우버, AI 에이전트 요청 9.4배 늘어도 지출 안정…기업 AI 경쟁은 ‘운영 효율’로

우버가 사내 AI 에이전트 사용을 빠르게 확대하면서도 관련 지출을 안정시킨 운영 결과를 공개했다. 최신 AI 모델을 많이 도입하는 것보다 업무에 맞는 모델을 고르고, 작업별 비용과 품질을 함께 관리하는 역량이 중요해지고 있다는 사례다.

우버 엔지니어링이 8월 27일 공개한 자료에 따르면 2026년 2월부터 8월 중순까지 전사 AI 에이전트 도구의 주간 활성 사용자는 7배, 주간 요청은 9.4배 증가했다. 기존 기사에 언급된 ‘사용자 4배 이상 증가’는 우버가 제시한 주간 활성 사용자 지표와 일치하지 않아 원문 기준인 7배로 바로잡는다. 회사의 전체 AI 지출은 사용량 증가에도 4월 이후 비교적 안정적으로 유지됐다.

특정 모델을 고정해 비교한 내부 분석에서는 요청 1,000건당 비용이 정점보다 약 34%, 세션당 비용이 6월 고점보다 52% 낮아졌다. 우버에서는 하루 3만 건이 넘는 에이전트 스킬 작업이 실행되며, 전체 코드 변경 요청인 풀 리퀘스트의 70% 이상이 로컬 또는 클라우드 에이전트에 귀속된다고 회사는 설명했다.

다만 70%라는 수치를 AI가 코드의 70%를 사람 없이 작성했다는 의미로 해석해서는 안 된다. 사람이 작업을 지시하고 결과를 검토하거나, 코드 리뷰와 오류 처리 과정에서 에이전트가 참여한 경우도 포함하는 내부 업무 흐름 지표에 가깝다. 우버 역시 자동화된 작업에 인간의 검토와 필요시 개입하는 절차가 포함된다고 밝혔다.

비용을 낮춘 핵심은 단순한 모델 가격 인하가 아니라 운영 방식의 조정이었다. 우버는 실제 업무로 평가 기준을 만든 뒤 작업 완료 비용, 결과 품질, 안정성을 비교해 모델을 선택했다. 복잡한 판단은 성능이 높은 모델에 맡기고, 범위가 명확한 하위 작업에는 상대적으로 저렴한 모델을 기본 배정하는 방식이다. 이를 ‘모델 라우팅’이라고 한다.

AI가 한 번에 처리하는 대화와 코드의 양도 관리했다. 입력 내용이 지나치게 길어지는 것을 막기 위해 자동 압축 기준을 40만 토큰으로 설정했고, 반복되는 내용을 다시 계산하지 않도록 프롬프트 캐시의 유지 시간도 작업 특성에 맞게 조정했다. 토큰은 AI가 텍스트와 코드를 처리하는 과금 단위다. 긴 코드베이스와 도구 설명을 매번 다시 보내면 같은 업무에서도 비용이 빠르게 늘어날 수 있다.

엔지니어가 터미널에서 현재 세션과 누적 사용 비용을 직접 확인하도록 한 점도 눈에 띈다. 우버는 일률적인 사용 제한 대신 예상 지출의 50%, 80%, 100% 구간에서 알림을 보내고, 세션별로 비효율적인 모델 선택이나 불필요하게 큰 입력 내용을 분석하도록 했다. 사용량 자체보다 결과 하나를 만드는 데 얼마가 들었는지를 관리하는 접근이다.

이 사례가 보스턴권 SaaS·바이오테크·로보틱스·금융·보험 기업들의 AI 에이전트 도입 현황을 직접 입증하는 것은 아니다. 따라서 지역 기업들이 이미 광범위하게 같은 기술을 운영하고 있다고 단정하기는 어렵다. 다만 소프트웨어와 데이터 업무 비중이 높은 보스턴 지역 조직이 AI 에이전트를 검토할 때 참고할 수 있는 운영 모델로는 의미가 있다. 특히 연구 데이터나 규제 대상 정보를 다루는 조직에서는 비용뿐 아니라 접근 권한, 감사 기록, 결과 검증을 함께 설계해야 한다.

채용시장에서도 특정 AI 제품을 사용해봤다는 경험만으로는 차별화가 제한적일 수 있다. 실제 업무에서는 에이전트가 만든 코드의 오류율과 채택률을 어떻게 측정했는지, 고성능 모델과 저비용 모델을 어떤 기준으로 나눴는지, 테스트와 코드 리뷰를 어느 단계에 배치했는지가 더 구체적인 역량이 된다. 모델 평가 체계인 ‘에벌스’, 모델 라우팅, 프롬프트 캐싱, AI 비용 관리, 보안과 접근 권한을 포함한 거버넌스가 관련 실무 키워드다.

AI와 함께 수요가 커질 수 있는 역할도 단순한 모델 개발에 한정되지 않는다. 모델의 성능과 비용을 비교하는 평가 업무, 개발자용 AI 플랫폼 운영, 데이터 품질 관리, 보안 통제, 자동화 결과를 기존 제품과 연결하는 엔지니어링이 함께 중요해질 가능성이 있다. 반대로 반복 작업의 자동화만 강조하고 검증 체계를 갖추지 않은 프로젝트는 비용이나 품질 문제로 운영 단계에서 제약을 받을 수 있다.

유학생과 취업비자 지원자에게 이번 사례가 스폰서십의 확대나 축소를 직접 뜻하지는 않는다. 다만 AI 관련 직무를 검토할 때 연구 모델 개발뿐 아니라 기존 제품과 업무 시스템에 AI를 안정적으로 연결한 경험이 평가 대상이 될 수 있다. 지원자는 비자 지원 여부와 함께 해당 직무가 단기 시험 프로젝트인지, 실제 제품 운영 예산과 담당 조직을 갖춘 역할인지 확인할 필요가 있다. 체류 신분과 고용 조건에 관한 판단은 개인별 상황과 최신 제도에 따라 달라질 수 있다.

우버의 결과는 사용량과 비용이 항상 같은 속도로 증가하는 것은 아니라는 점을 보여준다. 동시에 대규모 코드 기반과 자체 운영 인프라를 갖춘 한 기업의 내부 결과이므로 다른 회사가 같은 절감률을 재현한다고 보기는 어렵다. 앞으로 기업 AI 도입의 실효성을 판단할 때는 사용자 수나 생성 코드량뿐 아니라 작업당 비용, 검토 후 채택률, 오류와 보안 사고, 실제 개발시간 단축이 함께 공개되는지를 살펴볼 필요가 있다.