과학 연구를 돕는 AI, 역할을 나눠 모델 이용료를 줄였다

AI가 과학 연구를 더 싸게 해 준다는 말을 들으면 무엇을 떠올려야 할까. 연구자가 하던 일을 대신해 시간을 아끼거나, 실험 횟수를 줄여 장비와 재료를 덜 쓰는 모습일 수 있다. 하지만 어떤 연구에서 비용을 낮췄다고 할 때, 실제로 줄어든 항목은 그보다 좁을 수 있다. 후보를 만들고 고치도록 AI에 요청하면서 내는 모델 서비스 이용료가 그중 하나다.

이 좁은 항목에도 살펴볼 만한 변화가 있다. 모든 일을 가장 강력한 모델에 맡기는 대신, 반복해서 시도하는 일은 저렴한 모델에 맡기고 탐색의 방향을 바꿀 때 비싼 모델을 부르는 방식이다. 중요한 점은 단순히 싼 제품으로 바꾸는 것이 아니다. 비싼 판단 한 번이 뒤따르는 여러 시도에 도움이 되도록 일을 나눈다는 데 있다.

연구비와 모델 이용료는 다른 항목이다

과학 연구에는 사람의 시간, 장비, 재료, 계산 자원 등 여러 비용이 들어간다. 외부 AI 서비스를 쓰면 모델 이용료도 추가된다. 연구용 프로그램이 서비스에 요청을 보내 후보를 만들거나 수정하게 하고, 사용량에 따라 요금을 내는 식이다. 이 글에서 다루는 논문의 API 비용은 이런 모델 서비스 이용료를 뜻한다. 일반 독자가 떠올리는 연구비 전체와는 범위가 다르다.

이 구분은 절감률의 의미를 해석할 때 중요하다. 다른 지출이 그대로라고 가정하면, 모델 이용료를 크게 줄여도 그 항목이 전체 예산에서 차지하는 몫이 작을수록 총액의 변화는 작다. 반대로 모델을 거듭 불러야 하는 탐색에서 이용료가 큰 부담이었다면 같은 절감도 더 중요해진다. 절감률만으로 연구의 경제성이 얼마나 달라졌는지 알 수 없는 이유다.

모델의 가격이 낮다는 것과 탐색에 쓴 총이용료가 적다는 것도 구별해야 한다. 저렴한 모델을 쓰더라도 원하는 결과를 얻기까지 요청이 훨씬 많이 필요하다면 비용상의 이점이 줄어들 수 있다. 따라서 가격표만 비교해서는 부족하다. 어떤 결과를 얻는 데 모델을 얼마나 이용했는지까지 함께 보아야 한다.

후보를 실제로 시험하는 계산 비용이나 사람이 결과를 검토하는 시간도 별개다. 모델이 후보를 싸게 만들어 준다고 시험과 검토까지 저절로 저렴해지지는 않는다. 그렇다고 모델 이용료 절감이 사소하다는 뜻은 아니다. 줄어든 지출의 범위를 알아야 그 성과가 어떤 연구에서 특히 유용할지 판단할 수 있다는 뜻이다.

답을 받는 일과 후보를 찾는 일은 다르다

AI를 이용한 과학 탐색은 질문 하나에 완성된 답 하나를 받는 일과 다르다. 계산으로 좋은 프로그램이나 방정식을 찾는 작업에서는 후보를 만들고, 정해진 기준으로 시험하고, 결과를 보고 다시 고치는 과정이 이어진다. AI의 역할도 이미 알려진 지식을 설명하는 것보다 시험해 볼 후보를 계속 제안하는 쪽에 가깝다.

원리를 이해하기 위한 가상의 예로, 관측된 수치를 잘 설명하는 수식을 찾는다고 해 보자. AI가 그럴듯한 식을 내놓았다고 일이 끝나지는 않는다. 실제 수치와 얼마나 잘 맞는지 확인하고 다른 식과 비교해야 한다. 맞지 않는 부분이 있다면 식의 일부를 바꾸거나 전혀 다른 형태를 시도할 수 있다.

여기서 후보를 제안하는 일과 후보가 좋은지 확인하는 일은 구분된다. 모델이 자신 있게 설명했다는 이유로 좋은 후보가 되는 것은 아니다. 시험 결과가 있어야 다음에 무엇을 바꿀지 판단할 수 있다. 탐색의 질은 한 번의 답이 얼마나 매끄러운지만이 아니라, 어떤 후보를 시험했고 그 결과를 다음 선택에 어떻게 반영했는지에도 달려 있다.

매번 비싼 모델에 후보 생성과 수정을 맡기면 요청이 쌓일수록 이용료 부담이 커질 수 있다. 특히 이미 시도한 것과 비슷한 후보를 다시 만들거나, 개선이 잘 나오지 않는 방향을 계속 따라간다면 돈을 쓰면서도 새로 얻는 정보는 적을 수 있다. 요청 하나의 가치가 모두 같지는 않은 것이다.

비용을 낮추는 방법도 여기서 갈린다. 반복 작업을 더 저렴한 모델에 맡길 수도 있고, 이전 결과를 잘 활용해 다음 시도가 덜 헛돌도록 만들 수도 있다. 두 방법을 함께 쓰려면 저렴한 모델이 많은 후보를 내는 데서 그쳐서는 안 된다. 지금까지 무엇을 시도했고 어디서 막혔는지를 다음 탐색에 전달하는 과정이 필요하다.

실패를 다음 시도에 쓸 정보로 바꾼다

2026년 10월 20일 arXiv에 첫 버전이 제출된 SpecEvo 논문은 이런 역할 분담을 제안한다. 연구진은 기존 탐색 방식의 두 가지 문제를 짚었다. 여러 단계에서 이용료가 높은 고성능 모델을 반복해 호출한다는 점과, 실패하거나 중복된 시도의 결과를 다음 탐색에 충분히 활용하지 못한다는 점이다. 이들이 제안한 방식에서는 저렴한 모델들이 여러 후보 프로그램을 동시에 만들고 다듬는다.

또 다른 역할은 축적된 성공과 실패를 정리하는 것이다. 어떤 시도가 도움이 됐는지, 무엇을 바꿔도 개선이 잘 나오지 않았는지, 어느 방향에서 탐색이 정체됐는지를 이후 작업에 참고할 지침으로 추린다. 연구진은 후보 생성뿐 아니라 이런 정보 정리에도 저렴한 모델을 쓰도록 설계했다.

실패를 정리한다는 것은 단순히 실패한 답의 목록을 보관한다는 뜻이 아니다. 앞의 수식 찾기 예에서 비슷한 형태의 식을 조금씩 바꿨지만 성과가 없었다면, 그 이력을 모르는 모델은 같은 종류의 수정을 다시 제안할 수 있다. 반면 어디서 개선이 멈췄는지 전달받으면 다른 출발점을 고를 근거가 생긴다. 기록의 목적은 다음 행동을 바꾸는 데 있다.

성공을 다루는 방식도 중요하다. 현재 가장 좋은 후보 하나를 남기는 것과, 어떤 변화가 개선에 도움이 됐는지 정리하는 것은 다르다. 전자는 좋은 결과를 보관하는 일이고, 후자는 다음 후보를 만들 때 참고할 재료를 만드는 일이다. 성공과 실패를 함께 정리하면 현재의 최고 기록만으로는 보이지 않는 탐색 과정의 특징을 살필 수 있다.

물론 한 번 실패했다고 그 방향에 가능성이 전혀 없다고 결론 내릴 수는 없다. 시도 이력은 정답 목록이 아니라 다음 선택을 돕는 근거다. 이 연구의 설계에서 눈여겨볼 점은 각 후보를 서로 고립된 답으로 다루지 않는다는 데 있다. 앞선 시도에서 얻은 내용을 다음 시도가 이어받도록 만들어, 반복 작업이 정보의 축적으로 이어지게 하려는 것이다.

강력한 모델은 막힌 흐름을 살핀다

저렴한 모델이 반복 작업을 맡는다고 해서 더 강력한 모델이 사라지는 것은 아니다. 연구진의 설명에 따르면 고성능 모델은 드문 점검 시점에 탐색 상태를 살핀다. 탐색이 정체됐을 때 후보들을 종합하거나, 필요한 부분을 정밀하게 고치거나, 문제를 다른 방식으로 구성하는 역할을 맡는다.

저렴한 모델은 반복 탐색과 기록 정리를 맡고, 고성능 모델은 탐색이 막힐 때 개입합니다.

이 개입은 평소의 후보 수정과 목적이 다르다. 일상적인 수정이 현재 방향에서 조금 더 나은 답을 찾는 일이라면, 전략적 개입은 그 방향을 계속 따라갈지 살피는 일이다. 여러 후보의 장점을 합칠 수 있는지, 유망한 후보의 일부만 손보면 되는지, 지금과 다른 접근이 필요한지 판단한다. 고성능 모델을 모든 단계에 쓰지 않고 이런 판단을 맡기는 이유다.

수식 찾기 예로 돌아가면, 비슷한 식을 조금씩 바꾸는 동안 성과가 멈췄을 때 전체 후보를 함께 살펴보는 역할에 해당한다. 어느 부분은 유망하지만 다른 부분이 발목을 잡는지, 서로 다른 접근을 결합할 수 있는지 검토하는 것이다. 그 뒤에는 저렴한 모델들이 새 방향에서 후보를 만들고 시험을 이어가도록 할 수 있다.

이때 고성능 모델의 제안도 검증을 대신하지는 않는다. 방향을 바꿨다는 사실만으로 더 좋은 후보가 보장되는 것은 아니다. 이후 시험에서 개선이 나타나는지 확인해야 한다. 따라서 비싼 모델은 모든 답을 확정하는 심판이라기보다, 축적된 탐색 결과를 바탕으로 다음 시도의 범위를 조정하는 역할에 가깝다.

비용 측면의 핵심은 그 판단의 효과가 얼마나 오래 이어지느냐에 있다. 비싼 요청을 후보 하나를 만드는 데만 쓰면 다음 후보를 위해 다시 비슷한 비용을 치러야 한다. 반면 후속 탐색이 계속 참고할 방향을 제공한다면 한 번의 개입이 여러 차례의 저비용 작업에 도움을 줄 수 있다. 연구진은 이런 효과가 이어지도록 모델의 역할을 배치했다고 설명한다.

그러므로 이 방식은 저렴한 모델이 강력한 모델과 같은 일을 똑같이 잘한다는 주장과 다르다. 서로 맡는 일이 다르다. 반복적인 제안과 정보 정리는 저렴하게 수행하고, 탐색의 흐름을 바꿀 판단에 더 많은 자원을 쓴다. 비교해야 할 대상도 개별 모델의 능력만이 아니라, 이들이 역할을 나눠 수행한 전체 탐색의 결과와 이용료가 된다.

최대 80%라는 수치는 어디까지 말해 주나

연구진은 네 과학·알고리즘 발견 분야의 176개 과제에서 이 방식을 시험했다고 보고한다. 논문 초록에 따르면 고성능 모델을 쓰는 비교 방법들과 비슷하거나 나은 결과를 내면서 API 비용을 최대 80% 줄였다. 이는 모델 가격만 비교한 주장이 아니라, 연구진이 구성한 탐색 방식의 결과와 모델 이용료를 함께 비교한 보고다.

다만 최대 80%는 모든 과제에서 공통으로 나타난 절감률도, 평균적으로 기대할 수 있는 수치도 아니다. 보고된 절감 가운데 가장 큰 폭을 가리킨다. 실제 활용에서 얼마나 아낄 수 있을지 알려면 어떤 과제에서 그 수치가 나왔는지, 다른 과제에서는 비용과 결과가 어떻게 달라졌는지까지 알아야 한다. 가장 큰 숫자 하나가 전체 과제를 대표하지는 않는다.

논문 초록만으로는 요금을 구체적으로 어떻게 합산했는지, 집계에 어떤 실행을 포함했는지, 최대 절감치가 나온 과제와 정확한 비교 설정이 무엇인지 확인하기 어렵다. 따라서 이 수치를 다른 연구의 예산에 그대로 대입할 수는 없다. 여기서 확인할 수 있는 것은 연구진이 해당 과제 묶음에서 역할 분담 방식의 성과와 모델 이용료 절감을 함께 보고했다는 사실이다.

결과와 비용을 함께 봐야 하는 이유는 분명하다. 단지 시도를 적게 하면 지출은 줄일 수 있지만 원하는 수준의 후보를 얻지 못할 수 있다. 반대로 좋은 후보를 얻었어도 훨씬 많은 돈을 썼다면 비용상의 이점은 작아진다. 이 연구가 관심을 끄는 지점은 해당 비교에서 과제 수행 결과를 유지하거나 개선하면서 모델 이용료를 낮출 가능성을 제시했다는 데 있다.

한편 초록의 결과만으로 각 역할의 기여를 따로 계산할 수는 없다. 저렴한 후보 생성, 시도 이력의 정리, 고성능 모델의 개입이 결합된 설계에 관한 보고이기 때문이다. 비용 절감 전부를 특정 역할 하나의 효과로 돌리기보다, 여러 작업을 나누고 연결한 방식의 결과로 읽는 편이 정확하다. 이 보고는 한 연구팀의 결과이며, 다른 연구 현장에서도 같은 효과가 확인됐다는 뜻은 아니다.

더 싼 시도가 더 나은 발견으로 이어지려면

모델 이용료가 낮아지면 같은 예산으로 더 많은 후보를 살펴볼 여지가 생길 수 있다. 다만 후보를 시험하는 다른 비용을 감당할 수 있고, 추가 탐색에서도 얻을 정보가 남아 있어야 한다. 시험할 자원이 부족하거나 같은 방향에서 비슷한 시도만 반복한다면, 후보를 더 싸게 만드는 것만으로 연구가 그만큼 진전되지는 않는다.

또 이용료를 절약한 결과가 반드시 예산 총액의 감소로 나타날 필요도 없다. 같은 탐색을 더 적은 지출로 끝낼 수도 있지만, 아낀 비용을 추가 탐색에 쓸 수도 있다. 후자의 경우 지출 총액은 그대로여도 살펴볼 수 있는 후보의 범위가 달라질 수 있다. 이는 가능한 활용 방식에 대한 해석이지, 이 논문이 실제 연구기관의 예산 변화를 입증했다는 뜻은 아니다.

적용 범위도 연구가 다룬 네 분야의 탐색 과제에 두어야 한다. 176개라는 과제 수가 모든 과학 분야를 대표하지는 않는다. 계산으로 후보를 비교하는 과제에서 결과가 좋았다고 해서 실제 실험의 불확실성이나 현장 자료의 제약까지 같은 방식으로 해결된다고 볼 근거는 없다. 유용한 후보를 찾는 것과 현실에서 새로운 지식으로 확인하는 일 사이에는 추가 작업이 남는다.

이 사례에서 ‘AI가 연구를 더 싸게 한다’는 말은 후보를 찾는 일을 나눠 맡겨 모델 이용료를 낮춘다는 뜻이다. 모델의 가격뿐 아니라 어떤 판단에 비용을 쓰고 그 결과를 다음 시도에 어떻게 활용하느냐가 탐색의 비용을 바꿀 수 있다.