TL;DR
토큰 사용을 아끼기보다 모델의 경계를 체험하고 업무 설계를 바꾸기 위해 적극적으로 쓰는 AI-first 습관.
출처별 관점
research/2026-06-10-the-ceo-must-be-chief-ai-officer
- Pedro Franceschi는 창업자가 토큰 비용을 지나치게 아끼면 기술의 실제 경계를 체험하기 어렵다고 말한다 [2].
- 그는 AI-first 습관을 문제가 생길 때 먼저 AI로 풀 수 없는지 묻고, 풀리지 않는 20%의 이유를 추적하는 방식으로 설명한다 [2].
- Brex는 Magpie라는 내부 시스템으로 토큰 지출을 제품, 고객, 내부 도구, 직원 단위에 귀속시키고 ROI 분석을 시도한다고 설명한다 [2].
research/20260617-harness-engineering-multiagent-ttimes
- 황민호는 멀티에이전트 하네스가 토큰 소비를 크게 늘린다고 보고, 작업별 최적 모델을 고르는 ‘모델 티어링’은 개인에게 요구하기 어렵다고 말한다 [1].
- 모델 성능이 오를수록 AI의 실수가 교묘해져 개인이 식별하기 어려우므로, 가능하면 최신·최고 모델을 쓰라고 권한다 [1].
- 본질적 질문은 ‘토큰으로 무엇을 하는가’이며, 무가치해 보이는 실험(‘딴짓’)에서 인사이트가 나오므로 자유로운 실험 풍토가 필요하다고 본다 [1].
- harness-100은 Claude Code 기준 토큰을 ~30% 더 소모하지만 결과물 품질 차이가 명확하다는 실험치를 제시한다 [1].
research/2026-06-20-claude-code-nested-subagents-business
- 영상의 issue-to-PR 데모는 6회 실행, 148,000 tokens, 21분 실행을 보여주며 nested workflow가 품질과 함께 비용/시간을 증가시킨다고 설명한다 [1].
- Anthropic은 멀티에이전트 시스템이 일반 채팅보다 약 15배 토큰을 쓸 수 있다고 설명하므로, token maxing은 예산 상한과 task value 판단 없이는 제품 리스크가 된다 [3].
- 영상은 Codex의
max_depth설정을 guardrail로 평가하므로, agent depth와 token budget ceiling은 enterprise workflow 제품의 기본 정책 표면이 된다 [1].