Apollo의 AI 수익성 경고, 사용량과 이익을 나누다

10월 보고서가 던진 질문

Apollo 수석 이코노미스트 Torsten Slok는 10월 24일 Daily Spark 보고서에서 기술 부문 밖의 AI 투자 성과가 아직 재무 지표에 뚜렷하게 나타나지 않는다고 주장했다. 핵심 비교는 이른바 매그니피센트 7과 S&P 500의 나머지 493개 기업이다. 보고서는 전자의 직원당 매출과 이익률은 상승하지만 후자는 정체돼 있다고 해석한다.

여기서 가장 중요한 구분은 “보고서가 성과를 관찰하지 못했다”와 “AI 효과가 전혀 없다” 사이의 거리다. 글은 강한 표현으로 문제를 제기하지만, 이 기사에서는 이를 Apollo의 해석으로 다룬다. 기업별 AI 도입 시점과 강도를 통제한 무작위 실험 결과가 아니기 때문이다. 또한 S&P 493에는 다른 기술기업도 들어가므로 이를 순수한 비기술기업 표본으로 읽는 것은 부정확하다.

이번 뉴스의 가치는 AI 회의론 자체가 새롭다는 데 있지 않다. 10월의 기업 재무와 지출 자료를 묶어, 모델 사용 확대가 어느 단계에서 손익 개선으로 이어지는지 다시 묻는 데 있다.

지표가 서로 다른 질문에 답한다

직원당 매출은 노동생산성의 단서가 될 수 있지만, 가격 인상이나 인력 구성 변화로도 움직인다. 이익률은 비용 효율 외에 금리, 경쟁, 제품 믹스, 감가상각의 영향을 받는다. 반면 토큰 지출은 모델을 얼마나 사용했는지 알려줄 뿐, 고객이 더 많이 구매했는지를 직접 설명하지 않는다.

보고서가 인용하는 총요소생산성도 별도의 개념이다. 샌프란시스코 연준의 TFP 자료는 노동 노력과 자본 이용 강도의 변화를 조정하는 시계열을 제공한다. FRED의 비농업 기업 시간당 산출 자료는 노동 시간당 산출을 본다. 이런 통계는 거시적 점검에 유용하지만 특정 기업이 도입한 챗봇의 효과를 직접 측정하지는 않는다.

Apollo가 사용량을 문제 삼는 맥락은 기존 도입률 분석과도 맞닿아 있다. 도입한 기업의 비율, 실제 지불액, 실현 매출은 같은 축의 숫자가 아니다.

왜 효과가 늦게 나타날 수 있나

첫째, 모델 가격이 내려가도 업무 재설계 비용은 남는다. 사내 문서 접근권을 정리하고 예외 처리 경로를 만들며 직원이 결과를 검토하는 데 시간이 필요하다. 둘째, 한 단계의 작업 속도가 빨라져도 승인이나 고객 인계가 병목이면 전체 처리량은 그대로일 수 있다. 셋째, 절약한 시간이 실제 비용 절감이나 추가 매출로 전환되지 않을 수도 있다.

NBER의 생산성 J-커브 연구는 범용 기술 도입기에 무형 자산과 조직 변화가 필요하다는 설명을 제공한다. 이는 이번 Apollo 분석을 자동으로 반박하는 증거가 아니라, 당장 보이는 비용과 나중에 나타날 수 있는 효과를 나눠 생각할 틀이다. “언젠가 좋아진다”는 가설 역시 검증 없이 예산을 늘리는 근거가 될 수 없다.

AI 코딩 산출 증가와 리뷰 병목 분석은 이 문제를 업무 단위에서 보여준다. 더 많은 초안과 코드가 만들어져도 품질을 확인하는 사람이 그대로라면, 생성량은 늘고 대기열만 길어질 수 있다.

경쟁의 축은 최신 모델에서 비용 구조로

Apollo는 벤처투자를 받은 기업과 일반 기업의 토큰 지출 양상이 다르다고 본다. 그러나 이를 모든 기업이 최신 모델을 필요로 하지 않는다는 확정된 시장 법칙으로 옮길 수는 없다. 위험이 큰 소수의 업무에는 고성능 모델이 경제적일 수 있고, 반복 업무에는 작은 모델이나 규칙 기반 시스템이 나을 수 있다.

기업용 AI 공급자에게 필요한 것은 모델 이름보다 업무별 손익의 설명이다. 검색 보조, 문서 초안, 고객 대응, 자동 실행을 같은 구독료로 묶으면 비용 발생 원인과 효과를 구별하기 어렵다. 모델 호출 뒤의 검토와 재작업까지 추적할 수 있어야 고객이 비교 가능한 제안을 받는다.

Meta·Microsoft의 내부 AI 예산 논점처럼, 사용량 제한은 무조건 기술 후퇴가 아니다. 비용을 어느 팀에 배분하고 어떤 결과를 기준으로 유지할 것인지 정하는 운영 문제일 수 있다.

한국 기업은 무엇부터 측정해야 하나

국내 기업은 전사 도입률보다 한 업무의 시작과 끝을 먼저 정하는 편이 유용하다. 예컨대 고객 문의 분류라면 입력 수신부터 최종 해결까지의 시간, 사람이 다시 읽은 시간, 재문의율, 잘못된 답변으로 생긴 보상 비용을 함께 기록할 수 있다. 이는 실행 제안이며 Apollo가 해당 지표로 실험했다는 뜻은 아니다.

비교군은 난이도와 담당자 숙련도가 비슷해야 한다. 모델 도입과 동시에 인력 재배치나 가격 변경이 있었다면 별도 요인으로 표시해야 한다. 짧은 실험에서 잘 나온 수치를 모든 고객과 모든 부서에 그대로 확장해서도 안 된다.

재무팀에는 “토큰 비용이 줄었다”보다 “동일 품질로 완료한 업무당 총비용이 얼마나 변했는가”를 보고할 필요가 있다. 이렇게 하면 AI 투자를 무조건 낙관하거나 일괄 중단하는 대신, 효과가 있는 좁은 영역은 확대하고 비용이 앞서는 영역은 재설계할 수 있다.

자주 묻는 질문

Apollo는 AI가 아무 쓸모 없다고 증명했나?

아니다. 거시·기업 재무 지표를 바탕으로 효과가 아직 뚜렷하지 않다는 해석을 제시했다. 개별 도입의 인과 효과를 모두 측정한 것은 아니다.

S&P 493은 전부 비기술기업인가?

아니다. 대형 7개 기업을 제외한 집합이며 다른 기술기업도 포함한다. 표본의 이름과 산업 분류를 혼동하면 안 된다.

토큰 사용 증가가 왜 좋은 성과 지표가 아닌가?

사용 확대와 재시도·비효율이 모두 지출을 늘릴 수 있다. 완료 품질과 사람의 작업 시간까지 같이 봐야 한다.

생산성 J-커브는 투자 지속의 보장인가?

아니다. 효과가 늦게 보일 수 있다는 설명이지 모든 도입이 결국 성공한다는 약속이 아니다.

첫 번째 실무 지표는 무엇이 적절한가?

품질 조건을 고정한 업무당 총비용이 출발점이 될 수 있다. 모델 비용뿐 아니라 검토·재작업·오류 비용을 포함해야 한다.