DeepSeek가 AI 비용을 낮추면서 Alibaba와 Google의 경쟁이 격화된다

Alibaba와 DeepSeek가 다시 모델 비용을 낮추면서, 이제 Google과 모든 주요 proprietary AI 제공업체까지 아우르는 경쟁이 한층 치열해지고 있다. 따라서 최근의 Alibaba Google 비교는 단순한 벤치마크 순위 이상의 의미를 갖는다. 성능 있는 대안이 더 저렴하고 수정하기 쉬워지는 상황에서, 비용이 높고 엄격히 통제되는 모델이 수익성을 지켜낼 수 있는지가 핵심이다.

당장의 압박은 호환 가능한 전략을 따르는 서로 다른 두 중국 기업에서 나온다. DeepSeek는 효율적인 추론 및 코딩 모델에 주목을 집중시켰다. Alibaba는 추론, 소프트웨어 개발, 번역, 비전, 오디오, 엔터프라이즈 워크로드를 아우르는 광범위한 Qwen 제품군을 확대했다.

이들이 공통으로 제기하는 도전은 명확하다. 개발자가 모델을 저렴하게 배포하고, 가중치를 검토하며, 로컬 환경에 맞게 조정할 수 있다면 모든 벤치마크에서 선두일 필요는 없다. 이는 Google, OpenAI, Anthropic에 누가 가장 똑똑한 챗봇을 보유했는지보다 더 어려운 질문을 던진다.

기존 미국 연구소들은 여전히 큰 강점을 지닌다. 성숙한 클라우드 플랫폼을 운영하고, 대규모 엔터프라이즈 계약을 지원하며, 널리 쓰이는 소비자 제품을 통제한다. Google은 Gemini를 Search, Workspace, Android, Google Cloud와 결합하고 있다.

그러나 이러한 유통상의 우위가 모델 경제성을 결정짓지는 않는다. Open-weight 시스템은 개발자가 모델 파라미터를 내려받아 다른 제공업체나 자체 인프라에서 실행할 수 있게 한다. 이는 모델 제작자와 최종 컴퓨팅 비용 간의 연결을 약화시킨다.

경쟁은 두 운영 모델 간의 싸움으로 변하고 있다. 한쪽은 최첨단 성능, proprietary 접근, 수직 통합 서비스를 강조한다. 다른 한쪽은 효율적인 아키텍처와 open weights를 활용해 경쟁 인프라 전반에 성능 있는 AI를 확산한다.

이제 Alibaba Google 비교는 비용에서 시작된다

최근 모델 경쟁은 구매의 질문을 “어느 시스템이 최고인가?”에서 “이 워크로드에는 실제로 어느 정도의 성능이 필요한가?”로 바꾸고 있다.

DeepSeek는 계산 효율성을 강조하면서 추론과 코딩에서 경쟁력 있는 모델을 공개해 이러한 변화를 이끌었다. 최신 릴리스 역시 이 흐름을 이어가고 있으며, 특히 대량의 토큰을 소비하는 소프트웨어 작업에서 두드러진다.

Alibaba는 Qwen을 통해 비슷한 압박을 가하고 있지만, 출발점은 다르다. 하나의 헤드라인 모델을 추구하는 독립 연구소가 아니다. 여러 워크로드, 배포 지역, 고객 유형을 위한 포트폴리오를 구축하는 클라우드 운영자다.

이 차이는 중요하다. 기업은 모든 요청을 하나의 최첨단 시스템에 보내는 경우가 드물다. 어려운 의사결정에는 고급 추론 모델을 남겨두고, 분류, 추출, 번역, 일상적인 생성 작업은 다른 곳으로 라우팅할 수 있다.

Alibaba의 확장되는 카탈로그는 이러한 라우팅 전략을 뒷받침한다. 공식 model catalog는 모델을 작업, 배포 지역, 컨텍스트 크기, 추론 모드별로 구분한다. 이 범위에는 Qwen 모델과 함께 DeepSeek, Moonshot AI, MiniMax, Zhipu AI의 호스팅 시스템도 포함된다.

경쟁 모델을 담은 클라우드 마켓플레이스는 경쟁의 방식을 바꾼다. 고객이 Qwen 대신 DeepSeek를 선택하더라도 Alibaba는 효율적인 중국 AI 수요에서 이익을 얻을 수 있다. 배포, 오케스트레이션, 인프라에서 역할을 확보하기 때문이다.

Google도 Vertex AI를 통해 Gemini와 외부 모델을 고객이 이용할 수 있게 하며 유사한 클라우드 논리를 따른다. 다만 Alibaba와 DeepSeek는 모델 계층에서 더 강한 가격 하락 압력을 가하고 있다. 이들의 open-weight 옵션은 구매자에게 더 현실적인 이탈 경로도 제공한다.

이로 인해 Alibaba Google 경쟁은 더 까다로워진다. Google은 Gemini의 모델 가치를 방어하는 동시에, 더 폭넓은 플랫폼이 더 깊은 통합을 정당화한다는 점을 입증해야 한다. Alibaba는 Qwen, 클라우드 호스팅, 더 넓은 국내 모델 시장 접근성을 통해 경쟁할 수 있다.

이 비교는 완전히 대칭적이지 않다. Google은 서로 다른 개인정보 보호, 보안, 규제 요건의 영향을 받는 글로벌 고객 기반을 서비스한다. Alibaba는 중국을 기반으로 운영하면서도 국제 클라우드 리전과 전 세계에서 접근 가능한 모델 서비스를 제공한다.

그럼에도 모델 구매자들은 유사한 작업을 더 저렴한 시스템으로 실행할 수 있을 때 이를 주목한다. 코딩 어시스턴트, 문서 추출 파이프라인, 지원 에이전트, 번역 서비스는 반복적인 요청을 만들어낸다. 요청 하나당 작은 차이도 도입 규모가 커지면 누적된다.

가격 압력은 제품 설계도 바꾼다. 팀은 더 많은 모델 호출을 감당하고, 여러 후보를 시험하며, 계획과 실행에 별도의 모델을 사용할 수 있다. 실패한 출력을 재시도하더라도 매번 비용이 큰 이벤트로 취급하지 않아도 된다.

이러한 유연성은 모델 라우팅을 중심으로 구축된 애플리케이션에 유리하다. 라우팅 계층은 요청을 평가해 품질, 지연 시간, 컨텍스트, 거버넌스 요구에 따라 적절한 모델로 보낸다. 어떤 단일 제공업체도 모든 워크로드를 자동으로 받지 못한다.

Google의 위험은 Qwen이 모든 곳에서 Gemini를 대체하는 데 있지 않다. 위험은 워크로드의 분절화다. 효율적인 대안으로 이동하는 각 작업은 고가 proprietary 경제성을 떠받치는 물량을 줄인다.

Alibaba에게 기회는 벤치마크 승리를 넘어선다. 혼합 환경에서 Qwen을 기본 옵션으로 만들 수 있다. 이러한 배치는 개발자 친숙도, 배포 경험, 자사 모델을 중심으로 설계된 애플리케이션 기반의 확대로 이어진다.

DeepSeek는 개발자 관심이 얼마나 빠르게 이동할 수 있는지 이미 보여주었기에 긴박감을 더한다. DeepSeek의 릴리스는 저비용 추론을 부차적 기능이 아닌 전략적 범주로 자리 잡게 했다. Alibaba는 이제 더 많은 모달리티와 엔터프라이즈 작업 전반으로 이 도전을 확장하고 있다.

효율성은 이제 제품 기능이 됐다

Alibaba와 DeepSeek는 단순히 할인으로 비용을 낮추는 것이 아니다. 이들의 아키텍처는 유용한 응답 하나에 필요한 계산량 자체를 줄이는 데 초점을 둔다.

중요한 방법 중 하나는 mixture of experts, 즉 MoE다. 이 아키텍처는 다수의 특화된 파라미터 그룹을 포함하지만, 각 토큰마다 그중 일부만 활성화한다. 모델은 모든 요청에서 모든 파라미터를 사용하지 않으면서도 폭넓은 용량을 확보한다.

DeepSeek는 수년간 이 접근법을 다듬어 왔다. DeepSeek-V2 paper는 희소 전문가 활성화와 함께, 생성 과정에서 저장되는 정보를 압축하는 Multi-Head Latent Attention을 설명했다. 연구진은 이전 기준 모델보다 더 낮은 학습 비용, 더 작은 메모리 캐시, 상당히 높은 생성 처리량을 보고했다.

이 결과는 DeepSeek 자체 평가에서 나온 것이므로 보편적인 프로덕션 성능 보장으로 받아들여서는 안 된다. 하드웨어, 배치 크기, 소프트웨어 구성, 프롬프트 길이에 따라 실제 배포 성능은 달라질 수 있다. 그럼에도 기본 메커니즘은 효율성이 DeepSeek의 모델 설계에서 계속 중심적인 이유를 설명한다.

Alibaba도 Qwen 내에서 mixture-of-experts 설계를 채택했다. 일부 Qwen 변형은 추론 과정에서 전체 용량 중 일부만 활성화한다. 다른 변형은 더 단순한 배포나 예측 가능한 메모리 요구가 더 중요한 환경을 위해 dense 아키텍처를 사용한다.

하이브리드 추론은 또 다른 비용 제어 수단이다. 모델은 긴 내부 추론 과정을 생성하지 않고도 일반적인 프롬프트에 답할 수 있다. 이후 수학, 계획 수립, 코딩, 복잡한 분석에는 계산 집약적인 모드로 전환할 수 있다.

이 선택은 추론 토큰이 시간과 컴퓨팅 자원을 소비하기 때문에 중요하다. 모든 인사말, 요약, 서식 요청에 깊이 추론하는 시스템은 용량을 낭비한다. 선택적 추론은 애플리케이션이 이점을 얻는 작업에 더 무거운 처리를 남겨둘 수 있게 한다.

긴 컨텍스트 효율성도 마찬가지로 중요하다. 컨텍스트는 요청과 함께 제공되는 텍스트, 코드, 이미지 또는 기타 정보다. 모델이 답변을 작성하기 전에도 큰 컨텍스트를 처리하면 지연 시간과 메모리 사용량이 늘어날 수 있다.

DeepSeek의 어텐션 메커니즘은 이 메모리 부담을 줄이는 데 목적을 둔다. Qwen의 포트폴리오는 서로 다른 컨텍스트 한도와 작업 특화 모델을 제공한다. 두 전략 모두 개발자가 가장 큰 시스템을 기본값으로 삼는 대신 모델 설계를 워크로드에 맞추도록 유도한다.

Open weights는 이러한 아키텍처적 이득을 증폭한다. 독립 호스트가 서빙 소프트웨어를 최적화하고, 모델을 양자화하며, 하드웨어 구성을 선택할 수 있게 하기 때문이다. 양자화는 모델 가중치를 저장할 때 사용하는 수치 정밀도를 낮춰, 일정한 품질 저하 가능성을 감수하는 대신 메모리 요구량을 줄인다.

그러면 호스트 간 경쟁은 배포 비용을 더 낮출 수 있다. Proprietary API에는 하나의 주된 운영자와 하나의 상업 구조가 있다. Open-weight 모델은 클라우드 플랫폼, 특화 추론 서비스, 프라이빗 클러스터 전반에 등장할 수 있다.

그렇다고 추론 비용이 무료가 되는 것은 아니다. 데이터센터에는 여전히 가속기, 전력, 네트워킹, 냉각, 엔지니어링이 필요하다. 효율적인 모델은 단지 이러한 자원으로 얼마나 많은 유용한 작업을 생산할 수 있는지를 바꾼다.

최적화가 일어나는 위치도 바꾼다. 모델 개발자는 아키텍처를 개선할 수 있고, 인프라 제공업체는 커널과 스케줄링을 조정할 수 있다. 애플리케이션 팀은 컨텍스트를 줄이고, 반복 입력을 캐시하거나, 난이도에 따라 요청을 라우팅할 수 있다.

이 계층화된 최적화가 비용 하락의 실질적 메커니즘이다. 어느 한 기술만으로 이 움직임을 설명할 수는 없다. 희소 계산, 압축 캐시, 선택적 추론, 양자화, 모델 라우팅, 제공업체 경쟁이 서로를 강화한다.

이 메커니즘은 벤치마크 승리만으로는 불완전한 그림을 제공하는 이유도 분명히 한다. 더 큰 proprietary 모델이 어려운 테스트에서 더 높은 점수를 받을 수 있다. 그러나 작고 열린 모델이 범위가 제한된 반복 작업에서는 더 나은 프로덕션 선택일 수 있다.

사내 지식 어시스턴트를 생각해 보자. 대부분의 요청은 관련 문서를 찾고, 구절을 추출하며, 짧은 종합 결과를 만드는 일이다. 애플리케이션은 모델에 응답을 요청하기 전 검색을 통해 근거를 좁힐 수 있다.

이러한 설계는 모든 요청에 가장 강력한 모델이 필요하지 않도록 한다. 팀은 유용한 소스 자료를 personal knowledge base에 보존한 뒤, 동일한 근거에 대해 여러 모델을 시험할 수도 있다.

구매자가 이런 방식으로 생각하기 시작하면 Alibaba와 DeepSeek에 유리하다. 이들의 모델은 전체 소프트웨어 스택을 대체하는 존재가 아니라 시스템 내부의 구성 요소가 된다. 구성 요소 간 경쟁은 충분한 품질, 운영 유연성, 예측 가능한 자원 사용을 보상한다.

Open Weights가 Proprietary AI에 압력을 가한다

핵심 경쟁 구도는 Alibaba와 DeepSeek의 대결이 아니다. 효율적인 open-weight 배포와 비용이 높은 proprietary 통제의 대결이다.

Alibaba와 DeepSeek는 개발자, 엔터프라이즈 워크로드, 기술적 위상을 놓고 직접 경쟁한다. 그러나 이들의 릴리스는 Google, OpenAI, Anthropic이 주도하는 폐쇄형 시스템에 맞서는 더 폭넓은 대안을 동시에 강화한다.

Open-weight 모델은 다른 이들이 내려받아 실행할 수 있는 파라미터를 공개한다. 이 용어가 자동으로 완전한 오픈소스를 의미하지는 않는다. 학습 데이터, 준비 방식, 안전 프로세스, 전체 개발 코드는 계속 비공개일 수 있다.

이 구분은 투명성 주장에 중요하다. 가중치 접근은 검토와 맞춤화를 지원하지만, 모델을 형성한 모든 요소를 드러내지는 않는다. 라이선스 조건도 릴리스마다 달라질 수 있다.

그런 한계가 있더라도, 가중치 접근성은 구매자의 협상력을 바꾼다. 기업은 비공개 배포를 시험하거나, 지역 호스팅 서비스를 이용하거나, 대체 공급자를 유지할 수 있다. 개발자는 특정 언어, 산업 또는 좁게 정의된 워크플로에 맞게 모델을 수정할 수 있다.

Stanford 연구진은 중국의 생태계가 DeepSeek 이야기만으로는 설명되지 않을 만큼 폭넓다고 설명한다. 이들의 오픈 웨이트 분석은 서로 다른 조직적 배경과 기술적 우선순위를 가진 Qwen, DeepSeek, Kimi, GLM 모델 계열을 다룬다.

이러한 다양성은 단일 연구소가 모든 활용 사례를 충족할 필요가 없다는 점에서 중요하다. Alibaba는 이미 자사 클라우드를 사용하는 개발자에게 서비스를 제공할 수 있다. DeepSeek는 모델 연구에 집중할 수 있다. Moonshot AI는 긴 컨텍스트와 에이전트형 워크로드를 추구할 수 있으며, 다른 연구소들은 멀티모달 시스템을 겨냥한다.

그 결과는 단일 모델 경쟁이라기보다 생태계 경쟁에 가깝다. 새 출시마다 다른 팀이 활용할 수 있는 기술, 가중치, 평가, 배포 경험이 제공된다. 개선은 한 공급업체의 제품 로드맵을 기다리지 않고 확산될 수 있다.

Google은 여러 전선에서 압박을 받고 있다. Gemini는 API 워크로드를 두고 Qwen 및 DeepSeek와 직접 경쟁한다. Google Cloud는 Alibaba Cloud 및 독립 추론 제공업체와 경쟁한다. Google의 오픈 모델 계열인 Gemma 역시 개발자의 관심을 얻어야 한다.

Google에는 여전히 강력한 방어 수단이 있다. 자체 Tensor Processing Units는 대규모 학습과 추론을 지원한다. Android와 Workspace는 유통 기반을 제공한다. Search는 거대한 소비자 접점을 제공하며, Google Cloud는 대규모 조직의 거버넌스와 조달을 지원한다.

이러한 장점은 완전한 대체 시나리오의 가능성을 낮춘다. 더 즉각적인 과제는 가격 결정력이다. 오픈 모델이 코딩, 번역, 추출, 에이전트 실행의 비중을 점점 더 많이 처리한다면, 프리미엄 API는 그 차이를 정당화해야 한다.

품질은 여전히 하나의 정당화 근거다. 독점형 제공업체는 어려운 작업에서 더 높은 신뢰성, 더 나은 멀티모달 통합, 더 일관된 도구 사용을 제공할 수 있다. 또한 보안 통제, 서비스 약정, 규제 대상 고객을 위한 지원을 묶어 제공할 수 있다.

통합은 또 다른 방어 수단이다. 이메일, 문서, 회의, 검색, 기업 ID와 연결된 모델은 더 강력하지만 고립된 API보다 더 큰 가치를 제공할 수 있다. Google은 Workspace와 Cloud를 활용해 Gemini를 더 넓은 운영 환경의 일부로 만들 수 있다.

Alibaba도 자체 서비스 안에서 같은 주장을 펼칠 수 있다. 이것이 Alibaba와 Google의 경쟁을 하나의 벤치마크로 환원할 수 없는 이유다. 두 기업 모두 모델을 중심으로 인프라와 애플리케이션을 판매한다.

DeepSeek는 다른 역할을 한다. 그 중요성은 독립 연구소도 기대치를 다시 설정할 수 있음을 입증한 데서 일부 나온다. 모든 유통 체계를 재현할 필요 없이 더 큰 플랫폼에 압박을 가한다.

이 관계는 중국 시장 내부에 생산적인 긴장감을 만든다. DeepSeek는 Alibaba가 효율성과 신뢰성을 개선하도록 압박한다. Alibaba는 효율적인 모델이 대규모 기업 인프라로 진입할 경로를 제공한다.

이 결합 효과는 미국 제공업체에도 미친다. Brookings 연구진은 중국 개발자들이 오픈 웨이트 배포, 효율성, 제약된 컴퓨팅 자원에 대한 낮은 의존도를 강조해 왔다고 지적한다. 이들의 AI 경쟁 평가는 단순한 국가 간 경쟁 구도가 각 시장 내부의 서로 다른 목표를 가린다고도 경고한다.

이러한 주의는 유용하다. Alibaba, DeepSeek, Google은 서로 다른 유인을 가진 상업적·기술적 주체다. 국가 정책은 이들의 제약을 형성하지만, 전략을 동일하게 만들지는 않는다.

가장 분명한 경쟁선은 여전히 유통 경제성이다. 독점형 제공업체는 모델 및 서비스 계층 전반에 대한 통제를 유지하려 한다. 오픈 웨이트 개발자는 이동성, 수정 가능성, 더 폭넓은 호스팅을 통해 채택을 추구한다.

이들 모델이 개선될수록 입증 책임은 이동한다. 구매자는 더 이상 오픈 대안을 검토하는 이유를 설명할 필요가 없다. 독점형 공급업체가 특정 워크로드가 왜 더 높은 비용의 통제된 시스템 안에 남아 있어야 하는지 설명해야 한다.

낮은 비용이 배포 위험을 없애지는 않는다

저렴한 모델 접근성은 애플리케이션의 경제성을 개선할 수 있지만, 보안, 거버넌스, 신뢰성 또는 지정학적 우려를 해결하지는 않는다.

벤치마크 결과는 불확실성의 첫 번째 원천이다. 모델 제작자는 테스트, 프롬프팅 방식, 추론 설정, 비교 시스템을 선택한다. 작은 방법론적 변화도 다른 순위를 낳을 수 있다.

코딩 벤치마크는 특히 신중히 봐야 한다. 모델은 독립적인 리포지토리 작업을 해결할 수 있지만, 문서화되지 않은 시스템, 내부 의존성 또는 변화하는 요구사항에서는 어려움을 겪을 수 있다. 생성된 코드는 테스트를 통과하면서도 보안 취약점을 도입할 수 있다.

에이전트형 평가는 추가적인 모호성을 만든다. 에이전트는 도구를 선택하고 목표를 향해 여러 단계를 수행하는 모델 기반 시스템이다. 성공 여부는 주변 소프트웨어, 도구 설명, 권한, 복구 로직에 좌우된다.

강력한 모델도 취약한 에이전트 설계 안에서는 실패할 수 있다. 보통 수준의 모델도 작업이 엄격히 제한되면 좋은 성과를 낼 수 있다. 따라서 구매자는 공개 점수가 실제 운영 결과를 예측한다고 가정하기보다 완전한 워크플로를 테스트해야 한다.

신뢰성 역시 실제 비용에 영향을 미친다. 더 저렴한 요청도 반복 재시도, 광범위한 검증 또는 사람의 수정이 필요하다면 비용을 절감하지 못한다. 모델이 고객 대면 소프트웨어에 들어갈 경우 지연 시간과 가동 시간도 중요하다.

오픈 웨이트는 운영 책임을 수반한다. 모델을 비공개로 운영하면 통제권을 얻을 수 있지만, 구매자가 인프라, 업데이트, 모니터링, 접근 관리를 맡아야 한다. 전문 역량은 모델 라이선스보다 더 큰 제약이 될 수 있다.

다국적 조직에는 거버넌스가 특히 중요해진다. 데이터 레지던시 규정은 프롬프트와 출력이 이동할 수 있는 위치를 결정할 수 있다. 산업별 요구사항은 금융, 의료, 법률 또는 정부 정보를 처리할 수 있는 제공업체를 제한할 수 있다.

모델의 원산지만으로 모든 거버넌스 질문에 답할 수는 없다. 구매자는 서비스 제공업체, 배포 지역, 로깅 정책, 하청업체, 모델 라이선스, 보안 통제를 검토해야 한다. 비공개로 호스팅된 Qwen 모델은 원격 서비스를 통해 접근하는 동일 모델과 다른 위험을 제시한다.

정치적 감시도 여전히 채택에 영향을 줄 수 있다. 중국 AI 시스템은 검열, 데이터 처리, 공급망, 잠재적인 정부 영향력에 대한 우려에 직면해 있다. 미국 제공업체는 감시, 저작권, 집중화, 불투명한 안전성 결정에 관한 자체적인 질문에 직면해 있다.

오픈 웨이트의 가용성은 또 다른 상충 관계를 만든다. 폭넓은 접근성은 연구, 맞춤화, 지역 통제를 지원한다. 동시에 유해한 자동화, 사이버 작전 또는 기만적 콘텐츠에 맞춰 유능한 시스템을 더 쉽게 개조할 수 있게 할 수도 있다.

따라서 정책 논쟁은 역량 확산과 위험 억제 사이에 놓인다. 제한적 규칙은 민감한 애플리케이션을 보호할 수 있지만, 소수의 자금력 있는 제공업체에 통제를 집중시킬 수도 있다. 광범위한 공개 정책은 접근성을 확대하지만 오용을 관리하기 어렵게 만든다.

하드웨어의 불확실성은 효율성에 관한 주장을 복잡하게 만든다. 연구소는 초기 실험, 데이터 준비, 인력 시간을 포착하지 않은 채 최종 학습 실행에 사용된 자원을 보고할 수 있다. 비교는 칩 유형, 활용도, 회계 범위에도 좌우된다.

DeepSeek의 초기 효율성 주장은 기대치를 바꿨지만, 외부 관찰자는 개발 과정의 모든 부분을 독립적으로 재구성할 수 없었다. 같은 회의론은 Alibaba, Google, OpenAI, Anthropic 및 다른 모델 제작자에게도 적용돼야 한다.

모델 접근 비용 역시 시스템의 한 부분일 뿐이다. 검색 데이터베이스, 관측성, 평가, 보안 검토, 인간 감독, 제품 엔지니어링은 여전히 필요하다. 토큰 가격이 낮아져도 이러한 비용은 사라지지 않는다.

추론 비용 하락은 오히려 총소비량을 늘릴 수 있다. 각 요청이 더 저렴해지면 개발자는 더 많은 호출, 더 긴 컨텍스트, 추가 검증, 더 많은 에이전트를 추가한다. 따라서 낮은 단위 비용은 더 큰 전체 컴퓨팅 사용량으로 이어질 수 있다.

이러한 반등이 경제적 전환을 부정하는 것은 아니다. 해석을 바꿀 뿐이다. 저렴한 지능은 더 저렴한 스토리지가 애플리케이션이 더 많은 데이터를 보관하도록 장려한 것처럼 소프트웨어가 더 많은 지능을 사용하도록 장려한다.

기업 구매자는 완료된 작업당 비용에 초점을 맞춰야 한다. 이 지표에는 재시도, 도구 호출, 사람의 검토, 지연 시간, 실패 처리가 포함된다. 이는 광고되는 모델 입력 또는 출력 비용보다 더 유용한 비교 기준이다.

공정한 Alibaba와 Google 평가는 워크로드별 테스트도 필요하다. 팀은 대표적인 프롬프트, 비공개 문서, 예상 도구 호출, 알려진 실패 사례를 사용해야 한다. 사실성, 완료율, 지연 시간, 검토자 노력을 평가해야 한다.

승자는 작업에 따라 달라질 수 있다. Gemini는 Google 서비스와 연결된 멀티모달 워크플로에서 앞설 수 있다. Qwen은 맞춤화 가능한 다국어 배포에 적합할 수 있다. DeepSeek는 코딩이나 추론에서 매력적인 경제성을 제공할 수 있다.

이러한 변동성은 한 모델이 다른 모델을 대체한다는 단순한 선언을 약화시킨다. 대신 제공업체가 지속적인 비교에 직면하게 될 것이라는 더 큰 결론을 강화한다. 구매자는 이제 협상하고, 워크로드를 분배하며, 전환할 수 있을 만큼 신뢰할 만한 선택지를 확보했다.

다음에 일어날 일을 결정할 세 가지 신호

다음 단계는 독립적인 워크로드 결과, 기업 채택, 독점형 제공업체의 대응에 의해 결정될 것이다.

첫 번째 신호는 최신 Qwen 및 DeepSeek 시스템에 대한 실제 운영 증거다. 공개 벤치마크는 관심을 끌지만, 지속적인 배포는 신뢰성, 지연 시간, 도구 사용, 운영 비용을 드러낸다.

개발자는 프롬프트, 설정, 실패 범주를 공개하는 평가를 주목해야 한다. 리포지토리 수준 코딩, 다국어 고객 지원, 문서 분석, 장시간 실행되는 에이전트는 하나의 종합 점수보다 더 유용한 증거를 제공할 것이다.

Qwen과 DeepSeek가 이러한 워크로드 전반에서 높은 완료율을 유지한다면 저비용 모델 논지는 더 강해진다. 재시도가 잦거나 도구 사용이 불안정하다면, 주요 벤치마크 결과가 여전히 인상적이더라도 그 논지는 약화될 것이다.

두 번째 신호는 중국 밖에서의 기업 채택이다. 다운로드와 개발자 실험은 중요하지만, 규제 대상 조직이 오픈 중국 모델을 중요한 시스템에 도입할 것임을 입증하지는 않는다.

증거는 클라우드 사용량, 반복 API 수요, 지역 배포, 실명으로 공개된 실제 운영 사례에서 나올 것이다. 오픈 웨이트 배포는 모델을 원 개발사와 분리하기 때문에, 제3자 호스트를 통한 채택도 중요하게 평가될 것이다.

국제적 성장은 비용과 유연성이 조달 우려를 극복할 수 있음을 보여줄 것이다. 실험이나 가격에 민감한 애플리케이션에만 채택이 제한된다면, 더 좁은 기회를 드러낼 것이다.

Alibaba는 모델을 배포 도구 및 클라우드 서비스와 묶을 수 있어 이 분야에서 우위가 있다. DeepSeek는 여러 플랫폼을 통한 이용 가능성의 혜택을 본다. 그러나 두 기업 모두 여러 관할권에 걸쳐 운영하는 조직을 위한 신뢰할 수 있는 지원 경로가 필요하다.

세 번째 신호는 Google과 다른 독점형 연구소의 대응이다. 이들은 모델 비용을 낮추고, 더 작은 시스템을 출시하고, 오픈 모델 계열을 개선하거나, 기존 구독 및 클라우드 계약에 AI를 더 깊게 묶을 수 있다.

폭넓은 독점형 제공업체의 대응은 중국의 효율성 압력이 시장 기대치를 바꿨음을 확인해 줄 것이다. 동시에 원래 도전자의 우위를 유지하기는 더 어려워질 것이다.

Google의 대응은 특히 주목할 만하다. Google은 자체 칩에서 Gemini를 최적화하고, Gemma를 활용해 오픈 모델 개발자를 두고 경쟁하며, 사람들이 이미 사용하는 제품을 통해 AI를 배포할 수 있다. 이 세 가지 접근법을 모두 결합할 수 있는 경쟁자는 거의 없다.

OpenAI와 Anthropic은 Google의 소비자 및 하드웨어 기반 없이도 이와 유사한 선택에 직면해 있다. 이들은 성능, 신뢰성, 에이전트 플랫폼을 통해 프리미엄 지위를 방어할 수 있다. 일상적인 워크로드를 위해 더 작은 모델을 도입할 수도 있다.

핵심 질문은 최전선의 발전이 지속 가능한 프리미엄 가치를 계속 만들어 내느냐는 것이다. 비용이 높은 시스템이 저렴한 모델로는 해결할 수 없는 과제를 처리한다면 계층형 시장은 유지될 것이다. 반대로 성능 격차가 빠르게 좁혀진다면 모델 접근성은 상품에 더 가까운 성격을 띠게 될 것이다.

상품화되었다고 해서 가치가 없다는 뜻은 아니다. 이는 기본 계층에서 공급업체가 차별화를 유지하기 어려운 제품이라는 의미다. 그때 가치는 유통, 통합, 독점 데이터, 워크플로 설계, 신뢰할 수 있는 운영으로 이동한다.

이러한 변화는 클라우드 인프라나 널리 사용되는 소프트웨어를 통제하는 기업에 유리하게 작용할 것이다. 개별 모델 호출의 마진을 압박하더라도 Alibaba와 Google 모두에 혜택이 될 수 있다. DeepSeek는 기술적 기대치를 설정함으로써 계속 영향력을 유지할 것이다.

지식 노동자들은 모델 카드가 아니라 애플리케이션을 통해 이 변화를 경험하게 될 것이다. 비용 하락은 더 많은 백그라운드 조사, 코드 리뷰, 번역, 회의 분석, 문서 처리를 뒷받침할 수 있다. 사용자는 직접 제공업체를 선택하지 않아도 여러 모델의 결과물을 받을 수 있다.

개발자에게는 더 강력한 평가 및 라우팅 관행이 필요해질 것이다. 모델 이름만으로는 애플리케이션 품질을 결정할 수 없다. 주변 데이터, 도구, 권한, 검증 단계가 그만큼 중요해질 것이다.

기업 구매자는 한 번의 출시 주기에 기반해 영구적인 약정을 맺는 일을 피해야 한다. 프롬프트의 이식성을 유지하고, 비즈니스 로직을 제공업체별 인터페이스와 분리하며, 대표성 있는 평가 세트를 보존할 수 있다.

이 접근 방식이 끊임없는 전환을 요구하는 것은 아니다. Qwen, DeepSeek, Gemini 또는 다른 모델이 비용-품질 경계를 바꿀 때 협상력을 유지하게 해 준다. 이식성은 빠른 모델 교체에 대비하는 보험이 된다.

따라서 Alibaba와 Google의 경쟁은 연구 순위 이상의 영역에서 전개될 것이다. 클라우드 도입, 모델 라우팅, 애플리케이션 통합, 신뢰가 모두 관련된다. DeepSeek의 역할은 효율성 기준을 계속 끌어올리는 것이다.

독자들에게 실용적인 행동 지침은 명확하다. 비용이 높거나 처리량이 많은 AI 워크플로 하나를 선정해 여러 모델 등급에서 테스트하라. 마케팅 주장보다 완료된 업무를 측정해야 한다.

더 저렴한 오픈 웨이트 모델이 일상적인 실행을 처리하고, 프리미엄 시스템이 어려운 사례를 맡을 수 있는지 물어보라. 그런 다음 전체 프로세스의 실패 사례, 검토 시간, 지연 시간, 거버넌스 요구사항을 추적하라.

그 실험은 또 하나의 리더보드보다 더 많은 것을 보여 줄 것이다. 저비용 경쟁이 이미 당신의 경제성을 바꾸고 있는지, 아니면 독점적 통합이 여전히 프리미엄을 정당화하는지를 드러낼 것이다.