The Cost of Intelligence: 대기업 60%가 AI 예산을 넘겼는데 비용과 가치를 함께 재는 곳은 12%
Capgemini가 매출 10억 달러 이상 기업 CXO 500명을 조사했더니 약 60%가 올해 AI 예산을 평균 24% 넘겼습니다. AI 비용과 가치를 대부분 추적하는 곳은 12%였고, 80%는 전체 비용 대비 검증된 가치(AI yield)를 계산하지 못했습니다.
에이전트가 늘수록 AI 청구서는 예산보다 빨리 커지는데, 대부분의 기업은 그 돈이 무엇을 벌어 왔는지 셈하지 못합니다. 쓰는 만큼 통제하려면 사용량 상한, 사람 검토와 재작업까지 넣은 전체 비용, 도입 전 기준선, 이 세 가지를 먼저 갖춰야 합니다.
요약
diginomica의 Chris Middleton이 Capgemini Research Institute 보고서 「The Cost of Intelligence: Governing AI Economics in the Agentic Enterprise」를 풀어 썼습니다. 조사는 2026년 9월, 10개국 13개 업종에서 연 매출 10억 달러 이상 기업의 CXO 500명을 대상으로 했습니다. 질문은 세 갈래입니다. 올해 AI에 예산보다 얼마나 더 썼는지, AI 비용을 어디까지 보고 있는지, 쓴 돈 대비 가치를 계산하는지입니다. 기자는 숫자 사이사이에 Uber, JPMorgan Chase, Cisco 경영진의 발언을 끼워 넣고 자기 해석을 덧붙였습니다.
결과는 지출 쪽으로 기울었습니다. 응답 기업의 약 60%가 올해 AI 예산을 평균 24% 넘겼습니다. 21%는 30% 넘게 초과했습니다. 초과한 기업의 3분의 2는 잉여현금흐름 감소나 재량 지출 삭감 같은 재무 타격을 받았습니다. AI 비용을 걱정하는 CXO는 53%로 지난해 45%보다 늘었습니다. 반면 기업 전체에서 AI 비용과 가치를 대부분 또는 전부 추적하는 곳은 12%였습니다. 80%는 AI yield(검증된 사업 가치를 전체 비용과 견준 값)를 계산하지 못했습니다. 보고서는 에이전트가 대화형 AI보다 토큰을 훨씬 많이 쓴다는 점, 그리고 사람 검토와 재작업 같은 숨은 비용이 운영 모델 안에 묻혀 있다는 점을 원인으로 듭니다. 기자는 여기에 AI 도입 전 기준선이 없으면 어떤 ROI도 세울 수 없다는 주장을 더합니다. 아래에서는 이 흐름을 여섯 가지 메커니즘으로 나눈 뒤 실제로 돌릴 때 필요한 장부와 일정을 붙였습니다.
핵심 메커니즘
Token Intensity: 에이전트는 대화보다 토큰을 몇 자릿수 더 쓴다
무엇인가. 같은 일을 해도 에이전트 방식은 채팅 방식보다 훨씬 많은 토큰(모델이 읽고 쓰는 글자 단위, 과금 단위)을 씁니다. 어떻게 작동하나. 에이전트는 계획, 도구 호출, 결과 확인, 수정을 여러 번 되풀이합니다. 매 단계마다 지금까지의 맥락을 다시 읽기 때문에 입력 토큰이 단계 수만큼 불어납니다. 원문의 예. Capgemini는 Stanford University 등의 연구를 인용해 에이전트 코딩 작업이 코드 채팅·보조보다 약 1,000배 많은 토큰을 쓴다고 봅니다. The Decoder가 8월에 보도한 OpenRouter(여러 모델로 요청을 나눠 보내는 라우팅 서비스) 자료에서는 에이전트 토큰 사용량이 14배로 늘었습니다. Capgemini는 이를 두고 AI의 가장 큰 고객이 AI가 되고 있다고 정리합니다. 기자는 바이브 코딩이 기업 AI의 주요 용도인 만큼, 소프트웨어를 쓰는 값비싼 방법이라고 짚습니다. 언제 문제가 되나. 사람 한 명이 질문 한 번 하던 구조에서 에이전트가 밤새 반복 실행하는 구조로 바뀔 때입니다. 작은 예시(가상). 질문 한 번에 2,000토큰을 쓰던 코드 리뷰를, 30단계를 도는 에이전트로 바꾸면 단계마다 누적 맥락을 다시 읽어 한 건에 수십만 토큰이 됩니다.
Usage Caps: 사용량 상한이 없으면 청구서가 먼저 온다
무엇인가. 에이전트나 팀 단위로 쓸 수 있는 토큰·금액의 상한을 미리 걸어 두는 장치입니다. 어떻게 작동하나. 호출이 모델로 나가기 전에 게이트웨이가 누적 사용량을 확인합니다. 경고선에 닿으면 알리고 상한에 닿으면 멈춥니다. 상한이 없으면 에이전트가 같은 작업을 반복하거나 고리에서 빠져나오지 못해도 막을 장치가 없습니다. 원문의 예. 이름이 공개되지 않은 한 기업은 사용량 상한을 걸지 않아 한 달 AI 청구액이 5억 달러에 이르렀습니다. 기자는 이를 연간 약 60억 달러의 지출 속도로 환산합니다. Uber CTO Praveen Neppalli Naga는 올해 예산을 이미 다 써서 계획을 처음부터 다시 짜야 한다고 말했습니다. JPMorgan Chase의 글로벌 기술 COO 겸 CFO Arvind Joshi는 AI 사용량이 바뀌는 속도가 은행이 다뤄 본 어떤 것과도 다르다고 경고했습니다. 언제 쓰나. 사람이 아니라 에이전트가 호출을 일으키는 모든 업무에 처음부터 겁니다.
Full-cost Visibility: 가장 안 보이는 비용은 모델 청구서 밖에 있다
무엇인가. AI 비용을 모델 사용료만이 아니라 인프라, SaaS, 사람의 검토, 거버넌스, 재작업까지 묶어 보는 관점입니다. 어떻게 작동하나. 월 청구서에 찍히는 것은 직접 비용입니다. 출력 오류를 사람이 확인하는 시간, 틀린 결과를 다시 고치는 시간, 감독 체계를 운영하는 비용은 각 부서 인건비에 흩어져 있어 AI 비용으로 잡히지 않습니다. 원문의 수치. 약 60%의 기업이 AI 비용 전체를 보지 못합니다. 응답자의 절반은 비용을 충분히 보지 못한 채 AI 지출을 승인합니다. 35%는 큰 과제의 비용만, 19%는 눈에 띄는 비용만 추적하고 거버넌스·감독·재작업 같은 간접 비용은 놓칩니다. 사람의 감독, 역량, 업무 흐름 변화를 측정한다는 곳은 51%였는데, 그중 절반가량은 이 비용을 줄이는 데까지 가지 못했습니다. 에너지 비용과 환경 영향을 재는 곳은 28%입니다. 보고서는 가장 안 보이는 비용이 월 모델 청구서가 아니라 운영 모델 안에 있다고 봅니다. 함께 볼 위험. 기자는 이용자가 이미 얻은 효과를 지키려고 오류와 환각 확인을 멈출 수 있다고 경고합니다. 검토 비용을 아끼면 숨은 재작업 비용이 커집니다.
AI Yield: 검증된 가치에서 전체 비용을 뺀 값
무엇인가. AI가 만든 사업 가치 가운데 검증된 몫을, 그 가치를 내는 데 든 전체 비용과 견준 값입니다. 어떻게 작동하나. Capgemini의 별도 자료는 이를 AI Yield = 검증된 사업 가치 - 성공적 수행에 든 전체 비용이라는 식으로 적습니다. 전체 비용에는 모델 사용료, 인프라, SaaS, 사람의 감독, 거버넌스, 재작업이 들어갑니다. 토큰 단가가 아니라 결과 한 건당 비용과 가치를 비교합니다. 원문의 수치. 응답 기업의 80%가 AI yield를 계산하지 못합니다. 언제 쓰나. 과제별 계속·확대·중단을 판단할 때, 모델이나 구조를 바꿀지 결정할 때 씁니다. 단가가 싼 모델로 바꿨는데 재작업이 늘면 yield는 오히려 떨어질 수 있습니다. Capgemini의 권고. 권고는 다섯 가지입니다. 모든 AI 결과의 전체 비용과 가치를 측정할 것, 비용 확대를 막도록 거버넌스를 강화할 것, 비용·품질·신뢰성을 기준으로 AI 업무 흐름을 설계할 것, yield를 높이는 전사 전략을 세울 것, 책임 있는 실험과 가치 실현 문화를 퍼뜨릴 것.
Pre-agent Baseline: 도입 전에 먼저 잰다
무엇인가. AI를 넣기 전에 그 기능이 얼마를 쓰고 무엇을 내고 있었는지 기록해 두는 기준선입니다. 어떻게 작동하나. 도입 전 건당 비용, 처리량, 품질을 같은 정의로 재 두면, 도입 후 값과 바로 비교할 수 있습니다. 기준선이 없으면 올해 에이전트가 한 일과 지난해 사람이 한 일을 견줘도 의미가 없습니다. 원문의 예. 기자는 Capgemini의 권고가 옳지만 실행하기 어렵다고 봅니다. 그리고 빠진 첫 단계로 이 기준선을 듭니다. 그는 AI Journal의 LinkedIn 게시물을 인용해 벤치마크 점수보다 실제 도입, 신뢰성, 경제성이 중요하다는 점도 덧붙입니다. 언제 쓰나. 새 에이전트 과제를 승인하기 전, 대상 업무가 아직 사람 손에 있을 때입니다.
Model Mix: 값싼 open-weight 모델로 옮겨 가는 움직임
무엇인가. 모든 일을 최상위 frontier 모델(가장 성능이 높은 최신 상용 모델)에 맡기지 않고, 일의 성격에 따라 공개 가중치 모델(open-weight, 내려받아 직접 돌릴 수 있는 모델)을 섞어 쓰는 방식입니다. 원문의 수치. CXO의 약 60%가 DeepSeek(중국)이나 Mistral(프랑스) 같은 값싼 open-weight 모델을 더 쓸 계획이라고 답했습니다. 기사는 Anthropic도 상장 신고서에서 이런 이동을 위험 요인으로 적었다고 전합니다. 기자는 이용자가 작은 모델을 자체 환경에서 돌리기 시작하면, 매출로 충당하지 못하는 미국 데이터센터 증설이 멈칫할 수 있다고 봅니다. Cisco의 사장 겸 최고제품책임자 Jeetu Patel은 에이전트가 챗봇보다 훨씬 많은 인프라를 요구한다고 말했습니다. 언제 쓰나. 반복적이고 건수가 많은 일은 open-weight나 업무 특화 모델로, 판단이 복잡하고 틀리면 손해가 큰 일은 frontier 모델로 나눕니다. Capgemini의 별도 자료도 같은 방향으로 라우팅 정책을 기업이 직접 쥐라고 권합니다.
통념과 다른 주장
흔히 이렇게 봅니다AI를 들이는 첫째 목적은 비용 절감이고, 쓰다 보면 비용이 줄어든다고 기대합니다.
저자는 이렇게 봅니다초기 보고서들이 내세운 비용 절감 목표는 빗나갔습니다. AI 지출 자체가 가파르게 늘었습니다. 에이전트는 사실상 벤더 매출로 가는 자동이체처럼 돈을 빨아들입니다.
근거약 60%가 예산을 평균 24% 넘겼고, 비용을 걱정하는 CXO가 45%에서 53%로 늘었습니다. 상한 없이 쓴 한 기업은 한 달에 5억 달러를 냈습니다.
흔히 이렇게 봅니다ROI는 AI를 도입한 뒤 효과를 모아 계산하면 된다고 봅니다.
저자는 이렇게 봅니다도입 전에 그 기능이 얼마를 쓰고 무엇을 냈는지 재 두지 않으면 ROI는 성립하지 않습니다.
근거80%가 AI yield를 계산하지 못하고 12%만 비용과 가치를 대부분 추적합니다. 기자는 올해 에이전트 업무를 지난해 사람 업무와 견주는 것은 무의미하다고 봅니다.
저자가 든 사례
이름 없는 기업: 상한 없이 한 달 5억 달러
| 구분 | 내용 |
|---|---|
| 상황 | 이름이 공개되지 않은 기업이 AI 사용량에 상한을 걸지 않았습니다. |
| 한 일 | 원문에서 밝히지 않음 |
| 결과 | 한 달 AI 청구액 5억 달러. 기자 환산으로 연간 약 60억 달러 속도 |
| 이 노트와의 연결 | Usage Caps. 상한이 없을 때 생길 수 있는 가장 큰 숫자입니다. |
Uber와 JPMorgan Chase: 예산이 속도를 못 따라감
| 구분 | 내용 |
|---|---|
| 상황 | Uber CTO Praveen Neppalli Naga는 올해 AI 예산이 이미 바닥났다고 밝혔습니다. JPMorgan Chase의 Arvind Joshi는 AI 사용량 변화 속도가 전례 없다고 말했습니다. |
| 한 일 | Uber는 계획을 처음부터 다시 짜는 중이라고 말했습니다. 구체적 조치는 원문에서 밝히지 않음 |
| 결과 | 원문에서 수치를 밝히지 않음 |
| 이 노트와의 연결 | Token Intensity와 Usage Caps. 연 단위 예산 주기가 에이전트 사용량 증가 속도를 따라가지 못하는 예입니다. |
Cisco: 에이전트는 인프라를 더 요구함
| 구분 | 내용 |
|---|---|
| 상황 | Cisco 사장 겸 최고제품책임자 Jeetu Patel이 에이전트 시대의 인프라 수요를 언급했습니다. |
| 한 일 | 원문에서 밝히지 않음 |
| 결과 | 에이전트가 챗봇보다 의미 있게 많은 인프라를 필요로 한다는 판단 |
| 이 노트와의 연결 | Full-cost Visibility와 Model Mix. 모델 사용료 밖의 인프라 비용도 전체 비용에 들어가야 합니다. |
기술 디테일: 결과 한 건의 전체 비용을 장부에 올리려면
아래 필드명, 설정값, 기준은 원문에 없는 실행 제안이며 그 안의 숫자는 가상 예시입니다.
모든 모델 호출에 꼬리표를 답니다(Full-cost Visibility). 사내 AI 호출이 모두 지나가는 LLM 게이트웨이(모델 호출을 한곳으로 모으는 중계 서버)를 두고, 호출마다 use_case_id, agent_id, cost_center, model, input_tokens, output_tokens, run_id를 남깁니다. 에이전트 한 번 실행에서 나온 호출은 같은 run_id로 묶어야 결과 한 건의 비용을 셀 수 있습니다. 꼬리표가 없는 호출은 게이트웨이에서 거절합니다. 그래야 35%처럼 큰 과제만 보거나 19%처럼 눈에 띄는 비용만 보는 상태에서 벗어납니다.
상한은 세 층으로 겁니다(Usage Caps). 실행 한 번에는 최대 단계 수(예: 25단계)와 최대 토큰(예: 40만)을 둬 고리에 빠진 에이전트를 끊습니다. 에이전트별로는 일 예산을, 비용 센터별로는 월 예산을 둡니다. 월 예산의 80%에서 담당자에게 알리고, 100%에서는 새 실행을 막되 이미 돌던 실행은 마무리하게 합니다. 상한을 올리려면 사업 쪽 value_owner가 근거를 적어 승인합니다.
결과 단위 장부로 AI Yield를 셉니다. 게이트웨이 비용에 사람 검토 시간, 재작업 시간, 인프라·SaaS 배분액을 더해 결과 한 건의 전체 비용을 만듭니다. 가치는 사업 쪽이 확인한 것만 verified_value에 넣습니다.
{
"outcome_id": "CS-REFUND-2026-11-0042",
"use_case_id": "고객센터-환불심사",
"value_owner": "고객운영 팀장",
"period": "2026-11",
"outcomes_completed": 12000,
"cost": {
"model_usage": 18000,
"infra_saas_alloc": 6000,
"human_review_hours": 400,
"rework_hours": 120,
"loaded_hour_rate": 45,
"governance_alloc": 3000
},
"fully_loaded_cost": 50400,
"baseline_cost_per_outcome": 6.5,
"cost_per_outcome": 4.2,
"verified_value": 42000,
"ai_yield": -8400,
"status": "review"
}이 가상 예시에서 건당 비용은 기준선 6.5에서 4.2로 내려갔습니다. 그러나 사업 쪽이 확인한 가치(실제로 줄어든 외주비 42,000)는 아직 전체 비용 50,400에 못 미칩니다. 건당 비용만 보면 성공한 과제가, 줄어든 시간이 실제 비용 감소로 이어지지 않아 yield로는 적자라는 점이 드러납니다. status는 review, scale, stop 가운데 하나로 두고 분기마다 CFO실이 바꿉니다.
사람 검토를 재는 방법도 정합니다. 검토 화면에서 작업자가 AI 결과를 열어 확정할 때까지 걸린 시간을 자동으로 기록합니다. 수정한 건에는 rework 꼬리표를 붙입니다. 검토율을 낮추고 싶으면 무작위 표본(예: 5%)은 끝까지 사람이 보게 해 오류율을 계속 잽니다. 이용자가 확인을 건너뛰어 숨은 오류가 쌓이는 일을 막기 위해서입니다.
라우팅은 평가 결과로 정합니다(Model Mix). 업무마다 실제 건 200건 정도로 평가 세트를 만들고, frontier 모델과 open-weight 모델을 같은 세트로 돌려 정답률과 건당 비용을 함께 봅니다. 정답률 차이가 2%p 안쪽이면 싼 모델로 보내고, 그보다 크거나 틀렸을 때 손해가 큰 업무는 frontier 모델에 남깁니다. 구조화 출력(고정 JSON 스키마)과 temperature 0을 써야 두 모델을 같은 기준으로 비교할 수 있습니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 꼬리표 없는 호출 | 비용이 ‘기타’로 쌓임 | 게이트웨이에서 꼬리표 없는 요청 거절 |
| 에이전트 고리 | 한 실행이 수백 단계 | 실행당 최대 단계·토큰 상한 |
| 검토 시간 미집계 | 모델 비용만 보고 성공 판정 | 검토 화면에서 시간 자동 기록 |
| 싼 모델 전환 후 재작업 증가 | 단가는 내려가고 yield는 하락 | 평가 세트 재실행, 재작업률을 전환 판단에 포함 |
| 기준선 없음 | 전후 비교 불가 | 도입 전 4주 실측 후에만 과제 승인 |
현업 실행 디테일: 누가, 언제, 무엇을
보고서와 기사는 현황 숫자와 권고 방향을 줍니다. 아래 역할, 일정, 기준은 이를 실행으로 옮길 때를 가정해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| CFO실(AI FinOps 담당) | AI 비용 계정 체계, 결과 단위 장부, 분기 yield 판정 |
| CIO·CTO | LLM 게이트웨이, 꼬리표 규칙, 상한 설정, 평가 세트 운영 |
사업 리더(value_owner) | 도입 전 기준선, 검증된 가치 확인, 상한 증액 승인 |
| 구매·벤더 관리 | 모델·SaaS 계약의 사용량 조건과 단가, 대체 모델 검토 |
| 내부감사 | 승인 없는 지출과 꼬리표 누락 점검 |
준비물. 지난 12개월 AI 관련 청구서(모델 API, 클라우드, SaaS), 운영 중인 AI 과제와 에이전트 목록, 과제별 담당자, 대상 업무의 도입 전 건수와 건당 처리 시간, 검토 인력 단가가 필요합니다.
현장에 물을 것.
- 이번 달 AI 청구서의 몇 퍼센트를 과제 이름으로 나눌 수 있나요?
- 상한이 없는 에이전트나 API 키는 몇 개인가요?
- AI 결과를 사람이 확인하는 데 한 건에 몇 분이 들고, 그 시간은 어느 비용으로 잡히나요?
- 이 과제를 시작하기 전의 건당 비용과 처리량 기록이 있나요?
- 이 과제의 가치를 확인해 줄 사업 쪽 담당자는 누구인가요?
진행 판정 기준(예시). 청구액의 90% 이상이 과제별로 나뉘고, 모든 에이전트에 실행당·월간 상한이 걸리고, 상위 5개 과제에 도입 전 기준선과 yield 장부가 생기면 1단계를 마칩니다. yield가 두 분기 연속 음수이고 실현 경로도 없는 과제는 축소나 중단 후보로 올립니다. 건당 비용은 내려갔는데 검증된 가치가 비어 있으면, 사업 쪽 가치 확인 방식을 다시 정하고 한 분기를 더 봅니다.
AX 적용 제언. 이 조사는 국내 대기업 경영진에게 “AI를 얼마나 쓰나” 대신 “AI에 쓴 1원이 무엇을 벌어 왔나”를 묻게 하는 근거로 쓰기 좋습니다. 첫 손은 에이전트 과제를 늘리기 전에 CFO실과 IT가 함께 AI 비용 장부를 세우는 일입니다. 게이트웨이 꼬리표와 상한은 몇 주면 걸 수 있으며 그 자체로 청구서 폭주를 막습니다. 그다음 상위 과제부터 도입 전 기준선과 yield 장부를 붙입니다. 모델 계약을 갱신할 때는 open-weight 모델 평가 결과를 협상 카드로 씁니다. 예산 주기는 연 단위 대신 분기 단위로 바꿔 사용량 증가 속도에 맞춥니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | diginomica, Chris Middleton, 2026.11.13 (Agentic AI 섹션) |
| 보고서 | Capgemini Research Institute, The Cost of Intelligence: Governing AI Economics in the Agentic Enterprise |
| 조사 | 2026년 9월, 10개국 13개 업종, 연 매출 10억 달러 이상 기업 CXO 500명 |
| 예산 | 약 60% 예산 초과(평균 24%), 21%는 30% 넘게 초과, 초과 기업의 3분의 2가 재무 타격 |
| 우려 | AI 비용 걱정 53%(전년 45%) |
| 가시성 | 전체 비용을 못 보는 곳 약 60%, 가시성 없이 승인 절반, 큰 과제만 추적 35%, 눈에 띄는 비용만 19%, 대부분·전부 추적 12% |
| 가치 | AI yield 계산 못함 80%, 감독·역량·흐름 변화 측정 51%(그중 절반가량은 최적화 못함), 에너지·환경 측정 28% |
| 토큰 | 에이전트 코딩은 코드 채팅·보조 대비 토큰 약 1,000배(Stanford 등 인용), OpenRouter 에이전트 토큰 14배 |
| 모델 | 약 60%가 open-weight 모델(DeepSeek, Mistral) 확대 계획 |
| 사례 | 상한 없이 한 달 5억 달러(연 약 60억 달러 속도), Uber·JPMorgan Chase·Cisco 경영진 발언 |
| 권고 | 전체 비용·가치 측정, 거버넌스 강화, 비용·품질·신뢰성 중심 설계, yield 최적화 전략, 책임 있는 실험 문화 |
| 기자 해석 | 도입 전 기준선이 먼저, 시장은 FOMO와 과열에 끌려 거버넌스가 어렵다 |
핵심 개념
- CXO
- CEO, CFO, CIO처럼 C로 시작하는 최고 경영진을 묶어 부르는 말
- Token
- 모델이 글을 읽고 쓰는 단위. 대부분의 모델 API는 입력·출력 토큰 수로 요금을 매김
- Open-weight model
- 학습된 가중치를 공개해 기업이 내려받아 자체 서버에서 돌릴 수 있는 모델
- Vibe coding
- 사람이 코드를 직접 쓰기보다 AI에게 말로 지시해 코드를 만들게 하는 방식
- Free cash flow
- 잉여현금흐름. 영업으로 번 현금에서 설비 투자를 뺀 뒤 회사가 자유롭게 쓸 수 있는 돈
- FinOps
- 클라우드·AI 사용 비용을 재무와 기술 조직이 함께 보고 통제하는 운영 방식
내 메모
TODO: 내 생각 추가
원문은 diginomica 기사 「AI agents are syphoning cash to vendors, but most enterprises can’t measure the benefits」(Chris Middleton, 2026.11.13)이며, Capgemini Research Institute 보고서 「The Cost of Intelligence」의 조사 결과를 다룹니다. 보고서 본문은 직접 열지 않았습니다. 요약, 핵심 메커니즘의 원문 예와 수치, 통념과 다른 주장, 사례, 원문 사례 표는 기사에 나온 사실을 AX Review가 다시 정리했습니다. AI Yield의 산식 표현과 라우팅 정책 권고는 Capgemini의 별도 자료 「The era of AI Yield: Mastering tokenomics to maximize enterprise value」(2026.10)에서 보강했습니다. 핵심 메커니즘 이름(Token Intensity, Usage Caps, Full-cost Visibility, Pre-agent Baseline, Model Mix)은 이해를 돕기 위해 붙인 것입니다. 게이트웨이 꼬리표, 상한 설정값, JSON 장부, 평가 기준, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했으며 그 안의 업무명과 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.