생각정리 432 (* AI Optical Interconnect, The Value moves Down the Stack)

2027년에는 optical Interconnect 관련해 많은 수익창출 기회가 발생할 것으로 생각되어 미리미리 산업 동향을 정리 기록해본다.

  

---

1. 가장 큰 변화는 Optical이 Scale-out에서 Scale-up으로 들어오기 시작했다는 점이다

지금까지 Optical Interconnect는 주로 Rack과 Rack, Switch와 Switch를 연결하는 Scale-out Network의 영역이었다.

하지만 NVIDIA의 차세대 Architecture에서는 이 경계가 바뀌기 시작한다.

Vera Rubin NVL72는 하나의 Rack 안에 72개의 GPU를 NVLink로 연결한다.

반면 Vera Rubin Ultra NVL576은 72개의 GPU가 들어가는 Rack 8개, 총 576개의 GPU를 하나의 NVLink Domain으로 연결한다.

NVIDIA는 공식 자료에서 Rubin Ultra NVL576이 Copper와 Direct Optical Connection을 동시에 사용하는 Multi-Rack Scale-up Architecture라고 명시하고 있다.

쉽게 말하면,

정도로 나뉘는 것이다.

즉 Copper가 Optical로 모두 대체되는 것이 아니다.

Copper가 가장 경제적인 짧은 거리는 그대로 두되, GPU Domain이 Rack 밖으로 커지는 순간부터 Optical을 추가하는 구조다.

NVIDIA Rubin Ultra: Optical Scale-up의 실제 구조

NVIDIA — Vera Rubin Ultra NVL576 Architecture
8개 Rack이 하나의 576-GPU Domain으로 연결되는 구조

위 구조가 중요한 이유는 Optical이 더 이상 Data Center 주변부 Networking Component에만 머무르지 않는다는 점이다.

Optical이 GPU Compute Architecture 내부로 들어오기 시작한다.

Scale-in과 Compute–Optics Co-design에 대해서는 이전 생각정리 422 (* Marvell–Lumentum, Why Scale-in Requires Extreme Co-design)에서 이미 다뤘으니 해당 글로 갈음한다.

---

2. 숫자로 보면 Optical 시장의 변화는 2028년부터 훨씬 커진다

Bernstein이 추정한 NVIDIA Ecosystem의 Optical TAM을 보면 변화의 크기가 상당히 직관적이다.

NVIDIA Ecosystem Optical TAM

Source: Bernstein, US Networking: How big can the CPO opportunity on Rubin Ultra really be?, Nov. 10, 2026. Broker Estimate.

핵심은 $46.8B라는 숫자 자체보다 증가폭이다.

2027년에서 2028년 사이에 새롭게 생기는 Optical TAM $22.3B가 2026년 전체 Optical TAM $19.5B보다 더 크다.

단순 GPU Unit 증가만으로는 설명하기 어려운 증가폭이다. 결국 More AI Systems뿐 아니라 More Optical Content per AI System 이 동시에 발생해야 가능한 그림이다.

---

3. Bernstein만의 전망은 아니다

시장 정의는 서로 다르기 때문에 아래 숫자를 서로 더하면 안 된다.

다만 여러 조사기관의 전망을 나란히 놓으면 방향은 상당히 비슷하다.

AI Optical Market Forecasts

TrendForce는 AI용 Optical Transceiver 시장이 2025년 $16.5B에서 2026년 $26B로 57% 이상 증가할 것으로 예상하고 있다.

TrendForce — Global AI Optical Transceiver Market to Reach $26B in 2026

보다 긴 기간에서는 CPO/NPO 시장을 2025년 약 $0.1B → 2030년 $39B 이상으로 전망한다. 특히 본격적인 성장 가속 시점을 2028~2029년 Scale-up Optical 도입과 연결하고 있다.

TrendForce — CPO/NPO Market Expected to Exceed $39B by 2030

LightCounting 역시 Ethernet Transceiver 시장이 2024년 +93%, 2025년 약 +82% 성장한 데 이어 2026년에도 약 +65% 성장할 것으로 전망한다. 다만 기존 InP EML·Laser Chip 부족은 2026년 말부터 일부 완화될 가능성도 함께 제시한다.

LightCounting — Demand for Optical Connectivity Continues to Surprise

즉 정확한 시장 규모는 조사기관마다 달라도,

AI Optical Market이 GPU Unit Shipment보다 빠르게 성장할 수 있다는 방향성은 상당히 일관적이다.

---

4. 왜 시장이 이렇게 빨리 커지는가: GPU 하나에 더 많은 Optics가 들어간다

시장 성장의 구조를 가장 단순하게 쓰면,

AI Optical Revenue

= AI Accelerator Volume
× Optical Content per Accelerator

이다.

앞으로는 두 항이 모두 증가할 가능성이 높다.

Bernstein은 Vera Rubin에서 Rubin Ultra로 넘어가면서 System당 Optical Content가 다음과 같이 증가할 수 있다고 추정한다.

Optical Content per NVIDIA System

Source: Bernstein, Nov. 10, 2026. Broker Estimate.

Rubin Ultra에서 GPU 가격이 갑자기 5배가 되는 것이 아니다.

기존 Scale-out Pluggable에 더해 Scale-up Pluggable과 CPO가 System 내부로 새롭게 추가되는 것이 핵심이다.

즉 More GPU와 함께 More Optics per GPU가 발생한다.

---

5. Fiber 수로 봐도 같은 변화가 나타난다

Corning은 Rubin Ultra Scale-up Architecture를 기준으로 이를 Fiber Content 관점에서 계산했다.

2026.10.28 Corning

현재 Scale-out에서는 GPU당 약 16개의 Fiber가 사용된다고 본다.

반대로 14.4Tb/s Scale-up Bandwidth까지 전부 Optical로 연결하는 극단적인 경우에는 Scale-up 144개와 Scale-out 16개를 합쳐 약 160 fibers/GPU까지 증가한다.

Fiber Content per GPU

Corning Investor Event 자료에서는 72 GPU에서 576 GPU로 Scale-up하기 위해 Optical Links가 추가되는 구조를 직접 설명한다.

Corning — 2026 Investor Event Presentation

다만 160 fibers/GPU를 2028년 실제 Base Case로 받아들이면 안 된다.

이는 Full Optical Scale-up을 가정한 상단 시나리오에 가깝다.

Corning이 실제 2028년 Base Case에 사용하는 Optical Content 증가폭은 현재 대비 약 1.3~1.5배 수준이다.

따라서 현실적인 변화는,

1.0× → 1.3~1.5× → Optical Penetration 확대에 따라 추가 상승

정도로 보는 편이 합리적이다.

---

6. Optical Engine을 Chip 가까이 옮기는 이유는 결국 전력 때문이다

AI Data Center에서 Optical 전환이 필요한 가장 현실적인 이유 가운데 하나는 전력이다.

기존 Pluggable 방식에서는 Switch ASIC에서 나온 Electrical Signal이

ASIC

→ Package

→ PCB

→ Connector

→ Pluggable Transceiver

까지 긴 경로를 이동한 뒤 Optical Signal로 바뀐다.

NVIDIA에 따르면 200Gb/s Lane에서는 이 과정에서 Electrical Loss가 최대 약 22dB 발생할 수 있다.

CPO는 Optical Engine을 Switch ASIC 바로 옆에 놓는다.

Electrical Path가 짧아지면서 Loss는 약 4dB 수준까지 감소하고 Interface Power도 약 30W → 9W 수준으로 낮출 수 있다는 것이 NVIDIA의 설명이다.

Traditional Pluggable vs. CPO

NVIDIA — Scaling AI Factories with Co-Packaged Optics

Traditional은 ASIC→PCB→Connector→Transceiver의 긴 Electrical Path으로 인해 전력소모가 심함. 

Architecture Power Comparison

NVIDIA — Scaling AI Factories with Co-Packaged Optics

Traditional은 ASIC→PCB→Connector→Transceiver의 긴 Electrical Path으로 인해 전력소모가 심함. 

따라서 CPO는 DSP Pluggable 대비 대략 60~70% 수준의 Link Energy 절감 가능성이 있다.

중요한 것은 정확한 pJ/bit 숫자가 아니다.

Bandwidth가 증가할수록 Optical Conversion을 ASIC 가까이 이동시킬 경제적 이유가 점점 강해진다.

---

7. Optical Engine은 실제로 어떤 구조인가

Optical Engine이라는 표현이 조금 어렵지만 실제 구조는 의외로 단순하다.

Switch ASIC 자체는 데이터를 처리한다.

그 옆의 Optical Engine은 이 Electrical Signal을 빛으로 바꾸거나, 반대로 Fiber에서 들어온 빛을 Electrical Signal로 바꾸는 역할을 한다.

일반적인 Optical Engine은

• Driver

• Modulator

• Photodetector

• TIA

• Silicon Photonics PIC

등으로 구성된다.

CPO Optical Engine Structure

중앙 Switch ASIC 주변에 Optical Engines 배치

IEEE의 CPO Architecture 자료에서도 중앙 Switch ASIC 주변에 여러 Optical Engine을 배치하는 구조를 보여준다.

중앙 Switch ASIC 주변에 Optical Engines 배치

IEEE — Data Center Tomorrow: Co-Packaged Optics

이 구조를 보면 왜 CPO가 단순 Transceiver Upgrade가 아닌지 이해하기 쉽다.

Optical이 Switch Board 밖에 붙어 있는 Module이 아니라 Switch Package Architecture 안으로 들어가는 것이기 때문이다.

---

8. 그런데 Silicon Photonics는 빛을 직접 만들기 어렵다

여기서 Laser가 중요해진다.

Silicon Photonics는 빛을 조절하고 전송하는 데는 매우 적합하지만 Silicon 자체는 효율적으로 빛을 발생시키는 Material이 아니다.

결국 별도의 Light Source가 필요하다.

과거에는 Laser를 Optical Module 안에 넣었지만 CPO에서는 Switch ASIC 자체가 매우 뜨겁다.

그래서 Laser를 ASIC Package에서 분리해 Front Panel 쪽의 교체 가능한 Module로 빼는 External Laser Source, ELS 구조가 점점 중요해지고 있다.

OIF는 이미 이를 ELSFP라는 표준 Form Factor로 규격화했다.

OIF — External Laser Small Form Factor Pluggable 2.0

External Laser Source 구조

Faceplate ELSFP → Fiber → Optical Engine 구조

쉽게 말하면,

Hot ASIC Package와 Temperature-sensitive Laser를 분리하는 것이다.

Laser가 고장 나더라도 수만 달러 이상의 Switch Package 전체를 교체하지 않고 Front Panel의 Laser Module만 바꿀 수 있다.

즉

Thermal Isolation + Reliability + Serviceability

가 ELS 구조의 핵심 이유다.

NVIDIA 역시 Quantum-X와 Spectrum-X Photonics에서 External Laser Source를 사용하고 있으며, 하나의 ELS가 여러 Optical Engine에 빛을 공급하는 구조를 채택하고 있다. 각 ELS에는 8개의 Laser가 들어가고, 하나의 ELS가 Quantum-X의 576개 Tx Lane 가운데 32개 Lane을 공급할 수 있다고 설명한다.

NVIDIA — How Industry Collaboration Fosters Co-Packaged Optics

---

9. Laser 자체의 구조도 점점 복잡해질 수밖에 없다

Laser의 출력은 단순히 전기를 더 넣는다고 계속 올라가지 않는다.

출력이 높아질수록 Laser 내부의 Thermal Stress와 Facet Reliability 문제가 커진다.

High-Power 제품에서는 DFB Laser 뒤에 Semiconductor Optical Amplifier(SOA)를 추가하거나 Waveguide 구조를 변경해 출력과 효율을 높이는 방식들이 사용된다.

학술자료에서도 III-V Laser를 Silicon Photonics와 결합하는 여러 구조가 이미 연구되고 있다.

External vs Internal Laser, Front Panel Pluggable 구조

Review — Co-Packaged Optics: Status, Challenges and Solutions

중요한 것은 특정 Device 구조 하나가 최종 승자가 된다는 의미가 아니다.

더 높은 Optical Power를 만들수록 Laser Design, Epitaxy, Thermal Management, Reliability의 난도가 올라간다는 점이다.

---

10. 그리고 실제 Laser Power Roadmap은 빠르게 올라가고 있다

이 부분은 상당히 강한 1차 자료로 확인할 수 있다.

High-Power CW Laser Roadmap

Lumentum은 OFC 2026에서 기존 400mW UHP Laser에 이어 50°C에서 800mW 이상, 25°C에서 1W 이상을 제공하는 Super-High-Power Laser를 공개했다.

Lumentum — 800mW+ Super-High-Power Laser at OFC 2026

또한 16-channel DWDM UHP Laser Source까지 동시에 공개했다.

이는 앞으로 Laser Content가 단순히 개수뿐 아니라

Higher Power + More Wavelengths

방향으로 동시에 증가하고 있음을 의미한다.

---

11. Power뿐 아니라 Wavelength도 늘어난다

AI System에서 Bandwidth Density를 높이기 위해 하나의 Fiber에서 여러 파장을 동시에 사용하는 WDM 구조가 점점 중요해진다.

Light Source Evolution

따라서 앞으로 Laser Demand를 “GPU당 Laser 몇 개”로만 계산하는 것은 부족할 수 있다.

보다 적절한 구조는,

Light Source Content

= Power per Laser
× Wavelength Channels
× Optical Engines per System

에 가깝다.

---

12. 결국 Volume, Price, Mix가 동시에 움직일 가능성이 있다

현재 시장에서 이야기되는 AI Laser ASP를 정리하면 대략 다음과 같다.

Indicative AI Laser ASP

단, 이 표의 가격은 대부분 Broker Estimate 또는 Channel Check다.

공식 제조사 Price List로 검증되는 숫자가 아니기 때문에 절대값보다는 방향을 보는 것이 맞다.

그럼에도 구조는 이해할 수 있다.

Volume ↑

Scale-up Optical로 Channel 자체가 증가한다.

Price ↑

더 높은 Power의 Laser가 필요하다.

Mix ↑

Laser Die → Laser Array → ELSFP Module로 갈수록 System Dollar Content가 커진다.

즉 Optical Interconnect는 단순한 Unit Growth 이상의 산업이 될 가능성이 있다.

---

13. Value가 Stack 아래로 내려가기 시작한다

지금까지 Optical 산업의 핵심 Value는 Transceiver에 있었다.

하지만 Architecture가 복잡해질수록 중요도가 점점 아래쪽으로 내려간다.

Optical Value Stack

TrendForce 역시 CPO 대량생산의 주요 병목으로 System Yield, Serviceability, Fiber Connector Standardization과 함께 InP Laser Supply를 직접 지적한다.

이 부분의 기존 Optical Supply Chain 분석은 생각정리 190 (* Optical Interconnect Bottleneck)으로 대체한다.

---

14. 공급부족도 하나로 묶어서 볼 필요는 없다

여기서는 한 가지 주의할 필요가 있다.

“InP가 부족하다”라고만 말하면 지나치게 단순하다.

LightCounting은 2026년 현재 InP EML과 Laser Chip 수요가 공급보다 약 30% 많다고 추정하지만, 기존 Pluggable용 공급 부족은 2026년 말부터 완화될 가능성도 제시한다.

따라서 향후에는 70~100mW Commodity Laser와 400~800mW High-Power Qualified Laser를 구분해서 봐야 할 가능성이 높다.

기존 제품의 공급부족이 끝나더라도,

NPO/CPO용 High-Power Laser와 Multi-Wavelength ELS의 병목은 별도로 지속될 수 있기 때문이다.

**DRAM에서 HBM으로의 생산 전환이 동일한 Wafer Capacity로 생산할 수 있는 최종 제품 수량을 감소시키는 Trade Ratio를 발생시켰듯, Optical Supply Chain에서도 기존 저출력 Laser에서 고출력 CW Laser로의 전환 과정에서 동일한 현상이 나타난다.

** 결국 두 산업 모두 고성능 제품의 수요가 증가할수록 Wafer당 생산성이 낮아지고, 최종 수요 증가율보다 더 빠른 속도로 Upstream Wafer Capacity가 소모되는 구조다.

2026.10.27 AXT inc

2026.10.28 LandMark Optoelectronics

---

15. 2026~2030년 시간축으로 보면 더 이해하기 쉽다

AI Optical Industry Roadmap

TrendForce 역시 CPO/NPO 성장 가속 시점을 2028~2029년 Scale-up Optical 도입과 연결하고 있다.

따라서 2028년이 Revenue Ramp의 해라면,

2027년은

Capacity Commitment

→ Qualification

→ Design Win

→ Volume Order

를 확인해야 하는 해에 가깝다.

---

16. 이번 글의 핵심 숫자를 한 번에 모아보면

Optical Interconnect — Key Numbers

이 표 하나가 사실 이번 글의 대부분을 설명한다.

GPU가 더 많이 팔리는 것뿐 아니라,

GPU 하나에 들어가는 Optical의 양과 가치 자체가 동시에 증가하는 방향이다.

---

17. 다만 Fact와 Estimate는 반드시 나눠서 봐야 한다

Evidence Quality

따라서 이번 Thesis를 공격적인 ASP나 Wafer Yield 가정에 의존시킬 필요는 없다.

그 숫자들이 틀려도

Scale-up Optical Penetration

→ More Optical Content per GPU

→ Higher-Power / Multi-Wavelength Light Source

→ More Qualified Photonics Capacity

라는 방향은 상당 부분 그대로 남는다.

---

글을 마치며

AI Data Center TAM 자체가 얼마나 커질 수 있는지는 생각정리 257 (* AI D/C TAM),

AI Factory에서 Data Movement와 Network가 왜 중요해지는지는 생각정리 283 (* AI Factory Networks),

Optical Supply Chain의 기존 병목은 생각정리 190 (* Optical Interconnect Bottleneck),

더 깊은 Scale-in과 Co-design 문제는 생각정리 422 (* Marvell–Lumentum, Why Scale-in Requires Extreme Co-design)

에서 이미 다뤘다.

그래서 이번 글에서 새롭게 보고 싶은 것은 훨씬 단순하다.

AI Accelerator 하나당 들어가는 Optical Content가 얼마나 빠르게 증가할 것인가.

Bernstein의 추정처럼 NVIDIA Ecosystem Optical TAM이

2026 $19.5B
→ 2027 $24.5B
→ 2028 $46.8B

로 증가한다면,

2028년 단 한 해에 추가되는 Optical Market만 $22.3B다.

그리고 Rubin에서 Rubin Ultra로 넘어가면서 System당 Optical Content는 ~$1.0M → ~$5.4까지 증가할 수 있다는 추정도 나온다.

극단적인 Full Optical Scale-up에서는 GPU당 Fiber가 16 → 160으로 늘어날 수도 있지만,

현실적인 2028년 초기 Architecture에서는 Corning 기준 약 1.3~1.5배 Optical Content 증가가 보다 보수적인 출발점이다.

이후 Optical Engine은 ASIC에 가까워지고, Laser는 70~100mW에서 400~800mW 이상으로 강해지며, 하나의 Light Source가 사용하는 Wavelength도 늘어나고 있다.

결국

More AI Compute

→ More Data Movement

→ Optical Penetrates Scale-Up

→ More Optical Content per GPU

→ Higher-Power / Multi-Wavelength Light Source

→ Higher Dollar Content per Channel

→ More Qualified Photonics Capacity

로 이어진다.

그래서 앞으로 Optical Interconnect 산업을 볼 때 가장 중요한 질문은

“1.6T Transceiver가 몇 개 팔릴까” 보다, “GPU 하나에 들어가는 Optical Content가 몇 배로 증가할까.”일 가능성이 높다.

그리고 그 다음 질문은 자연스럽게

“그 많은 빛을 실제로 만들어낼 Qualified Laser·Photonics Capacity가 충분한가.”로 이어진다.

AI Computing의 확장은 결국 더 많은 GPU만 요구하는 것이 아니다.

그 GPU들을 하나의 거대한 Computer처럼 연결하기 위해 필요한 ‘빛의 양’과 ‘빛의 가치’까지 함께 키우고 있다.

=끝

생각정리 431 (* Anthropic, AI Compute Hegemony II, Follow the Forecast Error)

지난 「생각정리 358 (* The Price of Compute)」에서는 Token 가격이 하락하더라도 당장 사용할 수 있는 Productive Compute의 가격은 오히려 높아질 수 있다는 이야기를 했다.

그리고 「생각정리 420 (* AI Hegemony, Follow the Scarcity & Efficiency)」에서는 Cloud와 AI Labs 가운데 누가 장기적으로 더 많은 Economic Rent를 가져갈지 생각해봤다.

이번 Anthropic S-1과 3Q26 실적, SpaceX·CoreWeave·IREN·Nebius의 Compute 계약가격을 다시 보니 경쟁구도가 조금 더 명확해졌다.

AI Compute Hegemony의 핵심은 누가 GPU를 더 많이 보유하느냐가 아니다.

예측하기 어려운 Compute Demand의 Forecast Error를 누가 가장 낮은 비용으로 감당하고, 그 과정에서 발생하는 Scarcity Rent를 누가 가져가느냐의 싸움이다.

---

1. Anthropic 3Q26 — Forecast Error의 가격

Training Compute는 상대적으로 계획할 수 있다.

반면 Inference는 어렵다.

Claude·ChatGPT의 사용자는 Consumer, Developer, Enterprise에 걸쳐 있고, Agent가 확산될수록 한 번의 인간 요청이 Search, Coding, Tool Use, Verification, Retry를 반복하며 여러 번의 Model Call로 증폭된다.

Anthropic은 Compute를 대부분 실제 사용 12~18개월 전에 장기계약으로 확보한다.

그런데 수요를 과소예측하면 부족한 Capacity를 Short-term 시장에서 채워야 한다.

3Q26 숫자가 이를 보여준다.

Anthropic의 Model Efficiency가 갑자기 악화된 것은 아니다.

예상보다 빠르게 증가한 수요를 대응하기 위해 $5B의 비싼 Short-term Compute를 추가 구매한 것이 문제였다.

결과적으로 Compute Cost 비중은 48% → 58%, Adjusted Operating Margin은 **19% → 15%**로 하락했다.

즉,

Forecast Error
→ Short-term Compute
→ Compute Cost 상승
→ Margin Squeeze

가 실제 P&L에서 나타나기 시작했다.

---

2. 비싼 것은 NeoCloud가 아니라 ‘지금 당장 필요한 Compute’다

NeoCloud가 본질적으로 Hyperscaler보다 몇 배 비싼 것은 아니다.

Public H100 가격은 대략 비슷한 범위에 있다.

진짜 가격차이는 Contract Duration에서 발생한다.

같은 Compute가 장기계약에서는 약 $20~22M/MW, Short-term에서는 $40M+/MW에 거래된다.

거의 두 배다.

따라서 NeoCloud가 파는 진짜 상품은 GPU가 아니다.

Time-to-Compute이다.

모텔로 치면 평일에는 장기숙박 고객을 받아 객실 가동률을 안정시키고, 주말이나 성수기에는 같은 방을 높은 대실료와 숙박료로 판매하는 것과 비슷하다.

NeoCloud도 평소에는 장기계약으로 Utilization을 확보하지만,

AI Lab이 Forecast를 틀려 갑자기 Capacity가 필요해지는 순간에는 Short-term Scarcity Premium을 받을 수 있다.

---

3. 그런데 앞으로 Compute Scarcity가 더 강해질 수도 있다

전제는 단순하다.

AI Compute Demand 증가 속도가 Productive Capacity 증가 속도보다 빠르면 Compute는 계속 희귀해진다.

Agent와 Inference 수요는 계속 늘어나지만 Data Center 공급은 단순히 GPU만 더 만든다고 늘어나지 않는다.

실제 Productive Compute에는

Land
→ Power
→ Grid Connection
→ Substation
→ Cooling
→ Data Center Shell
→ GPU / Network

가 모두 필요하다.

여기에 최근 환경규제·전력비용·지역사회 인허가 문제까지 겹치면 신규 Data Center의 COD가 늦어질 수 있다.

Demand가 사라지는 것이 아니라 Supply가 늦게 들어오는 것이다.

따라서,

**AI Compute Demand ↑

• Productive Capacity 공급 지연
  → Utilization ↑
  → Revenue/MW ↑
  → Short-term Premium ↑**

의 구조가 만들어진다.

이미 Energized Capacity를 확보한 Cloud·NeoCloud 사업자에게는 상당히 좋은 환경이다.

---

4. 하지만 Cloud의 Scarcity Rent는 결국 AI Lab의 비용이다

한쪽의 초과이익은 다른 쪽의 원가다.

Cloud 사업자가

Cost + Service Margin + Scarcity Premium

을 붙여 Compute를 판매하면,

그 비용은 OpenAI·Anthropic의 P&L로 들어간다.

Anthropic의 3Q26 Margin 하락이 이미 이를 보여줬다.

그래서 Compute Scarcity가 심해질수록 AI Labs는 오히려 Compute를 직접 통제하려는 유인이 커진다.

Cloud가 너무 비싸질수록 AI Labs의 Cloud 내재화 경제성이 좋아지는 역설적인 구조다.

---

5. 그런데 현재 AI Labs는 Compute를 아직 수익화보다 Model 성능개선에 더 많이 쓰고 있다

여기서 중요한 변수가 하나 더 있다.

기존 글에서 사용했던 업계 추정 기준으로 Frontier AI Labs는 현재 확보한 Compute의 약 70%를 Pre-training·Post-training·Research, 약 30%를 Inference에 사용하는 것으로 가정했다.

https://x.com/michael_wiebe/status/2119207429393220041
Computing 용량 중 여전히 절반 이상은 Trainning 비중

정확한 공식 수치는 아니지만 방향성은 중요하다.

AI Labs는 지금 당장 고객에게 팔 수 있는 Compute 상당 부분을 다시 더 좋은 Model을 만드는 데 재투자하고 있다.

그 이유는 아직 Training과 Post-training의 Marginal Return이 높기 때문이다.

Better Model
→ Better Coding / Research
→ Better Training Data / Evaluation
→ Better Model

이라는 RSI Loop가 작동한다.

즉 현재 Frontier AI Lab의 낮은 Margin에는 단순한 원가 부담뿐 아니라 미래 Intelligence를 만들기 위한 거대한 R&D Compute 재투자가 섞여 있다.

---

6. 그래서 진짜 Margin Expansion은 Training의 수확체감에서 올 수 있다

이 구조가 영원히 유지되지는 않을 것이다.

어느 순간 Model 성능개선의 한계수익률이 낮아질 수 있다.

이 자료의 Sensitivity Analysis가 특히 유용함. AI 알고리즘 개선의 수확체감 정도를 나타내는 β(난이도 지수)를 높일수록 AI R&D 자동화에 도달하는 시점이 늦어지는 모습을 보여줌.

2025년 10월 이후 Anthropic의 모델 성능 향상 속도는 RSI 적극 도입으로 인해 과거 대비 약 1.9배로 가속되고 있지만 언젠가는 수확체감법칙에 직면할 것. 

그때는

Marginal Return on Inference > Marginal Return on Training

이 되는 순간이 온다.

예를 들어 현재 Compute Mix가

Training/Post-training 70
Inference 30

이라고 하자.

총 Compute가 그대로인데

50 : 50

으로 이동하면 Revenue-generating Compute는

30 → 50

으로 약 67% 증가한다.

40 : 60으로 이동하면

30 → 60

으로 2배가 된다.

GPU를 한 장도 추가하지 않고 기존 Compute Allocation만 바꿨는데 Revenue Capacity가 크게 늘어나는 것이다.

이것이 내가 생각하는 LLM 사업자에게 존재하는 첫 번째 Margin Expansion Lever다.

---

7. 두 번째 Margin Expansion은 Cloud 내재화다

첫 번째가 Compute Allocation이라면 두 번째는 Compute Procurement다.

지금 Anthropic은 Forecast를 틀릴 때마다 비싼 Short-term Compute를 구매한다.

하지만 Anthropic Direct와 OpenAI의 Stargate처럼 Base Compute를 직접 또는 장기계약으로 확보하면 Cloud 사업자에게 지급하던 Margin과 Scarcity Premium을 줄일 수 있다.

즉,

Training → Inference

를 통해

Revenue / Compute ↑

가 발생하고,

동시에

External Cloud → Direct / Dedicated Compute

를 통해

Cost / Compute ↓

가 발생할 수 있다.

한쪽에서는 분자가 올라가고,

다른 한쪽에서는 분모가 내려간다.

LLM 입장에서는 상당히 강력한 Double Operating Leverage다.

---

8. 그런데 더 중요한 것은 Compute 공급이 늘어나면 새로운 AI 수요가 생긴다는 점이다

여기서 장기적으로 한 단계 더 생각해볼 필요가 있다.

Compute가 부족하면 현재 존재하는 수요도 모두 충족하지 못한다.

하지만 공급이 늘어나고 Hardware와 Algorithm이 발전하면서 Token 가격이 내려가면 상황이 달라진다.

Compute Supply ↑
→ Cost per Token ↓
→ 경제성 있는 AI Application 증가
→ Token Consumption ↑
→ Aggregate Compute Demand ↑

가 된다.

즉 Compute Scarcity 자체가 Compute Demand를 만드는 것은 아니다.

현재의 Scarcity가 Marginal Compute의 경제적 가치가 매우 높다는 것을 증명하고,

그 높은 수익성이 추가 Compute 투자를 유도하며,

공급 확대와 Token Cost 하락이 다시 지금까지 경제성이 없어 드러나지 않았던 Latent Intelligence Demand를 현실화하는 구조다.

초기 Cloud가 그랬듯, 더 많은 Compute 공급은 기존 수요를 채우는 데서 끝나지 않을 수 있다.

오히려 우리가 이전에는 상상하지 못했던 새로운 Application을 만들어낼 수 있다.

---

9. 왜 Latent Demand가 그렇게 클 수 있을까

이전 「생각정리 419」에서 AI의 Customer Economic Benefit를 LLM Service fee 대비 대략 2x~20x 범위로 생각해봤다.

정확한 산업 평균이라기보다 Application별 Value Creation의 차이를 보기 위한 Framework다.

기존 White-collar 업무를 대체하는 영역은 기존 인건비가 Benchmark다.

Coding, Research, Accounting, Customer Service를 더 싸게 수행한다면 Economic Value는 대략 2x 안팎일 수 있다.

하지만 제약·바이오, 신소재, 물리, 수학, Engineering처럼 인간이 기존에 하지 못했던 일을 가능하게 만드는 영역은 다르다.

여기서는

Human Cost Saved

가 아니라

Previously Impossible Outcome Created

가 가치의 기준이다.

$10M의 Intelligence Cost가 $200M의 추가 NPV를 만든다면 이미 20x다.

성공한 신약이나 새로운 소재, 공학적 설계 하나가 수십억 달러의 가치를 만든다면 그 이상도 가능하다.

이런 Application이 늘어날수록 Compute Demand의 가격탄력성은 낮아진다.

Cloud Fee가 두 배가 되더라도 Customer Value가 10~20배라면 Compute 구매를 멈출 이유가 크지 않기 때문이다.

---

10. 그래서 Cloud Scarcity와 LLM Margin Expansion은 동시에 가능하다

여기까지 오면 처음에는 모순처럼 보였던 두 가지 현상이 동시에 성립할 수 있다.

첫째,

Compute Scarcity
→ Cloud Revenue/MW ↑
→ Cloud Margin ↑

둘째,

**Training → Inference

• Cloud 내재화
  → LLM Revenue/Compute ↑
  → LLM Cost/Compute ↓
  → LLM Margin ↑**

이다.

즉 Cloud와 LLM이 반드시 Zero-sum일 필요는 없다.

Intelligence Demand가 충분히 빠르게 증가한다면 산업 전체 Profit Pool 자체가 커질 수 있다.

Cloud는 Physical Scarcity를 Monetize하고,

LLM은 그 Compute를 더 높은 Economic Value의 Intelligence로 변환해 다시 고객에게 판매한다.

---

11. 그리고 이 논리를 끝까지 밀어붙이면 결국 다시 LLM Hegemony로 돌아온다

여기서 기존 「생각정리 420」의 결론을 한 단계 더 극단적으로 밀어볼 수 있다.

현재는 Cloud가 강하다.

이유는 간단하다.

Compute가 부족하기 때문이다.

AI Labs는 Model을 가지고 있지만 그 Model을 고객에게 제공하려면 결국 Cloud의 Land·Power·GPU를 빌려야 한다.

그래서 현재는 Physical Scarcity를 가진 Cloud가 LLM의 Margin 일부를 가져간다.

하지만 시간이 지나면 구조가 바뀔 수 있다.

• OpenAI와 Anthropic이 직접 Compute를 확보하고,
• 여러 Cloud와 NeoCloud를 Portfolio처럼 관리하고,
• 자체 Chip과 Orchestration까지 확보하면,

Cloud는 더 이상 절대적인 Gatekeeper가 아니다.

동시에 Training 수확체감이 시작되면 기존 Compute의 더 많은 부분이 Inference로 이동한다.

그러면 LLM은

더 많은 Revenue-generating Compute

와

더 낮은 Unit Compute Cost

를 동시에 갖게 된다.

그 위에 Customer Application까지 직접 내려가면 가장 높은 Value Creation이 발생하는 영역까지 가져갈 수 있다.

즉 장기적으로는

**Model

• Compute

• Cloud Orchestration

• Inference

• Application**

을 모두 통제하는 Frontier AI Lab이 나타날 수 있다.

그때부터 LLM은 더 이상 Cloud의 Customer가 아니다.

Cloud를 내부에 포함한 Intelligence Platform이 된다.

---

12. 가장 극단적인 시나리오에서는 Cloud가 LLM의 Cost Center가 될 수도 있다

여기서 한 단계 더 나아가 생각해보면 재미있는 결론이 나온다.

현재는 우리가

Cloud → LLM → Customer

라는 Value Chain으로 AI를 본다.

하지만 Frontier LLM이 충분히 Vertical Integration되면,

Cloud 자체가 LLM 내부의 Infrastructure Layer로 흡수될 수 있다.

Amazon에게 Warehouse가 사업 그 자체가 아니라 Commerce를 가능하게 만드는 Infrastructure인 것처럼,

OpenAI나 Anthropic에게 Data Center와 Compute도 장기적으로는 Intelligence를 생산하기 위한 내부 생산설비가 될 수 있다.

그렇다면 Value Chain은

Power / Compute
→ Intelligence Factory
→ Model / Agent
→ Customer Application

으로 재정의된다.

그리고 최종 고객에게 가장 가까우면서,

가장 높은 Economic Value를 만들어내고,

동시에 Compute까지 직접 통제하는 사업자가 가장 많은 Value를 Capture할 가능성이 높다.

이 시나리오에서는 장기적으로 Cloud의 Hegemony보다 LLM의 Hegemony가 더 강해질 수 있다.

---

13. 물론 한 가지 조건이 필요하다

이 결론이 성립하려면 LLM이 만들어낸 Economic Surplus를 실제로 Capture할 수 있어야 한다.

AI가 고객에게 20달러의 가치를 만들어도 OpenAI가 2달러밖에 받지 못하면 나머지 18달러는 고객이나 Application 사업자가 가져간다.

따라서 최종 Hegemony를 결정하는 것은 단순 Model 성능이 아니다.

누가 Marginal Compute 1달러를 가장 높은 Economic Value로 전환하고, 그 Value 가운데 가장 큰 몫을 실제 Revenue와 Margin으로 Capture하느냐다.

그 능력을 Frontier LLM이 확보한다면 Cloud의 물리적 희소성보다 더 강한 Hegemony를 가질 가능성이 있다.

---

정리하며 — Follow the Intelligence

지금까지의 흐름을 숫자로 다시 정리하면 단순하다.

Anthropic은 3Q26에 $5B의 Short-term Compute를 추가 사용했다.

Compute Cost 비중은 48% → 58%,

Adjusted Operating Margin은 **19% → 15%**로 하락했다.

반대로 Cloud 사업자는 장기 Capacity를 약 $20~22M/MW에 팔면서,

급하게 필요한 Short-term Capacity는 $40M+/MW까지 받을 수 있다.

현재의 Compute Scarcity는 분명 Cloud에 유리하다.

하지만 이 높은 Scarcity Rent는 동시에 AI Labs가 자체 Cloud와 Compute를 내재화하도록 만드는 가장 강력한 경제적 유인이 된다.

그리고 그 과정에서 또 하나의 Option이 존재한다.

현재 Frontier Labs가 Training/Post-training에 사용하고 있는 막대한 Compute가 향후 Inference로 이동할 수 있다는 점이다.

70:30의 Compute Mix가 50:50으로만 바뀌어도 Revenue-generating Compute는 67% 증가한다.

40:60이면 2배가 된다.

동시에 자체 Compute 비중이 증가하면 Cloud 사업자에게 지급하던 Margin과 Scarcity Premium도 줄어든다.

Revenue/Compute는 올라가고, Cost/Compute는 내려간다.

그리고 Compute 공급 확대와 Token Cost 하락은 AI Demand의 끝을 만드는 것이 아니라,

오히려 그동안 가격 때문에 드러나지 않았던 Latent Intelligence Demand를 새롭게 현실화할 수 있다.

Cheaper Intelligence
→ More Applications
→ More Usage
→ More Compute
→ Cheaper Intelligence

라는 새로운 Jevons Loop다.

이 모든 논리를 끝까지 밀어붙이면 장기적인 Hegemony의 방향도 조금 달라 보인다.

현재는 Cloud가 희소한 Compute를 통제하기 때문에 강하다.

• 하지만 Frontier LLM이 Compute를 직접 확보하고,
• Training에서 Inference로 자원을 재배분하며,
• Cloud Orchestration과 Application까지 Vertical Integration하기 시작하면

결국 가장 높은 Value Creation과 Value Capture가 다시 LLM 쪽으로 올라갈 가능성이 있다.

Cloud는 Intelligence를 생산하기 위한 Infrastructure다.

LLM은 그 Infrastructure를 고객이 지불할 의사가 있는 Economic Value로 바꾼다.

그래서 장기적으로 가장 중요한 질문은

Who owns the Compute?

가 아니라,

Who turns Compute into the most valuable Intelligence?

가 될 가능성이 높다.

그리고 그 답이 계속 OpenAI와 Anthropic 같은 Frontier Lab이라면,

AI 산업의 최종 Hegemony는 결국 다시 LLM을 중심으로 재편될 수도 있지 않을까 한다.

마지막으로 시장에서는 너무 LLM이 곧 망할 것 처럼 말하는데 내 생각은 좀 다르다는걸 기록해 남겨두고 싶었다.

물론 AI가 거품이라고 생각하는 무료 LLM을 쓰는 대다수의 사람들에겐 와닿지 않는 망상에 가까운 내용일 수도 있겠다 싶기도 하다. 

=끝

생각정리 430 (* 반성문, The Cost of Inaction, Political Risk & Earnings)

車·조선 파업에 근로손실 45% 급증…성과급 배분 요구 확산

[단독]한화오션 골리앗 크레인 나흘째 멈췄다…조선·철강 파업 확산

화장품 생산업체 한국콜마에 노조 생겼다

삼성전자에 여섯 번째 노조 설립 움직임… 초기업·동행 출신 인사가 주도

하나머티리얼즈지회 “끝까지 손맞잡고 반드시 승리하자”

지난밤 급락장에서 별다른 대응 없이 하락분을 고스란히 맞은 이유에 대해 반성문이라도 한 편 적고 넘어가야겠다는 생각이 들었다.

돌이켜보면 가장 큰 이유는 의외로 단순했다.

반도체를 떠나 피신할 만한 마땅한 산업을 찾지 못했다는 것이다.

물론 시장의 경고음을 무시했던 것은 아니다.

• 중국 메모리 업체들의 추격,
• AI 수요 둔화,
• 자본경색,
• AI Labs의 자본지출 지속가능성,
• 그리고 미국 중간선거 이후 AI Infrastructure 규제 강화 가능성까지.

그동안 시장에서 제기된 위험들은 사내 팀내에서 충분히 검토되고 있었다.

다만 이러한 변수들이 AI의 장기 성장성을 근본적으로 훼손하거나, 단기적으로 우리 포지션의 Earnings에 중대한 영향을 미칠 것이라는 결론에는 이르지 못했다.

오히려 매일 새로운 자료와 실적을 확인하고 기존 가정을 수정할수록 AI 산업의 장기 성장을 뒷받침하는 근거들이 계속 축적되고 있었다.

앞서 생각정리 429 (* AI Demand/Supply Isn’t the Problem. Leverage and Overreaction Are.)에서도 정리했듯, 현재 시장의 우려는 AI Demand 자체의 구조적 훼손보다 자본조달과 Infrastructure 공급 과정에서 발생하는 일시적인 불균형에 더 가깝다고 판단했다.

반면 대안이 될 만한 국내 다른 산업을 살펴보면 상황이 달랐다.

산업의 장기 성장성을 뒷받침하는 변수들은 개선되기보다 악화되는 경우가 많았고, 특히 기업 스스로 통제하기 어려운 외부 위험이 점점 커지고 있다는 인상을 받았다.

그중 가장 우려스러웠던 것은 국내 정치·정책 Risk였다.

사실 이러한 우려는 이번 급락장에서 갑자기 생겨난 것이 아니다.

지난 5월부터 한국경제와 노동정책, 산업경쟁력, 정치적 불확실성에 관해 여러 차례 글을 작성했던 것도 같은 이유였다.

당시에는 향후 발생할 수 있는 위험을 미리 고민하는 차원이었다면,

최근에는 실제 기업들의 실적과 Earnings Model을 통해 그 위험이 어떻게 전이될 수 있는지를 확인하고 있는 셈이다.

1. 한국 제조업의 경쟁력은 무엇으로 유지되어 왔는가

한국 제조업이 오랜 기간 국제경쟁력을 유지할 수 있었던 근간은 근면성실한 노동력, 높은 품질, 정확한 납기 준수, 그리고 뛰어난 원가경쟁력이었다.

Quality, Delivery, Cost.

한국 제조업은 이러한 경쟁력을 바탕으로 성장했고, 이제 일부 산업에서는 독자적인 기술경쟁력까지 확보하며 한 단계 더 도약하는 과정에 있다고 생각한다.

문제는 최근 노동정책 변화가 이러한 경쟁력의 근간을 흔들 수 있다는 점이다.

사실 노란봉투법에 대한 우려는 지난 5월부터 계속 기록해 왔다.

생각정리 256 (* 노란봉투법, P/F재조정)에서는 원·하청 교섭 구조의 변화가 기업의 비용과 생산계획, 장기적인 자본배분에 미칠 영향을 다뤘다.

이어 생각정리 259 (* 노란봉투법, 밀턴 프리드먼, 병든사회)에서는 노동조합의 교섭력 강화가 기존 조직 노동자의 이익을 높이는 반면, 그 비용이 기업과 비조합원, 신규 고용 및 미래 투자에 전가될 가능성을 고민했다.

당시부터 우려했던 것은 노동자의 임금 상승 자체가 아니었다.

기업이 감당해야 할 비용과 조업 불확실성이 구조적으로 높아질 수 있다는 점이었다.

파업에 따른 생산 차질, 납기 불확실성, 성과급 부담, 지속적인 기본급 인상 가능성까지.

특히 기본급 인상은 일회성 성과급과 달리 향후 수년간 기업의 고정비 구조에 영향을 미친다.

조업 불확실성 역시 단순히 생산량 감소로 끝나지 않는다.

장기 계약을 수행하는 조선·방산·원전과 같은 산업에서는 납기 지연이 프로젝트 원가 상승과 고객사 신뢰 훼손으로 이어질 수 있다.

회사는 계약상 의무를 이행해야 하고, 생산 차질에 따른 손실도 감당해야 한다. 반면 파업에 따른 손실이 커질수록 노조의 요구를 거절하기 어려워지는 협상상의 압박에 직면할 수 있다.

물론 개정 법률이 모든 파업을 정당화하거나 기업에 모든 요구를 수용하도록 강제하는 것은 아니다.

그러나 그 제도 변화가 기업의 실질적인 협상력과 비용 부담에 어떤 영향을 미칠지는 투자자 입장에서 결코 가볍게 볼 문제가 아니다.

노동비용 상승은 Margin을 훼손하지만, 납기에 대한 신뢰가 무너지면 장기적인 수주경쟁력 자체가 훼손될 수 있다.

이것이 노란봉투법을 단순한 노동정책이 아니라 한국 제조업의 장기적인 Fundamental Risk로 바라보는 이유다.

(*특히 공사기간이 긴 해외수주 Base 산업일수록 Risk가 크다.)

2. 정치·정책 Risk는 결국 기업의 Earnings Risk다

개인적으로 이러한 상황에 이르게 된 데에는 현 정부와 정치권의 정책 판단에 상당한 책임이 있다고 생각한다.

지난 생각정리 255 (* Korea’s Political Risk)에서는 한국의 정책 불확실성이 외국인 투자자의 원화자산 선호도와 Korea Discount에 미칠 가능성을 다뤘다.

이후 생각정리 261 (* 정부 실패)에서는 기업이 창출한 이익이 어떤 제도 아래에서 보존되고 재투자될 수 있는지가 장기 기업가치를 결정한다는 문제의식을 정리했다.

그때부터 갖고 있던 생각은 지금도 크게 달라지지 않았다.

기업의 Earnings는 산업의 수요와 기술경쟁력만으로 결정되지 않는다.
그 기업이 속한 국가의 제도와 정책환경에도 영향을 받는다.

정부의 노동정책과 세제, 규제, 재정정책은 모두 기업의 비용구조와 투자 유인을 바꿀 수 있다.

더욱이 최근 대통령의 사법적 쟁점과 사법제도 개편, 권력분립을 둘러싼 정치적 갈등을 지켜보면 제도와 정책의 예측가능성이 충분히 유지되고 있는지 의문이 든다.

개인적으로 가장 우려스러운 부분은 특정 정당의 정치적 성향보다도, 정치적 목표를 추진하는 과정에서 기업과 산업이 감당해야 할 장기적인 비용을 지나치게 가볍게 취급하는 듯한 태도다.

앞서 생각정리 392 (* The Cost of Intervention)에서도 지적했듯, 정부의 개입으로 발생하는 비용은 결코 사라지지 않는다.

누군가의 장부로 이전될 뿐이다.

• 노동비용 상승은 기업의 Margin에 반영되고,
• 규제 강화는 투자비용을 높이며,
• 정책 불확실성은 투자자가 요구하는 Risk Premium을 높일 수 있다.

특히 국가 간 신뢰가 중요한 조선·방산·원전은 기업의 기술력과 가격경쟁력만으로 해외 수주를 확보하는 산업이 아니다.

발주국과의 외교·안보협력, 계약 이행능력, 장기적인 정책 안정성까지 모두 경쟁력의 일부다.

따라서 국내 정치적 불확실성과 노사관계 불안정이 지속된다면 해외 수주경쟁력에도 부정적인 영향을 미칠 가능성을 배제하기 어렵다.

물론 최근 개별 기업의 수주 지연이나 Earnings Shock을 모두 정치 문제로 설명할 수는 없다.

그러나 Policy Risk → Cost·Delivery Uncertainty → Margin·Order Competitiveness → Earnings로 이어질 수 있는 인과관계는 투자자가 반드시 고려해야 한다.

이것은 정치에 대한 호불호보다 기업가치 평가의 문제에 가깝다.

3. 이전에 우려했던 한국 제조업의 변화가 실적에 나타나고 있는가

지난 생각정리 383 (* Hyundai’s Slump, Korea’s Warning)에서는 현대차의 부진을 개별 기업의 문제로만 해석해도 되는지 의문을 제기했다.

해외에서는 경쟁 심화와 상품 경쟁력 문제가 나타나고, 국내에서는 노동비용과 생산 차질, 조업 불확실성이 동시에 높아지는 구조였다.

그때의 문제의식은 단순했다.

한국 제조업의 경쟁력 약화가 개별 기업의 문제가 아니라 산업 전반의 구조적인 문제로 확산되고 있는 것은 아닐까.

이후 생각정리 395 (* Semiconductor Dutch Disease)에서는 한 단계 더 나아가 한국경제의 이익이 반도체에 집중되는 현상과 비반도체 산업의 상대적인 경쟁력 약화 가능성을 다뤘다.

당시에는 반도체 초과이익이 환율과 자본배분에 미칠 영향, 그리고 한국의 다른 수출산업이 직면할 수 있는 비용 부담과 국가 Risk Premium에 주목했다.

물론 반도체 호황이 다른 제조업의 경쟁력을 직접 훼손한다고 단정할 수는 없다.

그럼에도 산업별 이익 창출능력과 정책위험에 대한 민감도가 점점 달라지고 있다는 점은 눈여겨볼 필요가 있었다.

최근 3Q Earnings를 살펴보면서 이러한 우려는 더욱 커졌다.

특히 조선·방산·원전 등 국내 주요 중후장대 기업들의 실적발표와 Earnings Call을 듣고 모델을 업데이트할수록 노사협상, 성과급, 인건비 상승, 생산 차질과 관련된 비용이 앞으로 어떻게 반영될지 명확하게 파악하기 어려운 경우가 있었다.

장기 수주산업에서는 인건비와 공사기간이 달라지는 것만으로도 예상 프로젝트 원가율과 수익성이 크게 변할 수 있다.

Backlog는 Revenue의 가시성을 높여주지만, Margin까지 보장해주지는 않는다.

더욱이 4Q는 전통적으로 대형 수주와 프로젝트 정산, 성과급 및 각종 비용 조정이 집중되는 시기다.

따라서 그동안 실적에 충분히 드러나지 않았던 원가 상승과 노사관계 관련 비용이 이번 4Q에 구체화될 가능성을 염두에 두고 있다.

물론 실제 비용 반영 여부와 규모는 기업별 계약조건 및 회계적 판단에 따라 달라질 것이다.

그러나 중요한 것은 이미 발생한 비용뿐 아니라 향후 발생할 비용의 예측가능성이 낮아질 수 있다는 점이다.

돌이켜보면 지난 5월부터 기록했던 정책위험에 대한 우려가, 10월에는 제조업 경쟁력에 관한 문제의식으로 이어졌고, 이제는 실제 기업들의 Earnings Model에서 검증해야 할 변수로 구체화되고 있는 셈이다.

정치·정책 Risk가 단순한 외부 소음을 넘어 Earnings Risk로 전이될 수 있다는 기존 가설을 계속 검증하고 있는 것이다.

4. 그래서 왜 반도체를 팔지 못했는가

결국 이번 급락장에서 반도체 포지션을 유지했던 이유도 여기에 있다.

AI 산업에서는 여러 단기적인 위험에도 불구하고 Demand와 장기 Earnings Growth를 뒷받침하는 근거들이 계속 확인되고 있었다.

반대로 다른 국내 산업에서는 정책 불확실성과 노동비용 상승, 생산 차질, 납기 위험 등 장기 Earnings Power를 훼손할 수 있는 요인들이 점점 더 눈에 들어왔다.

이는 단순히 반도체 산업에 대한 확신이 강해서 다른 산업을 보지 않았다는 의미가 아니다.

오히려 다른 산업을 계속 살펴보고 Earnings Model을 업데이트할수록 반도체에서 벗어날 유인이 상대적으로 줄어들었다는 표현이 더 정확할 것 같다.

AI에서는 시장이 단기적인 위험을 구조적인 위험으로 과대평가하고 있다고 판단했고, 다른 산업에서는 시장이 구조적인 정책 위험을 오히려 과소평가하고 있다고 판단했다.

이것이 이번 급락장에서도 반도체 포지션을 유지했던 가장 근본적인 이유다.

물론 장기적인 투자 Thesis가 옳다고 해서 단기적인 주가 하락까지 정당화되는 것은 아니다.

기업의 Fundamentals가 유지되더라도 Leverage 축소와 유동성 경색, Risk Premium 상승만으로 주가는 얼마든지 크게 하락할 수 있다.

이번 하락장에서 반성해야 할 부분도 바로 이것이다.

장기적인 기업가치에 대한 확신과 단기적인 포트폴리오 Risk Management를 충분히 분리하지 못했다.

그렇다고 단기적인 하락을 피하기 위해 장기 성장성에 대한 확신이 낮고, 정책 위험은 더 크다고 판단한 산업으로 자금을 옮기는 것이 합리적인 선택이었는지는 여전히 의문이다.

결국 당시의 판단은 반도체가 위험하지 않다는 것이 아니었다.

다른 대안과 비교했을 때 반도체의 장기적인 Risk-Adjusted Earnings Growth가 여전히 더 매력적이라는 판단이었다.

다만 그 판단이 틀릴 가능성과 시장이 단기적으로 크게 흔들릴 가능성에 대비한 포트폴리오상의 여유가 부족했다.

(*쉽게 말해, 어차피 맞아야 한다면 적어도 실적으로 증명되는 곳에서 맞는 편이 낫겠다는 생각이었다.)

글을 마치며

돌이켜보면 지난 몇 달간 한국경제와 산업, 정치·정책 위험에 관해 반복적으로 글을 남긴 이유는 결국 하나였다.

기업의 장기 Earnings를 결정하는 것은 산업의 성장성뿐 아니라 그 성장을 얼마나 안정적인 비용구조와 제도적 환경 속에서 실현할 수 있는가라는 점이다.

지난 5월에는 노동정책과 정치적 불확실성이 한국경제에 미칠 위험을 고민했다.

10월에는 그 위험이 제조업의 원가경쟁력과 환율, 해외 수주경쟁력에 어떤 영향을 미칠 수 있는지 살펴봤다.

그리고 11월에는 실제 3Q Earnings를 확인하고 기업별 Earnings Model을 다시 만들어보면서 그 가설을 검증하고 있다.

아직 모든 우려가 현실로 확인된 것은 아니다.

그러나 매일 시장에 참여하고 기업들의 실적을 따라갈수록 이러한 정책 위험을 단순한 정치적 소음으로 치부하기는 점점 어려워지고 있다.

반면 같은 기간 AI 산업에서는 여러 악재에도 불구하고 장기적인 수요와 기업들의 Earnings Growth를 뒷받침하는 근거들이 계속 확인되고 있었다.

결국 이번 하락장에서 별다른 대응을 하지 못했던 것은 분명 반성할 일이다.

다만 그 반성의 결론이 무조건 다음 하락장에서는 먼저 팔고 도망가야 한다는 것이어서는 안 된다고 생각한다.

내가 가장 확신하는 산업에 투자하는 것과, 그 확신이 틀릴 가능성에 대비하는 것은 전혀 다른 문제다.

이번에는 전자에 너무 많은 무게를 두었고, 후자를 충분히 관리하지 못했다.

그것이 이번 급락장에서 얻은 가장 큰 교훈이다.

동시에 반도체를 떠나 다른 산업으로 이동하지 못했던 이유 역시 분명하다.

반도체의 단기적인 주가 하락위험보다 대안 산업의 장기적인 Earnings 훼손 위험이 더 크게 보였기 때문이다.

그리고 그 판단은 이번 하락장에서 갑자기 만들어진 것이 아니라, 지난 수개월간 한국경제와 산업, 정치·정책 환경을 살펴보며 쌓아온 생각들의 연장선에 있었다.

물론 지금까지의 판단이 옳았는지는 앞으로의 실적이 증명해 줄 일이다.

개인적인 반성이며, 지난 몇 달간 기록해 온 생각들을 다시 연결해보는 차원에서 남겨본다.

마지막으로 다른 지역방송사 유튜브  채널 말고 개인 유튜브 채널로 더 많은 소통을 해주시길 바래본다. 

#대통령의Y 1회 [소통]
댓글창은.. 내 마음의 안식처..

=끝

생각정리 429 (* AI Demand/Supply Isn’t the Problem. Leverage and Overreaction Are.)

경남 합천군 가야산에는 해인사를 지나 가파른 언덕을 한참 더 올라가면 실버타운과 함께 고랭지 밭과 과수원이 펼쳐지는 곳이 나온다. 워낙 산 꼭대기 산 깊숙한 곳에 위치해 있는지라 구름 안개가 자욱하고, 인적도 드문지라 고전시에나 나올법한 장면이 자주 연출되는 곳이였다.

특히 겨울이면 고라니, 노루, 멧돼지가 먹을 것을 찾아 밭으로 내려오곤 해 야생동물을 직관하기 좋은 곳이였다.

(*다람쥐, 청솔모가 정말 징그럽게 많았던 기억도 있다.)

농작물 피해를 막으려고 전기가 흐르는 울타리를 두르고 여러 장애물도 설치했지만, 동물들은 보란 듯 틈을 찾거나 울타리를 무너뜨리고 들어왔다. 해마다 되풀이되는 피해를 보면서, 산속의 먹이가 부족해지면 저런 장애물만으로는 막기 어렵겠다는 생각을 하곤 했다.

최근 AI Data Center를 둘러싼 갈등을 보면서 문득 그때의 풍경이 떠올랐다.

데이터센터는 지난 수십 년 동안 존재해 왔다. 그런데 왜 최근 들어 소음과 전력, 용수 문제로 지역사회와 이토록 큰 마찰을 빚게 됐을까. 그 배경에는 과거와 비교하기 어려울 만큼 빠르게 늘어난 AI Computing Demand가 있다고 생각한다.

전력망과 부지를 확보하고 물리적 인프라를 건설하는 속도보다 연산 수요가 더 빠르게 증가하면서, 인프라에 굶주린 데이터센터의 확장이 주민들의 생활권과 맞닿기 시작한 것이다.

미국 데이터센터 전력 소비는 2014~2024년 10년간 증가한 양의 약 3.4배를 그다음 6년 동안 추가로 요구하는 셈

산속에서 먹이를 구하기 어려워진 굶주린 야생동물이 밭과 민가 가까이 내려오던 모습이 겹쳐 보였다.

물론 농작물 피해를 입는 주민에게는 울타리가 필요하고, 피해를 줄일 실질적인 대책도 마련돼야 한다. 다만 야생동물이 밭으로 내려온다고 머신건을 들고 전국의 모든 야생동물을 없애겠다는 결론으로 이어지는 것은 자연스럽지 않다.

데이터센터도 마찬가지다. 소음과 전력·용수 비용을 둘러싼 갈등이 커졌다는 사실과, 앞으로 모든 AI Data Center 건설이 중단되거나 무기한 연기될 것이라는 전망 사이에는 상당한 거리가 있다. 사업자가 부담해야 할 비용이 늘어나는 것 역시, 그 자체로 모든 프로젝트의 경제성이 사라진다는 뜻은 아니다.

그래서 이번에는 내러티브에서 조금 벗어나 숫자로 범위를 좁혀보고자 한다. 이번 ‘블루 쓰나미’ 이후 예상되는 환경규제와 인허가 지연이 실제로 어느 정도의 데이터센터 건설 물량에 영향을 주고, 그 영향이 언제부터 얼마나 Chip IDM의 실적으로 이어질 수 있는지 살펴보려 한다.

막연한 낙관이나 비관에 앞서, 시장이 두려워하는 범위와 실제 실적이 영향을 받는 범위 사이의 간극을 확인해보고자 한다. 

 

미국 전역 AI Data Center 규제: 2027~2030년 지연 GW와 반도체 실적 영향 추정

이번 미국 중간선거 이후 AI Infrastructure를 둘러싼 시장의 우려는 결국 하나로 모인다.

Data Center 규제가 실제 Compute 증설을 얼마나 늦추고, 그 결과 GPU·ASIC·HBM을 비롯한 AI Semiconductor 실적이 얼마나 훼손될 것인가.

그런데 이 문제를 판단하려면 순서를 거꾸로 놓아서는 안 된다고 생각한다.

Data Center 규제부터 보는 것이 아니라, 가장 먼저 AI Computing Demand 자체가 꺾이고 있는지부터 확인해야 한다.

그다음에야,

AI Demand
→ Required Compute
→ Data Center Capacity
→ Regulation / Power / Permit Constraint
→ Hardware Shipment Timing
→ Semiconductor Earnings

순서로 내려가는 것이 맞다.

Texas의 정치구조와 Moratorium의 법적 한계, PUCT·TCEQ·ERCOT의 권한은 생각정리 425 (* 2026 US midterm election, AI D/C)와 생각정리 427 (* 2026 US Midterm Election, Political Gridlock vs AI Infrastructure)에서 이미 다뤘다.

규제 이후 Data Center가 Land + Generation + Grid + Water + Permit + Community Benefit 구조로 바뀔 가능성은 생각정리 426 (* AI Data Center Regulation, Follow the New Architecture)에서, 지역경제와 세수·Capital Competition은 생각정리 428 (* AI Data Centers, Local Prosperity & Global Capital Competition)에서 정리했으므로 반복하지 않는다.

이번 글에서는 한 단계 더 내려가 보려 한다.

미국 전체에서 실제로 몇 GW가 규제 때문에 늦어질 수 있으며, 그것이 AI Semiconductor 공급망의 매출 인식에 어느 정도 영향을 줄 것인가.

---

1. 먼저 AI Demand가 정말 약해지고 있는가

결론부터 말하면 현재까지 확인되는 최신 자료에서는 AI Computing Demand가 구조적으로 하락하고 있다는 징후를 찾기 어렵다.

오히려 Frontier Training과 Commercial Inference 양쪽에서 Compute를 더 확보하려는 경제적 유인이 강해지고 있다.

RSI는 Training Compute의 가치가 아직 높다는 것을 보여준다

11월 5일 METR가 Anthropic 내부자료에 직접 접근해 발표한 결과가 흥미롭다.

Anthropic의 내부 모델 Capability Progress는 2025년 10월 이전 추세보다 약 1.9배 빠르게 발전하고 있으며, METR는 현재 가속의 상당 부분이 Anthropic이 AI를 AI R&D에 활용한 결과라고 판단했다.

https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/#key-findings

https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/#key-findings

https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/#key-findings

더 중요한 것은 이러한 가속이 Training Compute 증가속도의 가속 때문은 아니었다는 점이다.

METR는 향후 12개월 동안 Algorithmic Progress, Training Compute, Experiment Compute, Data 가운데 발전을 명확하게 중단시킬 병목도 확인하지 못했다. 물론 상당수 내부근거가 비공개 처리됐다는 점에서 불확실성은 남아 있다.

이 결과는 꽤 중요한 의미를 가진다.

AI가 같은 연구시간과 Compute로 더 많은 실험을 가능하게 만들면 Frontier Lab 입장에서 추가 Compute의 한계가치는 떨어지는 것이 아니라 오히려 높아질 수 있다.

https://x.com/michael_wiebe/status/2119207429393220041
Computing 용량 중 여전히 절반 이상은 Trainning 비중

AI Research Productivity ↑
→ Experiment Throughput ↑
→ Better Model
→ Higher Research Productivity

라는 Feedback Loop가 만들어질 수 있기 때문이다.

RSI와 모델개발의 관계 자체는 이전 글에서 여러 차례 다뤘으므로 이번에는 여기까지만 언급한다.

Anthropic은 오히려 Compute 투자를 더 공격적으로 늘리고 있다

11월 2일 제출된 Anthropic S-1/A를 보면 수요 측면에서 더 직접적인 숫자가 나온다.

Anthropic의 2026년 1~9월 매출은 $33.2B, 3분기 매출은 약 $17B였다.

그런데 회사는 동시에 향후 Compute와 Infrastructure 관련 Purchase Commitment 및 Lease Agreement를 약 $895.4B까지 확보했다.

이 가운데 약 $69.8B가 향후 12개월 내 집행될 예정이다.

Anthropic은 S-1에서 Compute 투자가 장기성장의 전제조건이며, Research·Model Development·Customer Serving·Internal Claude Usage를 위해 공격적인 Compute 투자를 지속하겠다고 명시했다.

3분기에는 장기계약 물량만으로 부족해 상대적으로 비싼 $5B 규모 Short-term Compute까지 추가로 공급받았다.

Compute가 남아돌아서 투자속도를 줄이고 있는 기업의 행동과는 거리가 있다.

여기에 10월 말 Anthropic의 Annualized Revenue Run Rate가 $80B를 넘어섰다는 보도까지 나왔다.

TickerTrends

3분기 평균 매출을 단순 연환산한 수치와 월말 Run Rate를 직접 비교할 수는 없지만, 적어도 10월까지 Commercial AI Demand가 급격하게 꺾였다는 흔적은 보이지 않는다.

Anthropic의 Compute Monetization과 비용구조는 이미 생각정리 410 (* AI Compute Monetization, Anthropic S-1, Figure AI)에서 자세히 다뤘으므로 갈음한다.

Safety Regulation도 Compute 수요를 없애는 방향으로만 작용하지 않는다

민주당의 AI 정책방향 가운데 Alignment·Monitoring·Evaluation 강화를 별도로 볼 필요도 있다.

OpenAI는 8월 발표에서 고성능 모델에 적용하는 현재 Monitoring System의 Compute Overhead를 **감시 대상 Inference Compute의 약 20%**로 추정했다.

모든 AI Compute에 20%를 추가한다는 의미는 아니다.

하지만 Frontier Model이 강해질수록 Training과 Evaluation, Tool-using Inference에 Monitoring Layer가 붙는 구조는 새로운 Compute 수요를 만든다.

최근 OpenAI는 향후 Frontier Training의 Safety Case에 High-compute Red Teaming을 핵심절차로 편입하고 상당한 Compute를 별도로 확보하고 있다고도 밝혔다.

즉 규제강화는 Model Release를 늦출 수 있는 변수인 동시에,

**Training

• Evaluation

• Monitoring

• Red Teaming**

이라는 추가 Computing Layer를 요구할 수도 있다.

Agent와 Harness가 Token Consumption을 증폭시키는 구조는 이전 글에서 이미 충분히 반복했으므로 이번 글에서는 다시 설명하지 않는다.

현재의 핵심만 압축하면 다음과 같다.

따라서 현재까지의 자료만 놓고 보면 이번 중간선거 이후의 핵심문제는 Demand Destruction이라고 보기 어렵다.

문제는 그 Demand를 실제 Physical Capacity로 얼마나 빠르게 공급할 수 있느냐다.

---

2. 미국 전체에서 실제로 몇 GW가 늦어질까

여기서 가장 먼저 주의해야 할 것이 Data Center Pipeline 숫자다.

Headline Pipeline만 보면 미국에는 엄청난 Capacity가 존재한다.

DCMap은 2026년 10월 현재 미국에 345.9GW의 Planned + Under Construction Data Center Capacity가 있다고 집계한다.

이 가운데 Under Construction은 69.6GW, Planned는 276.3GW다.

https://www.datacentermap.com/usa/

Grounded Compute의 집계는 더 크다.

11월 1일 기준 미국에는 Operating 81GW 외에 Under Construction 142.1GW, Planned 204.5GW 등 364.7GW 이상의 Pipeline이 존재한다.

문제는 이 숫자 대부분을 2027~2030년 실제 공급량으로 볼 수 없다는 것이다.

궁극적인 Campus Build-out과 장기 개발계획, Grid Queue, Early-stage Proposal이 모두 포함돼 있기 때문이다.

즉, Announced GW ≠ Delivered GW이다.

실제 공급량을 기준으로 다시 계산해 보자

JLL은 Americas Data Center Capacity가 2025년 약 49GW에서 2030년 109GW로 증가할 것으로 전망한다.

미국은 Americas Capacity의 약 90%를 차지하고 있으며, JLL은 해당 지역의 2030년까지 Supply CAGR을 약 17%로 제시한다.

이번 계산에서는 JLL의 17% Rounded CAGR과 미국 비중 90%를 기계적으로 적용했다.

따라서 이는 JLL이 직접 제시한 연도별 미국 Forecast가 아니라 이번 글을 위한 추정치다.

따라서 이번 글에서 분석할 2027~2030년 미국 신규 Supply는 약 45.1GW다.

Headline Pipeline 350GW가 아니라 이 물량을 분모로 놓는 것이 훨씬 현실적이라고 생각한다.

---

Regulation Exposure는 어느 정도인가

규제 자체가 일부 지역에만 국한된 현상은 아니다.

Grounded Compute가 10월 31일까지 집계한 미국 내 Local Data Center Pause는 799건, Ban은 71건이다.

다만 State Level에서 현재 실제 조치가 발효된 곳은 2개 주, 법안이나 Proposal이 진행 중인 곳은 추가 16개 주다.

https://groundedcompute.com/us/moratoriums?utm_source=chatgpt.com

대부분의 규제는 미국 전역을 동시에 막는 Federal Ban이 아니라 지방정부 또는 주정부 차원의 Temporary Pause와 Rule-making이다.

반대로 규제가 집중되는 지역이 미국 Data Center 핵심지역이라는 점도 무시해서는 안 된다.

DCMap 기준 Texas, Virginia, Pennsylvania, Georgia, Ohio, Illinois의 Planned + Under Construction Capacity를 합하면 약 195.8GW다.

https://dcmap.us/insights/pipeline/?utm_source=chatgpt.com

미국 Gross Pipeline 345.9GW의 약 **57%**다.

따라서 이번 모델에서는 규제강화 지역의 Exposure를 55~65%로 잡았다.

---

6개월 이상 추가 지연될 Capacity를 추정하면

이제 계산을 단순화해 보자.

2027~2030년 신규 Supply 가운데 실제로 규제 때문에 6개월 이상 추가 지연될 물량은,

US New Supply
× Regulatory Region Exposure
× Permit-sensitive Capacity
× Probability of ≥6M Delay

로 계산했다.

두 번째와 세 번째 변수는 공식 전망치가 아니라 이번 글의 Model Assumption이다.

이미 Under Construction이거나 핵심 Permit을 확보한 Project보다 Early-stage·Later Phase·Grid Connection Pending Project의 위험이 훨씬 크다는 점을 반영했다.

산식도 그대로 일치한다.

Low

45.1 × 55% × 45% × 30%
= 3.35GW

Base

45.1 × 60% × 50% × 35%
= 4.74GW

High

45.1 × 65% × 55% × 40%
= 6.45GW

따라서 현재 내가 보는 합리적인 범위는,

2027~2030년 미국 신규 Supply의 약 7~14%, Base Case 약 10%가 규제 재정비 때문에 원래 예정된 시점보다 6개월 이상 지연될 가능성이다.

중요한 것은 이것이 3.3~6.4GW의 Capacity가 영구적으로 사라진다는 뜻은 아니라는 점이다.

대부분은 Timing Shift다.

2027 → 2028
2028 → 2029
Grid → Behind-the-Meter
Texas → 다른 Build-friendly State

와 같은 형태로 이동할 가능성이 높다.

---

연도별로는 2028년이 가장 민감하다

규제 정비가 2027년에 본격화된다고 가정하면 이미 공사가 상당히 진행된 2027년 COD 물량보다 2028년 예정 Project가 가장 직접적인 영향을 받게 된다.

아래 표는 각 연도에 원래 COD가 예정돼 있었지만 6개월 이상 밀릴 Capacity다.

즉 실제 해당 연도의 최종 Supply 감소량이 아니라 Gross Schedule Slippage다.

이제 누적 계산과 연도별 표의 합계가 정확히 일치한다.

2027년에 밀린 Capacity 일부는 2028년에 들어오고, 2028년에 밀린 Capacity 역시 2029년 이후 Catch-up할 수 있다.

따라서 이번 규제환경의 Base Case는

Capacity Destruction

이 아니라,

2027~2028 Delivery Valley → 2029~2030 Catch-up

에 더 가깝다고 생각한다.

---

3. 그렇다면 반도체 공급망에는 얼마의 물량이 걸려 있을까

다음은 GW를 Semiconductor Earnings로 연결할 차례다.

여기서도 한 단계를 건너뛰면 안 된다.

Delayed GW → IT Hardware → Semiconductor Content → Reallocation → Revenue Timing Impact

순서로 계산해야 한다.

AI Data Center 1GW에는 얼마의 Hardware가 들어갈까

JLL은 AI Infrastructure의 Tenant Tech Fit-out 비용이 MW당 최대 약 $25M까지 올라갈 수 있다고 본다.

1GW라면 약 $25B다.

Epoch AI가 GB200 NVL72 기반 1GW 미국 Hyperscaler AI Data Center를 Bottom-up으로 추정한 결과도 비슷하다.

Server CapEx 약 $21.2B, Network Infrastructure 약 $4.9B로 합계 약 $26.1B/GW다.

https://epoch.ai/data-insights/ai-datacenter-cost-breakdown

https://epoch.ai/data-insights/ai-datacenter-cost-breakdown

따라서 이번 계산에서는

1GW AI Compute Capacity
≈ $25~26B IT Hardware

를 기준으로 삼았다.

물론 이 전체가 Semiconductor Revenue는 아니다.

Server, Board, Networking System과 기타 Component를 포함하기 때문이다.

이번 모델에서는 실제 Semiconductor Content를 IT Hardware의 45~60%, Midpoint 약 55%로 가정했다.

이 부분 역시 공식 통계가 아니라 Earnings Sensitivity를 위한 Model Assumption이다.

따라서,

1GW
≈ $12~16B Semiconductor Content

정도로 계산한다.

---

그러면 3.3~6.4GW는 얼마인가

앞서 계산한 지연 Capacity를 그대로 연결하면 다음과 같다.

따라서 이번 규제 재정비로 Timing Risk에 노출되는 AI Semiconductor Content는 누적 약 $40~102B, Base Case 약 $66B가 된다.

하지만 여기서 $66B를 매출손실이라고 부르면 틀린다.

정확한 표현은 Gross Shipment Exposure다.

---

실제 Chip 매출 충격은 훨씬 작을 가능성이 높다

이유는 Reallocation 때문이다.

현재 North America Data Center Vacancy는 약 1%이며, JLL에 따르면 66GW가 건설 중인데도 95%가 이미 Pre-committed돼 있다.

새로운 Tenant가 지금 Capacity를 확보하더라도 2028년 Delivery를 계약하는 상황이다.

즉 Texas의 특정 Campus가 6개월 밀렸다고 해서 해당 GPU와 HBM에 다른 수요처가 사라지는 상황이 아니다.

Hyperscaler 내부의 다른 Campus, 다른 주, 다른 Cloud Customer 또는 미국 밖 Capacity로 물량이 이동할 수 있다.

따라서 다음 단계는,

Gross Semiconductor Exposure
× Non-reallocatable Share
= Net Revenue Timing Impact

다.

현재처럼 Computing Capacity가 타이트한 환경을 감안해 이번 모델에서는 60~80%의 물량이 다른 수요처로 재배치 가능하다고 가정했다.

따라서 2027~2030년 누적으로 보면,

3.3~6.4GW Schedule Delay
→ $40~102B Gross Semiconductor Exposure
→ Reallocation 반영
→ $8~41B Net Revenue Timing Impact

가 이번 추정의 최종 구조다.

Base Case에서는 약 $20B다.

이 역시 영구적인 Demand Loss가 아니라 대부분 매출인식 시점의 이동이다.

---

영향이 가장 먼저 나타나는 시점은 2027H2~2028년일 가능성이 높다

반도체는 Data Center COD와 동시에 납품되는 것이 아니다.

Accelerator, HBM, Switch, NIC 등은 실제 Energization보다 앞서 주문되고 설치된다.

따라서 2028년 COD 예정 Project의 지연은 Semiconductor 업체에는 2027년 하반기부터 2028년 주문과 매출인식에 먼저 나타날 수 있다.

반대로 2029~2030년에는 연기됐던 Project가 Catch-up하면서 일부 물량이 다시 올라올 수 있다.

그래서 현재 단계에서 NVIDIA -3%, HBM -2%와 같이 업체별 실적 영향을 정밀하게 적는 것은 적절하지 않다고 생각한다.

회사별 실적을 계산하려면 최소한,

Delayed GW
× Product Content
× Customer Exposure
× Vendor Market Share
× Non-reallocatable Share
÷ 해당 회사 AI Revenue

가 필요하다.

특히 Merchant GPU와 Custom ASIC의 상황도 다르다.

NVIDIA·AMD처럼 여러 고객에게 판매할 수 있는 Accelerator는 물량 재배치가 상대적으로 쉽다.

반면 특정 Hyperscaler의 특정 Campus 일정과 연결된 Custom ASIC은 Schedule Sensitivity가 상대적으로 높을 수 있다.

HBM은 Accelerator Shipment와 연동되지만 공급부족 상황에서는 다른 GPU·ASIC Customer가 물량을 흡수할 가능성이 더 높다.

따라서 현재 단계에서 합리적으로 말할 수 있는 범위는 산업 전체의 $8~41B Revenue Timing Risk까지라고 생각한다.

---

4. Texas Pipeline을 보면 왜 Headline GW가 위험물량이 아닌지 더 명확하다

여기에서 첨부한 Bernstein·Aterio의 Credible Texas Pipeline by Player를 같이 보면 이해가 쉽다.

Texas Pipeline에는 Amazon AWS, Google, Crusoe, QTS, Microsoft, IREN, Vantage, Hut 8, Cipher, Galaxy, Core Scientific 등 수많은 Project가 들어 있다.

그러나 차트에서 가장 중요한 것은 회사명이 아니다.

색깔이다.

Operating Capacity
≠ Capacity Under Construction
≠ Announced Capacity

이기 때문이다.

Texas 규제 강화에 가장 직접적으로 노출되는 것은 이미 서버가 돌아가고 있는 Capacity가 아니라 Announced, Later Phase, Grid Connection Pending Capacity다.

실제로 JLL은 Texas의 Existing + Under Construction Capacity를 이미 약 26GW로 집계한다.

이 26GW를 신규 Moratorium 발표 하나로 동시에 정지시키는 그림과, 아직 승인받지 않은 후속 Capacity의 COD가 몇 분기씩 밀리는 그림은 완전히 다르다.

대표적인 Texas Project를 나눠보면

Stargate Abilene은 이미 Policy Risk의 중심에서 벗어나 있다

Epoch AI는 11월 1일 기준 Stargate Abilene이 이미 824MW IT Power와 약 1.02M H100-equivalent Compute를 가동하고 있는 것으로 추정한다.

즉 시장이 Texas Pipeline 전체를 신규 인허가 위험으로 묶을 경우 이미 운영 중인 대규모 Capacity까지 함께 위험물량으로 계산하게 된다.

OpenAI will keep investing in AI data centers despite election results, says CFO Sarah Friar

IREN은 같은 Campus 안에서도 Exposure가 완전히 다르다

IREN의 Sweetwater Hub 전체 규모는 2GW다.

그러나 현재 Sweetwater 1에서 실제 공사가 진행 중인 Capacity는 300MW이며, Q4 2027 Delivery가 목표다.

나머지 Capacity는 ERCOT Batch Zero에 조건부로 포함돼 있어 후속 Approval Risk가 훨씬 높다.

같은 2GW Hub라도

Under Construction 300MW와 Future Development 1.7GW를 동일하게 계산해서는 안 된다는 뜻이다.

Fermi Matador도 마찬가지다

Project Matador는 장기적으로 약 11GW의 Private-grid Power, 최대 17GW까지의 확장가능성을 이야기한다.

그러나 현재 확정성이 높은 것은 TensorWave와 계약한 첫 222MW Phase이고, 첫 Delivery는 2027년 하반기를 목표로 하고 있다.

현재 Site Preparation과 발전설비 조달도 이미 진행되고 있다.

따라서 Matador의 17GW Headline 전체를 단기 Texas Regulation Risk로 잡는 것도 잘못이다.

첫 Phase와 수년 뒤 Expansion Capacity의 Risk Profile은 완전히 다르다.

결국 첨부한 Bernstein/Aterio Chart를 읽을 때도 같은 원칙을 적용해야 한다.

Texas Pipeline 전체가 위험한 것이 아니다.

그 안에서

Operating → 낮은 위험
Under Construction → 제한적 위험
Announced / Later Phase → 높은 위험

으로 나눠야 한다.

이번 글에서 45GW 전체에 Regulatory Delay를 바로 적용하지 않고 여러 Filter를 거친 이유도 여기에 있다.

---

5. 결국 이번 규제가 바꾸는 것은 Demand보다 Delivery Timing이다

지금까지의 내용을 다시 하나로 연결해 보자.

Demand Side

Anthropic의 모델 발전속도는 약 2배 가까이 빨라졌고,

Frontier Lab은 Research와 Commercial Serving을 위해 Compute Commitment를 계속 늘리고 있다.

Anthropic의 10월 Revenue Run Rate 역시 다시 높아졌으며, Safety·Alignment 강화는 오히려 별도의 Monitoring과 Evaluation Compute를 요구하고 있다.

즉 현재까지 확인되는 방향은, Training + Inference + Safety Compute ↑이다.

Supply Side

반면 Data Center는 이전보다 짓기 어려워졌다.

Power와 Grid뿐 아니라,

• Water
• Noise
• Environmental Review
• Utility Cost
• Community Benefit
• Permit

까지 동시에 해결해야 한다.

이번 중간선거 이후 미국 AI Infrastructure에서 실제로 커진 것은 이 부분이다.

따라서 현재의 상황을 가장 간단하게 표현하면,

AI Demand Destruction이 아니라 Supply Delivery Risk의 증가에 가깝다고 생각한다.

---

현재 Base Case

이번 모델에서는 2027~2030년 미국 신규 AI D/C Capacity를 약 45.1GW로 추정했다.

그 가운데 규제 재정비로 원래 상업운전 개시일(COD)보다 6개월 이상 밀릴 Capacity는 3.3~6.4GW, Base Case는 4.7GW다. 전체 신규 공급의 약 7~14%, Base 기준으로는 **10.4%**에 해당한다.

규제의 영향을 가볍게 볼 수는 없다. 다만 이 수치는 미국 신규 공급 전체가 중단되는 상황과는 상당한 거리가 있다.

Base Case에서는 미국 신규 공급 100 중 약 10의 가동 시점이 밀리고, 나머지 약 90은 해당 규제로 6개월 이상 지연되지 않는다.

비교 범위를 기존 가동 Capacity까지 포함한 미국 전체, 나아가 글로벌 전체로 넓히면 지연 물량의 상대적 비중은 더 낮아진다. 다만 여기서는 집계 범위가 일치하는 미국 신규 45.1GW를 기준으로 비교했다.

여기에 Data Center의 COD 지연과 반도체 회사의 출하 지연은 일대일로 대응하지 않는다는 점도 고려해야 한다.

다른 Campus나 Customer로 장비를 재배치할 수 있다면, 특정 프로젝트가 늦어져도 반도체 출하 전체가 같은 폭으로 줄어들지는 않는다. 이번 모델은 이 재배치 효과를 반영했다.

지연 Capacity에 대응하는 AI Semiconductor Content는 $40~102B Gross Shipment Exposure다. 그러나 재배치를 반영한 실제 Semiconductor Revenue Timing Impact는 $8~41B, Base Case는 약 $20B로 낮아진다.

Base Case를 연결하면, 물리적으로 지연되는 Capacity는 신규 공급의 약 10%지만, 재배치 후 매출 시점이 이동하는 반도체 금액은 약 3%다.

더구나 이 $20B는 전액이 사라지는 매출을 뜻하지 않는다. 이번 모델에서는 대부분이 2027~2028년에서 2029~2030년으로 이동하는 매출일 가능성이 높다고 봤다.

다만 4년 누적 비중이 작다는 사실과 특정 연도의 실적 영향이 작다는 판단은 구분해야 한다.

이를 확인하기 위해 Base Case의 반도체 금액 $631B가 4년간 균등하게 발생하고, $20B의 이연액이 초기 2년에서 후기 2년으로 절반씩 이동한다고 단순 가정하면 다음과 같다.

초기 2년에는 해당 미국 신규 투자에 대응하는 반도체 매출이 약 6% 영향을 받을 수 있다. 그러나 이것이 곧바로 개별 Chip 회사 전체 매출이나 이익의 6% 감소를 의미하지는 않는다.

기업의 전체 매출에는 기존 Data Center의 교체·증설, 미국 외 지역 투자, AI 이외의 사업 등이 포함될 수 있다. 따라서 해당 미국 신규 투자에 대한 노출도가 낮을수록 회사 전체 실적에 미치는 영향도 희석된다.

이 계산이 보여주는 것은 규제 지연이 모든 AI 반도체 기업의 이익을 큰 폭으로 훼손하는 구조는 아니라는 점이다.

분산된 기업에서는 연간 영업이익 영향이 낮은 한 자릿수로 희석될 수 있다. 반면 특정 미국 Campus나 Customer에 매출이 집중된 기업은 별도로 살펴봐야 한다.

따라서 이번 Base Case가 뒷받침하는 결론은 명확하다.

일부 프로젝트의 지연을 미국 AI D/C 투자 전반의 중단, 나아가 글로벌 AI 반도체 수요의 소멸로 확대해 해석하는 우려는 모델이 추정한 영향보다 크다.

다만 이 판단은 재배치가 가능하고, 최종 Compute 수요가 유지되며, 지연 매출이 이후 회복된다는 조건에 기반한다.

---

글을 마치며

이번 미국 중간선거 이후 AI Infrastructure를 둘러싼 논의를 보면서 가장 경계해야 할 것은 인과관계를 거꾸로 놓는 것이라고 생각한다.

• Data Center 규제가 강화됐다.
• 그래서 AI Data Center가 늦어진다.
• 따라서 GPU 수요가 줄어든다.
• 그래서 AI Demand가 끝났다.

이렇게 내려가는 논리는 처음부터 출발점이 잘못됐을 수 있다.

가장 먼저 확인해야 할 것은 언제나 AI의 최종수요가 어디서 발생하고 있으며, 얼마나 빠르게 증가하고 있는가다.

현재까지의 자료에서는 Frontier Model의 연구생산성이 빨라지고 있고, Lab들의 Compute Commitment는 증가하고 있다.

Commercial Inference 역시 성장하고 있으며, 더 강력한 모델을 안전하게 Training하고 Deploy하기 위한 추가 Compute까지 새롭게 요구되고 있다.

즉 AI를 덜 사용하려는 것이 아니다.

오히려 늘어나는 Compute를 미국 안에서 어디에, 얼마나 빨리, 어떤 사회적 비용을 부담하면서 설치할 것인지를 두고 새로운 규칙을 만드는 과정에 가깝다.

그래서 현재 기준으로는,

AI Demand ↓

보다는,

AI Demand ↑
→ Physical Infrastructure Constraint ↑
→ Delivery Timing Risk ↑

라고 보는 편이 더 합리적이라고 생각한다.

6개월에서 1년 정도의 Permit Delay라면 2028년 일부 Semiconductor 매출인식을 늦출 수 있다.

그러나 2029~2030년까지 Compute Demand 자체가 유지된다면 그것만으로 AI Semiconductor의 장기 Earnings Thesis가 훼손된다고 보기는 어렵다.

오히려 그런 환경에서는 이미 Power와 Permit을 확보한 Data Center, 이미 건설된 Capacity, 즉시 배치할 수 있는 Compute Infrastructure의 희소성이 더 높아질 수도 있다.

결국 AI 산업을 분석할 때 첫 단추는 여전히 같다.

Demand가 어디서 발생하는지 먼저 본다.

그다음 필요한 Compute를 계산하고,

그 Compute를 받아줄 Data Center와 Power가 충분한지 확인한 뒤,

마지막으로 GPU·ASIC·Memory와 기업의 Earnings까지 내려간다.

Demand
→ Compute
→ Capacity
→ Constraint
→ Shipment
→ Earnings

순서를 거꾸로 놓지 않는 것이 지금처럼 시장의 소음이 큰 시기에는 특히 중요하지 않나 싶다.

=끝