원인
  • OpenAI 고급 모델은 단일 고맥락 쿼리 처리에 최대 3,500달러의 컴퓨팅 비용 소요
  • 파워 유저의 고비용 쿼리가 야간 인프라 비용을 급증시키는 상황 발생
• 좌석 기반 가격 정책은 AI 에이전트가 다수 인력을 대체하면서 역설적 상황 발생
  • Cursor는 단 60명의 직원으로 2억 달러 ARR 달성, 수익이 인원수와 무관하게 확장
  • Klarna는 AI 에이전트 도입 후 직원당 매출 2배 증가
• 기존 가격 정책은 접근성 대신 실제 사용량이나 성과에 기반한 유연한 구조로 전환 필요

2. 하이브리드 가격이 새로운 표준이 된 구조

• 하이브리드 가격 정책이 41%의 SaaS 및 AI 네이티브 기업에서 주요 모델로 채택
  • 고정 구독료와 사용량 기반 요소를 결합한 툴킷 방식
  • 기본 요금 + 사용량 초과분, 계층 + 사용량 추가 요금, 크레딧 기반 등 다양한 형태 혼합
• 하이브리드 모델의 핵심 장점은 예측 가능성과 확장성의 균형
  • 재무팀에 안정적인 기본 수익 제공, GTM 전략에 확장 레버 제공
  • 사용량 측정이 AI 인프라 비용과 수익을 연동, 고객에게 저위험 진입점과 가치 기반 확장 허용
• 주요 기업들의 하이브리드 모델 적용 사례
  • Monday.com: 플랜에 AI 크레딧 포함, 초과 사용량 판매
  • Clay: 좌석 제한 제거, 사용량과 고급 기능으로 수익화
  • OpenAI: 고정 구독에서 크레딧 + 업셀 번들 하이브리드로 전환
  • Retool: 전통적 플랜 위에 사용량 애드온 레이어 추가
• 하이브리드 모델의 리스크는 "만능 라벨"처럼 보이는 것에 의한 복잡성 증가
  • 좌석 계층 + 사용량 계층 + 애드온 번들 + 상한선과 초과 요금이 중첩되면 고객은 “정확히 무엇에 대해 돈을 내는지” 이해하기 어려운 상태가 됨
  • 제대로 설계된 하이브리드는 유연성과 명료성의 균형을 제공하지만, 잘못 설계되면 예외 조항과 각주 투성이의 불신을 부르는 가격 체계가 될 수 있으며, 투명성이 신뢰의 핵심인 시대에 이런 불신 비용은 치명적인 약점

3. Outcome-Based Pricing(성과 기반 가격)의 실전 도입과 CAMP 프레임워크

• 성과 기반 가격 정책(OBP)은 사용량이 아닌 결과에 대한 과금 방식
  • 현재 5%만 사용 중이나, 2028년까지 25%가 채택 예상
  • AI 네이티브 스타트업이 기존 기업 대비 4배 높은 OBP 배포율 기록
• AI 시스템이 측정 가능한 성과를 생성하면서 OBP 실행 가능성 증가
  • 지원 티켓 해결, 적격 리드 생성, 법률 문서 작성 등 명확한 성과 측정 가능
• Intercom의 Fin이 대표적 OBP 사례
  • 지원 좌석이나 챗봇 사용량 대신 해결당(per-resolution) 과금
  • 문의 해결 실패 시 요금 청구 없음, "지원 에이전트 역할을 하므로 그렇게 가격 책정"
• OBP 채택을 막는 CAMP 프레임워크의 4가지 장애 요인
  • 일관성(Consistency): 고객마다 다른 사용 방식과 가치 기준, 균일한 성과 정의 어려움
  • 귀속성(Attribution): 제품이 결과를 유발했다는 명확한 증명 필요, 다중 기여자 환경에서 모호성 발생
  • 측정 가능성(Measurability): 성과 측정에 내부 시스템 통합이나 주관적 보고 필요, 고객이 지표를 신뢰해야 과금 가능
  • 예측 가능성(Predictability): 구매자와 공급자 모두 예측 필요, 성과량 변동이 크면 청구 불안정, 최소·최대값 설정 필요
• 대부분 기업이 OBP를 장기 목표로 설정, 소수 고객 테스트 후 점진적 확대
  • 먼저 성과 측정, 신뢰와 귀속성 구축 후 데이터가 확실할 때 OBP 전환

4. 사용량 기반 가격: 확장성은 크지만 만능은 아닌 구조

• 사용량 기반 가격 정책은 "사용량에 비례한 과금" 방식으로 AI 제품에서 주목
  • 가치 단위가 명확하고 반복 가능하며 확장 가능할 때 효과적
• 사용량 기반 모델이 적합한 영역
  • 토큰 기반 API (OpenAI, Anthropic)
  • 개발자 플랫폼 (Vercel - 대역폭, 빌드 시간, 요청 기반 과금)
  • 자율 AI 에이전트 (Bolt.new - 사용량 폭증 후 토큰 기반 청구로 전환)
  • 결제 인프라 (Stripe - 거래당 과금이 고객 성장과 직접 연동)
• 효과적인 사용량 가격 정책 설계 원칙
  • 가치 인식과 사용량 연동: API 호출 수가 아닌 전송된 이메일 수나 결과로 과금
  • 예상치 못한 청구 방지: 명확한 사용량 대시보드, 임계값 알림, 지출 상한 설정 제공으로 투명성 확보
  • 크레딧이나 계층으로 예측 가능성 유지: 선불 크레딧, 사용량 계층, 최고 수위 가격 모델로 유연성과 예측 가능성 균형
• 사용량 기반 모델의 변동성 문제
  • 공급자 측: 월별 수익 변동으로 예측 어려움, 투자자 입장에서 초기 단계 예측 난이도 증가
  • 구매자 측: 지출 예측 불가로 대규모 선불 약정 어려움, 비용 민감 고객 이탈률 증가 및 조달팀 반발
• 대부분 AI 기업이 사용량 가격을 레이어로 활용, 전체 모델로 사용하지 않음
  • 기본 구독료(접근) + 사용량 요금(고부하 작업)의 하이브리드 구조로 업셀 잠재력 유지

5. Agentic vs Assistive AI: 가격 전략을 가르는 두 갈래

• AI 수익화에서 자율형(Agentic)과 보조형(Assistive) 제품의 명확한 분리 발생
  • 자율형 AI: 최소한의 인간 개입으로 작업 수행 (지원 티켓 처리, 아웃바운드 이메일 생성, 법률 문서 작성)
  • 보조형 AI: 인간 워크플로우 향상, 사람이 항상 루프에 포함 (작문 제안, 코드 자동완성, 문법 교정)
• 자율형 AI = 성과 기반 또는 작업 기반 가격 정책
  • AI가 작업 전체 책임 시 결과당 과금이 적합
  • Intercom의 Fin 외에도 Adept(기업 시스템 전반 에이전트), Jasper(마케팅 콘텐츠 완전 작성) 등이 작업 기반 청구 채택
  • 사용자나 좌석당 과금은 무의미, AI가 곧 사용자
• 보조형 AI = 사용량 기반 또는 계층형 가격 정책
  • AI가 인간 작업 증강 시 사용량 기반 또는 기능 계층 가격 적합
  • GitHub Copilot: 개발자 좌석당 과금 (코딩 워크플로우 통합)
  • Grammarly: 고급 제안, 톤 기능, 비즈니스 협업 수준에 따른 계층 가격
• 잘못된 모델 선택 시 수익화 실패
  • 자율형 AI에 좌석당 과금 시 고객 인원 감축으로 TAM 축소
  • 보조형 도구에 성과 기반 과금 시 모호한 귀속성으로 구매자 반발
• 제품을 자율형 또는 보조형으로 명확히 정의하면 가격 논리가 자연스럽게 도출

6. 행동(Behavior) 기반 수익화: 새로운 PLG 프론티어

• 기존 PLG는 사용량 제한 업그레이드 방식 (대시보드 10개, 연락처 500개, 100MB 저장 등)
• 현재 PLG 리더들은 행동 기반 수익화로 전환 중
  • 임의 한도가 아닌 사용자의 참여, 성장, 가치 추출 방식에 따른 가격 책정
• 행동 기반 수익화의 핵심 메커니즘
  • 사용자가 일정 수의 작업 자동화 또는 첫 100개 인보이스 전송 후 프리미엄 기능 잠금 해제
  • 팀이 새 통합 추가 또는 부서 전반 사용 확장 시 업셀 넛지 트리거
  • 고급 워크플로우 사용, 협업자 초대, 성공 지표 초과 등 깊은 채택 행동 시 상위 계층 이동
• Notion, ClickUp, Clay 등이 사용자 마일스톤 추적 및 가격 넛지 적응 선도
• 행동 기반 수익화의 필요성
  • 정적 계층은 오늘날 파워 유저에게 너무 일반적
  • 월 50개 AI 워크플로우 사용 마케팅팀과 1개 워크플로우 사용 1인 창업자는 다르지만, 전통 가격 정책에서는 동일 플랜 가능
• 행동 기반 수익화는 실제 전달 가치에 가까운 가격 책정 가능
  • 사용자가 더 많은 비용 요청 시점과 이유를 직관적으로 이해
  • 장벽이 아닌 자연스러운 진행 느낌 제공

7. 전략적 수익화 = 투자 유치 내러티브

• 초기 단계 창업자에게 가격 정책은 내러티브 무기
  • 최고의 GTM 팀은 가격 전략을 제품 전략의 연장선으로 취급
• 스마트한 가격 모델은 여러 차원의 강점 강조
  • 평가 동인: 강력한 순 달러 유지율(NDR), 짧은 CAC 회수 기간, 인프라 비용 상승에도 개선되는 매출총이익
  • 경쟁 해자: 성과 연동 및 독점 귀속 논리 활용 가격은 복제 어렵고 방어 용이
  • 확장성: 제품 성숙도와 고객 사용량에 따라 성장하는 유연한 하이브리드 또는 성과 기반 모델
• 투자자의 핵심 질문
  • "가격이 가치를 얼마나 잘 추적하는가? 채택과 함께 어떻게 진화하는가? AI 중심 세계에서 마진을 어떻게 보호하는가?"
• AI 네이티브 스타트업의 경우 특히 중요
  • 제품이 작업 자동화 또는 측정 가능 결과 제공 시 가격이 이를 반영해야 함
  • 그렇지 않으면 제품 약속과 GTM 실행 간 단절 신호
• ARR 기반 가격 성숙도 로드맵
  • 0-1M ARR: 단순 정액제 또는 계층
  • 1-5M ARR: 사용량 추적 추가
  • 5-20M ARR: 하이브리드 모델, 고급 계층
  • 20M+ ARR: 성과 기반 실험, 엔터프라이즈 맞춤
• 2025년 가격 정책은 모든 투자자 메모의 1면 기사, 제품 지능을 반영하지 못하면 투자자가 주목

8. 미래: 접근(Access)에서 사용량(Usage), 그리고 결과(Outcome)로

• SaaS 가격 정책은 기능 패키징을 넘어 제품 가치 창출 방식과 비즈니스 포착 방식의 일치로 진화
  • 정적 소프트웨어 시대: 정액제와 좌석 기반 (가치가 인원수와 확장)
  • AI 기반 제품 시대: 사용량 기반 (컴퓨팅과 API 호출 처리에 적합)
  • AI 자율화 시대: 성과 기반 (수익이 활동이 아닌 결과와 연동)
• 선도 SaaS 기업들은 소프트웨어 접근이 아닌 성공을 판매, 그에 맞게 과금
• 최고의 팀은 가격을 제품처럼 지속 실험
  • 반복, 테스트, 개선
  • 소유권 할당, 청구 설계를 GTM 전략과 통합
  • 다중 모델 가격 정책이 표준이 될 세계 대비
• AI 시대의 가격 정책은 비즈니스 모델을 넘어 신뢰 계약, 성장 레버, 전달 가치 이해도의 명확한 신호