구글이 가격표 대신 청구서를 줄였다

들어가며

오늘(현지시간 7월 21일) 구글이 Gemini 3.6 Flash를 발표했어요. 졍확히는 Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber 이 세가지를요. 정규 발행 리듬과 별개로, 시의성이 있는 소식이라 특집으로 빠르게 전해드려요.

가격은 입력 토큰 100만 개당 1.50달러, 출력 토큰 100만 개당 7.50달러예요. 대부분의 보도는 벤치마크 점수에 집중하고 있는데요. 저는 발표문에서 다른 한 줄에 눈이 갔어요.

“이전 모델보다 출력 토큰을 17% 덜 소비한다.”

구독자님, 결론부터 말씀드리면 이번 발표의 진짜 뉴스는 성능이 아니에요. AI 가격 경쟁의 단위가 ‘토큰 단가’에서 ‘같은 일을 얼마나 적은 토큰으로 하느냐’, 즉 연비로 옮겨갔다는 신호예요.

---

무슨 일이 있었나

구글이 이번에 내놓은 건 세 가지예요. 주력 모델 Gemini 3.6 Flash, 초경량 3.5 Flash-Lite, 그리고 보안 특화 3.5 Flash Cyber예요.

숫자부터 볼게요. 3.6 Flash의 출력 단가는 100만 토큰당 7.50달러로, 직전 모델 3.5 Flash의 9.00달러에서 약 17% 내려갔어요. 입력 단가는 1.50달러로 동결이에요. 성능은 장기 코딩 작업 벤치마크인 DeepSWE에서 37%에서 49%로, 머신러닝 엔지니어링 벤치마크 MLE-Bench에서 49.7%에서 63.9%로, 컴퓨터 화면을 직접 조작하는 OSWorld-Verified에서 78.4%에서 83.0%로 올랐어요.

그런데 구글이 발표문에서 가장 공들여 설명한 건 점수가 아니라 효율이었어요. Artificial Analysis 인덱스¹ 기준으로 출력 토큰 소비가 17% 줄었고, DeepSWE 같은 일부 작업에서는 최대 65%까지 줄었다고 해요. 추론 단계와 도구 호출 횟수 자체가 줄었다는 거예요.

함께 나온 3.5 Flash-Lite도 재미있어요. 입력 0.30달러, 출력 2.50달러로 초당 350토큰을 뽑아내는데, 코딩 벤치마크 SWE-Bench Pro에서 54.2%를 기록하며 자기보다 상위 세대인 3 Flash(49.6%)를 앞질렀어요. 하위 라인업이 한 세대 전 상위 라인업을 이기는 하극상이 벌어진 셈이에요.

발표 말미에 구글은 Gemini 4의 사전 학습을 시작했다는 사실도 슬쩍 흘렸어요. 3.5 Pro는 파트너 테스트 중이고요.

---

왜 단가가 아니라 연비인가

이걸 이해하려면 Flash 계열의 가격 추이를 봐야 해요.

2025년 6월 Gemini 2.5 Flash는 입력 0.30달러, 출력 2.50달러였어요. 이후 3 Flash가 0.50달러와 3.00달러, 그리고 올해 5월 3.5 Flash가 1.50달러와 9.00달러로 올랐어요. 1년 사이 입력 단가가 5배가 된 거예요.

이 흐름을 두고 “값싼 AI 시대의 종말”이라는 해석이 나왔어요. 연구기관 Epoch AI에 따르면 같은 성능을 내는 비용은 매년 5~10배씩 떨어지고 있는데, 정작 벤더들은 그 절감분을 가격에 반영하지 않기 시작했다는 거예요. OpenAI가 2025년 약 37억 달러 매출에 50억 달러 규모의 손실을 낸 것에서 보이듯, 지금까지의 낮은 가격은 시장 선점을 위한 보조금에 가까웠고, 이제 투자자들이 성장 대신 수익을 요구하면서 그 보조금이 걷히고 있다는 해석이에요.

그런데 이번 3.6 Flash는 단가를 내렸어요. 모순처럼 보이지만, 여기에 이번 발표의 핵심이 있어요. 단가 인하는 곁가지이고, 본체는 소비량 감소예요.

사람이 채팅으로 AI를 쓰던 시절에는 토큰 단가가 곧 비용이었어요. 질문 하나, 답변 하나로 끝나니까요. 그런데 에이전트 워크로드에서는 모델이 혼자 계획을 세우고, 도구를 부르고, 결과를 검토하면서 토큰을 태워요. 사람이 읽지도 않는 중간 과정에서 비용이 발생하는 거예요. 이 세계에서는 단가표보다 “이 모델이 작업 하나를 끝내는 데 토큰을 얼마나 쓰는가”가 청구서를 지배해요.

산술적으로 따져볼게요. 출력 단가가 17% 내려가고 토큰 소비가 17% 줄면, 작업 하나당 출력 비용은 약 30% 낮아져요. 가격표에는 17%만 보이지만 청구서는 30% 줄어드는 구조예요. 참고로 토큰 100만 개는 A4 용지 약 750장 분량의 텍스트예요. 그만큼의 출력을 뽑는 데 이제 7.50달러, 약 1만 원 정도가 드는 셈이에요.

정리하면 이래요. 단가는 이미 오를 만큼 올려놨고, 이제부터는 명목 가격을 건드리지 않으면서 연비로 실효 가격을 조정하는 경쟁이 시작됐어요.

---

세 회사가 같은 링에 올라왔다

이 경쟁이 구글 혼자만의 게임이 아니라는 점이 더 중요해요.

7월 현재 이 체급의 가격표를 나란히 놓으면 이래요. OpenAI의 GPT-5.6 Luna가 입력 1달러에 출력 6달러, xAI의 Grok 4.5가 2달러와 6달러, Anthropic의 Claude Sonnet 5가 한시 할인가로 2달러와 10달러예요. Sonnet 5는 9월부터 정가인 3달러와 15달러로 돌아가고요. 불과 1년 전만 해도 프론티어급 성능은 이 가격대에 존재하지 않았는데, 지금은 세 회사의 주력 상품이 전부 이 구간에 몰려 있어요.

벤치마크 우열은 갈려요. 구글이 공개한 비교표 기준으로 장기 코딩 작업(DeepSWE)은 Luna가 67%로 앞서고, 컴퓨터 조작(OSWorld)은 3.6 Flash가 83.0%로 앞서고, 지식노동 평가인 GDPval-AA v2의 Elo² 점수는 Sonnet 5가 1607로 가장 높아요. 절대 승자가 없다는 뜻이에요. 성능으로 승부가 안 나니, 경쟁의 무게중심이 가격과 효율로 넘어올 수밖에 없는 구도예요.

그래서 앞으로의 그림을 저는 이렇게 봐요. 단가표는 점점 비슷해질 거예요. 차별화는 세 군데서 일어나요. 첫째는 오늘 이야기한 토큰 효율, 둘째는 캐싱과 배치 처리 같은 실효 할인 장치, 셋째는 작업 성격에 따라 싼 모델과 비싼 모델을 갈아 끼우는 라우팅³이에요. 실제로 구매 측에서는 특정 모델에 고정하지 않고 작업 복잡도에 따라 모델을 바꿔 태우는 구조가 표준이 되어가고 있어요.

---

오스왈드의 시선

GTM 전략을 수립하면서 B2B 제품의 가격표를 직접 설계해본 경험에서 보면, 이번 구글의 수는 교과서적인 마진 방어예요. 명목 단가를 지키면서 실효 가격을 내리는 것. 단가를 내리면 매출 전체가 깎이지만, 연비를 올리면 “많이 쓰는 좋은 고객”에게만 선별적으로 할인이 돌아가거든요. 에이전트를 대규모로 돌리는 고객, 즉 구글이 붙잡고 싶은 바로 그 고객에게요.

구매자 입장에서는 시사점이 분명해요. 모델 단가 비교표는 이제 참고자료 이상이 되기 어려워요. 같은 단가라도 토큰을 얼마나 태우는지에 따라 실제 비용이 배 단위로 갈리니까요. 결국 자기 워크로드로 재는 수밖에 없어요. 사내에서 자주 돌리는 대표 작업 몇 개를 골라, 신모델이 나올 때마다 ‘작업당 비용’을 측정하는 루틴을 만드는 것. 이게 단가표를 들여다보는 것보다 훨씬 정확해요.

한 가지 경계할 점도 있어요. 17%라는 효율 수치는 벤더가 고른 벤치마크의 평균이에요. 제가 데이터 작업을 하면서 반복해서 확인한 패턴인데, 이런 평균은 워크로드에 따라 편차가 커요. 문서 요약에서는 효율이 크게 좋아지는데 코드 생성에서는 오히려 토큰을 더 쓰는 식의 역전이 얼마든지 나올 수 있어요. 벤더의 평균이 아니라 내 작업의 실측이 기준이 되어야 해요.

---

마치며

오늘 이야기를 세 줄로 정리하면 이래요.

구글은 3.6 Flash의 단가를 17% 내렸지만, 진짜 메시지는 같은 일을 17% 적은 토큰으로 한다는 쪽이에요. 에이전트 시대의 비용은 단가표가 아니라 토큰 소비량이 지배하고, 경쟁의 단위는 ‘작업 하나당 비용’으로 이동하고 있어요. 그래서 구매자에게 필요한 건 더 싼 모델을 찾는 눈이 아니라, 자기 작업 기준으로 비용을 실측하는 루틴이에요.

이번 주에 해볼 만한 것 하나를 제안할게요. 팀에서 AI로 처리하는 대표 작업 서너 개를 골라, 지금 쓰는 모델의 작업당 비용을 한 번만 재보세요. 다음 모델 교체 판단이 훨씬 쉬워질 거예요.

혹시 실무에서 모델을 갈아탄 경험이 있으시다면, 청구서가 예상과 달랐던 순간이 있었는지 댓글로 들려주세요. 단가표만 보고 옮겼다가 놀란 사례든, 반대로 효율 덕을 본 사례든 좋아요. 다음 호에 반영해볼게요.

---

💬 모델 교체 후 청구서가 예상과 달랐던 경험을 댓글로 들려주세요. 다음 호에 반영해볼게요. 📨 AI 비용을 고민하는 동료가 있다면 이 글을 공유해 주세요.

---

참고자료 & 더 읽기

핵심 출처

• Google, “Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber”, Google Blog, 2026. 링크 ··· 오늘 뉴스레터의 1차 소스예요. 벤치마크 표와 가격이 모두 여기 있어요.
• Artificial Analysis, “Gemini 3.6 Flash: Intelligence, Performance & Price Analysis”, 2026. 링크 ··· 토큰 효율 17% 수치의 출처예요. 모델 간 실효 비용을 비교할 때 가장 유용한 독립 지표예요.

배경 지식

• XDA Developers, “Google’s Gemini 3.5 Flash costs 3x the model it replaced, and the era of cheap AI is ending”, 2026. 링크 ··· Flash 계열 가격 추이와 ‘보조금 시대 종료’ 논지를 정리한 글이에요. 오늘 글의 2장과 이어져요.
• 9to5Google, “Google launches Gemini 3.6 Flash and 3.5 Flash-Lite, teases Gemini 4”, 2026. 링크 ··· 발표 맥락과 Gemini 4 사전 학습 소식을 다룬 기사예요.
• AI2Work, “GPT-5.6 vs Claude Sonnet 5: Inside the Frontier Price War”, 2026. 링크 ··· 경쟁사 가격 구조와 한시 할인 정보를 참고했어요.

---

필자 안광섭은 세종대학교 경영학과 교수이자 OBF(Oswarld Boutique Consulting Firm) 리드 컨설턴트이다. 대학에서 경영데이터 관리, 비즈니스 애널리틱스 등 통계 및 데이터 분석을 가르치는 한편, 현장에서는 GTM 전략과 인공지능 전략 컨설팅을 이끌며 기술과 비즈니스의 접점을 설계하고 있다. AI 대화 시스템의 기억 아키텍처(HEMA) 연구로 학술 논문을 발표했으며, 매일 글로벌 AI 논문을 큐레이션하는 Daily Arxiv 프로젝트를 운영하고 있다. 고려대학교 기술경영전문대 석사과정와 KMBA을 졸업했다. 지은 책으로 《생각을 맡기는 사람들: 호모 브레인리스》가 있다.

각주

1. Artificial Analysis 인덱스: 주요 AI 모델의 성능·속도·비용을 독립적으로 측정해 비교하는 벤치마크 서비스예요. 벤더 자체 발표가 아닌 제3자 실측 기준이라 업계에서 널리 인용돼요. ↩

2. Elo 점수: 체스 랭킹에서 온 상대 평가 방식이에요. 두 모델의 결과물을 맞붙여 이긴 쪽의 점수를 올리는 식으로, 절대 점수가 아니라 상대적 우열을 나타내요. ↩

3. 라우팅 (Routing): 들어온 작업의 난이도에 따라 여러 AI 모델 중 적절한 것을 자동으로 골라 배정하는 방식이에요. 쉬운 작업은 싼 모델로, 어려운 작업은 비싼 모델로 보내 전체 비용을 낮춰요. ↩