Steve Blank의 2026년 글 'Your Startup Is Probably Dead On Arrival'을 출발점으로, 왜 기존 스타트업 공식이 AI 시대에 흔들리는지 역사와 사례, 논문, 실무 체크리스트로 풀어낸다. 고객개발, MVP, 제품시장적합성, 애자일, VC 조달, AI 에이전트, 결과 기반 가격 모델까지 연결해 2026년 창업자가 반드시 다시 물어야 할 질문을 정리한다.
2026년 3월 17일, 실리콘밸리 창업 교육의 핵심 인물인 Steve Blank가 도발적인 제목의 글을 올렸다. Your Startup Is Probably Dead On Arrival. 번역하면 "당신의 스타트업은 아마 도착하자마자 죽어 있다" 정도다.
제목만 보면 겁을 주는 글처럼 보인다. 하지만 핵심은 공포 마케팅이 아니다. Blank가 말하는 죽음은 "팀이 게을러서", "제품을 못 만들어서", "피벗을 안 해서" 생기는 죽음이 아니다. 더 불편한 문제다. 창업자가 믿고 있는 가정 자체가 이미 낡았을 수 있다는 것이다.
그는 한 창업자 Chris의 사례로 글을 시작한다. Chris는 6년 동안 자율 시스템 문제를 풀고 있었다. 기술적으로는 인상적이었다. 기존 항공 플랫폼과 통합도 해냈다. 그런데 그 사이 바깥세상은 크게 바뀌었다. 우크라이나 전쟁 이후 자율 드론과 지상 로봇 영역에 수많은 팀이 뛰어들었고, 방산 스타트업 투자는 몇 년 만에 거대한 시장이 되었다. Blank에 따르면 방산 스타트업 투자는 5년 사이 거의 없던 수준에서 연간 200억 달러 규모로 커졌다. Chris의 기술은 여전히 가치가 있었지만, 처음 세운 사업 가정은 더 이상 같은 사업이 아니었다.
이 이야기가 중요한 이유는 간단하다. 2026년의 스타트업은 더 이상 "좋은 아이디어를 빨리 MVP로 만들고, 고객을 만나고, 피벗하고, VC를 받아 스케일한다"는 2010년대 공식만으로 설명되지 않는다. AI가 코드를 만들고, 에이전트가 업무를 대신하고, 고객은 화면이 아니라 결과를 사고, 투자금은 AI와 방산·자율성·데이터 우위가 있는 곳으로 몰린다.
이 글은 Blank의 글을 한국 독자가 쉽게 이해할 수 있도록 다시 풀어쓴 특집이다. 역사부터 보자. 왜 이런 개념이 나왔고, 무엇이 바뀌었으며, 창업자는 지금 무엇을 다시 질문해야 할까?
DOA는 Dead On Arrival의 약자다. 원래는 병원이나 응급 현장에서 "도착했을 때 이미 사망"이라는 뜻으로 쓰인다. 스타트업에 이 표현을 붙이면 섬뜩하다. 그런데 Blank의 의도는 "스타트업은 하지 말라"가 아니다.
그가 말하는 DOA는 이런 상태다.
스타트업이 죽는 가장 흔한 방식은 드라마틱하지 않다. 서버가 폭발하거나 경쟁자가 갑자기 소송을 거는 일이 아니다. 더 조용하다. 팀은 매주 스프린트를 돌고, 기능은 늘고, 고객 미팅은 계속된다. 그런데 고객의 진짜 문제는 AI 에이전트가 더 싸게 풀기 시작한다. 투자자는 "왜 이게 AI 네이티브 경쟁자에게 먹히지 않나요?"라고 묻는다. 창업자는 대답 대신 로드맵을 보여준다. 그 순간 위험 신호가 켜진다.
Blank의 메시지를 한 문장으로 줄이면 이렇다.
2026년의 창업자는 제품 로드맵보다 먼저, 자신의 오래된 사업 가정을 다시 감사해야 한다.
이 논의를 이해하려면 2000년대와 2010년대 창업론이 무엇을 해결하려 했는지 알아야 한다.
오래전 스타트업도 대기업처럼 계획을 세웠다. 시장 규모를 추정하고, 5개년 매출표를 만들고, 제품을 개발하고, 출시한 뒤 영업했다. 문제는 스타트업이 대기업의 축소판이 아니라는 데 있었다. 대기업은 이미 검증된 비즈니스 모델을 실행한다. 스타트업은 아직 무엇이 맞는지 모른다.
Steve Blank는 이 차이를 고객개발(Customer Development)로 정리했다. 그의 Customer Development Manifesto는 스타트업을 "반복 가능하고 확장 가능한 비즈니스 모델을 찾기 위한 임시 조직"으로 본다. 그래서 사무실 안에 답이 없고, 고객을 만나 가설을 검증해야 한다고 강조했다.
이 관점은 당시에는 혁명적이었다. 제품을 끝까지 만든 뒤 시장에 내놓는 것이 아니라, 고객 문제와 구매 의사를 먼저 검증하라는 말이었기 때문이다.
2007년 Marc Andreessen은 The only thing that matters에서 스타트업의 핵심을 시장으로 돌렸다. 좋은 팀과 좋은 제품도 중요하지만, 실제 수요가 있는 시장이 없으면 아무 소용이 없다는 주장이다. 이 글에서 널리 퍼진 표현이 Product-Market Fit, 즉 제품시장적합성이다.
제품시장적합성은 "좋은 제품"과 다르다. 아주 세련된 제품이라도 시장이 없으면 실패한다. 반대로 완벽하지 않은 제품이라도 고객이 절박하게 원하면 시장이 제품을 끌고 간다.
이 생각은 2010년대 스타트업의 종교처럼 퍼졌다. 창업자는 PMF를 찾아야 했다. PMF 전에는 모든 것이 탐색이고, PMF 후에는 성장이다.
Eric Ries의 린스타트업은 이 흐름을 대중화했다. 핵심은 Build-Measure-Learn, 즉 만들고 측정하고 배우는 순환이다. 완벽한 제품을 오래 개발하지 말고, 최소 기능 제품(MVP)을 만들어 실제 고객 반응을 보며 학습하라는 방식이다.
학계에서도 이 흐름은 연구 대상이 되었다. Shepherd와 Gruber의 2021년 논문 The Lean Startup Framework: Closing the Academic-Practitioner Divide는 린스타트업을 가설 기반 실험과 검증된 학습의 관점에서 정리한다. 초기 비즈니스 모델은 가설들의 묶음이고, 창업자는 그 가설을 실험으로 검증해야 한다는 것이다.
최근에는 이 논의가 AI와 직접 연결되고 있다. 2025년 논문 Artificial Intelligence, Lean Startup Method, and Product Innovations는 린스타트업 방식이 AI를 제품 혁신으로 연결하는 데 어떤 역할을 하는지 분석한다. 또 2026년 논문 Artificial Intelligence in Experimental Approaches는 성장 실험, 린스타트업, 디자인 씽킹, 애자일 같은 실험 기반 방법론이 AI 분석과 자동화로 어떻게 바뀌는지 다룬다. Blank의 문제의식은 이런 연구 흐름과도 맞닿아 있다. 실험은 사라지지 않는다. 다만 실험의 속도와 단위가 바뀐다.
정리하면 2010년대 창업 공식은 다음과 같았다.
이 공식은 틀리지 않았다. 오히려 아주 많은 실패를 줄였다. 문제는 2026년에 이 공식만으로 충분하지 않다는 점이다.
Blank가 말하는 변화는 크게 네 가지다. 개발 비용, 고객 기대, 자본 흐름, 경쟁 속도다.
과거에는 MVP를 만드는 것 자체가 능력의 증거였다. 팀을 꾸리고, 백엔드를 만들고, 프론트엔드를 붙이고, 배포하고, 버그를 고치는 과정이 만만치 않았기 때문이다. 하지만 지금은 다르다.
Google Cloud는 vibe coding 설명에서 자연어로 목표를 설명하고 AI가 코드를 생성·수정·디버그하는 흐름을 소개한다. 같은 문서에서 바이브코딩은 초보자에게 앱 제작 접근성을 높이고, 숙련 개발자에게는 강력한 협업 도구가 된다고 설명한다. Blank 역시 2026년 글에서 AI 코딩 도구 덕분에 MVP가 며칠, 때로는 몇 시간 안에 만들어질 수 있다고 지적한다.
이 말은 좋은 소식이면서 나쁜 소식이다.
좋은 소식은 실험 비용이 낮아졌다는 것. 나쁜 소식은 MVP를 만들었다는 사실만으로는 더 이상 방어력이 없다는 것이다. 누구나 빨리 만들 수 있다면, "우리는 만들 수 있다"는 말은 경쟁력이 아니다.
전통적인 SaaS는 화면을 팔았다. 대시보드, 알림, 리포트, 워크플로 도구를 제공하고 사용자가 그 화면을 보며 일을 했다. 하지만 AI 에이전트가 들어오면 제품의 기준이 달라진다.
Google Cloud의 AI agents 설명에 따르면 AI 에이전트는 목표를 수행하기 위해 추론, 계획, 기억, 도구 사용을 결합한다. 단순히 답을 말하는 챗봇이 아니라, 여러 단계를 거쳐 일을 끝내는 소프트웨어 시스템에 가깝다.
Blank는 이 변화를 "소프트웨어가 인터페이스에서 결과로 이동한다"는 식으로 설명한다. 고객은 더 많은 화면을 원하지 않는다. 고객은 티켓이 해결되고, 미팅이 잡히고, 리드가 검증되고, 재고가 재주문되기를 원한다.
이미 가격 모델도 바뀌고 있다. Intercom의 Fin AI Agent outcomes 문서는 Fin을 좌석 수가 아니라 결과 단위로 과금한다고 설명한다. 고객 문의가 해결되거나 설정된 절차가 성공적으로 수행되면 하나의 outcome으로 계산된다. 이것이 중요한 이유는 명확하다. AI 시대의 제품은 "사용자 한 명당 얼마"가 아니라 "완료된 일 하나당 얼마"로 이동할 가능성이 높다.
자본도 움직였다. OECD는 2026년 2월 발표에서 2025년 전 세계 VC 투자 중 AI 기업이 61%를 차지했다고 밝혔다. 금액으로는 4,271억 달러 중 2,587억 달러다. 또 2025년 AI 투자액의 상당 부분은 1억 달러 이상의 대형 거래에 집중되었다고 설명한다.
Blank의 글도 같은 방향을 가리킨다. 2025년 VC 달러의 약 3분의 2가 AI 관련 딜로 갔고, AI가 아닌 스타트업은 더 작은 자본 풀에서 경쟁해야 한다는 것이다.
여기서 중요한 것은 "AI가 아니면 투자받지 못한다"가 아니다. 더 정확히는 AI 네이티브 경쟁자가 당신의 고객 문제를 더 빠르고 싸게 풀 수 있는지 설명해야 한다는 것이다. AI가 직접 경쟁하지 않는 영역이라도, 투자자는 이제 이 질문을 당연히 한다.
Jobs to Be Done 이론은 고객이 제품 자체를 사는 것이 아니라 어떤 일을 끝내기 위해 제품을 "고용"한다고 본다. 이 관점에서 경쟁자는 같은 카테고리의 제품만이 아니다. 고객이 같은 일을 해결하기 위해 쓰는 모든 대안이 경쟁자다.
AI 시대에는 이 관점이 더 중요해진다. 예전에는 회계 SaaS의 경쟁자가 다른 회계 SaaS였다. 이제는 AI 에이전트가 이메일, 스프레드시트, ERP, 은행 API를 오가며 같은 일을 끝내는 것이 경쟁자가 될 수 있다. CRM의 경쟁자는 다른 CRM뿐 아니라, 영업 메일을 쓰고 미팅을 잡고 리드를 분류하는 에이전트일 수 있다.
그래서 2026년 창업자의 질문은 바뀐다.
Blank의 글은 기존 린스타트업을 폐기하자는 글이 아니다. 오히려 그 반대에 가깝다. 그는 2010년대의 법칙이 여전히 중요하지만, AI 시대에는 더 높은 차원으로 확장되어야 한다고 본다.
| 2010년대 법칙 | 당시 의미 | 2026년 재해석 |
|---|---|---|
| Get out of the building | 고객을 직접 만나 가설을 검증한다 | 인터뷰 + 행동 데이터 + 구매 신호 + AI 사용 패턴을 함께 본다 |
| MVP | 최소 기능으로 학습한다 | MPO: 고객 결과를 실제로 생산하는 최소 단위를 만든다 |
| Agile | 짧은 주기로 순차 개발한다 | AI 에이전트로 가격, 메시지, UX, 워크플로를 병렬 실험한다 |
| Pivot | 학습 후 방향을 바꾼다 | 전략을 계속 재계산한다. 피벗은 이벤트가 아니라 운영 방식이 된다 |
| Product-Market Fit | 제품과 시장의 강한 맞물림을 찾는다 | AI Agent/Customer Outcome Fit: 에이전트가 고객 결과를 끝낼 수 있는지 본다 |
| VC 조달 | 성장 전 자본을 확보한다 | AI 레버리지, 데이터 우위, 방어 가능한 채널 없이는 더 설득하기 어렵다 |
| Scale | 조직과 영업을 키운다 | 모델, 데이터, 신뢰, 조달, 규제 대응까지 함께 확장한다 |
여기서 가장 중요한 단어는 MPO다. 원문에서 Blank는 MVP가 Minimum Productive Outcome으로 이동한다고 말한다. 단순히 "보여줄 수 있는 최소 제품"이 아니라, 고객이 돈을 내는 결과를 최소 단위로 생산하는 것이다.
예를 들어 보자.
| 영역 | MVP식 질문 | MPO식 질문 |
|---|---|---|
| 고객지원 | FAQ 챗봇 데모가 작동하는가? | 사람 개입 없이 실제 티켓을 몇 % 해결하는가? |
| 영업 | CRM 화면에 리드 목록이 보이는가? | 검증된 미팅을 자동으로 몇 건 예약하는가? |
| 제조 | 설비 대시보드가 데이터를 표시하는가? | 고장 전에 정비 결정을 내려 다운타임을 줄이는가? |
| 물류 | 배송 경로 추천 화면이 있는가? | 연료비, 지연, 재배송 비용이 실제로 감소하는가? |
이 변화는 창업자의 일을 더 어렵게 만든다. 하지만 동시에 더 명확하게 만든다. 이제 "우리 제품은 기능이 많습니다"보다 "이 결과를 이만큼 줄입니다"가 더 중요하다.
Chris의 회사는 실패한 기술 회사가 아니었다. 오히려 기술적 통합 능력은 강했다. 문제는 시장의 위치가 바뀐 것이다. 그가 처음 겨냥한 시장은 여전히 느렸고, 인접한 방산·자율성 시장은 폭발적으로 커졌다. 경쟁자도 늘었다. 자본도 그쪽으로 움직였다.
이 사례가 말하는 교훈은 선명하다.
기술적 진척은 사업적 진척과 같지 않다. 6년 동안 좋은 기술을 만들었더라도, 시장 지도가 바뀌면 회사의 다음 질문은 "기능을 더 만들까?"가 아니라 "이 기술을 어떤 고객 결과와 연결할 것인가?"가 된다.
전통적인 고객지원 SaaS는 상담원 좌석 수, 티켓 수, 워크플로 기능으로 가격을 책정했다. 고객은 상담원이 효율적으로 일하도록 화면을 샀다.
그런데 AI 에이전트가 실제 문의를 해결하기 시작하면 경쟁 기준이 바뀐다. Intercom Fin처럼 결과 단위 과금 모델이 등장하면 고객은 이렇게 비교한다.
이 변화는 단순한 마케팅 언어가 아니다. Brynjolfsson, Li, Raymond의 Generative AI at Work는 5,000명 이상의 고객지원 상담원 데이터를 통해 생성형 AI 지원 도구가 생산성과 품질에 미치는 영향을 분석했다. 특히 경험이 적은 상담원의 성과 향상이 두드러졌다는 점은 중요하다. AI가 업무 지식을 흡수하고 배포하기 시작하면, 고객지원 제품의 경쟁 단위는 "좋은 화면"에서 "좋은 해결"로 이동한다.
이 시장에서 "더 좋은 대시보드"를 만드는 스타트업은 위험하다. 고객의 예산은 대시보드가 아니라 해결률로 이동할 수 있기 때문이다.
Blank는 하드웨어 창업자에게도 같은 변화를 적용한다. 하드웨어는 여전히 물리, 공급망, 제조 비용의 제약을 받는다. 하지만 AI는 나쁜 아이디어를 더 빨리 죽일 수 있게 한다. 시뮬레이션, 디지털 트윈, 설계 변형 실험이 쉬워졌기 때문이다.
또 하나의 변화는 제품 자체다. 예전의 카메라는 영상을 찍는 장치였다. AI가 붙으면 감시 시스템, 진동 센서, 고장 예측 시스템, 품질 검사 장치가 될 수 있다. 로봇도 마찬가지다. 로봇 팔은 단순 장비가 아니라 작업을 수행하는 에이전트가 된다.
하드웨어의 해자는 이제 금속과 회로만이 아니다. 무엇을 감지하고, 어떤 데이터를 쌓고, 그 데이터로 어떤 결정을 내리는가가 해자가 된다.
AI 코딩 도구는 MVP 속도를 크게 높인다. 하지만 의료, 금융, 공공, 교육처럼 민감 데이터가 있는 영역에서는 "빨리 만들었다"가 장점이 아니라 위험이 될 수 있다. 데이터 위치, 접근 권한, 감사 로그, 암호화, 위탁 처리 계약, 복구 계획이 빠진 앱은 제품이 아니라 사고 대기 상태다.
이 사례는 Blank의 주장과 연결된다. AI 시대에는 코딩 속도가 병목이 아니다. 병목은 판단, 고객 결과 이해, 신뢰 설계, 배포 책임이다.
가상의 예를 들어보자. 한 스타트업이 영업팀용 리포팅 SaaS를 만든다. 리드 점수, 이메일 템플릿, 콜 로그, 대시보드, 알림 기능이 있다. 2018년이라면 나쁘지 않은 사업일 수 있다.
그런데 2026년 고객은 이미 사내 AI 에이전트에게 이렇게 말할 수 있다.
"이번 주 전환 가능성이 높은 리드 20개를 추려서, 각 리드에 맞는 메일을 쓰고, 답장 가능성이 높은 시간에 보내고, 반응이 있으면 미팅까지 잡아줘."
이때 스타트업의 기능들은 독립 제품이 아니라 에이전트가 호출하는 작은 도구로 흡수될 수 있다. 화면 중심 SaaS가 업무 완결형 에이전트에게 밀리는 전형적 시나리오다.
Blank의 글에서 가장 재미있으면서도 아픈 비유는 "dead moose"다. 원문은 회의실 탁자 위에 있는 거대한 문제를 모두가 보면서도 아무도 말하지 않는 상황을 가리킨다. 스타트업에서는 이것이 sunk cost, 즉 매몰비용과 결합한다.
창업자는 이렇게 말한다.
문제는 이 문장들이 모두 과거를 향한다는 점이다. 매몰비용은 이미 쓴 돈과 시간이다. 의사결정은 앞으로 벌어질 비용과 수익으로 해야 한다. 하지만 사람은 그렇게 잘 못한다. 그래서 죽은 가정이 제품 로드맵 속에서 계속 살아 있는 척한다.
여기서 중요한 점은 모든 과거 투자가 나쁘다는 뜻이 아니라는 것이다. 깊은 도메인 이해, 고객과의 신뢰, 규제 승인, 운영 데이터, 하드웨어 통합 경험은 AI 시대에도 강력한 해자다. 반대로, 누구나 AI 코딩 도구로 다시 만들 수 있는 화면 기능과 일반 코드베이스는 해자가 아닐 수 있다.
아래 도구는 Blank의 질문을 실무자가 빠르게 점검할 수 있도록 만든 간단한 계산기다. 점수가 높게 나와도 "사업을 접으라"는 뜻은 아니다. 어느 가정을 먼저 검증해야 하는지 알려주는 신호로 보면 된다.
점수를 낮추는 가장 빠른 방법은 기능을 더 만드는 것이 아니다. 다음 세 가지를 명확히 하는 것이다.
고객 인터뷰는 여전히 중요하다. 하지만 이제는 말보다 행동을 더 봐야 한다. 고객이 "필요하다"고 말하는 것과 실제로 돈을 내는 것은 다르다. 더구나 AI 시대에는 고객이 임시 해결책을 훨씬 빨리 만든다.
MVP는 "볼 수 있는 것"을 만들기 쉽다. MPO는 "결과가 나는 것"을 만들어야 한다. 그래서 더 어렵지만, 더 강하다.
좋은 MPO는 세 조건을 가진다.
예를 들어 "AI 영업 비서"를 만든다면 MVP는 이메일 작성 화면일 수 있다. MPO는 다르다. 100개의 리드 중 몇 개를 적격 리드로 분류했고, 몇 건의 회신을 만들었고, 몇 개의 미팅을 잡았고, 사람의 개입은 어디서 필요했는지를 보여줘야 한다.
2026년에 일반적인 CRUD, 대시보드, 알림, 리포트 기능은 빠르게 복제된다. 그러면 해자는 어디에 남을까?
| 가능한 해자 | 강한 이유 | 주의할 점 |
|---|---|---|
| 독점 데이터 | 고객 현장에서만 생기는 행동·센서·거래 데이터는 모델 성능을 지속적으로 높인다 | 데이터 권리와 개인정보 처리를 명확히 해야 한다 |
| 도메인 지식 | 현장 예외, 규제, 구매 관행은 일반 모델이 쉽게 알기 어렵다 | 지식이 제품 흐름과 평가 기준에 반영되어야 한다 |
| 신뢰와 규제 승인 | 의료, 금융, 공공, 방산에서는 신뢰가 곧 진입장벽이다 | 초기부터 감사 로그, 권한, 보안 문서를 설계해야 한다 |
| 유통·조달 경로 | 고객에게 반복 접근할 수 있는 채널은 기술만큼 중요하다 | 채널이 특정 파트너 한 곳에 묶이면 위험하다 |
| 운영 피드백 루프 | 사용할수록 결과가 좋아지는 구조는 장기 방어력을 만든다 | 피드백 품질이 낮으면 모델도 잘못 학습한다 |
AI 코딩 도구가 좋아질수록 "몇 명의 개발자가 몇 개월 동안 만들었는가"는 덜 중요해진다. 대신 다음 역량이 더 중요해진다.
개발자가 사라진다는 뜻이 아니다. 오히려 깊은 기술자는 더 중요해진다. 다만 반복 구현만 하는 팀은 줄어들고, 비즈니스 프로세스와 시스템 경계를 함께 이해하는 엔지니어의 가치가 올라간다.
요즘 거의 모든 회사가 AI를 말한다. 그런데 Blank의 글이 중요한 이유는 "우리도 AI 기능을 넣자"보다 훨씬 깊은 질문을 던지기 때문이다.
AI는 기능이 아니라 제품의 정의를 바꾼다.
이 변화가 무서운 이유는 기존 제품의 강점이 약점이 될 수 있기 때문이다. 복잡한 화면, 많은 기능, 긴 설정 과정은 예전에는 "엔터프라이즈급"처럼 보였다. 하지만 에이전트가 일을 끝내는 시장에서는 고객에게 마찰로 느껴질 수 있다.
반대로 작은 스타트업에게는 기회다. 더 적은 인원으로 더 많은 실험을 할 수 있고, 특정 업무 결과에 집중해 기존 대형 소프트웨어의 일부 예산을 가져올 수 있다. 핵심은 AI를 포장지로 쓰지 않는 것이다. AI를 붙인 대시보드가 아니라, AI 때문에 고객의 일이 실제로 끝나는 구조를 만들어야 한다.
Blank의 글을 읽고 겁을 먹을 필요는 없다. 하지만 불편해질 필요는 있다. 특히 2024년 이전에 시작한 스타트업이라면 더 그렇다. 당시에는 합리적이었던 가정이 지금도 합리적인지 확인해야 한다.
다음 순서로 점검하면 좋다.
제품 기능 목록이 아니라 가정 목록을 만든다. 고객은 누구인가, 왜 사는가, 어떤 예산에서 사는가, 대체재는 무엇인가, AI가 어느 부분을 자동화할 수 있는가, 어떤 데이터가 쌓이는가, 어떤 규제와 신뢰 장치가 필요한가를 적는다.
과거 투자를 세 그룹으로 나눈다.
| 분류 | 예시 | 의사결정 |
|---|---|---|
| 계속 가져갈 자산 | 고객 관계, 독점 데이터, 규제 승인, 현장 통합 경험 | 새 방향의 핵심 재료로 재배치 |
| 검증할 자산 | 기존 코드, 일부 기능, 브랜드, 영업 자료 | AI 네이티브 경쟁자와 비교해 유지 여부 판단 |
| 버릴 가능성이 큰 부채 | 느린 릴리스 구조, 좌석 과금만 가능한 모델, 기능 중심 로드맵 | 고객 결과 중심으로 재설계 |
MVP가 "데모 가능한 제품"이라면 MPO는 "결과를 생산하는 최소 시스템"이다. 화면보다 로그가 중요하고, 기능보다 결과 지표가 중요하다. 실험판은 다음을 포함해야 한다.
투자자가 물을 질문은 뻔하다.
"왜 더 큰 AI 네이티브 팀이 이것을 더 빨리 만들 수 없나요?"
이 질문에 대한 대답이 "우리는 열심히 합니다"라면 부족하다. 좋은 대답은 구체적이어야 한다.
Steve Blank의 글은 차갑게 들린다. 하지만 사실 꽤 낙관적인 글이다. 그는 "당신의 스타트업은 끝났다"고 말하는 것이 아니라, 끝난 것은 예전 가정일 수 있으니 지금 다시 보라고 말한다.
2010년대의 린스타트업은 창업자에게 위대한 선물을 줬다. 사무실 안에서 계획만 세우지 말고 고객을 만나라. 완벽한 제품보다 빠른 학습을 하라. 제품시장적합성을 찾아라. 이것은 여전히 맞다.
다만 2026년에는 한 단계 더 가야 한다.
고객을 만나는 것만으로 부족하다. 고객의 AI 사용 패턴과 실제 구매 신호를 봐야 한다. MVP를 만드는 것만으로 부족하다. 고객 결과를 생산하는 MPO를 만들어야 한다. PMF만으로 부족하다. AI 에이전트가 고객 결과를 끝내는 구조를 찾아야 한다. 코드를 많이 쌓는 것만으로 부족하다. 데이터, 신뢰, 유통, 규제, 운영 피드백 루프를 함께 쌓아야 한다.
마지막 질문은 이것이다.
오늘 처음 회사를 시작한다면, 지금 만들고 있는 제품을 같은 방식으로 다시 만들 것인가?
대답이 "아니다"라면 나쁜 소식만은 아니다. 그것을 지금 깨달았다는 것이 오히려 기회다. 죽은 것은 회사가 아니라, 오래된 플레이북일 수 있다.
