YS·VCFounder intake
← Back to list

고객지원·의무기록·금융분석: AI가 바꾸는 업무와 벤처가 가져갈 예산

AI 에이전트업무 자동화노동시장벤처투자VC 관점

프로그래머의 AI 관측 노출도는 74.5%, 고객서비스 담당자는 70.1%, 의무기록 전문가는 66.7%입니다. 이 숫자는 해당 직업이 사라질 확률이 아닙니다. Anthropic의 직업별 노출도 연구가 업무 특성과 실제 Claude 사용을 결합해 만든 지표입니다.

벤처투자에서 더 어려운 질문은 그다음입니다. AI가 처리할 수 있는 업무가 많아져도, 고객이 유료 제품을 도입하고 계약을 갱신할 이유가 생기는 것은 아닙니다. 업무를 빨리 끝내는 능력과 기업이 비용을 실제로 줄이는 능력 사이에는 시스템 연결, 오류 검수, 권한, 책임, 조직 개편이 놓여 있습니다.

투자 우선순위는 노출도가 높은 직업의 이름이 아니라, 돈을 지불하는 부서가 있고 완료 여부를 검증할 수 있는 업무입니다. 고객 문의를 답변으로 끝내지 않고 처리까지 종결하는 제품, 의무기록을 요약에서 청구까지 연결하는 제품, 금융자료를 모으는 데서 승인 가능한 분석까지 연결하는 제품이 검토 대상입니다. 다음 사업 가설과 검증 기준은 연구진의 기업 추천이 아니라 필자의 판단입니다.

경제 시나리오와 개별 직업의 노출도는 다른 자료입니다

2026년 9월 공개된 경제 시나리오 기술 보고서는 인지직과 그 외 직업을 나누는 조건부 모형입니다. 개별 직업의 2030년 고용을 예측하지 않습니다. 아래 거시 수치는 이 모형의 결과이며, 뒤의 직업별 노출도는 2026년 3월 별도 연구에서 가져왔습니다.

2030년 초, 원문 표 3 완만한 변화 상당한 변화 극단적 변화
GDP 수준, AI 없는 경로 대비 +1.6% +8.3% +32.4%
인지직 임금, AI 없는 경로 대비 +0.4% −0.3% −11.5%
인지직 고용, 2026년 중반 대비 −0.5% −3.9% −21.5%
인지직 실업률 2.9% 4.5% 17.9%
전체 실업률 3.9% 4.6% 11.9%

자료: 기술 보고서 표 3. 시나리오별 발생 확률은 제시되지 않습니다. GDP 수준 격차는 연평균 성장률이 아니며, 고용 행은 임금 행과 비교 시점도 다릅니다.

벤처가 읽어야 할 것은 극단적 수치를 맞히는 게임이 아닙니다. 같은 기술이라도 도입 속도, 새로운 업무의 생성, 노동 이동, 임금 조정에 따라 시장의 크기와 고객의 구매 여력이 달라진다는 점입니다. 따라서 큰 시나리오 하나를 매출 계획 전체의 전제로 쓰기보다, 도입이 느려도 버티는 사업을 찾아야 합니다.

보급과 현금 절감 사이의 빈칸이 제품 기회입니다

업무 자동화의 규모를 계산할 때 먼저 분모를 맞춰야 합니다. 아래의 업무량은 기술 보고서 표 1의 AI 도입 이전 임금총액을 기준으로 가중한 모형상 업무량입니다. 직원 수나 단순한 작업 개수와 같지 않습니다.

2030년 가정과 기계적 계산 완만 상당 극단
AI가 영향을 줄 수 있는 업무량 m 20% 30% 50%
해당 업무의 실제 보급률 d 20% 40% 60%
AI 수행 업무 중 자동화 비중 ψ 50% 75% 90%
AI 수행 업무량 m×d 4% 12% 30%
자동화 업무량 m×d×ψ 2% 9% 27%
자동화 업무 대비 새 노동업무 복원비율 ρ 50% 25% 0%
새 노동업무량 ρ×m×d×ψ 1% 2.25% 0%
순감소 노동업무량 (1−ρ)×m×d×ψ 1% 6.75% 27%

자료: 기술 보고서 표 1의 입력을 이용한 별도 계산. 마지막 행은 고용 감소율이 아닙니다. 모형의 노동 이동과 임금 조정을 거쳐야 고용 결과가 나옵니다.

여기서 도출하는 투자 가설은 다음과 같습니다. 범용 모델의 개선이 영향 가능한 업무를 넓힌다면, 응용기업은 실제 사용을 막는 장애물을 제거하는 데서 가치를 만들 수 있습니다. 다만 이를 m은 모델기업, d는 스타트업의 몫이라는 독점 구도로 볼 수는 없습니다. 모델기업도 연결·실행·관리 기능으로 내려올 수 있기 때문입니다.

응용기업이 가져야 할 자산은 모델이 읽을 문서 묶음보다 깊어야 합니다. 어떤 데이터에 접근해도 되는지, 어떤 조건에서 주문을 수정할 수 있는지, 실패하면 어느 기록으로 되돌아가야 하는지, 누가 최종 승인했는지를 제품 안에서 관리해야 합니다. 이 과정에서 쌓이는 처리 결과를 개선에 쓸 계약상 권리까지 있어야 학습 효과가 기업의 자산이 됩니다.

관측 노출도가 높은 직업은 서로 다른 시장을 만듭니다

아래 수치는 2026년 3월 연구의 Figure 3입니다. 그 연구의 Claude 사용 관측은 2025년 자료에 기반하므로 2026년 9월의 모든 AI 제품 사용을 대표하지 않습니다. 오른쪽 열은 직업별 투자 가설입니다.

직업 관측 노출도 먼저 바뀔 수 있는 업무 돈을 받기 위해 해결해야 할 문제
프로그래머 74.5% 코드 작성·수정 검토를 통과해 실제 배포되는 변경
고객서비스 담당자 70.1% 문의·주문·불만 응대 권한 안에서 종결되고 재문의가 줄어드는 처리
데이터 입력원 67.1% 문서에서 시스템으로 입력 누락·중복·예외를 처리한 승인 가능한 기록
의무기록 전문가 66.7% 기록 분류·요약·코딩 정확한 청구와 반려 감소
시장조사·마케팅 전문가 64.8% 조사·보고·시각화 실험과 매출에 연결되는 의사결정
도매·제조 영업 담당자 62.8% 고객 접촉·상품 안내·주문 견적·재고·계약조건을 반영한 수주
금융·투자 분석가 57.2% 자료 수집·전망 초안 출처·계산·최신성을 검증한 검토 자료
소프트웨어 QA 분석가·테스터 51.9% 테스트 작성·실행 출시 후 결함을 줄이는 검증
정보보안 분석가 48.6% 경보 요약·초기 조사 오탐을 줄이고 안전하게 실행하는 대응
컴퓨터 사용자 지원 전문가 46.8% 설정 안내·장애 분류 승인·복구·재발 방지까지 이어지는 조치

도매·제조 영업은 기술·과학 제품 영업을 제외한 원문 직업 범주입니다. 노출도를 전체 영업직이나 개발자 전체로 확대하지 않았습니다.

고객지원: 답변 생성보다 처리 권한이 중요합니다

상담 제품의 경제성은 대화를 얼마나 자연스럽게 이어갔는지보다 문의 한 건을 끝내는 총비용으로 판단하는 편이 낫습니다. 배송 상태를 알려주는 것과, 잘못된 주문을 확인하고 수정한 뒤 고객에게 결과를 통지하는 것은 다른 제품입니다.

초기 투자 검토에서는 완결률의 분모부터 확인해야 합니다. 쉬운 문의만 골랐는지, 사람에게 넘긴 사건을 성공에서 제외했는지, 며칠 뒤 재문의가 발생했는지에 따라 숫자가 달라집니다. 환불을 빨리 처리해 만족도가 올라도 부정 환불 손실이 더 커지면 고객 편익은 나빠집니다.

유망한 사업 가설은 업종별 정책과 거래 시스템을 연결하는 처리 제품입니다. 반대 가설은 기존 고객관리·상담 플랫폼이 이를 묶음 기능으로 제공하고, 스타트업이 비용이 많이 드는 연동과 운영만 떠안는 것입니다. 계약 갱신 시 고객이 독립 제품의 가격을 계속 인정하는지가 이 반론을 가릅니다.

의무기록·의료행정: 임상 판단보다 청구 과정의 오류부터 봅니다

의무기록 전문가의 노출도는 의사의 대체율이나 의료기관 전체의 자동화율이 아닙니다. 투자 가설은 기록의 분류와 증빙 연결이 정확해지면 청구 반려와 재작업을 줄일 수 있다는 것입니다. 이는 진단 정확도를 주장하는 것과도 다릅니다.

제품은 병원마다 다른 기록 체계, 청구 규칙, 승인자를 통과해야 합니다. 문서 요약의 품질보다 실제 반려율, 회수한 금액, 검수자의 시간, 개인정보 처리 권한을 확인해야 합니다. 해외의 보험 청구 시장을 국내 병원에 그대로 적용해서는 안 됩니다. 지급 구조와 고객의 예산이 다르기 때문입니다.

강한 기업은 현장에 진입한 뒤에도 검증 비용이 줄어듭니다. 약한 기업은 신규 병원이 늘 때마다 별도 개발자와 검수자를 같은 비율로 늘립니다. 매출 증가만 보면 두 회사가 비슷해도 반복 매출의 질은 다릅니다.

금융분석·회계·보험·법률: 틀렸을 때 누가 책임지는지가 제품 경계를 정합니다

금융분석에서는 자료를 많이 수집하는 기능보다 기간·통화·연결 및 별도 기준을 맞추는 기능이 중요합니다. 새 공시가 나오면 어떤 가정과 계산이 바뀌었는지 추적할 수 있어야 합니다. 출처가 붙어 있어도 원문에 없는 해석을 인용처럼 쓰면 검증 가능한 제품이 아닙니다.

회계의 대사와 결산, 보험의 접수와 지급 심사, 법률 문서의 검토에도 비슷한 사업 가설을 적용할 수 있습니다. 다만 이들 직업의 노출도 숫자는 위 표에서 확인한 값이 없으므로 추가하지 않았습니다. 공통된 제품 단위는 초안이 아니라 증빙이 붙고 승인 가능한 사건입니다.

독점 데이터가 있다는 설명도 충분하지 않습니다. 수집 권리와 재사용 권리, 고객 계약 종료 뒤 보관 권한, 제3자 모델에 전달할 수 있는 범위가 달라질 수 있습니다. 데이터 이용료가 매출 증가와 함께 뛰거나, 기존 정보사업자가 동일 제품을 묶음 판매하면 스타트업의 이익이 줄어듭니다.

개발·QA·보안·IT 지원: 실행을 검증하는 비용이 새 지출이 됩니다

코드 생산이 쉬워지면 더 많은 변경을 검사하고 배포해야 한다는 가설을 세울 수 있습니다. 그렇다고 모든 개발 도구가 수혜를 받는 것은 아닙니다. 모델이 작성한 코드의 양을 과금 기준으로 삼으면 불필요한 출력과 비용을 늘릴 유인이 생깁니다.

검토할 지표는 수락된 변경 한 건의 총비용, 실제 배포까지의 시간, 출시 후 결함, 복구 시간입니다. 보안에서는 조사 보고서의 양보다 오탐과 대응의 안전성을 봐야 합니다. 계정을 차단하거나 설정을 바꾸는 조치는 로그·권한·복구 절차가 갖춰져야 실제 운영에 들어갑니다.

반대 가설도 강합니다. 운영체제·클라우드·개발 플랫폼이 배포와 보안 맥락을 이미 보유할 수 있습니다. 스타트업은 단순한 기능 우위보다 여러 환경에 걸친 실행 권한, 독립 검증, 고객이 이전하기 어려운 운영 기록을 증명해야 합니다.

마케팅·영업: 콘텐츠 생산량 대신 증분 매출을 봅니다

보고서와 광고 문구가 싸게 만들어지면 같은 예산으로 더 많은 실험이 가능해질 수 있습니다. 그러나 콘텐츠 공급이 늘어도 고객의 주의와 구매 예산이 같은 속도로 늘어나는 것은 아닙니다.

따라서 대량의 문구를 생성하는 회사보다 고객 데이터, 실험 설계, 실제 판매 결과를 연결하는 회사를 먼저 검토할 이유가 있습니다. 영업 자동화도 연락한 고객 수보다 견적의 정확성, 수주 전환, 반품과 취소까지 봐야 합니다. 접촉량 증가가 채널의 품질을 떨어뜨리는 경우에는 사용량이 늘면서 고객 편익이 줄어들 수 있습니다.

현장 직업의 기회는 로봇 대체보다 주변 행정에서 먼저 검토합니다

간호, 정비, 전기 설비, 돌봄에서 문서·일정·견적·부품 조회를 줄이는 사업 가설은 별도로 세울 수 있습니다. 숙련자의 현장 시간을 늘리는 제품이라면 직업 전체를 자동화하지 않아도 구매 이유가 생깁니다.

다만 이번 거시 모형은 고도화된 로봇을 포함하지 않습니다. 또한 간호사를 포함하는 보건 전문·기술직은 부록의 인지직 범주에 들어갑니다. 따라서 기타 직군 임금 +33.6%를 간호사 임금 전망으로 옮기는 해석은 부적절합니다.

이 분류의 거침은 직업 이름으로 시장을 정하지 말아야 할 이유입니다. 같은 간호사라도 기록 업무와 환자를 돌보는 업무는 도입 조건이 다릅니다. 같은 정비사라도 원격 진단과 좁은 공간에서 부품을 바꾸는 작업은 다릅니다. 제품이 줄이는 구체적인 시간과 실패 비용을 현장에서 측정해야 합니다.

직무전환 교육 역시 수강생 수만으로 평가하기 어렵습니다. 고용주가 비용을 내고, 실습 능력이 검증되고, 취업 뒤 정착률이 높아지는지 확인해야 합니다. 실직이 늘면 교육 수요가 늘 수 있지만 개인의 지불 능력은 오히려 낮아질 수 있습니다.

인건비 80억원이 곧 소프트웨어 시장 80억원은 아닙니다

다음은 실제 기업 수치가 아닌 계산 예시입니다. 직원 100명, 1인당 연간 총고용비 8,000만원이면 연간 인건비는 80억원입니다. 대상업무 비중 40%, 실제 도입률 50%, 성공 완료율 80%, 절감 시간의 현금 실현률 50%를 가정합니다.

연간 총 절감액 = 80억원 × 40% × 50% × 80% × 50% = 6.4억원.

소프트웨어 이용료 1.6억원, 이용료에 포함되지 않는 추론·사람 검수 직접비 0.8억원, 연간 환산 연동·운영비 0.4억원이면 총비용은 2.8억원, 고객의 순편익은 3.6억원입니다. 비용 항목의 중복을 피하기 위해 이용료와 직접비를 분리한 가정입니다.

현금 실현률만 20%로 낮아지면 절감액은 2.56억원, 순편익은 −0.24억원으로 바뀝니다. 이 예시의 손익분기 현금 실현률은 2.8 ÷ (80 × 0.4 × 0.5 × 0.8), 즉 21.875%입니다. 수식과 입력은 별도 검산 파일에서 분리했습니다.

이 차이는 모델 성능이 아니라 고객의 운영에 달려 있습니다. 인력을 줄이지 않더라도 초과근무 감소, 외주 축소, 추가 채용 회피, 처리량 확대가 돈으로 연결될 수 있습니다. 그러나 그 효과를 실제 계약과 원가에서 확인하기 전에는 시간 절감을 시장규모로 곧바로 환산해서는 안 됩니다.

벤처의 매출은 고객이 얻는 절감액의 일부입니다. 그 매출에서 추론, 검수, 연동 유지, 고객지원 비용을 뺀 이익이 남아야 합니다. 고객의 절감과 공급자의 매출총이익을 같은 숫자로 제시하는 사업계획은 다시 계산해야 합니다.

가장 빠른 시나리오에서도 약한 응용기업은 더 빨리 어려워질 수 있습니다

AI 발전이 빠르면 응용기업에 무조건 유리하다는 전제는 성립하지 않습니다. 고객 수요가 커지는 동시에 범용 기능의 가격이 더 빨리 내려가고, 모델기업이 제품 범위를 넓힐 수 있기 때문입니다. 기존 제품의 개발비가 싸질수록 경쟁자의 진입 비용도 낮아집니다.

기술·도입 경로 우선 검토할 사업 보수적으로 볼 사업
도입이 완만함 특정 반복업무에서 이미 비용 절감을 입증한 제품 먼 미래의 대체율에만 의존하는 고정비 큰 사업
도입이 상당히 확대됨 승인·예외·시스템 연결을 표준화한 처리 제품 고객마다 인력이 비례해서 늘어나는 맞춤 개발
극단적으로 빠름 운영 권한·책임·검증·독점 거래망을 확보한 제품 초안 생성·범용 검색처럼 묶음 제공되기 쉬운 기능

이 표는 시나리오에 대한 투자자의 대응 가설이며 원문의 기업별 예측이 아닙니다. 가장 큰 시장을 말하는 창업자보다, 모델이 더 좋아질 때 자사 제품의 가격이 왜 유지되는지 설명하는 창업자가 더 중요한 질문에 답하고 있습니다.

투자 검토는 완료된 업무의 원장부터 시작합니다

첫 확인 자료는 최근 고객 업무의 처리 기록입니다. 접수된 전체 사건을 분모로 삼고, 자율 완료·사람 개입·재처리·실패를 나눈 뒤 각각의 비용을 연결해야 합니다. 좋은 사례만 선택한 시연과 계약 전 시험 사용은 별도 표로 분리합니다.

그다음은 유료 고객의 갱신과 사용량입니다. 사용량이 늘어도 할인과 검수 인력이 더 빨리 늘면 경제성은 악화될 수 있습니다. 반복 고객에서는 연동 작업이 줄어드는지, 신규 고객에서는 같은 제품으로 설치 기간이 짧아지는지 확인해야 합니다.

검토를 멈출 조건도 명확합니다. 고객이 최종 결과를 믿지 못해 매번 다시 확인하거나, 데이터 이용 권리가 불분명하거나, 사람의 개입 비용을 원가에서 빼놓거나, 기존 플랫폼의 묶음 제공 뒤 갱신 가격이 유지되지 않는다면 큰 노동시장 수치를 근거로 정당화하기 어렵습니다.

반대로 도입이 느린 환경에서도 완료된 업무의 비용을 낮추고 유료 계약을 갱신한다면, 극단적 실업 시나리오가 실현되지 않아도 투자 논지는 남습니다. 다음 실사 질문은 “어떤 직업을 대체합니까”보다 “고객이 검수까지 끝낸 결과 한 건을 이전보다 얼마에 얻습니까”가 되어야 합니다.

자료와 검증 범위

57쪽 기술 보고서의 표·수식·부록과 별도 직업 노출도 연구를 검토했습니다. 공개 페이지에서 원본 Excel은 확보하지 못했습니다. 별도로 만든 검산용 Excel은 원문 표 전사와 기계적 계산이며, 원본 파일의 수식·매크로·44개 월별 방정식을 검증하거나 재실행한 것이 아닙니다.

표 3의 극단 시나리오에는 추가 확인 사항이 있습니다. GDP +32.4%와 노동소득 비중 45.2%, 기준 비중 60%를 같은 분모에 놓으면 노동소득 격차는 (1.324×0.452÷0.60−1)×100 = −0.259%입니다. 표의 +0.5%와 약 0.759%포인트 차이가 나며, 두 입력의 소수 첫째 자리 반올림만으로는 해소되지 않습니다. 원문 값은 그대로 보존하고 정의·출력 집계·원자료 확인 사항으로 남겼습니다. 논문 오류로 확정하거나 +0.5%의 정밀도에 투자 결론을 의존하지 않았습니다.

출처

고객지원·의무기록·금융분석: AI가 바꾸는 업무와 벤처가 가져갈 예산