본문 바로가기
IT 전략 주간 브리핑

2026년 10/18 ~ 10/24

투자 권유가 아닙니다. 스스로 공부하고 판단하는 데 쓰는 자료입니다.

이번 주의 진짜 이동은 모델 성능 경쟁이 아니라 ‘AI를 돌리는 바닥’이 누구 손에 있느냐로 가치가 옮겨간 것인데, 아마존이 PyTorch를 자사 칩으로 끌어당기고 화웨이·딥시크가 중국판 수직 스택을 완성하며 앤트로픽은 컴퓨트를 못 구해 쩔쩔매는 동안, 모델 위가 아니라 모델 아래에서 돈과 협상력이 재배치되고 있습니다.

전략가의 시각

모델을 고르느라 쓴 시간보다, 모델을 갈아끼울 수 있게 만드는 데 쓴 시간이 내년 AI 손익을 가릅니다.

이번 주 Replit이 기본 모델을 앤트로픽에서 오픈AI로 바꾼 일은 공지 한 줄로 끝났습니다. 반면 앤트로픽은 막대한 자금을 쥐고도 클라우드 사업자에게서 컴퓨트를 충분히 못 받아 파트너십이 꼬였고, 아마존은 PyTorch 호환 도구로 개발자를 자사 칩 쪽으로 끌어당기며, 딥시크는 화웨이 칩 위에 소프트웨어 스택을 깔아 중국판 수직 생태계를 세우고 있습니다. 이 네 건을 따로 보면 각각 작은 뉴스지만, 같이 놓고 보면 하나의 방향이 보입니다 — 윗층의 모델은 빠르게 교체 가능한 부품이 되어가는데, 아랫층의 칩과 서빙 인프라는 오히려 줄을 서야 구할 수 있는 희소 자원이 되었습니다.

그렇다면 지난 2년간 많은 기업이 해온 'AI 전략 = 어느 모델을 쓸까'라는 질문은 가장 빨리 값이 떨어지는 결정에 가장 많은 임원 시간을 쓴 셈입니다. 모델을 바꾸는 데 6개월이 걸리는 회사와 2주가 걸리는 회사는, 같은 성능의 모델을 써도 공급사 앞에서의 협상력이 완전히 다릅니다. 가격 인상 통보를 받았을 때 전자는 받아들이는 것 말고 선택지가 없지만, 후자는 그냥 다른 곳으로 옮기면 됩니다.

그래서 내년 AI 예산 회의에서 던져야 할 질문은 '어떤 모델이 가장 똑똑한가'가 아니라 '우리 시스템에서 모델 한 줄을 바꾸는 데 며칠 걸리는가'여야 합니다. 이 숫자를 모르는 조직은 전략이 없는 것이고, 이 숫자가 한 달을 넘는 조직은 이미 종속이 시작된 것입니다. 모델 계층에는 추상화와 이중화에만 돈을 쓰고, 아직 아무도 표준을 못 만든 서빙·평가·에이전트 권한 통제에 인력을 몰아넣으십시오. 복제되지 않는 역량은 거기에만 남습니다.

프레임워크로 본 사례 3

가치 이동 · Value Migration

Amazon is taking its biggest shot at Nvidia yet with new TorchNeuron dev tool

아마존이 TorchNeuron이라는 개발 도구를 내놓아 PyTorch로 짠 코드를 자사 Trainium 칩 위에서 거의 그대로 돌릴 수 있게 하고, 별도로 Trainium의 학습(Training) 소프트웨어 스택도 네이티브 PyTorch 경험에 맞춰 대폭 손봤습니다. 같은 주에 딥시크는 화웨이 Ascend 칩용 소프트웨어 스택(TileLang, DeepGEMM 등) 지원을 발표하며 중국 내수용 수직 생태계를 완성해 가고 있습니다. 한편 앤트로픽은 대규모 투자와 IPO 준비에도 불구하고 클라우드 사업자들로부터 컴퓨트를 충분히 확보하지 못해 파트너십이 꼬이고 있습니다.

AI 산업의 이익이 어디서 나느냐가 실제로 이동 중인 국면인데, 모델 성능 격차는 좁아지는 반면 그 모델을 돌릴 칩과 전력·서빙 스택은 공급이 달려 앤트로픽 같은 최상위 모델 기업조차 컴퓨트를 구걸하는 처지가 되었고, 엔비디아 CUDA라는 단일 관문에 묶여 있던 개발자 경험을 아마존이 PyTorch 호환이라는 우회로로 뜯어내려 하면서 매출 지표와 실제 가치 흐름이 어긋나는 전형적 조건이 갖춰졌습니다.

흔히 이 뉴스는 '아마존이 드디어 엔비디아에 도전장을 냈다'는 칩 경쟁 기사로 읽힙니다. 하지만 칩 점유율 싸움으로만 보면 왜 아마존이 하드웨어가 아니라 개발 도구부터 손댔는지, 왜 딥시크가 칩 회사도 아니면서 커널 라이브러리를 푸는지가 설명되지 않는데, 가치 이동의 렌즈로 보면 둘 다 '모델 아래층에서 걷히기 시작한 통행료'를 누가 받느냐를 놓고 길목을 선점하는 행동이며, 모델 성능만 좇는 기업은 매출이 멀쩡한 채로 마진이 빠져나가는 공동화를 겪게 됩니다.

의사결정 제안 — 내년 AI 예산을 짤 때 모델 라이선스와 컴퓨트를 한 덩어리로 보지 말고 분리해서, 추론 워크로드 중 최소 20~30퍼센트는 Trainium·Inferentia 같은 대안 가속기에서 돌아가는지 다음 분기 안에 실측 벤치마크로 검증하십시오. 동시에 현재 모델 공급사와의 계약에 '컴퓨트 조달 실패 시 SLA 면책' 조항이 숨어 있는지 법무팀에 즉시 확인시키고, 없다면 재계약 때 용량 보장 조항을 넣으십시오.

프레임워크 설명

산업의 이익은 한자리에 머물지 않고 고객이 진짜 원하는 것을 더 잘 채워주는 사업 모델로 흘러가는데, 기술이나 고객 요구가 바뀌면 예전에 돈을 벌던 자리가 텅 비고 전혀 다른 자리로 가치가 옮겨가기 때문이다. 그래서 매출이 아직 멀쩡해 보여도 가치가 이미 빠져나가기 시작한 기업은 서서히 공동화되며, 승부는 지금 어디서 버느냐가 아니라 이익이 어디로 흐르고 있느냐를 읽는 데 있다.

TechCrunch

워들리 매핑 · Wardley Mapping

Designing an AI serving harness built to last

기업용 AI의 경쟁 우위가 모델 자체의 성능에서 모델을 실제 서비스 환경에 안정적이고 싸게 띄우는 서빙 하네스(serving harness) 아키텍처로 옮겨가고 있다는 분석이 나왔습니다. 같은 주에 마이크로소프트는 프론티어 모델 기반 에이전트를 내부자 위협에 준하는 보안 리스크로 다루라고 고객에게 경고했고, 범용 모델만으로는 업무 제약과 운영 맥락을 담지 못한다는 '맥락 인식 AI' 논의와 AI가 엔지니어링 팀을 대체하지 못한다는 반론이 함께 올라왔습니다.

AI 가치사슬의 구성요소를 성숙도별로 줄 세울 수 있고 무엇을 직접 만들고 무엇을 사올지가 당장의 쟁점인 국면입니다. 기반 모델은 이미 교체 가능한 상품에 가까워져서 Replit이 기본 모델을 앤트로픽에서 오픈AI로 갈아끼우는 일이 공지 한 줄로 끝나는 반면, 서빙 하네스와 평가·거버넌스는 아직 회사마다 손으로 깎아야 하는 맞춤 단계에 머물러 있어서, 어디에 자체 투자하고 어디를 유틸리티처럼 사다 쓸지가 지도 위에서 선명하게 갈립니다.

흔히 이 뉴스는 'AI 운영이 어려우니 엔지니어링을 더 잘해야 한다'는 실무 조언으로 읽힙니다. 하지만 그렇게 읽으면 모든 계층에 똑같이 힘을 주는 낭비로 이어지는데, 지형도로 보면 판단은 정반대로 단순해져서 상품화가 끝난 모델 계층에는 돈을 쓰지 말고 교체 가능성만 확보하되, 아직 아무도 표준을 못 만든 서빙·평가·에이전트 통제 계층에 자체 인력을 몰아넣는 것이 유일하게 복제되지 않는 투자가 됩니다.

의사결정 제안 — AI 스택을 모델·서빙·평가·거버넌스 네 층으로 나눠 각 층을 '사올 것'과 '직접 만들 것'으로 분류한 1페이지 지도를 이번 분기 안에 만들고, 모델 계층은 두 개 이상 공급사를 꽂을 수 있는 추상화 레이어로 묶어 교체 비용을 사람 기준 2주 이내로 떨어뜨리십시오. 반대로 서빙 하네스와 에이전트 권한 통제는 외주하지 말고 내부 팀에 전담 배치하되, 에이전트 계정에 사람 직원과 동일한 접근 로그와 권한 심사를 적용하십시오.

프레임워크 설명

전략을 세우려면 먼저 지형을 봐야 하는데, 워들리 매핑은 고객 가치를 꼭대기에 두고 그 아래 필요한 구성요소들을 사슬로 잇되 각 요소가 얼마나 성숙했는지(신생 → 맞춤 → 상품 → 유틸리티)를 가로축에 놓아 위치시킵니다. 이렇게 하면 무엇이 곧 범용화되어 값이 떨어질지, 어디에 자체 투자하고 어디를 외부에 맡길지가 지도 위에서 눈에 보이기 때문에, 감이 아니라 지형에 근거해 움직일 수 있다.

MIT Technology Review

양손잡이 조직 · Ambidextrous Organization

Meta wants to pay for its broad AI buildout with a newly created class of stock

메타가 대규모 AI 투자 재원을 마련하기 위해 새로운 종류의 주식을 발행하는 방안을 추진하고 있습니다. 같은 주에 테슬라는 공격적 설비투자와 비용 급증으로 3분기 순이익이 43퍼센트 급감했고, 오픈AI는 1조 2500억 달러 가치로 300억 달러 조달을 준비하며, 블랙스톤은 AI 인프라 부채 우려가 과장됐다고 진단했습니다.

지금 돈을 버는 기존 사업과 아직 수익이 안 나는 탐색 사업이 한 재무제표 안에서 정면으로 충돌하는 국면인데, 메타가 굳이 새 종류의 주식을 만들려는 것도 광고 사업의 이익 지표로 AI 설비투자를 평가받는 구조에서 벗어나려는 시도이고, 테슬라의 순이익 43퍼센트 감소는 반대로 분리 장치 없이 두 활동을 한 손익계산서에 섞었을 때 무슨 일이 벌어지는지를 그대로 보여줍니다.

흔히 이 뉴스는 '메타가 AI에 쏟을 돈을 어떻게 마련하나'라는 자금조달 기사로 읽힙니다. 하지만 자금조달로만 보면 왜 기존 주식 발행이나 회사채가 아니라 새 클래스여야 하는지가 빠지는데, 양손잡이 조직의 렌즈로 보면 이것은 재무 기법이 아니라 조직 설계 문제여서, 탐색 사업을 기존 사업의 평가 논리와 투자자 기대로부터 떼어내 보호하면서도 경영진 레벨에서는 하나로 묶어두려는 분리와 통합의 동시 달성 장치로 읽힙니다.

의사결정 제안 — AI 투자를 기존 사업부의 손익에 섞어 올리지 말고 별도 투자 계정과 별도 지표(수익이 아니라 학습 속도·단위 추론 원가·내부 채택률)로 분기마다 따로 보고하게 구조를 바꾸되, 승인 권한은 사업부장이 아니라 CEO 직속 위원회에 두십시오. 동시에 그 탐색 예산에는 '2년 내 본사업 이관 또는 종료'라는 만료 시한을 명시해, 겉도는 혁신 조직이 되거나 기존 사업에 흡수되는 양쪽 실패를 미리 막으십시오.

프레임워크 설명

오래가는 기업은 지금 돈을 버는 기존 사업을 효율적으로 굴리는 능력과 미래를 여는 새 사업을 탐색하는 능력을 동시에 갖춰야 하는데, 이 둘은 요구하는 문화와 지표, 시간 감각이 정반대라 한 조직 안에서 늘 충돌하기 때문이다. 그래서 탐색 조직을 기존 사업의 논리로부터 떼어 보호하되 경영진 수준에서는 하나로 잇는, 분리와 통합의 동시 달성이 관건이다.

TechCrunch

지켜볼 것

근거 121 개 항목 · 7일

지난 호 보기