프론티어 모델의 자본 집약도와 비용 추세

8년 연속 매년 약 2.4배 증가한 것은 프론티어 모델의 훈련 비용이다. Epoch AI의 추산에 따르면 GPT-4의 최종 훈련에 투입된 상각 하드웨어 비용은 약 4,000만 달러이며, Stanford AI Index는 클라우드 임대 가격을 적용해 약 7,800만 달러로 계산했다. 샘 올트먼(Sam Altman)은 이보다 높은 1억 달러 이상이 소요됐다고 밝혔다. Gemini Ultra의 경우 계산 방식에 따라 3,000만 달러에서 1억 9,100만 달러까지 추정치가 갈리지만, 비용의 규모 자체가 급격히 팽창하는 추세는 일치한다.

이러한 비용 상승 곡선은 반도체 공정의 미세화 비용 증가와 유사한 궤적을 그린다. International Business Strategies가 추산한 칩 설계 비용은 28nm 공정의 약 4,000만 달러에서 5nm의 4억 1,600만 달러, 2nm의 7억 2,500만 달러 이상으로 급증했다. 특히 3nm 전체 마스크 기준 테이프아웃(Tape-out, 설계 완료 후 제조 공정으로 넘기는 단계) 비용만 1억 달러를 상회한다. TSMC의 2026년 설비투자 계획이 520억~560억 달러에 달하는 것처럼, 최첨단 기술을 유지하기 위한 선행 자본의 진입 장벽이 극도로 높아진 상태다.

향후 훈련 작업의 규모는 더욱 가팔라질 전망이다. 2026년 프론티어 훈련 작업은 2억~5억 달러 이상으로 추산되며, 2027년에는 10억 달러를 넘어설 가능성이 크다. 다리오 아모데이(Dario Amodei)는 2028년에 이르면 단일 훈련 작업에 100억 달러가 투입되는 사례가 등장할 수 있다고 내다봤다. 반도체 공장과 달리 훈련된 모델은 경쟁사의 신제품 출시 즉시 잔존 가치가 급락하므로, 연구소들은 끊임없이 다음 세대를 준비해야 하는 '경제적 트레드밀'에 놓여 있다.

지능의 비용 하락과 AI 팹리스 구조

프론티어 모델의 상한 비용은 치솟고 있지만, 특정 성능 수준을 구현하는 데 드는 비용은 매년 10분의 1 수준으로 하락하는 상반된 흐름이 나타난다. 2023년 기준 7,800만 달러의 훈련비가 필요했던 성능의 모델을 현재는 1,000만 달러 미만으로 구축할 수 있다는 추산이 나온다. DeepSeek은 수백만 달러 규모의 저비용으로 고성능 모델을 훈련하며 이러한 지능의 비용 하락 추세를 입증했다.

이러한 환경은 반도체 산업의 '팹리스(Fabless, 설계 전문)' 모델과 유사한 응용 계층의 성장을 이끌고 있다. Nvidia, Apple, ARM이 제조 시설의 자본 부담을 파운드리에 넘기고 설계와 생태계에 집중해 가치를 창출했듯, AI 응용 기업들은 프론티어 모델을 인프라로 활용해 제품을 구축한다. 직접 모델을 훈련하는 대신 저렴해진 지능을 API 형태로 소비하며 고객 관계와 제품 경험을 소유하는 전략이다.

실제 사례로 Anysphere가 구축한 Cursor는 외부 프론티어 모델을 기반으로 코딩 도구를 구현했다. 이들은 직접적인 훈련 비용을 부담하지 않고도 연환산 매출을 2025년 초 약 1억 달러에서 2026년 중반 약 40억 달러까지 성장시킬 수 있었다. 유사한 전략은 검색의 Perplexity, 법률 업무의 Harvey, 임상 현장의 Abridge, 기업 내부 업무의 Glean 등 다양한 도메인에서 나타나고 있다. 이들은 훈련 트레드밀에 직접 올라가는 대신, 풍부해진 지능 위에서 마진이 높은 사업 모델을 구축하는 방식을 취한다.

플랫폼 종속성과 운영 리스크

외부 모델에 의존하는 구조는 모델 공급자가 응용 계층으로 진입할 때 발생하는 플랫폼 종속 위험을 내포한다. 모델 제공자는 자사 모델을 사용하는 주요 고객의 사업 영역으로 확장해 직접 경쟁할 수 있으며, 이때 '도매-소매' 가격의 경제적 격차가 결정적인 변수가 된다. Cursor의 경우 모델 제공자의 자체 코딩 도구와 경쟁하면서 소매 모델 가격을 지불해야 했지만, 공급자는 도매 수준의 비용으로 서비스를 제공할 수 있는 구조적 우위를 가진다.

반도체 산업이 3~4년 주기의 침체를 겪으며 소수 사업자 중심으로 통합되었듯, AI 산업 역시 자본 집약성과 빠른 세대교체로 인해 유사한 경로를 밟을 가능성이 크다. 특히 낙관적인 시장 자금에 의존해 최신 세대 모델을 조달하는 기업은 자금 가뭄 시기에 심각한 운영 압박을 받을 수 있다.

따라서 AI 응용 서비스를 설계하는 실무자는 모델의 성능 지표보다 공급자의 수직 계열화 가능성과 API 비용 구조의 지속 가능성을 우선적으로 검토해야 하며, 모델 교체 비용(Switching Cost)을 낮추는 추상화 계층 설계에 집중해야 한다.