💡 한 줄 요약

AI 제품의 리텐션은 초기 가입 시점이 아니라 ‘AI 관광객’이 이탈한 M3 이후를 기준으로 봐야 장기 유지율, 제품-시장 적합성, 유닛 이코노믹스를 더 정확히 판단할 수 있다는 주장이다.

📌 핵심 요약

• 글은 선도 AI 기업들이 반드시 리텐션 문제를 가진 것은 아니지만, 기존 SaaS·소비자 인터넷식 측정 방식으로는 AI 제품의 실제 유지력을 제대로 읽기 어렵다고 지적한다.
• 셀프서브 또는 월 단위 과금 AI 제품은 소비자용과 업무용 사용 사례가 섞이고, 호기심으로 가입했다가 몇 달 안에 이탈하는 ‘AI 관광객’이 많아 M0 기준 초기 리텐션 곡선이 장기 유지율을 과소 또는 왜곡할 수 있다.
• 저자들은 여러 AI 기업 데이터를 바탕으로 리텐션과 고객획득 계산의 기준점을 M0에서 M3로 재설정하면 초기 이탈을 걸러낸 ‘진짜 고객 기반’을 파악하고, 장기 리텐션 품질을 더 잘 예측할 수 있다고 설명한다.
• AI 리텐션 곡선은 대체로 M0~M3의 획득 구간, M3~M6~M9의 유지 구간, M9 이후의 확장 구간으로 나뉘며, 일부 AI 네이티브 기업에서는 제품 개선에 따라 이탈 고객이 돌아오거나 사용량이 늘어나는 ‘웃는 곡선’도 나타난다.
• 실무적으로는 월 과금 제품은 M3 이후 리텐션을 제품-시장 적합성의 직접 신호로 보고, 연간 계약 제품은 단순 유지율보다 사용 패턴과 기능 채택을 함께 봐야 하며, GTM 확장 전에는 M3 기준 유지 고객 획득 비용을 점검해야 한다.

🧩 주요 포인트

1. 글은 선도 AI 기업들이 반드시 리텐션 문제를 가진 것은 아니지만, 기존 SaaS·소비자 인터넷식 측정 방식으로는 AI 제품의 실제 유지력을 제대로 읽기 어렵다고 지적한다.
2. 셀프서브 또는 월 단위 과금 AI 제품은 소비자용과 업무용 사용 사례가 섞이고, 호기심으로 가입했다가 몇 달 안에 이탈하는 ‘AI 관광객’이 많아 M0 기준 초기 리텐션 곡선이 장기 유지율을 과소 또는 왜곡할 수 있다.
3. 저자들은 여러 AI 기업 데이터를 바탕으로 리텐션과 고객획득 계산의 기준점을 M0에서 M3로 재설정하면 초기 이탈을 걸러낸 ‘진짜 고객 기반’을 파악하고, 장기 리텐션 품질을 더 잘 예측할 수 있다고 설명한다.
4. AI 리텐션 곡선은 대체로 M0~M3의 획득 구간, M3~M6~M9의 유지 구간, M9 이후의 확장 구간으로 나뉘며, 일부 AI 네이티브 기업에서는 제품 개선에 따라 이탈 고객이 돌아오거나 사용량이 늘어나는 ‘웃는 곡선’도 나타난다.
5. 실무적으로는 월 과금 제품은 M3 이후 리텐션을 제품-시장 적합성의 직접 신호로 보고, 연간 계약 제품은 단순 유지율보다 사용 패턴과 기능 채택을 함께 봐야 하며, GTM 확장 전에는 M3 기준 유지 고객 획득 비용을 점검해야 한다.

🧠 상세 정리

1. 문제의식: AI 기업의 문제는 리텐션 자체보다 측정 방식이다

글은 선도 AI 기업들이 반드시 리텐션 문제를 겪고 있다고 단정하지 않는다. 핵심은 AI 제품의 리텐션을 기존 SaaS나 소비자 인터넷 서비스와 같은 방식으로 벤치마킹하면 실제 상태를 잘못 해석할 수 있다는 점이다. 특히 셀프서브 또는 월 단위 과금 제품은 개인 사용과 업무 사용의 경계가 흐려 고객 성격을 분류하기 어렵다. 여기에 호기심으로 가입한 뒤 몇 달 안에 이탈하는 사용자가 많아 초기 리텐션 곡선만으로 장기 유지력을 판단하기 힘들어진다. 따라서 저자들은 AI 제품에는 리텐션을 읽는 새로운 기준점이 필요하다고 주장한다.

2. M0이 아니라 M3를 기준으로 다시 봐야 하는 이유

저자들이 제안하는 핵심 방법은 리텐션과 고객획득 계산을 가입 또는 결제 시작 시점인 M0에서 3개월차인 M3로 재설정하는 것이다. M0에는 실제로 장기 고객이 될 사용자뿐 아니라 실험적·취미적 사용자, 즉 ‘AI 관광객’이 섞여 있다. 이들은 제품에 잠시 관심을 갖고 결제하거나 사용해 보지만, 반복적 가치나 중요한 업무 사용 사례를 찾지 못하면 빠르게 이탈한다. 반면 M3까지 남은 고객은 제품에서 지속적인 효용을 확인했을 가능성이 높다. 그래서 M3는 초기 과잉 유입을 걸러낸 뒤 장기 리텐션과 제품-시장 적합성을 판단하는 더 현실적인 출발점으로 제시된다.

3. AI 리텐션 곡선의 세 구간: 획득, 유지, 확장

저자들은 여러 우수 AI 기업의 리텐션 수치를 총매출 리텐션 기준으로 표준화해 살펴본 결과, AI 제품의 코호트 매출 리텐션이 대체로 세 구간으로 나뉜다고 설명한다. 첫 번째는 M0부터 M3까지의 획득 구간으로, 비핵심 사용자와 호기심 기반 사용자가 빠져나가며 곡선이 크게 하락할 수 있다. 두 번째는 M3부터 M6 또는 M9 전후까지의 유지 구간으로, 남은 고객이 실제 사용 가치를 확인하고 계속 제품에 투자하는 단계다. 세 번째는 M9 이후의 확장 구간으로, 고객이 새로운 워크플로를 추가하거나 사용량 기반 과금, 추가 제품 도입 등을 통해 더 많은 매출을 만들 수 있다. 이 구조는 초기 하락을 장기 실패로만 해석하지 말아야 함을 보여준다.

4. 초기 이탈의 크기와 시점은 제품 범위와 과금 설계에 좌우된다

M0~M3 구간에서 리텐션 곡선이 얼마나 떨어지고 언제 평평해지는지는 제품의 적용 범위와 페이월 설계에 크게 영향을 받는다. 범용성이 높은 제품은 더 많은 호기심 사용자를 끌어들이기 쉽고, 가격이 낮다면 많은 사용자가 한 달 정도는 기꺼이 비용을 지불해 시험해 볼 수 있다. 강한 페이월을 둔 제품은 많은 결제 사용자를 빠르게 만들 수 있지만, 즉각적인 가치를 느끼지 못한 고객이 금방 이탈할 위험도 크다. 반대로 넉넉한 무료 구간을 제공하는 제품은 유료 전환 사용자가 이미 어느 정도 가치를 확인한 상태일 가능성이 높아 M3 리텐션이 더 좋게 나타날 수 있다. 따라서 초기 곡선의 모양은 제품 가치뿐 아니라 진입 장벽과 가격 구조의 결과로도 읽어야 한다.

5. M3 이후 고객은 더 진짜에 가까운 고객 기반이다

코호트가 M3 전후로 평평해지기 시작하면, 저자들은 대체로 취미적 사용자나 단기 실험 사용자가 빠져나간 상태라고 본다. 남아 있는 고객은 고효율 사용 사례를 발견했고, 제품에서 반복적인 가치를 경험했으며, 경쟁 제품을 계속 시험하기보다 해당 제품에 계속 투자하기로 결정한 집단에 가깝다. 이때부터의 리텐션은 초기 흥미나 화제성보다 실제 업무 또는 반복 사용의 깊이를 더 잘 반영한다. 그래서 M12를 M3로 나눈 지표는 M3까지 살아남은 고객이 첫 1년 동안 얼마나 잘 유지·확장되는지 보여주는 척도가 된다. 저자들은 이 방식이 장기 순매출 리텐션 품질을 조기에 가늠하는 데 유용하다고 설명한다.

6. 확장과 ‘웃는 곡선’: 일부 AI 제품에서 나타나는 새로운 리텐션 양상

M6~M12 이후에는 유지 고객이 단순히 남아 있는 데 그치지 않고 더 많이 쓰기 시작할 수 있다. 저자들은 고객이 새로운 워크플로를 제품에 추가하고, 사용량 기반 과금이나 추가 제품 실험을 통해 매출 확장이 일어날 수 있다고 설명한다. 특히 AI 네이티브 기업에서 드물게 관찰되는 현상으로 ‘웃는’ 고객 리텐션 곡선을 제시한다. 이는 이탈했거나 사용량이 줄었던 고객이 제품 능력 향상에 따라 다시 돌아오거나 더 자주 사용하는 패턴을 뜻한다. 글은 ChatGPT의 리텐션 곡선을 이런 행동의 대표적 예로 언급하며, 앱 사용량까지 반영하면 이런 미소 형태가 더 강하게 보일 수 있다고 덧붙인다.

7. 제품-시장 적합성을 판단할 때 월 과금과 연간 계약은 다르게 봐야 한다

저자들은 리텐션이 지속적이고 반복 가능한 가치를 보여주는 중요한 신호라고 말하면서도, 과금 방식에 따라 해석법이 달라져야 한다고 강조한다. 월 단위 계약 제품에서는 고객이 쉽게 이탈할 수 있으므로 M3 이후에도 남아 있는 고객이 많다면 제품-시장 적합성의 직접적 신호로 볼 수 있다. 반면 연간 계약 제품은 고객이 계약에 묶여 있어 표면상 리텐션이 높아 보여도 실제 만족도나 사용 가치가 약할 수 있다. 이 경우 단순 매출 유지율보다 사용 패턴, 기능 채택, 초기 도입 후 사용량 하락이 언제 평평해지고 다시 올라오는지 같은 참여 지표를 함께 봐야 한다. 즉, 숫자의 높고 낮음보다 고객이 실제로 계속 쓰는지가 중요하다.

8. GTM 투자 확대 전에는 M3 기준 유지 고객 획득 비용을 봐야 한다

글은 5년 LTV/CAC를 예측할 때 리텐션이 가장 중요한 입력값이라고 설명한다. 리텐션이 약한 상태에서 영업·마케팅 투자를 늘리면, 새 고객을 많이 데려와도 금방 빠져나가므로 새는 양동이에 물을 붓는 상황이 된다. 그래서 저자들은 M3 기준 유지 고객당 획득 비용을 추적한다고 말한다. 이 지표는 GTM 지출이 단기 관광객이 아니라 오래 남는 고객을 얼마나 효율적으로 만들어내는지 보여준다. 만약 M3 이후에도 리텐션이 계속 의미 있게 떨어지거나 전혀 평평해지지 않는다면 초기 만족이 지속 효용으로 전환되지 않는다는 경고 신호이며, 반대로 곡선이 안정화된다면 유닛 이코노믹스를 더 신뢰하고 공격적인 GTM 투자를 검토할 수 있다.

9. 결론: AI 리텐션은 장기적으로 기존 SaaS 기준을 넘어설 가능성이 있다

저자들은 AI 기업의 리텐션을 M3 이후 기준으로 보면 일부 선도 기업이 이미 강한 성과를 보이고 있으며, 이는 장기적으로 100%를 넘는 순매출 리텐션으로 이어질 수 있는 선행 신호라고 본다. 초기에는 계속 이탈이 발생하더라도, 시간이 지나 오래된 코호트가 확장 단계에 들어가면 전체 보고 리텐션은 더 좋아질 수 있다. 제품 성능이 개선되고 고객의 서비스성 업무 부담을 더 많이 흡수할수록 AI 제품은 기존 SaaS나 소비자 인터넷 기업보다 더 높은 장기 리텐션을 보일 가능성이 있다는 주장이다. 글은 더 많은 AI 기업의 리텐션 곡선이 ‘웃는’ 형태를 보인다면 대규모 성장, 성숙기 높은 마진 잠재력, 더 크고 오래가는 기업으로 이어질 수 있다고 전망한다. 마지막으로 대규모 ARR 단계에서 150% NDR도 처음으로 가능할 수 있다는 질문을 던지며 글을 마무리한다.

🧾 핵심 주장 / 시사점

• AI 제품의 초기 리텐션 하락은 반드시 제품 실패를 의미하지 않으며, M3 이후 곡선이 안정되는지와 이후 확장되는지가 더 중요한 판단 기준이다.
• 월 과금 AI 제품은 고객 이탈이 쉬운 만큼 M3 이후 유지율이 강력한 제품-시장 적합성 신호가 되지만, 연간 계약 제품은 사용량과 기능 채택 같은 행동 지표를 함께 봐야 한다.
• GTM 확장은 신규 고객 수보다 ‘M3까지 남는 고객’을 얼마나 효율적으로 획득하는지에 맞춰야 하며, 그렇지 않으면 단기 호기심 수요에 비용을 태우는 구조가 될 수 있다.

✅ 액션 아이템

• David George와 NDR가 바꾸는 업무·제품 흐름을 $20, 100%, 150% 같은 원문 근거로 분해해 실제 적용 범위를 점검한다.
• NDR와 100%의 연결 지점을 기준으로 사용자 경험, 운영 비용, 보안·책임 경계를 나눠 검토한다.
• 후속 발표나 운영 데이터가 나오면 David George의 NDR 실행 성과를 원문에서 제시한 지표와 다시 비교한다.

❓ 열린 질문

• David George의 NDR 변화가 실제 사용자 워크플로에 자리 잡으려면 $20, 100%, 150% 중 어떤 지표가 먼저 개선되어야 할까?
• NDR와 100% 조합은 다른 조직이나 제품 환경에서도 같은 효과를 낼 수 있을까?
• David George가 NDR의 신뢰성을 증명하려면 어떤 후속 데이터나 운영 사례를 공개해야 할까?