월 150유로 Berget Code, AI 코딩 국경의 가격표

AI 요약

• 무슨 일: Berget AI가 2026년 5월 13일 스웨덴 인프라 기반 코딩 에이전트 서비스 Berget Code를 공개했습니다.
  • 공식 발표는 OpenCode·Pi 같은 오픈소스 harness, 오픈 모델, 코드 데이터의 스웨덴 내 처리를 핵심 메시지로 내세웁니다.
• 핵심 전환: AI 코딩 경쟁이 모델 성능과 IDE 기능을 넘어 data residency, 법권역, 좌석 과금, 조달 조건으로 확장됩니다.
• 개발자 포인트: 코딩 에이전트는 소스 코드, 프롬프트, 로그, 테스트 결과, 비밀 정보 근처에서 동작하므로 인프라 위치가 제품 요구사항이 됩니다.
• 주의점: 월 150유로 고정 가격과 주권형 인프라는 명확하지만, 모델 카탈로그·성능 검증·생태계 성숙도는 실제 도입에서 따져봐야 합니다.

Berget AI가 2026년 5월 13일 Berget Code를 공개했습니다. 겉으로 보면 또 하나의 AI 코딩 에이전트입니다. 개발자가 터미널에서 작업을 맡기고, 모델이 파일을 읽고, 코드를 고치고, 테스트를 돌리는 흐름은 이미 Claude Code, OpenAI Codex, GitHub Copilot, Cursor, Cline, OpenCode를 통해 익숙해졌습니다. 하지만 Berget Code가 흥미로운 이유는 "더 편한 코딩 보조도구"가 아니라 "코드가 어느 나라의 인프라와 법권역을 통과하는가"를 상품의 중심에 놓았다는 점입니다.

공식 발표의 첫 문장은 선명합니다. Berget Code는 스웨덴에서 호스팅되는 agentic coding 서비스이고, 오픈소스 소프트웨어와 오픈 모델 위에 만들어졌습니다. Berget은 Claude Code와 Codex가 개발자의 작업 방식을 바꿨지만, 보안 요구사항이 높은 조직도 이 도구를 쓰고 있다는 사실을 출발점으로 잡습니다. 그래서 "AI를 쓰되 코드가 스웨덴에 머무르게 하고 싶은 개발자"를 위한 서비스라고 설명합니다.

이것은 작은 지역 뉴스처럼 보일 수 있습니다. 그러나 AI 코딩 도구가 지금 어디로 이동하는지 보면 의미가 커집니다. 최근 몇 달 동안 코딩 에이전트 시장은 기능의 문제가 아니라 운영의 문제로 바뀌었습니다. Codex는 모바일 승인 루프를 만들고, Copilot은 크레딧과 고가 플랜을 분리하고, Anthropic은 Agent SDK 과금 구조를 드러냈습니다. 이제 팀이 묻는 질문은 "어떤 모델이 코드를 더 잘 짜는가"만이 아닙니다. 누가 사용량을 제한하는가, 누가 로그를 보관하는가, 누가 코드를 학습에 쓰는가, 어떤 법원이 데이터 접근을 명령할 수 있는가, 장애가 나면 어느 지역의 고객이 멈추는가까지 이어집니다.

Berget Code는 그 질문에 아주 직접적인 답을 팝니다. 제품 페이지는 "European teams"를 전면에 세우고, 데이터가 유럽에 머물며 스웨덴 인프라에서 실행된다고 설명합니다. 가격도 사용량 기반 토큰 과금보다 더 조달 친화적인 방식입니다. 개발자 한 명당 월 150유로 고정 금액입니다. 개인 개발자가 재미로 써보기에는 비쌀 수 있지만, 공공기관·금융·의료·규제 산업의 개발팀에는 예산 승인과 비용 예측이 더 중요한 요구사항일 수 있습니다.

Berget Code가 실제로 내놓은 것

공식 발표문 기준으로 Berget Code는 "agentic coding hosted in Sweden"입니다. 발표는 Kimi K2.6을 전면에 세웁니다. Berget은 이 모델을 시장에서 강한 오픈 모델 중 하나로 설명하고, 256,000 토큰 컨텍스트 윈도우 덕분에 전체 코드베이스를 한 컨텍스트에서 분석할 수 있다고 주장합니다. 함께 언급된 모델은 Google의 Gemma 4, Mistral의 Mistral Medium 3.5입니다. 발표문은 제품이 OpenCode 또는 Pi에서 실행된다고 정리합니다.

제품 페이지는 조금 더 운영에 가깝습니다. Berget Code는 OpenCode와 Pi라는 오픈소스 harness를 공식 지원하고, 이 둘을 Berget의 "sovereign Swedish infrastructure"에서 실행한다고 설명합니다. OpenCode를 이미 써본 개발자는 Claude Code와 비슷한 터미널 경험을 기대할 수 있다는 식으로 포지셔닝합니다. LSP integration, multi-session parallel agents, agent skills 같은 표현도 보입니다.

문서에는 더 구체적인 시작 절차가 있습니다. OpenCode 연동 문서는 먼저 OpenCode를 설치한 뒤 npx berget code init으로 Berget provider를 설정하고, opencode를 실행해 /models에서 모델을 고르는 흐름을 안내합니다. 흥미롭게도 이 문서는 코딩 작업에 GLM 4.7을 추천합니다. 반면 발표문은 Kimi K2.6을 출시 모델로 강조합니다. 이는 초기 제품의 모델 카탈로그가 빠르게 바뀌고 있거나, 발표·제품·문서 메시지가 아직 완전히 정렬되지 않았다는 신호로 읽을 수 있습니다.

이 차이를 단순 오류로만 볼 필요는 없습니다. 주권형 AI 인프라 회사가 팔려는 핵심은 단일 모델 이름이 아니라 "모델을 갈아 끼울 수 있는 운영 위치"입니다. 특정 주에 가장 강한 코딩 모델이 Kimi라면 Kimi를 올리고, 다음 달 GLM이나 Mistral이 더 나으면 그쪽으로 이동할 수 있어야 합니다. Berget의 문서도 OpenAI 호환 API, 모델 카탈로그, capability matrix를 강조합니다. 주권형 AI 코딩의 판매 논리는 결국 "미국 proprietary 제품 하나를 그대로 복제합니다"가 아니라 "코딩 에이전트 경험은 유지하되 모델과 인프라를 유럽 쪽으로 라우팅합니다"에 가깝습니다.

왜 코딩 에이전트에 데이터 주권이 붙는가

AI 코딩 도구의 데이터 민감도는 일반 챗봇보다 높습니다. 사용자는 단순 질문만 보내지 않습니다. 저장소 구조, 비공개 코드, 내부 API 이름, 테스트 실패 로그, .env 근처의 설정, 보안 취약점 설명, 고객 데이터가 섞인 fixture, 배포 스크립트, CI 로그가 프롬프트와 context로 흘러갑니다. 에이전트가 더 유용해질수록 더 많은 권한을 요구합니다. 파일을 읽고, shell을 실행하고, 브라우저를 열고, PR을 만들고, 이슈를 닫고, 배포 파이프라인을 건드립니다.

그래서 코딩 에이전트는 생산성 도구이면서 동시에 데이터 처리 파이프라인입니다. 팀이 Claude Code나 Codex를 도입할 때 "좋다"는 감상만으로 끝나지 않는 이유가 여기에 있습니다. 보안팀은 어떤 데이터가 외부 API로 나가는지 묻고, 법무팀은 처리 지역과 하위 처리자를 묻고, 플랫폼팀은 감사 로그와 계정 폐기 절차를 묻고, 재무팀은 사용량 폭증과 좌석 단가를 묻습니다. 에이전트가 소스 코드 가까이로 들어갈수록 이 질문은 더 날카로워집니다.

Berget은 이 지점을 정면으로 겨냥합니다. 공식 발표는 처리되는 모든 데이터가 스웨덴 국경 안에 머물고, Berget AI가 서비스로 전송된 코드를 모델 학습에 쓰지 않는다고 설명합니다. 제품 페이지는 더 강하게 말합니다. inference는 Berget AI가 소유한 GPU node와 스웨덴 데이터센터에서 실행되며, 이것은 계약상 약속이나 설정값이 아니라 물리 인프라와 EU 법의 문제라는 주장입니다.

이 주장은 유럽 기업에게 실무적인 의미가 있습니다. GDPR 준수는 단순히 "개인정보를 조심한다"가 아닙니다. 데이터가 어디에서 처리되는지, 어떤 국가의 법률이 공급자에게 적용되는지, 정부 접근 요청이 어떻게 다뤄지는지, 하위 처리자가 누구인지, 고객 데이터가 모델 학습에 쓰이는지까지 확인해야 합니다. 미국 회사의 EU 리전 서비스를 쓰더라도 법권역과 모회사 접근 가능성에 대한 논쟁은 남습니다. Berget은 자신들이 스웨덴 소유 회사라 미국 CLOUD Act 같은 역외 법률 리스크가 없다고 설명합니다.

물론 이 주장을 그대로 받아들이기만 해서는 안 됩니다. 데이터 주권은 마케팅 문구가 되기 쉽습니다. 실제 도입에서는 DPA, 보안 인증, penetration test, 로그 보관 정책, incident response, 백업 위치, support access, telemetry, 모델 공급망, GPU 운영 주체를 확인해야 합니다. 오픈 모델을 쓴다고 해서 자동으로 안전해지는 것도 아닙니다. 모델 weight의 출처, license, fine-tuning 여부, eval 방식, 취약한 tool call 처리까지 봐야 합니다.

그럼에도 Berget Code가 던지는 질문은 유효합니다. AI 코딩 에이전트가 개발 workflow의 중심으로 들어오면, "우리 코드는 어디로 가는가"는 부차적인 법무 체크박스가 아니라 제품 선택 기준이 됩니다.

오픈소스 harness가 중요한 이유

Berget Code의 또 다른 축은 OpenCode와 Pi입니다. 여기서 중요한 단어는 모델이 아니라 harness입니다. 코딩 에이전트에서 harness는 모델을 감싸는 작업 환경입니다. 파일 탐색, 컨텍스트 선별, todo 관리, 명령 실행, diff 생성, tool call, session 유지, subtask 분해 같은 일을 담당합니다. 같은 모델을 써도 harness가 다르면 결과가 크게 달라질 수 있습니다.

Claude Code의 강점도 모델만이 아닙니다. 터미널 안에서 자연스럽게 파일을 읽고, 계획을 세우고, 테스트를 실행하고, 수정 diff를 제안하는 경험이 중요합니다. Codex도 단순 모델 API가 아니라 작업 공간, 승인, 샌드박스, 원격 실행, 모바일 확인 루프가 결합된 제품입니다. 따라서 주권형 코딩 에이전트를 만들려면 좋은 오픈 모델만 올려서는 부족합니다. 개발자가 실제로 쓸 수 있는 harness가 필요합니다.

Berget이 OpenCode와 Pi를 선택한 것은 이 문제를 우회하는 방식입니다. 독자적인 IDE를 새로 만들기보다 이미 개발자 workflow에 붙을 수 있는 오픈소스 harness를 지원합니다. OpenCode 연동 문서는 Berget AI CLI로 provider를 설정하고, OpenCode에서 모델을 선택하는 식으로 구성됩니다. 개발자는 완전히 새로운 사용법을 배우기보다 provider와 backend를 바꾸는 감각에 가깝게 접근할 수 있습니다.

이 접근은 장점과 한계를 동시에 가집니다. 장점은 빠른 호환성입니다. 오픈 harness가 성장하면 Berget은 그 생태계의 개선을 활용할 수 있습니다. 고객 입장에서는 특정 proprietary assistant에 묶이는 느낌이 줄어듭니다. 한계는 제품 경험의 통제권입니다. OpenCode나 Pi의 품질, 플러그인, 에러 처리, UI 완성도, 엔터프라이즈 관리 기능이 Berget의 전체 경험을 좌우합니다. 고객은 "Berget 모델이 좋다"만 보지 않고, 실제 agent session이 Claude Code나 Codex만큼 안정적인지 봅니다.

여기서 Berget의 전용 GPU 주장은 중요해집니다. 제품 페이지는 Berget Code가 다른 Berget workload와 공유되지 않는 dedicated GPU hardware를 사용해 더 높은 throughput, session adherence, rate/token limit을 제공한다고 설명합니다. 코딩 에이전트는 일반 챗봇보다 session이 길고, 여러 파일을 읽고, 테스트 결과를 반복해서 반영합니다. 중간에 rate limit이 걸리거나 context가 끊기면 개발자는 곧바로 도구를 불신합니다. 주권형 제품이 성능에서 밀리면 법무 장점만으로는 오래 버티기 어렵습니다.

월 150유로라는 가격이 말하는 시장

Hacker News 반응에서도 가격은 바로 논쟁이 됐습니다. 한 사용자는 월 150유로가 시도해보기에는 부담스럽다고 말했습니다. 이 반응은 자연스럽습니다. 개인 개발자 입장에서 Claude Code, ChatGPT, Copilot, Cursor 구독과 비교하면 Berget Code는 가볍게 눌러보는 제품이 아닙니다. 특히 미국 기반 서비스가 무료 체험, 저가 개인 플랜, 번들 할인을 공격적으로 제공하는 시장에서는 더 그렇습니다.

하지만 Berget이 노리는 시장은 개인 취미 개발자가 아닌 듯합니다. 제품 FAQ는 공공 부문, 금융기관, 의료 제공자, 그리고 그런 수직 산업용 애플리케이션을 만드는 조직을 직접 언급합니다. 이 팀들에게 가격의 의미는 다릅니다. 한 개발자의 월 150유로는 비싸 보일 수 있지만, 법무 검토를 통과하지 못해 AI 코딩 도구를 아예 못 쓰거나, 민감한 저장소를 제외한 반쪽짜리 사용만 허용하는 비용과 비교하면 다른 계산이 됩니다.

고정 좌석 과금도 같은 맥락입니다. 최근 AI 코딩 도구는 크레딧, 사용량, 모델 등급, priority queue, rate limit이 얽히고 있습니다. 개발자가 에이전트를 깊게 쓰기 시작하면 비용 예측이 어려워집니다. 반면 조달 부서는 "개발자 40명, 월 150유로, 연간 얼마" 같은 구조를 선호합니다. Berget Code의 가격은 기술적 선택이 아니라 구매 프로세스에 맞춘 포장입니다.

물론 이 가격이 설득력을 가지려면 성능과 reliability가 따라야 합니다. 월 150유로를 내고도 모델이 주요 proprietary coding model보다 현저히 약하거나, context handling이 불안정하거나, OpenCode session이 자주 끊긴다면 데이터 주권만으로는 부족합니다. 특히 코딩 에이전트는 팀 내부에서 입소문이 빠릅니다. 개발자가 "느리다", "테스트를 잘 못 읽는다", "대규모 refactor에서 길을 잃는다"고 느끼면 보안팀이 좋아해도 도입은 겉돕니다.

따라서 Berget Code의 진짜 검증 지표는 benchmark headline이 아닙니다. 규제 산업의 실제 저장소에서 얼마나 많은 task를 끝까지 닫는지, 대규모 monorepo에서 context를 얼마나 잘 유지하는지, 모델 전환이 workflow를 깨지 않는지, CI 실패를 읽고 수정하는 반복이 얼마나 안정적인지, audit log와 admin control이 팀 요구에 맞는지가 중요합니다.

커뮤니티 반응은 왜 조심스러운가

Hacker News에서 Berget Code는 "I moved my digital stack to Europe" 토론 중 댓글로 등장했습니다. 이 맥락 자체가 중요합니다. Berget Code는 AI 코딩 도구 토론이라기보다 유럽 디지털 스택, 미국 빅테크 의존, 데이터 주권 논의 안에서 받아들여졌습니다. 댓글에는 유럽 기반 대안에 대한 관심이 있었고, Codeberg 같은 유럽 개발 인프라를 언급하는 반응도 있었습니다.

동시에 회의론도 뚜렷했습니다. 유럽 서비스가 정말 미국 의존을 끊을 수 있는지, Cloudflare 같은 미국 인프라가 여전히 끼어 있지는 않은지, EU 주권이라는 말이 실제 운영에서 얼마나 강한지에 대한 논쟁이 이어졌습니다. 어떤 사용자는 유럽 기업도 결국 미국 기술에 크게 의존한다고 봤고, 다른 사용자는 주권 논의가 미국 반감에 머물면 혁신의 언어가 되기 어렵다고 지적했습니다.

이 조심스러움은 건강합니다. 주권형 AI는 쉽게 상징 정치가 됩니다. "미국 API를 쓰지 않는다"는 말만으로 제품이 좋아지지는 않습니다. 개발자는 매일 도구를 써야 하고, 기업은 장애와 보안 사고를 감당해야 하며, 모델은 실제 코드를 고쳐야 합니다. 유럽 인프라가 의미 있으려면 제품 완성도, 문서, 지원, 성능, 생태계, 투명성이 같이 올라와야 합니다.

Berget Code는 이 긴장을 그대로 안고 있습니다. 한편으로는 명확한 시장 공백을 봅니다. AI 코딩 에이전트를 쓰고 싶지만 미국 API에 비공개 코드를 보내기 어려운 조직은 실제로 존재합니다. 다른 한편으로는 그 공백이 충분히 큰 유료 시장인지, 그리고 Berget이 proprietary coding agent의 속도를 따라갈 수 있는지는 아직 열린 질문입니다.

개발팀이 지금 확인해야 할 체크리스트

Berget Code가 한국 개발팀에게도 곧바로 선택지가 될지는 별개 문제입니다. 하지만 이 발표는 AI 코딩 도구 평가 기준을 다시 정리하게 만듭니다. 첫째, 저장소별 데이터 정책을 분리해야 합니다. 모든 repo가 같은 민감도를 갖지는 않습니다. 공개 가능 코드, 내부 도구, 고객 데이터가 섞인 백엔드, 보안 제품, 규제 산업 프로젝트는 서로 다른 agent policy가 필요합니다.

둘째, 모델 학습 사용 여부만 묻고 끝내면 부족합니다. 실제로는 prompt retention, 로그 보관 기간, support engineer 접근, abuse monitoring, telemetry, crash report, third-party subprocessors, region failover까지 봐야 합니다. 코딩 에이전트는 실패 로그와 source snippet을 자연스럽게 수집합니다. 이 데이터가 모델 학습에는 쓰이지 않더라도 운영 로그로 남을 수 있습니다.

셋째, 비용 한도를 engineering workflow와 연결해야 합니다. 크레딧 기반 도구는 초기에 싸 보이지만, 에이전트가 테스트·리팩터링·문서 작업까지 맡기 시작하면 사용량이 빠르게 늘 수 있습니다. 좌석 고정 가격은 예측 가능하지만, 충분히 쓰지 않으면 비쌉니다. 팀은 "개발자당 월 비용"보다 "완료된 task당 비용", "review 시간 감소", "CI 실패 해결 시간", "보안 예외 감소" 같은 지표로 봐야 합니다.

넷째, harness 종속성을 따져야 합니다. 모델 provider를 바꿀 수 있어도 사용 경험이 특정 IDE나 CLI에 묶이면 lock-in은 남습니다. OpenCode, Cline, Continue, Cursor, Copilot, Codex, Claude Code는 각각 context 관리 방식과 tool call 철학이 다릅니다. 좋은 도입 전략은 한 공급자의 assistant 전체에 모든 workflow를 밀어 넣기보다, repo 유형과 위험도에 맞게 여러 등급을 운용하는 것입니다.

다섯째, 에이전트 권한을 최소화해야 합니다. 주권형 인프라를 쓰더라도 agent가 로컬에서 위험한 명령을 실행하거나, 잘못된 파일을 커밋하거나, secret을 노출하면 피해는 그대로입니다. 데이터 위치는 필요한 조건이지 충분조건이 아닙니다. sandbox, 승인 단계, secret masking, network egress 제한, branch policy, human review는 여전히 필요합니다.

AI 코딩의 다음 경쟁축

Berget Code는 당장 Claude Code나 Codex를 대체하는 대중 제품이 아닐 수 있습니다. 모델 성능, ecosystem, UX, 플러그인, 모바일/원격 루프, GitHub 통합에서 미국 대형 서비스가 훨씬 앞서 있을 가능성이 큽니다. 하지만 이 발표가 중요한 이유는 경쟁축을 바꾸기 때문입니다. AI 코딩 도구는 이제 "개발자 생산성 앱"에서 "소프트웨어 공급망 인프라"로 이동하고 있습니다.

소프트웨어 공급망 인프라가 되면 질문이 달라집니다. 어느 공급자가 모델을 제공하는가. 어느 데이터센터에서 inference가 실행되는가. 누가 GPU를 소유하는가. 어떤 법권역이 적용되는가. 코드가 학습 데이터로 들어가는가. 로그는 얼마나 오래 남는가. 좌석과 API key를 어떻게 회수하는가. 직원이 퇴사하면 agent session과 token은 어떻게 정리되는가. 보안 사고가 나면 어느 계약과 법률이 움직이는가.

Berget Code의 메시지는 이 질문을 한 문장으로 압축합니다. "코딩 에이전트도 데이터 주권의 대상입니다." 이 말이 모든 팀에게 같은 무게로 다가오지는 않을 것입니다. 빠른 스타트업은 여전히 가장 강한 모델과 가장 편한 도구를 고를 가능성이 큽니다. 공개 저장소 중심의 개인 개발자는 월 150유로보다 저렴한 선택지를 찾을 것입니다. 반대로 공공, 금융, 의료, 방산, 산업 소프트웨어, 데이터 민감도가 높은 SaaS 팀은 더 복잡한 계산을 하게 됩니다.

그 계산에서 Berget Code 같은 제품이 성공하려면 두 가지를 동시에 증명해야 합니다. 하나는 법무·보안·조달팀이 이해할 수 있는 통제력입니다. 다른 하나는 개발자가 매일 쓰고 싶을 만큼의 속도와 정확도입니다. 앞쪽만 있으면 비싼 컴플라이언스 체크박스가 되고, 뒤쪽만 있으면 미국 대형 도구와 정면 승부해야 합니다. Berget이 찾는 틈은 그 사이입니다.

지금까지 AI 코딩 도구의 헤드라인은 "코드를 더 빨리 쓴다"였습니다. 2026년에는 그 문장이 더 복잡해지고 있습니다. 코드를 더 빨리 쓰되, 어느 인프라에서 쓰는가. 더 많은 context를 읽되, 그 context는 어디에 남는가. 에이전트가 더 많은 명령을 실행하되, 누가 그 권한과 비용을 통제하는가. Berget Code는 이 질문을 유럽식으로 밀어붙인 초기 사례입니다. 성공 여부와 별개로, AI 코딩 시장이 더 이상 기능 데모만으로 설명되지 않는다는 사실은 분명해졌습니다.