260210_Agentic AI Writes Code, Rewrites $700 Billion Software Market - Bloomberg Intelligence

(1) AI Agent 개발이 가속화되면서, $700bn 규모의 응용 소프트웨어 시장의 수요 교란이 심화될 전망

(2) Claude Code, Cursor 같은 Agentic 코딩 도구의 발전, Anthropic/Google/OpenAI의 더 강력한 추론 모델, 그리고 데이터와 소프트웨어의 더 쉬운 통합이 배포 속도를 높이고 있기 때문

(3) 우리가 추산하는 자체 "에이전트 구축 활동 지수[Fig. 2]"는 1월에 MoM +26% 상승

(4) 이 지수는 “에이전트 생성 도구가 얼마나 많이 쓰이는지”를 추적해서 만들어짐
■ MCP, LangChain, CrewAI 같은 도구의 PyPI(파이썬 패키지 저장소) 설치량, Claude Code의 NPM[자바스크립트 패키지 저장소) 다운로드량 같은 데이터를 활용
■ PyPI/NPM은 쉽게 말해 ‘개발자들이 라이브러리를 내려받는 앱스토어 같은 곳’

(5) 에이전틱 코딩 램프업 AI가 계획/실행/검증까지 하는 에이전틱 코딩이 빠르게 확산되고 있으며, 사용자 다운로드 흐름상, '25년에 하반기에 변곡점이 이미 시작

(6) Claude Code는 최근 6개월 간, 월 2,000만 이상 다운로드[반면 1H25에는 100만 미만]
■ Claude Code는 커맨드 라인 도구로 Repo 탐색 → 질문 응답 → 수정 제안 → 실행까지 돕고, “프롬프트→프로덕션[빌드/디버그/배포]” 워크플로를 포괄

(7) MCP의 경우에도 다운로드[Fig. 3]가 '25년 12월 6,200만 건으로, 1년 전 8.3만 건 대비 폭증. 이는 Cursor 2.0, OpenAI Codex, Claude Code 같은 에이전트 코딩 릴리스가 MCP 확산의 주요 동인

(8) LangChain은 대표적인 오픈소스 에이전트/오케스트레이션 프레임워크로, 에이전트 개발 활동의 좋은 대리 지표. '25년 12월에는 다운로드가 1억 300만 건으로 1년 전 대비 3.6배까지 증가

(9) 이런 프레임워크는 통합 시간을 줄이고 개발 속도를 높이며, LLM 기반 앱/에이전트 로직을 더 표준화하는데, “한 번 호출로 끝나는 LLM”이 아니라, 다단계/도구사용/데이터인지 시스템을 조율하도록 돕는 것이 핵심

(10) 이렇게 에이전트 구축이 늘어나는 배경에는 코딩 에이전트의 성능 향상, 도구/데이터 접근 능력 개선[필요한 시스템을 더 잘 호출하고 읽고 쓰는 능력], 오케스트레이션[여러 작업을 순서·조건에 맞게 묶어 실행하는 기술] 프레임워크의 발전 등에 기인

(11) 실제 소프트웨어를 개발하는 일은 “코드만 쓰면 끝”이 아니라, 여러 도구를 왔다 갔다 하며 조율하는 작업이 많음

(12) 예를 들어, 개발자는 소스코드 저장소[Repo: 코드가 저장된 곳]와 코드 변경 시 테스트/보안 점검을 자동으로 돌리는 CI[지속적 통합 필요] 시스템을 오가야 함
■ CI는 코드를 바꾸면 자동으로 검사해주는 자동 점검 라인이라고 생각하면 됨

(13) 여기에 더해 1) 문서 작성[Documentation], 2) 설계 명세[Design spec: 무엇을 어떻게 만들지 적어둔 설계 문서], 3) 클라우드 콘솔[Cloud console: AWS/GCP/Azure 같은 관리 화면], 코드 리뷰(Code review: 동료가 코드 변경을 확인·승인), 4) 테스트 러너[Test runner: 테스트를 실제로 실행하는 도구/환경] 등과도 계속 맞물려 돌아가게 됨

(14) 그래서 에이전트가 유용한 지점은, 단순히 글이나 코드 “문장”을 생성하는 것을 넘어서 의존관계가 있는 여러 단계와 도구를 순서대로 실행할 수 있다는 점임

(15) 이를 툴-그래프[Tool-Graph]라고 부르는데, 쉽게 말해 “A가 끝나야 B를 하고, B가 성공해야 C로 넘어가는 ‘작업 흐름도’라고 이해하면 편함

(16) 우리는 앞으로 SaaS가 ‘특화 에이전트’를 배포하는 가장 중요한 유통 채널이 될 가능성이 크다고 판단

(17) 이유는 SaaS 업체들이 AI 에이전트를 비즈니스 업무 흐름[워크플로우] 속에 직접 내장하기 때문

(18) 이 구조는 보통 고객 데이터 위에서 돌아가고, 고객의 실제 업무 프로세스(워크플로우)**에 맞게 동작함

(19) SaaS 업체는 이를 운영하기 위해 UI/관리 화면, 권한[Permissions: 누가 어떤 데이터/기능을 어디까지 할 수 있는지 통제], 관측 가능성[Observability: 에이전트가 무엇을 했고 어디서 실패했는지 로그/지표로 ‘보이게’ 만드는 기능]을 제공

(20) 기업들도 속도는 상대적으로 느리지만, OpenAI, Anthropic, Amazon, Microsoft, Google 같은 플랫폼을 활용해 자사 업무에 특화된 에이전트를 도입하는 방식으로 참여를 넓혀가고 있음

(21) 또한 MCP와 각종 오케스트레이션 프레임워크가 확산되면서 도구 인터페이스[도구를 호출하는 표준 방식], 권한 관리, 감사 가능성[Auditability: 누가/언제/왜/무엇을/어떻게 했는지 나중에 추적·증명할 수 있는 기록 체계] 측면에서 큰 개선이 나타나고 있음

-

[Implication]

(1) AI Agent로 인해, SaaS 시장에 수요 교란[Demand Disruption]이 일어나고 있음

(2) 이는, 응용 소프트웨어에 대한 총수요가 극단적으로 0이 되거나 사라지는 개념은 아님

(3) 구매 대상 변화와 과금 단위[Seat 기반/구독 → 사용량/성과]의 재배치가 핵심

(4) 구매[Buy] → 구축[Build]으로 수요 이동
■ 예를 들어, 업무 자동화 툴이 필요하면 SaaS 제품을 구매하는 게 일반적이었는데, 이제는 에이전트가 발전하면 기존 데이터/시스템 위에 ‘맞춤형 에이전트’를 빠르게 만들어 필요한 기능을 대체
■ 결과적으로 특정 SaaS 카테고리의 신규 구매/업그레이드 수요가 줄거나 지연. 해당 수요는 에이전트 개발 도구[Cursor, Claude Code], 오케스트레이션[LangChain, CrewAI], 모델/플랫폼[OpenAI, Anthropic 등]

(5) 사용자 수[Seat] → 사용량[Usage]
■ 현재 많은 SaaS는 사용자 수[Seats]에 따라 과금하는 구조이지만, 에이전트가 업무를 대신하면 매출 성장의 핵심이었던 Seat 증가가 꺾일 수 있음[특히 자동화]

(6) 짧아지는 구매 사이클, 낮아지는 Retention
■ 에이전트는 도입이 빠르고 실험 비용도 상대적으로 낮아, 빨리 파일럿으로 써보고 ROI가 약하면 사용을 줄이거나 바꾸는[Churn/다운그레이드] 패턴이 늘 수 있음
■ 즉, 수요가 “안정적 구독”에서 더 변동적인 "성과" 중심 니즈로 변화

(7) 즉, 에이전트가 생산적인 일을 하게 하면서 SaaS를 덜 사고, 덜 구독하고 그 기반 스택[파운데이션 모델, API 비용, 오케스트레이션, 데이터/권한/감사/관측 등]에 예산이 이동하는 구조

(8) 좋은 SaaS와 좋지 않은 SaaS에 대한 명확한 기준점은 뭘까?

(9) 일단 Point Solution인가? 아니면, System of Record인가?-가 중요. CRM/ERP/HR처럼 기존의 시스템 위에서 AI Agent가 일을하게 되는 구조[권한/감사 때문에]를 유지할 수 있는지의 여부

(10) 해당 요소가 결국 AI Agent를 내장 시켜 업 셀링을 만들 수 있는 구조로 나아갈 수 있기 때문