OpenGradient: 추론을 신뢰의 기반 레이어로

Key Takeaways

• a16z 크립토가 제시한 다섯 가지 공백, 즉 신원, 거버넌스, 결제, 신뢰, 사용자 통제는 결국 하나의 질문으로 모인다. 이 에이전트의 판단과 실행이 약속된 환경에서, 변조 없이 만들어졌는가다. 지능이 값싸지면 비싸지는 것은 검증이고, 검증 가능한 추론은 나머지 네 공백이 신뢰 위에서 작동하기 위한 전제 조건이다.
• 신뢰 레이어가 되는 추론 인프라는 답변이 아니라 실행 기록을 판다. 모델은 계속 바뀌지만, 누가 언제 어떤 검증된 호출에서 판단을 내렸는지에 대한 장부는 남는다. 결제 기록과 호출 이력, 검증 증명이 한 인프라에 쌓이는 순간 사용자는 모델이 아니라 기록의 레이어에 묶인다. 오픈그레디언트가 노리는 자리가 여기다.
• 오픈그레디언트는 검증을 개념이 아니라 제품으로 끌어내린다. 익스플로러는 신뢰 체인을 브라우저에서 조회 가능한 기록으로 바꾸고, 폰드와의 시빌 탐지는 검증된 추론을 워크플로우에 넣으며, x402는 결제와 추론을 한 호출로 묶고, 프라이빗 추론은 모델 제공자조차 누가 묻는지 모르게 한다. 네 갈래가 향하는 곳은 하나다. 검증을 호출의 기본값으로 만드는 것이다.
• 더 싸고 빠르고 똑똑한 모델이 끊임없이 나오는 한 모델만으로 쌓은 해자는 약해진다. 오래 가는 해자는 모델을 호출하고 검증하고 기록하는 방식에 있다. 컴퓨트와 모델에 수천억 달러가 몰리는 지금, 정작 비어 있는 것은 누가 무엇을 실행했는지 검증하는 레이어다. 모델이 아니라 호출이 해자가 되는 순간, 검증 가능한 추론은 추론 산업의 부가 기능을 넘어 그 기반이 된다.

1. 추론을 다시 정의하기: 추론 가능한 응답 기반의 신뢰 레이어로

1.1 검증 가능한 추론의 중요성

Source : X(@a16zcrypto)

a16z 크립토(a16z crypto)는 최근 ‘The missing infrastructure for AI agents: 5 ways blockchains can help’에서 블록체인이 메울 수 있는 다섯 가지 공백을 제시했다. 비인간 주체의 신원, 인공지능이 운영하는 시스템의 거버넌스, 인공지능 네이티브 비즈니스를 위한 결제 인프라, 에이전트 경제에서의 신뢰 재가격, 사용자 통제가 그 예시이다.

겉으로 보면 이 다섯 가지 공백은 서로 다른 차원의 문제처럼 보일 수 있다. 신원은 누가 행동했는가의 문제이고, 거버넌스는 누가 권한을 갖는가의 문제다. 결제는 어떻게 돈이 오가는가의 문제이며, 사용자 통제는 어디까지 위임할 것인가의 문제다. 다만 에이전트가 에이전틱 커머스와 같이 주어진 상황에서 주체적인 행위자가 되는 순간, 이 문제들은 결국 하나의 질문으로 수렴한다.

이 에이전트의 판단과 실행은 약속된 환경에서, 약속된 방식으로, 변조 없이 만들어졌는가.

여기서 ‘검증 가능한 추론’은 모든 문제의 완성된 답이라기보다, 이 문제들이 신뢰할 수 있게 작동하기 위한 전제 조건에 가깝다. 예로 들어 특정 신원이 실행한 판단(추론)을 검증할 수 없다면 책임을 묻기 어렵다. 결제에서도 그 결제가 어떤 추론 호출에 대응하는지 확인할 수 없다면 정산 기록은 의미가 없어진다. 거버넌스에서도 마찬가지로 에이전트가 실제로 어떤 모델 출력에 따라 움직였는지 알 수 없다면 권한 위임은 사실상 블랙박스 위에 세워진다.

a16z는 이 지점을 명확하게 짚어 설명한다. "지능이 싸지면 비싸지는 것은 검증이다(When intelligence is cheap, what becomes expensive? Verification.)". 인공지능은 인간이 직접 수행하던 인지 노동의 비용을 낮추고 있고, 에이전트의 처리량은 사람이 일일이 감독할 수 있는 범위를 빠르게 넘어가고 있다. 이러한 흐름 속 에이전트 처리량이 인간의 감독 능력을 압도하고 있으며, 사람을 매번 루프 안에 넣는 방식은 물리적으로 어려워지고 있다.

그렇다면 이러한 흐름 속에서 신뢰는 사후 검사만으로 유지되기 어렵다. 사람이 나중에 보고 승인하는 구조는 처리량이 작을 때는 작동하지만, 수많은 에이전트가 동시에 API를 호출하고, 결제하고, 스마트 컨트랙트와 상호작용하는 환경에서는 병목이 된다. 그래서 a16z의 결론도 명확하다. 신뢰는 수동 검사가 아니라 아키텍처 안에 자체적으로 내장되어 있어야 한다.

이 말은 인공지능이 더 이상 “답변만 내놓는 API”로 남기 어렵다는 뜻이기도 하다. 앞으로 중요한 것은 답변 그 자체만이 아니다. 누가 호출했는지, 어떤 권한으로 호출했는지, 어떤 실행 환경에서 만들어졌는지, 결과가 변조되지 않았는지, 그리고 그 호출에 어떤 결제가 따라붙었는지가 함께 묶여야 한다. 우리가 에이전트에게 요구하는 것은 점점 단순한 “응답”이 아니라 “언제든지 검증 가능한 호출”이 된다.

1.2 오픈그레디언트의 위치: 모델 API가 아닌 신뢰 호출

이 관점에서 보면 AI 기반 추론 인프라가 다루는 상품의 성격 또한 달라지게 된다. 기존 AI 인프라가 사용자의 질문을 받아 모델의 답을 돌려주는 데 집중했다면, 신뢰 레이어가 되는 추론 인프라는 답변에 더해 실행 기록을 판다. 같은 모델, 같은 입력, 같은 출력이라도 호출 주체, 권한, 실행 환경, 검증 방식, 정산 방식이 다르면 더 이상 같은 상품이 아니게 된다.

이 차이는 작아 보이지만, 시간이 지나면 꽤 큰 잠금 효과(Lock-in Effect)를 만들 수 있다. 모델은 계속 바뀐다. 더 빠른 모델, 더 싼 모델, 더 좋은 모델은 언제든 등장한다. 하지만 어떤 에이전트가 어떤 시점에 어떤 판단을 내렸고, 그 판단이 어떤 검증된 호출에서 나왔는지에 대한 일종의 ‘장부’는 모델의 변화와 무관하게 중요한 데이터로 작용하게 된다. 특히 결제 기록, 호출 이력, 검증 증명, 애플리케이션 로직이 한 인프라에 함께 쌓이기 시작하면 사용자는 단순히 모델이 아니라 ‘기록의 레이어’에 묶이게 된다.

오픈그레디언트(OpenGradient)가 노리는 자리가 여기다. 오픈그레디언트의 하이브리드 AI 컴퓨트 아키텍처(Hybrid AI Compute Architecture, HACA)는 인공지능 추론을 모든 검증자가 다시 실행하는 방식으로 처리하지 않는다. 추론 노드는 모델을 실행하고, 풀 노드는 증명을 검증하며 장부를 유지하고, 데이터 노드는 외부 데이터를 격리된 환경에서 가져오는 식으로 역할을 나눈다.

오픈그레디언트의 아키텍처와 검증 메커니즘에 대한 자세한 설명은이전 아티클 ‘OpenGradient: Toward an Open Inference Layer’ 참고

이 구조에서 중요한 것은 특정 검증 기술 스택 보다는 신뢰 실행 환경(Trusted Execution Environment, TEE), 영지식 머신러닝(Zero-Knowledge Machine Learning, ZKML), 서명 기반 검증과 같은 기술들을 사용자가 한 번의 호출 안에서 얼마나 매끄럽게 소비할 수 있게 만드느냐에 있다. 인프라의 해자는 종종 가장 어려운 기술이 아니라 사용자에게 편리함을 제공하는 추상화에서 나온다.

오픈그레디언트가 만들려는 것도 결국 이 추상화다. 사용자는 매번 신뢰 실행 환경의 세부 구조를 이해할 필요가 없다. 영지식 머신러닝의 증명 비용을 직접 계산할 필요도 없고, 결제와 검증을 별도의 시스템에 나눠 붙일 필요도 없다. 중요한 포인트는 "이 호출이 검증 가능한가"라는 질문이 호출 자체에 내장되어 답해지도록 설계된 구조다.

2. 오픈그레디언트가 검증을 제품으로 만드는 방식

2.1 익스플로러 : 검증 가능한 추론의 외부 가시화

Source : X(@OpenGradient)

오픈그레디언트는 2026년 5월 1일, 자체 익스플로러에 대규모 언어모델(Large Language Model, LLM) 추론 검증 기능을 활성화했다고 발표했다. 기존에도 오픈그레디언트의 추론은 네트워크에서 검증되고 신뢰 실행 환경 어테스테이션으로 보호된다고 설명돼 있었지만, 이번 기능은 사용자가 익스플로러에서 직접 검증 과정을 확인할 수 있게 만든다는 점이 다르다.

이 구조는 추론을 처리한 노드가 신뢰할 수 있는 실행 환경인지 확인하는 데서 출발한다. 먼저 GPU 서버를 돌리는 칩 자체가 자신이 실제 AWS 니트로(Nitro) 하드웨어에서 작동하고 있다는 사실을 증명하는 어테스테이션(Attestation) 문서를 발급한다. 그 후 해당 하드웨어 위에서 작동하는 코드의 지문인 PCR 해시를 추출해 온체인 TEE 레지스트리(Registry)에 미리 등록된 화이트리스트와 대조한다. 이 과정에서 하드웨어 위에서 작동하려는 코드가 사전에 승인된 코드와 일치하는지 검증되어야 노드 등록이 통과된다. 마지막으로 사용자가 이 노드와 통신할 때 사용하는 TLS 공개 키 해시가 어테스테이션 문서와 일치하는지 확인한다. 이 과정을 통해 해당 노드와의 통신 또한 검증된 환경 안에서 진행되었음이 보장된다. 결과적으로 사용자는 인증 기관(CA)과 같은 중간 신뢰 기관 없이, 하드웨어부터 TLS 연결까지 직접 추적 가능한 온체인 검증을 가지게 된다.

Source : OpenGradient Explorer

그 다음은 추론 결과의 사후 검증이다. 신뢰 실행 환경 노드가 추론을 실행하면, 결과는 해당 노드의 서명 키로 서명된다. 이후 어테스테이션 증명은 오픈그레디언트 네트워크에 게시되고 검증되며, 추론 데이터는 선택한 정산 모드에 따라 다른 수준으로 기록된다. PRIVATE 모드는 입력과 출력 데이터를 온체인에 올리지 않고, BATCH_HASHED 모드는 여러 요청의 해시를 묶어 기록하며, INDIVIDUAL_FULL 모드는 위와 같이 입력, 출력, 모델 정보, 메타데이터까지 모든 정보를 기록한다.

여기서 중요한 포인트는 “모든 것이 무조건 공개된다”가 아니다. 오히려 반대다. 오픈그레디언트는 프라이버시, 비용, 감사 가능성 사이의 선택지를 제품 안에 넣었다. 어떤 애플리케이션은 전체 입력과 출력을 공개해야 하고, 어떤 애플리케이션은 해시만 남겨도 충분하며, 어떤 애플리케이션은 데이터 자체를 온체인에 남기면 안 된다. 검증 가능한 추론이 실제 인프라가 되려면 이 차이를 다룰 수 있어야 한다.

그래서 익스플로러의 의미는 단순한 대시보드가 아니다. 그동안 개발자 문서 안에 있던 “검증 가능한 추론”이라는 개념을 브라우저에서 확인 가능한 기록으로 바꿨다는 데 있다. 신뢰가 주장에 머무르지 않고 사용자가 직접 조회할 수 있는 상태가 될 때, 비로소 검증은 단순한 기능 이상의 의미를 가지게 된다.

2.2 워크플로우 : 검증된 추론 기반의 판단 구축

검증이 눈에 보이기 시작했다면, 다음 질문은 이 검증된 호출이 실제로 어디에 쓰이는가로 향한다. 신뢰 레이어가 단발성 데모에 머물지 않으려면, 반복되는 워크플로우 안에 내장되어야 한다.

Source : X(@OpenGradient)

2026년 5월 6일 오픈그레디언트가 폰드(Pond)와의 협력으로 공개한 시빌(Sybil) 탐지 모델이 그 예다. 시빌 공격은 한 사용자가 여러 지갑을 만들어 에어드랍을 중복 수령하거나 거버넌스 투표를 왜곡하는 행위로 에어드랍, 포인트 프로그램, 추천 보상, 거버넌스를 운영하는 프로젝트 입장에서는 오래된 골칫거리다.

생태계 기여자 입장에서도 골치 아픈 문제였다. 정상적으로 활동했음에도 시빌로 분류되어 보상에서 배제되거나 투표권을 잃는 사례가 적지 않았는데, 이러한 탐지는 대체로 중앙화된 분석 회사의 블랙박스 모델에 의존했고, 사용자는 "시빌로 분류됐다"는 결과만 받을 뿐 왜 그렇게 분류됐는지 확인하기 어려워 불만이 적지 않았다. 프로젝트 입장에서도 판정 근거를 공개하면 공격자가 우회 전략을 찾을 수 있고, 공개하지 않으면 무고한 사용자의 반발을 감수해야 한다. 결국 성능만의 문제가 아니라 신뢰와 절차의 문제였던 셈이다.

오픈그레디언트는 이 지점에서 폰드의 머신러닝 모델을 활용한다. 폰드는 이전부터 시빌 주소를 분류하고 표시하는 머신러닝 모델을 개발해왔으며, 이 모델은 공정한 에어드랍 운영, 추천 보상 악용 방지, 워시 트레이딩 집단 탐지, 사용자 지표 개선 등에 활용되어 왔다.

다만 여기서 검증 가능한 추론이 해결하는 문제의 범위를 정확히 봐야 한다. 검증은 "이 주소가 왜 시빌인가"를 완전히 설명해주지는 않는다. 모델의 설명 가능성, 피처 공개 범위, 이의제기 절차는 별도로 설계되어야 한다. 오픈그레디언트가 제공하는 기능은 판정 그 자체의 정확도가 아니라 판정의 출처를 추적할 수 있게 만드는 데 있다. 어떤 모델이, 어떤 입력을 바탕으로, 어떤 검증 모드에서, 어떤 결과를 냈는지가 사후에 확인 가능해진다면 최소한 판정이 임의로 바뀌었는지, 약속된 모델이 실제로 실행됐는지, 결과가 변조됐는지를 따질 수 있게 된다.

이 차이는 스마트 컨트랙트와 결합될 때 더 중요해진다. 스마트 컨트랙트가 "이 지갑의 시빌 확률이 일정 기준을 넘으면 보상을 제한한다"는 식의 로직을 쓴다면, 그 입력값은 단순한 데이터가 아니라 의사결정의 근거가 된다. 이때 필요한 것은 사실상 블랙박스 구조의 어떤 회사가 판정했다는 결과가 아니라, 검증 가능한 실행 기록이 판정했다는 형태에 가까운 결과다. 즉 오픈그레디언트는 검증 인프라만 깔고 데모로 끝나지 않는다. 폰드의 시빌 탐지 워크플로우 안에 신뢰 레이어를 직접 내장시키면서, 검증이 인프라에서 제품으로 내려오는 과정을 보여준다.

2.3 x402: 결제와 추론을 하나의 호출로 묶기

검증을 외부에서 확인할 수 있고, 그 검증이 워크플로우 안으로 들어간다면, 마지막으로 남는 질문은 결제다. 에이전트가 경제 행위자가 되려면 서비스를 호출하고, 그 호출에 비용을 지불해야 한다. 그런데 결제와 추론이 서로 다른 시스템에 흩어져 있으면 신뢰 단위가 깨진다. 추론은 검증된 환경에서 일어났지만 결제는 별도 시스템에 남고, 결제는 확인되지만 어떤 추론 호출에 대응하는지 불분명하다면 “검증 가능한 호출”이라는 상품의 의미가 약해진다. 오픈그레디언트는 이 문제를 x402와 신뢰 실행 환경 기반 추론을 같은 호출 흐름 안에 묶는 방식으로 다룬다.

구조를 더 자세히 살펴보자면 이 문제를 x402 결제 프로토콜과 TEE의 통합으로 해결한다. 핵심은 단순한 결제 프로토콜 채택이 아니라, x402를 모든 TEE 인스턴스 내부에 직접 내장했다는 점에 있다. 사용자의 요청은 별도의 결제 미들웨어를 거치지 않고 곧바로 TEE 엔클레이브(enclave) 안으로 들어가, 그 안에서 결제 검증과 추론 실행이 순차적으로 처리된다. x402 결제가 엔클레이브 내부에서 검증되고, 그 직후 LLM 추론이 곧바로 실행된다. 결제 처리와 추론 실행이 단일 신뢰 경계 안에서 묶여 일어나기 때문에 별도의 결제 미들웨어 자체가 사라지는 셈이다. 동시에 호스트 머신조차 통신 내용을 볼 수 없는 엔클레이브 종단 TLS 연결이 보장되고, TEE는 자체 엔클레이브 서명 키로 출력에 도장을 찍고 그 해시를 온체인에 기록한다.

따라서 핵심은 “결제 프로토콜을 붙였다”가 아니다. 핵심은 결제, 실행, 검증을 개발자가 하나의 호출 흐름으로 소비할 수 있게 만든다는 점이다. 사용자는 응답을 받고, 그 호출에 대한 결제 영수증을 확인하고, 동시에 해당 추론이 검증된 환경에서 일어났다는 증명을 받을 수 있다. 결제와 검증이 따로 발급되는 것이 아니라 같은 호출의 일부가 된다.

이러한 통합이 중요한 이유는 누적되는 기록의 범위가 확대되기 때문이다. 검증 기록만 쌓이는 것이 아니라, 그 검증과 연결된 결제 기록까지 함께 쌓인다. 진짜 잠금 효과는 여기서 생긴다. 모델은 바뀔 수 있다. 하지만 결제, 호출, 검증, 워크플로우가 한데 묶여 쌓인 기록은 쉽게 옮겨지지 않는다.

2.4 프라이빗 추론: 신원을 숨긴 채 닫힌 모델을 호출하기

Source : OpenGradient Docs

오픈그레디언트의 호출은 여기까지 오면서 검증되고, 워크플로우에 들어가고, 결제까지 한데 묶였다. 그런데도 끝내 가려지지 않는 게 하나 있다. ‘누가 무엇을 묻는가’다. 신뢰 실행 환경이 호스트로부터 데이터를 가려주지만, 호출의 끝에는 결국 닫힌 모델 제공자가 있고, 요청은 거기로 가서 처리된다. 프라이빗 추론(Private LLM Inference)은 바로 이 마지막 노출을 겨냥한다. 신뢰 실행 환경 스택 위에 Oblivious HTTP(OHTTP)와 HPKE(Hybrid Public Key Encryption, RFC 9180) 암호화를 얹어, 사용자의 신원과 요청 내용을 떼어놓는 방식이다. 요청은 엔클레이브까지 종단 간 암호화되고, 거기까지 가는 길은 릴레이를 사이에 두고 두 홉으로 나뉜다. 릴레이는 사용자의 IP만 알 뿐 봉인된 요청 안을 들여다보지 못한다. 반대로 추론이 실제로 돌아가는 게이트웨이 엔클레이브는 평문을 풀어 처리하지만, 그 요청이 어느 IP에서 왔는지는 모른다. 모델 제공자에게 도착하는 것은 엔클레이브 송신단에서 나온 요청뿐이다.

이 분리는 결제에서도 이어진다. 2.3에서는 사용자가 엔클레이브에 직접 비용을 냈다. 프라이빗 추론에서는 그 사이에 릴레이가 들어간다. 릴레이가 게이트웨이에 x402로 지불하고, 사용자에게는 자기 방식대로 따로 청구하는 것이다. 그래서 게이트웨이는 돈은 받되 그 돈을 낸 사람이 누구인지는 끝까지 모른다. 정리하면 프라이빗 추론은 새로운 제품이 아니라, 검증 가능한 추론 위에 프라이버시를 한 겹 더 올린 레이어에 가깝다. 신뢰 실행 환경 레지스트리도, 온체인 어테스테이션도, 베이스에서의 결제 정산도 그대로다. 응답을 엔클레이브 안에서 서명해 온체인에 등록된 키와 맞춰보는 검증 절차 역시 똑같이 돌아간다.

그렇다면 이 프라이버시는 어디서 나오는가. 결국 릴레이와 게이트웨이가 서로 담합하지 않는다는 데서 나온다. 두 운영자가 데이터를 주고받지 않는 한, 누구도 특정 사용자와 특정 프롬프트를 이어 붙이지 못한다. 비담합이 두 주체 사이의 약속이라면, 어테스테이션은 그중 게이트웨이 쪽을 코드 차원에서 한 번 더 못 박는다. HPKE 개인 키는 엔클레이브 메모리 밖으로 나가지 않고, 서버 코드는 오픈소스로 검증되며 아무것도 기록하지 않는다. 게이트웨이 운영자가 마음을 먹어도 승인된 코드 밖에서는 평문을 볼 수 없는 이유다. 물론 이 보장이 덮는 것은 내용과 신원이 이어지지 않는다는 데까지다. 트래픽의 타이밍이나 양 같은 흔적은 여기에 포함되지 않는다. 그래서 프라이빗 추론은 어느 한 쪽도 '누가'와 '무엇을'을 동시에 손에 쥐지 못하게, 신뢰를 처음부터 쪼개 둔 설계다.

3. 모델 다음의 해자, 오픈그레디언트가 꿈꾸는 ‘검증 가능한 추론’

다시 출발점으로 돌아가 보자. a16z가 정리한 다섯 가지 공백은 서로 다른 레이어의 문제다. 신원, 거버넌스, 결제, 신뢰, 사용자 통제는 각각 별도의 설계가 필요하다. 다만 에이전트가 실제로 행동하고 거래하고 권한을 위임받는 순간, 이 문제들은 모두 검증 가능한 실행 기록을 필요로 한다. 누가 어떤 권한으로 무엇을 실행했는지 알 수 없다면, 그 위에 쌓인 신원도 결제도 거버넌스도 쉽게 흔들린다.

오픈그레디언트는 이 기반을 신뢰 가능한 제품으로 만드려고 한다. 익스플로러로 검증을 눈에 보이게 만들고, 시빌 탐지와 알파센스로 검증된 추론을 실제 워크플로우에 넣고, x402 통합으로 결제와 추론을 같은 호출 단위에 묶는다. 세 방향은 모두 하나의 방향성을 보여준다. 검증이 별도 절차가 아니라 호출의 기본값이 되게 만드는 것이다.

물론 이 그림이 곧바로 완성되는 것은 아니다. 신뢰 실행 환경은 강력한 도구지만 하드웨어와 공급자에 대한 신뢰 가정을 완전히 없애지는 못한다. 영지식 머신러닝은 더 넓은 모델에 적용되려면 비용과 지연 시간 문제를 계속 낮춰야 한다. 정산 모드도 프라이버시, 비용, 감사 가능성 사이에서 선택을 요구한다.

경쟁 리스크도 있다. 신뢰 실행 환경, 영지식 머신러닝, 온체인 증명은 오픈그레디언트만 쓸 수 있는 폐쇄 기술이 아니다. 다른 인프라 사업자도 비슷한 검증 흐름을 만들 수 있다. 결국 오픈그레디언트의 해자는 기술 이름 자체가 아니라, 그 기술들을 얼마나 쓰기 쉬운 호출 경험으로 묶고, 얼마나 많은 워크플로우와 결제 기록을 그 위에 쌓느냐에 달려 있다.

이 경쟁은 더 이상 크립토 안에서만 벌어지지 않는다. 2026년 5월, 스페이스X(SpaceX)는 상장 서류에서 앤트로픽(Anthropic)과 맺은 450억 달러 규모의 컴퓨트 공급 계약을 공개했고, 1조 8천억 달러 안팎의 기업가치로 나스닥 데뷔를 앞두고 있다. 추론을 떠받치는 컴퓨트가 항공우주 기업의 핵심 사업이자 자본시장 사상 최대어로 재평가되는 국면이다. 다만 이 거래가 증명한 것은 컴퓨트의 규모이지, 그 컴퓨트 위에서 돌아가는 추론을 믿을 근거가 아니다. 인프라가 이 규모로 커질수록, 누가 어떤 모델로 무엇을 실행했는지 검증하는 레이어의 공백이 더 선명해진다.

모델 경쟁은 계속된다. 더 싼 모델, 더 빠른 모델, 더 똑똑한 모델은 앞으로도 나온다. 그래서 모델만으로 버티는 해자는 점점 약해진다. 반대로 모델을 호출하는 방식, 호출을 검증하는 방식, 호출과 결제를 함께 기록하는 방식은 시간이 지날수록 더 무거워진다.

에이전트 시대의 핵심 질문은 '어떤 모델이 가장 똑똑한가'에서 끝나지 않는다. 더 중요한 질문은 '그 모델의 판단을 믿을 수 있는 형태로 남길 수 있는가'다. 컴퓨트와 모델에 수천억 달러가 몰리는 지금, 정작 비어 있는 것은 그 위에서 돌아가는 추론을 검증할 레이어다. 모델이 아니라 호출이 해자가 되는 자리, 그 자리가 오픈그레디언트가 노리는 추론 산업의 기반이다.