Bain의 통신 AI 비용 경고, 운영비 함정을 드러내다

Bain이 통신 AI 비용에 대해 강한 반전의 경고를 내놨다. 자동화에 대한 지출은 일자리와 업무가 사라진 뒤에도 운영비를 늘릴 수 있다는 것이다. Bain은 AI 에이전트, 토큰, 관련 데이터 서비스가 궁극적으로 통신사업자 비용 기반의 20%에서 30%를 차지할 수 있다고 추정한다.

이 경고는 통신 AI 프로그램의 일반적인 전제를 뒤흔든다. 모델 가격이 낮아지고 수작업이 줄어든다고 해서 운영 예산이 반드시 축소되는 것은 아니다. 사업자가 기존 시스템, 계약, 승인 절차, 인력 워크플로를 유지한다면 AI는 기존 구조 위에 추가되는 또 하나의 비용이 된다.

이러한 충돌이 중요한 이유는 사업자들이 이미 고객 지원, 네트워크 운영, 소프트웨어 엔지니어링, 비즈니스 지원 시스템 전반에 AI를 적용하고 있기 때문이다. AT&T는 모델 라우팅과 오픈 모델을 실험하고 있으며, Microsoft는 특화된 네트워크 에이전트를 홍보하고 있다. Bain의 주장은 사업자가 업무를 중심으로 재설계할 때에만 이러한 도구가 비용 절감으로 이어진다는 것이다.

Bain의 통신 AI 비용 경고가 절감 방정식을 바꾸다

Bain의 핵심 메시지는 통신사업자가 비용 기반의 일부를 AI로 대체할 수도 있고, 대체하려던 비용을 제거하지 않은 채 AI 지출만 추가할 수도 있다는 것이다.

Bain은 2026년 9월 10일 통신 분석 보고서를 발표했다. 보고서는 향후 3~5년간 통신 운영 구조에 일어날 가능성이 높은 변화를 설명한다. AI 에이전트가 더 많은 업무를 수행하거나 지원하는 반면, 사람은 핵심 의사결정에 대한 책임을 계속 맡게 된다.

Bain은 전통적인 지출이 총비용의 70%에서 80%를 차지하고, AI 에이전트·토큰 소비·관련 서비스가 나머지 20%에서 30%를 구성하는 운영 모델을 제시한다.

이 모델 자체가 비용 절감의 예측은 아니다. 사업자가 무엇에 비용을 지불하며, 그러한 지출이 어떻게 작동하는지가 바뀐다는 설명이다.

긍정적인 시나리오에서 AI 비용은 비슷한 비중의 레거시 지출을 대체한다. 사업자는 중복 업무를 없애고, 프로세스를 단순화하며, 불필요한 소프트웨어를 줄이고, 인력 요건을 바꾼다. 총비용은 대체로 안정적으로 유지되는 가운데 속도, 처리 역량 또는 서비스 품질은 개선될 수 있다.

위험한 시나리오는 사업자가 기존 비용 기반을 크게 줄이지 않은 채 동일한 AI 비용을 추가할 때 시작된다. 직원들은 기존 프로세스를 계속 따른다. 소프트웨어 구독은 유지된다. 아웃소싱 계약도 지속된다. AI 어시스턴트는 일부 단계를 처리하지만, 인계 절차나 중복 시스템을 없애지는 못한다.

그 결과 총운영비는 새 AI 계층만큼 증가한다. 생산성, 고객 경험 또는 매출은 그 증가분을 정당화할 만큼 충분히 개선돼야 한다. 그렇지 않으면 사업자는 더 효율적인 조직이 아니라 더 복잡한 조직에 자금을 투입한 셈이 된다.

이 차이는 일반적으로 opex로 줄여 부르는 운영비가 사업 운영과 함께 반복적으로 발생하기 때문에 중요하다. 실패한 자본 프로젝트는 눈에 보이는 자산과 명확한 손상차손을 남길 수 있다. 반면 토큰 사용량, 클라우드 추론, 모니터링, 인적 검토는 부서 전반에 분산된 가변적 월간 비용을 만들 수 있다.

AI 에이전트는 모델 접근 비용 외에도 지출을 유발한다. 이들은 소프트웨어 도구를 호출하고, 저장된 정보를 검색하며, 결과를 평가하고, 맥락을 유지하며, 때로는 실패한 단계를 반복한다. 사업자는 이러한 작업을 둘러싼 인프라와 통제 체계에도 비용을 지불해야 한다.

따라서 Bain은 토큰당 비용을 핵심 지표로 보는 접근을 거부한다. 저렴한 토큰은 자동화된 워크플로가 문제를 해결했는지 보여주지 않는다. 유용한 단위는 고객 문제 해결, 네트워크 장애 처리, 제안서 작성, 소프트웨어 릴리스 완료에 드는 비용이다.

원 보도는 가장 극명한 함의를 포착했다. Bain이 제시한 두 경로 모두 자동으로 총비용을 줄이지는 않는다. 하나는 기존 지출을 AI 지출로 대체하고, 다른 하나는 합산 청구액을 늘린다.

이것이 달라진 점이다. 통신 AI 논의는 더 이상 모델이 업무를 자동화할 수 있는지에만 관한 것이 아니다. 이제 자동화가 불필요하게 만드는 프로세스, 계약, 조직 계층을 사업자가 실제로 폐지할 수 있는지에 대한 재무적 시험이 되고 있다.

더 저렴한 모델도 더 큰 청구서를 만들 수 있다

모델 가격이 하락하더라도 사용량, 워크플로 복잡도, 수요가 토큰당 비용 하락보다 더 빠르게 증가하면 그 중요성은 줄어든다.

Bain은 모델 가격이 매년 약 10배씩 하락했다고 말한다. 이는 AI 지출 감소로 향하는 직접적인 길처럼 보인다. 그러나 낮아진 단가가 더 광범위한 사용, 더 큰 프롬프트, 더 복잡한 추론, 더 오래 실행되는 에이전트를 촉진하는 경우가 많다.

한때 AI로 문서 하나를 요약하던 직원은 이후 전체 사례 이력을 검토해 달라고 요청할 수 있다. 네트워크 팀은 장애 메모 생성에서 진단, 복구, 검증, 에스컬레이션 조정으로 나아갈 수 있다. 이러한 개선은 각각 필요한 맥락, 추론, 도구 사용량을 늘린다.

에이전틱 AI는 이 효과를 증폭한다. AI 에이전트는 하나의 프롬프트에 답하는 대신 일련의 작업을 계획하고 실행할 수 있는 소프트웨어다. 여러 시스템을 참조하고, 실패한 결과를 재검토하며, 하나의 작업을 완료하기 전에 다른 모델을 호출할 수 있다.

이러한 반복은 수용 가능한 결과를 내지 못한 채 토큰을 소모할 수 있다. 반복되는 맥락이 모델 호출 때마다 전송될 수 있다. 여러 가드레일이 같은 출력을 검사할 수 있다. 서로 다른 팀이 독립적으로 설계했기 때문에 두 에이전트가 중복 검사를 수행할 수도 있다.

모델 청구서는 비용의 일부만 포착한다. 프로덕션 워크플로에는 오케스트레이션 소프트웨어, 저장소, 관측성, 평가, 사이버보안 통제, 인적 감독이 필요할 수 있다. 사업자는 추론을 최적화하면서도 이를 둘러싼 더 큰 시스템을 간과할 수 있다.

수요는 또 다른 압박 요인이다. 직원들이 유용한 적용 사례를 발견하면 도입은 여러 사업 부문으로 확산된다. 네트워크 운영과 고객 지원은 대규모 운영 맥락을 포함한 고빈도 워크플로를 갖추고 있어 특히 영향을 받기 쉽다.

팀은 일상 업무에도 최신 추론 모델을 기본값으로 사용할 수 있다. 이 모델들은 더 나은 분석을 제공할 수 있지만, 더 긴 추론 사슬은 더 많은 토큰을 소비한다. 작업이 훨씬 더 많은 토큰을 사용한다면 토큰 하나당 비용을 덜 내는 것은 도움이 되지 않는다.

이 패턴은 다른 기술에서 나타나는 반동 효과와 닮았다. 효율성이 개별 활동의 비용을 낮추면 사람들은 그 활동을 더 많이 수행하게 된다. 모든 단위가 더 저렴해지더라도 총소비량은 증가할 수 있다.

통신사업자는 워크로드가 지속적이라는 추가적인 복잡성에 직면한다. 고객 요청, 알람, 티켓, 구성 변경, 사기 점검은 24시간 계속된다. 자동화된 이벤트 하나당 비용이 조금만 늘어나도 네트워크 규모에서는 상당한 금액이 될 수 있다.

따라서 올바른 비교 대상은 한 모델과 다른 모델이 아니다. 사업자는 AI가 적용된 워크플로를 그것이 대체하는 프로세스의 전체 비용 및 결과와 비교해야 한다.

이 계산에는 완료율, 재시도, 에스컬레이션, 오류, 감독, 인프라, 후속 수정이 포함돼야 한다. 또한 더 빠른 복구나 낮은 고객 이탈률처럼 즉각적인 인건비 절감으로 나타나지 않는 가치도 인정해야 한다.

직접 지출이 늘더라도 결과적으로 AI가 유리할 수 있다. 대규모 장애 시간을 단축하는 네트워크 에이전트는 상당한 사업 가치를 만들 수 있다. 더 많은 요청을 해결하지 못하면서 상호작용 시간만 길어지는 챗봇은 반대의 결과를 낼 수 있다.

이 때문에 Bain의 통신 AI 비용 분석은 완료된 작업당 비용에 초점을 맞춘다. 이는 사업자가 낮은 토큰 단가나 높은 도입률을 축하하는 대신 지출을 측정 가능한 결과와 연결하도록 강제한다.

진짜 운영비 함정은 이중 운영 모델이다

AI가 주변부에서 새로운 업무를 수행하는 동안 레거시 조직이 변함없이 계속 운영될 때, AI는 운영비 함정이 된다.

통신사는 깨끗한 시스템에서 출발하는 경우가 드물다. 다수의 기업은 여러 공급업체의 네트워크, 맞춤형 비즈니스 지원 플랫폼, 장기 아웃소싱 계약, 수년간의 확장과 인수를 통해 축적된 소프트웨어를 운영한다.

그 환경에 어시스턴트를 추가하면 한 단계는 더 빨라질 수 있다. 그러나 남은 단계를 자동으로 없애지는 않는다.

AI로 통화를 요약하는 고객 서비스 상담원을 생각해 보자. 요약은 시간을 절약할 수 있지만, 직원은 여전히 인증을 처리하고, 여러 시스템을 검색하며, 승인을 요청하고, 기록을 업데이트하고, 고객의 문제를 해결해야 한다. 사업자는 모든 기반 플랫폼과 조직 간 인계에 계속 비용을 지불한다.

네트워크 운영 어시스턴트도 같은 위험을 만든다. 엔지니어가 기존 모니터링, 티켓팅, 에스컬레이션 프로세스를 계속 사용하는 가운데, AI는 알람을 분류하거나 대응을 권고할 수 있다. AI 출력은 직원이 검토해야 하는 또 하나의 산출물이 된다.

Bain은 이를 이중 운영 모델이라고 부른다. 사람 주도의 워크플로는 그대로 유지되고, AI는 그 주변에서 일부 조각을 수행한다. 근본 프로세스가 바뀌지 않았기 때문에 라이선스, 아웃소싱 비용, 관리 계층, 수작업 통제도 남는다.

엔드투엔드 재설계는 다른 결과를 낳는다. 사업자는 먼저 목표 결과에서 출발해 이를 달성하는 데 필요한 모든 단계를 매핑하고, 어떤 단계가 사라져야 하는지 결정한다. 그러면 AI는 물려받은 복잡성에 덧붙는 대신 더 단순한 프로세스에 참여하게 된다.

Bain은 Vivo의 폐루프 네트워크 운영 작업을 사례로 든다. 컨설팅 업체에 따르면, 이 사업자는 탐지부터 해결까지 이어지는 완전한 프로세스를 재설계했다. AI는 이상을 탐지하고, 가능한 원인을 식별하며, 시정 조치를 수행하고, 결과를 검증하고, 예외 상황을 에스컬레이션할 수 있다.

이 구조는 하나의 분석 단계가 아니라 전체 장애를 겨냥한다. 사람의 주의는 판단이나 개입이 필요한 사례로 이동한다. AI 지출이 상당하게 유지되더라도 수작업 인계가 줄어 해결을 지연시키는 일이 적어지므로 워크플로는 가치를 창출할 수 있다.

하지만 사업자는 공급업체 계약도 재설계의 일부로 다뤄야 한다. 에이전트가 기존에 소프트웨어 좌석, 외부 서비스 제공업체, 아웃소싱 팀을 통해 수행하던 업무를 넘겨받는다면, 그러한 약정은 재검토돼야 한다. 그렇지 않으면 자동화는 기술적 절감은 만들지만 재무적 절감은 만들지 못한다.

인력 계획에도 같은 수준의 주의가 필요하다. 새 프로세스가 작동하기 전에 숙련 직원을 줄이면 서비스 품질과 조직 지식이 약화될 수 있다. 자동화가 성숙한 뒤에도 모든 역할을 그대로 유지하면 중복 비용이 남을 수 있다.

Gartner는 9월 9일 더 광범위한 경고를 더했다. 미래의 일에 관한 전망은 AI 대체로 해고된 직원의 30%가 2029년까지 재고용돼야 할 것으로 예측한다. 이 회사는 인재 파이프라인과 조직 지식이 약화되기 때문에 재고용된 인력의 비용이 더 높아질 것으로 본다.

이 예측은 통신 이외의 산업도 포함하지만, Bain의 압박 테스트를 직접적으로 강화한다. 성급한 감원은 초기 사업 사례를 매력적으로 보이게 할 수 있지만, 이후 채용, 교육, 서비스, 복구 비용을 초래할 수 있다.

목표는 기존의 모든 활동을 보호하는 것이 아니다. 인력 감축을 재설계된 시스템이 작동한다는 증거로 취급하지 않는 것이다.

사업자는 먼저 AI가 목표 워크플로를 수용 가능한 품질과 위험 수준에서 완료할 수 있는지 확인해야 한다. 그 후 검증된 성과를 중심으로 역할, 계약, 승인 절차, 시스템을 바꿀 수 있다. 이러한 순서는 조직 변화를 운영상의 증거와 연결한다.

따라서 운영비 함정은 단순히 비싼 추론 비용의 문제가 아니다. 이는 내일의 자동화 계층 아래에 어제의 비용 기반이 그대로 남아 있는 상태다.

AT&T가 보여주는 토큰 경제학의 실제 모습

AT&T의 대응은 대안을 보여준다. 각 작업에 맞는 모델 역량을 선택하고, 전체 워크플로 비용을 중심으로 오케스트레이션을 설계하는 것이다.

Bain에 따르면 AT&T는 매일 수십억 개의 토큰을 더 효율적으로 처리하는 방법을 검토했다. 이 통신사는 대형 조정 에이전트가 더 작고 전문화된 모델에 작업을 위임할 수 있도록 오케스트레이션을 재설계했다.

Bain이 인용한 AT&T의 설명에 따르면, 이 접근 방식은 비용을 최대 90% 절감하면서 처리량을 세 배로 늘렸다. 이 수치는 독립 감사를 거친 업계 기준치가 아니라 기업의 주장이다. 그럼에도 이는 진지한 비용 통제 전략이 무엇을 최적화하려 하는지 보여준다.

AT&T는 이 접근 방식을 토큰 경제학(tokenomics)이라고 부른다. 여기서 토큰 경제학이란 작업 복잡도, 성능, 비용에 따라 모델 사용량을 운영 자원으로 관리하는 것을 뜻한다.

이 통신사는 배포와 최적화를 더 폭넓게 통제할 수 있다는 이유로 오픈 모델을 검토해 왔다. AT&T의 토큰 경제학 전략은 모든 요청을 가장 큰 가용 모델에 보내는 방식에 의존하지 않는다.

일상적인 분류 작업에는 소형 모델이면 충분할 수 있다. 복잡한 네트워크 진단에는 더 강력한 추론 시스템이 정당화될 수 있다. 조정 에이전트는 모든 단계에서 하나의 비싼 모델을 사용하는 대신 이들 사이로 작업을 라우팅할 수 있다.

이 전략이 중요한 이유는 모델 선택이 흔히 눈에 띄지 않게 이뤄지기 때문이다. 직원들은 익숙한 도구를 선택하고, 개발자는 애플리케이션에 하나의 기본 모델을 설정한다. 파일럿 단계에서는 비용 차이가 작아 보이지만, 사용량이 운영 규모에 도달하면 그 차이는 커진다.

라우팅에도 자체적인 비용과 위험이 따른다. 통신사는 각 작업을 신뢰성 있게 처리할 수 있는 모델이 무엇인지 평가해야 한다. 폴백 규칙, 성능 모니터링, 보안 통제, 그리고 사람이 검토할 명확한 경계가 필요하다.

그럼에도 이런 메커니즘은 더 나은 재무적 질문을 뒷받침한다. 통신사는 필요한 서비스 수준에서 작업을 해결하는 데 어떤 모델, 도구, 인력의 조합이 필요한지 물을 수 있다.

Microsoft의 경험은 유용한 비교 사례를 제공한다. 이 회사의 통신 산업 CTO는 대형 이상 탐지 모델이 상당한 복잡성을 더하면서도 전통적인 통계 기법 대비 개선 효과는 제한적이었다고 말했다. Microsoft는 모든 네트워크 장애를 예측하는 것에서 벗어나, 장애가 발생했을 때 신속히 대응하는 데 초점을 옮겼다.

이 고백은 기술적으로 흥미로운 사용 사례와 재무적으로 유용한 사용 사례를 구분한다는 점에서 가치가 있다. 더 단순한 방법이 거의 비슷한 성과를 낸다면, 더 정교한 모델은 가치를 만들지 못한다.

Microsoft는 네트워크 운영과 비즈니스 지원 시스템에서 여전히 가능성을 보고 있다. 자사의 Network Operations Agent 프레임워크는 텔레메트리, 티켓 처리, 문제 해결, 현장 조정 등의 기능에 특화된 에이전트를 활용한다.

Far EasTone Telecom은 네트워크 운영 센터에서 이 프레임워크를 사용해 왔다. Microsoft의 배포 사례에 따르면, 이 통신사의 네트워크 운영 센터 활동 중 거의 60%가 AI 지원을 받고 있다.

지원된다는 것이 자율 운영을 의미하지는 않는다. Microsoft는 에이전트가 고도화된 운영 워크플로를 지원하는 경우에도 자사 네트워크 변경에 대해 사람의 감독을 유지한다. 이러한 구분은 운영 위험을 제한하지만, 인적 비용의 일부도 유지하게 한다.

이것이 Bain의 통신사 AI 비용 관리에서 핵심적인 상충 관계다. 통신사는 더 큰 자동화를 원하지만, 신뢰성 요건은 평가, 승인, 책임 소재를 요구한다. 감독을 너무 일찍 없애면 장애나 잘못된 조치가 발생할 수 있다. 과도한 감독을 유지하면 경제적 이점이 사라질 수 있다.

AT&T의 접근 방식이 이러한 긴장을 없애는 것은 아니다. 대신 이를 측정 가능하게 만든다. 모델 라우팅, 전용 예산, 작업별 회계를 통해 리더들은 더 큰 자율성이 결과를 개선하는 지점과 단지 사용량만 늘리는 지점을 파악할 수 있다.

실무적 교훈은 모든 통신사가 하나의 아키텍처를 그대로 따라야 한다는 것이 아니다. AI 지출은 도입이 일일 수십억 토큰 규모에 이르기 전에 설계된 통제 시스템을 필요로 한다는 것이다.

비용 절감 서사가 여전히 입증하지 못하는 것

Bain은 유용한 운영 모델을 제시하지만, 그 비율은 통신 산업 전반에서 검증된 절감액이나 손실이 아니라 시나리오다.

70 대 30 구조는 비용이 어떻게 변화할 수 있는지에 대한 추정치다. Bain은 이 예시가 지출의 절대적 변화를 반영하지 않는다고 언급한다. 이를 모든 통신사가 AI에 동일한 비중을 지출하게 될 것이라는 예측으로 해석해서는 안 된다.

통신사마다 네트워크 범위, 인력 구조, 아웃소싱 방식, 규제, 클라우드 전략이 다르다. 한 기업에 맞는 모델이 다른 기업에는 부적절할 수 있다.

완료된 작업의 비용은 선택한 결과 지표에 따라 달라진다. 고객 상호작용은 처리 시간, 해결률, 만족도, 유지율 또는 매출로 측정할 수 있다. 자동화 프로그램은 하나의 지표로는 성공적으로 보이지만 다른 지표로는 부진해 보일 수 있다.

네트워크 사고도 비슷한 문제를 만든다. 더 빠른 진단은 도움이 되지만, 권고안이 정확하고 복구가 성공해야만 의미가 있다. 빠르지만 신뢰할 수 없는 답변을 생성하는 에이전트는 검토와 수정 업무를 늘릴 수 있다.

Bain의 주장은 통신사가 기존 비용을 식별하고 제거할 수 있다는 가정에도 기반한다. 그러나 이는 기술적 문제라기보다 계약 및 조직상의 과제인 경우가 많다. 소프트웨어 계약은 수년간 지속될 수 있다. 규제상 통제는 계속 의무일 수 있다. 외주 기능은 AI가 일부만 처리하는 활동까지 포괄할 수 있다.

수요 불확실성은 전망을 더욱 복잡하게 만든다. 직원들이 더 많은 활용처를 찾으면서 토큰 소비가 가속화될 수 있다. 반대로 거버넌스가 개선되거나, 소형 모델이 성숙하거나, 기존 자동화가 불필요한 AI 호출을 대체하면 소비가 안정될 수도 있다.

혜택은 운영비 항목 밖에서 나타날 수도 있다. 더 높은 네트워크 신뢰성은 이탈률을 낮출 수 있다. 더 빠른 제안서 생성은 영업 역량을 개선할 수 있다. 자동화된 농촌 키오스크는 직원이 상주하는 매장을 유지하기 어려운 시장에 서비스를 제공할 수 있다.

Bain은 농촌 지역의 AI 지원 셀프서비스 키오스크와 관련된 Telia의 파일럿을 언급한다. 이 사례는 경제적 질문을 기존 업무를 줄이는 것에서 이전에는 경제성이 없었던 수요에 서비스를 제공하는 것으로 바꾼다.

이는 단순한 비용 절감 사례가 아니라 성장 사례다. 서비스가 충분한 매출이나 고객 가치를 창출한다면 새로운 AI 지출을 정당화할 수 있다. 모든 프로젝트를 운영비 절감 프로그램으로 취급하면 이러한 차이를 놓치게 된다.

기업들이 이 경고를 활용해 가치 있는 배포를 늦출 위험도 있다. AI 비용은 실제로 존재하지만, 지연, 장애, 반복 업무, 고객 불만도 마찬가지다. 모든 변동비를 피하면 통신사가 해결하려는 비효율이 그대로 유지된다.

더 나은 대응은 비즈니스 성과와 연결된 절제된 실험이다. 파일럿은 품질, 완료 비용, 도입률, 운영 위험을 확인해야 한다. 또한 파일럿이 확장될 경우 정확히 어떤 기존 비용이 사라질 수 있는지도 식별해야 한다.

이 지점에서 개념 증명이 흔히 실패한다. 시연은 모델이 작업을 수행할 수 있음을 보여줄 수 있다. 그러나 조직이 워크플로를 없애거나, 계약을 재협상하거나, 해당 역량을 둘러싼 책임 체계를 바꿀 수 있음을 입증하는 경우는 드물다.

따라서 Bain의 경고를 회의적으로 읽는 방식은 균형 잡혀 있다. 이 분석은 AI가 모든 통신사의 총비용을 늘릴 것이라고 단정하지 않는다. 다만 더 낮은 모델 가격과 인상적인 파일럿만으로는 절감 효과의 충분한 증거가 될 수 없는 이유를 보여준다.

이제 책임은 통신사로 넘어간다. 통신사는 단순한 도입 수치, 토큰 사용량, 인력 발표가 아니라 작업 단위의 경제성을 공개하거나 내부적으로 검증해야 한다.

통신사가 함정에서 벗어나는지 보여줄 세 가지 신호

다음 시험대는 통신사가 AI 사용량을 완료된 성과와 연결하고, 중복 비용을 없애며, 서비스를 약화시키지 않고 검증된 워크플로를 확장하는지 여부다.

첫 번째 신호는 작업 단위 보고다. 통신사는 해결된 고객 사례, 네트워크 사고, 소프트웨어 릴리스, 영업 제안서의 전체 비용을 추적해야 한다. 이 수치에는 모델, 인프라, 평가, 재시도, 도구, 사람의 검토가 포함돼야 한다.

완료 품질이 유지되는 가운데 작업 비용이 내려간다면 Bain의 긍정적 경로는 힘을 얻는다. 토큰 단가는 하락하지만 결과당 총비용이 상승한다면 운영비 함정이 형성되고 있는 것이다.

두 번째 신호는 기존 비용의 가시적인 퇴출이다. 통신사는 성공적인 자동화가 중복 애플리케이션 감소, 프로세스 체인 단축, 외주 계약 개정, 역할 재설계로 이어진다는 점을 보여야 한다.

인력 감축만으로는 충분하지 않다. Gartner의 재고용 전망은 자동화, 교육, 거버넌스가 준비되기 전에 인력을 줄이는 위험을 부각한다. 지속 가능한 절감에는 프로세스 자체의 변화가 필요하다.

통신사가 중복 소프트웨어와 수작업 인계를 줄이고 있다는 증거는 워크플로 재설계에 관한 Bain의 주장을 강화할 것이다. AI 지출과 기존 계약이 모두 계속 늘어난다면 비용 증가 시나리오를 뒷받침하게 된다.

세 번째 신호는 파일럿에서 고가치 운영 워크플로로의 통제된 확장이다. Bain은 비용이 크고 어려운 세 가지 프로세스를 선택해 엔드투엔드로 재설계할 것을 권고한다. 고객 관리, 네트워크 운영, 소프트웨어 제공은 분명한 후보들이다.

성공적인 확장은 단순한 시연 이상의 결과를 내야 한다. 소유권, 허용 가능한 오류율, 사람의 에스컬레이션 규칙, 재무적 책임성을 확립해야 한다. 모든 에이전트에는 지정된 책임자와 측정 가능한 성과가 있어야 한다.

통신사들이 재무 업데이트와 운영 브리핑에서 이러한 프로그램을 어떻게 설명하는지 주목해야 한다. 에이전트 수나 소비된 토큰 수에 대한 주장은 활동을 보여줄 뿐 가치를 보여주지는 않는다. 해결, 복구, 유지, 처리량, 총비용과 연결된 지표는 운영 모델이 바뀌었는지를 보여준다.

향후 몇 달이 통신 AI의 장기 경제성을 확정하지는 못할 것이다. 그러나 경영진이 당면한 회계 과제를 받아들였는지는 드러낼 수 있다.

Bain의 통신사 AI 비용 연구는 통신사에 구체적인 선택지를 남긴다. 기존 워크플로에 보조 기능을 계속 추가할 수도 있고, 측정 가능한 성과를 중심으로 일부 워크플로를 재구축할 수도 있다. 구매자와 직원은 새로운 에이전트가 도입될 때마다 어떤 비용이 사라지는지 물어야 한다. 리더가 그 질문에 답할 수 없다면, 약속된 효율성은 비즈니스 성과가 아니라 비용 전망에 머물게 된다.