(1) 스포티파이, 피트니스 콘텐츠 추가로 새로운 전략 실행
- 스포티파이가 팟캐스트, 오디오북, 비디오, 종이책에 이어 피트니스 콘텐츠를 새 카테고리로 추가 → 운동용 플레이리스트 허브에서 운동 자체를 소비하는 공간으로 확장
- 새로 만든 ‘피트니스(Fitness)’ 허브에서 접근 가능, 검색창에 ‘fitness’ 입력으로도 진입, 모바일·데스크톱·TV 앱 전반에서 음악·영상 형태로 제공
- 출시 파트너 1 웰니스 크리에이터: 무료·프리미엄 사용자 모두 접근 가능. 요가 위드 카산드라(Yoga With Kassandra), 케이틀린 켈리 요가(Caitlin K’eli Yoga), 스웨티 스튜디오(Sweaty Studio), 클로이 팅(Chloe Ting), 필라테스 보디 바이 레이븐(Pilates Body By Raven), 애비 밀스 웰니스(Abi Mills Wellness), 소피리드핏(Sophiereidfit) 등 다수 크리에이터 합류
- 출시 파트너 2 펠로톤(Peloton): 1,400개 이상의 광고 없는 온디맨드 클래스를 일부 시장 프리미엄 사용자에게 제공. 근력, 카디오, 요가, 명상, 러닝 등 포괄. 펠로톤 전용 장비 없이도 이용 가능
- 크리에이터 수익화 구조: 기존 스포티파이 파트너 프로그램(Spotify Partner Program) 등 자체 수익화 도구 활용. 펠로톤과의 거래 조건은 비공개. 향후 유료 구독·유료 클래스 형태 확장 여부는 확답 회피
- 투자 결정 근거(자체 데이터): 프리미엄 가입자의 약 70%가 매월 운동, 서비스 내 피트니스 플레이리스트 1억 5천만 개 이상. 최근 출시한 AI 기반 프롬프티드 플레이리스트(Prompted Playlist) 기능 이후 운동용 음악 수요 증가
- https://techcrunch.com/2026/04/27/spotifys-next-frontier-fitness-content/
💡 Takeaway & Insight
- “플레이리스트 허브 → 활동 자체의 허브” 전환: 기존에 사용자가 스포티파이를 켜는 맥락(운동) 위에 콘텐츠 유형을 얹는 정공법 → 신규 카테고리 진입 시 “이미 우리 앱이 함께하는 순간”을 매핑하는 것이 가장 안전한 베팅
- 데이터로 설득하는 신규 카테고리 정당화: 70% 월간 운동, 플레이리스트 1.5억 개라는 내부 시그널이 의사결정 근거
- 공급자 양면 전략: 인디 크리에이터(Long tail)와 빅 IP(펠로톤, Head)를 동시에 확보 → 카탈로그 다양성 + 브랜드 신뢰도를 한 번에 충족, 앱 내 콘텐츠 마켓플레이스를 만들 때 적용 가능한 공급자 포트폴리오 패턴
- 앱 비대화에 대한 자기 인식 + 기능 토글의 가치: 카테고리 추가 = 사용자 경험 비용 증가, 영상 끄기 옵션처럼 사용자별로 “내 스포티파이 경험”을 선택할 수 있게 하는 것이 카테고리 확장 전략의 필수 요소 → 우리 제품에 신규 모듈을 붙일 때 “원치 않는 사용자는 끌 수 있는가?” 질문 필수
- 수익화 모델 미정의 시그널: 펠로톤 거래 조건 비공개, 유료 클래스 가능성도 미확정 → 카테고리 진입을 우선하고 수익 모델은 데이터 본 후 결정하는 단계적 접근, 무리하게 첫날부터 BM을 박지 않는 절제
- 우리 제품의 “이미 우리와 함께 일어나는 활동” 데이터를 본 적이 있는가? 그 활동을 콘텐츠로 만들어줄 외부 파트너(헤드 + 롱테일)는 누구인가?
(2) 메타의 손실은 띵킹 머신스의 이득
- 메타에서 8년간 일한 웨이야오 왕(Weiyao Wang)이 지난주 메타를 떠나 띵킹 머신스 랩(Thinking Machines Lab, TML)에 합류 → 메타에서 멀티모달 인지 시스템과 SAM3D 등 오픈월드 세그멘테이션 프로젝트에 기여한 인물
- TML이 구글과 수십억 달러 규모 클라우드 계약 체결 → 엔비디아 최신 GB300 칩 접근 확보, 해당 하드웨어를 가장 먼저 돌리는 스타트업 중 하나로 등극, 기존 엔비디아 파트너십에 더해 이번 계약으로 TML이 앤트로픽·메타와 같은 인프라 티어로 올라섬
- 메타 ↔ TML 인재 양방향 쟁탈전:
- 메타가 TML 창업 멤버 7명을 영입(비즈니스 인사이더 보도)
- 반대로 TML도 메타에서 가장 많은 인력을 흡수 중(링크드인 분석 기준)
- TML이 메타에서 영입한 핵심 인물:
- 수미스 친탈라(Soumith Chintala): TML CTO. 메타 11년 근속, 파이토치(PyTorch) 공동 창시자, 2025년 말 메타 이탈 후 올해 초 CTO 임명
- 피오트르 돌라르(Piotr Dollár): 메타 11년 근속, 리서치 디렉터 출신, ‘Segment Anything’ 모델 공저자, 현재 TML 기술팀 소속
- 안드레아 마도토(Andrea Madotto): 메타 FAIR 멀티모달 언어모델 리서처, 작년 12월 합류
- 제임스 선(James Sun): 메타에서 약 9년간 LLM 사전·사후 학습 담당 엔지니어
- 메타 외 영입 인력:
- 닐 우(Neal Wu): 국제 정보올림피아드 금메달 3회 수상자, 코딩 스타트업 코그니션(Cognition) 창업 멤버 출신
- 제프리 타오(Jeffrey Tao): 웨이모 → 윈드서프(Windsurf) → 오픈AI 거쳐 합류
- 무하마드 마즈(Muhammad Maaz): 앤트로픽 리서치 펠로 출신
- 에릭 위즈만스(Erik Wijmans): 애플 출신
- 릴리앙 렌(Liliang Ren): 마이크로소프트 AI 슈퍼인텔리전스 팀에서 2년 반간 오픈AI 코드 모델 사전학습, 3월 합류
- 현재 인원 약 140명, 현 밸류에이션 120억 달러($12B) → 출시 제품 1개에 비하면 이례적 평가지만, 오픈AI·앤트로픽 수준 대비 여전히 업사이드 여지, 메타가 작년 이맘때 TML 인수 시도했다는 보도도 있음
- https://techcrunch.com/2026/04/24/metas-loss-is-thinking-machines-gain/
💡 Takeaway & Insight
- 인프라 티어가 곧 채용 시그널: GB300 우선 접근 → 앤트로픽·메타와 동급 인프라 → “여기 오면 진짜 큰 모델 만질 수 있다”는 메시지 자체가 채용 도구, AI 인프라 파트너십은 마케팅·HR 자산이기도 함
- 지분 업사이드의 재발견: 메타의 7자리 현금 보상이 절대 우위가 아닌 이유는 후기 단계 평가가 너무 높아 신규 합류자 RSU의 업사이드가 제한적이기 때문 → TML(120억 달러)이 오히려 “지금 들어가면 10배 가능”으로 읽힘
- 창업자급 이탈 리스크의 양면성: 메타가 TML 창업 멤버 7명을 빼간 동시에, TML도 메타에서 더 많이 영입 → 인재 시장은 단방향 흐름이 아니라 진동함
- 친탈라 영입은 단순 CTO 임명이 아니라 “전 세계 AI 연구의 표준 도구를 만든 사람이 우리를 택했다”는 신호 → 시니어 영입은 1명만 잘 잡아도 후속 영입이 자동으로 따라옴
(3) 구글, 앤트로픽에 최대 400억 달러 투자
- 구글이 앤트로픽에 최대 400억 달러($40B) 투자 계획(블룸버그 보도) → 즉시 100억 달러($10B) 집행, 앤트로픽 평가액 3,500억 달러($350B) 기준. 추가 300억 달러($30B)는 앤트로픽이 일정 성과 목표 달성 시 후속 집행
- 앤트로픽이 이달 초 신규 모델 미토스(Mythos)를 일부 파트너에게만 제한 출시한 직후. 미토스는 자사 최강 모델로 사이버보안 응용에 강점, 오용 우려로 광범위 접근 차단. 다만 이미 무단 접근 발생. 대규모 운영 비용도 부담 요인
- 앤트로픽의 인프라 확보 행보:
- 클로드 사용량 제한에 대한 광범위한 불만 → 인프라 거래 다발 체결로 대응
- 이달 초 클라우드 사업자 코어위브(CoreWeave)와 데이터센터 용량 계약
- 같은 주에 아마존으로부터 추가 50억 달러($5B) 투자 확보 → 광범위 합의의 일부로, 앤트로픽이 약 5기가와트(GW) 컴퓨팅을 위해 최대 1,000억 달러($100B)를 지출하기로 함
- 구글과 앤트로픽의 이중 관계: 구글은 AI 모델에서 직접 경쟁자이면서도 앤트로픽의 핵심 인프라 공급자 → 앤트로픽은 구글 클라우드를 통해 텐서 처리 장치(TPU)에 의존, TPU는 AI 워크로드용 특화 칩으로 엔비디아 대안 중 최상급
- 이전 협업 이력: 이달 초 앤트로픽-구글-브로드컴(Broadcom) 파트너십 발표. 2027년부터 다중 기가와트급 TPU 컴퓨팅 접근. 브로드컴 후속 공시 기준 3.5기가와트 규모
- 이번 투자가 추가하는 것: 향후 5년간 구글 클라우드가 5기가와트 추가 공급, 추가 확장 여지 있음
- 2월 기준 평가액 3,500억 달러. 이후 투자자들은 8,000억 달러($800B) 이상에 투자 의향. 빠르면 올해 10월 IPO 검토 중이라는 보도도 있음
- https://techcrunch.com/2026/04/24/google-to-invest-up-to-40b-in-anthropic-in-cash-and-compute/
💡 Takeaway & Insight
- 현금이 아니라 와트(Watt)로 투자받는 시대: 구글의 베팅은 단순 지분 투자가 아니라 “TPU 5GW를 쥐어주겠다”는 인프라 공급 계약 → 프론티어 AI 회사의 자본은 이제 화폐가 아니라 전력+칩. PM이 자사 AI 제품의 비용 구조를 평가할 때 “달러 단가”가 아니라 “GW당 처리량”으로 보는 시각이 필요
- 사용량 제한 = 인프라 부족 신호: 클로드 사용 한도 불만 → 즉각적인 대규모 인프라 거래 → “사용량 제한”은 단순 정책이 아니라 공급 부족의 외부 노출
- 밸류에이션 도약의 조건: 3,500억 달러 → 8,000억 달러로 2.3배 점프 사이의 변수는 ① 미토스급 차세대 모델 출시 ② 5GW 인프라 락인 ③ 아마존+구글 양다리 → “차기 라운드에서 평가액을 끌어올리려면 무엇을 보여줘야 하는가?”라는 질문에 대한 모범답안 케이스
- IPO 타이밍의 미묘함: 미토스 무단 접근 사고 + 사용량 한도 불만 + 컴퓨팅 비용 폭증 한가운데서 10월 IPO 검토 → 좋은 뉴스만 모이길 기다리는 게 아니라 인프라 락인 거래로 “성장 스토리”를 강화한 뒤 상장하는 정공법
(4) 딥시크 V4 프리뷰: 가격으로 프론티어 AI 모델과의 거리를 좁히다
- 출시 모델: 중국 AI 랩 딥시크가 신규 LLM ‘딥시크 V4’의 두 가지 프리뷰 버전 공개 → V4 플래시(V4 Flash), V4 프로(V4 Pro). 작년 V3.2와 함께 화제가 된 R1 추론 모델의 후속
- 둘 다 전문가 혼합(MoE, mixture-of-experts) 구조, 컨텍스트 윈도우 100만 토큰, 대형 코드베이스나 문서 통째 입력 가능, MoE는 작업당 일부 파라미터만 활성화해 추론 비용을 낮추는 방식
- 모델 스펙:
- V4 프로: 총 1.6조 파라미터, 활성 490억, 현존 최대 오픈웨이트 모델 → 문샷 AI(Moonshot AI)의 키미 K 2.6(1.1조), 미니맥스(MiniMax) M1(4,560억), 직전 V3.2(6,710억)를 모두 상회
- V4 플래시: 총 2,840억 파라미터, 활성 130억
- 성능 주장:
- 양 모델 모두 V3.2 대비 효율·성능 개선, 추론 벤치마크에서 오픈·클로즈드 선도 모델과의 격차 거의 좁힘
- V4 프로 맥스(V4-Pro-Max)가 일부 과업에서 오픈AI GPT-5.2와 제미나이 3.0 프로(Gemini 3.0 Pro)를 상회한다고 주장
- 코딩 경쟁 벤치마크에서 두 V4 모델 모두 GPT-5.4와 견줄 만한 성능
- 한계 인정: 지식 테스트(특히 GPT-5.4, 제미나이 3.1 프로 대비)에서 약간 뒤처짐 → 딥시크 스스로 “프론티어 모델 대비 약 3~6개월 지연된 발전 궤적”이라고 표현, V4 플래시·프로 모두 텍스트 전용 → 클로즈드 경쟁 모델들이 음성·영상·이미지를 다루는 것과 대비
- 압도적인 가격 우위:
- V4 플래시: 입력 100만 토큰당 0.14달러, 출력 0.28달러 → GPT-5.4 나노, 제미나이 3.1 플래시, GPT-5.4 미니, 클로드 하이쿠 4.5(Claude Haiku 4.5)보다 저렴
- V4 프로: 입력 0.145달러, 출력 3.48달러 → 제미나이 3.1 프로, GPT-5.5, 클로드 오퍼스 4.7(Claude Opus 4.7), GPT-5.4보다 저렴
- https://techcrunch.com/2026/04/24/deepseek-previews-new-ai-model-that-closes-the-gap-with-frontier-models/
💡 Takeaway & Insight
- “3~6개월 지연 + 가격 1/10″의 함의: 프론티어 대비 3~6개월 뒤처지지만 가격은 압도적으로 낮다 → 자사 제품에 LLM을 붙일 때 “최신 성능”이 정말 필요한 사용자 시나리오와 “충분히 좋은 성능 + 저렴한 단가”로도 되는 시나리오를 분리해 모델을 골라야 하는 시대
- 텍스트 전용의 의미: 멀티모달 부재는 약점이지만 동시에 “가장 보편적이고 비용 효율적인 텍스트 워크로드”에 집중한다는 시그널 → 제품의 코어 시나리오가 텍스트 중심이라면 V4가 합리적 선택지, 멀티모달이 필수면 다른 모델
- 출처 리스크라는 새로운 변수: IP 탈취 의혹·디스틸링 의혹 → 엔터프라이즈·정부·금융 도메인에선 모델 출처 자체가 컴플라이언스 이슈. “성능·가격” 외에 “조달 정당성”도 모델 선정 기준에 포함해야 함
(5) 앤트로픽의 신규 실험 프로젝트 ‘프로젝트 딜’: 에이전트 간 실제 거래 실험
- 실험 개요: 앤트로픽이 AI 에이전트가 구매자·판매자를 모두 대리하는 분류형 마켓플레이스를 사내에서 운영 → 실제 상품·실제 돈으로 거래 성사
- 실험 규모: 앤트로픽 직원 69명이 자율 참여, 1인당 100달러 예산(기프트카드로 지급) → 동료들의 물건을 구매. “프로젝트 딜(Project Deal)”이라 명명
- 결과: 186건 거래 성사, 총 거래 금액 4,000달러 이상. 앤트로픽은 “프로젝트 딜이 얼마나 잘 작동했는지에 놀랐다”고 표현
- 핵심 발견 1 모델 성능 격차가 결과 격차로: 더 고성능 모델로 대리되는 사용자는 “객관적으로 더 나은 결과”를 얻었지만 사용자 본인은 격차를 인지하지 못함 → 앤트로픽이 명명한 “에이전트 품질 격차(agent quality gap)” 가능성 부각, 손해 보는 쪽이 자기가 손해 본 줄 모르는 구조
- 핵심 발견 2 초기 지시문의 영향 미미: 에이전트에게 처음 준 지시문이 거래 성사 가능성이나 협상 가격에 큰 영향을 주지 않음
- 앤트로픽은 이를 “자체 선발된 참여자 풀에서 진행한 파일럿 실험”이라고 한정. 즉, 통제된 사내 실험이지 일반화된 결론은 아니라는 입장
- https://anthropic.com/features/project-deal
💡 Takeaway & Insight
- “에이전트 품질 격차”가 새로운 디지털 거래의 기준 가능성: 더 좋은 모델을 가진 사용자가 더 좋은 거래를 얻는데 정작 본인은 모름 → AI 에이전트 시대의 가장 위험한 불평등 구조
- 거래 결과 투명성이라는 영역: 사용자가 본인 에이전트의 협상 결과를 평가할 메타 정보(시장 평균가, 다른 에이전트의 결과 분포)를 제공하지 않으면 사용자는 영원히 자기 손해를 인지 못함 → “에이전트 거래 후 리포트” 기능이 차세대 필수 UX
- 초기 지시문이 가격을 못 바꾼다는 발견의 함의: 시스템 프롬프트나 사용자의 초기 지시보다 “모델 자체의 협상 능력”이 결과를 결정 → 에이전트 제품에서 “프롬프트 튜닝”으로 차별화하려는 전략은 한계가 명확해지는 것일수도 있음, 차별화 포인트는 모델 선택 + 도구 사용 + 메타 데이터에 있음
- 우리 제품에 에이전트가 들어간다면, 사용자가 “내 에이전트의 결과가 평균 대비 어땠는지”를 확인할 수 있는가? 모델 등급이 사용자별로 다르다면, 그 격차를 어떻게 공정하게 다룰 것인가?