1.1. 새로운 SaaS모델인 "Service as a Software"에 대해 들어보셨나요?
"Service as a Software"는 기존의 SaaS 모델을 한 단계 발전시킨 개념입니다. ‘서비스형 소프트웨어’ 시기, 소프트웨어 기업은 사용 기회를 판매해 왔습니다. 원하는 결과를 달성할 책임은 여전히 고객에게 있었습니다. 그러나 ‘소프트웨어형 서비스’는 소프트웨어가 고객이 원하는 결과를 제공할 책임을 부담하게 됩니다. 단순히 도구를 제공하는 것이 아닌, 에이전트가 되어 업무를 대신 수행하는 것입니다. ‘소프트웨어형 서비스’는 아래와 같은 특징을 가지고 있습니다. :
AI 주도 서비스: 소프트웨어가 단순히 도구로 제공되는 것이 아니라, AI 에이전트와 대규모 언어 모델(LLM)이 서비스를 주도적으로 제공합니다.
결과 중심: 단순한 기능 제공을 넘어 비즈니스 결과와 목표 달성에 초점을 맞춥니다.
맞춤형 솔루션: AI를 활용하여 각 사용자나 기업의 특정 요구사항에 맞는 맞춤형 솔루션을 제공합니다.
지속적 학습과 적응: 사용자 상호작용과 데이터를 통해 지속적으로 학습하고 개선됩니다.
1.2. 이런 새로운 AI 페러다임에 힘입어, 기존 SaaS는 어떻게 제품을 진화시켜야 할까요?
온라인 쇼핑몰을 중심으로 챗봇 서비스를 제공하는 채널톡에서 출시한 ALF 서비스를 바탕으로 탐구해봅시다. 채널톡은 최근 AI 에이전트 서비스인 ALF를 베타에서 정식 출시하며 SaaS 시장에서 주목받고 있습니다. 이번 아티클에서는 ALF 서비스와 그 비즈니스 모델(BM)을 분석하고, SaaS와 AI 프로덕트 과금모델의 차이와 성공 조건을 탐구해보려고 합니다.
2. 채널톡 ALF 서비스 🤖
2.1. 먼저 채널톡은 어떤 서비스인가요?
고객 관리와 커뮤니케이션을 위한 종합적인 SaaS입니다. CRM 기반 통합 솔루션으로 채팅 상담, AI 전화상담, CRM 마케팅, 팀 메신저등 다양한 기능을 통합적으로 제공합니다. 채널톡은 2023년 기준으로 ARR 360억원 달성했는데, 이는 국내 B2B SaaS 기업 중 최초로 ARR 300억원 이상을 달성한 사례라고 하네요!
채널톡의 고객사 인터뷰를 살펴보면, ICP는 다음과 같이 정리해볼 수 있습니다 :
중소·중견기업 및 스타트업 : 채널톡의 주요 고객층은 SMB(중소, 중견기업)과 스타트업으로 보입니다. 채널톡의 서비스가 전문 인력이 없는 기업도 쉽게 활용할 수 있도록 설계되어 있기 때문인데요. 실제로 제가 재직한 모든 스타트업들(B2B SaaS, B2C 온라인 서비스)은 채널톡을 CRM툴로 사용했었습니다.
온라인 커머스 및 D2C 브랜드 : 카페24 플랫폼 기반 D2C 쇼핑몰
채널톡 ICP의 주요 특징은 이렇게 정리해볼 수 있을 것 같아요 :
온라인 비즈니스 중심 : 웹사이트나 모바일 앱을 통해 고객과 소통하는 기업들이 주요 타겟
고객 서비스 중시 : 24시간 고객 응대가 필요하거나 고객과의 실시간 소통을 중요시하는 비즈니스를 영위
다양한 산업군 : 패션, 교육, 커머스 등 다양한 산업군에 걸쳐 있지만, 특히 온라인 비즈니스 모델을 가진 기업들
2.2. 채널톡의 신규 기능인 ALF는 어떤 서비스인가요?
ALF는 단순 문의를 대신 처리해 주는 채널톡의 AI 에이전트입니다. 상황에 따라 고객에게 필요한 기능을 스스로 제안하기도 합니다. 문의 내용에 적합한 커맨드나, 채널에 미리 등록된 FAQ, 도큐먼트를 기반으로 단순 문의를 해결합니다.
ALF의 랜딩페이지를 보면서, ALF의 주요 기능을 이렇게 정리해봤어요 :
고객의 문의를 이해하고 의도를 파악한다 : ALF는 불완전한 문의에도 고객의 의도를 정확하게 파악해야합니다. 고객의 질문에서 핵심 내용을 추출하고, 실제 요구사항을 이해할 수 있습니다. (때로는 질문에 2가지 이상의 의도가 포함될 수도 있겠죠)
사전 학습DB를 바탕으로 정확한 답변을 제공한다 : ALF 사용자는 FAQ, 도큐먼트등을 입력하여 내부 지식 DB를 구축, ALF에게 제공할 수 있습니다. 답변을 제공하기 전, 내부 자료와 신뢰할 수 있는 외부 소스를 활용하여 정보의 정확성을 검증합니다.
적절한 커맨트를 추천하고 문제 해결을 지원한다 : 고객의 의도를 기반으로 문제 해결에 도움이 되는 명령을 자동실행하는 기능을 지원합니다. 추천된 커맨드는 실제 고객의 문제 해결에 기여해야하며, 불충분한 답변의 경우 실제 상담사와 연결되도록 합니다.
브랜드 일관성을 유지합니다 : ALF는 사전 설정된 브랜드 아이덴티티에 맞는 말투와 성격으로 응대합니다. 채널톡은 할루시네이션을 방지하기 위해 AI Agent에게 명확한 역할(Role)을 부여할 수 있는 기능을 제공합니다.
예외 상황 처리하고 상담원 연결을 지원합니다 : 고객의 감정 상태(컴플레인)나 문의 내용이 특정 기준을 충족할 경우 이를 인식하여 실제 상담사와 연결합니다.
ALF에 역할을 부여할 수 있습니다.
2.3. AI 에이전트의 구성 요소(추론, 행동 능력, 메모리 액세스)는 ALF에서 어떻게 구현되어 있을까요?
추론 : 에이전트가 데이터를 해석하고, 논리적 결정을 내리며, 문제를 해결하는 능력입니다. ALF는 고객의 문의를 분석하고 적절한 답변이나 조치를 결정하는 데 이 능력을 활용합니다.
행동 능력 : 에이전트가 환경에서 실제로 행동을 취할 수 있는 능력을 의미하며, 명령 실행 등을 포함합니다. ALF는 고객의 의도에 따라 필요한 커맨드를 실행하거나 상담사를 연결하는 등의 행동을 수행합니다. 그러나 현재로서는 직접 반품 접수와 같은 적극적인 업무 수행은 하지 않는 것으로 보입니다.
메모리 액세스 : 정보를 저장하고 활용하여 과거 경험에서 학습하고 새로운 상황에 적응하는 능력입니다. ALF는 내부 지식 데이터베이스(DB)를 활용하여 고객에게 정확한 정보를 제공하고, 이전 대화 내용을 바탕으로 응대합니다. 이 지식 DB는 고객사가 직접 입력해야 하며, 문서를 얼마나 잘 정리하느냐에 따라 ALF의 성능이 달라질 수 있습니다. 이는 ALF의 한계점으로 볼 수 있습니다.
2.4. 채널톡 ALF의 AS-IS 성과는 다음과 같습니다.
현재 ALF는 출시 5개월차로, 6백여 개의 고객사가 ALF를 이용하고 있습니다. 패션, 뷰티와 같은 이커머스에서부터 여행, 교육과 같은 고관여 커머스, 플랫폼/서비스, B2B까지 다양한 버티컬에서 고루 ALF를 도입했다고 하는데요. ALF는 매주 2만 건 이상의 상담을 응대하고 있으며, 그 중 약 30%를 상담사 연결 없이 혼자 처리하고 있다고 합니다. (다만, AI가 처리한 상담 건에 대해 실제로 고객의 문제가 해결이 되었는지, 혹은 응답에 불만족하여 추가 문의 없이 이탈했는지는 엄밀한 판단이 어렵습니다.) 버티컬별로 살펴보면 단순문의가 많은 이커머스 업종이 약 34%로 가장 높은 절감률을 보였고, 문의 유형이 다양하고 복잡한 B2B 업종에서도 절감률 약 19%로 나타났다고 합니다.
3. ALF의 비즈니스 모델 🤩
3.1. ALF 과금모델은 작업량 기반의 과금모델을 따릅니다
ALF가 해결한 상담 건수(상담원으로 연결되지 않고 ALF의 응답으로 상담이 종료된 건)만 요금에 포함되기 때문입니다. 기본적으로 채널톡의 요금제는 CRM 관리 고객 수와 상담원 수에 따라 결정되며, 워크플로우, 마케팅, 알림톡과 같은 부가 기능은 사용량에 따라 별도 요금이 부과됩니다. 흥미로웠던 부분은 다른 부가기능과 달리 AI 에이전트의 기능은 실제로 AI가 작업 효용이 있는 부분만 선별하여 과금이 된다는 것이었는데요. 기존 SaaS BM (구독제와 사용량 베이스 과금)과의 차이라고 생각했습니다.
아마도 ALF의 과금모델을 설계할 때, PO는 이런 요소들을 고려했을 것입니다 :
사용량 예측: 베타 테스트 기간 동안 고객사의 사용량과 케이스를 바탕으로 예상 매출 규모를 산정했을 가능성이 높습니다. 유료 전환율에 따른 매출을 예측하며 적정 요금을 설계했겠죠..?
경쟁사와의 가격 비교 : Intercom의 Fin AI는 초기에는 응답당 1.9달러를 부과했으나, 사용량에 따른 할인 없이 가격이 책정되어 대규모 기업에 부담이 된다는 지적을 받았습니다. 이후 가격이 0.9달러로 조정되었으며(채널톡과 비슷하군요!), 고객들은 AI 사용을 업무 시간 외나 특정 고객군에 한정하거나, Custom Answer 기능을 활용해 반복 문의를 사전에 처리해서 요금을 인하해달라는 대안들을 이야기했다고 하네요.
채널톡은 이러한 점을 고려하여 ALF를 워크플로우 내에 통합해 CX 매니저가 AI 사용 사례를 제어할 수 있도록 설계했습니다. 이를 통해, 기업은 AI 도입 효과를 극대화하면서 불필요한 비용을 최소화할 수 있습니다.
4. 고객 입장에서 ALF는 💦
4.1. 고객으로써 ALF의 BM에 대한 평가를 해보자면요.
아쉽게도, 현재 우리 회사에서는 ALF 유료 도입을 하지 않기로 결정했습니다. 현 회사의 상황을 간략하게 설명하자면, 회사 구성원의 규모는 20명, CX 매니저는 1명으로 하루 평균 50건의 문의를 처리하고 있습니다. 이 중 70%는 단순 문의로, 환불이나 상품에 대한 단순 문의입니다. CX매니저님은 CS업무 외에도 CSAT 리포트 작성, B2B 지원등 여러 업무를 병행하고 있습니다. 결과적으로, ALF가 CX 매니저의 업무를 완전히 대체할 수 없었고, 단순 효율 개선만으로는 월 MM만 원 이상의 비용을 들여 도입할 명확한 이유를 제공하지 못했습니다. 팀 전체에 AI의 효용이 명확히 드러나지 않는 상황에서 유료 전환 시 도입을 설득하는 데 실패했습니다.
4.2. ALF의 본질적 역할은 무엇인가?
제가 생각한 ALF의 Jobs to be done은 고객 응대 자동화를 통해 인력 부담을 덜어주고, 고객 경험(CX)을 개선하는 것입니다. 이를 위해 필요한 성공적인 도입 요건과 적합한 ICP는 다음과 같을 것입니다 :
AI를 지시하고 성과를 평가할 수 있는 CX 매니저의 존재: AI가 사전 지식을 바탕으로 기업 정책과 제품을 정확히 학습해야 하므로, CX 매니저는 단순 상담을 넘어 AI 에이전트를 지시하고 교육하며, 성과를 관리하는 역할을 맡아야 합니다.
빠른 고객 응대가 중요한 기업: 고객 응대 속도가 비즈니스 성과에 직접적인 영향을 미치는 기업에서 ALF는 큰 가치를 발휘할 수 있습니다. (특히 이커머스나 고객의 즉각적인 만족이 중요한 산업)
4.3. ALF의 앞에 남겨진 챌린지
AI 에이전트가 제대로 구현되면(고객의 Jobs to be done을 해결해줄 수 있다면) 매우 강력한 도구가 될 수 있지만, 이를 위해서 몇 가지 중요한 챌린지가 있습니다 :
사전 지식 학습의 효율성: 어떻게 사전 DB를 학습시켰느냐에 따라 ALF의 성능차이가 발생합니다. 이는 AI의 사전 학습을 표준화하고, 지속적으로 변화하는 지식과 정책을 누락 없이 학습시키는 방법이 필요하다는 것을 의미합니다. 고객사에 여전히 도구의 사용과 결과에 대한 책임이 있다는 점에서 한계가 있습니다. 채널톡은 사전 학습 프로세스를 표준화하고 최적화하는 방안을 찾아야 합니다.
고난이도 문의와 맥락을 고려한 응대: 단순 문의뿐 아니라 복잡한 문제해결이 필요한 경우 (ex, B2B) 다양한 맥락을 고려한 응대가 필수입니다. 생각해보면 B2B SaaS회사에서 재직 당시, 최초 문의는 채널톡, CSM(Customer Success) 서포트는 Slack으로 진행했습니다. 아무래도 여러 팀이 사용하는 툴 특성상, 문의를 1:1로 진행하고 휘발성이 강한 채널톡보다는 Slack이 구체적인 추가질문을 드리면서 문제를 제대로 해결해드리는 소통에 효과적이었기 때문입니다. 이런 부분까지도 에이전트가 대체하려면 Compound AI 시스템이 만들어져야합니다. 고객의 정보, 고객의 이전 상담 내역, 유사 사례 해결사례 학습, 프로덕트와 도메인에 대한 이해..등등.. 현실적으로는 응대의 시급성/난이도를 분류하여 인간 상담사와 AI 에이전트가 처리해야하는 영역을 빠르게 분리하여 응대하는 기능이 필요하지 않을까 합니다.
적정 비용과 시뮬레이션: AI Agent 솔루션인 ADA ROI calculator가 굉장히 흥미로웠는데 SaaS 비용을 고려할때, 내부에서는 윗선에 이게 비즈니스적으로 어떤 임팩트가 있는지를 숫자적으로 설명해야하기 때문입니다. ADA는 연간 총 문의 수, 고용 중인 상담원 수, 상담원 연간 비용을 기반으로 문의당 평균 비용등을 고려하여 1년, 3년차의 비용 절감액 수준을 시각적으로 보여주는게 좋았습니다. 채널톡의 ALF도 이와 유사하게 ROI 분석 도구를 제공한다면 고객사 설득에 큰 도움이 될 것입니다. 예를 들어:
AI 도입 전후의 문의당 평균 비용을 비교하고,
AI가 처리할 수 있는 단순 문의와 인간 상담사가 처리해야 할 복잡한 문의를 구분한 후 절감된 비용을 제시하며,
예상되는 상담 시간 절감 효과와 인력 최적화 수준을 시각화할 수 있습니다.
이러한 시뮬레이션 도구는 기업이 AI Agent 도입에 대해 명확한 기대치를 설정하고, 의사결정 과정에서 효율적인 설득 자료로 활용될 수 있습니다.
