메타·스페이스X, '코딩 잘하는 AI'에 승부수… 왜?

스페이스X의 그록(Grok) 4.5와 메타의 뮤즈 스파크(Muse Spark) 1.1 등을 앞세워 거대 인공지능(AI) 기업들이 개발자 시장에 앞다퉈 진입하고 있는 것으로 나타났다. 오픈AI와 앤트로픽을 뒤쫓는 후발주자인 이들 기업은 코딩과 에이전트 기능, 저렴한 토큰 비용을 앞세워 경쟁력을 부각하고 있다.

메타가 9일(현지 시각) 발표한 뮤즈 스파크 1.1에서 가장 두드러지는 특징은 에이전틱 코딩(Agentic Coding)인 것으로 나타났다. 개발자를 대신해 프로젝트 전체를 관리하는 코딩 기능을 전면에 내세운 것이다. 이에 메타는 창사 이래 처음으로 외부 개발자를 대상으로 한 상용 API 서비스를 시작하게 됐다.

메타의 기존 모델 라마(Llama)도 외부에 공개된 바 있지만, 이는 오픈웨이트 모델로 개발자들이 모델 가중치(weights)를 내려받아 자신이 보유한 GPU 서버나 클라우드에서 직접 실행하고 필요시 미세조정을 하는 방식이었다. 메타가 오픈AI처럼 추론 서비스를 직접 제공하지는 않았으며, 투게더AI·파이어웍스AI·허깅 페이스 등 제3자 업체들이 라마 API를 대신 제공해온 것으로 파악된다.

이번 뮤즈 스파크 1.1은 메타가 직접 API 사업에 뛰어들었다는 점에서 의미가 크다는 평가다. 메타는 AI 분야에 수천억 달러를 투자해왔지만, AI 모델 자체를 통한 직접적인 수익화는 제한적이었던 것으로 나타났다. 메타의 주요 수익 모델은 AI로 타기팅을 강화한 광고였다.

이번 API 유료화는 메타가 기업 고객을 대상으로 자사 AI 모델을 직접 판매하는 사업에 나섰다는 의미로 풀이된다. 이 영향으로 메타의 9일(현지 시각) 주가는 반등한 것으로 나타났다. 메타가 9월부터 자체 칩을 생산할 것이라는 로이터 보도 이후 하락세를 보이던 주가는 뮤즈 스파크 1.1 발표 이후 4.6% 상승했다.

메타는 자사가 직접 운영하는 API를 처음으로 제공하며, 토큰당 과금(pay-per-token) 방식과 오픈AI 호환 API 등을 갖춘 개발자 대상 상용 서비스를 시작하는 것으로 확인됐다. 개발자들은 '메타 모델 API(Meta Model API)'를 통해 뮤즈 아키텍처를 직접 호출해 앱을 개발할 수 있다. 메타 모델 API는 현재 퍼블릭 프리뷰 버전으로 제공되고 있다.

이는 뮤즈 스파크 1.1이 범용 모델이면서도 강력한 에이전틱 코딩 기능을 갖춘 데 따른 것으로 풀이된다. 뮤즈 스파크는 알렉산더 왕이 이끄는 슈퍼 인텔리전스 랩(Meta Superintelligence Labs)에서 개발한 것으로 나타났다. 메타는 지난해 6월 알렉산더 왕의 회사 스케일AI 지분 49%를 143억 달러에 인수했으며, 이 거래의 일환으로 스케일AI CEO였던 알렉산더 왕을 영입했다.

메타는 기반 인프라와 데이터 파이프라인, 모델 아키텍처까지 처음부터 전면 재구축했다고 밝혀온 것으로 전해졌다. 라마와는 전혀 다른 새로운 계열의 모델이라는 설명이다. 이에 업계에서는 라마와 뮤즈 스파크가 향후 이원화돼, 라마는 여전히 오픈웨이트 모델로 제공되고 상용 서비스는 뮤즈 스파크가 담당할 것이라는 관측이 제기된다. 또 라마4 시리즈 중 스카우트(Scout, 109B)와 매버릭(Maverick, 400B) 등 경량·중형급 모델은 계속 공개되는 반면, 초거대모델 '비헤모스(Behemoth, 2T)'는 모델 증류를 위한 교사모델(Teacher model) 등 연구용으로 제한될 가능성도 제기되고 있다.

메타에 따르면 뮤즈 스파크 1.1은 대규모 코드베이스를 자율적으로 관리하는 것으로 나타났다. 수백만 줄에 달하는 기존 코드를 분석해 스스로 버그를 진단하고, 새로운 기능을 알아서 구현하는 것은 물론 구버전 코드를 신버전으로 전환하는 대규모 코드 마이그레이션 작업까지 자율적으로 수행한다는 설명이다.

메인 에이전트와 서브 에이전트가 병렬 작업으로 협업하는 방식도 특징으로 꼽힌다. 코딩 과제가 주어지면 메인 에이전트가 계획을 세운 뒤, 여러 하위(서브) 에이전트에게 프론트엔드 개발, 백엔드 개발, 디버깅 등의 역할을 나눠 작업을 지시하는 구조다. 하위 에이전트들이 지시받은 작업을 동시에 수행(병렬 처리)함으로써 코딩 작업의 속도와 효율을 크게 향상시켰다고 메타는 밝혔다.

메타는 자사 AI 블로그를 통해 뮤즈 스파크 1.1의 초기 파트너사 중 하나인 클라인(Cline, AI 코딩 에이전트 플랫폼) CEO가 "핵심 업무용 에이전트 코딩(serious agentic coding)을 대규모로 구동할 수 있는 가성비 모델"이라고 평가한 발언을 소개했다.

유명 AI 코딩 도구인 리플릿(Replit)의 CEO 역시 "최대 100만 토큰의 방대한 컨텍스트 처리 능력, 이미지·동영상·PDF를 아우르는 완전한 멀티모달 지원, 출처를 인용하는 내장 검색 기능, 뛰어난 추론 성능, 특히 프론트엔드와 디자인 분야에서 최상위 수준의 코딩 능력, 구조화된 출력(Structured Output), 병렬 툴 호출(Parallel Tool Calling)까지 모두 갖추면서 오픈AI와 호환되는 API까지 제공, 에이전트 AI를 구현하기 위한 완전한 기반(Foundation)을 마련했다"고 평가한 것으로 전해졌다.

뮤즈 스파크 1.1이 코딩과 에이전트 기능을 앞세우고 있지만 기본적으로는 멀티모달 범용 모델인 것으로 나타났다. 이미지나 비디오를 인식하고 일반 대화도 처리할 수 있다. 오픈AI GPT, 앤트로픽 클로드와 마찬가지로 메타의 공식 AI 플랫폼을 통해 바로 이용할 수 있으며, 비용은 현재 무료인 것으로 확인됐다.

일반 사용자들은 뮤즈 스파크 1.1이 100만 토큰 규모로 지원하는 복잡하고 긴 대화를 활용할 수 있는 것으로 나타났다. 장문의 PDF 보고서나 수십 페이지짜리 계약서, 논문 등을 대화창에 올려 "오류, 모순되는 내용을 찾아줘", "핵심을 요약해줘"라고 업무를 지시하는 방식이다.

메타의 새로운 이미지 생성 모델인 '뮤즈 이미지(Muse Image)'와 연동해 작동하는 것도 특징이다. 구상 중인 웹사이트 내용을 알려주면 메인 화면을 만들어 보여주고, 이를 실제 웹 코드(HTML)로 변환하는 멀티모달 작업을 자연어로 처리할 수 있는 것으로 나타났다. 메타는 페이스북, 인스타그램, 왓앱(WhatsApp) 등 자사 서비스 내 AI 챗봇들도 뮤즈 스파크 1.1 엔진으로 교체하고 있는 것으로 전해졌다.

하루 앞선 8일(현지 시각)에는 스페이스X가 그록 4.5를 발표하며 역시 뛰어난 코딩과 에이전트 기능을 강조한 것으로 나타났다. 그록 4.5는 스페이스X가 지난달 600억달러를 들여 인수한 커서(Cursor)와 공동 개발한 모델로, 인수 이전인 5월부터 함께 작업해온 것으로 확인됐다.

그록 4.5는 1.5조개의 파라미터를 보유한 것으로 나타났다. 기존 그록 4보다 3배나 많은 파라미터 규모다. 스페이스X에 따르면 최신 'V9' 아키텍처를 기반으로 하며, 실제 개발 업무에서 거대 코드베이스를 처리하는 SWE Marathon 등의 벤치마크 테스트에서 최상위권 성적을 거둔 것으로 확인됐다.

특히 많은 개발자들이 사용하는 AI 코드 에디터(통합개발환경) 커서의 실제 사용 데이터를 추가 학습(Supplemental Training)에 반영해 코딩 에이전트로서의 실전 기능을 강화했다고 소개됐다.

해외 전문 매체 AI 크로니클에 따르면, 그록 4.5는 커서 플랫폼을 통해 최적화된 수십억 줄의 코드로 학습돼 단순 문법이 아닌 복잡한 시스템의 아키텍처 자체를 이해하도록 설계된 것으로 전해졌다.

전체 코드 저장소를 관리하고 기존 디버거가 놓치는 논리적 오류를 찾아내며, 클라우드 리소스 최적화까지 제안할 수 있다는 설명이다.

메타, 스페이스X 등 거대 AI 기업들이 코딩 기능에 주력하는 배경에는 대체로 세 가지 이유가 거론된다. △기업 API 매출에 따른 수익화 △코딩 데이터를 통한 모델의 추론 능력 향상 △에이전트의 대표적 활용 사례라는 것이다. 개발자 시장의 높은 수익성과 함께, 코딩이 범용 추론과 에이전트 성능 향상에 유리하다는 점이 동시에 작용한다는 분석이다.

우선 개발자 시장 공략은 기업 시장에 진입하는 통로를 마련해준다는 분석이다. 대부분의 개발자들이 기업 내부에서 소프트웨어 개발과 엔지니어링에 AI 코딩 툴을 사용하고 있으며, 이 과정에서 AI 모델이 기업 내부 워크플로에 깊숙이 자리 잡게 된다는 설명이다.

AI 모델의 추론 기능과 코딩 기능은 상호 밀접한 관련성을 갖고 있어, 코딩 기능을 강화하면 향후 기업의 업무용 AI 에이전트, 엔터프라이즈 에이전틱 AI 서비스를 추가로 개발·발표할 수 있는 토대가 된다는 관측이 제기된다.

이는 코드가 검증 가능한 언어라는 점에서 비롯된다. 일반적인 자연어 추론은 정확한 답변인지 판단하기 애매한 경우가 많은 반면, 코드는 컴파일·실행 여부를 컴파일러와 테스트, 실행기가 즉시 판정하는 것으로 나타났다. 유닛 테스트도 자동으로 채점할 수 있고, 출력값이 정답과 일치하는지 명확히 비교할 수 있다는 설명이다.

이 같은 검증 가능성 때문에 코딩은 RLVR(Reinforcement Learning with Verifiable Rewards) 학습 방식에 최적의 재료로 활용되는 것으로 알려졌다.

RLVR은 사람 대신 '정답 채점기'를 두는 강화학습 방식이다. 기존 AI 학습(RLHF)이 사람이 일일이 맞는 답변을 추려내며 채점하는 방식이었다면, RLVR는 사람의 선호 라벨 대신 컴파일이나 테스트 결과를 보상으로 활용한다는 차이가 있다.

RLVR은 컴파일러(코드 실행기), 계산기, 정답지 같은 규칙 기반의 자동화 시스템이 채점을 담당하는 것으로 나타났다. AI가 작성한 코드가 에러 없이 완벽하게 실행되면 보상(1점)을 부여하고, 실패하면 보상을 주지 않는(0점) 방식으로 반복적인 자기 개선 루프를 가동할 수 있다. 모델은 확실한 피드백 루프 안에서 수천, 수만 번 스스로 시행착오를 겪으며 정답 논리 경로를 자율적으로 찾아내는 것으로 전해졌다.

요컨대 코드 학습은 모델의 단계적 문제 해결과 논리적 추론 능력을 향상시키는 데 도움이 되는 것으로 평가받고 있다.

코드를 작성하기 위해서는 △문제를 작은 단계로 분해(decomposition) △중간 상태를 계속 추적(변수, 조건 등) △논리적 인과관계를 정확히 연결 △에러 발생 시 원인을 역추적해 디버깅하는 과정을 거치게 된다. 이는 수학 문제 풀이, 논리 퍼즐, 나아가 일반적인 계획 수립 추론과도 구조적으로 거의 동일하다는 설명이다. 이 때문에 대규모 코드베이스 데이터로 학습시키면 모델의 단계적 문제 해결 능력과 추론 능력을 함께 향상시키는 것으로 알려졌다.

△코드가 자동 채점이 가능해 대규모 강화학습 재료로 활용하기 좋고 △그 훈련이 실제로 범용 추론 능력을 단련시키며 △코딩 에이전트의 다단계 작업 패턴이 일반 에이전트 작업과 구조적으로 유사하다는 점이 함께 작용한다는 분석이다. 도구 호출, 다단계 계획, 중간 결과 검증, 실패 시 재시도 등 코딩 에이전트가 수행하는 작업은 리서치 에이전트나 사무 자동화 에이전트가 하는 일과 본질적으로 같은 패턴인 것으로 나타났다.

코딩과 추론이 서로 도움을 주고받으며 발전하는 구조이기 때문에, 모델의 코딩 기능은 향후 엔터프라이즈 에이전틱 기능을 개발하는 자양분이 된다는 것이다. 메타와 스페이스X를 비롯해 오픈AI, 앤트로픽, 구글 등이 모두 코딩 모델을 강화하는 동시에 에이전트 성능을 강조하는 이유도 여기에 있다는 분석이다.

이에 따라 최근의 모델 벤치마크(OSWorld, SWE-bench, TerminalBench 등)도 대부분 코딩·도구 사용 능력을 중심으로 평가하는 것으로 나타났다. SWE-bench 등 코딩 벤치마크는 해당 모델이 범용 에이전트로서 얼마나 유능한지를 가늠할 수 있는 대리 지표(proxy benchmark)로 활용되는 경우가 많다는 설명이다.

알렉산더 왕 메타 슈퍼인텔리전스 랩 책임자는 뮤즈 스파크 1.1 발표와 관련해 CNBC와의 인터뷰에서 "전반적인 에이전트 역량을 구현하려면, 그의 일부로 코딩 능력을 반드시 갖춰야 한다(You kind of have to build coding capabilities as part of that in service of overall agentic capabilities)"고 밝혔다. 모델의 코딩 능력이 곧 에이전트 능력의 핵심 구성 요소라는 설명이다.

이로 인해 새롭게 나타나는 현상은 후발주자인 메타와 스페이스X가 범용 모델(LLM)과 코딩 모델을 구분하지 않고 단일 모델에서 코딩과 범용 기능을 함께 제공하고 있다는 점이다. 오픈AI, 앤트로픽처럼 GPT-코덱스, 클로드-클로드 코드 식으로 구분하지 않는 것으로 나타났다.

물론 코덱스나 클로드 코드 역시 기반은 GPT, 클로드이며, 여기에 코딩 특화 하네스(개발 도구)를 추가한 것이다. 범용 모델에 파일 편집, 터미널 실행, Git 연동 등 개발 도구를 결합한 코딩 에이전트 제품인 셈이다.

2024년경만 해도 범용 LLM과 코딩 특화 모델을 별도로 운영하는 사례가 적지 않았던 것으로 나타났다. 그러나 코딩 능력과 추론 능력이 밀접하게 연관돼 있다는 사실이 알려지고 범용 모델 자체의 성능도 크게 향상되면서, 최근에는 하나의 범용 모델을 기반으로 코딩 기능까지 제공하는 방향으로 진화하고 있는 것으로 파악됐다. 이에 오픈AI와 앤트로픽도 GPT·클로드 같은 범용 모델을 기반으로 하되, 개발 환경과 도구를 결합한 코딩 에이전트(코덱스, 클로드 코드)를 별도 제품으로 제공하고 있다.

이에 비해 메타와 스페이스X는 각각 뮤즈 스파크 1.1, 그록 4.5를 통해 범용 LLM과 코딩 에이전트를 통합 제공하고 있다. 메타의 경우 개발자 시장에 빠르게 진입하기 위해, 개발자들이 이미 사용하고 있는 외부 에이전트 하네스와도 잘 작동하도록 학습시켰다는 점을 강조하고 있는 것으로 전해졌다.

이 가운데 스페이스X의 그록 4.5는 범용과 코딩 모델을 물리적으로 나누지 않은, 가장 거대한 단일 모델인 것으로 나타났다. 그록 4.5 역시 실시간 검색과 문서 작성, 데이터 분석 등을 모두 수행할 수 있는 범용 프론티어 모델이다. 다만 학습 단계에서 AI 코딩 에디터인 커서가 보유한 실제 개발자와의 수조(Trillions) 규모 상호작용 데이터를 활용한 것으로 확인됐다. 앞서 언급한 바와 같이 코딩을 잘하는 모델이 복잡한 추론(논리적 사고)에도 강점을 보이는 만큼, 스페이스X는 고품질의 코딩 유전자를 주입한 그록 4.5를 개발했다는 설명이다.

후발주자들은 선발 프론티어 모�� 대비 경제적인 토큰 비용을 공통적으로 강조하고 있는 것으로 나타났다. 메타의 경우 일반 사용자가 메타 AI에서 사용하는 뮤즈 스파크는 무료로 제공된다. 오픈AI GPT, 앤트로픽 클로드처럼 범용 모델에 대한 유료 계획은 아직 발표되지 않은 상태다.

기업이나 개발자가 자사 서비스에 뮤즈 스파크를 연동하기 위해 사용하는 메타 모델 API는 유료이며, 메타는 상당히 공격적인 가격 정책을 내놓은 것으로 나타났다. 입력 100만 토큰당 1.25달러, 출력 100만 토큰당 4.25달러에 불과한 수준이다. 미국 개발자들에게는 초기 테스트용으로 20달러 상당의 크레딧도 제공하는 것으로 확인됐다.

스페이스X 그록 4.5의 경우 기존 요금제 체계를 따르면서도 API 비용을 대폭 낮춰 발표한 것으로 나타났다. 그록 4.5 API 이용 시 입력 100만 토큰당 2달러, 출력 100만 토큰당 6달러가 책정됐다. 캐시된 입력(Cached Input)은 100만 토큰당 0.5달러에 불과한 것으로 확인됐다.

흥미로운 대목은 그록 4.5가 이전 버전인 그록 4.3보다 가격이 올랐다는 점이다. 스페이스X는 더 높은 성능과 적은 토큰 사용량(효율)을 내세우며 실제 작업당 비용은 경쟁력이 있다고 설명하고 있다. 한편 일반 사용자를 위한 유료 구독제는 △슈퍼그록 라이트(SuperGrok Lite, 월 10달러) △슈퍼그록(월 30달러) △슈퍼그록 헤비(SuperGrok Heavy, 월 300달러)로 구성돼 있다.

API 비용을 비교하면 현재 프론티어 모델 중에서는 구글이 저렴한 편인 것으로 나타났다. 구글은 제미나이 3.1 프로를 입력/출력 100만 토큰당 2달러/12달러에 제공하고 있다. 오픈AI의 최고 성능 모델인 최신 5.6 시리즈의 솔(Sol)은 5달러/30달러, 앤트로픽 클로드 페이블 5는 10달러/50달러로 책정됐다. 오픈AI와 앤트로픽은 최상위 모델을 기준으로 한 가격이며, 모델별 가격 차이가 커서 하위 모델들은 상대적으로 저렴하게 비용이 책정돼 있는 것으로 파악됐다.

메타는 오픈AI 대비 약 86%, 앤트로픽 대비 약 92% 낮은 가격을 책정한 것으로 나타났다. API 자체가 핵심 수익원인 오픈AI, 앤트로픽과 달리 메타는 광고 사업에서 막대한 현금 흐름을 확보하고 있고, 스페이스X 역시 스타링크 사업에서 수익을 내면서 AI 생태계 확장에 주력하고 있어, 수익성보다는 개발자와 기업 고객을 빠르게 확보하는 전략을 택한 것으로 해석된다.