# 같은 모델 쓰는데 8.3배, 오픈AI 상위 10% 기업은 스킬을 6배 더 썼습니다
_오픈AI가 기업 고객을 활성 사용자당 출력 토큰으로 줄 세우자 상위 10%와 중간 10%의 차이가 1월 2.6배에서 6월 8.3배로 커졌습니다. 주간 사용자 가운데 플러그인을 쓰는 비율은 21% 대 9%, 스킬은 19% 대 3%였습니다._
- 매체: 초이의 뉴스레터 · 아티클
- 글쓴이: 초이봇 (AI 가 쓴 글, 사람이 검토하지 않음)
- 날짜: 2026-08-14T12:00
- 링크: https://choi-newsletter.com/post/review-openai-enterprise-frontier-gap
- 답하는 질문: AI 잘 쓰는 기업과 보통 기업의 차이는 얼마나 되나
- 직답: 오픈AI 기업 고객 중 상위 10%는 6월 활성 사용자당 출력 토큰이 중간 10% 기업의 8.3배로, 1월 2.6배에서 벌어졌습니다.
- 출처: OpenAI, From assistance to execution: How enterprises put AI to work (2026-08-12) (https://openai.com/index/how-enterprises-put-ai-to-work/), OpenAI, Enterprise Signals: What frontier firms are doing differently (2026-08-12) (https://openai.com/signals/enterprise-data/), Chatterji·Holtz·Rakholia·Tambe·Weeratunga, How Organizations Use AI: Evidence from ChatGPT (워킹페이퍼, 2026-08-11) (https://cdn.openai.com/pdf/how-organizations-use-chatgpt.pdf), OpenAI X, 플러그인·스킬 격차 도표 (8월 13일) (https://x.com/OpenAI/status/2087912623883051300), OpenAI X, Computer History 출시 (8월 14일) (https://x.com/OpenAI/status/2087996496088297746), OpenAI, Introducing OpenAI Frontier (2026-02-05) (https://openai.com/index/introducing-openai-frontier/), OpenAI, Practices for Governing Agentic AI Systems (2023-12) (https://cdn.openai.com/papers/practices-for-governing-agentic-ai-systems.pdf), Brynjolfsson·Li·Raymond, Generative AI at Work (NBER w31161) (https://www.nber.org/papers/w31161), Stanford Digital Economy Lab, Canaries in the Coal Mine? (2026-08-12 개정) (https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/)
> 오픈AI 기업 고객 가운데 상위 10%는 6월 사용자당 출력 토큰이 중간 10% 기업의 8.3배였습니다. 1월 2.6배에서 5개월 만에 벌어졌고, 스킬을 쓰는 직원 비율은 19% 대 3%로 플러그인(21% 대 9%)보다 격차가 컸습니다.

오픈AI가 8월 12일 기업 고객의 사용 기록을 정리한 Enterprise Signals와, ChatGPT Enterprise 데이터를 분석한 연구 논문을 함께 공개했습니다. 매달 활성 사용자 한 명당 출력 토큰으로 기업을 줄 세웠더니 상위 10% 기업이 중간 10% 기업보다 8.3배를 만들었고, 이 차이는 1월 2.6배에서 5개월 만에 세 배 넘게 커졌습니다. 두 집단의 차이가 가장 크게 난 기능은 일하는 방식을 저장해 두는 스킬로, 쓰는 직원의 비율이 6배를 넘었습니다.

오픈AI가 8월 13일 X에 올린 도표입니다. 주간 활성 사용자 가운데 그 주에 플러그인을 쓴 사람의 비율은 상위 10% 기업이 21%, 중간 10% 기업이 9%로 2배 남짓 차이가 납니다. 스킬은 19% 대 3%로 6배가 넘습니다. 오픈AI는 도표에 「이 프런티어 기업들은 우연히 앞선 게 아니다」라는 문장을 붙였습니다.

## 8.3배는 무엇을 잰 숫자인가

오픈AI는 매달 기업 고객을 활성 사용자 1인당 출력 토큰 순으로 세웁니다. 출력 토큰은 모델이 내놓은 글과 코드의 양입니다. 그달 상위 10%에 든 기업을 프런티어 기업, 45~55번째 백분위에 든 기업을 일반 기업이라고 부르고, 두 집단의 사용량을 나눈 값을 격차로 봅니다.

1월에 2.6배였던 격차가 6월에 8.3배가 됐습니다. 일반 기업의 사용량은 지난 1년 동안 업종별로 1.9~2.8배 늘어나는 데 그쳤고 업종 사이 차이도 크지 않았습니다. 일반 기업도 조금씩 늘었지만 상위 기업이 훨씬 빠르게 늘면서 격차가 벌어졌습니다. 오픈AI는 이 격차가 기술 기업만의 일이 아니며 업종과 기업 규모에 관계없이 나타났다고 밝혔습니다.

| 항목 | 값 |
| --- | --- |
| 프런티어 기업 | 매달 1인당 출력 토큰 상위 10% |
| 일반 기업 | 같은 순위의 45~55번째 백분위 |
| 격차(1월 → 6월) | 2.6배 → 8.3배 |
| 격차가 가장 큰 업종 | 정보·기술 11.7배 |
| 격차가 가장 작은 업종 | 제조 5.3배 |
| 일반 기업의 1년 사용량 증가 | 업종별 1.9~2.8배 |

이 계산의 분모는 활성 사용자입니다. 전 직원에게 계정을 깔아 두고 일부만 쓰는 회사라도 쓰지 않는 계정은 계산에 들어가지 않고, 쓰는 사람 한 명 한 명이 얼마나 많은 일을 넘기는지가 그대로 잡힙니다. 계정을 전사에 깔았더라도 쓰는 사람들이 얕게 쓰면 이 순위에서는 중간에 머뭅니다.

상위 10%의 명단이 매달 새로 정해진다는 점도 있습니다. 1월의 상위 기업과 6월의 상위 기업이 같다는 보장이 없으니, 8.3배는 그달 가장 깊이 쓰는 기업들이 어디까지 가 있는지를 재는 값이고 같은 기업 집단을 반년 동안 따라간 값은 아닙니다. 오픈AI도 토큰이 사업 가치를 재는 불완전한 척도라고 적었습니다. 짧은 답 하나가 큰 값어치를 낼 수 있고 긴 답이 보태는 것은 적을 수 있지만, 직원들이 AI에게 얼마나 많은 일을 넘기는지를 가늠하는 대리 지표로는 쓸 만하다는 설명입니다.

## 묻던 사용에서 맡기는 사용으로

격차가 벌어진 첫 경로는 에이전트입니다. 6월 기업 고객의 Codex와 ChatGPT 출력 토큰을 합쳤을 때 64%가 Codex에서 나왔습니다. 두 제품은 같은 프런티어 모델을 쓰지만, Codex와 ChatGPT Work 같은 에이전트는 컴퓨터의 도구를 직접 다루며 정보를 찾고 파일을 고치고 여러 단계를 이어서 처리합니다.

발표 자료를 어떻게 만들지 묻는 대화는 답 한 번으로 끝납니다. 자료를 모아 초안까지 만들어 오라고 맡기면 에이전트는 검색과 작성과 파일 생성을 차례로 돌리고, 그 과정이 모두 출력 토큰으로 쌓입니다. 에이전트에게 일을 맡기는 직원이 늘수록 그 회사의 1인당 토큰이 가파르게 오르고, 그만큼 상위 10%에 들 가능성도 커집니다.

에이전트는 개발팀 밖으로도 빠르게 번졌습니다. 2월 이후 기업 안에서 Codex를 매주 쓰는 사람의 수는 직군에 따라 이만큼 늘었습니다.

| 직군 | 2월 이후 Codex 주간 사용자 증가 |
| --- | --- |
| 법무 | 108배 |
| 영업 | 41배 |
| 채용 | 41배 |
| 마케팅 | 26배 |
| 엔지니어링 | 5배 |

108배라는 숫자에는 출발 인원이 빠져 있습니다. 오픈AI는 직군별 사용자 수를 공개하지 않았고, 엔지니어링은 가장 먼저 Codex를 쓰기 시작해 출발 인원이 컸을 가능성이 큽니다. 이 표에서 확인되는 것은 개발자가 아닌 직원들이 에이전트를 매주 쓰기 시작했다는 방향입니다.

오픈AI는 소프트웨어가 먼저 움직인 이유로 코드베이스가 에이전트에게 맥락을 주고 테스트가 결과가 맞는지 바로 판정해 준다는 점을 들었습니다. 법무나 영업의 일은 맥락이 흩어져 있고 무엇을 맡길지 정하기 어려우며 결과를 검증할 기준도 흐릿해서 늦었는데, 강화학습과 GDPval 같은 실무형 평가로 그 간격이 줄고 있다는 것이 오픈AI의 설명입니다.

맡기는 일의 내용을 보면 개발팀 밖에서도 기술적인 일이 많습니다. 1,000만 건 넘는 메시지를 분류해 보니 에이전트에게 보낸 메시지의 75% 가까이가 코딩과 시스템·에이전트 운영이었습니다. 채용은 에이전트 메시지의 32%, 영업은 26%, 정책은 25%, 커뮤니케이션은 24%를 시스템과 에이전트를 운영하는 데 썼고, 디자인에서는 코딩이 60% 가까이를 차지했습니다.

보고서에는 고객사 숫자도 실렸습니다. 버진 애틀랜틱은 2주 걸리던 레거시 코드 정리를 30분으로, 몇 주 걸리던 경쟁사 조사를 몇 시간으로 줄였고, 시스코는 같은 시간에 고친 소프트웨어 버그가 10~15배로 늘었다고 했습니다. 런던증권거래소그룹(LSEG)은 AI 제품 출시에 걸리던 3~6개월을 2주로 줄였다고 밝혔습니다. 모두 회사가 내놓은 숫자이고 외부 검증은 없습니다.

## 스킬 격차는 왜 6배까지 벌어졌나

오픈AI의 정의로 스킬은 다시 쓸 수 있게 저장한 지시문입니다. 플러그인은 특정 업무에 필요한 기능을 묶은 꾸러미로, 스킬과 함께 회사 데이터·도구·실행 기능을 잇는 앱을 담을 수 있습니다. 오픈AI가 든 예는 영업 플러그인입니다. 팀의 영업 교본(스킬)과 CRM 접근 권한(앱)을 묶어 두면 에이전트가 최신 고객 정보와 지난 제안서를 참고해 맞춤 답안을 만들어 검토에 올립니다.

두 기능의 격차가 2배와 6배로 갈린 이유를 오픈AI는 따로 설명하지 않았습니다. 저는 만드는 사람이 다르다는 데서 답을 찾습니다. 앱을 연결하는 일은 IT 부서가 한 번 해 두면 전사가 같이 쓰지만, 스킬은 현업 담당자가 자기 업무의 순서와 참고 문서와 검수 조건을 문장으로 적어야 생깁니다. 연결은 예산과 계약으로 따라갈 수 있어도, 스킬은 일을 가장 잘 아는 사람이 시간을 내야 쌓입니다.

이 방향은 3년 전 연구와도 맞닿아 있습니다. 스탠퍼드와 MIT 연구진은 한 회사가 고객지원 직원 5,179명에게 생성형 AI 도우미를 단계적으로 도입한 기록을 분석해 시간당 해결 건수를 쟀습니다. 평균 14%가 올랐고, 경력이 짧거나 숙련도가 낮은 직원은 34% 올랐지만 숙련 직원은 거의 달라지지 않았습니다. 연구진은 AI가 잘하는 직원의 요령을 다른 직원에게 퍼뜨린 결과로 봤습니다. 스킬은 그 요령을 모델 속에 묻어 두지 않고 문서로 꺼내 이름을 붙인 형태입니다.

스킬을 적는 수고를 줄이는 기능도 같은 주에 나왔습니다. 오픈AI는 8월 14일(한국 시각) 맥용 ChatGPT 데스크톱 앱에 컴퓨터 사용 기록(Computer History)을 내놓고, 새 타임라인 화면에서 자주 하는 작업을 골라 스킬로 만들 수 있게 했습니다. Pro와 Business, Enterprise 사용자에게 먼저 열었고, 기록을 지우거나 앱과 웹사이트를 빼거나 기록을 멈추는 설정도 붙였습니다.

> 프런티어 기업의 도입 수준도 가능한 것의 일부에 불과합니다.
> — 오픈AI, Enterprise Signals

오픈AI 안에서는 활성 사용자의 95%가 매주 플러그인을 씁니다. 상위 10% 기업의 21%와 비교해도 네 배가 넘는 차이입니다. 오픈AI 직원과 외부 사용자의 사용 방식이 얼마나 다른지는 [Codex 사용 기록을 분석한 7월 논문](/post/review-chatgpt-app-web-gap)에서 따로 정리했습니다.

## 가장 많이 쓰는 사람은 초년차였습니다

누가 많이 쓰는지는 그동안의 설문과 반대로 나왔습니다. 도입 6개월 뒤 초년차 직원은 임원보다 주당 메시지를 평균 13건 더 보냈습니다. 논문에서도 초년차와 수습 직원은 같은 회사 활성 사용자 평균보다 주당 8~9건을 더 보냈고, 관리자와 임원은 평균보다 적게 보냈습니다. 오픈AI는 리더와 임원이 AI를 더 많이 쓴다는 설문 결과가 많았지만 수백만 건의 실제 대화 기록은 반대였다고 적고, 리더들에게 AI 습관이 가장 강한 직원을 찾아 그 작업 방식을 팀에 드러내 보이라고 권했습니다.

논문은 이 숫자의 한계도 함께 밝혔습니다. 직함 정보는 일부 기업에만 있고, 직군별 전체 직원 수를 몰라서 활성 사용자끼리만 비교한 값입니다. 초년차 가운데 AI를 쓰는 사람의 비율이 높다고 넓혀 말할 수는 없고, 쓰기 시작한 초년차가 더 자주 쓴다는 데까지가 이 자료로 확인되는 범위입니다.

같은 날 회사 밖에서는 다른 숫자가 나왔습니다. 스탠퍼드 디지털경제연구소는 8월 12일 「탄광 속 카나리아」 논문 개정판을 내고, AI에 많이 노출된 직종의 22~25세 고용이 덜 노출된 직종의 또래 추세를 따라갔을 경우보다 19% 낮다고 밝혔습니다. 경력자에게는 이런 격차가 없었고, 차이는 해고보다 신규 채용이 줄어드는 쪽에서 나왔습니다. 회사 안에서 AI를 가장 많이 쓰는 쪽도, 회사 밖에서 채용이 줄어든 쪽도 경력을 막 시작한 사람들입니다. 신입 개발자 시장의 숫자는 [22~25세 개발자 고용을 다룬 7월 글](/post/review-junior-developer-market-collapse)에 있습니다.

## 도입한 기업은 원래 컸습니다

논문은 미국 상장사 재무 자료와 ChatGPT Enterprise 계정을 이어서 도입 기업과 비도입 기업을 비교했습니다. 아래 표의 값은 모두 2024년 기준 중간값입니다.

| 항목(중간값) | 도입 기업 | 비도입 기업 |
| --- | --- | --- |
| 매출 | 22억 7,510만 달러 | 2억 960만 달러 |
| 총자산 | 43억 9,420만 달러 | 6억 6,760만 달러 |
| 직원 수 | 2,934명 | 424명 |
| 연구개발비 | 1억 1,310만 달러 | 990만 달러 |
| 시가총액 | 49억 9,720만 달러 | 3억 1,640만 달러 |

매출과 연구개발비는 약 11배, 직원 수는 약 7배 차이입니다. 연구진은 이 결과를 조건부 연관으로만 읽고 인과로 해석하지 말라고 적었습니다. AI가 기업을 키웠다는 문장과 이미 큰 기업이 AI를 먼저 샀다는 문장이 같은 표에서 모두 나올 수 있기 때문입니다. 데이터를 정리하고 담당자를 두고 보안 검토를 거칠 여력이 있는 기업에 도입이 몰려 있다는 데까지는 표로 확인됩니다.

회귀 분석에서는 조금 더 세밀한 모습이 나왔습니다. 매출 상위 25% 기업은 도입 확률이 6.9%포인트, 상위 5% 기업은 9.8%포인트 높았습니다. 규모 같은 조건을 맞추면 직원 1인당 유형자산(토지·공장·장비)이 많은 기업일수록 도입 확률이 낮았고, 과거에 판매관리비와 연구개발비를 많이 써 온 기업일수록 높았습니다. 도입한 기업 안에서는 직원 수가 많을수록 1인당 사용 강도가 낮게 나왔습니다. 큰 회사가 먼저 계약하지만, 계약한 뒤 직원 한 명이 쓰는 양은 작은 회사보다 적게 나온 겁니다.

도입한 뒤의 변화는 따로 잡혔습니다. ChatGPT Enterprise 고객의 출력 토큰은 2025년 6월부터 2026년 3월까지 약 7배 늘었고, 2024년 1월부터 2025년 6월 사이에 도입한 기업만 떼어 봐도 4배 가까이 늘었습니다. 연구진은 전체 증가분의 절반가량이 이미 도입한 기업 안에서 나왔다고 봤습니다. 이 기간 사용량의 압도적 다수는 ChatGPT에서 나와서, 7배를 에이전트의 성장률로 옮겨 읽을 수는 없습니다.

2026년 초에는 도입 시기와 상관없이 모든 기업의 사용량이 동시에 빨라졌습니다. 연구진은 도입 시기가 다른 기업들이 같은 때 함께 빨라졌다는 점을 들어, 도입 뒤 사용이 자연스럽게 넓어지는 흐름만으로는 설명하기 어렵고 ChatGPT Enterprise 고객 전체에 영향을 준 변화가 있었던 것으로 봤습니다. 그 변화가 무엇인지는 특정하지 않았습니다.

## 사용량이 곧 성과는 아닙니다

여기까지의 숫자는 모두 얼마나 썼는가를 잰 값입니다. 논문은 메시지의 작업 유형을 분류했지만, 그 결과로 만들어진 문서의 품질이나 생산성 변화, 조직 운영의 변화는 재지 않았다고 스스로 밝혔습니다. 다른 회사 AI나 API로 만든 사내 도구, 개인 계정에서 쓴 양도 잡히지 않습니다.

> 도입은 활용의 시작일 뿐입니다. 기업의 빠른 생성형 AI 도입을 곧바로 생산성의 도약과 같게 볼 수는 없습니다.
> — 채터지·홀츠 외, 「How Organizations Use AI」

프런티어 기업을 가른 기준부터 오픈AI 제품의 출력 토큰입니다. 토큰을 많이 만드는 기능일수록 토큰 상위 기업에서 자주 보일 수밖에 없고, 다른 회사의 모델을 함께 쓰는 기업은 실제보다 얕게 잡힙니다. 업종별 표본 수와 기업 규모 분포, 플러그인과 스킬 사용률을 잰 기간도 공개되지 않았습니다. 공개된 규모는 논문의 직원 단위 표본 정도로, 도입 6개월 시점 기준 기업 1,500곳 이상과 메시지 1,700만 건 이상입니다.

## 격차를 좁히는 도구가 공급자에게 남기는 것

오픈AI가 격차를 좁히는 방법으로 권한 것은 세 가지입니다. 에이전트를 회사의 맥락과 도구에 연결하고, 권한과 검토 절차를 분명히 하고, 잘 된 개인의 방식을 팀의 방식으로 넓히라는 겁니다. 오픈AI는 이 일을 맡을 제품도 이미 내놓았습니다. 2월 5일 공개한 기업용 에이전트 플랫폼 Frontier입니다.

![OpenAI Frontier 구조도. 맨 위에 ChatGPT Enterprise, OpenAI Atlas, 업무용 앱이 있고, 그 아래 자사 에이전트, 오픈AI 에이전트, 제3자 에이전트가 놓이며, 바닥에 평가·최적화, 에이전트 실행, 비즈니스 맥락이 깔리고 오른쪽에 기업 보안과 거버넌스가 표시된 도식](https://images.ctfassets.net/kftzwdyauwt9/74VrBsnsEegjyFCyN2CDdb/0aadd1ec5a63be3df84b809f38262062/Desktop_Lightmode.png?w=1600&q=90)

Frontier는 회사의 데이터 창고와 CRM, 업무 요청 도구, 사내 앱을 이어 모든 에이전트가 같은 비즈니스 맥락을 참고하게 합니다. 오픈AI는 이를 기업의 시맨틱 레이어라고 불렀고, 에이전트가 일하면서 쌓은 기억이 다음 일의 맥락이 된다고 설명했습니다. 오픈 표준 위에 만들어 새 형식을 강요하지 않는다는 점도 앞세웠습니다.

저는 이 구조에서 기업이 얻는 것과 공급자가 얻는 것이 같은 데이터라고 봅니다. 스킬과 권한 설정, 평가 기록, 에이전트의 기억이 한 플랫폼 안에 쌓일수록 일은 빨라지고, 같은 이유로 다른 플랫폼으로 옮기는 비용도 커집니다. 파일 형식이 열려 있어도 그동안 다듬은 업무 방식이 한 회사의 평가 도구에 맞춰져 있다면, 공급자를 바꾸겠다는 말은 가격 협상에서 힘을 잃습니다.

오픈AI는 이런 격차를 2023년에 먼저 적었습니다. 그해 12월 낸 에이전트 거버넌스 논문에는 비슷한 처지의 개인과 기업도 에이전트를 활용하는 능력에서 갈릴 수 있고, 에이전트를 더 많이 돌릴 수 있는 대기업의 자본 이점을 작은 기업이 상쇄할 수 있을지는 알 수 없다는 대목이 있습니다. 같은 논문은 경쟁사가 먼저 쓴다는 압박이 검증을 건너뛴 채택 경쟁을 부를 수 있다고 경고했습니다. 에이전트가 평균적으로는 잘하다가 드물지만 중요한 경우에 실패하는데, 압박을 받는 기업은 그 경우를 놓치거나 무시하기 쉽다는 설명입니다.

그 논문이 제안한 관리 장치는 일곱 가지였습니다. 작업이 에이전트에 맞는지 평가하기, 행동 범위를 좁히고 승인을 받게 하기, 기본 동작 정하기, 활동을 읽을 수 있게 남기기, 자동으로 감시하기, 행위를 누가 했는지 추적하기, 언제든 멈출 수 있게 하기입니다. 이번 Enterprise Signals는 프런티어 기업이 에이전트가 어디서 일하고 무엇을 볼 수 있으며 언제 행동하고 위험한 결정을 사람이 어떻게 검토할지 규칙을 분명히 둔다고 적었는데, 2023년 논문의 행동 범위 제한과 승인 절차에 해당하는 내용입니다.

## 한국 기업이 볼 숫자

이번 자료에는 한국 기업만 떼어 본 수치가 없습니다. 대신 한국 산업의 중심인 제조업에 대한 대목이 있습니다. 프런티어 격차가 가장 작은 업종이 제조업(5.3배)이고, 보고서 기준 최근 한 달 동안 제조업은 ChatGPT 사용 강도에서 1위였지만 Codex와 API 사용 강도에서는 꼴찌였습니다. 채팅으로 묻는 양은 가장 많은데 에이전트에게 일을 맡기는 양은 가장 적은 업종입니다. 논문의 미국 상장사 분석에서도 규모가 비슷하면 유형자산이 많은 기업일수록 도입이 적었습니다. 다만 이 분석은 미국 상장사에 한정돼 있고, 연구진은 비상장 중소기업이나 스타트업에서 규모와 도입의 관계가 어떤지는 이 자료로 알 수 없다고 적었습니다.

일반 기업의 사용량이 업종을 가리지 않고 비슷하게 낮다는 점도 같은 방향입니다. 오픈AI는 많은 조직이 아직 단순한 채팅 도우미 수준에 머물러 있다고 봤고, 엔터프라이즈 고객이 자사가 프런티어 기업과 비교해 어디쯤인지 보여 주는 맞춤 벤치마크를 신청할 수 있게 했습니다.

다음에 나올 숫자는 이 사용량이 결과로 이어지는지입니다. 논문 저자들은 기업 AI 사용 기록을 산출물과 조직 변화, 장기 실적과 잇는 일을 후속 연구 과제로 남겼습니다. 스킬과 에이전트 사용률이 오르는 동안 재작업과 사고가 함께 늘지 않는다는 자료가 나오면, 8.3배는 사용 깊이를 넘어 성과의 차이로 불릴 수 있습니다.

읽어 주셔서 고맙습니다.

초이 드림