Salesforce AI 가격이 SaaS의 사용자당 과금 약속을 무너뜨리다

Salesforce AI 가격은 이제 작업, 대화 또는 사용자를 측정하며, 예측 가능한 소프트웨어 구독이 한때 감춰왔던 충돌을 드러낸다. AI 에이전트는 직원 수를 늘리지 않고도 업무를 수행할 수 있지만, 모든 모델 호출에는 변동적인 컴퓨팅 비용이 발생한다. 이 조합은 고객의 인력 규모, 소프트웨어 가치, 공급업체 매출 간의 연결을 약화시킨다.

이 변화가 중요한 이유는 사용자당 구독이 소프트웨어 기업에 이례적으로 가시성 높은 반복 매출을 제공했기 때문이다. 고객은 직원 수를 바탕으로 지출을 예측할 수 있었고, 투자자는 갱신과 확장을 모델링할 수 있었다. AI 에이전트는 유용한 활동을 늘리는 동시에 인간 사용자 수를 줄일 가능성이 있어 두 계산 모두를 흔든다.

Salesforce가 구독을 포기하는 것도 아니고, 서비스형 소프트웨어 산업이 사라지는 것도 아니다. 대신 Salesforce, Microsoft, HubSpot, Intercom 및 기타 공급업체들은 여러 과금 단위를 동시에 시험하고 있다. 그 결과 소프트웨어가 더 많은 일을 처리하더라도 시장의 예측 가능성은 낮아지고 있다.

Salesforce AI 가격은 이제 업무를 따른다

Salesforce AI 가격은 더 이상 인간 사용자 한 명이 소프트웨어 가치의 가장 명확한 단위라는 전제를 두지 않는다.

이 회사는 현재 Agentforce의 사용자당 라이선스와 함께 소비 기반 옵션을 제시하고 있다. 소비 시스템은 Flex Credits를 사용하며, 서로 다른 프롬프트와 에이전트 작업을 공통 과금 단위로 변환한다. 일부 고객 대면 사용 사례에서는 대화 기반 방식도 계속 제공된다.

Salesforce는 자율 에이전트가 추론하고, 도구를 호출하며, 기록을 업데이트하고, 여러 단계의 워크플로를 완료할 수 있다고 설명한다. 각 작업은 Flex Credits 모델에서 과금 대상 작업을 생성할 수 있다. 초안 작성이나 요약과 같은 더 단순한 내장 기능은 대신 프롬프트를 통해 측정될 수 있다.

이 구조는 현실적인 문제를 반영한다. 고객 서비스 에이전트는 쇼핑객을 인증하고, 주문을 조회하며, 이행 데이터를 확인하고, 응답을 준비할 수 있다. 따라서 눈에 보이는 하나의 대화에도 여러 작업이 포함될 수 있으며, 각 작업의 인프라 요구 사항은 다를 수 있다.

인간 사용자 라이선스는 이러한 차이를 하나의 반복 청구 금액으로 압축한다. 직원이 주요 운영자이고 소프트웨어 비용이 천천히 변할 때는 효과적이다. 그러나 자율 시스템이 지속적으로 실행되고, 추가 단계로 분기하며, 여러 모델을 호출할 수 있게 되면 어려워진다.

Salesforce는 사용자당 가격을 대체할 하나의 보편적 방식을 선택하지 않았다. 직원 지원, 고객 지원, 자율 실행은 활동과 가치 사이에 서로 다른 관계를 만들기 때문에 서로 다른 측정 단위를 제공한다. 이러한 다양성은 완성된 가격 공식이 아니라 아직 정착되지 않은 전환의 증거다.

회사는 소비량을 추적하기 위한 디지털 지갑도 제공한다. 고객은 크레딧 사용량을 모니터링하고, 추세를 검토하며, 활동이 예상치를 초과하기 전에 알림을 구성할 수 있다. 이러한 통제 수단은 변동 청구가 고정된 사용자 수보다 더 많은 운영상 주의를 요구한다는 점을 인정한다.

AI는 비용 측면도 바꾼다. 전통적인 SaaS 공급업체는 일반적으로 사용자 한 명을 추가로 제공할 때 상대적으로 낮은 추가 인프라 비용을 부담한다. 생성형 AI는 모델이 맥락을 처리하거나, 답변을 생성하거나, 다른 도구를 선택할 때마다 추론 비용을 발생시킨다.

에이전트는 하나의 요청을 처리하는 동안 이러한 작업을 여러 차례 반복할 수 있다. 소프트웨어 공급업체는 이 변동 비용을 흡수하거나 일부를 고객에게 전가해야 한다. 사용량이 비슷해 보이는 계정들 사이에서 크게 다를 경우 정액 구독은 매력적이지 않을 수 있다.

Axios가 보도한 9월 11일의 가격 정책 전환은 단순한 패키징 조정 이상의 의미를 갖는다. 이는 고객, 공급업체, 투자자가 반복 매출을 해석하는 방식을 바꾼다. 기존 측정 단위는 접근 권한을 셌지만, 새롭게 등장하는 측정 단위는 활동이나 완료된 업무를 센다.

이 변화가 사용자 라이선스를 무용하게 만드는 것은 아니다. 인간 사용자는 여전히 대시보드, 승인, 관리 통제 및 협업 기능이 필요하다. 따라서 많은 기업은 기본 구독을 유지하면서 변동형 에이전트 구성 요소를 추가할 것이다.

이 하이브리드 방식은 공급업체에 안정적인 매출 하한을 제공한다. 동시에 증가하는 AI 사용과 추가 매출을 연결한다. 그러나 고객 입장에서는 조달 및 재무팀이 예측해야 할 또 하나의 측정 단위를 만든다.

당면한 사건은 SaaS의 종말이 아니다. 한 가지 명확한 관계가 사라지는 것이다. 과거에는 직원이 늘면 사용자 수가 늘었고, 사용자 수가 늘면 반복 매출이 증가했다. 이제 AI 에이전트는 그 방정식을 유지하지 않은 채 생산량을 확대할 수 있다.

사용자당 SaaS 가격이 압박받는 이유

소프트웨어가 단순히 직원의 업무를 돕는 수준을 넘어 노동을 수행할 때 사용자당 모델은 약화된다.

접근 권한이 가치와 밀접하게 연결될 때 사용자는 가격 단위로 기능한다. 영업 담당자는 고객 관계 플랫폼을 사용하고, 회계사는 재무 소프트웨어를 사용하며, 엔지니어는 개발 도구를 사용한다. 팀이 성장하면 고객은 추가 계정을 구매한다.

AI 에이전트는 다른 패턴을 만든다. 직원 한 명이 여러 에이전트를 지휘할 수 있고, 에이전트 하나가 부서 전체를 지원할 수 있다. 인간 로그인 수가 정체하거나 감소하더라도 고객은 더 많은 완료 업무를 받을 수 있다.

이것이 SaaS 공급업체가 마주한 핵심적 반전이다. 성공적인 자동화는 역사적으로 확장 매출을 뒷받침했던 바로 그 사용자 수를 줄일 수 있다. 노동을 절감하는 제품은 고객 가치를 창출해야 하지만, 사용자 기반 계약은 공급업체가 그 가치를 공유하지 못하게 할 수 있다.

에이전트가 일상 업무를 처리할 때 고객은 미사용 라이선스에 대해서도 더 적극적으로 문제를 제기한다. 셸프웨어는 직원이 거의 사용하지 않는 구매된 용량을 뜻한다. 자동화된 워크플로가 더 적은 운영자에게 업무를 집중시킬 수 있다면 조직이 이를 용인할 이유는 줄어든다.

McKinsey는 150개 글로벌 공급업체의 가격 모델을 검토하고 AI 제품을 출시한 50개 이상의 기업과 대화했다. 해당 공급업체 연구에 따르면 AI 네이티브 기업은 이미 기존 공급업체보다 사용자당 구독에 덜 의존하고 있다.

연구 대상 기업 중 플랫폼 수수료는 AI 네이티브 공급업체의 44%에서 주된 구독 모델이었다. 사용자당 구독을 주로 사용한 비율은 22%에 불과했다. 기존 소프트웨어 기업은 반대 양상을 보였으며, 78%가 사용자당 가격을 중심에 두고 있었다.

이 수치가 모든 소프트웨어 범주가 사용자 단위를 포기할 것임을 증명하는 것은 아니다. 협업 도구는 여전히 광범위한 직원 참여에서 가치를 얻는다. 관리 시스템 역시 보안, 책임성 및 권한 관리를 위해 지정 사용자가 필요하다.

다만 이 수치는 기업 접근 권한과 소비량 측정 단위가 신뢰할 만한 대안으로 떠오르고 있음을 보여준다. 이들은 제품을 여는 사람 수와 매출을 분리한다. 에이전트가 그래픽 인터페이스가 아닌 애플리케이션 프로그래밍 인터페이스를 통해 업무를 수행할 때 이러한 분리는 더욱 가치 있어진다.

이 과정에서 투자자들은 익숙한 가치평가 가정을 재검토해야 한다. 연간 계약은 여전히 반복 매출을 만들 수 있지만, 소비량은 계정별 변동성을 높인다. 확장은 채용이나 부서별 도입뿐 아니라 업무량 증가에 좌우된다.

AI 비용은 또 다른 불확실성을 더한다. 모델 사용량, 검색, 도구 호출 및 데이터 처리는 활성 고객을 제공하는 비용을 높일 수 있다. 따라서 매출총이익률은 업무량 구성, 모델 선택 및 에이전트 행동에 따라 달라질 수 있다.

공급업체는 짧고 반복 가능한 작업에서 매력적인 마진을 얻을 수 있다. 그러나 에이전트가 대형 문서를 처리하거나 어려운 워크플로를 재시도할 때 동일한 계약의 매력은 떨어질 수 있다. 평균적인 사용자 단위 경제성은 이 차이를 드러낼 수 없다.

구매자는 이 문제의 반대편에 놓인다. 지출과 활동 사이의 연결은 더 가까워지지만, 직원 수를 세는 단순성은 잃게 된다. 재무팀은 에이전트가 얼마나 자주 실행되는지와 작업이 얼마나 복잡해지는지를 모델링해야 한다.

조달팀은 더 명확한 정의도 요구하게 될 것이다. 공급업체는 무엇이 작업, 대화, 해결 또는 크레딧으로 계산되는지 설명해야 한다. 고객은 실패한 시도, 재시도, 에스컬레이션 및 테스트 활동이 할당량을 소비하는지 알아야 한다.

이로 인해 텔레메트리는 상업적 제품의 일부가 된다. 사용량 대시보드, 지출 한도 및 감사 기록은 더 이상 선택적인 관리 부가 기능이 아니다. 이들은 고객이 청구서를 신뢰하고 내부적으로 이를 정당화할 수 있는지를 결정한다.

압박은 구매를 넘어 확장된다. 제품팀은 측정 가능한 단위를 설계해야 하고, 엔지니어링팀은 이를 기록해야 하며, 영업팀은 이를 설명해야 한다. 이후 재무 부서는 변화하는 소비량을 매출 전망으로 변환한다.

사용자당 가격은 이러한 기능들을 단순한 계약 안에 담았다. AI 사용량은 이를 분리한다. 이제 업계에는 업무, 가치 및 컴퓨팅 비용을 반영하면서도 이해하기 쉬운 측정 단위가 필요하다.

사용량 기반 가격은 한 문제를 해결하고 또 다른 문제를 만든다

사용량 기반 가격은 매출을 활동과 연계하지만, 예측 위험을 공급업체에서 구매자로 이전한다.

소비량 측정 단위는 조직이 더 많이 사용할수록 더 많이 지불하기 때문에 공정해 보인다. 이 원칙은 가변적인 수의 작업을 수행하는 에이전트에 잘 맞는다. 또한 공급업체가 무제한의 모델 및 인프라 비용을 떠안지 않도록 보호한다.

어려움은 무엇을 셀지 선택하는 데 있다. 토큰은 모델이 읽고 생성하는 텍스트 조각을 측정한다. 컴퓨팅 비용과 밀접하게 연결되지만, 대부분의 기업 구매자에게는 직관적인 의미가 거의 없다.

작업은 워크플로 활동과 연결하기가 더 쉽다. 그러나 어떤 작업은 필드를 하나 업데이트하는 반면, 다른 작업은 여러 시스템을 검색하고 상세한 응답을 생성할 수 있다. 하나의 명칭이 노력과 가치의 큰 차이를 숨길 수 있다.

크레딧은 여러 서비스 전반에서 공통 회계 계층을 제공한다. 공급업체는 프롬프트, 에이전트 작업, 번역 또는 음성 활동에 서로 다른 크레딧 가중치를 부여할 수 있다. 고객은 하나의 잔액을 받지만, 그 잔액이 얼마나 빠르게 소진되는지 이해하려면 여전히 세부적인 모니터링이 필요할 수 있다.

Microsoft는 여러 에이전트 경험에 이 방식을 채택했다. 해당 문서는 Copilot Credits를 지원되는 워크로드 전반의 사용량 기반 청구 단위로 설명한다. 관리자는 Copilot 크레딧 제어를 통해 예산, 지출 정책, 사용량 보고서, 알림 및 하드 캡을 이용할 수 있다.

이러한 통제 수단은 실제 구매자 요구 사항을 드러낸다. 기업에는 단순한 과금 단위만 필요한 것이 아니다. 에이전트, 사용자, 부서 및 작업을 그에 따른 소비량과 연결하는 거버넌스가 필요하다.

이러한 가시성이 없으면 실험이 예상치 못한 청구서를 만들 수 있다. 성공적인 도입은 직원 수 증가보다 훨씬 빠르게 활동을 늘릴 수 있다. 자율 워크플로는 사람이 더 이상 지켜보지 않는 뒤에도 리소스를 계속 사용할 수 있다.

하드 캡은 재무적 노출을 줄이지만 운영 위험을 초래한다. 수요 급증 중 한도에 도달한 고객 지원 에이전트는 고객이 가장 필요로 하는 순간에 멈출 수 있다. 느슨한 한도는 연속성을 보호하지만 비용 확실성을 약화시킨다.

모델 라우팅은 하나의 대응책이다. 더 쉬운 작업에는 소형 모델을 사용하고, 어려운 요청에는 더 강력한 시스템을 사용할 수 있다. 반복되는 맥락을 캐싱하고 불필요한 프롬프트 기록을 줄이는 것도 소비량을 제한할 수 있다.

이러한 기법은 소프트웨어 아키텍처를 가격 전략의 일부로 만든다. 두 공급업체가 비슷한 인터페이스를 제공하더라도 추론 비용은 크게 다를 수 있다. 효율적인 라우팅을 갖춘 공급업체는 더 예측 가능한 용량을 제공하거나 더 높은 마진을 유지할 수 있다.

구매자는 이러한 내부 의사결정을 완전히 파악하기 어렵다. 어떤 모델이 각 단계를 처리했는지 모른 채 지갑에서 크레딧이 차감되는 것만 볼 수 있다. 따라서 투명한 사용 기록은 세련된 AI 기능 목록보다 더 중요하다.

하이브리드 가격 정책은 상충하는 요구의 균형을 맞추려는 시도다. 기본 구독은 접근 권한, 지원, 보안, 예측 가능한 매출을 제공한다. 사용량 계층은 포함된 용량을 넘어선 에이전트 활동을 포착한다.

HubSpot은 Breeze Customer Agent를 크레딧 방식으로 확장하면서 이러한 방향을 공개적으로 설명했다. 이 회사의 하이브리드 가격 전략은 구독 좌석, 포함된 용량, 추가 크레딧 사용량을 결합한다. 회사는 사용량과 성과가 일관되게 나타난 뒤 다른 AI 에이전트에도 유사한 방식을 적용하는 방안을 검토하겠다고 밝혔다.

이러한 순서는 유용한 교훈을 제공한다. 공급업체는 지속 가능한 계량 기준을 확정하기 전에 실제 행동에 대한 근거가 필요하다. 너무 이른 가격 책정은 고객이 나중에 거부하는 기술적 측정치에 매출을 묶어둘 수 있다.

제품 도입을 저해할 수도 있다. 모든 프롬프트가 눈에 보이는 잔액을 줄이는 것처럼 보이면 직원들은 실험을 덜 하게 된다. 부서는 에이전트를 좁은 업무에만 제한할 수 있으며, 이는 공급업체가 제품이 어디에서 가치를 제공하는지 학습하는 것을 막는다.

무제한 접근은 탐색을 장려하지만, 공급업체는 과도한 사용량에 노출된다. 사용량 기반 과금은 공급업체를 보호하지만 고객 불안을 유발할 수 있다. 어떤 계량 방식도 이 상충 관계를 없애지는 못한다.

Salesforce의 AI 가격 정책은 이러한 절충을 보여준다. 이 회사는 예측 가능한 직원 접근을 위한 사용자 라이선스와 가변적인 에이전트 업무를 위한 사용량 옵션을 함께 지원한다. 이러한 유연성은 다양한 고객에게 도움이 될 수 있지만, 비교와 조달을 더 복잡하게 만들기도 한다.

그 결과는 전통적인 SaaS보다 클라우드 인프라 구매에 더 가깝다. 고객은 워크로드를 추정하고, 사용률을 관찰하며, 한도를 관리해야 한다. 소프트웨어 구매자에게는 과거 주로 클라우드 운영팀에 속했던 역량이 점점 더 필요해지고 있다.

이는 토큰 과금이 모든 AI 제품의 대외적 얼굴이 된다는 뜻은 아니다. 기술 리소스 단위는 비즈니스 가치와 너무 동떨어져 있는 경우가 많다. 공급업체는 이를 계속해서 작업, 크레딧, 태스크 또는 용량 번들로 번역할 것이다.

지속 가능한 모델은 이 번역을 이해하기 쉽게 만들 것이다. 고객은 어떤 행동이 지출을 유발하는지 이해해야 하며, 공급업체는 변동 비용을 회수해야 한다. 한쪽만 만족시키는 가격 단위는 안정적으로 유지되지 못한다.

결과 기반 AI 가격 정책에는 측정 문제가 있다

성과에 과금하는 방식은 가치에 가장 가까워 보이지만, 모든 계약은 그 결과에 대한 공로가 누구에게 있는지를 정의해야 한다.

결과 기반 가격 정책은 소프트웨어가 가치 있는 업무를 완료했을 때 고객이 비용을 지불하도록 한다. 지원 에이전트는 해결된 대화 수로 측정될 수 있다. 영업 에이전트는 검증된 리드 또는 완료된 리서치로 측정될 수 있다.

이 구조는 상업적 설명을 개선한다. 고객은 AI가 무언가를 시도했다는 이유만으로 비용을 내지 않는다. 공급업체는 시스템이 합의된 결과에 도달할 때 매출을 얻는다.

Intercom은 Fin AI Agent에 이 방식을 사용한다. 공개된 결과 규칙은 성공적인 해결과 설정된 핸드오프를 실패한 절차나 직접적인 에스컬레이션과 구분한다. 회사는 하나의 대화에서 최대 한 번만 과금한다고 설명한다.

이는 토큰 사용량보다 더 명확하게 들린다. 지원 책임자는 프롬프트 수보다 해결된 사례를 더 쉽게 이해한다. 이 단위는 고객이 원했던 비즈니스 가치에도 더 가깝다.

그러나 겉보기의 단순성은 세부적인 정의에 달려 있다. AI가 문제를 해결한 것인가, 아니면 고객이 단지 답변을 멈춘 것인가? 에이전트가 정보를 수집했지만 사람이 업무를 완료한 경우에도 핸드오프로 계산해야 하는가?

그 답은 청구서와 제품 지표 모두에 영향을 미친다. 공급업체는 더 많은 상호작용을 성공으로 분류할 유인이 있다. 고객은 불완전하거나 낮은 품질의 답변을 낳은 사례에 이의를 제기할 유인이 있다.

복잡한 워크플로는 더 어려운 귀속 분쟁을 만든다. 영업 에이전트는 잠재 고객을 식별하고, 연락처 데이터를 보강하고, 아웃리치 초안을 작성하고, 미팅을 예약할 수 있다. 최종 거래는 브랜드 인지도, 가격, 사람의 협상, 시장 상황에도 좌우될 수 있다.

완료된 판매에 과금하면 궁극적 가치와 정렬되지만, 소프트웨어가 모든 기여 요인을 통제하지는 않는다. 아웃리치에 과금하는 편은 측정하기 쉽지만 품질이 아닌 활동을 보상한다. 검증된 리드에 과금하는 방식은 그 양극단 사이에 위치한다.

McKinsey는 업계 연구에서 시사적인 사례를 보고했다. 한 AI 네이티브 영업 공급업체는 활동 기반과 결과 기반 계약을 모두 제공했다. 고객의 90%는 지출 예측과 검증 기준의 정의가 협상 과정에서 어려워졌기 때문에 활동 기반 가격 정책을 선택했다.

이 결과는 널리 퍼진 가정에 의문을 제기한다. 구매자는 언제나 경제적 가치에 가장 가까운 지표를 선택하지는 않는다. 더 명확한 예산과 더 적은 계약 분쟁을 제공한다면, 덜 완벽한 단위를 선호할 수 있다.

결과 가격 정책은 공급업체의 위험도 바꾼다. 완료된 결과만 매출을 낼 때 제공업체는 실패한 시도의 비용을 부담한다. 이는 더 나은 제품을 장려할 수 있지만, 어려운 고객 환경은 불공정한 비교를 낳을 수 있다.

낮은 품질의 데이터, 불완전한 통합 또는 제한적인 정책은 에이전트의 성공률을 낮출 수 있다. 고객의 설정이 실패를 초래했더라도 공급업체가 비용을 부담할 수 있다. 따라서 계약에는 전제조건, 예외, 공동 책임에 관한 규칙이 필요하다.

품질은 또 다른 문제를 제기한다. 해결이 기술적으로 완료되었더라도 고객은 만족하지 않을 수 있다. 리드는 공식 기준을 충족해도 상업적 잠재력이 거의 없을 수 있다. 이진적 과금 이벤트는 가치의 모든 차원을 포착할 수 없다.

따라서 기업에는 감사 가능한 근거가 필요하다. 고객은 상호작용, 에이전트의 행동, 최종 상태, 사람의 개입 여부를 검토할 수 있어야 한다. 자동화가 대규모 물량에 이르기 전에 분쟁 절차가 마련되어야 한다.

이 때문에 결과 가격 정책에는 결제 페이지를 바꾸는 것 이상이 필요하다. 공급업체는 평가 시스템, 고객 대상 텔레메트리, 내부 검토 도구, 일관된 정의를 갖춰야 한다. 영업 및 법무팀은 배포 전에 그러한 정의를 설명해야 한다.

에이전트 역시 지표에 반응해 행동을 바꿀 수 있다. 해결률에 최적화된 시스템은 적절한 에스컬레이션을 피할 수 있다. 검증된 리드에 보상받는 영업 에이전트는 관대한 검증 기준을 선호할 수 있다.

인간 조직은 이미 성과 목표와 관련해 이 문제에 직면한다. AI는 그러한 행동을 빠르게 확장하기 쉽게 만든다. 따라서 부적절한 인센티브는 누군가 규칙을 수정하기 전에 수천 건의 저품질 결과를 만들어낼 수 있다.

결과 과금은 범위가 제한된 워크플로에 여전히 매력적이다. 고객 지원, 문서 처리, 표준화된 검증은 관찰 가능한 완료 상태를 만들어낼 수 있다. 개방형 리서치나 전략 업무에는 명확한 종료 지점이 더 적다.

회의적인 결론은 결과 가격 정책이 실패한다는 것이 아니다. 이 모델은 성공이 적시에 확인되고, 귀속 가능하며, 자동으로 검증될 때에만 작동한다는 것이다. 많은 엔터프라이즈 업무는 아직 이 세 조건을 모두 충족하지 못한다.

따라서 사용량 기반과 결과 기반 가격 정책은 공존할 것이다. 사용량은 공급업체가 일관되게 계량할 수 있는 가변적 컴퓨팅 업무에 적합하다. 결과는 고객과 제공업체가 성공에 합의할 수 있는 표준화된 업무에 적합하다.

사람의 접근과 협업을 위한 사용자당 계약도 이들과 나란히 유지될 것이다. 단기 시장에는 하나의 보편적 후계자가 아니라 더 많은 계량 방식이 존재하게 될 것이다. 이러한 복잡성은 서로 다른 형태의 AI 업무에 맞추는 대가다.

다음 SaaS 실적 발표 주기가 보여줘야 할 것

승리하는 모델은 고객 예산이나 공급업체 마진을 예측 불가능하게 만들지 않으면서 AI 도입을 지속 가능한 매출과 연결할 것이다.

첫 번째로 살펴볼 신호는 주요 소프트웨어 기업 실적 보고서에서 공개되는 AI 사용량이다. 공급업체는 고객이 시험 단계에서 반복적인 운영 워크로드로 이동하는지 보여줘야 한다. 계약 발표만으로는 그러한 패턴을 입증할 수 없다.

투자자는 배포 이후 사용량이 증가하면서도 심각한 매출 변동성을 만들지 않는다는 근거를 찾아야 한다. AI 매출 성장과 인프라 비용도 비교해야 한다. 이를 제공하는 비용이 같은 속도로 상승한다면 사용량 증가는 중요성이 떨어진다.

매출총이익률에 관한 논평은 특히 주목할 만하다. AI 에이전트는 기존 소프트웨어 기능보다 더 많은 추론과 도구 사용을 수행한다. 공급업체는 라우팅, 모델 선택, 캐싱, 가격 정책이 시간이 지나며 이러한 비용을 상쇄한다는 점을 보여줘야 한다.

두 번째 신호는 가격 정책의 단순화다. Salesforce, Microsoft 및 경쟁사들은 현재 중복되는 좌석, 크레딧, 액션, 용량, 결과 단위를 제공하고 있다. 고객은 갱신 행동을 통해 어떤 계량 방식이 살아남는지 드러낼 것이다.

안정적인 모델은 여러 계약 주기를 거치면 설명하기 쉬워져야 한다. 정의는 수렴하고, 모니터링은 개선되며, 예외는 줄어들어야 한다. 지속적인 복잡성은 공급업체가 아직 신뢰할 수 있는 가치 측정 기준을 찾지 못했음을 시사할 것이다.

갱신은 신규 판매보다 더 나은 근거를 제공할 것이다. 고객은 제한된 파일럿 기간에는 익숙하지 않은 조건을 수용할 수 있다. 하지만 실제 사용 패턴을 관찰하고 청구서를 비즈니스 결과와 비교한 뒤에는 요구 수준이 높아진다.

구매자가 약정을 확대하는지, 더 엄격한 한도를 부과하는지, 또는 예측 가능한 라이선스로 돌아가는지 살펴봐야 한다. 확대는 사용량 기반 가격 정책의 근거를 강화할 것이다. 고정 접근 방식으로의 회귀는 예산 확실성이 여전히 정밀한 사용량 정렬보다 중요하다는 것을 보여줄 것이다.

세 번째 신호는 결과 검증의 품질이다. 지원 플랫폼은 대화가 관찰 가능한 상태를 만들어내기 때문에 초기 시험 환경을 제공한다. 분쟁률, 에스컬레이션 패턴, 고객 유지율은 자동화된 성공 측정이 신뢰성을 유지하는지 보여줄 수 있다.

공급업체는 고객이 결과를 감사할 수 있을 만큼 충분한 정보를 공개해야 한다. 블랙박스식 해결 라벨은 장기적 신뢰를 뒷받침하지 못한다. 기저 기록은 에이전트가 무엇을 했는지, 왜 멈췄는지, 사람이 개입했는지를 보여줘야 한다.

결과 기준도 더 세분화될 수 있다. 고객은 완료, 정확성, 만족도, 절감된 인력 업무에 대해 각각 별도의 측정 기준을 요구할 수 있다. 더 나은 정의는 결과 가격 정책을 강화하겠지만, 계약은 더 복잡해질 것이다.

이러한 신호는 투자자만큼이나 구매자에게도 중요하다. AI 제품을 평가하는 기업은 과금 단위를 비교하기 전에 워크플로를 모델링해야 한다. 예상 물량, 작업 복잡성, 실패 경로, 사람의 검토 비용이 필요하다.

팀은 AI 지출에 대한 책임 체계도 마련해야 한다. 조달 부서는 계약을 협상할 수 있지만, 제품 책임자는 워크플로 물량을 이해한다. 엔지니어링은 모델 행동을 파악하고 재무 부서는 예산 노출을 추적한다.

공유 지식 시스템은 이러한 그룹이 가정, 사용량 보고서, 평가 결과, 갱신 결정을 보존하는 데 도움이 될 수 있다. 이미 내부 AI 업무를 정리하는 팀은 흩어진 가격 책정 스프레드시트보다 검색 가능한 AI 지식 베이스의 이점을 얻을 수 있다.

구매자는 가장 저렴해 보이는 단위를 자동으로 더 바람직한 것으로 취급해서는 안 된다. 하나의 크레딧에는 여러 작업이 숨겨질 수 있고, 하나의 해결에는 논란의 여지가 있는 품질이 숨겨질 수 있다. 중요한 질문은 그 계량 방식이 조직이 관찰하고 관리할 수 있는 결과를 반영하는지 여부다.

공급업체도 관련된 시험에 직면한다. 새 기능마다 새로운 과금 용어를 만들어내려는 유혹을 물리쳐야 한다. 호환되지 않는 단위가 너무 많으면 제품 간 예산 편성이 어려워지고 고객 신뢰도 약화된다.

Salesforce AI 가격 정책은 여러 선택지를 나란히 제시한다는 점에서 업계 전환의 모습을 잘 보여준다. 이러한 폭넓은 선택지는 현재 유연성을 제공한다. 동시에 시장이 좌석 기반 모델을 대체할 하나의 지속 가능한 방식에 아직 합의하지 못했음을 드러낸다.

가장 유력한 종착점은 계층형 계약이다. 플랫폼 요금은 접근 권한, 거버넌스, 핵심 기능을 포괄한다. 이후 변동 요금은 에이전트 활동, 용량 또는 검증된 성과에 따라 부과된다.

이러한 계약은 일부 반복 매출을 유지하는 동시에 소프트웨어 기업이 자동화 가치에 참여할 수 있게 한다. 또한 기존 라이선스보다 더 정교한 모니터링을 요구한다. 예측 가능성은 직원 수만으로 확보되는 것이 아니라 제어 장치와 사용 이력에서 비롯될 것이다.

개발자에게 가격 측정 기준은 아키텍처에 영향을 미친다. 모든 재시도, 긴 컨텍스트 윈도우, 도구 호출, 모델 선택은 상업적 성과에 영향을 줄 수 있다. 비용을 고려한 설계는 제품 품질의 일부가 될 것이다.

지식 근로자에게 이러한 변화는 에이전트가 폭넓게 제공될지, 아니면 엄격히 제한될지를 결정한다. 예측 가능한 접근성은 일상적인 사용을 장려한다. 강도 높은 사용량 통제는 직원들이 명확한 수익이 기대되는 작업에만 에이전트를 아껴 쓰도록 만들 수 있다.

엔터프라이즈 구매자에게 다음 단계는 구체적이다. 하나의 운영 워크플로를 선정해 처리량과 실패 경로를 측정한 뒤, 동일한 근거를 바탕으로 좌석 기반, 사용량 기반, 성과 기반 모델을 비교해야 한다. 실제 사용 이후에도 어떤 측정 기준이 이해하기 쉬우며, AI가 예상보다 더 많은 일을 수행할 때 어느 당사자가 위험을 부담하는가?