AI 에이전트로 돈을 벌려면: 자동화 기능보다 진단-세팅-운영 패키지를 팔아야 한다

1. 개요: 고객은 자동화가 아니라 운영 마찰 감소를 삽니다

"AI 자동화 에이전시"라는 말은 만드는 사람 입장에서는 자연스럽습니다. 하지만 사는 사람 입장에서는 모호합니다. 소상공인, 숙소 호스트, ecommerce 운영자, B2B 영업팀이 모델, prompt, agent framework를 사고 싶은 것이 아닙니다. 그들은 반복 질문, 수동 복붙, 누락되는 follow-up, 불안정한 운영을 줄이고 싶어 합니다.

그래서 첫 판매 단위는 "AI 에이전트를 만들어드립니다"가 아니라 service package여야 합니다. 먼저 그 workflow가 자동화할 가치가 있는지 진단합니다. 그다음 하나의 좁은 agent 또는 workflow를 출처, 도구, 승인, rollback 경로와 함께 세팅합니다. 마지막으로 매달 로그를 보고, 지식을 갱신하고, prompt를 조정하고, eval을 돌리고, 실제로 업무가 나아졌는지 보고합니다.

이 방향은 업계 흐름과도 맞습니다. Anthropic은 agentic system을 만들 때 작동하는 가장 단순한 해법부터 시작하고, 복잡도는 필요할 때만 올리라고 권합니다. MCP는 tool 연결을 쉽게 만들지만, 민감한 행동에는 사람 확인과 가시성이 필요하다고 설명합니다. Zendesk와 AWS도 AI agents를 결과, 운영, observability, evaluation, managed infrastructure 언어로 패키징하고 있습니다. 돈은 똑똑한 prompt보다 책임지는 운영 쪽으로 이동하고 있습니다.

2. 작은 용어집: 실제로 파는 것은 무엇인가

진단은 설치 전 현장 조사입니다. 도구를 붙이기 전에 반복 업무, 요청량, 현재 비용, 데이터 출처, 실패 위험, 승인 경계를 지도처럼 그립니다. 쉽게 말해 기계를 설치하기 전 현장을 보는 작업입니다.

세팅은 첫 번째 통제된 workflow를 설치하는 일입니다. workflow card, source-of-truth 폴더, SOP, MCP/tool 연결, prompt, 권한, 인수인계 규칙, 테스트 사례, 첫 리포트가 포함됩니다. SOP는 standard operating procedure의 줄임말로, 일을 어떻게 처리해야 하는지 적어둔 표준 절차서입니다.

월간 운영은 유지보수 계약입니다. Retainer는 그 유지보수를 위해 매달 받는 비용입니다. Eval은 에이전트가 아직 올바르게 행동하는지 확인하는 반복 테스트 세트입니다. KPI는 response time, handoff 수, 절약 시간, lead quality, resolution rate처럼 추적할 사업 지표입니다. SLA는 얼마나 자주 점검하고, 얼마나 빨리 대응하고, 무엇을 incident로 볼지 정한 서비스 약속입니다.

• 진단: 맞는 workflow를 고르고, 해결할 가치가 있는 문제인지 증명합니다.
• 세팅: 출처, 도구, 승인, 테스트가 있는 좁은 workflow 하나를 설치합니다.
• 월간 운영: 로그, eval, 지식 업데이트, 장애 대응으로 에이전트가 계속 작동하게 합니다.
• MCP: AI tool이 파일, API, database, business system과 연결되도록 돕는 표준 connector입니다.
• 승인 경계: AI가 멈추고 사람에게 물어야 하는 선입니다.
• Retainer: 지속 운영과 개선을 위해 받는 월간 비용입니다.

3. 왜 "자동화 기능"만 팔면 약한가

자동화는 기능 단어입니다. 고객의 진짜 질문에는 답하지 못합니다. 어떤 업무를 먼저 자동화해야 하지? 답이 틀리면 어떻게 하지? 에이전트가 읽을 회사 지식은 무엇이지? 고객에게 나가는 메시지는 누가 승인하지? 로그인이나 API가 끊기면 누가 고치지? 실제로 돈이나 시간이 절약됐는지는 어떻게 알지? 다음 달에도 누가 관리하지?

이 질문들은 AI에 대한 반대가 아닙니다. 바로 상품의 핵심입니다. 제안서 안에 이 질문들에 대한 답이 없으면, 고객은 숨은 일을 스스로 떠안아야 합니다. 그래서 데모가 좋아 보여도 구매가 위험하게 느껴집니다.

로컬 X 인박스에서도 같은 실전 신호가 반복됐습니다. builder들은 Markdown 기반 회사 운영체계, MCP로 연결된 tools, skill, safeguard, managed agents platform, issue queue, runtime binding, human review를 이야기하고 있었습니다. 신호는 명확합니다. 상업적 기회는 agent를 만드는 것만이 아니라 agent를 읽을 수 있고, 경계가 있고, 테스트 가능하고, 유지보수 가능한 상태로 만드는 데 있습니다.

4. 패키지 1: AI Automation Fit Check

첫 번째 유료 또는 저마찰 상품은 진단이어야 합니다. 작아도 됩니다. 대신 구체적이어야 합니다. 산출물은 영업 미팅 요약이 아니라 workflow map입니다. 무엇이 반복되는지, 얼마나 자주 일어나는지, 누가 담당하는지, 어떤 데이터 출처가 중요한지, 무엇이 잘못될 수 있는지, 무엇을 done으로 볼지 정리해야 합니다.

좋은 진단은 안 된다고도 말합니다. 어떤 업무는 아직 자동화하지 않는 편이 낫습니다. 데이터가 지저분하거나, 리스크가 높거나, volume이 너무 낮거나, 현재 프로세스가 불안정하기 때문입니다. 이런 솔직함이 오히려 제안을 강하게 만듭니다. 고객은 잘못된 AI 프로젝트를 막아주는 진단 서비스를 신뢰합니다.

최종 산출물에는 우선순위가 있어야 합니다. 지금 시작할 workflow 하나, 나중으로 미룰 workflow 하나, 사람에게 남겨야 할 workflow 하나, 예상 절약 시간, 세팅 복잡도, 월간 운영 필요성, 간단한 before/after KPI를 담습니다.

• 반복 요청, 현재 tools, 담당자, volume, failure point를 지도화합니다.
• source-of-truth 문서, SOP 빈칸, 부족한 예시를 찾습니다.
• 읽기 전용, 승인 필요, 금지 행동을 구분합니다.
• 측정 가능한 KPI와 작은 eval set이 있는 첫 workflow 하나를 고릅니다.

5. 패키지 2: 첫 번째 안전한 workflow 세팅

세팅 패키지는 진단을 실제 작동하는 시스템으로 바꿉니다. 범위는 1~2주 안에 검증할 수 있을 만큼 좁아야 합니다. 예를 들면 숙소 호스트의 guest question triage, ecommerce 환불/답변 초안, outbound lead research, 내부 SOP lookup, invoice check routing, customer feedback clustering 같은 업무입니다.

세팅은 prompt만 쓰는 일이 아닙니다. workflow card, source pack, tool connector, permission table, prompt 또는 skill file, example input, expected output, eval case, human review queue가 들어갑니다. MCP는 AI application이 tool과 data에 접근하는 표준 방식을 제공하기 때문에 유용합니다. 하지만 진짜 가치는 어떤 tool을 허용하고, 어떤 행동은 confirmation을 요구할지 정하는 데 있습니다.

고객에게는 handover packet을 줘야 합니다. 에이전트가 무엇을 하는지, 무엇은 하지 않는지, 어디에서 읽는지, log는 어디 남는지, 어떤 행동은 승인이 필요한지, healthcheck는 어떻게 하는지, 실패하면 무엇을 해야 하는지를 담습니다. 이렇게 해야 세팅이 단발성 납품이 아니라 운영 자산이 됩니다.

6. 패키지 3: 월간 managed operations

많은 AI 서비스 사업이 여기서 margin을 놓칩니다. 세팅 비용만 받고 support는 사실상 무료로 떠안습니다. 하지만 agent는 살아 있는 시스템입니다. 회사 지식은 바뀝니다. 고객 질문도 바뀝니다. tool permission은 끊깁니다. API behavior도 달라질 수 있습니다. 지난달에 맞던 prompt도 source data가 바뀌면 흔들립니다.

그래서 월간 운영은 진짜 상품이어야 합니다. 로그를 보고, 새 예시를 추가하고, SOP를 갱신하고, eval을 돌리고, 실패 사례를 확인하고, 승인 규칙을 개선하고, 절약 시간과 남은 리스크를 요약해야 합니다. incident가 생기면 짧은 failure packet을 남깁니다. signal, cause, fix, prevention rule, closeout proof를 기록하는 방식입니다.

이 단계는 판매자에게도 compound가 됩니다. 매달 더 나은 template, eval case, playbook, packaging이 쌓입니다. 실제 현장에서 무엇이 깨지는지 아는 operator가 되기 때문에 서비스의 가치가 커집니다.

• Gateway, tools, source access, logs에 대한 주간 또는 월간 healthcheck.
• 반복 사례와 위험한 edge case에 대한 eval run.
• SOP, 가격 규칙, 정책 변경, 예시에 대한 knowledge refresh.
• 반복 실수에 대한 incident/failure packet.
• 절약 시간, response speed, quality score, handoff 감소 같은 KPI report.

7. 가격 구조: setup fee + retainer, 성과 기반은 신중하게

가장 깔끔한 첫 모델은 단순합니다. 진단비, 세팅비, 월간 운영 retainer입니다. 진단은 리스크를 줄입니다. 세팅은 가치를 설치합니다. retainer는 시스템이 살아 있게 만들고 매달 개선합니다.

Outcome-based pricing은 강력할 수 있지만, metric이 명확하고 attribution이 가능할 때만 써야 합니다. Zendesk의 AI agent 포지셔닝은 시장이 value와 resolution 기반 언어로 이동한다는 신호를 보여줍니다. 하지만 작은 서비스 제공자는 조심해야 합니다. 어떤 resolution이 agent 덕분인지 증명할 수 없다면 전체 계약을 성과 기반으로 묶으면 위험합니다.

현실적인 offer는 세 tier로 만들 수 있습니다. Fit Check로 workflow를 고르고, First Workflow Setup으로 설치하고, Managed Operations로 지속 개선합니다. Qualified lead packet, support backlog 감소, 검증된 절약 시간처럼 양쪽이 audit할 수 있는 지표에만 outcome bonus를 붙입니다.

8. Guildex가 먼저 팔 수 있는 것

Guildex의 자연스러운 wedge는 이미 있습니다. 반복 업무, 비용 압박, 통제 가능한 data가 있는 팀과 운영자를 위한 automation diagnosis입니다. 이 고객은 모호한 AI 약속보다 package에서 가치를 느낍니다.

좋은 첫 offer는 stay-host guest help, ecommerce support triage, B2B outbound research packet, internal SOP lookup, launch-ops reporting입니다. 각각 반복 input이 있고, 보이는 시간 비용이 있고, 정리 가능한 source가 있고, 비전문가에게 설명 가능한 approval boundary가 있습니다.

그래서 sales page는 진단을 앞에 세우는 편이 좋습니다. "자동화할 가치가 있는 첫 workflow를 찾고, 안전하게 설치하고, 매달 증거로 운영합니다"가 "AI 에이전트를 만들어드립니다"보다 명확합니다. 고객은 demo 전, demo 중, demo 후에 무엇이 일어나는지 바로 이해할 수 있습니다.

9. AI가 발전할수록 사람도 함께 발전해야 하는 이유

AI가 좋아질수록 사람의 역할은 사라지는 것이 아니라 위로 올라갑니다. 가치 있는 사람은 답을 직접 타이핑하는 사람만이 아닙니다. 일을 정의하고, 출처를 고르고, 권한 경계를 정하고, 실패 신호를 읽고, 품질을 판단하고, 반복 수정사항을 더 나은 운영체계로 바꾸는 사람입니다.

그래서 service package가 중요합니다. 이 패키지는 양쪽을 훈련시킵니다. 고객은 AI가 안전하게 맡을 수 있는 범위를 배웁니다. 운영자는 workflow를 설계하고, risk를 관리하고, 개선을 측정하는 능력을 키웁니다. 시간이 지날수록 agent가 더 많은 일을 처리하지만, 사람은 일 자체를 설계하는 능력에서 더 강해집니다.

진짜 상품은 마법 같은 autonomous worker가 아닙니다. 올바른 업무를 진단하고, 좁은 시스템을 설치하고, 증거로 운영하고, 실패에서 배우고, 첫 loop가 안정될 때만 확장하는 disciplined loop입니다.