Uber AI 예산 초과가 드러낸 도입과 수익 간의 격차
보도에 따르면 Uber는 4월까지 2026년 AI 예산을 소진했다. 이는 직원들의 AI 사용을 장려하는 것과 그 도입에 드는 비용을 통제하는 것 사이의 충돌을 드러낸다. Uber AI 예산 이야기는 이제 더 폭넓은 기업 논쟁의 중심에 놓여 있다. 사용량 증가는 언제 단순히 지출 증가가 아니라 생산성의 증거가 되는가?
Business Standard는 11월 8일 이러한 긴장을 다시 다루며, 기업들이 지출 통제, 소형 모델, 더욱 선별적인 작업 배분으로 방향을 돌리고 있다고 설명했다. Bloomberg는 이미 6월에 Uber의 사용량 제한을 보도한 바 있다. 따라서 당면한 문제는 새롭게 발표된 회사 정책이라기보다 진행 중인 지출 조정이다.
기업 구매자에게 핵심 쟁점은 도입 목표와 측정 가능한 사업 성과 사이의 경쟁이다. Anthropic의 Claude Code는 바로 이 긴장 속에 자리한다. 코딩 보조 도구는 구매자가 추가 지출이 더 빠른 출시, 더 나은 소프트웨어 또는 다른 영역의 업무 감소로 이어지는지 판단하기 전에 인기를 얻을 수 있다.
Uber AI 예산 이야기는 도입에서 책임성으로 옮겨갔다
Bloomberg는 Uber가 그해 초 예산을 초과한 뒤 AI 사용량 제한을 도입했다고 6월 2일 보도했다. 해당 보도는 Claude Code를 포함한 도구들을 구체적으로 언급했다.
이는 지출 문제에 관한 더 이른 공개 기록을 확립한다. 또한 최초의 회사 동향과 11월의 더 폭넓은 논의를 구분한다. 독자들은 최근 보도를 Uber가 이번 주 또 다른 제한 조치를 도입했다는 증거로 해석해서는 안 된다.
Business Standard의 11월 보도는 Uber를 기업 AI 비용을 재검토하는 다른 기업들과 함께 다룬다. 보도는 소형 모델과 모델 간에 작업을 배분하는 시스템에 대한 관심이 커지고 있다고 설명한다.
문서로 확인된 변화는 도입이 초기 지출 가정을 앞지른 뒤 소비를 통제하는 방향으로 전환된 것이다.
공개 보도는 Uber의 내부 경제성에 대한 완전한 설명을 제공하지 않는다. 최초 예산이 적절했는지, 어떤 비용이 모두 포함됐는지, 완료된 모든 업무의 가치가 무엇이었는지도 확정하지 않는다.
이러한 공백은 중요하다. 예산 소진은 낭비, 예상보다 유용한 소프트웨어, 비현실적인 예측 또는 이들의 조합을 반영할 수 있다. 초과 지출만으로는 이러한 설명들을 구분할 수 없다.
예산은 실제 수요가 명확해지기 전에 내려진 조직의 결정이기도 하다. 직원들이 가치 있는 활용 사례를 발견하면 경제적으로 비합리적인 선택을 하지 않았더라도 보수적인 예측을 초과할 수 있다.
반대로, 폭넓은 열의만으로는 추가 지출이 성과를 낸다는 사실을 입증할 수 없다. 사용자는 동료들이 해결해야 하는 검토 시간, 통합 작업 또는 오류를 간과한 채 도구를 선호할 수 있다.
이 때문에 경영진은 직원들이 소프트웨어를 좋아하는지보다 더 어려운 질문에 직면한다. 관련 질문은 그 혜택이 전체 운영 부담을 초과하는지다.
그 부담은 답변을 생성하는 데서 끝나지 않는다. 제안된 코드 변경은 여전히 검토, 테스트, 통합, 유지보수가 필요하다. 이후 단계에서 그 이점이 유지될 때에만 더 빠른 초안 작성이 제공 속도를 높인다.
따라서 보도는 코딩 보조 도구가 실패했다는 판결이 아니라 지출 거버넌스에 대한 검토를 뒷받침한다. 또한 도입이 성공의 충분한 증거를 제공한다는 가정에도 이의를 제기한다.
이 구분은 특히 리더십이 부서에 명확한 지출 책임이 부여되기 전에 실험을 장려할 때 중요하다. 개별 결정은 합리적으로 보일 수 있지만, 합산 비용은 기대를 넘어설 수 있다.
어려운 결함을 조사하는 가상의 엔지니어링 팀을 생각해 보자. 여러 개발자가 같은 리포지터리를 검토하고 해결책을 제안하도록 각각 보조 도구에 요청할 수 있다. 각 요청에는 정당한 목적이 있다.
하지만 회사는 이러한 중복 조사가 서로 다른 가치를 만들어내는지도 알아야 한다. 활성 사용자 수를 세면 참여는 파악할 수 있지만 중복된 노력은 놓칠 수 있다.
이것이 Uber 사례가 부각하는 책임성의 격차다. 구매 결정과 생산성 판단은 무기한 분리된 채로 남을 수 없다.
재무팀은 사용량 대시보드가 답할 수 없는 문제를 물려받는다
지출 압력은 한 기술 기업에만 국한되지 않는다. FinOps Foundation의 2026년 업계 설문조사에 따르면, 응답자의 98%가 현재 AI 지출을 관리하고 있으며 이는 2년 전 31%와 비교된다.
FinOps는 기술 지출을 사업 책임 및 가치와 연결하는 관행이다. AI에 대한 역할이 확대된 것은 이러한 비용이 재무와 엔지니어링 전반의 조정을 점점 더 필요로 한다는 점을 시사한다.
이 설문조사는 FinOps 커뮤니티의 응답자 1,192명을 대상으로 했다. 이는 의미 있는 실무자 표본이지만, 모든 기업을 대표하거나 보편적인 재무적 어려움을 입증하지는 않는다.
설문 결과는 강한 AI 투자와 추가 도입을 위한 재원을 마련하고자 최적화 절감액을 추구하는 조직들도 보여준다. 따라서 재무적 검토는 후퇴를 알리기보다 확장을 뒷받침할 수 있다.
당장의 압력은 지출과 그 지출로 구매한 사업 성과를 모두 설명해야 하는 리더들에게 가해진다.
엔지니어링 관리자는 상충하는 지시를 받는다. 직원들이 유용한 활용 사례를 발견하도록 해야 하지만, 무제한 실험을 운영 모델로 취급해서는 안 된다.
재무 리더는 다른 정보 문제에 직면한다. 청구서는 지출을 보여주지만, 보조 도구가 업무를 없앴는지, 옮겼는지, 추가 의무를 만들었는지는 거의 설명하지 않는다.
조달팀은 불확실한 수요에 맞춰 상업적 약정을 평가해야 한다. 계약은 소비를 더 쉽게 구매하게 할 수 있지만, 그 결과로 생긴 업무를 더 쉽게 측정하게 하지는 않는다.
제품 리더는 예산 제한이 유용한 활동을 중단시킬 때 그 결과를 감당한다. 예기치 않게 도입된 지출 한도는 프로젝트 진행 중간에 제공 가정을 바꿀 수 있다.
이러한 압력은 승인된 결과당 비용, 즉 의도한 기준을 충족하는 산출물과 관련된 전체 비용을 중심으로 모인다. 그 기준에는 품질이 포함돼야 한다.
소프트웨어 팀에서 승인된 결과는 추가 결함을 만들지 않고 프로덕션에 도달한, 검토 완료된 변경일 수 있다. 생성된 코드는 중간 산출물이다.
고객 지원 운영에서 승인된 결과는 올바르게 해결된 요청일 수 있다. 다시 연락하게 만드는 유창한 답변은 같은 가치를 제공하지 않는다.
지식 근로자에게 유용한 결과는 추적 가능한 증거가 포함된 정확한 브리핑일 수 있다. 광범위한 검증이 필요한 빠른 초안은 다른 경제적 가치를 제시한다.
이러한 사례는 보편적인 사용량 목표가 왜 문제를 만드는지 보여준다. 작업마다 위험 수준, 검토 요건, 실수 복구의 기회가 다르다.
지출을 줄이면서 수동 수정은 늘어난 부서가 반드시 경제성을 개선한 것은 아니다. 단지 비용을 덜 눈에 띄는 범주로 옮겼을 뿐이다.
반대의 경우도 성립한다. 이전에 부족한 직원의 주의를 소모하던 병목을 제거한다면 더 높은 모델 지출은 타당할 수 있다.
이 때문에 귀속은 기업 논쟁의 핵심이 된다. 기업은 소비를 그에 책임이 있는 팀, 워크플로, 결과와 연결해야 한다.
귀속을 위해 모든 직원 요청을 재무 예외로 취급할 필요는 없다. 과도한 승인 절차는 소프트웨어가 절감하겠다고 약속한 동일한 업무 시간을 소모할 수 있다.
더 큰 변화는 책임이 프로세스에 들어오는 위치다. 지출 가정은 사용량이 회계상의 놀라움이 되기 전에 제품 및 엔지니어링 의사결정에 점점 더 포함된다.
이것이 기업 AI 거버넌스가 대시보드에서 멈출 수 없는 이유다. 가시성은 돈이 어디로 갔는지 식별하고, 업무 평가는 그 돈이 그곳에 쓰였어야 했는지를 판단한다.
모델 라우팅은 경제성을 바꾸지만 또 다른 의사결정 계층을 더한다
11월 보도는 워크플로 전반에서 모델과 도구를 조율하는 제어 시스템을 뜻하는 모델 오케스트레이션을 가리킨다. 모델 라우팅은 특정 작업을 처리할 모델을 선택한다.
이 구분은 조직이 모든 단계에서 항상 같은 수준의 역량을 필요로 하는 것은 아니기 때문에 중요하다. 문서를 분류하는 일과 복잡한 예외를 해결하는 일에는 서로 다른 요구가 따른다.
더 작은 모델은 범위가 좁은 분류 작업을 충분히 처리할 수 있다. 반면 작업에 모호성이나 까다로운 추론이 포함될 때는 더 뛰어난 모델이 계속 필요할 수 있다.
선별적인 모델 사용은 예산 압력에 대한 그럴듯한 대응책이지만, 그 가치는 전체 워크플로에 달려 있다.
이는 Anthropic, Microsoft, Google 같은 공급업체 간 비교를 바꾼다. 기업 구매자는 모든 활동에 하나의 모델을 선택하기보다 각 서비스가 어디에 적합한지 평가해야 한다.
그렇다고 이들 기업 사이의 보편적인 순위가 확립되는 것은 아니다. 관련 비교는 구매자의 실제 워크로드, 통합 요건, 오류에 대한 허용 수준에 관한 것이다.
분리된 평가에서 좋은 성과를 내는 모델도 비즈니스 프로세스 안에서는 문제를 일으킬 수 있다. 산출물에 더 많은 검토가 필요하거나 너무 늦게 도착할 수 있다.
라우팅 자체에도 판단이 필요하다. 시스템은 어떤 요청이 덜 까다로운 경로에 충분히 단순한지, 어떤 요청에 추가 역량이 필요한지를 결정해야 한다.
잘못된 배정은 예상 절감액을 없앨 수 있다. 역량이 부족한 모델로 전달된 어려운 요청은 반복, 상향 처리 또는 수동 수정을 필요로 할 수 있다.
불필요하게 신중한 배정에는 반대의 문제가 있다. 일상적인 업무를 가장 자원 집약적인 선택지로 보내면 역량은 유지되지만 라우팅의 재무적 근거는 약해진다.
따라서 경제적 질문은 최초 요청에 선택된 모델을 넘어선다. 그 선택이 실패했을 때 어떤 일이 일어나는지도 포함한다.
가상의 문서 워크플로는 이러한 절충을 구체화한다. 시스템은 먼저 문서 유형을 식별하고, 정보를 추출한 다음, 모호한 구절을 검토 대상으로 표시할 수 있다.
이 구조는 초기 단계가 자체 한계를 안정적으로 식별할 때에만 도움이 된다. 알아차리지 못한 분류 오류는 이후의 모든 단계를 오염시킬 수 있다.
조직은 유지보수 업무도 떠안는다. 프롬프트, 평가 사례, 상향 처리 규칙, 모델 행동은 시간이 지나며 바뀔 수 있다.
이러한 의무는 더 단순한 배포 방식과 비교할 때의 일부다. 개별 요청이 더 저렴해 보인다는 이유만으로 복잡한 시스템이 경제성을 갖게 되는 것은 아니다.
바로 여기서 컨텍스트가 지식 업무와 관련된다. 컨텍스트는 모델이 요청을 해석하고 완료하기 위해 받는 정보다.
관련 없는 자료를 보내면 결과를 개선하지 못한 채 워크플로에 부담을 줄 수 있다. 너무 적게 보내면 직원들이 설명을 반복하거나 오해를 바로잡아야 할 수 있다.
같은 실무적 문제는 검색 가능한 지식 기반에서도 나타난다. 적절한 원본 자료를 찾는 일과 답변을 생성하는 일은 업무의 별개 부분이다.
이 연결이 특정 제품의 절감 효과를 입증하는 것은 아니다. 이는 구매자가 모델 선택과 함께 정보 검색을 검토해야 하는 이유를 설명한다.
따라서 Uber AI 예산 논쟁은 단순한 지출 한도를 넘어선다. 이는 설계상의 질문을 제기한다. 어떤 업무에는 추가 연산을 투입할 가치가 있고, 어떤 업무에는 그렇지 않은가?
에이전트는 역량과 소비를 동시에 확대할 수 있다
AI 에이전트는 작업을 수행하기 위해 모델과 도구를 반복적으로 사용하는 시스템이다. 이러한 반복 활동은 요청과 소비의 관계를 바꾼다.
채팅 대화는 답변 후 끝날 수 있다. 에이전트는 파일을 살펴보고, 검사를 실행하고, 접근 방식을 재고한 뒤 결과를 반환하기 전에 계속 작업할 수 있다.
Anthropic이 2025년 6월 자사의 멀티 에이전트 리서치 시스템을 설명한 내용은 이러한 상충 관계를 분명히 보여 준다. 회사는 자체 평가에서 성능 향상과 함께 토큰 소비도 증가했다고 밝혔다.
토큰은 모델이 처리하거나 생성하는 텍스트의 단위다. Anthropic은 자사 에이전트가 일반적으로 채팅 상호작용보다 약 4배 많은 토큰을 소비했다고 밝혔다.
여러 에이전트를 조정하는 멀티 에이전트 시스템은 회사 데이터에서 약 15배 많은 토큰을 소비했다. 이 수치는 해당 연구 시스템을 설명한다.
이는 Claude Code, 모든 에이전트 제품 또는 현재의 기업 배포 환경에 적용되는 보편적 측정값이 아니다. 이를 Uber에 직접 적용하면 근거를 과장하게 된다.
더 강력한 자동화에는 더 많은 연산이 필요할 수 있으므로, 소비를 낮추는 것이 자동으로 올바른 목표가 되는 것은 아니다.
Anthropic의 설명은 더 제한적인 결론을 뒷받침한다. 일부 아키텍처는 더 어려운 작업을 완료하기 위해 의도적으로 더 많은 자원을 사용한다. 그 경제성은 그로 인해 창출되는 가치에 달려 있다.
이는 예산 초과 서사에 유용한 균형추가 된다. 더 단순한 소프트웨어가 처리할 수 없는 업무를 시스템이 완수한다면, 기업은 소비를 합리적으로 늘릴 수 있다.
어려운 점은 생산적인 지속 작업과 비생산적인 반복을 구분하는 데 있다. 둘 다 긴 활동 기록과 상당한 비용을 초래할 수 있다.
예를 들어 코딩 에이전트는 제안한 수정 후 테스트를 실행하고, 또 다른 실패를 발견한 뒤 접근 방식을 수정할 수 있다. 이 추가 작업은 불완전한 변경을 막을 수 있다.
다른 에이전트는 근본 문제를 파악하지 못한 채 코드를 반복적으로 수정할 수 있다. 겉보기에는 유사한 활동이 매우 다른 결과를 낳을 수 있다.
여러 에이전트가 동시에 작동하면 이 구분은 더 어려워진다. 병렬 작업은 경과 시간을 줄이는 동시에 총소비량을 늘릴 수 있다.
따라서 관리자는 직원의 주의력과 기계 활동을 구분해야 한다. 시스템이 더 오래 실행된다고 해서 개발자를 전체 기간 동안 반드시 점유하는 것은 아니다.
마찬가지로 직원의 겉보기 시간 절감은 다른 팀에 넘어가는 검토 업무를 반영하지 못한다. 워크플로의 양쪽 측면 모두가 중요하다.
이 때문에 채팅 어시스턴트, 코딩 에이전트, 조정된 에이전트 시스템을 단순하게 비교하기는 어렵다. 겉으로 비슷한 사용자 요청 아래에서도 서로 다른 양의 작업을 수행할 수 있다.
비즈니스 사례는 무엇이 달라졌는지 명시해야 한다. 시스템이 이전에는 비현실적이었던 분석을 끝냈는가, 직원 병목을 줄였는가, 아니면 단지 추가 자료를 생성했는가?
품질 역시 이 평가에 포함되어야 한다. 상당한 후속 영향을 초래할 오류를 피할 수 있다면 더 비싼 실행이 더 바람직할 수 있다.
이러한 이점을 인정하면서 비용을 면밀히 검토하는 데에는 모순이 없다. 조직이 야심 찬 자동화를 요구하면서 직원들이 짧은 메시지만 주고받는다는 전제 아래 예산을 편성할 때 모순이 생긴다.
예산 예측은 제품이 실제로 수행하는 업무를 반영해야 한다. 그렇지 않으면 성공적인 도입 자체가 긴급한 제한 조치의 계기가 될 수 있다.
생산성 증거는 단순한 결론을 허용하지 않는다
지출 한도에 대한 가장 강력한 반론은 간단하다. 한도는 낭비와 함께 유용한 업무도 억제할 수 있다. 뒷받침하는 증거 없이는 둘을 구분할 수 없다.
무제한 지출에 대한 가장 강력한 반론도 마찬가지로 간단하다. 직원들의 인상은 측정된 결과와 다를 수 있다. 만족도와 생산성은 관련은 있지만 별개의 질문에 답한다.
독립 AI 평가 기관인 METR은 2025년 초 도구를 사용한 연구에서 이 차이를 보여 주었다. 참여한 숙련 오픈소스 개발자들은 AI 지원이 허용되었을 때 19% 더 오래 걸렸다.
이 연구에는 개발자 16명과 작업 246건이 포함됐다. 기존 프로젝트에 대한 참가자들의 친숙도와 당시 사용 가능한 도구를 포함해, 연구의 제한된 환경은 중요하다.
이 결과가 현재의 코딩 어시스턴트가 모든 개발자의 속도를 늦춘다는 점을 입증하지는 않는다. 더 오래된 결과를 현재에 대한 보편적 판정으로 다루는 것은 연구를 잘못 나타내는 일이다.
METR의 2026년 2월 24일 생산성 측정 업데이트는 또 다른 복잡성을 더한다. 연구자들은 이후의 실험 데이터가 현재 생산성 효과에 대한 신뢰할 수 없는 추정치를 제공했다고 밝혔다.
일부 개발자는 AI 없이 작업하고 싶지 않아 참여를 피했다. 참가자들은 특정 작업도 제외해 선택 문제를 만들었다.
METR은 개발자들이 이전보다 더 큰 혜택을 받고 있을 가능성이 높다고 보았지만, 그 규모의 불확실성을 강조했다. 이는 측정상의 어려움을 보여 주는 증거다.
사용량 증가나 예산 초과만으로는 AI가 순가치를 창출하는지 결론낼 수 없다.
이 불확실성은 Uber AI 예산 사례의 해석에 직접 영향을 준다. 공개 기록은 지출 통제 문제를 뒷받침하지만, 완전한 생산성 대차대조표를 제공하지는 않는다.
신뢰할 수 있는 평가는 완료에 필요한 시간 및 품질 요건을 포함해 비교 가능한 업무를 검토해야 한다. 선별된 성공 사례만으로는 그러한 비교를 제공할 수 없다.
선별된 실패 사례도 마찬가지다. 어려운 사건은 약점을 드러낼 수 있지만, 기업 전반의 평균 효과에 대해서는 거의 말해 주지 못한다.
작업 선택도 또 다른 장애물이다. 직원들은 AI가 도움이 될 것으로 기대하는 업무에 AI를 선택하는 경우가 많아, AI를 사용하지 않은 업무와의 비교가 더 어려워진다.
도구가 개선되면 업무 자체도 달라질 수 있다. 팀은 동일한 프로젝트를 더 빠르게 끝내기보다 더 야심 찬 프로젝트에 도전할 수 있다.
이는 작업당 시간의 뚜렷한 감소 없이도 가치를 창출할 수 있다. 동시에 더 큰 야심이 유용한 결과를 내는지 가릴 수도 있다.
개인과 조직 차원의 이득을 구분하는 일은 추가적인 불확실성을 만든다. 개발자가 더 빠르게 움직여도 공동 검토 역량이 새로운 병목이 될 수 있다.
예를 들어 추가로 제안된 변경 사항은 수석 검토자가 처리해야 할 대기열을 늘릴 수 있다. 이 경우 기업은 초안 작성 속도만이 아니라 전체 납품을 평가해야 한다.
이는 Uber에 대해 보고된 사실이 아니라 분석적 가능성이다. 소비 데이터가 소프트웨어 납품 평가를 대신할 수 없는 이유를 설명한다.
회의적인 관점은 공급업체 주장뿐 아니라 재무 통제에도 적용되어야 한다. 비용이 낮아졌다고 해서 정책이 생산성을 개선했다는 증거는 아니다.
확대 전략과 마찬가지로 제한 조치도 결과에 따라 평가받아야 한다. 그렇지 않으면 기업은 도입 목표를 지출 목표로 바꾸고 같은 측정 오류를 반복할 위험이 있다.
지출 규율이 결과를 개선하는지 보여 줄 세 가지 신호
다음 단계는 AI 전환에 관한 또 한 차례의 광범위한 주장보다 관찰 가능한 변화를 통해 판단해야 한다. 특히 세 가지 신호에 주목할 필요가 있다.
첫 번째는 고용주가 지출 정책을 납품 결과와 연결하는지 여부다. 제한 조치에 대한 공개 설명은 품질, 완료된 업무, 직원 역량도 함께 다룰 때 더 유용해진다.
불필요한 소비를 줄인 뒤에도 안정적이거나 개선된 납품 결과를 보여 주는 기업은 선택적 통제의 근거를 강화할 수 있다. 지출 감소만으로는 생산성에 관한 질문이 여전히 남는다.
반대로 제한 조치가 가치 있는 프로젝트를 지연시켰다는 증거는 무차별적 한도의 근거를 약화시킬 것이다. 정책의 효과가 겉보기 엄격성보다 더 중요하다.
두 번째 신호는 공급업체가 에이전트 활동을 어떻게 패키징하고 관리하는지다. 구매자는 소비를 특정 작업과 워크플로에 귀속할 수 있게 만드는 제품 업데이트를 주시해야 한다.
반복 행동, 에스컬레이션, 작업 완료에 대한 더 명확한 통제는 기업이 무엇을 구매하는지 이해하는 데 도움이 될 것이다. 그 가치는 여전히 실제 업무에서 검증되어야 한다.
효율성에 관한 공급업체의 주장은 자원 사용 감소와 역량 감소를 구분해야 한다. 더 적은 업무를 수행하는 시스템이 반드시 더 효율적이 된 것은 아니다.
세 번째 신호는 완료된 업무에 관한 더 강력한 증거다. 검토, 수정, 후속 품질을 포함하는 평가는 사용량 대시보드가 해결하지 못하는 공백을 메울 수 있다.
비교 가능한 작업 전반에서 반복적으로 관찰된 결과는 신뢰도를 높일 것이다. 생성된 산출물이나 직원 인상에만 국한된 결과는 현재의 불확실성을 상당 부분 유지할 것이다.
다음으로 유용한 발전은 단순히 도입을 더 늘리는 것이 아니라 소비와 승인된 업무 사이의 연결을 더 명확히 하는 것이다.
향후 몇 달 동안 이 신호들은 기업 AI 예산 통제를 평가하는 더 탄탄한 방법을 제시한다. 또한 부서별로 서로 다른 결과가 나올 여지도 남긴다.
코딩 팀, 연구 그룹, 지원 조직이 반드시 동일한 결론에 도달할 필요는 없다. 이들의 작업, 오류 비용, 자동화 기회는 서로 다르다.
따라서 기업 구매자는 다른 회사의 지출 결정을 이미 완성된 답으로 받아들이지 말아야 한다. Uber의 경험은 각 조직이 여전히 조사해야 할 질문을 제기한다.
공급업체에도 같은 원칙이 적용된다. 예산 검토는 상당한 연산을 필요로 하더라도 그 이점을 더 쉽게 입증할 수 있는 제품에 보상할 수 있다.
또한 겉보기 성공이 결과가 아닌 활동 측정에 의존하는 배포 사례를 드러낼 수 있다. 에이전트 기반 워크플로가 더 많은 책임을 맡게 되면서 이 구분은 중요해질 것이다.
기업 내부에서 다음으로 필요한 대화는 예산 책임자와 완료된 업무에 책임을 지는 사람들을 연결해야 한다. 결과를 평가할 수 있는 워크플로부터 시작하라. 직원들이 무엇을 완료했는지, 무엇이 수정을 필요로 했는지, AI가 프로세스에 들어온 뒤 무엇이 달라졌는지 물어라. 검토와 후속 조치를 포함해 필요한 전체 노력을 비교하라. 증거가 여전히 불완전하다면 질문을 열어 두어라. Uber AI 예산 사례는 답이 확대나 제한 중 어느 한쪽을 반드시 지지해야 한다고 가정하지 않으면서도, 그러한 회계를 요구할 이유를 제시한다. 또 다른 도입 이정표를 사업 성과로 간주하기 전에 더 구체적인 질문을 던져야 한다. 어떤 유용한 업무가 수용 가능한 기준에 도달했으며, 이를 달성하기 위해 조직은 얼마를 지출했는가?
