생성형 AI 버블 데이터센터 투자와 수익성 위기

핵심 요약

이 글의 핵심 주장은 생성형 AI 산업이 현재의 데이터센터·GPU 투자 규모를 정당화하려면 2030년까지 수조 달러 규모의 매출을 만들어야 하지만, 실제 수요와 수익성은 그 속도를 따라가지 못하고 있다는 것이다.

OpenAI와 Anthropic 같은 소수 기업에 AI 컴퓨팅 수요가 과도하게 집중되어 있고, 기업 고객들은 토큰 기반 과금이 본격화되자 비용 대비 효과에 의문을 품기 시작했다.

AI는 "조금 성장"으로는 버틸 수 없다

필자는 AI 산업의 가장 큰 문제를 기술 성능보다 경제 구조에서 찾는다.

현재 계획된 데이터센터와 GPU 인프라는 너무 거대해서, AI 서비스 매출이 지금보다 훨씬 빠르게 커지지 않으면 투자금 회수가 어렵다.

예를 들어 글에서는 계획된 데이터센터 용량을 190GW로 보고, 이를 구축하는 데 수조 달러가 들 수 있다고 추산한다.

이 정도 규모의 인프라가 유지되려면 AI 컴퓨팅 사용료와 AI 서비스 매출이 매년 폭발적으로 증가해야 한다.

즉 AI 산업은 "성장하면 좋다"가 아니라 "성장하지 않으면 붕괴한다"에 가까운 구조라는 주장이다.

OpenAI와 Anthropic에 너무 많은 것이 걸려 있다

글에서 반복되는 핵심 지적은 AI 수요가 매우 좁은 기반 위에 서 있다는 점이다.

OpenAI와 Anthropic이 AI 컴퓨팅 수요의 대부분을 차지하고 있으며, 다른 기업들의 사용량은 아직 그 규모에 한참 못 미친다는 것이다.

문제는 두 회사 모두 막대한 컴퓨팅 계약을 맺었지만, 그 비용을 감당할 만큼의 안정적인 현금흐름을 아직 만들지 못했다는 데 있다.

쉽게 말하면, 거대한 쇼핑몰을 지었는데 실제로 임대료를 낼 핵심 임차인이 두 곳뿐인 상황과 비슷하다.

그 두 임차인이 계속 성장하지 못하거나, 비용을 줄이기 시작하면 쇼핑몰 전체의 경제성이 흔들린다.

데이터센터 건설은 빚으로 굴러가는 구조다

AI 인프라 확장은 막대한 자본 지출을 필요로 한다.

필자는 이 돈이 결국 은행 대출, 채권, 지분 매각 같은 금융 조달에 의존한다고 본다.

문제는 데이터센터가 단순한 건물이 아니라 전력, 냉각, GPU, 네트워크, 유지보수까지 포함한 초고비용 시설이라는 점이다.

AI 수요가 예상보다 느리게 증가하면, 이 인프라는 돈을 버는 자산이 아니라 이자를 잡아먹는 부채 덩어리가 된다.

그래서 필자는 AI 버블의 위험을 기술 실패보다 금융 구조의 취약성에서 찾는다.

토큰 과금은 AI 비용을 현실로 드러낸다

초기 AI 서비스는 월 구독료 형태로 제공되며 실제 사용 비용이 가려져 있었다.

하지만 기업 고객이 토큰 단위로 비용을 지불하기 시작하면 상황이 달라진다.

사용자가 AI에게 많은 작업을 시킬수록 비용이 계속 늘고, 모델이 실수하거나 반복 작업에 빠져도 그 비용은 고객이 부담해야 한다.

글에서는 여러 기업이 AI 사용 한도를 설정하기 시작한 사례를 언급한다.

이는 기업들이 "AI를 많이 쓰는 것"과 "성과가 나는 것"이 다르다는 사실을 깨닫기 시작했다는 신호로 해석된다.

ROI를 측정하기 어렵다는 말은 위험한 핑계가 될 수 있다

AI 도입을 옹호하는 쪽에서는 생산성 향상을 정확히 측정하기 어렵다고 말한다.

하지만 필자는 비용이 크게 증가한다면 그에 상응하는 성과를 증명해야 한다고 본다.

예를 들어 개발자 1명당 매달 수백만 원어치 AI 도구를 쓰게 한다면, 신규 기능 출시, 버그 감소, 고객 지원 비용 절감 같은 구체적 지표가 있어야 한다.

"미래를 위한 투자"라는 말만으로는 계속되는 운영비 증가를 정당화할 수 없다.

특히 AI 비용이 10%, 50%, 100%씩 운영비를 밀어 올린다면, ROI 측정은 선택이 아니라 생존 문제다.

'거대한 금속 거미' 비유: 가능하지만 불안정하고 비싸다

글에서 가장 인상적인 비유는 AI를 영화 속 거대한 금속 거미에 비유한 부분이다.

이 거미는 가끔 훌륭하게 일을 해낸다. 커피를 만들고, 물건을 집고, 상자를 열 수도 있다.

하지만 때로는 냉장고를 부수고, 커피잔에 기름을 붓고, 바닥을 긁어 망가뜨린다.

문제는 성공하든 실패하든 매번 엄청난 연료비가 든다는 점이다.

이 비유는 생성형 AI의 핵심 한계를 잘 보여준다. AI는 분명 쓸모 있는 순간이 있지만, 결과의 일관성과 비용 예측 가능성이 부족하면 기업 운영의 핵심 도구가 되기 어렵다.

AI 산업의 순환 경제 구조

필자는 AI 산업이 일종의 순환 구조로 움직인다고 본다.

AI 기업은 클라우드 기업에 컴퓨팅 비용을 지불한다.

클라우드 기업은 GPU를 사기 위해 NVIDIA에 돈을 쓴다.

NVIDIA와 클라우드 기업은 다시 AI 기업이나 AI 인프라 기업에 투자한다.

겉으로는 매출과 투자가 계속 늘어나는 것처럼 보이지만, 실제 최종 고객이 지속적으로 돈을 내는 구조가 약하면 이 순환은 오래가기 어렵다.

결국 중요한 것은 내부 거래가 아니라, 외부 고객이 "이 서비스는 돈 낼 가치가 있다"고 판단하는 순간이다.

비용 절감은 오히려 버블을 흔들 수 있다

일반 산업에서는 비용 절감이 좋은 일이다.

하지만 필자의 관점에서 AI 산업은 역설적인 상황에 놓여 있다.

OpenAI나 Anthropic이 비용을 줄이고 수익성을 높이려 하면, 그만큼 GPU와 클라우드 컴퓨팅 수요가 줄어든다.

그러면 데이터센터, 클라우드 사업자, GPU 제조사의 성장 서사가 약해진다.

반대로 계속 많은 컴퓨팅을 쓰면 매출 성장과 자금 조달이 따라와야 한다.

즉 AI 기업들은 "적자를 줄이면 인프라 논리가 약해지고, 적자를 유지하면 자금 조달 압박이 커지는" 딜레마에 빠진다.

기술 문제가 아니라 신뢰와 경제성의 문제다

이 글은 AI가 아무 쓸모 없다고만 말하지 않는다.

오히려 AI가 어떤 작업에서는 실제로 유용하다는 점을 인정한다.

다만 필자가 문제 삼는 것은 유용성의 일부 사례가 전체 산업의 수조 달러 투자를 정당화할 만큼 충분한가이다.

기업 고객이 비용을 예측할 수 없고, 성과를 측정하기 어렵고, 결과 품질이 불안정하다면 AI 도입은 혁신이 아니라 고비용 실험이 된다.

결국 AI 산업이 증명해야 할 것은 "놀라운 데모"가 아니라 "반복 가능하고 수익성 있는 제품"이다.

인사이트

이 글을 학습할 때 핵심은 AI 논쟁을 기술 성능만으로 보지 않는 것이다.

생성형 AI의 미래를 판단하려면 모델 성능, 데이터센터 투자, 클라우드 계약, 고객 과금 방식, ROI 측정, 부채 조달을 함께 봐야 한다.

실무적으로는 AI 도구를 도입할 때 세 가지를 먼저 확인하는 것이 좋다.

첫째, 사용량 기준 비용을 실시간으로 추적할 수 있는가.

둘째, AI 사용 전후의 성과 지표가 명확한가.

셋째, AI가 실패했을 때 발생하는 수정 비용까지 계산했는가.

AI는 강력한 도구일 수 있지만, 비용을 모르는 자동화는 혁신이 아니라 열린 수도꼭지에 가깝다.

Source : AI Is Slowing Down