AI 토큰 과금 — 백만 토큰당 단가로 수익 구조 읽는 법 (2026)
AI 서비스 매출을 이해하려면 토큰이라는 과금 단위를 먼저 알아야 한다. 사용자 수나 좌석 수가 아니라 처리한 텍스트 조각의 양으로 요금이 매겨지기 때문에, 같은 고객이라도 쓰는 방식에 따라 매출이 크게 달라진다. 이 글은 토큰 과금의 구조와 단가 하락이 매출에 미치는 영향, 그리고 관련 기업을 볼 때 확인할 지표를 정리한다.
토큰이란 무엇이고 왜 그걸로 세는가
토큰은 모델이 글을 처리하는 최소 단위다. 단어 하나가 토큰 하나인 경우도 있고, 긴 단어는 여러 조각으로 나뉜다. 한국어는 영어보다 같은 내용에 더 많은 토큰이 쓰이는 경향이 있다.
이 단위로 과금하는 이유는 비용 구조 때문이다. 모델을 돌리는 데 드는 연산량은 처리한 토큰 수에 거의 비례한다. 사용자 수로 요금을 매기면 적게 쓰는 사람과 많이 쓰는 사람의 원가 차이를 반영하지 못한다.
과금은 보통 두 갈래로 나뉜다.
- 입력 토큰: 사용자가 넣은 질문과 문서. 단가가 상대적으로 낮다.
- 출력 토큰: 모델이 생성한 답변. 한 글자씩 순차적으로 만들어내야 해 연산 부담이 크고 단가가 높다.
그래서 긴 문서를 넣고 짧게 요약받는 작업과, 짧게 물어보고 길게 답을 받는 작업은 비용이 다르다.
단가는 내려가는데 매출은 늘어나는 구조
토큰 단가는 시간이 지나면서 내려가는 흐름을 보인다. 모델 효율 개선, 하드웨어 성능 향상, 경쟁 심화가 겹치기 때문이다.
그런데도 매출이 늘어날 수 있는 이유는 사용량이 더 빠르게 늘기 때문이다. 관계는 단순하다.
매출 = 처리 토큰 수 × 백만 토큰당 단가
단가가 절반이 되어도 사용량이 세 배가 되면 매출은 늘어난다. 가격이 내려가면서 이전에는 비용이 맞지 않던 작업까지 AI로 넘어오는 효과도 함께 작용한다.
여기에 최근 변수가 하나 더해졌다. 추론형 모델이다. 답을 내기 전에 내부적으로 여러 단계를 거치는 방식이라 같은 질문에도 훨씬 많은 토큰을 소비한다. 에이전트가 여러 도구를 호출하며 작업하는 구조도 마찬가지다. 사용자 수가 그대로여도 토큰 소비가 몇 배로 늘 수 있다.
시장 규모를 계산하기 어려운 이유
전통적인 소프트웨어는 시장 규모 추정이 비교적 명확하다. 대상 기업 수에 좌석 수와 좌석당 가격을 곱하면 상한이 나온다.
토큰 과금은 이 상한이 흐릿하다. 세 가지가 겹치기 때문이다.
| 요인 | 내용 |
|---|---|
| 사용량 상한이 없음 | 자동화가 늘수록 사람이 개입하지 않아도 토큰이 소비됨 |
| 단가가 변동 | 가격이 계속 내려가 금액 기준 추정이 흔들림 |
| 대체 대상이 넓음 | 소프트웨어 예산뿐 아니라 인건비 예산까지 겨냥 |
AI 관련 시장 규모 전망치가 기관마다 크게 다른 것도 이 때문이다. 숫자를 볼 때는 어떤 가정 위에서 계산했는지를 함께 확인하는 편이 낫다.
관련 기업을 볼 때 확인할 지표
- 토큰 처리량 추이: 회사가 공개한다면 사용량 성장을 직접 보여주는 지표다.
- 단가 변화: 공표 요금표의 인하 폭과 시점.
- 추론 비중: 학습보다 추론 사용이 늘면 반복 매출 성격이 강해진다.
- 총마진: 연산 원가가 매출 대비 어느 정도인지. 단가 인하 국면에서 마진이 유지되는지가 관건이다.
- 무료 사용자 비중: 무료 이용이 많으면 토큰 소비가 늘어도 매출로 이어지지 않는다.
- 전력·설비 제약: 사용량이 늘어도 연산 설비가 부족하면 처리량이 막힌다.
정리
AI 서비스는 사용자 수가 아니라 처리한 토큰 양으로 과금한다. 연산 비용이 토큰 수에 비례하기 때문이며, 답을 만들어내는 출력 토큰이 입력보다 비싸다.
단가는 내려가는 방향이지만 사용량이 더 빠르게 늘면 매출은 증가한다. 추론형 모델과 에이전트 확산은 같은 사용자 수에서도 토큰 소비를 크게 늘린다.
이 구조 때문에 시장 규모 추정치는 기관마다 폭이 크다. 전망치를 볼 때는 사용량 가정과 단가 가정을 함께 확인하고, 기업 실적에서는 처리량과 총마진이 같은 방향으로 움직이는지를 보는 것이 순서다.
이 글은 과금 구조를 정리한 것이며, 특정 종목의 매매를 권유하지 않는다.