3분의1 가격 ''키미 K3'', 오히려 돈 더 많이 들 수 있다 (강수진 박사)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

3분의1 가격 ‘키미 K3', 오히려 돈 더 많이 들 수 있다 (강수진 박사)를 중심으로, 동일한 프롬프트를 입력해도 모델별 기본 설정, 추론 강도, 사고 모드와 도구 사용 방식이 달라 결과물에 큰 차이가 생겼다를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 동일한 프롬프트를 입력해도 모델별 기본 설정, 추론 강도, 사고 모드와 도구 사용 방식이 달라 결과물에 큰 차이가 생겼다.
2. 항해 게임 생성 실험에서 GPT 5.6과 페이블 5는 실행 가능한 결과를 냈지만, 키미 K3는 생성이 오래 이어지고 첫 결과도 완성되지 않았다.
3. 키미 K3의 추론량은 사례에 따라 다른 모델보다 두세 배에서 많게는 다섯 배나 열 배까지 늘었고, 시연에서는 70K 수준까지 기록됐다.
4. 낮은 토큰 단가는 총비용을 보장하지 않는다. 단가가 약 3분의 1이어도 사용 토큰이 크게 늘면 다른 모델보다 비싸질 수 있다.
5. 프레젠테이션 실험에서는 외부 이미지 URL을 자율적으로 활용한 모델이 더 완성도 높은 결과를 냈으며, 원하는 도구 사용 방식을 프롬프트에 명시해야 한다는 점이 확인됐다.

🧩 배경과 문제 정의

영상은 GPT 5.6, 페이블 5, 키미 K3에 같은 프롬프트를 입력해 항해 게임, 인테리어 프레젠테이션과 전시 홈페이지를 생성하는 비교 시연이다. 핵심 문제는 모델 순위를 정하는 것이 아니라 동일한 프롬프트 아래에서도 기본 설정, 추론 강도와 도구 사용 방식 때문에 결과와 비용이 얼마나 달라지는지 확인하는 데 있다. 발표자는 모델별 제공 옵션이 달라 완전한 실험 통제는 불가능하다는 한계를 밝히고, 실제 과제에 맞춰 프롬프트와 설정을 조정해야 한다는 결론을 제시한다.

🕒 시간순 섹션별 상세정리

1. 세 모델 비교와 비용 문제 예고

• GPT 5.6, 페이블 5와 키미 K3를 같은 작업에 투입하며, 키미가 다른 모델보다 훨씬 긴 추론을 이어가는 장면을 먼저 보여준다. [00:29]
• 키미 모델이 수다스럽다는 관찰과 함께 다음 프레젠테이션 비교까지 예고한다. [00:40]

2. 같은 프롬프트라도 설정이 다르다는 가설

• 미국 모델과 중국 모델의 차이를 이론이 아니라 실제 생성 결과로 확인하는 것이 이번 시연의 목적이라고 보여준다. [01:12]
• 같은 프롬프트에서 생기는 차이는 모델 이름만이 아니라 설정값에서 온다는 핵심 가설을 제시한다. [02:13]

3. 공식 데모 재현과 실험 조건 설계

• 한 줄 프롬프트로 만든 공식 항해 게임 데모가 실제 입력만으로 그대로 재현되지는 않아 프롬프트를 추가로 다듬었다고 드러낸다. [03:25]
• 모델 순위보다 같은 조건의 성립 여부를 검증하되, 프롬프트 조정으로 조건을 가깝게 맞출 수 있다고 보여준다. [04:16]
• 사고 모드와 추론 강도 옵션이 모델마다 달라 완전한 통제가 어렵기 때문에 가능한 범위에서 낮은 설정을 적용한다. [05:01]

4. 항해 게임 프롬프트와 비교 플랫폼

• 세 모델을 실시간으로 비교하기 위해 바이브 코딩으로 자체 플랫폼을 제작했다고 보여준다. [05:23]
• 항해 게임에는 조작 키, 게임 설명, 사운드와 외부 도구 없는 단일 파일 구현 조건을 구체적으로 넣는다. [06:09]
• 이미지 레퍼런스나 외부 도구 없이 순수한 모델 생성 능력을 비교하고, 키미 K3에 맞춰 공통 추론 강도를 낮게 설정한다. [07:22]

5. 낮은 설정의 게임 결과

• GPT 5.6 결과는 공식 3D 데모보다 단순한 2D 게임에 가까웠고 다소 미완성된 인상을 보였다. [07:58]
• 페이블 5는 조작 가능한 게임을 만들었지만 공식 데모만큼 사실적이거나 화려하지는 않았다. [08:26]
• 키미 K3는 생성 도중 멈춘 결과를 내어 멀티턴으로 수정을 요청한다. [08:40]

6. 키미 K3의 긴 추론과 총비용 역전 가능성

• 키미의 추론량은 다른 모델보다 두세 배, 경우에 따라 다섯 배에서 열 배까지 늘었고 한 결과에서는 70.1K가 표시됐다. [09:04]
• 다른 모델이 0.9K와 5.5K 수준에서 끝난 사례와 달리 키미는 결국 70K까지 진행돼 큰 차이를 보였다. [09:47]
• 토큰 단가가 약 3분의 1이어도 추론을 70배 많이 하면 상황에 따라 총비용이 더 비쌀 수 있다고 지적한다. [10:16]

7. 통제 한계와 효율적인 설정 조합

• 동일 프롬프트, 단일 HTML 출력과 원샷 실행은 통제했지만 사고 모드와 추론 강도는 제공자 정책 때문에 완전히 맞추지 못했다. [11:09]
• 구현 완성도, 한글 UI, 게임 충돌 판정과 모바일 반응형 동작을 평가 기준으로 삼는다. [11:38]
• 설정을 항상 최대로 두기보다 프롬프트를 더 촘촘히 작성하면 낮은 추론 강도에서도 좋은 결과를 얻을 수 있다고 보여준다. [12:28]

8. 높은 설정의 품질과 키미의 지연

• 높은 추론 설정에서는 공식 데모의 화려한 시각 효과까지 재현하지 못해도 평가 기준에 맞는 더 정교한 게임이 완성됐다고 평가한다. [13:06]
• 키미 K3는 낮은 설정에서도 녹화 중 끝나지 않았고, 높은 설정 결과는 시간이 너무 오래 걸려 별도 녹화로 제시하기로 한다. [13:41]

9. 인테리어 프레젠테이션과 도구 사용 차이

• 아홉 장의 편집 가능한 인테리어 슬라이드를 이미지 중심으로 만들라는 간결한 프롬프트를 세 모델에 동일하게 입력한다. [15:02]
• 한 번의 시도에서는 GPT 계열 결과가 실사 이미지를 포함한 완성형 구성을 만들었지만 다른 두 모델은 색과 도형 위주로 표현해 요구 구현에 실패했다. [15:49]
• 코드 확인 결과 성공한 모델만 외부 실사 이미지 URL을 자율적으로 참고했으며, 결과 차이는 도구 사용 방식에서 비롯됐다고 분석한다. [16:51]

10. 과제 적합성과 최종 활용 원칙

• 외부 URL이나 디자인 도구를 사용하라는 지시를 프롬프트에 넣으면 다른 모델도 더 나은 결과를 낼 수 있으며, 프런티어 모델도 모든 요구를 알아서 처리하지는 않는다고 강조한다. [17:29]
• 세 가지 데모를 종합해 설정을 높일수록 결과가 더 세밀해졌지만, 절대적인 모델 순위보다 목표 과제를 달성하는 모델이 더 중요하다고 정리한다. [19:23]
• 같은 프롬프트에서도 모델과 설정에 따라 결과가 달라지므로 과제에 맞게 설정을 세분화하고 정교하게 운용하는 것이 추론 모델 활용의 지름길이라고 결론짓는다. [19:46]

🧾 결론

• 모델 비교는 명목 가격이나 순위가 아니라 과제별 결과 품질, 추론량, 생성 시간과 재작업 횟수를 함께 기준으로 삼아야 한다.
• 같은 프롬프트만으로는 공정한 비교가 완성되지 않으며, 모델마다 다른 설정과 제공자 정책까지 확인해야 한다.
• 추론 강도를 무조건 최대로 높이기보다 프롬프트의 구체성과 설정값을 조합해 목표 품질을 만드는 편이 효율적이다.
• 가장 좋은 모델은 보편적 순위가 높은 모델이 아니라 주어진 과제를 원하는 비용과 시간 안에 달성하는 모델이다.

📈 투자·시사 포인트

• AI 모델의 경제성은 토큰 단가보다 과제 완료당 총토큰, 지연 시간과 재시도 비용으로 평가할 필요가 있다.
• 저가 모델의 경쟁력은 단가 인하만이 아니라 추론 효율과 결과 일관성까지 개선할 때 강화될 수 있다.
• 모델 제공자의 설정 인터페이스와 도구 사용 능력은 같은 기반 성능을 실제 생산성으로 전환하는 핵심 차별점이 될 수 있다.
• 기업의 모델 도입에서는 단일 벤치마크보다 실제 업무 프롬프트를 사용한 과제별 비용·품질 실험이 중요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상의 결과는 각 과제를 한 번씩 시도한 시연 중심이므로 반복 실행에서도 같은 품질과 추론량 차이가 나타나는지는 확인되지 않았다.
• 모델사마다 사고 모드와 추론 강도 옵션이 달라 완전히 동일한 조건으로 통제하지 못했다고 발표자가 직접 밝혔다.
• 키미 K3의 추론량이 항상 다른 모델보다 많거나 총비용이 항상 더 비싸다는 결론은 아니며, 영상에서도 상황에 따라 달라질 수 있다고 한정했다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 실제 업무 프롬프트로 후보 모델을 반복 실행하고 결과 품질, 입력·출력·추론 토큰과 완료 시간을 함께 기록한다.
• 토큰 단가가 아니라 성공한 결과물 하나를 얻는 데 든 총비용과 재시도 횟수를 계산한다.
• 모델별 사고 모드, 추론 강도와 도구 사용 기본값을 확인한 뒤 과제에 맞는 설정 조합을 저장한다.
• 이미지나 외부 자료가 필요한 작업에는 사용 가능한 URL, 검색 또는 디자인 도구를 활용하라는 지시를 프롬프트에 명시한다.

❓ 열린 질문

• 동일 과제를 여러 번 반복했을 때 키미 K3의 추론량과 실패율은 어느 정도의 분산을 보이는가?
• 세 모델의 실제 입력·출력·추론 토큰 단가를 적용하면 성공한 결과물당 총비용은 각각 얼마인가?
• 외부 도구 사용 조건을 세 모델에 동일하게 명시하면 프레젠테이션 품질 차이가 얼마나 줄어드는가?