AI 에이전시가 월 $20K 리테이너를 놓치는 3가지 실수 (제약·KPI·가격)

01핵심 개요

02핵심 기능/내용 구조

1. 실패담으로 문제 제기: 23세에 퇴사 후 개인 비서 AI 에이전트를 만들어준 클라이언트로부터 "우리가 지불한 만큼의 가치를 못 받고 있다"는 항의를 받았다. 원인은 세 가지 실수 — (1) 만든 것이 사업의 진짜 제약이 아니었고 (2) KPI를 정하지 않았고 (3) 가격을 감으로 정했다는 점이었다 (00:00).

1. "티켓 처리자"에서 "진단하는 의사"로: 저자는 사업을 스케일업하기 전 큰 깨달음을 얻었다고 말한다. 단순히 요청받은 티켓을 처리하는 사람에서 벗어나, 고객이 느끼는 통증(pain)을 진단하는 "의사" 역할로 진화해야 하며, 그다음엔 그 가치를 증명까지 해야 한다는 것이다 (02:51).

1. 골드만삭스 경험에서 얻은 3가지 교훈: (1) 지루하지만 결정론적인(deterministic) 자동화가 더 만들기 쉽고 평가하기 쉬우며 리스크가 적다 (2) 대기업은 변화관리 이슈와 규제 때문에 AI 도입 속도가 느리다 (3) 자신의 가치를 스스로 드러내지 않으면 인정받지 못한다 — 회의록을 자동화해 보냈지만 상사가 발표자 이름조차 기억 못하고 "Arthur, 잘했어"라고 답장한 일화를 예로 든다 (05:32).

1. 실수 1: 진짜 제약이 아닌 것을 만듦 — "안도감을 파는 것": 사업은 병목을 제거해야만 성장한다. 클라이언트들은 바이럴 영상이나 이사회 압박, 경쟁사의 LinkedIn 게시물을 보고 "AI 에이전트가 필요하다"고 말하지만, 이는 실제 필요가 아니라 "우리도 AI 전략이 있다"고 말할 수 있는 안도감(relief)을 사는 것에 가깝다. 300회 이상의 디스커버리콜에서 깨달은 것은 고객이 말하는 요청이 진짜 필요와 거의 일치하지 않는다는 점이다 (06:55).

1. 파이프-병목 프레임워크: 사업은 공급 제약형(고객은 몰리는데 응대·전환이 막힘) 또는 수요 제약형(고객 유입 자체가 부족함) 중 하나다. 매출을 파이프 속 물로 비유하면, 공급 제약은 "파이프 중간이 막혀 물이 새는 것", 수요 제약은 "애초에 파이프에 물이 거의 없는 것"이다 (09:48).

1. 의료스파(med spa) 사례와 침묵의 힘: 한 의료스파 원장이 "리드 제너레이션 AI 에이전트"를 요청했지만, 실제로는 예약 노쇼와 사후 팔로업 부재로 LTV(고객생애가치)가 낮은 것이 진짜 문제였다. 저자는 "왜 이 콜을 예약하셨나요?"라고 묻고 침묵을 지켜 상대가 스스로 진짜 통증을 털어놓게 만드는 기법을 강조한다 (11:11).

1. 진단 질문 2가지: 공급 제약형에는 "내일 당장 사업이 10배로 커지면 무엇이 가장 먼저 무너질까요?"(가장 먼저 = 첫 번째 병목), 수요 제약형에는 "내일 당장 유입을 10배로 늘리려면 무엇을 해야 할까요?"라고 묻는다. 하나의 병목을 해결하면 다음 병목이 드러나며, 이것이 바로 리테이너 계약으로 이어지는 방식이다 (12:30).

1. 실수 2: KPI 미설정: 앞서 나온 "개인 비서" 클라이언트의 진짜 원인은 그가 제안서를 손으로 작성하느라 바빴던 것이었다. 사전에 "제안서 자동화 90% 완료"같은 숫자를 합의했다면 명확히 증명할 수 있었을 것이다. "생산성"은 주관적이라 증명이 불가능하지만, "주간 예약 건수를 5건에서 10건으로"처럼 객관적 지표는 증명 가능하다 (13:54, 15:15).

1. 실수 3: 가격을 추측함 — 인센티브의 역설: 시간당 과금은 인센티브가 거꾸로 작동한다(느리고 실력 낮은 개발자가 더 오래 걸려 더 많은 돈을 받게 됨). 저자는 시간당 과금은 신뢰를 쌓는 초기 단계에서만 쓰고, 본격적으로는 가치 기반 가격(value-based pricing)으로 전환해야 한다고 말한다 (17:57).

1. 10배 법칙과 가격 산정 공식: "고객은 투자 대비 10배의 가치를 받는다는 것을 이해해야 한다"는 것이 황금률이다. 방법은 자동화가 대체하는 수작업의 연간 환산 비용을 계산한 뒤 그 10%를 가격으로 책정하는 것이다. 예: 시간당 $40인 직원이 주 10시간 고객지원 티켓을 처리 → 연간 약 $21,000(원문 발화상 "$2,100"이나 문맥상 연 환산액을 의미) 비용 발생 → 그 10%인 약 $2,100~2,800을 프로젝트 가격으로 제시 (19:28).

1. 비용은 가격을 정당화하지 않는다, 가치가 정당화한다: 잔디 깎는 사람이 트럭을 새로 사서 비용이 늘었다고 같은 잔디 작업에 요금을 2배 올리면 고객은 받아들이지 않는다. 마찬가지로 에이전시의 원가(세금, 인건비, API 비용)가 아니라 클라이언트가 얻는 가치가 가격의 근거가 되어야 한다 (22:29).

1. 가격을 깎지 말고 스코프를 줄여라: 가치 산정 결과가 $15,000인데 고객 예산이 $7,000이라면, 가격을 $7,000으로 깎는 대신 "이 자동화는 $15,000 가치이며, 예산에 맞춰 V1으로 기능을 줄여 $7,000 상당을 먼저 제공하고, 다음 분기에 확장하자"고 제안해야 한다. 처음부터 깎아주면 이후에도 계속 깎아달라는 요구를 받게 된다 (23:42).

1. 청중 Q&A 실전 사례: 한 참가자(Allejo)는 수요 제약형(콘텐츠는 있으나 전환 안 됨: 웨비나 참석 20명 중 예약 전환 0건)이었고, 저자는 "세일즈콜에서 반복적으로 나온 문제를 영상 콘텐츠로 전환하라"는 구체적 병목 해소책을 제시했다. 또한 "grill me skill"(AI가 본인을 집요하게 인터뷰하도록 만드는 프롬프트로, 전문지식을 AI 워크플로우에 이식하는 기법)을 소개했다 (25:08, 26:40).

1. 결론: 리테이너로 가는 경로: 첫 프로젝트는 가치 기반 프로젝트 요금으로 시작하고, 병목을 하나씩 해결하며 성과를 수치로 증명한 뒤 "매번 스코핑·가격 협상을 반복하지 말고 계속 함께 일하자"는 제안으로 자연스럽게 월 리테이너로 전환한다 (28:01).

03기술적 맥락

이 강연은 특정 AI 도구나 모델을 다루지 않고, AI 자동화 에이전시의 비즈니스 컨설팅 방법론에 초점을 맞춘다. 다만 몇 가지 기술적 함의가 있다.

• 결정론적(deterministic) 자동화 우선: 저자는 골드만삭스 근무 경험을 바탕으로, 입력과 출력이 명확히 정의된 규칙 기반/워크플로우 자동화가 확률적(probabilistic) LLM 에이전트보다 구축·검증·리스크 관리 측면에서 유리하다고 강조한다. 이는 "AI 에이전트"라는 유행어보다 실제 문제 해결 여부가 중요하다는 관점과 연결된다.
• "AI 네이티브" 컨설턴트의 정의: AI를 모든 곳에 적용하는 사람이 아니라, "언제 AI를 쓰지 않아야 하는지"까지 판단하는 사람이라고 정의한다(예: 채용 병목은 AI 채용 에이전트보다 단순 인력 충원이 더 나을 수 있음).
• 자동화 유형 사례: 리드 팔로업/예약 알림 리액티베이션 시스템, 제안서 자동 작성(90% 자동화 + 사람 검수), 고객지원 티켓 응대 에이전트, 예약 음성 에이전트(부재중 전화 대응), 콘텐츠 재활용 파이프라인(세일즈콜 인사이트 → 영상 콘텐츠) 등이 언급된다.
• "grill me skill": AI에게 사용자를 집요하게 인터뷰하도록 지시하는 프롬프트 기법으로, 전문가의 암묵지(domain expertise)를 명시적 데이터로 추출해 이후 자동화 설계에 반영하는 데 쓰인다.

04전략적 의미

• 가격 결정권의 이동: 시간당 과금에서 가치 기반 과금으로 전환하면 에이전시는 "얼마나 빨리 일했는가"가 아니라 "얼마나 많은 병목을 제거했는가"로 보상받는 구조가 되어, 고성과 인력·자동화 도구 투자의 인센티브가 정렬된다.
• 리테이너 전환의 구조적 논리: 단발성 프로젝트가 아니라 지속적 병목 발견·해결 사이클을 제시함으로써, 클라이언트 입장에서도 "매번 재협상"보다 "계속 함께 일하는 것"이 합리적 선택이 되게 만든다. 이는 SaaS의 확장 매출(expansion revenue) 논리와 유사하다.
• AI 붐 속 차별화 지점: 시장에 "AI 에이전트를 만들어준다"는 공급자가 넘치는 상황에서, 진단(diagnose)-증명(prove) 역량이 실질적 해자(moat)가 된다는 메시지다. 기술 구현력보다 컨설팅·질문 설계 역량이 에이전시의 지속가능성을 좌우한다는 시사점을 준다.
• 소규모 에이전시/프리랜서에 대한 실용적 함의: 대형 컨설팅펌의 가치기반 가격 이론(예: Alan Weiss, Jonathan Stark 계열)을 AI 자동화라는 신흥 서비스 영역에 그대로 이식할 수 있음을 보여준다.

05핵심 워크플로우 또는 비교표

06활용 시나리오

1. AI 자동화 에이전시 창업자: 디스커버리콜 스크립트에 "10배로 커지면 무엇이 먼저 무너지나요?" 질문과 침묵 기법을 도입해, 클라이언트가 요청한 기능이 아니라 실제 병목에 맞춘 제안서를 작성하는 데 활용할 수 있다.
2. 사내 AI 전환 담당자(내부 컨설턴트): 외부 클라이언트가 아니어도, 사내 예산 승인을 받을 때 "이 자동화 프로젝트가 어떤 병목을 제거하고, 어떤 단일 KPI로 증명할 것인지"를 사전에 임원진과 합의해 예산 승인 이후 성과 입증 리스크를 줄일 수 있다.
3. 프리랜서 개발자/노코드 빌더: 시간당 요금 협상에서 벗어나기 어려운 초보 단계에서, 본 영상의 "연간 환산 비용의 10%" 공식을 활용해 첫 가치기반 견적을 산출해보고 점진적으로 과금 모델을 전환하는 로드맵으로 삼을 수 있다.
4. 에이전시 세일즈/영업 담당자: 가격 협상에서 고객이 예산 부족을 이유로 할인을 요구할 때, 가격을 깎는 대신 스코프를 줄여 V1을 제공하는 협상 스크립트를 준비하는 데 참고할 수 있다.

07현황 및 전망

발표자는 자신의 에이전시를 월 매출 $100,000 규모까지 키운 뒤 매각하고 현재는 유튜브 채널과 무료 커뮤니티("Automation Society")를 통한 교육에 집중하고 있다고 밝힌다. 이는 AI 자동화 서비스 시장이 "누가 더 그럴듯한 데모를 만드는가" 경쟁에서 "누가 더 정확히 병목을 진단하고 성과를 증명하는가" 경쟁으로 성숙해가고 있음을 보여주는 사례로 해석할 수 있다. 발표자는 강연 중 "전체 AI 자동화의 50% 이상이 리드젠/세일즈/마케팅 자동화"라는 통계를 인용하며(단, 정확한 출처는 언급하지 않고 최신성이 낮을 수 있다고 스스로 밝힘), 이 영역의 수요가 여전히 집중되어 있음을 시사한다. 향후에는 가치 기반 가격 산정을 지원하는 표준화된 프레임워크나 도구(ROI 계산기 등)가 에이전시 업계에 더 널리 보급될 가능성이 있으며, 대형 컨설팅펌들도 가격 모델을 지속적으로 실험 중이라는 언급에서 업계 전반의 과금 방식 표준화가 아직 이루어지지 않았음을 알 수 있다.

08용어 사전