Anthropic이 블랙스톤, H&F(Hellman & Friedman), 골드만삭스와 합작사를 설립했다. 이름은 ‘Ode’. 투자 규모는 15억 달러다.

표면적으로는 대형 금융사가 AI에 베팅하는 또 하나의 딜처럼 보인다. 그런데 이 딜의 구조가 다르다. Anthropic은 단순히 투자를 받은 게 아니다. 새로운 법인을 직접 세웠다. 그 법인의 목적은 “AI 구현(implementation)“이다.

모델 회사가 구현 회사를 별도 법인으로 만든다. 이게 의미하는 바를 잠깐 생각해볼 필요가 있다.

같은 시점에 OpenAI가 바꾼 숫자 하나

Ode 발표와 거의 같은 시기에 OpenAI에서 조용한 변화가 있었다. 내부 투자 성과 지표를 재정의했다는 것이다.

이전 지표: 모델 성능, 구독자 수, ARR. 새 지표: “달러당 유용한 작업(dollars of useful work).”

이 변화는 겉보기에 사소하다. 하지만 지표가 바뀐다는 건 무엇을 최적화할 것인지가 바뀐다는 뜻이다. “달러당 유용한 작업”이라는 지표는 다음을 전제한다.

  • AI가 실제로 일을 “끝냈는가”
  • 그 일이 고객에게 실질적 가치를 만들었는가
  • 그 가치가 비용 대비 얼마나 효율적이었는가

이 세 가지 질문 중 어느 것도 모델 성능 벤치마크로 답할 수 없다. 실행 결과만이 답할 수 있다.

왜 지금인가

2024년까지만 해도 AI 업계의 경쟁 축은 명확했다. 더 똑똑한 모델, 더 긴 컨텍스트, 더 낮은 지연. 모델을 잘 만드는 회사가 시장을 가져간다는 논리였다.

그 논리가 흔들리기 시작한 건 에이전트 때문이다.

에이전트는 질문에 답하는 게 아니라 일을 대신 한다. “이 이메일 초안 써줘”가 아니라 “이 계약 건 전체를 검토하고, 표준 조항과 다른 부분을 체크해서 법무팀 슬랙에 요약해줘”다. 에이전트가 실제 업무 흐름에 들어오는 순간, 모델 성능만으로는 가치를 측정할 수 없게 된다.

그 결과 나타나는 문제가 있다. 모델은 좋아졌는데 매출이 그만큼 따라오지 않는다.

Codex가 하루 100만 명씩 늘어 800만 사용자에 도달했다. 그런데 실제로 생산성에 기여한 작업은 얼마나 됐을까. 완성된 코드가 아니라 중단된 작업, 수정이 필요한 출력, 검증 과정에서 인간이 투입한 시간까지 포함하면 “달러당 유용한 작업”의 수치는 생각보다 낮다.

Ode가 설립된 이유도 여기에 있다. 모델 단독으로는 “구현”을 완성할 수 없다. 도메인 전문성, 기존 시스템 연동, 워크플로우 재설계, 거버넌스 구조 — 이 모든 것을 합쳐야 비로소 “달러당 유용한 작업”이 실현된다. Anthropic은 그 결합을 모델 판매로 할 수 없다는 걸 인정한 것이다.

구현이 상품이 되는 구조

이 전환이 왜 중요한지는 소프트웨어 산업의 선례에서 볼 수 있다.

SAP가 ERP 소프트웨어를 만들었을 때, 진짜 돈은 컨설팅 회사들이 가져갔다. 액센추어, 딜로이트, IBM — 이들은 SAP 라이선스보다 구현 비용으로 수십 배를 청구했다. 왜냐하면 소프트웨어를 사는 것과 소프트웨어가 실제로 작동하게 만드는 것은 완전히 다른 문제이기 때문이다.

AI가 같은 패턴을 반복하고 있다.

모델 API를 사는 것은 이제 저렴하다. 하지만 그 모델이 실제 업무에서 안정적으로 작동하도록 — 올바른 컨텍스트를 주고, 출력을 검증하고, 실패를 처리하고, 사람이 개입해야 하는 시점을 판단하도록 — 만드는 것은 여전히 어렵고 비싸다.

Anthropic은 이 “구현 프리미엄”을 외부 파트너사에 넘기는 대신 직접 포착하기로 했다. Ode는 그 결정의 제도화다.

AI PM이 봐야 하는 세 가지 변수

이 전환이 AI 제품을 만드는 사람에게 의미하는 바가 있다.

첫째, 과금 단위를 다시 설계할 타이밍이다.

“달러당 유용한 작업”이 업계 지표가 된다는 건, 고객도 같은 렌즈로 AI를 평가하기 시작했다는 뜻이다. 월 정액제나 API 호출 수 기반 과금은 이 렌즈와 맞지 않는다. 고객은 “내가 낸 돈에 비해 실제로 완료된 작업이 얼마인가”를 묻게 된다.

결과 기반 과금(outcome-based pricing)이 다음 승부처인 이유가 여기 있다. 처리된 계약 건수, 해결된 고객 문의, 자동화된 보고서 수 — 이것이 에이전트 제품의 자연스러운 과금 단위다. 이걸 측정할 수 없는 팀은 가격 협상에서 항상 불리하다.

둘째, “실행 책임 범위”가 제품 차별화 변수가 된다.

Ode의 핵심 포지셔닝은 단순하다. Anthropic이 구현까지 책임진다. 모델을 주고 나머지는 고객이 알아서 해라가 아니다. 이 책임 범위가 넓을수록 프리미엄을 받을 수 있다.

PM 관점에서 이 원칙은 이렇게 적용된다. 내 제품이 “모델을 제공하는가” vs “모델이 실제로 작업을 완료하는가” 사이의 어느 지점에 있는가. 실행 책임 범위를 명확히 설계하지 않으면, 고객은 언제나 “왜 이게 안 되나요”라는 질문을 가지고 온다.

셋째, 도메인 깊이가 실행 품질의 전제다.

Ode가 블랙스톤 같은 금융 인프라 회사와 손잡은 데는 이유가 있다. 부동산, 사모펀드, 채권 — 이 도메인들은 업무 컨텍스트가 복잡하고, 표준화되지 않은 프로세스가 많고, 실수의 비용이 크다. 도메인을 모르면 “유용한 작업”을 끝낼 수 없다.

범용 에이전트가 범용 성능을 보이는 이유다. 도메인에 특화된 에이전트가 도메인 내에서 훨씬 높은 완료율을 보이는 것도 같은 이유다. 구현의 품질은 모델 성능보다 도메인 이해에 더 크게 의존한다.

”좋은 모델”에서 “끝나는 작업”으로

에이전트 도입이 실제 업무 개선으로 연결되지 않는 경우, 원인은 대부분 모델이 아니다.

컨텍스트가 부족하거나, 검증 단계가 없거나, 실패 처리가 설계되지 않았거나, 사람이 개입해야 하는 지점이 불명확하다. 이것들은 모두 구현 문제다.

Anthropic이 Ode를 만들고, OpenAI가 “달러당 유용한 작업”을 지표로 삼은 이유가 여기 있다. 가장 잘 만든 모델 회사들이 모델만으로는 충분하지 않다는 결론에 도달했다.

이 전환이 AI PM에게 의미하는 건 단순하다. 좋은 모델을 고르는 것보다 좋은 실행을 설계하는 것이 더 중요해졌다. 과금 단위, 실행 범위, 도메인 깊이 — 이 세 가지를 먼저 설계하는 팀이 “달러당 유용한 작업”에서 앞서간다.

당신의 에이전트 제품은 어느 작업을 “끝낸다”고 말할 수 있습니까?