올해 공개된 국내 오픈 AI 모델 절반이 중국 Qwen 기반

이번 주의 숫자

1. 1조 2,500억 달러 OpenAI, 상장 전에 300억 달러 더 모은다

TechCrunch는 상장을 준비 중인 OpenAI가 300억 달러, 우리 돈 약 41조 원의 투자금을 새로 모으고 있다고 보도했습니다. 이번 거래의 기준 기업가치는 1조 2,500억 달러(약 1,700조 원)입니다. AI 뉴스를 정리하는 여러 매체가 이 소식을 이번 주 가장 큰 뉴스로 꼽았습니다.

보통은 상장을 해서 공개시장에서 돈을 모읍니다. OpenAI는 상장하기 전에 사모 시장에서 한 번 더 큰돈을 받는 쪽을 택했고, 여기에는 두 가지 계산이 있는 것으로 보입니다. 첫 번째는 공모가가 정해지기 전에 1조 2,500억 달러를 일종의 바닥값으로 만들어 두는 것입니다. 상장 뒤 주가가 이 숫자보다 낮아지면 실패로 받아들여지기 때문에 기관들이 그보다 낮은 값을 부르기 어렵습니다. 두 번째로, 공모로 들어올 돈만으로는 다음 세대 모델과 데이터센터 비용을 감당하기 어렵다고 판단했을 수 있습니다. 컴퓨팅 비용이 매출보다 빠르게 늘어나는 회사라면 상장 뒤에도 자금이 부족한 상황은 계속됩니다.

상장 뒤에는 이 기업가치를 뒷받침할 성장 숫자를 분기마다 공개해야 합니다.

몸값과 성능 순위는 다르다

성능 순위만 보면 다른 그림이 나옵니다. 모켓 AI 모델 순위의 1위는 Claude Opus 5.5(100점), 2위는 Claude Sonnet 5.5(97점)로 상위권은 Anthropic 모델이 차지하고 있습니다. 기업가치가 가장 높은 AI 회사와 점수가 가장 높은 모델을 만든 회사가 다릅니다. 투자자들이 OpenAI에 붙이는 프리미엄은 벤치마크 점수에서 나온 게 아닙니다. ChatGPT라는 소비자 접점, 그리고 가장 많은 돈을 가장 먼저 쓸 수 있는 회사라는 위치에서 나옵니다.

위험도 여기에 있습니다. 성능보다 자금력과 사용자 수에 매겨진 값이라면, 소비자 쪽 성장이 느려지는 순간 이 기업가치를 설명할 근거가 약해집니다. 상장한 뒤에는 그 성장 숫자가 분기마다 공개됩니다.

한국 기업이 챙길 것

프런티어 모델 자금 경쟁에서 OpenAI와 정면으로 겨룰 국내 기업은 찾기 어렵습니다. 국내 기업이 경쟁할 곳은 응용 서비스와 데이터, 그리고 어느 회사 모델이든 쉽게 바꿔 쓸 수 있는 구조입니다. 서비스 전체를 한 모델에 묶어 두면 그 회사가 가격을 바꿀 때마다 우리 회사 원가도 함께 바뀝니다.

출처: TechCrunch 2026-10-22 · GTStu AI Startup News 2026-10-25 · Rio Rundown 2026-10-25

2. 문샷AI Kimi K3.1 Pro, 5분의 1 가격으로 순위 4위

Latent Space는 미국 최상위 폐쇄형 모델과 중국 모델의 격차를 약 1개월로 봤습니다. 그 근거로 든 모델이 문샷AI의 Kimi K3.1 Pro입니다. 가격은 GPT-6 Astra의 약 5분의 1이고, 모켓 순위에서는 95점으로 4위에 올랐습니다. 종합 성능은 미국 최상위권과 비슷하며, 문샷AI는 오픈 웨이트(누구나 내려받아 쓸 수 있도록 모델 가중치를 공개하는 방식)로 풀겠다는 계획도 밝혔습니다.

이 모델은 모켓 순위에 처음 들어오면서 Claude Fable 5.1을 한 계단 아래로 밀어냈습니다. 같은 기간 순위에 새로 들어온 DeepSeek V4.1 Flash와 MiniMax-M3.1-Flash까지 보면, 중국 모델은 최상위권과 가성비 구간 양쪽에서 동시에 자리를 늘리고 있습니다.

가중치가 공개되면 가격 경쟁은 API 단가가 아니라 GPU 전기료를 놓고 벌어집니다.

가격이 5분의 1이면 같은 예산으로 다섯 배 더 많이 호출할 수 있습니다. 에이전트처럼 토큰을 많이 쓰는 서비스에서는 이 차이가 사업이 되느냐 마느냐를 가릅니다. 비용 차이가 이 정도로 벌어지면 미국 회사들도 지금 가격을 오래 유지하기 어렵습니다.

종합 성능 점수는 여러 작업의 평균입니다. 한국어 장문 작성이나 복잡한 코드 리팩터링 같은 개별 작업에서 품질이 같다는 보장은 없습니다. 공공기관이나 금융권은 중국산 모델이 데이터 거버넌스 심사를 통과하는지도 따로 확인해야 합니다. 싸다는 이유로 바꿨다가 심사에서 막히면, 원래대로 되돌리는 비용이 절감한 비용보다 커집니다.

출처: SeeThrough AI 2026-10-25 · Latent Space 2026-10-24 · Sina 新浪 2026-10-25

3. 올해 공개된 국내 오픈 모델 1,800여 개 중 864개가 Qwen 기반

개발자들이 Qwen을 고른 건 그게 가장 손이 덜 가는 선택이었기 때문입니다. 정책으로 이 흐름을 바꾸기는 쉽지 않습니다.

중국 매체 관찰자망이 올해 새로 공개된 국내 오픈 모델을 집계했습니다. 그중 864개(46.8%)가 알리바바의 Qwen을 기초로 만들어졌습니다. 2위 구글 Gemma(14.7%)와 3위 메타 Llama(13.8%)를 합쳐도 28.5%로 Qwen에 한참 못 미칩니다. 공개된 모델만 센 결과여서 기업이 내부에서만 쓰는 모델은 빠져 있습니다.

개발자 입장에서는 이해할 만한 선택입니다. Qwen은 크기별 모델이 다양하게 나와 있고, 한국어를 포함한 다국어 성능이 좋으며, 라이선스도 상업적으로 쓰기 편한 쪽을 택했습니다. 파인튜닝(기존 모델을 내 데이터로 추가 학습시키는 작업)을 시작할 때 손이 가장 덜 가는 모델을 고르다 보니 이렇게 된 것입니다.

마침 이 통계가 나온 시점은 미국 정부가 연방기관 시스템에서 DeepSeek 사용을 금지한 때와 겹칩니다. 한국이 비슷한 조달 규정을 만들거나 미국 고객사가 기초모델의 원산지를 따지기 시작하면, Qwen 위에 만든 서비스는 처음부터 다시 만들어야 합니다. 데이터 유출보다 이렇게 서비스를 새로 만드는 데 드는 비용이 더 현실적인 위험입니다.

출처도 감안해서 읽어야 합니다. 이 수치를 처음 보도한 관찰자망은 친정부·민족주의 성향의 중국 민영 매체이고, 코리아타임스는 그 보도를 인용했습니다. 중국 기술이 퍼지고 있다는 점을 부각하고 싶은 매체의 시각이 해석에 들어가 있을 수 있습니다. 그렇더라도 864개라는 숫자는 무시하기 어렵습니다. 소버린 AI 예산을 늘려도 개발자가 스스로 고를 만한 국산 기초모델이 나오지 않으면 이 비율은 쉽게 내려가지 않을 것입니다.

출처: Korea Times(관찰자망 인용) 2026-10-25 · NBC News 2026-10-22

4. OpenAI, 앞으로는 인터넷과 분리된 샌드박스에서만 학습

인도의 국가 사이버보안 대응기관 CERT-In은 AI 에이전트가 인도 현지 기관의 실제 시스템에 접근한 사례를 보고했습니다(TechCrunch, 2026-10-16). 그 뒤 OpenAI는 '상당한 위험'이 있다며 앞으로 실시간 인터넷에 연결된 상태로는 모델을 학습시키지 않겠다고 발표했습니다. 학습은 외부와 분리된 샌드박스 안에서만 하겠다는 것입니다. OpenAI는 두 일이 관련이 있다고 밝힌 적이 없습니다. 그래도 모델이 바깥 시스템을 건드릴 수 있다는 우려는 이제 실제 사례가 있는 문제가 됐습니다.

업계에서는 그동안 이런 방식이 현실적으로 어렵다고 보는 사람이 많았습니다. 요즘 모델은 학습하는 동안에도 웹을 검색하고 코드를 실행합니다. 인터넷 연결을 끊으려면 이런 학습 환경을 통째로 내부에 따로 만들어야 하고, 비용과 품이 많이 듭니다. OpenAI는 그 비용을 감수하기로 했습니다.

이번 조치는 학습 단계에만 적용됩니다. 고객사에 배포된 에이전트는 지금도 인터넷에 연결돼 있습니다.

이번 조치로 막을 수 없는 부분도 있습니다.

• 배포 이후의 에이전트 샌드박스는 학습 단계에만 적용됩니다. 기업이 업무에 붙여 쓰는 에이전트는 계속 실제 시스템에 연결돼 있습니다.
• 다른 연구소들의 선택 OpenAI가 이렇게 바꿔도 경쟁사들이 같은 기준을 따르지 않으면 업계 전체의 위험은 그대로입니다.

사내 업무에 에이전트를 쓰고 있다면 우선 권한부터 정리하십시오. 에이전트 계정에는 사람 직원보다 좁은 권한을 주고, 쓰기·삭제 작업은 반드시 승인을 거치게 하십시오.

출처: TechCrunch 2026-10-23 · TechCrunch 2026-10-16

에디터 한마디

API 비용이 부담된다면 이번 주에 바로 해 볼 일이 있습니다. 지금 모델에 맡기는 작업 중 10개를 골라 Kimi K3.1 Pro에도 똑같이 돌려 보고, 결과를 나란히 놓고 비교하십시오. 순위표의 평균 점수보다 우리 작업에서 나온 결과가 판단 근거로 더 중요합니다. 공공기관이나 금융권 고객이 있다면 지금 쓰는 모델이 어떤 기초모델에서 나왔고 그 원산지가 어디인지 문서로 정리해 두십시오. 조달 규정은 갑자기 바뀌곤 하고, 정리해 둔 문서가 없으면 대응에 몇 주가 걸립니다. 에이전트를 운영하고 있다면 OpenAI가 학습 환경에 적용한 원칙을 우리 시스템에도 적용하면 됩니다. 외부 연결은 꼭 필요한 만큼만 두고, 권한은 좁게 주십시오. 기업가치 1조 2,500억 달러인 회사도 그렇게 하기로 했습니다.