CHINA SYSTEM · OPERATING LOGIC
개념을 작동 구조로 읽습니다
모델은 크기가 아니라 업무에서 가치를 만든다
基础模型(기초모델)은 광범위한 데이터로 학습해 여러 후속업무의 기반이 된다. 通用模型(범용모델)은 다양한 사용자와 과제를, 行业模型(산업모델)은 제조·의료·금융 등 특정 지식·규정·업무흐름을 겨냥한다. 그러나 큰 범용모델에 검색도구를 붙였다고 자동으로 산업모델이 되는 것은 아니다. 현장데이터로 검증되고 책임 있는 운영체계에 들어가야 한다.
모델의 사업가치는 파라미터 수나 공개 벤치마크 순위가 아니라 실제 업무의 정확도, 지연, 비용, 보안, 장애복구와 사람 검토시간으로 결정된다. 고객상담에서 평균 정답률이 높아도 환불·의료·법률 판단에서 치명적 오류가 나면 사용할 수 없다. 모델 발표와 제품 출시, 시범사용, 유료계약, 반복사용은 서로 다른 증거다.
모델의 경제성은 한 번의 데모가 아니라 업무 한 건의 전 생애비용으로 봐야 한다. 입력 정제, 검색, 모델 호출, 사람 검토, 오류 수정, 보관과 감사를 합쳐야 하며, 정확도가 조금 높은 대형모델이 검토비를 줄인다면 더 쌀 수 있다. 반대로 간단한 분류·요약에 거대모델을 쓰면 지연과 비용만 늘어난다. 기업은 업무별 기준선, 허용 오류, 처리시간과 인간 승인비를 정한 뒤 모델을 비교해야 한다. 파라미터 수가 아니라 완료업무당 총비용과 책임 가능한 자동화율이 핵심 KPI다. 기준 업무의 사람 처리비·오류율·시간을 먼저 측정하고 동일 표본을 모델·규칙기반·혼합방식에 반복 적용해야 도입성과가 선택편향 없이 검증된다.
사전학습·튜닝·검색·증류는 다른 투자다
预训练(사전학습)은 대규모 데이터와 연산으로 일반능력을 만들고, 微调(미세조정)은 지시·선호·전문데이터로 행동을 바꾼다. 检索增强生成(검색증강생성·RAG)은 외부 지식창고에서 근거를 찾아 답변에 넣는다. 에이전트는 모델에 도구·기억·권한·업무흐름을 연결한다. 최신 지식에는 검색이, 고정된 분류·말투에는 튜닝이 더 적합할 수 있다.
模型蒸馏(모델증류)은 큰 교사모델의 출력을 활용해 더 작은 학생모델에 능력을 옮긴다. 합법적인 공개모델·허가데이터를 쓰면 비용을 줄이는 중요한 기술이지만, 폐쇄형 API의 출력을 대량 수집해 경쟁모델을 만드는 경우 계약·저작권·영업비밀 논쟁이 생긴다. 어떤 기법을 썼는지보다 데이터·출력의 권리와 허가범위를 증명할 수 있는지가 중요하다.
사전학습과 도입 이후의 데이터 거버넌스도 다르다. 기초모델의 학습데이터 출처를 기업 고객이 모두 통제하기는 어렵지만, 미세조정·검색증강에 넣는 사내 문서의 권리·최신성·보안등급은 직접 관리할 수 있다. 검색결과에 근거 링크와 버전을 남기고, 모델 입력이 재학습에 쓰이는지 계약으로 제한하며, 퇴직자·협력사 권한을 즉시 회수해야 한다. 모델을 바꿔도 지식베이스와 평가셋을 기업이 보유하면 공급자 종속을 줄일 수 있다. 문서 소유자·보존기간·접근등급·갱신주기와 평가셋의 정답 근거를 관리해 검색과 모델이 바뀌어도 지식품질의 책임주체가 사라지지 않게 해야 한다.
중국은 비용과 개방성으로 모델의 유통방식을 바꿨다
중국 모델 시장은 플랫폼 대기업과 독립 스타트업이 동시에 경쟁한다. 낮은 API 가격, 오픈웨이트, 빠른 경량화와 클라우드 통합은 개발자가 여러 모델을 시험하게 했다. 深度求索(딥시크)의 DeepSeek-V2 출시는 중국 내 가격경쟁을 촉발했고, 阿里巴巴(알리바바)·字节跳动(바이트댄스)·百度(바이두)·腾讯(텐센트) 등이 요금을 낮추거나 무료구간을 확대했다. 가격 하락은 응용 진입을 넓혔지만 지속 가능한 마진을 자동으로 만들지는 않았다.
오픈웨이트는 소스코드 전체 공개와 같은 말이 아니다. 가중치를 내려받아 사설환경에 배포할 수 있어도 학습데이터, 전체 훈련코드와 라이선스 제한은 별도로 확인해야 한다. 기업에는 데이터 통제와 공급자 종속 완화라는 장점이 있지만 업데이트·안전·운영책임을 스스로 져야 한다. ‘무료 모델’의 총비용에는 GPU, 엔지니어, 평가, 보안과 장애대응이 들어간다.
중국의 가격경쟁은 토큰 단가뿐 아니라 모델 유통구조를 바꿨다. 개방형 가중치, API 할인, 캐시와 증류는 스타트업의 진입비를 낮추지만 모델 호스팅·GPU·개발자지원 비용을 다른 층으로 옮긴다. 낮은 공시가격이 실제 업무비용이 되려면 입력·출력 길이, 피크 처리량, 캐시 적중률, 배치할인, 실패 재호출과 전용배포비를 함께 계산해야 한다. 고객이 모델을 쉽게 교체할수록 공급자는 가격보다 도구생태계·서비스수준·데이터 통제로 차별화해야 한다. 가격비교표에는 토큰 외에 전용배포·벡터검색·관측도구·보안·지원과 사람검토비를 넣고 사용량 급증·가격인상·환율 시나리오의 총비용을 계산해야 한다.
중국 기업들은 같은 AI 모델을 팔지 않는다
阿里巴巴(알리바바)의 Qwen은 오픈모델과 클라우드·전자상거래 생태계를 연결한다. 深度求索(딥시크)는 효율적 학습·추론과 오픈모델로 가격 수준을 낮췄다. 字节跳动(바이트댄스)의 Doubao는 대규모 소비자 유통과 볼케이노엔진을 결합한다. 月之暗面(문샷AI)의 Kimi는 장문맥·코딩·에이전트형 사용을, 智谱AI(즈푸AI)와 MiniMax(미니맥스)는 기업·멀티모달·글로벌 서비스를 경쟁한다.
2026년 문샷의 Kimi K3 같은 초대형 오픈웨이트 모델은 중국 모델이 최상위권 경쟁에 진입했음을 보여줬다. 스탠퍼드 AI 인덱스도 미·중 최상위 모델의 성능격차가 크게 좁아졌다고 평가한다. 그러나 모델별 자체 발표와 독립평가, 특정 코딩벤치마크와 일반업무 성과를 분리해야 한다. 중국의 강점은 하나의 절대 1위보다 여러 기업이 다른 비용·배포전략을 빠르게 시험하는 생태계에 있다.
기업 지도는 모델 계보보다 수익원과 고객증거로 읽어야 한다. 알리바바·바이두·텐센트·바이트댄스는 클라우드·검색·광고·콘텐츠와 모델을 결합하고, 딥시크·문샷·즈푸AI·미니맥스 같은 기업은 API·구독·기업배포와 생태계 확장을 다르게 조합한다. 다운로드 수와 벤치마크 순위는 유통력을 보여주지만 반복매출을 보장하지 않는다. 유료 사용량, 기업고객 유지율, 추론원가, 지원인력과 모델 갱신주기를 확인해야 기업가치와 산업영향을 분리할 수 있다. 모델기업 실사에서는 공개 배포량, 무료호출과 유료호출을 구분하고 상위 고객집중, 재계약, GPU 장기계약과 현금소진을 함께 봐야 지속수익을 판단할 수 있다.
왜 지금 모델 경쟁은 유통과 운영 경쟁으로 이동하는가
최상위 성능격차가 줄고 추론비용이 떨어지면서 기업의 선택지는 넓어졌다. 이제는 모델을 한 번 선정하는 것이 아니라 업무별로 여러 모델을 라우팅하고, 민감업무는 사설배포, 일반업무는 API, 최신지식은 검색을 쓰는 조합이 가능하다. 모델 교체주기가 짧아지자 모델 자체보다 평가셋·데이터·업무흐름·고객접점을 가진 기업의 협상력이 커진다.
중국의 AI+제조 정책도 제조업 범용모델, 업종별 모델, 산업지능체와 고품질 데이터셋을 함께 육성한다. 모델 수를 늘리는 것이 아니라 공정·설비·품질·공급망에 연결하려는 방향이다. 정책 목표치가 실제 성과는 아니다. 현장 센서데이터의 권리, 기존 MES·ERP 통합, 안전검증과 유상 반복고객이 있는지 확인해야 한다.
모델 경쟁이 운영 경쟁으로 이동하면 라우팅과 평가가 중요해진다. 한 서비스가 복잡한 추론은 고성능 모델, 단순 작업은 소형모델, 민감업무는 사내모델로 보내면 비용과 통제를 함께 개선할 수 있다. 그러나 모델마다 답변형식·안전정책·지원언어가 달라 결과가 흔들리므로 공통 평가셋, 회귀시험, 실패 시 대체경로와 버전승인이 필요하다. 에이전트가 외부도구를 쓰기 시작하면 모델 정확도 외에 권한한도와 행동로그까지 모델옵스 범위에 들어간다. 모델 라우터도 품질이 낮은 경로를 자동 선택할 수 있으므로 업무위험별 최소성능, 최대비용, 데이터 반출금지와 실패 시 인간전환 규칙을 코드로 강제해야 한다.
병목은 연산만이 아니라 신뢰와 지속수익이다
공개 벤치마크는 출발점이지만 데이터오염, 문제형식 적응, 선택적 결과공개와 실제업무 차이가 있다. 기업은 정답, 근거인용, 금지행동, 권한, 도구실행, 장애복구와 치명적 오류를 포함한 자체 평가셋을 만들어야 한다. 평균점수보다 최악의 오류와 모델 업데이트 뒤 성능변화를 보는 편이 중요하다.
데이터·IP·보안도 병목이다. 사용자의 입력과 로그가 재학습에 쓰이는지, 모델 변경이 통지되는지, 출력의 권리는 누구에게 있는지, 침해 주장과 사고를 누가 부담하는지 계약해야 한다. 낮은 API 가격이 보조금이나 전략적 가격일 수 있으므로 장기 가격과 공급중단·해외접근 제한도 고려해야 한다. 싼 모델이 가장 비싼 운영위험을 만들 수 있다.
병목은 신뢰를 운영비로 바꾸는 능력이다. 환각·편향·프롬프트 공격·정보유출을 한 번의 안전평가로 없앨 수 없고, 데이터와 모델이 바뀔 때마다 다시 측정해야 한다. 고위험 업무는 근거제시, 이중검토, 금지행동, 인간승인과 사고정지 절차가 필요하다. 기업은 정확도 평균보다 치명적 오류율, 근거 없는 답변률, 권한초과, 복구시간과 고객이의 처리비를 추적해야 한다. 공급자 계약에는 버전변경 통지, 로그접근, 사고협조와 데이터 반환권을 넣어야 한다. 이사회 보고는 평균정확도보다 치명적 오류, 근거 없는 답변, 개인정보 노출, 모델변경 후 회귀실패와 업무중단 시간을 제시해 잔존위험을 드러내야 한다.
한국은 ‘우리 모델’보다 통제 가능한 업무를 가져야 한다
한국 기업은 모든 분야에서 독자 기초모델을 만들어야 한다는 강박에서 벗어날 필요가 있다. 데이터 민감도, 지연, 비용, 차별화와 규제에 따라 API·오픈웨이트·사설배포·자체개발을 고르고, 모델을 바꿔도 유지되는 평가셋·검색지식·업무도구와 로그를 내부자산으로 만들어야 한다. 계약에는 학습사용, 업데이트, 가용성, IP, 사고와 종료 시 이전을 넣어야 한다.
한국은 범용모델 순위경쟁보다 통제 가능한 산업업무를 확보해야 한다. 대기업은 제조·금융·의료·공공의 평가셋과 지식베이스, 승인흐름을 자산화하고, 중견·중소기업은 공동 산업모델과 검증서비스를 이용할 수 있다. 정부는 조달에서 국적이나 파라미터보다 업무성과·보안·대체가능성을 요구하고, 지방정부는 지역기업 데이터를 무조건 한 모델에 모으기보다 안전한 실증환경을 제공해야 한다. 대학은 독립평가를, 스타트업은 모델라우팅·검증을, 금융기관은 유료사용량과 추론총원가를 심사해야 한다. 산업별 평가자산을 기업·대학·협회가 공동으로 유지하되 원문데이터는 분산 보관하면 중소기업도 검증혜택을 얻고 민감정보 집중위험은 줄일 수 있다. 평가셋의 오염·노출 여부와 업무환경 변화를 정기 점검하고, 모델 공급자를 바꿔도 같은 기준으로 재평가하는 인증체계를 운영해야 한다. 공동 평가결과는 평균점수만 공개하지 말고 치명적 오류와 적용금지 업무까지 밝혀 구매자의 책임 있는 선택을 도와야 한다.
정부는 국산모델 보유 수보다 공개 평가와 공급자 전환성을 조달기준으로 삼고, 지역은 산업데이터와 유상현장에 집중해야 한다. 대학은 한국어·산업·안전 평가를, 스타트업은 모델 독립형 업무레이어를, 금융기관은 사용자·마진·갱신율을 검증해야 한다. 한국 산업계가 답해야 할 마지막 질문은 우리는 어떤 모델을 소유할 것인가가 아니라, 모델이 계속 바뀌어도 어떤 데이터와 업무성과와 책임을 우리 손에 남길 것인가?