Open Source Is Dead. Long Live Open Source. — Saoud Rizwan, Cline

URL: https://www.youtube.com/watch?v=CoEIs6Xm8m8 날짜: 2026-08-07 채널: AI Engineer 발표자: Saoud Rizwan (Cline 공동창업자) 길이: 17:30

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

AI 코딩 시대에 ==전통적인 오픈소스 커뮤니티와 기여 모델은 위기에 처했지만, 모델과 인프라의 개방(open weights, open hardware designs)은 오히려 더 중요해지고 있다==.

• AI가 생성한 저품질 PR·버그 리포트와 공급망 공격 위험 때문에 오픈소스 커뮤니티는 불신과 회의감에 휩싸였다.
• 폐쇄형 AI 연구소의 '보조금 → 의존 → 가격 폭리' 전략은 장기적으로 먹히지 않으며, 기업들은 비용·가치 효율이 높은 오픈 웨이트 모델로 빠르게 이동할 것이다.
• 미국 연구소가 기술 리더십을 유지하려면 연구 결과뿐 아니라 모델 가중치를 개방해 산업 표준화와 채택을 주도해야 한다.

발표자 Saoud Rizwan은 Cline이라는 오픈소스 코딩 에이전트를 만든 경험을 바탕으로, AI가 오픈소스를 어떻게 죽이고 있는지, 그리고 어떤 형태의 오픈소스가 살아남아 더 강해지는지를 경제학적·역사적 사례와 함께 설명한다.

---

1. Cline의 오픈소스 DNA와 AGI 경험의 시작

이 섹션에서는 발표자가 Cline을 오픈소스로 시작한 이유, 초기 API 비용 시대의 경험, 그리고 오픈소스 커뮤니티가 제품 형성에 미친 영향을 다룬다.

1.1. Cline, 구독 시대 이전의 최초 코딩 에이전트

1. API 키 기반 초창기 코딩 에이전트

   1. Cline은 Claude/ChatGPT 구독, GitHub Copilot, Cody, Cursor 등이 생기기 전에 등장한 최초의 코딩 에이전트였다.
   2. 당시에는 API 요청당 비용을 지불해야 했고, 프롬프트 캐싱도 없어 비용 부담이 극심했다.
   3. 사용자들이 하루에 수백 달러씩 API 비용을 지불해야 했던 시대였다.

2. 개발자의 첫 AGI 순간

   1. 많은 개발자가 Cline을 통해 처음으로 LLM이 자신의 업무를 처음부터 끝까지(end-to-end) 완수하는 모습을 목격했다.
   2. 이는 단순한 도구 사용이 아닌, "AGI를 처음 접하는 경험"이었다.
   3. 능력 시연에 매료된 사용자들이 프로젝트에 깊이 참여하고 피드백을 주기 시작했다.

1.2. 오픈소스가 신뢰와 비용을 동시에 해결한 방식

1. 코드 검사를 통한 신뢰 형성

   1. Cline이 오픈소스였기 때문에 사용자들이 코드를 직접 검사할 수 있었다.
   2. 이를 통해 API 키를 입력하고 많은 비용을 지불하는 데 대한 불안을 줄일 수 있었다.
   3. 사용자는 자신이 "부당한 대우를 받지 않는다"는 확신을 가질 수 있었다.

2. 커뮤니티 기반 제품 진화

   1. Cline이 최초로 추가한 사용자 정의 규칙(custom rules)과 계획 모드(plan mode)는 커뮤니티와의 대화에서 나왔다.
   2. 사용자들이 직접 원하는 API를 연결할 수 있도록 한 유연성도 오픈소스의 핵심 장점이었다.
   3. 발표자는 이런 경험 때문에 평생 오픈소스를 만들어왔으며, 최근 커뮤니티가 시들어가는 모습이 가슴 아프다고 말한다.

---

2. AI가 죽인 '오픈소스'의 전통적 측면

이 섹션에서는 AI 코딩이 오픈소스의 전통적 상호작용(PR, 이슈, 댓글, 신뢰)을 어떻게 파괴하고 있는지 구체적 사례를 들어 설명한다.

2.1. GitHub: 불신과 SLOP의 아카이브

1. 커뮤니티에서 불신으로의 전환

   1. AI 코딩은 프로젝트에 매우 위험할 수 있으며, 이를 모두가 실전에서 배워야 했다.
   2. 과거의 공동체 의식이 "서로가 이 도구를 책임감 있게 사용하는가"에 대한 깊은 회의감과 불신으로 변질되었다.
   3. 특히 제3자의 기여를 신뢰해야 하는 오픈소스 프로젝트에 타격이 컸다.

2. GitHub의 구조적 변화

   1. GitHub는 이제 SLOP(저품질) PR, 무성의한 이슈, 보안 보고서의 아카이브가 되었다.
   2. 상황이 심각해지자 GitHub는 타사 풀 리퀘스트를 완전히 비활성화하는 기능을 추가했다.
   3. 발표자는 풀 리퀘스트가 "GitHub를 지금의 GitHub로 만든 핵심 요소"였기에 이 변화가 매우 슬프다고 말한다.

2.2. 오픈소스 프로젝트의 구체적 반응

1. Zig: AI 사용 전면 금지

   1. Zig(bun의 언어) 행동 강령은 PR, 이슈, 심지어 댓글에서조차 AI 사용을 금지한다.
   2. Zig 핵심 팀은 기여(contribution)보다 기여자(contributor)를 더 중요하게 생각한다.
   3. PR 리뷰의 주된 목적은 새 코드 추가가 아니라, 시간이 지나며 신뢰할 수 있는 신규 기여자를 육성하는 것이다.
   4. AI 지원은 이런 신뢰 형성 과정을 완전히 무너뜨린다.

2. curl: AI 생성 버그 보고서의 몰살

   1. curl CEO(Daniel Stenberg)는 AI가 생성한 버그 리포트 때문에 프로젝트가 "도도새처럼 몰살(dodoed)"당하고 있다고 주장했다.
   2. 이로 인해 수십 년 만에 처음으로 버그 현상금(bug bounty) 프로그램 중단을 검토하게 되었다.

3. TLDraw: 모든 풀 리퀘스트 자동 폐쇄

   1. TLDraw는 AI가 생성한 것이든 아니든 모든 풀 리퀘스트를 자동으로 닫고 있다.
   2. 이는 오픈소스 참여의 대표적 채널인 PR이 실효성을 상실했음을 보여주는 사례다.
   3. 발표자는 앞으로 더 많은 대형 오픈소스 프로젝트가 비슷한 방식을 택할 것으로 예측한다.

2.3. 공급망 공격 위험의 급증

1. 타사 의존의 위험성

   1. 단 한 번의 보안 침해로 수많은 기여자와 다운스트림 사용자가 연쇄 피해를 입을 수 있다.
   2. 타사 소프트웨어에 의존하는 것이 그 어느 때보다 위험해졌다.

2. Light LLM 해킹 사례

   1. Python 패키지 Light LLM은 하루에 약 350만 건 다운로드된다.
   2. 공격자가 GitHub 앱을 이용해 PyPI 배포 토큰을 탈취했다.
   3. 3시간 동안 변조된 패키지가 배포되었는데, 이 패키지는 자격 증명 수집기와 원격 명령 실행 백도어를 설치했다.
   4. API 키, SSH 키, 암호화 키를 탈취할 수 있었다.
   5. 조기 발견은 악성코드에 내재된 버그(특정 MCP 서버 실행 시 Cursor 충돌)가 우연히 드러난 덕분이었다.
   6. 기업 고객과 자체 내부 게이트웨이를 가진 개발자가 많은 패키지라 피해가 막대할 수 있었다.

---

3. 살아남는 오픈소스: 모델 개방과 경제학

이 섹션에서는 전통적 커뮤니티는 쇠퇴하지만, 기술과 인프라의 개방 자체는 오히려 더 중요해지고 있음을 설명한다.

3.1. 오픈소스의 생명력 있는 측면

1. 기술의 자유로운 사용과 재구축
   1. 다른 사람이 내 기술을 자유롭게 사용하고, 공개 영역에서 위에 구축할 수 있도록 하는 것은 여전히 핵심 가치다.
   2. 특히 오픈 웨이트(open weights) 모델의 경우 경제적 파급력이 크다.
   3. 사용·개작·배포의 자유가 산업 표준화와 채택을 가속화한다.

3.2. 기업의 추론 비용 폭증

1. Anthropic 대시보드의 과다 지출 사례

   1. 익명 CFO 보고: 수천 명 직원의 사용량 제한을 설정하지 않아 한 달에 Claude에 5억 달러를 지출했다.

2. Uber의 Claude 사용 실태

   1. Claude Cloud를 조직에 도입한 후 엔지니어 95%가 사용하게 되었다.
   2. 커밋된 코드의 70~75%가 Claude의 작품이었다.
   3. 사용자당 월 지출이 최대 2,000달러에 달했다.
   4. 2026년 전체 예산을 4개월 만에 소진했다.

3. AI 연구소의 보조금 전략

   1. Semi Analysis 실험: Claude Code 200달러 플랜이 약 8,000달러 상당의 API 사용 가치를 제공했다.
   2. OpenAI Codex 200달러 구독은 약 14,000달러 상당의 API 사용 가치를 제공했다.
   3. 연구소는 단기적으로 막대한 비용을 보조금 형태로 지출하며 사용자를 자신들의 툴에 의존하게 만들려 한다.

3.3. 락인 전략의 허점

1. 의존 → 가격 폭리의 전형

   1. CI 에이전트, 백그라운드 클라우드 에이전트, 루핑 에이전트 등으로 토큰 사용량을 극대화한다.
   2. 모든 신기능·마케팅이 더 많은 토큰 소비와 더 강한 락인을 목표로 한다.
   3. 개발자가 도구 없이는 일할 수 없는 상황이 되면 가격 인상이 불가피하다.

2. 실제 사례와 관찰

   1. 클라우드나 GPT 장애 시 업무가 멈추는 개발자가 청중 중 다수였다(손 드는 장면).
   2. Anthropic과 OpenAI가 API 사업에서 애플리케이션 레이어로 큰 투자를 이동시킨 이유가 여기에 있다.
   3. 폐쇄형 연구소는 모델이 상품화될 날을 대비해 애플리케이션에 해자(moat)를 쌓으려 한다.

3. 장기적으로 실패할 이유

   1. 개발자와 기업은 가격 대비 가치가 더 나은 제품으로 즉시 이동한다.
   2. CLI 에이전트의 기능 다양성이 락인을 장기적으로 막지 못한다.
   3. 모델 자체가 상품화되면 애플리케이션 락인만으로는 충분하지 않다.

---

4. 오픈 웨이트 모델의 부상

이 섹션에서는 오픈 웨이트 모델이 어떻게 비용·가치 측면에서 기업의 표준으로 떠오르고 있는지 분석한다.

4.1. 순수 지능 우위의 종말

1. 변곡점: '최고'가 아니어도 충분

   1. 중국산 오픈 웨이트 모델이 미국 폐쇄형 경쟁자에 뒤처져 있었지만, 성능이 충분히 강력해졌다.
   2. 모든 작업에 항상 최고 모델이 필요한 것은 아니다.
   3. 기업들이 비용 효율을 우선시하는 변곡점에 도달했다.

2. 컨텍스트와 도구가 결과를 좌우

   1. 좋은 출력은 에이전트의 원시 지능보다 주어진 맥락(context)과 도구(tools)에 의해 결정된다.
   2. AI 네이티브 개발 인프라, 프로젝트 스킬·규칙, 검증 및 품질 게이트가 중요하다.
   3. 평범한 모델도 충분한 맥락과 안전장치로 우수한 결과를 낼 수 있다.

4.2. Cline의 GLM vs Claude Opus 실험

1. 실험 설계

   1. Cline 저장소의 실제 버그로 GLM(오픈 웨이트)과 Claude Opus를 비교했다.
   2. 두 모델 모두 문제를 해결할 수 있었다.

2. 비용과 코드 품질에서 GLM 우세

   1. GLM은 토큰을 두 배 더 사용했지만 비용은 절반에 불과했다.
   2. Opus는 더 빠르게 종료했고 툴 호출 횟수가 절반이었다.
   3. GLM은 빌드 완료 전 dead code를 제거하고 컴파일이 제대로 되는지 검증했다.
   4. Opus는 타입 오류를 남겨 프로덕션 빌드를 깨뜨렸다.
   5. Cline 팀은 GLM이 출력 검증에 더 많은 토큰을 쓰도록 훈련된 느낌을 받았다.

3. 의미

   1. 토큰 가격이 저렴하면 최종 결과물의 품질이 비용보다 중요하다.
   2. 오픈 웨이트 모델이 동일한 산출물을 더 많은 토큰으로 제공할 수 있다.

4.3. 기업 채택 사례: Coinbase

1. Coinbase의 내부 LLM 게이트웨이

   1. CEO Brian Armstrong은 GLM과 Kimi를 내부 게이트웨이의 기본 모델로 사용한다고 밝혔다.
   2. 이로 인해 AI 관련 지출이 거의 절반으로 감소했다.
   3. 동시에 토큰 사용량은 계속 증가하고 있다.

2. 기업의 자체 도구화 추세

   1. 기업들이 가장 비용 효율적인 방식으로 모델과 협업하기 위해 내부 라우팅 시스템을 구축할 것이다.
   2. 이는 최신 클라우드 코드 기능을 포기하더라도 비용 절감이 가능함을 의미한다.

---

5. Open Compute Project의 역사적 교훈

이 섹션에서는 2011년 Facebook의 Open Compute Project 사례를 통해, "최고가 아니더라도 표준이 될 수 있다"는 경제학을 설명한다.

5.1. Facebook의 오픈 하드웨어 전략

1. 배경과 결단

   1. 2011년 Facebook이 데이터센터와 분산 컴퓨팅 인프라를 구축하기 시작했다.
   2. 완성 시점에는 이미 아마존과 구글이 앞서 나가 경쟁 우위가 아니었다.
   3. 마크 저커버그는 "그냥 오픈소스로 공개하고 무슨 일이 일어나는지 보자"고 결정했다.

2. 공개한 내용

   1. 데이터센터, 서버, 네트워킹, 냉각 장비 설계도를 공개했다.
   2. CAD 파일, 회로도 등 물리적 하드웨어의 설계 전부를 무료로 공개했다.
   3. 이를 Open Compute Project라 불렀다.

5.2. 공급마 재편과 비용 절감

1. 표준화 효과

   1. 이전: 모든 회사가 자체 독점 서버 설계 → 제조업체는 소량 맞춤 생산 → 고비용.
   2. 이후: Facebook 디자인이 공유된 개방형 표준이 되어 모두가 동일 부품을 대량 주문.
   3. 제조업체가 대량 표준 생산을 가능하게 되면서 부품이 상품화되었다.

2. 시장 창출과 장기 절약

   1. 어느 벤더도 프리미엄을 부과할 수 없게 되었다.
   2. Facebook을 포함한 업계 전체의 가격이 하락했다.
   3. Facebook은 설계를 무료로 공개함으로써 자체 비용을 낮추는 시장을 창출했다.
   4. 장기적으로 수십억 달러를 절약했다.

5.3. AI 인프라에 적용되는 교훈

1. '최고'가 아니어도 표준이 될 수 있다
   1. 산업은 최선의 기술보다 위에 구축할 수 있는 표준을 채택한다.
   2. 오픈 웨이트 모델이 그 표준이 될 가능성이 있다.

---

6. 추론 비용의 미래: 2030년 인프라 전망

이 섹션에서는 향후 AI 인프라 투자와 추론 비용 하락이 오픈 웨이트 모델 채택에 미칠 영향을 전망한다.

6.1. 거대한 데이터센터 투자

1. 자본 지출 규모
   1. 향후 5년간 AI 인프라 구축에 약 3조 달러가 투자될 것으로 예상된다.
   2. 2030년까지 100기가와트 이상의 새 데이터센터 용량이 추가될 전망이다.
   3. 이는 현재 전 세계 데이터센터 용량의 약 두 배에 해당한다.

6.2. 호스팅 제공업체의 경쟁과 효율화

1. 비용 절감 동력

   1. Base10, Fireworks 같은 추론 호스팅 업체가 서로 경쟁한다.
   2. 전용 하드웨어, 캐싱, 배치 처리(batch), 추론 특화 실리콘 등으로 인프라 효율을 높인다.
   3. 규모의 경제로 단위 추론 비용이 하락한다.

2. 2030년 비용 전망

   1. 1조 개 파라미터 LLM의 추론 비용이 현재보다 약 90% 절감될 것으로 예상된다.
   2. 오픈 웨이트 모델은 이 흐름에서 가장 큰 수혜자가 될 것이다.

6.3. 클라우드 상품화의 전례

1. 2014년 GCP 가격 인하

   1. 2014년 3월 Google Cloud Platform 라이브 발표에서 컴퓨팅 32%, 스토리지 68%를 인하했다.
   2. AWS는 며칠 만에 유사한 가격 인하로 대응했는데, 이는 AWS의 42번째 가격 인하였다.

2. 상품화 이후의 경쟁 이동

   1. 2015년 이후 원시 컴퓨팅·스토리지가 상품화되었다.
   2. 하이퍼스케일러는 더 이상 원시 자원에서 경쟁하지 않고 DB, 서버리스 등으로 이동했다.
   3. 추론 분야에서도 동일한 비용 절감·상품화가 진행 중이다.

---

7. 폐쇄형 연구소에 대한 경고와 미국 리더십

이 섹션에서는 미국 연구소가 오픈 웨이트를 무시할 경우 기술 리더십을 잃을 위험과 대응 전략을 제시한다.

7.1. 외국 모델 표준화의 위험

1. 인프라의 외국 의존

   1. 현재 투자 중인 모든 AI 인프라가 외국 모델 위에 구축될 수 있다.
   2. 특히 중국산 오픈 웨이트 모델이 세계를 강타하면 GPT, Claude 등 미국 모델이 무의미해질 수 있다.

2. 채택률과 마인드쉐어

   1. 해외 모델이 표준이 되면 사소한 성능 개선만으로는 되돌아갈 이유가 없어진다.
   2. 미국이 기술 개발에 대한 통제력을 잃게 될 수 있다.

3. 안전 연구 측면

   1. Anthropic, OpenAI 등은 안전 연구에 막대한 투자를 한다.
   2. 다른 연구소는 동일한 수준의 안전 투자를 하지 않을 수 있다.
   3. 혁신 기술의 개발은 개발자와 국가의 이상(ideals)에 깊이 연결되어 있다.

7.2. 제안: 오픈 웨이트 모델을 더 많이 공개하라

1. 연구 결과 공개와 가중치 공개의 구분

   1. Saoud는 "연구 결과를 오픈소스로 공개하라"는 의미가 아니라고 강조한다.
   2. 오히려 연구 비밀 유지가 미국이 앞서나갈 수 있는 이유라고 본다.
   3. 대신 모델 가중치를 더 많이 개방해야 한다.

2. 가중치 개방의 실효성

   1. 추출(trace extraction)과 복제 모델 학습이 더 쉬워지지만, 기존 모델을 뛰어넘지는 못한다.
   2. 모델의 산업 활용성을 높여 경쟁과 채택을 촉진한다.
   3. 고객에게 더 나은 가격과 가치를 제공한다.
   4. 미국이 이 중대한 시기에 선두를 유지하는 방법이다.

---

8. Cline의 실천: 오픈 웨이트 구독 플랜

이 섹션에서는 발표자가 자신들의 제품인 Cline을 통해 오픈 웨이트 미래를 실현하려는 구체적 조치를 설명한다.

8.1. Cline Open Weights 구독 플랜 론칭

1. 목적과 메커니즘

   1. Cline 팀이 오픈 웨이트 미래를 확신하여 이번 주 초 구독 플랜을 출시했다.
   2. 볼륨 기반 할인 + 추론 호스팅 파트너십을 통해 직접 API를 구매하는 것보다 훨씬 저렴하게 모델을 제공한다.
   3. 모델 가격 하락에 따라 사용량 할당량을 지속적으로 늘릴 계획이다.

2. 접근 방식

   1. 가입 링크는 client.bot/pass(발표 자료에 표시)이다.
   2. Cline 자체는 오픈소스이며, 사용자가 API 키를 가져와 다른 제공업체를 사용할 수 있다.
   3. CLI, VS Code, JetBrains에서 사용 가능하다.

8.2. 오픈 웨이트 모델 체험의 중요성

1. 최신 모델 성능 체감
   1. 클라우드나 ChatGPT 구독으로는 오픈 웨이트 모델에 접근할 수 없다.
   2. Cline 구독 플랜을 통해 GLM, DeepSeek 등의 발전을 직접 확인할 수 있다.
   3. 비싼 폐쇄형 프론티어 모델 없이도 작업을 수행할 수 있음을 경험할 수 있다.

---

주요 발언 모음

"I don't think Cline would have been as successful as it is if it wasn't open source... it allowed these developers to inspect our code and trust it... know that they weren't getting screwed over."

"GitHub is effectively an archive of SLOP PRs and issues and security reports where the sense of community before has turned into this like deep skepticism and distrust."

"When I say that open source is dead, I mean some parts of it like the community... it's just not worth cultivating anymore, especially because building software is so cheap."

"They accidentally spent $500 million on Claude in a single month because they didn't set the usage limits on their thousands of employees on their Anthropic dashboard."

"95% of their engineers were using it. 70-75% of their committed code came from Claude... they used their entire 2026 budget in just four months."

"A $200 plan for Claude would give them about $8,000 worth of API usage... a $200 subscription to Codex would give them about $14,000 worth of API usage."

"It doesn't matter how many features your CLI agent has, developers and businesses will just jump to whatever offers them the best value for their dollars."

"We're seeing the same thing that happened with Open Compute 15 years ago... the industry will adopt and standardize on something that they can build on top of even if it isn't the best thing."

"By 2030, the estimates are that inference on a 1 trillion parameter LLM will cost 90% less than it does today."

"We need to open up our models and start releasing more open weights models... that's how we keep our lead during this very critical moment."

---

핵심 데이터 & 수치

• Light LLM 다운로드: 하루 약 350만 건
• Claude 과다 지출: 익명 기업, 한 달에 5억 달러 지출
• Uber 엔지니어 Claude 사용률: 95%
• Uber 커밋 코드 중 Claude 산출 비중: 70~75%
• Uber 사용자당 월 지출: 최대 2,000달러
• Uber 2026 예산 소진: 4개월 만에 전체 소진
• Claude Code $200 플랜 API 가치: 약 8,000달러 상당
• Codex $200 구독 API 가치: 약 14,000달러 상당
• 2030년 AI 인프라 투자: 약 3조 달러
• 2030년 신규 데이터센터 용량: 100기가와트 이상(현재 전 세계 용량의 약 2배)
• 2030년 1조 파라미터 LLM 추론 비용: 현재 대비 약 90% 절감 예상
• 2014년 GCP 가격 인하: 컴퓨팅 32%, 스토리지 68%
• AWS의 2014년 대응: GCP 발표 며칠 만에 유사 인하, 당시 AWS의 42번째 가격 인하

---

결론 및 시사점

1. AI는 전통적인 오픈소스 커뮤니티(기여·PR·이슈)를 해치고 있지만, 모델과 인프라의 개방은 더욱 중요해지고 있다.
2. 폐쇄형 AI 연구소의 보조금·락인 전략은 단기적 채택을 이끌 수 있으나, 장기적으로는 비용 효율이 높은 오픈 웨이트 모델에게 밀릴 것이다.
3. 오픈 웨이트 모델은 순수 지능이 아닌 맥락·도구·검증 인프라와 결합될 때 기업 표준화의 강력한 대안이 된다.
4. 미국 연구소는 연구 비밀을 유지하면서도 모델 가중치를 개방해 채택률과 기술 통제력을 동시에 지켜야 한다.
5. 개발자와 기업은 비싼 폐쇄형 프론티어 모델에만 의존하지 말고, 오픈 웨이트 모델 + 검증 인프라 조합을 적극적으로 검토해야 한다.