Sora 종료로 본 영상 생성 AI의 비용 구조와 수익화 한계

2026년 3월 24일 OpenAI는 Sora 서비스를 전면 종료했다. 하루 추론 비용은 1,500만 달러에 달했지만, 서비스 전체 생애 동안 거둔 누적 수익은 210만 달러에 불과했다. 기술적 우위가 있어도 요청 한 건의 비용을 회수할 사업 모델이 없다면 고비용 생성 AI 서비스를 유지하기 어렵다는 사실이 선명하게 드러난 사례다.

Sora가 맞닥뜨린 문제를 이해하려면 영상 생성의 연산 구조부터 구독과 사용량 과금의 한계, 경쟁 플랫폼이 택한 생존 전략까지 함께 봐야 한다.

영상 생성은 왜 텍스트 생성보다 비싼가

텍스트 생성 모델이 다루는 데이터와 달리 비디오 생성 모델의 입력에는 시간 축이 더해진다. 10초짜리 24fps 1080p 영상이라면 240개 프레임을 동시에 또는 순차적으로 처리해야 한다. 이 때문에 필요한 GPU VRAM은 단순 텍스트 모델보다 수십 배 수준으로 커진다.

Sora가 사용한 것으로 알려진 DiT(Diffusion Transformer) 아키텍처는 시공간 어텐션(spatiotemporal attention)을 적용한다. 영상 길이는 선형적으로 늘어나더라도 어텐션 연산량은 이차(quadratic)적으로 증가한다. 10초 영상 한 편의 컴퓨팅 비용이 약 1.30달러로 추정되는 배경이다.

H100 SXM GPU의 클라우드 시간당 임대 비용은 약 2.00~8.00달러 수준이다. 고해상도 장시간 영상을 한 편 생성하는 데 단일 GPU로 수십 분이 걸릴 수 있고, 전용 추론 클러스터를 사용해도 영상 1편이 소비하는 GPU 시간은 텍스트 토큰 수천 개를 생성할 때보다 수백 배 이상 크다.

배치 효율을 높이기 어려운 요청 구조

텍스트 LLM 추론에서는 PagedAttention(vLLM)과 연속 배치(continuous batching)를 이용해 GPU 활용률을 15~~30%에서 60~~80%까지 높일 수 있다. 영상 생성에는 같은 전략을 그대로 적용하기 어렵다.

고해상도 비디오 한 편만으로 GPU VRAM 대부분을 사용할 수 있어 여러 요청을 한 GPU에 함께 적재하기 힘들다. 사용자마다 요구하는 길이와 해상도, 스타일이 다르다는 점도 동질적인 배치 구성을 방해한다. 여기에 확산 모델(diffusion model)의 역확산(denoising) 스텝은 순차적으로 실행되므로 텍스트 디코딩처럼 토큰 단위로 병렬화할 수도 없다.

사용자가 늘어난다고 GPU 효율이 함께 선형적으로 오르지 않는 구조다. 트래픽이 몰릴 때는 대기 요청을 처리할 GPU를 즉시 확장(scale-out)해야 하고, 그만큼 인프라 비용도 빠르게 불어난다.

하루 1,500만 달러를 만드는 인프라

Sora의 하루 운영 비용 1,500만 달러는 연간 약 54억 달러에 해당한다. H100 GPU 클러스터를 수천 장 단위로 상시 가동했다는 의미다. Microsoft Azure 인프라를 사용하는 OpenAI의 계약 구조에서는 고정 약정(committed use)으로 일부 비용을 줄일 수 있지만, 수요 변화에 대응하는 온디맨드 확장 비용은 따로 발생한다.

비용을 낮출 수 있는 지점은 분명하다. H100에서 FP8 양자화를 적용하면 FP16 대비 처리량을 1.3~2배 높일 수 있고, 모델 경량화(distillation)나 추론 스텝을 줄이는 consistency model·flow matching도 활용할 수 있다. 다만 이런 최적화에는 품질과 속도의 트레이드오프가 따른다. 시장을 선도할 품질을 유지하면서 비용까지 획기적으로 낮추기는 구조적으로 쉽지 않다.

⤢✕

구독료가 사용량을 감당하지 못한 이유

Sora는 ChatGPT Plus($20/월) 구독자에게 제공하는 부가 기능으로 출발했다. 사용자를 빠르게 확보하는 데는 유리했지만, 생성할수록 비용이 쌓이는 영상 서비스와 정액 구독의 조합은 수익 구조에 부담을 줬다.

월 20달러를 내는 사용자가 한 달 동안 영상 10편을 만들면 컴퓨팅 비용만 13달러(10편 × $1.30)가 된다. 모델 서빙 인프라와 스토리지, CDN, 인건비까지 포함하면 구독료만으로 흑자를 내기 어렵다. 사용량이 많은 헤비 유저(heavy user)가 라이트 유저(light user)에게서 얻은 수익을 잠식하는 역선택(adverse selection)도 생긴다.

2026년 이후 생성 AI 구독 서비스 업계에서는 구독-단독(subscription-only) 모델이 한계에 이르렀다는 컨센서스가 형성되고 있다. 구독 피로(subscription fatigue)가 커지면서 SVOD·AVOD·FAST·커머스를 결합한 하이브리드 수익화 모델이 업계 표준으로 자리 잡는 추세다.

사용량 과금도 해결하지 못한 단가 역전

사용량 과금(usage-based pricing)은 요청을 처리하는 비용과 매출을 직접 연결할 수 있다. 하지만 영상 생성에서 이 모델이 작동하려면 사용자의 지불 의사가 생성 비용보다 높아야 한다.

10초 영상을 만드는 원가가 1.30달러라면 마진을 포함해 최소 3~5달러를 받아야 한다. 소비자 시장에서 영상 10초당 3달러 이상을 지불할 사용자층은 매우 제한적이다.

생성 성공률도 수익성에 직접 영향을 준다. 업계 데이터에 따르면 사용자는 고품질 영상 한 편을 얻기 위해 평균 12~수십 번 재생성(regeneration)을 반복한다. 만족스럽지 않은 결과에도 컴퓨팅 비용이 발생하며, 이 비용은 서비스 제공자에게 매몰 비용(sunk cost)으로 남는다. 단가를 내리면 손실이 커지고, 올리면 사용자가 이탈하는 딜레마다.

늦어진 B2B 전환

OpenAI는 디즈니와 1억 5,000만 달러 규모의 AI 협력 논의를 진행한 것으로 알려졌지만, 실질적인 계약 체결로 이어지지는 못했다. 비용 구조에 더 적합한 B2B 시장으로의 전환이 늦었다는 점은 Sora의 주요 전략적 실패로 볼 수 있다.

광고 대행사와 미디어 프로덕션, OTT 플랫폼은 영상 1편을 제작하는 데 이미 수백수천 달러를 지출한다. AI 생성이 기존 비용의 일부를 대체할 수 있다면 소비자 시장보다 수익화 가능성이 높다. B2B 계약은 수요를 예측하기 쉽게 만들어 GPU 예약 구매(reserved instance)를 활용할 수 있으며, 이를 통해 클라우드 비용을 2040% 절감할 수 있다.

Runway가 비교적 안정적으로 서비스를 운영하는 배경도 이 지점에 있다. Runway는 광고 제작사와 독립 영화 제작자, 스트리밍 플랫폼을 대상으로 B2B 파이프라인을 일찍 구축했다.

Kling AI는 비용 우위를 택했다

Sora 종료 이후 사용자를 가장 빠르게 흡수한 플랫폼은 콰이쇼우 테크놀로지의 Kling AI였다. 종료 직후 주간 활성 사용자가 4% 증가해 평균 260만 명을 기록했다.

Kling 3.0의 단가는 초당 0.07달러다. Sora보다 65%, Runway보다 44% 저렴하다. 콰이쇼우는 중국 내 GPU 인프라를 자체 보유하고 있고, 숏폼 비디오 플랫폼인 콰이쇼우 앱을 운영하며 대규모 비디오 데이터와 추론 최적화 경험을 축적했다. 최대 2~~3분 길이의 영상을 지원해 Runway나 Sora보다 3~~5배 긴 영상을 만들 수 있다는 점도 차별점이다.

Runway는 생성 이후의 제작 과정에 들어갔다

Runway Gen-4와 Gen-4.5는 카메라 움직임 제어, 모션 브러시, 레퍼런스 기반 캐릭터 일관성 유지처럼 세밀한 창작 제어에 초점을 맞춘다. 생성 품질만 경쟁하기보다 편집 가능성(editability)과 제작 워크플로우 통합을 원하는 프로 사용자를 겨냥한 선택이다.

프리미엄 B2B 계약과 크리에이터 이코노미 생태계도 Runway의 지속 가능성을 뒷받침한다. 영상 한 편을 생성하는 도구에 머무르지 않고 포스트 프로덕션 전반에 연결되는 제품으로 확장하는 전략이다.

Vidu와 Seedance가 잡은 자리

성슈 AI의 Vidu는 초당 0.07달러에 최대 12초 1080p 영상을 제공한다. Kling과 비슷하게 비용 효율을 앞세우며, 중국 시장을 기반으로 한 안정적인 인프라를 경쟁력으로 삼았다.

바이트댄스의 Seedance 2.0은 2026년 2월 출시됐다. API 통합 편의성과 품질·비용의 균형을 바탕으로 개발자 생태계에서 빠르게 자리를 잡고 있다. 구글 딥마인드의 Veo 3는 네이티브 오디오 생성을 지원해 단일 프롬프트에서 영상과 음향 효과, 대사를 함께 생성하는 방식으로 차별화한다.

고비용 생성 서비스에서 확인할 조건

단일 요청의 컴퓨팅 원가와 수익 단가를 비교하는 비용 회수 기간(payback period)은 핵심 지표다. 수익 단가는 원가 대비 1.5 이상이어야 하지만, Sora는 이 비율이 0.1 미만이었다.

GPU 예약 구매를 활용하려면 수요 예측 정확도가 최소 70% 이상이어야 한다. 소비자 대상 서비스는 수요 변동성이 큰 반면, B2B 계약은 상대적으로 예측 가능한 사용량을 만든다.

GPU 비용은 연간 20~~30% 하락하는 추세다. 현재 수익을 내기 어려운 서비스도 비용이 충분히 내려가면 2~~3년 후 흑자 전환이 가능하다. 문제는 그 시점까지 투자를 지속할 자금 여력을 확보할 수 있느냐다.

플랫폼 전환 비용을 높이는 생태계 잠금(lock-in) 역시 장기 수익화에 영향을 준다. Runway가 단순 생성 기능보다 워크플로우 통합을 강조하는 이유다.

⤢✕

Sora의 종료는 기술적으로 앞선 영상 생성 모델이라도 비용을 회수할 구조 없이는 지속되기 어렵다는 사실을 보여준다. 하루 1,500만 달러의 추론 비용을 감당하려면 구독 모델을 넘어선 B2B 수익화 전략과 컴퓨팅 비용 최적화가 먼저 갖춰져야 한다.

시장은 Kling AI의 비용 효율 아키텍처, Runway의 워크플로우 통합, Google Veo의 생태계 연동을 중심으로 재편되고 있다. 단일 플랫폼이 시장을 독점하기보다 용도별로 특화된 서비스가 공존할 가능성이 높다. GPU 비용이 연간 20~~30%씩 하락하는 흐름을 고려하면 지금 손실을 감수하며 시장 지위를 확보한 플랫폼이 2~~3년 후 흑자 전환 시점에 유리한 위치를 차지할 수 있다.