애플·테슬라도 AI 비용감축, 거품 붕괴 신호탄? - 김아람 이사 (IT커뮤니케이션 연구소)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

애플·테슬라의 AI 비용감축은 거품 붕괴의 확정 신호라기보다 기업들이 사용량 확대에서 비용 대비 성과 검증으로 전환하고 있다는 신호다.

📌 핵심 요점

1. 애플은 일부 엔지니어의 하루 AI 한도를 300달러에서 200달러로 낮췄다는 보도가 소개됐다. 추가 승인을 통한 증액과 저렴한 모델·로컬 AI 활용은 열어뒀다.
2. 테슬라의 주간 한도, 액센추어의 월간 지원 한도, 골드만삭스의 직무별 이용 제한처럼 기업들은 AI 비용과 사용 범위를 구체적으로 관리하기 시작했다.
3. AI 사용 증가가 공급사의 매출 증가로 그대로 이어지지는 않는다. 방송에서 인용한 램프 자료의 기업 AI 지출은 7월에 42% 늘었지만 8~9월 두 달 동안에는 1.5% 증가에 그쳤으며, 10월에는 다시 늘기 시작했다.
4. 레볼루트는 자체 서버의 공개 모델과 필요한 경우의 유료 서비스를 병행해 코딩 AI 비용을 90% 줄였다고 밝혔다. 다만 서버·GPU·운영비를 포함한 총비용은 충분히 공개되지 않았다.
5. AI 성과는 토큰 소비량보다 업무 결과와 처리 시간으로 평가해야 한다. 개인도 업무 난이도에 맞는 모델 선택, 주제별 새 대화, 성과 기록과 구독 점검으로 비용을 관리필요가 있다.

🧩 배경과 문제 정의

방송은 AI가 업무 효율을 높이고 일상적인 도구로 자리 잡았다는 전제에서 출발한다. 그럼에도 애플처럼 자금력이 큰 기업까지 사용 한도를 낮추면서, 비용 통제가 AI 거품 붕괴의 신호인지 아니면 도입 과정에서의 효율화인지가 핵심 질문으로 제기된다.

김아람 이사는 기업별 한도 정책, AI 지출 추이, 공개 모델의 자체 운영, 소비자 에이전트 이용 사례와 성과평가 문제를 연결해 설명한다. 중심 문제는 AI를 얼마나 많이 쓰느냐가 아니라, 지출한 비용에 비해 실제 업무 성과를 얼마나 얻었느냐를 어떻게 판단할 것인가다.

🕒 시간순 섹션별 상세정리

1. 애플의 한도 축소와 AI 비용 검증의 시작

• 진행자와 김아람 이사는 AI가 업무 효율을 높였다는 경험을 공유한 뒤, 기업들이 쓴 돈만큼 효과를 얻었는지 따지기 시작했다는 문제를 제시한다. [00:42]
• 애플이 일부 엔지니어의 하루 AI 한도를 300달러에서 200달러로 줄였다는 보도를 보여준다. 토큰 사용에 따라 비용이 발생하며, 더 필요한 직원은 임원 승인을 받아 한도를 늘릴 수 있다고 보여준다. [01:17]
• 사용을 막기보다는 저렴한 모델이나 아이폰·맥에서 직접 실행하는 로컬 AI로 전환하도록 주문한 상황이라고 덧붙인다. [01:29]

2. 다른 기업으로 확산하는 예산과 직무별 제한

• 테슬라는 직원 1인당 주 200달러, 액센추어는 월 29달러의 지원 한도를 두며, 액센추어의 초과분은 프로젝트나 팀 예산에서 부담하는 구조로 묶인다. [02:12]
• 골드만삭스는 코딩 AI 이용 대상을 엔지니어로 좁히고 은행원과 트레이더는 제외했다고 보여준다. [02:22]
• 봄에는 토큰을 최대한 많이 쓰도록 장려하는 ‘토큰 맥싱’이 유행했지만, 여름의 비용 부담을 거쳐 구체적인 한도를 정하는 단계로 바뀌었다고 정리한다. [02:39]

3. 한도 숫자보다 비용 통제의 의미에 민감한 직원들

• 애플에서는 기존 하루 300달러 한도를 모두 쓰는 사람이 드물어, 예산표의 한도가 낮아져도 실제 사용량은 크게 달라지지 않을 수 있다는 설명이 나온다. [03:12]
• 앞선 200명 이상 감원 발표와 일부 부서의 생산성 컨설턴트 도입이 함께 나온다. 직원들은 한도 금액보다 회사가 비용을 세밀하게 따지기 시작했다는 변화에 민감하게 반응한다고 해석한다. [03:41]

4. AI 사용 증가와 지출 증가를 구분해야 하는 이유

• 진행자는 비용 축소를 거품의 증거로 볼지, 구조조정을 AI 의존도 상승과 연결할지 묻는다. 김 이사는 기업의 AI 사용은 늘지만 지출은 그만큼 늘지 않는 현상에 주목한다. [04:28]
• 미국 기업 법인카드 지출을 집계하는 램프 자료를 인용해, AI 사용료 지출이 7월에는 한 달에 42% 늘었으나 8~9월 두 달 동안에는 1.5% 증가에 그쳤다고 보여준다. [04:49]
• 공급사 간 가격 경쟁과 저렴한 모델 활용은 이용 기업에 유리하지만 공급사의 매출 성장에는 부담이 될 수 있다. 다만 10월에는 지출이 다시 늘어 성장 자체가 꺾였다고 단정하기 이르다고 덧붙인다. [05:21]

5. 레볼루트의 공개 모델과 유료 서비스 병행

• 개발자 약 2,000명이 근무하는 레볼루트는 공개 모델을 자체 서버에 설치해 기본 코딩 도구로 쓰면서, 1년 새 코딩 AI 비용을 90% 절감했다고 묶인다. [05:51]
• 비용 부담이 줄자 오류 찾기 등에 AI를 더 적극적으로 사용했다고 한다. 평소에는 자체 운영 모델을 쓰고 클로드 코드·코덱스 같은 유료 서비스는 필요한 경우에 사용하는 병행 전략이다. [06:16]

6. 자체 서버 운영의 데이터 경로와 숨은 비용

• 레볼루트가 사용하는 중국 업체의 GLM 모델은 파일을 내려받아 자체 서버에서 실행하는 방식으로 드러난다. 중국 서버에 접속해 회사 데이터를 주고받는 방식과는 구분된다. [06:57]
• 은행인 만큼 모델이 제대로 동작하는지 검증해야 한다고 짚어 본다. 또한 90% 절감 주장에 서버 구매·운영과 GPU 비용이 어떻게 반영됐는지는 충분히 공개되지 않았다고 지적한다. [07:27]
• 자체 운영에는 비싼 장비가 필요하므로 직원이 적은 회사에서는 오히려 손해일 수 있다. 개발자 약 2,000명이라는 규모가 절감 효과를 가능하게 한 조건으로 드러난다. [07:48]

7. 기대에 비해 적은 외부 AI 비서의 실제 주문

• 택시 호출·음식 주문·결제를 대신하는 AI 비서가 화제로 제시되지만, 김 이사는 실제 이용은 아직 적다고 보여준다. [08:14]
• 핼러윈 주간 우버와 우버 이츠의 이동·주문이 합계 약 3억 2천만 건이었던 가운데, 외부 AI 비서를 통한 우버 차량 호출은 4건, 음식 주문은 수백 건이었다고 보여준다. 도어대시도 AI 비서를 통한 주문이 수백 건 수준이었다고 한다. [08:48]
• 이 수치는 다른 회사의 AI 비서에게 요청한 이용만 집계한 것으로, 우버 앱 내부의 자체 AI 기능은 포함하지 않는다는 제한을 보여준다. [08:59]

8. 익숙한 앱의 편의성과 플랫폼의 고객 접점 유지

• 우버 앱의 차량 호출은 약 50초, 우버 이츠의 음식 재주문은 약 90초면 가능하다는 설명이 나온다. 이미 빠른 작업을 AI 비서에게 말로 상세히 설명하는 일이 더 번거로울 수 있다는 것이다. [09:56]
• 우버 CEO의 익스피디아 경험을 통해 검색 유입 의존의 문제를 보여준다. 구글에 큰 광고비를 지출해도 구글이 항공권·호텔 비교를 직접 제공하면서 고객 증가가 예전 같지 않았다는 사례다. [10:25]
• 고객이 외부 AI 비서를 통해 들어오면 직접 만나는 창구가 AI 앱으로 이동한다. 플랫폼은 이런 의존을 경계하면서 자체 앱 안의 AI 편의 기능을 구축하고 있다고 보여준다. [10:49]

9. 에이전트 감축과 토큰 효율화 서비스

• 제공 전사에서 도입부가 빠져 기업명이 확인되지 않는 사례로, 7,000개 넘게 만들어진 에이전트를 비용·효과·중요도에 따라 약 1,500개로 줄였다고 보여준다. 사번·소속·직무·권한을 부여하는 관리 제도도 나온다. [11:52]
• 에이전트마다 토큰 비용을 지불할 가치가 있는지 평가하면서 ‘토큰 사용량 대비 성과’, 즉 ‘토성비’라는 표현까지 등장했다고 보여준다. [12:14]
• KT의 토큰 팩토리는 여러 모델 선택, 질문 압축, 쉬운 업무의 저렴한 모델 배정으로 사용량을 최대 25% 줄인다고 묶인다. 내부 테스트 최대치라는 한계와 원화 인건비 절감·달러 사용료의 차이도 짚어 본다. [13:01]

10. 사용량 중심 평가가 만드는 부작용

• 김 이사는 AI를 얼마나 썼는지보다 일을 얼마나 잘 끝냈는지를 평가해야 한다고 제안한다. 메타에서는 사용량을 평가에 반영하자 불필요한 업무와 반복 호출이 늘어, 지난 9월 해당 기준을 제외했다고 보여준다. [14:14]
• 프로톤은 AI 활용을 재면접하고 인력 재편에 반영하겠다는 계획에 반발이 커져 일주일 안에 취소했다고 한다. 다만 관련 내용을 성과평가에 넣기로 했다는 직원 증언이 남아 논란이 이어진다고 보여준다. [14:59]
• 보고서 작성과 업무 처리 시간 단축 등 실제 결과를 중심으로 AI 활용 성과를 평가할 필요가 있다고 정리한다. [15:10]

11. 한도에 대응하는 첫 번째 방법은 업무별 모델 선택

• AI에 업무를 맡기는 습관이 굳어진 뒤 한도가 생기면 불편이 커질 수 있다. 김 이사는 남은 사용량을 확인하고 기존 사용 습관을 돌아볼 필요가 있다고 드러낸다. [16:09]
• 번역·요약은 가볍고 저렴한 모델에 맡기고, 고급 모델은 복잡하고 판단이 많이 필요한 업무에 남겨두는 방식을 제안한다. [16:52]
• 한 서비스 안의 모델을 구분하거나 여러 서비스를 병행할 수 있고, 로컬 모델도 선택지로 제시한다. 고급 모델은 더 세분화된 추론과 반복 검증으로 토큰을 더 쓸 수 있다는 설명을 덧붙인다. [18:29]

12. 새 대화로 문맥을 줄이고 성과로 증액을 요청하기

• 두 번째 요령은 주제가 바뀌거나 새로운 일을 시작할 때 새 대화를 여는 것이다. 긴 대화에서는 이전 내용을 다시 읽어야 하는 부담이 커진다는 이유를 제시한다. [19:04]
• 세 번째는 AI 덕분에 빨리 끝내거나 잘 끝낸 일을 그때그때 기록하는 것이다. 한도 증액을 요청할 때 업무상 필요와 성과를 설명하는 근거로 활용하라고 권한다. [19:34]

13. 회사별 지출 격차와 개인 구독의 최종 점검

• 김 이사는 AI가 전기·수도처럼 기본 도구가 됐지만 요금과 사용량을 살펴야 한다고 드러낸다. 램프 자료상 중간 수준 미국 기업의 직원 1인당 월 AI 비용은 12~15달러인 반면, 상위 1% 기업은 거의 1만 달러에 이른다고 보여준다. [20:44]
• 상위 지출 기업은 주로 벤처 투자를 받은 IT 기업이라고 보여준다. 같은 AI를 쓸 수 있는 환경에서는 사용 자체보다 어디에 집중해 성과를 내는지가 중요하다고 강조한다. [21:06]
• 마지막으로 한 달의 구독료·사용량·수행 업무를 점검해 적게 쓰면 요금제를 낮추고 한도에 자주 걸리면 올릴 것을 권한다. 기업도 개인도 AI의 비용 대비 성과를 따져야 한다는 메시지로 대화를 마친다. [21:47]

🧾 결론

• 기업의 한도 축소는 AI 사용 중단과 구분해야 한다. 애플에서는 기존 한도를 모두 쓰는 직원이 드물어 실제 사용량 변화가 작을 수 있다는 설명도 나왔다.
• 핵심 변화는 AI를 많이 쓰는 것 자체에서 벗어나, 어떤 업무에 얼마를 쓰고 어떤 결과를 얻었는지 따지기 시작했다는 점이다.
• 공개 모델과 유료 모델의 병행은 비용 절감 수단이 될 수 있지만, 자체 운영의 경제성은 조직 규모와 장비·운영비에 따라 달라진다.
• AI 사용량을 인사평가 목표로 삼으면 불필요한 사용을 유도할 수 있다. 업무 완성도와 시간 단축을 중심으로 평가해야 한다는 것이 출연자의 제안이다.

📈 투자·시사 포인트

• AI 이용 기업의 비용 절감과 AI 공급사의 매출 성장은 서로 다른 방향으로 움직일 수 있다. 사용량 증가와 지출 증가를 분리해 살펴볼 필요가 있다.
• 가격 경쟁과 저렴한 모델로의 업무 이동은 기업의 도입 부담을 낮추지만, 공급사의 매출이 기대만큼 빠르게 늘지 못하는 요인이 될 수 있다.
• 10월 지출 반등도 함께 제시됐으므로 일부 기간의 둔화만으로 AI 시장 전체의 성장 종료나 거품 붕괴를 단정하기는 어렵다.
• 외부 AI 비서를 통한 주문이 적다는 사례는 소비자 에이전트의 실제 이용과 기대 사이의 간극을 보여준다. 플랫폼의 고객 접점 유지 전략도 확산 속도에 영향을 줄 수 있다.
• 토큰 절약과 모델 선택을 돕는 서비스에는 사업 기회가 생길 수 있다. 다만 KT의 최대 25% 사용량 절감 수치는 내부 테스트 결과라는 조건을 함께 봐야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 기업별 한도, 감원, 지출 증가율은 방송에서 소개한 보도와 자료에 근거한다. 원문 링크·집계 방법·표본 범위가 제공되지 않아 독립적으로 검증할 수 없으며, ‘지난달’과 월별 수치의 기준 연도도 명시되지 않았다.
• 레볼루트의 코딩 AI 비용 90% 절감은 회사가 밝힌 수치다. 서버 구매·운영과 GPU 비용이 얼마나 포함됐는지 충분히 공개되지 않아 총비용 90% 절감으로 해석해서는 안 된다.
• 우버의 차량 호출 4건과 음식 주문 수백 건은 외부 AI 비서를 경유한 이용에 관한 수치다. 앱 내부 AI 기능은 제외되며, 전체 3억 2천만 건은 이동과 주문을 합친 규모이므로 서로 같은 범위의 지표로 취급하면 안 된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 최근 한 달의 AI 구독료·사용량·수행 업무를 대조하고, 사용이 적으면 요금제를 낮추며 한도에 자주 걸리면 증액 필요성을 검토한다.
• 번역·요약 같은 단순 업무와 복잡한 판단 업무를 나누고, 난이도에 맞는 저렴한 모델과 고급 모델을 선택한다.
• 주제가 바뀌거나 새로운 업무를 시작할 때 새 대화를 열어 불필요하게 긴 문맥을 이어가는 습관을 줄인다.
• AI로 빨리 끝낸 일과 잘 끝낸 일을 기록하고, 처리 시간과 결과를 근거로 사용 한도 증액을 요청한다.

❓ 열린 질문

• 모델 가격 하락과 사용 효율 개선이 계속될 때, AI 사용량 확대가 공급사의 매출 성장으로 얼마나 이어질까?
• 자체 서버 운영이 유료 서비스보다 유리해지는 조직 규모와 업무량의 기준은 무엇일까?
• 이미 빠르고 익숙한 앱보다 외부 AI 비서가 더 편리해지는 조건은 무엇이며, 플랫폼은 외부 에이전트와 어디까지 연결할까?