OpenAI Sora 종료 후 영상 생성 AI 시장 재편: Veo·Kling·Runway 기술 비교와 상용화 아키텍처

하루 1500만 달러, 전체 매출 210만 달러

OpenAI Sora가 2026년 4월 26일 소비자 앱을 종료하며 영상 생성 AI 시장에 지각변동이 일어났다. 하루 컴퓨팅 비용 1500만 달러 대비 전체 생애 매출 210만 달러라는 극단적 손익 불균형이 종료의 직접적 원인이었다. Sora의 실패는 단순한 사업 철수가 아니라, 영상 생성 AI 상용화가 얼마나 어려운 문제인지 적나라하게 보여주는 사례다.

OpenAI가 2024년 12월 출시한 Sora는 iOS 앱스토어 출시 첫 주에 1위를 기록하고 100만 다운로드를 달성하는 등 초반 반응은 뜨거웠다. 그러나 2026년 초 월간 활성 사용자는 50만 명 이하로 급감했고, 수익 구조는 처참했다.

항목	수치
하루 추론 비용 추산	약 1500만 달러
생성 영상 1분당 비용	약 3.80달러
전체 생애 매출	약 210만 달러
종료 발표일	2026년 3월 24일
소비자 앱 종료일	2026년 4월 26일
API 서비스 종료 예정일	2026년 9월 24일

Disney와의 1억 5000만 달러 규모 계약도 결국 성사되지 못했다. Sora의 고비용 구조는 영상 생성 모델의 본질적 특성에서 비롯된다.

영상 생성은 텍스트·이미지 생성과 근본적으로 다른 계산 부하를 수반한다. 영상의 매 초는 수십 개의 개별 프레임으로 구성되며, 모델은 모든 프레임에 걸쳐 공간 관계, 모션 물리학, 조명 일관성, 시간적 정합성을 동시에 계산해야 한다.

⤢✕

Sora는 DiT(Diffusion Transformer) 아키텍처를 채택하여 고품질 영상을 생성하지만, 이 방식은 영상 길이에 비례해 계산량이 폭발적으로 증가한다. 10초 영상 생성에 요구되는 GPU 연산은 동일 품질의 이미지 생성보다 수십 배 이상 많다.

Veo·Kling·Runway가 나눠 가진 빈자리

Sora 종료 이후 시장은 Google Veo, Kuaishou Kling, Runway를 중심으로 재편되고 있다. 영상 생성 AI 시장은 2025년 전체 매출 11억 달러 규모로 성장했으며, 2027년 말에는 25억 달러를 초과할 것으로 예측된다.

Google의 Veo 3.1은 네이티브 오디오-비주얼 동기화를 포함한 영상 생성에서 현재 시장 최고 품질로 평가된다. 영상과 동기화된 사운드를 함께 생성하는 시장 최초 구현인 네이티브 오디오 생성, 복잡한 프롬프트를 영상으로 전환하는 정밀도에서 경쟁사 대비 우위인 프롬프트 충실도, Gemini를 통해 무료로 제공(일 5~10회 생성, 워터마크 없음)되는 접근성이 주요 특성이다. Google은 대규모 인프라 투자로 추론 비용을 내재화할 수 있으며, Veo를 YouTube·Google Workspace와 통합하여 생태계 기반 수익화를 추구한다.

Kuaishou가 개발한 Kling 3.0은 초당 0.07달러의 가격으로 시장에서 가장 비용 효율적인 선택지다. Sora 대비 65%, Runway 대비 44% 저렴한 가격이다. 2024~2025년 강력한 시간적 일관성과 고품질 출력으로 빠르게 성장하여 ARR 기준 시장 점유율 약 27%를 확보했다. Kuaishou의 강점은 단영상(short-form video) 플랫폼 쾌수(快手) 운영에서 축적된 대규모 영상 학습 데이터와 최적화된 추론 인프라다.

Runway는 소비자 영상 생성보다 전문 창작자 도구로 포지셔닝한다. 초당 0.15달러로 가장 비싸지만, 카메라 움직임 제어·스타일 트랜스퍼·장면 구성에서 타 플랫폼이 따라올 수 없는 세밀한 제어를 제공한다. 이는 영화 제작자와 광고 프로덕션을 주요 고객으로 삼는 B2B 전략의 일환이다.

⤢✕

서비스	가격(초당)	강점	주요 고객군
Google Veo 3.1	무료(제한) / 유료	품질, 오디오 동기화	엔터프라이즈, 일반 사용자
Kling AI 3.0	$0.07	가성비, 시간적 일관성	대량 콘텐츠 제작
Runway Gen-4.5	$0.15	창작자 제어, 카메라 조작	영화·광고 프로덕션
Pika	구독 기반	소셜 영상, 이펙트	SNS 창작자

품질만으로는 상용화되지 않는다

Sora의 실패에서 얻을 수 있는 핵심 교훈은 영상 생성의 상용화 가능성이 모델 품질만큼이나 추론 비용 최적화에 달려 있다는 점이다.

모델 증류(Knowledge Distillation)는 대형 교사 모델의 출력으로 소형 학생 모델을 학습시켜 품질을 유지하면서 추론 비용을 절감한다. 영상 생성에서 증류는 특히 효과적인데, 고품질 교사 모델이 생성한 영상 프레임을 학습 데이터로 활용하여 학생 모델의 샘플링 단계 수(diffusion steps)를 줄일 수 있다. 4~8단계 추론으로 수십 단계 수준의 품질을 달성하는 consistency distillation·adversarial diffusion distillation 기법이 이 분야에서 활발히 연구된다.

KV 캐시와 결과 캐싱은 동일하거나 유사한 프롬프트에 대한 추론 결과를 캐시하여 재계산을 방지한다. 영상 생성에서는 완전 동일한 프롬프트 요청이 드물지만, 배경·스타일 등 공통 요소를 부분적으로 캐시하는 전략이 유효하다.

배치 처리와 요청 큐잉은 단일 GPU에서 여러 요청을 병렬 배치로 처리하여 GPU 활용률을 높인다. 실시간 생성이 필요 없는 요청은 비피크 시간대에 큐잉하여 GPU 비용을 최대 40~60% 절감할 수 있다.

해상도·길이 기반 가격 책정은 사용자가 요청하는 해상도와 영상 길이에 비례한 가격 구조를 통해 추론 비용을 사용자에게 직접 귀인시킨다. Runway와 Kling의 초당 가격 모델은 이 원칙을 명시적으로 구현한 것이다.

⤢✕

스마트폰이나 PC에서 직접 소형 영상 생성 모델을 실행하는 엣지 추론은 서버 비용을 완전히 제거할 수 있는 잠재력이 있다. 그러나 현재 상업적 수준의 영상 생성 모델은 수십~~수백 GB의 파라미터를 요구하여 엣지 디바이스에서 실행하기 어렵다. 모델 경량화(pruning·quantization)와 하드웨어 가속(NPU·GPU 온디바이스)의 발전이 2~~3년 내 이 분야를 현실적 선택지로 만들 수 있다.

단위 경제학이 갈라놓는 생존과 퇴장

영상 생성 서비스의 수익성은 단위 경제학(unit economics)에서 결정된다. COGS(매출원가)는 GPU 추론 비용에 대역폭·스토리지를 더한 것이고, SaaS 기업의 지속 가능성 기준은 COGS 대비 50~70% 이상의 그로스 마진이다. Sora의 문제는 COGS가 매출을 수백 배 초과하는 완전한 역전 구조였다는 점이다.

수익성 있는 영상 생성 서비스를 위해서는 사용자당 ARPU(Average Revenue Per User)가 추론 비용을 초과해야 한다. Kling이 Sora보다 훨씬 저렴한 추론 비용 구조를 갖출 수 있는 이유 중 하나는 Kuaishou의 기존 영상 인프라와 GPU 클러스터를 공유하는 데 있다.

전략	사례	장점	위험
구독 + 크레딧	Runway, Pika	예측 가능 수익	과소 사용 시 마진 하락
API 종량제	Kling API	대량 사용자 유치	헤비 유저 적자 가능
생태계 번들	Google Veo(Gemini)	비용 내재화	독립 수익화 어려움
엔터프라이즈 계약	Runway Studio	고마진 B2B	영업 비용 높음

품질 경쟁을 넘어선 상용화의 조건

OpenAI Sora의 종료는 영상 생성 AI가 품질 경쟁만으로는 상용화될 수 없으며, 추론 비용 최적화·가격 정책·생태계 통합이 사업 존립의 핵심임을 입증한다. Veo 3.1은 Google의 인프라 우위를 활용한 생태계 전략으로, Kling은 비용 효율화로, Runway는 전문가 도구로 각자 차별화된 포지셔닝을 구축하고 있다. 모델 증류·배치 처리·캐싱을 통한 추론 효율화는 영상 생성 AI 상용화의 필수 조건이며, 2027년까지 단위 경제학을 개선하지 못하는 서비스는 Sora의 전철을 밟을 가능성이 크다.