Flatter, Engineering-Heavy: 제품에 AI를 넣은 스타트업이 인원 25% 적고 위계가 얕은 이유

AI를 제품 안에 넣은 스타트업은 같은 산업의 다른 스타트업보다 사람이 약 25% 적고, 위계가 반 단계 얕고, 엔지니어 비중이 높습니다. 그런데도 투자자는 비슷한 가치를 매겼습니다. 기존 기업이 이 모양을 따라가려면 직원에게 도구를 나눠 주는 데서 멈추지 말고, 회사가 아는 판단 중 무엇을 제품으로 옮길지부터 정해야 합니다.

요약

Forbes 기고가 John Sviokla는 INSEAD의 김현진(Hyunjin Kim) 교수와 하버드경영대학원의 Rembrand Koning 교수가 2026년 6월 낸 워킹페이퍼 「AI-Native Firms」를 출발점으로 삼습니다. 연구진은 2020~2024년 Y Combinator(YC, 미국 대표 스타트업 액셀러레이터) 기수 약 2,900곳을 봤습니다. 창업자가 프로필에 직접 단 AI 태그로 AI 기업을 가르고, 같은 산업·같은 기수의 비AI 기업과 비교했습니다. 인원·직무·직급·위계는 Revelio Labs의 인력 데이터로, 투자와 기업 가치는 PitchBook으로 쟀습니다.

AI를 제품에 넣은 기업은 인원이 약 25% 적고, 위계가 약 반 단계 얕으며, 엔지니어·과학자 비중이 45%로 비교 기업(36%)보다 높습니다. 신입과 관리자 층도 각각 얇습니다. 그런데 투자자가 매긴 기업 가치는 비슷해서, 직원 1인당 가치는 AI 기업 쪽이 높습니다. 저자는 이 차이를 회사가 가진 지식이 사람의 시간이 아니라 제품 안에 들어 있기 때문이라고 봅니다. 그래서 사모펀드(PE) 같은 기존 기업 소유주에게 인수·보유·매각 단계마다 이 렌즈로 회사를 다시 보라고 권합니다. 다만 대상 기업이 아직 어려서 초기 신호일 뿐이라는 단서를 답니다. 아래에서 이 결과를 만든 메커니즘, 저자가 든 사례, 실제 조직 진단 방법을 차례로 봅니다.

핵심 메커니즘

Product Channel vs Process Channel: 조직 모양을 바꾸는 쪽은 제품 속 AI

연구진은 AI가 조직을 바꾸는 길을 둘로 나눴습니다. Process channel(업무 방식 경로)은 직원이 ChatGPT, Claude, Cursor 같은 도구로 기존 업무를 더 빨리 하는 경로입니다. Product channel(제품 경로)은 AI를 회사가 파는 제품 안에 넣어 일 자체가 제품 속에서 처리되는 경로입니다. 채용 공고를 보면 AI 기업은 특정 AI 도구 이름을 적는 비율이 비AI 기업의 약 2.6배였습니다. 하지만 도구 사용만으로는 인원이 적고 위계가 얕은 이유가 설명되지 않았습니다. 내부 도구 사용을 통제한 뒤에도 AI를 제품에 넣은 기업은 평균 약 10명 적고 위계가 약 0.2단계 얕았습니다. 연구진이 분류한 AI 기업 990곳 중 사람이 하던 일을 대신하는 자율 워크플로 제품이 43%, 변호사·신약 연구자 같은 전문가를 돕는 제품이 24%로, 약 3분의 2가 AI를 제품의 핵심 기능으로 넣었습니다. 기존 기업에 옮기면, 사내 AI 도구 도입률은 조직 모양의 지표가 아닙니다. 고객 업무 중 제품이 끝까지 처리하는 비중을 봐야 합니다.

Cognitive Capital: 판단을 코드로 담아 고객이 직접 돌리는 지식 자산

저자가 쓰는 Cognitive Capital(인지 자본)은 결정을 자동으로 내리고, 구현에 따라서는 돌릴 때마다 나아지는 코드화된 지식을 뜻합니다. 서비스형 조직에서는 고객 요청이 들어오면 누군가 범위를 정하고, 담당자에게 넘기고, 결과를 검토하고, 승인합니다. 지식이 제품에 들어가면 고객이 그 판단을 직접 실행합니다. 중간의 조율·검토·승인 직무가 줄고, 남는 일은 제품을 만들고 고치는 일과 제품이 못 푸는 예외를 처리하는 일입니다. 저자는 이 원리가 스타트업에만 해당하지 않고, 지식 노동을 소프트웨어로 옮기는 모든 회사에 해당한다고 봅니다. 가상 예시로, 보험 대리점의 보장 분석 업무를 생각해 볼 수 있습니다. 상담사가 고객 서류를 받아 분석표를 만들고 팀장이 검토하던 흐름이, 고객이 앱에 서류를 올리면 분석이 나오고 애매한 건만 시니어 설계사가 보는 흐름으로 바뀝니다.

Leaner Shape: 작게, 얕게, 엔지니어 중심으로

INSEAD에 올라온 논문 초록 기준으로 AI 내장 기업은 같은 산업·기수 비교에서 인원이 약 25% 적고, 엔지니어 비중이 약 13% 높으며, 신입과 관리자 비중이 각각 약 15% 낮고, 위계가 약 반 단계 얕습니다. 위계가 얕은 현상은 회사 규모를 통제해도 남았습니다. 회사가 작아서 얕은 것이 아니라는 뜻입니다. 투자 유치액과 기업 가치는 절대액으로 비슷했습니다. CIO Korea가 소개한 논문 수치로는 직원 1인당 투자 유치액이 YC 표본에서 약 12%, PitchBook 표본에서 약 33% 높았습니다. 1인당 기업 가치는 각각 약 30%, 76% 높았습니다. 상담·교육·헬스케어 같은 서비스 분야에서는 AI 기업 인원이 비AI 기업보다 약 70% 적고 위계가 거의 한 단계 얕았습니다. 기존 기업이 목표 조직을 그릴 때 이 수치를 기준점으로 쓸 수 있습니다. 사람 수만 줄어든 것이 아니라 직무 구성과 계층 수가 함께 달라졌습니다.

Coordination Creep: 커지면 다시 붙는 조정 계층

저자가 가장 크게 경계하는 위험입니다. 회사가 자라면 사람 사이를 조율하는 직무가 다시 생기고 얇은 구조가 무너지기 쉽습니다. 연구 대상 기업은 대부분 아직 작아서, 저자는 이 모양이 200명 규모에서도 유지될지 아무도 모른다고 적습니다. 그래서 얇은 구조는 한 번 만들고 끝나는 설계가 아니라 계속 지켜야 하는 운영 규율입니다. 기존 기업에서는 새 직무를 만들 때마다 그 직무의 산출물이 조율·검토인지, 제품이 할 수 있는 일인지를 묻는 관문을 두는 방식으로 옮길 수 있습니다.

Future Back Lens: 소유주가 인수·보유·매각 때 보는 질문

저자는 PE를 비롯한 기업 소유주에게 단계별 점검을 제안합니다. 인수할 때는 회사의 지식 노동 중 제품으로 옮길 수 있는 부분이 있는지, 산출물이 주로 조율과 검토인 직무가 몇 개인지 셉니다. 작고 엔지니어 중심인 경쟁자가 이 회사를 상대로 무엇을 만들지도 상상해 봅니다. 보유하는 동안에는 직원에게 AI 도구를 주는 것보다 어떤 서비스를 소프트웨어로 바꿀지 정하고 그에 맞춰 조직을 다시 짜는 일이 더 중요하다고 봅니다. 엔지니어와 시니어 전문가 쪽으로 무게가 옮겨 가고 계층이 줄어들 것을 예상하라고 합니다. 매각할 때는 채용에 비례하지 않고 개선되는 제품으로 성장하는 구조를 보여 주라고 권합니다. 1인당 매출 상승과 제품이 처리하는 일의 비중이 그 증거입니다. 배경으로 Bain의 2026년 PE 보고서를 인용합니다. 지금은 바이아웃에서 20% 수익을 내려면 연간 EBITDA가 약 12% 자라야 하는데, 10년 전에는 5%면 됐습니다. 저자는 이 성장을 회사가 고유하게 아는 것을 코드로 만드는 데서 찾자고 말합니다.

통념과 다른 주장

저자가 든 사례

서비스 분야의 대비: 같은 일을 7명과 912명이

• 상황: 시험 준비와 심리 상담은 지금까지 사람이 시간을 들여 제공하는 서비스였습니다.
• 한 일: Educato AI는 시험 준비를, Legion Health는 상담을 AI를 넣은 제품으로 제공합니다. Careerist와 Intellect는 각각 강사망과 상담사 풀로 같은 서비스를 합니다.
• 결과: 인원이 Educato AI 7명 대 Careerist 912명, Legion Health 28명 대 Intellect 446명입니다. 논문 사례로 CIO Korea가 소개했고, Forbes 칼럼에는 이 사례가 나오지 않습니다.
• 연결: Product channel과 Cognitive Capital. 판단이 제품에 들어가면 인원이 서비스 물량에 비례하지 않습니다.

S&P Global과 Thomson Reuters: 기존 정보 기업의 같은 길

• 상황: 두 회사는 독점 데이터·콘텐츠와 전문가 판단을 자산으로 삼아 왔습니다.
• 한 일: S&P Global은 Kensho와 Capital IQ 주변 기능으로 데이터 제품에 AI를 넣었습니다. Thomson Reuters는 법률·세무·리서치 도구에 CoCounsel을 넣고 있습니다. 둘 다 고객이 사람을 거치지 않고 회사의 판단을 쓰게 하려는 방향입니다.
• 결과: 조직 변화 수치는 원문에서 밝히지 않았습니다. 저자는 두 회사가 엔지니어 중심의 더 얕은 조직이 될 것으로 예상합니다. 분석가의 전문성이 제품 기능이 되면 분석가는 줄고 엔지니어, 데이터 팀, 소수의 시니어 전문가가 늘어난다는 논리입니다.
• 연결: Future Back Lens. 저자는 제품만 바꾸고 조직을 그대로 두면 두 가지 비용을 다 내게 된다고 경고합니다.

기술 디테일: 우리 회사의 조직 모양을 숫자로 재려면

Leaner Shape 지표를 우리 회사에서 재려면 인사 시스템(HRIS)의 인원 명부부터 뽑습니다. 연구진이 Revelio Labs 데이터로 본 것과 같은 축인 직무(function), 직급(seniority), 상사 관계를 씁니다. 위계 깊이는 manager_id를 따라 대표까지 몇 단계인지 세면 됩니다. 계약직과 외주 인력도 따로 표시해 넣어야 합니다. 빼면 인원이 실제보다 작게 잡힙니다.

{
  "employee_id": "E-1042",
  "function": "operations",
  "seniority": "entry | mid | senior | manager | exec",
  "manager_id": "E-0210",
  "depth_from_ceo": 4,
  "employment": "fte | contractor | outsourced",
  "activity_mix": {"scope": 0.2, "route": 0.3, "review": 0.3, "approve": 0.1, "build": 0.0, "exception": 0.1},
  "classified_by": "llm-v1",
  "run_variance": 0.08
}

Cognitive Capital 후보와 조율 직무를 가르려면 직무 기술서와 최근 3개월 업무 티켓을 LLM에 넣어 위 6개 활동(scope 범위 정하기, route 배분, review 검토, approve 승인, build 제품 개발, exception 예외 처리)에 시간 비중을 매기게 합니다. 구조화 출력으로 위 activity_mix를 받고, temperature 0으로 같은 직무를 3회 돌립니다. 항목별 편차가 0.15를 넘는 직무는 사람이 다시 봅니다(가상 기준). scope·route·review·approve 합이 0.6을 넘는 직무를 조율 직무로 세면, 저자가 인수 시점에 세라고 한 숫자가 나옵니다. 직함만 넣으면 분류가 흔들리므로 직무 기술서나 티켓 같은 실제 업무 흔적을 같이 넣습니다. 모델은 JSON 스키마 출력을 지원하는 범용 LLM이면 충분합니다. 인사 데이터이므로 이름 대신 employee_id만 넘기고, 회사 계약 테넌트 안에서 돌립니다.

Product channel 진척을 재려면 고객 요청 중 사람 손을 거치지 않고 제품 안에서 끝난 비중을 매달 셉니다. 티켓 시스템에 resolved_by 필드(product, human, product_then_human)를 두면 됩니다. 저자가 매각 때 보여 주라고 한 두 지표인 1인당 매출과 제품 처리 비중을 같은 대시보드에 올립니다. 1인당 매출은 계약직·외주를 포함한 인원으로 나눠야 외주로 숫자를 꾸미는 일을 막습니다.

막히는 경우	증상	대응
상사 관계 데이터가 낡음	위계 깊이가 실제와 다름	팀장 확인을 한 번 받고 조직도와 대조
직함 인플레이션	시니어 비중이 부풀려짐	직급 대신 보상 밴드나 결재 권한으로 보정
LLM 분류 편차	같은 직무가 매번 다르게 분류됨	3회 평균, 편차 큰 직무는 인사 담당자 검수
외주로 인원 이동	1인당 매출만 좋아 보임	외주 비용을 인원 환산해 함께 표시

현업 실행 디테일: 누가, 언제, 무엇을

저자가 제안한 점검을 포트폴리오 회사나 사업부 한 곳에서 4주 동안 돌리는 안입니다(가상 예시).

역할	맡는 일
운영 파트너 또는 경영기획	대상 사업부 선정, 이사회 안건 작성
CFO·재무	인원 명부와 매출 대조, 1인당 매출 기준선
CHRO·인사	직무 기술서 정리, LLM 분류 결과 검수
CTO·데이터	분류 파이프라인 운영, 제품화 후보 기술 검토

기간	할 일	산출물
1주	명부·직무 기술서·티켓 로그 수집, 위계 깊이 계산	직무·직급·계층 현황표
2주	LLM으로 활동 비중 분류, 인사 검수	조율 직무 목록과 비중
3주	현업 책임자 인터뷰, 코드화할 판단 후보 선정	제품화 후보 3~5개
4주	지표 확정, 이사회 보고	1인당 매출·제품 처리 비중 목표안

인터뷰 질문

• 고객이 우리에게 돈을 내는 이유가 되는 판단은 무엇이고, 지금 누가 내립니까?
• 그 판단의 규칙이나 사례가 문서·데이터로 남아 있습니까?
• 이 팀이 하루에 하는 일 중 다른 사람의 일을 넘기고, 확인하고, 승인하는 일은 몇 시간입니까?
• 엔지니어 다섯 명짜리 경쟁사가 이 사업에 들어온다면 무엇부터 만들겠습니까?
• 예외 처리는 얼마나 자주 생기고, 누가 맡습니까?

진행 판정 기준(예시): 조율 직무 비중이 30%를 넘고, 판단 규칙이 데이터로 남아 있는 업무가 하나 이상 있으면 제품화 시범으로 넘어갑니다. 판단이 대면 신뢰나 현장 작업에 묶여 있으면 저자가 적용이 약하다고 본 영역이므로 도구 보급 수준에서 멈춥니다.

AX 적용 제언입니다. 한국 기업에서는 그룹사 IT 서비스, 보험·금융의 심사, 컨설팅·회계형 전문 서비스처럼 사람의 판단 시간을 파는 사업이 첫 대상입니다. 순서는 전사 도구 보급과 별도로 사업부 하나를 골라 위 4주 진단을 하고, 제품화 후보 하나로 3개월 시범을 돌리는 것입니다. 이때 스폰서는 CIO가 아니라 사업부장과 CHRO가 함께 맡아야 조직 개편까지 이어집니다. 현장 작업이나 규제가 강한 업무, 대면 신뢰가 핵심인 업무는 뒤로 미룹니다.

원문 사례

항목	내용
원문	Forbes, John Sviokla, 2026.10.30
인용 연구	Hyunjin Kim(INSEAD)·Rembrand Koning(HBS), 「AI-Native Firms」, HBS 워킹페이퍼 26-090·INSEAD 워킹페이퍼 2026/46/STR
표본	YC 2020~2024 기수 약 2,900곳(2,891곳, AI 태그 990곳), PitchBook 미국 벤처 투자 기업으로 확장
조직	인원 약 25%↓(PitchBook 표본 약 12%↓), 위계 약 0.5단계↓, 엔지니어·과학자 45% 대 36%, 신입·관리자 비중 각 약 15%↓
가치	투자 유치액·기업 가치 비슷, 1인당 가치 YC 약 30%↑·PitchBook 76%↑
경로	AI 도구 명시 채용 공고 2.6배(구조 차이는 설명 못 함), 제품 내장 시 약 10명↓·0.2단계↓
사례	Educato AI 7명 대 Careerist 912명, Legion Health 28명 대 Intellect 446명, S&P Global(Kensho·Capital IQ), Thomson Reuters(CoCounsel)
PE 배경	Bain 2026 보고서: 20% 수익에 연 EBITDA 성장 약 12% 필요(10년 전 5%)
단서	초기 신호, 200명 규모 유지 여부 미확인, 물리·규제·대면 신뢰 사업은 효과 작을 수 있음

핵심 개념

AI-native firm

연구에서는 창업자가 YC 프로필에 AI 태그를 단 기업. Forbes 칼럼은 AI를 파는 제품에 넣은 기업이라는 뜻으로 씁니다.

Y Combinator

미국의 대표 스타트업 액셀러레이터. 기수(batch) 단위로 기업을 뽑아 프로필 데이터를 공개합니다.

Revelio Labs

공개 이력 정보로 기업별 인력 구성과 직급을 추정하는 인력 데이터 회사. 연구에서 조직 구조 측정에 쓰였습니다.

PitchBook

비상장 기업의 투자 유치와 기업 가치 데이터베이스.

EBITDA

이자·세금·감가상각 전 영업이익. PE가 기업 가치와 수익성을 볼 때 쓰는 기본 지표입니다.

내 메모

TODO: 내 생각 추가

원문은 Forbes에 실린 John Sviokla의 「Flatter, Faster, Engineering-Heavy: What Owners Can Learn From AI Startups」(2026.10.30)입니다. 요약, 핵심 메커니즘의 연구·저자 주장, 통념과 다른 주장, 사례, 원문 사례 표는 원문과 원문이 인용한 Kim·Koning의 「AI-Native Firms」를 AX Review가 다시 정리한 것입니다. 연구 세부 수치(2,891곳, 990곳, 1인당 가치, 서비스 분야 사례)는 INSEAD 워킹페이퍼 소개 페이지, HBS AI Institute 요약(2026.6.23), CIO Korea 기사(2026.7.9)에서 확인했습니다. 기술·현업 실행 디테일, JSON 예시, 일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했으며 그 안의 필드명과 기준값은 가상 예시입니다. 전체 글은 원문 페이지에서 볼 수 있습니다.