현재 AI 산업의 핵심은 거대 모델의 확장과 세밀한 효율성 사이의 균형이다. 규모의 경쟁을 넘어 효율의 시대로 접어들었다. 구글은 엄격한 안전 검증 체계를 통해 제미나이 4 아키텍처를 고도화하고 있다. 다만 기존 3.1, 3.5, 3.7 모델의 배포 과정이 파편화되어 있다는 점은 과제로 남았다. 오픈AI의 GPT 5.6 Sol은 강력한 백엔드 성능을 제공하지만, 토큰 비용이 크게 상승했다. 성능은 얻었으나 비용 부담이 늘어난 셈이다. 이를 관리하기 위해 프롬프트 캐싱(prompt caching)이나 GPU에서 메모리를 분리하는 방식이 필수적인 최적화 전략이 됐다. 이제 관심은 모델 자체의 성능을 넘어 시스템 간의 상호작용으로 옮겨가고 있다. Tracer 같은 도구는 자율형 에이전트 간의 협업을 가능하게 하며, 이메일 분류나 복잡한 프론트엔드 디자인 같은 실무 작업으로 영역을 넓히는 중이다. 인프라 확보 경쟁도 치열하다. SSI와 Nvidia의 파트너십으로 컴퓨팅 자원 접근성이 획기적으로 확대되었고, DeepSeek V4 Pro와 Flash는 가성비 높은 성능을 입증했다. 결국 최첨단 지능을 구현하면서도 예산과 인프라라는 현실적인 제약을 어떻게 해결하느냐가 관건이다. 이번 호에서는 다중 에이전트 업무 흐름(multi-agent workflows)과 하드웨어 로드맵이 AI 도입의 다음 단계를 어떻게 바꿀지 분석한다.

01앤스로픽의 캐시 전략 — AI 비용 90% 절감의 핵심

AI가 정보를 기억하는 방식을 어떻게 관리하느냐에 따라 운영 비용과 응답 속도가 천차만별로 달라진다. 특히 서로 상관없는 작업들을 하나의 긴 대화창에서 계속 이어가면, AI는 매번 전체 대화 기록을 다시 읽어야 한다. 이는 불필요한 토큰 소모를 일으켜 비용만 높이는 결과를 초래한다. 독립적인 작업은 새 세션에서 시작하는 것이 훨씬 경제적이고 빠르다. 최근 개발자들은 자주 사용하는 입력 데이터를 저장해두는 프롬프트 캐싱(prompt caching) 기술을 적극 활용한다. 앤스로픽의 경우, 기본 입력 비용이 100만 토큰당 10달러라면 캐시 읽기 비용은 1달러에 불과하다. 비용을 10분의 1로 줄인 셈이다. 다만 저장 기간에 따라 비용 구조가 달라진다. 5분간 캐시를 유지하면 100만 토큰당 125달러가 들지만, 유지 시간을 1시간으로 늘리면 20달러까지 낮아진다.

비용 절감 외에도 AI의 논리 처리 방식이 '생각 모드(thinking modes)'를 통해 진화하고 있다. 이는 일종의 디지털 연습장 같은 기능이다. AI가 최종 답변을 내놓기 전 내부적으로 추론 과정을 거치며 스스로 선택지를 평가하는 방식이다. 문제 해결 능력이 비약적으로 상승한다. 안전장치 역시 이중으로 설계된다. 모델 내부의 제어 장치와 모델을 둘러싼 외부 검증 장치(AI harness)가 동시에 작동한다. 클로드 코드의 '자동 모드(auto mode)'가 대표적이다. 보조 LLM이 안전 검사관 역할을 수행하며, 사용자의 컴퓨터에서 명령어를 실행하기 전 위험 여부를 미리 확인한다.

AI 규모가 커지면서 이를 뒷받침할 하드웨어의 변화도 불가피하다. 그동안은 프로세서 바로 옆에 고대역폭 메모리(HBM)를 쌓아 올리는 방식에 집중했다. 이제는 메모리를 GPU에서 분리하는 방향으로 전환하고 있다. 성능 저하 없이 용량을 극대화하기 위해 메모리를 물리적으로 떨어뜨려 배치하는 전략이다. 이 구조가 성공하려면 광 연결(optical links) 최적화가 필수적이다. 데이터 비트당 에너지 소모를 줄이고, GPU와 메모리 풀 사이의 왕복 지연 시간을 최소화하며, 한정된 공간 내에서 광 대역폭을 최대한 확보하는 것이 관건이다. 하드웨어의 한계가 곧 AI의 한계가 되는 시대다.

02Grockbot — 단순 채팅을 넘어 AI 팀이 스스로 일하는 시대

지루한 데이터 입력과 반복적인 조율 업무를 디지털 직원 팀에게 맡기는 상황을 상상해 보자. Grockbot은 AI를 단순한 채팅창에서 벗어나, 전문 봇들이 협업해 복잡한 프로젝트를 완수하는 자율형 AI 협업(multi-agent) 시스템으로 진화시키고 있다. 사용자가 모든 작업마다 AI 하나를 일일이 관리하는 대신, 분업하고 인터넷을 검색하며 서로 소통하는 AI 노동자 군단을 배치하는 식이다. 이제 AI는 단순히 사람의 작업 속도를 높이는 도구가 아니다. 인간의 작업 흐름(workflow)을 관찰하고 이를 자율적으로 실행하는 단계에 진입했다.

효율성의 핵심은 공유 그룹과 독립된 컴퓨팅 환경에 있다. 리서치, 영업, 콘텐츠 제작 등 특정 분야에 특화된 봇들을 하나의 그룹으로 묶어 순차적인 작업 흐름을 만들 수 있다. 예를 들어 '콘텐츠 OS' 그룹을 만들어 트렌드 분석 봇이 화제성을 찾으면, 그 정보가 Xdraft, LinkedIn, WhatsApp 봇으로 자동 전달되게 하는 식이다. 플랫폼마다 데이터를 일일이 복사해 붙여넣을 필요가 사라진다. 특히 Grok은 각 봇에게 독립된 컴퓨터 환경을 제공하므로, 봇들이 백그라운드에서 X 같은 서비스에 로그인해 작업을 수행한다. 사용자가 컴퓨터를 꺼도 AI는 15분마다 트렌드를 확인하는 루틴을 멈추지 않는다. 로컬 시스템 자원을 점유하지 않고도 업무가 돌아가는 구조다.

복잡한 프롬프트 입력 없이도 자동화를 구현하는 '작업 가르치기' 기능은 Grockbot의 또 다른 강점이다. 기술적인 지시문을 길게 쓸 필요 없이, 사용자가 웹사이트에서 택시를 예약하는 과정을 한 번만 보여주면 된다. 봇이 이 과정을 관찰한 뒤, 시연된 단계를 재사용 가능한 기술로 변환한다. 복잡한 프롬프트라는 진입장벽을 없앤 셈이다. AI가 인간의 행동을 보고 배워 스스로 반복함으로써 끊김 없는 업무 흐름을 유지한다.

03제미나이 4, 단순한 업데이트일까 아니면 AI의 세대교체일까?

구글이 제미나이 4 개발을 통해 인공지능 성능의 거대한 도약을 준비하고 있다. 순다르 피차이 CEO는 지난 7월 2분기 실적 발표에서 역대 가장 야심 찬 규모의 사전 학습(pre-training)을 시작했다고 밝혔다. 사전 학습은 모델이 방대한 데이터를 통해 기본 지식을 습득하는 기초 단계다. 피차이는 AI의 다음 단계로 나아가기 위해 훨씬 더 큰 규모의 기본 모델이 필요하다고 강조했다. 일반 사용자 입장에서 제미나이 4는 단순한 성능 개선이 아니다. 추론의 체급 자체가 바뀌는 근본적인 전환점이 될 것이다.

이번 진화의 핵심은 '태생적 통합 구조(natively Omni)'로의 전환이다. 기존 AI 시스템 대부분은 텍스트 처리 모델과 이미지 처리 모델 등 서로 다른 전문 시스템을 만들어 이어 붙이는 방식을 사용했다. 반면 네이티브 옴니 모델은 설계 단계부터 모든 입력과 출력 기능을 기본 모델 하나에 직접 통합한다. 구글은 이러한 다양한 데이터 처리(multimodal) 기능을 핵심 학습 과정에 내재화해, 외부 구성 요소에 의존하지 않는 매끄러운 지능을 구현하려 한다. 조각 모음이 아니라 하나의 뇌를 만드는 작업이다.

하지만 학습 완료가 곧 제품 출시를 의미하지는 않는다. 구글은 불안정하거나 위험한 도구가 시장에 나오는 것을 막기 위해 엄격한 검증 절차를 거친다. 사전 학습이 끝나면 광범위한 안전성 테스트와 취약점 공격 테스트(red teaming)를 수행한다. 보안 전문가들이 시스템을 직접 공격해 결함이나 편향성을 찾아내는 과정이다. 이후 단계적 출시를 통해 실제 환경에서도 의도대로 작동하는지 확인한다. 제미나이 4는 이미 사전 학습을 마치고 내부 테스트 중인 것으로 알려졌으나, 구글은 서두르지 않는다. 속도보다 안전이 우선이다.

04GPT 5.6 Sol, 하루 만에 사용량 95% 소진하는 고비용 구조

GPT 5.6 Sol은 백엔드 개발과 오류 수정(debugging) 분야에서 최상위 도구로 자리 잡았다. 성능이 뛰어난 만큼 자원 소모가 크다. 특히 여러 번 수정할 필요 없이 한 번의 요청으로 정답을 내놓는 '원샷(one-shot)' 능력이 탁월해, 복잡한 버그 수정이나 신규 기능 구현 속도가 매우 빠르다. 보조 AI(sub-agents)와 함께 사용할 때 효율은 극대화된다. 실제로 UltraCode 환경에서 Swift 언어로 작성된 앱 전체를 Rust로 옮기는 작업이 가능했다. 서로 다른 프로그래밍 구조를 완벽히 이해하고 있다는 증거다.

하지만 성능의 비약적인 발전은 토큰(token) 소모량의 급증으로 이어졌다. GPT 5.5보다 운영 비용이 훨씬 비싸다. 토큰은 AI가 텍스트를 처리하는 기본 단위로, 소모량이 많을수록 유료 할당량이 빠르게 바닥난다. 헤비 유저들에게는 치명적이다. 월 200달러짜리 오픈AI 프로 플랜을 사용해도, GPT 5.6 Sol로 집중 작업하면 단 하루 만에 Codex 구독량의 95%를 써버린다. 내부 처리 과정이 이전 버전보다 훨씬 무겁다는 뜻이다. 비용 부담이 큰 사용자에게는 실용성이 떨어진다.

오픈AI가 설정한 현재의 사용 제한은 지나치게 엄격하다. 지속 가능한 시스템이라기보다 수동 개입에 의존하는 수준이다. 서비스 유지를 위해 '티보(Tibo)'라는 인물이 3일 동안 두 번이나 사용 제한을 수동으로 초기화해줘야 했다. 이런 비상 조치가 없다면 사용 불가능한 저성능 제품으로 평가받았을 것이다. 기술적 완성도는 최상위권이지만, 이를 안정적으로 제공할 인프라가 뒷받침되지 못하고 있다.

05제미나이의 엇박자 — 기다리는 최상위 모델, 실망스러운 보급형

구글이 AI 제품군 출시 일정 관리에 어려움을 겪고 있다. 사용자들은 정작 필요한 강력한 도구가 없거나 성능이 불안정한, 파편화된 도구 세트를 마주하고 있다. 가장 큰 문제는 핵심 모델인 제미나이 3.5 Pro의 부재다. 지난 5월 구글 IO에서 발표하며 6월 출시를 예고했지만, 일반 공개 일정은 이미 지났다. 현재는 일부 파트너사 테스트 단계에 머물러 있다. 결국 200만 토큰의 문맥 창(context window), 즉 모델이 한 번에 기억하고 처리할 수 있는 방대한 정보량은 일반 사용자에게 여전히 이론상의 스펙일 뿐이다.

그 공백을 메우기 위해 구글은 제미나이 3.7 Flash를 내놓았다. 코딩과 자율형 에이전트(autonomous agents) 구축에 최적화된 '지능형 일꾼'이라고 홍보한다. 보급을 늘리기 위해 가격을 50% 낮췄으며, 이 혜택은 2026년 말까지 유지된다. 하지만 저렴한 가격만큼 성능 희생이 크다. 현재 이 모델은 최첨단 모델(frontier models)의 성능에 미치지 못해 D 또는 F 등급으로 평가받는다. 속도는 매우 빠르지만, 한 번에 정확히 답하는 능력(one-shot accuracy)이 부족하다. 사용자가 만족할 만한 결과를 얻으려면 여러 번 다시 명령해야 하는 번거로움이 있다.

이전 버전들의 급격한 노후화는 상황을 더 악화시킨다. 지난 2월 출시 당시 프론트엔드 디자인 능력으로 호평받았던 제미나이 3.1 Pro는 이미 D 등급으로 떨어졌다. 최신 모델들에 밀려 더 이상 전문적인 디자인 작업에 추천되지 않는다. 개발자와 기업 입장에서는 매우 불안정한 업무 흐름(workflow)이다. 최첨단 플래그십 모델은 구할 수 없고, 최신 보급형 모델은 복잡한 작업에 쓰기엔 너무 불안정하며, 기존의 표준이었던 모델은 이제 쓸모없어졌다.

06이메일 관리: AI가 초안을 짜고 사람은 결정만 하는 구조

파트너십 요청이 쏟아지는 환경에서 담당자는 수작업 분류에 시간을 쏟거나, 중요한 기회를 놓치는 위험 사이에서 갈등한다. AI 기반의 이메일 분류(triage) 시스템은 초기 스크리닝을 자동화해 이 문제를 해결한다. 기술이 반복적인 정리 작업을 수행하고, 사람은 최종 결정권만 갖는 구조다. 효율과 관계라는 두 마리 토끼를 잡는 전략이다.

이 작업 흐름(workflow)의 핵심은 '파트너십 인박스 봇'이다. 이 봇은 수신 메시지 중 협업이나 파트너십 문의만 정밀하게 스캔한다. 단순히 표시를 남기는 수준을 넘어, 이미 답장을 보냈는지 여부까지 확인한다. 답장이 없는 요청을 발견하면 적절한 답변 초안을 미리 작성해 둔다. 다만 자율 전송은 엄격히 금지된다. 사람이 직접 검토하고 승인한 메일만 발송되는 구조다.

사람이 개입해야 하는 이유는 비즈니스 파트너십의 톤이 X, LinkedIn, WhatsApp 같은 소셜 플랫폼의 말투와 완전히 다르기 때문이다. AI가 초안을 잡고 사람이 맥락에 맞게 다듬는 과정이 필수적이다. 이 분류 봇을 트렌드 분석이나 플랫폼별 초안 작성 봇과 연결한 다중 자율 AI(multi-agent) 체계로 확장하면, 이메일 함은 더 이상 스트레스의 근원이 아니라 정교한 콘텐츠 운영 센터가 된다. 누락되는 기회 없이 모든 소통의 진정성을 유지할 수 있다.

07Grok 4.6의 한계 — 서버 로직은 합격, 화면 디자인은 낙제

Grok 4.6은 기본 성능이 뛰어난 모델이다. 하지만 웹 개발의 시각적 요소에서는 명백한 한계를 드러낸다. 서버에서 데이터를 처리하는 보이지 않는 서버 로직(back-end)은 빠르고 정확하게 처리하지만, 세련된 사용자 인터페이스(UI)를 만드는 능력은 부족하다. 이 때문에 최상위권 AI 모델로 올라서지 못하고 있다. 엔진은 만들 수 있어도 껍데기는 믿을 수 없다.

이런 결함은 사용자가 화면에서 직접 보는 레이아웃과 시각적 요소를 다루는 사용자 화면(front-end) 디자인에서 극명하게 나타난다. 실제 테스트 결과, Grok 4.6은 기본적인 시각 작업조차 제대로 수행하지 못했다. 예컨대 Bridgemind 웹사이트의 단순한 버튼 하나를 설계하라는 요청에, 이 모델은 전문성이 전혀 느껴지지 않는 조잡한 결과물(AI slop)을 내놓았다. 아주 세밀하게 지시하면 그나마 나은 결과가 나오지만, 기본적으로 수준 높은 디자인을 뽑아내지 못한다. 빠른 시제품 제작(rapid prototyping)이나 고품질의 시각 작업이 필요한 사용자에게는 매우 답답한 도구다.

결국 이러한 약점 때문에 Grok 4.6의 종합 등급은 B티어에 머물렀다. 서버 로직 처리 능력은 상당하지만, 화면 디자인의 치명적인 약점이 전체 성능의 한계치(performance ceiling)로 작용했다. A티어 모델이 되려면 로직과 외형 모두를 아우르는 전방위적 개발 능력이 필수적이다. Grok 4.6은 애플리케이션의 기술적 기반 작업(technical plumbing)에는 효율적인 도구일지 모르나, 현대적인 웹 미학과 사용자 경험(UX)의 디테일을 이해해야 하는 작업에는 부적합한 선택이다.

08클로드 코드 — 프로젝트 설명 없이 바로 코딩하는 환경

개발자가 변경 사항을 반영할 때마다 AI에게 프로젝트 전체를 일일이 설명해야 했던 번거로움이 사라졌다. 클로드 코드는 전용 `.cloud` 폴더를 통해 기업의 기존 코드 저장소에 직접 통합된다. 이 폴더는 일종의 기억 저장소 역할을 하며, `.clmd` 파일과 자동 실행 스크립트(hooks)를 통해 프로젝트 고유의 맥락을 저장한다. 도구가 프로젝트 전체 맥락을 스스로 추출해 요약할 수 있게 되면서, 개발자는 새로운 요청을 효율적으로 구현할 수 있다. AI가 이미 프로젝트 구조와 파일 구성을 꿰고 있기 때문이다. 불필요한 반복 설명의 시대가 끝났다.

코드 관리를 넘어 시각적 디자인과 실제 구현 사이의 간극도 좁혔다. 새로운 `/design` 명령어를 사용하면 기존 프로젝트 스타일과 일치하는 UI 목업(mockup)을 자동으로 생성한다. 이전에는 인터페이스를 말로 설명하고 AI가 이를 제대로 추측하기를 바라는 '느낌 기반의 코딩 반복(vibe coding loop)' 과정이 불가피했다. 이제는 모델이 목업을 만들기 전 기존 코드를 먼저 읽으므로, 디자인과 빌드 단계가 하나의 세션에서 동시에 진행된다. 수동 수정 없이도 브랜드 정체성과 스타일을 그대로 유지할 수 있다. "느낌"이 아닌 "데이터"로 디자인하는 셈이다.

이런 능력을 확장하기 위해 Tracer라는 도구가 여러 자율형 코딩 에이전트가 함께 일하는 협업 환경을 제공한다. 사람이 중간에서 전달자 역할을 하지 않아도, 클로드 코드와 Codex 같은 에이전트들이 직접 소통하며 프로젝트 맥락을 공유한다. 예를 들어 클로드 코드가 특정 컴포넌트를 개발한 뒤 즉시 Codex에게 검토를 요청하면, Codex가 이를 리뷰하고 피드백을 보낸다. 클로드 코드는 이 피드백을 바탕으로 코드를 수정한다. 이러한 작업 흐름(workflow)을 통해 AI 에이전트들이 역할을 분담하고 상호 검토를 수행하며 협업 효율을 높인다. AI가 AI를 검수하는 체계가 완성됐다.

0950억 달러의 연산력 확보, SSI가 갑자기 투명해진 이유는?

SSI가 AI 학습의 핵심인 하드웨어 확보를 위해 전략적 제휴를 맺고 연구 속도를 높이고 있다. 이제 이론적 탐구를 넘어 실제 대규모 구현 단계로 진입한다. 연산 능력을 대폭 확충해 초지능(super intelligence) 구현의 한계를 시험하겠다는 전략이다. 하드웨어 부족으로 혁신이 멈추는 일은 없게 만들겠다는 의지다.

이번 확장의 핵심은 지난 7월 27일 발표된 Nvidia와의 파트너십이다. 약 50억 달러 규모의 투자가 이뤄졌으며, 이를 통해 SSI가 사용할 수 있는 연산 자원은 이전보다 10배 이상 늘어났다. 사실상 과거와는 비교할 수 없는 수준의 하드웨어 접근권을 갖게 된 셈이다. 압도적인 연산력은 그동안 불가능했던 규모의 연구를 가능케 하며, 차세대 고복잡도 모델 학습을 위한 기초 체력이 된다.

자원이 급증하면서 SSI가 세상과 소통하고 결과물을 관리하는 방식에도 변화가 생겼다. 그동안은 모델을 비밀리에 개발해 최종 목표를 달성했을 때만 공개하겠다는 폐쇄적인 태도를 보였다. 하지만 이제는 단계적 공개를 통해 투명성을 높이겠다는 전략으로 선회했다. 기술 진화 과정을 대중과 정부 규제 기관이 실시간으로 확인하게 하겠다는 계산이다. 공격적인 기술 확장과 외부 감시라는 두 마리 토끼를 동시에 잡으려는 시도다.

10빛으로 데이터 주고받는 칩, 상용화 가로막는 수율과 발열 문제

AI 컴퓨팅의 미래는 프로세서가 얼마나 빨리 방대한 데이터에 접근하느냐에 달려 있다. 하지만 업계는 아직 거대한 설계 변경의 계획 단계에 머물러 있다. 최근 Nature Electronics에 게재된 리뷰 논문에 따르면, 전기가 아닌 빛으로 칩 간 통신을 수행하는 '광학 컴퓨팅 인터커넥트(optical compute interconnects)'의 완성된 제품은 아직 시장에 나오지 않았다. 대신 이 논문은 광학 통신 부품을 프로세서 패키지에 직접 통합해 전력 소모를 줄이고 속도를 높이는 '광학 소자 통합 패키징(CPO, Co-Packaged Optics)'의 연구 로드맵을 제시한다. 아직은 제품이 아니라 지도다.

핵심 과제는 속도와 용량의 균형을 맞추는 일이다. 현재 시스템은 매우 빠르지만 비싸고 용량이 제한적인 로컬 고속 메모리에 의존한다. 이를 확장하기 위해 엔지니어들은 더 큰 용량을 제공하는 '공유 메모리(pooled memory)' 도입을 추진 중이다. 다만 이 방식은 데이터 전송 시 발생하는 지연 시간(latency)이 늘어나고 대역폭(bandwidth) 손실이 발생할 위험이 있다. 단순히 빛 연결의 최고 속도를 올리는 것만으로는 부족하다. 데이터 한 비트를 옮기는 데 드는 에너지를 낮춰야 하며, GPU 패키지라는 좁은 공간에 광학 대역폭을 밀어 넣으면서도 발열을 잡아야 한다. 결국 속도보다 효율의 싸움이다.

이론적인 로드맵을 상용 제품으로 바꾸려면 물리적, 시스템적 장벽을 넘어야 한다. Nature Electronics 논문은 패키징, 열 관리, 시스템 신뢰성 문제가 여전히 해결되지 않았음을 지적한다. 표준화 문제와 경제적 타당성도 걸림돌이다. 좁은 패키지 안에 수많은 광학 부품을 밀어 넣으면 수율(yield)이 떨어져 칩당 단가가 치솟기 때문이다. 또한 여러 GPU가 하나의 공유 메모리 자원을 사용할 때 데이터 일관성을 어떻게 유지할지도 풀어야 할 숙제다. 이러한 공학적 간극이 메워지기 전까지, 광학 기술의 진보는 즉각적인 하드웨어 업그레이드가 아닌 미래 연구를 위한 지향점으로 남을 것이다. 현실의 벽은 생각보다 높다.

11알리바바 Qwen 3.8 Max, 유료 플랜의 역설 — 몇 번 묻지도 않았는데 바닥난 한도

알리바바 플랜으로 Qwen 3.8 Max를 사용하는 이용자들은 지나치게 엄격한 사용량 제한(quota)에 가로막혀 있다. 전문가나 헤비 유저에게 이번 구독 서비스는 안정적인 업무 흐름(workflow)을 보장하지 못한다. 세션을 시작하자마자 할당된 프롬프트 한도가 순식간에 사라지기 때문이다. 생산성을 높여주는 도구가 아니라, 매 질문마다 남은 한도를 계산해야 하는 자원 관리 게임으로 변질됐다.

제한의 심각성은 최근 사용자 경험에서 여실히 드러난다. 사용 한도가 비정상적으로 빠르게 소진되는 사례가 속출하고 있다. 실제로 한 사용자는 작업을 시작한 지 얼마 되지 않아 단 3~4번의 질문만으로 전체 한도의 57%를 사용했다는 사실을 발견했다. 이는 시스템이 아주 짧은 상호작용조차 과도하게 비용으로 계산하고 있음을 시사한다. 구독 가치의 절반 이상이 단 몇 번의 질문으로 증발하는 셈이다.

이러한 제약은 Qwen 3.8 Max를 일상 업무에 도입하려는 이들에게 거대한 진입 장벽이 된다. 사용 시작 몇 분 만에 한도의 절반이 사라진다면, 이 모델은 다재다능한 비서가 아니라 아껴 써야 하는 희귀 자원에 불과하다. 복잡한 문제를 탐구하거나 고품질 결과물을 얻기 위해 필수적인 반복 질문(iterative prompting) 과정 자체가 불가능해진다. 결국 알리바바의 현재 플랜 구조는 사용자가 충분히 몰입해 작업할 수 있는 여유 공간을 제공하지 못하고 있다. 첫 질문을 던지는 순간부터 한도 초과라는 압박이 시작된다.

12DeepSeek V4: 10센트로 웹사이트를 만드는 비용 혁명

고성능 AI가 이제 예산이 부족한 사용자들에게도 열렸다. DeepSeek V4 Pro와 Flash 모델이 보여주는 극단적인 비용 효율성 덕분이다. 고가의 기업용 구독료를 감당하기 어려운 개발자나 취미 활동가들은 이제 적은 비용으로 전문가 수준의 결과물을 낼 수 있다. 이제는 절대적인 성능보다 '가격 대비 지능'의 비율이 더 중요한 기준이 됐다. 가성비의 시대다.

DeepSeek V4 Pro는 공격적인 API 가격 정책이 핵심이다. 사용자가 실제로 처리한 텍스트 양에 대해서만 비용을 지불하면 된다. 구체적으로 AI가 읽고 쓰는 텍스트의 기본 단위인 토큰(token)을 1억 개 넘게 처리하는 데 단돈 5달러면 충분하다. 세계 최고 성능의 모델들과 정면 승부하기엔 부족할지 몰라도, 가격 대비 성능은 압도적이다. 비용 부담 없이 실무에 투입할 수 있는 가장 현실적인 대안이다.

직관적으로 빠르게 아이디어를 구현하고 수정하는 이른바 '바이브 코딩(vibe coding)' 방식에는 DeepSeek V4 Flash가 최적이다. 정답에 가까운 명령어를 찾기 위해 수없이 반복해서 시도해야 하는 작업 흐름(workflow) 특성상, 비용이 낮을수록 더 많은 시도를 할 수 있기 때문이다. 효율성이 너무나 극단적이라 웹사이트 하나를 통째로 만드는 데 드는 비용이 단돈 10센트에 불과할 정도다. 시도 횟수가 곧 경쟁력이 되는 구조다.

클라우드 의존도를 낮춘 점도 주목할 만하다. DeepSeek V4 Flash는 DGX Sparks 같은 개인 장비에 직접 설치해 구동하는 로컬 배포를 지원한다. 외부 서버를 거치지 않고 내 컴퓨터에서 직접 AI를 돌릴 수 있다는 뜻이다. 낮은 진입 비용에 로컬 구동의 유연함까지 더해졌다. 이제 적절한 하드웨어만 있다면 누구나 강력한 AI 지능을 활용해 복잡한 소프트웨어를 만들 수 있다. AI 개발의 문턱이 완전히 사라졌다.