2026년 7월 22일 수요일

생각정리 317 (* cloud, AI D/C, 부동산)

지난밤부터의 스크랩해둔 굵직한 자료들을 하나로 모아 엮어서 정리해본다.

더 싼 AI가 더 많은 전력을 먹는다

Kimi K3, 미국 전력 병목과 한국 AI 데이터센터 투자 아이디어

최근 한국이 차세대 AI 데이터센터의 새로운 입지 후보로 주목받기 시작했다.

한국에 전력이 남아돌기 때문은 아니다. 수도권을 중심으로 전력망의 여유는 줄어들고 있으며, 대규모 데이터센터에 필요한 전력을 적기에 공급하는 일도 갈수록 어려워지고 있다.

생각정리 293 (* 3대 메가 프로젝트 국민보고회 후기, 전력)

그럼에도 해외 데이터센터 사업자들이 한국의 일부 지역을 검토하기 시작한 배경에는 미국의 상황이 있다.

AI 데이터센터 수요는 예상보다 빠르게 늘어나고 있지만, 발전소와 송전망, 변전소를 건설하는 속도는 이를 따라가지 못하고 있다. 미국 내 전력 확보가 어려워질수록 하이퍼스케일러는 미국 밖에서도 전력과 부지, 통신망을 함께 확보할 수 있는 지역을 찾게 된다.

한국은 이 과정에서 반도체와 메모리 공급망, 안정적인 통신 인프라, 동북아 이용자와의 거리, 일부 지역에 남아 있는 대규모 전력 개발 가능성을 함께 갖춘 후보지로 부각되고 있다.

이번 글에서는 최근 발표된 AI 인프라 투자와 Kimi K3 논쟁을 출발점으로, AI 모델이 저렴해질수록 왜 전력 소비가 늘어나는지, 그리고 이 변화가 한국의 데이터센터와 전력 인프라 투자 아이디어로 어떻게 연결되는지 정리해본다.

1. 하루 사이 발표된 AI 인프라만 최대 6.2GW

최근 발표되거나 보도된 대규모 AI 인프라 계획을 단순 합산하면 최대 6.2GW에 달한다.

OpenAI는 미국 조지아주 에핑엄카운티의 Project Camellia에 3.2GW의 전력을 단계적으로 공급받을 계획이다. 전력 공급은 2028년부터 2032년까지 순차적으로 이뤄질 예정이다.(OpenAI)

Anthropic은 AMD의 차세대 MI450 GPU 시스템을 최대 2GW까지 도입한다. 첫 1GW 배치는 2027년 상반기부터 시작될 예정이며, AMD는 사업 진행 단계에 따라 Anthropic에 최대 50억 달러를 투자한다.

SpaceXAI도 텍사스에서 기존 멤피스 캠퍼스와 비슷하거나 더 큰 규모의 데이터센터 부지를 검토하고 있다. 다만 이 프로젝트는 아직 부지와 전력 조달 방안을 살펴보는 탐색 단계다.

따라서 6.2GW는 모두 착공이 확정된 용량이라기보다 공식 발표와 언론에 보도된 목표·상한 용량을 합산한 수치로 봐야 한다.

그럼에도 짧은 시간 안에 이 정도 규모의 계획이 동시에 등장했다는 사실은 AI 산업의 병목이 모델 개발에서 전력과 데이터센터 확보로 이동하고 있음을 보여준다.

6.2GW가 연중 쉬지 않고 가동된다고 가정하면 연간 전력 소비량은 약 54.3TWh다. 이는 특정 기업의 서버 투자계획을 넘어, 하나의 대형 전력시장에 가까운 수요가 AI 산업에서 만들어지고 있다는 의미다.

Alphabet 역시 2026년 2분기에 데이터센터와 서버 투자를 크게 늘렸다. Google Cloud 매출은 전년 대비 82% 증가했으며, 회사는 AI 인프라 수요에 대응하기 위해 연간 설비투자 전망을 약 2,000억 달러 수준까지 상향했다. (Q4 Capital)

2. Kimi K3가 보여준 토큰 가격과 작업비용의 차이

같은 시점 중국 Moonshot AI의 Kimi K3도 AI 시장을 흔들었다.

Kimi K3는 미국 프런티어 모델에 가까운 성능을 내면서도 상대적으로 낮은 토큰 가격을 제시했다. 토큰 하나의 가격만 보면 AI 사용비용이 크게 하락한 것처럼 보인다.

그러나 사용자가 실제로 구매하는 것은 토큰이 아니라 완료된 작업이다.

Artificial Analysis의 AA-Briefcase 평가에서 Kimi K3는 높은 성능을 기록했지만, 작업 하나를 끝내는 평균 비용은 GPT-5.6 Sol과 Claude Opus 4.8보다 높았다. 모델이 장시간 추론하고 더 많은 출력 토큰과 도구 호출을 사용했기 때문이다.

Artificial Analysis (@ArtificialAnlys) / X

Kimi K3는 연산 효율을 단순한 비용 절감에 사용하기보다, 더 긴 추론과 높은 작업 성능에 재투입한 모델에 가깝다. 토큰은 저렴하지만 하나의 업무를 끝내는 데 필요한 총 컴퓨팅은 반드시 저렴하지 않은 구조다. (Artificial Analysis)

Artificial Analysis (@ArtificialAnlys) / X

관련 기사·리포트: Artificial Analysis의 Kimi K3 AA-Briefcase 평가. (Artificial Analysis)

이 차이는 AI 인프라 수요를 이해할 때 중요하다.

모델이 발전하면 토큰 한 개를 처리하는 비용은 하락한다. 그러나 가격이 낮아지면 더 많은 이용자가 AI를 사용하고, 한 번에 더 복잡한 업무를 맡기며, 에이전트가 더 많은 단계를 스스로 수행한다.

개별 연산의 효율 개선보다 전체 사용량과 작업 복잡성이 더 빠르게 증가하면 총 GPU 사용시간과 전력 소비는 오히려 늘어난다.

3. 낮은 가격이 공급 부족으로 이어지는 과정

낮은 토큰 가격은 초기 이용자를 빠르게 끌어모을 수 있다.

그러나 이용자 수와 작업당 연산량이 함께 증가하면 서비스 공급자는 결국 세 가지 선택지 가운데 하나를 택해야 한다.

서비스 가격을 올린다.
사용자별 이용량을 제한한다.
GPU와 데이터센터를 추가로 확보한다.

Moonshot AI는 Kimi K3 공개 이후 수요가 인프라 용량을 넘어섰다며 신규 가입을 일시 중단했다. 낮은 가격이 이용자를 끌어들였지만, 동시에 더 많은 서버와 전력을 요구하는 결과로 이어진 것이다. (AP News)

관련 기사·리포트: AP의 Kimi K3 신규 가입 중단 보도와 Artificial Analysis의 작업단위 효율 분석. (AP News)

이를 투자 관점에서 보면 토큰 가격 하락은 컴퓨팅 수요 감소보다 잠재수요의 현실화에 가깝다.

기존에는 비용 때문에 사용하지 못했던 기업과 개발자가 AI를 도입하고, 단순 질의 대신 코딩과 보고서 작성, 데이터 분석, 웹 탐색을 에이전트에게 맡기기 시작한다. 단위 가격은 낮아지지만 처리해야 하는 업무의 수와 길이는 더 빠르게 늘어난다.

4. 미국이 중국 모델을 막아도, 허용해도 인프라 투자는 늘어난다

Kimi K3를 둘러싼 미국 내 논쟁은 기술 문제와 산업 이해관계가 결합된 형태다.

미국 정부 관계자들은 Moonshot AI가 Anthropic 모델을 대규모로 증류해 Kimi K3를 개발했다는 의혹을 제기했다. 재무부도 지식재산권 침해가 확인될 경우 제재 가능성을 언급했다.

관련 기사·리포트: 백악관 관계자의 Kimi K3 증류 의혹 제기와 미 재무부의 제재 가능성 언급. (Business Insider)

반면 미국의 중소 AI 스타트업들은 중국 오픈웨이트 모델에 대한 일률적인 접근 제한에 반대하고 있다.

저렴한 모델 사용이 차단되면 스타트업의 추론비용이 상승하고, OpenAI와 Anthropic 같은 대형 폐쇄형 모델 기업의 지배력이 더욱 강해질 수 있다는 주장이다. 약 200개의 미국 스타트업과 창업자가 중국 오픈웨이트 모델에 대한 포괄적 금지를 피해야 한다는 서한을 제출한 배경이다. (Business Insider)

관련 기사·리포트: 미국 스타트업의 중국 오픈웨이트 모델 규제 반대 서한과 미국 AI 기업 간 정책 논쟁. (Business Insider)

중국 모델의 토큰 사용 비중이 OpenRouter에서 미국 모델을 추월했다는 점은 이 논쟁이 이미 현실적인 시장점유율 문제로 번졌음을 보여준다.

미국 정부와 프런티어 랩에는 보호해야 할 지식재산과 기술 우위가 있다. 스타트업에는 지켜야 할 원가 경쟁력이 있으며, NVIDIA에는 확대해야 할 컴퓨팅 시장이 있다.

같은 Kimi K3가 누군가에게는 산업 스파이 행위의 결과물이고, 누군가에게는 생존에 필요한 저가 생산수단이며, 또 다른 누군가에게는 반도체 수요를 폭발시킬 촉매로 해석되는 이유다.

흥미로운점은 어느 시나리오로 흘러가더라도 컴퓨팅 수요(=전력 수요)가 폭발할 것임은 이미 자명해졌다는 것이다.

미국이 중국 모델을 허용하면 저렴한 오픈웨이트 모델을 미국 클라우드와 자체 서버에서 구동하려는 수요가 증가한다.

반대로 중국 모델을 제한하면 수요는 미국 프런티어 모델로 이동한다. 동시에 미국과 중국의 AI 생태계가 분리되면서 양쪽이 별도의 모델과 데이터센터를 구축하는 중복투자가 발생한다.

결국 달라지는 것은 투자 지역과 모델 공급자, 장기 수익성이다. GPU와 HBM, 네트워크, 전력설비에 대한 물리적 수요는 어느 시나리오에서도 확대될 가능성이 높다.

미국에서 병목이 된 것은 GPU보다 전력이다

5. 미국 데이터센터 전력 소비는 이미 구조적 증가 구간에 들어섰다

미국은 오랜 기간 전력 소비가 거의 증가하지 않았다.

그러나 최근 5년간 미국 전력 소비는 연평균 2.1% 증가했다. EIA는 데이터센터 서버와 냉각설비를 향후 미국 전력수요 증가의 주요 요인으로 지목하고 있다. (U.S. Energy Information Administration)

미국 에너지부와 Lawrence Berkeley National Laboratory는 2028년 데이터센터 전력 소비량이 325~580TWh에 이를 것으로 전망한다. 미국 전체 전력 소비에서 차지하는 비중도 2023년 4.4%에서 2028년 6.7~12%까지 높아질 수 있다. (The Department of Energy's Energy.gov)

관련 기사·리포트: EIA Annual Energy Outlook 2026, 미국 에너지부와 LBNL의 데이터센터 전력수요 분석. (U.S. Energy Information Administration)

문제는 수요와 공급의 속도가 다르다는 점이다.

대형 데이터센터는 수요가 확정되면 비교적 짧은 기간 안에 건설을 시작할 수 있다. 반면 발전소와 송전선, 변전소는 부지 확보와 환경평가, 주민 협의, 인허가를 거쳐야 하므로 수년이 필요하다.

AI 수요는 소프트웨어의 속도로 증가하지만, 전력망은 중후장대 인프라의 속도로 늘어난다. 이 시차가 현재 미국 데이터센터 병목의 핵심이다.

6. PJM 용량경매가 보여주는 전력 부족

북버지니아를 포함한 미국 동부 전력망을 운영하는 PJM의 용량경매는 전력 부족을 가장 직접적으로 보여준다.

PJM의 용량가격은 2024/2025년 28.92달러/MW-day에서 2025/2026년 269.92달러로 약 9.3배 상승했다. 이후 가격은 300달러를 넘어 사실상 규제 상한선 부근에서 형성되고 있다.

2028/2029년 경매 가격은 전년보다 소폭 하락한 325달러였지만, 이는 수급이 개선됐기 때문이 아니다. 가격 상한 자체가 낮아졌기 때문이다.

오히려 PJM이 확보한 전체 용량은 신뢰도 기준보다 6.83GW 부족했다. PJM은 필요한 예비율보다 낮은 수준에서 전력시장을 운영해야 하므로 계통 위험이 커졌다고 설명했다.

관련 기사·리포트: PJM 2028/2029 Base Residual Auction 공식 결과 보고서.

PJM의 2027/2028년 예상 피크수요는 직전 경매 때의 전망보다 5.25GW 증가했다. 이 가운데 약 5.1GW가 데이터센터에서 발생했다.

증가한 전력수요 대부분이 사실상 데이터센터 하나의 산업군에서 나온 셈이다. (PJM)

관련 기사·리포트: PJM의 데이터센터 부하 증가 분석. (PJM)

7. ERCOT의 367.8GW는 예측보다 경고에 가깝다

텍사스 전력망을 운영하는 ERCOT에서도 대형 부하 신청이 폭증하고 있다.

ERCOT가 제출한 예비 장기 부하전망에는 2032년 전력수요가 약 367.8GW까지 늘어날 수 있다는 수치가 포함됐다. 이는 2023년 기록된 기존 최대수요 85.5GW의 약 4.3배다. (미국 공공 전력 협회)

그러나 367.8GW를 실제 수요 예측치로 그대로 받아들여서는 곤란하다.

이 수치에는 데이터센터와 암호화폐 채굴, 산업설비, 석유·가스 프로젝트가 전력회사에 제출한 잠재적 연결 요청이 대거 포함돼 있다. 부지와 고객, 금융조달이 확정되지 않은 프로젝트도 섞여 있다.

ERCOT도 해당 전망이 실제 미래수요보다 높을 가능성이 있으며, 모든 프로젝트가 건설될 것이라는 의미가 아니라고 설명했다.

그럼에도 이 숫자는 텍사스 전력망에 접수되는 잠재적 대형 수요가 기존 계통 규모를 압도하고 있음을 보여준다. 367.8GW는 문자 그대로의 전망이라기보다 전력 인입 경쟁의 과열을 보여주는 스트레스 지표에 가깝다. (The Texas Tribune)

관련 기사·리포트: ERCOT 예비 장기전망 해설과 Texas Tribune의 검증 보도. (미국 공공 전력 협회)

8. 주민 반대까지 더해지면서 입지 선택지가 줄어들고 있다

미국의 데이터센터 개발은 전력 부족뿐만 아니라 주민 반대에도 직면하고 있다.

Data Center Watch에 따르면 2026년 1분기에 미국에서 최소 75개의 데이터센터 프로젝트가 지연되거나 중단됐다. 관련 투자규모는 약 1,300억 달러로 추산된다.

3개월 동안 영향을 받은 프로젝트 수가 2025년 연간 수치와 비슷했다. 주민들이 문제로 제기한 항목은 전기요금과 용수 사용, 냉각팬 및 비상발전기 소음, 송전선 건설, 세금 감면과 제한적인 상시고용 효과였다. (Data Center Watch)

빨간색 일수록 반대가 심한 지역

관련 기사·리포트: Data Center Watch의 2026년 1분기 미국 데이터센터 반대운동 보고서. (Data Center Watch)

미국 연방정부도 데이터센터를 해외로 내보내는 대신 인허가를 단축하고 연방 유휴부지를 제공하는 방향으로 대응하고 있다.

2025년 행정명령은 100MW 이상의 AI 데이터센터를 대상으로 연방 인허가 절차를 단축하고, 연방 토지와 자원을 데이터센터 개발에 활용하도록 했다. (The White House)

관련 정책자료: 백악관의 데이터센터 인허가 간소화 행정명령. (The White House)

따라서 미국 데이터센터가 일제히 한국으로 이전할 가능성은 낮다.

대신 미국 안에서 해결하기 어려운 추가 수요 일부가 해외 거점으로 분산되고, 글로벌 사업자가 미국 외 지역에서도 전력 포트폴리오를 확보하려는 흐름이 나타날 가능성이 높다.

한국은 왜 새로운 후보로 거론되는가

9. 한국 전체가 아니라 전력을 확보할 수 있는 일부 지역이 중요하다

한국이 주목받는 이유를 단순히 전력이 풍부하기 때문이라고 설명하기는 어렵다.

한국은 전력이 충분한가?
~~그럴리가 없지..~~

오히려 수도권은 데이터센터 집중과 송전망 제약으로 대규모 신규 전력 인입이 쉽지 않다. 한국의 기회는 전국적인 전력 여유보다 일부 지역에서 발전원과 송전망, 대규모 부지, 광통신망을 함께 개발할 수 있다는 점에서 나온다.

여기에 한국은 다음과 같은 조건을 갖추고 있다.

삼성전자와 SK하이닉스를 중심으로 한 메모리 공급망
서버와 네트워크, 전력장비, 건설·EPC 역량
동북아 이용자를 위한 낮은 통신 지연시간
한국 정부와 국내 기업의 소버린 AI 인프라 투자
발전소·산업단지와 연결할 수 있는 지방 부지
높은 수준의 광통신망과 안정적인 운영 인력

한국의 기회는 미국 데이터센터를 그대로 이전받는 것이 아니다. 국내 AI 수요와 동북아 추론 수요를 기반으로 해외 사업자의 지역별 인프라를 일부 유치하는 형태에 가깝다.

10. 동해와 해남에서 이미 대규모 프로젝트가 시작되고 있다

GS그룹과 강원도, 동해시는 동해 북평산업단지 일대에 최대 2.4GW 규모의 AI 데이터센터 캠퍼스를 조성하는 계획을 발표했다.

계획대로라면 2028년까지 1.2GW를 우선 구축하고, 2029년까지 1.2GW를 추가한다. 직접 데이터센터 인프라 투자액은 약 30조 원이며, GPU와 메모리 등 전체 생태계 투자액은 최대 120조 원으로 제시됐다.

다만 현재는 업무협약과 개발계획 단계다. 실제 가동을 위해서는 계통접속과 송전망 건설, 전력구매계약, 서버 고객의 사전계약이 뒤따라야 한다. (조선일보)

관련 기사·리포트: GS 동해 AI 데이터센터 캠퍼스 투자계획. (조선일보)

전남 해남 솔라시도에서는 국가 AI컴퓨팅센터와 1GW 규모 데이터센터파크가 추진되고 있다.

삼성SDS 컨소시엄은 국가 AI컴퓨팅센터의 민간 참여자로 선정됐으며, 삼성전자와 삼성물산, 네이버클라우드, 카카오, KT 등이 사업에 참여한다. 센터는 2028년까지 GPU 1만5,000장 이상을 우선 구축하는 것이 목표다. (정보통신기술부)

솔라시도 데이터센터파크에는 장기적으로 1GW 규모의 데이터센터가 순차적으로 조성될 예정이다. 전남도와 한전, 개발사는 154kV 변전소와 송전선 준공을 기존 계획보다 앞당겨 2028년 말까지 구축하는 방안을 추진하고 있다.

여기서 중요한 부분은 토지보다 전력망이다. 개발사가 조기 건설에 필요한 선투자 비용을 부담하기로 한 것은 데이터센터 부지 가치의 핵심이 전력수전 시점에 있다는 사실을 보여준다. (전라남도청)

관련 기사·리포트: 과기정통부 국가 AI컴퓨팅센터 계획, 전남도의 솔라시도 전력 인프라 조기 구축 자료. (정보통신기술부)

한국의 프로젝트들도 발표된 투자액이나 최종 목표용량만으로 평가하기는 어렵다.

실제 사업가치를 결정하는 지표는 다음과 같다.

계통접속 승인 여부
공급 가능한 전력용량
최초 수전 시점
변전소와 송전망의 준공 일정
장기 전력구매계약
GPU와 서버 고객의 사전계약
수도권·부산·일본을 연결하는 이중화 광통신망

미국에서 실제로 가격이 오른 것은 전력이 붙은 자산이었다

11. 데이터센터 인근 토지가 모두 오르는 것은 아니다

미국에서 가치가 크게 상승한 자산에는 공통점이 있다.

단순히 데이터센터와 가까운 토지가 아니라, 전력 인입과 계통접속, 통신망, 인허가 조건이 이미 갖춰진 자산이었다.

Amazon은 버지니아주 프린스윌리엄카운티에서 약 189에이커의 데이터센터 부지를 7억 달러에 매입했다. 해당 부지는 전체 270에이커 개발구역의 일부로, 최대 350만 제곱피트의 데이터센터와 3개의 변전소를 건설할 수 있도록 용도가 정해져 있었다. (데이터 센터 다이내믹스)

AWS가 Talen Energy로부터 인수한 펜실베이니아 Cumulus 데이터센터 캠퍼스의 거래가격은 6억5,000만 달러였다. 이 캠퍼스는 최대 960MW의 데이터센터 용량과 원전 인접 입지, 장기 전력공급 구조를 갖추고 있었다. (데이터 센터 다이내믹스)

관련 기사·리포트: Amazon 버지니아 데이터센터 부지 매입과 AWS의 Cumulus 캠퍼스 인수. (데이터 센터 다이내믹스)

미국 데이터센터 시장의 공실률은 1.6%까지 하락했고, 건설 중인 용량의 74.3%가 이미 사전 임대됐다.

이 역시 단순한 건물 부족보다 전력 공급이 확정된 데이터센터 용량이 부족하다는 의미에 가깝다. CBRE는 전력 가용성과 인프라 준공 시점을 미국 데이터센터 입지와 임대료를 결정하는 핵심 변수로 평가했다. (CBRE)

관련 리포트: CBRE North America Data Center Trends H1 2025. (CBRE)

12. 한국에서도 같은 희소자산이 만들어질 가능성

한국에서도 데이터센터 예정지와 실제 수혜자산을 구분해야 한다.

한전의 계통접속 확약이 없는 인근 농지나 임야는 데이터센터와 가깝다는 이유만으로 경제적 가치가 상승하기 어렵다.

반면 다음 조건을 갖춘 자산은 공급이 제한적이다.

전력 배정이 문서화된 산업용지
154kV·345kV 변전소와 연결 가능한 부지
발전소와 계통에 인접한 브라운필드
이중화 광통신망과 다크파이버
장기 임차계약이 체결된 운영 데이터센터
전기요금 전가 구조가 명확한 인프라펀드

맥쿼리한국인프라투융자회사가 인수한 하남 데이터센터는 전체 전력용량 40MW, 목표 IT 부하 25.44MW 규모다. LG CNS가 전체 공간을 임차하고 목표 IT 부하의 99%를 사용하기로 약정했다.

자산가치가 건물 자체보다 신용도 높은 임차인과 장기 사용계약에서 발생하는 구조다. (맥쿼리 한국 인프라 펀드)

관련 기사·리포트: 맥쿼리 하남 데이터센터 공식 자산자료와 인수 보도자료. (맥쿼리 한국 인프라 펀드)

한국 AI 데이터센터 수혜자산의 우선순위

13. 1순위는 전력망과 전력장비다

가장 직접적인 수혜는 변압기와 GIS, 배전반, 전력케이블에서 나타날 가능성이 높다.

전력장비는 특정 데이터센터 프로젝트가 지연되더라도 다른 수요처가 남는다. 반도체 공장과 재생에너지, 송전망 보강, 일반 산업설비의 전력 증설에도 같은 장비가 필요하기 때문이다.

특히 대규모 AI 데이터센터는 기존 배전망에 단순 연결하기 어렵다. 초고압 변전소와 장거리 송전선, 이중화된 전원 구조가 필요하므로 데이터센터 건물보다 전력망 투자가 먼저 진행돼야 한다.

14. 2순위는 냉각·UPS·BESS다

AI 랙의 전력밀도가 높아질수록 액체냉각과 대형 칠러, UPS와 BESS의 중요성이 커진다.

다만 냉각설비 기업은 단순한 데이터센터 테마보다 실제 고객 승인과 수주, 매출 인식 여부를 확인해야 한다.

기술을 보유하고 있다는 사실과 대형 하이퍼스케일러 공급망에 진입했다는 사실 사이에는 상당한 차이가 있다.

15. 운영자산은 임차계약의 질이 중요하다

데이터센터 운영사와 인프라펀드는 보유 면적이나 전력용량만으로 평가하기 어렵다.

다음 조건을 함께 확인해야 한다.

임차인의 신용도
계약기간
최소사용량 보장
전기요금 전가 여부
증설비용 부담 주체
계약 종료 이후 공실위험

전력비가 임차인에게 전가되고 장기 최소사용량이 보장된다면 운영자산의 현금흐름은 비교적 안정적이다.

반대로 장기 고객을 확보하지 못한 상태에서 차입을 이용해 데이터센터부터 건설한 사업자는 수요가 둔화될 경우 가장 큰 위험을 부담한다.

16. EPC는 수주 규모보다 계약 조건을 봐야 한다

데이터센터는 일반 건축물보다 전력과 냉각, 안정성 기준이 까다롭다.

그러나 기술 난도가 높다고 해서 EPC 기업의 이익률이 자동으로 높아지는 것은 아니다.

확인해야 할 항목은 다음과 같다.

자재비와 인건비 상승의 전가 조건
설계변경 비용의 부담 주체
성능보증 범위
준공 지연에 따른 지체상금
전력효율과 냉각성능에 대한 책임

대형 수주를 확보해도 비용 상승과 지연 책임을 EPC가 대부분 부담한다면 매출은 증가해도 이익은 남지 않을 수 있다.

17. 전력 확약 부지는 고수익이지만 고위험 자산이다

전력 공급과 인허가가 확정된 부지는 높은 프리미엄을 받을 수 있다.

그러나 전력 확약이 없는 부지는 데이터센터 개발계획이 발표되더라도 실제 사업으로 연결되지 않을 가능성이 높다.

부지에 투자하기 전 최소한 네 가지는 확인해야 한다.

한전이 공급하기로 한 전력용량과 실제 수전 시점
산업용지 용도와 데이터센터 건축 인허가
임차인 또는 장기 용량계약
이중화 광통신망과 냉각용수 계획

이 가운데 하나라도 빠지면 데이터센터 부지가 아니라 장기간 개발되지 않을 토지에 가까워질 수 있다.

최종 투자 아이디어

AI 모델 경쟁이 심해질수록 토큰 가격은 낮아진다.

낮아진 가격은 더 많은 사용자와 애플리케이션, AI 에이전트를 만들어낸다. 개별 모델의 연산 효율성이 개선되더라도 사용량과 작업 복잡성이 더 빠르게 증가하면 총 컴퓨팅 소비는 계속 늘어난다.

Kimi K3가 이 구조를 압축적으로 보여준다.

토큰 가격은 낮다.
작업당 토큰 사용량과 실행시간은 길다.
수요가 GPU 공급능력을 넘어섰다.
가격 인상과 인프라 증설이 뒤따른다.

미국이 중국 모델을 허용하면 저가 AI 사용량이 증가한다.

중국 모델을 제한하면 미국과 중국이 각각 모델과 데이터센터를 구축해야 한다. 어느 방향이든 GPU와 메모리, 전력망과 데이터센터 투자는 늘어날 가능성이 높다.

여기에 미국의 전력 병목과 주민 반대가 겹치면서 데이터센터 사업자는 입지를 다변화해야 한다.

이 과정에서 한국 전체가 수혜를 받는 것은 아니다.

전력 공급이 확정된 부지, 계통 연결을 가능하게 하는 전력장비, 고밀도 AI 랙을 식히는 냉각설비, 장기 임차계약이 체결된 운영자산이 진짜 희소자산이 될 가능성이 높다.

투자자산의 예시적 우선순위는 다음과 같다.

핵심 50%: 변압기·GIS·배전반·전력케이블
성장 20%: 냉각·UPS·BESS
운영자산 15%: 장기 임차계약이 체결된 데이터센터
EPC·PM 10%: 수주와 책임범위가 확인된 사업자
고위험 옵션 5% 이하: 전력 확약 부지와 소형 냉각주

미국 AI 인프라 시장에서 실제로 높은 가격을 받은 것은 전기만을 사용할 권리가 있는 땅이 아니었다.

전기를 사용할 권리와 시점이 확정되고, 변전소와 광통신망, 장기계약까지 갖춰진 자산이었다.

한국에서도 같은 구분이 중요해질 것이다.

AI 데이터센터 투자는 단순한 부동산 개발보다는 전력과 냉각, 통신망과 장기계약을 결합해 희소한 컴퓨팅 용량을 생산하는 인프라 사업에 가깝다.

=끝

2026년 7월 21일 화요일

생각정리 316 (* Warren Buffet, Alphabet)

오랫만에 버핏 할아버지 인터뷰 영상이 나와 간밤에 재밌게 시청했다.

최근 처음으로 다리가 부러지셨다고 해서 괜시리 걱정도 된다.

아래 최근 인터뷰영상을 보며 들었던 생각을 정리, 기록해 본다.

워렌 버핏 26년 7월 15일 인터뷰 (한영 자막)｜ 더리브스

버핏의 알파벳 투자: ‘21세기 BNSF’에 대한 베팅인가

1. 인터뷰의 핵심

워런 버핏은 버크셔 해서웨이의 알파벳 지분 매입을 자신이 시작했다고 밝혔다. 알파벳은 AI 경쟁을 위해 막대한 자본을 집행하고 있지만, 지금까지의 사업 기록을 고려하면 월가에서 판매되는 기업의 90~95%보다 승자가 될 가능성이 높다는 판단이다.

다만 버핏은 알파벳보다 더 선호하는 버크셔 보유 사업이 “최소 네다섯 개” 있다고 말했다. 인터뷰어가 구체적으로 지목한 사업은 Apple, BNSF 철도, American Express였고, 버핏은 바로 앞에서 Coca-Cola를 “장기간 높은 자본수익률을 낼 수 있는 매우 좋은 사업”이라고 설명했다.

1Q26 버크셔 P/F

정확한 순위를 공개한 것은 아니지만, 이 글에서는 Apple·BNSF·American Express·Coca-Cola를 알파벳과 비교한다. 인터뷰 전문

버핏이 제시한 좋은 기업의 조건은 단순하다.

장기간 높은 자본수익률을 유지하면서 실제 현금을 창출하고, 이를 주주에게 돌려주거나 높은 수익률로 재투자할 수 있어야 한다.

2. 버크셔의 알파벳 지분 매입 변화

가장 최근 공개된 원자료는 2026년 3월 31일 기준 13F다. 버크셔는 2025년 3분기 알파벳을 처음 편입한 후 4분기에는 주식 수를 유지했고, 2026년 1분기에 지분을 세 배 이상 확대했다.

자료: 2025년 2분기 SEC 원자료, 2025년 3분기, 2025년 4분기, 2026년 1분기

지분 변화의 의미

2025년 3분기 최초 편입 규모는 1,784.6만 주, 분기 말 평가액 약 $4.34B였다. 처음부터 전체 13F 포트폴리오의 1.62%를 차지했으므로 단순한 시험적 매수라고 보기 어렵다.

2025년 4분기에는 보유주식 수가 완전히 동일했다. 평가액이 $4.34B에서 $5.59B로 증가한 것은 추가 매입이 아니라 주가 상승 때문이다.

결정적인 변화는 2026년 1분기다.

Class A 주식: 1,784.6만 주 → 5,425.0만 주
Class C 주식: 358.5만 주 신규 편입
합산 주식 수: 5,783.5만 주
전분기 대비 합산 주식 수: 224.1% 증가
최초 편입 대비 보유주식: 3.24배
포트폴리오 비중: 2.04% → 6.32%

버크셔의 전체 13F 포트폴리오 규모는 같은 기간 $274.2B에서 $263.1B로 줄었다. 그런데도 알파벳 지분은 세 배 이상 늘었다. 이는 단순한 주가 상승 효과가 아니라, 포트폴리오 축소 과정에서 선택적으로 집중도를 높인 투자다.

100억 달러 사모투자

인터뷰에서 CNBC 진행자는 별도의 $10B 사모투자까지 포함하면 알파벳 투자액이 $31B를 넘는다고 언급했고 버핏은 이를 부정하지 않았다.

다만 $10B 사모투자는 상장주식 보유내역인 13F에 포함되지 않는다. 따라서 위 그래프의 $16.63B는 2026년 1분기 말 GOOGL·GOOG 상장주식 평가액만 나타낸다.

13F 보고가치에 사모투자를 단순 합산하면 2026년 1분기 말 기준 경제적 노출액은 약 $26.63B다. 인터뷰에서 언급된 $31B 이상은 이후 주가 상승이나 아직 공개되지 않은 추가 거래를 반영했을 가능성이 있다.

3. 알파벳과 버핏의 네 선호 사업 비교

아래는 가장 최근의 공통 연간 비교가 가능한 2025 회계연도 수치다.

FCF는 모든 기업에 동일하게 영업현금흐름(CFO)－설비투자(CAPEX)로 계산했다. American Express도 별도로 제외하지 않고 동일 기준을 적용했다.

자료: Alphabet 2025 10-K, Apple 2025 10-K, Berkshire 2025 연차보고서, American Express 2025 연차보고서, Coca-Cola 2025 실적, 표준화 ROIC 자료

단위는 달러 십억. 5년 평균은 2021~2025년 연도 말 수치의 단순 평균이다. ROE는 순이익/연도 말 자기자본, ROIC는 NOPAT/평균 투하자본의 동일 산식이다. AXP의 공식 평균 자기자본 기준 2025 ROE는 33.9%다.

기업별 해석

Apple은 현재 현금창출력과 자본효율에서 가장 강하다. 알파벳보다 영업현금흐름은 작지만 CAPEX가 훨씬 적어 FCF는 $98.8B로 더 많다. ROIC도 47.6%로 알파벳보다 약 20%포인트 높다. 다만 151.9%의 ROE는 막대한 자사주 매입으로 장부상 자기자본이 작아진 영향도 크다.

American Express는 동일 기준으로 $16.0B의 FCF를 창출했고 FCF 마진도 22.2%로 알파벳보다 높다. ROE는 약 32%로 알파벳과 비슷하다. 동일 산식 ROIC는 4.3%지만, 대출·카드채권 등 거대한 금융자산을 투하자본으로 사용하는 구조가 반영된 결과다. 2025년에는 $10.8B의 순이익을 내고 $7.6B를 배당과 자사주 매입으로 환원했다.

Coca-Cola는 알파벳보다 규모는 작지만 ROE 40.7%, ROIC 16.6%를 기록했다. 2025년 보고 FCF는 $5.3B지만, 여기에는 fairlife 인수와 관련된 일회성 $6.1B 지급이 포함돼 있다. 이를 제외한 정상화 FCF는 $11.4B, 정상화 FCF 마진은 23.8%다.

BNSF는 ROE 10.6%, ROIC 6.6%로 가장 낮다. 하지만 철도망·차량·터미널을 유지해야 하는 자산집약적 구조에서도 장기간 안정적으로 현금을 회수한다. 2025년에는 $8.1B의 영업현금흐름을 만들고 약 $3.8B를 투자한 뒤 $4.3B의 FCF를 남겼다.

Alphabet은 절대 FCF 규모에서는 Apple 다음으로 강하고 ROE는 American Express와 비슷하다. 그러나 ROIC가 5년 평균 32.8%에서 2025년 28.0%로 내려왔다. 이는 사업 악화보다는 AI 인프라 투하자본이 이익보다 빠르게 늘어난 결과에 가깝다.

4. 알파벳 투자는 왜 Apple보다 BNSF에 가까운가

현재 수익성만 보면 알파벳은 BNSF보다 Apple에 훨씬 가깝다.
하지만 앞으로의 투자구조는 반대다.

Apple은 생산설비 대부분을 공급망에 맡기고 브랜드·운영체제·서비스 생태계에서 높은 수익을 얻는다. Coca-Cola는 브랜드와 유통망, American Express는 카드회원과 가맹점 네트워크를 기반으로 추가자본보다 현금흐름이 빠르게 증가한다.

반면 알파벳은 AI 모델, TPU, 서버, 데이터센터, 전력·냉각·네트워크에 막대한 선행투자를 해야 한다. 수요가 완전히 실현되기 전에 물리적 네트워크를 먼저 구축해야 했던 철도와 유사하다.

알파벳의 연간 CAPEX는 2015년 약 $9.9B에서 2025년 $91.4B로 9배 이상 증가했다. 2025년에는 영업현금흐름의 약 55.5%가 CAPEX로 재투자됐다.

철도 부흥기와 투자단계를 맞춰 비교하면 AI 인프라의 투자속도가 훨씬 가파르다. 아래 그래프는 금액 자체가 아니라 시작점을 100으로 맞춘 투자 증가속도 비교다.

그래프상 알파벳의 CAPEX 지수는 2015년 100에서 2025년 919까지 상승했다. 같은 관측기간의 철도산업 5년 이동평균 지수는 100에서 118로 증가했다.

다만 철도 자료는 1872~1882년 미국 산업 전체의 실질·평활화 자료이고, 알파벳은 한 기업의 명목 연간 자료다. 따라서 경제적 규모를 직접 비교하는 그래프가 아니라 투자 가속도를 비교하는 자료다.

두 산업의 공통점

초기에 막대한 고정비와 선행 CAPEX가 필요하다.
네트워크 완성 전까지 FCF가 압박받는다.
규모가 커질수록 단위당 비용이 낮아진다.
후발주자가 동일한 네트워크를 복제하기 어렵다.
최종적으로 소수 사업자 중심의 과점구조가 형성될 수 있다.

중요한 차이

철도망은 수십 년 동안 사용할 수 있지만 AI 서버와 가속기는 기술교체와 감가상각 속도가 훨씬 빠르다.

따라서 AI 인프라의 해자는 단순히 “많이 투자했다”는 사실에서 발생하지 않는다. 높은 가동률, 낮은 단위비용, 고객 고착효과와 가격결정력을 확보해야 비로소 철도와 같은 해자가 된다.

5. 철도는 막대한 투자 이후 장기간 현금을 회수했는가

철도산업은 1870년대부터 1911년까지 막대한 자본을 투입해 미국 대륙 규모의 운송망을 구축했다. 하지만 투자 완료 직후부터 안정적인 FCF를 얻은 것은 아니다.

1911~2025년 산업 FCF 대용치를 연속적으로 추정하면 다음과 같은 흐름이 나타난다.

1911년 영업 FCF 추정치: 약 $0.36B
대공황·전쟁·규제기에도 대체로 플러스 유지
1970년대 규제와 경쟁력 약화로 급락
1979년 사실상 손익분기 수준
1980년 규제완화 이후 구조조정과 통합
1990년 약 $6.4B
2010년 약 $14.0B
2025년 약 $23.9B

현대적 현금흐름표가 존재하지 않는 기간은 철도 순영업이익－순자본지출로 추정했다. 보간 연도가 포함된 명목달러 기준 산업 영업 FCF 대용치다.

자료 기반: NBER 철도 자본형성 연구, NBER Macrohistory, BEA 산업별 고정자산, BTS Rail Profile

핵심은 철도산업이 100년 내내 안정적으로 현금을 번 것이 아니라는 점이다. 초기 투자 이후에도 운임규제, 자동차·트럭과의 경쟁, 파산과 구조조정을 겪었다.

현재 과점사업자의 높은 현금창출력은 철도망 건설 직후가 아니라, 장기간의 산업재편과 규제완화가 끝난 이후 본격화됐다.

이렇게 비교해놓고 보니, oracle이 위험해보이기도 하고..?

Oracle’s CDS Hits All Time High, Bonds Drop amid AI-Related SentimentA

6. 과점화 이후 철도사업자의 실제 현금회수

현재 미국 대형 철도산업은 BNSF, Union Pacific, CSX, Norfolk Southern 등을 중심으로 과점화돼 있다.

이들 네 사업자의 2010~2025년 FCF를 합산하면 다음과 같다.

16년 연속 합산 FCF 플러스
2010년 합산 FCF 약 $6.0B
2025년 합산 FCF 약 $13.7B
16년 누적 FCF 약 $174.2B
2025년 BNSF FCF 약 $4.3B
2025년 BNSF의 버크셔 배당 약 $4.4B

즉 철도망 건설에 투입된 막대한 자본은 수십 년의 시행착오와 산업재편을 거친 뒤, 살아남은 과점사업자에게 장기간 반복되는 현금흐름으로 전환됐다.

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

7. 알파벳은 지금 어느 단계인가

알파벳은 서로 다른 두 종류의 사업 특성을 동시에 갖고 있다.

따라서 버핏의 알파벳 투자는 이미 완성된 소비재 해자를 사는 Apple·Coca-Cola 투자와는 결이 다르다.

보다 정확한 해석은 다음과 같다.

알파벳의 기존 검색·광고 사업이 막대한 현금을 공급하는 동안 AI 컴퓨팅 인프라에 선행투자하고, 그 인프라가 장기적으로 소수 사업자만 운영할 수 있는 디지털 기간망으로 발전할 가능성에 투자한 것이다.

버크셔가 이를 단순한 관찰 수준으로 보고 있지 않다는 사실은 실제 지분 변화에서도 확인된다. 2025년 3분기 최초 편입 후 2026년 1분기까지 상장주식 수를 3.24배로 확대했고, 별도의 $10B 사모투자까지 집행했다.

Alphabet의 2025년 ROIC 28%는 BNSF보다 훨씬 높고 Coca-Cola보다도 높다. 아직 저수익 인프라 사업자가 된 것은 아니다. 그러나 CAPEX 증가로 ROIC가 5년 평균 아래로 내려왔다는 것은 투자논리가 이제부터 검증단계에 들어갔음을 의미한다.

2026.04.30 Alphabet

최근 2달간 급격히 상향 조정되고 있는 Anthropic 실적추정치

결론

Apple은 현재 가장 우수한 현금창출기업이고, American Express는 높은 ROE와 강한 주주환원 능력을 보여준다. Coca-Cola는 장기간 안정적인 자본수익률을 유지하고, BNSF는 낮지만 예측 가능한 수익률로 거대한 물리적 자산을 현금화한다.

알파벳은 현재 네 기업의 장점을 일부씩 갖고 있지만, 앞으로의 투자구조는 BNSF에 가장 가깝다. 검색·광고라는 기존 현금창출원이 AI 철도망을 건설하고 있기 때문이다.

성공한다면 알파벳은 단순한 기술기업이 아니라 장기간 높은 FCF를 회수하는 디지털 기간망 과점사업자가 될 수 있다. 반대로 실패한다면 막대한 CAPEX와 빠른 기술 감가상각만 남는다.

버크셔가 지분을 세 배 이상 확대했다는 것은 이 불확실성이 해소됐다는 뜻이 아니다.

대신, 버핏이 알파벳의 기존 현금창출력과 AI 인프라의 장기 과점 가능성에 상당한 확률을 부여했다는 뜻에 가깝지 않나 싶다.

=끝

2026년 7월 20일 월요일

생각정리 315 (* Kimi K3, 추가 제재-2)

이전 글에 이어, 미국이 중국산 LLM에 대해 추가 제재에 나설 경우 어떤 시나리오가 전개될 수 있을지 좀 더 생각해보니 미국에는 생각보다 강력한 카드가 남아 있다.

바로 OpenRouter를 비롯한 미국 내 클라우드·라우팅 플랫폼이 중국산 LLM을 호스팅하거나 제공하지 못하도록 행정적으로 제한하는 방안이다.

이는 중국 모델의 미국 내 접근성을 낮추는 데 그치지 않고, 그동안 서방 인프라에 분산돼 있던 추론 수요를 중국 내부로 되돌려 중국의 컴퓨팅 자원 부족을 더욱 부각시킬 수 있다.

Scott Bessent: US to control 80% of global compute power soon
클라우드 AI H/W 주도권을 강조하는 스콧 베센트

중국 LLM 제재가 오히려 AI 하드웨어 투자를 늘리는 이유

Kimi K3 증류 의혹에서 메모리 중복투자까지

Kimi K3의 등장 이후 시장의 관심은 주로 성능과 가격에 집중됐다.

하지만 더 중요한 문제는 따로 있다. Anthropic은 Moonshot AI가 수백 개의 부정 계정을 이용해 Claude와 340만 건 이상의 대화를 수행하고, 코딩·추론·컴퓨터 사용 능력을 조직적으로 추출하려 했다고 주장했다.

물론 현재 공개된 자료만으로 Kimi K3가 Anthropic의 Fable을 불법 복제해 개발됐다고 확정할 수는 없다. 그러나 미국 정부가 이번 사태를 단순한 기업 간 분쟁이 아니라 미국의 AI 기술을 탈취하려는 국가안보 문제로 받아들일 가능성은 충분하다.

미국이 이를 계기로 중국산 LLM에 대한 추가 제재를 강화한다면, 가장 먼저 흔들리는 것은 중국 모델의 미국 시장점유율이 아닐 수 있다.

오히려 그동안 낮은 토큰 가격과 서방 클라우드 활용 뒤에 가려져 있던 중국의 컴퓨팅 인프라 부족이 더 선명하게 드러날 가능성이 있다.

그리고 그 결과는 역설적으로 GPU·메모리·네트워크를 포함한 AI 하드웨어 투자의 확대로 이어질 수 있다.

중국 LLM의 성장은 낮은 가격에 기반하고 있다

2026년 7월 기준 Zhipu, DeepSeek, MiniMax, Kimi 등 중국 주요 독립계 LLM 4사의 합산 ARR는 약 21억 달러로 추정된다.

OpenAI의 연환산 매출 프록시는 약 240억 달러, Anthropic은 최근 월평균 매출을 기준으로 약 729억 달러로 추정된다.

중국 독립계 LLM의 매출 규모는 여전히 미국 프론티어 모델 기업보다 작지만, 글로벌 토큰 사용량에서는 빠르게 존재감을 높이고 있다.

그 이유는 분명하다.

미국 프론티어 모델에 근접한 성능
훨씬 낮은 API 가격
적극적인 오픈웨이트 정책
개발자 친화적인 API와 에이전트 기능
중국 내 경쟁과 가격전쟁

중국 LLM 기업은 높은 마진보다 사용량과 시장점유율을 우선하고 있다. 낮은 가격으로 개발자를 끌어들이고 모델 생태계를 확대하는 전략이다.

그러나 이 전략에는 중요한 전제가 있다.

중국 모델이 증가하는 글로벌 추론 수요를 모두 중국 데이터센터에서 직접 처리할 필요가 없어야 한다는 점이다.

중국 모델의 토큰은 반드시 중국에서 만들어지지 않는다

현재 중국산 오픈웨이트 모델은 AWS, OpenRouter, 네오클라우드와 기업 자체 데이터센터에서도 실행된다.

여전히 압도적인 중국산 LLM

이 경우 모델을 개발한 기업은 중국 기업이지만 실제 토큰을 생성하는 GPU와 메모리는 미국이나 유럽 데이터센터에 있을 수 있다.

예를 들어 AWS가 DeepSeek나 Kimi의 오픈웨이트를 자체 서버에 배포하면 AWS가 GPU, HBM, 네트워크와 전력 비용을 부담한다. 중국 모델 기업은 전 세계 데이터센터를 직접 구축하지 않고도 글로벌 사용량을 확대할 수 있다.

즉, 중국의 오픈웨이트 전략은 단순한 기술 공개가 아니다.

모델은 중국이 개발하지만 글로벌 추론 CAPEX는 서방 클라우드와 기업 고객이 부담하게 만드는 구조이기도 하다.

이 구조 덕분에 중국 LLM 기업은 제한된 자체 인프라로도 글로벌 토큰 점유율을 빠르게 확대할 수 있다. Sparse MoE, 캐싱, 양자화 같은 기술적 효율화까지 더해지면서 낮은 토큰 가격도 일정 부분 유지할 수 있다.

하지만 미국의 추가 제재가 이 연결고리를 끊는다면 상황은 달라진다.

미국의 추가 제재는 컴퓨팅 수요를 다시 중국으로 돌려보낼 수 있다

미국이 중국산 LLM을 규제할 때 선택할 수 있는 수단은 다양하다.

연방정부와 공공기관에서 중국 모델의 사용을 금지할 수 있고, 금융·국방·통신·의료와 같은 핵심 산업으로 제한 범위를 확대할 수도 있다.

여기에 AWS·Azure·Google Cloud가 중국산 모델을 호스팅하지 못하도록 하거나, 중국 LLM 기업의 공식 API와 결제를 차단하는 조치가 더해질 수 있다. 신규 모델 가중치의 다운로드와 미국 내 배포를 제한하는 방안도 가능하다.

규제가 이 수준까지 확대되면 중국 LLM 기업은 더 이상 미국 클라우드와 제3의 추론 사업자에게 글로벌 컴퓨팅 수요를 분산하기 어렵다.

그동안 서방 데이터센터에서 처리되던 중국 모델의 추론 수요가 다시 중국 내부 인프라로 돌아오게 된다.

문제는 미국이 모델과 서비스만 규제하는 것이 아니라 첨단 GPU와 HBM에 대한 중국의 접근도 동시에 제한하고 있다는 점이다.

결국 중국은 다음 두 가지 압력을 동시에 받게 된다.

처리해야 할 추론 수요는 증가하지만
이를 처리할 첨단 GPU와 메모리의 조달은 더 어려워지는 구조이다.

이는 중국 LLM의 가격경쟁력보다 먼저 서비스 공급능력의 한계를 드러낼 수 있다.

(참고로, 이미 미국 프론티어 LLM의 수익성과 하위 중국 오픈웨이트 LLM간의 격차는 상당히 벌어져 있음..)

2026.07.21 Anthropic

2026.07.21 OpenAI

2026.03.31 Zhipu AI

2026.03.02 MiniMax

Kimi K3 구독 중단은 그 가능성을 미리 보여줬다

Kimi K3는 출시 직후 예상보다 강한 수요가 몰리면서 약 48시간 만에 신규 유료 가입을 중단했다.

Moonshot은 수요가 현재 GPU 용량의 한계에 접근했으며 기존 가입자를 우선하겠다고 설명했다.

이는 단순히 Kimi K3가 큰 인기를 얻었다는 의미에 그치지 않는다.

낮은 가격으로 수요를 폭발시키는 데는 성공했지만, 그 수요를 처리할 컴퓨팅 인프라는 충분히 확보하지 못했다는 뜻이기도 하다.

LLM 서비스는 낮은 가격만으로 유지되지 않는다. 사용량이 증가할수록 더 많은 GPU, HBM, 네트워크와 전력이 필요하다. 그러나 토큰 가격을 지나치게 낮추면 추가 인프라 투자를 내부 현금흐름으로 조달하기 어려워진다.

수요가 공급능력을 넘어설 경우 기업이 선택할 수 있는 방법은 제한적이다.

토큰 가격 인상
신규 가입 및 사용량 제한
응답 속도와 서비스 품질 저하
외부 클라우드에서 고가의 GPU 임차
자체 데이터센터 대규모 증설

Moonshot은 그중 신규 가입 제한을 선택했다.

미국의 본격적인 규제가 시행되기도 전에 이 같은 병목이 발생했다는 점이 중요하다. 향후 미국 클라우드에서 중국 모델의 호스팅이 제한되고, 첨단 GPU와 HBM 수출통제까지 강화된다면 Kimi K3와 유사한 용량 부족이 다른 중국 LLM에서도 반복될 가능성이 있다.

미국의 제재는 중국 모델의 수요를 없애기보다, 기존에 서방 인프라로 분산되던 수요를 중국 내부로 집중시킬 수 있다.

중국의 수출통제까지 더해지면 두 개의 생태계가 만들어진다

Financial Times에 따르면 중국 상무부 역시 첨단 AI 모델과 반도체 기술에 대한 수출통제 강화를 검토하고 있다.

핵심 훈련 데이터의 해외 이전과 외국 사용자의 모델 가중치 다운로드를 제한하되, 해외에는 중국 기업이 통제하는 API와 서비스 형태로만 접근을 허용하는 방안이다.

중국의 조치가 현실화되고 미국의 제재가 동시에 강화되면 양쪽의 규제가 서로 맞물리게 된다.

중국은 첨단 모델의 가중치 반출을 제한한다.
미국은 중국 기업이 통제하는 API와 클라우드 서비스를 차단한다.
미국은 중국으로의 첨단 GPU와 HBM 공급도 제한한다.
중국은 국산 모델과 국산 하드웨어 생태계 구축을 가속한다.

그 결과 AI 시장은 다음과 같은 두 개의 생태계로 분리될 가능성이 높다.

미국 모델·미국 클라우드·서방 반도체 공급망
중국 모델·중국 클라우드·중국산 가속기 공급망

하나의 글로벌 시장에서는 특정 지역의 컴퓨팅 부족을 다른 지역의 클라우드 용량으로 보완할 수 있다.

하지만 생태계가 분리되면 미국과 중국은 각각 독립적인 학습 클러스터, 추론 데이터센터와 예비 연산능력을 구축해야 한다.

글로벌 차원에서는 같은 기능을 양쪽이 따로 구축하는 중복투자가 발생한다.

소프트웨어의 분리는 하드웨어 시장의 파이를 키울 수 있다

생태계 분리는 소프트웨어 기업에는 부정적일 수 있다.

접근 가능한 시장이 줄어들고, 모델과 데이터의 이동이 제한되며, 클라우드의 가동률과 효율성도 낮아질 수 있다.

그러나 하드웨어 관점에서는 이야기가 달라진다.

AI 인프라가 통합된 환경에서 필요한 설비는 글로벌 평균 수요와 피크 수요를 기준으로 결정된다. 반면 생태계가 분리되면 미국과 중국이 각자 다음 설비를 확보해야 한다.

Required capacity
= Local peak demand
Reserve margin
Sovereign redundancy

미국은 중국 모델을 대체할 자체 모델과 추론 인프라를 확대해야 한다. 중국은 서방 클라우드와 첨단 GPU에 대한 접근이 제한되는 만큼 자국 내 AI 데이터센터와 반도체 공급망을 더 빠르게 구축해야 한다.

그 결과 양쪽에서 다음 투자가 중복된다.

프론티어 모델 학습 클러스터
대규모 추론 데이터센터
피크 수요에 대비한 예비 GPU 용량
HBM·DDR·NAND 및 Enterprise SSD
스케일업·스케일아웃 네트워크
첨단 패키징
전력·변압기·냉각 인프라

물론 전체 수요가 정확히 두 배가 되는 것은 아니다. 가격 상승과 서비스 제한으로 일부 토큰 수요가 감소할 수 있고, 모델 효율화가 하드웨어 부담을 낮출 수도 있다.

하지만 글로벌 인프라를 공유하지 못하게 되면 시스템 전체의 가동률은 낮아진다. 동일한 수요를 처리하기 위해 더 많은 예비용량을 설치해야 한다.

AI 생태계의 분리는 효율을 낮추지만, 그 비효율이 오히려 하드웨어 투자수요를 증가시키는 구조이다.

특히 메모리의 전략적 중요성이 커진다

GPU 수혜는 생태계별로 나뉠 가능성이 높다.

미국과 서방에서는 NVIDIA, AMD, Google TPU, AWS Trainium과 자체 ASIC이 중심이 된다. 중국에서는 Huawei Ascend, Cambricon과 중국산 가속기 생태계가 확대될 것이다.

중국의 AI CAPEX가 늘어난다고 해서 그 수요가 모두 NVIDIA 매출로 연결되는 것은 아니다.

반면 메모리와 스토리지는 양쪽 생태계에서 공통으로 필요하다.

HBM은 GPU와 AI 가속기의 메모리 대역폭을 담당한다.
DDR·LPDDR는 CPU 오케스트레이션과 긴 컨텍스트 처리를 지원한다.
Enterprise SSD는 데이터레이크와 영속적 KV 캐시를 담당한다.
NAND는 모델 데이터와 추론 결과의 장기 저장에 필요하다.

특히 중국이 첨단 GPU 조달에 어려움을 겪을수록 제한된 가속기를 최대한 효율적으로 활용하기 위한 HBM·DDR·SSD 및 네트워크 투자 중요성은 오히려 커질 수 있다.

다만 첨단 HBM은 미국의 수출통제 대상이기 때문에 중국의 수요 증가가 기존 글로벌 메모리 기업의 매출로 모두 연결되지는 않는다.

서방 데이터센터 증설은 기존 HBM 기업에 직접적인 수혜가 될 가능성이 높지만, 중국의 증설은 중국산 메모리와 반도체 장비의 국산화를 동시에 촉진할 수 있다.

(*그러나 여전히 중국 CXMT의 HBM 내재화는 아직 쉽지 않아보인다.)

그럼에도 산업 전체로 보면 방향은 분명하다.

미국과 중국이 각각 독립적인 AI 인프라를 구축할수록 글로벌 메모리와 스토리지의 총 설치량은 증가할 가능성이 높다.

결론

Kimi K3의 불법 증류 및 모델 추출 복제 의혹은 단순한 기술 논쟁으로 끝나지 않을 가능성이 있다.

미국 정부가 이를 국가안보와 지식재산권 문제로 판단해 중국산 LLM에 대한 추가 제재를 강화한다면, 중국 모델은 서방 클라우드와 미국 컴퓨팅 인프라를 활용해 글로벌 추론 수요를 분산하기 어려워질 수 있다.

그 결과 그동안 낮은 토큰 가격과 오픈웨이트 전략 뒤에 가려져 있던 중국의 GPU·HBM·네트워크 부족이 더욱 뚜렷하게 드러날 가능성이 있다.

Kimi K3가 출시 직후 신규 가입을 중단한 사례는 이를 미리 보여준다.

중국 LLM의 저가정책은 수요를 만드는 데는 성공했지만, 그 수요를 감당할 인프라와 가격체계가 충분히 준비됐는지는 아직 확인되지 않았다. 미국의 클라우드·API·반도체 제재가 강화되면 현재의 낮은 토큰 가격을 유지하기는 더 어려워질 것이다.

그러나 AI 하드웨어 산업에는 이것이 반드시 악재인 것만은 아니다.

미국은 중국 모델을 배제한 독자적인 생태계를 구축해야 하고, 중국은 서방 인프라에 의존하지 않는 자체 AI 공급망을 만들어야 한다.

소프트웨어 시장은 두 개로 나뉘지만, 하드웨어는 같은 기능을 양쪽에 다시 설치해야 한다.

결국 AI 생태계의 분리는 컴퓨팅 자원의 효율을 떨어뜨리는 대신 GPU, HBM, DDR, NAND, Enterprise SSD, 네트워크와 전력 인프라에 대한 중복투자를 확대할 수 있다.

특히 메모리 사업자 입장에서는 미국과 중국의 모델 경쟁 그 자체보다, 양국이 각자의 학습·추론 인프라와 예비용량을 별도로 구축해야 한다는 점이 더 중요하다.

Kimi K3 사태로 촉발될 수 있는 추가 제재는 중국 LLM의 인프라 부족을 드러내는 동시에, AI 하드웨어 시장의 전체 파이를 키우는 순풍으로 작용할 가능성이 있다.

참고자료

공부하고 기록하고 생각할수록
중국은 미국과 AI경쟁을 할 준비가 전혀 되어 있지않은게 아닐까하는 의문이든다.

=끝

생각정리 314 (* Kimi K3, 추가 제재-1)

자기 전 침대에 누워 X.com App을 켰다가,
추천 알고리즘을 통해 과거 Kimi 창업자의 GTC 강연 영상을 보게 됐다.

How We Scaled Kimi K2.5 | Zhilin Yang's full GTC 2026 Keynote

영상에서는 Kimi가 적용한 새로운 학습기법과 모델 구조, 효율화 성과가 자신감 있게 소개되고 있었다. 그런데 발표를 볼수록 기술적 감탄보다 묘한 불쾌감이 먼저 밀려왔다.

Claude를 상대로 한 대규모 비인가 증류 의혹이 제기된 상황에서도, Kimi의 성과는 마치 온전히 자체적인 연구와 기술혁신만으로 만들어진 결과처럼 설명되고 있었다.

내가 Anthropic이나 다른 Frontier LLM 개발에 참여한 연구자였다면, 이처럼 태연하게 기술적 성과를 나열하는 모습을 보며 상당한 허탈감과 어처구니없음을 느꼈을 것 같다.

이번 글에서는 화려한 Kimi K3의 성과 뒤에 가려진 데이터의 출처와 자본의 성격, 그리고 이를 모두 생략한 채 독자적인 기술혁신만을 강조하는 그들의 뻔뻔함에 대해 기록해보고자 한다.

https://t.me/givme23
claude를 불법 증류 복제했다는 증거..

Kimi3 은 Fable5 를 증류 ( distillation ) 했을 가능성 ( 파란색에 가까울 수록 답변 유사도가 높음 )
https://t.me/migukstocksailor

효율화 뒤에 가려진 비용

Kimi K3는 순수한 기술 혁신의 결과인가

최근 중국 Moonshot AI의 창업자 양즈린이 NVIDIA GTC 무대에서 Kimi 모델의 확장 전략을 설명했다.

발표만 놓고 보면 Kimi의 급성장은 상당히 인상적이다. 새로운 최적화 알고리즘과 Attention 구조를 도입해 학습 효율을 높였고, 긴 문맥과 다수의 에이전트를 동시에 처리할 수 있도록 모델 구조를 개선했다.

이후 Moonshot은 총 2.8조 개의 파라미터를 보유한 Kimi K3를 공개했다. K3는 896개 전문가 가운데 토큰당 16개만 선택적으로 활성화하는 Sparse MoE 구조를 사용하며, Kimi Delta Attention과 Attention Residuals를 결합했다. Moonshot은 이러한 기술을 통해 K2보다 약 2.5배 높은 스케일링 효율을 확보했다고 주장한다. (Kimi AI 플랫폼)

그러나 기술 발표와 회사가 제시한 벤치마크만으로 K3의 등장을 설명하기에는 빠진 부분이 너무 많다.

Kimi의 기술적 성과는 분명 존재한다. 다만 K3를 Moonshot AI라는 스타트업의 독자적인 기술 혁신만으로 설명하기는 어렵다.

그 배경에는 미국 Frontier Model에서 추출한 것으로 의심되는 고품질 데이터, 알리바바와 텐센트의 자본, 중국의 국유·정부계 자금과 컴퓨팅 인프라 정책이 함께 놓여 있다.

1. Kimi CEO의 강연은 무엇을 말했나

양즈린의 강연 핵심은 단순히 모델의 파라미터를 늘리는 데 있지 않았다.

같은 데이터와 컴퓨팅에서 더 많은 지능을 학습하고, 더 긴 문맥을 처리하며, 여러 에이전트를 병렬로 작동시키는 방법을 설명하는 자리였다.

같은 데이터에서 더 많이 학습하는 Muon

첫 번째는 토큰 효율성이다.

대부분의 대규모 언어모델은 Adam 또는 AdamW라는 최적화 알고리즘을 사용한다. 최적화기는 학습 과정에서 모델의 파라미터를 어느 방향으로 얼마나 수정할지를 결정한다.

Moonshot은 이를 Muon으로 대체하고, 초대형 모델에서 발생하는 학습 불안정성을 MuonClip으로 보완했다.

Moonshot의 설명에 따르면 Muon은 AdamW보다 같은 성능에 도달하는 데 필요한 학습 연산량을 크게 줄일 수 있다. Kimi K2는 MuonClip을 적용해 1조 파라미터 모델을 15.5조 토큰 동안 큰 Loss Spike 없이 학습했다.

즉 MuonClip은 새로운 지능을 만들어내는 단일 알고리즘이라기보다, 거대한 모델을 보다 안정적으로 학습하고 같은 데이터에서 더 많은 성능을 끌어내는 기술이다.

https://www.youtube.com/watch?v=CwePo4847ho

긴 문맥을 처리하는 Kimi Linear

두 번째는 Long Context 효율성이다.

기존 Transformer는 입력 문맥이 길어질수록 Attention 연산량과 KV Cache 사용량이 크게 증가한다. 모델이 대규모 코드베이스를 읽고 장기간 작업하려면, 과거에 읽은 정보와 작업 이력을 계속 기억해야 한다.

Moonshot은 이를 해결하기 위해 Kimi Delta Attention을 중심으로 한 Kimi Linear 구조를 개발했다.

회사 측 실험에서는 100만 토큰 문맥에서 KV Cache 사용량을 최대 75% 줄이고, 디코딩 처리량을 최대 약 6배 높였다고 보고했다.

이 구조는 모든 정보를 똑같이 기억하는 대신, 채널마다 서로 다른 기억 주기를 부여한다.

일부 정보는 오랫동안 유지
일부 정보는 빠르게 갱신
불필요한 정보는 선택적으로 제거

쉽게 말하면 모델 내부에 단기기억과 장기기억을 담당하는 경로를 나누는 구조에 가깝다.

https://www.youtube.com/watch?v=CwePo4847ho

하나의 에이전트에서 에이전트 집단으로

세 번째는 Agent Swarm이다.

기존 AI 에이전트는 하나의 모델이 검색, 분석, 코딩, 검증 작업을 순차적으로 수행하는 경우가 많다. 이 방식은 작업이 복잡해질수록 실행시간이 길어진다.

Kimi는 하나의 Orchestrator가 복잡한 과제를 여러 하위 작업으로 분해한 뒤, 최대 100개의 Sub-agent를 생성하도록 설계했다.

각 에이전트는 서로 다른 조사와 분석을 병렬로 수행하며, 전체적으로 최대 1,500회의 Tool Call을 실행할 수 있다. Moonshot은 이를 통해 단일 에이전트 방식보다 일부 복잡한 작업의 실행시간을 최대 4.5배 단축했다고 주장한다.

https://www.youtube.com/watch?v=CwePo4847ho

깊이 방향의 정보를 선택하는 Attention Residuals

또 다른 핵심 기술은 Attention Residuals다.

일반적인 Transformer는 각 레이어의 출력을 다음 레이어에 계속 더한다. 모델이 깊어질수록 어떤 레이어에서 생성된 정보가 중요한지 구분하기 어려워지고, 여러 정보가 뒤섞일 수 있다.

Attention Residuals는 이전 레이어의 출력을 무조건 더하지 않는다. 현재 입력에 따라 어느 레이어의 정보를 얼마나 가져올지를 Attention으로 결정한다.

기존 Attention이 과거 토큰 가운데 필요한 정보를 선택한다면, Attention Residuals는 과거 레이어 가운데 필요한 표현을 선택하는 구조다.

이 기술은 이후 Kimi K3의 핵심 아키텍처 가운데 하나로 적용됐다.

https://www.youtube.com/watch?v=CwePo4847ho

기술적 성과 자체는 인정해야 한다

MuonClip, Kimi Delta Attention, Kimi Linear, Attention Residuals와 Agent Swarm은 단순한 마케팅 용어만으로 치부하기 어렵다.

Moonshot은 초대형 모델의 학습 안정성, KV Cache 부담, 장문 문맥, 에이전트 병렬처리라는 실제 문제를 해결하기 위해 상당한 기술적 진전을 이뤘다.

따라서 Kimi의 성능을 모두 외부 데이터나 중국 정부의 지원으로만 설명하는 것도 정확하지 않다.

다만 여기서 질문해야 할 부분은 따로 있다.

이러한 기술만으로 Kimi K3의 성능과 비정상적으로 빠른 개발 속도 전체를 설명할 수 있는가.

2. Kimi는 효율화로 컴퓨팅을 줄인 것이 아니다

Kimi K3는 총 2.8조 개의 파라미터를 보유하지만, 매 토큰마다 전체 파라미터를 사용하는 Dense Model은 아니다.

896개 전문가 가운데 16개만 활성화하는 Sparse MoE 구조를 사용한다. 따라서 2.8조 파라미터 Dense Model과 동일한 연산량이 필요한 것은 아니다.

그러나 Sparse MoE라고 해서 전체 컴퓨팅 부담이 사라지는 것은 아니다.

2.8조 개의 전체 가중치를 메모리에 저장해야 함
896개 전문가를 다수의 GPU와 서버에 배치해야 함
토큰을 적절한 전문가로 전송해야 함
GPU 사이의 All-to-All 통신을 처리해야 함
대규모 체크포인트와 학습 데이터를 저장해야 함
장애가 발생했을 때 분산학습을 복구해야 함

파라미터가 커질수록 HBM 용량, GPU 수, 네트워크 대역폭과 스토리지 수요는 여전히 증가한다.

실제로 K3 출시 직후 사용자 수요가 급증하자 Moonshot은 신규 구독을 일시 중단했다. 회사는 현재 컴퓨팅 용량이 한계에 근접했다고 밝혔고, 외부 분석가 역시 K3가 매우 많은 컴퓨팅을 요구하는 모델이라고 평가했다. (AP News)

따라서 Kimi의 효율화는 다음과 같이 이해해야 한다.

효율성 향상 → 총컴퓨팅 감소

보다는

효율성 향상 → 더 큰 모델·더 긴 문맥·더 많은 에이전트로 재투자

Kimi는 알고리즘을 통해 컴퓨팅의 필요성을 제거한 사례가 아니다.

막대한 컴퓨팅 자본의 생산성을 높인 뒤, 절약된 자원을 모델의 절대 규모 확대에 다시 투입한 사례에 가깝다.

결국 K3를 설명하는 핵심 변수는 알고리즘만이 아니라 데이터와 자본으로 확장된다.

3. Anthropic이 제기한 Moonshot의 Claude 증류 의혹

Anthropic은 2026년 2월 DeepSeek, Moonshot AI와 MiniMax가 Claude의 능력을 추출하기 위해 산업적 규모의 증류 캠페인을 운영했다고 발표했다.

Anthropic에 따르면 세 기업은 약 2만4,000개의 허위 계정을 통해 Claude와 1,600만 건 이상의 대화를 생성했다.

이 가운데 Moonshot 관련 트래픽으로 분류된 대화는 340만 건 이상이었다.

Moonshot이 집중적으로 추출한 것으로 지목된 능력은 다음과 같다.

Agentic reasoning과 Tool use
코딩과 데이터 분석
Computer-use agent
Computer vision
Claude의 추론 과정 재구성

이는 일반적인 웹 문서나 사전학습 데이터와 성격이 다르다.

사용자의 질문을 어떻게 분해하고, 어떤 도구를 선택하며, 오류를 어떻게 수정하고, 최종 결과를 어떻게 검증하는지 보여주는 고부가가치 후처리 데이터에 해당한다.

Anthropic은 IP 주소, 요청 메타데이터, 인프라 지표와 다른 사업자가 관찰한 행위 등을 바탕으로 캠페인을 특정 기업에 귀속했다고 밝혔다.

다만 이 내용은 현재까지 Anthropic의 자체 조사 결과다. Moonshot의 형사상 범죄가 법원에서 확정됐거나, Claude 출력이 Kimi K3에 정확히 얼마나 사용됐는지는 공개적으로 검증되지 않았다.

따라서 법적으로는 ‘불법 증류가 확정됐다’고 단정하기보다, Anthropic이 제기한 대규모 비인가 증류 의혹이라고 표현하는 편이 정확하다.

Hydra Cluster는 어떻게 작동했나

Anthropic은 이러한 대규모 우회 접근 인프라를 Hydra Cluster라고 설명했다.

하나의 계정이나 서버에서 대량의 요청을 보내는 방식은 쉽게 탐지된다. Hydra Cluster는 수많은 정상 이용자처럼 보이는 계정과 접근 경로로 요청을 분산시킨다.

Anthropic이 설명한 방식은 다음과 같다.

중국 외부의 상업용 프록시 사업자로부터 Claude 접근권 구매
수천~수만 개 계정으로 요청 분산
교육·스타트업·연구·보안 목적 등 여러 계정 유형 활용
계정이 차단되면 새로운 계정으로 교체
증류용 트래픽과 일반 사용자의 요청을 혼합
동일한 능력을 묻는 질문을 다양한 형태로 반복

이는 Claude의 내부 서버를 직접 해킹해 가중치나 원본 데이터베이스를 가져간 방식과는 다르다.

보다 정확하게는 Claude를 Teacher Model이자 합성데이터 생산공장으로 사용한 의혹이다.

Claude에 고난도 코딩, 추론, Agent 과제를 반복적으로 입력하고, 그 답변과 작업 과정을 대규모로 수집한 뒤 이를 자체 모델의 학습 데이터로 활용하는 방식이다.

4. 증류는 미국 모델이 먼저 부담한 비용을 흡수하는 수단이다

LLM은 인터넷 문서를 대량으로 학습한다고 곧바로 완성되는 것이 아니다.

원시 데이터를 실제 서비스에 사용할 수 있는 지능으로 바꾸려면 여러 단계가 필요하다.

데이터 수집 → 중복 제거 → 유해 데이터 정제 → 전문가 라벨링 → 지도학습 → 인간 선호학습 → 강화학습 → 안전성 평가 → Agent 학습 → 반복적인 실패 수정

미국의 Frontier AI 기업은 이 과정에서 막대한 인력, 데이터, 법률비용과 컴퓨팅을 먼저 부담했다.

OpenAI의 데이터 정제 비용

OpenAI는 케냐의 외주업체 Sama를 통해 노동자들이 폭력, 혐오, 성적 학대 등 유해한 텍스트를 분류하도록 했다.

이들이 인터넷 전체를 읽으면서 유해한 문장을 하나씩 삭제한 것은 아니다. 사람이 수만 건의 샘플에 라벨을 붙이면, 이를 바탕으로 별도의 분류 모델과 필터를 학습해 대규모 데이터와 모델 출력을 자동으로 정제하는 구조였다.

특정 Sama 계약의 명목상 규모만 보면 수십만달러 수준이었기 때문에, 이 계약 하나를 두고 천문학적인 비용이라고 표현하면 과장이다.

그러나 서비스가 가능한 LLM을 만드는 전체 과정에는 다음과 같은 비용이 반복적으로 발생한다.

유해성 기준 설계
인간의 경계 사례 판단
Reward Model과 분류기 구축
레드팀과 취약점 점검
과도한 거부와 위험한 응답 사이의 균형 조정
새로운 모델이 나올 때마다 반복되는 안전성 평가

중요한 것은 하나의 외주 계약 액수가 아니라, 모델 뒤에 누적된 인간 노동과 수많은 시행착오다.

https://time.com/6247678/openai-chatgpt-kenya-workers/

Anthropic의 도서 데이터 확보 비용

Anthropic 역시 고품질 도서 데이터를 확보하기 위해 수백만 권의 실물 책을 구매하고, 책등을 제거한 뒤 페이지를 스캔해 디지털 라이브러리를 구축했다.

따라서 미국 AI 기업이 데이터 문제에서 완전히 도덕적이고 합법적이었다고 평가하기도 어렵다.

미국 기업 역시 다음 논란에서 자유롭지 않다.

불법 복제 데이터 취득
저임금 데이터 라벨링
작가와 출판사에 대한 보상 문제
모델 학습과 공정이용의 경계

그럼에도 이들이 실제로 부담한 비용은 남는다.

원시 데이터를 확보하는 비용
데이터를 디지털화하고 정제하는 비용
법적 분쟁과 합의를 감당하는 비용
고품질 데이터를 선별하는 비용
인간 피드백과 안전성 평가 비용
수없이 실패한 모델과 실험의 컴퓨팅 비용

https://www.techpolicy.press/in-copyright-wins-for-anthropic-and-meta-judges-leave-ample-room-for-future-defeats/

Claude의 최종 출력은 이러한 과정을 거친 뒤 생산된 결과물이다.

Claude가 만든 하나의 고품질 Agent 작업 궤적에는 다음 정보가 압축돼 있다.

문제를 어떤 순서로 분해해야 하는지
어떤 도구를 선택해야 하는지
오류가 발생하면 어떻게 수정해야 하는지
코드의 정확성을 어떻게 검증해야 하는지
최종 답변을 어떤 구조로 작성해야 하는지

경쟁 모델이 이를 대량으로 학습하면, 좋은 답을 만들어내는 방법을 처음부터 발견하는 비용을 크게 줄일 수 있다.

미국 선도 모델이 원석을 채굴하고 제련공정을 개발했다면, 비인가 증류 모델은 이미 제련된 고순도 결과물을 훨씬 낮은 한계비용으로 반복 채취한 것에 가깝다.

Kimi가 OpenAI와 Anthropic의 원본 데이터 전체를 가져간 것은 아니다.

그러나 Anthropic의 주장이 맞다면, 선도 모델들이 막대한 비용을 들여 만들어낸 고부가가치 후처리 결과와 능력의 일부를 훨씬 짧은 시간과 낮은 비용으로 흡수했을 가능성은 높다.

증류는 컴퓨팅을 없애주는 기술이 아니다.

대신 미국 모델이 먼저 지불한 연구·실패·정렬·평가 비용을 외부화하고, 모델 개발의 시간과 비용을 압축하는 수단이다.

5. Moonshot을 둘러싼 자본은 일반적인 스타트업 투자와 다르다

Moonshot은 더 이상 창업자와 소규모 벤처캐피털만으로 운영되는 독립 스타트업으로 보기 어렵다.

알리바바는 Moonshot에 약 8억달러를 투자해 초기 기준 약 36%의 지분을 확보한 것으로 알려졌다. 텐센트 역시 주요 투자자로 참여했다.

알리바바와 텐센트는 단순한 재무투자자가 아니다.

대규모 클라우드 데이터센터
AI GPU와 네트워크
방대한 사용자와 데이터
개발자 생태계
서비스 유통망
장기간의 적자를 감당할 자본

을 동시에 보유한 중국 최대 플랫폼 기업들이다.

이후 Moonshot에는 중국의 국유기업과 정부계 투자자도 참여한 것으로 보도됐다.

따라서 Moonshot을 둘러싼 자본은 세 가지 층으로 나눠 볼 수 있다.

미국 모델이 선행 지출한 지적자본

Anthropic의 주장이 사실이라면 Moonshot은 Claude가 먼저 개발한 Agent·코딩·추론 능력의 일부를 대규모 출력 데이터로 흡수했다.

여기에는 Anthropic이 부담한 데이터 선별, 강화학습, 평가, Agent 환경 구축과 실패 실험의 결과가 압축돼 있다.

중국 민간 플랫폼의 금융·컴퓨팅 자본

알리바바와 텐센트는 현금투자뿐 아니라 클라우드, GPU, 네트워크와 서비스 운영 역량을 제공할 수 있다.

다만 K3가 구체적으로 어느 클라우드 클러스터에서 학습됐는지, 투자자들이 얼마의 GPU 크레딧이나 인프라를 제공했는지는 공개되지 않았다.

중국 국가 산업정책의 자본

중국은 AI를 국가전략산업으로 육성하고 있다.

국유·정부계 펀드의 직접 투자
대규모 데이터센터 건설
컴퓨팅 바우처와 보조금
국산 AI 반도체 생태계
공공기관과 국유기업의 AI 도입
오픈웨이트 모델의 해외 확산

Moonshot은 이러한 정책 생태계 안에서 성장하고 있다.

따라서 중국 정부와 국유자본의 지원 가능성을 단순한 음모론으로 치부하기는 어렵다.

다만 중국 공산당이 Claude 증류 캠페인을 직접 지시했다거나, K3의 전체 학습비용을 비밀리에 부담했다고 단정할 공개 증거는 아직 없다.

확인되는 사실은 Moonshot이 중국의 민간 플랫폼 자본, 국유·정부계 자금과 국가 컴퓨팅 정책이 결합된 생태계 안에 있다는 점이다.

6. 미국 정부는 증류를 국가안보 문제로 보기 시작했다

미국 정부는 경쟁 모델의 비인가 증류를 단순한 기업 간 서비스 약관 분쟁으로만 바라보지 않고 있다.

미국의 Frontier Model이 막대한 비용을 들여 구축한 능력을 중국 기업이 조직적으로 추출할 경우, 다음 문제가 동시에 발생한다.

미국 기업의 연구개발 비용이 중국에 외부화
중국 모델의 개발 기간 단축
첨단 반도체 수출통제의 실효성 약화
군사·정보·사이버 분야로의 전용 가능성
중국의 저가 모델을 통한 글로벌 AI 생태계 장악

따라서 향후 미국의 대응은 단순한 API 계정 차단을 넘어설 가능성이 있다.

중국 AI 기업의 Frontier API 접근 제한
프록시·리셀러와 허위 계정 규제
고객확인과 실소유자 확인 강화
제3국 클라우드를 통한 중국 기업의 모델 학습 제한
특정 중국 AI 기업의 Entity List 등재
미국 공공기관의 중국 LLM 사용 제한

아직 Moonshot에 대한 구체적인 제재가 확정된 것은 아니다.

그러나 비인가 증류가 미국의 지적·컴퓨팅 자본을 우회 추출하는 국가안보 문제로 전환될 정책적 조건은 이미 마련되고 있다.

chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.whitehouse.gov/wp-content/uploads/2026/04/NSTM-4.pdf?utm_source=chatgpt.com

The secret Trump administration battle to fight Chinese AI

7. Kimi 창업자의 공개 강연이 불편하게 보이는 이유

Kimi 창업자가 NVIDIA GTC와 같은 공개 무대에서 기술을 설명한 행위 자체를 범법행위의 법적 두둔으로 보기는 어렵다.

강연은 MuonClip, Kimi Linear와 Agent Swarm 등 모델의 기술적 구조를 소개하는 자리였다. 주최자가 발표 기회를 제공했다는 이유만으로 비인가 증류를 공모하거나 방조했다고 볼 수도 없다.

그럼에도 해당 강연이 불편하게 느껴지는 이유는 분명하다.

성능의 인과관계가 알고리즘만으로 설명된다

기술 발표에서는 알고리즘과 모델 구조가 성능 향상의 핵심 원인으로 제시된다.

그러나 Anthropic의 주장이 사실이라면 Claude에서 추출한 Agent·코딩·추론 데이터도 Kimi의 성능 형성에 기여했을 가능성이 있다.

이 부분이 빠지면 청중은 Kimi의 발전을 모두 Moonshot의 독자적인 연구개발 성과로 받아들이기 쉽다.

데이터 출처와 후처리 비용이 보이지 않는다

Kimi가 Agent 능력을 어떤 데이터로 학습했는지, 외부 Frontier Model의 출력이 어느 정도 포함됐는지, 데이터 확보 과정에서 어떤 권한과 계약이 있었는지는 공개되지 않았다.

알고리즘 효율만 설명하고 데이터 출처를 제외하면, 모델 성능을 만든 가장 중요한 생산요소 가운데 하나가 사라진다.

권위 있는 무대가 성과에 정당성을 부여한다

GTC와 같은 국제 기술행사는 단순한 발표장이 아니다. 연구자와 투자자, 언론이 해당 기업의 기술적 정당성을 확인하는 공간이기도 하다.

증류 의혹이 해소되지 않은 기업의 성과가 별다른 검증 없이 순수한 혁신 사례로 소개될 경우, 국제 AI 생태계가 논란 있는 성과를 정상적인 기술 추격으로 인정해주는 효과가 발생할 수 있다.

따라서 가장 정확한 비판은 ‘범죄를 공개적으로 옹호했다’보다 다음에 가깝다.

Claude 비인가 증류 의혹과 데이터 출처를 배제한 채 알고리즘 혁신만 강조한다면, 논란 있는 방식으로 축적했을 가능성이 있는 성과를 순수한 독자 기술로 포장하고, 국제 기술 생태계가 이를 세탁해주는 것으로 비칠 수 있다.

8. Kimi K3는 실제로 얼마나 강한 모델인가

현재 Kimi K3를 무조건 성능이 낮은 모델이라고 단정할 수는 없다.

출시 직후 K3는 Arena의 Frontend Coding 분야에서 최상위권에 올랐고, Artificial Analysis의 Intelligence Index에서도 상위권을 기록했다. 일부 외부 개발자와 기업 역시 웹 개발과 코딩 분야에서 높은 성능을 확인했다. (Business Insider)

반면 실제 사용 과정에서 오류와 신뢰성 문제도 나타나고 있다.

Wharton의 Ethan Mollick은 K3에 복잡한 통계 검증을 맡겼을 때 핵심 통계기법을 잘못 적용하는 등 다수의 오류를 발견했다고 지적했다. (Business Insider)

이처럼 현재 외부 평가는 엇갈린다.

Frontend Coding에서는 강한 결과
공개 벤치마크에서는 Frontier급에 근접
일부 복잡한 실제 작업에서는 오류 발생
장기 Agent 작업의 안정성은 충분히 검증되지 않음
내부 평가와 실제 서비스 성능 사이의 차이 불명확
2.8조 파라미터 규모 대비 비용효율성 검증 부족

특히 공개 벤치마크 점수만으로 모델의 실질적 경쟁력을 판단하기는 어렵다.

모델이 특정 문제를 풀 수 있는지뿐 아니라 다음 지표가 함께 확인돼야 한다.

동일한 작업을 반복했을 때의 성공률
긴 작업에서 오류가 누적되는 정도
Tool Call 실패와 복구 능력
환각과 사실 오류
작업 완료당 비용
실제 서비스 환경의 지연시간
GPU와 메모리 사용량
사용자 개입 없이 완수할 수 있는 작업 범위

파라미터 숫자와 최고점 몇 개가 모델의 경제성과 신뢰성을 대신할 수는 없다.

결론: 7월 27일은 Kimi K3 검증의 첫 관문이다

Kimi는 K3의 전체 기술보고서와 아키텍처·훈련·평가 세부사항을 추후 공개하겠다고 밝히고 있으며, 전체 가중치도 2026년 7월 27일까지 공개할 예정이라고 설명하고 있다.

해당 결과가 나오기 전까지 K3의 실제 능력을 단정하는 것은 이르다. 이미 일부 외부 평가에서 상당한 코딩 성능이 확인됐기 때문에, K3를 전부 허상이라고 평가할 수도 없다.

다만 현재까지 공개된 정보만 놓고 보면 Kimi K3는 기술적 실체보다 서사가 앞서가고 있다는 인상을 지우기 어렵다.

2.8조 파라미터라는 압도적인 숫자, 세계 최대 오픈 모델이라는 표현, 제한적인 벤치마크의 최고점과 미국 모델 대비 낮은 가격이 하나의 강력한 이야기로 묶였다.

반면 다음과 같은 핵심 정보는 공개되지 않았다.

전체 학습 토큰과 총 FLOPs
GPU 종류와 수량
전체 학습비용
Alibaba Cloud 등 투자자의 컴퓨팅 지원
Post-training 데이터의 출처
Claude 출력의 사용 여부와 규모
복잡한 실제 업무에서의 반복 성공률
2.8조 파라미터를 서비스하는 실제 추론비용

Moonshot은 K3 공개 직후 투자자들에게 이르면 6개월 내 홍콩 상장을 추진하기 위한 주주결의안을 배포한 것으로 보도됐다. 기업가치는 300억달러 이상이 거론되고 있다. (타이페이 타임스)

이는 K3를 둘러싼 기술적 서사와 자본시장 이해관계를 분리해서 보기 어렵게 만든다.

K3가 미국의 Frontier Model을 위협하는 역사적 돌파구로 인식될수록 Moonshot의 기업가치는 높아지고, IPO를 통한 외부자금 조달도 쉬워진다. 반대로 증류 의혹, 높은 컴퓨팅 비용, 불완전한 외부 검증과 실제 성능의 한계를 먼저 강조할 유인은 크지 않다.

중국 정부와 국유자본이 K3의 실제 성능 한계를 어디까지 알고 있는지는 확인할 수 없다. 중국 정부가 의도적으로 문제를 은폐하고 있다고 단정할 직접적인 증거도 없다.

그러나 중국이 AI를 국가전략산업으로 육성하고 있고, Moonshot의 성공이 중국의 기술자립과 미국 제재 극복을 상징한다는 점을 고려하면, IPO와 추가 자금조달을 앞둔 시점에 정부와 국유자본이 현재의 성공 서사를 스스로 약화시킬 유인은 거의 없어 보인다.

지금까지의 정황 증거들을 미뤄보아,
현재 단계의 Kimi K3는 상당 부분 과대포장돼 있을 가능성이 높다고 *개인적으로 생각하고 있다.

#글을 마치며

미국이 이번 Kimi K3 사례를 확인하고도 프론티어 LLM에 대한 불법 증류와 성능 복제를 사실상 방치한다면, 막대한 비용을 지불하며 미국산 모델을 사용할 유인은 점차 약해질 수밖에 없다. 규제가 느슨한 국가에서 우회 계정과 API, VPN 등을 활용해 모델의 능력을 추출하고, 이를 기반으로 저가의 유사 모델을 출시하는 일이 반복될 가능성이 높기 때문이다.

이러한 구조가 고착되면 연구개발비와 컴퓨팅 비용은 미국 기업이 부담하고, 그 성과는 중국과 제3국이 저비용으로 복제하는 상황이 이어질 수 있다. 글로벌 이용자 역시 비싼 프론티어 모델보다 성능이 유사한 중국산 오픈웨이트 모델을 선택할 가능성이 커진다.

개인적으로 불법 증류 자체를 기술적으로 완전히 차단하는 것은 현실적으로 쉽지 않다고 본다. 그렇다면 규제의 초점은 모델 접근 통제에만 머물 것이 아니라, 대규모 증류와 복제를 가능하게 하는 첨단 AI 반도체와 제조 장비, 고대역폭 메모리, 네트워크 장비 등 물리적 컴퓨팅 인프라로 이동할 필요가 있다.

프론티어 AI의 지식재산권은 보호하지 못하면서, 이를 복제할 수 있는 컴퓨팅 자원까지 계속 공급하는 정책은 지속되기 어렵다. 이번 Kimi K3 사례는 단순한 모델 경쟁을 넘어, 미국의 AI 수출통제 전략을 다시 점검해야 할 계기에 가깝다고 생각한다.

https://bloomingbit.io/feed/news/116471

내 예상대로 추가 제재가 현실화된다면, 중국의 공급 확대가 제한되면서 반사이익을 얻는 글로벌 IDM과 중국향 매출 감소로 실적 부담이 커지는 반도체 장비업체 사이에 묘한 긴장 관계가 형성될 가능성도 염두에 둘 필요가 있지 않나 싶다.

中기업들, 독자 AI 생태계 구축 프로젝트 '은하계획' 발족
중국도 어느정도 추가제재 가능성에 대해 눈치 채고 있지 않나 싶다.

제3국이 자국 LLM을 불법 증류하거나 추출해 복제하는 상황을 우려한 중국 당국은, 같은 방식으로 기술을 탈취당하기 전에 관련 수출 통제부터 선제적으로 강화하는 모습 (*도둑이 제발저리는 꼴)

China considers tighter export controls on AI models and chips

=끝