Claude Code와 Opus 4.6을 활용한 SaaS 기업의 AI 복원력 분석 실험

실용적 조언

SEC EDGAR API를 활용하여 상장 기업의 최신 공시 자료를 자동으로 수집하는 파이프라인을 구축할 수 있다.
모델 분석 시 편향을 줄이기 위해 기업명과 제품명을 익명화 처리하는 기법을 적용하는 것이 유효하다.

섹션별 상세

SaaS Capital의 프레임워크를 적용하여 기업의 AI 복원력을 세 가지 핵심 차원으로 수치화했다. 기록 시스템(System of Record) 보유 여부, 비소프트웨어 보완재(하드웨어/독점 데이터), 사용자 이해관계(전환 비용)를 기준으로 1~4점의 점수를 부여했다. 평균 점수가 3.0 이상인 기업은 AI로 인한 대체 위험이 낮은 것으로 정의했다.

Claude Code를 기반으로 SEC EDGAR API에서 10-K 보고서를 자동으로 가져오고 익명화하는 파이프라인을 설계했다. 기업명과 티커를 "Company 037"과 같은 식별자로 치환하여 Opus 4.6 모델이 브랜드 편향 없이 순수하게 사업 설명 텍스트만으로 점수를 산출하게 했다. 이 과정은 데이터 수집, 전처리, 스코어링, 결과 취합의 4단계로 작동했다.

text

saas-disruption-scoring/
├── skills/
│   ├── lookup-ciks # Resolves tickers → SEC CIK numbers via EDGAR API
│   ├── pull-10k-filings # Fetches Item 1 (Business Description) from most recent 10-K filing
│   ├── pull-drawdowns # Pulls Jan 2 close price, Feb low, and YTD return per stock
│   ├── anonymize-filings # Strips company name, ticker, product names → "Company_037.txt"
│   ├── compile-scores # Aggregates all scoring results into final CSVs
│   ├── analyze # Correlation analysis, quadrant assignment, contamination delta
│   └── visualize # Scatter plot matrix, ranked charts, 2x2 quadrant diagram
│
├── sub-agents/
│   ├── blind-scorer # Opus 4.6 scores anonymized 10-K on 3 dimensions (SoR, NSC, U&U)
│   ├── open-scorer # Same scoring with company identity revealed (contamination check)
│   └── contamination-checker # Compares blind vs open scores to measure narrative bias

실험에 사용된 Claude Code 파이프라인의 디렉토리 구조와 각 컴포넌트의 역할

44개 기업의 분석 결과를 2x2 매트릭스에 시각화하여 시장의 공포로 인해 주가가 과도하게 하락한 '부당하게 처벌받은' 기업군을 도출했다. 복원력 점수는 높지만 주가 하락폭이 컸던 기업들을 식별함으로써 AI 패닉 셀오프 상황에서의 투자 기회를 탐색했다.

44개 SaaS 기업의 AI 복원력 점수와 주가 변동률을 매핑한 2x2 매트릭스 차트이다. — ChartX축은 AI 복원력, Y축은 주가 하락폭을 나타내며 시장이 과도하게 저평가한 기업들을 시각적으로 분류했다. 이 데이터는 10-K 분석 결과와 실제 시장 가격 사이의 상관관계를 분석하는 핵심 근거로 사용됐다.

실험 과정에서 10-K 보고서의 자기 방어적 서술 특성과 모델의 문맥 유추 가능성이라는 한계가 확인됐다. DocuSign의 경우 보고서상으로는 핵심 기록 시스템으로 분류되어 높은 점수를 받았으나, 실제로는 재구축이 쉬운 서비스라는 점이 지적되며 텍스트 분석의 맹점을 드러냈다.

용어 해설

SaaS 캐피털 프레임워크(SaaS Capital Framework): — SaaS 기업의 AI 복원력을 평가하기 위해 데이터 소유권, 비소프트웨어 보완재, 사용자 이해관계라는 세 가지 차원을 사용하는 평가 체계이다. 각 항목을 1~4점으로 점수화하여 평균 3.0 이상이면 저위험군으로 분류하며, 기업의 기술적 해자(Moat)를 측정하는 지표로 활용된다.
기록 시스템(System of Record): — 비즈니스 프로세스의 핵심이 되는 신뢰할 수 있는 데이터 저장소로, 고객이 이를 대체하기 어렵게 만들어 전환 비용을 높이는 요소이다. AI 시대에 단순한 기능 제공을 넘어 독점적인 데이터를 보유한 기업이 생존에 유리하다는 논리의 근거가 된다.
10-K 보고서(10-K Filing): — 미국 상장 기업이 매년 SEC에 제출하는 연례 보고서로, 사업 내용, 위험 요소, 재무 상태 등 기업에 대한 포괄적인 정보를 포함한다. 이 실험에서는 기업의 주관적 주장이 담긴 '사업 설명(Item 1)' 섹션을 LLM 분석의 원천 데이터로 사용했다.
EDGAR API: — 미국 증권거래위원회(SEC)의 기업 공시 시스템인 EDGAR에 접근하여 데이터를 추출할 수 있게 해주는 인터페이스이다. Claude Code 파이프라인에서 특정 기업의 티커를 기반으로 최신 10-K 보고서를 자동으로 수집하는 데 활용됐다.
익명화 파이프라인(Anonymization Pipeline): — 기업명이나 티커 등 식별 정보를 제거하여 모델이 브랜드 편향 없이 순수하게 비즈니스 모델의 텍스트 데이터만으로 가치를 평가하게 만드는 처리 과정이다. 이를 통해 시장의 정서나 과거의 명성이 아닌 현재의 사업 구조에만 집중한 객관적 평가를 유도한다.

언급된 도구

Claude Code추천

데이터 수집 및 분석 파이프라인 구축

Opus 4.6추천

익명화된 기업 보고서 스코어링 및 분석

SEC EDGAR API추천

10-K 보고서 데이터 추출

언급된 리소스

튜토리얼YouTube 실험 영상 및 방법론 가이드