7. `$11T`의 AI 투자는 누가 감당하는가

이 장의 숫자는 기간과 포함 범위를 맞춰 읽어야 한다. SemiAnalysis의 계산처럼 1GW당 핵심 IT 장비비를 `$40B–$50B`로 놓으면, 연간 100GW 증설에는 서버·네트워크·광통신 같은 핵심 IT 장비만 약 `$4T–$5T`가 필요하다. 대담에서 말하는 약 `$5T`는 이 범위의 상단을 둥글게 표현한 값이다. 흔히 언급되는 `$40B–$50B`를 시장 전체의 연간 AI 투자액으로 읽으면 안 된다.

여기에 다음 해 수요를 위한 데이터센터와 발전설비까지 미리 건설하면 필요한 자금은 `$7T–$10T`로 커질 수 있다. 데이터센터는 15~20년, 발전설비는 약 30년 동안 사용하는 장기 자산이기 때문에 실제 컴퓨트 수요가 발생하기 훨씬 전에 자본을 투입해야 한다.

2028년만 놓고 보면 전체 설비투자는 약 $3T–$4T`로 추정된다. 핵심 IT 장비에 `$2.5T 이상, 데이터센터·에너지·반도체 공급망에 `$1T–$2T`가 필요하다는 설명도 뒤따른다. 다만 두 범위에는 포함관계와 중복이 있어 합계가 전체 투자액과 정확히 일치하지 않는다.

2024~2029년 누적 투자액은 $11T 이상으로 잡는다. 약 `$6T`는 기업 현금흐름으로, 나머지 `$5T`는 신용으로 조달한다는 시나리오다. 독립적으로 검증된 확정 투자계획이 아니라 공격적인 성장모형의 결과라는 점은 분명히 해야 한다.

2030년 무렵에는 연간 신규 설비투자가 `$10T`에 접근할 수 있다는 극단적 상단도 제시된다. 이를 세계 GDP의 약 10%, 현재 미국 GDP의 25~33%와 비교한 대목은 투자 규모를 보여 주기 위한 사고실험이다. 실제 그 비중의 투자가 전부 한 해에, 대부분 미국에서 집행된다는 강한 가정이 필요하다.

왜 AI 신용수요가 다른 경제를 압박할 수 있는가

초기에는 Google, Microsoft, Amazon과 Meta 같은 하이퍼스케일러가 영업현금흐름과 자사주 매입 축소로 설비투자를 감당할 수 있다. 규모가 더 커지면 하이퍼스케일러, 반도체 기업, 인프라 펀드, 사모신용과 채권시장이 함께 자금을 대야 한다.

AI 인프라의 기대수익률이 높으면 자본은 국채, 주택금융과 전통 산업보다 데이터센터와 AI 기업의 채권으로 이동한다. 다른 조건이 같다면 대규모 신규 신용수요는 시장금리와 신용스프레드를 높이고, 저수익·고부채 기업과 외화·단기부채가 많은 국가를 압박할 수 있다.

예시로 제시된 조달금리도 상당히 공격적이다. Anthropic은 추가 용량을 확보하기 위해 20% 금리도 감수할 수 있고, Meta의 조달금리는 최근 5~6%에서 8% 수준으로 오를 수 있다는 가정이다. 이 숫자들 역시 정교한 예측모형의 결과가 아니라 직관적인 추측에 가깝다. 세계 저축, 해외자본 유입, AI가 새로 만드는 현금흐름에 따라 실제 금리 효과는 크게 달라질 수 있다.

현재의 공급 부족과 미래의 버블은 동시에 가능하다. 기술은 수개월 단위로 변하지만 데이터센터와 전력망은 수년, 부채는 만기 일정에 따라 움직인다.

높은 가격 신호 → 장기계약과 차입 → 여러 프로젝트의 동시 착공 → 수요보다 늦은 동시 준공 → 가동률·갱신가격 하락 → 차환 실패

따라서 최신 대형 클러스터는 계속 부족한데 구형 GPU, 불리한 지역, 단기 임대에 의존한 데이터센터는 과잉이 되는 상황도 가능하다. 현재의 공급 부족을 설명하는 논리는 강하지만, 후행 과잉설비 위험은 상대적으로 적게 다뤄진다.


8. 컴퓨트 집중은 노동과 권력의 집중으로 이어지는가

대담의 마지막 논리는 다음 산식에서 출발한다.

프런티어의 총 FLOPs 증가 × 같은 능력에 필요한 컴퓨트 감소 = 유효 AI 노동량 증가

프런티어의 FLOPs가 연 4~5배 늘고 같은 능력을 구현하는 데 필요한 컴퓨트가 연 3배 줄면, 유효 AI 노동량은 RSI 없이도 연간 약 10배 늘 수 있다. 여기서 “AI 노동자 수”는 실제 사람 수가 아니라 특정 수준의 업무를 수행할 수 있는 작업 등가 용량이다.

재귀적 자기개선(Recursive Self-Improvement, RSI)이 실제로 시작되면 이 증가율이 연 100배 또는 1,000배까지 커질 수 있다는 추측도 나온다. 이는 현재 관측된 사실이 아니라 훨씬 더 강한 가정에 기반한 상단 시나리오다.

컴퓨트가 소수 랩으로 집중될 수 있는 경로는 네 가지다.

1. 모델 연구의 고정비를 수십억 명의 사용자에게 나눌 수 있는 규모의 경제가 있다.
2. 모델이 조금이라도 앞서면 희소한 컴퓨트에서 더 높은 매출/MW를 만들 수 있다.
3. 더 넓은 배포를 통해 실제 사용 데이터와 피드백을 더 많이 얻을 수 있다.
4. 가장 좋은 모델을 다음 모델의 연구에 투입하면 우위가 자기강화될 수 있다.

그러나 이것이 한 회사가 AI의 모든 가치를 가져간다는 뜻은 아니다. 현재도 최종 고객이 상당한 잉여를 누리고 있으며, 공개 모델의 추격, 멀티모델 사용, 데이터·검증·유통망의 중요성, R&D 한계수익의 체감과 규제가 반대 방향으로 작동한다. 지능이 상품화되면 초과이익은 모델 자체보다 광고·검색·업무흐름·독점 데이터·저비용 인프라로 이동할 수 있다.

따라서 가장 정확한 결론은 “하나의 영구 승자가 모든 컴퓨트를 지배한다”가 아니다.

프런티어 모델이 희소한 동안에는 랩이 높은 매출/MW로 컴퓨트를 흡수할 수 있다. 동시에 기존 사업에서 더 높은 내부가치/MW를 만드는 플랫폼과, 공급탄력성이 낮은 칩·HBM·전력·데이터센터도 초과이익을 얻는다. 이후 지능이 보편화되면 가치 포획은 유통, 데이터, 검증 루프와 저비용 인프라로 이동할 수 있다.

결국 추적해야 할 것은 GPU 보유량 자체가 아니다. 각 시점에 누가 마지막 1MW를 가장 높은 회수 가능한 가치로 바꾸는지, 그리고 그때 가장 공급탄력성이 낮은 병목이 어디인지를 함께 봐야 한다.

한 문장으로 정리하면

추론 단위경제성 개선 → 컴퓨트 입찰력 상승 → 신규 용량 집중 → R&D 재투자 → 다음 모델 우위

이 플라이휠은 강력하지만 자동으로 영원히 지속되지는 않는다.

공개 모델 추격·내부수익화 경쟁·규제·공급 증설·금융 시차 → 랩의 우위 약화 또는 초과이익의 이동

AI 산업의 승자는 하나로 고정되기보다, 시기마다 가장 높은 회수 가능한 가치/MW를 만들거나 가장 희소한 병목을 보유한 여러 층에서 나타날 가능성이 크다.

최근에 봤던 영상 중에서 Frontier Labs가 가진 비즈니스 모델, 앞으로 미칠 파급력에 대해서 컴퓨트(칩, 데이터센터), 모델, 고객 등 전반적으로 잘 다룬 대화.

https://www.youtube.com/watch?v=aV26V1UvkJw&t=927s

내용이 좀 길어서 보기 쉽게 시각화해본 내용들