facts: 인적 자본과 토큰 자본의 정의와 산업 공동화 위험

사티아 나델라 마이크로소프트(MS) CEO가 AI 시대의 경제적 도전 과제로 '산업 공동화' 위험을 제시했다. 나델라는 X(구 트위터)에 게시한 "에코시스템 없는 프런티어는 안정적이지 않다(A frontier without an ecosystem is not stable)"라는 에세이를 통해, 소수의 프런티어 모델이 산업 전반의 전문성을 흡수하고 상품화함으로써 기업의 경쟁 우위(Moat)를 제거할 수 있다고 분석했다.

나델라는 이 과정에서 두 가지 핵심 개념인 '인적 자본(Human Capital)'과 '토큰 자본(Token Capital)'을 정의했다. 인적 자본은 사람의 지식, 판단력, 관계, 독창성, 패턴 인식 능력을 의미하며, 토큰 자본은 기업이 구축하고 소유한 AI 역량을 뜻한다. 그는 인적 자본이 토큰 자본의 성장을 견인하는 동력이 되며, 인간의 방향 설정 없이는 컴퓨팅 자원이 효율적으로 작동할 수 없다고 설명했다.

나델라는 과거 글로벌화의 첫 단계에서 아웃소싱으로 인해 산업 경제가 공동화되었던 사례를 AI 시대에 대입했다. 소수의 AI 시스템이 모든 경제적 수익을 독점하고 산업의 지식이 상품화되는 현상이 반복될 경우, 정치 경제적 시스템이 이를 용인하지 않을 것이라고 경고했다. 이에 따라 단순한 프런티어 모델의 확보가 아니라, 가치가 광범위하게 흐를 수 있는 '프런티어 에코시스템' 구축이 우선순위가 되어야 한다고 주장했다.

how-it-works: 모델 독립성을 위한 3계층 학습 루프 구조

나델라가 제시한 기술적 해결책은 특정 모델을 선택하는 것이 아니라, 모델 상단에 인적 자본과 토큰 자본이 복리로 쌓이는 '학습 루프(Learning Loop)'를 구축하는 것이다. 이는 기업의 제도적 지능을 특정 프런티어 모델과 분리(Decouple)하여, 모델을 교체하더라도 기업 내부의 전문성이 유지되도록 하는 이식 가능한 지식 시스템을 지향한다.

이 학습 루프를 구현하기 위한 아키텍처는 다음의 3개 계층으로 구성된다.

1. 평가(Evaluation): 모델이 실제 비즈니스 결과에 기여하는지 측정하는 '프라이빗 에발(Private Evals)' 계층이다. 이를 통해 모델의 성능 개선 여부를 기업 고유의 지표로 확인한다.

2. 강화학습(Reinforcement Learning): 평가 데이터를 바탕으로 모델의 출력을 최적화하고 기업 특화된 피드백을 반영하는 단계다.

3. 검색(Retrieval): 기업 내부의 고유 데이터와 지식을 모델에 연결하여 답변의 정확도를 높이는 계층이다.

이 구조의 핵심은 '제너럴리스트(Generalist)' 모델을 다른 모델로 교체하더라도, 학습 루프 내에 축적된 '기업 베테랑' 수준의 전문 지식은 손실되지 않게 하는 것이다. 즉, 모델은 추론을 수행하는 엔진으로 활용하고, 실제 지능의 핵심인 데이터와 피드백 루프는 기업이 소유하는 구조다.

implementation-impact: 토큰 기반 비용 구조의 한계와 운영 전략의 변화

실제 기업 현장에서는 토큰 기반 과금 체계가 생산성 향상과 비용 증가라는 상충 관계를 만들어내고 있다. 모델의 성능이 좋아질수록 사용량이 늘어나며, 이는 곧바로 비용 상승으로 이어진다. MS 내부에서도 이러한 비용 압박이 확인되었다. MS는 Experiences 및 Devices 부문에서 사용하던 Claude Code 라이선스 대부분을 2026년 6월 30일부로 취소하기로 했다. 해당 도구의 2026년 4월 기준 월간 사용률은 84~95%에 달했으며, 엔지니어 1인당 월 API 비용은 500달러에서 2,000달러 사이로 측정되었다.

다른 기업들의 사례에서도 유사한 패턴이 나타난다. 우버(Uber)는 직원들에게 AI 도구 사용을 장려하는 리더보드를 운영했다가 4개월 만에 2026년 AI 코딩 도구 예산을 모두 소진했다. 이후 우버는 에이전틱 코딩 도구에 대해 직원 1인당 월 1,500달러의 상한선을 도입했다. 메타(Meta)에서는 토큰 소비량을 추적하는 '클로드노믹스(Claudeonomics)'라는 내부 리더보드가 만들어졌으며, 아마존(Amazon)은 최대한 많은 토큰을 사용하는 '토큰맥싱(Tokenmaxx)'을 추진하기도 했다.

인프라 투자 규모 또한 급증하고 있다. MS의 2분기 자본 지출은 전년 동기 대비 약 66% 증가한 375억 달러를 기록하며 분석가 예상치인 343억 달러를 상회했다. 엔비디아(Nvidia)의 응용 딥러닝 부사장 브라이언 카탄자로(Bryan Catanzaro)는 "팀 운영에 있어 컴퓨팅 비용이 직원 인건비보다 훨씬 높다"고 언급했다.

개발자와 실무자는 이제 단순한 모델 성능 비교보다 '토큰 효율성'과 '지식의 소유권'을 중심으로 전략을 수정해야 한다. 소비 기반 경제 모델(Consumption-based economics) 하에서는 도구의 생산성이 높을수록 예산 위기가 올 수 있으므로, 특정 벤더의 API에 종속되지 않는 독립적인 평가 체계와 데이터 파이프라인을 구축하는 것이 운영 리스크를 줄이는 핵심 판단 기준이 된다.