---
title: "모델이 상품이 될 때, 돈은 어디로 흐르는가 — AI 가치사슬의 모트"
url: https://blog.tyrano.dev/%EB%AA%A8%EB%8D%B8%EC%9D%B4-%EC%83%81%ED%92%88%EC%9D%B4-%EB%90%A0-%EB%95%8C-%EB%8F%88%EC%9D%80-%EC%96%B4%EB%94%94%EB%A1%9C-%ED%9D%90%EB%A5%B4%EB%8A%94%EA%B0%80-ai-%EA%B0%80%EC%B9%98%EC%82%AC%EC%8A%AC%EC%9D%98-%EB%AA%A8%ED%8A%B8
lang: ko
site: Tech AI News - 테카이
category: "AI 산업 분석"
tags: ["AI","인공지능","AI 가치사슬","모트","커머디티화","토큰경제","LLM","비즈니스모델"]
published: 2026-10-26T07:11:24.275Z
updated: 2026-10-26T07:11:24.275Z
sources:
  - https://www.normaltech.ai/p/up-the-stack-how-ais-escape-from
  - https://a16z.com/2023/01/19/who-owns-the-generative-ai-platform/
  - https://clariceqiu.substack.com/p/the-year-the-commodity-layer-ate
  - https://advisoranalyst.com/2026/09/22/the-intelligence-layer-mckinsey-maps-14-technologies-reshaping-the-economy-in-2026.html/
  - https://new.philippdubach.com/posts/is-ai-really-eating-the-world-1/2/index.md
---

# 모델이 상품이 될 때, 돈은 어디로 흐르는가 — AI 가치사슬의 모트

> 같은 모델을 가져다 쓰는 회사들인데 누구는 돈을 벌고 누구는 못 번다면, 그 차이는 모델이 아니라 모델 위·아래 어디에 서 있느냐에서 나옵니다.

---

## 배경 / 왜 지금 이 주제인가

AI 모델 가격은 계속 떨어지고 있습니다. API 가격을 추적한 분석([Philipp Dubach, 2026년 5월](https://new.philippdubach.com/posts/is-ai-really-eating-the-world-1/2/index.md))에 따르면 동급 성능 모델의 토큰 단가는 출시 이후 최대 97% 하락했습니다. 이 흐름만 보면 "모델은 곧 상품(commodity, 품질 차이가 사라져 가격으로만 경쟁하는 재화)이 된다"는 결론이 자연스럽습니다.

문제는 그 다음입니다. 모델이 상품화된다고 해서 그 위의 애플리케이션이 저절로 돈을 버는 건 아닙니다. 이 글에서는 AI 가치사슬을 모델·애플리케이션·운영 잔여물(고객마다 쌓이는 데이터·워크플로 종속성) 세 구간으로 나눠, 실제 방어력(모트, moat — 경쟁자가 쉽게 침범하지 못하는 구조적 우위)이 어디에 생기는지를 봅니다.

## 핵심 데이터 & 현황

- **API 가격 하락폭:** 동급 모델 기준 최대 97% (Philipp Dubach 집계, 2026년 5월)
- **Anthropic 연간반복매출(ARR):** 2025년 말 약 90억 달러 → 2026년 중반 440억 달러 이상, 추론 매출총이익률 약 38% → 70% 이상 (SemiAnalysis 추정치, [Clarice Qiu 재인용](https://clariceqiu.substack.com/p/the-year-the-commodity-layer-ate), 감사받은 재무제표 아님)
- **기업의 AI 성과 체감:** 조직의 89%가 최소 한 기능에서 AI를 정기적으로 쓰지만, 수익에 긍정적 영향을 체감한 비율은 37%에 그침 (McKinsey 2026년 조사, [AdvisorAnalyst 재인용](https://advisoranalyst.com/2026/09/22/the-intelligence-layer-mckinsey-maps-14-technologies-reshaping-the-economy-in-2026.html/))

> 해석: 토큰 가격은 떨어지는데 모델 기업 매출은 급등했고, 기업은 AI를 널리 쓰는데 수익 체감은 1/3에 머뭅니다. "가치 창출"과 "가치 포획"이 분리돼 있다는 신호입니다. AI가 만드는 전체 가치는 계속 커지지만, 그중 누가 얼마를 가져가는지는 레이어마다 다릅니다.

## 심층 분석

### 모델 레이어 — 커머디티화는 "쉬운 일"에서 먼저 온다

모델이 상품화된다는 논리는 성능 수렴과 낮은 전환 비용을 전제합니다. 범용 작업에서는 이 전제가 맞습니다. 그러나 [Clarice Qiu의 반론](https://clariceqiu.substack.com/p/the-year-the-commodity-layer-ate)은 이것이 "평균 지능 비용"만 본 것이라고 짚습니다. 쉬운 작업은 빠르게 상품화되지만, 기업의 지불 의사는 난이도가 높은 작업에 몰립니다. 코딩 에이전트처럼 사람의 인건비를 대체하는 작업에서는 가격이 아니라 대체되는 인건비가 지불 기준이 됩니다. 분석: 모델 레이어는 "모든 모델이 같다"가 아니라 "쉬운 일은 같고 어려운 일은 차이 난다" 쪽으로 평평해지는 것으로 보입니다.

### 애플리케이션 레이어 — 얇은 래퍼는 가장 먼저 밀려난다

모델 API를 그대로 감싸기만 한 "얇은 래퍼(thin wrapper)" 서비스는 모델 레이어의 가격·성능 변화를 그대로 떠안습니다. 추론 비용이 떨어지면서 결과 기반 과금으로 차별화하던 앱들이 다시 정액제·좌석당 과금으로 돌아가는 흐름도 이 압박의 결과로 해석됩니다. a16z가 2023년 초 생성형 AI 시장을 분석한 글([a16z, "Who Owns the Generative AI Platform?"](https://a16z.com/2023/01/19/who-owns-the-generative-ai-platform/))은 당시 "눈에 보이는 체계적인 모트는 없다"고 결론 내렸습니다. 3년 가까이 지난 지금도 이 구도는 크게 달라지지 않았습니다 — 다만 "어떤 종류의" 애플리케이션이냐에 따라 격차가 벌어지기 시작했습니다.

### 운영 잔여물 — 모델도 앱도 아닌, 쌓인 것

[normaltech.ai의 분석](https://www.normaltech.ai/p/up-the-stack-how-ais-escape-from)은 모트가 레이어 자체보다 그 위에 "쌓이는 것"에서 나온다고 봅니다. 고객별로 축적되는 메모리·문서·워크플로(임베딩 모트), 다년 계약과 번들링(상업적 모트), 사용자가 도구 사용법에 익숙해지는 효과(행동적 모트)가 그 예입니다. 쌓인 데이터와 익숙해진 업무 흐름을 통째로 옮기는 비용이 모델 전환 비용보다 훨씬 크기 때문에, 모델을 바꿔도 이런 모트는 쉽게 사라지지 않습니다. 분석: 모델이 평평해질수록, 운영 잔여물을 많이 쌓은 쪽의 우위는 역설적으로 더 선명해질 수 있습니다.

## 국내 시사점

국내 기업·기관 대부분은 모델·인프라 레이어가 아니라 애플리케이션이나 내부 도구 레이어에 서 있습니다. 이 분석을 적용하면 "어떤 모델을 쓰느냐"보다 "모델을 둘러싼 데이터와 업무 프로세스를 얼마나 자사 환경에 묶어 두느냐"가 더 중요해집니다. 모델 벤더 교체 가능성을 열어 두면서도, 사내 문서·업무 이력·승인 흐름처럼 쉽게 옮길 수 없는 자산을 AI 워크플로 안에 쌓는 설계가 모델 선택보다 비중 있게 다뤄져야 한다는 뜻입니다. 콘텐츠·DAM(디지털 자산관리) 분야처럼 기업 콘텐츠 파이프라인에 AI를 접목하는 경우도 비슷합니다. 분석: 이런 도구의 방어력은 생성 품질보다 기존 콘텐츠 자산·메타데이터·승인 프로세스와 얼마나 깊이 엮여 있는지에서 나올 가능성이 높습니다.

## 전망 & 주목할 변수

- **긍정 변수:** 추론 비용 하락이 계속되면 지금까지 비용 때문에 AI를 못 쓰던 작업까지 적용 범위가 넓어져 애플리케이션 레이어 전체의 시장이 커질 수 있습니다.
- **리스크 변수:** 운영 잔여물 기반 모트가 강해질수록, 먼저 데이터를 많이 쌓은 소수 플랫폼으로 선택지가 좁아질 위험이 있습니다. normaltech.ai는 이런 락인이 굳어지기 전에 상호운용성·전환 비용 기준이 필요하다고 제언합니다.
- **체크포인트:** 특정 서비스의 매출 증가가 "쉬운 작업의 대량 처리"에서 나오는지, "어려운 작업의 대체 가치"에서 나오는지를 구분해 보는 것이 가치 포획 구조를 읽는 데 유용합니다.

## 결론

- 모델 레이어의 가격 경쟁은 실재하지만, "쉬운 작업"에서 두드러지고 "어려운 작업"에서는 격차가 남아 있습니다.
- 애플리케이션 레이어 전체가 유리한 게 아니라, 모델을 얇게 감싸기만 한 서비스는 오히려 가장 먼저 압박을 받습니다.
- 실제 방어력은 레이어 자체보다, 그 위에 고객별로 쌓이는 데이터·워크플로 종속성에서 더 뚜렷하게 나타나는 경향이 있습니다.

## 코멘트
