AI 활용 비용과 수익화의 간극

Prompt:

6/12/2026, 2:11:14 AM

단순히 토큰 맥싱을 부르짖던 기조가 바뀌고 있다. 예상 이상의 빠른 예산 소모에 주요 테크 기업은 한정된 토큰 만을 구성원들에게 허용하고 있다. 많은 토큰의 소진이 측정 가능한 형태의 성과로 나타나지 않거나 혹은 아직은 측정할 수 없는 수준이고 이것이 CFO가 AI의 활용과 그 경제성에 대해 다시금 생각하는 시간을 갖게 했다. 이것은 AI에 대한 급진적이고 폭발적인 활용을 주문하던 주요 CEO들의 입장과는 다른 것이다. 물론 CEO들의 발언은 AI에 대하여 전폭적인 신뢰를 가졌다기 보다는 비즈니스적인 판단이 깊숙히 들어갔을 가능성이 농후하다.

일반 소비자의 입장에서도 AI의 활용에 의한 수익 창출에 대해 현실적인지를 고민할 단계에 이른 것이 체험된다. 예를 들어 AI의 활용에 의한 소프트웨어의 개발은 가장 쉽게 접근할 수 있는 수익화 통로이지만, 실제 AI는 구현되는 코드는 작성하되 실제 프로덕트 단계의 제품을 당장 만들어 주지는 못하며, 이를 위해 사용자는 상당한 시행착오와 학습을 필요로 하는 것으로 보인다. 비유하자면 시제품은 AI가 쉽게 만들어 주지만 안정적인 대량 생산, 포장, 유통, 홍보는 AI의 도움은 받을 수 있을지언정 여전히 수작업을 필요로 하는 것이다. 이러한 단계는 각각의 도메인에 대한 이해를 필요로 하며, 그것이 어느 곳에서 병목이 발생하면 유효한 수익, AI의 사용 비용을 넘는 수익을 발생시키기 힘든 것으로 보인다.

AI는 모두에게 모두의 관심사에 대하여 쉽게 비용을 눈에 띄게 줄여줄 수 있지만, 앞에서와 같이 경쟁력있는 가치를 만드는 것에는 여전히 수조작이 필요하며 관련 지식과 학습을 요구한다. AI에 의한 비용 감소는 쉬운 만큼 쉽게 고용 인력의 감축을 발생시킬 수 있으나 쉽게 새로운 부가 가치를 만드는 것은 난이도 있는 일이 된다. 다만 이미 수익 모델에 대해 증명가능한 실적과 이해를 가진 집단, 개인은 지속적으로 AI에 대한 비용지불을 정당화할 수 있는 성과를 거둘 수 있는 것으로 생각된다. 이미 자신의 도메인에서 우위를 가진 대상 만이, 이미 안정적인 수익을 충분히 달성하는 대상이 오히려 쉽게 AI를 활용한 성과의 레버리지를 일으킬 수 있으며, 이것은 새로운 불평등에 대한 불안 요소로 지적될 것으로 보인다. 아마도 평범한 다수는 AI의 활용에 의한 고가의 비용지불에 대해서 쉽게 인정할 수 있는 논리를 가지지 못할 것이며, 그것을 깨닫고 공감대가 형성되는 순간이 AI산업의 호황에 일시적인 장애 중의 하나가 될 것으로 보인다.

이에 대해 평가하라.

Response:

6/12/2026, 2:11:14 AM

Exploring AI industry trends and citations

Microsoft limits employee use of Anthropic's Claude Fable 5 over data retention concerns, The Verge reports
As artificial-intelligence capital expenditures rise, so do the risks for AI stocks, Goldman Sachs tells investors
Goldman Sachs says the AI boom is bigger than investors think
AI Cost Statistics 2026: Forecasting, ROI, and Budget Risk
MIT report: 95% of generative AI pilots at companies are ...
千興(2025.TW) 走勢圖
 Why 95% of GenAI projects fail — and why the 5% ...
MIT Finds 95% Of GenAI Pilots Fail Because Companies ...
2025
AI Capex Surges to $700B, Raises ROI Concerns
How CFOs can secure solid ROI from business AI ...
MIT report: 95% of generative AI pilots at companies are ...
MIT: 95% of enterprise AI pilots fail to deliver measurable ROI
Hyperscalers' Capex Above $600 Bn in 2026
Enterprise AI Spending ROI Crisis 2026: $2.59 Trillion and ...
AI Spending Per Employee: The $2068 Benchmark Your ...
The GenAI Divide – State of AI in Business 2025
How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks

Thought for 9s

제시한 논지는 “AI의 기술적 가능성”보다 “AI 사용 비용을 정당화하는 경제적 병목”에 초점을 둔 것으로 보입니다. 최신 기업 지출·ROI 논의와 맞물려 검증해 보겠습니다.

평가하면, 당신의 논지는 상당히 타당하다. 특히 “AI가 비용을 낮추는 것”과 “AI가 새 수익을 만든다는 것”을 분리한 점이 핵심이다. 다만 약간 보완할 부분도 있다. AI 호황의 장애 요인은 “평범한 사용자가 AI 비용을 정당화하지 못하는 순간”만이 아니라, 기업 내부의 ROI 측정 난이도, 토큰 비용 통제, 워크플로우 통합 실패, 인프라 투자 회수 압박이 동시에 누적되는 구조라고 보는 편이 더 정확하다.

1. 핵심 진단은 맞다: ‘토큰 맥싱’은 비용 통제 단계로 넘어가고 있다

최근 논의는 확실히 “많이 쓰면 많이 배운다”에서 “어떤 모델을 어떤 작업에 써야 비용 대비 성과가 나는가”로 이동하고 있다. 마이크로소프트의 사티아 나델라도 내부의 과도한 AI 사용, 이른바 tokenmaxxing 문화를 언급하면서 고성능 모델을 아무 작업에나 쓰지 말고 작업에 맞는 모델을 선택해야 한다는 취지로 말한 것으로 보도됐다. 이는 AI 사용을 장려하던 기업 내부에서도 무제한적 소비가 아니라 비용 효율적 배분이 문제로 떠올랐다는 신호다. (Business Insider)

이 변화는 당연하다. LLM은 전통적 SaaS와 달리 사용량이 늘수록 추론 비용이 계속 발생한다. 특히 에이전트형 코딩 작업은 단순 채팅보다 토큰 소비가 폭증할 수 있고, 최근 연구는 agentic coding task가 일반 코드 질의·코드 채팅보다 훨씬 많은 토큰을 쓰며, 더 많은 토큰 사용이 항상 더 높은 정확도로 이어지지 않는다고 분석했다. 즉 “더 오래 생각하게 하면 더 좋은 결과가 나온다”는 직관은 부분적으로만 맞고, 경제성 관점에서는 위험한 습관이 될 수 있다. (arXiv)

2. 기업 CFO의 회의감은 기술 부정이 아니라 회계적 정상화에 가깝다

당신이 말한 “CFO가 다시 생각하는 시간”은 AI 회의론이라기보다 AI 비용이 일반 예산 관리 대상이 되는 과정으로 보는 편이 좋다. 초기에 AI는 전략·혁신·생존 담론으로 포장되었기 때문에 비용 검증을 우회했다. 그러나 일정 기간이 지나면 CFO 입장에서는 아주 단순한 질문을 던질 수밖에 없다.

“이 지출이 매출 증가, 인건비 절감, 처리시간 단축, 오류율 감소, 고객 유지율 개선 중 무엇으로 증명되는가?”

이 질문에 답하지 못하면 AI는 “전략 투자”에서 “통제되지 않은 소프트웨어 비용”으로 재분류된다. MIT NANDA의 2025년 보고서는 수백억 달러 규모의 기업 GenAI 투자가 있었음에도 상당수 조직이 실질적 수익을 얻지 못했다는 문제를 제기했고, 핵심 원인을 모델 성능 자체보다 조직 내 통합·학습 격차로 봤다. 이 점은 당신의 “시제품은 만들지만 프로덕트화는 별도 문제”라는 진단과 잘 맞는다. (MLQ)

3. “AI는 시제품은 쉽게 만들지만 제품은 쉽게 만들지 못한다”는 비유는 매우 정확하다

소프트웨어 개발을 예로 들면, AI는 다음 영역에서 강하다.

초안 코드 작성, 보일러플레이트 생성, API 사용 예시, 리팩터링 제안, 오류 메시지 해석, 테스트 케이스 초안, 문서화.

하지만 실제 수익화 제품은 다음을 요구한다.

제품 컨셉, 사용자 문제 정의, 유지보수 가능한 아키텍처, 예외 처리, 보안, 배포, 결제, 고객지원, 개인정보 처리, 스토어 심사, 마케팅, 가격 정책, 이탈률 관리.

AI는 첫 번째 묶음을 빠르게 낮은 비용으로 처리하지만, 두 번째 묶음은 여전히 도메인 지식과 운영 능력을 요구한다. 그래서 “AI로 누구나 앱을 만들 수 있다”는 말은 절반만 맞다. 더 정확히는 “AI로 누구나 작동하는 데모를 만들 수 있다”에 가깝다. 제품으로 돈을 버는 단계는 여전히 인간의 기획·검증·운영 능력에 강하게 의존한다.

프로그래밍 분야의 최근 메타분석도 이 점과 크게 어긋나지 않는다. GenAI 코딩 보조는 생산성에 통계적으로 유의미하지만 중간 정도의 효과를 보였고, 효과는 맥락에 따라 크게 달랐으며, 통제된 실험 환경보다 오픈소스·기업 환경에서 효과가 작게 나타나는 경향이 있었다. 즉 AI 코딩 도구는 유용하지만, 현실 업무에서는 통합 비용과 품질 관리 문제가 생산성 향상을 상당 부분 깎아먹는다. (arXiv)

4. 당신의 불평등 진단도 설득력 있다

AI는 “무지한 사람을 곧바로 전문가로 만든다”기보다, 대체로 전문가의 처리량을 늘리고 중급자의 시행착오를 줄이는 도구에 가깝다. 이미 수익 모델, 고객, 배포 채널, 데이터, 브랜드, 운영 체계를 가진 조직은 AI를 붙였을 때 레버리지가 크다. 반대로 아무런 유통망이나 도메인 우위가 없는 개인은 AI로 생산 능력은 얻지만, 판매 능력·신뢰·노출·시장 접근성은 여전히 부족하다.

이 때문에 AI는 평등화 도구인 동시에 불평등 확대 도구가 될 수 있다. 저숙련자에게도 초안 생산 능력을 주지만, 고숙련자에게는 더 큰 증폭 효과를 준다. 예를 들어 숙련 개발자는 AI가 낸 코드를 빠르게 검증하고 고칠 수 있지만, 초보자는 그 코드가 왜 위험한지 모른 채 시간을 소모할 수 있다. 숙련 마케터는 AI로 여러 캠페인을 빠르게 테스트하지만, 초보자는 그럴듯한 문구만 대량 생산하다가 실제 전환율을 만들지 못할 수 있다.

따라서 “AI를 쓰면 누구나 돈을 벌 수 있다”는 대중적 서사는 과장되어 있다. 더 현실적인 명제는 이것이다.

AI는 이미 가치 창출 구조를 가진 사람에게 더 큰 수익률을 주고, 아직 구조가 없는 사람에게는 더 많은 시도 기회를 줄 뿐이다.

5. 다만 “일반 소비자의 각성”만으로 AI 호황이 꺾인다고 보기는 어렵다

여기서 보완이 필요하다. 일반 개인이 “AI 비용을 정당화하기 어렵다”고 느끼는 순간은 분명 소비자용 AI 구독 시장에는 부담이 된다. 하지만 AI 산업 전체의 호황은 개인 구독료만으로 유지되는 것이 아니다. 현재 더 큰 축은 하이퍼스케일러의 데이터센터 투자, 기업용 AI, 클라우드 추론 수요, 반도체·전력 인프라, 소프트웨어 내장형 AI다.

골드만삭스는 AI 관련 자본지출이 시장 예상보다 더 커질 수 있다고 봤고, 2027년 하이퍼스케일러 capex 전망이 1조 달러 이상으로 갈 수 있다는 시나리오도 제시했다. 동시에 이처럼 커지는 투자가 AI 관련 주식의 변동성과 회수 위험을 키운다고 경고했다. 즉 시장의 핵심 문제는 “사람들이 AI를 덜 쓰게 될 것인가”보다 “이 막대한 인프라 투자가 충분한 현금흐름으로 회수될 것인가”에 가깝다. (MarketWatch)

그래서 AI 호황의 장애는 다음 순서로 나타날 가능성이 크다.

첫째, 개인 사용자는 고가 구독을 줄이고 무료·저가 모델로 이동한다. 둘째, 기업은 부서별 무제한 사용을 제한하고 모델 등급·토큰 예산·승인 절차를 만든다. 셋째, CFO는 AI 프로젝트를 “혁신 실험”이 아니라 “ROI 검증 대상”으로 본다. 넷째, 인프라 투자자는 추론 매출과 실제 영업이익이 capex를 따라오는지 따진다. 다섯째, 시장은 AI 수혜 기업과 AI 비용 부담 기업을 구분하기 시작한다.

이 중 셋째와 넷째가 주식시장에는 더 직접적이다.

6. 당신의 논지에서 가장 강한 부분

가장 강한 부분은 AI의 비용절감 효과와 수익창출 효과를 분리한 것이다. 많은 낙관론은 이 둘을 섞는다. “AI가 일을 빠르게 한다”는 것은 사실일 수 있다. 그러나 그것이 곧 “AI가 돈을 벌어준다”는 뜻은 아니다.

비용 절감은 비교적 측정하기 쉽다. 예컨대 고객지원 응답시간 감소, 번역 비용 감소, 문서 작성 시간 감소, 코드 초안 작성 시간 감소는 관찰 가능하다. 반면 수익 창출은 훨씬 어렵다. 좋은 앱을 만들었다고 사용자가 생기는 것이 아니고, 좋은 글을 썼다고 검색 유입이 생기는 것이 아니며, 좋은 이미지나 영상이 만들어졌다고 브랜드가 생기는 것이 아니다. AI가 공급을 폭증시키면 오히려 희소성은 유통·신뢰·브랜드·관계·도메인 권위 쪽으로 이동한다.

이 점에서 당신의 “대량 생산, 포장, 유통, 홍보는 여전히 수작업”이라는 비유는 매우 적절하다. AI 시대의 병목은 생산에서 사라지는 것이 아니라 검증, 차별화, 배포, 신뢰 획득으로 이동한다.

7. 결론: AI 회의론이라기보다 AI 경제성의 선별 국면

나는 당신의 견해를 이렇게 정리하겠다.

AI는 생산비용을 낮추는 데에는 이미 강력하지만, 수익모델이 없는 사용자에게 수익모델 자체를 선물하지는 않는다. 따라서 AI의 보편화는 모두를 동등하게 부자로 만들기보다, 기존에 도메인 우위·유통망·자본·고객·운영능력을 가진 주체의 레버리지를 더 크게 만들 가능성이 높다.

이 판단은 타당하다. 다만 이것이 곧 AI 산업 전체의 붕괴를 의미하지는 않는다. 더 가능성 높은 경로는 무차별적 AI 지출의 축소와 선별적 AI 지출의 확대다. 즉 “AI를 많이 쓰는 기업”이 아니라 “AI를 어디에 써야 돈이 되는지 아는 기업”이 살아남는다. 개인도 마찬가지다. AI를 많이 쓰는 사람이 아니라, 이미 해결할 문제와 도메인 감각을 가진 사람이 더 큰 이득을 얻는다.

따라서 이 국면은 AI의 종말이라기보다 AI 환상의 1차 회계감사에 가깝다. 그리고 그 감사에서 가장 먼저 탈락하는 것은 “AI를 쓰면 누구나 쉽게 돈을 번다”는 대중적 서사일 가능성이 높다.

Sources:

me.hkkim