AI 열풍의 한복판에서 오히려 프런티어 LLM에 대해 약세(bearish) 전망을 내놓은 글이 눈길을 끈다. dank.systems에 실린 이 글의 저자는 최근 수학·보안 분야에서 나온 화제성 성과들에도 불구하고, 지금의 대형언어모델이 자율적으로 조직을 대신할 수 있다는 기대에는 구조적 한계가 있다고 주장한다. 핵심 비유는 'cracked intern', 즉 능력은 뛰어나지만 여전히 성인 감독자가 붙어 있어야 하는 인턴이다. 손이 빠르고 유용하지만, 조직의 운영을 통째로 맡길 수 있는 존재는 아니라는 것이다.
저자가 특히 강조하는 것은 이것이 기술 확산 속도나 사용자의 숙련도 문제가 아니라, 현재 아키텍처 자체에 내재한 구조적 한계라는 점이다. 대부분의 기업은 완전 자율 AI를 도입하지 못하는데, 이는 아직 조직이 준비가 안 되어서가 아니라 자율 실행에 따르는 책임과 통제의 문제가 근본적으로 풀리지 않았기 때문이다. 그는 완전 자율 LLM을 받아들일 수 있는 기업 유형을 단 세 부류로 좁혀서 본다.
가격 민감성과 프런티어 프리미엄의 괴리
저자에 따르면 이 세 부류 가운데 앞의 두 부류는 가격에 민감하며, 값싼 모델에서 프런티어 모델로 갈 때 나타나는 추론 품질의 도약을 사실상 필요로 하지 않는다. 이들에게는 저렴한 하드웨어에서 돌아가는 오픈 모델, 심지어 사용 현장에서 로컬로 구동하는 방식이 가장 잘 맞는다는 것이다. 이 지점은 국내 실무자에게도 시사하는 바가 크다. 많은 조직이 습관적으로 최상위 API를 가정하고 비용을 산정하지만, 실제 업무의 상당수는 그만한 추론력을 요구하지 않으며 개방형 모델과 자체 인프라로 충분히 감당되는 경우가 많다.
더 흥미로운 대목은 '스웜(swarm) 폭'에 대한 관찰이다. 수학이나 보안 연구에서 헤드라인을 장식한 결과들의 상당수는 이른바 퍼지 조합 탐색(fuzzy combinatorial search)에 해당하는데, 이런 작업은 개별 모델의 추론 능력보다 동시에 얼마나 많은 에이전트를 넓게 병렬로 돌리느냐에 더 민감하다는 주장이다. 저자는 2026년 봄 화제가 됐던 이른바 신화적 CVE(취약점)들을 작은 오픈 모델들이 재현해낸 사례를 근거로 든다. 만약 이 관찰이 맞다면, 같은 작업량을 더 넓은 떼거리로 돌릴 수 있게 해주는 값싼 오픈 모델을 쓸 이유가 더욱 커진다.
프런티어 모델을 쓸 세 번째 부류마저 흔들린다
세 번째 부류는 여전히 프런티어 모델을 쓸 수도 있는 집단으로 제시된다. 그러나 저자는 이들의 작업조차 deepseek v4.1 flash 같은 값싼 모델로 처리하지 못할 이유가 분명치 않다고 본다. 앞서 말한 스웜 폭의 이점이 여기서도 더 저렴한 모델을 택할 근거가 된다. 게다가 이 부류는 대개 자사 지식재산에 매우 민감하며, 학습에 사용하지 않겠다는 약정이 있다 해도 자신들의 IP 전부를 앤트로픽이나 오픈AI로 흘려보내는 상황을 반기지 않는다는 점도 지적된다. 비용과 보안 양쪽 모두에서 폐쇄형 프런티어 API의 매력이 깎인다는 논리다.
마지막으로 저자는 예상되는 반론을 스스로 제기한다. 설령 프런티어 랩들이 곤경에 빠진다 해도, '똑똑한 천재들로 가득 찬 데이터센터'가 아니라 '멍청이(brainlet)들로 가득 찬 데이터센터' 시나리오 역시 그에 못지않은 AI 연산 수요를 만들어내지 않느냐는 것이다. 그러나 그는 결정적 차이를 짚는다. 천재들의 데이터센터는 스스로 굴러가며 오직 소비할 수 있는 연산량에만 제약받는 반면, 멍청이 떼거리는 이를 지휘하는 인간 조율자에게 심하게 병목이 걸린다는 점이다.
실무적으로 이 글은 하나의 예측이자 관점일 뿐, 검증된 결론은 아니다. 세 부류의 정의가 원문에서 구체적으로 나열되지 않았고, 스웜 폭과 추론 능력의 상대적 중요도 역시 특정 사례에 기댄 가설에 가깝다. 그럼에도 '무조건 최상위 모델' 관성을 되짚게 한다는 점, 그리고 병렬 에이전트 구조에서는 모델 단가와 동시 실행 폭이 성능만큼이나 설계 변수가 된다는 점은 실무 판단에 참고할 만하다. 저자는 그 여파가 프런티어 랩에 국한되지 않고 훨씬 넓게 퍼질 것이라는 데 개인적 베팅을 건다.