DarkGarden

Topics

Sections

GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue

43 min read

GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue

📺 원본 영상: GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue
🎙️ 채널: 안될공학 - IT 테크 신기술
📅 정리 일자: 2026-09-08
⚠️ Note: 본 리포트는 영상의 음성 변환 텍스트를 바탕으로 작성된 제공 원고를 검수한 것이다. 검수 시 원본 음성·STT 전문·화면 자료는 제공되지 않아 실제 발언과의 일치 여부는 재확인하지 못했다. 제품명·성능 수치·기업 발표에 관한 내용은 제공 원고의 표기를 유지했으며, 외부 자료와 대조한 사실 확인은 포함하지 않는다.

개요

이 영상은 AI가 전문 소프트웨어를 조작해 실제 결과물을 만드는 사례를 출발점으로, 계산 자원이 어떻게 경제적 가치로 연결되는지 설명한다. 강연자는 영상에서 GPT-6 Astra라고 지칭하는 모델의 3D 제작 능력을 화면 인식, 결과 수정, 다중 에이전트 운영, 대규모 학습 인프라라는 요소로 나누어 살펴본다. 논의의 중심은 인상적인 시연 자체보다 검수를 통과한 작업 하나를 완성하는 데 총비용이 얼마나 드는가에 있다.

답변을 생성하는 AI에서 제작 업무를 수행하는 AI로

영상은 AI가 만든 주택 공간을 소개하며 시작한다. 강연자의 설명에 따르면, 이 작업은 Blender에서 공간을 모델링하고 사용자의 요구에 맞게 수정한 뒤 Unreal Engine으로 옮겨 사람이 내부를 걸어 다닐 수 있도록 구성한 사례다. 벽을 옮기거나 실내 분위기를 바꾸는 일은 기존에도 고객의 요청을 받아 사람이 수행하던 제작 업무라는 점에서, 강연자는 이 시연을 유료 노동의 일부를 AI가 맡는 사례로 해석한다. 다만 경제적 가치가 성립하려면 AI 사용료와 최종 검수 비용을 포함한 제작비가 기존 방식보다 낮아져야 한다는 조건을 함께 제시한다.

이와 연결해 소개한 사례가 AI 개발자 Matt Schumer의 뉴욕 거리 제작 실험이다. 강연자가 전한 Schumer의 설명에 따르면, 그는 GTA처럼 돌아다닐 수 있는 공간을 요청하고 약 일주일 동안 작업을 이어갔다. 공개된 맨해튼은 아직 제작 중이었으며, 모든 거리를 사람이 하나씩 지시하는 방식으로 진행된 것은 아니었다고 한다. 그러나 이후 설명에서 드러나듯, 이 실험에는 작업을 나누고 진도를 관리하는 별도의 운영 구조가 있었으므로 단일 모델이 아무런 관리 없이 완성한 프로젝트로 받아들여서는 안 된다.

이 두 사례를 통해 강연자가 제기하는 변화는 AI의 평가 대상이 달라진다는 것이다. 대화에서는 답변의 정확성과 설명력이 중요한 기준이지만, 제작 업무에서는 고객이 수정하고 활용할 수 있는 산출물을 실제로 남겼는지가 중요해진다. 이때 결과물의 품질뿐 아니라 제작 시간, 재작업 횟수, 사람의 개입 정도도 평가에 포함된다. 영상은 이러한 관점에서 AI 성능과 사업성을 하나의 작업 과정 안에서 연결한다.

전문 도구를 활용하는 능력이 생산성으로 이어지는 이유

강연자는 3D 장면의 시각적 완성도를 모두 모델 자체의 능력으로 돌려서는 안 된다고 설명한다. 빛의 반사와 그림자 계산은 Blender가 수행하고, Unreal Engine에는 물리 엔진과 캐릭터 시스템 같은 기능이 이미 마련되어 있기 때문이다. Astra가 맡았다고 소개된 역할은 이 기능들을 선택하고 연결하며, 원하는 장면이 나오도록 설정을 조정하는 일이었다. 따라서 이 사례의 핵심은 AI가 기존 제작 도구를 이용해 여러 단계를 하나의 작업 흐름으로 수행했다는 데 있다.

Blender에서는 Python 코드로 벽과 가구를 배치하고 재질과 조명을 설정했다고 한다. 이런 방식으로 남는 결과물은 이미지 한 장이 아니라, 이후에도 소파를 옮기거나 카메라 위치를 바꿔 다시 렌더링할 수 있는 편집 가능한 3D 장면이다. 고객의 요구가 바뀌었을 때 기존 작업을 수정할 수 있다는 점은 제작 업무에서 중요한 의미를 갖는다. 강연자는 사람이 건축 시각화를 할 때 렌더링 엔진부터 새로 만들지 않는 것처럼, AI 역시 축적된 전문 도구를 제대로 활용하는 것만으로 높은 생산성을 낼 수 있다고 본다.

Schumer의 모델 비교도 이러한 관점에서 소개된다. 강연자에 따르면, Schumer는 보기 좋은 개별 3D 에셋을 만드는 감각에서는 Claude를 더 높게 평가했지만, 에셋과 기능이 갖춰진 Unreal Engine에서 큰 프로젝트를 진행하는 능력은 Astra가 더 두드러졌다고 평가했다. 이는 개인적인 사용 경험에 따른 비교이므로 일반적인 성능 순위로 확대해서 해석하기는 어렵다. 다만 강연의 맥락에서는 개별 산출물을 만드는 능력과 여러 도구를 이용해 전체 프로젝트를 진행하는 능력을 구분하는 사례로 기능한다.

프로그램의 정상 실행과 결과물의 완성은 다르다

전문 프로그램을 실행할 수 있다고 해서 사용자의 요구까지 충족한 것은 아니다. 강연자는 카메라가 너무 가까워 소파가 잘리거나 조명이 잘못되어 주요 물체가 어둠에 묻히더라도 Blender는 오류 없이 렌더링을 마칠 수 있다고 설명한다. 프로그램은 주어진 설정대로 계산했지만, 그 결과는 사람이 기대한 장면과 다를 수 있는 것이다. 따라서 작업을 맡은 AI에는 실행 결과를 다시 관찰하고 무엇이 잘못되었는지 판단하는 능력이 필요하다.

영상에서 소개한 또 다른 제작 기록에서는 Astra가 미리보기에서 토성의 고리가 화면 밖으로 잘린 것을 확인한 뒤 카메라 구도를 넓혔다고 한다. 강연자는 이 사례를 결과를 보고 다음 수정 행동을 결정하는 과정으로 설명한다. Unreal Engine에서는 바닥이 정상적으로 보이더라도 충돌 판정이 설정되지 않으면 캐릭터가 아래로 떨어질 수 있다는 예시를 덧붙인다. 이처럼 시각적으로 그럴듯한 결과와 실제 사용 가능한 결과 사이에는 별도의 확인 단계가 존재한다.

이 대목에서 강연의 기술적 논점은 관찰과 수정이 반복되는 작업 구조로 이어진다. 최초 지시를 코드로 변환하는 데 그치지 않고, 만들어진 결과를 다시 입력으로 받아 수정 방향을 정해야 작업이 진전된다는 것이다. 카메라 구도는 화면을 통해 확인해야 하고, 충돌 판정은 동작을 통해 확인해야 하므로 검증 방식 역시 과제에 맞아야 한다. 영상은 이러한 반복 과정이 AI의 신뢰성을 높이는 동시에 추가 계산 비용을 발생시키는 지점이라고 설명한다.

작은 버튼을 찾는 기술과 계산량의 관계

복잡한 프로그램을 조작하려면 우선 목표 버튼이나 메뉴의 위치를 정확하게 찾아야 한다. 강연자는 ScreenSpot-Pro에서 Astra가 92.7%, 이전 모델인 GPT-5.6 Sol이 76.9%를 기록했다고 소개하며, 두 수치 모두 별도의 화면 분석 도구를 사용하지 않는 조건이라고 설명한다. 여기서 점수는 전체 업무를 완수한 비율이 아니라 화면에서 지시된 대상의 위치를 찾는 정확도를 뜻한다. 따라서 이 결과를 곧바로 복잡한 제작 업무의 성공률로 해석해서는 안 된다는 점을 영상에서도 분명히 한다.

강연자는 고해상도 화면을 축소할 때 발생하는 정보 손실로 이 문제의 어려움을 설명한다. 예를 들어 4K 화면에 폭이 20픽셀인 버튼이 있다면, 화면 전체를 작게 줄이는 과정에서 버튼의 선이나 인접 아이콘과의 차이가 사라질 수 있다. 이미 손실된 정보는 축소된 이미지를 다시 확대한다고 복구되지 않는다. 이에 따라 큰 화면의 정보를 충분히 유지하거나, 먼저 후보 영역을 찾은 뒤 원본 화면에서 해당 부분을 다시 읽는 접근이 중요해진다고 설명한다.

화면의 의미와 위치를 함께 학습하는 방식도 소개된다. 단순히 어떤 아이콘이 저장 버튼인지 알아보는 것을 넘어, 언어로 지시한 대상이 화면의 어느 좌표에 있는지를 연결하는 과정을 Visual Grounding(시각적 그라운딩)이라고 부른다. 강연자는 SeeClick 같은 공개 연구가 이러한 학습을 통해 GUI(Graphical User Interface·그래픽 사용자 인터페이스) 조작 성능을 개선했다고 설명한다. 다만 Astra가 실제로 어떤 비전 구조와 학습 데이터를 사용했는지는 공개되지 않았다고 덧붙이므로, 소개된 연구를 Astra 내부 구현의 확정적인 설명으로 받아들여서는 안 된다.

다시 보고 보정하는 방식이 만드는 성능 향상

강연자는 ScreenSpot-Pro 연구에서 위치 탐색 모델을 새로 훈련하지 않고도 정확도를 18.9%에서 48.1%로 높인 사례를 소개한다. 설명된 방식은 다른 모델이 먼저 유력한 후보 영역을 선택하고, 그 영역 안에서 목표 위치를 다시 찾도록 하는 것이다. 화면 전체를 한 번에 처리할 때보다 관찰의 초점을 좁히면서 작은 대상을 구별하기 쉬워졌다는 해석이다. 다만 이 수치는 앞서 소개한 Astra의 점수와 같은 모델·조건의 비교로 제시된 것이 아니므로 별도의 실험으로 읽어야 한다.

GUI Cursor라는 연구에서는 모델이 예측한 좌표에 가상 커서를 표시한 화면을 다시 보여주는 방식을 사용했다고 한다. 모델은 자신이 목표보다 왼쪽을 가리켰는지 확인한 뒤 다음 좌표를 오른쪽으로 옮기는 식으로 예측을 보정한다. 강연자는 Qwen2.5-VL 7B 기반 모델을 이렇게 훈련했을 때 정확도가 두 배 이상 높아졌다고 소개한다. 동시에 이것은 실제 프로그램에서 잘못된 작업을 실행하고 복구한 실험이 아니라, 화면에서 목표 위치를 보정하는 실험이라고 범위를 제한한다.

이 사례들이 뒷받침하는 강연의 주장은 관찰과 수정에 계산을 더 사용하면 성능을 높일 여지가 있다는 것이다. 후보 영역을 고르고, 이미지를 다시 처리하고, 좌표를 보정할 때마다 모델 호출과 처리량이 늘어난다. 따라서 향상된 결과에는 추가 계산 비용이 함께 따라오며, 그 비용이 실제 작업의 실패와 재작업을 얼마나 줄이는지 확인해야 한다. 영상은 공개된 기술적 아이디어와 이를 대규모 제품 성능으로 구현하는 역량 사이에 차이가 있다고 설명한다.

3D 이해와 장기 프로젝트 운영은 별도의 과제다

버튼을 정확하게 찾는 능력만으로 3D 제작을 완성할 수는 없다. 강연자는 정면에서 비슷하게 보이는 두 물체라도 깊이나 뒷면 구조는 다를 수 있으므로, 여러 방향의 이미지를 통합해 입체 형상을 추론해야 한다고 설명한다. 영상에 등장하는 CAD 벤치마크는 여러 시점의 물체 이미지를 보고 해당 형상을 만드는 코드를 작성하게 한 뒤, 실제 실행 결과가 정답 형상과 얼마나 겹치는지 평가하는 방식이다. 다만 제공 원고에서 벤치마크 명칭이 불명확한 것으로 처리되어 있어 여기서는 이름을 확정하지 않는다.

이 평가에서 강연자가 소개한 점수는 이전 모델 83.3%, Astra 95.9%다. 영상은 이 수치가 모든 치수를 제조에 바로 사용할 정도로 정확하게 맞췄다는 뜻은 아니라고 강조한다. 코드가 실행되더라도 구멍이 막히거나 물체의 깊이가 달라지면 형상 비교에서 점수를 잃을 수 있다. 따라서 이 결과는 소개된 평가 방식 안에서 입체 형상을 재구성하는 성능으로 이해해야 하며, 제조 적합성 전체를 보증하는 지표로 확대할 수 없다.

프로젝트가 커지면 형상 이해와는 다른 문제가 나타난다. 강연자가 전한 Schumer의 경험에서는 Astra가 작은 디테일에 계속 몰두해 전체 프로젝트의 진도가 느려지는 현상이 있었다고 한다. 건물 전체를 완성하기 전에 문손잡이만 반복해서 다듬는 상황에 비유한 이 문제는, 개별 작업의 품질과 전체 작업의 완수가 반드시 함께 움직이지는 않음을 보여준다. 이를 해결하기 위해 실험에서는 진도 관리를 맡는 에이전트를 따로 두었다고 설명한다.

관리 에이전트가 포함된 작업 구조

영상에서 Manager Loop(관리 루프)라고 부른 구조에서는 관리 에이전트가 큰 목표를 여러 단계로 나눈다. 구현 에이전트가 한 단계를 마치면 관리 에이전트가 결과를 받아 다음 작업을 넘기고, 구현 에이전트 역시 필요하면 하위 에이전트를 호출해 일을 나눌 수 있다. 따라서 최종 결과는 모델의 개별 응답 능력뿐 아니라 작업 분할과 진도 관리 방식의 영향을 받는다. 강연자는 같은 모델이라도 한 번의 요청으로 얻은 결과와 여러 에이전트를 장시간 운영한 결과는 달라질 수 있다고 설명한다.

Schumer는 뉴욕 실험에서 하위 에이전트의 동시 사용 한도를 최대 96개까지 열어두었다고 한다. 이는 항상 96개가 동시에 작동했다는 의미가 아니며, 본인도 비용 면에서 과한 설정이었다고 인정했다고 강연자는 전한다. 따라서 이 사례를 평가할 때는 사용 모델뿐 아니라 실행 시간, 에이전트 구성, 계산 투입량을 함께 살펴야 한다. 최대 동시 사용 한도는 실제 사용량이나 경제성을 보여주는 수치가 아니다.

대규모 GPU의 강점은 실행 환경과 검증기가 있을 때 커진다

강연자는 앞선 영상에서 언급했다는 10만 개 이상의 GPU가 Astra의 사전학습 규모에 관한 설명이라고 구분한다. 컴퓨터 사용 능력을 위한 강화학습에 실제로 GPU가 몇 개 투입되었는지는 공개되지 않았다는 것이다. 따라서 사전학습에 관한 수치를 특정 능력의 강화학습 자원으로 그대로 옮겨 해석할 수는 없다. 그럼에도 화면을 반복해서 보고 여러 행동 경로를 시험하는 과정에서 계산량이 커지므로, 많은 GPU가 더 많은 시도를 같은 시간에 수행하는 데 유리하다고 설명한다.

Reinforcement Learning(강화학습)에서는 여러 시도를 만들고 어떤 경로가 성공했는지 비교한 뒤 그 결과를 학습에 반영한다. 강연의 설명처럼 작업 하나가 수십 단계로 이루어져 있고, 이를 다양한 방식으로 반복하며, 과제 종류까지 늘어나면 필요한 계산량도 빠르게 증가한다. 하지만 GPU만 확보한다고 이런 실험을 안정적으로 수행할 수 있는 것은 아니다. 실제 프로그램과 파일을 준비하고, 작업 종료 후 초기 상태로 복원하며, 여러 실행이 서로 간섭하지 않도록 격리하는 환경이 필요하다.

더 까다로운 문제는 작업의 성공 여부를 정확하게 판단하는 것이다. 강연자는 입력값이 바뀌면 합계도 자동으로 바뀌는 스프레드시트를 만들라는 과제를 예로 든다. 최종 숫자만 확인한다면 AI가 수식 없이 현재 정답을 직접 입력해도 통과할 수 있지만, 입력값을 바꿨을 때 결과까지 바뀌는지 시험하면 요구사항의 충족 여부를 더 정확하게 판단할 수 있다. 이러한 자동 검사 장치가 Verifier(검증기)이며, 강연은 그 설계가 학습의 품질을 좌우하는 요소라고 설명한다.

영상에 따르면 OpenAI의 관련 연구직 공고에도 실행 환경과 검증 체계를 만들고 실패를 다음 학습으로 연결하는 업무가 포함되어 있다. 강연자가 여기서 도출하는 대규모 AI 기업의 강점은 기본 모델, GPU, 과제, 실행 환경, 검증기가 함께 갖춰졌을 때 형성되는 개선 과정이다. 한 번의 실패를 발견하는 데 그치지 않고 이를 다음 훈련에 반영하는 속도가 중요하다는 해석이다. 공개 논문이 기술적 방법을 설명하더라도, 이런 운영 체계 전체가 동시에 제공되는 것은 아니라는 점이 강조된다.

Compute is Revenue가 성립하는 경제적 조건

강연자는 이 논의를 Jensen Huang의 “컴퓨트가 매출이다”라는 표현과 연결한다. 영상에서 소개한 취지는 AI가 화면을 보고 판단하고 도구를 사용해 생산적인 일을 수행할수록, 계산이 유료 작업을 만드는 기반이 된다는 것이다. 코드를 생성하고 결과를 다시 확인하며 잘못된 부분을 수정하는 데 토큰을 더 사용하더라도, 그 과정이 사람이 몇 시간 동안 하던 일을 완성한다면 비용의 의미가 달라진다. 토큰 사용량 자체보다 그 사용으로 어떤 결과물을 얼마나 완성했는지가 중요해지는 것이다.

그러나 추가 계산이 항상 경제성을 높이는 것은 아니다. 강연자는 에이전트를 10배 늘렸는데 품질은 조금 좋아지고 사용료가 20배가 되는 상황을 가정하며, 기업 입장에서는 이런 선택이 매력적이지 않을 수 있다고 설명한다. 반대로 호출 단가가 높은 모델이라도 한두 번에 작업을 마쳐 사람의 수정 시간을 크게 줄인다면 총비용은 더 낮아질 수 있다. 두 예시는 실제 실험의 비용 측정 결과가 아니라, 단가와 최종 경제성을 구분하기 위한 설명이다.

NVIDIA의 관점에 대해서는 토큰 처리량 증가가 GPU와 AI 데이터센터 수요로 이어진다는 논리가 소개된다. 특히 전력을 마음대로 늘리기 어렵기 때문에 Tokens per Watt(와트당 토큰 처리량), 즉 같은 전력에서 얼마나 많은 토큰을 생성하는지도 매출 기회와 연결된다고 설명한다. 다만 영상의 마지막 논지까지 종합하면, 토큰 처리 효율만으로 고객의 경제적 이익을 확정할 수는 없다. 생성한 토큰이 검수를 통과하는 산출물로 이어져야 계산 자원과 사업 성과 사이의 연결이 완성된다.

자체 추론 칩과 HBM이 같은 경쟁에 포함되는 이유

영상은 OpenAI가 Broadcom과 함께 설계했다고 소개한 자체 추론용 ASIC(주문형 반도체) ‘할라피뇨’를 같은 맥락에서 다룬다. 강연자의 설명에 따르면, 목표는 칩 하나의 성능 개선에 그치지 않고 메모리 데이터 이동, 네트워크, 서빙 시스템까지 함께 최적화하는 것이다. 추론 비용이 낮아지면 같은 비용으로 제품이 더 많은 작업 단계를 수행할 수 있고, 제품 가치와 사용량이 증가하면 매출을 다시 인프라에 투자할 수 있다는 구조다. 강연자는 이를 Flywheel(선순환 구조)로 해석하며, NVIDIA GPU를 당장 전부 대체한다는 의미는 아니라고 설명한다.

이 설명에서 메모리는 계산 장치의 성능을 실제 처리량으로 연결하는 요소다. 강연자는 가속기가 빠르게 연산하더라도 모델 가중치와 추론에 필요한 데이터를 제때 공급하지 못하면 연산기가 기다려야 한다고 설명한다. 여러 에이전트가 긴 작업을 수행할수록 데이터 이동 부담도 커지므로, 계산 칩을 자체 설계한다고 메모리 대역폭의 중요성이 사라지는 것은 아니라는 주장이다. HBM(고대역폭 메모리)은 이러한 데이터 공급 문제와 연결되어 소개된다.

강연자는 OpenAI가 2025년 삼성전자 및 SK와의 파트너십에서 첨단 메모리 생산을 월 최대 90만 장 수준의 DRAM 웨이퍼 투입 규모까지 확대하는 목표를 제시했다고 전한다. SK하이닉스는 별도 발표에서 이를 Stargate용 HBM 공급 협력으로 설명하고 당시 전체 HBM 업계 생산능력의 두 배가 넘는 규모라고 표현했다고 한다. 다만 영상은 월 90만 장이 현재의 실제 구매량이 아니라 향후 수요에 대응하기 위한 목표치라고 분명히 구분한다. 이 수치를 HBM 완제품 수량이나 현재 확정된 공급 실적으로 바꾸어 읽어서는 안 된다.

강연의 해석에 따르면 AI 기업이 확보하려는 것은 가속기만이 아니라 작동 가능한 전체 시스템이다. 연산 칩이 있어도 메모리 공급이나 네트워크, 전력이 부족하면 서비스할 수 있는 처리량이 제한된다. 따라서 GPU를 구매하든 자체 ASIC을 설계하든 다른 구성요소의 제약을 함께 해결해야 한다. 영상은 이러한 연결을 통해 GPU와 HBM 확보 경쟁을 더 많은 유료 작업을 수행할 수 있는 생산능력의 경쟁으로 설명한다.

영상 속 주요 수치와 해석의 경계

영상에 등장하는 수치는 성능 평가, 실험 운영 조건, 인프라 계획처럼 서로 다른 성격을 갖는다. 이를 구분하지 않으면 화면 위치 탐색 정확도를 전체 업무 성공률로 읽거나, 미래 생산 목표를 현재 구매 실적으로 받아들이게 된다. 아래 표는 제공 원고가 음성에서 언급된 것으로 정리한 수치이며, 원본 음성이나 원문 논문·기업 발표와의 대조는 수행하지 않았다. 제공 원고에는 수치에 붙은 [?] 표기가 없었으며, 오인식 여부를 판단할 근거가 없어 수치 자체는 유지했다. 이는 수치의 정확성이 확인되었다는 뜻은 아니다. 특히 CAD 벤치마크의 명칭과 세부 평가 조건은 제공 원고만으로 확정할 수 없다.

항목제공 원고에 기록된 수치강연에서 설명한 의미와 한계
뉴욕 거리 제작 실험약 일주일작업을 이어간 기간이며, 공개 결과는 제작 중
ScreenSpot-ProAstra 92.7%, 이전 모델 76.9%화면에서 목표 위치를 찾는 정확도이며 전체 업무 완수율은 아님
후보 영역을 먼저 고르는 실험18.9% → 48.1%위치 탐색 모델의 재훈련 없이 추가 탐색 과정으로 개선한 별도 사례
GUI Cursor 연구정확도 두 배 이상 향상Qwen2.5-VL 7B 기반 모델의 화면 좌표 보정 실험
다중 시점 CAD 형상 평가이전 모델 83.3%, Astra 95.9%생성 형상과 정답의 일치에 관한 점수이며 제조 정밀도 보증은 아님
하위 에이전트 설정최대 96개동시 사용 한도이며 실제 상시 가동 수는 아님
사전학습 GPU 규모10만 개 이상강연자가 이전 영상 내용을 재언급한 것으로 컴퓨터 사용 강화학습 규모는 미공개
메모리 생산 확대 목표월 최대 DRAM 웨이퍼 90만 장 수준미래 수요 대응 목표이며 현재 구매량이나 HBM 완제품 수량은 아님
HBM 규모 비교당시 업계 생산능력의 두 배 초과강연자가 전한 SK하이닉스 발표 내용으로 시점과 비교 기준에 유의

영상에 등장하는 “에이전트 10배, 사용료 20배”와 “사람의 수정 시간 2시간에서 10분”은 실제 측정 결과가 아니라 경제성을 설명하기 위한 가정이다. 같은 이유로 이 사례에서 곧바로 생산성 향상률이나 투자수익률을 계산할 수는 없다. 강연 역시 실제 납품 수익과 작업 하나를 완성하는 데 든 총비용은 공개되지 않았다고 설명한다. 따라서 제시된 자료는 경제성이 발생할 수 있는 경로를 보여주지만, 그 크기를 확정하는 근거까지 제공하지는 않는다.

기업이 확인해야 할 숫자는 검수 통과 작업당 총비용이다

영상의 결론에서 가장 중요한 평가 기준은 검수를 통과한 작업 하나를 끝내는 데 들어간 전체 비용이다. 최초 성공 시도의 모델 사용료만 계산하면 실패한 실행, 반복 요청, 여러 에이전트의 동시 사용 비용이 빠지게 된다. 사람이 중간에 방향을 조정하고 마지막 결과를 검수하는 시간 역시 업무 완수에 필요한 투입이므로 함께 포함해야 한다. 이 기준을 적용하면 호출 단가가 낮은 모델과 실제로 경제적인 모델이 서로 다를 수 있다.

강연의 비용 관점을 개념식으로 정리하면 다음과 같다. 이는 영상에서 실제 측정한 수식이나 수치가 아니라, 음성으로 설명한 비용 항목을 재구성한 것이다. 분자에는 실패와 재작업까지 포함한 투입을 넣고, 분모에는 검수를 통과한 작업만 넣는다는 점이 핵심이다. 이렇게 해야 완료되지 않은 시도나 검수에서 탈락한 결과를 생산 성과로 잘못 계산하는 일을 피할 수 있다.

검수 통과 작업당 총비용 = (전체 모델·에이전트 실행 비용 + 사람의 방향 조정·수정·검수 비용) ÷ 검수를 통과한 작업 수

이 관점에서 OpenAI의 경쟁우위에 관한 강연자의 전망도 조건부다. 높은 품질의 결과를 낮은 총비용으로 반복해서 제공할 수 있다면, 모델과 학습 인프라, 운영 체계가 경제적 해자로 이어질 수 있다. 그러나 경쟁 기업이 비슷한 계산 자원과 실행 환경을 갖추고 같은 품질을 더 낮은 비용으로 제공한다면 현재의 격차는 줄어들 수 있다고 본다. 영상에서는 특정 종목의 매매 전략이나 지표 활용법을 제시하지 않으며, 논의의 초점은 기업의 작업 수행 경제성과 인프라 경쟁에 있다.

마무리 / 핵심 정리

이 영상이 제시하는 변화는 AI가 전문 도구를 사용하고 결과를 확인하며 수정하는 과정을 통해 실제 제작 업무의 일부를 맡기 시작했다는 것이다. 화면의 작은 대상을 찾는 능력, 여러 이미지를 입체 형상으로 연결하는 능력, 장기 프로젝트의 진도를 관리하는 구조가 결합할수록 수행 가능한 작업의 범위가 넓어진다. 다만 이 결과에는 추가 계산과 운영 비용이 들며, 그 성과를 정확하게 판별할 검증 체계도 필요하다. 강연자는 대규모 AI 기업의 강점을 이 요소들을 함께 구축하고 실패를 다음 학습에 반영하는 능력에서 찾는다.

제목의 “Compute is Revenue”는 본문의 조건을 함께 읽을 때 의미가 분명해진다. 계산을 더 투입한 결과가 고객이 활용할 수 있는 산출물로 이어지고, 사람의 수정과 검수를 포함한 총비용까지 낮아져야 경제적 가치가 확인된다. 영상에 소개된 데모는 그러한 가능성을 보여주지만 실제 납품 수익이나 작업당 총비용을 공개한 사례는 아니므로, 수익성이 입증되었다고 단정할 수는 없다. 결국 강연이 남기는 핵심 질문은 같은 품질 기준을 통과한 일을 누가 더 낮은 총비용으로, 반복해서 완성할 수 있는가이다.

📚 출처 및 참고

본문의 사례와 수치는 제공된 STT 기반 리포트의 서술을 유지했다. SeeClick, ScreenSpot-Pro, GUI Cursor와 기업 발표에 관한 내용도 원고에서 강연자가 소개한 것으로 정리한 정보이며, 해당 원문을 별도로 확인한 결과는 아니다. 원본 음성과 STT 전문이 제공되지 않아 음성 인식 오류의 재확인이나 고유명사·수치의 확정 교정은 수행하지 못했다. 확정하기 어려운 벤치마크 명칭은 불확실성을 유지했다. 화면 자료와 세부 평가 조건을 확인하려면 원본 영상을 함께 살펴볼 필요가 있다.

구분내용
원본 영상GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue
채널안될공학 - IT 테크 신기술
원고에 기재된 STT 범위00:00~16:41
리포트 작성2026-09-08
작성 방식제공된 YouTube 영상 STT 기반 리포트의 문맥 및 표기 검수
자료 확인 범위제공된 리포트 기준이며 원본 음성·STT 전문·화면 자료와 외부 원문은 미확인

💬 본 리포트는 영상의 음성 내용을 바탕으로 재구성된 원고를 검수한 문서다. 정확한 발언과 화면 자료는 원본 영상을 참조할 수 있다.

그래프 뷰

Related Reports

백링크