Sakana AI 'Fugu' 오케스트레이션 모델: AI 노출 좌표가 바뀐다

핵심 요약

• Sakana AI는 2026년 9월 11일 Fugu Max v1.0과 Fugu Ultra v2.0을 동시 출시했으며, 이는 단일 파운데이션 모델이 아니라 오픈웨이트·특화 모델 풀에 작업을 라우팅하는 '학습된 오케스트레이션' 아키텍처다(Sakana AI).
• Fugu Max는 100만 입력 토큰당 $2, 출력 토큰당 $6로, Sakana는 자사 발표에서 이를 Sonnet 5·Kimi K3 대비 출력 기준 40~60% 저렴하다고 주장한다(datanorth.ai).
• Fugu Ultra v2는 100만 토큰 컨텍스트 윈도를 갖추고 단일 OpenAI 호환 API로 입력 $5·출력 $30에 제공된다(theroboticsmedia.com).
• Sakana 자체 보고 평가에서 Fugu Ultra v2는 Chartography 48.3점(Opus 5 27.3점·Fable 5 29.5점 대비 우위), DeepSWE 74.3점을 기록했다(marktechpost.com).
• 두 모델 모두 호스팅 API로만 제공되며 EU·EEA에서는 이용할 수 없다(datanorth.ai).

Fugu는 기존 LLM과 무엇이 다른가?

Fugu의 본질은 '답을 생성하는 모델'이 아니라 '답을 조립하는 오케스트레이터'라는 점이다. Sakana AI에 따르면 Fugu는 고정된 오픈웨이트·특화 모델 풀에 각 작업을 라우팅하도록 훈련된 언어 모델로, 어떤 하위 모델을 배정할지 결정한 뒤 출력을 조립한다. 기술적으로는 ICLR 2026 논문 TRINITY와 Conductor에 기반하며, 손으로 설계한 워크플로 대신 작업마다 전문가 에이전트를 조립·라우팅·조율하는 법을 학습한다.

이 계보는 신규 개념이 아니다. 2026년 4월 베타 공개, 6월 정식 출시와 Ultra v1, 7월 Fugu-Cyber·Claude Code 인터페이스, 8월 NVIDIA Nemotron 통합을 거쳐 9월 11일 두 가격 티어를 처음 동시 출하했다(llmgateway.io).

성능 수치는 얼마나 믿을 수 있나?

결론부터 말하면 현재 공개된 성능은 모두 Sakana 자체 보고치이며 독립 재현이 이뤄지지 않았다. MarkTechPost에 따르면 Fugu Ultra v2는 8개 벤치마크 중 5개(GDP.pdf·Chartography·SWEFish·DeepSWE·Toolathon)에서 최고 또는 공동 최고, 8개 중 7개에서 상위 2위를 기록했다.

주목할 점은 방법론이다. aicybr.com에 따르면 Sakana는 Fable 5·Fable 5.1·GPT-6 Astra를 평가에 쓰인 워커 풀에서 제외했다고 밝혔다. 즉 이 점수는 특정 프런티어 모델 없이 오케스트레이션된 풀 전반의 시스템 수준 측정치다. ai-tldr.dev 인용에 따르면 Sakana는 "프런티어 출력을 내기 위해 개별 독점 프런티어 모델에 의존하지 않는다"고 강조했다. 벤더 신호로만 취급하고 독립 검증을 기다릴 필요가 있다.

브랜드 노출에 왜 위협이자 변화인가?

핵심은 '답을 생성하는 표면이 특정 모델에서 분리된다'는 점이다. 지금까지 AI 노출 최적화는 GPT·Gemini·Claude 등 개별 모델을 겨냥해 왔지만, 오케스트레이터 구조에서는 다음이 달라진다.

축	기존(단일 모델)	Fugu형 오케스트레이션
노출 표면	개별 모델의 인용 행태	불투명한 조립 레이어
최적화 대상	특정 모델 타깃	하위 작업 라우팅 대응
안정성	모델별 추적 가능	풀 교체로 경로 변동
측정	응답 경로 역추적 가능	로그만으론 역추적 난제

pondero.ai에 따르면 설계는 의도적으로 벤더 중립적이어서 기반 풀이 교체 가능하다. 브랜드 입장에선 어제 인용 경로를 확보한 서브모델이 오늘 풀에서 빠질 수 있다는 뜻이다. 또 Fugu Max의 40~60% 저가 포지셔닝(datanorth.ai)은 국내 에이전트 빌더가 이런 라우팅 계층을 채택할 유인을 키운다.

TableFlip 관점

이 동향은 한국 브랜드의 AI Visibility 측정 방법론 자체를 재편하게 만든다. 어떤 모델을 고르고 어떻게 조율하는지는 독점이며 API로 노출되지 않기에, '모델별 추적'만으로는 인용 경로를 역추적하기 어렵다. TableFlip은 측정을 '모델별 추적'에서 '표면(제품 엔드포인트)별 블랙박스 벤치마킹'으로 보강해야 한다고 본다.

실무적으로는 특정 모델이 아니라 여러 오픈웨이트 모델에 두루 통하는 구조화·인용 가능성을 확보하는 방향이 유효하다. TableFlip의 진단 → 구조 개선 → 근거 콘텐츠 → 월간 모니터링 흐름에서, GEO 진단 방법론은 라우팅 불투명성에 대비해 엔드포인트 단위로 노출을 관측하고, 매주 실측하는 AI 노출 리포트는 풀 교체로 인한 인용 변동을 조기에 포착하는 데 활용된다. 단, 한국 지역 제공 여부·한국어 성능은 노트 기준으로 확인되지 않았으므로 실측으로 검증할 대상이다.

다음 단계로 자사 브랜드의 현재 AI 답변 노출 상태를 무료 AI Visibility 진단으로 점검해 보길 권한다.