코드를 이미지로 바꿔 AI에게 읽혔더니 토큰값 60% 절감? 역발상 해킹의 정체

AI에게 코드를 그냥 텍스트로 넣으면 되는데, 굳이 이미지로 바꿔서 넣는다고요? 처음 들으면 정신 나간 소리처럼 들립니다. 그런데 이렇게 했더니 토큰 비용이 절반 넘게 줄었다는 실험 결과가 개발자 커뮤니티에서 화제가 되고 있습니다. 오늘은 이 역발상의 정체를 파헤쳐 보겠습니다.

먼저 솔직하게 짚고 넘어갈 부분이 있습니다. 이 주제는 아직 대규모로 검증된 벤치마크가 쏟아지는 단계는 아닙니다. 소수의 실험과 개인 프로젝트에서 나온 이야기입니다. 그래서 오늘 글은 “이렇게 하면 무조건 이득"이라는 결론이 아니라, “왜 이런 발상이 가능한가"라는 원리에 초점을 맞추겠습니다.

텍스트를 그림으로 바꾸는 발상, 대체 왜?

핵심 아이디어는 단순합니다. 코드나 문서를 텍스트가 아닌 이미지로 만들어서 멀티모달 AI 모델에게 던져주는 겁니다. 그러면 AI가 이미지 안의 글자를 스스로 읽어(OCR 하듯이) 내용을 파악합니다.

이런 아이디어를 자동화하는 도구가 pxpipe 같은 파이프라인입니다. 텍스트를 받아서 렌더링된 이미지로 변환하고, 그 이미지를 모델 입력으로 넘기는 과정을 이어주는 역할입니다.

여기서 자연스러운 의문이 생깁니다. 텍스트를 이미지로 바꾸면 데이터가 더 무거워지는 것 아닌가요? 파일 용량만 보면 맞습니다. 그런데 AI가 비용을 매기는 단위는 파일 용량이 아니라 토큰입니다. 바로 여기서 반전이 시작됩니다.

토큰이라는 요금 미터기의 비밀

AI 모델은 글자를 그대로 읽지 않습니다. 텍스트를 ‘토큰’이라는 조각으로 쪼갠 뒤 처리합니다. 그리고 우리가 내는 돈은 이 토큰 개수에 비례합니다. 택시로 치면 거리가 아니라 미터기가 올라간 횟수로 요금을 내는 셈입니다.

문제는 코드가 토크나이저 입장에서 토큰 낭비가 심한 데이터라는 점입니다. 들여쓰기 공백, 중괄호, 세미콜론, 반복되는 변수명이 전부 토큰을 잡아먹습니다. 사람 눈에는 깔끔한 코드가 토크나이저 눈에는 잘게 부서진 조각 더미인 겁니다.

반면 이미지는 다릅니다. 멀티모달 모델은 이미지를 정해진 크기의 ‘패치’로 나눠서 처리합니다. 한 장의 이미지가 소비하는 토큰 수는 대체로 이미지 크기와 해상도에 따라 정해지지, 그 안에 글자가 몇 개 들어있는지에 비례하지 않습니다. 작은 이미지 한 장에 코드 수십 줄을 빼곡히 담아도 토큰 값은 크게 오르지 않는다는 뜻입니다.

정리하면 이렇습니다. 텍스트로 넣으면 글자 수만큼 요금이 붙지만, 이미지로 넣으면 화면 한 장 값만 냅니다. 코드가 길수록, 정보 밀도가 높을수록 이 격차는 벌어집니다.

‘60% 절감’이라는 숫자는 얼마나 믿을 만한가

토큰 비용이 60% 가까이 줄었다는 이야기는 분명 솔깃합니다. 하지만 이 숫자는 조건에 크게 의존합니다.

절감 효과가 큰 경우는 명확합니다. 들여쓰기가 깊고 반복이 많은 긴 코드일수록 텍스트 토큰 낭비가 크니, 이미지로 바꿨을 때 이득도 큽니다. 반대로 짧은 한두 줄짜리 코드는 이미지로 만들어봤자 오히려 손해입니다. 이미지 한 장의 기본 토큰 값이 텍스트 몇 토큰보다 비쌀 수 있기 때문입니다.

그리고 공짜 점심은 없습니다. 눈여겨봐야 할 대가가 셋 있습니다.

첫째, 정확도입니다. 모델이 이미지 속 글자를 읽는 과정은 결국 OCR과 비슷합니다. 해상도가 낮거나 폰트가 뭉개지면 대문자 O와 숫자 0, 소문자 l과 숫자 1을 헷갈립니다. 코드에서 이런 오독은 치명적입니다.

둘째, 출력의 신뢰성입니다. 이미지로 입력을 받아도 모델이 코드를 정확히 되뱉거나 수정하려면 결국 텍스트로 다시 풀어내야 합니다. 이 과정에서 미묘한 변형이 생길 수 있습니다.

셋째, 파이프라인 복잡도입니다. 렌더링, 이미지 변환, 다시 텍스트화하는 단계가 늘어납니다. 절약한 토큰 비용을 엔지니어링 시간으로 되갚는 셈이 될 수도 있습니다.

꼼수인가, 아니면 구조적 신호인가

저는 이 실험을 단순한 꼼수로 보지 않습니다. 오히려 토크나이저 경제학의 민낯을 드러내는 신호로 봅니다.

생각해보면 이상한 일입니다. 같은 정보를 텍스트로 넣느냐 그림으로 넣느냐에 따라 요금이 절반씩 차이 난다는 건, 지금의 토큰 과금 방식이 정보의 실제 양을 제대로 반영하지 못한다는 뜻이기 때문입니다. 사람들은 이 틈을 파고들어 ‘재정 차익거래’를 하고 있는 겁니다.

Fable을 비롯한 최신 멀티모달 모델들이 이미지 이해 능력을 끌어올리면서, 이런 발상은 점점 더 현실적인 선택지가 되고 있습니다. 텍스트와 이미지의 경계가 흐려질수록, ‘어떤 형식으로 넣는 게 가장 싼가’라는 최적화 게임이 본격화될 겁니다.

다만 이런 틈은 오래가지 않을 가능성도 큽니다. 모델 제공사가 이미지 토큰 과금 방식을 조정하면 차익은 순식간에 사라집니다. 지금의 절감 효과는 영구적인 법칙이 아니라, 특정 시점의 요금 구조가 만든 일시적 창일 수 있습니다.

결국 이 이야기의 진짜 교훈은 절감률 숫자가 아닙니다. AI에게 정보를 어떻게 ‘포장’해서 건네느냐에 따라 비용과 정확도가 크게 달라진다는 사실입니다. 여러분이라면 정확도를 조금 걸고 비용을 아끼는 이 거래, 받아들이시겠습니까? 아니면 코드만큼은 끝까지 텍스트로 고집하시겠습니까?