마이크로소프트의 7개 모델, '자급자족'이라는 이름의 생태계 장악 시도

마이크로소프트의 7개 모델, '자급자족'이라는 이름의 생태계 장악 시도

지난주 마이크로소프트의 사내 AI 모델 7종 발표 기사를 읽으면서, 솔직히 처음엔 "또 하나의 모델 출시 소식인가" 싶었다. MAI-Thinking-1이라는 이름도, OpenAI·안스로픽과 대등한 성능이라는 설명도 이미 수십 번 봐온 패턴이니까. 그런데 기사를 끝까지 읽고 나서야 이 발표의 중심이 '모델'이 아니라 '의존 관계의 재편'이라는 걸 깨달았다.

내가 보기엔 이번 주 AI 업계의 핵심은 새로운 모델의 성능이 아니라, 누가 누구에게 기대고 있느냐 이 문제다.

왜 지금 '자급자족'인가

마이크로소프트는 오랫동안 AI 생태계의 '플랫폼 제공자' 역할을 자처해왔다. Azure 위에 OpenAI의 모델을얹고, 코파일럿이라는 이름으로 오피스와 깃허브에 주입하면서, "우리는 인프라를 깔고 파트너가 모델을 만든다"는 구도를 유지해왔다. 그런데 이 회사가 갑자기 사내 모델 7종을 한꺼번에 공개했다. 그것도 단순한 실험 단계가 아니라, MAI-Voice-1 같은 음성 모델부터 MAI-Thinking-1 같은 추론 모델까지 라인업을 갖춘 채로.

배경을 짚어보면 이해가 된다. 일론 머스크의 소송 리스크는 차치하더라도, 안스로픽의 급성장은 마이크로소프트 입장에서 꽤 불편한 상황이다. 코파일럿의 핵심 모델을 타사에 의존하고 있는데, 그 타사가 급격히 경쟁자로 부상하는 구조. 이런 상황에서 "자급자족"은 선택이 아니라 생존 전략이다.

마이크로소프트의 진짜 의도는 모델 성능 자체가 아니라, 핵심 모델을 외부에 의존하는 구조적 취약점을 이번 기회에 해소하려는 것이다. 성능이 90%든 95%든, 내 것을 쓸 수 있느냐 없느냐의 차이는 전략적으로 완전히 다른 문제다.

이번 주를 관통하는 하나의 패턴

마이크로소프트만 이런 움직임을 보이는 건 아니다. 이번 주 자료들을 함께 읽으면서 느낀 건, 업계 전반에 걸쳐 '파이프라인 독립' 이라는 비슷한 방향으로 움직이고 있다는 점이다.

오픈AI는 챗GPT의 메모리 시스템을 "드리밍"이라는 이름으로 대폭 개선했다. 수억 명의 사용자가 수년간 축적한 기억 정보의 노후화와 정확성 저하 문제를 해결하겠다는 건데, 이게 단순한 UX 개선이 아니다. 사용자가 챗GPT에 맡기는 데이터의 양과 깊이가 늘어날수록, 이 플랫폼을 떠나기 어려워진다. 메모리는 사용자 이탈 비용을 키우는 장치다.

와이즈넛은 'WISE LLOA Ultra'를 출시하면서 멀티모달 기능을 강화했다. 이미지·영상 분석, 시각 객체 인식, 동적 맥락 추론까지 지원하겠다는 건데, 국내 기업이 산업 현장형 AI 에이전트를 직접 만들겠다는 선언이다. 글로벌 모델 API에 기대지 않고, 국내 산업 데이터에 최적화된 자체 모델을 구축하겠다는 거다.

스트라바는 클로드와의 MCP 커넥터를 출시했다. 운동 데이터를 AI 모델에 직접 연결하는 구조인데, 이건 흥미로운 방향이다. 애플리케이션이 AI 모델의 성능을 빌려쓰는 게 아니라, 데이터 보유자가 원하는 모델을 골라 연결하는 구조로 힘이 이동하고 있다.

기능의 방향이 말해주는 것

이번 주 자료에서 가장 인상 깊었던 건, 각 기업이 '모델 자체'보다 '모델을 둘러싼 것'에 집중하고 있다는 점이다.

클로드 코드의 '훅' 기능이 좋은 예다. AI의 판단 없이 조건만 충족되면 자동으로 스크립트를 실행하는 구조인데, 이게 의미하는 바는 명확하다. AI 에이전트의 신뢰성이 아직 100%가 아니라는 걸 인정하면서, 그래도 실무에 쓸 수 있게 만드는 절충안이다. CLAUDE.md 지시가 잊혀도 훅이 확실히 작동한다면, "AI가 까먹을까 봐 불안하다"는 실무자의 걱음을 상당 부분 해소할 수 있다.

MIT 연구진이 '배틀십' 게임을 활용해 AI의 질문 능력을 훈련한 사례도 같은 맥락에서 읽을 수 있다. 정답을 맞히는 건 기본이고, 이제는 어떤 질문을 던지는지가 경쟁력이 되고 있다. GPT-5를 뛰어넘었다는 표현은 다소 선정적이지만, 방향 자체는 설득력 있다. 복잡한 문제를 풀려면 답이 아니라 질문의 품질이 먼저 개선되어야 하니까.

Chronos-2의 미세 조정 사례도 짚고 넘어갈 만하다. 시계열 기초 모델이 제로샷만으로는 부족하다는 걸 인정하면서, 실무 적용을 위한 5가지 조정 방법을 제시한 건, "파운데이션 모델은 범용이니까 알아서 쓰세요"라는 업계의 기본 가정에 대한 반박이다. 모델을 만드는 것 못지않게, 현장에 맞게 조율하는 작업이 중요하다는 걸 시사한다.

속도 경쟁에서 의존도 관리 경쟁으로

솔직히 말하면, 나는 이번 주 뉴스들을 관통하는 진짜 변화가 모델 성능의 점진적 향상이 아니라 공급망의 재편이라고 본다.

2년 전만 해도 AI 업계의 핵심 질문은 "누가 더 똑똑한 모델을 만드느냐"였다. GPT-4가 나오면 클로드가 앞서가고, Gemini가 나오면 다시 뒤집히는 식의 속도 경쟁. 그런데 지금은 질문이 달라지고 있다. "내 핵심 비즈니스를 타사 모델에 얼마나 의존할 것인가", "데이터 파이프라인을 누구에게 맡길 것인가", "AI 에이전트의 실행을 어떻게 안전장치와 결합할 것인가" 같은 구조적 고민이 상위로 올라오고 있다.

마이크로소프트가 7개 모델을 만든 건, MAI-Thinking-1이 GPT-5보다 뛰어나서가 아니다. 언제든 OpenAI와 결별할 수 있는 카드를 확보하기 위해서다. 와이즈넛이 울트라 모델을 출시한 건, 산업 현장 데이터를 글로벌 모델에 보낼 수 없는 국내 기업의 현실을 정확히 읽었기 때문이다.

AI 업계의 다음 단계는 '모델 전쟁'이 아니라 '의존도 관리 전쟁'이다. 누가 자기 생태계에서 얼마나 적은 외부 의존으로 AI를 운용할 수 있느냐가, 향후 2년의 승부를 가를 가능성이 높다.

다만, "자급자족"이 항상 최선인 건 아니다. 마이크로소프트가 아무리 잘 만들어도, 사내 모델이 OpenAI의 최첨단 모델을 당장 대체하긴 어렵다. 개발자 생태계도 마찬가지다. 코파일럿 사용자들이 "이제 사내 모델로 바꿔야 합니다"라는 통보를 받으면 어떤 반응을 보일지, 마이크로소프트 자신도 확신이 없을 거다.

또한, 자급자족 전략이 과도하게 추진되면 파편화 리스크가 생긴다. 모델마다 입출력 포맷이 다르고, 미세 조정 방법이 다르고, 안전장치 구조가 다르면, 기업 입장에서는 오히려 관리 비용이 늘어난다. "외부 의존을 줄이겠다"는 명분이 "내부 복잡도를 늘리겠다"로 귀결될 수도 있다.

이건 무슨 의미인가

국내 기업이 이 흐름에서 주목해야 할 포인트는 두 가지다.

하나는, 데이터 주권의 가치가 올라가고 있다는 점이다. 스트라바가 MCP 커넥터를 출시한 건, "우리가 가진 데이터를 어떤 AI 모델과 연결할지 우리가 결정한다"는 선언이다. 한국의 금융·제조·헬스케어 기업들도 같은 질문을 스스로에게 던져야 한다. 핵심 데이터를 API로 외부 모델에 전송하는 구조가 과연 장기적으로 안전한지.

다른 하나는, 중소 규모 AI 기업의 기회가 열리고 있다는 점이다. 와이즈넛의 행보가 대표적이다. 글로벌 모델이 못하는 산업 특화 작업을 직접 해내겠다는 전략은, 거대 모델 기업과 정면승부하는 게 아니라 틈새를 파고드는 접근이다. 마이크로소프트가 사내 모델을 만드는 것과 같은 논리가, 규모만 다를 뿐 국내 기업에도 적용될 수 있다.

마지막으로 하나만 더 짚겠다. MIT의 '배틀십' 연구에서 힌트를 얻어, 앞으로 AI 업계를 지켜볼 때 체크해야 할 질문을 정리해보면 이렇다.

이 회사가 만든 모델이 아니라, 이 회사가 어떤 의존 관계를 정리하고 있는지를 봐야 한다. 모델 성능 벤치마크는 내일이면 바뀌지만, 공급망 구조의 변화는 최소 1~2년 동안 유효하다. 이번 주 마이크로소프트의 7개 모델 발표가 흥미로운 건 성능 때문이 아니라, 그들이 "우리는 더 이상 특정 파트너에게만 기대지 않겠다"고 선언했기 때문이다.

다들 이 구도 속에서 자기 기업의 자리를 한번 생각해보시길. 즐거운 주말 보내세요.