메타 AI 반격, 학습-배포-수익화 루프 구축

메타의 AI 반격 전략이 단순한 조직 보강을 넘어 '학습-배포-수익화'가 하나의 순환 구조로 연결되기 시작했다는 평가가 나온다. 메타는 Scale AI에 143억달러를 투자해 비의결권 지분 49%를 확보하고, Alexandr Wang을 슈퍼인텔리전스 조직의 핵심 책임자로 영입했다. 이후 Meta Superintelligence Labs(MSL)를 중심으로 연구 인력과 컴퓨팅 자원을 재배치하며 지난 9개월간 AI 스택을 처음부터 다시 구축했다고 설명했다. 조직 재편 이후 4월 Muse Spark를 공개했고, 3개월 만에 Muse Spark 1.1을 내놓았다. 신모델은 100만 토큰 컨텍스트, 병렬 서브에이전트 위임, 장기 작업용 컨텍스트 관리, 컴퓨터 사용과 멀티모달 작업에 초점을 맞췄다. 개발자가 모델 위에 서비스를 구축할 수 있는 Meta Model API도 함께 처음 공개돼, 소비자용 챗봇에서 외부 개발자 플랫폼 단계로 전환하는 신호로 해석된다. 다만 메타 자체 평가에서도 Muse Spark 1.1은 에이전트·도구 사용에서 크게 개선됐으나 일부 코딩과 장기 작업에서는 경쟁사 최상위 모델에 뒤처졌다. 자사 측정값과 경쟁사 발표값이 혼재하고 시스템 프롬프트가 경쟁 모델에 최적화되지 않았다는 한계도 명시돼, 벤치마크만으로 프론티어 선두 복귀를 단정하긴 이르다. 관전 포인트는 순위가 아니라 경제 구조다. OpenAI·앤스로픽이 API·구독·기업용 에이전트에서 직접 매출을 만들어야 하는 반면, 메타는 모델을 고가에 팔지 않아도 된다. AI가 광고 추천 정확도를 높이고 콘텐츠 소비시간과 Marketplace 거래, 비즈니스 메시징·스마트글라스 사용을 확대하면 투자 가치를 회수할 수 있다. Muse Spark는 이미 WhatsApp, Instagram, Facebook, Messenger, Threads, 검색, 그룹 채팅, Marketplace, AI 스마트글라스로 순차 적용되고 있다. 제품에서 반복 발생하는 사용자 상호작용은 한 번 수집으로 끝나는 학습 말뭉치와 달리 지속적으로 실패·선호 데이터를 생성해 다음 모델을 개선한다. 컴퓨팅 측면에서도 메타는 여러 데이터센터를 잇는 1GW급 Prometheus 클러스터와 이더넷 기반 BAG 슈퍼스파인 네트워크를 구축하며, AI 인프라 경쟁의 무게중심이 GPU 조달에서 전력·냉각·광통신·스위칭으로 이동하고 있음을 보여준다. 결국 메타의 성공 조건은 '모든 벤치마크 1위'가 아니라 충분한 성능, 낮은 추론비용, 세계 최대급 배포망, 빠른 피드백, 광고·커머스를 통한 즉각 수익화의 결합이라는 것이 이번 분석의 핵심이다.