AI 인프라 군비 경쟁: 컴퓨팅, 오픈 모델, 그리고 에이전트 파워

초록

AI 경쟁에 대한 대중의 담론은 여전히 모델 품질, 즉 이번 분기에 어느 연구소가 가장 똑똑한 시스템을 출시했는지에 초점이 맞춰져 있습니다. 이러한 프레임은 실제 경쟁이 어디로 이동했는지를 놓치고 있습니다. 2026년에 개발자가 실제로 무엇을 출시할 수 있는지를 결정하는 제약 조건은 구조적인 것입니다. 전력 공급, 칩 할당, 데이터 센터 구축, 학습 및 추론 효율성, 모델 가중치가 유통되는 조건, 모델 성능과 사용량을 보고하는 인터페이스, 그리고 모델이 단순히 질문에 답하는 것을 넘어 도구를 호출할 수 있게 하는 프로토콜 등이 그것입니다. 이 기사에서는 AI 인프라 군비 경쟁을 컴퓨팅 및 에너지, 자본 지출, 효율성 엔지니어링, 오픈 가중치 배포, 모델 메타데이터 및 순위, 에이전트 프로토콜, 그리고 프로덕션 팀이 매일 실행하는 라우팅/평가 루프라는 7계층 스택으로 다룹니다. 우리는 이름과 날짜가 명시된 출처를 추적할 수 있는 주장만을 사용하며, 대중적인 서사가 증거를 앞지르는 경우를 표시합니다.

주요 발견

• IEA는 전 세계 데이터 센터의 전력 소비량이 2025년 485 TWh에서 2030년 950 TWh로 거의 두 배 증가할 것으로 전망하며, AI 최적화 데이터 센터가 전체 데이터 센터 부문보다 빠르게 성장함에 따라 칩 수량뿐만 아니라 전력이 새로운 용량의 핵심 제약 조건이 될 것이라고 분석합니다.
• NVIDIA의 2026 회계연도 데이터 센터 매출은 전년 대비 68% 증가한 1,937억 달러(연간 총매출 2,159억 3,800만 달러)를 기록했습니다. 반면, NVIDIA의 2027 회계연도 1분기 전망에는 중국 데이터 센터 컴퓨팅 매출이 포함되지 않아, 인프라 계획에서 자본 집약도와 지정학적 노출이 이제 분리될 수 없음을 보여줍니다.
• DeepSeek-V3의 역사적 기술 보고서에 따르면 공식 학습 실행 비용은 약 557만 6천 달러로, 278만 8천 시간의 H800 GPU 사용량을 기록했습니다. 이는 사전 연구, 절제 실험, 아키텍처 탐색, 알고리즘 개발 및 데이터 비용을 명시적으로 제외한 수치이며, 종종 "모델의 전체 비용"으로 잘못 인용되곤 하지만 실제로는 그 안의 하나의 회계 항목일 뿐입니다.
• Stanford의 2026 AI Index에 따르면 미국과 중국 모델 간의 최고 수준 성능 격차는 사실상 좁혀졌습니다. 미국은 여전히 더 많은 최고 수준 모델을 생산하고 있으며, 중국은 출판물 수, 인용 수, 특허 산출물 및 산업용 로봇 설치 수에서 앞서고 있어 "미국이 앞서 있다"거나 "중국이 따라잡았다"는 단순한 논리보다 훨씬 더 파편화된 양상을 보입니다.
• Anthropic의 Model Context Protocol(MCP)은 AI 시스템과 데이터 소스 간의 안전한 양방향 연결을 위한 오픈 표준으로 도입되었으며, ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code 전반에 걸쳐 채택되어 10,000개 이상의 활성 공용 서버를 확보했습니다. 이후 Linux Foundation의 새로운 Agentic AI Foundation에 기증되었으며, 에이전트 도구는 현재 대부분의 모델 계층 경쟁보다 빠르게 표준화되고 있습니다.

출처 스냅샷

출처	확립 내용	관찰일
IEA - 에너지와 AI에 관한 핵심 질문	데이터 센터 전력 수요 궤적, AI 서버 전력 밀도 추세	2026-07-09
NVIDIA 2026 회계연도 실적	데이터 센터 매출 성장, 중국 노출에 대한 향후 가이던스	2026-07-09
OpenAI - Stargate 발표	자본 약정 구조 및 초기 지분 투자자	2026-07-09
DeepSeek-V3 역사적 기술 보고서	학습 컴퓨팅 시간 및 공식 비용 회계 범위	2026-07-09
Qwen3 출시	오픈 가중치 릴리스 구조 및 배포 도구	2026-07-09
Stanford AI Index 2026	모델 성능 격차, 국가별 연구 산출물, 데이터 센터 수, 팹 집중도	2026-07-09
Anthropic - MCP 출시	에이전트-도구 간 프로토콜 설계 의도	2026-07-09
Anthropic - MCP 기증 / AAIF	현재 채택 범위 및 거버넌스 이전	2026-07-09
OpenRouter 순위	사용량 기반 모델 수요 신호	2026-07-09
OpenRouter 모델 API 문서	인프라로서의 모델 메타데이터 스키마	2026-07-09
Artificial Analysis 방법론	벤치마킹에서의 모델/엔드포인트/제공자 구분	2026-07-09
Artificial Analysis 지능 벤치마킹 방법론	복합 지수 구성 및 명시된 한계	2026-07-09
vLLM / PagedAttention 논문	추론 서비스 처리량 향상	2026-07-09
Pentos - AI 군비 경쟁	원래의 서사 프레임, 여기서는 인프라 중심으로 재구성됨	2026-07-09

방법론 및 새로고침 트리거

이 기사의 주장은 정부나 IEA의 에너지 전망, 공급업체의 재무 공시, 모델 연구소가 발표한 기술 보고서, 또는 Artificial Analysis 및 OpenRouter와 같은 제3자 벤치마크 집계 기관 등 이름과 날짜가 명시된 출처를 추적할 수 있는 경우에만 유지되었습니다. 출처는 2025년 말부터 2026년 초까지이며, 각 섹션은 기본 데이터가 시간 제한적인 경우(예: 분기별 실적, 인덱스 에디션) 보고 기간을 명시합니다.

Pentos 보고서는 인프라 경쟁을 군사적 및 지정학적 용어로 프레임화했으며, 국가별 컴퓨팅 점유율 지배력, 전략적 가치 프레임, 미래 지향적 역량 타임라인 등 공개된 기술적 또는 재무적 공시를 통해 확인할 수 없는 여러 주장을 포함했습니다. 이러한 주장은 인프라 언어로 다시 작성하더라도 근본적인 증거 격차를 해결하지 못하므로 재구성하지 않고 제외했습니다. Pentos의 주장이 검증 가능한 수치(예: 데이터 센터 에너지 수요, 발표된 모델 벤치마크)와 겹치는 경우, 해당 주장은 보고서에서 가져오는 대신 1차 출처로부터 다시 구축되었습니다.

이 기사는 다음 중 하나가 발생할 때 새로고침해야 합니다: NVIDIA의 새로운 분기별 실적 발표가 데이터 센터 매출이나 출하량 수치를 실질적으로 변경하는 경우, 새로운 Stanford AI Index 에디션이 발행되는 경우, OpenRouter나 Artificial Analysis 순위가 여기에 인용된 오픈 모델과 폐쇄형 모델의 상대적 위치를 바꿀 만큼 변동되는 경우, 주요 오픈 가중치 모델(예: 새로운 DeepSeek, Qwen 또는 유사한 모델 제품군)이 출시되어 오픈 모델 경쟁력 서사가 바뀌는 경우, IEA가 업데이트된 데이터 센터 전력 수요 전망을 발표하는 경우, 또는 인용된 연구소가 에이전트 프로토콜이나 인프라 투자에 대해 실질적으로 다른 발표를 하는 경우입니다. 이러한 트리거가 없는 경우, 여기에 포함된 주장과 비교는 실시간 상태가 아닌 스냅샷으로 취급해야 합니다.

---

왜 "AI 인프라 군비 경쟁"이 더 나은 프레임인가

AI 경쟁에 대한 주류 언론의 서사는 리더보드 이야기입니다. 한 연구소가 모델을 출시하면 라이벌이 몇 주 안에 대응하고, 해설자들이 승자를 점수로 매깁니다. 이러한 프레임은 틀린 것은 아니지만 불완전합니다. 이는 모델 품질을 희소 자원으로 취급하지만, 대부분의 개발자에게 희소 자원은 전력, 칩 할당, 서비스 용량, 그리고 모델의 출력을 시스템이 실행할 수 있는 것으로 바꾸는 도구입니다.

2026년에 새로운 모델 배포를 가로막는 것이 실제로 무엇인지 고려해 보십시오. 그것은 거의 "더 똑똑한 체크포인트를 얻을 수 있는가"가 아닙니다. 그것은 다음과 같습니다: 충분한 전력 밀도를 갖춘 데이터 센터에서 제품의 단위 경제성을 유지하는 가격으로 GPU 용량을 확보할 수 있는가? 예측 가능한 지연 시간을 유지하는 인프라를 통해 서비스할 수 있는가? 워크플로우에 필요한 도구를 모델이 호출할 수 있게 하는 프로토콜로 감싸져 있는가? 엔지니어링 팀이 고객보다 먼저 회귀를 포착할 수 있는 관측 가능성을 갖추고 있는가? 이 각각은 고유한 리더, 병목 현상, 변화 속도를 가진 별개의 경쟁 계층입니다.

이것이 우리가 "모델 경쟁" 대신 "인프라 군비 경쟁"이라는 용어를 사용하는 이유입니다. 경쟁의 단위는 단일 리더보드 숫자가 아니라 칩, 전력, 데이터 센터, 서비스 소프트웨어, 모델, API 인터페이스, 에이전트 프로토콜로 구성된 전체 스택입니다.

이 프레임은 최근의 역사도 더 잘 설명합니다. DeepSeek-V3 릴리스는 현재 모델 추천이 아니라 역사적 닻(anchor)으로 사용되었습니다. 이는 컴퓨팅 중심의 확장만이 유일한 신뢰할 수 있는 전략으로 간주되던 시기에 경쟁력 있는 품질의 추론을 위한 비용 하한선에 대한 대중의 재평가를 강제했기 때문에 중요했습니다. Stargate 발표는 단일 기술적 주장 때문에 중요한 것이 아니라, 수요가 증명되기 몇 년 전부터 주요 플레이어들이 데이터 센터 용량에 얼마나 큰 베팅을 할 의향이 있는지 보여주는 자본 할당 신호로서 중요했습니다. 두 사건 모두 모델 경쟁이라는 헤드라인을 단 인프라 사건입니다.

플랫폼 팀에게 실질적인 의미는 경쟁 정보가 벤치마크 점수와 함께 자본 지출(capex) 공시, 전력 전망, 프로토콜 채택을 추적해야 한다는 것입니다. 리더보드만 지켜보는 팀은 실제로 무엇을 구축할 수 있는지를 재편하는 움직임을 놓치게 될 것입니다.

컴퓨팅은 이제 전력, 토지, 칩, 그리고 스케줄링이다

AI 인프라 성장의 가장 큰 제약 조건은 칩 공급 자체가 아니라 전력입니다. IEA의 분석에 따르면 전 세계 데이터 센터의 전력 소비량은 2025년 485 TWh에서 2030년 950 TWh로 거의 두 배 증가할 것으로 예상되며, AI 최적화 데이터 센터는 전체 데이터 센터 부문보다 빠르게 성장하고 있습니다. 이는 완만한 효율성 조정 예측이 아니라, 이미 일부 지역에서 국가 전력망과 용량을 두고 경쟁하는 범주가 두 배로 늘어나는 것입니다.

밀도 문제는 용량 문제를 가중시킵니다. IEA는 AI 서버 전력 밀도가 2020년에서 2025년 사이에 약 11배 증가했으며, 2027년까지 4배 더 증가할 수 있다고 보고합니다. 이러한 궤적은 "AI 컴퓨팅 랙"의 물리적 공간이 대부분의 유틸리티 상호 연결 프로세스, 냉각 설계 또는 허가 타임라인이 흡수할 수 있는 것보다 빠르게 변하고 있음을 의미합니다. 2023년 수준의 랙 밀도를 위해 설계된 데이터 센터는 2027년 수준의 하드웨어를 단순히 "덜 효율적으로" 운영하는 것이 아니라, 개조 없이는 이를 수용할 구조적 능력이 없을 수도 있습니다.

자본 시장은 이러한 제약 조건을 직접적으로 가격에 반영하고 있습니다. NVIDIA의 2026 회계연도 실적은 연간 총매출 2,159억 3,800만 달러 중 데이터 센터 매출이 전년 대비 68% 증가한 1,937억 달러를 기록했음을 보여줍니다. 이는 단순히 칩 수요가 아니라 칩 수요, 데이터 센터 구축 약정, 그리고 새로운 용량을 배포 가능하게 만드는 전력 계약의 복합적인 결과입니다. 동시에 NVIDIA의 2027 회계연도 1분기 향후 가이던스에는 중국발 데이터 센터 컴퓨팅 매출이 포함되어 있지 않습니다. 이는 가장 확실한 컴퓨팅 공급 리더조차 마찰 없는 글로벌 수요를 가정하는 대신 지정학적 배제를 고려하여 계획을 세우고 있음을 상기시켜 줍니다.

Stargate는 칩 공급업체 외부에서 이러한 규모의 자본 약정을 보여주는 가장 최근의 확실한 사례입니다. OpenAI의 발표는 4년간 5,000억 달러를 투자할 의향을 설명하며, 즉시 1,000억 달러를 투입하고 SoftBank, OpenAI, Oracle, MGX를 초기 지분 투자자로 명시합니다. 우리는 이를 엄격히 자본 약정 신호로 취급합니다. 이는 인프라 플레이어들이 미래의 컴퓨팅 용량에 자본을 사전 약정할 의향이 있는 규모를 보여줍니다. 이는 그 자체로 실행 속도, 시설 수, 인력 수준을 증명하지 않으며, 발표 이후 구축이 어떻게 진행되었는지에 대한 검증되지 않은 주장을 전달하지 않습니다.

이 모든 것의 밑바닥에 있는 공급망은 여전히 좁습니다. Stanford의 2026 AI Index는 최첨단 AI 칩 제조가 TSMC에 집중되어 있으며, 미국이 5,427개의 데이터 센터를 보유하고 있다고 보고합니다. 이는 수요가 세계화됨에도 불구하고 제조 및 호스팅 용량의 지리적 집중을 보여주는 수치입니다. 단일 팹 노드와 소수의 하이퍼스케일 밀집 지역이 "컴퓨팅"을 대체 가능한 상품으로 점점 더 취급하는 시장의 밑바닥에 자리 잡고 있습니다. 이는 대체 가능하지 않습니다. 지리적, 정치적으로 집중되어 있어 새로운 용량의 리드 타임부터 모델 서비스 비즈니스가 의존하는 가격 안정성에 이르기까지 모든 하류 부문에 영향을 미칩니다.

인프라 또는 플랫폼 팀에게 실질적인 해석은 다음과 같습니다: 용량 계획은 칩 공급업체의 로드맵뿐만 아니라 전력 상호 연결 타임라인과 팹 집중 위험을 고려해야 합니다. 안정적인 다중 지역 GPU 가격을 가정하고 구축된 라우팅 또는 서비스 아키텍처는 단일 AI 회사가 통제할 수 없는 전력망 용량과 지정학적 안정성에 암묵적으로 베팅하고 있는 것입니다.

효율성 경로는 인프라 전략이다

컴퓨팅과 전력이 제약되어 있다면, 자연스러운 대응책은 효율성입니다. 즉, 단순히 하드웨어를 더 많이 구매하는 대신 GPU 시간당, 와트당 더 많은 사용 가능한 지능을 추출하는 것입니다. 이는 컴퓨팅 경쟁에 대한 철학적 대안이 아니라 그 자체로 인프라 전략이며, 문서화된 사례가 있습니다.

DeepSeek-V3의 역사적 기술 보고서는 약 557만 6천 달러의 비용으로 278만 8천 시간의 H800 GPU 학습 실행을 공식적으로 명시합니다. 이 수치는 정확하고 출처가 명확하며, 명시된 범위 그대로 읽을 가치가 있습니다. 이는 사전 연구, 절제 실험, 아키텍처 탐색, 알고리즘 개발 및 데이터 수집 비용을 명시적으로 제외합니다. 이는 하나의 학습 실행 비용이지, 그 실행을 생성할 수 있는 연구소를 구축하는 비용이 아닙니다. 이를 "프론티어 모델의 총비용"으로 취급하는 것은 대중적인 오독이며, 이 수치가 뒷받침하는 것을 과대평가하고 애초에 그 실행을 가능하게 한 R&D 투자를 과소평가하는 것입니다.

이 수치가 뒷받침하는 것은 효율성 엔지니어를 경쟁 레버로 활용한다는 실질적인 신호입니다. 문서화된 비교적 낮은 GPU 시간당 비용으로 경쟁력 있는 품질을 달성하는 학습 실행은 아키텍처와 학습 파이프라인 선택이 컴퓨팅 대 역량 단위 비율을 실질적으로 바꿀 수 있음을 보여줍니다. 전력과 칩 공급이 조여짐에 따라 더 중요해지는 인프라 레버가 바로 이것입니다. 용량을 쉽게 늘릴 수 없다면, 가진 용량에서 더 많은 것을 추출해야 합니다.

효율성 경쟁은 학습에만 국한되지 않습니다. 추론 서비스에는 자체적인 효율성 계층이 있으며, 이는 단일 모델 릴리스와 무관하게 독립적으로 개선되고 있습니다. vLLM 프로젝트의 PagedAttention 논문은 KV 캐시 메모리 관리를 사후 고려 사항이 아닌 일류 스케줄링 문제로 취급함으로써 이전 서비스 시스템 대비 유사한 지연 시간에서 2~4배의 처리량 향상을 보고합니다. 이는 모델 품질 향상이 아니라 서비스 인프라 이득이며, 그 위에서 실행되는 모든 모델과 함께 복합적으로 작용합니다. 서비스 스택을 업그레이드하는 팀은 모델을 전혀 건드리지 않고도 처리량 향상을 실현할 수 있으며, 이는 군비 경쟁의 독특하고 과소평가된 축입니다. 학습 계층의 효율성 이득과 달리 인프라 계층의 효율성 개선은 모델 계층 전반에서 이식 가능합니다.

Qwen3의 릴리스는 세 번째 효율성 차원인 배포 대상 다양성을 보여줍니다. Qwen3 출시는 Apache 2.0 하에서 2개의 전문가 혼합(MoE) 모델과 6개의 밀집 모델을 오픈 가중치로 제공하며, SGLang, vLLM, Ollama, LMStudio, MLX, llama.cpp, KTransformers 전반에 걸쳐 공식 권장 배포 경로를 제공합니다. 여러 매개변수 규모에서 MoE 및 밀집 변형을 모두 제공하는 것은 그 자체로 배포 계층에서의 효율성 전략입니다. 이는 개발자가 클라우드 규모의 MoE 배포부터 소비자 하드웨어의 로컬 밀집 모델까지 자신의 하드웨어 제약 조건에 맞는 컴퓨팅 프로필을 선택할 수 있게 하며, 모든 배포를 동일한 컴퓨팅 집약적 경로로 강제하지 않습니다.

플랫폼 팀에게 운영상의 교훈은 효율성과 확장이 동일한 예산을 두고 경쟁하는 대립 진영이 아니라는 것입니다. 그것들은 동일한 문제에 대한 두 개의 레버이며, 향후 2년을 위해 가장 잘 배치된 팀은 둘 다를 계측하는 팀입니다. 우리의 라우팅 및 작업당 비용 분석은 이를 이데올로기적 문제가 아닌 운영적 질문으로 취급합니다. 고정된 작업 분포가 주어졌을 때, 어떤 모델 선택과 서비스 구성 조합이 허용 가능한 품질 하한선에서 비용을 최소화하는가?

오픈 가중치는 배포를 변경하지만 거버넌스를 자동으로 변경하지는 않는다

Apache 2.0 하의 Qwen3 릴리스는 배포 결정이며, 그 결정이 무엇을 변경하고 무엇을 변경하지 않는지에 대해 정확할 필요가 있습니다. 오픈 가중치는 모델의 매개변수를 다운로드하고, 운영자가 제어하는 인프라에서 실행하고, 미세 조정하고, 명시된 라이선스 조건에 따라 재배포할 수 있음을 의미합니다. 이는 가중치가 제공자의 인프라를 절대 떠나지 않고 모든 추론 호출이 제공자의 서비스 스택, 속도 제한, 서비스 약관에 의해 중재되는 API 전용 모델과는 의미 있게 다른 배열입니다.

우리는 이 글 전체에서 "오픈 소스" 대신 "오픈 가중치"라는 용어를 의도적으로 사용합니다. 특정 릴리스가 OSI 스타일의 오픈 소스 표준을 충족하는지 여부는 학습 데이터 공개, 학습 파이프라인의 재현성, 가중치 재배포를 넘어선 라이선스 조건에 달려 있습니다. 언론 보도에서 "오픈 소스"로 널리 다뤄지는 많은 현재 "오픈" 모델 릴리스를 포함하여 대부분의 릴리스는 이러한 기준을 완전히 충족하지 않습니다. 가중치에 대한 Qwen3의 Apache 2.0 라이선스는 실제적이고 검증 가능한 배포 약정이지만, 그 자체로 완전한 학습 파이프라인 투명성의 증거는 아닙니다.

오픈 가중치가 확실하게 변경하는 것은 제어 인터페이스입니다. 자체 호스팅 인프라에서 오픈 가중치 모델을 실행하는 개발자는 가동 시간, 데이터 상주, 미세 조정을 제어하며 제공자의 가격 변경이나 지원 중단 일정에 노출되지 않습니다. 오픈 가중치가 자동으로 제공하지 않는 것은 문서화된 안전 평가, 레드팀 공개, 또는 하류 부문 오용에 대한 책임이라는 의미에서의 거버넌스입니다. 이러한 것들은 릴리스 조직이 가중치 릴리스와 함께 할 수도 있고 하지 않을 수도 있는 별도의 약정으로 남아 있습니다.

Stanford의 2026 AI Index가 단순한 "누가 이기고 있는가"라는 서사에 유용한 뉘앙스를 더하는 지점이 바로 여기입니다. Index는 미국과 중국 모델 간의 최고 수준 성능 격차가 사실상 좁혀졌다고 보고하는 반면, 미국은 여전히 최고 수준 모델을 더 많이 생산하고 중국은 출판물 수, 인용 수, 특허 산출물 및 산업용 로봇 설치 수에서 앞서고 있습니다. 모델 동등성, 모델 수, 출판물 수, 특허 산출물, 로봇 공학 배포 등 이러한 측정값 중 어느 것도 다른 것으로 깔끔하게 환원되지 않습니다. 모델 품질 리더보드는 특허 산출물에 대해 거의 아무것도 알려주지 않으며, 특허 수는 프로덕션 팀이 이번 주에 코딩 작업을 어떤 모델로 라우팅해야 하는지에 대해 아무것도 알려주지 않습니다. 지정학적 AI 보도를 읽는 개발자는 이러한 각각을 단일 "누가 앞서 있는가" 점수판에 대한 입력이 아니라 별개의, 개별적으로 소싱된 주장으로 취급해야 합니다.

플랫폼 팀의 실질적인 결정은 추상적으로 "오픈 가중치 대 폐쇄형 API"가 아닙니다. 그것은 작업별 결정입니다. 이 워크로드가 자체 호스팅만이 제공하는 데이터 상주 보장이 필요한가, 아니면 제공자의 전용 용량이 제공하는 처리량 보장이 필요한가, 아니면 가격과 가용성이 변함에 따라 제공자 전반으로 트래픽을 이동시킬 수 있는 라우터의 공유 인프라 트레이드오프를 허용하는가? 우리의 모델 비교 도구는 이를 철학적 입장이 아닌 명시적인 트레이드오프 표면으로 취급합니다. 오픈 가중치는 다른 인프라 의존성을 평가하는 것과 동일한 방식으로 평가되는 배포 및 제어 메커니즘입니다.

순위와 모델 데이터는 운영 인프라가 된다

칩이나 모델 릴리스보다 훨씬 적은 관심을 받는 스택의 계층은 모델 메타데이터 계층입니다. 즉, 개발자에게 어떤 모델이 존재하고, 비용이 얼마이며, 얼마나 빨리 응답하고, 특정 제품에 중요한 작업에서 어떻게 비교되는지를 알려주는 API, 순위, 벤치마크 방법론입니다. 이 계층은 그 자체로 인프라가 되었습니다. 프로덕션 라우팅 결정이 수동 연구가 아닌 이러한 질문에 대한 기계 판독 가능한 답변에 점점 더 의존하고 있기 때문입니다.

OpenRouter의 모델 API 문서는 모델 메타데이터, 양식, 지원되는 매개변수, 가격, 컨텍스트 창, 지연 시간/처리량별 정렬 가능한 뷰를 노출하는 것을 설명합니다. 이는 벤치마크 논문과는 진정으로 다른 종류의 자원입니다. 이는 라우팅 시스템이 디스패치 결정을 내리기 전에 프로그래밍 방식으로 호출할 수 있는 실시간 쿼리 가능한 인덱스입니다. 별도로 OpenRouter의 공개 순위는 벤치마크와 주간 사용량별 상위 모델 및 작업 수준 지출 점유율을 포함한 실제 사용 데이터를 기반으로 실시간 순위를 제시합니다. 이는 글로벌 진실 주장이 아니라 수요 신호입니다. 이는 한 플랫폼의 마켓플레이스를 통해 흐르는 트래픽을 반영하며, 이는 더 넓은 시장 행동과 상관관계가 있지만 동일하지는 않습니다. 한 라우터에서 주간 사용량 기준 상위 모델인 모델이 다른 플랫폼의 트래픽에서는 품질과 아무런 관련이 없는 이유(기본 구성 선택, 파트너 통합, 지역 가용성 포함)로 과소평가될 수 있습니다.

Artificial Analysis는 다른 접근 방식을 취합니다. 모델, 엔드포인트, 제공자 및 서버리스 배포를 별개의 개념으로 구분하는 명시적인 방법론과 함께 지능, 품질, 성능 및 가격 전반에 걸친 독립적인 벤치마킹을 수행합니다. 그 구분은 들리는 것보다 더 중요합니다. 두 개의 다른 제공자가 서비스하는 동일한 기본 모델은 서비스 인프라(모델 가중치가 아님)가 다르기 때문에 실질적으로 다른 지연 시간 및 처리량 수치를 기록할 수 있습니다. 엔드포인트와 제공자를 명시하지 않고 "모델 X가 가장 빠르다"고 보고하는 벤치마크는 인프라 성능에 대해 보고하고 이를 모델 탓으로 돌리는 것입니다.

이것이 이 글 앞부분의 스택 그림이 설명하고자 하는 동일한 구분입니다. 메타데이터와 순위 계층은 모델 계층과 개발자가 실제로 소비하는 API 인터페이스 사이에 위치하며, 서비스 계층 수치를 모델 계층 주장과 혼동하는 것은 순위 문해력이 포착하고자 하는 범주 오류입니다.

Artificial Analysis의 지능 지수 방법론은 자체 문서에 직접 추가적인 주의 사항을 추가합니다. v4.1 지수는 에이전트, 코딩, 과학적 추론 및 일반 역량을 복합 점수로 가중치를 부여하며, 방법론은 이러한 지표가 한계가 있으며 모든 사용 사례에 적용되지 않을 수 있음을 명시적으로 밝힙니다. 이는 벤치마킹 제공자로부터의 이례적으로 직접적인 인정이며, 개발자에게는 상시 지침으로 읽혀야 합니다. 복합 지능 점수는 후보 모델을 좁히기 위한 선별 도구이지, 자신의 작업 분포에 대해 후보 모델을 평가하는 것을 대체할 수 없습니다.

이것이 리더보드 문해력을 자체적인 인프라 역량으로 취급해야 한다는 주장입니다. 실시간 모델 및 가격 데이터를 쿼리하고, 독립적인 리더보드 신호와 교차 참조하며, 트래픽을 커밋하기 전에 자체적인 작업별 평가를 실행할 수 있는 플랫폼 팀은 단일 순위 페이지에서 모델을 선택하고 순위가 자신의 워크로드로 전이된다고 가정하는 팀보다 다른 수준의 엄격함으로 운영되고 있습니다. 메타데이터 계층은 이제 분기별로 검토되는 조달 스프레드시트가 아니라 프로덕션 라우팅 시스템의 자동화된 결정 경로에 위치하기 때문에 정확히 인프라입니다.

에이전트는 모델 출력을 시스템 행동으로 전환한다

현재 가장 빠르게 움직이는 표준화 역학을 가진 계층은 모델 계층이 아니라 에이전트 프로토콜 계층입니다. 즉, 모델의 출력이 채팅 창에서 종료되는 대신 외부 시스템에서 실제 행동을 트리거할 수 있게 하는 소프트웨어입니다.

Anthropic은 AI 시스템과 외부 데이터 소스 간의 안전한 양방향 연결을 위한 오픈 표준으로 Model Context Protocol(MCP)을 도입했습니다. 출시 시 명시된 설계 목표는 간단했습니다. 모든 통합을 맞춤형 일회성 커넥터로 구축하도록 요구하는 대신 모델이 도구와 데이터에 도달할 수 있는 표준 방법을 제공하는 것입니다. 이는 데이터베이스 드라이버 표준이나 API 사양과 같은 범주의 인프라 문제이며, N개의 모델을 M개의 도구에 연결하는 조합 비용을 줄이기 위해 존재합니다.

출시 이후의 채택 궤적은 더 중요한 인프라 신호입니다. Anthropic이 MCP를 Linux Foundation의 새로 설립된 Agentic AI Foundation에 기증한다는 발표는 10,000개 이상의 활성 공용 MCP 서버와 ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code 전반에 걸친 채택을 보고합니다. 이는 직접적인 경쟁자들 사이에서의 단일 프로토콜의 교차 공급업체 채택이며, AI 인프라에서 드물고 특히 해당 공급업체들이 모델 품질, 가격 또는 거버넌스 철학에 동의할 필요가 없었기 때문에 주목할 만한 패턴입니다. 그들은 분기되고 호환되지 않는 도구 호출 표준이 그들 모두에게 통합 비용을 부과했을 것이기 때문에 공유 배관 계층으로 수렴했습니다.

MCP를 단일 공급업체의 통제하에 두는 대신 독립적인 재단에 넘기는 것은 그 자체로 신중하게 읽을 가치가 있는 거버넌스 결정입니다. 모델이 무엇을 건드릴 수 있는지(어떤 파일, 어떤 API, 어떤 시스템)를 중재하는 프로토콜은 실질적인 보안 무게를 지닙니다. 해당 프로토콜의 관리를 단일 연구소의 상업적 인센티브 외부로 배치하는 것은 이를 독점적인 차별화 요소로 유지하는 것과는 다른 자세이며, 에이전트 도구 계층을 경쟁 IP가 아닌 공유 인프라로 취급하는 것과 일치합니다.

이 경계가 운영상 중요한 이유는 에이전트가 더 똑똑한 챗봇이 아니기 때문입니다. 에이전트는 모델 출력을 티켓 제출, 거래 실행, 데이터베이스 레코드 수정, 이메일 전송과 같은 결과적인 행동으로 변환하는 시스템입니다. 이러한 각 행동은 모델의 판단이 예측할 수 없게 실패할 수 있는 바로 그 지점이기 때문에 모델 자체의 판단과는 독립적으로 존재하는 권한 모델이 필요합니다. 잘 설계된 에이전트 아키텍처는 "모델이 이렇게 하라고 했다"를 승인이 아닌 제안으로 취급합니다. 제안은 명시적인 도구 호출 인터페이스, 특정 에이전트 인스턴스가 건드릴 수 있는 범위로 제한된 권한 확인, 그리고 무엇이 요청되었고, 무엇이 허용되었으며, 무엇이 실제로 실행되었는지 기록하는 감사 로그를 통과합니다.

이것이 프로덕션 논의에서 모호한 "AI 안전" 언어를 대체해야 하는 프레임입니다. 질문은 특정 모델이 추상적으로 정렬되어 있는지 여부가 아니라, 주변 에이전트 인프라가 최소 권한 액세스를 강제하고, 사고 후 무슨 일이 일어났는지 재구성하기에 충분한 감사 추적을 생성하며, 도구 호출이 모호하거나 범위를 벗어날 때 안전하게 실패하는지 여부입니다. 우리의 에이전트 폴백 및 라우팅 가이드는 이를 운영 설계 문제로 취급합니다. 에이전트 체인의 기본 모델이 잘못된 도구 호출을 반환하거나, 시간이 초과되거나, 작업 중간에 속도 제한이 걸릴 때 무슨 일이 일어나는지, 그리고 폴백 경로가 워크플로우를 유지하라는 압력 하에서 권한 경계를 조용히 완화하는 대신 어떻게 동일한 권한 경계를 보존하는지입니다.

인프라 팀을 위한 전략적 해석은 에이전트 역량이 이제 모델 추론 품질보다는 주변 권한 및 감사 계층이 얼마나 엄격하게 구축되었는지에 의해 덜 제한된다는 것입니다. 범위 지정도 없고 감사 추적도 없는 권한 시스템에 연결된 프론티어 품질 모델은 잘 계측된 시스템에 연결된 중급 모델보다 더 큰 운영 위험입니다.

이것이 모델 플랫폼과 개발자에게 의미하는 바

2026년에 이 스택 위에서 구축하는 팀은 모든 것을 단일 "어떤 모델이 가장 좋은가" 질문으로 축소하는 대신 각 계층에서 별개의 신호를 추적해야 합니다.

• 컴퓨팅 및 전력: 헤드라인 칩 발표뿐만 아니라 제공자가 실제로 서비스하는 지역의 데이터 센터 전력 가용성과 상호 연결 타임라인을 추적하십시오. 제공자의 가격 안정성은 직접 볼 수 없는 전력 계약에 달려 있습니다.

• 자본 지출(Capex) 신호: Stargate 규모의 자본 약정 발표를 용량이 어디에 사전 구매되고 있는지에 대한 수요 측 신호로 읽으십시오. 오늘 약정된 자본은 다음 분기에 사용 가능한 GPU 시간으로 즉시 변환되지 않습니다.

• 확장이 아닌 효율성: 학습 측 효율성 주장(역사적 DeepSeek-V3 보고서가 명확히 하듯 명시된 비용 회계 범위 포함)과 서비스 측 효율성 이득(PagedAttention급 처리량 개선)을 별도의 복합 레버로 평가하십시오. 서비스 스택 업그레이드는 모델 변경과 무관하게 처리량 이득을 제공할 수 있습니다.

• 제어 결정으로서의 오픈 가중치: 데이터 상주, 미세 조정 제어 또는 제공자 독립성이 자체 추론 인프라를 실행하는 운영 부담보다 클 때 오픈 가중치 자체 호스팅을 선택하십시오. 처리량 보장과 낮은 운영 오버헤드가 인프라 제어 상실보다 클 때 API 또는 라우터 액세스를 선택하십시오. 워크로드에 대한 특정 라이선스와 배포 비용을 확인하지 않고 "오픈"을 "더 안전한" 또는 "더 저렴한"과 동의어로 취급하지 마십시오.

• 메타데이터 및 순위 문해력: 기계 판독 가능한 모델 메타데이터와 독립적인 벤치마크 방법론을 사용하여 후보를 좁히고, 프로덕션 트래픽을 커밋하기 전에 자체적인 작업별 평가를 실행하십시오. 복합 리더보드 점수는 자체 방법론 문서에 의해 명시적으로 범위가 지정된 선별 신호이지 배포 결정이 아닙니다.

• 에이전트 권한 설계: 사고 후가 아니라 에이전트 역량을 확장하기 전에 도구 호출, 권한 확인 및 감사 로그 계층을 구축하십시오. 기본 모델이 얼마나 유능한지와 관계없이 시스템 행동을 트리거할 수 있는 모든 모델 출력을 명시적인 승인이 필요한 제안으로 취급하십시오.

• 작업당 비용 규율: 모델 명성이 아닌 워크로드 경제성으로 라우팅하십시오. 고용량, 저복잡성 작업 범주에 대해 품질 기준을 충족하는 더 저렴한 모델이 해당 범주에 대한 올바른 선택입니다. 우리의 작업당 비용 라우팅 연구와 저비용 모델 디렉토리는 그 트레이드오프를 암묵적이 아닌 가시적으로 만들기 위한 것입니다.

이 중 어느 것도 일회성 결정이 아닙니다. 각 계층은 자체 일정에 따라 움직입니다. 전력 구축은 다년 타임라인, 모델 릴리스는 월간에서 분기별, 프로토콜 채택은 표준이 임계 질량에 도달하면 폭발적으로 일어납니다. 2026년의 인프라 경쟁력은 승자를 선택하는 것보다 새로운 모델이나 프로토콜 버전이 출시될 때마다 전체 아키텍처를 다시 작성하지 않고도 각 계층의 변화를 흡수할 수 있는 라우팅 및 평가 루프를 유지하는 것과 더 비슷합니다.

API 및 플랫폼 팀을 위한 결정 매트릭스

위에서 조사한 인프라 신호는 원시 역량에서 어느 연구소나 공급업체가 궁극적으로 앞서든 관계없이 모델 API 위에서 구축하는 팀에게 실질적인 의미를 갖습니다. 아래 표는 관찰된 신호를 결정 지점에 매핑합니다. 특정 공급업체나 제품을 추천하지는 않습니다.

인프라 신호	제기되는 실질적인 질문	결정 전 확인해야 할 곳
폐쇄형 모델과의 역량 격차를 좁히는 역사적 오픈 가중치 모델 릴리스(예: DeepSeek-V3, Qwen3)	이 워크로드에 대해 자체 호스팅 또는 오픈 가중치 미세 조정이 이제 실행 가능한가, 아니면 폐쇄형 API 편의성이 여전히 격차보다 큰가?	연구소 발표 벤치마크만이 아닌 독립적인 벤치마크 집계 기관(Artificial Analysis, OpenRouter 순위)
벤치마크 제공자 전반의 상이한 순위	어떤 벤치마크 방법론이 이 워크로드의 실제 작업 분포와 일치하는가?	단일 리더보드를 진실로 채택하기 전 발표된 방법론 노트
서비스 계층 효율성 이득(예: PagedAttention/vLLM급 기술)	자체 호스팅 추론이 이 트래픽 패턴에 대해 API 호출 대비 비용/지연 시간 트레이드오프를 이제 변경하는가?	공급업체 보고 처리량 수치가 아닌 대표적인 동시성 하에서의 자체 부하 테스트
부상하는 에이전트/도구 사용 프로토콜(예: MCP)	통합 작업이 프로토콜 수준 표준을 목표로 해야 하는가, 아니면 공급업체별 SDK를 목표로 해야 하는가?	단일 공급업체 로드맵이 아닌 여러 연구소 및 도구 전반의 프로토콜 채택 범위
데이터 센터 에너지 및 용량 제약(IEA 전망, Stargate와 같은 대규모 자본 지출 발표)	용량 계획이 지속적인 가격 및 가용성 개선을 가정해야 하는가, 아니면 피크 기간 동안 더 좁은 공급을 위해 예산을 책정해야 하는가?	공급업체 용량 발표와 함께 지역 전력 및 전력망 용량 데이터
소수의 대규모 인프라 프로그램에 집중된 컴퓨팅 투자	이것이 지연 시간 또는 가용성에 민감한 시스템에 대해 단일 공급업체 의존 위험을 생성하는가?	일반적인 중복성 주장이 아닌 다중 공급업체 폴백 테스트 및 계약 조건

이 신호 중 어느 것도 그 자체로 결정을 해결하지 않습니다. 각각은 어느 쪽이 인프라 경쟁에서 '이기고' 있는지에 대한 일반적인 주장을 구체적이고 확인 가능한 질문으로 대체합니다.

2027-2030 시나리오

우리는 향후 몇 년 동안 이 스택이 어떻게 해결될지에 대한 단일 결과를 예측할 근거가 없습니다. 우리가 할 수 있는 것은 위의 계층에 고정된 시나리오를 제시하는 것이며, 각각은 그것이 발전함에 따라 확인하거나 반증할 수 있는 지표를 가지고 있습니다. 이것들은 예측이 아니라 시나리오입니다.

• 시나리오 A - 전력 제약 통합: 데이터 센터 전력 수요가 IEA의 2030년 950 TWh 전망을 추적하거나 초과하고, 전력망 상호 연결이 새로운 용량에 대한 제약 조건이 되며, 컴퓨팅 액세스는 전력 계약과 팹 할당을 가장 먼저 확보한 운영자에게 집중됩니다. 지켜봐야 할 지표: 칩 출하 발표만이 아닌 주요 데이터 센터 운영자의 상호 연결 대기열 타임라인 및 보고된 전력 구매 계약.

• 시나리오 B - 효율성 주도 확산: 역사적 DeepSeek-V3 닻과 PagedAttention급 서비스 작업이 모두 보여주는 패턴으로 학습 및 서비스 효율성 이득이 수요 증가보다 빠르게 컴퓨팅 대 역량 단위 비율을 계속 줄이고, 경쟁력 있는 모델 역량이 가장 큰 컴퓨팅 보유자에게 집중되는 대신 더 넓은 운영자 집합으로 확산됩니다. 지켜봐야 할 지표: Stanford의 2026 Index가 설명하는 최고 수준 역량 격차를 새로 출시된 오픈 가중치 모델이 이전 세대 모델보다 비슷하거나 더 낮은 컴퓨팅 예산을 사용하여 계속 좁히는지 여부.

• 시나리오 C - 프로토콜 표준화 에이전트 계층: 에이전트 도구 호출이 소수의 오픈, 재단 거버넌스 프로토콜(MCP의 Agentic AI Foundation 기증이 가장 확실한 현재 사례)을 중심으로 표준화되고, 경쟁 차별화가 프로토콜 자체가 아닌 공유 프로토콜 위에 구축된 권한, 감사 및 오케스트레이션 계층으로 거의 완전히 이동합니다. 지켜봐야 할 지표: 추가적인 주요 모델 제공자와 도구 플랫폼이 경쟁 표준을 유지하는 대신 동일한 프로토콜을 채택하는지 여부, 그리고 재단의 범위가 초기 위임 범위를 넘어 확장되는지 여부.

이 시나리오들은 상호 배타적이지 않습니다. 여기에 수집된 증거에 기반한 가장 가능성 있는 경로는 어느 정도의 조합입니다. 전력 제약은 누가 최대 규모로 운영할 수 있는지를 형성하고, 효율성 작업은 그 규모가 실제로 얼마나 많은 역량을 구매하는지를 결정하며, 프로토콜 표준화는 결과적인 역량이 공급업체 전반에서 이식 가능한지 아니면 단일 에이전트 생태계에 고정되는지를 결정합니다. 개발자는 인프라 결정을 하나의 시나리오에만 베팅하는 대신 세 가지 지표 세트를 모두 추적해야 합니다.

이것이 증명하지 않는 것

이 기사는 "AI 군비 경쟁" 서사의 인접 보도에서 유통되는 일련의 주장을 의도적으로 제외합니다. 우리가 요구하는 신뢰 수준에서 독립적으로 검증할 수 있는 출처가 없기 때문입니다. 그것들을 명시적으로 이름 붙이는 것이 침묵하며 생략하는 것보다 더 유용합니다:

• 우리는 군사 관련 안전 변경에 대한 거부와 관련된 특정 AI 제공자에 대한 연방 금지 주장에 대해 검증된 출처가 없습니다. 이 주장은 일부 보도에 나타나지만 여기에서 독립적으로 확인되지 않았으며 제외되었습니다.
• 우리는 원래 발표 이후 특정 시점에 Stargate의 실제 데이터 센터 수나 인력 수준을 확인하는 검증된 날짜가 명시된 출처가 없습니다. 발표는 의도와 초기 자본 구조를 확립하지만 실행 속도를 확립하지 않으며, 우리는 어느 방향으로든 검증되지 않은 실행 주장을 전달하지 않습니다.
• 우리는 단일 회사의 데이터 센터 클러스터에 기인한 특정 GPU 함대 규모 주장에 대한 1차 출처가 없습니다. 이와 같은 수치는 추적 가능한 1차 출처 없이 2차 보도에서 널리 유통되며 이 글에서 제외되었습니다.
• 우리는 군사적 응용 성능 주장(드론 타겟팅 비율 등)을 사용하지 않습니다. 우리가 사용할 수 있는 검증 가능하고 날짜가 명시된 1차 출처 자료를 벗어나며 이 기사의 인프라 및 개발자 범위를 벗어나기 때문입니다.
• 우리는 AI 지출에 대한 특정 국방 예산 항목 수치나 칩 수출 집행과 관련된 법 집행 사례 달러 수치를 사용하지 않습니다. 여기의 인프라 논쟁에 중심적이지 않으며 이 글을 위해 독립적으로 검증되지 않았기 때문입니다.
• 우리는 AI 에이전트 시장 규모나 성장률 추정치를 사용하지 않습니다. 이처럼 새로운 범주에 대한 시장 규모 수치는 방법론에 따라 크게 다르며 이 기사가 만드는 인프라 논쟁에 부하를 주지 않습니다.
• 여기에 인용된 벤치마크 및 순위 데이터(OpenRouter 사용 순위, Artificial Analysis 점수)는 명시된 날짜에 관찰된 특정 플랫폼의 방법론과 트래픽을 반영합니다. 모델 품질의 단일 글로벌 순위를 확립하지 않으며 그렇게 읽혀서는 안 됩니다.
• 역사적 DeepSeek-V3 학습 비용 수치는 기술 보고서 자체에 따라 하나의 학습 실행의 GPU 시간으로 명시적으로 범위가 지정됩니다. 총 회사 R&D 지출을 확립하지 않으며 "프론티어 연구소를 구축하는 비용"에 대한 벤치마크로 사용되어서는 안 됩니다.

FAQ

AI 인프라 군비 경쟁은 주로 누가 최고의 모델을 가지고 있는지에 관한 것입니까?

아닙니다. 모델 품질은 전력 공급, 칩 제조 집중도, 데이터 센터 자본 지출, 학습 및 서비스 효율성, 오픈 가중치 배포 조건, 에이전트 도구 호출 프로토콜을 포함하는 더 넓은 경쟁의 하나의 가시적인 계층입니다. 이번 분기에 리더보드 상위에 오른 모델도 확장할 수 없는 인프라에 배포되거나, 도구 호출 채택이 부족한 프로토콜을 통해 서비스되거나, 특정 워크로드에 대해 비경제적으로 만드는 방식으로 가격이 책정될 수 있습니다.

"오픈 가중치"는 실제로 무엇을 보장하고 무엇을 보장하지 않습니까?

Qwen3의 Apache 2.0 릴리스와 같은 오픈 가중치는 모델의 매개변수를 다운로드하고, 자체 호스팅하고, 미세 조정하고, 명시된 라이선스 조건에 따라 재배포할 수 있음을 보장합니다. 학습 데이터 투명성, 재현 가능한 학습 파이프라인 또는 문서화된 안전 평가를 자동으로 보장하지 않습니다. 이러한 것들은 릴리스 조직이 가중치 릴리스와 함께 할 수도 있고 하지 않을 수도 있는 별도의 약정입니다. 릴리스가 가중치 재배포를 넘어선 오픈 소스 기준을 구체적으로 충족하지 않는 한 "오픈 소스" 대신 "오픈 가중치"를 사용하십시오.

역사적 DeepSeek-V3 학습 비용 수치는 어떻게 올바르게 사용해야 합니까?

기술 보고서는 약 557만 6천 달러의 비용으로 278만 8천 시간의 H800 GPU 학습 실행을 명시하며, 사전 연구, 절제 실험, 아키텍처 탐색, 알고리즘 개발 및 데이터 비용을 명시적으로 제외합니다. 문서화된 학습 실행이 비교적 낮은 GPU 시간당 비용으로 경쟁력 있는 결과를 달성했다는 증거로 사용하십시오. 프론티어 연구소를 구축하는 총비용 수치로 사용하지 마십시오. 회계 범위를 일치시키지 않고 경쟁사의 총 R&D 지출과 직접 비교하지 마십시오.

OpenRouter 순위와 Artificial Analysis 점수는 같은 종류의 증거입니까?

아닙니다. OpenRouter의 순위는 자체 마켓플레이스 트래픽에서의 실시간 사용량과 지출 점유율을 반영합니다. 실제 수요 신호이지만 해당 플랫폼에 특정됩니다. Artificial Analysis는 지능, 품질, 성능 및 가격 전반에 걸쳐 독립적인 벤치마킹을 실행하며, 자체 방법론은 모델, 엔드포인트, 제공자 및 서버리스 배포를 별개의 변수로 명시적으로 구분하는 동시에 복합 지능 지수가 한계가 있으며 모든 사용 사례에 적용되지 않을 수 있음을 경고합니다. 둘 다 후보를 좁히는 데 유용하지만, 자신의 워크로드에 대한 작업별 평가를 대체하지 않습니다.

MCP와 독점 에이전트 도구 호출 시스템 간의 실질적인 차이는 무엇입니까?

Anthropic이 AI 시스템과 데이터 소스 간의 안전한 양방향 연결을 위한 오픈 표준으로 도입한 MCP는 이후 경쟁 플랫폼(ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code, Anthropic의 자체 채택 보고에 따름) 전반에 걸쳐 채택되었으며 이후 Linux Foundation의 Agentic AI Foundation에 기증되었습니다. 독점 도구 호출 시스템은 통합을 단일 공급업체의 로드맵과 거버넌스 결정에 묶습니다. 오픈, 재단 거버넌스 프로토콜은 그러한 락인을 줄이지만, 여전히 그 위에 자체 권한 및 감사 계층을 구축해야 합니다. 프로토콜은 연결을 표준화하지만 승인 정책을 표준화하지는 않습니다.