ClickHouse CEO: AI Margins Need to Improve

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 기업의 고성장이 지속되려면 마진 개선 경로와 분산된 매출 기반이 필요하며, ClickHouse 역시 고객 집중과 낮은 전환비용을 핵심 위험으로 관리해야 한다.

📌 핵심 요점

1. AI 네이티브 기업은 과거 인터넷·모바일 전환기보다 빠르게 성장하고 있지만, 낮은 총마진과 높은 기업가치를 정당화하려면 수년 안에 수익성을 개선할 명확한 경로가 필요하다.
2. 에이전트는 여러 시스템에 수십 개의 비정형 SQL 쿼리를 동시에 실행하고 장차 인프라까지 선택할 수 있어, 데이터베이스의 지연시간·처리 효율·가격 구조가 제품 채택을 좌우하게 된다.
3. ClickHouse는 빠른 조회와 대규모 데이터 처리 효율을 앞세워 AI 기업의 수요를 흡수하고 있으며, 순달러 유지율 200% 이상과 사용 범위 확대를 성장 근거로 제시한다.
4. AI 도입이 제품 로드맵을 앞당기더라도 PLG만으로는 대형 시장을 충분히 공략하기 어렵다. 엔터프라이즈 영업, 복수 배포 모델, 에이전트의 신원·예산·접근권한을 통제하는 거버넌스가 함께 필요하다.
5. 장기 방어력은 단순한 매출 성장률보다 전환비용, 고객가치, 매출 분산에서 나온다. 에이전트 애플리케이션과 모델은 교체가 쉬우며, 아직 등장하지 않은 오픈소스 기술이나 프런티어 연구소의 인프라 진출도 기존 매출을 위협할 수 있다.

🧩 배경과 문제 정의

• AI 네이티브 기업의 매출과 에이전트 기술은 과거 인터넷·모바일 전환기보다 빠르게 성장하지만, 낮은 마진과 높은 기업가치가 지속 가능한지는 불확실하다.
• 에이전트는 인간보다 훨씬 많은 비정형 쿼리를 실행하고 직접 인프라를 선택하기 시작하면서, 데이터 시스템의 지연시간·효율·보안 요건을 바꾸고 있다.
• 기업은 프런티어 모델과 오픈웨이트 모델 사이에서 성능뿐 아니라 데이터 보호, 법적 면책, 배포 방식까지 고려해야 하며, 일부는 온프레미스 환경으로 돌아가고 있다.
• ClickHouse는 빠른 쿼리와 대규모 데이터 처리 효율을 기반으로 성장하고 있지만, 낮은 전환비용을 가진 AI 애플리케이션의 매출 지속성과 아직 등장하지 않은 경쟁 기술이 핵심 위험이다.

🕒 시간순 섹션별 상세정리

1. ClickHouse의 위치와 AI 성장 주기의 특수성

• ClickHouse는 Anthropic·OpenAI·Weights & Biases 등 AI 네이티브 기업이 사용하는 오픈소스 데이터베이스이며, 대규모 데이터를 적은 자원으로 저장하고 빠르게 조회하는 데 강점이 있다. [01:30]
• 현재 AI 주기는 인터넷·모바일·소셜 전환기보다 에이전트 경험과 기업 매출이 빠르게 성장하며, 시스템에 가해지는 처리 요구도 전례 없는 수준이다. [02:32]

2. 낮은 AI 마진과 매출 지속성 위험

• 자본 접근성이 높고 매출이 빠르게 성장하는 AI 기업은 당장 낮은 총마진을 감수할 수 있지만, 향후 수년간 마진을 확대할 경로와 건전한 재무상태가 필요하다. [03:20]
• 인프라 소프트웨어는 전환비용이 높지만 에이전트 애플리케이션과 모델은 교체가 쉬워, 경쟁사가 빠르게 추월할 때 기존 매출이 유지되지 않을 위험이 커진다. [04:17]

3. 사내 AI 도입 확대와 모델별 역할 분리

• ClickHouse는 ‘AI 각성’이라는 내부 메시지 이후 코딩 도구 도입을 확대했고, Anthropic 사용액은 연초보다 100배 증가할 정도로 개발 과정이 바뀌었다. [05:14]
• 프런티어 모델은 모델과 실행 도구를 함께 제공하는 이점이 있지만, 오픈웨이트 모델도 코드 검토처럼 위험이 제한된 작업에 선택적으로 투입할 수 있다. [06:05]

4. 토큰 비용보다 빠른 제품 출시를 우선하는 전략

• 코딩 에이전트가 로드맵을 가속하고 다양한 사용 사례를 충족해 매출 성장을 유지한다면 토큰 지출은 감수할 수 있으며, 토큰 단가 하락도 비용 위험을 낮춘다. [06:39]
• 약 100명의 영업 인력이 2,000~3,000명의 경쟁사 조직과 맞서는 구조에서는 인당 생산성이 높아도 판매 역량이 부족하며, 지난 2년간 영업 인력을 더 일찍 늘리지 않은 점이 성장 제약으로 남았다. [07:34]

5. PLG에서 엔터프라이즈 영업으로의 확장

• 초기에는 제품과 엔지니어링에 압력을 집중하고 Datadog식 셀프서비스·PLG 배포를 택했지만, 일정 규모 이후에는 그 위에 엔터프라이즈 영업 체계를 결합해야 한다. [08:22]
• Salesforce는 초기의 단순한 연락처 관리 제품만으로도 SAP·Oracle·Microsoft와 경쟁한다는 장기 비전을 세웠고, 이후 실제 제품 로드맵으로 그 시장 인식을 충족했다. [09:24]

6. AI로 앞당겨진 로드맵과 인수 기준

• 제품 출시 속도가 빨라지면서 계획보다 2년 일찍 신규 제품군에 진입했고, 4년간 여섯 건의 인수와 무상태 워커 같은 자체 기능 개발이 확장 속도를 높였다. [10:29]
• 내부 팀이 새로운 영역을 개척할 수 있으면 직접 개발하지만, ClickHouse 위에서 미래 데이터 플랫폼의 핵심 기능을 만드는 창업팀이 있으면 인수를 선택한다. [11:08]

7. 인간 중심 애플리케이션에서 에이전트 쿼리로의 전환

• 인간용 애플리케이션은 직무별 페르소나와 예측 가능한 보고서·대시보드 패턴을 전제로 하지만, 에이전트는 여러 시스템을 넘나들며 비정형 탐색을 수행한다. [12:02]
• 에이전트는 여러 시스템에 수십 개의 SQL 쿼리를 동시에 실행하므로 가장 느린 지점이 전체 경험을 제한하며, 낮은 지연시간과 불규칙한 쿼리 대응력이 핵심 요건이 된다. [12:43]

8. 쿼리 폭증과 에이전트의 인프라 선택

• 에이전트는 사람처럼 예산과 사용량을 스스로 절약하지 않기 때문에 쿼리량이 폭증하고, 서비스 제공자는 가격·소비·접근 모델을 다시 설계해야 한다. [13:24]
• 향후 에이전트가 애플리케이션의 인프라까지 직접 선택하면 데이터베이스의 지연시간과 효율이 채택을 좌우하며, Tesla의 초당 10억 이벤트 처리 사례는 필요한 처리량 규모를 보여준다. [14:29]

9. 보안 요구와 복수 배포 모델

• 규제 산업은 퍼블릭 클라우드뿐 아니라 VPC·방화벽 내부의 온프레미스 배포도 필요하므로, 공급자는 데이터 보호와 컴플라이언스 수준에 맞춘 선택지를 제공해야 한다. [15:16]
• 클라우드나 온프레미스 한쪽만 강제하면 개발·운영은 단순해지지만 접근 가능한 기업 시장이 줄어들어, 복수 배포 모델을 유지하는 어려운 로드맵이 필요하다. [16:03]

10. 자율 에이전트에 필요한 신원·예산·권한

• 에이전트가 데이터베이스·네트워크·컴퓨팅·스토리지를 직접 구성하려면 고유 신원과 예산, 서비스 소비 권한이 필요하며 현재의 도구 체계에는 이 기반이 부족하다. [16:22]
• 기업은 에이전트의 무제한 지출과 민감한 데이터 접근을 허용할 수 없으므로, 완전 자율화 이전에 소비량·접근범위·승인 한도를 통제하는 거버넌스가 필요하다. [17:24]

11. 특화 모델과 ClickHouse의 확장 경제

• 법률처럼 전문성이 중요한 분야에는 특화 모델이 자리 잡겠지만, 대형 프런티어 연구소도 범용 기업 시장의 지배적 공급자로 남아 두 유형이 공존할 가능성이 크다. [18:28]
• ClickHouse 고객의 매출 증가율은 신규 고객 증가율보다 높으며, 데이터웨어하우징에서 실시간 분석·고객용 애플리케이션으로 사용 범위가 넓어지는 확장 구조가 이를 뒷받침한다. [19:34]

12. 현재 경쟁자보다 위험한 차세대 기술

• 이미 시장에 나온 경쟁사는 강점과 약점을 파악할 수 있지만, 아직 보이지 않는 차세대 오픈소스 기술은 ClickHouse가 기존 사업자를 흔든 방식으로 시장을 다시 바꿀 수 있다. [20:43]
• 3년 뒤 오픈 모델과 프런티어 모델의 사용 비중은 50대 50에 가까울 수 있으며, 데이터 시장에서도 Snowflake의 폐쇄형 생태계와 Databricks의 오픈소스 기반이 함께 성장했다. [21:41]

13. 프런티어 연구소의 인프라 진출 가능성

• Anthropic과 OpenAI는 빠르게 제품 범위를 넓히고 자체 칩까지 개발하고 있어, 3년 안에 데이터베이스를 포함한 핵심 인프라 공급자로 진입할 가능성을 배제하기 어렵다. [22:36]
• 기업은 법적 면책과 생성 결과에 대한 보호가 필요한 만큼 프런티어 모델을 계속 선택할 수 있으며, 특히 중국계 오픈웨이트 모델은 이런 보장이 부족해 적용 범위가 제한될 수 있다. [23:21]

14. 오픈소스와 오픈웨이트의 차이 및 신뢰 문제

• 오픈소스 소프트웨어는 라이선스에 따라 소스 검사·수정·배포·수익화·기여·포크가 가능하지만, 오픈웨이트 모델은 동일한 개방성과 권리를 자동으로 보장하지 않는다. [24:16]
• 기업은 프런티어 연구소의 데이터 미보관 약속만 믿고 소스 코드를 전송하기 어렵고, 생성 코드가 제3자 저장소에서 파생됐을 때 발생할 면책·저작권 위험도 우려한다. [25:25]

15. 온프레미스 회귀와 빨라지는 기업 도입

• 오픈소스와 오픈웨이트 기술의 배포를 정부가 제한하는 방식은 생태계 확산을 막을 수 있으며, 민간 자본을 신규 오픈웨이트 모델 개발에 직접 투입하는 선택도 수익성이 명확하지 않다. [27:27]
• 디지털 네이티브 기업까지 하이퍼스케일러에서 온프레미스 환경으로 스택 이전을 검토하면서, 데이터 통제와 배포 유연성이 다시 중요한 구매 조건이 되고 있다. [28:06]

16. AI 에이전트와 인간이 나눠 갖는 기술 선택권

• 주말에 만든 애플리케이션은 AI 에이전트가 트랜잭션용 PostgreSQL과 분석용 ClickHouse를 포함한 기술 스택을 직접 선택할 수 있다. [30:39]
• 은행·통신사의 대규모 데이터웨어하우스와 관측성 시스템은 엔지니어가 아키텍처와 공급자를 결정하며, 향후 10년에도 사람이 의사결정 과정에 남는다. [31:03]

17. 개발자 인지도를 넓히는 브랜드 투자

• AWS 리인벤트와 Google Next에서 소프트웨어 엔지니어들이 자발적으로 찾을 행사를 만들기 위해 체인스모커스 공연을 후원했다. [31:49]
• 콘서트보다 넓은 인지도를 확보할 수단으로 스포츠 후원을 선택했고, 추가 투자금을 활용해 런던의 잉글랜드 프리미어리그 구단을 후원했다. [32:23]

18. 스포츠 후원의 관계 형성과 투자수익

• 경기 당일 세계적 기업의 임원 20명이 소규모 만찬에 참석했고, 유럽 대형 은행 임원까지 파리에서 찾아오면서 엔터프라이즈 시장 진출에 필요한 관계가 형성됐다. [33:38]
• 레이커스는 125억 달러, 시애틀 시호크스는 96억 달러 규모의 거래가 거론됐으며, 기술로 복제하기 어려운 현장 경험이 스포츠 자산 가격을 지탱한다. [34:40]

19. 투자자를 고르는 기준과 레퍼런스 검증

• 공동 창업자들의 차별화된 엔지니어링 역량이 투자 매력의 기반이며, 투자자는 자금보다 고객 소개와 대외 지지에 기여할 수 있는지가 중요하다. [36:38]
• 기존 포트폴리오 기업을 통해 고객 연결, 채용 지원, 소셜 영향력, 직원 참여, 다른 투자자와의 협업 방식을 확인한다. [37:19]

20. 단기 밸류에이션보다 20년 뒤의 기업

• 지속적인 가치 상승은 직원 유동성, 채용, 희석 최소화, 재무 안정성, 선제 투자에 유리하지만 기업을 2년이 아니라 20년 관점에서 설계해야 한다. [37:45]
• 10년 뒤 기업가치가 150억 달러인지 250억 달러인지는 부차적이며, 적합한 투자자와 지속 가능한 조직을 확보하고 ARR 10억 달러에 빠르게 도달하는 일이 우선이다. [38:20]

21. AI 인재 경쟁과 글로벌 채용의 이점

• 샌프란시스코의 AI 스타트업은 막대한 자본을 보유한 OpenAI·Anthropic의 공격적인 보상과 경쟁해야 하므로 핵심 인재 확보가 특히 어렵다. [39:56]
• ClickHouse는 데이터베이스와 분산 시스템 경험자를 찾기 때문에 프런티어 연구소와 인재군이 다르고, 27개국 채용을 통해 지역 선택지를 넓힌다. [40:18]

22. 분산 조직의 기원과 오피스 허브 확대

• Salesforce 시절 장시간의 대면 근무는 동료와 선배에게 배우는 기회를 제공했지만, 코로나 시기에 창업한 ClickHouse는 미국과 유럽에 흩어진 공동 창업자들로 출발했다. [41:05]
• 희소한 기술을 가진 엔지니어가 특정 도시에만 있지 않았기 때문에 분산 조직이 성장했고, 인원은 약 800명에서 연말 1,000명까지 늘어날 전망이다. [41:31]

23. 국제 사업을 위한 현지 인력 배치

• 미국 외 지역이 매출과 고객의 절반 이상을 차지하며, 유럽·중동·아프리카가 매출의 40%, 아시아가 10%를 담당한다. [42:48]
• 3개 하이퍼스케일러의 36개 리전을 운영하려면 각 시간대의 인력과 현지 언어 구사자가 필요하고, AWS·Google Cloud·Azure·Alibaba와의 지역별 관계도 중앙 거점 몇 곳만으로 유지하기 어렵다. [43:10]

24. 제품 출시 직후의 정체와 미래 실적을 반영한 가격

• 데이터베이스는 소비자 서비스보다 평가와 도입에 시간이 오래 걸려 출시 후 6개월간 매출이 느렸고, 당시에는 제품과 매출 없이 3억 달러를 조달한 부담까지 있었다. [43:46]
• 고객이 4,000곳을 넘은 뒤 매출이 급증하면서 초기 정체 구간을 벗어났고, 벤처 투자는 현재 실적보다 향후 12~18개월의 도달 지점을 가격에 반영한다. [44:12]

25. 가장 비쌌던 라운드와 데이터베이스의 본질적 우위

• 제품·매출·고객이 없고 직원이 15명뿐이던 시기에 20억 달러 가치로 진행한 시리즈 B는 과도하게 비쌌으며, 차별화된 제품을 1년 안에 출시해야 한다는 압박을 만들었다. [45:13]
• AI 확산은 예상하지 못했지만 데이터베이스 시장의 핵심인 가격과 성능에서 ClickHouse가 우위에 있었기 때문에 새로운 수요 흐름에도 대응할 기반이 있었다. [46:07]

26. 성장 속도보다 중요한 매출의 내구성과 분산

• 1년 만에 매출 1억 달러에 도달한 기업은 고객이 경쟁 제품으로 이동하지 못하게 할 전환 비용과 방어력이 있는지 확인해야 한다. [47:21]
• 매출은 0에서 1,200만 달러, 5,000만 달러, 2억 달러로 성장했고 연말 5억 달러 이상을 목표로 하며, 이는 데이터베이스 기업의 초기 3년 성장 속도 중 가장 빠른 수준이다. [47:46]

27. 고객가치와 조직문화가 만드는 장기 방어력

• 고객이 대규모로 성장한 뒤에도 자체 시스템으로 이전하지 않게 하려면 경쟁 제품보다 높은 투자수익률과 낮은 총소유비용을 지속적으로 제공해야 한다. [49:54]
• 외부 경쟁과 지정학적 위험만으로도 조직이 감당할 갈등이 충분하므로 내부의 적을 인위적으로 만들기보다 경쟁심이 강한 사람을 채용하는 편이 낫다. [50:24]

28. 대학 교육과 인간 전문가의 지속 가능성

• 대학은 학문적 가치뿐 아니라 삶의 경험 때문에 여전히 의미가 있지만, 소프트웨어 공학 교육과정은 개편 속도가 느려 졸업 시점의 노동시장이 크게 달라질 수 있다. [51:42]
• 일반적인 의료 문의는 AI가 병원 방문을 줄일 수 있어도 중대한 의료 문제나 법률 문제에서는 최고의 의사와 변호사에게 직접 판단을 구하려는 수요가 남는다. [53:00]

29. AI 시대의 새 직업과 산업 재편

• 조직의 토큰과 AI 사용량만 관리하는 AI 재무 직무가 향후 5년간 보편화될 수 있지만, 다시 5년이 지나면 AI 에이전트의 자율 관리로 사라질 가능성이 있다. [53:52]
• 프로 스포츠 선수는 자동화로 대체되기 어렵고, Microsoft는 대규모 분석 워크로드 고객이라는 점에서 장기적으로 중요한 사업 파트너다. [54:17]

30. AI 버블 논쟁과 자산 집중 위험

• AI가 과장됐거나 버블이라는 통념과 달리 시장은 아직 초기 단계이며, 일부 실패 기업의 손실보다 성공 기업이 만드는 가치가 더 클 수 있다. [55:44]
• 현재 AI 기업의 위험은 주로 사모 자본이 부담하지만 Nvidia처럼 공모시장과 미국인의 퇴직연금에 폭넓게 포함된 기업은 하락 시 대중의 자산에도 영향을 준다. [56:12]

31. 이사회 활용과 보이지 않는 경쟁자에 대한 대비

• Peter Fenton은 기술기업 투자 경험에서 얻은 패턴 인식과 인재 유치 역량을 제공하며, 채용 후보를 평가할지 설득할지에 따라 면담 역할을 명확히 나눈다. [57:15]
• 현재 경쟁 구도는 대응 방법이 분명하지만 아직 시장에 나오지 않은 기술은 방어 가능성을 예측하기 어려워 더 큰 위협이 된다. [58:46]

32. CEO·부모·배우자에게 공통으로 필요한 태도

• 좋은 CEO와 좋은 부모가 되는 원리는 맡은 역할에 진지하게 헌신하고, 경험자의 조언을 구한 뒤 장점은 받아들이고 단점은 버리는 데 있다. [1:00:19]
• 24년간의 관계에서 결혼은 직선적인 과정이 아니었으며, 서로의 차이를 받아들이고 개인의 성취를 축하하면서 자녀라는 공동 목적을 중심에 두는 태도가 중요했다. [1:00:44]

33. 예측하기 어려운 미래와 ClickHouse의 장기 선택

• ChatGPT가 2022년 11월 출시된 뒤 불과 몇 년 만에 환경이 크게 달라졌기 때문에 향후 5년을 정확히 예측하기는 어렵고, 의료 혁신과 스포츠 성과가 주요 기대 영역이다. [1:01:43]
• ClickHouse는 원한다면 이듬해에도 상장할 수 있지만, 회사가 창업자보다 오래 존속한다는 목표에서는 상장 시점이 1년 뒤인지 5년 뒤인지가 결정적인 문제가 아니다. [1:02:18]

34. 비상장 유지의 이점과 IPO의 장기적 가치

• 비상장기업은 직원이 매일 주가를 확인하거나 공매도 세력에 대응할 필요가 없으며, 구조화된 공개매수로 직원 유동성도 점진적으로 제공할 수 있다. [1:03:16]
• IPO는 인지도 확대, 자금조달, 투자자 기반 다변화, 구성원의 성취감이라는 이점이 있지만, 축하 기간이 지나면 기업은 다시 변동성 높은 주식시장의 평가를 감당해야 한다. [1:04:27]

🧾 결론

• AI 수요의 폭증은 데이터 인프라 기업에 기회지만, 고객의 낮은 전환비용과 높은 연산비용 때문에 매출 성장 자체가 지속 가능성을 보장하지는 않는다.
• ClickHouse의 핵심 경쟁력은 가격 대비 성능과 빠른 쿼리 처리이며, 장기 성패는 이 우위를 고객의 총소유비용 절감과 높은 유지율로 계속 연결할 수 있는지에 달려 있다.
• 에이전트 시대에는 데이터베이스가 사람뿐 아니라 소프트웨어 에이전트에게도 선택받아야 하므로, 성능·보안·배포 유연성·비용 통제를 하나의 제품 체계로 제공해야 한다.
• 한 고객이나 산업이 매출의 10%를 넘는 구조는 예측 가능성과 지속 성장에 실질적인 위험이 될 수 있으므로, AI 매출의 성장 속도만큼 고객과 사용 사례의 분산이 중요하다.

📈 투자·시사 포인트

• AI 기업을 평가할 때 매출 성장률과 기업가치뿐 아니라 총마진 개선 속도, 추론·토큰 비용, 고객별 매출 비중, 전환비용을 함께 확인해야 한다.
• 데이터 인프라 기업에는 에이전트 쿼리 증가가 구조적 수요가 될 수 있지만, 성능 우위가 실제 가격 결정력과 고객 유지로 이어지는지를 구분해야 한다.
• ClickHouse가 제시한 순달러 유지율 200% 이상과 총매출 유지율 99% 이상은 강한 확장 신호지만, 고객 구성과 산정 방식이 공개되지 않으면 수치만으로 내구성을 판단하기 어렵다.
• 프런티어 모델, 오픈웨이트 모델, 퍼블릭 클라우드, 온프레미스가 공존할 가능성이 크므로 특정 모델이나 배포 방식에 종속되지 않는 공급자가 더 넓은 기업 시장을 확보할 수 있다.
• Nvidia를 비롯한 소수 AI 기업에 공모시장 가치가 집중된 상황에서는 기술 성장성과 별개로 밸류에이션 조정이 대중의 자산에 미칠 파급효과를 점검필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• ClickHouse가 제시한 순달러 유지율, 총매출 유지율, 고객 수, 매출 성장 및 ARR 목표는 인터뷰의 경영진 발언이며 외부 감사자료나 구체적인 산정 기준이 함께 제시되지 않았다.
• AI 기업의 마진이 향후 수년간 얼마나 개선될지는 토큰 단가 하락, 모델 경쟁, 컴퓨팅 비용, 가격 결정력에 따라 달라지며 회사별 비용 구조도 확인되지 않았다.
• 에이전트가 데이터베이스와 인프라를 직접 선택한다는 전망은 방향성에 관한 예상이며, 기업의 예산·보안·승인 체계 때문에 실제 전환 속도는 느릴 수 있다.
• 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 분석할 때 매출 성장률과 함께 총마진, 추론비용, 현금소진, 고객별 매출 비중을 동일한 표에서 추적한다.
• ClickHouse의 향후 공시나 투자자료에서 순달러 유지율 산식, 상위 고객 비중, 산업·지역별 매출 분산을 확인한다.
• 데이터 인프라 제품을 평가할 때 사람 중심 벤치마크 외에 동시 비정형 쿼리, 최악 지연시간, 에이전트별 비용 한도와 접근 통제를 시험한다.
• 퍼블릭 클라우드·VPC·온프레미스 배포별 총소유비용, 데이터 보호, 법적 면책 조건을 비교한다.

❓ 열린 질문

• AI 네이티브 기업은 매출 성장률을 훼손하지 않으면서 어느 시점까지 총마진을 의미 있게 높일 수 있을까?
• 에이전트가 인프라를 직접 선택하게 되면 브랜드와 영업의 영향력은 줄어들까, 아니면 인간의 예산 승인권 때문에 계속 유지될까?
• ClickHouse의 높은 순달러 유지율은 장기적인 전환비용에서 비롯된 것일까, 아니면 AI 고객의 일시적인 사용량 폭증에 더 크게 의존하고 있을까?