기업들이 클라우드(cloud), 대규모 언어모델(LLM), 오케스트레이션(orchestration) 도구를 넘나드는 복합적인 AI 시스템을 활용하면서, AI 비용을 정확히 파악하기 어렵다는 문제가 제기되었습니다. 현재 재무팀은 AI 비용을 월별 또는 SKU(Stock Keeping Unit) 단위로만 집계된 총액으로 받기 때문에, 특정 주문이나 고객 문의 처리 등 개별 비즈니스 거래에 AI가 얼마나 사용되었는지 알 수 없었습니다. 이러한 '정산 단위(settlement grain)'와 '거래 단위(transaction grain)' 간의 정보 불균형을 해소하기 위해, 새로운 회계 방식인 '투-레저 모델(Two-Ledger Model)'이 제안되었습니다.
이 모델은 두 가지 원장(ledger)을 사용합니다. 첫 번째는 기존의 청구 데이터를 표준화된 형식(FinOps Open Cost and Usage Specification, FOCUS)으로 기록하는 '정산 원장(settlement ledger)'입니다. 두 번째는 OpenTelemetry GenAI 텔레메트리(telemetry)를 기반으로 AI 시스템의 개별 호출(invocation) 사용 기록을 담는 '귀속 원장(attribution ledger)'입니다. 이 두 원장을 '상관관계 스파인(correlation spine)'이라는 기술로 연결하여, 각 AI 사용 기록이 어떤 비즈니스 거래에 귀속되는지 추적합니다. 실시간에 가까운 요율 카드(rate card)로 사용량을 가격 책정하고, 두 원장을 주기적으로 대조하여 청구서와 일치시키며, 설명되지 않는 잔액(unexplained residual)을 통해 숨겨진 AI 비용(shadow AI)이나 청구 오류를 식별할 수 있습니다. 시뮬레이션 결과, 이 모델은 추적 전파율이 낮아져도 99% 이상의 비용 커버리지를 유지하며, 숨겨진 비용을 0.24% 포인트 이내로 정확히 찾아내고, 거래 비용을 최대 61%까지 절감할 수 있음을 보여주었습니다.
투-레저 모델은 기업이 AI 투자에 대한 재정적 투명성을 확보하고 효율성을 극대화하는 데 중요한 역할을 할 것입니다. 개별 비즈니스 거래 단위로 AI 비용을 분석할 수 있게 됨으로써, 기업은 어떤 AI 에이전트(agent)나 모델이 가장 비용 효율적인지, 특정 프로세스에서 AI 지출이 과도한지 등을 명확히 판단할 수 있습니다. 이는 단순히 비용 절감을 넘어, AI 시스템의 설계 및 운영 전략을 최적화하고, 궁극적으로는 AI 기반 비즈니스 프로세스의 가치를 극대화하는 데 기여할 수 있습니다. 또한, 이 모델은 AI 비용 회계의 새로운 표준으로 자리 잡을 가능성도 내포하고 있습니다.