우버의 CTO 프라빈 네팔리 나가(Praveen Neppalli Naga)가 2026년 Claude Code(클로드 코드, AI 코딩 도구) 예산을 이미 모두 소진했다고 밝혔다. 이 발언은 사내에 즉각적인 파장을 일으켰다. 운영 책임자인 앤드류 맥도널드(Andrew Macdonald)는 이 상황을 두고 "머리가 터질 것 같은 순간"이라고 묘사했다. 천문학적인 토큰 비용을 지불하고 있음에도, 그것이 실제 소비자 기능의 개선으로 이어지는지에 대한 연결고리를 찾지 못했기 때문이다.

맥도널드는 고위 엔지니어링 리더들과의 논의 끝에 결론을 내렸다. 더 많은 토큰 사용량이 유용한 소비자 기능의 비례적 증가로 이어지지 않는다는 점이다. 특정 지표를 통해 "25% 더 많은 유용한 기능을 만들었다"고 단언할 근거가 부족했다. 결국 사용자는 AI 기능을 무료처럼 누리지만, 그 비용은 고스란히 기업의 몫이 되는 구조적 모순이 발생했다. 이제 AI 투자는 단순한 생산성 실험을 넘어, 인력 규모와 예산을 맞바꾸는 냉혹한 비용 구조의 문제로 전환됐다.

데이터 수집 비용을 낮추는 구조

투입된 자본만큼의 효용이 나오지 않는 지점이 포착됐다. Andrew Macdonald(앤드루 맥도널드) 우버 운영 책임자는 AI 지출 대비 성과를 정당화하기가 점점 어려워지고 있다고 밝혔다. AI가 회사가 투입하는 비용만큼의 효과를 내지 못하고 있다는 진단이다. 이는 AI 비용 정당화 문제가 사내의 핵심 쟁점으로 부상했음을 시사한다.

기술적 기대치와 실제 재무 성과 사이의 괴리는 기업의 자원 배분 전략을 즉각적으로 바꾼다. 투자 비용을 상쇄하기 위한 지형 변화는 인력 구조에서 먼저 나타났다. Dara Khosrowshahi(다라 코스로샤히) CEO는 AI 투자금을 충당하기 위해 채용 속도를 조절하고 있다고 설명했다. 인적 자본의 확장을 늦춰 AI라는 고비용 기술 자산의 자리를 만드는 포석이다.

AI 투자의 정당성 확보 실패는 단순한 비용 문제를 넘어 기업의 운영 효율성 재검토로 이어진다. 우버의 사례는 AI가 투입된 자본에 비례하는 성과를 내지 못할 때 발생하는 전략적 리스크를 보여준다. 채용 억제라는 직접적인 비용 절감책을 통해 AI 투자금을 확보하는 구조는 기술 도입의 비용 부담이 임계점에 도달했음을 의미한다.

결국 AI 도입의 성패는 단순한 기능 구현이 아니라 투입 비용을 상회하는 비즈니스 임팩트로 결정된다. 우버 내부에서 벌어지는 비용 정당화 논의는 AI 거품론이 실무 운영 단계에서 구체적인 재무적 압박으로 전환되고 있음을 드러낸다. 비용 효율화라는 실질적 성과가 뒷받침되지 않는 기술 투자는 결국 조직의 인력 구조와 운영 전략의 전면적인 수정을 강요하는 결과로 이어진다.

우버(Uber)의 CTO는 2026년 Claude Code

2026년분 예산이 이미 바닥났다. Praveen Neppalli Naga 우버(Uber) CTO가 Claude Code(클로드 코드, AI 기반 코딩 보조 도구)의 예산 소진 사실을 공개하며 내부 논의의 불을 지폈다. AI 토큰 소비량의 급증과 실제 인력 규모 사이의 절충 문제를 두고 전략적 충돌이 발생했다. Macdonald COO는 현재의 상황을 머리가 터질 것 같은 순간이라고 정의했다. 기술 도입의 가속도가 비용 관리라는 경영의 기본 원칙을 앞지른 장면이다. 이는 AI 인프라 비용이 예상보다 훨씬 가파르게 상승하고 있음을 시사한다.

이러한 비용 충격과는 대조적으로 일부 빅테크 기업들은 AI 사용량을 성과 평가 및 보상 체계에 편입시키며 정반대의 포석을 두고 있다. 메타(Meta), 구글(Google), JP모건(JPMorgan)이 이 흐름을 주도한다. AI 활용도를 단순한 도구 사용을 넘어 성과 평가와 목표 설정의 핵심 기준으로 삼았다. 임금 인상과 승진이라는 인사 제도와 직접 연결해 AI 도입의 강도를 조직적으로 높였다. 도구의 숙련도를 넘어 사용량 자체를 성과로 치환하는 전략이다.

이들은 토큰맥싱(tokenmaxxing, AI 토큰 사용량을 극대화해 업무 효율을 높이는 전략)이라는 새로운 운영 논리를 적용하고 있다. AI 사용량을 높이는 행위 자체가 개인의 성과이자 기업의 생산성 지표가 되는 구조다. 우버가 예산 조기 소진이라는 비용의 벽에 부딪힌 것과 달리, 이들은 보상 체계의 재설계를 통해 AI 활용의 임계점을 돌파하려는 전략을 취하고 있다. AI 도입의 성패가 단순한 툴의 보급이 아니라 인사 제도라는 지형의 변화에 달려 있음을 보여준다.

우버(Uber)는 토큰 사용량 증가가 유용한 소비자 기능의

토큰 사용량이라는 정량적 지표가 실제 제품의 가치로 이어지는지는 별개의 문제다. 우버(Uber, 차량 공유 및 배달 플랫폼) 내부의 고위 엔지니어링 리더들은 토큰 소비의 증가가 유용한 소비자 기능의 비례적 증가로 연결된다는 상관관계를 확인하지 못했다. 투입된 토큰이 늘어난다고 해서 실제 유용한 소비자 기능이 25% 더 많이 생성되었다는 식의 직접적인 지표 연결은 어렵다는 결론에 도달했다. 더 많은 기능이 출시되고 있을 가능성은 여전히 존재한다. 하지만 특정 지표의 상승이 곧바로 유용한 기능의 증가로 이어진다는 연결고리는 아직 부재한 상태다. 이는 AI 투입량과 실제 산출물 사이의 정량적 측정 체계가 아직 정립되지 않았음을 의미한다.

성과 평가의 척도를 AI 사용량으로 설정하려던 시도 역시 현장의 저항에 부딪혔다. 듀오링고(Duolingo, AI 기반 언어 학습 플랫폼)는 AI 사용량을 성과 평가에 반영하려던 계획을 전격 철회했다. AI를 활용하는 행위 자체가 목적이 되어 AI를 쓰기 위해 AI를 써야 하느냐는 직원들의 반응이 결정적이었다. 루이스 폰 안(Luis von Ahn) CEO는 4월 팟캐스트 인터뷰를 통해 내부 상황을 공개했다. 실제 결과에 책임을 묻기보다 맞지 않는 것을 억지로 밀어붙이는 느낌이었다고 밝혔다. 도구의 사용량이라는 수치보다 실질적인 결과물이 우선이라는 판단이 작용한 결과다. AI 도입의 성과를 단순 활용도로 측정하려는 접근은 조직 내 거부감을 키우는 포석이 되었다.

Uber를 현장에서 판단할 기준

AI 도입의 성패는 토큰 소비량이 아닌 산출물의 가치로 결정된다. 우버의 사례는 투입량과 결과값 사이의 정량적 연결고리가 부재할 때 발생하는 재무적 리스크를 보여준다. 단순한 사용량 증가를 생산성 향상으로 오인하는 지점에서 비용 통제 불능 상태가 시작된다. 사용량 지표가 제품의 실질적 가치 상승으로 이어지는지 검증하는 체계가 우선이다. 이 연결고리가 증명되지 않은 상태에서의 투자는 단순한 비용 지출에 그친다.

인적 자본을 줄여 AI 비용을 충당하는 전략은 위험한 도박이다. 채용 속도를 조절해 확보한 재원이 AI 토큰으로 치환될 때, 그 결과가 유용한 기능으로 전환되지 않으면 조직의 전체 역량만 하락한다. 기술 자산이 인적 자본의 대체재가 되기 위해서는 명확한 성과 측정 기준이 전제되어야 한다. 인력 감축과 AI 투입의 교환 비율을 산정할 수 없다면 조직의 실행력만 약화될 가능성이 크다. 이는 비용 절감이 아닌 역량 잠식으로 이어진다.

성과 평가에 AI 사용량을 반영하는 토큰맥싱 전략은 조직 문화와 제품 성격에 따라 결과가 갈린다. 빅테크의 강제적 추진과 듀오링고의 철회 사례는 상충한다. AI 활용도가 곧 성과라는 가설이 작동하지 않는 환경에서 사용량 기반 보상은 내부 반발과 자원 낭비만 초래한다. 도입 기업은 사용량이라는 허수 지표 대신 실제 소비자 기능의 증가율을 추적해야 한다. 투입된 토큰이 실제 제품의 경쟁력으로 치환되는 경로를 확인하는 것이 유일한 판단 기준이다. 이를 통해 AI 지출의 정당성을 확보해야 한다.