핵심 요약

  • 미스트랄은 기업과 국가가 데이터·비용·공급을 통제하는 소버린 AI를 핵심 시장으로 삼는다. 모든 국가가 자체 모델 회사를 가져야 한다는 뜻은 아니다.
  • 공개된 모델을 자체 인프라에서 실행하더라도 학습 데이터의 공급망까지 확인할 수 있는 것은 아니다. 멘슈는 보안뿐 아니라 향후 모델 업데이트를 계속 받을 수 있는지도 중요하다고 봤다.
  • 미스트랄은 모델 개발, 고객 환경에 배치하는 플랫폼, 연산 인프라를 함께 운영한다. 플랫폼 라이선스와 인프라 사용료가 연결되는 사업 구조다.
  • 기업의 AI 도입을 막는 문제는 연산 자원 부족에만 있지 않다. 목표와 절차가 불명확한 업무를 정의하고 실제 운영에 맞게 구현해야 한다.
  • 멘슈는 소비자 시장과 자체 칩 설계 대신 제조·금융·국방·공공 부문에 집중했다. AI의 경제적 가치는 더 나은 제품과 생산으로 이어져야 한다고 강조했다.

기업은 AI를 어디까지 통제해야 하나

미스트랄 공동창업자 겸 CEO 아르튀르 멘슈는 해리 스테빙스가 진행하는 벤처투자 팟캐스트 20VC에서 기업용 AI의 경쟁 구도를 설명했다. 대화를 관통한 주제는 기업이 핵심 업무를 AI에 맡길 때 무엇을 직접 통제해야 하는가였다.

멘슈가 말하는 소버린 AI는 국가나 기업이 AI 기술을 통제하며 자기 데이터 가까이에서 맞춤형으로 운영하는 방식이다. 그는 이를 특정 정부의 정책에 대응하는 일시적 수요로 보지 않았다. 기업과 국가의 핵심 업무가 AI에 의존할수록 비용이 어디로 흘러가는지, 기술을 계속 공급받을 수 있는지가 경제적 문제가 된다고 봤다.

그는 소수의 중앙집중형 AI 공급자에게 의존하는 상황도 경계했다. 공급자가 기업 활동에서 나오는 데이터를 활용해 시스템을 개선하고 결국 고객의 사업 영역으로 진출할 수 있다고 내다봤다.

소버린 AI를 국가마다 모델 개발사를 하나씩 두는 구상과는 구분했다. 경쟁력 있는 모델을 만들려면 충분히 큰 시장이 필요하기 때문이다. 멘슈는 미스트랄 매출의 약 60%가 유럽에서 나오며 나머지는 미국과 아시아·태평양 지역에서 발생한다고 밝혔다.

공개 모델의 보안과 공급의 지속성은 별개다

미스트랄은 자체 모델뿐 아니라 다른 회사의 공개 모델도 서비스한다. 고객이 작업에 따라 크기와 특성이 다른 모델을 고를 수 있고 미스트랄도 인프라 활용도를 높일 수 있기 때문이다. 멘슈에 따르면 전체 토큰 처리량의 약 80%는 자체 모델에서 나온다. 토큰은 모델이 입력과 출력을 처리하는 텍스트 단위다.

모델의 가중치, 즉 학습된 수치가 공개됐다고 해서 모든 위험이 사라지는 것은 아니다. 멘슈는 학습 데이터의 공급망을 통제하지 못하면 특정 조건에서 어떤 출력이 나올지 완전히 보장할 수 없다고 설명했다. 특정 상황에서 의도하지 않은 행동을 하도록 조작됐을 가능성도 위협을 검토할 때 고려해야 한다고 봤다. 다만 이런 공격 가능성은 매우 이론적이며 현재 실제로 발생하고 있다고 생각하지는 않는다고 말했다.

중국 모델을 받아들이는 태도도 산업에 따라 달랐다. 그가 만나는 유럽 국방 고객은 중국 기술을 쓰지 않으며 핵심 기반시설을 다루는 금융 고객도 매우 신중하다고 했다. 소매업이나 일부 제조 분야에서는 경계 수준이 다르다고 설명했다.

보안과 함께 중요한 것은 공급의 지속성이다. 지금 내려받아 실행할 수 있어도 6개월 뒤 개선된 모델을 계속 받을 수 있는지는 다른 문제다. 멘슈는 AI가 민간과 군사 양쪽에 쓰이는 기술로 취급될수록 기업이 인프라뿐 아니라 모델 기술의 공급도 점검하게 된다고 봤다.

모델·고객 데이터·연산 인프라를 함께 묶는다

미스트랄은 자체적으로 모델을 계속 개발하고 에이전트 운영과 모델 맞춤화에 필요한 플랫폼은 고객 전용 환경에 배치하며, 에너지를 많이 쓰는 연산은 미스트랄이 관리하는 인프라에서 제공한다. 에이전트는 도구를 사용하고 여러 단계의 작업을 수행하는 AI 시스템을 뜻한다.

멘슈는 특히 제조 고객이 지식재산을 AI 공급자에게 넘기고 싶어 하지 않는다고 했다. 미스트랄은 고객 데이터가 있는 환경과 대규모 연산을 제공하는 인프라를 조합해 데이터 통제와 비용 문제를 함께 다루려 한다.

수익도 두 갈래다. 기업용 애플리케이션을 만드는 플랫폼에서 라이선스 수익을 얻고 인프라에서는 사용량에 따른 수익을 얻는다. 멘슈는 고객이 플랫폼을 도입한 뒤 업무를 확대하면서 GPU가 부족하다는 사실을 발견하고 미스트랄의 GPU나 토큰 생성 서비스를 추가로 이용한다고 설명했다.

멘슈는 모델 개발에서 자체 인프라 운영으로 사업을 확장하는 데 약 18개월이 걸렸다고 밝혔다. 자체 칩을 설계할 계획은 없으며 현재는 인프라 확장에 집중한다고 했다.

당장의 연산 병목은 전력보다 자본과 공급망이다

멘슈는 연산 자원의 총소유비용에서 에너지가 차지하는 비중을 약 10%로 봤다. 현재 경제성을 더 크게 좌우하는 항목으로는 칩 가격과 자본 조달 비용을 꼽았다. 프랑스와 북유럽에는 활용할 수 있는 전력이 남아 있어 당장은 그 전력을 쓸 설비를 얼마나 빨리 짓느냐가 중요하다고 말했다.

그렇다고 전력 문제를 가볍게 본 것은 아니다. 그는 2029~2030년에는 전력이 병목이 될 수 있다고 전망했다. 스테빙스가 발전시설 건설 기간을 지적하자 멘슈도 원전은 그보다 오래 걸리고 태양광은 더 빨리 확충할 수 있다며 정부의 사전 계획이 필요하다고 답했다.

클라우드 설비를 늘리는 일은 GPU 구매만으로 끝나지 않는다. CPU, 저장장치, 전기 설비와 각 공급업체의 납기까지 맞춰야 한다. 장기간 사용하는 기업 고객과 단기간에 대량의 GPU를 요구하는 AI 기업의 수요도 따로 예측해야 한다.

멘슈는 고객이 한 가지 용도를 확대하는 과정에서 필요한 GPU가 8개에서 1,000개로 늘어나는 사례를 들었다. 수요보다 먼저 설비를 확보하려면 자본이 필요하다. 그는 정부가 인허가를 돕고 10~15년에 걸친 데이터센터 임차나 공간 확보에 보증을 제공하면 상대적으로 재무 규모가 작은 기업도 더 빨리 투자할 수 있다고 제안했다.

추론 시장은 가격 경쟁과 품질 보장으로 나뉜다

추론은 학습된 모델을 실행해 답이나 결과를 만드는 과정이다. 멘슈는 현재 추론 시장이 수익성이 높은 원자재 시장과 비슷하게 움직인다고 설명했다. 연산 자원과 필요한 서비스 품질을 갖추면 고객에게 사용량에 따라 판매할 수 있고 이 시장에서는 가격이 중요하다.

다른 한편에는 응답 지연, 생성 속도, 일정한 요청량 처리를 보장받으려는 고객이 있다. 이들은 서비스 수준을 계약으로 정하고 물리적 연산 자원을 예약한다. 고객이 수요의 양과 패턴을 구체적으로 제시할수록 미스트랄도 설비를 효율적으로 구성해 더 나은 가격을 제시할 수 있다고 했다.

에이전트가 확산되면 필요한 인프라도 달라진다. 대화에 답하는 작업과 달리 백그라운드에서 도구를 호출하고 코드를 컴파일·실행하는 작업은 CPU를 많이 쓴다. 멘슈는 코드를 격리해 실행하는 샌드박스와 저장공간 수요도 늘어날 것으로 예상했다. GPU 서비스와 함께 이런 실행 환경을 제공하는 사업도 성장할 것으로 봤다.

기업 도입의 어려움은 불명확한 업무에 있다

미스트랄은 초기에 엔지니어를 고객 현장에 투입해 기업이 어디서 어려움을 겪는지 살폈다. 멘슈는 개별 직원의 생산성을 높이는 챗봇만으로 고객이 원하는 가치를 만들기 어려웠다고 말했다. 대신 관리자와 사업 부문 책임자를 만나 자동화할 핵심 절차를 파악하고 에이전트가 업무 전반을 처리하는 맞춤형 애플리케이션을 만들었다.

이 과정에서 작업 상태를 유지하며 절차를 실행하는 기능, 여러 에이전트를 조율하는 기능 등 공통으로 필요한 도구를 찾아냈다. 멘슈는 현장 엔지니어를 수만 명으로 늘릴 수는 없기 때문에 파트너사에 도구와 교육을 제공해 구축과 유지보수를 확대하고 있다고 설명했다.

그는 AI가 스스로 성능을 개선하는 방식에도 한계가 있다고 봤다. 목표가 명확한 문제는 개선을 반복할 수 있지만 기업 업무에는 목적이 모호하고 사람이 판단에 참여해야 하는 문제가 많다. 이런 문제는 모델을 실제 업무에 배치하고 사람과 상호작용하며 정의를 다듬어야 한다.

연구에서도 연산량만 늘리면 되는 것은 아니라고 했다. 칩 설계나 산업 공학 업무에 강한 모델을 만들려면 적절한 학습 환경과 질 좋은 데이터가 필요하며 이를 확보하는 일은 연산 자원을 쌓는 것처럼 쉽게 확대할 수 없다고 설명했다.

소비자 시장 대신 네 산업에 집중한 이유

미스트랄은 제조·금융·국방·공공 부문을 선택했다. 멘슈는 소비자 AI 시장이 혼잡하며 궁극적으로 광고 사업의 성격을 띨 것으로 봤다. 까다로운 기업 고객을 상대하면서 그 시장까지 최고 수준으로 운영하기는 어렵다고 판단했다.

그가 제시한 집중의 기준은 고객이 해결하려는 문제다. 제조업에서는 연구개발팀과 더 나은 제품을 만드는 일을 하고 금융에서는 시장과 수치형 시계열을 이해하는 모델을 활용한다. 멘슈는 ASML의 장비 개발과 운영을 돕는 사례도 들었다.

경제 성장에 관한 답변도 같은 방향이었다. 그는 지능이 많아지는 것만으로는 부족하며 실제 생산이 늘어야 한다고 말했다. AI가 설계를 반복하며 더 안전한 자동차나 연료를 적게 쓰는 항공기를 만드는 데 기여해야 한다고 봤고, 이를 미스트랄이 산업 공학 분야에 집중하는 이유로 제시했다.

멘슈가 설명한 기업 AI 전략의 중심에는 모델, 데이터, 연산 자원, 실제 업무의 연결이 있다. 미스트랄은 이 연결을 고객이 통제할 수 있는 형태로 제공하고 산업별로 구체적인 가치를 만드는 데 집중하고 있다.