AI 돌리려고 노트북을 바꿔야 할까?

노트북과 기능의 제공일이 다릅니다

Microsoft가 2026년 10월 7일 발표한 기기와 소프트웨어는 제공 시점이 다릅니다. RTX Spark 기반 노트북은 10월 16일부터 출하할 예정입니다. GitHub Copilot의 로컬·클라우드 연계는 10월 중 실험 프리뷰로 제공할 계획이고, 일반 Copilot의 하이브리드 기능은 Copilot+ PC에 앞으로 수개월에 걸쳐 배포를 시작한다고 했습니다. 발표를 읽는 10월 8일 현재, 이 셋을 모두 바로 쓸 수 있는 기능으로 묶기는 어렵습니다. [1]

예약 주문을 할 때 지불하는 돈에는 아직 도착하지 않은 경험에 대한 기대도 섞이게 됩니다. 장비를 받은 뒤 원하는 앱의 지원을 기다리는 기간이 생긴다면, 그동안의 가치는 기존 작업에서 찾아야 합니다. 공식 안내도 기기와 시장, 칩에 따라 제공 시점이 달라질 수 있다고 적고 있습니다. 국내 가격과 판매 일정은 이번 글에서 확인하지 못했습니다. 해외 출하일을 국내 구매 가능일로 옮겨 적을 수 없는 이유입니다. [1]

128GB를 모델 하나에 전부 쓸 수는 없습니다

Microsoft의 2026년 10월 7일 안내에서 Surface Laptop Ultra는 최대 128GB의 통합 메모리를 내세웁니다. 이 숫자를 해석하는 데는 Microsoft의 기술 설명이 도움이 됩니다. 같은 날 공개된 MAI Code 1.1 Flash 로컬 모델의 크기는 53GB이고, 256K 문맥에서 Microsoft가 측정한 최대 메모리 사용량은 75.5GB입니다. 같은 모델이어도 긴 입력을 다루는 데 필요한 공간이 더 들어간다는 뜻입니다. [2]

운영체제와 앱, 추론 실행 환경도 메모리를 사용합니다. 이미 읽은 토큰의 상태를 보관하는 KV 캐시 역시 자리를 차지합니다. 노트북을 고를 때 모델 파일의 크기만 사양표 옆에 놓고 비교하면 놓치는 부분입니다. 개발 도구와 브라우저를 켠 채 작업을 이어 가는 상황을 생각하면, 여유 메모리는 실제로 일을 계속할 수 있는 공간에 가깝습니다. [2]

구매 판단에 더 필요한 것은 작업 하나가 끝나는 모습입니다. 코드를 빨리 출력해도 테스트에서 실패한 부분을 고치느라 여러 번 되돌아간다면 절약한 시간은 줄어듭니다. 반대로 첫 응답이 조금 늦더라도 수정과 검증을 안정적으로 마치는 편이 유용할 수 있습니다. 비교할 때는 생성 속도 옆에 완료 시간과 사람이 다시 손댄 시간을 함께 적어 두는 편이 낫습니다.

새 기계에 매일 맡길 일을 적어 보면

우선 지금 AI로 하는 일을 떠올려 볼 수 있습니다. 브라우저에서 질문하고 짧은 글을 다듬는 일이 대부분이라면, 새 노트북의 로컬 연산을 어디에 쓸지부터 불분명할 수 있습니다. 그 작업을 계속 클라우드 서비스에 맡길 생각이라면 로컬 모델용 메모리가 늘어나는 이점을 얼마나 누릴지도 따져봐야 합니다. 평소의 불편이 배터리나 무게였다면 그쪽을 교체 기준의 앞에 두는 편이 자연스럽습니다.

반면 같은 형식의 코드 수정, 반복적인 테스트 보조, 미리 준비한 자료의 가공을 하루에도 여러 차례 맡기는 개발자라면 계산이 달라집니다. 입력과 기대하는 결과를 정하기 쉬워서 로컬 모델이 어느 정도 일을 해내는지 비교할 수 있기 때문입니다. 여기서도 작업 전체가 자동화된다고 가정할 필요는 없습니다. 사람이 확인해야 할 부분을 남겨 두고, 반복 구간에서 얼마나 부담을 덜어 주는지 보면 됩니다.

장비를 고르기 전에 최근 실제로 했던 작업 세 개를 남겨 두면 구매 질문이 구체적으로 바뀝니다. 짧은 수정 하나, 여러 파일을 읽는 작업 하나, 테스트까지 마쳐야 하는 작업 하나 정도면 시작할 수 있습니다. 같은 입력과 완료 기준으로 후보 환경의 결과를 비교하고, 시간이 얼마나 걸렸는지와 어디서 사람이 개입했는지를 기록하는 것입니다. 직접 비교할 기회가 없다면 그 빈칸은 구매 전에 남아 있는 불확실성으로 취급해야 합니다.

내 기계에서 추론하면 무엇이 남을까요

GitHub Copilot은 Auto가 로컬과 클라우드 모델을 고르는 방식과 사용자가 로컬 모델을 직접 선택하는 방식을 안내했습니다. 기술 글은 로컬 추론만으로 세션 전체가 오프라인이 되지는 않는다고 명시합니다. 모델의 답을 내 기계에서 계산하더라도, 그 답을 만드는 흐름에는 온라인 자료 조회나 외부 서비스 연결이 포함될 수 있습니다. [2]

기밀 자료를 다루기 위해 새 기계를 사려는 경우라면 이 차이가 구매 목적에 바로 영향을 줍니다. 필요한 입력과 처리를 기기 안에서 끝낼 수 있는지 확인돼야 로컬 처리의 이점을 비용과 비교할 수 있습니다. 인터넷이 끊긴 환경에서도 작업하려는 사람 역시 모델 실행뿐 아니라 필요한 파일과 도구가 준비돼 있어야 합니다. 이런 조건을 만족하는 작업이라면 구독료 절감과 별개로 돈을 쓸 이유가 될 수 있습니다.

구독료를 아낀다는 계산에 빠진 항목

가령 원래 사려던 일반 노트북보다 AI 작업용 구성을 고르는 데 60만 원을 더 쓰고, 그 덕분에 매달 내던 비용 2만 5천 원을 전부 없앨 수 있다고 가정해 보겠습니다. 추가 하드웨어 비용을 실제로 없어지는 월 지출로 나누면 단순 회수 기간은 24개월입니다. 두 금액은 계산을 설명하기 위해 정한 가정입니다. 국내 제품 가격이나 특정 서비스의 구독료를 뜻하지 않으며, 전기료·유지비·잔존가치 차이도 모두 0으로 놓은 예시입니다.

여기서 가장 중요한 단어는 실제로 없어지는 지출입니다. 로컬 모델을 일부 쓰더라도 어려운 작업 때문에 기존 구독을 유지한다면 그 구독료는 절감액에 넣을 수 없습니다. 사용량에 따라 내는 비용이 줄어드는 경우도 실제 청구액의 감소분으로 계산해야 합니다. 월 절감액이 0원이라면 구독료 절감만으로 추가 구매비를 회수하는 시점은 나오지 않습니다. 처리량이 늘어 얻는 편익은 별도로 평가할 수 있습니다.

60만 원이라는 차액을 사용하는 전제도 확인해야 합니다. 어차피 노트북을 교체할 사람이면 두 후보의 구매비 차이를 비교할 수 있지만, 멀쩡한 기계를 계속 쓸 사람이 AI 때문에 새로 산다면 비교 대상은 기존 기계를 유지하는 경우입니다. 이때는 새 지출을 훨씬 넓게 잡아야 합니다. 같은 장비라도 교체 시점에 도달한 사람과 그렇지 않은 사람에게 경제성이 달라지는 이유가 여기에 있습니다.

이번 교체에서 값을 매길 수 있는 것

이미 교체할 때가 됐고, 반복해서 수행할 로컬 작업도 있다면 충분한 메모리를 갖춘 후보를 검토할 이유가 있습니다. 다만 자신이 쓰는 앱에서 그 작업을 수행할 수 있는 시점까지 묶어서 봐야 합니다. 반대로 평소 쓰던 AI 서비스에 접속하는 용도가 대부분이라면, 출시를 기다리는 동안 현재 기계에서 무엇이 부족한지부터 확인하는 쪽이 구매 이유를 선명하게 만들어 줍니다.

이번 발표가 의미 있는 지점은 로컬 AI로 처리할 수 있는 작업의 범위를 넓히려 한다는 데 있습니다. 구매자는 그 넓어진 가능성 중 자신의 하루에 들어올 부분에 값을 매기면 됩니다. 매일 맡길 작업이 있고, 필요한 기능을 사용할 수 있고, 추가 지출에 대한 설명도 가능하다면 AI는 교체의 이유가 됩니다. 아직 맡길 일부터 떠오르지 않는다면, 지금은 노트북보다 그 작업 목록을 먼저 정할 때입니다.

참고한 자료

1. Building Windows for hybrid intelligence · Microsoft, 2026-10-07. 제품 출하·실험 프리뷰·일반 기능 순차 배포의 서로 다른 일정과 지역별 제한을 확인했다.
2. Bringing local models and sandboxed tools to Windows and GitHub Copilot · Microsoft/GitHub, 2026-10-07. 메모리 수치와 조건, 모델 선택 방식, 추론 위치와 오프라인 실행의 구분을 확인했다. 제조사 설명이며 독립 실측은 아니다.