사모펀드의 AI 붐, 수익률 견인하며 시장 양극화

The Wall Street Journal의 보도에 따르면, 사모펀드의 AI 붐은 수익률을 뚜렷하게 양극화하고 있다. AI를 포트폴리오 기업의 운영에 접목한 운용사들은 더 강한 성과를 보고하는 반면, 기존 소프트웨어 보유 자산은 가치 하락과 매각 차질에 직면하고 있다.

이러한 격차가 중요한 이유는 사모펀드가 또 한 번의 부진한 사이클을 감당할 여유 없이 2026년에 들어섰기 때문이다. 바이아웃 펀드는 오래된 자산을 매각하고, 투자자에게 현금을 돌려주며, 신규 펀드레이징의 타당성을 입증해야 한다. AI는 이제 이 방정식의 양쪽에 자리하고 있다.

AI는 포트폴리오 기업의 매출 확대, 업무 자동화, 신제품 출시를 지원할 수 있다. 동시에 수백 건의 소프트웨어 투자 가치를 뒷받침하는 구독 모델을 약화시킬 수도 있다. 그 결과 나타나는 분열은 단순히 기술 투자자와 나머지 투자자 사이의 구분이 아니다. AI를 측정 가능한 운영 개선으로 전환하는 운용사와 노출도, 파일럿 프로젝트, 낙관적인 수식어에 의존하는 운용사를 가른다.

따라서 핵심 경쟁은 실행력과 노출도 사이의 대결이다. AI 인접 기업을 보유했다고 해서 더 이상 우위가 보장되지는 않는다. 운용사들은 보유 기간이 끝나기 전에 포트폴리오 기업이 매출을 방어하고, 마진을 개선하거나, 방어 가능한 제품을 만들 수 있음을 보여줘야 한다.

Google News 헤드라인이 보여주는 사모펀드의 신호

중요한 변화는 AI가 미래의 투자 테마에서 현재 포트폴리오 품질을 시험하는 요소로 이동했다는 점이다.

지난 몇 년간 사모펀드 운용사들은 보유 자산에 AI라는 선택지가 내재돼 있다고 설명할 수 있었다. 소프트웨어 기업은 언젠가 어시스턴트를 추가하거나, 고객 지원을 자동화하거나, 개발 생산성을 높일 수 있었다. 이런 가능성은 즉각적인 재무적 증거 없이도 매력적인 이야기를 제공했다.

시장은 인내심을 잃었다. 투자자들은 이제 AI를 일부 업무 흐름에만 사용하는 기업과 제품 또는 운영 모델을 AI 중심으로 재구축하는 기업을 구분한다. 이 차이는 딜 심사, 밸류에이션, 성공적인 엑시트 가능성에 영향을 미친다.

최근 AI 가치 연구는 31개 산업에 걸친 471개 비상장 기업을 분석했다. 이 연구는 제한적인 실험부터 신규 사업 창출까지, AI를 얼마나 깊이 활용하는지에 따라 기업을 분류했다.

AI를 폭넓게 도입한 기업은 기술을 기회적으로 활용하는 기업보다 중앙값 기준 매출 배수가 약 130% 높게 거래됐다. 가장 진전된 그룹은 2023년부터 2025년 사이 중앙값 기준 31배의 매출 배수를 기록했다.

이러한 연관성이 AI만으로 밸류에이션 차이가 발생했다는 사실을 입증하는 것은 아니다. 더 잘 운영되는 기업은 AI 도입 이전부터 더 강한 데이터, 제품, 리더십, 성장성을 갖추고 있을 수 있다. 이러한 강점은 도입도 더 쉽게 만들 수 있다.

그럼에도 이 패턴은 이 이야기가 사모펀드 수익률 이슈로 Google News에 오른 이유를 설명한다. 투자자들은 자산 평가 방식을 바꿀 만큼 충분한 격차를 목격하고 있다. AI 성숙도는 단순히 경영진 프레젠테이션의 슬라이드가 아니라 언더라이팅의 일부가 되고 있다.

실질적인 변화는 포트폴리오 기업에서 일어나고 있다. 일부 소유주는 고객 서비스, 영업, 소프트웨어 개발, 온보딩, 내부 분석에 AI를 적용하고 있다. 다른 이들은 모델을 제품에 내장하거나 기존 데이터를 기반으로 새로운 수익원을 만들고 있다.

이러한 접근법은 서로 다른 경제적 결과를 낳는다. 내부 업무를 자동화하면 비용을 줄일 수 있지만, 경쟁사도 같은 도구를 구매할 수 있는 경우가 많다. 독점 데이터와 확립된 업무 흐름에 연결된 제품은 모방하기 더 어려울 수 있다. 또한 추가 사용량이나 매출을 뒷받침할 수도 있다.

사모펀드 운용사들은 역사적으로 여러 레버를 통해 수익을 창출해 왔다. 매출을 늘리고, 마진을 확대하며, 부채를 줄이고, 밸류에이션 배수를 높이거나, 이 효과들을 결합할 수 있다. AI는 각 레버에 영향을 미치지만 자동으로 개선하지는 않는다.

코딩 어시스턴트는 지출을 줄이지 못한 채 개발 시간을 단축할 수 있다. 고객 서비스 에이전트는 더 많은 요청을 처리하면서도 비용이 큰 오류를 일으킬 수 있다. AI 기능은 유지율을 높이지 못한 채 체험 사용자를 끌어들일 수 있다. 운영 활동은 실현된 가치와 같지 않다.

점점 더 높은 평가를 받는 운용사는 배포를 구체적인 재무 성과와 연결하는 곳이다. 이들은 지표를 정의하고, 책임자를 지정하며, 기준선을 설정하고, 보유 기간 전반에 걸쳐 결과를 추적한다. AI 전략을 발표하는 것보다 덜 흥미롭지만, 이는 잠재적 인수자가 검토할 수 있는 증거를 만들어 낸다.

이 변화는 글의 핵심 긴장을 만든다. AI는 사모펀드가 부진한 수익률에서 벗어날 경로를 제공하는 동시에, 기술 접근성을 운영 개선으로 전환하지 못하는 운용사가 누구인지 드러낸다.

부진한 바이아웃 수익률이 높이는 부담

사모펀드는 과거의 손쉬운 수익원들이 약화됐기 때문에 AI가 성과를 내야 한다.

압박은 상대 성과에서 시작된다. McKinsey의 사모펀드 보고서에 따르면, 2025년 글로벌 바이아웃 수익률 상위 사분위 그룹의 평균 수익률은 8%였다. S&P 500은 18%, MSCI World 지수는 22%를 기록했다.

오래된 펀드들이 평균을 끌어내렸다. 2015년부터 2017년까지의 바이아웃 빈티지는 약 2%의 내부수익률을 창출하고 있었다. 더 최근의 빈티지는 약 15%를 보였지만, 그 성과 중 상당 부분은 아직 실현되지 않았다.

내부수익률(IRR)은 현금의 유입과 유출 시점을 고려해 투자 성과의 연환산 수익률을 추정한다. 미실현 IRR은 일부 자산이 매각되지 않은 상태에서 부여된 밸류에이션에 의존한다. 이는 투자자에게 실제로 사용할 수 있는 분배금을 제공하지 않는다.

이 구분은 매우 중요하다. 연기금, 기금, 보험사 등을 포함한 유한책임투자자들은 사모펀드 운용사가 기업을 매각하고 자본을 반환해야 한다. 특히 이들 투자자도 자체적인 자산 배분 한도에 직면한 상황에서 장부상 이익은 현금을 완전히 대체할 수 없다.

업계에는 과거 바이아웃을 더 관대하게 만들었던 두 가지 순풍도 사라졌다. 저렴한 부채는 스폰서가 더 적은 자기자본으로 인수를 조달할 수 있게 했다. 이후 밸류에이션 배수가 상승하면 운영 개선이 기대에 못 미쳐도 수익률을 끌어올릴 수 있었다.

McKinsey에 따르면, 2010년부터 2022년 사이 저렴한 레버리지와 배수 확장은 사모펀드 수익률의 59%를 차지했다. 높아진 금융 비용과 더 엄격해진 밸류에이션은 이제 사업 성과에 더 큰 책임을 부여한다.

AI는 바로 이 시점에 등장한다. AI는 금융공학이 아닌 포트폴리오 기업 내부에서 만들어지는 개선, 즉 새로운 형태의 운영 가치 창출을 약속한다. 여기에는 더 빠른 영업 업무, 자동화된 프로세스, 더 나은 가격 책정, 신제품, 높은 직원 생산성이 포함된다.

운용사들은 현재 투자자와 잠재 투자자 모두로부터 압박을 받고 있다. 현재 유한책임투자자들은 오래된 펀드로부터의 분배를 원한다. 잠재 투자자들은 새로운 펀드에 자금을 약정하기 전에 운용사가 오늘날의 환경에서 가치를 창출할 수 있다는 증거를 원한다.

펀드레이징 통계는 선별적인 환경을 보여준다. 북미 사모펀드 펀드레이징은 2025년 8% 증가한 4,320억 달러를 기록했다. 유럽의 펀드레이징은 41% 감소한 1,180억 달러였고, 아시아태평양은 49% 줄어든 490억 달러였다.

규모도 더욱 중요해지고 있다. 5억 달러 미만 펀드는 5년 전보다 펀드레이징에서 더 작은 비중을 차지했다. 그 비중은 17%에서 13%로 하락한 반면, 대형 운용사는 입지를 넓혔다.

AI는 소규모 운용사가 유지하기 어려울 수 있는 역량을 필요로 하기 때문에 이러한 격차를 더 키울 수 있다. 운용사에는 기술 실사, 데이터 거버넌스, 조달 전문성, 사이버보안 통제, 그리고 각 포트폴리오 기업을 이해하는 운영 인력이 필요하다.

대형 운용사는 중앙 조직을 구축하고 비용을 수십 개 보유 자산에 분산할 수 있다. 이들은 모델 제공업체와 협상하고, 재사용 가능한 도구를 유지하며, 기업 간 결과를 비교할 수 있다. 소규모 스폰서는 더 빠르게 움직일 수 있지만, 좁은 범위의 프로젝트를 신중하게 선택해야 한다.

돈만으로 문제를 해결할 수는 없다. 대규모 중앙 조직은 포트폴리오 기업 경영진이 무시하는 프레젠테이션을 만들 수 있다. 명확한 인센티브와 강력한 운영 리더십을 가진 소규모 소유주는 집중된 배포에서 더 나은 결과를 낼 수 있다.

필요한 대응은 분명하다. 운용사들은 AI를 실험 예산에서 투자위원회 의사결정, 가치 창출 계획, 엑시트 준비로 옮겨야 한다. 또한 이런 위험이 인수자 제안에 반영되기 전에 AI가 경제성을 위협하는 자산을 식별해야 한다.

이는 단기적 결과를 수반하는 장기 역량 경쟁이다. 데이터 인프라 구축에는 시간이 걸리지만, 오래된 자산은 지금 엑시트가 필요하다. 일찍 시작한 운용사는 막판 시연이 아니라 여러 분기에 걸친 운영 증거를 제시할 수 있으므로 유리하다.

AI 지출이 아닌 실행이 수익률 격차를 만들고 있다

새롭게 부상하는 승자는 단순히 AI에 더 많이 지출하는 것이 아니라, 배포 선택을 매출, 비용, 엑시트 준비도와 연결한다.

FTI Consulting의 Private Equity AI Radar는 더 강한 보고 성과를 내는 소수의 펀드를 설명한다. FTI는 이 그룹을 AI Alpha Tier라고 부른다.

조사 대상 펀드 전체에서 95%는 AI 이니셔티브가 원래의 사업성 검토를 충족하거나 초과했다고 답했다. 이를 크게 초과했다고 보고한 비율은 17%에 불과했다. 이 응답들 사이의 큰 격차는 기본적인 성공이 일반화된 반면, 탁월한 가치는 여전히 드물다는 점을 시사한다.

선도 그룹은 다른 계층보다 6% 더 높은 수익 실현, 5% 더 큰 비용 절감, 4% 더 높은 매출 성장을 보고했다. 또한 AI 관련 엑시트는 18% 더 많다고 보고했다.

이는 컨설팅 설문조사에서 나온 자기 보고 결과이므로, 독자는 이를 감사된 펀드 수익률처럼 받아들여서는 안 된다. AI 가치의 정의는 다를 수 있으며, 응답자는 유리한 측정치를 선택할 수 있다. 그럼에도 이 결과는 더 강한 성과와 연관된 관행을 유용하게 보여준다.

FTI는 성과 계층 전반에서 AI 투자 비율이 매출의 약 11%로 비슷하다고 파악했다. 보고된 격차는 총지출보다 배포 선택에서 비롯됐다.

선도 기업들은 투자 사이클 전반에 AI를 적용했다. 소싱, 실사, 포트폴리오 개선, 모니터링, 엑시트 준비에 AI를 활용했다. 또한 여러 포트폴리오 기업에 걸쳐 적용할 수 있는 광범위한 활용 사례를 선호했다.

이 모델은 규모의 이점을 제공한다. 스폰서는 고객 서비스 프레임워크를 한 번 개발한 뒤 여러 기업에 맞게 조정할 수 있다. 영업 조사, 계약 분석, 재무 보고를 위한 공통 접근법도 만들 수 있다. 재사용은 구현 비용을 낮추고 학습을 가속한다.

그러나 중앙집중화에는 한계가 있다. 포트폴리오 기업마다 고객, 데이터 시스템, 규제 의무, 제품 아키텍처가 다르다. 재사용 가능한 프레임워크는 현장 통제의 여지를 남겨야 한다.

FTI의 최고 성과 그룹은 포트폴리오 기업 주도 실행을 선호하는 경향을 보였다. 이 방식은 변화하는 프로세스를 이해하는 직원에게 책임을 더 가깝게 둔다. 펀드는 기술, 거버넌스, 인재, 측정을 제공할 수 있으며, 경영진은 결과에 대한 책임을 진다.

수익 프로젝트 역시 선도 기업과 후발 기업을 가르는 요인으로 보인다. 비용 절감에는 기업이 없앨 수 있는 업무량에 한계가 있기 때문에 자연스러운 상한선이 있다. AI가 제품을 개선하고, 전환율을 높이거나, 새로운 시장을 열면 수익 증가는 복리처럼 누적될 수 있다.

McKinsey의 성숙도 프레임워크는 그 차이를 보여준다. 첫 번째 단계에서 기업은 워크플로우나 가치 제안을 바꾸지 않은 채 개별 도구를 사용한다. 두 번째 단계에서는 AI를 운영 프로세스에 통합한다. 세 번째 단계에서는 AI를 제품에 내재화하고, 네 번째 단계에서는 새로운 사업을 만든다.

McKinsey 표본에서 가장 앞선 기업들은 직원 1인당 중간 수익이 직전 단계보다 18만 달러 높다고 보고했다. 이는 52% 증가에 해당한다.

다시 말해, 이 관계가 인과관계를 증명하는 것은 아니다. 기업이 고부가가치 소프트웨어를 판매하거나, 우호적인 시장에서 사업을 하거나, 이미 인력을 줄였기 때문에 직원 1인당 수익이 높아질 수 있다. 투자자는 헤드라인을 되풀이하기보다 그 메커니즘을 검토해야 한다.

신뢰할 만한 가치 창출 계획은 측정 가능한 제약에서 시작한다. 한 기업은 영업 담당자가 계정 조사에 너무 많은 시간을 쓰기 때문에 매출을 놓칠 수 있다. 다른 기업은 제품 문서가 분산돼 있어 높은 지원 비용을 겪을 수 있다. 또 다른 기업은 엔지니어가 반복적인 통합 작업을 유지보수해야 할 수 있다.

그다음 관리자는 AI가 그 제약을 바꾸는지 검증할 수 있다. 기준선과 결과를 비교하고, 전체 배포 비용을 포함하며, 품질 실패를 주시해야 한다. 측정 지표는 현금흐름이나 방어 가능한 성장과 연결돼야 한다.

이 같은 규율은 매각 준비도 개선한다. 매수자는 AI 도구 목록보다 문서화된 유지율 상승을 더 신뢰할 것이다. 사용량, 단위 경제성, 고객 행동, 거버넌스를 검토할 수 있다. 증거가 있으면 개선 효과를 더 쉽게 평가할 수 있다.

많은 엔터프라이즈 모델이 내부 문서, 고객 기록, 운영 이력에 의존하기 때문에 지식 인프라는 여기서 중요해진다. 검색 가능한 AI knowledge base는 팀이 이러한 맥락을 찾아내는 데 도움이 될 수 있지만, 접근 통제와 소스 품질은 여전히 필수적이다.

따라서 수익률 격차는 조직 역량의 격차다. 모델 접근성은 널리 उपलब्ध하다. 희소한 역량은 가치 있는 문제를 고르고, 신뢰할 수 있는 데이터를 준비하며, 업무를 재설계하고, 사용자 채택을 이끌어 내고, 재무적 영향을 측정하는 데 있다.

AI는 Private Equity의 소프트웨어 자산도 훼손하고 있다

새로운 운영 성과를 약속하는 바로 그 기술이 기존 소프트웨어 바이아웃의 전제를 약화시키고 있다.

Private equity는 반복 구독이 예측 가능한 수익과 높은 마진을 만들어냈기 때문에 소프트웨어에 대규모로 투자했다. 사용자 수에 따라 과금하는 좌석 기반 라이선스는 고객 성장에서 더 높은 수익으로 이어지는 명확한 경로를 제공했다.

AI 에이전트는 이 관계를 복잡하게 만든다. 여러 에이전트의 지원을 받는 직원 한 명이 과거에는 더 큰 팀에 배정됐던 업무를 수행한다면, 고객은 소프트웨어 좌석을 더 적게 필요로 할 수 있다. 공급업체는 기존 계약하에서 더 적은 수익을 거두면서도 더 큰 가치를 제공할 수 있다.

공급업체는 사용량 기반 또는 성과 기반 가격제로 대응할 수 있지만, 모델 변경에는 위험이 따른다. 고객은 예측하기 어려운 청구서를 꺼릴 수 있다. 공급업체는 성과를 공정하게 측정하는 데 어려움을 겪을 수 있다. 영업팀 역시 새로운 인센티브와 계약 조건이 필요하다.

공개시장도 이미 이러한 우려를 반영했다. S&P Global의 software exit analysis는 S&P North American Technology Software Index가 2026년 1월 1일부터 4월 10일까지 27.73% 하락했다고 보고했다.

이후 이 지수는 손실 일부를 회복했다. 5월 4일 기준 연간 하락률은 여전히 14.03%였으며, 같은 기간 S&P 500은 4.99% 상승했다.

공개 소프트웨어 기업의 수익 성장도 둔화됐다. S&P Global은 성장률이 약 15%로, 2021년 2분기의 거의 30%에서 낮아졌다고 보고했다. 비상장 기업은 비교 가능한 정보를 그만큼 일관되게 공개하지 않지만, 매수자는 공개시장 성과를 활용해 기대치를 재조정할 수 있다.

거래 배수도 또 다른 변화를 보여준다. S&P Global이 인용한 451 Research 데이터에 따르면, 소프트웨어 인수자는 2021년에 후행 수익의 중앙값 6.4배를 지불했다. 이 수치는 2026년 4월 20일까지 3.2배로 하락했다.

높은 배수에 인수한 스폰서는 상당한 성장, 마진 개선 또는 부채 감축으로 하락분을 상쇄하지 않고서는 더 낮은 배수에 쉽게 매각할 수 없다. AI 기능이 도움이 될 수는 있지만, 불리한 진입 가격을 없애지는 못한다.

오래된 보유 자산은 문제의 시급성을 높인다. 2026년 4월 기준 북미의 활동 중인 private equity 소프트웨어 포트폴리오 기업 가운데 27% 이상은 최소 5년 전에 인수됐다. 약 11%는 7년 이상 보유됐다.

긴 보유 기간은 투자자의 유동성을 제한하고 경영진의 관심을 소모한다. 또한 시점 불일치를 초래할 수 있다. 포트폴리오 기업은 소유주가 매각을 준비하려는 바로 그 시점에 대규모 제품 재구축이 필요할 수 있다.

거래 활동도 큰 완화를 제공하지 못한다. 소프트웨어 인수합병 규모는 2025년 3,100억 달러였다. 2026년 4월 20일까지 기록된 금액은 250억 달러에 불과했으며, 그중 72%는 1월 발표와 관련돼 있었다.

잠재적 전략적 매수자도 자체적인 제약에 직면한다. 주가 하락은 주식 대가 인수의 매력을 낮춘다. Private equity 매수자 역시 부채에 의존하는데, 대출기관이 소프트웨어 수익의 지속 가능성에 의문을 제기하면 이를 정당화하기가 더 어려워진다.

시장은 모든 소프트웨어를 거부하는 것이 아니다. 워크플로우 중요도, 독점 데이터, 고객 전환 비용, 그리고 AI가 만들어 낸 가치에 과금할 수 있는 역량에 따라 기업을 구분하고 있다.

재무, 보안, 헬스케어 또는 산업 운영에 깊이 내재화된 시스템은 여전히 대체하기 어려울 수 있다. 반면 일반적인 데이터를 기반으로 한 차별화가 약한 인터페이스는 모델 제공업체, 번들 기능 또는 새로운 AI 네이티브 진입자의 더 큰 압력을 받을 수 있다.

이것이 Google News의 프레이밍 이면에 있는 시장 분화다. Private equity 기업은 강한 사업 내 AI 도입으로 수익을 낼 수 있는 반면, 제품을 복제하기 쉬워지는 소프트웨어 기업에서는 가치를 잃을 수 있다.

이 모순은 기술 중심 스폰서에게 특히 뚜렷하다. 이들의 운영팀은 가장 유능한 AI 배포자에 속할 수 있지만, 포트폴리오에는 위협받는 구독 수익이 가장 많이 집중돼 있을 수 있다.

어떤 포괄적 라벨도 이 모순을 해소하지 못한다. “Software”는 지나치게 광범위하고, “AI-enabled” 역시 지나치게 모호하다. 투자자는 각 자산을 제품과 워크플로우 수준에서 평가해야 한다.

수치에는 여전히 의문의 여지가 남아 있다

보고된 AI 초과 성과는 조사할 만큼 의미가 있지만, 모든 밸류에이션 차이를 실현된 투자 수익으로 취급하기에는 아직 이르다.

첫 번째 불확실성은 측정과 관련된다. 비상장 기업의 밸류에이션은 지속적으로 갱신되지 않는다. 자금 조달 라운드, 내부 평가, 비교 기업 또는 거래 가정에 의존할 수 있다. 이러한 방법은 서로 다른 속도로 반응한다.

더 높은 수익 배수는 예상 성장률을 나타낼 수 있다. 하지만 해당 밸류에이션으로 매각될 것을 보장하지는 않는다. 시장이 변하거나, 실사에서 약점이 드러나거나, 성장이 둔화되면 매수자는 가정을 수정할 수 있다.

두 번째 문제는 선택 편향이다. 강한 경영진, 정제된 데이터, 현대적인 기술 스택을 갖춘 기업은 AI를 깊이 도입할 가능성이 더 높다. 이러한 특성만으로도 AI 없이 더 강한 성과를 낼 수 있다.

선도 기업은 숙련된 직원과 더 나은 자금 조달을 끌어들이는 경향도 있다. 이들의 AI 성숙도는 성과의 별도 원인이라기보다 더 폭넓은 조직 품질을 반영할 수 있다.

세 번째 불확실성은 비용에 관한 것이다. 모델 사용, 데이터 준비, 사이버보안, 통합, 평가, 인적 검토에는 모두 비용이 든다. 프로젝트는 총산출을 개선하면서도 전체 비용을 반영한 뒤에는 이익을 줄일 수 있다.

일부 생산성 향상은 현금 절감으로 이어지지 않는다. 직원은 매출을 늘리거나 인원을 줄이지 않고도 더 많은 업무를 처리할 수 있다. 이는 서비스를 개선할 수 있지만, 관리자는 이를 정확하게 설명해야 한다.

수익 귀속도 또 다른 과제를 만든다. 기업은 가격을 바꾸고, 영업팀을 확대하고, 새로운 시장에 진입하면서 AI 기능을 추가할 수 있다. AI의 기여도를 분리하려면 신중한 테스트와 일관된 데이터가 필요하다.

포트폴리오 관리자는 거버넌스 위험에도 직면한다. 모델은 기밀 정보를 노출하거나, 잘못된 콘텐츠를 생성하거나, 편향을 재현할 수 있다. 규제 대상 워크플로우에서의 실패는 절감 효과를 없애고 도입을 지연시킬 수 있다.

이러한 위험이 AI를 피해야 한다는 뜻은 아니다. 더 엄격한 구현이 필요하다는 뜻이다. 기업은 각 모델의 책임자가 누구인지, 어떤 데이터에 접근할 수 있는지, 언제 사람이 출력을 검토해야 하는지, 그리고 품질 저하를 어떻게 감지할지를 정해야 한다.

Private equity의 제한된 보유 기간은 또 다른 복잡성을 더한다. 기술적으로 타당한 프로젝트라도 성숙하는 데 수년이 필요하다면 투자로서는 부적절할 수 있다. 스폰서는 배포 일정과 예상 매각 시점을 맞춰야 한다.

가장 신뢰할 만한 프로젝트는 몇 분기 안에 효과를 보여주고, 이후 더 큰 제품 변화로 나아갈 수 있다. 이 접근법은 확장 가능성을 보존하면서 관리자가 증거를 확보하게 해준다.

투자자는 실현된 이익과 예상 매각 개선 효과도 구분해야 한다. 재무제표에서 확인되는 비용 절감은 미래 매수자가 더 높은 배수를 지불할 것이라고 가정하는 모델과는 다른 무게를 지닌다.

따라서 AI 사업 사례를 크게 초과 달성한 펀드가 17%에 불과하다는 FTI의 발견은 광범위한 95% 성공 수치보다 더 많은 정보를 제공한다. 이는 AI가 탁월한 수익을 창출하지 못해도 완만한 목표는 충족할 수 있음을 시사한다.

경쟁 측면의 질문은 초기 선도 기업이 우위를 유지할 수 있는지다. 모델은 개선되고, 구현 도구는 구매하기 쉬워지며, 경험 있는 직원은 기업 사이를 이동한다. 오늘날 차별적으로 보이는 관행은 표준이 될 수 있다.

방어력은 모델 접근성 이상에서 나와야 한다. 독점 데이터, 깊이 통합된 워크플로우, 고객 신뢰, 특화된 유통 또는 더 빠른 조직 학습에서 나올 수 있다.

가장 강한 회의적 결론은 AI 수익률 격차가 허구라는 것이 아니다. 현재의 증거가 운영 성과, 비상장 밸류에이션, 설문 응답, 그리고 실현되지 않은 기대를 혼합하고 있다는 것이다.

Google News 독자는 이 붐을 진행 중인 성과 검증으로 받아들여야 한다. 일부 기업은 초기 선두를 확보했지만, 최종 순위는 매각과 현금 분배에 달려 있다.

AI 붐이 현금을 창출하는지 보여줄 세 가지 신호

다음 단계는 매각 증거, 소프트웨어 가격 변화, 포트폴리오 수준의 운영 성과에 의해 결정될 것이다.

첫 번째 신호는 2026년 남은 기간 동안의 소프트웨어 매각 규모와 밸류에이션이다. 완료된 매각은 내부 포트폴리오 평가보다 더 확실한 증거를 제공한다.

투자자는 매각 배수를 진입 밸류에이션 및 가장 최근에 보고된 평가와 비교해야 한다. 또한 성숙한 AI 제품을 보유한 기업이 기본적인 어시스턴트나 자동화 기능을 제공하는 기업보다 더 좋은 조건을 받는지도 살펴봐야 한다.

고품질 소프트웨어 거래의 반등은 매수자가 여전히 지속 가능한 워크플로우 제품에 보상한다는 견해를 뒷받침할 것이다. 활동 부진이 계속되면 적체가 심화되고, AI 개선이 이미 유동성을 회복시키고 있다는 주장도 약화될 것이다.

Bain의 midyear assessment는 기술 거래 가치가 2025년 4분기부터 2026년 1분기까지 70% 감소했다고 보고했다. 이러한 하락은 낮은 기준점을 만들지만, 신뢰가 얼마나 빠르게 사라질 수 있는지도 보여준다.

두 번째 신호는 주요 소프트웨어 공급업체들이 좌석 기반 라이선싱에서 성공적으로 벗어나는지 여부다. 사용량 및 성과 기반 가격 책정은 AI 에이전트가 창출하는 가치에 맞춰 수익을 정렬할 수 있지만, 고객이 이 모델을 받아들일 때만 가능하다.

갱신율, 순매출 유지율, 계약 확장을 지켜봐야 한다. 좌석 수는 줄이면서도 고객의 총지출을 늘리는 공급업체는 실현 가능한 전환 방식을 찾아낸 것이다. 좌석 수와 매출이 모두 감소한다면 파괴적 변화 시나리오를 뒷받침하게 된다.

사모펀드 운용사는 상장 경쟁사들이 이를 보고하기 전에 자체 포트폴리오에서 이러한 지표를 살펴봐야 한다. 분기별 시장 증거를 기다리다 보면 패키징, 제품 설계 또는 영업 인센티브를 바꾸기에 시간이 너무 부족할 수 있다.

세 번째 신호는 포트폴리오 수준 보고의 품질이다. 운용사들은 신규 펀드를 조성할 때 AI 주도 매출 증가와 비용 절감 효과를 점점 더 많이 주장할 것이다. 유한책임사원은 보유 자산 전반에서 비교 가능한 측정치를 요구해야 한다.

유용한 보고에는 도입률, 배포 비용, 매출 변화, 비용 절감, 오류율, 그리고 가치 실현까지 걸린 시간이 포함된다. 또한 전망과 결과를 구분하고, 혜택이 재무제표에 반영됐는지를 보여줘야 한다.

일관된 보고는 수익률 격차가 반복 가능한 운영 역량을 반영한다는 주장을 강화할 것이다. 모호한 사례 연구와 바뀌는 정의는 이를 약화시킬 것이다.

사모펀드의 AI 붐은 지출, 관심, 조직 활동 측면에서 현실이다. 아직 해결되지 않은 질문은 그 활동 중 얼마나 많은 부분이 분배 가능한 현금으로 이어지느냐는 것이다.

이 구분은 펀드 투자자에게만 영향을 미치지 않는다. 기업 구매자는 포트폴리오 보유 공급업체들이 제품과 가격 정책을 수정할 것으로 예상해야 한다. 지식 노동자는 명시적인 생산성 목표와 함께 더 많은 자동화가 도입되는 것을 보게 될 것이다. 개발자들은 모델 성능을 매출, 비용, 고객 유지와 연결해야 한다는 더 강한 요구에 직면하게 될 것이다.

Google News를 통해 이 이야기를 추적하는 독자라면 AI 발표 건수만 보지 말아야 한다. 더 나은 질문은 기업이 미래의 인수자가 검증할 수 있는 경제적 제약을 바꿨는지 여부다.

자체 배포를 평가하는 팀이라면 각 결정의 근거가 되는 증거를 보존해야 한다. 실용적인 AI 워크플로는 업데이트를 정리하는 데 도움이 될 수 있지만, 최종 기록은 도입과 비즈니스 성과를 연결해야 한다.

향후 몇 달 동안은 먼저 완료된 엑시트, 그다음 소프트웨어 가격 책정 전환, 마지막으로 비교 가능한 포트폴리오 성과를 지켜봐야 한다. 이러한 신호는 AI가 지속 가능한 사모펀드 수익을 창출하고 있는지, 아니면 낙관적인 평가와 실제로 매각 가능한 자산을 가르는 데 그치고 있는지를 보여줄 것이다.