기업들이 AI 가격을 책정하는 데 어려움을 겪는 이유

Google News는 8월 4일, 인공지능 업계에서 커지는 갈등을 포착한 BBC 보도를 노출했다. 기업들은 여전히 AI 제품의 가치를 어떻게 책정할지 결정하지 못하고 있다.

이러한 불확실성은 이제 모델 개발사, 소프트웨어 공급업체, 기업 구매자, 그리고 도입을 승인하는 재무팀에까지 영향을 미친다. AI는 사용자, 토큰, 작업, 대화, 용량 또는 비즈니스 성과를 기준으로 판매할 수 있다. 어떤 방식을 택하느냐에 따라 비용과 위험의 부담 주체가 달라진다.

AI가 채팅을 넘어 확장되면서 문제는 더 어려워졌다. OpenAI와 Anthropic은 토큰 기반 접근 방식을 대중화했고, Microsoft와 Salesforce는 기존 비즈니스 소프트웨어에 에이전트를 도입했다. 에이전트는 하나의 요청을 완료하기 전에 여러 차례 모델을 호출하고, 회사 데이터를 검색하며, 도구를 사용하고, 스스로 작업 결과를 수정할 수 있다.

전통적인 소프트웨어 가격 책정은 사용자를 한 명 더 추가해도 운영비가 거의 늘지 않는다는 가정에 기반한다. AI는 생성되는 모든 응답이 컴퓨팅 자원을 소비하기 때문에 이 가정을 무너뜨린다. 에이전트 시스템은 작업마다 예측할 수 없는 양의 처리를 수행해 이러한 불일치를 더 크게 만든다.

그 결과 예측 가능한 구독 모델과 가변적인 사용량 과금 모델이 맞서고 있다. 공급업체는 컴퓨팅 비용을 따라가는 수익이 필요하다. 고객은 예측 가능한 청구서와 설명할 수 있는 가치를 원한다. 어느 쪽도 모든 불확실성을 떠안고 싶어 하지 않는다.

Google News 보도는 여전히 비즈니스 모델을 시험하는 시장을 가리킨다

중요한 변화는 새로운 단일 가격이 아니다. 소프트웨어를 판매하는 하나의 신뢰할 수 있는 방식에서 업계가 물러나고 있다는 점이다.

소프트웨어 기업들은 수십 년에 걸쳐 구독 모델을 이해하기 쉽게 만들었다. 기업은 직원 수를 세고, 기능을 선택하고, 계약을 협상했다. 사용량은 크게 달라져도 청구서는 극적으로 변하지 않았다.

생성형 AI는 고객 활동과 공급업체 비용을 직접 연결했다. 텍스트를 처리하고 생성하는 데 사용되는 작은 단위인 토큰은 모델이 수행한 작업을 나타낸다. 더 긴 프롬프트, 더 큰 문서, 더 깊은 추론, 반복적인 도구 호출은 모두 사용량을 늘린다.

이 방식은 정밀해 보이지만, 정밀함이 명확성을 보장하지는 않는다. 대부분의 직원은 작업에 몇 개의 토큰이 필요한지 알지 못한다. 조달팀도 토큰을 완료된 보고서, 해결된 사례, 더 빠른 제품 의사결정으로 쉽게 환산할 수 없다.

에이전트가 작업을 처리하면 난제는 더 커진다. 일반적인 챗봇은 한 번 답할 수 있다. 반면 에이전트는 계획을 세우고, 기록을 검색하고, 외부 시스템을 호출하고, 결과를 평가한 뒤 다시 시도할 수 있다. 따라서 사용자에게 보이는 하나의 요청이 많은 숨은 모델 작업을 만들어낼 수 있다.

OpenAI의 엔터프라이즈 옵션은 이 차이를 보여준다. capacity model은 API 고객이 특정 모델 스냅샷의 토큰 처리량을 예약할 수 있게 한다. 이는 가용성 관리에 도움이 되지만, 구매자는 여전히 애플리케이션에 필요한 용량을 추정해야 한다.

Microsoft는 또 다른 추상화 계층을 사용한다. 일부 Copilot 및 에이전트 기능은 사용량 과금을 적용하며, 일부 배포 환경에서는 선불 용량도 계속 제공된다. Microsoft 문서에 따르면 추론 모델은 한 번의 상호작용 중 두 개 이상의 과금 미터를 활성화할 수 있다.

이러한 접근 방식이 본질적으로 불공정한 것은 아니다. 이는 생산 비용이 가변적인 서비스의 특성을 반영한다. 그러나 고객이 향후 사용량을 충분히 이해하기도 전에 예측 업무를 떠안게 만든다.

Google News를 통해 확산된 BBC 헤드라인이 중요한 이유는 일시적인 프로모션 주기가 아니라 구조적 문제를 설명하기 때문이다. AI 공급업체들은 컴퓨팅 비용, 고객 가치, 이해하기 쉬운 계약을 연결하는 방법을 시험하고 있다. 이 세 요소가 함께 움직이는 경우는 드물다.

더 저렴한 모델은 한 번의 호출 비용을 낮출 수 있다. 그러나 다단계 워크플로를 자동으로 예측 가능하게 만들지는 않는다. 효율적인 에이전트는 더 적은 호출로 작업을 완료할 수 있지만, 잘못 설계된 에이전트는 더 나은 답변을 만들지 못한 채 더 많은 자원을 소비할 수 있다.

따라서 가격 책정은 제품 설계의 문제가 된다. 과금 방식은 개발자가 워크플로를 구축하는 방식, 사용자가 이를 얼마나 자주 활용하는지, 관리자가 자율 운영을 허용하는지에 영향을 준다. 또한 어떤 실패가 재정적으로 고통스러워지는지도 결정한다.

고정 구독은 실험을 장려하지만, 공급업체를 헤비 유저의 위험에 노출한다. 토큰 과금은 공급업체를 보호하지만 도입을 저해할 수 있다. 성과 기반 과금은 가치와 정렬되는 것처럼 보이지만, 성공의 의미에 대해 양측이 합의해야 한다.

어떤 모델도 위험을 없애지 않는다. 다만 누가 그 위험을 부담할지 결정할 뿐이다.

사용자 기반 소프트웨어는 가변적인 AI 비용과 충돌한다

AI 공급업체는 구독의 단순함을 원하지만, 추론 경제성은 계속해서 그들을 사용량 과금으로 끌어당긴다.

사용자 기반 가격은 승인된 사용자 한 명당 요금을 부과한다. 이는 직원이 직접 조작하는 도구 역할을 하는 소프트웨어에 잘 맞는다. 고객은 사용자 수를 세어 지출을 추정할 수 있고, 공급업체는 반복 수익의 혜택을 얻는다.

AI 에이전트는 지속적인 인간 개입 없이도 작업을 수행할 수 있기 때문에 이 논리를 복잡하게 만든다. 한 직원은 단일 조회를 수행하는 에이전트를 실행할 수 있다. 다른 직원은 수백 개 문서를 검토하고 결과를 여러 번 수정하는 워크플로를 시작할 수 있다.

두 사용자에게 동일하게 과금하면 수익이 운영비와 분리될 수 있다. 가격도 제공된 작업량과 분리된다. 더 큰 워크로드를 실행하는 고객은 두 사용자 계정이 동일하게 보이는데도 더 많은 서비스를 받는다.

반대 모델은 사용량에 따라 과금한다. 공급업체는 토큰, 메시지, 모델 호출, 작업 또는 처리 용량을 계량할 수 있다. 그러면 수익은 기술적 활동을 더 밀접하게 따른다.

Microsoft의 agent billing guidance는 이 방식이 얼마나 세분화될 수 있는지 보여준다. 에이전트 기능마다 소비량이 다르고, 추론 기능을 갖춘 모델은 별도의 미터를 사용할 수 있다. 이러한 세분화는 비용 회수에 도움이 되지만, 예산 수립은 워크플로의 행동 방식에 좌우된다.

고객은 사용량을 모니터링하고, 한도를 설정하고, 프롬프트를 최적화할 수 있다. 이러한 통제 수단은 배포 이후에 도움이 된다. 그러나 검증되지 않은 워크플로가 대규모 환경에서 얼마나 소비할지에 대한 선행 질문을 해결하지는 못한다.

이는 특히 지식 노동에서 어렵다. 반복적인 분류 작업은 입력과 출력이 비교적 안정적이다. 연구, 코딩, 계약 분석, 고객 지원에는 에이전트를 더 긴 경로로 보내는 예외가 포함된다.

지원 에이전트는 익숙한 요청을 한 번의 검색으로 해결할 수 있다. 드문 계정 문제는 여러 데이터베이스 조회, 정책 확인, 이관을 필요로 할 수 있다. 활동 기반 과금은 이 차이를 반영하지만, 시스템이 어려운 사례를 만날수록 고객은 더 정확하게 더 많은 비용을 지불하게 된다.

이는 나쁜 인센티브를 만들 수 있다. 에이전트가 비효율적으로 작동할수록 공급업체가 더 많이 벌 수 있는 반면, 고객은 추가 비용을 부담한다. 공급업체는 투명한 로그, 효율성 목표, 지출 통제로 이러한 우려에 대응할 수 있다. 그럼에도 신뢰는 상업적 계약의 일부가 된다.

고정 구독은 인센티브를 반대로 만든다. 수익은 안정적으로 유지되는 반면 컴퓨팅 비용은 줄어들기 때문에, 모델과 워크플로가 더 효율적으로 변할수록 공급업체에 이익이 된다. 그러나 무제한 접근은 사용자가 대규모 작업을 자동화하거나 에이전트를 지속적으로 실행할 때 위험을 만든다.

혼합형 가격 책정은 위험을 나누려 한다. 기업은 라이선스에 일반적인 사용을 포함하고, 고급 작업이나 더 높은 사용량에는 별도로 과금할 수 있다. 이는 익숙한 진입점을 유지하면서 끝없이 늘어날 수 있는 공급업체 비용을 제한한다.

혼합형 구조는 그 자체의 복잡성도 가져온다. 구매자는 어떤 활동이 포함되고 어떤 활동이 새로운 미터를 작동시키는지 이해해야 한다. 그 경계가 배포 후에야 드러난다면, 단순한 구독은 예측 불가능한 변동 계약으로 바뀐다.

이 갈등은 기존 소프트웨어 기업에 가장 큰 압박을 준다. 이들은 고객이 안정적인 사용자당 계약을 기대하도록 만들어 왔다. 이제 제품이 낯선 클라우드 인프라처럼 느껴지지 않게 하면서 가변 과금을 도입해야 한다.

모델 제공업체는 다른 문제에 직면한다. 생산 단위는 측정하기 쉽지만, 서비스는 점점 더 저렴한 모델과 경쟁하고 있다. 고객은 단순한 작업을 더 작은 시스템으로 보내고, 까다로운 작업에는 프리미엄 모델을 남겨둘 수 있다.

이러한 라우팅은 공급업체가 광범위한 프리미엄을 부과할 수 있는 능력을 약화시킨다. 또한 오케스트레이션이 각 작업을 어떤 모델이 수행할지 결정하기 때문에 애플리케이션 계층의 중요성을 높인다.

따라서 Google News 보도는 단순히 숫자 하나를 선택하는 문제가 아니다. 기업은 접근 권한, 컴퓨팅, 노동력, 결과 중 무엇을 판매하는지 결정해야 한다. 그 답은 과금 미터, 고객 관계, 제품 자체를 바꾼다.

AI 성과 기반 가격은 누군가 성공을 정의하기 전까지 공정해 보인다

성과 기반 가격은 이론적으로 지불을 가치와 정렬하지만, 귀속 문제는 겉보기 해결책을 또 다른 협상으로 바꾼다.

성과 모델은 시스템이 합의된 결과를 만들었을 때 과금한다. 고객 서비스 공급업체는 해결된 대화에 과금을 연계할 수 있다. 영업 제품은 완료된 작업이나 검증된 다른 이벤트를 기준으로 삼을 수 있다.

이 접근 방식은 즉각적인 매력이 있다. 고객은 토큰 그 자체를 구매하고 싶어 하지 않는다. 고객은 미해결 요청 감소, 더 빠른 분석, 더 나은 서비스 또는 완료된 비즈니스 프로세스를 원한다.

공급업체도 더 명확한 가치 이야기를 얻는다. 보이지 않는 컴퓨팅 단위를 방어하는 대신, 관리자가 이미 측정하는 무언가에 지불을 연결할 수 있다.

Salesforce는 이제 하나의 보편적 답 대신 여러 Agentforce 구조를 제공한다. Agentforce options에는 대화 기반 과금과 유연한 크레딧 시스템이 포함된다. Salesforce는 초기 접근 방식이 모든 워크플로에 충분하지 않다는 사실이 드러난 뒤 후자를 도입했다.

이러한 변화는 성과 기반 가격이 어려워지는 이유를 보여준다. 대화는 짧을 수도 길 수도 있다. 작업은 사소할 수도 중요할 수도 있다. 해결은 에이전트, 고객의 자체 노력, 인간 직원 또는 함께 작동하는 여러 시스템에서 비롯될 수 있다.

당사자들은 먼저 과금 대상 이벤트를 정의해야 한다. 이후 중복 요청, 재개된 사례, 부분 완료, 고객 이탈, 인간 개입, 잘못된 결과에 대한 규칙도 마련해야 한다.

품질은 또 다른 층위를 더한다. 에이전트는 고객을 불만족스럽게 남긴 채 지원 사례를 종료할 수 있다. 수익을 만들지 못하면서 리드를 적격으로 분류할 수도 있다. 시간을 절약하는 계약 초안을 작성할 수는 있지만, 여전히 광범위한 법률 검토가 필요할 수 있다.

과금이 처음 눈에 보이는 완료 이벤트를 따른다면, 공급업체는 지속적인 가치보다 종결을 최적화할 수 있다. 지불이 나중의 비즈니스 결과에 달려 있다면, 외부 요인이 에이전트의 기여를 압도할 수 있다.

성과 기반 가격은 책임성도 바꾼다. 성공한 경우에만 대금을 받는 공급업체는 더 많은 성과 위험을 떠안는 것처럼 보인다. 실제로 계약은 성공의 정의를 좁히거나, 불확실한 사례를 제외하거나, 고객이 특정 데이터와 프로세스를 유지하도록 요구할 수 있다.

그러한 조건은 합리적일 수 있다. 에이전트는 누락된 기록, 상충하는 정책, 접근할 수 없는 시스템으로는 신뢰할 수 있는 결과를 제공할 수 없다. 그럼에도 각각의 조건은 가격이 단순히 가치를 따른다는 주장을 약화시킨다.

독립적인 구매자는 누가 성과 데이터를 통제하는지 물어야 한다. 공급업체가 미터를 정의하고, 에이전트를 운영하며, 성공을 보고한다면 고객에게는 감사 가능성이 필요하다. 고객은 과금을 유발한 이벤트를 검토하고 잘못된 분류에 이의를 제기할 수 있어야 한다.

두 번째 질문은 최적화에 관한 것이다. 에이전트는 과금 기준점에 도달했을 때 멈추는가, 아니면 고객의 실제 목표에 도달했을 때 멈추는가? 이 두 시점은 항상 같지 않다.

세 번째 질문은 실패에 관한 것이다. 에이전트는 작업을 완료하지 못한 채 상당한 컴퓨팅 리소스를 소모할 수 있다. 성과 기반 과금에서는 벤더가 그 직접 비용을 부담한다. 예상되는 대응은 난도가 높은 워크플로를 제한하거나, 불확실성을 계약 가격에 반영하거나, 경계선 사례를 사람에게 넘기는 방식이다.

이는 성과 기반 과금이 기술 비용을 없애지는 않는다는 뜻이다. 그 비용을 비즈니스 이벤트 뒤에 숨기고, 위험을 자격 요건 규칙으로 옮길 뿐이다.

명확히 정의되고 처리량이 높은 워크플로에서는 이 모델이 작동할 수 있다. 양측 모두 이벤트를 측정하고, 예외를 검토하며, 발생 빈도를 추정할 수 있다. 하지만 품질이 주관적인 개방형 지식 노동에서는 이런 방식이 더 어려워진다.

리서치 메모, 제품 전략, 소프트웨어 설계에는 이진적인 단 하나의 성공 지점이 드문 경우가 많다. 그 가치는 이후 사람의 의사결정을 통해 드러난다. 성과당 과금은 품질이나 영향에 관한 논쟁의 여지가 있는 판단을 요구하게 된다.

이 한계 때문에 사용량 기반 및 좌석 기반 과금은 계속 유지된다. 완벽하지는 않지만 관찰 가능한 대상을 측정하기 때문이다. 성과 모델은 결과가 동등하게 관찰 가능하고 귀속될 수 있는 분야에서 가장 잘 작동한다.

더 저렴한 모델은 압박을 높이지만 예측 격차를 해소하지는 못한다

경쟁은 지능의 비용을 낮출 수 있지만, 단가 하락이 자율 워크로드를 예측 가능하게 만들지는 않는다.

오픈 모델과 소규모 전문 시스템은 기업에 더 큰 협상력을 제공한다. 개발팀은 어려운 추론에는 프리미엄 모델을 사용하고, 일상적인 분류나 추출은 더 저렴한 옵션에 맡길 수 있다.

이 멀티모델 접근법은 단일 제공업체에 대한 의존도를 낮춘다. 또한 모델 선택을 영구적인 약정이 아니라 운영상의 결정으로 바꾼다.

이 변화는 OpenAI, Anthropic, Google, Microsoft 및 기타 벤더가 프리미엄 서비스의 가치를 입증하도록 압박한다. 더 작은 모델이 고객의 실제 작업을 안정적으로 완료할 수 있다면, 순수 벤치마크 선도 지위의 중요성은 줄어든다.

IDC는 AI 경쟁이 측정 가능한 결과를 향해 이동하고 있다고 주장한다. IDC의 성과 분석에 따르면, 기업이 파일럿을 핵심 워크플로로 옮기는 데 어려움을 겪는 상황에서 운영 준비도는 여전히 주요 제약 요인이다.

이 구분은 매우 중요하다. 더 낮은 토큰 요금은 워크로드, 프롬프트, 검색 시스템, 도구 호출이 계속 효과적일 때만 도움이 된다. 반복적인 수정이 필요한 저렴한 답변은 강력한 첫 시도보다 더 많은 비용이 들 수 있다.

에이전트 설계가 최종 청구액의 상당 부분을 결정한다. 개발자는 얼마나 많은 컨텍스트를 제공할지, 언제 문서를 검색할지, 어떤 도구를 호출할지, 얼마나 많은 재시도를 허용할지를 선택한다. 작업에 고급 추론 모델이 필요한지도 결정한다.

프롬프트 캐싱은 아키텍처 차원의 절감 사례를 보여준다. 애플리케이션이 동일한 자료를 다시 계산하는 대신, 이전에 처리한 프롬프트 콘텐츠를 재사용할 수 있게 한다. OpenAI의 캐싱 문서는 반복되는 프롬프트 접두사가 캐시되지 않은 입력과 다르게 처리될 수 있는 방식을 설명한다.

캐싱은 애플리케이션이 안정적인 지침이나 참고 자료를 반복적으로 전송할 때 도움이 된다. 모든 작업이 서로 다른 레코드를 사용하거나 새로운 컨텍스트를 요구할 때는 효과가 떨어진다.

검색은 모델에 전송되는 정보량을 줄일 수 있지만, 부실한 검색은 다른 비용을 초래한다. 시스템이 관련 없는 문서를 선택하면 모델은 약한 답변을 내놓거나 추가 시도가 필요할 수 있다.

인적 검토도 계산에 포함되어야 한다. AI 시스템은 API 계층에서는 저렴해 보이면서 검증 작업을 직원에게 전가할 수 있다. 유용한 비용 측정에는 설정, 모니터링, 수정, 보안, 거버넌스가 포함된다.

이 때문에 토큰만을 기준으로 한 비교는 구매자를 오도할 수 있다. 토큰은 생산량 측정치이지 유용한 작업을 완전히 측정하는 기준은 아니다.

같은 문제는 구독 비교에도 영향을 미친다. 명목상 무제한인 요금제에는 사용량 제한, 모델 제한, 또는 헤비 유저가 받는 서비스량을 바꾸는 정책이 포함될 수 있다. 기업에는 요금제 이름만이 아니라 서비스 보장과 워크로드 테스트가 필요하다.

Google News 보도는 모델 비용 하락과 총사용량 증가 사이의 이러한 긴장을 점점 더 반영하고 있다. 에이전트가 더 긴 작업을 수행할수록 효율성 개선은 더 많은 소비를 유도할 수 있다. 단계당 비용이 낮아진다고 총지출이 줄어드는 것은 아니다.

이 패턴은 클라우드 컴퓨팅과 닮았다. 더 저렴한 스토리지와 처리 성능은 기업이 만드는 것의 범위를 넓혔지만, 전체 클라우드 청구액은 여전히 적극적인 관리가 필요했다. AI는 모델 행동과 워크플로 길이가 확률적이라는 점에서 추가적인 불확실성을 도입한다.

결정론적 프로그램은 정의된 순서를 따른다. 에이전트는 유사한 요청에도 서로 다른 경로를 선택할 수 있다. 이러한 유연성은 가치를 만들지만, 용량 계획도 복잡하게 한다.

기업은 작업 예산으로 대응할 수 있다. 에이전트에 최대 단계 수, 도구 호출 수 또는 토큰 수를 부여하는 방식이다. 한도에 도달하면 중단하거나, 승인을 요청하거나, 사람에게 작업을 넘겨야 한다.

또한 작업을 복잡도에 따라 라우팅할 수 있다. 경량 모델은 일반적인 작업을 처리하고, 더 성능이 뛰어난 시스템은 어려운 사례에만 투입된다. 이러한 라우팅 규칙은 평가 데이터가 결정해야 한다.

지식 집약적 업무에서는 신뢰할 수 있는 컨텍스트를 유지하는 일도 똑같이 중요하다. 잘 정리된 지식 워크플로는 불필요한 검색과 반복적인 문서 처리를 줄일 수 있다. 다만 정보 품질은 실제 애플리케이션 안에서 여전히 테스트가 필요하다.

경쟁의 결과가 자동으로 가장 저렴한 모델에 돌아가지는 않을 것이다. 변동적인 지능 비용을 통제 가능하고 신뢰할 수 있는 작업으로 전환하는 시스템이 유리할 것이다.

AI 가격 지표가 여전히 보여주지 못하는 것

현재의 모든 가격 모델은 가치 사슬의 일부를 빠뜨리므로, 하나의 측정 단위가 인센티브를 완전히 일치시킨다는 주장을 구매자는 경계해야 한다.

토큰 과금은 모델 활동을 측정한다. 답변이 정확한지, 유용한지, 필요한지는 측정하지 않는다. 애플리케이션은 더 적은 토큰을 소비하면서도 작업에 실패할 수 있다.

좌석 기반 과금은 승인된 접근 권한을 측정한다. 시스템이 얼마나 많은 작업을 수행하는지, 직원들이 이를 채택하는지는 드러내지 않는다. 기업은 많은 사용자에게 라이선스를 부여하면서도 운영상 가치를 거의 얻지 못할 수 있다.

행동 기반 과금은 수행된 단계를 측정한다. 더 짧은 경로가 더 나은 경우에도 시스템이 더 많은 작업을 하도록 보상할 수 있다. 행동의 정의도 제품마다 다를 수 있다.

대화 기반 과금은 알아보기 쉬운 고객 서비스 단위를 만든다. 그러나 대화는 길이, 복잡도, 결과가 서로 다르다. 재개된 사례는 원래 상호작용이 성공했는지에 대한 모호성을 드러낼 수 있다.

성과 기반 과금은 선언된 결과를 측정한다. 귀속, 품질, 지연된 효과, 외부 요인 측면에서 어려움을 겪는다. 또한 누가 측정을 통제하는지를 두고 이견을 불러올 수 있다.

어떤 측정 단위도 모든 것을 포착하지 못한다. 따라서 구매자는 기술적 측정치와 비즈니스 측정치를 함께 갖춰야 한다.

기술 측면에는 워크플로, 모델, 환경, 작업 유형별 사용량이 포함되어야 한다. 팀은 실패율, 재시도 횟수, 지연 시간, 도구 호출, 인적 에스컬레이션을 파악해야 한다.

비즈니스 측면에는 완료 품질, 절감된 시간, 채택률, 고객 반응, 감독 비용이 포함되어야 한다. 이러한 측정치는 AI 도입 이전에 정의된 기준선과 연결돼야 한다.

기준선이 없으면 벤더와 고객 모두 성공을 주장할 수 있다. 벤더는 활동량을 가리키고, 고객은 변하지 않은 비즈니스 결과를 가리킨다. 어느 쪽도 시스템이 실제로 무엇을 개선했는지 입증할 수 없다.

통제된 파일럿은 에이전트가 작업을 수행할 수 있는지 이상을 답해야 한다. 쉬운 사례와 어려운 사례 전반의 사용량 분포를 보여줘야 한다.

평균은 위험한 변동을 감춘다. 에이전트는 대부분의 요청에서는 경제적일 수 있지만, 소수의 예외에서는 극도로 비쌀 수 있다. 도입 이후에는 이러한 예외가 총지출의 대부분을 차지할 수 있다.

구매자는 적대적 입력과 형식이 잘못된 입력도 테스트해야 한다. 루프에 빠지거나, 도구를 반복 호출하거나, 예상보다 큰 문서를 처리하는 에이전트는 가치를 제공하지 못한 채 리소스를 소비할 수 있다.

지출 한도는 필수지만, 무딘 한도는 비즈니스 프로세스를 중단시킬 수 있다. 팀은 전역 한도와 워크플로별 제어 및 알림을 결합해야 한다.

직원들은 자신의 행동이 미치는 상업적 효과를 잘 보지 못하는 경우가 많기 때문에 거버넌스가 중요하다. 사용자는 버튼 하나를 보지만, 그 뒤의 시스템은 여러 모델과 엔터프라이즈 서비스를 호출할 수 있다.

명확한 인터페이스는 작업이 프리미엄 추론, 대규모 컨텍스트 또는 자율 워크플로를 사용할 때 이를 알려야 한다. 목표는 모든 사용자에게 토큰 회계를 부담시키는 것이 아니다. 중요한 선택을 이해하도록 돕는 것이다.

벤더는 고객이 실제로 조치할 수 있는 수준의 청구 데이터를 제공해야 한다. 월간 총액만으로는 충분하지 않다. 팀은 어떤 에이전트, 워크플로 또는 기능이 변화를 일으켰는지 식별할 수 있어야 한다.

고객은 거짓 정밀성에도 저항해야 한다. 상세한 크레딧 시스템은 투명해 보일 수 있지만 실제 컴퓨팅 활동과 연결하기는 여전히 어려울 수 있다. 크레딧은 기술적 복잡성을 패키징하는 데 도움이 되지만, 전환 규칙이 안정적이고 문서화되어 있을 때만 그렇다.

회의적인 관점은 기초 제품 자체가 아직 안정되지 않았기 때문에 AI 가격 책정도 계속 불안정할 것이라는 것이다. 모델 역량은 변하고, 추론 방식은 개선되며, 에이전트는 새로운 작업을 맡는다. 가치의 단위가 계속 움직이는 동안에는 지속 가능한 측정 단위가 쉽게 등장하기 어렵다.

그렇다고 엔터프라이즈 도입이 불가능해지는 것은 아니다. 계약이 유연성을 유지해야 한다는 뜻이다. 구매자는 워크플로가 성숙함에 따라 사용량을 모니터링하고, 모델을 변경하고, 한도를 수정하고, 가격을 재검토할 수 있어야 한다.

한편 벤더는 복잡성을 은폐 수단으로 사용하지 않아야 한다. 고객이 반복적으로 예상치 못한 청구서를 받거나 내부적으로 비용을 설명할 수 없다면, 모델 품질과 무관하게 도입은 느려질 것이다.

신뢰는 기업이 규모 확대 전에 지출을 예측하고, 이후 이를 정산할 수 있는지에 달려 있다.

AI 가격 책정의 다음 방향을 보여줄 세 가지 신호

승리하는 가격 모델은 결제를 유용한 작업과 분리하지 않으면서 에이전트 비용을 예측 가능하게 만드는 모델이 될 것이다.

첫 번째 신호는 주요 소프트웨어 벤더가 실제 엔터프라이즈 배포 이후 측정 단위를 단순화하는지 여부다. Salesforce는 이미 사용자당, 대화당, 유연한 사용량 기반 옵션을 제공한다. Microsoft는 에이전트 제품 전반에서 라이선싱, 선불 용량, 종량제 구조를 결합한다.

더 많은 선택지는 다양한 워크로드를 지원할 수 있다. 동시에 벤더가 하나의 안정적인 가치 단위를 아직 찾지 못했다는 신호일 수도 있다.

이들 기업이 옵션을 통합할지, 아니면 추가적인 구분을 도입할지 지켜봐야 한다. 통합은 구매자와 벤더가 반복 가능한 패턴을 찾아냈음을 시사한다. 계층이 더 늘어난다면 에이전트 행동이 공통 계약에 담기기에는 여전히 너무 다양하다는 뜻이다.

두 번째 신호는 사용량 제어의 품질이다. 청구 대시보드는 월간 보고에서 벗어나 워크플로 수준의 예측, 자동 이상 감지, 강제 가능한 작업 예산으로 나아가야 한다.

이는 또 한 번의 명목상 가격 인하보다 더 중요하다. 지출을 설명할 수 있다면 재무팀은 비교적 비싼 서비스도 관리할 수 있다. 예측하기 어려운 노출을 가진 더 저렴한 서비스에는 주저할 것이다.

더 나은 제어 기능은 사용량 기반 과금을 강화할 것이다. 고객은 활동을 추적하고, 예측하고, 상한을 설정할 수 있다면 변동 청구서를 받아들일 수 있다. 제어 기능이 약하면 구매자는 고정 구독이나 엄격히 범위를 정한 파일럿으로 돌아갈 것이다.

세 번째 신호는 성과 기반 과금이 복잡한 비즈니스 프로세스와 맞닿아도 살아남는지 여부다. 고객 지원은 대화, 해결, 재개, 에스컬레이션을 기록할 수 있기 때문에 가장 명확한 시험대 중 하나다.

벤더와 고객이 지속 가능한 정의에 합의하고, 감사 분쟁을 효율적으로 처리하며, 서비스 품질을 유지한다면 성과 기반 과금은 다른 구조화된 워크플로로 확대될 수 있다.

계약에 예외 조항이 누적되고 구매자가 무엇을 성공으로 볼지 다툰다면, 성과 기반 과금은 기본값이 아니라 선택적인 옵션으로 남을 것이다.

엔터프라이즈 도입 사례에 대한 독립적인 분석은 벤더 발표보다 더 유용할 것입니다. 구매자는 모델 사용량뿐 아니라 총 운영 비용을 포괄하는 근거를 찾아야 합니다. 여기에는 통합, 모니터링, 인적 검토, 실패한 작업이 포함됩니다.

차세대 에이전트 제품은 여러 상업 모델을 지원할 가능성이 큽니다. 일상적인 직원 지원은 사용자 라이선스에 포함될 수 있습니다. 대량 자동화에는 사용량 기반 과금이 적용될 수 있습니다. 검증 가능한 결과를 내는 제한된 워크플로에는 성과 기반 청구가 가능할 수 있습니다.

이러한 혼합형 미래는 하나의 보편적 해답보다 덜 우아합니다. 그러나 AI 제품이 서로 다른 종류의 업무를 수행한다는 점에서 더 현실적이기도 합니다.

개발자에게 가격 책정 아키텍처는 이제 시스템 설계의 일부입니다. 모델 라우팅, 캐싱, 컨텍스트 관리, 재시도 정책, 승인 게이트는 모두 상용 제품에 영향을 미칩니다.

엔터프라이즈 구매자에게 조달은 구현이 시작되기 전에 끝날 수 없습니다. 계약 조건은 관찰된 워크로드 동작을 반영해야 하며, 기술 팀은 청구 데이터에 접근할 수 있어야 합니다.

지식 노동자에게 중요한 질문은 모든 프롬프트에 눈에 보이는 비용이 붙는지 여부가 아닙니다. 예상치 못한 사용량이 발생한 뒤 조직이 유용한 도구를 제한하는지 여부입니다.

Google News는 AI 경제에서 실제 단층선을 부각했습니다. 벤더들은 운영 비용은 인프라와 유사하고 약속하는 가치는 노동과 유사한 소프트웨어를 판매하고 있습니다. 어느 전통적 가격 모델도 깔끔하게 들어맞지 않습니다.

결정적인 질문은 실무적입니다. 조직은 각 AI 워크로드를 통제 가능한 비용과 측정 가능한 결과에 연결할 수 있을까요? 벤더가 이 질문에 더 쉽게 답할 수 있도록 하기 전까지, 가장 안전한 접근법은 제한적으로 배포하고, 계량을 투명하게 공개하며, 실제 사용 환경에서 경제성이 검증된 뒤에만 확장하는 것입니다.