2026년 7월 2일 목요일

생각정리 298 (* 전력기기, 전력수요)

이제 본격 여름 냉방수요가 시작되는 시즌이다.

올해는 특히 슈퍼엘니뇨가 시작되는 해로서 좀 더 냉방수요로 인한 전력피크 수요를 지켜볼 필요가 있다.
마침 전력기기 산업에 주목할점이 있어 관련 리서치 자료를 기록으로 남겨본다.

유가가 내려가도 전력기기 사이클이 꺾이기 어려운 이유


1. 전력시장의 본질이 바뀌고 있다


연료비 사이클에서 전력망 병목 사이클로


최근 에너지 시장에서 가장 중요한 변화는 1차 에너지 가격과 전력가격의 디커플링이다. 과거에는 원유와 천연가스 가격이 내려가면 전력가격도 함께 안정될 것이라는 기대가 자연스러웠다. 그러나 지금의 전력시장은 연료비만으로 설명하기 어려워지고 있다. 전력은 단순히 연료를 태워 생산하는 상품이 아니라, 발전·송전·변전·배전·예비력·계통 접속·피크 수요가 동시에 가격을 결정하는 네트워크 상품으로 바뀌고 있다.




IEA, Data centre electricity use surged in 2025, even with tightening bottlenecks driving a scramble for solutions


전력가격은 원유, 천연가스, 석탄 같은 원재료 가격에만 연동되지 않는다. 발전 연료비는 중요한 변수지만, 전기는 발전소에서 생산된 뒤 송전망과 배전망을 거쳐 수요처까지 실시간으로 전달되어야 한다. 따라서 전력가격에는 발전 원가, 발전소 고정비, 송배전망 CAPEX 회수비, 유지보수비, 감가상각, 계통 운영비, 예비력 확보 비용, 송전 혼잡비용이 함께 반영된다. 여기에 도매 전력시장은 수요공급에 따라 마지막으로 필요한 한계발전기의 가격이 시장가격을 결정하는 구조를 갖는다.

PJM, Real-Time & Day-Ahead LMP Data Viewer

결국 유가나 가스 가격이 내려가도 전력가격이 반드시 내려가지는 않는다. AI 데이터센터와 반도체 팹이 특정 지역에 집중되고, 송전망과 변전소가 병목이 되면 전력가격은 연료비보다 계통 병목, 피크 수요, 송배전 투자비에 더 크게 영향을 받을 수 있다. 지금의 전력가격 상승 압력은 전통적인 연료비 사이클이라기보다 전력망 병목과 피크 수요가 만들어내는 인프라 비용 상승 사이클에 가깝다.

Monitoring Analytics, 2026 Quarterly State of the Market Report for PJM

2. 북미: AI 데이터센터가 전력수요 전망을 다시 쓰고 있다


2030년까지 미국 피크 수요 증가분 166GW


북미에서는 AI 데이터센터가 전력수요 전망 자체를 바꾸고 있다. Grid Strategies의 2025년 부하 성장 전망에 따르면 미국의 2030년까지 누적 피크 전력수요 증가 전망치는 166GW로 제시된다. 이는 2022년 당시의 평탄한 부하 전망과 비교하면 여섯 배 높은 수치다. 더 중요한 것은 이 중 약 90GW, 즉 55%가 데이터센터 수요에서 발생할 것으로 추정된다는 점이다. 미국 전력망은 더 이상 저성장 인프라가 아니라, AI 데이터센터와 제조업 리쇼어링이 동시에 올라타는 성장 인프라로 바뀌고 있다.

Grid Strategies, Power Demand Forecasts Revised Up Again in 2025

S&P Global 451 Research는 글로벌 데이터센터 전력수요가 2025년 860TWh에서 2030년 1,587TWh로 증가할 것으로 전망한다. 북미만 놓고 보면 같은 기간 386TWh에서 755TWh로 확대된다. 이는 2030년까지 북미 데이터센터 전력수요가 약 95.6% 증가한다는 의미다. 이 정도 규모라면 데이터센터는 단순한 IT 서비스업 전력 소비가 아니라, 전력망 위에 새로 올라오는 대형 산업 부하로 봐야 한다.

S&P Global, Global data center power demand expected to almost double by 2030

미국 내에서도 가장 상징적인 지역은 버지니아를 포함한 PJM Dominion 구역이다. EIA는 PJM의 2026년 장기부하 전망을 인용해, Dominion zone이 2026~2030년 사이 PJM 내에서 여름 피크 수요가 가장 크게 증가하는 지역이 될 것이라고 설명했다. 핵심 원인은 데이터센터 부하다. 버지니아는 세계 최대 데이터센터 밀집 지역 중 하나이고, AI 데이터센터가 집중될수록 발전량보다 특정 지역으로 전력을 보내는 송전망과 계통 접속 능력이 더 중요한 병목으로 떠오른다.

EIA, Commercial electricity sales have soared in Virginia, driven by data centers

PJM 시장에서는 이미 병목이 가격으로 나타나고 있다. Monitoring Analytics의 2026년 1분기 PJM 시장 보고서는 데이터센터 부하 증가가 최근 및 향후 용량시장 여건, 타이트한 수급 균형, 높은 가격의 핵심 원인이라고 설명한다. Dominion 구역 실시간 LMP가 단기간 급등하는 사례는 전력가격이 단순한 연료비 함수가 아니라, 지역별 수요 집중과 송전망 병목이 만드는 희소성 가격이라는 점을 보여준다.

Monitoring Analytics, 2026 Quarterly State of the Market Report for PJM


PJM, Real-Time & Day-Ahead LMP Data Viewer

AI 데이터센터의 또 다른 특징은 전력수요가 단순히 많아지는 데서 끝나지 않는다는 점이다. WSJ는 2026년 여름 미국 전력망 리스크를 다루며, 고온, AI 데이터센터, 가뭄이 동시에 전력망 부담을 키우고 있다고 보도했다. 특히 데이터센터가 전력망 이상을 감지하면 동시에 백업 전원으로 전환되며 전력망에서 갑자기 이탈할 수 있는데, 이는 전력망 운영자 입장에서는 수요가 갑자기 사라지는 충격으로 작용할 수 있다. AI 데이터센터는 수요 증가 요인이면서 동시에 전력망 변동성 요인이다.

WSJ, The ‘Five Alarm’ Risks Facing the Power Grid This Summer

https://www.wsj.com/business/energy-oil/the-five-alarm-risks-facing-the-power-grid-this-summer-3404b031





3. 유럽: 오메가 폭염과 냉방 수요가 새 피크 부하를 만든다


에어컨 없이 버티던 유럽의 전력수요 구조가 바뀌고 있다


유럽은 북미와 다른 방식으로 전력수요가 올라오고 있다. 핵심은 냉방 수요의 구조적 증가다. 유럽은 오랫동안 에어컨 없이도 생활 가능한 온대 지역이라는 인식이 강했지만, 최근 폭염은 이 가정을 흔들고 있다. 2026년 6월 서유럽 폭염은 오메가 블록 형태의 정체성 고기압이 열기를 장기간 가두면서 발생했고, 스페인과 프랑스는 7월 초 다시 42~44도 수준의 고온에 대비하고 있다.

The Guardian, Spain and France face more heat after scorching June caused 2,000 deaths

스페인 기상청 Aemet은 2026년 6월이 관측 사상 두 번째로 더운 6월이었다고 밝혔고, 스페인과 프랑스에서는 6월 폭염으로 2,000명 이상의 초과 사망이 발생한 것으로 집계됐다. 스페인은 고온 관련 초과 사망이 1,029명, 프랑스는 약 1,000명으로 보도됐다. 이는 단순한 기상 뉴스가 아니라, 유럽의 냉방 인프라 부족이 건강 리스크와 전력수요 리스크로 동시에 전환되고 있다는 신호다. 냉방장치가 충분히 보급되지 않은 지역에서 폭염이 반복되면, 에어컨 보급률 상승은 시간 문제에 가깝다.

The Guardian, Spain and France heatwave deaths

Le Monde, France releases first estimate of heatwave mortality as at-home deaths rise

WRI는 유럽의 냉방 수요 증가가 이미 전력시장에 부담을 주고 있다고 분석한다. 유럽의 많은 건물은 겨울철 열 보존에 맞춰 설계되어 있어 여름 폭염에는 취약하다. 폭염이 반복될수록 에어컨 보급률은 높아질 가능성이 크고, 이는 여름철 피크 전력수요를 구조적으로 밀어 올릴 수 있다. 따라서 유럽의 전력수요는 더 이상 겨울 난방 중심으로만 볼 수 없고, 앞으로는 여름 냉방 피크가 전력망 투자의 핵심 변수로 부상할 가능성이 크다.

WRI, Europe’s Soaring Heat and the Great Air Conditioning Dilemma

Euronews, How Europe’s growing need for cooling is reshaping electricity demand

유럽의 전력수요 증가 요인은 냉방만이 아니다. S&P Global 451 Research는 유럽 데이터센터 전력수요가 2025년 145TWh에서 2030년 238TWh로 증가할 것으로 전망한다. 증가율은 약 **64.1%**다. 결국 유럽은 여름 냉방 피크와 데이터센터 기저부하가 동시에 올라오는 지역으로 바뀌고 있다. 냉방은 피크 수요를 만들고, 데이터센터는 상시 부하를 만든다.

S&P Global, Global data center power demand expected to almost double by 2030

여기에 엘니뇨도 전력망 리스크를 더한다. NOAA는 2026년 6월 엘니뇨 조건이 형성됐고, 북반구 겨울까지 중간 또는 강한 수준으로 강화될 가능성이 있다고 밝혔다. 엘니뇨가 모든 지역에 같은 방향의 기상 충격을 주는 것은 아니지만, 이상고온, 가뭄, 수력발전 변동성, 냉방 수요 증가 가능성을 높이는 요인이다. 결국 기후 변동성이 커질수록 전력망은 평균 수요보다 피크 수요와 예비력 확보가 더 중요해진다.

NOAA, El Niño forms, expected to strengthen, say NOAA forecasters

NOAA Climate Prediction Center, ENSO Diagnostic Discussion




4. 아시아: AI 팹, 데이터센터, 냉방 수요가 동시에 올라온다


산업 전력과 생활 전력이 함께 증가하는 지역


아시아는 전력수요 증가 요인이 가장 복합적이다. 이 지역은 AI 반도체 제조, AI 데이터센터, 제조업 전기화, 냉방 수요가 동시에 올라오는 구간에 들어서고 있다. 중국, 인도, 동남아는 전력수요 증가의 절대 규모가 크고, 한국·대만·일본은 AI 반도체와 데이터센터 부하가 전력망에 집중되는 구조다. 즉 아시아 전력수요 증가는 단순한 경기 회복이 아니라, 첨단 제조업 전력과 생활 냉방 전력이 동시에 증가하는 구조적 수요로 봐야 한다.

IEA, Electricity 2026

IEA, Southeast Asia Energy Outlook 2026

5. 대만: AI 반도체 공급망의 전력 병목


단순 총수요 전망보다 AI 팹 부하를 따로 봐야 한다


대만은 아시아 전력수요 증가의 가장 선명한 사례다. 대만 경제부는 AI 데이터센터와 반도체 제조 확대를 이유로 2030년 대만 전체 전력소비가 2023년 대비 13% 증가할 것으로 전망했다. 그러나 이 수치만 보면 대만의 전력수요 압력이 과소평가될 수 있다. 대만은 단순한 일반 제조업 국가가 아니라, TSMC를 중심으로 한 글로벌 AI Chip Fab의 핵심 거점이다. AI 반도체 수요가 커질수록 대만 전력수요는 전체 경기 수요보다 훨씬 더 민감하게 반응할 수 있다.

Taiwan News, Taiwan projects higher power demand from AI data centers

Data Center Dynamics, TSMC could account for 24% of Taiwan’s electricity consumption by 2030

대만의 공식 총 전력수요 전망만 반영하면 2023년을 100으로 봤을 때 2030년은 113 수준이다. 그러나 AI 데이터센터, AI 컴퓨팅 시설, 반도체 팹 추가 전력 부하를 별도로 올리면 그림이 달라진다. 대만의 AI-adjusted base 시나리오에서는 2030년 총 전력수요가 2023년 대비 약 26.4% 증가하고, upside 시나리오에서는 약 35.0% 증가하는 것으로 보는 편이 합리적이다. 이는 공식 총수요 전망보다 훨씬 강한 전력수요 압력이다.

Taiwan News, Taiwan projects higher power demand from AI data centers

Taipower, Additional electricity consumption exceeds 5GW by 2030

대만의 핵심 병목은 발전량보다 고품질 전력, 계통 안정성, 산업단지 전력 공급, 변전 인프라다. 첨단 반도체 팹은 24시간 안정적인 전력 품질을 요구하고, 정전이나 전압 불안정은 생산 손실로 바로 연결된다. 여기에 AI 데이터센터가 추가되면 대만 전력망은 반도체 팹과 데이터센터라는 두 개의 고밀도 전력 수요를 동시에 감당해야 한다. 따라서 대만의 전력수요 증가는 단순한 총수요 증가가 아니라, AI 반도체 공급망의 계통 안정성 투자 사이클로 봐야 한다.

Data Center Dynamics, Data center power demand in Taiwan set to surge eightfold by 2030



6. 한국: AI 데이터센터와 반도체 팹이 전력수요 기준선을 다시 높인다


공식 전기본보다 AI 부하를 별도 레이어로 봐야 한다


한국은 앞으로 AI 데이터센터, HBM·DRAM·NAND 메모리 팹, 첨단 패키징, AI Factory가 동시에 올라오는 AI H/W 생산기지에 가까워진다. 따라서 한국 전력수요를 단순히 11차 전력수급기본계획의 완만한 총수요 증가 경로로만 보면 이번 변화의 강도를 과소평가할 수 있다. 11차 전기본에는 반도체와 데이터센터 수요가 일부 반영돼 있지만, 최근 발표된 3대 메가프로젝트는 그 가정보다 훨씬 큰 AI 전력수요를 새로 제시했다.

산업통상부, 제11차 전력수급기본계획 2024~2038 공고

특히 SK·GS·네이버가 추진하는 AIDC 계획은 한국 전력수요의 기준선을 다시 올리는 변수다. 보도에 따르면 1단계 AIDC 규모는 8.4GW, 이후 2035년까지는 18.4GW까지 확대될 수 있다. 여기에 LG유플러스 파주 AIDC, 호남 신규 메모리 팹, 용인·평택·청주·충청권 반도체 투자, 삼성·SK·현대차·네이버의 AI Factory와 GPU 클러스터까지 더하면 한국의 전력수요는 기존 산업용 전력수요의 연장선이 아니라, AI 인프라 중심의 신규 상시부하로 다시 봐야 한다.

Data Center Dynamics, South Korea announces $919bn investment into three mega projects, plans to build 18.4GW worth of data centers by 2035

AP News, South Korean tech giants to build a $518 billion chipmaking hub to serve soaring AI demand

세부 가정은 별도 글에서 다뤘기 때문에 여기서는 결론만 압축하면 된다. 이번 메가프로젝트가 현실화될 경우, 한국에는 2030년까지 기존 전기본 대비 약 8~15GW의 초과 피크 부담이 새로 붙을 가능성이 있다. 2035~2040년으로 시계를 넓히면 AI 데이터센터, 반도체 팹, AI Factory 관련 Gross 신규 부하는 35~45GW, 기준 시나리오로는 40GW 안팎까지 열어둘 필요가 있다. 기존 전기본에 일부 반영된 반도체·데이터센터 수요를 제외하더라도 Net 초과 부하는 25~35GW, 기준 30GW 안팎으로 추정된다.

머니투데이, ‘AI의 심장’ AIDC, 2035년까지 18.4GW급 확대

이 숫자가 중요한 이유는 단순하다. 1GW가 24시간 1년 내내 가동되면 연간 전력소비는 8.76TWh다. 따라서 40GW의 상시 부하는 이론상 연간 350TWh에 해당한다. 현실적인 부하율을 70~85%로 낮춰도 약 245~298TWh 수준이다. 이는 한국 전력수요가 과거처럼 완만히 증가하는 구조가 아니라, AI 데이터센터와 반도체 팹이라는 고부하·고신뢰도 산업이 전력수요 함수를 바꾸는 구조로 들어섰다는 의미다.

결국 한국의 핵심 병목은 “전기를 얼마나 만들 수 있는가”에서 “어디에, 언제, 어떤 품질의 전기를 안정적으로 보낼 수 있는가”로 이동한다. 11차 전기본의 2038년 목표수요 약 129GW를 기준선으로 놓더라도, 이번 메가프로젝트가 현실화되면 2040년 전후 한국 피크 전력수요는 155~165GW, 스트레스 시나리오에서는 170GW 근처까지 열어둘 필요가 있다. 이 과정에서 필요한 것은 단순 발전량 확대가 아니라 원전·LNG 복합화력·송전망·변전소·ESS·냉각·전력기자재가 동시에 필요한 복합 인프라 투자다.


7. 중국과 일본: 데이터센터와 첨단 제조가 전력수요를 밀어 올린다


중국은 데이터센터 용량의 절대 규모가 가장 크다


중국은 절대 규모 측면에서 가장 큰 전력수요 증가 시장이다. Rystad Energy는 중국의 데이터센터 용량이 2025년 말 32GW에서 2030년 60GW 이상으로 확대될 것으로 전망했다. 이 경우 데이터센터 전력소비는 2030년 289TWh에 이를 수 있다. AI와 HPC 시설 비중도 빠르게 올라가고 있어, 중국의 데이터센터 전력수요는 단순 인터넷 트래픽 증가가 아니라 AI 컴퓨트 인프라 확장에 따른 구조적 부하 증가로 보는 편이 맞다.

Rystad Energy, China’s data center capacity set to top 60 GW by 2030

일본은 미국이나 중국만큼 급격하지는 않지만, 데이터센터 전력수요가 전력시장 성장의 핵심 축으로 부상하고 있다. Wood Mackenzie는 일본 데이터센터 전력소비가 2024년 19TWh에서 2034년 57~66TWh로 세 배 이상 증가하고, 피크 수요는 2034년 6.6~7.7GW에 이를 것으로 전망했다. 2030년 기준으로 보간하면 일본 데이터센터 전력수요는 2024년 대비 약 100% 이상 증가하는 경로에 있다. 일본은 TSMC 구마모토, Rapidus 홋카이도, 키옥시아·소니 이미지센서 투자까지 고려하면, 반도체 제조와 데이터센터 전력수요가 함께 증가하는 구조로 들어서고 있다.

Wood Mackenzie, Japan data centers power demand








8. 인도와 동남아: 냉방 수요가 전력수요 곡선을 바꾼다


인도는 야간 냉방 수요가 전력망 리스크로 부상한다


인도는 냉방 수요가 전력수요 곡선을 바꾸는 대표 사례다. IEA에 따르면 인도 북서부와 중부 지역은 2026년 5월 중순 이후 40~47도, 일부 지역은 48도까지 치솟는 폭염을 겪었고, 2026년 5월 21일 인도 피크 전력수요는 270GW에 도달했다. 2019년 인도 피크 전력수요가 약 180GW였다는 점을 감안하면, 7년 만에 프랑스 전체 피크 전력수요보다 큰 규모의 추가 부하가 발생한 셈이다.

IEA, India’s electricity demand grows at night: Managing rising cooling demand

더 중요한 것은 인도의 전력수요가 낮 시간대 피크에서 야간 냉방 피크로 이동하고 있다는 점이다. 태양광은 낮 시간대 공급에는 도움을 주지만, 해가 진 이후 냉방 수요가 높아지는 시간에는 직접 대응하기 어렵다. IEA는 인도에서 야간 냉방 수요가 빠르게 증가하고 있으며, 이는 발전설비뿐 아니라 저장장치, 송배전망, 예비력 확보 문제로 연결된다고 지적한다. 인도 전력망의 핵심 리스크는 전력량 부족이 아니라, 냉방 수요가 몰리는 시간대의 유연성 부족이다.

IEA, Managing rising cooling demand in India

IEA, Hourly electricity demand in India in mid-May 2026

동남아는 AI 데이터센터보다 먼저 냉방 수요와 산업화가 전력수요를 밀어 올리고 있다. IEA의 Southeast Asia Energy Outlook 2026은 동남아에서 건물 부문 전력수요 증가가 에어컨과 가전 보급률 상승에 의해 주도되고 있다고 설명한다. 현재 정책 기준 시나리오에서 동남아의 에어컨 재고는 소득 상승, 도시화, 기온 상승으로 2035년까지 세 배 증가할 것으로 전망된다. 동남아의 전력수요 증가는 단순한 신흥국 성장 스토리가 아니라, 냉방·산업·데이터센터가 결합되는 전력 인프라 투자 사이클이다.

IEA, Southeast Asia Energy Outlook 2026: Energy outlook to 2050 based on today’s policy settings

동남아의 전력수요 증가는 발전설비만으로 해결될 문제가 아니다. 냉방 수요는 특정 시간대에 집중되기 때문에 피크 부하를 키우고, 산업화와 데이터센터 수요는 특정 지역에 대규모 전력 부하를 만든다. 결국 동남아에서도 필요한 것은 발전량 확대뿐 아니라 송배전망 보강, 변압기 증설, 수요반응, 저장장치, 전력 제어 시스템이다.

IEA, Southeast Asia Energy Outlook 2026: Energy in Southeast Asia




9. 전력기기 사이클의 본질


발전보다 중요한 것은 전기를 보내는 능력이다


이 모든 지역별 흐름을 종합하면 결론은 분명하다. 북미는 AI 데이터센터가 피크 수요 전망을 빠르게 끌어올리고 있고, 유럽은 폭염과 냉방 수요가 새로운 피크 부하를 만들고 있다. 대만은 AI Chip Fab의 핵심 거점으로, 공식 총수요 전망보다 AI 팹과 데이터센터 부하를 별도로 얹어서 봐야 한다. 한국은 3대 메가프로젝트 이후 AI 데이터센터, 반도체 팹, AI Factory가 동시에 붙는 구조로 바뀌며, 2035~2040년 기준 Gross 신규 부하 35~45GW, 기준 40GW 안팎까지 열어둬야 한다. 중국은 데이터센터 용량의 절대 규모가 빠르게 커지고 있고, 일본은 데이터센터와 반도체 제조가 동시에 올라오는 구조로 바뀌고 있다. 인도와 동남아는 소득 상승과 폭염이 냉방 수요를 폭발시키는 구간에 들어섰다. 전력수요 증가는 더 이상 특정 국가의 문제가 아니라, 북미·유럽·아시아에서 동시에 발생하는 글로벌 동시성 사이클이다.

IEA, Energy demand from AI

S&P Global, Global data center power demand expected to almost double by 2030









따라서 전력기기와 전력망 투자 사이클은 유가나 천연가스 가격만 보고 판단하기 어렵다. 유가가 내려가도 데이터센터는 전기를 더 요구하고, 가스 가격이 안정되어도 송전망이 막히면 전력가격은 급등할 수 있다. 폭염이 반복되면 냉방 수요는 늘고, AI 반도체 팹이 늘어나면 고품질 전력과 안정적인 계통 접속 수요도 증가한다. 이 구간에서는 변압기, 스위치기어, GIS, 전력케이블, HVDC, 전력 제어 시스템, 냉각설비, 가스터빈 수요가 쉽게 꺾이기 어렵다. 전력기기 슈퍼사이클은 연료비 사이클이 아니라 전력망 병목 사이클이다.

Concentrated siting of AI data centers drives regional power-system stress under rising global compute demand

앞으로 전력시장에서 핵심 질문은 “전기를 얼마나 싸게 만들 수 있는가”가 아니라, 필요한 시간과 필요한 장소에 전기를 안정적으로 보낼 수 있는가가 될 가능성이 높다. AI 데이터센터는 특정 지역에 집중되고, 반도체 팹은 대규모 전력을 장기간 고품질로 요구하며, 냉방 수요는 폭염기에 피크 부하를 만든다. 평균 전력수요보다 피크 전력수요가 중요해지고, 발전량보다 계통 접속 능력이 중요해지는 국면이다. 그래서 전력기기와 전력망 투자는 단순한 경기 사이클이 아니라, AI와 기후변화가 동시에 만들어내는 장기 인프라 사이클로 봐야 한다.

Electricity Demand and Grid Impacts of AI Data Centers: Challenges and Prospects

결론


유가는 내려갈 수 있지만, 전력망 병목은 쉽게 내려가지 않는다


결국 지금의 전력산업 호황은 원유·가스 가격 상승에 기댄 전통적인 에너지 사이클이 아니다. 북미의 AI 데이터센터, 유럽의 냉방 피크, 한국·대만의 AI Factory와 AI Chip Fab, 중국·일본의 데이터센터, 인도·동남아의 냉방 수요가 동시에 전력망을 두드리는 구조적 사이클이다. 전력은 점점 더 많이 필요해지고 있고, 더 중요한 것은 필요한 전력이 특정 시간과 특정 지역에 집중되고 있다는 점이다.

유가는 내려갈 수 있다. 천연가스 가격도 안정될 수 있다. 그러나 전력망 병목은 그렇게 쉽게 내려가지 않는다. 변압기, 송전망, 배전망, 스위치기어, 전력케이블, 냉각설비, 가스터빈, 계통 제어 시스템이 충분히 깔리기 전까지 전력기기 사이클은 쉽게 끝나기 어렵다.

전력기기 슈퍼사이클의 본질은 에너지 가격이 아니라 전력수요의 질적 변화다. AI는 새로운 기저부하를 만들고, 폭염은 새로운 피크 부하를 만들며, 반도체 팹은 고품질 전력 수요를 만든다. 특히 한국과 대만은 단순한 전력 소비국이 아니라, AI 반도체 공급망의 핵심 생산기지다. 그래서 이 두 국가의 전력수요는 공식 총수요 전망보다 AI 팹과 AI 데이터센터 부하를 별도로 얹어서 봐야 한다.

한국의 경우 이 변화는 더 직접적이다. 3대 메가프로젝트가 현실화될 경우 2035~2040년 기준 한국에는 Gross 신규 부하 35~45GW, 기준 40GW 안팎이 붙을 수 있다. 기존 전기본에 이미 반영된 수요를 차감하더라도 Net 초과 부하는 25~35GW, 기준 30GW 안팎이다. 이는 2040년 한국 피크 전력수요를 155~165GW, 스트레스 시나리오에서는 170GW 근처까지 밀어 올릴 수 있는 규모다.

결론적으로 지금의 전력산업은 단순한 유틸리티 사이클이 아니다. AI 시대의 핵심 인프라 투자 사이클이다. 전력기기, 송전망, 변전소, 전력케이블, 냉각설비, 가스터빈, 계통 제어 시스템은 앞으로 AI Factory와 AI Data Center가 실제로 돌아가기 위한 물리적 기반이 된다. 그래서 전력기기 사이클은 유가 하락만으로 쉽게 꺾이기 어렵다. 

https://fred.stlouisfed.org/series/PCU335311335311P

#글을 마치며



https://news.nate.com/view/20260702n04909
말이 좋아 풍력발전이지 도대체 바람개비로 뭘 하겠다는건지.. 


글로벌 전력수요와 전력기기 수요가 이렇게까지 올라오는 국면에서, 여전히 풍력과 해저케이블, 장거리 송전, 변전소, ESS를 조합하면 AI 데이터센터와 반도체 팹의 상시 전력수요를 충분히 감당할 수 있다는 식의 주장은 현실감이 떨어진다.

바람이 피크 수요 시간에 맞춰 불어주는 것도 아니고, 변동성을 보정하려면 결국 송전망·변전망·ESS·백업 전원에 천문학적 비용을 다시 투입해야 한다. 그 과정에서 전력 효율은 떨어지고, 계통 비용은 올라가며, 최종 부담은 산업용 전기요금과 소비자 요금으로 전가될 가능성이 높다.

결국 문제는 친환경이라는 구호가 아니라, AI 데이터센터와 반도체 팹이 요구하는 전력의 규모·품질·안정성을 감당할 수 있는 현실적인 전원 믹스와 계통 투자를 제시할 수 있느냐이다.


이 질문에 답하지 못한 채 재생에너지 확대만 반복하는 것은 에너지 전환이 아니라, 전력 병목을 이념으로 덮는 일에 가깝다.

그리고 만약 이념도 아니라면 더 불편한 질문이 남는다. 과연 이 정책 방향이 국가 전력계통의 효율성과 산업 경쟁력을 위한 선택인지, 아니면 특정 지역·사업자·토지·인프라 이해관계와 맞물린 선택인지 따져봐야 한다.

이권다툼도 아니라면 진짜 바람개비 몇개로 AI D/C, Chip fab을 돌릴 수 있다고 믿는걸지도..

바람개비로 chip fab 돌릴 수 있다고 진짜 믿는거면 
왜 아주 AI D/C도 선풍기로 돌려본다고 해보지 


생각정리 91 (* 병림픽2)


=끝

작성자: 시간: 댓글 없음:

생각정리 297 (* 메모리 수급)

아침에 침대에서 눈을 뜨자마자 확인하는건 전날 미장, AI 포지션이다.

전날 미장 주가가 하락하면 왠지 모르게 출근길이 무겁고,
전날 미장 주가가 좋으면 왠지 모르게 출근길이 가볍다.

오늘은 출근길이 유독 무겁다..

메모리 투매를 공급과잉의 시작으로 보기 어려운 이유


Meta가 초과 AI 컴퓨트를 외부에 판매하는 클라우드 사업을 검토한다는 보도는 시장에 두 가지 의심을 던졌다. 하나는 AI 컴퓨트가 이미 과잉 구축되고 있는 것 아니냐는 의심이고, 다른 하나는 빅테크의 AI Capex가 결국 수익화되지 못한 채 비용 부담으로 돌아오는 것 아니냐는 우려다.

그러나 이번 이벤트를 그렇게만 해석하면 핵심을 놓치기 쉽다. Meta의 행보는 AI 컴퓨트 과잉의 신호라기보다, 확보된 AI 인프라가 비용 센터에서 수익화 가능한 자산으로 바뀌는 과정에 가깝다. 내부에서 쓰면 광고 효율과 모델 성능을 높이고, 외부에 팔면 GPU-hour와 모델 호스팅 매출이 된다.

즉, 이미 전력·GPU·데이터센터·네트워크를 확보한 기업은 이제 그 자산을 내부 ROIC와 외부 매출 사이에서 동적으로 배분할 수 있는 위치에 들어서고 있다. (Data Center Dynamics)

메타발 AI H/W섹터 급락은 이미 이틀전에 다 시장에 반영되어 마무리된 상황이고, 어제의 추가적인 AI H/W 하락 국면의 핵심은 AI Capex가 수익화 국면으로 들어가는 과정에서, 메모리 공급 증가가 수요 증가를 앞지를 수 있느냐이지 않을까 했다.

내 결론은 아직 그렇지 않다는 쪽이다. 시장은 2028년 이후의 증설을 알고 있다. 삼성 P5, SK하이닉스 용인, Micron Idaho, Micron New York, 한국 서남권 팹까지 모두 공급 증가 요인이다.

그러나 시장이 과소평가하는 부분은 수요다. AI 메모리 수요는 HBM 하나로 끝나지 않는다. HBM, CPU-attached DRAM, SoCAMM/LPDDR, enterprise SSD가 함께 커지는 구조다. 이 점이 과거 메모리 사이클과 이번 사이클을 가르는 가장 중요한 차이다.

1. 이번 사이클의 핵심은 HBM만이 아니다


AI 데이터센터가 요구하는 메모리는 GPU 옆의 HBM만이 아니다. 랙 단위로 보면 GPU-attached HBM, CPU-attached DDR5, LPDDR 기반 모듈, SoCAMM, 네트워킹 버퍼, 고성능 SSD가 동시에 필요해진다. 그래서 이번 사이클은 단순히 “HBM이 부족하다”가 아니라, AI 랙 하나가 요구하는 전체 메모리 밀도가 구조적으로 상승하는 사이클이다.

기존 DRAM 수요 분석에서 2025년 전체 DRAM 수요를 100으로 두면, 2030년 총수요는 베이스케이스 기준 252까지 확대될 수 있다. 이 안에는 Legacy DRAM 116, AI HBM 56, AI CPU-attached DRAM 34, AI SoCAMM/LPDDR 46이 포함된다. 즉, 2030년 기준 AI 관련 DRAM 수요만 136으로, 2025년 전체 DRAM 시장의 1.36배에 해당한다. (uiyeonassociation.blogspot.com)




이 구조에서는 HBM 증설이 범용 DRAM 공급 완화로 바로 이어지지 않는다. 오히려 HBM은 더 큰 die area, TSV, 적층, 패키징 리소스를 요구하기 때문에 같은 wafer에서 범용 DRAM 공급을 잠식한다. TrendForce도 상위 3사의 DRAM wafer input 중 HBM 비중이 2025년 말 18%, 2026년 22%, 2027년 30%까지 올라갈 것으로 보면서도, HBM bit supply 비중은 각각 8%, 9%, 13%에 그칠 것으로 추정했다. (TrendForce)

https://www.trendforce.com/presscenter/news/20260602-13074.html


이 한 줄이 이번 사이클을 설명한다. HBM은 공급이 늘어날수록 AI GPU 병목은 완화하지만, 동시에 범용 DRAM 공급을 잠식한다. 그래서 HBM 증설은 DRAM 업황에 일방적인 공급 부담이 아니라, 수급을 더 복잡하게 만드는 변수다.

2. 공급은 2028년부터 늘지만, 수요도 같은 시점에 더 빨라진다


공급 측면에서 보면 2026~2027년은 여전히 제한적이다. 삼성 P4, SK하이닉스 M15X, Micron HBM packaging은 분명히 공급 증가 요인이다. 그러나 이들은 대규모 greenfield가 시장 공급을 단번에 늘리는 이벤트가 아니라, HBM·첨단 DRAM 중심의 부분 증설과 패키징 병목 완화에 가깝다. 기존 공급 일정 정리에서도 메모리 공급 병목이 실질적으로 풀리는 첫 구간은 2027년 하반기~2028년으로 봤다.

본격적인 공급 증가는 2028년부터다. 삼성 P5, SK하이닉스 용인, Micron Idaho가 순차적으로 붙는다. 2030년 전후에는 Micron New York 초기 물량과 SK하이닉스 용인 Phase 2~6 클린룸 효과가 더해진다.

한국 서남권 팹 4기는 아직 회사별 착공·장비반입·양산 시점이 구체화되지 않았기 때문에, 2030년 이전 공급이 아니라 2033~2035년 이후의 2차 공급 옵션으로 보는 것이 맞다.

정리하면 DRAM/HBM 공급 index는 다음과 같이 볼 수 있다.

(정부정책 발표 및 각 사 생산 목표치를 참고해서 최상의 bull case 반영)
  


공급만 보면 2028년 이후 부담스러워 보인다. 2025년 100에서 2035년 420까지 올라가는 구조이기 때문이다. 그러나 수요를 같이 놓으면 결론은 달라진다.

3. DRAM/HBM 수급은 2031년까지도 쉽게 풀리지 않는다


아래는 DRAM/HBM 수요와 공급을 함께 놓은 표다. 수요는 기존 DRAM 수요 모델의 2030년 베이스케이스 252를 기준으로 하고, 2031~2035년은 AI inference, agentic workload, 고밀도 랙, CPU-attached DRAM, SoCAMM/LPDDR 확대를 반영해 연장했다.


이 표의 의미는 명확하다. 공급은 2028년부터 빨라지지만, 수요 증가가 같은 시점에 더 커진다. 2027~2029년의 supply/demand ratio는 85~87% 수준에 머문다. 이는 신규 공급이 보이기 시작해도 실제 시장은 여전히 부족할 가능성이크다는  뜻이다.

2030~2035년에는 수급이 균형에 접근한다. 그러나 공급과잉으로 넘어가는 그림은 아니다. 2035년에도 supply/demand ratio는 95% 수준이다. 이는 가격이 계속 급등한다는 의미는 아니지만, 적어도 과거 다운사이클처럼 신규 공급이 가격을 무너뜨리는 구조와는 거리가 있다.

여기서 가장 중요한 변수는 HBM이다. HBM은 단순 bit supply보다 실제 출하 가능한 Shippable Supply가 중요하다. 기존 HBM 병목 분석에서는 2026~2030년 HBM Shippable Supply를 0.54EB, 1.11EB, 1.63EB, 2.16EB, 2.55EB로 봤다. Visible Supply가 늘어도 적층 수율, 패키징, 고객 인증, 세대 전환 과정에서 실제 출하 가능 물량은 더 작아질 수밖에 없다. (uiyeonassociation.blogspot.com)

https://uiyeonassociation.blogspot.com/2026/03/214-hbm-bottleneck-era.html


https://uiyeonassociation.blogspot.com/2026/03/214-hbm-bottleneck-era.html

https://uiyeonassociation.blogspot.com/2026/03/214-hbm-bottleneck-era.html


HBM만 따로 보면 수급은 더 타이트하다.



결국 HBM은 2035년까지도 가장 타이트한 병목으로 남을 가능성이 높다. 가격이 중간중간 조정될 수는 있겠지만, 구조적으로는 장기계약, 고객별 allocation, 세대별 qualification, 패키징 capacity가 가격을 결정하는 시장에 가깝다.

4. NAND는 HBM보다 완만하지만, 과잉으로 보기 어렵다


NAND는 HBM만큼 극단적인 병목은 아니다. 그러나 NAND 역시 과거처럼 consumer SSD와 스마트폰 수요만으로 설명하기 어려워졌다. AI 데이터센터는 학습 데이터셋, checkpoint, vector DB, inference log, multimodal archive, enterprise AI storage를 요구한다. 연산 수요가 커질수록 저장 수요도 같이 커진다.

공급 측면에서 NAND는 삼성전자, SK하이닉스, Micron뿐 아니라 키옥시아와 샌디스크를 함께 봐야 한다. 키옥시아는 2026년 NAND 시장이 타이트하게 유지될 것으로 보고, 2026년 NAND bit growth를 high-teens로 전망했다. 또한 2026년 NAND 생산능력이 이미 sold out 상태라고 확인했다. (TrendForce)

샌디스크도 향후 수년간 mid-to-high teens 수준의 bit growth를 유지하겠다고 밝혔다. 다만 중요한 것은 bit growth 자체보다 공급 태도다. 샌디스크는 수요가 확인되지 않으면 capex를 무리하게 늘리지 않겠다는 공급 discipline을 유지하고 있다. (The Motley Fool)

NAND 수급은 아래처럼 보는 편이 적절하다.


NAND는 DRAM/HBM보다 수급이 완만하다. 공급도 매년 늘고, 수요도 매년 늘어난다. 그러나 supply/demand ratio가 2035년까지 92~96% 범위에 머문다면, 공급과잉이라고 부르기는 어렵다. 오히려 NAND는 AI storage 수요가 얼마나 구조적으로 자리 잡느냐가 가격 레벨을 결정하는 시장으로 바뀌고 있다.

5. 이번 투매는 무엇을 잘못 가격에 반영했나


이번 메모리 급락은 공급 증가에 대한 공포가 과도하게 앞서간 반응으로 보인다. 물론 공급은 늘어난다. 2028년 이후 삼성 P5, SK 용인, Micron Idaho, Micron New York이 붙고, 2030년대 중반에는 한국 서남권 팹까지 공급 옵션이 된다. 이 부분은 부정할 수 없다.

그러나 문제는 공급 증가 자체가 아니다. 그 공급을 흡수할 수요의 크기와 질이 과거와 달라졌다는 점이다.

과거 메모리 사이클에서는 신규 팹 증설이 보이면 1~2년 뒤 공급과잉을 우려하는 것이 자연스러웠다. PC와 스마트폰 중심의 수요는 경기와 재고에 민감했고, 공급이 조금만 앞서도 가격은 빠르게 무너졌다. 그러나 이번 수요는 AI 데이터센터 중심이다. AI 랙은 GPU만 요구하지 않는다. HBM, host DRAM, SoCAMM, LPDDR, enterprise SSD를 동시에 요구한다.

특히 HBM은 공급을 늘리기 위해 더 많은 wafer input을 요구하면서도 bit supply로 전환되는 효율은 낮다. 이 때문에 HBM 증설은 일반적인 commodity 공급 증가와 다르다. HBM은 공급 증가 요인이면서 동시에 범용 DRAM 공급 잠식 요인이다.

이 구조에서는 2028년 이후 공급 증가가 가격 붕괴로 바로 이어지기 어렵다. 오히려 2028~2031년은 공급 증가와 AI 수요 증가가 정면으로 충돌하는 구간이다. 수요가 계속 유지된다면 이 구간은 다운사이클의 시작이 아니라, 메모리 업체들의 높은 이익 체력이 검증되는 구간이 될 가능성이 높다.

6. 결론: 지금은 공포로 팔 구간보다 매수기회에 가깝다


이번 메모리 투매를 공급과잉 사이클의 시작으로 보기에는 아직 근거가 부족하다. Meta의 클라우드 사업 검토는 AI 컴퓨트 과잉의 증거라기보다, AI Capex가 현금화 가능한 인프라 자산으로 바뀌고 있다는 신호에 가깝다. 그리고 이 인프라가 실제로 돌아가기 위해서는 GPU뿐 아니라 HBM, DRAM, NAND and HDD가 모두 필요하다.


moomoo

수급 모델상으로도 결론은 명확하다.

2026~2027년은 공급 부족 구간이다.
HBM 전환은 범용 DRAM을 잠식하고, NAND도 sold-out에 가까운 타이트한 구조가 이어진다.

2028~2031년은 공급 증가가 본격화되지만, 수요도 동시에 커지는 구간이다.
삼성 P5, SK 용인, Micron Idaho/New York이 붙지만, AI 랙 수요와 HBM·host memory 수요가 이를 상당 부분 흡수할 가능성이 높다.

2032~2035년은 균형에 접근하지만, HBM은 여전히 부족하다.
DRAM 전체는 균형에 가까워질 수 있어도, HBM은 Shippable Supply 기준으로 여전히 타이트하다. NAND도 AI storage 수요가 유지되면 완만한 부족 상태를 이어갈 수 있다.

따라서 지금의 메모리 급락은 공포로 팔아야 할 신호라기보다, AI Capex 현금화와 메모리 구조적 수요 증가를 다시 확인하며 매수기회로 삼을 만한 구간으로 보인다.

물론 리스크는 있다. AI Capex가 2028년 이전에 둔화되거나, AI 랙 증설 속도가 전력·냉각·수익성 문제로 꺾인다면 2029년 이후 공급 증가가 가격 압박으로 바뀔 수 있다. 그러나 현재 수급 모델만 놓고 보면, 아직 그 리스크가 현실화됐다고 보기는 어렵다.

이번 투매를 매수기회로 활용하는게 맞지않을까 한다.


 토큰 총 소비액 전월 대비 70% 증가, 전년 대비 16배 급증
미국 기반 모델의 가중평균가격(VWAP) 전월 대비 27% 상승, 전년 대비 77% 급등
JPM

GPU Rental 가격의 전 방위적 상승세
JPM

6월 AI Adoption tracker : 도입 가속화
GS

주춤했던 메모리 가격 다시 추가 상승기조 
MS  

https://www.reuters.com/business/energy/grid-operator-pjm-orders-emergency-steps-avoid-large-scale-us-power-outages-2026-07-02/


도대체 어디서 AI Capex Peak signal을 볼 수 있는거지..?

=끝. 

작성자: 시간: 댓글 없음:

2026년 7월 1일 수요일

생각정리 296 (* 구태 정치)

충청권 첨단산업 국민보고회를 듣다가 '구태 정치' 라는 단어를 듣자마자 문뜩 소름끼쳤던 여러 사례들이 생각나 관련 내용을 글로 남겨본다. 


https://www.youtube.com/watch?v=fsV_MCUZXnk


[그래픽] 충청권 첨단산업 투자계획 | 연합뉴스


3대 메가 프로젝트, 구태정치의 병목을 넘어설 수 있을까


명분은 크다. 그러나 현실은 더 복잡하다


정부가 추진하는 3대 메가 프로젝트의 명분은 분명하다. 지역균형발전, 첨단산업 육성, AI 데이터센터와 반도체 클러스터 구축, 전력·용수·물류 인프라 확충은 국가적으로 필요한 과제다. 수도권에 집중된 산업 기반을 호남·충청 등 서남권으로 확장하고, 민간 대기업의 대규모 투자를 유도하겠다는 방향 자체는 충분히 이해할 수 있다.

그러나 대형 국책사업은 발표 순간보다 실제 집행 과정에서 더 많은 문제가 드러난다. 토지를 어디에 배치할 것인지, 인허가는 누가 쥐고 있는지, 환경·교통·재해영향평가는 어떤 업체가 맡는지, 산단 조성 하도급은 누구에게 돌아가는지, 전력과 용수 인프라는 어느 지역에 먼저 배정되는지에 따라 수많은 이해관계가 갈린다.

그래서 이번 프로젝트를 단순히 투자 규모와 정책 명분만으로 바라보기는 어렵다. 핵심 질문은 따로 있다. 현 정권은 과연 구태정치, 지역 이권, 행정력 부패라는 오래된 병목을 해소하고 3대 메가 프로젝트를 계획대로 빠르게 추진할 수 있을까.

첫 번째 병목: 환경평가와 인허가 권한


예전 PO*** 임원분께 들었던 사례가 오래 기억에 남아 있다. 지방에서 사업을 추진하던 중 환경평가 승인이 필요한 단계가 있었는데, 담당 지방직 공무원이 사실상 특정 감리 회사를 지정했다는 이야기였다. 해당 회사를 통해 감리를 받아야 절차가 원활히 진행되고, 그 과정에서 후한 평가를 조건으로 별도의 금전 요구가 있었다고 한다.

문제는 요구에 응하지 않았을 때였다. 환경평가는 겉으로는 제도와 기준이 존재하지만, 실제 현장에서는 보완 요구, 추가 조사, 재검토, 협의 지연이라는 방식으로 얼마든지 사업을 늦출 수 있다. 대규모 개발사업에서 시간은 곧 비용이다. 인허가가 지연될수록 금융비용은 누적되고, 사업성은 훼손되며, 결국 프로젝트 자체가 무산될 수도 있다.

이런 이야기는 한두 번 들은 것이 아니다. 여러 기업 탐방과 주변 지인들의 경험담을 통해, 중앙 행정력이 촘촘히 닿지 않는 지방일수록 특정 인허가와 지역 이권이 소수의 행정 담당자나 지역 네트워크에 집중되는 사례를 반복적으로 접해왔다. 모든 지방 행정을 일반화할 수는 없지만, 대형 개발사업에서 인허가 권한이 이권화될 수 있다는 의심은 결코 가볍게 넘길 문제가 아니다.

(특히 환경평가부분에서 인허가권은 거의 무적인듯)

두 번째 병목: 토지 선점과 정보 접근권


대규모 프로젝트에서 가장 먼저 움직이는 것은 언제나 토지다. 산업단지, 데이터센터, 반도체 패키징 공장, 변전소, 송전선로, 공업용수관로, 폐수처리장, 진입도로가 들어설 후보지는 공식 발표 전부터 극소수 관계자들이 먼저 알 가능성이 있다.

이 정보가 특정 지역 네트워크, 차명 법인, 가족, 지인, 시행사, 토지 브로커에게 흘러가면 구조는 단순해진다. 정보에 먼저 접근한 사람은 땅을 사고, 뒤늦게 공공부문과 사업주체는 그 땅을 더 비싼 가격에 사들이게 된다. 지역균형발전이라는 명분 아래 시작된 사업이 실제로는 일부 정보 접근자의 사적 차익 실현 수단으로 변질될 수 있는 것이다.

이 문제는 본사업보다 주변부에서 더 자주 발생한다. 공장 자체보다 진입도로, 배후 주거지, 용수관로, 송전망, 물류단지, 폐수처리시설 주변 토지가 더 민감할 수 있다. 핵심은 공장 부지가 아니라, 공장이 들어오기 위해 반드시 필요한 병목 부지다.

세 번째 병목: 알박기와 소수 지분자의 협상력


부동산 개발 시장에서 가장 전형적인 병목은 holdout problem, 즉 소수 지분자가 전체 프로젝트의 시간가치를 인질로 잡는 구조다. 표현은 알박기, 지분쪼개기, 동의율 장사, 보상가 프리미엄, 민원 지연 등으로 다르게 나타나지만 본질은 같다.

토지 자체의 가치보다 사업을 지연시킬 수 있는 권리의 가치가 더 커지는 순간, 소수 권리자는 전체 사업의 금융비용을 협상력으로 전환할 수 있다. 시행사와 건설사는 PF 이자, 브릿지론 만기, 공사비 상승, 인허가 재신청, 분양 일정 지연을 매일 부담한다. 시간이 흐를수록 손실이 커지기 때문에 결국 정상 시세보다 높은 가격을 주고라도 병목 부지를 매입하려는 유인이 생긴다.

이 구조는 산업단지와 인프라 프로젝트에서도 그대로 반복될 수 있다. 변전소 부지, 송전선로 경유지, 용수관로 통과지, 폐수처리장 예정지, 도로 연결부 중 어느 하나라도 막히면 전체 일정이 흔들린다. 소수 지분자가 전체 프로젝트의 시간을 가격화하는 구조가 만들어지는 순간, 공공성과 민간투자의 명분은 뒤로 밀리고 협상력 싸움이 전면에 등장한다.

https://www.khan.co.kr/article/202312221124001

네 번째 병목: 도심 재개발 비용 상승과 금융비용의 누적


서울 도심 재개발·재건축의 분양가 상승도 같은 구조로 이해할 수 있다. 이를 단순히 공사비 상승 때문으로만 설명하기에는 부족하다. 물론 최근 공사비가 크게 오른 것은 사실이지만, 전체 분양가를 분해해보면 순수 공사비가 차지하는 비중은 생각보다 절대적이지 않다. 오히려 도심 정비사업에서는 토지·권리 확보 지연, 인허가 지연, 금융비용 누적이 순수 공사비보다 더 큰 부담으로 작용한다.

서울 도심 재건축 기준으로 실제 분양가를 아주 러프하게 나눠보면 대략 다음과 같은 구성이 흔하다.

  • 택지·권리가(조합원 지분 포함): 45~55%

  • 순수 공사비(하드 코스트): 20~30%

  • 설계·인허가·분양·각종 공공기여: 10% 안팎

  • 금융비용 + 시행·시공 이익: 10~20%


결국 새 아파트 분양가의 상당 부분은 콘크리트와 철근 값이 아니라, 도심 토지의 권리값, 시간 지연 비용, 금융비용, 인허가·공공기여 비용으로 구성된다.

특히 도심 정비사업은 이해관계가 매우 복잡하다. 기존 토지주, 상가, 종교시설, 현금청산자, 세입자, 영업권자가 얽혀 있고, 일부 권리자가 버티거나 민원이 반복되거나 인허가가 지연되면 사업은 쉽게 멈춘다. 그 사이 브릿지론과 PF 이자는 계속 쌓이고, 착공 시점이 늦어질수록 공사비는 다시 재산정된다. 이 과정에서 조합원 분담금은 늘어나고, 결국 일반분양가도 함께 올라간다.

따라서 서울 도심 아파트 분양가가 천정부지로 오르는 이유는 단순히 건설사가 높은 마진을 요구하기 때문만은 아니다. 토지 확보 지연 → 인허가 지연 → 금융비용 누적 → 공사비 재산정 → 조합원 분담금 증가 → 일반분양가 상승이라는 연쇄 구조가 작동하기 때문이다. 시간이 길어질수록 모든 참여자의 비용은 늘어나지만, 역설적으로 병목 지점을 쥔 일부 이해관계자의 협상력은 더 강해진다.


다섯 번째 병목: 행정도시 주변의 접대 인프라


행정도시 주변에 유흥가와 접대 공간이 밀집해 있다는 사실도 곱씹어볼 필요가 있다. 행정권력이 모이는 곳에는 인허가, 개발계획, 예산 배정, 용역 발주, 하도급 배분에 대한 이해관계가 집중된다. 그러면 자연스럽게 비공식 접촉과 로비 수요도 따라붙는다.

물론 과천처럼 상대적으로 청정한 주거·교육 환경을 유지해온 예외도 있다. 다만 과천에 대해서도 주거·교육 인프라는 내부에 집중시키고, 생활환경에 악영향을 줄 수 있는 시설은 외곽으로 밀어냈다는 여러 속설이 존재한다. 확인된 제도사라기보다 지역사회에서 회자되는 이야기이지만, 이런 이야기가 반복된다는 사실 자체가 행정권력과 공간 배치에 대한 불신을 보여준다.

과천을 제외한 상당수 행정도시 주변에는 왜 유독 유흥가와 접대 공간이 많았을까. 단순한 우연이었을까, 아니면 행정권력과 인허가, 개발 이권, 로비 수요가 맞물린 결과였을까. 과거의 여러 사례를 떠올리다 보면, 행정도시 주변의 유흥가는 단순한 상권이 아니라 이권 쟁탈과 비공식 로비가 오가던 주변부 인프라였던 것은 아닌지 의심하게 된다.

여섯 번째 병목: 본사업보다 주변부에서 커지는 이권


대형 국책사업의 이권은 반드시 본사업에서만 발생하지 않는다. 오히려 실제로는 주변부에서 더 은밀하고 넓게 퍼질 가능성이 높다.

대표적인 영역은 토지 선점, 인허가 자문, 환경·교통·재해영향평가 용역, 산단 조성 하도급, 보상비 산정, 전력·용수 인프라 배정이다. 공장 하나를 짓기 위해서는 도로, 변전소, 송전선로, 공업용수, 폐수처리장, 물류시설, 배후 주거지, 환경평가가 따라붙는다. 그리고 이 각각의 절차가 새로운 이권의 접점이 된다.

기업 입장에서는 본업 투자를 빠르게 진행하고 싶어도, 지역 행정과 인허가, 토지 보상, 민원, 용역 구조에 발목이 잡힐 수 있다. 정부가 아무리 큰 그림을 제시해도 현장에서 절차를 쥔 사람이 시간을 지연시키면 프로젝트는 늦어진다. 대규모 투자의 병목은 자본이 아니라 행정과 토지, 그리고 지역 이권 네트워크일 수 있다.

여러 사례의 공통점: 정보를 쥔 사람, 시간을 쥔 사람, 절차를 쥔 사람


환경평가 감리 사례, 토지 선점, 알박기와 지분쪼개기, 서울 도심 재개발 비용 상승, 행정도시 주변 접대 인프라, 산단 조성 하도급 문제는 서로 다른 사례처럼 보인다. 그러나 공통점은 분명하다.

첫째, 정보를 먼저 가진 사람이 이익을 가져간다. 개발 예정지, 인프라 노선, 산업단지 후보지, 용역 발주 정보를 먼저 아는 사람은 시장보다 앞서 움직일 수 있다.

둘째, 시간을 지연시킬 수 있는 사람이 협상력을 가진다. 알박기 토지주, 잔여 지분자, 민원 제기자, 인허가 담당자, 평가 절차를 쥔 사람은 전체 프로젝트의 시간비용을 자신의 가격으로 바꿀 수 있다.

셋째, 절차를 통제하는 사람이 이권을 배분한다. 환경평가, 교통영향평가, 재해영향평가, 보상비 산정, 하도급 선정, 전력·용수 배정은 모두 형식상 제도 절차이지만, 운영 방식에 따라 특정 이해관계자의 수익 창구가 될 수 있다.

넷째, 비용은 결국 사회 전체로 전가된다. 사업이 지연되면 기업은 투자비와 금융비용을 더 부담하고, 정부는 세금을 더 투입하며, 주민은 보상 갈등과 생활 불편을 겪고, 최종 소비자와 입주자는 더 높은 가격을 떠안게 된다.

결론: 자신감보다 필요한 것은 현실을 직시하는 행정력이다


결국 문제는 특정 정권 하나의 선악이 아니다. 대한민국의 대형 개발사업은 늘 명분으로는 지역균형발전과 산업투자를 내세웠지만, 실제 집행 과정에서는 정보에 먼저 접근한 사람, 인허가를 쥔 사람, 평가 절차를 통제하는 사람, 토지를 선점한 사람, 용역과 하도급을 배분받는 사람이 각자의 방식으로 이익을 가져가는 구조를 반복해왔다.

이번 3대 메가 프로젝트의 성패도 투자 발표 규모만으로 판단할 수 없다. 진짜 관건은 정부가 이 오래된 구조를 끊어낼 수 있느냐다. 토지 선매입과 차명 거래를 막을 수 있는지, 환경·교통·재해영향평가를 투명하게 운영할 수 있는지, 산단 조성 하도급과 보상비 산정을 공정하게 관리할 수 있는지, 전력·용수 인프라 배정 과정에서 특정 지역 네트워크의 사익 추구를 차단할 수 있는지가 핵심이다.

지난 1년간 현 정권을 바라보며 들었던 생각은 하나였다. 자신감은 지나치게 넘치지만, 복잡하게 얽힌 현실의 이해관계를 충분히 직시하고 있는지는 의문이라는 점이다. 정책은 방향만으로 움직이지 않는다. 현장은 토지, 인허가, 금융비용, 민원, 행정 절차, 지역 이권, 정치적 이해관계가 겹겹이 얽혀 있다. 이를 정교하게 풀어내지 못한 채 처음 정한 하나의 방향만 고집스럽게 밀어붙이면, 명분이 아무리 좋아도 결과는 왜곡될 수 있다.

대표적인 사례가 부동산정책이었다. 시장의 복잡한 수요와 공급, 금융, 심리, 지역별 이해관계를 충분히 읽지 못한 채 정책적 확신만 앞세우면, 의도와 다른 결과가 나타날 수 있다. 이번 서남권 중심의 3대 메가 프로젝트 역시 마찬가지다. 겉으로는 국가 대도약과 지역균형발전의 이름을 달고 있지만, 안으로 들어가면 토지 이권, 인허가 권한, 환경평가, 하도급, 보상비, 전력·용수 배정이라는 현실의 병목이 기다리고 있다.

따라서 이번 프로젝트를 너무 쉽게 봐서는 안 된다. 여러 이권과 이해관계가 크게 맞물린 사업을 단순한 행정 명령과 정치적 자신감만으로 빠르게 밀어붙일 수 있다고 생각한다면, 그 자체가 가장 큰 리스크가 될 수 있다. 3대 메가 프로젝트의 진짜 시험대는 발표장이 아니라 현장이고, 구호가 아니라 집행이며, 자신감이 아니라 현실을 직시하는 행정력이다.

정부가 이 문제를 통제하지 못한다면, 계획표 위에서는 빠르게 진행되는 것처럼 보이더라도 실제 현장에서는 끊임없는 지연과 비용 상승에 부딪힐 가능성이 높다. 명분은 국가 대도약이지만, 집행 과정이 과거의 구태정치와 개발 이권에서 벗어나지 못한다면 그 비용은 결국 기업, 세금, 지역 주민, 그리고 미래 소비자에게 전가될 것이다.

현 정권은 과연 구태정치와 지역 이권 구조를 해소하고, 3대 메가 프로젝트를 계획대로 빠르게 추진할 수 있을까? 산업투자와 지역균형발전의 필요성은 분명하다. 그러나 명분이 클수록, 그 안에 숨어드는 이권의 유혹도 커진다. 현실을 과소평가한 자신감은 추진력이 아니라 오판이 될 수 있다. 이번 프로젝트를 낙관만으로 바라보기 어려운 이유가 여기에 있다.

#글을 마치며


한 경제학자가 남긴 말로 이 글을 마무리해보고 싶다.

밀턴 프리드먼은 돈을 쓰는 방식에 따라 효율성이 달라진다고 보았다. 자신의 이익을 위해 자신의 돈을 쓸 때는 가장 신중하고 효율적으로 배분되지만, 타인의 이익을 위해 타인의 돈을 쓸 때는 비용에 대한 책임도, 결과에 대한 절박함도 약해질 수밖에 없다.

정부 주도의 대규모 인프라 투자 역시 이 질문에서 자유롭지 않다. 명분은 지역균형발전과 국가 산업 경쟁력 강화일 수 있다. 그러나 실제 집행 과정에서 타인의 돈, 즉 세금과 공공재원이 얼마나 효율적으로 쓰일 수 있는지는 전혀 다른 문제다. 특히 토지, 인허가, 환경평가, 하도급, 보상비, 전력·용수 배정처럼 수많은 이해관계가 얽힌 사업이라면 더욱 그렇다.

속된말로 정책은 발표할 때 가장 깨끗하고, 집행될 때 가장 더러워진다. 큰 명분을 가진 사업일수록 주변에 붙는 이권도 커지고, 그 이권을 통제하지 못하면 국가 전략사업이 지역 브로커리지와 행정 지연의 먹잇감이 될 수 있다.

그래서 아직 확신이 없다. 이번 3대 메가 프로젝트가 정말 국가 전체의 생산성을 높이는 투자로 남을지, 아니면 또다시 구태정치와 지역 이권, 행정력 부패가 뒤엉킨 비효율적 개발사업으로 흘러갈지는 결국 집행 과정에서 판가름 날 것이다. 명분이 아무리 크더라도, 타인의 돈을 타인의 이익을 위해 쓰는 구조에서는 언제나 감시와 의심이 필요하다.

아직도 대한민국 정치판에 믿음이 있는 사람이 몇이나 남아있을까 싶으며,
고양이에게 생선가게를 맡긴 격이되지 않길 바랄뿐이다.

=끝

작성자: 시간: 댓글 없음:

생각정리 295 (* Meta Cloud computing)

어젯밤 잠자리에 들기 전, 메타의 클라우드 사업 진출을 두고 AI CAPEX peak 우려가 다시 불거졌다는 기사를 접했다.

그동안 불안한 시선으로 바라보며 모아둔 메타의 LLM 관련 자료를 다시 엮어보니, 이번 사안을 단순히 “AI 인프라 투자가 정점을 지난 신호”로 해석하기는 어렵다는 생각이 들었다.

메타의 클라우드 사업 진출은 CAPEX 축소 신호라기보다, 프론티어 LLM 경쟁에서 애매한 위치에 놓인 메타가 대규모 AI 투자의 정당성을 확보하기 위해 꺼내든 수익화 카드로 보인다.

https://www.reuters.com/business/google-limits-metas-use-its-gemini-ai-models-ft-reports-2026-06-28/
내부 자체 모델보다 외부 구글 Gemini에 의존하게 된 Meta..

Llama의 오픈웨이트 전략은 한동안 유효했다. 그러나 프론티어 성능 경쟁에서는 OpenAI·Anthropic·Google에 밀렸고, 저비용 오픈웨이트 시장에서는 Qwen·DeepSeek 같은 중국 모델의 압박을 받기 시작했다. 그 결과 메타는 가장 똑똑한 모델도, 가장 저렴한 모델도 아닌 중간 지대에 놓였다.

이런 상황에서 Meta Compute는 남는 컴퓨팅을 처분하는 사업이라기보다, 한 세대 밀린 GPU 자산을 외부 추론 수요에 임대해 CAPEX 회수율을 높이려는 전략에 가깝다.

27년 이후 드라마틱하게 올라가는 CSP들의 FCF

따라서 이번 글에서는 메타가 왜 프론티어 LLM 경쟁에서 밀리게 되었는지, Llama의 오픈웨이트 전략은 어디에서 한계를 드러냈는지, 그리고 메타의 클라우드 사업 진출을 왜 산업 전반의 AI CAPEX peak 신호로 과장해석할 필요는 없는지를 정리해보려 한다.


https://finance.yahoo.com/technology/ai/articles/meta-shares-jump-plans-commercialise-133743750.html


메타는 왜 프론티어 AI 경쟁에서 밀렸을까


Llama의 오픈웨이트 전략, Muse Spark 전환, 그리고 Meta Compute의 의미


메타의 AI 전략을 이해하려면 먼저 한 가지를 분명히 해야 한다. 메타가 AI 투자를 안 한 것이 아니다. 오히려 누구보다 공격적으로 투자하고 있다. 문제는 투자 규모가 아니라, 초기 전략의 방향이 프론티어 LLM 경쟁의 실제 승리 공식과 어긋났다는 점이다.

Llama 2~3 시기까지 메타의 오픈웨이트 전략은 꽤 그럴듯했다. 메타는 모델 가중치를 공개하면서 개발자 생태계를 빠르게 흔들었고, OpenAI·Google·Anthropic이 폐쇄형 모델 API로 시장을 독점하는 것을 견제했다.

실제로 Llama 2는 7B~70B 파라미터 규모의 pretrained·fine-tuned 모델을 공개했고, 메타는 이를 연구와 상업적 사용에 무료로 제공한다고 설명했다. Llama 3 역시 공개 당시 “가장 강력한 오픈 모델 중 하나”라는 평가를 받으며 개발자 생태계의 핵심 선택지로 부상했다. (About Facebook)

하지만 시간이 지나면서 이 전략의 한계도 선명해졌다. Llama는 좋은 2등 전략이었지만, 프론티어 1등 전략은 아니었다. 오픈웨이트 전략은 생태계 확산에는 효과적이었지만, 최고 성능 모델을 끝까지 밀어붙이고, 유료 API와 엔터프라이즈 피드백을 통해 모델을 복리로 개선하는 폐쇄형 프론티어 경쟁에서는 구조적으로 불리했다.

1. Llama 2~3까지는 오픈웨이트 전략이 먹혔다


메타가 Llama를 오픈웨이트로 공개한 것은 당시로서는 매우 영리한 선택이었다.

OpenAI는 ChatGPT와 API를 중심으로 폐쇄형 모델 시장을 키우고 있었고, Google과 Anthropic도 자체 모델을 폐쇄형 서비스로 운영했다. 이 구도에서 메타가 같은 방식으로 후발 진입했다면, 이미 앞서간 업체들과 정면으로 붙어야 했다. 대신 메타는 다른 길을 택했다. 모델을 공개해 생태계를 장악하는 전략이었다.

이 전략의 장점은 분명했다. 개발자들은 Llama를 자유롭게 실험할 수 있었고, 기업들은 폐쇄형 API에 종속되지 않고 자체 인프라에서 모델을 돌릴 수 있었다. 메타는 직접 API 매출을 얻지는 못하더라도, OpenAI·Google·Anthropic의 모델 독점을 견제할 수 있었다. Llama 2 논문도 Llama 2-Chat이 공개 챗 모델 대부분을 벤치마크에서 앞섰고, 폐쇄형 모델의 대체재가 될 수 있다고 설명했다. (arXiv)

 (arXiv)

Llama 2~3 구간에서는 이 전략이 꽤 잘 작동했다. 메타는 프론티어 1위는 아니더라도, 오픈웨이트 진영에서는 가장 중요한 플레이어 중 하나였다. Llama 3 공개 당시에도 8B와 70B 모델이 먼저 출시됐고, 나머지 모델은 추후 공개될 예정이라고 보도됐다. 이는 메타가 “완전한 폐쇄형 프론티어 모델 회사”가 아니라, 오픈 생태계를 중심으로 시장 영향력을 키우려 했다는 점을 보여준다. (TechCrunch)

그러나 문제는 그 다음이었다. LLM 경쟁의 중심이 단순한 모델 공개에서 최고 지능, 제품 피드백, 유료 API, 에이전트 성능, 추론 인프라로 이동하면서 Llama의 전략적 위치가 흔들리기 시작했다.

2. 오픈웨이트는 좋은 2등 전략이지만, 프론티어 1등 전략은 아니었다


Llama 전략의 구조적 한계는 크게 세 가지였다.

첫째, 오픈웨이트는 최고 성능 모델을 끝까지 밀어붙이기 어렵다


오픈웨이트 모델은 가중치를 공개해야 한다. 이는 생태계 확산에는 유리하지만, 가장 강한 모델을 그대로 공개하는 데에는 부담이 있다.

모델이 강해질수록 안전성, 악용 가능성, 저작권, 벤치마크 오염, 라이선스 리스크가 커진다. 폐쇄형 모델은 API 게이트 안에서 모델을 통제할 수 있지만, 오픈웨이트 모델은 일단 공개되면 사용자가 마음대로 복제하고 변형할 수 있다. Llama 2 공개 당시에도 강력한 공개 모델이 오용될 수 있다는 논쟁이 함께 제기됐다. (Axios)

따라서 메타가 정말 최상위 프론티어 모델을 만들더라도, 그것을 Llama라는 오픈웨이트 방식으로 끝까지 공개하는 데에는 구조적 제약이 따른다. 오픈웨이트는 확산에는 강하지만, 최고 성능 모델을 통제하면서 상업화하는 구조에는 약하다.

둘째, 오픈웨이트는 중앙화된 제품 피드백 루프가 약하다


프론티어 LLM 경쟁에서 점점 중요해진 것은 단순 사전학습이 아니라 post-training, RL, tool-use, agent tuning, 실제 사용자 피드백이다.

ChatGPT, Claude, Gemini는 유료 사용자와 기업 고객, API 사용 데이터를 통해 어떤 질문에서 모델이 실패하는지, 어떤 코딩 작업에서 막히는지, 어떤 업무 자동화 흐름에서 오류가 나는지 계속 학습한다. 이 데이터는 다시 모델 개선과 제품 튜닝으로 이어진다.

반면 Llama는 사용자가 각자 로컬 서버, 사설 클라우드, 파인튜닝 환경에서 따로 쓴다. 확산력은 강하지만, 메타가 동일한 밀도의 실사용 데이터를 중앙에서 흡수하기 어렵다. 오픈웨이트는 배포에는 강하지만, 폐쇄형 제품 루프에는 약하다. 이 차이가 시간이 지나면서 성능 격차로 나타났다.

셋째, 중국 오픈모델과의 비용효율 경쟁이 너무 빨리 격화됐다


Llama의 또 다른 강점은 “폐쇄형 모델보다 싸고 자유롭게 쓸 수 있다”는 점이었다. 그런데 이 영역에서 중국 모델들이 빠르게 치고 올라왔다.

DeepSeek-V3는 671B 총 파라미터 중 토큰당 37B만 활성화하는 MoE 구조를 채택했고, efficient inference와 cost-effective training을 목표로 MLA와 DeepSeekMoE 구조를 사용했다고 설명했다. Qwen3 역시 dense와 MoE 모델을 모두 포함하고, 성능·효율·다국어 능력 개선을 주요 목표로 제시했다. (arXiv)

https://artificialanalysis.ai/

이 결과 Llama는 애매한 위치에 놓였다. 프론티어 상단에서는 OpenAI·Anthropic·Google에 밀렸고, 저비용 오픈웨이트 하단에서는 Qwen·DeepSeek류 중국 모델에 압박받았다. Llama가 가장 똑똑한 모델도 아니고, 가장 싼 모델도 아닌 위치로 내려오기 시작한 것이다.

3. 중국 모델과의 상호 벤치마크 선순환도 충분하지 않았다


한동안 오픈웨이트 생태계에는 이런 기대가 있었다. 메타가 Llama를 내놓으면 중국 모델들이 이를 벤치마크로 삼아 개선하고, 다시 메타가 중국 모델들의 성능을 참고해 다음 Llama를 개선하는 방식이다. 일종의 상호 벤치마크 선순환이었다.

이 루프는 중간 성능대와 비용효율 모델에서는 효과가 있었다. 하지만 프론티어 경쟁 관점에서는 충분하지 않았다. 프론티어 모델 경쟁에서 필요한 것은 단순히 다른 모델의 벤치마크 점수를 참고하는 수준이 아니다. 고급 post-training 인프라, 대규모 RL, test-time compute, tool-use, 에이전트 워크플로우, 유료 사용자 피드백, 기업 API 데이터가 필요하다.

오픈 생태계의 벤치마크 루프는 비용효율을 끌어올리는 데에는 도움이 되지만, GPT·Claude·Gemini 같은 최상단 모델을 따라잡기 위한 폐쇄형 제품 루프를 대체하기는 어렵다. Qwen3 기술보고서도 오픈소스 커뮤니티의 빠른 성장이 폐쇄형 모델과의 격차를 줄였다고 평가하지만, 동시에 최신 고성능 모델 상당수는 여전히 proprietary 모델이라고 전제한다. (arXiv)

여기에 미국의 첨단 AI 칩 수출 제한이 더해지면서 중국 모델 생태계에도 양면적 변화가 생겼다. 미국 상무부 BIS는 2022년부터 중국의 첨단 컴퓨팅 칩, 슈퍼컴퓨터, 첨단 반도체 제조 역량 확보를 제한하는 수출통제를 시행했고, 2023년에는 이를 확장했다. (산업안전국)

가장 칩 수출 규제로 인해 먼저 오픈웨이트 진형의 상호 벤치마크 선순환 동력이 약화되었으며, 그 다음으로 중국 업체들은 최첨단 GPU 확보에 제약을 받으면서 대규모 scale-up에는 부담을 안게 됐다. 대신 그들은 MoE, distillation, synthetic data, low-precision, inference optimization, 저비용 serving 같은 효율 중심 기술에 더 집중했다. DeepSeek-V3 관련 분석은 H800 기반 환경에서 MLA, MoE, FP8 mixed-precision, 네트워크 최적화 등을 통해 비용효율을 끌어올린 점을 강조한다. (arXiv)

이 변화는 메타에 불리하게 작용했다. 중국 모델들이 프론티어 최상단에서는 제한을 받더라도, 저비용·고효율 오픈모델 시장에서는 오히려 더 강해졌기 때문이다. 결국 메타는 위쪽에서는 폐쇄형 프론티어 모델에 밀리고, 아래쪽에서는 중국 오픈웨이트 모델에 압박받는 구조에 들어갔다.

4. LeCun식 장기 AI 비전과 scaling law 경쟁의 충돌


메타가 프론티어 경쟁에서 밀린 배경에는 기술 철학의 차이도 있다.

초기 메타의 Llama의 개발방향을 진두지휘했었던 얀 르쿤은 오래전부터 단순히 모델 크기, 데이터, 컴퓨팅을 키우는 방식만으로 진정한 지능에 도달하기 어렵다고 주장해왔다. 그는 “더 많은 데이터와 더 많은 compute가 곧 더 똑똑한 AI를 의미한다고 가정할 수 없다”는 취지로 말했고, 물리 세계를 이해하는 AI가 필요하다고 강조했다. (Yahoo Tech)


https://tech.yahoo.com/ai/articles/metas-chief-ai-scientist-says-235521692.html?utm_source=chatgpt.com

이 문제의식은 장기적으로 틀렸다고 보기 어렵다. 실제로 현재 LLM도 장기 계획, 물리 세계 이해, 지속적 추론, hallucination 문제에서 한계가 있다. 그러나 2023~2026년의 상업적 AI 경쟁에서는 다른 결과가 나왔다.

OpenAI와 Anthropic 계열 연구자들이 참여한 2020년 scaling law 논문은 언어모델의 loss가 모델 크기, 데이터셋 크기, 학습 compute에 대해 power-law 형태로 개선된다고 제시했다. OpenAI도 같은 논문을 소개하면서 cross-entropy loss가 모델 크기, 데이터 크기, compute에 대해 일관된 스케일링 관계를 보인다고 설명했다. (arXiv)

이후 scaling law는 언어뿐 아니라 이미지, 비디오, 멀티모달, 수학 문제 등에서도 autoregressive Transformer가 compute 증가에 따라 부드럽게 개선된다는 근거로 확장됐다. (arXiv)

정확히 말하면, 메타가 scaling law를 전혀 몰랐던 것은 아니다. Llama 자체도 대규모 데이터와 컴퓨팅의 산물이다. 문제는 메타가 scaling law와 폐쇄형 제품 루프, 유료 API, 고부가 사용자 피드백이 결합될 때 생기는 복리 효과를 과소평가했다는 점이다.

LeCun이 이끌던 기존 AI 연구 방향은 이후 메타의 프론티어 LLM 전략 전면에서 밀려났고, 그 자리는 Alexandr Wang을 중심으로 한 새로운 superintelligence 조직이 채우기 시작했다. 메타가 Scale AI에 대규모 투자를 집행하고 Wang을 영입한 것은 단순한 조직 개편이 아니라, 기존 Llama 중심 전략만으로는 OpenAI·Anthropic·Google이 주도하는 scaling law 경쟁을 따라가기 어렵다는 판단의 결과로 보인다.

결국 Meta는 여러 시행착오를 거친 끝에, 프론티어 LLM 경쟁에서 뒤늦게 다시 출발선에 선 후발주자가 된 셈이다.

5. Llama에서 Muse Spark로의 전환은 왜 필요했나


이런 상황에서 메타가 Muse Spark라는 폐쇄형 모델 브랜드로 방향을 튼 것은 자연스럽다.

TechCrunch는 Muse Spark를 Meta Superintelligence Labs의 첫 모델로 보도했다. 이 조직은 저커버그가 Llama 모델의 진전이 OpenAI의 ChatGPT와 Anthropic의 Claude에 뒤처졌다고 판단하면서 생긴 AI 조직 재편과 연결된 것으로 설명된다. (TechCrunch)

Ars Technica도 Muse Spark를 “Meta AI efforts의 ground-up overhaul”로 묘사했고, 이 모델이 기존 오픈소스 Llama 계열과의 분명한 단절을 의미한다고 평가했다. (Ars Technica)

Llama는 오픈웨이트 생태계에서는 강한 브랜드였다. 그러나 동시에 프론티어 성능에서 밀리고, 중국 오픈모델과의 비용효율 경쟁에서도 압박받는 브랜드가 됐다. 메타가 다시 프론티어 AI 기업처럼 보이려면 새로운 모델 전략이 필요했다.

Muse Spark는 이런 전환의 상징이다. Llama가 개발자 생태계용 오픈웨이트 foundation model이었다면, Muse Spark는 Meta AI 앱과 메타 생태계에 내장되는 폐쇄형 product model에 가깝다.

구조적으로 보면 다음과 같다.


이 전환은 메타가 오픈웨이트 전략의 한계를 인정한 것으로 볼 수 있다. Llama는 좋은 방어 전략이었지만, 프론티어 AI 시장을 장악하기 위한 공격 전략은 아니었다.

6. 그런데 왜 Muse Spark도 프론티어 모델 대비 뒤처질 가능성이 높은가


Muse Spark 전환이 곧바로 메타의 프론티어 복귀를 뜻하지는 않는다. 오히려 Muse Spark도 구조적으로 애매한 지점이 있다.

Meta의 Muse Spark Safety & Preparedness Report는 Muse Spark를 Meta가 개발한 최신 대형언어모델로 설명하면서, Meta AI 배포를 전제로 화학·생물학, 사이버보안, 통제상실 위험 등을 평가했다고 설명한다. 즉 Muse Spark는 단순 연구모델이 아니라 Meta AI에 배포되는 제품형 모델이다. (arXiv)

그러나 OpenAI·Anthropic·Google의 프론티어 모델은 최고 지능, 고난도 reasoning, 코딩, 기업 업무, 에이전트, 연구 자동화에 최적화되어 있다. 반면 Muse Spark는 메타 앱에 내장되는 소비자용 AI 엔진에 가깝다. 둘은 목표 함수가 다르다.


이 차이가 중요하다. 메타는 수십억 명의 사용자를 보유하고 있다. 하지만 소비자 앱에서 나오는 사용 데이터가 곧바로 고난도 코딩, 기업 업무, research agent, long-horizon planning 성능 개선으로 이어지는 것은 아니다.

반면 OpenAI·Anthropic·Google은 유료 사용자, 개발자, 기업 API 고객을 통해 고부가 태스크 데이터를 계속 축적한다. 이 데이터는 모델의 약점을 더 정밀하게 드러내고, post-training 품질을 높이는 데 직접 기여한다.

더구나 Muse Spark의 외부 개발자 API 출시가 지연됐다는 보도도 나왔다. 조선비즈 영문판은 WSJ 보도를 인용해, 메타가 4월 공개한 Muse Spark의 개발자 도구 출시를 반복적으로 미뤘고 명확한 일정도 없었다고 전했다. (조선비즈)


https://www.wsj.com/tech/ai/meta-keeps-delaying-the-release-of-its-new-ai-model-to-developers-f8569c8c


따라서 Muse Spark가 메타 앱 내부에서는 유용할 수 있어도, GPT·Claude·Gemini와 같은 프론티어 지능 경쟁에서는 계속 뒤처질 가능성이 있다. 메타의 모델은 소비자 앱 최적화와 프론티어 지능 최적화 사이에서 목표가 분산되어 있다.

7. 메타의 현재 포지션은 사면초가에 가깝다


지금 메타의 AI 모델 전략은 상당히 어려운 위치에 있다.

프론티어 상단에서는 OpenAI·Anthropic·Google이 앞서 있다. 이들은 최고 성능 모델, 유료 API, 기업 고객, 제품 피드백 루프를 갖고 있다.

저비용 오픈웨이트 시장에서는 중국 모델이 강하다. Qwen, DeepSeek, Kimi, GLM 등은 비용 대비 성능, 코딩, 수학, 다국어, 추론 최적화에서 빠르게 경쟁력을 높였다. Alibaba는 Qwen3-235B-A22B MoE 모델이 배포 비용을 낮추고, thinking duration을 조절해 성능과 compute 효율 간 균형을 맞출 수 있다고 설명했다. (Alibaba Group)

Llama는 가장 똑똑하지도, 가장 싸지도 않은 위치에 놓였다. Muse Spark는 폐쇄형 프론티어 모델처럼 보이려 하지만, 아직 외부 API 수요와 기업 고객 기반은 충분히 검증되지 않았다.

이런 상황에서 메타가 택한 다음 카드는 외부 compute 판매, 즉 Meta Compute 또는 AI 클라우드 사업이다.

8. 외부 compute 판매는 무엇을 의미하나


메타의 외부 compute 판매를 단순히 “컴퓨팅이 남아돈다”는 신호로 보면 부족하다. 더 정확한 해석은 이렇다.

메타는 AI 컴퓨팅 자산을 수익화할 수 있다는 점을 보여줌으로써, 대규모 CAPEX의 정당성을 확보하려 한다.

Bloomberg 보도에 따르면 메타는 AI computing power와 AI 모델 접근권을 외부에 판매하는 클라우드 인프라 사업을 검토하고 있다. 보도상 구조는 AWS Bedrock처럼 모델 API를 제공하거나, CoreWeave처럼 GPU 컴퓨팅 용량 자체를 임대하는 방식으로 거론됐다. (The Edge Singapore)

Reuters도 Bloomberg 보도를 인용해, 메타가 AI computing capacity를 판매하는 클라우드 사업을 구축 중이며, 이는 고비용 AI 투자에 대한 수익 회수 방안으로 해석된다고 전했다. 다만 해당 계획은 아직 개발 단계이며 전략이 바뀔 수 있다고 보도했다. (1330 & 101.5 WHBL)

메타는 이미 막대한 AI 데이터센터와 GPU 용량을 확보하고 있다. 그런데 프론티어 모델 경쟁에서 확실한 승자가 아니라면, 투자자들은 당연히 질문할 수밖에 없다.

“이렇게 많은 AI CAPEX를 써서 언제, 어떻게 회수할 것인가?”

Meta Compute는 이 질문에 대한 답이다. 자체 모델 수요와 광고 효율 개선만으로 설명하기 어려운 CAPEX를, 외부 AI 랩이나 기업에 compute를 판매하는 방식으로 보완하겠다는 것이다.

다만 이것이 CAPEX 축소를 의미하지는 않는다. 오히려 반대다. Meta Compute는 CAPEX를 줄이기 위한 전략이 아니라, CAPEX를 더 오래 지속하기 위한 수익화 인프라 전략이다.

9. 메타가 파는 것은 최신 프론티어 GPU가 아닐 가능성이 높다


여기서 중요한 구분이 있다.

메타가 외부에 팔거나 임대하려는 것은 최신 프론티어 학습용 핵심 GPU가 아닐 가능성이 높다. 메타가 정말 필요로 하는 차세대 GPU, 예를 들어 최신 Blackwell 계열이나 그 이후 세대 클러스터는 자체 모델 학습과 대규모 추론에 우선 투입될 것이다.

외부 판매 대상은 오히려 한 세대 밀린 GPU 자산일 가능성이 높다. 예를 들어 H100/A100급 GPU는 최첨단 학습 경쟁에서는 상대적으로 밀릴 수 있지만, 여전히 추론, 파인튜닝, 중소형 모델 운영, 에이전트 트래픽 처리에는 충분히 가치가 있다.

이 부분에서 표현을 조금 조정할 필요가 있다. A100과 H100은 상대적으로 외부 임대·추론 수익화 대상이 될 가능성이 높지만, B100/B200은 아직 Blackwell 세대 자산으로 보는 것이 맞다. 향후 GB300, Rubin 세대로 넘어가면 B100/B200도 상대적으로 구형화될 수 있지만, 현재 시점에서 H100/A100과 같은 레거시로 묶는 것은 다소 빠르다.

구조는 다음과 같이 볼 수 있다.


즉, 메타의 전략은 컴퓨팅이 필요 없어서 파는 것이 아니다. 최신 세대는 내부 경쟁에 쓰고, 한 세대 밀린 자산은 외부 추론 수요에 팔아 회수하는 구조다.

이 해석은 최근 GPU 감가상각 논쟁과도 맞닿아 있다. AI 데이터센터 우려론은 GPU가 18개월마다 세대교체되기 때문에 5~6년 감가상각이 과도하다고 보지만, 일부 업계 관계자와 분석가들은 A100이나 L40 같은 구형 GPU도 추론, 비용민감형 서비스, 오픈소스 모델 운영에 계속 쓰일 수 있다고 반박한다. (Business Insider)

구형 gpu 가격은 최근까지 계속 우상향


10. Microsoft의 네오클라우드 활용과 같은 문제를 반대로 푸는 방식


이 전략은 Microsoft의 네오클라우드 활용 논리와도 연결된다.

https://www.thestreet.com/technology/microsoft-turns-to-neocloud-to-solve-major-problem-

AI 인프라는 세대전환 속도가 매우 빠르다. Nvidia GPU, ASIC, 네트워크, 전력 효율, 랙 밀도, 냉각 방식, 토큰당 비용이 빠르게 바뀐다. 이 환경에서 모든 수요를 직접 소유한 데이터센터로 감당하면 기술 진부화 리스크가 커진다.

Microsoft가 일부 AI 수요를 CoreWeave 같은 네오클라우드에 맡기는 것은, 최신 GPU 세대전환 리스크를 외부화하는 전략이다. 반대로 메타가 자체 보유 또는 약정한 컴퓨팅 중 일부를 외부에 판매하는 것은, 기술 진부화 리스크를 수익화로 완화하는 전략이다.

네오클라우드는 전용 GPU 클러스터를 기반으로 AI 학습·파인튜닝·추론 수요를 흡수하는 모델이다. CoreWeave, Nebius 같은 업체들은 AI 워크로드에 특화된 인프라를 제공하며, 전통적인 hyperscaler와 경쟁하거나 동시에 파트너 역할을 한다. 다만 이 모델은 부채, 고객 집중, GPU 진부화 리스크에 민감하다는 지적도 함께 받는다. (Barron's)

같은 문제를 서로 다른 방향에서 푸는 셈이다.


결국 AI 인프라 시장은 단순히 “누가 GPU를 많이 사느냐”의 경쟁에서, 세대별 GPU 자산을 어떻게 배치하고 내부 사용과 외부 임대를 통해 ROIC를 높이느냐의 경쟁으로 이동하고 있다.

11. Meta Compute는 AI CAPEX peak 신호로 과대해석할 필요가 없다


이번 메타의 클라우드 외부판매 전략을 산업 전체의 AI CAPEX peak 신호로 해석하는 것은 무리다.

오히려 반대에 가깝다. 메타가 외부 compute 판매를 검토한다는 것은 AI compute 시장이 수익화 가능한 시장이라는 뜻이다. 에이전트 추론, 코딩 자동화, 기업 AI API, 멀티모달 서비스가 확산되면 추론 수요는 계속 늘어난다. 이 수요는 기존 CSP와 네오클라우드, GPU 클러스터 보유자에게 매출 기회를 제공한다.

실제로 Meta Compute 보도 이후 메타 주가는 급등했고, CoreWeave와 Nebius 같은 네오클라우드 업체 주가는 하락했다. 시장은 이를 “AI compute 수요가 사라진다”는 신호보다, 메타가 직접 compute 공급자가 될 수 있다는 경쟁 구도 변화로 해석했다. (Business Insider)

따라서 메타의 움직임은 “AI 데이터센터 투자가 끝났다”는 신호가 아니라, AI 데이터센터 투자를 계속하기 위해 수익화 모델을 붙이는 단계로 봐야 한다.

이 점에서 최근 AI CAPEX 논쟁도 다르게 볼 필요가 있다. 지금 시장은 대형 기술주의 FCF 감소를 우려한다. AI 데이터센터 투자가 너무 커지면서 자유현금흐름이 줄어들 수 있다는 걱정이다. 이 우려는 단기적으로 타당하다. 그러나 장기적으로 에이전트 추론 수요가 빠르게 커진다면, 이러한 컴퓨팅 인프라는 단순 비용이 아니라 임대, API, 모델 호스팅, 추론 서비스 매출을 만드는 자산이 될 수 있다.

27년 이후 드라마틱하게 올라가는 CSP들의 FCF

12. 결론: 메타의 문제는 AI 투자가 아니라, AI 투자 회수 공식이다


메타가 프론티어 AI 경쟁에서 밀린 이유는 단순하지 않다. 핵심은 세 가지다.

첫째, Llama의 오픈웨이트 전략은 생태계 확산에는 효과적이었지만, 프론티어 1등 전략은 아니었다. 오픈웨이트는 최고 성능 모델을 끝까지 밀어붙이는 데 제약이 있고, 폐쇄형 모델이 가진 중앙화된 제품 피드백 루프도 약하다.

둘째, 메타는 scaling law와 폐쇄형 제품 루프가 결합될 때 생기는 승자집중 효과를 과소평가했다. OpenAI·Anthropic·Google은 최고 성능 모델, 유료 API, 기업 고객, 고급 사용자 데이터를 통해 성능 개선의 복리 구조를 만들었다. 메타는 Llama로 오픈 생태계를 흔들었지만, 이 복리 구조에는 늦게 들어갔다.

셋째, Llama는 상단과 하단 모두에서 압박받았다. 프론티어 상단에서는 GPT·Claude·Gemini에 밀렸고, 저비용 오픈웨이트 시장에서는 Qwen·DeepSeek류 중국 모델에 압박받았다. 그 결과 메타는 Llama에서 Muse Spark라는 폐쇄형 product model로 방향을 틀 수밖에 없었다.

이런 상황에서 Meta Compute와 외부 compute 판매는 궁여지책이면서도 논리적인 선택이다. 메타는 프론티어 모델 성능에서 아직 명확한 승자가 아니기 때문에, 막대한 AI CAPEX를 정당화할 다른 회수 경로가 필요하다.

따라서 이번 전략의 본질은 분명하다.

Meta Compute는 CAPEX 축소 신호가 아니다. 메타가 차세대 GPU와 데이터센터 투자를 계속하기 위해, 한 세대 밀린 컴퓨팅 자산을 외부 추론 수요에 임대하고 투자 회수율을 높이려는 수익화 전략이다.

메타의 AI 투자 리스크는 “AI를 못한다”가 아니다. 더 정확히는 프론티어 경쟁에 뒤늦게 재진입한 만큼 더 큰 비용을 써야 하고, 그 비용을 광고 효율, Meta AI 사용량, Muse Spark API, 외부 compute 판매로 증명해야 한다는 점이다.


#글을 마치며


개인적으로 이번 메타의 클라우드 사업 진출은 단순한 신규 사업 확장으로 보이지 않는다. 오히려 메타가 프론티어 LLM 경쟁의 최상단에서 한 발 밀려났음을 사실상 인정한 이벤트에 가깝다고 본다.

메타가 AI 모델 자체의 압도적 수요를 만들고 있었다면, 굳이 외부 컴퓨팅 판매라는 인프라 사업 카드를 전면에 내세울 필요는 크지 않았을 것이다. 그러나 이제 메타는 OpenAI·Anthropic·Google이 주도하는 프론티어 모델 경쟁보다, 기존 CSP와 Neocloud 사업자들이 경쟁하는 AI 인프라 임대 시장으로 무게중심을 옮기는 모습이다. 이는 메타의 AI 기대치를 한 단계 낮춰 봐야 하는 신호일 수 있다.

반대로 기존 CSP 입장에서는 이번 이벤트가 다르게 읽힌다. AI CAPEX가 단순 비용으로만 소모되는 것이 아니라, 추론 수요 확대와 외부 컴퓨팅 판매를 통해 현금화 가능한 인프라 자산으로 전환될 수 있음을 보여줬기 때문이다. 다시 말해, 클라우드 사업자들의 AI CAPEX 정당화와 FCF 회수 시점이 시장의 우려보다 앞당겨질 가능성을 시사한다.

결국 이번 메타 이벤트는 AI CAPEX peak의 신호라기보다, 프론티어 LLM 경쟁 안에서 승자와 패자의 윤곽이 더 뚜렷해지고 있음을 보여준 사건에 가깝다. 모델 지능의 최상단을 장악한 기업은 API와 제품 수요를 통해 컴퓨팅을 흡수하고, 그렇지 못한 기업은 보유한 컴퓨팅 자산을 외부에 판매해 투자 회수 논리를 만들어야 하는 국면으로 들어가고 있는게 아닐까 싶다. 

작성자: 시간: 댓글 없음: