구글 클라우드에 GPT 합류, 3대 LLM 고르는 기준

구글 클라우드의 모델 카탈로그 ‘모델 가든(Model Garden)’에는 이미 200개가 넘는 모델이 올라 있다. 여기에 OpenAI의 GPT 계열이 들어온다. 구글 설명대로라면 3대 폐쇄형 LLM인 Gemini·Claude·GPT를 모두 제공하는 대형 클라우드 사업자는 이제 구글 하나다. 두 회사의 합의 내용은 Ars Technica가 자세히 다뤘다. 실무자가 눈여겨볼 대목은 모델 개수가 아니라 운영 방식이다. GPT 모델은 전부 구글 인프라에서 실행되고, 결제도 구글 클라우드 마켓플레이스로 처리된다.

이 구조 때문에 기업 개발팀이 묻는 질문이 달라진다. ‘어느 클라우드를 쓸까’에서 ‘한 클라우드 안에서 어떤 작업에 어떤 모델을 배치할까’로. 협력 소식 자체는 짧게 짚고, 아래에서는 실무에 바로 필요한 두 가지를 다룬다. 모델 가든에서 세 계열을 비교할 때 무엇을 잣대로 삼을지, 그리고 GPT 모델에 접근하려면 어떤 경로를 밟아야 하는지다.

Gemini·Claude·GPT가 한 콘솔, 한 결제 체계로 묶인다

모델 가든은 구글 클라우드에서 쓸 수 있는 AI 모델을 한곳에 모아 둔 카탈로그다. 구글의 Gemini와 구글이 공개한 오픈 모델 Gemma, Mistral·Llama 같은 외부 오픈 모델이 이미 들어 있다. Anthropic의 Claude도 한동안 이곳에서 제공돼 왔다. OpenAI 모델까지 추가되면 주요 폐쇄형 모델 세 계열이 같은 콘솔, 같은 결제 체계 안에 놓인다.

오해하기 쉬운 부분이 있다. OpenAI의 주력 클라우드 파트너는 여전히 마이크로소프트이고, OpenAI도 이 점을 분명히 했다. 구글 클라우드 합류는 ‘이전’이 아니다. 유통 경로가 하나 늘어난 것으로 보는 게 정확하다. 애저(Azure)에서 GPT를 쓰던 기업이 짐을 쌀 이유는 없다. 거꾸로 데이터와 인프라를 구글 클라우드에 둔 기업은 GPT 하나 때문에 다른 클라우드를 덧붙일 필요가 줄어든다.

지금부터는 해석이다. 멀티 모델 카탈로그의 가치는 모델 개수에서 나오지 않는다. 핵심은 교체 비용을 낮추는 데 있다. 같은 플랫폼 안에서 모델만 바꿔 끼울 수 있으면 특정 모델의 가격 정책이나 성능 변화에 덜 휘둘린다. 구글이 ‘세 모델을 모두 제공하는 유일한 곳’이라는 점을 앞세우는 것도 이 유연성을 판매 포인트로 삼으려는 전략으로 보인다.

GPT 6·6.1 세 모델, 공개된 차이는 ‘비용’ 하나뿐

구글 클라우드에 올라오는 OpenAI 모델은 GPT 6과 6.1 계열의 Astra, Sol, Luna 세 가지다. 몇 개만 골라 넣는 방식이 아니라 OpenAI의 현행 라인업이 통째로 들어온다. 그런데 발표 단계에서 드러난 차이는 사실상 하나뿐이다. Astra의 실행 비용이 가장 높다는 것. Sol과 Luna의 가격 차이, 컨텍스트 길이, 세부 성능 지표는 원문에 나오지 않는다. 라인업 전체가 들어오는데 공개된 비교 정보는 비용 서열 하나라서, 지금 단계에서 세 모델의 용도를 단정하기는 어렵다.

그래도 원칙 하나는 세울 수 있다. 가장 비싼 모델은 가장 어려운 작업에만 쓰고, 나머지 작업은 하위 모델로 먼저 시험하는 계단식 구성이다. LLM 라인업의 최상위 모델은 보통 복잡한 추론을 겨냥한다. 요약·분류·정형 데이터 추출 같은 반복 작업은 사정이 다르다. 품질 차이가 비용 차이만큼 벌어지지 않는 경우가 많다. 단, 이건 LLM 라인업 일반에 통하는 경험칙이고 Astra·Sol·Luna에서 검증된 결론은 아니다.

구글은 성능·지연시간·효율을 기준으로 워크로드를 여러 LLM 사이에서 동적으로 옮기는 기능을 지원한다고 밝혔다. 이 기능이 GPT 모델끼리, 또 GPT와 Gemini·Claude 사이에서도 똑같이 작동하는지에 대한 설명은 없다. 원리만 놓고 보면 요청마다 적합한 모델을 자동 배정해 Astra 같은 고비용 모델의 호출 횟수를 줄이는 데 쓸 수 있는 구조다. 실제로 그렇게 쓸 수 있을지는 GPT가 이 기능의 대상에 들어가는지부터 확인돼야 판가름 난다.

Gemini·Claude·GPT를 가르는 네 가지 선택 기준

세 계열이 한 카탈로그에 모이면 비교 자체는 쉬워진다. 문제는 잣대다. 벤치마크 점수만 보고 고르면 청구서에서 예상이 빗나가기 쉽다. 실제 운영 비용과 품질을 좌우하는 기준은 네 가지로 좁혀진다.

① 요청당 비용. 모델 비용은 토큰 단가에 토큰 소모량을 곱한 값이다. 단가가 같아도 답을 내기까지 토큰을 많이 쓰는 모델은 요청당 비용이 커진다. 원문 기사가 든 예가 구글이 자사 AI 서비스 전반에 적용한 Gemini 4 Argon이다. Gemini 3.1 Pro보다는 나아 보이지만 토큰을 놀라운 속도로 소모한다는 평가였다. 자사 플래그십조차 이런 평가를 받는다면, 단가표만으로 모델을 줄 세우는 방식은 믿기 어렵다. 같은 작업을 돌렸을 때 실제로 토큰이 얼마나 나가는지를 함께 재야 하는 이유다.

② 지연시간. 고객 상담 챗봇처럼 사람이 응답을 기다리는 서비스에서는 첫 응답이 나오기까지의 시간이 체감 품질을 좌우한다. 문서를 일괄 처리하는 배치 작업은 반대다. 응답 속도보다 처리량과 단가가 중요하다. 같은 회사 안에서도 작업마다 최적 모델이 갈릴 수 있다는 얘기다. 구글이 내세운 동적 워크로드 이동 기능이 노리는 곳도 이 지점으로 보인다.

③ 결제와 약정. 구글 클라우드에 일정 금액 이상을 쓰기로 약정한 기업이라면 마켓플레이스 결제가 도입 문턱을 크게 낮춰 준다. 원문도 기존 지출 약정이 있는 기업이 GPT로 쉽게 갈아탈 수 있게 된다고 짚었다. 새 공급사 계약도, 별도 결제 계정도 없이 시험해 볼 수 있다는 것. 성능과 무관하게 선택을 바꿔 놓는 현실적 변수다. 네 기준 가운데 기술과는 가장 거리가 멀지만, 뒤에서 다룰 국내 기업의 구매 절차를 생각하면 실제 영향은 가장 클 수 있다.

④ 개발 도구 호환. 팀이 이미 Codex CLI나 Codex Desktop으로 작업한다면 GPT 쪽 전환 비용이 낮다. 구글 클라우드 프리뷰 승인을 받으면 이 도구에서 API로 접근하되, 추론은 구글 시스템에서 처리된다. Antigravity가 주 도구인 팀은 기존 Gemini·Claude에 GPT가 더해진다. 클라이언트를 바꾸지 않고 그 안에서 모델만 바꿔 가며 결과를 견줄 수 있게 된다.

표에서 드러나듯 세 폐쇄형 계열 가운데 GPT만 아직 프리뷰 단계다. 같은 조건에서 나란히 비교하기는 당분간 어렵다. 순서는 이렇게 잡는 편이 효율적이다. 바로 쓸 수 있는 Gemini나 Claude로 평가용 프롬프트 세트와 비용 기준선을 먼저 만든다. GPT 접근권이 열리면 같은 세트를 그대로 돌려 품질과 토큰 사용량을 비교한다. 승인을 기다리는 동안에도 준비는 끝낼 수 있다는 뜻이다.

GPT 프리뷰 신청부터 모델 활성화까지, 콘솔에서 밟는 경로

GPT 모델 배포는 일부 기업 고객 대상 프라이빗 프리뷰로 시작됐다. 먼저 써 보려는 곳은 구글에 접근 요청을 낼 수 있다. 구글 클라우드 콘솔은 화면 개편이 잦은 편이라 아래 경로는 기준점 정도로 삼는 게 좋다. 막히면 콘솔 상단 검색창에 메뉴 이름을 입력하는 쪽이 빠르다.

1. 프로젝트와 결제 계정 확인: 콘솔 상단 프로젝트 선택기에서 사용할 프로젝트를 고른다. 이어서 탐색 메뉴(☰) → 결제로 들어가 결제 계정이 연결돼 있는지 확인한다. 마켓플레이스 거래는 이 결제 계정으로 청구된다.
2. Vertex AI API 사용 설정: 탐색 메뉴 → API 및 서비스 → 라이브러리에서 ‘Vertex AI API’를 검색해 사용 설정한다.
3. 모델 가든 진입: 탐색 메뉴 → Vertex AI → Model Garden으로 들어가(상위 메뉴 표기는 불확실) 검색창에 공급사 이름을 입력한다. Claude 같은 파트너 모델은 모델 카드에서 ‘사용 설정(Enable)’을 누르고 마켓플레이스 약관에 동의하면 켜진다. GPT 모델 카드도 같은 절차일 가능성이 높다. 프리뷰 단계의 화면 구성은 아직 확인되지 않았다.
4. 프리뷰 접근 요청: 구글이 마련한 신청 양식을 제출한다. 양식이 콘솔의 어느 메뉴와 연결돼 있는지는 불확실하다. 구글 클라우드 영업 담당을 통해 확인하는 편이 확실하다.
5. 호출 권한 부여: 탐색 메뉴 → IAM 및 관리자 → IAM에서 모델을 호출할 사용자나 서비스 계정에 ‘Vertex AI 사용자(roles/aiplatform.user)’ 역할을 준다. 마켓플레이스 구독에는 결제 관련 권한이 필요한 경우가 많으니 결제 관리자와 함께 진행하는 것이 좋다.
6. Codex CLI·Codex Desktop 연결: 승인을 받으면 이 도구에서도 API로 GPT를 호출할 수 있고, 추론은 구글 시스템에서 이뤄진다. 엔드포인트와 인증 설정 방법은 원문에 없다. 승인 때 받는 안내를 따라야 한다.
7. Antigravity에서 확인: 에이전트 입력창 주변의 모델 선택 메뉴(위치 불확실)에서 GPT 항목이 보이는지 확인한다.

1·2·3·5단계는 Claude 같은 기존 파트너 모델을 켤 때와 크게 다르지 않다. 실제 병목은 4단계, 프리뷰 승인이다. 승인 전에 나머지 단계를 미리 끝내 두면 접근권이 열리는 즉시 테스트에 들어갈 수 있다.

구글 클라우드를 쓰는 국내 기업, GPT 도입 계약 창구가 하나로 줄어든다

구글 클라우드를 주력 인프라로 쓰는 국내 기업은 그동안 구글 클라우드 안에서 GPT를 쓸 길이 없었다. OpenAI와 직접 API 계약을 맺거나, 다른 클라우드 계정을 따로 열어야 했다. 마켓플레이스 결제가 열리면 기존 구글 클라우드 계약 안에서 GPT를 쓸 수 있다. 가장 직접적인 변화다. 국내 기업은 새 공급사를 등록할 때 구매 품의와 보안 심사를 다시 거치는 경우가 많다. 이 관행을 감안하면, 절차가 줄어드는 효과가 모델 성능 차이보다 크게 체감될 것으로 보인다.

데이터 처리도 따져볼 부분이다. GPT 추론이 전부 구글 인프라에서 실행되므로 보안 검토 범위를 기존 구글 클라우드 계약 안으로 묶을 수 있다는 뜻으로 읽힌다(추측). 개인정보나 사내 기밀을 다루는 업무라면 계약 전에 구글 측 문서로 두 가지를 확인해야 한다. GPT 모델이 어느 리전에서 처리되는지, 그리고 입력 데이터가 어떤 조건으로 보관되는지.

약정 소진 문제도 남는다. 원문은 지출 약정이 있는 기업이 GPT를 쉽게 도입할 수 있다고 설명한다. 하지만 마켓플레이스 결제액이 각 기업의 약정 금액 차감으로 얼마나 인정되는지는 계약 조건마다 다를 수 있다. 구글 클라우드 담당자에게 서면으로 확인해 두는 편이 안전하다. 이 부분이 어긋나면 앞서 말한 ‘약정 덕분에 문턱이 낮아지는 효과’가 그만큼 줄어든다.

개인 개발자 쪽 변화는 Antigravity에서 나온다. Gemini와 Claude를 쓰던 같은 클라이언트에서 GPT까지 고를 수 있으면, 도구를 바꾸지 않고 모델별 코드 생성 결과를 나란히 비교할 수 있다. 개인 사용자에게 GPT가 어떤 요금 조건으로 열릴지는 원문에 정보가 없다.

확인된 것과 아직 불확실한 것

확인된 것

• OpenAI의 GPT 6·6.1 계열인 Astra·Sol·Luna가 구글 클라우드에 출시되며, 셋 중 Astra의 실행 비용이 가장 높다.
• GPT 모델은 전부 구글 인프라에서 실행되고, 거래는 구글 클라우드 마켓플레이스로 처리된다.
• 일부 기업 고객 대상 프라이빗 프리뷰로 배포가 시작됐고 접근 요청 양식이 있다. 승인되면 Codex CLI·Codex Desktop에서도 API로 접근할 수 있다.
• 모델 가든에는 200개 이상의 모델이 있으며 Gemini, Claude, Mistral, Llama, Gemma가 포함된다.
• OpenAI의 주력 클라우드 파트너는 여전히 마이크로소프트다.
• Antigravity에 GPT 모델이 추가된다. 기존 지원 모델은 Gemini와 Claude였다.

아직 불확실한 것

• Antigravity에 들어올 GPT 모델 구성. 세 모델이 모두 들어갈지 구글은 밝히지 않았다.
• 구글 클라우드에서 Astra·Sol·Luna를 쓸 때의 토큰 단가, Sol과 Luna의 가격·성능 차이
• 모델 가든에서 전체 고객에게 GPT를 여는 일정
• 동적 워크로드 이동 기능이 GPT와 다른 회사 모델 사이에도 적용되는지
• GPT 모델의 제공 리전(서울 리전 포함)과 데이터 보관 조건

모델을 쉽게 갈아 끼울 구조부터 갖춘 팀이 유리해진다

구글은 자사 플래그십 Gemini 4 Argon을 전면에 내세우면서도 경쟁사 모델을 들이고 있다. 클라우드 사업자에게는 모델 선택권 자체가 상품이 됐다는 신호로 읽힌다. 원문 기사의 시각도 비슷하다. OpenAI 합류로 Argon에 만족하지 못한 사용자에게 Gemini 말고 또 하나의 대안이 생긴다는 평가다. 앞서 본 Argon의 토큰 소모 평가와 이어지는 대목이다.

사용자 쪽 과제는 분명하다. 특정 모델에 코드를 묶어 두지 않는 것. 준비할 건 세 가지다. 모델 호출부를 별도 계층으로 떼어 내 모델 이름만 바꾸면 되게 한다. 업무별 평가 프롬프트 세트를 만들어 둔다. 모델별 토큰 사용량과 응답 시간은 꾸준히 기록한다. 이게 갖춰진 팀은 GPT가 정식으로 열렸을 때 짧은 시간 안에 비교를 끝낼 수 있고, 어느 회사의 가격 정책이 바뀌어도 다른 모델로 옮길 근거를 숫자로 내밀 수 있다. 셋 다 GPT 승인을 기다리지 않고 지금 시작할 수 있는 작업이다.

출처: Ars Technica

테크가이드팀

Daily News Korea 테크가이드팀은 IT 기기 비교, 소프트웨어 추천, 트러블슈팅 가이드 등 실용적인 기술 콘텐츠를 제작합니다. 초보자도 쉽게 따라할 수 있는 단계별 가이드를 지향합니다.