2026년 7월 7일 화요일

생각정리 302 (* AI H/W 주가하락, 수급우려)

보통 시장 안에서 우리끼리 쓰던 은어 중에 ‘마바라’라는 말이 유행했던 시기가 있었다.

수치, 업황, 산업 트렌드에 대한 분석 없이 그럴듯한 뇌피셜만으로 시장을 해석하는 이른바 ‘전문가’들을 비꼬는 표현이었다.

최근 메모리와 AI H/W 관련 주가가 하락하자 비슷한 장면이 다시 반복되는 듯하다. 주가가 빠지면 늘 그렇듯, 하락 이후에 원인을 설명하는 해석은 빠르게 늘어난다. 문제는 그 해석 중 상당수가 실제 펀더멘털 변화보다는 익숙한 공포 서사를 다시 꺼내오는 데 그친다는 점이다.

물론 CSP의 FCF 부담, AI capex 지속 가능성, 빅테크 투자 효율성에 대한 우려는 충분히 논의할 수 있다. 주가가 단기간 급등했고, 글로벌 포트폴리오 안에서 AI H/W 노출이 과밀해졌다면 수급 조정도 자연스러운 과정이다.

다만 아직까지 내가 확인한 범위에서는 메모리 업황 자체의 큰 변화, AI 인프라 투자 방향의 훼손, HBM 및 고성능 메모리 수요의 구조적 둔화를 뚜렷하게 감지하기는 어렵다. 오히려 최근 움직임은 펀더멘털 붕괴라기보다, 외국인 매도와 글로벌 리밸런싱이 결합된 수급 충격에 더 가까워 보인다.

(* 중국 메모리 업체인 CXMT, YMTC를 근거로 지금의 메모리 사이클을 과거 2차전지 산업과 단순 비교 해석하는 마바라는 진짜 못듣겠음. 공급 경쟁이라는 단어만 같을 뿐, 기술 난이도, 고객 인증, 장비·공정 병목, HBM과 첨단 패키징 생태계, AI 서버 수요의 성격 뭐 하나 비슷한 구석이 없음.) 

(심지어 계속 듣다보니 최근 나온 CXMT IPO 보고서를 읽기나 했는지도 의문스러움.. )

그래서 이번 글에서는 주가 하락 이후 쏟아지는 사후적 해석보다는, 실제로 최근 수급에서 어떤 변화가 있었는지, 그리고 그 수급 변화가 삼성전자와 SK하이닉스를 비롯한 코스피 반도체 조정에 어떤 영향을 미쳤는지를 정리해보려 한다.

외국인 매도, AI Capex, 그리고 메모리 사이클에 대한 생각


1. 이번 코스피 하락의 1차 원인은 펀더멘털보다 수급이었다


최근 삼성전자와 SK하이닉스를 포함한 코스피 하락은 단순히 “메모리 업황이 꺾였다”는 식으로 보기 어렵다.

핵심은 외국인의 기계적 매도였다.

첨부한 수급 자료 기준으로 보면, 2026년 1월부터 7월까지 코스피 외국인 순매도는 약 160조 6,283억원 수준까지 확대됐다. 연간 기준으로 봐도 이는 과거 어느 해보다 압도적인 규모다. 언론 보도에서도 한국거래소 기준 외국인이 7월 초까지 코스피에서 약 157조원 이상을 순매도한 것으로 집계됐고, 매도 배경으로는 반도체 비중 부담, 원화 약세, 포지션 조정, 리밸런싱이 언급됐다. (코리아 타임스)

https://t.me/jump0000

https://t.me/jump0000

https://t.me/jump0000

https://t.me/jump0000


여기에 BlackRock Investment Institute가 2026년 중간 전망에서 AI concentration risk를 이유로 신흥국 주식 비중을 낮춘 점도 중요하다. 한국과 대만은 MSCI EM 내에서 AI 하드웨어 공급망 비중이 지나치게 커졌고, 글로벌 자산배분 관점에서는 “한국 반도체를 더 사야 하는가”보다 “AI 노출이 과도해진 EM을 줄여야 하는가”가 먼저 작동했을 가능성이 높다. (FA Mag)

따라서 이번 조정은 펀더멘털의 급격한 훼손이라기보다, AI 하드웨어 랠리 이후 글로벌 포트폴리오가 한 번에 같은 방향으로 리밸런싱된 결과에 가깝다.

2. 문제는 외국인 매도의 절대 규모다


리밸런싱이 기계적이었다면 다음 질문은 자연스럽다.

도대체 얼마나 많은 글로벌 인덱스·ETF·액티브 펀드가 삼성전자와 SK하이닉스를 들고 있었는가?

정확한 전체 금액을 완벽하게 알기는 어렵다. 하지만 주요 글로벌 ETF와 펀드의 AUM, 편입비중, 레버리지 상품의 명목 노출을 놓고 보면, 삼성전자와 SK하이닉스는 더 이상 한국 로컬 반도체 주식이 아니다.

이미 두 종목은 다음 성격을 동시에 갖고 있다.

  • MSCI EM의 핵심 AI 하드웨어 노출

  • 글로벌 ex-US ETF의 주요 테크 베타

  • AI·메모리·반도체 테마 ETF의 핵심 구성 종목

  • 한국 단일국가 ETF의 지수 대부분을 좌우하는 종목

  • 홍콩·미국 레버리지 상품을 통한 파생적 매매 대상


아래 표에서 정리한 대형 ETF 기준으로만 봐도 VXUS, IEMG, VEA, EWY, DRAM, EEM, VEU 등 주요 상품의 삼성전자·SK하이닉스 합산 노출은 조 단위를 넘어 수십조원 단위로 쌓여 있다. 특히 VXUS, IEMG, VEA 같은 초대형 글로벌·EM ETF 안에서도 두 종목의 절대 노출이 매우 크다.




SK하이닉스 ADR 상장 이후 출시 예정인 SK하이닉스 미국 ETF 개(레)버리지 상품들

이는 중요한 함의를 갖는다.

삼성전자와 SK하이닉스 주가는 더 이상 국내 반도체 업황만으로 움직이지 않는다.

이제 두 종목은 글로벌 AI 포지션의 일부다.
AI 하드웨어 비중을 줄이는 순간, 한국 반도체는 가장 먼저 매도될 수 있다.
반대로 AI capex 신뢰가 회복되는 순간, 다시 가장 먼저 매수될 수 있다.

즉, 이번 하락은 “한국 반도체가 틀렸다”의 증거라기보다, 글로벌 자산배분 안에서 한국 반도체가 너무 커졌기 때문에 발생한 수급 충격에 가깝다.

3. 메모리의 본질은 여전히 바뀌고 있다


그럼에도 기본적인 생각은 변하지 않는다.

메모리는 AI 시대에 단순 부품이 아니라 새로운 인프라 계층으로 재인식될 가능성이 높다.

생각정리 300 (* Micron SCA, Physical AI)

특히 Physical AI로 갈수록 이 관점은 더 강해진다. 기존 AI가 텍스트, 이미지, 코드, 수학 문제를 다루는 서술지능 중심이었다면, Physical AI는 차량, 로봇, 드론, 산업 자동화 장비처럼 물리세계에서 직접 행동하는 AI다.

이 구조에서는 단순 연산만으로 충분하지 않다.

  • 현재 장면을 기억해야 한다.

  • 이전 행동을 기억해야 한다.

  • 실패 데이터를 재학습해야 한다.

  • 장기 작업의 순서를 유지해야 한다.

  • 추론 과정에서 KV cache, temporal cache, 상태 메모리가 필요하다.

  • 훈련 단계에서는 HBM, DDR, SSD, NAND, 대용량 스토리지가 모두 필요하다.


결국 Physical AI는 훈련용 메모리와 추론용 메모리를 동시에 요구하는 구조다. 이 관점에서 메모리는 PC·스마트폰·서버 사이클에 종속된 시클리컬 부품이 아니라, AI가 세계를 기억하고 행동을 수정하기 위한 물리적 기반으로 확장된다. 이전 글에서도 자율주행, 로보틱스, VLA 모델, Micron의 자동차 OEM 장기공급계약을 같은 맥락으로 해석했다.

시장은 여전히 메모리를 “AI 하드웨어 사이클” 안에 가둬두고 싶어 한다.
하지만 실제 수요의 방향은 더 넓다.

AI가 데이터센터 밖으로 나오면, 메모리의 수요처도 데이터센터 밖으로 확장된다.

4. AI Capex는 이제 미국 GDP의 한 축이 됐다


여기서 더 중요한 매크로 연결고리가 나온다.

AI capex는 더 이상 빅테크 몇 개 기업의 비용 항목으로만 볼 수 없다. 이미 미국 경제 안에서 측정 가능한 성장 엔진이 되고 있다.

https://www.tftc.io/ai-capex-gdp-growth-q1-2026-bea-third-estimate

St. Louis Fed는 AI 관련 투자가 GDP 통계에 이미 반영되고 있으며, 2025년 이후 AI 관련 투자 붐이 성장률 기여 측면에서 중요한 변수로 부상했다고 설명했다. (세인트루이스 연방준비은행) CEPR 역시 AI 투자와 GDP 성장의 연결을 단순한 장기 생산성 논의가 아니라, 단기 총수요와 투자 사이클 관점에서 봐야 한다고 분석했다. (CEPR)



Bridgewater는 2026년 미국 실질 GDP 성장률에서 AI capex가 약 1.4%p, 2027년에는 약 1.5%p 기여할 수 있다고 추정했다. 이는 전체 성장률의 상당 부분이 AI 인프라 투자에 의해 지탱될 수 있다는 의미다. (Edward Conard) IMF도 AI 관련 투자가 서버, 데이터센터, 소프트웨어, 전력 인프라 수요를 자극하면서 미국 성장의 중요한 축으로 떠오르고 있다고 평가했다. (IMF)

따라서 지금의 AI capex 논쟁은 단순히 “빅테크 FCF가 줄어든다”는 회계적 논쟁으로 끝나지 않는다.

이미 AI capex는 다음 영역을 동시에 움직인다.

  • 데이터센터 건설

  • GPU·ASIC 서버

  • HBM·DRAM·NAND

  • 전력기기·변압기·송배전

  • 냉각·전력 인프라

  • 클라우드 매출

  • 미국 설비투자

  • 글로벌 AI 공급망 소득


즉, AI capex를 급격히 꺾는다는 것은 단순히 엔비디아, 삼성전자, SK하이닉스, 마이크론의 성장률을 낮추는 문제가 아니다.

미국 성장률의 핵심 축을 스스로 꺼버리는 선택에 가까워진다.

5. AI Cloud는 희소자원이 되고 있다


시장에서는 여전히 빅테크의 capex를 비용으로만 본다.

“FCF가 줄어든다.”
“AI 서버 투자가 너무 많다.”
“GPU 가격이 떨어질 것이다.”
“AI capex peak가 다가왔다.”

이런 논리는 당분간 계속 반복될 가능성이 높다.

하지만 실제 산업 구조는 조금 다르게 움직이고 있다. CSP와 빅테크의 AI 서버, AI 데이터센터, 전력 확보 능력은 점점 희소자원이 되고 있다. 단순히 서버를 많이 산 기업이 비용을 많이 쓴 것이 아니라, 미래 AI compute capacity를 선점한 기업이 되는 구조다.

생각정리 299 (* AWS Cloud)

AWS, Microsoft Azure, Google Cloud, Oracle, Meta, CoreWeave류의 공급자들은 결국 같은 병목을 마주한다.

  • 전력 확보

  • 데이터센터 부지

  • 변압기·전력기기 납기

  • GPU·ASIC 공급

  • HBM 공급

  • 네트워크 장비

  • 냉각 인프라

  • 장기 고객계약


AI cloud 서버가 희소자원이 되면 monetization timeline은 오히려 짧아질 수 있다.
즉, “투자를 언제 회수하느냐”의 문제가 “없어서 못 파는 compute capacity를 얼마에 팔 수 있느냐”의 문제로 바뀐다.

이전 AWS Cloud 관련 글에서도 핵심은 같았다. AI 수요가 견고한 이상, CSP의 capex는 비용 항목에서 수익화 가능한 자산으로 바뀌고, capex 정당화 시점은 시장이 생각하는 것보다 앞당겨질 수 있다.

Amazon aims to raise $25 billion from bond sale | Reuters
이제는 일상이 되어버린 AI Capex 투자를 위한 빅테크, CSP들의 외부차입


6. 시장은 다시 섹터 로테이션으로 도망갈 가능성이 높다


단기적으로 수급은 반도체를 피해 다른 곳으로 돌 수 있다.

화장품, 바이오, 금융, 에너지, 조선, 산업재 같은 섹터가 순환매의 대안이 될 수 있다. 실제로 시장은 항상 직전 주도주가 흔들리면 새로운 피난처를 찾는다.

하지만 여기서 중요한 질문은 따로 있다.

정말 AI capex peak가 온다면, 반도체보다 다른 경기민감 소비·산업 섹터가 더 안전한가?

내 생각은 반대에 가깝다.

AI capex가 꺾인다면 가장 먼저 하락하는 것은 AI 하드웨어 주가일 수 있다. 하지만 그 다음에는 미국 GDP 성장, 미국 가계 자산효과, 글로벌 EM 소득, AI 공급망 고용과 투자까지 함께 흔들릴 가능성이 높다.

GS

첨부한 미국 가계 자산구성 자료를 보면, 미국은 가계 총자산에서 주식·펀드 비중이 매우 높은 국가다. 부동산 비중이 높은 한국과 달리, 미국 가계의 소비 여력은 주식시장과 훨씬 직접적으로 연결된다.

AI 랠리가 미국 주식시장, 연금, 펀드, 가계 순자산을 끌어올렸다면, AI capex 둔화와 AI 주가 하락은 소비 둔화로 전이될 가능성도 커진다.

결국 AI capex peak는 반도체만의 문제가 아니다.

그것은 미국 소비의 문제이고, 글로벌 자산가격의 문제이며, AI 공급망에 연결된 EM 소득의 문제다.

그래서 “반도체를 팔고 소비주를 사면 안전하다”는 식의 단순 로테이션은 위험할 수 있다.
AI capex가 진짜로 꺾이는 국면에서는 소비주도, 산업재도, EM도 동시에 더 큰 매크로 충격을 받을 수 있기 때문이다.

7. 결론: 이번 매도는 펀더멘털 붕괴보다 포지션 과밀의 청산에 가깝다


이번 삼성전자, SK하이닉스, 코스피 하락의 본질은 아직까지 수급 충격에 더 가깝다.

외국인 매도는 컸고, 리밸런싱은 기계적이었으며, 글로벌 펀드 안에서 한국 반도체 노출은 이미 지나치게 커져 있었다. BlackRock의 EM 비중 조정처럼 글로벌 자산배분 관점에서 AI concentration risk를 줄이는 흐름이 나오면, 삼성전자와 SK하이닉스는 가장 먼저 매도 대상이 될 수밖에 없다.

하지만 이것이 메모리의 장기 논리를 훼손한다고 보기는 어렵다.

오히려 핵심은 다음과 같다.

메모리는 AI 데이터센터의 병목에서 Physical AI의 전략 자원으로 확장되고 있다.

AI capex는 미국 GDP 성장의 핵심 축으로 들어왔고, AI cloud capacity는 점점 희소자원화되고 있으며, 데이터센터 밖으로 나오는 Physical AI는 더 많은 메모리와 스토리지, 더 복잡한 memory architecture를 요구한다.

시장은 당분간 빅테크 FCF, capex peak, chip 가격 하락, 공급증가 우려를 반복할 가능성이 높다.
그 과정에서 외국인 수급은 계속 흔들릴 수 있다.

다만 정말 AI capex가 꺾이는 순간이 온다면, 그것은 메모리만의 하락 사이클로 끝나지 않을 가능성이 높다. 미국의 성장률, 가계 자산효과, 글로벌 소비, EM 소득까지 함께 흔들리는 더 큰 매크로 이벤트가 될 수 있다.

(*미국 트럼프가 11월 중간선거를 앞두고 AI 성장엔진을 꺼뜨리는 미친짓은 무슨 수를 활용해서라도 막을거라고 믿어 의심치않는다.) 

그래서 지금의 조정은 “메모리 사이클이 끝났다”는 신호라기보다, AI 시대의 핵심 인프라 자산으로 너무 빠르게 재가격된 종목들이 글로벌 리밸런싱 과정에서 한 번 과격하게 눌린 국면으로 보는 편이 더 합리적이다.

SK Hynix's $28B US Listing Oversubscribed, Signals Strong AI Chip Demand | KuCoin
미쳐버린 SKH adr 과잉 청약

TSMC의 AI 칩 주문이 너무 많아 따라잡지 못하고, 그 영향은 계속 확대되고 있습니다
미처버린 TSMC 칩 수요량


https://t.me/mk81_koreainvestment
여전히 SEC, SKH EPS Growth를 못따라는 주가지수
SEC, SKH 체급을 담기엔 KOSPI가 너무 작아져버린게 아닐까 하는 의문..
최근 개인 블로그 유입 증가 역시 SK하이닉스와 삼성전자 레버리지 ETF 출시 이후,
관련 투자 규모가 큰 국가들을 중심으로 관심이 커진 영향이 있지 않나 싶음. 
밤잠 설치면서까지 시간대가 다른 개(레)버리지 etf 투자를 해야하나 싶음..


이상 마바라 블로거

=끝

작성자: 시간: 댓글 없음:

2026년 7월 6일 월요일

생각정리 301 (* 레버리지)

엊그제 오랜만에 친구를 만나 저녁을 먹다가, 내가 생각했던 것과는 조금 다른 이야기를 들었다.

나는 주식운용업에 종사해왔기 때문에, 매일 주식창을 들여다보고 시장에 인생을 거는 사람들은 주로 투자업계 사람들일 것이라 생각했다. 그런데 현실은 오히려 달랐다.

상방은 제한적이지만 하방은 상대적으로 든든하다고 여겨지는 공기업, 공무원 집단조차 매일 주식창을 바라보고 있다는 것이다.

안정적인 직장과 예측 가능한 월급만으로는 더 이상 미래가 보장되지 않는다고 느끼는 사람들이, 본업 밖에서 더 큰 변동성에 자신을 걸고 있었다.

결국 문제는 특정 집단의 투기 성향이 아니다.

월급만으로는 계층이동이 어렵고, 저축만으로는 자산가격을 따라잡기 어려운 사회에서 사람들은 점점 확률게임으로 밀려난다.

불법도박, 코인, 테마주, 단일종목 레버리지 ETF는 서로 다른 얼굴을 하고 있지만, 그 밑바닥에는 같은 심리가 깔려 있다.

이번 글은 왜 대한민국이 점점 리얼 K-오징어게임 같은 투기판으로 변해가고 있는지에 대한 기록이다.

나무위키


대한민국은 왜 도박중독 사회가 되었나


청년 도박, 쉬었음 세대, 단일종목 레버리지 ETF가 같은 현상인 이유


최근 청년 세대의 도박중독 문제가 다시 수면 위로 올라오고 있다.

연합뉴스의 「도박이 삼킨 교실」 보도는 청소년기부터 시작된 사이버도박이 군대라는 폐쇄적 또래집단 안에서 다시 증폭되는 과정을 보여준다. 지난해 사이버도박 혐의로 군 경찰에 입건된 군인은 313명, 최근 5년간 적발 건수는 1,721명이었다. 최근 전역한 1997~2004년생 30명을 대상으로 한 설문에서는 17명, 즉 56%가 군대 내 불법도박을 목격했다고 답했다.

https://v.daum.net/v/20260705080209984

더 충격적인 부분은 금액이다.

국방부 실태조사에 따르면 군에서 불법도박을 했던 52명 중 입대·임관 전부터 불법도박을 경험했던 비중은 80%에 달했고, 월평균 베팅 금액은 186만원으로 2025년 기준 병장 월급 150만원을 웃돌았다.

이건 단순히 일부 청년의 일탈로만 보기 어렵다.

교실에서 시작된 도박이 군대로 옮겨가고, 군대에서 형성된 습관이 사회초년기까지 이어지는 구조다. 청소년기에는 스마트폰과 친구 권유가 통로가 되고, 군대에서는 월급과 폐쇄적 또래문화가 증폭 장치가 된다. 사회에 나온 뒤에는 코인, 스포츠토토, 불법도박, 초단기 주식매매, 레버리지 ETF가 같은 욕망의 다른 이름으로 이어진다.

문제는 도박을 하는 청년이 아니라, 도박 말고는 답이 없어 보이는 사회다


지금 2030 청년에게 정상적인 자산형성 경로는 점점 좁아지고 있다.

고용노동부의 「고용형태별근로실태조사」는 2025년까지 연령대별 월임금총액과 월급여액을 제공한다. 해당 통계는 2026년 6월 19일 갱신됐고, 1993년부터 2025년까지의 자료를 담고 있다. 

이를 기준으로 보면 수도권 2030 임금근로자의 세후 월소득은 대략 280만~320만원, 중심값은 300만원 전후로 보는 것이 무난하다. 

여기에 주거비 부담이 붙는다. 2025년 8월 기준 서울 평균 월세가격은 103만원으로 보도됐다. 전세에서 월세로 이동하는 흐름이 빨라지면서, 청년층의 매월 현금흐름 부담은 더 직접적으로 커지고 있다.

공식 1인가구 소비지출 통계도 함께 봐야 한다. 국가데이터처의 「2025 통계로 보는 1인가구」에 따르면 2024년 1인가구 월평균 소비지출은 168만 9천원이고, 이 중 주거·수도·광열 비중은 18.4%다. 즉, 공식 1인가구 소비지출 안에는 이미 일부 주거비가 포함되어 있다.


이를 바탕으로 수도권 독립 2030의 월평균 지출을 다시 계산하면 다음과 같다.


세후소득과 지출을 맞춰보면 저축 가능액은 더 초라해진다.


핵심은 간단하다.

수도권에서 독립해 월세로 사는 2030 청년은 세후 300만원을 벌어도 월 40만~70만원 안팎밖에 남기기 어렵다. 서울 핵심권 월세를 부담하면 저축 가능액은 월 20만~50만원대로 낮아질 수 있다.

(이 모든 가정도 평생 병원 한 번 안가고, 평생 아프지않고, 사치도 안 부리고 기계처럼 일만 할 수 있다는 전제하에)

월 50만원을 1년 모아봐야 600만원이다.
10년을 모아도 단순 합산 6,000만원이다.
반면 수도권 아파트 매수에 필요한 자기자본은 이미 그 속도를 크게 앞서 있다.

전세의 월세화는 이 구조를 더 악화시킨다.

과거 전세는 최소한 강제저축에 가까운 성격이 있었다. 월세는 다르다. 매달 현금흐름이 빠져나가고, 자산축적 속도는 그만큼 느려진다. 청년 입장에서는 성실하게 일하고, 소비를 줄이고, 저축을 늘려도 수도권 아파트라는 목표와의 거리가 좀처럼 좁혀지지 않는다.

https://www.ytn.co.kr/_ln/0102_202606081022503315
정상화의 비정상화.. 미친세상..

결국 이런 계산이 나온다.

성실하게 일해서 모아도 집을 살 수 없다.
대출은 막혀 있다.
다주택자 중과세와 규제로 매도물량도 충분히 나오지 않는다.
그런데 자산가격은 언제든 다시 움직일 수 있다.

이런 환경에서는 정상적인 저축보다 한 번에 계층을 건너뛰는 확률게임이 더 매력적으로 보인다.

그 확률게임이 불법도박이면 사회문제라고 부르고, 코인이면 투기라고 부르고, 단일종목 레버리지 ETF면 금융상품투자라고 부를 뿐이다. 본질은 크게 다르지 않다.

쉬었음 청년은 노동시장 바깥의 도박 대기군이다


노동시장 통계도 같은 방향을 가리킨다.

국가데이터처의 2026년 5월 고용동향에 따르면 2026년 5월 전체 취업자는 2,912만명으로 전년동월대비 4만명 감소했고, 청년층 실업률은 7.2%로 전년동월대비 0.6%p 상승했다.

여기서 더 중요한 것은 비경제활동인구 안의 ‘쉬었음’ 인구다.

2026년 5월 기준 전체 쉬었음 인구는 243.7만명이다. 이 중 20대가 36.8만명, 30대가 28.1만명이다. 20대와 30대를 합치면 64.9만명이다. 같은 자료에서 구직단념자는 33.7만명으로 집계됐다. 국가데이터처 고용동향 첨부자료는 비경제활동인구 안에서 연령계층별 쉬었음 인구와 구직단념자를 별도 항목으로 제시한다.


이 숫자는 단순한 취업난 통계가 아니다.

사회에 진입해야 할 시기에 진입하지 못한 청년들이 쌓이고 있다는 의미다. 취업이 늦어지고, 소득 형성이 늦어지고, 저축이 늦어지고, 결혼과 출산이 늦어진다. 그 사이 자산가격은 먼저 움직이고, 주거비는 먼저 오른다.

결국 청년은 두 부류로 갈라진다.

하나는 노동시장 안에서 낮은 저축률을 견디는 청년이다.
다른 하나는 노동시장 밖에서 진입 자체를 미루는 청년이다.

https://www.youtube.com/watch?v=PkS6Y35-PbU

문제는 두 집단 모두에게 공통된 심리가 생긴다는 점이다.

“정상적인 속도로는 따라잡을 수 없다.”

이 심리가 도박의 가장 강력한 연료다.

단일종목 레버리지 ETF는 합법의 얼굴을 한 도박성 상품이 될 수 있다


최근 상장된 삼성전자·SK하이닉스 단일종목 레버리지 ETF도 같은 맥락에서 봐야 한다.

삼성자산운용은 KODEX 삼성전자단일종목레버리지와 KODEX SK하이닉스단일종목레버리지를 선보였다. 삼성자산운용은 단일종목 레버리지 상품을 설명하면서 “일간 수익률 2배 추종”을 핵심 구조로 제시하고 있다.


흥미로운점은 KODEX 삼성전자단일종목레버리지와 KODEX SK하이닉스단일종목레버리지의 가격 구간별 거래비중을 나눠봤다. 오늘 현재가 기준으로 대략 96~99%의 레버리지 투자자들이 손실 구간에 있는 것으로 추정된다는 것이다. (*인버스 레버리지 ETF 투자자들도 전부 손실상태다.)



KODEX 삼성전자단일종목레버리지



KODEX SK하이닉스단일종목레버리지

이 수치는 공식 공표 통계가 아니라 가격 구간별 거래비중을 바탕으로 한 자체 산출값이다. 다만 의미는 분명하다. 대부분의 거래가 높은 가격대에서 몰렸고, 가격이 빠진 뒤 손실 구간에 갇힌 투자자가 압도적으로 많다는 뜻이다.

즉, 투자자 상당수가 기초자산의 장기 펀더멘털을 산 것이 아니라, “오를 때 두 배로 먹겠다”는 단기 확률게임에 참여한 셈이다.

그리고 그 결과는 도박과 닮아 있다.

결국 문제는 개인이 아니라 구조다


대한민국이 도박중독에 빠졌다는 말은 모든 국민이 불법도박을 한다는 뜻이 아니다.

더 정확히 말하면, 대한민국의 보상체계가 도박처럼 바뀌고 있다는 뜻이다.

성실한 노동보다 한 번의 가격 변동이 더 크게 느껴진다.
장기 저축보다 단기 베팅이 더 현실적인 탈출구처럼 보인다.
기업가치보다 수급과 레버리지가 더 강한 언어가 된다.
사회진출에 실패한 청년은 쉬었음 인구가 되고,
사회진출에 성공한 청년도 월세와 낮은 저축률에 갇힌다.

그 틈을 도박이 파고든다.

불법도박은 가장 노골적인 형태다.
코인과 테마주는 그보다 세련된 형태다.
단일종목 레버리지 ETF는 제도권 안으로 들어온 형태다.





레버리지 ETF의 무서운점은 인버스 숏 레버리지 ETF 상품 그리고 롱 레버리지 ETF 상품 둘 다 시초가 대비 한참 낮은 상태로 레버리지 투자자 모두 다 손실 상태라는거다..

레버리지상품 출시로 환율을 안정화시키겠다는 애초의 레버리지 ETF 상품출시 목적과는 다르게 
전국민을 상대로 합법 투기판을 깔아준격이다. 


https://news.ikbc.co.kr/article/view/kbc202607070030

※ KOSPI Circuit Breakers(일시중단) 발동
- 금년 6번째, 역대 12번째 발동
https://t.me/koreainvestment_passive


k-오징어게임 실사판 .. 
레버리지 투자는 만악의 근원이다..

=끝

작성자: 시간: 댓글 1개:

생각정리 300 (* Micron SCA, physical AI)

https://product.kyobobook.co.kr/detail/S000215748254

앞으로 태어날 아이를 생각하며 최근 인간의 뇌 발달에 관한 책을 읽고 있다.

읽다 보니 묘하게도 인간의 뇌가 발달하는 과정과 인공지능이 진화하는 방향 사이에 닮은 점과 정반대의 흐름이 동시에 보였다.

책을 읽으며 따로 적어두었던 메모들을 바탕으로, 인간의 뇌 발달과 Physical AI, 그리고 메모리 수요의 관계를 하나의 글로 정리해본다.

Physical AI 시대의 메모리


인간 뇌, 자율주행, 로보틱스, 그리고 Micron SCA의 함의

앞으로 Physical AI에서 중요한 것은 단순히 모델 파라미터 크기가 아니다.

로봇이나 차량은 매 순간 주변 환경을 보고, 이전 행동을 기억하고, 다음 행동을 선택해야 한다. 이 경우 메모리는 데이터 저장장치라기보다 행동의 연속성을 유지하는 인프라에 가까워진다.

AI가 차량, 로봇, 드론, 공장 설비, 가정용 기기로 나오기 시작하면 메모리는 현실 세계의 상태를 기억하고, 행동을 이어가고, 실패를 줄이는 물리적 기반이 된다.

즉,  AI가 몸을 갖는 순간, 메모리의 의미도 바뀐다는게 이번글의 결론이다.


1. 인간의 뇌와 인공지능은 반대 방향으로 발달하고 있다


인공지능의 발전을 보면 흥미로운 역설이 하나 보인다.

  • 인간의 뇌는 절차지능에서 출발했다.

  • 반면 인공지능은 서술지능에서 출발했다.


인간은 먼저 몸으로 세계를 배운다.

  • 보고

  • 듣고

  • 만지고

  • 넘어지고

  • 다시 움직이고

  • 뜨거운 것을 피하고

  • 단맛에 반응하고

  • 얼굴과 목소리를 구분한다.


이후에야 글자 읽기, 쓰기, 수학 계산, 추상적 사고가 발달한다.

즉, 인간 지능은 감각·운동·생존·습관 위에 언어와 추론을 얹은 구조다.

반면 인공지능은 반대 방향에서 출발했다.

  • 텍스트를 먼저 배웠다.

  • 이미지를 이해하기 시작했다.

  • 코드를 작성했다.

  • 수학 문제를 풀었다.

  • 개념을 연결했다.

  • 그다음에서야 물리세계의 행동을 배우기 시작했다.


인간에게 쉬운 일은 기계에게 어렵고, 인간에게 어려운 일은 기계에게 상대적으로 쉬운 현상을 보통 모라벡의 역설이라고 부른다.

2. 디지털 노동과 물리 노동은 대체 난이도가 다르다


그래서 지금 AI의 병목은 단순히 더 큰 LLM이 아니다.

디지털 노동은 이미 서술지능만으로도 상당 부분 대체 가능하다.

  • 리서치

  • 번역

  • 코딩

  • 문서 작성

  • 고객 응대

  • 데이터 분석


이런 일들은 언어와 기호 안에서 이루어진다.
따라서 LLM의 강점과 직접 맞닿아 있다.

그러나 물리 노동은 다르다.

물리 노동을 대체하려면 AI가 몸을 가져야 한다.

여기서 말하는 몸은 반드시 인간형 휴머노이드일 필요는 없다.

  • 자동차는 바퀴 달린 로봇이다.

  • 산업용 로봇은 팔만 가진 로봇이다.

  • 드론은 하늘을 나는 로봇이다.

  • 휴머노이드는 팔과 다리를 가진 로봇이다.


형태는 다르지만 구조는 같다.

센서 → 메모리 → 연산 → 판단 → 액추에이터 → 피드백 → 재학습

이 루프가 만들어져야 AI는 물리세계에서 노동할 수 있다.

3. Physical AI는 사람이 만든 물리세계 데이터에서 출발한다


최근 로보틱스는 사람이 직접 물리세계 데이터를 만들어주는 단계에 들어갔다.

  • 사람이 고글을 쓴다.

  • 카메라를 장착한다.

  • 로봇을 원격조종한다.

  • 손동작과 시선을 기록한다.

  • 실패 장면을 축적한다.

  • 반복 작업의 순서를 데이터화한다.


AI는 이 데이터를 통해 물리세계의 질서를 배운다.

핵심은 관찰 → 판단 → 행동 → 결과 피드백의 반복이다.

이 흐름의 중심에 있는 것이 VLA, Vision-Language-Action 모델이다.

기존 AI가 이미지와 언어를 연결했다면, VLA는 여기에 행동을 붙인다.

  • 카메라로 장면을 본다.

  • 언어 명령을 이해한다.

  • 현재 상황을 판단한다.

  • 로봇의 손, 팔, 다리, 바퀴 움직임으로 변환한다.

  • 행동 결과를 다시 기억한다.


즉, VLA는 보는 AI와 말하는 AI를 행동하는 AI로 바꾸는 구조다.

4. 자율주행은 Physical AI의 첫 상업화 사례다


자율주행은 이 방향에서 가장 먼저 상업화가 진행된 사례다.

자율주행차는 도로라는 통제된 물리세계를 먼저 배웠다.

  • 카메라

  • 레이더

  • 라이다

  • 지도

  • 주행 로그

  • 사고 직전 데이터

  • 운전자의 조향·가속·제동 패턴


이 데이터를 바탕으로 자동차는 점점 더 높은 수준의 판단과 행동을 수행하게 됐다.

중요한 것은 자율주행 그 자체만이 아니다.

자율주행의 성공은 AI가 물리세계에서 몸을 갖고 행동할 수 있다는 첫 번째 대형 검증 사례라는 점에서 더 중요하다.

자동차는 바퀴 달린 로봇이다.

그리고 이 구조가 검증되면 다음은 자연스럽게 로보틱스로 확장된다.

  • 물류 로봇

  • 산업용 로봇

  • 배송 로봇

  • 드론

  • 휴머노이드 로봇

  • 가정용 로봇


결국 AI는 데이터센터 안에만 머무르지 않는다.

AI는 차량으로 나오고, 로봇으로 나오고, 공장과 창고와 가정으로 나오게 된다.

5. 로봇에게는 기억이 필요하다


로봇이 요리, 빨래, 물류 분류, 청소, 조립 같은 일을 하려면 단순히 현재 장면만 보면 안 된다.

  • 방금 무엇을 했는지 기억해야 한다.

  • 어떤 물건을 어디에 두었는지 기억해야 한다.

  • 다음 단계가 무엇인지 알아야 한다.

  • 실패한 행동을 다시 반복하지 않아야 한다.

  • 배터리, 관절, 센서 상태도 계속 판단해야 한다.


결국 로봇에게는 기억이 필요하다.

요리 하나만 생각해도 그렇다.

  • 냉장고를 열었다.

  • 계란을 꺼냈다.

  • 팬을 가열했다.

  • 소금은 아직 넣지 않았다.

  • 칼은 오른쪽에 있다.

  • 사람 손이 근처에 있다.

  • 배터리는 15% 남았다.


이런 상태를 기억하지 못하면 로봇은 장기 작업을 수행할 수 없다.

Physical AI의 핵심은 단순 추론이 아니라, 현재 상태와 이전 행동을 연결해 다음 행동을 결정하는 능력이다.

6. 인간 뇌와 AI memory architecture의 유사성


이 지점에서 인간 뇌와 AI 시스템의 비유가 유용해진다.


물론 이 비유를 1:1로 받아들이면 위험하다.

GPU는 해마라기보다 연산 장치에 가깝다.

해마에 더 가까운 것은 다음과 같은 시스템이다.

  • retrieval index

  • replay buffer

  • memory module

  • vector database

  • episodic memory system


다만 큰 방향에서는 닮은 부분이 있다.

인간은 반복 경험을 통해 기억을 재구성한다.

처음에는 의식적으로 처리하던 일도 시간이 지나면 절차기억으로 내려간다.

초보 운전자는 차선, 신호, 사이드미러, 브레이크를 모두 의식적으로 본다.

숙련 운전자는 상당 부분을 자동으로 처리한다.

AI도 비슷한 방향으로 간다.

  • 실패 데이터를 모은다.

  • replay 학습을 한다.

  • fine-tuning을 한다.

  • distillation을 한다.

  • policy를 개선한다.

  • 같은 실수를 줄인다.


AI도 반복훈련을 통해 장기기억에 해당하는 파라미터 구조를 재배열하고, 특정 작업을 더 잘 수행하도록 숙달될 수 있다.

7. 앞으로 중요한 것은 더 큰 LLM이 아니라 AI memory architecture다


다만 인간과 AI의 차이도 있다.

  • 인간은 경험이 생물학적으로 계속 재처리된다.

  • AI는 외부 훈련 파이프라인이 있어야 장기기억이 바뀐다.

  • 대화창 안에서 배운 것처럼 보이는 것은 대부분 context window 안의 임시 적응이다.

  • 진짜 장기 학습은 파라미터 업데이트, memory module, retrieval system, replay 구조가 필요하다.


그래서 앞으로 중요한 기술은 단순히 더 큰 LLM이 아니다.

중요한 것은 AI memory architecture다.

  • 작업기억

  • 장기기억

  • 실패 데이터

  • replay

  • 행동 피드백

  • 자기진단

  • 추론 가속 cache


이 모든 것을 하나의 순환 구조로 묶어야 한다.

인간 뇌로 치면 해마, 신피질, 작업기억의 루프를 인공적으로 구현하려는 방향이다.

자율주행과 로봇은 이미 이 방향으로 가고 있다.

결국 물리 노동을 대체하는 AI는 단순히 말 잘하는 모델이 아니다.

실패를 기억하고, 행동을 고치고, 반복을 통해 절차기억을 만드는 모델이다.

8. Physical AI에는 훈련용 메모리와 추론용 메모리가 모두 필요하다


이 지점에서 메모리 수요가 중요해진다.

Physical AI에는 두 종류의 메모리가 필요하다.

8-1. 훈련용 메모리


훈련용 메모리는 물리세계 데이터를 학습하기 위해 필요하다.

  • 인간 시연 데이터

  • 원격조종 데이터

  • 1인칭 영상 데이터

  • 실패 데이터

  • 시뮬레이션 데이터

  • world model 학습 데이터


이 모든 데이터는 데이터센터에서 학습되고 재학습된다.

여기에는 다음 인프라가 필요하다.

  • HBM

  • GPU memory

  • DDR

  • SSD

  • NAND

  • 고속 네트워크

  • 대용량 스토리지

8-2. 추론용 메모리


로봇이 실제 현장에서 움직일 때도 메모리가 필요하다.

로봇은 매 순간 현재 장면과 이전 행동을 함께 처리해야 한다.

  • 모델 자체를 올려두는 메모리

  • 현재 장면을 유지하는 작업기억

  • 장기 작업을 위한 절차 기억

  • KV cache·temporal cache 같은 추론 가속 메모리

  • 실패와 자기진단을 위한 상태 메모리


따라서 Physical AI의 메모리 수요는 데이터센터에서 끝나지 않는다.



9. Micron-GM/Ford SCA는 가볍게 볼 이벤트가 아니다


이 관점에서 최근 Micron의 GM·Ford SCA는 가볍게 볼 이벤트가 아니다.

GM과 Micron은 장기 memory/storage 공급을 위한 Strategic Customer Agreement를 발표했다.

Micron은 차량이 점점 software-defined, AI-driven 구조로 바뀌면서 memory와 storage의 성능, 신뢰성, 확장성이 차세대 차량 기능에 필수적이라고 설명했다.

Ford와의 장기 공급계약도 같은 맥락이다.

자동차 OEM이 메모리 장기계약을 맺는다는 것은 단순한 부품 조달이 아니다.

이는 자동차가 점점 AI inference device가 되고 있다는 뜻이다.

지금은 명분이 다음 영역에 있다.

  • ADAS

  • 자율주행

  • AI in-cabin

  • software-defined vehicle


하지만 구조는 여기서 끝나지 않는다.

이 흐름은 이후 다른 Physical AI 기기로 확산될 수 있다.

  • humanoid robot

  • warehouse robot

  • industrial robot

  • autonomous delivery robot

  • drone

  • edge AI device


즉, 자동차 OEM의 메모리 장기계약은 Physical AI 시대의 메모리 공급망 선점으로 해석할 수 있다.

10. 메모리는 AI 데이터센터의 병목에서 Physical AI의 전략 자원으로 확장된다


Micron은 2026년 6월 어닝콜에서 AI system performance가 memory subsystem의 성능과 용량에 구조적으로 의존한다고 설명했다.

2026.06.25 micron

또한 humanoid robot은 평균 L2+ 차량보다 10배 많은 메모리를 탑재한다고 언급했다.

이 수치가 의미하는 바는 크다.

  • L2+ 차량만 해도 일반 차량보다 메모리 content가 크게 늘어난다.

  • 휴머노이드는 그보다 더 많은 메모리를 요구할 수 있다.

  • 로봇이 대량 생산되면 memory content per unit 상승은 자동차보다 더 강하게 나타날 수 있다.


물론 휴머노이드가 당장 자동차처럼 수천만 대 팔린다는 뜻은 아니다.

단기 실적 기여는 여전히 자동차, 데이터센터, 서버 AI가 먼저다.

하지만 방향성은 분명하다.

메모리는 더 이상 PC, 스마트폰, 서버 사이클에만 묶인 부품이 아니다.

AI 데이터센터의 병목이었던 메모리가 이제는 Physical AI 전체의 전략 자원으로 확장되고 있다.

11. 결론: AI가 몸을 갖는 순간, 메모리의 의미도 바뀐다


이번 Micron-GM/Ford SCA의 함의는 여기에 있다.

  • 자동차는 바퀴 달린 로봇이다.

  • 자율주행은 Physical AI의 첫 대형 상용화 사례다.

  • 로봇은 몸을 가진 AI다.

  • 몸을 가진 AI에는 훈련용 메모리와 추론용 메모리가 모두 필요하다.

  • 따라서 메모리 공급망은 Physical AI 시대의 핵심 병목이 될 가능성이 높다.


자율주행의 성공은 단순히 운전 편의성의 문제가 아니다.

그보다 더 큰 의미는 AI가 드디어 물리세계에서 몸을 갖고 행동하기 시작했다는 점이다.

그리고 AI가 몸을 갖는 순간, 메모리의 의미도 바뀐다.

메모리는 데이터를 저장하는 부품에 그치지 않는다.

메모리는 AI가 세계를 기억하고, 실패를 고치고, 다음 행동을 결정하게 만드는 물리적 기반이다.

그래서 Micron의 SCA는 단순한 자동차 메모리 공급계약이 아니다.

Physical AI 시대의 초기 신호로 봐야 한다.

AI는 데이터센터 밖으로 나오고 있다.

차량으로 나오고, 로봇으로 나오고, 공장과 창고와 가정으로 나오고 있다.

그 과정에서 가장 먼저 장기계약의 형태로 선점되고 있는 자원 중 하나가 바로 메모리이지 않을까 한다.

=끝

작성자: 시간: 댓글 없음:

2026년 7월 5일 일요일

생각정리 299 (* AWS Cloud)

어느 커뮤니티에서 봤던 재밌는 문구가 있다.

자기 의견은 ‘똥꼬’ 같은 것이라고 한다.
누구에게나 하나씩은 있지만,
정작 그 누구도 남의 똥꼬에 대해 자세히 알고 싶어 하지는 않는다는 말이었다.

조금 거칠지만, 투자 시장을 오래 보다 보면 묘하게 맞는 말처럼 느껴질 때가 있다.

특히 최근 반도체 고점론을 두고,

여전히 과거 메모리 시클리컬 사이클의 문법만으로 업황을 해석하려는 외부 투자자나 리서치 기관과 대화를 하다 보면 더욱 그렇다.

이번글에서는 반도체 고점론에 대한 소모적인 논쟁보다는,
최근 AWS Cloud 산업에서 나타나는 변화를 중심으로 리서치 기록을 남겨보려 한다.

토큰 단가하락 및 모델성능 개선으로 인한 AI token 사용량 증가, compute capacity 부족, 메모리와 전력 인프라 비용 상승, 그리고 cloud 사업자들의 가격 결정력 변화가 결국 어떤 방향으로 이어질지 정리해보고자 한다.

AI Cloud는 비용센터에서 희소자산으로 바뀌고 있다


AI 인프라 투자를 둘러싼 시장의 질문이 바뀌고 있다.

과거의 질문은 단순했다.

“빅테크가 이렇게 많은 Capex를 쓰고도 돈을 벌 수 있을까?”

하지만 최근 AWS, Anthropic, OpenAI, Bedrock, 중국 LLM Cloud, Meta Compute 흐름을 같이 놓고 보면 질문은 달라진다.

“전력, 메모리, GPU/ASIC, 데이터센터, 냉각, 네트워크를 먼저 확보한 사업자가 이 희소한 computing resource를 얼마나 비싸게 팔 수 있는가?”

지금 AWS AI Cloud에서 벌어지는 일은 단순한 클라우드 성장률 회복이 아니다.

AI token 사용량 급증에 따른 demand-full inflation.
메모리·전력·데이터센터 비용 상승에 따른 cost-push inflation.
그리고 이를 고객에게 전가할 수 있는 AI cloud pricing power.

이 세 가지가 동시에 나타나는 구간으로 보인다.

1. Anthropic, OpenAI, Bedrock 수요는 이미 AWS의 가격 결정력을 만들고 있다


AWS의 최근 실적은 AI 인프라 수요가 전체 클라우드 성장률을 다시 끌어올리고 있음을 보여준다.

Amazon의 2026년 1분기 AWS 매출은 376억 달러, 전년 대비 28% 증가했다. AWS 영업이익은 142억 달러였다. 단순 계산한 AWS 영업이익률은 약 **37.8%**다. 동시에 Amazon은 AI 투자 증가로 property & equipment 구매가 크게 늘면서 TTM FCF가 259억 달러에서 12억 달러로 감소했다고 설명했다. (Amazon IR)

2026.04.29 Amazon


2026.04.29 Amazon


의미는 명확하다.

손익계산서상 AWS 마진은 여전히 높다.
다만 현금흐름표에서는 AI Capex 부담이 먼저 반영되고 있다.

수요 측면에서 가장 중요한 고객은 Anthropic이다.

Anthropic은 2025년 말 약 90억 달러였던 run-rate revenue가 2026년에 300억 달러 이상으로 올라섰다고 밝혔다. 소비자와 기업 고객 사용량이 급증하면서 peak hour reliability와 performance에도 부담이 커졌다고 설명했다.

이 때문에 Anthropic은 AWS와 협력을 확대했다. 2026년 말까지 거의 1GW의 추가 compute를 확보하고, 장기적으로 최대 5GW의 Trainium capacity를 사용하기로 했다. (Anthropic)


CY 2Q26 흑전을 앞두고 있는 앤트로픽

Anthropic compute capacity

OpenAI도 AWS에 붙었다.

OpenAI와 Amazon은 AWS 계약을 8년간 1,000억 달러 추가 확대했다. OpenAI는 약 2GW의 Trainium capacity를 사용하기로 했다. 이 capacity는 OpenAI Frontier, Stateful Runtime Environment, 고급 agentic workload에 투입된다. (OpenAI)

비용통제가 아직 잡히지 않은 OpenAI

OpenAI compute capacity
앤트로픽 보다 더 비밀스러운 OpenAI (*ClosedAI)

더 중요한 것은 OpenAI Frontier가 AWS의 third-party cloud distribution을 통해 기업 고객에게 공급된다는 점이다.

AWS는 단순 서버 임대업자가 아니다.

OpenAI의 enterprise AI 유통망.
Anthropic의 핵심 compute provider.
Bedrock의 모델 플랫폼 사업자.

이 세 포지션을 동시에 잡고 있다.

Bedrock의 성장도 같은 방향이다.

Andy Jassy는 Bedrock이 12만 5천 곳 이상의 고객을 보유하고 있고, **Fortune 100 기업의 약 80%**가 Bedrock을 사용한다고 밝혔다. 또한 Bedrock inference의 대부분은 Trainium에서 처리되고 있다. 별도 실적 코멘트에서는 Bedrock의 1분기 고객 지출이 전분기 대비 170% 증가했고, 1분기 처리 token이 과거 전체 기간 합산보다 많았다고 언급됐다. (Amazon News, PublicNow)

결국 AWS AI Cloud 수요는 일반 클라우드 수요와 성격이 다르다.

일반 EC2, S3, RDS 수요는 경기와 IT 예산에 민감하다. 반면 Frontier LLM 기업의 compute 수요는 모델 성능, agent 사용량, coding workload, enterprise inference traffic에 의해 결정된다.

가격이 조금 올랐다고 쉽게 줄일 수 있는 수요가 아니다.

capacity를 못 구하면 제품 성능과 성장률이 바로 흔들린다. 이것이 AWS의 가격 결정력을 만든다.

2. 기술은 token 원가를 낮추지만, 수요는 그보다 더 빠르게 늘고 있다


AI 산업은 기술적으로는 deflationary하다.

세대가 바뀔수록 동일 성능을 내는 데 필요한 추론 원가는 빠르게 내려간다. 더 좋은 칩, 더 나은 serving software, speculative decoding, quantization, KV cache 최적화, model distillation, MoE, routing 모두 token 원가를 낮추는 방향으로 작동한다.

실제로 2020~2026년 LLM inference token 가격은 장기적으로 크게 하락했다. 한 연구는 2020~2026년 사이 token 가격이 약 600분의 1로 낮아졌다고 분석했다. 다만 flagship reasoning model은 reasoning premium 때문에 일반 모델처럼 가격이 매끄럽게 하락하지 않았다고 설명한다.

 (arXiv)

하지만 최근 변화는 이 단순한 deflation 논리를 흔든다.

이전 구조는 이랬다.

기술 발전 → token 원가 하락 → 저가 모델 확산 → AI 사용량 증가

이 해석은 여전히 맞다. 하지만 지금은 한 단계 더 나아가야 한다.

기술 발전 → token 원가 하락 → 사용량 폭증 → compute·memory·storage·전력 병목 → cloud capacity 단가 상승 → 일부 token 서비스 가격 상승

즉, 기술 발전이 만든 원가 하락분을 수요 증가가 흡수하고도 남는 구간에 들어섰다고 볼 수 있다.

특히 agent, reasoning, enterprise inference, coding workload는 단순 chat보다 compute intensity가 높다.

한 번의 질문이 여러 번의 model call로 쪼개진다.
긴 context를 읽는다.
중간 reasoning token이 늘어난다.
tool use와 retrieval이 붙는다.
결과 검증을 위해 추가 호출이 발생한다.

단위 token 원가는 내려가도, 업무당 token 사용량과 전체 업무량은 더 빠르게 늘 수 있다.

이것은 일종의 Jevons paradox에 가깝다.

효율이 좋아질수록 단위 비용은 낮아지지만, 사용처가 폭발적으로 넓어지면서 총 소비량과 총 지출은 오히려 증가하는 구조다.

3. 중국 저가 LLM Cloud 가격 인상은 산업단가 바닥 상승의 신호다


중요한 변화가 하나 더 있다.

그동안 글로벌 token 가격 하락을 주도했던 쪽은 중국 LLM이었다. DeepSeek, Qwen, Kimi, Doubao, GLM 계열은 OpenAI·Anthropic 대비 훨씬 낮은 API 가격을 제시했다.

시장에는 이런 인식이 강했다.

“LLM token은 계속 싸질 수밖에 없다.”

그런데 최근 Alibaba Cloud와 Baidu Cloud의 가격 인상은 이 인식을 흔든다.

Alibaba Cloud는 AI 수요 급증과 공급망 비용 상승을 이유로 AI computing·storage 제품 가격을 최대 34% 올렸다. Baidu Cloud도 AI computing 관련 서비스 가격을 약 5~30%, parallel file storage 가격을 30% 올리는 것으로 보도됐다. Tencent Cloud도 일부 모델의 무료 public beta를 종료했다. (The Register)

이건 단순한 개별 업체 가격 조정이 아니다.

중국에서도 AI inference와 agent 사용량이 빠르게 늘면서 GPU/ASIC, 메모리, storage, 네트워크, 전력 비용을 더 이상 전부 흡수하기 어려워졌다는 신호다.

물론 모든 API list price가 동시에 오르는 것은 아니다.

중국 LLM 시장에는 여전히 가격 경쟁이 남아 있다. 일부 모델은 더 낮은 가격으로 고객을 확보하려 할 수 있고, open-weight 모델 기반 inference도 계속 낮은 가격을 제시할 수 있다.

하지만 투자 관점에서 중요한 가격은 list price가 아니다.

대규모·저지연·고신뢰·장기 예약 inference capacity의 실질 단가다.

이 단가는 올라가는 방향으로 봐야 한다.


결국 시장은 API token list price deflation과 AI cloud capacity inflation이 동시에 존재하는 구조로 바뀌고 있다.

여기서 표현도 정확히 잡아야 한다.

token/$는 1달러로 살 수 있는 토큰 수다. 가격이 오르면 token/$는 하락한다. 지금 말하는 것은 token/$ 상승이 아니라 $/token 상승, 또는 AI cloud capacity 단가 상승이다.

중국 저가 LLM Cloud 가격 인상은 AWS 논리를 더 강하게 만든다.

OpenAI·Anthropic의 frontier token이 비싼 것은 프리미엄 수요의 문제다.
반면 중국 저가 LLM Cloud까지 가격을 올리는 것은 산업 전반의 compute 원가와 capacity scarcity 문제다.

이건 메모리 사이클과 유사하다.

고가 제품만 가격이 오르면 프리미엄 수요 강세로 볼 수 있다. 그러나 범용·저가 제품까지 가격이 오르면, 업황 전반의 공급 부족과 가격 바닥 상승으로 해석한다.

AI Cloud도 비슷하다.

저가 공급자의 가격 인상은 산업 가격 바닥이 올라가고 있다는 신호다.

4. 메모리와 전력 인프라 비용 상승은 cost-push inflation을 만든다


수요만 강한 것이 아니다. 공급 측 비용도 동시에 올라가고 있다.

TrendForce는 2026년 3분기 DRAM 계약가격이 전분기 대비 13~18%, NAND Flash 계약가격이 10~15% 상승할 것으로 전망했다. 특히 DRAM 시장은 3분기에도 “extremely tight” 상태가 이어지고, NAND 수요는 AI inference와 대규모 데이터센터 배치가 계속 견인한다고 설명했다. 서버 DRAM도 3분기에 공급 부족이 지속될 것으로 봤다. (TrendForce)


앞으로 Agentic AI 시대 폭증할 kv cashe 메모리 수요
The AI Memory Thesis | Memory Analyst

HBM 수요와 공급의 격차는 매해 더 벌어질 것
The AI Memory Thesis | Memory Analyst

전력과 데이터센터 비용도 같은 방향이다.

IEA는 대형 기술기업 5곳의 데이터센터 투자가 2025년에 4,000억 달러 이상으로 급증했고, 2026년에는 여기서 다시 75% 증가할 것으로 봤다. 데이터센터 전력수요는 2025년에 17% 증가했고, AI-focused 데이터센터 전력 사용은 더 빠르게 증가하고 있다. (IEA)

건설비도 올라왔다.

JLL은 글로벌 데이터센터 평균 건설비가 2020년 MW당 770만 달러에서 2025년 1,070만 달러로 상승했고, 2026년에는 1,130만 달러/MW까지 올라갈 것으로 전망했다. (JLL)

이는 단순 건축비 문제가 아니다.

전력 인입.
변압기.
스위치기어.
냉각.
숙련 노동.
토지.
계통 접속비.

모두 같이 올라가는 구조다.

생각정리 298 (* 전력기기, 전력수요)

보통 원가 상승은 마진을 깎는다. 하지만 지금 AI Cloud에서는 다르게 작동한다.

원가 상승 → 신규 capacity 확장 지연 → compute scarcity 심화 → 기존 capacity 보유자의 가격 결정력 강화

즉, cost inflation이 공급 제약을 강화하고, 공급 제약이 다시 cloud pricing power를 만든다.

5. AWS의 가격 인상은 비용 전가가 아니라 compute scarcity의 가격 재조정이다


최근 확인되는 AWS 가격 인상은 우선 EC2 Capacity Blocks for ML에 집중되어 있다. 이는 AI/ML용 accelerator 예약 capacity다.

AWS 공식 가격 페이지는 EC2 Capacity Blocks for ML reservation 가격이 supply-demand trend에 따라 정기적으로 업데이트되며, 다음 업데이트가 2026년 7월로 예정되어 있다고 설명한다. (AWS)

외신 보도에 따르면 AWS는 2026년 7월 1일부터 EC2 Capacity Blocks for ML의 일부 GPU reservation 가격을 약 20% 인상했다. 이는 2026년 초 약 15% 인상에 이은 두 번째 인상으로 보도됐다. (Yahoo Finance, Business Insider)

이를 “AWS 전체 상품 일괄 인상”으로 단정하기보다는, 희소한 AI GPU reserved capacity의 가격 재조정으로 보는 편이 더 정확하다.

다만 방향성은 분명하다.

Alibaba Cloud는 AI 수요와 하드웨어 비용 상승을 이유로 일부 서비스 가격을 최대 34% 인상했다. OVHcloud도 메모리·스토리지 비용 상승을 이유로 2026년 4~9월 사이 일부 클라우드 상품 가격이 5~10% 오를 수 있다고 경고했다. (TechRadar, ByteIota)

결국 클라우드 가격 인상은 특정 AWS 상품 하나의 문제가 아니다.

AI infrastructure inflation이 클라우드 단가에 반영되기 시작했다는 신호다.

지금까지 클라우드 산업은 규모의 경제와 경쟁 심화로 가격이 내려가는 이미지가 강했다. 하지만 AI compute, 특히 GPU/ASIC, HBM, 전력, 냉각, 데이터센터 capacity는 반대로 희소해지고 있다.

6. Demand-full + cost-push inflation은 AWS AI Cloud 마진을 높일 수 있다


현재 AWS 전체 영업이익률은 이미 약 **38%**다.

그래서 AI Cloud가 기존 AWS보다 더 좋은 사업이 되려면 단순히 고성장만으로는 부족하다.

필요한 조건은 세 가지다.

가격 인상 이후에도 고객이 이탈하지 않아야 한다.
신규 capacity가 높은 가동률로 채워져야 한다.
Trainium 같은 자체 ASIC 비중이 올라가야 한다.

현재까지는 이 조건들이 맞아가고 있다.

단순 시뮬레이션을 해보면 이렇다.


핵심은 비용 전부가 즉시 가격 인상률만큼 올라가지 않는다는 점이다.

이미 설치된 서버와 데이터센터는 과거 취득원가 기준으로 감가상각된다. 전력비, 메모리, 신규 장비 비용은 오르지만, 기존 capacity의 매출 단가가 먼저 올라가면 손익계산서상 마진은 개선될 수 있다.

중국 저가 LLM Cloud까지 가격 인상에 동참하는 구간이라면, AWS AI Cloud 마진 추정은 기존보다 조금 더 상향해도 된다.


물론 핵심은 가격 인상 후에도 수요가 줄지 않는가다.

그런데 Anthropic, OpenAI, Bedrock, 중국 MaaS 플랫폼 모두 token 사용량이 늘고 있다. 기업들은 token 비용을 줄이려 하지만, AI 사용 자체는 확대하고 있다. WSJ도 기업들이 token 지출 관리를 강화하고 있지만, AI agents와 사용량 확대로 비용은 계속 커지고 있다고 보도했다. (WSJ)

https://www.wsj.com/cio-journal/how-companies-are-managing-ai-token-spend-833b6f7e?utm_source=chatgpt.com

따라서 수요 탄력성은 아직 낮아 보인다.

이 경우 가격 인상은 단순 매출 증가가 아니라 마진 개선으로 연결될 가능성이 크다.

7. AWS의 token maximizing 전략은 “모든 token을 비싸게 파는 것”이 아니다


최근 AI 업계에서는 tokenmaxxing에서 modelmaxxing으로 이동하는 흐름이 나타나고 있다.

Business Insider는 2026년 상반기 기업들이 무조건 최신 frontier model을 많이 쓰는 방식에서 벗어나고 있다고 보도했다. 복잡한 업무는 고성능 모델에 맡기고, 단순 반복 업무는 더 저렴한 모델에 배정하는 model routing 전략으로 이동하고 있다는 것이다. (Business Insider)

https://www.businessinsider.com/ai-model-routing-modelmaxxing-efficient-token-use-2026-7

Palantir의 Alex Karp가 LLM 기업들의 token-based pricing을 비판한 것도 같은 맥락이다. 기업들이 실제 생산성으로 연결되지 않는 token 사용에 비용을 지불하고 있다는 문제의식이다. (Tom's Hardware)

하지만 이 흐름이 AWS에 부정적이라고 보기는 어렵다. 오히려 AWS에는 유리할 수 있다.

이유는 단순하다.

기업들이 모든 업무를 frontier model에 태우지 않더라도, AI 적용 범위 자체는 훨씬 넓어진다. 고가 token을 줄이는 대신, 저가 inference volume이 폭발적으로 늘어날 수 있다.

AWS의 전략은 이 구조에 잘 맞는다.


AWS는 단순히 비싼 token만 파는 사업자가 아니다.

고성능 GPU capacity.
자체 ASIC.
Bedrock 모델 플랫폼.
enterprise 보안·거버넌스.
장기 commitment.

이 모두를 묶어 판매한다.

modelmaxxing은 token 비용을 낮추지만, 동시에 AI 사용처를 넓힌다. 결과적으로 unit cost는 낮아져도 total compute consumption은 늘어나는 구조가 될 가능성이 크다.

AWS가 원하는 것은 “모든 고객이 가장 비싼 모델만 쓰는 세상”이 아니다.

더 정확히는 모든 난이도의 업무가 클라우드 위에서 AI workload로 전환되는 세상이다.

고난도 업무는 비싼 frontier capacity로 처리한다.
대량 반복 업무는 Trainium 기반 저비용 inference로 처리한다.
기업용 배포는 Bedrock으로 흡수한다.

이것이 AWS의 AI Cloud 전략이다.

8. Meta의 클라우드 진출도 같은 흐름에서 봐야 한다


최근 Meta가 “Meta Compute” 형태로 잉여 AI compute를 외부에 판매하는 방안을 검토한다는 보도가 나왔다.

보도에 따르면 Meta는 두 가지 모델을 검토하고 있다.

하나는 Meta가 보유한 AI 모델을 자체 인프라 위에서 제공하는 방식이다.
다른 하나는 CoreWeave 같은 neocloud처럼 raw computing capacity를 임대하는 방식이다. (Tom's Hardware)

Meta의 2026년 Capex 가이던스는 1,250억~1,450억 달러로 상향됐다. 회사는 higher component pricing과 future capacity를 위한 추가 데이터센터 비용을 반영했다고 밝혔다. (PR Newswire)

이 흐름은 Meta가 AWS를 그대로 따라 한다는 뜻만은 아니다.

더 정확히는 AI Capex를 내부 비용에서 외부 매출 자산으로 바꾸려는 시도다.

Meta가 확보한 GPU, 데이터센터, 전력 capacity가 내부 모델 학습에만 쓰이면 비용센터다. 하지만 이 capacity를 외부에 판매할 수 있다면 의미가 달라진다.

놀고 있는 compute는 비용이다.
판매 가능한 compute는 자산이다.

Meta의 움직임은 두 가지 신호를 준다.

첫째, compute scarcity가 충분히 크기 때문에 후발 공급자도 monetization을 시도할 수 있다.

둘째, AI Capex 정당화의 방식이 바뀌고 있다.

과거에는 “이 투자가 내부 광고 효율, 추천 알고리즘, Llama 생태계에 얼마나 기여하는가”가 핵심이었다. 이제는 “남는 compute를 외부 고객에게 팔아 ROIC를 만들 수 있는가”가 추가됐다.

다만 Meta와 AWS의 사업 품질은 다르다.

AWS는 이미 enterprise 고객, billing, security, IAM, compliance, database, storage, network, marketplace, support 체계를 모두 갖고 있다.

Meta가 곧바로 AWS 수준의 클라우드 마진을 낼 가능성은 낮다. 초기에는 raw compute 임대 또는 Meta-hosted model access에 가까울 가능성이 크다.

그래도 시장이 Meta의 행보를 주목하는 이유는 분명하다.

AI compute가 더 이상 매몰비용이 아니라 판매 가능한 희소자산으로 재평가되고 있기 때문이다.

결론: AI Cloud의 monetization timeline은 앞당겨지고 있다


이번 구간의 핵심은 AI Cloud가 단순한 클라우드 성장 스토리에서 벗어나고 있다는 점이다.

Anthropic, OpenAI, Bedrock 고객의 token 사용량은 빠르게 늘고 있다.
중국 저가 LLM Cloud까지 가격을 올리기 시작했다.
메모리, 전력, 데이터센터, 냉각, 네트워크 비용도 올라가고 있다.

일반적인 산업에서는 수요 증가와 원가 상승이 동시에 오면 마진이 흔들린다.

하지만 지금 AI Cloud에서는 공급이 너무 부족하다. 그래서 원가 상승은 오히려 신규 공급을 더 어렵게 만들고, 기존 capacity를 가진 사업자의 가격 결정력을 강화한다.

AWS가 유리한 이유도 명확하다.

첫째, Anthropic과 OpenAI라는 초대형 anchor tenant를 확보했다.

둘째, Bedrock을 통해 기업용 AI 유통 레이어를 갖고 있다.

셋째, Trainium을 통해 NVIDIA GPU의 초과이윤 일부를 내부화할 수 있다.

넷째, 가격 인상을 정당화할 만큼 compute scarcity가 강하다.

다섯째, 중국 저가 LLM Cloud까지 가격을 올리면서 산업단가의 바닥이 올라가고 있다.

여섯째, model routing과 token optimization이 확산되어도 전체 AI workload volume은 더 커질 가능성이 높다.

따라서 이제 시장이 봐야 할 질문은 “AI Capex가 과도한가”에 머물러서는 부족하다.

더 중요한 질문은 이것이다.

이 막대한 AI Capex가 언제부터 외부 고객에게 판매 가능한 수익자산으로 전환되는가.

지금 나타나는 가격 인상, 장기 capacity 계약, Trainium3 출하 상향, Bedrock 사용량 증가, Meta의 compute monetization 시도는 모두 같은 방향을 가리킨다.

AI compute는 비용센터에서 희소자산으로 바뀌고 있다.

그리고 AI 수요가 견고하게 유지되는 이상, cloud 사업자들의 monetization timeline은 앞당겨질 수밖에 없다.

AWS AI Cloud의 중기 영업이익률은 기존 AWS 평균인 37~40%를 넘어 **47~52%**까지 올라갈 수 있다고 본다. Trainium과 Bedrock 비중이 더 빠르게 올라가고, Anthropic·OpenAI·Bedrock 고객의 가동률이 높게 유지된다면 50%대 중후반의 AI Cloud margin도 불가능한 숫자는 아니다.

Meta의 최근 cloud 진출 검토도 이 연장선에 있다.

이는 단순한 AWS 추종이 아니다. AI compute가 부족해진 시장에서 과도한 AI Capex를 회수 가능한 수익자산으로 바꾸려는 시도다.


#글을 마치며 

token 원가는 기술 발전으로 내려가고 있지만, token을 대규모로 생산할 수 있는 compute capacity의 희소성은 더 커지고 있다. 그래서 최종 시장 가격은 기술 deflation보다 demand-full inflation과 cost-push inflation의 영향을 더 크게 받기 시작했다.

그리고 이것이 cloud 사업자들의 Capex 회수 시점과 정당화 시점을 앞당기고 있다.

AI token 사용량 증가는 compute 수요를 만들고, compute 부족은 가격 인상으로 이어지며, 가격 인상은 AI Cloud의 monetization timeline을 앞당긴다.

따라서 AI 수요가 지금처럼 견고하게 유지된다면, AWS를 비롯한 cloud 사업자들의 막대한 AI Capex가 수익자산으로 전환되는 시점도 생각보다 멀지 않을 수 있다.


이상 나만의 똥꼬. 

=끝

작성자: 시간: 댓글 없음: