월 $20 인프라로 MRR $10K 회사 여러 개 돌리는 법

• 월 $20짜리 인프라로 MRR $10K 넘는 회사를 여러 개 돌리고 있는 개발자의 실전 플레이북
  • VC 피칭에서 "대체 투자금이 왜 필요한 거죠?"라는 피드백을 받을 정도로 린(lean)하게 운영 중
  • 핵심 철학은 단순함 — 비용을 0에 가깝게 유지하면 100만 달러 투자받고 번레이트 태우는 것과 런웨이가 동일함

서버: VPS 하나면 충분함

• AWS EKS + RDS + NAT Gateway 세팅하면 유저 한 명 없이도 월 $300 날아감
  • 대신 Linode나 DigitalOcean에서 $5~$10짜리 VPS 하나 빌리면 끝
  • 1GB RAM이 무섭게 느껴질 수 있지만, swapfile 하나 잡아두면 충분히 돌아감
• 서버가 하나면 로그 위치도 알고, 왜 죽었는지도 알고, 재시작도 바로 가능
  • 인프라 관리가 아니라 요청 처리에 집중할 수 있음

언어: Go의 압도적 이점

• 백엔드를 Go로 작성하는 이유가 명확함
  • Python이나 Ruby는 인터프리터 부팅 + gunicorn 워커만으로 RAM 절반을 먹음
  • Go는 단일 정적 바이너리로 컴파일 → scp로 서버에 올리고 실행하면 배포 끝
  • pip 의존성 지옥도, 가상환경도 없음
• 2026년 기준 추가 이점: LLM이 Go 코드를 추론하기 매우 쉬움
  • 표준 라이브러리만으로 프로덕션급 웹서버 구현 가능 — 프레임워크 불필요

AI: 로컬 GPU로 무제한 크레딧 확보

• 배치 AI 작업에 OpenAI API 수백 달러 쓰는 대신, 중고 RTX 3090($900)으로 로컬 추론
  • 프롬프트 로직에 버그 있으면 전체 배치를 다시 돌려야 하는데, 로컬이면 비용 부담 제로
• 로컬 AI 업그레이드 경로가 깔끔함
  • Ollama: 한 줄 명령으로 설치, 프롬프트 반복 실험에 최적
  • VLLM: 프로덕션용. PagedAttention으로 동시 요청 8~16개를 배치 처리하면 1개 처리 시간에 16개가 끝남
  • Transformer Lab: 파인튜닝이나 사전학습이 필요할 때

Copilot: AI IDE 구독료 절약의 핵

• Claude Opus 4.6을 하루종일 쓰면서 월 $60도 안 나옴
  • GitHub Copilot이 토큰 단위가 아니라 요청 단위 과금이라서 가능한 구조
  • 에이전트가 30분 동안 코드베이스 전체를 뒤지고 수백 개 파일을 수정해도 요청 1회 = 약 $0.04
• 전략: 성공 기준이 명확한 상세 프롬프트를 작성하고, "에러 다 고칠 때까지 계속해"라고 던진 뒤 커피 마시러 가면 됨

데이터베이스: SQLite가 생각보다 쓸만한 이유

• 새 프로젝트는 무조건 SQLite3로 시작함
  • 로컬 C 인터페이스/메모리 통신이라 원격 Postgres TCP 왕복보다 차수 단위로 빠름
• "동시성은?" — WAL(Write-Ahead Logging) 켜면 해결됨
  • PRAGMA journal_mode=WAL; PRAGMA synchronous=NORMAL; 한 줄이면 리더/라이터가 서로 안 막힘
  • NVMe 드라이브 위 단일 .db 파일로 동시 유저 수천 명 처리 가능

---

기술 맥락

• Go를 백엔드 언어로 선택한 건 단순히 "빠르니까"가 아니에요. 1GB RAM 서버라는 극한 제약 조건에서 Python/Ruby의 런타임 오버헤드가 치명적이거든요. 정적 바이너리 배포는 컨테이너 오케스트레이션 자체를 불필요하게 만들어서 운영 복잡도를 아예 제거해버리는 효과가 있어요
• SQLite에 WAL 모드를 거는 건 핵심 트레이드오프를 정확히 이해한 선택이에요. 기본 저널 모드에서는 쓰기마다 전체 DB 잠금이 걸리지만, WAL은 쓰기를 별도 로그에 먼저 기록하고 나중에 병합하는 방식이라 읽기/쓰기 동시성이 확보돼요. 다만 WAL도 동시 쓰기는 직렬화되니까, 쓰기 부하가 극단적이면 Postgres로 넘어가야 하는 시점이 있어요
• VLLM의 PagedAttention이 Ollama 대비 동시 처리에서 압도적인 이유는 GPU 메모리 관리 방식 차이 때문이에요. Ollama는 요청마다 전체 KV 캐시를 할당하는 반면, VLLM은 OS의 가상 메모리처럼 필요한 만큼만 페이지 단위로 할당하거든요. 그래서 같은 24GB VRAM으로 동시 요청을 배치로 묶어 처리할 수 있는 거예요