The Leaner Sales Org: AI 시대 영업팀은 작아지고 1인당 할당량은 몇 배가 된다

AI 시대 영업 조직은 사람 수가 아니라 1인당 할당량으로 커집니다. 인프라 레이어에서는 한 담당자가 수천만 달러 계약을 몇 주 안에 닫고, 보상 계획은 분기마다 다시 짭니다. 우리 조직에 옮기려면 딜의 크기·주기·경쟁 강도를 재서 어느 레이어에 가까운지 먼저 판별하고, 팀을 줄이되 아웃바운드와 확장이 비지 않는 최소 인원을 함께 정해야 합니다.

요약

벤처 투자자 Tomasz Tunguz(Theory Ventures)는 2026년 10월 22일 글에서, 같은 주 Office Hours(Theory Ventures가 운영하는 공개 대담)에 나온 Bardia Shahali와의 대화를 세 가지 요지로 정리했습니다. Shahali는 AI 회의록 서비스 Granola의 영업 부사장이고, 그 전에는 AI 추론 인프라 회사 Fireworks AI에서 영업팀을 만들었습니다. 저자는 Fireworks가 그 기간에 약 300만 달러에서 약 4억 달러로 커졌다고 적습니다(어떤 지표인지는 글에 없습니다). 대담의 전제는 AI 시장이 모델과 추론을 파는 인프라 레이어와 그 위에서 업무 소프트웨어를 파는 애플리케이션 레이어로 나뉘고, 두 레이어의 영업 조직은 고객도 딜의 모양도 팀 구성도 다르다는 것입니다.

요지는 셋입니다. 첫째, 인프라 레이어의 고객은 빠르게 크는 AI 네이티브 기업이어서 계약 한 건이 수천만 달러에 이르고 영업 주기는 몇 주로 짧습니다. 대신 모든 추론 사업자가 같은 고객을 쫓기 때문에 경쟁과 판돈이 함께 크고, 담당자 한 사람의 할당량은 기존 SaaS의 몇 배가 됩니다. 둘째, 보상 계획은 연 단위에서 분기 단위로 바뀌었습니다. 제품이 빨리 바뀌고, 모델 성능의 정점이 약 45일마다 새로 찍히고, 경쟁 구도가 분기마다 달라지기 때문입니다. 셋째, 팀을 작게 가는 데도 바닥이 있습니다. 인원이 너무 적으면 들어오는 문의만 처리하다 아웃바운드와 기존 고객 확장이 비게 됩니다. 팀의 기본 단위(pod)는 레이어마다 다릅니다. 인프라는 AE(account executive, 계약을 맡는 영업 담당)에 SE(sales engineer, 기술 영업)와 FDE(forward-deployed engineer, 고객 현장에 들어가 구현을 돕는 엔지니어)를 붙이고, 애플리케이션은 AE와 CSM(customer success manager, 도입·확장을 맡는 고객 담당)으로 꾸립니다. 아래에서는 이 원리들을 풀고 통념과 다른 점과 사례를 정리한 뒤, 우리 영업 조직에 옮길 때 재야 할 숫자와 6주 점검 일정을 덧붙였습니다.

핵심 메커니즘

Two-Layer Market: 인프라와 애플리케이션, 영업이 갈리는 지점

AI 시장을 인프라와 애플리케이션 두 레이어로 나누는 것이 글의 출발점입니다. 인프라 레이어는 모델과 추론(inference, 학습된 모델을 실제로 돌려 답을 내는 일)을 팝니다. 고객은 그 위에서 제품을 만드는 AI 네이티브 기업이고, 이들이 빠르게 크면 추론 사용량도 함께 커서 계약 한 건이 커집니다. 애플리케이션 레이어는 회의록, 문서, 업무 흐름처럼 사람이 쓰는 소프트웨어를 팝니다. 고객은 일반 기업이고, 딜의 모양은 이전 세대 소프트웨어와 비슷하되 도입과 확장이 더 빠릅니다.

할당량 크기, 보상 주기, 팀에 누구를 붙이는지가 모두 이 구분에서 갈립니다. 우리 회사가 AI 솔루션을 판다면 먼저 “우리 딜은 어느 레이어에 가까운가”를 물어야 합니다. 판별 기준은 고객이 AI 네이티브인지 일반 기업인지, 계약이 사용량에 따라 커지는지, 경쟁자가 같은 고객을 동시에 쫓는지 세 가지입니다.

Quota Multiples: 딜 크기와 주기가 1인당 할당량을 정한다

할당량(quota, 담당자 한 사람이 한 해에 닫아야 하는 계약 금액)은 결국 딜 크기와 영업 주기의 곱입니다. 한 건이 크고 주기가 짧으면 같은 사람이 같은 시간에 훨씬 큰 금액을 닫습니다. Shahali가 Fireworks에서 본 것이 이 경우입니다. 고객이 AI 네이티브 기업이라 의사결정이 빠르고, 사용량이 커서 계약도 큽니다. 저자는 그의 말을 그대로 옮깁니다. “You can close an eight-figure deal in two weeks.” 그 결과 담당자 한 사람이 감당할 수 있는 할당량이 기존 SaaS의 몇 배가 되고, 같은 매출 목표를 훨씬 적은 인원으로 채울 수 있습니다.

반대 방향의 힘도 있습니다. 같은 고객을 모든 추론 사업자가 쫓기 때문에 한 건을 잃을 때의 손실도 크고, 경쟁 강도가 높습니다. 할당량이 몇 배가 되는 것은 담당자가 몇 배 유능해져서가 아니라 시장 구조 때문이고, 그 구조에는 경쟁이라는 대가가 붙어 있습니다.

Quarterly Comp: 45일 모델 주기에 맞춘 보상 재설정

보상 계획(comp plan, 할당량·기본급·성과급 비율·가속 구간을 정한 문서)은 보통 한 해 치를 한 번에 짭니다. Shahali의 팀은 이를 분기마다 다시 짭니다. 이유는 셋입니다. 제품이 몇 달 단위로 달라지고, 모델 성능의 정점이 약 45일마다 새로 찍히며(저자가 자신의 다른 글 “Model Release Exhaustion”을 근거로 듭니다), 경쟁 구도가 분기마다 바뀝니다. 연초에 정한 할당량과 성과급 구간이 2분기면 이미 시장과 어긋나, 1년짜리 계획은 담당자나 회사 어느 한쪽에 불리하게 틀어집니다.

분기 단위 보상은 세 가지 입력이 분기마다 들어온다는 뜻입니다. 우리 제품에 무엇이 바뀌었는지, 모델과 경쟁자에 무엇이 바뀌었는지, 지난 분기 실제 성과가 어땠는지. 이 셋을 받아 할당량·성과급 구간·집중 제품을 다시 정하고 분기 첫날에 공표합니다. 연 단위로 돌아가는 인사 제도와 맞물리는 부분(연봉, 평가)은 그대로 두고, 변동 성과급 부분만 분기 단위로 돌리는 방식이 현실적입니다.

Staffing Floor: 팀을 줄여도 아웃바운드와 확장은 남겨야 한다

1인당 할당량이 몇 배가 되면 팀을 작게 가고 싶어집니다. 저자는 여기에 바닥이 있다고 적습니다. 인원이 너무 적으면 담당자는 들어오는 문의(인바운드)와 눈앞의 큰 딜만 처리하고, 새 고객을 찾아 나서는 아웃바운드와 기존 고객의 사용을 넓히는 확장(expansion) 활동에는 손을 대지 못합니다. 두 활동은 당장 매출로 보이지 않아 가장 먼저 밀리고, 몇 분기 뒤 마른 파이프라인으로 돌아옵니다.

그래서 적정 인원은 “할당량 ÷ 1인당 할당량”으로만 정하지 않습니다. 인바운드 처리, 아웃바운드, 확장 세 활동에 필요한 시간을 더해 거기서 나오는 최소 인원과 비교해, 둘 중 큰 쪽을 택합니다. 작은 팀일수록 아웃바운드 접촉 수와 확장 매출 비중을 분기마다 따로 보고, 두 지표가 연속으로 떨어지면 인원 부족 신호로 읽습니다.

Sales Pod by Layer: 인프라는 AE·SE·FDE, 애플리케이션은 AE·CSM

pod(한 고객군을 맡는 영업의 기본 묶음)의 구성은 레이어마다 다릅니다. 인프라 레이어는 제품이 복잡합니다. 고객 시스템에 모델을 붙이고 성능과 비용을 맞춰야 계약이 성립하므로, AE 옆에 SE와 FDE가 붙습니다. 계약은 AE가 닫지만, 고객이 “된다”고 확신하게 만드는 쪽은 SE와 FDE입니다.

애플리케이션 레이어는 소프트웨어가 비교적 단순해 이전 세대와 비슷한 AE·CSM 짝으로 갑니다. AE가 계약을 닫고 CSM이 도입과 확장을 맡으며, 저자는 이 조합이 이전 세대보다 생산성이 높고 도입·확장이 빠르다고 적습니다. 어느 쪽이든 기술 인력(SE·FDE)의 시간을 어느 딜에 얼마나 쓰는지가 운영의 핵심 변수입니다.

통념과 다른 주장

저자가 든 사례

Fireworks AI: 인프라 레이어의 영업팀

• 상황: AI 추론 인프라를 파는 회사. 고객은 빠르게 크는 AI 네이티브 기업이고, 모든 추론 사업자가 같은 고객을 쫓는 시장.
• 한 일: Shahali가 영업팀을 만들었습니다. 복잡한 제품을 팔기 위해 AE 옆에 SE와 FDE를 붙이는 구조를 썼고, 보상 계획을 연 단위에서 분기 단위로 바꿨습니다.
• 결과: 저자에 따르면 회사는 약 300만 달러에서 약 4억 달러로 커졌습니다. 8자리 계약이 2주 안에 닫히는 경우가 있었고, 담당자 한 사람의 할당량은 기존의 몇 배였습니다. 기간, 인원 수, 할당량의 정확한 배수는 원문에서 밝히지 않았습니다.
• 연결: Two-Layer Market, Quota Multiples, Quarterly Comp, Sales Pod(인프라형)의 사례입니다.

애플리케이션 레이어: Granola가 속한 쪽

• 상황: 사람이 쓰는 업무 소프트웨어를 파는 레이어. Shahali가 지금 영업 부사장으로 있는 Granola(AI 회의록 서비스)가 여기 속합니다.
• 한 일: 저자는 이 레이어의 pod를 AE와 CSM 짝으로 설명합니다. 이전 세대 소프트웨어와 비슷한 구조입니다.
• 결과: 저자는 이 구조가 이전 세대보다 생산성이 높고, 도입과 확장이 보통 더 빠르다고 적습니다. Granola의 수치는 원문에서 밝히지 않았습니다. 대담 전체에서는 이 레이어의 사용량 기반 가격, 온보딩, 번아웃, AI 시대의 OTE(on-target earnings, 목표 달성 시 총보수)도 다뤘다고 하지만 글에는 요지만 있습니다.
• 연결: Two-Layer Market과 Sales Pod(애플리케이션형)의 사례입니다.

기술 디테일: 우리 영업 조직의 숫자를 재려면

아래는 글의 원리를 우리 조직에 대입할 때 필요한 데이터 형식과 계산으로, AX Review가 새로 작성했습니다. 숫자는 모두 가상 예시입니다.

Quota Multiples를 우리 숫자로 재려면 최근 8분기 성사·실패 딜을 아래 형식으로 모읍니다. 핵심은 layer(이 딜이 인프라형인지 애플리케이션형인지)와 cycle_days(첫 미팅부터 서명까지), competitors(동시에 경쟁한 사업자 수)를 딜마다 적는 것입니다. CRM에 없는 필드는 담당자 설문으로 한 번 채우고, 이후에는 딜 등록 시 필수 입력으로 둡니다.

{
  "deal_id": "D-2026-0412",
  "layer": "infra | app",
  "buyer_type": "ai_native | enterprise",
  "acv_krw": 480000000,
  "cycle_days": 23,
  "competitors": 3,
  "usage_based": true,
  "pod": ["AE", "SE", "FDE"],
  "fde_hours": 60,
  "expansion_90d_krw": 120000000,
  "outcome": "won | lost",
  "closed_at": "2026-09-30"
}

1인당 연간 생산성은 “평균 ACV × 연간 성사 건수”로 계산합니다. 연간 성사 건수는 동시에 다루는 딜 수 × (영업일 ÷ 주기) × 승률입니다. 가상 예시로, 이전 세대 SaaS형 담당자가 동시에 20건을 다루고 주기 90일, 승률 25%, 평균 ACV 1억 원이면 연간 20건, 약 20억 원입니다. 인프라형 담당자가 동시에 10건, 주기 30일, 승률 15%, 평균 ACV 5억 원이면 연간 18건, 약 90억 원입니다. 승률이 낮아도(경쟁 때문에) 주기와 금액이 배수를 만듭니다. 이 계산을 우리 딜 데이터로 돌려 배수가 2배 미만이면 우리 시장은 아직 애플리케이션형에 가깝다고 보고, 팀 축소보다 pod 재설계에 집중합니다.

Quarterly Comp를 돌리려면 분기 시작 3주 전에 세 가지 변화 로그를 한 표로 모읍니다. 우리 제품 릴리스 노트, 주요 모델 출시와 가격 변화, 경쟁사의 가격·기능 변화입니다. 모델·경쟁 로그는 LLM으로 1차 분류할 수 있습니다. 공개 릴리스 노트와 가격 페이지를 주 1회 수집해 아래 형식으로 뽑고, temperature 0으로 두 모델에 같은 입력을 넣어 quota_impact 판정이 갈리는 항목만 사람이 봅니다. 분기마다 무작위 10건을 사람이 다시 분류해 일치율이 90% 아래면 프롬프트와 분류 기준을 고칩니다. 수집 날짜(checked_at)를 꼭 남깁니다. 보상 재설정 판정은 사람이 합니다. 예를 들어 핵심 제품군의 시장 가격이 15% 넘게 움직였거나 새 경쟁자가 같은 고객군에 들어왔으면 할당량과 가속 구간을 다시 보고, 둘 다 없으면 지난 분기 달성률만 반영해 할당량을 조정합니다.

{
  "event": "경쟁사 B, 추론 단가 30% 인하",
  "date": "2026-09-18",
  "kind": "pricing | capability | competitor | product",
  "affects_segment": ["ai_native"],
  "quota_impact": "down | up | none",
  "comp_action": "가속 구간 하향 검토",
  "checked_at": "2026-10-03"
}

Staffing Floor를 계산하려면 세 활동의 시간을 더합니다. 인바운드 처리(월 문의 건수 × 건당 시간), 아웃바운드(주당 목표 접촉 수 × 접촉당 시간), 확장(관리 고객 수 × 분기 1회 리뷰 시간)입니다. 합계를 1인당 가용 영업 시간(주 40시간 가운데 실제 고객 대면·준비에 쓰는 시간, 보통 25~28시간)으로 나눈 값이 최소 인원입니다. “목표 매출 ÷ 1인당 생산성”으로 나온 인원과 비교해 큰 쪽을 택합니다. 운영 중에는 아웃바운드 접촉 수와 확장 매출 비중을 분기마다 보고, 두 지표가 2분기 연속 떨어지면 인원을 늘리거나 아웃바운드 전담을 두는 쪽으로 판정합니다.

Sales Pod의 기술 인력 시간을 관리하려면 딜 데이터의 fde_hours와 acv_krw로 “FDE 1시간당 ACV”를 계산해 분기별 중위값을 추적합니다. 중위값보다 크게 낮은 딜이 늘면 FDE가 작은 딜에 흩어지고 있다는 뜻이므로, SE가 1차 검증을 맡고 FDE는 일정 금액 이상 딜에만 들어가는 규칙을 둡니다. 애플리케이션형 pod는 CSM 1인당 고객 수와 expansion_90d_krw를 같은 방식으로 봅니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	6주 동안 하는 일
스폰서	CEO 또는 영업 총괄 임원	레이어 판별 결과와 조직안 승인
영업 운영(RevOps)	영업 기획 담당 1명	딜 데이터 정리, 생산성·최소 인원 계산
영업 팀장	팀장 1~2명	담당자 설문, pod 역할 정의
인사·보상(CHRO)	보상 담당 1명	분기 성과급 설계, 취업규칙·노무 확인
기술 영업 리드	SE 또는 구현 조직 리드 1명	FDE·SE 시간 기준과 투입 규칙
재무	재무 담당 1명	보상 시뮬레이션의 비용 상한 확인

시작 전 준비물: 최근 8분기 성사·실패 딜 목록(금액·주기·경쟁자·담당 역할), 현재 보상 계획 문서, 담당자별 활동 로그(미팅·접촉 수) 또는 그에 준하는 설문, 지난 4분기 확장 매출 비중, 주요 모델·경쟁사 변화 로그 초안.

주차	할 일	산출물
1주	딜 데이터에 layer·cycle_days·competitors 채우기	딜 데이터 시트
2주	1인당 생산성 계산, 레이어 판별	생산성 모델, 판별 메모
3주	pod 역할 정의, SE·FDE 투입 규칙 초안	pod 운영안
4주	분기 성과급 초안, 담당자 소득 시뮬레이션	분기 comp 초안
5주	최소 인원 계산, 채용·재배치안	인원안
6주	경영회의 보고, 다음 분기 적용 범위 판정	판정 보고서

담당자 인터뷰 질문(영업 팀장용): 지난 분기에 닫은 딜 가운데 가장 짧은 주기와 가장 긴 주기는 며칠이었습니까? 그 차이는 고객 유형 때문입니까, 우리 쪽 절차 때문입니까? 경쟁자가 셋 이상 붙은 딜에서 승률은 얼마였습니까? 지난 한 달 동안 아웃바운드에 쓴 시간은 몇 시간입니까? 기존 고객 가운데 확장 제안을 한 번도 하지 않은 고객은 몇 곳입니까? 기술 인력이 들어왔더라면 닫았을 딜이 있습니까?

진행 판정 기준(예시): 인프라형 딜의 1인당 생산성이 애플리케이션형의 2배 이상이고 주기가 60일 미만이면, 인프라형 담당자의 할당량을 올리고 pod에 SE·FDE를 붙이는 안을 다음 분기에 적용합니다. 배수가 2배 미만이면 할당량은 그대로 두고 pod 재설계와 분기 comp만 먼저 적용합니다. 어느 경우든 최소 인원 계산이 현재 인원보다 크면 축소 논의를 멈춥니다.

AX 적용 제언. 이 글이 가장 쓸모 있는 곳은 AI 솔루션을 직접 파는 국내 소프트웨어 기업과 SI 기업의 AI 사업부, 그리고 제조·금융 대기업 안에서 AI 서비스를 사업화하는 신사업 조직입니다. 세 곳 모두 영업 인원을 이전 세대 SaaS 기준으로 정하기 쉽습니다. 순서는 레이어 판별 → 1인당 생산성 모델 → pod 설계 → 분기 comp가 무난합니다. 보상 주기를 바꾸는 일은 CHRO 소관이므로 영업 총괄과 인사가 처음부터 함께 들어가야 하고, 국내에서는 연 단위 연봉 계약과 변동 성과급을 분리해 성과급만 분기 단위로 돌리는 설계가 현실적입니다. 판정 보고서에 재무가 보상 비용 상한을 함께 서명하게 하면 다음 분기 적용이 막히지 않습니다.

원문 사례

항목	내용
발표처	Tomasz Tunguz 블로그(2026.10.22), Theory Ventures Office Hours 대담 정리
대담 상대	Bardia Shahali, Granola VP of Sales. 이전 Fireworks AI 영업팀 구축
전제	AI 시장은 인프라(모델·추론)와 애플리케이션 두 레이어로 나뉘고, 영업 조직도 다르다
수치	Fireworks 약 $3M → 약 $400M(지표 미명시), 8자리 계약을 2주 안에, 1인당 할당량은 기존의 몇 배, 모델 성능 정점 약 45일 주기
보상	연 단위 → 분기 단위. 이유: 제품 변화, 모델 주기, 경쟁 구도
인원	너무 작은 팀은 아웃바운드와 확장을 놓침
pod	인프라: AE + SE + FDE / 애플리케이션: AE + CSM(생산성 높고 도입·확장 빠름)
대담 전체(15분)	OTE, 온보딩, 번아웃, 애플리케이션 레이어의 사용량 기반 가격도 다룸(글에는 요지만)
사전 안내 글	2026.10.12 “Sales in the Age of AI”: 팀은 작아지고, 할당량은 SaaS 기준을 크게 벗어나며, 램프가 빠르고, 채용·보상이 바뀐다는 주제 예고

핵심 개념

AE (account executive)

고객을 맡아 계약을 닫는 영업 담당.

SE (sales engineer)

기술 질문, 데모, 기술 검증을 맡는 기술 영업.

FDE (forward-deployed engineer)

고객 현장에 들어가 제품을 실제로 구현하고 붙이는 엔지니어.

CSM (customer success manager)

계약 뒤 도입을 이끌고 사용을 넓혀 확장 매출을 만드는 고객 담당.

OTE (on-target earnings)

할당량을 100% 달성했을 때 받는 기본급과 성과급의 합.

inference(추론)

학습이 끝난 모델을 실제로 돌려 답을 내는 일. 인프라 레이어가 파는 핵심 상품.

AI 네이티브 기업

AI 모델 위에서 제품을 만드는 회사. 사용량이 빠르게 커서 인프라 계약이 크다.

usage-based pricing(사용량 기반 가격)

좌석 수가 아니라 실제 사용량에 따라 요금을 매기는 방식.

내 메모

TODO: 내 생각 추가

원문: Tomasz Tunguz, “Closing Eight Figure Deals in Two Weeks”(2026.10.22), Theory Ventures Office Hours에서 Bardia Shahali와 나눈 대담 정리. 요약·메커니즘·통념과 다른 주장·사례는 글에 실린 내용을 AX Review가 다시 정리했고, 대담 발언은 글에 인용된 것만 썼습니다. 사전 안내 글 “Sales in the Age of AI”(2026.10.12)로 대담 주제를 함께 확인했으며, 영상 전체는 보지 않았습니다. 기술·현업 디테일, JSON 예시, 생산성 계산, 일정·판정 기준, 인포그래픽, 표는 새로 작성한 것이며 숫자는 가상 예시입니다. 원문 전체와 대담 영상은 저자 블로그에서 볼 수 있습니다.