핵심 요약

  • 세바스찬 라슈카는 연구자 이동으로 기술 아이디어가 퍼지는 만큼, AI 기업의 차이는 예산과 하드웨어 접근성에서 커질 것으로 봤다.
  • 네이선 램버트는 모델을 훈련하는 비용보다 수많은 사용자에게 지속적으로 제공하는 비용이 사업상 더 큰 문제라고 설명했다.
  • 도구를 쓰는 AI 에이전트는 코딩 작업을 넓혔지만, 도구 선택과 결과 검증, 복잡한 기존 시스템의 변경에는 한계가 남아 있다.
  • 개방형 모델의 확산, 광고 수익화, AI 스타트업의 인수 방식, GPU 생태계의 지속성은 모두 대담 참가자들의 관찰과 전망이 엇갈리는 주제다.

개방형 모델 경쟁과 기업의 차별점

렉스 프리드먼은 2025년 초 공개된 딥시크 R1을 경쟁의 전환점으로 제시했다. 그는 적은 연산 자원과 비용으로 높은 성능을 냈다는 평가에는 아직 주장 수준의 불확실성이 있음을 전제했다. 라슈카는 딥시크가 모델 가중치를 공개해 개방형 모델 연구자들의 지지를 얻었다고 평가하면서도, 한 기업이 기술을 독점하기는 어렵다고 봤다. 연구자들이 연구소와 회사를 옮기며 아이디어가 퍼지기 때문이다.

램버트는 중국에서 딥시크 외에도 Z.ai, MiniMax, 문샷의 Kimi 등이 강한 개방형 모델을 내놓고 있다고 말했다. 다만 그가 딥시크의 우위가 약해졌다고 본 데 비해, 라슈카는 딥시크가 여전히 조금 앞서 있으며 다른 기업들이 그 아이디어를 활용해 따라오는 과정이라고 평가했다. 램버트는 미국 기업의 중국 API 이용에 대한 보안 우려를 들어, 중국 기업에 모델 가중치 공개가 해외 시장에 영향력을 넓히는 수단이 될 수 있다고 해석했다. 동시에 모델 개발비가 큰 만큼 장기적으로 업계 재편이 일어날 것으로 예상했다.

개방의 범위도 같지 않다. 램버트가 참여하는 앨런 AI 연구소의 OLMo는 가중치뿐 아니라 데이터와 코드도 공개한다. 그는 이런 방식에 참여하는 서구권 프로젝트가 늘었다고 설명했다. 반면 가중치를 내려받을 수 있는 모델이라도 학습 과정을 재현할 자료까지 모두 제공하는 것은 아니다.

성능 향상보다 어려운 제공 비용

램버트는 AI의 규모 확대를 세 가지로 나눴다. 사전 학습에서 모델·데이터·연산량을 늘리는 방법, 시행착오로 답을 개선하는 강화학습을 늘리는 방법, 개별 문제를 풀 때 더 오래 계산하게 하는 추론 시점 연산 확대다. 그는 세 방식이 여전히 효과가 있다고 보면서도, 검증 가능한 보상을 쓰는 강화학습과 추론 시점 연산에서는 최근 쉽게 얻을 수 있는 개선이 상당 부분 소진됐다고 말했다.

사업상 제약은 훈련비만으로 설명되지 않는다. 램버트는 딥시크의 사전 학습 비용으로 알려진 약 500만 달러와 OLMo 3 개발 과정에서 GPU 클러스터를 빌리는 데 든 약 200만 달러를 언급했다. 후자는 여러 실험과 엔지니어링 문제를 포함한 임대 비용이다. 그는 수백만 명에게 모델을 계속 제공하는 연산 비용은 수십억 달러 규모가 될 수 있다고 설명했다. 따라서 더 큰 모델을 만들어 얻는 성능 향상이 제공 비용을 정당화하는지가 관건이라는 판단이다.

코딩 에이전트의 성과와 남은 경계

대담 참가자들의 코딩 도구 사용 방식은 달랐다. 프리드먼은 Cursor와 Claude Code를 함께 쓰고, 라슈카는 저장소를 읽을 수 있는 VS Code 플러그인을 선호한다고 말했다. 라슈카는 프로젝트 전반을 건드리는 에이전트보다 자신이 진행 상황을 확인할 수 있는 방식을 편하게 여겼다. 램버트는 Claude Code로 웹 프로젝트와 데이터 작업에 드는 수작업을 줄인 경험을 들었지만, 나온 결과의 추세가 타당한지 확인할 수 있는 자신의 지식도 필요했다고 덧붙였다.

램버트는 소프트웨어 개발자의 일이 구현 자체에서 시스템 설계와 목표 설정 쪽으로 옮겨갈 것으로 전망했다. 그러나 복잡한 운영 코드의 상태를 자신도 정확히 알지 못한다고 인정했다. 프리드먼은 기존의 복잡한 제품에 기능을 추가하는 문제와 안전에 영향을 주는 시스템을 처음부터 생성하는 문제를 구분했다. 새 웹사이트를 만드는 사례만으로 모든 소프트웨어 작업의 자동화를 판단하기 어렵다는 취지다.

도구 사용과 학습의 한계

라슈카는 계산기나 검색 같은 도구가 모델의 암기 부담을 덜고 잘못된 답을 줄일 수 있지만, 환각을 없애지는 못한다고 설명했다. 모델이 언제 도구를 호출할지 판단해야 하고, 검색 결과 자체도 틀릴 수 있기 때문이다. 이메일처럼 민감한 업무에 도구 접근 권한을 주는 데에는 신뢰 문제도 있다고 봤다.

개방형 모델과 폐쇄형 서비스의 조건도 다르다. 램버트에 따르면 개방형 모델은 사용자가 고르는 여러 도구와 작동해야 하지만, 폐쇄형 서비스는 특정 도구와 보안 환경을 제품 안에 깊이 통합할 수 있다. 그는 이 차이가 각자의 쓰임새를 가를 수 있다고 예상했다.

지속 학습은 새 피드백에 맞춰 모델의 가중치를 계속 바꾸는 방식이다. 램버트는 현재 모델이 직원처럼 한 번의 피드백에서 곧바로 배워 행동을 고치는 데 한계가 있다고 말했다. 다만 가중치를 매번 바꾸는 대신 관련 문서와 선호를 입력 맥락에 제공해 적응시키는 방법도 제시했다. 라슈카는 사용자마다 가중치를 갱신하는 방식은 비용이 크며, 현재의 기억 기능은 주로 정보를 입력 맥락에 다시 넣는 방식이라고 설명했다.

수익화와 스타트업 거래

AI 서비스의 광고 도입은 대담에서 확정된 사업 계획이 아니라 전망으로 논의됐다. 램버트는 현재 서비스 이용료가 보조되는 측면이 있다고 보고, 장차 광고 실험이 이뤄질 것으로 예상했다. 라슈카는 경쟁 서비스에 광고가 없는 상황에서 먼저 도입하는 기업은 사용자 이탈과 평판 악화를 걱정할 것이라고 봤다. 램버트도 초기 광고가 유용하게 작동하기는 어려울 것이라고 말했다.

스타트업 거래에서는 인수와 인재·기술 라이선스 계약의 차이가 쟁점이었다. 램버트는 일부 계약이 핵심 인력만 데려가 일반 직원에게 전체 인수 때와 같은 지분 보상을 주지 못할 수 있다고 우려했다. 그는 업계 재편 압력이 커지고 있다고 보면서도, AI 기업으로 거액의 자금이 계속 유입되는 점 때문에 2026년의 방향은 혼재돼 있다고 평가했다.

GPU의 경쟁력은 칩 밖에도 있다

라슈카는 엔비디아의 강점이 GPU 자체뿐 아니라 오랫동안 쌓은 CUDA 소프트웨어 생태계와 호환성에 있다고 봤다. 램버트는 AI 기술이 빠르게 바뀌는 동안에는 유연한 엔비디아 플랫폼에 대한 수요가 이어질 수 있다고 전망했다. 반대로 발전 속도가 둔화되면 대형 고객사가 자체 목적에 맞춘 칩을 개발할 시간이 늘어난다고 말했다.

이 대담이 보여주는 2026년 AI 경쟁은 단일 모델의 순위로 정리되지 않는다. 참가자들은 성능 향상과 함께 제공 비용, 도구의 신뢰성, 배포 방식과 수익 구조가 기업의 선택을 좌우한다고 설명했다.