[챗GPT를 활용해 제작함]
[챗GPT를 활용해 제작함]

기업들이 오픈웨이트(open-weight·핵심 설계값을 공개) AI 모델을 찾은 건 저렴했기 때문이다. 하지만 계속 사용하는 이유는 더 큰 통제력을 얻을 수 있어서다.

월마트는 2017년 일부 기술 공급업체에 조용히 메시지를 보냈다. 우리와 거래하고 싶다면 업무를 아마존웹서비스(AWS)에 올리지 말라는 것이었다. AWS에 문제가 있었던 건 아니다. AWS는 당시에도 훌륭한 인프라였고 지금도 그렇다. 스타트업과 은행은 물론 미국 중앙정보국(CIA)까지 신뢰하는 인프라다. 넷플릭스는 아마존의 클라우드에서 사업을 하면서도 아마존의 동영상 서비스인 프라임 비디오와 정면으로 경쟁한다. 하지만 넷플릭스가 경쟁하는 것은 아마존의 여러 사업 중 하나다. 반면 월마트가 경쟁하는 상대는 아마존이라는 본체 자체다. 컴퓨팅 비용을 아무리 할인해준다고 해도 가장 위험한 경쟁자의 사업을 키우고 정보를 제공하는 대가라면 의미가 없었다.

인프라는 공급자가 고객의 시장에 진입하기 전까지는 중립적으로 느껴진다. 이제 선도적인 AI 연구소들이 똑같은 문제에 부딪히고 있다. 이들의 초기 상업적 모델은 수평적이었다. API(애플리케이션 프로그래밍 인터페이스)를 통해 점점 더 강력해지는 인공지능에 접근할 수 있도록 하는 것이었다. 하지만 이제 성장 전략은 모델을 둘러싼 더 많은 업무를 직접 가져가는 데 점점 더 의존하고 있다. 코딩·금융·법률·디자인·의료·사무업무 전반에서 에이전트와 완성형 업무 프로세스로 사업 영역을 넓히고 있다.

논리는 이해할 만하다. 범용적인 지능만 판매하면 그 지능을 실제 업무에 적용하는 쪽에 상당한 가치가 남기 때문이다. 하지만 모델 제공업체가 고객의 업무 영역으로 한 단계씩 더 깊이 들어갈 때마다 고객이 공급업체를 바라보는 시선도 달라진다. 모델 제공업체가 기반기술을 판매하는 데 그친다면 공급업체일 뿐이다. 하지만 고객과 똑같은 업무 프로세스를 구축하기 시작하면 얘기가 달라진다. 기술 스택의 핵심부에 자리 잡은 유리한 위치를 이용해 고객과 경쟁하는 업체가 될 수 있다.

여기서 오픈웨이트 AI 모델 얘기가 나온다. 기업들이 오픈웨이트 모델을 중요하게 여기는 이유에 대해서는 흔히 잘못 이해하는 부분이 있다.

첫 번째 관심은 비용이었다. 직원들은 가장 비싼 최첨단 모델을 모든 업무에 투입하면 성능은 훌륭하지만 그만큼 비용이 청구된다는 사실을 깨달았다. 반복적이고 일상적인 업무를 더 저렴한 오픈웨이트 모델로 돌리자 비용이 빠르게 줄었다. 그러자 AI 연구소들은 예상대로 대응했다. 입문형 모델의 가격을 대폭 낮추고, 자사 스택에서 가장 잘 작동하도록 제품을 조정했다. 만약 얘기가 여기서 끝이었다면 이는 흔한 상품화 현상에 불과했을 것이다. AI 연구소에는 성가신 일이지만 감당할 수 있는 문제다.

비용은 관문일 뿐이었다. 진짜 중요한 것은 통제력이다. 기업들은 자신들의 데이터와 업무 프로세스, 판단 방식을 중심으로 AI를 맞춤화하는 데 실제로 막대한 돈을 쓰고 있다. 이러한 투자가 쌓일수록 모델을 호스팅하는 업체에 대한 종속도 깊어진다.

무엇보다 중요한 것은 이제 AI 시스템에 기업의 ‘암묵지’(말 또는 문서로 설명하기 어려운 경험과 노하우·tacit knowledge)가 들어가기 시작했다는 점이다. 이를 ‘생산의 가중치(weights of production)’라고 부를 수 있다. 이것이야말로 한 기업이 시장의 선두 자리를 계속 지킬 수 있는지를 결정하는 핵심 자산이다. 이 자산을 자사의 산업을 직접 공략하려는 로드맵을 가진 공급업체에 넘기는 것은 단순한 구매 결정이 아니다. 기업의 존립과 관련된 결정에 가깝다.

고객지원 답변 하나를 작성하는 데 쓰이는 토큰과 1억달러 규모의 대출을 분석하고 심사하는 데 쓰이는 토큰은 API 청구서상으로는 똑같아 보인다. 하지만 경제적 의미는 거의 완전히 다르다. AI 지출 역시 이에 따라 세 가지 서로 다른 사업으로 나뉘게 된다.

첫째는 저가형 범용 AI다. 일상적인 요약·추출·분류·번역·기초 코딩에는 언제나 최고의 모델이 필요한 것은 아니다. 여러 모델이 특정 업무에 요구되는 수준을 충족하게 되면 구매자들은 비용, 속도, 신뢰성, 배포의 유연성을 더 중요하게 생각한다.

반복적으로 발생하는 업무는 최적화되고 더 작은 모델로 분산될 것이다. 그중 상당수는 오픈웨이트 모델이 차지할 가능성이 높다. 이 영역에서 전 세계 토큰 사용량의 대부분이 발생할 것이다. 하지만 경쟁이 치열하기 때문에 토큰 하나당 매출은 낮은 수준에 머물 것이다.

둘째는 최첨단 범용 AI다. 이는 자연스럽게 폐쇄형 AI 연구소의 영역이다. 새로운 연구, 고난도 코딩, 사이버 방어, 요구사항이 명확하지 않은 에이전트 업무에서는 작은 성능 차이도 엄청난 가치를 만들어낼 수 있다. 2위 모델로는 충분하지 않을 때 구매자들은 최고의 모델에 돈을 지불할 것이다. 최첨단 모델은 더 저렴한 시스템을 학습시키는 교사 역할을 하거나 가장 까다로운 예외 상황을 처리하는 역할도 맡게 될 것이다.

하지만 이 영역이 전체 사용량에서 차지하는 비중은 제한적일 것이다. 대부분의 기업이 익숙하고 반복적인 요청 하나하나에 가장 비싼 지능을 사용할 이유가 없기 때문이다. 이 영역의 프리미엄은 최첨단 모델의 성능 우위가 유지되는 동안에만 지속될 것이다.

셋째이자 가장 큰 가치를 만들어낼 영역은 고객이 통제하는 최첨단 전문 AI다. 이 시스템들은 오픈웨이트 모델과 기업이 독점적으로 보유한 맥락을 결합하게 될 것이다. 어떤 모델이 모든 공개 성능 평가 결과에서 1위를 차지할 필요는 없다. 최고의 보험금 손해사정 AI, 공급망 계획 AI, 신약개발 보조 AI, 대출심사 시스템이 되는 것만으로도 충분하다. 그러기 위해 필요한 것은 해당 기업의 과거 업무 기록, 전문가의 판단, 접근 권한, 현재의 상황 정보, 어떤 의사결정이 성공했는지를 보여주는 데이터다.

전문 AI는 다른 두 영역이 각각 따로 갖고 있는 두 가지 특성을 동시에 결합한다. 운영 시스템으로서 사용 빈도가 높으면서도 중요한 의사결정에 쓰이는 만큼 높은 지불 의사를 끌어낼 수 있다.

이것이 바로 대부분의 기업 AI 예산이 결국 이 영역으로 모여야 하는 이유다. 이때 지출의 상당 부분은 모델 사용료라는 형태로 나타나지 않을 것이다. 대신 자체 컴퓨팅 인프라, 데이터 인프라, 시스템 통합, 평가, 보안, 업무 소프트웨어, 자동화 시스템이 안정적으로 작동하도록 만드는 피드백 시스템 등에 돈이 들어갈 것이다.

AI 연구소들도 이 사실을 알고 있다. 최근 고객 데이터 보존을 하지 않겠다는 ‘제로 데이터 리텐션(ZDR)’ 보장을 강화하는 움직임이 나타나는 것도 이 때문이다.

여기에 고객 데이터를 모델 학습에 사용하지 않겠다는 약속과 고객이 선호하는 클라우드 사업자 안에서 자사의 최고급 모델을 이용할 수 있도록 하는 정책까지 더해지면 목표는 분명해진다.

기업들이 오픈웨이트 모델을 기반으로 자체 전문 AI를 구축하기보다 AI 연구소와 함께 구축하도록 유도하려는 것이다. 돈이 어디에 몰려 있는지를 생각하면 올바른 전략이다. 오픈AI나 앤스로픽이 기업가치를 정당화할 만큼 성장하기 위해 반드시 범용 AI의 사용량 경쟁에서 승리할 필요는 없다. 이들에게 필요한 것은 기업들이 가장 민감한 맥락과 가장 가치 있는 업무 프로세스를 맡길 만큼 신뢰하는 것이다.

하지만 ZDR이 해결하는 것은 데이터의 보관 문제이지 통제권 문제가 아니다. 공급업체는 고객의 콘텐츠를 하나도 보관하지 않으면서도 가격을 올릴 수 있고, 특정 모델을 종료할 수 있으며, 사용 규칙을 강화하거나 인접 영역의 새로운 제품을 출시할 수 있다.

기업이 데이터를 직접 소유하고 있다고 해도, 특정 공급업체의 플랫폼과 모델 환경 위에 축적된 평가 데이터, 맞춤화 작업, 기억, 업무 프로세스 로직을 다른 곳으로 옮길 수 없다면 여전히 종속된 상태다.

결국 남는 질문은 단순히 누가 데이터를 볼 수 있는가가 아니다. 계속해서 개선되는 AI 시스템을 누가 통제하는가, 고객이 그렇게 완전히 맞춤화한 시스템을 다른 곳으로 가져갈 수 있는가가 핵심이다. 오픈웨이트 모델은 이 중요한 종속 관계 하나를 경쟁 가능한 대상으로 만든다. 모델 공급업체의 사업 로드맵이 자신의 산업과 점점 닮아가기 시작했을 때 기업에 믿을 만한 대안을 제공하기 때문이다.

월마트가 AWS를 문제 삼은 이유는 아마존이 자사의 데이터를 들여다봤기 때문이 아니다. 자신이 지출하는 모든 돈이 소매업을 집어삼키려는 기업을 더 강하게 만든다는 점이 문제였다.

AI 연구소들이 애플리케이션 영역으로 더 깊숙이 들어갈수록 이런 계산을 하는 고객은 늘어날 것이다. 그리고 2017년의 클라우드와 달리 오픈웨이트 AI 모델은 실제로 공급업체를 떠날 수 있는 길을 열어준다. 따라서 중간 영역, 즉 프런티어 AI 전문업체를 둘러싼 경쟁은 아직 누구에게나 열려 있다. AI 연구소들은 더 나은 기반 모델과 더 뛰어난 도구, 사실상 무제한에 가까운 자본을 갖고 있다. 이들에게 아직 부족한 것은 경쟁자가 아니라 공급자로 남겠다는 신뢰할 만한 약속이다.

일부 AI 업체들은 바로 이 약속을 중심으로 전략 전체를 짜고 있다. 고객이 자신만의 별도 독점 모델을 직접 미세조정(fine-tuning) 할 수 있도록 하는 것이다. 기존 사업자들도 같은 전략을 취할 수 있다.

고객이 직접 만들고 소유하는 전문 모델에 프런티어 모델을 교사 모델로 제공하거나, 전문 AI가 해결하지 못하는 어려운 문제를 맡는 상위 모델로 팔 수 있다. 자신들이 통제하지 않는 시스템을 개선해주는 대가로 수익을 얻는 방식이다. 하지만 그렇게 하려면 현재의 기업가치에 은연중에 반영돼 있는 애플리케이션 계층의 일부 수익을 포기해야 한다.

아마존도 이 문제를 해결하지 못했다. AWS는 인터넷 시대의 위대한 사업 중 하나로 성장했지만, 월마트는 결국 아마존이 아닌 다른 클라우드 위에 사업을 구축했다. AI 연구소들이 던져야 할 질문은 이것이다. 자신들이 감당할 수 있는 월마트를 과연 몇 개나 만들어낼 수 있느냐는 것이다.

[Generated with ChatGPT]
[Generated with ChatGPT]

The Market for Intelligence Is Splitting in Three

Enterprises came to open-weights AI models for the discount. They will stay for greater control.

In 2017, Walmart sent a quiet message to some of its technology vendors: if you want our business, keep our workloads off Amazon Web Services. Nothing was wrong with AWS. It was, and remains, excellent infrastructure, trusted by startups, banks, and even the CIA. Netflix runs its business on Amazon’s cloud while competing head-on with Prime Video. But Netflix competes with one of Amazon’s side projects. Walmart competes with the mothership. No discount on compute was worth funding and informing its most dangerous rival.

Infrastructure feels neutral until its provider enters your market.

The leading AI labs are now running into the same problem. Their initial commercial proposition was horizontal: access to increasingly capable intelligence through an API. But their growth plans increasingly depend on capturing more of the work surrounding the model. They are expanding into agents and complete workflows across coding, finance, law, design, medicine, and office work.

The logic is understandable. Selling generic intelligence alone leaves much of the value with whoever applies it. Yet every move downstream changes how customers see the supplier. A model provider sells an input. A model provider building the same workflow as its customer may become a competitor with a privileged position inside the technology stack.

Which brings us to open-weights AI models, and to a common misreading of why enterprises care about them. The first wave of interest was about cost. Employees had discovered that pointing the most expensive frontier model at every task felt fantastic but billed accordingly. Routing routine work to cheaper open-weights models cut the invoice fast, and the labs responded predictably, slashing prices on entry-level models and tuning their products to run best on their own stack. If that were the whole story, this would be ordinary commoditization: annoying for the labs, but manageable.

Cost was the gateway. Control is way more important. Enterprises are spending real money to customize AI around their data, their workflows, and their judgment, and every one of those investments deepens lock-in with whoever hosts the model. Most importantly, the tacit knowledge now being encoded into these systems, the “weights of production,” is exactly the asset that determines whether a market leader stays one. Handing it to a vendor whose road map points at your industry is not a simple procurement decision. It‘s closer to an existential one.

A token spent drafting a customer-support reply and a token spent analyzing and underwriting a $100 million loan look identical on the API bill. Economically, they have almost nothing in common. AI spend splits accordingly into three distinct businesses.

The first is the cheap AI generalist. Routine summarization, extraction, classification, translation, and basic coding do not always require the best model available. Once several models meet the standard for a task, buyers care more about cost, speed, reliability, and deployment flexibility. Repeated workloads will be optimized and routed to smaller models, many with open weights. This bucket will produce most of the world’s tokens, but competition will keep revenue per token low.

The second is the frontier AI generalist, the natural territory of closed labs. Novel research, difficult coding, cyber defense, and poorly specified agentic work can make a modest capability lead extraordinarily valuable. Buyers will pay for the best model when the second best is not good enough. Frontier models will also teach cheaper systems and handle the hardest exceptions. But this tier will represent a limited share of volume because most companies will not use the most expensive intelligence for every familiar request. Its premium will last only as long as the capability lead does.

The third, and largest value pool, is the customer-controlled frontier AI specialist. These systems will combine open weights with an enterprise’s proprietary context. A model need not lead every public benchmark to become the best claims adjuster, supply-chain planner, drug-discovery assistant, or underwriting system. It needs the company’s operating history, expert judgment, permissions, current conditions, and evidence about which decisions succeeded.

Specialists combine two qualities the other buckets separate: the frequency of an operational system and the willingness to pay attached to consequential decisions. That is why most enterprise AI budgets should accumulate here. Much of the spending will not appear as model fees. It will pay for private compute, data infrastructure, integration, evaluation, security, workflow software, and the feedback systems required to make automation dependable.

The labs see this, which explains their current posture, and are racing to offer stronger zero-data-retention guarantees. Add no-training commitments and flagship models available within a customer’s favorite cloud provider, and the goal is clear: make companies comfortable building the specialist layer with the labs rather than on open weights. Given where the money sits, it’s the right strategic move. Neither OpenAI nor Anthropic needs to win the generalist volume game to grow into its valuation. They need enterprises to trust them with their most sensitive context and valuable workflows.

But ZDR solves data custody, not control. A provider can retain no customer content and still change its prices, retire a model, tighten usage rules, or launch an adjacent product. A company can own its data while remaining unable to move the evaluations, adaptations, memory, and workflow logic accumulated around a vendor’s platform and model harness. The remaining question is not simply who can see the information. It is who controls the improving system and whether the customer can take that fully customized system elsewhere.

Open weights make one critical dependency contestable. They give enterprises a credible alternative when a model supplier’s road map begins to resemble their own. Walmart‘s issue with AWS was never that Amazon was reading its data. It was that every dollar strengthened a company committed to eating retail. As the labs move deeper into applications, the set of customers doing that math grows. And open-weights models, unlike cloud in 2017, make leaving genuinely practical.

So the battle for the middle category, the frontier AI specialist, is wide open. The labs bring better base models, better tooling, and effectively unlimited capital. What they still lack is a credible commitment to remain suppliers rather than become competitors. Some AI providers are building their entire strategy around that commitment, and allow customers to fine-tune their own separate, proprietary models. The incumbents could match it. They could sell frontier models as teachers and escalation layers for specialist models that customers shape and own, then get paid to improve systems they do not control. But that means walking away from some of the application-layer revenue their valuations quietly assume.

Amazon, for what it’s worth, never solved this. AWS became one of the great businesses of the internet era, and Walmart built its cloud on everybody else. The question for the labs is how many Walmarts they can afford to create.