 |
| 2026.10.27 Anthropic |
 |
| 2026.10.27 Anthropic |
어젯밤 Anthropic의 S-1 숫자들을 보면서 가장 먼저 든 생각은,
AI 버블 논쟁의 초점이 조금 잘못 맞춰져 있다는 것이었다.
지금 확인해야 할 것은 AI 수요가 존재하는지가 아니다.
(*아직도 전방 수요는 사실상 무한하다는것에 대한 이견이 있다는것 자체가 놀랍다..)
이미 확인되는 수요를 누가 매출로 전환하고 있으며,
그 과정에서 발생하는 막대한 자본이 최종적으로 어디로 흘러가는지를 봐야 한다.
AI의 수요처는 이제 다음 순서로 넓어지고 있다.
모델 훈련 → 개발자 도구 → 기업용 에이전트 → Physical AI
처음에는 모델을 훈련하기 위한 GPU 클러스터가 수요의 중심이었다.
이후 AI가 코딩과 검색, API 워크플로에 들어가면서 개발자가 컴퓨트를 소비하기 시작했다.
지금은 기업의 백오피스 업무를 대신하는 에이전트로 넘어가고 있으며,
다음 단계는 실제 물리 세계에서 작동하는 로봇이다.
중요한 것은 단계가 이동할 때마다 이전 수요가 사라지는 것이 아니라, 새로운 수요층이 그 위에 추가된다는 점이다.
Anthropic의 S-1이 보여준 가장 중요한 숫자
Anthropic의 S-1에서 가장 인상적이었던 지표는 컴퓨트 1달러당 수익이었다.
- 2025년 1분기: 0.40달러
- 2025년 2분기: 0.57달러
- 2025년 3분기: 0.68달러
- 2025년 4분기: 0.69달러
- 2026년 1분기: 1.40달러
- 2026년 2분기: 2.08달러
불과 다섯 분기 만에 5.2배가 되었다.
 |
| https://x.com/wallstengine/status/2114721711002358269?s=20 |
이 숫자가 중요한 이유는 AI 기업의 매출이 단순히 더 많은 GPU를 확보한 결과로만 증가한 것이 아니기 때문이다.
같은 컴퓨트를 투입하고도 벌어들이는 수익이 빠르게 늘고 있다.
모델 성능 개선, 추론 효율화, 캐시 활용, 고객 믹스 변화와 사용률 상승이 동시에 일어나고 있다는 뜻이다.
Anthropic은 2026년 상반기 약 162.9억 달러의 매출을 기록했고, 2분기에는 GAAP 기준으로 약 9.7억 달러의 영업이익을 기록했다.
아직 연간 기준으로 완전히 안정된 수익 구조가 입증된 것은 아니지만, 최소한 “컴퓨트를 늘릴수록 손실도 같은 속도로 늘어나는 사업”이라는 설명은 더 이상 맞지 않는다.
토큰 가격이 내려가도 매출은 증가할 수 있다
시장은 그동안 토큰 가격 경쟁을 가장 큰 위험으로 봤다.
실제로 모델 경쟁이 심해지면서 Anthropic의 평균 토큰 가격은 하락했다. 그러나 OpenRouter에서 관측된 Anthropic의 일평균 토큰 사용량은 8월 약 0.73조 개에서 최근 피크 기준 약 2.8조 개까지 증가했다.
가격은 내려갔지만 사용량 증가가 이를 크게 넘어선 것이다.
토큰 가격 하락 → 적용 가능한 업무 증가 → 에이전트 증가 → 토큰 사용량 증가
Gavin Baker가 Anthropic의 연말 ARR 1,000억 달러 이상 가능성을 언급한 배경도 여기에 있다. Anthropic이 S-1에 10월 말 ARR 항목을 별도로 마련했다는 점과 Opus 5.5 이후 관찰된 사용량 증가를 연결한 추론이다.
물론 OpenRouter는 Anthropic 전체 매출을 보여주는 자료가 아니며, ARR 1,000억 달러는 회사가 공식적으로 발표한 숫자가 아니다.
 |
| 가속 성장하는 Anthropic 분기매출 추이 |
그러나 토큰 가격 하락이 반드시 매출 감소로 이어지는 것은 아니라는 방향성은 분명하다. 가격이 낮아지면서 이전에는 경제성이 없었던 업무까지 AI에 넘길 수 있게 되면 사용량이 가격 하락보다 더 빠르게 증가할 수 있다.
소프트웨어의 단위 가격 하락이 인터넷 사용량을 폭발시켰던 것처럼, AI에서도 추론 가격 하락이 전체 컴퓨트 수요를 오히려 확대하는 현상이 나타나고 있다.
아직 컴퓨트의 대부분은 훈련에 사용되고 있다
Anthropic은 전체 컴퓨팅 용량의 약 **73%**를 모델 훈련에 사용하고 있다.
외부 고객에게 매출을 발생시키는 추론용 컴퓨트는 전체의 약 27%에 불과하다. 그런데 이 제한된 추론 용량만으로도 상반기 162억 달러 이상의 매출과 2분기 영업이익을 만들어냈다.
이는 두 가지 가능성을 보여준다.
첫째, 향후 모델의 훈련 주기가 안정되거나 컴퓨트 공급이 확대되면서 추론에 배정되는 비중이 높아질 경우 매출 공급 여력이 커질 수 있다.
둘째, 현재의 대규모 훈련비는 단순한 비용이 아니라 다음 세대 모델을 위한 선행 투자다. 그 결과 모델의 작업 성공률이 올라가면 더 많은 업무가 AI로 전환되고, 다시 추론 수요가 증가한다.
Anthropic의 추론 부문 매출총이익률은 약 **85%**로 추정된다. 문제는 추론 자체의 수익성이 아니라, 차세대 모델 훈련과 선제적인 컴퓨트 확보를 위해 얼마나 많은 비용을 계속 투입해야 하는가에 가깝다. kepler.ai
 |
| 불과 1년만에 GPM이 73%pp 개선 |
 |
| 문제는 여전히 매출의 절반이 computing and infrastructure 비용으로 나감. (*헤게모니가 앞으로 cloud, chip으로 ai h/w쪽으로 이동) |
 |
| 매출증가 속도(*14.7x)보단 낮지만 여전히 컴퓨팅 지출비용도 기하급수적(*4.0x)으로 늘어나고 있음. |
 |
| R&D exp = 컴퓨팅 자원 & 인력, 주식보상비 |
 |
| R&D = 컴퓨팅 자원 & 인력, 주식보상비 |
 |
| https://x.com/ParadisLabs/status/2114808039970611441 |
이미 VC 실험 단계를 넘어선 세 회사
“상위 10%의 적자 AI 스타트업이 전체 토큰의 상당 부분을 소비한다”는 우려가 있다.
 |
| Nomura |
그러나 현재 Anthropic과 OpenAI, Figure의 수치만 보면 이 세 회사는 이미 통상적인 VC 스타트업의 실험 규모를 아득히 넘어섰다.
Anthropic은 연환산 수백억 달러의 매출과 분기 영업이익, 약 1,317억 달러의 현금 및 단기투자자산을 보유하고 있다. 연간 계약가치 기준 10만 달러 이상 고객은 11,900곳 이상, 100만 달러 이상은 1,900곳 이상, 1,000만 달러 이상은 약 250곳이다. kepler.ai
 |
| 이는 어느 빅테크와 견줘봐도 상당한 자금여력 |
여기서 끝이 아니다.
 |
| 이후 IPO 자금 그리고 영업현금흐름, 추가 채권발행등으로 $400bn까지 확보할 계획 |
 |
OpenAI의 제품은 현재 주간 이용자 10억 명 이상, 기업 고객 250만 곳 이상에 도달했다. 이 정도면 특정 벤처기업들의 보조금성 수요만으로 설명할 수 있는 규모가 아니다. OpenAI
Figure 역시 보유 현금이 20억 달러 이상이며, 초기 35억 달러 규모의 컴퓨트 계약을 향후 60억 달러 이상으로 확대할 계획이다. 최대 10만 개의 차세대 GPU를 사용할 수 있는 장기 인프라까지 준비하고 있다. www.humanoidsdaily.com
세 회사의 사업성이 모두 증명됐다는 의미는 아니다.
다만 이들이 소수 VC 자금에 의존해 토큰을 시험적으로 태우는 단계에 머물러 있다는 해석은 현재의 고객 수, 매출, 현금과 인프라 계약 규모를 설명하지 못한다.
에이전트는 토큰 수요를 노동시간 수요로 바꾼다
OpenAI의 Ari Weinstein은 최근 컴퓨터 사용 에이전트의 작업 속도가 평균적인 인간보다 빨라졌으며, 곧 인간을 넘어설 수 있다고 언급했다.
 |
| OpenAI’s Push to Build Agents That Work Faster Than You |
현재 컴퓨터 에이전트의 시간당 비용은 대략 6∼8달러로 추정된다. 해외 아웃소싱 백오피스 인력은 약 10달러, 미국 내 백오피스 인력은 30∼45달러 수준이다. a16z.com
아직 모든 업무에서 인간보다 정확하다는 의미는 아니다. 복잡한 예외 처리와 책임 소재, 보안, 감독 비용까지 포함하면 단순 시간당 가격 비교만으로 결론을 내리기 어렵다.
그러나 에이전트의 작업 성공률이 올라가면 경제성은 비선형적으로 개선된다.
성공률이 낮을 때는 사람이 결과를 거의 전부 검수해야 한다. 성공률이 일정 수준을 넘어가면 한 명의 관리자가 여러 에이전트를 동시에 감독할 수 있다. 여기서부터 에이전트는 단순한 소프트웨어 도구가 아니라 노동시간을 대체하거나 증폭하는 수단이 된다.
그렇게 되면 기업의 AI 사용량은 직원이 직접 프롬프트를 입력하는 횟수가 아니라, 에이전트가 실제로 일을 수행하는 시간에 따라 결정된다.
사용자 수 중심의 수요 → 에이전트 수 중심의 수요 → 에이전트 작업시간 중심의 수요
24시간 작동하는 에이전트는 사람이 퇴근한 뒤에도 계속 토큰을 소비한다. 가격이 낮아질수록 더 많은 업무가 에이전트에게 넘어가고, 작업 성공률이 높아질수록 동시에 운용되는 에이전트의 수가 증가한다.
 |
| AI 확산으로 인해 가속화되는 OPEX -> CAPEX로의 비용 전환 |
 |
| 22만명 정규직중 6만명 1/4 이상을 한방에 해고통보해버리는 Microsoft |
이래도 일자리 문제가 없다고..?
말도 안되는소리..
DeepSeek가 보여준 GPU의 시간당 수익
DeepSeek가 공개한 추론 자료에서는 토큰 처리량을 당시 API 가격으로 환산할 경우 GPU 한 장당 시간당 매출 잠재력이 약 38달러로 계산됐다.
이 수치는 실제 순이익이 아니다.
GPU 가동률, 할인, 네트워크와 전력비, 서버 감가상각, 피크와 비피크 시간대의 차이를 고려해야 한다. DeepSeek 역시 이 숫자를 실현 매출이 아니라 이론적인 추론 수익으로 제시했다. github.com
그럼에도 의미는 있다.
수요가 충분하고 GPU를 높은 가동률로 운용할 수 있다면, 최신 GPU의 경제적 생산성이 기존 범용 서버보다 훨씬 높아질 수 있다는 것이다.
최근 GPU 렌털 가격이 빠르게 오르는 이유도 여기에 있다. GPU 가격이 비싸서가 아니라, 잘 활용된 GPU가 만들어낼 수 있는 시간당 경제적 가치가 더 빠르게 상승하고 있기 때문이다.
 |
| https://semianalysis.com/gpu-pricing-index/ |
Figure가 보여주는 Physical AI의 데이터 플라이휠
Figure 인터뷰 영상을 보면서 가장 중요하게 느낀 부분은 휴머노이드 로봇의 수요가 단순히 로봇 판매 대수로 끝나지 않는다는 점이었다.
Figure가 구축하려는 구조는 네 단계로 볼 수 있다.
첫 번째는 인간 행동 데이터의 수집이다.
두 번째는 대규모 사전학습을 통해 로봇이 새로운 환경과 물체를 이해하도록 만드는 것이다.
세 번째는 실제 가정과 산업 현장에 로봇을 배치하는 것이다.
네 번째는 배치된 로봇이 다시 현실 세계의 데이터를 만들어내는 것이다.
인간 행동 데이터 증가 → 로봇 성능 개선 → 로봇 배치 증가 → 현실 데이터 증가
Figure의 Helix 2.5는 Figure Index의 인간 영상 데이터를 사전학습에 포함했을 때, 보지 못했던 가정환경에서의 작업 성공률이 9%에서 56%로 상승했다. 약 6.2배의 개선이다. www.figure.ai
Figure Index에는 이미 3,750만 건 이상의 영상이 올라왔고, 앱 다운로드는 126만 건, 참여 국가는 112개국에 달한다. 특정 시점의 주간 데이터 기여자는 약 21만 명, 주간 데이터 확보비용은 약 810만 달러였다. www.humanoidsdaily.com
 |
| https://www.youtube.com/watch?v=-Zg85GsZoL4 앞으로 robot을 위한 Pre Trainning에 막대한 capex를 쏟아붓겠다는 발언 |
 |
| https://www.youtube.com/watch?v=-Zg85GsZoL4 앞으로 robot을 위한 Pre Trainning에 막대한 capex를 쏟아붓겠다는 발언 |
 |
| https://www.youtube.com/watch?v=-Zg85GsZoL4 앞으로 robot을 위한 Pre Trainning에 막대한 capex를 쏟아붓겠다는 발언 |
이 모델이 중요한 이유는 로봇 한 대가 두 종류의 컴퓨트를 동시에 요구하기 때문이다.
중앙 데이터센터에서는 거대한 모델을 계속 훈련해야 한다. 실제 로봇 내부에서는 센서 데이터를 실시간으로 처리하고 행동을 결정하기 위한 추론 컴퓨트와 메모리가 필요하다.
로봇 판매가 증가하면 중앙 훈련 컴퓨트와 로봇 내부 컴퓨트가 함께 늘어난다. 로봇이 더 오래 작동할수록 생산되는 데이터도 증가하고, 다음 모델의 훈련 규모도 다시 커진다.
현재의 토큰 시장을 텍스트와 코딩 수요만으로 보는 것이 위험한 이유다. Physical AI에서는 하나의 로봇이 매일 수시간에서 수십 시간 동안 영상과 음성, 촉각, 위치 데이터를 처리하게 된다.
Tesla Optimus와 로봇의 메모리 수요
Elon Musk는 최근 로봇에 필요한 RAM 수요가 지구상의 다른 모든 RAM 수요를 넘어설 수 있다고 말했다.
물리 세계의 원자를 다루기 위해서는 지능이 로봇이라는 물리적 기반 위에서 작동해야 한다는 논리다. 그는 초지능에 필요한 컴퓨트 수요가 이보다 훨씬 크며, 장기적으로는 심우주 컴퓨팅으로 이어질 것이라는 전망도 제시했다.
(*심우주 드립만 안했어도 좀 더 일반 심신미약 개미투자자들이 믿어줬을지도..)
 |
| https://x.com/elonmusk/status/2114772074438988256?s=46 |
심우주 컴퓨팅은 장기적인 가설에 가깝다.
그러나 로봇이 메모리 수요를 크게 증가시킬 수 있다는 주장은 현실적인 논리 구조를 갖고 있다.
로봇은 여러 대의 카메라와 마이크, 관절 센서, 위치 센서에서 들어오는 데이터를 실시간으로 처리해야 한다. 긴 작업 맥락을 유지해야 하며, 네트워크 연결이 불안정한 상황에서도 일정 수준의 온디바이스 추론을 수행해야 한다.
따라서 로봇에는 연산용 반도체만 필요한 것이 아니다.
고대역폭 메모리와 모바일 DRAM, 저장장치, 센서 인터페이스, 네트워크와 전력관리 반도체가 동시에 필요해진다. Physical AI가 확산되면 데이터센터와 엣지 디바이스 양쪽에서 메모리 수요가 증가할 가능성이 높다.
Anthropic의 현금은 결국 어디로 가는가
Anthropic은 약 1,317억 달러의 현금과 단기투자자산을 보유하고 있다. 여기에 향후 영업현금흐름과 IPO 조달자금이 추가될 수 있다.
|
| 이후 IPO 자금 그리고 영업현금흐름, 추가 채권발행등으로 $400bn까지 확보할 계획 |
Anthropic이 공개한 컴퓨트 관련 계약금액을 단순 합산하면 약 6,370억 달러에 달한다. 이는 당장 한 번에 지출되는 금액이 아니라 여러 해에 걸친 계약가치다. kepler.ai
브로드컴 약 1,612억 달러, SpaceX·xAI 약 1,205억 달러, 구글 약 1,145억 달러, 아마존 약 1,100억 달러, 마이크로소프트 약 449억 달러를 포함한다.
 |
| Anthropic의 S-1은 AI 자금이 어디로 가는지 보여주는데 주로 Computing 회사들임. (*cloud, chip설계) |
결국 Anthropic이 Claude를 통해 벌어들인 현금의 상당 부분은 반도체와 클라우드, 데이터센터, 네트워크, 전력 인프라 기업의 수주잔고로 이전된다.
AI 모델 기업의 매출 증가를 모델 기업만의 투자 논리로 보면 안 되는 이유다.
AI 매출 증가 → 컴퓨트 선구매 → GPU·ASIC 수요 증가 → 메모리·패키징·네트워크·전력 수요 증가
모델 기업 간 경쟁이 치열해질수록 컴퓨트 공급망에는 오히려 유리할 수 있다. 어느 모델이 최종 승자가 될지 아직 알 수 없기 때문에 각 기업이 경쟁적으로 더 많은 인프라를 확보해야 하기 때문이다.
결론
AI 수요의 측정 단위는 계속 바뀌고 있다.
처음에는 모델 훈련에 사용되는 GPU 시간이었다. 이후에는 API 토큰과 코딩 작업이 되었고, 이제는 기업용 에이전트가 수행하는 디지털 노동시간으로 이동하고 있다.
다음 단계는 로봇이 수행하는 물리적 노동시간이다.
GPU 시간 → 토큰 → 디지털 노동시간 → 물리적 노동시간
이 과정에서 토큰 가격은 계속 내려갈 수 있다.
그러나 가격 하락보다 적용 가능한 업무와 에이전트, 로봇의 수가 더 빠르게 증가하면 전체 컴퓨트 수요는 오히려 확대된다.
Anthropic의 컴퓨트당 수익성 개선, OpenAI의 기업용 에이전트 확산, DeepSeek가 보여준 GPU의 시간당 매출 잠재력, Figure의 인간 영상 사전학습과 Tesla Optimus가 지향하는 로봇의 확산은 모두 같은 방향을 가리킨다.
AI의 최종 수요처는 채팅창에 머물지 않을 가능성이 높다.
 |
| https://www.youtube.com/watch?v=zXG7EusdCrA&t=86s 미친 메모리의 전방 잠재수요.. |
사견으로는 앞으로의 핵심 질문은 AI 수요가 진짜인가가 아니다.
디지털 노동과 물리적 노동으로 확장되는 AI 수요를 공급망의 어느 기업이 가장 높은 마진으로 흡수할 수 있는가가 더 중요한 질문이다.
그리고 그 병목은 GPU 한 종류에만 있지 않을 것이다.
메모리, 첨단 패키징, 네트워크, 전력과 냉각까지 동시에 확장돼야 한다. 지금까지 확인되는 방향만 놓고 보면, 그중 가장 길고 구조적인 병목은 결국 메모리일 가능성이 높아 보인다.
=끝
