직원 AI 사용료가 인건비 예산의 40% 전망…리플링이 비용 추적 도구를 만든 이유

인사·급여 소프트웨어 기업 리플링(Rippling)이 2026년 8월 6일 기업의 챗GPT·클로드·코딩 AI 비용을 직원과 팀별로 모아 보고, 업무 성과와 비교하는 ‘AI Spend Console’을 출시했다. 리플링이 이런 제품을 만든 배경은 자사 AI 사용료가 한 달에 80%씩 늘어 연구개발 인건비 예산의 40%에 해당하는 수준으로 치솟을 수 있다는 내부 전망이었다.

회사 분석에서는 전체 직원의 1015%가 AI 비용의 약 60%를 썼고, 한 엔지니어의 월 사용액은 5만 달러에 달했다. 리플링은 사용 한도, 상대적으로 저렴한 AI로 요청을 보내는 방식, 팀별 교육을 도입해 예상 비용을 연구개발 인건비 예산의 1015% 수준으로 낮췄다고 밝혔다. 7월에는 4월과 비슷한 양의 AI 연산을 사용하면서도 비용은 4월의 37%였다는 설명도 내놨다.

일반 직장인과 경영자가 궁금한 질문은 단순하다. 직원에게 AI를 많이 쓰게 하면 정말 그만큼 생산성이 높아지는가? 리플링의 사례가 주는 답은 “처음 AI를 도입할 때의 이익은 컸지만, 가장 비싼 모델을 더 많이 쓰는 것과 성과가 비례하지는 않았다”이다. 다만 이 수치는 제품을 판매하는 회사의 자체 분석이므로, 모든 업종과 조직에 그대로 적용할 수는 없다.

이번 발표가 중요한 또 다른 이유가 있다. AI 비용을 업무 결과와 연결하려면 직원별 사용량과 평가 자료를 결합해야 한다. 비용 관리 도구가 쉽게 직원 감시 도구가 될 수 있다는 뜻이다. 회사가 지출을 통제할 필요와 직원의 사생활·공정한 평가를 어떻게 함께 지킬지가 AI 도입의 다음 논쟁이 되고 있다.

‘AI를 많이 쓰면 좋다’는 단계가 끝나는 이유

생성형 AI 도입 초기에 기업이 가장 많이 보는 숫자는 가입자 수와 사용 빈도다. 몇 명이 챗GPT나 클로드 계정을 활성화했는지, 하루에 몇 번 질문하는지, 부서별 사용률이 얼마인지 대시보드에 올린다. AI를 전혀 사용하지 않으면 효과도 배울 수 없으므로 초기 확산에는 이런 지표가 필요하다.

문제는 사용량이 늘어난 뒤다. 같은 보고서를 작성하더라도 어떤 직원은 짧은 질문 몇 번으로 끝내고, 다른 직원은 대량의 문서를 넣어 가장 비싼 모델을 반복해서 호출할 수 있다. AI 회사들은 입력과 출력의 양, 이미지·영상 생성 횟수, 긴 작업 시간 등에 따라 비용을 청구한다. 개인용 월정액만 쓸 때는 잘 보이지 않지만 기업이 여러 서비스를 연결하면 사용량이 곧 청구서가 된다.

리플링은 2026년 초 직원들이 AI를 적극적으로 사용하도록 장려했다. 사내 행사와 교육을 열고, 사용 한도를 크게 두지 않았다. 리플링 공식 발표에 따르면 비용은 월 80% 속도로 늘었고, 이 추세라면 AI 사용료가 연구개발 인건비 예산의 40%, 다음 해에는 90%에 가까워질 수 있다는 전망이 나왔다.

여기서 ‘인건비 예산의 40%’는 실제로 이미 그만큼 지불했다는 말과 다르다. 당시 증가 속도가 이어질 경우를 계산한 전망치다. 회사가 제품 홍보 과정에서 제시한 수치이기도 하다. 그래도 AI 비용이 실험용 소액 지출을 넘어 인력과 프로젝트 예산을 흔들 수 있다는 문제를 구체적으로 보여 준다.

비용이 소수 직원에게 몰린 이유

리플링 분석에서는 직원 10~15%가 전체 AI 지출의 약 60%를 만들었다. 한 엔지니어는 한 달에 5만 달러를 썼다. 이 숫자만 보면 무분별한 사용처럼 보이지만, 고액 사용자를 바로 낭비자로 단정하면 안 된다. 큰 코드베이스를 분석하거나 많은 고객 자료를 분류하는 업무는 사용량이 많을 수 있고, 그 결과로 큰 매출이나 시간 절감이 생길 수도 있다.

반대로 사용량이 많아도 결과가 좋지 않을 수 있다. AI가 만든 초안을 동료가 계속 다시 고치고, 잘못된 결과를 검토하느라 시간이 더 들며, 같은 작업을 비싼 모델로 반복한다면 비용만 늘어난다. 따라서 중요한 것은 ‘누가 많이 썼는가’가 아니라 ‘그 사용이 어떤 결과를 만들었는가’다.

리플링은 직원과 부서, 직무별 비용을 작업 결과와 연결하려 했다. 엔지니어의 경우 변경한 코드와 검토 과정, 다시 수정하라는 요청 등을 참고 지표로 삼았다. 영업이나 다른 부서는 업무에 맞는 성과 신호를 연결할 수 있다고 설명한다. 새 콘솔은 여러 AI 공급자의 사용 자료를 한곳에 모으고 조직도와 결합해 어느 팀과 역할에서 지출이 발생하는지 보여 준다.

이 접근은 총액만 보는 것보다 낫지만 평가의 함정도 크다. 코드 줄 수가 많다고 좋은 소프트웨어는 아니다. 수정 요청이 많아도 어려운 문제를 맡았기 때문일 수 있다. 영업 파이프라인이 늘었다고 AI가 원인이라고 단정할 수도 없다. 비용과 성과를 같은 화면에 놓는 것과 인과관계를 증명하는 것은 다른 일이다.

비싼 최신 모델이 항상 좋은 선택은 아니었다

리플링이 발견한 핵심은 직원들이 별다른 기준이 없을 때 최신이면서 가장 비싼 AI를 기본으로 골랐다는 점이다. 어떤 모델이 충분한지 매번 비교하는 데 드는 생각의 부담을 피하려고 “가장 좋은 것”을 선택한 것이다. 개인이 월정액 안에서 쓰면 자연스러운 행동이지만, 사용량에 따라 회사 비용이 늘어나는 환경에서는 큰 차이를 만든다.

모든 업무가 가장 강한 모델을 필요로 하지는 않는다. 회의 메모 형식을 정리하거나 문장 분류, 간단한 요약, 정형화된 이메일 초안을 만드는 일은 더 저렴하고 빠른 모델로 충분할 수 있다. 복잡한 계약 검토나 중요한 의사결정 자료, 어려운 문제 해결은 성능이 높은 모델을 써야 할 수 있다. 작업의 위험과 난도를 구분하지 않고 모두 최고가 모델로 보내면 비용 대비 효과가 낮아진다.

리플링은 요청의 성격에 따라 여러 모델 중 적절한 곳으로 보내는 체계를 만들었다. 제품에는 이런 비용 통제 기능이 ‘AI Gateway’라는 이름으로 포함될 예정이지만, 현재 공식 제품 안내에는 일부 통제 기능이 곧 제공될 기능으로 표시돼 있다. 따라서 비용을 보여 주는 콘솔이 출시됐다는 사실과 모든 자동 통제 기능이 완성됐다는 주장을 구분해야 한다.

테크크런치 보도에 따르면 리플링은 7월에 4월과 거의 같은 양의 AI 연산을 사용했지만 지출은 37% 수준으로 줄였다고 밝혔다. 회사 측 설명이 맞다면 직원의 AI 사용 자체를 크게 막기보다, 같은 일을 더 저렴한 방식으로 처리한 효과가 컸다는 뜻이다.

직장인에게는 ‘AI 사용 평가’가 시작된다는 뜻

기업이 AI 비용을 직원별로 볼 수 있게 되면 직장인의 행동도 달라진다. 지금까지는 인터넷 사용료나 사무용 소프트웨어 비용처럼 회사가 묶어서 처리하던 지출이 개인 단위 점수로 나타날 수 있다. 관리자는 “이 직원은 AI에 얼마를 썼고 결과는 무엇인가”를 묻게 된다.

잘 운영하면 장점이 있다. 고액 사용자를 혼내기보다 효율적인 방법을 찾아 조직에 공유할 수 있다. 어떤 팀은 비싼 모델이 필요하고 다른 팀은 저렴한 도구로 충분하다는 사실을 파악할 수 있다. 성과가 좋은 사용법을 교육하고, 불필요한 반복을 줄이며, 개인이 여러 서비스 비용을 따로 결제하는 혼란도 줄일 수 있다.

나쁘게 운영하면 감시와 줄 세우기가 된다. 사용량이 적은 직원을 ‘AI를 거부하는 사람’으로 보고, 사용량이 많은 직원을 ‘낭비하는 사람’으로 단정할 수 있다. 숫자를 늘리기 위해 쓸데없는 질문을 하거나, 비용 지적을 피하려고 필요한 작업에 AI를 쓰지 않는 행동이 생길 수도 있다. 무엇보다 직원이 입력한 질문에는 고객정보, 기획안, 인사 관련 고민처럼 민감한 내용이 포함될 수 있다.

리플링 제품은 인사·조직 정보와 AI 사용 자료를 결합하는 점을 강점으로 내세운다. 바로 그 이유 때문에 접근 권한이 중요하다. 재무팀은 총비용과 부서별 추세가 필요할 수 있지만 개별 질문의 내용까지 볼 필요는 없다. 팀장은 업무별 사용량을 볼 수 있어도 개인의 모든 대화 원문을 열람할 권한까지 가져서는 안 된다.

공정한 비용 관리를 위한 최소 원칙

기업이 이런 도구를 도입한다면 직원에게 먼저 설명해야 할 내용이 있다.

첫째, 무엇을 수집하는지 알려야 한다. 서비스 이름, 사용 시간, 비용, 입력·출력 양만 모으는지, 질문과 답변 원문도 저장하는지 구분해야 한다. 원문 수집은 훨씬 큰 개인정보와 영업비밀 위험을 만든다.

둘째, 누가 볼 수 있는지 정해야 한다. 재무, 정보기술, 보안, 인사, 직속 관리자가 같은 범위의 자료를 볼 이유는 없다. 역할에 따라 필요한 최소 정보만 제공해야 한다.

셋째, 평가에 어떻게 사용하는지 공개해야 한다. AI 지출이 성과평가나 승진, 징계에 직접 반영되는지, 단지 예산과 교육을 위한 자료인지 직원이 알아야 한다. 숨은 평가 기준은 신뢰를 무너뜨린다.

넷째, 숫자에 이의를 제기할 방법이 필요하다. 다른 팀을 돕기 위한 공용 작업이 한 사람의 비용으로 잡혔거나, 고비용 프로젝트를 맡아 사용량이 많아졌다면 맥락을 설명할 수 있어야 한다.

다섯째, 자료 보관 기간과 삭제 기준을 정해야 한다. 비용 정산에 필요한 기간이 끝난 뒤 개인별 세부 로그를 계속 쌓아둘 이유가 있는지 검토해야 한다.

이 원칙은 법률 검토를 대신하지 않는다. 국가와 업무에 따라 개인정보, 근로자 감시, 노사 협의 규정이 다르다. 그러나 법적 최소선에 앞서 조직의 신뢰를 지키기 위한 기본 조건이다.

생산성을 무엇으로 측정할 것인가

AI 투자수익률을 계산하려면 비용과 결과를 비교해야 하지만, 지식노동의 결과는 단순한 숫자로 환산하기 어렵다. 보고서를 빨리 썼더라도 사실 오류가 많으면 이익이 아니다. 고객 답변 수가 늘어도 불만과 환불이 증가하면 성과로 보기 어렵다. 코드 작성량이 늘어도 장애와 보안 문제가 많아지면 오히려 손해다.

따라서 회사는 속도·품질·위험을 함께 봐야 한다.

• 작업 완료까지 걸린 시간이 줄었는가
• 동료의 재작업과 수정 요청이 늘지 않았는가
• 고객 불만, 오류, 환불, 장애가 증가하지 않았는가
• 직원이 절약한 시간을 더 중요한 일에 사용했는가
• 민감정보 유출이나 저작권 문제 같은 위험이 생기지 않았는가
• AI를 쓰지 않은 비슷한 업무와 비교해 차이가 있었는가

리플링도 공식 글에서 생산성 신호는 실제였지만 선형적이지 않았다고 표현했다. 처음 AI를 사용하기 시작한 직원에게는 효과가 컸지만, 더 많은 돈을 쓰고 최신 모델을 쓴다고 효과가 같은 비율로 늘지는 않았다는 것이다. 이는 경영자가 기억할 중요한 구분이다. AI 접근권 확대와 무제한 지출은 같은 정책이 아니다.

정확한 비교를 위해서는 단기 사용량보다 일정 기간의 결과를 봐야 한다. 한 달에 복잡한 프로젝트 하나를 성공시킨 직원과 간단한 작업 수십 개를 끝낸 직원을 같은 표로 줄 세우면 왜곡된다. 직무마다 가치의 단위가 다르므로 전사 공통 점수 하나보다 업무별 지표와 질적 검토가 필요하다.

중소기업도 AI 청구서를 따로 관리해야 하나

모든 회사가 별도 비용 관리 제품을 도입할 필요는 없다. 직원 수가 적고 월정액 도구 몇 개만 쓰며 비용이 안정적이라면 공급자별 청구서와 간단한 예산표로 충분하다. 새 관리 시스템 자체의 구독료와 운영 부담이 절감액보다 클 수 있다.

다음과 같은 신호가 함께 나타날 때 본격적인 관리가 필요하다.

• 챗봇, 코딩 도구, 이미지 생성 등 여러 서비스의 청구서가 흩어져 있다.
• 사용량 기반 비용이 매달 큰 폭으로 변한다.
• 어느 팀과 업무에서 비용이 생겼는지 알 수 없다.
• 가장 비싼 모델이 이유 없이 기본값으로 쓰인다.
• AI가 시간을 줄였다는 말은 많지만 품질과 재작업 자료가 없다.
• 고객정보나 사내 문서가 승인되지 않은 도구에 입력된다.

첫 단계는 직원 감시 대시보드가 아니다. 회사가 승인한 AI 서비스 목록을 정리하고, 공급자별 월 지출과 부서별 목적을 파악하며, 민감정보 입력 기준을 알리는 것이다. 이후 비용이 큰 몇 가지 업무를 골라 전후 시간과 품질을 비교하면 된다. 개인별 순위는 가장 나중에, 꼭 필요한 경우에만 검토하는 편이 안전하다.

제품 발표에서 구분해야 할 사실과 주장

확인된 사실은 리플링이 8월 6일 AI Spend Console을 발표했고, 리플링 고객이 아니어도 30일 무료 시험을 신청할 수 있다고 안내한다는 점이다. 기존 리플링 AI 고객에게는 포함된다는 설명도 제품 페이지에 있다. 여러 AI 서비스 비용을 한곳에 모으고 조직 정보와 결합해 분석하는 것이 핵심 기능이다.

80%의 월간 비용 증가, 40%에서 10~15%로 낮춘 전망, 한 직원의 월 5만 달러 사용, 수천만 달러 절감 가능성은 리플링의 내부 사례와 주장이다. 테크크런치가 회사 관계자 인터뷰를 통해 보도했지만 외부 감사로 검증된 보편적 수치는 아니다. 제품을 판매하는 회사가 가장 극적인 자체 사례를 앞세웠다는 점도 감안해야 한다.

또한 비용과 성과를 연결한다고 해서 도구가 자동으로 ‘진짜 생산성’을 알아내는 것은 아니다. 어떤 업무지표를 넣고 어떻게 해석하는지는 고객사의 책임이다. 잘못된 지표를 연결하면 정교한 화면으로 잘못된 결론을 낼 수 있다.

이번 발표가 중요한 이유

생성형 AI의 기업 도입은 이제 계정을 나눠 주는 1단계를 지나고 있다. 다음 단계의 질문은 얼마나 많이 쓰는지가 아니라, 어떤 일에 어느 수준의 모델을 쓰며 결과가 비용과 위험을 정당화하는가다. 리플링 사례는 AI 사용이 빠르게 늘면 소프트웨어 구독료가 아니라 인건비와 맞먹는 경영 항목으로 커질 수 있음을 보여 준다.

동시에 비용을 보려는 시도가 직원의 모든 질문과 작업을 들여다보는 감시로 변할 수 있다는 경고도 준다. 좋은 운영은 비싼 모델을 무조건 막거나 개인별 사용량을 공개적으로 순위 매기지 않는다. 업무 난도에 맞는 선택지를 제공하고, 품질과 재작업을 함께 보며, 수집 범위와 평가 목적을 투명하게 설명한다.

앞으로 볼 변화는 두 가지다. 첫째, 오픈AI·앤트로픽·구글 같은 공급자가 기업 고객에게 더 세밀한 비용 통제와 사용 분석 기능을 직접 제공하는지다. 둘째, 회사들이 AI 투자수익률을 측정한다는 명분 아래 직원별 대화와 성과 자료를 어디까지 결합하는지다.

리플링의 숫자를 모든 회사의 미래로 받아들일 필요는 없다. 그러나 “AI는 많이 쓸수록 좋다”는 단순한 구호가 끝나고 있다는 신호로는 충분하다. 이제 기업은 AI가 만든 결과뿐 아니라 청구서, 재작업, 오류, 직원 신뢰까지 함께 계산해야 한다.