The end of the app era: What comes next?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

The end of the app era: What comes next를 중심으로, 앱과 에이전트의 교체 비용은 다르게 움직인다. 에이전트가 정보 탐색과 계획 작성을 대신하면 기존 도구를 직접 열 필요가 줄를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 앱과 에이전트의 교체 비용은 다르게 움직인다. 에이전트가 정보 탐색과 계획 작성을 대신하면 기존 도구를 직접 열 필요가 줄어든다. 반면 개인의 판단 기준과 조직의 암묵지가 쌓인 에이전트는 교체하기 어려워질 수 있다.
2. 데이터 구매와 업무 도구 구매가 분리된다. Crust Data의 채용 사례에서는 후보 데이터를 계속 구매하면서 맞춤 Claude 스킬로 검색·선별 흐름을 구축했다. 화면을 제공하는 별도 SaaS의 필요성이 줄어도 원천 데이터의 수요는 남을 수 있다.
3. 기존 소프트웨어 기업은 여러 계층의 가치를 결합한다. Salesforce는 데이터·에이전트 관문·CRM 전용 지능을, Microsoft는 기존 업무 도구·데이터 환경·에이전트 제어 체계를 결합하려 한다. Meta의 Muse 사례는 개인 에이전트가 소기업 업무 도구로 확장되는 경로를 보여준다.
4. 접근 경로의 변화와 사업 가치의 상실은 구분해야 한다. DoorDash는 문자나 다른 에이전트를 통해서도 주문 거래를 확보할 수 있다. 급여 처리처럼 규정, 승인, 안정적인 실행이 필요한 업무에서는 기존 시스템의 가치가 유지되거나 높아질 수 있다.
5. AI 구매 판단에는 현장의 의존성과 실제 성과가 포함돼야 한다. 토큰 비용만 보고 공급업체를 바꾸면 개인이 구축한 업무 흐름과 생산성이 손상될 수 있다. 관리자는 실제 사용 방식을 파악하고, 공급업체는 AI가 매출·수익성 등 사업 성과에 어떻게 기여하는지 설명해야 한다.

🧩 배경과 문제 정의

• 에이전트가 계약 검토, 채용 후보 선별, 계획 작성 같은 업무를 대신하면 기존 앱을 직접 여는 빈도가 줄어든다. 소프트웨어의 가치는 화면 이용보다 데이터, 업무 절차, 신뢰할 수 있는 실행으로 이동할 수 있다.
• 개인의 판단 기준과 조직의 암묵지가 에이전트에 축적될수록 기존 도구는 교체하기 쉬워지고, 학습시킨 에이전트는 교체하기 어려워진다. 비용 절감을 위한 AI 공급업체 변경이 현장의 생산성과 충돌할 수 있다.
• 소프트웨어 구매자와 판매자는 데이터·애플리케이션·에이전트 계층의 가치를 구분해야 한다. 2026~2027년의 변화에 관한 전망은 에이전트 성능 향상과 실제 업무 활용 방식에 달려 있다.

🕒 시간순 섹션별 상세정리

1. 앱의 교체 비용은 낮아지고 에이전트의 교체 비용은 높아진다

• DoorDash가 9월 30일 발표한 문자 기반 주문 방식은 앱을 직접 열지 않고도 원하는 결과를 얻는 사례다. 기업 업무에서도 에이전트가 계약, 영업 메모, 이메일을 읽고 고객 온보딩 계획을 작성하면 기존 도구를 직접 이용할 필요가 줄어들 수 있다. [00:43]
• 고객 기록을 보유한 회사는 계속 대가를 받을 수 있지만, 그 기록을 바탕으로 계획을 만들던 별도 도구는 이탈하기 쉬워진다. 반대로 보안 승인 절차 같은 암묵지가 개인의 에이전트 메모리나 맞춤 실행 환경에 쌓이면 에이전트 교체는 어려워질 수 있다. [01:35]

2. 채용 사례에서 데이터 공급자는 남고 검색 도구는 밀려난다

• 실제 사례를 일부 익명화한 채용 업무에서는 에이전트가 데이터 공급자의 후보 프로필을 가져와 추천 명단을 작성하고, 담당자의 승인 후 채용 관리자에게 전달한다. 기존 채용 도구를 덜 열게 되어도 후보 데이터는 계속 필요하므로 데이터 공급자는 대가를 받는다. [02:41]
• 에이전트는 담당자의 선별 기준, 회사에 맞지 않는 후보의 특징, 채용 관리자별 선호를 익힌다. 실제 채용 결과를 다시 입력하면 추천 개선과 수동 검토 시간 단축에 도움이 될 수 있지만, 담당자의 직접 검토는 유지된다. [03:21]

3. SaaS의 가치를 정보 탐색·정리·실행·저장으로 분해해야 한다

• 에이전트가 정보 처리 업무를 맡을 때 사람이 앱을 직접 여는 이유는 다른 곳에서 얻을 수 없는 정보나 정확하게 수행해야 하는 작업에 있을 수 있다. 자신의 업무에서 언제 직접 정보를 찾고, 정리하고, 행동하는지 구분하는 것이 구매 가치를 판단하는 출발점이다. [05:26]
• 많은 SaaS는 정보 탐색·정리·실행·저장을 모호한 가치 제안으로 묶어 판매한다. 에이전트가 그중 일부만 잘하게 되어도 전체 계약의 필요성이 흔들릴 수 있다. [05:49]

4. Meta의 개인 에이전트는 소기업의 업무 허브로 확장된다

• Meta의 Muse는 개인 에이전트로 시작했지만, 사용자가 이를 업무에 활용하면서 몇 주 안에 소기업용 제품으로 확장됐다. 개인용 비서가 업무 도구로 이어지는 경로는 2027년의 큰 흐름이 될 것으로 전망한다. [08:06]
• 소기업용 Muse는 사업 계정 연결과 Shopify·QuickBooks 같은 도구 연동으로 데이터 계층에 접근한다. 에이전트가 필요로 하는 데이터를 확보하는 것이 확장의 첫 단계다. [08:39]

5. Salesforce는 데이터·에이전트 관문·전용 지능을 결합한다

• Salesforce는 강한 유통 기반과 고객 관리 데이터를 보유한다. 모델 성능이 좋아질수록 기존 시스템에 쌓인 지식을 더 많은 고객 업무에 적용해, 활용되지 않던 데이터의 잠재 가치를 끌어낼 수 있다. [10:10]
• 9월 15일 발표한 CRM용 추론 모델 Koa는 자막에서 Neotron 기반으로 설명되며, 아직 파일럿 단계다. 실제 고객 데이터 대신 합성 데이터로 학습했으며, 오랜 고객 데이터 흐름에 대한 이해가 합성 데이터 구성의 기반이 된다. [10:38]

6. Microsoft는 기존 업무 기반 위에 신뢰할 수 있는 AI를 쌓는다

• Microsoft도 데이터 계층과 에이전트 제어 체계를 보유하면서 Outlook·Excel 같은 직접 이용 도구를 판매한다. 업무가 화면 조작에서 에이전트의 데이터 처리로 이동하면 기존 인터페이스와 새로운 업무 방식 사이의 전략적 과제를 마주한다. [13:48]
• 미리보기 단계의 지속형 에이전트 Autopilot은 Azure의 데이터 저장·개발 환경과 기존 생산성 제품군 위에 AI 가치를 더하려는 시도의 일부다. [14:30]

7. AI 연구소는 지능을 판매하고 파트너십은 선택권을 넓힌다

• OpenAI와 Anthropic은 기존 소프트웨어 기업처럼 고객 데이터와 유통 기반을 이미 확보한 위치에서 출발하지 않는다. 핵심 제안은 현재와 미래의 지능, 그리고 그 지능을 고객 데이터에 적용하는 역량에 투자하라는 것이다. [15:52]
• Anthropic은 기업 전략에 강하게 집중해 왔고, OpenAI는 소비자 시장의 성공과 집중 이후 기업 시장에 더 적극적으로 진입하는 상황으로 드러난다. [16:12]

8. DoorDash는 앱 접점을 잃어도 주문 거래를 유지할 수 있다

• DoorDash는 9월 30일 미국의 문자 주문 경험과 제한적 MCP 베타를 발표했다. 자체 비서뿐 아니라 다른 회사의 에이전트에서도 주문할 수 있도록 접근 경로를 넓히려는 전략이다. [18:04]
• 문자나 에이전트를 통해 주문이 들어오면 사용자가 앱을 다시 열지 않아도 DoorDash는 거래를 확보할 수 있다. 인터페이스 접점의 상실이 곧 고객 거래나 고객 가치의 상실을 뜻하지는 않는다. [18:40]

9. 에이전트 연결은 진입 조건이며 지속 결제의 이유는 별도로 필요하다

• MCP 서버나 자체 에이전트만 제공한다고 경쟁력이 생기지는 않는다. 연결의 반대편에 고객이 계속 필요로 하는 데이터, 맥락, 실행 가치가 있어야 한다. [19:10]
• 두 공급자가 동등한 정보와 신뢰할 수 있는 실행을 제공한다면, 에이전트 연결은 오히려 비교와 교체를 쉽게 만들 수 있다. [19:22]

10. 개인의 AI 활용을 숨기면 조직의 구매 결정에서 생산성이 누락된다

• 에이전트의 데이터 활용 방식과 개인별 AI 업무 습관은 빠르게 다양해지고 있다. 소프트웨어 구매자는 결정 전에 팀 안에서 실제로 어떤 활용 방식이 자리 잡았는지 알아야 한다. [20:19]
• 생산성을 높이는 개인의 AI 활용법을 숨기면, 재무 책임자가 그 용도를 모른 채 토큰 비용을 이유로 공급업체를 바꿀 수 있다. 개인의 업무 성과가 조직에서 인식하지 못한 의존성에 묶이는 문제가 생긴다. [20:53]

11. Crust Data 사례는 데이터 구매와 업무 흐름 구축을 분리한다

• Crust Data의 사례에 등장하는 2인 채용 사업체는 완제품 채용 도구를 추가 구매하는 대신, Crust Data API를 이용하는 맞춤 Claude 스킬을 만들었다. 스킬은 AI에 지침을 제공하고 API는 데이터나 작업을 요청하는 수단이다. [21:47]
• 창업자들은 후보 선별 기준을 제공하고, Crust Data는 그 기준에 맞는 사람과 경력에 관한 구조화된 정보를 제공했다. 양측의 역할을 결합해 채용 흐름을 구성했다. [21:59]

12. 급여 업무는 설명 능력보다 규정과 실행의 신뢰성이 중요하다

• AI가 급여 명세서를 설명하는 일과 실제 급여 지급 시스템을 대체하는 일은 다르다. Workday의 급여 에이전트는 설정된 급여 데이터와 규칙으로 문제를 식별하고, 검토할 수정안을 제안하며, 이용 경험을 개선하는 방식으로 드러난다. [22:50]
• 이러한 기능 아래에는 기록, 설정된 동작, 승인, 신뢰할 수 있는 실행이 필요하다. 에이전트는 복잡한 시스템을 더 쉽게 이용하게 만들어 기존 시스템의 가치를 높일 수 있다. [23:29]

13. 세 계층의 가치를 구분해야 구매와 판매의 기준이 선명해진다

• 데이터 계층, 애플리케이션 계층, 에이전트 계층은 구분해야 한다. 직원은 어떤 데이터와 도구가 필요한지, 직접 이용하는 앱의 역할은 무엇인지, 에이전트가 업무를 어떻게 가속하는지 설명할 수 있어야 한다. [25:10]
• 구매자는 기업마다 다른 데이터·앱 구성과 개인·소규모 팀의 AI 활용을 함께 파악해야 한다. 도구를 통합하거나 단순화하면서 인식하지 못했던 생산성을 제거할 수 있으며, 공급업체 평가도 AI 유무를 넘어 각 계층의 가치와 유연성을 검토해야 한다. [26:11]

14. 애플리케이션의 화면과 업무 흐름은 서로 다른 가치를 가진다

• 애플리케이션 계층이 사라진다고 단정할 수는 없다. 화면과 업무 흐름을 분리하면, Workday나 ADP의 규정 준수형 급여 처리처럼 데이터 위에서 작동하는 구조화된 절차는 계속 높은 가치를 가질 수 있다. [27:52]
• 인터페이스는 크게 바뀔 수 있지만 모든 사람이 명령줄을 쓰게 될 것으로 보지는 않는다. 앞으로 몇 달 동안 기존 인터페이스에 AI가 더 많이 결합될 것으로 전망한다. [28:14]

15. AI 투자와 도구 선택은 내부 구축 비용과 현장 생산성을 함께 따져야 한다

• 구매자는 AI 개발 인력을 내부 관리 업무에 배치할 비용과 경쟁 우위를 만드는 일에 배치할 가치를 비교해야 한다. 추가 예산을 어떤 애플리케이션에 투자해야 큰 효과를 얻는지가 실제 투자 판단의 핵심이다. [29:10]
• Microsoft·Teams·Slack·Gmail 같은 회사의 도구 선택은 이런 가치 판단과 연결되며 직원에게도 영향을 준다. Claude Code·Codex·Copilot을 사용하는 개인의 구체적인 방식도 회사의 성과를 만드는 업무 흐름에 포함되므로, 조직이 이를 이해하지 못하면 도구 선택에서 중요한 가치가 누락될 수 있다. [29:51]

16. 개인의 AI 활용 방식이 조직의 지원과 구매 판단을 바꾼다

• 사용하는 데이터와 워크플로, 마우스로 조작하는 기존 애플리케이션이 유용한 경우와 그렇지 않은 경우를 구체적으로 공유해야 한다. 잘 작동하는 방식을 공유하면 팀의 생산성을 높이고 회사가 필요한 지원을 제공하기 쉬워진다 [30:32]
• AI를 싫어하거나 관계가 어려운 관리자가 있는 현실적 제약은 있지만, 전반적으로는 활용 방식을 공유하는 접근이 더 낫다는 판단이다. 경영진도 상위 수준에서 AI를 덧붙이는 데 그치지 않고 팀의 실제 사용 패턴을 파악해야 한다 [31:07]

17. 소프트웨어의 경쟁력은 미래 모델과의 연결성과 사업 성과에 달려 있다

• 소프트웨어 구매자는 공급업체가 AI 변화에 대응하고 다음 모델이 나와도 제품의 유효성을 유지하리라는 기대를 함께 산다. 공급업체는 2027년에도 통할 방향을 제시하고, AI를 쉽게 연결할 수 있는 워크플로와 여러 인터페이스·에이전트가 접근할 수 있는 데이터를 갖춰야 한다 [32:11]
• 자체 에이전트가 특정 업무나 데이터 이해에 강점을 가지면서 다른 에이전트와 함께 작동하는 구조가 유리하다는 전망이다. 2026~2027년에는 여러 계층을 결합한 차별적 가치가 사업의 성장을 어떻게 가속하는지 명확히 설명하는 기업이 중요해질 것으로 본다 [32:50]

18. 개인별 AI 워크플로의 의존도를 이해하고 전체 계층을 함께 판단해야 한다

• 복잡해지는 소프트웨어 구조는 구매자·판매자뿐 아니라 개인의 업무에도 영향을 준다. 채용 담당자 사례에서는 유료 AI 사용을 되돌리면 후보자 관련 업무의 수주간 진척을 잃고 워크플로를 다시 만들어야 할 상황이었다. 관리자는 AI·데이터·애플리케이션의 결합, 컴퓨터 조작과 직접 데이터 질의, 개인이 구축한 스킬에 얼마나 많은 업무가 의존하는지 알지 못했다 [34:46]
• 이런 의존도는 문제가 생기기 전에 공유해야 한다. 데이터 공급자, 데이터 위의 구조화된 워크플로, 애플리케이션 경험의 유연성, 에이전트 계층이 함께 성과를 만드는 방식을 이해필요가 있다. 에이전트가 전체 계층을 연결하도록 만들면서 개인도 회사의 AI 활용을 결정하는 주체가 되고 있다는 진단이다 [35:50]

🧾 결론

• 앱의 화면 사용이 줄어도 데이터와 구조화된 업무 절차까지 사라지는 것은 아니다. 애플리케이션의 화면과 업무 흐름을 나눠 평가해야 한다.
• 에이전트 연결은 접근성을 높이지만 지속 결제의 충분한 이유가 되지는 않는다. 고객이 계속 필요로 하는 데이터, 맥락, 실행 가치가 있어야 한다.
• 소프트웨어 구매자는 데이터·애플리케이션·에이전트 계층을 구분하면서도 이들이 함께 만드는 생산성을 평가해야 한다.
• 개인의 AI 활용 방식과 업무 의존성을 미리 공유하면 조직의 도구 통합이나 공급업체 변경에서 중요한 가치가 누락되는 일을 줄일 수 있다.

📈 투자·시사 포인트

• 소프트웨어 기업의 가치 평가: 앱 이용 빈도와 함께 고객이 계속 비용을 지불할 데이터, 업무 절차, 신뢰할 수 있는 실행을 보유했는지 살펴볼 필요가 있다.
• 경쟁력과 전환 비용: 에이전트가 동등한 공급자를 쉽게 비교하게 만들면 기존 도구의 교체 비용은 낮아질 수 있다. 반대로 학습된 판단 기준과 업무 맥락은 에이전트의 교체 비용을 높일 수 있다.
• 기존 기업과 AI 연구소의 경쟁: 기존 소프트웨어 기업은 데이터와 유통 기반을, OpenAI·Anthropic은 지능과 고객 데이터에 이를 적용하는 역량을 주요 가치로 제시한다. 파트너십과 모델 선택권도 공급업체 평가 요소다.
• 기업의 AI 예산 배분: 내부 관리 업무를 직접 구축하는 비용과 개발 인력을 경쟁 우위 창출에 투입하는 가치를 비교해야 한다. 투자 효과는 실제 업무 성과와 재구축 부담까지 함께 따져야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 2026~2027년의 에이전트 확산, 교체 비용 변화, 개인 에이전트의 업무 도구 확장은 전망이다. 실제 속도와 범위는 모델 성능 및 현장의 활용 방식에 달려 있다.
• Meta의 Muse, Salesforce의 Koa와 자막상 기반 모델명 Neotron, Microsoft의 Autopilot에 관한 명칭·출시 상태·기능 범위는 원문 발표와 대조필요가 있다. 제공된 내용에서는 Koa가 파일럿, Autopilot이 미리보기 단계로 설명된다.
• 채용 사례는 일부 익명화돼 있으며, 생산성 개선이나 비용 절감의 정량 수치는 제시되지 않았다. 다른 조직에서도 같은 효과가 발생한다고 단정하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 현재 업무를 데이터 확보, 정보 탐색·정리, 승인·실행, 저장으로 나누고 각 단계에서 필요한 앱과 에이전트를 정리한다.
• 팀이 사용하는 AI 도구, 맞춤 스킬, 축적된 판단 기준, 데이터 연결을 관리자와 공유하고 공급업체 변경 시 다시 구축해야 할 부분을 확인한다.
• 소프트웨어 공급업체에 에이전트 접근 방식, 모델 선택권, 승인·제어 체계, 다음 모델에 대한 대응 방향을 확인한다.
• 직접 구축과 기존 제품 구매를 비교할 때 개발·운영 비용, 현장 생산성, 규정 준수와 실행 신뢰성을 함께 평가한다.

❓ 열린 질문

• 앱 화면을 거의 사용하지 않게 된 고객은 어떤 데이터와 업무 절차에 계속 비용을 지불할 것인가?
• 개인 에이전트에 쌓인 판단 기준과 암묵지를 다른 공급업체로 옮길 때 생산성을 얼마나 유지할 수 있는가?
• 기존 소프트웨어 기업의 데이터·유통 기반과 AI 연구소의 지능 중 실제 업무 성과를 더 크게 좌우하는 요소는 무엇인가?