중국 AI는 왜 이렇게 저렴한가? 가격 전쟁의 낧막

중국 AI가 저렴한 것은 국가가 비용을 대주기 때문일까? 아니다. 보조금은 존재하지만, 그 격차를 거의 설명하지 못한다. 딥시크(DeepSeek)의 9월 V4.1-Flash 출시는 그 반증을 유난히 구체적으로 보여준다. 공식 API 가격은 비피크 시간대에 캐시 미스 입력 토큰 100만 개당 $0.15, 출력 토큰 100만 개당 $0.60이며, 피크 시간대에는 $0.30과 $1.20로 두 배가 되고, 날어받을 수 있는 가중치에는 MIT 라이선스가 붙어 있다. 싼 자금만으로는 여기에 도달할 수 없다. 잘 만들어야 하고, 거대한 모델의 작은 일부만 활성화해 더 저렴한 스택 위에서 서빙해야 한다. 이 저렴함은 실재하며, 대부분 구조적이고, 다섯 가지가 겹쳐 쌓인 결과다. 그중 일시적인 것은 하나뿐이다.

핵심 요약- 중국 AI가 저렴한 이유는 보조금 하나가 아니라 겹쳐 쌓인 다섯 가지다. 오픈 웨이트, 진짜 효율성, 가격 전쟁, 값싼 에너지, 두터운 인재풀.- 오픈 웨이트는 API 마진을 통째로 없앤다. 직접 호스팅하므로 벤더에 토큰당 임대료를 낼 일이 없다.- 저렴하다고 작거나 구형인 것은 아니다. DeepSeek V4.1-Flash는 5,520억 개 매개변수의 전문가 혼합(mixture-of-experts) 모델로, 프롬프트를 읽는 동안 토큰당 80억 개의 매개변수만 활성화하며, 100만 토큰 컨텍스트 윈도와 네이티브 비전을 갖췄다.- 모든 중국 프런티어 모델이 같은 방식으로 저렴한 것은 아니다. Kimi K3의 공식 캐시 미스 API 가격은 토큰 100만 개당 입력 $3, 출력 $15다. 아키텍처와 배포 방식, 상업적 포지셔닝이 모두 중요하다.- 값싼 에너지가 가장 구조적인 동인이다. 중국의 월간 태양광 발전량은 2025년 4월 사상 최고치인 96TWh를 기록했는데, 이는 미국 원자력 발전의 한 달 치 출력과 맞먹는다.- 구매자에게 “비용의 일부로 충분히 좋은” 모델은 대다수 워크로드의 자체 구축 대 구매 셈법을 다시 쓴다.

모두가 주목하는 동인은 가격 전쟁이지만, 다섯 가지 중 내게는 그것이 가장 덜 흥미롭다. 나는 딥시크와 Qwen을 만든 연구소들이 모두 자리한 항저우에서 이 글을 쓰고 있는데, 이곳의 화제는 이번 달에 누가 누구 가격을 깎았느냐가 아닌 경우가 많다. 다음 아키텍처가 무엇을 가져다줄 것인가에 대한 이야기다. 더 큰 논의가 궁금하다면, 이 글은 중국이 AI 경쟁에서 이기고 있는가를 다룬 필자의 핵심 글 아래에 자리한다. 더 좁은 질문이 실용적인 질문이다. 왜 이렇게 비용이 적게 들고, 소란이 가라앉은 뒤에도 그중 얼마나 유지될 것인가?

동인 1: 오픈 웨이트가 API 마진을 없앤다

가장 큰 이유이면서 가장 심심한 이유다. 중국의 선두 모델들은 오픈 웨이트라서 애초에 지불할 API 마진이 없다. 2026년 8월 기준, Hugging Face 자체의 여름 집계에 따르률 알리바바의 모델 라인인 Qwen은 2026년 첫 7개월 동안에만 Hub 다운로드 약 20억 4,500만 회, 파생 모델 151,448개를 기록했고, 알리바바 자체 집계는 전 플랫폼에서 30억 회가 넘는 다운로드와 30만 개의 파생 모델을 주장한다. 몇 달 전 MIT Technology Review는 6억 회 이상의 다운로드와 Hugging Face 신규 파생 모델 전체의 40% 이상으로 집계했다. 가중치를 날어받아 직접 구동하면 된다.

폐쇄형 API가 실제로 무엇에 요금을 부과하는지 정확히 짚어볼 가치가 있다. 컴퓨팅 비용은 당연하다. 그러나 여기에는 제공자의 마진, 연구비 회수 비용, 그리고 그 둘 위에 조용히 얹힌 위험 프리미엄도 포함된다. 오픈 웨이트는 이 모든 것을 청구서의 단 한 줄로 축소한다. 모델을 돌리는 하드웨어의 순수 비용이 전부다.

이 효과는 자신의 청구서가 움직이는 것을 지켜보기 전까지는 실감하기 어렵다. 워크로드를 호스팅형 프런티어 API에서 내 GPU 위의 오픈 중국 모델로 옮길 때, 나는 더 나은 요율을 협상하는 것이 아니라 요율 자체를 없애는 것이다. 토큰당 비용이 줄어드는 데 그치지 않는다. 범주 자체가 바뀐다. 이제 임대료가 아니라 전기료를 내는 것이다.

오픈 웨이트는 아래로 복리처럼 쌓이기도 한다. 중국 오픈 웨이트 모델은 2025년 중 전 세계 Hugging Face 다운로드 점유율에서 미국 모델을 추월했고, Hugging Face의 2026년 봄 보고서는 이를 전체 플랫폼 다운로드의 41%로 집계한다. 모든 파생 모델과 양자화, 그저 돌아가게 만들고 싶었던 누군가가 새벽 두 시에 쓴 모든 커뮤니티 튜토리얼이 다음 배포를 더 저렴하게 만든다. 폐쇄형 API는 이런 것을 전혀 주지 않는다. 임대료를 계속 낼 뿐이다.

중국의 선두 모델들은 오픈 웨이트로 출시되어 API 마진을 비용에서 완전히 제거한다. 2026년 8월 기준 Qwen 하나만 핼도 Hugging Face에서 다운로드 20억 회와 파생 모델 151,448개를 돌파했고, 중국 오픈 웨이트 모델은 전 세계 Hugging Face 다운로드 점유율에서 미국 모델을 추월해 2026년 봄에는 전체 플랫폼 다운로드의 41%에 도달했다. 직접 호스팅은 토큰당 벤더 요율을 순수 하드웨어 비용으로 대체한다.

정면 비교가 궁금하다면 Qwen vs DeepSeek vs Llama에서 주요 선택지를 비교해 두었다.

동인 2: 보조금이 아니라 진짜 효율성

보조금 이야기가 묶너지는 지점이 여기다. 비용 우위의 상당 부분은 진짜 엔지니어링이다. V4.1-Flash는 5,520억 개 매개변수의 백본을 갖췄지만 프롬프트를 읽을 때는 토큰당 80억 개만, 생성할 때는 160억 개만 활성화한다. V4 Pro는 훨씬 커서 총 1.6조 개, 활성 매개변수는 490억 개다. Stanford HAI의 AI Index 2026년 3월 스냅샷은 이미 미국과 중국의 선두 모델이 한 공개 리더보드에서 근접해 있음을 보여줬지만, 이는 V4, Qwen3.8, Kimi K3, GLM-5.2, MiniMax M3 이전의 자료다. 현재의 가격 조정 순위가 아니라 추세의 증거다.

가장 분명한 지렛대는 아키텍처다. 전문가 혼합(mixture-of-experts) 설계는 각 토큰을 모델 매개변수의 일부만 거쳐 라우팅하므로, 거대한 모델의 역량을 훨씬 작은 모델의 추론 비용으로 얻을 수 있다. 여러 선두 중국 모델이 이 방식에 크게 기댄다. 나중에 덧붙인 것이 아니라 모델 안에 내장된 토큰당 비용 절감이다.

그리고 “딥시크 모먼트”라는 표현의 출처인 딥시크 이야기가 있다. 헤드라인을 장식한 학습 비용 수치는 감사된 것이 아니라 보고된 것으로 받아들이겠다. 정확한 숫자는 논쟁의 대상이고, 유효숫자 세 자리까지 인용하는 사람은 추측하고 있는 것이다. 하지만 방향만큼은 의심의 여지가 없다. 모두가 진입 비용이라고 가정했던 컴퓨팅 예산의 일부만으로 만든 경쟁력 있는 모델이다.

효율성이라는 관점이 보조금 논쟁보다 더 중요한 이유는 단순하다. 효율성은 이식되지만 보조금은 이식되지 않는다. 보조금은 돈이 흐르는 동안에만 한 시장의 가격을 떠받친다. 아키텍처의 승리, 즉 토큰당 활성 매개변수를 줄이거나 더 나은 학습 레시피는 그것을 모방하는 모든 이에게, 모든 곳에서 진짜 비용의 바닥을 낮춘다. 그래서 이 효율적인 모델들의 오픈 웨이트 공개가 핵심인 것이다. 제품만이 아니라 비용 우위 자체를 수출한다.

채택 데이터는 이것이 효과를 내고 있음을 말해준다. 중국 모델은 2026년 2월 말 OpenRouter 상위 10위권 안에서 미국 모델을 추월해 상위 10개 토큰 소비량의 약 61%를 차지했고, 2026년 4월경 OpenRouter 랭킹에서 전체 플랫폼 과반수에 도달했다. 토큰은 볼도자료가 아니라 실제 작업이고, 개발자들은 자신의 토큰을 옮겼다.

비용 우위의 상당 부분은 보조금이 아니라 진짜 효율성이다. DeepSeek V4.1-Flash는 프롬프트를 읽는 동안 5,520억 개 매개변수 중 80억 개만 토큰당 활성화하며, 공식 캐시 미스 API 가격은 비피크 시간대 입력 토큰 100만 개당 $0.15, 출력 토큰 100만 개당 $0.60이고 피크 시간대에는 두 배다. 아키텍처는 모델 카드에서 확인할 수 있다. 전문가 혼합 설계는 전체 모델이 크더라도 각 토큰에 쓰이는 연산량을 낮춘다.

동인 3: 국내 가격 전쟁

저렴함 중 일부는 모델에 전혀 내장돼 있지 않다. 경쟁에 의해 두들겨 박힌 것이다. 국내 시장은 난투극이다. 알리바바와 딥시크를 비롯한 여러 곳이 모두 자금이 넉넉하고, 모두 같은 개발자들을 쫓는다. 그 싸움이 API와 호스팅 비용을 전반적으로 끌어내린다. 저렴함의 상당 부분은 단순히 경쟁자가 경쟁자를 깎아내리는 데서 오며, 이것이 보조금 이야기가 결코 설명하지 못하는 부분이다.

메커니즘은 충분히 명확하다. 모두가 비슷한 수준의 오픈 웨이트 모델을 날놓을 때, 남는 지렛대는 가격과 편의성뿐이다. 바로 옆 연구소가 똑같이 따라잡고는 거저 나눠주는 역량에 누구도 프리미엄을 매길 수 없다. 그래서 바닥은 계속 날아가고, 그 절감 효과는 중국 안이든 밖이든 이 모델들을 호스팅하는 누구에게나 닿는다.

오픈 웨이트 공개는 부분적으로 그 싸움의 무기다. 강력한 가중치를 물료로 풀어놓으면 마인드셰어를 차지하고, 생태계를 심고, 경쟁자가 수익화할 기회를 빼앗는다. Qwen의 151,448개 Hub 파생 모델은 부분적으로 바로 그 전략의 결실이며, 이에 관여하는 그 누구도 이를 자선이라 부르지 않을 것이다.

이 동인은 내가 가장 덜 신뢰하는 동인이며, 구매자들도 사라질 것에 대비해 계획해야 한다. 가격 전쟁은 오래가지 않는다. 일부 연구소는 통합되고 일부는 실패하며, 살아남은 곳은 결국 마진을 되찾으려 들 것이다. 바닥을 지탱하는 것은 그들이 오픈 웨이트를 거둬들일 수 없다는 사실이다. 이미 세상에 나온 모델들은 시장이 그다음에 무엇을 하든 저렴하게 구동되는 채로 남는다.

중국 국내 AI 시장은 극도로 경쟁적이며, 그 가격 전쟁은 중국 안의 구매자만이 아니라 모두를 위해 호스팅과 API 비용을 끌어내린다. 물료 오픈 웨이트 공개는 부분적으로 경쟁 무기로, Qwen의 151,448개 Hub 파생 모델 같은 생태계를 키우는 데 일조한다. 가격 전쟁은 일시적이지만, 그것이 낳은 오픈 웨이트는 영구적이다.

그 위에 구축할 만한 생존자들은 Qwen vs DeepSeek vs Llama에서 비교한다.

동인 4: 값싼 에너지와 제조 규모

소프트웨어 밑에는 물리학이 깔려 있고, 이것이 다섯 가지 중 가장 구조적인 동인이다. 서빙되는 토큰 하나는 결국 소량의 전기다. 중국의 월간 태양광 발전량은 2025년 4월 사상 최고치인 96TWh를 기록했는데, 이는 미국이 원자력에서 얻는 월간 약 65TWh, 연간으로는 약 775TWh와 맞먹는다. 더 저렴하고 풍부한 전력은 학습과 추론 양쪽의 비용 바닥을 낮춘다.

이것은 어떤 모델 출시도 따라잡을 수 없는 투입 요소다. 전력이 더 저렴하고 전력망이 더 빠르게 성장한다면, 스택의 모든 층이 한꺼번에 저렴해진다. 학습 실행, 추론 서빙, 랙이 들어선 건걸까지. 헤드라인이 되는 이점이 아니라 조용히 복리로 쌓이는 이점이라, 아마 그래서 가장 적게 논의되면서 가장 크게 작용하는 것이다.

제조 규모가 그 위에 쌓인다. 하드웨어를 값싸게 만드는 바로 그 산업 기반이 데이터센터 구축도 값싸게 만든다. 중국은 값싼 전력으로 모델을 돌리는 데 그치지 않고, 랙과 냉각 설비, 시설을 국내 공급망 비용으로 짓고 있다. 이것은 자본 지출의 우위이며, 토큰 가격으로 곧장 흘러든다.

다섯 가지 중에서 5년 뒤에도 여전히 사실일 것으로 가장 기대하는 것이 이것이다. 아키텍처는 한 분기 만에 베낄 수 있고 가격 전쟁은 1년 안에 끝낼 수 있다. 국가 발전량을 두 배로 늘리는 데는 훨씬 오래 걸리고, 국내 제조 기반은 아예 단번에 만들어낼 수 없다. 여기서 장기 계획의 기준으로 삼을 단 하나의 동인을 고률라면 이것이다. 누구든 되돌리기가 가장 어렵기 때문이다.

가장 구조적인 비용 동인은 에너지다. 중국의 월간 태양광 출력은 2025년 4월 사상 최고치인 96TWh를 기록했고, 이는 미국 원자력 발전의 한 달 치(약 65TWh)와 맞먹는다. 더 저렴한 전력은 학습과 추론의 비용 바닥을 함께 낮추고, 제조 규모는 데이터센터 구축도 더 저렴하게 만든다. 이 우위는 되돌리기가 가장 어렵다.

전력망 이야기는 중국의 AI 에너지 우위에서 더 깊이 다룬다.

동인 5: 두터운 인재풀

마지막 동인은 사람이며, 그 공급 수치는 놀랍다. 중국은 NeurIPS 2024 저자 기준으로 세계 최상위 AI 연구자의 38%를 길러낼며, 이는 2017년 27%에서 오른 수치다. 모델을 값싸게 구동하게 만드는 효율성 향상을 쫓으려면 두텁고 감당 가능한 비용의 엘리트 엔지니어 풀이 정확히 필요하다.

효율성 작업은 특정한 방식으로 노동 집약적이다. 더 나은 아키텍처든, 더 영리한 학습이든, 공격적인 최적화든 모델에서 비용을 짜내는 일은 숙련된 연구자들이 빠르게 반복 작업을 거듭해야 한다. 국내 공급이 두터운 나라는 희소한 전문가를 수입하는 나라보다 더 유능한 인력을 더 낮은 비용으로 그 문제에 투입할 수 있다. 인재풀은 동인 2를 직접 먹여 살린다.

이 모델들 뒤의 기술 보고서를 읽을 때 눈에 띄는 것은 단 하나의 돌파구가 아니다. 세심하고 점진적인 엔지니어링의 압도적인 양이다. 손이 충분할 때라야 핼낼 수 있는 수십 가지의 작은 최적화들이다. 그것은 인재 깊이의 이야기이며, 출시를 거듭할 때마다 효율성이 계속 개선되는 큰 이유다.

빼놓지 않을 단서 하나. 중국에서 교육받은 엘리트 연구자의 상당수가 역사적으로 해외에서 일해왔으므로, 이것은 깔끔한 자국팀 우위가 아니다. 그러나 추세는 상승세다. 7년 만에 27%에서 38%로 올랐고, 본국에 세계적 수준의 연구소 명단이 늘어나면서 그 인재가 안착할 곳이 생기고 있다.

중국의 두터운 인재풀이 효율성 엔진을 먹여 살린다. 중국은 세계 최상위 AI 연구자의 38%를 길러낼며, 2017년 27%에서 오른 수치다. 비용 절감형 모델 작업은 노동 집약적이므로, 크고 유능한 엔지니어 풀이야말로 중국 연구소들이 출시를 거듭할 때마다 토큰당 진짜 비용을 계속 낮출 수 있게 하는 핵심이다.

정밀한 측정값이 아니라 예시적이고 방향성을 보여주는 평가다. 위치는 보고된 패턴을 반영한다. 중국 오픈 웨이트 모델은 높은 역량, 낮은 비용 사분면에 모여 있고, 최상위 폐쇄형 미국 프런티어는 여전히 역량은 가장 높지만 비용도 더 높다. 역량 격차 맥락: Stanford HAI AI Index 2026.

구매 결정에 주는 의미

여기가 잡학 이야기를 넘어 결정을 바꾸는 지점이다. 100만 토큰 컨텍스트 윈도를 갖춘 모델이 DeepSeek V4.1-Flash 가격에 제공될 때, 많은 일상적 워크로드에서 자체 구축 대 구매 셈법이 뒤집힌다. 더 이상 기본값으로 큰 프리미엄을 치르는 것이 아니다. 더 비싼 모델이 당신 자신의 평가에서 그만큼 더 나은 결과를 내는지를 결정하는 것이다.

실제 작업에 대입해 볼라. 요약, 추출, 분류, 초안 작성, 라우팅. 이 가욶데 어느 것도 지구상에서 단 하나뿐인 최고 모델을 필요로 하지 않는다. 필요한 것은 안정적이고, 생각할 필요가 없을 만큼 저렴하며, 당신이 통제하는 곳에서 돌아가는 모델이다. 오픈 웨이트 중국 모델이 바로 그 조건을 충족한다. 그리고 직접 호스팅하므로 반복 비용은 당신의 성공에 비례해 늘어나는 토큰당 계량기가 아니라 하드웨어다.

내 스택에서는 이 저렴함이 어떤 프로젝트가 애초에 시도할 가치가 있는지를 조용히 바꿔놓았다. 프런티어 API에서 대규모로 돌리기엔 너무 비싸 보류했을 워크로드들이, 이제 내가 직접 호스팅하는 오픈 모델에서는 손쉽게 감당할 수 있다. 저렴함은 이미 하고 있는 작업의 비용을 아끼는 데 그치지 않는다. 새로운 작업을 가능하게 만들고, 내가 계획의 기준으로 삼을 것은 바로 그 2차 효과다.

그렇다고 실사를 걷너뛸 이유는 없다. 출처, 데이터 거버넌스, 검열 동작, 라이선스. 이 모든 것이 프로덕션에 닿기 전에 확인이 필요하다. 저렴함은 제대로 평가할 이유이지, 무사통과시킬 이유가 아니다. 필요한 것은 구조화된 결정이다. 어떤 워크로드인지, 어느 정도 품질을 허용하는지, 그리고 당신이 겨냥한 특정 모델에 대한 위험 평가가 무엇을 말하는지.

유능한 오픈 모델이 많은 프런티어 API 비용의 일부에 불과할 때, 일상적 워크로드에서 자체 구축 대 구매가 뒤집힌다. DeepSeek V4.1-Flash는 100만 토큰 컨텍스트 윈도와 비피크 시간대 캐시 미스 입력 토큰 100만 개당 $0.15, 출력 토큰 100만 개당 $0.60(피크 시간대에는 두 배)의 공식 가격을 결합한다. 직접 호스팅은 벤더 계량기를 하드웨어와 운영 비용으로 대체한다. 적절한 위험 평가를 거친 뒤에 말이다.

전체 프레임워크는 기업에 DeepSeek는 안전한가?를 참고하고, 그다음 Qwen vs DeepSeek vs Llama에서 주요 선택지를 비교하면 된다.

FAQ

중국 AI는 왜 저렴한가, 한 문장으로? 오픈 웨이트가 API 마진을 없애고, 효율적인 아키텍처가 토큰당 비용을 줄이며, 가격 전쟁이 가격을 끌어내리고, 값싼 에너지가 바닥을 낮추며, 두터운 인재풀이 이 모든 개선을 이어가기 때문이다. 보조금은 주된 요인이 아니라 사소한 요인이다.

DeepSeek는 왜 그렇게 저렴한가? 두 가지가 겹친다. 날어받을 수 있는 MIT 라이선스 가중치로 출시되어 직접 호스팅하면 필수적인 API 마진이 없고, 전문가 혼합 모델이 토큰당 전체 매개변수의 일부만 활성화한다. V4.1-Flash는 프롬프트를 읽는 동안 5,520억 개 중 80억 개를, V4 Pro는 1.6조 개 중 490억 개를 활성화한다. 공식 모델 카드 기준이다. 과거 학습 비용 헤드라인은 감사된 것이 아니라 보고된 것으로 다루되, 현재의 추론 아키텍처와 공개된 API 가격은 구체적이다.

중국 AI 모델은 OpenAI보다 저렴한가? 일부는 그렇고, 종종 상당히 그렇지만, 제품군 이름만으로는 알 수 없다. DeepSeek V4.1-Flash는 공식 API에서 극도로 저렴한 반면 Kimi K3는 훨씬 높게 가격이 매겨져 있다. 직접 호스팅은 토큰당 벤더 가격을 없애지만 하드웨어와 에너지, 운영 비용으로 대체한다. 보편적인 배수를 인용하기보다 정확한 워크로드에서 총비용을 비교하라.

저렴한 중국 AI는 품질이 낮은가? 가격만으로는 알 수 없다. 선두 중국 제품군에는 이제 거대한 롱컨텍스트 및 멀티모달 모델이 포함되지만, 강점이 서로 다르고 제공자의 벤치마크 표는 중립적인 비교가 아니다. DeepSeek V4.1-Flash는 예외적으로 저렴하고, Kimi K3는 캐시 미스 입력 토큰 100만 개당 $3, 출력 토큰 100만 개당 $15로 실질적으로 더 비싸다. 정확한 모델을 당신의 워크로드로 테스트하라.

중국 AI는 계속 이렇게 저렴할까? 대체로 그렇다, 구조적인 이유에서. 가격 전쟁은 일시적이라 완화될 수 있지만, 오픈 웨이트와 효율적인 아키텍처, 값싼 에너지는 쉽게 되돌릴 수 없다. 강력한 모델이 일단 공개되면, 시장이 그다음에 무엇을 하든 영원히 저렴하게 구동된다. 나는 저렴함이 계속된다는 전제로 계획하겠다.

결론

중국의 AI는 겹쳐 쌓이는 다섯 가지 이유로 저렴하며, “전부 보조금 때문”이라는 말로는 그중 거의 아무것도 설명되지 않는다. 오픈 웨이트가 API 마진을 지운다. 진짜 효율성, 즉 전문가 혼합과 딥시크 이야기가 토큰당 진짜 비용을 낮춘다. 국내 가격 전쟁이 가격을 더 끌어내린다. 값싼 에너지와 제조 규모가 낮은 바닥을 만든다. 두터운 인재풀이 효율성 개선을 이어간다. 가격 전쟁이 사라지는 부분이고, 나머지는 구조적이다.

최근 출시들은 이 논쟁의 게으른 버전도 묶어버린다. “중국 AI는 저렴하다”는 하나의 가격이 아니다. DeepSeek V4.1-Flash는 인프라가 되도록 가격이 매겨져 있다. Kimi K3는 프리미엄 에이전틱 모델처럼 가격이 매겨져 있다. Qwen3.8의 오픈 웨이트는 8월에 커스텀 라이선스로 공개됐고, 호스팅형 Qwen3.8-Max는 토큰 플랜에 묶여 있다. 연구소에 붙은 국기가 아니라 정확한 체크포인트, 라이선스, 서빙 경로, 측정된 작업 품질을 비교하라.

당신의 비즈니스에 주는 시사점은 명확하다. 가장 저렴하면서 유능한 모델 일부는 중국산이며 날어받을 수 있고, 다른 중국 프런티어 모델들은 프리미엄 서비스이거나 거대한 자체 호스팅 프로젝트다. 그러니 맹목적으로 기본값으로 삼지는 않겠지만, 정확한 체크포인트는 제대로 들여다볼 가치가 있다. 자체 구축 대 구매 셈법이 진짜로 바뀌었기 때문이다.

전략적 맥락이 궁금하다면 중국이 AI 경쟁에서 이기고 있는가부터 시작하라. 행동에 나설 준비가 됐다면, 기업에 DeepSeek는 안전한가?가 이 글이 실제 결정으로 넘어가는 지점이다.