오픈AI, 프론티어 기업 토큰격차 8.3배로 확대 공개

오픈AI가 이번에 공개한 지표는 2025년 4월을 기준값 1배로 놓고, 이후 매달 활성 사용자 1명이 만들어내는 출력 토큰량을 지수로 추적한 값이에요. 2026년 6월 기준으로 프론티어 기업은 17.1배, 일반 기업은 2.1배까지 올라갔고, 두 수치를 나누면 8.3배라는 격차가 나와요. 오픈AI는 이 차이를 단순한 사용량 증가가 아니라 에이전트를 회사 맥락과 도구에 연결하고, 더 무거운 일을 맡기고, 성공한 워크플로를 반복 가능하게 만드는 운영 방식의 변화로 짚었어요.

오픈AI는 이 흐름을 보여주는 사례로 세 스타트업을 들었어요. 회계법인용 AI 에이전트를 만드는 베이시스(Basis), 영업·마케팅 조직을 위한 자동화 엔진을 만드는 클레이(Clay), AI 에이전트용 웹 검색 인프라를 만드는 엑사랩스(Exa Labs)예요. 업종은 다르지만 접근 방식은 닮아 있어요 — 먼저 안정적인 절차를 에이전트에게 가르치고, 업무가 바뀔 때마다 맥락을 계속 붙여주고, 마지막에는 기회를 검증된 실행으로 옮기게 하는 순서예요.

베이시스: 온보딩을 가르칠 수 있는 절차로 만들다

베이시스에서는 신입사원 첫날 온보딩이 예전에는 2시간 걸렸는데, 지금은 30분이면 끝나요. 출근 첫날 직원은 코덱스(Codex)와 회사 전용 온보딩 스킬에 곧바로 접근할 수 있고, 코덱스가 직접 환영 인사를 건네고 핵심 개념을 소개한 뒤 백그라운드에서 계정 연동 같은 설정 작업을 처리해요. 반복되는 질문이나 예외 상황이 생기면 인사팀이 다음 기수를 위해 스킬 내용을 바로 고칠 수 있고요. 온보딩이 한 사람의 일정에 매달리지 않으면서도, 예외적인 질문에는 사람이 여전히 개입하는 구조예요.

클레이: 흩어진 영업 맥락에 거처를 만들다

클레이가 다루는 문제는 익숙해요 — 거래에 필요한 맥락이 CRM, 이메일, 슬랙, 통화, 프레젠테이션, 문자, 내부 팀과의 대화에 흩어져 있다는 점이죠. 클레이의 한 GTM 엔지니어는 계정마다 상시 작업공간과 전담 서브에이전트를 두는 방식을 시도했어요. 서브에이전트가 밤사이 1차 자료를 훑어 거래 폴더를 갱신하고, 아침이면 조정 에이전트가 그 갱신 내용을 우선순위 목록으로 정리해줘요. 클레이에 따르면 이 워크플로 덕분에 매일 밤 받은편지함을 정리하는 데 쓰던 시간이 하루 약 한 시간 줄었고, 추천 근거가 항상 1차 자료와 함께 붙어 있어서 영업 담당자가 실행 전에 근거를 직접 확인할 수 있어요.

엑사랩스: 발견한 기회를 검증된 실행으로 옮기다

AI 에이전트용 검색 API를 만드는 엑사랩스는 "Exa everywhere"라는 목표를 세우고, 개발자가 있는 곳이면 어디든 자사 API가 붙어 있게 만들려고 해요. 예전에는 개발자 관계팀과 계정팀이 저장소와 생태계를 직접 살펴 유망한 통합 기회를 찾아야 했는데, 지금은 코덱스가 우선순위가 높은 통합 기회를 상시 모니터링하고, 관련 맥락을 모으고, 풀 리퀘스트를 만들고, 테스트를 돌린 뒤 슬랙·노션 자료를 바탕으로 주간 업데이트를 준비해요. 필요하면 발표문 초안까지 작성해 팀이 검토하도록 넘기고요. 다만 어떤 기회가 중요한지, 어떤 약속을 할지, 외부 관계를 어떻게 관리할지는 여전히 사람이 결정해요.

세 사례가 공유하는 구조

회사	에이전트가 맡은 일	맥락을 어디서 얻나	사람이 개입하는 지점
베이시스	신입 온보딩 안내·계정 연동	회사 전용 온보딩 스킬	예외 질문·스킬 수정
클레이	거래 맥락 정리·우선순위 제시	CRM·이메일·슬랙·통화 기록	실행 전 근거 확인
엑사랩스	통합 기회 발굴·PR 작성·테스트	저장소·슬랙·노션	배포 전 검토·승인

세 회사 모두 예외 상황이 생길 때마다 그걸 다음 실행을 다듬는 재료로 써요. 베이시스는 반복되는 예외 질문으로 스킬을 고치고, 클레이는 새 계정 활동과 영업 담당자의 검증으로 맥락을 최신 상태로 유지하고, 엑사랩스는 테스트 결과와 사람 검토로 다음 실행의 경계를 좁혀가요.

기업이 지금 해볼 수 있는 것

오픈AI는 이 흐름에서 리더들이 참고할 여섯 단계를 제시했어요. 성과가 뚜렷하고 반복 빈도가 높은 업무 하나를 고르고, 그 업무의 목표와 측정 기준(주기·품질·비용·리스크)을 정하고, 에이전트가 언제 일을 시작하고 언제 멈춰 사람에게 검토를 넘겨야 하는지 정의하고, 에이전트를 둘러싼 사람들의 역할(사업 성과·접근 권한·도입 책임)을 명확히 하고, 실험을 스킬이나 플러그인, 공유 워크스페이스로 다시 포장해 재사용하고, 성공한 운영 패턴을 다음 업무로 옮기는 순서예요. 오픈AI는 도입 6개월이 지난 시점에서 초년차 직원이 임원보다 주당 13개 더 많은 메시지를 챗GPT에 보냈다는 자체 리서치 결과도 함께 제시하면서, 실험할 여유를 주는 게 오히려 성과로 이어진다는 점을 강조했어요.

앞서 오픈AI가 챗GPT 워크, 미팅 브리핑부터 전략덱까지 사내 시연 공개라는 튜토리얼로 영업·마케팅·전략 업무에 워크 모드를 붙이는 법을 보여준 것도 같은 흐름 위에 있어요.

에디터의 시선

이 격차 발표는 단순한 현황 보고가 아니에요. 오픈AI가 프론티어 기업이 8.3배 더 많은 토큰을 쓴다고 말할 때, 그건 곧 코덱스·워크 구독료도 그만큼 늘어난다는 뜻이거든요. 그래서 이번 발표는 "에이전트를 업무 맥락에 깊이 연결하라"는 제품 전략과 정확히 맞물려 있어요. 오픈AI가 사례로 든 세 스타트업 모두 코덱스나 챗GPT를 핵심 실행 도구로 쓰고 있다는 점도 우연이 아니에요.

오래전 ERP·CRM 도입기를 지켜본 사람이라면 이 패턴이 낯설지 않아요. 초기에는 소수 부서만 시스템을 깊이 쓰고 나머지는 표면적으로만 만졌는데, 몇 년이 지나면 그 격차가 조직 경쟁력의 격차로 이어졌어요. 에이전트 도입도 같은 곡선을 그리고 있는 것으로 보여요 — 다만 이번엔 그 속도가 훨씬 빨라서, 반년 만에 격차가 세 배로 벌어졌다는 점이 다르죠.

국내 기업이 참고할 만한 실무 기준선은 이거예요. 토큰 사용량 자체를 KPI로 삼지 말고, 온보딩 시간·인박스 정리 시간·PR 처리 건수처럼 구체적인 업무 지표로 성과를 재야 해요. 베이시스와 클레이 사례에서 보듯 자동화 대상은 한 번에 회사 전체가 아니라 반복 빈도가 높은 업무 하나부터 시작하는 게 맞고, 예외 상황을 스킬 개선의 재료로 쓰는 구조를 처음부터 설계해 둬야 나중에 손이 덜 가요.

앞으로 몇 달 안에 오픈AI는 이런 격차 데이터를 근거로 Work·플러그인 요금제를 기업 규모별로 더 세분화하고, 코덱스의 상시 모니터링 기능을 다른 업종 사례로 확장해 소개할 가능성이 높아요. 격차가 벌어질수록 오픈AI로서는 뒤처진 기업을 끌어올리는 컨설팅형 콘텐츠를 계속 내놓을 이유가 커지거든요.