Liang Wenfeng의 DeepSeek 사고가 AI 앱 개발자에게 의미하는 것

이 글은 DeepSeek이 500억 위안을 초과한 것으로 알려진 첫 외부 자금 조달 라운드를 완료한 뒤 열린 비공개 투자자 커뮤니케이션에서 출발한다. Liang Wenfeng은 심층 Q&A 형식으로 모든 기관 투자자들과 대화했다. 이 세션은 공개적으로 발표되지 않았지만, 녹취록이 7월 23일 중국 인터넷 전반에서 입소문을 타며 시장에 DeepSeek이 AGI, 오픈소스, 모델 역량, 조직의 경계, 애플리케이션 생태계를 어떻게 생각하는지 드물게 엿볼 기회를 제공했다.

참고: 다음 내용은 “Liang Wenfeng 투자자 미팅” 녹음의 녹취록을 바탕으로 정리한 것이다. 원본 녹취록에는 구어체 반복, 뒤섞인 어순, 현지화된 인식 오류 등 음성-텍스트 전사의 흔적이 뚜렷하게 나타난다. 이 글은 축어록이 아니며, 핵심 관점을 바꾸지 않는 범위에서 발언을 보다 공식적인 문어체로 다듬고 통합해 다시 쓴 것이다. 글에 포함된 인용문은 식별 가능한 원문을 바탕으로 다듬은 발췌문으로, Liang Wenfeng의 발언에 담긴 현실적인 표현과 사례를 보존하기 위한 것이다.

Liang Wenfeng 발언 편집본

핵심 흐름은 상업화가 아니라 AGI다

오늘날 DeepSeek의 가장 중요한 목표는 여전히 AGI를 발전시키는 것이다.

대화에서 량원펑은 회사가 “궁극적으로 얼마나 많은 돈을 벌 것인지, 상장할 것인지, 자본시장에 진입할 것인지”를 목적으로 설립된 것이 아니라고 거듭 강조했다. 초기 멤버들은 AI와 인간 지능의 발전에 도움이 되고 싶다는 단순한 바람으로 이 일을 시작했다.

*“맨 처음에는 우리가 궁극적으로 얼마나 많은 돈을 벌지, 상장할지, 자본시장에서 무엇을 할지 생각하지 않았습니다. 처음에는 단지 몇 명, 그다음에는 수십 명이 세상에 큰 선의를 품고 이 일이 인류에게 도움이 될 것이라고 느껴서 하러 온 것이었습니다.”*

이런 표현 방식은 화려하지 않다. 심지어 일반적인 비즈니스 서사와는 다소 반대 방향으로 흐르기도 한다. 하지만 이는 DeepSeek의 이후 많은 선택을 설명해 준다. 왜 오픈소스를 고집하는지, 왜 사용자 수익화에 서두르지 않는지, 왜 API 가격을 이익 극대화 방향으로 밀어붙이지 않는지, 그리고 왜 수많은 유혹 앞에서도 계속 절제를 강조하는지 말이다.

*“비전은 벽에 걸어두는 관리 구호가 아닙니다. 회사는 당신이 무엇을 말하는지, 규칙과 제도가 어떻게 쓰여 있는지로 움직이는 것이 아니라, 실제로 무엇을 하는지로 움직입니다. 우리에게 특별히 복잡한 조직 운영 방식이 있는 것은 아닙니다. 우리는 그저 비전에 의해 움직입니다.”*

DeepSeek는 상업화를 추구할 것이며, 줄곧 그렇게 해왔다. 소비자 사용자, 기업 매출, API 서비스는 모두 회사에 지원을 제공할 수 있다. 하지만 이것들이 궁극적인 목표는 아니다. 그것들은 회사가 존재하는 전부의 이유라기보다, AGI를 향한 핵심 경로 위에서 생겨나는 부산물이자 지원 시스템에 더 가깝다.

*“소비자 제품, 기업 서비스, API는 모두 우리가 AGI로 나아가는 여정의 산물입니다. 우리는 소비자 사용자나 기업 사용자를 서비스하기 위해 모델을 만드는 것이 아닙니다. 우리의 본래 의도는 여전히 AGI를 추구하는 것입니다.”*

그렇기 때문에 그는 지금 제품 라인과 상업화 경로를 논의하는 데 많은 시간을 써야 한다고 생각하지 않는다. AI는 너무 빠르게 변하고 있다. 오늘은 명확해 보이는 비즈니스 경로도 시간이 지나면 더 이상 유효하지 않을 수 있다.

*“우리가 지금 제품 라인과 상업화 경로를 논의하는 데 많은 시간을 쓴다면, 저는 그것이 모두 시간 낭비라고 생각합니다. 미래를 예견할 수 없기 때문입니다. 지금까지의 경험조차도 이 판단을 뒷받침합니다. 상업화 경로와 제품 라인을 이야기하기에는 아직 너무 이릅니다.”*

이는 상업화를 거부하는 것이 아니라, 상업화를 제자리에 되돌려 놓는 문제다. 상업화는 핵심 흐름을 섬겨야지, 그것을 반대 방향으로 끌고 가서는 안 된다.

오픈소스는 상업화에 반대하는 것이 아니다; 다만 모든 이익을 가져가지 않을 뿐이다

오픈소스와 상업적 이해관계는 본질적으로 충돌하지 않는다.

논의에서 량원펑은 이 문제를 매우 명확하게 설명했다. 어떤 회사가 모든 이익을 가져가고자 한다면 오픈소스는 분명 그 회사의 상업적 상승 여력을 약화시킬 것이다. 하지만 합리적인 수익만을 추구한다면, 오픈소스는 오히려 생태계를 확장하고 협업을 강화하며 사용자와 개발자의 진입 장벽을 낮출 수 있다.

*“내가 백 배의 이익을 내고 싶다면, 오픈소스는 실제로 그 백 배 이익을 낼 수 있는 능력에 영향을 줄 것이다. 제3자가 이를 배포할 수 있고, 그들의 비용이 아마 스무 배 수준으로 나보다 낮을 수 있기 때문이다. 하지만 우리가 합리적인 이익만을 얻는다면, 오픈소스와 상업적 결제 사이에는 충돌이 없다.”*

이 발언의 이면에는 더 넓은 판단이 있다. 오픈소스가 진정으로 바꾸는 것은 기술적 경로가 아니라 이익 분배다. 폐쇄형 모델은 플랫폼의 손에 이익을 집중시키기 더 쉽게 만들고, 오픈소스 모델은 개발자, 배포 제공자, 애플리케이션 팀, 최종 사용자에게 더 많은 이익을 남긴다.

DeepSeek의 API 가격 책정 논리 역시 “사용자가 아직 얼마나 감당할 수 있는가”가 아니라, “합리적인 이익을 남기면서 하드웨어 비용을 회수하는 데 얼마나 걸리는가”에 가깝다.

*“우리의 API 가격 책정 논리는 대략 10개월 안에 장비 비용을 회수하는 것을 기준으로 한다. 이는 이익 극대화 가격 책정이 아니다. 가격을 다시 두 배로 올려도 토큰 소비량은 크게 달라지지 않고 매출은 거의 두 배가 될 수 있지만, 그것이 우리의 출발점은 아니다.”*

그는 또한 매우 현실적인 세부 사항도 언급했다. 처음에는 팀이 수요가 너무 높을까 봐 걱정해 가격을 비교적 높게 설정했다. 이후 가격이 내려갔을 때 팀은 실제로 매우 기뻐했다. 모두가 이 기술이 마침내 더 많은 사람들에게 부담 가능한 것이 될 수 있다고 느꼈기 때문이다.

*“처음에는 수요가 너무 높을까 봐 걱정해서 가격을 비교적 높게 설정했다. 나중에 가격이 4분의 1로 내려갔을 때 모두가 매우 기뻐했다. 우리가 더 많은 돈을 벌어서가 아니라, 이것이 사람들에게 유용하고 마침내 모두가 감당할 수 있는 것이 되었다고 느꼈기 때문이다.”*

따라서 DeepSeek의 낮은 가격은 단순한 가격 전쟁이 아니라 생태계 전략이다. 낮은 가격은 시행착오 비용을 줄여 더 많은 개발자가 이를 사용하고, 실험하고, 배포할 자신감을 갖게 한다. 호출 비용이 낮을수록 AI는 실제 워크플로에 더 쉽게 들어갈 수 있고, 생태계가 커질수록 모델 자체가 사용되고 피드백을 받으며 개선될 기회도 더 많아진다.

*“절제 또한 전략이다. 때로는 어떤 것들을 포기하는 대신 다른 것들을 더 많이 얻을 수 있다. 이익을 양보하는 것은 회사 내부에도, 사회에도, 동료들에게도 유익하다. 장기적으로는 우리가 AGI를 달성할 확률을 높일 수 있다.”*

이것은 량원펑이 반복해서 강조해 온 “선의”이기도 하다. 그는 경쟁자들이 모델을 재현하는 것을 절대적인 위협으로 보지 않으며, 다른 이들이 이를 배포하고 재현하려 한다면 DeepSeek가 가능한 한 돕겠다고까지 말한다.

*“우리는 다른 이들이 우리의 모델을 배포할 수 있기를 바라며, 그들이 우리의 사업을 빼앗아 갈까 봐 걱정하지 않는다. 우리가 걱정하는 것은 그들이 배포에 실패하거나, 특정 세부 사항이 제대로 처리되지 않아 결과가 저하될 수 있다는 점뿐이다. 우리는 오픈소스 커뮤니티에 도움을 제공하기 위해 최선을 다할 것이다.”*

경쟁은 비용, 시간, 사용자 경험으로 귀결될 것이다

중국과 미국 사이의 AI 격차를 논할 때, 량원펑은 인재가 가장 큰 문제라고 말하지 않았다. 그는 자원, 특히 컴퓨팅 파워를 더 강조했다.

그의 관점에서 중국 팀과 선도적인 미국 팀 사이의 가장 현실적인 격차는 훈련 자원, 칩의 수, 실험 조건, 반복 밀도에 있다. 미국 기업들은 더 많은 컴퓨팅 파워를 보유하고 있어 더 큰 모델을 구축하고 더 포괄적인 실험을 수행할 수 있으며, 중국 기업들은 이 점에서 실제 격차를 인정해야 한다.

*“우리와 미국 사이의 가장 큰 격차는 자원에 있다. 인재가 병목이 아니라, 자원이 가장 큰 병목이다. 자원은 먼저 인재 육성에 영향을 미치고, 또한 우리가 얼마나 많은 실험을 실행할 수 있는지, 얼마나 큰 모델을 훈련할 수 있는지에도 영향을 미친다.”*

하지만 그는 미국 모델을 따라잡을 수 없는 신화적 존재로 만들지는 않았다. 오히려 그는 대형 모델에서 최종적인 경쟁 격차가 결코 넘을 수 없는 능력의 간극에 있는 것이 아니라, 비용, 시간, 사용자 경험이라는 세 가지 영역에 있을 수 있다고 믿는다.

*“대형 모델에서 최종적인 격차는 어디에서 나타날까? 나는 그것이 세 가지 영역으로 귀결된다고 생각한다. 비용, 시간, 사용자 경험이다. 그 밖에는 큰 격차가 없을 수도 있다.”*

이 발언은 중요하다. 이는 모델 경쟁을 “절대적 지능”에서 현실 세계의 비즈니스 시스템으로 되돌린다. 더 낮은 비용으로 동일한 품질을 제공할 수 있는가? 몇 달 더 일찍 만들었는가, 아니면 몇 달 더 늦게 만들었는가? 사용자 경험이 조금 더 빠른가, 아니면 조금 더 느린가?

*“비용은 분명 하나의 차별화 요소다. 두 번째는 시간이다. 몇 달 더 일찍 만들었는지, 몇 달 더 늦게 만들었는지는 차이를 만든다. 세 번째는 경험이다. 같은 것이라도 사용자 경험이 조금 더 빠른지 느린지도 차이를 만들 것이다.”*

이는 또한 모델 역량이 어떤 것을 데모로 보여줄 수 있는지를 결정하는 반면, 비용 구조는 그것이 제품이 될 수 있는지를 결정한다는 뜻이기도 하다. 역량 격차가 점차 수렴한다면, 진정한 장기 경쟁은 엔지니어링 효율, 추론 비용, 제품 경험, 생태계 구축으로 이동할 것이다.

모델 효율성은 단순한 기술 최적화가 아니라, 제품의 실현 가능성을 결정한다

량원펑은 모델 효율성과 추론 비용을 매우 중요하게 여긴다.

하지만 그가 이해하는 저비용은 단순히 “조금 더 싸게 파는 것”이 아니다. 저비용은 먼저 더 많은 사용자가 그것을 사용할 여유를 가질 수 있는지에 관한 문제이고, 두 번째로는 컴퓨팅 자원이 제한된 상황에서도 더 큰 모델을 학습시키고 실행할 수 있는지에 관한 문제다.

*“우리 동료들 중 많은 이들이 비용을 더 낮추고 싶어 합니다. 이것이 우리에게 비용이 든다는 것을 알고 있고, 다른 사람들이 사용할 때도 부담이 덜했으면 하기 때문입니다. 조금 더 저렴해지면 사람들은 더 기꺼이 받아들일 것입니다.”*

이는 매우 직관적인 제품 철학이다. AI가 비싸다면 소수의 사람들만 사용할 수 있지만, AI가 충분히 저렴해지면 더 많은 생산 환경에 들어갈 수 있다. 비용 절감은 재무상의 세부 사항이 아니라, AI의 광범위한 도입을 위한 전제 조건이다.

*“비용이 낮을수록 컴퓨팅 자원이 제한되어 있을 때 나의 계산 효율성은 높아지고, 더 큰 모델을 지원할 수 있는 능력도 커집니다. 대기업들은 자원을 추가해 문제를 해결할 수 있지만, 우리는 비용 효율성을 우선합니다.”*

애플리케이션 팀에게 이 판단은 특히 중요하다. 많은 AI 애플리케이션은 수요가 유효하지 않아서 실패하는 것이 아니라, 비용 모델이 성립하지 않아서 실패한다. 데모는 인상적으로 보일 수 있지만, 고빈도 사용 단계에 들어가면 모델 비용, 지연 시간, 실패율이 즉시 비즈니스 문제로 바뀐다.

지속 학습은 다음 단계의 핵심 과제입니다

기술 로드맵에 관한 섹션에서 량원펑은 CoT, Agent, 그리고 지속 학습을 반복해서 언급했습니다.

그는 AI의 발전이 계단을 한 단계씩 오르는 것과 같다고 봅니다. 언어 모델이 하나의 단계이고, CoT가 또 다른 단계이며, Agent는 그다음 단계입니다. 하지만 Agent가 어느 지점까지 발전하면 다음 병목에 부딪히게 되는데, 그것이 바로 지속 학습입니다.

*“올해 우리가 밟고 있는 단계는 Agent입니다. Agent 기반 접근 방식으로 많은 일을 할 수 있고, 역량의 범위도 더 넓어질 것입니다. 하지만 Agent는 여전히 직원을 대체할 수 없습니다. 아직 지속 학습이 부족하기 때문입니다.”*

그는 이 문제를 매우 현실적인 예로 설명했습니다.

*“직원을 채용하면 그 사람은 회사 환경과 업무에 익숙해지는 데 두 달을 쓸 수 있습니다. 이후에 ‘샤오왕을 불러오세요’라고 말하면 그 직원은 샤오왕이 누구인지 압니다. 하지만 AI는 그렇게 할 수 없습니다. 샤오왕이 누구인지, 어떤 역할을 맡고 있는지, 어디에 있는지, 그에게 접근할 때 무엇을 주의해야 하는지 모두 알려줘야 합니다. 매번 AI에 모든 맥락을 제공할 수는 없습니다.”*

이는 오늘날 많은 AI 제품의 문제점을 정확히 묘사합니다. 모델은 단일 상호작용에서는 매우 뛰어날 수 있지만, 장기적인 조직 기억은 약합니다. 질문에는 답할 수 있지만 직원처럼 경험을 축적하는 데는 어려움을 겪고, 업무를 실행할 수는 있지만 시간이 지날수록 회사를 더 잘 이해하는 데는 어려움을 겪습니다.

*“AI에 지속 학습 능력이 있어 직원처럼 회사에서 두 달 동안 학습할 수 있다면 많은 사람을 대체할 수 있을 것입니다. 지금은 다음 단계에서도 여전히 ‘학습하는 방법을 배우는 것’이 필요합니다.”*

따라서 지속 학습은 작은 기능이 아니라, 더 강력한 Agent로 나아가는 길에서 핵심적인 역량입니다. 애플리케이션 계층에서는 이것이 반드시 모델 파라미터를 지속적으로 학습시키는 것을 의미하지는 않습니다. 메모리, 지식 베이스, 워크플로 기록, 피드백 루프, 그리고 조직 데이터의 축적을 통해서도 달성할 수 있습니다.

AI 애플리케이션의 미래 해자는 첫 번째 답변이 얼마나 인상적인지가 아니라, 스무 번째 사용 시점에 사용자와 비즈니스, 회사를 더 잘 이해하고 있는지에 달려 있을 것입니다.

국산 하드웨어의 과제는 칩만이 아니라 생태계입니다

국산 AI 칩을 논할 때, 량원펑의 평가는 매우 실용적입니다. 단기적으로 문제는 하드웨어가 존재하느냐만이 아니라, 생태계가 존재하느냐입니다.

NVIDIA의 강점은 카드 자체에만 있는 것이 아니라 CUDA, 툴체인, 개발자 습관, 그리고 오랜 시간에 걸쳐 구축된 생태계에도 있습니다. 국산 카드가 진정으로 사용할 수 있는 수준이 되려면 적응, 컴파일러, 학습 안정성, 추론 효율, 소프트웨어 생태계와 관련된 문제들이 모두 해결되어야 합니다.

*“NVIDIA와 맞먹거나 심지어 이를 뛰어넘는 국산 카드 생태계를 구축하는 데 장애물이 없는 것은 아니지만, 시간이 걸릴 것입니다.”*

그는 또한 더 높은 수준의 언어와 컴파일 접근 방식을 사용해 CUDA 생태계에 대한 의존도를 낮추는 TileLang도 언급했습니다. 여기서 구체적인 기술 세부 사항에 깊이 빠질 필요는 없습니다. 정말 주목할 만한 것은 또 다른 판단입니다. AI가 결국 AI 인프라를 다시 구축하게 될 것이라는 점입니다.

*“TileLang은 고급 언어입니다. 과거에는 CUDA 생태계 없이는 불가능했습니다. 이제는 더 적은 코드와 훨씬 높은 효율로 TileLang을 사용해 모든 것을 다시 작성할 수 있습니다. 실행 효율이 1%에서 2% 손실되는 것은 저에게 받아들일 수 있습니다.”*

과거에는 CUDA 생태계를 우회하기가 어려웠습니다. 하지만 AI가 코드 작성, 컴파일러 구축, 연산자 최적화를 도울 수 있다면 국산 하드웨어 생태계를 개발하는 비용은 낮아질 수 있습니다. 국산 AI 하드웨어의 경쟁은 하드웨어 성능뿐만 아니라 소프트웨어 생태계와 개발 효율에 관한 것이기도 합니다.

조직의 핵심 키워드는 느슨함이 아니라 집중이다

DeepSeek의 조직 운영 방식에는 두 가지 흐름이 있다. 하나는 하향식이고, 다른 하나는 상향식이다.

하향식이란 핵심 릴리스와 핵심 목표에는 전사적 협업이 필요하다는 뜻이다. 예를 들어 중요한 버전을 출시해야 할 때는 업무를 나누고, 각자가 한 부분을 책임져야 한다.

상향식이란 연구자들에게 자신만의 탐구를 할 공간이 필요하다는 뜻이다. 모든 것이 KPI로 움직이는 것도 아니고, 모든 연구가 배정되는 것도 아니다.

*“우리 회사의 관리는 두 가지 흐름이 있습니다. 하나는 하향식이고, 다른 하나는 상향식입니다. 상향식이란 모두가 자신이 하고 싶은 일을 한다는 뜻입니다. 아무도 그들을 관리하지 않고, KPI도 없습니다.”*

하지만 이를 단순히 “느슨한 관리”로 이해해서는 안 된다. KPI가 없다는 전제는 회사가 무엇을 하지 않을지 알고 있다는 것이다. 회사에 명확한 방향이 없고, 제품 라인이 혼란스러우며, 모든 고객 요청을 다 받아들인다면, “KPI 없음”을 배우려는 시도는 결국 통제 상실로 끝날 뿐이다.

Liang Wenfeng 역시 정식 릴리스와 중요한 업무에는 여전히 하향식 협업이 필요하다고 말했다. 다만 그런 공식적인 배치가 모든 시간을 차지해서는 안 되며, 연구와 탐구를 위한 공간을 반드시 남겨두어야 한다는 것이다.

*“하향식이란 우리가 공식적으로 버전을 출시해야 할 때 모두가 함께 일하고 각자가 한 부분을 맡는다는 뜻입니다. 하지만 우리는 공식적인 배치가 직원들의 모든 시간을 차지하지 않기를 바랍니다. 이상적으로는 절반을 넘지 않아야 하며, 그래야 그들에게 스스로 탐구할 시간이 남습니다.”*

초과근무에 대한 그의 견해도 매우 직접적이다. DeepSeek는 일반적으로 초과근무를 많이 하지 않는다. 한 가지 이유는 연구에는 비교적 여유로운 환경이 필요하기 때문이고, 다른 하나는 회사가 극도로 집중되어 있어 해야 할 일이 더 적기 때문이다.

*“우리는 일반적으로 초과근무를 많이 하지 않습니다. 첫째, 연구를 하려면 비교적 여유로운 환경이 필요합니다. 둘째, 우리는 매우 집중하고 있기 때문에 해야 할 일이 아주 적습니다. 일이 적으면 각자에게 배정되는 업무도 줄어들고, 그래서 초과근무를 할 필요가 없습니다.”*

이 말의 이면에는 여전히 절제가 있다. 회사는 모든 것을 하지 않고, 모든 기회를 붙잡지 않으며, 모든 상업적 방향에 진입하지 않는다. 관리는 팀의 일정을 가득 채우는 것이 아니라, 팀이 비효율적인 행동을 줄이고 진정으로 중요한 탐구를 위한 공간을 보존하도록 돕는 것이다.

수직 통합을 하지 않을 때 생태계는 더 커진다

AI 시대는 많은 비즈니스 기회를 만들어내겠지만, DeepSeek는 모든 것을 직접 하려는 의도가 없다.

대화에서 량원펑은 매우 현실적인 예를 들었다. 발전소를 운영한다면 반드시 발전기와 장비를 직접 만들 필요는 없으며, 가격이 합리적이기만 하면 다른 사람들이 만들 수 있다는 것이다. AI 기업도 마찬가지다. 반드시 전체 업스트림, 다운스트림, 애플리케이션, 산업 시나리오를 모두 집어삼킬 필요는 없다.

*“예를 들어, 발전소를 운영한다면 왜 반드시 발전기를 직접 만들어야 합니까? 가격이 합리적이기만 하면 발전 장비는 다른 사람이 만들 수 있습니다. 우리는 칩을 합리적인 가격에 살 수만 있다면 직접 만들 필요가 없기를 바랍니다.”*

DeepSeek에게 AI는 이미 충분히 크다. 전체 가치 사슬을 모두 차지할 필요는 없다. 기업은 가장 핵심적인 부분과 자신이 가장 잘하는 부분에만 집중하고, 다른 산업, 애플리케이션, 시나리오는 생태계 파트너에게 맡겨야 한다.

*“AI 시대에는 수많은 조 달러 규모의 기업이 탄생할 것입니다. 그중 작은 부분만 해도 제게는 이미 충분히 큽니다. 모든 것을 우리가 직접 할 필요는 없습니다. 우리는 다른 일들은 다른 사람들이 하기를 바랍니다.”*

AI 기업이 모든 가치를 가져가려 할수록 생태계는 작아지고, 자신이 가장 잘하는 것에만 집중하려 할수록 생태계는 더 커진다.

*“우리는 이러한 AI 기술이 모든 종류의 생산 환경에서 사용되어 사회적 생산성을 높일 수 있기를 바랍니다. 우리에게는 이를 할 동기가 있지만, 시간이 있는지, 사람이 있는지, 그리고 동료들 자신이 관심이 있는지는 또 다른 문제입니다. 이해관계의 충돌은 없습니다.”*

AI 산업 및 애플리케이션 팀을 위한 인사이트

폐쇄형 모델과 오픈소스 모델은 신념의 문제가 아니라 시스템 차원의 선택입니다

중국과 미국의 AI 경쟁에 대한 량원펑의 관점은 애플리케이션 개발자에게 “누가 이길지에 베팅하는 것”이 아니라 모델 선택을 다시 생각하게 하는 통찰을 제공합니다.

폐쇄형 모델과 오픈소스 모델은 신념의 문제가 아니라 역량, 비용, 제어 가능성, 제공 속도, 데이터 보안, 생태계 공간이 결합된 선택입니다.

미국의 선도적인 폐쇄형 모델은 여전히 풍부한 컴퓨팅 파워, 집약적인 연구, 성숙한 사용자 경험, 안정적인 제품이라는 장점을 가지고 있습니다. 그러나 폐쇄형 모델이 장기적으로 계속 비싸고, 호출 비용이 높으며, 배포 옵션이 제한적이라면 일부 애플리케이션 혁신은 더 저렴하고, 더 개방적이며, 더 유연한 모델 시스템으로 이동하게 될 것입니다.

개발자에게 미래의 질문은 단순히 “어떤 모델이 가장 강력한가”가 아니라 다음과 같아야 합니다.

• 이 작업에 정말 가장 강력한 모델이 필요한가?
• 비용이 고빈도 사용을 감당할 수 있는가?
• 지연 시간이 실제 워크플로에 들어갈 만큼 충분히 낮은가?
• 데이터와 배포 방식은 제어 가능한가?
• 생태계 도구는 충분히 성숙했는가?
• 오류가 발생했을 때 제품에 대체 메커니즘이 있는가?

가장 강력한 모델이 반드시 모든 작업에 적합한 것은 아닙니다. 진정으로 성숙한 AI 애플리케이션은 종종 서로 다른 모델을 적절한 위치에 배치합니다. 강력한 모델은 복잡한 판단을 처리하고, 저비용 모델은 고빈도 작업을 처리하며, 규칙과 캐싱은 안정적인 워크플로를 처리합니다.

중소 규모 개발자는 모델 위에 구축하고 사용자에게 가장 가까운 문제를 해결해야 합니다

량원펑은 DeepSeek가 모든 것을 직접 할 필요는 없으며, 많은 애플리케이션과 산업 시나리오는 생태계 파트너가 완성해야 한다는 점을 분명히 했습니다.

이는 중소 규모 개발자에게 좋은 소식입니다. 미래의 AI 생태계는 기초 모델 기업에만 속하지 않을 것입니다. 중소 규모 개발자는 대형 모델 기업을 복제하려 하기보다 좁고 실용적인 진입점에 집중해야 합니다.

보다 현실적인 방향은 다음과 같습니다:

• 수직 프로세스 자동화: 범용 챗봇을 만드는 대신, 특정 산업 내의 구체적인 프로세스를 해결합니다.
• 모델 역량 패키징: 복잡한 모델 역량을 사용자가 직접 사용할 수 있는 도구로 전환합니다.
• 데이터 커넥터: 기업이 내부 데이터, 문서, 스프레드시트, 시스템을 AI에 연결하도록 돕습니다.
• 평가 및 모니터링: 기업이 AI 출력 품질, 비용, 지연 시간, 위험을 평가하도록 돕습니다.
• 현지화 및 배포 서비스: 오픈소스 모델을 중심으로 비공개 배포, 미세 조정, 운영을 제공합니다.
• 산업 지식 계층: 산업 규칙, 용어, 사례, 워크플로를 AI가 호출할 수 있는 지식 시스템으로 전환합니다.

중소 규모 개발자는 주류 트랙에서 모델 기업과 경쟁할 필요가 없습니다. 더 현명한 접근법은 모델 역량 위에 구축하고 사용자에게 더 가까운 계층을 만드는 것입니다.

AI 애플리케이션은 모델 과대광고가 아니라 사용자 워크플로를 따라야 합니다

오늘날 많은 애플리케이션 팀의 가장 큰 문제는 AI를 역량이 아니라 포장으로 취급한다는 점입니다.

진정으로 가치 있는 AI 애플리케이션은 단순히 페이지에 입력 상자를 하나 더 추가하는 것도, 기존 검색창을 채팅창으로 바꾸는 것도 아닙니다. 사용자가 한 단계를 덜 거치고, 판단을 한 번 덜 내리며, 정보를 한 차례 덜 정리하고, 한 단계를 덜 기다리도록 돕는 것입니다.

사용자들은 AI를 사용하기 위해 AI를 사용하는 것이 아닙니다. 그들은 작업을 더 빠르게 완료하고, 실수를 줄이고, 비용을 낮추며, 더 나은 결정을 내리고, 더 높은 전환을 달성하기를 원합니다.

따라서 AI 애플리케이션 팀은 실제 시나리오에서 다음과 같은 여러 지표에 집중해야 합니다.

• 사용자가 작업을 완료하는 데 필요한 시간이 줄어드는지;
• 수동 검토 비용이 줄어드는지;
• 출력 품질이 일관적인지;
• 실패를 통제할 수 있는지;
• 기존 시스템에 통합될 수 있는지;
• 비즈니스 맥락을 지속적으로 학습할 수 있는지.

이 질문들에 답할 수 없다면, 그 제품은 대개 단순한 AI 래퍼일 가능성이 큽니다.

AI 제품은 도구에서 업무 시스템으로 진화해야 합니다

오늘날 많은 AI 애플리케이션은 여전히 도구 단계에 머물러 있습니다. 사용자가 입력을 제공하면 AI가 출력을 생성하는 방식입니다.

하지만 진정한 장기적 가치를 지닌 제품은 업무 시스템이 될 것입니다.

• 작업의 맥락을 이해할 수 있습니다.
• 여러 도구를 호출할 수 있습니다.
• 비즈니스 데이터를 읽을 수 있습니다.
• 액션을 실행할 수 있습니다.
• 결과를 기록할 수 있습니다.
• 다음 작업에서 경험을 재사용할 수 있습니다.

예를 들어 마케팅 팀의 경우, AI는 단순히 카피 한 편을 작성하는 것에 그치지 않습니다. 데이터 분석, 경쟁사 모니터링, 자산 생성, 캠페인 추천부터 성과 검토와 다음 최적화 단계까지 폐쇄 루프를 형성할 수 있습니다.

개발 팀의 경우, AI는 단순히 코드 자동 완성에 그치지 않습니다. 코드베이스를 이해하고, 이슈를 재현하고, 근본 원인을 식별하고, 테스트를 작성하고, 수정 사항을 제출하며, 얻은 교훈을 기록할 수 있습니다.

이것이 애플리케이션 계층의 진정한 기회입니다.

최종 키워드는 절제

량원펑의 발언을 가장 일관되게 관통하는 키워드는 절제다.

절제는 보수주의가 아니라 전략적 선택이다. DeepSeek을 가장 두드러지게 만드는 것은 그것이 해낸 일뿐만 아니라, 분명히 할 수 있고, 수익을 낼 수 있으며, 확장할 수 있음에도 하지 않기로 선택한 수많은 일들이다.

모델이 이미지를 생성할 수 있다는 이유만으로 곧바로 이미지 기능을 만들지 말고, Agent가 뜨겁다는 이유만으로 곧바로 Agent 기능을 만들지 말며, 오픈소스 프로젝트가 바이럴이 됐다는 이유만으로 곧바로 제품을 다시 만들지 말고, 고객이 요청했다는 이유만으로 요구사항을 로드맵에 넣지 말라.

AI 시대에는 많은 기회가 있지만, 기회가 많을수록 선택과 집중은 더욱 중요해진다.

진정으로 추구할 가치가 있는 방향은 보통 세 가지 기준을 충족한다:

• 사용자에게 이미 명확한 페인포인트가 있다;
• AI가 비용을 크게 줄이거나 효율을 높일 수 있다;
• 제품이 데이터, 워크플로, 또는 산업 지식을 축적하며 사용할수록 더 강해질 수 있다.

어떤 방향이 이 세 가지 기준을 충족하지 못한다면, 아무리 뜨거워 보여도 그것은 단지 잡음일 수 있다.

요약

겉으로 보면, 량원펑의 투자자 미팅 대담록은 DeepSeek의 오픈 소스 전략, 상업화, 컴퓨팅 파워, 모델 효율성, 조직 운영 방식에 대해 논의합니다. 더 깊은 차원에서 보면, 이는 AI 기업들이 거대한 기회 속에서 어떻게 핵심 방향에 집중할 수 있는지에 관한 이야기입니다.

파운데이션 모델 기업에게는 역량에서 앞서는 것뿐만 아니라, 비용, 개방성, 생태계 발전의 여지가 점점 더 중요해질 것입니다.

AI 기업의 관리자에게 경영이란 팀을 채우는 것이 아니라, 팀이 비효율적인 행동을 줄이고 진정으로 중요한 탐색에 필요한 공간을 보존하도록 돕는 것입니다.

중소 규모 개발자는 파운데이션 모델 기업과 그들의 주된 영역에서 경쟁하지 마십시오. 대신 오픈 소스 생태계, 수직 워크플로, 데이터 연결성, 사용자 경험을 중심으로 자신만의 집중된 진입점을 찾으십시오.

AI 애플리케이션 팀에게 모델은 시작일 뿐입니다. 진정한 제품 가치는 비용 통제, 폐쇄형 루프의 작업 실행, 지속적인 학습, 비즈니스 성과에서 나옵니다.

궁극적으로 DeepSeek의 메시지에서 가장 기억할 만한 것은 특정 기술적 세부 사항이 아니라 하나의 판단 방식입니다. AI 기회가 폭발적으로 증가하는 단계에서 진정으로 희소한 것은 행동할 수 있는 능력이 아니라 절제이며, 더 많이 하는 것이 아니라 올바른 일을 꾸준히 하는 것입니다.