AI 제품의 수익성 측정을 위한 연산 비용 반영의 필요성

헤비 유저가 많을수록 서비스가 빠르게 성장한다고 믿는 기업이 많다. 하지만 AI 제품에서는 사용량이 많은 고객이 오히려 적자의 주범이 되기도 한다. 고객이 내는 구독료는 정해져 있는데, AI가 답을 내놓을 때마다 들어가는 연산 비용은 사용자마다 천차만별이기 때문이다.

이런 특성을 반영해 고객 한 명당 실제 수익을 따지는 Compute-Adjusted LTV(연산 비용 조정 고객 생애 가치) 개념이 등장했다. 기존 소프트웨어 서비스는 서버 비용이 일정해 매출에서 고정비를 빼면 수익이 계산됐으나, AI 제품은 고정 구독료에 변동성이 큰 추론 비용(AI가 결과를 도출하는 데 드는 하드웨어 자원 비용)이 결합되어 있다. 평균값만으로 사업 계획을 세우면 실제로는 손실을 내는 고객을 식별하지 못하는 함정에 빠진다.

Jellyfish가 2026년 4월에 발표한 분석 결과는 이 격차를 보여준다. 2026년 1분기 동안 개발자 12,000명과 기업 200곳의 토큰 사용량을 추적한 결과, 코드 변경 사항을 반영하는 PR(Pull Request) 1건당 발생하는 비용은 최저 0.28달러에서 최고 89.32달러까지 나타났다. 사용 구간에 따라 비용 차이가 319배에 달하는 셈이다. 동일한 요금제를 쓰더라도 세그먼트별로 수익 구조가 완전히 갈리기 때문에 전체 평균 매출총이익률만으로는 실제 수익성을 정확히 파악할 수 없다.

Compute-Adjusted LTV의 계산 방식과 구성 요소

Compute-Adjusted LTV는 고객 한 명이 가져다주는 매출총이익을 매출 이탈률로 나누어 계산한다. 여기서 매출총이익은 AI 매출에서 Fully Burdened AI COGS(모든 비용이 포함된 AI 매출원가)를 뺀 값이다.

Fully Burdened AI COGS에는 단순한 추론 비용뿐만 아니라 AI 인프라 구축비, 고객 지원, CS, 그리고 DevOps(개발과 운영을 통합한 시스템) 비용이 모두 포함된다. 매출에서 이 모든 비용을 제외해야 고객 한 명이 실제로 남기는 순이익을 산출할 수 있다.

정확한 계산을 위해 AI 매출은 세 가지로 구분해 관리한다. 우선 AI 기능에 직접 지불하는 Direct AI Revenue(직접 AI 매출)를 사용하고, 부족한 차액은 AI-Attributed Revenue(기여 AI 매출)를 통해 보조적으로 활용해 수익성을 방어한다. 반면 AI-Influenced Revenue(영향 AI 매출)는 서비스 이용에 긍정적인 영향을 줬을 뿐 수치로 직접 연결되지 않으므로, 단위 경제 공식의 분자로 쓰지 않고 별도로 추적한다.

AI 기업의 수익성 현황과 지표 도입 기준

확장 단계에 진입한 AI B2B 기업들은 현재 전체 매출의 평균 23%를 모델 추론 비용으로 지출하고 있다. ICONIQ Capital이 2026년 1월 발표한 State of AI 보고서에 따르면 AI 제품의 평균 매출총이익률은 2024년 41%에서 2026년 약 52%까지 상승할 것으로 보이나, 이는 여전히 전통적인 SaaS 기업들의 이익 수준에는 미달하는 수치다.

추론 비용이 매출의 10%를 초과하거나 고객 세그먼트별 사용량 변동이 심할 때 Compute-Adjusted LTV 도입이 유용하다. 이 지표를 활용하면 실제 수익성을 바탕으로 가격 모델을 재설정하거나 CAC(고객 획득 비용) 예산을 다시 짤 수 있다. 고객 획득 비용이 해당 고객이 가져다줄 실제 순이익보다 크지 않은지 확인하는 판단 기준이 된다.

반면 AI 연산 비용이 매출의 5% 미만으로 낮고 사용량 변동성이 적다면 기존의 매출총이익 반영 LTV로도 충분하다. 다만 순수하게 사용량 기반으로 가격을 책정하는 제품은 추론 비용의 변동이 매출에 즉각 반영되므로, LTV보다는 다른 운영 지표에 더 집중해야 한다.

구독료가 같아도 고객마다 추론 비용이 극심하게 다르기에, 단순한 사용자 확보보다는 연산 비용을 반영한 정교한 수익 설계가 AI 시대의 실질적인 성장 동력이 된다.