최근 공개되는 LLM과 AI 인프라 계약, 미국 국채시장과 금융·유통산업의 변화를 보면서 흩어져 있던 생각을 하나로 묶어 기록해본다.
The Model Moat Is Shrinking, The Cost of Capital Is Rising
지난 글 생각정리 381 (* Nowhere Is Safe from AI)에서는 AI의 이익은 일부 기업과 자본에 집중될 수 있지만, 그 비용은 물가·금리·고용·재정을 통해 사회 전체로 퍼질 수 있다고 정리했다.
이번 글은 그 이후의 추가적인 생각이다.
AI가 확산될수록 단순히 몇몇 기술기업의 실적만 변하는 것이 아니다.
모델과 인프라 사이의 희소성이 바뀌고, 정부와 기업이 자금을 조달하는 방식이 변한다. 금융회사가 마진을 얻는 구조와 유통기업의 경쟁력, 소비자의 브랜드 충성도까지 영향을 받을 수 있다.
내가 최근의 변화를 보면서 내린 결론은 다음과 같다.
AI 모델의 지능은 풍부해지고 있다.
그 지능을 실행하는 물리적 인프라와 자본은 더욱 희소해지고 있다.
Agent는 금융·유통·브랜드 산업이 오랫동안 누려온 정보의 비대칭과 소비자의 관성을 약화시키고 있다.
결국 AI는 새로운 해자를 만드는 동시에 기존 산업의 해자가 어디에 존재하는지를 바꾸고 있다.
1. The Model Moat Is Shrinking
모델의 성능은 높아지지만 독점기간은 짧아지고 있다
2026년 9월에만 OpenAI는 GPT-6 Astra, GPT-6 Sol·Luna와 GPT-6.1 Sol을 잇달아 공개했다.
Anthropic도 Claude Opus 5.5와 Claude Sonnet 5.5를 연이어 내놓았다.
출시 주기만 빨라진 것이 아니다.
 |
| https://x.com/bombomelon/status/2105153037086105743 |
Anthropic에 따르면 Opus 5.5는 Opus 5보다 실행비용을 약 40% 낮추면서 대부분의 업무에서 Fable 5.1 수준의 성능을 제공한다.
OpenAI 역시 GPT-6.1 Sol을 Astra에 가까운 성능을 더 낮은 비용으로 제공하는 모델로 설명하고 있다.
 |
| https://x.com/thsottiaux/status/2105464274747527543 |
모델의 절대 성능은 계속 높아지고 있지만, 특정 기업이 그 성능을 독점할 수 있는 기간은 짧아지고 있다.
모델 성능의 상승과 모델 해자의 확대가 반드시 같은 의미는 아닌 것이다.
AI가 다음 AI를 만드는 연구주기를 단축한다
모델 출시가 빨라지는 배경에는 AI를 활용한 연구 자동화가 있다.
AI가 코드를 작성하고, 실험을 설계하고, 결과를 평가하고, 실패 원인을 분석한 뒤 다시 코드를 수정하는 Agent Closed Loop가 형성되고 있다.
외부 메모리와 실행기록을 축적하는 Continual Learning이 결합하면 AI는 과거 실험에서 얻은 정보를 다음 연구에 활용할 수 있다.
2026년 9월 발표된 논문 Recursive self-improvement of AI research agents에서 AIDE²는 8일 동안 자율적으로 연구와 코드 개선을 반복해 일곱 차례의 연속적인 성능 향상을 만들어냈다.
이 실험이 무제한적인 Recursive Self-Improvement를 증명한 것은 아니다.
The Economics of Recursive Self-Improvement 역시 현재의 연구 자동화 루프가 곧바로 지속적인 폭발적 자기개선으로 이어진다고 보기는 어렵다고 분석한다.
현재 단계는 인간이 목표와 평가기준을 설정하고, AI가 그 안에서 연구주기를 압축하는 부분적인 자기개선에 가깝다.
그럼에도 방향은 분명하다.
더 좋은 모델이 더 좋은 연구 Agent가 되고, 그 Agent가 다음 모델의 개발기간을 다시 줄인다.
프런티어 모델은 오픈웨이트의 추격도 돕는다
프런티어 모델이 강해질수록 선두기업만 유리해지는 것은 아니다.
기업과 개발자는 프런티어 모델을 이용해 학습 데이터를 만들고, 파인튜닝 코드를 작성하고, 오류를 분석하고, 자체 모델을 평가할 수 있다.
이 변화에 대해서는 생각정리 372 (* Intelligence Is Abundant, Execution Is Scarce)의 내용으로 갈음한다.
Anthropic은 2026년 9월 위협정보 보고서에서 Moonshot AI와 연관된 주체들이 Claude의 응답과 사고흐름을 수집하는 방식의 증류를 시도했다고 주장했다.
OpenAI도 Moonshot과 연관된 모델 증류 캠페인을 적발했다고 발표했다. OpenAI가 공개한 규모는 약 4,000개 계정과 1만6,000회의 시도였다.
이는 시도 규모를 의미하며 프런티어 모델 전체가 성공적으로 복제됐다는 뜻은 아니다.
그러나 선도모델의 결과물을 이용해 후발모델의 데이터와 평가체계를 개선하려는 시도가 확대되고 있다는 점은 분명하다.
프런티어 모델은 경쟁자가 따라오기 어려운 해자인 동시에, 경쟁자의 연구비용을 낮추는 도구가 되고 있다.
오픈웨이트는 Enterprise AI와 Sovereign AI를 가능하게 한다
기업이 필요로 하는 모델은 항상 모든 벤치마크에서 세계 1위를 기록한 모델은 아니다.
자체 데이터로 조정할 수 있고, 내부 시스템과 연결할 수 있으며, 비용과 응답속도를 예측할 수 있는 모델이 더 유용할 수 있다.
오픈웨이트 모델이 충분한 성능에 도달하면 기업은 이를 자사 업무에 맞게 다시 학습하고 자체 서버나 프라이빗 클라우드에서 운영할 수 있다.
 |
| https://x.com/realgalleryx/status/2104888298539978997/photo/1 |
국가도 마찬가지다.
모든 국가가 프런티어 모델을 처음부터 개발할 필요는 없다. 충분히 우수한 오픈 모델을 자국의 언어·법률·행정·국방 데이터에 맞게 조정하고 국내 인프라 위에서 운영하면 된다.
오픈웨이트 모델의 성능 향상은 Enterprise AI와 Sovereign AI의 진입비용을 낮춘다.
그 결과 모델의 성능 격차가 줄어들수록 더 많은 기업과 국가가 자체적인 AI 인프라를 요구하게 된다.
안전성 규제도 새로운 컴퓨팅 수요다
9월 29일 미국 정부는 주요 AI 기업 경영진을 백악관으로 불러 프런티어 AI의 안전성과 책임체계를 논의했다.
이어 공개된 백악관 SI 협약은 모델 훈련과 배포에 대한 내부 통제, 내부 감독조직, 독립적인 외부 평가, 이사회 수준의 감독이라는 네 단계의 안전체계를 담았다. 관련 내용은 협약을 정리한 Forbes 기사에서 확인할 수 있다.
미국 프런티어 기업에는 안전성을 입증하면서 개발을 이어갈 수 있는 정책적 경로가 제시됐다.
하지만 안전성 비용이 줄어든 것은 아니다.
모델 출시 전에는 위험행동 평가와 적대적 테스트가 필요하다. 배포 이후에도 입력과 모델의 사고과정, 도구 사용과 실행결과를 감시해야 한다.
OpenAI의 GPT-6 Astra System Card를 보면 Chain-of-Thought와 Agent Action을 함께 살펴보는 감시체계, 위험을 분류하는 모델과 별도의 Safety Reasoner가 사용된다.
Agent가 한 번 계산해 행동하면 다른 모델이 그 행동을 다시 계산하고 검증하는 구조가 확대될 수 있다.
Capability Compute에 Safety Compute가 추가되는 것이다.
지능이 풍부해질수록 물리적 인프라는 더 희소해진다
모델은 복제하고 증류하고 재조정할 수 있다.
그러나 GPU와 HBM, 데이터센터와 발전소, 변압기와 송전망은 같은 속도로 복제할 수 없다.
모델의 성능 격차가 줄어들면 AI 인프라 수요가 감소하는 것이 아니라, 비슷한 성능의 모델을 운영하려는 기업과 국가가 늘어날 수 있다.
여기에 Agent 추론, Continual Learning, Sovereign AI와 Safety Compute가 동시에 추가된다.
Anthropic의 IPO 관련 자료에서 확인된 향후 10년간 AI 인프라 계약은 약 5,180억달러다. 이 가운데 약 **80%**는 사용량과 무관하게 취소하기 어려운 계약으로 보도됐다.
이 수치는 연간 CAPEX가 아니라 장기간에 걸친 계약상 의무라는 점은 구분해야 한다. 관련 내용은 Reuters 보도를 전재한 기사에서 확인할 수 있다.
AI 기업에는 과잉투자의 위험이 있다.
하지만 컴퓨팅을 확보하지 못해 경쟁에서 탈락할 위험도 있다.
모델의 해자는 옅어지고 있지만 물리적 인프라의 해자는 깊어지고 있다.
1부 핵심 정리
모델의 지능은 빠르게 풍부해지고 독점적인 성능 우위는 짧아지고 있다. 반면 모델을 훈련·실행·감시하는 물리적 인프라는 빠르게 늘릴 수 없다. AI 산업의 희소성은 모델에서 컴퓨팅·메모리·전력·자본으로 이동하고 있다.
 |
| 생각정리 374 (* Pacing Is Pace Up) |
2. The Cost of Capital Is Rising
AI CAPEX와 국채가 같은 자금을 놓고 경쟁하기 시작했다
AI 인프라 투자는 더 이상 빅테크의 내부 현금만으로 감당할 수 있는 규모가 아니다.
2026년 2월 Dallas Fed 분석이 인용한 전망에 따르면 향후 3~5년간 AI 데이터센터 투자규모는 3조~5조달러에 달할 수 있다.
2026년 AI 관련 투자등급 회사채 발행 전망의 중심값은 약 3,000억달러다. 10년물로 환산한 듀레이션 공급은 약 3,600억달러로, 같은 기준의 미국 국채 듀레이션 공급 가운데 약 8분의 1에 해당한다.
투자자는 같은 자금으로 국채를 살 수도 있고, 더 높은 금리를 제공하는 AI 회사채와 데이터센터 프로젝트 채권을 살 수도 있다.
AI 기업의 신용과 성장성이 충분히 매력적이라면 정부는 투자자를 확보하기 위해 더 높은 수익률을 제공해야 한다.
각국 정부채와 AI 민간채가 동일한 장기자금을 놓고 경쟁하기 시작한 것이다.
코로나 시기의 저금리 부채가 고금리 부채로 교체되고 있다
정부가 부담해야 하는 것은 신규 재정적자만이 아니다.
코로나 시기에 대규모로 발행한 저금리 국채가 만기에 도달하고 있다. 정부가 원금을 줄이지 않는다면 만기상환은 새로운 국채 발행으로 이어진다.
IMF Fiscal Monitor 2026년 4월 보고서에 따르면 각국 정부가 만기도래 부채를 높은 금리로 차환하면서 글로벌 정부의 이자지출은 4년 사이 세계 GDP의 약 2%에서 3% 가까이 상승했다.
저금리 부채가 고금리 부채로 교체되면 이자비용이 증가한다. 세금을 올리거나 다른 지출을 줄이지 못하면 추가 국채를 발행해야 한다.
만기 도래 → 높은 금리로 차환 → 이자지출 증가 → 재정적자 확대 → 추가 국채 발행
이 과정에 AI 민간채권까지 더해지면서 채권시장이 감당해야 할 전체 공급이 증가하고 있다.
기대인플레이션과 기간 프리미엄이 장기금리를 압박한다
AI CAPEX는 장기금리에 두 가지 경로로 영향을 준다.
첫째, 데이터센터와 발전설비, 송전망과 반도체 투자가 건설인력·전력·구리·변압기 수요를 늘린다. 공급이 빠르게 따라오지 못하면 물가압력이 발생한다.
Lisa Cook 연준 이사도 2026년 9월 AI와 경제에 관한 연설에서 데이터센터 투자가 건설인력과 에너지처럼 다른 산업도 사용하는 자원에 의존하기 때문에 더 광범위한 가격압력으로 이어질 수 있다고 지적했다.
둘째, 국채와 민간채권의 공급이 함께 증가하면 투자자는 장기채를 보유하는 대가로 더 높은 기간 프리미엄을 요구한다.
미국 재무부의 공식 수익률 자료에 따르면 2026년 9월 1일 미국 30년물 국채금리는 **5.27%**였다. 9월 30일에는 **5.64%**까지 상승했다.
같은 기간 30년 실질금리는 **2.98%에서 3.33%**로 올랐다. 단순 차감한 장기 기대인플레이션의 변화는 크지 않았다.
최근의 장기금리 상승이 물가 우려만으로 구성되지 않았다는 의미다.
BIS의 2026년 9월 시장분석도 장기금리 상승의 일부가 재정 우려를 반영한 기간 프리미엄 상승에서 발생했다고 설명한다.
AI 투자수요와 재정위험, 채권 공급과 기간 프리미엄이 함께 장기 자본의 가격을 높이고 있다.
Bessent도 Yellen이 선택했던 길을 걷고 있다
Scott Bessent 재무장관은 Key Square를 운용하던 2024년, Janet Yellen 재무장관이 장기채 발행을 줄이고 단기채에 의존한 것을 비판했다.
그는 Yellen이 선거를 앞두고 장기금리를 낮추기 위해 발행구조를 활용한다며 이를 Activist Treasury Issuance라고 주장했다. 당시 발언은 관련 보도에서 확인할 수 있다.
그러나 재무장관이 된 Bessent도 장기물 발행을 크게 늘리지 않고 부족한 자금을 단기 국채와 현금관리채권으로 조달하는 전략을 이어가고 있다.
2026년 8월 미국 재무부의 분기 자금조달 발표는 명목 쿠폰채 발행규모를 향후 수 분기 동안 유지하고 나머지 자금수요를 정기적인 단기채와 현금관리채권 등으로 충당하겠다고 밝혔다.
과거에 비판했던 정책을 반복하는 모습이다.
그러나 이는 개인적인 정책 일관성보다 재무장관이 처한 현실적인 제약을 보여준다.
장기채 수요가 약한 상황에서 장기물 공급을 크게 늘리면 시장은 더 높은 수익률을 요구한다. 장기금리 상승은 정부 이자비용뿐 아니라 모기지와 기업대출, 주식의 할인율까지 높인다.
결국 재무부는 당장의 장기금리 충격을 피하기 위해 단기물에 의존할 유인이 생긴다.
단기물 의존은 비용을 없애지 않고 미래로 넘긴다
단기채는 장기채보다 시장이 흡수하기 쉽고 당장의 장기금리 상승 압력을 줄일 수 있다.
하지만 만기가 짧기 때문에 계속 차환해야 한다.
물가가 예상보다 오래 높게 유지되거나 중앙은행이 금리를 내리지 못하면 더 많은 정부부채가 높은 단기금리로 빠르게 재설정된다.
NISA의 미국 국채 발행구조 분석에 따르면 2023년 5월 이후 시장성 국채에서 단기채가 차지하는 비중은 약 **16%에서 22%**로 상승했고, 가중평균 만기는 6개월 이상 짧아졌다.
단기채 공급이 시장 유동성보다 빠르게 증가하면 정부와 은행, 증권사와 기업이 같은 단기자금을 놓고 경쟁하게 된다.
장기금리 상승을 늦추기 위해 단기물에 의존할수록 정부의 재무구조는 정책금리와 단기 유동성에 더 민감해진다.
2부 핵심 정리
AI 기업과 정부가 같은 채권시장 자금을 놓고 경쟁하고 있다. 정부는 코로나 시기의 저금리 부채까지 더 높은 금리로 차환해야 한다. 장기물 발행을 줄이고 단기채로 시간을 벌 수는 있지만, 그 대가는 더 높은 롤오버 위험과 단기금리 민감도다.
 |
| https://www.nisa.com/perspectives/bessent-embraces-activist-treasury-issuance/ |
3. AI가 바꾸는 매크로 변수와 금융산업
AI는 생산성을 높이지만 전환과정에서는 물가를 자극한다
장기적으로 AI는 같은 인력과 자본으로 더 많은 재화와 서비스를 생산하게 만든다. 생산성 향상이 가격에 반영된다면 디플레이션적인 기술이 될 수 있다.
하지만 그 생산성을 얻기 전에는 거대한 선행투자가 필요하다.
데이터센터와 발전소, 전력망과 반도체 공장을 먼저 건설해야 한다. 생산성 향상의 혜택이 나타나기 전에 투자수요와 자원경쟁이 발생한다.
AI는 장기적으로 공급을 늘리지만 전환과정에서는 물가와 금리를 높일 수 있다.
고용 충격과 인프라 물가가 동시에 나타날 수 있다
Agent가 사람의 업무를 대신하면 기업은 매출과 생산량을 늘리면서도 고용을 같은 속도로 늘리지 않을 수 있다.
대규모 해고만이 문제가 아니다. 신규채용 축소, 퇴사자 미충원, 외주계약 감소를 통해서도 노동의 몫은 줄어들 수 있다.
동시에 AI 인프라 경쟁은 전력·건설·자재·금융비용을 높인다.
노동소득에 의존하는 가계는 취업기회와 임금협상력이 약해지는 동시에 전기요금과 주거비, 대출금리 상승을 경험할 수 있다.
고용과 분배 문제에 대해서는 생각정리 381 (* Nowhere Is Safe from AI)의 내용으로 갈음한다.
금융회사의 정보마진이 약해질 수 있다
금융업은 오랫동안 정보의 비대칭과 고객의 관성에서 수익을 얻었다.
개인은 수많은 예금과 보험, 채권과 펀드의 수익률·수수료·세금·해지조건을 계속 비교하기 어렵다.
Agent는 사용자를 대신해 금융상품을 비교하고 위험과 세후수익률을 계산하며 계좌이체와 재투자까지 실행할 수 있다.
IMF의 How Agentic AI Will Reshape Payments는 Agentic AI가 금융상품의 가격과 수수료, 계약조건을 비교하는 비용을 낮추고 정보 비대칭을 완화할 수 있다고 평가한다.
예금자는 더 높은 금리를 빠르게 찾아갈 수 있고, 보험가입자는 비슷한 보장의 상품을 비교할 수 있다. 투자자는 채권의 신용위험과 만기, 세후수익률을 실시간으로 분석할 수 있다.
금융회사가 정보 접근성과 고객의 관성으로 얻던 마진은 점차 압축될 가능성이 크다.
은행은 예금의 규모보다 안정성이 중요해진다
단기금리 상승이 은행에 항상 유리한 것은 아니다.
대출금리가 예금금리보다 빨리 오르면 순이자마진이 확대된다. 반대로 예금금리와 시장성 조달비용이 더 빠르게 오르고 기존 고정금리 대출의 수익률이 그대로라면 마진은 축소된다.
FDIC의 단기금리와 은행 순이자마진 연구도 단기금리 상승이 은행 수익성에 미치는 방향은 모호하며, 자산수익률과 조달비용 가운데 어느 쪽이 더 빨리 재가격되는지가 중요하다고 설명한다.
금융 Agent가 예금·MMF·단기 국채·RP의 수익률을 상시 비교하고 자금을 자동으로 이동시키면 예금자의 관성은 약해진다.
은행은 고객을 붙잡기 위해 더 높은 예금금리를 지급해야 한다. Deposit Beta가 과거보다 빨라질 수 있는 것이다.
앞으로 은행의 경쟁력은 예금의 규모보다 예금의 안정성과 자산·부채 관리능력에서 나올 수 있다.
증권사는 거래기회와 조달위험을 함께 얻는다
AI 회사채와 데이터센터 프로젝트 채권 발행이 늘어나면 증권사는 채권 인수와 거래, 파생상품 헤지에서 새로운 수익기회를 얻는다.
그러나 증권사는 RP와 단기차입, 파생상품 증거금에 의존한다. 단기조달금리가 상승하면 채권을 보유하고 중개하는 비용도 증가한다.
BIS의 고부채와 금융시장 구조에 관한 분석은 자금조달 조건이 긴축될 때 레버리지 투자자의 디레버리징과 강제매도가 국채금리 상승을 증폭시킬 수 있다고 지적한다.
증권업의 핵심은 거래량보다 변동성과 담보위험을 감당할 수 있는 자본과 유동성으로 이동한다.
보험사는 금리의 방향보다 상승속도가 중요하다
보험사는 장기보험 부채에 맞춰 장기채를 보유한다.
장기금리가 점진적으로 상승하면 새로 들어오는 보험료를 더 높은 금리의 채권에 투자할 수 있다. 생명보험과 연금보험에는 투자수익 개선 요인이다.
반면 금리가 너무 빠르게 오르면 기존 장기채의 평가가격이 하락하고 파생상품 증거금과 보험계약 해약이 증가할 수 있다.
BIS의 보험사 국채 보유 분석은 금리 급등으로 보험사의 증거금 부담이 커지면 유동성 확보를 위한 국채 매도가 다시 금리 상승을 증폭시킬 수 있다고 지적한다.
정부가 장기채 발행을 줄이면 보험사가 장기부채에 맞춰 투자할 수 있는 장기 안전자산의 공급도 제한될 수 있다.
AI 기업의 장기채가 이를 대체할 수 있지만 국채보다 높은 신용위험을 감수해야 한다.
보험사에는 높은 금리보다 자산과 부채의 현금흐름을 얼마나 정확히 맞추는지가 중요해진다.
3부 핵심 정리
AI는 생산성을 높이는 동시에 전환기의 물가·금리·고용 충격을 만든다. 금융 Agent는 소비자의 비교와 실행비용을 낮춰 금융회사의 정보마진을 압축한다. 금융산업의 해자는 정보의 독점에서 안정적인 Balance Sheet와 신뢰할 수 있는 Execution으로 이동할 가능성이 크다.
4. AI가 바꾸는 유통과 브랜드시장
유통기업도 정보와 위험을 마진으로 바꿔왔다
금융회사만 정보의 비대칭에서 마진을 얻어온 것은 아니다.
Retail·Wholesale·B2C 유통기업도 소비자가 무엇을 언제 얼마나 구매할지 예측하고, 상품을 미리 확보해 필요한 장소에 배치하는 역할을 해왔다.
(*내가 이해한게 맞다면)
상품을 싸게 매입해 비싸게 판매하는 단순한 구조로 보이지만 그 사이에는 수요예측과 재고·운전자본·물류·반품 위험이 존재한다.
과잉재고는 할인판매와 폐기, 보관비용과 운전자본 부담으로 이어진다. 품절은 당장의 매출뿐 아니라 고객관계까지 잃게 만든다.
유통사의 마진은 상품을 옮긴 대가만은 아니다.
수요를 예측하고 재고위험을 대신 부담하며, 공급자와 소비자 사이의 시간과 장소 차이를 연결한 대가에 가깝다.
유통업과 금융업은 생각보다 비슷하다
은행은 단기예금을 받아 장기대출로 운용하면서 유동성과 신용위험을 부담한다.
보험사는 보험료를 먼저 받고 미래의 보험금 지급을 예측해 자산을 운용한다.
유통기업은 상품을 먼저 매입하고 미래의 소비수요를 예측해 재고를 배치한다.
금융회사가 자산과 부채의 만기와 금리를 관리한다면, 유통기업은 수요와 재고의 시기·수량·가격을 관리한다.
두 산업 모두 미래를 예측하고 불확실성을 Balance Sheet에 담는 대가로 마진을 얻는다.
Agent가 금융상품의 정보 비대칭을 줄이는 것처럼, 유통에서도 상품과 가격, 재고와 공급자에 대한 정보격차를 줄일 수 있다.
Agent는 작은 유통기업도 대기업처럼 운영하게 만든다
대형 유통기업은 방대한 판매데이터를 수집하고 지역과 계절별 수요를 예측하며 적정 재고와 발주량을 계산할 수 있었다.
작은 유통기업은 이러한 시스템과 전문인력을 직접 구축하기 어려웠다.
그러나 상시 운영되는 Agent는 판매데이터와 날씨, 검색량, 지역행사와 가격변화를 분석해 수요를 예측할 수 있다.
재고가 일정 수준 아래로 내려가면 공급자를 비교하고 발주량과 시기를 결정해 주문까지 실행할 수 있다.
Agentic AI Framework for Smart Inventory Replenishment는 Agent가 재고를 감시하고 공급자를 선택하며 발주를 실행하는 구조를 제시했다. 제한된 프로토타입이지만 재고 부족과 보유비용 감소 가능성을 보여줬다.
OECD의 AI와 하류산업 경쟁 연구도 AI가 노동과 전문기능을 대체하고 최소효율규모를 낮춰 신규 사업자의 시장 진입을 도울 수 있다고 설명한다.
과거에는 대형 유통사만 감당할 수 있었던 수요예측과 재고 최적화를 작은 업체도 낮은 비용으로 사용할 수 있게 되는 것이다.
그러나 물리적인 유통망은 쉽게 복제되지 않는다
정보 해자가 약해진다고 대형 유통사의 경쟁력이 모두 사라지는 것은 아니다.
대형사는 대규모 구매를 통해 낮은 매입가격과 유리한 결제조건을 확보할 수 있다. 전국의 물류센터와 매장, 라스트마일 배송망과 반품처리 시스템도 보유하고 있다.
재고를 대량으로 보유할 수 있는 운전자본과 공급망 충격을 견딜 Balance Sheet도 있다.
Agent가 수요를 정확히 예측해도 상품을 생산하고 운송하고 보관하며 반품을 처리하는 물리적 과정은 남는다.
금융업에서 정보의 해자가 약해져도 자본과 유동성이 중요하게 남는 것처럼, 유통업에서도 물류망·구매력·운전자본·실행 신뢰성이 중요하게 남는다.
따라서 Agent가 유통산업을 무조건 분산시킨다고 단정하기 어렵다.
대형 플랫폼은 물리적 실행능력을 바탕으로 더 강해지고, 작은 전문업체는 낮아진 운영비용과 빠른 의사결정을 활용할 수 있다.
가장 압박받는 것은 대형사만큼 구매력과 물류망이 강하지 않고, 소형업체만큼 빠르게 움직이지도 못하는 중간 규모의 전통 유통사일 수 있다.
(*Amazon의 풀필먼트 사업의 해자는 더욱 두터워질 수도 있겠다.)
Agent는 브랜드 충성도의 의미도 바꾼다
브랜드 기업은 소비자의 기억과 신뢰, 반복구매 습관을 해자로 만들어왔다.
소비자는 상품을 구매할 때마다 시장의 모든 제품을 다시 조사하지 않는다.
과거에 사용해본 제품, 부모가 사용하던 브랜드, 광고에서 자주 본 상품과 익숙한 매장에서 쉽게 찾을 수 있는 제품을 반복해서 구매한다.
이러한 소비 관성은 탐색비용을 줄인다. 동시에 기존 브랜드에는 제품을 매번 새롭게 증명하지 않아도 되는 경쟁우위를 제공한다.
브랜드 충성도는 감정적인 선호이면서, 소비자가 매번 비교하기 어려워 발생하는 정보비용의 결과이기도 했다.
소비자의 Agent는 과거의 브랜드 관성을 약화시킨다
상시 운영되는 쇼핑 Agent는 소비자 대신 수많은 제품을 비교할 수 있다.
소비자가 원하는 가격과 기능, 성분, 디자인, 배송시간, 리뷰와 반품조건을 입력하면 Agent는 조건에 맞는 제품을 찾아 우선순위를 정할 수 있다.
OpenAI의 Product Discovery 구조도 상품을 가격·리뷰·기능과 함께 비교하고 선택한 상품을 판매자의 구매화면까지 연결하는 방향으로 발전하고 있다.
IMF의 Agentic AI 연구는 Agent가 제품 탐색과 가격비교, 할인 적용, 재고확인과 결제까지 연결할 수 있다고 설명한다.
(*대형 유통사의 PB상품의 판매비중이 올라갈 수도 있겠다.)
소비자가 직접 모든 제품을 살펴보지 않아도 된다면 익숙한 브랜드를 선택해야 할 이유가 줄어든다.
과거에는 알지 못했던 작은 브랜드라도 가격과 품질, 리뷰와 배송조건이 더 좋다면 Agent가 먼저 추천할 수 있다.
과거의 성공과 소비 관성에 기대온 브랜드 해자가 약해질 수 있다.
제품력이 있는 신생 브랜드는 더 빨리 발견된다
과거 신생 브랜드가 좋은 제품을 만들어도 이를 알리기 위해서는 광고비와 입점수수료, 판매망 구축이 필요했다.
제품의 경쟁력보다 소비자에게 노출될 수 있는 자본력이 더 중요하게 작용하는 경우도 많았다.
Agent가 제품의 가격과 성능, 리뷰와 반품률을 직접 비교하면 신생 브랜드는 인지도가 낮아도 추천 후보에 포함될 수 있다.
가성비는 가격 대비 기능과 품질처럼 비교적 객관적인 조건이다. 가심비는 디자인과 취향, 스토리와 사용경험처럼 개인별 선호가 크게 작용한다.
개인 Agent가 사용자의 과거 구매와 취향을 이해하면 두 요소를 동시에 비교할 수 있다.
가성비와 가심비가 좋은 새로운 제품이 발견되는 속도가 빨라지는 것이다.
(*정말 K-beauty가 global cosmetic 시장에서 그정도로 가성비, 가심비가 뛰어나 경쟁력을 갖추었다면, AI agent 확산에 따른 수혜를 받을 수도 있지 않나 싶다.)
좋은 제품의 확산과 유행의 교체가 함께 빨라진다
Agent는 새로운 제품이 발견되는 속도를 높이지만, 성공한 제품이 모방되는 속도도 높인다.
어떤 제품이 빠르게 판매되기 시작하면 경쟁사의 Agent는 가격과 리뷰, 소비자 반응과 판매추이를 분석할 수 있다.
비슷한 기능과 디자인의 제품이 더 짧은 시간 안에 출시되고 가격경쟁도 빨라질 수 있다.
OECD는 AI가 시장의 투명성을 높이고 경쟁사의 반응시간을 단축할 수 있다고 지적한다.
좋은 제품이 시장에 진입해 성장하는 시간은 짧아진다. 동시에 차별성을 유지할 수 있는 기간도 짧아진다.
트렌드가 만들어지는 속도와 트렌드가 교체되는 속도가 함께 빨라지는 것이다.
Share of Mind에서 Share of Agent로
기존 브랜드 마케팅은 소비자의 머릿속에 브랜드 이름을 먼저 떠올리게 만드는 경쟁이었다.
TV 광고와 검색광고, 인플루언서와 매대 위치를 통해 소비자의 기억을 선점했다.
Agent Commerce에서는 경쟁의 대상이 달라진다.
소비자가 직접 브랜드를 떠올리기 전에 Agent에게 조건을 설명하고 추천을 받을 수 있기 때문이다.
브랜드는 사람의 기억뿐 아니라 Agent의 비교결과에도 포함돼야 한다.
제품의 가격과 기능, 성분, 인증, 재고와 배송조건이 구조화돼 있어야 한다. 리뷰와 반품률, 결함률과 사후서비스 기록도 Agent가 확인할 수 있어야 한다.
Share of Mind 경쟁이 Share of Agent Recommendation 경쟁으로 확장되는 것이다.
브랜드는 이미지보다 검증 가능한 기록이 중요해진다
Agent 시대의 브랜드 신뢰는 이미지뿐 아니라 다음과 같은 데이터로 표현될 가능성이 있다.
실제 제품성능
가격 대비 효용
리뷰의 신뢰성과 일관성
반품률과 결함률
배송 정확도와 재고 안정성
사후서비스 이행 기록
과거의 브랜드는 소비자의 기억 속에 존재했다.
Agent 시대의 브랜드는 사람이 느끼는 이미지와 기계가 검증할 수 있는 데이터의 결합에 가까워질 수 있다.
한 번의 대규모 광고보다 매번 일관된 품질과 서비스를 제공해 축적한 기록이 더 중요해진다.
모든 브랜드 충성도가 사라지는 것은 아니다
브랜드에는 정보비용 외에도 정체성과 감정, 사회적 신호의 기능이 있다.
패션과 명품, 자동차, 스포츠와 취미처럼 소비자가 상품을 통해 자신을 표현하는 영역에서는 브랜드의 역사와 커뮤니티가 여전히 중요하다.
건강·금융·육아처럼 구매 실패의 비용이 큰 영역에서도 소비자는 검증되지 않은 신생 브랜드보다 오랜 신뢰를 가진 브랜드를 선택할 수 있다.
브랜드가 사라진다기보다 브랜드 충성도의 근거가 달라진다고 보는 편이 적절하다.
익숙해서 구매하는 브랜드는 약해지고, 뚜렷한 제품력과 정체성, 검증 가능한 신뢰를 가진 브랜드는 강해질 수 있다.
Agent가 새로운 게이트키퍼가 될 수도 있다
Agent가 소비자의 선택을 돕는다고 해서 언제나 가장 좋은 제품을 중립적으로 추천하는 것은 아니다.
Agent 운영사가 자체 상품이나 제휴 브랜드를 우선 노출하거나 광고비와 수수료에 따라 추천순위를 조정할 가능성이 있다.
OECD도 Agent가 자사 제품을 체계적으로 우대하면 더 우수한 경쟁제품이 배제될 수 있다고 경고한다.
과거에는 검색엔진과 대형 유통 플랫폼이 소비자 접근을 통제했다면, 앞으로는 개인 Agent와 그 Agent가 사용하는 모델이 새로운 유통 게이트키퍼가 될 수 있다.
기존 브랜드 해자가 약해지는 동시에 Agent 플랫폼이라는 새로운 해자가 만들어질 가능성도 있다.
4부 핵심 정리
Agent는 유통기업의 수요예측과 재고관리 능력을 상향평준화하고, 소비자의 상품 탐색과 비교비용을 낮춘다. 과거의 인지도와 소비 관성에 의존한 브랜드는 약해질 수 있다. 반면 제품력과 가격 경쟁력이 뛰어난 신생 브랜드는 더 빨리 발견된다. 유통과 브랜드의 해자는 정보와 광고에서 물류망·운전자본·제품력·검증 가능한 신뢰로 이동한다.
AI make every fucking thing accelerated
AI는 모든 산업의 해자를 다시 쓰고 있다
지금까지의 흐름을 하나로 연결하면 AI가 바꾸고 있는 것은 단순한 생산성만이 아니다.
AI는 각 산업에서 희소한 것이 무엇인지, 기업이 어디에서 마진을 얻을 수 있는지를 바꾸고 있다.
공통점이 있다.
정보와 지능에서 발생하던 마진은 줄어들고 있다.
물리적 자산과 자본, 실제 행동을 완수하는 Execution의 가치는 높아지고 있다.
모델의 성능은 빠르게 상향평준화된다.
금융상품의 금리와 조건은 실시간으로 비교된다.
유통기업의 수요예측과 재고관리는 Agent를 통해 자동화된다.
브랜드 역시 과거의 인지도보다 현재의 제품력과 가격, 실제 고객경험으로 계속 평가받는다.
반면 데이터센터와 전력망, 물류센터와 운전자본, 금융회사의 자본과 유동성, 제품의 품질과 공급 안정성은 말만으로 만들어낼 수 없다.
글을 마치며
지능의 가격은 빠르게 내려가고 있다.
더 강력한 모델이 더 자주 출시되고, 오픈웨이트 모델은 프런티어 성능을 빠르게 추격한다. 기업과 국가는 자신에게 필요한 모델을 직접 조정하고 운영할 수 있게 된다.
그러나 그 지능을 현실에서 실행하는 비용은 가벼워지지 않고 있다.
컴퓨팅과 메모리, 전력과 송전망, 데이터센터와 장기자금은 여전히 희소하다.
AI 기업과 각국 정부는 같은 자금과 전력, 자재와 인력을 놓고 경쟁한다. 정부는 과거의 저금리 부채를 더 높은 금리로 차환해야 하고, AI 기업은 경쟁에서 살아남기 위해 더 많은 민간채권을 발행한다.
그 결과 실질금리와 기간 프리미엄에 상방압력이 발생하고, 높은 자본비용은 금융회사와 유통기업의 Balance Sheet까지 압박한다.
동시에 Agent는 금융상품과 소비재를 실시간으로 비교하고 실행한다.
금융회사가 누리던 정보 비대칭, 유통기업이 보유했던 수요정보, 브랜드가 의존했던 소비자의 관성은 점차 약해질 수 있다.
모델의 해자는 옅어지고 있다.
정보의 해자도 옅어지고 있다.
반면 물리적 인프라와 자본, 제품력과 Execution의 해자는 깊어지고 있다.
AI 시대에 가장 중요한 가격은 토큰당 가격만이 아닐 수 있다.
풍부해진 지능을 실행하기 위해 사회 전체가 지불해야 하는 자본의 가격, 그리고 끊임없는 비교 속에서도 선택받을 수 있는 실제 제품과 서비스의 가치가 더 중요해질 수 있다.
(*대딸깍의 시대가 정말 빠르게 다가올까..?)
=끝
