2026년 7월 15일, AI 업계에 조용하지만 묵직한 뉴스가 하나 떴습니다. OpenAI의 전 CTO 미라 무라티가 창업한 Thinking Machines Lab이 드디어 첫 모델을 공개한 것입니다. 이름은 Inkling. 총 975B 파라미터 규모의 오픈웨이트 멀티모달 모델로, Apache 2.0 라이선스라 사실상 누구나 상업적으로 쓸 수 있습니다. 지금까지 GPT나 Claude 같은 폐쇄형 모델에만 의존해 마케팅 자동화를 짜왔던 팀에게는 판을 다시 짤 만한 사건입니다.
30초 요약
- Inkling 공개: Thinking Machines Lab이 2026년 7월 15일 첫 모델을 정식 공개했습니다.
- 규모: 총 975B 파라미터, 그중 41B만 활성화되는 Mixture-of-Experts 구조입니다.
- 긴 컨텍스트: 최대 100만 토큰까지 한 번에 처리해 브랜드 자산 전체를 넣고 작업할 수 있습니다.
- 오픈웨이트: Apache 2.0 라이선스로 상업용 사용, 파인튜닝, 자체 서버 배포가 자유롭습니다.
- 마케팅 활용: 리서치, 콘텐츠 초안, 광고 카피 A/B 세트, 이메일 시퀀스 자동화에 새 옵션이 열렸습니다.
1. Inkling이 대체 뭔가요
먼저 회사 배경부터 짚어야 이 모델이 왜 주목받는지 감이 옵니다. Thinking Machines Lab은 OpenAI에서 ChatGPT와 GPT-4 출시를 총괄했던 미라 무라티가 2025년에 세운 회사입니다. 창업 이후 한동안 침묵을 지키다가, 2026년 7월 15일에 드디어 첫 결과물을 세상에 내놓았습니다. 그것이 바로 Inkling입니다.
Inkling은 텍스트뿐 아니라 이미지도 함께 이해하는 멀티모달 모델입니다. 그러니까 상품 사진을 넣고 “이 사진의 톤에 맞는 인스타그램 캡션 5개 뽑아줘”라고 하면 그림을 실제로 보고 답을 만들어냅니다. 여기까지는 요즘 나오는 여느 대형 모델과 비슷하게 들립니다. 그런데 진짜 차별점은 세 가지에 있습니다. 975B라는 거대한 규모, 100만 토큰이라는 긴 컨텍스트, 그리고 Apache 2.0이라는 라이선스입니다.
2. MoE 구조, 왜 41B만 켜지는 게 중요한가
Inkling은 Mixture-of-Experts(줄여서 MoE) 구조입니다. 이름이 어려운데, 비유하면 이렇습니다. 큰 병원에 전문의가 100명 있다고 칩시다. 환자가 오면 100명이 다 달려들지 않고, 진료 접수 데스크가 “이건 정형외과 케이스네” 판단해서 관련 전문의 몇 명한테만 보냅니다. 나머지 90여 명은 그 순간 쉬고 있습니다.
Inkling도 똑같습니다. 총 975B 파라미터라는 거대한 ‘전문가 풀’을 가지고 있지만, 실제 답변을 만들 때는 그중 41B만 활성화됩니다. 전체를 다 굴리는 것보다 훨씬 빠르고 저렴한데, 답변 품질은 큰 모델의 지식을 그대로 쓸 수 있습니다. 마케팅 실무자 입장에서 이게 왜 중요할까요. 자체 서버에 올려서 돌릴 때 GPU 비용이 크게 줄어들기 때문입니다. 하루 수천 개의 상품 설명을 자동 생성해야 하는 D2C 브랜드, 광고 카피 수백 벌을 A/B 테스트로 돌려야 하는 퍼포먼스 팀이 특히 반길 만한 구조입니다.
핵심 포인트: MoE 구조 덕분에 Inkling은 ‘큰 모델의 똑똑함’과 ‘작은 모델의 저렴함’을 동시에 노릴 수 있는 드문 옵션입니다. 대량 자동 생성이 필요한 마케팅 업무에 특히 맞습니다.
3. 100만 토큰 컨텍스트가 마케팅에 주는 의미
Inkling은 한 번에 최대 100만 토큰까지 처리합니다. 토큰이라는 단위가 생소한 분들을 위해 감으로 옮겨보면, 한국어 기준으로 대략 A4용지 1,500장 분량입니다. 웬만한 브랜드의 브랜드 가이드라인, 기존 광고 카피 아카이브, 지난 1년치 이메일 캠페인 성과 리포트, 아마존 리스팅 전문을 다 한 프롬프트에 넣고 작업을 시킬 수 있다는 뜻입니다.
지금까지의 워크플로는 이런 식이었습니다. “우리 브랜드 톤은 이거야, 이런 단어는 쓰지 마, 지난달 잘 팔린 카피는 이거야” 하는 배경을 매번 요약해서 짧게 넣어야 했습니다. 그러다 보니 AI가 브랜드 결을 놓치고 어색한 카피를 뱉는 일이 잦았습니다. 100만 토큰 창이 열리면 그 문제 상당 부분이 해소됩니다. 브랜드 자산을 통째로 밀어넣고 “이 결에 맞게 신제품 아마존 A+ 콘텐츠 5안 뽑아줘”라고 시키는 게 가능해집니다.
| 작업 | 기존 방식 | Inkling 활용 시 |
|---|---|---|
| 브랜드 톤 유지 | 매번 톤 가이드 요약 재입력 | 가이드 전문을 한 번에 넣고 유지 |
| 경쟁사 리서치 | 기사 5~6개씩 나눠서 요약 | 수십 개 자료 한 번에 통합 분석 |
| 이메일 시퀀스 설계 | 과거 성과 데이터 요약본만 참고 | 1년치 성과 데이터 전체 참조 |
| 상품 리스팅 대량 생성 | 폐쇄형 API 호출당 비용 누적 | 자체 서버 배포로 단가 최적화 |
| 비용 구조 | 토큰당 과금, 예측 어려움 | 고정 인프라 비용으로 예측 가능 |
4. 오픈웨이트라는 것의 진짜 가치
Inkling은 Apache 2.0 라이선스로 공개됐습니다. 여기서 오픈웨이트라는 말을 짚어야 합니다. 오픈소스와는 조금 다릅니다. 오픈웨이트는 모델의 ‘학습된 뇌’ 자체를 다운로드받아서 자기 서버에 올릴 수 있다는 뜻입니다. Apache 2.0은 상업용 사용, 수정, 재배포가 모두 자유로운 관대한 라이선스입니다.
왜 이게 마케팅 팀에게 중요할까요. 세 가지 이유입니다. 첫째, 데이터 주권입니다. 고객 이메일 리스트나 미공개 신제품 정보를 외부 API에 던지지 않고 자체 인프라 안에서만 처리할 수 있습니다. 둘째, 파인튜닝의 자유입니다. 우리 브랜드의 목소리, 우리 산업의 전문 용어에 맞게 모델을 재학습시킬 수 있습니다. 셋째, 장기 비용 안정성입니다. 특정 API 회사의 가격 정책 변경에 흔들리지 않는 자체 스택을 구축할 수 있습니다.
5. 미국 마케팅 실전에 어떻게 붙이나
이론은 이렇고, 실전에서 어디에 붙이면 좋을지 정리해봅니다.
가. 아마존 리스팅 대량 최적화
SKU가 수십, 수백 개인 브랜드는 리스팅 하나하나 손보기가 사실상 불가능합니다. 브랜드 가이드, 카테고리별 키워드 리서치, 경쟁 상품 A+ 콘텐츠를 통째로 컨텍스트에 넣고 SKU별 타이틀, 불렛, A+ 카피를 배치로 뽑는 파이프라인을 만들 수 있습니다.
나. 콘텐츠 리서치와 초안
미국 시장 진출을 준비하는 브랜드라면 카테고리 트렌드 리서치가 첫 관문입니다. Reddit 스레드, 미국 매체 기사, 경쟁사 블로그를 한꺼번에 넣고 인사이트를 뽑거나 블로그 초안까지 자동화할 수 있습니다.
다. 광고 크리에이티브 A/B 세트
Meta나 TikTok 광고는 크리에이티브 회전이 생명입니다. 브랜드 톤, 과거 성과 좋은 카피, 타깃 페르소나 설명을 넣고 헤드라인 20안, 훅 문장 30안을 한 번에 뽑아 곧바로 테스트에 태울 수 있습니다.
라. 이메일과 CRM 시퀀스
Klaviyo 같은 도구에 붙이는 웰컴 시리즈, 카트 이탈 리커버리, 재구매 유도 시퀀스를 브랜드 아카이브 기반으로 자동 생성하고 고객 세그먼트별로 변주할 수 있습니다.
6. 아직 조심해야 할 부분
흥분되는 뉴스지만 냉정하게 짚을 부분도 있습니다. 첫째, 오픈웨이트라도 실제로 돌리려면 상당한 GPU 인프라가 필요합니다. 취급하기 편한 폐쇄형 API에 비하면 초기 진입 장벽이 높습니다. 대안으로 서드파티 호스팅 서비스가 곧 붙겠지만, 자체 배포의 이점은 그만큼 옅어집니다.
둘째, 첫 공개 모델이라 실무 벤치마크 데이터가 아직 부족합니다. 발표 자료의 수치와 우리 브랜드의 실제 카피 품질은 다른 이야기입니다. 도입 결정을 내리기 전에 반드시 자체 파일럿을 돌려봐야 합니다. 셋째, 학습 데이터의 세부 구성이나 인퍼런스 세부 옵션에 대한 일부 보도는 아직 공식 확인이 다 되지 않았습니다. 성급하게 사내 문서에 넣기보다 공식 문서 기준으로 판단하는 것이 안전합니다.
7. 자주 묻는 질문
Q1. Inkling은 지금 바로 상업적으로 써도 되나요?
네. Apache 2.0 라이선스로 공개됐기 때문에 상업용 사용, 수정, 재배포가 자유롭습니다. 다만 자체 인프라 요구사항과 운영 리소스를 감안해서 도입 규모를 잡아야 합니다.
Q2. GPT-5나 Claude와 비교하면 어떤가요?
공개된 지 얼마 되지 않아 대규모 실전 벤치마크 결과가 아직 축적되지 않았습니다. 발표 시점의 벤치마크만 보고 판단하기보다, 각자의 워크플로에 맞춰 실제 비교 파일럿을 돌려보는 것이 정확합니다.
Q3. 한국어도 잘하나요?
멀티모달 대형 모델이라 기본적인 한국어 처리는 가능할 것으로 보이지만, 미국 마케팅용 영어 카피 생성이나 리서치 통합 쪽에서 우선 강점을 보일 가능성이 큽니다. 한국어 특화 작업은 별도 검증이 필요합니다.
Q4. 100만 토큰 컨텍스트를 다 쓰면 답변이 느려지지 않나요?
일반적으로 컨텍스트를 많이 채울수록 응답 시간과 비용이 늘어납니다. MoE 구조 덕분에 상대적으로 유리하긴 하지만, 실무에서는 필요한 자료만 골라 넣는 프롬프트 설계가 여전히 중요합니다.
Q5. 소규모 팀이 도입하기에는 부담스럽지 않나요?
자체 서버에 올려 대규모로 굴리는 시나리오는 부담스러울 수 있습니다. 대신 서드파티 호스팅 API가 뜨는 시점을 기다렸다가 도입하는 방식, 특정 워크플로에만 시범 도입하는 방식도 좋은 접근입니다.
Q6. 브랜드 톤 유지는 정말 잘 되나요?
긴 컨텍스트가 있다는 것과 브랜드 결이 살아있는 카피가 나온다는 것은 다른 문제입니다. 초기에는 사람 카피라이터가 반드시 후검수 단계에 남아 있어야 합니다. AI는 초안 생성과 변주 옵션 확장에 강점이 있습니다.
8. 정리하며
Inkling의 진짜 의미는 단일 모델의 성능 수치가 아니라, 마케팅 팀이 선택할 수 있는 도구의 폭이 넓어졌다는 데 있습니다. 폐쇄형 API에 전적으로 의존하던 자동화 파이프라인에 자체 배포 가능한 대형 모델이라는 옵션이 추가됐고, 데이터 주권과 비용 예측 가능성을 동시에 잡을 수 있는 길이 열렸습니다. 반대로 말하면, AI를 마케팅에 어떻게 붙일지 진지하게 고민하지 않은 브랜드와 그렇지 않은 브랜드 사이 격차는 앞으로 더 빨리 벌어질 겁니다.
Calywire는 2014년부터 미국 현지에서 소비재 브랜드의 성장 파이프라인을 함께 설계해왔습니다. 어떤 AI 도구를 어디에 붙이면 실제 매출로 이어지는지, 지금 우리 브랜드 단계에 맞는 자동화 로드맵이 어떻게 그려지는지 궁금하시다면 가벼운 대화부터 시작해보셔도 좋습니다.
참고 자료
- Thinking Machines Lab: Introducing Inkling
- MarkTechPost: Thinking Machines Lab Releases Inkling: 975B Open-Weights Multimodal MoE
- WIRED: Thinking Machines Lab Releases Its First Model, Inkling
- Simon Willison: Inkling first impressions
