1789년 가을, 스물한 살의 새뮤얼 슬레이터는 농장 노동자로 위장하고 영국 항구를 빠져나갔다. 당시 영국은 세계 최고의 방적 기술을 가진 나라였고, 그 기술이 밖으로 나가는 것을 법으로 막고 있었다. 1719년 법은 숙련공의 이민을 금지했고, 1774년 법은 방적 기계와 그 도면의 수출을 금지했다. 슬레이터는 도면을 가져갈 수 없었기 때문에 아크라이트 방적기의 구조를 머릿속에 통째로 담았다. 그는 1790년 로드아일랜드 포터킷에서 모지스 브라운과 함께 미국 최초의 수력 방적 공장을 세웠다. 영국에서 그는 배신자로 불렸고 미국에서는 산업혁명의 아버지로 불렸다.

영국의 통제는 실패했다기보다 지연에 성공했다. 그러나 지연의 대가는 컸다. 영국은 1825년에 숙련공 이민 금지를 풀었고 1843년에는 기계 수출 금지마저 폐지했다. 막을 수 없는 것을 막으려다 자국 기계 산업의 수출 기회만 놓쳤다는 판단이 뒤늦게 내려진 결과였다.

2026년 7월의 풍경이 이 장면과 겹친다. 7월 16일 중국의 문샷AI가 키미 K3를 공개했고, 7월 27일에는 전체 가중치를 허깅페이스에 올렸다. 백악관 과학기술정책실장 마이클 크라치오스는 7월 23일 문샷이 태국에 있는 서버를 통해 수출이 금지된 엔비디아 블랙웰 계열 가속기에 접근했으며, 앤스로픽의 페이블 모델 출력을 증류에 사용했을 것이라고 공개적으로 지적했다. 공개 직후 뉴욕 증시에서 엔비디아를 비롯한 AI 반도체 종목이 약세를 보였고 코스피에서도 삼성전자와 SK하이닉스가 흔들렸다. 주가는 며칠 만에 되돌아왔지만, 그 며칠 사이에 확정된 사실은 되돌아가지 않는다. 가중치는 이미 공개되었고, 공개된 가중치는 회수되지 않는다.

지금 말하고자 하는 것은 하나다. 오픈웨이트 모델은 폐쇄망이나 규제 때문에 상용 모델을 쓸 수 없을 때 어쩔 수 없이 선택하는 차선책의 지위를 벗어나 프론티어 모델과 대등한 선택지가 되었고, 그 결과 경쟁의 축은 모델 자체에서 모델을 운영하는 조건으로 옮겨간다.

오픈웨이트라는 말이 자리 잡기까지

지금은 오픈웨이트라는 용어가 굳어졌지만 처음부터 그랬던 것은 아니다. ChatGPT가 나온 직후인 2023년 3월, 스탠퍼드 연구진이 메타의 라마를 기반으로 알파카를 내놓으면서 작은 모델을 직접 다루는 흐름이 시작됐다. 이때 등장한 표현이 sLLM이다. 모델의 크기를 줄여 온프레미스나 회사 사정에 맞는 규모로 서비스할 수 있게 만든다는 뜻이었다. 이 표기는 해외에서도 쓰였고 학술 논문에도 등장한다. 다만 영어권에서 더 널리 자리 잡은 약어는 SLM이었고, sLLM이라는 표기를 유독 즐겨 쓴 곳은 한국이었다. 배포 형태를 가리키는 말로는 오픈 모델이나 오픈소스 모델이라는 표현이 함께 쓰였다.

오픈소스 모델이라는 표현은 엄밀히 말해 부정확했다. 소프트웨어에서 오픈소스는 소스코드가 공개되고 누구나 그것을 읽고 고쳐 다시 빌드할 수 있다는 뜻이다. 모델에서 그에 대응하는 것은 학습 데이터와 학습 코드다. 그런데 라마를 포함한 대부분의 공개 모델은 학습이 끝난 결과물인 가중치 파일만 배포했다. 데이터 구성도, 전처리 방식도, 학습 스케줄도 공개하지 않았다. 즉 완성된 부품을 받은 것이지 제조 공정을 받은 것이 아니었다. 이 차이를 정확히 부르기 위해 오픈웨이트라는 말이 자리 잡았다.

용어를 다시 짚는 이유는 지금 벌어지는 논쟁이 정확히 이 지점에 걸려 있기 때문이다. 미국 재무장관 스콧 베선트는 산업 규모의 무단 증류가 지식재산 침해로 넘어갈 경우 제재와 제재 대상 명단 지정까지 검토할 수 있다고 밝히면서, 오픈소스가 미국 지식재산을 마음대로 가져가도 된다는 뜻은 아니라고 선을 그었다. 이 발언이 성립하려면 무엇이 공개된 것이고 무엇이 공개되지 않은 것인지가 먼저 구분되어야 한다. 가중치가 공개된 모델과 학습 과정이 공개된 모델은 다른 물건이다.

sLLM이라는 말이 사라진 것도 우연이 아니다. 2025년 초 량원펑이 이끄는 딥시크가 R1을 내놓으면서 증류가 대중적으로 알려졌다. 큰 교사 모델이 만들어낸 출력을 작은 학생 모델이 모사하도록 학습시켜 능력을 옮겨 담는 기법이다. 당시 이 기술은 크기를 줄여도 성능이 유지되는 마법처럼 소개됐다. 그러나 증류는 압축이 아니라 전이이고, 전이에는 두 가지 구조적 한계가 따른다.

하나는 용량 격차다. 학생 모델의 파라미터가 교사보다 적으면 교사의 출력 분포를 그대로 재현할 수 없다. 뉴욕대학교의 새뮤얼 스탠턴과 파벨 이즈마일로프 연구진은 2021년 NeurIPS 논문에서 학생 모델이 교사의 예측을 일치시키는 데 실패하며, 학습 데이터를 크게 늘려도 그 충실도 격차가 상당 부분 남는다는 것을 보였다. 다른 하나는 분포 불일치다. 교사가 미리 만들어둔 고정된 출력으로 학습시키면, 학생이 실제 추론 시점에 스스로 생성하는 분포와 학습 시점의 분포가 어긋난다.

이 두 한계는 벤치마크 점수에 잘 드러나지 않는다. 증류에 사용한 학습 신호가 벤치마크가 다루는 과제와 겹칠수록 점수는 교사 모델에 가깝게 나오기 때문이다. 크기를 10분의 1로 줄이고 성능은 80%에서 90%를 유지한다는 식의 요약이 위험한 이유가 여기에 있다. 그 80%가 무엇을 측정한 80%인지가 빠져 있다.

그리고 지난 1년 반 동안 시장이 실제로 간 방향은 정반대였다. 딥시크 V4 프로는 약 1.6T 규모이고, 지푸AI가 6월 13일 공개한 GLM-5.2는 약 753B다. 키미 K3는 2.8T다. 작게 만들어 감당 가능한 크기로 낮추는 경쟁이 아니라, 프론티어와 같은 규모를 그대로 공개해버리는 경쟁으로 바뀌었다. 이 흐름 안에서 sLLM이라는 말은 자연스럽게 자리를 잃었다.

이 구도의 배경에는 수출통제가 있다. 미국은 2022년부터 중국에 대한 첨단 AI 가속기 수출을 단계적으로 막았고, 통제 범위는 최신 블랙웰 세대까지 확대됐다. 그럼에도 결과는 계산과 달랐다. 블룸버그는 문샷이 알리바바가 제공한 2만 장 규모의 엔비디아 클러스터로 키미 모델을 학습했다고 보도했고, 톰스하드웨어는 문샷이 블랙웰 칩을 보유한 중국 기업들의 데이터센터를 활용하되 어느 쪽도 물량이 충분하지 않아 8장 단위 서버 여러 대를 데이터센터를 넘나들며 묶는 방식을 고안했다고 전했다. 통제는 작동하지 않은 것이 아니라 우회당했고, 우회의 결과물은 가중치 공개라는 형태로 통제 대상 밖에 놓였다.

한 가지 더 짚을 것이 있다. 오픈웨이트 진영을 연 것은 메타의 라마였다. 그러나 2026년 현재 그 자리를 채우고 있는 것은 딥시크, 지푸AI, 문샷AI 같은 중국 기업이다. 미국 빅테크는 최상위 모델을 API로만 제공하는 방향으로 사실상 정리됐다. 오픈웨이트라는 형식 자체가 중국 진영의 전략 수단이 된 것이 지금의 구도다.

차선책에서 동급으로 올라선 경로

라마 시절의 오픈웨이트 모델은 상용 프론티어 모델과 분명한 성능 차이가 있었다. 가장 잘 만든 오픈웨이트 모델을 가져다 잘 튜닝해도 20% 안팎의 격차를 감수해야 한다는 것이 업계의 공통된 인식이었다. 그럼에도 이들 모델이 쓰인 이유는 성능이 좋아서가 아니라 다른 선택지가 없어서였다. 폐쇄망 요건, 데이터 반출 금지, 규제 산업의 감사 요건 같은 조건 아래에서는 성능이 떨어지더라도 안에서 돌아가는 모델이 필요했다.

이 구도가 흔들리기 시작한 지점은 GLM-5.2였다. 지푸AI는 6월 13일 GLM-5.2를 공개하고 며칠 뒤 MIT 라이선스로 가중치를 허깅페이스에 올렸다. 함께 공개된 벤치마크에서 GLM-5.2는 코드 아레나 2위를 기록했고, 세 개의 독립적인 장기 코딩 평가에서 클로드 오퍼스 4.8과 1퍼센트포인트 차이까지 좁혔다. 여기에 하나 더 중요한 조건이 붙었다. MIT 라이선스는 상업적 사용과 수정, 재배포에 사실상 제약을 두지 않는다. 기업이 자기 인프라 안에 넣고 쓰기에 법적 걸림돌이 없다는 뜻이다.

GLM-5.2가 차선책이 아니라 최선의 선택이 될 수 있음을 보여준 사건은 7월에 일어났다. 7월 16일 허깅페이스의 프로덕션 인프라가 자율 AI 에이전트 프레임워크에 침해당했다. 공격자는 주말 내내 짧게 생성되고 소멸하는 샌드박스를 옮겨 다니며 수천 건의 개별 동작을 실행했고, 공개 서비스 위에 스스로 이전하는 명령제어 채널을 세워두었다. 허깅페이스 대응팀은 1만7천여 건의 공격자 행위 로그를 분석해야 했다.

문제는 여기서 발생했다. 대응팀이 먼저 시도한 것은 상용 API로 제공되는 프론티어 모델이었다. 그런데 분석에는 실제 공격 명령, 실제 익스플로잇 페이로드, 실제 명령제어 아티팩트를 대량으로 모델에 넣어야 했고, 안전 가드레일은 이 요청들을 차단했다. 가드레일은 침해 대응자와 공격자를 구분하지 못했다. 허깅페이스는 공격자가 어떤 이용약관에도 구속되지 않았던 반면 방어자의 포렌식 작업만 가드레일에 막혔다고 기록했다. 결국 대응팀은 자체 인프라에 GLM-5.2를 올려 분석을 수행했고, 며칠이 걸릴 작업을 몇 시간으로 줄였다. 공격자 데이터와 그것이 참조한 자격증명은 회사 환경 밖으로 나가지 않았다.

이 사례가 중요한 이유는 비용이나 폐쇄망 요건 때문에 오픈웨이트를 고른 것이 아니기 때문이다. 상용 모델로는 그 작업 자체가 불가능했고, 오픈웨이트 모델은 가능했다. 성능이 부족해도 감수하고 쓰는 대체재가 아니라, 특정 조건에서는 유일하게 작동하는 도구라는 위치가 처음으로 명확해졌다.

그리고 키미 K3가 나왔다. K3는 총 파라미터 2.8T의 MoE 구조다. 896개의 Expert Model 중 토큰마다 16개만 활성화한다. 컨텍스트 윈도우는 100만 토큰이고, 이미지 입력을 네이티브로 처리한다. 어텐션 계산 방식으로 키미 델타 어텐션을 새로 도입해 긴 맥락에서 디코딩 속도를 크게 개선했다고 문샷은 밝혔다.

독립 평가 기관 아티피셜 애널리시스의 인텔리전스 인덱스에서 K3는 57점을 기록했다. 클로드 페이블 5가 60점, GPT-5.6 솔이 59점, 클로드 오퍼스 4.8이 56점이다. 오픈웨이트 모델이 종합 지능 지표에서 상위권 폐쇄 모델과 같은 표에 올라 3위에서 4위 사이에 자리한 것은 처음이다. 블라인드로 진행되는 프런트엔드 코드 아레나에서는 페이블 5와 GPT-5.6 솔을 제치고 1위에 올랐다.

가장 결정적인 변화는 벤치마크 순위가 아니다. 문샷 공동창업자들은 7월 27일 가중치를 공개하면서 공개된 MXFP4 양자화가 자사 호스팅 API에 쓰는 것과 동일하다고 밝혔다. 지금까지 오픈웨이트 모델을 검토할 때 늘 따라붙던 의심, 즉 공개된 가중치는 API로 제공되는 것보다 성능이 낮게 조정되어 있을 것이라는 의심이 이 발표로 해소됐다. 남는 격차는 모델 자체가 아니라 그 모델을 감싸는 하네스, 즉 도구 호출 방식과 프롬프트 구성, 오케스트레이션 계층에서 발생한다. 문샷은 하네스를 공개하지 않았다. 따라서 자체 구축한 K3는 문샷이 서비스하는 K3와 같은 가중치를 갖되 다른 결과를 낼 수 있다. 문제의 위치가 모델에서 시스템으로 옮겨간 것이다.

열려 있다는 것과 쓸 수 있다는 것은 다르다

여기까지만 보면 자체 모델을 구성하는 판단이 단순해 보인다. 그러나 K3를 실제로 운영하는 조건을 따져보면 다른 그림이 나온다.

허깅페이스에 공개된 K3 체크포인트는 약 1.56TB다. MoE 구조에서 토큰마다 활성화되는 Expert Model은 16개뿐이지만, 라우터가 어떤 토큰에서 어떤 Expert Model을 호출할지 미리 알 수 없기 때문에 896개 전부가 메모리에 올라가 있어야 한다. 사용하지 않는 Expert Model을 디스크로 내려둘 수 없다는 뜻이다. 문샷이 권장하는 프로덕션 구성은 고대역폭으로 묶인 가속기 64장 이상이다. 워크스테이션에 내려받아 돌려보는 규모가 아니라 클러스터 엔지니어링 프로젝트다.

비용도 같은 방향을 가리킨다. K3의 API 가격은 100만 토큰당 입력 3달러, 출력 15달러다. 이 단가를 기준으로 자체 호스팅의 손익분기를 계산하면 월 15억 토큰 안팎에서 형성된다. 이 정도를 안정적으로 소비하는 조직은 많지 않다.

그리고 그 API 가격 자체가 통념과 다르다. 지금까지 중국 모델은 싸다는 인식이 있었지만 K3는 여기에 해당하지 않는다. 아티피셜 애널리시스는 K3를 지능 면에서 선두권이지만 비슷한 규모의 다른 오픈웨이트 모델과 비교하면 특히 비싸다고 평가했다. 출력 속도는 비교군 중앙값을 밑돌고, 같은 과제를 끝내는 데 쓰는 토큰은 많다. 열려 있다는 것과 싸다는 것, 그리고 빠르게 돌아간다는 것은 각각 별개의 문제다.

정확성 지표에는 더 조심스러운 대목이 있다. 아티피셜 애널리시스의 평가에서 K3의 정확도는 이전 세대보다 올랐지만, 환각률도 39%에서 51%로 함께 올랐다. 종합 점수는 정확도 상승을 환각률 상승보다 크게 반영하는 채점 방식 때문에 개선된 것으로 나온다. 맞히는 문제가 늘어난 만큼 자신 있게 틀리는 문제도 늘었다는 뜻이다. 벤치마크 1위와 실사용 신뢰성은 다른 문제다.

라이선스도 확인해야 한다. GLM-5.2는 MIT 라이선스이고, K3는 문샷이 별도로 정한 라이선스다. 상업적 사용을 폭넓게 허용하지만 조건이 붙어 있으므로, 자체 구축을 검토한다면 성능표보다 이 문서를 먼저 읽어야 한다.

정리하면 이렇다. K3가 바꾼 것은 자체 구축의 경제성이 아니라 자체 구축의 상한이다. 이전까지 자체 구축을 선택하면 성능을 포기해야 했다. 이제는 포기하지 않아도 된다. 다만 그 선택을 실행할 수 있는 조직은 여전히 데이터센터급 클러스터를 운영할 수 있는 곳으로 한정된다. 개방의 실익은 지금 당장 소유할 수 있다는 데 있지 않고, 언제든 소유로 전환할 수 있는 선택권을 갖는다는 데 있다.

무엇이 자산으로 남는가

사용량 지표를 보면 이 변화가 이미 시장에 반영되어 있다. 블룸버그가 익스포넨셜 뷰 자료로 정리한 오픈라우터 토큰 점유율에서, 구글과 오픈AI와 앤스로픽을 합친 미국 모델의 비중은 2025년 6월 약 70%에서 2026년 6월 약 30%로 내려갔다. 같은 기간 딥시크는 단일 사업자 기준 플랫폼 내 최대 공급자가 됐다.

여기서 함께 봐야 할 것이 있다. 오픈웨이트 모델은 전체 토큰의 약 3분의 1을 처리하면서 전체 지출의 4% 미만을 차지한다. 토큰 점유율과 매출 점유율이 갈라진다는 뜻이다. 대량 반복 작업, 비용 민감한 파이프라인, 배치 처리는 오픈웨이트로 내려가고, 실패 비용이 큰 판단과 장기 에이전트 작업은 여전히 폐쇄 프론티어 모델이 가져간다. 시장이 둘로 쪼개지고 있다.

이 분화가 의미하는 바는 분명하다. 모델 하나를 잘 만드는 것만으로 확보되던 우위가 사라진다. 벤치마크 최상위 자리는 몇 주 단위로 바뀌고, 그 자리에 있던 모델과 몇 점 차이 나지 않는 모델의 가중치는 누구나 내려받을 수 있다. 성능 우위는 이제 시간이 지나면 소멸하는 자산이다.

그렇다면 무엇이 남는가? 세 가지다.

첫째는 하네스다. 문샷은 가중치를 공개하면서 하네스는 공개하지 않았다. 도구를 어떤 순서로 호출할지, 실패했을 때 어떻게 되돌릴지, 컨텍스트를 어떻게 잘라 넣을지가 모두 여기에 들어간다. 모델은 내려받으면 끝이지만 하네스는 만들어야 하고, 만든 만큼만 성능이 나온다. 지금 시장에서 실제로 희소한 것은 가중치가 아니라 이 설계 능력이다.

둘째는 평가 능력이다. K3의 환각률 사례가 보여주듯 공개된 종합 점수는 채점 공식에 따라 다르게 읽힌다. 남이 만든 순위표는 후보를 좁히는 데까지만 쓸 수 있고, 최종 판단은 자기 업무 데이터로 내려야 한다. 자기 과제 표본과 채점 기준을 갖춘 조직과 갖추지 못한 조직 사이의 격차는 모델 사이의 격차보다 크다.

셋째는 데이터 주권과 운영 조건이다. 오픈웨이트 모델을 호스팅 API로 부르는 것과 자체 인프라에서 돌리는 것은 전혀 다른 선택이다. 지푸AI와 문샷AI는 모든 중국 조직에 국가 정보 활동에 대한 협조를 요구하는 중국 국가정보법의 적용을 받는 기업이다. 호스팅 API로 부르면 프롬프트와 데이터가 그 관할권을 통과한다. 반대로 가중치를 내려받아 자기 경계 안에서 돌리면 이 문제는 상당 부분 해소된다. 오픈웨이트의 진짜 가치는 여기에 있다. 성능이 좋아서가 아니라, 모델을 쓰는 조건을 사용자가 정할 수 있어서다.

같은 논리는 미국 모델에도 적용된다. 2026년 6월 12일 앤스로픽은 미국 상무부 수출통제 준수를 위해 페이블 5와 미토스 5에 대한 접근을 중단했고, 6월 30일 통제가 해제되면서 7월 1일 서비스를 복구했다. 3주가 채 안 되는 기간이었지만, 특정 모델에 대한 접근이 기술적 이유가 아니라 정책적 이유로 끊길 수 있다는 사실이 실제로 증명됐다. 여기에 허깅페이스 사례에서 드러난 가드레일 비대칭이 겹친다. 공격자는 어떤 정책에도 구속되지 않는데 방어자만 정책에 막힌다면, 이는 모델 정책의 문제가 아니라 운영 연속성의 문제다.

그렇다면 지금 무엇을 해야 하는가? 하드웨어부터 지르는 것은 아니다. K3급 모델의 자체 구축은 손익분기가 매우 높은 곳에 형성되어 있고, 다음 세대 모델이 나오면 그 구성이 그대로 유효하리라는 보장도 없다. 문샷은 이미 K4 학습을 위해 블랙웰 세대 가속기를 추가로 확보하려 움직이고 있다. 지금 수십억 원을 들여 세운 클러스터가 6개월 뒤 어떤 모델을 감당해야 할지 아무도 모른다.

합리적인 순서는 반대다. 먼저 API로 성능을 검증한다. 자기 업무에서 실제로 발생하는 과제 표본을 만들고, 프론티어 모델과 오픈웨이트 모델을 같은 하네스에 올려 같은 기준으로 측정한다. K3의 API 가격이 저렴하지는 않지만, 수십억 원짜리 구축 판단을 내리기 위한 검증 비용으로는 무시할 만한 수준이다. 그 측정으로 어떤 작업을 오픈웨이트로 내려도 되고 어떤 작업은 내리면 안 되는지를 확정한다. 그 다음에야 자체 구축을 계산한다. 이 순서를 지키면 잘못된 판단의 비용이 검증 비용에 그친다.

한 가지 더 있다. 이 검증 과정에서 만들어지는 것은 모델 선택 결과가 아니라 평가 체계와 하네스다. 그리고 그것은 모델이 바뀌어도 남는다. 6개월 뒤 K4가 나오고 GLM이 다시 올라와도, 같은 하네스에 올려 같은 기준으로 재보면 된다. 모델은 소모품이 되었고 그것을 재는 자와 그것을 감싸는 구조는 자산이 되었다.

슬레이터가 대서양을 건널 때 영국이 지키려던 것은 기계였다. 그런데 실제로 건너간 것은 기계가 아니라 그것을 만들고 돌릴 줄 아는 사람이었다. 1774년의 법은 도면과 부품의 이동을 막았지만 머릿속에 든 것을 막을 방법은 없었고, 영국은 결국 그 법을 스스로 폐지했다. 2026년의 차이는 이제 머릿속에 담을 필요조차 없다는 데 있다. 설계도는 공개 서버에 파일로 올라와 있고, 누구든 내려받을 수 있다. 병목은 설계도를 손에 넣는 데서 그것을 실제로 돌려내는 데로 완전히 옮겨갔다. 오픈웨이트가 차선책이던 시대는 끝났다. 남은 질문은 어떤 모델을 고를 것인가가 아니라, 열려 있는 것을 실제로 운영해낼 역량을 갖추었느냐이다.

참고 자료