AI는 왜 더 비싸진 것처럼 보일까? 지능 비용의 착시

URL: https://www.youtube.com/watch?v=vRS2leJLAI0
날짜: 2026-10-12
채널: t3dotgg

---

📌 핵심 질문 / 약속된 ‘측정할 수 없을 만큼 싼 지능’은 왜 체감되지 않는가

==AI 지능은 약속대로 훨씬 싸졌지만, 사람과 기업이 더 크고 어려운 일을 더 오래 맡기면서 총 청구액이 오히려 커졌다.== 토큰(token) 하나의 가격만 보면 최상위 모델은 비싸졌지만, 같은 수준의 지능을 얻는 비용과 한 작업을 끝내는 데 필요한 토큰 수, 모델이 실제로 해낼 수 있는 일의 범위를 함께 보면 지난해의 지능은 이미 10배를 넘어 20배 가까이 싸졌다.

• Sam Altman은 2025년 7월 지능이 전년 대비 10배 저렴해질 것이라고 약속했다.
• 2025년에는 AI에 연간 800~1,000달러를 쓸 것 같던 개인 사용량이 2026년에는 하루 1,000달러가 넘을 수 있을 만큼 늘었다.
• GPT-5 수준의 지능을 DeepSeek V4 Flash로 얻으면 토큰 단가만으로도 입력 21배, 출력 55배가 낮고, 효율을 3배 불리하게 잡아도 전체 개선폭은 약 20배다.
• 청구액 증가는 모델이 실패해서가 아니라, 모델이 충분히 싸고 유능해져서 더 긴 에이전트(agent) 작업과 더 많은 업무에 투입되는 제번스 역설(Jevons paradox) 때문이다.

‘Intelligence too cheap to measure’라는 구호는 아직 문자 그대로 실현되지는 않았지만, 같은 일을 수행하는 지능의 단가는 약속을 훨씬 초과해 떨어졌다. 비용이 늘어난 것은 지난해에는 불가능했던 일을 지금 실제로 시키고 있기 때문이다.

1. 체감 비용이 폭발한 이유와 10배 저렴해진다는 약속

AI 사용량이 줄기는커녕 토큰 소비와 청구액이 함께 증가하면서 ‘저렴한 지능’이라는 약속과 현실 사이에 모순이 생겼다.

1.1. 개인 사용량과 기업 청구액의 역전

1. 2025년과 2026년의 사용량 차이

   1. 과거의 지출: 2025년 한 해 개인 AI 사용료가 대략 800~1,000달러일 것이라고 예상했다.
   2. 현재의 지출: 2026년에는 하루만 지나도 토큰(token)에 1,000달러 이상을 끌어다 쓸 수 있다.
   3. 체감 변화: 작년에는 프롬프트(prompt) 하나에 몇 페니를 썼다면 이제 수십 달러, 많게는 수백 달러를 쓴다.

2. 최상위 모델이 비싸 보이는 표면적 이유

   1. Fable과 Astra: 토큰당 단가가 높고 한 번의 작업에서 생성하는 토큰 수도 많다.
   2. 기업 비용의 상승: 단가와 생성량이 동시에 늘어나 현실 세계의 AI 청구서가 계속 올라간다.
   3. Prime의 문제 제기: Prime은 Sam Altman의 ‘AI가 매년 10배 저렴해질 것’이라는 실제 발언을 인용하며, Astra가 출시됐는데 오히려 훨씬 비싼 이유를 묻는 게시물을 올렸다.

1.2. 짧은 답과 긴 답

1. 측정 방식의 오류

   1. 짧은 답: AI는 실제로 저렴해졌지만, 비용을 제대로 측정하지 않고 있다.
   2. 긴 답: 토큰 가격, 작업당 토큰 수, 일정 수준의 지능을 얻는 비용, 모델이 새로 가능하게 만든 업무까지 살펴봐야 한다.

2. 역설의 출발점

   1. 토큰 가격만 보는 관점: 최상위 모델의 100만 토큰당 가격이 오르면 지능 전체가 비싸졌다고 결론 내리게 된다.
   2. 실제 사용의 변화: 더 싸고 더 유능해진 모델이 더 많은 작업에 쓰이면서 총 토큰 수가 급증한다.

2. Railway 스폰서 구간: 에이전트가 관리하는 클라우드 인프라

Railway는 데이터베이스(database)부터 콘텐츠 전송 네트워크(CDN)까지 제공하는 풀스택(full-stack) 애플리케이션 배포 플랫폼이며, 개발자와 에이전트가 함께 쓰는 클라우드로 확장됐다.

2.1. Railway와의 개인적 관계

1. 플랫폼에 대한 신뢰

   1. 오래된 인연: t3dotgg는 Railway의 거의 네 번째 직원이 될 뻔했지만, 자신의 스타트업을 만들고 곧이어 유튜브 채널을 시작했다.
   2. 플랫폼의 기본 기능: 데이터베이스, CDN, 그 사이의 모든 인프라를 Railway가 맡기 때문에 개발자가 풀스택 앱을 처음부터 만들고 배포할 수 있다.
   3. 지속 서버: 지속적인 서버(persistent server)가 필요한 경우에도 간단하게 운영할 수 있다.

2. 에이전트 도구의 결합

   1. Skills, CLI, MCP: Railway가 에이전트에 Skills, 명령줄 인터페이스(CLI), 모델 컨텍스트 프로토콜(MCP)을 제공하면서 배포와 관리를 에이전트에게 맡길 수 있게 됐다.
   2. Lakebed: t3dotgg가 만든 클라우드 Lakebed는 Railway 위에 완전히 구축됐다.
   3. 환경 자동 프로비저닝: 에이전트가 프로덕션(production), 스테이징(staging), 특정 풀 리퀘스트(PR)를 검증하기 위한 별도 환경을 각각 만들었다.

2.2. 코드 변경부터 배포까지의 자동화

1. MCP 기반 작업 흐름

   1. 질문 전달: 인퍼(추론 시스템)가 어떻게 동작하는지 궁금하거나 개선 아이디어가 생기면 Claude 또는 Codex에 말한다.
   2. 환경 생성: 에이전트가 MCP에 연결해 새 환경을 띄운다.
   3. 검증과 배포: 변경을 파악하고 검증한 뒤 main 브랜치에 병합해 프로덕션으로 보낸다.
   4. 상태 확인: MCP 서버를 통해 이후 환경 상태도 확인하고 무엇이 진행 중인지 스스로 파악한다.

2. 관리 대시보드의 퇴장

   1. 사람의 개입 감소: 에이전트가 모든 것을 관리하므로 대시보드를 몇 주 동안 열어보지 않았다.
   2. 사용 사례: Slop House의 자체 분석 호스팅, PostPlan의 HTML 호스트 구성, Lakebed라는 자체 클라우드 구축 모두 Railway를 기본 플랫폼으로 삼았다.
   3. 비용: 광고에 사용된 내부 동영상 파이프라인을 포함해 많은 서비스를 운영하면서도 한 달 예상 비용은 50달러 미만이었다.
   4. 광고 링크: Railway는 sidv.link/railway에서 확인할 수 있다.

3. 토큰 가격만으로는 지능 비용을 잴 수 없다

Artificial Analysis의 가격표는 최상위 모델의 토큰 단가가 상승했음을 보여주지만, 작업을 완료하기까지 소비하는 토큰과 달러당 얻는 지능을 함께 보지 않으면 핵심을 놓친다.

3.1. 가격표가 보여주는 충격

1. 최상위 모델의 단가

   1. GPT-5 Medium: 출력(output) 100만 토큰당 10달러, 입력(input)은 자막상 125달러로 읽히지만 뒤의 5~10배 비교와 가격 구조상 1.25달러를 뜻한 것으로 보인다.
   2. GPT-6 Astra: 출력 100만 토큰당 50달러, 입력 100만 토큰당 10달러다.
   3. 표면적 결론: 입력과 출력 비용이 약 5~10배 오른 것처럼 보이며, 10배 인하 약속과 정반대처럼 보인다.

2. 비용을 구성하는 세 축

   1. 토큰 단가(token cost): 입력·출력 토큰 하나의 가격이다.
   2. 작업당 토큰 수(tokens per task): 동일한 문제를 해결하는 데 모델이 몇 토큰을 써야 하는지다.
   3. 지능당 비용(cost per level of intelligence): 특정 수준의 결과를 얻기 위해 실제로 얼마를 지불하는지다.

3.2. 저가 모델도 크게 발전했다

1. GLM-5.3 Flash의 사례

   1. 표시 가격: 입력 100만 토큰당 0.15달러, 출력 100만 토큰당 0.50달러다.
   2. 할인 가격: 여러 서비스에서 50% 할인 중이어서 입력 0.07달러, 출력 0.25달러 수준까지 내려간다.
   3. 상대 가격: GPT-5보다 토큰당 약 20~30분의 1 가격이다.
   4. 실전 능력: 현실적인 에이전트 작업에서는 GPT-5를 압도하는 경우가 많다.

2. 양쪽 끝의 개선

   1. 상단: 최고급 모델은 더 비싸고 더 많은 계산과 토큰을 사용한다.
   2. 하단: 저가 모델은 예전 최고급 모델보다 유능해졌다.
   3. 결론: 최상위와 최저가 양쪽 모두 의미 있게 개선됐으므로 단가 하나만으로 시장의 비용 변화를 판단할 수 없다.

3.3. 토큰을 낭비하는 모델의 역설

1. Gemini 3.8 Flash의 표면 가격

   1. 단가 비교: 출력 100만 토큰당 3.75달러로 GPT-5의 절반 이하이며 Astra와 Fable의 10분의 1보다도 싸다.
   2. 실제 계산량: Gemini 3.8 Flash는 수행하는 작업에 너무 많은 토큰을 사용한다.
   3. 격차 축소: 토큰당 가격만 보면 10배가 넘는 차이가 작업당 비용에서는 3배 미만으로 줄어든다.
   4. Gemini 3.5 Flash: 토큰을 더 많이 먹는 모델이라 훨씬 비효율적이며, 훨씬 비싼 5.6 Sonnet과의 작업당 비용 차이도 절반 이상으로 좁혀진다.

2. 작업 종류별 최적화

   1. 대규모 입력 분류: 80만 토큰을 읽어 분류하는 작업에서는 출력 토큰보다 입력 토큰 비용이 지배적이므로 입력 단가가 가장 싼 모델을 고르는 것이 맞다.
   2. 에이전트 개발: 에이전트식 개발(agentic development)에서는 캐싱(caching), 신뢰성(reliability), 토큰 효율(token efficiency)이 훨씬 중요해진다.
   3. 일반 원칙: 모델의 가격표가 아니라 특정 작업을 끝내는 전체 비용을 비교해야 한다.

4. 달러당 지능과 지능 수준별 비용

‘얼마나 많은 지능을 1달러에 얻는가’와 ‘원하는 지능 수준을 얻는 데 얼마가 드는가’를 분리하면 가격 하락이 선명해진다.

4.1. 비용-지능 파레토 프런티어

1. 두 축의 재구성

   1. 기존 질문: 모델 한 번 실행하는 데 얼마가 드는가를 묻는다.
   2. 더 나은 질문: 해당 비용에서 어떤 모델이 가장 높은 벤치마크 점수를 내는지, 즉 비용-지능 파레토 프런티어(Pareto frontier)를 묻는다.

2. 가격과 점수의 비선형 관계

   1. GPT-6 Astra: 파레토 프런티어에서 여러 최적 지점을 차지한다.
   2. Fable: 차트의 오른쪽에 놓여 동일한 지능에 비해 훨씬 비싸다.
   3. 점수 45~46: 작업당 0.82달러면 만족할 수 있다.
   4. 점수 50대: 불과 몇 점을 더 얻으려면 작업당 3.26달러가 들며, 약 3배를 지불해야 한다.

4.2. GPT-5와 같은 수준을 오늘 얻는 비용

1. 동일 지능 모델 찾기의 어려움

   1. 벤치마크 포화: 지난 1년 동안 기존 벤치마크가 포화돼 거의 모든 평가 체계를 갈아엎어야 했다.
   2. 비교 대상: 겹치는 몇 가지 벤치마크 점수를 기준으로 DeepSeek V4 Flash가 GPT-5 Codex High와 대략 비슷한 수준으로 보였다.
   3. 실질적 우위: DeepSeek V4 Flash는 Humanity’s Last Exam과 환각률(hallucination rate)을 측정하는 AI Omniscience 같은 일부 평가에서 오히려 앞섰다.

2. 단가와 효율을 함께 계산한 결과

   1. 입력 가격: DeepSeek V4 Flash는 GPT-5보다 21배 싸다.
   2. 출력 가격: DeepSeek V4 Flash는 GPT-5보다 55배 싸다.
   3. 효율 보정: DeepSeek의 작업 효율이 GPT-5보다 3배 낮다고 가정해도 전체 차이는 약 20배의 개선으로 남는다.
   4. 약속의 초과 달성: 특정 지능 수준을 10배 싸게 만들겠다는 목표는 이미 약 20배 싸게 만들면서 넘어섰다.

4.3. Artificial Analysis의 시간대별 하락 곡선

1. 지능 점수 10 미만

   1. 2022년 11월: 해당 수준의 작업당 비용은 약 0.60달러였다.
   2. 2024년 7월: 약 2센트까지 떨어졌다.
   3. 약 2년의 변화: 같은 지능 수준을 얻는 가격이 급격히 낮아졌다.

2. 지능 점수 10~20

   1. o1 Preview: 2024년 9월 점수 11을 내는 작업에 약 15달러가 들었다.
   2. Grok 3 Mini: 불과 몇 달 뒤인 2025년 2월 16센트로 더 높은 점수 15를 냈다.
   3. 하락폭: 네 달 만에 가격이 대략 99% 하락했다.
   4. Chad의 관찰: 새로운 지능 단계가 등장할 때마다 가격 하락 속도가 더 빨라진다.

3. 지능 점수 20대

   1. o3: 20점을 돌파한 최초의 모델이 됐다.
   2. GPT-5 Mini: 4월부터 8월 사이 비슷한 20~21점을 내면서 155달러가 아니라 26달러에 제공됐다.
   3. DeepSeek 3.2: 같은 수준을 10달러에 제공했다.
   4. Ling 3 Flash: 같은 점수를 4.7달러에 내는 단계까지 내려왔다.

4. 지능 점수 30대에서 50대

   1. 30대의 시작: 새로운 단계는 1.90달러와 52점 수준에서 출발했고, 얼마 지나지 않아 약 3달러 수준의 모델이 나왔다.
   2. Opus 4.7: 현재 40대~50대 경쟁의 문을 열며 지능 지수 41을 작업당 3.85달러에 달성했다.
   3. 새 단계의 가격: 과거 o1처럼 새 단계가 갑자기 비싸지는 경우도 있었지만, 이후 단계들은 거의 같은 가격이거나 조금만 비쌌다.
   4. 로그 축: 차트의 비용 축은 로그(logarithmic scale)라서 꼭대기 16달러와 중간 1달러의 차이가 크다는 점을 감안해야 한다.

5. 최근의 경쟁

   1. Opus 4.7 이후: 41점이라는 의미 있는 상승이 나왔다.
   2. 5.6 Terra: 얼마 지나지 않아 더 높은 점수를 거의 절반 가격에 냈다.
   3. GLM-5.3: 더 높은 점수를 3분의 1 이하 가격으로 낮췄다.
   4. GLM-5.3 Flash: 거의 같은 점수를 100분의 1 가격에 냈다.
   5. 일반 패턴: 새 지능 단계가 처음 등장한 직후에는 비싸 보여도, 같은 단계의 가격은 매년 10배보다 훨씬 빠르게 하락한다.

5. 더 똑똑한 모델이 더 많이 쓰이는 제번스 역설

모델의 능력이 커질수록 사람은 짧은 보조 작업이 아니라 끝까지 맡길 수 있는 장시간의 업무를 요청한다. 청구액 증가는 이 사용량 변화의 결과다.

5.1. 모델이 수행하는 일의 질적 변화

1. 코딩 보조에서 엔드투엔드 작업으로

   1. 과거: 코드베이스의 함수 하나를 자동완성(autocomplete)하는 정도였다.
   2. 현재: 버그가 난 화면의 스크린샷을 보고 원인을 찾고 수정 사항을 실제로 반영한다.
   3. 개입 감소: 모델이 작업을 더 오래 유지하고 스스로 다음 단계를 처리하므로 사람이 중간에 계속 개입할 필요가 없다.

2. 토큰 증가의 의미

   1. 긴 실행: 모델이 몇 초가 아니라 몇 시간 동안 실행된다.
   2. 큰 작업: 단일 프롬프트가 더 큰 문제와 더 많은 하위 작업을 포함한다.
   3. 성공 신호: 프롬프트당 토큰이 늘어난 것은 모델이 비싸져서가 아니라 더 많은 일을 완수할 수 있게 된 성공의 신호다.

5.2. ‘싸져서 더 많이 쓰는’ 구조

1. 제번스 역설(Jevons paradox)

   1. 역사적 비유: 증기 동력(steam power)이 싸지고 석탄이 더 쉽게 공급되자 사람들은 관련 자원을 덜 쓰지 않고 더 많이 썼다.
   2. 사용처 확대: 가격과 성능이 충분해지면서 예전에는 경제성이 없던 곳에도 기술이 투입됐다.
   3. AI 적용: AI도 같은 구조로 저렴하고 유능해졌기 때문에 더 많은 작업에 사용된다.

2. 청구액의 정확한 해석

   1. 부정할 수 없는 현실: 총 청구액이 오르고 하루 1,500달러를 쓰는 경우도 있다.
   2. 원인: 모델이 더 비싸서가 아니라, 비싼 모델을 훨씬 많이 사용하기 때문이다.
   3. 생산성 연결: LLM 지출은 LLM으로 얻는 생산성과 연결돼 있으며, 생산성도 함께 증가했다.

6. GLM-5.3 Flash가 보여주는 다음 가격 붕괴

현재의 저가 모델은 단순히 GPT-5를 싸게 흉내 내는 모델이 아니라, 지난 1년의 산업적 발전을 통째로 포함한 더 나은 작업 도구다.

6.1. ‘Fable 5.1 지능을 GLM-5.3 Flash 가격으로’라는 전망

1. A4의 채팅 발언

   1. 상상: A4는 “Fable 5.1 수준의 지능을 GLM-5.3 Flash 가격으로 얻는 날”을 상상했다.
   2. 전망: 그 일은 반드시 일어난다.

2. GPT-5와의 비교가 GLM-5.3 Flash에 불공정한 이유

   1. 단가 비교: GLM-5.3 Flash의 출력 100만 토큰당 0.25~0.50달러와 GPT-5의 10달러를 비교하는 것만으로는 Flash의 능력을 충분히 평가할 수 없다.
   2. 비전(vision): GLM-5.3 Flash는 이미지와 화면을 다루는 방식이 더 좋다.
   3. 도구 호출(tool calling): 외부 도구를 사용하는 능력이 더 좋다.
   4. 장기 에이전트 작업: 몇 초가 아니라 몇 시간 동안 수행되는 에이전트 워크플로에서 훨씬 안정적이고 유능하다.

6.2. 지식량보다 도구 사용 능력이 중요해진다

1. GPT-5가 가진 작은 우위

   1. 내장 지식: 검색 없이 모델 내부에 저장된 지식만으로 답해야 할 때 GPT-5가 조금 더 많은 지식을 보유한다.
   2. 제한된 차이: 이 차이는 검색 도구(search tool)가 제공되면 크게 중요하지 않다.

2. 검색을 허용했을 때의 결과

   1. 도구 활용: GLM-5.3 Flash는 검색하고, 도구를 호출하고, 결과를 검증하는 능력이 뛰어나다.
   2. 실전 성능: 지식이 모델 안에 얼마나 들어 있는지보다 필요한 정보를 찾아 문제를 해결하는 능력이 중요해진다.
   3. 비교: 검색 도구를 주고 지식 문제를 평가하면 GLM-5.3 Flash가 GPT-5를 큰 차이, 자막의 표현으로는 ‘한 자릿수 배(order of magnitude)’ 차이로 압도할 수 있다.
   4. 역전: 좋은 도구를 가진 작은 모델은 도구를 써도 약했던 지난해의 가장 똑똑한 모델을 크게 앞선다.

7. 벤치마크의 포화와 자신의 틀린 예측

AI 능력의 증가를 놓친 이유는 모델 발전이 멈췄기보다, 기존 벤치마크가 새로운 능력을 측정하지 못했기 때문이다.

7.1. 2년 전 ‘AI는 더 나아지지 않는다’는 판단

1. 당시의 근거

   1. 과거 영상: 약 2년 전, 머리가 대부분 금발이고 콧수염이 있던 시절 ‘AI는 계속 발전하지 않을 것’이라는 제목의 영상을 만들었다.
   2. 벤치마크 결과: GPT-3.5, GPT-4, GPT-4 Turbo, GPT-4o가 사용하던 벤치마크에서 의미 있는 상승을 보이지 않았다.

2. 판단의 오류

   1. 포화 문제: 모델이 실제로 발전하지 않은 것이 아니라 평가 지표가 포화돼 있었다.
   2. 필요한 조치: 새로운 능력과 지능 수준을 측정하려면 새로운 벤치마크가 필요했다.
   3. 자기평가: 그 예측은 인생에서 가장 크게 틀린 견해였고, 스스로도 “정말 정말 틀렸다”고 인정한다.
   4. 농담: 사람들은 자신이 맞았던 compaction 같은 주장에는 화를 내면서, 실제로 크게 틀린 그 예측을 놀리는 데는 별로 화내지 않는다고 농담한다.

7.2. 측정 체계가 따라잡아야 할 현실

1. 새 지능 수준의 측정

   1. 평가의 지연: 모델이 할 수 있는 일이 벤치마크가 측정할 수 있는 범위를 빠르게 넘어섰다.
   2. 가격의 오해: 벤치마크 점수와 토큰 단가를 분리해 보면 지능의 가격 하락을 확인할 수 있다.

2. 예상보다 빠른 발전

   1. 속도: 능력은 예상했던 것보다 훨씬 빠르게 좋아졌다.
   2. 가격: 같은 수준의 지능은 상상했던 것보다 훨씬 싸졌다.
   3. 활용의 결과: 너무 싸고 유능해진 탓에 사람들은 모델에 돈을 쏟아붓고 있으며, 이 현상이 실패로 보이는 착시를 만든다.

주요 발언 모음

“Intelligence too cheap to measure.”

“It did actually get cheaper. We’re just not measuring it right.”

“Our bills aren’t going up because the models are more expensive. They’re going up because we’re using the expensive models more.”

“The fact that we are generating way more tokens per prompt is success.”

“Small models with good tools massively outperform last year’s smartest models.”

“The tasks that we used AI for last year are actually that much cheaper. The difference is we can do bigger and tougher things with it.”

핵심 데이터 & 수치

• 개인 사용량: 2025년 연간 800~1,000달러 수준의 예상이 2026년에는 하루 1,000달러 이상으로 확대됐다.
• GLM-5.3 Flash: 입력 0.15달러/출력 0.50달러(100만 토큰), 할인 시 입력 0.07달러/출력 0.25달러다.
• 비용-지능 점수: 45~46점은 작업당 0.82달러, 50대 점수는 작업당 3.26달러다.
• DeepSeek V4 Flash: GPT-5보다 입력 21배, 출력 55배 저렴하며 효율을 3배 낮게 잡아도 약 20배의 개선이다.
• 지능 점수 10 미만: 2022년 11월 0.60달러에서 2024년 7월 0.02달러로 떨어졌다.
• o1 Preview와 Grok 3 Mini: 2024년 9월 15달러였던 점수대가 2025년 2월 0.16달러로, 약 99% 하락했다.
• 장기 사용: 현재는 모델 사용만으로 하루 1,500달러를 쓸 수 있지만, 과거 GPT-5로는 그만큼의 일을 처리할 수 없었다.

결론 및 시사점

1. 토큰 단가를 전체 비용으로 착각하지 않는다: 입력·출력 가격뿐 아니라 작업당 토큰 수와 목표 지능 수준을 함께 계산한다.
2. 같은 지능을 얻는 비용을 비교한다: 최상위 모델의 출시 가격이 아니라 과거 모델과 같은 능력을 현재 어떤 저가 모델로 얻는지 본다.
3. 작업별 모델을 선택한다: 대규모 입력 분류는 입력 단가, 에이전트 개발은 캐싱·신뢰성·토큰 효율을 우선한다.
4. 사용량 증가는 실패가 아니다: 더 긴 실행과 더 큰 작업을 맡길 수 있게 된 결과로 청구액이 늘어났을 수 있다.
5. 도구 사용 능력을 평가한다: 내장 지식량만 비교하지 말고 비전, 검색, 도구 호출, 장기 실행과 같은 실전 능력을 측정한다.
6. 앞으로도 가격은 하락한다: 새로운 지능 단계가 등장할 때마다 초기 가격은 높아도 기존 단계의 가격은 10배보다 빠르게 떨어진다.

핵심 요약 (20줄)

1. AI는 토큰 단가만 보면 비싸졌지만 동일한 지능을 얻는 비용은 훨씬 낮아졌다.
2. Sam Altman이 약속한 지능의 연간 10배 인하는 이미 특정 능력 수준에서 달성됐다.
3. 2025년 연간 800~1,000달러였던 개인 사용량은 2026년 하루 1,000달러 이상으로 커질 수 있다.
4. Fable과 Astra 같은 최상위 모델은 토큰당 비싸고 더 많은 토큰을 생성한다.
5. 비용은 토큰 단가, 작업당 토큰 수, 목표 지능 수준의 세 요소로 계산해야 한다.
6. GLM-5.3 Flash는 GPT-5보다 20~30배 저렴한 토큰 가격으로 현실적인 에이전트 작업을 수행한다.
7. Gemini 3.8 Flash는 단가가 싸도 토큰을 낭비하면 작업당 비용 격차가 크게 줄어든다.
8. 80만 토큰 분류는 입력 단가가 중요하고 에이전트 개발은 캐싱과 신뢰성이 중요하다.
9. 비용-지능 파레토 프런티어는 같은 가격에서 가장 높은 성능을 내는 모델을 보여준다.
10. 45~46점의 작업은 82센트지만 50대 점수로 올라가면 3.26달러가 필요하다.
11. DeepSeek V4 Flash는 GPT-5와 비슷한 지능을 입력 21배, 출력 55배 낮은 가격에 제공한다.
12. DeepSeek의 효율이 세 배 낮다고 가정해도 GPT-5 수준의 지능은 약 20배 저렴해진다.
13. 지능 점수 10 미만의 작업 비용은 2022년 60센트에서 2024년 2센트로 떨어졌다.
14. Grok 3 Mini는 2025년 초 o1 Preview보다 높은 점수를 약 99% 낮은 가격에 냈다.
15. GPT-5 Mini, DeepSeek 3.2, Ling 3 Flash는 지능 점수 20대의 가격을 연속해서 낮췄다.
16. Opus 4.7 이후 GLM-5.3 Flash까지 지능 점수 40~50대의 가격 경쟁이 가속됐다.
17. 에이전트는 함수 자동완성에서 버그 스크린샷 분석과 엔드투엔드 수정으로 발전했다.
18. 모델이 싸고 유능해진 탓에 더 오래 실행되고 더 많은 작업을 맡아 청구액이 증가했다.
19. 제번스 역설은 자원이 싸질수록 사용처와 총사용량이 늘어나는 현상을 설명한다.
20. 지난해 불가능했던 큰 업무를 지금 처리할 수 있다는 사실이 지능 가격 하락의 가장 중요한 증거다.