AI 자금이 계속 흐르며 딥스루크는 기록적인 자금 조달 계획을 발표하고 코어 오토메이션은 주간에 4배의 평가액을 달성

딥시크(Deepseek)의 73.5억 달러 펀딩 라운드는 중국 AI 기업 사상 최대 규모로, 6월 출시 예정인 V4.1 모델 개발을 뒷받침할 자금이다. 딥시크는 MoE(Mixture of Experts) 아키텍처와 MLA(Multi-head Latent Attention) 기법으로 추론 비용을 대폭 낮춘 것으로 유명한데, V3 시리즈에서 검증된 GRPO 기반 강화학습과 671B 파라미터 중 활성 파라미터만 37B로 운용하는 효율 구조가 V4.1에서도 더 정교하게 다듬어질 것으로 보인다. 한편 전 OpenAI 연구원 제리 트보레크(Jerry Tworek)가 창업 6주 만에 40억 달러 가치 평가를 받은 Core Automation은 LLM 기반 에이전트가 실제 업무 워크플로를 자동화하는 영역을 노리고 있어, 단순 챗봇이 아닌 도구 호출·장기 추론·상태 관리가 결합된 차세대 에이전트 인프라 경쟁이 본격화되고 있음을 보여준다.

개발자 입장에서 이 두 흐름은 매우 실용적인 영향을 준다. 딥시크가 V4.1을 오픈웨이트로 풀 가능성이 높다는 점에서, 한국 개발자들은 OpenAI/Anthropic API 비용 부담 없이 자체 인프라나 서버리스 GPU 환경에서 강력한 추론 모델을 호스팅할 수 있는 선택지가 넓어진다. 특히 코드 생성·수학·다국어 처리에서 GPT-4 클래스 성능을 1/10 이하 토큰 비용으로 제공해온 딥시크의 전례를 감안하면, 사이드 프로젝트나 사내 AI 도구의 단가 구조가 근본적으로 바뀔 수 있다. Core Automation 같은 에이전트 스타트업의 폭발적 성장은 "코드를 작성하는 AI"에서 "실제로 일을 끝내는 AI"로 무게중심이 이동했음을 시사하며, 이는 단순 프롬프트 엔지니어링이 아닌 도구 통합·MCP·에이전트 오케스트레이션 역량이 핵심 스킬로 부상하고 있다는 신호다.

실무 차원에서 지금 점검해야 할 것은 세 가지다. 첫째, 현재 사용 중인 LLM API 의존도를 검토하고 딥시크·Qwen 같은 오픈모델로 일부 워크로드를 마이그레이션할 수 있도록 추상화 계층(LiteLLM, OpenRouter 등)을 미리 구축해두면 V4.1 출시 직후 신속하게 비교 검증이 가능하다. 둘째, 자사 제품에 에이전트 기능을 도입할 계획이라면 LangGraph, CrewAI, 혹은 Anthropic의 MCP 표준을 학습해두는 것이 좋다. 단발성 호출이 아닌 멀티스텝 자동화 설계 경험이 곧 차별화 포인트가 된다. 셋째, 중국 모델 사용 시 데이터 거버넌스·국내 컴플라이언스(개인정보보호법, 망분리 등) 이슈를 사전에 점검해야 하며, 사내 사용 시에는 자체 호스팅 또는 한국 리전 클라우드 배포를 전제로 검토하는 것이 안전하다. AI 자본 투입 속도가 가속화될수록 모델 교체 주기는 짧아지므로, 특정 모델에 락인되지 않는 아키텍처를 유지하는 것이 가장 현실적인 생존 전략이다.