Gorilla PE Insights

Kimi K3, 그리고 딥시크 쇼크라는 착오의 재연

Gorilla PE Insights · 이용권 · 고릴라PE 파트너 · 2026년 7월

이 글은 7월 30일 머니투데이방송(MTN)에 게재한 기고 「K3의 출사표…시장은 절반만 읽었다」의 롱버전이다. 기고 원문: https://naver.me/5yhVsXiF

[들어가며]

지난 7월 16일, 문샷AI는 2.8조 파라미터급 초대형 AI인 Kimi K3를 대중이 바로 써볼 수 있게 우선 공개했 다. 이후 7월 27일 AI의 뼈대이자 설계도인 '가중치(weights)'까지 완전히 개방하면서, K3는 소스가 공개된 모델 가운데 가장 거대한 규모로 올라섰다. K3 공개는 당시 진행 중이던 기술주·반도체 매도세와 맞물려 추 가적인 하락 촉매로 작용했다. 다음 날 블룸버그 아시아 반도체 지수는 6% 넘게 하락했고 나스닥 100 선물 은 2% 밀렸으며, 홍콩에서는 Z.ai와 MiniMax 등 중국 AI 동종 기업들이 상장 이후 최대 낙폭을 기록했다.

이는 18개월 전에 일어난 한 사태를 연상시킨다. 2025년 1월, 딥시크 R1이 공개된 다음 거래일에 엔비디아 는 하루 만에 시가총액 약 6,000억 달러가 증발했다. 미국 증시 역사상 단일 기업 최대의 일일 손실이었다. 당시 고릴라PE는 “DeepSeek가 경쟁력 있는 AI의 바닥(floor)은 낮췄지만, 진정으로 시장을 지배할 차세대 AI의 천장(ceiling)은 여전히 스케일링 법칙에 의해 결정된다.”고 주장했다. 18개월이 지난 지금, 그 문장의 앞부분은 갱신이 필요해졌다. 바닥은 이제 낮아지는 수준을 넘어 천장의 코앞까지 좁혀졌다. 그리고 시장은 이번에도 “더 싸고 좋은 중국 AI가 나왔다. 그러므로 비싼 칩과 비싼 모델의 시대는 끝나 간다.”고 말하며 경각심을 키운다.

다만 18개월 전과 다른 점도 하나 있었으니, 이번에는 반등이 며칠 만에 찾아왔다는 사실이다. 급락을 기록한 다음 주 반도체·메모리 관련주가 빠르게 회복했다는 보도가 잇따랐고, 매도세를 과잉 반응으로 규정하는 리서치 코멘트가 뒤를 이었다. 값싼 오픈 모델의 확산이 하드웨어 수요를 죽이는 것이 아니라 오히려 수요의 촉매가 된다는 논리가 며칠 만에 힘을 얻은 셈이다. 시장은 딥시크의 교훈을 기억하고 있었다.

그런데 반등의 속도에서 이야기를 멈추면 절반만 읽은 셈이 된다. 시장이 불과 며칠 만에 바로잡은 것은 "효율성이 좋아지면 하드웨어 수요가 줄어들 것"이라는 겉핥기식 착각이었다. 그 기저에는 “중국 모델이 기술 격차를 좁혔으니 AI 모델은 곧 범용화(commodity)될 것”이라는 더 오래된 착각이 자리 잡고 있다. 시장이 요동치는 와중에도 이 두 번째 결론은 끝내 수정되지 않고 살아남았다.

고릴라PE는 AI 모델의 commoditization 여부를 2026년 4월부터 추적해 왔다. 출발점은 4월 한 달 사이, 미·중 AI 격차에 대해 정반대 방향을 가리키는 두 보고서가 나란히 나온 사건이었다. 이 글은 그간의 추적을 정리한 중간 결론이며, 이번에 등장한 K3는 이 결론을 검증할 수 있는 최적의 시험대다.

평균 성능과 프론티어 갱신 능력은 같은 함수가 아니다.
평균은 시간이 지나며 평준화되고, 프론티어는 시간이 지나며 더 좁아진다. 시장이 가장 자주 하는 오독은 둘을 같은 함수로 묶어 “AI 모델이 commodity화되고 있다”는 한 단어로 부르는 것이다.

결론부터 말하면, 평균 성능과 프론티어 갱신 능력은 같은 함수가 아니라는 위의 명제는 K3라는 변수를 감안해도 유효하다. 그것도 두 방향 모두에서 4월의 관찰보다 극단적인 형태로 유효하다. 바닥은 4월 데이터가 가리키던 선을 석 달 만에 넘어섰고, 천장은 K3가 진입한 지 8일 만에 다시 한 칸 이동하는 것으로 응수했다. 그리고 추적을 시작할 때 존재하지 않던 세 번째 변수로서, 두 함수 사이에 처음으로 정치가 들어왔다.

[01. 동일한 착오의 재연]

먼저 2025년 1월과 2026년 7월, 두 번의 급락을 나란히 놓는 데서 시작하자.

두 번의 쇼크 평행 비교 (동일한 착오, 짧아진 반감기)

딥시크 쇼크가 남긴 결과는 이미 명확한 판결이 내려졌다. "R1이 보여준 효율 개선이 컴퓨팅 연산 수요를 감소시킬 것"이라던 1월의 예상과는 정반대로, 엔비디아는 불과 반년 만에 주가 낙폭을 모두 만회하고 그해 7월 사상 최초로 시가총액 4조 달러를 돌파했다. 하이퍼스케일러들의 데이터센터 투자 역시 축소되기는커녕 오히려 증액되었다. 비용이 낮아지자 활용처가 폭발적으로 늘어난 것이다. 즉, 효율 개선은 수요를 잠재운 것이 아니라 수요가 폭발하는 임계점을 낮춘 셈이다.

K3 사이클은 동일한 전개를 훨씬 압축된 속도로 재연했는데, 이번에는 새로운 디테일이 두 개가 있다. 첫째, 최대 피해자가 미국이 아니었다. K3 공개 직후 가장 크게 떨어진 주식은 홍콩 상장 Z.ai(-30%, 상장 후 최대 낙폭)와 MiniMax(-16%)로, 모두 중국 AI 동종업계였다. K3는 미국 프론티어의 프리미엄을 깎기 전에, 중국 응용 진영의 내부 통합부터 일으켰다. 둘째, 반등의 속도다. 딥시크 때 수 개월 걸린 교정이 이번에는 수 일 단위로 줄었다는 반등 보도가 잇따른 것은, 시장이 하드웨어에 대한 오판을 학습했다는 증거이다.

그렇다면 남은 질문은 하나다. 하드웨어 쪽 착오가 교정되는 동안, “K3가 프론티어를 commodity로 만들었는가”라는 모델 쪽 독법은 어디까지 사실인가? 여기에 답하려면 4월로 돌아가야 한다.
 

[02. 4월, 추적의 시작: 정반대를 말한 두 보고서]

2026년 4월의 같은 한 달에 미·중 AI 격차에 대해 정반대 방향을 가리키는 두 보고서가 나왔다.

Stanford HAI 2026 AI Index는 미·중 상위 모델 간 성능 격차가 사실상 닫혔다고 발표했다. 2026년 3월 기준, 챗봇 아레나 상위 모델 간 격차가 2.7%에 불과하다는 숫자였다. 그런데 같은 시점, NIST 산하 CAISI(Center for AI Standards and Innovation)는 정반대 방향의 발표를 내놓았다. 중국의 최상위 모델이 미국의 프론티어 모델에 비해 8개월가량 뒤처져 있으며, 고난도 과제를 해결할 확률(odds) 면에서도 3배나 격차가 난다는 내용이다.

Stanford HAI 2026 AI Index. 미·중 상위 모델 간 성능 격차 시계열, 2026년 3월 기준 상위 모델 격차 2.7%로 사실상 닫힘

CAISI (2026.05.01). IRT 추정 Elo 시계열. GPT-5.5 1260 vs DeepSeek V4 Pro 800. 200pt 차이 = 어려운 과제를 풀 odds 3배. 8개월 lag.

둘 다 사실이다. 다만 두 보고서의 결론이 다른 지점에 다다른 것은, 이들이 서로 다른 것을 측정했기 때문이다. Stanford HAI의 2.7%는 공개된 표준 벤치마크에서 통과 여부를 측정한 평균 능력 격차다. CAISI의 IRT 점수는 어려운 문제를 풀 odds를 항목반응이론으로 추정한 프론티어 능력 격차다. CAISI는 집계 곡선 기준 16개 벤치마크·35개 모델을 평가했고(딥시크 정면 비교표는 9개 벤치마크), 그중 두 개(PortBench, ARC-AGI-2 semi-private)는 비공개·held-out 벤치마크다. 결과 기반 체리피킹을 차단하기 위해 측정 방법을 사전에 커밋했고, 95% 신뢰구간도 함께 표시했다.

평균과 프론티어는 서로 다른 함수이기에 “평균이 닫혔다”는 사실과 “프론티어에서 격차가 벌어졌다”는 사실이 동시에 성립할 수 있는 것이다.

같은 시기인 4월의 다른 지표들 역시 궤를 같이했다. LangChain 에이전트 평가에서 미국 최상위 모델과 중국 GLM-5의 점수 차는 고작 0.04점이었지만, 토큰 사용 가격은 약 21배나 벌어졌다. 미미한 점수 차에 비해 가격 격차가 비대칭적으로 컸던 셈이다. 나아가 CAISI 데이터를 한 단계 더 정밀하게 뜯어보면, 당시 중국 최고 모델의 현주소가 확연히 드러난다.

CAISI IRT Elo 비교 (2026.04). 당시 중국 최고 모델의 위치는 미국 frontier가 아닌 미국 mini-tier였다

4월 당시의 잠정 결론은 여기서 나왔다. 닫힌 것은 프론티어급 모델의 성능이 아니라 mini-tier급의 성능이다. DeepSeek V4 Pro의 800점은 GPT-5.5(1260)와 8개월의 격차를 보였지만, GPT-5.4 mini(749)와는 사실상 동급이었다.

시점에 관해 첨언하자면, 앞서 언급한 CAISI의 8개월 격차는 어디까지나 4월 기준의 스냅샷이다. 7월에 이루어진 독립적인 실측 결과들은 이 간극을 조금 더 좁혀서 제시하고 있다. 예컨대 영국 AI안보연구소(AISI)는 사이버 과제를 기준으로 4~7개월을, 오픈모델 연구자인 네이선 램버트는 3~5개월의 격차를 추정했다. 제시하는 구체적인 숫자는 조금씩 다르지만 이들이 가리키는 방향성은 일치한다. 요컨대 미·중 간의 기술 시차는 분명히 존재하지만, 그 간격은 확실하게 줄어들고 있다는 것이다.

그리고 석 달 뒤, K3가 4월의 잠정 결론을 시험대에 올렸다.

[03. 바닥: K3가 보여준 상승의 속도]

먼저 시장이 옳았던 부분부터 인정하는 것이 공정한 분석의 출발점일 것이다. 평균 성능에서 미·중 격차가 좁혀지고 있다는 것은 사실이고, 그 속도는 4월의 어떤 전망보다 빠르다. 결과부터 말하면, 4월의 선은 석 달을 버티지 못했다.

K3는 mini-tier가 아니다. 독립 평가 사이트 Artificial Analysis의 종합 지능 지수에서 K3는 공개 직후 57.1점으로, 당시 1위 Claude Fable 5(59.9)와 GPT-5.6 Sol(58.9)에 이은 3위였고, Claude Opus 4.8보다 위였다. 웹 화면 코딩 능력을 개발자 블라인드 투표로 재는 Frontend Code Arena에서는 미국 모델 전부를 제치고 1위에 올랐다. 4월 데이터가 mini-tier로 분류하던 중국 오픈모델이, 7월에는 준(準)프론티어가 됐다. 그리고 8일 뒤인 7월 24일, Anthropic이 Opus 5를 내놓으며 지수 1위(스냅샷 60.7점)를 가져갔고 K3는 4위로 한 칸 밀렸다. 이 8일 간의 벌어진 일의 의미는 §04에서 다시 파헤쳐 볼 것이다.

Artificial Analysis 지능 지수 (2026-07-28 스냅샷). K3는 공개 시점 2.8점 차 3위로 진입했고, 8일 뒤 Opus 5 등장으로 4위가 됐다

점수 대비 가격의 비대칭도 K3 기준으로 갱신됐다.

지능 지수 상위권의 성능·가격 (AA, 지수는 7/28 스냅샷·비용은 7월 측정 범위로 지속 갱신). 점수 3점 안팎 차이에 비용은 수 분의 1로, 4월 LangChain 관찰(0.04점 차·21배)의 K3 버전이다

상승의 속도 자체도 실측 가능하다. 직전 세대 K2.6에서 K3까지 석 달 사이 종합 지수가 13점 올랐고, 같은 기간 과제 수행에 쓰는 토큰량은 21% 줄었다. 라우팅 시장의 무게중심도 같은 방향이다. 블룸버그 등이 오픈라우터(OpenRouter) 토큰 데이터를 분석한 바로는, 플랫폼 내 미국 랩 점유율이 12개월 사이 약 70%에서 30%로 내려왔다. 작년에 프론티어 모델만이 할 수 있던 일의 상당수가 이제는 몇 분의 일 가격의 모델에서도 가능하다.

지난 석 달 사이 일어난 또 다른 변화는 '초저가 중국 AI' 시대가 막을 내렸다는 점이다. K3의 API 가격은 위안화 공식가 기준으로 입력 100만 토큰당 3달러, 출력 15달러다. 이는 GLM-5.2(태스크당 약 0.32달러)나 DeepSeek V4 Pro(약 0.04달러)와는 완전히 궤를 달리하는 가격대다. 이제 중국 오픈모델의 최상위권은 저렴한 가격이 아닌 압도적인 성능으로 승부수를 띄우고 있다. 이른바 '바닥' 구간 안에서도 다시금 바닥과 천장이 나뉘기 시작한 것이다.

여기까지가 우리가 확인할 수 있는 첫 번째 명확한 사실이다. 평균 성능 격차가 사실상 좁혀졌다는 시장의 진단은 정확히 맞아떨어졌으며, 그 수렴 속도마저 4월에 나왔던 그 어떤 전망치보다도 훨씬 빨랐다.

[04. 천장은 좁혀지지 않는다: Scaling Law의 두 얼굴]

천장이 좁혀지지 않는 것은 우연이 아니다. Scaling Law가 그렇게 만들기 때문이다.

2020년 OpenAI의 Kaplan et al.은 모델 성능이 파라미터 수·학습 토큰·연산량과 거듭제곱 법칙으로 연결된다는 사실을 정립했다. 2022년 DeepMind의 Hoffmann et al.(흔히 Chinchilla 논문으로 불린다)은 주어진 연산 예산에서 최적인 모델 크기와 학습 토큰의 균형을 정량화했다. 이 두 논문이 합쳐서 만든 결론은 단순하다. 성능을 계속 끌어올리려면 모델 크기와 학습 토큰을 함께 키워야 하고, 두 축을 함께 키울 때 학습에 필요한 연산은 선형이 아니라 곱셈적으로 증가한다.

이처럼 기하급수적으로 늘어나는 비용은 이미 구체적인 수치로 증명되어 있다. 한 연구(Cottier 등)에 따르면, 최상위 프론티어 모델을 학습시키는 데 드는 비용은 2016년 이후 매년 평균 2.4배씩 뛴 것으로 추산된다. 이 추세가 계속되면 당장 2027년경에는 모델을 딱 한 번 학습시키는 데만 10억 달러가 훌쩍 넘는 돈이 필요해진다. 매년 2.4배씩 오른다는 건, 복리로 계산했을 때 불과 7년 만에 비용이 450배나 폭증한다는 뜻이다.

여기서 흥미로운 사실 하나는 중국 lab들도 이 곡선을 따른다는 점을 스스로 인정한다는 것이다. DeepSeek-AI의 2024년 1월 논문(arXiv:2401.02954) 초록은 오픈소스 LLM의 눈부신 발전을 말하는 문장으로 시작해, 곧바로 이렇게 잇는다. “Guided by the scaling laws, we introduce DeepSeek LLM.” (우리는 scaling law를 따른다). 즉 그들 또한 같은 곡선의 더 낮은 지점에서 frontier로 향하고 있는 것이지, 새로운 곡선을 만들어 내고 있는 것이 아니다. 무려 2.8조 개의 파라미터를 자랑하는 K3 또한, 이 거대한 스케일링 법칙의 궤도 위에 놓인 가장 최신 좌표라 할 수 있다.

연 2.4배의 비용 곡선이 의미하는 바는 분명하다: 시간이 갈수록 frontier에 새로 도전할 자격을 가진 회사의 수는 줄어들 것이다.

2026년 상반기에만 프론티어 모델의 선두는 몇 차례 바뀌었다. 6월에는 Claude Fable 5와 GPT-5.6 Sol이 종합 지수 1점 차(59.9 대 58.9)로 맞붙었고, 7월 24일에는 Claude Opus 5가 출시되어 지수 1위(60.7)를 가져갔다. 선두가 바뀌는 동안 명단은 바뀌지 않았다. Anthropic, OpenAI, Google, xAI로, 2026년 7월 현재 frontier-tier에 비등하게 도전하는 회사는 여전히 미국 기업 약 3~4개다. 천장이 닫힌 것이 아니라, 천장에 도전할 자격을 가진 명단이 좁게 유지되고 있을 뿐이다.

K3와 현행 천장의 직접 격차, 그리고 8일 만의 재이동

그렇다면 K3는 현행 천장에서 얼마나 떨어져 있는가 하는 질문이 남는데, 이번 사이클에서 그 직접 실측치가 처음 발표됐다.

FrontierMath는 독립 평가기관인 Epoch AI가 주관하는 테스트다. 세계적인 수학자들이 직접 출제한 미공개 문제들로만 구성되며, Epoch 측이 문제지를 독점하고 있어 AI 모델의 학습 데이터에 정답이 섞여 들어가는 '데이터 오염'을 원천적으로 차단한다. 특히 최고 난도인 Tier 4 구간은 전문 수학자조차 며칠씩 매달려야 간신히 풀 수 있는 수준이다. 지난 6월 12일, Epoch는 검수 과정에서 발견된 문항 오류(전체의 42%)를 수정한 정정판(v2, Tier 4 기준 43문항)을 새롭게 배포했다. 아래에 제시된 수치들은 모두 이 정정판을 기준으로 측정한 결과다.

정정판 기준 현행 프론티어는 Claude Fable 5가 약 88%로 선두를 달렸고, GPT-5.6 Sol이 83%로 뒤따랐다. 그리고 같은 시험에서 K3는 약 39%를 기록했다(Epoch AI 데이터 기준).

FrontierMath Tier 4 v2 정정판 (Epoch AI 데이터·BenchLM 집계, 2026.07). 종합 지수 3~4점 차이가 연구급 수학에서는 두 배 이상으로 벌어진다

전문 수학자가 며칠을 투자해야 풀 수 있는 문제들임을 감안하면 39%는 절대값으로는 놀라운 점수다. 그러나 현행 천장과 비교하면 절반에도 못 미친다. 정리하면 이렇다.

K3는 천장에 도달한 것이 아니다. 어제의 천장 언저리에 도달했다. 그리고 8일 뒤, 천장은 다시 한 칸 이동했다.

천장이 다시 움직였다는 말은 비유가 아니라 달력에 적힌 현실이다. 7월 16일 K3가 벤치마크 지수 3위로 진입했지만, 불과 8일 뒤인 24일 Opus 5가 출시되면서 K3는 4위로 밀려났다. AA(Artificial Analysis) 발표에 따르면 Opus 5는 실무 지식노동 평가(GDPval-AA v2)에서 1,861 Elo라는 신기록을 세우며 기존 선두였던 Fable 5와의 간격을 114점이나 벌렸다. 천장 최상단 내부의 이동까지 구체적인 수치로 기록된 셈이다. 요컨대 K3가 '어제의 천장' 언저리에 도달하는 데 걸린 시간보다, 천장이 저 멀리 다시 도망가는 데 걸린 시간이 훨씬 짧았다.

실무·장기 지식노동 평가 (Artificial Analysis 발표, 2026.07.24 기준, Elo). GPT-5.6 Sol은 GDPval에서 Fable 5와 유사 수준이며, 종합 지수 3점 안팎의 차이가 실무 하드 과제에서는 약 190 Elo로 벌어진다

같은 패턴은 4월 NIST 평가에서도 관찰됐다. 오염이 차단된 held-out 벤치마크로 갈수록 미·중 최상위 모델 간의 격차가 가장 크게 벌어졌다. 종합 평균에서는 격차가 3점 안팎까지 좁혀졌지만, 연구급이나 실무의 고난도 과제에서는 여전히 배(倍) 단위의 큰 격차가 남아 있다. 바닥에서 바라본 격차와 천장에서 바라본 격차가 같은 시점에 완전히 정반대의 이야기를 들려주고 있는 것이다. 4 지난 4월 Stanford와 CAISI의 두 보고서가 엇갈린 결론을 냈던 것처럼, 이번에는 단 하나의 모델 안에서 그 모순이 고스란히 재현되고 있다.

[05. 격차는 어디에서 벌어지는가: 분리는 시간이 지날수록 깊어진다]

바닥과 천장을 각각 확인했으니, 이제 격차라는 단어 자체를 정의할 차례다.

“미·중 AI 격차가 벌어지는가 좁혀지는가”라는 질문은 그 자체로 잘못 던져진 질문이다. 어떤 격차인지를 묻지 않으면 답이 모순될 수밖에 없다. 격차는 세 종류로 나누어 보아야 한다.

격차 3종 분리 (같은 시기에 (a)·(b)·(c)가 동시에 진행)

세 격차를 따로 풀어 보자.

(a) 평균 성능 격차는 좁아지고 있다. Stanford HAI 데이터, OpenRouter 토큰 점유의 이동, 그리고 K3의 3점 안팎 차이까지, 이 모든 데이터를 종합해 내릴 수 있는 결론이다. 라우팅과 오픈웨이트의 추격이 평균을 끌어올렸다. 이 부분에서 시장의 판단은 옳았다.

(b) Frontier 갱신 주체의 격차도 좁아지고 있지만, 다른 의미에서다. Epoch AI의 분석(2026년 1월)에 따르면, 2023년 이후 Epoch Capabilities Index 기준으로 frontier에 처음 도달한 모든 모델은 미국에서 개발됐다. 그 미국 안에서도 frontier-tier에 비등하게 도전하는 회사는 3-4개로 좁혀졌다. 즉, 공급자 측면에서 최상위 프론티어에 도전할 수 있는 기업의 명단이 갈수록 짧아진다는 뜻에서의 '좁아짐'이다. 이러한 현상은 비단 LLM에만 국한되지 않는다. 영상이나 이미지 생성 등 새로운 모달리티(modality)로 영역이 확장될 때도, 늘 기술의 프론티어를 새롭게 정의하는 주역은 똑같은 미국의 AI 연구소들이었다.

(c) Frontier 도전 자원·자본 접근성 격차는 벌어지고 있다. 매년 2.4배씩 복리로 불어나 2027년경 10억 달러를 넘어서는 학습 비용 곡선, 그리고 스타게이트(1.2GW)급의 막대한 전력 및 클러스터 인프라를 확보할 수 있느냐의 문제다. 이 축에서는 오히려 기업 간 격차가 뚜렷하게 벌어지고 있다. 시간이 흐를수록 최상위 프론티어 영역에 진입하기 위해 넘어야 할 장벽(임계값)이 까마득히 높아지기 때문이다.

세 격차를 분리해서 보면, 링크드인이나 페이스북에 자주 등장하는 일반적 분석이 보지 못하는 그림이 보인다. (a)는 좁혀지고, (b)도 다른 방향으로 좁혀지며, (c)는 벌어지고, 이 세 과정은 동시에 진행된다.

간극의 축소와 확장이 공존하는 이 기묘한 비대칭 현상을 우리는 새롭게 명명해야 한다.

Frontier-Floor Decoupling
평균 성능(바닥)과 frontier 갱신 능력(천장)은 같은 함수가 아니다. 한쪽에서 변화가 일어난다고 다른 쪽도 같이 움직인다는 보장이 없다. 시간이 지날수록 두 함수의 경로 자체가 더 분리된다. 바닥은 라우팅과 오픈웨이트로 평준화되는 길을 가고, 천장은 자본과 전력과 클러스터의 곱셈적 비용으로 더 좁아지는 길을 간다.

Frontier-Floor Decoupling 개념도. 바닥은 평준화의 길을, 천장은 곱셈적 비용의 길을 간다

두 함수의 분리는 어느 한순간을 포착한 단면이 아니라, 시간이 흐를수록 더욱 뚜렷해지는 구조적 패턴이다. 2024년만 해도 평균과 프론티어는 비교적 가까운 거리에 있었다. 그러나 2026년 현재 두 함수는 눈에 띄게 멀어졌으며, 스케일링 법칙(Scaling Law)이 꺾이지 않고 지금의 추세가 이어진다면 2027~2028년에는 그 간극이 한층 더 깊어질 것이다.

시장의 오독은 정확히 이 두 함수의 경계선에서 발생한다. 과거 딥시크가 mini-tier의 격차를 없앴다는 사실과 이번에 K3가 준프론티어급 격차마저 좁혔다는 사실만 보고, 최상위 프론티어 역시 곧 범용화(commodity)될 것이라는 섣부른 결론으로 비약하는 식이다. §01에서 본 대로 하드웨어와 관련된 오판은 시장이 며칠 만에 스스로 교정했다. 그러나 평균의 평준화를 frontier의 평준화로 읽는 모델 쪽 착오는 교정을 담당할 데이터가 표준 벤치마크 바깥에 있는 탓에, 두 함수가 다르다는 사실을 인정하지 않는 한 매번 반복될 수 밖에 없다.

왜 이 두 함수의 분리가 곧 '돈'이 되는가

두 함수의 분리가 관념이 아니라 돈이라는 사실은 세 개의 숫자로 확인된다.

첫째, 신뢰성의 복리다. 기업이 AI에 값을 치르는 대상은 평균 점수가 아니라, 긴 작업을 사람 개입 없이 끝까지 해내는 능력이다. 100단계짜리 업무에서 단계 성공률 99%인 모델이 전체를 완수할 확률은 약 37%이고, 99.9%면 약 90%다. 한 단계의 0.9%포인트 차이가 결과에서는 두 배 반의 차이로 벌어진다. 어려운 문제를 푸는 능력, 곧 천장의 능력은 정확히 이 마지막 소수점에서 나온다.

둘째, 실무 과제의 실측이다. §04의 표가 보여주듯 실제 직업 과제(GDPval-AA v2)에서 현행 1위와 K3의 격차는 약 190 Elo, 장기 지식노동(AA-Briefcase)에서는 약 180 Elo다. 종합 평균의 3점 안팎 차이는 과제가 길어지고 어려워질수록, 바닥의 벤치마크에서 천장의 업무로 갈수록 벌어진다.

셋째, 실질적인 매출의 차이다. 5월 시리즈 H(Series H) 투자 유치 당시 앤스로픽(Anthropic)이 밝힌 연 환산 매출은 약 470억 달러에 달한다. 반면 문샷AI의 매출은 6월 보도 기준 약 3억 달러에 불과하다. 종합 평균 점수의 격차는 고작 3점 안팎이지만, 매출 격차는 무려 150배 이상 벌어진 것이다. 시장이 실제로 기꺼이 대가를 지불하는 기준은 '바닥'이 아니라 '천장'이라는 사실을 이 극단적인 숫자의 비대칭이 여실히 증명한다.

[06. 그리고 처음으로, 두 함수 사이에 정치가 개입했다]

정치는 4월에 추적을 시작할 때는 존재하지 않던 변수다.
 

K3 공개 직후 열흘 사이에 일어난 일들을 시간순으로 놓으면 다음과 같다.
 

K3 공개 전후 열흘. 창이 닫히는 동안 천장은 한 번 더 이동했다

7월 20일, 미 행정부가 첨단 중국 AI 모델에 대한 접근 제한과 수출통제 명단(Entity List) 추가까지 검토하고 있다는 보도가 나왔다(악시오스). 7월 21일에는 베선트 미 재무장관이 CNBC 인터뷰에서 “오픈소스는 지지하지만 지식재산 도용은 다른 문제”라며 제재 가능성을 처음으로 공개 언급했다. 미국 모델의 흔적이 다수의 중국 모델에서 발견된다는 주장, 중국 모델을 쓰는 기업에 고객 고지 의무를 지우는 방안까지 함께 거론됐다. 백악관 과학기술정책실(OSTP)은 문샷이 미국 프론티어 모델의 답변을 대량 수집해 학습 재료로 쓰는 증류(distillation)를 대규모로 수행했다는 혐의를 공개 제기했고, 중국 측은 근거가 없다고 반박했다. 업계 안에서도 의견이 갈렸다. 7월 27일 Anthropic의 다리오 아모데이는 오픈웨이트 모델의 전면 금지에는 반대한다는 입장을 공개적으로 밝혔다. 이러한 국가적 통제 본능이 비단 중국 모델만을 겨냥한 것은 아니다. 미 상무부의 수출통제 조치로 인해, 지난 6월 12일 자국 기업인 앤스로픽(Anthropic)의 Fable 5와 Mythos 5에 대한 접근마저 전면 중단되었다가 7월 1일에야 간신히 복원된 사례(Anthropic 공지 기준)가 이를 방증한다.

같은 주, 반대편 진영의 문도 굳게 닫히기 시작했다. 파이낸셜타임스 보도에 따르면, 중국 상무부는 자국 AI 모델의 가중치(weights)와 학습 데이터에 대한 해외 접근을 차단하는 수출통제 방안을 두고 알리바바, 바이트댄스 등 주요 기업들과 협의에 착수했다. 이에 앞서 로이터는 중국 당국이 모델 성능 등급에 따라 신고제와 보안 심사를 차등 적용하는 방안을 논의 중이라고 전한 바 있다. 나아가 다가오는 9월에는 트럼프 2기 행정부 출범 이후 첫 미·중 AI 양자 회담까지 예정되어 있다.

그리고 현지시간 7월 26일 밤(한국시간 27일), 문샷은 원래 예고일보다 하루 앞당겨 K3의 전체 '가중치(weights, AI 모델의 두뇌에 해당하는 핵심 파라미터)'를 전면 개방했다. 파일이 풀리자마자 미국의 인프라 업체들이 당일 즉시 서버에 연결해 호스팅을 제공했다. 이렇게 오픈소스로 세상에 한 번 뿌려진 AI 데이터는 이미 무수히 다운로드되었기 때문에, 사후 규제로 다시 거둬들이는 것은 물리적으로 불가능하다.

K3 공개 이후 열흘이 시사하는 바는 분명하다. 바닥의 평준화를 이끌어 온 엔진인 최상급 모델의 무료 공개가 처음으로 양국 모두에서 전략 통제의 대상이 됐다. 미국은 나가는 지식을, 중국은 나가는 weights를 잠그는 방안을 같은 주에 검토하기 시작했다. 지금까지 바닥과 천장의 분리는 기술과 자본의 함수였다. 이제 그 위에 정책의 함수가 얹혔다. 분리가 앞으로 더 깊어질지 얕아질지, 그 기울기의 일부를 이제 규제가 쥔다.

투자자 관점에서 이 열흘의 변화는 투자 공식에 새로운 질문 하나를 추가한다. 바닥 모델들의 성능 상승세가 꺾이지 않으려면, 다음 세대의 K4와 Qwen도 지금처럼 시장에 풀려야 한다. 기술 개방이 정책적 통제의 대상이 되어버린 순간부터, 바닥의 성장은 더 이상 기술만의 문제가 아니라 정치의 문제로 편입되었다.

[07. 그래서 알파는 어디인가]

천장과 바닥이 다른 함수를 그린다면, 자본 배치도 둘로 나뉘어야 한다. 바닥에 있는 회사들은 commodity 곡선을 따라가고, 천장과 천장을 떠받치는 인프라는 다른 곡선을 따라간다.

고릴라PE는 두 함수의 분리에서 세 가지 배치 원칙을 읽는다.

첫째, 바닥의 평준화는 모델 사용의 폭발을 뜻하므로, 승자가 누구든 통과해야 하는 물리적 관문인 메모리·인터커넥트·전력·클러스터에 toll이 쌓인다. 2.8조 파라미터 weights가 무료로 풀려도 그것을 구동할 인프라는 무료가 아니다.

둘째, 천장의 프리미엄은 사라지는 것이 아니라 반감기가 짧아지는 것이므로, 프론티어 지분의 가격은 격차의 크기가 아니라 격차의 수명으로 평가해야 한다.

셋째, 개방이라는 엔진 자체가 정책 변수가 된 이상, 바닥의 상승 속도와 천장의 프리미엄 수명 모두에 규제 시나리오를 별도의 축으로 얹어야 한다.

알파는 두 함수 중 하나를 고르는 데서 나오지 않는다. 두 함수가 다르다는 사실을 남보다 먼저 가격에 반영하는 데서 나온다.
 

[마치며]

딥시크 쇼크 때 시장은 “효율 개선은 곧 수요 감소”라고 읽었고, 그 관점이 틀렸다는 결론에 다다르는데 6개월이 걸렸다. K3 쇼크 때 이 관점이 며칠 만에 기각된 것을 보면, 시장은 학습한다는 사실을 알 수 있다. 다만, 이 학습은 AI 산업의 전체를 깊게 포괄한 학습은 아니었다.

하지만 아직 시장에서 기각되지 않은 치명적인 오독이 하나 남아 있다. 바로 바닥의 수렴을 천장의 수렴으로 착각하는 것, 즉 “AI 모델의 범용화(commoditization)”라는 잘못된 맹신이다. 4월의 두 보고서가 이 관점의 균열을 처음 보여줬고, 7월의 K3가 그 균열을 실측으로 확정했다. 종합 평균에서는 당시 1위와 2.8점 차까지 다가섰지만, 8일 뒤 천장은 다시 한 칸 이동했고, 연구급 난제에서는 현행 천장의 절반에도 미치지 못한다.

평균 성능은 라우팅과 오픈웨이트로 평준화된다. Frontier는 자본과 전력과 클러스터로 더 좁아진다. 그리고 이제 그 두 곡선 사이에 정치가 들어왔다. 우리는 이 분리에 Frontier-Floor Decoupling이라는 이름을 붙였다.

투자자가 둘을 AI 모델 commoditization이라는 한 단어로 묶어 보는 한, 같은 지점에서 같은 종류의 오독이 반복되기에, 고릴라PE는 바닥의 수렴은 수요의 폭발로, 천장의 이동은 프리미엄의 수명으로 둘을 분리해서 읽는다.

이용권 · 고릴라PE 파트너 · 2026.07

※ 이 글은 필자의 개인적 견해이며, 특정 종목에 대한 투자 권유가 아닙니다.

[주요 출처]

Gorilla PE Insights, 딥시크 쇼크: 글로벌 AI 군비 경쟁 본격화의 신호탄 (2025.02) · Stanford HAI 2026 AI Index (2026.04 공개, 격차 기준시점 2026.03) · NIST CAISI, Evaluation of DeepSeek V4 Pro (2026.05.01) · Epoch AI, FrontierMath Tier 4 v2 (2026.06.12 개정) · the-decoder의 Epoch AI 데이터 전재 (2026.07) · BenchLM 집계 스냅샷 (2026.07.20·07.28) · Artificial Analysis: 지능 지수 v4.1, Claude Opus 5 평가 발표 (2026.07.24), AA-Briefcase·GDPval-AA v2·태스크당 비용 · UK AISI 사이버 격차 분석 (2026.07.17) · N. Lambert 팟캐스트 발언 (2026.07.22) · Epoch AI, US vs China ECI (2026.01) · Cottier et al., arXiv:2405.21015 · DeepSeek-AI, arXiv:2401.02954 · Bloomberg·Exponential View의 OpenRouter 데이터 분석 · Reuters (2026.07.07·07.21) · Financial Times (2026.07.21) · Axios (2026.07.20·07.27) · CNBC, Bessent 인터뷰 (2026.07.21) · 백악관 OSTP 성명 및 중국 측 반박 보도 (2026.07.22) · Anthropic, Redeploying Fable 5 공지 (2026.06.30–07.01) · Anthropic Series H 발표 및 회사 공표 연 환산 매출 (2026.05.28) · Bloomberg 등, 문샷AI ARR 보도 (2026.06–07)