작성자 주: 같은 중국 오픈소스 모델들이 멘로 벤처스의 지출 순위와 OpenRouter의 요청 순위에서는 정반대로 나타났어요. 이 글에서는 두 순위의 집계 기준을 살펴보고, 바로 실행할 수 있는 5단계 모델 선정 방법을 소개해요.
11월 초에 두 가지 데이터가 나왔어요. 멘로 벤처스 보고서에 따르면 Kimi는 미국 기업의 오픈소스 모델 지출 중 61%를 차지했어요. OpenRouter 주간 순위에서는 DeepSeek이 플랫폼 텍스트 요청의 29.8%를 차지했어요. 두 순위의 1위는 서로 다르고, 전체 순위도 거의 반대예요. 많은 기술 책임자가 가장 먼저 떠올린 질문은 이것이었죠. 어느 쪽을 믿어야 할까요?
결론부터 말하면 두 순위는 모순되지 않아요. 각각 다른 것을 측정하기 때문이에요. 지출 순위는 ‘기업이 누구에게 돈을 썼는지’를, 요청 순위는 ‘개발자가 특정 플랫폼에서 어떤 모델을 호출했는지’를 보여줘요. 모델을 선정할 때는 어느 한쪽 순위를 그대로 따르기보다 자신의 작업 유형과 비용 산정 기준에 맞춰 판단해야 해요. 순위는 후보를 좁히는 데 도움이 될 뿐, 모델을 대신 선정해 주지는 않아요.
이 글은 순위를 단순히 되풀이하지 않아요. 각 순위의 표본, 집계 기간, 적용 범위를 살펴보고, ‘단가는 낮아지고 사용량은 늘어나는’ 현상이 비용 구조에 어떤 영향을 미치는지 설명해요. 마지막으로 5단계 모델 선정 체크리스트도 소개해요.
오픈소스 모델 순위 핵심 요약: Kimi와 DeepSeek가 각각 1위인 이유
결론부터 말하면, 멘로 벤처스는 기업 지출을, OpenRouter는 플랫폼 요청을 측정해요. 두 자료는 표본과 기간, 집계 대상이 모두 달라요.
두 데이터는 함께 자주 언급되지만, 비율을 계산할 때 쓰는 ‘분모’가 완전히 달라요. 멘로 벤처스의 데이터는 미국 기업의 AI 의사결정권자를 대상으로 한 설문 추정치이지, 감사받은 청구 내역이 아니에요. OpenRouter의 데이터는 자사 플랫폼의 요청 통계로, 해당 플랫폼의 사용자 행동만 보여줄 뿐 전체 시장을 대표하지는 않아요.
| 순위 | 측정 대상 | 표본/기간 | 주요 순위 | 판단하기 좋은 항목 |
|---|---|---|---|---|
| 멘로 벤처스 2026 기업 AI 현황 보고서 | 미국 기업의 오픈소스 모델 지출 점유율 | 미국 기업 AI 의사결정권자 약 400명, 2026년 9월 8~26일 조사, 11월 3일 발표 | Kimi 61%, DeepSeek 15%, GLM 11%, Meta Llama 7%, Qwen 3% | 기업의 구매 선호도, 예산 흐름, 정식 계약에 포함된 모델 |
| OpenRouter 주간 순위 | 플랫폼의 텍스트 요청 점유율 | OpenRouter 플랫폼, 10월 26일~11월 1일 | DeepSeek 29.8%, OpenAI 18.8%, Z.ai 11.9%, Qwen 5.6%(6위) | 개발자 활동 수준, 가격에 민감한 모델 호출, 커뮤니티 관심도 |
표를 보면 두 순위는 ‘참가 선수’부터 달라요. 멘로 벤처스는 오픈소스 모델만 집계하지만, OpenRouter는 OpenAI와 Google 같은 비공개 모델 업체도 포함해요. 두 비율을 직접 비교하는 것 자체가 집계 기준에 맞지 않아요.
멘로 벤처스 지출 순위 읽는 법: Kimi가 오픈소스 모델 지출의 61% 차지
결론부터 말하면, 멘로 벤처스의 데이터는 중국 오픈소스 모델이 미국 기업의 예산에 포함됐다는 것을 보여줘요. 다만 조사 추정치일 뿐, 성능 순위는 아니에요.
보고서에서 가장 주목받은 수치는 중국 모델이 미국 기업의 오픈소스 모델 지출에서 89%를 차지한다는 점이에요. Kimi가 단독으로 61%를 차지했고, DeepSeek은 15%, GLM은 11%, Qwen은 3%였어요. 중국 외 모델 중에서는 Meta Llama가 7%를 차지했어요.
| 모델 | 미국 기업의 오픈소스 모델 지출 점유율 | 읽을 때 주목할 점 |
|---|---|---|
| Kimi | 61% | 점유율이 가장 높으며, 기업 구매 채널과 단가가 영향을 미쳤을 수 있음 |
| DeepSeek | 15% | 지출은 2위지만, 호출 측면에서는 더 활발함 |
| GLM | 11% | 기업 예산에 안정적으로 포함됨 |
| Meta Llama | 7% | 중국 외 오픈소스 모델 중 점유율이 가장 높음 |
| Qwen | 3% | 지출 점유율은 작지만, 호출 측면에서 일정한 존재감을 보임 |
이 수치를 전체 시장과 함께 보면 더 명확해져요. 보고서는 전 세계 기업의 AI 도입 지출을 연간 약 1,768억 달러로 추정하며, 이는 3년 만에 100배 이상 증가한 규모예요. 프런티어 연구소가 도입 지출의 69%를 차지하고, 오픈소스 모델은 전체 모델 지출의 4%에 불과해요. 따라서 ‘Kimi가 61%를 차지한다’는 말은 오픈소스 모델이라는 작은 영역에서의 비율이지, 전체 기업 AI 시장의 61%가 아니에요.
또한 설문 데이터는 응답자가 자사 예산을 추정한 값에 의존하며, 약 400개 표본도 미국 기업만 대상으로 해요. 이 데이터는 기업 구매의 전반적인 추세를 보여주지만, 구체적인 비율은 조사 추정치인 만큼 더 많은 데이터로 검증해야 해요.
OpenRouter 요청 순위 읽는 법: DeepSeek, 요청의 29.8% 차지
먼저 결론부터 말하면, OpenRouter 주간 순위는 해당 플랫폼에서 개발자들이 얼마나 자주 모델을 호출하는지 보여줘요. 추세는 살펴볼 수 있지만 전체 시장 점유율을 대표하지는 않아요.
10월 26일부터 11월 1일까지 한 주 동안 DeepSeek은 텍스트 요청 점유율 29.8%로 1위를 차지했어요. 전주 대비 7% 증가한 수치예요. OpenAI는 18.8%로 2위에 올랐고, Google의 점유율은 14.4%에서 하락했어요. Z.ai는 11.9%로 4위, Qwen은 5.6%로 6위였어요.
| 순위 정보 | 업체 | 요청 점유율 | 변화 |
|---|---|---|---|
| 1위 | DeepSeek | 29.8% | 전주 대비 +7% |
| 2위 | OpenAI | 18.8% | — |
| 하락 | 14.4%에서 하락 | 점유율 감소 | |
| 4위 | Z.ai | 11.9% | — |
| 6위 | Qwen | 5.6% | — |
주목할 만한 추세가 두 가지 더 있어요. 중국 모델의 토큰 호출량은 27주 연속 미국 모델을 앞섰고, 개별 모델의 주간 호출량 상위 5개 중 4개가 중국 모델이었어요. 같은 기간 DeepSeek은 모델을 DeepSeek V4.1-Flash-1017로 업그레이드했지만, API 호출 방식과 가격은 바뀌지 않았어요. 이미 연동한 개발자라면 전환 비용이 낮은 셈이에요.
안정성도 살펴봐야 해요. 11월 3일에는 DeepSeek 웹 서비스와 API에서 약 1시간 동안 부분 장애가 발생했어요. 호출량이 많다고 해서 언제나 사용할 수 있는 건 아니에요. 뒤에서 설명할 ‘예비 모델 확보’가 필요한 이유이기도 해요. 새 버전 출시 후 정확한 모델 ID와 요금은 APIYI apiyi.com 콘솔의 모델 목록을 확인하세요.
오픈소스 모델 지출 순위와 요청 순위가 반대인 이유
결론부터 말하면, 순위가 반대인 이유는 단가, 구매 방식, 무료 할당량, 작업 적합성, 플랫폼 집계 기준이라는 다섯 가지 요인 때문이에요. 어느 한쪽 순위가 ‘틀렸다’는 뜻은 아니에요.
지출 점유율은 대략 ‘호출량 × 단가’에 계약과 구매 요인을 더해 결정돼요. 반면 요청 점유율은 비용과 관계없이 호출 횟수만 집계해요. 단가가 높고 기업이 구매 계약을 체결하는 모델은 지출 순위에서 앞서요. 단가가 낮고 개발자가 많이 사용하는 모델은 요청 순위에서 앞서고요.
| 영향 요인 | 지출 점유율에 미치는 영향 | 요청 점유율에 미치는 영향 |
|---|---|---|
| 단가 | 단가가 높으면 같은 사용량에도 비용이 커져 지출 점유율이 높아짐 | 단가가 낮으면 체험 사용자가 늘어 요청량이 증가함 |
| 기업 구매 | 계약, 프라이빗 배포, 서비스 계약이 지출에 포함됨 | OpenRouter를 거치지 않을 수 있어 플랫폼에 나타나지 않음 |
| 무료 할당량 | 무료 호출은 지출을 발생시키지 않음 | 무료 호출도 요청량에 포함됨 |
| 작업 적합성 | 긴 문서, Agent 등 토큰을 많이 쓰는 작업이 비용을 높임 | 짧은 대화, 대량의 작은 작업이 요청 횟수를 높임 |
| 플랫폼 집계 기준 | 설문에 참여한 미국 기업만 포함함 | OpenRouter 사용자만 포함함 |
이 기준으로 보면 Kimi는 기업 구매 채널과 단가 측면에서 유리해 지출 점유율이 높을 수 있어요. DeepSeek는 단가가 더 낮고 개발자 커뮤니티가 활발해 요청량이 많을 수 있고요. 다만 이는 집계 기준을 바탕으로 한 합리적인 추정이에요. 두 보고서 모두 항목별 세부 내역을 제공하지는 않았어요.
놓치기 쉬운 점도 있어요. 같은 모델이라도 버전, 접속 채널, 캐시 적중률에 따라 지출과 호출 수치가 달라져요. 캐시에 자주 적중하는 팀은 요청 횟수가 그대로 집계되더라도 실제 지출은 훨씬 적을 수 있어요.
오픈소스 모델 가격과 사용량: 단가는 약 70% 하락하고 사용량은 22.5배 증가했다는 것은 무슨 뜻일까요?
결론부터 말하면, 단가가 내려간다고 총비용도 줄어드는 것은 아니에요. 백만 token당 단가보다 ‘작업 하나를 완료하는 데 드는 비용’으로 비교하는 편이 더 신뢰할 만해요.
Menlo 보고서에는 주목할 만한 수치가 있어요. 평균 token 가격은 0.45달러/백만 token에서 0.13달러/백만 token으로 약 70% 하락했지만, 같은 기간 사용량은 22.5배 늘었어요. 이 두 수치로 단순 계산하면 총지출은 줄기는커녕 오히려 약 6.5배로 늘어난 셈이에요. 다만 보고서의 평균값을 바탕으로 한 예시 계산이므로 팀마다 실제 결과는 다를 수 있어요.
오픈소스 모델에서는 이런 차이가 더 두드러져요. 기업의 token 사용량 중 오픈소스 모델이 차지하는 비중은 19%지만, 모델 지출 비중은 4%에 불과해요. 즉, 많은 token을 저렴한 오픈소스 모델에서 사용하지만 비용은 주로 최첨단 비공개 모델에 지출하는 거예요.
개발자 입장에서는 단가가 내려가면 호출이 늘어나기 쉬워요. 특히 Agent와 배치 작업에서 이런 현상이 두드러져요. 실제 비용을 계산할 때는 다음 변수도 고려해야 해요.
- 캐시 적중 여부: 반복되는 시스템 프롬프트와 긴 컨텍스트가 캐시에 적중하는지에 따라 실제 단가가 달라져요.
- 컨텍스트 길이: 긴 문서를 다루는 작업에서는 입력 token이 출력 token보다 훨씬 많은 경우가 많아요.
- 재시도 횟수: 출력이 불안정하거나 형식에 오류가 있어 재시도하면 비용이 몇 배로 늘어날 수 있어요.
- 도구 호출 횟수: Agent 작업은 한 번에 십여 차례 오갈 수 있어, 단가가 낮아도 호출 횟수가 많아져요.
가격을 비교할 때는 먼저 APIYI apiyi.com 콘솔에서 후보 모델의 정가와 과금 방식을 살펴보고, 입력·출력·캐시 비용이 각각 어떻게 계산되는지 확인해 보세요. 그런 다음 실제 작업을 소규모 샘플로 실행해 ‘작업 하나를 완료하는 데 든 비용’을 계산하세요. 정가보다 참고하기 좋은 수치예요.
오픈소스 모델 선택 방법: 순위표로 후보를 좁히고, 작업에 맞춰 결정하기
결론부터 말하면, 순위표는 후보 목록을 만드는 데 활용하고 최종 결정은 작업 적합성, 비용, 안정성, 소규모 샘플 검증을 바탕으로 내려야 해요.
모델 선택은 ‘작업 → 비용 → 안정성 → 검증 → 대체 모델’ 순서로 진행하면 돼요. 아래 표에 각 항목에서 확인할 질문과 검증 방법을 정리했어요.
| 항목 | 확인할 질문 | 검증 방법 | 비용에 미치는 영향 |
|---|---|---|---|
| 작업 적합성 | 주요 작업이 코딩, 긴 문서 처리, 멀티모달, Agent 도구 호출 중 무엇인가요? | 실제 작업 샘플 30-100개를 준비해 출력을 직접 평가 | 적합성이 낮으면 재시도와 수동 수정이 늘어남 |
| 단가와 캐시 | 입력, 출력, 캐시 적중 비용은 각각 얼마인가요? | 콘솔의 모델 목록과 요금 안내를 확인하고 캐시 적중률을 집계 | 토큰 100만 개당 실제 단가를 결정 |
| 컨텍스트 | 최대 입력 길이는 얼마인가요? 길이가 너무 길어지면 성능이 떨어지나요? | 가장 긴 실제 문서로 잘림과 검색 성능을 테스트 | 긴 컨텍스트는 입력 토큰 비용을 직접 높임 |
| 요청 제한 | 동시 요청과 분당 요청 한도가 충분한가요? | 최대 트래픽을 기준으로 부하 테스트 | 제한에 걸리면 대기하거나 모델을 전환해야 해 지연 시간에 영향 |
| 지역별 가용성 | 배포 지역에서 안정적으로 접근할 수 있나요? | 실제 운영 지역에서 호출 | 사용할 수 없다면 다른 경로를 찾아야 함 |
| 안정성 | 최근 중단이 있었나요? 복구에는 얼마나 걸리나요? | 장애 이력을 확인하고 오류율 로그를 관찰 | 중단 시 재시도 비용과 비즈니스 손실 발생 |
이 단계에서 가장 시간이 많이 드는 작업은 여러 모델을 비교하는 일이에요. 후보 모델마다 별도로 가입하고 SDK를 연동해야 한다면, 연결하는 데만 며칠이 걸릴 수 있어요. APIYI apiyi.com을 이용하면 API 키 하나로 OpenAI, Claude, Gemini와 DeepSeek, Kimi 등 여러 모델을 호출할 수 있어요. 인터페이스는 OpenAI 형식과 호환되므로 base_url을 https://api.apiyi.com/v1로 설정하고 요청의 model 파라미터만 바꾸면 모델을 전환할 수 있어요. 같은 샘플을 여러 모델에 빠르게 실행해 비교할 수 있죠.
안정성을 평가할 때는 공급업체의 공지만 봐서는 안 돼요. DeepSeek의 11월 3일 중단 사례는 어떤 단일 모델이든 일시적으로 사용할 수 없게 될 수 있다는 점을 보여줘요. APIYI apiyi.com 콘솔에서는 모델별 사용량과 호출 로그를 확인할 수 있고, 오류율, 지연 시간, 토큰 사용량도 기록돼요. 카나리아 배포 단계에서 후보 모델의 실제 성능을 관찰하기에 적합해요. 플랫폼은 다중 노드 배포와 지능형 라우팅을 사용하며 자동 폴백도 제공해요. 서비스 측에서 대체 모델을 하나 더 설정해 두고 주 모델에 오류가 생겼을 때 전환하면 단일 장애점의 영향을 줄일 수 있어요.
카나리아 배포는 실제 트래픽의 1%-5%부터 시작해 며칠 동안 오류율, 지연 시간, 작업당 비용을 관찰하는 것이 좋아요. 데이터가 안정되면 트래픽을 점차 늘리세요. 순위표만 보고 한 번에 전체 트래픽을 전환해서는 안 돼요.
오픈소스 모델 순위표 FAQ
핵심부터 말씀드리면, 아래 5가지 질문은 오픈소스 모델 순위표를 볼 때 흔히 생기는 오해를 다룹니다.
Q1: Kimi의 지출 점유율이 61%라면 Kimi 모델이 더 뛰어나다는 뜻인가요?
아니요. 지출 점유율은 비용이 어디로 흘러갔는지를 보여주며, 단가와 기업 구매 계약, 유통 채널의 영향을 받아요. 모델 성능과도 직접적인 관계는 없어요. 게다가 Menlo 데이터는 설문을 바탕으로 한 추정치이며, 미국 기업의 오픈소스 모델 지출만 포함해요. ‘지출 1위’가 ‘성능 1위’를 뜻하지는 않으므로, 성능은 직접 수행할 작업으로 평가해야 해요.
Q2: OpenRouter의 요청 순위로 기업 구매 현황을 알 수 있나요?
아니요. OpenRouter는 자사 플랫폼의 요청 점유율을 집계하며, 주 사용자는 개발자와 중소규모 팀이에요. 기업의 직접 계약, 프라이빗 배포, 다른 채널은 집계에 포함되지 않아요. 개발자 사이의 인기와 가격에 민감한 호출 추세를 살펴보는 데는 적합하지만, 기업 예산 분포를 추정하기에는 적합하지 않아요.
Q3: 단가가 낮은 모델은 총비용도 반드시 낮나요?
꼭 그렇지는 않아요. 단가가 낮더라도 재시도가 더 많이 필요하거나 프롬프트가 길어지고 도구 호출 횟수가 늘어나면 총 토큰 소비량이 오히려 높아질 수 있어요. ‘작업 하나를 완료하는 데 드는 비용’을 기준으로 계산해 보세요. APIYI apiyi.com 콘솔에서 호출별 토큰 사용량과 비용 로그를 확인하고, 여러 모델이 같은 작업을 완료하는 데 쓴 총비용을 비교하면 돼요.
Q4: 오픈소스 모델이 폐쇄형 모델을 완전히 대체할 수 있나요?
작업에 따라 달라요. Menlo 데이터에 따르면 기업이 사용한 토큰의 19%를 오픈소스 모델이 처리했지만, 지출 비중은 4%에 그쳤어요. 많은 팀이 대량의 일상적인 작업은 오픈소스 모델에 맡기고, 복잡한 작업은 여전히 최첨단 폐쇄형 모델에 맡긴다는 뜻이에요. 두 유형을 함께 사용하는 것이 비교적 안전한 방법이에요. APIYI apiyi.com에서 동일한 Key로 오픈소스와 폐쇄형 모델을 함께 연결한 뒤, 작업 난이도에 따라 나눠 처리할 수 있어요.
Q5: 오픈소스 모델 순위표는 얼마나 자주 보는 게 좋나요?
주간 순위는 한 달에 한 번 살펴보면서 한 주의 변동보다 추세에 집중하면 돼요. 연간 또는 분기별 조사 보고서가 나오면 집계 기준과 표본에 변화가 있는지 꼼꼼히 확인하세요. 실제 의사결정에 영향을 주는 것은 오류율, 작업당 비용, 사용자 피드백 같은 자사 지표의 지속적인 모니터링이에요. 이런 지표는 매주 점검하는 것이 좋아요.
오픈소스 모델 순위 정리: 모델 선택을 위한 5단계 체크리스트
결론부터 말하면, 두 순위는 서로 다른 것을 측정해요. 먼저 집계 기준을 확인하고, 표본을 살펴본 뒤, 실제 작업으로 검증하는 것이 중요해요.
핵심 내용은 다음과 같아요.
- 지출 ≠ 호출: Menlo는 기업 지출을, OpenRouter는 플랫폼 요청을 측정해요. 분모가 다르므로 직접 비교할 수 없어요.
- 설문 ≠ 감사: Menlo 데이터는 미국 기업 의사결정자 약 400명을 대상으로 한 설문 추정치이며, OpenRouter 데이터는 해당 플랫폼만 대표해요.
- 저렴한 단가 ≠ 비용 절감: 단가가 약 70% 내려가도 사용량이 22.5배 늘면 총비용은 오히려 증가해요. 작업당 비용으로 계산해야 해요.
- 인기 ≠ 안정성: 호출량 1위 모델도 서비스가 중단될 수 있으므로 대안을 미리 준비해야 해요.
- 순위는 후보를 좁혀줄 뿐, 모델 선택을 대신해 주지는 않아요.
다음 모델 선택에 이 체크리스트를 바로 활용해 보세요.
- 작업 정의: 주요 작업 유형(프로그래밍, 긴 문서, 멀티모달, 에이전트)을 명확히 하고, 실제 샘플 30~100개와 평가 기준을 준비해요.
- 후보 선정: 지출 순위와 요청 순위에서 각각 2~3개 모델을 참고하고, 비교 기준으로 비공개 모델 1개를 추가해 후보를 3~5개로 추려요.
- 작업 비용 계산: 동일한 샘플로 모든 후보를 실행해 토큰 사용량, 캐시 적중률, 재시도 횟수를 기록하고, 작업당 비용과 품질 점수를 계산해요.
- 카나리 테스트: 선택한 모델에 실제 트래픽의 1%~5%를 먼저 할당하고, 며칠 동안 오류율, 지연 시간, 비용을 관찰해요. 기준을 충족하면 트래픽을 늘려요.
- 대체 모델 준비: 다른 공급사의 대체 모델을 하나 이상 설정하고, 전환 규칙을 마련해 정기적으로 테스트해요.
3단계부터 5단계까지 한곳에서 진행하고 싶다면 APIYI apiyi.com에서 키 하나로 후보 모델에 접근할 수 있어요. 콘솔에서 가격, 사용량, 로그를 비교하고 플랫폼의 자동 대체 기능으로 전환을 설정할 수 있어요. 신규 사용자에게는 무료 테스트 크레딧이 제공되어 소규모 샘플 검증에 적합해요.
본문 데이터 출처
- Menlo Ventures 2026 기업 AI 현황 보고서: 2026년 11월 3일 발행
- 링크:
menlovc.com -
설명: 기업 AI 지출, 오픈소스 모델 지출 비중, 토큰 가격 변화에 관한 설문 추정치
-
OpenRouter 모델 순위: 2026년 10월 26일~11월 1일 주간 순위
- 링크:
openrouter.ai/rankings - 설명: 플랫폼의 텍스트 요청 점유율과 토큰 호출 추이로, 해당 플랫폼만 대표함
작성자: APIYI 기술팀
기술 문의: 모델 선택 과정에서 가격, 호출 제한 또는 전환과 관련한 문제가 있다면 APIYI apiyi.com 홈페이지에서 문의해 주세요. 더 자세한 연동 자료는 docs.apiyi.com 문서 센터에서 확인할 수 있어요.
