Executive Summary

주요 수치

출처: TechCrunch · Rippling

지출은 소수의 인원에게 몰려 있었고, 대응이 끝난 뒤에도 쓴 양 자체는 줄지 않았다.

2026년 3월 리플링의 경영 회의에서 CFO 아담 스위에츠키(Adam Swiecicki)가 숫자 하나를 꺼냈다. 회사가 AI 토큰에 쓰는 돈이 R&D 헤드카운트 예산의 40%에 이르렀다는 것이었다. 월 증가율은 80%였다. 그 속도가 유지되면 이듬해에는 토큰 값이 R&D 인력 인건비의 90%에 육박할 참이었다. CPO 매트 맥이니스(Matt MacInnis)는 그때 반응을 "We were incredulous"라고 회고했다. 아무도 그 숫자를 믿지 못했다는 뜻이다.

경고가 나온 그달 리플링이 태운 토큰은 6,050억 개였다. 회사 전체 명세서로 보면 그냥 큰 숫자 하나다. 그래서 리플링은 그 명세서를 사람 단위로 쪼갰다. 그러자 분포가 드러났다. 직원의 10~15%가 전체 AI 지출의 약 60%를 쓰고 있었고, 그 안에 한 달에 5만 달러를 쓴 엔지니어가 있었다.

이런 쏠림이 리플링만의 사정은 아니다. AI 지출 벤치마크를 모아 온 Rize의 2026년 집계에서 기업의 1인당 연간 AI 지출은 평균 2,068달러였는데, 상위 10%는 2,800달러를 넘었고 중위값은 200달러에 못 미쳤다. 열네 배 차이다. 회사 평균만 보면 이 격차는 드러나지 않는다. 총액을 인원수로 나눈 평균을 실제로 쓴 사람은 아무도 없다.

이 지점이 이번 사건의 첫 번째 교훈이다. 총액만 보던 회사는 지출이 왜 늘었는지 설명할 수 없다. 같은 데이터를 사람 단위로 다시 세는 순간에야 문제가 어디에 있는지가 보인다. 그리고 그렇게 쪼개 놓고 나면, 곧바로 다음 질문이 따라온다. 이 사람들은 그 돈으로 무엇을 만들었나.

이런 숫자를 보면 자연스럽게 누가 흥청망청 썼는지를 찾게 된다. 리플링의 진단은 달랐다. 값비싼 기본값이 그냥 표준이었다는 것이다. 회사 설명은 이렇다. 가장 새로 나온 모델이 fast mode로 맞춰져 있었고, 그건 회사가 그렇게 결정해서가 아니라 아무도 그 설정을 들여다보고 기준을 세운 적이 없기 때문이었다. 문법을 다듬는 일에도 프론티어 모델이 붙어 있었다.

대응은 두 갈래로 갔다. 하나는 협상이다. 커서, 오픈AI, 앤트로픽처럼 쓰는 도구마다 지출 한도를 걸었다. 다른 하나는 배관이다. 작업의 성격에 따라 더 싼 모델로 요청을 보내는 AI 게이트웨이를 세웠다. 프론티어 모델보다 85%가량 저렴하면서 결과는 비슷한 GLM 5.2 같은 선택지가 그 라우팅의 목적지가 됐다.

효과는 사용량이 아니라 단가에서 났다. 7월 내부 사용량은 다시 6,000억 토큰으로 경고가 나온 3월의 피크와 비슷했는데, 비용은 4월 토큰 지출의 37% 수준이었다. R&D 인건비 대비 토큰 지출 전망도 40%에서 10~15%로 내려왔다. 맥이니스의 설명은 짧다. 이제는 더 효율적인 모델로 라우팅하기 때문이라는 것이다. 직원들에게 AI를 덜 쓰라고 말한 결과가 아니다.

여기까지는 비용 이야기다. 연간 수천만 달러가 걸린 문제이니 그 자체로 작지 않지만, 더 오래 남을 결과는 다음 단계에서 나왔다.

리플링은 이 과정에서 쓴 내부 도구를 AI Spend Console이라는 이름으로 제품화했다. 기능은 세 가지다. 팀과 역할, 부서별로 비용을 쪼개고, 그 지출을 업무 지표에 붙여 비효율을 찾아내고, 모델 접근 정책을 걸어 값싼 모델로 요청을 보낸다. 관건은 두 번째다. 지출을 무엇 옆에 놓고 볼 것인가.

회사가 공개한 AI Scorecard는 직원 한 명을 다섯 지표, 총 47.5점으로 본다. 도입과 사용은 얼마나 자주, 얼마나 깊게 쓰는지를 재고, 생산성과 사이클타임은 그 사용이 무엇으로 나왔는지를 잰다. 마지막 효율 지표가 산출물과 지출을 하나의 비율로 묶는다.

점수표만 놓고 보면 흔한 개발 생산성 대시보드처럼 보인다. 차이는 리플링이 이 지표들로 무엇을 물었는지에 있다. 맥이니스가 든 질문은 이렇다. AI 지출은 높은데, 동료들이 코드 리뷰에서 자꾸 다시 하라고 요구하는 엔지니어는 누구인가.

점수표를 다시 보면 걸리는 대목이 하나 있다. 47.5점 가운데 40점이 얼마나 자주 쓰고 얼마나 많이, 얼마나 빨리 냈는지에 걸려 있고, 남은 7.5점만 그 산출물이 지출에 비해 적절했는지를 본다. 결과물이 쓸 만했는지를 재는 칸은 어디에도 없다. 그러니까 리플링이 그 사람을 찾아낸 방법은 점수표 안에 품질 항목을 하나 더 만든 것이 아니었다. 점수표 바깥에 있던 코드 리뷰 기록을 지출 옆으로 끌어온 것이었다.

리플링이 같은 데이터에서 확인한 사실 하나가 이 판단을 뒷받침한다. 회사가 본 생산성 신호는 실재했지만 선형이 아니었다. 커서 같은 도구를 많이 쓰는 엔지니어가 PR을 더 많이 내보낸 건 맞는데, 향상의 대부분은 처음 도입하는 구간에서 나왔고 프론티어 모델에 돈을 더 쓴다고 그만큼 더 나아지지는 않았다. 지출을 성과의 대리 지표로 쓰면 안 되는 이유가 회사 자신의 데이터에 남은 셈이다.

그런데 이 질문에는 조건이 하나 붙는다. 지출과 재작업을 나란히 놓으려면, 벤더 콘솔에 쌓인 토큰 사용량과 깃허브의 PR, 리뷰 코멘트가 모두 같은 사람에게 붙어 있어야 한다. 리플링이 이 계산을 할 수 있었던 건 점수표를 잘 설계해서가 아니라, 그 아래에 사람을 축으로 삼는 데이터 계층을 먼저 깔아 두었기 때문이다.

회사가 Employee Graph라고 부르는 구조가 그 계층이다. 외부 데이터가 들어오면 이메일이나 사번, 사용자명 같은 참조 필드를 자동으로 찾아 직원 프로필에 매핑한다. 회사는 이렇게 설명한다. 깃허브 풀 리퀘스트는 흐르는 행(row)으로 취급되지 않는다. 그건 한 직원과 그 사람의 팀, 역할, 부서에 연결된 레코드다.

로그를 남기는 일과, 그 로그를 판단에 쓸 수 있는 데이터로 만드는 일은 다르다. 대부분의 조직에 로그 자체는 이미 있다. 다만 프롬프트 기록은 벤더 대시보드에, 코드 산출물은 깃허브에, 리뷰 코멘트는 또 다른 도구에 각각 고여 있고, 세 곳의 식별자가 서로 이어지지 않는다. 그 상태에서는 AI 지출을 아무리 정밀하게 집계해도 그 돈이 무엇으로 바뀌었는지 물을 수 없다.

페블러스가 AI-Ready Data를 이야기할 때 반복해 온 문제가 정확히 이것이다. 원시 로그를 어떤 엔티티에 묶고 어떤 계보를 붙일 것인가. 리플링 사례는 그 작업을 먼저 해 둔 회사가 나중에 어떤 질문을 던질 수 있는지를 보여주는, 드물게 구체적인 사례다.

측정 자체는 이미 널리 퍼졌다. 2026년 기업 AI 리더 100명을 상대로 한 ModelOp 설문에서 한 CTO는 거의 모든 포춘 500이 전체 AI 사용량을 추적하고 있지만, 정작 이사회가 궁금해하는 것, 즉 그 지출이 수익을 만들고 있는지를 재는 곳은 극히 드물다고 말했다. Deloitte의 2026년 조사에서도 AI 예산의 93%가 기술에 들어가고 사람과 업무 흐름에는 7%만 배정됐다. 사용량을 세는 일과 효과를 재는 일 사이의 거리가 그만큼 멀다.

리플링이 넘은 건 그 거리다. 그리고 그 순간 지표의 성격이 바뀐다. 프롬프트 빈도와 PR 수, 리뷰 재작업 요구가 한 사람의 이름 아래 모이면, 그건 더 이상 인프라 비용 데이터가 아니라 인사 데이터다. CNBC가 5월에 짚은 대로 직원 AI 사용 모니터링은 이미 감시 논란의 영역에 들어와 있다. 리플링은 잘 쓰는 직원을 AI Captains로 지정해 코칭 역할을 맡기는 쪽으로도 이 데이터를 썼지만, 같은 지표는 평가와 인원 조정의 근거로도 쓰일 수 있다.

이 사례를 우리 조직에 대 보면 물음은 두 개로 좁혀진다.

• • 우리는 AI의 효과를 잴 데이터를 애초에 남기고 있는가. 프롬프트 로그와 산출물, 리뷰 피드백이 사람을 축으로 이어져 있는지, 아니면 세 개의 도구에 따로 고여 있는지부터 확인해야 한다. 이어져 있지 않다면 지금 승인한 AI 예산의 효과는 내년에도 증명할 수 없다.
• • 그 데이터를 개인 평가에 쓰기 시작하면 무엇을 미리 합의해야 하는가. 어떤 지표를 보는지, 그 지표가 어디까지 쓰이는지, 누가 열람하는지를 측정 전에 정해 두는 편이 낫다. 지표를 만든 다음에 용도를 정하면 그 순서 자체가 불신의 이유가 된다.

리플링이 아낀 돈은 연간 수천만 달러 규모로 추정된다. 다만 다른 회사가 그대로 복제할 수 있는 건 절감액이 아니라 순서다. 지출을 사람 단위로 쪼개 보고, 그 옆에 품질 신호를 한 칸 놓고, 그 계산이 가능하도록 로그를 사람에게 붙여 두는 것. AI 예산을 늘리기로 한 조직이라면 이 세 가지 중 어디까지 해 두었는지부터 세어 볼 일이다.

1차 보도·공식 자료

• 1.TechCrunch. (2026). "After Rippling blew millions on AI in months, it built an employee ROI tool."
• 2.Rippling. (2026). "Introducing Rippling AI Spend Console." Rippling Blog.

업계·시장 소스

• 3.CNBC. (2026). "'Almost every Fortune 500 is tracking overall AI usage': What that means for employees."
• 4.Rize. (2026). "AI Spending Per Employee: The $2,068 Benchmark Your CFO Needs." Rize Blog.
• 5.ModelOp. (2026). 기업 AI 리더 100명 대상 설문 — AI 사용량 추적과 ROI 측정 격차. modelop.com