이 영상은 AI 에이전트가 업무를 대신 수행하는 시대에 기업이 무엇을 계속 구매하게 될지, 그리고 기존 SaaS 앱이 어떤 방식으로 살아남거나 약해질지를 분석한다. 핵심은 소프트웨어를 단순한 '앱'으로 보지 말고 데이터 계층, 애플리케이션·워크플로 계층, 에이전트 계층으로 나누어 봐야 한다는 것이다. 개인 직원부터 기업의 구매 담당자와 소프트웨어 판매자까지, 모두가 자신이 AI를 통해 어떤 결과를 내고 있는지 설명할 수 있어야 한다. 🤖

1. DoorDash가 보여주는 소프트웨어의 미래

영상은 다소 뜻밖의 사례인 DoorDash로 시작한다. 발표자는 2026~2027년의 소프트웨어 구매·판매 구조를 이해하는 열쇠가 음식 배달 서비스에 있을 수 있다고 말한다. DoorDash가 사용자가 메시지로 원하는 음식을 주문할 수 있게 한 것은, 단지 피자를 더 편하게 시키는 기능이 아니라 사용자가 앱 화면을 직접 열지 않아도 서비스가 작동하는 미래를 보여준다는 것이다.

"DoorDash에 메시지를 보내서 원하는 것을 가져다달라고 할 수 있습니다. 좋아하는 피자든, 샌드위치든 무엇이든요. 이것이 소프트웨어의 미래입니다."

이를 업무에 대입해 보면, 새 고객이 계약을 체결했을 때 직원이 여러 도구를 직접 열어보는 대신 AI 에이전트가 계약서, 영업 메모, 이메일 스레드를 읽고 온보딩 계획을 작성할 수 있다. 사람은 점점 기존 앱의 화면을 열 필요가 없어지고, 앱이 담당하던 정보 처리 업무는 에이전트에게 넘어간다.

하지만 여기서 중요한 차이가 생긴다. 고객 기록과 핵심 데이터를 보유한 회사는 여전히 가치가 있고 돈을 받을 수 있다. 반면, 그 데이터를 단순히 보기 좋게 보여주거나 반복 작업을 처리하던 부가적인 앱·인터페이스는 쉽게 교체될 위험이 커진다.

"그 계획을 만들기 위해 쓰던 추가 도구, 즉 소프트웨어는 덜 중요해지고 떠나기 쉬워집니다. 이것이 지금 SaaS가 마주한 위험입니다."

반대로, 직원이 오랜 시간 동안 자신의 에이전트에게 가르친 맥락은 매우 강력한 자산이 된다. 예를 들어 특정 고객은 보안 승인을 받아야 온보딩할 수 있다거나, 특정 팀은 일반적인 절차와 다른 방식으로 일한다는 정보처럼 문서에 명확히 적히지 않은 실무 지식이 쌓인다. 이런 지식을 품은 에이전트는 다른 AI 공급자로 교체하기가 점점 어려워진다.

"당신이 훈련한 에이전트는 훨씬 더 교체하기 어려울 수 있습니다. 배운 교훈이 개인 시스템이나 업무용 에이전트의 기억 속에 저장돼 있기 때문입니다."

즉, 앞으로의 갈등은 단순히 "어떤 AI 모델이 더 저렴한가?"가 아니다. 재무팀이나 IT 부서가 비용 때문에 AI 공급자를 바꾸려고 할 때, 실제 사용자들이 구축해 놓은 업무 방식과 생산성이 함께 사라질 수 있다는 점이 문제다.

2. 채용 에이전트가 대체하기 어려워지는 과정

발표자는 실제 사례를 일부 익명화한 채용 업무 이야기를 든다. 원래 채용 담당자는 매주 채용 도구에 들어가 후보자를 찾고, 메모를 스프레드시트에 복사한 뒤, 채용 관리자에게 보낼 후보자 명단을 작성한다. 그런데 AI 에이전트가 이 과정을 대신하게 되면 업무 흐름이 바뀐다.

에이전트는 후보자 데이터 제공업체에서 프로필을 가져오고, 후보자 명단을 만들며, 담당자는 이를 검토하고 승인한다. 이때 데이터 제공업체는 여전히 후보자 데이터를 판매하므로 수익을 유지할 수 있다. 하지만 담당자는 시간이 갈수록 예전의 채용 도구를 직접 열지 않게 된다.

"회사는 여전히 후보자 데이터를 판매하고, 당신은 여전히 그 데이터를 사용합니다. 하지만 그 데이터 위에서 수행되는 서로 다른 업무 단위에 돈을 내기 시작하는 겁니다."

더 큰 변화는 에이전트가 사용자의 판단 기준을 배우면서 시작된다. 담당자는 에이전트에게 어떤 후보자가 회사 문화에 맞는지, 어떤 경력 조합을 선호하는지, 특정 채용 관리자가 어떤 사람을 원하는지, 이미 누가 채용됐는지를 계속 알려준다. 그러면 에이전트는 단순 검색 도구가 아니라 개인의 채용 철학과 조직 맥락을 반영하는 맞춤형 업무 동료가 된다.

"에이전트는 당신이 성공적인 후보자를 어떻게 판단하는지, 회사에 맞지 않는 후보자를 어떻게 제외하는지, 이상적인 후보자가 어떤 모습인지 배웁니다."

발표자는 이러한 현상이 채용에만 국한되지 않는다고 말한다. 제품, 엔지니어링, 영업 등 거의 모든 분야에서, 예전에는 한 가지 목적만 수행하던 도구가 쉽게 떠날 수 있는 존재가 되고 있다. 반면 사용자가 오랜 시간 가르친 에이전트는 훨씬 더 포기하기 어려워진다.

다만 AI가 후보자를 추천하더라도 인간의 검토는 필요하다. 그는 책임감 있고 윤리적인 사용자는 여전히 직접 확인해야 한다고 강조한다. AI가 업무를 줄여줄 수는 있어도, 최종적인 판단과 책임까지 완전히 넘길 수는 없다는 뜻이다.

3. 에이전트 시대에도 돈을 내는 이유

발표자는 시청자에게 "당신은 실제로 언제 앱을 직접 여는가?"라는 질문을 던진다. 여기서 말하는 것은 에이전트에게 앱을 쓰라고 요청하는 경우가 아니라, 사람이 직접 앱 화면을 열어 정보를 찾고, 정리하고, 행동하는 순간이다.

"당신이 인간으로서 정보를 찾고, 정리하고, 그에 따라 행동하는 순간은 언제입니까?"

많은 SaaS 기업은 검색, 정보 정리, 실행, 저장을 한 번에 제공하면서 '가치'를 설명해 왔다. 그러나 에이전트가 이 과정의 일부만 잘 수행해도, 고객은 "우리가 이 회사에 정확히 무엇을 위해 돈을 내고 있었지?"라고 묻게 된다. AI는 기존 제품이 제공해 온 가치의 실체를 더 선명하게 드러낸다.

발표자의 관점에서 기업 고객은 앞으로 SaaS 공급자의 데이터와 유통·배포 능력을 먼저 봐야 한다. 단순히 "우리도 AI 기능이 있습니다"라는 말은 이제 기본 조건일 뿐이다. 중요한 것은 그 회사가 이미 가지고 있는 데이터, 고객 접점, 신뢰 관계를 바탕으로 에이전트 시대에서 어떤 위치를 차지할 수 있는가다.

"구매자로서 실제로 무슨 일이 일어나는지 이해하려면, 소프트웨어 판매자가 가진 데이터와 유통력을 출발점으로 삼아야 합니다."

따라서 2026년의 소프트웨어 구매는 과거보다 복잡해진다. 지금의 제품이 좋은지뿐 아니라, 앞으로 에이전트가 더 강해질 때 그 제품이 조직의 시스템 안에서 얼마나 잘 확장되고 연결될지까지 판단해야 한다. 잘못된 선택은 직원들이 이미 만들어 놓은 생산성 높은 AI 업무 방식을 망가뜨릴 수 있다.

4. Meta와 Salesforce의 서로 다른 전략

발표자는 잘 알려진 대기업들이 에이전트 시대에 어떻게 움직이는지 비교한다. 먼저 Meta는 전통적인 SaaS 기업처럼 보이지 않지만, 개인용 에이전트인 Muse를 빠르게 소기업용으로 확장하면서 사실상 업무용 소프트웨어 영역으로 들어가고 있다고 본다.

Muse는 Shopify, QuickBooks 같은 도구와 연결되어 상점 운영과 회계 데이터에 접근할 수 있다. Meta의 목표는 단순히 개인 비서 역할을 하는 것을 넘어, 소기업 운영자가 고객을 찾고 실무를 처리하는 업무 본부가 되는 것이다.

"Meta는 당신의 개인 비서가 되는 데서 멈추지 않고, 고객을 찾고 운영을 돕는 쪽으로 관계를 확장하려는 것처럼 보입니다."

이 사례가 보여주는 것은 개인용 AI와 업무용 AI의 경계가 매우 빠르게 사라진다는 점이다. 소비자가 개인적으로 쓰던 에이전트를 직장에서도 쓰기 시작하면, 개인 생산성 도구가 기업용 소프트웨어 시장으로 진입하는 길은 생각보다 짧다.

그다음 사례는 SaaS의 상징적 기업인 Salesforce다. Salesforce는 오랜 기간 쌓아 온 CRM 고객 데이터와 강력한 기업 배포망을 보유하고 있다. 발표자는 이런 자산이 에이전트 시대에도 매우 큰 전략적 강점이라고 본다.

Salesforce는 CRM 작업을 위해 조정한 추론 모델 Koa를 공개했다. Koa는 실제 고객 데이터를 학습하는 것이 아니라 합성 데이터를 활용해 훈련되지만, Salesforce는 오랜 기간 CRM 데이터와 업무 흐름을 다뤄 왔기 때문에 실제 고객 데이터가 어떻게 작동하는지 잘 이해하고 있다.

"더 뛰어난 모델은 Salesforce가 이미 시스템 안에 가진 지식을 고객의 더 많은 업무에 적용할 기회를 줍니다."

Salesforce의 강점은 세 가지 층을 함께 잡으려 한다는 데 있다.

• 데이터 계층: 고객 관계와 영업 활동에 관한 핵심 CRM 데이터
• 애플리케이션 계층: 기업이 오랫동안 사용해 온 CRM 제품과 워크플로
• 에이전트 계층: Koa를 포함해 여러 AI 에이전트를 관리하고 연결하는 환경

발표자는 Salesforce가 특정 모델 하나만 강요하기보다, 고객이 Claude·Cohere 등 다양한 모델과 에이전트를 선택할 수 있는 환경을 제공하려 한다고 본다. 이런 선택권과 다중 모델 전략은 특정 공급자에 묶이고 싶지 않은 기업 고객에게 매력적이다.

"구매자는 한 곳에 묶이고 싶어 하지 않습니다. 따라서 판매자는 선택지를 팔아야 합니다."

5. Microsoft와 AI 연구소의 경쟁 구도

Microsoft 역시 Salesforce와 비슷한 전략적 딜레마를 안고 있다. Microsoft는 Azure를 통한 데이터·클라우드 기반, 개발 도구, Outlook·Excel·Teams 같은 생산성 애플리케이션, 그리고 Copilot과 Autopilot 같은 AI 제품을 모두 가지고 있다.

하지만 사용자가 점차 Excel이나 Outlook의 화면을 직접 열기보다, 에이전트에게 "데이터를 정리하고 처리해 달라"고 요청하게 되면 기존의 화면 중심 제품은 역할을 재정의해야 한다. Microsoft는 이 상황에서 단일 제품을 파는 것이 아니라, 기업 전체를 포괄하는 신뢰 기반의 통합 스택을 제시하려 한다.

"우리는 여러분의 데이터를 관리하고, Azure에 안전하게 저장할 곳을 제공하며, 익숙한 생산성 제품군도 갖고 있습니다. 그리고 그 위에 신뢰할 수 있는 AI를 제공합니다."

발표자는 Microsoft가 기업 고객에게 다음과 같은 메시지를 전달한다고 해석한다. "우리는 이미 당신의 데이터, 개발 환경, 생산성 도구, 보안과 신뢰를 갖고 있다. 이제 Copilot과 Autopilot을 통해 미래의 일하는 방식을 제공하겠다." 특히 대기업은 안정성과 책임 소재를 중시하기 때문에, Microsoft의 기존 신뢰 자산은 AI 도입 과정에서 큰 힘이 된다.

반면 OpenAI와 Anthropic 같은 AI 연구소들은 다른 출발점에 있다. 이들은 고객의 업무 데이터를 오래 보유해 온 기업도 아니고, 이미 구축된 대규모 기업용 유통망을 가진 기업도 아니다. 이들의 핵심 제안은 더 뛰어난 지능과, 그 지능을 고객 데이터에 적용하는 능력이다.

"연구소의 계획은 단순합니다. 지능을 위해 우리에게 베팅하고, 그 지능을 여러분의 데이터에 적용하는 능력을 위해 우리에게 베팅하라는 것입니다."

Anthropic은 상대적으로 기업 시장에 강하게 집중해 왔고, OpenAI는 소비자 시장에서 큰 성공을 거둔 뒤 기업 시장으로 확장하는 흐름이다. 발표자는 Salesforce와 Claude의 협력이 자연스럽다고 본다. Salesforce는 기업 데이터와 고객 접점을 제공하고, Anthropic은 모델과 현장 엔지니어링 지원을 제공할 수 있기 때문이다.

6. DoorDash와 MCP: 앱을 열지 않아도 거래를 얻는 법

DoorDash는 사용자에게 자신의 AI 비서를 쓰게 하고 싶어 하지만, 더 중요한 목표는 사용자가 다른 회사의 에이전트를 쓰더라도 DoorDash에 주문을 보낼 수 있게 하는 것이다. 이를 위해 DoorDash는 텍스트 주문 기능과 더불어 MCP(Model Context Protocol) 연동을 시험하고 있다.

MCP는 AI 에이전트가 외부 데이터와 도구에 연결될 수 있게 돕는 프로토콜이다. DoorDash 입장에서는 사용자가 DoorDash 앱을 여는지 여부보다, 어떤 에이전트를 통해서든 주문이 DoorDash로 들어오는지가 중요하다.

"앱을 다시는 만지지 않더라도 DoorDash는 이깁니다. 인터페이스의 순간을 잃는 것이 고객 거래나 고객 가치를 잃는 뜻은 아닙니다."

예를 들어 미래에는 사용자가 명령창이나 AI 대화창에서 /DoorDash를 입력해 평소 먹던 점심을 주문할 수 있다. 또는 문자 메시지로 주문할 수도 있다. 이 경우 DoorDash는 직접적인 앱 사용 시간을 잃지만, 주문과 거래를 확보한다.

다만 발표자는 모든 회사가 MCP 서버만 만들면 성공하는 것은 아니라고 선을 긋는다. 에이전트에게 연결 가능하다는 것은 논의 대상이 되기 위한 최소 조건일 뿐이다. 고객이 계속 돈을 내야 할 이유, 즉 독점적 데이터·신뢰할 만한 실행력·복잡한 업무 흐름·브랜드 신뢰 같은 본질적 가치를 제공해야 한다.

"에이전트에 연결될 수 있다는 것은 선택지에 포함되는 최소 요건일 뿐입니다. 그것만으로 왜 계속 돈을 내야 하는지는 설명되지 않습니다."

7. 직원의 AI 습관이 구매 결정을 바꾼다

이 영상의 가장 실용적인 메시지 중 하나는 직원들이 자기만의 AI 사용법을 숨기지 말아야 한다는 것이다. 실제로 팀 구성원들은 각자 다른 도구, 프롬프트, 자동화 방식, 데이터 접근 방법을 조합해 자신만의 생산성 시스템을 만들고 있다.

하지만 개인이 "이건 내 비밀 무기야. 말하면 안 돼"라고 생각하고 사용법을 공유하지 않으면 문제가 생긴다. 회사가 비용 절감이나 보안 문제를 이유로 AI 공급자를 바꿀 때, 관리자는 해당 직원의 업무가 얼마나 특정 도구와 에이전트에 의존하는지 모른 채 결정을 내릴 수 있다.

"그걸 숨기지 마세요. 공급자를 바꾸면 당신이 잃게 됩니다."

특히 AI 모델의 토큰 비용이나 구독료만 보고 도구를 교체하면, 직원이 몇 달 동안 축적한 업무 맥락과 자동화 방식이 무너질 수 있다. 발표자는 모든 직원이 CFO에게 직접 보고하라는 뜻은 아니라고 설명한다. 대신 자신의 관리자에게 AI 활용 방식을 알려서, 관리자가 더 높은 의사결정 단계에서 실제 업무 요구를 제대로 설명할 수 있도록 해야 한다고 권한다.

직원에게 필요한 것은 거창한 기술 설명이 아니다. 자신이 어떤 데이터를 쓰고, 어떤 앱을 직접 사용하며, 어디에서 에이전트가 시간을 줄여 주는지, 어떤 워크플로가 중요한지를 말할 수 있어야 한다.

"AI를 어떻게 사용하는지 이야기하세요. 데이터, 워크플로, 실제로 클릭해서 앱을 쓰는 순간과 그렇지 않은 순간을 설명할 수 있어야 합니다."

8. Crustdata와 Workday가 보여주는 두 가지 가치

발표자는 소규모 회사와 복잡한 기업용 시스템을 대비해 두 가지 사례를 제시한다. 먼저 Crustdata 사례에서는 2인 규모의 채용 회사가 완성형 채용 도구를 구매하는 대신, Crustdata의 API를 사용해 자체적인 AI 업무 흐름을 구축한다.

이 회사는 후보자 선별 기준을 직접 AI에 제공하고, Crustdata는 후보자의 경력과 관련 정보를 구조화된 데이터 형태로 제공한다. 즉, 고객은 데이터 공급자와 데이터의 구조화 능력에는 비용을 지불하지만, 그 위의 검색·선별 워크플로는 자신들의 필요에 맞게 직접 만든다.

"이 회사는 에이전트가 읽을 수 있는 구조화된 데이터를 계속 구매하고, 그 위에 자체 연구 워크플로를 구축하기로 했습니다."

이는 AI 덕분에 맞춤형 소프트웨어를 만드는 비용이 낮아졌기 때문에 가능한 변화다. 과거에는 작은 회사가 완성형 SaaS 제품을 쓰는 편이 훨씬 쉬웠지만, 이제는 데이터만 제대로 제공된다면 자신에게 맞는 워크플로를 직접 만드는 선택지가 생겼다.

반면 Workday의 급여 관리는 완전히 다른 유형의 문제다. AI가 급여 명세서를 설명해 주는 것과, 실제로 직원 급여가 법규에 맞게 정확히 지급되도록 운영하는 것은 다르다. 급여 업무에는 규정, 기록, 승인 절차, 실행 신뢰성, 예외 처리 등이 얽혀 있다.

"AI가 급여 명세서를 설명하는 것과, 사람들이 실제로 급여를 받도록 보장하는 시스템을 대체하는 것은 전혀 다른 일입니다."

Workday의 급여 에이전트는 기업이 설정한 급여 데이터와 규칙을 바탕으로 문제를 찾고, 수정안을 제시하며, 급여 처리 경험을 개선할 수 있다. 그러나 그 기반에는 이미 정교하게 구축된 기록·승인·실행 시스템이 존재한다. 이런 고규제·고위험 워크플로는 단순한 앱 화면이 아니라 데이터 위에 쌓인 신뢰 가능한 운영 체계이므로 쉽게 사라지지 않는다.

"에이전트는 이런 시스템을 덜 가치 있게 만드는 것이 아니라, 사람들이 그 시스템을 더 잘 사용하게 만들어 오히려 더 가치 있게 할 수 있습니다."

9. 데이터·애플리케이션·에이전트의 세 계층

영상 전체를 관통하는 핵심 프레임워크는 다음의 세 계층이다.

1. 데이터 계층
   고객 정보, 후보자 정보, 거래 기록, 급여 규정처럼 업무의 원재료가 되는 정보다. 에이전트가 유용하게 일하려면 신뢰할 수 있고 접근 가능한 데이터가 필요하다.

2. 애플리케이션·워크플로 계층
   데이터를 바탕으로 실제 일을 정확히 처리하는 규칙, 승인 과정, 업무 절차, 실행 시스템이다. 단순한 화면은 바뀔 수 있지만, 복잡하고 규제된 워크플로 자체는 큰 가치가 있다.

3. 에이전트 계층
   데이터를 읽고, 워크플로를 호출하고, 맥락을 바탕으로 행동하며, 사용자의 일을 가속하는 AI 에이전트다. 개인이나 팀이 에이전트를 어떻게 훈련하고 쓰는지가 점점 중요해진다.

"우리는 모두 데이터 계층, 애플리케이션 계층, 에이전트 계층의 관점에서 자신의 일을 설명할 수 있어야 합니다."

개인 직원은 자신이 어떤 AI 도구를 쓰고 어떤 데이터를 중요하게 여기는지 알아야 한다. 구매자는 회사마다 데이터 구조와 애플리케이션 환경이 다르며, 팀마다 AI를 쓰는 방식도 다르다는 사실을 이해해야 한다. 판매자는 고객에게 단지 "AI 기능이 있습니다"라고 말하는 것을 넘어서, 자신의 제품이 세 계층에서 어떤 가치를 만드는지 제시해야 한다.

발표자는 특히 기존 애플리케이션 계층이 완전히 끝나는 것은 아니라고 강조한다. 사라질 가능성이 큰 것은 사람이 매번 화면을 열고 반복적으로 클릭해야만 하는 인터페이스 중심 경험이다. 반면 데이터 위에서 안정적으로 작동하는 워크플로는 계속 중요하다.

"애플리케이션은 인터페이스와 워크플로로 분해해서 봐야 합니다. 데이터 위에서 작동하는 워크플로는 매우 가치 있을 수 있습니다."

그는 모두가 명령줄만 쓰게 될 것이라는 주장도 현실적이지 않다고 본다. 많은 지식 노동자는 명령줄에 익숙하지 않거나 부담을 느낀다. 따라서 당분간은 기존 인터페이스 안에 AI가 깊게 통합되고, 사용자는 익숙한 화면과 에이전트 기반 작업을 혼합해 사용할 가능성이 높다.

10. 직원·리더·판매자가 해야 할 일

발표자는 각 역할에 맞는 행동 방향을 정리한다. 먼저 직원은 자신만의 AI 사용법을 언어로 설명할 수 있어야 한다. 어떤 업무에서 AI가 효과적인지, 어떤 데이터가 중요한지, 어디서는 앱을 직접 열어야 하는지, 어디서는 에이전트에 맡길 수 있는지를 공유해야 한다. 이는 팀 생산성을 높이는 동시에, 회사가 해당 직원을 더 잘 지원할 수 있게 한다.

"당신에게 효과적인 것을 공유할수록 팀 전체가 좋아지고, 회사도 시간이 갈수록 당신을 더 잘 지원할 수 있습니다."

리더와 구매 담당자는 이른바 'AI 사용 흔적', 즉 팀 전체가 실제로 어떤 방식으로 AI를 쓰는지 깊이 파악해야 한다. 이사회나 경영진 차원에서 "우리 회사는 AI를 도입했다"고 선언하는 것만으로는 충분하지 않다. 실제 팀의 업무 흐름을 보지 못하면, 표준화나 비용 절감 과정에서 중요한 생산성을 파괴할 수 있다.

"이사회 수준에 앉아서 '우리는 회사에서 AI를 이해합니다. 모든 것 위에 AI를 얹을 겁니다'라고 말하면 안 됩니다. 그건 작동하지 않습니다."

소프트웨어 판매자와 구축자는 고객에게 오늘의 기능만 팔아서는 안 된다. 고객이 실제로 사는 것은 "다음 AI 모델이 나와도 이 제품이 계속 유효할 것"이라는 믿음이다. 따라서 제품의 데이터가 다양한 인터페이스와 에이전트에서 접근 가능한지, 워크플로가 AI 연결에 적합한지, 다른 에이전트들과 협업할 수 있는지 설명해야 한다.

"지금 당신에게서 사는 사람들은, 내일 다음 AI 모델이 나와도 당신이 계속 따라갈 것이라는 믿음을 사고 있습니다."

궁극적으로 기업이 구매하는 것은 AI 도입 자체가 아니라 더 빠른 결과다. 매출, 수익성, 고객 경험, 개발 속도 등 실제 성과가 빨라지는지가 핵심이다. 발표자는 직원들에게도 이 점이 다소 불편하게 들릴 수 있다고 말한다. 조직은 단순히 AI를 사용했다는 사실이 아니라, AI를 통해 팀 전체의 일을 얼마나 가속했는지 묻게 될 것이기 때문이다.

"그들은 당신이 AI를 도입했는지를 찾는 게 아닙니다. 우리 모두가 전체 업무를 가속할 수 있는지를 보고 있습니다."

11. 마무리: 모두가 AI 구매의 의사결정자가 된다

발표자는 AI 에이전트가 소프트웨어 산업을 끝내는 것이 아니라, 소프트웨어가 제공해야 하는 가치를 더 엄격하게 묻게 만든다고 결론짓는다. 데이터만 제공하는 회사, 복잡한 워크플로를 운영하는 회사, 사용자 맞춤형 에이전트를 만드는 회사는 각자 다른 방식으로 살아남을 수 있다. 다만 단순한 앱 화면이나 모호한 편의성만으로는 이전만큼 높은 가격을 정당화하기 어려워질 것이다.

처음의 채용 담당자 사례처럼, 이제 개인 직원도 AI 사용 방식에 관한 중요한 의사결정자가 된다. 그 사람이 어떤 도구를 쓰고, 어떤 데이터를 연결하며, 어떤 에이전트를 훈련했는지가 회사 전체의 소프트웨어 구매와 전환 비용에 영향을 미친다.

"에이전트는 우리에게 전체 사슬을 수직적으로 연결해서 생각하게 만듭니다. 이제 모두가 의사결정자가 됐습니다."

결국 가장 중요한 질문은 다음과 같다. 누가 데이터를 제공하는가? 누가 데이터 위의 신뢰할 수 있는 워크플로를 제공하는가? 누가 그 위에서 작동할 에이전트 계층을 제공하는가? 이 세 질문에 명확히 답할 수 있는 개인과 기업이, 에이전트 시대의 소프트웨어 시장에서 더 좋은 선택을 하고 더 강한 가치를 만들 수 있다.