토큰 만능주의 자본론과 엘리트 영역의 붕괴

토큰이 지능의 단위가 된 시대

AI 생태계는 이상한 신앙을 빠르게 받아들였다. 더 많이 묻는 사람이 더 똑똑해지고, 더 많은 토큰을 태우는 조직이 더 빠르게 앞서간다는 믿음이다. 여기서 토큰은 모델이 문장을 읽고 쓰기 위해 쪼개는 작은 언어 단위다. 기술적으로는 계산량의 단위이고, 경제적으로는 비용의 단위다. 문제는 이 단위가 어느 순간 지능의 단위처럼 취급되기 시작했다는 점이다.

SNS와 스타트업 문화는 이 믿음을 부추긴다. "수억 토큰을 태워 제품을 만들었다", "AI 에이전트 수십 개를 돌려 하루 만에 프로토타입을 뽑았다", "개발자보다 토큰 예산이 중요하다"는 식의 말이 능력의 증거처럼 유통된다. 과거에는 밤샘 노동과 커피잔이 창업자의 훈장이었다면, 지금은 API 청구서와 사용량 그래프가 새로운 훈장이 되었다.

물론 이 현상은 완전히 허상만은 아니다. 실제 기업들은 AI 사용량이 늘어나며 토큰 비용을 통제해야 하는 문제에 직면하고 있다. 대형 조직에서 AI 코딩 예산이 예상보다 빨리 소진되거나, 개발자용 AI 도구 라이선스가 회수되거나, 계약 갱신 비용이 몇 배로 뛰는 사례가 보고되고 있다. 이 때문에 AI 토큰 사용량을 클라우드 비용처럼 관리해야 한다는 논의까지 등장했다¹. 토큰은 상징이 아니라 실제 비용이다.

그러나 비용이 실제라는 사실과, 비용을 많이 쓴 사람이 더 뛰어나다는 주장은 전혀 다르다. 이 둘을 구분하지 못하는 순간 '토큰 경제학'은 분석 도구가 아니라 자본 숭배가 된다.

AI 생성 이미지

인지 인프라의 양극화

프리미엄 AI 모델은 더 긴 문맥을 처리하고, 더 복잡한 추론을 수행하며, 더 나은 코딩 보조 능력을 제공한다. 그래서 접근권 자체가 새로운 인지 인프라가 된다. 과거의 인프라가 도서관, 연구실, 서버, 장비였다면 지금의 인프라는 고성능 모델, 긴 컨텍스트, 넉넉한 사용량, 빠른 응답 속도다.

모델 가격도 이 격차를 눈에 보이게 만든다. 고급 모델과 경량 모델은 같은 'AI'라는 이름을 달고 있지만, 입력과 출력 토큰당 비용이 크게 다르다. 어떤 모델은 저렴한 실험을 가능하게 하지만, 최상위 모델은 훨씬 높은 비용을 요구한다. 특히 출력 토큰 비용은 입력보다 비싼 경우가 많아, 긴 코드 생성이나 반복 수정이 누적되면 비용은 빠르게 불어난다².

상위 대학이나 자본이 풍부한 조직이 학생, 연구자, 직원에게 프리미엄 AI 접근권을 제공하면 그 구성원은 더 많은 실험 기회를 갖는다. 반대로 개인 빌더나 재정이 약한 학교의 학생은 무료 사용량 제한, 낮은 모델 성능, 짧은 문맥 길이 안에서 작업해야 한다. Anthropic 같은 AI 기업도 교육기관 전체에 AI를 연결하는 방식, 즉 학생·교직원·연구자를 포괄하는 제도적 도입 모델을 제시하고 있다³. 이는 AI가 개인 앱을 넘어 교육 인프라로 이동하고 있음을 보여준다.

따라서 토큰 격차는 현실이다. 이것을 무시하면 안 된다. 같은 과제를 놓고 한쪽은 수십 번 실험하고, 다른 쪽은 하루 몇 번의 질문만 던질 수 있다면 출발선은 같지 않다. AI 접근성은 이제 단순한 편의가 아니라 사고 훈련의 환경이다.

하지만 여기서 질문이 바뀌어야 한다. 접근권의 격차가 있다는 사실이 곧 최종 실력의 격차를 설명하는가? 더 많은 토큰이 항상 더 나은 판단을 낳는가? 이 책은 바로 그 지점에서 출발한다.

평균의 세계에서는 양이 통한다

토큰 만능주의가 강력한 이유는 그것이 많은 경우에 실제로 맞기 때문이다. 특히 초보자와 중급자에게는 더 많은 사용량이 성과를 앞당긴다.

초보자는 무엇을 모르는지조차 모른다. 그래서 AI에게 많이 물어보는 것만으로도 시행착오의 폭이 줄어든다. 오류 메시지를 붙여 넣고, 설명을 다시 요구하고, 예시 코드를 받아보고, 다른 방식으로 고쳐보는 과정은 분명 도움이 된다. 혼자라면 며칠 걸릴 문제를 몇 시간 만에 통과하기도 한다.

중급자에게도 양은 유효하다. 이미 기본 개념을 알고 있는 사람은 AI가 제안한 답을 어느 정도 비교할 수 있다. 여러 대안을 생성하게 한 뒤 그중 덜 나쁜 것을 고르는 능력도 있다. 이 단계에서는 토큰이 탐색 공간을 넓혀준다. 더 많이 시도하면 더 빨리 배운다. 더 많이 물어보면 더 많은 패턴을 본다.

이 영역에서 자본은 분명한 우위를 만든다. 사용 제한이 없는 사람은 겁 없이 실험한다. 실패해도 다시 묻는다. 반면 제한된 사람은 질문 하나를 아껴야 한다. 이런 차이는 학습 속도, 프로토타입 속도, 심리적 부담에 영향을 준다. 평균의 세계에서 토큰은 경험을 사는 화폐다.

그러나 이 논리는 특정 수준을 넘는 순간 깨진다. 양이 통하는 구간과 양이 독이 되는 구간은 다르다. 초보자에게는 반복 질문이 학습이지만, 엘리트 빌더에게 반복 질문은 종종 설계 실패의 증상이다.

토큰 낭비는 지능이 아니라 판단 부재다

토큰 낭비란 단순히 많은 토큰을 쓰는 것이 아니다. 많은 토큰을 쓰고도 구조가 선명해지지 않는 상태다. 같은 질문을 표현만 바꿔 반복하고, AI가 만든 코드를 이해하지 못한 채 붙여 넣고, 에러가 나면 다시 전체 파일을 던지는 방식이다. 이때 토큰은 사고를 증폭하지 않는다. 사고의 빈자리를 가린다.

가장 위험한 장면은 AI가 그럴듯한 답을 계속 내놓을 때다. 답이 끊기지 않기 때문에 사용자는 자신이 전진하고 있다고 느낀다. 하지만 내부 구조는 조금씩 무너진다. 같은 기능을 담당하는 코드가 여러 곳에 생긴다. 이름 규칙이 흔들린다. 데이터 흐름이 꼬인다. UI 컴포넌트는 세션마다 다른 철학으로 작성된다. 처음에는 빠른 프로토타입처럼 보이지만, 시간이 지나면 작은 수정 하나에도 전체가 흔들리는 기술 부채가 된다.

기술 부채는 나쁜 코드 몇 줄이 아니다. 미래의 모든 변경 비용을 오늘의 무지로 떠넘기는 행위다. AI는 이 부채를 더 빠르게 만들 수 있다. 왜냐하면 AI는 사용자가 요구한 국소 문제를 해결하는 데 능하지만, 사용자가 명시하지 않은 전체 설계 원칙을 자동으로 지켜주지는 않기 때문이다.

그래서 "수억 토큰을 썼다"는 말은 두 가지로 해석될 수 있다. 하나는 복잡한 문제를 해결하기 위해 정당한 탐색 비용을 지불했다는 뜻이다. 다른 하나는 판단 기준 없이 헤매며 거대한 쓰레기 더미를 만들었다는 뜻이다. 엘리트 영역에서는 두 번째 가능성을 먼저 의심해야 한다.

엘리트 빌더의 전환점

엘리트 빌더의 세계에서는 승부의 단위가 바뀐다. 토큰 총량이 아니라 사전 시뮬레이션의 밀도, 문제 분해의 정확도, 아키텍처 판단력이 핵심 변수가 된다.

엘리트 빌더는 AI를 켜기 전에 이미 많은 일을 끝낸다. 만들 기능의 책임 범위를 나눈다. 데이터가 어디서 생기고 어디로 흘러야 하는지 그린다. 바뀌면 안 되는 규칙과 바뀌어도 되는 부분을 구분한다. 어떤 컴포넌트가 독립되어야 하고, 어떤 의존성이 금지되어야 하는지 정한다. 이 과정은 화면에 보이지 않는다. 토큰도 거의 쓰지 않는다. 그러나 실제 품질의 대부분은 여기서 결정된다.

이것이 이 책에서 말하는 인지 증폭의 출발점이다. AI는 사유를 대체하는 기계가 아니라, 이미 정렬된 사유를 확대하는 기계다. 입력이 흐리면 AI는 흐린 출력을 빠르게 늘린다. 입력이 날카로우면 AI는 날카로운 출력을 빠르게 구현한다. 같은 모델을 써도 결과가 달라지는 이유가 여기에 있다.

엘리트 빌더는 AI에게 "로그인 기능 만들어줘"라고 던지지 않는다. 먼저 인증의 책임 경계, 세션 관리 방식, 실패 처리, 보안 제약, UI 상태, 테스트 기준을 분리한다. 그런 다음 AI에게 좁고 명확한 단위를 맡긴다. 이때 프롬프트는 소원이 아니라 설계 명령이 된다. AI는 자유롭게 헤매는 생성기가 아니라, 정해진 구조 안에서 빈칸을 채우는 실행 장치가 된다.

이 전환점에서 토큰 격차의 의미도 달라진다. 초보자에게 토큰 부족은 학습 기회의 부족이다. 하지만 엘리트에게 토큰 부족은 종종 집중의 조건이 된다. 질문 횟수가 적으면 먼저 생각해야 한다. 출력이 제한되면 더 정확히 요구해야 한다. 비용이 부담되면 구조를 압축해야 한다. 제한은 약점이지만, 훈련된 사람에게는 판단을 날카롭게 만드는 압력으로 바뀔 수 있다.

AI는 자본의 확성기인가, 사유의 증폭기인가

이 책의 핵심 질문은 단순하다. AI는 자본의 확성기인가, 아니면 사유의 증폭기인가.

자본의 확성기로 쓰일 때 AI는 이미 가진 격차를 키운다. 돈이 많은 조직은 더 좋은 모델을 더 오래 돌린다. 더 많은 실패를 감당한다. 더 빠르게 사람을 대체하거나 보조한다. 이 현실은 불편하지만 부정할 수 없다.

그러나 사유의 증폭기로 쓰일 때 AI는 다른 질서를 만든다. 중요한 것은 얼마나 많이 출력했느냐가 아니라, 무엇을 출력하지 않도록 막았느냐다. 얼마나 많은 코드를 생성했느냐가 아니라, 어떤 의존성을 금지했느냐다. 얼마나 긴 대화를 나눴느냐가 아니라, 첫 질문 전에 문제를 얼마나 정확히 나눴느냐다.

앞으로의 장들은 이 긴장을 추적한다. 토큰 비용의 구조를 살피고, 왜 평균 사용자에게 양이 통하는지 설명한다. 그다음 스포츠 과학의 심적 시뮬레이션, 역사적 천재들의 사고 실험, 바이브 코딩의 기술 부채, 엘리트 빌더의 문제 분해 워크플로우를 하나의 구조로 연결한다.

결론은 미리 정해져 있지 않다. 많은 토큰은 때로 강력한 무기다. 그러나 많은 토큰이 곧 높은 지능이라는 믿음은 위험하다. AI 시대의 진짜 격차는 청구서의 크기만으로 설명되지 않는다. 더 깊은 격차는 프롬프트를 쓰기 전, 머릿속에서 이미 문제를 얼마나 정확히 실행해 보았는가에서 갈린다.

참고

¹The token bill comes due: Inside the industry scramble to manage AI's runaway costs

²LLM API Pricing Comparison (2025): OpenAI, Gemini, Claude

³Education | Claude by Anthropic