OpenAI의 CFO는 AI 지출에 대한 '달러당 유용한 지능' 척도를 제시합니다.

OpenAI CFO Sarah Friar는 기업이 자리가 아닌 성취한 작업으로 AI를 측정해야 한다고 말하면서 토큰 비용 조사가 증가함에 따라 AI 수익에 대한 4가지 질문 테스트를 제안했습니다.

OpenAI의 최고 재무 책임자인 Sarah Friar는 기업들이 소프트웨어를 평가하기 위해 수십 년 동안 사용해 온 측정 기준을 버리고 인공 지능에 대한 새로운 기준을 채택할 것을 촉구합니다. 이 기준은 도구를 사용하는 사람의 수가 아닌 완료된 작업을 중심으로 구축되었습니다.

2026년 7월 17일 금요일에 게시된 블로그 게시물과 Axios, Fortune 및 CFO Dive가 보고한 LinkedIn 게시물에서 자세히 설명된 Friar는 소위 "달러당 유용한 지능" 접근 방식을 소개했습니다. 핵심 주장: SaaS 시대를 정의한 지표(좌석, 활성 사용자, 갱신)는 AI가 창출하는 가치를 포착하지 못합니다. 기업이 AI 경제학과 어떻게 씨름하고 있는지에 대한 지속적인 분석을 보려면 AI 산업 보도를 팔로우하세요.

네 가지 질문

Friar는 조직이 다음 네 가지 질문에 답하여 AI 가치를 판단할 것을 제안합니다.

1. AI가 작업을 완료하는 것이 중요합니까?
2. 성공적인 작업의 비용은 얼마입니까?
3. 사람들이 결과에 의존할 수 있나요?
4. 각 AI 달러는 사용량이 증가함에 따라 더 많은 가치를 창출합니까?

Friar는 LinkedIn에 "수년 동안 소프트웨어는 채택(좌석, 활성 사용자, 갱신)을 통해 측정되었습니다"라고 썼습니다. "AI는 다릅니다. 완료된 작업을 기준으로 측정해야 합니다."

프레이밍은 회사가 지불하는 AI 처리량인 토큰 소비를 최소화해야 하는 비용이 아니라 사용 가능한 출력으로 변환될 때만 가치가 높아지는 원자재로 재구성합니다. 그녀는 "토큰은 사람들이 사용할 수 있는 작업으로 전환될 때 가치를 창출합니다"라고 썼으며 모델의 능력이 향상됨에 따라 컨텍스트를 유지하고 도구 전반에 걸쳐 추론하고 적응하는 더 길고 다단계 작업을 수행할 수 있다고 주장했습니다.

OpenAI가 지금 이것을 추진하는 이유

이번 발표는 AI 산업에 불편한 순간에 이르렀습니다. CFO Dive가 인용한 Gartner 수치에 따르면 전 세계 AI 지출은 2026년에 2조 5900억 달러에 달할 것으로 예상됩니다. 이는 전년 대비 47% 증가한 수치입니다. 그러나 지출이 성과를 거두고 있다는 증거는 여전히 희박합니다. 1월에 발표된 PwC 연구에 따르면 12%의 CEO만이 AI가 비용 및 수익 이점을 모두 제공했다고 답했습니다. 또 다른 33%는 비용이나 수익이 증가했다고 보고했으며, 56%는 지금까지 상당한 재정적 이익을 얻지 못했다고 답했습니다.

그 격차는 기업의 고위직에서 눈에 띄는 좌절감을 낳고 있습니다. Palantir CEO Alex Karp는 최근 CNBC와의 인터뷰에서 많은 비즈니스 리더들이 대규모 언어 모델의 경제성에 "피곤하다"고 말하면서 토큰 비용 상승이 수익으로 전환되는지 의문을 제기했습니다. Karp는 Palantir의 자체 기술을 홍보하면서 언급했으며 상업적 동기가 부여된 것으로 인정했습니다.

문제의 토큰을 판매하는 OpenAI의 경우 소비보다는 결과에 대한 대화를 재구성하는 것이 전략적으로 중요합니다. 고객이 성취한 작업을 통해 성공을 측정한다면 복잡한 작업을 완료하는 프론티어 모델에 더 많은 비용을 지불하는 것은 낭비가 아니라 효율성처럼 보입니다.

자리와 갱신을 중시하는 사고방식에서 벗어나기

"달러당 유용한 지능" 아이디어는 AI의 가격을 책정하고 측정하는 방법에 대한 보다 폭넓은 재검토와 일치합니다. 기존의 엔터프라이즈 소프트웨어는 사용자 단위로 판매되었습니다. 사용량 기반 AI 가격은 이 모델을 깨뜨립니다. 이제 단일 시트가 작업에 따라 엄청나게 다른 양의 컴퓨팅을 소비할 수 있기 때문입니다. Friar의 네 가지 질문은 효과적으로 구매자에게 완료된 작업 및 성공적인 작업당 비용을 중심으로 내부 회계를 구축하도록 요청합니다. 이는 인원 수보다 추적하기 훨씬 어렵지만 기술이 실제로 수행하는 작업을 반영하는 수치입니다.

새로운 척도가 구매자에게 유리하다고 모든 사람이 확신하는 것은 아닙니다. 비평가들은 "완성된 작업"을 정의하고 감사하기가 어려우며 공급업체는 AI 결과물을 성공적인 것으로 분류할 모든 인센티브를 갖고 있다고 지적합니다. Friar의 세 번째 질문인 신뢰성은 모델이 자신만만하지만 잘못된 답변(환각이라고 알려진 현상)을 생성할 때 특히 측정하기 어렵습니다. 독립적인 검증이 없으면 측정 기준은 책임 메커니즘이 아닌 마케팅 도구가 될 위험이 있습니다.

그럼에도 불구하고 이 제안은 대화의 실질적인 변화를 반영합니다. 2년간의 숨가쁜 도입 지표 이후 경영진은 AI 지출이 그 만큼의 성과를 거두고 있다는 증거를 요구하고 있습니다. OpenAI의 모델을 사용하든 경쟁사의 모델을 사용하든 Friar의 네 가지 질문에 데이터로 답할 수 있는 회사는 불가피한 조사에서 예산이 살아남는 회사가 될 것입니다.