토큰 한 개의 값은 빠르게 떨어지는데, 기업의 AI 청구서와 빅테크의 설비투자는 오히려 폭증한다. 모순처럼 보이는 두 흐름의 정체를 가격 전쟁, 제번스의 역설, 그리고 설비투자(capex) 논쟁이라는 세 갈래로 정리한다.
2026년 상반기 AI 시장에는 두 개의 신호가 동시에 잡힌다. 하나는 모델을 쓰는 단가, 즉 토큰 가격이 빠르게 내려가고 있다는 것이고, 다른 하나는 그 모델을 돌리기 위한 기반시설 투자가 역사상 유례없는 속도로 불어나고 있다는 것이다. 직관적으로 이 둘은 잘 어울리지 않는다. 값이 떨어진다는 건 보통 수요가 식었다는 신호이고, 투자가 폭증한다는 건 수요가 끓고 있다는 신호이기 때문이다. 두 신호가 한 화면에 떠 있다는 사실이 지금 AI 산업을 둘러싼 논쟁의 출발점이다.
대규모 언어모델(LLM, Large Language Model)은 글·이미지·코드를 잘게 쪼갠 단위인 토큰으로 처리한다. 영어 기준으로 토큰 하나는 대략 네 글자, 한 문단은 100토큰 안팎이다. 사용자가 질문을 넣으면 모델은 입력 토큰을 읽고(input), 답변 토큰을 만들어(output) 내보낸다. AI 서비스의 요금은 대부분 이 토큰을 단위로 매겨진다. 그래서 토큰 100만 개당 몇 달러인지가 곧 'AI를 쓰는 단가'다.
토큰을 '지능을 생산하는 데 들어가는 연료'라고 생각하면 이해가 쉽다. 자동차가 기름을 태워 거리를 움직이듯, AI는 토큰을 태워 일을 처리한다. 토큰 단가는 휘발유 1리터 값이고, 한 작업에 필요한 토큰 수는 그 일을 끝내는 데 들어가는 연료량이다.
여기서 핵심은 두 가지가 따로 논다는 점이다. 기름값(단가)이 내려가도, 더 멀리·더 자주 운전하면(사용량) 월 주유비(총지출)는 오히려 늘 수 있다. AI 청구서가 커지는데 토큰 단가는 떨어지는 모순도 정확히 이 구조에서 나온다.
입력보다 출력 토큰이 보통 3~8배 비싸다. 답을 '읽는' 것보다 '만드는' 데 연산이 더 많이 들기 때문이다. 2026년 시장 데이터에서 출력 대비 입력 가격비의 중앙값은 약 4배로 관측된다. 이 비대칭은 뒤에서 다룰 효율화 논의에서 다시 중요해진다.
2026년 6월, 월스트리트저널은 오픈AI가 토큰 가격의 대폭 인하를 검토 중이며, 이는 라이벌인 앤트로픽의 비슷한 인하를 예상한 선제 대응이라고 보도했다. 블룸버그·로이터·CNBC가 잇따라 이를 확인했다. 두 회사 모두 기업공개(IPO, Initial Public Offering)를 준비하는 시점이어서 파장이 컸다. 같은 시기 오픈AI는 미국 증권거래위원회(SEC)에 비공개로 상장 서류를 제출했고, 앤트로픽도 상장 절차에 들어갔다.
가격 인하 검토의 배경에는 두 회사의 경쟁 구도가 있다. 앤트로픽의 코딩 도구가 개발자 사이에서 빠르게 점유율을 키우자, 오픈AI는 자사 코딩 도구를 회사의 우선순위로 끌어올렸다. 앤트로픽의 연환산 매출은 2025년 말 약 90억 달러에서 2026년 5월 약 470억 달러로 다섯 달 만에 네 배 넘게 뛴 것으로 알려졌고, 그 성장의 상당 부분이 코딩 수요에서 나왔다. 시장을 더 가져오기 위해 가격을 떨어뜨리려는 압력이 자연스럽게 커진 셈이다.
문제는 두 회사 모두 컴퓨팅 비용 때문에 막대한 적자를 보고 있다는 점이다. 가격을 더 내리면 마진은 더 얇아진다. 적자를 내면서 가격 전쟁까지 벌이는 형국이라, 상장을 앞두고 처음으로 외부 투자자에게 손익을 공개해야 하는 시점과 정확히 겹친다.
한동안 업계의 분위기는 "생산성을 끌어올리려면 AI를 최대한 많이 써라"였다. 토큰을 아낌없이 쓰는 행태에는 토큰 맥싱(token maxxing)이라는 이름까지 붙었다. 경쟁에 뒤처질지 모른다는 불안이 투자수익률(ROI, Return On Investment)에 대한 냉정한 검토보다 앞섰던 국면이다.
그러나 청구서가 쌓이면서 기류가 바뀌었다. 한 차량호출 기업의 기술책임자는 2026년 예산으로 잡아둔 에이전트형 AI 비용을 4월에 이미 소진했다고 밝혔고, 한 대형 은행의 결제 부문에서는 일부 직원의 AI 사용 비용이 본인 급여를 넘어선다는 언급이 나왔다. 여러 기업이 사내 AI 도구 사용에 한도를 두기 시작했다. 비싼 토큰을 많이 태우면서 정작 생산성 향상은 어디서 나타나는지 또렷이 보이지 않는다는, 부정적 뉘앙스의 평가가 늘었다.
오픈AI 측도 비용이 기업 고객에게 "큰 문제"가 되었음을 공개적으로 인정하며, "더 적은 지출로 더 많은 가치를 얻도록 도울 방법이 많을 것"이라고 언급했다. 가격 전쟁 보도는 바로 이 발언과 맞물려 나왔다.
토큰의 혼합 단가(시장 전체가 토큰 하나를 만드는 데 평균적으로 지출하는 금액)는 대략 세 가지 힘으로 움직인다. 이 셋을 분리해서 보면 "단가 하락 = 수요 둔화"라는 단순한 해석이 왜 성급한지가 드러난다.
첫째, 가격 결정력이다. 최첨단 성능에 사람들이 기꺼이 더 지불하면 단가는 올라간다. 반대로 공급자가 점유율 확보를 위해 값을 낮추면(지금의 가격 전쟁 국면) 단가는 내려간다.
둘째, 시장 집중도다. 수요가 비싼 프리미엄 모델에 몰리면 평균 단가가 올라가고, 성능은 조금 낮더라도 저렴한 모델로 분산되면 평균 단가가 내려간다. 최근 단가 하락의 상당 부분은 이 두 번째 경로, 즉 시장이 더 효율적이고 값싼 모델로 옮겨가는 흐름에서 나온다는 분석이 많다. 굳이 최고 성능이 필요 없는 작업은 저렴한 모델로 옮기는, 비용 탄력성이 살아난 것이다.
셋째, 생산 효율이다. 같은 수요라도 칩과 소프트웨어가 좋아져 토큰을 더 싸게 만들면 단가는 내려간다. 이 효과는 가장 구조적이고 꾸준하다.
단가 하락의 규모는 가늠하기 어려울 정도다. 2023년 3월 등장한 당시의 최상위 모델(GPT-4) 성능을 기준으로 보면, 동급 성능의 추론 비용은 이후 3년 동안 추정치에 따라 90%에서 97% 넘게 떨어졌다. 독립 연구기관의 분석은 성능 기준점마다 차이가 크지만, 특정 난도의 과제에서는 동급 성능 토큰 가격이 연 수십 배에서 수백 배까지 빠지기도 했다. 한 벤치마크에서는 2022년 말 100만 토큰당 20달러 수준이던 비용이 2024년 말 0.07달러 안팎으로, 약 280배 떨어진 사례도 보고됐다.
요컨대 반도체와 전력 가격이 오른다는 뉴스가 쏟아지는 와중에도, 토큰 단가와 직결되는 추론 비용만 떼어 보면 칩 효율과 모델 구조 개선 덕분에 토큰 하나를 만드는 원가 자체는 가파르게 내려가고 있다. 같은 기간 설비투자가 폭증한 것은, 떨어진 단가를 상쇄하고도 남을 만큼 처리해야 할 수요가 늘었기 때문이라는 해석이 가능해진다.
여기서 19세기 경제학의 한 통찰이 소환된다. 경제학자 윌리엄 스탠리 제번스는 1865년 저작에서, 증기기관의 효율이 좋아져 석탄을 덜 쓰게 되자 오히려 석탄 총소비가 늘어나는 현상을 지적했다. 단위당 비용이 떨어지면 그 자원을 쓰는 용처가 폭발적으로 늘어 총소비가 증가한다는 것이다. 이것이 제번스의 역설이다.
증기기관이 석탄을 덜 먹도록 개량되면, 직관적으로는 석탄 수요가 줄 것 같다. 그러나 효율이 좋아진 기관은 공장·기차·선박 등 훨씬 넓은 곳에서 경제성을 갖게 되고, 그 결과 기관 자체가 폭증해 석탄 총소비는 오히려 늘었다.
AI 토큰도 같은 길을 걷는 것으로 보인다. 토큰 단가가 떨어질수록, 예전엔 비싸서 엄두를 못 내던 용처가 줄줄이 경제성을 얻는다. 개별 사용자는 단가 부담에 사용을 줄이더라도, 시장 전체에서 새로 들어오는 수요가 그보다 훨씬 빠르게 늘어난다.
실제 데이터가 이를 뒷받침한다. 한 대형 플랫폼 기업이 자사 AI 서비스 전반에서 처리하는 월간 토큰량은 2024년 5월 약 9.7조 개에서 2025년 5월 약 480조 개, 2026년 5월에는 3,200조 개(3.2 quadrillion)를 넘어섰다. 1년 만에 약 7배, 2년 만에 약 330배다. 단가가 그토록 빠지는 와중에도 처리량은 기하급수적으로 늘었다.
이렇게 단가가 떨어질 때 수요가 오히려 폭증하는 모습은, AI가 특정 분야에만 쓰이는 도구가 아니라 전기처럼 거의 모든 곳에 스며드는 범용기술임을 시사한다는 해석으로 이어진다. 잠재 용처가 넓을수록 가격 탄력성이 크고, 값이 내릴 때 수요가 가파르게 반응하기 때문이다.
비관론은 단가 하락을 수요 둔화의 증거로 본다. 이 의심을 검증하는 가장 직접적인 창은 GPU(그래픽처리장치) 임대 시장이다. 수요가 식었다면 좋은 칩의 임대료도 떨어져야 정상이기 때문이다. 그런데 2026년 상반기 데이터는 그 반대를 가리킨다.
이 그림이 말하는 바는 분명하다. 수요가 식은 게 아니라, 최첨단이 꼭 필요한 작업과 적당한 성능으로 충분한 일상 작업으로 수요가 갈라지고 있을 뿐이다. 에이전트와 업무 자동화가 퍼지면서 '적당히 좋은 칩'에 대한 실용 수요가 바닥에서 올라오고, 동시에 최첨단 칩은 모델 학습·고난도 추론 때문에 여전히 매진된다.
모델별 토큰 사용량 추이를 봐도 전체는 우상향이다. 다만 그 안에서 오픈소스·저가 모델의 비중이 빠르게 커지고 있다. 즉 토큰 단가를 끌어내리는 것은 저가 모델로의 이동(앞서 본 두 번째 변수)이지, 수요 자체의 위축이 아니라는 정황이다. 가장 직접적인 증거는 주요 모델 기업의 매출이 가파르게 늘고 있다는 사실이다.
한 사용자가 회사로부터 AI 사용 크레딧을 넉넉히 부여받고 "필요할 때 마음껏 쓰라"는 말을 들었을 때의 반응은 "복권에 당첨된 기분"이었다고 한다. 그동안 비싼 단가 탓에 쓰고 싶은 만큼 못 쓰고 있었다는 뜻이다.
쓰고 싶은 잠재 수요는 넘치는데 가격이 그 수요를 눌러왔다는 신호다. 단가가 내려가면 눌려 있던 수요가 풀린다 — 제번스의 역설이 작동하는 미시적 장면이다.
수요가 견조하다면 안심해도 될까. 정작 시장이 두려워하는 그림은 다른 곳에 있다. 모델 기업들이 가격을 낮추면 가격 결정력과 수익성이 약해지고, 이들에게 컴퓨팅을 공급하는 빅테크(하이퍼스케일러)의 천문학적 설비투자가 과연 회수될 수 있느냐는 의심이 다시 고개를 든다.
한 대형 투자은행의 분석에 따르면, 5대 하이퍼스케일러의 매출 대비 현금 설비투자 비율은 2026·2027·2028년에 각각 34%·39%·37%로, 닷컴버블 당시 통신장비 업종의 역사적 정점이던 약 32%를 넘어선다. 금융리스까지 포함하면 이 비율은 38%·44%·45%로 더 올라간다. 이들의 3년 설비투자 총액은 2조 달러를 넘고, 이는 러셀1000 지수 구성기업 전체 설비투자의 약 40%에 해당한다.
문제는 설비투자가 늘어나는 속도를 매출 성장이 따라가지 못한다는 점이다. 최근 반년 사이 2026~2027년 설비투자 시장 전망은 6,300억 달러 넘게 상향됐지만, 매출 전망 상향은 그에 한참 못 미쳤다. 그 차이가 잉여현금흐름(FCF, Free Cash Flow) 전망을 끌어내린다. 일부 하이퍼스케일러는 2026년부터 잉여현금흐름이 마이너스로 돌아설 것으로 전망된다.
설비투자의 청구서는 한 번에 끝나지 않는다. 데이터센터와 칩은 여러 해에 걸쳐 가치가 깎이는 자산이고, 그 감소분은 매년 감가상각비로 손익에 반영된다. 그동안 설비투자가 크지 않던 기업들이 2024~2025년 이후 투자를 폭증시킨 만큼, 향후 몇 년간 감가상각비가 가파르게 불어나 이익률을 갉아먹을 가능성이 있다. 한 투자은행은 누적 감가상각 부담이 수천억 달러 규모에 이를 수 있다고 추정했다.
큰 빚을 내 최신 공장을 지으면 당장 매출이 그만큼 늘지 않아도 설비는 매년 닳는다. 이 '닳는 값'이 감가상각비다. 공장이 빠르게 구식이 될수록(칩 세대 교체가 빠를수록) 닳는 속도도 빠르다.
지금 빅테크는 역사상 가장 빠른 속도로 공장을 짓고 있다. 매출이 그 속도를 못 따라가면, 불어난 감가상각비가 앞으로 몇 년에 걸쳐 이익률을 눌러앉힌다.
한 대형 소프트웨어·클라우드 기업의 사례가 이 긴장을 압축한다. 이 회사는 최근 회계연도에 설비투자를 162% 늘려 약 557억 달러를 집행했고, 잉여현금흐름은 약 237억 달러 적자로 돌아섰으며, 감가상각비는 거의 두 배로 뛰었다. 다음 회계연도에는 고객 선납분을 빼고도 순설비투자 약 700억 달러(총설비투자 900억~950억 달러)를 예고했는데, 이는 같은 해 매출 가이던스(약 900억 달러)와 맞먹는 규모다. 계약 잔고(미실현 매출)는 폭증했지만, 그것이 실제 매출과 현금으로 전환되는 속도가 투자 속도를 따라잡을지는 아직 증명되지 않았다.
그렇다면 빅테크가 곧 투자 속도를 늦출까. 월가의 컨센서스는 오히려 정반대다. 한 대형 투자은행은 2026~2027년 하이퍼스케일러 설비투자 전망을 상향했다. 시장 컨센서스는 2026년 약 7,570억 달러, 2027년 약 9,200억 달러로, 성장률이 2026년 84%에서 2027년 22%로 급감한다고 본다. 이 은행은 그 둔화 가정이 지나치게 보수적이라고 반박한다.
근거는 수요 지표다. 주요 클라우드 사업자들의 수주 잔고가 가파르게 늘었고, 토큰 소비 전망 또한 향후 수년간 수십 배로 확대될 것이라는 자체 전망이 제시됐다. 과거 기술 인프라 사이클(철도·자동차 같은 산업혁명급 전환)에 비춰 보면, 초기 인프라 구축은 국내총생산(GDP)의 2~3%에 달했다. 이 은행은 AI 투자가 GDP의 2~3%에 이른다면 2027년 설비투자가 약 9,500억~1조 2,500억 달러까지 늘 수 있다고 추산했고, 자체 공식 전망치는 약 9,940억 달러로 컨센서스를 크게 웃돈다. 자금 조달이 더 원활하다면 1조 4,000억 달러 이상까지 갈 수 있다는 시나리오도 제시됐다.
이 전망의 전제는 단순하다. 수요도 자금도 병목이 아니다. 채권시장이 투자등급 빅테크 회사채를 웬만한 국가 채권보다 선호하는 상황이라 자금은 충분하고, 수요는 넘친다. 유일한 제약은 메모리·전력·노동력·건설 같은 물리적 병목과 밸류에이션(주가의 비싼 정도)뿐이라는 것이다. 그렇다면 하이퍼스케일러의 합리적 선택은 "조금이라도 빨리 하드웨어를 확보해 폭증하는 수요를 먼저 끌어오는 것"이 되고, 따라서 투자 속도 조절은 당분간 나오기 어렵다는 결론에 이른다.
비관과 낙관이 갈리는 한복판에서, 논의의 무게중심은 단순한 토큰 단가에서 토크노믹스(tokenomics), 즉 토큰 경제학으로 옮겨가고 있다. 핵심 질문이 "토큰 하나가 얼마인가"에서 "그 토큰으로 무엇을 얼마나 효율적으로 해낼 수 있는가"로 바뀐 것이다.
택시 요금을 비교할 때 'km당 단가'만 보면 함정에 빠진다. 길을 잘 아는 기사는 단가가 비싸도 짧은 경로로 빨리 도착해 총요금이 더 쌀 수 있다. 반대로 단가가 싼 기사가 길을 헤매면 총요금이 더 나온다.
AI도 같다. 성능 좋은 모델은 토큰 단가가 비싸도 더 적은 토큰으로 일을 끝내, 결과적으로 작업당 비용이 더 쌀 수 있다. 그래서 기업 고객이 보는 것은 '토큰당 가격'이 아니라 '하나의 작업을 처음부터 끝까지 완료하는 데 드는 비용'이다.
이 관점에서 보면 시장은 둘로 갈라진다. 바이오 연구나 고난도 분석처럼 성능과 시간이 귀한 영역에서는 최고 성능 모델을 쓰는 것이 오히려 합리적이다. 최상위 모델이 오픈소스 대비 수개월의 성능 격차를 유지하는 동안, 그 격차가 '더 적은 토큰으로 일을 끝내는' 효율로 이어지기 때문이다. 반면 단순·반복 작업에는 저렴한 모델로 충분하다. 같은 단가 하락이라도, 한쪽에서는 자원 배분의 효율화이고 다른 쪽에서는 시장 확장인 셈이다.
이 흐름은 두 가지 양극화를 낳는다. 하나는 모델의 양극화다. 중국계 기업뿐 아니라 주요 칩·소프트웨어 기업들도 오픈소스·소형·저가 모델을 잇따라 내놓으며, 코딩 벤치마크에서 상위 폐쇄형 모델에 근접하면서도 가격은 13분의 1 수준인 대안이 빠르게 점유율을 키운다. 다른 하나는 효율화 수요의 부상이다.
단가가 떨어질수록, 같은 자원으로 더 많은 토큰을 뽑아내는 효율화의 가치는 커진다. 효율화 수요는 두 갈래로 나타난다.
모순처럼 보였던 두 신호는 사실 하나의 이야기였다. 단가는 떨어지고 청구서는 커지며, 둘 다 같은 원인 — 폭증하는 수요 — 에서 비롯된다. 다만 그 수요가 매출과 이익, 그리고 회수 가능한 투자로 이어질지는 별개의 문제다. 몇 가지로 추린다.
요컨대 지금 국면은 'AI는 무조건 산다'는 단순한 결론과는 거리가 있다. 설비투자는 더 커질 것이고, 그 자체는 병목에 선 기업들에 우호적이다. 그러나 같은 흐름이 투자수익률 논쟁을 가속하기 때문에, 시장은 옥석을 더 깐깐하게 가릴 수밖에 없다. 토큰이 싸지는 것은 AI가 전기처럼 보편화되는 과정의 일부다. 그 보편화의 청구서를 누가, 언제, 얼마나 회수하는지가 다음 국면의 진짜 쟁점이다.