인공지능을 위한 새로운 전략
도쿄 -- 2026년 6월 22일, 사카나 AI는 기술 업계에 도발적인 질문을 던지는 멀티 에이전트 오케스트레이션 서비스 푸구를 공개했다. 인공지능의 다음 도약을 위해 더 거대한 단일 모델을 구축해야 할까, 아니면 누구에게 물어야 하는지 아는 것만으로 더 작고 똑똑한 시스템이 비슷한 성과를 낼 수 있을까? 일본어로 복어를 뜻하는 말에서 이름을 따온 푸구는 후자를 택한 도쿄 스타트업의 승부수다. 이 플랫폼은 외부에서는 단일 모델처럼 작동하지만, 내부에서는 전문화된 최첨단 인공지능 시스템으로 구성된 팀을 조율해 복잡한 과제를 해결한다.
이번 발표는 생성형 AI의 기업 도입이 중요한 전환점에 이른 시기에 나왔다. 수년간 발전은 주로 매개변수 수, 학습 연산량, 더 큰 기반 모델을 구축하려는 경쟁으로 측정됐다. 오픈AI, 앤스로픽, 구글 등은 이러한 규모 확대 철학을 추구해 놀라운 성과를 거뒀다. 변호사 시험을 통과하고, 정교한 코드를 작성하며, 장시간 추론을 수행할 수 있는 시스템을 만들어냈다. 그러나 소수의 미국 기업에 역량이 집중되면서 새로운 취약성도 생겼다. 수출 통제, 기업 정책 변화, 지정학적 분쟁에 따라 가장 강력한 모델에 대한 접근이 하루아침에 달라질 수 있어 해외 기업들이 위험에 노출된다.
사카나 AI는 집단 지능에 기반한 대안적 아키텍처를 제안한다. 1조 매개변수 규모의 거대 모델을 학습시켜 최첨단 연구소와 맞서려는 대신, 약 70억 매개변수 규모로 추정되는 소형 조정 모델을 구축했다. 이 모델은 총괄 위임자 역할을 한다. 사용자가 오픈AI 표준과 호환되는 푸구 API로 요청을 보내면 시스템은 과제를 분석해 직접 답하거나, 특정 하위 과제를 처리할 전문가 모델 팀을 구성한다. 이후 각 모델의 출력을 검증하고 하나의 답변으로 종합한다. 개발자에게는 단일 대규모 언어 모델을 호출하는 것과 비슷한 경험을 제공한다. 하지만 내부적으로는 에이전트 위원회 전체가 답변에 기여했을 수 있다.
시점은 더없이 전략적이다. 6월 초 앤스로픽은 미국 정부의 수출 통제 명령에 따라 클로드 미토스 5와 클로드 페이블 5 모델에 대한 일반 공개 접근을 갑작스럽게 철회했다. 이 조치는 개발자 커뮤니티에 파장을 일으켰으며, 특히 해당 시스템을 중심으로 업무 흐름을 구축한 해외 고객에게 큰 영향을 줬다. 사카나 AI는 이러한 서비스 중단을 푸구 설계의 동기로 직접 언급하며, 단일 공급자에 대한 의존을 줄이는 대비책이자 이른바 AI 주권을 향한 발걸음으로 서비스를 내세운다.
2017년 획기적인 논문 「Attention Is All You Need」를 공동 집필한 구글 브레인 출신 연구자 데이비드 하와 리온 존스가 2023년 설립한 사카나 AI는 상당한 관심과 투자를 끌어모았다. 공개된 자료에 따르면 일본 대형 은행들과 반도체 기업 엔비디아가 약 300억 엔 가치로 평가된 투자 라운드에 참여해, 스타트업이 훨씬 큰 경쟁사들과 맞설 자원을 확보했다. 푸구를 통해 회사는 기존 역량을 조합하는 방식을 새롭게 구상함으로써 일본의 혁신이 최첨단 모델 패러다임에 도전할 수 있음을 입증하려 한다.
오케스트레이션 엔진의 작동 방식
푸구를 이해하려면 단순한 API의 표면 너머를 들여다봐야 한다. 프롬프트가 들어오면 시스템은 이를 사카나 AI가 강화학습 지휘자라고 설명하는 중앙 모델에 전달한다. 대부분의 경우 이 지휘자가 직접 최종 답변을 생성하지는 않는다. 대신 건설 현장의 현장 감독처럼 과제 유형을 실시간으로 분석하고, 교체 가능한 모델 풀에서 가장 적합한 에이전트에 작업을 배정한다. 이 풀에는 오픈AI, 앤스로픽, 구글 같은 제공업체의 타사 최첨단 모델과 중첩 추론을 위한 푸구 자체의 재귀적 인스턴스가 포함된다.
이 동작의 이론적 기반은 2026년 국제표현학습학회(ICLR)에서 발표된 두 편의 연구 논문, 「Trinity: An Evolved LLM Coordinator」와 「Learning to Orchestrate Agents in Natural Language with the Conductor」에서 비롯됐다. 트리니티는 중앙 조정자가 상황에 따라 에이전트 구조를 즉석에서 만들고 수정하는 진화 연산 프레임워크를 제시한다. 과제의 요구에 따라 에이전트에 사상가(Thinker), 작업자(Worker), 검증자(Verifier) 등의 역할을 부여한다. 사상가는 요구 사항을 분석하고, 작업자는 구체적인 연산을 수행하며, 검증자는 출력의 일관성과 정확성을 확인한다.
컨덕터는 자연어 위임 기술을 중앙 조정자에게 학습시키기 위해 심층 강화학습을 적용한다. 광범위한 학습을 거친 소형 중앙 모델은 언제 작업을 위임하고 언제 직접 답할지, 에이전트끼리 어떻게 소통할지, 서로 다른 출력을 일관된 최종 결과물로 어떻게 통합할지를 익힌다. 그 결과 미리 정해진 업무 흐름이 아니라 경험을 통해 조율 전략을 찾아내는 적응형 시스템이 만들어진다. 이 차이는 중요하다. 설계자가 명시적으로 예상하지 못했던 새로운 유형의 과제도 처리할 수 있어, 경직된 전략에만 의존하지 않기 때문이다.
엔지니어링 관점에서 푸구의 가장 흥미로운 특징 중 하나는 재귀 능력이다. 오케스트레이터는 하위 과제를 다시 자기 자신에게 보낼 수 있어, 장시간 분석이 필요한 문제를 다층 추론 과정으로 처리한다. 따라서 70억 매개변수 조정 모델은 최첨단 기반 모델에 담긴 수천억 개 매개변수의 백과사전적 지식을 직접 갖추지 않아도 복잡도에 제한 없이 업무 흐름을 관리할 수 있다. 작은 규모를 뛰어난 조직 지능으로 보완하는 개념으로, 규모가 클수록 항상 더 낫다는 통념에 도전한다.
벤치마크와 베타 테스트
사카나 AI는 푸구 출시와 함께 대담한 성능 주장을 내놨다. 실제 소프트웨어 저장소에서 버그를 찾아 수정하는 능력을 평가하는 권위 있는 벤치마크 SWE-Bench Pro에서 푸구 울트라가 73.7점을 기록했다고 밝혔다. 회사가 공개한 평가에 따르면 이는 69.2점을 받은 클로드 4.8 오푸스와 58.6점을 받은 GPT-5.5보다 높은 점수다. 추가로 공개한 점수는 단순한 웹 검색으로 풀기 어렵게 설계된 대학원 수준 질의응답 시험 GPQA-Diamond에서 95.5점, LiveCodeBench에서 93.2점, 시스템 관리 역량을 평가하는 TerminalBench 2.1에서 82.1점, 악명 높게 어려운 추론 시험 Humanity's Last Exam에서 50.0점이다.
이 수치에 대한 독립적인 검증은 아직 제한적이며, AI 업계에서는 실제 운영 환경에서 재현하기 어려운 벤치마크 결과가 나온 전례가 많다. 테스트 조건, 프롬프트 설계 기법, 허용된 시도 횟수 등이 점수에 영향을 줄 수 있다. 그럼에도 회사가 발표한 평가에서 다루는 분야가 폭넓다는 점은 오케스트레이션 방식이 적어도 단일형 최첨단 모델과 경쟁할 만하며, 일부 분야에서는 더 나을 가능성도 있음을 보여준다.
벤치마크보다 더 많은 것을 알려주는 것은 복잡하고 긴 업무 흐름에 초점을 둔 장기간 사전 공개 기간에 푸구를 사용한 베타 테스터 약 500명의 반응일 수 있다. 소프트웨어 개발 분야 참여자들은 푸구 울트라가 코드 리뷰에서 특히 철저하다고 평가했다. 베타에 참여한 한 엔지니어는 사카나 AI에 일반 모델이 특정 코드베이스에서 보통 세 가지 정도의 문제를 지적하는 데 비해, 푸구는 상세한 설명과 수정 절차를 제시하며 20개가 넘는 문제를 찾아냈다고 전했다.
코드 리뷰에서는 푸구 울트라가 GPT-5.5보다 낫습니다. 포괄적인 답변을 내놓고 다른 모델이 놓치는 버그를 찾아냅니다. 이제 모든 리뷰에 푸구를 사용합니다.
코딩 외에도 사이버 보안팀은 푸구 울트라를 배치해 침투 테스트 전 과정을 자동화했다. 사람이 범위를 지정하면 오케스트레이션 엔진이 정찰을 수행하고, XSS 및 SQL 인젝션 취약점을 검사하며, 인증 메커니즘을 검토한 뒤 근거와 정확한 재검사 절차를 담은 최종 보고서를 작성한다. 베타 참여자들은 시스템이 파괴적 행위를 피하면서도 철저함을 유지하고, 운영상 설정된 범위를 엄격하게 준수했다고 확인했다. 기업 임원들은 페르소나의 안정성도 강조했다. 다른 모델들이 긴 세션에서 문맥 저하를 겪는 경우가 많은 반면 푸구는 일관된 정체성과 집중력을 유지했다는 것이다.
두 가지 요금제, 하나의 API
사카나 AI는 오픈AI 표준과 호환되는 단일 API 엔드포인트를 통해 두 가지 서비스 등급으로 푸구를 상용화하고 있다. 일반 푸구 모델은 대화형 챗봇, 실시간 코딩 지원, Codex 같은 코드 리뷰 도구 등 지연 시간이 짧아야 하는 운영 환경의 작업에 최적화됐다. 성능과 속도의 균형을 맞춰 사용자가 거의 즉각적인 응답을 기대하는 애플리케이션에 적합하다. 엄격한 데이터 거버넌스 또는 개인정보 보호 규정을 적용받는 조직의 경우, 일반 등급에서는 특정 기반 에이전트를 라우팅 풀에서 수동으로 제외할 수 있다. 이 기능을 이용하면 오케스트레이션 프레임워크를 완전히 포기하지 않고도 민감한 데이터가 특정 타사 제공업체에 전달되지 않도록 할 수 있다.
푸구 울트라는 프리미엄 등급이다. 여러 단계에 걸친 깊은 추론이 필요한 복잡하고 까다로운 작업에서 답변 품질을 극대화하도록 설계됐다. 학술 논문 재현, 특허 조사, 고급 데이터 과학 업무 흐름, 포괄적인 보안 감사 등이 여기에 포함된다. 울트라는 더 깊고 고정된 전문가 에이전트 풀을 조율하므로 제외 기능은 제공되지 않는다. 응답 지연과 토큰 사용량이 늘어나는 대가가 있지만, 사카나 AI는 미션 크리티컬한 애플리케이션에서 정확도 향상이 비용을 정당화한다고 주장한다. 현재 이 등급의 모델 식별자는 fugu-ultra-20260615다.
가격에도 두 제품의 차이가 반영돼 있다. 푸구 울트라의 요금은 입력 토큰 100만 개당 5달러, 출력 토큰 100만 개당 30달러이며, 컨텍스트가 27만 2,000토큰을 넘으면 요금이 두 배가 된다. 구독 요금제는 월 20달러에서 200달러까지이며, 사카나 AI는 2026년 7월 말 전에 가입하는 구독자에게 선택한 등급의 두 번째 달을 무료로 제공한다. 요청별 토큰 사용량과 관련 비용이 보고돼 재무 및 엔지니어링팀이 실시간으로 지출을 확인할 수 있다. 다만 회사가 일반 데이터 보호 규정(GDPR)에 운영을 맞추는 작업을 진행 중인 관계로 현재 유럽연합(EU)과 유럽경제지역(EEA)에서는 서비스를 이용할 수 없다. 이는 출시 시점에 플랫폼의 세계적 도달 범위를 제한하는 요소다.
모델 라우팅의 지정학
푸구의 상업적 제안은 기술 아키텍처를 넘어 지정학적 위험 관리 영역까지 확장된다. 현대 AI 공급망은 소수 기업에 크게 집중돼 있다. 소수의 미국 기업이 가장 뛰어난 기반 모델에 대한 접근을 통제하고 있으며, 이들의 결정은 점점 더 정부의 감독을 받는다. 2026년 6월 미국이 앤스로픽의 페이블 및 미토스 모델에 수출 통제를 부과했을 때, 이 사건은 단일 공급자를 중심으로 핵심 업무 흐름을 구축한 미국 외 기업에 경고가 됐다. 접근이 하루아침에 끊겼고 조달팀은 당장 선택할 대안을 찾지 못했다.
사카나 AI는 바로 이런 상황에 대비하는 보험으로 푸구를 내세운다. 오케스트레이터가 접근 불가능하거나 제한된 제공업체를 피해 동적으로 경로를 바꿀 수 있어, 고객은 역량을 희생하지 않고도 회복력을 갖출 수 있다는 게 회사의 설명이다. 앤스로픽 모델을 이용할 수 없게 되면 푸구는 작업을 오픈AI, 구글 또는 공개적으로 이용 가능한 대안으로 전환한다. 새로운 모델이 시장에 등장해 특정 작업에서 뛰어난 성과를 내면 고객이 새 API에 맞춰 애플리케이션을 다시 작성하지 않아도 사카나 AI가 해당 모델을 풀에 추가할 수 있다고 밝혔다. 이러한 교체 가능한 아키텍처는 기술 업계에서 오가는 추상적인 정책 논의보다 더 구체적인 AI 주권의 형태다.
일본 기업과 정부 기관에는 이 제안이 특히 의미 있게 다가온다. 일본은 자국 AI 역량을 전략적 우선순위로 삼고 있으며, 미국의 최첨단 기술 스택에 전적으로 의존하면 경제적 우려와 국가 안보 우려가 모두 생긴다. 도쿄에 기반을 둔 공급업체가 현지 지원, 지역별 데이터 처리 선택지, 대안적 기술 철학을 제공한다는 구도는 기술 포트폴리오를 다변화하려는 구매자에게 설득력 있는 서사를 제공한다. 주요 일본 금융기관을 포함한 사카나 AI의 투자자 구성도 이러한 입지를 뒷받침한다.
그러나 회의적인 시각도 타당하다. 푸구의 에이전트 풀은 우회하겠다고 밝힌 바로 그 미국 대기업들에 크게 의존한다. GPT, 클로드, 제미나이에 대한 API 접근이 완전히 차단되면 시스템은 최첨단 수준의 결과를 내놓을 수 없다. 진정한 독립을 위해서는 해당 시스템에 필적하는 국내 모델 또는 공개 모델의 탄탄한 생태계가 필요하지만, 아직 그 규모의 생태계는 존재하지 않는다. 비판론자들은 푸구가 오픈 프레임워크가 아니라 독점 상용 서비스라는 점도 지적한다. 즉 고객은 사업 모델이 다른 업체로 바꾸는 것이기는 해도 한 공급자에 대한 의존을 다른 공급자에 대한 의존으로 대체하는 셈이다.
출시가 AI 개발에 주는 의미
푸구의 성능 주장이 지속적인 외부 검증을 견뎌낸다면 인공지능 연구에 미치는 파장은 상당할 수 있다. 지난 10년 가까이 이 분야는 규모 확대 가설을 추구해왔다. 매개변수, 데이터, 연산량을 늘리면 더 나은 결과를 얻는다는 생각이다. 이 철학은 실제로 인상적인 시스템을 만들어냈지만, 동시에 진입 장벽을 높여 가장 부유한 기업과 정부만 참여할 수 있게 했다. 최첨단 기반 모델을 학습시키려면 수억 달러가 들고, 수출 제한의 대상이기도 한 특수 하드웨어가 필요하다.
푸구는 다른 길을 가리킨다. 백과사전적 지식이 아닌 조정 능력을 중심으로 학습한 비교적 작은 모델도 기존 자원을 지능적으로 활용하면 규모 이상의 성과를 낼 수 있다는 점을 시사한다. 이는 경쟁의 초점을 순수 학습 역량에서 아키텍처의 창의성과 오케스트레이션 효율성으로 옮긴다. 또한 숙련된 라우터는 GPT급 모델을 처음부터 학습시키는 데 필요한 예산보다 훨씬 적은 예산으로도 이론상 구축할 수 있다는 점에서 고성능 AI에 대한 접근성을 넓힌다.
연구계는 오랫동안 멀티 에이전트 시스템과 전문가 혼합 모델을 연구해왔지만, 푸구는 단일형 최첨단 모델의 직접적인 대안으로 내세운 최초의 주요 상용 구현 사례 중 하나다. 푸구의 성공 여부는 벤처 자본과 기업 연구비가 기반 모델의 규모 확대에만 몰리는 대신 오케스트레이션 및 조정 기술로 향하기 시작할지에 영향을 미칠 것으로 보인다. 베타 피드백만 봐도 코드 리뷰와 보안 감사처럼 장기간 이어지는 작업을 포함한 일부 기업 업무 흐름에서는 한 번의 호출로 사용하는 모델보다 분산 시스템이 더 적합할 가능성이 있다.
물론 이 접근법에도 대가가 따른다. 복잡한 멀티 에이전트 추론 과정은 지연 시간을 늘려 밀리초 단위의 응답이 필요한 애플리케이션에는 푸구가 적합하지 않을 수 있다. 고강도 작업은 연산 할당량도 많이 소비한다. 라우팅 로직이 투명하지 않아 사용자가 어떤 기반 모델이 데이터를 처리했는지 항상 알 수 없으므로, 규제 산업에서는 컴플라이언스 대응이 복잡해질 수 있다. 사카나 AI는 이러한 한계를 인정하면서도 광범위한 분석 및 엔지니어링 업무에서는 편익이 비용을 웃돈다고 주장한다.
핵심 내용
- 사카나 AI는 오픈AI 표준과 호환되는 단일 API를 통해 교체 가능한 최첨단 AI 모델 풀에 작업을 배분하는 멀티 에이전트 오케스트레이션 서비스 푸구를 출시했다.
- 이 시스템은 거대한 단일형 기반 모델 대신 약 70억 매개변수 규모의 소형 조정 모델을 사용하며, 사카나 AI의 트리니티 및 컨덕터 논문 연구를 기반으로 한다.
- 푸구 울트라는 SWE-Bench Pro, GPQA-Diamond, LiveCodeBench 등에서 GPT-5.5와 클로드 오푸스 4.8을 비롯한 주요 시스템과 경쟁할 만한 벤치마크 점수를 기록했다고 밝혔다.
- 두 가지 등급을 제공한다. 일반 푸구는 수동 제외 기능을 갖춘 저지연 운영 작업용이며, 푸구 울트라는 더 깊고 고정된 에이전트 풀로 복잡한 추론을 수행한다.
- 이번 출시는 공급업체 종속과 수출 통제에 따른 차질에 대비하려는 기업을 겨냥하지만, 서비스는 여전히 미국 최첨단 모델의 API에 의존한다.
- 푸구는 EU와 EEA를 제외한 전 세계에서 이용할 수 있으며, 해당 지역에서는 GDPR 준수 절차가 진행 중이다. 울트라 요금은 입력 토큰 100만 개당 5달러, 출력 토큰 100만 개당 30달러부터 시작한다.
