By name: cost-model description: | AI 제품 원가 구조 분석 — 데이터, 학습, 추론, 인프라 비용 산출 Use when: AI 원가, 비용 구조, GPU 비용, 추론 비용, cost structure, AI cost, inference cost, unit economics Triggers: AI 원가, 비용 구조, GPU 비용, 추론 비용, cost structure, AI cost, inference cost, unit economics Do NOT use for: 매출/수익 분석 (BM 정의는 별도 단계 2-7) user-invocable: true category: business-automation argument-hint: "[사업 아이템 설명]"
AI 제품 원가 구조 분석 (AI Cost Model)
사용자가 제시한 AI 제품/서비스의 원가 구조를 상세 분석하세요.
비용 카테고리
1. 데이터 비용
- 데이터 수집: 크롤링, API 호출, 데이터 구매, 라벨링
- 데이터 저장: 클라우드 스토리지, DB 비용
- 데이터 전처리: ETL 파이프라인, 클렌징 인력/도구
- 데이터 거버넌스: 개인정보 처리, 컴플라이언스 비용
2. 모델 학습 비용 (Training)
- GPU 비용: A100/H100 시간당 비용 × 학습 시간
- 파인튜닝: 사전학습 모델 기반 파인튜닝 비용
- 실험 비용: 하이퍼파라미터 튜닝, A/B 테스트
- 인력: ML 엔지니어 인건비
3. 추론 비용 (Inference)
- API 호출: 외부 LLM API (토큰당 비용 × 예상 호출량)
- 자체 서빙: GPU 서버 운영 비용 (온프레미스 vs 클라우드)
- 배치 처리 vs 실시간: 처리 방식에 따른 비용 차이
- 캐싱 전략: 반복 쿼리 캐싱으로 절감 가능한 비용
4. 인프라 비용
- 클라우드: AWS/GCP/Azure 월간 비용
- 네트워킹: 데이터 전송, CDN, API Gateway
- 모니터링: MLOps 도구, 로깅, 알림
- 보안: WAF, 인증, 암호화
5. 운영 비용
- 인력: PM, 엔지니어, 운영, CS
- SaaS 도구: 개발/협업/모니터링 도구
- 법무/컴플라이언스: AI 규제 대응
출력 형식
- 비용 항목 상세표 (월간 / 연간)
- 비용 구성비 차트 (데이터 / 학습 / 추론 / 인프라 / 운영)
- 스케일별 시나리오 (사용자 100명 / 1,000명 / 10,000명)
- 비용 절감 레버 (캐싱, 모델 경량화, 배치 처리 등)
- Unit Cost (건당 / 사용자당 / 토큰당)
- BEP 분석 (손익분기점 도달 시점)
$ARGUMENTS
Gotchas
- 추론 비용은 모델 세대교체마다 급변 — 분석 시점의 가격을 명시하고, 6개월 후 재검증 필요. GPU 단가는 클라우드 리전별로 2~3배 차이
- KT DS 맥락 유지: 모든 분석은 KT DS의 SI/SM 역량, KT 그룹 고객 기반을 고려해야 함. 일반적인 스타트업 관점과 다름
- HITL 필수: AI 분석 초안 제공 후 반드시 담당자 검증 요청. 결과를 그대로 수용하지 않음
- 산출물 언어: 한국어 작성, 프레임워크 용어는 원어 병기