생각정리 281 (* SpaceX IPO)

지난 밤까지만 해도 SpaceX IPO 시초가가 공모가를 하회할 수 있다고 생각했다.

그러나 내 예상과 달리 SpaceX IPO는 흥행리에 마무리됐다. 내가 놓친 부분이 무엇인지 다시 점검하기 위해 SpaceX에 대한 생각을 정리해본다.

SpaceX IPO 이후의 소견: 위성통신 대체론보다 AI 인프라 병목을 봐야 한다

부제: 저궤도 광위성망은 지상 광케이블망을 대체하기보다, AI 시대의 보완 인프라로 남을 가능성이 높다

SpaceX

SpaceX IPO 성공 이후 시장에서는 저궤도 위성망을 차세대 통신 인프라의 중심축으로 해석하는 시각이 강해지고 있다. 기존 인터넷 인프라가 지상 데이터센터, 해저케이블, 통신망, 클라우드를 중심으로 확장되어 왔다면, 앞으로는 저궤도 위성망과 우주 데이터센터가 새로운 글로벌 데이터 인프라의 한 축으로 부상할 수 있다는 주장이다.

SpaceX가 Starlink, 재사용 발사체, 위성 제조, AI 데이터센터, 우주 데이터센터 구상을 동시에 보유하고 있다는 점을 감안하면 이 서사는 충분히 매력적이다. SEC 공시에 따르면 SpaceX는 2026년 5월 20일 Form S-1을 제출했고, 이후 공모 관련 문서와 사업 설명을 통해 AI 컴퓨트 인프라 확장 의지도 드러냈다.

다만 투자 관점에서는 이 서사를 조금 더 냉정하게 볼 필요가 있다. 저궤도 위성이 차기 통신망으로 지상 통신망을 잠식한다는 주장은 물리적·경제적 관점에서 과장될 여지가 크다. 특히 Agentic AI와 AI Inference 시대가 본격화될수록, 지상 광케이블 기반 광통신망의 전략적 중요성은 오히려 더 커질 가능성이 높다.

---

1. AI 시대의 통신 병목은 “연결 가능성”이 아니라 “초대용량 반복 전송”이다

저궤도 위성망의 가장 큰 장점은 커버리지다. 해상, 항공, 오지, 산악지역, 전쟁·재난 지역처럼 지상망이 닿기 어려운 곳을 연결하는 데 강하다. 그러나 AI 시대의 핵심 트래픽은 단순히 “어디든 연결되는가”보다 얼마나 많은 데이터를, 얼마나 싸게, 얼마나 안정적으로 계속 보낼 수 있는가에 의해 결정된다.

Agentic AI와 AI Inference는 기존 인터넷 서비스보다 훨씬 더 많은 네트워크 호출을 만든다. 하나의 요청이 들어오면 모델은 검색, 데이터베이스 조회, 외부 API 호출, 도구 실행, 멀티모달 처리, 재추론을 반복한다. 이 과정에서 트래픽은 사용자의 단말과 위성 사이보다 데이터센터 내부, 데이터센터 간, 엣지 서버와 클라우드 리전 사이에서 훨씬 더 많이 발생한다.

이 때문에 AI 인프라 기업들은 네트워크를 단순 부속 설비가 아니라 핵심 컴퓨팅 자산으로 보고 있다. NVIDIA는 조 단위 파라미터 AI 모델 학습과 배포를 위해 엔드투엔드 800Gb/s InfiniBand 네트워킹을 강조하고 있고, Google은 5세대 Jupiter 데이터센터 네트워크가 13Pbps의 bisection bandwidth까지 확장된다고 설명한다. (NVIDIA)

즉, AI 시대의 통신 병목은 하늘에서 전 세계를 덮는 커버리지보다, 데이터센터 클러스터 안팎에서 페타비트급 트래픽을 안정적으로 소화하는 능력에 더 가깝다.

---

2. 광케이블은 “전용 관로”, 저궤도 위성은 “공유 공간”이다

저궤도 광위성망이 광통신 기술을 사용한다고 해서 지상 광케이블망과 같은 구조가 되는 것은 아니다. 가장 큰 차이는 닫힌 전용 관로와 열린 자유공간의 차이다.

광케이블은 유리섬유 안에 빛을 가둬 보낸다. 외부 간섭이 작고, 경로가 고정되어 있으며, 광섬유 쌍과 파장을 늘려 용량을 확장할 수 있다. 반면 저궤도 위성망은 위성 간 레이저 링크를 쓰더라도 전체적으로는 궤도, 빔, 지상국, 단말, 날씨, 대기 상태, 위성 간 정렬, 핸드오버에 영향을 받는 네트워크다.

수치로 보면 차이가 더 분명하다. Google의 Dunant 해저케이블은 대서양 구간에서 250Tbps 설계 용량을 제공한다. Google은 Dunant가 12개 광섬유 쌍을 활용한 장거리 SDM 해저케이블이며, 대서양을 가로질러 250Tbps 용량을 제공한다고 설명한다. (Google Cloud)

반면 Starlink는 3세대 위성을 Starship으로 한 번 발사할 때 네트워크 용량이 60Tbps 추가될 것으로 제시한다. 이 수치 자체는 매우 크지만, 위성망 용량은 특정 대륙 간 데이터센터 백본에 집중되는 것이 아니라 전 지구 표면, 다수 사용자, 다수 빔, 다수 지상국에 분산된다. (Starlink)

따라서 대도시·클라우드 리전·데이터센터 클러스터처럼 트래픽이 밀집된 구간에서는 광케이블의 물리적 경제성이 압도적이다. 위성망은 넓게 덮는 데 강하지만, 광케이블은 특정 구간에 데이터를 굵고 안정적으로 밀어 넣는 데 강하다.

---

3. AI Inference 시대일수록 광케이블의 전략적 가치는 커진다

AI Inference 시대에는 평균 속도만 중요한 것이 아니다. 연속성, 지터, 패킷 손실, 재전송 비용, 전력 효율, 단가 per bit가 모두 중요해진다.

Agentic AI는 한 번의 응답 과정에서 여러 단계의 작업을 이어간다. 중간에 네트워크 지연이 튀거나, 연결이 흔들리거나, 데이터 손실이 발생하면 서비스 품질이 바로 떨어진다. 기업용 AI, 금융 AI, 제조 AI, 자율주행, 로보틱스, 실시간 영상·음성 AI에서는 이런 연속성이 더 중요하다.

저궤도 위성은 구조적으로 계속 움직인다. 사용자는 여러 위성으로 연결을 넘겨받아야 하고, 위성 간 링크와 지상국 경로도 계속 바뀐다. 반면 광케이블망은 경로가 고정되어 있고, 데이터센터 사업자가 이중화·다중화·예비 용량을 계획적으로 설계할 수 있다.

쉽게 말하면 이렇다.

광케이블은 지하와 해저에 깔린 고속철도망이다.
저궤도 위성망은 전 세계를 덮는 항공망이다.

항공망은 고속철도가 닿지 않는 지역을 연결하는 데 탁월하다. 하지만 모든 출퇴근과 대량 물류를 항공기로 처리할 수는 없다. AI 시대의 데이터 흐름은 “가끔 멀리 가는 이동”보다 “매일, 매초, 대량으로 반복되는 물류”에 가깝다. 그래서 AI 시대가 될수록 주력망은 광케이블에 더 가까워진다.

---

4. 저궤도 광통신의 한계는 1차원 물리에서 출발한다

저궤도 위성망이 광케이블을 대체하기 어려운 이유는 복잡한 논리가 아니라 기초 물리에서 출발한다.

첫째, 빛이 지나가는 매질이 다르다. 광케이블은 닫힌 유리섬유 안에서 빛을 보낸다. 위성 광통신은 자유공간을 통과한다. 우주 공간에서는 유리할 수 있지만, 지상 데이터센터와 연결되려면 대기권을 통과해야 한다. 이때 구름, 비, 안개, 대기 난류, 흡수·산란, 정렬 오차가 생긴다.

둘째, 수요 밀도에 대한 대응 방식이 다르다. 광케이블은 수요가 몰리는 구간에 케이블을 더 깔고, 광섬유 쌍을 늘리고, 장비를 업그레이드하면 된다. 반면 위성망은 궤도, 주파수, 빔 간섭, 지상국 위치, 위성 수명, 발사 비용에 의해 확장 속도가 제한된다.

셋째, 전송 단가가 다르다. AI Inference는 1회성 연결이 아니라 반복적이고 상시적인 데이터 이동이다. 이때 중요한 것은 최고 속도보다 1비트당 전송 비용이다. 광케이블은 초기 투자비가 크지만 대규모 트래픽을 낮은 한계비용으로 처리할 수 있다. 위성망은 위성 제작, 발사, 교체, 궤도 유지, 지상국, 단말, 스펙트럼 관리 비용이 계속 붙는다.

따라서 AI 시대의 데이터 폭증은 저궤도 위성망의 대체 논리를 강화하기보다, 광케이블망의 필수성을 더 강화한다.

---

5. 그래도 SpaceX의 강점은 분명하다: 통신 대체가 아니라 인프라 실행력이다

그렇다고 SpaceX IPO를 부정적으로만 볼 필요는 없다. 오히려 긍정적으로 봐야 할 부분은 “저궤도 위성이 지상 통신망을 대체한다”는 서사가 아니라, 대규모 물리 인프라를 빠르게 구축하고 이를 매출화하는 실행력이다.

xAI의 Colossus 사례는 이를 잘 보여준다. xAI는 Colossus를 122일 만에 구축했고, 이후 92일 만에 200,000개 GPU 클러스터로 확장했다고 설명한다. NVIDIA도 xAI와 NVIDIA가 Colossus를 122일 만에 구축했으며, 첫 랙이 들어온 뒤 19일 만에 학습을 시작했다고 밝혔다. (xAI)

이 실행력은 AI 인프라 병목이 심한 국면에서는 매우 큰 가치다. 전력, 부지, 냉각, GPU, 네트워크, 시공, 운영을 동시에 묶어 실제 컴퓨트 용량으로 바꾸는 기업은 많지 않다.

특히 SpaceX의 공모 관련 SEC 문서에는 Google과의 대형 컴퓨트 계약도 공개되어 있다. 해당 문서에 따르면 SpaceX는 Google에 약 110,000개 NVIDIA GPU와 관련 컴퓨트 용량을 제공하고, Google은 2026년 10월부터 2029년 6월까지 월 9.2억 달러를 지급하기로 했다. (SEC)

Anthropic도 Colossus 1의 전체 컴퓨트 용량을 사용하는 파트너십을 발표했다. xAI는 Colossus 1이 220,000개 이상의 NVIDIA GPU를 보유하고 있으며, Anthropic이 Claude Pro와 Claude Max 가입자 용량 개선을 위해 이를 사용할 계획이라고 밝혔다. (xAI)

이 점은 SpaceX의 투자 논리를 조금 다르게 만든다. SpaceX의 핵심 투자 포인트는 단순 위성 인터넷 기업이 아니라, 발사체·위성·전력·AI 데이터센터·컴퓨트 임대까지 묶는 물리 인프라 실행 기업으로 볼 때 더 설득력이 생긴다.

---

6. IPO 공모자금도 우주보다 AI 인프라 쪽에 더 기울어져 있다

이번 IPO에서 중요한 부분은 공모자금의 성격이다. SpaceX는 S-1에서 순조달금을 성장 전략에 사용할 계획이라고 밝혔다. 구체적인 사용처로는 AI compute infrastructure 확대, launch infrastructure와 launch vehicles 개선, satellite constellations의 규모·용량 확대, 일반 기업 목적을 제시했다.

다만 S-1에는 사업부별로 얼마를 배정한다는 확정 금액이나 비율이 없다. 공모자금의 정확한 배분표는 공개되지 않았고, 실제 사용처는 경영진 재량에 맡겨져 있다. 따라서 “우주산업에 얼마, AI 컴퓨팅에 얼마”라는 질문에 대해 공식적으로 답할 수 있는 숫자는 아직 없다.

그럼에도 최근 CAPEX 믹스를 보면 투자 방향은 비교적 분명하다. 2025년 CAPEX는 Space 38.32억 달러, Connectivity 41.78억 달러, AI 127.27억 달러였다.

2026년 1분기 CAPEX는 Space 10.52억 달러, Connectivity 13.32억 달러, AI 77.23억 달러였다.

이를 비중으로 보면 2025년에는 AI가 약 61%, Space와 Connectivity를 합친 우주·위성 인프라가 약 39%였고, 2026년 1분기에는 AI 비중이 약 76%, 우주·위성 인프라가 약 24%였다.

IPO 규모는 공식 발표 기준 Class A 보통주 5억5,555만5,555주, 주당 135달러, 총 약 750억 달러다. 여기에 2025년 CAPEX 믹스를 단순 적용하면 AI 컴퓨팅에 약 460억 달러, Space와 Connectivity를 합친 우주·위성 인프라에 약 290억 달러가 배정되는 구조로 추정할 수 있다. 2026년 1분기 CAPEX 믹스를 적용하면 AI 컴퓨팅은 약 573억 달러, 우주·위성 인프라는 약 177억 달러로 추정된다.

이 계산은 회사의 공식 배분 계획이 아니라 최근 실제 투자 비중을 IPO 자금에 단순 대입한 민감도 분석이다. 그러나 방향성은 분명하다. 시장이 SpaceX를 우주 기업으로만 보고 IPO를 흥행시킨 것이 아니라, AI 컴퓨팅 인프라 병목을 해결할 수 있는 초대형 물리 인프라 기업으로 재평가했을 가능성이 있다.

투자 관점에서 SpaceX는 “우주 vs AI”의 이분법으로 보기 어렵다. Starship과 Starlink는 우주 인프라이고, AI 데이터센터와 컴퓨트 임대는 지상 인프라다. 그러나 두 축은 모두 대규모 물리 인프라를 빠르게 구축하고, 비용을 낮추고, 공급 병목을 장악한다는 하나의 논리로 연결된다. 이번 IPO 흥행은 저궤도 위성망 대체론보다 AI 컴퓨팅 병목 프리미엄으로 해석할 때 더 자연스럽다.

---

7. 다만 Grok과 AI 플랫폼 경쟁력은 아직 검증이 필요하다

문제는 SpaceX가 AI 인프라를 빠르게 구축할 수 있다는 점과, Grok이 선도 LLM으로 자리 잡을 수 있다는 점은 별개의 문제라는 것이다.

Grok은 인지도와 모델 생태계 측면에서 아직 ChatGPT, Claude, Gemini 대비 후발주자 성격이 강하다. Artificial Analysis의 최신 Intelligence Index에서도 Grok 4.3은 Claude Fable 5, GPT-5.5, Gemini 3.1 Pro Preview 등 최상위 모델보다 낮은 점수권에 위치한다. 다만 출력 속도와 가격 경쟁력에서는 상대적으로 강점을 보인다. (Artificial Analysis)

따라서 IPO 공모자금의 상당 부분이 AI에 투입된다면, 투자자는 SpaceX를 어떤 기업으로 볼지 구분해야 한다.

첫째, 위성통신 기업인가.
둘째, 재사용 발사체와 우주 운송 기업인가.
셋째, AI 데이터센터 인프라 기업인가.
넷째, Grok 중심의 AI 플랫폼 기업인가.

이 네 가지는 서로 연결되어 있지만, 수익성·경쟁우위·리스크가 모두 다르다. 특히 Grok의 모델 경쟁력이 아직 절대 우위로 검증되지 않은 상황에서는, AI 플랫폼보다는 AI 하드웨어·AI 컴포넌트 병목에 투자하는 전략이 더 합리적일 수 있다.

---

8. 오히려 더 명확한 투자 테마는 AI 하드웨어와 광통신 컴포넌트다

SpaceX의 실행력은 인정하더라도, 현재 AI 투자에서 더 직접적인 병목은 GPU, HBM, 고속 네트워킹, 광트랜시버, CPO, 스위치, 전력기기, 냉각, 변압기, 데이터센터 시공에 있다.

AI Inference가 늘어날수록 데이터는 더 많이, 더 빠르게, 더 안정적으로 이동해야 한다. 이 과정에서 광통신 장비, 데이터센터 네트워크, 전력 인프라, 냉각 인프라의 중요성은 더 커진다. Google이 AI 시대에 맞춰 Virgo Network 같은 대규모 데이터센터 패브릭을 별도로 설계하는 이유도 여기에 있다. Google은 Virgo Network를 현대 AI 워크로드의 엄격한 요구에 맞춘 scale-out 데이터센터 네트워크로 설명한다. (Google Cloud)

결국 SpaceX IPO의 긍정적 함의는 “위성이 광케이블을 대체한다”가 아니다. 오히려 반대에 가깝다. AI 인프라 병목이 얼마나 심각한지, 그리고 컴퓨트·전력·광통신·데이터센터 네트워크의 가치가 얼마나 커지고 있는지 확인시켜주는 사건에 가깝다.

---

9. 우주 데이터센터의 실질적 한계: 태양광은 강하지만, 냉각·통신·정비가 병목이다

우주 데이터센터 구상도 장기적으로는 흥미롭다. Google Research는 Project Suncatcher를 통해 태양광 기반 위성 컨스텔레이션에 TPU와 자유공간 광링크를 탑재하는 구상을 제시했다. Google은 적절한 궤도에서는 태양광 패널 생산성이 지상 대비 최대 8배 높을 수 있고, 거의 연속적인 전력 생산이 가능하다고 설명한다. (Google Research)

하지만 Google도 동시에 여러 기술적 과제를 명확히 언급한다. 데이터센터급 위성 간 링크를 구현하려면 수십 Tbps급 링크가 필요하고, 이를 위해 위성들이 수백 미터에서 수 킬로미터 이하의 매우 가까운 편대비행을 해야 한다. 또한 TPU는 방사선 환경을 견뎌야 하며, 열관리, 고대역폭 지상 통신, 궤도상 신뢰성이 여전히 주요 과제로 남아 있다. (Google Research)

더 근본적인 문제는 냉각이다. 우주는 “차갑다”는 이미지와 달리, 진공 상태에서는 공기나 물을 통한 대류 냉각이 어렵다. 고출력 AI 칩에서 나온 열은 결국 방열판을 통해 복사 방식으로 버려야 한다. 최근 우주 데이터센터 경제성 연구도 1MW급 우주 컴퓨트 시스템에서 태양광 패널 면적과 방열판 면적, kg/kW 질량, 발사비가 동시에 맞아야 한다고 지적한다. 해당 연구는 대표 사례에서 1MW IT 전력을 위해 수천㎡ 규모의 태양광·방열 면적이 필요하며, 현재 공개된 Falcon 9 전용 LEO 발사비만 감안해도 지상 데이터센터와 경쟁하려면 발사·제작 비용이 크게 낮아져야 한다고 분석한다. (arXiv)

따라서 우주 데이터센터는 우주 관측 데이터의 궤도상 전처리, 군사·재난용 엣지 컴퓨트, 지상 전력망 제약을 우회하는 실험적 인프라로는 의미가 있다. 하지만 범용 AI 학습과 대규모 상업 추론의 주력 인프라가 되려면 냉각, 방사선, 발사비, 정비 불가능성, 위성 수명, 지상-우주 통신 병목을 모두 해결해야 한다.

---

핵심 정리

SpaceX IPO는 분명 역사적인 이벤트다. 그러나 이를 저궤도 위성이 지상 통신망을 대체하는 사건으로 해석하면 투자 논리가 흐려진다. Agentic AI와 AI Inference 시대에는 데이터 전송량, 전송속도, 연속성, 단가 per bit가 더 중요해지고, 이 조건에서는 지상·해저 광케이블 기반 광통신망의 가치가 더 커진다.

SpaceX의 진짜 강점은 위성망의 대체성이 아니라 대규모 물리 인프라를 빠르게 구축하고, 전력·컴퓨트·네트워크 병목을 매출로 전환하는 실행력에 있다. xAI Colossus, Google·Anthropic 컴퓨트 계약은 이 점에서 긍정적이다.

공모자금의 성격도 이 해석을 뒷받침한다. S-1은 AI compute infrastructure, launch infrastructure, launch vehicles, satellite constellations 확대를 사용처로 제시했지만, 사업부별 금액 배분은 공개하지 않았다. 다만 최근 CAPEX 믹스를 보면 AI 비중은 2025년 약 61%, 2026년 1분기 약 76%까지 올라간다.

750억 달러 IPO 자금을 이 비중에 단순 대입하면 AI 컴퓨팅에는 약 460억~573억 달러, 우주·위성 인프라에는 약 177억~290억 달러가 배정되는 셈이다. 공식 배분표는 아니지만, 시장이 SpaceX를 단순 우주 기업보다 AI 인프라 병목을 해결할 수 있는 물리 인프라 기업으로까지 평가했을 가능성을 보여준다.

다만 Grok의 모델 경쟁력은 아직 선도 LLM 대비 절대 우위로 보기 어렵고, 우주 데이터센터 역시 장기 선택지에 가깝다. 현재 더 명확한 투자 테마는 SpaceX 그 자체보다 AI 하드웨어, HBM, 광통신, 데이터센터 네트워크, 전력기기, 냉각 인프라에 가까워 보인다.

아직까지 왜 우주와 AI Infra라는 복합 위험 산업을 동시에 영위하는 SpaceX에 이토록 높은 밸류에이션을 부여해야 하는지에 대한 근본적인 답은 완전히 찾지 못했다. 

SpaceX는 독보적인 우주 기업이어서 비싼 것인가, 아니면 동시에 AI 시대의 물리 인프라 병목까지 가장 빠르게 풀 수 있는 기업이기 때문에 프리미엄 평가받고 있는 것인가.

현재로서는 후자에 더 가까워 보인다. 다만 그 프리미엄을 현재 밸류에이션이 충분히 정당화하는지는 여전히 별개의 문제이지 않나 싶다.

=끝

뭔가 웅장하고 멋있긴 하네..

예전부터 천문학, 우주 SF광팬이긴 한데.. 그렇다고 투자까지.. SF로 할수는 없지않나..

멋있다..

다행성인류라... 

생각정리 280 (* AI Components Up-cycle -5)

주말 사이 수동소자 관련 뉴스가 연이어 나왔다. 주요 키워드는 가격 인상, 공급 부족, 생산능력 증설이었다. 표면적으로는 MLCC 업황이 다시 좋아지고 있다는 정도로 보일 수 있지만, 내용을 들여다보면 단순한 재고 보충 사이클과는 결이 다르다.

AI 서버 수요가 커지면서 고용량 MLCC 공급이 빠듯해졌고, 선두 업체들이 AI 서버용 고부가 제품에 생산능력을 우선 배정하면서 범용 고용량 MLCC까지 수급 부담이 번지고 있다.

이번 글에서는 최근 공개된 Holy Stone의 2026년 5월 27일 Investor Forum 자료를 함께 정리하면서 수동소자 업황을 이전글에 이어 기록해보고자 한다.

Holy Stone Enterprise

특히 AI 서버 전력 구조 변화가 왜 MLCC 수요를 키우는지, 47uF 고용량 MLCC 부족이 왜 10uF·22uF 범용 제품으로 확산될 수 있는지, 그리고 Rubin Ultra와 800V HVDC 전환이 왜 고전압 MLCC의 구조적 수요로 연결되는지를 이해해보려고 한다. 

핵심은 간단하다. AI 서버는 더 많은 전기를 쓰고, 그 전기를 더 안정적으로 제어해야 한다. 이 과정에서 MLCC는 단순한 범용 부품을 넘어 전력 안정성을 좌우하는 핵심 부품으로 재평가되고 있다.

이번 수동소자 업사이클은 단순히 “MLCC 가격이 오른다”는 이야기에 그치지 않는다. AI 서버와 Physical AI가 전력 구조를 바꾸고, 그 변화가 MLCC의 수량과 사양을 동시에 끌어올리는 사이클에 가깝다.

AI 서버가 왜 MLCC를 부족하게 만들까

47uF에서 800V HVDC까지, 수동소자 업사이클을 쉽게 이해하기

AI 서버가 늘어날수록 함께 중요해지는 부품이 하나 더 있다. 바로 MLCC다.

MLCC는 적층세라믹콘덴서라고 부른다. 이름은 어렵지만 역할은 간단하다. 전자기기 안에서 전기가 흔들리지 않도록 잡아주는 부품이다. 사람 몸으로 비유하면 혈압을 안정적으로 유지해주는 장치에 가깝고, 자동차로 비유하면 충격을 흡수하는 서스펜션과 비슷하다. 전기가 갑자기 많이 필요하거나, 순간적으로 흔들릴 때 MLCC가 전압을 안정시켜준다.

스마트폰, PC, 자동차, 서버에는 모두 MLCC가 들어간다. 그런데 이번 사이클에서 중요한 점은 AI 서버가 기존 전자기기보다 훨씬 더 많은 전력을 쓰고, 그 전력을 훨씬 더 정교하게 제어해야 한다는 것이다. 그래서 MLCC 수요도 단순히 “개수가 조금 늘어나는 수준”을 넘어, 더 높은 전압과 더 높은 온도에서도 버틸 수 있는 고사양 제품으로 이동하고 있다.

1. AI 서버는 전기를 많이 쓰는 기계다

AI 서버는 쉽게 말하면 대규모 계산 공장이다. GPU 수백 개, 수천 개가 동시에 데이터를 처리한다. 문제는 계산이 많아질수록 전기도 많이 필요하다는 점이다. GPU가 순간적으로 많은 전력을 요구하면 서버 안의 전압이 흔들릴 수 있다. 전압이 흔들리면 연산이 불안정해지고, 데이터 오류나 시스템 다운타임이 발생할 수 있다.

그래서 AI 서버에는 전기를 안정적으로 공급하는 부품들이 많이 들어간다. 전원공급장치, 메인보드, BBU, CBU, 스위치, GPU 주변 회로가 모두 전력 안정화와 관련돼 있다. 이 안에서 MLCC는 전압 변동을 줄이고, 노이즈를 걸러내고, 순간적인 전류 변화를 완충하는 역할을 한다.

기존 서버도 MLCC를 사용했지만, AI 서버는 전력 밀도가 훨씬 높다. 같은 공간에서 더 많은 전력을 처리해야 하므로 부품의 사양도 올라간다. 여기서 이번 수동소자 업사이클의 핵심이 나온다. AI 서버는 MLCC를 더 많이 쓸 뿐 아니라, 더 좋은 MLCC를 요구한다.

Holy Stone Enterprise

2. Holy Stone 실적에서 이미 변화가 보인다

Holy Stone의 2026년 1분기 실적은 이 변화를 숫자로 보여준다. 1Q26 매출은 NT$3.62bn으로 전년 대비 6% 증가했다. 매출 성장률만 보면 아주 강한 숫자는 아니다. 그런데 영업이익은 NT$483mn으로 전년 대비 51% 증가했고, 지배주주순이익은 NT$475mn으로 70% 증가했다. 매출보다 이익이 훨씬 빠르게 늘어난 것이다.

이유는 제품 믹스가 좋아졌기 때문이다. Holy Stone의 제품군 중 Passive Components, 즉 수동부품 비중은 2026년 1분기 47%까지 올라갔다. 더 중요한 부분은 Passive Components 안에서 AI 애플리케이션이 차지하는 비중이다. 이 비중은 2023년 8%, 2024년 11%, 2025년 19%, 2026년 1분기 27%로 상승했다.

Holy Stone Enterprise

Holy Stone Enterprise

Holy Stone Enterprise

이 숫자는 단순한 업황 회복보다 더 중요한 의미를 갖는다. Holy Stone의 실적 개선은 범용 MLCC가 조금 좋아진 결과만이 아니라, AI 서버 전원부용 고부가 MLCC 비중이 올라간 결과로 볼 수 있다. 즉, “AI 서버 전력 구조 변화 → 고사양 MLCC 수요 증가 → 제품 믹스 개선 → 마진 상승”이라는 흐름이 이미 손익계산서에 반영되기 시작했다.

3. 왜 47uF MLCC가 부족해졌을까

최근 업계에서 많이 언급되는 제품이 47uF MLCC다. 여기서 uF는 전기를 얼마나 저장할 수 있는지를 나타내는 단위다. 숫자가 클수록 더 많은 전하를 저장할 수 있다. AI 서버의 GPU, CPU, ASIC 주변 전원부는 순간적으로 전류가 크게 변한다. 이런 변동을 안정화하려면 고용량 MLCC가 필요하다.

문제는 고용량 MLCC를 작게 만드는 것이 어렵다는 점이다. 작은 크기 안에 많은 전기를 저장하려면 세라믹 유전체를 아주 얇게 만들고, 여러 층으로 정밀하게 쌓아야 한다. 생산 난이도가 높고, 장비 점유 시간도 길다. 그래서 AI 서버용 47uF 제품에 생산능력이 집중되면 다른 범용 고용량 MLCC 공급도 함께 빠듯해질 수 있다.

이 흐름이 스마트폰과 PC용 10uF, 22uF, X5R 계열 제품으로 번지고 있다. 선두 업체들이 AI 서버용 고부가 제품에 라인을 우선 배정하면, 상대적으로 범용 제품 공급은 줄어든다. 이 경우 범용 MLCC 가격 하방이 막히고, 주문이 대만 업체들로 이동할 가능성이 커진다.

다만 Holy Stone의 핵심 투자 포인트는 47uF 부족 하나에 머물지 않는다. 회사가 강조하는 부분은 그 다음 단계다. 바로 고전압 MLCC다.

4. Rubin Ultra와 800V HVDC가 중요한 이유

Holy Stone 자료에서 가장 중요한 장표 중 하나는 AI 서버 랙 전력 변화다. 회사는 NVIDIA 자료를 인용해 랙 전력이 2020년 Ampere 10kW에서 2022년 Hopper 40kW, 2024년 Blackwell 120kW, 2025년 Blackwell Ultra 150kW, 2026년 Vera Rubin 200kW 이상, 2027년 Rubin Ultra 1000kW 이상으로 올라간다고 제시했다.

Holy Stone Enterprise

쉽게 말하면 AI 서버 한 랙이 쓰는 전기가 몇 년 사이에 10kW에서 1000kW 이상으로 증가한다는 뜻이다. 1000kW는 1MW다. 이는 작은 공장이나 대형 설비 수준의 전력을 하나의 AI 랙이 요구하는 시대가 열릴 수 있다는 의미다.

전력이 이렇게 커지면 기존 방식으로는 한계가 생긴다. 전압이 낮은 상태에서 큰 전력을 보내려면 전류가 커지고, 전류가 커지면 열과 손실이 증가한다. 전선도 굵어져야 하고, 전력 변환 과정에서 효율도 떨어진다. 그래서 전압을 높여 전류를 낮추는 방향으로 전원 구조가 바뀌게 된다. 이때 등장하는 개념이 800V HVDC다.

HVDC는 High Voltage Direct Current, 즉 고전압 직류를 뜻한다. 800V HVDC는 AI 데이터센터 안에서 더 높은 전압으로 전력을 전달해 손실을 줄이고 효율을 높이려는 구조다. 그런데 전압이 높아지면 전원부에 들어가는 부품도 더 높은 전압을 견뎌야 한다. 여기서 고전압 MLCC 수요가 늘어난다.

Holy Stone Enterprise

5. NP0 MLCC는 왜 중요할까

Holy Stone은 AI 서버 전원부에서 NP0 MLCC가 핵심 부품으로 부상하고 있다고 설명한다. NP0는 MLCC의 한 종류다. 가장 큰 특징은 온도 변화에 따른 성능 변화가 작고, 전기적 손실이 낮다는 점이다.

AI 서버 전원부는 고주파로 동작하고, 전압도 높아지고, 열도 많이 발생한다. 이 환경에서는 일반적인 MLCC보다 안정성이 높은 제품이 필요하다. NP0 MLCC는 고주파 공진회로와 저손실 전원 설계에 적합하기 때문에 AI 서버 전원부에서 중요해진다.

2027년 Rubin Ultra에서는 더 높은 사양이 등장한다. 전원공급장치 출력은 30kW 이상, 전압 구조는 800V HVDC로 제시되며, 1210 NP0 47nF 630V와 1210 NP0 33nF 1250V가 인증 진행 중인 제품으로 표시된다.

Holy Stone Enterprise

Holy Stone 자료를 보면 GPU 세대가 올라갈수록 요구되는 NP0 MLCC의 사양과 수량이 함께 올라간다. A100 세대에서는 1206 NP0 10nF 630V 제품이 랙당 800~1,000개 수준으로 제시된다. H100에서는 1210 NP0 22nF 1000V가 랙당 1,800~2,000개, GB200·GB300·Vera Rubin에서는 1210 NP0 33nF 1000V가 랙당 3,000~5,000개로 늘어난다.

이 장표가 말하는 핵심은 간단하다. AI 서버가 발전할수록 MLCC는 단순히 더 많이 들어가는 수준을 넘어, 더 높은 전압과 더 까다로운 환경을 견디는 제품으로 바뀌고 있다.

6. X7과 X8은 어디에 쓰일까

NP0가 고주파·고전압 전원회로에서 중요하다면, X7과 X8 계열 MLCC는 더 넓은 영역에서 쓰인다. Holy Stone은 100~150V DC 고전압, 고용량, 고온 환경에서 X7과 X8 계열 MLCC가 새로운 성장 사이클에 들어가고 있다고 설명한다.

X7 계열은 최대 125℃ 환경에서 사용할 수 있는 제품군이다. AI 서버의 PSU, BBU, CBU, 메인보드, 스위치에 들어간다. PSU는 전원공급장치, BBU는 배터리 백업 유닛, CBU는 캐비닛 단위 전력 안정화 장치로 이해하면 된다. 모두 AI 서버가 안정적으로 전기를 공급받도록 돕는 장치들이다.

Holy Stone Enterprise

Holy Stone 자료에 따르면 AI BBU와 CBU에는 1206 X7 4.7uF 100V가 단일 모델당 3,000~5,000개 수준으로 들어갈 수 있다. AI PSU에는 1210 X7 10uF 100V가 1,000~2,000개 수준으로 제시된다. 메인보드와 스위치에도 48V 환경에서 X7 계열 MLCC가 사용된다.

Holy Stone Enterprise

X8 계열은 최대 150℃ 환경까지 대응하는 제품이다. 2027년 Vera Rubin과 Rubin Ultra 구간에서는 PSU, BBU, CBU에 X8 계열 제품이 들어가는 구조로 제시된다. 고온 환경에서도 안정적인 특성이 필요해지기 때문이다.

여기서 중요한 점은 AI 서버 MLCC 수요가 GPU 주변에만 머물지 않는다는 것이다. PSU, BBU, CBU, 메인보드, 스위치까지 전원 관련 블록 전체로 확산되고 있다. 그래서 이번 사이클은 특정 부품 하나의 쇼티지보다 AI 서버 전력 구조 전체의 변화로 보는 편이 더 정확하다.

7. BBU와 CBU는 왜 새로운 수요처가 될까

AI 서버는 전기가 잠깐만 불안정해져도 문제가 생길 수 있다. 연산이 멈추거나, 데이터가 손상되거나, 서버가 다운될 수 있다. 그래서 데이터센터는 전력 안정성을 매우 중요하게 본다.

BBU는 Battery Backup Unit이다. 정전이나 순간적인 전압 저하가 발생했을 때 서버 전력을 유지해주는 장치다. 쉽게 말해 AI 서버용 보조 배터리 역할을 한다. CBU는 캐비닛 단위에서 전력을 안정화하는 장치로 이해할 수 있다. AI 랙 단위의 전력 변동을 완충해주는 역할을 한다.

AI 서버 전력이 커질수록 BBU와 CBU의 중요성도 커진다. 이 장치들에도 고용량·고전압·고온 MLCC가 필요하다. 그래서 MLCC 수요는 서버 내부 부품에서 데이터센터 전력 인프라 부품으로 확장된다.

이것이 이번 수동소자 사이클을 길게 볼 수 있는 이유다. AI 서버 한 대가 많이 팔리는 효과를 넘어, AI 데이터센터 전체의 전력 구조가 바뀌고 있기 때문이다.

Holy Stone Enterprise

8. Physical AI와 휴머노이드 로봇도 MLCC 수요를 만든다

Holy Stone 자료에는 “Physical AI”라는 표현도 등장한다. Physical AI는 AI가 디지털 공간에만 머무르지 않고, 실제 물리 세계에서 움직이는 기계와 결합되는 흐름을 뜻한다. 대표적인 예가 휴머노이드 로봇이다.

Holy Stone Enterprise

휴머노이드 로봇은 팔, 어깨, 다리, 종아리, 관절마다 모터가 들어간다. 모터를 움직이려면 전력을 공급해야 하고, 전력을 안정적으로 제어해야 한다. 로봇이 정교하게 움직일수록 전압 안정화와 노이즈 제거가 중요해진다. 이 과정에서도 MLCC가 필요하다.

Holy Stone은 로봇 조인트별 MLCC 사용량도 제시했다. 팔, 어깨, 종아리에는 48V 환경에서 1206 X7 4.7uF 100V가 로봇당 700~1,300개, 1210 X7 10uF 100V가 300~600개 들어갈 수 있다. 중대형 조인트에는 72V 환경에서 1206 X7 2.2uF 150V가 1,500~1,800개, 고출력 다리에는 1206 X7 4.7uF 120V가 200~400개 적용될 수 있다고 제시된다.

Holy Stone Enterprise

아직 휴머노이드 로봇 시장은 초기 단계다. 당장 Holy Stone 실적을 크게 바꾸는 요인은 AI 서버다. 그러나 휴머노이드 로봇이 실제 양산 단계로 들어가면 MLCC 수요는 데이터센터를 넘어 로봇 시장으로 확장될 수 있다. AI 서버가 “계산을 위한 전력”을 만든다면, 휴머노이드 로봇은 “움직임을 위한 전력”을 만든다.

9. 이번 업사이클을 세 단계로 보면 이해하기 쉽다

이번 MLCC 업사이클은 세 단계로 정리할 수 있다.

첫 번째 단계는 47uF 고용량 MLCC 부족이다. AI 서버의 GPU 주변 전원부에서 고용량 MLCC 수요가 빠르게 늘어나며 쇼티지가 시작됐다.

두 번째 단계는 범용 고용량 MLCC로의 확산이다. 선두 MLCC 업체들이 AI 서버용 제품에 생산능력을 우선 배정하면서, 스마트폰과 PC에 쓰이는 10uF, 22uF, X5R 계열 제품 공급도 타이트해지고 있다. 이 구간에서는 범용 제품 가격 하방이 제한되는 효과가 나타날 수 있다.

세 번째 단계는 고전압·고온 특수품으로의 이동이다. Rubin Ultra, 800V HVDC, BBU, CBU, X7, X8, NP0 제품이 여기에 해당한다. 이 단계에서는 단순히 많이 만드는 능력보다 고객 인증, 신뢰성, 수율, 고전압 설계 역량이 중요해진다.

Holy Stone의 투자 포인트는 특히 세 번째 단계에 있다. 범용 MLCC 업황 개선도 긍정적이지만, 더 중요한 것은 AI 서버 전원부가 고전압·고온·저손실 제품을 요구하면서 회사의 제품 믹스가 좋아질 가능성이다.

결론: 이번 MLCC 사이클의 본질은 AI 전력 구조 변화다

이번 수동소자 업사이클은 단순한 재고 보충 사이클로 보기 어렵다. AI 서버는 기존 서버보다 훨씬 많은 전력을 사용하고, 그 전력을 더 안정적으로 제어해야 한다. 이 과정에서 MLCC는 더 많이 필요해질 뿐 아니라, 더 높은 전압과 온도를 견딜 수 있는 고사양 제품으로 요구 조건이 올라가고 있다. 적용 위치도 GPU 주변 전원부에 그치지 않고 PSU, BBU, CBU, 메인보드, 스위치 등 전력 구조 전반으로 넓어지고 있다.

47uF 고용량 MLCC 부족은 이번 사이클의 출발점으로 볼 수 있다. 이후 수급 부담은 10uF, 22uF 같은 범용 고용량 제품으로 확산되고 있으며, 장기적으로는 800V HVDC, 고전압 NP0, 고온 X7/X8, BBU, CBU, 휴머노이드 로봇으로 이어지는 구조적 수요가 더 중요한 변수로 부상하고 있다.

2018년 MLCC 사이클이 전장용 수요 확대와 공급 재배분에서 출발했다면, 이번 사이클은 AI 서버의 전력 밀도 상승에서 시작되고 있다. AI가 더 많은 계산을 수행하려면 더 많은 전기가 필요하고, 그 전기를 안정적으로 제어하려면 더 높은 성능의 수동소자가 필요해진다.

따라서 이번 수동소자 업사이클의 핵심을 단순히 “AI 서버가 MLCC를 많이 쓴다”는 문장으로만 설명하기에는 부족하다. 보다 정확하게는 AI 서버와 Physical AI가 전력 구조 자체를 바꾸고 있으며, 그 변화가 MLCC의 수량 증가와 사양 상승을 동시에 이끌고 있다고 해석하는 편이 더 합리적이다.

=끝

생각정리 279 (* Sovereign AI, *Hitachi)

자칫 평범한 성장 전략 발표로 흘러갈 수 있었던 Hitachi Investor Day에서, 한 투자자의 질문이 오히려 발표의 핵심을 가장 날카롭게 드러냈다. Hitachi가 HMAX와 FDE를 통해 나아가려는 방향은 명확했다. 장비와 인프라를 판매하는 기업에서, 현장 데이터를 활용해 운영 효율과 생산성을 높이는 Physical AI 운영 서비스 기업으로 확장하겠다는 것이다.

그러나 바로 그 지점에 약점도 존재한다. Physical AI의 성능을 결정하는 핵심 원재료는 현장 데이터인데, 그 데이터의 소유권은 대부분 Hitachi가 아니라 고객사와 국가 인프라 운영자에게 있다. 결국 Hitachi의 새로운 성장 모델은 AI 기술력만의 문제가 아니라, 누가 데이터를 통제하고, 누가 사용할 수 있으며, 그 데이터에서 발생하는 경제적 가치를 누가 가져갈 것인가의 문제로 이어진다.

이 감상평은 뒤늦게나마 그 질문이 던진 함의를 기록해보려는 글이다. Hitachi의 HMAX와 FDE 전략에서 출발해, Oracle Larry Ellison이 강조한 private enterprise data의 중요성, 그리고 Agentic AI 시대에 본격화될 데이터주권 경쟁까지 함께 정리해보고자 한다.

Agentic AI 시대, 진짜 병목은 모델이 아니라 데이터 주권이다

1. Hitachi Investor Day에서 눈에 들어온 변화

최근 Hitachi Investor Day에서 가장 눈에 들어온 부분은 HMAX와 FDE 전략이었다. Hitachi는 AI를 단순히 사무직 생산성을 높이는 도구로 설명하지 않았다. 전력망, 철도, 공장, 빌딩, 의료장비처럼 실제 물리 인프라가 작동하는 현장에 AI를 결합하는 Physical AI 전략으로 제시했다.

이 전략의 중심에는 HMAX가 있다. HMAX는 현장 장비와 인프라에서 발생하는 데이터를 AI로 분석해 운영 효율화, 예지보전, 유지보수 자동화, 에너지 최적화를 지원하는 플랫폼이다. 쉽게 말하면, 기존에는 장비를 팔고 유지보수를 제공하던 기업이 이제는 장비에서 나오는 데이터를 활용해 고객의 운영 성과를 높이는 AI 서비스 기업으로 확장하려는 것이다.

Hitachi가 이 방향을 강조하는 이유는 명확하다. 전력망, 철도, 공장, 빌딩은 한 번 설치되면 장기간 운영된다. 이 과정에서 방대한 현장 데이터가 쌓인다. 설비 상태, 고장 이력, 정비 기록, 에너지 사용량, 작업자 대응 패턴 같은 데이터는 AI가 결합될 때 비용 절감과 생산성 향상으로 이어질 수 있다.

따라서 HMAX는 단순한 소프트웨어 제품이 아니다. Hitachi가 보유한 산업 장비와 현장 운영 경험을 바탕으로, 기존 설치 기반을 반복형 디지털 서비스 매출로 전환하려는 monetization layer에 가깝다.

---

2. FDE는 Palantir식 운영형 AI 모델과 닮아 있다

HMAX 전략을 실행하는 조직이 FDE, Field-Deployed Engineer다. FDE는 고객 현장에 들어가 문제를 정의하고, AI·데이터·OT·제품 지식을 결합해 솔루션을 구현하는 역할을 한다. 단순히 소프트웨어를 설치하는 인력이 아니라, 고객사의 실제 업무와 현장 프로세스를 이해한 뒤 이를 AI 시스템으로 연결하는 조직이다.

이 구조는 Palantir가 보여준 FDE 기반 사업모델과 상당히 닮아 있다. Palantir는 고객 현장에 들어가 데이터 구조를 정리하고, 업무 프로세스를 모델링하며, AI가 실제 의사결정과 실행에 연결되도록 만든다. Hitachi는 이 방식을 전력망, 철도, 산업설비, 빌딩 같은 물리 인프라 영역에 적용하려 한다.

다만 Hitachi의 차별점은 OT와 제품 도메인 지식에 있다. Palantir가 다양한 산업에 적용 가능한 horizontal software platform에 강하다면, Hitachi는 전력망, 철도, 산업장비, 엘리베이터, 반도체 장비, 진단장비 같은 물리 자산과 장기 유지보수 경험을 갖고 있다.

---

3. HMAX의 핵심 리스크는 데이터 소유권이다

Hitachi 전략의 가장 중요한 리스크는 명확하다. Physical AI의 핵심 원재료는 현장 데이터인데, 그 데이터의 소유권은 대부분 고객에게 있다.

전력망 운영 데이터는 유틸리티 기업과 국가 인프라 운영자가 보유한다. 철도 운행 데이터는 철도 운영사와 정부기관이 통제한다. 공장 설비 데이터는 제조기업의 생산성과 품질 경쟁력을 보여주는 핵심 자산이다.

고객 입장에서 이 데이터는 단순한 운영 기록이 아니다. 설비의 고장 패턴, 생산성 병목, 비용 구조, 보안 취약점, 운영 노하우가 모두 담겨 있다. 따라서 고객은 외부 벤더가 데이터를 전면적으로 가져가거나, 해당 데이터를 활용해 독자적인 AI 모델을 고도화하는 상황을 경계할 수밖에 없다.

---

4. 데이터 접근권은 곧 사업모델의 핵심이다

Hitachi가 고객 데이터를 전부 가져오는 방식으로 HMAX를 확장하기는 어렵다. 대신 현실적인 방식은 고객별로 다른 데이터 활용 구조를 설계하는 것이다.

예를 들어 JV, 결과값만 제공하는 모델, 보안 기반 데이터 활용, on-premise AI, sovereign cloud, 고객 내부망 기반 분석 같은 방식이 가능하다.

결국 HMAX의 경제적 가치는 데이터 소유권보다 데이터 사용권에서 나온다. 고객이 데이터를 보유하더라도 Hitachi가 그 데이터를 바탕으로 운영 효율을 개선할 수 있다면 반복형 서비스 매출을 만들 수 있다.

---

5. Larry Ellison이 강조한 Private Enterprise Data

Oracle의 Larry Ellison도 비슷한 문제의식을 공개적으로 강조했다.

Oracle

Ellison은 Oracle AI Database와 AI Data Platform을 설명하면서, 최신 AI 모델들이 기업 데이터 위에서 multi-step reasoning을 수행하되 데이터를 private and secure하게 유지해야 한다고 말했다.

Oracle

이는 AI 경쟁의 중심이 공개 데이터 기반 모델 경쟁에서 기업 내부 데이터 활용 경쟁으로 이동하고 있음을 의미한다.

---

6. 공개 데이터의 시대에서 Private Data의 시대로

LLM은 공개 데이터를 기반으로 빠르게 발전했다. 하지만 공개 데이터는 이미 상당 부분 학습되었고 누구나 접근 가능하기 때문에 차별화가 어렵다.

반면 제조 데이터, 금융 데이터, 의료 데이터, 전력망 데이터 같은 private data는 접근이 어렵지만 가치가 높다.

AI가 실제 비용 절감과 생산성 향상을 만들기 위해서는 결국 이런 데이터가 필요하다.

---

7. Agentic AI는 데이터 접근권을 더 중요하게 만든다

Agentic AI는 단순히 답변하는 AI가 아니다. 실제 업무를 수행하고 시스템을 조작하며 의사결정을 지원한다.

이를 위해서는 CRM, ERP, SCM, 데이터베이스, 이메일, 결재 시스템 등에 접근해야 한다.

따라서 Agentic AI 시대에는 데이터 접근권이 곧 실행권이 된다.

---

8. 데이터주권은 국가 안보 문제로 확장된다

전력망, 철도, 금융, 의료, 통신 같은 핵심 인프라 데이터는 단순한 기업 데이터가 아니다.

이 데이터가 어느 국가에 저장되는지, 누가 접근 가능한지, 어떤 법적 관할권 아래 있는지는 국가 안보 문제로 연결된다.

그래서 Sovereign Cloud와 Data Residency가 중요해지고 있다.

---

9. 앞으로의 갈등은 세 계층 사이에서 벌어진다

앞으로 데이터주권을 둘러싼 갈등은 크게 세 계층 사이에서 발생할 가능성이 높다.

세 계층은 협력해야 하지만 동시에 데이터와 수익 배분을 두고 경쟁하게 된다.

---

10. 이권 다툼의 핵심은 데이터 소유권보다 사용권이다

많은 사람들이 데이터주권을 소유권 문제로 이해하지만 실제 핵심은 사용권이다.

데이터는 고객이 보유하더라도 데이터를 분석하고 구조화하며 실행 가능한 형태로 만드는 플랫폼이 경제적 가치를 가져갈 수 있다.

Oracle, Palantir, Hitachi 모두 이 영역을 노리고 있다.

---

11. 타협 구조는 늘어나겠지만 긴장은 사라지지 않는다

데이터주권 문제를 해결하기 위해 다양한 타협 구조가 등장하고 있다.

On-Premise AI, Sovereign Cloud, Federated Learning, Data Clean Room 등이 대표적이다.

하지만 데이터 접근 범위, 모델 학습 권한, 결과물 소유권, 사고 책임 문제는 여전히 남는다.

---

12. 투자 관점에서 봐야 할 변화

AI 시대의 승자는 단순히 가장 좋은 모델을 가진 기업이 아닐 수 있다.

더 중요한 것은 private data에 접근할 수 있고, 이를 실제 업무와 물리 현장에 연결할 수 있는 기업이다.

---

13. 결론: AI의 병목은 모델에서 데이터주권으로 이동한다

과거 AI 경쟁은 모델 경쟁이었다.

그러나 Agentic AI 시대에는 모델 자체보다 어떤 데이터에 접근할 수 있는지, 누가 데이터를 통제하는지, 누가 실행권을 갖는지가 더 중요해질 가능성이 높다.

공개 데이터 기반 AI는 점차 상품화될 수 있지만, 기업 내부 데이터와 산업 데이터는 쉽게 복제되지 않는다.

결국 앞으로의 AI 경쟁은 모델 경쟁을 넘어 데이터주권 경쟁으로 확장될 가능성이 높다.

---

한눈에 보는 전체 요약

=끝

생각정리 278 (* Optical AI Backbone, Optical Fiber -5)

처음에는 몇 시간 안에 짧게 정리하고 끝낼 생각이었던 광통신망 리서치가, 자료를 파고들수록 조사 범위가 넓어지고 글도 길어지면서 정리하는 데만 이틀가량 걸리고 있다.

이전글에 이어 광통신망 리서치기록을 이어 남겨본다.

Agentic AI 시대의 신경망: 미국 광통신망을 다시 봐야 하는 이유

NREL

Agentic AI 인프라는 연산, 전력, 냉각, 부지, 네트워크가 하나의 공급망으로 움직이는 산업이다. 그중 광통신망은 데이터센터, 클라우드, 기업 네트워크, 엣지 인프라를 연결하는 물리적 신경망에 해당한다. AI 모델이 더 자주 호출되고, 여러 agent가 동시에 작업을 수행하며, 데이터센터 간 east-west traffic이 늘어날수록 광전송망의 가치는 커진다. 미국 내 fiber footprint를 누가, 어느 지역에, 얼마나 조밀하게 보유하고 있는지는 앞으로 AI 인프라 cash flow의 질을 가르는 핵심 변수가 될 가능성이 높다.

미국의 대형 통신 fiber 사업자는 최근 M&A와 JV를 거치며 세 진영으로 재편되고 있다. 첫째는 AT&T + Lumen, 둘째는 Verizon + Frontier, 셋째는 T-Mobile + Lumos + Metronet이다. 단순히 통신 3사의 가입자 경쟁으로 보면 이 변화가 잘 보이지 않는다. 그러나 fixed fiber, enterprise backbone, 데이터센터 인접성, DCI 수요를 함께 놓고 보면 각 진영의 장단점이 뚜렷해진다.

1. AT&T + Lumen: 가장 넓은 broad fiber footprint

AT&T는 미국 내 대표적인 incumbent wireline 사업자다. 기존 지역 유선망을 기반으로 copper-to-fiber 전환을 진행해 왔고, Lumen의 Mass Markets fiber 사업 인수를 통해 footprint를 더 넓혔다. Lumen 거래로 AT&T는 Denver, Seattle, Salt Lake City 등 신규 metro exposure를 확보했고, fiber 제공 지역을 더 많은 주로 확장했다.

AT&T

다만 Lumen을 AT&T에 단순히 완전히 흡수된 사업자로 보면 해석이 흐려진다. AT&T가 가져간 것은 주로 consumer FTTH 자산이고, Lumen은 national, regional, state, metro fiber backbone과 enterprise·wholesale 고객을 유지한다. 따라서 residential FTTP 지도에서는 AT&T+Lumen으로 묶어 보고, AI backbone·enterprise traffic 관점에서는 Lumen을 별도 핵심 자산으로 함께 추적하는 방식이 적절하다.

Lumen Technology

AT&T 진영의 강점은 넓이다. FCC의 Fiber to the Premises 지도를 보면 AT&T footprint는 Texas, Southeast, Midwest, California, Florida 등 데이터센터 성장 지역과 넓게 겹친다.

FCC

특히 Dallas, Houston, Atlanta, Chicago, Florida, California 일부 지역은 데이터센터와 기업 수요가 동시에 존재한다. Agentic AI traffic이 전국적으로 분산될수록 AT&T 진영의 broad national footprint는 강한 장점으로 작동한다.

약점도 있다. 넓은 footprint가 곧바로 고수익 DCI revenue로 연결되지는 않는다. 가정용 FTTP, 기업 회선, metro fiber, long-haul wavelength, cloud interconnect는 수익 구조가 다르다. AT&T의 투자 포인트는 광범위한 접속망과 기업 네트워크를 AI-era connectivity로 얼마나 묶어내는가에 있다.

2. Verizon + Frontier: premium data center corridor에 강한 진영

Verizon은 Fios를 통해 미국 fiber broadband 시장에서 오래전부터 존재감을 쌓아온 사업자다. 다만 기존 Fios footprint는 Northeast와 Mid-Atlantic 중심이었다. Frontier 인수는 이 구조를 바꾸는 거래다. Verizon은 Frontier를 통해 fiber passings를 크게 확대하고, 기존 동부 중심의 fiber footprint를 California, Texas, Florida, Midwest 일부 지역으로 확장하게 됐다.

Verizon의 기존 Fios footprint

Verzion Communication

Frontier

Verizon 진영의 핵심 장점은 premium metro exposure다. Northern Virginia/Ashburn, Washington D.C., New York/New Jersey, Philadelphia, Boston으로 이어지는 동부 corridor는 미국 데이터센터와 금융·정부·기업 트래픽이 가장 밀집한 지역이다. 이 축은 단순 가입자 수보다 interconnection 가치가 높은 구간이다. 데이터센터 간 replication, cloud on-ramp, 금융권 low-latency traffic, 공공 sector workload가 겹치는 지역이기 때문이다.

동부 corridor 
 premium metro exposure

Frontier를 더한 Verizon은 AT&T만큼 전국적으로 넓은 broad footprint를 갖추는 방향으로 이동하고 있다. 특히 Frontier가 보유한 California, Texas, Florida, Midwest 자산은 Verizon의 지역 공백을 보완한다. Verizon의 투자 논리는 동부 premium corridor의 질적 강점 + Frontier를 통한 전국 확장성으로 요약할 수 있다.

약점은 통합 리스크다. Frontier 자산을 Fios 수준의 서비스 품질과 운영 효율로 통합하는 과정이 필요하다. 또한 AT&T와 비교하면 Southeast와 Texas 내 broad residential footprint에서는 다소 불리한 지역도 존재한다. 그럼에도 Ashburn–NY/NJ–Chicago 축을 가장 중요하게 보는 투자자라면 Verizon+Frontier는 AT&T와 거의 맞붙는 후보로 볼 수 있다.

3. T-Mobile + Lumos + Metronet: 후발 fiber 진영의 optionality

T-Mobile은 본질적으로 wireless 중심 사업자다. Verizon이나 AT&T처럼 legacy wireline footprint를 보유하지 않았기 때문에, FCC의 FTTP 지도에서 T-Mobile 단독 footprint는 작게 보인다. T-Mobile의 홈브로드밴드 성장은 먼저 5G Home Internet, 즉 FWA에서 나왔고, fiber는 Lumos와 Metronet을 통해 확장하는 구조다.

T-mobile

Lumos는 T-Mobile과 EQT의 JV 구조로 편입됐고, Metronet은 T-Mobile과 KKR의 JV가 인수하는 방식이다. 이 구조에서 T-Mobile은 고객 확보, 브랜드, 유통, 고객 지원을 맡고, Lumos와 Metronet은 지역 fiber 구축과 운영 역량을 제공한다. T-Mobile은 이 방식을 통해 fiber footprint를 빠르게 확장하려 한다.

이 진영의 강점은 capital-efficient growth다. T-Mobile은 직접 전국 fiber망을 깔기보다 지역 fiber 사업자와 결합해 빠르게 시장에 들어간다. 기존 무선 고객 기반과 T-Mobile 브랜드를 활용할 수 있다는 점도 장점이다.

약점은 현재 규모와 위치다. T-Mobile fiber footprint는 아직 작고, 데이터센터 interconnection이나 enterprise backbone 관점에서 AT&T·Verizon보다 직접 수혜 강도가 낮다. Lumos와 Metronet의 지역망은 Mid-Atlantic, Midwest, secondary metro에서 의미가 있지만, Ashburn, NY/NJ, Chicago, Dallas, Silicon Valley 같은 최상위 DCI corridor를 장악한 구조는 아니다. 따라서 T-Mobile 진영은 현재의 AI fiber 수혜주라기보다 장기 성장 옵션으로 보는 편이 적절하다.

4. 세 진영의 장단점 비교

5. Backbone 다음 단계: DCI scale-across

NREL

광통신망의 첫 번째 투자 논리가 backbone이라면, 두 번째 투자 논리는 DCI scale-across다. AI 데이터센터 공급은 최근 여러 제약에 부딪히고 있다. 전력 확보, 용수, 부지, 송전망, 인근 주민 반발, 인허가, 금융비용, 장비 조달이 동시에 병목으로 작용한다. 수요는 늘어나는데 단일 지역에 초대형 데이터센터를 계속 밀어 넣기 어려워지는 환경이다.

https://www.reuters.com/world/us/americans-wary-ai-driven-data-center-boom-reutersipsos-poll-shows-2026-06-11/

이 환경에서는 데이터센터를 더 많이 짓는 전략과 함께, 이미 존재하거나 상대적으로 빠르게 확보 가능한 데이터센터들을 더 촘촘하게 연결하는 전략이 중요해진다. 여러 지역에 분산된 AI cluster를 하나의 논리적 인프라처럼 쓰기 위해서는 고속·저지연 DCI가 필요하다. 학습 데이터 이동, 모델 동기화, inference request 분산, 기업 고객의 cloud-to-cloud replication, disaster recovery traffic이 모두 데이터센터 간 광전송망을 타게 된다.

여기서 Nokia 같은 광통신 장비사가 부각된다. Nokia는 최근 어닝콜에서 agentic AI와 physical AI 확산으로 machine-to-machine traffic이 주요 트래픽 driver가 될 것이라고 언급했다. 또한 AI factories, data center interconnect, 데이터센터 내부 routing/switching, metro·long-haul transport에서 수요를 확인하고 있다고 설명했다. 데이터센터 간 연결이 수백 가닥 fiber에서 수천 가닥 fiber로 확장되고 있다는 언급도 있었다.

Nokia

이 발언의 의미는 분명하다. AI 데이터센터 공급 병목은 AI 인프라 투자 축을 약화시키는 요인이 아니라, 분산된 데이터센터를 더 강하게 연결하는 DCI 투자 논리를 강화할 수 있다. 이때 수혜는 데이터센터 사업자만의 몫이 아니다. Optical transport, coherent optics, switching, routing, wavelength, dark fiber, metro interconnect 밸류체인 전반으로 확산된다.

Nokia

6. 미국 데이터센터 분포: 동북부와 Texas를 함께 봐야 한다

미국 데이터센터 지도를 보면 가장 먼저 눈에 들어오는 지역은 동북부와 동부·중부 corridor다. 더 정확히는 Northern Virginia/Ashburn – New York/New Jersey – Chicago 축이다. 이 축은 데이터센터 밀도, 금융·정부·기업 수요, cloud on-ramp, carrier hotel, long-haul backbone이 동시에 겹치는 구간이다. Verizon+Frontier가 이 축에서 강점을 갖고, AT&T+Lumen도 national backbone과 enterprise connectivity 측면에서 중요한 후보가 된다.

동부·중부 corridor

다음으로 중요한 지역은 Texas다. 최근 데이터센터 계획과 전력 연계 신청을 보면 Dallas–Houston–Austin/San Antonio 축의 존재감이 커지고 있다. 이 구간은 기존 데이터센터 hub인 Dallas를 중심으로, Houston의 energy workload, Austin의 tech ecosystem, San Antonio의 부지·전력 접근성이 연결되는 구조다.

ERCOT queue에서 나타나는 large-load interconnection 요청 증가는 Texas 데이터센터 투자의 방향성을 보여준다. 대형 부하 요청 중 상당 부분이 데이터센터에서 나오고 있으며, 이는 Texas가 AI infrastructure state로 이동하고 있음을 시사한다. 특히 Dallas-Fort Worth, Austin, San Antonio는 전력비, 부지, 기업 수요, fiber 연결성이 함께 작동하는 지역이다.

Texas의 데이터센터 계획이 늘어나는 이유는 여러 요인이 결합돼 있다.

Texas는 두 축으로 나누어 보는 것이 좋다. Dallas–Houston–Austin/San Antonio는 DCI·cloud·enterprise traffic 축이고, Permian / West Texas / Panhandle은 gas-to-power·대규모 AI training campus 축이다. 전자는 통신망과 DCI 수혜에 가깝고, 후자는 전력·가스·부지 수혜에 가깝다.

https://www.eia.gov/todayinenergy/detail.php?id=67345

https://www.eia.gov/todayinenergy/detail.php?id=67205

https://www.eia.gov/todayinenergy/detail.php?id=65844

7. Fiber 투자는 AI 시대의 철도 투자와 일면 닮은 부분이 있다.

워렌 버핏의 철도 투자와 항공 투자 비교는 AI 시대 fiber 투자를 이해하는 데 좋은 비유가 된다. 철도는 선로를 까는 데 막대한 capex와 시간이 필요하다. 토지, 인허가, 물류망, 터미널, 운행권이 결합되기 때문에 동일한 노선을 중복해서 구축하기 어렵다. 일단 네트워크가 형성되면 장기간 물동량이 흐르고, 사업자는 인플레이션에 따라 비용 증가분을 운송가격에 전가할 수 있는 독과점적인 구조적 우위를 갖는다.

북미 화물 네트워크망
https://www.aar.org/states/

반면 항공은 운수권과 면허를 기반으로 하지만, 노선 경쟁과 가격 경쟁이 치열하다. 저가항공사가 좌석 공급을 늘리면 기존 사업자의 운임 방어력이 약해진다. 버핏이 과거 항공 투자에서 스트레스를 받았던 이유도 여기에 있다. 자본집약적 산업이지만 장기 pricing power가 약한 구조였기 때문이다.

AI 시대의 fiber 광전송망은 철도 쪽에 더 가깝다. 광케이블을 깔고, conduit과 rights-of-way를 확보하고, metro ring과 long-haul route를 연결하는 데는 긴 시간과 큰 자본이 필요하다. 데이터센터 밀집 지역, cloud on-ramp, carrier hotel, 금융·정부·에너지 고객과 가까운 fiber는 대체 가능성이 낮다. 한 번 깔린 좋은 route는 장기간 트래픽을 흡수하며 안정적인 cash flow를 만들 수 있다.

중요한 질문은 단순하다.

누가, 어느 데이터센터 corridor 근처에, 얼마나 촘촘한 fiber와 conduit을 갖고 있는가.

이 질문으로 보면 지루해 보이는 미국 통신사업자 비교는 AI 인프라 투자의 중요한 출발점이 된다. GPU 세대는 빠르게 바뀌지만, 광통신망의 지리적 위치와 interconnection 구조는 천천히 바뀐다. 시간이 오래 걸리는 인프라일수록 좋은 위치를 먼저 차지한 사업자의 경쟁우위가 길게 유지될 수 있다.

8. 최근 fiber 관련 발언과 자료 정리

결론

Agentic AI 시대의 핵심 인프라는 연산 자원, 전력, 데이터센터, 광통신망이 함께 움직이는 복합 시스템이다. 이 안에서 fiber backbone과 DCI는 데이터센터를 하나의 거대한 분산 컴퓨팅 인프라로 묶는 역할을 한다. 미국 fiber 지도를 세 진영으로 나눠 보면 AT&T+Lumen은 가장 넓은 broad footprint, Verizon+Frontier는 동부 premium interconnection corridor, T-Mobile+Lumos+Metronet은 후발 성장 옵션이라는 성격이 뚜렷하다.

AI 인프라 투자에서 지리적 위치는 숫자만큼 중요하다. Ashburn, NY/NJ, Chicago, Dallas, Phoenix, Silicon Valley, Atlanta, Houston, Austin, San Antonio 같은 지역에 누가 더 가까운 fiber를 갖고 있는지가 앞으로의 수혜 강도를 결정할 가능성이 높다. 과거 철도망이 산업 지도를 바꿨듯, AI 시대의 광전송망도 데이터와 연산이 이동하는 길을 장악한 사업자에게 긴 호흡의 cash flow를 제공할 수 있다.

언젠간 광통신망이 AI 인프라의 지리적 toll road로 재평가될 날이 오지않을까 한다. 

=끝