AI 도입 초기에는 "많이 쓰는 팀이 앞서간다"는 분위기가 강했습니다. 직원들에게 AI 사용을 독려하고, 토큰 사용량을 순위처럼 보는 회사들도 나왔죠. 그런데 막상 청구서가 도착하자 질문이 바뀌기 시작했습니다. AI를 얼마나 많이 썼는가보다, 그 사용이 실제 성과로 이어졌는가가 더 중요해진 겁니다. 이제 기업들은 '무제한 사용'보다 AI 사용량을 관리하는 운영체계를 고민하기 시작했습니다.

1. AI를 많이 쓰는 회사가 먼저 앞서갈 줄 알았습니다

AI 도입 초기에 많은 기업들이 가장 먼저 본 지표는 사용량이었습니다. 누가 더 많이 쓰는지, 어떤 팀이 더 자주 호출하는지, 토큰을 얼마나 태우는지가 곧 "AI를 잘 쓰는 정도"처럼 보였거든요. 그래서 내부적으로 AI 사용을 독려하고, 사용량을 순위화하거나 평가와 연결하려는 분위기도 생겼습니다. 일종의 Token-maxxing 흐름이었죠.

최대한 많이 써보고, 많이 실험하고, 많이 자동화하면 회사의 생산성도 자연스럽게 올라갈 거라는 기대였습니다. 그런데 여기서 문제가 생깁니다. 사용량은 눈에 보이지만, 성과는 바로 보이지 않았거든요. AI를 많이 부른 팀이 정말 일을 더 잘했는지, 비용 대비 얼마나 시간을 줄였는지는 따로 봐야 했습니다. 그리고 그 간극이 드러난 순간, 기업들은 "많이 쓰자"에서 "제대로 쓰고 있는가"로 질문을 바꾸기 시작했습니다.

2. 문제는 토큰 비용이 아니라 '성과 없는 사용량'입니다

청구서는 생각보다 빨리 왔습니다. 기사에 따르면 Uber는 4개월 만에 2026년 AI 예산을 모두 소진했고, Meta 직원들은 30일 동안 60.2조 개 AI 토큰을 사용해 1억 달러 이상의 비용을 발생시켰습니다. 중국에서도 한 게임 AI 팀 직원이 수십 개 Agent를 동시에 돌렸다가 하룻밤에 200만 위안어치 토큰을 쓴 사례가 나왔고요.

그런데 진짜 문제는 "비싸다"가 아닙니다. 많이 썼는데, 그만큼 일이 줄었는지가 불명확했다는 점입니다. AI가 코드를 만들어줬지만 나중에 사람이 다시 이해해야 하고, 여러 Agent가 결과물을 쏟아냈지만 최종 판단과 정리는 결국 사람에게 돌아오는 장면도 생겼습니다. 결국 토큰 비용은 단순한 IT 비용이 아니라, AI 사용이 생산성으로 연결되고 있는지 확인하게 만드는 지표가 된 셈입니다.

3. 기업들은 이제 AI 사용량을 통제하기 시작했습니다

그래서 기업들의 움직임도 바뀌고 있습니다. 처음엔 전 직원에게 AI 사용량을 넉넉하게 열어두고, "일단 써보자"에 가까웠다면 이제는 업무별로 필요한 만큼 배분하는 방식으로 넘어가고 있어요. 기사에 따르면 Tencent는 전 직원에게 일괄적으로 토큰을 지급하던 방식에서, 업무 유형과 실제 필요에 따라 동적으로 배분하는 방식으로 전환했습니다.

중소형 기업들도 비슷합니다. 어떤 회사는 Claude Code 무제한 사용을 중단하고 월 단위 API 한도를 걸었고, 어떤 회사는 직원 1인당 월 500달러 제한을 두기 시작했습니다. 겉으로 보면 비용 절감처럼 보이지만, 본질은 조금 다릅니다. 이제 기업들이 묻는 건 "어떤 모델이 더 싸냐"가 아니라, 이 AI 사용이 어떤 업무 성과를 만들고 있느냐입니다. 결국 무제한 사용보다 중요한 건, AI를 어디에 쓸지 정하고 그 결과를 추적하는 운영 기준입니다.

4. AI Native 조직의 다음 지표는 '얼마나 썼나'가 아닙니다

이제 AI Native 조직이 봐야 할 지표는 단순한 사용량이 아닙니다. 토큰을 얼마나 많이 썼는지보다, 그 사용이 업무 시간을 얼마나 줄였는지, 의사결정 속도를 얼마나 높였는지, 반복 업무를 얼마나 자동화했는지를 봐야 합니다. AI를 많이 호출하는 팀이 아니라, AI를 통해 실제 병목을 줄이는 팀이 앞서가게 되는 거죠.

기사에서는 Baidu 리옌훙이 말한 DAA(Daily Active Agents) 개념도 소개됩니다. 모바일 시대에 DAU가 중요했다면, AI 시대에는 실제로 작동하는 Agent가 얼마나 있는지 봐야 한다는 관점입니다. 다만 여기서도 핵심은 숫자 자체가 아닙니다. 중요한 건 매일 활성화된 Agent가 무슨 일을 대신하고 있는지, 그리고 그 결과가 팀의 성과로 이어지고 있는지입니다.

팀제이커브도 이 흐름을 단순한 비용 관리로만 보지 않습니다. AI를 많이 쓰는 조직이 아니라, AI 사용을 업무 성과와 연결하는 조직이 되어야 한다고 봐요. 결국 다음 단계의 AI 운영체계는 "얼마나 썼나"가 아니라, "무엇이 실제로 바뀌었나"를 증명하는 쪽으로 진화하게 될 겁니다.

'AI Native 백과사전' 구독하기

사이트를 구독하면 새 포스트 등 최신 업데이트를 알림과 메일로 가장 먼저 받아보실 수 있습니다.
Slashpage에 가입하고 'AI Native 백과사전'을 구독하세요!