AI의 패러다임이 빠르게 변하고 있다. 무조건 거대한 연산 능력을 쫓던 시대에서, 이제는 효율적인 로컬 환경과 똑똑한 작업 배분으로 무게중심이 옮겨가는 추세다. 작업 성격에 맞춰 최적의 모델을 자동으로 연결하는 정교한 배분 체계(routing architecture)가 도입되고, 대용량 메모리를 지원하는 하드웨어 혁신이 이어지고 있다. 지능을 구현하는 방식이 훨씬 세밀해진 것이다. 단순한 성능 경쟁이 아닌 '최적화'의 시대로 진입했다.

특히 눈에 띄는 점은 최적화된 소형 모델들의 약진이다. 수천억 개의 매개변수를 가진 거대 모델에 육박하는 성능을 내기 시작하면서, 클라우드 기반의 최첨단 시스템과 개인 PC에서 구동되는 모델 사이의 간극이 빠르게 좁혀지고 있다.

이제는 단순한 '깡성능'의 문제가 아니다. 속도를 높이기 위해 토큰 사용량을 최적화하거나, 과거에는 원격 데이터 센터에서만 가능했던 복잡한 작업을 로컬 하드웨어에서 처리하도록 설계를 바꾸는 '전략적 배치'가 핵심이다.

이러한 변화는 웹 개발의 일하는 방식(workflow)부터 공개 가중치(open-weight) 모델의 보안 문제까지 AI 생태계 전반에 영향을 미친다. 로컬 작업 환경의 효율을 극대화하려는 개발자든, AI의 효율성 변화에 관심 있는 일반 사용자든 이번 주 리포트가 그 해답이 될 것이다. 차세대 AI 보급을 결정지을 도구와 하드웨어의 현주소를 짚어본다.

01기다림 없는 AI — GPT Live의 지능형 작업 분배

GPT Live 사용자는 이제 가벼운 채팅과 심층 연구 사이의 전환이 훨씬 매끄러워졌음을 체감하게 된다. 모든 질문에 무거운 모델을 투입하는 대신, 작업의 복잡도에 따라 적절한 모델을 배정하는 '작업 분배(model routing)' 메커니즘을 도입했기 때문이다. 단순한 응답은 가벼운 모델인 Live 1이 맡아 대화의 흐름을 끊김 없이 유지한다. 반면 웹 검색이나 상세 데이터 추출처럼 고도의 추론이 필요한 요청은 자동으로 더 강력한 지능을 가진 GPT 5.5로 전달된다. 상황에 맞춰 '두뇌'를 갈아 끼우며 속도와 정확도를 동시에 확보한 전략이다.

속도의 한계는 하드웨어 혁신으로 돌파했다. Cerebras의 고속 추론 칩을 전략적으로 통합하면서 GPT 5.6은 초당 최대 750토큰(token)이라는 압도적인 텍스트 생성 속도를 구현했다. 일반 사용자 입장에서 이는 AI 특유의 '타이핑 지연'이 사실상 사라졌음을 의미한다. 최첨단 지능(frontier-level intelligence)이 제공하는 고도의 추론 능력을 인간의 대화 속도와 거의 동일한 실시간으로 누릴 수 있게 된 것이다.

지능형 작업 분배와 하드웨어 가속의 결합은 실시간 AI의 활용 가치를 근본적으로 바꾼다. Live 1으로 단순 업무를 처리하고 Cerebras 칩으로 GPT 5.6의 속도를 끌어올림으로써, 그동안 AI의 고질적 문제였던 '지능과 응답 속도 사이의 트레이드오프(trade-off)'를 제거했다. 이제 사용자는 '빠르지만 단순한 모델'과 '똑똑하지만 느린 모델' 사이에서 고민할 필요가 없다. 프롬프트를 입력하고 결과를 기다리던 시대는 끝났다. 가벼운 일상 대화부터 방대한 데이터 분석까지, 모든 과정이 하나의 유연한 흐름으로 이어지는 진정한 인터랙티브 경험이 시작됐다.

02애플 M7 칩 가속화 — 메모리 1.5TB로 엔비디아와 정면 승부

애플이 AI 경쟁의 주도권을 잡기 위해 하드웨어 로드맵을 급선회했다. M6 시리즈(M6 Pro, Max, Ultra)를 통째로 건너뛰고 M7 시리즈 출시를 앞당긴다는 전략이다. 일반 소비자용 기기와 고성능 AI 모델이 요구하는 연산 능력 사이의 격차를 빠르게 메우겠다는 계산이다. 사용자 입장에서는 성능 도약의 시점이 빨라지겠지만, M4 Pro 맥 미니 같은 현재 세대 기기들은 M7이 등장하는 순간 성능 곡선에서 크게 뒤처질 가능성이 높다. 성능의 도약이 빨라지는 만큼, 기존 기기의 수명은 짧아진다.

M7 칩은 2027년 상반기, M7 Ultra는 2028년 출시를 목표로 한다. 특히 M7 Ultra의 핵심은 1.5TB에 달하는 통합 메모리(unified memory, 프로세서와 그래픽 장치가 함께 사용하는 고속 메모리 영역)다. 블룸버그의 마크 저먼에 따르면, 이는 현재 AI 인프라의 표준인 엔비디아 블랙웰(Nvidia Blackwell)과 직접 경쟁하겠다는 의지다. 메모리 용량을 획기적으로 늘려, 값비싼 서버 클러스터 없이도 거대 AI 모델을 내 기기에서 직접 돌리겠다는 구상이다. 서버 없는 AI 시대, 애플이 그리는 그림이다.

하지만 소프트웨어는 여전히 외부 의존도가 높다. 온디바이스 AI 성능을 강조하면서도, 정작 시리(Siri)를 구동하기 위해 구글 제미나이 맞춤형 버전에 매년 약 10억 달러를 지불하고 있다. 앤스로픽의 클로드 도입도 검토했으나, 15억 달러라는 높은 비용 요구에 결국 무산된 것으로 알려졌다. 결국 M7 로드맵이 시급한 이유는 여기에 있다. 거대 모델을 로컬에서 처리할 수 있는 하드웨어를 갖춰야만 막대한 비용이 드는 외부 클라우드 의존도를 낮추고, 독립적으로 작동하는 시스템을 완성할 수 있기 때문이다. 하드웨어가 소프트웨어의 비용 문제를 해결하는 열쇠다.

03Kimi K3의 설계도 공개, AI가 해킹 도구로 변할까?

Kimi K3가 모델의 내부 가중치(open-weights)를 공개하면서 심각한 보안 허점이 생겼다. 악의적인 사용자가 AI를 사이버 공격용으로 개조하기가 훨씬 쉬워졌기 때문이다. 기존의 폐쇄형 모델은 교묘한 질문으로 안전 필터를 속이는 '탈옥(jailbreaking)' 과정이 필요했다. 하지만 Kimi K3는 모델의 실제 내부 설계도를 통째로 제공한다. 컴퓨팅 자원만 있다면 특정 데이터셋으로 모델을 추가 학습시켜 행동 방식을 완전히 바꾸는 '미세 조정(fine-tuning)'이 가능하다. 설계도를 통째로 넘긴 셈이다.

내부 가중치에 접근할 수 있게 되자, 악성 코드를 짜는 자율형 코딩 AI(coding agent)를 만드는 일은 매우 간단해졌다. 이제 공격자는 AI에 내장된 안전장치와 싸울 필요가 없다. 안전장치를 우회하는 게 아니라, 아예 새로 쓰는 것이다. 악성코드를 만들거나 소프트웨어 취약점을 찾는 데 최적화되도록 모델을 다시 학습시키면 그만이다. 특히 Kimi K3는 Fable 5나 GPT 5.6 같은 최첨단 모델(frontier model) 수준의 성능을 갖췄다는 점에서 위험하다. 이 정도 성능의 모델이 공개되면, 고성능 자동 해킹 툴을 만드는 진입장벽은 사실상 사라진다.

이번 공개는 AI 연구소들의 공격적인 추세가 반영된 결과다. 범용 인공지능(AGI)을 달성하려는 갈증이 너무 크다 보니, 경쟁사들을 따라잡기 위해 성능 좋은 모델을 서둘러 출시하는 분위기다. 2등 그룹이 1등을 쫓는 조급함과 공포가 뒤섞인 환경이다. 하지만 이런 속도전은 안전 문제와 정면으로 충돌한다. 속도 경쟁이 안전을 집어삼킨 꼴이다. 현존 최강의 AI와 맞먹는 모델의 가중치를 공개함으로써, 개발진은 중앙 통제권을 포기하고 개방성을 택했다. 최첨단 코딩 능력이 배포되는 방식의 리스크 자체가 완전히 바뀐 것이다.

04최고 성능 AI의 로컬 상륙 — RTX 5090 한 장으로 끝내는 지능

초고성능 AI가 거대 데이터 센터를 벗어나 개인의 책상 위로 내려오고 있다. 이제 사용자는 자신의 데이터와 일하는 방식(workflow)을 더 자율적으로 관리한다. 2027년 말이면 GLM 5.2 수준의 지능을 VRAM 32GB 탑재 RTX 5090 한 장으로 구동하는 시대가 온다. 이는 '소버린 AI(Sovereign AI)'로의 전환이다. 외부 업체가 갑자기 접속을 차단하거나 가격을 올릴 리스크 없이, 내 목적에 맞게 모델을 최적화하고 완전히 통제할 수 있다.

이런 변화의 핵심은 '네이처 머신 인텔리전스'가 명명한 '덴싱 법칙(densing law)'에 있다. 모델의 파라미터(정보 처리에 쓰이는 내부 변수) 수는 줄어드는데, 지능은 오히려 높아지는 현상이다. 구체적으로 파라미터 수는 3.5개월마다 50%씩 감소하면서도 성능은 계속 올라가고 있다. 이미 결과로 증명되고 있다. 270억 개의 파라미터만 가진 Quinn 3.6 모델이 3,970억 개의 파라미터를 가진 거대 모델 Quinc 3.5(Mixture-of-Experts)보다 뛰어난 성능을 낸다. GPT OSS 12B 역시 외부 소프트웨어와 상호작용하는 도구 호출(tool calling) 능력을 보여줬는데, 이때 필요한 하드웨어 자원은 Deepseek R1의 5분의 1 수준에 불과했다.

최첨단 AI의 진입장벽은 이미 무너졌다. 과거에는 데이터 센터 전체가 필요했던 GPT-4o급 모델이 이제는 아이폰에서 로컬로 돌아간다. Deepseek R1은 복잡한 추론 능력을 가정용 하드웨어 수준으로 끌어내렸다. 물론 2.8조 개의 파라미터를 가진 Kimmy K3 같은 거대 모델이 여전히 멀티모달 지능의 한계를 넓히고는 있다. 하지만 효율성 중심의 트렌드는 오픈AI나 앤스로픽 같은 거대 랩의 수직 계열화 위험을 낮춘다. 지능이 로컬 하드웨어로 옮겨가면, 반도체부터 전력, 소프트웨어까지 모든 단계를 독점하는 소수 기업에 종속될 필요가 없기 때문이다.

05복잡한 프런트엔드 코딩, 단순한 AI 생성으로 — Qwen 3.8 Max

웹사이트의 겉모습과 상호작용 기능을 만드는 프런트엔드(front-end) 개발 환경이 급변하고 있다. Qwen 3.8 Max 프리뷰 버전은 웹 개발 작업에서 압도적인 성능 향상을 보여준다. 이제 디자인 시안을 실제 작동하는 페이지로 옮기기 위해 일일이 코드를 짤 필요가 없다. AI가 레이아웃과 인터페이스를 정확하게 그려내기 때문이다. 단순 반복 작업의 시대가 끝났다.

현재 버전은 완성본이 아니라 성능을 정교하게 다듬는 전략적 프리뷰 단계다. 개발팀은 매일 시스템을 업데이트하며, 사용자들이 모델의 한계를 시험하도록 유도하는 광범위한 테스트를 진행 중이다. 커뮤니티가 직접 버그를 찾아내고 소프트웨어의 취약점을 노출하면, 이를 실시간으로 수정하는 방식이다. 실제 현장의 다양한 코딩 시나리오로 단련된, 완성도 높은 최종 버전이 나올 수밖에 없는 구조다.

프리뷰 버전만으로도 제작사의 기대치를 이미 넘어섰지만, 더 강력한 정식 버전이 준비 중이다. 특히 이번 출시의 핵심은 가중치 공개(open-weight) 방식이라는 점이다. 모델의 지능을 결정하는 내부 수학적 수치인 '가중치'를 일반에 공개해, 개발자가 기업의 클라우드 서비스에 의존하지 않고 자신의 서버(infrastructure)에서 AI를 직접 구동할 수 있게 하겠다는 뜻이다. 기술의 주도권이 사용자에게 넘어온다.

프리뷰 단계에서 이미 웹 생성 능력이 입증된 만큼, 정식 버전은 더 파괴적인 성능 향상을 가져올 전망이다. 매일 이뤄지는 업데이트와 사용자 피드백이 쌓이면서, 차세대 웹 인터페이스를 만드는 작업 흐름(workflow) 자체가 근본적으로 바뀔 것이다. 고품질의 프런트엔드 개발이 훨씬 빠르고 쉬워진다.

06제미나이 3.6 플래시: 최첨단 지능보다 처리 속도와 비용 효율에 올인

구글이 최신 모델에서 절대적인 지능보다 속도와 비용을 우선순위에 뒀다. 제미나이 3.6 플래시는 세상에서 가장 똑똑한 모델을 지향하지 않는다. 대신 가장 빠르고 효율적인 도구가 되는 것에 집중했다. 이는 AI의 한계를 밀어붙이는 최첨단 모델(frontier model)이라기보다, 실용적인 유틸리티에 가깝다. GPT 5.6 Soul이나 Terra 같은 최상위 모델과 경쟁하는 대신, 정보 처리 속도를 높이고 작업 완료에 필요한 텍스트 최소 단위인 토큰(token) 사용량을 줄이는 '효율성 시장'을 공략한 것이다.

토큰 효율성은 특히 심층 소프트웨어 엔지니어링 작업에서 두드러진다. 제미나이 3.5 플래시가 약 276개의 토큰을 사용했던 것과 달리, 3.6 플래시는 단 97개만으로 동일한 성능을 낸다. 효율성뿐 아니라 긴 문맥 처리 능력(long-context performance)도 77.3%에서 91.8%로 크게 뛰었다. 벡터 그래픽(SVG) 생성 능력은 여전히 뛰어나며, 차트를 읽고 분석하는 추론 능력도 유지하고 있다. 다만 차트 분석의 개선 폭은 미미한 수준이다.

하지만 속도에 치중한 최적화는 지능의 공백을 만들었다. 처리 속도는 극도로 빠르지만, 정밀함이 필수적인 영역에서는 한계를 보인다. 유출자 Lentils가 진행한 프론트엔드(UI/UX) 개발 및 공간 추론 능력(spatial reasoning, 시각적 공간 내 객체 배치 이해 능력) 테스트 결과, 출력물 수준이 역대 최악이라는 평가가 나왔다. 일반적인 코딩 작업 성능 역시 낮다. 구글 딥마인드는 제미나이 3.6 플래시를 '프로' 모델이 아닌 가벼운 변형 모델로 정의했다. 결과적으로 빠르고 저렴한 실행에는 최적화됐지만, 최첨단 AI가 보여주는 깊은 추론 능력은 갖추지 못한 도구가 됐다.

07M5 Max의 봉인을 푼 Alama 0.19 — 텍스트 생성 속도 19배 폭증

고성능 하드웨어를으로 AI 모델을 돌려도 성능이 기대에 못 미치는 이유는 칩셋 자체보다 모델과 하드웨어를 잇는 소프트웨어 층의 병목 현상 때문이다. M5 Max 사용자들에게 최근 배포된 업데이트는 이 잠재력을 완전히 해방했다. 답답했던 텍스트 생성 경험이 거의 즉각적인 수준으로 바뀌었다. 이제 복잡한 AI 작업에서도 특유의 타이핑 지연 없이 실시간 상호작용이 가능하다. 하드웨어의 한계가 아니라 소프트웨어의 한계였다.

이번 성능 도약의 핵심은 지난 3월 출시된 Alama 0.19다. 이 버전에는 애플 실리콘과 AI 모델의 상호작용을 최적화하는 전용 소프트웨어 프레임워크인 MLX 백엔드가 도입됐다. 특히 Quen 3.535 BA3B 모델에서 그 효과가 극명하다. 텍스트 생성 속도(decode speed)가 초당 58토큰에서 1,112토큰으로 수직 상승했다. 1초에 쏟아내는 텍스트 양이 압도적으로 늘어나며 하드웨어의 활용 가치 자체가 달라졌다.

생성 속도뿐 아니라 초기 입력값을 처리하는 속도(prefill rate)도 개선됐다. M5 Max에서 Quen 3.535 BA3B 모델의 처리 속도는 초당 1,154토큰에서 1,810토큰으로 올라갔다. 생성 속도의 변화가 눈에 띄는 시각적 개선이라면, 처리 속도의 향상은 AI가 더 많은 맥락을 빠르게 이해해 첫 응답까지의 대기 시간을 줄여주는 실질적 이득을 준다. 결국 고성능 하드웨어의 이론적 성능을 실제로 끌어내는 것은 백엔드 소프트웨어의 역량이다.

08제미나이 3 Flash — 가벼운 모델로 검증하고 큰 모델로 완성하는 전략

복잡한 자율형 코딩 에이전트(coding agents)를 구축할 때, 처음부터 무겁고 비싼 모델을 투입하는 것은 비효율적이다. 대신 가볍고 기민한 소형 모델을 '설계 파트너'로 활용해, 특정 소프트웨어 프레임워크가 실제로 작동 가능한 코드를 생성할 수 있는지 먼저 확인하는 것이 훨씬 경제적이다. 소형 모델이 프레임워크의 기술적 요구사항을 무리 없이 통과했다면, 더 강력한 대형 모델은 당연히 이를 수행할 수 있다는 확실한 신호가 된다. 기초 공사부터 잘못되어 시스템 전체를 갈아엎어야 하는 리스크를 원천 차단하는 전략이다.

여기서 핵심은 결과물의 품질과 'AI 친화도(agent-friendly)', 즉 AI가 소프트웨어를 얼마나 쉽게 제어할 수 있느냐 사이의 균형을 잡는 것이다. 예를 들어 애프터 이펙트(After Effects)나 프리미어 프로(Premiere Pro)는 시각적 결과물은 훌륭하지만, AI 에이전트가 직접 컨트롤하기에는 매우 까다로운 도구다. 최신 연결 장치를 사용하더라도 AI가 독립적으로 구동하기보다는 인간의 보조 역할(co-pilot)에 그치는 경우가 많기 때문이다. 결국 개발자들은 지난 1년 넘게 다양한 프레임워크를 실험하며, 대규모 언어 모델이 자신의 '모국어'로 직접 소통해 최상의 결과물을 낼 수 있는 방법을 찾아왔다.

이 검증 과정에 투입된 모델이 바로 제미나이 3 Flash다. 대형 시스템을 운용하는 비용과 시간을 낭비하지 않고, 소형 모델을 테스트 베드로 삼아 프레임워크의 생존 가능성을 먼저 타진한 것이다. 논리는 단순하다. 능력이 제한적인 소형 모델이 특정 구조 안에서 기능적인 코드를 짤 수 있다면, 상위 모델은 100% 성공한다는 계산이다. 비효율적인 프레임워크는 빠르게 쳐내고, AI 에이전트가 최대한의 자율성과 정밀도로 작동할 수 있는 환경에만 집중하는 효율적인 프로토타이핑 방식이다.

09덩치 큰 AI가 진다? 내 컴퓨터에서 돌아가는 고성능 AI의 시대

고도의 추론 능력을 구현하려면 막대한 전력을 소모하는 거대 서버 단지가 필수라는 공식이 깨지고 있다. 이제는 크기보다 효율의 시대다. 고성능 지능이 거대 데이터 센터를 벗어나 개인용 데스크톱으로 내려오고 있다. 이는 AI 이용 방식을 근본적으로 바꾼다. 기업의 인프라 없이도 최상위 모델을 쓸 수 있게 되면서, 더 프라이빗하고 접근성 높은 로컬 컴퓨팅 환경이 열리는 것이다.

이런 변화의 핵심은 매개변수당 영향력(impact per parameter)에 있다. 매개변수(parameter)는 AI가 학습 과정에서 데이터 패턴을 익히기 위해 조정하는 내부 설정값이다. 과거에는 이 숫자가 많을수록 성능이 올라간다고 믿었다. 하지만 최신 설계 효율성이 이 상관관계를 무너뜨렸다. 단 270억 개의 매개변수만 사용한 qu 3.5 3.6 6 모델이 4,000억 개가 넘는 거대 모델 Lamas 405의 성능을 앞지르는 결과가 나왔다. 덩치만 키운 모델보다 잘 깎인 작은 모델이 더 강하다. 적은 컴퓨팅 자원으로도 이전 세대의 거대 모델보다 뛰어난 결과를 낼 수 있음을 증명한 사례다.

하드웨어 시장에 주는 영향은 상당하다. 모델이 효율적으로 변하면서, 전문가급 지능이 일반 소비자용 그래픽 카드에서도 구현되는 '데스크톱 프런티어'가 확장되고 있다. 보수적으로 잡아도 2027년 말이면 GLM 5.2급의 지능을 32GB VRAM을 갖춘 RTX 5090 한 장으로 돌릴 수 있을 전망이다. 이제 강력한 AI 도구는 구독 서비스나 클라우드라는 벽 뒤에 갇혀 있지 않고, 사용자의 PC에서 직접 구동된다. 응답 속도는 빨라지고 데이터 주권은 사용자가 갖는다.

10오픈소스 AI의 역습 — 아이폰에서 돌아가는 GPT-4급 성능

고성능 AI가 거대 데이터 센터를 벗어나 개인 기기로 직접 들어오고 있다. 이제 아이폰에서도 GPT-4 수준의 AI를 구동할 수 있다. 기술의 주도권이 바뀌는 결정적 변곡점이다. 지난 21개월 동안 내부 구조를 공개하는 오픈소스 모델과 폐쇄형 프런티어 모델 사이의 성능 격차는 급격히 줄었다. Mistral 7B를 시작으로 Lamas 3, gamma 27V, 그리고 Quinn 2.5와 Gwen 2.5로 이어지는 강력한 모델들이 출시되며 성능의 비약적 발전을 이끌었다.

이러한 진화의 핵심은 학습 '레시피'의 투명성에 있다. 폐쇄형 모델과 달리 오픈소스 모델은 제작에 사용된 전체 기술 설계도를 공개한다. 구체적인 데이터셋부터 알고리즘, 특수 학습 기법, 개발자가 적용한 안전 조치까지 모두 포함된다. Kimmy K3 같은 오픈 프런티어 지능 모델이 대표적이다. 이 모델은 ChatGPT나 클로드 같은 폐쇄형 시스템에 필적하는 결과를 낸다. 2.8조 개의 파라미터(매개변수)와 100만 토큰의 컨텍스트 창(문맥 파악 범위)을 갖춘 이 멀티모달 모델은 오픈소스 AI가 이미 최상위 모델들을 따라잡았음을 증명한다.

접근성이 넓어지면서 개인과 기업 모두에게 강력한 전략적 이점이 생겼다. 오픈소스 모델을 활용하면 소버린 AI(Sovereign AI, AI 주권)를 구축할 수 있다. 즉, 자신이 의존하는 AI 인프라를 독립적으로 통제하는 것이다. 외부 제공업체가 도구를 갑자기 회수하거나 설정을 변경해 서비스가 중단될 위험이 없다. 보안과 독립성뿐 아니라, 각자의 특수한 목적에 맞게 성능을 최적화하는 맞춤형 AI 구현도 가능하다. 장기적으로 모델을 직접 구축하고 로컬 환경에서 운영하면, 매달 지불하는 구독료보다 훨씬 적은 비용으로 시스템을 유지할 수 있다. 비용 효율성의 판이 바뀌는 지점이다.

11전문가의 영역에서 모두의 도구로 — HyperFrames, 130만 개 영상 돌파

고품질 모션 그래픽 제작 능력이 전문가의 전유물에서 누구나 쓸 수 있는 오픈소스 역량으로 빠르게 옮겨가고 있다. HyperFrames는 단순한 개념 증명을 넘어 크리에이터 커뮤니티 내에서 거대한 규모의 프레임워크로 자리 잡았다. 단 90일 만에 26만 7,000명의 크리에이터가 유입됐고, 이들이 만들어낸 영상은 130만 개를 넘어섰다. GitHub에서 3만 2,000개의 별(star)을 기록한 것은 실제 환경에서 즉시 쓸 수 있는 자동화 영상 제작 도구에 대한 갈증이 얼마나 컸는지를 증명한다. 이제 기술이 아니라 접근성의 문제다.

이 프레임워크의 성공 비결은 특정 작업을 수행하는 자율형 소프트웨어(AI agent)를 다루는 전략을 바꾼 데 있다. 기존의 많은 도구가 AI에게 HTML, CSS, 자바스크립트 같은 웹 기술 언어를 가르치는 데 집중했다면, HyperFrames는 AI가 이미 코딩 능력을 갖추고 있다고 가정한다. 대신 '미적 감각'과 영상 제작의 세밀한 예술적 뉘앙스에 집중했다. AI에게 단순히 코드를 짜는 법이 아니라, 시각적으로 매력적인 콘텐츠를 만드는 법을 학습시킨 것이다. 덕분에 사용자는 프레임이나 키프레임 단위로 정밀하게 움직임을 조절할 수 있다. After Effects 같은 고가의 전문 소프트웨어에서나 가능했던 세밀한 제어가 가능해진 셈이다. 코드가 아니라 감각을 가르친 결과다.

이제 HyperFrames는 하루 평균 1만 5,000개의 영상이 렌더링되는 고효율 생산 엔진이 됐다. 일반 사용자 입장에서 전문 수준의 모션 디자인 진입 장벽이 사실상 사라진 것이다. 이제 크리에이터는 복잡한 기술 구조를 공부할 필요 없이, 기존 샘플을 가져와 자신의 입맛에 맞게 수정해 프로젝트에 바로 적용하면 된다. 코딩 과정보다 시각적 결과물을 우선시함으로써, AI가 모션 디자인의 고된 노동을 처리하고 인간은 창의적인 방향 설정에만 집중하는 구조를 만들었다. AI가 노동을 하고, 인간은 결정만 한다. 이는 오픈소스 생태계 전반에서 정교한 시각 콘텐츠 생산 규모가 확장되는 결정적 계기가 됐다.

12구글 DeepMind: 플래그십 모델 폐기, 하이엔드 시장의 빈틈

구글 DeepMind가 빠른 업데이트가 생명인 AI 시장에서 동력을 잃고 있다. 올해 사용자나 개발자가 체감할 만한 굵직한 업데이트는 거의 없었다. 2026년 내내 내놓은 주력 모델은 3.5 Flash와 3.6 Flash 단 두 개뿐이다. 중간에 나온 3.5 Flash light 역시 완전히 새로 만든 모델이 아니라, 특정 작업의 효율을 높이기 위해 기존 모델을 살짝 조정한 미세 조정(fine-tuning) 버전일 뿐이다. 전략적 판단이든 기술적 한계든, 시장에 새로운 기능을 쏟아낼 동력이 떨어진 모습이다. 속도전에서 완전히 밀리고 있다.

가장 뼈아픈 대목은 기대를 모았던 3.5 Pro의 행방이다. 당초 6월 출시 예정이었으나 7월로 밀렸고, 결국 프로젝트 자체가 폐기된 것으로 보인다. 훈련 중이던 기본 모델의 성능이 경쟁사 대비 현저히 떨어져 구글 DeepMind가 직접 폐기 결정을 내렸다는 분석이다. 업계의 성능 기준선을 계속해서 높이고 있는 오픈AI(오픈AI)나 앤스로픽(앤스로픽) 같은 최첨단 AI 연구소(Frontier Labs)와의 격차를 좁히지 못한 결과다. 구글이라는 이름값이 무색하게 체면을 구겼다.

위기는 거대 기업들뿐만이 아니다. 구글 DeepMind는 현재 Moonshot AI는 물론, 내부 수학적 파라미터를 공개해 전 세계 개발자가 함께 개선하는 가중치 공개 모델(open-source weight models)들에게도 밀리는 형국이다. 3.5와 3.6 Flash 시리즈는 가벼운 성능에 초점을 맞췄을 뿐, 고성능 모델들과 경쟁할 체급이 아니다. 결국 가장 수익성과 상징성이 큰 하이엔드 시장을 스스로 포기한 셈이다. 결정적인 승부처가 될 올해, 정작 가장 강력한 무기인 Pro 모델을 내놓지 못하며 시장의 빈집을 내준 꼴이다.