AI가 SaaS 계약을 인프라 투자로 전환하고 있다.

SaaS는 기존 공급업체에 대한 종속성을 해소해 줄 해결책으로 여겨졌다. 월별 요금을 내고 지속적인 업데이트를 받으며, 90일 전에 통보하면 언제든 해지할 수 있는 구조였다. 이 모델 전체는 유연성을 기반으로 구축되었다. 하지만 AI는 그 약속을 조용히 무너뜨리고 있다. 계약서 첫 페이지의 약관을 변경하는 방식이 아니라, 사용자가 실제로 구매하는 것의 본질을 바꾸는 방식으로 말이다.

클라우드 공급업체가 생산성 제품군에 AI 에이전트를 포함시키거나, CRM 공급업체가 파이프라인 데이터를 학습하는 AI 어시스턴트를 제공하거나, ERP 공급업체가 조달 결정을 자동화하는 에이전트 기반 워크플로를 도입할 때, 그 ‘소프트웨어 구독’은 마치 전력망 계약과 매우 유사하게 느껴지기 시작합니다. 이론적으로는 공급업체를 바꿀 수 있지만, 실제로 그렇게 할 때 발생하는 비용은 갱신 시점에 누구도 예상하지 못한 수준보다 훨씬 더 높습니다.

“작년에 체결한 계약서는 지금 실제로 적용되고 있는 계약서와 전혀 다릅니다. 하지만 대부분의 조직은 아직 그 사실을 깨닫지 못하고 있습니다.”

현재 기업 조달, 재무, 기술 분야 리더들이 직면한 핵심 과제는 바로 이것입니다. AI 기능들이 SaaS 관계를 단순한 구독 모델에서 인프라 모델로 전환시키고 있습니다. 이러한 변화를 조기에 인지하는 기업들은 더 유리한 조건을 협상하고, 더 탄력적인 시스템 아키텍처를 구축하며, 새로운 형태의 공급업체 의존성을 피할 수 있을 것입니다. 반면 이를 간과하는 기업들은 본래 수용할 의도가 없었던 조건에 얽매이게 될 것입니다.

얼마나 많은 변화가 있었는지 이해하려면, 애초에 SaaS가 온프레미스 소프트웨어 시장에 어떤 혁신을 가져왔는지 되짚어보는 것이 도움이 됩니다. 결정적인 특징은 비용 절감이 아니라 ‘대체 가능성’이었습니다. 인사 관리 소프트웨어 공급업체가 가격을 인상하거나 기능 업데이트가 뒤처진다면, 경쟁사 제품을 평가하고 데이터를 이전한 뒤 분기 내에 새로운 플랫폼에서 서비스를 개시할 수 있었습니다. 전환 비용은 분명히 존재했지만, 그 규모는 한정되어 있었고 예측 가능했습니다.

이에 따라 기업 조달 방식도 변화했습니다. 계약 기간이 단축되는 것이 표준이 되었습니다. 사용량 기반 요금제는 구매자가 과도한 부담을 지지 않으면서도 필요에 따라 유연하게 규모를 조정할 수 있게 해주었습니다. 시범 운영 우선 모델은 기업들이 다년 계약을 체결하기 전에 해당 솔루션이 조직에 적합한지 검증할 수 있게 해주었습니다. 전체 조달 전략은 SaaS 공급업체들이 상당한 수준에서 대체 가능하다는 전제 하에 재조정되었습니다.

이 방식이 통했던 이유는 SaaS 제품의 가치가 소프트웨어 기능(기능 세트, 사용자 인터페이스, 통합 라이브러리 등)에 대한 접근성에 기반을 두고 있었기 때문입니다. 소프트웨어는 사용자를 인식하지 못했고, 사용자로부터 학습하지도 않았습니다. 사용자의 데이터는 시스템 내에 저장되어 있었지만, 시스템의 지능은 그 데이터를 바탕으로 발전하지 않았습니다. 따라서 서비스를 전환한다는 것은 구조화된 기록을 한 데이터베이스에서 다른 데이터베이스로 옮기는 것을 의미했을 뿐, 훈련된 모델이 파악한 비즈니스에 대한 이해를 해체하는 것은 아니었습니다.

구독 모델에서 인프라 모델로의 전환은 단일한 메커니즘을 통해 이루어지는 것이 아닙니다. 이는 서로 시너지를 내며 작용하는 세 가지 구조적 요인의 융합입니다. 각 요인은 그 자체로도 중요하지만, 이 세 가지가 결합되어 새로운 조달 현실을 형성하고 있습니다.

1. 데이터 중력

AI 기능이 귀사의 독점 데이터(고객 기록, 지원 티켓, 영업 통화 녹취록 등)를 기반으로 학습되거나 미세 조정되거나 지속적으로 개선될 때, 데이터 마이그레이션은 단순한 데이터 내보내기 문제가 아니라 데이터 아키텍처 문제로 전환됩니다.

기존의 SaaS 마이그레이션은 구조화된 레코드를 이동하는 과정이었습니다. AI 시대의 마이그레이션은 “우리 모델이 학습한 맥락은 어디로 가는가?”라는 질문을 던지는 것을 의미합니다. 많은 경우, 그 답은 ‘어디로도 가지 않는다’는 것입니다. 이 맥락은 어떤 내보내기 형식으로도 포착할 수 없는 시스템에 내장된 채 공급업체에 남아 있게 됩니다. 라벨링, 피드백 루프, 맞춤형 훈련 등 해당 AI의 성능 향상을 위해 투자한 비용은 대차대조표에는 나타나지 않지만, 서비스를 떠나려 할 때 매우 현실적인 전환 비용으로 작용합니다.

“클라우드 공급업체를 변경하려면 인프라를 재구축해야 합니다. AI 네이티브 SaaS로 전환하는 경우에도 점점 더 이와 같은 조치가 필요해지고 있습니다.”

2. 워크플로 임베딩

AI 코파일럿과 어시스턴트는 단순히 업무를 수행하는 데 그치지 않고, 사람들의 업무 방식을 근본적으로 변화시킵니다. 영업팀이 1년 동안 후속 이메일을 초안 작성하고, 거래 위험 요소를 파악하며, 다음 단계를 제안해 주는 AI와 함께 일하다 보면, 팀원들은 AI가 제공하는 결과물을 중심으로 업무 습관을 재구성하게 됩니다. 이제 전환 비용은 단순히 기술적인 문제가 아닙니다. 이는 행동적, 조직적인 문제이기도 합니다.

이는 데이터 이전보다 정량화하기는 어렵지만 잠재적으로 더 심각한 형태의 락인(lock-in) 현상입니다. 워크플로가 바뀔 때마다 직원들의 생산성은 저하되는데, 수년에 걸쳐 함께 발전해 온 AI 시스템을 해체해야 하는 변화가 발생할 경우, 그 생산성 저하는 심각하고 장기적이며 되돌리기 어렵습니다.

3. 모델 종속성

세 번째이자 가장 과소평가되고 있는 요소는 모델 의존성입니다. AI 에이전트가 계약서 초안 작성, 고객 지원 우선순위 결정, 재무 전망 도출과 같은 중대한 결정을 내릴 때, 조직은 단순히 소프트웨어 플랫폼뿐만 아니라 특정 모델의 동작, 보정, 추론 패턴에까지 의존하게 됩니다.

팀은 특정 모델의 산출 결과를 신뢰하게 됩니다. 업무 프로세스는 해당 모델의 오류율과 예외 사례를 중심으로 구축됩니다. 거버넌스 프레임워크는 해당 모델의 특정한 경향에 맞춰 조정됩니다. 그 모델이 업데이트되거나, 작동 방식이 다른 경쟁사의 모델로 전환을 고려할 때, 단순히 소프트웨어를 바꾸는 것만이 아닙니다. 조직이 의존해 온 의사결정 과정에 체계적인 불확실성을 도입하는 것이나 다름없습니다.

이러한 변화를 인식하는 것이 첫 번째 단계입니다. 이를 실천하려면 조달, 재무, 기술 팀이 AI 기반 SaaS 파트너십을 대하는 방식을 바꿔야 하며, 이는 시스템 도입 후가 아니라 계약 협상 단계부터 시작되어야 합니다.

계약에는 인프라급 조건이 필요합니다

데이터 이동성, 모델 투명성, 그리고 실질적인 SLA는 과거 데이터 센터 계약에 적용되던 것과 동일한 수준의 엄격함을 바탕으로 협상되어야 합니다. 이는 단순히 데이터뿐만 아니라 훈련 아티팩트, 모델 구성, 통합 로직의 내보내기에 대한 명확한 조항을 포함해야 함을 의미합니다. 또한 공급업체의 AI 시스템 개선을 위해 데이터가 어떻게 활용되는지에 대한 감사 권한을 확보해야 함을 뜻합니다. 아울러 SLA는 플랫폼 가동 시간뿐만 아니라 AI 출력의 품질과 일관성까지 포괄해야 합니다.

공급업체 평가는 상류 단계까지 고려해야 한다

오늘날 AI 네이티브 SaaS 공급업체를 평가한다는 것은 단순히 현재의 기능 세트뿐만 아니라, 해당 업체가 이용하는 AI 제공업체, 모델 업데이트 정책, 데이터 거버넌스 관행, 그리고 제품 로드맵까지 종합적으로 검토하는 것을 의미합니다. 업데이트 주기가 매우 짧은 제공업체의 파운데이션 모델을 사용하는 공급업체는 모델 버전의 안정성을 보장하는 업체와는 다른 위험 요소를 내포하고 있습니다. 이러한 질문들은 배포 후 검토 단계가 아닌, 제안 요청서(RFP) 단계에서 다뤄져야 합니다.

총 퇴출 비용이 새로운 지표입니다

여전히 라이선스 비용과 기능 적합성만으로 SaaS를 평가하는 조달 팀은 가장 중요한 위험 요소를 간과하고 있습니다. AI 시대에 중요한 지표는 ‘총 이탈 비용(Total Cost of Exit)’입니다. 이는 데이터 마이그레이션, 직원 재교육, 프로세스 재구축, 그리고 현재 AI 산출물에 내재된 조직적 지식까지 포함하여 공급업체를 떠날 때 발생하는 모든 경제적 비용을 의미합니다. 계약 갱신 후가 아니라 계약 체결 전에 이 수치를 산출해 보는 것이야말로, 안목 있는 구매자와 그렇지 않은 구매자를 구분 짓는 핵심 역량입니다.

거버넌스는 AI의 행동까지 포괄해야 한다

AI가 중대한 결정을 내릴 때, 책임 소재 문제는 저절로 해결되지 않습니다. 계약서에는 모델 버전 관리에 대한 약속을 명시해야 합니다. 그래야 조직은 의사결정의 기반이 되는 AI가 언제 변경되는지 파악할 수 있습니다. 또한, 정해진 기준을 초과하는 결정에 대해서는 사람이 개입하여 결정을 번복할 수 있는 의무를 계약에 포함시켜야 합니다. 아울러, AI가 내린 결정에 대한 감시가 강화될 것으로 예상되는 분야에서는 규제 준수를 뒷받침할 수 있을 만큼 강력한 감사 권한을 마련해야 합니다.

“AI-SaaS를 처음부터 인프라로 간주하는 기업들은 더 유리한 조건을 협상하고, 더 탄력적인 시스템 아키텍처를 구축하며, 새로운 형태의 공급업체 의존성을 피할 수 있을 것입니다.”

이 모든 것이 AI 도입을 반대하는 근거는 아닙니다. 생산성 향상은 확실하며, 경쟁 우위는 지속적으로 확대되고 있습니다. 다른 기업들이 AI를 대규모로 도입하는 동안 방관만 하고 있는 조직들은 결국 다른 형태의 대가를 치르게 될 것입니다.

하지만 도입과 의도적인 접근은 상충하지 않습니다. 현재 AI를 통해 성과를 내고 있는 기업들은 확고한 의지를 피하지 않습니다. 오히려 처음부터 공급업체와의 관계에 인프라 수준의 엄격함을 적용하며 의도적으로 결정을 내리고 있습니다. 이들은 이전할 가치가 있는 데이터를 생성하기도 전에 데이터 이동성에 대해 협상합니다. 특정 공급업체에 얽매이기 전에 전환 비용을 시뮬레이션합니다. 또한 AI가 업무 흐름에 통합되기 전에 모델 거버넌스에 관한 까다로운 질문들을 던집니다.

어려움을 겪게 될 기업들은 AI 도입을 서두른 곳이 아닙니다. 오히려 구독 서비스 수준의 속도로 움직이면서도, 그 사이 조용히 인프라 규모로 사업 방향을 전환해 온 기업들입니다.

다음 SaaS 갱신은 단순한 소프트웨어 계약이 아닙니다. 이는 향후 5년을 내다보는 아키텍처적 결정입니다. 귀사의 팀은 이를 그런 관점에서 접근하고 있습니까?

조달 시 고려 사항: 구독 시대 대 AI 시대의 SaaS

AI SaaS 계약 검토를 위한 5가지 체크리스트

AI 기반 SaaS 계약을 체결하거나 갱신하기 전에, 귀사의 팀은 다음 질문들에 답할 수 있어야 합니다.

• 계약서에 우리가 계약을 해지할 경우 명시적인 데이터 이동권이 포함되어 있습니까?
• 이러한 기능을 지원하는 AI 모델은 무엇이며, 모델 업데이트나 버전 변경에 대한 공급업체의 정책은 어떻게 되나요?
• AI가 생성한 결과물과 권고 사항에 대해 우리는 어떤 감사 권한을 가지고 있습니까?
• 데이터 마이그레이션, 직원 재교육, 업무 프로세스 재구축 등을 포함한 전환에 따른 전체 비용을 충분히 고려했습니까?
• 우리 계약서에는 AI의 결정으로 인해 발생하는 결과에 대해 사람이 개입해야 할 의무가 명시되어 있습니까?