AI 골드러시, 우리 같은 팀엔 어떤 의미인가

AI 골드러시, 그 이면의 구조를 먼저 읽어야 한다

TechCrunch는 2026년 5월, AI 붐의 실질적 수혜 분포를 분석하면서 하나의 불편한 진실을 짚었다. 투자금은 천문학적으로 흘러들고 있지만—2025년 전 세계 AI 스타트업 투자액은 약 1,000억 달러를 넘었다—그 과실의 대부분은 OpenAI, Anthropic, Google, Microsoft처럼 이미 컴퓨팅 인프라와 데이터, 자본을 선점한 극소수의 손에 집중되고 있다는 것이다. 나머지 플레이어들은 이 생태계 위에 올라타는 방식으로만 참여가 가능하다. 직접 기반 모델을 만들 여력이 없는 대다수 팀에게, 이 구조는 선택지를 크게 좁힌다.

이 그림을 단순한 시장 뉴스로 읽으면 아무것도 남지 않는다. 중요한 건 구조적 함의다. API로 모델을 쓰는 팀은 호출 비용, 모델 정책 변경, 가격 인상, 서비스 중단 같은 리스크를 고스란히 떠안는다. 동시에 모델 자체의 경쟁력은 그 팀이 통제할 수 없다. 이 의존성의 비대칭성을 직시하지 않으면, AI를 '쓰고 있다'는 사실이 전략적 강점인지 취약점인지조차 판단하기 어렵다.

결제·정산 현장이 이 판에서 특별한 이유

결제와 정산은 AI가 유독 흥미로운 방식으로 작동하는 도메인이다. 이유는 단순하다. 이 영역의 문제는 대부분 '패턴 인식'과 '예외 처리'의 조합이기 때문이다. 정산 오류의 약 6070%는 반복적인 패턴에서 발생한다. 환율 적용 시점 불일치, 수수료 구간 오분류, 중복 청구 트리거 오작동 같은 케이스들은 규칙 기반 로직만으로도 잡을 수 있지만, 나머지 3040%는 맥락을 읽어야 판단이 가능하다. 바로 이 구간이 AI가 진짜 가치를 내는 자리다.

더 중요한 점은 이 도메인의 데이터가 자연어보다 구조화된 숫자와 코드 조합으로 이뤄져 있다는 것이다. 일반적인 LLM이 학습한 공개 데이터에는 특정 PG사의 정산 규칙이나 B2B SaaS 구독 환불 예외 케이스 같은 것들이 거의 없다. 즉, 범용 모델이 즉시 잘 대답하기 어려운 영역이라는 뜻이고—역설적으로—도메인 맥락을 가진 팀이 프롬프트와 파이프라인을 정교하게 설계하면 차별화된 결과를 낼 수 있다는 뜻이기도 하다.

우리가 실제로 AI를 붙여본 결과: 숫자로 말하기

HEDVION에서 AI를 처음 정산 파이프라인에 붙인 건 이상 거래 패턴 설명 자동화였다. 기존에는 정산 담당자가 플래그된 트랜잭션을 하나씩 열어 맥락을 파악하고 메모를 남겼다. 하루 평균 7090건, 건당 약 47분이 소요됐다. Claude API를 붙여 트랜잭션 메타데이터와 히스토리를 컨텍스트로 넣고 설명 초안을 자동 생성하게 하자, 담당자의 검토 시간이 건당 12분으로 줄었다. 하루 절감 시간은 약 34시간. API 호출 비용은 건당 약 0.003~0.008달러 수준으로, 하루 전체 비용이 1달러 미만이었다.

하지만 실패 사례도 있었다. 반복 청구 예외 처리—구독 주기 중간에 플랜이 변경된 고객의 일할 계산 청구 케이스—에 AI를 붙였을 때는 오히려 문제가 생겼다. 모델이 컨텍스트를 과잉 해석해 "환불이 적절해 보인다"는 판단을 내리는 빈도가 높았고, 이를 자동화 트리거와 연결했다가 약 2주간 약 12건의 불필요한 환불이 발생했다. 금액으로는 약 80만 원 규모였다. 원인은 명확했다. 결정 권한이 있는 작업에 검증 없이 AI를 넣은 것. 이후 해당 케이스는 AI가 설명 초안만 생성하고, 사람이 최종 승인하는 구조로 되돌렸다.

'가진 자와 못 가진 자'의 경계에서 소규모 팀이 잡아야 할 레이어

TechCrunch가 지적한 '가진 자와 못 가진 자'의 경계는 우리에게도 현실이다. GPU 클러스터를 사고, 전담 ML 팀을 꾸리고, 자체 파운데이션 모델을 파인튜닝하는 건 애초에 우리 게임이 아니다. 그리고 이 사실을 빠르게 인정하는 팀일수록 오히려 전략이 명확해진다. 우리가 싸워야 할 레이어는 '모델 층'이 아니라 '응용 층'이다. 도메인 특화 프롬프트 설계, 데이터 전처리 파이프라인, 자동화 워크플로우—이 영역에서는 규모가 아니라 맥락 이해도와 실행 속도가 경쟁력이 된다.

구체적으로 말하면, HEDVION이 경쟁우위를 만들 수 있는 포지션은 '결제·정산 도메인에서 AI가 실제로 작동하게 만드는 연결고리'다. 대형 AI 팀이 범용 솔루션을 만드는 동안, 우리는 특정 PG사 정산 규칙, 특정 구독 모델의 환불 엣지 케이스, 특정 고객사의 수기 예외 처리 패턴을 훨씬 빠르게 이해하고 시스템에 반영할 수 있다. 이 속도와 맥락의 조합이 도메인 특화 팀의 실질적인 해자다. 금맥을 직접 캐는 것보다, 금을 캐는 사람들이 반드시 필요한 도구를 만드는 포지션이 역사적으로도 더 안정적이었다.

비용과 효용 사이: AI를 언제 쓰고 언제 쓰지 말아야 하는가

AI API 호출 비용은 결코 무시할 수준이 아니다. Claude Sonnet 기준 입력 토큰 100만 개당 약 3달러, 출력 토큰 100만 개당 약 15달러다(2026년 기준). 트랜잭션 하나의 컨텍스트가 평균 2,000토큰이고 하루 500건을 처리한다면, 입력 기준으로만 하루 약 1달러, 출력 포함 시 35달러 수준이다. 한 달이면 100150달러. 결제 담당자 1인의 시간당 단가와 절감 시간을 계산하면 충분히 합리적이지만, 무작정 모든 작업에 AI를 붙이면 비용 구조가 급격히 나빠진다.

우리 팀의 판단 기준은 이렇다. 판단이 필요한 설명·분류 작업—이상 패턴 해석, 예외 케이스 서술, 고객 커뮤니케이션 초안—에는 AI를 쓴다. 결정론적으로 처리 가능한 작업—금액 임계값 기반 플래그, 날짜 범위 계산, 수수료 구간 매핑—은 룰 기반 코드로 처리한다. AI로 대체해서 절감되는 시간의 가치가 API 비용의 최소 5배 이상 되지 않으면 붙이지 않는다는 내부 기준도 세웠다. 이 기준이 없으면, 모든 걸 AI로 해결하려는 충동이 결국 비용 폭탄과 검증 부담으로 돌아온다는 걸 이미 경험했다.

지금 바로 써먹을 수 있는 실행 시사점

AI 붐의 구조를 이해했다면, 소규모 결제·정산 팀이 지금 당장 취해야 할 행동은 다음과 같다.

첫째, AI 적용 후보 작업을 두 칸으로 나눠라. 한쪽엔 '판단이 필요한 설명·분류', 반대쪽엔 '결정론적 처리 가능'. AI는 첫 번째 칸에만 붙여라. 두 번째 칸에 AI를 붙이는 건 비용과 오류 가능성만 높인다.

둘째, AI가 최종 결정을 내리게 하지 마라. 특히 환불·취소·정산 차감처럼 금전적 결과가 직결되는 작업은 반드시 사람이 최종 승인하는 구조를 유지해야 한다. AI의 역할은 설명 초안 생성과 리뷰 보조에 한정하라. 우리가 직접 80만 원짜리 수업료를 낸 교훈이다.

셋째, 도메인 컨텍스트를 시스템 프롬프트에 쌓아라. PG사별 정산 규칙, 자주 발생하는 예외 케이스 패턴, 고객사별 특이사항을 구조화해 시스템 프롬프트에 넣으면 범용 모델도 도메인 특화 어시스턴트처럼 작동한다. 이 '컨텍스트 자산'이 소규모 팀이 대형 팀보다 빠르게 만들 수 있는 실질적인 경쟁력이다.

넷째, API 비용 모니터링을 처음부터 세팅하라. 호출 수, 토큰 사용량, 작업 유형별 비용을 추적하지 않으면 어느 작업이 비효율적인지 알 수 없다. 월 단위 비용 리뷰를 정기화하고, 절감 시간 대비 비용 비율이 목표치 아래로 떨어지면 해당 작업의 AI 적용을 재검토하는 루틴을 만들어라.

다섯째, 기반 모델 싸움에 에너지를 쓰지 마라. 어떤 모델이 더 나은지 벤치마크하는 데 쓰는 시간보다, 도메인 워크플로우를 더 잘 설계하는 데 쓰는 시간이 훨씬 더 큰 리턴을 낸다. 모델은 바꿀 수 있지만, 잘 설계된 파이프라인은 어떤 모델을 쓰더라도 작동한다.

AI 골드러시에서 소규모 팀의 현실적 생존 전략은 거대한 판에 뛰어드는 것이 아니라, 우리가 실제로 아는 문제를 AI가 잘 풀게 만드는 것이다. 그 문제가 결제이고 정산이라면, 그 깊이 자체가 이미 충분한 해자다.

원문 참고: The haves and have-nots of the AI gold rush — TechCrunch