결제 기업의 AI가 연간 1조 개 토큰을 어떻게 사용하고 있나요?

아디엔 최고기술책임자(CTO)는 약 1,400명의 개발자가 매년 약 1조 개 토큰을 소비한다고 밝혔다. 지난 3개월간 이 수치는 4배로 증가했으며, 아디엔은 연간 100조 개 토큰 소비를 준비 중이다.

토큰 지출은 어디로 향하나요? 구체적으로 어떤 일을 하나요?

아디엔의 1조 개 토큰은 주로 엔지니어링 팀에 의해 소비된다. 다른 결제 기업들도 상점 심사, 고객 서비스 응답, 청구 거부 처리, 이메일 분석, 이상 징후 조사 등에 토큰을 사용한다.

돈은 물처럼 흐르고, 토큰도 마찬가지다.

사람은 가만히 앉아 있지만, 토큰은 계속 흐른다.

지난 90일간 아디엔의 AI는 약 100만 건 문서를 편집했고, 2만 건의 깃 커밋에 참여했다. 회사 평균 머지 요청은 48% 증가했으며, 엔지니어들은 AI 덕분에 약 15% 시간을 절약했다고 추정한다. 아디엔은 토큰에 지불한 비용이 약 2배의 수익을 낳았다고 믿는다.

아디엔은 청구, 정산, 카드 조직 보고를 담당하는 백엔드 결제 시스템 사례를 공유했다. 이 시스템은 40여 개 카드 조직과 관련된 약 2,000개 프로덕션 작업을 포함하며, 기존에는 하나의 대규모 배포 이미지에 모두 통합되어 있었다. 아디엔은 각 카드 조직별로 독립적인 이미지를 구성하려 한다.

기존 방식으로는 이 프로젝트가 여러 팀이 참여해 6~12개월이 걸렸을 것이다. 그러나 두 명의 엔지니어가 AI와 협력해 2개월 만에 무사히 완료했다.

코딩 에이전트의 토큰 소비 방식은 단순히 몇 줄 코드를 채워주는 데 그치지 않는다. 먼저 코드와 문서를 읽고, 의존성을 파악하며, 테스트를 실행한다. 테스트가 실패하면 오류 메시지를 분석해 코드를 수정하고 다시 실행한다. 사람이 여러 에이전트를 동시에 열면, 이러한 과정이 백그라운드에서 반복된다. 사람은 가만히 앉아 있지만, 토큰은 계속 흐른다.

스트라이프도 91%의 엔지니어가 일상 업무에서 AI를 사용한다고 밝혔다(남은 9%가 해고되지 않은 이유는 불명). 내부 코딩 에이전트는 매주 생산 환경에 1,000건 이상의 PR을 제출한다. 2026년 3월 한 달간만 해도 AI 코딩 지원을 활용한 PR이 5만 7,000건을 넘었으며, 3개월 만에 140% 증가했다.

블록도 유사하게 주간 7,500명 직원이 AI를 사용하며, 코드 제출의 90% 이상에 AI가 참여한다. 주간 평균 코드 변경량은 30% 증가했다.

현재 결제 기업의 토큰 비용 대부분은 엔지니어링 부서에서 발생한다. 결제 산업에서 AI 활용은 단순히 새 코드를 작성하는 것을 넘어, 복잡성의 산을 오르는 인간을 돕는 실용적 적용에 더 가깝다. 결제 시스템은 규모가 크고 레거시 코드가 많으며, 은행·카드 조직·다양한 결제 수단을 모두 수용해야 한다. 과거에는 이 복잡성이 주로 엔지니어의 시간을 소모했지만, 이제는 AI도 이를 돕기 위해 토큰을 소비한다.

문서 검색, 광고 작성, 계약서 분석 등도 토큰을 소비한다.

코드 작성이 기업 내 AI 활용의 일부일 뿐이다. 다소 큰 핀테크 기업은 정보 검색에 하루에도 많은 시간을 쓴다: 환불 정책은 어디에 있나? 이 데이터는 어느 팀이 관리하나? 특정 시스템 권한은 어디서 신청하나? 휴가 신청은 누구에게 연락해야 하나? 기업 규모가 클수록 문서가 많아지고, 문서가 많을수록 길을 잃기 쉽다.

누뱅크는 약 9,000명 직원을 보유하고 있으며, 각 팀은 프로세스 및 문서를 컨플루언스에 저장한다. 직원이 문제를 겪을 경우 30분 가량 검색해도 찾지 못하면 티켓을 등록하고 몇 시간 기다려야 한다. 누뱅크는 이후 슬랙에서 바로 질문할 수 있는 내부 도구 ‘AskNu’를 만들었다. AskNu는 질문을 담당 부서로 분류한 후 해당 컨플루언스 문서에서 답변을 찾아, 대형 언어 모델로 요약해 링크와 함께 응답한다.

출시 6개월 만에 AskNu는 사용자 5,000명을 확보하고 28만 건의 메시지를 처리했다. 누뱅크는 내부 티켓 일부를 96% 감소시켰다고 밝혔다. 이전에는 문제 해결에 30분이 걸리거나 티켓 응답까지 8시간 기다려야 했으나, 이제 평균 9초 만에 답변을 받는다.

AskNu는 고객의 송금이나 결제 처리를 직접 도와주진 않지만, 질문을 지속적으로 읽고 문서를 검색해 답변을 정리한다. 회사 내 모든 직원이 하루 몇 차례씩 질문하며, 토큰은 점차 쌓인다.

콘텐츠 팀도 마찬가지다. 카임은 내부 콘텐츠 모델을 직관적으로 ‘카임GPT’라 명명했다. 또 과거 브랜드 스토리, 사용자 피드백, 캠페인 성과, 커뮤니티 논의를 포함한 ‘브랜드 브레인’을 구축했다. 마케팅 팀은 이를 활용해 다양한 콘텐츠 버전과 맞춤형 온보딩 프로세스를 생성한 후, 브랜드·법무·규정 준수 검토를 거친다.

카임은 내부 팀의 콘텐츠 산출량이 전년 대비 300% 이상 증가했으며 제작 시간은 60% 단축됐다고 공개했다. 아이디어에서 캠페인 완료까지 10시간이 걸리던 작업이 지금은 약 4시간 내에 가능해졌고, 테스트 규모도 3배 증가했다. 클라르나의 조직 데이터도 흥미롭다: 직원의 90%가 생성형 AI를 매일 사용하며, 커뮤니케이션·마케팅·법무 부서의 사용률은 각각 93%, 88%, 86%다.

코드 작성, 광고 문구 작성, 자료 번역, 미팅 요약, 계약서 검토, 동료 질문 응답 등 모두 토큰을 소비한다.

‘샴페인 색 드레스’는 술 판매를 의미하지 않는다.

결제 업체는 매일 신원 확인과 유사한 작업을 수행한다: 이 사람은 누구인가? 정확히 무엇을 팔고 있는가? 입점 허용 및 수금 허가가 가능한가?

판매업체는 결제 업체의 양식에 따라 솔직하게 자기소개하지 않는다. 단서는 공식 웹사이트, 제품 페이지, 등록 서류, 뉴스 기사 등 여러 곳에 산재해 있으며 언어도 다양할 수 있다. 기존 시스템은 이런 복잡성에 대한 인내심이 부족해 가장 간단한 방법—키워드 검사—을 채택했다.

에어워럴렉스는 유쾌한 사례를 제시했다. 한 판매업체는 ‘군사 스타일 자켓’을 판매하는데, 시스템은 ‘군사’라는 단어를 보고 금지된 군사 물품 판매로 오인할 수 있다. 다른 판매업체는 ‘샴페인 색 드레스’라고 적었는데, 시스템은 ‘샴페인’을 보고 술 판매로 착각할 수 있다.

사람은 한눈에 군사 스타일 자켓이 무기가 아니며 샴페인 색 드레스에 샴페인이 들어 있지 않다는 것을 알 수 있다. 그러나 키워드는 색상이나 패션을 이해하지 못하고, 단지 그 단어가 위험해 보일 뿐이다.

이는 대규모 모델이 특히 뛰어난 분야다: 단일 단어에 집중하는 대신 주변 맥락을 먼저 읽고 판매업체가 실제로 무엇을 파는지 파악한다. 에어워럴렉스는 KYC에 생성형 AI를 적용한 후 관련 프로세스의 평균 오탐지율이 50% 감소했으며, 인간 개입 없이 온보딩을 완료할 수 있는 고객 수가 20% 증가했다고 밝혔다.

스트라이프도 2023년부터 상점 온보딩에 LLM을 도입했다. 대규모 모델이 모든 상점을 승인하도록 하진 않으며, 먼저 열린 비구조화 정보를 처리해 명확히 요건을 충족하는 신청서는 신속히 통과시킨다. ‘적격 상점’의 80% 이상이 즉시 자동 승인된다. 체크아웃닷컴의 정책 심사는 60분에서 10분으로 단축됐다.

기존에는 직원이 웹페이지를 열고 자료를 읽고 정책을 확인하며 결론을 직접 작성해야 했다. 지금은 대규모 모델이 먼저 전체를 읽고 인간의 주의가 필요한 부분을 강조한다. 여기서 소비된 토큰은 오탐지율 감소, 계좌 개설 속도 향상, 문제 없는 자료 처리에 소요되는 내부 인력 시간 절감으로 이어진다.

5달러짜리 커피 한 잔도 재무 처리를 거쳐야 한다.

결제 업체는 타인의 자금을 처리하지만, 내부적으로는 여전히 경비 정산, 감사, 송장 추적, 회계 작업이 필요하다. 이는 핀테크 AI 제품 중 가장 눈에 띄지 않는 유형일 수 있다. 직원이 법인 카드로 커피 한 잔을 살 경우 영수증을 업로드하고 용도를 명시하며 경비 항목을 선택해야 한다. 관리자는 업무 관련 여부를 확인하고, 재무팀은 정책 준수 여부를 검토해 회계 코드를 부여한 후 ERP에 동기화해야 한다. 금액은 고작 5달러지만 처리에 드는 노동 비용은 종종 더 크다.

램프는 이러한 경비 심사를 위해 특화된 ‘정책 에이전트’를 개발했다. 이는 영수증과 거래 내역 일치 여부, 중복 정산, 용도 명시 여부, 정책 위반 여부, 직원의 최근 비정상 지출 여부 등을 점검한다. 정책에 부합하는 경비는 자동 승인 제안이 가능하고, 문제가 있는 경우 인간 심사로 이관된다. 램프는 초기 고객들이 수작업 검토를 약 85% 줄였으며 경비 정책 집행 정확도는 99% 이상이라고 주장한다. 최종 승인 권한은 심사자에게 남아 있다.

브렉스 어시스턴트는 더 사소한 업무까지 처리한다. 자동으로 영수증을 찾고, 메모를 작성하며, 경비 항목과 참석자를 입력하고, 규정 위반 지출에 대해 직원에게 능동적으로 질의한다. 브렉스는 예시를 들었다: 영수증에 ‘알코올’이라 적혀 있진 않더라도 ‘보드카’라고만 적혀 있어도, 기존 키워드 규칙은 이를 포착하지 못했으나 대규모 모델은 보드카가 알코올에 해당함을 안다.

이런 업무는 토큰을 시간으로 바꾸는 데 매우 적합하다.

AML 분석가들은 대부분의 시간을 범죄자를 적발하는 데 쓰지 않는다.

결제 기업은 매일 수많은 리스크 경고를 생성한다. 진정으로 의심스러운 거래는 많지 않을 수 있지만, 각 경고마다 담당자가 열어 보고 고객 정보를 확인하고 과거 거래 내역을 검토하며 관련 계좌를 조사한 후, 조사 종료 또는 상위 보고 여부를 설명하는 문단을 작성해야 한다. 많은 AML 분석가들이 범죄자를 적발하는 데 시간을 쓰지 않으며, 대신 ‘현재 해당 인물이 범죄자처럼 보이지 않는다’는 점을 입증하는 데 시간을 쓴다.

Nexo는 초기 경고 검토를 위해 Unit21의 AI 에이전트를 활용한다. 이 에이전트는 거래 및 계좌 정보를 정리하고, 주소 간 관계를 분석하며, 조사 요약과 처리 의견을 자동 생성한다. 분석가들은 더 이상 백지 상태에서 시작하지 않고, AI가 제공한 자료와 결론을 검토한다.

Unit21과 Nexo가 공동 발표한 사례 연구에 따르면, Nexo의 오탐률은 기존 내부 시스템 대비 93% 감소했으며, 현재 57%의 경고 검토가 AI에 의해 자동 완료되며, 향후 80%까지 확대할 계획이다. 이 수치는 주의 깊게 볼 필요가 있다: 이는 공급업체와 고객이 공동으로 발표한 사례이며 독립 감사 결과가 아니다. 또한 Unit21은 조사당 소비되는 토큰 수를 공개하지 않았다.

그럼에도 이 사례는 AI가 AML 분야에서 실제로 수행할 수 있는 역할을 명확히 보여준다: 기계가 자료를 수집하고 관계도를 도출하며 서술적 분석을 작성하면, 인간은 그것이 진정으로 의심스러운지, 규제 당국에 신고할지 판단한다.

고객이 단순히 “제 돈은 어디 있나요?”라고 물었다.

결제 기업의 고객 서비스는 단순히 ‘비밀번호 변경을 도와주세요’ 수준이 아닐 때가 많다. 고객이 ‘왜 아직 돈이 도착하지 않았나요?’라고 묻는 경우, 이는 가맹점 은행, 카드 조직, 발행 은행, 환율 전환, 정산 주기, 환불 상태, 계좌 제한 등 다양한 요소가 얽혀 있을 수 있다. 고객 서비스 담당자는 여러 시스템을 조회해 정보를 종합하여 일관된 답변을 제공해야 한다.

AI 에이전트 역시 동일한 과정을 거친다: 먼저 문제를 이해하고, 거래를 조회하며, 규칙을 검색하고, 다음 단계를 결정한 후 응답을 생성한다. 시스템을 한 번 조회할 때마다 그 결과를 모델로 다시 전송해야 하며, 토큰은 반복적으로 소비된다.

Checkout.com은 고객 서비스 요청의 약 60%가 단순하고 반복적인 질문이라고 밝혔으며, 2026년까지 AI 에이전트가 고객 서비스 건수의 절반 이상을 독립적으로 처리할 것으로 기대한다고 전했다. Block은 Cash App의 고객 서비스 케이스 중 약 65%가 이미 AI를 활용 중임을 공개했다. Klarna의 수치는 더욱 구체적이다: 2024년 상반기 동안 Klarna의 AI 어시스턴트가 400만 명 이상의 고객을 지원했으며, 연간 4,000만 달러의 비용 절감 효과를 기대하고 있다.

고객 서비스에서 소비되는 토큰 산정은 간단하다. 과거에는 특정 인원이 특정 건수의 티켓을 처리했으나, 지금은 특정 토큰 수가 특정 건수의 티켓을 처리하며, 인간 담당자 전환 여부나 고객 재문의 여부를 통해 측정 가능하다.

청구 거부(chargeback) 및 분쟁 처리도 마찬가지다. Stripe는 금융 파트너로부터 대량의 자동화된 이메일을 수신하는데, 과거에는 직원이 하나하나 읽고 시스템에서 수작업으로 처리해야 했다. 현재는 LLM이 이메일을 읽고 상대방의 요구사항을 이해한 후 API 호출로 자동 변환한다. Checkout.com은 거래 거부 분포 작업도 과거에는 수작업으로 완료했으나, 현재는 100% 자동화됐다고 밝혔다.

이러한 업무는 ‘AI가 금융을 바꾼다’는 표현만큼 거창해 보이진 않지만, 시간이 많이 걸리며 토큰 소비에 최적화되어 있다.

AI가 당신의 보유 자산을 보며 말하기 시작할 때

지금까지 언급된 AI는 대부분 고객에게 보이지 않는 형태로 코드, 감사, 고객 서비스 시스템 뒤에서 작동한다. 반면 Robinhood Cortex는 투자자의 스마트폰 화면에 직접 노출된다.

사용자가 주식을 열면 Cortex는 실시간 호가, 주요 뉴스, 애널리스트 보고서, 기술 지표, Robinhood 자체 데이터를 읽고, 오늘 주가가 오르거나 내리는 이유를 일반인도 이해할 수 있는 용어로 설명한다. 또한 사용자의 보유 자산과 연계해 해당 뉴스가 계좌에 어떤 영향을 미치는지 설명한다.

Robinhood는 2026년 1분기까지 Cortex Digests를 약 100만 명의 고객이 이용했다고 공개했으며, 다음 단계는 자연어로 주식 및 암호화폐 매매, 시장 조사, 계좌 설정 조정 등을 직접 수행할 수 있도록 하는 것이다.

이 시점에서 토큰 소비 주체는 기업 직원뿐 아니라 일반 사용자도 된다. 사용자가 질문할 때마다 Cortex는 한 편의 뉴스나 리서치 보고서를 읽고, 개인 보유 자산에 따라 재해석할 때마다 맥락을 다시 처리해야 한다.

실제 문제는 AI가 사용자 대신 운영되기 시작하면 오류의 비용이 달라진다는 점이다. 뉴스를 잘못 보도하면 사용자가 오해할 뿐이지만, 주식을 잘못 매수하면 실제 손실이 발생한다. 따라서 Robinhood는 Cortex의 접근 범위, 설명 가능 범위, 반드시 사용자 확인이 필요한 조치 등을 명확히 제한했다.

연간 1조 토큰은 AI 기업에게 무엇을 의미하는가?

우선, 애덴(Adyen) 자체를 살펴보면, 약 1,400명의 개발자가 연간 1조 개 토큰을 사용하며, 1인당 평균 7.1억 개다. 근무일 250일을 가정하면 하루 1인당 약 286만 개다. 이는 이제 단순히 AI가 가끔 코드 몇 줄 채워주는 수준이 아니라, 하루 종일 일하는 에이전트를 두는 것이다.

하지만 이 숫자를 AI 산업 전체와 비교하면 측정 단위가 급격히 달라진다.

마누스(Manus) 제품은 출시된 지 몇 달 만에 147조 개 이상 토큰을 처리했으며, 이는 애덴의 연간 사용량의 147년 분이다. 오픈라우터(OpenRouter)는 현재 월 100조 개 토큰을 라우팅하며, 이는 매월 애덴 100개 기업의 연간 사용량과 맞먹는다. 물론 이들은 다수 고객을 대상으로 하는 플랫폼이므로 단일 기업 내부 엔지니어링 팀과 직접 비교할 순 없지만, 차이 규모는 매우 직관적이다.

프로수스(Prosus)처럼 일반적인 기업을 보면, 수많은 이커머스·인터넷 사업을 운영하며 4만 명 직원, 500만 파트너, 10억 명 사용자에게 AI 에이전트를 제공한다. 월 82조 개 토큰을 소비해 애덴의 연간 사용량을 고작 나흘 만에 소진한다. 지난 1년간 토큰 사용량은 52배 증가했다.

오픈AI는 연간 토큰 소비량을 공개하지 않았으나 연구자의 지출 한도는 밝혔다. 2026년 8월 기준, API 가격을 기준으로 연구자 1인의 중앙값 일일 계산 비용은 600달러를 넘고, 상위 10%는 하루 7,000달러 이상을 쓴다. 연간 250일을 가정하면 1인당 15만 달러, 과다 사용자는 175만 달러에 달한다.

앤트로픽(Anthropic)은 더 직접적이다. 비용이 아닌 ‘근무 시간’을 측정한다. 2026년 8월 기준, 직원 아래에서 작동하는 에이전트들의 총 근무 시간은 인간의 6배가 된다. 대부분 토큰은 소프트웨어 작성에 쓰이며, 엔지니어 1인의 코드 제출 속도는 6개월 만에 평균 5배로 향상된다.

마누스도 유사하다. 공동창업자 장타오(張濤)는 한 달 동안 1인당 평균 AI 지출이 1만 달러를 넘었고, 일부는 월 7~8만 달러까지 썼다고 언급했다. 이 모두가 토큰 비용은 아니지만 의미는 분명하다: 이제 AI에 가끔 질문하는 수준이 아니라, 한 사람이 동시에 여러 에이전트를 관리하는 것이다.

따라서 1조 개 토큰은 크기도 작기도 하다. AI 플랫폼과 비교하면 사소한 분량이지만, 결제 기업 입장에서는 약 1,400명 개발자에게 국한된 양이며, 고객센터·규정준수·리스크관리·고객 대응 AI는 포함되지 않는다. 이런 관점에서 애덴이 연간 100조 개 토큰을 준비하는 것은 과장이 아니다.

토큰은 소비되지만, 계정 정산은 여전히 필요하다.

1조 개 토큰은 고정된 청구액이 아니다. 모델별 가격 차이는 최대 100배까지 난다. 2026년 10월 28일 오픈AI 표준 API 가격 기준, 입력 80%, 출력 20%를 가정하면: GPT-6 루나 전부 사용 시 이론적 비용은 약 18만 달러, GPT-6 아스트라 전부 사용 시 약 1,800만 달러다.

애덴은 실제로 다양한 모델을 사용하며 자체 추론 인프라·의미 기반 라우팅·기업 할인 혜택을 적용하므로 실제 청구액은 단순 곱셈보다 복잡하다. 1조 개 토큰은 매우 저렴할 수도, 매우 비쌀 수도 있다. 많이 쓴다고 해서 반드시 잘 쓴 건 아니다.

토큰이 소진된 후 기업은 다음과 같은 근본적 질문에 답해야 한다: 사고 없이 완성된 코드는 얼마나 되는가? 정상 상점이 오진된 건 몇 건인가? 인간 상담사 재전환 없이 해결된 고객 문의는 몇 건인가? 청구 반려 처리 시 올바른 자료가 적절한 담당자에게 전달되었는가?

비용보다 더 중요한 질문 하나가 있다: AI는 어디까지 갈 수 있는가? 고객센터 정보 확인은 위험도 낮고, 엔지니어 코드 작성도 테스트·리뷰로 검증 가능하지만, 에이전트가 자금 이체·계좌 동결·상점 거부 등 직접 권한을 행사한다면 실수 비용은 완전히 다르다.

현재로서는 결제 기업이 모든 결제를 대형 모델에 물어보지는 않는다. 현실적인 역할 분담은: 원장은 계속 장부를 관리하고, 규칙 및 전용 모델이 거래 심사하며, 대형 모델은 정보 읽기·코드 작성·정보 확인·예외 처리를 맡고, 인간은 실수 비용이 높은 핵심 위치에 남는 것이다.

돈은 물처럼 흐르고, 토큰도 마찬가지다.

기사 끝

이 기사는 순전히 필자의 관찰과 사고에 기반하며, 어떠한 투자·경영 조언도 아니다. 독자께서는 자신의 이해와 정보 출처를 합리적으로 고려하시기를 권장한다.