AI 뉴스 SVIL 하비 테넷 킴이 K3 오픈웨이트 법률 AI 파이어웍스

하비가 대형 모델을 빌리는 대신 자기 법률 모델을 냈습니다 — 킴이 K3 기반 테넷, 비용은 4분의 1

SVIL - Singularity Visual Intelligence Lab 2026. 08. 23 21 min read

법률 AI 회사 하비(Harvey)는 오랫동안 오픈AI·앤스로픽 같은 대형 모델을 빌려 쓰는 쪽이었습니다. 그런데 2026년 8월 20일, 하비가 자기 모델을 내놨습니다. 이름은 테넷(Tenet). 중국 문샷의 오픈웨이트 모델 킴이 K3를 기반으로 파이어웍스(Fireworks)와 함께 사후학습한 결과물이고, 주요 프런티어 모델의 4분의 1 미만 비용으로 법률 벤치마크에서 겨룹니다. 이 소식이 중요한 건 법률 업계 뉴스여서가 아니라, 범용 대형 모델을 빌려 쓰는 것이 언제까지 정답인가를 되묻게 만들기 때문입니다.

칠흑 같은 어둠 속에서 밝은 청록빛 정육면체 하나가 멀리 떨어진 희미한 정육면체 무리로부터 홀로 떨어져 나와 떠 있는 모습 — 대형 모델 의존에서 벗어나 자기 모델을 만든 상황을 표현한 개념 이미지

대형 모델을 빌려 쓰던 회사가 자기 모델을 만들었습니다

하비는 오픈AI의 투자를 받은 법률 AI 스타트업입니다. 지금까지 제품의 핵심 두뇌는 외부 프런티어 모델이었습니다. 계약서 검토, 판례 조사, 실사(due diligence) 같은 작업을 대형 모델에 태워 돌리는 구조였습니다.

이번 발표는 그 구조에 자체 모델을 하나 더 얹은 것입니다. 외부 모델을 완전히 대체하겠다는 선언은 아니지만, 특정 작업군에서는 자기 모델이 더 낫다는 근거를 들고 나왔습니다.

테넷이 무엇인가

테넷은 하비가 법률 작업을 위해 사후학습(post-training)한 오픈웨이트 모델입니다. 처음부터 새로 학습한 모델이 아니라, 이미 공개된 강력한 베이스 모델을 가져와 법률 업무에 맞게 다시 훈련시킨 것입니다.

겨냥한 지점은 명확합니다. 롱호라이즌(long-horizon) 법률 작업 — 한 번의 질문과 답으로 끝나지 않고, 여러 문서를 오가며 수십 단계를 밟아야 완성되는 종류의 일입니다. 실사 검토나 계약서 대량 리뷰가 여기 들어갑니다.

칠흑 같은 어둠 속에서 매끈한 어두운 정육면체 정면을 가로지르는 하나의 직선 이음매만 강렬한 청록빛으로 빛나는 모습 — 베이스 모델 위에 얹힌 법률 특화 학습층을 표현한 개념 이미지

베이스는 킴이 K3 — 2.8조 파라미터 오픈웨이트

테넷의 바탕은 킴이 K3입니다. 문샷AI가 2026년 7월에 공개한 2.8조 파라미터급 오픈웨이트 모델로, 공개 모델 중 최상위권으로 평가받아 왔습니다.

여기서 오픈웨이트라는 말의 뜻을 짚고 갈 필요가 있습니다. 완전한 오픈소스와는 다릅니다. 학습 데이터와 학습 코드까지 공개되는 것이 아니라, 완성된 모델의 가중치 파일을 내려받아 쓸 수 있다는 의미입니다. 그래도 이것만으로 충분합니다. 가중치가 있으면 추가 학습이 가능하기 때문입니다.

오픈웨이트를 고른 이유

API로만 접근 가능한 폐쇄 모델은 사후학습을 마음대로 할 수 없습니다. 제공사가 열어 준 범위 안에서만 미세조정이 가능하고, 그마저도 비용과 조건이 붙습니다.

반면 가중치를 손에 쥐면 학습 방법 전체를 스스로 설계할 수 있습니다. 어떤 데이터로, 어떤 보상 기준으로, 몇 번 돌릴지를 회사가 정합니다. 하비가 오픈웨이트를 고른 이유는 성능이 아니라 통제권입니다.

칠흑 같은 배경을 무수히 많은 작은 청록빛 점들이 또렷하게 가득 채운 모습 — 공개된 방대한 오픈웨이트 가중치를 표현한 개념 이미지

파이어웍스와 함께한 사후학습

학습은 하비 혼자 한 것이 아니라 파이어웍스 리서치와 공동으로 진행했습니다. 파이어웍스는 오픈웨이트 모델의 추론·학습 인프라를 제공하는 회사이고, 킴이 K3를 공개 첫날부터 학습과 추론 양쪽으로 지원해 왔습니다.

이 조합 자체가 지금 업계 구조를 보여 줍니다. 도메인 지식은 하비가, 학습 인프라는 파이어웍스가, 베이스 모델은 문샷이 댔습니다. 세 층이 분리돼 있고 각 층은 다른 회사가 맡습니다.

GSPO — 비동기 강화학습이라는 방법

학습 방법은 GSPO(Group-Sequence Policy Optimization)를 활용한 비동기 강화학습입니다. 이름이 어렵지만 핵심은 간단합니다.

모델이 법률 과제를 실제로 풀게 하고, 그 결과를 채점해서 잘한 방향으로 밀어 주는 방식입니다. 정답 문장을 외우게 하는 것이 아니라, 과제를 끝까지 완수하는 행동 자체를 학습시킵니다. 롱호라이즌 작업을 겨냥했으니 당연한 선택입니다.

비동기라는 말은 여러 과제를 동시에 돌리면서 결과가 나오는 대로 학습에 반영한다는 뜻입니다. 한 과제가 오래 걸려도 전체가 멈추지 않습니다.

칠흑 같은 어둠 속에서 커다란 정사각형 개구부 하나가 밝은 청록빛을 바깥으로 뿜어내는 모습 — 결과를 채점해 잘한 방향으로 밀어 주는 강화학습 방식을 표현한 개념 이미지

B300 150장·2개월이라는 실제 비용

수치가 공개된 대목이 특히 값집니다. 학습에는 엔비디아 B300 GPU 약 150장이 2개월 동안 쓰였습니다.

이 숫자를 어떻게 읽어야 할까요. 프런티어 모델을 처음부터 학습시키는 데 드는 자원과 비교하면 비교가 안 될 만큼 작습니다. 대형 랩이 수만 장 규모로 수개월을 쓰는 것과 견주면, 150장 2개월은 잘 자금을 조달한 스타트업이 감당할 수 있는 범위입니다.

즉 이 발표의 진짜 메시지는 성능 수치가 아니라 진입 비용입니다. 강력한 오픈웨이트 베이스가 존재하는 순간, 도메인 특화 모델을 만드는 비용은 자체 개발에서 미세조정 예산으로 내려앉습니다.

1,750개 법률 과제 환경과 전문가 채점표

학습에는 약 1,750개의 법률 과제 환경이 쓰였고, 각 환경에는 전문가가 직접 작성한 채점 기준(rubric)이 붙어 있습니다.

강화학습에서 가장 어려운 부분이 바로 이 채점 기준입니다. 수학이나 코딩은 정답 판정이 기계적으로 가능하지만, 법률 작업은 "잘한 것"의 기준이 사람 판단에 달려 있습니다. 그래서 변호사가 만든 채점표 1,750세트가 사실상 이 모델의 핵심 자산입니다. 가중치는 공개돼 있어도 이 채점표는 하비 것입니다.

칠흑 같은 어둠 속에 매끈한 어두운 정육면체 두 개가 멀리 떨어져 떠 있고 하나의 가느다란 청록빛 직선이 둘을 잇는 모습 — 과제 환경과 전문가 채점표가 이어진 구조를 표현한 개념 이미지

LAB — 법률 에이전트 벤치마크란 무엇인가

성능 측정에는 하비가 만든 LAB(Legal Agent Bench)이 쓰였습니다. 단답형 문제를 맞히는 시험이 아니라, 에이전트가 여러 단계를 밟아 실제 법률 업무를 끝내는지를 보는 벤치마크입니다.

한 가지 유의할 점이 있습니다. LAB은 하비가 직접 설계한 벤치마크입니다. 자기 시험지에서 자기 모델이 잘 나오는 건 당연히 가능한 일이라, 이 수치만으로 우열을 단정하면 안 됩니다. 그래서 하비는 외부 벤치마크 성적도 함께 냈습니다 — 뒤에서 다시 다루겠습니다.

홀드아웃 과제를 두 배 가까이 완수했다

가장 크게 홍보된 수치는 이것입니다. 테넷은 학습에 쓰이지 않은 홀드아웃 과제에서 베이스 모델인 킴이 K3 대비 거의 두 배의 과제를 완수했습니다.

홀드아웃이라는 게 중요합니다. 학습에 안 쓴 문제로 시험을 봤다는 뜻이라, 단순 암기가 아니라 능력이 올라갔다는 근거가 됩니다.

칠흑 같은 어둠 속에서 서로 다른 지름의 청록빛 고리 여러 개가 작은 어두운 정육면체를 중심으로 바깥으로 퍼져 나가는 모습 — 홀드아웃 과제 완수량이 두 배 가까이 늘어난 결과를 표현한 개념 이미지

전 항목 통과율 9퍼센트포인트 상승

더 엄격한 지표도 함께 나왔습니다. 전 항목 통과율(all-pass rate)이 베이스 대비 9퍼센트포인트 올랐습니다.

전 항목 통과란 채점 기준 전부를 만족해야 통과로 치는 계산법입니다. 열 개 항목 중 아홉 개를 맞혀도 0점입니다. 법률 업무에서는 이게 오히려 현실적인 기준입니다. 계약서 검토에서 한 조항을 놓치면 나머지를 다 봤어도 실무적으로는 실패니까요.

그래서 평균 점수가 아니라 전 항목 통과율을 낸 것 자체가 이 발표의 진지함을 보여 주는 대목입니다.

LAB 계약 부문 최고 성적

세부 부문 중 LAB 계약(Contracts)에서는 테넷이 최고 성적을 기록했습니다. 베이스 K3 대비 약 20% 향상으로 보고됐고, 전체 LAB 기준으로는 2위권으로 언급됩니다.

1위가 아니라 부문 최고와 종합 2위라는 서술을 그대로 옮기는 이유가 있습니다. 모든 항목에서 프런티어 모델을 이겼다는 주장이 아니기 때문입니다. 특정 작업군에서 앞서고, 그 대신 비용이 훨씬 싸다는 것이 이 모델의 실제 포지션입니다.

칠흑 같은 어둠 속에 청록빛 윤곽선으로만 그려진 똑같은 사각형 여럿이 늘어서 있고 그중 하나만 밝은 청록빛으로 가득 찬 모습 — 계약 부문에서 기록한 최고 성적을 표현한 개념 이미지

학습하지 않은 벤치마크에서도 오른 이유

앞서 말한 자기 시험지 문제에 대한 답이 여기 있습니다. 테넷은 학습 대상이 아니었던 외부 벤치마크에서도 성적이 올랐습니다. 머코어(Mercor)의 APEX Agents(기업법 영역)와 크로스비(Crosby)의 Redline Bench가 그 예입니다.

또한 LegalBench·CUAD·MAUD 같은 법률 지식 벤치마크에서도 성능이 떨어지지 않았습니다. 강화학습으로 특정 행동을 강하게 밀면 다른 능력이 무너지는 일이 흔한데, 그 부작용이 나타나지 않았다는 뜻입니다.

학습하지 않은 과제에서 오른다는 건 일반화가 일어났다는 신호입니다. 이 대목이 있어야 벤치마크 수치가 마케팅이 아니라 근거가 됩니다.

비용이 4분의 1이라는 말의 실제 의미

보도에 반복해서 나오는 표현이 주요 프런티어 모델 비용의 4분의 1 미만입니다. 이 절감은 두 겹으로 나옵니다.

첫째, 오픈웨이트 모델 자체가 토큰 단가가 낮습니다. 폐쇄 모델의 API 가격에는 개발사의 연구비와 마진이 얹혀 있지만, 공개 가중치는 추론 인프라 원가에 가깝게 돌릴 수 있습니다.

둘째, 학습 단계에서 토큰을 아끼도록 훈련시켰습니다. 같은 문제를 풀더라도 불필요한 도구 호출과 장황한 추론을 줄이도록 보상을 설계했습니다. 단가와 사용량을 동시에 낮춘 셈입니다.

칠흑 같은 어둠 속에 커다란 어두운 정사각형이 똑같은 크기의 작은 정사각형 여럿으로 나뉘고 각 칸이 희미한 청록빛 선으로 둘러진 모습 — 셀 단위로 계산되는 비용 구조를 표현한 개념 이미지

리뷰 테이블 과제에서 셀당 10분의 1 비용

가장 구체적인 수치가 여기 있습니다. 리뷰 테이블(Review Table) 작업에서 테넷은 셀 하나당 비용을 기준선 대비 약 10분의 1로 낮추면서 답변 품질은 3.6포인트 개선했습니다.

리뷰 테이블은 여러 문서에서 같은 항목을 뽑아 표로 채우는 작업입니다. 계약서 100건에서 해지 조항을 전부 뽑아내는 식이죠. 셀 하나가 곧 한 번의 추출 작업이니, 셀당 비용은 이 업무의 단위 원가입니다.

또 하나 눈여겨볼 건 LAB 실사(Diligence) 과제 기준 통과율 60.1%라는 수치입니다. 100점 만점 이야기가 아니라, 이런 종류의 과제가 아직 완전히 풀린 문제가 아니라는 뜻이기도 합니다.

성능과 비용을 같이 잡은 보상 설계

이 결과의 비결로 하비가 꼽은 것은 보상 설계(reward shaping)입니다. 정답만 맞히면 점수를 주는 게 아니라, 효율적인 도구 사용에도 점수를 줬습니다.

이건 실무자에게 바로 옮겨 붙는 교훈입니다. 에이전트를 붙일 때 "정확하게 해라"만 요구하면 모델은 안전하게 더 많이, 더 길게 돌립니다. 정확도가 올라도 비용이 함께 폭발합니다. 무엇을 잘한 것으로 칠지에 비용을 넣어야 비용이 잡힙니다.

칠흑 같은 어둠 속에 밝게 빛나는 키 큰 청록빛 막대 하나가 훨씬 낮고 어두운 막대 세 개 옆에 서 있는 모습 — 성능과 비용을 함께 잡은 보상 설계를 표현한 개념 이미지

고객 데이터를 쓰지 않았다는 대목

하비는 사후학습에 고객 데이터를 쓰지 않았다고 명시했습니다. 학습에 쓰인 것은 공개된 법률 데이터, 합성 데이터, 그리고 전문가가 만든 데이터입니다.

법률 AI에서 이 문장은 기능 설명이 아니라 영업의 전제 조건입니다. 로펌이 다루는 문서는 대부분 비밀유지 의무가 걸려 있고, 그 데이터가 모델 학습에 흘러 들어갈 가능성이 있다면 계약 자체가 성립하지 않습니다.

아직은 리서치 프리뷰다

중요한 단서를 빼놓으면 안 됩니다. 발표 시점 기준 테넷은 리서치 프리뷰이고, 하비도 초기 연구 결과라고 표현했습니다. 제품에 언제 어떻게 들어가는지는 명시되지 않았습니다.

그래서 이 뉴스는 "법률 AI 시장이 뒤집혔다"가 아니라 "이런 경로가 실증됐다"로 읽는 편이 정확합니다. 실증만으로도 충분히 큰 뉴스입니다.

칠흑 같은 어둠 속에서 청록빛 정육면체 하나가 똑같은 정육면체 둘로 갈라져 서로 멀어지는 모습 — 아직 리서치 프리뷰 단계임을 표현한 개념 이미지

도메인 특화 모델이 돌아온 배경

몇 년간 업계의 지배적인 흐름은 범용 모델 하나가 모든 도메인을 흡수한다는 것이었습니다. 특화 모델을 만들어 봐야 다음 세대 범용 모델이 나오면 추월당한다는 논리였고, 실제로 여러 번 그렇게 됐습니다.

지금 그 전제가 흔들리는 이유는 베이스 모델의 품질이 올라갔기 때문입니다. 특화 학습의 출발점이 이미 프런티어급이면, 추월당하기까지의 시간이 훨씬 길어집니다. 게다가 베이스가 새로 나오면 같은 학습 파이프라인을 다시 돌리면 됩니다. 채점표 1,750세트는 그대로 남으니까요.

범용 프런티어 모델의 경제학이 흔들리는 지점

여기서 나오는 질문이 이 뉴스의 진짜 무게입니다. 고객이 프리미엄 API에 돈을 내는 이유가 무엇인가.

지금까지의 답은 "그것 말고 대안이 없어서"였습니다. 하지만 강력한 오픈웨이트 베이스 + 도메인 사후학습 조합이 특정 작업군에서 비슷한 성능을 4분의 1 가격에 낸다면, 프리미엄 모델의 쓰임은 가장 어려운 문제로 좁아집니다.

실제로 업계는 이미 그 방향으로 움직이고 있습니다. 어려운 질의만 비싼 모델로 보내고 나머지는 값싼 모델로 돌리는 모델 라우팅이 대표적입니다.

칠흑 같은 어둠 속 허공에 밝은 청록빛 육각형 윤곽선 하나가 끊긴 데 없이 온전하게 떠 있는 모습 — 범용 모델 경제학이 다시 짜이는 구조를 표현한 개념 이미지

실제 사례 — AT&T의 모델 라우팅 56퍼센트 절감

같은 주에 나온 사례 하나가 이 흐름을 정확히 보여 줍니다. AT&T는 지능형 모델 라우팅으로 AI 비용을 56% 줄였습니다.

방법은 단순합니다. 전체 질의 중 40%를 더 저렴한 오픈웨이트 모델로 넘겼습니다. 그 결과 품질 저하는 2%에 그쳤습니다.

이 숫자 조합이 핵심입니다. 비용은 절반 넘게 줄었는데 품질은 거의 그대로입니다. 뒤집어 말하면 그동안 쉬운 일에까지 비싼 모델을 쓰고 있었다는 뜻입니다. 테넷이 겨냥하는 자리도 정확히 여기입니다.

실제 사례 — 현대·기아의 사내 AI 확산

또 하나 참고할 만한 사례가 있습니다. 현대·기아의 사내 AI 도구 H Chat Pro는 활성 사용자 3만 명에 도달했고, 이는 일반 사무직의 약 80%에 해당합니다.

구체적인 효과도 함께 공개됐습니다. 충돌 시험 검토 보조는 건당 소요 시간을 약 90% 줄였고, 공장 라우팅 최적화는 가동 중단을 86% 감소시켰습니다.

여기서 볼 대목은 도입률입니다. 사무직의 80%가 실제로 쓴다는 건 비용이 감당 가능한 수준이라는 뜻이기도 합니다. 전사 확산은 성능만이 아니라 단가 문제입니다.

칠흑 같은 어둠 속에서 아주 넓은 청록빛 광선이 급격히 좁아져 매우 가느다란 광선으로 바뀌는 모습 — 검토 시간을 90퍼센트 줄인 효과를 표현한 개념 이미지

우리 작업에 옮겨 붙일 수 있는 것

이 뉴스에서 개인이나 소규모 팀이 바로 가져갈 수 있는 것도 있습니다.

첫째, 모든 작업에 최고급 모델을 쓰지 않는 것입니다. 반복적이고 정형화된 작업은 값싼 모델로 충분한 경우가 많습니다. AT&T의 40%가 그 증거입니다.

둘째, 평가 기준을 먼저 만드는 것입니다. 하비가 판 진짜 해자는 모델이 아니라 채점표 1,750세트였습니다. 내 업무에서 "잘한 결과"가 무엇인지를 문서로 적어 두면, 어떤 모델을 쓰든 그 기준으로 판정할 수 있습니다.

셋째, 비용을 평가 기준에 넣는 것입니다. 정확도만 재면 비용은 반드시 늘어납니다.

오픈웨이트 규제 논쟁과 맞물린 대목

마지막으로 정책 맥락 하나. 미국에서는 오픈웨이트 모델을 규제해야 하는가를 두고 논쟁이 이어져 왔습니다. 중국발 공개 모델이 강력해지면서 논쟁의 온도도 함께 올랐습니다.

테넷은 이 논쟁에 구체적인 사례를 하나 얹습니다. 미국 기업이 중국발 오픈웨이트 모델을 가져와 자국 산업용으로 다시 훈련시킨 결과물이기 때문입니다. 공개 모델을 막는다고 해서 다른 나라가 만드는 것을 멈추게 할 수는 없고, 오히려 자국 기업이 그 위에 얹는 능력만 잃는다는 반론이 여기서 나옵니다.

이 논쟁의 결말은 아직 나지 않았습니다. 다만 규제 논의가 추상적인 우려가 아니라 실제 제품을 두고 벌어지는 단계로 넘어왔다는 점은 분명합니다.

칠흑 같은 어둠 속에서 밝은 청록빛 정육면체 하나가 좁은 어두운 입구를 바로 앞에 두고 멈춰 선 모습 — 아직 결론이 나지 않은 오픈웨이트 규제 논쟁을 표현한 개념 이미지

핵심 정리

다섯 줄로 정리하면 이렇습니다.

첫째, 하비가 8월 20일 법률 특화 모델 테넷을 공개했습니다. 문샷의 킴이 K3를 베이스로 파이어웍스와 함께 사후학습한 오픈웨이트 모델입니다. 둘째, B300 150장·2개월·1,750개 과제 환경이라는 학습 규모가 공개됐습니다. 프런티어 모델 자체 개발과는 자릿수가 다릅니다.

셋째, 성적은 홀드아웃 과제 완수량 약 2배, 전 항목 통과율 +9%p, LAB 계약 부문 최고입니다. 학습하지 않은 외부 벤치마크에서도 올랐습니다. 넷째, 비용은 프런티어 모델의 4분의 1 미만이고, 리뷰 테이블 작업은 셀당 약 10분의 1입니다.

다섯째, 아직 리서치 프리뷰입니다. 제품 적용 일정은 나오지 않았습니다. 그래서 결론은 "시장이 바뀌었다"가 아니라 "이 경로가 실증됐다"입니다.

참고하실 만한 것

AI 모델 발표를 보실 때 벤치마크 점수보다 먼저 확인하면 좋은 것이 셋 있습니다. 그 벤치마크를 누가 만들었는지, 학습에 쓰지 않은 문제에서도 올랐는지, 그리고 비용이 함께 공개됐는지입니다. 세 가지가 다 있으면 믿을 만한 발표이고, 하나라도 빠져 있으면 그만큼 할인해서 읽으면 됩니다.

SVIL은 AI 뉴스를 큰 글씨와 쉬운 설명으로 다시 정리해 전해 드립니다. 블로그와 유튜브 채널에서 같은 주제를 글과 영상으로 함께 보실 수 있습니다.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://ghost-production-0ec2.up.railway.app/
홈페이지 : https://kuroicode-beep.github.io/svil-homepage/