You are not a model. Don’t price per token.

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AI 애플리케이션은 하락하는 원가 단위인 토큰이 아니라, 신뢰성 있게 측정·귀속·방어할 수 있는 가장 높은 가치 계층의 작업·크레딧·성과를 기준으로 가격을 매겨야 한다.

📌 핵심 요약

• 토큰 과금은 2020년 OpenAI API처럼 원시 추론을 판매하는 모델 계층에는 적합하지만, 데이터·도구·오케스트레이션·통합·워크플로를 묶어 일을 완수하는 AI 애플리케이션에는 가치와 비용 구조가 어긋날 수 있다.
• 기술 AI 구매자 50명 조사에서 27명은 인식 가능한 작업에 연결된 크레딧을, 14명은 토큰을 선호했으며, 구매자는 토큰 자체보다 비교 가능성과 지출 통제를 원했다.
• 강한 크레딧 체계는 토큰을 숨겨 환산하지 않고 고객이 이해하는 작업, 상대적 노력, 여러 워크로드를 포괄하는 상업적 유연성에 연결되며, 몇 문장 안에 이해될 만큼 단순해야 한다.
• 크레딧 풀의 가격은 고객 가치·지불 의향·경쟁으로, 작업별 크레딧 소모량은 제공 비용·복잡성으로 따로 정하면 모델 라우팅·캐싱·프롬프트 최적화에서 생기는 마진 개선 여지를 지킬 수 있다.
• 성과가 관찰·귀속 가능하면 성과 과금으로 이동하고, 그렇지 않으면 작업 기반 크레딧을 쓰며, Clay처럼 예측 가능한 모델은 고정 가격, 변동성이 큰 고가 추론 모델은 실제 토큰 비용 전가를 결합할 수 있다.

🧩 주요 포인트

1. 판매 계층과 계량 단위의 일치: 원시 모델 접근은 토큰, 완성된 작업은 크레딧, 명확히 귀속되는 결과는 성과로 과금해야 고객 가치와 가격 기준이 맞는다.
2. 가독성과 예측 가능성: 토큰은 제품마다 다른 모델·데이터·도구·자동화를 동일 단위처럼 보이게 하고 수요 예측을 컴퓨팅 예측으로 바꾸지만, 작업 단위는 예산과 ROI 판단을 쉽게 한다.
3. 마진과 유연성: Clay의 Actions·Data Credits·선별적 토큰 전가처럼 계층별 계량기를 나누면 플랫폼 가치와 변동 원가를 분리하면서 하이브리드 과금을 운용할 수 있다.

🧠 상세 정리

1. 토큰 과금의 출발점과 적용 한계

토큰 과금은 모델 계층에서 출발했으며, 2020년 OpenAI가 API를 출시했을 때 모델이 소비한 계산량으로 원시 추론을 계량하는 방식은 합리적이었다. 그러나 2년 뒤 ChatGPT 등장 이후 확산된 애플리케이션은 모델 호출만 제공하지 않고, 독점 데이터·도구·오케스트레이션·통합·워크플로 로직을 조합해 고객을 대신해 일을 끝내기 시작했다. 이런 제품이 토큰으로 가격을 정하면 모델 제공자의 원가 구조를 고객 관계에 그대로 들여오고, 계속 낮아지는 원가 단위에 제품 가치를 고정하게 된다. 저자들은 모델 계층의 가격 논리를 애플리케이션 계층에 옮기는 일을 대체로 오류로 보고, 신뢰성 있게 측정하고 특정 작업에 귀속하며 가격으로 방어할 수 있는 가장 높은 가치 계층을 선택하라고 제안한다.

2. 잘못된 가격 기준이 만드는 손실

토큰 기반 가격은 고객에게 전문 애플리케이션을 원시 컴퓨팅과 비교하도록 학습시켜, 데이터·워크플로·오케스트레이션이 더한 가치를 가격에서 지워 버린다. 또한 고객이 맥락 길이, 검색량, 재시도, 추론 시간, 출력 토큰 같은 기술 변수를 예측하게 만들고, 공급자에게는 약한 마진 구조를 고착시킬 수 있다. 크레딧도 토큰 원가에 일정 금액을 더한 환산 단위에 그치면 인프라 사용량을 재는 본질은 바뀌지 않으므로 해결책이 아니다. 반대로 고객이 알아보는 작업을 기준으로 과금하면 가치가 읽히고 지출이 예측 가능해지며, 제품 개선으로 같은 작업을 더 효율적으로 수행할 때 그 경제적 이익을 양측이 나눌 여지가 생긴다. 기술 AI 구매자 50명 조사에서 작업 연계 크레딧 선호가 27명, 토큰 선호가 14명이었다는 결과는 이런 가독성 요구를 뒷받침한다.

3. 판매 계층에 맞는 가치 단위

가격 기준은 판매하는 계층과 맞아야 한다. 모델 제공자는 추론 접근을 판매하므로 토큰으로 계량할 수 있고, 결과가 충분히 관찰 가능하며 특정 제품의 기여로 귀속되는 애플리케이션은 성과를 직접 가격으로 삼을 수 있다. 대부분의 AI 애플리케이션이 위치하는 중간 계층에서는 계정 조사 에이전트의 검색·모델 호출이 아니라 완성된 계정 브리프, 코딩 에이전트의 내부 연산이 아니라 구현된 변경, 데이터 플랫폼의 구성 요소가 아니라 완료된 쿼리·파이프라인·에이전트 실행이 판매 단위가 된다. 제품의 역할은 이 작업 아래의 복잡성을 고객에게서 추상화하는 것이며, 모든 범주에 통용되는 하나의 AI 과금 지표는 존재하지 않는다. 음성 AI는 분에서 해결된 대화로 이동할 수 있고, 코파일럿은 좌석제로 시작한 뒤 에이전트 작업의 비용과 가치 편차가 커지면 사용량 과금을 더할 수 있으므로, 핵심 질문은 고객이 이미 이해하고 일관되게 측정할 수 있는 가치 단위가 무엇인지이다.

4. 구매자가 원하는 비교 가능성과 통제

구매자가 토큰 정보를 묻는 이유는 대체로 비교 가능성과 통제다. 토큰은 전문 제품, 범용 모델 API, 내부 구축안을 같은 기준으로 비교할 수 있는 듯 보이지만, 각 제품이 서로 다른 모델·데이터·도구·자동화 수준을 결합하므로 동일한 토큰 한 개가 동일한 작업을 만들지는 않는다. 재무와 IT는 AI 지출을 부서·프로젝트·고객·청구서에 배분해야 하지만, 제품마다 맥락 길이·검색량·재시도·추론 시간·출력량을 따로 예측하게 하면 애플리케이션이 숨겨야 할 복잡성을 다시 떠안게 된다. 지원 책임자는 대화 건수는 추정할 수 있어도 각 대화의 컴퓨팅 경로는 예측하기 어렵기 때문에, 단순해야 할 ROI 계산이 제품별 컴퓨팅 예측 작업으로 바뀐다. 해법은 완료된 작업, 용량의 사용처, 특정 작업이 더 많은 자원을 쓴 이유를 공개해 신뢰와 비용 배분을 돕되, 그 기초 사용량을 반드시 상업적 청구 단위로 삼지는 않는 것이다.

5. 가치에 연결되는 크레딧 설계

중간 계층에서 크레딧은 변동성 있는 작업을 포장하는 유용한 통화가 될 수 있지만, 그 자체가 가치 지표는 아니다. 약한 체계는 토큰 수를 불투명한 내부 화폐로 바꿔 계량기를 숨길 뿐이고, 강한 체계는 작은 버그 수정과 여러 파일의 기능 구현, 계약 조항 하나의 요약과 계약 전체 검토, 레코드 하나의 보강과 다단계 계정 조사처럼 고객이 인식하는 작업과 노력 차이를 연결한다. 좋은 크레딧은 고객이 재료가 아니라 결과 작업을 사도록 인프라 복잡성을 추상화하고, 단순·표준·복잡 작업의 상대적 소모량을 설명하며, 하나의 풀로 여러 워크로드·에이전트·자동화를 포괄하게 한다. 이 구조는 조달이 계약 하나를 관리하면서도 다양한 용도를 수용하게 하는 상업적 유연성을 제공한다. 최종 검사는 이해 가능성으로, 고객은 컴퓨팅 부하보다 자기 업무량을 먼저 알기 때문에 몇 문장으로 설명되지 않는 크레딧 체계는 지나치게 복잡하다는 것이 저자들의 기준이다.

6. 가격과 제공 원가의 분리

AI 애플리케이션에서는 사용자가 늘 때마다 추론, 검색, 도구 호출, 제3자 데이터, 미디어 생성, 재시도, 실패 실행 등의 변동 비용이 발생할 수 있어 전통적 SaaS와 비용 구조가 다르다. 매출이 빠르게 증가해도 새 매출 대부분이 모델·클라우드·데이터 제공자에게 지급된다면 성장세가 취약한 사업성을 가릴 수 있다. 이를 막으려면 크레딧 풀의 판매 가격을 정하는 결정과 작업별 크레딧 소모량을 정하는 결정을 분리해야 하며, 전자는 고객 가치·지불 의향·경쟁이, 후자는 상대적 제공 비용·복잡성이 좌우한다. 이 분리는 모델 라우팅, 캐싱, 프롬프트 최적화, 더 나은 인프라, 독점 모델과 오픈소스 모델의 변화하는 조합에서 생기는 마진 개선을 공급자가 보존하게 한다. 고객이 컴퓨팅 원가 환급이 아니라 작업에 돈을 내면 기초 모델 비용이 내려갈 때 애플리케이션도 그 효율 향상의 일부를 유지할 수 있다.

7. Clay의 계층별 하이브리드 과금

Clay 사례는 서로 다른 계층에 서로 다른 계량기를 둘 수 있음을 보여준다. Clay는 2026년 가격 메모에서 2022년 Pro 부문의 크레딧 가격을 잘못 책정해 수년간 해당 부문을 손실로 운영했다고 밝혔다. 새 모델은 제3자 데이터에 Data Credits를, 오케스트레이션 작업에 Actions를 적용해 데이터 원가와 플랫폼 가치를 분리한다. 비용을 예측할 수 있는 모델에는 고정 가격을 유지하는 한편, 변동성이 크고 비싼 추론 모델에는 마진을 붙이지 않은 실제 토큰 비용을 전가한다. 즉 Actions는 플랫폼이 수행한 작업을, 선택적 토큰 전가는 예측하기 어려운 모델 원가를 각각 나타내며, 크레딧 하나로 모든 비용과 가치를 억지로 표현하지 않는 하이브리드 구조다.

8. 성과 과금으로의 이동과 최종 원칙

크레딧은 제품이 가치 있는 작업을 수행하지만 최종 사업 결과를 제품 기여로 깔끔하게 귀속하기 어려울 때 가장 유용하다. 결과가 관찰 가능하고 귀속 가능하며 안정적인 가격을 지탱할 만큼 가치가 분명해지면, 해결된 지원 대화·검증된 잠재고객·예약된 미팅·처리된 청구·회수된 금액처럼 성과 자체로 계량기를 옮길 수 있다. 귀속성이 부족하면 크레딧으로 작업 단위를 과금하고, 고객이 원시 모델 접근을 사면 토큰을 적용한다. 실제 제품은 접근권에 좌석제, 변동 작업에 크레딧, 유난히 비싸거나 예측하기 어려운 모델 호출에 토큰 비용 전가, 귀속이 명확한 결과에 성과 수수료를 결합할 수 있다. 여러 계량기를 쓰는 것 자체가 문제가 아니라 잘못된 계층에 잘못된 계량기를 붙이는 것이 문제이며, 최종 원칙은 신뢰성 있게 측정·귀속·방어할 수 있는 가장 높은 가치 계층에서 가격을 정하는 것이다.

🧾 핵심 주장 / 시사점

• 상업적 계량기를 인프라 원가와 분리하면 모델 비용 하락이 판매 가격의 자동 하락으로 이어지는 것을 피하고, 데이터·오케스트레이션·워크플로 개선의 가치를 애플리케이션 계층에 남길 수 있다.
• 투명성은 토큰을 청구 단위로 채택한다는 뜻이 아니라, 완료된 작업과 자원 사용 이유를 공개하면서 고객이 이해하는 가치 단위로 계약한다는 뜻이다.
• 단일 계량기를 고집하기보다 좌석·크레딧·토큰 전가·성과 수수료를 각 가치 계층에 맞게 배치하는 것이 원가 변동성과 고객의 예산 예측 요구를 함께 다루는 방식이다.

✅ 액션 아이템

• AI 애플리케이션의 현재 과금 단위를 토큰·크레딧·성과 계층과 대조해 판매 가치와의 일치 여부를 검토한다.
• 크레딧이 원가 가산형 토큰이 아니라 고객이 인식하는 작업·상대적 노력·여러 워크로드에 연결되는지 평가한다.
• Clay의 Actions·Data Credits·선별적 토큰 전가 구조를 기준으로 예측 가능한 비용과 변동 원가를 분리하는 하이브리드 과금의 적합성을 확인한다.

❓ 열린 질문

• AI 애플리케이션에서 고객이 이미 이해하고 일관되게 측정할 수 있는 가치 단위는 토큰·크레딧·성과 중 무엇인가?
• 크레딧이 고객이 인식하는 작업과 상대적 노력을 몇 문장 안에 충분히 설명하는가?
• Clay의 Actions·Data Credits·선별적 토큰 전가 중 어떤 조합이 예측 가능한 비용과 변동 원가를 가장 잘 분리하는가?