골드만삭스 – 생성형 AI, 너무 많이 쓰고 너무 적게 얻는가? (Gen AI: Too Much Spend, Too Little Benefit?)

원문: Goldman Sachs, Gen AI: Too Much Spend, Too Little Benefit? (Jun 2024)
전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 골드만삭스의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

골드만삭스(Goldman Sachs) 글로벌 투자리서치는 시장의 화두 하나를 골라 안팎의 전문가 인터뷰와 사내 분석가 기고를 한 호에 엮는 정기 간행물 톱 오브 마인드(Top of Mind)를 냅니다. 2024년 6월에 나온 129호는 편집자 앨리슨 네이선(Allison Nathan)이 생성형 AI 투자 열기가 한창이던 시점에 그 열기를 정면으로 의심하는 질문을 던진 호입니다. 빅테크와 전력회사들이 앞으로 몇 년 동안 1조 달러 안팎을 설비투자에 쏟을 예정인데, 그 돈이 언젠가 경제적 효용과 투자 수익으로 돌아오느냐는 질문입니다. 보고서는 먼저 거시경제 차원에서 회의론과 낙관론을 맞세우고, 이어 기업 수익의 관점에서 같은 대결을 한 번 더 벌입니다. 그다음 칩과 전력이라는 물리적 제약이 AI의 성장을 막을 수 있는지 따집니다. 마지막으로 이 모든 것이 주식시장에 무엇을 뜻하는지 정리합니다.

핵심 내용 정리

골드만삭스 편집진은 회의론과 제약 요인에도 불구하고, AI가 약속을 지키기 시작하거나 버블이 오래 버티는 덕분에 AI 테마가 당분간 더 이어질 여지가 있다고 결론짓습니다.
매사추세츠공과대학(MIT)의 대런 애스모글루(Daron Acemoglu)는 앞으로 10년 동안 AI가 미국 생산성을 0.5%, GDP를 0.9%가량 끌어올리는 데 그칠 것으로 봅니다.
골드만삭스 글로벌 주식리서치 총괄 짐 코벨로(Jim Covello)는 AI가 막대한 비용을 정당화할 만큼 복잡한 문제를 풀도록 설계되지 않았다며 1조 달러 투자의 회수 가능성을 의심합니다.
골드만삭스 이코노미스트 조지프 브리그스(Joseph Briggs)는 생성형 AI가 결국 전체 업무 과업(task)의 25%를 자동화해 10년간 생산성을 9%, GDP를 6.1% 높일 것으로 추정합니다.
소프트웨어 분석가 캐시 랑간(Kash Rangan)과 인터넷 분석가 에릭 셰리든(Eric Sheridan)은 킬러 애플리케이션(killer application)이 아직 없지만 지금의 투자에서 비이성적 과열(irrational exuberance)의 징후는 보이지 않는다고 판단합니다.
반도체 분석가들은 고대역폭 메모리(HBM)와 첨단 패키징의 공급 부족이 몇 년간 AI 성장을 제약할 것으로 보고, 마이크로소프트(Microsoft) 출신 브라이언 재너스(Brian Janous)는 더 큰 병목인 전력에서 고통스러운 공급난이 다가온다고 경고합니다.
멀티에셋 전략가 크리스티안 뮐러글리스만(Christian Mueller-Glissmann)은 AI가 가장 낙관적인 시나리오대로 전개될 때만 S&P 500이 향후 10년간 평균 이상의 수익률을 낼 것으로 분석합니다.

1조 달러의 지출, 아직 빈약한 성과

네이선의 서문은 문제 제기에서 시작합니다. 생성형 AI가 기업과 산업, 사회를 바꿀 것이라는 약속이 계속 울려 퍼지면서, 빅테크와 일반 기업, 전력회사들이 데이터센터와 칩, 각종 AI 인프라, 전력망에 앞으로 몇 년간 약 1조 달러를 설비투자로 쓸 것으로 추산됩니다. 그런데 지금까지 이 지출이 보여 준 것은 개발자들의 업무 효율이 올랐다는 보고 정도에 그칩니다. 지금까지 가장 큰 이득을 본 엔비디아(NVIDIA)의 주가마저 가파르게 조정을 받았습니다. 그래서 이번 호는 산업과 경제 전문가들에게 이 거대한 지출이 AI의 효용과 수익으로 돌아올지, 그리고 돌아오든 돌아오지 않든 경제와 기업과 시장에 무엇을 뜻하는지 묻습니다.

회의론의 두 갈래

첫 번째 대화 상대인 애스모글루는 회의적입니다. 그는 AI에 노출된 과업 가운데 향후 10년 안에 비용 효율적으로 자동화할 수 있는 것이 4분의 1뿐이라고 봅니다. 그렇다면 AI가 영향을 미치는 과업은 전체의 5%에도 못 미칩니다. 기술은 시간이 지나면 좋아지고 싸진다는 역사적 경험도 그에게는 큰 위안이 되지 못합니다. AI 모델의 발전이 많은 사람의 믿음만큼 빠르지도, 인상적이지도 않을 가능성이 크다고 보기 때문입니다.

애스모글루는 AI 도입이 새로운 과업과 제품을 낳을지에 대해서도 의문을 품습니다. 그런 효과는 자연법칙처럼 저절로 일어나는 것이 아니라는 것입니다. 이런 판단을 바탕으로 그는 AI가 앞으로 10년 동안 누적으로 미국 생산성을 0.5%, GDP를 0.9% 높이는 데 그친다고 전망합니다.

코벨로는 한 걸음 더 나아갑니다. AI 기술을 개발하고 운영하는 데 드는 약 1조 달러에서 적절한 수익을 내려면 AI가 복잡한 문제를 풀 수 있어야 하는데, 그는 AI가 그런 용도로 만들어지지 않았다고 말합니다. 인터넷처럼 삶을 바꾼 발명은 초창기부터 저비용 해법으로 고비용 해법을 무너뜨렸지만, 지금의 AI는 그 자체로 값비싼 기술이라는 점이 다릅니다. 그는 출발점의 비용이 워낙 높고 그래픽처리장치(GPU) 칩 같은 핵심 투입재는 만들기가 어려워 경쟁이 생기기 힘들기 때문에, 대규모 과업 자동화를 감당할 만큼 비용이 떨어질지도 의심합니다.

코벨로는 AI가 이를 도입한 기업의 가치를 높일지에도 회의적입니다. 효율 개선은 경쟁 속에서 사라지기 쉽고, 매출을 실제로 늘릴 경로는 불분명하다는 것입니다. 과거 데이터로 학습한 모델이 인간의 가장 값진 능력을 재현할 수 있을지도 그는 의문으로 남겨 둡니다.

낙관론의 두 갈래

반면 골드만삭스 수석 글로벌 이코노미스트 브리그스는 더 낙관적입니다. 그는 생성형 AI가 결국 모든 업무 과업의 25%를 자동화하고, 향후 10년 동안 누적으로 미국 생산성을 9%, GDP를 6.1% 높일 것으로 추정합니다. 브리그스도 AI에 노출된 과업 상당수를 지금 자동화하는 것이 비용 효율적이지 않다는 점은 인정합니다. 다만 비용 절감의 잠재력이 크고, 새 기술에서 늘 그렇지는 않더라도 흔히 그렇듯 장기적으로 비용이 떨어질 가능성이 높으므로 결국 자동화가 확대된다고 봅니다. 그는 애스모글루와 달리 노동의 재배치와 새로운 과업 창출을 생산성 추정에 넣는데, 기술 혁신이 새 기회를 만들어 온 길고 탄탄한 역사적 기록과 맞아떨어지는 가정이라는 것입니다.

랑간과 셰리든도 킬러 애플리케이션이 아직 나타나지 않았음에도 생성형 AI의 장기적 변혁 잠재력과 수익 잠재력에 대한 열의를 유지합니다. 빅테크가 AI 인프라에 막대한 돈을 쓰고 있지만 두 사람은 비이성적 과열의 징후를 보지 못합니다. 셰리든은 매출 대비 설비투자 비중이 이전의 기술 투자 사이클과 크게 다르지 않고, 투자자들이 AI에 쓴 돈을 매출과 연결해 보여 주는 기업에만 보상하고 있다고 지적합니다. 랑간은 자본비용이 낮고 거대한 유통망과 고객 기반을 가진 기존 강자들이 이번 사이클을 이끌고 있어, 수익 전망이 이전 사이클보다 오히려 밝다고 봅니다.

칩과 전력이라는 제약

네이선은 이어서 AI가 경제와 기업에 큰 이익을 줄 수 있다 해도, 핵심 투입재인 칩과 전력의 부족이 그 약속을 가로막을 수 있는지 묻습니다. 반도체 분석가 도시야 하리(Toshiya Hari), 안몰 마카르(Anmol Makkar), 데이비드 발라반(David Balaban)은 앞으로 몇 년 동안 칩이 실제로 AI 성장을 제약한다고 봅니다. HBM과 칩온웨이퍼온서브스트레이트(CoWoS) 패키징이라는 두 핵심 요소가 부족해 칩 수요가 공급을 앞지르기 때문입니다.

하지만 네이선은 더 큰 질문이 전력 공급이 따라올 수 있느냐라고 봅니다. 미국과 유럽의 유틸리티 분석가 칼리 대븐포트(Carly Davenport)와 알베르토 간돌피(Alberto Gandolfi)는 AI 기술과 이를 받치는 데이터센터의 확산이 한 세대 동안 보지 못한 규모의 전력 수요 증가를 부를 것으로 예상합니다. 원자재 전략가 웨이훙천(Hongcen Wei)은 미국 데이터센터 성장의 중심지인 버지니아에서 그 초기 증거를 찾아냅니다.

재너스는 클로버리프 인프라스트럭처(Cloverleaf Infrastructure)의 공동창업자이자 마이크로소프트의 에너지 담당 부사장을 지낸 인물입니다. 그는 20년 가까이 전력 소비 증가를 겪어 보지 않았고 이미 낡은 전력망을 떠안고 있는 미국 유틸리티들이 다가오는 수요 급증에 대비되어 있지 않다고 봅니다. 재너스와 대븐포트는 유틸리티 산업이 강하게 규제받고 공급망 제약도 있어, 필요한 대규모 전력 인프라 투자가 빠르고 쉽게 이뤄지지 않을 것이라는 데 의견을 같이합니다. 재너스는 AI 성장을 제약할 고통스러운 전력난이 앞에 놓여 있을 가능성이 크다고 경고합니다.

시장에 주는 의미

그렇다면 시장에는 무엇을 뜻할까요. 코벨로는 AI의 근본 스토리가 버티기 어렵다고 보면서도, AI 버블이 터지기까지 오랜 시간이 걸릴 수 있고 그동안 ‘곡괭이와 삽(picks and shovels)’에 해당하는 AI 인프라 공급자들이 계속 이익을 볼 것이라고 짚습니다. 수석 미국 주식 전략가 라이언 해먼드(Ryan Hammond)도 AI 테마가 더 갈 여지가 있다고 보며, 수혜 범위가 엔비디아를 넘어 넓어지고 특히 다음 승자로 보이는 유틸리티로 번질 것으로 예상합니다.

다만 큰 그림에서 뮐러글리스만은 AI가 추세 성장률과 기업 수익성을 크게 끌어올리면서도 인플레이션을 자극하지 않는 가장 유리한 시나리오에서만 S&P 500의 장기 수익률이 평균을 웃돈다는 결과를 얻습니다. 네이선은 이 결과가 AI가 그토록 자주 거론되는 잠재력을 실제로 실현할 수 있느냐를 더욱 결정적인 문제로 만든다고 맺습니다.

해설 ‘곡괭이와 삽’은 19세기 미국 캘리포니아 골드러시에서 나온 투자 격언입니다. 금을 캐러 몰려든 사람들 대부분은 큰돈을 벌지 못했지만, 그들에게 곡괭이와 삽을 판 상인들은 확실히 돈을 벌었다는 이야기에서 비롯됐습니다. 투자 업계에서는 새 산업의 최종 승자를 맞히기 어려울 때, 그 산업이 반드시 사야 하는 장비와 원자재를 공급하는 기업에 투자하는 전략을 가리킵니다. 이 보고서에서는 칩 기업, 클라우드 사업자, 전력회사가 그 자리에 놓입니다.

[관점] 서문의 결론은 투자 판단의 측면에서 흥미로운 구조를 갖습니다. 회의론자 코벨로와 낙관론자 해먼드는 AI의 장기 효용에 대해서는 반대편에 서 있는데도, 당장의 포지션에서는 인프라 공급자를 계속 보유하라는 같은 결론에 이릅니다. AI가 약속을 지키면 인프라 수요가 이어지고, 지키지 못해도 버블이 꺼지기 전까지는 지출이 계속된다는 논리이기 때문입니다.

다만 이 논리는 버블이 꺼지는 시점을 미리 알 수 없다는 약점을 안고 있습니다. 장기 수익률이 평균을 넘으려면 거의 모든 것이 잘 풀려야 한다는 뮐러글리스만의 분석과 나란히 놓으면, 보고서 전체가 단기 낙관과 장기 경계를 동시에 품고 있음을 알 수 있습니다.

[사후 맥락] 이 보고서가 나온 뒤에도 빅테크의 설비투자는 줄지 않고 오히려 커졌습니다. 2025년 8월 야후파이낸스(Yahoo Finance) 집계로 아마존(Amazon), 알파벳(Alphabet), 마이크로소프트, 메타(Meta) 네 회사의 2025 회계연도 설비투자 전망치는 합계 약 3,640억 달러였고, 이는 연초 추정치 약 3,250억 달러에서 다시 늘어난 금액이었습니다. 서문에서 주가 조정을 언급한 엔비디아는 2025년 7월 초 처음으로 시가총액 4조 달러를 넘었고, 같은 해 10월 29일에는 세계 최초로 5조 달러를 돌파했습니다. 이 지출이 언젠가 수익으로 돌아오느냐는 보고서의 질문은 그만큼 더 큰 금액을 걸고 여전히 열려 있습니다.

애스모글루, 앞으로 10년의 변화는 작다

애스모글루는 MIT의 인스티튜트 프로페서로, 『Why Nations Fail』과 최근작 『Power and Progress』를 쓴 경제학자입니다. 이 인터뷰에서 그는 생성형 AI가 앞으로 10년, 어쩌면 그 이후에도 미국의 생산성과 성장에 주는 이득이 많은 사람의 기대보다 작을 것이라고 주장합니다. 인터뷰 머리에는 그의 견해가 골드만삭스의 견해와 반드시 같지는 않다는 단서가 붙어 있습니다.

차이는 기술의 약속이 아니라 시점에 있다

네이선은 애스모글루가 최근 논문에서 10년간 생산성 약 0.5%, GDP 약 1% 증가를 전망해 골드만삭스 이코노미스트들의 생산성 약 9%, GDP 6.1% 전망과 크게 엇갈린다는 점을 짚으며 이유를 묻습니다. 애스모글루는 두 전망의 차이가 기술의 궁극적 잠재력보다는 경제적 효과가 나타나는 시점을 둘러싼 것에 가깝다고 답합니다. 그는 생성형 AI가 과학적 발견, 연구개발, 혁신, 신제품과 신소재 시험의 방식을 근본적으로 바꾸고 새로운 제품과 플랫폼을 만들어 낼 잠재력이 있다고 인정합니다. 다만 지금의 생성형 AI가 무엇에 초점을 두고 어떤 구조로 만들어졌는지를 보면, 그런 진정한 변혁은 빨리 오지 않으며 향후 10년 안에는 거의, 어쩌면 하나도 일어나지 않을 것이라고 봅니다.

이 기간에 AI가 주로 하는 일은 기존 생산 과정의 효율을 높이는 것입니다. 특정 과업을 자동화하거나, 그 과업을 맡은 노동자를 더 생산적으로 만드는 방식입니다. 따라서 짧은 시계에서 생산성과 성장의 이득을 추정하는 일은 전적으로 두 가지에 달려 있다고 그는 말합니다. 하나는 AI가 영향을 미칠 생산 과정의 수이고, 다른 하나는 그 기간에 AI가 생산성을 얼마나 높이거나 비용을 얼마나 줄이느냐입니다.

4.6%라는 숫자가 나오는 과정

애스모글루는 데이터를 보기 전부터, 단기적으로 AI가 영향을 미칠 과업의 수가 엄청나지는 않으리라고 짐작했습니다. 운송, 제조, 광업 같은 분야에서 사람이 하는 일은 여러 측면이 얽혀 있고 현실 세계와의 상호작용을 요구하는데, AI가 이를 가까운 시일에 크게 개선하기는 어렵다는 것입니다. 그래서 앞으로 몇 년간 가장 큰 영향은 순수한 정신노동 과업에서 나타날 가능성이 크며, 이런 과업은 수와 규모가 무시할 만하지는 않지만 그렇다고 거대하지도 않습니다.

이를 수치로 옮기기 위해 그는 먼저 엘룬두(Eloundou) 등의 포괄적 연구에서 출발합니다. 이 연구는 생성형 AI와 다른 AI 기술, 컴퓨터 비전을 합치면 생산 과정의 부가가치 과업 가운데 20%를 조금 넘는 부분을 바꿀 수 있다고 봤습니다. 하지만 이는 언제라는 시점이 빠진 예측이라, 그는 이 가운데 컴퓨터 비전만 따로 분석한 톰프슨(Thompson) 등의 연구를 함께 봅니다. 이 연구는 해당 기술이 할 수 있는 과업 중 약 4분의 1을 10년 안에 비용 효율적으로 자동화할 수 있다고 추정합니다. 노출된 과업 가운데 23%만 10년 안에 자동화할 만한 가치가 있다면, AI가 영향을 미치는 과업은 전체의 4.6%뿐이라는 계산이 나옵니다.

여기에 노이(Noy)와 장(Zhang)의 연구, 그리고 에릭 브리뇰프슨(Erik Brynjolfsson) 등의 연구에서 나온 평균 27%의 인건비 절감 추정치를 결합하면, 향후 10년간 총요소생산성(TFP) 효과는 0.66%를 넘지 않는다는 결과가 나옵니다. 배우기 어려운 과업의 복잡성까지 반영해 조정하면 이 수치는 0.53%로 더 낮아집니다. 애스모글루는 이를 10년간 GDP로 환산하면 대략 0.9%의 효과에 해당한다고 설명합니다.

해설 인터뷰에는 4.6%와 27%가 어떻게 0.66%가 되는지가 생략되어 있는데, 애스모글루가 2024년 5월 전미경제연구소(NBER) 워킹페이퍼로 낸 논문 「The Simple Macroeconomics of AI」에 계산 과정이 나옵니다. 그는 헐튼 정리(Hulten’s theorem)를 응용해, 경제 전체의 TFP 증가를 ‘AI가 영향을 미치는 과업이 GDP에서 차지하는 비중’과 ‘그 과업에서의 평균 비용 절감률’의 곱으로 계산합니다. 이때 27%는 인건비 절감률이라, 해당 과업의 비용 가운데 노동이 차지하는 몫인 약 0.535를 곱해 전체 비용 절감률 약 14.4%로 바꿉니다. 그러면 4.6%에 14.4%를 곱해 약 0.66%가 나옵니다.

인터뷰의 20%는 논문에서 노출 과업이 임금 총액에서 차지하는 비중입니다. GDP 효과는 TFP 증가가 그에 비례한 자본 축적을 부른다는 가정 아래 TFP 수치를 ‘1에서 자본 몫 0.43을 뺀 값’으로 나눠 구하므로, 생산성 효과보다 1.75배가량 커집니다. 뒤에서 애스모글루가 GDP 추정치가 생산성 추정치의 두 배 가까이 된다고 말하는 대목이 이 계산입니다. 논문은 이후 학술지 Economic Policy 2025년호에 실렸습니다.

비용 절감 추정치를 고른 이유

네이선은 최근 연구들이 AI 사용에 따른 비용 절감을 10%에서 60%까지 다양하게 추정하는데, 왜 30% 안팎만 가정했느냐고 묻습니다. 애스모글루는 AI 관련 비용을 자세히 다룬 연구 세 편 가운데 절감 폭이 가장 큰 펑(Peng) 등의 56% 추정치를 일부러 뺐다고 답합니다. 그 연구에서 AI가 크게 개선한 과업이 눈에 띄게 단순했기 때문입니다. 연구는 프로그래머가 깃허브 코파일럿(GitHub Copilot)을 써서 HTML로 간단한 서브루틴을 작성할 때 아낀 시간을 측정했는데, 이는 코파일럿이 집중적으로 학습한 과업이었습니다.

애스모글루는 이런 절감 효과가 텍스트 요약처럼 정답이 하나 이상인, 더 복잡하고 열린 과업으로 옮겨 가지 않을 것이라고 봅니다. 그래서 이 연구를 제외하고 나머지 두 연구의 절감 폭을 평균했습니다.

데이터와 GPU를 더 넣으면 해결될까

네이선은 기술이 발전하면서 좋아지고 싸진다는 역사적 기록을 들어, AI도 같은 길을 걷지 않겠느냐고 묻습니다. 애스모글루는 물론 그렇다고 답하면서도, 데이터와 GPU 용량을 더 쏟아붓는다고 그런 개선이 더 빨리 오리라는 데는 확신이 덜하다고 말합니다. 업계의 많은 사람은 데이터와 컴퓨트를 두 배로 늘리면 AI 모델의 능력도 두 배가 된다는 일종의 스케일링 법칙(scaling laws)을 믿는 듯하지만, 그는 이 생각에 여러 방향에서 이의를 제기합니다.

첫째, AI의 능력이 두 배가 된다는 말이 무엇을 뜻하는지 분명하지 않습니다. 고객 서비스나 텍스트 이해와 요약 같은 열린 과업에서는 결과물이 두 배 좋아졌음을 보여 줄 명확한 지표가 없습니다. 둘째, 데이터를 두 배로 늘린다는 것이 무엇을 뜻하고 무엇을 이룰 수 있는지도 불분명합니다. 레딧(Reddit)의 데이터를 두 배 더 넣으면 다음 버전 GPT가 가벼운 대화에서 다음 단어를 맞히는 능력은 나아질 수 있지만, 고객 상담원 역할을 할 때 고객의 동영상 서비스 문제를 함께 해결하는 능력까지 반드시 나아지지는 않습니다. 데이터의 질도 중요한데, 양질의 데이터가 어디서 더 나올지, 그것을 AI 모델이 쉽고 싸게 쓸 수 있을지도 분명하지 않습니다.

셋째, 지금의 AI 구조 자체에 한계가 있을 수 있습니다. 인간의 인지는 여러 종류의 인지 과정과 감각 입력, 추론 능력을 아우릅니다. 오늘날의 대규모 언어모델(LLM)은 많은 사람이 예상한 것보다 인상적이었지만, 문장의 다음 단어를 예측하는 구조가 영화 「2001: A Space Odyssey」의 HAL 9000만큼 똑똑한 능력에 이르리라고 믿으려면 여전히 큰 믿음의 도약이 필요합니다. 그는 지금의 AI 모델이 향후 10년 안에 그 비슷한 것조차 이루지 못할 것이 거의 확실하다고 말합니다.

위험은 양쪽에 있다

비교적 보수적인 그의 추정치조차 하방 위험이 더 크냐고 네이선이 묻자, 애스모글루는 하방과 상방 위험이 모두 있다고 답합니다. 기술적 돌파구는 언제든 가능하지만, 그런 돌파구도 실제 효과를 내기까지는 시간이 걸립니다. 반대로 AI 모델이 더 복잡한 과업에서 기대만큼 성과를 내지 못하면, 보수적인 그의 생산성 추정치마저 너무 클 수 있습니다. 또 AI 기술 개발을 이끄는 테크 기업 같은 대규모 조직은 AI 도구를 빠르게 도입하겠지만, 작은 조직은 더디게 따라올 수 있습니다.

초지능보다 인간이 운전석에 앉는 미래

장기적으로 AI가 초지능(superintelligence)에 이를 가능성을 묻자, 애스모글루는 더 긴 시계에서도 의문을 표합니다. 질문을 던지고, 해법을 만들고, 그 해법을 시험한 뒤 새로운 상황에 맞게 고쳐 쓰는 인간의 인지 능력을 LLM이 갖추리라고 상상하기는 매우 어렵다는 것입니다. 그는 20-30년의 시계에서 AI 도구가 과학의 과정을 혁신할 가능성에는 완전히 열려 있지만, 그때도 운전석에는 인간이 앉아 있을 것이라고 봅니다. 인간이 AI의 도움을 받을 문제를 찾아내고, AI 모델이 내놓은 해법을 인간이 시험하며, 상황이 바뀌면 거듭 고쳐 나가는 식입니다. 진정한 초지능이라면 이 모든 일을 인간의 개입 없이 해내야 하는데, 그는 30년 시계에서도, 아마 그 이후에도 그럴 가능성은 낮다고 봅니다.

새 일자리는 자연법칙이 아니다

네이선은 MIT 동료 데이비드 오터(David Autor)와 공저자들의 연구를 꺼냅니다. 기술 혁신은 새 직업을 만드는 경향이 있어, 오늘날 노동자의 60%가 80년 전에는 없던 직업에 종사한다는 연구입니다. 그렇다면 장기적으로 AI의 영향도 그의 예상보다 클 수 있지 않느냐는 질문입니다.

애스모글루는 기술 혁신이 우리 삶의 거의 모든 면에 의미 있는 영향을 미쳐 왔다는 점은 의심할 여지가 없다고 답합니다. 그러나 그런 영향은 자연법칙이 아니라, 우리가 어떤 기술을 발명하고 어떻게 쓰느냐에 달려 있다고 강조합니다. 그는 AI가 새로운 과업과 제품, 직업, 역량을 만드는 데 쓰이기를 바란다고 말합니다. 앞서 든 과학 연구의 예라면 AI 모델은 과학자가 신소재를 구상하고 시험하는 일을 돕도록 학습되고, 인간은 더 전문화되어 AI 모델에 더 나은 입력을 주도록 훈련받게 됩니다. 그런 진화는 결국 인간이 발견할 수 있는 것의 폭을 훨씬 넓히겠지만, 결코 보장된 일은 아니라고 그는 덧붙입니다.

투자의 일부는 낭비되고 일부는 씨앗이 된다

지금의 막대한 AI 지출 중 일부, 혹은 대부분이 결국 낭비가 될지 묻자 애스모글루는 흥미로운 질문이라고 답합니다. 기초 경제학으로 보면 투자 붐이 일어나는 것이 맞습니다. 지금의 AI는 주로 자동화에 쓰이고, 자동화란 알고리즘과 자본이 인간의 노동을 대체하는 것이므로 투자로 이어지기 때문입니다. 그는 이것이 자신의 GDP 증가 추정치가 생산성 증가 추정치의 두 배 가까이 되는 이유라고 설명합니다.

그러나 현실에서는 일부 지출이 낭비로 끝납니다. 어떤 프로젝트는 실패하고, 어떤 기업은 자신이 얻을 효율 개선과 비용 절감, 혹은 AI를 조직에 통합하는 능력을 지나치게 낙관할 것입니다. 반면 일부 지출은 다음 단계, 곧 더 유망한 기술 단계의 씨앗이 됩니다. 결국 세부 사항이 관건이라며, 그는 지금의 투자 붐 가운데 얼마가 낭비되고 얼마가 생산적일지에 대해 뚜렷한 사전 판단은 없지만 둘 다 일어날 것으로 예상한다고 말합니다.

GDP가 모든 것을 말해 주지는 않는다

AI의 다른 비용이 충분히 주목받지 못하고 있느냐는 질문에 애스모글루는 그렇다고 답합니다. 좋은 정보를 제공할 수 있는 기술은 나쁜 정보도 제공할 수 있고, 악의적인 목적에 오용될 수도 있습니다. 그는 지금 당장 딥페이크(deepfake)를 크게 걱정하지는 않지만, 그것은 악의적 행위자가 생성형 AI를 오용할 방식의 빙산의 일각에 불과하다고 봅니다. 딥페이크에 1조 달러를 투자하면 GDP에 1조 달러가 더해지겠지만, 그것을 반기거나 그로부터 이득을 볼 사람은 많지 않을 것이라는 지적입니다.

너무 빨리 가는 위험이 더 크다

마지막으로 지금의 AI 열기가 지나치냐는 질문에, 애스모글루는 모든 인간의 발명은 축하받아야 하고 생성형 AI도 진정한 인간의 발명이라고 먼저 말합니다. 그러나 지나친 낙관과 과장은 아직 준비되지 않은 기술을 너무 이르게 쓰게 만들 수 있고, 이 위험은 지금 AI로 자동화를 밀어붙이는 영역에서 특히 크다고 봅니다. 너무 많은 자동화를 너무 빨리 하면, 인적 자본이 주던 유연성과 문제 해결 능력을 잃은 기업에 병목과 여러 문제가 생길 수 있습니다. 또 우리가 아직 충분히 이해하지 못하고 전혀 규제하지 않는 방식으로 인간에게 정보와 시각적·문자적 피드백을 주는, 이토록 널리 퍼지고 강력한 기술은 위험할 수 있다고 그는 경고합니다.

애스모글루는 초지능이나 사악한 AI가 큰 위협이라고는 믿지 않지만, 지금의 위험이 50년 뒤에 어떻게 보일지를 자주 생각한다고 말합니다. 2074년의 자녀나 손주 세대가 2024년의 우리를 두고 너무 느리게 움직여 성장을 희생했다고 탓할 위험은, 우리가 너무 빨리 움직이다 제도와 민주주의, 그 너머의 것까지 무너뜨릴 위험보다 훨씬 작다는 것입니다. 그래서 그는 우리가 저지를 수 있는 실수의 비용이 하방으로 크게 비대칭이라고 봅니다. 과장에 휩쓸리지 말고 다소 신중하게 접근해야 하며, AI 기술이 계속 발전하는 동안 더 나은 규제 수단을 갖추는 것도 그 일부가 될 수 있다는 것이 그의 결론입니다.

[반론] 애스모글루의 추정과 크게 다른 결과를 낸 최근 분석도 있습니다. 앤트로픽(Anthropic)은 2025년 11월, 자사 AI 클로드(Claude)의 익명화된 대화 10만 건을 분석해 AI가 과업 수행 시간을 평균 80%가량 줄인다고 추정했습니다. 이를 애스모글루와 같은 헐튼 정리 방식으로 경제 전체에 합산하면, 지금 수준의 모델이 10년에 걸쳐 해당 과업 전반에 쓰일 경우 미국 노동생산성 증가율이 연 1.8%가량 높아져 2019년 이후의 증가 속도가 대략 두 배가 된다는 결과가 나옵니다. TFP로 환산하면 연 1.1% 정도로, 애스모글루가 제시한 10년 누적 0.53%와는 차이가 매우 큽니다.

다만 앤트로픽 연구진도 이것이 예측이 아니라고 분명히 했습니다. 도입 속도와 모델 개선을 반영하지 않았고, 대화 밖에서 사람이 결과물을 검증하는 시간을 잡지 못해 효과가 부풀려졌을 수 있으며, 과거 무작위 대조 실험들은 더 작은 절감 효과를 보고했다는 점도 함께 밝혔습니다.

[사후 맥락] 이 인터뷰가 나오고 넉 달 뒤인 2024년 10월, 애스모글루는 사이먼 존슨(Simon Johnson), 제임스 로빈슨(James Robinson)과 함께 노벨 경제학상을 받았습니다. 수상 사유는 제도가 어떻게 형성되고 국가의 번영에 어떤 영향을 미치는지에 대한 연구였습니다. 『Why Nations Fail』은 로빈슨과, 『Power and Progress』는 존슨과 함께 쓴 책입니다. 기술의 효과가 자연법칙이 아니라 사회의 선택에 달려 있다는 이 인터뷰의 주장은 『Power and Progress』의 중심 논지와 같은 줄기입니다.

브리그스의 반박, 결국 생산성은 크게 오른다

브리그스는 골드만삭스가 오래전부터 생성형 AI의 경제적 상승 여력이 크다고 주장해 왔다는 데서 시작합니다. 핵심 근거는 생성형 AI가 업무 과업의 상당 부분을 자동화할 수 있다는 점입니다. 골드만삭스의 기준 추정은 이 기술이 널리 도입된 뒤 미국의 노동생산성과 GDP를 누적으로 최대 15%까지 끌어올릴 수 있다는 것입니다. 이 GDP 추정은 늘어난 노동 잠재력에 맞춰 자본스톡도 함께 늘어난다고 가정하는데, 브리그스는 AI 전환을 위한 대규모 투자 움직임이 이 가정을 대체로 뒷받침한다고 봅니다. 10년의 도입 기간을 가정한 시나리오 분석에서 AI가 미국 노동생산성 증가율에 더하는 몫은 기준 시나리오에서 연 1.5%포인트이고, AI가 훨씬 덜 강력한 경우 0.3%포인트에서 훨씬 더 강력한 경우 2.9%포인트까지 펼쳐집니다.

엇갈리는 거시 추정

생성형 AI의 거시적 효과를 두고 논쟁이 크다는 점은 브리그스도 인정합니다. 생성형 AI가 로봇공학의 발전과 도입을 앞당긴다고 가정하거나, 최근의 발전을 초지능 출현의 전조로 보는 연구들은 골드만삭스의 기준 전망보다 더 큰 상승을 추정합니다. 브리그스는 그런 결과가 가능하긴 하지만, 대체로 현재 모델의 한계를 훨씬 넘어서는 발전을 가정한다는 점에서 아직 이르다고 봅니다.

더 눈에 띄는 것은 반대편의 애스모글루입니다. 그의 기준 추정은 향후 10년간 미국 TFP 0.53%, GDP 0.9% 증가로 골드만삭스보다 훨씬 작습니다. 브리그스는 두 쪽이 비슷한 방법론으로 생성형 AI의 경제적 효과를 평가하는 만큼, 무엇이 이 큰 차이를 만드는지 따져 보겠다고 말합니다.

차이를 만드는 두 가지 가정

브리그스는 두 가지 핵심 요인을 찾아냅니다. 첫째는 자동화의 범위입니다. 애스모글루는 전체 과업의 19.9%만 AI에 노출되고 그중 23%만 10년 안에 비용 효율적으로 자동화할 수 있다고 봐서, 자동화되는 과업을 전체의 4.6%로 잡습니다. 반면 골드만삭스는 기술이 완전히 도입되면 전체 업무 과업의 25%가 자동화된다고 가정합니다.

둘째는 생산성 이득이 어디서 오느냐입니다. 애스모글루의 틀에서 비용 절감의 주된 원천은 노동자가 기존 과업을 더 효율적으로 처리하는 것이고, 노동의 재배치나 새로운 과업 창출에서 오는 이득은 빠져 있습니다. 골드만삭스의 추정은 둘 다 넣습니다. 하나는 AI로 일자리를 잃은 노동자가 AI 관련 기술 발전으로 생겨난 새 직업에 재취업하는 재배치이고, 다른 하나는 일자리를 잃지 않은 노동자의 생산 잠재력을 넓혀 주는 새 과업의 창출입니다.

브리그스에 따르면 이 두 가정의 차이가, 향후 10년 TFP 증가 추정치에서 골드만삭스의 9.2%와 애스모글루의 0.53% 사이 격차의 80% 이상을 설명합니다. 9.2%는 노동생산성 상승 추정치 15%에 생산에서 노동이 차지하는 몫 62%를 곱해 TFP로 바꾼 값입니다. 각 요인이 격차에 기여하는 크기는 어느 요인을 먼저 고려하느냐에 따라 달라지기 때문에, 브리그스는 두 순서를 모두 계산해 평균을 냈습니다. 비용 절감 가정의 차이를 먼저 반영하면 노출 가정이 격차를 더 많이 설명하고, 순서를 바꾸면 그 반대가 됩니다.

나머지 20%가량은 비용 절감과 한계생산성(marginal productivity) 가정의 차이에서 나옵니다. 예컨대 애스모글루는 실제 효과를 가장 잘 대표한다고 본 두 연구를 근거로 27%의 비용 절감을 가정하지만, 연구 전체를 고려하면 이 수치는 36%로 올라갑니다. 또 골드만삭스는 AI 자동화가 새로운 과업과 제품을 만들 것으로 보기 때문에, 일자리를 잃지 않은 노동자의 산출이 늘어날 것이라는 데 더 낙관적입니다.

자동화는 결국 넓어진다

그렇다면 자동화되는 과업의 비중과 새 과업 창출에 대해 누구의 추정이 맞을까요. 브리그스는 AI에 노출된 과업 상당수의 자동화가 지금은 비용 효율적이지 않고 향후 10년 안에도 그렇지 않을 수 있다는 애스모글루의 주장에 매우 공감한다고 말합니다. 골드만삭스가 가장 큰 수혜를 볼 것으로 보는 컴퓨팅·데이터 인프라, 정보 서비스, 영화·음향 제작 같은 소수 산업을 빼면 AI 도입은 여전히 미미합니다. 앞으로 몇 년 동안도 도입률은 경제 전체에서 큰 생산성 이득을 내는 데 필요한 수준을 밑돌 가능성이 큽니다.

그래서 골드만삭스는 지난가을 AI 효과를 글로벌 잠재성장률 전망에 반영하면서도, 전망 기간 말인 2034년까지의 미국 GDP 성장률 전망을 0.4%포인트만 올렸고 다른 나라는 그보다 적게 올렸습니다. 이 연 0.4%포인트는 두 가지 상쇄 요인, 곧 다른 기술에 가던 설비투자 일부가 AI로 옮겨 가는 효과와 AI가 없는 가상의 경로에서 생산성 증가가 더 느렸을 것이라는 점을 걷어 내고 보면 2034년까지 GDP를 6.1% 높이는 효과로 바뀝니다. 애스모글루의 0.9%와 맞비교되는 숫자가 바로 이것입니다.

다만 더 긴 시계에서 AI에 노출된 과업이 완전히 자동화되면, 노동자 1인당 연간 수천 달러 규모의 비용 절감이 생길 수 있습니다. 새 기술의 비용은 시간이 지나며 빠르게 떨어지는 경향이 있고, 생성형 AI의 비용 절감 응용 프로그램도 비슷한 길을 걸을 가능성이 큽니다. 게다가 응용 프로그램을 한번 개발하고 나면 이를 배포하는 한계비용은 매우 작습니다. 그래서 브리그스는 AI 도입률과 자동화율이 결국 애스모글루의 4.6%를 훨씬 넘어설 것으로 예상합니다.

역사가 보여 주는 재배치와 새 과업

브리그스는 애스모글루가 새 과업과 제품에서 오는 생산성 개선을 추정에 넣지 않은 결정에도 동의하지 않습니다. 그 결정의 배경에는 AI 도입이 노동 재배치와 새 과업 창출로 이어질지에 대한 애스모글루의 의문이 일부 깔려 있습니다. 브리그스는 경제 성장이 주로 기술이 이끄는 자원의 재배치와 생산 가능 영역의 확장에서 나온다는 역사적 증거가 강력하다고 반박합니다. 그는 AI가 노동이 비교우위(comparative advantage)를 가진 분야의 수요를 늘리고, 이전에는 기술적·경제적으로 불가능했던 기회를 만들어 산출을 높일 것으로 예상합니다.

이런 흐름은 정보기술이 등장한 뒤에 분명히 나타났습니다. 정보기술은 웹페이지 디자이너, 소프트웨어 개발자, 디지털 마케터 같은 새 직업을 만들었고, 간접적으로는 의료, 교육, 외식 같은 서비스업의 노동 수요도 끌어올렸습니다. 훨씬 긴 시계에서는 오터와 공저자들의 최근 연구가 같은 흐름을 보여 줍니다. 이들은 인구조사 자료를 써서 오늘날 노동자의 60%가 1940년에는 없던 직업에 종사하며, 기술이 만든 새 직업이 지난 80년간 고용 증가의 85% 이상을 차지한다고 추정합니다.

결론적으로 브리그스는 애스모글루의 비교적 비관적인 평가가, 생성형 AI의 거시경제적 효과가 흔히 생각하는 것보다 뒤로 몰려 나타날 수 있다는 타당한 우려를 드러낸다고 인정합니다. 그럼에도 자동화와 비용 절감, 효율 개선을 이끌 생성형 AI의 큰 잠재력이 결국 생산성과 GDP를 크게 끌어올릴 것이라는 입장은 유지합니다.

해설 브리그스가 인정한 ‘효과가 뒤로 몰린다’는 문제는 경제학에서 생산성 J커브(productivity J-curve)라는 개념으로 설명되곤 합니다. 브리뇰프슨과 대니얼 록(Daniel Rock), 채드 시버슨(Chad Syverson)이 정리한 이 개념에 따르면, 전기나 컴퓨터처럼 경제 전반에 쓰이는 기술이 도입되는 초기에 기업은 조직 재설계, 직원 교육, 업무 과정 변경 같은 무형투자(intangible investments)에 자원을 쏟습니다. 이런 투자는 통계상 산출로 잘 잡히지 않아, 측정된 생산성은 처음에 정체하거나 오히려 낮아 보이다가 투자가 성과를 내는 뒤 시기에 가파르게 오릅니다. 애스모글루와 브리그스의 10년 추정이 크게 엇갈리는 것도, 이 곡선의 바닥이 얼마나 길게 이어지느냐를 다르게 본 결과로 읽을 수 있습니다.

[한국 관점] 한국은행은 2025년 2월 보고서 「AI와 한국경제」에서 한국에 대한 효과를 따로 추정했습니다. AI가 산업 전반에 도입되면 총요소생산성이 1.1-3.2%, GDP가 4.2-12.6% 늘어날 수 있다는 결과로, 범위로 보면 애스모글루보다는 브리그스 쪽에 가깝습니다. 그런데 한국에서 이 숫자가 갖는 의미는 미국과 다릅니다. 보고서는 저출생과 고령화에 따른 노동 공급 감소가 2023-2050년 GDP를 16.5% 깎을 것으로 보면서, AI 도입에 성공하면 그 손실을 5.9%로 줄일 수 있다고 추정했습니다.

미국 논쟁의 초점이 AI가 일자리를 대체하느냐와 새 일자리가 생기느냐에 있다면, 한국에서는 줄어드는 노동력을 AI가 얼마나 메워 줄 수 있느냐가 먼저 걸리는 문제라는 뜻입니다. 같은 보고서는 전체 근로자의 51%가 AI의 영향을 크게 받는다고 보고, 그 가운데 약 27%는 대체되거나 소득이 줄 수 있는 쪽, 약 24%는 AI와 보완 관계여서 이득을 볼 수 있는 쪽으로 분류했습니다.

숫자로 본 AI 전환의 현주소

보고서는 브리그스의 글 뒤에 골드만삭스 글로벌 이코노미스트 데베시 코드나니(Devesh Kodnani)가 2024년 4월에 정리한 도표들을 모아, AI 전환이 실제 지표에서 어디까지 와 있는지를 보여 줍니다. 도표의 제목과 설명문은 투자, 거시 통계, 기업 도입, 노동시장 순으로 한 줄로 이어지는 이야기처럼 짜여 있습니다.

먼저 투자 쪽입니다. 반도체와 반도체 외 하드웨어, 소프트웨어 등 AI에 노출된 부문의 매출은 지난 몇 년 동안 급증했고, 시장은 2023년 3월 이후 AI 하드웨어 전반의 매출 전망을 크게 올렸습니다. 하지만 클라우드 사업자, 데이터센터 부동산, 제조 장비, 메모리, 보안, 서버·네트워크, 유틸리티 같은 더 넓은 AI 관련 부문에서는 전망 상향 폭이 훨씬 작았습니다.

다음은 거시 통계입니다. AI 관련 소프트웨어 투자는 아직 미국을 비롯한 선진국의 국민계정 자료에 드러나지 않고, AI 관련 하드웨어 투자도 마찬가지입니다. 보고서는 이를 지금으로서는 AI보다 다른 요인이 전체 설비투자 전망을 좌우하고 있다는 신호로 읽습니다. 반면 전자 컴퓨터, 저장장치, 반도체를 포함한 전자부품, 통신장비 같은 일부 AI 관련 품목의 제조업 출하는 급증했습니다. 다만 이 증가는 주요 선진국 사이에서 고르지 않고 미국이 앞서 있습니다.

기업의 도입 현황은 미국 인구조사국 조사로 확인합니다. 산업 전체로 보면 AI를 쓰는 기업의 비중은 여전히 낮고, 앞으로 6개월 동안도 소폭 오르는 데 그칠 전망입니다. 다만 컴퓨팅·데이터·웹호스팅, 웹 검색, 정보, 영화·음향 제작, 증권·금융 같은 기술 산업과 디지털 기반 분야에서는 도입률이 훨씬 높고, 앞으로 6개월 동안 크게 오를 것으로 예상됩니다.

마지막은 노동시장입니다. 도입률이 오르고 있지만 AI로 인한 순 일자리 감소의 증거는 아직 거의 없습니다. 챌린저그레이앤드크리스마스(Challenger, Gray & Christmas)가 집계한 기업 감원 발표에서 AI를 이유로 든 경우는 적고, AI 노출도가 가장 높은 상위 20% 직업과 나머지 직업의 실업률도 크게 다르지 않습니다.

[사후 맥락] 이 도표의 근거가 된 미국 인구조사국의 기업 동향 조사에서, AI를 쓴다고 답한 기업의 비중은 2023년 가을 3.7%, 2024년 2월 5.4% 수준이었습니다. 2026년 5월 초 기준으로는 19.8%까지 올라왔고, 정보 산업은 39.7%, 금융·보험은 33.9%로 평균을 크게 웃돌았습니다. 다만 인구조사국은 2025년 11월 질문을 어떤 업무 기능에서든 AI를 쓰는지 묻는 방식으로 바꿨기 때문에, 이전 수치와 직접 비교하기는 어렵다고 밝혔습니다. 그래도 기업 다섯 곳 가운데 한 곳 정도라는 수준은, 2024년 보고서가 그린 아직 미미한 도입에서 상당히 멀리 왔음을 보여 줍니다.

코벨로, 1조 달러로 풀 문제가 있는가

코벨로는 골드만삭스의 글로벌 주식리서치를 총괄하는 인물입니다. 이 인터뷰에서 그는 값비싼 AI 기술이 적절한 수익을 내려면 매우 복잡한 문제를 풀어야 하는데, AI는 지금 그럴 능력이 없고 앞으로도 갖추지 못할 수 있다고 주장합니다.

비싼 기술로 싼 일자리를 대체하는 역설

네이선이 왜 다른 사람들만큼 생성형 AI 열기에 동조하지 않느냐고 묻자, 코벨로는 비용을 첫 번째 이유로 듭니다. AI 기술을 개발하고 운영하는 데 드는 막대한 비용을 생각하면, 기업이 적절한 투자수익률(ROI)을 얻으려면 AI 응용 프로그램이 극도로 복잡하고 중요한 문제를 풀어야 합니다. 골드만삭스는 데이터센터, 유틸리티, 응용 프로그램을 포함한 AI 인프라 구축에 앞으로 몇 년 동안만 1조 달러 넘게 들 것으로 추정합니다. 코벨로는 핵심 질문을 “What $1tn problem will AI solve?”라는 한 문장으로 압축하는데, AI가 1조 달러짜리 투자에 걸맞은 어떤 문제를 풀어 줄 것이냐는 물음입니다. 그는 30년 동안 기술 산업을 가까이서 지켜봤지만, 엄청나게 비싼 기술로 저임금 일자리를 대체하는 것은 자신이 목격한 과거의 기술 전환과 정반대라고 말합니다.

많은 사람이 지금의 AI를 인터넷의 초창기에 빗대지만, 코벨로는 그 비유가 맞지 않는다고 봅니다. 인터넷은 걸음마 단계에서부터 저비용 기술이었고, 그 덕에 전자상거래가 비싼 기존 방식을 대체할 수 있었습니다. 아마존은 비싼 오프라인 매장을 운영할 필요가 없었기에 반스앤노블(Barnes & Noble)보다 싸게 책을 팔 수 있었습니다. 30년이 지난 지금도 웹 2.0은 우버(Uber)가 리무진 서비스를 밀어낸 것처럼 더 싼 해법으로 더 비싼 해법을 무너뜨리고 있습니다. AI가 언젠가 사람들이 기대하는 약속을 지킬지는 논쟁의 여지가 있지만, 덜 논쟁적인 사실은 AI가 유난히 비싼 기술이고 그 비용을 정당화하려면 복잡한 문제를 풀어야 하는데 정작 그렇게 설계되지 않았다는 점이라고 그는 강조합니다.

비용은 저절로 떨어지지 않는다

기술은 진화하면서 비용이 크게 떨어지는 경우가 많지 않느냐는 질문에, 코벨로는 기술이 비싸게 시작해 싸진다는 생각 자체가 역사를 고쳐 쓰는 것이라고 답합니다. 앞서 말했듯 전자상거래는 10년 뒤가 아니라 첫날부터 쌌습니다. 그런 오해를 떠나서도, 기술 업계는 AI 비용이 시간이 지나면 크게 떨어질 것이라는 가정에 너무 안주하고 있다고 그는 봅니다. 기술 혁신의 역사를 이끈 ‘더 작게, 더 빠르게, 더 싸게’라는 무어의 법칙(Moore’s law)이 현실이 된 것도, 인텔(Intel)의 경쟁자인 AMD 같은 기업들이 인텔을 비롯한 업체들에 비용을 낮추고 혁신하도록 압박했기 때문이라는 것입니다.

지금 AI를 움직이는 GPU를 만들 수 있는 기업은 엔비디아뿐입니다. 반도체 업계 안에서, 혹은 구글(Google), 아마존, 마이크로소프트 같은 하이퍼스케일러(hyperscaler) 자신에게서 엔비디아의 경쟁자가 나오리라고 믿는 사람도 있고, 코벨로도 가능성은 인정합니다. 하지만 반도체 기업들이 지난 10년 동안 엔비디아를 GPU의 지배적 지위에서 끌어내리려다 실패해 온 것을 보면, 현재 위치에서 그렇게 되기까지는 큰 도약이 필요합니다. 기술은 때로 너무 복제하기 어려워서 아무도 따라잡지 못하고, 그 결과 기업이 독점과 가격 결정력을 유지하기도 합니다.

코벨로가 드는 예가 ASML입니다. ASML은 최첨단 리소그래피 장비를 만들 수 있는 세계 유일의 기업이고, 그 결과 장비 가격은 20년 전 수천만 달러에서 지금은 경우에 따라 수억 달러로 올랐습니다. 엔비디아가 같은 길을 걷지 않을 수도 있고 금액 규모도 다르지만, 시장은 비용 하락이 확실하다는 데 지나치게 안주하고 있다는 것이 그의 판단입니다.

비용의 출발점이 워낙 높다는 점도 문제입니다. 비용이 떨어지더라도 AI로 과업을 자동화하는 것이 감당할 만해지려면 극적으로 떨어져야 합니다. 사람들은 1990년대 말 서버가 등장하고 몇 년 만에 비용이 크게 떨어진 사례를 들곤 합니다. 하지만 당시 인터넷 전환을 뒷받침하는 데 필요했던 대당 6만 4,000달러짜리 선마이크로시스템즈(Sun Microsystems) 서버의 수는, 오늘날 AI 전환에 필요한 값비싼 칩의 수에 비하면 아무것도 아닙니다. 게다가 이는 그 자체로 엄청나게 비싼 전력망 교체 같은 부대 비용을 빼고 계산한 것입니다.

해설 리소그래피는 실리콘 웨이퍼 위에 빛으로 회로 패턴을 새기는 공정으로, 반도체를 얼마나 미세하게 만들 수 있느냐를 좌우합니다. 네덜란드 기업 ASML은 가장 앞선 칩을 만드는 데 필요한 극자외선(EUV) 노광 장비를 사실상 홀로 공급합니다. 이 장비는 독일의 광학 기업과 미국의 광원 기술 등 수십 년에 걸친 국제 공급망과 기술 축적 위에 서 있어, 돈이 있다고 경쟁자가 곧바로 따라 만들 수 있는 물건이 아닙니다. 코벨로가 ASML을 예로 든 것은, 복제하기 극도로 어려운 기술에서는 시간이 흘러도 가격이 내려가기는커녕 오를 수 있다는 점을 보여 주기 위해서입니다.

오늘의 능력도 과대평가되어 있다

비용만이 아니라 AI의 궁극적인 변혁 잠재력에도 회의적이냐는 질문에, 코벨로는 둘 다라고 답합니다. 많은 사람이 AI를 생애 가장 중요한 발명으로 여기지만, 그는 인터넷과 휴대전화, 노트북이 어디서든 통화하고 컴퓨팅하고 쇼핑하는, 이전에는 불가능했던 일을 가능하게 하며 일상을 근본적으로 바꾼 정도를 생각하면 동의하기 어렵다고 말합니다. 지금까지 AI는 코딩 같은 기존 과정의 효율을 높이는 데서 가장 큰 가능성을 보였지만, 그 효율 개선 추정치마저 낮아졌고 과업을 처리하는 비용은 기존 방식보다 훨씬 비쌉니다. 골드만삭스 안에서도 AI가 기업 분석 모델의 과거 데이터를 사람이 직접 하는 것보다 빨리 갱신할 수 있었지만, 비용은 여섯 배가 들었습니다.

더 넓게 보면, 사람들은 오늘날 이 기술이 할 수 있는 일을 크게 과대평가한다고 코벨로는 봅니다. 그의 경험으로는 기본적인 요약 작업조차 읽기 어렵고 말이 안 되는 결과를 내는 일이 잦습니다. 여기저기 조금 손보면 되는 수준의 문제가 아니라, 비싼 가격표에도 불구하고 그런 기본 과업에서조차 쓸 만한 수준과 거리가 멀다는 것입니다. 그는 이 기술이 인간의 상호작용을 상당 부분 보완하거나 대체하는 데 필요한 인지적 추론 능력을 갖추게 되리라고 믿기 어렵다고 말합니다. 인간은 복잡한 과업에서 예외적인 사례와 미묘한 차이를 알아보고 이해할 때 가장 큰 가치를 더하는데, 과거 데이터로 학습한 모델이 그렇게 할 수 있으리라고는 상상하기 어렵다는 것입니다.

로드맵이 없는 기술

인터넷과 스마트폰의 변혁 잠재력도 초기에는 예측하기 어려웠으니 AI도 결국 그만큼, 혹은 그 이상으로 변혁적일 수 있지 않느냐고 네이선이 묻습니다. 코벨로는 인터넷과 스마트폰의 잠재력을 초기에 이해하지 못했다는 생각은 틀렸다고 답합니다. 그는 스마트폰이 처음 나왔을 때 반도체 분석가로서 2000년대 초 스마트폰의 미래와 기능을 다룬 발표를 말 그대로 수백 번 들었고, 그 상당 부분이 업계의 예상대로 실현됐다고 말합니다.

예컨대 스마트폰에 GPS를 통합하는 일은 당시 아직 준비가 덜 됐지만, 렌터카에 흔히 달려 있던 투박한 GPS 장치를 대체할 것으로 예측됐습니다. 다른 기술들이 결국 무엇을 할 수 있을지에 대한 로드맵도 처음부터 있었습니다. 코벨로는 지금은 그에 견줄 만한 로드맵이 존재하지 않는다고 지적합니다. AI 낙관론자들은 기술이 발전하면 쓰임새가 늘어날 것이라고 그저 믿는 듯하지만, 생성형 AI가 세상에 나온 지 18개월이 지나도록 진정으로 변혁적인 응용 프로그램은 하나도 나오지 않았고 비용 효율적인 것은 말할 것도 없다는 것입니다.

빠질 수 없는 군비 경쟁

편익과 수익이 비용을 끝내 정당화하지 못하더라도, 경쟁 압력 때문에 기업에는 AI 전략을 추구하는 것 말고 다른 선택지가 있느냐는 질문이 이어집니다. 코벨로는 이 분야를 둘러싼 과열과 뒤처질지 모른다는 두려움(FOMO) 때문에 빅테크에는 지금 AI 군비 경쟁에 뛰어드는 것 외에 선택지가 없고, 따라서 AI 구축에 대한 막대한 지출은 계속될 것이라고 답합니다. 기술 과열 사이클이 결국 쓸모가 증명되지 않는 기술에 대한 지출로 이어진 것은 이번이 처음이 아닙니다. 가상현실, 메타버스, 블록체인은 막대한 돈이 들어갔지만 오늘날 현실의 쓰임새는 거의, 혹은 전혀 없는 대표적 사례라고 그는 말합니다.

기술 업계 밖의 기업들도 아직 성과를 내지 못한 AI 전략을 추구하라는 투자자들의 강한 압박을 받습니다. 일부 투자자는 이런 전략이 결실을 보는 데 시간이 걸릴 수 있다는 점을 받아들였지만, 그 논리를 받아들이지 않는 투자자도 있습니다. 코벨로가 드는 사례는 세일즈포스(Salesforce)입니다. AI 지출이 상당한 이 회사는 최근 분기 실적에서 그 지출에도 불구하고 매출 증가가 미미한 것으로 드러나자, 2000년대 중반 이후 가장 큰 하루 주가 하락을 겪었습니다.

효율은 경쟁 속에 사라진다

AI가 기술 기업이 아닌 기업들의 매출을 결국 늘릴 가능성을 묻자, 코벨로는 가능성을 낮게 봅니다. 이 기술이 직원을 더 똑똑하게 만들 만큼 똑똑하지 않고, 앞으로도 그럴 가능성이 낮다고 보기 때문입니다. 가장 그럴듯한 쓰임새로 꼽히는 검색 기능 개선조차, 직원이 더 나은 정보를 찾게 해 주기보다는 같은 정보를 더 빨리 찾게 해 줄 가능성이 훨씬 큽니다.

매출이 늘지 않더라도 비용 절감이 멀티플 확장(multiple expansion)으로 이어질 수는 있지 않느냐는 질문에도 그는 부정적입니다. AI의 편익이 대체로 효율 개선에 그친다면 비용 절감은 경쟁 속에서 상쇄되어 사라지기 때문입니다. 한 기업이 로봇으로 효율을 높일 수 있다면 경쟁 기업도 똑같이 할 수 있으므로, 그 기업이 가격을 더 받거나 마진을 늘릴 수는 없다는 것입니다.

그래도 곡괭이와 삽은 보유하라

AI 인프라 구축에 가장 많이 노출된 곡괭이와 삽 기업들의 주가가 이미 많이 오른 상황에서 단기 투자자는 어떻게 해야 하느냐는 질문에, 코벨로의 답은 의외로 실용적입니다. 자신의 회의론과 상관없이 AI 인프라에 대한 막대한 지출은 계속될 것이므로, 투자자는 이 지출의 수혜 기업에 계속 투자해야 한다는 것입니다. 그가 꼽는 순서는 칩 제조사, AI를 뒷받침하기 위한 전력망 구축에 노출된 유틸리티와 관련 기업, 그리고 하이퍼스케일러입니다. 하이퍼스케일러는 스스로 막대한 돈을 쓰지만 AI 구축에서 추가 매출도 얻는다는 이유입니다.

이 기업들의 주가가 이미 크게 오른 것은 사실이지만, 역사를 보면 기업을 비싸게 만든 펀더멘털이 그대로인 한 비싼 밸류에이션만으로 주가 상승이 멈추지는 않는다고 그는 말합니다. 코벨로는 주식이 단지 비싸다는 이유만으로 떨어지는 것을 본 적이 없다고 말합니다. 거의 언제나 범인은 펀더멘털의 악화이고, 그때가 되어서야 밸류에이션이 문제가 된다는 것입니다.

버블이 꺼질 때의 모습

회의론이 맞아 AI의 근본 스토리가 무너진다면 어떤 모습이겠느냐는 질문에, 코벨로는 세상이 쓸 데가 없거나 아직 준비되지 않은 것을 과잉 건설하면 대개 끝이 나쁘다고 답합니다. 나스닥(NASDAQ)은 닷컴 붐의 고점에서 우버가 창업할 때까지 약 70% 하락했습니다. 지금 돈을 쓰는 기업들이 당시보다 자본이 훨씬 탄탄하기 때문에 오늘날 AI 버블의 붕괴는 닷컴 버블만큼 심각하지 않을 수도 있습니다. 하지만 AI 기술의 쓰임새와 도입률이 지금 시장이 기대하는 것보다 낮게 끝난다면, 지금 이 기술에 돈을 쓰는 많은 기업에 문제가 되지 않으리라고 상상하기는 어렵습니다.

그럼에도 코벨로가 지난 30년 동안 배운 가장 중요한 교훈 가운데 하나는 버블이 꺼지기까지 오랜 시간이 걸릴 수 있다는 것입니다. 그가 AI 인프라 공급자에 계속 투자하라고 권하는 이유도 여기에 있습니다. 자신의 회의론이 틀리면 이 기업들은 계속 혜택을 누릴 것이고, 자신이 옳더라도 이 기업들은 적어도 이 테마에서 상당한 매출을 올려 적응하고 진화하기에 더 나은 위치에 서 있을 것이라는 논리입니다.

무엇을 지켜봐야 하는가

버블 붕괴가 다가온다는 신호로 무엇을 지켜봐야 하느냐는 마지막 질문에, 코벨로는 짓기만 하면 수요가 따라온다는 주문에 투자자들이 언제까지 만족할지는 열린 질문이라고 답합니다. 의미 있는 AI 응용 프로그램 없이 시간이 흐를수록 AI 스토리는 버티기 어려워집니다. 그는 앞으로 12-18개월 안에 중요한 쓰임새가 더 분명해지지 않으면 투자자의 열기가 식기 시작할 수 있다고 추측합니다.

하지만 그가 더 중요하게 보는 지표는 기업 수익성입니다. 기업이 계속 돈을 잘 벌면 투자수익률이 마이너스인 프로젝트로도 실험을 계속할 수 있습니다. 기업 이익이 탄탄한 한 이런 실험은 계속될 것이므로, 그는 경기 사이클이 더 어려운 국면에 들어서기 전까지 기업들이 AI 인프라와 전략에 대한 지출을 줄이지 않으리라고 봅니다. 골드만삭스는 그런 국면이 곧 오리라고 보지 않지만, 기업 수익성이 꺾이기 시작하면 이런 실험에 대한 지출이 가장 먼저 잘려 나갈 항목 가운데 하나가 될 것이라고 그는 덧붙입니다.

[반론] AI 비용이 저절로 떨어지지 않는다는 코벨로의 주장과 반대 방향의 데이터도 나왔습니다. 스탠퍼드대 인간중심AI연구소(HAI)의 「AI Index 2025」에 따르면, GPT-3.5 수준의 성능을 내는 모델로 100만 토큰을 생성하는 비용은 2022년 11월 20달러에서 2024년 10월 0.07달러로 약 280분의 1이 됐습니다. 같은 성능을 쓰는 단가로만 보면, 코벨로가 의문을 표한 비용 하락이 예상보다 훨씬 빠르게 일어난 셈입니다.

다만 이 수치는 동일한 성능 수준의 사용 단가이고, 코벨로가 문제 삼은 데이터센터와 전력망을 포함한 인프라 구축 총비용과는 다른 지표입니다. 단가가 떨어지는 동안에도 빅테크의 연간 설비투자 총액은 계속 늘었습니다.

[사후 맥락] 코벨로가 투자자 열기가 식을 수 있는 시한으로 제시한 12-18개월은 2025년 중후반에 해당합니다. 그 시기인 2025년 8월, MIT의 연구 이니셔티브 NANDA는 「The GenAI Divide: State of AI in Business 2025」 보고서에서 기업 생성형 AI 시범 사업의 약 95%가 손익에 측정할 만한 효과를 거의 내지 못했고, 매출을 빠르게 끌어올린 것은 약 5%뿐이라고 밝혔습니다. 경영자 인터뷰 약 150건, 직원 설문 350건, 공개된 AI 도입 사례 300건을 분석한 결과였습니다.

이는 코벨로의 회의론을 뒷받침하는 결과였지만, 그가 예상한 투자자 열기의 냉각은 같은 시기에 일어나지 않았습니다. 빅테크의 설비투자는 오히려 늘었고, 엔비디아는 2025년 10월 시가총액 5조 달러를 넘었습니다. 기업 이익이 탄탄한 한 실험은 계속된다는 코벨로의 다른 진단이 더 정확했던 셈입니다.

랑간과 셰리든, 결국 투자는 회수된다

랑간과 셰리든은 골드만삭스에서 각각 미국 소프트웨어와 인터넷 기업을 담당하는 선임 주식 분석가입니다. 두 사람은 AI가 아직 완성되지 않은 기술이라는 점을 인정하면서도, 지금 쏟아붓는 막대한 돈이 결국에는 회수될 것이라고 주장합니다.

1년 전보다 더 낙관적인 이유

2023년 7월 대담 때 생성형 AI의 잠재력에 크게 고무되어 있던 두 사람에게 네이선이 지금도 같은지 묻습니다. 랑간은 생성형 AI의 장기 잠재력에 대한 열의가 1년 전과 같고, 어쩌면 더 커졌다고 답합니다. 지난 12개월 동안 기술 변화의 속도는 놀라울 정도여서, 더 새롭고 더 나은 AI 모델이 나왔다는 소식이 없는 주가 거의 없었습니다. 인프라 구축도 기대를 크게 웃돌아, 대규모로 컴퓨팅과 저장 서비스를 제공하는 하이퍼스케일러들은 통상의 클라우드 설비투자와 별도로 AI 모델을 만들고 학습시키는 데 필요한 핵심 도구에 600억-800억 달러를 추가로 썼습니다.

여러 분야에서 AI의 생산성 효과를 보여 주는 희망의 신호도 나왔습니다. 창작 분야에서 생성형 AI는 예전 같으면 몇 시간씩 걸렸을 새 디자인 아이디어를 몇 분 만에 내놓아, 아이디어를 시장에 내놓기까지의 시간을 줄였습니다. 코드 개발 분야에서는 AI가 낮은 수준의 코드 작성을 자동화해 개발자들이 더 복잡하고 생산적인 일에 집중할 수 있게 했습니다. 고객 지원 분야에서는 디지털 업무 흐름 소프트웨어 기업 서비스나우(ServiceNow)가 AI 덕분에 고객 서비스 문제를 해결하는 평균 시간이 80% 줄었다고 보고했습니다.

킬러 앱은 마지막에 온다

그럼에도 랑간은 기술 사이클의 성공을 결정하는 것은 결국 응용 프로그램이며, AI의 킬러 애플리케이션은 아직 찾지 못했다고 인정합니다. 1990년대 말 컴퓨팅 사이클에서는 전사적자원관리(ERP) 소프트웨어가 그 역할을 했습니다. 2000-2010년 기술 사이클에서는 x86 기반 리눅스와 오픈소스 데이터베이스의 부상 덕에 거대한 규모로 성장한 검색과 전자상거래가, 가장 최근인 2010-2020년 사이클에서는 저비용 컴퓨팅 인프라를 대규모로 구축할 수 있게 해 준 클라우드 응용 프로그램이 킬러 앱이었습니다.

랑간은 이것이 놀랄 일이 아니라고 말합니다. 모든 컴퓨팅 사이클은 인프라가 먼저, 플랫폼이 그다음, 응용 프로그램이 마지막에 오는 이른바 IPA 순서를 따르기 때문입니다. AI 사이클은 아직 인프라 구축 단계 한가운데에 있으므로, 킬러 앱을 찾는 데는 시간이 더 걸리겠지만 결국 도달할 것이라는 게 그의 믿음입니다.

셰리든도 이 인프라 구축이 어떤 AI 응용 프로그램과 도입률로 이어질지에 대한 가시성이 아직 비교적 낮다는 데 동의합니다. AI 챗봇이 사용자의 질문에 거짓 답을 내놓는 환각(hallucination) 같은 응용 계층의 주목할 만한 문제들이 생성형 AI의 확장성에 의문을 던지기도 했습니다. 그래서 이 기술은 여전히 개발 중인 기술이라고 그는 말합니다. 하지만 기업 행사나 개발자 콘퍼런스에서 생성형 AI의 시연을 보고 나면 장기 잠재력에 고무되지 않기란 불가능하다는 것이 그의 소감입니다.

엔비디아만의 이야기가 아니다

엔비디아가 지금의 곡괭이와 삽 국면에서 막대한 혜택을 본 것은 잘 알려져 있는데, 다른 기업들도 생성형 AI로 돈을 벌고 있느냐고 네이선이 묻습니다. 셰리든은 엔비디아의 GPU가 AI 시스템의 중추가 되면서 이 회사가 막대한 매출을 올린 것은 분명하지만, 칩에 대한 왕성한 수요 덕에 반도체 산업 전반도 혜택을 봤다고 답합니다. AI 모델을 학습시키고 운영하는 데 엄청난 컴퓨팅 용량이 필요하기 때문에 클라우드 컴퓨팅 기업들도 좋은 실적을 냈습니다. 3대 하이퍼스케일러인 마이크로소프트, 알파벳, 아마존은 지난 분기 매출 성장이 빨라졌습니다.

셰리든은 자본이 AI 테마로 옮겨 가고 있고, 테마와 자본이 함께 구축 작업에 맞춰 정렬되고 있으며, 반도체와 컴퓨팅 작업에 노출된 많은 기업이 그 이득을 수익으로 바꾸고 있다고 정리합니다. 따라서 이것은 엔비디아만의 이야기가 아니라는 것입니다.

비이성적 과열이 아닌 이유

빅테크가 앞으로 몇 년간 쓸 것으로 추산되는 수천억 달러의 AI 설비투자가 비이성적 과열의 신호이고 회수가 적거나 아예 없을 수 있다는 우려에 대해, 셰리든은 비교의 기준이 잘못됐다고 봅니다. 과열을 주장하는 쪽은 지금 쓰는 돈의 액수를 과거 두 번의 대규모 설비투자 사이클과 비교합니다. 하나는 웹 1.0, 곧 데스크톱 컴퓨팅을 가능하게 한 1990년대 말-2000년대 초의 장거리 통신망 구축이고, 다른 하나는 주파수, 5G 네트워크 장비, 스마트폰 보급이 얽힌 2006-2012년의 웹 2.0 사이클입니다.

셰리든은 이런 단순 비교가 오해를 부른다고 말합니다. 더 의미 있는 지표는 지출 액수 자체가 아니라 기업 매출 대비 지출입니다. 클라우드 컴퓨팅 기업들은 지금 클라우드 매출의 30% 넘게를 설비투자에 쓰고 있고, 늘어나는 금액의 대부분은 AI 사업을 향합니다. 기술 산업 전체로 보면 이 수준은 기업과 소비자의 컴퓨팅 습관을 바꾼 과거 투자 사이클과 크게 다르지 않다는 것이 그의 판단입니다.

또 웹 1.0 시절과 달리 지금의 투자자들은 자본 수익에 촉각을 곤두세우고 있습니다. 투자자들은 설비투자 1달러가 매출 증가와 어떻게 이어지는지 보여 달라고 요구하고, 둘 사이에 점선 하나도 긋지 못하는 기업은 응징합니다. 셰리든은 몇 달 전 메타가 AI에 수십억 달러를 쓰겠다고 발표하면서 핵심 사업을 흔들 수도 있는 계획을 내놓고도 최종 회수에 대한 가시성은 거의 주지 않자 주가가 급락한 사례를 듭니다. 그래서 그는 회수가 없을 가능성을 걱정하지 않는다고 말할 수는 없지만 지금 특별히 우려하지는 않으며, 다만 앞으로 6-18개월 안에 대규모 소비자 응용 프로그램이 나오지 않으면 더 우려하게 될 수 있다고 말합니다.

기존 강자가 이끄는 사이클

랑간은 지금의 지출이 절대 금액으로는 분명히 많다고 인정하면서도, 이번 설비투자 사이클이 과거 사이클보다 더 유망하다고 봅니다. 신생 기업이 아니라 기존 강자가 이 사이클을 이끌고 있어, 기술이 주류가 되지 못할 위험이 낮아지기 때문입니다. 기존 강자들은 깊은 자본 풀과 극히 낮은 자본비용, 거대한 유통망과 고객 기반을 갖고 있어, 자본 지출이 결국 어떻게 수익을 낼지 실험할 여유가 있습니다.

반면 1990년대 말 투자 사이클을 이끈 기업들은 성공에 필요한 자금도, 평판도, 지식도 없었고, 그 결과 엄청난 양의 설비가 놀게 됐습니다. 지금 투자 사이클을 이끄는 기업들은 매우 유능한 경영진이 운영하고, 최고재무책임자들은 매처럼 비용을 감시하며 투자수익에 대한 책임을 묻고, 수익이 실망스러우면 언제든 지출에 제동을 걸 준비가 되어 있습니다. 물론 이 모든 것이 실패해 수백억 달러의 설비투자와 이자 수익을 잃을 수도 있습니다. 하지만 결과를 모르는 채로 이 전략을 추구하는 기회비용은, 다음 거대한 컴퓨팅 아키텍처의 토대를 놓는 잠재적 기회에 비하면 여전히 작아 보인다고 랑간은 말합니다.

회수는 늦어질 수 있다

기업들의 AI 투자가 결국 회수되더라도 예상보다 오래 걸릴 수 있지 않느냐는 질문에, 셰리든은 그럴 수 있다고 인정합니다. 많은 소비자 인터넷 기업이 아직 AI 투자에서 의미 있는 수익을 보지 못했고, 세 가지 주요 회수 경로인 광고, 전자상거래, 구독료가 모두 소비자 습관의 변화에 달려 있어 회수 시점이 불확실합니다. 웹 1.0 사이클에서는 넷스케이프(Netscape) 웹브라우저가 1990년대 중반 데뷔하고 시장이 2000년 3월 정점을 찍었지만, 소비자들이 기술을 받아들이는 속도가 느려 자본 수익은 2000년대 말-2010년대 초에야 플러스로 돌아섰습니다. 2006년에 시작된 웹 2.0 사이클에서는 회수 기간이 훨씬 짧아, 2012-2013년이면 대부분의 기업이 스스로를 모바일 퍼스트 기업이라 부르고 있었습니다.

셰리든은 회수의 시점만이 아니라 규모도 중요하다고 말합니다. 기업들이 앞으로 몇 년 동안 지금 수준의 연간 지출을 이어 간다면, 비용을 정당화하기 위해 회수 규모도 엄청나야 합니다. 그래도 회수가 예상보다 길어진다고 이 기술 사이클이 죽지는 않는다는 것이 그의 판단입니다. 그는 AI가 버블이라고 믿지 않기 때문에 그 단어를 쓰기 싫다고 하면서도, 역사상 대부분의 버블은 자본비용이 극적으로 바뀌었거나 최종 수요가 악화되어 기업의 자본 투입 능력이 꺾였기 때문에 끝났지, 회수가 예상보다 오래 걸리는 기술에서 기업이 투자를 거둬들여서 끝난 것은 아니라고 지적합니다.

소프트웨어의 차례는 온다

랑간은 세일즈포스, SAP, 오라클(Oracle) 같은 기업용 소프트웨어 회사의 AI 수익화가, AI가 들어간 제품에 기꺼이 웃돈을 낼 고객에게서 나올 것이라고 봅니다. 소비자 시장은 기업 시장의 좋은 선행 지표이므로, 소비자들이 이 기술을 받아들이기 시작하면 기업용 소프트웨어 회사들도 매출 순풍을 맞을 것이라는 설명입니다. 다만 최근 몇몇 회사가 실망스러운 매출 전망을 내놓으면서, 지난 10년이 ‘소프트웨어가 세상을 먹어 치운’ 시대였다면 앞으로 10년은 ‘하드웨어가 소프트웨어를 먹어 치우는’ 시대가 될 것이냐는 질문까지 나왔습니다.

랑간은 최근의 실망이 적어도 부분적으로는 고금리 환경 탓이라고 봅니다. 소프트웨어는 6,000억-7,000억 달러 규모의 산업이어서 높은 자본비용에 취약하다는 것입니다. 그리고 다시 말하지만 모든 컴퓨팅 사이클은 IPA 순서를 따르므로, 지금은 지출이 인프라를 향하고 있어도 결국 플랫폼과 응용 프로그램으로 옮겨 가고 그때가 소프트웨어 기업이 등장할 차례라고 그는 말합니다.

공격이자 방어인 투자

경쟁 압력을 생각하면 기업들에 AI 군비 경쟁에 뛰어드는 것 말고 다른 선택지가 있느냐는 질문에, 셰리든은 자신의 담당 기업 가운데 이 논쟁의 상징인 알파벳을 예로 듭니다. 그는 ChatGPT가 없었더라도 알파벳은 아마 AI에 투자했을 것이라고 봅니다. 그는 2017년 구글의 연례 개발자 콘퍼런스 구글 I/O에서 알파벳이 이제 AI 퍼스트 기업이라고 선언하는 것을 객석에서 지켜봤습니다. 그런데 알파벳은 2022년 ChatGPT가 나온 뒤에 2017-2022년보다 더 많은 반복과 혁신을 거쳤고, 셰리든은 이를 보며 AI 지출의 원동력이 방어적인 만큼이나 공격적이라고 믿게 됐다고 말합니다.

회의론자가 놓치는 것

AI 기술이 너무 비싸고, 실제 문제를 해결하지 못하고, 기존 데이터로 학습하는 데는 한계가 있어 인간의 인지 능력에 결코 다가가지 못할 것이라는 비판에 대해, 두 사람은 각자 반박합니다. 랑간은 AI 기술이 지금 비싸다는 점은 의심할 여지가 없고, 인간의 뇌는 인지 과업을 수행할 때 전력 단위당 효율이 생성형 AI보다 1만 배 높다고 인정합니다. 하지만 기술의 비용 방정식은 과거에 늘 그랬듯 바뀔 것이라고 그는 봅니다. 1997년 선마이크로시스템즈 서버 한 대는 6만 4,000달러였지만, 3년 안에 x86 칩과 리눅스, MySQL 확장형 데이터베이스의 조합으로 50분의 1 비용에 같은 성능을 낼 수 있게 됐습니다.

x86 칩의 확장과 오픈소스 리눅스, 데이터베이스, 개발 도구가 결합하면서 아마존웹서비스(AWS) 인프라가 주류가 됐고, 이 덕에 세일즈포스, 서비스나우, 인튜이트(Intuit), 어도비(Adobe), 워크데이(Workday) 같은 수천 개의 소프트웨어 응용 프로그램을 감당할 수 있는 비용으로 만들 수 있게 됐습니다. 처음에는 규모가 다소 제한적이던 이 응용 프로그램들은 결국 수억 명의 최종 사용자를 지원하는 수준으로 성장했고, 오피스 365(Office 365) 같은 보편적 응용 프로그램을 떠받친 마이크로소프트 애저(Azure)의 확장도 인상적이었습니다. 지난 10년 동안 이 응용 프로그램들은 수천억 달러의 주주 가치를 만들어 냈고, 사람들이 기술의 단기 효과는 과대평가하고 장기 효과는 과소평가한다는 상투적인 말을 다시 한번 증명했습니다. 오늘날 누구도 AI에서 어떤 킬러 앱이 나올지 말할 수 없지만, AI의 비용 방정식이 바뀌어 아직 상상하지 못한 응용 프로그램이 개발될 실질적 가능성에 열려 있어야 한다는 것이 랑간의 결론입니다.

셰리든은 투하자본이익률(ROIC)에 대한 가시성이 지금은 낮고, 그것이 분명해질 때까지 AI의 변혁 잠재력은 뜨거운 논쟁거리로 남을 것이라고 흔쾌히 인정합니다. 그럼에도 그는 AI 회의론자들이 세 가지를 놓친다고 말합니다. 첫째, 기존의 과거 데이터로 학습해 미래의 분석 결과를 이끌어 낸다는 것은 대학에 가는 것과 똑같습니다. 사람은 대학에서 배운 뒤 졸업 후 수십 년 동안 생산성과 효율을 높이는데, 기계도 충분히 그렇게 할 수 있다는 것입니다.

둘째, 기계는 오늘날 이미 수많은 과업을 인간보다 더 생산적이고 효율적으로 해내며, 이는 앞으로 수십 년 동안도 변하지 않을 것입니다. 셋째, 사람들은 스마트폰이나 우버, 에어비앤비(Airbnb)가 나오기 전에는 그것이 필요하다고 생각하지 않았습니다. 하지만 지금은 사람들이 그런 기술 발전에 저항했다는 사실 자체가 상상하기 어렵고, 셰리든은 생성형 AI 기술도 거의 확실히 그렇게 될 것이라고 말합니다.

해설 랑간이 언급한 ‘소프트웨어가 세상을 먹어 치운다’는 표현은 마크 안드레센(Marc Andreessen)이 2011년 월스트리트저널(The Wall Street Journal)에 기고한 글 「Why Software Is Eating the World」에서 나왔습니다. 안드레센은 이 글에서 서점, 음악, 영화, 통신, 금융 같은 전통 산업이 소프트웨어 기업에 잠식당하고 있다고 주장했고, 이 표현은 이후 10년 동안 소프트웨어 투자의 구호가 됐습니다. 최근 등장한 ‘하드웨어가 소프트웨어를 먹어 치운다’는 말은 이 구호를 뒤집어, AI 시대의 돈이 칩과 데이터센터로 몰리는 현상을 가리킵니다.

랑간이 상투적인 말이라고 한 ‘단기 효과는 과대평가하고 장기 효과는 과소평가한다’는 문장은 흔히 미국 미래연구소의 로이 아마라(Roy Amara)의 이름을 따 아마라의 법칙(Amara’s law)으로 불립니다. 기술 투자 논쟁에서 낙관론자들이 단기 실망을 장기 낙관과 양립시키는 근거로 자주 인용하는 말입니다.

[반론] 랑간이 기존 강자들의 최고재무책임자가 매처럼 비용을 감시한다고 본 것과 달리, 그 회계 처리 자체를 문제 삼는 목소리도 나왔습니다. 2008년 금융위기 때 주택시장 붕괴를 예견해 이름을 알린 투자자 마이클 버리(Michael Burry)는 2025년 11월, 하이퍼스케일러들이 서버와 칩의 내용연수를 늘려 감가상각비를 적게 잡고 이익을 부풀리고 있다고 주장했습니다. 그는 엔비디아 칩과 서버의 제품 주기가 2-3년인데도 상각 기간을 늘리는 것은 정당하지 않다며, 이런 방식으로 2026-2028년 기술 기업들의 감가상각이 1,760억 달러 과소계상될 것으로 추정했습니다.

버리는 2028년까지 오라클의 이익이 26.9%, 메타의 이익이 20.8% 부풀려질 것이라고 봤습니다. 이는 버리 개인이 소셜미디어에서 밝힌 추정이며, 기업 공시나 감사를 거친 수치는 아닙니다.

[사후 맥락] 셰리든은 앞으로 6-18개월 안에 대규모 소비자 응용 프로그램이 나오지 않으면 더 우려하게 될 수 있다고 했습니다. 그 시한의 끝자락인 2025년 10월, 오픈AI(OpenAI)의 샘 올트먼(Sam Altman)은 개발자 행사에서 ChatGPT의 주간 사용자가 8억 명을 넘었다고 밝혔습니다. 같은 해 3월 말 약 5억 명, 8월 약 7억 명에서 빠르게 늘어난 수치로, 사용자 규모로만 보면 셰리든이 기다린 대규모 소비자 응용 프로그램은 이미 나타난 셈입니다. 다만 그가 꼽은 회수 경로인 광고, 전자상거래, 구독료가 이 사용자 기반에서 얼마나 큰 수익으로 이어지는지는 별개의 문제로 남아 있습니다.

재너스, 진짜 병목은 전력이다

재너스는 유틸리티가 새로운 전력망 용량을 확보하도록 돕는 전략을 개발하는 클로버리프 인프라스트럭처의 공동창업자이고, 그전에는 마이크로소프트의 에너지 담당 부사장이었습니다. 골드만삭스의 제니 그림버그(Jenny Grimberg)와 나눈 이 인터뷰에서 그는 미국의 전력 인프라가 AI를 비롯한 여러 곳에서 밀려올 전력 수요 급증에 대비되어 있지 않으며, 앞으로 몇 년간 고통스러운 전력난이 닥칠 것이라고 주장합니다. 인터뷰 머리에는 그의 견해가 골드만삭스의 견해와 반드시 같지는 않다는 단서가 붙어 있습니다.

클라우드가 숨겨 온 전력 수요

미국 일부 지역에서 전력 수요가 급증하고 유틸리티와 전력망 운영자들이 향후 5년 전력 수요 증가 추정치를 크게 올린 상황에서, 그림버그는 AI와 데이터센터가 여기서 어떤 역할을 하는지 묻습니다. 재너스는 2010년 무렵 클라우드 컴퓨팅이 등장한 이후 클라우드 데이터센터가 빠르게 늘었지만, 그 뒤 10년 동안 세계 데이터센터의 전력 소비는 거의 늘지 않았다고 설명합니다. 클라우드 데이터센터가 기업 자체 시설, 곧 온프레미스(on-premises) 작업을 흡수했는데, 온프레미스 시설은 같은 연산을 하는 데 클라우드보다 몇 배의 전력을 썼기 때문입니다. 그래서 데이터가 클라우드로 옮겨 가면서 연산량은 크게 늘었는데 전력 사용은 거의 늘지 않았습니다.

하지만 마이크로소프트, 아마존, 구글 3대 하이퍼스케일러의 클라우드 데이터센터 용량이 2010년대 초 수백 메가와트에서 10년 말 수 기가와트로 커지면서 전력 소비가 늘기 시작했습니다. 그리고 2022년 11월 ChatGPT 3.5의 공개는 AI 관련 수요라는 새로운 층을 얹었습니다. 재너스는 이 수요가 해마다 수백 메가와트, 어쩌면 수 기가와트의 데이터센터 용량 추가를 요구할 가능성이 크며, 따라서 전력 수요는 앞으로 몇 년간 계속 급증할 것이라고 봅니다.

요청의 일부만 현실이 되어도 거대하다

전력망 용량이 얼마나 늘어야 하느냐는 질문에, 재너스는 그것이 바로 핵심 질문이라고 답합니다. 모두가 AI 물결을 쫓으면서 유틸리티들은 막대한 전력을 달라는 요청을 수백 건씩 받고 있지만, 그 가운데 실제로 실현될 수요는 일부에 불과합니다. 미국 최대 전력회사 가운데 하나인 아메리칸일렉트릭파워(AEP)는 80-90기가와트의 부하 요청을 받은 것으로 알려졌는데, 지금 기업들이 구상하는 AI 프로젝트 상당수가 결코 빛을 보지 못할 것이기 때문에 실제로 실현될 것은 15기가와트 정도로 보입니다.

그래도 15기가와트는 엄청난 규모입니다. AEP가 현재 미국에서 보유하거나 운영하는 발전 용량이 약 23기가와트이기 때문입니다. 재너스는 전체 전력망 용량이 연 2%씩만 늘어난다는 합리적인 가정을 하더라도, 현재 최대 부하 기준 약 800기가와트를 처리하는 시스템에 유틸리티들이 100기가와트를 훨씬 넘는 최대 부하 용량을 더해야 한다고 계산합니다. 게다가 전력 수요 증가는 극도로 지역에 집중될 가능성이 큽니다. 예컨대 데이터센터가 몰려 있는 북버지니아는 향후 10년간 전력망 용량을 두 배로 늘려야 할 수 있어, 미국 전역에서 전력망이 크게 늘어야 하고 특정 지역은 그보다 더 늘어야 합니다.

몇 달과 몇 년의 시차

유틸리티와 전력 인프라가 이 급증에 대응할 준비가 되어 있느냐는 질문에, 재너스의 답은 짧습니다. 준비되어 있지 않다는 것입니다. 유틸리티들은 거의 20년 동안 부하 증가를 겪어 보지 않았고, AI 기술이 발전하는 속도에 맞출 준비도, 그럴 능력도 없습니다. ChatGPT 3.5와 능력이 크게 향상된 ChatGPT 4.0 사이의 간격은 6개월에 불과했지만, 그런 발전을 뒷받침할 전력 인프라를 짓는 데 걸리는 시간은 몇 년 단위로 잽니다.

AI 기술만 따로 발전하는 것도 아닙니다. 교통과 건물의 전기화, 부분적으로 인플레이션감축법(IRA)과 반도체·과학법(CHIPS and Science Act)이 이끄는 제조업의 국내 회귀, 수소 경제의 잠재적 발전도 이미 낡은 전력망에 대한 요구를 키우고 있습니다. 규제의 지연, 계통 연결과 공급망의 제약도 늘어나는 전력 수요를 따라잡는 데 걸림돌입니다. 전력망 연결을 기다리는 발전 프로젝트의 총용량은 지난해 30% 가까이 늘었고, 대기 기간은 현재 40-70개월에 이르며, 변압기와 개폐장치 같은 핵심 전기 부품의 납기도 크게 길어졌습니다.

데이터센터가 첫 표적이 될 수 있다

재너스는 이런 문제가 해결되고 전력망이 따라잡기 전까지, 심각한 전력난 때문에 유틸리티와 주정부가 누구에게 전력을 줄지 골라야 하는 상황이 올 가능성이 크다고 봅니다. 그가 걱정하는 것은 데이터센터가 손쉬운 표적이 되는 것입니다. 예컨대 다음 현대(Hyundai) 공장을 짓는 것과 비교하면 데이터센터는 일자리를 많이 만드는 주요 엔진으로 인식되지 않기 때문입니다.

이런 일은 이미 일어났습니다. 더블린에서는 국영 전력망 운영사 에어그리드(EirGrid)가 신규 데이터센터의 전력망 연결을 2028년까지 미루는 방식으로 사실상의 유예를 시행했습니다. 암스테르담도 최근 에너지를 아끼기 위해 놀고 있는 서버를 끄지 않는 데이터센터에 벌금을 물리는 새 규정을 내놓았습니다. 재너스는 미국에서도 비슷한 일이 일어날 가능성을 배제할 수 없다고 말합니다.

효율 개선이 준 착각

하이퍼스케일 컴퓨팅 시대에도 세상의 전력을 다 집어삼킬 것이라는 비슷한 우려가 있었지만 데이터센터가 효율적으로 바뀌면서 빗나가지 않았느냐는 질문에, 재너스는 2010-2020년의 경험이 잘못된 안도감을 줬다고 답합니다. 그 기간 효율 개선의 대부분은 비효율적인 온프레미스 데이터센터를 닫고 클라우드 데이터센터로 옮긴 데서 나왔고, 데이터센터 자체가 크게 효율적으로 바뀐 것은 아니라는 것입니다.

그는 수치로 이를 보여 줍니다. 데이터센터 효율 지표인 전력사용효율(PUE)은 시설 전체가 쓰는 전력을 서버를 돌리는 데 쓰는 전력으로 나눈 값인데, 온프레미스 데이터센터는 2-3, 클라우드는 1.3 안팎이었습니다. 그런데 클라우드 데이터센터의 PUE는 10년 동안 0.2 정도만 낮아졌습니다. 오늘날 데이터센터의 평균 PUE는 약 1.1로, 쓰는 전력의 90% 넘게가 냉방이나 조명이 아니라 서버로 곧장 간다는 뜻이며, 따라서 데이터센터에서 효율을 더 짜낼 여지는 크지 않습니다.

데이터센터나 AI 칩 자체의 효율을 높일 새 방법이 발견되더라도 문제는 남습니다. 데이터를 소비하려는 인간의 욕구는 거의 끝이 없기 때문입니다. 더 효율적인 칩이나 공정을 개발할 때마다 우리는 그 자원을 덜 쓰는 대신 더 많이 쓸 방법을 찾아내는데, 이를 제번스의 역설(Jevons paradox)이라고 합니다. 빅테크는 가장 강력하고 유능한 AI 모델을 만들기 위한 군비 경쟁을 벌이고 있으므로, 인간의 데이터 소비 능력이 포화에 이를 때까지는 어떤 효율 개선도 더 큰 수요에 고스란히 흡수될 것이라고 재너스는 봅니다.

전력망을 넓히는 일

전력망을 넓히는 데 무엇이 필요하냐는 질문에, 재너스는 그것이 쉽지도 빠르지도 않은 일이라고 답합니다. 전력 산업은 규제가 강해 유틸리티는 새 설비를 짓기 전에 길고 긴 인허가와 승인 절차를 거쳐야 합니다. 그 뒤에는 모든 유틸리티가 갑자기 장비 주문을 두 배로 늘리는 상황에 대비되어 있지 않은 공급망과 씨름해야 하고, 늘어나는 수요에 맞게 공급망을 키우는 데만 적어도 몇 달, 경우에 따라서는 몇 년이 걸립니다.

그사이 전력 제약을 조금이라도 덜려면 유틸리티는 기존 시스템에서 효율을 더 짜내야 합니다. 기존 송전선을 더 많은 전력을 보낼 수 있는 전선으로 교체하는 재도선(reconductoring), 전력망 성능을 높이는 기술에 대한 투자가 그 예입니다. 장주기 저장장치를 늘려 전기가 가장 필요한 때와 곳에 공급하면 최대 부하 시기의 압박을 덜 수 있고, 전력을 언제 어떻게 쓰는지에 유연성을 더하는 것도 도움이 됩니다.

AI 작업 부하가 유연하다는 이야기도 나오지만, 현실적으로 AI 작업은 여전히 높은 수준의 전력 가용성을 필요로 한다고 재너스는 말합니다. 다만 데이터센터가 보유한 발전 설비와 저장 설비는 유연성 자원으로 활용할 수 있고, 이를 통해 최대 부하 용량이 전체 전력 소비만큼 빠르게 늘지 않도록 할 수 있습니다. 그래도 결국 전력망 인프라를 대규모로 구축하지 않고는 전력 제약 문제를 풀 수 없다는 것이 그의 결론입니다.

돈으로 해결되지 않는 문제

빅테크는 AI에 쓸 돈이 끝없이 있어 보이는데, 그 돈의 일부로 필요한 전력을 확보하면 되지 않느냐는 질문에 재너스는 단순히 돈의 문제였다면 이미 해결됐을 것이라고 답합니다. 빅테크도 유틸리티 산업과 똑같은 제약에 부딪힙니다. 같은 규제 절차를 거쳐야 하고 같은 공급망 문제를 겪습니다.

빅테크가 필요한 전력을 전부 자체 발전으로 만들면 된다는 주장도 있지만, 지금 그렇게 할 유일한 방법은 천연가스이고 천연가스 역시 자체적인 제약이 있는 가스망 위에 있어 기반 시설을 고치고 새로 지어야 합니다. 원자력도 해법으로 자주 거론되지만, 향후 10년 안에 새 원전을 짓는 것은 현실적으로 불가능합니다. 원자력이 답이라고 믿는 사람들은 아마존웹서비스가 펜실베이니아주의 서스쿼해나(Susquehanna) 원자력발전소 옆에 있는 데이터센터를 탈렌에너지(Talen Energy)로부터 사들인 최근 사례를 들곤 합니다. 하지만 그 전력을 확보하려고 새로 지은 것은 아무것도 없었고, 그 원전은 40년 넘게 그 자리에 있었습니다. 그래서 이번 10년 안에 전력 공급을 늘리는 것이 과제라면 전력망을 넓히는 것 말고는 다른 해법이 없다고 재너스는 단언합니다.

비관과 낙관 사이

미국이 이 과제를 감당할 수 있겠느냐는 질문에, 재너스는 안타깝게도 미국이 대규모 인프라 사업을 짓는 능력을 잃었다고 말합니다. 그는 이것이 2030년대의 미국보다는 1930년대의 미국에 더 어울리는 과제라며 다소 비관적이라고 털어놓습니다. 다만 유틸리티와 정책 결정자들이 오늘날의 발전원 구성에 맞게 설계되지 않은 송전 인프라에 투자할 필요성을 진지하게 받아들이기 시작했다고 덧붙입니다. 미국의 송전망은 해안에서 내륙으로 뻗어 가도록 지어졌지만, 지금은 거대한 풍력 자원이 내륙 중앙에, 태양광 자원이 남서부에 있으므로 송전망은 안에서 밖으로 뻗어 나가야 합니다.

유틸리티들도 앞으로 다가올 부하의 대폭 증가가 엄청난, 아마 그들이 다시는 보지 못할 최대의 경제 개발 기회라는 점을 깨닫기 시작했습니다. 더 많은 고객에게 더 많은 전력을 더 빨리 공급할 방법을 찾는 유틸리티가 그 경제 개발과 성장을 끌어올 것입니다. 데이터센터가 일자리를 많이 만드는 곳으로 인식되지는 않지만, 건설 일자리와 막대한 세수라는 형태로 상당한 경제 활동을 만들어 냅니다. 어떤 유틸리티도 고객을 돌려보내거나, 전력을 충분히 공급하지 못해 새 공장이 다른 주로 갔다고 주지사에게 보고하고 싶어 하지 않습니다.

재너스는 이것이 유틸리티가 전력망 인프라에 투자하고, 기존 시스템에서 효율을 찾아내도록 움직이게 하는 강력한 동기라고 봅니다. 전력망 투자는 신중하게만 하면 소비자 요금 인상으로 이어지지 않을 것이고, 효율 개선은 지금은 유틸리티에 돈이 되지 않아 동기가 없는 일입니다. 그래서 전체적으로 보면 그는 미국이 이 과제를 감당해 낼 수 있다고 낙관하지만, 전력 수요가 공급을 앞지르는 앞으로 10년은 고통스러울 가능성이 크다고 말합니다.

빅테크도 깨닫기 시작했다

AI 인프라에 수천억 달러를 쓰는 빅테크가 전력 제약을 과소평가하고 있느냐는 마지막 질문에, 재너스는 그렇기도 하고 아니기도 하다고 답합니다. 이 기업들은 AI로 이룰 수 있는 것에 대해 매우 낙관적이지만, 전력 공급이 이 기술의 중대한 제약이 될 것임을 깨닫기 시작했습니다. 생성형 AI가 처음 등장했을 때 사람들은 칩 부족과 전력 부족 가운데 무엇이 잠재력을 제약할지 논쟁했는데, 이제 그 논쟁은 중장기적으로 가장 큰 제약은 전력이라는 쪽으로 정리됐다는 것입니다.

메타의 마크 저커버그(Mark Zuckerberg)는 최근 인터뷰에서 에너지 제약이 AI 데이터센터 구축의 가장 큰 병목이라고 말했고, 마이크로소프트의 사티아 나델라(Satya Nadella)도 같은 이야기를 했습니다. 엔비디아의 젠슨 황(Jensen Huang)은 최근 에디슨전기협회(EEI) 콘퍼런스에서 전력업계를 상대로 연설했는데, 1년 전만 해도 말도 안 되는 일로 보였겠지만 지금은 완전히 이해가 가는 일입니다. 기업들은 전기가 엄청나게 중요한 상품이라는 사실에 눈을 떴고 이제 전력 제약에 초점을 맞추고 있지만, 재너스는 문제를 알아보는 것과 그것을 해결하는 것은 전혀 다른 차원의 어려움이라고 맺습니다.

[이해관계] 보고서의 소개대로 재너스가 공동창업한 클로버리프 인프라스트럭처는 유틸리티가 새로운 전력망 용량을 확보하도록 돕는 전략을 개발하는 회사입니다. 전력망 용량이 AI 시대의 핵심 병목이고 그 문제를 푸는 데 전문성과 투자가 필요하다는 그의 진단은, 자신이 몸담은 사업이 겨냥하는 바로 그 시장의 필요를 설명하는 것이기도 합니다. 그가 마이크로소프트에서 에너지 조달을 이끌었다는 이력은 진단에 현장의 무게를 더하지만, 동시에 그의 발화가 전력 인프라 쪽의 시각에서 나온다는 점도 함께 읽을 필요가 있습니다.

[사후 맥락] 새 원전을 짓지 않고 기존 원자력에서 답을 찾으려는 시도는 인터뷰 뒤에 더 과감해졌습니다. 2024년 9월 콘스텔레이션에너지(Constellation Energy)는 2019년 경제성 문제로 문을 닫은 스리마일섬 원전 1호기(837메가와트)를 재가동해 20년 동안 마이크로소프트에 전력을 공급하는 계약을 발표했고, 재가동 목표 시점은 2028년이었습니다. 재너스의 말대로 새로 짓는 것은 아니지만, 멈춘 원전을 되살리는 방식은 그가 인터뷰에서 다룬 선택지에는 없던 길이었습니다.

반면 그가 언급한 서스쿼해나 사례는 규제의 벽에 부딪혔습니다. 2024년 11월 미국 연방에너지규제위원회(FERC)는 이 원전에서 아마존 데이터센터로 보내는 전력을 300메가와트에서 480메가와트로 늘리는 계통 연결 계약 수정안을 2대 1로 기각했습니다. 빅테크도 유틸리티와 같은 규제 절차를 거쳐야 한다는 재너스의 지적이 그대로 확인된 장면입니다.

[한국 관점] 재너스가 우려한 전력 배분의 문제는 한국에서는 제도로 먼저 나타났습니다. 2024년 6월 시행된 분산에너지 활성화 특별법은 10메가와트 이상의 전력 사용을 신청하는 시설에 전력계통영향평가를 받도록 했고, 같은 해 전기사업법 시행령 개정으로 계통에 지나친 부담을 주는 5메가와트 이상 데이터센터에는 한국전력이 공급을 거부할 수 있는 근거가 생겼습니다. 당시 산업통상자원부 자료로는 2029년까지 계획된 신규 데이터센터 732곳 가운데 82%인 601곳이 수도권에 몰려 있었고, 그중 적기에 전력을 받을 수 있는 곳은 40곳으로 추산됐습니다.

미국에서는 전력망 확충 속도가 문제라면, 한국에서는 수도권 집중과 송전망 부족이 겹쳐 데이터센터를 지방으로 분산시키는 정책 압력이 더 강하게 작동합니다. 또 재너스가 데이터센터와 비교하며 든 현대 공장은 실제로 한국 기업이 미국 각 주의 유치 경쟁 속에서 짓는 공장이기도 해, 한국 기업은 같은 전력 배분 경쟁의 양쪽에 걸쳐 있다고 볼 수 있습니다.

대븐포트, 한 세대 만의 전력 수요 급증

대븐포트는 생성형 AI 기술과 이를 받치는 데이터센터의 확산이 미국에서 한 세대 동안 보지 못한 규모의 전력 수요 증가를 불러올 것이라고 봅니다. 그는 다가오는 수요 급증의 규모, 이를 감당하는 데 필요한 신규 발전 용량, 그리고 기업과 투자자에게 주는 의미를 문답 형식으로 정리합니다.

수요는 얼마나 늘어나는가

대븐포트는 지난 10년 동안 정체했던 미국 전력 수요가 2022-2030년 연평균 성장률(CAGR) 2.4%로 늘어나고, 그 가운데 약 0.9%포인트를 데이터센터가 차지할 것으로 예상합니다. AI의 성장, 더 넓은 데이터 수요의 증가, 전력 효율 개선 속도의 뚜렷한 둔화가 겹치면서 데이터센터의 전력 사용량은 2030년까지 두 배 넘게 늘어날 가능성이 큽니다. 이는 미국 전체 전력 수요에서 데이터센터가 차지하는 비중이 지금 약 3%에서 2030년 8%로 커진다는 뜻이며, 2023-2030년 데이터센터 전력 수요의 연평균 증가율로는 15%에 해당합니다.

어떤 발전원으로 채울 것인가

대븐포트는 데이터센터 전력 수요 증가를 뒷받침하려면 2030년까지 미국에 47기가와트의 신규 발전 용량이 필요하다고 추정합니다. 그는 이 용량이 천연가스 60%, 재생에너지 40%로 나뉠 것으로 보는데, 데이터센터의 신뢰성 요구와 기업들의 친환경 에너지 약속 사이의 균형을 반영한 비율입니다. AI 모델을 돌리는 데이터센터는 작업 특성상 사실상 하루 24시간 쉬지 않고 가동해야 하므로, 간헐적인 재생에너지보다는 필요할 때 언제든 출력을 낼 수 있는 천연가스 같은 안정적 전원이 필요합니다.

그래도 재생에너지는 중요한 역할을 할 것이라고 그는 봅니다. 데이터센터를 짓는 기업들, 특히 하이퍼스케일러 상당수가 친환경 전력 소비를 약속했고, 데이터센터 수요를 맞추겠다고 그 약속을 버릴 가능성은 낮기 때문입니다.

원자력은 해법이 될 수 있는가

원자력도 천연가스, 재생에너지와 함께 해법의 일부가 될 수 있느냐는 질문에, 대븐포트는 미국이 원전을 제때, 예산 안에서 지어 온 실적이 좋지 않다는 점부터 짚습니다. 그래서 유틸리티가 새 원전 건설의 위험을 떠안으려 하지는 않을 것으로 봅니다. 다만 데이터센터는 주 공공서비스위원회의 규제를 받지 않아 고객과 직접 계약을 맺을 수 있는 원전 운영사와 거래를 시도할 수 있습니다. 원자력은 신뢰성과 탄소 배출 제로라는, 데이터센터가 원하는 바로 그 두 가지를 해결해 주기 때문이며, 실제로 그런 거래가 몇 건 이미 이뤄졌습니다.

해설 미국 전력시장은 주마다 구조가 다릅니다. 일부 주에서는 발전, 송전, 배전을 한 회사가 맡는 수직통합형 유틸리티가 주 규제 당국의 감독을 받으며, 승인받은 투자액인 요금 기반(rate base)에 대해 정해진 수익률을 전기요금으로 회수합니다. 이 구조에서는 설비투자를 늘리는 것이 곧 이익을 늘리는 길이어서, 유틸리티 설비투자의 증가 전망은 그 자체로 이익 성장 전망이 됩니다.

반면 발전 부문이 분리된 주에서는 규제받지 않는 독립 발전사(merchant power producer)가 도매시장에 전력을 팔고, 대형 고객과 직접 계약을 맺을 수도 있습니다. 대븐포트가 데이터센터와 원전의 직접 계약을 규제받지 않는 원전에서 찾은 것은 이 차이 때문입니다. 앞서 재너스가 언급한 아마존과 탈렌에너지의 서스쿼해나 거래가 그런 사례입니다.

투자는 얼마나 필요한가

필요한 용량을 공급하려면 유틸리티가 얼마나 투자해야 하느냐는 질문에, 대븐포트는 신규 발전 설비에만 2030년까지 약 500억 달러, 연간으로는 약 70억 달러가 필요하다고 답합니다. 하지만 유틸리티는 전기를 먼 거리로 실어 나르는 송전선과 가정까지 전기를 보내는 배전 케이블 같은 뒷받침 인프라도 지어야 하므로, 전체 투자액은 훨씬 커질 가능성이 큽니다. 발전, 송전, 배전 수요를 모두 합쳐, 골드만삭스가 담당하는 유틸리티 기업들은 2024-2027년에 이전 4년보다 40% 가까이 더 많은, 연평균 약 1,400억 달러를 쓸 것으로 그는 예상합니다. 이 투자는 데이터센터 성장의 중심지인 북버지니아 같은 지역에서 이미 현실이 되고 있습니다.

무엇이 공급을 가로막는가

필요한 용량의 공급을 가로막을 수 있는 제약으로, 대븐포트는 인프라 인허가와 건설에 걸리는 긴 시간을 첫손에 꼽습니다. 많은 발전 프로젝트 개발사는 부지 확보, 자원 계획, 인허가 일정, 현재 전국적으로 약 40-70개월에 이르는 계통 연결 대기열, 그리고 공급망 제약에 대비하기 위해 5-7년 앞서 절차를 시작합니다.

요금 부담도 중요한 제약입니다. 유틸리티는 규제가 강한 산업이고, 규제 당국은 주거용 고객의 전기요금이 감당할 만한 수준에 머물고 데이터센터 성장을 위한 설비투자 부담이 주거용 고객에게 넘어가지 않도록 하는 데 초점을 맞춥니다. 이는 결국 유틸리티가 받을 수 있는 요금, 그리고 그 요금으로 승인받을 수 있는 프로젝트에 상한을 씌웁니다.

돈은 어디서 나오는가

유틸리티가 요금을 올릴 여지가 크지 않다면 투자 자금은 어디서 나오느냐는 질문에, 대븐포트는 유틸리티가 잉여현금흐름을 많이 만들지 못하므로 이 거대한 투자를 위해 부채를 늘리거나 주식을 발행해야 할 것이라고 답합니다. 다만 투자의 일부는 데이터센터 고객에게서 나올 수도 있습니다. 유틸리티가 특정 데이터센터만을 위한 인프라를 지어야 한다면, 계약과 요금 구조를 짜서 그 자본을 해당 고객에게서만 조달하고 비용이 전체 고객에게 분산되지 않도록 하는 방법이 여럿 있습니다.

전망을 흔들 수 있는 위험

대븐포트는 에너지 효율이 높은 하드웨어가 등장하거나, 데이터센터 고객들이 단기 전력 수요를 과대평가했다면 AI와 데이터센터 주도의 수요가 예상보다 작을 수 있다고 인정합니다. 그러나 AI 기술의 확산과 데이터 수요의 증가, 효율 개선 속도의 둔화가 결국 데이터센터의 더 강한 전력 수요를 이끌 것이라고 봅니다. 교통, 건물, 석유·가스 사업의 전기화가 계속되고 제조업 국내 회귀로 미국의 제조 활동이 늘어나는 것도, 전력 수요 증가율이 세기 전환기 이후 보지 못한 수준으로 오를 것이라는 그의 확신을 키웁니다. 이 성장에 에너지 전환, 노후 인프라 교체, 기후 위험 증가까지 더해지면 유틸리티는 물론 인프라 시공사와 관련 제품을 만드는 산업재 기업의 전력망 투자도 크게 늘어날 것입니다.

누가 혜택을 보는가

대븐포트는 수혜 기업을 크게 두 부류로 나눕니다. 첫째는 수요 증가 수혜 기업으로, 전력 수요와 가격에 민감한 규제받지 않는 발전사, 가스 회사, 에너지 저장 기업, 데이터센터에 전력 솔루션을 제공하는 기업이 여기에 속합니다. 늘어나는 부하를 맞추기 위해 발전 설비를 짓는 규제 유틸리티, 독립 발전사, 재생에너지 기업, 발전 장비 공급사도 이 부류에 들어갑니다.

둘째는 공급망·인프라 수혜 기업으로, 전력 인프라 구축을 돕고 전력망 신뢰성을 뒷받침하는 인프라나 장비에 투자할 위치에 있는 기업들입니다. 대븐포트는 일부 종목이 전력 수요 증가 가능성에 이미 올랐지만, 하위 공급망에 노출된 많은 종목은 앞으로의 이익 성장을 이끌 구조적 순풍보다는 높은 금리 같은 경기 요인에 따라 거래되어 왔다고 지적합니다.

[한국 관점] 한국도 같은 시기에 비슷한 질문에 답해야 했습니다. 정부가 2025년 2월 확정한 제11차 전력수급기본계획은 용인 반도체 클러스터 같은 첨단산업과 AI 확산에 따른 데이터센터 수요를 반영해, 최대 전력 수요가 2038년 129.3기가와트로 연평균 약 1.8% 늘어날 것으로 봤습니다. 이를 맞추기 위해 2037-2038년 대형 원전 2기와 2035-2036년 첫 소형모듈원전(SMR) 1기를 짓는 계획을 담았고, 무탄소 전원 비중은 2023년 39.1%에서 2038년 70.7%로 높이기로 했습니다.

대븐포트가 미국에서 원전 신설이 어렵다고 본 것과 달리, 한국은 국가 계획으로 원전 신설을 이어 가는 구조라는 점이 다릅니다. 반면 요금 부담이 투자의 상한이 된다는 그의 지적은 한국에서 더 직접적으로 작동합니다. 한국은 한국전력이 송배전과 판매를 사실상 독점하고 전기요금은 정부 승인을 거쳐 정해지므로, 데이터센터 수요를 위한 망 투자 비용을 누가 부담하느냐는 문제가 곧 요금 정책의 문제가 됩니다.

웨이, 버지니아가 보여 주는 미리보기

웨이는 20년간 정체했던 미국 전력 수요가 AI와 데이터센터로 다시 늘어날 가능성에 투자자들의 관심이 쏠리고 있다는 데서 시작합니다. AI가 이끄는 전력 수요 증가는 아직 초기 단계이지만, 그 중심지가 될 가능성이 큰 버지니아의 데이터가 다가올 수요 급증을 미리 엿보게 해 준다는 것입니다.

데이터센터 수도의 전력 소비

버지니아는 데이터센터가 몰려 있어 미국 전체 전력 수요의 증가를 가늠하는 출발점으로 쓰기 좋습니다. 버지니아의 데이터센터는 코로나19 시기에 잠시 주춤했던 것을 빼면 2016년 말부터 빠르게 늘었고, 북버지니아는 미국에서 데이터센터가 가장 많은 곳입니다. 이와 함께 버지니아의 상업용 전력 소비는 2016-2023년에 37% 늘었는데, 같은 기간 다른 대부분의 주에서는 거의 늘지 않았습니다. 버지니아 안에서도 상업용 소비 증가가 다른 부문을 크게 앞질러, 2016-2023년 주거용은 3%, 산업용은 4% 오히려 줄었습니다.

도플갱어 기법으로 본 데이터센터의 몫

웨이는 이 증가에 데이터센터가 얼마나 기여했는지 추정하기 위해 통계적 도플갱어(doppelganger) 기법을 씁니다. 2010-2016년 버지니아 상업용 전력 소비와 미국 전체 소비 사이의 역사적 관계를 이용해, 데이터센터가 없었다면 버지니아 상업용 전력 소비가 어땠을지를 추정하는 방법입니다. 실제 소비와 이 가상의 소비 사이의 차이를 구하면, 데이터센터는 2023년 버지니아의 전력 소비를 2.2기가와트 늘렸습니다. 이는 그해 버지니아 전체 전력 소비의 15%로, 2016년에는 사실상 0%, 2019년에는 약 3%였던 것과 비교됩니다. 최근에는 인근 주로 데이터센터가 확장되고 송전 병목이 생기면서 버지니아의 증가 속도가 다소 느려졌습니다.

아직은 작지만 분명한 신호

웨이는 AI와 데이터센터가 미국 전력 수요를 끌어올리고 있다는 증거가 있지만, 그 규모는 아직 크지 않다고 정리합니다. 버지니아 데이터센터의 2023년 전력 수요 2.2기가와트는 미국 전체 전력 수요 470기가와트의 0.5%에 불과하고, 골드만삭스 주식 분석가들이 2030년까지 예상하는 데이터센터 수요 증가분 약 30기가와트의 7%에 그칩니다. 그래도 버지니아에서 최근 나타난 데이터센터 전력 수요의 증가 폭은 앞으로 미국 전체에 닥칠 전력 수요 급증의 크기를 엿보게 해 준다는 것이 그의 결론입니다.

[사후 맥락] 이 보고서가 나오고 6개월 뒤인 2024년 12월, 미국 에너지부의 의뢰로 로런스버클리국립연구소(LBNL)가 낸 데이터센터 에너지 보고서는 더 큰 숫자를 내놓았습니다. 데이터센터는 2023년 미국 전체 전력의 약 4.4%인 176테라와트시를 썼고, 이는 2014년 58테라와트시의 세 배 수준이었습니다. 보고서는 2028년 데이터센터 전력 소비가 325-580테라와트시, 미국 전체 전력의 6.7-12%에 이를 것으로 내다봤습니다.

대븐포트가 데이터센터 비중을 현재 약 3%, 2030년 8%로 본 것과 비교하면, 출발점도 더 높고 상단 전망은 2년 이른 시점에 그 수준을 넘어섭니다. 다만 두 추정은 측정 기준과 대상 범위가 달라 직접 비교에는 한계가 있습니다.

간돌피, 유럽 전력 수요의 반전

간돌피는 골드만삭스의 유럽 유틸리티 리서치를 이끄는 분석가입니다. 그는 AI 데이터센터의 확장이 앞으로 10년 동안 유럽의 전력 수요를 끌어올릴 것이며, 그 혜택은 그가 ‘전기화 복리성장주(Electrification Compounders)’라고 부르는 유틸리티에 돌아갈 것이라고 주장합니다.

15년간 줄어든 수요가 돌아선다

지난 15년 동안 유럽의 전력 수요는 잇단 외부 충격을 맞았습니다. 글로벌 금융위기, 코로나19 팬데믹, 2022년 에너지 위기, 예상보다 느린 전기화, 그리고 대륙 경제의 지속적인 탈산업화입니다. 그 결과 유럽의 전력 소비는 2008년 정점에서 약 10% 줄었습니다. 간돌피는 이 하락 추세가 뒤집힐 문턱에 있다고 봅니다. 생성형 AI 기술의 확산에 따른 데이터센터의 빠른 확장과 전기화의 점진적 가속이 겹치면, 앞으로 10년간 유럽의 전력 수요가 약 40-50% 늘어날 수 있다는 것이 그의 추정입니다.

AI 데이터센터라는 새 동력

전통적인 데이터센터는 그동안 세 갈래 수요를 맞추며 빠르게 늘었습니다. 클라우드 저장, 소셜미디어, 영화 스트리밍의 인기에 따른 개인 고객의 수요, 연산과 저장 수요가 커진 서비스 산업의 수요, 그리고 구글, 아마존, 메타, 마이크로소프트 같은 대형 기술 기업의 수요입니다. 그럼에도 데이터센터는 현재 세계 전력 수요의 1%를 조금 넘는 데 그칩니다. 간돌피의 보수적인 기본 시나리오는 전통적 데이터센터의 확장만으로도 앞으로 10년 동안 유럽 전력 수요가 약 10-15% 늘 수 있다고 가정합니다.

여러 연구에 따르면 AI 데이터센터는 특히 학습 단계에서 전통적 데이터센터보다 최대 약 10배의 에너지를 쓸 수 있습니다. 실제로 ChatGPT 질의 한 번은 2.9와트시로, 0.3와트시인 구글 검색 한 번보다 전력을 10배 가까이 씁니다. 간돌피는 골드만삭스 기술 분석가들의 세계 AI 칩 출하 전망, 에너지 효율에 대한 보수적 가정, 미국 대비 유럽의 시장 점유율 하락을 바탕으로, AI 데이터센터와 전기화가 앞으로 10년간 유럽 전력 수요를 40% 넘게 끌어올릴 수 있다고 추정합니다.

낙관 시나리오도 있습니다. 데이터센터 시장에서 유럽의 점유율이 25%로 조금 더 높고, 앞으로 공급되는 서버에서 효율 개선이 전혀 없다고 가정하면 앞으로 10년간 누적 전력 소비 증가율은 약 50%에 이를 수 있습니다. 기본 시나리오에서도 앞으로 10년간 AI 데이터센터와 전통적 데이터센터가 유럽에서 추가로 쓸 전력은, 지금 네덜란드와 포르투갈, 그리스가 쓰는 전력을 모두 합친 것과 맞먹는다고 간돌피는 계산합니다.

수요는 일부 지역에 몰린다

간돌피는 이 전력 수요가 두 부류의 지역에 크게 집중될 것으로 봅니다. 첫째는 풍력, 태양광, 수력, 원자력 비중이 높아 값싸고 풍부한 기저 전력을 누리는 나라들로, 북유럽 국가와 스페인, 프랑스가 여기에 속합니다. 둘째는 금융 서비스가 강하거나 대형 기술 기업의 거점 역할을 하는 나라, 그리고 데이터센터를 유치하고 전기화 기술의 빠른 도입을 지원하는 인센티브를 기꺼이 제공하는 나라들로, 독일과 영국, 아일랜드가 꼽힙니다.

현재 이 두 부류의 나라는 유럽 전체 전력 소비의 4분의 3 가까이를 차지합니다. 간돌피는 이 나라들이 데이터센터에서 늘어나는 전력 수요의 85-95%를 흡수한다고 가정하면, 이 지역의 전력 소비가 앞으로 10년간 10-15% 늘 수 있다고 봅니다.

해설 간돌피가 데이터센터 수요가 몰릴 나라로 꼽은 아일랜드는 이미 그 집중이 어떤 모습인지 보여 줍니다. 아일랜드 중앙통계청에 따르면 2023년 데이터센터는 아일랜드 전체 계량 전력 소비의 21%를 조금 넘게 썼는데, 이는 2015년 약 5%에서 네 배 넘게 늘어난 것이고 도시 가구 전체의 소비 비중 18%보다도 높았습니다. 앞서 재너스가 언급한 더블린의 사실상 신규 데이터센터 연결 유예는 이런 배경에서 나온 조치였습니다. 데이터센터를 유치하려는 인센티브와 전력망의 한계가 한 나라 안에서 정면으로 부딪힌 사례입니다.

전력망과 재생에너지가 답이다

간돌피는 이들 지역의 빠른 데이터센터 확장과 함께, 유럽에서 대대적인 전기화를 시작할 리파워EU(REPowerEU) 계획이 앞으로 10년간 유럽 전력 수요를 약 40-50% 늘릴 것으로 추정합니다. 이 막대한 수요 증가에 대응하는 데는 전력망과 재생에너지에 대한 투자가 핵심 역할을 할 가능성이 큽니다.

전력망에서는 구조적인 설비투자 슈퍼사이클이 다가오고 있어, 유럽의 전력망 투자가 지역에 따라 80-100% 빨라질 것으로 그는 예상합니다. 재생에너지에서는 앞으로 10-15년 동안 유럽이 풍력과 태양광을 800기가와트 가까이 추가해, 현재 설치량의 세 배 가까이로 늘릴 것으로 봅니다.

전기화 복리성장주를 보라

간돌피는 영업과 재무 양면의 레버리지가 높은 유럽 유틸리티 산업에서, 다가오는 전력 수요의 변곡점이 매출과 그에 따른 이익에 상당히 긍정적인 영향을 줄 것으로 봅니다. 이 매출 증가는 데이터센터 확산과 전기화를 가능하게 하는 핵심 인프라인 전력망과 재생에너지에서 구조적인 내생적 성장을 촉발할 가능성도 큽니다. 그래서 그는 이익의 대부분을 전력망과 재생에너지에서 키우는 유틸리티, 곧 전기화 복리성장주를 위험 대비 보상이 매우 매력적인 전력 수요 증가 추세의 주요 수혜자로 꼽습니다.

[반론] 간돌피가 인용한 ChatGPT 질의 1회 2.9와트시라는 수치는 이후 여러 곳에서 과대 추정이라는 반박을 받았습니다. 비영리 연구기관 Epoch AI는 2025년 2월, 출력 약 500토큰의 일반적인 GPT-4o 질의는 약 0.3와트시를 쓴다고 추정했습니다. 이는 2023년 추정치 약 3와트시의 10분의 1로, 예전 추정이 질의당 토큰 수를 크게 잡고, 구형 A100 서버와 최대 전력 소비를 가정했기 때문이라고 설명했습니다. 다만 같은 분석에서도 입력이 긴 질의는 1만 토큰이면 약 2.5와트시, 10만 토큰이면 40와트시 가까이로 급격히 늘어납니다.

기업 쪽에서도 낮은 수치가 나왔습니다. 올트먼은 2025년 6월 평균적인 ChatGPT 질의가 약 0.34와트시를 쓴다고 밝혔고, 구글은 같은 해 8월 데이터센터 냉방과 대기 장비까지 포함해 제미나이(Gemini) 텍스트 질의의 중간값이 0.24와트시이며 1년 만에 질의당 에너지가 33분의 1로 줄었다고 공개했습니다. 질의당 에너지가 이렇게 줄어들더라도 전체 수요는 질의 수와 사용 방식에 따라 결정되므로, 간돌피의 총수요 전망을 곧바로 뒤집는 근거는 아닙니다.

하리와 반도체팀, 칩이 성장의 속도를 정한다

하리가 이끄는 골드만삭스 미국 반도체팀은 반도체 산업의 공급 제약이 앞으로 몇 년 동안 AI 성장을 제한하는 요인으로 남을 것이라고 봅니다. 생성형 AI의 인기가 계속 커지면서 엔비디아의 GPU부터 대형 클라우드 기업이 직접 설계한 맞춤형 칩까지 AI 칩 수요가 치솟았고, 반도체 산업이 이를 따라갈 수 있느냐는 질문이 나왔습니다. 이들은 2024년 하반기부터 2025년 초까지 AI 칩 출하량을 결정하는 것은 수요가 아니라 공급이 될 것으로 예상합니다. 고대역폭 메모리 기술과 칩온웨이퍼온서브스트레이트 패키징이라는 두 핵심 영역에서 공급이 막혀 있기 때문입니다.

공급이 모자란 HBM 시장

AI 응용에는 동적 랜덤 액세스 메모리(DRAM) 가운데 HBM과 DDR SDRAM 두 종류가 쓰입니다. HBM은 집적회로를 새긴 작은 반도체 조각인 DRAM 다이 여러 개를 기반 논리 다이 위에 쌓아 올린 혁신적인 메모리 기술입니다. 이렇게 쌓으면 GPU나 AI 칩과 데이터를 주고받는 대역폭이 넓어져 더 높은 성능을 낼 수 있습니다.

반도체팀은 HBM 시장이 앞으로 몇 년간 연평균 약 100% 성장해 2023년 23억 달러에서 2026년 302억 달러로 커질 것으로 예상합니다. 기존 DRAM 3사인 삼성전자(Samsung), SK하이닉스(SK Hynix), 마이크론(Micron)이 기하급수적으로 늘어나는 수요에 맞추기 위해 전체 비트 공급에서 HBM에 배정하는 비중을 계속 늘리고 있기 때문입니다.

이런 증산에도 이 기간 HBM 수요는 공급을 앞지를 가능성이 큽니다. 칩 하나에 들어가는 HBM 용량이 계속 늘고, 주요 공급사들이 공급 규율을 지키고 있기 때문입니다. 그래서 반도체팀은 HBM 공급 부족률을 2024년 3%, 2025년 2%, 2026년 1%로 전망합니다. 실제로 엔비디아와 AMD가 최근 내놓은 데이터센터 GPU 제품 로드맵을 보면 칩당 필요한 HBM의 양은 꾸준히 늘어날 전망입니다. 게다가 다이를 쌓는 공정이 복잡해 HBM의 제조 수율은 일반 DRAM보다 낮고, 이것이 공급사의 생산능력 확대를 제약합니다.

해설 HBM이 AI의 병목이 된 배경에는 흔히 ‘메모리 벽(memory wall)’이라 부르는 문제가 있습니다. GPU의 연산 능력은 빠르게 늘었지만, 연산에 필요한 데이터를 메모리에서 꺼내 오는 속도는 그만큼 빨라지지 않았습니다. 대규모 언어모델은 수천억 개의 매개변수를 끊임없이 메모리에서 불러와야 하므로, 연산 장치가 데이터를 기다리며 노는 시간이 성능을 좌우합니다.

HBM은 메모리 칩을 수직으로 쌓고 수많은 미세 통로로 연결해 한꺼번에 많은 데이터를 보내도록 만든 해법입니다. 그런데 이렇게 넓은 통로를 쓰려면 HBM을 GPU 바로 옆에 붙여야 하고, 두 칩을 한 기판 위에서 촘촘히 잇는 기술이 바로 다음에 나오는 CoWoS 같은 첨단 패키징입니다. 그래서 HBM과 CoWoS는 따로 떨어진 병목이 아니라 같은 문제의 두 얼굴에 가깝습니다.

병목에 걸린 패키징

또 하나의 핵심 공급 병목은 CoWoS라는 특정한 형태의 첨단 패키징입니다. CoWoS는 실리콘 인터포저 위에 여러 다이를 나란히 올려 고성능 컴퓨팅(HPC) 응용에 필요한 높은 연결 밀도와 성능을 내는 2.5차원 웨이퍼 단위 다중 칩 패키징 기술입니다. 이 첨단 패키징 용량은 2022년 말 ChatGPT가 등장한 뒤로 계속 부족했습니다.

TSMC와 몇몇 CoWoS 공급사가 생산능력을 늘리는 중이지만, 이 공급 부족은 분명히 AI 칩 수요를 충족하는 데 관문 역할을 하고 있습니다. 엔비디아와 AMD 같은 범용 칩 업체는 물론 ASIC 공급사들도 CoWoS 용량이 빠듯하다고 계속 강조합니다. 공급이 언제 수요를 따라잡을지 예측하기는 어렵지만, 골드만삭스 기술 분석가들은 TSMC의 CoWoS 생산능력이 올해 두 배 넘게, 2025년에 다시 두 배 가까이 늘어 계속되는 강한 AI 칩 수요에 대응할 것으로 봅니다. 이들의 추정으로 TSMC의 연간 CoWoS 생산능력은 2023년 14만 4,000장에서 2024년 31만 9,000장, 2025년 60만 장으로 늘어납니다.

그래서 반도체팀은 칩 공급이 결국 강한 수요를 따라잡을 것으로 예상합니다. 다만 핵심 부품의 제약 속에서 앞으로 몇 년은 고통스러울 가능성이 크다는 것이 이들의 결론입니다.

[한국 관점] 이 절은 한국 산업과 가장 직접적으로 맞닿은 대목입니다. 반도체팀이 HBM 공급사로 꼽은 세 회사 가운데 둘이 한국 기업이고, 이들이 공급 부족의 원인으로 든 공급 규율과 비트 배분 전략도 사실상 한국 기업들의 선택에 달려 있습니다. 실제로 시장조사기관 카운터포인트리서치(Counterpoint Research)에 따르면 SK하이닉스는 2025년 1분기 세계 DRAM 매출 점유율 36%로 처음으로 삼성전자를 제치고 1위에 올랐고, HBM 시장에서는 약 70%의 점유율을 기록했습니다. HBM 공급 부족이 이어진다는 골드만삭스의 전망은 결과적으로 한국 메모리 산업 안에서도 순위를 바꾸는 힘으로 작동했습니다.

다만 한국 메모리 기업의 HBM 판매는 그 자체로 완결되지 않습니다. HBM은 GPU와 함께 CoWoS 같은 첨단 패키징을 거쳐야 제품이 되므로, 한국 기업의 HBM 출하 속도는 대만 TSMC의 패키징 용량 확대 속도에 묶여 있습니다. 메모리 강국인 한국이 AI 칩 공급망에서 차지하는 위치가 강력하면서도 독립적이지 않다는 점을 이 절의 두 병목이 함께 보여 줍니다.

[사후 맥락] 패키징 병목은 보고서의 예상보다 오래 이어졌습니다. 대만 언론과 업계 추정을 인용한 트렌드포스(TrendForce)의 2025년 12월 보도에 따르면, TSMC의 CoWoS 생산능력은 2025년 말 월 7만 5,000-8만 장 수준에 이르렀고 2026년 말에는 월 12만-13만 장까지 늘어날 계획입니다. 그런데도 같은 보도는 TSMC의 주요 CoWoS 공정 용량이 엔비디아, 구글, 아마존 등의 주문으로 이미 모두 예약된 상태이며, 고객들이 외부 패키징 업체로 눈을 돌리고 있다고 전했습니다. 생산능력이 보고서의 전망만큼, 혹은 그 이상으로 늘었는데도 수요가 계속 앞서 나간 셈입니다.

해먼드, AI 수혜의 다음 단계

해먼드는 골드만삭스의 수석 미국 주식 전략가입니다. 그는 최근의 상승에도 불구하고 미국 주식시장에서 AI 투자가 더 이어질 여지가 있다고 봅니다.

밸류에이션은 높지만 버블 수준은 아니다

AI 테마는 계속 미국 주식시장을 사상 최고치로 끌어올리고 있습니다. 많은 AI 수혜주가 크게 올랐고, 엔비디아는 2023년 초 이후 709%의 수익률을 기록하며 잠시 S&P 500에서 시가총액이 가장 큰 종목이 되기도 했습니다. AI 낙관론으로 대형 기술주 상당수의 밸류에이션이 높아졌지만, 해먼드는 기술·미디어·통신(TMT) 상위 10개 종목의 주가수익비율(P/E) 31배가 기술주 버블 정점의 52배, 2021년 말의 43배에 비하면 낮다고 지적합니다. 더 넓게 보면 AI 테마는 더 갈 여지가 있고, 투자자들이 AI 투자의 다음 단계를 바라보면서 수혜 범위가 넓어질 것이며, 특히 유틸리티가 혜택을 볼 것이라는 것이 그의 판단입니다.

AI 투자의 네 단계

해먼드는 AI 투자를 네 단계로 나눕니다. 2023년 초에 시작된 1단계는 가장 분명한 단기 수혜자인 엔비디아에 집중합니다. 2단계는 AI 인프라로, 반도체 기업 전반, 클라우드 사업자, 데이터센터 리츠(REIT), 하드웨어와 장비 기업, 보안 소프트웨어, 유틸리티가 여기에 들어갑니다. 3단계는 AI를 제품에 쉽게 접목해 매출을 늘릴 수 있는 사업 모델을 가진 기업으로 주로 소프트웨어와 IT 서비스 기업이고, 4단계는 AI의 광범위한 도입과 생산성 향상으로 이익이 가장 크게 늘어날 수 있는 기업들입니다.

1단계는 이미 한창 진행 중입니다. 엔비디아는 올해 들어 139% 올라 S&P 500의 연초 대비 수익률 15% 가운데 28%를 혼자 기여했고, 그 결과 투자자들의 관심은 점점 2단계 수혜주로 옮겨 가고 있습니다. 2024년 1분기 실적 시즌은 최대 대형 기술 기업 상당수가 AI 관련 설비투자에 수십억 달러를 쓸 계획임을 확인시켰고, 이는 AI 인프라 공급망에 있는 2단계 기업들에 혜택이 됩니다. 실제로 2단계 평균 종목은 올해 22% 올랐지만, 3단계는 2% 내렸고 4단계는 2% 오르는 데 그쳤습니다.

유틸리티라는 AI 투자

2단계 안에서 유틸리티는 인기 있는 AI 투자로 떠올랐습니다. 유틸리티는 3월부터 5월까지 16% 올라 S&P 500에서 가장 좋은 성과를 낸 업종이 됐습니다. 이 3개월 수익률은 2002년 이후 상위 98번째 백분위에 해당하고, 이보다 높았던 것은 2003년과 2020년의 반등뿐입니다. 동일가중 S&P 500과 비교해도 14%포인트 앞서 역대 97번째 백분위를 기록했습니다.

이런 강세에도 해먼드는 이 업종이 여전히 매력적이라고 봅니다. 투자자에게 AI 노출과 방어력이라는 두 가지를 동시에 주기 때문입니다. 첫째, 골드만삭스 주식 분석가들은 AI 수요, AI 외 수요, 에너지 효율 개선 속도의 둔화가 한 세대에 한 번 있을 조합을 이루며, 지난 10년 동안 거의 늘지 않던 미국 전력 수요가 2022-2030년 연평균 2.4% 늘어날 것으로 봅니다. 이 수요 증가는 유틸리티 기업들의 추가 설비투자로 이어질 텐데, 수익률이 제한된 규제 사업자가 많은 유틸리티에게 설비투자는 늘어나는 수요를 실제 이익으로 붙잡기 위한 필수 조건입니다.

둘째, 거시적 관점에서 유틸리티는 투자 포트폴리오에 방어적 성격을 더해 주며, 2023년 하반기 이후처럼 경제 성장이 둔화될 때 혜택을 봅니다. 골드만삭스 이코노미스트들은 이 둔화를 부른 요인 상당수가 앞으로도 이어질 것으로 봅니다.

밸류에이션도 따져 볼 만합니다. 유틸리티 업종의 P/E 16.8배는 1995년 이후 77번째 백분위로 장기 역사에 비하면 높지만, 10년 평균과는 비슷하고 2020년과 2022년의 정점 21배보다 한참 낮습니다. 동일가중 S&P 500 대비로는 1995년 이후 58번째 백분위에 해당합니다. 이 업종이 경험한 장기 주당순이익 성장 기대의 개선까지 반영하면, 유틸리티의 주가이익성장비율(PEG)은 2배로 역사적 평균 3배보다 한참 아래에 있다고 해먼드는 지적합니다.

해설 유틸리티가 채권 대용물(bond proxy)로 불리는 이유는 수익 구조에 있습니다. 규제 유틸리티는 요금이 승인된 수익률에 묶여 있어 이익이 안정적이고, 그 이익의 상당 부분을 배당으로 꾸준히 지급합니다. 투자자 입장에서는 채권 이자처럼 예측 가능한 현금흐름을 주는 자산이어서, 금리가 오르면 채권 수익률과의 경쟁에서 밀려 주가가 약해지는 경향이 있습니다.

해먼드가 쓴 PEG는 P/E를 장기 이익 성장률로 나눈 지표입니다. 같은 P/E라도 이익이 빨리 늘어나는 회사는 덜 비싼 것으로 볼 수 있으므로, AI로 전력 수요 전망이 좋아져 성장 기대가 오른 유틸리티는 P/E가 올랐는데도 PEG로는 오히려 싸 보이게 됩니다. 채권처럼 거래되던 업종이 성장주처럼 평가받기 시작했다는 것이 이 숫자의 의미입니다.

순항 중이지만 위험은 있다

해먼드는 유틸리티가 AI 기술 확산의 혜택을 계속 받을 것으로 예상하면서도, 높은 금리를 이 업종의 위험으로 꼽습니다. 유틸리티는 채권 대용물로 여겨져 채권 금리가 오를 때 대개 부진하기 때문입니다. 다만 골드만삭스 금리 전략가들은 금리가 더 오를 것으로 보지 않고, 미국 연방준비제도의 제롬 파월(Jerome Powell) 의장도 최근 금리 인상 재개 가능성을 일축했습니다.

더 넓게 보면 그는 AI에 대한 지속적인 투자가 그 투자에 노출된 2단계 기업들의 초과 성과를 이끌 것으로 예상합니다. 하지만 경제 성장이 예상보다 급격히 둔화하거나, AI가 충분한 투자수익을 내지 못한다는 신호가 나오거나, AI 선도 기업들이 실적에서 노골적으로 기대에 못 미치면, 투자자들이 AI 수혜주로 여겨지던 종목들의 밸류에이션을 낮출 수 있다고 경고합니다.

[한국 관점] 해먼드가 2단계로 묶은 전력 인프라 수혜는 한국 증시에서도 비슷한 시기에 뚜렷하게 나타났습니다. 재너스가 핵심 부품의 납기가 크게 길어졌다고 지적한 변압기가 대표적입니다. 변압기를 만드는 HD현대일렉트릭(HD Hyundai Electric)은 2024년 영업이익이 6,690억 원으로 전년보다 112% 늘었고, 연간 수주는 약 38억 달러로 목표를 넘겼습니다. 회사는 데이터센터 확산과 노후 설비 교체에 따른 북미 고용량 변압기 수요를 성장 요인으로 꼽으며, 울산 신공장과 미국 앨라배마 법인 2공장에 초고압 변압기 증설 투자를 결정했습니다.

미국에서는 전력 수요의 혜택이 규제 유틸리티와 발전사 주가로 흘렀다면, 한국에서는 유틸리티가 아니라 그 유틸리티에 장비를 파는 전력기기 제조사로 흘렀다는 점이 다릅니다. 한국의 전력 판매는 한국전력이 사실상 독점하고 요금이 정부 승인으로 정해져, 수요 증가가 곧바로 상장 유틸리티의 이익 성장 기대로 이어지는 미국식 구조가 아니기 때문입니다.

[사후 맥락] 해먼드의 2단계 전망은 2024년 내내 강하게 맞아떨어졌습니다. 2024년 10월 초 기준으로 독립 발전사 비스트라(Vistra)는 연초 대비 약 230% 올라 엔비디아(약 140%)를 제치고 S&P 500 최고 수익률 종목이 됐고, 마이크로소프트와 스리마일섬 원전 재가동 계약을 맺은 콘스텔레이션에너지도 약 130% 올랐습니다.

반면 3단계로 분류된 소프트웨어는 전혀 다른 길을 걸었습니다. 2026년 2월, 앤트로픽과 오픈AI가 기업 업무를 직접 수행하는 AI 에이전트 도구를 잇달아 내놓자 투자자들은 AI가 소프트웨어 기업의 매출을 늘리기보다 대체할 수 있다고 우려했습니다. 2월 4일 하루에만 소프트웨어 업종 시가총액 약 3,000억 달러가 사라졌고, 대표적인 소프트웨어 상장지수펀드는 그달에만 약 30% 떨어졌습니다. AI를 제품에 접목해 매출을 늘린다는 3단계의 전제가 AI가 제품 자체를 대체한다는 우려로 뒤집힌 셈입니다.

뮐러글리스만, 평균 이상의 수익률에 필요한 조건

뮐러글리스만은 골드만삭스의 수석 멀티에셋 전략가입니다. 그는 S&P 500이 향후 10년간 평균 이상의 장기 수익률을 내려면 AI가 상당히 유리한 방향으로 전개되어야 할 수 있다고 분석합니다.

이미 가격에 반영된 낙관

AI 낙관론은 주식 밸류에이션과, 시장에 내재된 S&P 500의 장기 성장 기대를 크게 끌어올렸습니다. 1920년대, 1950-1960년대, 1990년대 말 기술이 이끈 생산성 붐 때와 비슷한 모습입니다. 그런데 지금 미국 10년 만기 국채 금리는 장기 중앙값을 웃돌고, 글로벌 금융위기 이후 사이클과 비교하면 훨씬 높습니다. 그 결과 주식이 무위험 자산인 채권보다 더 벌 것으로 기대되는 초과 수익, 곧 미국의 주식위험프리미엄(equity risk premium) 추정치는 글로벌 금융위기 이후 가장 낮은 수준에 가까워지고 있습니다.

AI가 약속하는 생산성 향상은 이익 성장을 높여 주식에 도움이 될 수 있습니다. 하지만 뮐러글리스만은 주가가 생산성 향상이 실현되기 전에 이를 미리 반영하는 경우가 많아, 너무 비싸게 살 위험이 커진다고 지적합니다. 그리고 새로 만든 장기 수익률 예측 틀을 적용해 보면, S&P 500이 앞으로 10년간 평균 이상의 수익률을 내려면 AI가 매우 유리한 시나리오로 전개되어야 할 수 있다는 결론이 나옵니다.

높은 밸류에이션, 높은 내재 성장률

AI 낙관론에 따른 기술 업종의 큰 초과 성과는 로버트 실러(Robert Shiller)가 고안한 경기조정 지표인 S&P 500의 실러 P/E를 1900년 이후 97번째 백분위라는 이례적으로 높은 수준으로 밀어 올렸습니다. 동시에 시장은 장기 실질 성장률을 4.7% 가까이로 가격에 반영하고 있습니다. 이는 1950년 이후 평균인 2.7%보다 훨씬 높지만, 기술주 버블 정점 때보다는 꽤 낮은 수준입니다.

이 내재 성장률은 단일 단계 배당할인모형으로 구한 값입니다. 주식위험프리미엄을 4%로 가정하고, 이 값에 10년 만기 국채 금리를 더한 뒤 배당수익률과 10년 기대인플레이션을 빼는 방식입니다. 미국 기술주 상당수가 배당을 하지 않는다는 점을 감안해 1900년 이후 배당성향이 같다고 가정하면, 내재 실질 성장률은 3.9%로 조금 낮아집니다.

해설 이 계산은 배당할인모형의 가장 단순한 형태인 고든 성장모형(Gordon growth model)에서 나옵니다. 이 모형에서 주식의 기대수익률은 배당수익률에 배당의 장기 성장률을 더한 값입니다. 기대수익률을 다시 국채 금리와 주식위험프리미엄의 합으로 보면, 장기 성장률은 ‘국채 금리 더하기 주식위험프리미엄 빼기 배당수익률’로 거꾸로 구할 수 있고, 여기서 기대인플레이션을 빼면 실질 성장률이 됩니다.

주가가 비싸질수록 배당수익률은 낮아지고, 그만큼 시장이 미래에 더 높은 성장을 기대하고 있다는 뜻이 됩니다. 주식위험프리미엄을 4%로 고정하고 구한 4.7%는, 투자자가 예전과 같은 위험 보상을 원한다면 경제가 1950년 이후 평균보다 2%포인트 빠르게 성장해야 지금의 주가가 정당화된다는 의미로 읽을 수 있습니다.

성장만이 아니라 수익성이 중요하다

하지만 뮐러글리스만은 높은 주식 밸류에이션이 경제 성장에 대한 낙관만이 아니라 미국 기업의 높은 수익성도 반영한다고 강조합니다. 그의 분석에 따르면 제2차 세계대전 이후 인플레이션과 기업 수익성의 추세가 S&P 500 밸류에이션에 큰 영향을 미쳤습니다. 주식 밸류에이션은 1970년대에 훨씬 낮았지만, 1990년대 이후 인플레이션이 낮고 안정적으로 고정되면서 높아졌습니다. 1990년대 이후 수익성이 매우 높은 미국 기술 업종의 비중이 커지면서 자기자본이익률(ROE)이 높아진 것도, 최근 30년의 평균 실러 P/E가 1960년대보다 높은 이유를 설명합니다. 대형 미국 기술 기업의 높은 수익성과 높은 재투자에 따른 복리 효과가 주주 수익률을 끌어올리고 더 높은 밸류에이션을 뒷받침했다는 것입니다.

생성형 AI의 등장과 그에 따른 과업 자동화 가능성은 생산성 증가를 높이고 다시 기업 수익성을 끌어올려 이 흐름을 이어 갈 수 있습니다. 다만 이는 기술의 혜택이 소비자, 기업, 정부 사이에 어떻게 나뉘느냐에도 달려 있습니다. 미국 기업 이익이 GDP에서 차지하는 비중은 이미 제2차 세계대전 이후 최고 수준에 가깝고 노동소득 비중은 사상 최저 수준에 가까워, 기업 수익성이 매우 높은 상태입니다.

게다가 앞으로는 기업 부문이 경제 전체보다 더 좋은 성과를 내기 어렵게 만들 역풍이 여럿 있습니다. 뮐러글리스만은 노동력 부족, 공급망 다변화와 생산시설의 국내 회귀, 반독점을 비롯한 규제 강화, 더 높은 금리, 탈탄소와 기후변화에 따른 위험, 그리고 세금 인상 가능성을 꼽습니다.

네 가지 시나리오

지금의 높은 밸류에이션과 변화하는 거시 여건이 장기 주식·채권 수익률에 어떤 영향을 줄지 평가하기 위해, 뮐러글리스만은 출발점의 밸류에이션과 추세 GDP 성장률, 인플레이션, 수익성 전망을 함께 넣은 자산 간 장기 수익률 예측 틀을 만들었습니다. 서로 다른 구조적 경기 시나리오를 통제하기 위한 장치입니다. 그는 AI가 추세 성장률, 인플레이션, 수익성에 미치는 영향이 서로 다른 네 시나리오에 초점을 맞춥니다.

시나리오 1 — AI가 추세 GDP 성장률을 4%로 크게 끌어올리고, 인플레이션은 1990년대 이후 평균과 비슷한 2%이며, S&P 500의 ROE가 정점 수준인 21%로 돌아가는 경우입니다.
시나리오 2 — 추세 성장률이 3%로 소폭 오르고, 인플레이션은 2%, ROE는 현재 수준에 머무는 경우입니다.
시나리오 3 — 추세 성장률이 3%로 소폭 오르지만 인플레이션이 3%로 높아지고, ROE는 현재 수준에 머무는 경우입니다.
시나리오 4 — 추세 성장률이 3%로 소폭 오르고 인플레이션은 2%이지만, ROE가 1990년대 이후 평균인 15%로 내려가는 경우입니다.

가장 낙관적인 경우가 아니면

분석 결과는 분명합니다. 구조적 성장과 인플레이션의 조합이 크게 개선되고 미국 기업 수익성이 정점에 이르는 가장 강세의 AI 시나리오를 빼면, 나머지 모든 시나리오에서 S&P 500의 수익률은 1950년 이후 평균을 밑돌 것으로 뮐러글리스만은 예측합니다. 결정적으로 중요한 것은 AI가 기업 수익성에 미치는 영향입니다. ROE가 1990년대 이후 평균으로 돌아가기만 해도 향후 10년간 주식 밸류에이션과 수익률이 크게 짓눌릴 것입니다. 그런 시나리오에서는 주식이 채권보다 나은 성과를 내기 어려워, 주식 위험을 떠안는 데 따른 보상이 거의 없고 기대 주식위험프리미엄도 낮아진다는 것이 그의 결론입니다.

[한국 관점] 뮐러글리스만이 밸류에이션의 핵심 변수로 수익성을 강조한 대목은, 한국 증시가 오래 겪어 온 저평가 문제와 맞닿아 있습니다. 한국 증시는 비슷한 이익을 내는 해외 기업보다 낮은 밸류에이션을 받는 이른바 코리아 디스카운트로 오랫동안 설명되어 왔고, 그 원인으로 낮은 자기자본이익률과 주주환원 부족이 자주 꼽힙니다. 2024년 2월 정부가 발표한 기업 밸류업 지원방안이 상장사에 자기자본이익률 같은 지표와 개선 계획을 공시하도록 권한 것도 같은 문제의식입니다.

이 틀로 보면 AI가 한국 기업의 밸류에이션을 끌어올리는 경로는 AI 관련 매출 성장 자체보다, 그 성장이 얼마나 높고 지속적인 자기자본이익률로 이어지느냐에 달려 있습니다. 메모리 반도체처럼 업황에 따라 이익이 크게 출렁이는 산업이 한국 증시에서 큰 비중을 차지한다는 점은, 안정적으로 높은 수익성을 내 온 미국 기술 대형주와 다른 조건입니다.

[사후 맥락] 이 보고서가 나오고 넉 달 뒤인 2024년 10월, 데이비드 코스틴(David Kostin)이 이끄는 골드만삭스 주식전략팀은 S&P 500의 향후 10년 연평균 명목 총수익률을 3%로 전망했습니다. 1930년 이후 10년 수익률 가운데 하위 7번째 백분위에 해당하는 수준으로, 모델이 제시한 범위는 연 7%에서 마이너스 1%였고 주식이 채권보다 못한 성과를 낼 확률은 72%로 추정됐습니다. 높은 밸류에이션과 소수 대형주로의 집중이 주된 이유였습니다.

밸류에이션은 그 뒤로도 더 올랐습니다. 2025년 12월 S&P 500의 실러 P/E는 39-40 안팎이었고, 1870년대 이후 이 지표가 40을 넘은 것은 정점이 44 안팎이던 닷컴 버블 때와 이번 두 번뿐이라는 분석이 나왔습니다.

원문: Goldman Sachs, Gen AI: Too Much Spend, Too Little Benefit? (Jun 2024)
전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

샘 올트먼 – 온화한 특이점 (The Gentle Singularity) — 이 보고서의 회의론자들과 정반대로 AI가 경제와 과학을 빠르게 바꿀 것이라고 보는 글이어서 두 시각을 나란히 견주어 볼 수 있습니다.
데이비드 칸 – AI의 6,000억달러 질문 (AI’s $600B Question) — 같은 달에 나온 글로, AI 인프라 지출과 실제 매출 사이의 간극을 구체적인 숫자로 계산해 코벨로의 질문을 보완합니다.
하워드 막스 – 이것은 버블인가? (Is It a Bubble?) — 코벨로와 셰리든이 엇갈리게 답한 버블 여부를 투자 역사와 순환거래 사례로 다시 따져 보는 글입니다.
아빈드 나라야난·사야시 카푸어 – 일반 기술로서의 AI (AI as Normal Technology) — 기술의 확산이 느리게 일어난다는 논리를 체계적으로 펼쳐 애스모글루의 시점 논쟁을 이해하는 데 도움이 됩니다.