Firm Valuation When AI Shapes the Business Model: A Milestone-Based Real-Options Framework for the AI Valuation Uncertainty Problem

기업의 가치를 평가하는 것은 전통적으로 과거를 살펴 미래를 예측하는 문제입니다. 만약 어떤 기업이 제품을 판매하고, 대금을 지급하며, 이익을 창출해 온 긴 역사를 가지고 있다면, 전문가들은 그 수치들을 이용해 그 회사가 내일 무엇이 될지 추정할 수 있습니다. 그들은 기업이 향후 몇 년간 벌어들일 가능성이 있는 돈을 계산하고, 상황이 잘못될 수 있는 위험을 고려하여 그 수치를 조정합니다. 이 방법은 20년 동안 운영되어 온 빵집이나 수십 년 동안 원활하게 가동되어 온 공장과 같이 안정적인 기업에 잘 작동합니다. 그러나 기업이 인공지능을 중심으로 구축될 때는 규칙이 완전히 바뀝니다. 이러한 기업들은 종종 이익의 역사가 없으며, 비즈니스 모델이 실시간으로 재작성되고 있고, 그 가치는 그들이 일련의 어려운 미래 목표들을 성공적으로 달성할 수 있는지 여부에 전적으로 달려 있기 때문입니다. 기업이 이전에 존재하지 않았던 무언가를 만들려고 할 때, 기존의 가치 측정 도구들은 그 계획 안에 숨겨진 구체적인 위험과 기회를 볼 수 없기 때문에 자주 실패합니다.

스위시 AI 연구소(Swissi Institute for AI)와 뉘르팅겐-가이슬링겐 응용과학대학교(University of Applied Sciences Nürlingen-Geislingen)의 새로운 연구는 이러한 기업들을 바라보는 다른 방법을 제안합니다. 연구진은 표준적인 방법들이 인공지능에 적용될 때 모든 복잡한 불확실성을 하나의 불투명한 숫자로 압축해 버리기 때문에 너무 모호하다고 주장합니다. 대신, 연구팀은 일반적인 성장률을 추측하는 대신, 기업의 가치를 일련의 구체적이고 확인 가능한 단계들로 나누는 구조화된 프로토콜을 개발했습니다. 그들은 인공지능을 통합하는 과정을 매끄러운 선이 아니라 '관문(gates)'이 있는 경로로 취급합니다. 각 관문에서 기업은 새로운 소프트웨어 시스템을 작동시키거나, 규제 점검을 통과하거나, 첫 유료 고객을 찾는 것과 같이 특정한 것을 해낼 수 있음을 증명해야 합니다. 기업이 관문을 통과하면 앞으로 나아가며 가치가 상승합니다. 만약 실패한다면 경로는 끝나고 잠재적 가치는 사라집니다. 이러한 관문들을 지도화하고 각 관문에 대한 현실적인 성공 확률을 할당함으로써, 연구진은 가치가 어디에서 오는지, 그리고 위험이 어디에 있는지를 정확히 볼 수 있는 방법을 만들어냈습니다.

이 새로운 접근법의 핵심은 단순하지만 강력한 아이디어입니다. 즉, 인공지능을 사용하는 모든 기업이 다 같지는 않다는 것입니다. 연구진은 기업들을 두 가지 주요 그룹으로 분류하는 분류 체계를 만들었습니다. 첫 번째 그룹은 기존 업무를 개선하기 위해 인공지능을 도구로 사용하는 기업들로, 예를 들어 신용 점수를 더 빠르게 확인하기 위해 컴퓨터 프로그램을 사용하는 은행과 같습니다. 두 번째 그룹은 기업의 전체 제품 자체가 인공지능인 기업들로, 다른 이들에게 팔기 위한 새로운 유형의 스마트 소프트웨어를 구축하는 회사와 같습니다. 첫 번째 그룹 내에서 연구진은 기술이 얼마나 깊게 통합되었는지에 따라 기업을 더 세분화했습니다. 어떤 기업은 웹사이트에 챗봇을 추가하는 것처럼 아주 조금만 사용하지만, 어떤 기업은 운영 전체를 인공지능을 중심으로 재구축하기도 합니다. 연구 결과, 기술 통합이 깊을수록 기업의 가치는 현재의 이익보다는 미래의 가능성에 더 많이 의존하게 되었습니다. 인공지한 지에 발만 살짝 담근 기업은 현재 매출에 기반한 예측 가능한 가치를 가집니다. 하지만 기술을 중심으로 비즈니스를 완전히 재구축한 기업은 본질적으로 미래의 옵션들의 집합체이며, 진짜 가치는 그것이 다음에 무엇을 할 수 있는지에 달려 있습니다.

기업이 각 단계에서 성공할 가능성이 얼마나 높은지 파악하기 위해, 연구진은 추측을 대신하여 전문가들 사이의 구조화된 대화를 도입했습니다. 그들은 기업의 리더들과 외부 전문가들을 포함한 패널에게 성공을 결정짓는 다양한 요인들을 비교하도록 요청했습니다. 이 요인들에는 기술이 실제로 작동하는지, 기업이 이를 운영할 적절한 인력을 갖추고 있는지, 그리고 정부 규제가 진행을 허용할 것인지 등이 포함되었습니다. 전문가들이 이 요인들을 쌍으로 서로 비교하게 함으로써, 시스템은 기업이 다음 단계로 이동할 준비가 되었는지를 반영하는 점수를 생성합니다. 이 점수는 유사한 기술 프로젝트의 실제 데이터와 보정되어 구체적인 확률로 변환됩니다. 이 과정은 최종 가치 평가가 단일한 의견이 아니라, 모든 숫자가 특정 가정으로 거슬러 올라갈 수 있는 투명한 계산임을 보장합니다. 만약 두 전문가가 기업 가치에 대해 의견이 갈린다면, 그들은 이제 자신의 의견 차이가 정확히 어디에 있는지—특정 테스트를 통과할 확률에 관한 것인지, 아니면 그 테스트가 창출할 금액에 관한 것인지—를 짚어낼 수 있습니다.

연구진은 이 새로운 프레임워크를 에너지 포트폴리오를 관리하는 소프트웨어를 만드는 스위스의 한 스타트업에 테스트했습니다. 이 회사는 인공지능 제품을 고객에게 직접 판매하는 회사로, 연구 당시에는 수익 역사가 없는 초기 개발 단계에 있었습니다. 기존의 방법들을 사용했다면, 이러한 기업의 가치를 평가하기 위해서는 미래 성장에 대한 크고 설명되지 않은 추측이 필요했을 것입니다. 새로운 프레임워크를 사용하여, 연구진은 회사가 향ate 2년 동안 도달해야 할 네 가지 주요 마일스톤(이정표)을 지도화했습니다. 이 마일스톤에는 초기 테스트를 위한 시스템 안정화, 유료 파일럿 고객 확보, 첫 반복 매출 발생, 그리고 마지막으로 제품을 동시에 많은 고객에게 판매할 수 있음을 입증하는 단계가 포함되었습니다. 각 단계의 가치와 그 단계에 도달할 확률을 계산함으로써, 그들은 총 기업 가치를 1억 스위스 프랑으로 산출했습니다. 이 숫자는 회사의 내부 추정치와 일치했지만, 새로운 방법은 중요한 사실을 드러냈습니다. 가치의 절반 이상이 마지막 마일스톤에 전적으로 달려 있다는 점이었습니다.

이 발견은 인공지능 분야에서 위험이 어떻게 이해되는지에 대한 중대한 변화를 강조합니다. 연구는 인공지능을 판매하는 기업의 경우, 위험이 여정 전체에 고르게 퍼져 있지 않다는 것을 보여줍니다. 대신, 위험은 후반 단계에 집중됩니다. 초기 단계인 작동하는 프로토타입을 만드는 것은 상대적으로 안전하고 성공할 가능성이 높습니다. 하지만 시장이 제품을 원하는지, 그리고 회사가 규모를 키울 수 있는지를 증명해야 하는 후반 단계는 가장 큰 불확실성을 안고 있습니다. 프레임워크는 만약 마지막 마일스톤이 실패할 경우 회사가 전체 가치의 약 절반을 잃게 된다는 점을 보여줌으로써 이를 명확히 합니다. 이는 위험이 종종 더 고르게 분포되는 전통적인 비즈니스와는 다릅니다. 또한 새로운 방법은 다른 가치 평가 도구들이 흔히 숨기는 비용을 고려합니다. 기술을 구축하는 데 드는 비용과 법규를 준알하는 데 드는 비용을 분리하여, 이러한 비용들이 일반적인 추정치 속에 묻히지 않고 명확하게 계산되도록 합니다.

이 연구는 또한 기업이 재무를 보고하는 방식의 흔한 문제도 다룹니다. 많은 유럽 국가의 회계 규칙은 새로운 기술 개발에 쓴 돈을 비용으로 처리하도록 요구하며, 이는 서류상으로 기업이 손실을 보고 있는 것처럼 보이게 만듭니다. 반면 다른 곳에서는 이러한 지출을 자산으로 기록하여 기업을 더 가치 있게 보이게 할 수 있습니다. 이러한 회계 규칙의 차이는 동일한 두 기업을 투자자들에게 완전히 다르게 보이게 만들 수 있습니다. 새로운 프레임워크는 회계상의 라벨이 아닌 비즈니스의 실제 경제적 실체를 바라봄으로써 이러한 혼란을 우회합니다. 이는 개발에 사용된 돈을 장부에 어떻게 기록하든 상관없이 실제 비용으로 취급하여, 서로 다른 국가나 규칙 하에 있는 기업들 간의 공정한 비교를 가능하게 합니다. 이 접근 방식은 가치 평가가 단순히 장부에 어떻게 적혀 있는가가 아니라, 비즈니스의 진정한 잠재력을 반영하도록 보장합니다.

연구진은 이 연구가 명확하고 논리적인 방식으로 기업 가치를 평가하는 방법을 제공하지만, 이것이 완벽하다는 최종적인 증명이 아니라 새로운 방법의 시연임을 저자들이 주의 깊게 언급하고 있음을 밝힙니다. 그들은 매우 명확한 정보를 가진 단 하나의 기업을 대상으로 프레임워크를 테스트했는데, 이는 이 방법을 적용하기 더 쉽게 만듭니다. 그들은 현실 세계의 상황은 기술 통합 수준이 섞여 있거나 데이터가 덜 명확한 기업들처럼 훨씬 더 복란할 수 있음을 인정합니다. 연구진은 다음 단계로, 이 방법이 이론에서처럼 실제 현장에서도 잘 작동하는지 보기 위해 많은 다양한 기업들에 이 방법을 테스트할 것을 제안합니다. 또한 그들은 인공지능에 관한 규칙이 빠르게 변하고 있으며, 새로운 법안이 통과됨에 따라 프레임워크도 적응해야 한다고 지적합니다. 그러나 핵심 아이디어는 견고합니다. 인공지능의 복잡한 여정을 작고 측정 가능한 단계들로 나눔으로써, 우리는 추측을 멈추고 이 현대적 기업들을 움직이는 동력이 정확히 무엇인지 이해하기 시작할 수 있다는 것입니다.

이 연구의 함의는 단순히 숫자를 계산하는 것을 넘어섭니다. 이는 투자자와 창업자 사이의 대화를 변화시킵니다. 하나의 모호한 수치를 두고 논쟁하는 대신, 이제 그들은 회사가 성공하기 위해 밟아야 할 구체적인 단계들에 대해 논의할 수 있습니다. 만약 투자자가 기업이 너무 위험하다고 생각한다면, 그들은 달성하기 어려울 것이라고 믿는 특정 마일스톤을 지목할 수 있습니다. 만약 창업자가 자신의 기업이 저평가되었다고 생각한다면, 다음 관문에 도달하기 위한 자신의 계획이 투자자가 생각하는 것보다 얼마나 더 탄탄한지를 보여줄 수 있습니다. 이러한 투명성은 양측이 위험과 기회의 진정한 본질을 이해하도록 돕습니다. 또한 규제 기관과 정책 입안자들이 인공지능 산업의 실제 병목 구간이 어디인지 파악하는 데 도움을 줍니다. 가장 어려운 단계가 무엇인지, 그리고 어디에서 가장 많은 가치가 창출되는지를 식별함으로써, 이 프레임워크는 자원을 어디에 투자하고 이 새로운 기술의 성장을 어떻게 지원할지에 대한 결정을 안내할 수 있습니다.

궁극적으로 이 연구는 종종 미스터리에 싸여 있던 분야에 명확성을 가져오는 방법을 제시합니다. 수십 년 동안 기업 가치를 평가하는 것은 경험과 직관에 의존하는 예술과 과학의 혼합이었습니다. 인공지능의 부상과 함께, 기존의 직관은 게임의 규칙이 바뀌었기 때문에 더 이상 충분하지 않습니다. 새로운 프레임워크는 이 새로운 지형을 항해하기 위한 지도를 제공합니다. 이것이 미래를 확실하게 예측할 수 있다고 약속하지는 않지만, 불확실성을 가시화할 수 있다고 약속합니다. 위험이 정확히 어디에 있는지, 그리고 그것을 극복하기 위해 무엇이 필요한지를 보여줌으로써, 모든 관계자가 더 나은 결정을 내릴 수 있도록 합니다. 당신이 다음 대박을 찾는 투자자이든, 새로운 회사를 세우려는 창업자이든, 혹은 경제를 이해하려는 정책 입안자이든, 이 접근 방식은 인공지능 시대의 진정한 가치 구조를 볼 수 있는 길을 열어줍니다. 그것은 블랙박스를 명확하고 이해 가능한 단계들로 바꾸어 놓음으로써, 비즈니스의 미래를 조금 덜 불투명하고 조금 더 알 수 있는 것으로 만들어 줍니다.