임베딩 API 5곳, 100만 토큰에 열 배가 갈립니다

글쓴이김성진·발행일2026년 8월 27일

임베딩 값을 계산하려다 막히는 지점

사내 문서를 AI가 찾아서 대답하게 만들려면, 문서를 먼저 숫자 목록으로 바꿔야 합니다.

이 변환을 임베딩이라고 부릅니다. “환불 규정”과 “돈 돌려받는 법”이 글자는 하나도 안 겹치는데도 비슷한 뜻이라는 걸 기계가 알아채게 만드는 작업입니다.

여기까지가 이 글을 읽는 데 필요한 사전 지식 전부입니다.

문제는 그다음입니다. 어느 회사 걸 쓸지 정하려고 요금 페이지 다섯 개를 열어 보면, 이렇게 적혀 있습니다.

오픈AI는 100만 토큰에 0.02달러. 업스테이지도 0.02달러. 보야지는 0.06달러. 구글은 0.20달러. 코히어는 시간당 4달러.

앞의 넷은 그래도 같은 줄에 세울 수 있습니다. 마지막 하나는 단위가 아예 다릅니다.

이 글은 그 다섯을 같은 자로 재 보고, 어디서 열 배가 벌어지는지, 그리고 그 열 배가 성능 차이인지 아닌지를 확인합니다. RAG를 처음 붙여 보는 사람 기준으로 썼습니다.

모든 숫자는 2026년 8월 27일에 각 회사 공식 요금 페이지를 직접 열어 확인한 값입니다. 확인이 안 된 항목은 뒤쪽에 따로 적어 뒀습니다.

열 배 차이가 나는데, 그게 성능 차이는 아닙니다

먼저 결론부터 놓겠습니다.

100만 토큰(A4 용지로 대략 1,500장 분량의 글)을 숫자로 바꾸는 데 드는 돈입니다.

맨 위와 맨 아래가 열 배입니다.

여기서 흔한 오해 하나를 먼저 걷어내겠습니다. 비싼 게 열 배 똑똑한 게 아닙니다.

오픈AI가 자기 문서에 두 모델의 MTEB 점수를 적어 뒀습니다. MTEB는 임베딩 모델의 검색 정확도를 재는 공개 시험지 같은 것입니다.

• text-embedding-3-small (0.02달러) — 62.3%
• text-embedding-3-large (0.13달러) — 64.6%

2.3점 차이에 값은 6.5배입니다.

물론 검색 품질 2.3점이 서비스에 따라 결정적일 수 있습니다. 하지만 “비싼 걸 쓰면 확실히 낫겠지”라는 감으로 6.5배를 지불하는 것과, 2.3점을 알고 지불하는 것은 다른 결정입니다.

다섯 곳이 서로 다른 것을 셉니다

값을 나란히 못 놓는 진짜 이유는 회사마다 세는 대상이 다르기 때문입니다.

토큰당 과금은 쓴 만큼 냅니다. 안 쓰면 0원입니다.

시간당 과금은 켜 둔 만큼 냅니다. 아무도 검색을 안 해도 청구서가 나옵니다.

이 차이가 소규모 서비스에서는 전부입니다. 뒤에서 숫자로 보겠습니다.

토큰으로 파는 셋 — 오픈AI·보야지·업스테이지

오픈AI — 기본값이라 안전하지만 최저가는 아닙니다

세 가지를 팝니다.

여기서 눈여겨볼 건 가운데 줄이 아니라 맨 아랫줄입니다.

ada-002는 옛날 모델인데 0.10달러입니다. 새로 나온 3-small은 0.02달러입니다. 더 좋은 모델이 5분의 1 값입니다.

혹시 예전 튜토리얼을 보고 ada-002로 코드를 짰다면, 모델 이름 한 줄만 바꿔도 요금이 5분의 1이 됩니다. 오늘 확인해 볼 만한 일입니다.

오픈AI는 dimensions 파라미터로 차원 수를 줄일 수 있습니다. 문서에 이렇게 적혀 있습니다 — 3-large를 줄여서 쓰면, 줄이지 않은 ada-002(1,536차원)보다 오히려 낫다고요. 이게 왜 돈 문제인지는 뒤에서 설명하겠습니다.

보야지 — 무료 구간이 압도적으로 넓습니다

보야지는 앤트로픽이 문서 검색용으로 추천해 온 곳입니다. 값은 이렇습니다.

2억 토큰이 무료입니다.

이게 얼마나 되는 양인지 감을 잡아 보겠습니다. 문서 한 건을 500토큰으로 잡으면 문서 40만 건입니다. 웬만한 사내 위키는 통째로 넣고도 남습니다.

즉 개인 프로젝트나 초기 서비스 규모에서는 보야지가 사실상 0원입니다. 다른 곳과 비교할 때 이 칸을 빼놓으면 계산이 통째로 어긋납니다.

사양도 넉넉합니다. 네 모델 모두 컨텍스트가 32,000토큰입니다. 오픈AI(8,192토큰)의 4배라, 긴 계약서나 논문을 자르지 않고 통째로 넣을 수 있습니다.

차원은 기본 1,024에 256·512·2,048 중에 고를 수 있고, int8·binary 같은 압축 형식도 지원합니다. 이건 저장 비용과 직결됩니다.

업스테이지 — 세대 하나 건너뛰면 5분의 1이 됩니다

한국 회사라 한국어 문서를 다루는 팀이 후보로 올려 보는 곳입니다.

오픈AI와 똑같은 구도입니다. 신형이 구형의 5분의 1입니다.

단, 여기엔 다른 곳에 없는 항목이 하나 붙습니다. 요금 페이지에 표시된 값이 부가세 10% 별도라고 명시돼 있습니다.

0.02달러가 실제로는 0.022달러라는 뜻입니다. 금액이 작을 땐 무시해도 되지만, 문서 수백만 건을 한 번에 넣는 작업이라면 계산에 넣어야 합니다. 해외 서비스 표시가와 나란히 놓을 때 이 칸을 잊기 쉽습니다.

문서 파싱도 같이 팝니다. Document Parse Standard가 페이지당 0.01달러, Enhanced가 페이지당 0.03달러입니다. PDF를 글자로 바꾸는 단계까지 한 곳에서 끝내려는 경우엔 이 값도 같이 봐야 합니다.

입력 종류로 값이 갈리는 곳 — 구글

구글은 표를 다르게 그려야 합니다. 넣는 게 글자냐 그림이냐 소리냐에 따라 단가가 다르기 때문입니다.

Gemini Embedding 2 기준입니다.

글자와 비디오가 60배입니다.

텍스트만 쓸 거라면 구글은 이 표에서 가장 비싼 축입니다. 0.20달러는 오픈AI 3-small의 열 배입니다.

텍스트 전용인 구형 gemini-embedding-001은 0.15달러로 조금 쌉니다. 다만 최대 입력이 2,048토큰뿐이라 긴 문서를 잘라 넣어야 합니다. Gemini Embedding 2는 8,192토큰입니다.

그럼 구글은 언제 값을 하나. 글자 말고 다른 걸 같이 검색해야 할 때입니다.

제품 사진과 설명을 같은 공간에 놓고 “이런 느낌의 의자”로 찾게 하거나, 회의 녹음을 텍스트로 옮기지 않고 바로 검색하게 하려면 — 다른 넷으로는 그 자체가 안 됩니다. 별도 변환 단계를 붙여야 하고, 그 단계에도 돈과 오류가 붙습니다.

차원은 기본 3,072이고 128~3,072 사이에서 조절할 수 있습니다(문서가 768·1,536·3,072을 권합니다). 100개 넘는 언어를 지원한다고 적혀 있습니다.

시간으로 파는 곳 — 코히어

코히어는 이 표에서 혼자 다른 세계에 있습니다.

공식 요금 페이지에서 Embed 4는 Model Vault라는 전용 배포 방식으로 팔립니다.

“완전 관리형 모델 배포 · 공유 자원이나 멀티테넌시 오버헤드 없음”이라고 설명돼 있습니다. 내 전용 서버를 통째로 빌리는 방식입니다.

여기서 중요한 건 이겁니다. 검색이 0건인 달에도 2,500달러가 나갑니다.

토큰당 과금은 안 쓰면 0원인데, 이쪽은 켜 두는 순간부터 시계가 돕니다. 이건 결함이 아니라 다른 고객을 겨냥한 상품입니다. 지연 시간이 일정해야 하고, 데이터가 남의 공용 서버를 거치면 안 되는 회사가 사는 물건입니다.

무료 체험용 트라이얼 키가 있긴 한데, 문서에 **“속도 제한이 있고 프로덕션이나 상업적 용도로는 허용되지 않는다”**고 못 박혀 있습니다. 시험은 되지만 서비스에 붙일 수는 없습니다.

정리하면, 개인이나 소규모 팀이 RAG를 붙이는 상황에서 코히어는 후보에서 빠집니다. 값이 비싸서가 아니라 파는 단위가 안 맞아서입니다.

지나 AI가 요금표에 못 들어온 이유

여섯 번째로 후보에 올렸다가 요금 표에서 뺀 곳이 있습니다. 지나 AI입니다.

모델 자체는 촘촘하게 나뉘어 있습니다.

omni 계열은 구글처럼 글자와 그림을 같이 다룹니다. v4는 무료지만 연구용으로만 허용됩니다. v3는 89개 언어를 지원한다고 적혀 있습니다.

문제는 파는 방식입니다. 임베딩 페이지가 안내하는 건 토큰 단가가 아니라 처리량 등급입니다.

“100만 토큰에 얼마”라는 칸이 이 페이지에는 없습니다. 그래서 앞의 표에 나란히 놓을 수가 없었습니다.

모델 종류로만 보면 이 글의 다섯 곳보다 선택지가 많습니다. 다만 값을 미리 계산해 두고 시작하려는 상황에서는 한 단계를 더 밟아야 합니다.

62.3과 64.6은 무엇을 잰 점수인가

앞에서 MTEB 점수를 꺼냈으니 이 숫자가 뭔지 짚고 가겠습니다. 여기를 오해하면 비싼 모델을 고를 이유를 잘못 세우게 됩니다.

MTEB는 임베딩 모델용 공개 시험지입니다. 검색·분류·군집처럼 임베딩을 실제로 쓰는 여러 과제를 모아서 한 번에 채점합니다. 62.3%는 “62.3점을 맞았다”에 가깝습니다.

여기서 조심할 게 둘 있습니다.

첫째, 평균 점수입니다. 여러 과제의 평균이라, 우리가 하려는 일 하나만 놓고 보면 순위가 뒤집힐 수 있습니다. 사내 규정 문서 검색만 할 건데 분류 과제 점수까지 섞인 평균으로 고르는 셈입니다.

둘째, 한국어 문서 기준이 아닙니다. 이 점수만 보고 한국어 검색 품질을 짐작하면 안 됩니다.

그래서 2.3점 차이는 “6.5배 값을 낼 이유가 있는가”를 판단할 출발점이지 결론이 아닙니다. 결론은 우리 문서 200건으로 직접 재 봐야 나옵니다. 뒤에서 그 방법을 적어 뒀습니다.

문서 10만 개면 청구서가 이렇게 나옵니다

이제 같은 일을 시켜 보겠습니다.

사내 문서 10만 건, 한 건 평균 500토큰. 합계 5,000만 토큰. 한 번 전부 임베딩하는 비용입니다.

0달러와 2,500달러가 같은 표에 있습니다.

그리고 토큰당 과금 쪽은 전부 커피 두어 잔 값입니다. 문서 10만 건이면 꽤 큰 사내 위키인데도 그렇습니다.

이 사실이 실무에서 뜻하는 바가 있습니다. 이 규모에서는 임베딩 요금을 놓고 고민할 이유가 별로 없다는 것입니다. 진짜 돈은 다른 데서 나갑니다 — 만든 벡터를 어디에 쌓아 두느냐입니다. 그 계산은 벡터 DB 5곳의 요금 비교에 정리해 뒀습니다.

처음 한 번보다 다시 하는 날이 비쌉니다

임베딩 비용을 한 번 계산하고 끝내면 안 되는 이유가 있습니다.

임베딩 모델은 언젠가 바뀝니다.

오픈AI가 ada-002에서 3세대로 넘어갔고, 구글도 001에서 2로, 업스테이지도 Embed에서 Embed 2로 넘어갔습니다. 이 글에 나온 다섯 곳 중 셋이 이미 세대 교체를 했습니다.

문제는 모델을 바꾸면 예전에 만든 벡터를 전부 못 쓴다는 점입니다. 좌표계가 달라서 옛 벡터와 새 벡터를 같이 놓고 비교할 수가 없습니다. 100만 건을 넣어 뒀다면 100만 건을 다시 넣어야 합니다.

문서 100만 건 × 500토큰 = 5억 토큰을 다시 임베딩할 때입니다.

여기서도 절대 금액은 크지 않습니다. 진짜 대가는 돈이 아니라 시간과 다운타임입니다. 다시 넣는 동안 검색 품질이 떨어지고, 평가셋을 다시 돌려야 하고, 새 모델이 우리 도메인에서 더 나쁠 위험도 있습니다.

그래서 처음 설계할 때 “다 미리 임베딩해 둘 것인가” 자체를 한 번 의심해 볼 만합니다. 자주 찾는 문서만 미리 해 두고 나머지는 검색할 때 그 자리에서 임베딩하면, 모델을 갈아탈 때 다시 할 양이 5분의 1로 줄어듭니다.

무료 구간이 가장 넓은 곳은 예상 밖입니다

이름값으로 고르면 놓치는 칸입니다.

보야지 2억 토큰이 압도적입니다.

돈 안 들이고 RAG를 처음 만들어 보려는 상황이라면 여기서 시작하는 게 가장 멀리 갑니다. 문서 40만 건 분량을 공짜로 돌려 보고, 실제로 서비스가 굴러가기 시작한 뒤에 이사를 고민해도 늦지 않습니다.

차원을 줄이면 값이 두 번 내려갑니다

이 절이 이 글에서 가장 실전적인 대목입니다.

임베딩 하나가 숫자 몇 개짜리인지를 차원이라고 합니다. 3,072차원이면 숫자 3,072개짜리 목록입니다.

숫자 하나가 4바이트니까, 벡터 하나가 차지하는 자리는 이렇게 됩니다.

같은 문서 100만 건인데 12.3GB와 1.0GB로 갈립니다.

임베딩 API 요금은 차원과 무관합니다. 3,072차원으로 뽑든 256차원으로 뽑든 토큰 값은 같습니다. 하지만 저장 요금은 12배 갈립니다. 그래서 차원을 줄이면 값이 내려가는 자리는 임베딩이 아니라 그다음 창고입니다.

줄여도 되는지가 문제인데, 세 회사가 **마트료시카(MRL)**라는 방식을 씁니다. 벡터 뒤쪽을 잘라내도 앞쪽에 중요한 정보가 몰려 있게 학습시켜 둔 것입니다.

• 오픈AI — dimensions 파라미터. 문서에 “줄인 3-large가 줄이지 않은 ada-002보다 낫다”고 적혀 있습니다.
• 구글 — 128~3,072 사이 조절, 768·1,536·3,072 권장.
• 보야지 — 256·512·1,024·2,048 중 선택.

보야지에는 한 칸이 더 있습니다. int8·binary 같은 압축 형식입니다. 숫자 하나를 4바이트 대신 1바이트로 저장하면 1,024차원 벡터가 4KB에서 1KB로 줄고, binary로 가면 128바이트까지 내려갑니다. 100만 건 기준 4.1GB → 1.0GB → 0.13GB입니다.

정확도는 조금 떨어집니다. 그래서 보통 압축본으로 후보를 넓게 추린 뒤 원본으로 다시 순위를 매기는 2단계 방식을 씁니다.

한국어 문서를 넣는다면 따로 봐야 할 것

한국어 검색 품질은 공개 요금 페이지에 안 적혀 있습니다. 그래서 이 글에서 단정하지 않겠습니다. 대신 확인된 사실만 놓겠습니다.

• 구글 — Gemini Embedding 2가 100개 넘는 언어를 지원한다고 문서에 적혀 있습니다.
• 지나 — v3가 89개 언어, 2024년 이후 모델은 전부 다국어라고 적혀 있습니다.
• 업스테이지 — 한국 회사이고 한국어 문서를 주 대상으로 만들어진 제품군입니다. 다만 요금 페이지에 한국어 성능 수치는 없습니다.
• 오픈AI·보야지 — 요금 페이지와 임베딩 문서에서 언어별 성능 수치를 확인하지 못했습니다.

그래서 권하는 방법은 하나입니다. 우리 문서 200~300건으로 실제 질문 20개를 만들어 두고, 후보 두세 곳을 그걸로 직접 돌려 보세요.

보야지 2억 토큰과 구글 무료 등급이 있으니 이 실험은 대부분 0원입니다. 남의 벤치마크 점수보다 우리 문서에서 나온 결과가 훨씬 정확합니다.

공개 요금표에 없어서 못 쓴 숫자

이 글은 공식 요금 페이지에 적힌 값만 씁니다. 확인하지 못한 칸은 이렇습니다.

• 코히어 Embed의 토큰당 단가 — 공개 요금 페이지에서는 Model Vault 인스턴스 요금(시간당·월)만 확인됐습니다. API 토큰당 단가는 이 페이지에 없습니다.
• 지나의 토큰당 단가 — 임베딩 페이지는 분당 요청 수·분당 토큰 수 등급만 안내합니다. 등급별 금액은 이 페이지에서 확인하지 못했습니다.
• 구글 무료 등급의 분당 한도 — 요금 페이지에 “무료”라고만 적혀 있고 RPM·TPM 수치는 없습니다.
• 오픈AI 임베딩의 배치 할인 — 요금 페이지에 임베딩용 배치 단가가 별도로 적혀 있지 않습니다.
• 업스테이지·구글의 한국어 성능 수치 — 공개 문서에서 확인하지 못했습니다.

계약 전에는 각 회사 영업 페이지나 콘솔에서 다시 확인하시기 바랍니다. 비교 글의 숫자는 확인한 날짜의 값일 뿐입니다.

지금 임베딩 붙이는 중이라면

정리하면 이렇습니다.

돈 안 쓰고 시작하려면 — 보야지 voyage-3.5-lite. 2억 토큰이 무료라 문서 40만 건까지 청구서가 안 나옵니다.

이미 오픈AI를 쓰고 있다면 — 코드에 ada-002가 있는지부터 보세요. text-embedding-3-small로 한 줄 바꾸면 값이 5분의 1이고 성능은 더 낫습니다.

긴 문서를 통째로 넣어야 한다면 — 보야지(32,000토큰)가 오픈AI·구글(8,192토큰)의 4배입니다.

그림이나 소리도 같이 검색해야 한다면 — 구글 말고는 선택지가 사실상 없습니다. 텍스트 단가가 열 배인 건 그 대가입니다.

한국어 문서가 대부분이고 PDF 파싱까지 한 곳에서 끝내고 싶다면 — 업스테이지를 후보에 넣되, 표시가에 부가세 10%를 더해서 계산하세요.

전용 서버가 계약 조건이라면 — 코히어 Model Vault. 월 2,500달러부터 시작합니다.

마지막으로 하나만 덧붙이겠습니다.

이 글의 표를 다 읽고 나면 알게 되는 게 있습니다. 문서 10만 건 규모에서 임베딩 요금 차이는 대부분 10달러 안쪽입니다. 여기서 며칠을 고민하는 건 대체로 낭비입니다.

돈이 진짜로 갈리는 자리는 두 곳입니다. 벡터를 쌓아 두는 창고 요금과, 검색한 결과를 다시 LLM에 넣을 때 나가는 모델 호출 요금입니다. 임베딩은 그 앞에 붙는 가장 싼 단계입니다.

그러니 여기서는 무료 구간이 가장 넓은 곳으로 빨리 시작하고, 아낀 시간을 뒤쪽 두 칸에 쓰는 편이 낫습니다. 검색 결과를 어떤 틀에 넣어 답을 만들지는 에이전트 프레임워크 비교에 정리해 뒀습니다.

확인 출처 (2026년 8월 27일 직접 조회)

• 오픈AI 요금·임베딩 문서 — developers.openai.com/api/docs/pricing, /guides/embeddings
• 보야지 AI 요금·임베딩 문서 — docs.voyageai.com/docs/pricing, /docs/embeddings
• 구글 제미나이 API 요금·임베딩 문서 — ai.google.dev/gemini-api/docs/pricing, /docs/embeddings
• 업스테이지 요금 — upstage.ai/pricing
• 코히어 요금 — cohere.com/pricing
• 지나 AI 임베딩 — jina.ai/embeddings