Ramp의 AI 지출, 주요 기업에서 감소하며 하이퍼스케일러 성장 전망에 도전
수년간 기업 AI 사용량이 빠르게 확대됐음에도, AI를 가장 많이 사용하는 기업 고객층에서 Ramp의 AI 지출은 8월 9.7% 감소했다. AI 사용 기업 상위 1%의 직원 1인당 월간 지출은 7,976달러에서 7,205달러로 내려갔다. 여름철 둔화가 한 가지 설명일 수 있다. 그러나 토큰 비용 하락과 더 저렴한 모델에 대한 선호 확대는 더 중요한 설명을 시사한다.
같은 데이터는 기업 도입이 여전히 증가하고 있음을 보여줬지만, 증가 폭은 미미했다. Ramp에 따르면 8월 자사 고객의 56%가 AI 제품을 구매했으며, 이는 7월보다 단 0.4%포인트 높은 수준이다. 도입 둔화와 최대 고객의 지출 감소라는 조합은 인프라 붐의 기반이 된 가정에 의문을 제기한다.
OpenAI와 Anthropic, 그리고 이들의 하이퍼스케일러 파트너는 단가 하락을 상쇄하려면 사용량이 확대돼야 한다. 기업 구매자들은 각 작업을 안정적으로 완료할 수 있는 가장 저렴한 모델을 점점 더 원하고 있다. 더 많은 지능을 판매하는 것과 더 저렴한 결과를 제공하는 것 사이의 차이는 이제 AI 경제의 중심에 놓여 있다.
8월 Ramp AI 지출, 모멘텀 상실
8월의 감소가 중요한 이유는 미래 AI 매출에서 불균형적으로 큰 비중을 차지할 것으로 예상되는 고객층에서 나타났기 때문이다.
Ramp는 7만 개가 넘는 기업의 익명화된 거래 데이터를 기반으로 최신 분석을 수행했다. 이 금융 플랫폼은 AI 구독 및 토큰 사용에 대한 결제를 추적하며, 기업 구매를 직접적으로 보여준다.
9월 AI Index에 따르면 8월에도 도입은 계속 증가했다. 다만 수개월간의 강한 확장 이후 수요에 대한 의문을 제기할 만큼 증가 속도는 둔화됐다.
Anthropic은 Ramp가 측정한 기업 중 43.8%의 도입률을 기록했다. 이는 전월 대비 0.34%포인트 상승한 수치다. OpenAI는 0.09%포인트 상승에 그쳐 39.8%에 도달했다.
이 비율은 각 제공업체에 비용을 지불하는 기업의 비중을 측정한 것이며, 배타적 시장 점유율을 뜻하지는 않는다. 기업은 여러 AI 공급업체의 제품을 동시에 구매할 수 있다. Ramp는 이전에 OpenAI 또는 Anthropic을 사용하는 고객의 52%가 두 서비스를 모두 사용한다는 사실을 확인했다.
더 놀라운 변화는 지출 강도에서 나타났다. 도입 기업 상위 1%의 직원 1인당 월간 AI 지출은 수정된 7월 수치인 7,976달러에서 7,205달러로 하락했다.
Ramp는 이 집단에 포함된 기업 수가 상대적으로 적다고 주의를 당부했다. 따라서 이 추정치는 중간값 기업이나 상위 10%의 수치보다 변동성이 크다. 지연 반영된 거래 역시 Ramp가 7월 결과를 상향 수정하게 만든 요인이었다.
이러한 방법론적 경고는 한 달간의 움직임만으로 지속적인 후퇴의 증거로 단정하는 일을 막는다. 그렇다고 감소의 중요성이 사라지는 것은 아니다. 상위 1%는 모델 제공업체가 확보할 수 있는 매출에서 과도할 만큼 큰 비중을 차지한다.
이들 대규모 도입 기업은 일반적인 기업과 크게 다르다. Ramp의 여름 지출 데이터에 따르면 7월 직원 1인당 월간 AI 지출의 중간값은 11.95달러였다. 상위 10%는 약 650달러를 지출했고, 상위 1%는 7,400달러를 넘었다.
이 격차는 전체 도입률이 왜 오해를 불러일으킬 수 있는지 보여준다. 에이전트, 코딩 시스템, 자동화된 워크플로를 운영 전반에 배치한 기업의 지출 감소는 참여 수준이 낮은 고객 한 곳을 더 확보하는 것으로 대체되지 않는다.
8월은 활동이 부진했던 전례도 있다. Ramp는 2025년 8월부터 10월까지 도입 증가가 거의 없었고, 이후 연말 무렵 다시 확장세가 나타났다고 관찰했다. 엔지니어링 팀은 여름에 휴가를 가는 경우가 많아 대화형 및 자동화 사용량이 줄어든다.
따라서 계절성은 여전히 설득력 있는 설명이다. 그러나 지출 감소는 직원들이 복귀해도 사라지지 않는 구조적 변화와 함께 나타났다. 토큰은 더 저렴해지고, 기업들은 모델 기본값을 설정하며, 구매자들은 투자수익을 면밀히 검토하고 있다.
이 둔화는 확정된 결론이 아니라 초기 신호로 보는 것이 가장 적절하다. 이는 도입이 증가할 때마다 기업 AI 매출이 더 이상 자동으로 상승하지는 않는다는 점을 보여준다.
더 저렴한 토큰이 성장의 의미를 바꾸고 있다
토큰 비용 하락은 고객에게 이익이 되지만, 모델 제공업체는 동일한 매출을 유지하기 위해 더 많은 사용량을 만들어내야 한다.
Ramp의 실효 가격 지수는 9월 초 토큰 100만 개당 0.68달러로 하락했다. 이는 3월 기록한 2026년 최고치인 1.15달러보다 41% 낮은 수준이다. 경쟁과 제공업체의 가격 인하가 이러한 변화를 이끌었다.
토큰은 언어 모델이 처리하거나 생성하는 작은 텍스트 단위다. 제공업체들은 일반적으로 소비된 입력 및 출력 토큰 수에 따라 API 고객에게 비용을 청구한다.
단가 하락이 반드시 AI 활동 감소를 뜻하는 것은 아니다. 기업은 더 적은 비용을 지불하면서도 더 많은 문서를 처리하고, 더 많은 코드를 생성하거나, 추가 에이전트를 운영할 수 있다. 유용한 산출물이 늘어나도 지출은 감소할 수 있다.
이러한 차이로 Ramp의 AI 지출은 도입 강도를 완벽하게 보여주는 대리 지표가 되기 어렵다. 거래 기록은 공급업체로 자금이 이동하는 모습을 보여준다. 하지만 완료된 작업, 생성된 토큰, 절감된 직원 시간, 사업적 가치를 직접적으로 드러내지는 않는다.
그럼에도 모델 개발사와 인프라 공급업체에는 궁극적으로 매출이 중요하다. 가격이 물량 증가보다 더 빠르게 하락한다면, 기술적 사용량 증가는 상업적 성장 약화로 이어진다.
이것이 8월 데이터가 보여주는 핵심적인 역전이다. 경쟁이 촉진해야 했던 대로 AI 서비스는 더 접근하기 쉬워지고 있다. 그러나 그 성공은 도입과 매출의 연결을 약화시킨다.
모델 구성은 압박을 더한다. Ramp는 기업들이 GPT-5.6 Terra와 Anthropic의 Sonnet 계열 같은 표준 모델을 점점 더 많이 사용하고 있다고 전했다. 기업들은 이 시스템들이 최전선 대안보다 비용은 낮으면서도 충분한 성능을 유지한다고 Ramp에 말했다.
Opus, Fable, Sol을 포함한 최전선 모델은 측정된 토큰 물량의 45%를 차지했다. Ramp의 설명에 따르면 이 비중은 8월 중 한때 53%에 도달했다가 다시 하락했다.
정확한 모델 명칭과 비중은 계속 바뀔 것이다. 하지만 그 배경의 고객 행동은 더 지속적이다. 기업들은 이메일 작성, 분류, 추출, 일상적 코딩에는 최고 성능의 모델이 드물게 필요하다는 점을 배우고 있다.
모델 라우팅은 이러한 결정을 공식화한다. 라우터는 요청을 평가하고 성능, 지연 시간, 비용 사이에서 수용 가능한 균형을 제공하는 시스템으로 요청을 보낸다.
Ramp가 8월 수치를 발표하기 전부터 기업 라우팅 전환은 이미 가시화되고 있었다. Bain 컨설턴트 Jue Wang은 기업들이 실제로 필요한 작업에만 비싼 시스템을 배정하고 있다고 설명했다.
이 접근법은 경쟁의 단위를 바꾼다. 제공업체들은 더 이상 전사 계약이나 선호 챗봇 자리를 두고만 경쟁하지 않는다. 고객의 라우팅 계층 내부에서 각 업무 범주를 놓고 경쟁한다.
최전선 연구소는 어려운 연구 및 코딩 요청에서는 승리할 수 있지만, 요약, 분류, 일상적 질의는 더 저렴한 시스템에 내줄 수 있다. 그 고객은 활성 계정으로 남으면서도 더 적은 매출을 낼 수 있다.
이는 기업 구매자에게 환영할 만한 효율성이다. 모든 작업에 가장 큰 인스턴스를 선택하는 대신 워크로드에 적합한 컴퓨팅을 매칭하는 클라우드 최적화와 유사하다.
이 전환은 취약한 AI 프로젝트를 드러낼 수도 있다. 결과가 신뢰할 수 없거나, 광범위한 검토가 필요하거나, 중요하지 않은 문제를 해결하는 워크플로는 저렴한 추론만으로 되살릴 수 없다.
따라서 기업은 토큰 총량이 아니라 결과를 측정해야 한다. 검색 가능한 AI 지식 기반은 직원들이 유용한 정보를 더 빠르게 찾을 때 가치를 만든다. 토큰 소비량만으로는 그 결과를 거의 알 수 없다.
가격 하락은 시간이 지나며 수요를 확대할 수 있다. 그러나 Ramp의 8월 수치는 이러한 확장이 아직 낮아진 실효 가격을 제공업체에 완전히 보상하지 못했음을 시사한다.
하이퍼스케일러의 베팅에는 효율성을 앞지르는 물량이 필요하다
인프라 구축 확대는 더 저렴한 지능이 컴퓨팅 단위당 매출 감소를 상쇄할 만큼 충분한 추가 작업을 만들어낼 것이라는 가정에 기반한다.
OpenAI, Anthropic 및 기타 모델 기업은 성능이 계속 향상되는 시스템을 훈련하고 제공하는 데 막대한 비용을 지출한다. 클라우드 파트너들은 지속적인 수요를 예상하며 데이터센터를 구축하고, 전력을 확보하고, 가속기를 구매한다.
이 투자 논리가 모든 기업이 Ramp 상위 1% 수준으로 지출해야 한다는 뜻은 아니다. 다만 설치된 용량을 뒷받침할 수 있을 만큼 충분한 고객, 워크플로, 자동화 에이전트 전반에서 지속적인 성장이 필요하다.
8월 데이터는 이 기대에 양방향으로 압박을 가한다. 도입 증가율은 둔화됐고, 가장 적극적인 사용자층의 직원 1인당 지출은 감소했다. 어느 한 변화만으로 이 논리가 무효화되지는 않는다.
하지만 두 변화가 함께 나타나면서 취약성이 드러난다. 시장은 대규모 도입 기업들이 제공업체의 가격 인하 속도보다 더 빠르게 가치 있는 워크로드를 계속 발굴할 것으로 기대한다.
이 관계는 생산 효율성이 빠르게 개선되는 물량 사업과 닮아 있다. 비용 하락은 고객을 유치하고 소비를 촉진할 수 있다. 동시에 고객이 절감 효과 대부분을 가져갈 경우 매출을 압축할 수도 있다.
AI 기업들은 첫 번째 효과가 우세하기를 원한다. 기업 재무팀은 두 번째 효과를 원한다. 경쟁이 그 이익의 배분을 결정한다.
OpenAI는 고객들이 순수 토큰 비용보다 가치를 측정하도록 장려함으로써 대응해 왔다. OpenAI가 제안한 개념인 달러당 유용한 지능은 AI가 의미 있는 작업을 정확하고 경제적으로 완료하는지를 묻는다.
이 프레임워크에는 타당성이 있다. 반복적인 실패, 사람의 수정 또는 에스컬레이션이 겉보기 절감 효과를 지워버린다면 가장 저렴한 모델이 최선의 선택은 아니다.
그러나 이 프레임워크는 최전선 제공업체의 상업적 이해관계에도 부합한다. 이들은 구매자들이 단순히 모델 간 토큰 가격을 비교하는 것이 아니라 작업 성공을 고려하기를 바란다.
많은 기업은 결과 중심의 논리를 받아들이면서도 하나의 프리미엄 모델이 모든 업무를 처리해야 한다는 생각은 거부하는 것으로 보인다. 이들은 쉬운 작업은 저렴하게 라우팅하고, 복잡한 요청에만 최전선 시스템을 남겨둔다.
에이전트 경제성에 관한 연구도 이러한 신중함을 뒷받침한다. 워크플로 경제성 분석은 모델 선택, 워크플로 설계, 재시도, 사람의 감독이 총비용을 크게 바꿀 수 있음을 발견했다.
에이전트는 여러 단계의 작업을 완료하기 때문에 이러한 변수들을 증폭시킨다. 하나의 사용자 요청이 계획 수립, 도구 호출, 검색, 검증, 반복적인 모델 상호작용을 유발할 수 있다.
이는 성장으로 돌아갈 수 있는 그럴듯한 경로를 만든다. 모든 토큰이 더 저렴해지더라도, 자율 워크플로는 대화형 프롬프트보다 훨씬 많은 토큰을 소비할 수 있다. 따라서 더 많은 에이전트는 물량 성장을 회복시킬 수 있다.
하지만 소비 증가가 비례하는 가치를 보장하지는 않는다. 잘못 설계된 에이전트는 같은 자료를 반복적으로 검토하거나, 불필요한 도구를 호출하거나, 결과를 개선하지 못한 채 실패한 단계를 재시도할 수 있다.
기업들은 생산적인 자동화와 토큰 활동을 구분하기 시작하고 있다. 이러한 변화는 사용량을 성공 지표로 삼는 사업 전략을 위협한다.
위험은 모델 연구소를 넘어선다. 하이퍼스케일러는 AI 애플리케이션 뒤의 컴퓨팅, 스토리지, 네트워킹, 관리형 서비스에서 수익을 얻는다. 또한 최전선 개발사에 직접 투자하고 예상 수요를 위해 용량을 확보한다.
고객이 더 작은 모델, 개선된 캐싱, 더 선별적인 라우팅으로 같은 결과물을 얻는다면, 인프라 수요는 높은 수준을 유지하면서도 야심 찬 전망치보다 낮은 속도로 성장할 수 있다.
사용량과 지출의 구분은 여기서 핵심이 된다. 토큰이 많아진다고 해서 반드시 그에 비례해 컴퓨팅 자원이 더 많이 필요한 것은 아니다. 양자화, 최적화된 추론, 특수 하드웨어는 응답 하나에 필요한 자원을 줄일 수 있다.
공급업체는 더 강력한 모델을 출시하거나, 개발자 도구를 개선하거나, 비기술 직군에 도달하는 애플리케이션을 구축하는 방식으로 대응할 수 있다. 각 전략은 초기 엔지니어링 활용을 넘어 새로운 수요를 찾는 데 목적이 있다.
이는 AI 워크스페이스, 리서치 어시스턴트, 협업 에이전트에 대한 관심이 커지는 이유를 설명하는 데 도움이 된다. 기술 팀은 AI를 일찍 도입했다. 다음 수익원에는 운영, 재무, 마케팅, 법무 업무와 기타 지식 집약적 기능이 포함돼야 한다.
이제 관건은 그러한 역할 전반에서 반복적이고 가치 있는 사용이 이뤄지는지다. 직원들이 거의 열어보지 않는 유료 구독은 도입 통계를 뒷받침할 수는 있어도 확장 매출에는 거의 기여하지 못한다.
Ramp 수치만으로는 증명할 수 없는 것
변동성이 큰 한 달만으로는 계절적 일시 정지와 기업 수요의 지속적 변화를 구분할 수 없다.
Ramp의 데이터셋은 실제 결제를 관찰한다는 점에서 이례적으로 직접적인 증거를 제공한다. 다만 더 넓은 경제와는 산업 구성 및 기술 선호도가 다른 Ramp 고객을 대표한다.
정보, 금융, 전문 서비스 등 기술 중심 부문은 표본 내 도입을 주도한다. 이러한 특성은 해당 지수를 조기 지표로 만들 수 있지만, 미국 기업 전반의 도입 수준을 과대평가하게 할 수도 있다.
미국 인구조사국의 기업 도입 조사는 유용한 반대 관점을 제공한다. TechCrunch는 8월 업데이트에서 보고된 AI 사용 비율이 기업의 약 22%로, Ramp의 56%보다 훨씬 낮았다고 보도했다.
두 조사는 서로 다른 집단과 행동을 측정한다. Ramp는 AI 지출로 분류된 구매를 감지한다. 인구조사국은 기업에 상품과 서비스 생산에 AI를 사용하는지 묻는다.
어느 측정치도 시장 전체를 포착하지는 못한다. 직원들은 기업 시스템 밖에서 무료 도구나 개인적으로 구매한 구독 서비스를 사용할 수 있다. 기업은 실질적인 사용이 거의 없는 AI 제품에 비용을 지불할 수도 있다.
Ramp의 상위 1% 추정치는 특히 신중히 해석해야 한다. 소수 기업, 청구일, 연간 계약 또는 지연된 거래만으로도 해당 집단의 월간 중앙값이 움직일 수 있다.
Ramp는 추가 거래를 받은 뒤 7월 지출을 약 7,400달러에서 거의 8,000달러로 수정했다. 8월 결과도 유사한 변경 대상이다.
휴가 패턴도 또 다른 잡음을 만든다. 엔지니어들이 8월에 더 적은 토큰을 생성했다면 프로젝트가 재개될 때 지출이 반등할 수 있다. 이전 연말 회복은 그러한 가능성을 뒷받침한다.
반등이 일어나더라도 가격 책정 문제는 사라지지 않는다. 휴가에서 복귀한 직원들은 2026년 초보다 더 저렴한 모델과 비용을 더 의식한 기본 설정을 접하게 될 것이다.
가용 데이터만으로는 감소가 더 낮은 산출량을 반영하는지 판단할 수도 없다. 비용을 덜 지불하는 기업이 같은 업무를 더 효율적으로 수행하고 있을 수 있다. 이는 후퇴가 아니라 성공적인 도입을 의미한다.
반대로 지출이 많은 기업은 가치가 낮은 산출물을 대량으로 생성할 수 있다. 토큰 총량만으로는 생산적인 자동화와 낭비를 구분할 수 없다.
이 측정 공백은 구매자에게 중요하다. 재무 팀은 워크플로, 팀, 모델, 완료된 결과별 지출을 파악해야 한다. 제품 리더에게는 품질, 주기 시간, 수정률, 사용자 유지율이 필요하다.
개발자에게도 마찬가지로 완전한 관점이 필요하다. 반복적으로 실패하는 저렴한 모델은 재시도와 디버깅 이후 더 큰 비용을 초래할 수 있다. 어려운 작업을 정확히 완료하는 비싼 모델은 오히려 경제적일 수 있다.
모델 공급업체에 이러한 모호성은 안도감과 위험을 모두 제공한다. 지출 감소는 이후 배포를 가속할 수 있는 더 건강한 고객 경제성을 뜻할 수 있다. 반면 지불 의향의 상한을 드러낼 수도 있다.
오픈 웨이트 모델은 아직 이러한 광범위한 변화를 설명하지 못한다. Ramp는 8월 AI 지출 기업 중 모델 서빙 또는 추론 플랫폼을 사용한 비율이 6.4%에 그쳤다고 밝혔다.
라우팅 플랫폼은 폐쇄형 모델도 제공할 수 있으므로, 이 수치는 오픈 모델 사용의 상한 추정치다. Ramp는 전체 기업의 도입 비율을 3.6%로 제시했다.
따라서 오픈 모델은 이 이야기의 주된 경쟁자가 아니라 보조적 맥락으로 남아 있다. 당면한 경쟁은 같은 주요 공급업체가 판매하는 더 저렴한 표준 제품에서 나온다.
이러한 역학은 고객이 공급업체를 바꾸지 않아도 평균 매출을 낮출 수 있다. Anthropic 고객은 작업을 Opus에서 Sonnet으로 옮길 수 있다. OpenAI 고객은 일상 업무에 더 저렴한 모델을 선택할 수 있다.
공급업체 도입은 늘어나는 반면 매출의 질은 약화될 수 있다. 누군가 이를 추세라고 부르기 전에도 8월의 이러한 조합이 주목할 만한 이유가 바로 여기에 있다.
이것이 경고였는지 결정할 세 가지 신호
다음 시험대는 고객이 더 경제적인 모델로 더 많은 작업을 라우팅하는 가운데 지출이 회복되는지 여부다.
첫 번째 신호는 Ramp 상위 1%의 9월과 10월 지출이다. 7월 수준을 향한 뚜렷한 반등은 계절적 설명에 힘을 실어줄 것이다.
이 회복은 거래 수정과 함께 평가해야 한다. Ramp가 추가 결제를 받으면 잠정적인 증가나 감소는 바뀔 수 있다. 한 번의 관측보다 여러 달의 데이터가 더 확실한 추세를 제공할 것이다.
감소가 계속된다면 구조적 해석에 힘이 실릴 것이다. 더 저렴한 토큰과 더 엄격한 모델 선택이 신규 워크로드 확대보다 더 빠르게 매출을 줄이고 있음을 시사한다.
두 번째 신호는 프런티어 모델이 토큰 볼륨에서 차지하는 비중이다. Ramp는 이 비중이 8월 초의 53% 정점 이후 45%가 됐다고 제시했다.
지속적인 회복은 기업이 프리미엄 시스템을 정당화할 만큼 충분히 어려운 작업을 여전히 찾고 있음을 보여줄 것이다. 이는 더 높은 성능이 더 나은 경제성을 만든다는 공급업체의 주장을 뒷받침한다.
또 다른 감소는 표준 모델이 더 많은 일상 업무를 흡수하고 있음을 보여줄 것이다. 이는 프런티어 연구소가 차별화를 개선하거나, 가격을 낮추거나, 고급 기능을 더 폭넓은 제품에 묶도록 압박할 것이다.
원시 모델 점유율에는 여전히 맥락이 필요하다. 프런티어 모델은 가격이 더 높은 수준을 유지한다면 더 적은 토큰으로도 상당한 매출을 낼 수 있다. 공급업체는 패키징, 할인 또는 구독 구조를 바꿀 수도 있다.
세 번째 신호는 기술 팀 외부의 도입이다. AI 연구소들은 분석가, 관리자, 마케터 및 기타 지식 근로자가 수행하는 협업 업무를 점점 더 겨냥하고 있다.
이들 집단에서 강력한 반복 사용이 나타나면 초기 엔지니어링 도입자를 넘어 고객 기반이 확대될 것이다. 또한 소프트웨어 출시 주기와 개발자 인력 규모에 덜 묶인 워크플로가 만들어질 것이다.
구매만으로는 이 문제를 해결할 수 없다. 기업은 비기술 사용자가 초기 시험 이후에도 다시 돌아와 의미 있는 작업을 완료하고, 사용을 확대한다는 점을 보여야 한다.
독자들은 제품 유지율, 워크플로 볼륨, 보고된 작업 결과를 지켜봐야 한다. 이러한 지표는 출시 발표나 계정 수보다 더 많은 것을 드러낸다.
기업 구매자는 자체 절감이 어디서 비롯됐는지도 살펴봐야 한다. 더 나은 라우팅으로 인한 지출 감소는 건강한 현상이다. 중단된 프로젝트로 인한 지출 감소는 실패한 배포를 뜻한다.
팀은 AI 활동을 저장된 의사결정, 프로젝트 기록, 완료된 작업과 연결해 이러한 구분을 뒷받침할 수 있다. 잘 관리된 second brain은 시간이 지나도 이러한 결과를 평가하는 데 필요한 맥락을 보존할 수 있다.
더 넓은 시장에서 직원 1인당 지출이 영원히 증가할 필요는 없다. 기능이 개선되고 비용이 낮아질 때 기업은 이익을 얻는다. 효율적인 도입은 더 적은 지출로 더 큰 가치를 창출할 수 있다.
모델 개발사와 하이퍼스케일러는 다른 방정식에 직면한다. 이들의 투자 계획에는 막대한 인프라 약속을 궁극적으로 정당화할 수익이 필요하다.
Ramp의 AI 지출은 이러한 결과 사이의 충돌을 드러냈다. 더 많은 사람이 AI를 사용하더라도 고객에게 도움이 되는 일이 공급업체의 수익성을 압박할 수 있다.
8월은 여전히 휴가에 따른 일시적 정지로 판명될 수 있다. 향후 몇 차례의 수치는 대량 사용자가 지출을 재개했는지, 아니면 더 저렴한 모델로 영구적으로 더 많은 일을 하는 법을 배웠는지를 보여줄 것이다.
개발자와 비즈니스 리더에게 실질적인 질문은 이미 분명하다. AI 지출은 완료된 가치 있는 작업을 만들고 있는가, 아니면 단지 토큰만 쌓고 있는가? 다음 예산 주기 전에 그 답을 측정하라.
