엔지니어 비용은 25만 달러, 토큰 비용은 2만 달러. 이 계산법은 함정입니다.

현재 이사회 회의실에서 떠도는 스프레드시트가 하나 있습니다. 한 줄에는 시니어 소프트웨어 엔지니어의 완전 비용(fully-loaded cost)이 적혀 있습니다. 다른 한 줄에는 동일한 종류의 코드를 작성하는 코딩 모델을 실행하는 데 드는 비용이 적혀 있습니다. 그 격차는 엄청나 보이며, 이는 실제 사람들에 대한 실질적인 의사결정을 이끌어내고 있습니다. 문제는 이 스프레드시트가 잘못된 두 가지를 측정하고 있다는 점입니다.

헤드라인 비교 방식은 유혹적이지만 대부분 틀렸기 때문에, 제가 실제 수치를 계산해 보겠습니다.

왼쪽의 숫자

미국의 시니어 소프트웨어 엔지니어는 기본급, 보너스, 주식을 합쳐 중간 총 보상(median total compensation)이 약 25만 달러이며, 일류 기업에서는 30만 달러를 상회합니다. 여기에 직원이 결코 보지 못하는 비용, 즉 고용주가 부담하는 급여세(payroll taxes), 복리후생, 장비, 그리고 그를 채용한 리크루터 비용을 더하십시오. 회사가 실제로 부담하는 완전 비용(fully-loaded cost)은 이보다 더 높습니다. 보수적인 계산 수치로 25만 달러라고 합시다.

오른쪽의 숫자

이제 토큰(tokens)을 살펴보겠습니다. 코딩 에이전트(coding agent)를 하루 종일 격렬하게 사용하는 엔지니어를 가정해 봅시다. 에이전트 기반 코딩(Agentic coding)은 입력(input) 집약적입니다. 모델은 컨텍스트(context)를 다시 불러오고, 추론(reasoning)하며, 재시도(retries)를 수행하며, 코드베이스(codebase)가 반복해서 입력됩니다. 업무량이 많은 날에는 약 1,000만 개의 토큰을 소모할 수 있으며, 이는 대략 입력 80%, 출력(output) 20%로 나뉩니다.

Claude Sonnet 4.6 요금($100만 입력당 3달러, $100만 출력당 15달러)을 기준으로 하면, 해당 하루의 비용은 약 54달러입니다. 250 영업일로 계산하면 연간 약 13,500달러가 됩니다. 더 비싼 Opus 4.8($5 입력, $25 출력)로 모든 것을 실행하면 하루에 약 90달러, 즉 연간 22,500달러가 됩니다. 프롬프트 캐싱(Prompt caching)을 사용하면 실제 수치는 더 낮아집니다. 사용량을 두 배로 늘리더라도 5만 달러 미만입니다.

자, 결과가 나왔습니다. 25만 달러의 엔지니어 대 2만 달러의 토큰입니다. 10배 더 저렴하거나, 어쩌면 그 이상입니다. 만약 이것이 비교 대상이라면 결론은 자명하며, 이미 많은 기업이 그 결론을 내렸습니다.

이 비교가 틀린 이유

이 두 숫자는 같은 종류의 것이 아닙니다. 25만 달러는 엔지니어를 사는 비용입니다. 2만 달러는 _코딩 결과물 (coding output)_을 사는 비용이며, 코딩 결과물은 엔지니어가 아닙니다.

엔지니어가 실제로 하는 일부터 시작해 봅시다. 코드를 작성하는 것은 업무의 약 30%에서 50% 정도일 것입니다. 나머지는 무엇을 만들지 결정하고, 무엇을 만들지 말지 결정하며, 모호한 요구사항을 풀어내고, 팀 간의 협업을 조정하며, 다른 사람의 작업물을 리뷰하고, 재현이 어려운 새벽 2시의 운영 환경 장애 (production incident)를 디버깅하는 일입니다. 모델은 첫 번째 부분에는 능숙하지만, 두 번째 부분의 대부분은 수행할 수 없습니다.

그다음 모델이 할 수 있는 부분을 살펴봅시다. 코딩 자체에 대해서는, 작업이 얼마나 참신하고 잘 정의되어 있는지에 따라 유능한 에이전트 (agent)가 업무의 30%에서 70% 사이를 처리합니다. 이를 곱해 보면: 모델은 실제 역할의 대략 15%에서 35%를 커버합니다. 역할 전체가 아니라, 그 역할의 일부 (slice)입니다.

그리고 그 일부는 토큰 비용을 지불한 후에도 공짜가 아닙니다. AI가 작성한 코드는 여전히 숙련된 인간이 읽고, 그럴듯하지만 틀린 논리를 잡아내며, 코드가 배포되었을 때 그 결과에 책임을 져야 합니다. 대량의 기계 출력물을 리뷰하는 것은 실제 업무입니다. 이를 시니어 엔지니어 시간의 0.3에서 0.5 정도로 잡는다면, 이는 방금 다시 테이블 위에 올려놓은 7만 5천 달러에서 12만 5천 달러의 인적 비용에 해당합니다. 여기에 무언가 누락되었을 때의 재작업 (rework), 장애 발생, 그리고 에이전트를 유용하게 유지하기 위한 프롬프트 (prompt) 및 평가 (evaluation)를 유지하는 지속적인 비용을 더하십시오.

스프레드시트를 정직하게 다시 작성하면 그림은 반전됩니다. 2만 달러로 엔지니어 전체를 다시 살 수는 없습니다. 의미 있는 리뷰 세금 (review tax)을 제외하고 나면, 해당 역할의 노력을 15%에서 35% 정도 줄일 수 있을 뿐입니다. 그것은 실제적인 생산성 향상이지, 인원 감축 (deleted headcount)이 아닙니다. 저렴한 토큰 수치는 아무도 물어서는 안 될 질문에 답했을 뿐입니다. 즉, "엔지니어의 비용이 얼마인가"가 아니라 "엔지니어가 뒤를 받쳐줘야 하는 코드를 생성하는 데 드는 비용이 얼마인가"라는 질문 말입니다.

Meta가 보여주는 증거

만약 지식이 이미 포착되어 저렴해진 상태라면, 사람들에게 그 지식을 넘겨받기 위해 돈을 지불할 필요가 없을 것입니다. Meta는 공개적으로 정확히 그 일을 하고 있습니다.

2026년까지 Meta는 AI 에이전트(AI agents)에게 엔드 투 엔드(end-to-end) 업무 수행 방식을 가르치기 위해 GitHub 및 Slack과 같은 도구 전반에서 직원들의 화면과 키스트로크를 기록하기 시작했습니다. Meta는 코딩 문제를 작성하고 기계가 작성한 코드를 채점하는 등 훈련 데이터를 제조하기 위해 수천 명의 엔지니어를 재배치했습니다. 그리고 회사가 기록적인 이익을 발표하는 동시에 약 8,000개의 일자리를 감축하던 바로 그 시기에 이 일을 수행했습니다.

이 세 가지 사실을 함께 읽어보십시오. AI가 이미 엔지니어를 대체하고 있다고 확신하는 기업은 엔지니어의 시간을 들여 AI에게 그들이 알고 있는 것을 가르치지 않습니다. 이 훈련 프로그램은 일종의 인정입니다. 즉, 업무의 값비싼 부분은 아직 사람의 머릿속에 머물러 있으며, 아직 포착되지 않았고, 이를 포착하는 데는 실제 엔지니어링 시간이 비용으로 소요된다는 사실을 말입니다. '대체제'는 그것이 대체해야 할 바로 그 사람들에 의해 수작업으로 만들어지고 있습니다.

회사가 장부에 기록하는 비용

한 기업의 회계 장부 내부에서는 장기적인 비용이 이미 눈에 보입니다. 엔지니어를 감축하면 도구를 유용하게 만드는 근본적인 맥락, 즉 시스템이 왜 그런 방식으로 구축되었는지 알고 있는 사람들을 잃게 됩니다. 에이전트가 주니어 업무를 수행한다는 이유로 주니어 채용을 중단하면, 시니어를 배출하는 파이프라인이 끊어집니다. 5년 뒤에는 기계가 만든 결과물을 검토할 수 있는 사람이 아무도 남지 않게 됩니다. Klarna는 단기적인 버전의 사례를 혹독하게 경험했습니다. AI의 약속을 믿고 고객 서비스 인력을 대폭 감축한 후, 다시 인간 중심의 측면을 재구축하기 시작했습니다. 비용 절감이 예상치 못했던 품질 저하라는 대가를 동반했기 때문입니다.

회사가 장부에 기록하지 않는 비용

더 큰 비용은 스프레드시트 외부에서 발생하며, 이에 대해 분명히 말할 가치가 있습니다.

마진을 남기기 위해 의도적으로 대규모의 인력을 일터에서 내쫓는 것은, "효율성"이라는 언어로 숨기려 설계된 도덕적 무게를 지닌 선택입니다. 이것은 생계의 문제이지, 장부상의 항목이 아닙니다. 기업은 이를 인원 감축(headcount reduction)이라 부르지만, 당사자에게는 더 이상 갚을 수 없는 주택 담보 대출(mortgage)입니다. 스프레드시트가 깔끔해 보인다는 이유로 이를 반올림 오차(rounding error) 정도로 취급하는 것은 제가 도저히 받아들일 수 없는 부분입니다.

또한 이는 첫 번째 문제에 관심이 없는 사람들조차 우려해야 할 만큼 자기 파괴적인 측면이 있습니다. 당신이 자금 지원을 끊어버린 경제에 소프트웨어를 팔 수는 없습니다. 기술직 노동자들은 또한 기술 고객이자 납세자이며, 이 모든 기업이 제품을 판매하는 시장의 수요 측면이기도 합니다. 경제의 중간 계층에서 충분한 소비력을 제거하면, 이익은 상층부에 집중되는 반면 제품을 구매하는 기반은 침식됩니다. 헨리 포드(Henry Ford)는 한 세기 전 이 현상의 더 투박한 버전을 이해하고 있었습니다. 사람들이 자동차를 살 수 있을 만큼 충분한 임금을 지급하라는 것이었습니다.

정직한 반론은 자동화가 항상 노동자를 대체해 왔으며 반대편에서 새로운 일자리를 창출해 왔고, 충분히 긴 관점에서 보면 실제로 그러했다는 점입니다. 이번의 차이점은 속도, 즉 화이트칼라(white-collar) 업무 전반에 걸친 동시다발적인 범위, 그리고 누가 그 이득을 가져가느냐 하는 점입니다. 생산성 잉여가 거의 전적으로 자본으로 흐르고, 전환기가 수십 년이 아닌 분기 단위로 측정될 때, "전에도 잘 해결되었다"라는 말은 보장이 아니라 도박입니다.

아무도 언급하지 않는 선택

엔지니어 업무의 15%에서 35%를 수행하는 AI를 활용하는 데에는 두 가지 방법이 있습니다. 첫째, 팀을 유지하고 각 구성원이 더 많은 결과물을 내놓게 하는 것입니다. 즉, 시간이 없어서 백로그(backlog)에서 결코 빠져나오지 못했던 실험들과 미완성 제품들을 완성하는 것입니다. 이것이 생산성에 투자한다는 것이 실제로 의미하는 바입니다. 둘째, 산출량(output)은 그대로 유지하면서 인력을 감축하고 그 차액을 수익으로 기록하는 것입니다.

첫 번째 방식은 미성숙한 기술을 이미 보유한 인력의 승수(multiplier)로 취급하는 것입니다. 두 번째 방식은 단기적인 수치를 위해 기술을 인력과 주변 경제에 위험을 전가하는 근거로 삼는 것이며, 이미 전체 계산(all-in math)을 해보면 그 수치는 보이는 것보다 작습니다.

스프레드시트는 두 번째 옵션이 공짜 돈(free money)이라고 말합니다. 자신의 대체품이 작성한 코드를 채점하고 있는 수천 명의 Meta 엔지니어들에게 그것이 정말 공짜처럼 느껴지는지 물어보십시오.