이용권  |  고릴라PE 파트너

두당 10만원에서 100그램당 5만원으로

SaaSpocalypse는 SaaS의 종말이 아니다. 평균 가격에 평균 품질을 팔던 비즈니스 구조가 구조적으로 무너지는 현상이다. 다음은 그램 단위로 값을 매기는 비즈니스다. 과금의 문제가 아니라, 비즈니스 설계 자체의 문제다.

 

01 · 뷔페는 뷔페가 망하는 게 아니다

두당 2만원-5만원 무제한 고기 뷔페는 한때 한국 식당가에서 들불처럼 번졌다. 고객은 '본전 뽑자' 심리로 접시를 채우고, 식당은 평균 소비량을 기준으로 가격을 매긴다. 많이 먹는 손님과 적게 먹는 손님이 같은 돈을 낸다. 누구도 완전히 만족하지 못하지만, 누구도 크게 손해 보지는 않는다. 이 구조에서 식당이 경쟁에서 이기는 방법은 하나다. 원가를 낮춘다. 재료의 질을 조금씩 깎는다.

지금 글로벌 SaaS 시장이 딱 이 구조다. 좌석당 월 $25. 많이 쓰는 조직과 가끔 쓰는 조직이 같은 돈을 낸다. 업계 전체가 '평균 사용량'이라는 가상의 고객을 상대로 가격을 매긴다. 경쟁에서 이기려면 기능을 늘리되 단가는 낮춰야 한다. 품질이 아니라 평균값 경쟁이다.

SaaSpocalypse는 이 뷔페가 망하는 것이 아니다. 뷔페라는 비즈니스 모델 자체가 AI 에이전트 앞에서 작동하지 않게 되는 현상이다. 인간 사용자가 없는데 '인간 한 명당'을 기준으로 매기는 가격이 어떻게 성립하겠는가?

 

02 · 그런데 한우집으로 바꾸는 건 쉽지 않다

많은 SaaS 회사들이 해답을 '과금 방식을 바꾸자'로 결론 내리고 있다. 좌석당에서 사용량 기준으로. 그런데 이 전환은 대부분 실패한다. 이유는 간단하다. 뷔페 매장이 갑자기 가격표에 '100 그램당 55,000원' 써붙인다고 고급 한우집이 되지 않기 때문이다.

고객은 냉소적으로 반응한다. '어차피 같은 재료인데 왜 갑자기 더 내?' 과금 방식만 바꿨을 뿐 품질에 대한 인식은 여전히 뷔페 수준이다. 이 상황에서 소비량 과금을 도입하면 고객 반발만 커진다. 매출은 떨어지고 이탈률은 올라간다. 한우집은 과금 구조가 아니라 비즈니스 구조 자체가 다른 것이다.

소비량 과금은 과금 방식이 아니라 비즈니스 구조다. 그램당 값을 매기려면 한 그램 한 그램이 고객에게 가치로 번역되는 구조여야 한다. 이 집을 떠나면 대체재를 찾기 어려워야 한다. 저울이 객관적이어야 한다. 이 세 가지가 동시에 작동할 때 비로소 '쓴 만큼 낸다'가 고객에게 당연한 것이 된다.

 

03 · 한우집이 성립하는 3가지 조건

소비량 과금이 고객에게 자연스럽게 받아들여지기 위한 조건은 세 가지다. 하나라도 빠지면 전환은 실패한다.

 

조건

뷔페에서는

한우집에서는

① 한 점이 곧 가치

접시에 뭘 담든 평균 원가

이 한 점이 특정한 가치 단위로 인식됨

② 이 집 아니면 안 됨

옆 집으로 가도 비슷한 재료

이 집의 숙성도·부위·준비 과정이 대체 불가

③ 저울이 정확함

측정 자체가 무의미 (평균 기준)

그램 단위로 객관적·투명하게 측정

 

세 가지가 모두 있어야 '많이 먹었으니 많이 내는 게 당연하다'가 고객의 직관에 박힌다. 이것이 없으면 아무리 정교한 과금 테이블을 만들어도 고객은 '왜 이렇게 복잡하게 매기냐'고 반발한다.

 

04 · 성공한 한우집 — Snowflake

CASE 1 · 성공

쿼리 한 번 = 비즈니스 인사이트 한 점

Snowflake와 Databricks는 소비량 과금의 교과서다. 세 가지 조건을 모두 갖췄다.

  • 한 점이 곧 가치 — 고객은 '내가 돌린 쿼리 하나가 내 비즈니스 인사이트 하나'로 직관한다. 쿼리를 돌리지 않고 받을 수 있는 인사이트는 없다. 1:1 번역이 된다.
  • Lock-in — Delta Lake·Unity Catalog 위에 쌓인 데이터는 다른 플랫폼으로 옮기는 데 수년이 걸린다. 이 집을 벗어나려면 식재료 전체를 새로 구해야 하는 수준이다.
  • 저울 — Credit 단위로 쿼리가 카운트된다. API로 실시간 조회 가능하고 분쟁 여지가 거의 없다.

 

결과: 한때 NRR 150~160%대를 시현하며 consumption pricing 성공의 교과서로 자리잡았다. 최근 정상화 사이클을 거치며 NRR이 조정되었으나, consumption-native 비즈니스 구조 자체는 여전히 유지되고 있다. AI 에이전트가 쿼리를 자동 실행할수록 매출이 비례해서 늘어난다. AI 확산이 Databricks와 Snowflake에게는 순풍이다.

 

05 · 성공한 한우집 — AWS

CASE 2 · 성공

서버 한 시간 = 서비스 한 시간

AWS는 글로벌 클라우드 인프라 시장에서 30%대 점유율을 유지하며 연 매출 $100B를 넘어섰다. 이 규모는 세 조건이 극단적으로 잘 충족된 결과다.

  • 한 점이 곧 가치 — 엔지니어는 '내 서비스를 돌리려면 서버 시간이 필요하다'를 직관적으로 안다. 이 인식이 수십 년간 개발자 커뮤니티에 뿌리박혔다.
  • Lock-in — IAM, VPC, Lambda, S3 구조가 회사의 인프라 아키텍처 자체가 된다. 멀티클라우드를 외쳐도 AWS 완전 이탈은 대부분 실패한다.
  • 저울 — 초 단위 빌링. AWS Cost Explorer가 산업 표준이 됐다. 얼마 썼는지 분쟁이 거의 없다.

 

핵심은 이것이다. AWS가 처음부터 한우집으로 설계됐다는 것. 뷔페에서 한우집으로 전환한 것이 아니다.

 

06 · 성공한 한우집 — Token Pricing

CASE 3 · 성공

토큰 한 개 = 생성된 지능의 한 단위

OpenAI, Anthropic, Google, NVIDIA의 토큰 과금 구조가 이미 다음 시대의 표준이 되고 있다.

  • 한 점이 곧 가치 — 토큰 한 개가 모델이 생성한 지능의 최소 단위로 인식된다. 개발자 직관에 빠르게 박히고 있다.
  • Lock-in — 한 모델의 API에 맞게 튜닝된 프롬프트, 통합된 RAG 파이프라인, 누적된 컨텍스트 캐시가 워크플로 깊숙이 박힌다. 모델 교체 비용이 누적된다.
  • 저울 — 토큰 카운트는 결정론적이다. 입력·출력 토큰이 정확히 집계된다.

 

Frontier LLM 플레이어들이 구조적으로 유리한 이유 중 하나가 여기 있다. 비즈니스 모델이 처음부터 한우집으로 세팅되어 있다. 좌석 SaaS가 뷔페에서 한우집으로 전환하려 발버둥치는 동안, LLM 플레이어들은 이미 한우집에서 출발했다.

 

07 · 실패한 전환 — New Relic의 함정

CASE 4 · 실패

측정은 됐지만 가치 번역에 실패했다

New Relic은 애플리케이션 성능 모니터링(APM) 분야의 강자였다. 2020년 좌석 기반에서 소비량 기반(Consumption)으로 과금 구조를 전환했다. 결과는 혹독했다. 매출이 급락하고, 주가가 반토막 나고, 2023년 PE 펀드에 $6.5B에 매각됐다.

왜 실패했나. APM의 핵심 가치는 '애플리케이션의 안정성'이다. 그런데 New Relic이 매긴 가격 단위는 '수집한 이벤트 개수'였다. 고객은 자신이 받는 가치(안정성)와 내는 돈(이벤트 개수)이 연결되지 않았다. 번역이 깨졌다.

더구나 Datadog, Dynatrace로 전환하는 비용이 그다지 크지 않았다. Lock-in이 약했다. 고객은 '왜 갑자기 이렇게 복잡하게 과금하냐'며 이탈했다. 저울은 정확했지만 한 점의 가치를 고객에게 번역하지 못했고, 이탈 비용도 낮았다. 세 조건 중 하나만 갖춘 전환은 오히려 독이 된다.

 

08 · 실패한 전환 — Docker의 오역

CASE 5 · 실패

한 점의 값이 성립하지 않는 영역에서 과금을 시도했다

2021년 Docker는 Docker Desktop의 상용 사용에 유료화를 도입했다. 개발자 커뮤니티의 반발이 거셌다. 문제는 두 가지였다.

첫째, 컨테이너 런타임은 오픈소스 대안(Podman)이 충분히 성숙했다. Lock-in이 거의 없었다. 둘째, 개발자는 '내가 컨테이너를 한 번 띄우는 것'이 과금받을 만한 가치 단위라고 인식하지 않았다. 런타임은 공기 같은 인프라로 여겨졌다.

Docker는 결국 방향을 바꿨다. 런타임은 무료로 두고, 대신 Docker Hub(이미지 저장·배포)와 엔터프라이즈 기능에서 과금했다. 한 점의 값이 성립하는 영역으로 옮겨간 것이다. 이 전환 이후 사업이 안정됐다.

교훈 — 어떤 영역에서는 아무리 과금 구조를 정교하게 짜도 한우집이 되지 않는다. 그 영역 자체가 뷔페 아니면 무료일 수밖에 없는 구조다.

 

09 · AI 에이전트 시대에 저울이 왜 더 중요해지는가

한우집에서 고객이 저울을 신뢰하지 못하면 거래 자체가 성립하지 않는다. AI 에이전트 시대에는 이 저울 문제가 10배 커진다.

에이전트가 초당 수천 번의 작업을 실행한다고 상상해보자. 각 작업이 얼마의 토큰을 썼는지, 어느 API를 호출했는지, 어떤 데이터를 조회했는지 — 이걸 결정론적으로 카운트하는 시스템이 없으면 과금도 불가능하고 분쟁도 정리 불가능하며 규제 대응도 어렵다.

 

확률론적 AI

결정론적 저울

에이전트가 '얼마나 일했는지'를 스스로 판단하는 것은 불가능. 매번 다르게 답하는 구조 위에서 측정은 성립하지 않는다.

작업·토큰·쿼리를 객관적으로 카운트하는 시스템이 반드시 AI 에이전트 옆에 있어야 한다. 이 저울이 있어야 한우집이 성립한다.

 

이것이 이 산업에서 가장 주목받지 못한 역설이다. AI 에이전트가 확산될수록 결정론적 측정 레이어의 가치가 올라간다. Snowflake·Databricks가 AI 확산 수혜주인 이유는 단지 쿼리가 늘어서가 아니다. 더 근본적으로는, AI 에이전트의 작업을 정확히 카운트하는 저울이 이들 플랫폼 안에 내재되어 있기 때문이다. 프라핏풀이 이 레이어로 집중되는 구조적 이유가 여기에 있다.

 

10 · 투자 관점에서

이 관점은 비상장 투자 선별 기준에 하나의 축을 추가한다. 이 회사가 한우집이 될 수 있는가.

 

선별 질문

확인 포인트

한 점이 고객 가치로 번역되는가?

이 서비스의 최소 사용 단위가 고객에게 1:1 가치로 인식되는가. 번역 실패는 New Relic 함정.

Lock-in이 누적 구조인가?

데이터·워크플로·규제·생태계 중 최소 하나는 대체 불가능해야 한다. Docker 런타임 수준이면 실패.

저울이 결정론적인가?

객관적이고 투명한 측정 인프라가 있는가.  없으면 에이전트 시대에 과금 구조 자체가 붕괴.

 

좌석 SaaS에 갇힌 상당한 규모의 기업군이 이미 구조적 재평가 압력을 받고 있다. 반대로 세 조건을 모두 갖춘 회사들은 AI 확산이 매출 확산으로 직결된다. 한우집은 손님이 많아질수록, 한 사람이 더 많이 먹을수록, 단골이 될수록 매출이 비례 이상으로 증가한다.

이것이 고릴라PE가 Frontier LLM, 데이터 인프라, 결정론적 SOR 레이어에 반복적으로 포지션을 구축하는 구조적 이유다. 평균의 시대는 저물고 있고, 정밀의 시대에는 한 점의 값을 제대로 매기는 비즈니스만 살아남는다.

 

 

면책 고지

본 인사이트는 투자 권유가 아니며 고릴라PE의 투자 관점 공유 목적으로 작성되었습니다. 언급된 수치 및 사례는 공개 자료 및 내부 분석에 근거하며 투자 결과를 보장하지 않습니다.

Source: Snowflake Investor Relations, AWS re:Invent Keynotes, New Relic Press Releases, Docker Blog, Menlo Ventures AI Report, Gorilla PE Analysis