2026년 8월 13일 목요일

생각정리 340 (* BTM, Gas Turbin, Gas Engine, Electrical Equipment)

다음주 월요일 2026.08.17 BTM 관련해 의미있는 발표가 나오기전 미리 리서치 기록을 남겨본다.

BTM이 더하는 것은 전력이 아니라 시간이다

AI의 다음 병목이 발전기·엔진·전력기기로 이동하는 이유

AI 경쟁의 단위는 점차 아래로 내려가고 있다.

Intelligence per Token
→ Task per Dollar
→ Task per MW
→ Economic Value per MW

기업은 모든 업무에 가장 지능적인 모델을 사용하지 않는다. 업무의 난이도와 오류 비용에 따라 모델을 배치하고, 여러 종류의 Chip과 데이터센터에 Workload를 Routing하면서 제한된 Compute를 가장 높은 경제적 가치의 Task에 할당한다.

그러나 경쟁 단위가 MW까지 내려오면 새로운 질문이 등장한다.

그 MW를 언제부터 사용할 수 있는가.

2027년에 가동할 수 있는 1MW와 2030년에야 사용할 수 있는 1MW는 동일한 자원이 아니다. AI Compute 수요가 공급능력을 초과하는 상황에서는 같은 전력이라도 가동 시점이 빠를수록 훨씬 큰 경제적 가치를 갖는다.

따라서 AI 생산성의 다음 단위는 단순한 Economic Value per MW보다 시간 개념을 포함한

Economic Value per Energized MW-Year

에 가까워질 가능성이 높다.

8월 17일 미국의 대규모 부하 연결 규제 시한과 Behind-the-Meter, 이하 BTM 논의가 중요한 이유도 여기에 있다.

BTM은 미국 전체의 전력량을 새로 늘리는 정책이 아니다. 대신 데이터센터가 전력을 공급받는 시점을 앞당길 수 있도록 해준다.

그리고 그 과정에서 병목은 사라지지 않는다.

Grid Interconnection Queue에서 발전기·엔진·Transformer·Switchgear의 제조 대기열로 이동한다.

1. 8월 17일은 결론의 날보다 방향이 드러나는 첫 관찰일이다

FERC는 6월 18일 PJM, MISO, SPP, CAISO, ISO-NE, NYISO 등 관할 6개 전력시장 운영자에게 대규모 부하 연결 규칙을 정당화하거나 새로운 Tariff를 제출하도록 요구했다.

검토 항목은 대규모 부하의 접속 심사, Network Upgrade 비용 부담, Co-location과 BTM 발전, Flexible Load를 위한 새로운 송전서비스, 인접 발전소와 대규모 부하의 통합 심사 등 다섯 가지다. 각 운영자에게 주어진 기본 응답 기간은 60일이며, 그 시한이 8월 17일이다. (Federal Energy Regulatory Commission)

그중 가장 중요한 사례는 PJM이다.

FERC가 인용한 PJM 전망에 따르면 2024년부터 2030년까지 PJM의 Peak Load는 약 32GW 증가하며, 그중 약 30GW가 데이터센터에서 발생할 것으로 예상된다. 미국 데이터센터 전력 문제의 가장 큰 실험장이 PJM인 이유다.

다만 8월 17일에 완성된 규칙이 바로 나올 가능성은 높지 않다.

PJM은 7월 28일 해당 절차를 90일간 보류해 달라고 FERC에 요청했다. 대규모 부하 규칙과 별도로 진행 중인 Co-location 규칙을 함께 정리하고, 이해관계자 협의를 거쳐 자체 Tariff 개정안인 Section 205 Filing을 11월 초에서 중순 사이에 제출하겠다는 계획이다. (PJM)

FERC 역시 처음부터 운영자가 구체적인 Tariff 개정 계획을 제시할 경우 최대 90일의 Abeyance를 요청할 수 있도록 했다. 따라서 월요일에 일부 Compliance Filing이 제출되더라도, PJM의 핵심 설계는 11월로 넘어갈 가능성이 높다. (Federal Energy Regulatory Commission)

그렇다고 월요일의 의미가 작아지는 것은 아니다.

이번 절차에서 확인해야 할 것은 최종 문구보다 미국이 대규모 데이터센터를 어떤 방식으로 전력시스템에 편입하려 하는가이다.

PJM이 제시한 개념안은 New Services Request 절차를 약 12개월로 단축하고, 모든 Network Upgrade가 완료되기 전에 사용할 수 있는 Interim Deliverability와 통제 가능한 Non-Firm Service를 검토하는 방향이다. 핵심은 데이터센터를 무조건 기다리게 하는 것이 아니라, 조건부로 먼저 연결하고 필요할 때 Grid Withdrawal을 제한하는 구조다. (PJM)

이는 미국의 정책 방향이 다음과 같이 이동하고 있음을 보여준다.

Wait for Full Grid Capacity
→ Connect Earlier with Conditions
→ Curtail, Self-Supply or Switch During Stress

BTM은 이 구조를 가능하게 하는 핵심 수단이다.

2. BTM의 본질은 발전비 절감이 아니라 Time-to-Power 단축이다

BTM 자가발전을 한다고 데이터센터가 소비할 수 있는 전력 총량에 동일한 전력이 한 번 더 추가되는 것은 아니다.

전력회사로부터 공급받던 전자를 현장 가스터빈이나 가스엔진이 대신 공급할 뿐이다. 전력의 공급 주체는 달라지지만 데이터센터가 소비하는 전력량 자체는 그대로다.

그럼에도 BTM은 상당한 경제적 가치를 가진다.

데이터센터가 Grid Interconnection을 기다리느라 3년 뒤에 가동되는 대신, 현장 발전을 이용해 18개월 뒤에 가동될 수 있다면 BTM은 18개월의 AI Compute 매출을 앞당긴다.

따라서 BTM의 가치는 단순한 발전단가 비교로 계산할 수 없다.

**BTM의 경제적 가치
= 앞당겨진 AI 매출과 Gross Profit

전력공급 신뢰성의 Option Value

추가 발전설비·연료·환경비용**

AI 데이터센터의 Economic Value per MW가 높을수록 개발자는 비싼 발전설비와 높은 연료비를 감수할 수 있다.

가스터빈이나 엔진 발전의 Levelized Cost of Electricity가 Grid Power보다 높더라도, 데이터센터 가동 지연으로 잃게 되는 경제적 가치보다 작다면 BTM을 선택하는 것이 합리적이다.

즉 BTM 수요를 움직이는 것은 전력가격만이 아니다.

Cost of Electricity보다 Cost of Delay가 더 중요해지는 시장이다.

이 차이는 발전기 업체의 Pricing Power를 이해하는 데 중요하다.

일반적인 발전사업자는 터빈 가격을 프로젝트의 예상 전력판매가격과 비교한다. 반면 Hyperscaler는 발전기 가격을 지연될 AI Compute Revenue와 비교할 수 있다.

같은 터빈이라도 구매자의 경제성이 완전히 달라진다.

3. Grid Queue가 짧아지면 Equipment Queue가 길어진다

BTM은 전력망 접속 병목을 완화하지만, 물리적인 공급능력을 새로 만들어내지는 않는다.

Grid Queue를 우회한 프로젝트는 곧바로 다른 제약조건에 부딪힌다.

Gas Turbine
→ Reciprocating Engine
→ Generator
→ Transformer
→ Switchgear·Breaker
→ Microgrid Control
→ Gas Pipeline·Compression
→ Permitting

순서로 병목이 이동한다.

대형 캠퍼스의 전력공급 방식은 프로젝트 규모와 가동 시점에 따라 달라진다.

Wärtsilä는 데이터센터 전력시장을 설명하면서 대략 50~400MW 규모를 중속 가스엔진이 경쟁력을 갖는 구간으로, 400MW 이상의 대형 프로젝트를 Heavy-Duty Gas Turbine이 주로 담당하는 구간으로 구분한다. 대규모 캠퍼스도 처음부터 1GW를 한 번에 건설하기보다는 100~200MW 단위로 단계적으로 가동하기 때문에 엔진과 터빈이 함께 사용될 수 있다. (Wärtsilä)

가스엔진은 모듈 단위로 추가할 수 있고 상대적으로 빠른 단계적 가동이 가능하다. 가스터빈은 대규모 전력에서 효율과 운영비 측면의 장점이 있지만, 제작과 EPC에 더 긴 시간이 필요할 수 있다.

따라서 BTM 시장은 한 가지 발전기술이 독점하기보다 다음과 같이 분화될 가능성이 높다.

초기 Energization과 단계적 증설은 엔진·Genset
→ 대규모 장기 Baseload는 가스터빈·CCGT
→ 순간 변동과 전환은 Battery·UPS·Control System

실제 주문에서도 이러한 변화가 나타나고 있다.

Cummins는 2026년 6월 West Texas의 AI 캠퍼스에 천연가스 Genset을 이용한 BTM Prime Power System을 공급하는 계약을 발표했다. 장비 인도는 2026년부터 2030년까지 진행되며, 단순 비상발전기가 아니라 데이터센터의 주 전원으로 사용되는 구조다. (Cummins Inc.)

Wärtsilä는 미국 데이터센터 관련 3개 프로젝트에서 총 1.2GW의 주문을 확보했다고 밝혔다. 이 중 789MW는 42대의 50SG 엔진을 이용해 데이터센터에 연속적인 Primary Power를 공급하는 프로젝트이며, 회사는 증가하는 수요에 대응하기 위해 핀란드 생산능력을 35% 확대하고 있다. (Wärtsilä)

Caterpillar도 2026년 2분기 Power Generation 매출 증가가 데이터센터용 대형 왕복엔진과 터빈 판매에서 주로 발생했다고 설명했다. Power & Energy 부문의 매출은 전년 대비 17%, 부문이익은 30% 증가했으며, 가격 인상 효과도 실적에 기여했다. (Caterpillar Inc.)

대형 가스터빈에서는 제조 Capacity의 제약이 더 분명하다.

GE Vernova의 Gas Power 장비 Backlog와 Slot Reservation은 2026년 1분기 100GW에서 2분기 116GW로 증가했다. 반면 회사의 연간 가스터빈 생산능력은 2026년 3분기 기준 20GW 수준이며, 2028년 24GW, 2030년 30GW로 확대할 계획이다. (GE Vernova)

116GW를 모두 데이터센터 수요로 볼 수는 없다. Utility와 산업용 발전 수요가 함께 포함된 숫자다.

그러나 이 차이는 오히려 병목을 강화한다.

AI 데이터센터는 자신들끼리만 발전설비를 놓고 경쟁하는 것이 아니다. Utility의 노후 발전소 교체, 전력수요 증가, 제조업 리쇼어링, Grid Reliability 투자와 동일한 생산라인을 두고 경쟁한다.

결국 BTM이 확산될수록 희소자원은 발전기 자체를 넘어 발전기의 제조 Slot이 된다.

가동 시점이 중요한 Hyperscaler에게 2028년 인도 Slot과 2031년 인도 Slot은 전혀 다른 상품이다. 따라서 장비 예약계약은 단순한 구매계약이 아니라 Time-to-Power에 대한 Option의 성격을 갖는다.

GPU Allocation 경쟁이 발전기 Factory Slot 경쟁으로 이어지는 구조다.

4. 더 큰 수혜는 발전설비보다 전력기기 전체에서 나타날 수 있다

BTM을 가스터빈이나 엔진만의 수요로 보는 것은 범위를 지나치게 좁힌다.

발전설비가 전기를 생산하더라도 그 전력을 AI Server에 바로 공급할 수는 없다.

발전기에서 만들어진 전력은 전압을 조정하고, 보호하고, 변환하고, 분배해야 한다. 데이터센터의 BTM Power Island에는 최소한 다음과 같은 장비가 필요하다.

Generator·Alternator
→ Step-Up·Step-Down Transformer
→ Medium·High Voltage Switchgear
→ Circuit Breaker·Protection Relay
→ UPS·Battery·Busway
→ Microgrid Controller
→ Cooling·Power Quality System

더 중요한 것은 BTM이 반드시 완전한 Off-Grid를 의미하지 않는다는 점이다.

FERC와 PJM이 검토하는 구조는 BTM 발전을 보유한 데이터센터가 평상시에는 Grid에서 일부 전력을 공급받고, 계통이 부족한 시간에는 인출량을 제한하거나 자체 발전으로 전환하는 Hybrid System에 가깝다. (Federal Energy Regulatory Commission)

이 경우 데이터센터는 현장 발전설비만 필요한 것이 아니다.

BTM 발전소를 구축하기 위한 전력기기가 먼저 필요하고, 향후 정식 Grid Connection이 완성되면 Substation과 Interconnection Equipment가 추가로 필요하다.

따라서 BTM은 송배전 투자를 완전히 대체하기보다 전력기기 투자를 두 단계로 앞당기고 확대할 가능성이 있다.

1단계: On-site Prime Power와 Microgrid 구축
2단계: Grid Interconnection과 Hybrid Operation 구축

한 캠퍼스가 현장 발전과 Grid Interface를 모두 보유하면 MW당 Electrical Content가 오히려 증가할 수 있다.

현재 주문 데이터도 이러한 방향을 보여준다.

GE Vernova는 2026년 2분기에 Electrification 부문에서 데이터센터 관련 주문 27억 달러를 확보했고, 상반기 누적 주문은 50억 달러를 넘었다. 이는 2025년 연간 데이터센터 주문의 두 배 이상이다. Electrification의 장비 Backlog도 400억 달러를 넘어섰다. (GE Vernova)

Eaton의 Electrical Americas 부문은 2026년 2분기 12개월 평균 주문이 41% 증가했고, Backlog는 전년 대비 33% 늘었다. 회사는 이전 분기부터 데이터센터 Momentum을 주문 증가의 주요 원인으로 지목해 왔다. (Eaton)

Schneider Electric도 2026년 상반기 데이터센터가 수요 증가를 주도했다고 밝혔다. 2분기 Energy Management 매출은 유기적으로 18% 증가했고, 그룹 매출과 수익성도 사상 최고치를 기록했다. (Schneider Electric)

이것은 단순한 경기순환적 주문 증가로 보기 어렵다.

미국 에너지부는 Transformer, Circuit Breaker, Substation Component, Power Electronics의 공급망 부족으로 핵심 전력기기의 Lead Time이 2년 이상으로 늘어났다고 평가한다. 일부 Transformer 가격은 지난 5년 동안 4~9배 상승했다. (The Department of Energy's Energy.gov)

BTM이 확대되면 이 부족한 장비가 Grid Utility와 데이터센터 현장 발전에 동시에 필요해진다.

즉 BTM은 발전기 수요만 늘리는 것이 아니라 이미 공급이 부족한 전력기기 산업에 새로운 수요층을 추가한다.

5. Backup Power가 Prime Power로 전환되면 수익의 질도 달라진다

과거 데이터센터의 엔진과 Genset은 주로 비상발전용이었다.

정전이 발생할 때만 가동되기 때문에 장비 판매 이후의 운전시간과 Service 수요가 제한적이었다.

BTM에서는 성격이 달라진다.

엔진과 터빈이 데이터센터의 Primary Power 또는 장기간의 Bridge Power로 사용되면 가동시간이 크게 늘어난다. 장비 신뢰성, 연료효율, Maintenance, Spare Parts, Remote Monitoring, 장기 Service Agreement의 중요성도 함께 높아진다.

Wärtsilä는 Off-Grid 데이터센터 발전소가 높은 운전시간을 갖기 때문에 장비 판매뿐 아니라 장기 Service와 Lifecycle Margin 측면에서 매력적인 시장이라고 설명한다. (Wärtsilä)

이 변화는 Earnings 구조에도 중요하다.

BTM 확대
→ Prime Power 장비 주문 증가
→ 장비 가격과 선수금 상승
→ Installed Base 확대
→ 부품·정비·장기서비스 증가
→ Revenue Visibility와 Lifecycle Margin 개선

단순한 Backup Generator 판매보다 Prime Power와 Microgrid Solution의 매출 규모가 크고, 장기 서비스까지 연결될 가능성이 높다.

발전설비 업체가 단순한 하드웨어 공급자에서 데이터센터의 Power Availability를 보장하는 사업자로 이동하는 것이다.

전력기기 업체도 마찬가지다.

Transformer나 Switchgear 하나를 판매하는 데서 끝나지 않고, 데이터센터의 전체 Power Architecture를 설계하고 제어하는 Solution Provider가 더 높은 부가가치를 가져갈 수 있다.

따라서 BTM에서 중요한 기업은 단순히 가장 많은 터빈을 만드는 기업이 아니다.

Generation + Electrification + Control + Service

를 함께 제공할 수 있는 기업이 더 큰 경제적 Rent를 확보할 가능성이 높다.

6. 산업의 인과관계는 발전기에서 끝나지 않는다

BTM이 전력기기 산업의 Earnings로 연결되는 과정은 다음과 같다.

AI Task Demand 증가
→ Economic Value per MW 상승
→ Time-to-Power의 가치 상승
→ BTM·Co-location 채택 증가
→ 엔진·터빈·발전기 주문 증가
→ Transformer·Switchgear·UPS·Control 주문 증가
→ 장비 Lead Time과 가격 상승
→ 수주잔고와 매출 가시성 개선
→ Product Mix와 Service Mix 개선
→ Margin·Cash Flow 증가
→ Valuation Premium

여기에서 가장 중요한 변수는 단순한 주문액이 아니다.

투자자는 다음을 구분해서 봐야 한다.

첫째, Backlog가 실제 생산량으로 얼마나 빠르게 전환되는가이다. 주문이 많더라도 공장 Capacity를 확대하지 못하면 매출 인식은 지연된다.

둘째, 가격 상승이 원자재·인건비·증설비용보다 큰가이다. 장기 계약에서 원가 상승을 전가할 수 있는지에 따라 Backlog의 수익성이 달라진다.

셋째, Backup과 Prime Power의 Mix가 어떻게 변하는가이다. Prime Power 비중이 높아질수록 장비당 매출과 Service Revenue가 증가할 가능성이 높다.

넷째, 발전장비와 전력기기를 함께 판매할 수 있는가이다. Hyperscaler는 부품 하나보다 빠르게 가동할 수 있는 Integrated Power Solution에 더 높은 가격을 지불할 수 있다.

결국 산업의 핵심 KPI도 달라진다.

Order Growth보다 Factory Slot
Backlog보다 Margin Quality
Equipment Sales보다 Service Attachment
Installed MW보다 Energized MW

가 더 중요해진다.

7. 가장 강한 반론은 수요가 아니라 실현률에 있다

이 Thesis가 틀릴 수 있는 가장 강한 이유는 전력 공급이 갑자기 충분해지는 것이 아니다.

발표된 데이터센터 프로젝트가 실제로 모두 건설되지 않을 가능성이다.

대규모 부하 대기열에는 중복 신청, 초기 단계 프로젝트, 전력 확보를 위한 선점성 요청이 포함될 수 있다. EPRI의 데이터센터 전력 전망도 Low Scenario에서는 건설 중인 프로젝트와 Advanced Planning 프로젝트의 일부만 완공되고, High Scenario에서는 더 많은 프로젝트가 공급망과 인허가 제약을 극복한다고 가정한다. (Powering Intelligence)

Model과 Chip의 효율 개선이 Task 증가보다 빨라지거나, AI의 실제 Monetization이 기대에 미치지 못하면 데이터센터 개발자는 예약한 발전설비 Slot을 취소하거나 프로젝트를 연기할 수 있다.

이 경우 장기간 쌓인 Backlog는 강점이 아니라 취소와 가격 정상화 위험으로 바뀐다.

두 번째 위험은 인허가다.

FERC는 Interstate Transmission과 Wholesale Tariff를 다루지만 발전소 입지, 대기오염 허가, 소매 전력요금과 상당수 환경 규제는 주정부와 지방정부의 권한으로 남아 있다. FERC가 BTM의 송전시장 규칙을 정리하더라도 현장 가스터빈, 엔진, Gas Pipeline이 자동으로 허가되는 것은 아니다. (Federal Energy Regulatory Commission)

세 번째 위험은 BTM의 조건이 예상보다 엄격해지는 경우다.

PJM의 구상처럼 신규 대규모 부하가 충분한 신규 발전원을 확보하지 못하면, 계통이 부족한 시간에 부하를 줄이거나 현장 Backup Resource로 전환해야 할 수 있다. Network Upgrade와 Resource Adequacy 비용도 데이터센터에 더 직접적으로 부과될 가능성이 높다. (PJM)

이 경우 BTM은 값싼 우회로가 아니라

발전설비를 직접 확보하고, 계통비용을 부담하며, 필요할 때 부하까지 조절해야 하는 조건부 서비스

가 된다.

그러나 이러한 조건이 발전기와 전력기기 수요를 반드시 약화시키는 것은 아니다.

오히려 Data Center가 자체 공급능력과 신뢰성을 입증해야 한다면 더 많은 On-site Generation, Storage, Control, Protection Equipment가 필요할 수 있다.

규제가 느슨해져도 장비가 필요하고, 규제가 엄격해져도 Compliance를 위한 장비가 필요하다.

수요가 실제로 존재한다는 전제 아래에서는 병목이 전력기기 산업으로 이동할 가능성이 높은 이유다.

결론: BTM은 전력의 천장을 높이지 않지만 희소성의 가격을 높인다

8월 17일에 미국의 완성된 BTM 정책이 한 번에 나올 가능성은 높지 않다.

FERC는 지역별 차이를 인정하고 있고, PJM은 90일의 추가 시간을 요청했다. 가장 중요한 PJM의 Tariff 설계는 11월 초에서 중순에 구체화될 가능성이 높다.

그러나 정책의 큰 방향은 이미 드러나고 있다.

미국은 모든 Network Upgrade와 신규 발전소가 완성될 때까지 데이터센터를 기다리게 하는 방식만으로는 AI 전력수요를 처리하기 어렵다고 판단하고 있다.

대신

**Flexible Load

Conditional Interconnection
Co-location
Behind-the-Meter Generation
Bring Your Own Capacity**

를 결합해 데이터센터를 먼저 연결하고, 시스템이 부족한 시간에는 Grid Withdrawal을 제한하는 방향으로 이동하고 있다.

이 구조에서 BTM은 새로운 전력을 무한히 추가하지 않는다.

대신 미래에 공급될 전력을 현재로 앞당긴다.

그리고 앞당겨진 MW의 경제적 가치가 높을수록 Hyperscaler의 발전설비와 전력기기에 대한 지불의사도 높아진다.

현재 가장 가능성이 높은 경로는 BTM이 완전한 Off-Grid의 장기 해법이 아니라 Grid Connection이 완성될 때까지의 Bridge이자 이후에도 유지되는 Hybrid Power Architecture로 자리 잡는 것이다.

가장 과소평가된 부분은 BTM이 가스터빈 수요에만 영향을 주는 것이 아니라는 점이다.

현장발전에는 엔진·Generator뿐 아니라 Transformer, Switchgear, Breaker, UPS, Busway, Protection System, Microgrid Control이 필요하다. 이후 Grid에 연결될 때는 또 다른 Substation과 Interconnection Equipment가 필요하다.

따라서 BTM은 전력망 투자를 대체하기보다 MW당 전력기기 투입량을 늘릴 수 있다.

가장 큰 비대칭적 기회는 BTM 규칙의 제도화와 Hyperscaler의 장비 Slot 선점이 제조 Capacity 증설보다 먼저 진행되는 경우다.

그렇게 되면 희소성의 Rent는 발전소 운영자에게만 가지 않는다.

가스터빈 제조사
→ 중속엔진·Genset 업체
→ Generator·Transformer 업체
→ Switchgear·UPS·Cooling 업체
→ Microgrid·Control 업체
→ 장기 Service 사업자

로 넓게 분산된다.

반대로 가장 큰 위험은 실제 AI 수요가 현재 프로젝트 Pipeline에 미치지 못하거나, Model·Chip 효율 개선으로 필요한 Firm MW가 예상보다 작아지는 경우다.

결국 확인해야 할 것은 발표된 데이터센터 GW가 아니다.

실제로 계약된 발전설비 MW, 확보된 Factory Slot, 설치된 전력기기, 그리고 가동을 시작한 Energized MW다.

AI 산업의 경쟁 단위는 다음 단계로 이동하고 있다.

Intelligence per Token
→ Task per Dollar
→ Task per MW
→ Economic Value per MW
→ Economic Value per Energized MW-Year

결국 전력의 시간가치가 높아질수록 그 시간을 앞당겨주는 발전기·엔진·전력기기의 희소성과 경제적 가치도 함께 높아질 것으로 생각된다.

=끝

2026년 8월 12일 수요일

생각정리 339 (* Naver x Nvidia, Neocloud)

NAVER를 바라보는 시각의 변화가 있어 관련 리서치를 기록으로 남겨본다.

NAVER × NVIDIA를 다시 보다

Agentic AI, Asset-light Capital, CLOUD Act가 바꾼 판단

지난 NAVER AI Factory 글의 첫 문장은 사실상 “Good luck, Naver..”였다.

당시 나는 NAVER가 제시한 AI Factory 계획을 상당히 부정적으로 봤다. 1GW Capacity에서 20조원의 매출과 20% 후반대 영업이익률을 만들겠다는 목표는 지나치게 공격적으로 느껴졌고, NVIDIA와의 협력 역시 NAVER만의 독점적인 관계라기보다 수많은 Cloud Partner 가운데 하나가 추가되는 정도로 생각했다.

솔직히 말하면 과거 두나무 인수 사례처럼 불리한 사업을 떠안았거나, 젠슨 황의 립서비스를 지나치게 긍정적으로 받아들인 것이 아닌가 하는 생각도 했다. NVIDIA 입장에서 NAVER는 있으면 좋지만 없어도 큰 문제가 없는 One of them에 불과하다고 봤다.

지금도 NAVER가 제시한 1GW·20조원 매출·20% 후반대 OPM을 Base Case로 반영하는 데에는 반대한다.

그러나 최근 Nebius의 실적발표와 CoreWeave·Nebius 같은 Neocloud의 전략 변화를 다시 살펴보고, NVIDIA가 AI Factory의 Software와 Financing Layer까지 확장하는 과정을 공부하면서 NAVER × NVIDIA의 산업적 의미에 대한 판단은 상당히 달라졌다.

여기에 미국의 CLOUD Act와 Sovereign AI, Data Sovereignty의 중요성이 커지는 흐름을 연결하면 새로운 가능성이 보인다.

NAVER가 NVIDIA GPU를 대규모로 구매해 임대하는 저ROIC Infrastructure 사업자가 아니라, 외부 Capital과 NVIDIA의 Compute Stack 위에 지역별 Data·Cloud·Agent·Application을 결합하는 Sovereign AI Production Platform으로 발전할 가능성이다.

이 글은 NAVER AI Factory에 대한 기존 판단을 완전히 뒤집기 위한 글은 아니다.

오히려 내가 과거에 무엇을 맞게 봤고, 무엇을 지나치게 단순하게 봤으며, 어떤 새로운 Evidence 때문에 판단을 얼마나 수정하게 됐는지 정리하기 위한 글이다.

판단 변화 요약

전략적 가능성에 대한 평가는 크게 올렸다.

그러나 2027~2030년 실적 추정치에 반영할 수 있는 가시성은 아직 크게 달라지지 않았다.

즉 Strategic Thesis는 상향했지만 Earnings Thesis는 아직 유보적이다.

1. 이전 판단이 틀렸다기보다 분석 단위가 너무 좁았다

NAVER가 모든 MW를 직접 소유한다는 전제

기존 글에서 내가 가장 우려했던 것은 NAVER의 기존 사업과 AI Factory 사업의 성격이 완전히 다르다는 점이었다.

검색·커머스·콘텐츠·핀테크는 플랫폼을 먼저 구축한 뒤 이용자와 거래가 증가할수록 추가 매출이 발생하는 구조다. 반면 AI Factory는 GPU, 서버, 네트워크, 냉각설비, 데이터센터, 전력과 금융비용을 먼저 투입한 뒤 고객과 Utilization을 확보해야 하는 자본집약적 사업이다.

당시 내 머릿속의 사업구조는 다음과 같았다.

NAVER Balance Sheet
→ GPU·서버·Data Center 투자
→ 전력과 냉각설비 확보
→ 고객 유치
→ Utilization Risk 부담
→ 감가상각과 이자비용 부담
→ GPU 세대교체 Risk 부담

이 구조에서는 AI 수요가 증가하더라도 초과이익의 상당 부분이 NVIDIA와 HBM·Networking 공급망에 귀속될 가능성이 높다.

NAVER는 경쟁이 심해지는 AI Cloud 시장에서 고객 가격을 낮춰야 하지만, NVIDIA와 부품 공급업체에는 높은 가격을 지급해야 한다. 따라서 매출이 빠르게 증가하더라도 ROIC와 Free Cash Flow가 나빠질 위험이 있었다.

이 문제의식은 지금도 유효하다.

1GW라는 숫자보다 계약이 중요하다는 판단도 유지한다

기존 글에서는 NAVER를 CoreWeave와 비교하면서 단순히 “1GW를 구축하겠다”는 목표만으로는 부족하다고 봤다.

실제로 확인해야 할 것은 전력이 연결된 Energized MW, 설치된 GPU, 장기 Capacity Reservation, Take-or-pay 여부, 고객 선급금, Cost Pass-through 조항과 실제 매출 Backlog다. 고객이 관심을 보이는 단계와 장기간 사용료를 의무적으로 지급하는 계약은 전혀 다른 의미를 가진다.

이 판단도 바뀌지 않았다.

NAVER는 아직 Nebius처럼

Revenue/MW
계약기간
고객 선급금
계약 Capacity
Payback Period
Backlog
Take-or-pay 조건

을 충분히 공개하지 않았다.

따라서 NAVER AI Factory를 Earnings Model에 본격적으로 반영하기에는 여전히 정보가 부족하다.

달라진 것은 ‘누가 자산을 소유하는가’라는 질문이다

과거에는 AI Factory의 경제성을 사실상 다음 식으로 생각했다.

AI Factory Revenue = NAVER가 직접 소유한 MW × Revenue/MW

그러나 지금은 이 식 자체가 잘못된 출발점일 수 있다고 본다.

NAVER가 모든 Physical Capacity를 직접 소유할 필요는 없다.

외부 투자자가 Data Center와 Compute Asset에 Capital을 제공하고, NVIDIA가 Silicon과 Infrastructure Software를 공급하며, NAVER가 Cloud Operation·Customer·Data·Model·Application을 제공할 수 있다.

이 경우 NAVER가 인식하는 매출은 AI Factory 전체 매출보다 작아질 수 있다.

반대로 NAVER가 투입하는 자기자본과 감가상각 부담도 크게 줄어들 수 있다.

즉 투자자에게 중요한 것은 AI Factory 전체의 Gross Revenue가 아니라 NAVER Equity Capital 한 단위가 가져가는 Earnings와 Cash Flow이다.

2. 첫 번째 판단 변화: Neocloud는 단순한 GPU Rental 사업이 아닐 수 있다

AI의 병목이 Model에서 Execution으로 이동하고 있다

CoreWeave와 Nebius를 처음 볼 때는 이들을 대규모 GPU를 확보한 뒤 높은 레버리지를 이용해 임대하는 사업자로 생각했다.

GPU 공급 부족이 해소되면 차별화가 사라지고, 구형 GPU 가격은 하락하지만 감가상각과 부채는 남는 구조라고 봤다.

하지만 최근 AI 산업의 발전방향을 보면 Compute 수요는 더 이상 일회성 Training이나 단순 Inference에서 끝나지 않는다.

AI는 점차 다음과 같은 Production Loop로 이동하고 있다.

Model
→ Agent
→ Tool Use
→ Execution
→ Verification
→ Evaluation
→ Retry
→ Learning

Agent가 장시간 작업하고, 외부 시스템을 사용하며, 결과를 검증하고, 실패하면 다시 실행하는 구조에서는 같은 업무를 완료하기 위해 훨씬 더 많은 Compute와 다양한 Runtime이 필요하다.

중요한 것은 단순히 몇 개의 Token을 생성했는지가 아니다.

얼마나 많은 검증된 작업을 안정적으로 완료했는가

가 더 중요한 경제적 단위가 된다.

내가 Neocloud를 단순 GPU Rental이 아니라 Model과 Silicon 사이에서 AI의 실행과 반복개선을 담당하는 Merchant AI Factory로 다시 보기 시작한 이유도 여기에 있다.

Software Attach의 목적은 Software 매출 자체가 아니다

CoreWeave와 Nebius가 Software Layer를 강화하는 이유를 단순히 높은 Valuation Multiple을 받기 위한 전략으로만 보면 부족하다.

Software는 Training, Inference, Evaluation, Sandbox, RL, Agent Runtime을 하나의 Workflow로 연결한다.

이렇게 서로 다른 Workload를 결합하면 Training 수요가 낮은 시간에는 Inference와 Evaluation을 배치하고, Inference가 낮은 시간에는 Batch Processing이나 Synthetic Data Generation을 수행할 수 있다.

그 결과 다음과 같은 구조가 만들어진다.

Software Attach
→ Workload Diversity
→ Utilization 상승
→ 동일 MW에서 더 많은 Compute 판매
→ Revenue/MW 상승
→ Gross Margin 개선
→ ROIC 개선

즉 Software의 가치는 별도의 SaaS 매출보다 기존 Compute Asset의 경제성을 높이는 것에 있을 수 있다.

Nebius가 Open Model의 Fine-tuning과 Inference, Quantization, Orchestration, Search와 Grounding을 연결하려는 것도 같은 방향이다.

고객이 Model을 교체하더라도 Training History, Evaluation Trace, Runtime Configuration, Inference Endpoint와 Capacity Workflow는 플랫폼에 남는다. 이 과정에서 Neocloud는 일종의 Execution Gravity를 만들 수 있다.

이 논리를 NAVER에 적용하면 기존 자산이 다르게 보인다

NAVER는 순수한 AI Infrastructure Startup이 아니다.

검색, 커머스, 지도, 결제, 콘텐츠, Cloud, HyperCLOVA X, Digital Twin과 Robotics를 이미 운영하고 있다. 과거에는 이러한 Application 자산과 AI Factory가 다소 분리된 사업처럼 보였다.

그러나 Agentic AI가 확산될수록 NAVER의 기존 서비스와 Data는 AI Factory의 Utilization을 높이는 내부 Workload이자 외부 고객을 확보하는 Product Layer가 될 수 있다.

예를 들어 다음과 같은 Loop가 가능하다.

NAVER Search·Commerce·Map Data
→ Domain Model·Agent 개발
→ NVIDIA 기반 Training·Post-training
→ 검색·쇼핑·광고·지도 서비스에 배치
→ 실제 사용자 행동과 Outcome 축적
→ Evaluation·RL Data 생성
→ 추가 Training과 Inference
→ 다시 Compute Consumption

이 구조에서는 Software와 Application이 Compute를 소비하고, Compute가 다시 더 좋은 Software와 Application을 만든다.

NAVER가 이 Loop를 외부 기업과 정부에 Platform 형태로 제공할 수 있다면 AI Factory는 단순 GPU Rental이 아니라 Data–Model–Execution–Application이 연결된 Production Infrastructure가 된다.

다만 Execution Layer의 주인이 NVIDIA가 될 수도 있다

여기에서 중요한 반론이 있다.

NVIDIA의 DSX는 단순한 GPU Reference Architecture가 아니다.

DSX는 Chip, System, Networking, Power, Cooling, Infrastructure Software와 운영체계를 하나의 AI Factory Stack으로 통합한다. DSX OS는 Lifecycle Management, Runtime Consistency, Health Automation, Resiliency, Scheduling과 Multi-tenant Operation을 제공하고, DSX MaxLPS는 제한된 전력 안에서 Token Throughput/MW를 높이는 것을 목표로 한다.

NAVER 역시 DSX 위에서 HyperCLOVA X를 NVIDIA Nemotron과 결합하고, NemoClaw 기반 Agent Platform과 Cosmos 기반 Seoul World Model을 개발할 계획이다.

따라서 NAVER가 DSX를 설치하고 NVIDIA Software를 재판매하는 데 그친다면 Switching Cost와 Execution Gravity는 NAVER가 아니라 NVIDIA에 쌓일 수 있다.

NAVER가 별도의 경쟁우위를 만들려면 NVIDIA Stack 위에 다음 자산을 축적해야 한다.

Local Data와 Domain Context
Enterprise Connector
Identity와 Permission
Local Regulation과 Governance
Application Workflow
Evaluation Dataset
Human Approval과 Audit
실제 업무 결과와 Outcome History

모델과 Hardware는 NVIDIA가 공급하더라도 고객의 업무 의미와 실행결과가 NAVER Platform 안에 축적되어야 한다.

3. 두 번째 판단 변화: Brookfield가 Capital Structure를 바꿀 수 있다

200MW보다 중요한 것은 $9bn의 외부 Capital이다

2026년 7월 NAVER, NVIDIA와 Brookfield는 NAVER의 NVIDIA DSX AI Factory를 기존 55MW에서 2028년 200MW까지 확대하는 계획을 발표했다.

NVIDIA는 NAVER에 $1bn을 투자할 계획이며, Brookfield는 프로젝트에 최대 $9bn을 공급하는 Nonbinding Term Sheet를 체결했다. NVIDIA 투자는 NAVER가 NVIDIA 투자와 별도로 최소 $9bn의 확정 Financing을 확보하는 등의 조건을 충족해야 한다.

여기에서 중요한 것은 200MW라는 숫자 자체가 아니다.

NAVER가 AI Factory 구축비용 전부를 자신의 Balance Sheet로 부담하지 않을 가능성이 공식화됐다는 점이 더 중요하다.

기존 구조는 다음과 같았다.

NAVER Capital
→ Data Center
→ GPU
→ Customer
→ Revenue

앞으로 가능한 구조는 다음에 가깝다.

Brookfield Capital·Physical Infrastructure
× NVIDIA Silicon·Networking·DSX
× NAVER Operation·Customer·Data·Application

Brookfield는 Data Center, 전력과 장기 실물자산 투자에 필요한 자본을 제공한다.

NVIDIA는 Accelerator와 Network뿐 아니라 AI Factory Architecture와 Runtime Software를 제공한다.

NAVER는 Data Center 운영, Cloud Platform, 고객 확보, Model과 Agent, Sovereign AI Application을 담당한다.

NVIDIA도 GPU 판매를 넘어 Financing과 Revenue Sharing으로 이동하고 있다

NVIDIA는 2026년 7월 AI Cloud의 대규모 Multi-tenant AI Factory 구축을 지원하기 위해 Revenue Sharing과 Credit Support를 결합한 새로운 사업모델을 공개했다.

모델 개발기업이나 AI Startup의 장기 Compute 계약만으로 Financing이 어려울 경우 NVIDIA가 AI Cloud와 자본 제공자 사이에서 계약 안정성과 자금조달을 지원하고, 향후 발생하는 Cloud Revenue의 일부를 공유하는 구조다.

NAVER–Brookfield 거래가 이 구조를 그대로 사용한다고 확인된 것은 아니다.

그러나 NVIDIA의 방향은 분명하다.

NVIDIA는 GPU Vendor에서 AI Factory Platform·Demand Aggregator·Financing Enabler로 확장하고 있다.

NVIDIA가 모든 AI Factory를 직접 소유할 필요는 없다.

대신 외부 자본과 Cloud Partner를 연결해 더 많은 NVIDIA Capacity가 더 빠르게 구축되고, 그 위에서 지속적으로 Token이 생산되는 생태계를 만들면 된다.

NAVER는 이 생태계의 지역 사업자 중 하나가 될 수 있다.

Asset-light는 매출을 줄이고 ROIC를 높일 수 있다

Brookfield가 대부분의 Physical Asset을 소유하고 NAVER가 운영·Platform Revenue를 가져가는 구조라면 NAVER가 회계상 인식하는 매출은 AI Factory 전체 매출보다 작을 수 있다.

예를 들어 1GW에서 20조원의 Gross Compute Revenue가 발생하더라도, NAVER가 그중 일부 Operating Fee와 Platform Take Rate만 인식한다면 회사 매출은 20조원보다 크게 작아진다.

그러나 NAVER가 투입한 자기자본과 감가상각, 금융비용 역시 크게 줄어들 수 있다.

그렇다면 투자자에게 중요한 식은 다음과 같이 바뀐다.

NAVER AI Factory Equity Value
= NAVER-funded Capacity의 Infrastructure Earnings
+ Partner-funded Capacity의 Platform Take Rate
+ Model·Inference·Agent Software Revenue
+ Sovereign AI·Physical AI·Application Revenue
− NAVER가 실제 부담하는 Invested Capital

즉 1GW가 모두 NAVER 매출로 잡히는지가 중요한 것이 아니다.

NAVER가 자기자본을 얼마나 적게 투입하면서 AI Factory에서 발생하는 Economics를 얼마나 많이 가져갈 수 있는가

가 더 중요하다.

아직 Asset-light가 확정된 것은 아니다

여기에서 지나치게 앞서가면 안 된다.

Brookfield의 $9bn은 아직 Nonbinding Term Sheet다. 최종 계약에서 NAVER가 장기 임차료, 최소 Capacity 사용료, 수익률 보장 또는 추가 출자 의무를 부담할 수 있다. NVIDIA의 $1bn 투자 역시 선행조건이 붙어 있다.

따라서 이번 발표만으로

NAVER의 CapEx가 거의 없다
Project Financing이 완전히 Non-recourse다
NAVER가 높은 Platform Margin을 확보한다
Brookfield가 모든 잔존가치 Risk를 부담한다

고 결론 내릴 수는 없다.

정확한 판단을 위해서는 최종 계약에서 Asset Ownership, Debt Guarantee, Lease Commitment, Revenue Share, Minimum Payment와 Residual Value Risk를 확인해야 한다.

그럼에도 기존 Bear Thesis 가운데 하나였던

“NAVER가 수십조원의 AI Infrastructure를 전부 자기자본으로 구축해야 한다”

는 전제는 상당히 약해졌다.

4. 세 번째 판단 변화: Sovereign AI는 단순한 Data Localization이 아니다

CLOUD Act의 핵심은 데이터 위치보다 Control이다

2018년 3월 23일 미국에서 CLOUD Act가 포함된 법률이 발효됐다.

CLOUD Act는 미국의 관할 대상인 전자통신·Remote Computing Service Provider가 보유·관리·통제하는 데이터에 대해, 적법한 법적 절차가 있다면 데이터가 미국 안에 있는지 해외에 있는지와 무관하게 제출의무가 발생할 수 있음을 명확히 했다.

다만 이를

“미국 회사를 사용하면 미국 정부가 어느 나라의 데이터든 마음대로 가져갈 수 있다”

고 표현하는 것은 지나친 단순화다.

CLOUD Act에 따른 접근에는 법적 절차가 필요하며, 핵심 판단기준은 사업자가 미국 관할에 놓이는지와 해당 데이터가 그 사업자의 Possession, Custody or Control 안에 있는지다. 미국 법무부 역시 CLOUD Act가 어떤 사업자가 미국 관할 대상인지 자체를 새롭게 확장한 것은 아니라고 설명한다.

그럼에도 투자 관점에서 중요한 결론은 남는다.

Data가 어느 국가의 서버에 저장되어 있는지만으로는 완전한 데이터 주권을 설명할 수 없다.

누가 Encryption Key를 관리하는지, 누가 Control Plane을 운영하는지, 누가 Remote Access 권한을 가지는지, 데이터에 대한 법적·실질적 Control을 누가 보유하는지를 함께 봐야 한다.

NVIDIA GPU를 사용한다고 데이터가 자동으로 미국 관할에 들어가는 것은 아니다

CLOUD Act의 문언을 기준으로 보면 NVIDIA GPU를 사용했다는 사실 자체보다, NVIDIA 또는 다른 미국 사업자가 고객 데이터에 대한 실질적인 Possession·Custody·Control을 갖는지가 더 중요하다.

즉 NAVER가 현지 법인 또는 JV를 통해 다음 구조를 만들 수 있다면 미국 CSP와 다른 Sovereign Architecture를 제공할 여지가 있다.

Data는 현지 Data Center에 저장
Encryption Key는 현지 고객 또는 JV가 관리
Control Plane은 현지에서 운영
미국 본사의 관리자 접근을 기술적으로 제한
현지 인력이 운영과 장애 대응을 담당
Model Weight와 Fine-tuning Data를 현지에서 통제
고객 Workflow와 Application도 현지 Platform에 배치

이는 법률적으로 개별 계약과 법인구조에 대한 검토가 필요한 영역이다.

NAVER가 한국 기업이라는 사실만으로 모든 미국 관할 리스크에서 자동으로 벗어나는 것도 아니다. 미국 내 법인, 계약관계, 지원조직과 실제 데이터 통제구조에 따라 판단이 달라질 수 있다.

따라서 NAVER의 Sovereign AI 경쟁력은 단순한 국적에서 나오는 것이 아니다.

기술·계약·법인·운영구조를 얼마나 실제로 분리할 수 있는가

에서 발생한다.

Sovereign AI는 여러 단계로 나누어야 한다

Sovereign AI를 단순히 자국 Data Center에서 AI를 운영하는 것으로 정의하면 NAVER의 차별화는 크지 않다.

AWS, Microsoft, Google과 Oracle도 Local Region, Local Key Management, Partner-operated Cloud, Dedicated Region과 Air-gapped Cloud를 제공할 수 있기 때문이다. Microsoft는 Azure Local을 통해 Local 또는 Disconnected 환경을 지원하고 있으며, Google Distributed Cloud는 Public Internet이나 Google Cloud 연결 없이 운영할 수 있는 Air-gapped Option을 제공한다. AWS 역시 European Sovereign Cloud와 Dedicated Local Zone을 확대하고 있다.

따라서 Sovereign AI를 다음과 같이 나눌 필요가 있다.

Data Residency만 중요하다면 미국 CSP도 충분히 대응할 수 있다.

하지만 요구조건이

Data must stay here

에서

Foreign operator must not access it

그리고 다시

Foreign government must not be able to compel the operator controlling it

로 이동하면 사업자 선택기준이 달라질 수 있다.

이 단계에서는 법인구조와 운영주체 자체가 Product Feature가 된다.

Sovereignty-sensitive Workload가 별도 시장을 만들 수 있다

모든 AI Workload가 높은 수준의 주권성을 요구하지는 않는다.

일반적인 Marketing, Customer Service, Coding이나 공개정보 기반 Application은 가격과 성능, 개발자 Ecosystem이 더 중요할 수 있다.

반면 다음 영역에서는 Data와 Operation의 통제권이 구매조건이 될 가능성이 높다.

정부와 공공행정
국방과 안보
금융과 중앙은행
의료와 국민 데이터
국가 Digital Twin
전력·교통·통신 등 Critical Infrastructure
제조업의 핵심 설계·공정 데이터
Physical AI와 Autonomous System

이 시장에서는 가장 좋은 Model이나 가장 싼 Token만으로 사업자가 결정되지 않는다.

어느 나라의 사업자가 운영하는지, 누가 Access 권한을 보유하는지, 장애·제재·분쟁 상황에서도 독립적으로 운영할 수 있는지가 중요해진다.

NAVER가 미국 CSP 전체보다 우월하다는 의미는 아니다.

다만 Sovereignty-sensitive Workload라는 별도의 시장이 커질 경우, 미국계 Neocloud보다 유리한 Position을 확보할 가능성은 존재한다.

5. 중동과 아시아에서 NAVER가 가질 수 있는 새로운 위치

사우디에서 NAVER는 갑자기 GPU를 팔러 들어가는 회사가 아니다

NAVER의 사우디 진출과정을 다시 보면 중요한 순서가 보인다.

NAVER는 2024년 Aramco Digital과 Sovereign AI, Cloud, Super App과 Smart City 관련 MOU를 체결했다. 같은 해 사우디 정부 및 NHC와 주요 도시의 Digital Twin Platform 구축을 시작했다.

2025년에는 메카·메디나·제다 3개 도시, 약 6,800㎢와 92만 개 이상의 건물을 대상으로 한 Digital Twin Platform의 초기 구축을 완료했다. 또한 NAVER Cloud와 NHC Innovation은 사우디 현지 JV인 NAVER Innovation 설립 계약을 체결했고, 이 JV는 Digital Twin을 기반으로 주거·교통 등 생활서비스를 연결하는 Map-based Super App의 개발과 운영을 추진한다.

즉 NAVER의 사우디 진입경로는 다음과 같다.

정부 관계와 Project 수주
→ Digital Twin Infrastructure
→ Spatial Data 축적
→ Smart City Application
→ Local JV 설립
→ Super App과 Cloud
→ Sovereign AI
→ AI Factory

이 구조는 단순한 GPU 판매보다 훨씬 중요하다.

국가의 도시·교통·주거 Data와 Application Workflow 안으로 먼저 들어간 뒤, 그 위에 Cloud와 AI Infrastructure를 추가하는 방식이기 때문이다.

사우디의 규제 방향도 Local Control을 강화하고 있다

사우디의 Personal Data Protection Law는 해외 데이터 이전 자체를 전면 금지하지는 않는다.

그러나 해외 이전 시 사우디의 국가안보와 핵심이익을 침해해서는 안 되며, 해외에서도 적절한 보호수준과 Safeguard가 확보되어야 한다. 민감정보를 지속적·대규모로 해외 이전하는 경우에는 별도의 Risk Assessment가 요구된다.

사우디 National Cybersecurity Authority의 Cloud Cybersecurity Controls도 Data Localization 관련 요구사항을 반영하도록 업데이트됐다. 정부기관의 Cloud 도입 지침 역시 Data Classification에 따라 Service Provider를 선정하도록 요구한다.

이는 사우디가 모든 데이터를 반드시 국내에만 두겠다는 의미는 아니다.

그러나 정부·금융·도시·Critical Infrastructure처럼 민감도가 높은 Workload일수록 Local Data, Local Operation과 Local Governance의 가치가 높아질 가능성을 보여준다.

NAVER가 이미 Digital Twin과 현지 JV를 통해 Government Workflow와 Local Partner를 확보하고 있다는 점은 이 시장에서 의미가 있다.

동남아에서도 같은 구조를 복제하려 하고 있다

NAVER Cloud는 2025년 NVIDIA와 함께 동남아 Sovereign AI 시장을 공략하고, LLM·Infrastructure·Application 영역의 현지 Partner를 발굴하겠다는 계획을 공개했다.

NAVER는 자신이 AI Service, Data, Supercomputing, Cloud와 Data Center를 아우르는 End-to-end Value Chain을 보유하고 있어 국가별 기술 수준과 정책요구에 맞춘 Sovereign AI를 제공할 수 있다고 설명했다.

2026년 NAVER와 NVIDIA의 협력도 한국에만 한정되지 않는다.

양사는 아시아·중동·유럽을 대상으로 Gigawatt-scale AI Factory 사업을 공동 추진하고, 글로벌 수요 발굴에서 Capital 협력까지 사업 Risk와 성과를 공유하는 파트너십을 지향한다고 밝혔다.

아직 회사의 목표와 실제 계약을 구분해야 한다.

다만 NAVER가 단순히 한국에서 NVIDIA GPU를 구매하는 고객이 아니라, NVIDIA Stack을 지역별 Sovereign AI 사업으로 연결하는 Operator를 지향하고 있다는 점은 이전보다 분명해졌다.

NVIDIA가 NAVER를 필요로 할 이유도 달라진다

NVIDIA가 원하는 것은 가능한 많은 국가와 기업이 NVIDIA GPU, CUDA, Networking, DSX, Nemotron과 Agent Software를 사용하도록 만드는 것이다.

하지만 NVIDIA가 모든 국가에서 직접 Data Center를 소유하고, 정부와 계약하며, 현지 규제에 대응하고, 기업 Application을 구축하기는 어렵다.

미국 CSP에 대한 정치적·법적 경계가 강한 국가에서는 NVIDIA가 직접 Cloud Operator로 들어가는 것 역시 미국 기업이라는 문제를 해결하지 못한다.

이 경우 NVIDIA에게 이상적인 구조는 다음과 같다.

Local·Sovereign Capital
× Non-US Regional Operator
× NVIDIA Compute and Software

NAVER가 NVIDIA에게 제공할 수 있는 자산은 단순한 GPU 구매력이 아닐 수 있다.

Sovereign Market Access

즉 미국 Cloud 사업자에게 국가 Data와 AI 운영권을 전적으로 맡기고 싶지는 않지만, NVIDIA의 최신 Compute를 원하는 국가에 대해 NAVER가 법적·운영적·상업적 중간계층을 제공하는 것이다.

이를 한 문장으로 정리하면 다음과 같다.

NVIDIA Technology without a U.S. Cloud Operator

이 구조가 실제로 성립한다면 NAVER의 협상력은 단순한 GPU 고객일 때보다 높아질 수 있다.

6. NAVER가 미국 CSP보다 무조건 유리한 것은 아니다

미국 Hyperscaler도 이미 Sovereign Cloud를 만들고 있다

CLOUD Act와 Data Sovereignty 문제가 커진다고 해서 미국 CSP가 시장에서 자동으로 밀려나는 것은 아니다.

Microsoft는 현지 인력에 의한 Access Approval, 고객관리 Encryption Key, Azure Local과 Fully Disconnected 환경을 제공하고 있다. Google은 Local Partner가 Sovereign Control을 관리하는 모델과 Public Internet에서 완전히 격리된 Distributed Cloud를 제공한다. AWS와 Oracle 역시 별도 Sovereign Region과 Dedicated Cloud를 확대하고 있다.

이들은 NAVER보다 훨씬 많은 Cloud Service, 개발자, Enterprise Customer, Security Certification과 글로벌 운영 경험을 보유하고 있다.

따라서 Sovereign AI가 확산된다고 해서 NAVER가 AWS·Azure·Google을 광범위하게 대체할 가능성은 낮다.

NAVER의 기회는 더 좁고 구체적으로 정의해야 한다.

미국 사업자가 직접 운영하는 구조를 원하지 않으면서, NVIDIA Compute와 Full-stack AI Platform은 필요로 하는 국가·정부·기업

이 시장이다.

Sovereignty는 기술력 부족을 보완하는 면허가 아니다

고객이 Data Sovereignty를 중요하게 생각하더라도 성능, 안정성, 가격과 Service 수준이 크게 떨어지는 사업자를 선택하기는 어렵다.

따라서 Sovereignty는 기술경쟁을 없애는 것이 아니다.

최소한의 성능과 가격 경쟁력을 충족한 사업자 사이에서 선택을 바꾸는 추가 경쟁축

에 가깝다.

NAVER가 미국 Neocloud보다 유리하려면 다음 조건이 필요하다.

NVIDIA 최신 Architecture를 비슷한 시점에 확보
경쟁력 있는 Token Cost와 Network Performance
장기간 안정적인 Capacity 제공
현지 Data Center와 Local Operation
현지 Regulation에 맞춘 Governance
정부·기업 Application 구축 능력
Local Partner와 장기 Customer Relationship

이 가운데 하나라도 부족하면 고객은 결국 더 강한 Hyperscaler나 현지 국영사업자를 선택할 수 있다.

NAVER의 경쟁우위는 Non-US라는 사실 하나가 아니다

NAVER가 한국 기업이라는 사실은 잠재적인 장점이다.

그러나 그것만으로 충분한 Moat가 되지는 않는다.

NAVER가 가질 수 있는 차별화는 다음 요소의 결합에서 발생한다.

이 중 Local Data, Application과 Outcome Loop가 없다면 NAVER는 결국 다른 NVIDIA Cloud Partner와 유사해진다.

반대로 이 Loop가 만들어지면 고객의 Switching Cost는 Hardware가 아니라 Data·Workflow·Governance와 실제 운영이력에서 발생한다.

7. 가장 큰 역설: NAVER도 Silicon Sovereignty는 제공할 수 없다

NAVER의 Sovereign AI는 완전한 기술자립을 의미하지 않는다.

AI Factory의 최하단에는 여전히 NVIDIA GPU, Networking, CUDA와 DSX가 존재한다. NVIDIA는 미국 기업이며 미국의 반도체 수출통제와 외교정책의 영향을 받는다.

따라서 NAVER가 현지 Data Center와 현지 JV를 구축하더라도 해당 국가가 Compute Supply Chain까지 완전히 통제하는 것은 아니다.

즉 NAVER가 제공할 수 있는 것은

Full Sovereignty

가 아니라

Maximum Sovereignty while retaining frontier NVIDIA compute

에 가깝다.

그런데 현실적으로는 이 중간지점이 가장 실용적인 선택일 수 있다.

중동이나 동남아 국가가 단기간에 NVIDIA를 대체하는 자체 Accelerator, Networking, Compiler와 Developer Ecosystem을 모두 구축하기는 어렵다.

그렇다면 가능한 전략은 다음과 같다.

미국 Compute Technology는 활용
→ Data는 자국에 보관
→ Key와 Control Plane은 현지에서 관리
→ Model은 자국 Data로 조정
→ Application과 Workflow는 자국이 소유
→ 현지 JV가 운영권 확보

NAVER가 노릴 수 있는 위치가 바로 이 지점이다.

8. NAVER × NVIDIA의 새로운 산업구조

지금까지의 논리를 하나로 연결하면 다음과 같다.

Agentic AI 확산
→ Training뿐 아니라 Inference·RL·Evaluation·Simulation 수요 증가
→ AI Factory의 상시 운영과 Workload 다양성 확대
→ 대규모 전력·GPU·Capital 필요
→ NVIDIA 혼자 모든 지역의 Data Center와 Distribution을 소유하기 어려움
→ Brookfield 같은 외부 Capital이 Physical Capacity 제공
→ NVIDIA가 Silicon·Networking·DSX·Open Model 제공
→ NAVER가 지역별 Cloud·Data·Agent·Application Layer 담당
→ 현지 정부·기업·JV가 Data와 운영권 통제
→ Software Attach와 Utilization 상승
→ NAVER의 직접 Capital Intensity 완화
→ Revenue/MW와 ROIC 개선 가능

이 구조에서 각 사업자의 역할은 다음과 같이 나뉜다.

여기에서 NAVER의 가장 중요한 전략과제는 명확하다.

NVIDIA와 Brookfield가 만든 AI Factory를 단순히 운영하는 데서 끝나지 않고, 고객의 Data·Agent·Application이 NAVER Platform에 축적되도록 만들어야 한다.

9. Earnings Model도 MW 중심에서 Take Rate 중심으로 바꿔야 한다

과거 방식대로라면 NAVER AI Factory 매출을 다음과 같이 계산하게 된다.

Connected MW × Revenue/MW × Utilization

그러나 Asset-light와 JV 구조가 확대되면 이 계산만으로는 부족하다.

앞으로는 다음과 같이 나누어야 한다.

NAVER 직접투자 Capacity

NAVER-funded MW
× Utilization
× Revenue/MW
× Infrastructure Margin

Partner 투자 Capacity

Partner-funded MW
× Gross Compute Revenue/MW
× Utilization
× NAVER Economic Take Rate

Software·Application

Cloud Platform Fee
Model Training·Fine-tuning
Inference Optimization
Agent Platform
Sovereign AI Operation
Digital Twin·Physical AI
Industry-specific Application
Maintenance·Governance·Security

이를 합치면 다음과 같다.

NAVER AI Factory Earnings
= Infrastructure Earnings
+ Platform Take Rate
+ Software Attach
+ Model·Agent Revenue
+ Sovereign Application Revenue
− NAVER-funded CapEx와 Operating Cost

따라서 향후 핵심 KPI는 GPU 수나 1GW 목표만이 아니다.

내가 Neocloud를 평가할 때 중요하다고 본 Verified Tasks per MW는 NAVER에도 적용할 수 있다. GPU의 수보다 동일한 전력과 투자자본으로 얼마나 많은 검증된 경제적 결과를 생산하는지가 중요하다.

10. 투자 Thesis는 어디까지 바뀌었는가

Bear Case에서 Conditional Bull Case로 한 단계 이동했다

이전 NAVER AI Factory 판단은 다음에 가까웠다.

성공 가능성은 존재하지만, 대부분의 Risk를 NAVER가 부담하는 저품질 CapEx 사업일 가능성이 높다. 200MW는 Option Value로 인정할 수 있으나 1GW와 20조원 매출은 Bull Case에 가깝다.

현재의 판단은 다음과 같다.

NAVER가 외부 Capital과 NVIDIA Stack을 이용해 지역별 Sovereign AI의 Data·Cloud·Agent·Application Layer를 장악할 수 있다면, AI Factory는 저ROIC GPU Rental이 아니라 Asset-light AI Production Platform이 될 수 있다.

전략적 판단은 회의적 부정에서 조건부 긍정으로 이동했다.

하지만 Earnings Model은 아직 크게 올리지 않는다.

Scenario별로 보면 더 명확하다

현재는 Base와 Bull 사이의 전략적 가능성이 이전보다 높아졌지만, 실적 Evidence는 여전히 Bear와 Base 사이에 가깝다.

이 차이를 구분해야 한다.

11. 이 Thesis를 훼손하는 조건

NAVER × NVIDIA Thesis가 틀렸다는 것을 확인할 수 있는 조건도 명확하다.

첫째, Brookfield Financing이 실질적으로 NAVER의 Risk를 줄이지 못하는 경우

Brookfield가 투자하더라도 NAVER가 장기 최소임차료와 Capacity 사용의무를 대부분 부담한다면 경제적 Risk는 여전히 NAVER에 남는다.

둘째, 외부 Anchor Customer가 없는 경우

AI Factory Capacity의 대부분이 NAVER 내부 수요에 의존하고, 외부 고객의 Take-or-pay 계약이 없다면 1GW 확장은 공격적인 선투자가 된다.

셋째, NAVER의 Economic Take Rate가 낮은 경우

고객 매출의 대부분이 Brookfield의 자본수익과 NVIDIA의 Hardware·Software Revenue로 귀속되고 NAVER가 낮은 운영수수료만 받는다면 Equity Upside는 제한된다.

넷째, Execution Gravity가 NVIDIA에만 축적되는 경우

고객의 Model, Runtime, Evaluation과 Agent Workflow가 DSX와 NVIDIA Software에만 종속되고 NAVER는 Reseller 역할에 머문다면 Software Moat가 만들어지지 않는다.

다섯째, Local Sovereignty가 형식에 그치는 경우

Data Center만 현지에 있고 Encryption Key, Control Plane, Remote Support와 실제 운영권은 외국 사업자가 보유한다면 Sovereign AI의 차별화가 약해진다.

여섯째, 사우디 사례가 다른 국가로 복제되지 않는 경우

사우디 Digital Twin과 JV가 일회성 Project Revenue로 끝나고 동남아·중동의 다른 국가에서 반복되지 않는다면 Global Platform Thesis는 성립하기 어렵다.

일곱째, 미국 CSP의 Sovereign Offering이 충분한 대체재가 되는 경우

AWS·Azure·Google이 Local Partner, Air-gapped Cloud, 현지 운영인력과 고객관리 Key를 이용해 정부의 요구조건을 충족한다면 NAVER의 Non-US Premium은 제한될 수 있다.

12. 앞으로 확인해야 할 데이터

NAVER AI Factory를 판단하기 위해 가장 중요한 다음 데이터는 MW 목표가 아니다.

다음 계약과 경제구조다.

이 가운데 가장 중요한 것은 두 가지다.

① 실제 고객계약

그리고

② NAVER의 Economic Take Rate

이 두 숫자가 확인되면 NAVER AI Factory가 NVIDIA와 Brookfield가 만든 인프라를 NAVER가 저마진으로 운영하는 사업인지, 아니면 NAVER의 Data·Software·Application이 높은 ROIC를 만드는 Platform 사업인지 구분할 수 있다.

13. 최종 Investment Thesis

지금 NAVER × NVIDIA에 대한 내 투자 Thesis는 다음과 같다.

Agentic AI의 확산은 AI Infrastructure의 경쟁축을 단순 GPU 보유량에서 Training·Inference·Evaluation·Agent Workflow를 안정적으로 통합 운영하는 Execution Layer로 이동시키고 있다.

NVIDIA는 Silicon과 공통 AI Factory Stack을 공급하지만, 모든 국가의 Capital·Data·Regulation·Enterprise Distribution을 직접 소유하기 어렵다.
NAVER가 Brookfield와 현지 파트너의 Capital을 활용해 Physical Capacity를 확보하고, 그 위에 자신의 Cloud·Local Data·Agent·Application을 결합한다면 AI Factory는 자본집약적 GPU Rental이 아니라 Asset-light Sovereign AI Production Platform으로 발전할 수 있다.
특히 CLOUD Act와 Data Sovereignty에 대한 경계가 강화될수록, 미국 CSP의 직접 운영을 원하지 않지만 NVIDIA의 Frontier Compute는 필요로 하는 중동·아시아 국가에 대해 NAVER가 제3의 Full-stack AI Partner가 될 가능성이 있다.

이 Thesis의 핵심은 1GW가 아니다.

외부 Capital로 확보한 MW 위에서 NAVER가 얼마나 높은 Software Attach, Customer Ownership과 Economic Take Rate를 확보하는가

이다.

따라서 시장이 NAVER AI Factory를 단순히

“막대한 돈을 들여 NVIDIA GPU를 임대하는 저품질 CapEx 사업”

으로만 평가하고 있다면 지나치게 부정적일 수 있다.

반대로 회사의 1GW와 20조원 매출 목표를 그대로 적용해 NAVER의 Earnings를 추정하는 것도 지나치게 낙관적이다.

현재 가장 합리적인 판단은 두 극단의 중간에 있다.

NAVER AI Factory는 아직 Earnings Base Case가 아니라 Strategic Option이다. 그러나 그 Option의 질과 성공확률은 Agentic AI, External Capital과 Sovereign AI의 확산으로 이전보다 분명히 높아졌다.

글을 마치며

과거에는 NAVER가 NVIDIA에게 그저 수많은 GPU 고객 가운데 하나라고 생각했다.

지금도 NAVER가 NVIDIA의 독점적인 Partner라고 생각하지는 않는다. NVIDIA는 CoreWeave, Nebius, SK Telecom을 비롯해 수많은 Cloud·통신·산업기업과 협력할 것이다.

그러나 NVIDIA가 AI Factory 생태계를 세계 각국으로 확대하려 할수록, 단순히 GPU를 구매하는 회사보다 현지 Data와 Application, 정부관계, Cloud 운영능력과 Local Partner Network를 함께 가진 사업자가 더 중요해질 수 있다.

이 관점에서 NAVER의 역할은 달라진다.

NAVER가 NVIDIA에게 제공하는 것은 Compute 수요가 아니라 Sovereign Market Access일 수 있다.

그리고 NAVER가 가져갈 수 있는 가치는 GPU Rental Margin이 아니라, NVIDIA Compute 위에서 축적되는 Local Data·Workflow·Agent·Application의 경제성일 수 있다.

결국 앞으로의 질문은 다음과 같다.

1GW의 AI Factory를 누가 소유하는가?

보다

그 AI Factory에서 실행되는 Agent와 Application, Data와 Outcome을 누가 소유하는가?

에 가까워질 가능성이 높다.

NAVER가 후자의 영역까지 장악할 수 있다면 AI Factory는 단순한 인프라 신사업을 넘어, 기존 인터넷 플랫폼의 성장 둔화를 보완할 수 있는 새로운 성장축으로 발전할 가능성이 있다.

반대로 Physical Infrastructure와 NVIDIA Stack만 남고, 실제 고객의 Data·Workflow·Agent·Outcome이 NAVER Platform에 축적되지 않는다면 결국 다시 자본집약적인 AI Infrastructure 사업으로 돌아갈 수밖에 없다. 그 경우에는 과거의 부정적인 판단을 다시 적용해야 한다.

아직 어느 쪽으로 결론이 날지는 알 수 없다. 다만 Agentic AI와 Sovereign AI의 확산으로 전방시장의 크기와 전략적 중요성이 과거보다 훨씬 커졌다는 점만큼은 분명해 보인다. 이제는 적어도 하나의 의미 있는 장기 Option으로 지켜볼 필요가 있다.

그럼에도 개인적으로 마지막까지 의심의 눈초리로 확인하고 싶은 부분은 결국 NAVER라는 회사 자체의 실행역량이다.

산업의 방향이 맞고, NVIDIA와 Brookfield라는 좋은 파트너가 있으며, Sovereign AI라는 순풍까지 불어온다고 해도 그것만으로 NAVER의 성공이 보장되는 것은 아니다.

결국 남은 질문은 하나다.

NAVER가 이 거대한 산업적 기회를 실제 고객계약과 Software, Data, Workflow의 축적으로 전환할 만큼 충분한 실행역량을 가지고 있는가?

개인적으로는 이제 산업 자체를 의심하기보다, NAVER가 그 산업의 성장곡선에 실제로 올라탈 수 있는 회사인지를 확인해야 할 시점에 가까워진 것 같다.

=끝

이모저모

오늘 문득 이전 운용사에서 일하던 시절을 떠올렸다.

당시에는 몰랐지만, 퇴사한 뒤 건너건너 들은 이야기로는 한 임원 운용매니저분이 사내 애널리스트 가운데 내 분석을 가장 마음에 들어 하셨다고 한다. 생각해 보면 그분이 나를 유독 아껴주셨던 이유를 이제는 조금 알 것도 같다.

내 전임자는 숫자에 기반해 천천히 추정하기보다는 정보를 빠르게 캐치하고, 그 정보를 활용해 트레이딩하는 스타일에 가까웠다고 들었다. 반면 그 임원 운용매니저분은 그런 방식을 썩 마음에 들어 하지 않으셨다고 한다.

업계에서는 신입이나 어린 주니어 애널리스트가 들어오면 운용매니저들이 자신의 투자 스타일에 맞게 가르치고 싶어 하는 욕구가 있다는 말을 종종 한다. 그래서 가장 좋은 경우는 처음부터 자신과 사고방식이 맞는 주니어를 뽑는 것이라고 한다.

나에게는 공교롭게도 오래전부터 나름의 방식이 있었고, 이러한 내 방식을 위 운용매니저 분께서 상당히 마음에 들어하셨기에 채용된게 아닐까하는 생각을 갖게되었다.

처음 증권업계에 들어왔을 때 상사가 장난스럽게 했던 말이 아직도 기억에 남는다.

“회사가 그렇게 말하면 꼭 그렇게 다 믿어야 하냐?”

아마 그 말은 내가 지금까지 기업을 보는 방식에도 꽤 큰 영향을 남긴 것 같다.

나는 대학생 때부터 숫자를 가지고 혼자 추정해 보는 것을 좋아했다. 회사가 제시하는 숫자를 그대로 받아들이기보다 전방산업과 후방 공급사, 경쟁사, 산업 데이터들을 하나씩 모아 맞춰 보는 작업이 재미있었다.

[편의점 사업] GS리테일
대학생때 갖고놀던 자료 중 하나

일종의 Mosaic Theory였다.

회사는 왜 이렇게 이야기하는지, 시장은 왜 그렇게 믿고 있는지, 그런데 그 설명과 숫자 사이에는 어떤 모순이 있는지 찾아보는 것이다. 그리고 마지막에는 결국 하나의 질문으로 돌아왔다.

“회사가 틀리고 내가 맞다면, 그 이유는 무엇인가.”

그 이유가 충분히 강하다면 시장의 컨센서스와 다른 숫자를 만드는 데도 별다른 두려움이 없었다.

이런 작업은 이상할 정도로 내 기질과 잘 맞았다. 어쩌면 그 임원 운용매니저분이 나를 좋게 봐주셨던 것도 이 때문이었을 것이다.

어느 날 아침 미팅에서 그분이 조금 답답하다는 듯 말했다.

“내가 너희들에게 코멘트를 해주고 싶어도, 너희가 ‘회사가 그렇게 말하던데요’라고 하면 내가 할 말이 없다.”

잠깐 정적이 흘렀다.

나는 그 말을 들으면서 내가 조금은 다르다는 생각도 했던 것 같다. 나는 보통 회사의 말을 전달하기보다는 내가 직접 만든 추정치를 먼저 이야기했다. 왜 그런 숫자가 나오는지 공급망과 경쟁사, 산업 데이터를 이리저리 끌어와 설명했고, 그러다 보니 그분과 자연스럽게 논쟁도 많이 했다.

덕분에 코멘트를 많이 받을 수 있었고, 동시에 많이 배울 수 있었다.

물론 부작용도 있었다.

아침 미팅 시간 대부분을 나 혼자 잡아먹는 경우가 많았다.

미팅이 끝난 뒤에도 그 운용매니저분은 종종 내 earning model을 따로 요청했다. 나 역시 특별히 숨길 이유가 없었기 때문에 내가 만든 모델을 거의 모두 보내드렸다.

지금 생각하면 꽤 즐거웠던 시절이었다.

나는 지금도 주변 지인들이 요청하면 내가 만든 어닝모델을 대부분 공유한다. 이제는 단순히 어닝을 추정하는 것만으로는 특별한 알파를 만들기 어렵다고 생각하기 때문이다.

같은 이유로 블로그에도 여러 분석 글을 비교적 자유롭게 공개하고 있다. 리서치의 내용이나 정보 자체를 남들보다 먼저 알고 있는 것만으로는 더 이상 지속적인 알파가 만들어진다고 생각하지 않는다.

중요한 것은 정보를 얼마나 많이 가지고 있느냐가 아니라, 그 정보를 어떻게 연결하고 해석해 투자 판단으로 전환하느냐에 있다고 생각한다.

(절대 개별종목 추천이나 권유를 일절 언급하지 않는 이유도 여기에 있다.)

최근 들어서는 메모리와 IT 업계에서 기존 유력 정보기관들이 제공하는 정보의 질이 예전보다 상당히 떨어졌다는 느낌을 자주 받는다.

그 빈틈을 파고들어 새로운 정보업체들이 빠르게 영향력을 키우고 있지만, 그렇다고 그들이 특별히 마음에 드는 것도 아니다.

정보가 맞느냐 틀리느냐의 문제도 있지만, 요즘은 가끔 그 정보가 어떤 의도로 만들어지고 유통되는 것인지부터 의심하게 된다. 더 이해하기 어려운 것은 그런 정보를 받아들이는 시장의 방식이다.

특히 최근 메모리와 광학 인터커넥팅 시장을 보고 있으면 이런 생각이 강해진다.

CPO가 늦어진다는 이야기, Micron이 NVIDIA HBM4 qualification에서 탈락했다는 이야기, Vera SOCAMM2의 메모리 사양이 줄어든다는 이야기, Rubin Ultra의 HBM content가 낮아진다는 이야기.

하나의 뉴스가 나올 때마다 시장은 그것을 거의 자동적으로 AI 인프라 수요 둔화라는 결론으로 연결한다.

그 과정에서 SemiAnalysis의 공급망 정보가 시장의 내러티브를 만드는 데 상당한 영향력을 행사하고 있다.

그런데 나는 최근 몇 달 동안 공개된 NVIDIA, Micron, Coherent, Lumentum의 발표들을 하나씩 맞춰 보면서 오히려 반대의 생각을 하게 됐다.

Spec Down과 Demand Down은 같은 말이 아니다.

오히려 AI 시스템이 너무 빠르게 확대되면서 메모리와 광학 부품의 공급능력이 이를 따라가지 못하고 있고, NVIDIA가 제한된 자원을 더 많은 시스템에 나눠 넣기 위해 시스템 구조를 계속 최적화하고 있는 것에 가깝다는 생각이다.

SOCAMM2가 대표적인 사례다.

Vera의 메모리 content가 줄어든다는 뉴스만 보면 메모리 수요가 감소하는 것처럼 보인다. 하지만 공급 가능한 LPDRAM 자체가 NVIDIA가 필요로 하는 물량에 크게 못 미친다면 이야기는 완전히 달라진다.

한 시스템에 들어가는 메모리를 줄이는 대신 더 많은 시스템을 생산하는 선택일 수 있기 때문이다.

결국 봐야 하는 것은 단순한 시스템당 메모리 양이 아니다.

Total Memory Bit Demand = System Shipment × Memory Content per System

이다.

Memory Content per System이 떨어져도 System Shipment가 그보다 더 빠르게 증가하면 전체 memory bit demand는 오히려 커진다.

Rubin Ultra의 HBM 사양과 관련된 이야기 역시 비슷하게 보고 있다.

HBM content per GPU가 줄었다는 이야기만 놓고 보면 HBM TAM이 줄어드는 것처럼 보인다. 하지만 HBM 공급 부족 때문에 GPU당 탑재량을 낮추고 그 대신 생산 가능한 GPU 수를 더 늘리는 것이라면 인과관계는 정반대가 된다.

Micron의 HBM4 이야기도 그랬다.

몇 달 전까지만 해도 시장에서는 Micron이 NVIDIA qualification에서 사실상 탈락했고 Rubin 초기 HBM 시장에서 배제된다는 이야기가 꽤 강하게 돌았다.

그런데 이후 Micron은 HBM4가 high-volume production에 들어갔으며 Vera Rubin을 위해 설계됐다고 발표했고, 이후에는 lead customer platform을 대상으로 high-volume shipment가 진행 중이라고 다시 밝혔다.

최종 vendor allocation이 어떻게 될지는 나도 모른다.

다만 적어도 “Micron의 qualification이 실패했기 때문에 Rubin HBM 사업에서 사실상 탈락했다”는 식의 강한 주장을 그대로 base case로 유지하기에는 이후의 공개된 사실들이 잘 맞지 않는다.

CPO도 마찬가지다.

일부 architecture의 mass production 시점이 몇 분기 움직이는 것은 충분히 있을 수 있다. 하지만 그것과 optical demand 자체가 약해지고 있다는 주장은 완전히 다른 이야기다.

NVIDIA는 이미 CPO 기반 제품의 production을 이야기하고 있고, Coherent와 Lumentum은 오히려 고객 수요를 감당하기 위해 capacity를 얼마나 빨리 늘릴 수 있느냐를 고민하고 있다.

NVIDIA가 Coherent에 대규모 투자를 하고 장기간의 구매 commitment와 생산능력 접근권까지 확보하는 행동 역시 나에게는 중요한 signal이다.

수요가 없어서 걱정하는 시장의 행동과는 거리가 멀어 보인다.

그래서 최근 여러 사건을 보면서 내가 내린 결론은 단순하다.

Architecture Change를 Demand Change로 번역해서는 안 된다.

AI 인프라처럼 공급 제약이 심한 시장에서는 오히려 수요가 너무 강하기 때문에 시스템당 component content를 낮추는 선택이 나타날 수 있다.

메모리가 부족하면 한 GPU에 들어가는 메모리를 줄여 더 많은 GPU를 만든다.

HBM이 부족하면 accelerator configuration을 바꿔 제한된 HBM을 더 많은 compute에 배분한다.

Copper I/O와 전력이 한계에 다다르면 optics와 CPO로 이동한다.

광학 부품의 생산능력이 부족하면 architecture와 ramp sequence를 조절하면서 동시에 laser와 InP capacity를 공격적으로 증설한다.

결국 중요한 인과관계는

Spec Down → Demand Down

이 아니라,

AI Demand ↑ → Supply Constraint ↑ → Per-System Spec Optimization → More Systems Shipped → Aggregate Demand ↑

일 수도 있다.

내가 SemiAnalysis의 분석을 모두 부정하는 것은 아니다.

오히려 기술적으로 배울 것이 많은 자료도 많다. 그들이 누구보다 빠르게 포착하는 공급망 정보 역시 분명 가치가 있다.

다만 문제는 특정 시점에 포착된 configuration change나 qualification 정보를 시장이 지나치게 높은 확신도로 최종 수요에 대한 결론으로 바꿔버린다는 것이라고 생각한다.

헤드라인과 실제 causal driver 사이에는 생각보다 큰 거리가 있다.

최근 Alexandr Wang이 반복해서 이야기했던 자신만의 나침반을 가져야 한다는 말이 유난히 머리에 남는다.

남들이 동의하지 않는 사실에 대해서도 스스로 충분히 검증했다면 자신의 판단을 가질 수 있어야 한다.

그리고 어쩌면 투자에서 중요한 것은 Consensus가 형성된 다음에 Conviction을 갖는 것이 아니라, Consensus보다 먼저 Conviction을 형성하는 것인지도 모르겠다.

나 역시 그런 사람이 되고 싶었고, 지금까지도 그런 방식으로 투자와 분석을 해왔던 것 같다.

그런데 최근 NVIDIA 젠슨 황의 한 인터뷰를 보다가 조금 다른 방향의 생각을 하게 됐다.

사회자가 AI 시대에 이제 무엇을 두고 똑똑하다, 지능이 높다고 말할 수 있겠느냐는 취지의 질문을 던졌던 것으로 기억한다.

젠슨 황의 답변이 꽤 오래 남았다.

AI 시대에는 정보와 지식 그 자체가 점점 값싼 commodity가 되어가고 있기 때문에, 얼마나 많은 것을 알고 있느냐만으로 더 이상 지능이나 유능함을 정의하기 어려워질 것이라는 이야기였다.

대신 다른 종류의 능력이 훨씬 중요해질 수 있다고 했다.

타인의 감정을 이해하고 공감하는 능력.

사람들이 아직 보지 못하는 미래를 먼저 상상하는 능력.

무언가 잘못되고 있다는 것을 데이터가 완전히 보여주기 전에 직감적으로 알아차리는 능력.

그리고 그 직감을 혼자 품고 있는 것이 아니라, 조직 안에서 다른 사람들이 이해할 수 있도록 소통하고 움직이게 만드는 능력.

정확한 표현은 기억나지 않지만, 내가 받아들인 핵심은 대략 이랬다.

지식과 정보가 싸지는 시대일수록, 인간의 희소성은 다른 곳으로 이동한다.

공감, 직감, 상상력, 판단, 소통.

어쩌면 AI 시대의 intelligence라는 것은 이런 것들의 조합에 가까워지는 것인지도 모르겠다.

그 이야기를 듣고 조금 묘한 기분이 들었다.

왜냐하면 그가 이야기한 능력 가운데 몇 가지는 내가 중요하다고 믿어온 것들이었기 때문이다.

남들이 아직 보지 못하는 변화를 먼저 보는 것.

무언가 숫자가 이상하다는 느낌을 가지고 끝까지 파고드는 것.

시장과 회사의 설명 사이에서 잘못된 인과관계를 직감적으로 찾아내는 것.

그런 측면에서는 내가 지금까지 해온 일이 아주 틀린 방향은 아니었다는 생각도 들었다.

그런데 동시에 나머지 몇 가지가 묘하게 마음에 걸렸다.

공감과 소통.

그 순간 오히려 내가 부족한 지점이 좀 더 명확하게 보이는 느낌을 받았다.

나는 의심하는 일에는 익숙하다.

틀린 숫자를 찾는 것도 좋아하고, 남들이 당연하다고 생각하는 전제를 뒤집는 것도 좋아한다.

요즘 가장 큰 희열을 느낄때는 이전에 믿었던 내 자신의 전제를 뒤집을때인것 같기도 하다.

내가 옳다고 생각하는 이유를 논리적으로 쌓는 데도 꽤 많은 에너지를 쓴다.

그런데 그것을 다른 사람이 어떻게 받아들일지 생각하는 능력은 상대적으로 부족했던 것 같다.

상대가 왜 그렇게 생각하는지 이해하기보다 왜 틀렸는지를 먼저 찾았고, 어떤 말을 해야 상대방이 움직일 수 있을지 고민하기보다 내 논리가 맞다는 것을 증명하는 데 더 집중했던 것 같다.

어쩌면 내가 그동안 Conviction이라고 생각해온 것의 일부는 분명 강점이었지만, 그것만으로는 충분하지 않았던 것일지도 모르겠다.

남들이 보지 못하는 것을 먼저 보는 능력만큼이나,

내가 본 것을 다른 사람이 받아들일 수 있는 형태로 전달하는 능력도 중요한 능력일 것이다.

그리고 그보다 더 어려운 것은, 내가 옳다고 생각하는 순간에도 상대방의 감정과 생각이 어디에서 출발했는지를 이해하려고 해보는 일인지도 모른다.

공감과 소통 그리고 직감이라.

말로 쓰고 나니 더 난해하다.

숫자처럼 정답이 있는 것도 아니고, earning model처럼 셀 하나씩 뜯어보며 고칠 수도 없다.

하지만 이상하게도 그래서 오히려 내가 앞으로 무엇을 개선해야 하는지는 조금 더 명확해지는 느낌을 받는다.

최근에는 여기서 더 나아가 불편한 지점이 추가로 생겼다.

내가 가진 이 성향이 어느 순간부터 지나치게 냉소적인 태도로 변하고 있는 것은 아닌가 하는 생각이다.

최근 아내에게도 몇 번 솔직하게 이야기했지만, 요즘의 나는 스스로가 점점 냉소적으로 변해가고 있다는 느낌을 받는다.

특정 집단이나 패거리 문화에 대한 반감도 강해졌다.

사실 나와 직접적인 상관도 없는 사람들의 행동이나 특정 집단의 의견에 굳이 불편함을 느끼고, 마음속으로 비판하고 있는 경우가 있다.

더 이해하기 어려운 것은 그것을 왜 굳이 입 밖으로 꺼내는가 하는 점이다.

그 순간에는 별 생각 없이 이야기하지만, 지나고 나면 스스로에게 불편함이 남는다.

왜 저 말을 했을까.

굳이 하지 않아도 되는 말이 아니었을까.

(*이불킥)

나와 직접적인 관계가 없는 사람들의 생각과 행동에 왜 이렇게 많은 감정을 사용하는 것일까.

가끔은 이런 부정적인 감정의 근원에 내가 가진 강한 신념이 있는 것은 아닌가 생각한다.

사실 이 자신감이 어느 순간 “나는 맞고 저들은 틀렸다”는 자만으로 미끄러지는 경계는 생각보다 얇다. 아니, 얇다기보다 거의 보이지 않는 선에 가깝다.

투자에서는 남들과 다른 생각을 해야 돈을 벌 수 있다. 이건 너무나 명확한 사실이다. 컨센서스를 의심하지 않으면 알파는 나오지 않는다. 모두가 같은 방향을 보고 있을 때, 그 반대편에 무엇이 있는지 끝까지 파고드는 집요함이 필요하다. 그 과정에서 불편한 데이터도 보고, 시장이 외면하는 숫자도 끌어와야 한다.

그런데 이상하게도, 그 습관이 사람을 대하는 방식까지 번져버릴 때가 있다. 그때부터는 문제가 생긴다.

사실을 의심하는 것과 사람을 냉소적으로 바라보는 것은 완전히 다른 문제다.

컨센서스를 의심하는 것과 사람 자체를 무시하는 것도 다르다.

내 분석에 대한 확신과, 타인을 쉽게 낮춰보는 태도는 전혀 같은 선상에 놓일 수 없다.

그런데 어느 순간부터는 이 경계가 흐려진다.

“저 사람은 틀렸고 나는 맞다”가 아니라, “저 사람은 애초에 깊이가 없다”는 식으로 생각이 흘러가는 순간이 있다. 그 순간이 제일 위험하다. 논리가 아니라 감정이 앞서기 시작하는 지점이기 때문이다.

젠슨 황이 말했던 공감과 소통이라는 것이 어쩌면 바로 이런 지점에서 필요한 것인지도 모르겠다.

상대방의 의견에 동의하라는 뜻은 아닐 것이다.

내 Conviction을 버리라는 뜻도 아닐 것이다.

오히려 내가 틀렸을 가능성을 열어두는 것, 상대방이 그렇게 생각하게 된 맥락을 이해하는 것, 그리고 내 판단이 맞더라도 그것을 상대방이 받아들일 수 있는 방식으로 전달하는 것.

생각해 보면 이것도 꽤 고도의 intelligence일 수 있다.

숫자를 잘 맞히는 것과는 전혀 다른 종류의 능력이다.

그리고 솔직히 말하면, 나는 그쪽에서는 아직 많이 부족한 사람인 것 같다.

아마 내가 앞으로 계속 부딪히게 될 문제는 이 경계를 지키는 일이 아니라, 애초에 이 경계가 무너지는 순간을 얼마나 빨리 자각하느냐일 것이다.

내가 좋아하는 분석 방식 자체를 버릴 생각은 없다.

회사도 의심하고, 시장도 의심하고, 전문가의 말도 끝까지 검증하는 태도는 여전히 필요하다. 그게 없으면 이 업계에서 살아남을 이유가 없다.

하지만 그 의심이 사람을 향하는 순간, 모든 게 조금씩 망가진다.

의심은 사실과 구조를 향해야지, 사람의 수준이나 의도를 재단하는 도구가 되어서는 안 된다.

그리고 또 하나.

모든 생각을 굳이 말로 꺼낼 필요는 없다.

내가 옳다고 느끼는 것과, 그것을 반드시 타인에게 증명해야 하는 욕구 사이에는 생각보다 큰 간극이 있다. 예전에는 그 간극이 거의 없었다. 생각하면 말했고, 말하면 설득해야 한다고 믿었다. 지금은 그게 얼마나 소모적인지 조금씩 알게 된다.

(*이불킥)

어쩌면 성숙함이라는 건 생각을 약하게 만드는 게 아니라, 오히려 더 강한 생각을 가지고도 그것을 어디까지 드러낼지 스스로 통제하는 능력일지도 모른다.

그런데, 통제라는 게 과연 가능한 건지, 아니면 그냥 감정을 눌러두는 다른 이름인지 헷갈릴 때가 많다.

그래도 한 가지는 조금 알 것 같다.

공감은 Conviction의 반대말이 아니다.

타인을 이해하려고 한다고 해서 내 판단이 약해지는 것도 아니고, 말을 아낀다고 해서 내가 틀렸다는 뜻도 아니다.

오히려 정말 강한 Conviction이라면 모든 순간마다 그것을 증명하려고 애쓸 필요가 없는 것일지도 모르겠다.

뭔가 마음속에 풀리지않은 응어리 답답함이 있어 적어봤다.

나중에 시간이 흘러 다시 읽어보면 뭐라도 느끼는게 있겠지 않나 싶다.

=끝

2026년 8월 11일 화요일

생각정리 338 (* NeoCloud)

아는 만큼 보인다고 했던가?

2022년 말 처음 Palantir Technologies를 분석했을 때만 해도 이 회사를 기업의 자동화 업무를 지원하는 소프트웨어 업체 정도로 바라봤다. 하지만 AI와 데이터 구조, 기업 의사결정 시스템을 공부할수록 Palantir의 본질이 데이터·업무규칙·권한·행동을 Ontology 위에 연결하는 Enterprise Operating Layer에 가깝다는 점을 이해하게 됐다.

생각정리 110 (* Palantir Technology)

최근 Neocloud를 바라보면서도 비슷한 경험을 하고 있다.

그동안 CoreWeave와 Nebius 같은 Neocloud를 GPU를 대규모로 확보한 뒤 높은 레버리지로 데이터센터를 구축해 임대하는 자본집약적 GPU Rental Business 정도로 생각했다. GPU 공급 부족이 끝나면 차별화가 약해질 수 있는 사업이라고 봤다.

하지만 Jeff Dean, Demis Hassabis, Claude Code 개발진 등 Frontier AI 업계 핵심 인물들의 최근 인터뷰를 종합해보면 AI 산업의 다음 병목은 단순한 Model Training이나 Inference가 아니다.

AI는 점차

Model → Agent → Tool → Execution → Verification → Evaluation → Retry → Learning

이라는 장시간의 반복적 Production Loop로 이동하고 있다.

모델의 지능 자체보다 이를 실제 업무에 연결하고, Context를 유지하며, 여러 Agent를 조정하고, 결과를 검증하고, 실패하면 다시 실행하는 Execution Layer의 중요성이 커지고 있는 것이다.

이런 흐름 속에서 OpenAI와 Anthropic은 FDE를 확대하며 기업 Workflow 안으로 직접 들어가고 있고, Palantir는 Ontology를 중심으로 Data·Logic·Action·Permission·Evaluation을 축적하고 있다. NVIDIA 역시 Open-weight Model과 Runtime을 확장하며 Model보다 아래쪽의 Compute와 Execution Stack을 장악하려 한다.

이 지점에서 CoreWeave와 Nebius도 다르게 보이기 시작했다.

두 회사는 더 이상 GPU Capacity만 강조하지 않는다. CoreWeave는 Training·Experiment·Evaluation·RL·Agent Runtime을 연결하고 있고, Nebius는 Open Model Inference, Optimization, Orchestration과 Agentic Search를 하나의 Production Stack으로 통합하려 한다. 동시에 대규모 전력 확보와 장기계약, 금융조달을 통해 AI Infrastructure 자체를 하나의 자산군으로 만들고 있다.

따라서 Neocloud를 단순한 GPU 임대업체로만 볼 것이 아니라,

Model Lab과 Silicon 사이에서 AI의 실제 실행과 반복개선을 담당하는 Merchant AI Factory

로 진화할 가능성을 다시 검토할 필요가 있다.

물론 막대한 Capex와 부채, NVIDIA 의존도, GPU 세대교체, 고객 집중도라는 위험은 여전히 크다. Software 확장이 실제 Switching Cost와 Utilization, ROIC 개선으로 이어지는지도 확인해야 한다.

그럼에도 최근 AI 기술 발전과 CoreWeave·Nebius의 전략을 종합해보면, 내가 Neocloud를 바라보던 기존 시각이 지나치게 단순했다는 생각이 든다.

이 글은 특정 기업에 대한 결론이라기보다, AI 산업의 중심이 Model Intelligence에서 Execution·Verification·Production Infrastructure로 확장되는 과정에서 Neocloud의 산업적 위치를 다시 생각해본 기록이다.

모델보다 실행계층이 중요해지는 시대

좋은 AI Startup의 조건과 Neocloud를 다시 봐야 하는 이유

최근 Jeff Dean, Demis Hassabis, Claude Code 개발진, OpenClaw와 Conductor 창업자 등의 인터뷰를 연속해서 살펴보면서 한 가지 공통된 흐름이 눈에 들어왔다.

AI 산업의 중심이 더 이상 가장 큰 Model을 만드는 경쟁에만 머무르지 않는다는 점이다. 모델이 실제 도구를 사용하고, 장기간 작업하며, 결과를 검증하고, 실패하면 다시 시도하는 Agent로 진화하면서 산업의 병목이 Model Intelligence를 현실의 경제적 가치로 전환하는 실행계층으로 이동하고 있다.

이 변화는 좋은 AI Startup을 고르는 기준도 바꾼다. 동시에 Palantir, OpenAI, Anthropic과 기존 Cloud 업체들이 왜 Forward Deployed Engineer, Enterprise Workflow, Evaluation, Governance에 대규모로 투자하는지도 설명해준다.

그리고 이 논리를 끝까지 따라가면 CoreWeave와 Nebius 같은 Neocloud를 단순 GPU 임대업체가 아니라, 모델과 기업의 실제 업무 사이에서 AI 실행을 생산하는 독립적인 AI Factory로 다시 볼 필요가 있다는 결론에 도달한다.

1. 좋은 AI Startup은 무엇을 가져야 하는가

Model Capability Gap보다 중요한 것은 Durable Capability Delta이다

Jeff Dean이 제시한 기준 가운데 흥미로운 부분은 Frontier Model이 현재 거의 풀지 못하는 문제에서 Startup 기회가 나올 수 있다는 주장이다.

반면 범용 모델이 이미 20% 정도의 성공률을 보인다면 몇 개월 뒤 추가적인 Training, Scale, Tool Use를 통해 빠르게 성능이 올라올 수 있으므로 주의해야 한다고 본다. 이는 중요한 기준이지만 그대로 적용하기보다는 조금 수정할 필요가 있다.

Frontier Model의 성공률이 0%에 가깝다고 해서 반드시 좋은 사업기회가 되는 것은 아니다. Startup 역시 이를 개선할 수 없다면 그것은 아직 풀리지 않은 연구문제일 뿐이다.

반대로 범용 모델의 성공률이 20%이더라도 Startup이 독점적인 데이터, Tool, Workflow, Evaluator를 결합해 End-to-end 성공률을 80~90%까지 높일 수 있다면 충분히 좋은 기회가 될 수 있다.

따라서 투자자가 봐야 할 것은 단순한 Model 성공률이 아니다.

Durable Capability Delta
= Startup System의 성공률 − Frontier Model 단독 성공률

더 중요한 것은 이 차이가 어디에서 발생하느냐이다.

Prompt나 System Prompt에서 대부분의 개선이 발생한다면 모델이 좋아질수록 경쟁우위가 사라질 가능성이 높다. 반대로 독점데이터, 실제 업무시스템과의 연결, Domain Evaluator, 실험결과, 고객의 승인·거절 데이터에서 개선이 발생한다면 모델이 좋아져도 경쟁우위가 유지될 수 있다.

AlphaGo와 AlphaFold가 보여준 세 가지 조건

Demis Hassabis가 AlphaGo와 AlphaFold를 통해 정리한 AI 문제의 조건은 Startup을 평가할 때도 상당히 유용하다.

첫째, 인간이나 Brute Force로 직접 탐색하기 어려울 만큼 거대한 Combinatorial Search Space가 존재해야 한다.

둘째, 후보가 좋은지 나쁜지를 판단할 수 있는 명확한 Objective Function이 있어야 한다.

셋째, 모델이 학습하고 실험할 수 있는 Data 또는 Simulator가 존재해야 한다.

여기에 사업적 조건을 추가해야 한다.

Evaluator가 충분히 빠르고 저렴해야 하며, AI가 결과를 제안하는 데서 끝나지 않고 실제 코드·실험·장비·업무시스템에서 실행할 수 있어야 한다. 그리고 실험할수록 외부에서 구할 수 없는 결과 데이터와 Negative Result가 쌓여야 한다.

결국 좋은 AI Startup의 구조는 다음에 가깝다.

Large Search Space
→ Candidate Generation
→ Execution
→ Verification
→ Selection
→ Proprietary Feedback
→ Better Next Experiment

이 Loop가 닫혀 있다면 AI가 발전할수록 Startup의 데이터와 Evaluator도 함께 개선된다. 반대로 생성만 있고 실행과 검증이 없다면 인상적인 Demo는 만들 수 있어도 지속적인 경쟁우위를 만들기는 어렵다.

Product Overhang은 진입기회이지 Moat 자체는 아니다

Claude Code 개발진이 언급한 Product Overhang도 중요한 개념이다.

현재 Frontier Model은 사람들이 생각하는 것보다 훨씬 많은 일을 할 수 있지만, 이를 사용할 수 있도록 설계된 Product와 Workflow가 충분하지 않다고 한다. 다시 말해 다음과 같은 격차가 존재한다는 것이다.

Model Capability > Existing Product Capability

Claude Code의 초기 성공도 모델을 더 복잡하게 통제한 결과라기보다 Terminal, Codebase, Test Suite에 접근할 수 있도록 해 모델이 이미 가지고 있던 능력을 끌어낸 데서 나왔다.

그러나 Product Overhang은 영구적인 경쟁우위가 아니다. 특정 Prompt, Harness, UI가 모델의 잠재력을 일시적으로 잘 끌어낸 것이라면 다음 Model Update에서 그 차이는 빠르게 사라질 수 있다.

따라서 좋은 Startup은 Product Overhang을 발견하는 데서 멈추지 않고, 이를 다음 단계로 전환해야 한다.

Prompt Moat
→ Verification Moat
→ Workflow Moat
→ Data Moat

진입 자체는 Product Overhang을 활용해 가능하다. 그러나 시간이 지날수록 진짜 경쟁력으로 남는 것은 단순한 모델 활용 능력이 아니라, 결과를 검증하는 Verification 체계, 고객의 실제 업무에 깊이 들어간 Workflow, 그리고 반복적인 사용 과정에서 축적되는 Outcome-labelled Data이다.

이것이 내가 개인적으로 한국의 많은 단순 기술이전 중심 바이오 기업이 AI 시대에 구조적으로 취약할 수 있다고 보는 이유이기도 하다.

단순히 후보물질이나 기술을 발굴한 뒤 외부에 이전하는 구조에서는 임상·실험·환자 반응과 같은 최종 결과가 다시 기업 내부의 학습 데이터로 충분히 환류되지 않는 경우가 많다. 즉 Discovery → Experiment → Outcome → Learning → Next Discovery의 Closed Loop가 기업 내부에 축적되지 않는다.

AI 시대에 중요한 자산은 단순히 많은 데이터를 보유하는 것이 아니라, 어떤 판단과 Intervention이 실제로 어떤 결과를 만들었는지 연결된 Outcome-labelled Data이다. 이 데이터가 지속적으로 쌓여야 다음 후보의 성공확률을 높이고 Evaluator를 개선하며, 시간이 갈수록 경쟁사가 복제하기 어려운 학습곡선을 만들 수 있다.

결국 AI 시대의 바이오 기업에서 중요한 질문은 단순히 “좋은 후보물질을 발굴할 수 있는가”가 아니라,

“발굴한 후보의 실제 결과가 다시 자신의 AI와 다음 의사결정을 개선하는 데이터로 돌아오는 구조를 가지고 있는가”

에 더 가까워질 가능성이 높다.

결국 AI가 창출하는 경제적 가치는 Discovery–Development–Clinical Outcome을 하나의 데이터 루프로 연결할 수 있는 기업에 집중될 가능성이 크다.

즉, 독자적인 AI 플랫폼과 데이터를 보유한 기술 바이오 기업, 또는 방대한 임상 경험과 개발 데이터를 축적해 온 대형 제약회사가 AI 시대 바이오 산업에서 대부분의 부가가치를 확보할 가능성이 높다.

생각정리 132 (* AlphaFold)
생각정리 133 (* ADC)

https://t.me/mk81_koreainvestment
한국의 바이오가 왜 미국 바이오를 꼭 따라가야 하는거지?

미래의 Model Curve에 올라타야 한다

Sam Altman이 Startup School에서 강조한 것도 현재 AI로 과거와 동일한 일을 더 싸게 수행하는 데 머물러서는 안 된다는 점이다.

기술환경이 빠르게 바뀌고 비용이 하락하며 개발주기가 짧아질수록 기존 기업의 경쟁우위가 약화된다. 소수의 인력과 다수의 Agent, Compute만으로 과거 훨씬 큰 조직이 수행하던 일을 할 수 있게 되며, 이 시기에는 전문지식 자체보다 무엇을 만들 것인지 판단하는 Taste, 실제로 실행하는 Agency, 사업구조를 이해하는 Business Physics가 더 중요해진다.

따라서 AI Startup은 현재 모델의 한계를 고정된 조건으로 가정해서는 안 된다.

6개월 뒤 모델이 지금보다 훨씬 강해진다면 자신의 제품이 사라지는 것이 아니라, 더 큰 문제를 풀 수 있어야 한다. 생산성이 100배 증가했다면 동일한 일을 100배 싸게 수행하는 데 그치지 않고 목표 자체를 100배 확대해야 한다는 것이 Altman의 주장이다.

이를 한 문장으로 정리하면 좋은 AI Startup의 조건은 비교적 명확하다.

더 강한 모델이 등장했을 때 대체되는 회사가 아니라, 더 강한 모델을 사용할수록 자동화 범위와 데이터 자산, 고객가치가 함께 커지는 회사여야 한다.

2. 모델보다 Existing Product Capability가 중요해지는 이유

Model Intelligence는 여전히 중요하지만 차별화의 지속기간은 짧아지고 있다

Model Lab의 성능경쟁이 끝났다는 의미는 아니다.

가장 어려운 Reasoning, Long-running Agent, Scientific Discovery에서는 여전히 Frontier Model의 성능 차이가 중요하다. 다만 기업이 실제 구매하는 것은 Benchmark Score 자체가 아니라 업무를 얼마나 안정적으로 완료하는가이다.

Stanford AI Index 2026에 따르면 2026년 3월 기준 주요 Frontier Model 기업들의 성능은 상위 구간에 밀집하기 시작했고, 경쟁축도 비용, 신뢰성, Domain-specific Performance로 이동하고 있다. Open-weight Model은 일시적으로 격차가 다시 확대되었지만, 여전히 Closed Model에 대한 유력한 대안으로 기능할 정도까지 올라왔다. (Stanford HAI)

이는 Model이 중요하지 않다는 뜻이 아니다.

Model의 반감기가 짧아지고 있다는 의미에 가깝다. 오늘의 최고 모델이 몇 개월 뒤에도 압도적인 우위를 유지한다고 가정하기 어려워지면서, 기업가치의 중심은 모델에 접근하는 권리보다 모델을 실제 업무에 배치하는 능력으로 이동한다.

기업에서 AI의 경제적 가치는 다음 공식에 더 가깝다.

Economic AI Value
= Model Intelligence
× Input·Context Quality
× Tool·Action Access
× Verification·Evals
× Retry·Recovery
× User Adoption

아무리 좋은 모델도 잘못된 Input을 받거나, 필요한 시스템에 접근하지 못하거나, 결과가 맞는지 검증할 수 없다면 경제적 가치는 제한된다.

이 관점에서 나는 중국 LLM 기업들이 Model 성능만으로 장기간 높은 기업가치 Premium을 유지하기는 어렵다고 본다.

중국의 LLM은 정책적 검열과 정보통제 환경으로 인해 일부 정치·사회적 영역에서 학습데이터와 Input·Output의 분포가 제약될 수 있다. 아무리 모델 자체의 추론능력이 높아지더라도 현실을 정확하게 반영하는 Input과 Context가 제한된다면 Model Intelligence가 실제 의사결정 가치로 전환되는 데 한계가 생긴다.

더 근본적으로는 앞으로 좋은 모델을 만드는 것 자체가 점차 충분한 경쟁우위가 되지 못한다는 점이 중요하다.

진짜 기업가치는

Model → Proprietary Data → Workflow → Action → Verification → Outcome → Learning

이라는 Closed Loop를 얼마나 깊게 구축할 수 있는가에서 발생한다.

따라서 중국 LLM 기업의 장기적인 가치를 판단할 때도 Benchmark 성능보다 얼마나 자유롭고 정확한 Input을 확보할 수 있는지, Global Enterprise의 Proprietary Data와 Workflow에 접근할 수 있는지, 그리고 실제 사용 결과가 다시 Outcome-labelled Data로 축적되는 구조를 만들 수 있는지가 훨씬 중요하다고 생각한다.

결국 Model Intelligence가 빠르게 범용화되는 시대에는 좋은 모델보다 좋은 Input과 검증 가능한 Outcome을 소유하는 기업이 더 큰 가치를 가져갈 가능성이 높다.

반대로 약간 낮은 성능의 모델이라도 고객의 데이터, 기존 Software, 승인체계와 연결되고 결과가 자동으로 검증된다면 훨씬 큰 가치를 만들 수 있다.

이것이 앞으로 Existing Product Capability가 중요해지는 이유이다.

Existing Product Capability에는 단순한 UI만 포함되는 것이 아니다.

이미 고객이 사용하는 Workflow
고객의 Data와 System Connector
Identity와 Permission
사용자가 익숙한 Interface
Domain-specific Rule
Evaluation Dataset
Human Approval과 Escalation
Observability와 Audit Log
오류 발생 시 Rollback
기존 Distribution과 구매관계

등이 모두 포함된다.

모델의 성능이 비슷해질수록 이러한 자산의 상대적인 가치는 더 높아진다.

Model Lab이 FDE에 투자하는 이유

OpenAI와 Anthropic이 Forward Deployed Engineer와 Partner Network에 대규모로 투자하는 것도 같은 맥락이다.

OpenAI는 2026년 5월 OpenAI Deployment Company를 출범시키면서 AI Consulting·Engineering 업체 Tomoro를 인수했고, 약 150명의 FDE와 Deployment Specialist를 확보했다. 이 조직은 고객사 내부에 들어가 중요한 Workflow를 AI 중심으로 다시 설계하고, Pilot을 일상적으로 사용할 수 있는 시스템으로 전환하는 역할을 맡는다. (OpenAI)

2026년 7월 공개한 OpenAI Presence 역시 단순한 Model API가 아니다.

기업의 고객지원과 내부업무를 특정 Job 단위로 정의하고, Company System을 연결하며, 정책·Guardrail·승인·Escalation·Evaluation을 결합해 Agent를 Production에서 운영하는 제품이다. OpenAI 스스로도 기업의 병목이 Agent가 작동할 수 있음을 증명하는 단계에서, 신뢰성 있게 고부가가치 업무를 수행하게 만드는 단계로 이동했다고 설명한다. (OpenAI)

Anthropic도 유사한 방향으로 움직이고 있다.

2026년 3월 Claude Partner Network에 초기 1억 달러를 투입했고, 6월에는 DXC가 고객 조직 내부에 직접 들어가는 Claude-certified FDE를 수만 명 규모로 양성하겠다고 발표했다. DXC는 은행, 항공사, 보험회사, 제조업체의 Core System을 오랫동안 운영해온 기업이므로, 이 협력의 목적은 Claude를 단순히 제공하는 것이 아니라 기존 기업시스템의 실제 업무 안에 배치하는 데 있다. (Anthropic)

Model Lab이 FDE에 투자하는 이유는 모델이 약해서가 아니다.

오히려 모델의 능력이 빠르게 올라가면서 Capability와 Deployment 사이의 격차가 가장 큰 병목으로 떠올랐기 때문이다.

FDE는 고객지원 조직이 아니라 다음 네 기능을 동시에 수행한다.

**Enterprise Distribution
Workflow Discovery
Product Engineering
Model Feedback Loop**

현장에서 발견된 Failure Mode, 필요한 Tool, Permission Structure, Evaluation 방식은 다시 제품과 Model Roadmap에 반영된다.

따라서 FDE 투자는 단기적으로는 AI 도입을 돕는 비용이지만, 장기적으로는 Model Lab이 Enterprise Operating Layer로 내려오기 위한 전략적 투자라고 볼 수 있다.

그동안 무주공산에서 홀로 모든 파이를 독차지했던 Palantir Technology는 앞으로 큰 경쟁에 맞닿뜨리게 되지 않을까 한다.

3. Palantir Ontology와 Enterprise AI의 진짜 Switching Cost

Palantir가 장악하려는 것은 Model이 아니라 Decision Layer이다

2026.08.03 Palantir Technology

Palantir의 전략은 Model Lab이 Enterprise 시장으로 이동하는 방향을 가장 선명하게 보여준다.

Palantir AIP는 OpenAI, Anthropic, Google, xAI와 Open Model을 함께 사용할 수 있으며, 고객은 자체 Model을 연결하거나 Self-hosting할 수도 있다. Model Selector를 통해 비용, 속도, 성능, 가용성을 비교할 수 있다는 점에서 Palantir의 전략은 특정 Model에 고객을 묶어두는 방식과 거리가 있다. (Palantir)

Palantir가 대신 장악하려는 것은 Ontology이다.

Palantir Ontology는 기업의 데이터를 검색 가능한 형태로 연결하는 Semantic Layer에 그치지 않는다. 기업의 Data, Logic, Action, Security를 하나의 구조로 표현하고, 인간과 Agent가 동일한 운영 현실 위에서 의사결정을 내리고 행동하도록 만든다. (Palantir)

예를 들어 공장의 설비와 주문, 재고, 작업자, 납기 데이터를 Object로 연결하고, 어떤 조건에서 생산계획을 바꿀지 Logic으로 정의하며, 실제 ERP와 설비에 반영되는 행동을 Action으로 만든다. 동시에 누가 어떤 데이터와 행동에 접근할 수 있는지를 Permission으로 통제한다.

이 구조에서는 Model이 Claude에서 GPT로 바뀌어도 기업의 운영체계는 유지된다.

반면 수년 동안 구축된 Object, Relation, Business Rule, Action, Permission, Evaluation Dataset을 다른 Platform으로 옮기는 것은 매우 어렵다.

Palantir의 전략을 한 문장으로 정리하면 다음과 같다.

Make Models Replaceable, Make the Ontology Indispensable.

모델을 다양하게 허용하는 것은 Lock-in을 포기하는 전략이 아니다.

오히려 Model Lock-in을 낮춰 고객의 경계심을 줄인 뒤, 기업의 업무 의미와 행동체계를 Ontology에 축적해 더 강한 Switching Cost를 만드는 전략이다. 이를 Open Edge, Sticky Core 구조라고 볼 수 있다.

AI FDE는 Ontology를 더 빠르게 축적하는 장치이다

Palantir AI FDE는 자연어 명령을 데이터 변환, Code 작성, Ontology 수정, Function 생성과 App 구축으로 전환한다.

중요한 점은 단순히 코드를 작성하는 것이 아니다. AI FDE는 사용자의 기존 Permission 안에서 행동하고, Branch와 Pull Request를 통해 변경사항을 검토할 수 있게 하며, AIP Evals를 이용해 결과를 반복적으로 평가한다. (Palantir)

즉 AI FDE가 수행하는 Workflow는 다음과 같다.

Problem Definition
→ Data Integration
→ Ontology·Function
→ Application·Action
→ Evals
→ Failure Analysis
→ Revision

AI가 기업의 Ontology를 구축하고 개선할수록 Palantir의 구축속도는 빨라진다. 과거 FDE가 수개월 동안 수행하던 일부 작업이 자동화되면 고객당 Deployment Cost가 낮아지고, 더 작은 고객과 더 많은 Use Case를 지원할 수 있다.

동시에 Ontology에 더 많은 Action과 Evaluation이 쌓이면서 고객의 Switching Cost도 높아진다.

여기에서 Enterprise AI의 핵심 전략자산을 다시 정의할 수 있다.

**Data Sovereignty
User Experience
Input·Context
Tool·Action
Permission
Verification·Evals
Retry·Recovery
Outcome History**

이 전체 Loop를 누가 관리하느냐가 중요하다.

Raw Data는 다른 시스템으로 이전할 수 있다. 하지만 어떤 Input을 사용했고, 어떤 판단을 내렸으며, 누가 이를 승인했고, 실제 행동 이후 어떤 결과가 발생했는지에 대한 운영이력은 쉽게 이전하기 어렵다.

이를 기존 Data Gravity에서 한 단계 더 나아간 Decision Gravity라고 부를 수 있다.

Model Lab과 Cloud 업체들이 Palantir의 Ontology 제품을 그대로 복제하는 것은 아니다. 그러나 Data, Logic, Action, Security와 Evaluation을 하나의 Enterprise Control Plane 안에 넣으려는 방향은 Palantir식 전략과 수렴하고 있다.

앞으로 Enterprise AI 시장의 경쟁은 가장 좋은 모델을 누가 보유하는가보다 다음 질문에 가까워질 가능성이 높다.

기업의 AI Agent가 무엇을 알고, 무엇을 할 수 있으며, 그 행동이 맞았는지를 판단하는 체계를 누가 소유하는가?

4. 왜 이 변화가 Neocloud를 다시 부르는가

Enterprise AI에는 Decision Layer뿐 아니라 Execution Layer가 필요하다

Palantir가 기업의 Decision Layer를 장악하려 한다면, CoreWeave와 Nebius 같은 Neocloud는 다른 계층을 장악하려 한다.

Neocloud가 다루는 것은 기업의 업무 의미체계보다 AI의 Execution Physics에 가깝다.

어떤 GPU와 Memory를 사용할 것인가
Training과 Inference를 어디에 배치할 것인가
Agent 수요가 급증할 때 Capacity를 어떻게 확장할 것인가
Model을 어떻게 Quantization하고 최적화할 것인가
수천 개 Sandbox와 Evaluation을 어떻게 병렬 실행할 것인가
어떤 Workload를 최신 GPU와 구형 GPU에 배분할 것인가
전력과 Network를 어떻게 확보할 것인가

가 핵심이다.

CoreWeave는 2026년 1분기 실적에서 자신의 위치를 “Models와 Silicon 사이”라고 표현했다. 당시 Active Power는 1GW를 넘어섰고 Revenue Backlog는 994억 달러에 달했다. 회사는 Training에서 Inference로 시장의 중심이 이동할수록 Infrastructure, Software, 운영 전문성의 결합이 더 중요해진다고 설명했다. (CoreWeave)

이 위치는 기존 Hyperscaler와도 다르고 Model Lab과도 다르다.

기존 Hyperscaler는 이미 기업의 Data, Identity, Security와 Application을 보유하고 있다. Microsoft, Google, AWS가 Enterprise AI에서 매우 강한 이유이다.

따라서 Neocloud가 모든 Enterprise Workload에서 Hyperscaler보다 유리하다고 보기는 어렵다.

다만 대규모 GPU Cluster, 최신 NVIDIA Architecture, Open Model Inference, RL, Agent Evaluation처럼 AI에 특화된 업무에서는 Neocloud가 더 직접적이고 유연하게 대응할 여지가 있다. General-purpose Cloud의 수많은 Product와 Legacy Architecture에 맞출 필요가 적고, 고객의 특정 Workload에 맞춰 Cluster와 Runtime을 공동 최적화할 수 있기 때문이다.

즉 Neocloud는 Hyperscaler를 대체하기보다 다음 영역에서 별도의 위치를 만들 가능성이 높다.

Hyperscaler
= Enterprise Data·Identity·Base-load Cloud

Neocloud
= Frontier NVIDIA·Open Model·Flexible AI Production

두 계층은 경쟁하면서도 서로의 고객과 Partner가 되는 Co-opetition 구조에 가깝다.

Open-weight Model과 Data Sovereignty는 Neocloud의 기회를 넓힌다

NVIDIA가 Nemotron을 Open-weight Model로 제공하고, Training Data와 RL Environment, Evaluation Tool까지 함께 공개하는 것도 이 구조와 연결된다.

NVIDIA는 모델 자체의 희소성을 극대화하기보다 다양한 기업과 Startup이 Specialized Agent를 만들도록 하고, 그 Agent가 NVIDIA GPU, CUDA, TensorRT-LLM, Dynamo와 Cloud Partner에서 실행되도록 하는 전략을 취하고 있다. Nemotron 3는 Open Model, Data, RL Library를 함께 제공하며 Multi-Agent와 Long-running Agent의 효율을 핵심 가치로 제시한다. (NVIDIA Newsroom)

Open-weight Model이 충분히 좋아질수록 기업은 특정 Model API에 완전히 종속될 필요가 줄어든다.

자체 Fine-tuning, Data Sovereignty, Regional Deployment, Model Routing이 가능해지며, 이러한 Model을 효율적으로 운영해주는 독립적인 AI Cloud의 가치가 올라갈 수 있다.

Nebius의 Token Factory가 Open Model과 Custom Model의 Fine-tuning부터 Production Inference까지 하나의 Governance Platform으로 제공하는 것도 이 수요를 겨냥한 것이다. 고객은 DeepSeek, Llama, Nemotron, Qwen 등 여러 Model을 선택하거나 자체 Model을 배치할 수 있다. (Nebius)

따라서 Neocloud가 추구하는 이상적인 포지션은 일종의 AI Compute Switzerland이다.

Model은 교체할 수 있고 고객은 자신의 Data와 Model을 통제하지만, Training, Inference, Evaluation, Capacity Management는 Neocloud의 Runtime 안에서 수행되는 구조이다.

다만 이 중립성은 완전하지 않다.

Neocloud는 Model 측에서는 비교적 중립적일 수 있지만 Hardware 측에서는 NVIDIA에 강하게 의존한다. 즉 Model-neutral, Silicon-concentrated 구조이다.

이것이 Neocloud의 기회이자 동시에 가장 큰 위험이다.

5. Neocloud는 GPU Cloud에서 Software·Power·Finance Platform으로 이동한다

Software Layer는 단순한 Multiple Expansion 수단이 아니다

2026.08.11 CoreWeave

2026.07.16 Nebius

CoreWeave와 Nebius가 Software Layer를 강화하는 이유를 단순히 Software 기업처럼 더 높은 Valuation Multiple을 받기 위한 전략으로만 보면 부족하다.

Neocloud Software의 핵심 목적은 세 가지이다.

첫째, 고객의 Training, Evaluation, Inference Workflow를 자사 Infrastructure에 연결해 Switching Cost를 높이는 것이다.

둘째, 서로 다른 Workload를 결합해 GPU Utilization을 높이는 것이다.

셋째, 동일한 Hardware에서 더 많은 Verified Output을 만들어 Cost per Task를 낮추는 것이다.

CoreWeave는 2025년 Weights & Biases를 인수해 Compute와 AI Experiment Platform을 결합했다. W&B는 Model Training Run, Metric, Evaluation, Agent Trace를 관리하며, CoreWeave는 이를 자사의 Infrastructure와 연결해 개발부터 배포, 반복개선까지 하나의 Platform으로 만들려 한다. (CoreWeave)

이후 CoreWeave는 Agent와 RL을 위한 격리형 Sandboxes, Training과 Inference 사이를 연결하는 Serverless RL, Experiment Data를 읽고 다음 연구방향을 제안하는 ARIA를 출시했다. CoreWeave의 방향은 Training과 Inference를 분리된 일회성 Workload로 두지 않고, 실제 운영결과가 다시 Post-training과 Evaluation으로 돌아가는 Closed Loop를 만드는 것이다. (CoreWeave)

이 Loop가 성공하면 CoreWeave의 경제성은 단순 GPU 임대료에서 벗어난다.

Compute
→ Experiment
→ Evaluation
→ Failure Analysis
→ Post-training
→ Inference
→ 다시 Compute

Software가 Compute Consumption을 다시 Compute Consumption으로 연결한다.

동시에 Training이 끝난 시간에는 Inference를, Inference 수요가 낮을 때는 Evaluation과 Batch Workload를 배치해 Fleet Utilization을 높일 수 있다.

따라서 Software Attach의 진짜 가치는 Software ARR 자체보다 다음 경로에 있을 수 있다.

Software Attach
→ Workload Diversity
→ Higher Utilization
→ Revenue per MW 상승
→ ROIC 개선

Nebius도 Full-stack Inference Platform으로 이동하고 있다

Nebius의 방향도 비슷하지만 Open Model과 Production Inference에 더 집중되어 있다.

Nebius는 Token Factory를 중심으로 Agentic Search 업체 Tavily를 인수했고, Model-level Inference Optimization 업체 Eigen AI를 인수했다. 또한 Clarifai의 핵심 연구인력과 Compute Orchestration 관련 IP를 확보했다.

역할을 구분하면 다음과 같다.

Token Factory: Open·Custom Model의 Fine-tuning과 Inference
Eigen AI: Model, Kernel, Quantization Optimization
Clarifai: System-level Inference와 Compute Orchestration
Tavily: Agent의 Real-time Search와 Grounding

Nebius는 이를 통해 단순 GPU Capacity를 제공하는 업체가 아니라, 기업이 Open Model을 가져오면 최적화하고, 배포하고, 검색과 Agent Tool을 연결해 Production에서 운영하는 Platform으로 이동하려 한다. (Nebius)

CoreWeave가 W&B를 중심으로 Experiment·Eval·Research Loop를 장악하려 한다면, Nebius는 Token Factory를 중심으로 Open Model·Inference·Agent Runtime을 장악하려는 성격이 강하다.

두 회사가 만들려는 Switching Cost는 Palantir의 Ontology와는 다르다.

Palantir는 기업의 Data, Logic, Action, Permission과 Outcome을 축적해 Decision Gravity를 만든다.

Neocloud는 Model Artifact, Training History, Evaluation Trace, Inference Endpoint, Sandbox, Scheduler, Capacity Reservation과 Runtime Optimization을 축적해 Execution Gravity를 만들려고 한다.

기업은 Model을 교체할 수 있다. 그러나 수년간 축적한 Experiment History, Eval Suite, Runtime Configuration과 Capacity Workflow를 다른 AI Cloud로 옮기는 것은 점점 어려워질 수 있다.

동시에 Neocloud는 거대한 전력·금융 Vehicle이다

그러나 Software만 보면 Neocloud의 본질을 놓치게 된다.

Neocloud는 대규모 전력과 데이터센터, GPU를 선제적으로 확보해야 하는 자본집약적 산업이다. 따라서 장기 승자를 결정하는 것은 Software만이 아니라 Power Procurement와 Cost of Capital이다.

CoreWeave는 2026년 3월 고객계약과 HPC Infrastructure를 담보로 한 85억 달러 규모의 Non-recourse Financing을 조달했다. 일부 Tranche는 투자적격등급을 받았고, 회사는 이를 AI Infrastructure Financing이 독립적인 자산군으로 발전하는 사례로 제시했다. (CoreWeave)

이는 CoreWeave가 단순 Technology Company가 아니라는 것을 보여준다.

**AI Cloud Software
Data Center Operator
Power Buyer
Structured Finance Vehicle**

이라는 성격이 동시에 존재한다.

Nebius 역시 NVIDIA로부터 20억 달러의 투자를 유치하고 2030년까지 5GW 이상의 NVIDIA System 배치를 추진하고 있다. Meta와는 2027년부터 시작되는 120억 달러의 Dedicated Capacity 계약과, 잔여 Capacity를 최대 150억 달러까지 구매하는 구조를 체결했다. (NVIDIA)

이 구조에서 Neocloud의 경쟁력은 GPU를 많이 보유했다는 사실만으로 결정되지 않는다.

다음 변수의 조합이 중요하다.

Power Availability
× Hardware Deployment Speed
× Utilization
× Software Optimization
× Contract Quality
÷ Cost of Capital

장기계약이 GPU의 경제적 수명을 충분히 커버하고, 새로운 GPU가 출시된 뒤 구형 GPU를 낮은 가격대의 Inference·Fine-tuning·Batch Workload로 재배치할 수 있어야 한다.

그렇지 못하면 GPU 세대교체가 빨라질수록 기존 자산의 임대가격은 하락하지만 부채와 감가상각은 남게 된다.

따라서 Neocloud는 AI 수요가 증가한다고 반드시 좋은 Equity Investment가 되는 사업은 아니다.

결론: 왜 지금 Neocloud를 다시 봐야 하는가

지금까지의 논리를 하나로 연결하면 다음과 같다.

AI Startup의 경쟁력은 더 이상 좋은 Model에 먼저 접근했다는 사실만으로 설명되지 않는다. 더 강한 모델이 등장할수록 자동화 범위가 넓어지고, 그 과정에서 독점데이터, Evaluation, Workflow와 고객관계가 누적되는 기업이 좋은 Startup이다.

Model Lab 역시 이러한 변화를 인식하고 있다.

OpenAI와 Anthropic이 FDE와 Partner Network를 확대하는 이유는 Model Intelligence만으로 기업의 경제적 가치를 만들 수 없기 때문이다. 기업의 Data와 System을 연결하고, Permission을 설계하며, 결과를 검증하고, 실패하면 다시 시도하는 실행체계가 필요하다.

Palantir는 이 경쟁에서 가장 앞선 사례를 보여준다.

여러 Model을 자유롭게 허용하는 대신 기업의 Data, Logic, Action, Security와 Evals를 Ontology에 축적한다. Model Lock-in을 낮추고 Decision Layer의 Switching Cost를 높이는 전략이다.

그런데 이 전체 구조가 작동하기 위해서는 아래쪽에 새로운 형태의 AI Infrastructure가 필요하다.

장시간 작동하는 Agent, 반복되는 Evaluation, RL, Multi-Agent Search, Open Model Inference는 일반적인 Cloud Workload와 다르다. 더 빠른 GPU 배치, Model Optimization, Flexible Capacity, 대규모 Sandbox, 전용 Network와 높은 전력밀도를 요구한다.

바로 이 지점에서 Neocloud의 전략적 의미가 생긴다.

Neocloud는 Hyperscaler를 대체하지 않는다. 오히려 Hyperscaler의 Data·Identity·Enterprise Distribution과 Model Lab의 Intelligence 사이에서, AI를 실제로 실행하고 반복 개선하는 독립적인 Merchant AI Factory가 될 가능성이 있다.

다만 장기 승자는 GPU를 가장 많이 산 회사가 아니다.

고객의 Training·Inference·Eval Loop를 Software로 연결하고
구형과 신형 Accelerator를 높은 Utilization으로 운영하며
Power와 Financing을 낮은 비용으로 확보하고
Customer Concentration과 Hardware Obsolescence를 통제하는

회사만이 살아남을 가능성이 높다.

따라서 앞으로 Neocloud를 평가할 때 가장 중요한 지표도 GPU 수나 매출성장률만이 아니다.

Verified Tasks per MW

즉 1MW의 전력과 1달러의 투자자본으로 경쟁사보다 얼마나 많은 검증된 AI 작업을 생산할 수 있는지를 봐야 한다.

현재 Neocloud는 아직 두 개의 미래 사이에 서 있다.

하나는 GPU 부족을 이용해 Capacity를 임대하다가 공급이 늘어나면 가격경쟁에 빠지는 고레버리지 GPU Rental Business이다.

다른 하나는 Training, Inference, Evaluation, Agent Runtime과 Software를 통합하고, 전력과 금융까지 최적화하는 새로운 AI Production Platform이다.

CoreWeave와 Nebius의 Software 인수, Inference Platform 확대, NVIDIA와의 전략적 관계, 대규모 전력·금융조달은 두 회사가 후자의 방향으로 이동하려 하고 있다는 증거이다.

아직 그 전환이 완성됐다고 보기는 어렵다. Software가 실제 Switching Cost와 Utilization 개선으로 연결되는지, GPU 교체 이후에도 계약과 Cash Flow가 유지되는지, Hyperscaler의 자체 ASIC과 경쟁할 수 있는지를 더 확인해야 한다.

그럼에도 지금 Neocloud를 다시 봐야 하는 이유는 명확하다.

AI 산업의 가치 중심이 Model을 만드는 능력에서, Model의 지능을 지속적이고 검증 가능한 경제적 결과로 생산하는 능력으로 이동하고 있기 때문이다.

그리고 그 변화가 계속된다면 Neocloud는 단순히 GPU를 빌려주는 회사가 아니라, AI 시대의 새로운 공장과 전력시장, Software Platform과 금융시장이 만나는 핵심 산업계층으로 발전할 가능성이 있다.

#글을 마치며

AI 시대의 희소자원은 점차 ‘지능 그 자체’에서 ‘지능을 현실의 행동으로 변환하고, 그 결과를 검증한 뒤 다시 학습시키는 폐쇄형 시스템’(Closed loop)으로 이동하고 있으며, 앞으로 가장 큰 기업가치는 그 Loop의 핵심 지점을 장악하는 회사에서 발생할 가능성이 높다.

즉,

AI가 계속 발전할수록 어느 기업의 시스템 안에 더 많은 행동과 결과가 축적되는가?

나는 앞으로 AI 기업의 장기적인 기업가치를 판단할 때 이 질문이 상당히 중요한 기준이 될 것이라고 생각한다.

한국의 메모리, MLCC Peak-out 논리는
그냥 ... 어이가 없음..

This is Ashenbrenner's Scientific Awesome Announcement of Purchase of 12% Stake in Uden

Singapore's Temasek to Invest in Samsung and SK hynix... 'First Investment in Korean Stock Market'

=끝