결론: 프론티어랩은 모델 호출이 아니라 ‘AI 노동의 운영체제’를 팔아야 합니다

엣지 디바이스와 개인용 AI 서버에 가벼운 foundation model이 들어가기 시작하면, AI 산업의 수익 구조는 크게 달라집니다. Qwen, Llama, DeepSeek, Mistral, Ollama 기반 로컬 모델이 개인 PC와 사내 서버에서 충분히 쓸 만해질수록 단순 요약, 번역, 짧은 글쓰기, 기본 코딩, 문서 검색 같은 작업은 더 이상 최고가 프론티어 모델의 독점 영역이 아닙니다.

그렇다고 OpenAI와 Anthropic 같은 프론티어랩의 가치가 사라지는 것은 아닙니다. 오히려 역할이 바뀝니다. 앞으로 이들이 팔아야 할 것은 “챗봇 답변”이나 “토큰” 자체가 아니라, 여러 모델과 도구와 데이터를 묶어 실제 업무를 끝내는 상위 계층입니다.

핵심은 한 문장으로 정리됩니다.

로컬 모델은 저비용 실행자가 되고, 프론티어 모델은 지휘관·감사역·고난도 문제 해결사가 됩니다.

AI 산업의 돈은 점점 모델 호출에서 업무 완수로 이동합니다. 이 전환을 이해해야 Microsoft의 MAI-Thinking-1, NVIDIA의 DGX Spark, OpenAI와 Anthropic의 에이전트 전략을 같은 그림 안에서 볼 수 있습니다.

1. AI 시장은 하나의 모델 경쟁이 아니라 3층 스택 경쟁이 되고 있습니다

지금 AI 시장은 “누가 가장 큰 모델을 만들었는가”만으로 설명하기 어렵습니다. 더 중요한 변화는 모델이 쓰이는 위치가 나뉘고 있다는 점입니다. 클라우드의 거대 모델, 하이퍼스케일러의 자체 모델, 개인·기업 내부에서 돌아가는 로컬 모델이 동시에 커지고 있습니다.

1층: 로컬·엣지 AI — 저비용 실행자

첫 번째 층은 로컬과 엣지입니다. 여기에는 Ollama, Qwen, Llama, DeepSeek, Mistral, Nemotron, AI PC, 개인 서버, NVIDIA DGX Spark 같은 장치와 모델 생태계가 들어갑니다.

이 층의 장점은 분명합니다. 비용이 낮고, 응답이 빠르며, 민감한 데이터를 외부로 보내지 않아도 됩니다. 인터넷 연결 없이도 쓸 수 있고, 개인 파일이나 사내 문서에 붙이기도 쉽습니다. 반복적이고 난도가 낮은 작업에는 특히 강합니다.

앞으로 이메일 정리, 회의록 요약, 사내 문서 검색, 개인 메모 정리, 간단한 스크립트 작성, 내부 FAQ, 기본 RAG 시스템은 이 층으로 많이 내려갈 가능성이 큽니다. 기업 입장에서도 굳이 모든 내부 문서를 외부 API로 보낼 이유가 줄어듭니다.

즉, 저난도 inference는 로컬 모델이 가져갑니다. 이 부분은 프론티어랩 입장에서 분명한 가격 압박입니다.

2층: 하이퍼스케일러 자체 모델 — 기업 배포 계층

두 번째 층은 Microsoft, Google, Amazon 같은 하이퍼스케일러의 자체 모델과 기업 배포 플랫폼입니다. Microsoft의 MAI-Thinking-1은 이 층의 상징적인 사례입니다.

Microsoft가 공개한 MAI-Thinking-1은 약 35B active parameter, 약 1T total parameter 규모의 sparse MoE reasoning 모델로, 긴 context와 수학·코딩·기업용 reasoning을 강조합니다. 중요한 것은 이 모델 하나의 benchmark가 아니라 Microsoft가 자체 모델 개발 루프를 갖추고 있다는 신호입니다.

Microsoft의 전략은 단순하지 않습니다. OpenAI의 최고 모델을 쓰면서, 자체 MAI 모델도 만들고, 오픈소스 모델도 Azure에서 돌리고, 이를 Foundry, Copilot, Office, GitHub, Windows 생태계 안에 묶어 팝니다.

이 구조에서 Microsoft는 순수 모델 회사가 아니라 기업 AI 배포권을 가진 플랫폼 회사가 됩니다. 고객은 모델 이름 하나를 사는 것이 아니라, 보안·권한·워크플로우·업무 시스템 연결까지 포함된 배포 계층을 삽니다.

3층: 프론티어랩 — 상위 두뇌와 검증 계층

세 번째 층은 OpenAI, Anthropic, Google DeepMind 같은 프론티어랩입니다. 이들은 계속 가장 어려운 문제를 푸는 모델을 만듭니다. 장기 reasoning, 복잡한 코드베이스 수정, 과학·수학 문제, 전략 판단, agent planning, tool use, 결과 검증, 작은 모델의 평가와 학습 보조가 이 영역에 들어갑니다.

앞으로 모든 작업을 프론티어 모델이 직접 처리할 필요는 없습니다. 더 자연스러운 구조는 다음과 같습니다.

평범한 작업: 로컬 Qwen / Llama / Ollama
중간 작업: 기업용 MAI / Claude Sonnet / GPT mini
고난도 작업: GPT / Claude / DeepMind frontier model
전체 조율: router / orchestrator / agent OS

이 구조에서 프론티어랩은 모든 inference를 독점하지 못합니다. 대신 가장 어려운 순간에 호출되는 상위 두뇌, 그리고 여러 모델을 조율하는 운영체제가 됩니다.

2. 프론티어랩이 잃는 시장은 분명합니다

엣지 AI와 오픈 모델의 확산은 프론티어랩에 위협입니다. 특히 단순하고 반복적인 작업은 가격이 빠르게 내려갑니다.

첫째, 단순 챗봇 API는 commodity가 됩니다. 요약, 번역, 짧은 글쓰기, 기본 Q&A는 점점 로컬 모델로 충분해집니다. 이 영역에서 프론티어 모델을 매번 호출할 이유는 약해집니다.

둘째, 저난도 코딩도 압박을 받습니다. boilerplate 코드, 간단한 함수, SQL, 스크립트, 테스트 초안 작성은 오픈 모델이 빠르게 따라옵니다. Qwen Coder류 모델이나 로컬 coding assistant가 충분히 좋아지면, 프론티어 API의 사용 빈도는 줄어들 수 있습니다.

셋째, 사내 문서 검색과 기본 RAG는 프라이빗 모델이 유리합니다. 기업은 내부 문서, 고객 정보, 계약서, 인사 데이터, 보안 자료를 외부 API에 보내는 것을 부담스러워합니다. 비용과 보안이 동시에 중요해지면 로컬·온프레미스 모델의 매력이 커집니다.

넷째, 개인 자동화도 로컬로 내려갑니다. 개인 서버, AI PC, NAS, 로컬 agent가 보급되면 일정 정리, 파일 검색, 개인 지식관리, 메모 요약은 클라우드 프론티어 모델이 아니라 개인 장치에서 처리될 수 있습니다.

따라서 저부가가치 inference 매출은 구조적으로 압박받습니다. 이 부분을 방어하려고 단순히 모델 크기 경쟁만 계속하는 것은 충분한 전략이 아닙니다.

3. 그러나 더 큰 시장은 ‘업무 완수’ 쪽에서 열립니다

프론티어랩이 사라지지 않는 이유는 AI 작업의 난도가 균일하지 않기 때문입니다. 쉬운 작업은 로컬로 내려가도, 어려운 작업은 계속 남습니다. 그리고 기업이 진짜 돈을 내는 지점은 단순 답변이 아니라 업무가 끝나는 순간입니다.

예를 들어 “코드 한 조각을 써주는 것”은 저렴합니다. 하지만 대형 코드베이스에서 버그 원인을 찾고, 테스트를 통과시키고, PR을 만들고, 리뷰를 반영하고, 배포 가능한 상태로 만드는 것은 훨씬 비싸게 팔 수 있습니다.

고객센터도 마찬가지입니다. 답변 초안을 쓰는 것은 저렴합니다. 그러나 고객 문의를 끝까지 해결하고, CRM을 업데이트하고, 환불·계약·재고 시스템과 연결해 실제 ticket을 닫는 것은 더 큰 가치입니다.

리서치도 마찬가지입니다. 기사 몇 개를 요약하는 것은 저렴합니다. 여러 출처를 검토하고, 충돌하는 정보를 정리하고, 투자 판단에 필요한 조건과 리스크를 분리해 리포트를 완성하는 것은 더 높은 부가가치입니다.

그래서 BM은 이렇게 바뀝니다.

기존: 토큰당 과금
전환기: 좌석 구독 + API 사용량
미래: 완료한 업무당 과금

프론티어랩이 장기적으로 가야 할 시장은 이쪽입니다. 토큰은 commodity가 될 수 있지만, 검증된 업무 결과물은 쉽게 commodity가 되지 않습니다.

4. 핵심 계층은 AI router와 agent orchestrator입니다

앞으로 기업과 개인은 하나의 모델만 쓰지 않을 가능성이 높습니다. 로컬 Qwen, 사내 fine-tuned Llama, Microsoft MAI, Claude Sonnet, GPT frontier, 특정 분야 전문 모델이 함께 쓰입니다.

문제는 사용자가 매번 어느 모델을 쓸지 직접 판단하기 어렵다는 점입니다. 어떤 작업은 로컬 모델로 충분하고, 어떤 작업은 외부로 보내면 안 되며, 어떤 작업은 반드시 프론티어 모델의 검증을 받아야 합니다. 어떤 단계는 자동으로 처리해도 되지만, 어떤 단계는 사람의 승인이 필요합니다.

따라서 필요한 계층은 AI router와 agent orchestrator입니다. 이 계층은 다음을 판단합니다.

• 이 작업은 로컬 모델로 충분한가?
• 민감한 데이터가 있어서 외부로 보내면 안 되는가?
• 어느 단계에서 프론티어 모델을 호출해야 하는가?
• 로컬 모델의 답변을 믿어도 되는가?
• 실패하면 어떤 모델로 재시도해야 하는가?
• 비용 한도 안에서 어떤 모델 조합이 최적인가?
• 사람 승인이 필요한 단계는 어디인가?

이것은 단순 챗봇이 아닙니다. AI 시대의 작업 배분 운영체제입니다.

역설적으로 로컬 모델이 많아질수록 프론티어랩이 장악할 수 있는 조율 계층의 가치가 커집니다. 실행자가 많아질수록 지휘관과 감사역이 필요해지기 때문입니다.

5. 기업은 모델보다 ‘안전하게 일하게 해주는 시스템’을 삽니다

기업 고객이 실제로 사는 것은 모델 하나가 아닙니다. 기업은 보안, 권한 관리, 감사 로그, SSO, 데이터 경계, 내부 시스템 연동, 비용 관리, 모델 평가, hallucination 방지, 사람 승인 workflow, 법무·컴플라이언스까지 함께 삽니다.

이 모든 것을 묶으면 Enterprise AI OS가 됩니다.

OpenAI는 ChatGPT Enterprise, workspace agents, developer platform, consumer distribution을 기반으로 개인·업무 OS에 가까운 방향을 노릴 수 있습니다. 사용자의 메일, 캘린더, 문서, 코드, 브라우저, 앱을 ChatGPT agent가 조율하는 그림입니다.

Anthropic은 조금 다릅니다. Anthropic의 강점은 고신뢰 AI, long-context knowledge work, coding agent, 안전한 tool use, 기업용 API에 있습니다. Claude Code와 Claude Enterprise의 방향은 “모두의 개인 비서”라기보다 기업 지식노동을 안전하게 자동화하는 인프라에 가깝습니다.

오픈소스 모델이 많아질수록 기업은 오히려 더 많은 질문을 하게 됩니다. 이 모델이 개인정보를 유출하지 않는가? 답변을 법적으로 믿어도 되는가? 누가 어떤 데이터를 봤는가? agent가 tool을 잘못 호출하면 누가 책임지는가? 내부 정책과 규제를 지키는가?

이 지점에서 trust, safety, compliance layer가 사업모델이 됩니다. AI 감사 로그, policy enforcement, red-team/evaluation, agent permissioning, secure tool use, model behavior certification은 단순 오픈 모델만으로 쉽게 대체하기 어렵습니다.

6. Microsoft의 참전은 OpenAI에 플랫폼 압박을 줍니다

MAI-Thinking-1이 중요한 이유는 Microsoft가 OpenAI를 버린다는 뜻이어서가 아닙니다. 더 정확히는 Microsoft가 여러 모델을 조합해 기업 AI 배포권을 장악하려 한다는 신호입니다.

기존 구도는 비교적 단순했습니다.

OpenAI: 최고 모델
Microsoft: Azure, Office, GitHub, Windows 배포

하지만 Microsoft가 자체 모델을 키우면 구도는 바뀝니다.

Microsoft:
- OpenAI 모델도 쓴다
- 자체 MAI 모델도 쓴다
- 오픈소스 모델도 Azure에서 돌린다
- 고객에게는 Foundry/Copilot으로 묶어서 판다

이렇게 되면 OpenAI는 단순 모델 공급업체로 남아서는 안 됩니다. Microsoft가 일부 Copilot workload를 자체 MAI 모델로 돌리거나 비용 효율 모델로 대체할 수 있기 때문입니다.

따라서 OpenAI는 독립적인 consumer platform, enterprise direct sales, agent ecosystem, developer platform, 그리고 필요하다면 hardware/edge partnership까지 강화해야 합니다. Microsoft의 참전은 OpenAI에게 “너도 플랫폼이 되어야 한다”는 압박입니다.

7. NVIDIA Spark의 의미: 모델이 어디서 돌든 컴퓨팅 스택을 장악합니다

NVIDIA의 포지션은 다릅니다. NVIDIA는 OpenAI가 이기든, Anthropic이 이기든, Qwen이 이기든, Microsoft MAI가 이기든 상관없이 이렇게 말하는 회사입니다.

그 모델을 내 GPU와 내 소프트웨어 스택 위에서 돌려라.

DGX Spark와 RTX Spark류의 의미는 AI 컴퓨팅을 클라우드 데이터센터에서 책상 위로 내리는 것입니다. 개인, 팀, 기업 부서 단위로 local agent와 open model을 개발하고 실험할 수 있게 만듭니다. 이는 오픈 모델 생태계를 NVIDIA stack 안에 묶는 전략이기도 합니다.

엣지 AI가 커져도 NVIDIA가 불리해지는 것은 아닙니다. 클라우드에서 학습하고, 데이터센터에서 추론하고, 개인 서버와 AI PC에서 로컬 모델을 돌리는 모든 경로에 NVIDIA가 들어갈 수 있기 때문입니다.

그래서 NVIDIA는 프론티어랩과 정면 경쟁한다기보다 모든 모델 회사의 기반 인프라를 먹는 쪽에 가깝습니다.

8. 투자 관점: 성장은 확장되지만 유동성 비용은 남아 있습니다

성장 측면에서 이 흐름은 AI thesis를 강화합니다. AI가 클라우드 챗봇 하나에 머무르지 않고 개인 PC, 개인 서버, 기업 온프레미스, 클라우드, 공장, 로봇, 자동차, 개발자 IDE, Office, 보안 시스템, 고객센터, 회계·법무·영업 시스템으로 내려가기 때문입니다.

즉 AI는 하나의 앱이 아니라 컴퓨팅 패러다임 전체가 되고 있습니다.

수혜 영역도 나뉩니다.

다만 유동성 측면의 부담도 남아 있습니다. 프론티어 모델은 학습 CapEx, inference 비용, 데이터센터, 전력, HBM, 네트워크, 인재 비용이 모두 큽니다. 금리가 높고 위험선호가 약하면 독립 프론티어랩의 자금조달 부담은 커집니다. 반대로 금리 인하, 빅테크의 강한 free cash flow, AI CapEx 정당화가 이어지면 투자는 계속 강할 수 있습니다.

따라서 투자적으로는 성장 축과 유동성 축을 함께 봐야 합니다. AI의 확산은 성장 축을 넓히지만, 프론티어 모델 경쟁은 여전히 자본비용과 현금흐름의 싸움입니다.

최종 판단: 엣지 AI는 프론티어랩의 끝이 아니라 재정의입니다

엣지 디바이스와 개인 서버에 가벼운 foundation model이 들어가는 시대는 프론티어랩에 위협입니다. 단순 API, 일반 챗봇, 저난도 요약·번역·코딩의 가격은 내려갈 가능성이 높습니다.

하지만 동시에 이 변화는 더 큰 시장을 엽니다. 모델이 많아질수록 사람과 기업은 어떤 모델을 언제 써야 하는지, 로컬 모델의 답변을 믿어도 되는지, 민감한 데이터를 어디까지 외부로 보내도 되는지, agent가 tool을 잘못 호출하지 않게 어떻게 막을지, 업무가 실제로 완료됐는지 누가 검증할지 묻게 됩니다.

이 문제를 해결하는 계층이 프론티어랩의 미래 사업모델입니다.

로컬·오픈소스 모델:
저비용 실행자

Microsoft·Google·Amazon 같은 하이퍼스케일러:
기업 배포권 + 클라우드 + 자체 중형 모델

OpenAI·Anthropic 같은 프론티어랩:
최고 지능 + 에이전트 운영체제 + 검증·보안·조율 계층

결국 AI 산업의 돈은 “모델 호출”에서 “업무 완수”로 이동합니다. OpenAI와 Anthropic이 장기적으로 살아남는다면, 그들은 단순 LLM 회사가 아니라 AI 노동을 배분·수행·검증하는 운영체제 회사가 되어 있을 가능성이 큽니다.