AI 시대에 CFO가 성장·가격·예측을 헤쳐 나가는 방법

9 hours ago 1

AI 도입으로 인해 최고 재무 책임자(CFO)의 역할이 급변하고 있으며, 가격 책정, 예측, 수익 구조, 비용 관리 등 모든 영역이 혁신되고 있음
구독형에서 성과 기반·소비 기반 가격으로의 전환이 빠르게 진행되며, 이에 맞는 새로운 ARR(연간 반복 수익) 지표·하이브리드 모델 도입이 확산 중임
AI 서비스는 토큰, API 호출 등 변동 비용이 크고, 고객별 사용량·비용 구조가 매우 다변화되어, 가격 및 수익 예측의 복잡성이 크게 증가함
R&D 및 미래 투자의 전략적 가치, 차별화·장기 경쟁력 확보를 위한 제품·기술 투자의 필요성이 커지고 있음
AI/머신러닝을 활용한 고도화된 수요 예측·재무 분석이 필수가 되었으나, 여전히 예측의 불확실성이 매우 높음

AI 도입과 CFO 역할의 변화

AI 도입이 기업 운영에 본질적 변화를 일으키며, CFO는 AI 코파일럿 등 자동화 도구를 적극 활용하고 있음
급격한 성장, 새로운 비용 구조, 복잡한 가격 모델 등 여러 도전에 직면

1. 가격 책정의 변화: 구독형에서 성과·소비 기반으로

구독형에서 사용량 또는 성과 중심 가격으로 빠르게 이동
- Databricks: 고객이 실제로 가치를 얻은 만큼만 비용을 청구, 입력 기반이 아닌 산출 기반 수익 인식 모델 적용
  "Databricks의 가장 큰 차별점은 가격 및 수익 인식이 전적으로 산출물(결과물)에 기반한다는 점입니다. 고객이 가치를 얻지 못하면 사용하지 않고, 그러면 수익이 P&L에 나타나지 않습니다."
  — Dave Conte, CFO, Databricks
- ElevenLabs: 고객 커밋이 커질수록 단가를 자동 인하해, 높은 고객 충성도를 유도하는 동적 할인 구조 도입
  "우리의 가격 정책은 절대적 이익 증가를 기반으로 하지만, 고객 커밋이 커질수록 단가는 자동으로 낮아집니다. 가격 계산기를 통해 자동 할인되어, 더 큰 약정을 유도하고 매출 리스크를 줄입니다."
  — Maciej Mylik, Finance, ElevenLabs
- Concourse: 런칭 이후 40일간 7번 이상 가격 변경 실험, 시장 반응에 따라 신속하게 가격을 반복 개선
  "출시 후 40일 동안 7번 이상 가격을 바꿨습니다. 시장과 고객의 지불 의지를 파악하는 데 큰 도움이 됐죠. 지금도 가격은 프레젠테이션 슬라이드일 뿐, 계속 실험하고 개선할 생각입니다."
  — Matthieu Hafemeister, Cofounder, Concourse

2. 새로운 ARR(연간 반복 수익) 지표 도입

전통적 ARR 지표만으로 사용량 기반 모델의 수익을 반영하기 어려움
- ElevenLabs: 커밋 ARR + 연간화한 사용량(Annualized Usage) 을 합산해 실제 수익을 정확히 측정
  "엔터프라이즈 고객은 쿼터를 자주 초과하므로, 사용량 기반 매출을 연간화해 새로운 지표—ARR 플러스 연간 사용량—에 합산합니다. 그렇지 않으면 실제로 얻는 수익을 과소평가하게 됩니다."
  — Maciej Mylik, Finance, ElevenLabs
- Ambient.ai: “사용량 기반 모델에서 ARR의 정의 자체가 더 이상 명확하지 않다”는 현실을 언급
  "소비 기반 모델에서는 ARR을 어떻게 정의해야 할지 고민해야 합니다. 약정이 있어도 실제 사용량이 매달 다르기 때문에 기존 ARR 정의가 어려워집니다."
  — Noah Barr, CFO, Ambient.ai
- Databricks: 비선형적 사용량 변동성을 분산·예측하는 데 AI를 적극 활용
  "SaaS 모델은 수익이 선형적이지만, 소비 기반 모델은 본질적으로 비선형입니다. 고객은 급증했다가 최적화하죠. 우리는 고객 집중도를 분산시키고, AI를 이용해 진짜 소비 기반 ARR을 예측하는 데 집중합니다."
  — Dave Conte, CFO, Databricks

3. 비용 구조 변화와 마진 압박

AI 스타트업은 대부분 오픈AI, Anthropic, Mistral 등 외부 대형 모델에 의존, 토큰·API 호출 등 변동 비용이 커짐
- ElevenLabs: 인프라 비용이 사용량보다 빠르게 늘면 즉각 엔지니어가 최적화에 투입
  "인프라 비용이 사용량보다 더 빨리 증가하면, 엔지니어가 즉시 최적화 작업에 투입됩니다. 비용 효율성을 관리하는 순환이 계속됩니다."
  — Maciej Mylik, Finance, ElevenLabs
- Together AI: 비용 구조·단가·경쟁·고객 요구를 종합적으로 고려해 유연하게 가격·패키징 조정
  "가격 결정은 고객 가치, 경쟁사 벤치마킹, 비용 및 수익 분석을 모두 고려해 이뤄집니다. AI 인프라가 빠르게 변하기 때문에, 항상 재검토가 필요하죠. 고객 요구, 계약 기간, 규모에 따라 가격과 패키지를 창의적으로 조정합니다."
  — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- 자체 모델 훈련 기업은 GPU 고정 비용 및 미사용 시간 관리도 핵심 (미활용 GPU 시간은 마진에 직접 타격)
  "GPU 비용을 주의 깊게 모니터링해야 합니다. 미사용 GPU 시간은 활용 손실로, 마진과 효율성에 직접적인 영향을 줍니다. 고객이 사용하지 않는 시간마다 마진이 깎입니다."
  — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- Fine-tuning, HILT(Human-in-the-loop) 등 새로운 유형의 비용도 포함되어, 효율성 최적화가 중요
  "우리는 HILT(human-in-the-loop) 팀을 COGS에 포함시켜 관리합니다. 알고리듬이 개선되면, 사람당 유효 판정이 늘어나 단가가 낮아지지만, 여전히 리스크 관리를 위해 false positive 비율을 조정해야 합니다."
  — Noah Barr, CFO, Ambient.ai

4. ROI 평가와 미래 투자

AI가 주요 기능을 빠르게 상품화(commoditize)함에 따라, 미래 지향적 투자와 장기 차별화가 필수
- Databricks: “즉시 수익으로 연결되지 않는 R&D도 장기적으로 채택률·성장에 큰 기여”를 강조
  "모든 R&D 프로젝트가 즉각적으로 매출로 이어지진 않지만, 예측 분석을 통해 특정 기능(예: Unity Catalog)이 고객 채택 및 성장에 어떻게 기여하는지 측정합니다."
  — Dave Conte, CFO, Databricks
- Together AI: 연구 투자가 궁극적으로 인프라 비용 절감·성능 향상 등 장기 경쟁력 확보로 연결됨을 언급
  "연구 프로젝트는 바로 매출로 연결되지는 않지만, 장기적 차별화, 제품 개발, 고객 고착화에 큰 역할을 합니다. 예를 들어, 커널 관련 연구에 투자해 인프라 비용 절감·성능 향상이라는 차별화를 이뤘습니다."
  — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- ElevenLabs: 텍스트-투-스피치 등 단일 기능은 곧 상품화될 것이므로, 워크플로우·API 등 고도화된 제품 계층이 고객 락인(lock-in)에 필수임
  "텍스트-투-스피치는 결국 상품화될 겁니다. 장기적 경쟁력을 지키려면 워크플로우, 데이터 기반 기능, API 등 고도화된 제품 계층이 필요하고, 이를 통해 고객이 쉽게 이탈하지 못하도록 만들어야 합니다."
  — Maciej Mylik, Finance, ElevenLabs

5. AI 기반 고도화된 재무 예측

끊임없이 변화하는 시장에서 정밀한 재무 예측은 어려우며, AI/ML 기반 분석이 필수가 됨
- Together AI: “AI 업계는 12개월 후도 예측이 힘들고, 변화·리스크 관리가 재무 전략의 중심”이라고 밝힘
  "AI 업계에서는 12개월 후를 예측하기도 힘듭니다. 변화가 너무 빠르고, 새로운 사용 사례가 계속 등장합니다. 유연성을 갖고 리스크 관리에 변화를 반영해야 하죠. AI에서 유일하게 확실한 건 변화 그 자체입니다."
  — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- Databricks: 자사 AI/ML 플랫폼을 활용해 고객별·워크로드별·제품별 소비 예측 및 세일즈팀 쿼터 설정 등 고도화된 예측 실행
  "우리는 Databricks 자체(AI, ML, 고급 분석)를 써서 고객·워크로드·제품별 소비 패턴을 예측합니다. 이는 단순히 재무 예측뿐 아니라, 대형 세일즈팀 쿼터 설정에도 중요합니다. Excel로는 이런 정밀한 예측이 불가능하며, AI/ML로만 가능합니다."
  — Dave Conte, CFO, Databricks
- 자연어 쿼리 제품(Genie)도 자사 데이터 활용 및 학습을 통해 점점 똑똑해짐
  "우리는 Genie라는 제품을 가지고 있는데, 데이터 레이크에 자연어로 질문하면 답을 추출해줍니다. 더 많이 사용할수록 Genie는 고객 데이터를 더 잘 이해하게 되고, 점점 더 똑똑해집니다."
  — Dave Conte, CFO, Databricks
- ElevenLabs: “AI 매출 예측을 완벽히 해결한 회사는 없으며, 예측의 정확성보다는 sanity check로 활용”한다고 언급
  "아직 AI 매출 예측을 완전히 해결한 곳은 없습니다. 시장 변화가 너무 빠르고, 예측은 정확한 수치보다는 sanity check(상식적 검증) 용도로 활용됩니다."
  — Maciej Mylik, Finance, ElevenLabs