모델은 부산물이고, 공장이 제품이다

이번 주, 모델을 만드는 회사가 내놓은 보고서의 성격은 공장입니다. Recursive는 4개월의 자동화로 첫 AI 모델을 만들었고 주체는 자동화입니다. Mirendil의 AI 에이전트는 프런티어 코딩 모델의 사전학습에 쓰인 코드의 99%를 작성했습니다. 두 보고서는 겉이 다릅니다. 하나는 공장을 세우는 데 걸린 시간이고, 다른 하나는 공장 코드를 누가 썼는지를 말합니다. 혼자 읽으면 개별 소식이고, 나란히 놓으면 같은 방향을 가리킵니다. 모델 경쟁에서 희소한 것이 가중치에서 가중치를 만드는 공장으로 이동하고 있다는 뜻입니다. 이번 주 뉴스에서 이 두 보고서는 고립되어 있지 않습니다. 칩 제조사는 공장의 후학습 단계를 제품으로 내놓았고, 프런티어 랩은 모델을 미국 3대 클라우드까지 깔아 배포를 마쳤습니다. 이것들을 같은 페이지에 놓으면 하나의 그림이 생깁니다. 공장이 빨라지고, 산출물이 진열대에 올라가고, 진열대 밖에서는 공장 자체가 팔리기 시작했다는 그림입니다.

글의 핵심 개념을 형상화했습니다.

4개월, Recursive의 공장 보고서

HuggingNews 보도에 따르면, Recursive는 자동화를 통해 4개월 만에 자체 첫 AI 모델을 구축했습니다. 모델 이름은 Flint이고, 40B 파라미터 오픈웨이트 머신러닝 시스템입니다. M4 Pro MacBook Pro에서 초당 125토큰 이상의 속도를 냅니다.

여기서 눈이 가는 숫자는 40B가 아닌 ‘첫’이라는 표현입니다. 모델 회사의 첫 모델은 회사 설립 보고서입니다. 설립 보고서는 회사가 누구이고 무엇을 만들 수 있고 얼마의 비용으로 만들 수 있는지를 답합니다. 예전에는 스타트업의 첫 모델이 클러스터를 빌린 수십 명 팀이 모인 뒤에 나왔고, 시간 단위는 연이었습니다. 인원을 짜고 데이터 파이프라인을 깔고 훈련을 돌리고 무너뜨리고, 다시 돌리는 순서가 한 회사의 첫 해를 먹었습니다. Recursive의 보고서는 그 시간 단위를 4개월로 줄였습니다. 그리고 일의 주체를 팀에서 자동화로 바꿨습니다. 모델 하나를 빨리 만든 게 아닙니다. 공장을 짓는 행위 자체가 자동화되었습니다. 설립 보고서의 시간 축이 바뀐다면, 자본 장벽의 높이도 바뀝니다. 모델을 처음부터 만들기 위한 준비 기간이 4개월이면, 그 준비에 들어가는 돈도 그에 맞게 얇아집니다. 준비 기간이 얇아진 자리에 들어오는 회사는 더 많아지고, 들어오는 회사가 많아지면 새로 나오는 모델도 많아집니다. 이 문장은 Recursive의 보고서가 시장에 주는 파장이 됩니다.

모델이 오픈웨이트이고 노트북에서 체감 가능한 속도로 도는다는 사실에도 무게가 실립니다. 공장의 산출물이 더 이상 데이터센터까지 가야 하는 존재가 아니게 되었습니다. 40B 시스템이 M4 Pro MacBook Pro에서 초당 125토큰 이상을 내면, 그 모델은 한 개발자 책상에 올릴 수 있는 산출물이 됩니다. 공장 보고서에서 이것은 배포 위치의 문장입니다. 산출물이 어디에서 쓰이느냐의 선택지가 넓어졌기 때문입니다.

99%, Mirendil의 공장 보고서

Mirendil의 보고서는 공장 코드 쪽에 있습니다. Mirendil의 AI 에이전트들이 프런티어 코딩 모델의 사전학습에 쓰일 코드의 99%를 작성했습니다. 엔지니어 팀 전체를 AI 에이전트로 대체한 뒤, 회사는 첫 대규모 코딩 모델의 후학습 단계로 넘어갔습니다.

99%는 생산성 숫자 이상입니다. 모델을 학습시키는 코드는 공장의 설계도입니다. 데이터 파이프라인, 학습 루프, 평가 하네스, 클러스터에서 도는 스크립트까지, 전부 공장 코드입니다. 에이전트가 설계도를 쓰면 공장의 개선 루프가 AI 안에서 닫힙니다. 모델이 코드를 쓰고 그 코드가 모델을 학습시키고 다음 모델이 더 좋은 코드를 씁니다. 이 루프가 의미하는 것은 속도입니다. 모델의 개선 속도가 더 이상 사람의 엔지니어링 속도로 제한되지 않는다는 것입니다. 사람이 코드를 쓰던 시절에는 모델 하나가 다음 모델로 넘어가는 데 한 분기가 들었습니다. 코드의 99%가 에이전트의 손에서 나오면, 그 분기는 루프가 도는 컴퓨트의 대기 시간으로 압축됩니다.

여기서 구분 하나가 중요합니다. Mirendil의 에이전트가 쓴 코드는 프런티어 코딩 모델의 사전학습에 쓰일 코드입니다. 공장의 설계도가 99% AI의 손에서 나온 셈입니다. 생산 수단이 제품의 종류와 겹치는 순간, 공장을 개선하는 것은 루프 안의 모델을 바꾸는 일이 됩니다. 사람 몫은 그래서 달라집니다. 코드를 작성하는 일에서, 어떤 모델을 만들지, 어떤 방향으로 개선할지, 어떤 위험을 감수할지를 정하는 일로 이동합니다. 자동화 공장에서 이 셋이 사람의 일입니다.

두 보고서는 같은 공장을 서로 다른 면에서 설명합니다. Recursive는 공장을 4개월에 세울 수 있고, Mirendil은 공장 코드의 99%가 AI 에이전트의 손에서 나왔다고 말합니다. 하나는 건설 속도이고, 다른 하나는 운영 주체입니다. 두 문서를 같이 읽으면 올해 모델 경쟁의 지표가 보입니다. 질문은 공장을 얼마나 빨리 돌릴 수느냐로 바뀝니다.

같은 주, 칩 제조사도 공장을 판다

같은 방향의 보고서는 칩 제조사의 무대에서도 나왔습니다. GTC Berlin 2026 개막 키노트에서 젠슨 황 엔비디아 CEO는 새로 나온 Nemotron 3.5 Super VL의 엔터프라이즈 후학습 결과를 소개했습니다. 엔비디아의 제시에 따르면, 후학습 Nemotron 3.5는 GPT-6.1 Sol을 넘어서면서 비용은 25배 낮습니다. 칩 회사는 엔터프라이즈 후학습을 제품으로 제공한다고 발표한 것입니다. 칩을 파는 회사가 칩 위에서 도는 후학습 공정까지 함께 파는 순간, 제품이 넘어가는 경계가 칩에서 공장으로 바뀝니다.

후학습은 공장의 최종 조립 단계입니다. 베이스 모델이 생산 라인에서 내려오고 후학습이 그것을 기업의 업무에 맞춰 조립합니다. 칩 제조사가 이 단계를 제품화해 팔면, 기업은 학습 공장을 직접 세우지 않고 최종 조립 공정을 받을 수 있습니다. 두 보고서와 같은 방향의 움직임입니다. Recursive는 공장 자체를 자동화했고, Mirendil은 공장 코드를 모델에게 넘겼습니다. 엔비디아는 후학습 단계조차 만들지 않아도 된다고 말합니다.

비교 대상인 GPT-6.1 Sol은 같은 주에 OpenAI가 미국 3대 클라우드 모두에 배포를 끝낸 모델이기도 합니다. HuggingNews 보도에 따르면, OpenAI는 신규 유통 계약에 따라 구글의 Model Garden에서 GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna를 제공합니다. 이번 확장은 OpenAI가 미국 3대 클라우드 모두에서 모델을 공급하게 되는 것입니다. 같은 모델 이름이 완전히 다른 두 역할에 쓰입니다. 한 보고서에서는 진열대에 오를 제품이고, 다른 보고서에서는 넘겨야 할 벤치마크입니다.

이 두 문장을 같이 두면 가격의 틈이 보입니다. GPT-6.1 Sol은 지금 이 순간에도 클라우드에 깔려 팔리는 프런티어 모델입니다. 그리고 엔비디아는 같은 모델보다 낫고 비용은 25배 낮다는 후학습 모델을 엔터프라이즈에 팔고 있습니다. 진열대 가격과 공장 가격이 같은 주에 한 장의 페이지 위에 찍혀 있는 것입니다. 옛 로직은 모델을 만들어 진열대에 올리는 것이었습니다. 새 로직은 모델을 만드는 수단을 파는 것입니다. 이번 주의 뉴스 페이지에서 두 로직은 서로 다른 층을 달립니다. 한쪽은 모델의 진열대를 넓히고, 다른 한쪽은 모델의 공장을 팝니다.

사이클이 짧아지면, 사는 쪽의 질문이 움직입니다

공장의 자동화가 줄이는 것은 제조사의 일정만이 아니라 제품의 유통기한입니다. 모델은 그동안 한 번 사서 오래 쓰던 자산이었습니다. 다음 버전은 연 단위로 왔습니다. 새 모델이 4개월마다 나오고 후학습 단계의 가격이 25분의 1이라고 주장되면, 모델이라는 자산의 감가 곡선은 가팔라집니다. 모델을 고르고 고정하는 일은 다음 분기에 유통기한이 끝나는 재고를 손에 쥐는 일이 됩니다.

사는 쪽의 질문은 따라서 바뀝니다. ‘어떤 모델이 제일 좋은가’는 느린 사이클에서 유효한 질문이었습니다. 빠른 사이클에서 유효한 질문은 ‘4개월마다 오는 모델을 어떻게 흡수하는가’입니다. 어떤 작업을 어떤 모델에 붙이고, 어떤 하드웨어에서 돌리고, 어떤 권한을 주며, 잘못되면 무엇을 막느냐. 모두 공장 운영의 질문입니다.

모델을 흡수하는 일에는 구체적인 목록이 있습니다. 새로 오는 모델을 카탈로그에 넣고, 어떤 작업이 그 모델로 옮겨가는지를 결정하고, 모델끼리 25배 벌어지는 비용 차이를 작업 단위로 관리하고, 실행이 어디까지 갔는지를 기록하는 일입니다. 예전에는 이 목록을 분기별로 업데이트하면 충분했습니다. 새 모델이 4개월마다 오면, 이 목록은 월마다 손이 가야 합니다. 고르는 대상이던 모델이, 관리해야 할 재고가 되는 사이클입니다.

빠른 사이클에서 실행 환경을 모델 공급 속도와 같이 돌리는 쪽이 이익을 보고, 못 돌리는 쪽이 피해를 봅니다. 여기에 비대칭이 하나 더 있습니다. 모델은 다음 분기에 바꿀 수 있습니다. 재고니까, 유통기한이 지나면 새 것을 들이면 됩니다. 실행 환경은 다음 분기에 바꿀 수 없습니다. 환경을 바꾸는 것은 모델 하나를 바꾸는 것보다 훨씬 느리고, 훨씬 비싸고, 조직 전체를 흔드는 일입니다. 그래서 공급 사이클이 빨라질수록, 환경을 미리 빨리 돌 수 있게 놓아두는 쪽이 유리해집니다. 이번 주 두 보고서가 사는 쪽에게 주는 전망은 이 한 문장입니다. 모델은 4개월마다 오고, 최종 조립 단계는 25분의 1에 팔리고, 노트북 속도의 오픈웨이트 모델도 실제로 선택지가 됩니다.

Paxis가 서는 자리

ThakiCloud의 Agent-Native Cloud, Paxis는 이 질문에 답하는 정식 제품입니다. v1.1 GA를 마쳤습니다. 공장의 산출물인 모델과 에이전트는 어떤 속도로 와도, 실행 환경에서 운영돼야 자산이 됩니다.

Paxis는 Skills, Tools, Policies, Audit Logs를 일급 리소스로 다룹니다. 자율도를 L0부터 L3까지 단계별로 정하고, 정책 게이트가 실행 전에 행위를 검증하며, 감사 로그에 무엇을 했는지 기록합니다. 격리 샌드박스 실행이 실행의 부수 효과를 담고, MCP 커넥터와 스킬 마켓이 외부 연계를 맡습니다. 노트북 속도에서 도는 오픈웨이트 모델은 소버린, 온프레미스 K8s(ai-platform)으로 회사 내부에서 돌립니다. CostRouter가 작업별로 모델을 고르므로, 사이클이 짧아질수록 고르는 손이 사람에서 플랫폼으로 넘어옵니다.

이번 주의 두 공장 보고서는 같은 말을 합니다. 공장은 빨라지고, 모델은 부산물이 됩니다. 그 시장에서 남는 가치는 부산물을 받아서 돌리는 실행 환경입니다.

참고 자료

이 글은 아래 뉴스를 종합해 작성했습니다.

• HuggingNews, OpenAI Launches GPT-6 Models on Google Cloud to Reach All 3 Major US Clouds
• HuggingNews, Recursive Builds First AI Model via Automation in 4 Months
• HuggingNews, Nvidia’s Huang Touts Post-Trained Nemotron 3.5 Beating GPT-6.1 Sol at 25x Lower Cost
• HuggingNews, Mirendil’s AI Agents Write 99% of Code to Pretrain Frontier Coding Model