오픈 웨이트 인공지능이 폐쇄형 모델 사업자를 압박하는 이유

오픈 웨이트가 갑자기 진짜 위협이 된 이유

• 오픈 웨이트(Open weight)는 모델의 학습된 가중치를 공개하는 방식임

  • 개발자는 모델을 내려받아 자기 서버에서 실행하고, 필요하면 파인튜닝까지 할 수 있음
  • 다만 학습 코드와 데이터까지 재현 가능하게 공개하는 ‘완전한 오픈소스 인공지능’과는 다름
  • 라마, 쿠언, 딥시크처럼 가중치는 공개하지만 전체 데이터 레시피는 감추는 모델이 이 중간 지대에 있음

• 이 차이 때문에 ‘오픈워싱(open-washing)’ 논란도 생김

  • 오픈 소스 이니셔티브는 2024년 10월 오픈소스 인공지능 정의를 내놓으며 가중치, 학습 코드, 재현 가능한 데이터 정보까지 요구함
  • 가중치만 공개해놓고 오픈소스라고 부르는 건 소프트웨어 오픈소스가 보장하는 자유와 다르다는 지적임

• 그런데 개발자 입장에선 가중치 공개만으로도 체감이 큼

  • 모델을 직접 서비스에 올릴 수 있고, 특정 업무에 맞게 줄이거나 재학습할 수 있음
  • 폐쇄형 API처럼 호출량과 정책을 공급자에게 전부 맡기지 않아도 됨

폐쇄형 API 모델의 약점이 드러나는 지점

• 오픈AI와 앤트로픽은 최고 성능 모델의 가중치를 데이터센터 안에만 두는 전략을 써왔음

  • 사용자는 프롬프트를 보내고 응답을 받을 수 있지만, 모델 자체를 소유하거나 수정할 수는 없음
  • 이 구조는 학습 투자 보호, 구독·사용량 과금, 안전 정책 통제에는 유리함

• 문제는 제품의 핵심 인프라를 남의 서버 위에 올리는 셈이라는 것임

  • 가격, 가동 시간, 데이터 이용 조건, 버전 폐기 일정이 모두 공급자 손에 있음
  • 특정 모델 버전이 사라지거나 가격이 바뀌면 서비스 운영팀은 강제 마이그레이션을 맞을 수 있음

• 오픈 웨이트는 이 벤더 종속(vendor lock-in)을 줄이는 카드임

  • 특정 버전을 고정해 몇 년간 안정적으로 운영할 수 있음
  • 클라우드 사업자를 바꾸거나 온프레미스로 옮겨도 애플리케이션을 통째로 갈아엎을 필요가 줄어듦
  • 물론 라이선스 조건은 봐야 함. 예를 들어 라마는 월간 활성 이용자 7억 명을 넘는 기업에 별도 계약을 요구함

성능은 좁혀지고, 비용은 무너지고 있음

• 성능 격차가 빠르게 줄어드는 게 폐쇄형 모델 사업자에게 제일 아픈 부분임

  • 스탠퍼드대 2025 인공지능 인덱스 기준, 챗봇 아레나 리더보드에서 최고 폐쇄형 모델과 최고 오픈 모델의 점수 차이는 8%에서 1.7%로 축소됨
  • 1위와 10위 모델 간 점수 차이도 11.9%에서 5.4%로 줄었다고 함

• 비용 하락은 더 과격함

  • GPT-3.5급 쿼리의 100만 토큰당 추론 비용이 2022년 11월 약 20달러에서 2024년 10월 0.07달러로 떨어짐
  • 2년도 안 돼 약 280배 싸진 셈임

• 딥시크 사례는 학습 비용 쪽 논쟁까지 건드림

  • 딥시크 V3 기술 보고서는 엔비디아 H800 칩 2,048개로 약 560만달러에 최종 학습을 마쳤다고 주장함
  • 서방의 동급 모델이 수천만~수억달러를 쓴다는 인식과 충돌하면서 시장 충격을 키움

데이터 주권과 규제가 오픈 웨이트를 밀어줌

• 병원, 은행, 공공기관은 데이터를 외부 API로 보내기 어려운 경우가 많음

  • 민감 정보가 제3자 벤더 경계를 넘어가면 법적·규제 리스크가 생김
  • 오픈 웨이트는 모델을 데이터가 있는 곳으로 가져와 온프레미스나 프라이빗 클라우드 안에서 추론할 수 있게 함

• 국가 차원의 디지털 주권 이슈도 커지고 있음

  • 스위스는 1,000개 이상 언어와 15조 토큰으로 학습한 완전 개방형 모델 ‘아페르투스’를 공개했다고 소개됨
  • 아랍에미리트는 팔콘 시리즈를 밀어왔고, 프랑스·인도·일본·한국도 자국 모델이나 연산 인프라 프로그램을 지원 중이라고 언급됨

• 규제 방향도 일부 영역에선 개방형 모델에 우호적임

  • 미국 백악관은 2025년 7월 인공지능 액션 플랜에서 오픈소스와 오픈 웨이트 인공지능 장려를 별도 섹션으로 다룸
  • 유럽연합 인공지능법도 무료·오픈소스 범용 모델에 대해, 시스템적 리스크가 아닌 경우 일부 문서화 의무를 완화함

생태계 플라이휠은 닫힌 API가 따라 하기 어려움

• 허깅페이스 생태계의 규모가 이미 거대함

  • 2025년 기준 이용자 1,300만 명, 공개 모델 200만 개 이상, 공개 데이터셋 50만 개 이상으로 성장했다고 함
  • 라마는 2025년 3월 18일 기준 10억 다운로드를 넘겼고, 쿠언은 7억 다운로드에 도달했다고 소개됨

• 오픈 모델 위에는 파인튜닝, 어댑터, 양자화 모델이 계속 쌓임

  • 누군가 만든 개선판이 또 다른 개선판의 출발점이 됨
  • 손에 쥘 수 없는 폐쇄형 API 모델 위에선 이런 커뮤니티 누적 효과가 제한적임

• 로컬 실행 도구도 판을 바꾸고 있음

  • Ollama, llama.cpp, vLLM 같은 도구 덕분에 개발자는 소비자용 그래픽카드나 일반 노트북에서도 쓸 만한 모델을 돌릴 수 있음
  • 기사 표현대로 2,000달러짜리 피시에서 직접 돌릴 수 있는 모델은 원격 사업자가 마음대로 꺼버릴 수 없는 모델임

그래도 리스크는 남아 있음

• 공개된 가중치는 한 번 풀리면 회수가 거의 불가능함

  • 앤트로픽 쪽에서 말해온 안전 논리는 이 지점을 겨냥함
  • 모델이 악용되거나 위험한 능력을 보일 때 중앙에서 가드레일을 고치고 회수하기 어렵다는 주장임

• 최전선 경쟁은 여전히 대형 연구소가 유리함

  • 더 많은 연산 자원, 더 좋은 데이터, 더 큰 연구 조직을 가진 쪽이 최신 성능을 먼저 찍을 가능성이 큼
  • 공개 모델은 최고 폐쇄형 모델을 몇 달 뒤쫓는 구조를 완전히 벗어나진 못했다고 봄

• 결론은 소멸이 아니라 무게중심 이동임

  • 폐쇄형 모델은 최상위 성능과 편의성을 파는 시장을 계속 가져갈 수 있음
  • 하지만 비용, 통제권, 데이터 주권, 개발자 생태계를 따지는 나머지 시장은 점점 직접 쥘 수 있는 가중치 쪽으로 움직이고 있음

---

기술 맥락

• 여기서 제일 중요한 선택지는 모델을 빌려 쓸지, 직접 들고 운영할지예요. 폐쇄형 API는 시작이 편하고 최고 성능 접근이 쉽지만, 가격과 버전과 데이터 정책을 공급자가 정해요. 오픈 웨이트는 운영 부담이 생기는 대신 모델 자체를 제품 인프라 안으로 가져올 수 있어요.

• 기업이 오픈 웨이트를 보는 이유는 단순히 무료라서가 아니에요. 병원, 금융, 공공처럼 데이터가 밖으로 나가면 곤란한 조직은 모델을 데이터 옆에 둬야 하거든요. 이때 온프레미스나 프라이빗 클라우드 배포가 가능한지가 도입 여부를 가르는 조건이 돼요.

• 비용 구조도 의사결정을 바꿔요. 100만 토큰 추론 비용이 약 20달러에서 0.07달러로 내려간 흐름이라면, “조금 더 좋은 모델”에 비싼 프리미엄을 계속 낼 이유가 줄어들어요. 특히 대량 호출 서비스에서는 성능 1~2%보다 단가와 예측 가능성이 더 중요할 수 있어요.

• 양자화와 LoRA 같은 기법은 오픈 웨이트의 활용 폭을 넓혀요. 모델 전체를 다시 학습하지 않아도 작게 만들거나 특정 업무에 맞출 수 있기 때문이에요. 그래서 오픈 모델 생태계에서는 원본 모델 하나가 끝이 아니라, 수많은 파생 모델과 운영 노하우로 계속 불어나는 구조가 생겨요.

• 다만 직접 들고 운영한다는 건 책임도 같이 들고 온다는 뜻이에요. 안전성 평가, 배포 인프라, 모니터링, 라이선스 검토를 팀이 직접 챙겨야 해요. 그래서 현실적인 선택은 폐쇄형 API와 오픈 웨이트 중 하나만 고르는 게 아니라, 데이터 민감도와 비용 구조에 따라 섞어 쓰는 쪽에 가까워요.