Other爱范儿Thu, 27 Aug 2026 02:48:30 +0000

MiniMax, '조상의 가르침' 어기고 기업 매출 700% 폭증…몰래 '삽 파는 사람'으로 변신하다

杜晨

많은 사람들에게 MiniMax라고 하면 먼저 떠오르는 것은 과거 해외에서 큰 인기를 끌었던 AI 컴패니언 'Talkie'이거나, 국내 사용자들에게 익숙한 '星野(싱예)'와 '海螺 AI(하이루오 AI)'일 것이다. 과거 상당 기간 동안 이 대형 모델 유니콘 기업은 외부에서 'C2C(소비자 중심) 기업'이라는 딱지가 붙어 있었다.

그러나 상황은 지난 1년 동안 완전히 뒤바뀌었다.

MiniMax가 최근 발표한 2026년 중기 재무 보고서에 따르면, 1년 전 소비자 부문 약 70%가 기업 부문 약 30%를 크게 앞섰던 것과 달리, 매출 구조가 완전히 역전되어 B2B 부문이 절대적인 지배력을 차지하는 것으로 나타났다.

MiniMax는 1년이라는 시간 동안 구조적 변화를 이루어냈으며, 현재 글로벌 개발자 생태계, 멀티모달 MaaS 및 에이전트 인프라를 핵심 동력으로 하는 컴퓨팅 파운데이션 기업이 되었다.

공개된 데이터에 따르면, MiniMax의 전체 매출 규모는 크게 향상되어 2026년 상반기 총 매출은 약 1억 2천만 달러를 기록했으며, 전년 동기 대비 283.1% 증가했다. 반년 매출만으로도 2025년 전년 매출의 1.5배에 달한다.

이 중 오픈 플랫폼 및 기타 기업 서비스 중심의 B2B 비즈니스 매출은 7,390만 달러에 달해 전년 동기 대비 700% 이상 폭증했으며, 전체 매출에서 차지하는 비중은 작년 동기 30.3%에서 63.4%로 급등하며 회사의 가장 큰 매출 기둥으로 부상했다.

기업용 시장의 폭발적인 성장은 MiniMax의 ARR(연간 반복 수익)에 큰 폭의 증가를 가져왔으며, 8월 기준 8억 달러에 달했다. 이 중 To B 비즈니스 비중은 약 80%에 달하고, To C는 약 20%에 불과하다.

(ARR은 공인 회계 기준의 감사 수치가 아니며 본질적인 부풀려진 측면이 존재하지만, AI 모델 기업 및 SaaS 기업에게는 여전히 가치 있는 평가 지표라는 점에 유의해야 한다.)

또한, MiniMax의 상반기 해외 시장 매출 기여도는 약 60%에 달해 글로벌화라는 본질이 다시 한번 부각되었다.

매출이 폭등하는 동시에 판매 및 유통 비용은 전년 동기 대비 17.9% 감소한 2,700만 달러를 기록했으며, 매출총이익은 전년 동기 대비 464.8% 증가한 2,081만 달러를 기록했다.

손실 측면에서는 당기 순손실이 전년 동기 약 4억 달러에서 약 3억 6천만 달러로 감소했다.

이는 MiniMax가 초기 범엔터테인먼트 C2C 앱을 통한 트래픽 구매 및 고객 확보에 의존하던 초기 단계를 완전히 마무리했음을 의미한다. 기초 모델 및 멀티모달 모델 역량에 전면적으로 집중한 후, 기업과 개발자 생태계에 의해 구동되는 자연적인 네트워크 성장으로 전환한 것이다.

간단한 횡적 비교를 해보자:

The Information의 보도에 따르면, DeepSeek은 올해 7개월 동안 7,070만 달러의 매출을 기록했다. 붐빘했던 7월을 제외하면 대략적으로 MiniMax의 상반기 매출은 DeepSeek의 약 2배 수준이다.

DeepSeek의 순매출은 MiniMax보다 낮지만, 7개월 만에 2025년 전년 매출의 10배를 달성해 증가율은 MiniMax보다 훨씬 높다.

DeepSeek의 7개월 순손실은 1억 600만 달러이며, MiniMax의 당기 순손실은 DeepSeek의 약 3.4배에 달한다.

신구 교차하는 컨센서스

MiniMax는 토큰 소비량의 단층적 급증이 당기 매출 폭등의 중요한 원인이라고 밝혔다.

올해 7월 한 달 동안 MiniMax 전체 플랫폼의 토큰 소비량은 1월의 정확히 20배에 달했다. 현재까지 글로벌 기업 고객 및 개발자 수는 200만 명을 돌파했으며, 이는 2025년 말의 10배에 달한다.

토큰 소비에서 이렇게 극단적인 비선형적 도약이 나타난 이유는 모델 소비 패러다임의 전환에 있다.

CEO 옌쥔제(闫俊杰)는 모델 소비 패러다임이 '인간과 AI의 직접적인 대화'에서 '에이전트와 AI의 다단계 연쇄 상호작용'으로 전면적으로 도약했다고 밝혔다.

에이전트에 의해 구동되는 추론 수요의 증가는 인간 사용자 수와 메시지 수의 증가보다 훨씬 빠르다. 이는 단일 사용자의 토큰 소비가 배수적으로 폭발하는 결과를 직접적으로 초래했다.

이는 나날이 발전하는 모델 업계에서는 이미 '구(舊) 컨센서스'로 자리 잡았다.

그보다 더 중요한 신(新) 컨센서스는 포스트 트레이닝(Post-training)이 스케일링의 새로운 상한이 된다는 것이다.

최근 지푸(Zhipu) GLM 5.3, DeepSeek V4 Flash(0731 버전), Gemini 3.x Flash의 공개 자료를 보면, 점점 더 많은 모델 기업들이 소규모 버전 업데이트에서 포스트 트레이닝에 크게 의존하거나, 심지어 포스트 트레이닝만으로도 특정 주류 작업에서 모델의 성능을 크게 향상시킬 수 있음을 보여준다.

옌쥔제 역시 실적 발표회에서 이러한 새로운 업계 컨센서스의 변화를 제시했다. 현재 대형 모델의 스케일링은 단일한 사전 훈련(Pre-training)에서 미드 트레이닝(Mid-training), 포스트 트레이닝, 강화 학습으로 빠르게 확장되고 있다는 것이다.

포스트 트레이닝 단계에서의 대규모 합성 데이터 생성, 강화 학습에서의 환경 롤아웃(rollout, 추론/생성), 생성 작업의 시행착오 검증은 본질적으로 모두 추론 컴퓨팅이다. 단위 컴퓨팅 파워당 추론 비용이 낮을수록, 처리량이 클수록 모델이 포스트 트레이닝에서 처리할 수 있는 궤적과 실험 규모도 커진다. 이것이 MiniMax를 포함한 수많은 모델 기업들이 미드 트레이닝 및 포스트 트레이닝 단계에 투입하는 컴퓨팅 파워 비중이 갈수록 높아지는 이유다.

옌쥔제는 동일한 컴퓨팅 규모 하에서 추론 컴퓨팅 효율성 향상 배수와 포스트 트레이닝 규모 확대 배수가 기본적으로 선형적인 상관관계를 보인다고 지적했다. 이 말은 대략적으로 이렇게 이해할 수 있다. 포스트 트레이닝에 투입하는 힘이 클수록 추론 효율성 향상도 많아지며, 모델이 보여주는 최종 효과도 좋아진다는 뜻이다.

즉, 사람들이 스케일링 법칙(Scaling Law)이 이미 한계에 부딪혔다고 생각하든, 모델 파라미터 수가 이미 극단적인 경쟁에 이르렀다고 생각하든 상관없이 — 포스트 트레이닝은...