모델 이용료와 모델이 만든 가치는 다르다
기업이 모델에 100원을 내고 1,000원의 일을 해냈다면, 모델 회사의 매출은 100원이다. 나머지 편익이 어디에 남는지는 이용 기업의 사업과 경쟁에 달려 있다. AI가 큰 가치를 만든다는 말과 모델 회사가 그 가치를 전부 가져간다는 말은 다르다.
Dylan Patel과 Dwarkesh Patel의 대화는 이 차이에서 시작한다. Dylan은 AI가 만드는 편익의 상당 부분이 최종 사용자에게 돌아간다고 주장하며 Jane Street와 Meta를 예로 든다. 금융회사는 모델을 이용해 돈을 벌고, 광고 사업자는 추천과 운영 효율을 높일 수 있다는 설명이다. 다만 구체적인 고객 비중과 광고 효과를 이 글에서 독립 확인한 것은 아니다. 특히 Meta가 Anthropic 사업의 최대 10%를 차지했다는 대목은 원문도 소문이라고 한정한다. RLDR 00:00–01:05
이 글의 출발점도 특정 기업의 이익 추정치보다 거래 구조에 있다. 사용자는 지불한 비용보다 큰 편익을 기대해야 서비스를 계속 산다. 모델 회사는 그 편익 가운데 일부를 가격으로 가져간다. 여기에 앱을 만든 회사와 연산 자원을 제공하는 회사가 각자의 대가를 받는다. 같은 AI 사용에서 생기는 가치와 매출을 여러 번 더하면 전체 규모를 과장할 수 있다.
최종 사용자, 앱, 모델, 공급망은 서로 다른 몫을 받는다
대화는 가치가 이동하는 네 위치를 구분한다. 최종 사용자, 앱, 모델, 하드웨어와 인프라 공급망이다. Dylan은 과거에는 모델 서비스가 인프라 원가보다 낮은 가격으로 토큰을 팔면서 손실을 봤고, 공급망이 더 큰 몫을 가져갔다고 설명한다. 이후 모델 수익성이 개선되면서 가치가 머무는 위치도 바뀌었다는 주장이다. 앱 계층이 지금까지 큰 가치를 만들지 못했다는 평가는 그의 포괄적인 판단이지, 모든 앱 기업을 조사한 결과가 아니다. RLDR 01:48–03:29
이 구분에서 매출총이익률과 회사 전체의 이익도 나눠야 한다. 서비스를 제공하는 직접 원가를 뺀 매출총이익이 양수여도, 연구 인력과 모델 훈련, 장기 설비 투자까지 고려한 전체 수익성은 다를 수 있다. 따라서 모델을 제공할수록 돈을 번다는 설명을 회사가 모든 비용을 충당했다는 증거로 읽을 수 없다.
화자들은 메가와트당 비용과 매출을 비교한다. 이 수치는 연산 설비의 전력 용량을 매개로 사업 규모를 모델링한 값이다. 전력 1MW 자체가 고정된 토큰 수나 매출을 만들어 내는 것은 아니다. 칩 구성, 가동률, 모델, 출력 길이, 가격, 계약 기간이 달라지면 결과도 달라진다. 인터뷰의 수치를 기업의 공개 결산이나 현재 클라우드 가격표처럼 사용해서는 안 된다.
해석하자면, 어느 계층이 더 큰 몫을 가져가는지는 기술이 발전한다는 사실만으로 결정되지 않는다. 고객이 대체 서비스를 찾기 쉬운지, 특정 모델이 더 큰 편익을 만드는지, 연산 자원을 얼마나 빨리 늘릴 수 있는지가 가격 협상에 영향을 준다. 이 글은 그 구조를 설명하며 투자 수익률을 예측하지 않는다.
컴퓨트를 미리 지은 회사와 계약 뒤에 짓는 회사
Dylan은 이미 사용할 수 있는 컴퓨트를 가진 공급자와, 고객 계약을 받아야 설비를 지을 수 있는 공급자를 비교한다. 후자의 일반적인 흐름은 고객의 장기 사용 약정을 확보하고, 그 약정을 근거로 자금을 조달하고, 설비를 구축하는 것이다. 반면 자금력이 큰 회사는 최종 수요자가 확정되기 전에 자원을 준비할 수 있다는 설명이다. RLDR 03:29–06:07
그는 SpaceX와 Meta를 이 차이를 설명하는 사례로 든다. 이미 확보한 용량을 내부에서 사용할지, 더 높은 가격에 다른 연구소에 제공할지 선택할 수 있다는 주장이다. 인터뷰에 등장하는 회사별 계약 가격은 공개 계약서로 검증한 값이 아니다. 구체적인 거래 수치와 그 수치로 설명하는 경제적 원리를 분리해야 한다.
원리는 공급의 시간차다. 모델 회사가 지금 당장 추가 용량으로 높은 매출을 만들 수 있어도 새 데이터센터를 즉시 완공할 수는 없다. 이미 사용할 수 있는 자원의 가치는 이런 제약 아래에서 높아질 수 있다. 반대로 고객과 금융기관의 약정에 묶인 공급자는 시장 가격이 바뀌었다고 곧바로 기존 가격을 모두 바꾸기 어렵다.
이 부분의 기술적 함의는 모델 개선과 인프라 확장이 서로 다른 속도로 일어난다는 점이다. 모델의 단위 연산당 유용성이 높아져도, 그 증가분이 모델 회사의 이익으로만 남지는 않는다. 희소한 공급자가 가격을 올리거나 고객이 더 낮은 가격을 요구하면 몫은 다시 나뉜다.
수익성이 좋아져도 공급 가격은 그대로 있지 않는다
두 사람은 모델의 메가와트당 매출이 커지면 컴퓨트 가격이 어떻게 달라질지 검토한다. Dylan은 가격 변화가 공급망 전체에 즉시 전달되지는 않지만, 시간이 지나면 여러 공급자가 자신의 가격을 조정할 수 있다고 설명한다. 메모리, 기판, 반도체 생산처럼 반응 속도가 다른 공급자들도 구분한다. RLDR 06:31–07:43
두 사람은 2027년 말 매출의 예상 수준부터 다르게 본다. Dylan은 회사 전체 평균이 메가와트당 7,000만~8,000만 달러, 또는 그 이상이 될 수 있다고 말한다. 진행자는 최고 성능 모델을 충분히 활용할 수 있다면 메가와트당 1억 달러도 낮은 예상 아니냐고 반문한다. 모두 인터뷰 당시의 전망이다. 어떤 모델을 사용할 수 있는지, 최고 성능 모델을 내부와 외부에 실제 배치할 수 있는지에 따라 결과가 달라진다는 조건이 붙는다. Dylan의 추산, RLDR 06:22, 진행자의 반론, 08:54
배치 제한은 기술 성능과 사업 성과 사이의 간격을 만든다. 좋은 모델을 만들었더라도 안전성 평가나 접근 제한 때문에 사용하지 못하면, 모델의 잠재적 능력을 당장의 외부 매출로 바꿀 수 없다. 영상에서 언급한 여러 모델명과 제약은 인터뷰 당시 발언의 맥락이다. 이 글은 각 제품의 현재 이용 가능 상태를 안내하지 않는다.
관련하여 OpenAI는 2026년 8월 공개 글에서 배치 예정인 최신 모델의 강화학습을 2주간 중단하고 연구 환경 강화와 공격 관점의 점검을 진행한다고 밝혔다. 모든 AI 연구나 모든 모델 훈련의 영구 중단을 의미하지 않는다. 이는 인터뷰의 배치 제약 논의를 이해하는 별도의 공개 근거다. OpenAI의 당시 설명
오늘의 매출을 포기하고 다음 모델을 만드는 선택
마지막 부분에서 질문이 바뀐다. 추가 컴퓨트로 외부 고객에게 토큰을 팔 수도 있고, 그 컴퓨트를 내부 연구에 쓸 수도 있다면 무엇을 선택할까.
진행자는 전체 용량이 20GW이고 훈련 비중을 60%에서 70%로 높이는 상황을 가정한다. 10%포인트의 변화는 2GW다. 외부 판매에서 1GW당 1,000억 달러의 매출을 낼 수 있다고 가정하면, 연구에 2GW를 더 쓰는 선택은 2,000억 달러의 매출 기회를 포기하는 셈이다. 메가와트당 1억 달러를 기가와트 단위로 환산한 조건부 계산이다. 투자자는 당장 팔 수 있는 서비스를 줄인 이유를 묻게 된다. RLDR 09:11–09:43
이 산술은 투자자와 연구소가 느낄 수 있는 긴장을 설명하는 사고 실험이다. 단가부터 미래 전망에 기대고 있으므로, 특정 회사가 실제로 내린 배분 결정이나 발생한 손실액으로 읽으면 안 된다.
Dylan은 시간이 지날수록 연구소가 외부 추론에 배분하는 컴퓨트의 비율을 줄일 수 있다고 말한다. 당장 더 많은 토큰을 파는 것보다 더 좋은 모델을 만드는 기대 가치가 클 수 있기 때문이다. 그는 이것을 자신의 비주류 견해라고 명시한다. 영상 제목의 ‘매출 대신 AGI’도 이 전망을 압축한 표현이다. Anthropic의 공식 자원 배분 계획이 공개됐다는 뜻으로 읽으면 범위를 넘어선다. RLDR 10:01–11:18
그가 말하는 내부 사용에는 다음 모델을 훈련하는 계산뿐 아니라 연구자가 쓰는 강한 AI의 추론도 들어간다. 외부 고객에게 판매되지 않았다고 추론 자체가 없어진 것은 아니다. 내부 모델이 코드 작성, 실험 설계, 결과 분석을 돕는다면 추론 컴퓨트가 연구개발 활동에 쓰일 수 있다. 따라서 훈련과 추론이라는 기술 분류와 외부 매출과 내부 R&D라는 사업 분류를 일대일로 겹쳐 놓으면 안 된다.
의사결정의 기준은 기회비용이다. 같은 자원을 외부 판매에 썼을 때의 가치와 내부 연구에 썼을 때의 기대 가치를 비교한다. 미래의 더 좋은 모델이 큰 가치를 만든다는 기대가 있어도, 그 성과를 얻을 확률과 시간, 외부 서비스의 현금흐름이 얼마나 필요한지에 따라 실제 선택은 달라질 수 있다. 내부 연구를 늘리는 것이 언제나 더 수익성이 높다는 법칙은 이 인터뷰로 입증되지 않는다.
매출의 증가 속도만으로 내부 배분을 알 수 있을까
끝에서 Dylan은 Anthropic이 컴퓨트를 계속 추가하는데 월별 매출 증가 폭은 일정하지 않다는 점을 근거로, 이미 R&D에 더 큰 비중을 배분하고 있다고 해석한다. 이 추론은 그의 관찰과 모델링에 속한다. 내부 자원 배분표를 공개해 검증한 결과는 아니다. RLDR 11:18–12:55
매출과 용량의 움직임만으로 그 원인을 하나로 정하기는 어렵다. 새 용량의 실제 가동 시점, 서비스 구성, 가격 변화, 가동률, 계약의 매출 인식 시점도 영향을 줄 수 있기 때문이다. 이들은 이 글이 제시하는 대안 설명이다. 어느 설명이 맞는지는 추가 자료가 필요하다.
또한 비중이 줄어드는 것과 절대량이 줄어드는 것은 다르다. 전체 컴퓨트가 두 배가 되고 외부 추론 비중이 40%에서 30%로 낮아졌다고 가정하면, 외부 추론에 쓰는 절대량은 오히려 50% 늘어난다. 이것은 비율을 이해하기 위한 가상 계산이다. 영상의 미래 전망을 외부 서비스가 곧 축소된다는 단정으로 바꿔서는 안 되는 이유다.
이 대화가 남기는 질문은 AI의 가치를 누가 얼마나 가져가느냐에 그치지 않는다. 좋은 모델이 생겼을 때 그 능력이 외부 제품으로 언제 나오는지, 다음 모델을 만드는 내부 연구에 얼마나 쓰이는지까지 보아야 한다. 더 유용한 AI가 곧 더 많은 외부 매출로 이어지는 경로와, 내부 연구의 가치를 높여 자원을 다시 안으로 모으는 경로는 함께 존재할 수 있다. 어느 경로가 강해지는지는 가격표 하나로 확인할 수 없다.