내가 계산을 해보던 그 오후를 여전히 기억합니다. 나는 한 달에 487.34달러에 달하는 OpenAI 청구서를 빤히 바라보고 있었고, 내 안의 무언가가 끊어지는 기분이 들었습니다. 나는 수년간 충성스러운 고객이었습니다. OpenAI를 옹호하는 블로그 포스트를 썼고, 친구들에게 그들의 API를 추천했습니다. 그들의 툴링(tooling)을 중심으로 사이드 프로젝트 전체를 구축하기도 했습니다. 그런데도 나는 마치 속았다는 기분을 느끼고 있었습니다.

사실, 나는 마음속 깊이 항상 오픈 소스(open source)를 지향하는 사람이었습니다. 나의 첫 기여는 고등학생 시절 Linux 배포판에 이루어졌습니다. 나는 프로젝트에 어떤 의존성(dependency)을 추가하기 전에 LICENSE 파일을 종교적으로 확인합니다. Apache 2.0? 아름답습니다. MIT? 훨씬 더 좋습니다. GPL? 대화해 볼 만합니다. 하지만 독점적이고, 소스 코드가 공개되지 않은, 폐쇄적인 생태계(walled garden)의 API? 그곳이 바로 내가 선을 긋는 지점입니다.

그런데 어찌 된 일인지, 나는 그 안에 갇혀버리고 말았습니다.

내가 어떻게 탈출했는지, 그 과정에서 무엇을 배웠는지, 그리고 자유를 진지하게 생각하는 개발자라면 왜 2026년에 일어나고 있는 일들에 주목해야 하는지 말씀드리겠습니다.

내가 인질이 되었다는 것을 깨달은 순간

벤더 종속(vendor lock-in)에 대해 아무도 말해주지 않는 사실이 있습니다. 이미 종속된 후에는 알 수 없는 사실이죠. 그것은 하룻밤 사이에 일어나지 않습니다. 수천 가지의 아주 작은 편리함을 통해 일어납니다. "pip install만 하면 되는" Python 클라이언트, 상상할 수 있는 모든 질문에 답해주는 문서, 모든 에러 메시지에 대한 Stack Overflow의 답변들. 자신도 모르는 사이에 당신의 전체 아키텍처(architecture)는 한 회사의 가격 페이지에 의존하게 되며, 그 가격 페이지는 어느 화요일 오후에 예고도 없이 변경될 수 있습니다.

그것이 나에게 일어난 일이었습니다. 나는 작은 이커머스 고객을 위해 챗봇 서비스를 운영하고 있었습니다. 대단한 것은 아니었습니다. GPT-4o가 아주 훌륭하게 처리해주었습니다. 지연 시간(latency)은 훌륭했고, 응답은 일관적이었으며, 내 고객은 만족했습니다. 그러다 OpenAI가 가격을 인상했습니다. 그러더니 속도 제한(rate limits)을 추가했습니다. 그러고 나서 그들의 SDK는 내 코드베이스의 절반을 리팩터링(refactor)해야만 하는 파괴적 변경(breaking changes)을 도입했습니다.

나는 그 자리에 앉아 생각했습니다. '나는 사실 이 중 그 무엇도 소유하고 있지 않다. 내 고객들의 데이터는 내가 검사하거나, 감사하거나, 대체할 수 없는 인프라를 통해 흐르고 있다. 내 코드는 나에게 아무런 의무도 지지 않는 벤더(vendor)와 결혼해 버렸다.'

그 순간이 바로 내가 탈출구를 찾기 시작한 시점이었습니다.

나를 물리적으로 분노하게 만든 숫자들

본격적으로 가격을 비교하기 시작했을 때, 나는 내가 그동안 무엇을 지불해 왔는지 믿을 수 없었습니다. 내가 정확히 무엇을 발견했는지 보여드리겠습니다. 이 부분은 지금 생각해도 여전히 혈압이 약간 상승하는 대목이니까요.

내가 무엇으로 마이그레이션(migration)했는지, 그리고 이전에는 무엇을 지불하고 있었는지에 대한 요약입니다:

• GPT-4o (OpenAI, 독점 모델): 입력 토큰 100만 개당 $2.50, 출력 토큰 100만 개당 $10.00. 기준점입니다. 내가 돈을 쏟아붓고 있었던 바로 그것이죠.
• GPT-4o-mini (OpenAI): $0.15 / $0.60. 그들의 저가형 옵션입니다. 상위 모델보다 16.7배 저렴합니다.
• DeepSeek V4 Flash (Global API): $0.18 / $0.25. 주인공입니다. GPT-4o보다 40배 저렴합니다.
• Qwen3-32B (Global API): $0.18 / $0.28. 35.7배 저렴합니다.
• DeepSeek V4 Pro (Global API): $0.57 / $0.78. 12.8배 저렴합니다.
• GLM-5 (Global API): $0.73 / $1.92. 5.2배 저렴합니다.
• Kimi K2.5 (Global API): $0.59 / $3.00. 3.3배 저렴합니다.

DeepSeek V4 Flash 행을 다시 한번 읽어보세요. 출력 토큰 100만 개당 $0.25입니다. 내가 100만 개당 10달러를 지불하던 것과 대등한 품질임에도 불구하고 말이죠. 이것은 단순한 가격 차이가 아닙니다. 무엇이 가능한지에 대한 구조적 변화(structural shift)입니다.

만약 당신이 저와 같은 1인 개발자라면, 이것은 AI가 비싼 장난감이 되느냐, 아니면 당신의 스택(stack)의 근본적인 부분이 되느냐의 차이입니다. 만약 당신이 소규모 비즈니스를 운영하고 있다면, 이것은 AI가 실행 가능한 기술이 되느냐, 아니면 Hacker News에서 읽기만 하고 실제로 사용하지는 못하는 기술이 되느냐의 차이입니다.

내가 왜 이 문제에 열광하는지 (그리고 당신도 그래야 하는 이유)

잠시 오픈 소스 옹호자(open source advocate)의 입장에서 말씀드리겠습니다. 왜냐하면 이것은 가격 차이보다 더 중요한 문제이기 때문입니다.

독점적이고 폐쇄적인 소스(closed source)인 폐쇄적인 생태계(walled garden) API를 기반으로 구축할 때, 여러분은 단순히 부풀려진 가격만을 지불하는 것이 아닙니다. 여러분은 또한 다음과 같은 상황에 놓이게 됩니다:

1. 블랙박스(black box)를 신뢰하게 됩니다. 여러분의 데이터에 어떤 일이 일어나는지 알 수 없습니다. 모델을 감사(audit)할 수 없습니다. 학습 과정을 검증할 수 없습니다. 여러분은 그저... 바랄 뿐입니다.
2. 협상할 수 없는 약관을 수용하게 됩니다. 일방적인 서비스 수준 계약(SLA), 갑작스러운 서비스 약관(ToS) 변경, 문제가 발생했을 때 구제받을 방법이 없습니다.
3. 빌려온 땅 위에 건물을 짓는 격입니다. 어떤 기업이 모델을 지원 중단(deprecate)하거나, 가격을 변경하거나, 엔드포인트(endpoint)를 폐쇄하기로 결정하면 여러분의 비즈니스 전체가 증발할 수 있습니다.
4. 오픈 웨이트(open weights)의 혁신을 포기하게 됩니다. DeepSeek, Qwen, GLM, Kimi와 같은 모델들은 Apache 2.0 또는 MIT 라이선스 하에 출시됩니다. 여러분은 이를 자체 호스팅(self-host)할 수 있습니다. 미세 조정(fine-tune)할 수 있습니다. 검사(inspect)할 수 있습니다. 포크(fork)할 수 있습니다. 그것이 진정한 의미의 _자유(freedom)_이며, 우리는 그동안 이를 향해 몽유병 환자처럼 걸어 나오며 놓치고 있었습니다.

OpenAI가 훌륭한 일을 하지 않는다는 말이 아닙니다. 그들은 잘하고 있습니다. 하지만 주체성(agency), 투명성, 그리고 자신의 스택(stack)을 실제로 소유할 수 있는 능력을 중시하는 개발자라면, 대안이 존재하는 상황에서 갇혀 있는 것에 대해 어떤 변명도 할 수 없다고 말씀드리는 것입니다.

내가 실제로 전환을 완료한 방법 (스포일러: 부끄러울 정도로 쉬웠습니다)

여기 정말로 저를 놀라게 했던 부분이 있습니다. 저는 마이그레이션(migration)이 몇 주가 걸리는 프로젝트가 될 것이라고 예상했습니다. 새로운 SDK를 배우고, 통합(integration) 코드를 다시 작성하고, 이상한 버그를 처리하며, 아마도 새벽 3시에 내 인생의 선택을 후회하면서 몇 개의 패치(patch)를 배포해야 할 것이라고 생각했습니다.

하지만 저에게는 단 한 번의 오후가 걸렸습니다. 단 한 번의 오후 말입니다.

그 이유는 Global API가 OpenAI API 규격(spec)을 충실히 구현하고 있기 때문입니다. 설정(config)에서 두 가지 값 — API 키(API key)와 베이스 URL(base URL) — 만 바꾸면 나머지 모든 것이 그대로 작동합니다. 새로운 SDK도 필요 없습니다. 새로운 멘탈 모델(mental model)도 필요 없습니다. 암기해야 할 새로운 에러 코드도 없습니다.

제가 대부분의 작업에 사용하는 Python에서의 모습은 다음과 같습니다:

from openai import OpenAI

client = OpenAI(api_key="sk-proj-xxxxxxxxxxxx")
...

그게 전부입니다. 단 두 줄이 바뀌었을 뿐입니다. 동일한 openai 패키지, 동일한 메서드 시그니처 (method signatures), 동일한 응답 객체 (response objects). 제 테스트 코드는 변경할 필요조차 없었습니다. 새로운 엔드포인트(endpoint)와 새로운 모델을 대상으로 테스트가 바로 통과되었습니다.

조금 더 로우 레벨 (low-level) 접근 방식을 선호하신다면, 실제 애플리케이션 코드를 건드리기 전에 모든 것이 제대로 작동하는지 확인하기 위해 사용했던 curl 버전을 소개합니다:

curl https://global-apis.com/v1/chat/completions \
  -H "Authorization: Bearer ga_xxxxxxxxxxxx" \
  -H "Content-Type: application/json" \
...

이를 실행하여 합리적인 응답을 받았고, 즉시 어깨의 짐이 내려가는 것을 느꼈습니다.

기능 인벤토리 (Feature Inventory): 실제로 얻을 수 있는 것들

회의적인 개발자들의 사고방식을 잘 알기에, 가장 핵심적인 질문에 대해 말씀드리겠습니다. "물론 더 저렴하긴 하지만, 정말로 내가 필요한 모든 기능을 제공하는가?"

Global API를 통해 두 달 동안 프로덕션 워크로드 (production workload)를 실행해 본 후의 솔직한 평가입니다:

• Chat Completions (채팅 완성): OpenAI의 API와 동일합니다. 즉시 교체 가능 (Drop-in) 합니다.
• Streaming (SSE, 서버 전송 이벤트): 동일한 방식으로 작동합니다. 이벤트 형식도 같습니다. 제 SSE 핸들러 (handler) 코드는 단 한 줄도 수정할 필요가 없었습니다.
• Function Calling (함수 호출): JSON 스키마 (schema)가 동일합니다. 제 도구 호출 (tool-calling) 파이프라인은 수정 없이 작동합니다.
• JSON Mode (JSON 모드): response_format을 적절히 준수합니다. 이를 통해 스키마를 검증해 보았으며, 깨끗한 결과가 돌아옵니다.
• Vision (이미지): GPT-4V 변형 모델이나 Qwen-VL 같은 모델을 통해 지원됩니다. 아직 프로덕션에서 이 기능을 강하게 밀어붙여 보지는 않았지만, 실험은 성공적이었습니다.
• Embeddings (임베딩): 로드맵에 따르면 곧 출시될 예정입니다. 현재는 전용 임베딩 서비스를 사용 중인데, 솔직히 이는 제공업체와 상관없이 추천하는 방식입니다.
• Fine-tuning (미세 조정): 사용할 수 없습니다. 이 부분이 제가 타협해야 했던 유일한 지점입니다. 하지만 — 이 점이 중요합니다 — DeepSeek나 Qwen 같은 모델들의 오픈 웨이트 (open weights) 덕분에, 정말 필요하다면 직접 미세 조정을 할 수 있습니다. 아직은 그럴 필요가 없었을 뿐입니다.
• Assistants API (어시스턴트 API): 사용할 수 없습니다. 저는 약 200줄의 Python 코드로 그에 상응하는 기능을 직접 구축했습니다.

어차피 Assistants API (어시스턴트 API)는 항상 약간의 블랙박스(black box) 같았고, 직접 구축함으로써 더 많은 제어권을 얻을 수 있었습니다.

• TTS / STT: 사용할 수 없습니다. 저는 이들을 위해 전용 서비스를 사용합니다. TTS는 ElevenLabs를, STT는 Whisper 배포판을 사용합니다. 저는 어쨌든 이러한 관심사의 분리 (separation of concerns)를 선호합니다.

결과적으로: 제가 매일 사용해 온 모든 기능은 동일하게 작동하며, 그렇지 않은 기능들은 직접 구축해도 괜찮거나 훌륭한 전용 대안들이 있습니다.

현재 제가 사용 중인 구체적인 모델들

막연한 조언보다는 구체적인 추천이 더 유용할 것이라 생각하기에, 저의 실제 프로덕션 설정(production setup)을 말씀드리겠습니다.

챗봇 워크로드(chatbot workload)의 경우, 저는 기본적으로 DeepSeek V4 Flash를 사용합니다. 지연 시간(latency)이 좋고, 품질은 고객 대상 채팅에 충분하고도 남으며, 출력 토큰 100만 개당 0.25달러라는 가격 덕분에 진심으로 비용에 대해 더 이상 고민하지 않게 되었습니다. 저는 하루에 수천 개의 요청을 보내지만 청구 금액은 한 자릿수 달러에 불과합니다.

내부 도구의 코드 생성(code generation) 작업에는 Qwen3-32B를 사용합니다. 32B 파라미터(parameter) 수는 저에게 최적의 지점(sweet spot)입니다. 빠를 만큼 충분히 작으면서도, 똑똑할 만큼 충분히 큽니다. 출력 토큰 100만 개당 0.28달러라는 가격은 정말 거저나 다름없습니다.

추가적인 역량이 필요한 더 복잡한 추론(reasoning) 작업에는 DeepSeek V4 Pro를 사용합니다. 출력 토큰 100만 개당 0.78달러로, 여전히 GPT-4o보다 거의 13배 저렴하며, 어려운 추론 작업에서의 품질은 진심으로 저를 놀라게 합니다.

멀티모달(multimodal) 또는 비전(vision) 중심의 작업에는 Qwen-VL 변형 모델들을 사용합니다.

특정 니치(niche) 시장을 위해 GLM-5와 Kimi K2.5를 실험해 오고 있습니다. GLM-5는 제가 서비스하는 시장인 중국어 콘텐츠에 매우 훌륭하며, Kimi K2.5는 문서 분석 프로젝트에 사용 중인 아주 멋진 롱 컨텍스트(long-context) 능력을 갖추고 있습니다.

핵심은 이것입니다: 단일 엔드포인트(endpoint)를 통해 184개의 모델을 사용할 수 있기 때문에, 비용과 역량 사이의 절충안(tradeoffs)에 따라 서로 다른 작업들을 서로 다른 모델로 라우팅(route)할 수 있습니다. 이는 제가 OpenAI의 카탈로그에 갇혀 있을 때는 말 그대로 할 수 없었던 일입니다.

감정적인 부분 (네, 이제 개인적인 이야기가 나올 것입니다)

솔직하게 말씀드리고 싶은 것이 있습니다. OpenAI에서 벗어나는 것은 저에게 단순한 기술적 결정이 아니었습니다. 그것은 이념적인 결정이었습니다.

저는 오픈 소스 (Open Source) 덕분에 프로그래밍을 시작했습니다. 제가 동경하던 프로젝트들의 소스 코드를 읽으며 Python을 배웠습니다. 템플릿을 포크 (Fork)하고 수정하며 웹 개발을 배웠습니다. Linux 커널 주석을 읽으며 시스템 프로그래밍을 배웠습니다. 제가 가진 모든 기술은 소프트웨어와 그것을 만드는 방법론이 자유롭게 공유되어야 한다고 믿는 사람들의 커뮤니티 덕분입니다.

오픈 웨이트 (Open Weights)로 자유롭게 존재하는 기능들을 사용하기 위해, 독점적이고 폐쇄적인 소스 기반의 폐쇄적 생태계 (Walled Garden) 벤더에게 40배의 마진을 지불하는 것은 제가 믿어온 모든 것에 대한 배신처럼 느껴졌습니다. 마치 제가 예전에 비웃곤 했던 부류, 즉 직접 만들 수도 있는 것들을 단지 더 쉽다는 이유로 돈을 주고 사용하는 엔터프라이즈 개발자가 된 것 같은 기분이었습니다.

전환을 결정했을 때, 저는 단순히 비용만 절감한 것이 아닙니다. 제 영혼의 일부를 되찾았습니다. 다소 극적인 표현일 수도 있지만, 사실입니다.

미리 알았더라면 좋았을 것들

여러분의 시간을 아껴줄 수 있는 저의 마이그레이션 (Migration) 과정에서의 몇 가지 실질적인 교훈입니다:

1. 확정하기 전에 새로운 엔드포인트 (Endpoint)로 테스트하세요. 기존 프롬프트 (Prompt) 세트를 새로운 모델에 실행해 보고 출력을 비교해 보세요. 정교한 평가 스위트 (Eval Suite)가 없어도 괜찮습니다. 대표적인 프롬프트 12개 정도만으로도 많은 것을 알 수 있습니다.

2. 첫날부터 비용 모니터링을 설정하세요. 추론 (Inference) 비용을 아끼려다 다른 비용 때문에 깜짝 놀라는 상황은 피해야 합니다. 대시보드를 구축하고 알림을 설정하세요.

3. 한꺼번에 모든 것을 마이그레이션하지 마세요. 저는 카나리 배포 (Canary Deployment) 방식을 사용했습니다. 트래픽의 10%는 새로운 엔드포인트로, 90%는 OpenAI로 보내고 점진적으로 전환했습니다. 이를 통해 운영 환경의 신뢰도를 해치지 않으면서 문제를 포착할 수 있었습니다.

4. 데이터 처리 관련 세부 조항을 읽으세요. 제공업체마다 정책이 다릅니다. 데이터가 어디로 가는지, 얼마나 오래 보관되는지, 그리고 어떤 용도로 사용되는지 반드시 이해해야 합니다.

5. 기존 API 키를 당분간은 보관해 두세요. 만약의 경우를 대비해서 말입니다.

오픈 소스 생태계는 더 나은 대우를 받을 자격이 있습니다

제가 전달하고자 하는 더 넓은 관점은 이것입니다. DeepSeek가 허용적인 라이선스(permissive licenses) 하에 모델을 출시하고, Qwen이 동일하게 행동하며, 중국의 오픈 소스 AI 생태계 전체가 누구나 다운로드하고, 검사하고, 실행할 수 있는 Apache 2.0 및 MIT 라이선스 가중치(weights)를 배포할 때 — 그것은 세상에 주는 _선물_입니다. 그것이야말로 오픈 소스 정신의 정수입니다.

그리고 벤더(vendors)들이 그러한 작업물을 독점적인 API와 40배의 마진(markups) 뒤에 가두려 할 때, 그들은 단순히 지대(rent)를 추출하는 것에 그치지 않습니다. 그들은 애초에 자신들의 모델을 가능하게 만들었던 생태계 전체를 약화시키고 있는 것입니다.

폐쇄적인 소스 기반의 가두리 양식장(walled garden)을 벗어나 오픈 가중치 호환 API로 마이그레이션하는 모든 개발자는 투표를 하고 있는 것입니다. 그들은 이렇게 말하고 있습니다: 나는 투명성을 가치 있게 여긴다. 나는 자유를 가치 있게 여긴다. 나는 내 스택(stack)을 실제로 소유할 수 있는 능력을 가치 있게 여긴다. 그것은 투표할 가치가 있는 투표입니다.

나의 새로운 월간 청구서