> ## Documentation Index
> Fetch the complete documentation index at: https://ai-kb.automationanywhere.com/llms.txt
> Use this file to discover all available pages before exploring further.
# 크레딧
> EKB에서 크레딧이 소비되는 방식 이해
중요 공지: 다른 Automation Anywhere 제품과의 일관성을 유지하기 위해 계산된 크레딧의 UI 표현을 10배로 늘렸습니다. 앞으로 UI에서 크레딧은 **k 단위**(천 단위)로 표시됩니다(예: 1,000 크레딧은 1k 크레딧). 이 업데이트는 현재 팀별로 단계적으로 진행 중입니다. 파워 사용자를 위한 추가 애드온 크레딧 할당을 포함하여 원활한 전환을 지원하기 위해 영업, 주문 및 딜 데스크 팀에서 이미 연락했을 수 있습니다. 질문이나 논의가 필요한 경우 [support@automationanywhere.com](mailto:support@automationanywhere.com)에 문의하시면 기꺼이 도와드리겠습니다.
EKB 사용은 **크레딧**으로 청구되며, 이는 AI 기반 워크플로우 실행의 기본 비용을 추상화하는 통합 통화입니다. 크레딧은 두 가지 유형의 활동을 다룹니다: 문서 업로드, 메시지 발송 및 도구 호출과 같은 개별 작업을 위한 정액 **플랫폼 작업 크레딧**과 언어 모델에 의해 처리되고 생성되는 텍스트 양에 기반한 가변 **LLM 토큰 크레딧**. 이 두 구성 요소가 함께 EKB에서 모든 작업의 총 비용을 구성합니다.
이 페이지는 각 크레딧 유형이 어떻게 계산되는지 분석하고, 실제 예시를 안내하며, 사용량을 증가시키거나 감소시키는 요인을 설명합니다.
## 핵심 개념
### 크레딧이란?
크레딧은 EKB가 플랫폼 사용량을 추적하고 청구하는 데 사용하는 측정 단위입니다. 모든 기본 리소스(컴퓨팅, API 호출, LLM 사용)에 대해 개별적으로 청구하는 대신 크레딧은 이러한 비용을 예측 가능한 형식으로 추상화하는 단일 통합 통화를 제공합니다.
크레딧은 두 가지 방법으로 소비됩니다:
* **플랫폼 작업 크레딧**은 문서 업로드, 채팅 메시지 발송 또는 도구 호출과 같은 특정 사용자 작업에 연결된 정액 요금입니다. 콘텐츠 크기나 사용되는 모델과 관계없이 고정되고 예측 가능합니다.
* **LLM 토큰 크레딧**은 실제 언어 모델 사용량에 기반한 가변 요금입니다. LLM 비용은 모델에 입력되고 출력되는 텍스트 양에 따라 달라지므로 이러한 크레딧은 문서 크기, 응답 길이 및 모델 선택에 따라 변동됩니다.
모든 작업에 대한 총 크레딧 소비량은 항상 두 유형의 합계입니다.
### 토큰이란?
토큰은 대규모 언어 모델이 텍스트를 처리하는 데 사용하는 단위입니다. LLM에 의해 텍스트가 읽히거나 생성되기 전에 토큰으로 분해됩니다 — 단어 또는 단어의 일부에 대략 해당하는 작은 조각입니다.
일반적인 경험 법칙:
* **1 토큰 ≈ 4자**, 또는 영어로 대략 **¾단어**
* 100,000단어 문서는 대략 **133,000 토큰**
* "Explain this document"와 같은 짧은 문장은 대략 **4–5 토큰**
LLM 제공자는 **입력 토큰**(모델에 전송되는 텍스트 — 프롬프트, 검색된 문서 청크, 시스템 지침)과 **출력 토큰**(모델이 응답으로 생성하는 텍스트)을 별도로 청구합니다. 입력 및 출력 요율이 다르며 둘 다 LLM 토큰 크레딧 소비에 기여합니다. 모델별 입력 및 출력 크레딧 요율은 [사전 정의 및 사용자 지정 모델](/agents/models)을 참조하세요.
EKB에서 큰 문서가 컨텍스트로 검색되거나, 프롬프트에 많은 Knowledge Base 청크가 포함되거나, 모델이 긴 또는 구조화된 응답을 생성할 때 토큰 사용량이 증가합니다.
## 크레딧 소비 테이블
### A. Knowledge Base(KB) 수집
문서를 Knowledge Base에 업로드하면 다단계 수집 파이프라인이 트리거됩니다. 각 단계에는 고유한 비용 구조가 있으며 일부 단계는 프로젝트 구성에 따라 추가 LLM 토큰 크레딧을 발생시킵니다.
**수집 파이프라인**
| Stage | Description | Cost |
| :------------------------------- | :------------------------- | :----------------- |
| 1. Document Upload | 파일을 수신하고 단어 수를 계산 | 10,000단어당 10 크레딧 |
| 2. LLM Extraction *(optional)* | LLM이 문서에서 콘텐츠를 파싱하고 추출 | 입력 + 출력 토큰 × 모델 요율 |
| 3. Platform Chunking | 토크나이제이션, 분할 및 메타데이터 조립 | 무료(플랫폼) |
| 4. Chunk Enrichment *(optional)* | LLM이 각 청크에 대한 컨텍스트 접두사를 생성 | 입력 + 출력 토큰 × 모델 요율 |
단계 2와 4는 프로젝트 설정에서 활성화된 경우에만 청구됩니다. 문서 청킹은 수집의 일부로 발생하며 추가 비용이 발생할 수 있습니다. 자세한 내용은 [섹션 B](#b-문서-청킹)를 참조하세요.
**예시 — 10,000단어 문서(선택적 단계 비활성화)**
| Item | Credits |
| :----------- | :--------- |
| 10,000 words | 10 credits |
**예시 — 100,000단어 문서(선택적 단계 비활성화)**
| Item | Credits |
| :------------ | :---------- |
| 100,000 words | 100 credits |
**예시 — 100,000단어 문서(모든 단계 활성화)**
| Item | Credits |
| :---------------------- | :-------------------- |
| 100,000 words (upload) | 100 credits |
| LLM Extraction tokens | 모델에 따라 다름 |
| Platform Chunking | 무료 |
| Chunk Enrichment tokens | \~10 credits(섹션 B 참조) |
| **Estimated Total** | **\~110+ credits** |
선택적 단계를 더 많이 활성화할수록 문서당 수집 비용이 높아집니다. 단어 기반 업로드 비용은 항상 고정되고 예측 가능합니다.
### B. 문서 청킹
청킹은 문서 추출과 임베딩 사이의 단계입니다. 업로드된 문서에서 정리된 텍스트를 가져와 벡터 스토어에서 인덱스되고 나중에 Chat 또는 Agent 쿼리를 위해 검색되는 더 작은 조각(청크)으로 분할합니다.
청킹 비용은 두 범주로 분류됩니다:
* **플랫폼 청킹:** 서버에서 로컬로 실행되는 결정론적 작업(토크나이제이션, 분할, 메타데이터 조립)으로 LLM 사용으로 **청구되지 않습니다**.
* **청크 보강(LLM 토큰 크레딧):** Knowledge Base 설정에서 프로젝트에 **청크 보강**이 활성화된 경우에만 청구됩니다. LLM은 각 청크에 대한 짧은 컨텍스트 접두사를 생성합니다. 입력 및 출력 토큰 모두 청구됩니다.
#### 예시: 문서 청킹 비용
다음 예시는 청크 보강이 활성화된 중간 크기 문서를 가정합니다:
* **문서 크기**: 100,000단어(\~133,000 입력 토큰, 4자/토큰 기준)
* **청크 설정**: `chunk_size=64 tokens`, `chunk_overlap=10 tokens` → \~2,300 청크
* **청크 보강**: `gpt-4o-mini`로 활성화
* **출력 텍스트**(보강 접두사 포함 결합 청크): \~140,000 출력 토큰
* **모델 가격**(예시): 입력 `$0.15`/1M 토큰, 출력 `$0.60`/1M 토큰
| Component | Tokens | Cost |
| :---------------------- | :------ | :-------- |
| Input Tokens (document) | 133,000 | \$0.01995 |
| Output Tokens (chunks) | 140,000 | \$0.084 |
| **Total LLM Cost** | 273,000 | \$0.104 |
따라서 `$0.104`(총 LLM 비용) / `$0.01`(크레딧당 비용) = **10.4 크레딧**으로 \~10 크레딧으로 표시됩니다.
동일한 문서를 청크 보강 *없이* 업로드하면 청킹은 0 LLM 토큰 크레딧을 소비합니다.
### C. 채팅 / 에이전트 상호작용
**고정 플랫폼 크레딧**
| Action | Credits |
| :-------------- | :------- |
| 사용자가 채팅 메시지를 보냄 | 1 credit |
| 도구 호출 | 호출당 1 |
**가변 LLM 토큰 크레딧**
LLM 크레딧은 다음으로 계산됩니다:
(Input Tokens × Input Rate) + (Output Tokens × Output Rate)
예시 가격(Claude 4.5 샘플 모델):
* 입력: 1M 토큰당 \$3
* 출력: 1M 토큰당 \$15
### D. 워크플로우 실행
| Action | Credits |
| :----------------- | :-------------- |
| Workflow execution | 1 per execution |
관여하는 단계 수에 관계없이 실행당 1 크레딧의 비용이 듭니다.
### E. Smart Tables
Smart Tables는 LLM 기반 추출과 에이전트 기반 워크플로우를 결합합니다. 크레딧 소비는 사용되는 계산 경로에 따라 다릅니다.
| Action | Credits |
| :---------------- | :-------------------------------------------------- |
| LLM computation | 입력 및 출력 토큰에 기반하여 청구되며, 비용은 선택한 LLM에 따라 다릅니다. |
| Agent computation | [채팅 / 에이전트 상호작용](#c-채팅--에이전트-상호작용)과 동일한 방식으로 청구됩니다. |
### 전체 채팅 예시
**시나리오**
사용자가 "Explain the attached document."라고 질문합니다.
**플랫폼 크레딧**
| Component | Credits |
| :------------------------------ | :------ |
| Question asked | 1 |
| Tool calls (document retrieval) | 2 |
| **Subtotal** | **3** |
**LLM 토큰 사용량**
| Type | Tokens | Cost |
| :-------- | :------- | :--------- |
| Input | \~53,634 | \~\$0.161 |
| Output | \~900 | \~\$0.0135 |
| **Total** | — | \~\$0.1745 |
크레딧으로 환산: **17 credits**
**최종 합계**
| Component | Credits |
| :------------- | :------ |
| Fixed platform | 3 |
| LLM usage | 17 |
| **Total** | **20** |
## 비용 계산 공식 요약
**문서 업로드**
단어 크레딧 = (총 단어 수 ÷ 10,000) × 10 + LLM 토큰 크레딧(파싱)
**채팅 메시지**
고정 메시지 크레딧 + 도구 호출 크레딧 + LLM 토큰 크레딧(입력 + 출력)
## LLM 크레딧 사용을 주도하는 요인은?
LLM 비용은 다음에서 증가합니다:
▶ 큰 문서가 컨텍스트로 검색될 때
▶ 많은 KB 청크가 프롬프트에 주입될 때
▶ 응답이 길거나 구조화되어 있을 때
▶ 여러 도구 호출이 트리거될 때
▶ 더 비싼 모델이 선택될 때
## 고객을 위한 중요 참고 사항
✓ 단어 기반 수집 비용은 예측 가능합니다.
✓ 채팅 비용은 문서 크기와 사용된 토큰 수에 따라 크게 달라집니다.
✓ 모델 가격은 슈퍼 관리자에서 구성할 수 있습니다.
✓ LLM 크레딧은 사용량 기반이며 정액으로 설정할 수 없습니다.
✓ 최종 크레딧 합계 = 플랫폼 크레딧 + LLM 크레딧.