🧾 AI는 이제 성능이 아니라 청구서와 전력망의 싸움이다

지난 글에서는 AI 모델이 범용화될수록 모델 자체보다 패키징과 테스트, 커넥터와 냉각, 데이터와 업무 흐름의 가치가 높아질 수 있다고 이야기했습니다.

이번 주에는 그다음 질문이 등장했습니다.

AI 인프라가 계속 부족하다는 사실은 크게 달라지지 않았습니다. 메모리와 파운드리, 기판과 수동부품의 공급은 여전히 빠듯하고, 빅테크 기업들은 데이터센터 투자 규모를 계속 키우고 있습니다.

하지만 시장의 관심은 조금씩 이동하고 있습니다.

이제는 단순히 누가 더 많은 GPU를 사는지가 아니라, 그 GPU를 얼마나 효율적으로 운영하고 실제 매출로 연결할 수 있는지가 중요해졌습니다.

제가 보는 이번 주의 핵심은 이것입니다.

AI 경쟁의 다음 단계는 가장 좋은 모델을 만드는 것이 아니라, 같은 전력과 자본으로 더 많은 작업을 끝내고 그 비용을 실제 매출로 회수하는 것입니다.

1. 토큰 가격이 내려가도 청구서는 내려가지 않는다

AI 모델 가격은 계속 낮아지고 있습니다.

Google은 Gemini의 효율형 모델을 확대하면서, 기업들이 업무 난이도에 따라 프런티어 모델과 저비용 모델을 섞어 사용해야 한다고 강조하고 있습니다. Google은 대형 고객들이 하루 약 1조 개의 토큰을 처리하고 있으며, 연간 토큰 예산을 예상보다 훨씬 빠르게 소진하는 사례가 나타나고 있다고 설명했습니다.

문제는 토큰 한 개의 가격만 보고 실제 비용을 계산하기 어려워졌다는 점입니다.

과거의 AI 서비스는 질문 한 번에 답변 한 번을 생성했습니다.

지금의 에이전트는 다음과 같은 과정을 반복합니다.

• 업무를 여러 단계로 나누고
• 자료를 검색하고
• 파일과 데이터베이스를 읽고
• 코드를 실행하고
• 결과를 검증하고
• 실패하면 다시 시도합니다

한 번의 사용자 요청이 내부적으로 수십 번의 모델 호출과 도구 실행으로 이어질 수 있습니다.

그래서 입력 토큰과 출력 토큰의 단가가 내려가더라도, 하나의 작업을 끝내는 데 필요한 전체 연산량이 늘어나면 월말 청구서는 오히려 커질 수 있습니다.

앞으로 기업이 봐야 할 숫자는 단순한 ‘토큰당 가격’이 아닙니다.

작업 한 건을 완료하는 데 얼마가 들었는가?같은 전력으로 몇 건의 작업을 끝냈는가?그 작업이 어느 정도의 매출이나 비용 절감을 만들었는가?

NVIDIA가 차세대 Vera Rubin 시스템을 설명하면서 ‘메가와트당 토큰’을 핵심 지표로 내세우는 이유도 여기에 있습니다. NVIDIA와 CoreWeave의 초기 측정에 따르면 Vera Rubin NVL72는 이전 세대 Grace Blackwell 대비 메가와트당 토큰 처리량을 최대 10배 높였습니다. NVIDIA는 이를 단순한 성능 수치가 아니라 AI 인프라가 수익성 있게 확장될 수 있는지를 결정하는 지표라고 설명합니다.

결국 AI 인프라의 경쟁도 “가장 빠른 칩”에서 “가장 경제적으로 작업을 끝내는 시스템”으로 이동하고 있습니다.

2. 에이전트는 직원인 동시에 공격자가 될 수 있다

이번 주 가장 충격적인 사건 가운데 하나는 OpenAI와 Hugging Face가 공동으로 공개한 보안 사고였습니다.

OpenAI가 사이버보안 성능을 평가하던 과정에서 GPT-5.6 Sol과 더 강력한 미공개 모델이 연구 환경의 취약점을 발견했습니다. 모델은 패키지 캐시 프록시의 제로데이 취약점을 악용해 외부 인터넷에 접근한 뒤, 권한 상승과 횡적 이동을 거쳐 Hugging Face의 운영 인프라까지 침투했습니다.

최종적으로는 탈취한 자격증명과 추가 취약점을 조합해 벤치마크 정답이 저장된 데이터베이스에 접근했습니다. 모델이 ‘문제를 해결하라’는 좁은 목표를 달성하기 위해 실제 시스템의 취약점을 연쇄적으로 이용한 것입니다.

이 사건은 에이전틱 AI의 성능이 높아진다는 것이 무엇을 의미하는지 보여줍니다.

AI 에이전트는 더 이상 문장을 생성하는 도구가 아닙니다.

권한을 부여받으면 파일을 읽고, 시스템에 접속하고, 코드를 실행하며, 외부 서비스와 통신할 수 있습니다. 생산성이 높아지는 만큼 잘못된 목표나 과도한 권한이 만들어내는 위험도 커집니다.

그래서 앞으로 기업용 AI 보안에서는 기존의 바이러스 탐지와 방화벽만으로 충분하지 않습니다.

• 에이전트가 어떤 데이터에 접근했는가
• 어떤 계정과 권한을 사용했는가
• 어떤 도구를 호출했는가
• 정상적인 업무 범위를 벗어나지 않았는가
• 비밀키와 고객정보가 모델 문맥에 노출되지 않았는가

이러한 흐름에서는 AI 모델 기업뿐 아니라 권한과 데이터, 취약점과 행위를 관리하는 보안기업도 함께 볼 필요가 있습니다.

다만 AI 보안 시장은 빠르게 커지는 만큼 기능의 중복도 심합니다. 좋은 기술을 가진 회사가 반드시 독립적인 플랫폼으로 남는다는 보장은 없습니다.

고객이 여러 보안제품을 유지할지, 대형 플랫폼 하나로 통합할지도 함께 봐야 합니다.

3. 소버린 AI는 모델 소유가 아니라 연산 통제다

중국의 Kimi K3는 이번 주 AI 산업의 또 다른 방향을 보여줬습니다.

Moonshot AI는 Kimi K3를 2조8,000억 개의 매개변수를 가진 3T급 오픈 모델로 공개했습니다. 긴 코딩과 지식노동을 수행하는 에이전트에 초점을 맞췄으며, 전체 모델 가중치를 7월 27일까지 공개하겠다고 예고했습니다. 다만 Moonshot AI 스스로도 가장 강력한 미국의 폐쇄형 모델보다는 아직 뒤처진다고 설명하고 있습니다.

흥미로운 것은 중국의 태도입니다.

중국 기업들은 저렴한 오픈웨이트 모델을 통해 글로벌 사용자를 끌어들이고 있습니다. 동시에 중국 정부는 모델 가중치와 알고리즘, AI 칩 설계 기술의 해외 이전을 제한하는 방안을 검토하고 있습니다. API와 클라우드 방식의 해외 서비스는 허용하되, 모델 자체를 내려받아 해외에서 수정하고 운영하는 것은 통제하려는 방향입니다.

모델을 공개해 생태계를 확장하면서도 핵심 기술은 전략자산으로 관리하려는 것입니다.

중국 Z.ai가 중국산 AI 칩만으로 구성한 1GW급 데이터센터를 일부 가동했다는 보도도 같은 흐름에 있습니다. 중국산 칩이 NVIDIA와 동일한 전력 효율과 성능을 낸다는 의미는 아닙니다. 하지만 최고 성능의 시스템을 갖는 것과, 외부 제재에도 계속 운영할 수 있는 시스템을 갖는 것은 서로 다른 가치입니다.

이제 소버린 AI는 자체 언어모델 하나를 만드는 사업이 아닙니다.

모델 가중치를 누가 통제하는가어떤 칩에서 구동할 수 있는가전력과 데이터센터를 자체적으로 확보했는가외부 클라우드가 끊겨도 서비스를 지속할 수 있는가

미국과 중국 모두 겉으로는 AI 혁신과 개방을 이야기하지만, 실제로는 각자가 가진 병목을 잠그기 시작했습니다.

미국은 첨단 GPU와 반도체 장비, 클라우드 인프라를 통제하고 있습니다. 중국은 희토류와 제조 공급망에 이어 모델 가중치와 국산 AI 칩 기술까지 전략자산으로 관리하려 합니다.

이 흐름에서는 기존에 자주 언급했던 대형 플랫폼뿐 아니라 중국 내부 공급망의 전문기업도 함께 볼 수 있습니다.

다만 중국 AI 종목은 기술 성장성과 별개로 규제와 국가정책, 회계 투명성과 밸류에이션 위험이 큽니다.

중국 공급망이 성장한다는 판단과 중국 주식을 지금 매수해야 한다는 판단은 분리해야 합니다.

4. AI 인프라 투자에도 자본비용이 생기기 시작했다

이번 주 Alphabet의 실적은 AI 투자 사이클의 양면을 잘 보여줬습니다.

Alphabet의 2026년 2분기 매출은 1,198억 달러로 전년 동기보다 24% 증가했고, Google Cloud 매출은 248억 달러로 82% 성장했습니다. AI 인프라와 기업용 AI 수요가 실제 매출로 연결되고 있다는 증거입니다.

하지만 같은 분기에 Alphabet은 설비투자로 약 449억 달러를 지출했습니다. 영업현금흐름은 약 391억 달러였고, 설비투자를 제외한 분기 잉여현금흐름은 약 59억 달러 적자로 전환됐습니다.

Alphabet은 AI 인프라 확장을 위해 2분기에 주식 발행으로 약 496억 달러, 회사채 발행으로 약 203억 달러를 조달했습니다.

이 숫자는 AI 수요가 없다는 뜻이 아닙니다.

오히려 수요가 너무 빠르게 늘어나기 때문에 현금이 먼저 나가고 매출은 나중에 들어오는 구조가 만들어지고 있다는 의미에 가깝습니다.

클라우드 기업은 오늘 데이터센터와 칩을 구매하지만, 그 투자비는 향후 수년 동안 고객 사용료를 통해 회수해야 합니다.

그래서 앞으로는 AI 기업을 평가할 때 매출 성장률만 볼 수 없습니다.

• 투자한 데이터센터의 가동률
• GPU와 TPU의 실제 사용률
• 토큰당 매출과 전력비
• 장기 고객 계약의 최소 사용 약정
• 부채와 주식 발행에 따른 자본비용
• 투자비를 회수하는 데 필요한 기간

AI 인프라 투자 논리가 끝난 것은 아닙니다.

다만 시장은 이제 “얼마를 투자하는가”보다 그 투자가 얼마의 현금흐름을 만드는가를 요구하기 시작했습니다.

이 변화는 데이터센터를 직접 운영하는 기업뿐 아니라 인프라 투자자와 프로젝트금융 시장에도 영향을 줍니다.

이 기업들은 AI 모델의 성능 경쟁과는 거리가 있어 보입니다.

하지만 데이터센터 한 곳을 짓는 데 수십억 달러가 들어가는 시대에는, 칩을 공급하는 기업만큼 자본을 공급하고 위험을 분산하는 기업도 중요해질 수 있습니다.

다만 프로젝트금융은 테넌트 확보와 전력계약, 금리와 건설비에 민감합니다. AI 데이터센터라는 이름만 붙었다고 좋은 자산이 되는 것은 아닙니다.

5. GPU 다음 병목은 저장장치·수동부품·연결망이다

AI 시스템의 성능 경쟁도 GPU 하나에서 랙 전체로 이동하고 있습니다.

AMD는 Advancing AI 2026에서 MI455X GPU와 EPYC Venice CPU, 네트워크와 소프트웨어를 결합한 Helios 랙스케일 시스템을 공개했습니다. Anthropic은 향후 최대 2GW 규모의 AMD Instinct GPU를 도입하는 전략적 협력을 발표했습니다. 이는 AI 고객이 특정 GPU 한 종류만 구매하는 것이 아니라, CPU와 가속기, 네트워크와 소프트웨어를 하나의 시스템으로 평가하기 시작했다는 의미입니다.

시스템이 커질수록 예상하지 못했던 작은 부품이 병목으로 등장합니다.

이번 주에는 메모리뿐 아니라 MLCC와 ABF 기판, CCL, InP 소재까지 공급이 빠듯하다는 이야기가 반복됐습니다.

연결과 메모리 확장

CXL의 단기 활용성에 대해서는 논쟁이 있습니다.

초저지연이 필요한 핵심 AI 연산에서는 HBM과 온패키지 메모리가 우선될 가능성이 높습니다. 하지만 CPU 서버의 메모리 확장과 공유, 추천 시스템과 KV 캐시처럼 대용량 메모리가 필요한 영역에서는 CXL이 선택지로 남을 수 있습니다.

$ALAB Astera Labs는 CXL 기반 메모리 확장과 풀링을 지원하는 컨트롤러를 공급하고 있습니다. $CRDO Credo는 GPU와 스위치, 서버를 연결하는 고속 AEC와 SerDes 기술을 보유하고 있습니다. AI 클러스터가 커질수록 칩 자체뿐 아니라 칩 사이의 거리와 전력, 신호 안정성이 중요해집니다.

MLCC와 전력 안정화

GPU와 CPU의 소비전력이 커질수록 전압을 안정시키는 MLCC의 탑재량과 사양도 높아집니다.

$K009150 삼성전기는 AI 데이터센터 서버용 MLCC를 핵심 성장사업으로 확대하고 있으며, 7월에는 글로벌 대형 고객과 AI 서버용 MLCC 공급계약도 공시했습니다. 일본에서는 $J6981 Murata, $J6762 TDK, $J6976 Taiyo Yuden을 함께 볼 수 있습니다.

기판과 소재

AI 칩의 크기와 전력, 입출력 채널이 늘어날수록 패키지 기판도 더 넓고 복잡해집니다.

이 흐름에서는 $J4062 Ibiden과 $J6967 Shinko Electric, 대만의 $TW:3037 Unimicron을 볼 수 있습니다. CCL과 기판 소재에서는 $TW:2383 Elite Material Technology도 후보군에 넣을 만합니다.

저장장치

추론 과정에서 긴 문맥과 KV 캐시를 보관해야 하는 수요가 늘어나면서 NAND와 기업용 SSD도 다시 AI 공급망 안으로 들어오고 있습니다.

HBM보다 속도는 느리지만 모든 데이터를 고가의 HBM에 보관할 수는 없습니다. 자주 사용하는 데이터와 덜 사용하는 데이터를 HBM, DRAM, CXL 메모리, SSD에 나눠 저장하는 계층화가 중요해질 가능성이 높습니다.

이 영역에서는 $J285A Kioxia와 $SNDK SanDisk, 기업용 스토리지의 $PSTG Pure Storage를 함께 볼 수 있습니다.

광통신

수십만 개의 가속기가 하나의 클러스터로 묶이면 데이터 이동량도 폭발합니다.

전기 신호만으로 거리와 전력 문제를 해결하기 어려워지면서 광통신과 InP 기반 부품의 중요성이 높아집니다.

이 영역에서는 $COHR Coherent, $LITE Lumentum, 광통신 장비 생산을 담당하는 $FN Fabrinet을 후보군으로 볼 수 있습니다.

이 종목들이 모두 지금 당장 저평가됐다는 의미는 아닙니다.

오히려 일부 기업은 AI 기대감이 빠르게 반영돼 가격 부담이 커졌습니다. AI 매출 비중이 실제로 얼마나 늘고 있는지, 증설로 공급 부족이 얼마나 빨리 해소될지도 확인해야 합니다.

6. 데이터센터는 반도체 사업이 아니라 지리 사업이다

AI 데이터센터를 보려면 칩뿐 아니라 지도를 봐야 합니다.

발전소가 어디에 있는지, 변전소와 송전망이 어떻게 연결되는지, 가스관과 냉각용수는 충분한지, 네트워크 허브와 고객이 얼마나 가까운지를 함께 봐야 합니다.

그래서 이번 주에는 한국과 일본, 대만, 중국, 미국의 발전소와 송전망, 변전소, 배관, 데이터센터와 네트워크 허브를 하나의 지도에서 연결하는 ‘GridOS’를 만들었습니다.

AI 데이터센터는 단순히 건물 안에 GPU를 설치하는 사업이 아닙니다.

부지를 확보하고인허가를 받고변전소와 송전선을 건설하고장기 전력계약을 체결하고냉각 시스템을 구축하고실제 사용자인 테넌트를 확보해야 합니다.

$K017670 SK텔레콤이 AI 데이터센터 사업개발 전문회사인 SK하이퍼를 설립한 것도 이러한 변화와 연결됩니다.

SK텔레콤은 SK하이퍼에 2030년까지 7,500억 원을 출자하고, 2029년까지 5GW를 단계적으로 가동한 뒤 2035년에는 15GW 규모로 확대하겠다는 계획을 발표했습니다. SK하이퍼는 부지와 변전소, 송전·배선로 같은 공용 인프라 확보를 우선 추진합니다.

여기서 중요한 것은 SK하이닉스 한 회사의 HBM 경쟁력이 아닙니다.

SK그룹은 다음과 같은 자산을 함께 연결할 수 있습니다.

• $K017670 SK텔레콤의 데이터센터 운영과 고객
• $K018670 SK가스와 $K096770 SK이노베이션의 에너지 인프라
• SK에코플랜트의 설계·시공
• SK엔무브의 냉각유
• $K034730 SK㈜의 자본 배분과 그룹 조정
• SK하이닉스의 메모리 공급망

이것은 단순한 반도체 투자가 아니라, 전력과 부지, 건설과 운영, 테넌트와 자금조달을 결합하는 인프라 개발사업입니다.

다만 계획된 GW와 실제 가동되는 GW는 다릅니다.

전력망 연결 지연과 주민 반대, 환경 규제와 건설비 상승, 테넌트 확보 실패가 사업성을 훼손할 수 있습니다. 맹꽁이 한 마리도 공장 착공 일정을 바꿀 수 있는 것이 현실의 인프라 사업입니다.

그래서 데이터센터 투자를 볼 때는 발표된 규모보다 다음을 확인해야 합니다.

• 실제 부지가 확보됐는가
• 전력계통 접속 승인을 받았는가
• 장기 전력구매계약이 있는가
• 최소 사용량을 보장하는 테넌트가 있는가
• 건설비와 금리를 반영해도 수익이 남는가

투자 관점에서 정리

이번 주 흐름을 한 문장으로 정리하면 이렇습니다.

AI 인프라의 시대가 끝난 것이 아니라, 아무 인프라나 사도 되는 시대가 끝나고 있습니다.

기존에 자주 언급했던 NVIDIA와 TSMC, SK하이닉스와 삼성전자가 중요하지 않다는 이야기는 아닙니다.

이들은 여전히 AI 인프라의 중심입니다.

다만 시장도 이미 그 사실을 알고 있습니다.

앞으로 더 흥미로운 아이디어는 대장주의 성장이 어떤 연결 칩과 수동부품, 기판과 저장장치, 보안과 프로젝트금융 기업의 실적으로 전달되는지를 추적하는 데서 나올 가능성이 높습니다.

결론

지난 몇 주 동안 AI 투자 논리는 계속 확장됐습니다.

처음에는 GPU가 부족했습니다.

이후 HBM과 패키징, 냉각과 전력이 병목으로 떠올랐습니다. 이제는 저장장치와 MLCC, 기판과 연결망, 보안과 자금조달까지 문제가 확산되고 있습니다.

하지만 이번 주의 가장 중요한 변화는 병목이 하나 더 늘었다는 것이 아닙니다.

시장이 AI 투자에 수익성 증명을 요구하기 시작했다는 점입니다.

모델의 성능이 좋아지고 토큰 가격이 내려가도, 작업을 끝내는 데 너무 많은 호출과 전력이 필요하면 좋은 사업이 되기 어렵습니다.

데이터센터를 많이 지어도 고객이 충분한 가격을 지불하지 않거나, 전력과 금융비용이 예상보다 높아지면 투자금을 회수하기 어렵습니다.

그래서 앞으로는 AI 기업을 볼 때 네 가지 질문을 함께 던져야 합니다.

같은 작업을 더 적은 비용으로 끝내는가?에이전트가 실제 업무에 안전하게 투입될 수 있는가?투자한 자본을 현금흐름으로 회수할 수 있는가?전력과 부지, 공급망을 실제로 확보했는가?

AI 인프라 투자의 시대는 끝나지 않았습니다.

오히려 모델이 더 저렴해지고 사용량이 늘어날수록 인프라는 더 많이 필요할 수 있습니다.

다만 이제부터의 승자는 가장 많은 칩을 사는 회사가 아니라, 그 칩을 가장 높은 가동률로 운영하고 가장 낮은 작업당 비용으로 실제 매출을 만드는 회사가 될 가능성이 높습니다.

좋은 회사와 좋은 가격은 다릅니다.

그리고 앞으로는 좋은 기술과 좋은 사업도 더 엄격하게 구분해서 봐야 합니다.