한 달에 10달러를 내는 고객 두 명이 있다고 하자. 첫 번째 고객은 하루에 한 번 AI에게 짧은 문장을 고쳐 달라고 한다. 두 번째 고객은 에이전트를 연결해 하루 종일 이메일과 문서를 읽고, 코드를 작성하고, 결과가 마음에 들지 않으면 수십 번 재시도한다. 구독 가격은 같지만 공급자가 감당하는 비용은 크게 다를 수 있다.
이 예시는 가상의 고객이다. 그러나 AI 제품을 기획하면서 피하기 어려운 질문을 드러낸다. 이용자가 많이 쓰면 제품에 더 큰 가치를 느낄 수 있지만, 호출량이 늘수록 모델 비용과 도구 실행 비용도 함께 증가한다. 구독형 소프트웨어에 익숙한 사업자는 가입자 수와 월 반복매출을 먼저 보지만, 생성형 AI 서비스는 사용량 분포와 업무 한 번을 완수하는 총비용도 함께 봐야 한다.
Stripe가 소개한 AI 결제 패턴에서는 Replit처럼 기본 구독에 크레딧이나 사용량 과금을 결합하는 사례가 등장한다. 발표자는 Forbes AI 50 기업의 약 3분의 2가 어떤 형태로든 사용량 기반 가격을 도입했다고 설명했다. 이 수치는 발표자가 정한 범주와 시점에 따른 관측치이며 모든 AI 제품의 최적 요금제가 사용량 과금이라는 의미는 아니다. 오히려 무엇에 대해 돈을 받을 것인지 제품별로 달라지고 있음을 보여준다.
AI 요금의 네 층을 따로 계산해야 한다
먼저 모델 호출의 과금 단위가 있다. 입력·출력 토큰, 이미지 생성 횟수, 음성 처리량, 일부 모델의 추론 작업 등이 여기에 해당한다. 비용 계산에서 가장 잘 보이는 숫자라 관리하기 쉽다. 그러나 실제 제품에서는 검색 API, 데이터베이스, 샌드박스, 저장소, 네트워크, 실패 후 재시도 같은 운영 자원이 함께 사용된다.
둘째 층은 사용자에게 요청을 하나 처리해 주는 비용이다. 같은 텍스트 요약 요청이라도 검색을 한 번 하고 끝내는 경우와 문서 30개를 다시 조회하는 경우의 비용이 다르다. 캐시를 사용할 수 있는지, 이전 맥락을 얼마나 반복해서 보내는지, 작은 모델에서 해결할 수 있는 작업까지 큰 모델을 호출하는지가 여기서 드러난다. 모델 공급자의 표시 단가만 비교해서는 처리당 비용을 계산할 수 없다.
셋째는 정상적으로 완료된 업무 한 건의 비용이다. 초안을 여섯 번 생성했는데 사용자가 모두 버리고 일곱 번째 결과만 채택했다면, 공급자가 지불한 비용은 일곱 번의 시도를 포함한다. 성공률과 재시도율을 무시한 '호출당 단가'는 제품 효율을 과대평가한다. 여기에 오류 처리와 사용자 지원, 사람의 검토 시간을 포함할 수도 있다.
마지막은 고객 한 사람에 대한 월간 총비용이다. 고객 획득비용, 결제 수수료, 사용량의 장기 꼬리, 저장·검색·관측 인프라, 유지보수 비용을 포함한다. 매달 일정액을 받는 서비스라면 특히 고객별 사용량 편차가 중요하다. 평균 사용자의 비용이 낮더라도 상위 1%가 훨씬 많은 처리를 요구하면 요금제 전체 수익성을 바꿀 수 있다. 따라서 평균뿐 아니라 중앙값, 90·95·99백분위 사용량을 살펴볼 필요가 있다.
고객 월 지불액 - 결제 수수료 - 모델 및 도구 비용 - 변동 인프라 비용 - 변동 지원 비용은 단순한 공헌이익의 출발점이다. 이를 순이익과 혼동해서는 안 된다. 제품 개발비나 고정 인프라비, 세금, 고객 획득비용까지 제외한 값이 아니다. 비용을 어떤 고객과 업무에 배부하는지에 따라 수치도 달라진다.
프롬프트를 절반으로 줄였다고 품질도 그대로라는 뜻은 아니다
토큰 절약을 실행하는 방법은 생각보다 구체적이다. OutRival의 Alvin Pane 발표는 대규모 전화·문자·이메일 업무를 처리하는 에이전트를 대상으로 프롬프트 캐싱, 지시문 축소, 모델 다운사이징을 순서대로 적용하는 과정을 소개한다. 그가 설명한 HarborBite 사례에서는 지시문 토큰을 51% 줄였다. 같은 발표에서 검토 결과를 회귀 443건과 개선 2,463건으로 분류했다고 밝혔다.
비용이 줄었다는 발표에 443건의 회귀가 함께 등장하는 점이 중요하다. 축약된 지시문이 어떤 유형의 고객 요청에서 실패하는지 봐야만 실제 배포 여부를 결정할 수 있기 때문이다. 숫자만 놓고 개선 사례가 회귀 사례보다 많으니 성공이라고 판단하는 것은 위험하다. 회귀 443건이 하필 결제 취소나 본인 확인처럼 비용이 큰 작업에 몰려 있다면 개수 비교는 의미가 없다. 위험이 다른 사례를 하나의 승패 수치로 압축할 수 없다는 뜻이다.
발표자는 같은 프로덕션 모델에 동일한 입력을 세 번 넣었을 때, 결과가 자기 자신과 일치하지 않는 경우가 약 7%였다고 설명했다. 이는 반드시 오류율 7%를 뜻하지는 않는다. 동일 모델의 결과도 변동할 수 있으므로 다른 모델과 비교해 나온 불일치를 모두 새 모델의 결함이라고 단정할 수 없다는 의미다. 품질 판단에는 기준 모델의 자연 변동, 반복 실행, 핵심 카테고리별 수동 검토, 표본과 신뢰구간이 필요하다.
비용 최적화 순서가 '무조건 가장 싼 모델부터'가 아니어야 하는 이유다. 재시도가 늘거나 업무 성공률이 떨어지면 토큰 단가는 낮아져도 완료당 비용은 높아질 수 있다. 프롬프트 캐싱의 경우 캐시 적중률을, 지시문 축소는 회귀 사례를, 모델 다운사이징은 어려운 요청에서의 실패율을 따로 기록해야 한다. 사용량을 낮추면서도 고객이 기대한 결과를 유지했는지가 핵심이다.
이런 계측을 개발 초기에 붙이는 편이 좋다. 작업 ID로 모델 호출·검색·도구 실행·재시도를 묶고, 프롬프트 버전과 모델 버전, 요청 종류, 처리 결과를 함께 저장한다. 그러면 새로운 모델을 도입했을 때 '호출당 비용 30% 절감'이라는 숫자가 실제 '정상 완료당 비용 10% 증가'를 가리는 상황을 발견할 수 있다. 두 수치는 가상의 예시이며 특정 회사의 실측 데이터가 아니다.
가격을 정할 때 '토큰'보다 고객의 가치를 먼저 봐야 한다
고객은 대개 2만 토큰을 구매하려고 AI 제품에 가입하지 않는다. 글을 완성하거나, 고객 문의를 해결하거나, 개발 작업을 끝내거나, 원하는 이미지를 만들기 위해 돈을 낸다. 내부 원가를 토큰 단위로 관리하더라도 외부 요금제는 고객이 이해하는 가치의 단위에 맞추는 것이 설득력 있다. 예를 들어 '월 200회 문서 검토', '월 100건의 티켓 자동 분류', '기본 플랜 + 추가 처리 크레딧' 같은 방식이다.
물론 고객에게 보이는 '작업 한 회'의 정의가 모호하면 분쟁이 생긴다. 채팅을 한 번 보낸 것을 한 회로 볼 것인가, 최종 산출물을 전달한 뒤 한 회로 볼 것인가. 같은 작업을 수정할 때 추가 결제가 발생하는가. 모델이 실패했을 때 크레딧을 돌려주는가. 외부 데이터 수집이 끊겼을 때 누가 비용을 부담하는가. 이런 조건이 명확해야 가격표가 운영 정책으로 기능한다.
Stripe의 AI 경제 발표는 매출이 빠르게 커진 일부 AI 기업을 사례로 들며, 구독과 사용량 가격을 조합하는 흐름을 소개했다. 이 발표는 Stripe 거래망에 나타난 특정 기업의 데이터를 바탕으로 하므로 AI 산업 전체의 무작위 표본은 아니다. 한편 Stripe 관계자가 공개한 별도 분석은 상위 100개 AI 기업 등 다른 범주와 기간으로 수치를 설명한다. 두 발표의 성장률이 다르다면 먼저 모집단과 측정 기간을 구분해야 한다. 성장률을 하나 골라 전체 시장의 확정적인 숫자로 쓰지 않는 이유다.
성장한 AI 기업에서 사용량 가격이 관찰된다고 해서 작은 제품이 반드시 크레딧 모델로 시작해야 하는 것은 아니다. 처리 비용이 아주 낮고 예측 가능하면 정액제로 제공하는 편이 고객 경험과 전환율에서 유리할 수 있다. 반대로 장시간 에이전트, 이미지·음성 생성, 고가 검색이나 외부 API가 핵심인 제품에서는 무제한 사용을 약속한 뒤 손실이 커질 수 있다. 가격 전략은 기술이 아니라 비용 분포와 고객이 기대하는 결과를 함께 측정해 정해야 한다.
개발팀의 AI 비용에서는 또 다른 착시가 생긴다
제품 판매가 아닌 사내 개발 업무에 AI를 사용할 때도 비슷한 구분이 필요하다. Jellyfish의 Steve Jamison 발표는 관측 집단에서 AI 지출이 전년 동기 대비 60배 늘어나는 동안 엔지니어당 병합 PR은 43% 증가했다고 밝혔다. 발표자가 제시한 2026년 8월 기준 추정에서 PR당 비용의 약 2.5%는 AI 도구, 약 97.5%는 개발자 급여였다. PR당 총비용은 이전 1년보다 26% 낮아졌다고 설명했다.
여기서 'AI 지출이 60배 늘었으니 비용 낭비다'라고 결론 내릴 수도 없고, 'PR당 비용이 26% 낮아졌으니 AI가 그만큼 생산성을 높였다'고 단정할 수도 없다. 후자는 같은 기간 인력, 프로젝트 난이도, 코드 리뷰 방식, 회사 표본 변화 등 영향을 함께 받는다. 무엇보다 PR의 수가 고객 가치를 뜻하지 않는다. 버그가 많은 PR을 여러 건 병합하면 생산량 지표는 올라가도 제품 품질은 떨어질 수 있다.
개발팀이 관리할 수 있는 단위는 기능 출시 후 안정적으로 운영되는 변경 한 건, 장애 없이 끝난 개선 작업 한 건처럼 목적에 가까운 지표다. 여기에 재작업 시간과 리뷰 시간, 자동 테스트 비용, 장애 복구 시간까지 넣으면 '많이 생성했다'는 기록과 '실제로 비용을 절감했다'는 증거가 분리된다.
한국의 AI 사용 한도를 다룬 머니코믹스 영상에서는 데이터센터와 전력, 구축 속도를 공급 병목으로 보는 출연자들의 해석도 소개됐다. 이 진단은 AI 서비스가 이용자 증가에 따라 무한정 낮은 단가를 보장할 수 없음을 보여 주는 관점이다. 다만 특정 업체의 오늘날 메시지 제한이 실제로 어느 설비에 의해 결정됐는지는 그 업체의 공식 안내 없이는 단정할 수 없다. 정책, 제품별 배분, 안전 한도, 공급량이 모두 영향을 미칠 수 있다.
작은 AI 서비스의 가격 검증을 어떻게 시작할까
예를 들어 문서 검토 기능을 가진 작은 웹 앱을 만든다고 가정해 보자. 아래의 숫자는 실제 업계 평균이 아닌 실험용 가정이다. 월 9,900원을 받는 구독자를 모집하고, 기본 플랜에서 문서 검토 30회를 제공한다. 성공적으로 끝난 검토 1회의 모델·검색 변동원가가 100원이라면 30회 모두 사용한 고객에게는 3,000원의 처리비가 발생한다. 이 원가는 실제 모델과 검색 방식, 문서 길이에 따라 달라지므로 출시 전에 측정해야 한다.
여기서 중요한 변수는 가입자가 아니라 한 고객이 실제로 몇 번 검토하는가다. 절반은 5회 미만을 쓰고 일부는 한도를 모두 사용할 수 있다. 한도에 도달했을 때 추가 10회 팩을 구입할 수 있게 할 수도 있지만, 한도가 전환율을 떨어뜨리는지도 시험해야 한다. 상위 사용자의 업무 완료율과 고객 만족도가 가장 높다면 그 고객을 제한하는 것이 장기적으로 불리할 수 있다.
첫 MVP에서는 기능을 많이 늘리는 대신 네 개의 표를 만들면 된다. 첫째, 고객별 요청·완료·재시도 횟수. 둘째, 요청별 토큰과 외부 도구·인프라 원가. 셋째, 요금제별 결제액과 수수료 및 환불. 넷째, 실제 사용자가 업무를 완료했는지와 다시 사용했는지다. 같은 처리 원가가 나와도 유지율과 결제 의향이 낮다면 가격을 올리는 것보다 기능의 유효성을 다시 확인해야 한다.
실험은 사용량 한도를 조정하는 실험과 가격을 조정하는 실험을 분리하는 편이 좋다. 둘을 동시에 바꾸면 고객이 왜 떠났는지 알기 어렵다. 무료 체험 단계에서도 백그라운드 에이전트가 계속 호출하지 않도록 타임아웃·일일 예산·작업별 최대 재시도 횟수를 설정해야 한다. 잘못된 사용자 입력 하나가 과도한 반복 호출을 만들 수 있으므로 작업의 종료 조건은 수익성 관리이자 운영 안정성 정책이다.
경계가 분명한 업무라면 고정 비용으로 고객에게 판매하고, 내부에서는 사용량을 세밀하게 추적하는 구조가 적합할 수 있다. 반면 업무 복잡성이 크게 달라지면 고객이 납득할 수 있는 크레딧·작업량 과금이 필요할 수 있다. 어느 쪽이든 가격표는 비용 계산에서 끝나지 않는다. 고객이 무엇을 성공이라고 생각하는지, 실패했을 때 누가 부담하는지를 계약처럼 명확히 해야 한다.
AI를 서비스에 붙이는 비용은 예전보다 눈에 잘 보인다. 토큰 대시보드와 청구서는 정교해졌다. 그러나 공급자가 돈을 받는 이유는 토큰을 소비했기 때문이 아니다. 고객의 일이 끝났기 때문이다. AI 제품의 경제성을 확인하려면 원가 계측의 분모를 완료된 고객 업무로 옮긴 뒤, 그 결과에 고객이 실제로 얼마를 지불하려 하는지 관찰해야 한다.
출처 및 해석의 한계
- Alvin Pane (OutRival), How to Actually Tokenmaxx and Save Millions, 2026-10-15 원문 정리. 지시문 축소율·회귀/개선 건수는 발표자의 자체 사례이며 일반적인 품질 향상률을 뜻하지 않는다.
- Steve Jamison (Jellyfish), Tokens Are the Cheap Part, 2026-10-14 원문 정리. 비용 및 처리량은 발표자가 소개한 집단의 내부 관측으로 인과관계를 확정하지 않는다.
- Nilofer Rajpurkar (Stripe), Inside the AI Economy, 2026-10-12 원문 정리; Maia Josebachvili, Stripe 관계자의 공개 분석, 2026-09-10. 자료의 표본과 기준이 다른 숫자를 병합하지 않았다.
- 머니코믹스, 돈 내고 쓰는데 왜 막힐까? AI 사용 한도의 진짜 이유, 2026-10-14 원문 정리. 설비 병목은 출연자의 평가이며 특정 서비스의 공식 장애 원인으로 제시하지 않았다.
- 본문에 등장하는 월 9,900원·검토 30회·회당 100원 및 가상 고객 사례는 경제성 계산을 설명하기 위한 예시다. 판매 실적이나 추천 가격이 아니다.