seigniter
Featured perspectives

AI Operating Model

AI 가격은 내려가는데 기업 성과는 정체된 이유

Anthropic의 S-1은 AI 공급사의 매출이 가파르게 늘고 있음을 보여 줍니다. 반면 Apollo는 대형 기술주 7개(Mag 7)를 뺀 S&P 500 기업에서는 직원당 매출과 이익률이 개선된 신호를 찾지 못했다고 분석했습니다. 같은 S-1에서 Anthropic에 연 10만 달러 이상을 쓴 상장 Fortune 500 고객을 보면, 그 매출이 고객 총비용에서 차지하는 몫은 평균 0.1% 미만입니다. 이 글은 두 사실을 함께 놓고, 싸진 지능을 성과로 바꾸는 열쇠가 토큰 가격이 아니라 성공 1건당 비용과 업무 배치에 있다는 시그나이터의 해석을 가정과 함께 설명합니다.

2026.10.28 · 25분 읽기

AI 가격은 내려가는데 기업 성과는 정체된 이유 — Seigniter Perspective 커버 이미지

AI 가격은 내려가는데 기업 성과는 정체된 이유

Anthropic S-1과 Apollo 분석으로 읽는 '배치'의 문제

AI 도구를 도입했고 직원들도 쓰는데, 분기 결산에서 매출 성장도 이익률도 달라지지 않은 회사가 있다고 하자. 시장에서는 AI 모델의 값이 내려가고, AI를 만드는 회사의 매출은 가파르게 오르고 있다. 그런데 미국 대표 주가지수 S&P 500에서 대형 기술주 7개를 뺀 493곳도 직원당 매출과 이익률이 제자리였다. 투자회사 Apollo가 비교한 결과다.

그렇다면 값이 내려가는데 왜 성과는 늘지 않는가. 이 회사는 무엇을 바꿔야 하는가.

이 글을 읽고 나면 다음 세 가지를 직접 해 볼 수 있다.

  • 업무 한 건을 성공시키는 데 드는 비용을 자기 업무의 숫자로 계산한다.
  • 업무마다 어느 등급의 AI 모델(값과 성능에 따라 나뉜 모델 묶음)을 쓸지 정한다.
  • 다음 회의에서 물을 질문 세 가지를 정리한다.

AI 값이 내려가도 성과가 늘지 않는 원인은 가격이 아니라 AI를 어떤 업무에 어떻게 쓰느냐에 있다고 시그나이터는 본다. 여기서 배치는 AI를 업무에 쓰는 방식 전체를 뜻하며, 두 가지로 나뉜다. 어느 업무에 어느 등급의 AI를 쓸지 정하는 일은 지능 배분이고, 업무 흐름을 다시 설계하는 일은 업무 재설계다.


두 자료는 무엇을 보여 주는가

앞에서 든 두 사실의 근거를 세 가지로 나누어 확인한다. 첫째는 AI 공급사의 매출이다. Anthropic은 2026년 10월 26일 미국 증권거래위원회에 증권신고서(S-1)를 냈고, 신고서가 밝힌 연 매출은 아래 표와 같다.

기간Anthropic 매출
2023년4,100만 달러
2024년3억8,600만 달러
2025년45억8,500만 달러
2026년 상반기 6개월 (회계감사 전)162억8,600만 달러

표처럼 매출은 가파르게 올랐다. 다만 2026년 상반기 값은 회계감사를 받지 않은 6개월 값이라 연간 값과 바로 이어 읽을 수 없다. 이 신고서는 아직 확정되지 않은 초안이라 내용이 바뀔 수 있다.

둘째는 대형 기술주 밖 기업의 숫자다. 미국 투자회사 Apollo의 수석 이코노미스트 Torsten Slok은 2026년 10월 24일 분석 글에서 직원당 매출과 이익률을 비교했다. 대형 기술주 7개(매그니피센트 7)는 두 지표가 모두 올랐다.

반면 S&P 500(미국 대형주 중심의 대표 주가지수)에서 이 7개를 뺀 493곳은 제자리였다. 분석 글은 기술 부문 밖에서 매출 성장이나 이익률이 좋아진다는 증거가 없다고 맺는다.

다만 분석 글의 제목은 '기술 부문 밖'이지만, 실제로 비교한 것은 대형 기술주 7개와 나머지 493곳이다. 그 안에도 기술 기업이 들어 있다. 그래서 이 글의 '나머지 493곳'은 Apollo가 비교한 기업만 뜻한다. 평균적인 대기업이나 Fortune 500(미국 경제지 포천이 매출 순으로 뽑은 대기업 명단) 전체와는 다르다.

셋째는 공급사 매출이 고객 비용에서 차지하는 몫이다. Anthropic에 연 10만 달러 이상 쓴 상장 Fortune 500 고객은 2026년 3분기에 평균 총비용의 0.1% 미만을 Anthropic에 썼다. 이 비율은 한 공급사의 매출이 일부 고객 비용에서 차지하는 몫일 뿐 대기업 전체의 AI 지출 비중이 아니다. Apollo가 본 기업들과는 다른 집합이기도 하다.

공급사의 매출과 고객 총비용 속의 몫 – 왼쪽은 Anthropic의 연 매출이 2023년 4,100만 달러에서 2026년 상반기 6개월 162억8,600만 달러까지 커진 모습이고, 오른쪽은 상장 Fortune 500 고객 중 연 10만 달러 이상을 쓴 고객의 총비용을 100%로 놓았을 때 Anthropic 매출이 2026년 3분기에 평균 0.1% 미만이라는 점이다

공급사의 매출은 빠르게 늘었는데, Apollo가 본 대형 기술주 밖의 기업에서는 손익 변화가 보이지 않는다. 두 숫자는 어긋나 보이지만, 시그나이터는 둘이 서로 다른 것을 잰다고 본다. 공급사 매출은 AI가 얼마나 쓰였는지를, Apollo의 숫자는 그 AI가 기업 손익을 얼마나 바꿨는지를 보여 준다.

Apollo도 글 끝에서 질문을 하나 남긴다. 모델 사이의 차이가 줄어도, 일반 대기업이 값이 내려간 AI로 더 높은 매출 성장과 이익률을 낼 수 있는가. 성과가 안 보이는 이유가 AI를 적게 써서이든 엉뚱한 업무에 써서이든, 물을 질문은 같다. 값이 내려간 AI를 어떤 업무에 어떻게 쓸 것인가.


토큰 가격이 아니라 업무 한 건의 비용을 본다

첫 단서는 값이다. 값이 정말 내려갔는지부터 보자. 모델은 값과 성능에 따라 작은 모델부터 최상위 모델까지 몇 개의 등급으로 나뉘어 팔린다. 이 가운데 값이 내려간 등급이 있다. 다만 토큰(AI가 글을 처리하는 과금 단위)의 가격이 내려간 것과 업무 한 건의 비용이 내려간 것은 다르다. 아래 가격은 모두 2026년 10월 27일 표준 요금(공식 표기는 Standard)이고, 100만 토큰당 가격이다. 입력(AI에 보내는 글)과 출력(AI가 쓰는 글)을 따로 센다.

토큰 가격부터 보면, Anthropic은 Opus 5.5를 입력 4달러, 출력 20달러로 내놓았다. 직전 모델인 Opus 5보다 입력과 출력이 모두 20% 내린 가격이다.

업무 한 건의 비용은 가격표와 따로 움직일 수 있다. Anthropic은 Opus 5.5가 전형적인 업무에서 이전 모델보다 작업당 비용을 약 40% 줄였다고 밝힌다. 이 작업당 비용은 아래에서 다룰 성공 1건당 비용과 다른 값이다. 신고서는 작업당 비용이 내려가면 사용량이 늘고, 그만큼 Claude가 더 널리 퍼진다고 설명한다. 시그나이터가 따로 검증한 내용은 아니다.

값이 내려갔다는 사실보다 등급마다 값이 벌어져 있다는 사실이 더 중요하다. OpenAI는 작은 모델부터 Luna, Terra, Sol, Astra의 네 모델을 판다. Luna는 가장 싼 모델이고 Astra는 가장 비싼 최상위 모델이다. OpenAI는 소개문에서 Terra를 문서 작성이나 양식 입력용으로 꼽고, 가장 복잡한 코딩에는 Sol과 Astra를 권한다.

아래 도식은 이 네 모델과 Anthropic의 두 모델을 가격 순서대로 한 줄에 보여 준다. 도식의 모델은 나온 세대가 서로 다르며, 이는 도식 아래쪽 주석에 적었다. 가장 싼 Luna와 가장 비싼 Astra는 입력과 출력 모두 100배 차이다. 같은 업무도 어느 등급에서 처리하느냐에 따라 요청 한 번의 값이 크게 달라진다.

등급마다 값이 100배까지 벌어져 있다 – 출력 100만 토큰당 가격을 로그 눈금에 놓으면 OpenAI의 Luna 0.50달러, Terra 5달러, Sol 10달러, Astra 50달러와 Anthropic의 Sonnet 5.5 10달러, Opus 5.5 20달러가 한 줄에 놓이고, Luna에서 Astra까지는 입력과 출력 모두 100배 차이다

등급 사이에 값이 이만큼 벌어져 있으면, 가장 좋은 모델 하나만 고르는 방식으로는 부족하다. 그렇다고 값이 싼 모델이 업무 한 건의 비용까지 늘 낮추지는 않는다. 실패한 건은 사람이 검토하고 고쳐야 하기 때문이다. 싼 모델이 열 번 중 세 번 실패하면, 그 세 건은 사람이 다시 들여다봐야 한다.

성공 1건당 비용 — 업무 한 건을 성공시키는 데 든 비용의 평균이다. 모델에 요청을 보내는 비용에 실패한 건을 사람이 검토하고 고치는 비용을 더해, 성공한 건수로 나눈다. 토큰 가격이나 요청 한 번의 비용과 다르다.

숫자를 가정해 보자. 모두 설명을 위한 가정이며, 조사 결과도 특정 모델의 실측도 아니다. 시도 한 번은 AI에 요청을 보내 업무 한 건을 맡겨 보는 일이다. 모델 A는 값이 싼 대신 열 번 중 세 번 실패하고, 모델 B는 값이 두 배인 대신 거의 실패하지 않는다.

모델시도당 비용성공률
A10센트70%
B20센트98%

모델 비용만 따지면 성공 1건당 A는 14.3센트, B는 20.4센트로 A가 더 싸다.

여기에 실패 한 건마다 사람이 검토하고 고치는 비용(실패 1건당 사람 비용)을 더한다. 계산에는 세 가지를 가정한다. 실패는 모두 감지되어 사람이 처리한다. 모델 비용은 성공이든 실패든 똑같이 든다. 재시도는 없다.

계산 방법을 말로 풀면 이렇다. 시도 한 번의 비용에, 실패할 확률에 실패 1건당 사람 비용을 곱한 값을 더한다. 그 합을 성공률로 나눈다. 식으로 쓰면 (시도당 비용 + 실패율 × 실패 1건당 사람 비용) ÷ 성공률이다.

두 모델의 순서가 바뀌는 지점이 있다. 실패 한 건에 드는 사람 비용이 15센트이면, 둘 다 성공 1건당 20.7센트가 된다.

시급을 30달러로 가정하면 15센트는 약 18초다. 실패 한 건을 사람이 그보다 오래 다루면 B가 더 싸진다. 값을 직접 바꿔서 순서가 어디서 뒤집히는지 확인해 보자.

내 숫자로 계산하기

실패 1건당 비용이 얼마가 되면 순서가 바뀌는가

두 모델의 시도당 비용과 성공률을 넣고, 슬라이더로 실패 한 건을 사람이 검토하고 고치는 비용을 올려 본다. 처음에는 실패 비용이 0인 상태다.

이 값은 가정이지 측정값이 아니다. 자기 업무에서 잰 숫자로 바꿔 넣는다.

성공 1건당 비용 = (시도당 비용 + (1 − 성공률) × 실패 1건당 사람 비용) ÷ 성공률

모델 A
모델 B

실패가 나면 사람이 확인하고 고치는 데 드는 비용이다. 오른쪽으로 밀수록 실패가 비싸진다.

실패 1건당 0센트는 시급 30달러인 사람이 약 0초 쓰는 비용이다.

성공 1건당 비용 (센트)

모델 A

14.3

모델 B

20.4

지금 실패 비용에서 더 싼 쪽은 모델 A이고, 차이는 6.1센트다. 실패 1건당 사람 비용이 15센트(약 18초)를 넘으면 더 싼 쪽이 모델 A에서 모델 B로 바뀐다. 그 지점에서는 둘 다 20.7센트다.

실패 비용에 따른 성공 1건당 비용가로축은 실패 1건당 사람 비용(센트), 세로축은 성공 1건당 비용(센트)이다. 실패 비용이 0일 때 모델 A는 14.3센트, 모델 B는 20.4센트에서 시작한다. 실패 1건당 사람 비용이 15센트(약 18초)를 넘으면 더 싼 쪽이 모델 A에서 모델 B로 바뀐다. 그 지점에서는 둘 다 20.7센트다.0255002550실패 1건당 비용 (센트)성공 1건당 (센트)모델 A모델 B0센트순서가 바뀌는 지점 = 15센트이때 둘 다 20.7센트

성공한 건에는 사람 비용이 들지 않고, 실패는 모두 감지되어 사람이 처리한다고 가정한다. 감지되지 않은 오류의 비용, 재시도, 외부 프로그램을 부르는 비용은 넣지 않았다.

입력은 이 화면에서만 계산되고 저장되거나 전송되지 않는다.

실패 1건당 비용이 얼마가 되면 순서가 바뀌는가 – 두 모델의 시도당 비용과 성공률을 넣고 슬라이더로 실패 한 건을 사람이 검토하고 고치는 비용을 올려 본다. 값은 모두 가정이고 입력은 저장되지 않는다

실패 1건당 사람 비용을 몇 가지로 바꿔 표로 보자. 비용은 소수 첫째 자리까지 적었다.

실패 1건당 사람 비용 (센트)사람 시간 환산 (시급 30달러 가정)A 성공 1건당 (센트)B 성공 1건당 (센트)싼 쪽
00초14.320.4A
1518초20.720.7같음
501분35.721.4B
1002분57.122.4B
50010분228.630.6B

표의 마지막 줄을 보자. 실패 한 건에 사람이 10분을 쓰는 업무에서는 시도당 값이 두 배인 모델이 성공 1건당 비용은 훨씬 싸다. 그렇다고 비싼 모델이 늘 이기는 것은 아니다. 실패해도 고칠 일이 거의 없는 업무라면 싼 모델이 낫다.

성공률과 실패 1건당 사람 비용은 업무마다 다르고 공개된 모델 성능 시험에도 나와 있지 않으므로, 자기 업무에서 재야 한다. 이 계산에는 감지되지 않은 오류의 비용, 재시도, 외부 프로그램을 부르는 비용, 대기 시간을 넣지 않았다. 감지되지 않은 오류의 비용은 실패를 고치는 비용보다 훨씬 클 수 있다.

시도당 비용이 내려갈수록 총비용에서 실패를 고치는 비용이 차지하는 몫은 커진다. 그래서 모델을 고를 때는 토큰 값보다 성공률과 실패 1건당 사람 비용을 먼저 봐야 한다. 둘을 재는 방법은 「제조 AX 개념 검증은 90일 동안 무엇을 검증해야 하는가」에서 다루었다. 거기서 만든 평가 사례와 채점 기준, 사람 수정률을 그대로 쓰면 된다. 평가 사례와 채점 기준은 AI 결과를 반복해서 채점하는 데 쓰는 시험 문제와 정답 기준이고, 사람 수정률은 AI 결과를 사람이 고친 비율이다.


모든 업무에 같은 모델을 써야 하는가

등급마다 값이 이만큼 다르면 업무마다 쓸 등급을 나누는 편이 합리적이다. Anthropic의 과금 방식을 보면 업무마다 등급을 나눠야 하는 이유가 더 잘 드러난다. 이 회사의 주된 수익 모델은 소비 기반 과금이다. 사용량을 토큰 단위로 재고, 고객이 고른 모델에 따라 값을 매겨 그만큼 받는 방식이다.

사용자 수로 값을 매기는 소프트웨어라면 직원 수가 비용을 정한다. 소비 기반 과금에서는 같은 직원이 어떤 업무에 어떤 모델을 쓰느냐가 비용을 정한다. 그래서 어느 업무에 어느 등급을 쓰느냐가 곧 예산 항목이 되고, AI 비용은 도구 구독료보다 업무별 사용료에 가까워진다. 신고서의 위험 요인에는 결과나 업무 단위로 값을 매기는 방식으로 옮겨 갈 가능성도 적혀 있다.

등급 구분이 곧 사라질 분류가 아니라는 근거도 있다. OpenAI는 GPT-5.6 소개문에서 Sol, Terra, Luna를 세대가 바뀌어도 이어지는 능력 등급이라고 설명한다. 이 설명에 최상위 Astra는 없다. 등급 구분이 한동안 유지된다면, 설계의 기준은 '어떤 모델을 쓸까'가 아니라 '어느 업무에 어떤 등급을 쓸까'가 된다.

지능 배분 — 배치의 한 부분이다. 업무를 난도와 실패 비용에 따라 나누고, 업무마다 필요한 품질을 가장 싸게 채우는 등급의 AI를 정하는 일이다. 업무를 사람과 AI 가운데 누가 맡는가(위임)와는 다른 질문이다.

「우리 조직은 AI를 쓰고 있는가, AI가 일할 수 있는 조직인가」 글은 업무를 누가 맡는가를 세 가지로 나눴다. 고정형 업무 흐름은 정해진 순서대로 돈다. 관리형 에이전트는 목표와 범위를 사람이 정하고 방법은 AI가 판단한다. 자율형 에이전트는 계획까지 스스로 조정한다.

지능 배분은 이 세 가지와 별개로, 업무마다 어느 등급의 AI를 쓸지를 정한다. 같은 관리형 에이전트라도 어느 등급의 모델로 처리할지는 따로 정할 일이다. 예를 들어 고객 문의 분류와 계약 조건 변경 검토에 같은 모델을 쓰면, 한쪽에서는 값이 낭비되고 다른 쪽에서는 실패의 대가가 커진다. 지능 배분은 한 번 정하고 끝내는 결정이 아니라, 업무와 모델이 바뀔 때마다 다시 보는 운영 항목이다.

공급사도 등급마다 맡기는 일을 다르게 안내한다. Anthropic은 Sonnet 5.5를 범위가 분명한 일상 업무에, Opus 5.5를 신중한 판단이 필요한 복잡한 작업에 권한다. OpenAI는 가장 복잡한 코딩에 Sol과 Astra가 더 낫다고 안내한다. 이제 여섯 업무를 어느 등급에 둘지 먼저 골라 보자. 여기서 등급은 역할 이름이라 특정 공급사의 모델과 일대일로 대응하지 않고, 해설도 조사 결과가 아니라 시그나이터의 예시다.

먼저 골라 보기

여섯 업무, 어느 등급의 AI에 둘까

업무마다 난도와 실패 비용을 떠올리며 등급을 고르면 시그나이터의 제안과 이유가 나온다. 등급 이름은 역할이고 공급사의 모델 이름이 아니며, 정답이 하나로 정해진 문제도 아니다.

  1. 1고객 문의 메일을 분류하고 항목을 뽑는다

    하루 수천 건이고, 틀려도 담당자가 한 번 훑는 분류다.

  2. 2송장을 읽고 ERP 화면에 입력한다

    화면과 양식을 읽고 같은 입력을 반복한다.

  3. 3매일 보고서 초안을 쓴다

    숫자를 모아 문장으로 정리하고 담당자가 고친다.

  4. 4복잡한 코드를 고친다

    여러 파일에 걸치고, 틀리면 되돌리는 데 시간이 든다.

  5. 5월 1회 이사회 전략 보고서를 쓴다

    한 달에 한 건이고, 읽는 사람이 경영진이다.

  6. 6고객에게 나가는 계약 조건 변경을 검토한다

    틀리면 되돌리기 어렵고 고객과 법적 관계가 걸린다.

6가지를 모두 고르면 정리가 나온다. (0 / 6)

여섯 업무, 어느 등급의 AI에 둘까 – 고객 문의 분류, 송장 입력, 일일 보고서 초안, 복잡한 코드 수정, 월간 이사회 전략 보고서, 계약 조건 변경 검토를 가장 작은 등급부터 최상위 등급과 사람 검토 가운데 먼저 골라 보고 시그나이터의 제안과 이유를 확인한다. 응답은 저장되지 않는다

실제 배정은 앞에서 본 성공 1건당 비용을 자기 업무에서 잰 뒤에 한다. 재야 할 것은 업무가 성공하는 비율, 처리 시간, 사람이 검토하는 시간이다. 새 모델이 나오면 자기 업무의 평가 사례에 다시 돌려 보고, 성공 1건당 비용이 내려가는지를 먼저 본다.

모델 버전이 바뀔 때 다시 시험하는 절차는 「하나의 업무 흐름을 바꾼 뒤, 공장 전체를 어떻게 바꿀 것인가」에서 정리한 방식을 따르면 된다. 버전이 빨리 바뀌므로 이 반복은 일상이 된다. 내려받아 직접 돌릴 수 있는 공개 모델과 최고 성능 모델의 역할 분담은 「GLM-5.2 출시가 기업 AI 전략에 던지는 신호」에서 다루었다.

모델만으로는 일이 끝나지 않는다는 단서는 공급사의 신고서에서도 찾을 수 있다. 신고서는 Claude를 도입하는 경로로 대형 회계·컨설팅 회사와 데이터 플랫폼 회사를 예로 든다. 또 Anthropic은 고객 현장에서 업무 흐름에 맞춘 해법을 설계하고 배포하는 자체 조직을 키울 계획이라고 쓴다.

시그나이터는 신고서의 이 서술을 모델 바깥에서 설계할 일이 있다는 뜻으로 해석한다. 승인 절차, 권한 설정, 회사 시스템(ERP)과의 연결, 사람이 서명해야 하는 결과는 모델이 대신 정해 주지 않는다. 성과는 이런 눈에 덜 띄는 일에서 갈릴 수 있다. 이 해석에는 이해관계가 있다. 업무 구조 설계가 본업인 컨설팅 회사의 해석이기 때문이다. 그렇다고 대형 회계·컨설팅 회사가 유리해진다고 예측하는 것은 아니다.


검토와 확인에 72시간이 걸리면, 보고서가 빨라져도 흐름은 그대로다

앞에서 모델 바깥의 설계가 필요하다고 했다. 그중 업무 흐름을 바꾸는 일을 가정 사례로 따라가 보자. 값이 내려간 AI를 써도 성과가 보이지 않는 이유 하나가 여기서 드러날 수 있다. 지능 배분은 아래 세 단계 어디에도 속하지 않는다. 어느 등급의 AI를 쓸지는 어느 단계에서든 따로 정해야 하고, 세 단계는 그 AI로 업무 흐름을 얼마나 바꾸는지를 나눈 것이다.

다음은 설명을 위해 만든 가상의 일일 보고 업무다. 조사로 확인한 사례가 아니며 시간은 모두 가정이다. 담당자가 매일 ERP에서 데이터를 내려받아 Excel로 보고서를 만든다. 팀장이 검토하면 담당자가 고치고, 그다음 임원이 확인한다. 이 업무를 다섯 작업으로 나누며, 표의 줄 하나가 작업 하나다.

작업누가경과 시간 (가정)일하는가, 기다리는가
① ERP에서 데이터 내려받기담당자0.5시간일
② Excel로 가공하고 보고서 작성담당자5시간일
③ 팀장 검토팀장24시간기다림
④ 수정담당자2시간일
⑤ 임원에게 보고하고 확인받기임원48시간기다림
합계79.5시간일 7.5시간(9.4%), 기다림 72시간(90.6%)

경과 시간에는 일하는 시간과 기다리는 시간이 섞여 있다. ③과 ⑤는 '누가' 열에 팀장과 임원이 적혀 있지만, 걸린 24시간과 48시간은 담당자가 그 차례를 기다리는 시간이다.

AI를 쓰는 방식은 세 단계로 나눠 볼 수 있다. 1단계인 활동 가속은 흐름을 그대로 두고 한 활동의 속도만 높인다. AI 도구가 ②를 5시간에서 1시간으로 줄였다고 하자.

이 작업은 크게 빨라졌지만 합계는 약 5%만 줄어든다. 남은 시간의 대부분이 두 번의 기다림이기 때문이다. 기다리는 시간은 검토 순서와 확인 절차가 만든 시간이라 도구만으로는 줄어들지 않는다.

활동 하나가 빨라져도 업무 흐름은 거의 그대로다 – 가정한 일일 보고 업무의 다섯 작업을 경과 시간 비례로 한 막대에 쌓으면 합계 79.5시간 가운데 일하는 시간은 7.5시간이고 나머지는 팀장 검토와 임원 확인을 기다리는 시간이다. 두 번째 작업을 5시간에서 1시간으로 줄이면 합계는 75.5시간으로 약 5% 준다

2단계인 수행 주체 교체는 작업과 순서를 그대로 두고, 작업을 맡는 쪽만 사람에서 AI로 바꾼다. 가정은 두 가지다. AI가 ①과 ②를 합쳐 1시간에 처리하고, ④는 AI가 팀장의 코멘트를 바로 반영하므로 시간이 들지 않는다. 사람이 하던 세 작업을 AI가 맡았는데도 합계는 약 8%만 줄어든다. 팀장 검토와 임원 확인이라는 두 번의 기다림이 그대로 남아서다.

마지막 3단계인 업무 재설계는 보고서를 빨리 만드는 데서 멈추지 않고, 보고서가 정말 필요한지부터 묻는다.

업무 재설계 — 배치의 다른 한 부분이다. 흐름 자체를 바꾸는 일이다. 어떤 작업이나 기다림, 보고를 없애거나, 조건이 맞을 때만 일어나게 한다.

이 사례에서는 정상일에 보고서를 만들지 않는다. 이 설계는 보고서의 목적이 평소와 다른 일이 있는지 알리는 것이라고 가정한다. 고정형 업무 흐름이 하루 매출 같은 핵심 숫자를 계속 감시한다. 기준선은 평소 범위의 위아래 한계다. 숫자가 이 기준선을 벗어난 날에만 관리형 에이전트가 원인을 분석하고, 결정이 필요한 항목만 담당자에게 인계한다.

정상일에는 알릴 것이 없으므로 팀장 검토도 임원 확인도 필요 없고, 사람 시간은 0이다. 보고서의 목적을 알림으로 가정한 데서 나온 결과다. 예외일에는 에이전트의 분석 1시간과 담당자의 결정이 들지만, 결정 시간은 가정하지 않았다. 세 단계의 합계는 아래 표와 같다. 다만 3단계는 정상일에 보고서를 만들지 않으므로, 앞의 두 단계와 같은 경과 시간으로 비교하지 않는다.

단계경과 시간 (가정)기존 79.5시간 대비
1단계 활동 가속75.5시간4시간, 약 5.0% 감소
2단계 수행 주체 교체73시간6.5시간, 약 8.2% 감소
3단계 업무 재설계정상일에는 보고서가 없음사람 시간 0, 경과 시간은 비교하지 않음

장면으로 보기

같은 보고 업무, 서로 다른 세 가지 변화

도식은 좌우로 밀어 볼 수 있다

① 내려받기담당자 · 0.5시간② 분석·작성담당자 · 5시간③ 팀장 검토팀장 · 24시간④ 수정담당자 · 2시간⑤ 임원 확인임원 · 48시간기다림 24시간기다림 48시간가정한 일일 보고 한 건 · 시간은 모두 가정경과 시간 (막대 길이 = 시간, 점선은 기존 길이)합계 79.5시간 · 일하는 시간 7.5시간, 기다리는 시간 72시간주황색은 사람이 일하는 시간, 점선은 기다리는 시간, 연한 주황색은 AI가 일하는 시간이다.

1 / 4 · 기존 · 보고서 한 건이 만들어지는 길

다섯 작업을 사람이 잇는다. 일하는 작업 셋은 합쳐서 7.5시간이고, 나머지 72시간은 팀장과 임원을 기다리는 시간이다.

보고서를 빨리 만드는 단계, 만드는 쪽을 AI로 바꾸는 단계, 보고서를 만들지 않는 단계 – 기존 업무의 다섯 작업이 활동 가속, 수행 주체 교체, 업무 재설계를 거치며 달라지는 모습을 차례로 넘겨 본다. 시간은 모두 가정이다

  1. 기존 · 보고서 한 건이 만들어지는 길: 다섯 작업을 사람이 잇는다. 일하는 작업 셋은 합쳐서 7.5시간이고, 나머지 72시간은 팀장과 임원을 기다리는 시간이다.
  2. 1단계 활동 가속 · 한 활동만 빨라진다: AI 도구가 ② 작업 안으로 들어왔다. 작업의 순서도 작업 사이의 기다림도 그대로여서, 점선으로 남은 기존 길이에서 4시간만 짧아진다.
  3. 2단계 수행 주체 교체 · 하는 쪽이 바뀐다: 사람이 하던 세 작업을 AI가 맡는다. ①②는 합쳐서 1시간에 처리하고, ④는 팀장 코멘트를 바로 반영해 0시간으로 가정하므로 막대에는 AI 한 조각만 남는다. 두 번의 기다림을 만드는 팀장과 임원이 그대로라서 72시간이 고스란히 남는다.
  4. 3단계 업무 재설계 · 보고서를 만들지 않는다: 다섯 작업이 모두 사라지고 감시와 인계가 남는다. 정상일에는 아무 일도 일어나지 않고, 기준선을 넘은 날만 사람이 결정할 항목을 받는다.
  5. 세 단계 비교: 줄어드는 정도가 단계마다 다르다. 앞의 두 단계는 시간표의 숫자를 바꾸고, 마지막 단계에서 비로소 흐름의 구조가 달라진다.

앞의 두 단계는 같은 흐름을 더 빨리 처리하는 일이고, 마지막 단계는 흐름을 다시 설계하는 일이다. 마지막 단계에서 달라지는 것은 질문이다. 앞의 두 단계는 '이 보고서를 어떻게 빨리 만들까'를 묻고, 마지막 단계는 '이 보고서가 정말 필요한가'를 묻는다. 이때 새로 정해야 할 일이 생긴다. 기준선은 누가 정하고, 넘었을 때 누가 결정하는가.

Apollo는 분석 글에서 AI가 훌륭한 계산기일 수는 있어도 기업의 일에서 중요한 능력은 대부분 판단이라고 쓴다. AI가 책임, 신뢰, 문화, 불문율, 윤리적 절충, 공정성을 이해하지 못한다는 지적도 덧붙인다. 판단이 중요하다는 이 지적은 3단계에서 결정 구조를 설계해야 하는 이유와 같은 방향이다. 다만 Apollo가 이런 단계 구분을 말한 것은 아니다.

그러면 대형 기술주 밖의 기업은 어느 단계에 있을까. 시그나이터는 1단계나 2단계에 머문 기업이 많다는 가설을 세운다. 앞의 가정 사례에서는 두 단계 모두 기다림 72시간이 그대로였다.

두 단계가 쓸모없다는 뜻은 아니다. 다만 기업 다수가 여기에 머문다면, 그것이 Apollo가 본 이익률 정체의 이유 가운데 하나일 수 있다. 이 가설은 조사로 확인한 사실이 아니다.

AI를 넣으면 결과를 검토하고, 틀린 것을 고치고, 권한을 관리하는 새 일이 생긴다. 기존 시스템과 잇고 일하는 방식을 가르치는 일도 늘어난다. 활동 하나가 빨라져 줄인 시간이 이런 일에 먼저 쓰일 수 있다는 것은 시그나이터의 해석이다.

개인이 아낀 시간이 조직의 산출로 이어지지 않는 문제는 「AI를 잘 쓸수록 내가 손해라면, 누가 AI를 쓰겠는가」에서 한국은행의 생산성 단절 분석과 함께 다루었다. 무엇을 없애고 무엇을 AI에 맡길지는 「제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다」에서 살폈다. 개발 조직의 병목 이동은 「AI 시대의 엔지니어링 팀: 코딩 속도가 빨라진 뒤, 진짜 병목은 어디로 이동했는가」에서 짚었다.


이 글이 말하지 않는 것과 다음 회의의 질문

이 글의 주장을 받아들이기 전에, 어디까지가 확인한 사실이고 어디부터가 시그나이터의 해석인지 나누어 보자.

확인한 사실, Apollo의 질문, 시그나이터의 해석 – 출처를 세 띠로 나누고 맨 아래 점선 상자에 이 글이 증명하지 못한 것을 적은 구분도

이 글이 증명하지 못하는 것이 있다. 대형 기술주 밖에서 성과가 보이지 않는 이유로는 적어도 두 가지를 생각해 볼 수 있다. AI를 아직 충분히 쓰지 않아서이거나, 쓰기는 하지만 활동 가속이나 수행 주체 교체에 그쳐서다. 측정 시점이나 업종의 차이 같은 다른 이유도 있을 수 있다. 두 자료(신고서와 Apollo의 분석 글)로는 이 이유들을 가를 수 없다.

이 글의 중심 주장은 데이터가 증명한 결론이 아니라 시그나이터의 해석이다. 그 해석에서 나온 질문은 어느 경우에도 물을 수 있다.

시그나이터의 해석을 받쳐 주는 확인된 근거는 신고서의 서술 하나뿐이다. 공급사가 고객 현장에서 설계를 맡는 자체 조직을 키울 계획이라고 쓴 것이다. 성공 1건당 비용 계산은 논리를 보이려고 만든 가정 예시일 뿐 근거가 아니다.

0.1%는 앞에서 말한 고객의 3분기 평균이라는 조건 안에서만 성립한다. 이 고객들은 Apollo가 비교한 기업과 같은 집합이 아니어서, 이 비율로 Apollo의 숫자를 설명할 수 없다. 같은 집합이라 해도 지출이 작다고 효과도 작다는 법은 없다. AI는 매출을 키우거나 다른 비용을 줄이는 쪽으로도 쓰일 수 있다. 비상장 고객이나 그보다 적게 쓴 고객, 자체 개발이나 다른 공급사에 쓰는 돈은 들어 있지 않다. Apollo의 차트는 이미지라 수치를 읽지 못했고 방향만 옮겼다.

신고서는 확정 전의 초안이고, 가격은 2026년 10월 27일 기준이다. 일일 보고 업무와 성공률, 비용, 시급은 모두 가정이다. 시그나이터 같은 컨설팅 회사는 AI의 배치와 업무 재설계가 중요하다는 결론에 이해관계가 있다.

그래도 시그나이터는 모델 경쟁이 이어져도 기업 사이의 차이는 모델 바깥, 곧 업무의 선택과 검증 구조에서 생길 가능성이 크다고 본다. 이 판단은 예측이며, 앞에서 본 사실 어느 것도 이 예측을 직접 증명하지 않는다. AI로 성과를 내는 데는 AI를 어떤 업무에 어떻게 쓰느냐, 곧 배치가 가장 중요하다는 판단도 시그나이터의 해석이다. 그래서 시그나이터는 질문을 이렇게 바꾼다.

어떤 AI가 가장 좋은지가 아니라, 값이 내려가는 AI를 어떤 업무에, 어떤 검증과 함께 쓸지 물어야 한다.

다음 회의에서 확인할 질문은 세 가지다.

  • 어느 업무에 쓰고 있는가. 업무마다 어느 등급의 AI를 쓸지 정했는지, 하나의 모델을 모든 업무에 쓰고 있는지 본다.
  • 업무 한 건이 성공하는 데 드는 비용은 얼마인가. 토큰 값이 아니라 성공률과 실패 1건당 사람 비용을 넣어 자기 업무에서 쟀는지 본다.
  • 사람의 검토와 확인 시간은 어디에 남는가. 업무 흐름에서 일하는 시간과 기다리는 시간을 나누어, 기다리는 시간이 어디에 쌓이는지 본다.

세 질문은 지금 쓰는 방식을 점검하자는 제안이다. 세 질문에 답하지 못해도 이상하지 않다. 답이 없는 질문부터 답을 정하면 된다.

아래 도구는 위의 세 질문을 일곱 항목으로 더 잘게 나눈 것이다. 이미 답이 있는 항목을 고르면 답이 없는 항목은 먼저 정할 일로 모아 보여 준다. 응답은 저장되지 않으므로 결과는 회의 자료로 옮겨 적어 두자.

우리 회사로 점검하기

값이 내려간 AI를 어디에 두고 있는가, 일곱 질문에 답이 있는가

이미 답이 있는 질문을 고르면, 답이 없는 질문이 먼저 정해야 할 것으로 정리된다. 아래 정리는 시그나이터의 해석이며 표준 진단 기준이 아니다.

보이는 신호를 고르면 여기에 정리된다.

응답은 이 브라우저에만 저장되고 시그나이터로 전송되지 않는다.

값이 내려간 AI를 어디에 두고 있는가, 일곱 질문에 답이 있는가 – 업무 단위 성공률, 실패 비용, 등급 배정, 새 모델 평가, 병목 확인, 남는 시간의 쓰임, 없앨 활동 가운데 이미 답이 있는 항목을 고르면 답이 없는 항목이 먼저 정할 것으로 정리된다. 응답은 저장되지 않는다


Reference Notes

  • Anthropic, PBC, Form S-1, SEC EDGAR, 2026년 10월 26일 제출(문서). 연 매출, 비용, 고객, 과금 구조와 회사 서술을 읽었다. 효력 발생 전 초판이라 금액 칸이 비어 있고 바뀔 수 있다. 쪽수 대신 섹션명으로 읽었고, 현금흐름표와 재무제표 주석은 전부 읽지 않았다.
    • 매출: 본문에는 2025년과 2026년 상반기 값만 옮겼다. 연 매출은 2023년 4,100만 달러, 2024년 3억8,600만 달러, 2025년 45억8,500만 달러다. 2023년 대비 2025년은 약 112배, 2024년 대비 2025년은 약 11.9배다. 2026년 상반기 6개월은 162억8,600만 달러이고 전년 같은 기간은 11억6,300만 달러다. 2023~2025년은 감사 대상 연도, 2026년 상반기는 미감사 중간기다. 연간 값과 반기 값은 이어 읽을 수 없다.
    • 비용과 손익: 같은 6개월의 컴퓨팅·인프라 비용은 89억4,500만 달러로 매출의 약 55%다. 2026년 2분기(4~6월) 매출은 전년 같은 분기보다 1,368%, 컴퓨팅·인프라 비용은 300% 늘었다. 상반기 GAAP 영업손실은 6억9,300만 달러(매출의 약 -4%)이고, 2분기 GAAP 영업이익률은 전년 2분기 -152%에서 8%가 됐다. 회사가 정의한 비GAAP 지표인 조정 영업이익은 16억1,800만 달러(매출의 10%)이고 전년 같은 기간은 18억4,900만 달러 손실이었다. 조정 항목에는 주식보상비용 21억8,500만 달러 등이 들어 있다. 신고서는 “We do not expect our revenue will continue to grow at comparable rates.”라고 쓴다.
    • 고객: 12개월 매출 10만 달러 이상인 고객은 2025년 9월 30일 950곳 넘는 수준에서 2026년 9월 30일 11,900곳 넘는 수준으로 늘었다. 100만 달러 이상은 1,900곳 넘고 1,000만 달러 이상은 약 250곳이다. 이 숫자는 기업 수가 아니라 고객(customers) 수다. 순매출 유지율(Net Revenue Retention, NRR)은 약 900%다. Claude Pro와 Max 구독자를 제외하고, 1년 전 3개월 동안 매출이 1달러 이상이던 고객의 최근 3개월 매출을 그 고객들의 1년 전 3개월 매출로 나눈 값이라 확장, 축소, 이탈이 섞여 있다.
    • 고객 집중도: 2026년 1~9월에 매출의 10%를 넘는 고객은 없었고, 3분기 매출의 약 79%는 상위 5개 고객 밖에서 나왔다. 신고서는 “Claude adoption is broad-based”라고 쓴다. 다만 고객을 벤처캐피털(VC) 투자 기업과 일반 대기업으로 나누어 보여 주지 않아, Apollo가 말한 VC 투자 기업 쏠림을 신고서로 확인하지도 반박하지도 못한다.
    • 0.1%의 모집단: 각주 5에 따라 상장한 Fortune 500 고객만 넣고, 분모는 고객이 공개 재무제표에 적은 총비용이다. 분자는 12개월 매출 10만 달러 이상인 고객의 Anthropic 매출이며 2026년 3분기 석 달의 평균이다. 신고서는 Fortune 500의 절반 넘는 기업이 이 기준을 넘는 고객이라고 쓴다. 상위 10개 고객의 평균은 1% 미만이다. 회사는 이를 “early stages of our expansion”이라 부른다. 비상장 고객, 10만 달러 미만 고객, 자체 개발이나 다른 공급사에 쓰는 돈은 들어 있지 않다. Fortune 500과 Apollo의 S&P 493은 같은 집합이 아니다.
    • 모델 교체 속도: 2026년 3분기 매출의 80% 넘는 부분은 최근 6개월 안에 나온 모델 버전에서 나왔다고 쓴다. 본문에서는 논지에 필요하지 않아 뺐다.
    • 과금과 가격 위험: 주된 수익 모델을 소비 기반 과금(pay-for-intelligence)이라 부른다. 2026년 상반기 매출 162억8,600만 달러 가운데 소비 기반이 130억6,400만 달러(약 80%), 구독이 32억2,200만 달러다. 2025년 연간 소비 기반 비중은 83%였으므로 비중이 오르고 있다고 말할 수는 없다. 위험 요인에는 가격 인하, 더 짧은 계약과 함께 “outcome or task-based pricing”의 가능성이 있고, 에이전트 제품이 에이전트가 아닌 제품보다 구조적으로 컴퓨팅을 더 쓴다는 설명도 있다. 비용과 확산의 논리는 “Lower costs per task drive greater usage, which in turn drives broader diffusion of Claude.”라고 쓴다. 2026년 3분기 매출의 80% 넘는 부분은 최근 6개월 안에 나온 모델 버전에서 나왔다.
    • 제품과 공급 경로(본문에는 대형 회계·컨설팅 회사와 데이터 플랫폼 회사로 줄여 썼다): 신고서는 AI 시스템을 가상 협업자(Virtual Collaborator)라고 부르며, 사람과 함께 복잡한 다단계 업무를 전문가 수준으로 수행하는 시스템으로 설명한다. 한국어 표기는 시그나이터의 번역이다. 현재 가장 뚜렷한 사례는 Claude Code이고, Claude Cowork는 같은 구조를 지식노동자 전반으로 넓힌 제품이다. 시험 공개 뒤 같은 시점의 Claude Code보다 Cowork 채택이 빨랐다고 하지만 지표와 수치는 없다. 2026년 9월에 Cowork와 Claude.ai를 합치기 시작했다고 한다. Claude 도입 경로로 Accenture, Deloitte, KPMG, PwC와 Salesforce, Snowflake를 예로 들지만 계약 내용은 없다. 자체 Applied AI 조직은 현장 투입 엔지니어(forward-deployed engineers) 등이 고객의 시스템과 업무 방식에 맞춘 해법을 설계하고 배포하는 팀이다. 사모펀드와 함께 중견기업에 Claude를 적용하는 AI 서비스 회사 Ode with Anthropic도 최근 출범했다고 한다.
  • Anthropic, Form S-1 제출 공지, 2026년 10월 26일(공지). 상장 예정이며 주식 수와 가격대가 미정이고 효력 발생 전이라는 점을 확인했다. 청약 권유가 아니다.
  • Apollo, No Signs of AI Payoff Outside the Tech Sector, The Daily Spark, Torsten Slok, 2026년 10월 24일(분석 글). 대형 기술주 7개(Magnificent 7, Mag 7)와 나머지 S&P 500 기업 493곳(S&P 493)의 직원당 매출·이익률 비교, 일반 대기업의 토큰 지출 설명, 질문과 결론 문장을 옮겼다. 차트 다섯 개가 이미지라 수치, 표본, 기간을 읽지 못해 방향만 옮겼다.
    • 결론: “there is no evidence that revenue growth or margins are improving outside the tech sector.” S&P 493은 Mag 7을 뺀 나머지이며 기술 기업을 포함한다.
    • 생산성: 분석 글이 인용한 생산성 계열은 샌프란시스코 연준이 이용률을 보정해 발표하는 경제 전체의 총요소생산성(TFP)이다. 분석 글은 이 계열에서 AI가 생산성 증가율을 올린다는 신호가 아직 없다고 본다. S&P 493의 기업별 지표가 아니다.
    • 토큰 지출: VC 투자를 받은 기업은 토큰 지출을 계속 늘리지만, 일반 대기업은 “does not need the latest model and is unwilling to pay for it”이라고 한다. 분석 글은 일반 대기업이 물러서며 토큰 지출을 성장의 원천이 아니라 이익률을 누르는 비용 항목으로 보기 시작했다고 설명한다. 이 부분은 분석 글에 Ramp 및 Ramp AI Index로 출처가 적혀 있어 Ramp 데이터에 기반한 표본이라는 한계가 있다.
    • 전망과 질문: “As long as agentic AI and token spending are confined to a small part of the economy, the macroeconomic effects of AI will be very limited.” 분석 글의 질문은 “whether, even as models become commoditized, mainstream corporate America can turn increasingly cheap intelligence into higher revenue growth and higher profit margins.”다.
    • 판단에 관한 문장: “AI may be a great calculator, but in business, intelligence is mostly judgment.” AI가 책임, 신뢰, 문화, 불문율, 윤리적 절충, 공정성을 이해하지 못한다는 지적이 이어진다. 투자 조언이 아니라는 고지가 붙은 경제 분석 글이다.
  • OpenAI, Introducing GPT-6.1 Terra(소개문), GPT-6.1 Terra 모델 문서(문서), API 가격표(가격표), ChatGPT & Codex 변경 기록(기록, 2026년 10월 26일 항목), 2026년 10월 27일 열람. 네 등급의 Standard 가격, 한도, 공식 권장 용도, 벤치마크를 이 문서들에서 확인했다. 가격은 바뀔 수 있고, 벤치마크는 OpenAI의 자체 보고다.
    • 가격과 세대: Luna와 Astra는 GPT-6, Sol과 Terra는 GPT-6.1이라 한 세대의 가격표가 아니다. OpenAI는 GPT-6.1 Terra의 Standard 가격이 GPT-5.6 Terra와 GPT-6.1 Sol보다 50% 낮다고 밝힌다.
    • 가격: Standard 100만 토큰당 입력/출력은 Luna $0.10/$0.50, Terra $1/$5, Sol $2/$10, Astra $10/$50이다.
    • 한도: Terra의 컨텍스트 창은 1,050,000 토큰, 최대 출력은 128,000 토큰이다. 프롬프트가 272K 토큰을 넘으면 그 요청 전체에 입력과 캐시 요금 2배, 출력 요금 1.5배가 붙는다.
    • 권장 용도: Terra는 시각적 추론, 정밀한 computer use, 문서 작성, 양식 입력에 쓰는 모델로 소개되고, 가장 복잡한 코딩에는 Sol과 Astra가 더 낫다고 안내한다. 이 안내는 원장 #37에서 소개문 원문(“remain the better choice”)으로 확인한 문장이다.
    • 벤치마크: GPT-6.1 Terra는 최대 reasoning effort에서 Terminal-Bench 4.0 과제의 50.3%를 풀어 GPT-5.6 Terra가 공개한 21.5%의 두 배가 넘는다고 한다. 두 점수의 effort와 작업당 비용은 같은 조건으로 비교되지 않았고, 실행 환경은 소개문에 없으며 system card는 열어 보지 못했다. 작업당 비용이 절반이라는 뜻은 아니다.
  • OpenAI, API 변경 기록(개발자용 변경 기록, 기록, 2026년 7월 30일 항목)과 GPT-5.6 소개문(2026년 7월 9일, 소개문). 7월 30일부터 GPT-5.6 Luna가 80%, Terra가 20% 싸졌다는 문장은 변경 기록 원문에서 직접 확인했다. Sol, Terra, Luna를 “durable capability tiers that can advance on their own cadence”라고 부른 문장(가격·제공 절)은 2026년 10월 27일 소개문 본문을 열어 직접 확인했다. 인하 뒤의 구체적인 가격은 확인하지 못했다.
  • Anthropic, Introducing Claude Sonnet 5.5(2026년 9월 28일, 소개문)와 Claude Sonnet 5.5 System Card(시스템 카드), Introducing Claude Opus 5.5(2026년 9월 22일, 소개문). 가격, 작업당 비용 변화, 공식 권장 용도, 벤치마크 순서를 확인했다. 벤치마크는 Anthropic의 자체 보고이며 비교표 일부 열에는 이전 버전 값이 섞여 있다는 주석이 있다.
    • 가격: Standard 100만 토큰당 입력/출력은 Sonnet 5.5 $2/$10, Opus 5.5 $4/$20이고 Opus 5는 $5/$25였다. 도식에는 가격을 확인한 이 두 모델만 그렸다.
    • 작업당 비용: Opus 5.5는 전형적인 워크로드에서 Opus 5보다 작업당 비용을 약 40% 줄였다. Sonnet 5.5는 Sonnet 5와 토큰 가격이 $2/$10으로 같고 같은 작업의 비용이 최대 30% 낮다.
    • 권장 용도: Sonnet 5.5는 범위가 분명한 일상 업무, 버그 수정, 문서·슬라이드·스프레드시트 제작에 가장 강하다고 소개된다. 신중한 판단이 필요한 복잡하고 열린 작업은 Opus 5.5가 분명히 더 강하다고 한다.
    • 점수 순서: Terminal-Bench 4.0에서 Sonnet 5.5가 70.6%, Opus 5.5가 66.4%다. GDPval-AA에서는 Sonnet 5.5가 Opus 5.5보다 Elo 점수로 2점 낮다. 벤치마크마다 순서가 갈려 두 공급사의 점수를 일대일로 비교하지 않았다. Sonnet 5.5의 Terminal-Bench 4.0 값은 시스템 카드 8.5절의 조건(Claude Code의 --bare 모드, 최대 thinking effort, safeguards 켬, 요청 1.2%는 대체 모델이 응답, 인터넷 차단, 66개 과제에 과제당 5회 시행(330회), 표준오차 ±2.5포인트)에서 나왔고, Opus 5.5의 66.4%는 Xhigh effort 값이다.
  • 시그나이터 계산, 성공 1건당 비용. 공식 (c + (1 − p) × F) ÷ p에서 c는 시도당 비용, p는 성공률, F는 실패 1건당 사람 비용이다. 손익분기 F의 계산을 직접 했다. 모델 A는 (10 + 0.3F) ÷ 0.7, 모델 B는 (20 + 0.02F) ÷ 0.98이고, 성공 1건당 토큰 비용은 A가 10÷0.70, B가 20÷0.98이다. 시급 30달러는 분당 50센트다. 2단계의 합계는 1 + 24 + 0 + 48로 73시간이다. 성공률, 시도당 비용, 실패 1건당 비용, 시급은 모두 설명용 가정이며 조사 결과나 어느 회사의 실측이 아니다. 감지되지 않은 오류의 비용, 재시도, 도구 호출 비용은 넣지 않았다.
  • 개인이 아낀 시간과 조직 산출 사이의 단절은 시그나이터의 이전 글에서 한국은행 분석으로 다루었고, 이 글은 그 증거를 새로 인용하지 않았다.
  • 본문의 일일 보고 업무는 설명을 위해 만든 가상의 업무이며, 작업과 시간은 모두 가정이다. 실제 기업의 사례가 아니다.

관련 글: 「AI를 잘 쓸수록 내가 손해라면, 누가 AI를 쓰겠는가」, 「제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다」, 「제조 AX 개념 검증은 90일 동안 무엇을 검증해야 하는가」.


About Seigniter

시그나이터(Seigniter)는 기업의 AI 도입을 넘어, AI로 실제 일하는 방식을 바꾸는 AX(AI Transformation)를 고민하는 컨설팅펌입니다.

어떤 AI 기술을 쓸지부터 정하기보다 기업에서 실제로 어떤 일이 이루어지는지 살펴봅니다. 어디에서 비효율과 병목이 생기는지, 어떤 판단과 반복 작업이 있는지 파악하고 사람과 시스템, AI의 역할을 어떻게 나눌지 설계합니다.

기업의 전략과 현장, 비즈니스 문제와 AI 기술 사이에는 아직 큰 간극이 있습니다.

시그나이터는 이 간극을 연결해 AI가 실제 업무 안에서 작동하는 구조를 만들고자 합니다.

AI를 도입하는 데서 그치지 않고, AI와 함께 일하는 방식을 설계합니다.

Next step

글의 관점을 실제 조직 진단과 실행 설계로 연결합니다.

AI 가격은 내려가는데 기업 성과는 정체된 이유 | seigniter(시그나이터)