Owned Intelligence와 Rented Intelligence | 1인기업 뉴스 1incompany

앞으로 AI 제품의 큰 갈림길은 rented intelligence와 owned intelligence가 될 것 같음. 남의 frontier model을 API로 빌려 쓰는가, 아니면 open weight LLM을 가져와 자기 하네스, 데이터, 평가 기준, post-training 루프를 얹는가의 차이임
오늘 Anthropic은 Fable 5와 Mythos 5를 공개함. Fable 5는 일반 공개된 Mythos-class 모델이고, Mythos 5는 Project Glasswing 같은 검증된 파트너 중심으로 제한 제공되는 모델임
동시에 Fable 5는 비싸고, 안전 제한이 강하고, 일부 영역에서는 Opus 4.8로 routing된다고 공식 문서에 나옴. 또한 Business Insider 보도 기준으로 frontier AI research나 pretraining 관련 작업에서 품질을 은근히 낮춘다는 논란도 있음
이 사건이 보여주는 건 단순히 Anthropic이 좋다 나쁘다가 아님. rented intelligence는 가격, 접근권, 검열, data retention, hidden policy를 내가 통제하지 못한다는 점임
반대로 owned intelligence는 base model을 처음부터 만든다는 뜻이 아님. 내 제품의 하네스, 사용자 데이터, RL data, eval, post-trained open model을 쌓아 내 작업 방식에 맞는 지능을 갖는다는 뜻에 가까움

Rented intelligence는 무엇이 문제인가?

rented intelligence는 남의 모델을 호출해서 지능을 빌려 쓰는 구조임. OpenAI, Anthropic, Google 같은 frontier API를 쓰는 대부분의 AI 앱이 여기서 시작함
장점은 명확함. 가장 빠르고, 가장 똑똑하고, product-market fit을 찾기 좋음. 처음부터 local model을 붙잡고 있으면 기회비용이 큼
하지만 제품이 커질수록 문제가 생김. 가격이 오를 수 있고, rate limit이 걸릴 수 있고, 특정 topic이 막힐 수 있고, model behavior가 갑자기 바뀔 수 있음
Fable 5 사례는 이 문제를 선명하게 보여줌. 모델은 강해졌지만, 더 비싸지고, 일부 요청은 다른 모델로 돌려지고, 특정 연구 영역에서는 보이지 않는 품질 제한 논란까지 생김
즉 rented intelligence는 전기처럼 안정적인 commodity가 아니라, 공급자가 정책과 가격을 계속 바꾸는 고급 자원에 가까움

Owned intelligence는 모델을 직접 만드는 것인가?

owned intelligence는 꼭 foundation model을 처음부터 pretraining한다는 뜻이 아님. 그건 대부분 회사와 1인기업에게 불가능에 가까움
더 현실적인 owned intelligence는 네 가지를 소유하는 것임

자산	의미	왜 중요한가
Harness	모델이 일하는 제품 환경	같은 모델도 환경에 따라 성능이 달라짐
Eval	무엇이 좋은 결과인지 판단하는 기준	모델 교체와 개선을 안전하게 함
Data	사용자 행동, 실패, 성공 기록	남들이 못 가진 학습 재료가 됨
Post-training loop	SFT, RL, routing, distillation	자기 업무에 맞는 모델을 만들 수 있음

Cursor가 Composer 2를 만든 것도 이 방향임. 범용 코딩 모델보다 Cursor라는 하네스 안에서 더 잘하고 더 싸게 도는 모델이 필요했기 때문임
Nebius 글에서 말한 흐름도 비슷함. 처음에는 frontier model로 use case를 찾고, workflow가 반복되고 경제성이 중요해지면 open model이나 specialized model로 내려감
George Hotz가 말한 취향도 여기와 맞물림. 모두가 비슷한 모델을 쓰면, 차이는 결국 각 회사의 제품 감각과 품질 기준에서 남음

왜 RL data가 owned intelligence의 핵심인가?

SFT는 선생이 답지를 보여주는 방식에 가까움. 좋은 예시를 보고 따라 하게 만드는 것임
RL은 모델이 실제 환경에서 rollout, 즉 여러 번 시행착오를 하며 배우는 방식에 가까움
업무 agent, CUA, coding agent처럼 실제 행동하는 모델은 단순히 좋은 답변을 쓰는 것보다 긴 workflow를 끝내야 함
여기서 필요한 건 그냥 대화 로그가 아니라 verified data임. 어떤 step이 맞았는지, 어디서 실패했는지, 최종 결과가 성공인지 자동으로 검증할 수 있어야 함
그래서 앞으로 기업이 진짜 소유해야 할 지능은 모델 weight 하나가 아니라, 자기 workflow를 반복 학습시킬 수 있는 RL environment와 verifier일 가능성이 큼

앞으로 기업은 어떻게 움직일까?

초기 제품 검증: frontier model을 씀. 가장 똑똑한 모델로 먼저 가능성을 봄
사용량 증가: API cost, latency, data retention, vendor dependency가 문제로 보이기 시작함
반복 workflow 발견: 자주 반복되는 task를 eval로 고정하고, 실패 데이터를 모음
전환: open weight model, local LLM, managed inference, post-training model을 섞기 시작함
최종 형태: frontier model은 어려운 판단과 supervisor 역할, owned model은 반복 업무와 제품 내부 행동을 맡는 구조가 될 듯함

rented intelligence가 무조건 나쁜가요?

아님. 초기에는 rented intelligence가 훨씬 좋음. 가장 좋은 모델로 빠르게 use case를 검증하고 고객이 돈을 낼지 보는 게 먼저임. 문제는 그 위에 사업 전체를 영구적으로 올려놓을 때 생김.

owned intelligence는 local LLM만 뜻하나요?

아님. local LLM은 한 가지 형태일 뿐임. 더 중요한 건 내 데이터, 내 eval, 내 하네스, 내 post-training 루프를 갖는 것임. 모델은 open weight일 수도 있고, managed inference 위에 올라갈 수도 있음.

1인기업도 owned intelligence를 만들 수 있나요?

가능하다고 봄. base model을 만드는 게 아니라, 좁은 workflow의 평가 기준과 데이터를 쌓는 방식이면 가능함. 예를 들어 고객관리, 정산, 리서치, CUA workflow처럼 반복되고 검증 가능한 일을 먼저 잡으면 됨.

1인기업 관점

예전에는 local LLM을 만들어도 frontier lab 모델 성능을 못 따라가서 많은 시도가 실패했던 것 같음. 그런데 결국 API cost가 계속 쌓이고 data privacy 문제가 커지면, 각 회사는 자기 업무에 맞는 자체 LLM이나 open weight model stack을 만들 수밖에 없을 듯. 거기에 각 domain에서 특화되게 RLVR까지 해야 할 거고, owned intelligence의 핵심은 결국 이 전환을 얼마나 빨리 준비하느냐인 듯함.

Essay Owned Intelligence와 Rented Intelligence