Anthropic 세 기업이 거의 동시에 블록버스터급

S1(기업공개 신청서) 서류가 몇 주 간격으로 잇따라 제출됐다. SpaceX는 4월 1일 서류를 냈고, OpenAI와 Anthropic은 최근 기밀리에 제출한 것으로 알려졌다. 세 기업의 예상 조달 금액 합계는 1,800억 달러에 달한다. 이는 닷컴 버블 당시의 전체 조달 규모인 1,640억 달러를 상회하는 수치다.

미국 S&P 500 지수의 약 50%가 상위 10개 종목에 집중되어 있다. 상위 종목들이 모두 동일한 트렌드에 연동되어 있어 투자 분산이 어려운 구조다. 수조 달러 가치를 지닌 Anthropic 같은 기업들이 사모 시장(Private Markets)에 존재하지만, 일반 투자자들은 이들에 대한 노출(exposure) 기회가 거의 없다.

거대 모델의 흐름 속에서 AethexAI는 아프리카와 중동 시장용 음성 AI 구축을 위해 300만 달러의 프리시드(초기 단계) 투자를 유치했다. 4DX Ventures가 주도하고 Enza Capital, Dorm Room Fund, Mojo Ventures, Stanford GSB 26 Fund가 참여했다. Anthropic 연구원과 스탠퍼드 교수진, 통신사 임원 등 개인 투자자들의 자금도 포함됐다.

AI 도입을 명분으로 한 인력 감축은 다른 양상을 띤다. Duolingo, Pinterest, DAO, Meta 등은 AI를 이유로 고용을 줄였으나, 이는 제로 금리 시대의 과잉 고용을 해결하려는 조치에 가깝다. 기업들이 초기에 너무 비대해진 상태였으며, AI를 조직 구조 조정의 구실로 활용하고 있다는 분석이다.

기존 방식과 달라진 지점

구독료 결제 방식 뒤에는 다른 계산서가 있다. OpenAI와 Anthropic은 수익 모델을 유료 사용자 수 기반의 시트(Seat)에서 API를 통한 실제 토큰(Token) 소비량 기반으로 전환했다. 사용자 전환율의 제약을 벗어나 API 매출로 수익을 확장하는 구조다. 이와 함께 샘 알트먼과 다리오 아모데이는 AI로 인한 일자리 소멸 예언을 철회하며 자동화가 업무를 확장할 수 있다는 입장으로 선회했다. AI 기업의 경제 단위와 사회적 영향력에 대한 관점이 변하고 있다.

데이터 센터와 GPU(그래픽 처리 장치) 구축 비용이 예상치를 상회하며 기업들의 잉여 현금 흐름이 부족해졌다. 부족한 자금을 확보하기 위해 민간 자본에서 공모 시장으로 방향을 틀고 있다. Anthropic은 5월 말 6,500만 달러 규모의 투자 라운드를 마감하며 기업 가치를 1조 달러 미만으로 평가받았다. 인프라 구축 비용의 급증이 자본 조달 방식의 변화를 강제했다.

아프리카와 중동 시장의 통화량은 서구권보다 약 3배 많다. ElevenLabs나 Deepgram 같은 글로벌 기업의 시스템은 표준 영어와 유럽어, 고사양 GPU 인프라에 맞춰져 있어 현지의 방언과 코드 스위칭(두 개 이상의 언어를 혼용하는 현상) 대응에 한계가 있다. AethexAI는 라디오 방송국에 하드드라이브를 보내 오디오 데이터를 수집하고 대학생 네트워크를 통해 현지 이름 발음을 처리했다. 현지 특화 AI는 거대 모델보다 데이터 확보 능력이 효율의 핵심이다.

GBT 54와 Opus 47은 80% 이상의 확률로 테스트를 직접 작성해 작업을 검증했다. 성능이 낮은 모델들이 이러한 접근을 취하는 경우가 훨씬 적었다는 점에서 자기 검증(self-verification) 능력이 상위 모델의 변별력이 된다. 이는 과거 Drexel이 하이일드 채권이나 레버리지 론 같은 상품을 백지 상태의 사고로 구축해 구체적인 문제를 해결했던 방식과 궤를 같이 한다. 기술적 우위가 단순 파라미터 수보다 문제 해결 중심의 논리 구조에서 결정된다.

실제 엔지니어링 작업을 반영한 새로운 AI 코딩 벤치마크

벤치마크 수치가 모델의 실력을 증명하던 시대는 빠르게 저물고 있다. Data Curve(데이터 커브)가 출시한 Deep Suite(딥 스위트)는 기존 평가 방식의 고질적 문제인 암기와 과제의 단순성을 배제했다. 모든 과제를 처음부터 다시 구축했으며, 프롬프트는 짧고 자연스럽게 유지하되 해결을 위해 더 많은 양의 코드를 작성하도록 설계했다. 단순 패턴 매칭이 아닌 실제 엔지니어링 능력을 측정하는 구조다.

자본의 흐름은 더 가파르게 움직인다. Anthropic(앤스로픽)은 2025년 초 30억 달러였던 매출을 1년 만에 연간 실행률(Annualized Run Rate) 470억 달러까지 끌어올렸다. 1년 만에 달성한 수치다.

비용과 인력 구조에서는 충돌이 발생한다. AWS(아마존 웹 서비스) CEO는 AI로 주니어 인력을 대체하는 행위가 미래의 인재 파이프라인을 파괴하는 결정이라고 경고했다. 비용이 저렴하고 도구 활용도가 높은 주니어들에게 문제 해결 방식을 가르치지 않으면 10년 후 숙련된 인력이 사라진다는 논리다. 동시에 기업들은 AI 도입 비용의 제약과 실제 청구 금액에 직면하는 스티커 쇼크(Sticker Shock) 현상을 겪고 있다.

운영 전략의 중심은 예측보다 대응으로 이동한다. 리스크 관리는 미래 예측이 아닌 컨틴전시 플래닝(비상 계획)을 세우는 작업이며, 위기 시 리더십의 핵심은 구성원이 공포로 얼어붙지 않고 직무를 수행하게 하는 것이다. Apollo(아폴로)는 투자 등급 이하 기업을 다룰 때 제3자 의견보다 비즈니스 펀더멘털을 깊이 이해하는 비즈니스 우선 사고방식과 백지 상태의 사고를 동력으로 삼는다. AethexAI(에이텍스AI) 역시 골드만삭스 출신 마리아마 디알로 CEO와 메타 출신 아욜루와 오데무이와 CTO가 설립하며 전문성을 확보했다.

지연 시간(Latency) 문제를 해결하기 위해 3억17억

글로벌 AI 서비스를 도입할 때 발생하는 응답 지연과 억양 인식 오류는 단순한 사용자 경험 저하를 넘어 서비스 이탈이라는 직접적인 비용으로 이어진다. AethexAI는 이를 해결하기 위해 3억에서 17억 개의 파라미터를 가진 소형 모델 Kora 시리즈를 자체 개발했다. 무조건적인 모델 규모 확장을 쫓기보다 정확도를 유지하면서 지연 시간을 줄일 수 있는 최적의 파라미터 규모를 찾아낸 결과다. 소형 모델만으로도 충분히 정교한 응답이 가능하다는 점을 활용해 효율성을 극대화했다.

Vapi(음성 AI 오케스트레이션 도구)나 LiveKit(실시간 통신 프레임워크) 같은 기존 범용 도구를 사용하는 대신 자체 모델과 오케스트레이션 레이어를 처음부터 구축했다. 이는 지역 외부에 호스팅된 대형 모델을 사용할 때 발생하는 높은 지연 시간과 지터(jitter, 신호 전달 시간의 불규칙한 변동) 문제를 해결하기 위한 기술적 선택이다. 특정 지역과 도메인 특화 AI를 구축할 때는 거대 모델보다 초소형 모델과 현지 데이터의 조합이 운영 효율 면에서 압도적이라는 판단이 작용했다.

현재 채권 회수, 고객 활성화, KYC(본인 인증) 등의 유스케이스를 중심으로 하루 17,000건 이상의 통화를 처리하며 실효성을 입증하고 있다. 기업 고객을 위해 온사이트 데모와 워크숍을 제공하는 동시에 개발자를 위한 API와 SDK를 출시해 생태계를 확장 중이다. 특히 통신 사업자와의 채널 파트너십을 통해 현지 텔레포니(Telephony, 전화 통신 시스템) 문제를 해결하며 인프라 수준의 제약을 극복했다.

현대 기술 시대의 리스크는 소프트웨어의 레버리지로 인한 대규모

지능적인 기계가 인간을 지배하는 미래보다 당장 눈앞의 코드 한 줄이 더 위험하다. 소프트웨어 하나가 70,000건의 거래를 동시에 처리하는 환경에서는 단 한 번의 실수가 수십억 달러의 손실로 직결된다. 핵심 리스크는 AI의 자아 각성이 아니라 소프트웨어가 올바르게 작동하는지 검증할 테스트 능력이 부족하다는 점에 있다.

2025년은 데이터 센터와 칩, 에너지 수요를 확인한 개념 증명 단계였다. 시장은 2026년부터 이러한 인프라 흐름의 지속성과 영향력을 본격적으로 인식할 전망이다. RAMP(기업 지출 분석 플랫폼) 통계에 따르면 Anthropic은 비즈니스 도입률에서 OpenAI를 앞서며 주요 파운데이션 모델 랩 중 최초로 분기 흑자를 달성할 것으로 보인다.

인덱스 규칙 변경으로 30조 달러 규모의 패시브 401k 은퇴 자금이 SpaceX 주식을 매수하게 된다. IPO 공급 주식의 약 24%가 투자자 개별 의사와 무관하게 패시브 펀드를 통해 흡수되는 구조다. 데이터 오염을 막기 위한 시도도 계속된다. Data Curve의 Deep Suite(워크플로우 검증 솔루션)는 결과물을 GitHub에 업로드하지 않아 모델 학습 데이터에 포함되는 것을 방지하며, 레포지토리 파싱과 다중 파일 작업 등 실제 개발 워크플로우를 요구한다.

샘 알트먼은 슬랙(Slack)과 이메일 응답을 AI에 위임하려 했으나 실패해 다시 수동 응답으로 돌아갔다. 잭 도시는 AI가 1,000배의 생산성을 가능하게 한다며 Block(금융 기술 기업) 인력의 50%를 즉각 감원했다. 극심한 위기 상황에서 샐러드를 다 먹을 것인지 묻는 식의 '디스아밍(disarming)' 전략으로 긴장을 완화하는 인간적 대응은 여전히 유효한 영역으로 남는다.

글로벌 AI 서비스의 고질적인 지연 시간과 억양 인식 문제는 범용 도구만으로 해결되지 않는다. AethexAI는 Vapi나 LiveKit 대신 자체 오케스트레이션 레이어를 구축해 300M에서 1.7B 규모의 Kora 시리즈로 응답 속도를 최적화했다.

특정 지역이나 도메인 특화 AI 구축 시 거대 모델보다 초소형 모델과 현지 데이터의 조합이 더 효율적이라는 판단 기준을 제시한다. 성능의 실질적 임계점은 파라미터 수치가 아닌 구조적 최적화와 데이터의 밀도에서 결정된다.