Lindy의 DeepSeek 전환은 단순한 모델 교체 뉴스가 아닙니다. 핵심은 AI 앱 회사들이 이제 “어떤 모델이 가장 똑똑한가”보다 “어떤 작업에 어떤 비용 구조가 맞는가”를 더 진지하게 따지기 시작했다는 점입니다.
Lindy는 이메일 작성, 일정 관리, 회의 준비, 후속 조치 같은 일상 업무를 처리하는 범용 AI 비서입니다.1 이런 제품은 사용량이 늘수록 모델 호출도 함께 늘어납니다. 성장이 곧 추론 비용 증가로 이어지는 구조입니다.
따라서 Lindy의 전환은 한 회사의 비용 절감 사례를 넘어, AI 애플리케이션을 운영하는 팀이 앞으로 무엇을 관리해야 하는지 보여줍니다.
AI 비서의 핵심 비용은 ‘매번 호출되는 지능’이다
Lindy의 가격 정책은 처음부터 추론 비용이 계속 빠르게 낮아진다는 가정 위에 설계됐습니다.1 이는 AI 비서 서비스에서 매우 중요한 전제입니다. 사용자가 보내는 이메일 초안, 일정 정리, 회의 준비, 후속 메시지 작성은 반복적으로 발생하고, 그때마다 모델 비용이 쌓이기 때문입니다.
모든 요청에 가장 비싼 프론티어 모델을 쓰면 품질은 높아질 수 있지만, 제품이 커질수록 원가 부담도 커집니다. 반대로 품질을 크게 해치지 않는 범위에서 더 저렴한 모델을 쓸 수 있다면, 같은 가격 정책으로도 훨씬 나은 사업 구조를 만들 수 있습니다.
Lindy가 주목한 지점이 여기에 있습니다. “가장 강한 모델”이 아니라 “작업에 충분히 좋은 모델”을 찾아 비용 곡선을 낮추는 것입니다.
Lindy는 무엇을 바꿨나
Lindy는 관리형 에이전트 모델 트래픽 대부분을 Atlas Cloud의 DeepSeek v4 Flash로 이전했습니다.1 이전 대상에는 Claude/Sonnet 기반 경로뿐 아니라 남아 있던 Gemini/Google 경로도 포함됐습니다.1
이 변화의 의미는 단순히 Claude를 DeepSeek로 대체했다는 데 있지 않습니다. Lindy처럼 사용자의 일상 업무를 자동화하는 서비스에서는 요청의 성격이 다양합니다. 어떤 작업은 고도의 추론이 필요하지만, 어떤 작업은 문맥을 잘 반영하고 안정적으로 처리하는 능력이 더 중요합니다.
예를 들어 이메일 초안을 쓰거나 일정을 정리하는 작업에서는 “최고 성능”보다 “충분한 품질, 낮은 비용, 안정적인 응답”이 더 큰 가치가 될 수 있습니다. Lindy의 전환은 이 구분을 제품 운영에 반영한 사례로 볼 수 있습니다.
진짜 어려운 일은 API 교체가 아니다
모델 전환은 드롭다운에서 모델 이름을 바꾸는 일이 아닙니다. Lindy는 오프라인 평가, 제공업체별 성능 비교, 프롬프트 최적화, 내부 테스트, 온라인 평가, 사용자 유지율 관찰을 거쳐 점진적으로 전환했습니다.1
이 절차가 중요한 이유는 AI 비서의 품질이 벤치마크 점수만으로 결정되지 않기 때문입니다. 사용자의 문체를 얼마나 잘 반영하는지, 애매한 요청에서 무리하게 답하지 않는지, 회의 요약과 후속 조치가 반복적으로 믿을 만한지 같은 요소가 실제 제품 경험을 좌우합니다.
즉, 모델 전환의 핵심 역량은 “새 모델을 붙이는 능력”이 아니라 “품질 저하를 감지하고 통제하면서 비용을 낮추는 능력”입니다.
비용 압박은 작은 문제가 아니다
Lindy는 2023년 Teamflow에서 피벗해 만들어진 노코드 AI 에이전트 플랫폼입니다.2 Teamflow는 과거 5,200만 달러의 자본을 조달했고, 이 자본이 Lindy 개발을 뒷받침했습니다.2
그럼에도 Lindy가 추론 비용 절감에 적극적으로 나섰다는 점은 중요합니다. 자본을 조달한 AI 스타트업에도 모델 사용료는 무시하기 어려운 비용 항목입니다. 특히 AI 비서처럼 사용 빈도가 높은 제품에서는 원가 관리가 곧 제품 전략이 됩니다.
AI 앱의 경쟁력은 기능 추가만으로 결정되지 않습니다. 같은 사용자 경험을 더 낮은 비용으로 제공할 수 있는지가 장기적인 지속 가능성을 가릅니다.
이 사례에서 배울 점
Lindy 사례의 결론은 “DeepSeek가 항상 Claude보다 낫다”가 아닙니다. 더 정확한 교훈은 “작업별로 충분히 좋은 모델을 찾아 비용과 품질의 균형을 다시 설계해야 한다”입니다.
AI 제품을 만드는 팀이라면 다음 세 가지를 제품 기능만큼 중요하게 봐야 합니다.
어떤 작업에 어떤 모델을 쓸지 정하는 모델 라우팅
실제 사용자 경험을 기준으로 한 평가 체계
모델별 비용과 품질 변화를 추적하는 운영 지표
프론티어 모델은 여전히 복잡하고 어려운 작업에서 가치가 있습니다. 하지만 모든 요청을 가장 비싼 모델로 처리하는 방식은 오래가기 어렵습니다.
사용자는 대개 어떤 모델이 답했는지보다 결과가 안정적인지를 봅니다. 앞으로 AI 앱의 경쟁력은 단순히 더 좋은 모델을 고르는 능력이 아니라, 좋은 경험을 유지하면서 더 저렴한 지능으로 옮겨가는 운영 능력에서 갈릴 가능성이 큽니다.
1Migrating from Claude to DeepSeek
2This AI agent startup ditched Anthropic for DeepSeek -- and says it's saving millions
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.