OpenRouter State Of Models: Jev, Open-Weights, and Tokenomics

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

OpenRouter의 모델 동향은 오픈 웨이트와 Jev를 조합해 성능을 유지하면서 토큰 지출의 실질 가치를 높이는 토크노믹스가 중요해지고 있음을 보여준다.

📌 핵심 요점

1. 발표자는 OpenRouter의 주간 토큰 사용량 급증을 AI 수요 확대의 신호로 해석하지만, 더 많은 토큰이 더 많은 유용한 작업으로 이어지는지 따져야 한다고 강조한다.
2. OpenRouter에서는 오픈 웨이트 모델이 두드러지지만, 제공사 직접 트래픽과 구독 사용량이 빠져 있어 전체 AI 시장의 승자를 판단하기에는 한계가 있다.
3. DeepSeek, Gemini Flash, OpenAI Luna 등은 성능·속도·비용의 균형을 갖춘 실무용 모델로 소개된다. 발표자는 최고 성능 모델로 문제를 먼저 해결한 뒤 반복 작업을 저렴한 모델로 옮기는 방식을 제안한다.
4. Jev는 언어 모델과 함께 사용하는 범용 제로샷 분류·의사결정 모델로 소개된다. 발표자는 PI 코딩 에이전트에 통합해 약 20%의 토큰 지출을 절감했다고 보고하지만, 일반화할 검증 자료는 제시하지 않는다.
5. 에이전트 하네스를 직접 수정하면 모델 조합과 도구 호출을 최적화할 수 있다. 무료 모델의 가격 매력과 데이터 처리 조건도 함께 검토해야 한다는 것이 발표자의 주장이다.

🧩 배경과 문제 정의

발표자는 2026년 4분기에 접어드는 시점의 AI 모델 생태계를 OpenRouter 통계로 살펴본다. Jev와 유사 모델의 등장, 오픈 웨이트 모델의 확산, 토큰 사용량 증가를 연결해 엔지니어가 사용할 수 있는 지능을 어떻게 선택하고 조합할지 설명한다.

핵심 문제는 토큰을 많이 소비하는 것이 실제 작업 가치로 이어지는지, 그리고 성능을 유지하면서 비용과 시간을 줄일 수 있는지다. 영상은 토큰 성장, 모델 경쟁 구도, Jev라는 분류 모델, 무료 토큰, 코딩 에이전트 사용 동향의 다섯 흐름을 다루며, OpenRouter 통계의 범위와 편향도 반복해서 언급한다.

🕒 시간순 섹션별 상세정리

1. 모델 동향을 살펴보는 목적

• Jev 시스템 1 모델과 유사 모델의 등장에 맞춰, 사용할 수 있는 AI 모델과 성능·속도·비용의 균형을 이해하자는 목표를 제시한다. [00:24]
• OpenRouter로 다섯 가지 흐름을 살펴보겠다고 예고하고, 첫 번째 흐름을 토큰 사용량 증가로 제시한다. 이어 에이전틱 엔지니어링 제품의 사전 등록을 안내한다. [01:03]

2. 토큰 사용량 증가와 경제적 가치

• 발표자는 OpenRouter 주간 사용량이 약 1년 전 4.5조 토큰에서 최근 146조 토큰으로 늘었다고 설명하며, 이를 강한 수요의 신호로 해석한다. [01:42]
• 저렴하고 지능적인 토큰에 접근할수록 활용 사례가 늘어난다고 주장한다. 토큰을 경제적으로 더 가치 있게 사용하는 방법을 토크노믹스로 보여준다. [02:05]

3. Anthropic의 기업 가치와 성장 가정

• Anthropic 모델이 OpenRouter 상위권에 적게 보이는 이유를 플랫폼 밖 트래픽이 집계되지 않기 때문이라고 설명하고, 2조 달러 IPO 목표와 약 500억 달러 손실을 언급한다. [02:23]
• 사용량 증가가 계속된다면 2028년 말 연환산 반복 매출 2,000억 달러라는 전망을 달성할 수 있다는 논리를 제시한다. 이는 발표자가 소개하는 조건부 전망이다. [02:57]
• 성장 지속 여부에 따라 낙관론과 IPO 약세 시나리오가 갈릴 수 있다고 말하며, 자신은 낙관적인 쪽에 가깝다고 드러낸다. [03:30]

4. 토큰 소비와 생산성의 구분

• 엔지니어에게 토큰 지출 증가가 유용한 작업 증가 때문인지, 비효율적인 사용 때문인지 질문한다. 저렴한 모델을 쓰면서 자신의 시간과 업무 성능을 희생할 수 있다고 지적한다. [04:13]
• Jev의 사용량 증가를 언급하면서도 토큰을 많이 쓰는 것 자체가 가치나 진전을 뜻하지는 않는다고 강조한다. [04:38]
• 코드 생성은 소프트웨어 엔지니어링에서 쉬운 부분이라는 견해를 밝히고, 급격한 소비보다 꾸준하고 유용한 컴퓨트 확대를 선호한다고 드러낸다. 이어 어떤 제공사가 AI 경쟁에서 앞서는지 묻는다. [05:06]

5. OpenRouter 상위권과 Gemini Flash

• OpenRouter 점유율에서 오픈 웨이트가 두드러지고, DeepSeek·Google·OpenAI가 반복적으로 상위권에 나타난다고 보여준다. [05:42]
• Google이 경쟁에서 밀렸다는 주장에 동의하지 않으며, Gemini Flash를 유용한 실무용 모델로 평가한다. 자신의 PI 코딩 에이전트 기본 모델로 Gemini 3.8 Flash를 쓰는 이유를 성능·속도·비용의 균형으로 보여준다. [06:19]

6. 실무용 모델 구간의 경쟁

• A급 실무용 모델 구간의 경쟁이 치열해지고 사용 가능한 컴퓨트가 늘었다고 보여준다. Luna가 OpenAI의 OpenRouter 사용량에 크게 기여한다고 평가한다. [06:51]
• DeepSeek·Gemini·Luna 등을 유용한 작업을 수행할 수 있는 균형점에 있는 모델로 소개하고, 통계가 OpenRouter를 통과한 트래픽만 추적한다는 점을 재차 강조한다. [07:15]

7. 직접 트래픽을 고려한 점유율 해석

• Anthropic의 연환산 매출을 약 600억 달러로 가정하고, 전부 Opus 5.5 토큰 매출이라면 얼마나 많은 토큰에 해당할지 사고실험을 진행한다. [07:53]
• 하루 65.2조, 주간 약 450조 토큰이라는 추산을 제시하지만, 실제로 모든 매출이 Opus 토큰에서 나오는 것은 아니라고 인정한다. 이 계산은 실측 사용량이 아니다. [08:25]
• 제공사의 직접 트래픽과 기업 고객 수요가 크므로 OpenRouter 점유율만 믿어서는 안 된다고 주장한다. 플랫폼 통계는 개인 엔지니어와 중소기업 수요를 많이 반영한다는 해석을 덧붙인다. [09:00]

8. 여러 모델이 함께 만드는 발전

• 전체 지출이 늘어나는 상황에서는 특정 연구소 하나보다 여러 참여자가 성장한다고 본다. 선도 연구소는 성능 발전에, 중국의 오픈 웨이트 모델은 접근 비용 하락에 기여한다고 보여준다. [09:46]
• 선도 모델의 증류와 비용 하락·지능 향상을 연결하며 엔지니어에게 유리한 순환이라고 평가한다. 이어 Jev를 통해 제로샷 분류 모델이 다시 주목받는다고 보여준다. [10:26]

9. Jev의 성장과 범용 분류 능력

• Jev의 사용량을 약 2.68조 토큰, 증가율을 약 200%로 보여준다. 에이전트 안에서 언어 모델보다 적은 토큰을 사용하면서도 해당 주 12위에 올랐다는 점을 강조한다. [11:04]
• Jev의 확장성과 가동 안정성을 높이 평가하고, 촬영 중 Claude 장애가 있었다는 경험과 비교한다. 이러한 평가는 발표자의 관찰에 기반한다. [11:56]
• 충분한 학습 데이터가 있으면 작은 모델이 특정 작업에서 Jev를 앞설 수 있지만, 다양한 상황에 적용되는 범용 제로샷 분류 능력까지 대체하기는 쉽지 않다고 주장한다. [12:20]

10. PI 통합 실험과 모델 조합

• Jev를 PI 코딩 에이전트에 통합해 벤치마크 중이라고 보여준다. 비교 화면에는 비용만 나타나며 속도 항목을 추가해야 한다고 드러낸다. [12:48]
• 약 40만~50만 입력 규모의 비교 사례에서 약 5센트, 비율로는 약 20%를 절감했다고 보고한다. Sonnet 5.5와 함께 사용한 실험이라고 보여준다. [13:07]
• 분류 모델을 기존 언어 모델과 에이전트에 결합하는 접근을 강조한다. 한 모델을 고르기보다 적절한 시점에 여러 모델을 조합하자는 메시지를 제시한다. [13:42]

11. 의사결정 모델과 운영 품질

• OpenRouter에 분류 모델을 위한 decisions 범주가 생겼다고 소개하고, Jev의 선택 없음 점수와 향후 모델 확장 계획을 긍정적으로 평가한다. [14:15]
• 일관된 지연시간과 신뢰성을 Jev의 강점으로 꼽는다. PI에 통합해 에이전트가 빠르게 판단하도록 하고 있으며, 약 20%의 토큰 지출 절감을 추정한다고 드러낸다. [15:03]
• 분류 모델을 일반 코드뿐 아니라 에이전트에도 넣어 실험하고 도구를 함께 사용하라고 권한다. 다음 주제로 무료 토큰을 보여준다. [15:21]

12. 무료 모델의 가격 매력과 데이터 우려

• Space Bunny Alpha가 차기 MiniMax 모델이라는 소문을 보여준다. 무료 모델 제공사가 프롬프트를 보관·이용할 것이라는 의심을 밝히지만, 이를 입증하는 자료는 제시하지 않는다. [15:58]
• 해당 모델의 높은 순위를 언급하며, 성능을 유지하면서 토큰 가격이 내려갈수록 활용 사례와 사용량이 늘어날 것이라고 해석한다. [16:33]
• 자신은 독점적인 업무 정보를 제공하기보다 비용을 지불하는 편을 선호한다고 드러낸다. 저렴한 모델 출시가 관심과 사용량을 빠르게 끌어올린다는 점도 강조한다. [17:20]

13. 가격 민감도와 통계의 편향

• 데이터 제공자, 통계 출처, 사용자 특성을 이해해야 한다고 강조한다. OpenRouter에는 가격을 우선하는 사용자가 많다는 해석을 제시한다. [17:56]
• 최고 성능을 원하는 이용자와 저가 모델 이용자를 구분하고, 향후 Haiku가 실무용 모델과 경쟁하려면 가격 경쟁력이 필요하다는 의견을 드러낸다. 구체적인 가격 전망은 기대와 추정이다. [18:44]
• 저렴하면서 가치를 제공하는 제품에는 사용자가 모이지만 제공사는 토큰으로 수익을 내야 한다고 지적한다. 이어 OpenRouter를 통과하는 주요 애플리케이션을 살펴본다. [19:17]

14. PI 사용량과 하네스 소유의 의미

• PI가 Claude Code의 OpenRouter 사용량을 따라잡는 흐름을, 코딩 에이전트를 직접 수정하고 통제하려는 수요의 신호로 해석한다. PI의 추월을 예상하지만 Claude Code의 직접 구독 사용량은 통계 밖에 있다고 보여준다. [20:24]
• 오픈 웨이트 모델의 로컬 실행 확대를 기대하며, 512 통합 메모리 Mac Studio에서 실행 가능한 모델을 벤치마크할 계획을 보여준다. 다른 코딩 도구와 비교하면서 PI의 단순함과 수정 가능성을 선호한다고 드러낸다. [21:09]
• 하네스에 Jev 도구를 추가하면 실행하는 에이전트마다 약 20%의 토큰 지출을 절감할 수 있다고 주장한다. 필요한 시간과 투자를 고려해도 하네스를 직접 소유할 가치가 있다는 견해로 정리한다. [22:05]

15. 시장 성장과 금융 위험의 구분

• 특정 제공사나 오픈·폐쇄형 모델 중 하나만 이기는 상황이 아니라 시장 전체가 커지고 있다고 주장한다. 말미에는 4.5조에서 445조 토큰, 약 80배 증가를 언급해 초반 수치와 차이를 보인다. [22:29]
• Anthropic과 OpenAI의 IPO에 대한 기대가 금융시장에 얼마나 영향을 미치는지 질문한다. AI 기술의 유용성을 강조하면서도 금융 측면의 거품 위험을 제기한다. [23:17]
• Jev 같은 의사결정 모델이 새로운 선택지를 넓힌다고 평가한다. 엔지니어에게 중요한 것은 이러한 선택지로 컴퓨트를 유용하게 확대하는 것이라고 드러낸다. [23:44]

16. 반복 작업 최적화와 마무리

• 먼저 최고 성능 모델로 문제를 해결하고, 반복해서 수행해야 할 때 더 저렴하고 빠른 모델로 옮기는 방식을 보여준다. 자신의 모델 스택을 갱신하고 작업별 성능·속도·비용을 비교하겠다고 드러낸다. [24:31]
• 분류·의사결정 등 전문 모델이 더 등장할 것으로 예상한다. Jev를 이용한 모델·에이전트·워크플로 라우팅과 토크노믹스 관리를 강조하고, 아웃루프 에이전틱 엔지니어링을 중요한 기회로 제시한다. [25:21]
• 마지막에는 에이전틱 엔지니어링 제품의 사전 등록과 선택형 설문을 안내하고, 11월 말~12월 초 출시 계획을 언급한다. 시청자에게 집중해서 계속 만들라는 인사로 마친다. [26:05]

🧾 결론

• 모델 선택의 기준은 순위나 단가만이 아니라 실제 작업의 성능·속도·비용 균형이다.
• Jev 같은 분류·의사결정 모델을 언어 모델과 결합하면 에이전트의 반복적인 판단 비용을 줄일 가능성이 있다.
• 토큰 사용량 증가는 수요의 신호지만, 생산성 향상이나 제공사의 수익성을 자동으로 입증하지는 않는다.
• 발표자는 특정 연구소의 독주보다 다양한 모델의 발전과 비용 하락이 엔지니어에게 더 많은 선택지를 제공한다고 본다.

📈 투자·시사 포인트

• OpenRouter의 사용량과 점유율은 해당 플랫폼을 통과하는 수요를 보여준다. 제공사 전체 매출이나 기업 고객 수요와 동일하게 해석하기 어렵다.
• 저렴하면서 유용한 모델은 사용량을 확대할 수 있지만, 무료·저가 수요가 지속 가능한 매출로 전환되는지는 별도로 확인해야 한다.
• Anthropic의 IPO 가치와 매출 전망에 관한 발표자의 논리는 사용량 성장 지속을 전제로 한다. 영상에 등장하는 재무 수치는 확인된 공시 자료로 제시되지 않는다.
• 발표자는 AI 기술의 유용성과 IPO 기대에 따른 금융시장 위험을 구분한다. 기술 수요가 늘어도 기업 가치와 수익성에 관한 질문은 남는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 토큰 수치가 영상 내부에서 일치하지 않는다. 초반에는 전년 주간 4.5조에서 최근 146조로 증가했다고 하지만, 말미에는 445조와 약 80배 증가를 언급한다. 동일한 기간·집계 범위인지 확인해야 한다.
• Anthropic의 2조 달러 IPO 목표, 약 500억 달러 손실, 약 600억 달러 연환산 매출, 2028년 말 2,000억 달러 전망은 발표자의 주장·소문·전망으로 등장한다. 원자료와 기준 기간은 제공되지 않는다.
• Anthropic의 하루 65.2조 토큰 추산은 매출 전부가 Opus 5.5 토큰에서 발생한다는 가정에 기반한다. 실제 상품 구성과 적용 단가를 확인할 수 없어 실측 트래픽으로 취급하면 안 된다.
• 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

• 현재 에이전트의 토큰 지출이 어떤 유용한 작업 결과로 이어지는지 기록하고, 단순 사용량 증가와 구분한다.
• 반복 작업을 대상으로 최고 성능 모델과 저렴한 실무용 모델의 결과 품질·속도·비용을 비교한다.
• Jev 같은 분류 모델을 판단·라우팅 단계에 시험 적용하고, 통합 전후의 비용과 작업 성능을 확인한다.
• OpenRouter 통계를 해석할 때 직접 API 트래픽과 구독 사용량의 포함 여부, 무료 모델 비중, 사용자 구성을 확인한다.

❓ 열린 질문

• 토큰 사용량 증가 중 유용한 작업 확대, 가격 하락, 비효율적인 호출은 각각 얼마나 기여하고 있는가?
• Jev의 약 20% 절감 효과는 복잡한 작업과 다른 모델 조합에서도 품질 저하 없이 재현되는가?
• 제공사 직접 트래픽과 구독 사용량을 포함하면 오픈 웨이트와 폐쇄형 모델의 수요 구도는 어떻게 달라지는가?