2026년 11월 3일

비용이 재무 서류에 드러나다

아침 글이 AI가 AI 개발을 가속하는 흐름을 다뤘다면, 오후 소식은 그 가속을 떠받치는 비용 쪽을 비춘다. AI타임스에 따르면 Anthropic은 미국 SEC에 낸 수정 S-1(상장 신고서)에 3분기 실적을 더했다. 매출은 약 170억 달러로 늘었지만 컴퓨팅 인프라 비용이 커지면서 영업적자를 기록했다고 보도됐다³⁰. 앞으로 지출하기로 약속한 금액은 8,954억 달러로 전해졌다.

이 숫자가 중요한 까닭은 프런티어 모델 경쟁의 비용 구조가 공시 서류에 숫자로 드러났기 때문이다. 외부 분석 글들은 보유 현금을 960억 달러, 5개 기업에 약속한 취소 불가능한 컴퓨팅 지출을 최소 5,820억 달러로 적었다. 이 글들에는 필자 의견이 섞여 있어 원문 서류와 대조해 봐야 한다. 다만 매출 성장과 별개로 연산 확보가 재무 구조의 중심 변수가 됐다는 점은 읽어 낼 수 있다.

같은 날 ADNOC은 OpenAI, G42와 산업용 AI 플랫폼을 만드는 다년 협력을 맺었다. 같은 행사에서 샘 올트먼 CEO는 전력 공급을 AI 성장의 가장 큰 제약으로 꼽았다³². 새 수요를 만드는 계약과 그 수요를 받칠 전력의 한계가 한자리에서 함께 거론된 셈이다.

성능보다 활용률을 내세우는 가속기

연산이 비싸질수록 이미 설치한 하드웨어를 얼마나 쉬지 않고 쓰느냐가 경쟁력이 된다. Huawei는 NPU 1,024개를 묶은 Ascend 950 SuperPoD가 학습에서 45% 활용률을 내고, SuperPoD 배치가 1,000세트를 넘었다고 밝혔다³³. Moore Threads는 우시에서 MTT S5000 GPU 2,112개로 운영하는 상용 클러스터의 고객사가 55곳이고 가동률은 92.9%라고 설명했다⁴⁰.

두 회사가 단일 칩 사양보다 활용률과 배치 규모를 앞세웠다는 점이 공통점이다. 수출 통제 속에서 중국 인프라 업체들은 실제로 얼마나 쓰이는지를 보여 주는 쪽으로 설득 방식을 옮긴 것으로 볼 수 있다. 다만 두 수치 모두 회사 측 발표다. Moore Threads가 밝힌 DeepSeek V4 Flash 추론의 'H800 대비 92%'는 측정 조건이 공개되지 않아 그대로 비교하기 어렵다.

모델 쪽에서도 같은 계산이 보인다. HKUST 연구진은 8B 모델을 DeepSeek Harness 환경 안에서 학습시켜 Spider 2.0-SQLite 점수를 15.5%에서 45.2%로 끌어올렸고, 약 16%에 머문 32B 기준 모델들을 앞섰다고 발표했다⁴¹. 모델을 키우는 대신 실행 환경에서 학습시켜 같은 연산으로 더 많은 일을 하게 하려는 시도다. 다른 환경에서도 효과가 이어지는지는 확인이 필요하다.

마지막 병목은 사람의 검토

연산을 아껴도 그 결과를 받아 처리하는 사람의 역량은 쉽게 늘지 않는다. GeekNews에 소개된 글에 따르면 LLM으로 찾은 버그 제보가 급증하면서, 보통 9~10월에 나오던 PostgreSQL 19가 11월로 밀릴 것으로 보인다. 베타 후반에는 대형 기능 3개가 빠졌다³⁶. 출시 준비 버전에 들어간 백포트 커밋은 전년 같은 기간보다 60% 이상 늘었다. 글쓴이는 AI가 만든 수정안도 결국 사람이 검토하고 커밋해야 한다고 짚었다.

평가 영역에서도 비슷한 부담이 보인다. 칭화대·저장대 연구진의 Algebraic World Model은 ARC-AGI-3 게임 규칙을 Lean 4(형식 증명 언어)로 옮겼다. 이를 통해 프런티어 모델들이 실패한 비공개 레벨 6개가 애초에 클리어할 수 없는 구조임을 증명했다고 보도됐다³⁴. 모델의 실패로 보이던 결과 일부가 과제 자체의 문제였을 수 있다. 성능을 재는 쪽에도 검증할 일이 쌓이고 있다는 뜻이다.

물론 이 흐름을 단정하기는 이르다. PostgreSQL 사례는 커뮤니티 전언이고, 가속기 수치는 각 회사의 자체 발표다. 그래도 재무, 인프라, 오픈소스 유지보수라는 서로 다른 층위에서 같은 방향의 신호가 동시에 나왔다는 점은 가볍게 넘기기 어렵다.

자기 개선이 공시와 실험에 오르다

자기 개선 가속이 기업의 법적 공시에 들어가기 시작했다. TechCrunch 보도에 따르면 Anthropic은 미국 SEC에 새로 낸 서류에서 RSI(Recursive Self-Improvement, AI가 스스로 학습을 이끌어 능력 향상이 빨라지는 현상) 역량에 매우 가까워졌다고 경고했다¹. 전해진 내용을 보면 회사는 차기 모델이 AI가 이끄는 연구에 힘입어 발전 속도가 두 배가 되는 문턱에 곧 이를 수 있다고 밝혔다. 투자자에게 알리는 위험 요인에 이런 서술이 들어갔다면, 안전 논의가 연구실을 넘어 법적 책임의 영역으로 옮겨 온 것으로 볼 수 있다.

연구 쪽에서도 같은 방향의 신호가 나왔다. 'Sparks of Weight-Space Programming'이라는 블로그 글은 GPT-6 Astra가 경사하강법 없이 신경망 가중치를 읽고 고칠 수 있다는 초기 실험 결과를 실었다². 글에 따르면 Qwen3.5-0.8B의 가중치 가운데 0.016%만 바꿨더니 MATH-500 점수는 7.9%에서 48.1%로, IFEval 점수는 21.0%에서 62.3%로 올랐다. 연구진은 환경 피드백 없이 한 번에 작성한 MinAtar 게임용 소형 신경망이 PPO로 1억 스텝 학습한 신경망보다 게임을 잘했다고도 주장했다. 모델이 학습 루프를 거치지 않고 다른 모델을 편집한다는 주장은 Anthropic이 공시에 적은 가속 시나리오와 직접 맞닿아 있다.

개발 루프 안으로 들어온 모델

가중치 편집은 아직 실험 단계다. 반면 AI가 AI 시스템을 만들고 다듬는 일은 실무에서 이미 흔해지고 있다. AWS는 SageMaker AI에서 SeqKD(시퀀스 단위 Distillation)로 프런티어 Teacher 모델의 에이전트 동작을 작은 Student 모델에 옮기는 방법을 소개했다¹². 큰 모델의 행동이 작은 모델을 만드는 재료가 되는 구조다. Microsoft와 UC Berkeley 연구진은 TokenEconomizer를 공개했다. 이 플러그인은 모델은 그대로 두고 앞선 작업에서 얻은 정보를 재활용하며, 연구진은 코딩 에이전트 비용을 최대 30.9% 줄였다고 주장했다⁶.

인프라 수요도 이 변화를 따라 움직이고 있다. 보도에 따르면 Amazon의 자체 칩 사업은 세 자릿수 성장을 이어 갔고, Graviton과 Trainium의 계약 규모는 20배 넘게 늘었다³. 보도는 그 배경으로 강화학습과 에이전트의 도구 호출 처리에서 CPU가 맡는 비중이 커진 점을 들었다. 모델이 스스로 시도하고 피드백을 받는 연산이 늘고 있다는 뜻이다. 앞 절의 자기 개선 논의가 실제 설비 수요와도 이어져 있음을 보여 준다.

감지와 설명은 아직 뒤에 있다

가속의 신호가 뚜렷해질수록 이를 알아챌 수단의 한계도 함께 드러난다. 보도에 따르면 Anthropic은 서류에서 가속이 진행되더라도 실시간으로는 감지하지 못하고 뒤늦게 알게 될 수 있다는 점을 인정했다. Google DeepMind와 스탠퍼드대 연구진은 논문 'A Heart Means Recursion'에서 관련 사례를 보고했다⁸. 빨간 하트 이미지 하나만 보여 줘도 시각언어모델이 코드를 짜는 방식이 크게 달라졌지만, 모델은 그 까닭을 제대로 설명하지 못했다. 모델의 자기 설명만으로는 행동 변화를 추적하기 어렵다는 이 결과는 자기 개선을 감시하는 문제와도 겹친다.

통제 장치가 한 곳에만 있으면 쉽게 우회될 수 있다는 사례도 나왔다. Cisco Talos가 공개한 악성코드 VOLTA-AUTODOXER는 한 모델이 분석 요청을 거부하면 다른 모델로 넘어가도록 만들어졌다⁹. 이와 다른 접근으로 GitHub은 12월 2일부터 공개 저장소에서 pull_request_target 이벤트를 기본으로 차단한다⁵. 개별 판단에 맡기지 않고 기본값으로 위험 경로를 닫는 방식이다. 다만 오늘 논지의 핵심 근거 두 가지는 아직 충분히 확인되지 않았다. Anthropic 서류의 내용은 원문이 아니라 보도와 커뮤니티 요약으로만 전해졌다. Weight-Space Programming 연구도 연구진 소속과 재현 가능성을 공개 자료로 확인할 수 없다.