Tech AI News - 테카이

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

· 5분 읽기

Read this post in English →

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)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, 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)

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 반론은 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?")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 분석은 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.

참고 링크

  • #AI
  • #인공지능
  • #AI 가치사슬
  • #모트
  • #커머디티화
  • #토큰경제
  • #LLM
  • #비즈니스모델
AI 산업 분석

2026 AI 산업의 진짜 전선은 모델이 아니다 — '토큰 경제' 부상과 한국 기업의 3축 전략

2026년 AI 산업의 승부처는 더 이상 '어떤 모델이 더 똑똑한가'가 아닙니다. Anthropic-SpaceX 컴퓨팅 계약, 미 국방부 8개사 AI 선정, Goldman Sachs의 7.6조 달러 전망은 한 방향을 가리킵니다 — 토큰이 새 화폐가 되는 'AI 컴퓨팅 경제'의 본격 개막입니다. 한국 기업은 모델 성능 비교를 넘어 '토큰 비용–전력·칩 공급–사용 정책'을 묶는 3축 전략으로 즉시 재정렬해야 합니다.

· 10분

AI 산업 분석

AI와 인간관계·정신건강의 미래

AI 챗봇이 우울 증상을 절반 가까이 줄였다는 임상시험 결과와, AI 친구에 의존할수록 외로움이 깊어진다는 연구가 같은 시기에 나왔습니다. AI가 마음의 치료제가 될지, 관계의 대체재가 되어 고립을 심화시킬지 — 지금이 그 갈림길입니다.

· 7분

AI 산업 분석

AI 데이터센터 전력 문제 — '전기 먹는 하마'인가, 그린전환의 엔진인가 (2026 유토피아 vs 디스토피아 ⑥)

GPU 가뭄은 끝났고, 이제 승부는 전력에서 갈립니다. 2026년 한국 수도권 데이터센터 전력 승인율은 1.9%까지 떨어졌고, 미국에서는 1,300억 달러 규모 프로젝트가 '전력이 없어서' 취소됐습니다. AI가 기후를 잡아먹는 걸까요, 아니면 에너지 전환을 앞당기는 걸까요. 이번 편은 그 두 얼굴을 데이터로 짚어봅니다.

· 7분