좌석당 과금이 사라진다: SaaS가 에이전트 대화당·해결 이슈당으로 옮겨가는 이유

Salesforce는 이미 "에이전트 대화당 $2"를 받는다. Intercom의 Fin AI Agent는 "해결된 이슈당" 과금한다. 사용자 수를 세어 월정액을 매기던 SaaS의 좌석(Seat) 기반 가격표가, AI 에이전트 한 명이 수십 명의 인간 역할을 대체할 수 있게 되면서 근거를 잃고 있다.

'도구'에서 '목표'로

전통적인 SaaS는 인간이 지시를 내리면 소프트웨어가 수행하는 '도구(Tool)' 모델이다. 사용자가 버튼을 클릭하고 폼을 채우고 보고서를 생성한다. 반면 에이전틱 SaaS는 목표(Goal)만 주어지면 AI 에이전트가 스스로 하위 작업을 분해하고 필요한 도구를 선택하며 외부 시스템과 상호작용하고 결과를 검증하는 전 과정을 자율적으로 수행한다. 핵심적인 차이는 '행위 주체성(Agency)'으로, 에이전틱 시스템은 복잡한 목표를 단계별 작업으로 분해하는 자율적 계획, API·데이터베이스·외부 서비스를 능동적으로 호출하는 도구 사용, 실행 결과를 평가하고 전략을 조정하는 피드백 루프인 자기 수정 세 능력을 갖춘다.

2026년에 이 전환이 가속화된 데는 세 가지 기술적 돌파구가 있다. GPT-5·Claude 3.7·Gemini 2.0 Pro 등 최신 모델이 장기 계획과 복잡한 다단계 추론에서 인간 전문가 수준에 근접한 LLM의 추론 능력 향상, OpenAI·Anthropic·Google이 일관된 도구 호출 인터페이스를 제공하면서 에이전트가 수백 개의 외부 서비스를 안정적으로 쓸 수 있게 된 도구 호출(Function Calling)의 표준화, 그리고 LangGraph·AutoGen·CrewAI 같은 프레임워크가 프로덕션 수준의 멀티 에이전트 시스템 구축을 현실화한 에이전트 오케스트레이션 프레임워크의 성숙이다.

CRM부터 DevOps까지, 벤더들이 움직이는 방식

Salesforce는 2025년 하반기부터 'Agentforce' 플랫폼을 전면에 내세우고 있다. 기존 CRM이 영업 데이터를 저장하고 조회하는 도구였다면, Agentforce는 영업 에이전트가 잠재 고객 발굴, 이메일 초안 작성, 미팅 일정 조율, 후속 조치 실행까지 자율적으로 수행한다. 초기 도입 기업들은 영업 사이클 단축 30-40%, 영업 담당자당 처리 가능 계정 수 2-3배 증가를 보고하고 있다. HubSpot도 'Breeze AI Agents' 시리즈로 콘텐츠·소셜 미디어·프로스펙팅 에이전트를 역할별로 제공한다.

인사·채용 쪽에서는 Workday와 SAP SuccessFactors가 이력서 스크리닝, 초기 후보자 인터뷰(비디오 AI 인터뷰), 합격 가능성 예측, 오퍼 레터 초안 작성까지 에이전트가 처리하도록 해 HR 담당자가 최종 의사결정에만 집중하게 한다. Rippling은 온보딩 에이전트로 신규 직원의 계정 생성, 소프트웨어 라이선스 할당, 교육 일정 조율, 60일 체크인 스케줄링을 완전 자동화했다. 개발자 도구 쪽에서는 GitHub Copilot Workspace가 이슈 티켓을 받아 코드 변경·테스트 작성·PR 생성까지의 전 과정을 처리하고, Atlassian의 Jira AI Agent는 버그 리포트를 분석해 담당자 지정·우선순위 설정·관련 이슈 링크·해결책 제안을 자동화한다. LinearB 같은 엔지니어링 메트릭 플랫폼은 배포 빈도·리드 타임·사고 복구 시간을 분석해 팀 단위 개선 권고를 자율 생성·실행한다. 마케팅에서는 Adobe Experience Cloud의 AI 에이전트가 실시간 사용자 행동 데이터를 분석해 캠페인을 즉시 조정하며, A/B 테스트 설계·광고 소재 변형 생성·예산 재배분·성과 분석 보고서 작성이 인간 개입 없이 이뤄진다.

⤢✕

이런 에이전틱 SaaS 제품들이 공통으로 쓰는 오케스트레이터-워커 패턴, 도구 사용 패턴, 세 계층 메모리 관리 같은 아키텍처 원리는 에이전틱 AI 일반의 설계 패턴에 해당한다. 여기서 중요한 건 그 원리가 실제 제품 안에서 어떤 흐름으로 구현되는지다.

⤢✕

에이전틱 시스템의 능력은 사용 가능한 도구의 범위에 비례한다. 주요 SaaS 플랫폼은 DB 쿼리·API 호출 같은 데이터 접근, 이메일·슬랙·SMS 같은 커뮤니케이션, PDF 생성·스프레드시트 편집 같은 문서 처리, Python REPL·쉘 실행 같은 코드 실행, 브라우저 자동화·스크래핑 같은 웹 탐색 도구를 에이전트에게 제공한다. 장기 실행 에이전트의 핵심 과제는 메모리 관리인데, 현재 작업 세션의 컨텍스트를 담는 단기 메모리(LLM 컨텍스트 윈도우), 진행 중인 작업의 상태·중간 결과를 담는 작업 메모리(벡터 DB, Redis), 사용자 선호도·과거 결정·조직 지식을 담는 장기 메모리(관계형 DB, 지식 그래프) 세 계층으로 나눠 관리한다.

좌석 수 대신 무엇을 셀 것인가

전통적인 SaaS는 사용자 수에 따라 월정액을 지불하는 '좌석(Seat)' 기반 가격 모델이었다. 그러나 AI 에이전트 한 명이 수십 명의 인간 사용자 역할을 대체할 수 있는 에이전틱 SaaS 시대에는 이 모델의 근거가 사라진다. 완료된 작업 수·처리된 거래 수·절감된 시간을 기준으로 삼는 결과 기반(Outcome-based), API 호출 수·에이전트 실행 시간·토큰 소비량을 기준으로 삼는 에이전트 사용량 기반, 플랫폼 기본료에 결과 기반 성과료를 더한 하이브리드 같은 새 가격 모델이 빠르게 등장하고 있다. Salesforce Agentforce는 이미 "에이전트 대화당 $2" 과금 모델을 도입했고, Intercom의 Fin AI Agent는 "해결된 이슈당" 과금한다.

기존 SaaS 벤더들은 이 전환에서 두 전략 중 하나를 택하고 있다. 기존 SaaS에 에이전틱 레이어를 추가해 고객 이탈을 막으며 ARPU를 높이는 플랫폼 전략을 Salesforce·HubSpot·ServiceNow가 택했고, 처음부터 에이전틱으로 설계된 순수 AI-native 스타트업이 기존 SaaS 시장을 잠식하는 신규 진입 전략은 Sierra(고객 지원)·Harvey(법률)·Cognition(개발) 같은 스타트업이 대표한다.

자율성이 커지는 만큼 커지는 리스크

AI 에이전트는 여전히 '환각(Hallucination)' 문제를 완전히 해결하지 못했다. 에이전트가 잘못된 데이터를 기반으로 자율적으로 실행 결과를 생성할 경우 오류가 증폭될 수 있어, 이를 막기 위한 '인간 승인(Human-in-the-Loop)' 체크포인트, 실행 전 검증 단계, 롤백 메커니즘이 필수적이다. 특히 금융·의료·법률 등 규제 산업에서는 에이전트의 모든 의사결정에 감사 추적(Audit Trail)이 요구되며 책임 소재를 명확히 해야 한다.

에이전트가 외부 시스템과 능동적으로 상호작용하면서 새로운 보안 위협도 등장했다. 악의적인 입력으로 에이전트의 행동을 조작하는 프롬프트 인젝션, 에이전트가 의도치 않게 과도한 권한으로 작업을 수행하는 권한 상승, 에이전트가 민감 정보를 외부 시스템에 전송하는 데이터 유출이 대표적이다.

⤢✕

선도적인 에이전틱 SaaS 벤더들은 최소 권한 원칙(Least Privilege), 에이전트별 권한 스코핑, 실시간 행동 모니터링을 보안 기본 요건으로 채택하고 있다.

에이전틱 SaaS로의 전환은 일시적인 유행이 아니라 소프트웨어 산업의 구조적 변화로 읽힌다. AI 에이전트가 단순 자동화를 넘어 복잡한 목표를 자율적으로 달성할 수 있게 되면서, SaaS의 가치 제안 자체가 '기능 제공'에서 '목표 달성'으로 이동하고 있다. 기업들은 에이전틱 SaaS 도입 시 비용 절감과 생산성 향상의 기회를 포착하는 동시에, 신뢰성·보안·거버넌스 측면의 리스크를 철저히 관리해야 한다.

'도구'에서 '목표'로

CRM부터 DevOps까지, 벤더들이 움직이는 방식

좌석 수 대신 무엇을 셀 것인가

자율성이 커지는 만큼 커지는 리스크

Sources

함께 읽기