200달러가 17센트가 되면 ‘작업을 하는 사람’의 경제학이 바뀐다

OpenAI CFO Sarah Friar는 2026년 9월 CNBC 인터뷰에서 자사 procurement의 credit check가 전년도 연간 약 2,800건 규모였고, AI 적용 후 건당 비용이 약 200달러에서 약 0.17달러로 내려갔다고 설명했다.

이 정도의 단가 차이는 단순한 productivity improvement가 아니다. 사람이 반복적으로 처리하던 작업 한 단위의 경제성이 완전히 달라진다는 뜻이다. Friar도 이런 업무에 junior analyst를 투입할지, intelligent model에 맡길지를 질문하며 필요한 인원 수를 줄일 수 있다고 말했다.

다만 공개자료만으로 실제 감원 인원이나 과거 담당자의 직급을 확인할 수는 없다. 확인 가능한 것은 반복적 finance task의 execution cost가 극단적으로 낮아졌다는 사실이다.

그런데 OpenAI는 ‘사람의 승인’까지 17센트로 만들지 않았다

OpenAI가 8월 공개한 AI-native finance 운영글은 자동화의 반대편을 분명하게 보여준다. AI는 variance에 대한 initial explanation을 만들고 attention이 필요한 exception을 표시할 수 있다.

그러나 finance가 숫자를 validate하고 judgment를 적용하며 final sign-off를 소유한다. Forecast에서도 AI는 supporting evidence와 scenario를 보여주지만 approved baseline을 바꿀지는 finance가 결정한다.

Investor diligence에서도 AI가 strong first draft를 만들 수 있지만 사람은 문맥과 판단을 추가하고 결과를 소유한다. 즉 execution이 자동화돼도 accountability는 제거되지 않는다.

Execution Cost Collapse → Accountability Bottleneck

과거에는 자료를 찾고, 정리하고, reconcile하고, 초안을 만드는 시간이 병목이었다. AI가 이 구간을 빠르게 줄이면 다음 병목은 ‘누가 이 결과를 믿어도 된다고 승인하는가’로 이동한다.

AI가 답을 1초에 만들더라도 잘못된 승인 한 번의 비용이 크다면 인간 review는 사라지기 어렵다. 특히 finance처럼 자본·리스크·감사·규제와 연결된 업무에서는 final owner의 책임범위가 오히려 더 선명해질 수 있다.

반석은 이 변화를 Execution Cost Collapse → Accountability Bottleneck으로 본다. AI가 싼 노동을 대체하는 것보다 더 중요한 변화는 책임의 위치를 다시 그리는 것이다.

그래서 AI 시대의 직무는 ‘만드는 사람’과 ‘소유하는 사람’으로 다시 분해될 수 있다

보고서를 누가 작성했는가보다 누가 source를 검증하고 exception을 판정하며 최종적으로 승인했는지가 중요해질 수 있다. 같은 finance 직무 안에서도 synthesis, reconciliation, preparation은 AI 비중이 높아지고 approval, escalation, assumption challenge는 인간 책임으로 남을 수 있다.

이 변화는 단순히 senior에게 일감을 몰아준다는 뜻이 아니다. 조직은 어떤 threshold까지 AI가 자동완료할 수 있는지, 어떤 exception은 사람이 봐야 하는지, 누가 baseline 변경 권한을 갖는지를 명시해야 한다.

결국 좋은 AI workflow는 ‘사람이 몇 명 줄었나’보다 책임의 경계가 얼마나 명확한가로 평가될 수 있다.

AI ROI도 token 가격보다 review와 rework까지 봐야 한다

OpenAI는 AI ROI를 측정할 때 단순 usage나 token cost만 보지 말라고 제안한다. 의미 있는 일이 완료됐는지, employee time·review·rework까지 포함해 얼마가 들었는지, 결과가 사용할 만했는지, 더 빠르거나 더 좋은 decision을 만들었는지를 보라고 한다.

여기서 중요한 것은 가장 싼 model이 항상 가장 경제적인 것도 아니라는 점이다. 더 좋은 model이 fewer attempts와 less review로 reliable answer에 도달하면 전체비용은 더 낮아질 수 있다.

따라서 기업의 AI 비용표는 Model Cost + Human Review Cost + Error/Rework Cost + Accountability Cost로 확장될 필요가 있다. $0.17이라는 숫자만으로 workflow 전체의 비용을 설명할 수는 없다.

인재의 가격도 ‘얼마나 많이 처리하나’에서 ‘얼마나 큰 결정을 소유하나’로 이동할 수 있다

AI가 반복 산출물을 싸게 만들수록 사람의 차별점은 처리량만으로 설명하기 어려워진다. 어떤 exception을 발견하는지, 잘못된 assumption을 거부할 수 있는지, 불확실할 때 escalation하는지, 최종결정에 이름을 걸 수 있는지가 더 중요해질 수 있다.

기업의 채용과 승진 기준도 ‘빠르게 만든다’뿐 아니라 ‘AI 결과를 어디까지 검증하고 어떤 의사결정을 책임질 수 있는가’를 더 명시적으로 보게 될 가능성이 있다.

이것은 신입의 학습사다리 문제와 연결되지만 같은 질문은 아니다. 이번 사례의 핵심은 AI가 일을 싸게 만들수록 인간의 가치가 작업시간보다 책임범위에 붙는다는 점이다.

BANSEOG VIEW

AI가 싸질수록, 인간의 값은 ‘작업시간’보다 ‘책임범위’에 붙을 수 있다

OpenAI의 $200→$0.17 사례는 AI가 반복업무의 execution economics를 얼마나 빠르게 바꿀 수 있는지 보여준다.

하지만 OpenAI 자신의 운영원칙은 AI가 초안과 exception detection을 맡아도 finance가 validation·judgment·final sign-off를 소유한다고 명시한다. 실행비용과 책임비용은 같은 속도로 내려가지 않는다.

그래서 다음 인재경쟁은 더 많은 산출물을 만드는 사람보다, AI가 만든 산출물에서 중요한 예외를 발견하고 더 큰 결정을 책임질 수 있는 사람을 확보하는 경쟁이 될 수 있다.

SOURCES

근거가 된 원자료

$200→$0.17, 연간 약 2,800건, junior analyst 관련 발언은 CNBC 인터뷰를 재인용한 Yahoo Finance/Business Insider 보도를 기준으로 했다. 공개자료는 실제 감원 인원이나 기존 담당자의 직급을 확인해주지 않는다. OpenAI 공식 문서는 AI가 initial explanation과 exception detection을 수행해도 finance가 validation·judgment·final sign-off를 소유하며, AI 비용에 employee review와 rework를 포함해야 한다고 명시한다. Execution Cost Collapse → Accountability Bottleneck 해석은 반석의 분석이다.