🚀 생성형 AI 과금 플랜 전략을 세워봅시다

여러모로 수익화가 중요해진 시점입니다. 특히 생성형 AI는 더 그렇습니다. 일단 비용이 많이 들어가니까요. 특히 성장 단계라면 경제성과 마진을 고려하지 않을 수 없구요.

# 생성형 AI를 수익화할 때 고민되는 문제들

아직 세상에 나온지 2년도 안된 생성형 AI는 아직 검증된 프라이싱이나 BM 프레임워크가있는 건 아닌 듯 합니다. 이런 상황에서 생성형 AI기능을 어떻게 수익화할 것인지 고민이 필요하겠죠.

그리하여 이번 뉴스레터에서는 <a16z의 아티클>을 토대로, 현존하는 생성형 AI 기능을 판매하는 기업에서 어떻게 비즈니스 모델을 구축하고 있는지 소개해드리려고 해요.

구독자님이 수익화를 고민하는 과정에 도움이 되시길 바랍니다.🚀🚀🚀

BM 기획에 앞서 파악할 3가지 필수 요건

과금 모델을 기획하려면 프로덕트에 대해 다음과 같은 사항을 먼저 고민해봐야 합니다.

가장 어려운 점은 생성형 AI가 고객에게 어떤 가치를 얼마나 주는지 명확하게 이해하는 것입니다. 사실, 이 영역은 정량화되고 있지 못한 상태이기 때문에, 과학보다 예술에 가까운 영역이에요.

그래도! 초기 사용량과, 고객 페르소나를 매칭시켜 [어떤 고객이 얼마나 사용하는지 확인]해보면 프로덕트가 어떤 가치를 주고 있는지 파악하는데 도움이 될거에요.

1. 베타 버전 ~ 런칭 초기 사용량

베타 버전을 포함하여, 런칭 초창기에는 어떤 고객이 제품을 사용하고 있는지, 얼마나 자주 사용하는지, 얼마나 많은 비용이 드는지, 그리고 생성형 AI 기능에 얼마나 지불할 의사가 있는지 파악하는 것이 중요한데요. 이 때, 다음 3가지 데이터를 확인하면 좋습니다.

2. 고객 퍼소나

고객의 유형을 나눠서, 누가 우리 프로덕트에 기꺼이 돈을 내고, 누구는 그렇지 않은지 확인하는 것도 반드시 파악해야할 일입니다. 꼭 정돈된 [퍼소나] 형태가 아니더라도, AI 기능을 누가 어떻게, 얼마나 활용할 지 세그먼트를 나눠보세요. 그리고 세그먼트별로 어떻게 양적으로 차이가 나는 지도 확인해야합니다.

인터뷰, 설문조사, 영업 데이터를 활용하면 고객의 유형을 나누고 퍼소나나 세그멘테이션을 정립하는데 도움이 될거에요. 프로덕트의 특성과 상황에 따라서 고객 정보를 확보하는 방법은 다양하겠죠?

⚠️ 여기서 주의할 점은 "AI 찍먹러"가 주는 노이즈를 경계해야 한다는 겁니다.

B2B 프로덕트라면 회사돈으로 생성형 AI 리서치 용도로 유입되거나, B2C 프로덕트라면 찍먹해보려고 유입되는 케이스죠. 이런 사용자는 돈을 썼다해도 잔존하기 어려운 경우가 많습니다. (그래도 고무적인 것은, 많은 기업이 생성형AI 서비스 이용 예산 항목을 이제 단발적 사용이 아닌, 표준 소프트웨어 항목으로 쓰는 것을 볼 때, 생성형 AI가 이젠 기업 입장에서 테스트 단계를 지났음을 나타냅니다.)

3. 프로덕트 비전

세상이 생성형 AI로 떠들썩한 것과 달리, 지금 시점에서 생성형 AI를 직접 [돈을 주고] 사용하고 적용하는 유저는 생각보다 적습니다. 이 파이를 키우기 위해서, 결국 생성형 AI가 경험을 완전히 재구성하고 훨씬 더 풍부한 가치를 줄 수 있다는 비전을 제시해줘야 한다는거죠.

프로덕트를 만드는 개발자조차 아직 생성형 AI가 고객에게 비용 이상의 이점을 줄 수 있는 지 파악하는 중이고, 현재로서는 특정 사용자에게만 먹히는 [있으면 좋은 수준의] 추가 기능일 뿐일 수도 있습니다. 이 부분은 다분히 정성적인, 비전에 대한 영역이구요. 생성형 AI가 현재 프로덕트와 향후 로드맵에서 얼마나 중심적인 역할을 할 것인지 결정하는 것은 만드는 사람들에게 달려 있겠습니다.

과금 플랜 구성 Type 3

생성형 AI 기능의 가치와 비용에 대해 잘 파악하고, 생성형 AI가 현재 프로덕트와 미래 로드맵에서 어떤 모습으로 자리 잡을지 매력적인 가설을 세웠다면, 이제 수익화 모델에 대해 구체적으로 기획할 시간입니다.

일반적으로 생성형 AI 기능을 수익화할 때는 3가지 유형으로 나눌 수 있습니다.

1. 핵심(Core)

생성형 AI 기능이 프로덕트의 핵심이 되는 경우, 적합한 상황은 다음과 같습니다.

이런 경우라면 생성형 AI 기능을 분리하여 수익화하지 않고 기본 제공 기능에 포함시키는 것이 현명할 수 있는데요. 비록 직접적인 수익은 발생하지 않더라도, 전체 시장(TAM)을 넓히고 고객의 구매 전환을 크게 늘리는 효과가 있기 때문이죠.

예를 들어 기존 제품으로는 10명의 고객만 대상으로 할 수 있었는데, 생성형 AI 기능을 핵심에 포함시킨 결과 100명의 잠재 고객을 확보할 수 있게 되었다고 칩시다. 이렇게 시장 확대 효과가 크다면 AI를 핵심 기능으로 넣는 게 합리적인 선택이 될 수 있는거죠.

또한 지금 시장은 생성형 AI를 도입하기 위한 경쟁이 치열한 단계입니다. 이런 상황에서 AI 기능을 기본으로 제공하는 건 기존 경쟁사 대비 큰 매력 포인트가 되겠죠.

다만 생성형 AI 기능 수요가 전 고객 세그먼트에 걸쳐 있다면, 아무래도 비용 부담 때문에 결국 핵심 패키지의 가격을 일부 인상해야 할 수도 있습니다. 그래도 장기적으로는 AI 기능을 통해 더 큰 시장과 고객을 확보하는 효과를 누릴 수 있겟죠.

즉 핵심 BM 타입은 단기 수익보다는 AI가 가져올 시장 확대와 점유율 확보에 주안점을 두는 접근법이라고 할 수 있습니다. 이를 위해서는 모든 층의 고객이 AI 기능의 가치를 인정하고, 실제 데이터로 전환율 상승이 입증되며, 무엇보다 생성형 AI가 제품 경쟁력의 핵심이 될 수 있다는 확신이 전제되어야 합니다.

# 핵심 기능으로 AI 기능을 포지셔닝한 케이스

출처: a16z Growth. 공개 가격 책정 페이지 또는 블로그. AI 서비스와 과금 플랜은 계속 바뀌고 있으므로 실제와 다를 수 있습니다.

2. 업그레이드(Upgrade)

앞서 살펴본 핵심(Core)의 경우 AI가 메인 프로덕트의 정체성이라면, 업그레이드는 [업셀 미끼]에 가까운데요. 적합한 상황은 다음과 같습니다.

업그레이드 BM의 경우, 서비스를 사용하는 방식을 완전히 바꿀 정도는 아니지만, 대부분의 사용자가 이 기능을 통해 더 많은 가치를 얻을 수 있을 때 적합한데요. AI 기능은 상위 요금제로 업그레이드할 때 제공되는 인센티브, 즉 업셀 레버(upsell lever) 역할을 할 수 있습니다. 고객은 기본 요금제에 돈을 조금만 더 내면 AI 기능을 사용할 수 있게 되는 거죠.

예를 들어 이메일 마케팅 서비스인 Mailchimp를 생각해 볼까요. 대부분의 사용자에게 생성형 AI 기능이 꼭 필요한 건 아닙니다. 기본적으로 이메일 목록 관리와 캠페인 발송 기능만으로도 충분한 가치를 얻을 수 있죠.

하지만 여기에 AI가 생성한 이메일 콘텐츠, 고객 세분화, 분석 기능 등이 추가된다면 사용자 경험이 더욱 향상될 수 있겠죠. 이런 부가 기능을 원하는 고객은 기꺼이 더 높은 요금제로 업그레이드할 가능성이 있습니다. Mailchimp와 같은 회사는 이렇게 생성형 AI를 활용해 고객을 상위 요금제로 유도하고, 동시에 AI 기능 제공에 따른 추가 비용도 일부 회수할 수 있을 거구요.

# 플랜 업그레이드 시, AI 서비스를 제공하는 케이스

출처: a16z Growth. 공개 가격 책정 페이지 또는 블로그. AI 서비스와 과금 플랜은 계속 바뀌고 있으므로 실제와 다를 수 있습니다.

3. 확장 프로그램(Add-On)

앞서 살펴본 두 전략 대비 조금 더 소극적인 방식이지만, AI 기능을 메인 기능과 분리하여 확장 프로그램의 형태로 별도 과금하는 전략도 상당히 많이 보이고 있습니다.

회사는 AI 기능을 별도로 판매함으로써 해당 기능 제공에 따른 수익과 비용을 명확하게 측정하면서 관리할 수 있습니다. 일종의 '프리미엄 사용자 패키지'라고 볼 수 있죠. 확장 프로그램 형태로 BM을 짤 때 장점은 크게 세 가지입니다:

다만 주의할 점은, 소수의 사용자만 원하는 부가 기능이라도 기업 고객 전체에 의무적으로 판매하려 들면 오히려 역효과가 날 수 있다는 것입니다. 대신 부가 기능의 가치를 충분히 알리고 필요한 고객이 선택할 수 있도록 하는 게 좋겠죠.

어떤 회사는 기본적인 AI 기능은 무료로 제공하고, 고급 AI 기능이나 추가 사용량은 유료 부가 기능으로 판매하기도 합니다. 어떤 방식이 되었든 핵심은 각 기능의 가치에 따라 차별화된 가격 정책을 세우는 것입니다.

확장 프로그램 전략은 AI 기능을 별도 상품으로 분리해 프리미엄 고객을 대상으로 추가 수익을 창출하되, 개발 비용 부담도 함께 관리하려는 접근법입니다. 모든 고객이 아닌 특정 고객의 니즈에 부응하면서도 투자 대비 수익을 꾀할 수 있는 방법이라 하겠습니다.

# 별도의 확장 프로그램으로 AI 기능을 제공하는 케이스

출처: a16z Growth. 공개 가격 책정 페이지 또는 블로그. AI 서비스와 과금 플랜은 계속 바뀌고 있으므로 실제와 다를 수 있습니다.

Type 3, 정리해볼까요

구독제 VS 하이브리드

대부분의 경우, 사용량 기반이 아닌 구독 모델로 과금하는 것이 일반적입니다. 고객 입장에서는 자신이 AI 기능을 얼마나 사용하게 될지 예측하기 어려울 테니까요.

하지만 단순 구독제는 고객의 실제 사용량과 매출 간의 괴리를 만들 수 있습니다. 사용량이 많은 고객이나 적은 고객이나 모두 동일한 요금을 내기 때문이죠. 특히 AI 기능처럼 비용이 많이 드는 경우, 파워 유저로 인해 수익성이 악화될 수 있습니다. 반대로 라이트 유저는 돈만 내고 제대로 활용을 못해 상대적으로 손해를 보는거구요. 그러다보니, 고객이 제품을 적게 쓰기를 바라는 모순적 상황에 빠질 수 있습니다. 사용량과 관계없이 동일 요금을 받는 구독제는 고객과 기업 간 이해관계를 딱 맞추지는 못한다는거죠.

그렇다면 어떻게 해야 고객도 좋고 기업도 좋은 균형 상태를 만들 수 있을까요? 아직 명확한 해답은 없지만, 시장에서는 크게 두 가지 접근법이 관찰되고 있는데요. 구독제와 종량제를 결합한 하이브리드 모델의 경우, 생성형 AI 기능이 포함되면서 발달된 비즈니스 모델이며, 더 늘어나고 있는 추세입니다.

예를 들어, Box는 기본 저장 공간은 구독으로 제공하지만, 추가 용량은 크레딧 개념으로 과금합니다. Adobe Creative Cloud는 기본 금액에 일정 크레딧을 제공하고, 추가 사용량에 따라 차등 과금하는 식이구요. 노션도 AI 부가기능을 처음 넣을 때, 크레딧 단위로 과금을 부과했습니다. 

이처럼 하이브리드 모델은 과도한 사용에 따른 기업의 비용 부담을 완화하는 동시에, 파워 유저 대상 매출도 극대화할 수 있는 장점이 있습니다. 다만 사용량을 베이스로 과금되는 형태를 추가할 때는 고객이 얼마나 돈을 쓰게 될 지 쉽게 예측할 수 있도록하고 과다 사용 처리에 대한 안전망을 마련할 수 있게 해 주세요.

생성형 AI BM의 미래

1. 사용량이 아닌, 성과로

생성형 AI가 기업의 생산성을 획기적으로 높여줄 수 있다는 사실이 입증되기 시작하면서, 일부 기업들은 '결과 기반 가격 책정'을 고려하고 있습니다. 이는 소프트웨어 사용 자체에 대해서가 아니라, 그 소프트웨어가 가져다 준 결과나 성과에 기반해 과금하는 모델인데요. 마치 근무시간으로 급여를 받던 알바생에서, 성과 기준으로 연봉을 받는 직장인이 된달까요.

예컨대 HR 관리 툴을 판매하는 기업이 AI 기술을 도입해 채용 프로세스를 자동화하고 최적화함으로써 고객사의 채용 속도와 질을 대폭 향상시켰다고 가정해 봅시다. 전통적인 방식이라면 HR툴의 '사용자 수'에 기반해 요금을 매기겠죠. 하지만 결과 기반 모델에서는 '채용 성공률 개선도' 등에 연동해 가격을 책정할 수 있을 것입니다.

이런 식으로 고객이 얻은 가치에 비례해 소프트웨어 가격을 매기는 거죠. 고객 입장에서는 투자 대비 성과를 명확히 알 수 있고, 기업으로서도 고객 성공에 직접 기여한 만큼 정당한 보상을 받을 수 있습니다. 고객의 인센티브와 공급자의 인센티브가 일치하는 구조라고 볼 수 있겠네요.

물론 현재 시점에서는 결과 기반 모델은 아직 시기 상조입니다. AI가 고객에게 창출하는 가치를 정량화하는 방법이 아직 모호하기 때문이죠. '생산성 향상'을 어떤 지표로 측정할 것인지, 개선의 몇 퍼센트까지를 AI의 공로로 인정할 것인지 등에 대해 고객과 합의를 이루는 것도 만만찮은 과제가 될 것입니다.

그렇기 때문에 한동안은 우리에게 익숙한 사용자 기반 구독 모델이 대세를 이룰 것으로 보입니다. 하지만 머지않아 AI가 인간의 의사결정을 대신하는 영역이 점차 늘어날 텐데, 그렇게 되면 단순히 '사용자 수'만으로 가치를 평가하기는 어려워질 것입니다. 특히 업무 자동화나 의사결정 지원 영역의 프로덕트를 개발하는 기업이라면 결과 기반 과금 모델을 적극 검토해 볼 만하겠죠. 실제로 Intercom의 'Fin Chat' 등 일부 서비스에서는 이미 관련 실험이 진행 중이기도 합니다.

물론 결과 지표를 둘러싼 고객과의 협상, 성과에 대한 논란의 소지 등 넘어야 할 산이 많겠지만, 장기적으로는 유력한 대안이 될 수 있을 것 같습니다. 사용자가 아닌 가치에 기반한 과금, 투자 대비 성과에 대한 고민은 어쩌면 AI 시대 소프트웨어 기업의 필수 역량이 되지 않을까 싶네요. AI가 고객에게 전달하는 진정한 가치를 평가하고 공정하게 보상받는 과금 체계, 더 고민해 볼 만한 화두가 아닐까 싶습니다.

2. 상황에 따라 빠르게 바꿀 Ready

생성형AI의 비용은 계속 낮아지고 있습니다. 추론 비용이 안정화되고 있고, 오픈 소스가 급증하고 있으며, 다양한 모델 제공업체가 사용자 유입을 위해 경쟁하고 있거든요. 기업은 낮아지는 API 가격에 맞춰 비즈니스 모델을 계속 업데이트해야 하겠죠.

당분간은 단기적으로 비즈니스에 어느 정도 경제적인 수준에서 가격을 책정하는 것이 현명할 것 같습니다. 장기적으로는 기술 비용 하락에 따른 마진 개선을 기대해 볼 만하겠죠. 생성형 AI 기능이 비즈니스의 핵심 부분이 될 것이라고 확신하지만 곧바로 결과가 나타나지 않는다면, 주저하지 말고 가격 책정 및 패키징 구조를 다시 검토해보세요.

결국 핵심은 우리 프로덕트에 들어간 생성형 AI가 사용자에게 어떤 가치를 제공하는 지 제대로 포착하고, 이에 맞는 기민하고 명확한 가격 및 패키지 전략을 수립하는 것이라 할 수 있겠네요. 방법론적 관점에서는 과거 사례와 데이터 분석을 균형있게 활용하는 것이 도움이 될 것 같습니다. 기존 사례를 통해 최선의 관행을 배우는 동시에, 빠르게 변화하는 시장 상황에 대한 인사이트도 놓치지 않아야 하겠죠?

🦝 구독자님을 위한 핵심 요약