TechFlow Logo
로그인/ 회원가입
ETH 가스
Gwei
공포
gas
모두가 틀렸다, Stripe의 OpenRouter 인수가 AI 보안 때문이다: a16z 시드 투자자가 폭로한 진짜 이유

모두가 틀렸다, Stripe의 OpenRouter 인수가 AI 보안 때문이다: a16z 시드 투자자가 폭로한 진짜 이유

2026.08.21
공유하기
Stripe가 인수한 것은 단순히 ‘모델 라우터’가 아니며, 새로운 AI 과금 포털 또한 아닙니다. Stripe가 인수한 것은 현재 AI 생태계 전반에서 진정으로 전략적 가치를 지닌 극히 희소한 크로스 모델 보안 및 얼라인먼트 자산입니다.

이틀 전, Stripe은 공식적으로 OpenRouter를 인수한다고 발표했으며, 인터넷에서는 전체 인수 금액이 80억 달러를 넘는 것으로 전해졌다. 왜 Stripe은 이처럼 높은 가격을 지불할 의사가 있는가?

이 질문에 답할 가장 적합한 사람 중 하나는 안니 메이다(Anjney Midha)다. 그는 단순히 OpenRouter의 초기이자 가장 중요한 투자자일 뿐만 아니라 회사 이사회 멤버이기 때문이다. 그는 a16z의 OpenRouter 시드라운드 투자를 주도했고, 이후 AMP PBC를 설립한 뒤에도 계속해서 추가로 투자했다.

메이다의 경력은 매우 드물다. 스탠퍼드 대학에서 머신러닝을 접한 그는 이후 클레이너 퍼킨스(Kleiner Perkins)에 입사해 초기 테크 투자팀인 KPCB 에지를 창설하는 데 주역으로 나섰다. 그후 창업에 나서 컴퓨터 비전과 다중 사용자 공간 컴퓨팅 기업인 Ubiquity6를 설립했고, 2021년 디스코드(Discord)에 인수되었다. 그는 이후 디스코드의 플랫폼 생태계 부사장으로 취임하여 디스코드 최초의 전용 개발자 플랫폼 팀을 구축하고, 미드저니(Midjourney)와의 협력을 직접 추진했다.

2023년 그는 a16z에 합류하여 AI 투자를 담당했다. 투자자로서 그는 앤트로픽(Anthropic), 일레븐랩스(ElevenLabs), 루마 AI(Luma AI), 이데옴(Ideogram), 므스트랄 AI(Mistral AI), 블랙 포리스트 랩스(Black Forest Labs), LMArena, 세스암 AI(Sesame AI), 퍼리오딕 랩스(Periodic Labs)와 OpenRouter 등을 조기에 적중시켰다. 그가 진정으로 뛰어난 점은 수많은 스타 기업을 발굴한 것뿐만 아니라, 시장에 의해 새 카테고리가 제대로 인식되기 훨씬 이전부터 이미 그 가치와 방향성을 선견지명으로 꿰뚫어 보았다는 데 있다.

Stripe과 OpenRouter가 공식 거래를 발표한 후, 메이다는 곧바로 AMP 공식 웹사이트에 글을 게시하며 이번 인수를 매우 독창적인 관점에서 정리했다.

그에 따르면 대부분의 사람들은 Stripe이 OpenRouter를 인수한 진정한 이유를 이해하지 못하고 있다.

Stripe이 구매한 것은 단순한 '모델 라우터'도, 새로운 AI 과금 진입로도 아니다. 그가 인수한 것은 현재 전체 AI 생태계 안에서 극소수로 존재하며 전략적 가치를 지닌 진정한 '크로스 모델 보안 및 정렬(alignment) 자산'이다.

1. 서론

OpenRouter는 이미 Stripe 합류를 선언했다. 많은 위험투자자(VCs), 논평가, 분석가들은 이번 합병이 얼마나 합리적이며 혹은 어떤 이유로 전혀 의미 없는지에 대해 서로 다른 의견을 펼쳤다. 결국 어느 주장이 맞는지조차 그날이 무슨 요일이냐에 따라 유동적으로 보인다. 우리는 지금까지 정확히 맞춰쓴 분석 기사를 단 한 편도 찾아보지 못했다.

간단한 답은 명확하다. 이는 전체 생태계 차원의 AI 보안과 정렬을 위한 것이다.

라우팅을 위해서도, 과금을 통합해서도, 그리고 '토큰(Tokens)이 새로운 달러다'(비록 사실이지만)라는 이유 때문도 아니다. 다음은 이에 대한 풀 설명이다.

2. Stripe은 보안 기업이다

대부분의 사람들은 Stripe을 자금이체를 수행하는 기업으로 본다. 하지만 단순히 자금만 옮기는 일은 사실상 표준화된 상품에 불과하다. 은행은 지난 몇 세기 동안 극미리의 마진을 내고 이 작업을 계속해 왔다.

Stripe이 실제로 구축해 온 것은 규모화에 최적화된 온라인 신뢰 시스템이다. Radar는 매일 네트워크 전반에서 적대적 거래(adversarial transactions)에 대한 리스크 점수를 산출한다. 사람들에게 인정받는 API는 본질적으로 보안 인프라 위에서 구현된 개발자 경험이며, 그 기반에는 사기 모델, 디스퓨테이션 책임, 신원 검증, 전 세계 모든 사법 관할권을 포괄하는 규정 준수 역량이 깔려 있다.

Stripe이 승리할 수 있었던 이유는 인터넷 규모의 악성 트래픽 속에서 동일 계열 기관들보다 훨씬 탁월하게 리스크를 부담하고 관리해 왔기 때문이다.

3. OpenRouter 데이터의 형태

우리는 과거 OpenRouter를 통해 흐른 100조 개의 토큰 [1]을 분석한 연구를 발표한 바 있다. 많은 사람들의 상상이 이와 다르겠지만, 중앙값에 해당하는 전형적인 요청은 사람이 대형 언어 모델(LLM)에 질문을 던지는 것이 아니라, 반복 루프(internal loop) 내에서 구동되는 기계(machine)로부터 나온다.

1년 동안 추론(Inference) 모델의 트래픽 점유율은 거의 무시할 수 있던 수준에서 전체 트래픽의 절반 이상으로 증가했다(그림 1). 평균 프롬프트(Prompt) 길이는 4배 늘어났으며(그림 2), 상당수의 요청이 결국 도구 호출(tool call) 하나로 끝나는 경우도 있었다(그림 3).

이 연구의 핵심 결론은 매우 직관적이다:

추론 플랫폼은 이제 지속적으로 변화하는 컨텍스트(context)와 상태를 규모 있게 관리해야 한다.

그림 1: 추론 모델 토큰(Tokens) 점유율, 주간 기준 집계, 2024년 11월~2025년 11월.

그림 2: 요청당 평균 프롬프트 토큰 수, 2024년 1월~2025년 11월.

4. 정렬(alignment)은 컨텍스트 피드백 문제다

규모화된 결제가 그러하듯, 규모화된 최전선 AI 보안 또한 지속적인 컨텍스트 피드백 루프의 문제다. Stripe Radar의 방어 장벽이 바로 여기서 기인하는데, 10년 간 매일 대규모 적대적 거래 데이터를 기반으로 모델을 훈련시켜 왔기 때문이다.

충분히 신선한 데이터 코퍼스(corpus) 없이는 이 모델을 복제할 수 없다. 그리고 그 코퍼스를 얻으려면 반드시 거래 흐름(trade flow) 안에 위치해야 한다. 오랫동안 생존해온 모든 보안 비즈니스는 동일한 구조를 갖춘다:

제품(product)은 모델이고, 모어트(moat)는 데이터이며, 데이터는 트래픽에서 나온다.

제3절을 보안의 시각으로 다시 들여다보면 다음과 같은 사실이 드러난다: 에이전트(Agent)가 자격 증명을 보유하며, 도구를 호출하고 결제를 실행한다는 점이다. 지출 권한과 동시에 2만 토큰 분량의 컨텍스트를 가진 자율 프로세스는 그 자체로 하나의 거래 상대방(counterparty)이 된다.

이러한 적대적인 기계 거래 상대방들은 악의적인 인간의 지시를 받을 수 있는데 이를 남용(misuse)이라 한다. 또는 운영자가 설정하려 하지 않았음에도 모델이 학습해 버린 목표를 추구하는 경우로, 이를 정렬 불량(misalignment)이라 한다. 또는 실행 과정에서 주입된 명령어에 의해 장악당하는 침해(compromise)일 수도 있다. 어떤 케이스든 이들은 기계 속도로 사기를 칠 수 있으며, 데이터를 탈취해 외부로 유출시키고, 예산을 모두 고갈시킬 수 있다.

이러한 적대적 거래 상대방이 오픈 웨이트(open-weight) 모델을 기반으로 동작한다면, 어디에도 그것을 감시하거나 취소(revoke)할 수 있는 상위 레이어(lab)가 존재하지 않는다. 제약을 행사할 수 있는 유일한 장소는 그것이 실제로 거래를 수행하는 그 계층(layer)이다. 추론 시스템을 보호하는 방식은 곧 결제 시스템을 보호하는 방식과 동일해질 것이다:

대규모화 된 거래 데이터를 활용해 모델을 훈련시키는 것이다.

따라서 이 인수 건은 결국 하나의 질문으로 귀결된다. 바로, 이 데이터를 누가 소유하고 있는가 하는 것이다.

모델 연구소는 아니다. 최전선 모델 연구소라면 막대한 트래픽을 관찰할 수 있겠지만, 오직 자사 모델상의 트래픽만 볼 수 있을 뿐이다. 마치 은행이 자신 계좌 내역만 확인할 수 있는 것과 같다. 단일 은행의 장부만으로는 Visa의 사기 탐지 모델을 훈련시킬 수 없다. 나아가 오픈 웨이트 모델의 경우, 그런 의미의 ‘은행’ 자체가 존재하지도 않는다. 클라우드 서비스 제공 업체 역시 아니다. 클라우드는 인프라는 관찰할 수 있겠지만 행위 의도(intentions)까지는 볼 수 없다.

여기서는 먼저 몇 가지 용어를 정의해야 하는데, AI 보안 분야에서 이들 개념을 명확히 구분하는 것이 매우 중요하기 때문이다.

5. 형성되고 있는 최전선 AI 정렬(alignment) 기술 스택

정렬(alignment)은 시스템 행동(action)의 한 속성이다. 현재 해당 분야에서는 주로 두 가지 구간을 통해 정렬 문제를 연구하고 있다.

학습 시 방법(training-time methods)은 모델의 행위 의도를 형성하는 역할을 한다. 재훈련 없이 모델이 기대한 대로 동작하도록 배포 단계에서 제약을 가려는 연구들이 늘고 있는데, 이는 추론 시 정렬(inference-time alignment)에 관한 것이다 [5, 6]. 한편, AI 컨트롤(AI control) 분야의 연구는 학습 시 정렬이 실패하더라도 어떻게 운영 중인 시스템을 안전하게 지켜낼 것인지에 초점을 맞춘다 [3, 4].

그림 3: 형성되고 있는 최전선 AI 정렬 기술 스택

우리는 이때문에 발생하는 복합적인 문제를 가리켜 '배포 시 정렬(deployment-time alignment)'라고 부른다. 실제 운영 환경에서 이미 배포된 에이전트의 기대 행동을 검증하고 강제 집행하는 과정이며, 정렬 실패 현상이 바로 여기서 실제 형태로 나타나는 곳이기 때문이다.

검증에는 모니터링이 필요하며, 모니터링의 효과는 해당 모니터링 시스템을 훈련시키는 데 쓰인 행위 데이터의 품질에 좌우된다 [7]. 에이전트의 행위 데이터는 네트워크적 속성을 띤다:

우리는 동일한 에이전트가 접근하는 모든 모델과 공급업체를 가로질러 이를 관찰할 수 있어야 한다. 왜냐하면 남용, 정렬 불량, 혹은 침해 여부와 상관없이 행위(action)가 발생할 당시에는 완전히 동일한 형태로 표출되기 때문이다. 그것은 하나의 거래(transaction)다.

따라서 에이전트 보안은 본질적으로 배포 시 정렬 문제이며, 배포 시 정렬 역시 기존 사기 탐지와 마찬가지로 근본적으로 데이터의 문제다.

현재로선 정확히 하나의 데이터셋만이 존재할 뿐이다.

OpenRouter는 매일 10조 개 이상의 토큰을 처리하며, 수십 개의 공급처에 걸쳐 있는 500개가 넘는 모델을 아우른다. 여기에는 실행 궤적(execution trace), 도구 호출 그래프, 지출 속도, 라우팅 결정, 그리고 실패 패턴 등이 포함된다.

이것은 현재 전 세계에서 가장 방대한 크로스 모델 추론 거래 데이터 코퍼스다. 오픈 웨이트 모델에게 있어서는 심지어 유일한 존재이기도 하다. 오픈 웨이트 모델은 점차 규모가 커지고 확장 일로 있는 에이전트 워크로드(workload)를 소화하고 있다 [1]. 하나의 공유 오픈 모델 체크포인트(checkpoint)는 수십 곳에 위치한 상호 독립적인 공급업체들이 각각 호스팅한다. 이들 공급업체는 모델 작성자가 아니며, 그 누구도 모델 행동에 대해 전적인 책임을 지고 있지 않다. 게다가 그 누구도 자신의 국지적 범위를 벗어난 데이터를 볼 수 없다. 오직 라우팅 레이어에서만 이러한 행위들이 진정으로 하나의 집합체로 모인다.

여기서는 정확한 구분이 필요하다. 이러한 정보들은 프롬프트 내용이 아니라 거래 구조를 가진 메타데이터(metadata)라는 점이다. OpenRouter는 기본적으로 프롬프트 로그 기록 기능을 차단하고 있다 [2]. 관련 실증 연구 역시 오직 메타데이터에만 근거하고 있으며, 프롬프트 자체나 모델 생성 텍스트(text completion)에는 접근하지 않았다 [1].

Stripe Radar 역시 장바구니에 담긴 구체적인 상품을 읽지 않는다. 사기 모델이 의존하는 것은 거래의 형태(patterns)이며, OpenRouter가 보유한 네트워크 전반의 거래 양상은 시장 내 기타 어떠한 개별 기관보다도 더 풍부하다.

이에 대한 가장 명백한 반대 논리는 데이터의 중앙 집중화 문제다. 이번 거래는 현재 존재하는 유일한 크로스 모델 행위 데이터 코퍼스를 단일 민간 기업 내부로 흡수시키게 되며, 이처럼 고유하고 보안과 밀접한 연관성을 지닌 데이터셋이야말로 해당 분야에서 가장 경계해 온 ‘중앙 집중화’의 대상이 될 자산이다.

하지만 다른 대안들은 더 나쁠 수도 있다. 데이터가 수십 개의 공급처에 조각조각 흩어진 채 유지되어 그 어느 곳도 충분히 넓은 정보를 파악하고 행동을 취하지 못하거나, 아니면 궁극적으로 이러한 데이터들이 직접 경쟁하는 모델 이익을 둔 최전선 연구소 한곳에 장악당할 수 있기 때문이다. 이러한 시나리오들에 비해 현재로 나온 결과물은 흔치 않은 순수 긍정 효과(net positive)라 할 수 있다.

Stripe은 다양한 모델 사이에서 충분한 중립성을 유지하고 있다. 어떠한 최전선 모델도 학습하지 않으며, 다른 어떤 모델 연구소와도 경쟁하지 않기 때문이다. Stripe의 상업적 동력은 자기 시스템을 경유해 거래하는 모든 참여자에게 신뢰성을 보장해주는 것이다. 이러한 동기부여는 전체 생태계의 보안 목표와 같은 방향을 향한다.

즉, Stripe이 구매한 것은 단순한 라우터가 아닌, 전략적 가치가 입증된 최전선 AI 시스템 보안 및 정렬(alignment) 자산이다.

우리는 이 자산을 Stripe이 기존으로 구축한 인프라와 융합시킬 때, 생태계 전반이 스스로 정렬 작업을 수행하는 역량을 높일 수 있을 것이라고 믿는다. 이는 어느 단일 모델 연구소도 홀로 이루기 힘든 일이다. 따라서 이번 인수는 독립형 최전선 AI 생태계의 건전한 발전에 있어 흔치 않은 순수 긍정(net positive) 효과를 가져올 것이다.