생각정리 272 (* Optical AI Backbone, Optical Fiber)

별 시덥지 않은 이슈로 시장이 급락할때는 산업 및 기술변화에 대한 리서치를 하기 정말 좋은 시점인것 같다.

GTC Computex 2026 이후에 CY1Q26 TMT 컨퍼런스에 참석한 여러 기업들의 Call을 듣고 정리하다 광통신 인프라 관련 재밌는 포인트를 발견해서 정리해본다.

광통신 인프라 CAPEX: AI는 네트워크의 투자 우선순위를 바꾸고 있다

전체 논지 요약

AI 인프라 투자는 GPU에서 시작했지만, 추론 AI와 Agentic AI가 확산될수록 투자 병목은 점차 연결 인프라로 이동하고 있다. AI가 단순히 질문에 답하는 수준을 넘어 데이터를 찾고, 여러 시스템을 호출하고, 판단을 검증하고, 다시 실행하는 구조로 발전하면서 네트워크의 역할이 커지고 있기 때문이다.

핵심은 두 가지다.

첫째, 클라우드와 데이터센터 내부에서는 동서 트래픽이 증가한다. AI가 모델, 스토리지, 데이터베이스, API, 다른 AI 시스템을 반복적으로 호출하기 때문이다.

둘째, 공장·병원·물류센터·매장 같은 현장에서는 Edge Data Point와 Cloud를 연결하는 access·backhaul·last-mile의 중요성이 커진다.

현장에서 발생한 데이터가 빠르게 클라우드로 올라가고, AI의 판단이 다시 현장 시스템으로 내려와야 Agentic AI의 효율성이 실제로 발현될 수 있다.

AI CAPEX의 다음 병목은 연산이 아니라 연결이다

지금까지 AI 인프라 투자의 중심에는 GPU가 있었다. 대규모 언어모델의 성능이 좋아질수록 더 많은 연산 자원과 메모리 대역폭이 필요했고, 이 때문에 시장의 관심은 NVIDIA GPU, HBM, 서버, 전력 인프라, 데이터센터 부지에 집중되었다.

그러나 추론 AI와 Agentic AI로 넘어가면 투자 논리는 한 단계 확장된다. 이제 중요한 것은 GPU를 얼마나 많이 보유하고 있는지에 그치지 않는다. AI가 필요한 데이터를 얼마나 빠르게 찾고, 여러 모델과 시스템을 얼마나 낮은 지연으로 연결하며, 판단과 검증 루프를 얼마나 안정적으로 반복할 수 있는지가 중요해진다.

추론 AI는 단순히 모델에 질문을 넣고 답을 받는 구조에서 끝나지 않는다. 사용자의 요청을 이해한 뒤 관련 데이터를 검색하고, 업무 시스템을 호출하고, 다른 모델이나 도구를 실행하고, 중간 결과를 검증한 뒤 다시 추론한다. 이 과정이 반복될수록 연산 자원만큼 중요한 것이 데이터 이동 경로다.

따라서 AI 시대의 네트워크는 인터넷 접속을 위한 보조 인프라에 머물지 않는다. 데이터, 모델, GPU 클러스터, 스토리지, API, 클라우드, 엣지를 연결하는 AI 실행 인프라로 바뀌고 있다. 이 변화가 광통신 인프라 CAPEX를 다시 봐야 하는 출발점이다.

왜 동서 트래픽이 중요해지는가

기존 인터넷과 기업 네트워크의 중심은 주로 남북 트래픽이었다. 사용자가 사무실, 가정, 모바일 단말에서 애플리케이션에 접속하고, 해당 요청이 데이터센터나 클라우드로 이동하는 구조였다. 기업 직원이 ERP에 접속하거나, 고객이 쇼핑몰 앱을 실행하거나, 사용자가 검색 서비스를 이용하는 흐름이 대표적이었다.

미국의 백본홀 통신망

루멘 테크놀로지의 미국내 백본연결망

반면 Agentic AI는 사용자가 한 번 요청한 뒤 내부적으로 훨씬 많은 작업을 수행한다. 예를 들어 “이번 분기 실적을 분석해 투자 의견을 정리해줘”라는 요청이 들어오면 AI는 단순히 문장을 생성하지 않는다. 실적 데이터를 조회하고, 과거 실적과 비교하고, 시장 컨센서스를 확인하고, 경쟁사 밸류에이션을 불러오고, 산업 지표와 뉴스 흐름을 점검한다. 이후 결론이 맞는지 다시 검증하고, 부족한 데이터가 있으면 재검색한다.

이때 트래픽은 사용자와 서버 사이에서만 움직이지 않는다. AI 모델과 데이터베이스, 벡터DB, 스토리지, API, 다른 모델, 다른 클라우드, 다른 데이터센터 사이에서 데이터가 반복적으로 이동한다. 이 흐름이 바로 동서 트래픽이다.

추론 AI와 Agentic AI 시대에 동서 트래픽이 중요해지는 이유는 분명하다. AI의 병목이 “사람이 애플리케이션에 접속하는 구간”에서 AI가 데이터를 찾고, 모델을 호출하고, 여러 시스템을 연결해 판단하는 구간으로 이동하고 있기 때문이다.

Agentic AI는 산업 현장에서 어떤 방식으로 효율성을 높이는가

동서 트래픽의 중요성을 이해하려면 AI 데이터센터 안에서만 생각하면 부족하다. Agentic AI가 실제 경제활동에 들어가는 순간, 데이터는 공장, 병원, 물류센터, 매장, 발전소, 항만 같은 Edge Data Point에서 발생한다. 그리고 이 데이터는 클라우드와 AI 데이터센터로 이동해 분석되고, 다시 현장으로 실행 지시가 내려온다.

제조공장을 예로 들면 변화가 명확하다. 과거 공장 자동화는 설비별 센서 데이터를 수집하고, 이상 신호가 발생하면 관리자가 확인하는 방식에 가까웠다. Agentic AI가 도입되면 생산라인의 진동 센서, 온도 센서, 산업용 카메라, 로봇팔 데이터가 실시간으로 수집된다. AI 에이전트는 이 데이터를 클라우드의 품질관리 시스템, MES, 재고 시스템, 설비 이력 데이터, 디지털 트윈 모델과 연결해 판단한다.

예를 들어 산업용 카메라가 미세 불량 가능성을 포착하면 AI는 단순 경고를 내는 데서 멈추지 않는다. 해당 제품의 공정 조건을 확인하고, 같은 배치의 원재료 이력을 조회하며, 과거 유사한 진동 패턴이 어떤 고장으로 이어졌는지 비교한다. 이후 생산 속도를 낮출지, 특정 설비를 점검할지, 대체 라인으로 물량을 넘길지까지 제안할 수 있다. 이 과정에서 현장 데이터는 클라우드로 올라가고, 클라우드 내부에서는 모델·스토리지·업무 시스템 간 호출이 반복된다.

병원도 비슷하다. Agentic AI가 병원 운영에 들어가면 영상 장비, 병상 관리 시스템, 예약 시스템, 검사 장비, 약제 재고, 의료진 스케줄 데이터가 연결된다. 응급실 환자 유입이 갑자기 늘어나면 AI 에이전트는 현재 병상 여유, 검사 대기 시간, 의료진 배치, 수술실 일정, 약제 재고를 동시에 확인한다. 이후 환자 분류, 검사 우선순위, 병상 배정, 인력 재배치 시나리오를 제안할 수 있다.

물류센터에서는 주문, 재고, 로봇, 컨베이어, 스캐너, 카메라, 트럭 도착 정보가 실시간으로 움직인다. Agentic AI는 특정 시간대에 주문이 몰리면 어느 구역의 피킹 인력이 부족한지, 어떤 컨베이어가 병목인지, 어떤 출고 차량의 적재 순서를 바꿔야 하는지 판단한다. 외부 교통 데이터와 배송 우선순위까지 반영하면 출고 순서와 배송 경로도 조정할 수 있다.

리테일 매장에서도 POS 데이터, 재고 데이터, 매대 카메라, 고객 동선, 온라인 주문, 지역 날씨, 프로모션 정보가 동시에 발생한다. Agentic AI는 특정 상품의 판매 속도가 예상보다 빠르면 매장 재고와 근처 물류센터 재고를 함께 조회하고, 자동 발주나 매대 재배치를 제안할 수 있다. 특정 시간대에 고객이 몰리면 계산대 인력 배치나 픽업 주문 처리 순서도 조정할 수 있다.

이 사례들의 공통점은 분명하다. Agentic AI는 현장의 데이터를 단순히 수집하는 기술이 아니라, 그 데이터를 여러 시스템과 연결해 판단하고 다시 실행으로 되돌리는 기술이다. 이 과정에서 Edge Data Point와 Cloud 사이의 저지연 연결, 그리고 Cloud 내부의 동서 트래픽 처리 능력이 동시에 중요해진다.

Edge-to-Cloud 연결이 중요해지는 이유

Agentic AI의 효율성은 현장 데이터를 얼마나 빠르게 가져오고, 판단 결과를 얼마나 빠르게 현장 시스템에 되돌려보내는지에 따라 달라진다. 제조공장의 불량 감지, 병원의 응급실 운영, 물류센터의 출고 순서 조정, 매장의 자동 발주 기능은 모두 실시간성에 가까운 연결을 요구한다.

이때 필요한 것은 단순 인터넷 접속이 아니다. 현장에서 발생하는 고해상도 영상, 센서 데이터, 로봇 제어 데이터, 재고·주문 데이터가 안정적으로 클라우드와 AI 데이터센터까지 이동해야 한다. 동시에 AI가 만든 판단 결과가 현장 장비와 업무 시스템으로 다시 내려와야 한다.

따라서 AI가 현장으로 확산될수록 네트워크 수요는 두 방향에서 동시에 증가한다. 첫째, 클라우드와 AI 데이터센터 내부에서는 모델, 스토리지, 데이터베이스, 업무 시스템 사이의 동서 트래픽이 늘어난다. 둘째, 공장·병원·물류센터·매장 같은 Edge Data Point와 클라우드 사이에서는 저지연 access, backhaul, middle-mile 연결의 중요성이 커진다.

이 구분이 중요하다. 동서 트래픽은 주로 데이터센터 내부와 클라우드 간 연결의 문제다. 반면 access·backhaul·last-mile은 현장 데이터를 AI 인프라로 끌어올리고, AI의 판단을 다시 현장으로 내려보내는 문제다. 두 영역은 서로 다르지만, Agentic AI가 확산될수록 함께 성장할 수밖에 없다.

백엔드가 먼저 커지고, 이후 프론트엔드와 DCI가 따라온다

AI 데이터센터 내부에서는 가장 먼저 백엔드 네트워크가 압박을 받는다. 백엔드 네트워크는 GPU, AI accelerator, 스토리지, 서버 노드를 연결하는 영역이다. 대규모 추론과 학습에서는 여러 GPU가 하나의 거대한 컴퓨팅 풀처럼 움직여야 한다. 이때 GPU 간 데이터 이동이 느리면 전체 시스템 효율이 떨어진다.

Agentic AI는 이 압박을 더 강하게 만든다. 단일 모델 호출로 끝나는 작업보다, 계획 수립, 데이터 검색, 도구 호출, 결과 검증, 재추론이 반복되는 작업이 훨씬 많은 내부 트래픽을 만든다. 이 때문에 고속 Ethernet, 800G·1.6T 스위칭, 광모듈, 저지연 패브릭, congestion control, telemetry의 중요성이 커진다.

다만 백엔드 투자가 커진다고 해서 프론트엔드의 의미가 약해지는 흐름은 아니다. 백엔드가 강해질수록 다음 병목은 외부 연결에서 발생한다. AI 클러스터가 더 빠르게 추론하고 더 많은 요청을 처리할 수 있게 되면, 그 클러스터에 데이터를 넣고 빼는 경로가 중요해진다.

프론트엔드는 사용자 접속망만을 뜻하지 않는다. AI 클러스터를 외부 클라우드, 기업 데이터센터, 스토리지, WAN, 데이터센터 인터커넥트와 연결하는 영역이다. 기업 데이터가 퍼블릭 클라우드, 사내 데이터센터, 지점, 엣지 장비에 흩어져 있다면 AI 클러스터의 성능은 프론트엔드·DCI·WAN의 품질과 함께 결정된다.

따라서 AI CAPEX의 사이클은 백엔드와 프론트엔드가 서로 대체되는 구조보다, 백엔드 우선 투자 → 프론트엔드·DCI 후행 압력 → WAN·Access 확장의 순서로 전개될 가능성이 높다.

프론트엔드, 백엔드, DCI를 잘 도식화해놓은 표
Marvell

Scale Across의 본질은 여러 데이터센터와 현장을 하나의 AI 인프라처럼 묶는 것이다

Scale Up은 서버 내부와 랙 단위의 고밀도 연결을 의미한다. Scale Out은 데이터센터 내부에서 대규모 GPU 클러스터를 확장하는 단계다. 그 다음 단계인 Scale Across는 여러 데이터센터, 클라우드, 지역 거점, 산업 현장을 하나의 AI 인프라처럼 연결하는 경쟁이다.

Agentic AI가 강해질수록 기업은 단일 데이터센터 안에서만 AI를 운영하기 어렵다. 데이터는 분산되어 있고, 컴퓨팅 자원은 특정 지역의 대형 AI 데이터센터에 집중되며, 사용자와 현장 접점은 여러 지역으로 퍼져 있다. 이 세 가지가 서로 다른 위치에 존재하는 순간 AI 성능은 네트워크 구조에 의해 결정된다.

이때 필요한 것은 단순 인터넷 회선이 아니다. 데이터센터 간 전용 연결, 광전송망, 클라우드 온램프, 파장 서비스, 라우팅 자동화, 저지연 백본, 고속 광모듈이 중요해진다. AI가 더 많은 현실 세계의 데이터를 사용하려면, 현장 Edge Data Point와 클라우드 AI 인프라가 안정적으로 연결되어야 한다.

이 관점에서 광통신 인프라 CAPEX는 데이터센터 내부에서 시작해 데이터센터 간 연결로 확장되고, 다시 기업 지점과 엣지로 이어진다. AI가 산업 현장에 깊게 들어갈수록 광통신망은 AI 인프라의 외곽 설비가 아니라 현장 실행력을 결정하는 핵심 인프라로 재평가될 가능성이 높다.

BEAD와 FTTH는 분산형 AI 인프라 관점에서 다시 봐야 한다

Access, backhaul, last-mile 투자도 다시 볼 필요가 있다. 다만 논리의 순서를 정확히 잡아야 한다. 동서 트래픽이 중요해진다고 해서 FTTH나 BEAD가 곧바로 AI 백엔드 수혜가 되는 구조는 아니다.

AI 백엔드 네트워크는 주로 데이터센터 내부와 데이터센터 간 연결의 문제다. 반면 FTTH와 BEAD는 가정, 지역, 농촌, 중소도시, 커뮤니티 기관에 고속 인터넷을 공급하는 access 인프라 성격이 강하다. 따라서 둘을 직접 같은 투자 테마로 묶기보다는, 분산형 AI 활용을 가능하게 하는 인프라라는 관점에서 연결하는 편이 더 자연스럽다.

Agentic AI가 대형 클라우드 안에서만 쓰인다면 last-mile의 중요성은 제한적일 수 있다. 그러나 AI가 병원, 학교, 지방정부, 제조공장, 물류센터, 리테일 매장, 농업 현장, 중소기업 업무 시스템으로 확산되면 이야기가 달라진다. AI가 판단에 사용할 데이터는 대형 데이터센터 안에서만 만들어지지 않는다. 엣지와 지점, 지역망, 현장 장비에서 계속 생성된다.

따라서 BEAD와 FTTH의 재부각 논리는 “데이터센터 내부 동서 트래픽 증가”가 아니라, AI 활용 지점이 엣지와 지역으로 분산되면서 endpoint와 last-mile access의 전략적 가치가 올라간다는 데 있다.

Corning의 증설은 광통신 CAPEX가 AI 공급망의 핵심으로 들어왔다는 신호다

이러한 구조적 변화는 공급자들의 투자 결정에서도 확인된다. Corning은 NVIDIA와의 장기 파트너십을 통해 미국 내 광통신 생산능력을 대폭 확대하겠다고 발표했다. 핵심은 미국 내 optical connectivity 제조능력을 10배 확대하고, 미국 내 광섬유 생산능력을 50% 이상 늘리며, 노스캐롤라이나와 텍사스에 신규 제조시설 3곳을 건설한다는 내용이다. 신규 고용 규모도 3,000명 이상으로 제시됐다.

이 발표가 중요한 이유는 단순한 공장 증설 뉴스에 그치지 않기 때문이다. NVIDIA가 Corning과 손잡은 배경에는 AI 데이터센터에서 광연결이 병목으로 부상하고 있다는 판단이 깔려 있다. 현대 AI 워크로드는 수천 개의 GPU를 하나의 거대한 컴퓨팅 시스템처럼 묶어야 하고, 이 과정에서 고성능 광섬유, 커넥티비티, 포토닉스가 대량으로 필요하다.

이는 앞서 설명한 네트워크 투자 논리와 맞물린다. AI 데이터센터가 커질수록 GPU만 늘어나는 흐름에 머물지 않는다. GPU를 연결하는 광섬유, 고밀도 커넥터, 광모듈, 광전송 장비, 데이터센터 간 연결 인프라가 함께 필요해진다. AI factory의 규모가 커질수록 네트워크는 부속 설비가 아니라 AI 인프라의 핵심 구성요소가 된다.

Corning의 증설 계획은 두 가지 의미를 갖는다. 첫째, 대형 고객과 공급자가 광섬유·광연결을 AI 공급망의 전략 품목으로 보고 있다는 점이다. 둘째, 단기 공급 부족을 완화하기 위해서는 대규모 CAPEX와 시간이 필요하다는 점이다. 프리폼, 광섬유, 고밀도 연결 제품은 단기간에 공급이 탄력적으로 늘어나기 어렵기 때문이다.

프리폼이 얼마나 만들기 어렵고, 그 프리폼을 광섬유로 전환하는 과정도 얼마나 민감한지를 보여주는 글

광섬유 가격 상승은 구조적 수요 변화를 반영하기 시작했다

광통신 밸류체인의 가격 흐름도 같은 방향을 가리킨다. 중국 G.657.A2 광섬유 가격은 2025년 말 또는 2026년 초 이전 32~35위안/芯公里 수준에서, 2026년 3~4월 210~240위안/芯公里 수준까지 급등한 것으로 파악된다. 공개 자료상 A2급 프리폼 자체의 현물가격 시계열은 제한적이지만, 완제품 광섬유 가격 급등의 배경에는 상류 프리폼 공급 병목이 자리한다는 설명이 반복적으로 제시되고 있다.

https://business.cctv.com/2026/04/21/ARTIGxdq0f22sHxu7nx9dGug260421.shtml
https://www.21jingji.com/article/20260310/herald/78991d2bb98e6982bef768f899e26a27.html
https://36kr.com/p/3743708854009864?utm_source=chatgpt.com

중요한 점은 이번 가격 상승을 단순한 재고 사이클로만 보기 어렵다는 것이다. 과거 광섬유 수요는 5G, FTTH, 통신망 보급률 상승에 좌우되는 성격이 강했다. 그러나 지금은 AI 데이터센터 내부 고속 광연결, 데이터센터 간 DCI, 클라우드 간 연결, 엣지·지점 데이터를 AI 인프라로 연결하는 backhaul 수요가 동시에 커지고 있다.

결국 광섬유는 가정과 기지국을 연결하는 소재를 넘어, GPU 클러스터와 데이터센터, 클라우드와 엣지를 연결하는 AI 인프라의 핵심 소재로 재평가되고 있다. Corning의 대규모 증설 발표도 이 가격 흐름과 같은 방향을 가리킨다. 가격 상승은 수요가 공급보다 빠르게 움직이고 있다는 시장 신호이고, 글로벌 선도 업체의 증설은 그 수요가 일시적 현상에 그치지 않을 수 있다는 산업적 대응이다.

물론 단기적으로는 급등 이후 가격 조정, 신규 증설, 기술별 수요 변화, 중국 업체의 공급 대응을 함께 점검해야 한다. 그럼에도 큰 방향은 분명하다. 추론 AI와 Agentic AI가 동서 트래픽을 늘리고, 백엔드·프론트엔드·DCI·access 인프라 투자를 순차적으로 자극한다면, 광섬유 수요 역시 과거 통신망 투자 사이클을 넘어 AI CAPEX의 확장된 수혜 영역으로 편입될 수 있다.

결론: AI CAPEX는 GPU에서 광통신 인프라로 확장된다

AI 투자의 첫 번째 국면은 GPU와 데이터센터였다. 그러나 추론 AI와 Agentic AI가 확산될수록 투자 논리는 더 넓어진다. AI는 더 많은 데이터를 찾아야 하고, 더 많은 시스템을 호출해야 하며, 더 많은 검증 루프를 수행해야 한다. 이 과정에서 네트워크는 AI 성능과 비용을 결정하는 핵심 요소가 된다.

가장 먼저 부각되는 것은 동서 트래픽이다. AI가 데이터를 찾아 움직이고, 모델과 모델이 연결되며, GPU 클러스터와 스토리지가 실시간으로 상호작용하는 구조에서는 데이터센터 내부와 데이터센터 간 네트워크가 중요해진다.

그 다음에는 백엔드 네트워크 CAPEX가 커진다. Agentic AI의 반복 검증 루프는 GPU 간 통신과 클러스터 내부 데이터 이동을 늘리고, 이는 고속 Ethernet, 광모듈, 스위칭 장비, 저지연 패브릭 수요로 연결된다.

이후에는 프론트엔드, DCI, WAN 투자 압력이 뒤따른다. 백엔드가 강해질수록 AI 클러스터를 외부 데이터, 클라우드, 스토리지, 기업 시스템과 연결하는 경로가 다시 병목이 되기 때문이다.

마지막으로 access, backhaul, last-mile의 중요성이 재평가된다. AI가 대형 데이터센터 안에서만 작동하는 기술을 넘어, 공장·병원·물류센터·매장 같은 Edge Data Point로 확산될수록 endpoint를 AI 인프라와 연결하는 광통신망의 전략적 가치는 커진다.

결국 AI 시대의 CAPEX는 GPU 구매에서 끝나지 않는다. 연산 자원을 연결하고, 분산된 데이터를 묶고, 엣지의 현실 세계를 AI 모델과 이어주는 광통신 인프라 CAPEX로 확장된다. 최근 광섬유 가격 상승과 Corning의 대규모 광통신 생산능력 확장 계획은 이 변화가 이미 공급망과 가격에 반영되기 시작했음을 보여준다.

=끝