47%는 '고정 성능' 전제에서 나온 숫자

Epoch AI의 분석에 따르면 분기 47%는 벤치마크 점수 같은 동일한 성능 수준을 구현하는 비용을 기준으로 잰 값입니다. 같은 성능을 내는 더 저렴한 모델로 사용자가 갈아탄다는 이상적 가정 위에 세워진 추정이라는 점을 저자 스스로 밝혔습니다. 플래그십 모델의 토큰 단가는 오히려 상승하는 흐름을 보였습니다. a16z의 독립 추정치와 arXiv 논문 기반 계산은 분기 33~44% 범위를 제시했고, 47%는 이 범위의 상단에 놓입니다.

통용된 2차 보도에서 인과가 바뀐 사례

출처: 조사 출처

조선일보가 10월 4일 Epoch의 수치를 인용해 "동일한 수준의 AI 성능을 구현하는 데 드는 비용이 분기마다 약 47%" 하락한다고 전했고, 인용 자체는 원문과 부합합니다. 다만 같은 기사가 원문의 '최신 모델 초데뷔 시점 66%/분기 하락'을 증류 학습 때문에 폭락한 것으로 서술해 인과 구조가 달라졌습니다. 원문은 특정 최신 모델을 계속 쓰는 경우 단가가 분기마다 47%씩 내려가지 않는다고 명시적으로 유보하고 있습니다.

비용 폭락과 반대로 급증하는 총지출

단위 비용 하락과 전체 지출의 방향이 어긋나는 지점도 자료에 나타납니다. 추론 단가가 연 단위 한자릿수 배수로 내려가는 동안 AI 총지출과 인프라 투자는 급증했습니다. 단가 인하가 절감으로 이어지는 것이 아니라 사용량 확대로 흡수되는 구간에 있다는 상태 서술이 가능한 대목입니다.

추정치가 안고 있는 표본의 한계

Epoch의 수치는 벤치마크 기반 추정치로, 저자들은 정확한 값으로 읽지 말라고 지적했습니다. 벤치마크 점수를 끌어올리는 데 유리한 모델이 비용 대비 성능이 좋게 측정되는 한계와, 2023~2026년이라는 표본 기간의 제약도 함께 고지됐습니다. 국내 여러 매체가 같은 수치를 인용해 화제가 됐지만 대부분 이 측정 조건을 담지 않았습니다.

수치의 방향과 규모 자체는 Epoch, a16z, arXiv의 독립 추정치로 견고하게 뒷받침되나, 측정 조건을 생략한 일반화는 어긋나는 부분이 있어 이 주장은 부분 사실입니다. 향후 몇 분기의 관측이 더 필요한 지점은 플래그십 단가 상승 흐름이 구조 전환인지, 그리고 47%와 33~44% 범위의 격차가 좁혀지는지입니다.