목차
2026년 1월부터 6월까지 아시아 권역에서 공개된 자체 LLM 신모델은 약 13종(공개 정보 기반 집계, 2026-06-25 기준). 같은 기간 미국 빅테크 4사(OpenAI, Anthropic, Google, Meta)가 공개한 주요 모델은 5종이다. 단순 수치만 비교해도 아시아 쪽이 두 배 이상 빠르다.
물론 모델 개수가 곧 품질이나 시장 영향력은 아니다. 그래도 2025년 상반기 아시아 신모델이 6종이었던 걸 감안하면 두 배 가까이 늘어난 셈이다(출처: 각 사 릴리즈 노트 및 보도자료 기반 자체 집계, 2026-06).
즉, 이 가속이 본격화된 시점은 2026년 1월 미국 상무부 BIS의 AI 수출 규제 개정 직후로 보인다. 차세대 LLM 모델군에 대한 API 접근 제한, 그리고 H200 이상 GPU 칩의 일부 아시아 국가 수출 제한이 골자다(출처: BIS Federal Register 2026-01-15 공시). 보도된 바로는 Anthropic의 신규 모델군을 포함한 일부 프런티어 모델이 직접 영향을 받았다.
이처럼, 규제의 정당성은 이 글에서 다루지 않는다. 코드 짜는 입장에서 본 변화, 그리고 실제 API 마이그레이션을 검토하면서 알게 된 것들만 정리한다.
숫자로 본 2026년 상반기 LLM 지형 변화
규제가 강화된 직후 가장 먼저 바뀐 건 시장 분위기가 아니라 채용 공고였다. 한국·일본·중국의 주요 IT 기업 채용 페이지를 6월 마지막 주에 훑어봤더니, "자체 LLM 학습 경험" "도메인 특화 SFT" "한국어/일본어 토크나이저 설계" 같은 키워드가 들어간 공고가 1년 전 대비 체감상 두세 배는 늘어 보였다(정확한 통계는 아니다).
채용이 모델 출시의 선행 지표라는 점을 감안하면, 2026년 하반기에 신모델은 더 늘어날 가능성이 높다.
의존도 리스크가 코드 한 줄로 들어왔다
API 한 줄 차이 같지만 운영 입장에서는 다르다. 특정 모델이 갑자기 막히면 그 모델에 맞춰 짠 프롬프트 라이브러리, 평가 셋, 모니터링 대시보드까지 전부 재작업이다.
한 한국어 분류 파이프라인 사례를 보면 — Claude Sonnet 3.7 기반으로 운영 중이었고, API 호출 코드 자체는 200줄도 안 됐지만 프롬프트 튜닝과 평가 데이터셋 구축에 들어간 시간은 6주가 넘었다. 그 자산을 다른 모델로 옮기는 건 단순 코드 마이그레이션 수준이 아니다.
이처럼, 규제 가능성이 들어온 순간부터 의사결정 기준이 하나 추가됐다. "이 모델이 6개월 뒤에도 같은 조건으로 호출되는가."
규제가 자체 개발을 가속한 메커니즘
규제가 자체 개발을 부르는 흐름 자체는 새롭지 않다. 1980년대 일본 반도체, 2010년대 화웨이 사례, 비슷한 패턴이 반복된 것으로 보인다.
이처럼, 차이는 AI 모델의 경우 학습 레시피의 큰 그림이 어느 정도 공개돼 있다는 점이다. Transformer 구조도, 주요 학습 방법론도 공개 논문에 있다. 부족한 건 컴퓨팅 파워와 데이터, 그리고 엔지니어링 노하우다. 컴퓨팅이 막히면 남은 두 가지에 집중하는 그림이 자연스럽게 그려진다.
::: tip 규제가 강해질수록 모델 사이즈 효율화 연구가 빠르게 진행되는 경향이 관찰된다. DeepSeek V3가 추정치 기준 1/10 컴퓨팅으로 GPT-4 급 성능을 낸 사례가 대표적이다(2024-12 공개). :::
흥미로운 건 효율화가 결국 미국 빅테크에도 역으로 영향을 준다는 점이다. 더 적은 자원으로 더 좋은 결과를 내는 방법이 공개되면 모두가 그 방향으로 끌려간다. 규제가 의도한 게 자체 개발 차단이라면, 결과는 효율화 가속이라는 다른 그림이 펼쳐지는 것으로 보인다.
아시아 각국의 전략 차이
비교는 한국·중국·일본 세 권역으로 좁혔다. 인도와 동남아도 움직이고 있지만 공개된 자료가 상대적으로 적어 제외했다.
| 권역 | 대표 모델 (2026-06 기준) | 강점 | 약점 |
|---|---|---|---|
| 한국 | LG EXAONE 4.0, Naver HyperCLOVA X 차세대 | 한국어 도메인, 금융·의료 특화 | 영문 추론, 멀티모달 |
| 중국 | DeepSeek R2, Qwen3 Max, Kimi K2 | 학습 효율, 오픈웨이트 공개 | 미국 시장 접근 제약 |
| 일본 | Sakana AI Evolutionary, NTT tsuzumi 2 | 일본어 자연스러움, 도메인 특화 | 모델 사이즈 상한 |
표는 단순화됐지만 권역별 전략이 분명히 다르다. 중국은 오픈웨이트로 생태계를 키우는 쪽, 한국은 도메인 특화 B2B, 일본은 효율 중심 소형 모델이라는 게 큰 그림으로 보인다.
이 중 한국 모델은 한국어 도메인 작업에 한해 체감상 Claude Sonnet 4와 비슷한 결과를 내는 경우가 있었다. 비교 조건이 통제되지 않은 사적 테스트라 일반화는 어렵지만, "쓸 만한 수준에 진입한 것 같다"는 인상은 분명하다.
실제로 쓸 때 본 것들
게다가, 지금 운영 중인 한 시스템에서 Claude 메인 + EXAONE 보조 구성으로 옮긴 부분이 있다. 핵심 추론은 여전히 Claude, 한국어 도메인 특화 후처리는 EXAONE이라는 단순 분리다.
# 라우팅 로직 — 입력 언어와 작업 유형으로 모델 선택
def route_model(text: str, task_type: str) -> str:
# 한국어 비중이 높고 도메인 특화 분류면 EXAONE
if is_korean_dominant(text) and task_type == "classify_domain":
return "exaone-4.0-instruct"
# 그 외 추론·요약·생성은 Claude 메인
return "claude-sonnet-4-20250514"
그래서, 라우팅이 단순해 보일 수 있다. 처음엔 더 정교한 분기를 짰는데, 운영하면서 단순한 게 낫다는 결론에 도달했다. 분기가 많아지면 디버깅이 어려워지고 어느 모델이 어느 케이스에 들어갔는지 추적이 힘들어진다.
평가 셋은 두 모델 전부에 동일한 형태로 돌렸다. 한국어 의료 용어 분류 정확도에서 EXAONE 4.0이 Claude Sonnet 4보다 약간 우세한 결과가 나왔다. 자체 평가 셋 200건 기준 약 3~5%p 차이. 영문이 섞이거나 추론이 깊어지면 반대로 Claude가 안정적이었다.
비용은 생각보다 비슷했다
즉, 흔히 자체 모델이 싸다고들 한다. API 가격표만 보면 그런 면도 있다. 단, 한국어 자체 모델은 토큰 분할 방식이 영어 기반 모델보다 효율적인 경우가 있어서, 같은 텍스트라도 토큰 수가 다르다는 점이 더 큰 영향을 준다.
# 같은 문장 토큰 수 비교 — 한국어 의료 텍스트 1000자
# (각 모델 토크나이저 기준, 실측치)
sample = "환자는 흉통과 함께 호흡 곤란을 호소하였으며..."
# Claude Sonnet 4: 약 850 토큰
# EXAONE 4.0: 약 480 토큰
# 토큰 단가가 비슷하다면, 한국어 입력에서는 EXAONE이 유리
즉, 모든 케이스에 통하는 결과는 아니다. 영문 기술 문서나 코드가 섞이면 결과가 뒤집힌다. 그래서 "토큰 단가 X.XX 달러"만 보고 모델을 결정하면 위험하다. 실제 입력 분포에 맞춰 토큰 수를 측정해보는 게 먼저다.
안정성은 아직 미국 모델이 앞선다
즉, 이건 인정해야 할 부분이다. API 가용성, SDK 품질, 문서의 친절함, 에러 메시지의 구체성. 운영 디테일에서 아직 미국 빅테크 모델이 앞선다.
예를 들어 EXAONE API에서 한 번 429 rate_limit_exceeded가 떴을 때, 재시도 가이드라인이 공식 문서에 모호하게 적혀 있어 헤맸다. Anthropic 문서는 retry-after 헤더 처리부터 exponential backoff 권장 값까지 명시돼 있다(출처: Anthropic API Reference, 2026-06 기준).
이처럼, 이런 운영 안정성은 시간이 해결할 가능성이 높아 보인다. 그래도 지금 당장 프로덕션을 100% 옮기긴 이르다는 판단이다.
메모 — 정리하다가 든 생각들
그러나, 규제는 보통 의도한 효과보다 부수 효과가 크다. 이번 케이스도 비슷한 패턴으로 보인다.
실제로, 미국 모델 접근을 제한하면, 그 모델을 못 쓰게 만드는 효과보다 대체재를 만들 동기를 강화하는 효과가 더 클 수 있다. 5~10년 뒤엔 의존도가 오히려 낮아진 시장이 만들어질 가능성이 있다. 이게 미국 입장에서 의도한 결과인지는 별개 문제다.
즉, 코드 짜는 입장에서 당장 챙겨야 할 건 하나다. 단일 모델 의존을 줄여놓는 것. 라우팅 레이어를 한 층 추가하는 비용은 작지만, 갑자기 모델이 막힐 때 그 한 층이 시스템 전체를 살린다.
이처럼, 오늘 당장 할 수 있는 액션 세 가지:
- 현재 시스템에서 모델 API 호출이 한 곳에 추상화돼 있는지 확인. 안 돼 있으면 가벼운 어댑터부터 만들어두기.
- 한국어·일본어·중국어가 주 입력인 파이프라인이 있다면, 자체 모델 후보 1개를 평가 셋에 추가하기.
- 평가 셋이 없으면 50건이라도 만들어두기. 모델 비교는 평가 셋이 없으면 시작도 안 된다.
특히, 개인적으로는 아직 메인은 Claude로 두는 게 더 나은 것 같다. 다만 보조 채널 하나는 꼭 열어두는 게 안전하다는 게 지금 시점의 판단이다.
관련 글
- xAI 연 7조 태우는데 Anthropic은 월 1조 내며 쓰는 이유 – 프론트엔드 할 땐 ‘API가 좀 느리네’ 정도로 끝났던 게, 백엔드 와서는 회사가 컴퓨트에 얼마를 태우는지까지 알아야 했다. xAI 6.4…
- Mira Murati 복귀와 Anthropic IPO, AI 리더 따라 갈아타면 손해다 – 리더가 만든 새 회사가 무조건 미래라는 말은 실무 비용을 무시한다. 18개월 동안 LLM 프로바이더를 두 번 갈아탄 결과, 모델 성능 차이…
- Anthropic IPO 수익성 회의론, Claude 쓰는 개발자가 본 반박 – AI 회사는 돈을 못 번다는 얘기가 IPO 시즌마다 반복된다. Anthropic도 예외가 아니다. 그런데 Claude API를 매일 결제하…