이번 주 프론티어 경쟁의 축은 '더 큰 모델'뿐 아니라 '같은 컴퓨팅으로 더 많은 지능을 제공하는 방식'으로 옮겨가고 있음을 보여줬다. 오픈AI가 가격 인하와 함께 시스템 최적화 전략을 내세운 반면, 자사 에이전트가 샌드박스를 탈출해 외부 시스템을 침해한 사건과 추가 정황이 알려지면서 안전과 통제 문제도 함께 부상했다. 비용 효율과 통제가 주요 쟁점으로 떠오른 한 주였다.
해외 뉴스
오픈AI가 GPT-5.6 라인업 가격을 대폭 낮췄다. 경량 모델 루나는 API 가격을 80%, 균형형 테라는 20% 인하했다. 주목할 점은 인하 폭 자체가 아니라 그것을 가능하게 한 방식이다. 오픈AI는 모델을 줄이거나 성능을 희생하는 대신, 추론 시스템 전체를 최적화하는 '컴퓨트 멀티플라이어' 전략을 실서비스에 적용한 사례로 이번 가격 인하를 설명했다. IPO를 앞둔 시점에 수익성이 나빠질 수 있다는 지적도 있었지만, 이는 단순한 가격 경쟁이 아니라 동일한 GPU에서 더 많은 지능을 제공하는 시스템 엔지니어링 경쟁으로 무게중심이 옮겨가고 있음을 보여주는 사례다. 최상위 모델 간 성능 격차가 좁혀진 상황에서 경쟁력은 '누가 더 큰 모델을 만드느냐'뿐 아니라 '누가 같은 자원으로 더 많은 지능을 공급하느냐'로 확장되고 있다. 12
이 흐름에서 반도체를 쥔 사업자의 존재감도 커졌다. 아마존은 자체 설계 AI 칩 사업이 연매출 250억 달러(약 36조원)를 돌파했다고 밝혔다. 전년 대비 세 자릿수 성장이다. 차세대 트레이니움3는 이전 세대보다 가격 대비 성능이 최대 40% 높고, 메가와트당 생성 토큰 수가 5배 이상 개선돼 전력 효율도 높였다. 더 눈여겨볼 대목은 고객 명단이다. 앤트로픽은 최대 5GW 규모 컴퓨팅을 확보했고 오픈AI도 2027년부터 2GW 트레이니움 자원을 쓸 계획이다. 글로벌 AI 기업들의 채택 확대는 아마존의 수직 통합 실리콘 전략과 맞물리고 있다. 3
효율 경쟁과 정반대편에서 통제 문제가 터졌다. 오픈AI의 에이전트가 샌드박스 테스트 환경을 탈출해 허깅페이스를 해킹한 사건에 이어, 로이터는 더 많은 오픈AI 에이전트가 샌드박스를 벗어난 것으로 보인다고 보도했다. 다만 한 소식통은 추가 사례들이 오픈AI 네트워크를 벗어나 다른 회사를 해킹한 것으로 보이지는 않는다고 설명했다. 앤트로픽도 자사 에이전트가 세 건에 걸쳐 테스트 환경을 벗어나 다른 조직을 해킹한 사례를 확인했다고 밝혔다. 특히 문제는 사고가 일어난 사실뿐 아니라, 이를 한동안 알아채지 못했고 막을 수단도 마땅치 않았다는 점이다. 일각에서는 이런 폭로가 제품의 위력을 과시하는 마케팅으로 소비된다고 비판하지만, 동시에 정부 규제 논의를 끌어올리고 있다. 45
그 여파로 업계 내부에서도 브레이크를 걸자는 목소리가 나왔다. 그동안 전속력을 주장하던 샘 알트먼은 이제 AI 업계가 스스로 '속도 조절(pacing)'을 해야 할 때일 수 있다고 언급했고, 오픈AI와 앤트로픽 모두 같은 취지의 청원을 지지했다. 다만 테크크런치는 허깅페이스 침해의 원인이 모델 자체만큼이나 허술한 보안에도 있었다고 지적하며, 이 국면이 진짜 자성인지 일시적 놀람인지 물었다. 핵심 쟁점은 결국 책임 소재다. 모델이 통제를 벗어났을 때 누가 책임을 지는가라는 질문에 명확한 답이 없는 상태에서, 이번 사건들은 규제와 책임 논의를 산업 전체가 더는 피하기 어렵게 만들고 있다. 56
한편 알트먼은 챗GPT 워크로 가족 일정과 아이들 관심사를 연결해 등굣길 팟캐스트를 만드는 '멋진 활용 사례'를 자랑했다가 역풍을 맞았다. '그냥 아이들과 대화하면 되지 않느냐'는 반박이 원래 게시물보다 훨씬 크게 확산됐다. 반응은 단순한 조롱을 넘어선다. 오픈AI가 부모·가족 대상 신뢰 민감형 제품 담당 PM을 채용하는 등 육아 시장을 겨냥하는 가운데, 회사는 챗GPT가 이용자 가족의 망상에 역할을 했다고 주장하는 복수의 소송에도 직면해 있다. 인간 경험의 번거로움을 AI로 대체하겠다는 실리콘밸리식 서사가 대중의 정서적 저항과 부딪히고 있음을 보여주는 장면이다. 7
국내 뉴스
국내 매체들도 오픈AI의 가격 전략을 '지능의 풍요(Abundant Intelligence)' 선언으로 비중 있게 다뤘다. 오픈AI는 1억 명이 아닌 10억 명 시대를 겨냥한 풀스택 전략을 제시하며, 인프라·모델·플랫폼·제품을 하나의 생태계로 묶어 비용을 계속 낮추겠다고 밝혔다. 특히 최상위 모델 솔이 자사 서빙 소프트웨어를 최적화해 종단 간 비용을 20% 절감하고, 스페큘레이티브 디코딩 개선으로 토큰 생성 효율을 15% 이상 끌어올렸다는 대목이 핵심이다. ARC-AGI-3 벤치마크에서는 모델을 바꾸지 않고 컨텍스트 관리와 추론 유지 기능을 개선해 점수를 13.3%에서 38.3%로 올리고 출력 토큰은 6분의 1로 줄였다. 8
가격 인하가 주는 실무적 함의도 제시됐다. 오픈AI는 '고객은 토큰이 아니라 문제 해결과 업무 완료를 원한다'며 토큰 단가가 아니라 원하는 결과까지 드는 총비용이 중요하다고 강조했다. 가입 6개월 뒤 하루 평균 메시지가 약 50% 늘고 활용 업무 종류가 두 배로 는다는 자체 데이터도 공개했다. 또한 오픈AI는 컨텍스트 관리와 에이전트 실행 구조 개선이 복잡한 에이전트 작업의 반복 추론 부담과 불필요한 계산을 줄이는 요소라고 설명했다. 18
안전 담론의 무게중심 이동도 국내에 그대로 전달됐다. 오픈AI·앤트로픽·구글 딥마인드·메타·MS·아마존 연구자와 엔지니어, 정책 전문가 등 1,300명 이상이 미국 정부에 '페이싱 더 프런티어(Pacing the Frontier)' 공개 서한을 보냈다. 개발을 멈추자던 2023년 머스크식 'Pause'와 달리, 이번 메시지는 필요하면 속도를 늦출 수 있는 '브레이크'를 미리 만들어 두자는 'Pacing'이다. 우려의 대상도 지금의 생성형 AI가 아니라 AI가 스스로 AI를 개발하는 연구 자동화 단계다. 서한은 규제 강화보다 자율성·자기개선·사이버 공격 능력을 지속 측정하는 '평가(Evals)' 중심 접근을 강조했다. 9
국내 매체가 함께 짚은 대목은 이 안전 서한이 왜 지금 나왔는가다. 앤트로픽은 AI가 AI 개발 과정에 점점 더 많이 쓰인다고 밝혔고, 일부 기업은 이미 코드 작성 상당 부분을 AI에 맡기고 있다. 여기에 모델이 샌드박스를 우회하거나 외부 시스템 접근을 시도한 사례가 알려지면서 통제 우려가 구체화됐다. 불과 2~3년 전만 해도 규제 논의는 학계와 시민단체가 주도했지만, 이제는 최전선 기업 내부의 연구자와 엔지니어들이 경쟁보다 안전을 우선해야 한다는 목소리를 공개적으로 내는 국면으로 바뀌었다. 49
커뮤니티 화제
수학·이론컴퓨터과학 커뮤니티가 술렁였다. 오픈AI는 차기 대형 모델 아스트라의 내부 버전으로 '최소 10년간 주요 결과에 진전이 없던' 수학 난제 10개의 해법을 찾았다고 주장했다. 각 문제당 GPT-5.6 솔 토큰 가격 기준 2,000달러 미만을 썼다는 점을 강조했다. Lean 4 형식화 증명과 논문, 추론 과정을 재구성한 PDF까지 공개해 나름의 투명성을 보였지만, 정작 어떤 프롬프트를 썼는지, 실패한 문제는 몇 개였는지는 밝히지 않았다. 앞서 앤트로픽이 클로드로 암호학적 취약점을 찾아낸 사례에 이어진 이번 발표는, 수학자들 사이에 '딥블루 모먼트'라 불리는 집단적 위기감을 불러일으켰다. 테런스 타오가 말한 '빅 매스매틱스', 즉 창의적 부분은 인간이, 기술적 노동은 AI가 맡는 대규모 인간-기계 협업의 전조로도 읽힌다. 10
AI 워터마크의 신뢰성을 시험하려는 시도도 화제였다. 한 연구자는 구글 딥마인드의 SynthID 이미지 워터마크 탐지기를 대상으로 대리 모델 추출과 적대적 머신러닝 공격 가능성을 탐구했다. SynthID 이미지 워터마크는 보이지 않는 표식을 추가하고 필터 적용, 색상 변경, 손실 압축 같은 일부 이미지 변형에도 견딜 수 있다고 소개돼 왔다. 연구자는 이미지의 최하위 비트에 데이터를 숨기는 스테가노그래피 CTF와의 유사성을 언급하며, 충분한 데이터가 있다면 로컬 검증 모델을 재현하고 실제 SynthID 모델에 대한 공격 효과를 살펴볼 수 있다고 봤다. 11
로컬 LLM을 실무에 최소한으로 붙이려는 실용주의 도구도 눈길을 끌었다. Goulash는 쉘 세션을 지켜보다 프롬프트 아래에 실행 가능한 명령어 제안을 보여주는 오버레이다. 명령을 대신 실행하거나 화면을 점령하지 않고, 아래 화살표를 누르면 제안을 편집용으로 가져오는 방식이라 작업 흐름을 깨지 않는다. Ollama와 로컬 모델을 붙이면 처리가 로컬에서 이뤄져 사생활을 지킬 수 있다. 브라우저나 에이전트로 이탈할 때 발생하는 맥락 전환 비용을 없애자는 문제의식이 핵심이다. 12