4개월 만에 연간 AI 예산이 바닥났다는 보고를 받아든 것은 우버 경영진도 예상하지 못한 일이었습니다. 올해 초, 회사는 직원들에게 AI 도구를 자유롭게 사용하라고 독려하는 정책을 시행했습니다. 생산성 도약을 기대했던 그 정책이 격려에서 제한으로 전환되는 데 걸린 시간이 채 한 계절도 되지 않았습니다. 이 빠른 반전이 무엇을 드러내는지, 들여다볼 필요가 있습니다.

"마음껏 써도 됩니다"가 청구서로 돌아왔습니다

2026년 초, 우버는 GitHub Copilot, ChatGPT를 비롯한 AI 생산성 도구를 회사 비용으로 자유롭게 사용하도록 직원들에게 독려하는 정책을 시행했습니다. 이 방향이 낯설지는 않습니다. 마이크로소프트, 구글, 세일즈포스 같은 글로벌 기술 기업들이 비슷한 기조 아래 AI 도구 전사 지원을 선언해 왔습니다. 생산성을 높이고, 반복 업무를 자동화하고, 더 많은 시간을 고부가가치 작업에 쓸 수 있도록 AI에 투자한다는 논리입니다. 기업들은 앞다퉈 "우리는 AI 도입에 적극적이다"라는 신호를 직원과 투자자 모두에 보내고자 했습니다.

우버가 특별했던 것은 그 결과가 빠르게 숫자로 나타났다는 점입니다. 공개된 정보에 따르면, 회사가 연간 기준으로 설정했던 AI 예산이 4개월 만에 소진됐습니다. 정확한 초과 금액은 알려지지 않았습니다. 다만 전 세계 수만 명 규모의 직원을 두고 있는 기업이라는 점을 고려하면, 월정액 구독보다 API 사용료가 빠르게 불어났을 가능성이 높습니다. 코딩 보조, 문서 요약, 데이터 분석 등에 쓰이는 API 비용은 사용량에 비례해 청구됩니다. 개인당 사용량이 두 배가 되면 총 비용도 두 배가 됩니다. 수만 명이 동시에 적극적으로 쓰기 시작하면, 청구액이 얼마나 빠르게 쌓이는지는 계산하기 어렵지 않습니다.

우버는 이 상황을 확인한 뒤 직원별 AI 사용 한도를 설정하는 방식으로 정책을 수정했습니다. 장려에서 통제로의 전환, 그 사이에 걸린 시간이 4개월이었습니다.

비용을 쓰는 사람과 책임지는 사람이 달라지면

이 상황을 들여다보면 하나의 패턴이 보입니다. "회사 비용으로 마음껏 쓰라"는 정책은 합리적 자원 배분 판단을 직원 각자에게 넘깁니다. 개인 입장에서는 회사 비용이니 아껴야 할 이유가 없습니다. 쓰지 않으면 손해라는 인식이 자연스럽게 생깁니다. 이 도구가 실제로 내 업무를 얼마나 개선하는지와 무관하게, '있으니까 쓴다'는 사용 패턴이 굳어집니다.

사업과 재무를 하나의 흐름으로 보는 시각에서 이런 상황을 분석하면, 문제는 비용이 발생하는 지점과 그 비용을 책임지는 지점이 분리돼 있다는 데 있습니다. 지출이 어디서 어떻게 발생하는지를 파악하고 그 흐름을 미리 설계하는 능력은, 수익을 늘리는 것과 동등한 중요성을 갖습니다. 예산을 쓰는 사람이 그 결과를 직접 책임지지 않을 때, 지출은 최적 수준을 넘어서는 경향이 있습니다. 법인 카드 사용처에 제한을 두지 않으면 업무와 무관한 지출이 쌓이는 것과 비슷합니다. 우버는 그 규모가 훨씬 컸고, AI 비용은 사용량 비례 과금이라는 특성상 증폭 속도가 더 빠르게 나타났습니다.

여기서 주목할 지점은, 우버가 처음부터 사용 용도와 부서별 한도를 함께 설정했다면 이 상황을 피할 수 있었을 것이라는 점입니다. "마음껏 쓰라"는 격려와 "이 범위 안에서 쓸 수 있다"는 기준은 동시에 공존할 수 있습니다. 전자만 있고 후자가 없었던 것이 4개월 만에 정책 전환을 초래한 직접적인 원인이었을 것입니다. 처음부터 용도별 가이드라인을 제공했다면, 직원들도 한도 안에서 더 목적 있는 방식으로 도구를 사용했을 가능성이 있습니다.

한도 설정이 오히려 조직의 AI 학습을 늦출 수 있습니다

그러나 우버의 한도 설정을 단순히 합리적 조치로 받아들이기에는 성급한 면이 있습니다. 반대 시각도 구체적으로 검토해 볼 필요가 있습니다.

AI 도구는 써봐야 제대로 배울 수 있습니다. 처음 접하는 사람이 적절한 프롬프트를 구성하고, 도구의 특성을 이해하고, 자신의 업무 방식에 맞게 조정하는 데는 시간과 경험이 필요합니다. 초기부터 비용 한도를 두면 직원들은 새로운 도구를 시험해 보기 전에 먼저 "이게 내 한도를 쓸 가치가 있는가"를 계산하게 됩니다. 실험이 줄어들면 학습도 줄어듭니다. 도구를 써본 경험이 쌓여야 팀 전체의 AI 활용 방식이 정교해지는데, 그 경험의 밀도가 낮아지면 조직 역량의 성장이 더뎌질 수 있습니다.

일부 기업들은 이 점을 고려해 초기 2~3개월은 의도적으로 제한 없이 사용을 허용하고, 그 기간 동안 수집한 사용 데이터를 바탕으로 팀별·역할별 한도를 설정합니다. 실제로 어떤 도구를 어느 팀이 얼마나 사용하는지를 먼저 파악하고 나서 기준을 세우는 방식입니다. 우버가 4개월 만에 일괄 한도 설정으로 전환했다면, 앞으로 직원들의 AI 도구 숙련도 성장에 영향이 생길 수 있습니다.

한 가지 더 짚을 것은, 예산 초과가 반드시 낭비를 의미하지는 않는다는 점입니다. 4개월 동안의 AI 사용이 실제 업무 효율에 어느 정도 기여했는지를 측정하지 않은 채 비용만 보고 한도를 설정했다면, 조직은 지출은 줄이되 그에 따른 생산성 향상도 함께 제한하는 선택을 한 것일 수 있습니다. 투자 대비 효과를 따지지 않은 비용 삭감은, 절약인지 기회 비용의 포기인지 구분하기 어렵습니다. 저는 우버가 이 부분을 충분히 따졌는지 확인할 방법이 없지만, 이 물음 자체가 AI 도구 지출을 검토하는 모든 조직에 필요한 질문이라고 말하고 싶습니다.

지금 구독 중인 AI 서비스를 한번 꺼내보십시오

우버의 이번 사례는 대기업 이야기처럼 보이지만, 한국의 1인 사업자나 소규모 팀에게도 직접 적용되는 지점이 있습니다.

ChatGPT Plus, Claude Pro, Perplexity Pro, Notion AI, GitHub Copilot… 자신이 구독 중인 AI 서비스 목록을 한 번 작성해 보십시오. 각각의 월정액을 더하면 한 달에 얼마가 나오는지 계산해 보십시오. 서비스마다 월 2~4만 원 수준이지만, 네댓 개를 합산하면 10~15만 원 이상이 되는 경우가 드물지 않습니다. 그리고 그 가운데 지난 한 달 동안 실제로 매주 사용한 서비스가 몇 개인지를 확인해 보십시오. 로그인 기록이나 앱 사용 이력을 보면 금방 드러납니다. 유용해 보여 구독했지만 실제로는 한 달에 한두 번 여는 서비스가 하나씩 끼어있을 가능성이 높습니다.

API를 직접 사용하는 분들이라면 지출 알림 설정이 특히 유용합니다. OpenAI, Anthropic, Google Cloud 모두 월별 또는 일별 사용 한도를 미리 설정하는 기능을 제공합니다. 한도를 설정해 두지 않으면, 자동화 스크립트 하나가 예상보다 많은 토큰을 처리했을 때 청구서를 받고 나서야 알게 됩니다. 우버가 4개월 뒤에 발견한 것을, 개인은 한 달 이내에 훨씬 작은 규모로 경험할 수 있습니다. 사전에 알림을 설정해 두는 것만으로 이 상황을 예방할 수 있습니다.

구독 서비스와 API 사용 외에도 점검할 항목이 있습니다. 지금 쓰는 AI 도구가 실제로 내 업무 시간을 얼마나 줄여주는지를 따져보는 것입니다. "유용하다"는 막연한 느낌과 실제로 절약된 시간 사이에는 차이가 있을 수 있습니다. 월 3만 원짜리 서비스가 한 달에 한 시간을 절약해 준다면, 그 시간의 가치가 3만 원을 넘는지를 계산해볼 필요가 있습니다. 한 분기에 한 번 정도 이 점검을 해두면, 습관적 구독이 조용히 쌓이는 것을 막을 수 있습니다.

무제한으로 권장하면 지출이 빠르게 늘어납니다. 한도를 두면 학습이 느려질 수 있습니다. 이 사이 어딘가에 자신에게 맞는 균형점이 있습니다. 그 균형점을 찾는 시작은, 어떤 도구에 얼마를 쓸지를 사용하기 전에 결정해 두는 것입니다. 목적을 먼저 정하고, 그에 맞는 도구를 고르고, 사용량 상한을 미리 설정해 두는 순서입니다. 이 순서를 뒤집으면, 우버처럼 4개월 뒤에 한도를 다시 설정하게 됩니다.