Amazon Google AI 경쟁: AWS가 원하는 것은 최고 모델만이 아니라 플랫폼

AWS가 18개 분기 만에 가장 빠른 성장률을 기록했음에도 Amazon은 AI 모델 전략을 바꾸고 있다. Amazon Google 경쟁 내부의 갈등은 점점 더 분명해지고 있다.

Google은 Gemini가 선도적인 모델이자 소비자 비서, 그리고 자사 제품에 탑재되는 지능이 되기를 원한다. Amazon은 고객이 AWS를 통해 사실상 모든 주요 모델을 실행하기를 원한다.

이 차이는 또 한 번의 벤치마크 승리보다 더 중요하다. Amazon은 Nova가 모든 Google, OpenAI 또는 Anthropic 모델을 이길 필요가 없다. 어떤 모델이 승리하든 Bedrock, Trainium, AWS 인프라가 수요를 확보하면 된다.

이 전략에 위험이 없는 것은 아니다. 보도에 따르면 Amazon은 7월 여러 Nova 프로젝트를 축소하기 시작했으며, 연구진을 새로운 프런티어 모델 개발에 집중시키고 있다. 이 구조조정은 기존 모델 포트폴리오가 충분한 추진력을 만들지 못했음을 시사한다.

그럼에도 Amazon의 최신 실적은 회사가 다른 방식으로 승리를 정의할 여력이 있는 이유를 보여준다. 분기 실적에 따르면 AWS 매출은 2분기에 37% 증가했다. Amazon은 AI와 칩 사업이 각각 상당한 규모의 연환산 매출 런레이트를 넘어섰다고도 밝혔다.

Google은 가장 강력한 반론을 제시한다. 존중받는 모델 제품군, 자체 칩, 성장 중인 클라우드 사업, Search 유통망, 막대한 도달 범위의 소비자 AI 제품을 모두 보유하고 있기 때문이다.

따라서 Amazon Google 경쟁은 Nova 대 Gemini보다 더 큰 문제다. 이는 지능 자체를 통제하는 것과, 그 지능을 둘러싼 인프라·유통·기업 고객 관계를 통제하는 것의 경쟁이다.

Amazon은 AWS 가속 속에서 모델 베팅을 좁히고 있다

보도된 Amazon의 Nova 축소는 인공지능에서의 후퇴가 아니라 자원 집중으로 이해하는 것이 가장 적절하다.

Reuters는 7월 28일 Amazon이 여러 자체 개발 모델을 축소하고, 자원을 새로운 프런티어 모델 프로그램에 집중하고 있다고 보도했다. 이 보도는 내부 조직 개편에 정통한 관계자들을 인용했다.

Amazon은 Nova를 단일 챗봇이 아닌 폭넓은 제품군으로 소개했다. 포트폴리오는 텍스트, 이미지, 비디오, 음성, 추론, 모델 맞춤화를 포괄했다.

이러한 폭넓은 구성은 AWS가 다양한 워크로드에 대응할 모델을 제공하게 했다. 동시에 경쟁사들이 소수의 핵심 브랜드에 집중하는 동안, Amazon은 비용이 많이 드는 여러 연구 경로를 지원해야 했다.

보도된 조직 개편은 이 문제를 겨냥한다. Amazon은 로보틱스 연구자 Pieter Abbeel이 이끄는 것으로 알려진 더 작은 규모의 프런티어 모델 개발에 엔지니어와 컴퓨팅 자원을 집중하고 있다.

Amazon은 영향을 받는 모든 모델이나 팀을 공개적으로 상세히 밝히지 않았다. Nova 포트폴리오의 완전한 종료 일정도 발표하지 않았다.

이 구분은 중요하다. 보도된 내부 축소가 Bedrock의 모든 기존 Nova 엔드포인트가 즉시 사라진다는 뜻은 아니다.

AWS는 고객이 마이그레이션을 계획할 수 있도록 모델 수명주기 정보를 공개한다. 기업 사용자는 연구 조직 개편이 곧바로 서비스 종료를 의미한다고 가정하기보다 이 공지를 따라야 한다.

이 시점은 겉보기에는 모순을 만든다. Amazon은 모델 사업 일부를 줄이는 동시에 AI 인프라 지출을 늘리고 더 강한 클라우드 성장세를 보고하고 있다.

Amazon의 인센티브를 분리하면 이 모순은 사라진다.

독점 모델은 자체 경쟁력만으로 개발자를 끌어들여야 한다. 뛰어난 평가 성능, 신뢰할 수 있는 동작, 경쟁력 있는 운영 비용, 빠른 업데이트, 구매 결정에 영향을 줄 만큼의 인지도가 필요하다.

클라우드 플랫폼은 더 폭넓은 매출 경로를 갖는다. 컴퓨팅 용량, 스토리지, 데이터베이스, 보안, 네트워킹, 모델 액세스, 에이전트 인프라, 배포 도구를 판매할 수 있다.

고객이 Amazon 모델을 선택하면 AWS는 사용 수익을 얻을 수 있다. 그 고객이 Claude, OpenAI 모델 또는 다른 지원 시스템을 선택할 때도 AWS는 수익에 참여할 수 있다.

Amazon이 추구하는 것으로 보이는 더 가치 있는 위치가 바로 이것이다. 목표는 모델 연구를 포기하는 것이 아니다. 외부 연구소가 선호 모델을 내놓더라도 AWS가 가치 있는 플랫폼이 되게 하는 것이다.

Bedrock은 현재 100개 이상의 파운데이션 모델을 지원한다. 이는 방대한 데이터 모음으로 학습된 적응형 시스템을 뜻한다. AWS는 이 서비스가 10만 곳 이상의 조직에서 사용되고 있다고 말한다.

이 수치는 회사 측 주장이나, Amazon이 자사의 강점을 어떻게 규정하는지 보여준다. 단일 리더보드 순위보다 카탈로그와 운영 계층이 더 중요하다.

새롭게 설계된 Bedrock 경험은 이러한 의도를 더 명확히 한다. 개발자는 널리 쓰이는 OpenAI 및 Anthropic 소프트웨어 라이브러리와 호환되는 인터페이스를 사용할 수 있다.

호환성은 전환 작업을 줄인다. 팀은 주변 애플리케이션 구성 요소를 모두 다시 구축하지 않고도 다른 모델을 평가할 수 있다.

Amazon은 2026년 Anthropic, Meta, Mistral, Cohere, Amazon의 제품과 함께 Bedrock에 OpenAI 모델을 추가했다. Bedrock 통합에는 통합된 보안, 거버넌스, 비용 관리 기능이 포함된다.

이는 Amazon의 이야기에서 첫 번째 중요한 반전을 만든다. Nova와 경쟁하는 모델을 지원하는 일도 AWS를 강화할 수 있다.

내부 경쟁이 커질수록 플랫폼은 더 유용해진다. Amazon은 개별 모델 평가에서는 질 수 있지만, 그 결과 발생하는 클라우드 워크로드에서는 승리할 수 있다.

이는 전략의 성공을 입증하는 것은 아니다. 모델 리더십이 가치 창출로 가는 하나의 경로일 뿐인 사업을 Amazon이 설계했다는 증거다.

이제 Amazon Google 비교가 중요한 이유

Google은 모델 품질, 클라우드 인프라, 자체 실리콘, 소비자 유통망, 독점 데이터를 한 회사 안에 결합한다는 점에서 Amazon에 압박을 가한다.

많은 AI 비교는 Amazon을 OpenAI나 Anthropic과 나란히 놓는다. 이런 비교는 모델 성능 측면에서는 유용하지만, 더 깊은 사업상의 충돌을 놓친다.

Google이 더 완전한 전략적 경쟁자다. Google Cloud는 AWS와 직접 경쟁하며, Gemini는 Amazon의 모델 및 Bedrock을 통해 제공되는 타사 시스템과 경쟁한다.

Google은 Search, Workspace, Android, Cloud, 소비자 애플리케이션을 통해 Gemini를 배포할 수 있다. 각 접점은 사용자를 유치하거나 컴퓨팅 용량을 판매할 또 하나의 기회를 만든다.

Alphabet은 2026년 2분기 Google Cloud 매출이 전년 동기 대비 82% 성장했다고 밝혔다. 또한 자체 모델 API가 분당 약 220억 토큰을 처리하고 있다고 보고했다.

토큰은 텍스트 또는 기타 모델 입력의 작은 단위다. 토큰 처리량은 개발자와 제품이 AI 시스템을 얼마나 많이 사용하는지에 대한 대략적인 관점을 제공한다.

Google의 실적 요약에 따르면 Gemini 애플리케이션은 월간 활성 사용자 9억 5,000만 명에 도달했다. 이 유통망은 Amazon에 없는 것, 즉 널리 알려진 소비자 AI 목적지를 Google에 제공한다.

Google은 Gemini를 개선하고 기존 사용자 앞에 배치하며, 기반 기능을 Google Cloud를 통해 판매할 수 있다. 또한 이 모델을 광고, 검색, 생산성, 개발자 제품 전반에 활용할 수 있다.

Amazon도 Alexa와 쇼핑 플랫폼을 비롯한 강력한 소비자 접점을 보유하고 있다. 하지만 Nova는 Gemini나 ChatGPT에 견줄 만한 소비자 브랜드가 되지 못했다.

Amazon의 강점은 다른 곳에 있다. AWS는 이미 대규모 기업 고객 기반을 위해 데이터베이스, 애플리케이션, ID, 보안 정책, 컴퓨팅 환경을 관리하고 있다.

이러한 기존 관계는 중요하다. 실제 운영 환경의 AI 시스템에는 모델 액세스 이상의 것이 필요하기 때문이다. 권한, 모니터링, 데이터 검색, 감사 기록, 네트워크 제어, 예측 가능한 운영이 필요하다.

모델은 데모 중 유용한 답변을 생성할 수 있다. 실제 서비스는 조직의 규칙을 준수하면서 허용 가능한 답변을 반복적으로 생성해야 한다.

Amazon이 가치를 확보하려는 지점은 바로 데모와 운영 사이의 이 간극이다.

Bedrock은 고객이 전체 애플리케이션을 다른 클라우드로 옮기지 않고도 모델을 비교할 수 있게 한다. AgentCore와 관련 AWS 서비스는 AI 에이전트의 실행 계층을 다룬다.

AI 에이전트는 모델을 사용해 도구 전반에서 작업을 계획하고 수행하는 소프트웨어다. 모델은 추론을 제공하지만, 주변 시스템은 ID, 메모리, 권한, 실행을 제어한다.

이러한 주변 시스템은 모델보다 교체하기 더 어려워질 수 있다. 모델은 빠르게 바뀌지만, 기업 데이터 아키텍처와 보안 제어는 느리게 움직인다.

이것이 Amazon의 모델 중립적 제안이 매력적인 이유다. 기업 구매자는 내년에 어떤 모델 제품군이 모든 워크로드에서 선두를 차지할지 알지 못한다.

한 팀은 코딩 워크플로에 Claude를 선호할 수 있다. 다른 팀은 도구 사용에는 OpenAI 시스템을, 미디어 분석에는 Nova를, 일상적인 분류에는 더 작은 모델을 선택할 수 있다.

Amazon은 모든 선택이 동일한 인프라 계층에 대한 수요를 만들기를 원한다.

Google도 Vertex AI를 통해 모델 선택권을 제공하므로, 이 개념을 Amazon이 독점하는 것은 아니다. Microsoft 역시 기업 클라우드 사업 내에서 멀티모델 카탈로그를 운영한다.

차이는 강조점에 있다. Google은 유난히 폭넓은 제품 네트워크 전반에서 Gemini를 기본값으로 만들 수 있다. Amazon은 Bedrock을 고객이 선택하는 통제된 환경으로 제시한다.

이는 두 회사 모두에 압박을 만든다.

Amazon은 중립성이 선호 모델과 그 유통망을 직접 보유하는 것보다 더 큰 가치를 제공한다는 점을 증명해야 한다. Google은 통합 스택이 고객 선택권을 제한하거나 원치 않는 의존성을 만들지 않는다는 점을 증명해야 한다.

따라서 Amazon Google 경쟁은 단순한 모델 대결이 아니다. 기업이 폭넓은 모델 유틸리티와 통합형 인텔리전스 플랫폼 중 무엇을 선호할지 묻는 문제다.

가치 있는 계층은 모델을 둘러싼 모든 것

Amazon의 핵심 베팅은 모델 지능이 더 쉽게 대체 가능해지는 반면, 컴퓨팅과 비즈니스 데이터에 대한 거버넌스된 액세스는 계속 희소할 것이라는 점이다.

사용자는 모델의 출력을 볼 수 있으므로 모델이 관심을 끈다. 인프라는 애플리케이션이 비싸지거나, 신뢰할 수 없게 되거나, 관리하기 어려워질 때까지 대체로 보이지 않는다.

실제 운영 워크로드는 이런 숨은 요구사항을 빠르게 드러낸다.

고객 서비스 담당자를 위한 비서를 구축하는 회사를 생각해 보자. 이 비서는 승인된 계정 정보를 검색하고, 직원 권한을 준수하며, 최신 정책을 인용하고, 다른 고객의 기록을 노출하지 않아야 한다.

유능한 모델을 선택하는 것은 이 문제의 일부만 해결한다. 회사는 여전히 데이터 연결, ID 확인, 관측성, 평가, 에스컬레이션 절차가 필요하다.

모델을 전환하려면 API 호출을 바꾸고 새로운 출력을 테스트하면 될 수 있다. 하지만 모든 데이터베이스, 권한, 로그, 워크플로를 옮기려면 훨씬 더 많은 작업이 필요할 수 있다.

Amazon은 AWS가 이 지속적인 운영 맥락을 소유하기를 원한다.

자체 Trainium 칩도 같은 전략을 뒷받침한다. 모델을 학습하고 실행하는 데는 막대한 컴퓨팅 용량이 소모되므로, 하드웨어의 가용성과 효율성은 상업적으로 중요하다.

Amazon의 회사 실적에 따르면 Anthropic이 사용하는 대규모 AWS 클러스터인 Project Rainier에는 50만 개가 넘는 Trainium2 칩이 포함돼 있다. 2026년 중반까지 Trainium3 공급량의 거의 전부가 이미 배정될 것으로 예상됐다.

이러한 주장은 강한 수요를 나타내지만, 회사 공개 자료는 워크로드 구성이나 고객 집중도를 완전히 보여주지는 않는다.

Anthropic은 Amazon의 모델 불문 전략이 가진 장점과 한계를 구체적으로 보여주는 사례다.

Claude는 Amazon 모델이 아니다. 그럼에도 Claude가 AWS 칩에서 실행되고, Bedrock에 제공되며, 지원 서비스에 대한 수요를 만들면 Amazon은 이익을 얻을 수 있다.

Anthropic은 4월 확대된 Amazon 계약이 최대 5기가와트의 추가 컴퓨팅 용량을 포함한다고 밝혔다. 또한 10만 명이 넘는 고객이 Bedrock을 통해 Claude를 실행하고 있다고 말했다.

기가와트는 모델 성능이 아니라 전력을 측정하는 단위다. 이 수치는 사용량이 많은 시스템을 학습하고 서비스하는 데 필요한 인프라의 규모를 보여준다.

컴퓨팅 계약은 Claude를 AWS, Google Cloud, Microsoft Azure 전반에서 계속 사용할 수 있도록 한다. 따라서 Anthropic은 Amazon에 전적으로 의존하지 않고 여러 클라우드 채널의 혜택을 얻는다.

이러한 구조는 플랫폼의 트레이드오프를 잘 보여준다.

Amazon은 모델을 통제하지 않으면서 워크로드를 확보한다. Anthropic은 Amazon에 독점권을 주지 않으면서 유통망을 얻는다.

고객은 선택권을 얻지만, 여전히 Bedrock 특유의 오케스트레이션, 보안, 데이터 서비스에 의존하게 될 수 있다. 모델 선택권이 플랫폼 종속을 자동으로 없애주는 것은 아니다.

Amazon의 OpenAI 관계도 같은 논리를 확장한다. AWS는 Nova뿐 아니라 서로 경쟁하는 두 주요 외부 모델 계열을 호스팅할 수 있다.

소매업체라면 이를 진열 공간이라고 부를 것이다. 클라우드 제공업체는 이를 관리형 모델 액세스라고 부른다.

전략적 가치는 수요를 집계하는 데서 나온다. 고객이 Bedrock 안에서 여러 모델을 시험한다면 Amazon은 모든 승자 모델을 예측할 필요가 없다.

모델 라우팅은 이 논리를 한층 강화한다. 라우팅 소프트웨어는 품질, 지연 시간, 가용성, 비용 등의 요소를 바탕으로 각 요청에 맞는 모델을 선택한다.

복잡한 코딩 요청은 최첨단 모델로 보낼 수 있다. 기본적인 분류 작업은 자원을 덜 사용하는 소규모 시스템으로 처리할 수 있다.

라우팅이 개선될수록 최종 사용자에게 모델 브랜드는 덜 드러날 수 있다. 클라우드 플랫폼은 선택, 모니터링, 과금을 통제하기 때문에 영향력이 커진다.

Amazon은 이러한 결과가 불가피하다는 점을 입증하지는 못했다. 일부 개발자는 새 기능을 더 빨리 받을 수 있기 때문에 제공업체의 직접 API를 선호한다.

제공업체는 중요한 기능을 자체 플랫폼에만 남겨둘 수도 있다. 클라우드 카탈로그는 모델을 더 늦게 받거나 더 적은 제어 기능만 제공할 수 있다.

그럼에도 Amazon은 기업이 여러 모델을 사용하는 환경에 유리한 위치에 있다. 모델 시장이 더 파편화될수록 집계의 유용성은 커진다.

Google도 Vertex AI를 통해 파편화의 혜택을 본다. 다만 Google은 자사 제품 전반에서 Gemini를 기본 지능으로 만들 동기가 더 강하다.

이 차이는 각 기업의 투자 스토리를 형성한다.

Google은 칩부터 소비자 제품까지 연결된 여러 계층을 통제하는 수직 통합을 통해 가치를 추구한다. Amazon은 더 다양한 공급업체 기반 전반의 오케스트레이션을 통해 가치를 추구한다.

Amazon이 여전히 모델을 개발하는 이유는 플랫폼 중립성이 기술적 의존을 의미할 수는 없기 때문이다. Nova는 AWS에 협상력, 내부 전문성, 차별화된 제품, 그리고 외부 조건이 변할 때의 대안을 제공한다.

따라서 보도된 Nova 구조조정이 독점 모델 전략을 없애는 것은 아니다. 이는 소유권이 의미 있는 우위를 만들 수 있는 영역에 포트폴리오를 집중시키는 조치다.

성공적인 새 Amazon 최첨단 모델은 Bedrock을 강화할 것이다. 반면 외부 모델 수요가 계속 증가한다면 기대에 못 미치는 모델이 주는 타격은 더 작을 것이다.

이러한 비대칭적 결과가 Amazon 접근법의 핵심이다.

Amazon의 플랫폼 우위에는 분명한 약점도 있다

폭넓은 카탈로그는 고객이 최신 모델, 일관된 기능, 신뢰할 수 있는 마이그레이션, 그리고 실제로 떠날 수 있는 자유를 얻을 때에만 가치가 있다.

Amazon 전략에 대한 가장 강력한 비판은 타이밍에서 시작된다. 모델 개발업체는 종종 최신 기능을 먼저 직접 서비스로 출시한다.

따라서 Bedrock 고객은 어려운 선택에 직면할 수 있다. 팀은 AWS 거버넌스를 유지하며 기다리거나, 즉각적인 액세스를 위해 직접 제공업체로 이동할 수 있다.

이러한 지연은 경쟁적인 제품 개발에서 중요하다. 새로운 추론 기능이나 더 낮은 지연 시간의 모델은 애플리케이션 품질과 운영 경제성에 영향을 미칠 수 있다.

모델 다양성은 피상적일 수도 있다. 오래된 시스템이 많은 카탈로그가 가장 관련성 높은 최신 선택지를 갖춘 카탈로그와 동등한 것은 아니다.

AWS 문서는 수명 주기 날짜를 제공하지만, 모델이 지원 종료되면 고객은 여전히 마이그레이션 작업을 부담한다. 프롬프트 동작, 출력 형식, 안전 규칙, 도구 호출은 대체 모델마다 달라질 수 있다.

일관된 API는 통합 마찰을 줄인다. 그렇다고 서로 다른 모델이 동일하게 동작하게 만드는 것은 아니다.

보도된 Nova 축소는 이러한 우려를 더 부각한다. 영향을 받는 Amazon 모델을 사용하는 조직에는 명확한 일정과 지원되는 마이그레이션 경로가 필요하다.

Amazon은 모든 Nova 워크로드에 대한 영향을 판단할 만큼 충분한 세부 정보를 공개적으로 제공하지 않았다. 따라서 보도에서는 확인된 수명 주기 공지와 내부 전략 관련 보도를 구분해야 한다.

또 다른 위험은 집중도에서 나온다.

Amazon은 Bedrock을 멀티모델 플랫폼이라고 부르지만, 가장 깊은 관계는 점점 몇몇 대형 미국 기반 제공업체에 집중되고 있다. 상업 계약은 어떤 시스템이 먼저 도입되고 최상의 통합을 받는지에 영향을 줄 수 있다.

그렇다고 Bedrock이 폐쇄적이라는 뜻은 아니다. 다만 중립성은 마케팅 언어가 아니라 제품 가용성으로 판단해야 한다는 의미다.

고객은 출시 시점, 지역별 가용성, 맞춤화 지원, 안전 제어, 제공업체별 기능에 대한 액세스를 비교해야 한다.

Google은 이 지점의 약점을 활용할 수 있다. Gemini가 경쟁력을 유지하고 Google Cloud가 긴밀한 통합을 제공한다면, 구매자는 지원 수준이 고르지 않은 카탈로그보다 일관된 스택을 선호할 수 있다.

Google의 2분기 모멘텀은 이 주장을 뒷받침한다. 클라우드 성장률은 82%에 달했고, Gemini 사용량은 소비자 및 개발자 채널 전반에서 확대됐다.

Amazon의 AWS 성장률 37%도 상당했다. 이 수치는 두 인프라 전략 모두 수요를 끌어들이고 있으며, 아직 뚜렷한 승자가 나타나지 않았음을 보여준다.

자본 집약도는 또 다른 불확실성을 만든다.

AI 데이터센터, 칩, 전력 용량은 미래 수요가 모두 가시화되기 전에 투자를 확정해야 한다. Amazon은 최근 실적 발표 이후 계획된 기술 지출을 늘렸다.

이 지출에는 로보틱스와 위성 등 생성형 AI 밖의 프로젝트도 포함된다. 이를 모델 투자만의 순수한 척도로 봐서는 안 된다.

핵심 질문은 이러한 자산을 뒷받침할 만큼 가동률이 충분히 빠르게 늘어나는지다. 유휴 용량은 수익률을 압박할 수 있고, 용량 제약은 고객을 다른 곳으로 보낼 수 있다.

Amazon은 수요가 여전히 강하다고 말한다. AI 및 칩 사업은 상당한 연환산 매출 규모에 도달했으며, AWS 성장률은 여러 분기 연속 가속됐다.

이 회사 수치는 인프라 논지를 뒷받침한다. 그러나 감가상각비와 에너지 비용을 뺀 뒤 각 AI 워크로드가 얼마나 많은 추가 이익을 창출하는지는 입증하지 못한다.

같은 우려는 Google에도 적용된다. 빠른 클라우드 성장이 데이터센터 확장과 맞춤형 칩 배치에 드는 비용을 없애주지는 않는다.

기업 도입은 또 다른 과제를 제시한다.

기업들은 성공적인 실험을 광범위한 프로덕션 환경으로 옮기지 않은 채 여러 모델을 시험하는 경우가 많다. 보안 검토, 신뢰할 수 없는 출력, 데이터 품질, 불분명한 비즈니스 수익은 배포를 지연시킬 수 있다.

Bedrock은 고객이 실험 단계를 넘어설 때 더 큰 전략적 가치를 얻는다. 토큰 사용량만으로는 애플리케이션이 지속적인 고객 가치를 만드는지 알 수 없다.

구매자는 워크로드 수준의 증거를 살펴봐야 한다. 유용한 지표로는 애플리케이션을 사용하는 직원 수, 완료된 작업, 오류율, 검토 시간, 유지되는 프로덕션 워크로드 등이 있다.

지식 근로자에게는 모델이 바뀌어도 연속성이 필요하다. 메모, 원천 자료, 의사결정은 특정 어시스턴트 밖에서도 접근할 수 있어야 한다.

개인용 AI 지식 베이스는 이러한 맥락을 보존할 수 있지만, 기업 시스템에는 더 폭넓은 거버넌스가 필요하다. 원칙은 같다. 변화하는 모델 계층과 별도로 지속 가능한 지식을 보존해야 한다.

규제는 또 다른 제약을 더한다. 여러 관할권에서 운영하는 기업에는 데이터 위치, 보존, 액세스, 모델 평가를 위한 제어 기능이 필요하다.

클라우드 플랫폼은 정책을 중앙화해 이러한 작업을 단순화할 수 있다. 동시에 플랫폼의 컴플라이언스 도구와 계약 조건에 대한 의존도를 더 높일 수도 있다.

Amazon의 접근법은 집계가 만들어내는 복잡성보다 더 많은 복잡성을 줄일 때에만 승리한다.

이 결과는 사용 가능한 모델 수만으로 가정할 수 없다. 더 빠른 배포, 쉬운 마이그레이션, 안정적인 애플리케이션, 측정 가능한 고객 유지율에서 드러나야 한다.

Amazon과 Google의 AI 경쟁에서 주목할 점

다음 단계는 단일 벤치마크 차트가 아니라 프로덕션 도입, 모델 출시 규율, 인프라 경제성에 의해 결정될 것이다.

첫 번째 신호는 Amazon의 차기 최첨단 모델 출시다.

보도에 따르면, 집중된 연구 그룹은 새로운 플래그십 시스템을 개발하고 있다. 이 출시를 통해 Amazon이 단순히 범위를 줄이는 것인지, 아니면 더 강력한 기술 중심을 기반으로 재구축하는 것인지가 드러날 것이다.

성능도 중요하지만 도입이 더 중요하다. Amazon은 개발자들이 발표 이후 모델을 단순히 시험하는 데 그치지 않고 실제 워크로드에 선택하도록 해야 한다.

가장 주목할 세부 사항에는 지원 모달리티, 도구 사용, 지연 시간, 맞춤화, 지역별 가용성, 기존 Nova 사용자에 대한 마이그레이션 옵션이 포함된다.

명확한 로드맵은 Amazon의 주장을 강화할 것이다. Nova 수명 주기 날짜를 둘러싼 불확실성이 지속된다면 이를 약화시킬 것이다.

두 번째 신호는 상대적인 클라우드 성장과 AI 활용도다.

최신 분기에서 AWS는 37% 성장했고 Google Cloud는 82% 성장했다. 이 비율은 서로 다른 매출 기반에서 출발하므로 직접적인 시장 점유율 점수로 봐서는 안 된다.

향후 공시에서는 AWS가 더 많은 외부 모델을 추가한 뒤에도 성장 가속을 유지하는지 보여줘야 한다. 또한 Google이 Gemini 배포를 지속적인 클라우드 수요로 전환하는지도 보여줘야 한다.

가장 유용한 지표에는 프로덕션 고객, 약정 용량, 모델 API 사용량, 인프라 활용도, AI 관련 서비스의 성장 등이 포함된다.

고객이 여러 모델 제공업체를 사용하면서도 데이터와 에이전트 운영을 AWS 안에 유지한다면 Amazon의 논지는 강화된다. 중요한 워크로드가 모델 회사나 경쟁 클라우드로 직접 이동한다면 약화된다.

Gemini가 소비자 참여와 기업 클라우드 도입을 모두 이끈다면 Google의 논지는 강화된다. 고객이 Gemini를 다른 기업 플랫폼 내에서 교체 가능한 하나의 모델로 취급한다면 약화된다.

세 번째 신호는 클라우드 마켓플레이스 전반의 출시 동등성이다.

Amazon은 폭넓은 선택권을 주장할 수 있지만, 개발자들은 주요 모델과 기능이 얼마나 신속하게 도입되는지 판단할 것이다. 또한 Bedrock이 직접 API를 통해 제공되는 제어 기능을 노출하는지도 평가할 것이다.

OpenAI의 Bedrock 도입은 Amazon의 입지를 개선했다. Anthropic, Google 및 다른 제공업체의 지속적인 출시는 플랫폼의 신뢰도를 높일 것이다.

업데이트가 지연되면 반대 결과가 생길 것이다. 개발자들은 통합 제어 플레인만을 위해 영구적인 기능 격차를 받아들이지 않을 것이다.

Google도 관련된 시험대에 오른다. Google이 제품 전반에서 Gemini를 계속 홍보하는 가운데, Vertex AI는 진정한 모델 선택권을 제공해야 한다.

이러한 신호는 플랫폼 개방성의 어떤 정의가 상업적 압력 속에서 살아남는지 보여줄 것이다.

기업 구매자에게 즉각적인 대응은 실용적이어야 한다. 가능한 경우 애플리케이션 로직, 회사 데이터, 평가, 권한을 특정 단일 모델에서 분리하라.

동일한 대표 작업을 대상으로 적합한 모델을 최소 두 개 시험하라. 정확도, 지연 시간, 실패 패턴, 검토 노력, 운영 복잡성을 측정하라.

모델 수만을 기준으로 플랫폼을 선택하지 마라. 출시 시점, 이식성, 지역 지원, 거버넌스 제어, 마이그레이션 문서의 품질을 확인하라.

개발자는 직접 API와 관리형 클라우드 액세스도 비교 테스트해야 한다. 최선의 선택은 워크로드, 컴플라이언스 요구 사항, 예상되는 모델 변화 속도에 따라 달라질 수 있다.

지식 노동자들은 모든 벤치마크를 따라갈 필요가 없습니다. 중요한 것은 기반 모델이 바뀌더라도 자신이 사용하는 도구가 출처, 맥락, 결과물을 보존하는지 여부입니다.

Amazon과 Google의 경쟁은 그 지속 가능한 계층을 향해 이동하고 있습니다. Google은 Gemini가 사람들이 어디서나 접하는 지능이 되기를 원합니다. Amazon은 기업들이 선택하는 어떤 지능이든 운영하는 장소로 AWS가 남기를 원합니다.

어느 쪽도 리더십을 보장하지는 않습니다. Google의 통합된 배포력은 모델 개선을 즉각적인 사용으로 전환할 수 있습니다. Amazon의 중립적 인프라는 모든 모델의 승자를 정확히 예측하지 못하더라도 수요를 수익화할 수 있습니다.

결정적인 질문은 이제 측정할 수 있습니다. 기업들이 대규모로 AI를 배포할 때, 어떤 계층이 가장 대체하기 어려운 영역이 될까요?

데이터가 어디에 머무는지, 에이전트가 어디에서 실행되는지, 새로운 모델을 어디에서 가장 먼저 사용할 수 있게 되는지를 지켜보세요. 이러한 선택이 Amazon의 플랫폼이 최고의 모델 하나를 보유하는 것보다 더 가치 있다는 점을 입증할지 결정할 것입니다.