AI 서비스의 가격표에는 월 구독료와 사용량이 적혀 있습니다. 그러나 기업이 실제로 부담하는 비용에는 기존 시스템 연동, 보안, 데이터 거버넌스, 운영 인력과 향후 다른 서비스로 옮기는 비용까지 포함됩니다. 가격표만 보고 시작하면 이 숨은 비용은 도입 이후에 청구됩니다.
CIO Dive가 2026년 9월 보도한 Bain & Company의 분석에 따르면, 매출 100억 달러 규모의 전형적인 소비재 기업은 비용을 잘 통제하더라도 2035년 연간 IT 비용이 75% 늘어날 수 있습니다. 이 수치는 모든 기업의 예산이 똑같이 75% 증가한다는 뜻이 아니라, 대규모 소비재 기업을 가정한 전망입니다. 중요한 것은 숫자 자체보다 증가를 만드는 구조입니다.
75% 전망을 만든 비용은 무엇인가
보도에서 전한 Bain 분석은 비용 증가 요인으로 아키텍처 복잡성, 사이버보안, 데이터 거버넌스, 인재 투자, AI 플랫폼의 빠른 진부화를 꼽았습니다. AI 도구 하나를 추가할 때는 계정 비용만 보이지만, 실제 운영 단계에서는 기존 데이터와 연결하고 권한을 나누고 오류를 감시하며 결과의 책임을 정하는 일이 따라옵니다.
이 비용을 작은 조직이 판단하기 쉬운 세 층으로 정리할 수 있습니다. 아래 구분은 Bain의 회계 분류를 그대로 옮긴 것이 아니라, 도입 검토에서 빠뜨리기 쉬운 항목을 잇다웍스 관점으로 재구성한 것입니다.
| 비용 층 | 포함되는 항목 | 도입 전에 물을 질문 |
|---|---|---|
| 직접비 | 구독료, API·토큰 사용료, 저장 공간 | 월 사용량이 두 배가 되면 얼마인가 |
| 결합비 | 연동, 권한, 보안 심사, 로그, 데이터 정합성, 운영 인력 | 누가 연결을 만들고 계속 관리하는가 |
| 이탈비 | 데이터 이전, 프롬프트·흐름 재작성, 재교육, 계약 종료 | 서비스를 바꾸는 데 얼마나 걸리는가 |
도구가 늘수록 결합비는 더 빠르게 커질 수 있습니다. 모든 도구가 서로 연결돼야 하는 구조라면 도구 3개의 연결 쌍은 3개지만 6개는 15개가 됩니다. 실제 시스템이 항상 모든 쌍을 연결하는 것은 아니지만, 공통 데이터 모델과 통합 원칙 없이 도구를 추가할수록 관리 지점이 급격히 늘 수 있다는 점은 분명합니다.
기대한 절감과 실제 수익은 왜 벌어지나
IT 비용 75% 전망과 별개로, Bain의 2026년 Automation and AI Pathfinder Survey는 951개 기업의 기대와 실적을 비교했습니다. 조사 기업의 37%는 AI로 11%에서 20%의 비용을 줄이겠다고 목표를 세웠지만, 실제 절감액을 측정한 기업 중 약 40%는 0%에서 10% 구간에 머물렀습니다. 목표에 못 미친 기업의 90%는 그런데도 AI 예산을 다시 늘리고 있었습니다.
조사는 격차의 원인을 모델 성능만으로 보지 않았습니다. 데이터 접근과 통합을 가장 큰 장벽으로 꼽은 응답은 41%였고, 운영 중 완전 자율 에이전트를 사용하는 기업은 7%였습니다. 가장 흔한 운영 방식은 사람이 승인하는 구조였습니다. 완전 자동화를 가정해 사업성을 계산했는데 실제 운영에서는 검토 인력이 계속 필요하다면 승인 당시의 비용 구조와 실제 비용 구조가 달라집니다.
| 조사 결과 | 예산에서 생기는 위험 | 확인 방법 |
|---|---|---|
| 37%가 11%에서 20% 절감 목표 | 목표치를 곧 실적으로 간주 | 이전 자동화의 실제 절감액 확인 |
| 측정 기업 약 40%가 0%에서 10% 절감 | 사업계획과 실적의 간격 | 재작업·사람 검토 비용 포함 |
| 미달 기업 90%도 예산 확대 | 실현되지 않은 수익으로 다음 투자 | 재투자 재원의 실재 여부 검증 |
| 데이터 접근·통합 41% | 모델 밖 준비 비용 증가 | 데이터 소유자와 연결 공수 지정 |
| 완전 자율 운영 7% | 사람 승인 비용 누락 | 실제 자율 수준으로 ROI 재계산 |
가변비로 시작한 도구가 왜 고정비가 되나
AI 서비스는 사용한 만큼 지불하므로 가변비처럼 보입니다. 그러나 연결된 운영 체계는 사용량이 줄어도 남습니다. 접근 권한을 검토하는 절차, 보안 로그를 확인하는 역할, 데이터 품질 기준, 장애 대응 책임은 이번 달 토큰 사용량과 함께 줄지 않습니다. 도구는 가변비여도 도구를 안전하게 운영하는 구조는 고정비가 될 수 있습니다.
또한 특정 벤더의 데이터 형식, 프롬프트 기능, 자동화 규칙에 깊게 맞출수록 단기 효율은 높아지지만 교체 비용도 커집니다. 도입 시점에는 이탈 비용이 0원처럼 보이지만, 실제로는 데이터를 쌓고 업무 규칙을 결합하는 순간부터 누적됩니다. 그래서 “언제든 해지할 수 있다”와 “업무를 중단하지 않고 옮길 수 있다”를 구분해야 합니다.
작은 조직은 어떤 예산 기준을 세워야 하나
첫째, 도입 검토서에 세 층의 비용을 모두 적습니다. 월 예상 사용료뿐 아니라 초기 연동 공수, 매달 유지할 관리 시간, 중단 시 데이터와 업무 흐름을 옮기는 시간을 기록합니다. 금액을 정확히 예측하기 어렵다면 최소·기준·최대의 세 시나리오로 범위를 정합니다.
둘째, 이탈 경로를 도입 시점에 만듭니다. 핵심 원본 데이터와 업무 규칙을 벤더 고유 형식 밖에도 보관합니다. 프롬프트, 검수 기준, 예외 처리, 자동화 순서를 문서화하면 서비스를 바꿀 때 처음부터 다시 만들지 않아도 됩니다.
셋째, 완전 자동화가 아닌 실제 운영 수준으로 수익을 계산합니다. 사람이 승인해야 하는 비율, 수정에 걸리는 시간, 오류로 되돌아간 건수를 포함합니다. AI가 만든 초안 100건보다 사람의 추가 작업 없이 완료된 결과 30건이 더 중요한 지표일 수 있습니다.
넷째, 사용량과 책임을 업무 단위로 보이게 합니다. 팀이나 프로젝트별로 사용료, 호출량, 완료 건수, 오류율을 함께 확인합니다. 비용을 만든 주체와 예산을 부담하는 주체가 분리돼 있어도 결과를 한 화면에서 비교할 수 있어야 합니다.
다섯째, 되돌릴 수 없는 행동의 권한을 분리합니다. 발송·결제·삭제·외부 공개까지 AI가 수행한다면 비용 위험과 운영 위험이 동시에 커집니다. 좁은 업무 범위와 실행 전 승인 기준은 AI 에이전트 제로 트러스트 운영 가이드에서 확인할 수 있습니다.
AI 예산을 줄이는 것이 이 글의 결론은 아닙니다. 무엇을 사느냐보다 어떤 비용 구조를 남기느냐를 먼저 판단해야 한다는 것이 핵심입니다. 원본과 업무 규칙을 소유하고, 실제 결과로 투자 효과를 측정하며, 필요할 때 갈아탈 수 있다면 작은 조직은 AI를 고정비 덩어리가 아닌 통제 가능한 가변 자원으로 유지할 수 있습니다.
도입 승인 전 체크리스트
- 구독료와 사용료 외에 연동·보안·운영 공수를 계산했는가
- 사람의 승인과 재작업 시간을 ROI에 포함했는가
- 이전 자동화가 실제로 만든 절감액을 확인했는가
- 원본 데이터와 업무 규칙을 조직이 소유하는가
- 벤더를 바꿀 때 필요한 시간과 비용을 적었는가
- 사용량, 결과, 오류, 책임자를 함께 확인할 수 있는가
