2026년 5월 27일 수요일

생각정리 267 (* Scale-Across, networking )

하락장에 투자 아이디어를 새로 찾기보다는, 오히려 산업 구조를 다시 공부하는 시간이 더 중요해지는 듯하다. 최근 AI 인프라 투자 흐름을 보면서 그동안 시장의 관심은 주로 scale-up과 scale-out에 집중돼 있었다. 나 역시 GPU 간 연결, 데이터센터 내부 패브릭, AI Ethernet, NVLink, InfiniBand 같은 영역에 더 많은 시간을 썼고, 상대적으로 scale-across 시장에 대한 스터디는 깊지 못했다.

그런데 마침 어젯밤 Marvell과 Lumen Technologies의 어닝콜에서 scale-across 시장 전망과 관련해 중요한 단서들이 확인됐다. 특히 AI 클러스터가 단일 데이터센터 안에 머무는 것이 아니라, 여러 데이터센터와 리전으로 분산되면서 이를 하나의 컴퓨팅 자원처럼 연결하려는 수요가 본격화되고 있다는 점이 인상적이었다.

이번 글에서는 이 흐름을 계기로, NVIDIA 주도의 AI 애플리케이션 확산이 왜 scale-across 네트워킹 시장을 키울 수밖에 없는지, 그리고 이 과정에서 네트워크 장비·광학·반도체 밸류체인이 어떻게 확장될 수 있는지를 리서치 기록으로 정리해보고자 한다.

NVIDIA 주도 AI 애플리케이션 확산과 scale-across 네트워킹 시장 성장

1. 핵심 결론

앞으로 AI 인프라 병목은 GPU 개수 부족 → 랙 내부 연결 → 데이터센터 내부 패브릭 → 데이터센터 간 scale-across 네트워크 순서로 확장될 가능성이 높다.

NVIDIA가 주도하는 AI Factory, Physical AI, Edge AI, World Foundation Model, NVLink Fusion 생태계는 공통적으로 AI 워크로드가 더 많은 산업 현장으로 퍼지고, 더 많은 데이터를 만들고, 더 많은 GPU 클러스터를 연결해야 하는 구조를 만든다.

이 과정에서 핵심은 단순히 GPU가 더 많이 팔리는 것이 아니다. GPU가 여러 지역, 여러 데이터센터, 여러 클라우드, 여러 산업 현장에 분산될수록 컴퓨팅 자원 간 데이터 이동량이 비선형적으로 증가한다. 따라서 AI 인프라 투자는 GPU와 HBM에서 끝나지 않고, 스위치 ASIC, NIC, DPU, 광모듈, optical DSP, coherent optics, DCI 장비, 라우터, 광전송 장비, NaaS, 네트워크 오케스트레이션까지 확산될 수밖에 없다.

따라서 scale-across 시장의 본질은 단순한 데이터센터 간 전용회선 증설이 아니라, AI Factory가 산업 전반으로 확산되는 과정에서 필요한 차세대 네트워킹 인프라 사이클이다.

2. NVIDIA의 AI endmarket 확산이 scale-across 수요를 키우는 이유

2-1. AI Factory가 여러 지역으로 분산된다

AI Factory는 데이터를 투입해 토큰, 추론 결과, 시뮬레이션 결과, 로봇 정책 모델을 생산하는 산업 설비에 가깝다. 초기 AI Factory는 하이퍼스케일러 중심의 대형 GPU 클러스터에 집중됐지만, 앞으로는 제조, 통신, 로봇, 자율주행, 헬스케어, 금융, 국방, 리테일 등으로 확산될 가능성이 높다.

이때 모든 AI Factory가 한 지역에만 존재하기는 어렵다. 전력, 냉각, 토지, 규제, 데이터 주권, 고객 데이터 위치 때문에 AI 컴퓨팅 자원은 여러 지역에 나뉘어 배치된다. 그 결과 AI 인프라는 단일 데이터센터 증설에서 다중 데이터센터 연결로 진화한다.

이 구조가 바로 scale-across다. 여러 데이터센터와 GPU 클러스터를 하나의 거대한 컴퓨팅 자원처럼 묶는 네트워크다. Ciena가 말한 scale-across, Lumen이 말한 동서 트래픽 증가, Cisco가 말한 AI 인프라 네트워킹 주문 급증은 모두 같은 방향을 가리킨다.

2-2. Physical AI와 World Model은 데이터 종류를 무겁게 만든다

Physical AI, World Foundation Model, 로보틱스, 자율주행, 스마트팩토리, 디지털트윈은 텍스트 중심 LLM보다 훨씬 무거운 비디오, 센서, 3D, 시뮬레이션 데이터를 다룬다.

텍스트 데이터는 상대적으로 가볍지만, 로봇·자율주행·스마트팩토리 데이터는 지속적으로 생성되고, 학습되고, 검증되고, 다시 현장에 배포된다. 즉 Physical AI는 다음과 같은 데이터 루프를 만든다.

이 루프가 반복될수록 scale-across는 선택 인프라에서 AI 애플리케이션 운영의 필수 레이어로 바뀐다.

2-3. Edge AI와 agentic AI는 데이터 접근 경로를 복잡하게 만든다

Edge AI는 모든 데이터를 중앙 클라우드로 보낸 뒤 처리하는 방식에서 벗어나, 공장·매장·차량·병원·통신망 엣지에서 추론을 수행하는 구조다. 표면적으로는 중앙 데이터센터 트래픽을 줄이는 것처럼 보일 수 있지만, 실제로는 엣지 노드가 늘어나면서 엣지-클라우드 동기화, 모델 업데이트, 실시간 모니터링, 보안 정책, 데이터 회수 트래픽이 새로 증가한다.

Agentic AI도 마찬가지다. AI 에이전트는 하나의 모델 안에서 답을 끝내는 구조보다 여러 데이터베이스, API, 애플리케이션, 클라우드, 사내 시스템을 반복적으로 호출하는 구조에 가깝다. 이 경우 AI 성능은 모델 파라미터 수뿐 아니라 데이터가 어디에 있고, 얼마나 빠르게 접근 가능하며, 네트워크 경로가 얼마나 안정적인지에 의해 결정된다.

결국 NVIDIA가 주도하는 AI endmarket 다변화는 GPU 수요만 키우는 것이 아니라, AI가 지나가는 네트워크 전체의 집약도를 높인다.

3. 최근 관련 기업 어닝콜은 scale-across 수요의 외부 검증이다

scale-across 네트워킹 시장의 성장성을 판단할 때 중요한 점은, 이 논리가 특정 반도체 업체 한 곳의 주장에 머물지 않는다는 것이다. 최근 Lumen, Cisco, Ciena, Marvell의 어닝콜을 보면 네트워크 사업자, 장비업체, 광전송 업체, 반도체 업체의 발언이 같은 방향으로 맞물리고 있다.

Lumen은 데이터센터 성장에 따른 동서 트래픽 증가를 핵심 기회로 보고 있다. Cisco는 하이퍼스케일러 AI 인프라 주문 급증과 엔터프라이즈 네트워크 업그레이드를 동시에 확인했다. Ciena는 scale-across, DCI, 800G pluggables, 백로그 급증, 공급 부족을 강조했다. Marvell은 이 모든 인프라 안에 들어가는 고속 연결 칩과 스위칭 반도체 수요가 확대되고 있다고 설명했다.

https://research-hub.nlr.gov/en/publications/data-center-infrastructure-in-the-united-states-november-2025/

이 흐름을 종합하면, AI 네트워킹 수요는 단순히 특정 고객의 단기 주문 사이클이 아니라 AI 데이터 이동량 증가, GPU 클러스터 분산, 데이터센터 간 백엔드 네트워크 확장, 엔터프라이즈 네트워크 현대화가 결합된 구조적 테마로 해석할 수 있다.

3-1. 4개 기업에서 반복되는 핵심 문구

이 표에서 중요한 것은 각 기업의 포지션이 다르다는 점이다. Lumen은 네트워크 인프라와 프라이빗 연결, Cisco는 네트워크 장비와 스위칭 플랫폼, Ciena는 광전송·DCI·coherent optics, Marvell은 네트워크 반도체와 광학 칩에 위치한다. 서로 다른 레이어의 기업들이 같은 방향의 수요를 말하고 있다는 점에서 scale-across는 산업 전반의 구조적 성장축으로 볼 수 있다.

4. scale-up, scale-out, scale-across의 구분

앞으로 AI 네트워킹 투자는 세 층으로 나눠 봐야 한다.

지금까지 시장의 관심은 scale-up과 scale-out에 집중됐다. 그러나 AI 애플리케이션이 산업 현장으로 확산되면 다음 병목은 scale-across로 이동한다.

이는 단순한 거리의 문제가 아니다. scale-across는 여러 지역의 GPU 클러스터, 데이터센터, 클라우드, 엣지 노드, 기업 데이터를 연결해 AI 워크로드를 하나의 통합된 컴퓨팅 자원처럼 운영하는 구조다. 따라서 이 시장은 네트워크 장비와 칩, 광학 부품, 오케스트레이션 소프트웨어가 함께 성장하는 복합 시장이다.

5. scale-across가 키우는 장비·칩 시장

5-1. 광인터커넥트와 DCI 시장

scale-across의 가장 직접적인 수혜는 데이터센터 간 광연결이다. AI 클러스터가 여러 데이터센터로 나뉘면, 이들을 묶는 DCI 대역폭이 급증한다.

DCI에 필요한 대부분의 중요 네트워크 칩은 Marvell, Broadcom 양사가 대부분 설계하고 있는걸로 추정되며, 특히 NVIDIA의 지분투자를 받은 Marvell의 약진이 눈에 띈다.

2026.04.01 Marvell

2026.05.28 Marvell

Ciena가 강조한 scale-across, RLS, Hyper-Rail, 800G pluggables, Vesta optical engine은 이 영역의 산업 성장을 보여주는 사례다. 기존 DCI가 웹 트래픽, 스토리지 복제, 일반 클라우드 연결 중심이었다면, 앞으로는 AI 백엔드 네트워크가 데이터센터 간으로 확장되는 DCI가 커질 가능성이 높다.

Ciena

이 변화는 광모듈 업체, optical DSP 업체, coherent optics 업체, 광전송 장비 업체 모두에 긍정적이다. 특히 scale-across의 대역폭 요구량이 기존 프론트엔드 DCI보다 훨씬 크다면, DCI 시장은 단순한 트래픽 성장 이상의 TAM 확장을 경험할 수 있다.

5-2. AI Ethernet switch와 NIC 시장

scale-across는 데이터센터 간 연결만의 문제가 아니다. 여러 데이터센터를 하나의 AI 클러스터처럼 쓰려면 각 데이터센터 내부 네트워크도 고도화되어야 한다.

이에 따라 수요가 커지는 제품은 다음과 같다.

Cisco의 AI 인프라 주문 증가와 Silicon One, Acacia 수요는 이 흐름과 연결된다. AI 네트워크는 더 빠른 스위치를 구매하는 수준을 넘어, 패킷 손실, 지연시간, 혼잡, 장애 복구를 AI 학습 성능에 맞춰 제어하는 문제로 바뀌고 있다.

따라서 AI Ethernet, InfiniBand, NIC, DPU, switch ASIC 시장은 scale-out뿐 아니라 scale-across 확산의 간접 수혜도 받을 수 있다. 데이터센터 간 연결이 커질수록 각 데이터센터 내부에서도 더 큰 east-west traffic을 받아낼 수 있는 패브릭이 필요해지기 때문이다.

5-3. 라우터와 광전송 장비 시장

scale-across는 데이터센터 내부 스위치만으로 해결되지 않는다. 리전 간, 도시 간, 국가 간 AI Factory를 연결하려면 대형 라우터와 광전송 장비가 필요하다.

이 구간에서는 다음 수요가 증가한다.

Lumen의 PCF 계약과 동서 트래픽 논리는 이 구간의 수요를 보여준다. 다만 PCF 자체보다 더 중요한 것은, 데이터센터가 늘어나면서 AI 데이터 이동을 위한 private backbone과 programmable network 수요가 커진다는 점이다.

Lumen Technologies

이 구간에서 고객의 구매 기준도 달라지고 있다. 과거에는 회선 단가와 계약 조건이 중요했다면, AI Factory 시대에는 GPU 유휴 시간, 데이터 이동 시간, 지연시간, 네트워크 복원력, 보안성이 더 중요해진다. 네트워크 비용을 아끼는 것보다 비싼 GPU 클러스터를 멈추지 않는 것이 더 큰 경제적 가치를 만들기 때문이다.

5-4. 네트워크 소프트웨어와 오케스트레이션 시장

scale-across는 물리 장비만으로 끝나지 않는다. 여러 클라우드, 데이터센터, GPU 클러스터, 엣지를 연결하려면 네트워크를 소프트웨어처럼 제어해야 한다.

Lumen이 Alkira를 인수한 이유도 이 지점에 있다. 사용자가 하나의 화면에서 클라우드·데이터센터·네트워크 간 데이터 이동 경로를 설정하고 실행하는 구조는 향후 AI 워크로드 운영에 중요해진다.

성장하는 소프트웨어 영역은 다음과 같다.

AI 시대에는 네트워크가 고정 회선에서 워크로드에 따라 움직이는 자원으로 바뀐다. 이 변화는 장비 시장에 더해 소프트웨어·서비스 매출까지 키울 수 있다.

6. NVIDIA 주도 endmarket 확산별 수혜 레이어

이 표에서 핵심은 NVIDIA 생태계 확산이 단일 반도체 시장만 키우는 것이 아니라는 점이다. AI 애플리케이션이 산업별로 확산될수록 데이터 생성 위치와 처리 위치가 달라지고, 이 간극을 메우는 scale-across 네트워크가 필요해진다.

7. 산업 성장의 핵심 메커니즘

첫째, AI 애플리케이션이 늘어날수록 데이터 이동량은 비선형적으로 증가한다

AI 애플리케이션이 단순 챗봇에 머물 때는 데이터 이동이 상대적으로 단순했다. 그러나 로봇, 스마트팩토리, 자율주행, 디지털트윈, AI 에이전트로 확산되면 데이터는 계속 이동한다.

현장 → 엣지 → 클라우드 → AI Factory → 시뮬레이션 → 재학습 → 현장 배포라는 순환 구조가 만들어진다. 이 구조에서는 컴퓨팅보다 네트워크가 먼저 막히는 구간이 많아진다.

둘째, GPU 활용률 방어가 네트워크 투자를 정당화한다

AI Factory에서 가장 비싼 자산은 GPU와 HBM이다. 네트워크가 느리면 GPU가 대기하고, GPU가 대기하면 전체 투자수익률이 떨어진다. 따라서 고객은 네트워크 장비와 칩에 더 많은 비용을 지불하더라도 GPU 유휴 시간을 줄이려 한다.

이 논리는 장비·칩 업체에 매우 중요하다. 네트워크는 비용 절감 대상이 아니라 AI Factory 효율을 결정하는 핵심 설비가 된다.

셋째, 전력·부지 제약이 scale-across를 필연화한다

대형 GPU 클러스터를 한 장소에 무한정 증설하기 어렵다. 전력 수급, 냉각, 지연시간, 규제, 데이터 주권, 고객 위치 때문에 AI 컴퓨팅은 분산될 수밖에 없다. 분산된 AI 컴퓨팅을 하나의 자원처럼 쓰려면 scale-across 네트워크가 필요하다.

이 때문에 scale-across는 단기적인 클라우드 CapEx 사이클을 넘어 전력 병목 시대의 AI 인프라 아키텍처 변화로 봐야 한다.

넷째, 데이터센터 내부 광화와 데이터센터 간 광화가 동시에 진행된다

기존에는 광연결이 주로 장거리·데이터센터 간 영역에서 중요했다. 앞으로는 랙 간, 클러스터 간, 데이터센터 간 모두에서 광연결 비중이 올라갈 가능성이 높다.

Ciena가 말한 scale-out, scale-up, scale-across 확장은 이 방향을 보여준다. 즉 광부품·DSP·coherent optics·line system 업체의 TAM은 WAN에서 데이터센터 안쪽과 주변부로 넓어진다.

8. 산업 밸류체인별 수혜 구도

이 중에서 가장 주목할 영역은 네트워크 반도체와 광전송 장비의 동시 성장이다. AI 클러스터 내부에서는 switch ASIC, NIC, DPU가 중요해지고, 데이터센터 간 연결에서는 optical DSP, coherent optics, DCI 장비, line system이 중요해진다.

Cisco

여기에 Lumen과 같은 네트워크 사업자의 private backbone, NaaS, programmable network가 결합되면 scale-across는 하나의 독립적인 산업 성장축으로 부상할 수 있다.

9. 투자 관점의 산업 요약

scale-across 네트워킹 시장은 앞으로 다음 순서로 성장할 가능성이 높다.

하이퍼스케일러 AI Factory 대형화
800G/1.6T optical, AI Ethernet switch, NIC, DPU 수요 증가
여러 데이터센터를 묶는 AI 백엔드 네트워크 확대
DCI, coherent optics, optical transport, private fiber 수요 증가
Physical AI와 Edge AI 확산
공장·로봇·차량·병원·리테일 엣지 네트워크 업그레이드
AI 워크로드 오케스트레이션 필요성 증가
NaaS, multi-cloud gateway, programmable network 수요 증가
GPU·ASIC 혼합 인프라 확산
NVLink Fusion, UALink, scale-up switch, high-speed SerDes 시장 확대

이 흐름에서 핵심은 AI 컴퓨팅의 분산화다. GPU가 많아지는 것만으로 끝나지 않고, GPU가 여러 장소에 흩어질수록 네트워크 투자는 더 커진다.

10. 압축 결론

NVIDIA가 주도하는 AI endmarket 다변화는 scale-across 네트워킹 시장을 구조적으로 키운다. AI Factory는 여러 지역으로 분산되고, Physical AI와 World Model은 비디오·센서·3D 데이터를 폭증시키며, Edge AI는 현장과 클라우드 간 동기화 트래픽을 만든다. 이 과정에서 AI 인프라의 병목은 GPU 자체에서 GPU 간 연결, 데이터센터 내부 패브릭, 데이터센터 간 광연결, 멀티클라우드 오케스트레이션으로 확장된다.

최근 Lumen, Cisco, Ciena, Marvell의 어닝콜 발언은 이 구조적 변화를 교차 검증한다. Lumen은 동서 트래픽과 programmable network 수요를, Cisco는 하이퍼스케일러 AI 인프라 주문과 엔터프라이즈 네트워크 업그레이드를, Ciena는 scale-across와 DCI·800G 광연결 수요를, Marvell은 네트워킹·인터커넥트·스위칭 병목 확산을 강조했다.

따라서 scale-across는 단순한 통신망 증설 테마가 아니라, AI Factory가 산업 전반으로 확산될 때 필요한 차세대 네트워킹 인프라 사이클이다. 이 사이클에서는 switch ASIC, NIC/DPU, optical DSP, 800G/1.6T 광모듈, coherent optics, DCI 장비, core router, optical transport, NaaS, network observability까지 동반 성장할 가능성이 높다.

결국 AI 인프라 투자에서 다음으로 중요한 질문은 GPU를 얼마나 더 살 것인가에 그치지 않는다. 더 중요한 질문은 분산된 GPU와 AI Factory를 어떤 네트워크로 하나의 컴퓨팅 자원처럼 묶을 것인가이다. 이 질문이 커질수록 scale-across 네트워킹 장비·칩 시장의 전략적 중요성도 함께 높아질 것이다.

=끝

2026년 5월 26일 화요일

생각정리 266 (* eBay, LLM, B2C)

ChatGPT의 다음 격전지는 이커머스다

eBay의 AI 재부활이 보여주는 AI Agent 커머스의 미래

최근 LLM 업체들의 실적 개선 속도가 예상보다 훨씬 빠르다.

Anthropic의 Claude는 연말쯤 손익분기점, 즉 BEP 달성이 가능할 것으로 예상됐지만, 이미 CY 1Q26에 흑자 전환을 했다는 이야기가 나오고 있다.

https://economictimes.indiatimes.com/tech/artificial-intelligence/openai-held-1-billion-revenue-lead-over-anthropic-in-q1-the-information/articleshow/131254581.cms

OpenAI 역시 ChatGPT와 Codex의 기능 개선을 바탕으로 사용량과 활용 범위를 빠르게 넓히고 있다.

하지만 시장이 아직 충분히 반영하지 못하고 있는 영역이 하나 있다.

바로 ChatGPT의 이커머스 시장 진출 가능성이다.

시장은 아직 ChatGPT의 이커머스 잠재력을 낮게 보고 있다

현재 시장은 OpenAI를 볼 때 주로 두 가지에 집중한다.

첫째는 막대한 AI 인프라 비용에 따른 재무건전성 우려다.
둘째는 기능 측면에서 Anthropic 등 경쟁업체와의 기술 경쟁이다.

이 때문에 ChatGPT가 장기적으로 소비자의 쇼핑 의사결정 과정에 깊게 들어갈 가능성은 아직 크게 주목받지 못하고 있다.

그러나 최근 eBay의 변화를 보면 생각이 달라진다.

eBay는 AI를 활용해 오래된 이커머스 플랫폼의 불편함을 줄이고, 판매자와 구매자 모두의 사용성을 개선하고 있다.

이 사례는 ChatGPT가 앞으로 이커머스 시장에 진출했을 때 어떤 방식으로 영향력을 키울 수 있는지를 보여주는 선행 사례에 가깝다.

eBay의 부활에서 봐야 할 핵심

eBay는 한동안 성장성이 둔화된 오래된 이커머스 플랫폼으로 인식됐다.

하지만 최근 흐름은 달라지고 있다.

매출 규모, GMV, 이익률 모두 다시 개선되는 모습을 보이고 있다. 여러 영업전략이 맞물린 결과겠지만, 그중에서도 가장 주목할 부분은 AI 기능의 전면 도입이다.

eBay의 AI 활용은 어렵게 보면 “생성형 AI 커머스 플랫폼”이다.

쉽게 말하면, 중고거래와 리커머스에서 가장 귀찮은 과정을 AI가 대신 처리해주는 기술이다.

판매자는 상품을 더 쉽게 올릴 수 있다.
구매자는 원하는 물건을 더 쉽게 찾을 수 있다.
플랫폼은 거래액, 수수료, 광고 매출을 함께 키울 수 있다.

이 구조가 중요하다.

AI가 단순한 편의 기능을 넘어, 이커머스 플랫폼의 거래 효율 자체를 높이는 도구로 작동하고 있기 때문이다.

1. 판매자: 사진 한 장으로 상품 등록

과거 eBay에서 상품을 팔려면 판매자가 직접 많은 일을 해야 했다.

상품명을 정하고, 카테고리를 고르고, 상태를 설명하고, 세부 스펙을 입력하고, 적정 가격까지 고민해야 했다. 사진도 보기 좋게 찍고 편집해야 했다.

이 과정은 생각보다 번거롭다.

특히 중고거래나 리커머스에서는 전문 셀러보다 일반 판매자의 비중이 높다. 판매 등록 과정이 복잡하면 물건을 팔고 싶어도 중간에 포기하는 사람이 많아진다.

eBay의 Magical Listing 기능은 이 불편함을 줄여준다.

판매자가 상품 사진을 올리면 AI가 제품을 인식하고, 제목·카테고리·상품 설명·가격 가이드를 제안한다.

예를 들어 중고 운동화 사진을 올리면 AI가 브랜드, 상품군, 사용 상태, 적정 설명문을 자동으로 만들어주는 방식이다.

판매자는 처음부터 모든 내용을 작성할 필요가 없다. AI가 만든 초안을 보고 수정만 하면 된다.

이는 단순한 편의성 개선이 아니다.

판매 등록 시간이 줄어들면 더 많은 판매자가 더 많은 상품을 올릴 수 있다. eBay 입장에서는 플랫폼 안의 상품 공급이 늘어나는 효과가 생긴다.

2. 판매자: 사진 품질까지 AI가 개선

중고거래에서 사진 품질은 매우 중요하다.

사진이 어둡거나 배경이 지저분하면 구매자는 상품을 덜 신뢰한다. 반대로 사진이 깔끔하면 같은 상품이라도 더 전문적으로 보이고, 구매 전환율이 높아질 수 있다.

eBay는 AI를 활용해 배경 제거, 배경 생성, 상품 설명 생성 기능을 제공하고 있다.

집에서 대충 찍은 중고 상품 사진도 AI를 통해 더 깔끔한 쇼핑몰형 이미지로 바꿀 수 있다.

이 기능은 리커머스 플랫폼에서 특히 중요하다.

신상품 판매자는 제조사 이미지나 정돈된 상세 페이지를 활용할 수 있다. 반면 중고 판매자는 직접 사진을 찍고 설명을 써야 한다.

AI는 이 불편함을 줄인다.

전문 셀러가 아니어도 상품을 보기 좋게 등록할 수 있게 되고, 이는 결국 플랫폼 전체의 상품 품질과 거래 전환율 개선으로 이어진다.

3. 구매자: 키워드 검색에서 상황 검색으로

기존 이커머스 검색은 사용자가 정확한 단어를 입력해야 했다.

예를 들어 빈티지 가죽 재킷을 찾으려면 브랜드, 사이즈, 색상, 소재, 상태를 직접 검색하고 필터링해야 했다.

원하는 상품이 있어도 어떤 단어로 검색해야 할지 모르면 찾기 어렵다.

AI 쇼핑 에이전트는 이 구조를 바꾼다.

사용자가 “친구 생일 선물”, “봄 여행용 옷”, “내 취향에 맞는 중고 명품백”처럼 모호하게 요청해도 AI가 의도를 해석하고 상품을 추천해줄 수 있다.

이는 eBay 같은 플랫폼에서 특히 중요하다.

eBay의 재고는 표준화된 신상품보다 중고품, 희소품, 수집품, 부품 비중이 높다. 이런 상품은 정확한 검색어를 입력하기 어렵다.

AI가 사용자의 의도를 이해하고 재고를 찾아주면 구매자는 더 쉽게 상품을 발견한다.

결국 검색의 중심이 키워드 입력에서 의도 기반 추천으로 이동하게 된다.

4. 패션과 컬렉터블: AI가 큐레이터 역할을 한다

eBay는 패션 영역에서도 AI 기반 추천 기능을 강화하고 있다.

예를 들어 사용자의 쇼핑 이력과 취향을 바탕으로 신상품, 중고 의류, 럭셔리 아이템을 조합해 보여주는 방식이다.

구매자는 직접 수많은 상품을 뒤질 필요가 줄어든다.

AI가 사용자의 취향을 학습하고, 상황에 맞는 상품을 먼저 제안해준다.

컬렉터블 영역에서도 AI의 역할은 커진다.

카드나 수집품 거래에서는 단순히 상품을 찾는 것만으로 부족하다. 과거 거래 가격, 희소성, 등급, 상태, 수요 흐름을 함께 봐야 한다.

AI가 이런 정보를 정리해주면 구매자는 더 쉽게 판단할 수 있다.

이 지점에서 AI는 단순 검색 도구가 아니라 쇼핑 큐레이터이자 거래 판단 보조자가 된다.

5. 플랫폼 수익화: 거래가 늘면 수익화 면적도 넓어진다

AI가 판매자에게 더 좋은 리스팅을 만들게 하고, 구매자에게 더 맞는 상품을 보여주면 플랫폼에는 두 가지 효과가 생긴다.

첫째, GMV가 늘어날 수 있다.
둘째, 거래 전환율이 높아지면서 광고와 수수료 수익화 기회가 커진다.

여기서 중요한 점은 광고가 출발점이 아니라는 것이다.

핵심은 이커머스 거래 자체를 늘리는 것이다.

거래가 늘어나면 광고 매출도 따라붙는다. 판매자가 더 잘 팔기 위해 광고를 쓰고, 플랫폼은 더 정교한 추천과 노출 구조를 통해 수익화를 강화할 수 있다.

따라서 eBay의 AI는 단순히 광고 매출을 키우기 위한 도구가 아니다.

기존 마켓플레이스의 거래 마찰을 줄이고, 판매자 생산성, 구매 전환율, GMV, 광고 매출을 동시에 개선하는 운영 레버리지다.

eBay의 AI 전략은 ChatGPT 이커머스 진출의 예고편이다

eBay 사례가 중요한 이유는 ChatGPT의 미래와 연결되기 때문이다.

ChatGPT는 이미 강력한 B2C 접점을 확보하고 있다.

많은 사용자가 검색, 리서치, 문서 작성, 코딩, 업무 자동화 과정에서 ChatGPT를 사용하고 있다. 과거에는 검색엔진과 브라우저에서 시작하던 일이 이제는 ChatGPT에서 시작되는 경우가 늘고 있다.

이 변화가 이커머스에도 적용될 가능성이 높다.

소비자가 앞으로는 쇼핑할 때도 검색창에 직접 키워드를 입력하기보다, AI Agent에게 이렇게 물어볼 수 있다.

“이번 주말 여행에 필요한 옷을 추천해줘.”
“내 예산 안에서 가장 괜찮은 노트북을 골라줘.”
“부모님 선물로 적당한 건강기능식품을 비교해줘.”
“내 취향에 맞는 중고 명품 가방을 찾아줘.”

이 순간 ChatGPT는 단순한 답변 도구가 아니라 쇼핑 의사결정의 출발점이 된다.

검색엔진에서 쇼핑 에이전트로 이동하는 소비자 접점

지금까지 이커머스의 핵심 관문은 검색엔진, 가격비교 사이트, 오픈마켓, 앱이었다.

소비자는 검색엔진에서 정보를 찾고, 쇼핑몰에서 가격을 비교하고, 결제 플랫폼에서 구매를 완료했다.

하지만 AI Agent가 보편화되면 이 흐름은 바뀔 수 있다.

소비자는 상품 검색, 비교, 추천, 리뷰 요약, 가격 판단, 구매 결정까지 한 번에 AI에게 맡길 수 있다.

이 경우 기존 이커머스 업체들은 소비자와 직접 만나는 접점을 일부 잃을 수 있다.

반대로 ChatGPT 같은 LLM 플랫폼은 소비자의 의사결정 과정 앞단을 장악할 수 있다.

이것이 ChatGPT의 이커머스 진출이 중요한 이유다.

단순히 “쇼핑 기능이 추가된다”는 의미가 아니다.

소비자가 무엇을 사고, 어디서 사고, 어떤 브랜드를 선택할지를 결정하는 레이어가 이동할 수 있다는 의미다.

앞으로 기업들은 AI Agent에게 선택받기 위해 경쟁할 수 있다

AI Agent가 쇼핑의 중심이 되면 기업들의 경쟁 방식도 달라질 수 있다.

지금까지 기업들은 검색엔진 최적화, 플랫폼 광고, 리뷰 관리, 가격 경쟁, 배송 경쟁에 집중했다.

앞으로는 여기에 새로운 경쟁이 추가될 가능성이 있다.

바로 AI Agent에게 선택받기 위한 경쟁이다.

AI Agent는 단순히 광고비를 많이 쓰는 상품을 추천하지 않을 수 있다. 사용자의 취향, 예산, 과거 구매 이력, 리뷰 품질, 브랜드 신뢰도, 배송 조건, 반품 정책 등을 종합적으로 판단할 수 있다.

그렇다면 기업들은 AI가 잘 이해할 수 있는 상품 정보, 신뢰성 높은 리뷰, 투명한 가격, 명확한 재고 데이터, 빠른 배송 조건을 갖춰야 한다.

즉, 기존에는 검색엔진 최적화가 중요했다면 앞으로는 AI Agent 최적화가 중요해질 수 있다.

ChatGPT의 이커머스 진출은 기존 업체들에게 위협이 될 수 있다

ChatGPT가 이커머스 시장에 본격적으로 진출하면 기존 이커머스 업체들에게는 위협이 될 수 있다.

특히 소비자의 쇼핑 여정이 ChatGPT에서 시작되면, 기존 플랫폼들은 단순 판매 채널로 밀릴 가능성이 있다.

과거에는 소비자가 직접 쿠팡, 아마존, eBay, 네이버쇼핑, 구글 검색에 들어가 상품을 찾았다.

앞으로는 소비자가 ChatGPT에게 먼저 묻고, ChatGPT가 여러 플랫폼의 상품을 비교한 뒤 특정 상품과 판매처를 추천하는 흐름이 자연스러워질 수 있다.

이 경우 힘의 중심은 상품을 보유한 플랫폼에서 소비자의 의사결정을 중개하는 AI Agent로 이동한다.

이 변화는 광고, 결제, 마케팅, 유통 데이터, 브랜드 노출 구조까지 함께 바꿀 가능성이 있다.

AI Agent 커머스는 AI 인프라 수요를 더 키운다

ChatGPT의 이커머스 진출은 소프트웨어 시장 변화에만 그치지 않는다.

AI Agent가 쇼핑, 결제, 추천, 고객 응대, 가격 비교, 재고 확인, 개인화 마케팅까지 처리하려면 막대한 연산 자원이 필요하다.

사용자마다 다른 취향과 맥락을 이해하고, 실시간으로 상품을 비교하며, 수많은 판매자와 플랫폼 데이터를 연결해야 하기 때문이다.

이는 AI 데이터센터 수요를 더 키우는 요인이다.

결국 Agent AI 확산은 CPU, GPU, 메모리, 네트워킹, 전력기기, 냉각 시스템 등 AI 데이터센터 하드웨어 병목을 더 타이트하게 만들 수 있다.

즉, ChatGPT의 이커머스 진출은 단순히 소비자 인터넷 시장의 변화만 의미하지 않는다.

AI 소프트웨어, 이커머스, 광고, 결제, 데이터센터 인프라가 함께 연결되는 구조적 변화다.

결론: eBay는 ChatGPT 이커머스 모델의 초기 힌트다

eBay의 AI 활용은 단순한 기능 개선이 아니다.

판매자에게는 자동 상품등록 도우미가 되고, 구매자에게는 개인 쇼핑 큐레이터가 되며, 플랫폼에는 GMV와 수익화 효율을 높이는 운영 레버리지가 되고 있다.

이 구조는 ChatGPT가 장기적으로 이커머스 시장에 진출할 때 나타날 수 있는 모습과 닮아 있다.

ChatGPT가 소비자의 질문을 이해하고, 상품을 비교하고, 구매 결정을 도와주고, 결제까지 연결한다면 이커머스의 출발점은 기존 검색창과 쇼핑앱에서 AI Agent로 이동할 수 있다.

시장은 아직 OpenAI를 주로 AI 모델 기업, 생산성 도구 기업, 또는 막대한 인프라 비용을 부담하는 기업으로 보고 있다.

하지만 더 길게 보면 ChatGPT는 소비자의 구매 의사결정 레이어를 장악할 수 있는 이커머스 플랫폼으로 진화할 가능성이 있다.

eBay의 변화는 그 가능성을 먼저 보여주는 사례다.

AI가 판매자와 구매자 사이의 마찰을 줄이면 거래가 늘어난다. 거래가 늘어나면 플랫폼의 수익화 기회도 커진다. 이 흐름이 ChatGPT의 압도적인 B2C 접점과 결합될 경우, 이커머스 시장의 중심축은 예상보다 빠르게 이동할 수 있다.

#글을 마치며

이 변화는 블로그에도 예외가 아닐지도 모르겠다.

앞으로 영향력 있는 블로그를 키우려는 사람이라면, 단순히 검색엔진에 노출되는 방식만 고민해서는 부족해질 수 있다.

유튜브 크리에이터들이 알고리즘의 선택을 받기 위해 콘텐츠 구조와 시청자 반응을 연구해왔듯이, 블로그 역시 AI Agent가 어떤 글을 신뢰하고, 어떤 콘텐츠를 사용자에게 추천할지 고민해야 하는 시기로 들어설 수도 있지 않나 싶다.

결국 앞으로의 콘텐츠 경쟁은 사람에게 읽히는 글을 쓰는 것을 넘어, AI Agent에게도 선택받을 수 있도록 신뢰도와 맥락을 갖춘 글을 만드는 것이 중요해지는 시기가 올지도 모르겠다.

=끝

생각정리 266 (* SST Endgame)

전력기기와 전력반도체 시장에서 SST, Solid State Transformer가 새로운 수요처로 부상하고 있다. 아직은 생소한 개념이지만, AI 데이터센터의 전력밀도가 높아지고 800V DC 아키텍처 전환이 논의되면서 SST는 기존 변압기·UPS·정류기 중심의 전력 인프라를 재편할 수 있는 핵심 장비로 주목받기 시작했다.

투자 관점에서 이런 변화는 초기에 다소 불확실해 보인다. 그러나 구조적 변화는 대개 익숙해진 뒤에야 가격에 반영되기 시작한다. 미리 공부해두지 않으면 실제 기회가 왔을 때 확신을 갖기 어렵고, 확신이 생겼을 때는 이미 진입 난도가 높아져 있을 가능성이 크다.

그래서 이번 글에서는 이전 글에 이어 NVIDIA의 800V DC 전환이 전력기기와 전력반도체 시장에 어떤 중장기 변화를 만들 수 있는지 정리해보고자 한다.

특히 SST가 왜 중요한 장비로 부상하고 있는지, 기존 전력기기 대비 어떤 강점이 있는지, 그리고 이 변화가 제품군과 기업군별 수혜 구조로 어떻게 이어질 수 있는지를 리서치 기록 차원에서 남겨본다.

NVIDIA 800VDC 전환이 만드는 전력기기·전력반도체 시장의 구조적 변화

들어가며

AI 데이터센터의 전력 구조가 바뀌고 있다. 변화의 출발점은 NVIDIA의 800VDC 아키텍처다. 기존 데이터센터는 전력망에서 들어온 AC 전력을 여러 단계의 변압기, UPS, 배전반, PSU를 거쳐 서버에 공급했다. 이 구조는 수십 kW급 랙에서는 충분했지만, 수백 kW에서 1MW급으로 올라가는 AI 랙에서는 전류, 구리, 발열, 변환 손실이 병목으로 커지고 있다.

NVIDIA는 800VDC 아키텍처가 에너지 손실, 구리 사용량, 변환 단계를 줄이고 고밀도 AI 데이터센터를 가능하게 하는 전력 구조라고 설명한다. 또한 기존 54V 랙 전력 구조가 1MW급 랙으로 확장되기 어렵기 때문에, 2027년부터 1MW IT 랙 이상을 지원하기 위한 800VDC 전환을 추진한다고 밝혔다. (NVIDIA)

이 글의 핵심은 세 가지다.
첫째, 800VDC 전환은 전압 변경이 아니라 데이터센터 전력망의 구조 변화다.
둘째, SST와 전력반도체는 이 구조 변화의 중심 부품이다.
셋째, 수혜 기업은 공간별·시기별로 다르게 나타난다.

1. 왜 800VDC인가

전압을 높이면 전류가 줄고, 전류가 줄면 손실이 줄어든다

전력은 전압 × 전류다. 같은 전력을 보내려면 전압이 높을수록 전류는 낮아진다. 전력 손실은 대체로 전류² × 저항에 비례한다. 그래서 전류를 줄이면 구리 배선, 버스바, 커넥터, 차단기에서 생기는 발열과 손실이 급격히 줄어든다.

이 논리가 800VDC 전환의 출발점이다.

SemiAnalysis는 600kW급 랙을 예로 들었다. 54V에서는 약 11,111A의 전류가 필요하지만, 800V에서는 750A로 낮아진다. 전류가 약 14.8배 줄어들고, 동일 저항 조건에서는 저항 발열이 약 219배 낮아지는 구조다. 실제 현장에서는 구리 단면적을 줄이기 때문에 이론상 손실 감소분을 모두 가져가지는 않지만, 구리 사용량, 배선 공간, 발열 부담을 동시에 줄이는 효과가 발생한다. (SemiAnalysis)

이 물리적 효과 때문에 800VDC는 단순한 효율 개선 옵션을 넘어선다. 랙당 전력밀도가 400kW, 600kW, 1MW로 높아지는 구간에서는 저전압 대전류 구조 자체가 병목이 된다.

기존 AC·48V 구조는 변환 단계가 많다

현재 데이터센터 전력 흐름은 대체로 다음과 같다.

Grid AC → 변압기 → UPS → AC 배전 → PSU → 48/54V DC → GPU 보드 전압

이 과정에는 AC/DC, DC/AC, DC/DC 변환이 반복된다. 각 단계는 효율 손실과 발열을 만들고, 장비 수가 늘어날수록 고장 지점도 늘어난다.

NVIDIA는 13.8kV AC 계통 전력을 데이터센터 외부 또는 시설단에서 800V 고전압 DC로 직접 변환하면 중간 단계의 상당 부분을 줄일 수 있다고 설명한다. 또한 팬이 달린 PSU 수를 줄이고, 전력 흐름을 단순화해 신뢰성과 효율을 높일 수 있다고 제시한다. (NVIDIA Developer)

2. SST와 전력반도체가 구조적으로 성장하는 이유

SST는 변압기와 정류기를 통합하는 장비다

SST는 Solid State Transformer, 즉 반도체 변압기다. 기존 변압기는 철심과 구리를 이용해 AC 전압을 바꾸는 수동 장치다. 반면 SST는 전력반도체 스위칭을 이용해 변압, 정류, 절연, 전압 제어, 양방향 전력 흐름을 수행한다.

SemiAnalysis는 데이터센터용 SST를 3단 구조로 설명한다. 입력단은 13.8~45kV 중전압 AC를 DC로 바꾸고, 절연단은 고주파 변압기로 전압을 낮추며, 출력단은 최종 800VDC를 만든다. 이때 중전압 입력단에는 3.3kV 이상급 SiC MOSFET이 필요하다. (SemiAnalysis)

Jian Xu 등은 2026년 arXiv 논문에서 SST 기반 800VDC 데이터센터 구조를 시뮬레이션했다. 이 논문은 10kV MVAC를 800V LVDC 버스로 변환하는 구조를 제시했고, 3상 H-bridge AC/DC 정류단과 DAB DC/DC 변환단을 사용했다. 저자들은 RTDS 시뮬레이션을 통해 실제 데이터센터의 일간·월간 부하 프로파일에서 SST 기반 구조가 기존 UPS 대비 더 낮은 입력 에너지와 안정적인 800VDC 전압 제어를 보였다고 보고했다. (arXiv)

arXiv

SST vs UPS 손실률 차이 설명
arXiv

UPS는 특정 저주파 피크가 있는반면, SST는 0.1~수Hz 구간 spectrum이 낮고 평탄함.
이는 SST 계통이 공진을 덜 자극해 grid-friendliness함을 의미
arXiv

기존 전력기기 대비 SST의 강점

SST의 강점은 네 가지다.

SemiAnalysis도 SST가 중전압 변압기와 정류기를 하나의 전력전자 장비로 통합하면서 전력 체인의 변환 단계를 줄이고, 고주파 스위칭으로 기존 저주파 변압기 대비 코어 크기를 크게 줄일 수 있다고 설명한다. 또한 SST는 고정 비율로 전압을 바꾸는 장비에 머물지 않고, 부하에 맞춰 출력을 능동적으로 조절할 수 있다. (SemiAnalysis)

시뮬레이션 결과가 보여주는 경제성

Jian Xu 등의 800VDC SST 논문은 SST 기반 구조와 기존 UPS 구조를 동일한 데이터센터 부하 조건에서 비교했다. 30일 AI 부하 시뮬레이션에서 SST 기반 구조의 월간 평균 손실률은 1.924%, UPS 기반 구조는 9.553%였다. 논문은 SST가 같은 부하를 공급하면서 UPS보다 약 8.5% 적은 에너지를 그리드에서 끌어온다고 분석했다.

arXiv

월간 총 전력소비 비교 막대그래프
AI 부하에서 SST가 UPS 대비 26.36MWh 절감, 약 9.0% 절감
arXiv

또한 동일 논문은 하루 AI 부하 조건에서 800VDC 버스 전압이 정격 ±2% 범위 안에 100% 머물렀고, 30일 시뮬레이션에서도 전압 평균과 리플 지표가 장기적으로 악화되지 않았다고 보고했다. 이는 SST 기반 DC 전력 구조가 AI 부하의 빠른 변동을 제어하는 데 유리하다는 근거다.

arXiv
월간 800VDC 전압 평균이 0.80042kV로 유지됨
30일로 늘려도 장기 drift가 없었으며, ±2% 범위 100% 유지

3. 800VDC 시장은 네 단계로 전환된다

SemiAnalysis는 800VDC 전환을 네 단계로 나눈다. 수치 전망은 SemiAnalysis의 모델 기반 추정치이므로 업계 확정 전망이라기보다 시나리오형 시장 전망으로 해석하는 편이 적절하다.

SemiAnalysis

Phase 1: 2026~2027년, 화이트스페이스 Retrofit

초기에는 기존 데이터센터의 그레이스페이스, 즉 전기실 구조를 크게 바꾸지 않는다. 기존 변압기, UPS, AC 배전반은 유지하고, 서버랙 근처에 HVDC Power Rack, 즉 Sidecar를 붙인다.

SemiAnalysis는 이 단계에서 AC 전력이 overhead busway를 통해 Power Rack으로 들어가고, Power Rack이 800VDC를 만들어 인접 IT 랙으로 보내는 구조를 설명한다. Power Rack 내부에는 AC/DC 정류기, BBU, 선택적으로 capacitor shelf가 들어간다. (SemiAnalysis)

초기 최대 수혜 제품은 다음과 같다.

SemiAnalysis는 Sidecar Power Rack의 ASP를 약 40만~50만 달러, deployed MW 기준 약 50만 달러/MW로 추정한다. 또한 Sidecar TAM은 2028년 약 110억 달러에서 정점을 찍은 뒤, facility-level 800VDC가 확산되면서 감소한다고 본다. (SemiAnalysis)

Phase 2: 2027~2028년, 800VDC-native Compute

Phase 2부터는 800VDC를 직접 받는 서버와 블레이드가 등장한다. 이 구간에서 800VDC는 선택적 실험에서 고밀도 AI 랙의 필수 아키텍처로 이동한다.

SemiAnalysis는 Phase 2에서 800VDC 버스가 compute blade까지 들어가고, on-blade power module이 최종 step-down을 담당한다고 설명한다. 여전히 약 50V 버스까지 낮추는 DC/DC 변환은 필요하지만, 변환 위치가 랙 외부에서 서버 내부로 더 가까워진다. (SemiAnalysis)

STMicroelectronics는 NVIDIA 800VDC reference design에 맞춰 800VDC-to-50V 솔루션에 이어 800VDC-to-12V, 800VDC-to-6V 아키텍처를 추가했다. 이 발표는 800VDC 전환이 그레이스페이스 장비만의 변화가 아니라 서버 내부 전력반도체 시장 확대로 연결된다는 점을 보여준다. (ST News)

Phase 3: 2028~2029년, 그레이스페이스 DC화

세 번째 단계에서는 변환 위치가 랙 옆에서 시설단으로 올라간다. 그레이스페이스 또는 외부에 대형 rectifier를 설치해 415V/480V AC를 800VDC로 바꾸고, 데이터홀 전체에 DC를 배전한다.

SemiAnalysis는 Phase 3에서 AC switchgear와 AC floor PDU의 역할이 줄고, DC busway, DC 보호장치, rectifier-integrated distribution이 중요해진다고 설명한다. DC는 AC처럼 전류가 자연스럽게 0을 통과하지 않기 때문에, 부하 상태에서 차단할 때 아크를 끄기 어렵다. 이 때문에 SSCB, 즉 Solid State Circuit Breaker가 핵심 보호장치가 된다. (SemiAnalysis)

이 구간에서 성장하는 제품은 다음과 같다.

SemiAnalysis는 Phase 3에서 Power Rack이 Battery Rack으로 바뀌며, Battery Rack에는 DC/DC distribution unit, BBU shelf, 선택적 supercapacitor가 남는다고 설명한다. Battery Rack content는 약 20만 달러/MW 수준으로 제시했다. (SemiAnalysis)

Phase 4: 2029년 이후, SST Endgame

SemiAnalysis

마지막 단계가 SST다. SST는 기존 저압 변압기와 AC/DC rectifier를 하나의 장비로 통합해 중전압 AC를 바로 800VDC로 변환한다.

SemiAnalysis는 SST를 800VDC 전환의 end-state로 설명한다. Phase 4에서 SST는 저압 변압기와 저압 AC/DC 정류기를 대체하고, 중전압에서 800VDC로 직접 변환한다. SST 시장은 2030년 약 130억 달러 TAM에 도달할 수 있으며, SST content는 약 125만 달러/MW로 추정된다. 다만 일부 기회는 MV rectifier와 경쟁할 수 있다. (SemiAnalysis)

상용화 속도에는 리스크도 있다. SemiAnalysis는 대규모 SST 채택이 2029년 이후 본격화될 가능성이 높고, 2026년 5월 기준 데이터센터용 SST 배치를 위한 UL 인증을 완료한 벤더는 없다고 설명한다. (SemiAnalysis)

4. 데이터센터 공간별 제품 매핑

800VDC 전환을 이해하려면 데이터센터를 네 공간으로 나눠 보는 것이 좋다.

1) Grid / 수전·변전 구간

데이터센터 바깥 또는 캠퍼스 수전단이다. 800VDC로 바뀌어도 사라지지 않는다. 오히려 AI 데이터센터가 수백 MW에서 GW급으로 커지면서 가장 먼저 병목이 생기는 구간이다.

수혜 기업군: HD현대일렉트릭, 효성중공업, 일진전기, LS ELECTRIC, 대한전선, 가온전선, GE Vernova, ABB, Eaton, Quanta Services.

HD현대일렉트릭은 AI와 데이터센터 전력 수요 증가에 대응해 2026년까지 국내외 전력기기 생산설비에 3,968억 원을 투자한다고 보도됐다. 일진전기도 캐나다 데이터센터에 245kV 초고압 변압기 21대를 공급하는 1,200억 원 규모 계약을 확보했다. (Korea Joongang Daily)

2) Grey Space: 전기실·기계실·시설단

그레이스페이스는 가장 큰 구조 변화가 일어나는 곳이다. 기존에는 저압 변압기, UPS, AC switchgear, AC PDU가 중심이었다. 800VDC 확산 이후에는 rectifier, DC switchgear, Battery Rack, SST, SSCB가 중요해진다.

Eaton은 NVIDIA 800VDC 전환에 맞춘 reference architecture를 공개했다. 이 설계는 AI 데이터센터의 고밀도 컴퓨팅 수요를 보호하고 지원하기 위한 800VDC 전력 인프라 아키텍처다. (Eaton)

3) White Space: 데이터홀·랙 주변

화이트스페이스는 초기 800VDC 전환의 중심이다. 기존 전기실을 완전히 바꾸기보다, 서버랙 근처에 Power Rack을 붙여 800VDC를 공급하는 방식이 먼저 확산된다.

수혜 기업군: Vertiv, Eaton, Schneider Electric, Delta, Flex, Advanced Energy, STMicroelectronics, TI, MPS, Vicor, onsemi, Infineon.

4) Rack Internal: 서버 내부·GPU 보드

랙 내부는 전력반도체 밀도가 가장 높은 구간이다. 800VDC가 들어와도 GPU는 수V 이하의 낮은 전압을 요구한다. 따라서 800V를 50V, 12V, 6V, 최종 GPU core 전압으로 낮추는 다단 DC/DC 변환이 필요하다.

Infineon은 800VDC 랙에서 서버 보드를 교체할 때 다른 서버가 계속 운용될 수 있도록 하는 CoolSiC JFET 기반 hot-swap 솔루션을 제시했다. 이는 800VDC 전환에서 보호·서비스성·안전이 전력반도체 수요로 이어진다는 점을 보여준다. (인피니언)

5. 제품군별 성장성 전망

핵심은 총 전기 인프라 비용이 사라지는 것이 아니라 투입되는 품목이 바뀌는 구조라는 점이다. SemiAnalysis는 전기 시스템 content per MW가 대체로 360만~480만 달러 범위에 머무르지만, 그 안에서 그레이스페이스와 화이트스페이스 간 비용 배분이 바뀌고, Phase 4에서는 SST가 저압 변압기와 rectifier를 대체한다고 설명한다. (SemiAnalysis)

6. 미국 상장사 수혜 구도

전력반도체 플랫폼

onsemi는 NVIDIA와의 협력에서 SST, PSU, 800VDC distribution, core power delivery까지 언급했다. 이는 단일 제품 수혜보다 800VDC 전력 경로 전반을 커버하는 플랫폼형 수혜에 가깝다. (onsemi)

TI도 NVIDIA와 함께 차세대 AI 데이터센터용 800VDC 전력 아키텍처를 공개했으며, 800V에서 GPU core 전압까지 두 단계로 낮추는 구조를 제시했다. 이는 서버 내부 전력변환에서 고효율·고밀도 power IC의 중요성이 커진다는 신호다. (TI)

SiC / GaN 고베타

Wolfspeed는 SiC 기반 SST가 중전압 그리드 전력을 800VDC로 직접 변환하는 데 핵심이라고 설명한다. 또한 Wolfspeed의 10kV SiC MOSFET은 중전압 UPS, 풍력, SST 애플리케이션을 겨냥한 제품으로 소개됐다. (Wolfspeed)

다만 Wolfspeed는 SST 완제품 업체가 아니라 SiC 소재·디바이스 공급자다. 따라서 SemiAnalysis가 제시한 SST 장비 TAM 전체가 Wolfspeed 매출로 연결되는 구조는 아니다. 투자 관점에서는 SST/SiC 순수 베타는 크지만, 시스템 업체 대비 실적 인식 경로가 간접적이라는 점을 구분해야 한다.

전력기기·데이터센터 시스템

7. 한국 상장사 수혜 구도

SST / DC 전환 옵션 보유

LS ELECTRIC은 자사 SST를 기반으로 ESS를 포함한 DC Grid와 대용량 전기차 충전 인프라를 구축하려는 계획을 공개했다. 해당 자료는 LS ELECTRIC의 SST가 전력반도체를 적용해 변압뿐 아니라 DC-AC 변환도 가능한 장비라고 설명한다. (LS Holdings)

효성중공업은 AI 데이터센터 전력망 솔루션 시장을 겨냥해 22.9kV SST를 공개했고, SST가 변압 기능과 AC-DC 정류 기능을 단일 시스템에서 통합 처리하는 차세대 장비라고 설명했다. (전기신문)

초고압 전력망·변압기 슈퍼사이클

이 그룹은 데이터센터 내부의 800VDC 전환보다 AI 데이터센터 외부 전력망 병목에 더 직접적이다. 데이터센터 내부가 DC로 바뀌어도 외부에서 GW급 전력을 끌어오는 초고압 변압기, GIS, 케이블, 변전소는 필요하다.

배전·패드 변압기와 케이블

산일전기와 제룡전기는 단기적으로 데이터센터 주변 배전망과 패드 변압기 수요에 민감하다. 다만 Phase 4에서 SST가 일부 step-down transformer 기능을 흡수할 경우, 장기적으로는 DC 배전·고전압 특수 변압기·SST 관련 부품으로의 확장이 중요해진다. 이 관점은 사용자가 정리한 한국 상장사 분류에서도 동일하게 나타난다.

8. 시기별 기업 수혜 강도

2026~2027년: White Space Retrofit

이 구간에서는 SST보다 Sidecar와 전력반도체가 먼저 커진다. 한국 전력기기 업체도 AI 데이터센터 증설 자체의 수혜를 받는다.

2027~2028년: 800VDC-native Compute

이 시기의 핵심은 서버와 가까운 전력변환이다. 800VDC가 랙 안으로 들어오면서 전력반도체 content per rack이 증가한다.

2028~2029년: Facility-level DC

이 시기부터 기존 AC PDU와 일부 저압 AC 배전반의 성장성은 둔화될 수 있다. 반대로 DC 보호장치, Battery Rack, 대형 Rectifier의 부가가치는 높아진다.

2029년 이후: SST Endgame

장기 승부는 제품 믹스 전환에서 갈린다. 변압기만 공급하는 기업보다 SST, HVDC, DC 배전, ESS/PCS, 보호장치, 전력제어 소프트웨어를 함께 제공하는 기업의 전략적 가치가 높아진다.

9. 투자 프레임 정리

미국 상장사

한국 상장사

10. 결론

NVIDIA의 800VDC 전환은 AI 데이터센터의 전력 구조를 바꾸는 사건이다. 기존에는 전력망에서 서버까지 전기를 보내는 과정에서 변압기, UPS, AC 배전, PSU가 각각 역할을 나눴다. 앞으로는 이 경로가 짧아지고, DC 중심으로 바뀌며, 전력반도체가 전력 흐름을 직접 제어하는 구조가 된다.

가장 먼저 커지는 시장은 화이트스페이스의 HVDC Power Rack과 서버 내부 DC/DC다. 이후 그레이스페이스의 대형 Rectifier, DC 배전, Battery Rack, SSCB가 성장한다. 마지막 단계에서는 SST가 MV AC를 800VDC로 직접 변환하는 핵심 장비로 부상한다.

따라서 이번 사이클의 본질은 단순한 전력기기 슈퍼사이클을 넘어선다. 전력기기 물량 증가와 제품 믹스 전환이 동시에 진행되는 구조다.

미국에서는 Vertiv, Eaton, onsemi, Infineon, ST, MPS, TI, Vicor가 800VDC 전환의 전면에 있다. Wolfspeed는 SST/SiC 고베타 후보지만, 재무와 가동률 리스크까지 함께 봐야 한다. 한국에서는 HD현대일렉트릭, 효성중공업, 일진전기가 외부 전력망과 초고압 변압기 수혜를 받고, LS ELECTRIC과 효성중공업은 장기적으로 SST·DC 전환 옵션을 가진 기업군이다.

한 문장으로 압축하면, 800VDC 시대의 최종 승자는 변압기만 파는 회사보다 전력반도체, DC 보호, 전력변환, 배전 시스템, 제어 소프트웨어를 하나로 묶을 수 있는 기업이다.

=끝