2026년 7월, Fermisense가 올린 한 편의 글이 AI 업계를 흔들었다. 90억 파라미터짜리 작은 오픈소스 모델을 강화학습으로 훈련시켰더니, 세계 최고 프런티어 모델을 전부 이기고도 비용은 최대 340배 싸더라는 것이다. 이 특집 1부는 '인텔리전스를 소유한다'는 개념이 왜 지금 등장했는지를 ChatGPT 이후의 역사와 2026년의 AI 경제학으로 추적한다.
2026년 7월, AI 컨설팅 회사 Fermisense가 「The Rise of Intelligence Ownership」이라는 글을 공개했다. 업계에서 곧바로 화제가 됐다. 주장을 한 줄로 줄이면 이렇다.
"AI로 앞서가는 회사들은 결국 같은 결론에 도달한다 — 남의 지능을 빌려 쓰지 말고, 내 지능을 소유하라."
그 근거로 그들은 직접 실험 하나를 보여준다. 90억 파라미터(9B)짜리 작은 오픈소스 모델을 e커머스 상품 검수 업무에 맞춰 강화학습으로 훈련시켰더니, GPT·Gemini·Claude 같은 최고급 프런티어 모델들을 전부 제치고도, 처리 비용은 가장 싼 프런티어보다 40배, 가장 비싼 프런티어보다 340배 저렴했다는 것이다. 훈련에 든 돈은 GPU 임대료 약 500달러, 시간은 사흘 반이 전부였다.
이게 왜 충격적인지, 그리고 이 접근이 어떻게 작동하는지를 이 특집은 3부에 걸쳐 푼다.
1부인 이 글은 개념과 역사와 경제학을 다룬다. 강화학습이 뭔지, GRPO가 뭔지 같은 기술 용어는 2부에서 차근차근 풀 테니, 여기서는 편하게 "왜 2026년의 승자들이 하필 이 길로 수렴하는가"만 따라오면 된다.
2022년 말 ChatGPT가 등장한 이래, 전 세계 경영진은 똑같은 질문을 반복해 왔다. "AI가 우리 회사에 뭘 해줄 수 있나?"
답은 위험이 낮은 일에서 시작했다. 문서 요약, 이메일 초안, 사람이 손볼 첫 버전 만들기. 그러다 소프트웨어 개발이나 콘텐츠 생성 같은 더 값나가는 인지 노동으로 옮겨갔고, 결국 야심찬 프로젝트로 커졌다 — 회사 내부 지식·데이터·도구에 연결되어 업무를 조율하고 나아가 사업의 일부를 자율적으로 굴리는 'AI 회사 두뇌(company brain)' 를 만들겠다는 것이다.
그런데 여기서 불편한 진실이 하나 있다. 엄청난 시간과 에너지와 토큰을 쏟아부었지만, 규모 있는 성과를 실제로 낸 곳은 드물다. 어떤 회사는 AI 우선(AI-first)을 받아들여 생산성·매출·비용에서 거대한 이득을 봤고, 다른 회사는 조직을 충분히 바꾸지 못해 뒤처지거나 실패했다.
이 격차를 숫자로 보면 섬뜩하다. 기업 지출관리 플랫폼 Ramp가 자사 고객 데이터로 분석한 결과다.
같은 3년(2022년 11월~2025년 12월), 같은 경제 환경이다. AI에 가장 많이 투자한 상위 25%는 매출을 2.2배로 늘렸고, AI에 한 푼도 안 쓴 기업은 15% 남짓 성장에 그쳤다. 무려 여덟 배 차이다. 문제는 "AI를 썼느냐"가 아니라 "어떻게 썼느냐" 였다.
그럼 잘 쓴 회사들은 정확히 뭘 다르게 했을까? Fermisense가 정리한 연구들은 크게 다섯 방향을 가리킨다. 하나씩 보자.
특히 ④와 ⑤, 즉 측정과 예산에 얽힌 이야기가 살벌하다. AI는 대부분의 회사가 익숙하지 않은 가격 모델을 들고 왔다. 직원 수(좌석)당이 아니라 토큰당 과금이라, 쓰면 쓸수록 비용이 선형으로 불어난다.
게다가 오늘의 API 가격은 사실 눈속임에 가깝다. 대부분의 AI 연구소가 시장 점유율을 잡으려고 토큰 비용을 보조금으로 낮춰 팔고 있고(월스트리트저널이 "AI 공룡들이 공짜 컴퓨팅을 뿌린다"고 보도한 바로 그 현상), 프런티어 모델 가격은 앞으로 오를 것으로 전망된다. 지금 싸게 빌려 쓰는 습관이, 볼륨이 커지는 순간 재앙이 된다는 뜻이다.
측정·예산·맥락이라는 마지막 세 문제를 한 번에 겨냥하는 해법으로, AI 선두 그룹이 지난 2년간 굳혀온 방법이 있다. Fermisense는 이걸 이렇게 요약한다.
말이 어렵게 들리지만 발상은 단순하다. 우리 조직만 아는 것(데이터·도구·프로세스)을, 어떤 벤더의 API도 흉내 낼 수 없는 '우리만의 모델'로 구워 넣는 것. 그것도 훨씬 싼값에. 이 과정을 두고 그들은 인텔리전스 오너십(intelligence ownership), 즉 '지능의 소유' 라고 부른다.
여기서 흔한 오해를 짚고 가자. 지능을 소유하라는 말은 ChatGPT나 Claude 구독을 끊으라는 뜻이 절대 아니다.
대부분의 업무 자동화는 여전히 프런티어 모델로 시작하는 게 옳다. 이유가 둘이다.
즉 프런티어 모델은 버리는 게 아니라 졸업하는 것에 가깝다. 심지어 둘은 서로 협업할 수도 있다. 당신의 ChatGPT가 내부 지식이 필요한 대목을 특화 모델에게 넘기고, 반대로 특화 모델이 높은 범용 지능이 필요한 대목을 프런티어에게 되묻는 식이다. 소유와 임대는 배타적 선택이 아니라 역할 분담이다.
이 특집 전체를 관통하는 한 문장을 미리 소개한다. Fermisense의 표현이다.
"프롬프트로 넣은 업무 지식은 호출할 때마다 임대료를 낸다. 훈련으로 넣은 업무 지식은 한 번 사서 가중치 안에 영원히 산다."
무슨 뜻일까. 프런티어 모델에게 "우리 회사는 이런 규칙으로 일한다"를 알려주려면, 그 설명을 매 요청마다 프롬프트에 통째로 실어 보내야 한다. 실험에서 이 '맞춤 설명'은 2,800자에 달했고, 그 결과 입력 토큰 청구서가 호출마다 28~55%씩 부풀었다. 한 번이 아니라 영원히, 모든 호출에서. 이것을 그들은 프롬프트 세금(prompt tax) 이라 부른다.
반면 특화 모델은 그 지식을 모델 가중치 안에 이미 담고 있으니, 매번 설명을 실어 보낼 필요가 없다. 지식을 '임대'하느냐 '소유'하느냐의 차이가, 단가에서 이렇게 갈린다. (이 구조를 실제 숫자로 뜯어보는 건 3부의 몫이다.)
"작은 특화 모델이 거대 프런티어를 이긴다"는 말이 솔깃하긴 한데, 진짜일까? 이미 산업 곳곳에서 벌어지고 있다. 대표 사례 셋만 먼저 보자. (자세한 사례 11건은 3부에서 표로 정리한다.)
세 사례의 공통 문법이 보인다. 강화학습이 오픈소스 모델을 특정 업무에서 프런티어 너머로 밀어 올리고, 그것도 호출당 훨씬 낮은 고정 비용에 해낸다. 시작은 프롬프트로 다진 프런티어로 기준선을 세우고, 그 흔적과 배움을 작은 '내 것'에 압축해 담는 것이다.
이 모든 게 결국 하나의 저울질로 모인다. 빌릴 것인가, 가질 것인가. 그 저울을 결정하는 가장 큰 변수는 볼륨이다. 아래에서 직접 움직여 보자. 하루 처리량을 늘려가며, 프런티어 API로 빌릴 때와 특화 모델을 소유할 때의 연간 비용이 어디서 갈라지는지 확인할 수 있다.
숫자를 만져보면 감이 온다. 소규모에서는 빌리는 게 거의 항상 싸다. 남의 GPU를 필요한 만큼만 쓰는 편이, 내 모델을 훈련·운영하는 것보다 이득이기 때문이다. 역전은 오직 볼륨이 임계점을 넘을 때 일어난다 — 그리고 그 임계점을 넘은 회사에게는, 격차가 연간 수억 달러 단위로 벌어진다.
2부에서 계속 → — 그럼 대체 '강화학습으로 훈련한다'는 게 뭘까? 사전학습·SFT·RLHF부터 요즘 화제인 GRPO까지, 그리고 모델이 실제로 연습할 수 있는 '디지털 트윈'이라는 훈련장까지, 개념의 사다리를 한 칸씩 밟아 오른다.
