🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Benchmark의 AI Bets는 Cerebras, Sierra, Legora, Fireworks, Starcloud, Gumloop 같은 회사들을 통해 “AI 기업은 기존 SaaS 공식으로 평가하기 어렵고, 추론 비용·자본 집약도·창업자 역량을 함께 봐야 한다”는 투자 논점을 보여준다.

📌 핵심 요점

1. 기존 소프트웨어 투자는 매출 성장, 총마진, 유지율, 자본 효율성, Rule of 40 같은 지표로 위험을 비교적 명확하게 줄여가며 판단할 수 있었지만, AI 기업은 매출이 커져도 단위경제와 방어 가능한 차별화가 아직 검증되지 않은 경우가 많다.
2. AI 기업은 같은 “AI” 범주 안에서도 경제 구조가 크게 다르다. Fireworks처럼 GPU 용량 위에 소프트웨어 효율을 얹는 회사와 Crusoe처럼 전력·토지·데이터센터를 다루는 물리 인프라 회사는 자본 집약도, 마진 구조, 고객에게 파는 가치가 전혀 다르다.
3. AI에서는 높은 총마진, 낮은 서비스 부담, 낮은 자본지출이라는 기존 SaaS의 우량 조건이 그대로 통하지 않는다. 구현 인력, 추론 비용, 자체 모델 학습, 데이터 기반 후학습, GPU 지출이 성장 전략과 방어력의 일부가 될 수 있기 때문이다.
4. 추론은 AI 기업의 핵심 매출 동력으로 제시된다. 좌석 수 기반 과금보다 사용량·성과·작업 단위 과금이 커지면서 Sierra 같은 성과 기반 모델, Fireworks 같은 추론 플랫폼, 여러 AI 앱 기업의 매출 성장 방식이 기존 SaaS보다 훨씬 가파르게 변할 수 있다.
5. Benchmark의 투자 기준은 특정 테마를 먼저 정하고 들어가는 방식보다 창업자 중심에 가깝다. Legora, Sierra, LangChain, HeyGen, Starcloud, Fireworks, Gumloop 등은 외부에서 보면 카테고리별 포트폴리오처럼 보이지만, 영상에서는 뛰어난 창업자와 초기 실행 증거를 더 중요한 판단 기준으로 설명한다.

🧩 배경과 문제 정의

• 기존 소프트웨어 투자는 매출 성장, 총마진, 유지율, 자본 효율성 같은 지표를 바탕으로 위험을 비교적 명확하게 판단할 수 있었다.
• 반면 AI 기업은 매출이 커지더라도 단위경제, 제품 차별화, 자본 집약도, 장기 수익성이 아직 충분히 검증되지 않은 경우가 많다.
• 규모가 커질수록 위험이 낮아진다는 기존 벤처 투자 공식이 흔들리면서, 투자자와 창업자 모두 새로운 평가 기준을 다시 세워야 하는 상황이 됐다.
• AI 인프라, 모델, 애플리케이션 기업은 비용 구조와 마진 구조가 크게 다르기 때문에, 같은 “AI 기업” 안에서도 사례별 분석이 중요해졌다.

🕒 시간순 섹션별 상세정리

1. 기존 투자 공식이 흔들리는 AI 시장

• 과거 소프트웨어 투자는 핵심 지표와 골든룰만으로 기업의 질을 가늠할 수 있었고, 스프레드시트에 넣어 비교하기 쉬운 구조였다 [00:04]
• AI 시대에는 매출 10억 달러를 넘긴 기업도 단위경제와 지속 가능한 제품 차별화를 아직 입증하지 못했을 수 있다 [00:16]

2. 규모가 커질수록 안전해진다는 전제가 약해진다

• 벤처 성장 시장은 방향감각을 잃은 상태에 가깝고, 아래가 위처럼 보이고 위가 아래처럼 보이는 식의 혼란이 커졌다 [01:24]
• 전통적인 소프트웨어 스타트업은 성장 과정에서 제품시장적합성, 단위경제, TAM, 시장 리더십을 차례로 검증하며 위험을 낮췄다 [02:17]

3. 스프레드시트 투자 시대의 소프트웨어 기준

• 기존 소프트웨어 투자에서는 높은 총마진, 순수 소프트웨어 매출, 낮은 서비스 부담, 낮은 자본지출이 우량 기업의 핵심 조건이었다 [04:36]
• 고객 유지율도 중요한 기준이었고, 90% 이상의 gross retention은 고객 100개 중 1년에 10개 미만만 이탈하는 안정성을 뜻했다 [05:11]

4. AI 기업은 과거 골든룰의 반대편으로 이동한다

• 인기 있는 AI 기업과 카테고리는 기존 소프트웨어 골든룰과 정반대의 성격을 보이며, FTE 기반 구현 인력이 새로운 PLG처럼 배포 전략의 중심이 됐다 [06:49]
• Palantir식 구현 컨설턴트 모델이 확산되면서, 과거에는 피해야 할 요소였던 서비스와 구현 부담이 AI 기업의 성장 방식 안으로 들어왔다 [07:06]

5. AI 기업별 경제 구조는 같은 범주 안에서도 크게 다르다

• Fireworks와 Crusoe는 모두 AI 추론 관련 기업처럼 보이지만, 실제 사업 모델과 경제 구조는 완전히 다르다 [09:28]
• Crusoe는 전력, 토지, 인허가를 확보하고 데이터센터를 지어 하이퍼스케일러 고객에게 제공하는 물리 인프라 중심 모델이다 [09:49]

6. 새로운 AI 기업 분류와 P·Q·M 사고가 필요하다

• AI 기업의 경제성을 이해하려면 먼저 카테고리와 회사별 차이를 구분해야 하며, 단일한 소프트웨어 평가 공식만으로는 부족하다 [11:24]
• 투자자와 창업자에게는 AI 기업의 새로운 taxonomy를 고민해본 경험이 분명한 이점으로 작동한다 [11:32]

7. AI 앱의 가격 구조와 초기 투자 판단

• AI 앱 기업은 SaaS와 비슷한 고객층에 팔 수 있지만, 대부분 gross margin이 70% 아래로 내려가며 기존 SaaS의 70~90% 마진 구조와 달라진다 [12:08]
• 마진이 낮아져도 가격은 크게 올라갈 수 있고, 일부 추론 플랫폼은 스타트업과도 9자리 규모 계약을 맺을 만큼 기존 SaaS에서 보기 어려운 단가를 만든다 [12:23]

8. 테마보다 창업자 중심인 Benchmark의 투자 기준

• 성숙 단계에서는 어떤 카테고리에 큰 profit pool이 생길지가 중요하지만, 사업모델 유행이 바뀌어도 뛰어난 창업자는 계속 핵심 자산으로 남는다 [14:07]
• 한때 기피됐던 hard tech는 이제 foundation model lab의 직접 위협에서 비교적 안전한 영역처럼 보이고, 소비자·스포츠 같은 영역도 OpenAI나 Anthropic의 영향권에서 더 멀다 [14:29]

9. 추론은 AI 기업의 매출 폭포가 된다

• AI 에이전트 경제에서는 hyperscaler, cloud, power, connector, router 같은 하위 인프라와 주변 카테고리가 커지고, 추론 수요가 그 중심 동력으로 작동한다 [15:31]
• 개발자 사용자는 많지만 수익모델이 불명확한 회사도, 추론 수요라는 거대한 폭포 아래에서는 매출 버킷의 크기와 누수를 실제로 확인할 수 있다 [16:23]

10. 좌석 과금에서 성과·작업 과금으로 이동하는 사업모델

• 기존 SaaS는 회사 내 사용자 수에 정해진 금액을 곱하는 좌석 과금에 가까웠지만, AI 기업은 고객에게 제공하는 추론에 마진을 붙이거나 이를 성과 단위로 추상화해 판매한다 [18:15]
• Sierra 같은 모델은 고객지원 문의 deflection처럼 완료된 결과에 outcome-based pricing을 적용하며, 겉으로는 성과 과금이지만 내부적으로는 여전히 추론 기반 수익화 구조에 가깝다 [18:37]

11. 에이전트는 소프트웨어 예산의 단위를 바꾼다

• 에이전트의 핵심은 사람이 업무를 끝내기 위해 수행하던 작업을 복제하고, 구매자가 license가 아니라 on-tap intelligence나 white-collar activity를 산다고 인식하게 만드는 데 있다 [20:01]
• API나 소프트웨어 제품을 통해 경제적 산출 자체를 구매하는 구조가 열리면, 구매자는 software budget과 value equation을 기존 좌석 단가와 전혀 다른 방식으로 계산하게 된다 [20:21]

12. 후원사 안내와 Gumloop 논점으로의 전환

• Brex는 3만 개 이상 기업과 미국 venture-backed startup 3곳 중 1곳이 사용하는 financial stack으로 소개되며, 스타트업 실패의 주요 원인인 현금 고갈을 줄이는 금융 운영 도구로 연결된다 [22:25]
• Brex 계정은 checking, treasury, FDIC protection을 묶고, 글로벌 송금, 표준 대비 20배 FDIC coverage, 당일 또는 당시간 유동성 접근을 강점으로 내세운다 [22:41]

13. Gumloop와 기업 전반의 AI 자동화 확장

• Gumloop은 기업용 협업 AI 에이전트와 자동화 캔버스를 제공하며, 단순 자동완성을 넘어 업무 자체를 에이전트에 맡기는 흐름을 전제로 한다 [24:00]
• 코딩 에이전트 영역에서는 Opus 4.5 이후 개발자가 일상 업무의 상당 부분을 Cloud Code, Codex, Cognition 같은 도구에 넘길 수 있다는 체감이 커졌다 [24:12]

14. 독립 라우터의 필요성과 토큰 비용 문제

• Cloud Co-work나 OpenAI의 Codex·ChatGPT 결합형 생산성 제품도 같은 범주에서 큰 사업을 만들 수 있지만, 특정 모델 공급자에 묶이지 않는 독립 벤더의 필요성도 커진다 [25:35]
• 모델 성능은 작업별로 고르지 않으며, Gemini는 멀티모달, Claude는 코딩, 오픈소스 모델은 추론 비용 대비 가치처럼 각기 다른 강점을 가진다 [26:01]

15. ‘AI 엄마 테스트’와 비프런티어 모델의 충분성

• AI 사용료와 비즈니스 모델은 작업 복잡도와 사용자 유형에 따라 달라지며, 모든 질의가 최고 성능 모델을 필요로 하는 것은 아니다 [27:51]
• ‘AI 엄마 테스트’는 기술 친화적이지 않은 일반 사용자가 AI에 요구하는 작업 중 얼마나 많은 부분을 저비용 오픈소스 모델로 처리할 수 있는지를 따지는 기준이다 [28:06]

16. 프런티어와 비프런티어 수요의 동시 성장

• 모델 성능이 좋아질수록 프런티어 지능이 필요 없는 질의와 액션의 비중도 커지고, 추론 사용량 자체는 더 넓은 업무 영역으로 확산된다 [30:10]
• 동시에 Opus 4.5 이후 고품질 코딩 모델의 실사용성이 크게 높아지면서 Anthropic 매출과 Claude Code 사용이 급증했고, 프런티어 모델에 대한 지불 의사도 커졌다 [30:22]

17. 프런티어 랩의 가격 결정력과 능력 상한 리스크

• OpenAI는 막대한 매출을 만들고 있고 Anthropic은 450억~600억 달러 수준의 가치로 거론되며, OpenAI·Anthropic·SpaceX·xAI의 상장 가능성은 AI 인프라와 자본시장 규모 논쟁을 키운다 [31:33]
• 핵심 변수는 향후 12개월에서 수년 사이에 재귀적 자기개선과 ‘데이터센터 안의 천재들’에 가까운 능력 도약이 실제로 이어질 수 있는지 여부다 [32:18]

18. AI 자금 조달 속도와 과잉 자본 리스크

• AI 기업의 규모와 실행 속도가 커지면서, 토큰을 담보로 한 부채 조달이나 다양한 펀딩 구조처럼 인프라 비용을 어떻게 감당할지가 중요한 질문이 된다 [34:44]
• 기업들이 이전보다 훨씬 빠르게 자금을 조달하면서, 단순히 버블 여부를 따지는 질문보다 어떤 균열과 우려가 실제로 커지는지가 더 중요한 관심사가 된다 [35:04]

19. 비공개 장기화와 AI 초기 비용의 자본 구조 변화

• 민간 성장 자본이 풍부해지면서 SpaceX, Stripe, Databricks 같은 회사는 과거였다면 이미 상장했을 시점에도 비공개로 남을 수 있다 [36:44]
• AI의 초기 실험은 연구 방향을 검증하기 전부터 20억 달러 규모 compute가 필요할 수 있고, Airbnb가 YC 시드에서 약 50만 달러로 product-market fit을 확인하던 방식과 전혀 다른 자본 구조를 만든다 [37:35]

20. 후기 단계 재탄생과 Benchmark의 투자 범위 확장

• AI와 다른 거대 시장에서는 장기간 비공개 상태가 후기 단계 회사에도 다시 큰 upside를 만들고, late-stage 투자가 Series C보다 높은 상승 여력을 가질 수 있는 구조가 생긴다 [38:37]
• SpaceX는 1,000억 달러가 넘는 valuation entry가 제한적으로 보였지만, Starlink가 scale하면서 consumer·B2B broadband가 launch business보다 큰 사업 축이 됐다 [39:20]

21. 벤처캐피털과 대체자산 운용사의 경계 변화

• Private credit 같은 새로운 funding vehicle이 커지면서 VC는 alternative asset class 안에서 은행이 빠진 자리를 보완하는 다른 자금 층과 함께 작동한다 [40:47]
• Venture capital이라는 단일 용어는 Databricks 같은 growth-stage 거래와 전통적 venture 투자를 함께 설명하기에 부족하고, venture-growth 같은 구분이 필요하다 [41:23]

22. Anthropic 라운드가 바꾼 pre-IPO 투자 규모의 기준

• Anthropic의 3,800억 달러 valuation 라운드는 기존 growth round와 비교하기 어려운 규모이고, 시장은 이 차이를 충분히 가격에 반영하거나 논의하지 못하고 있다 [43:37]
• 지난 10년의 대표 pre-IPO investment로 Slack, DoorDash, Snowflake, Nubank가 비교 대상이 되고, 이 라운드들은 대체로 5억~20억 달러 규모에서 4년간 2~5배 수익을 냈다 [44:12]

23. AI 유동성 충격과 실리콘밸리 생활권 파급

• Anthropic에 30억~40억 달러를 투자한 투자자들이 있으며, 5년 전 일반적인 growth fund 규모가 10억 달러였다는 점을 감안하면 단일 회사 exposure가 과거 펀드 전체 규모를 넘어선다 [45:21]
• 한 회사에 40억 달러를 넣어 5년 안에 5배 수익을 낼 경우, SpaceX가 20년 이상에 걸쳐 만든 부의 확산보다 훨씬 빠른 liquidity shock이 발생할 수 있다 [45:55]

24. VCX와 Public의 투자 상품 광고 전환

• VCX by Fundrise는 private tech에 연결된 public ticker를 표방하며, 다양한 규모의 투자자가 venture capital에 접근할 수 있다는 상품 메시지를 내세운다 [47:34]
• Public의 generated assets는 투자 아이디어를 텍스트로 입력하면 AI agents가 미국 주식 전체를 스캔하는 방식이며, positive free cash flow를 가진 AI supply chain 회사 등을 예시 조건으로 제시한다 [47:49]

25. 후원 메시지와 포트폴리오 질문의 출발점

• Public은 투자 아이디어에 맞춰 주식 후보를 평가하고 맞춤형 인덱스를 만들며, S&P 500 대비 백테스트까지 제공해 추측보다 맥락 있는 투자 결정을 돕는다 [48:00]
• Merge는 통합, 에이전트 툴링, 모델 오케스트레이션을 맡는 AI 인프라 플랫폼이며, Mistral, Dropbox, Anduril 같은 기업이 프로덕션에서 사용한다 [48:36]

26. 카테고리 전략처럼 보인 포트폴리오의 실제 기준

• 외부에서 보면 Legora는 버티컬 AI, Sierra는 수평형 AI, LangChain은 개발자 도구, HeyGen은 소비자 AI, Starcloud는 궤도 데이터센터처럼 각 영역을 대표하는 투자로 보인다 [50:08]
• 그러나 Benchmark 내부의 기준은 특정 카테고리에 진입하려는 사전 전략이 아니라 창업자 중심 판단이었고, 아이디어 자체보다 창업자가 에너지를 쏟을 만한 사람인지가 더 중요했다 [50:38]

27. Starcloud 사례와 사람 중심 투자의 작동 방식

• Starcloud 투자는 Elon Musk가 궤도 데이터센터에 강한 관심을 공개적으로 드러내기 몇 주 전에 마무리됐고, 이후 해당 분야가 급격히 뜨거워질 가능성도 Benchmark 내부에서 공유됐다 [51:33]
• 궤도 데이터센터의 미래 가능성과 실행 난이도는 모두 논쟁적이었지만, 투자 판단의 핵심은 Philip과 팀의 역량, 그리고 이미 우주에서 GPU를 작동시킨 초기 성과였다 [52:06]

28. 멘토십에서 배운 우선순위와 일하는 방식

• 커리어 전반에서 벤처캐피털과 성장투자의 역사를 만든 사람들과 함께 일하며, 투자 기술뿐 아니라 각기 다른 삶의 태도와 업무 원칙을 배웠다 [53:27]
• Founders Fund의 Napoleon Ta에게서는 가족과 일에 집중하는 단순한 삶의 구조를 가장 크게 배웠고, 불필요한 네트워킹보다 열심히 일하고 가족과 시간을 보내는 우선순위가 중요해졌다 [53:53]

29. AI 논의의 불확실성과 마무리

• 멘토십에서 얻은 핵심은 일상 업무 속 투자 기법만이 아니라, 삶의 우선순위와 사람을 대하는 태도, 커리어를 오래 지속하는 방식에 더 가깝다 [55:53]
• Charlie Munger를 고르는 전형적인 답변과 달리 실제로 함께 일한 인물들이 기준점이 되었고, 직접 경험하지 못한 인물은 멘토로 꼽지 않는다는 점에서 결론은 경험에 기반한 배움으로 압축된다 [56:08]

🧾 결론

• 이 영상의 핵심은 “AI 기업을 소프트웨어 기업처럼만 보면 오판할 수 있다”는 점이다. AI 앱, 추론 플랫폼, 파운데이션 모델 랩, 데이터센터·전력 인프라 기업은 모두 비용 구조와 장기 수익성이 다르기 때문에, 단일한 SaaS 멀티플이나 총마진 기준으로 묶어 평가하기 어렵다.
• Benchmark가 보는 AI 시장은 단순한 버블 논쟁보다 더 복잡하다. 일부 기업은 과잉 자본과 빠른 라운드의 위험을 안고 있지만, 동시에 추론 수요, 성과 과금, 인프라 확장, 모델 계층화가 새로운 대형 profit pool을 만들 가능성도 있다.
• 투자 판단의 중심축은 “규모가 커졌으니 안전하다”에서 “그 매출이 어떤 비용 구조로 만들어졌고, 얼마나 방어 가능하며, 어떤 자본 구조를 필요로 하는가”로 이동한다. 특히 추론 비용과 가격 결정력, 오픈소스·프런티어 모델 간 역할 분화가 장기 마진을 좌우하는 변수로 제시된다.
• Benchmark의 포트폴리오 사례는 AI 투자에서 카테고리 예측만큼이나 창업자 판단이 중요하다는 메시지를 준다. Starcloud처럼 실행 난도가 높고 검증되지 않은 분야에서도, 팀의 역량과 초기 성과가 투자 논리의 핵심 근거가 될 수 있다.
• 검증 필요: 영상에서 거론된 Anthropic의 대형 라운드, 1.5조 달러 유동화 가능성, 프런티어 모델의 장기 가격 결정력, 궤도 데이터센터의 시장성 등은 모두 전망과 시나리오에 가까우며, 실제 투자 판단에는 별도 데이터 확인이 필요하다.

📈 투자·시사 포인트

• AI 기업을 볼 때는 매출 성장률만 보지 말고 P·Q·M, 즉 가격, 사용량, 마진을 분리해서 봐야 한다. 같은 매출이라도 추론 비용을 재판매한 결과인지, 성과 과금으로 높은 단가를 만든 것인지, 물리 인프라 투자 위에서 나온 것인지에 따라 기업 가치의 질이 달라진다.
• 총마진이 낮다는 이유만으로 AI 기업을 나쁘게 볼 수는 없지만, 낮은 마진이 강한 사용량과 고객 가치에서 나온 것인지, 비효율적인 추론 비용과 약한 가격 결정력에서 나온 것인지는 구분해야 한다.
• AI 앱과 에이전트형 비즈니스는 좌석 기반 SaaS보다 고객 예산을 더 크게 가져갈 가능성이 있다. 다만 이 경우에도 고객이 실제 성과를 인정하고 반복적으로 지불하는지, 사용량 증가가 곧 손실 증가로 이어지지 않는지 확인해야 한다.
• 추론 인프라와 모델 라우팅은 중요한 투자 테마로 부각된다. 기업이 모든 작업에 고가 프런티어 모델을 쓰지 않고, 작업 난이도에 맞춰 오픈소스·온디바이스·프런티어 모델을 조합하려는 수요가 커질 수 있기 때문이다.
• 프런티어 모델 랩의 장기 가치는 성능 격차가 계속 벌어지는지, 오픈소스와 증류 모델이 어느 정도까지 따라오는지에 달려 있다. 영상은 이 지점을 확정된 결론이 아니라 향후 12개월에서 수년간 확인해야 할 핵심 불확실성으로 다룬다.
• VC 관점에서는 AI가 초기 단계와 후기 단계의 경계를 흐리고 있다. 일부 AI 실험은 시작부터 대규모 compute와 특수한 자본 구조가 필요하고, 반대로 오래된 비공개 기업도 새로운 사업 축이 열리면 다시 큰 상승 여력을 가질 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Anthropic 관련 수치인 3,800억 달러 valuation, 300억 달러 라운드, 1.5조 달러 liquidity 가능성, 450억~600억 달러 valuation 언급은 영상 내 발언 기준이며, 실제 라운드 조건·시점·공식 발표 여부는 별도 검증이 필요하다.
• 개발자 1명이 Claude Code 또는 Cloud Code에 월 3,000달러를 쓴다는 사례와 기업 단위 지출이 2,000만 달러 규모 라인 아이템으로 커질 수 있다는 설명은 특정 사례나 가정에 기반한 것으로 보이며, 일반화하려면 실제 사용량·계약 구조·고객 수 산식 확인이 필요하다.
• Fireworks, Crusoe, Sierra, Gumloop, Starcloud 등 기업별 사업모델과 경제성 설명은 인터뷰 발언 기반 요약이므로, 실제 매출 구조·마진·고객 계약·인프라 보유 여부는 회사 자료나 외부 보도와 대조해야 한다.
• 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

• AI 기업을 평가할 때 단일 SaaS 지표 대신 P·Q·M, 즉 가격·수량·마진 구조로 나누어 각 회사의 경제성을 다시 정리한다.
• AI 앱, 파운데이션 모델 랩, 추론 플랫폼, 데이터센터·전력 인프라 기업을 같은 “AI 기업”으로 묶지 말고 카테고리별 비용 구조와 자본 집약도를 따로 비교한다.
• AI 제품의 가격 모델을 좌석 과금, 사용량 기반 과금, 성과 기반 과금으로 분리해 보고 각 모델이 추론 비용과 어떻게 연결되는지 점검한다.
• 프런티어 모델이 꼭 필요한 작업과 저비용·오픈소스 모델로 충분한 작업을 구분해, 기업 내 토큰 비용 통제 전략을 설계한다.

❓ 열린 질문

• AI 기업의 매출이 빠르게 커질 때, 그 성장이 진짜 제품시장적합성과 방어력의 신호인지 아니면 과잉 자본과 추론 재판매 구조의 결과인지 어떻게 구분할 수 있을까?
• 프런티어 모델 랩은 장기적으로 토큰당 프리미엄 마진을 유지할 수 있을까, 아니면 증류와 오픈소스 모델 발전으로 가격 결정력이 약해질까?
• 기업 고객은 앞으로 소프트웨어 예산을 좌석 수 기준으로 계속 책정할까, 아니면 업무 결과·에이전트 수행량·추론 사용량 기준으로 완전히 재편할까?