简体中文

繁體中文

English

Tiếng Việt

한국어

日本語

ภาษาไทย

Türkçe

DeepSeek가 AI 애플리케이션 창업자들에게 봄을 가져다주었다.

动察 Beating

이 글을 읽으려면 30 분

DeepSeek V4-Flash 정식 버전 API가 공개 베타에 출시되어, 매우 낮은 가격으로 100만 컨텍스트, 사고 모드 및 도구 호출 기능을 제공합니다.

원문 제목: 《DeepSeek가 AI 애플리케이션 창업자의 봄을 가져왔다》
원문 저자: 동차 Beating

7월 31일, DeepSeek V4-Flash 정식 버전 API가 공개 베타 서비스를 시작했다.

입력 토큰 100만 개당 1위안, 출력 토큰 100만 개당 2위안. 캐시 히트 시 입력 토큰 100만 개당 단 2푼. 100만 컨텍스트, 사고 모드, 도구 호출 및 Responses API를 지원하며, 단일 계정의 동시 연결 상한은 2500에 달한다.

DeepSeek는 앞으로 피크-오프 피크 가격제를 도입해 피크 시간대에는 가격이 두 배로 오를 예정이다. 그럼에도 불구하고 가격은 여전히 너무 저렴해서 예의에 어긋날 정도다.

DeepSeek 공식 제공 대략적인 환산에 따르면, 중국어 문자 1개는 약 0.6개의 토큰을 소비한다. 토큰 100만 개는 약 167만 개의 중국어 문자를 읽어들일 수 있다. 입력 비용만 보면, 약 167만 개의 중국어 문자를 읽어들이는 데 장부상 가격은 단 1위안이다.

지난 1년 동안 대형 모델 업계는 더 긴 컨텍스트, 더 복잡한 추론, 그리고 점점 더 유능해지는 에이전트에 익숙해졌다. 모델이 업데이트될 때마다 논의는 항상 누가 또 누구를 이겼는지, 벤치마크가 얼마나 앞으로 나아갔는지, AGI까지 얼마나 남았는지에 집중된다.

AI 애플리케이션 창업자에게는 더 현실적인 질문이 하나 있다:

하나의 작업에 도대체 얼마의 비용이 드는가.

모델 성능은 제품이 이론적으로 무엇을 할 수 있는지를 결정하고, 호출 가격은 팀이 얼마나 많은 기능을 실제로 제품에 담을 수 있는지를 결정한다.

오늘 오후, 나는 음성으로 ChatGPT와 오랫동안 이야기를 나눴다. 나는 현 단계에서 AI 애플리케이션이 성공적으로 구축한 비즈니스 모델은 솔직히 말해 토큰 되팔기라고 말했다.

그는 몇 번이나 나를 위해 더 격식 있는 표현을 제안하려 했다. 예를 들어 '추론 능력 소매'나 '지능형 서비스 패키징' 같은 것. 나는 이 사업을 위해 표현을 고민하지 말라고 말했다. 되파는 것은 되파는 것, 듣기에 거북하다고 해서 틀린 것은 아니다.

AI 애플리케이션은 지난 몇 년간 가장 새로운 창업 방향처럼 보이지만, 그 밑바탕에는 아주 오래된 사업이 자리 잡고 있다:

매입, 가공, 가격 책정, 그리고 다시 판매.

그리고 많은 산업 변화는 가장 먼저 매입 가격이 갑자기 떨어지는 것에서 시작된다.

AI 애플리케이션은 토큰을 되파는 사업이다

과거에는 사람들이 인터넷 제품이나 SaaS의 프레임워크로 AI 애플리케이션을 이해하는 데 익숙했다.

소프트웨어 개발이 완료되면 천 명에게 배포할 수도 있고 백만 명에게 배포할 수도 있다. 새 사용자가 추가되면 물론 대역폭, 저장 공간, 서비스 비용이 발생하지만, 이러한 비용은 일반적으로 규모가 커질수록 점차 분산된다.

AI 애플리케이션은 조금 다르다. 사용자가 이미지 한 장을 생성하거나, 보고서 한 부를 작성하거나, 코드 한 줄을 완성하거나, 에이전트가 한 단계 더 실행할 때마다 애플리케이션 회사는 모델을 다시 호출해야 한다. 사용자가 버튼을 누를 때마다 업스트림은 다시 비용을 청구한다.

그래서 현재 대부분의 순수 소프트웨어 AI 애플리케이션이 구축한 기본 비즈니스 모델은 사실 매우 간단하다:

모델 회사에서 토큰을 구매하고, 범용 모델의 역량을 글쓰기, 코딩, 디자인, 고객 서비스, 비디오 또는 에이전트 제품으로 포장한 뒤, 멤버십, 포인트, 건별 과금 방식으로 사용자에게 판매한다.

Poe를 예로 들면, API 출시 당시 추가 포인트의 가격 책정 목표는 기본 모델 공급업체가 자사에 청구하는 가격에 맞추는 것이라고 직접 밝혔다.

업스트림은 모델과 토큰 기준으로 비용을 받고, Poe는 이를 플랫폼 내 포인트로 환산한 뒤 통합 진입점, 결제, 모델 전환, 개발 인터페이스와 함께 사용자에게 판매한다.

일부 회사는 토큰을 판매하지 않고 결과를 판매한다고 말한다. 고객 서비스 소프트웨어 회사 Intercom은 AI 고객 서비스 Fin의 가격을 결과 1건 완료당 0.99달러로 설계했다. 사용자가 문제가 해결되었음을 확인하고 추가로 인간 상담원의 도움을 요청하지 않거나, Fin이 워크플로우 하나를 성공적으로 완료하면 모두 결과 1건으로 간주된다.

이는 단지 가격표를 바꾼 것에 불과하다. 좌석 기준 과금, 작업 기준 과금, 성공적으로 해결한 문제 기준 과금은 사용자가 보는 과금 단위만 바뀐 것이다. 애플리케이션 회사는 여전히 모델을 호출해야 하고, 한 번의 전달을 완료하는 데 얼마나 많은 토큰이 소모되는지 계산해야 한다.

남송 시대 화가 이숭은 《시담영희도》라는 그림을 그렸다. 행상인이 한 짐의 물건을 지고 마을을 돌아다니며, 냄비와 그릇, 바늘과 실, 간식, 장난감을 모두 짐에 걸쳐 놓았다. 한 짐의 행상은 곧 하나의 이동식 잡화점이며, 행상인이 버는 돈은 물건을 고르고, 구성하고, 배달하는 대가다.

AI 애플리케이션 회사가 하는 일도 비슷하다. 모델 제조사는 지능을 생산하고, 애플리케이션 회사는 그 지능을 구체적인 시나리오로 가져온다. 하위에서 사오는 것은 토큰이고, 최종적으로 파는 것은 보고서, 디자인 도면, 비디오여야 한다.

모델 회사는 지능을 팔고, 애플리케이션 회사는 완성을 판다.

이 사업의 수익은 주로 세 가지 차액에 달려 있다.

첫 번째는 조달 차액이다.

같은 모델이라도 팀마다 실제로 받는 비용이 반드시 같지는 않다. 호출량이 많은 회사는 할인을 협상할 수 있고, 엔지니어링 역량이 강한 팀은 캐시, 비동기 처리, 피크-오프피크 호출, 모델 라우팅을 활용해 평균 비용을 더 낮출 수 있다. 남이 1원으로 처리하는 일을 당신이 5천 원으로 처리하면, 남은 5천 원이 곧 수익이다.

쉽게 말하면, 같은 물건을 사들여도 어떤 사람은 도매가로, 어떤 사람은 관광지 가격으로 산다는 뜻이다.

두 번째는 사용 차액이다.

어떤 사람은 멤버십을 구매한 후 매일 AI를 소모품처럼 쥐어짜고, 어떤 사람은 충전할 때 큰 포부를 품지만 보름 후에는 제품조차 사용하지 않는다. 전체 사용자 그룹의 평균 소비량이 요금제 설계 시 예상치보다 낮기만 하면, 사용하지 않은 할당량이 수익 공간을 형성한다.

이것은 헬스장 연간 회원권이나 휴대폰 데이터 요금제의 논리와 비슷하다.

하지만 여기서 한 가지 문제를 주의해야 한다. 상류 조달이 충분히 유연해야 사용자가 적게 쓸수록 수익이 늘어난다. 회사가 이미 연간 계약을 확정해 버렸다면, 남은 토큰이 계좌에 쌓여 있어도 그것은 수익이 아니라 팔리지 않은 창고의 재고일 뿐이다.

사용자가 다 쓰지 않은 것은 침전(沉淀)이라고 하고, 회사가 팔지 못한 것은 압화(压货)라고 한다.

세 번째는 제품 차액이다.

같은 1만 토큰을 소비해도 어떤 제품은 사용자가 계속 오래 수정해야 하는 텍스트만 뱉어내고, 어떤 제품은 이미 자료 정리, 콘텐츠 생성, 사실 검증, 형식 조정, 최종 내보내기까지 완료한다. 기반 비용은 비슷할 수 있지만, 사용자가 기꺼이 지불하는 가격은 완전히 다르다.

AI 애플리케이션의 진정한 가치는 바로 여기에 달려 있다. 조달이 이 사업이 성립할 수 있는지를 결정하고, 제품이 이 사업이 얼마나 가치 있는지를 결정한다.

되파는 토큰은 단지 하부 구조일 뿐, 제품이야말로 차액의 이유다.

제품 매니저, 먼저 회계 담당자가 되다

문제는 AI 애플리케이션이 지속적으로 물건을 들여와야 하기 때문에, 제품 문제가 쉽게 비용 문제로 변한다는 점이다.

Manus의 공식 사용 설명서에서는 이미 이러한 비용이 어떻게 역으로 제품을 형성하는지 볼 수 있다. Manus는 작업의 복잡성과 소비되는 리소스에 따라 월간 구독 포인트를 차감한다. 같은 AI 질문이라도 공식은 간단한 질문은 가능한 한 Chat 모드를 사용하고, 완전한 자율 에이전트를 시작할 필요가 없다고 권장한다. 복잡한 작업은 중간 결과를 먼저 확인해 에이전트가 잘못된 방향으로 계속 실행되어 포인트를 낭비하지 않도록 하는 것이 좋다.

이러한 제안들은 물론 합리적이다. 그러나 이는 Agent 제품의 가장 골치 아픈 측면을 드러낸다. 모델이 더 능동적일수록, 제품 회사는 비용을 예측하기 어려워진다.

챗봇은 한 번 응답하고 멈추기 때문에 비용 계산이 비교적 쉽다. 하지만 Agent는 스스로 작업을 분해하고, 반복적으로 검색하며, 웹페이지를 열고, 도구를 호출한 다음 중간 결과에 따라 다음 단계를 결정한다. 사용자가 단 하나의 명령을 내렸을 뿐인데, 그 뒤에는 수십 번의 모델 호출이 발생했을 수 있다.

그래서 제품은 사용자에게 Agent가 덜 일하도록 하는 방법을 가르치기 시작한다. 걱정되는 것은 계산이 오래되면, 회계 담당자가 제품을 장악하게 된다는 점이다. 어떤 기능을 출시할지 결정할 때, 팀은 더 이상 사용자 필요성을 먼저 고려하지 않고, 단일 작업이 몇 푼 더 비싸질지를 먼저 생각한다. 모델은 이미 더 강력한 능력을 갖추고 있지만, 애플리케이션은 이러한 능력을 사용자에게 온전히 전달하지 못한다.

회사는 당연히 비용을 통제해야 한다. 어떤 스타트업도 가장 비싼 모델을 수도꼭지처럼 사용자가 마음대로 쓰게 할 수는 없다.

또한 일부 제품은 더 나은 성능의 모델을 고가 요금제에 넣고, 일반 사용자는 여러 단계의 제한을 거친 버전을 받는다. 모델의 능력이 사라진 것은 아니지만, 계산이 끝난 후 서로 다른 사람에게 나누어 주어진 것이다.

시간이 지나면서 업계에는 어색한 역전 현상이 나타났다.

사용자는 AI 애플리케이션을 구매하면서 모델이 조금 더 이해하고, 한 걸음 더 생각하며, 더 많은 작업을 완료하길 바란다. 하지만 애플리케이션 회사는 비용을 지키기 위해 모델이 조금 덜 읽고, 한 걸음 덜 생각하고, 조금 덜 일하도록 만든다.

제품은 지능을 판매하는데, 팀이 가장 능숙하게 하는 일은 지능을 깎아내리는 것이 되었다.

게다가 상류에서 가격이 오르면 애플리케이션 회사는 할당량을 줄여야 하고, 경쟁사가 더 낮은 비용을 확보하면 시장의 멤버십 가격은 곧바로 내려간다. 새로운 저렴한 모델이 등장하면 기존의 라우팅과 요금제는 다시 계산해야 한다. 애플리케이션 회사가 제품을 쥐고 있는 것처럼 보이지만, 가장 중요한 변수는 항상 상류에 쥐어져 있다.

지난 2년 동안 AI 애플리케이션 창업자에게 부족했던 것은 반드시 아이디어가 아니었다. 그들에게 더 부족했던 것은 충분히 강력하고, 충분히 저렴하며, 안심하고 제품에 넣을 수 있는 지능이었다.

DeepSeek가 '지능 통행료'를 깎아내렸다

DeepSeek의 가치는 먼저 단순히 가격을 낮추기 위해 만든 절반 성능의 모델이 아니라는 점에 있다. 100만 컨텍스트를 갖추고 있으며, 사고 모드와 도구 호출을 지원한다.

4월 프리뷰 버전을 출시할 때 DeepSeek는 추론 능력이 V4-Pro에 근접하며, 간단한 Agent 작업에서 비슷한 성능을 보인다고 밝혔다. 7월 31일에 업데이트된 정식 버전은 모델 구조와 규모를 변경하지 않고 주로 후훈련을 다시 진행했으며, 여러 Agent 벤치마크에서 이미 V4-Pro 프리뷰 버전을 초과했다.

이것은 매우 중요합니다.

저렴한 모델은 예전에도 있었습니다. 문제는, 저렴하게 공급받더라도 상품이 항상 불량품일 수는 없다는 점입니다. AI 애플리케이션이 진정으로 필요로 하는 것은, 단위 가격 대비 가능한 한 안정적인 지능입니다.

적어도 DeepSeek이 공개한 Agent 및 코드 벤치마크를 기준으로 볼 때, V4-Flash는 이미 다수의 고빈도 작업에서 '충분히 쓸 만한' 기준선을 넘어섰고, 가격도 팀이 과감하게 고빈도로 호출할 수 있을 만큼 낮습니다.

대부분의 일반 사용자에게 있어, 대형 모델은 이미 임계점을 지났을 가능성이 높습니다.

일반인은 벤치마크에 관심이 없습니다. 어떤 모델이 특정 테스트에서 3점이나 5점 앞서는지에는 신경 쓰지 않고, 자신이 맡은 일을 잘 처리할 수 있는지만 관심이 있습니다. 모델이 이미 자료를 읽고, 추론하고, 도구를 조정하고, 결과를 제출할 수 있다면, 능력을 계속 향상시키는 것이 물론 가치가 있습니다. 하지만 그 가치가 몇 배의 가격을 여전히 뒷받침할 수 있는지는 다시 계산해봐야 합니다.

과거에는 모델 회사가 더 강하다고 말하며 더 비싼 가격을 책정하는 것이 당연해 보였습니다. 하지만 이제 그 이유는 더 이상 설득력이 없습니다. 어디가 비싼지, 추가된 능력이 어떤 문제를 해결하는지, 또 얼마나 많은 사용자가 실제로 그것을 필요로 하는지, 모두 테이블 위에 올려놓고 제대로 논의해야 합니다.

DeepSeek은 모든 모델을 저렴하게 만든 것이 아니라, 고가 모델을 사용자에게 설명이 필요한 대상으로 만들었습니다.

핀둬둬가 초기에 진정으로 뚫은 것도 단순히 상품 가격만은 아니었습니다. 그것은 소비자들이 처음으로 많은 일용품이 이렇게 저렴하게 팔릴 수 있다는 것을 보게 했습니다. 과거에는 당연하다고 여겨졌던 브랜드 프리미엄, 유통 비용, 중간 단계가 갑자기 존재 이유를 찾아야 하는 상황이 되었습니다.

핀둬둬가 뚫은 것은 상품의 가격 인식입니다.

DeepSeek이 뚫은 것은 지능의 가격 인식입니다.

창업자들은 이제서야 고개를 숙이고 제품에 집중할 수 있다

AI 애플리케이션 업계에 있어, 다음으로 가장 중요한 일은 창업자들이 마침내 상류(모델 공급)에서 시선을 거둘 수 있다는 점입니다.

과거에는 대형 모델의 업데이트가 너무 빨라서 애플리케이션 회사들이 쉽게 휩쓸렸습니다. 오늘은 더 긴 컨텍스트를 통합하고, 내일은 새로운 추론 모델로 교체하며, 모레는 Agent 기능을 홈페이지에 걸어둡니다. 제품은 계속 업그레이드되는 것처럼 보이지만, 로드맵은 스스로 정한 것이 아닙니다. 모델 공급업체가 무엇을 출시하면, 애플리케이션 회사는 그것을 보여줍니다.

전형적인 상류 번영, 하류 방심입니다.

이제, 기반 모델은 비교적 안정적인 생산 수단이 될 기회를 얻었습니다. 팀은 더 이상 매일 모델 순위표에 매달릴 필요도 없고, '최신 모델 통합'을 가장 중요한 제품 진전으로 여길 필요도 없습니다.

모델이 안정된 후에야 제품은 마침내 변명할 여지가 없어졌다.

모델이 하나의 작업을 완수할 수 있다는 것은 단지 출발점에 불과하다. 제품이 해야 할 일은 그 작업을 실제 프로세스에 넣고 권한, 데이터, 협업, 검토, 실패 처리를 다루어 사용자가 매번 AI에게 작업 방식을 다시 가르칠 필요가 없게 만드는 것이다. 이런 것들은 모델 파라미터만큼 화려하지도 않고, 벤치마크에 오르기도 어렵다. 하지만 사용자가 두 번째 달에도 계속 비용을 지불할 의향이 있는지는 종종 이런 디테일에 달려 있다.

AI 애플리케이션의 가치는 모델을 사용자 앞에 내세우는 것이 아니라, 모델이 작업 속에 녹아들어 보이지 않게 하는 데 있다.

사용자가 더 이상 모델을 선택할 필요가 없고, 프롬프트를 연구할 필요도 없으며, 이 작업 뒤에 몇 차례의 추론이 호출되었는지 신경 쓸 필요가 없을 때, 비로소 애플리케이션은 자신의 역할을 다한 것이다.

이 지점에 이르면, 애플리케이션 기업들의 경쟁은 더 이상 누가 먼저 모델을 확보하느냐가 아니라, 누가 특정 작업을 더 잘 이해하고, 업계에서 매뉴얼에 적히지 않은 규칙을 제품의 일부로 만들 수 있느냐에 달려 있다.

모델은 하룻밤 사이에 강해질 수 있지만, 업계에 대한 이해는 그럴 수 없다. API는 누구나 연동할 수 있지만, 사용자가 진정으로 받아들인 작업 방식은 쉽게 복제할 수 없다.

이것은 또한 과거에는 그다지 거대해 보이지 않았던 많은 사업들이 다시 성립할 가능성을 갖게 만들었다.

AI 창업이 반드시 '차세대 진입점'에서 시작해야 하는 것은 아니며, 모든 회사가 전 인류를 위한 슈퍼 에이전트를 만들어야 하는 것도 아니다. 해외 무역 문의에서 발생하는 하나의 번거로움만 해결할 수도 있고, 체인 매장의 한 가지 프로세스만 지원할 수도 있으며, 특정 전문가 집단의 반복 노동을 덜어주는 데만 집중할 수도 있다.

시장이 모든 사람을 수용할 만큼 클 필요는 없다. 문제가 충분히 구체적이고, 전달이 충분히 안정적이며, 사용자가 얻는 가치가 지불하는 가격보다 높다면, 이 사업은 일단 살아남을 수 있다.

과거에는 모델이 너무 비쌀 때, 작은 시장은 완전한 제품을 지탱하기 어려웠다. 팀은 계속 발생하는 추론 비용을 감당하기 위해 더 큰 사용자 규모, 더 높은 객단가, 더 빠른 투자 유치 속도를 추구해야 했다. 많은 스타트업 프로젝트가 진정한 사용자를 찾기도 전에 이미 지나치게 거대한 스토리를 강요받았다.

이제는 스토리가 조금 더 작아질 수 있다.

작은 팀은 먼저 소수의 사람들을 위해 서비스하며 한 가지 일을 철저히 해낸 다음, 조금씩 밖으로 확장해 나갈 수 있다.

이것은 오늘날 많은 '백년 노포'의 과거 모습과 매우 닮아 있다. 문을 열 때 거리를 지배할 생각은 없었고, 먼저 문 앞의 몇 테이블 손님을 잘 대접하는 것뿐이었다. 음식이 괜찮고 가격이 적절하며 손님이 다음에도 다시 오면, 장사는 자연스럽게 이어졌다.

대형 언어 모델 업계는 규모, 파라미터, 최종 구도를 말하기 좋아한다. 하지만 애플리케이션 창업은 결국 이런 소박한 논리로 돌아가야 한다.

당신이 누구를 위해 일하는지, 그들에게 어떤 문제를 해결해 주는지, 왜 다른 곳이 아닌 당신이어야 하는지—이 세 가지 질문에 DeepSeek는 창업자를 대신해 답해 주지 않는다.

DeepSeek는 단지 팀이 더 이상 대부분의 시간을 상류와의 가격 흥정에 쏟지 않아도 되게 하고, 대형 모델을 훈련할 능력도 없고 특별한 가격을 받을 자격도 없는 소규모 팀에게 비교적 공정한 입장권을 제공할 뿐이다.

과거에는 모델 자체가 장벽이었다. 이제는 누구나 모델을 살 수 있고, 차이는 그것을 무엇에 사용하느냐에 달려 있다. 진정으로 희소한 것은 점차 사용자, 데이터, 프로세스, 신뢰로 옮겨갈 것이다. 실제 업무에 더 가까이 있는 자가 더 큰 기회를 얻는다.

DeepSeek가 지능의 문턱을 낮춘 이후, AI 애플리케이션은 마침내 모델 경쟁에서 다시 하나의 제품 비즈니스로 돌아왔다.