Broadcom 실적발표, 그리고 Nvidia Jenson Hwang의 최근 발언에서 흥미로운 수치들이 연달아 발표됨에 따라 cloud 사업자들이 얼마나 많은 이익을 미래에 창출해낼 수 있는지에 대한 그간의 궁금증 일부를 해소할 수 있게 됐다.
이번글은 그 해소과정을 리서치기록으로 남긴 글이다.
 |
| 2026.09.03 Broadcom |
토큰이 싸질수록 Cloud의 1GW는 왜 더 비싸지는가
AI 하드웨어의 성능은 계속 높아지고 있다.
NVIDIA의 차세대 플랫폼은 동일한 전력으로 더 많은 토큰을 생성하고, OpenAI의 차세대 모델은 더 적은 토큰으로 더 복잡한 문제를 해결하게 될 것이다. 모델 증류와 open-weight 경쟁까지 고려하면 백만 토큰당 원가와 판매가격은 구조적으로 하락할 가능성이 높다.
그런데 여기서 역설이 발생한다.
토큰이 저렴해지면 기업과 개인은 AI를 덜 사용하는 것이 아니라 더 많이 사용한다. 단순한 질문과 답변을 넘어 리서치, 코딩, 고객 응대, 소프트웨어 실행, 검증과 재시도를 AI agent가 수행하기 시작하면 한 번의 인간 요청이 수십 번, 수백 번의 모델 호출로 증폭된다.
결국 AI 산업에서는 다음 세 가지가 동시에 나타날 수 있다.
Cost per token ↓
Price per productive MW ↑
Utilization ↑
토큰당 원가는 내려가지만 즉시 사용할 수 있는 전력·부지·냉각·네트워크·컴퓨팅의 가격은 오르고, AI 데이터센터의 가동률도 상승하는 것이다.
이 경우 AI 산업의 가치 배분은 LLM 소프트웨어에서 Cloud와 physical infrastructure 쪽으로 이동한다.
이 글에서 확인하고 싶은 것은 하나다.
Cloud 사업자의 매출과 이익은 생산 가능한 1GW당 어디까지 올라갈 수 있는가.
1. AI 시대에는 1GW가 하나의 경제 단위가 된다
젠슨 황은 G20 연설에서 AI 인프라를 전기를 지능으로 바꾸는 새로운 종류의 공장으로 설명했다.
기존 공장이 에너지를 물리적 제품으로 수익화했다면, AI factory는 전력을 compute로 전환하고 compute를 다시 token과 intelligence revenue로 바꾼다.
Energy → Compute → Tokens → Intelligence → Revenue
젠슨 황이 언급한 AI factory의 투자비는 1GW당 500억~600억 달러다.
NVIDIA G20 연설
 |
| CNBC |
이는 JPMorgan이 VR200 기준으로 추정한 1GW당 400억~450억 달러보다 높다. 하지만 두 수치가 반드시 모순되는 것은 아니다.
어떤 계산은 서버와 가속기 중심이고, 다른 계산은 네트워크·냉각·전력 인입·건물·부지까지 포함한 완성형 AI factory를 기준으로 하기 때문이다. 세대와 지역 차이까지 감안하면 현재의 합리적인 all-in 투자비 범위는 대략 400억~600억 달러/GW로 볼 수 있다.
1GW를 둘러싼 다섯 개의 숫자
이 숫자들을 비교할 때 가장 중요한 것은 시간축이다.
Custom XPU의 200억~300억 달러/GW와 NVIDIA 플랫폼의 약 400억 달러/GW는 구축하거나 교체할 때 발생하는 장비 판매액이다. 반면 Cloud의 170억 달러/GW와 frontier AI lab의 300억 달러/GW는 매년 반복되는 매출이다.
따라서 XPU와 Cloud 매출을 그대로 더하면 안 된다.
5년 교체주기를 단순 적용하면 Broadcom custom XPU의 연환산 매출은 40억~60억 달러/GW, NVIDIA 플랫폼의 연환산 매출은 약 80억 달러/GW가 된다.
Broadcom의 Hock Tan은 2026년 9월 실적발표에서 custom XPU 콘텐츠가 세대가 바뀌어도 200억~300억 달러/GW를 유지할 수 있다고 설명했다.
칩 한 개의 가격은 상승하지만 칩당 전력소비량도 증가하기 때문에 1GW에 설치할 수 있는 칩 수는 감소한다. 두 효과가 서로 상쇄되면서 XPU value/GW가 비교적 안정적으로 유지된다는 의미다.
같은 자리에서 Hock Tan은 frontier AI lab이 약 300억 달러의 ARR/GW를 만들 수 있다고 말했다. 약 1년 전 제시했던 100억 달러/GW보다 세 배 높아진 수치다.
Broadcom Q3 FY2026 Earnings Call
다만 투자회수기간은 매출이 아니라 이익을 기준으로 계산해야 한다.
앞서 추정한 1GW AI factory의 all-in 투자비 400억~600억 달러를 연간 Cloud 매출 170억 달러와 비교하면 단순 매출 기준 회수기간은 약 2.4~3.5년이다.
하지만 2026년 2분기 AWS와 Google Cloud의 영업이익률은 각각 39.4%와 35.6%였다. 이를 AI Cloud 수익성의 대리치로 적용하면 1GW당 연간 영업이익은 약 60억~67억 달러, 영업이익 기준 투자회수기간은 약 6~10년, 중간값은 약 8년이 된다.
Amazon Q2 2026 Results
Alphabet Q2 2026 Earnings Call
Amazon이 밝힌 3년 미만의 투자회수기간은 서버와 네트워크 장비에 한정된 수치다. 이 장비들은 최소 5~6년간 사용되고, 최근 AI Capacity 계약도 대부분 5년 이상이다. 반면 데이터센터 건물과 전력설비는 30년 이상 여러 세대의 서버를 수용한다.
생각정리 325 (* Memory Premium)
Microsoft도 AI CapEx의 약 3분의 2를 CPU·GPU 같은 단기자산, 나머지를 데이터센터와 네트워크 같은 장기자산으로 구분하고 있다. 데이터센터 내용연수는 25년으로 연장했지만 Azure의 정확한 투자회수기간은 공개하지 않았다.
Microsoft FY2026 Q4 Earnings Call
결국 AI 데이터센터의 투자회수 구조는 두 층으로 나뉜다.
서버·가속기·네트워크 장비는 약 3년 안팎에 투자비를 회수하고, 토지·전력·건물·냉각설비까지 포함한 전체 AI factory는 영업이익 기준 약 6~10년에 걸쳐 회수한다.
초기 Ramp-up과 이자·세금, GPU 세대교체 비용까지 고려하면 실질적인 전체 투자회수기간은 보수적으로 약 8~12년으로 보는 것이 합리적이다.
그럼에도 데이터센터 건물과 전력 인프라는 25~30년 이상 활용할 수 있다. 장기계약과 높은 가동률이 유지된다면 초기 투자비를 회수한 이후에도 여러 세대의 Compute를 반복적으로 설치하면서 장기간 잉여현금흐름을 창출할 수 있는 구조다.
2. Cheaper Tokens, More Expensive Compute
AI 하드웨어의 발전은 토큰당 원가를 계속 낮출 것이다.
NVIDIA는 Rubin 플랫폼이 Blackwell 대비 inference token cost를 최대 10분의 1로 낮추고, MoE 모델 학습에 필요한 GPU 수를 최대 4분의 1로 줄일 수 있다고 발표했다.
NVIDIA Rubin Platform
OpenAI의 Astra도 같은 방향을 보여준다.
OpenAI는 Astra가 GPT-5.6 Sol보다 높은 성능을 보이면서 일부 cyber evaluation에서 더 적은 토큰으로 더 높은 성과를 냈다고 설명한다. 제한된 평가 결과이므로 이를 전체 경제에 그대로 외삽할 수는 없지만, 모델 성능 상승과 토큰 효율 개선이 동시에 일어날 수 있다는 사례다.
OpenAI, Path to Astra
 |
| https://x.com/chetaslua/status/2095013971782996291/photo/1 |
문제는 토큰 원가 하락이 반드시 전체 compute 수요 감소로 이어지지 않는다는 점이다.
AI가 검색이나 단순 질의응답에 머물렀을 때는 인간의 요청 한 번에 모델 호출도 한 번 발생했다. 그러나 agent는 계획을 세우고, 정보를 찾고, 코드를 실행하고, 결과를 검증하고, 실패하면 다시 시도한다.
젠슨 황은 agentic AI가 일반적인 prompt보다 최대 100만 배 많은 토큰을 소비할 수 있다고 설명했다. 이 수치를 그대로 수요 전망에 적용하기는 어렵지만, 인간의 요청과 compute 소비량 사이의 관계가 비선형적으로 바뀐다는 방향은 분명하다.
Morgan Stanley–Jensen Huang Fireside Chat
 |
| Agent 기능 도입이후 폭증하는 token사용량 openrouter |
결국 다음과 같은 제번스 효과가 발생한다.
Hardware efficiency ↑
→ Cost per token ↓
→ AI use cases ↑
→ Agent calls per task ↑
→ Tokens consumed ↑
→ Cloud utilization ↑
→ Revenue per GW ↑
「생각정리 346 (* AI polarization and contradiction)」에서 언급했던 ‘이질적 제번스 효과’가 바로 이것이다.
토큰 단가는 하락하지만 heavy user의 AI 사용량은 훨씬 빠르게 증가한다. 같은 기간 GPU 임대가격은 토큰 가격만큼 빠르게 하락하지 않을 수 있다.
Intelligence에는 deflation이 오지만, productive compute에는 inflation이 올 수 있다.
 |
| heavy user의 AI 사용량은 훨씬 빠르게 증가 Source: COATUE |
3. 가격 상승의 대상은 토큰이 아니라 productive MW다
여기서 ‘가격이 오른다’는 의미를 분명하게 구분해야 한다.
Cloud의 토큰당 실현가격이 상승한다는 뜻이 아니다. 차세대 하드웨어의 처리량이 증가하면 Cloud의 token price도 장기적으로 하락할 가능성이 높다.
상승하거나 유지될 수 있는 가격은 즉시 사용할 수 있는 reserved MW 또는 productive GW의 가격이다.
IEA는 전 세계 데이터센터 전력 소비가 2024년 415TWh에서 2030년 약 945TWh로 증가할 것으로 전망한다. 가속 서버의 전력 소비는 같은 기간 연평균 약 30% 증가할 전망이다.
IEA, Energy and AI
반면 미국 전력망 접속 대기열에는 2025년 말 기준 1,312GW의 발전 프로젝트와 749GW의 저장 프로젝트가 쌓여 있었다.
2025년에 가동을 시작한 프로젝트의 접속 신청부터 상업운전까지 걸린 기간 중앙값은 5년 이상이었다. 2000~2020년에 접수된 용량 중 2025년 말까지 실제 운전으로 이어진 비율도 **13%**에 불과했다.
Lawrence Berkeley National Laboratory, Queued Up
이는 「생각정리 348 (* Power is the Inner Loop)」의 결론과 연결된다.
AI 산업의 가장 안쪽 loop는 결국 전력과 냉각이다. 2030년에 연결될 예정인 1GW와 지금 당장 사용할 수 있는 1GW는 같은 상품이 아니다.
희소한 것은 전력 공급계획에 표시된 headline GW가 아니다.
Time-to-Power가 짧고, 전력품질과 냉각·네트워크가 확보됐으며, 실제 고객 workload가 돌아가는 productive GW가 희소한 것이다.
4. 반대로 LLM의 희소성은 낮아질 수 있다
Cloud가 더 많은 가치를 가져가려면 물리적 공급이 부족한 것만으로는 충분하지 않다.
상대편인 LLM 소프트웨어의 희소성이 더 빠르게 낮아져야 한다.
그 가능성은 이미 세 가지 경로에서 나타나고 있다.
첫째, 반복되는 증류
강한 frontier model의 능력이 더 작은 모델로 이전되고 있다.
DeepSeek-R1은 1.5B~70B 크기의 여섯 개 distilled model을 공개했다. 일부 reasoning benchmark에서는 훨씬 큰 모델에 근접하는 성능을 보였다.
DeepSeek-R1 Paper
둘째, Open-weight 경쟁
OpenAI의 gpt-oss-120b는 핵심 benchmark에서 o4-mini에 근접하는 성능을 목표로 하면서 단일 80GB GPU에서 작동하도록 설계됐다.
OpenAI, Introducing gpt-oss
셋째, 모델 전환비용 하락
Routing, fine-tuning, retrieval, agent framework가 발전하면 애플리케이션은 하나의 모델에 종속되지 않는다.
작업의 난이도와 가격에 따라 frontier model, distilled model, open-weight model을 조합할 수 있다. 모델 간 성능 차이가 줄어들수록 가격 경쟁은 심해지고 LLM 사업자의 수익화/token은 하락한다.
반면 Cloud 사업자는 OpenAI, Anthropic, open-weight hosting, sovereign AI, 기업 전용 모델의 수요를 모두 받을 수 있다.
모델 간 경쟁이 치열해질수록 전체 AI 사용량은 증가하고, 공통적으로 사용되는 Cloud와 physical infrastructure의 총수요도 늘어난다.
이것이 「생각정리 342 (* LPS, Where Does Value Accrue in the AI Era?)」에서 제시했던 구조다.
지능의 희소성이 낮아진다고 산업의 가치가 사라지는 것은 아니다.
가치는 Land + Power + Shell, accelerator, network, cloud orchestration처럼 복제가 느린 계층으로 이동한다.
다만 Cloud를 단순한 GPU 임대사업으로 보면 이 주장은 약해진다.
「생각정리 338 (* NeoCloud)」에서 언급했듯 장기적으로 높은 수익성을 얻는 사업자는 GPU만 임대하는 곳이 아니다.
Training, evaluation, inference optimization, orchestration, agent runtime까지 통합한 Merchant AI Factory가 되어야 한다. 그래야 고객의 전환비용을 높이고, fleet의 가동률을 안정시키며, 빠른 하드웨어 세대교체 위험을 흡수할 수 있다.
5. Cloud 매출/GW 계산식
Cloud 매출은 다음과 같이 단순화할 수 있다.
Cloud revenue/GW
= 현재 매출/GW × 처리량 배수 × 가동률 변화 × Cloud 실현가격/token 지수
LLM 매출도 같은 구조로 계산할 수 있다.
LLM revenue/GW
= 현재 매출/GW × 처리량 배수 × 가동률 변화 × LLM 수익화/token 지수
현재의 출발점은 다음과 같이 설정한다.
Cloud 매출: 170억 달러/GW/년
LLM 외부매출: 300억 달러/GW/년
기준 가동률: 80%
Cloud 매출은 LLM 매출의 원가에 포함된다.
따라서 두 숫자는 같은 산업의 독립적인 매출처럼 합산하면 안 된다. LLM 사업자가 고객에게 300억 달러를 받고 그중 170억 달러를 Cloud 사업자에게 지급하는 구조로 이해해야 한다.
「생각정리 324 (* Token Empire)」에서 정리했듯 AI Cloud의 생산성은 GPU FLOPS 하나로 결정되지 않는다.
Chip × Memory × Network × Power Efficiency × Software Optimization × Utilization
Rubin의 ‘최대 10배 낮은 token cost’를 곧바로 10배 처리량으로 적용하는 것은 지나치게 공격적이다.
실제 fleet에는 구형 GPU가 섞여 있고, 차세대 모델은 더 많은 test-time compute를 사용할 수 있다. 메모리, 네트워크, 전력과 냉각 병목도 남는다.
따라서 2030년의 실효 처리량은 5~8배, 가동률은 90~95% 범위로 가정했다.
6. 2030년 세 가지 시나리오
Software moat + Grid relief
이 시나리오에서는 frontier model의 차별성이 유지되고 전력망과 데이터센터 공급이 예상보다 빠르게 증가한다.
LLM 사업자는 outcome pricing과 subscription, agent, 광고, commerce를 통해 높은 수익화를 유지한다. 반면 Cloud 사업자는 공급 증가로 가격 협상력이 약해진다.
2030년 Cloud 매출은 약 220억 달러/GW, LLM 매출은 약 550억 달러/GW가 된다. Cloud fee 비중은 **약 40%**로 하락한다.
Base case
처리량은 6.5배, 가동률은 93%까지 올라간다.
토큰당 Cloud 가격은 현재의 23%까지 하락하지만, 사용량과 가동률 증가가 이를 상쇄한다. Cloud 매출은 약 300억 달러/GW, LLM 매출은 약 480억 달러/GW가 된다.
Cloud fee 비중은 **약 63%**까지 올라간다.
Cloud scarcity
이 시나리오가 내가 개인적으로 생각하는 가설에 가장 가깝다.
AI 하드웨어의 실효 처리량이 8배 증가한다.
가동률은 **80%에서 95%**로 상승한다.
Cloud 가격/token은 현재보다 약 80% 하락한다.
LLM 수익화/token은 open-weight와 증류 경쟁으로 약 84% 하락한다.
전력과 데이터센터 병목은 계속된다.
Cloud 매출 계산은 다음과 같다.
170억 달러 × 8.0 × (95% ÷ 80%) × 20.4%
= 약 330억 달러/GW/년
LLM 매출은 다음과 같다.
300억 달러 × 8.0 × (95% ÷ 80%) × 15.8%
= 약 450억 달러/GW/년
LLM의 절대매출도 300억 달러에서 450억 달러로 증가한다.
그러나 Cloud 비용은 170억 달러에서 330억 달러로 더 빠르게 증가한다. 이에 따라 LLM 매출에서 Cloud가 차지하는 비율은 **57%에서 73%**로 높아진다.
이것은 Cloud가 AI 산업 전체 매출의 73%를 가져간다는 의미가 아니다.
LLM 사업자가 고객에게 받는 매출 1달러 중 약 73센트가 Cloud 비용으로 지급된다는 의미다.
LLM lab과 Cloud가 같은 회사라면 이 숫자는 외부매출이 아니라 내부 이전가격이 된다.
내 판단으로는 2030년 60~65%가 가장 가능성이 높은 구간이다. 70~75%는 가능한 상단 시나리오지만 다음 조건이 동시에 충족돼야 한다.
Agent workload가 token efficiency 개선보다 빠르게 증가한다.
주요 시장의 Time-to-Power가 계속 3~5년 수준에 머문다.
Cloud fleet 가동률이 90% 이상에서 유지된다.
LLM 가격 경쟁이 심해져도 기업의 AI 예산과 사용량은 계속 증가한다.
Cloud 사업자가 전력과 GPU를 넘어 orchestration까지 확보한다.
7. 매출보다 중요한 것은 EBIT이다
Cloud 사업자의 높은 EBITDA를 곧바로 이익으로 보면 안 된다.
AI 서버의 감가상각, 빠른 세대교체, 막대한 이자비용을 고려해야 한다.
CoreWeave의 2026년 2분기 실적이 대표적인 사례다.
분기 매출: 25.75억 달러
Active power: 1.5GW
Adjusted EBITDA margin: 59%
GAAP operating margin: -2%
Net margin: -24%
분기 감가상각: 13.93억 달러
분기 이자비용: 6.40억 달러
기말 active power 1.5GW를 기준으로 연환산하면 현재 매출은 약 69억 달러/GW다. 평균 active power를 약 1.25GW로 가정해도 82억 달러/GW 정도다.
이는 JPMorgan의 170억 달러/GW가 현재 CoreWeave fleet의 실제 매출이라기보다 높은 가동률과 최신 장비를 전제로 한 안정화 잠재력에 가깝다는 뜻이다.
Cloud EBITDA margin을 55~64%, 연간 감가상각을 80억~120억 달러/GW로 가정하면 2030년 EBIT은 다음과 같다.
Cloud scarcity 시나리오에서 총투자비를 500억 달러/GW로 가정하면 EBIT/총투자비는 약 **16~20%**가 된다.
다만 이 수치는 이자와 세금을 차감하기 전이다. 부채비용이 높거나 장비의 경제적 수명이 짧아지면 실제 equity return은 크게 낮아질 수 있다.
따라서 AI Cloud의 핵심 KPI는 EBITDA margin 하나가 아니다.
Utilization × Revenue/MW × Refresh Discipline × Cost of Capital
8. XPU와 LPS 사업자는 얼마나 가져가는가
Cloud의 협상력이 높아지더라도 physical scarcity rent 전부를 Cloud 사업자가 가져가는 것은 아니다.
전력 인입 부지, XPU와 GPU, HBM, 네트워크, 냉각, 건설, 금융사업자가 이를 나눠 가진다.
Broadcom과 NVIDIA의 수치는 서로 더할 수 있는 숫자가 아니다.
고객이 custom XPU를 선택하는지 NVIDIA 플랫폼을 선택하는지에 따른 대안적 구조다. 또한 사업부별 마진이 모두 공개된 것은 아니므로 영업이익은 회사 전체 또는 반도체 부문의 수익성을 할인 적용한 추정치다.
LPS의 참고사례로 Hut 8은 계약된 949MW IT load에서 연 17.5억 달러 이상의 NOI를 제시했다. 이를 단순 환산하면 약 18.4억 달러/IT-GW/년이다.
Hut 8 Beacon Point
Cloud의 헤게모니는 GPU를 많이 소유했다는 사실만으로 만들어지지 않는다.
전력이 연결된 부지 + 최신 compute fleet + HBM·network + cooling + financing + orchestration software
이 모든 것을 하나의 SLA로 묶어 고객에게 제공할 수 있을 때 Cloud는 단순 인프라가 아니라 AI 생산의 운영체제가 된다.
9. 이 가설이 틀릴 수 있는 이유
첫째, 높은 rent는 신규 공급을 부른다
Cloud의 EBIT/투자비가 장기간 **20%**에 접근하면 hyperscaler, utility, infrastructure fund와 private capital이 신규 공급을 늘릴 것이다.
희소성 rent는 공급을 끌어들여 스스로를 약화시키는 성질이 있다.
둘째, Frontier lab이 Cloud를 내재화할 수 있다
Hock Tan도 선도 AI lab들이 장기적으로 hyperscaler처럼 자체 인프라를 보유할 가능성을 언급했다.
이 경우 경제적 가치는 Cloud 계층에 남더라도 독립 Cloud 사업자의 외부매출로 잡히지 않는다.
셋째, LLM 사업자가 Outcome pricing으로 이동할 수 있다
LLM이 token이 아니라 outcome, seat, agent, 광고, commerce로 과금하면 token 가격 하락보다 소프트웨어 매출이 더 빠르게 증가할 수 있다.
AI가 기업의 인건비와 외주비를 직접 대체한다면 고객은 token 수가 아니라 절감된 비용과 창출된 매출을 기준으로 지불할 것이다.
넷째, 하드웨어 발전이 기존 자산의 수명을 단축할 수 있다
새 GPU가 token cost를 크게 낮출수록 구형 fleet의 경제적 수명은 짧아진다.
Cloud 사업자는 생산성 개선의 수혜를 받지만 동시에 더 큰 감가상각과 교체 CapEx를 부담한다.
다섯째, 연결된 GW와 수익화된 GW는 다르다
전력을 확보했다고 바로 매출이 발생하는 것은 아니다.
GPU, HBM, 광모듈, 냉각, 네트워크 또는 고객계약이 부족하면 headline GW는 revenue-generating GW가 되지 못한다.
가설을 낮춰야 하는 신호
 |
| 다들 별 가망성 없는 얘기들 뿐이다.. |
결론: 희소한 것은 모델이 아니라 제시간에 작동하는 GW다
AI 산업에서는 두 방향의 힘이 동시에 작동한다.
하나는 deflation이다.
모델은 더 강해지고, 더 작은 모델로 증류되고, open-weight로 공개된다. 차세대 하드웨어는 동일한 전력으로 더 많은 토큰을 생산하고 token cost를 낮춘다.
다른 하나는 inflation이다.
Agent는 더 오래 생각하고 더 많은 도구를 호출한다. 기업과 개인은 저렴해진 지능을 더 많이 사용한다.
|
| Agent 기능 도입이후 폭증하는 token사용량 openrouter |
그러나 전력망, 변전소, 냉각, 토지, HBM, 광통신과 자본은 소프트웨어의 속도로 늘어나지 않는다.
이 두 힘이 만나는 지점에서 Cloud의 경제성이 좋아진다.
**Cost per token ↓
Token demand ↑
Utilization ↑
Productive GW scarcity ↑
= Revenue and EBIT per GW ↑**
나의 기준 추정치는 2030년 Cloud 매출 290억~310억 달러/GW, EBIT 60억~80억 달러/GW다.
Physical bottleneck이 지속되고 LLM의 상대적 희소성이 더 빠르게 약해진다면 Cloud 매출은 약 330억 달러/GW, EBIT은 80억~100억 달러/GW까지 올라갈 수 있다. LLM 매출 대비 Cloud fee 비중도 **70~75%**에 도달할 수 있다.
그러나 이는 영구적인 독점을 의미하지 않는다.
높은 수익성은 신규 공급과 수직계열화를 부른다. 결국 승자는 GPU를 가장 많이 구매한 회사가 아니라, 전력화된 시간을 먼저 확보하고 그 위에서 고객 workload를 가장 높은 가동률로 반복 수익화하는 회사일 가능성이 높다.
AI 시대의 가장 희소한 상품은 model weight 자체가 아니다.
제시간에 연결되고, 조달 가능하며, 실제로 작동하는 productive GW다.
#글을 마치며
최근 말이 많은 버크셔의 알파벳 투자를 단순히 Gemini라는 LLM 소프트웨어에 대한 베팅으로 해석하는 것은 지나치게 좁은 시각일 수 있다.
 |
| https://www.reuters.com/legal/legalindustry/berkshire-ceo-abel-sees-opportunity-energy-business-ai-2026-09-02/ |
오히려 기술 변화와 인력 이동에 민감한 모델 자체보다, TPU·Cloud·데이터센터·전력·에너지로 이어지는 장수명 AI 인프라와 그 희소성에 투자했다고 보는 편이 버크셔의 투자 성향에 더 부합한다.
알파벳은 자체 모델과 TPU, GCP, 글로벌 네트워크를 보유하면서도 대규모 투자를 감당할 우량한 재무구조와 현금창출능력을 갖추고 있다. 구글이 모든 Frontier LLM과 성능 경쟁을 벌이는 것보다, AI 확산 과정에서 필연적으로 증가하는 컴퓨팅 수요를 자체 인프라로 수익화하는 전략이 오히려 더 합리적일 수 있다.
생각정리 316 (* Warren Buffet, Alphabet)
앞으로 AI 산업의 헤게모니가 LLM에서 Cloud로, 다시 Cloud에서 전력과 physical infrastructure로 이동한다면, 가장 유리한 위치에 있는 사업자는 단순히 최고의 모델을 만든 기업이 아닐 것이다.
AI가 작동하는 데 필요한 전체 인프라 체인을 보유하고, 막대한 투자비를 견디며, 이를 반복적으로 수익화할 수 있는 Alphabet GCP, Amazon AWS, Microsoft Azure 같은 사업자가 장기적으로 더 큰 가치를 가져갈 가능성이 높다.
댓글 없음:
댓글 쓰기