Sora 종료가 드러낸 AI 영상 생성 서비스의 비용 구조

서비스를 멈춘 것은 기술이 아니라 손익 구조였다

OpenAI는 2026년 3월 24일 AI 영상 생성 서비스 Sora의 종료를 발표했다. 실제 서비스가 완전히 중단된 날은 2026년 4월 26일이다. 약 한 달의 유예 기간을 거쳐 운영을 끝낸 셈이다.

종료 결정의 중심에는 감당하기 어려운 추론 비용이 있었다. Cantor Fitzgerald 분석가의 추정에 따르면 Sora는 피크 사용량 기준 하루 1,500만 달러의 추론 비용을 발생시켰다. 표준 10초 영상 한 편에 필요한 컴퓨팅 비용은 약 1.30달러였지만, 이를 사용자 요금으로 온전히 회수하지 못했다. 총 누적 수익은 210만 달러로, 하루치 운영 비용의 14%에 불과했다.

비용만의 문제는 아니었다. 다운로드 수가 피크 대비 66% 감소했고, 딥페이크와 저작권 콘텐츠를 다루는 모더레이션 부담도 커졌다. IPO를 앞두고 GPU 자원을 다른 영역에 재배치해야 했던 사정까지 겹치며 종료가 빨라졌다.

다만 OpenAI는 Sora 연구팀을 해체하지 않았다. 연구 방향을 로보틱스용 세계 시뮬레이션(world simulation)으로 돌렸다. 영상 생성 기술을 버렸다기보다 소비자 대상 서비스의 비즈니스 모델을 접은 사례에 가깝다.

영상 생성 원가는 어디에서 커지는가

이미지 생성과 영상 생성은 같은 디퓨전 계열 기술을 사용하더라도 비용 구조가 다르다. 이미지 한 장에는 수십 번의 디퓨전 스텝이 필요하다. 30fps로 재생되는 10초 영상은 300프레임을 연속으로 만들면서 프레임 사이의 시간적 일관성까지 유지해야 한다.

그 결과 영상 생성에는 텍스트 생성 대비 약 1,000배, 이미지 생성 대비 약 50배의 연산량이 요구된다. 사용자에게 전달되는 짧은 영상 뒤에 대규모 GPU 연산과 후처리, 저장 및 전송 비용이 함께 붙는다.

2026년 기준 NVIDIA H100 GPU의 시간당 임대 비용은 약 2.50달러~~4.00달러 수준이다. 10초 영상 한 편에 0.5~~1.5 GPU-시간이 필요하다고 보면 컴퓨팅 원가만 1.25~6달러에 이른다. 여기에 스토리지와 네트워크 대역폭, 콘텐츠 모더레이션 비용까지 더해지므로 실제 서비스 단가는 더 높아진다.

⤢✕

배치 처리와 무제한 구독이 충돌한 지점

Sora는 여러 요청을 모아 처리하는 배치 처리(batch processing)로 GPU 활용률을 높이려 했다. 즉각적인 응답이 필요하지 않은 작업을 한꺼번에 실행하면 유휴 자원을 줄일 수 있기 때문이다.

영상 생성에서는 이 방식이 사용자 경험과 충돌했다. 사용자는 결과를 확인한 뒤 프롬프트나 장면을 수정하는 과정을 반복한다. 배치 처리로 대기 시간이 길어지면 이 피드백 사이클도 함께 느려진다.

구독 모델에는 더 직접적인 문제가 있었다. 월 20달러 구독자가 한 달에 15편 이상의 영상을 만들면 OpenAI가 손해를 보는 구조였다. 서비스를 많이 쓰는 고객일수록 플랫폼의 손실이 커졌고, 사용량이 적은 고객은 구독을 해지했다. 이용 활성화가 매출과 수익성으로 연결되지 않는 역설이 생긴 것이다.

Sora가 검토하거나 적용한 수익화 방식은 다음과 같은 한계에 부딪혔다.

수익화 모델	Sora의 접근	실패 원인	대안 방향
구독형	월정액 무제한 생성	헤비 유저 원가 역전	크레딧 기반 제한
종량제	미도입	가격 저항으로 포기	세분화 크레딧
API 과금	일부 적용	엔터프라이즈 채택 저조	B2B 집중
광고 연계	미도입	브랜드 안전성 우려	마케팅 플랫폼 통합
콘텐츠 마켓플레이스	미도입	출시 전 종료	크리에이터 수익 분배

추론 비용을 낮추는 기술적 선택

서비스를 계속 운영한 경쟁 플랫폼들은 영상 품질만큼 단위 추론 비용을 줄이는 데 집중했다. 대표적인 접근은 디퓨전 스텝 축소다. 기존 DDPM 방식의 50~~100 스텝을 consistency model이나 flow matching 방식의 4~~8 스텝으로 줄이면 추론 속도를 10~25배 높일 수 있다.

모델 증류(model distillation)는 대형 교사 모델(teacher model)이 생성한 데이터로 소형 학생 모델(student model)을 학습시키는 방식이다. 원본 모델 대비 70~~80%의 품질을 유지하면서 연산량을 5~~10배 줄이는 것이 목표다. Runway Gen-4.5와 Kling 3.0은 이 접근법을 적극적으로 채택해 경쟁력 있는 가격을 책정했다.

반복 계산을 피하는 캐싱도 비용 절감에 쓰인다. 비슷한 프롬프트나 시드 이미지가 반복되면 중간 계산 결과를 재사용한다. 특히 배경이나 텍스처처럼 변화가 적은 영역의 어텐션 맵을 캐싱하면 전체 연산의 20~40%를 줄일 수 있다.

해상도 적응형 처리(adaptive resolution processing)는 최종 출력 해상도에 맞춰 중간 처리 해상도를 바꾼다. 소셜 미디어용 720p 영상을 생성하면서 4K 처리 파이프라인을 사용할 필요는 없다. 용도에 맞는 해상도 경로를 선택하면 GPU 메모리와 연산량을 함께 아낄 수 있다.

Sora 이후 갈라진 시장 전략

Sora 종료 이후 2026년 5월 현재 AI 영상 생성 시장은 4강 구도로 재편됐다. Runway Gen-4.5, Kling 3.0, Google Veo 3.1, Seedance 2.0이 서로 다른 강점과 고객군을 중심으로 경쟁하고 있다. 이들 서비스의 비즈니스 모델은 Sora가 해결하지 못한 비용 회수 문제에 각기 다른 방식으로 대응한다.

⤢✕

Runway는 엔터프라이즈 고객과 전문 크리에이터를 대상으로 고가 구독을 유지하면서 B2B 계약으로 안정적인 수익을 확보했다. Kling은 저가 진입으로 대중 시장을 공략하고 프리미엄 기능에 별도 요금을 붙이는 프리미엄(freemium) 모델을 선택했다.

Veo는 Google AI Pro 구독에 서비스를 포함해 기존 구독자에게 교차 판매(cross-sell)한다. Seedance는 무료 티어로 사용자 기반을 넓힌 뒤 API 과금과 기업 라이선스로 수익을 만든다. 같은 영상 생성 시장에서도 고객군과 비용 회수 경로가 서로 다르게 설계된 것이다.

지속 가능한 서비스에 필요한 운영 조건

영상 생성 서비스의 과금 체계는 원가와 연결돼야 한다. 무제한 구독보다 크레딧 소비 방식이 원가 역전을 막는 데 적합하다. 영상 길이와 해상도, 생성 속도인 급행과 일반에 따라 요금을 달리하면 서비스는 수익성을 관리하고 사용자는 필요한 조건을 선택할 수 있다.

단위 비용을 낮추는 투자도 계속돼야 한다. Flow matching, consistency model, 모델 증류 같은 추론 효율화 기술을 도입해야 사용량 증가가 그대로 비용 폭증으로 이어지는 상황을 피할 수 있다.

소비자 시장의 높은 가격 민감도를 고려하면 B2B와 API 매출도 필요하다. 기업 고객은 가격뿐 아니라 안정성과 품질을 함께 평가하며 상대적으로 높은 단가를 수용한다. Sora는 소비자 시장에 지나치게 집중했다는 평가를 받았다.

GPU 비용 변동 역시 사업 구조 안에서 관리해야 한다. 장기 GPU 임대 계약이나 온프레미스 인프라 투자, 여러 클라우드 제공자를 함께 사용하는 멀티클라우드 전략은 단위 비용의 변동 위험을 줄이는 선택지다.

Sora가 남긴 핵심은 기술의 실패와 서비스의 실패를 구분해야 한다는 점이다. 하루 1,500만 달러의 추론 비용을 감당할 수익 구조 없이 무제한 서비스를 제공하는 모델은 지속되기 어려웠다. 반면 경쟁 플랫폼들은 추론 최적화와 크레딧 기반 과금, B2B 중심 전략으로 비용과 매출을 연결하고 있다. 영상 생성 기술이 발전하더라도 시장에서 살아남으려면 기술적 품질과 경제성이 함께 성립해야 한다.