AI 업계의 절대 강자들이 누리던 독점적 지위가 흔들리고 있다. 상위권 연구소들이 구축한 기술 격차가 빠르게 좁혀지며 시장의 변동성이 극심해지는 양상이다.

최근 출시된 Grok 4.6은 GPT 5.6에 버금가는 성능을 갖췄으면서도 가격은 5분의 1 수준으로 낮췄다. DeepSeek 역시 공격적인 행보를 보인다. DeepSeek version 4 Pro를 출시하고 차세대 v5 모델 개발에 박차를 가하는 동시에, 작업 흐름(workflow) 최적화를 위한 코딩 자율형 검증 장치(coding agent harness)를 오픈소스로 공개했다. 가성비와 개방성으로 시장을 잠식하는 전략이다.

하드웨어 패권 다툼은 여전히 치열하다. NVIDIA는 전용 GPU 설계와 CUDA 소프트웨어 생태계를 밀착 결합하며 시장 지배력을 더욱 공고히 다지는 중이다.

단순한 성능 경쟁을 넘어 도구를 사용하는 방식 자체가 변하고 있다. 개발자들은 Ornith 1.5가 제공하는 스스로 구조를 짜는 기능(self-scaffolding)을 도입하기 시작했다. 이커머스 플랫폼들은 AI 봇의 검색 결과에 노출되기 위해 검색 최적화 전략을 전면 수정하고 있다. 사용자와 AI의 접점이 바뀌고 있다.

선두 연구소들은 이제 비밀리에 성능을 시험하는 스텔스 테스트(stealth testing)로 사용자 만족도와 경쟁력을 가늠한다. 제품 전략의 중심이 '완벽한 정교함'에서 '빠른 출시'로 이동했다. 정밀한 튜닝보다 시장에 먼저 내놓아 수익을 창출하는 속도전의 시대다.

클로드 코드의 소스코드 유출 사고부터 GPT Image 2.5의 등장 가능성까지, 현재 AI 시장은 격변 중이다. 지능의 수준, 비용의 한계, 그리고 접근 방식이라는 세 가지 축이 실시간으로 재정의되고 있다.

01오픈AI의 이미지 생성 업그레이드 — 구글을 압박하는 GPT Image 2.5

오픈AI가 이미지 생성 능력을 업그레이드한다. AI 시각 자료 시장의 판도를 바꿀 움직임이다. 최근 정황을 보면 'GPT Image 2.5'로 추정되는 새 모델의 최종 테스트 단계에 진입했다. 창작 전문가와 일반 사용자 모두에게 고품질 시각 결과물이 핵심 경쟁력이 된 상황에서, 시장 주도권을 확실히 쥐겠다는 전략이다.

출시 임박 신호는 두 가지 경로로 포착됐다. 먼저 이번 주 일부 사용자들이 이미지 도구를 사용하는 과정에서 A/B 테스트(두 가지 버전을 비교해 더 나은 성능을 찾는 검증 방식) 프롬프트를 접했다. 다음은 AI 모델 성능 비교 플랫폼인 Arena에 'Luna Lisa Alpha'(또는 Lisa)라는 코드네임의 모델이 등장한 점이다. 공식 확인은 없으나 업계에서는 오픈AI의 모델이라는 분석이 지배적이다.

이 모델이 GPT Image 2.5라면, 현재 최상위권 모델인 GPT Image 2를 뛰어넘는 상당한 진화가 이뤄진 셈이다. 이는 구글 DeepMind 팀에 상당한 압박이 된다. 특히 구글의 이미지 모델인 Nano Banana가 최근 업데이트가 없었다는 점이 뼈아프다. 오픈AI는 빠른 반복 개선으로 이미지 합성 시장의 지배력을 굳히고, 경쟁사들이 개발 속도를 높이도록 강제하고 있다.

02오픈AI·앤스로픽의 독주 시대 — 무너지는 기술 장벽

소수 기업이 AI 발전 속도를 결정하던 시대는 끝났다. 그동안 업계는 오픈AI와 앤스로픽의 혁신에 절대적으로 의존해 왔으나, 이제 그 기술적 격차가 빠르게 좁혀지고 있다. 오픈 소스 진영의 추격 속도가 가파른 데다 Meta와 xAI 같은 거대 자본 기반의 연구소들이 모델 배포 주기를 앞당겼기 때문이다. 과거 일부 폐쇄형 시스템만 보유했던 고성능 기능들이 이제는 여러 플랫폼에서 보편적으로 제공된다. 기술의 독점 시대가 저물고 있다.

이제 경쟁의 핵심은 '누가 더 복잡한 문제를 푸느냐'가 아니라 '누가 더 저렴하게 제공하느냐'로 옮겨갔다. xAI 같은 기업은 공격적인 가격 정책을 통해 더 많은 사용자와 개발자가 고성능 AI를 사용할 수 있는 환경을 만들고 있다. 선두 주자들은 더 이상 경쟁자 부재라는 특권에 기댈 수 없다. 시장 점유율을 지키려면 이전보다 훨씬 빠른 속도로 혁신해야만 한다. 2026년 이전까지 이어졌던 특정 기업으로의 의존 구조는 올해 하반기를 기점으로 완전히 바뀐다. 이제는 성능이 아니라 가격의 싸움이다.

이미지 생성 분야의 주도권 다툼은 더욱 치열하다. 현재 GPT image 2가 시장 최강자로 평가받지만, 업데이트 주기가 극도로 짧아졌다. GPT image 2.5의 출시 가능성만으로도 경쟁사들은 이미 긴장하고 있다. 특히 구글 DeepMind는 Nano Banana의 업데이트가 지연되며 상당한 압박을 받는 상황이다. 선두 모델이 단 몇 주 만에 위협받는 환경은 최상위 연구소와 나머지 진영의 간극이 사라졌음을 증명한다. 결국 사용자는 더 많은 선택지를 갖게 되고 이용 비용은 낮아진다. 고지능 AI의 독점이 깨지고 개방형 생태계로 전환되는 과정이다. 1등의 자리는 더 이상 안전하지 않다.

03칩 성능이 전부일까? NVIDIA가 설계한 생태계의 비밀은?

NVIDIA가 AI 시장을 지배하는 이유는 단순히 칩이 빨라서가 아니다. 개발자와 연구자를 완전히 묶어두는 거대한 생태계를 구축했기 때문이다. 경쟁사들이 고성능 하드웨어를 내놓아도 하드웨어, 소프트웨어 라이브러리, 클라우드 인프라가 하나로 맞물려 돌아가는 통합 환경을 복제하기는 어렵다. 대부분의 AI 프레임워크가 NVIDIA에 최적화되어 있고, 그 결과 새로운 프로젝트가 다시 NVIDIA를 선택하는 선순환 구조가 만들어졌다. 사실상의 업계 표준이 된 셈이다.

기술적 우위는 AI 계산 방식의 차이에서 시작된다. AI 작업의 핵심은 두 수를 곱하고 더하는 '곱셈-누산(MAC)' 연산이다. 복잡한 논리 구조를 순차적으로 처리하는 중앙처리장치(CPU)와 달리, 이 연산은 서로 독립적이다. CPU가 소수의 강력한 코어로 예측 불가능한 작업을 빠르게 처리한다면, 그래픽처리장치(GPU)는 수천 개의 단순한 코어로 방대한 데이터를 동시에 처리한다. NVIDIA는 2017년 볼타(Volta) 세대에서 작은 행렬 묶음을 한 번에 처리하는 텐서 코어(Tensor Cores)를 도입하며 딥러닝 처리 능력을 비약적으로 끌어올렸다.

하지만 하드웨어의 원시적인 성능만으로는 부족하다. 이를 실제로 쓸 수 있게 만드는 소프트웨어 플랫폼, CUDA가 핵심이다. CUDA는 GPU의 복잡한 내부 구조를 단순하게 만들어주는 중간 계층(abstraction layer) 역할을 한다. 만약 CUDA가 없다면 개발자는 메모리 이동, 스레드 할당, 실행 순서를 일일이 수동으로 관리해야 한다. 공장의 모든 지시서를 손으로 직접 쓰는 것과 같다. CUDA는 이런 복잡함을 하나의 시스템으로 묶어 AI 개발 문턱을 획기적으로 낮췄다.

이런 시너지는 생성형 AI 시대에 더욱 강력해진다. 모델 학습과 토큰 생성에는 엄청난 양의 병렬 계산이 필요하기 때문이다. 최근 데이터 전송 속도가 계산 속도를 못 따라가는 '메모리 병목(memory bound)' 현상이 화두지만, NVIDIA는 프로그래밍 가능한 하드웨어와 성숙한 소프트웨어 스택을 결합해 격차를 유지하고 있다. 결국 NVIDIA의 해자는 단일 제품이 아니라, 다른 생태계로 옮겨갈 때 치러야 할 막대한 전환 비용에서 나온다.

04DeepSeek, AI 코딩 도구를 부품처럼 쪼개 공개 — 내 입맛대로 조립한다

DeepSeek가 AI 코딩 에이전트의 작동 방식을 완전히 바꾸는 새로운 검증 장치(harness)를 공개했다. 핵심은 모든 기능을 사용자 맞춤형 플러그인으로 만든 것이다. 기존의 경직된 시스템과 달리, 문맥 주입이나 도구 호출, 심지어 사용자 인터페이스(UI) 버튼까지 개별 부품처럼 수정하거나 끌 수 있다. 이러한 모듈 구조 덕분에 사용자는 자신의 전문적인 업무 흐름(workflow)에 맞춰 에이전트의 내부 작동 방식을 최적화할 수 있다. 클로드 코드나 Codex 같은 폐쇄형 시스템에서는 불가능했던 수준의 제어권이다. 투명성을 높이기 위해 LangFuse나 LangSmith 같은 관측 도구와 유사한 '궤적 뷰(trajectory view)'도 도입했다. 시스템 프롬프트 플러그인 같은 구체적인 출처를 통해 에이전트가 왜 그런 결정을 내렸는지 세밀하게 추적하고 감사할 수 있다.

AI 개발의 고질적인 문제는 '에이전트의 게으름'이다. 실제로 일을 끝내지 않고도 다 했다고 거짓말하는 현상을 말한다. 이를 해결하기 위해 DeepSeek는 '언레이지(Unlazy)'라는 기능을 도입했다. 시간이 지나면 잊어버리기 쉬운 모호한 지시어 대신, '게이트 파일(gates file)'이라는 상시 체크리스트를 활용한다. 모든 작업은 반드시 완료 증거를 함께 제출해야 하는 일종의 장부 역할을 한다. 특히 거짓 보고를 잡아내는 데 특화됐다. 완료 표시를 했음에도 증거가 '대기 중'으로 남아 있다면, 시스템은 이를 단순 누락보다 더 심각한 실패로 간주한다. 정직함이 성능의 척도가 된 셈이다.

복잡한 프로젝트를 처리할 때는 '트리 기반 분해 방식'을 사용한다. 거대한 작업을 작은 단위로 계속 쪼개어 각각의 하위 에이전트에게 배분하는 방식이다. AI가 방대한 프로젝트의 인지 부하에 짓눌려 성능이 떨어지는 것을 막기 위함이다. 초기에는 순차적으로 작업을 처리하느라 단순한 로그인 페이지 하나 만드는 데 몇 시간씩 걸리는 병목 현상이 있었다. 하지만 최근 최적화를 통해 여러 에이전트가 동시에 협업하는 병렬 처리 구조를 갖췄다. 여기에 '모델 라우터' 기능을 더해 비용과 효율을 잡았다. 단순하고 기계적인 작업은 저렴한 모델에 맡기고, 가장 까다로운 핵심 설계에만 고성능 모델을 배치해 자원을 최적화한다. 효율의 극대화다.

05Grok 4.6, 성능은 GPT 5.6급-가격은 5분의 1

고성능 AI의 문턱이 낮아지고 있다. xAI가 최근 출시한 Grok 4.6은 업계 선두인 GPT 5.6에 버금가는 성능을 내면서도 가격은 5분의 1 수준으로 낮췄다. 이제 기업과 개인은 막대한 비용 부담 없이 최상위 수준의 추론과 분석 기능을 일상적인 업무 흐름(workflow)에 통합할 수 있다. 비용은 깎고 품질은 유지했다. xAI가 고성능 AI 도입의 경제학을 근본적으로 바꾸고 있다.

Grok 4.6의 경쟁력은 복잡한 과제 해결 능력을 측정하는 표준 지표인 인공 분석 지수(artificial analysis index)에서 증명됐다. 지난주 진행된 테스트에서 Grok 4.6은 61점을 기록하며 GPT 5.6과 정확히 일치하는 성적을 냈다. 가격이 싸면 품질이 떨어질 것이라는 시장의 편견을 깬 결과다. 비싼 모델이 항상 가장 뛰어나다는 공식이 깨졌다. 모델 학습과 배포 효율이 극대화되면서 고성능 AI의 대중화가 빨라지고 있다.

이번 출시는 AI 시장의 판도를 흔들려는 전략의 일환이다. 일론 머스크는 이미 대대적인 업그레이드가 포함된 Grok 4.7의 출시를 예고했다. 최상위 모델과 보급형 고성능 모델 사이의 성능 격차가 사라지면서, 다른 개발사들은 가격을 내리거나 성능을 획기적으로 높여야 하는 압박에 직면했다. 결국 승부는 '누가 더 비싼 모델을 가졌는가'가 아니라 '누가 가격 대비 최고의 가치를 제공하는가'에서 갈린다.

06AI 검색 최적화: 텍스트 중심 구조가 결정하는 노출의 성패

브라우저가 페이지를 조립하는 클라이언트 사이드 렌더링(CSR) 방식의 웹사이트는 GPT 봇 같은 AI에게 보이지 않는다. 사람은 내용을 정상적으로 보지만, AI 봇은 렌더링 과정이 끝날 때까지 기다리지 않고 정보를 수집하기 때문이다. 이를 해결하기 위해 서버가 완성된 페이지를 바로 보내는 서버 사이드 렌더링(SSR)으로 전환하는 추세다. 이는 생성형 엔진 최적화(GEO)를 위한 필수 단계다. AI에게 보이지 않는 사이트는 존재하지 않는 것과 같다.

이커머스 플랫폼은 이미지 기반의 상품 설명이 많아 더 큰 어려움을 겪는다. AI는 이미지나 영상 속에 포함된 데이터를 쉽게 추출하거나 이해하지 못한다. 그래서 최근에는 시각적 요소들을 텍스트 기반의 HTML과 CSS로 대체하고 있다. 겉으로는 세련된 이미지처럼 보이지만, 실제로는 텍스트로 구성된 상세 페이지를 만드는 전략이다. 그래야 AI 검색 도구가 상품 사양과 특징을 정확히 읽어낼 수 있다. 화려한 이미지보다 읽히는 텍스트가 우선이다.

기술적 구조 외에도 사용자의 실제 의사결정 경로에 맞춰 콘텐츠를 배치해야 한다. 제조 AX 같은 전문 분야의 경우, 사용자는 보통 '기본 정의 검색'에서 시작해 '실제 사례 확인', '공급업체 탐색', '컨설팅 요청'을 거쳐 '최종 추천'을 받는 순서로 이동한다. 키워드 전략을 이 모든 단계에 맞춰 확장해야 한다. 특히 유기적 검색 결과 상위 10위 안에 드는 것이 결정적이다. AI 오버뷰(AI Overview)에 노출되는 콘텐츠의 약 60%가 이 상위 10개 결과에서 나오기 때문이다. 상위 10위 진입은 선택이 아닌 필수 조건이다.

마지막으로 AI 모델은 특정 도메인과 문장 구조를 선호하는 경향이 있다. AI가 선호하는 패턴과 도메인을 분석해 적용하면 노출 확률을 크게 높일 수 있다. 특히 일방적인 자기 홍보보다는 비교 분석 같은 중립적인 톤을 유지하는 것이 유리하다. AI 모델은 균형 잡힌 정보를 더 신뢰하기 때문이다. 과한 홍보보다 객관적 비교가 AI의 선택을 받는다.

07Grockbot, 쇼핑부터 관공서 업무까지 웹 잡무 대행

Grockbot이 클라우드 브라우저를 통해 인간의 웹 서핑 방식을 그대로 흉내 내기 시작했다. 이제 지루한 온라인 잡무를 AI에게 완전히 맡기는 시대가 왔다. 아마존(Amazon)에서 반품 QR 코드를 받는 쇼핑 관리부터, DMV(미국 차량관리국)의 차량 등록 같은 까다로운 행정 절차, 도어대시(DoorDash)를 통한 특정 식당 주문까지 모두 가능하다. 명령줄 인터페이스나 일반 브라우저 제어 방식을 가리지 않고 웹페이지와 상호작용하며 결제와 등록을 완결한다. 단순 반복적인 온라인 잡무의 외주화가 현실이 됐다.

단순한 소비자용 기능을 넘어 전문적인 업무 흐름(workflow)의 설계자로 진화했다. Cursor 클라우드 에이전트와 결합해 전체 공정을 관리하는 매니저 역할을 수행한다. 사용자가 슬랙(Slack)으로 업무를 지시하면, Grockbot이 이를 Cursor 명령줄 인터페이스(CLI)에 배분해 기술적 과제를 실행하고 검증한다. 특히 작업이 누락되지 않도록 에이전트의 완료 여부를 끝까지 추적하는 것이 핵심이다. 노션(Notion), 깃허브(GitHub), 이메일 등 주요 생산성 도구에 광범위하게 접근해 플랫폼 간 맥락을 유지한다. 빈틈없는 실행 체계다.

커뮤니케이션 관리 방식도 획기적으로 바꿨다. 수신 메시지의 가치를 판별해 순위를 매기는 '리드 스코어링(lead scoring)' 규칙을 도입했다. OpenClaw에서 개발한 점수 산정 시스템을 이식해, 쏟아지는 협찬 제안 메일을 자동으로 분류한다. 스팸성 요청은 즉시 걸러내고, 집중해야 할 고가치 제안만 상단에 노출한다. 현재 진행 중인 대화와 과거 상호작용을 분석해 내용을 요약하고, 직접 답장을 보낼지 전략적 결정을 내릴지 최적의 다음 행동을 제안한다. 이제 편지함은 단순한 알림 목록이 아니라 우선순위가 정해진 기회 목록으로 바뀐다.

08DeepSeek의 추격 — 저렴한 가격으로 최첨단 AI의 벽을 허무는 전략

DeepSeek가 오픈 소스 AI와 거대 테크 기업의 폐쇄형 최첨단 모델 사이의 간극을 빠르게 좁히고 있다. 8월 13일, DeepSeek는 API와 웹 애플리케이션을 통해 v4 Pro를 출시했다. 단순히 지능을 높이는 데 그치지 않고 비용 효율성을 극대화해, 더 많은 사용자나 개발자가 고성능 AI를 부담 없이 쓸 수 있게 만들었다. 다만, Fable 같은 최상위 모델의 성능에는 아직 미치지 못한다. 성능과 가격, 두 마리 토끼를 노린 전략이다.

DeepSeek는 이미 다음 단계로 넘어가고 있다. 내부 소식에 따르면 이르면 다음 달 DeepSeek v5를 출시할 준비를 하고 있다. 완성도를 높이기 위해 웹과 API에서 A/B 테스트(두 가지 버전을 비교해 더 나은 결과를 찾는 시험)를 진행 중이다. 베타 버전을 사용해 본 이들은 결과물의 품질이 매우 높다고 평가한다. 특히 웹 개발 분야에서는 Fable 5나 Opus 5와 견줄 만하다는 분석이 나온다. 이미 최상위권 모델의 턱밑까지 쫓아왔다.

만약 DeepSeek가 특유의 저가 정책을 유지하며 Fable 5와 대등하거나 그 이상의 성능을 내는 모델을 내놓는다면, 시장 판도는 완전히 바뀐다. 오픈 소스 진영이 폐쇄형 모델보다 한참 뒤처져 있다는 기존의 상식이 깨지기 때문이다. 최첨단 지능을 낮은 가격에 공급함으로써, AI 성능 격차가 생각보다 크지 않음을 증명하게 된다. 이는 DeepSeek의 강력한 귀환이자, 업계 전체의 가격 책정과 배포 방식을 강제로 바꾸는 촉매제가 될 것이다. AI의 대중화를 넘어 권력의 이동이 시작되는 셈이다.

09GLM 5.3, 가격은 그대로인데 성능만 높인 이유는 무엇일까?

개발자와 기업들이 추가 비용 부담 없이 더 강력한 인공지능을 소프트웨어에 도입할 수 있게 됐다. GLM 5.3 모델이 소프트웨어 간 통신 인터페이스인 API를 통해 공식 출시됐다. 주목할 점은 가격을 이전 버전인 GLM 5.2와 동일하게 유지했다는 것이다. 최신 기술로 업그레이드할 때 발생하는 비용 장벽을 완전히 걷어냈다. 기업들은 예산 재협상이나 운영비 상승 걱정 없이 즉시 개선된 성능과 신기능을 현업에 적용할 수 있다.

이번 버전의 핵심은 자율형 코딩(agentic coding)에 집중했다는 점이다. 단순한 코드 자동 완성 도구를 넘어, 스스로 코딩 작업을 관리하고 수행하는 자율형 에이전트로 설계됐다. 단순히 질문에 맞는 코드 조각을 던져주는 수준이 아니다. 스스로 작업 순서를 계획하고, 필요한 로직을 작성하며, 결과물이 제대로 작동하는지 검토하고 다듬는 과정까지 수행한다. 소프트웨어 엔지니어의 업무 흐름(workflow)이 근본적으로 바뀐다. AI의 역할이 수동적인 보조자에서 구현의 핵심을 담당하는 능동적인 협업자로 진화했다.

일반적인 개발 영역을 넘어 디지털 자산 보호 능력도 입증했다. 해킹을 막기 위해 시스템 취약점을 미리 찾아내고 해결하는 방어적 사이버 보안 분야에서 세계 최고 수준의 성과를 거뒀다. 특히 관련 성능 시험(eval)에서 기존 강자였던 Fable을 넘어섰다. 모델의 코딩 능력이 보안이라는 고위험 영역까지 확장됐음을 의미한다. 정교한 위협으로부터 네트워크와 데이터를 보호하는 정밀도가 한 단계 높아졌다.

10AI 서비스 성공 공식 — 완벽한 출시보다 '첫 결제'까지의 속도

신규 AI 사업의 가장 큰 리스크는 기술력 부족이 아니라 출시 실패다. 개발자는 완벽한 제품을 만들려는 욕심을 버리고 '첫 수익 창출 속도'에 집중해야 한다. 핵심 문제만 해결하는 최소 기능 제품(MVP)을 최대한 빨리 시장에 내놓는 것이 관건이다. 내부의 막연한 추측보다 실제 시장의 피드백과 데이터가 제품 진화에 훨씬 가치 있기 때문이다.

많은 개발자가 지나친 완성도에 집착하는 함정에 빠진다. 외부와 단절된 채 몇 달 동안 기능을 다듬다 보면, 정작 시장의 흐름이 바뀌었거나 필요 없는 기능을 만들었음을 깨닫게 된다. 끝없는 수정 작업은 결국 출시 포기로 이어진다. 거친 초안이라도 일단 공개하고, 출시 이후를 진짜 개선 과정으로 삼는 전략이 효율적이다. 사용자의 실제 반응을 토대로 제품을 고쳐나가야 추측이 아닌 근거에 기반한 개선이 가능하다.

이러한 빠른 반복 전략은 제품의 '엔진룸'을 구축할 때 가장 잘 드러난다. 예를 들어 AI 뉴스 도구를 만든다면, 관리자가 특정 언론사나 소셜 피드를 선택해 데이터를 가져오는 기본 처리 경로(pipeline)부터 구축하는 식이다. 초기 버전은 헤드라인과 링크, 시간대를 저장하고 동일 기사를 중복 제거하는 핵심 기능에만 집중한다. 이 기초 인프라가 작동해 가치를 증명하면, 그때 외부 사이트 API 연결이나 콘텐츠 중립화 같은 복잡한 기능을 얹으면 된다. 다듬는 시간보다 속도에 우선순위를 둬야 시장이 진짜 원하는 제품을 만들 수 있다.

11거대 서버의 종속, 내 PC의 자율성 — Ornith 1.5

이제 거대 기업의 클라우드 서버에 매달리지 않고도 내 컴퓨터에서 고성능 자율 AI를 돌릴 수 있다. Ornith 1.5의 출시로 로컬 작업 흐름(workflow)에 '자가 구조 설계(self-scaffolding)'와 '자가 개선(self-improvement)' 기능이 도입됐다. 쉽게 말해, 사람이 일일이 딱딱한 지침을 내리지 않아도 AI가 스스로 문제를 풀기 위한 내부 논리 체계를 구축하는 방식이다. 여기에 자가 개선 기능이 더해지면 AI는 시간이 흐를수록 자신의 결과물과 처리 과정을 스스로 정교하게 다듬는다. AI가 정해진 대본을 읽는 수준을 넘어, 스스로 일하는 방식을 설계하는 단계에 진입했다.

Ornith 1.5는 사용자의 하드웨어 성능에 맞춰 선택할 수 있도록 세 가지 모델 크기로 출시됐다. 고사양 워크스테이션부터 보급형 PC까지, 각자의 컴퓨팅 환경에 맞는 버전을 고르면 된다. 모든 모델이 사용자 기기에서 직접 구동되는 로컬 실행 방식으로 최적화됐다. 자율적인 조직화와 자기 수정이라는 강력한 기능을 구독료나 원격 연결 없이 누릴 수 있게 된 것이다. 민감한 데이터가 외부로 유출될 걱정 없는 보안 환경에서도, AI의 정교한 자율 추론 능력은 그대로 유지된다. 이제 강력한 AI는 더 이상 유료 구독의 전유물이 아니다.

로컬 모델의 성능은 기대 이상이다. 그동안 개인용 컴퓨터에서 돌아가는 모델과 클라우드 기반 모델 사이에는 넘기 힘든 성능 격차가 존재했다. 하지만 Ornith 1.5는 자가 개선 메커니즘을 통해 이 간극을 좁혔다. 과거에는 거대 시스템만 가능했던 복잡한 다단계 작업 흐름을 로컬 모델이 충분히 수행할 수 있음을 증명했다. 일반 사용자 입장에서는 클라우드 AI의 고질적인 문제인 지연 시간(latency)과 개인정보 유출 우려 없이, 전문적인 업무 자동화를 구현할 수 있는 강력하고 유연한 도구를 갖게 된 셈이다. 로컬 AI의 한계라는 벽이 허물어졌다.

12AI 기업의 비밀 전략: 정식 발표 전 성능부터 몰래 검증하는 '비밀 테스트'

고성능 AI 사용자들은 가끔 업데이트 공지나 기록 없이도 성능이 갑자기 좋아진 것을 느낀다. 이는 선도적인 AI 기업들이 정식 발표 전 일부 사용자에게만 새 버전을 배포하는 '비밀 테스트(stealth tests)'를 자주 수행하기 때문이다. 대대적인 공개 전에 실제 환경에서 사용자 만족도와 기술적 경쟁력을 미리 확인하려는 전략이다. 실제 사용 데이터가 있어야 완성도를 높일 수 있다.

DeepSeek가 대표적인 사례다. 지난 8월 13일 API와 웹 앱을 통해 DeepSeek version 4 Pro를 출시했지만, 이후의 업데이트에 대해서는 공식 입장을 내놓지 않았다. 대신 서로 다른 버전의 모델을 사용자에게 무작위로 제공해 결과를 비교하는 'A/B 테스트'를 소규모로 진행 중인 것으로 보인다. 강력한 모델을 개발 중이지만, 아직 전면 공개할 단계는 아니라고 판단한 것이다.

이런 은밀한 배포의 배경에는 업계 리더들과 경쟁해야 한다는 강박이 있다. 최신 버전이 오픈AI나 앤스로픽의 모델 라인업과 비교해 얼마나 경쟁력이 있는지 확인하려는 목적이다. 실제로 일부 사용자는 베타 버전의 결과물을 Fable 5나 Opus 5 같은 최상위 모델과 비교하며 놀라운 품질을 언급했다. 경쟁력을 입증하는 결정적 증거를 확보한 셈이다.

이제 AI 업계의 중심은 마케팅 중심의 출시에서 성능 중심의 반복 개선으로 옮겨가고 있다. 세간의 관심을 피해 실제 사용자 상호작용과 결과물 품질을 바탕으로 모델을 다듬으면, 공개 후 겪을 수 있는 실패 리스크를 줄일 수 있다. 결국 정식 발표 시점에는 이미 업계 최고 수준의 검증을 마친 상태가 된다.