기존 기업용 소프트웨어의 확장은 대개 대규모 영업팀과 긴 구현 주기를 수반합니다. 초기 접촉부터 최종 배포까지 일반적으로 몇 달이 걸리며, 여러 차례의 데모, 규정 준수 검토 및 맞춤형 개발이 포함됩니다. 하지만 AI 직원인 빅터는 이러한 관례를 깨뜨렸습니다.
비즈니스 데이터를 자세히 살펴보기 전에, 빅터(Viktor)가 정확히 무엇인지 이해하는 것이 중요합니다. 딥마인드(DeepMind) 출신 연구진이 설립한 빅터는 단순한 조종사 보조(Copilot)가 아닌, "3단계 AI 협력자(Tier 3 AI Coworker)"를 만드는 것을 핵심 철학으로 삼고 있습니다. 빅터 팀은 현재 대부분의 AI 도구가 "초안을 작성하고 사람이 완성하기를 기다리는" 단계에 머물러 있다고 생각하지만, 빅터는 "처음부터 끝까지 실행하고 결과를 제공하는" 것을 목표로 합니다.
쉽게 말해, 빅터는 지칠 줄 모르는 디지털 직원과 같습니다. 다양한 소프트웨어 사용법이나 복잡한 명령어를 가르칠 필요가 없습니다. 슬랙이나 팀즈 채팅창에서 동료를 태그하듯이 빅터를 태그하고 "지난주 동중국 지역 매출 데이터를 확인하고 차트가 포함된 보고서를 생성해 줘."라고 명령하기만 하면 됩니다. 빅터는 자동으로 CRM 시스템에서 데이터를 가져와 스프레드시트 도구로 차트를 생성하고 최종 보고서를 채팅창으로 보내줍니다. 수동적으로 응답하는 것 외에도, 특정 시간이나 이벤트에 맞춰 능동적으로 작업할 수도 있습니다. 예를 들어, 늦은 밤에 자동으로 계정을 대조하거나 6개의 서로 다른 도구에서 데이터를 수집하여 이사회 회의용 프레젠테이션을 생성할 수 있습니다.
공식 발표에 따르면, 이 제품은 연간 2천만 달러의 매출을 달성했으며, 영업팀이나 구축 프로젝트 없이 슬랙 플랫폼에서 3만 개 이상의 기업에 서비스를 제공했습니다. 최근 빅터는 마이크로소프트 팀즈와 공식 통합하여 3억 2천만 명의 사용자에게 무료 체험판을 제공하고 있습니다. AI 기반 직원들이 프롬프트 기반 기술에서 "접근 장벽 없는 @멘션"으로 이동함에 따라, 기업 전반의 사무 자동화에 전환점이 도래한 것일까요? 이는 단순히 제품 기능 업데이트의 문제가 아니라, 기업용 AI 애플리케이션의 비즈니스 모델을 근본적으로 재편해야 하는 문제입니다.
영업팀 없이 2천만 달러 매출 달성: PLG 모델, 기업 AI 시장에서 승리의 비결.
기업용 SaaS 업계는 오랫동안 "영업 중심" 접근 방식을 고수해 왔습니다. 대형 고객을 확보하기 위해 기업은 대규모 영업팀을 구축하고, 고객 성공 관리자를 배정하며, 장기간에 걸친 개념 증명(POC) 및 구현 과정을 거쳐야 합니다. 이러한 모델은 고객 확보 비용이 매우 높고, 대인 관계 유지에 크게 의존합니다. 하지만 빅터의 슬랙 활용 사례는 완전히 다른 길을 보여줍니다.
공식 자료에 따르면 빅터는 영업팀을 구축하거나, 프로젝트를 실행하거나, 사용자별 요금 계약을 체결하지 않고도 연간 2천만 달러의 매출을 달성하고 3만 개 기업에 서비스를 제공했습니다. 이러한 순수 PLG(제품 중심 성장) 모델은 기존 SaaS 시대에는 선례가 있지만, 복잡한 엔터프라이즈급 AI 애플리케이션에서는 극히 드뭅니다. AI 제품은 일반적으로 대량 컨텍스트 구성과 시나리오 디버깅을 필요로 하기 때문에 바로 사용하기가 어렵습니다. 빅터가 자체 확산을 달성할 수 있었던 비결은 구성 진입 장벽을 최소화한 데 있습니다.
기존 SaaS 방식은 사용자 수에 따라 요금을 부과하는 방식으로, 기업들은 구매 과정에서 "유휴 비용" 발생 가능성을 우려합니다. 예를 들어 100개의 계정을 구매하더라도 실제로 자주 사용하는 사용자는 20명에 불과할 수 있고, 나머지 80개 계정은 매몰 비용으로 남게 됩니다. 빅터는 이러한 문제를 해결하기 위해 크레딧 또는 작업 사용량에 따른 요금 부과 방식을 선호합니다. 이 모델은 AI가 실제로 작업을 수행하는 논리에 더 부합합니다. 기업은 더 이상 "AI를 사용할 가능성이 있는 직원 수"에 따라 비용을 지불하는 것이 아니라, "AI가 실제로 완료한 작업량"에 따라 비용을 지불하게 됩니다.
이러한 결제 방식은 기업 조달 과정에서 발생하는 시행착오 비용을 줄여주며, 부서장은 물론 현장 직원까지도 복잡한 IT 조달 승인 절차를 거치지 않고 신용카드나 무료 신용 한도를 활용하여 직접 제품을 시험 사용해 볼 수 있도록 합니다. 이 비즈니스 모델의 성공은 기업용 AI 제품의 핵심 진입 장벽이 판매 채널의 범위에 있는 것이 아니라, 제품 자체가 매우 짧은 사용 기간 내에 그 가치를 입증할 수 있는지 여부에 있다는 판단을 뒷받침합니다.
빅터가 신용카드 연동 없이 100달러 무료 신용 한도를 제공하는 전략은 바로 이러한 "가치 검증" 과정을 최소화하기 위해 고안되었습니다. 직원들이 빅터를 태그하는 것만으로 몇 시간씩 걸리던 정산 작업을 완료할 수 있다는 사실을 알게 되면 자연스럽게 입소문 마케팅이 발생합니다. 공개된 자료에 따르면 빅터는 최근 DN 캐피털이 주도한 7,500만 달러 규모의 시리즈 A 융자 유치를 완료했는데, 이는 빅터의 PLG(Private Label Guarantee) 모델에 대한 자본 시장의 인정을 보여줍니다. 그러나 2,000만 달러의 연간 반복 매출(ARR) 계산 방식은 공식적으로 공개되지 않았습니다. 신용 사용량 기준인지, 활동 기반 청구 방식인지, 아니면 두 가지 방식을 혼합한 것인지는 아직 알려지지 않았습니다. 이러한 불투명한 청구 방식은 초기 진입 장벽을 낮추는 데 도움이 될 수 있지만, 기업들이 대규모 구매를 할 경우 투자 수익률(ROI) 계산에 걸림돌이 될 수 있습니다.
"초안 작성 후 대기"에서 "완전한 결과물 전달"에 이르기까지, 프롬프트의 장벽을 허물어 보세요.
빅터가 설정 없이 자체 전파를 구현할 수 있는 능력은 단순화된 상호 작용 패러다임에 기반합니다. 기존 AI 도구의 효율성은 사용자의 프롬프트 작성 능력에 크게 좌우됩니다. OmniTools에 게재된 "3년간의 관찰 끝에 모든 사람의 AI 기술을 10단계로 분류했습니다"라는 제목의 기사에서는 이러한 현상을 자세히 분석했습니다. 구조화된 프롬프트부터 에이전트 스킬 캡슐화에 이르기까지, AI 사용자 기술 수준은 여러 단계로 분류되며, 프롬프트 작성은 보이지 않는 장벽이 됩니다.
실제 비즈니스 환경에서 이러한 장애물은 특히 중요합니다. 재무 담당자, 인사 전문가, 운영 관리자는 AI와 복잡한 "단어 게임"을 하는 방법을 배울 시간도 의무도 없습니다. AI의 효율성이 직원들의 단어 작성 능력에 달려 있다면, AI는 기업 전반의 범용 인프라가 되지 못하고 소수의 기술 애호가들을 위한 효율성 도구로만 남을 것입니다.
빅터는 단순히 코파일럿이 아닌 "3단계 AI 동료"로 자리매김하고 있습니다. 기존 코파일럿의 핵심 기능은 "초안 작성 후 사용자의 최종 수정 대기"입니다. 문서 요약 및 이메일 초안 작성에는 탁월하지만, 최종 단계는 여전히 사람의 개입이 필요합니다. 예를 들어, 코파일럿에게 고객 후속 이메일 작성을 요청하면, 해당 내용을 이메일 클라이언트로 복사하고 수신자를 수동으로 입력한 후 전송해야 합니다. 반면 빅터는 "전 과정 실행 및 결과 전달"을 핵심으로 합니다. 사용자는 자연어로 목표만 설명하면, 에이전트가 자율적으로 실행 단계를 결정하고 필요한 도구를 호출하여 작업을 완료합니다. 예를 들어, 고객 후속 조치 시 빅터는 이메일 시스템에 직접 연결하여 고객 정보를 자동으로 입력하고 이메일을 전송하며, 고객의 답장을 기반으로 다음 알림 일정까지 자동으로 예약할 수 있습니다.
이 메커니즘은 프롬프트 작성으로 인해 발생하는 계층적 장벽을 직접적으로 제거합니다. AI 활용의 효율성은 더 이상 직원의 프롬프트 작성 능력에 달려 있지 않고, 업무 목표의 명확성에 달려 있습니다. 이러한 상호 작용 방식은 AI를 "보조 도구"에서 "실행자"로 전환시켜 비전문가도 어려움 없이 AI의 이점을 누릴 수 있도록 합니다.
하지만 그렇다고 빅터가 이해 리스크 에서 완전히 자유롭다는 의미는 아닙니다. 사용자가 모호한 자연어로 목표를 설명할 경우, AI의 런타임 자율 의사 결정 메커니즘은 사용자의 기대와 다른 실행 경로를 생성할 수 있습니다. 예를 들어, 사용자가 "영업 파이프라인 정리"라고 말하면 빅터는 오랫동안 방치된 기회를 자동으로 "실패"로 태그 할 수 있는데, 이는 회사의 영업 프로세스에서 더 복잡한 승인 절차를 필요로 할 수 있습니다. 진입 장벽이 낮다는 장점은 있지만, 업무 목표 설명의 정확성에 대한 요구 사항도 높아집니다.
자동화된 심야 계정 대조 및 다양한 도구에서 사용 가능한 PPT 생성을 위해 AI를 "프로세스 계층"에 어떻게 통합할 수 있을까요?
@를 통한 멘션이 인간의 명령에 대한 수동적인 응답을 나타낸다면, 빅터의 자동 실행 메커니즘은 AI 직원의 주도성을 보여주는 것이며, 이는 기존 챗봇과 차별화되는 핵심 특징입니다. 빅터의 공식 발표에 따르면, 이 제품은 심야 청구서 처리, 계정 대조 및 오류 태그, 지원자 심사 및 전화 통화 예약, 6개의 개별 도구를 활용한 이사회 회의 자료 생성, 새벽 5시의 일상적인 운영 업무 실행 등 수동 @ 멘션 없이도 자동 실행 시나리오를 지원합니다.
이러한 시나리오들은 중요한 추세를 보여줍니다. 바로 AI가 기업의 "대화 계층"에서 "프로세스 계층"으로 이동하고 있다는 것입니다. OmniTools의 "일일 활성 사용자 수, 업계 2위 업체 대비 3~4배 급증: 텐센트 워크버디, 오피스 에이전트 시장에 어떤 균열을 일으켰는가?"라는 기사에서는 오피스 에이전트가 개발자 외 그룹에 어떻게 도움이 되는지 논의했습니다. 빅터든 워크버디든, 핵심 논리는 원래 여러 시스템과 수동 작업을 필요로 했던 고정된 프로세스를 AI가 자동으로 실행할 수 있는 개별 작업으로 캡슐화하는 것입니다.
재무 대조를 예로 들면, 기존 방식에서는 재무 담당자가 Stripe에서 결제 데이터를, Xero에서 회계 데이터를 내보낸 후 Excel에서 VLOOKUP 함수를 사용하여 비교하고 불일치를 수동으로 태그 해야 합니다. 이 과정은 지루하고 시간이 많이 소요되며, 일반적으로 재무 담당자의 업무 시간 중 최대 두 시간을 잡아먹습니다. Viktor는 관리형 인증을 통해 3,200개 이상의 도구와 연결됩니다. 시스템 시간이 설정된 심야 시간에 도달하면 Viktor는 자동으로 Stripe와 Xero에 로그인하여 당일 데이터를 가져오고 비교 로직을 실행한 후 오류를 태그 보고서를 재무 부서로 전송합니다. 전체 프로세스는 수동 개입이 전혀 필요 없으며, 공식 자료에 따르면 단 6분밖에 걸리지 않습니다.
또 다른 예로는 여러 도구를 활용하여 이사회 회의용 프레젠테이션을 생성하는 것을 들 수 있습니다. 임원진은 매출 데이터, 제품 개발 현황, 시장 피드백 등이 포함된 브리핑 자료가 필요할 수 있습니다. 기존에는 비서들이 CRM, 프로젝트 관리 도구, 고객 서비스 시스템을 각각 열고 데이터를 복사하고 차트를 만든 다음 PowerPoint 프레젠테이션에 붙여넣어야 했습니다. 하지만 Viktor를 사용하면 새벽 5시에 이 과정을 자동화하여 대화 상자 창에 완성된 PowerPoint 파일을 바로 출력할 수 있습니다.
이러한 자동 트리거링 기능을 뒷받침하는 것은 Viktor의 조직 수준 메모리 및 상황 인식 메커니즘입니다. 제3자 평가에 따르면 Viktor는 영구 메모리 기능을 갖추고 있습니다. 재무 담당자가 Viktor에서 UTM 형식이나 조정 규칙과 관련된 오류를 수정하면 Viktor는 해당 오류를 영구적으로 기억하고 이후 모든 관련 작업에 자동으로 규칙을 적용합니다. 심지어 채널 기록 대화를 읽고 과거 결정의 근거를 사전에 설명할 수도 있습니다.
이 메커니즘은 Viktor를 단순한 작업 실행 도구에서 모범 사례와 업무 규칙을 캡슐화하는 "프로세스 계층"으로 변화시킵니다. 이를 통해 수동 알림, 인수인계 및 "정서 관리"와 관련된 마찰 비용을 줄일 수 있습니다. 숙련된 직원이 퇴사하고 신입 직원이 합류하더라도 Viktor에 저장된 규칙과 프로세스는 유지되어 업무 운영의 연속성을 보장합니다.
Slack부터 Teams까지, PLG 모델은 어떻게 복잡한 기업 규정 준수 환경을 헤쳐나갈 수 있을까요?
빅터의 마이크로소프트 팀즈 통합은 상용화 과정에서 중요한 단계입니다. 슬랙은 유연성과 개발자 친화성으로 소규모 팀과 일선 기업을 위한 테스트 환경으로 잘 알려져 있지만, 마이크로소프트 팀즈는 보다 완벽한 부서 구조, 승인 체계, 조직도를 갖추고 있어 "진정한 대규모 조직"에 적합합니다. 공식 데이터에 따르면 팀즈 사용자는 3억 2천만 명에 달합니다. 빅터의 팀즈 합류는 AI 기반 직원이 더 이상 "괴짜들의 장난감"이 아닌 "핵심 기업 구매 대상"으로 자리매김했음을 의미합니다.
하지만 슬랙에서 팀즈로의 전환은 단순한 플랫폼 마이그레이션이 아니라, PLG 모델이 본격적인 규정 준수라는 난관에 부딪히는 시작입니다. 슬랙에서는 사용자가 앱 설치와 인증을 단 몇 초 만에 완료할 수 있습니다. 이러한 매우 간편한 사용 환경이 바로 빅터(Viktor)의 폭발적인 확산의 기반입니다. 그러나 팀즈에서는 이러한 몇 초 만에 가능한 설치 과정이 IT 관리자의 긴 승인 대기열, 보안 검토(예: SOC 2 규정 준수 요구 사항), 그리고 애플리케이션 거버넌스 정책으로 대체됩니다.
대기업의 IT 부서는 데이터에 대한 읽기 및 쓰기 권한을 가진 모든 타사 애플리케이션에 대해 매우 엄격한 감시를 합니다. 빅터가 엔드 투 엔드 작업을 성공적으로 수행하려면 CRM, 재무 시스템, 심지어 코드 저장소에 대한 읽기 및 쓰기 권한을 확보해야 합니다. 이처럼 높은 수준의 접근 권한이 요구되므로 기업의 조달 절차를 우회할 수 없습니다. 빅터가 슬랙에서 검증했던 "상향식" PLG 전파 경로는 팀즈 내에서 IT 부서의 "하향식" 통제에 의해 차단될 수 있습니다.
이러한 문제를 해결하기 위해 빅터는 신용카드 연동 없이도 팀즈에서 100달러 상당의 무료 체험판을 제공했습니다. 이는 전형적인 '틈새 메우기' 전략으로, IT 부서가 제품의 가치를 인지하기도 전에 현장 직원들이 먼저 경험하게 하여 내부 피드백을 유도하고, 궁극적으로 IT 부서가 규정 준수 승인을 수행하도록 하는 것입니다. 그러나 팀즈 생태계 내에서 이러한 전략의 효과는 아직 검증되지 않았습니다. 기업 차원의 구매 결정은 제품 경험뿐만 아니라 규정 준수 리스크 및 데이터 자산 보안에도 달려 있기 때문입니다.
완전 자동화 실행의 비용: 블랙박스 리스크 과 신뢰 게임
빅터의 "진입 장벽 제로"와 "완전 자동화 실행"이라는 비전은 기업 운영 효율성의 문제점을 해결하는 데에는 의심의 여지가 없습니다. 그러나 실제 구현 과정에서 이 모델은 상당한 신뢰 위기와 블랙박스 리스크 직면합니다.
광범위한 적용 범위와 엔드투엔드 제공을 달성하기 위해 Viktor는 실행 단계별 세밀한 제어를 어느 정도 포기합니다. n8n이나 Zapier와 같은 기존 워크플로 자동화 도구는 설정이 다소 복잡하지만, 각 단계의 데이터 흐름과 논리적 분기를 명확하게 보여주어 운영 담당자가 오류를 정확히 찾아낼 수 있도록 합니다. 그러나 Viktor의 런타임 자율 의사 결정 메커니즘은 실행 프로세스를 어느 정도 "블랙박스"로 만듭니다. AI가 CRM이나 재무 시스템에 대한 "읽기 및 쓰기 권한"을 갖게 되면, 단 하나의 모델 오류나 자연어 명령의 오해로 인해 잘못된 데이터가 운영 시스템에 기록되어 데이터 손상이나 심지어 업무 중단까지 초래할 수 있습니다.
기업 구매 결정권자들은 흔히 "오류 발생"리스크 가장 우려합니다. AI 직원이 엄격한 사용자별 권한 및 감사 로그 없이 HubSpot에서 고객 정보를 자동으로 업데이트하거나 Xero에서 송장을 생성할 수 있다면, 단 한 번의 오류 실행으로 데이터 롤백 및 복구에 대량 인력이 투입될 수 있습니다. 예를 들어, Viktor가 영업 파이프라인을 자동으로 정리하는 과정에서 고가치 리드를 실수로 "실패"로 태그 경우, 영업팀은 중요한 고객 리드를 놓칠 수 있으며, 이 오류는 며칠이 지나서야 발견될 수도 있습니다.
이러한 리스크 완화하기 위해 기업들은 실제 사용 환경에서 "승인 우선 기본 설정"을 활성화해야 하는 경우가 많습니다. 즉, 빅터는 중요한 쓰기 작업을 수행하기 전에 사람의 확인을 기다려야 합니다. 이러한 절충안은 리스크 줄여주지만, "완전 자동화, 무인 운영"이라는 비전을 훼손하고 인간의 개입을 다시 도입하게 됩니다. "효율성 향상"과 "오작동으로 인한 재앙" 사이의 균형을 찾는 것은 모든 AI 기반 직원용 제품이 해결해야 할 과제입니다.
빅터의 자동 트리거링 메커니즘은 새로운 관리 과제도 제시합니다. AI가 이벤트나 시간에 따라 자동으로 작업을 실행할 수 있게 되면, 기업은 AI의 행동이 항상 업무 규칙 및 규정 준수 요건을 충족하도록 완전히 새로운 모니터링 시스템을 구축해야 합니다. 엄격한 접근 제어, 상세한 감사 로그, 그리고 설명 가능한 의사 결정 경로는 AI 직원의 대규모 도입을 위한 필수 조건입니다. 이러한 문제들이 제대로 해결되지 않으면, AI 직원은 기업의 핵심 업무 프로세스에 진정으로 통합되지 못하고 주변 부서에만 머무르는 경우가 발생할 수 있습니다.
슬랙부터 팀즈까지, 빅터는 기업 시장에서 장벽 없는 상호작용의 매력을 입증하는 동시에 대규모 조직에서 PLG 모델의 규정 준수 문제를 드러냈습니다. AI 직원이 진정한 기업 인프라가 되려면 더욱 스마트한 모델과 낮은 상호작용 장벽뿐만 아니라 기업의 신뢰를 얻을 수 있는 거버넌스 프레임 워크가 필요합니다. 효율성과 보안 사이의 균형이 점진적으로 달성될 때 비로소 기업 전반에 걸친 자동화된 사무 업무의 전환점이 도래할 것입니다.
