5~30인 팀이 AI 봇 도입 전에 결정해야 할 4가지 비용, 통제, 데이터, 통합

AI 봇은 도구가 아니라 새로운 의사결정 인프라입니다. Slack이나 Discord에 봇을 한 번 연결하면 팀 메시지가 흘러가는 경로가 영구적으로 바뀝니다. 5인 팀이라도 한 번 운영을 시작하면 도중에 다른 봇으로 옮기는 비용이 만만치 않습니다.

그래서 도입 후 운영하면서 답을 찾는 방식은 위험합니다. 비용이 예상보다 빠르게 누적되거나, 외부 SaaS가 우리 메시지를 학습에 사용하거나, Slack 워크스페이스 통합이 약해 별도 채널에서 봇과 채팅해야 하는 상황이 흔합니다. 한 번 결정을 잘못 내리면 1년 안에 다시 평가하고 옮겨야 하는 부담이 생깁니다.

이 글에서는 5~30인 팀이 AI 봇을 도입하기 전 반드시 결정해야 할 4가지를 정리합니다. 비용 구조, API 통제, 데이터 흐름, 워크스페이스 통합 — 네 가지 축은 도입 직후에는 잘 보이지 않지만 6개월 후 운영 비용과 데이터 위험에 직결됩니다. SMB 의사결정자가 한 시간 안에 검토할 수 있도록 구체적인 비교 기준과 사전 체크리스트를 함께 제시합니다.

AI 봇 비용은 두 가지 모델로 나뉩니다. 첫째는 flat-fee SaaS — 월간 정액으로 사용자당 $20~$30 수준입니다. ChatGPT Team, Notion AI for Work 등이 이 모델입니다. 두 번째는 BYOK(Bring Your Own Key) — 팀이 직접 OpenAI/Anthropic/Google 등의 API key를 발급받아 봇에 연결하는 방식입니다.

flat-fee 모델은 예측 가능성이 장점입니다. 30인 팀이라면 월 $600~$900 수준으로 deterministic 비용이 됩니다. 사용량이 많아져도 가격이 안 오릅니다. 단점은 베이스 가격이 비싸고, 한두 명이 가끔 쓰는 케이스에서도 1인분 fee가 발생한다는 점입니다. 작은 팀일수록 비용 효율이 떨어집니다.

BYOK 모델은 실제 사용량 기반입니다. 10인 팀이 가벼운 검색·요약 용도로 쓰면 월 LLM 비용 $30 내외에서 끝납니다. 봇 자체 구독료 $11~$39과 합쳐도 flat-fee SaaS의 1/10 수준이 가능합니다. 단 토큰 사용량을 통제하지 않으면 비용이 급격히 늘 수 있습니다. 사용량 알림이나 일별 한도 설정이 필수입니다.

5인 미만 팀은 거의 항상 BYOK가 유리합니다. 30인 이상이면 flat-fee의 deterministic 비용이 매력 있을 수 있습니다. 그 사이 규모에서는 직접 한 달 시뮬레이션 후 결정하는 것이 안전합니다.

AI 봇이 회사 인프라가 된 이상, API key 소유와 관리 권한도 결정해야 합니다. flat-fee SaaS는 보통 외부 벤더가 모델 호출 권한을 가집니다. 우리 팀은 어떤 LLM이 호출되는지, 어떤 시점에 사용량 한도가 걸리는지, 비용 청구가 어떻게 발생하는지에 대해 직접 통제할 수 없습니다.

BYOK 모델은 정반대입니다. 팀의 admin이 직접 OpenAI/Anthropic 콘솔에서 API key를 발급하고, 봇 설정에 연결합니다. 사용량 모니터링, 일별 한도, 모델 변경(예: GPT-4o → Claude Sonnet 4.5), 비용 청구처 모두 팀 통제 안에 들어옵니다.

이 결정이 중요한 이유는 두 가지입니다. 첫째, LLM 시장은 빠르게 변합니다. 6개월 전 가장 비싸던 모델이 지금은 절반 가격에 두 배 빠른 모델로 대체되곤 합니다. flat-fee 벤더가 모델 업그레이드 시점을 결정하지만, BYOK는 팀이 직접 모델을 갈아탑니다. 둘째, 사용량 통제 — 새벽에 누군가가 봇을 잘못 호출해 토큰 100만 개를 소모해도 BYOK는 일별 한도로 막을 수 있습니다.

단 BYOK는 admin 역량을 요구합니다. API key 발급, 비용 모니터링, 한도 설정을 누군가 1명이 책임져야 합니다. 5~30인 팀이라면 개발 담당자나 IT 운영자가 자연스러운 역할입니다. 그 역할 부재 시에는 flat-fee가 더 안전한 선택입니다.

AI 봇은 결국 팀 메시지를 읽고 처리합니다. 어떤 메시지가 어디로 전송되고, 어떻게 저장되며, 학습에 사용되는지 — 이 세 가지를 도입 전에 명확히 해야 합니다. 특히 한국 개인정보보호법(개보법)과 EU GDPR을 동시에 고려하는 글로벌 비즈니스라면 더욱 그렇습니다.

flat-fee SaaS의 경우 데이터 흐름이 벤더 정책에 따라 결정됩니다. ChatGPT Team의 Enterprise 플랜은 학습 비사용을 명시하지만, 일부 SaaS는 약관 깊은 곳에 '서비스 개선을 위한 학습'을 허용합니다. 도입 전 약관의 데이터 사용 조항을 명시적으로 확인해야 합니다.

BYOK 모델은 데이터 흐름이 더 단순합니다. 팀 메시지 → 봇 서버 → 팀 API key로 LLM 호출 → LLM 응답 → 봇 서버 → Slack/Discord 응답. 봇 서버가 메시지를 영구 저장하지 않는다면, LLM 벤더(OpenAI/Anthropic 등)의 데이터 정책만 검토하면 됩니다. OpenAI는 API 요청을 30일간 보관 후 삭제하며 학습에 사용하지 않습니다. Anthropic도 유사한 정책입니다.

체크리스트로 정리하면 세 가지 질문이 핵심입니다. (1) 봇 서버는 우리 메시지를 저장하나? 저장한다면 보관 기간은? (2) LLM 벤더는 우리 데이터를 학습에 사용하나? (3) 우리 IP 주소나 워크스페이스 ID가 외부 로그에 남나? 세 질문에 모두 답할 수 있어야 진짜 안심하고 운영 가능합니다.

AI 봇이 어떻게 워크스페이스에 들어오는지도 결정해야 합니다. 크게 두 가지 패턴이 있습니다. 첫째는 Slack/Discord 내 네이티브 통합 — 봇이 워크스페이스의 일원처럼 작동합니다. 멘션(@bot)으로 호출하고, 채널에서 답변이 나오며, 기존 워크플로 안에 자연스럽게 녹아듭니다.

두 번째는 외부 chatbot 페이지 — 별도 URL에서 봇과 대화하고, 결과를 복사해 Slack에 붙여넣는 방식입니다. ChatGPT 웹/앱이 대표적입니다. 통합 비용이 거의 들지 않는다는 장점이 있지만, 팀이 매번 컨텍스트 스위치를 해야 하므로 실제 사용 빈도가 낮아집니다.

5~30인 팀이라면 워크스페이스 내 네이티브 통합이 거의 항상 유리합니다. 이유는 두 가지입니다. 첫째, 사용 빈도 — 별도 URL로 가야 하면 70% 사용자가 첫 주 이후 거의 안 씁니다. 둘째, 컨텍스트 — 봇이 채널 메시지를 읽을 수 있다면 '지난 회의 요약해줘' 같은 명령이 가능합니다. 외부 chatbot은 사용자가 직접 메시지를 복사해야 합니다.

다만 네이티브 통합은 봇이 워크스페이스 권한을 일부 가져야 합니다. Slack의 경우 'Read messages', 'Send messages', 'Read channel history' 같은 scope를 요구합니다. 권한 범위와 그 권한이 어떤 데이터에 접근하는지 도입 시 직접 확인해야 합니다.

네 가지 결정을 다시 정리하면 다음 체크리스트로 압축됩니다.

비용: 우리 팀 규모와 사용 빈도에 flat-fee SaaS와 BYOK 중 어느 쪽이 deterministic 비용이 적은가? 시뮬레이션 1개월치 비용을 산출했나?

통제: API key 관리와 모델 선택 권한을 팀이 갖는 것이 가치 있는가? admin 역할을 누가 맡을 것인가?

데이터: 봇 서버는 우리 메시지를 저장하나? LLM 벤더의 학습 사용 정책은 어떤가? 한국 개보법과 GDPR 컴플라이언스를 확인했나?

통합: 워크스페이스 내 네이티브 통합인가, 별도 URL인가? 봇 권한 범위는 적절한가?

네 가지를 결정하면 실제 후보 봇이 자연스럽게 좁혀집니다. 10인 SMB로서 BYOK + 워크스페이스 네이티브 + 데이터 학습 비사용 정책 + 한국 컴플라이언스를 모두 만족하는 봇을 찾는다면 선택지는 의외로 많지 않습니다.

ARC Slack Bot과 ARC Discord Bot은 위 네 가지 결정의 SMB 권장 답을 제품 default로 설계했습니다. BYOK 모델, 워크스페이스 네이티브 통합, 봇 서버 메시지 비저장, 한국 법인이 운영하는 인프라. AI 봇 도입을 검토 중이시라면 비교 후 결정해보시기 바랍니다.

ARC Slack Bot 자세히 →ARC Discord Bot 자세히 →