#토큰 가격
2개의 포스트
AI 도입률은 24%인가 89%인가 — 같은 미국 기업을 세 개의 자로 재면 생기는 일
2026년 9월 미국 인구조사국은 미국 기업의 23.8%가 AI를 쓴다고 했습니다. 같은 달 핀테크 회사 Ramp는 56.1%, 맥킨지는 89%라고 했습니다. 셋 다 틀리지 않았습니다. 묻는 대상이 '미국의 모든 고용 기업'인지, '법인카드 결제 플랫폼의 고객'인지, '설문에 답한 대기업 관리자'인지가 다를 뿐입니다. 인구조사국은 작년 11월 질문 문구 하나를 바꿨을 뿐인데 10.0%였던 값이 17.3%로 뛰었습니다. 이 글은 세 숫자를 같은 차트에 겹쳐 보고, 다섯 가지 가상의 회사를 각 조사에 대어 보며, 한국 통계(32.9%와 9.6%)도 같은 방식으로 읽습니다. 그리고 도입률보다 중요한 질문 두 가지, 효과를 봤는가(맥킨지 37%)와 토큰값이 내린 만큼 더 쓰는가(최근 두 달은 아니었다)까지 데이터로 확인합니다.
토큰값이 67% 떨어졌는데, 왜 AI 청구서는 3배가 됐나 — 제번스의 역설과 추론 경제학
2026년, AI 모델의 토큰 단가는 1년 만에 67% 떨어졌다. GPT-4 기준으로는 3년간 99.7%가 빠졌다. 그런데 기업의 73%가 'AI 지출이 예상을 초과했다'고 답했고, 우버는 2026년 AI 예산을 4월에 다 태웠다. 값은 폭락하는데 청구서는 폭발하는 이 역설의 이름은 1865년 경제학자 윌리엄 스탠리 제번스가 석탄에서 발견한 '제번스의 역설'이다. 이 글은 왜 추론이 싸질수록 총지출이 늘어나는지 — 에이전트 한 작업이 챗의 1,000배 토큰을 먹는 배수의 폭발, 효율이 하드웨어 부족을 부르는 악순환의 고리 — 를 데이터로 해부하고, 'best model wins'가 'best fit wins'로 바뀐 시대의 생존 무기인 모델 라우팅과 비용 통제 플레이북까지 실무적으로 정리한다.