S&P 493: 빅테크 7곳을 빼면 AI 수익 효과는 아직 0이라는 Apollo 분석

AI 성과의 증거로 흔히 드는 빅테크 실적을 떼어 내면, 나머지 대기업에서는 아직 1인당 매출도 이익률도 움직이지 않았다는 분석입니다. 우리 회사가 S&P 493 쪽에 서 있다면, AI 투자를 사용 사례 수가 아니라 손익 항목과 연결해 재고, 판단이 끼는 업무에는 책임자와 검증 절차를 먼저 붙여야 합니다.

요약

Apollo Global Management의 수석이코노미스트 Torsten Slok은 2026년 10월 24일 데일리 노트에서 S&P 500을 둘로 나눴습니다. 한쪽은 Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia, Tesla의 Mag 7(Magnificent 7, 시가총액 상위 빅테크 7곳)이고, 다른 쪽은 이들을 뺀 S&P 493입니다. 그리고 두 집단의 1인당 매출(2019년 4분기 물가 기준), 이익률, 샌프란시스코 연준의 TFP(Total Factor Productivity, 총요소생산성)를 나란히 놓았습니다. TechCrunch의 Anthony Ha가 다음 날 이 노트를 짧게 보도했습니다.

결과는 갈렸습니다. Mag 7은 1인당 매출과 이익률이 오르는데, S&P 493은 둘 다 평평합니다. 경제 전체 생산성 지표에서도 AI가 성장을 끌어올린 흔적은 보이지 않습니다. Slok은 그 이유를 기업의 행동에서 찾습니다. VC 투자를 받은 기업은 토큰 지출을 늘리지만, 일반 기업은 최신 모델이 필요 없다고 보고 토큰 지출을 이익률을 깎는 비용으로 다룹니다. 지출이 소수 기업에 몰려 있는 한 거시 효과는 작을 수밖에 없다는 것입니다. 더 근본적으로는, 모델이 싸져도 비즈니스에서 돈이 되는 것은 계산이 아니라 판단이라고 봅니다. 그는 노트의 결론을 이렇게 요약합니다. “the AI story will be decided in the S&P 493.” 아래에서는 이 분석을 받치는 네 가지 메커니즘을 풀고, 우리 회사의 AI 성과를 같은 방식으로 재는 방법을 덧붙였습니다.

핵심 메커니즘

S&P 493: 평균에서 빅테크를 떼어 내는 분리

무엇인가. S&P 500 지수에서 Mag 7을 뺀 나머지 493개 기업을 한 묶음으로 보는 방식입니다. 어떻게 작동하나. 지수 전체의 이익률이나 1인당 매출은 시가총액과 이익 규모가 큰 몇 곳이 크게 끌어올립니다. 이 몇 곳은 AI를 파는 쪽이기도 합니다. 이들을 따로 떼면, AI를 사서 쓰는 일반 대기업의 모습이 평균에 묻히지 않고 드러납니다. 언제 쓰나. ‘AI 효과가 나타나고 있다’는 주장을 볼 때, 그 숫자가 공급자의 매출인지 사용자의 성과인지 가를 때 씁니다. 원문의 예. Slok은 Bloomberg와 Macrobond 데이터로 두 집단을 같은 차트에 그렸습니다. 작은 예시(가상). 그룹 계열사 열 곳의 평균 영업이익률이 올랐는데, 그 상승이 IT 서비스 계열사 한 곳에서 나왔다면 나머지 아홉 곳의 AI 성과는 아직 확인되지 않은 것입니다.

Revenue per Worker · Profit Margin · TFP: 결과를 재는 세 지표

무엇인가. 노트가 AI 성과를 판정하는 데 쓴 세 결과 지표입니다. 어떻게 작동하나. 1인당 매출은 같은 인원으로 더 많이 버는지를 봅니다. Slok은 물가 상승으로 부풀지 않게 2019년 4분기 기준으로 실질화했습니다. 이익률은 AI 도입 비용을 내고도 남는 효과가 있는지를 봅니다. 토큰 비용이 늘면 이 지표가 오히려 눌릴 수 있습니다. TFP는 노동과 자본 투입으로 설명되지 않는 산출 증가, 곧 경제 전체의 효율을 잽니다. 노트는 Fernald(2014)가 만든 샌프란시스코 연준 시리즈를 썼는데, 경기에 따라 설비와 인력을 얼마나 돌렸는지(가동률)를 보정해 경기 순환의 착시를 걷어 낸 값입니다. 언제 쓰나. 1인당 매출과 이익률은 기업 단위, TFP는 경제 단위 판단에 씁니다. 세 지표가 모두 평평하다는 점이 ‘아직 증거 없음’이라는 결론의 근거입니다.

Token Spending Concentration: 소수에 몰린 AI 지출

무엇인가. AI 지출, 특히 토큰(모델 사용량 단위) 지출이 소수 기업에 몰려 있다는 관찰입니다. 어떻게 작동하나. 노트는 지출 기업 데이터를 보는 Ramp의 수석이코노미스트 Ara Kharazian 자료와 Ramp AI Index를 근거로 두 가지를 보였습니다. 첫째, AI 지출은 아주 적은 수의 기업에 집중돼 있습니다. 둘째, 토큰 지출에도 순환 구조(circularity)가 보입니다. AI 생태계 안의 기업들이 서로의 고객이 되어 지출이 그 안에서 맴돈다는 뜻으로, 원문은 차트 제목으로 이를 제시합니다. VC 투자를 받은 기업은 토큰을 계속 더 사지만, 일반 기업은 최신 모델이 필요 없다고 보고 돈을 내지 않습니다. 결론으로 가는 고리. 에이전트형 AI와 토큰 지출이 경제의 좁은 영역에 머무는 동안에는 거시 효과가 제한된다는 것이 Slok의 판단입니다.

Intelligence vs Judgment: 싼 지능이 이익으로 바뀌지 않는 이유

무엇인가. 모델이 commoditized(상품화, 누가 만들든 비슷해지고 값이 떨어지는 상태)될수록 지능은 싸지지만, 기업 이익을 정하는 것은 판단이라는 주장입니다. 어떻게 작동하나. Slok은 AI를 뛰어난 계산기에 빗댑니다. 비즈니스의 판단은 맥락에 따라 달라지고, 같은 질문도 누구에게 또는 어느 모델에게 묻느냐에 따라 답이 다릅니다. 그리고 책임, 신뢰, 조직 문화, 문서화되지 않은 규범, 윤리적 트레이드오프, 공정성처럼 평판 위험을 좌우하는 요소를 AI는 다루지 못한다고 봅니다. 평판 위험은 결국 매출 성장과 이익률로 이어집니다. 언제 이 관점이 맞나. 가격 책정, 고객 예외 처리, 협력사 분쟁처럼 결과에 책임질 사람이 필요한 업무일수록 모델 가격 하락이 이익으로 곧장 넘어가지 않습니다. 반대로 계산·추출처럼 정답이 정해진 업무는 이 논리의 바깥에 있습니다.

통념과 다른 주장

저자가 든 사례

Apollo 데일리 노트: S&P 500을 7 대 493으로 나눠 본 AI 성과

• 상황: AI 투자와 기대는 크지만, 성과의 증거로 쓰이는 숫자는 대부분 빅테크 실적에서 나옵니다.
• 한 일: Slok은 Mag 7과 S&P 493의 1인당 매출과 이익률을 나란히 그리고, 샌프란시스코 연준 TFP, Ramp의 AI 지출 집중도와 토큰 지출 차트를 더해 차트 다섯 장으로 정리했습니다.
• 결과: S&P 493의 두 지표는 평평하고, TFP에서도 AI 효과가 보이지 않으며, 지출은 소수 기업에 몰려 있습니다. 구체적인 수치는 차트 이미지에만 있고 본문에는 밝히지 않았습니다.
• 연결: S&P 493 분리, 세 결과 지표, 토큰 지출 집중이라는 세 메커니즘이 한 노트 안에서 같은 결론을 가리킵니다.

기술 디테일: 우리 회사판 S&P 493을 재려면

Slok의 분리 방식을 회사 안에 옮기려면 AI 사용처마다 손익 항목을 묶은 원장(ledger)부터 만듭니다. 사용 사례 목록만으로는 ‘Mag 7 효과’와 같은 착시를 가를 수 없습니다. 원장의 한 줄은 아래 필드를 갖습니다(가상 예시).

{
  "use_case_id": "FIN-AP-03",
  "owner_bu": "재무 · 매입채무",
  "model_tier": "small",
  "monthly_token_cost_krw": 1800000,
  "pnl_line": "판관비 · 외주 처리비",
  "baseline_period": "2026-01~2026-06",
  "control_group": "AP-지역B(미도입)",
  "delta_revenue_per_fte": null,
  "delta_margin_pp": -0.1,
  "decision_owner": "재무팀장",
  "status": "conditional"
}

monthly_token_cost_krw는 모델 공급사의 사용량 API나 청구서를 팀 태그로 나눠 매달 자동으로 채웁니다. pnl_line이 비어 있는 사용처는 판정 대상에서 빼지 않고 ‘손익 연결 없음’으로 표시합니다. 이익률 효과는 토큰 비용을 뺀 순효과로 계산합니다. Slok이 지적한 대로 일반 기업에서는 토큰 비용이 이익률을 누르는 쪽으로 먼저 잡히기 때문입니다.

1인당 매출과 이익률을 비교 가능하게 만들려면 도입 전 6개월을 기준선으로 고정하고, 같은 업무를 하는 미도입 팀을 비교군으로 둡니다. 두 집단의 차이에서 도입 전 차이를 뺀 값(이중차분)을 효과로 봅니다. 매출 지표는 Slok이 2019년 4분기 기준으로 실질화했듯 물가지수로 보정하고, 성수기가 있는 업무는 전년 같은 달과 비교합니다. 표본이 작은 팀은 분기 단위로 묶어 월별 잡음을 줄입니다.

판단이 끼는 업무에서 ‘누구에게 묻느냐에 따라 답이 다르다’는 문제를 다루려면 업무를 세 등급으로 나눕니다. 계산·추출은 소형 모델로 정답률을 채점해 자동 처리합니다. 요약·초안은 중형 모델로 돌리고 사람이 고쳐 쓴 비율을 기록합니다. 가격 예외, 고객 분쟁 같은 판단 보조는 상위 모델 2종에 같은 입력을 temperature 0.2로 5회씩 돌려 일치율을 잽니다. 10회 중 8회 미만으로 같은 결론이 나오면 모델 답을 ‘참고’로만 쓰고 결정권자가 서명합니다. 이 등급은 원장의 model_tier와 연결해, 최신 모델 비용이 실제로 판단 업무에만 쓰이는지 확인하는 데도 씁니다.

실패하는 경우와 대응. 사용량만 늘고 손익 항목이 없는 사용처가 원장의 절반을 넘으면, 측정이 아니라 사용 독려 단계에 머문 것입니다. 이때는 사용처를 늘리지 말고 상위 5개 사용처에 손익 항목을 붙이는 데 집중합니다. 비교군을 둘 수 없을 만큼 전사에 한꺼번에 배포했다면, 도입 시점이 다른 지역이나 법인을 비교군으로 씁니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	4주 동안 하는 일
스폰서	CFO	점검 범위 승인, 판정 회의 주재
주관	AX 추진팀 1~2명	사용처 원장 작성, 토큰 비용 집계
재무 분석	FP&A 담당 1명	기준선·비교군 설정, 이익률 순효과 계산
사업부	사용처별 책임 팀장	손익 항목 지정, 판단 업무의 결정권자 지정
IT	플랫폼 담당 1명	사용량 API 연동, 팀 태그 정리

준비물: 최근 6개월 AI 청구서와 사용량 기록, 사업부별 인원·매출·비용 자료, 현재 운영 중인 AI 사용처 목록.

주차	할 일	산출물
1주	토큰 비용과 사용처 목록을 한 표로 모음	사용처 원장 초안
2주	사용처마다 기준선 기간과 비교군 확정	기준선 표
3주	상위 사용처의 손익 항목 연결, 순효과 계산	손익 연결표
4주	판정 회의, 확대·유지·중단 결정	판정 보고서

판정 회의에서 묻는 질문(예시).

• 이 사용처가 움직이는 손익 항목은 무엇이고, 담당 팀장은 누구인가?
• 비교군 대비 1인당 처리량이나 매출이 달라졌는가, 아니면 사용량만 늘었는가?
• 토큰 비용을 빼고도 이익률이 나아졌는가?
• 최신 모델이 꼭 필요한 업무인가, 소형 모델로 내려도 되는가?
• 결과에 책임질 사람이 지정돼 있는가?

진행 판정 기준(예시). 손익 항목이 연결되고 비교군 대비 개선이 보이며 책임자가 있으면 확대합니다. 개선 신호는 있으나 측정이 약하면 1분기 뒤 다시 판정합니다. 손익 연결 없이 사용량만 느는 사용처는 중단하고 비용을 회수합니다.

어디에 쓸까. 국내 대기업 대부분은 AI를 파는 쪽이 아니라 사서 쓰는 쪽, 곧 S&P 493 쪽에 서 있습니다. 그렇다면 경영회의에 올라가는 AI 성과 보고를 ‘사용 사례 수와 활성 사용자 수’에서 ‘손익 항목과 연결된 순효과’로 바꾸는 것이 첫걸음입니다. 순서는 CFO 주관의 4주 점검으로 원장을 만들고, 판단 업무에는 결정권자와 반복 실행 검증을 붙인 뒤, 다음 해 AI 예산을 손익이 확인된 사용처 중심으로 다시 짜는 것입니다. 그룹사라면 계열사별로 같은 원장을 돌려, 어느 계열사가 그룹의 ‘Mag 7’처럼 평균을 끌어올리고 있는지부터 갈라 볼 수 있습니다.

원문 사례

항목	내용
보도	TechCrunch(2026.10.25), Anthony Ha
원 노트	Apollo The Daily Spark, 『No Signs of AI Payoff Outside the Tech Sector』(2026.10.24), Torsten Slok
비교 집단	Mag 7(Alphabet · Amazon · Apple · Meta · Microsoft · Nvidia · Tesla) 대 S&P 493
결과 지표	1인당 매출(2019년 4분기 물가 기준), 이익률, TFP(샌프란시스코 연준, 가동률 보정, Fernald 2014)
데이터 출처	Bloomberg, Macrobond, 샌프란시스코 연준, 미국 노동통계국, Ramp(Ara Kharazian), Ramp AI Index
차트	다섯 장: 1인당 매출, 이익률, 생산성, AI 지출 집중, 토큰 지출 순환
핵심 관찰	Mag 7은 1인당 매출·이익률 상승, S&P 493은 평평. TFP에 AI 효과 없음
기업 행동	VC 투자 기업은 토큰 지출 확대, 일반 기업은 최신 모델에 지출하지 않고 토큰을 비용으로 관리
주장	모델이 상품화돼도 판단·책임·신뢰가 이익을 좌우하므로 싼 지능을 이익으로 바꾸기 어렵다
수치	본문에 구체 수치 없음(차트 이미지에만 표시)

핵심 개념

Magnificent 7 (Mag 7)

미국 증시의 시가총액 상위 빅테크 7곳을 묶어 부르는 말. 지수 수익률과 이익 증가의 큰 몫을 차지한다.

S&P 493

S&P 500에서 Mag 7을 뺀 나머지. 일반 대기업의 모습을 보려고 쓰는 시장 용어.

utilization-adjusted TFP

경기에 따라 달라지는 설비·인력 가동률을 보정한 총요소생산성. 호황기의 착시를 걷어 낸다.

token

언어 모델이 글을 나눠 처리하는 단위. 모델 사용 요금이 토큰 수로 매겨진다.

commoditization(상품화)

제품 간 차이가 줄고 가격이 떨어져 누가 만들든 비슷해지는 현상.

circularity(순환 구조)

AI 생태계 기업들이 서로의 고객이 되어 지출이 그 안에서 맴도는 모습.

Ramp AI Index

법인카드·지출관리 기업 Ramp가 고객사 지출 데이터로 집계하는 기업 AI 도입 지표.

내 메모

TODO: 내 생각 추가

원문: Anthony Ha, 『AI delivers ‘zero financial payoff’ to most companies, according to Apollo economist』(TechCrunch, 2026.10.25). 보도가 인용한 Torsten Slok의 Apollo 데일리 노트 『No Signs of AI Payoff Outside the Tech Sector』(2026.10.24)의 본문과 차트 설명을 함께 읽었습니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 두 글의 내용을 AX Review가 다시 정리했으며, TFP 가동률 보정 설명은 노트가 밝힌 Fernald(2014) 시리즈의 일반적 정의를 따랐습니다. 기술·현업 디테일, JSON 예시, 등급표, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자와 필드명은 가상 예시입니다. 원문 차트와 전체 내용은 TechCrunch와 Apollo 웹사이트에서 볼 수 있습니다.