Modal CEO: Has Open-Source LLM Inference Peaked?

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Modal CEO는 오픈소스 LLM 추론의 정점론에 반대하며, 컴퓨팅 가격의 장기 하락을 예상하면서도 단기 공급 부족과 플랫폼 운영 역량이 비용·수익성을 좌우한다고 본다.

📌 핵심 요점

1. 오픈소스 추론의 성장은 끝나지 않았다는 입장이다. 저렴한 프런티어 모델과 중국 모델 기피가 경쟁 압력으로 작용하지만, 에릭은 전체 시장이 확대되면 공개 모델과 프런티어 모델이 함께 성장할 수 있다고 본다. 파인튜닝, 모델 통제, 지연시간·처리량 조정이 공개 모델의 수요 기반이다.
2. 토큰 판매에서 AI 개발 플랫폼으로 확장해야 한다. 추론만 제공하면 고객의 전환 비용이 낮아 가격 경쟁에 노출된다. Modal은 샌드박스, 사후학습, 강화학습, 에이전트 기능을 연결하고, 이를 함께 운영하는 기반 인프라를 차별화 요소로 삼는다.
3. GPU 사업의 핵심은 분산된 공급과 수요를 효율적으로 연결하는 능력이다. Modal은 25개 네오클라우드와 협력하고 자체 파일 시스템·컨테이너 런타임·스케줄러로 자원을 통합한다고 설명한다. 여러 고객의 불규칙한 수요를 합쳐 용량 운영의 효율을 높이고 초 단위 사용과 자동 확장을 제공한다.
4. 장기적인 가격 하락 전망이 당장의 조달 비용 하락을 뜻하지는 않는다. 에릭은 공급 부족에 따른 가격 상승이 얼마나 지속될지 확답하지 않는다. 장기로 확보한 용량을 단기로 제공하는 구조에서는 수요 예측과 조달 시점이 중요하며, 손익계산서상 흑자여도 용량 확대 때문에 현금흐름은 크게 악화될 수 있다.
5. 시장 확대와 높은 수익성은 별도로 검증해야 한다. 진행자는 추론 제공업체의 마진을 대체로 25~40%로 제시하고, 에릭은 Modal에 장기적으로 40~60% 수준의 기회가 있다고 본다. 다만 여러 인프라 계층에 수익이 배분되므로 과거 소프트웨어의 90% 이상 마진을 기대하기는 어렵다는 판단이다.

🧩 배경과 문제 정의

• AI 추론 시장이 커지면서 토큰 판매만으로는 가격 경쟁과 낮은 전환 비용을 극복하기 어렵다. 후속 학습, 샌드박스, 에이전트 도구까지 묶은 플랫폼의 차별화가 핵심 과제로 떠오른다.
• GPU 수요 증가와 공급 확보 비용은 추론 사업의 성장과 현금흐름을 동시에 좌우한다. 개별 고객의 불규칙한 수요를 모아 설비 활용도를 높이는 운영 능력이 중요하다.
• 엔비디아, 특화 칩 업체, 네오클라우드, 추론 플랫폼이 함께 성장하면서 협력과 경쟁이 겹친다. 장기적인 컴퓨팅 가격과 수익성, 공개 모델의 경쟁력에는 불확실성이 남아 있다.

🕒 시간순 섹션별 상세정리

1. 프로그래밍에 대한 애정과 뒤늦은 창업

• 에릭은 대략 1992년, 여덟 살 무렵 프로그래밍을 시작했다. 컴퓨터를 직접 제어하고 게임을 만드는 즐거움이 어린 시절 취미이자 이후 직업의 기반이 됐다. [01:42]
• 자신감 부족과 일부 자금 문제가 창업을 늦췄다. 36~37세 무렵 다른 기업이 해결하지 않는 큰 시장 기회를 발견하면서 Modal을 시작했다. [02:37]

2. 매각 보상보다 회사를 만드는 과정이 동력이다

• 창업을 고통을 견딘 뒤 큰 보상을 받는 과정으로 보는 관점에 동의하지 않는다. 어려운 대화와 해고 같은 부담은 있지만, 일상적으로 회사를 만드는 일을 즐기며 수십 년간 계속하고 싶어 한다. [03:54]
• 회사를 팔아도 다시 비슷한 회사를 만들 것이므로 매각 자체에 큰 매력을 느끼지 않는다. 일정 수준의 돈을 넘어서는 동력은 기술과 코딩, 새로운 것을 만드는 즐거움이다. [04:34]

3. 투자 유치는 높은 가격보다 관계와 희석 관리가 중요하다

• Modal은 지금까지 투자설명용 덱 없이 자금을 조달했다. 투자자와 미리 관계를 쌓아 왔으며, 최근 라운드도 약 1년 이상 대화한 상대와 조건 협상에 들어가면서 빠르게 진행됐다. [05:56]
• 초기 투자에서 기업가치를 최대화하는 것이 최선이라고 보지 않는다. 투자자는 회사에 필요한 금액보다 더 많이 투자하려는 유인이 있고, 이를 받아들이면 주주의 지분 희석이 커진다. [06:30]

4. GPU 확충으로 자본 수요와 현금흐름이 달라졌다

• Modal은 회사 운영 기간 대부분 자본 부족에 묶이지 않았고, 지난해까지는 월 수백만 달러 수준을 소진하며 운영했다. 최근에는 GPU 용량 확보 때문에 지출 구조가 달라졌다. [07:14]
• 손익계산서 기준으로는 흑자지만, GPU 확보와 공급 용량 확대에 많은 현금이 들어가 현금흐름은 상당한 마이너스다. 자본의 중요성은 커졌지만, 자본 자체를 곧바로 지속적인 경쟁우위로 규정하지는 않는다. [07:34]

5. 초기 경쟁력은 실행 속도와 일관된 브랜드에서 나온다

• 초기 스타트업은 자원 독점이나 시장 지배력 같은 구조적인 경쟁우위를 갖추기 어렵다. Snap의 사례처럼 경쟁사보다 빠르게 움직이는 것이 현실적인 생존 방식이라는 관점이다. [08:05]
• 진행자는 뛰어난 팀, 제품 의사결정 속도, 브랜드를 투자 판단의 세 요소로 꼽는다. 에릭도 브랜드 가치가 높아졌다고 보며, Modal의 개발자 경험·제품·웹사이트·시각적 정체성이 서로 연결돼 있다고 평가한다. [08:52]

6. 추론은 토큰 판매를 넘어 AI 개발 플랫폼으로 확장된다

• 추론은 새로운 클라우드에 비견할 만큼 큰 시장이 될 전망이다. 다만 추론만으로 충분하지 않으며, 후속 학습, 샌드박스, 에이전트 기능, 저지연 추론과 배치 추론을 함께 제공해야 한다는 판단이다. [11:57]
• 토큰을 돈으로 바꾸는 서비스만 제공하면 고객의 전환 비용이 낮아 가격 인하 경쟁에 빠지기 쉽다. 강화학습과 샌드박스 등 주변 기능을 결합하면 AI 애플리케이션을 만드는 데 필요한 도구 묶음을 제공할 수 있다. [12:33]

7. 수익 기회는 크지만 과거 소프트웨어의 고마진 재현은 어렵다

• 샌드박스, 에이전트 워크플로, 후속 학습과 강화학습을 추론 주변에 구축하면 장기적으로 상당한 매출총이익 기회를 만들 수 있다는 전망이다. [13:32]
• 진행자는 추론 제공업체의 마진을 대체로 25~40% 수준으로 제시한다. 에릭은 고객이 지불한 돈이 애플리케이션, 모델, 인프라, 클라우드, 엔비디아를 거치며 각 계층에 나뉘므로 과거의 90% 이상 소프트웨어 마진은 기대하기 어렵다고 본다. [13:50]

8. 시장 세분화와 제품군 확대는 함께 진행된다

• 추론 시장은 에릭의 예상보다 10배 또는 100배 클 만큼 커졌다. 저지연·고지연 처리, 미세조정과 후속 학습, 자원 사용을 줄이는 신기술과 새로운 하드웨어 등으로 전문화될 여지가 크다는 전망이다. [15:06]
• 전문화는 제품별로 일어나므로, 하나의 플랫폼이 여러 전문 제품을 제공하는 전략과 양립할 수 있다. 고객은 용도마다 저지연 추론, 배치 추론, 샌드박스, 자체 모델 사전학습 등 서로 다른 기능을 필요로 한다. [15:41]

9. GPU 공급과 고객 수요를 모아 하나의 용량 풀로 운영한다

• GPU 조달에는 여러 공급업체와 직접 거래하는 역량이 필요하다. Modal은 25개 네오클라우드와 협력하며, 고객 대신 공급을 확보하고 여러 공급원의 용량과 고객 수요를 효율적으로 연결하려 한다. [16:33]
• Kubernetes와 Docker 대신 자체 파일 시스템, 컨테이너 런타임, 스케줄러 등을 구축해 분산된 컴퓨팅 자원을 하나의 큰 풀처럼 다룬다. 수천 유료 고객의 개별 수요는 불규칙해도 전체를 합치면 상대적으로 매끄러워져 효율적인 운영이 가능하다. [17:30]

10. 수요 예측과 장기 확보·단기 제공의 조합으로 GPU를 조달한다

• GPU 조달에는 현재 3~4개월의 리드타임이 걸린다. Modal은 다양한 고객의 합산 수요를 바탕으로 선형 또는 지수적으로 추세를 연장하며, 지난 12개월의 월 30~40% 성장률을 적용해 몇 달 뒤 필요한 용량을 현재의 2~3배로 예상하고 확보한다. [19:15]
• GPU 공급이 완전히 끊긴 시장이라고 보지는 않는다. 엔비디아가 계속 대량 공급하고 있으며, 가격은 올랐지만 다른 구매자보다 높은 가격을 지불하면 상당한 물량을 확보할 수 있다는 판단이다. [19:46]

11. 컴퓨팅 가격은 장기 하락을 예상하지만 시점은 불확실하다

• H100을 포함한 GPU 가격이 앞으로 어떻게 움직일지에 대해 에릭은 확실한 예측을 내놓지 못한다. [20:31]
• 장기적으로 하드웨어 가격은 내려가겠지만, 현재는 공급 부족 때문에 가격이 상승했다. 상승세가 앞으로 1년, 2년 또는 5년 더 이어질 수도 있으며, 공급이 수요를 따라잡는 시점은 불확실하다. [20:44]

12. 잠재 수요는 크지만 수익화 지연이 제약이 될 수 있다

• 진행자는 Instinct에서 100개가 넘는 자동화를 사용하며 컴퓨팅 소비가 크게 늘었다고 한다. 접근성과 활용도가 높아질수록 사용량이 더 커지는 제번스의 역설이 수요 확대의 사례로 드러난다. [21:14]
• 에릭은 시장이 아직 초기이며 잠재 수요가 매우 크다고 본다. 다만 금리 상승과 데이터센터 건설 속도가 새로운 자본 제약이 될 수 있고, 이런 제약이 과잉 투자를 막을 가능성도 있다. 향후 5년간 과잉 공급이 어렵다는 견해에는 대체로 동의한다. [21:44]

13. 엔비디아의 강점은 CUDA 자체보다 축적된 생태계에 있다

• 엔비디아의 성장과 특화 칩 업체의 성장은 동시에 가능하다는 전망이다. 시장이 커지면 엔비디아뿐 아니라 Cerebras, Etched 같은 업체의 전문 하드웨어에도 수요가 생길 수 있다. [23:06]
• CUDA 자체의 경쟁우위는 과장됐다고 보지만, 엔비디아를 우선 지원하는 생태계는 강력하다. 커널 최적화, PyTorch와 오픈소스 추론 엔진의 지원이 엔비디아에 집중돼 있다. [23:41]

14. 네오클라우드는 공급 파트너이자 경쟁자이며 금융 역량이 핵심이다

• 네오클라우드는 Modal의 공급 파트너인 동시에 추론 계층으로 진출하는 경쟁자다. 에릭은 Nebius 등 상위 업체의 확장 시도를 인정하면서도, 본업을 잘 수행하며 다른 시장까지 공략하기는 어렵다고 본다. [24:39]
• Modal이 5년간 구축한 파일 시스템, 컨테이너 런타임, 스케줄러는 쉽게 복제하기 어렵다는 판단이다. 분당 수백만 개의 샌드박스 배치, 수천 GPU의 확장과 축소, 수십만 작업의 동시 실행에는 복잡한 엔지니어링이 필요하다. [25:25]

15. 저렴한 프런티어 모델이 공개 모델의 차별화에 질문을 던진다

• Haiku와 Anthropic의 최신 모델이 높은 성능을 낮은 가격에 제공하면서, 프런티어 모델이 비슷하게 저렴하고 효율적일 때 공개 모델이 어떤 이점을 갖는지가 쟁점이 된다. [26:58]
• 에릭은 오픈소스에서도 앞으로 계속 우수한 모델이 나올 것이라는 전망을 유지한다. [27:13]

16. 오픈소스의 수익화와 지역별 모델 생태계

• 오픈소스 모델의 라이선스 수익화는 모델이 만드는 가치를 회수하고 다음 모델의 학습 자금을 확보하는 데 도움이 될 수 있다. 파인튜닝과 모델 통제, 지연시간·처리량 조정을 원하는 수요도 오픈소스의 역할을 지탱한다. [27:18]
• 유럽이 경쟁력 있는 모델을 만들 수 있을지는 불확실하다. 중국의 인적 자본 축적과 미국의 대규모 자금 조달 능력에 비해, 유럽은 대규모 자본을 모으는 데 어려움이 있다는 평가다. [28:08]

17. 기능별 전문 모델의 성장 가능성과 브랜드 가치

• 추론 시장이 커지면 분류·회귀처럼 특정 기능에 특화된 모델도 충분한 시장을 확보할 수 있다. 시장 규모의 확대가 모델의 기능별 분화를 뒷받침한다는 논리다. [29:52]
• 전문 추론 모델 기업이 1,000억 달러 규모로 성장할 가능성은 있다는 입장이다. 브랜드·커뮤니티·독자적인 시각적 정체성을 중요한 자산으로 평가하며, 85억 달러 가치평가에서도 투자했을 것이라고 답하지만 인수와 상장 중 어떤 결과로 이어질지는 열어 둔다. [30:37]

18. 창업자의 직접 소통을 통한 초기 고객 확보

• Modal 초기 성장에는 창업자가 Twitter에서 제품 개발 내용을 공유하고 잠재 고객에게 직접 사용을 권한 활동이 크게 기여했다. 이런 접촉 중 일부는 엔젤 투자와 지지 관계로 이어졌으며, 회사마다 자신에게 맞는 고객 확보 방식을 찾아야 한다는 경험이다. [31:43]
• 진행자는 팔로어 5만 명에 도달하기 전까지 새 팔로어에게 개인 감사 메시지를 보냈고, 밤마다 50~100건을 작성했다고 보여준다. 개인화된 접촉이 다음 날 직장 내 추천과 청취자 유입으로 이어지는 고객 확보 방식이었다. [32:24]

19. 종합 플랫폼의 야심과 자원 배분의 제약

• Modal의 제품 목표는 AI 애플리케이션 개발에 필요한 기능을 플랫폼 안에서 폭넓게 제공하는 것이다. 고객 경험을 개선하려면 제품뿐 아니라 현장 엔지니어와 영업 인력을 늘려, 고객의 산업과 작업에 맞는 사례와 지원을 직접 제공해야 한다는 판단이다. [33:08]
• 여러 전문 영역으로 확장하면 자원이 분산되고 기존 전문 업체들과 경쟁해야 한다는 반론이 따른다. 다중 제품 전략에서는 모든 일을 동시에 추진할 수 없으며, 두 번째·세 번째 제품으로 확장하는 시점을 엄격히 정해야 한다. [33:53]

20. 샌드박스의 급성장과 인프라 제품의 수요 발생 시차

• 2023년 출시한 샌드박스는 초기 매출 기여가 작았지만, 2025년 여름 모델의 코드 생성과 앱 제작 능력이 좋아지면서 급성장했다. 현재 연환산 매출은 3억 달러로, Modal 매출의 약 3분의 1이라는 설명이다. [34:42]
• 인프라 제품은 개별 요청을 그대로 구현하기보다 여러 작업에 쓰일 기본 구성 요소를 제공해야 한다는 접근이다. 2021년 출시한 서버리스 함수는 2023년 생성형 AI 추론에서, 2023년 출시한 샌드박스는 2025년에 본격적인 수요를 얻었다. [35:53]

21. 오픈소스 추론에 대한 뒤늦은 투자와 정점론 반박

• 오픈소스 LLM 추론을 가격 경쟁이 심한 범용 시장으로 보고 초기에 충분히 투자하지 않은 점을 아쉬워한다. DeepSeek 등장 이후 전담 인력을 1~2명에서 12개월 뒤 약 30명으로 늘렸고, 현재 상위 3개 제공업체 중 하나가 됐다는 설명이다. [37:52]
• 프런티어 업체의 저가 공급과 미국 기업의 중국 모델 기피 때문에 오픈소스 추론이 정점에 도달했다는 주장에는 동의하지 않는다. 시장을 고정된 크기로 볼 필요가 없으며, 오픈소스와 프런티어 모델 양쪽 모두 향후 12개월 동안 5배·10배·20배 규모로 성장할 수 있다는 강한 전망이다. [38:19]

22. Modal의 매출 성장과 가치평가에 대한 기대

• 매출 10억 달러 도달에 이어 지난 12개월 동안 50배 성장했고, 현재도 매달 30~40%씩 성장한다는 설명이다. 향후 규모를 확답하지는 않으며, 시장이 커지면 성장 속도가 둔화할 가능성도 인정하지만 제시된 40억 달러보다 훨씬 높은 수준을 바란다. [39:45]
• 150억 달러 가치평가가 저렴하다는 판단은 앞으로의 성장 기대에 근거한다. AI 애플리케이션과 컴퓨팅 수요가 크게 늘고, 애플리케이션을 실행할 인프라 시장도 거대해질 것이라는 낙관론이다. [40:11]

23. 학습 제품과 인접 인프라로의 확장

• 새로 출시한 학습 제품이 향후 6~12개월 안에 연환산 매출 1억 달러에 도달하기를 기대한다. 사후학습과 배치 작업 외에도 데이터 웨어하우징, 데이터베이스, 워크플로 오케스트레이션, 피처 스토어와 벡터 데이터베이스를 유망한 인접 영역으로 본다. [41:04]
• CI, 에이전트 하네스, 모델 학습 등 확장 아이디어는 많지만, 한 번에 적절한 한두 가지에만 집중해야 한다는 입장이다. 서로 연결되는 제품 기회가 많다는 사실이 우선순위 설정의 필요성을 없애지는 않는다. [41:31]

24. 사후학습의 강점과 긴 피드백 주기의 한계

• 사후학습은 결과를 비교적 명확하게 평가할 수 있는 작업에서 효과적이다. 코딩은 샌드박스에서 코드를 실행해 강화학습의 피드백을 얻을 수 있고, 보안·Lean을 활용한 수학·일부 법률 업무에도 평가 가능한 과제가 있다는 설명이다. [42:45]
• 피드백을 얻기까지 오래 걸리는 업무에도 같은 방식이 통할지는 불확실하다. 에이전트가 하루나 일주일 안에 수행하는 작업은 자동화될 가능성이 크지만, 더 긴 주기로 일하는 엔지니어의 업무에서는 강화학습이 한계에 부딪힐 수 있다. 다만 사람이 6개월 걸리는 작업까지 학습할 수 있게 될 가능성도 배제하지 않는다. [43:35]

25. 생산성 향상이 소프트웨어 엔지니어 수요에 미치는 영향

• 프로그래밍 언어·클라우드·프레임워크가 개발자를 효율적으로 만들 때마다 소프트웨어 수요도 증가했다는 경험에 근거해, 소프트웨어 엔지니어링의 미래를 낙관한다. 여전히 소프트웨어를 필요로 하는 영역이 많다는 판단이다. [44:16]
• 엔지니어의 핵심 역할은 영어를 코드로 바꾸는 데 그치지 않고, 사람의 요구를 이해해 프로세스와 워크플로로 구체화하는 것이다. 에이전트 사용도 개발 도구의 추상화 수준이 높아지는 변화의 연장선으로 보며, 향후 10~20년의 직업 전망을 긍정적으로 평가한다. [44:41]

26. 코딩 에이전트 지출과 효율 개선에 따른 수요 확대

• Modal의 코딩 에이전트 지출은 월 약 50만 달러이고 엔지니어는 150명이라는 설명이다. 지출을 더 늘려야 한다는 진행자의 의견에는 확답하지 않지만, CEO 자신을 포함한 엔지니어들이 에이전트를 적극적으로 사용한다고 드러낸다. [45:26]
• 에이전트의 효율이 높아져 비용이 내려가면 매출이 줄 수 있다는 우려에 대해, 더 많은 엔지니어링 업무와 새로운 사용처를 흡수하면서 수요가 증가할 것으로 본다. 더 강력하고 효율적인 컴퓨팅이 새로운 활용을 만들어 온 과거 경험에 근거한 전망이다. [46:10]

27. 학습 데이터·환경 사업의 현금흐름과 장기 지속성

• 프런티어 연구소에 학습 환경과 데이터를 판매하는 사업, 특히 코드 실행 환경에는 현재 큰 수요와 수익 기회가 있다는 평가다. 다만 지금 돈을 잘 번다는 사실만으로 장기적인 벤처 성장 경로가 적합하다고 보지는 않으며, 먼 미래의 수익성은 불확실하다고 선을 긋는다. [47:20]
• 데이터 판매 업체가 배포·구현·평가·모니터링까지 지원하는 방향으로 확장하면 마진과 장기적인 사업 기반을 강화할 수 있다는 논리다. 그럼에도 장기적으로는 어려운 사업이 될 수 있으며, 현재 데이터셋 판매의 좋은 현금흐름과 구분해서 판단해야 한다. [48:09]

28. 자체 모델 보유의 효용과 범용 플랫폼의 역할

• 모든 기업이 자체 지능을 보유해야 하는 것은 아니다. 특정 용도에서는 오픈소스 모델을 파인튜닝해 좋은 성능을 얻고, 기반 모델의 변경이나 제공 중단에 대한 우려를 줄이면서 일관되게 개선할 수 있다는 장점이 있다. [49:16]
• 모델 소유 여부는 여러 선택 기준 중 하나다. 지연시간·비용·성능·수정 용이성·인접 서비스의 폭도 중요하므로, 자체 모델 보유만을 보편적인 정답으로 삼기는 어렵다. [49:58]

29. 모델 라우팅의 현재 사업성과 장기 플랫폼 통합 가능성

• 모델 라우팅은 현재 독립 제품으로도 성공할 수 있지만, 장기적으로는 더 종합적인 플랫폼의 일부가 돼야 할 가능성이 있다는 판단이다. 기업은 라우팅 외에도 평가·파인튜닝·지연시간·처리량에 대한 통제를 함께 원하기 때문이다. [51:53]
• OpenRouter에 대해서는 성장률·매출·강한 브랜드와 빠르게 커지는 시장을 근거로 독립적으로 더 성장할 여지가 있었다고 본다. 인수 제안을 받는 상황에서도 계속 사업을 이어가라고 권했을 것이라는 입장이다. [52:39]

30. AI 시장의 조정 가능성과 장기 낙관론

• AI의 빠른 성장 과정에서 주식시장이 20~30% 하락하고 비관론이 커지는 조정이 올 것으로 거의 확신한다. 다만 이는 발생한 사건이 아니라 향후 전망이며, 그런 조정 이후에도 장기적인 기회가 매우 크다는 낙관론을 유지한다. [53:45]

31. 창업자의 구주매각과 직원 지분의 실질적 가치

• 개인적으로 필요한 돈이 많지 않고 이미 충분하다고 느껴 구주매각은 거의 하지 않는다는 설명이다. 반면 직원의 구주매각은 지지하며, 직원 지분의 가치를 높이고 채용 후보자에게도 지분이 단순한 종이상의 돈이 아니라 실제 금전적 가치가 있음을 보여주는 일이 중요하다고 본다. [54:18]
• 직원 지분의 구주 매각에 선례와 한도를 두면 지분을 실질적인 보상 수단으로 만들 수 있다. 매각 허용량으로 최대 10% 같은 기준을 제시하되, 직원이 회사 성공에 충분한 이해관계와 동기를 유지하도록 과도한 매각을 제한해야 한다. [54:54]

32. 벡터 데이터베이스와 샌드박스의 성장 가능성, 자금 의존의 위험

• 선호하는 엔젤 투자처로 벡터 데이터베이스 기업을 꼽는다. 현재 사업은 전문화된 영역이지만, 데이터베이스·데이터 웨어하우스·다양한 질의 시스템 등 인접 분야로 확장하면 큰 시장이 될 가능성이 있다고 본다. [57:10]
• 최근 12개월 동안 가장 크게 바뀐 판단은 샌드박스 시장의 규모다. 매출 성장이 멈출 것으로 거듭 예상했지만 계속 증가하면서, 시장이 예상보다 훨씬 크게 성장했다고 평가한다. [57:39]

33. 자녀에게 필요한 적절한 독려와 꿈을 추구하는 문화

• 좋은 부모의 역할은 자녀가 인생에서 성공할 기반을 마련해 주는 것이다. 경험할 기회를 충분히 주지 않아 생길 후회와 지나친 강요로 생길 후회 사이에서 균형을 잡아야 하며, 피아노처럼 당장은 좋아하지 않아도 나중에 가치를 느낄 수 있는 활동은 어느 정도 독려할 필요가 있다고 본다. [58:59]
• 자신의 부모는 수학과 프로그래밍에 몰두하는 모습을 보고 밖에서 다른 아이들과 놀라고 할 만큼 자율적으로 대했다. 부모가 더 밀어줬으면 하는 생각도 있지만, 스스로 충분히 강하게 몰입했기 때문에 큰 차이는 없었을 것이라고 회고한다. [59:40]

34. AI 신약 개발에 대한 기대와 실현까지의 시간

• AI 신약 개발을 특히 기대되는 응용 분야로 꼽으며, 더 오래 건강하게 살고 싶다는 개인적 바람과 연결한다. AI가 설계한 약을 직접 복용할 수 있는 미래에 강한 기대를 드러낸다. [1:01:15]
• 그런 미래가 현실적이라고 보지만, FDA 등 관련 절차 때문에 실현에는 시간이 걸릴 것으로 예상한다. 다만 현재 AI를 활용한 약물 설계에서 상당한 진전이 이뤄지고 있다는 점에는 낙관적이다. [1:01:37]

🧾 결론

• 오픈소스 추론 정점론에 대한 반박은 전체 시장의 확대와 모델 통제·맞춤화 수요에 근거한다. 향후 성장 배수는 인터뷰이의 전망이다.
• Modal의 전략은 추론을 중심으로 여러 개발 도구를 연결하고, 공통 인프라와 운영 기술로 경쟁력을 쌓는 것이다. 제품 확장의 속도와 자원 배분이 실행의 관건이다.
• 컴퓨팅 가격은 장기 하락 가능성과 단기 공급 제약을 함께 봐야 한다. 가격 방향만으로 사업성을 판단하기보다 활용도, 계약 기간, 고객 수익화와 현금흐름을 함께 살펴야 한다.

📈 투자·시사 포인트

• 매출 성장과 현금 창출을 함께 확인해야 한다. GPU 용량 확보가 선행되는 사업에서는 회계상 이익이 나도 현금이 부족할 수 있다. 공급 확대에 필요한 자금과 후속 투자 의존도가 중요하다.
• 플랫폼 확장의 성과는 고객 사용에서 확인해야 한다. 샌드박스·학습·추론을 함께 쓰는 고객이 늘어나는지, 제품 결합이 유지율과 수익성 개선으로 이어지는지가 관찰 지점이다.
• 엔비디아와 특화 칩의 성장은 양립할 수 있다. 에릭은 엔비디아를 우선 지원하는 최적화·소프트웨어 생태계를 강점으로 보면서도, 시장 확대가 전문 하드웨어의 수요를 만들 수 있다고 본다.
• 효율 개선에 따른 사용량 확대에는 고객의 수익화가 필요하다. 비용 하락이 새로운 활용을 유도할 수 있지만, GPU를 사용하는 기업의 매출 발생이 늦어지면 인프라 수요와 자금 조달에도 제약이 생길 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• GPU·컴퓨팅 가격이 하락하는 시점은 제시되지 않았다. 공급 부족이 1년, 2년 또는 5년 더 이어질 수 있다는 발언은 불확실성을 설명하는 예시다.
• 공개 모델과 프런티어 모델의 향후 12개월 성장 배수, Modal의 장기 마진과 신규 학습 제품 매출 목표는 전망이며 확정 실적이 아니다.
• Modal의 매출 규모·성장률·샌드박스 연환산 매출·시장 순위는 제공된 인터뷰 요약에 담긴 설명이다. 원문 발언과 산정 기준, 측정 기간, 매출과 연환산 매출의 구분을 확인필요가 있다.
• 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

• 인터뷰의 매출·성장률·마진 수치마다 실적과 목표, 측정 기간, 지표 정의를 구분해 기록한다.
• 추론 서비스 비교 시 토큰 가격과 함께 파인튜닝, 샌드박스, 지연시간·처리량 조정, 모델 변경 가능성을 점검한다.
• GPU 사업 분석에 조달 리드타임, 공급 계약 기간, 고객 이용 기간, 활용도, 현금 지출을 함께 반영한다.
• 오픈소스 성장론을 점검할 때 저가 프런티어 모델과 비교한 성능·총비용·통제 요구를 용도별로 확인한다.

❓ 열린 질문

• 프런티어 모델의 가격이 더 내려가도 공개 모델의 통제·맞춤화 이점은 어느 용도에서 충분한 구매 이유가 될까?
• 장기로 확보한 GPU 용량과 단기 고객 수요 사이의 차이를 수요 둔화 국면에서도 안정적으로 관리할 수 있을까?
• 샌드박스와 학습 제품의 성장은 추론 가격 경쟁을 상쇄할 만큼 지속적인 수익성을 만들 수 있을까?