---
title: "사용자당 LLM 비용: SaaS AI 기능 단위 경제성 | BroadRouter"
description: "AI 기능이 활성 사용자 1명당 월 얼마인지 계산하고, 평균보다 헤비 유저가 더 중요한 이유와 모델 비용을 감당하는 SaaS 요금제 설계법을 정리합니다."
url: https://broadrouter.com/ko/blog/llm-cost-per-user-saas/
lang: ko
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

이 페이지는 영어 원문을 AI의 도움을 받아 번역했습니다. [영어 원문 읽기](https://broadrouter.com/blog/llm-cost-per-user-saas/) (2026-11-14 업데이트).

# 사용자당 LLM 비용: SaaS AI 기능의 단위 경제성

BroadNet Inference 팀 · 6분 분량 · 게시 2026-11-14

사용자당 LLM 비용은 활성 사용자 1명의 월 요청 수 × 요청당 토큰 수 × 100만 토큰당 가격입니다. usage 필드로 기능별로 측정하고, 요금제는 평균이 아니라 90번째 백분위 사용자를 기준으로 정하며, 꼬리 구간에는 공정 사용 한도를 두세요. 더 싼 모델, 캐싱, 낮은 추론 강도가 이 숫자를 바로 줄여 줍니다.

## 핵심 요약

-   사용자당 비용 = 사용자당 요청 수 × (요청당 입력, 캐시된 입력, 출력 토큰) × 100만 토큰당 가격.
-   usage 필드로 기능별, 사용자별로 측정하세요. 평균은 청구액을 끌어올리는 헤비 유저를 감춥니다.
-   모델 선택에 따라 사용자당 비용이 몇 배 달라집니다. 100만 토큰당 출력 가격 $0.22, $0.52, $3.46 요금을 비교해 보세요.
-   요금제는 90번째 백분위 사용자를 기준으로 정하고, 꼬리 구간에는 공정 사용 한도를 두세요.
-   캐싱, reasoning\_effort, 라우팅은 제품을 바꾸지 않고도 사용자당 비용을 줄입니다.

**이 페이지의 내용**

1.  사용자당 LLM 비용은 어떻게 계산하나요?
2.  1단계: 활성 사용자는 누구이고, 단위는 무엇인가요?
3.  2단계: 단위당 토큰은 어떻게 측정하나요?
4.  3단계: 일반 사용자의 비용은 얼마인가요? 계산 예시
5.  4단계: 평균 사용자가 오해를 부르는 이유는 무엇인가요?
6.  5단계: 요금제와 한도는 어떻게 정하나요?
7.  6단계: 제품을 바꾸지 않고 사용자당 비용을 줄이려면 어떻게 하나요?
8.  정액 플랜으로 SaaS 사용자에게 서비스할 수 있나요?
9.  모델 외에 어떤 비용이 더 드나요?
10.  무료 요금제와 체험판은 어떻게 다뤄야 하나요?
11.  요약

SaaS 제품에 AI 기능을 넣으면 비용 구조가 바뀝니다. 호스팅과 저장 비용은 사용자마다 대체로 같지만, LLM 호출 비용은 많이 쓸수록 커집니다. 활성 사용자 1명이 얼마를 쓰는지 모른 채 기능 가격을 정하면, 열성 고객 몇 명 때문에 수익이 나던 요금제가 적자로 바뀔 수 있습니다. 이 글은 사용자당 LLM 비용을 계산하는 방법, 평균이 잘못된 숫자인 이유, 그리고 이를 요금제 설계에 쓰는 방법을 설명합니다.

## 사용자당 LLM 비용은 어떻게 계산하나요?

기능 하나와 모델 하나에 대해 다음과 같이 계산합니다.

```text
cost per user per month =
    requests per active user per month
  × [ new input tokens × input price
    + cached tokens    × cached price
    + output tokens    × output price ] / 1,000,000
```

추론 모델에서는 출력에 추론 토큰이 포함되고, 종량제 키에서는 이미지가 입력 토큰으로 계산됩니다. 세 가지 가격을 다시 확인하고 싶다면 [LLM API 가격 책정 방식](https://broadrouter.com/ko/blog/llm-api-pricing-explained/)을 읽어 보세요.

사용자가 쓰는 기능의 비용을 모두 더하면 사용자당 총 AI 비용이 나옵니다.

## 1단계: 활성 사용자는 누구이고, 단위는 무엇인가요?

이미 보고에 쓰고 있는 정의를 고르세요. 예를 들면 한 달에 AI 기능을 한 번 이상 쓴 사용자입니다. 그다음 기능이 자연스럽게 만들어 내는 단위를 고르세요. 채팅 한 턴, 생성된 문서 하나, 분석한 파일 하나, 요약한 통화 하나 같은 것입니다. 단위당 비용은 사용자당 비용보다 안정적이고 따져 보기도 쉽습니다.

## 2단계: 단위당 토큰은 어떻게 측정하나요?

단어 수로 추정하지 마세요. 모든 응답의 `usage` 블록을 기능 태그, 해시 처리한 사용자 또는 계정 ID와 함께 기록하세요. 프롬프트 토큰, 캐시된 토큰, 완성 토큰을 시도 하나당 한 행씩 남기면 됩니다. [사용량 로깅 글](https://broadrouter.com/ko/blog/llm-api-usage-logging/)에 바로 쓸 수 있는 래퍼와 사용자별·기능별로 비용을 묶는 SQL이 있습니다. 트래픽이 생기기 전에는 [토큰 카운터](https://broadrouter.com/tools/token-counter/)로 샘플 프롬프트에서 첫 추정치를 얻을 수 있습니다.

스트리밍 응답이라면 `stream_options={"include_usage": True}`로 마지막 청크에 사용량을 요청하세요. [스트리밍 가이드](https://broadrouter.com/ko/guides/streaming-chat-completions/)를 참고하세요. 모델에 도달한 시도는 모두 과금되므로 재시도를 포함해 모든 시도를 세세요.

## 3단계: 일반 사용자의 비용은 얼마인가요? 계산 예시

제품에 앱 내 어시스턴트가 있다고 해 봅시다. 일반적인 활성 사용자 1명의 한 달을 측정한 결과입니다.

| 측정 항목 | 값 |
| --- | --- |
| 활성 일수 | 20 |
| 활성일당 어시스턴트 요청 수 | 15 |
| 요청당 입력 토큰 | 3,000 (절반은 캐시) |
| 요청당 보이는 답변 토큰 | 400 |
| 요청당 추론 토큰(추론 모델) | 약 600 |

한 달에 요청 300개, 입력 토큰 약 900,000개(그중 450,000개는 캐시), 보이는 출력 토큰 120,000개이고, 추론 모델이라면 추론 토큰 약 180,000개가 더해집니다.

BroadNet의 100만 토큰당 가격을 적용합니다. 토큰 수는 백만 단위이므로 각 항은 백만 토큰 × 100만 토큰당 가격입니다.

| 모델 | 100만 토큰당 입력 / 캐시 / 출력 | 이 사용자의 한 달 |
| --- | --- | --- |
| [Gemma 4 VL 26B](https://broadrouter.com/ko/models/gemma-4-vl-26b/) | $0.10 / 캐시 요금 없음 / $0.22 | 0.9 × $0.10 (모든 입력을 정상 가격으로) + 0.12 × $0.22 (추론 토큰 없음) = **$0.12** |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ko/models/deepseek-v4.1-flash/) | $0.175 / $0.0055 / $0.52 | 0.45 × $0.175 + 0.45 × $0.0055 + 0.3 × $0.52 = **$0.24** |
| [Qwen3.8 27B](https://broadrouter.com/ko/models/qwen3.8-27b/) | $0.175 / $0.0435 / $2.17 | 0.45 × $0.175 + 0.45 × $0.0435 + 0.3 × $2.17 = **$0.75** |
| [GLM 5.3](https://broadrouter.com/ko/models/glm-5.3/) | $0.78 / $0.173 / $3.46 | 0.45 × $0.78 + 0.45 × $0.173 + 0.3 × $3.46 = **$1.47** |

추론 모델의 출력 0.3M은 보이는 답변 0.12M과 추론 0.18M을 더한 값입니다. 계산해 보면 같은 사용자에 대해 GLM 5.3 행은 Gemma 4 VL 26B 행의 10배가 넘습니다([Gemma 4 VL 26B vs GLM 5.3 비교](https://broadrouter.com/compare/gemma-4-vl-26b-vs-glm-5.3/)에서 둘을 나란히 볼 수 있습니다). 모든 추론 모델에서 가장 큰 항은 출력이고, 그 출력의 절반 이상이 추론 토큰입니다. 직접 측정한 값을 [LLM API 비용 계산기](https://broadrouter.com/tools/llm-api-cost-calculator/)에 넣어 여러분의 수치를 구하세요.

## 4단계: 평균 사용자가 오해를 부르는 이유는 무엇인가요?

AI 기능의 사용량은 한쪽으로 쏠려 있습니다. 대부분의 사용자는 기능을 몇 번 써 보는 데 그치고, 소수는 하루 종일 씁니다. 평균은 이 소수를 감추는데, 청구액을 끌어올리는 것은 바로 이들입니다.

사용량 로그에서 사용자 1명의 월 비용을 다음과 같이 계산하세요.

-   **중앙값.** 일반 사용자의 비용입니다.
-   **90번째 백분위.** 많이 쓰지만 정상 범위인 사용자의 비용입니다. 이 사용자에게서도 수익이 나도록 요금제 가격을 정하세요.
-   **99번째 백분위와 최댓값.** 꼬리 구간입니다. 이 사용자에게는 공정 사용 한도, 상위 요금제, 또는 자동화와 남용 여부 점검이 필요합니다.

99번째 백분위 사용자의 비용이 중앙값의 몇 배라고 해서 그 자체로 문제는 아닙니다. 가격을 정할 때 쓰는 입력값입니다.

## 5단계: 요금제와 한도는 어떻게 정하나요?

사용자당 비용을 알면 가격 결정은 마진의 문제가 됩니다.

1.  **요금제의 목표 매출 총이익률을 정하세요.**
2.  **그 이익률이 허용하는 사용자당 최대 AI 비용을 거꾸로 계산하세요.**
3.  **90번째 백분위와 비교하세요.** 90번째 백분위가 범위 안에 들면 그 요금제는 성립합니다. 그렇지 않다면 비용을 줄이거나(6단계), 가격을 올리거나, 많이 쓰는 사용을 상위 요금제로 옮기세요.
4.  **토큰을 사용자가 이해하는 단위로 바꾸세요.** 사용자는 토큰 단위로 생각하지 않습니다. 하루 요청 수, 월 문서 수, 오디오 분량으로 한도를 두되, 허용되는 최대 사용량이 비용 상한 안에 머물도록 크기를 정하세요.
5.  **매달 다시 확인하세요.** 프롬프트 변경, 새 기능, 모델 변경이 모두 사용자당 비용을 움직입니다.

## 6단계: 제품을 바꾸지 않고 사용자당 비용을 줄이려면 어떻게 하나요?

-   **캐시하세요.** 변하지 않는 시스템 프롬프트와 도구 목록을 맨 앞에 두세요. DeepSeek V4.1 Flash에서 캐시된 입력은 100만 토큰당 $0.175 요금 대신 $0.0055 요금입니다. [캐시 적중률을 높이는 방법](https://broadrouter.com/ko/blog/cached-input-tokens-explained/).
-   **추론을 낮추세요.** 일상적인 요청에 `reasoning_effort`를 `low`로 설정하면 가장 비싼 토큰이 줄어듭니다. [추론에 드는 비용](https://broadrouter.com/ko/blog/reasoning-tokens-cost/).
-   **난이도별로 라우팅하세요.** 단순한 요청은 Gemma 4 VL 26B로 보내고, 추론 모델은 어려운 요청에만 쓰세요.
-   **대화 기록을 줄이세요.** 긴 대화는 턴마다 전부 다시 보냅니다. 품질이 허락하는 범위에서 오래된 턴을 요약하거나 잘라 내세요.
-   **출력에 상한을 두세요.** 기능별로 `max_tokens`를 설정하되, 추론 모델에는 추론할 여유를 남겨 두세요.

더 많은 통제 방법은 [LLM API 지출 관리](https://broadrouter.com/ko/blog/llm-api-spend-control/)에 있습니다.

## 정액 플랜으로 SaaS 사용자에게 서비스할 수 있나요?

DeepSeek V4.1 Flash용 BroadNet 무제한 플랜(세션당 월 $60 요금)은 자신의 키로 자신의 앱이나 서비스에 넣어 쓸 수 있지만, 세션마다 **한 번에 요청 1개**를 처리하며 키를 공유하거나 재판매할 수 없습니다. 그래서 플랜은 동시 처리가 적은 백엔드 작업에 잘 맞습니다. 야간 보고서 생성기, 큐 기반 요약기, 내부 에이전트 같은 경우입니다. 동시 요청이 많은 대화형 사용자 트래픽에는 대개 종량제 키(키당 동시 요청 4개, 분당 30개)나 여러 세션을 씁니다. 현재 조건은 [플랜 페이지](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-llm-cost-per-user-saas&utm_content=body)에서 확인하세요.

## 모델 외에 어떤 비용이 더 드나요?

토큰에서 나오는 사용자당 비용은 AI 비용의 일부일 뿐입니다. 검색과 벡터 저장소, 전사(오디오 분 단위 과금, 예를 들어 BroadNet의 아랍어 전사는 분당 $0.0042 요금), 재시도, 평가 실행 비용을 더하세요. 사용자가 아랍어나 영어가 아닌 다른 언어로 쓴다면 메시지당 토큰이 영어보다 많을 것으로 예상하세요. 자신의 콘텐츠로 [단어당 토큰 수를 측정](https://broadrouter.com/ko/blog/tokens-per-word-arabic-english/)해 보세요.

## 무료 요금제와 체험판은 어떻게 다뤄야 하나요?

무료 요금제는 돈을 내지 않는 사용자 수만큼 사용자당 비용을 늘립니다. 마케팅 비용으로 취급하세요. 무료 사용자에게는 기능을 잘 보여 주는 가장 싼 모델을 제공하고, 유료 요금제보다 엄격한 일일 한도를 두며, 무료 사용자의 AI 비용을 별도 항목으로 추적하세요. 무료 사용자가 전환된다면 그 항목은 고객 획득 비용이고, 전환되지 않더라도 한도가 비용을 작게 유지해 줍니다.

## 요약

usage 필드로 단위당 토큰을 측정하고, 게시된 가격을 곱하고, 평균이 아니라 90번째 백분위를 보고, 이를 바탕으로 요금제 가격과 한도를 정하세요. 그런 다음 캐싱, 라우팅, 낮은 추론 강도로 모든 단위를 더 싸게 만드세요. 아직 아무것도 측정하지 않았다면 [월간 비용 예상 방법](https://broadrouter.com/ko/blog/estimate-llm-api-cost-before-launch/)부터 시작하세요.

관련 무료 도구 (영어)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[무료 도구 (영어)](https://broadrouter.com/tools/)

## 이 글의 용어

[입력 토큰과 출력 토큰(input and output tokens)](https://broadrouter.com/ko/glossary/input-and-output-tokens/)

입력 토큰은 언어 모델이 요청에서 읽는 토큰으로, 시스템 프롬프트, 대화 기록, 도구 정의, 이미지가 포함됩니다. 출력 토큰은 모델이 응답으로 생성하는 토큰으로, 추론도 포함됩니다. LLM API는 보통 둘에 따로 가격을 매기며, 대개 출력이 더 비쌉니다.

[종량제(Pay-as-you-go)](https://broadrouter.com/ko/glossary/pay-as-you-go/)

종량제(pay-as-you-go)는 구독이나 최소 약정 없이 토큰, 요청, 오디오 분 같은 단위로 사용량을 측정해 쓴 만큼만 내는 요금 방식입니다. 대부분의 LLM API가 선불 잔액에서 차감하거나 정기 청구서를 발행하는 식으로 이렇게 과금합니다.

[추론 토큰(reasoning tokens)](https://broadrouter.com/ko/glossary/reasoning-tokens/)

추론 토큰(reasoning tokens)은 추론 모델이 눈에 보이는 답변을 쓰기 전에 문제를 풀기 위해 생성하는 토큰입니다. 보통 출력 토큰으로 과금되고, 출력 한도와 컨텍스트 윈도우에 포함되며, API에 따라 숨겨지거나 요약되어 제공됩니다.

[도구 호출(tool calling)](https://broadrouter.com/ko/glossary/tool-calling/)

도구 호출(tool calling)은 함수 호출(function calling)이라고도 하며, 모델이 개발자가 정의한 함수를 실행해 달라는 구조화된 요청을 JSON 인자와 함께 반환하는 LLM API 기능입니다. 함수는 애플리케이션이 실행하고 그 결과를 다시 보냅니다. 모델이 직접 코드를 실행하지는 않습니다.

[동시 처리(concurrency)](https://broadrouter.com/ko/glossary/concurrency/)

동시 처리(concurrency)는 클라이언트가 같은 시점에 진행 중인 요청 수입니다. LLM API는 분당 요청 수와 별도로 키나 플랜마다 이를 제한하는 경우가 많습니다. 열려 있는 요청은 응답이 끝날 때까지 GPU 용량을 차지하기 때문입니다.

[벡터 데이터베이스(vector database)](https://broadrouter.com/ko/glossary/vector-database/)

벡터 데이터베이스는 임베딩 벡터를 원본 텍스트, 메타데이터와 함께 저장하고 최근접 이웃 쿼리에 답하는 데이터 저장소입니다. 쿼리 벡터가 주어지면 저장된 벡터 중 가장 비슷한 것을 돌려주며, 보통 코사인 거리, 유클리드 거리, 내적으로 유사도를 잽니다.

[속도 제한(rate limit)](https://broadrouter.com/ko/glossary/rate-limit/)

속도 제한(rate limit)은 API가 일정 시간 동안 클라이언트가 사용할 수 있는 양에 두는 상한으로, 분당 요청 수나 분당 토큰 수 같은 기준이 있습니다. 한도를 넘은 요청은 사용량이 다시 한도 아래로 내려갈 때까지 거부되며, 보통 HTTP 429 Too Many Requests가 반환됩니다.

[지출 한도(spend limit)](https://broadrouter.com/ko/glossary/spend-limit/)

지출 한도(spend limit)는 API 계정, 프로젝트 또는 키가 일정 기간, 보통 한 달 동안 쓸 수 있는 금액의 상한입니다. 사용량이 한도에 도달하면 제공업체는 기간이 초기화되거나 한도가 올라갈 때까지 이후 요청을 거부하며, 흔히 HTTP 429 또는 400 오류를 반환합니다.

## 자주 묻는 질문

### 사용자에게 토큰 단위로 요금을 받아야 하나요?

최종 사용자에게는 거의 그렇지 않습니다. 대부분은 한도가 명확한 정액 요금제를 선호합니다. 토큰은 내부에서 측정하고, 가격은 요청 수, 문서 수, 좌석 수로 매기며, 가장 많이 쓰는 꼬리 구간에는 공정 사용 한도를 두세요.

### BroadNet 정액 플랜으로 SaaS 사용자에게 서비스할 수 있나요?

BroadNet은 자신의 키로 플랜을 자신의 앱이나 서비스에 넣어 쓰는 것을 허용합니다. 세션마다 한 번에 요청 1개를 처리하므로 백엔드 에이전트나 동시 처리가 적은 기능에 맞습니다. 동시 요청이 많은 사용자 대상 트래픽에는 대개 종량제 키나 여러 세션이 필요합니다.

### 구독료에서 AI 비용은 어느 정도 비중이어야 하나요?

모두에게 맞는 숫자는 없습니다. 사업에 필요한 매출 총이익률을 먼저 정하고, 거꾸로 계산해 많이 쓰는 일반 사용자가 최대 얼마까지 비용을 써도 되는지 구한 뒤 그에 맞춰 한도를 정하세요.

### 사용자당 비용은 얼마나 자주 다시 계산해야 하나요?

프롬프트, 모델, 기능을 바꿀 때마다, 그리고 적어도 한 달에 한 번은 다시 계산하세요. 프롬프트와 사용자 행동이 바뀌면 토큰 수도 달라집니다.

## 이어서 읽기

-   [기능 출시 전에 LLM API 비용을 예상하는 방법](https://broadrouter.com/ko/blog/estimate-llm-api-cost-before-launch/)
-   [LLM API 비용 통제: 예산, 키 한도, 무한 루프 방지](https://broadrouter.com/ko/blog/llm-api-spend-control/)
-   [추론 토큰: 보이는 것보다 많은 출력 요금을 내는 이유](https://broadrouter.com/ko/blog/reasoning-tokens-cost/)
-   [캐시된 입력 토큰: 프롬프트 캐싱으로 LLM API 요금 줄이기](https://broadrouter.com/ko/blog/cached-input-tokens-explained/)
-   [2026년 10월 LLM API 가격 변동: 인상 3건, 인하 없음](https://broadrouter.com/ko/blog/llm-api-price-changes-october-2026/)
-   [LLM API 가격은 얼마나 자주 바뀔까? 3년치 가격 페이지 아카이브 분석](https://broadrouter.com/ko/blog/how-often-llm-api-prices-change/)
-   [가이드: BroadNet Inference에서 OpenAI Python SDK 사용하기](https://broadrouter.com/ko/guides/openai-python-sdk/)
-   [가이드: 채팅 완성 스트리밍과 끊긴 연결 처리하기](https://broadrouter.com/ko/guides/streaming-chat-completions/)

실제 워크로드로 테스트해 보세요. 신규 계정에는 US$5 상당의 초기 크레딧이 제공되며 Gemma 및 음성 전사에 사용할 수 있습니다. DeepSeek, GLM 및 Qwen3.8 모델은 충전이 필요합니다.

[시작하기](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-llm-cost-per-user-saas&utm_content=page-cta) ·

**출처**

-   [BroadNet Inference 기계 판독용 가격(pricing.json) (영어)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-llm-cost-per-user-saas&utm_content=sources)
-   [BroadNet Inference API 레퍼런스, usage 필드와 한도 (영어)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-llm-cost-per-user-saas&utm_content=sources)
-   [BroadNet Inference 무제한 플랜과 플랜 FAQ (영어)](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ko-blog-llm-cost-per-user-saas&utm_content=sources)
-   [OpenAI API 레퍼런스, chat completions usage 객체](https://platform.openai.com/docs/api-reference/chat/create)
