AI 챗봇은 2026년 기업들이 AI를 도입하는 가장 일반적인 방법 중 하나입니다. 하지만 자체 구축 방식과 SaaS(Software as a Service) 방식의 장기적인 비용 차이가 클 수 있습니다. 본 글에서는 참고할 수 있는 비용 구조와 3년 동안의 총 비용 산정 방법을 정리했습니다 (실제 비용은 라이선스 방식 및 사용량에 따라 달라집니다).
SaaS 솔루션의 가장 큰 비교 어려움은 요금 단위의 차이입니다. 어떤 것은 "성공적인 대화 횟수" 기준으로 요금을 부과하고, 어떤 것은 "월별 좌석 요금"을 부과하며, 또 어떤 것은 "패키지" 형태로 요금을 부과합니다. 이러한 요금 단위는 직접 비교가 불가능하며, "당신의 대화 횟수에 따라 매달 얼마를 지불하는가"를 기준으로 비교해야 합니다. 아래는 각 서비스 제공업체의 공식적으로 공개된 요금 범위입니다 (가장 최신 견적을 기준으로 하십시오):
자체 구축 비용은 세 가지 요소로 나뉘며, 각각의 성격이 완전히 다릅니다. 개발 비용은 일회성 비용이고, API 사용량에 따라 변동하는 비용이며, 유지 보수 비용은 외부 위탁 여부에 따라 달라집니다. 세 가지 요소를 분리하여 관리하는 것은 각 요소를 독립적으로 결정할 수 있다는 장점이 있습니다. 예를 들어, 유지 보수를 먼저 외부 위탁하고, 팀이 숙성된 후에 다시 자체적으로 수행할 수 있습니다. 예를 들어, Falcon의 공개 견적을 기준으로:
두 가지 경로를 비교할 때, 동일한 공식을 사용하여 각각 3년간의 총 비용을 계산해 보세요. 자신의 데이터를 넣어 계산하면 다음과 같습니다.; SaaS 3년 비용 = (월 구독료 또는 1회 해결 비용 × 월 평균 대화 횟수) × 36개월 + 도입 설정 비용; 자체 구축 3년 비용 = 초기 개발 비용 + (API 월 구독료 + 유지 보수 월 구독료) × 36개월 참고 사항: 1. 대화 횟수는 가장 중요한 변수입니다. 대화 횟수가 적을 때는 SaaS가 거의 항상 저렴하며, 대화 횟수가 많을 때는 자체 구축의 고정 비용이 분산됩니다. 2. SaaS의 단가 및 API의 단가는 프로모션에 따라 변동될 수 있습니다. 따라서, 범위를 사용하여 계산하는 것이 안정적인 결과를 얻는 데 도움이 됩니다. 저희는 견적을 제시할 때, 단순히 "장기적으로는 더 유리합니다"라는 말 대신, 고객과 함께 이 공식을 실제로 계산하여 비교하도록 돕습니다.
솔직히 말해서, 많은 상황에서 SaaS가 더 합리적인 선택입니다. 저희도 이러한 점을 강조하며 다음과 같이 조언합니다:
반대로, 다음과 같은 조건이 발생할 경우, 자체적으로 구축한 장기 비용과 유연성은 일반적으로 더 유리합니다:
많은 기업의 실제 경로는 먼저 SaaS를 사용하여 검증하고, 규모가 커지면 자체 구축하는 것입니다. 이 방법은 가능하지만, 전환에는 비용이 발생하므로, 계획 단계에서 네 가지 비용을 고려해야 합니다. 첫째, 지식 기반의 이식 가능성: 잘 정리된 질문과 답변, 문서가 가장 가치 있는 자산입니다. SaaS를 선택할 때, 완전하게 내보낼 수 있는지, 파일 형식이 표준인지 확인해야 합니다. 둘째, 대화 기록: 과거 대화는 훈련 및 최적화 자료입니다. 내보내기 제한 사항은 미리 확인해야 합니다. 셋째, 프로세스 재구축: 원래 SaaS에서 사용하던 알림, 담당자 연결, 작업 요청 프로세스를 다시 구축해야 합니다. 넷째, 병행 기간: 전환 기간 동안 새로운 시스템과 기존 시스템을 동시에 사용하면서 비용이 발생합니다. 반대 방향(자체 구축에서 SaaS로)의 비용은 일반적으로 낮습니다. 왜냐하면 자체 구축 시 데이터가 이미 사용자의 소유이기 때문입니다. 이것이 "데이터 소유 고객"을 제공 표준에 포함시키는 이유입니다.
많은 사람들이 AI 고객 서비스에 도입 후 "느낌상 더 똑똑해졌는지"를 기준으로 판단하지만, 이러한 방식으로는 경영진에게 지속적인 투자를 설득하기 어렵습니다. 처음부터 눈에 띄는 지표들을 정하는 것이 좋습니다. 예를 들어, "자동 해결률(얼마나 많은 대화가 인적 지원으로 이어지지 않는지)", "처음 응답 시간", "고객 만족도(CSAT)", 그리고 인건비 또는 평균 처리 시간의 변화 등을 설정할 수 있습니다. 솔직하게 말씀드리자면, 이러한 수치의 건강 범위는 산업, 문제의 복잡성, 지식 베이스의 성숙도에 따라 크게 달라집니다. 따라서 다른 사람들이 제시하는 "80% 해결률"과 같이 무작정 적용하는 것은 바람직하지 않습니다. 저희는 먼저 도입 전의 기준을 측정한 후, AI를 도입한 후 비교하는 방식으로 진행합니다. 이를 통해 명확한 비교와 논의가 가능하며, 각자 다른 주장을 펼치는 상황을 방지할 수 있습니다.
모델 성능 부족이 아닌, 다음과 같은 문제들 때문일 가능성이 높습니다. 첫째, 지식 베이스가 너무 불량합니다. 문서가 엉망이고, 내용이 오래되었으며, AI가 잘못된 정보를 얻어 잘못된 답변을 내놓게 됩니다(garbage in, garbage out). 둘째, 기대치가 지나치게 높습니다. AI가 인간을 완전히 대체할 수 있다고 생각하고, AI가 답변하지 못하는 상황에서는 AI의 이미지를 손상시키는 것입니다. 올바른 방법은, AI를 안전망처럼 활용하는 메커니즘을 설계하는 것입니다. 셋째, 즉시 사용을 권장하는 것입니다. AI가 틀린 답변을 하는 경우, 정기적으로 확인하고 내용을 보완하지 않으면 정확도는 점점 떨어집니다. 넷째, 지나치게 낙관적인 홍보로 인해, 사전 정리 및 유지 보수에 필요한 시간을 과소평가하는 것입니다. 우리는, 이러한 문제점을 명확하게 설명하여, AI를 사용하기 시작했을 때의 실망감을 방지하고 싶습니다.
