토머스 에디슨이 뉴욕 맨해튼 펄 스트리트에 상업 발전소를 연 것은 1882년이었습니다. 그는 전기를 팔았습니다. 사업주들은 에디슨의 전기를 구매했습니다. 당시 경쟁자는 가스등 회사였고, 에디슨은 더 밝고 더 안전한 전기를 '제품'으로 내세웠습니다. 50년이 지나자 전기는 제품이 아니라 인프라가 됐습니다. 어느 회사 전기를 구독할지 고민하는 사람은 사라졌습니다.

기술 평론가 존 그루버가 다링파이어볼에 올린 에세이가 이 질문을 다시 꺼냅니다. AI는 팔리는 제품인가, 아니면 모든 것 안에 녹아드는 기술 레이어인가. 이 질문의 답에 따라, 지금 당신의 AI 구독 전략은 전혀 다른 방향을 가리킵니다.

시장이 이미 보내는 신호들

2026년 AI 도구 시장의 윤곽을 보면 수렴의 조짐이 있습니다. OpenAI는 ChatGPT를 월 20달러에 팝니다. Anthropic의 Claude는 비슷한 가격대에 운영됩니다. Google Gemini와 Microsoft Copilot도 유사한 범위에서 경쟁합니다. 2023년에 비해 모델 간 기능 격차는 좁아졌습니다. 한 업체가 새 기능을 내놓으면 경쟁사들이 수주 안에 따라옵니다.

통합의 방향도 눈에 띕니다. Apple Intelligence는 iOS와 macOS 안으로 들어왔습니다. 별도 구매 없이 이미 손에 쥔 기기에 탑재됩니다. Microsoft는 오피스 365 구독에 Copilot을 얹었고, Google은 Workspace에 Gemini를 통합했습니다. 이 기업들이 AI를 독립 제품으로 팔았다면 별도 앱으로 출시했을 것입니다. 실제로는 기존 제품의 기능으로 흡수됐습니다.

그루버의 논점이 여기서 나옵니다. 1990년대 말 미국에서 AOL과 CompuServe가 인터넷 접속 서비스를 유료로 팔았습니다. 두 회사 모두 한때 막대한 구독자를 가졌습니다. 지금 AOL을 쓰는 사람은 거의 없습니다. 인터넷이 인프라로 수렴하면서 접속 서비스 자체의 차별화 가치가 사라졌기 때문입니다. AI가 같은 경로를 밟는다면, 지금의 AI 구독 서비스들도 비슷한 과정을 거칠 수 있습니다.

그러나 이 비유에는 구멍이 있습니다

이 관점을 그대로 받아들이기는 어렵습니다. 반론이 여럿 있고, 그중 일부는 상당히 설득력이 있습니다.

가장 강한 반론은 현재의 모델 격차입니다. 전기는 어느 발전소에서 나오든 물리적으로 같은 전기입니다. AI 모델은 그렇지 않습니다. 추론 능력, 긴 맥락 처리, 코드 생성 정확도, 특정 도메인 전문성에서 플랫폼마다 차이가 납니다. 각사의 최신 모델을 실제 업무에 써본 사람이라면 그 차이를 체감합니다. '어떤 모델을 쓰느냐'가 결과물의 질에 영향을 미치는 한, AI는 아직 상당 부분 제품입니다.

전기 인프라가 성립하는 데 수십 년이 걸렸다는 점도 반론의 근거입니다. 에디슨의 발전소 이후 직류(DC)와 교류(AC) 사이의 표준화 전쟁이 있었고, 그 뒤로 규제 정비와 대규모 비용 하락이 차례로 따라왔습니다. AI가 인프라로 수렴하기까지 비슷한 기간이 필요하다면, 지금 '제품처럼 구매하는' 방식도 상당 기간 유효합니다.

수익 모델도 다릅니다. 전기는 킬로와트시 단위로 계량됩니다. 공급자와 무관하게 같은 1킬로와트시입니다. AI 서비스는 이와 다릅니다. 특정 모델의 추론 능력, 응답의 창의성, 맥락 이해의 깊이가 각기 다르고, 그 차이가 경쟁의 근거가 됩니다. 균일하게 계량될 수 없는 서비스가 완전한 인프라가 되기는 쉽지 않습니다.

지금 이 논쟁에서 꺼낼 수 있는 것

논쟁의 결론이 어느 쪽으로 기울든, 1인 사업자와 소규모 팀에게 지금 적용할 수 있는 판단 기준이 있습니다.

구독 도구를 자주 교체하는 것이 생산성을 올리지는 않습니다. AI 도구 리뷰 콘텐츠가 쏟아지면서 더 좋은 도구를 찾아다니는 피로가 생겼습니다. 그러나 현재 도구를 업무 흐름에 어떻게 통합할 것인지가 더 오래 유효한 질문입니다. AI가 기술 레이어로 수렴해간다면, 지금 쌓아야 할 자산은 특정 도구에 대한 숙련보다 도구를 활용하는 자신의 작업 방식과 판단 기준입니다.

플랫폼 의존 리스크도 점검할 필요가 있습니다. 프롬프트 구조, 작업 흐름, 산출물 포맷을 특정 서비스에 종속되지 않는 형태로 유지하면, 시장 환경이 바뀌어도 이식이 가능합니다. 지금 쓰는 AI 서비스가 내년에 가격 정책을 바꾸거나 경쟁사에 인수될 수 있습니다. 그때 함께 잃어버리지 않아야 할 것이 무엇인지를 미리 정해두는 것입니다.

한국 실무 맥락에서 더 현실적인 문제는 '구독했지만 안 쓰는' 상태입니다. AI 도구를 구매하면 그 자체로 완결된 것처럼 느껴집니다. 기술 레이어를 도입하면 통합 설계가 뒤따라야 합니다. 어느 업무의 어느 단계에 AI를 쓸 것인지, 어떤 출력을 어떻게 검토할 것인지를 정하는 일입니다. 이 설계 없이는 구독이 쌓일수록 실무와 도구 사이의 간극도 함께 커집니다.

그리고 이 설계를 잘 하는 사람과 그렇지 않은 사람의 차이는, 어떤 AI 도구를 구독하느냐에서 오지 않습니다. AI 시대에 기술 숙련보다 더 오래 남는 것이 있다면, 그것은 기술을 자신의 일에 어떻게 통합할지를 판단하는 능력입니다. 그 판단 능력을 키우는 경로는 새 도구 탐색보다 현재 도구의 깊은 활용에서 열립니다. 도구를 활용하는 자신 고유의 태도와 작업 방식은, 도구를 바꾸어도 이식됩니다.

전기가 인프라가 되던 시절 살아남은 기업들이 공통으로 한 것은 전기를 소유하거나 가장 빨리 구매한 것이 아니었습니다. 포드는 전기 모터를 공장 라인에 통합해 생산 비용을 낮췄습니다. 그 시절 수많은 공장주들도 전기를 자신의 제조 과정에 맞게 활용하는 방법을 찾아냈습니다. AI가 기술 레이어로 자리잡는 시간이 10년이든 20년이든, 그 사이에 축적되는 것은 특정 도구에 대한 구독 이력이 아닙니다.