{"title":"토큰 가격은 어디로 가는가 — Benedict Evans가 제시한 네 가지 질문","url":"https://hugo-blog-static-site.haxlys.workers.dev/posts/ways-to-think-about-token-pricing/","section":"posts","date":"2026-07-11T07:58:37+09:00","lastmod":"2026-07-11T07:58:37+09:00","description":"Benedict Evans가 분석한 토큰 가격의 불확실성, 공급 부족과 인프라 투자, 프런티어 모델의 경쟁, 그리고 모델 기업이 실제 가치를 얼마나 가져갈 수 있는지에 대한 네 가지 질문을 정리한다.","summary":"생성형 AI 시장에서 토큰 가격은 가장 쉽게 비교할 수 있는 숫자처럼 보인다. 하지만 Benedict Evans는 가격표만 보고 장기적인 산업 구조를 예측하기에는 아직 이르다고 말한다. 공급, 수요, 추론 효율, 데이터센터 투자, 모델 성능, 사용처의 투자수익률이 동시에 움직이고 있기 때문이다.\n원문: Ways to think about token pricing — Benedict Evans (2026-07-09)\n3줄 핵심 정리 현재 상태: 토큰 시장은 공급 부족 상태이며, 데이터센터 투자와 추론 효율 개선으로 향후 몇 년간 가격·수익 구조가 크게 바뀔 수 있다. 핵심 변수: 프런티어 성능이 얼마나 오래 앞서 나갈지, 모델 간 경쟁이 약해질지, 모델 기업이 제품의 가치를 직접 가져갈 수 있을지가 관건이다. 현재의 방향: 별도의 변화가 없다면 프런티어 모델은 저마진 범용 인프라에 가까워지고, 제품·데이터·업무 프로세스를 쌓는 기업이 더 많은 가치를 가져갈 가능성이 높다. 지금 확실히 말할 수 있는 두 가지 Evans가 토큰 가격에 대해 확실하다고 보는 것은 많지 않다. 그중 첫째는 현재 공급이 부족하다는 것이다. 둘째는 이 상태가 안정적이지 않다는 것이다.\n","content":"생성형 AI 시장에서 토큰 가격은 가장 쉽게 비교할 수 있는 숫자처럼 보인다. 하지만 Benedict Evans는 가격표만 보고 장기적인 산업 구조를 예측하기에는 아직 이르다고 말한다. 공급, 수요, 추론 효율, 데이터센터 투자, 모델 성능, 사용처의 투자수익률이 동시에 움직이고 있기 때문이다.\n원문: Ways to think about token pricing — Benedict Evans (2026-07-09)\n3줄 핵심 정리 현재 상태: 토큰 시장은 공급 부족 상태이며, 데이터센터 투자와 추론 효율 개선으로 향후 몇 년간 가격·수익 구조가 크게 바뀔 수 있다. 핵심 변수: 프런티어 성능이 얼마나 오래 앞서 나갈지, 모델 간 경쟁이 약해질지, 모델 기업이 제품의 가치를 직접 가져갈 수 있을지가 관건이다. 현재의 방향: 별도의 변화가 없다면 프런티어 모델은 저마진 범용 인프라에 가까워지고, 제품·데이터·업무 프로세스를 쌓는 기업이 더 많은 가치를 가져갈 가능성이 높다. 지금 확실히 말할 수 있는 두 가지 Evans가 토큰 가격에 대해 확실하다고 보는 것은 많지 않다. 그중 첫째는 현재 공급이 부족하다는 것이다. 둘째는 이 상태가 안정적이지 않다는 것이다.\n앞으로 12개월 동안은 물론이고 3~5년 동안에도 공급과 수요, 가격, 컴퓨팅 용량, 자본지출이 계속 움직일 가능성이 크다. 따라서 현재 가격을 장기 균형 가격으로 간주하기 어렵다. 지금의 가격은 시장의 최종 형태라기보다, 수요가 갑자기 늘어난 상황에서 제한된 인프라를 배분하는 임시 결과에 가깝다.\n공급 측면: 대규모 투자와 빠른 효율 개선 공급은 크게 늘어날 예정이다. 원문은 향후 데이터센터 자본지출이 1조 달러 이상 이어질 수 있다고 지적한다. 여기에 추론 효율의 개선과 토큰 사용량이 더 적거나 많은 새로운 모델의 등장까지 더해진다.\n이 변화는 토큰의 한계비용을 낮추는 방향으로 작용한다. 같은 결과를 더 적은 연산으로 얻을 수 있고, 더 많은 칩과 데이터센터가 가동되면 공급 부족도 완화될 수 있다. 다만 공급이 늘어나는 속도와 실제 수요가 늘어나는 속도 중 어느 쪽이 더 빠를지는 아직 정해지지 않았다.\n수요 측면: 갑작스러운 적합성은 하나의 사용처에서 나왔다 최근 수요 급증을 설명하는 데 Evans가 특히 주목하는 것은 소프트웨어 개발이다. AI가 실제 업무에 빠르게 자리 잡은 사용처가 있었지만, 현재까지는 시장 전체를 대표할 만큼 넓은 분야라고 보기 어렵다.\n반대로 수억 명의 일일활성이용자(DAU)를 가진 소비자 서비스에서 같은 수준의 제품 적합성이 나타난다면, 현재의 인프라는 어떤 가격에서도 수요를 감당하기 어려울 수 있다. 문제는 그런 다음 사용처가 무엇인지, 언제 규모화될지, 그리고 각각 얼마나 많은 토큰을 필요로 할지 아무도 모른다는 점이다.\n즉, 지금의 공급 부족은 거대한 잠재 수요의 최종 형태를 보여주는 것이 아니다. 아직 하나의 강한 사용처가 먼저 나타난 초기 신호일 뿐이다.\n가격은 원가와 투자수익률 사이에서 결정된다 이론적으로 토큰 가격은 다음 범위 안에서 정해진다.\n기준 가격이 받는 압력 모델 제공자의 한계비용 이보다 낮게 팔면 지속하기 어렵다 고객이 얻는 투자수익률(ROI) 이보다 높으면 고객이 구매하기 어렵다 공급과 수요 실제 시장 가격을 위아래로 움직인다 하지만 현재는 이 세 요소를 정확히 알기 어렵다. 추론의 총마진은 **40~50%**로 알려져 있지만, 서버의 실제 수명과 감가상각 방식은 불명확하다. 더구나 차기 모델을 1년에 여러 번 학습하는 비용은 현재 매출보다 훨씬 클 수 있다.\n추론은 사용량에 따라 늘어나는 한계비용이고, 학습은 큰 고정비에 가깝다. 충분한 매출이 생기면 수익성을 확보할 수 있지만, 학습 비용이 앞으로 어떻게 변할지는 아직 알 수 없다. 고객 쪽에서도 최근 AI 사용 증가가 실제로 어느 정도의 ROI를 만들었는지, CFO가 숫자로 설명할 수 있는지는 분명하지 않다.\n장기 구조를 묻는 네 가지 질문 Evans는 장기 가격을 하나의 숫자로 예측하기보다, 시장의 구조를 결정할 질문을 던진다.\n1. 얼마나 많은 사용처가 고가 모델을 필요로 하는가 사용처마다 필요한 모델의 수준이 다르다. 어떤 작업은 작고 오래된 오픈소스 모델을 기기나 사내 서버에서 실행해도 충분하다. 반면 어떤 작업은 최신 프런티어 모델을 사용하고 많은 토큰을 소비해야 더 나은 결과를 얻을 수 있다.\n핵심은 고가 모델이 더 좋은 결과를 주는지 자체가 아니다. 그 개선이 고객이 지불할 만큼의 ROI를 만드는지가 중요하다. 충분히 좋은 저가 모델이 많은 작업을 차지한다면, 프런티어 모델의 가격 결정력은 제한된다.\n2. 프런티어는 얼마나 오래 빠르게 이동하는가 프런티어 모델이 계속 크게 좋아지고, 그 개선에 더 많은 연산이 필요하다면 고가 모델 시장이 유지될 수 있다. 반대로 추론 효율과 공급 용량이 성능 향상보다 빠르게 개선되면, 가격은 하락 압력을 받는다.\n결국 비싼 모델이 계속 존재하려면 성능 향상이 단순한 벤치마크 개선을 넘어, 고객이 체감하는 결과의 차이를 꾸준히 만들어야 한다.\n3. 프런티어 모델 간 경쟁은 어떻게 변하는가 시장이 소수 기업으로 수렴하고 네트워크 효과가 생기면, 승자에게 가격 결정력이 생길 수 있다. 모델마다 특정 분야에서 뚜렷한 강점이 생겨도 경쟁 우위가 유지될 여지가 있다.\n그러나 현재는 여러 기업이 비슷한 과학과 학습 데이터를 사용해 대체로 비슷한 능력을 보여주고 있다. 한 기업이 지속적으로 앞서고 다른 기업이 따라올 수 없는 구조가 나타났다고 단정하기는 어렵다. 경쟁이 계속 치열하고 모델 성능이 비슷하다면, 가격은 범용 인프라 시장에 가까워질 수 있다.\n4. 모델 기업은 고가 사용처의 가치를 얼마나 가져가는가 고가 사용처가 존재하더라도, 그 가치가 모두 모델 기업에 돌아간다는 보장은 없다. 실제 제품에는 모델 외에도 도구, 업무 프로세스, 독점 데이터, 유통·영업, 고객 지원이 필요하다.\n모델이 완성된 제품을 직접 만들고 좌석당 과금이나 결과당 과금을 할 수 있다면 모델 기업이 더 큰 몫을 차지할 수 있다. 반대로 수백 개의 애플리케이션 기업이 여러 모델을 선택해 제품을 만든다면, 모델은 중요한 부품이지만 최종 가치의 일부만 가져갈 수 있다.\n가능한 두 극단: 거대한 플랫폼과 토큰의 데이터베이스화 Evans가 제시하는 두 극단은 다음과 같다.\n소수의 거대한 모델이 산업 전반을 지배하고, 강한 가격 결정력과 전략적 영향력을 갖는 경우 LLM이 데이터베이스처럼 범용 인프라가 되어, 크고 작은 수많은 모델이 낮은 마진으로 경쟁하고 진짜 가치는 그 위에 만든 제품에 쌓이는 경우 현실은 사용처별로 달라질 가능성이 크다. 어떤 업무에서는 최신 모델이 필수이고, 다른 업무에서는 저렴한 모델로 충분할 수 있다. 따라서 \u0026ldquo;AI 전체의 가격\u0026quot;이라는 단일 지표보다, 업무별로 어떤 모델 수준이 필요한지와 그 결과가 만들어내는 ROI를 따져야 한다.\n모바일 데이터와 반도체 비유가 알려주는 것 AI 인프라를 이해하기 위해 광섬유, 모바일 데이터, 반도체 산업을 비교하는 시도가 있다. Evans는 이 비유들이 미래를 예측해 주지는 않지만, 가능한 결과의 범위를 보여준다고 본다.\n모바일 데이터는 특히 유용한 비교 대상이다. 모바일 네트워크는 사용량 급증으로 용량 부족을 겪었고, 통신사들은 설비를 늘리면서 가격 체계를 재조정했다. 데이터와 토큰은 모두 최종 사용자가 원가를 직관적으로 알기 어려운 측정 단위라는 공통점도 있다. 그래서 통신사가 데이터 요금제를 묶음 상품으로 바꾼 것처럼, 토큰 역시 장기적으로는 더 이해하기 쉬운 번들·구독·결과 기반 과금으로 이동할 수 있다.\n하지만 모바일 데이터 산업의 성장이 통신사 주식의 큰 가치 상승으로 이어지지는 않았다. 산업의 매출과 자본지출은 크게 늘었지만, 많은 가치는 더 상위의 서비스와 제품으로 이동했다. 이것은 AI에서도 모델 인프라가 커지는 것과 모델 기업이 산업 전체의 가치를 차지하는 것이 서로 다른 문제라는 점을 보여준다.\n반도체는 다른 가능성을 보여준다. 첨단 제조의 비용과 복잡성이 계속 높아지면 경쟁자가 줄고, 소수 기업이 기술적 장벽을 바탕으로 높은 마진을 얻을 수 있다. 그러나 최첨단 제조 기업조차 전체 기술 생태계가 창출한 가치의 대부분을 가져가는 것은 아니다.\n따라서 \u0026ldquo;AI는 모바일과 같다\u0026rdquo; 또는 \u0026ldquo;AI는 반도체와 같다\u0026quot;는 말은 결론이 될 수 없다. 비트, 토큰, 트랜지스터는 서로 다른 경제적 단위이며, 비슷해 보이는 과거 사례도 결과는 크게 달랐다.\n현재의 기본 시나리오: 범용 인프라화 Evans의 현재 판단은 분명하다. 공급 부족이 완화되는 과정에서 프런티어 모델은 저마진 범용 인프라에 가까워질 가능성이 높다. 이 전망이 바뀌려면 무언가 추가적인 변화가 필요하다.\n예를 들어 프런티어 모델 간 경쟁이 약해지거나, 강력한 네트워크 효과가 등장하거나, 한 연구소가 제품 실행력으로 장기간 앞서 나갈 수 있다. 규제와 수출 통제도 시장 구조를 바꿀 수 있는 변수다. 다만 이런 변화는 아직 확인된 사실이 아니라 가능한 경로다.\n이 글의 중요한 태도는 반복해서 \u0026ldquo;아직 모른다\u0026quot;고 말하는 것이다. 인터넷과 모바일이 거대해질 것이라는 사실은 일찍 알 수 있었지만, 구체적인 산업 구조와 승자는 예측하기 어려웠다. LLM은 모델이 왜 이렇게 잘 작동하는지에 대한 이론적 이해조차 충분하지 않기 때문에 불확실성이 더 크다. 다음 달 새로운 방법이 추론 연산을 90% 줄이거나 수요를 두 배로 만들 가능성도 배제할 수 없다.\n실무에서 읽어낼 수 있는 기준 토큰 가격의 장기 전망을 사업이나 인프라 계획에 활용하려면 다음 질문을 먼저 확인해야 한다.\n작업별 필요한 모델 수준: 최신 프런티어 모델이 정말 필요한가, 아니면 작고 저렴한 모델로 충분한가? 결과 기준 ROI: 토큰 비용을 줄이는 것보다 더 중요한 업무 성과가 무엇이며, 이를 어떻게 측정할 것인가? 가격 체계의 민감도: 공급 부족이 해소되거나 효율이 두 배가 될 때 사업성이 유지되는가? 가치의 위치: 모델 자체에 있는가, 아니면 독점 데이터·업무 흐름·고객 관계·제품 경험에 있는가? 공급자 교체 가능성: 여러 모델을 라우팅하거나 전환할 수 있는 구조인가? 이 기준은 특정 모델의 현재 가격을 고르는 데서 끝나지 않는다. 가격이 내려가도 계속 차별화되는 자산이 무엇인지, 모델 성능이 비슷해져도 고객이 남을 이유가 무엇인지 확인하게 한다.\n결론 및 시사점 한 줄 결론: 토큰 가격의 미래는 가격표 하나가 아니라, 프런티어 성능·공급 확대·사용처의 ROI·모델 기업의 가치 포획이 어떤 조합으로 굳어지는지에 달려 있다.\nBenedict Evans의 글은 토큰 가격을 장기 예측하는 데 신중해야 한다는 주장이다. 현재의 공급 부족을 영구적인 가격 결정력으로 착각해서도 안 되고, 반대로 모델이 곧바로 완전한 상품이 된다고 단정해서도 안 된다.\n다만 현재 보이는 흐름은 모델 그 자체보다 모델 위에 구축되는 제품, 데이터, 업무 프로세스가 더 많은 가치를 가져갈 가능성을 가리킨다. AI를 도입하는 조직이라면 모델 가격의 작은 차이보다 업무별 ROI, 공급자 전환 가능성, 그리고 모델 외부에 쌓이는 차별화 자산을 함께 관리해야 한다.\n","wordCount":1338,"tags":["AI","LLM","토큰","가격","인프라","시장분석","Benedict Evans"],"categories":["AI"],"frameworks":["Supply and Demand","Value Capture","Top-Down Analysis"],"mental_models":["Commodity Infrastructure","S-Curve","Marginal Cost vs ROI"],"philosophy_type":"economics","schema_type":"Article","actionable":true,"priority":"high","key_points":["현재 토큰 시장을 확실하게 말할 수 있는 것은 공급 부족 상태이며, 향후 가격과 수익 구조가 크게 흔들릴 가능성이 높다는 점이다","데이터센터 투자와 추론 효율 개선은 공급을 늘리지만, 지금의 수요 급증은 주로 소프트웨어 개발이라는 제한된 사용처에서 발생했다","장기 가격은 프런티어 모델의 성능 향상 속도, 경쟁 강도, 모델 기업의 가치 포획 범위, 고비용 모델을 실제로 구매할 사용처에 달려 있다","현재 보이는 시장 동학은 프런티어 모델이 저마진 범용 인프라가 되고, 더 큰 가치는 모델 위의 제품·데이터·업무 프로세스가 가져갈 가능성을 가리킨다","모바일 데이터와 반도체 같은 비유는 가능한 경로를 보여줄 뿐 미래를 예측하지 않으므로, 특정 시나리오를 필연적인 결론처럼 받아들여서는 안 된다"],"related":["posts/hidden-llm-api-costs","posts/ai-is-slowing-down-summary"]}