메리 미커 외 – 트렌드: 인공지능 (Trends: Artificial Intelligence)

원문: Mary Meeker, Jay Simons, Daegwon Chae, Alexander Krey, Trends – Artificial Intelligence (May 2025) 전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 메리 미커 외의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

「Trends – Artificial Intelligence」는 벤처투자사 BOND의 메리 미커(Mary Meeker)와 제이 사이먼스(Jay Simons), 채대권(Daegwon Chae)을 비롯한 네 명이 2025년 5월에 내놓은 340쪽 분량의 자료입니다. 읽는 글이라기보다 차트 모음에 가까우며, 저자들은 흩어진 데이터 몇 개를 모아 보려다 자료가 괴물처럼 커져 버렸다고 스스로 밝힙니다. 자료가 답하려는 질문은 AI를 둘러싼 변화가 정말로 전례 없는 수준인지, 그렇다면 무엇으로 그것을 확인할 수 있는지입니다. 답을 내놓는 방식은 논증이 아니라 축적이어서, 사용자와 사용량, 학습·추론 비용, 설비투자와 데이터센터, 수익화와 손실, 미국과 중국의 경쟁, 물리 세계와 노동이라는 여덟 개 부에 걸쳐 오른쪽 위로 향하는 곡선을 쌓아 올립니다. 곡선들이 모두 같은 방향을 가리킨다는 사실 자체가 이 자료의 결론에 해당합니다. 저자들은 지금이 위험하고 불확실한 시기임을 인정하면서도, 긴 시간을 두고 보면 낙관이 가장 나은 베팅이라는 쪽에 섭니다.

핵심 내용 정리

• AI의 확산 속도는 인터넷 초기와 비교해도 전례가 없으며, ChatGPT는 사용자와 사용량과 수익화 지표 모두에서 역사상 가장 빠른 성공 사례입니다.
• 인터넷은 미국에서 시작해 세계로 천천히 퍼졌지만, ChatGPT는 처음부터 세계 여러 지역에서 동시에 자랐습니다.
• 모델 학습 비용은 계속 오르는 반면 토큰당 추론 비용은 급격히 떨어지고 있고, 이 두 힘이 모델 성능의 수렴과 개발자 사용량의 급증을 함께 만들고 있습니다.
• 사용량과 비용과 손실이 같이 전례 없는 속도로 커지고 있어서, 수익화가 비용을 따라잡을 수 있는지는 아직 증명되지 않았습니다.
• 수익화를 위협하는 요인은 경쟁 격화와 오픈소스의 약진, 그리고 중국의 부상 세 가지입니다.
• AI는 화면 밖 물리 세계로도 빠르게 넘어가고 있으며, 위성 인터넷과 맞물려 다음 세대 인터넷 사용자는 처음부터 AI를 통해 접속하게 됩니다.
• AI에서의 우위가 지정학적 우위를 낳는 구도이며, 미국과 중국의 경쟁이 그 중심에 있습니다.

데이터 두더지잡기로 시작한 문서

BOND의 네 저자는 이 자료의 출발점이 거창한 기획이 아니었다고 밝힙니다. AI와 관련된 기초 추세를 모아 보려고 흩어진 데이터 몇 개를 붙이기 시작했는데, 그 작업이 손에서 벗어나 340쪽짜리 덩어리가 되었다는 것입니다. 차트 하나를 갱신하면 다른 차트도 갱신해야 하는 상황이 반복되었고, 저자들은 이를 데이터 두더지잡기라고 부릅니다. 이 패턴은 멈출 조짐이 없으며, 기존 기술기업과 신규 공격자와 국가가 벌이는 경쟁이 빨라질수록 더 복잡해질 것이라고 봅니다.

속도를 가늠하는 기준으로 저자들은 인터넷 초기의 체감을 끌어옵니다. 인터넷을 만든 사람 중 한 명으로 꼽히는 빈트 서프(Vint Cerf)는 1999년에 인터넷 업계의 1년은 개의 1년, 즉 보통 사람의 7년에 맞먹는다고 말했습니다. 당시 인터넷이 촉발한 변화 속도는 전례가 없는 것으로 받아들여졌습니다. 그런데 AI의 사용자와 사용량이 올라가는 속도는 그보다 뚜렷하게 빠르고, 저자들의 표현으로는 기계가 사람을 앞질러 갈 수 있는 국면입니다.

자료의 생김새도 그 속도를 그대로 드러냅니다. 사용자와 사용량과 매출 차트가 오른쪽 위로 향하고, 그 아래에는 지출 차트가 역시 오른쪽 위로 향하며 따라붙습니다. 저자들은 이 조합을 만들어 낸 조건을 세 가지로 정리합니다. 전 세계 55억 명이 연결된 기기로 접근하는 인터넷 기반 설비, 30년 넘게 쌓여 온 디지털 데이터셋, 그리고 2022년 11월 오픈AI(OpenAI)가 쓰기 쉽고 빠른 사용자 인터페이스와 함께 ChatGPT를 내놓으면서 사실상 풀려난 대규모 언어모델(LLM)의 돌파입니다.

행위자 쪽 조건도 함께 짚습니다. 비교적 새로운 AI 기업 창업자들은 혁신과 제품 출시, 투자와 인수, 현금 소진과 자금 조달에 유별나게 공격적이었습니다. 같은 기간에 더 전통적인 기술기업들은 두툼한 잉여현금흐름을 AI 쪽으로 점점 더 많이 돌려, 성장을 만들면서 공격자를 막으려 했습니다. 그리고 중국과 미국의 기술 개발을 중심으로 한 글로벌 경쟁은 날카롭게 전개되고 있습니다.

해설 미커는 1990년대 모건스탠리(Morgan Stanley)에서 기술 리서치를 이끌며 1995년부터 2019년까지 매년 「Internet Trends」를 내놓았고, 1996년에 공동 집필한 「The Internet Report」는 닷컴 투자자들의 교과서로 불렸습니다. 2010년 말 모건스탠리를 떠나 클라이너퍼킨스(Kleiner Perkins)로 옮겼고, 2018년에 BOND를 세웠습니다.

이 자료는 2019년 이후 처음 나온 Trends 보고서이며, 주제가 인터넷에서 AI로 옮겨 왔습니다. 30년 동안 같은 형식으로 인터넷의 성장 곡선을 그려 온 사람이 이번에는 AI의 곡선을 그렸다는 점이, 자료의 구성과 어조를 상당 부분 설명합니다.

[이해관계] BOND는 자료 끝에서 본문에 언급된 일부 기업의 상당한 지분을 보유하고 있거나 보유했던 적이 있다고 밝힙니다. 창업 파트너들이 투자한 기업으로는 에어비앤비(Airbnb), 알파센스(AlphaSense), 어플라이드인튜이션(Applied Intuition), 캔바(Canva), 도어대시(DoorDash), 코볼드메탈스(KoBold Metals), 메타(Meta), 스포티파이(Spotify), 스트라이프(Stripe), 우버(Uber), 바스트데이터(VAST Data)가 열거되어 있고, 이 가운데 여러 곳이 본문에서 AI 수익화와 물리 세계 AI의 사례로 다시 등장합니다.

결론의 방향에도 이해관계가 걸려 있습니다. BOND는 기술기업의 성장에 베팅하는 벤처투자사이고, AI 채택이 빠르고 넓게 일어난다는 결론은 이 회사의 포트폴리오 가치와 같은 쪽을 가리킵니다.

열한 장의 대표 차트

본문에 들어가기 전에 저자들은 뒤에서 다룰 관찰을 압축한 차트 열한 장을 먼저 배치합니다. 여덟 개 부에서 각각 한두 장씩 뽑은 것이고, 차트가 수천 마디를 대신한다는 것이 이 배치의 취지입니다. 각 차트에는 상세 페이지 번호가 붙어 있어서, 자료 전체가 이 열한 장을 확대해 놓은 구조라는 점도 함께 드러납니다.

• 칩 제조사 생태계 — 선도 칩 제조사의 생태계에 속한 개발자 수가 2005년부터 2025년 사이에 600만 명에 이르렀습니다.
• LLM 사용자 — 미국 선도 LLM의 주간 활성 사용자가 2022년 10월부터 2025년 4월 사이에 8억 명으로 올라왔습니다.
• 북미 밖 사용자 비중 — 인터넷은 전체 사용자의 90%가 북미 밖에 자리 잡는 데 23년이 걸렸지만, 선도 LLM의 모바일 앱은 3년 만에 같은 수준에 도달했습니다.
• 빅식스 설비투자 — 저자들이 빅식스(Big Six)로 묶은 애플(Apple), 엔비디아(NVIDIA), 마이크로소프트(Microsoft), 알파벳(Alphabet), 아마존(Amazon), 메타 여섯 곳의 설비투자가 2024년 2,120억 달러로 전년보다 63% 늘었습니다. 아마존은 아마존웹서비스(AWS) 부문만 반영한 수치입니다.
• 기술별 가격 하락 — 출시 연도를 기준으로 맞춰 비교하면 AI 추론 비용은 전력이나 컴퓨터 메모리보다 빠른 속도로 떨어졌습니다.
• 매출과 컴퓨트 비용 — 미국 선도 LLM 기업의 2024년 매출은 37억 달러로 추정되는데 같은 해 컴퓨트 비용은 50억 달러로 추정됩니다.
• 미국과 중국의 점유율 — 데스크톱 사용자 점유율에서 미국 선도 LLM 두 곳이 각각 75%에서 60%로, 21%에서 15%로 내려가는 사이에 중국 LLM은 0%에서 10%로 올라왔습니다.
• 산업용 로봇 — 2014년부터 2023년까지의 산업용 로봇 설치 대수에서 중국은 미국과 나머지 세계를 모두 앞질렀습니다.
• 자율주행 택시 — 샌프란시스코 운영 구역의 총예약 기준 점유율에서 자율주행 택시가 20개월 만에 0%에서 27%로 올라왔고, 비교 대상이 된 라이드셰어 업체는 34%에서 19%로 내려갔습니다.
• 지역별 앱 사용자 — 선도 LLM 모바일 앱의 월간 활성 사용자는 2023년 5월부터 2025년 4월 사이에 남아시아와 동아시아·태평양부터 사하라 이남 아프리카까지 모든 지역에서 함께 늘었습니다.
• AI 구인 공고 — 미국 IT 구인 공고는 2018년 1월을 기준으로 AI 관련이 448% 늘어난 사이에 비AI 부문은 9% 줄었습니다.

[사후 맥락] 두 번째 차트의 8억 명은 2025년 4월 기준으로 제시된 수치입니다. 그런데 오픈AI의 샘 올트먼(Sam Altman)이 ChatGPT의 주간 활성 사용자가 8억 명을 넘었다고 공개적으로 밝힌 시점은 2025년 10월 초였습니다.

숫자가 틀렸다는 뜻은 아니고, 이런 지표가 기업 공시가 아니라 경영진의 발언과 외부 추정으로 유통된다는 사실을 보여 주는 대목입니다. 이 자료의 많은 차트가 같은 성질의 출처에 기대고 있습니다.

정보는 조직되었고, 이제 증폭되고 있다

저자들은 세계가 전례 없는 속도로 바뀌고 있다는 말조차 과소평가라고 적습니다. 그 변화의 밑에는 빠르고 변혁적인 기술 혁신과 채택이 있고, 동시에 강대국들의 리더십 변동이 있습니다. 저자들은 세 회사의 창업 미션을 나란히 놓습니다. 구글(Google)은 1998년에 세계의 정보를 조직해 누구나 접근하고 쓸 수 있게 하겠다고 했고, 알리바바(Alibaba)는 1999년에 어디서나 사업하기 쉽게 만들겠다고 했으며, 페이스북(Facebook)은 2004년에 사람들에게 공유할 힘을 주어 세상을 더 열리고 연결되게 하겠다고 했습니다. 오늘날에는 그렇게 조직되고 연결되고 접근 가능해진 정보가 AI와 빨라지는 연산력, 그리고 국경을 거의 가리지 않는 자본에 의해 증폭되고 있습니다.

개선이 어떻게 누적되는지를 저자들은 스포츠에 견줍니다. 선수들이 계속 기록을 깨는 데는 더 나은 데이터와 입력과 훈련이 깔려 있고, 기업도 거대한 데이터셋을 삼키면서 더 영리하고 경쟁력 있게 바뀌고 있다는 것입니다. 대형 모델의 돌파, 토큰당 비용의 하락, 오픈소스의 확산, 칩 성능의 개선이 겹쳐 새 기술 진전은 더 강력하고 더 접근 가능하며 경제적으로도 성립하는 쪽으로 움직였습니다.

그 결과가 ChatGPT입니다. 사용자와 사용량과 수익화 지표를 기준으로 보면 ChatGPT는 역사상 가장 큰 하룻밤의 성공이며, 창업 9년 뒤에 찾아온 하룻밤입니다. 소비자와 개발자, 기업과 정부에서 사용량이 함께 치솟고 있습니다. 그리고 인터넷 1.0과 결정적으로 다른 점이 하나 있습니다. 미국에서 시작해 세계로 천천히 퍼진 인터넷과 달리, ChatGPT는 세계 여러 지역에서 동시에 자란 첫 사례입니다.

그 위에 다음 층을 깔려는 경쟁도 이미 진행 중입니다. 기존 플랫폼과 신흥 도전자가 에이전트형 인터페이스, 기업용 코파일럿, 실세계의 자율 시스템, 소버린 AI 모델을 동시에 밀고 있습니다. 저자들은 이 흐름이 일하는 방식과 자본이 배치되는 방식, 그리고 리더십이 정의되는 방식을 기업과 국가 양쪽에서 근본적으로 바꾸고 있다고 정리합니다. 강대국들은 서로의 경쟁우위와 비교우위를 흔들고 있으며, 경제적·사회적·영토적 야망의 정도를 달리하면서 속도를 올리고 있습니다.

[관점] 창업 미션 세 개를 나란히 놓은 대목은 이 자료의 서술 방식을 압축해 보여 줍니다. 정보를 조직하는 단계, 거래를 연결하는 단계, 사람을 연결하는 단계가 지나갔고 이제 그 축적물을 증폭하는 단계가 왔다는 구성입니다.

다만 이 구성은 증폭의 방향을 묻지 않습니다. 같은 데이터로도 증폭되는 것이 생산성인지, 광고 노출인지, 정보 환경의 소음인지는 갈라지는데, 자료가 모은 곡선은 사용량과 지출의 크기이지 그 내용은 아닙니다.

[한국 관점] 이 자료의 세계는 미국과 중국으로 이원화되어 있고, 한국은 독립 변수로 등장하지 않습니다. 340쪽 전체에서 한국은 시가총액 상위 30대 기술기업 명단에 삼성전자(Samsung) 한 곳이 이름을 올린 나라로, 그리고 중국 공급망 의존을 줄이려는 미국 측 동맹국으로만 언급됩니다.

모델과 데이터센터와 자본이 모이는 흐름에서 한국이 빠져 있다는 뜻은 아닙니다. 다만 이 자료가 쓰는 좌표계에서 한국의 자리는 수요자나 경쟁자보다 하드웨어 공급자 쪽에 가깝고, 국내 논의에서 흔히 쓰이는 AI 3대 강국 같은 표현과는 거리가 있습니다.

기술과 지정학이 맞물리는 지점

서론의 마지막은 기술과 지정학이라는 두 힘이 얽히는 장면입니다. 메타의 최고기술책임자 앤드루 보즈워스(Andrew Bosworth)는 한 팟캐스트에서 지금의 AI를 ‘우리의 우주 경쟁’이라고 부르면서, 특히 중국은 매우 유능하고 비밀이라 할 것은 거의 없이 진전만 있을 뿐이어서 결코 뒤처지지 않도록 해야 한다고 말했습니다. 저자들은 여기에 한 문장을 덧붙입니다. AI에서의 우위가 지정학적 우위를 낳고, 그 역순은 아니라는 것입니다.

이 상황이 엄청난 불확실성을 만든다고 인정한 뒤, 저자들은 즐겨 인용하는 문장을 다시 꺼냅니다. T. 로우 프라이스(T. Rowe Price)의 전 회장 브라이언 로저스(Brian Rogers)가 말했듯, 통계적으로 말하면 세상이 그렇게 자주 끝나지는 않는다는 것입니다. 투자자는 늘 모든 것이 잘못될 수 있다고 가정하지만, 흥미로운 부분은 무엇이 잘될 수 있는지를 따져 보는 데 있다고 저자들은 적습니다. 그리고 거듭 확인된 바로는 낙관에 걸어 두는 것이 가장 나은 베팅 가운데 하나였다고 봅니다. AI가 내 일을 대신 해 주는 경험은 이메일과 웹 검색이 처음 등장했을 때와 비슷한 감각인데, 그 효과가 훨씬 빠르게 찾아온다는 점이 다릅니다.

낙관의 근거는 감상이 아니라 네 가지 조건으로 제시됩니다. 치열한 경쟁과 혁신, 점점 접근 가능해지는 컴퓨트, 빠르게 올라가는 전 세계의 AI 채택, 그리고 사려 깊고 계산된 리더십입니다. 저자들은 이 조건들이 충분한 조심성과 존중을 길러 내고 그것이 결국 상호확증억지(Mutually Assured Deterrence)로 이어질 수 있다고 봅니다. 물론 같은 전개를 두고 누군가는 바닥을 향한 경쟁을, 누군가는 상향 경쟁을 보게 될 것이라고 덧붙입니다. 자본주의와 창조적 파괴의 투기적이고 광적인 힘을 지각판의 움직임에 견주면서, 미국과 중국과 기술 강자들이 앞으로 달려 나가는 지금은 분명히 경기가 시작된 상태라고 적습니다.

자료의 성격도 함께 밝혀 둡니다. 여기 실린 데이터와 연구와 벤치마크는 제3자가 각자 효과적이라고 판단한 방법론으로 만든 것이고, 저자들의 목표는 결론을 못 박는 것이 아니라 논의에 보태는 것입니다.

해설 상호확증억지는 핵 시대의 상호확증파괴(Mutually Assured Destruction)에서 한 단어를 바꾼 표현입니다. 상호확증파괴가 먼저 공격하면 양쪽 모두 파괴된다는 보복 능력의 균형을 가리킨다면, 억지는 그 균형이 실제로 공격을 멈추게 하는 결과를 가리킵니다.

두 개념을 AI에 옮길 때 생기는 차이는 분명합니다. 핵무기는 사용 여부가 분명하고 피해가 즉시 드러나지만, AI 역량은 조용히 쌓이고 상대가 어디까지 왔는지를 확인하기가 어렵습니다.

[관점] 낙관의 근거로 제시된 네 조건 중 앞의 셋은 모두 경쟁이 더 치열해지고 더 많은 주체가 더 싸게 역량을 갖추는 방향을 가리킵니다. 그것이 억지로 수렴한다는 결론은 마지막 조건, 즉 사려 깊고 계산된 리더십에 거의 전부 걸려 있습니다.

이 자료가 모은 곡선들은 앞의 세 조건을 숫자로 보여 주지만, 마지막 조건을 보여 주는 차트는 없습니다. 340쪽의 데이터가 뒷받침하는 것은 변화의 속도이고, 그 속도가 좋은 결말로 이어진다는 부분은 데이터 밖의 선택으로 남아 있습니다.

1부 변화가 전보다 빨라진 것처럼 느껴진다면 그렇습니다

천 년과 60년에 걸친 기술의 복리

1부의 첫 질문은 변화가 정말 빨라지고 있는지입니다. 저자들은 답을 1,000년 단위의 그림부터 시작합니다. 매디슨 프로젝트(Maddison Project) 데이터로 그린 세계 GDP 곡선을 로그 축에 올려놓고, 그 위에 기술이 들어온 시점을 차례로 찍은 그림입니다. 1440년의 인쇄기에서 시작해 증기기관, 전신, 전기화, 대량 제철, 대량생산과 조립라인, 내연기관, 비행, 합성비료, 트랜지스터, PC, 인터넷, 스마트폰, 클라우드로 이어집니다. 저자들이 이 그림에서 끌어내는 규칙은 하나입니다.

더 좋아지고 더 빨라지고 더 싸지면 더 많아진다는 것입니다. 기술은 각자 따로 서 있지 않고, 앞선 기술이 깔아 놓은 바닥 위에서 다음 기술이 더 짧은 간격으로 올라섰습니다. 곡선이 꺾이는 지점마다 그 아래에 새로 들어온 기술이 있습니다.

같은 이야기를 저자들은 60년 단위로 한 번 더 합니다. 모건스탠리를 통해 인용한 자료는 1960년대부터 2020년대까지의 컴퓨팅 주기를 역시 로그 축에 올려놓습니다. 메인프레임이 100만 대 남짓, 미니컴퓨터가 1,000만 대 남짓, PC가 2000년 기준 3억 대 남짓이었습니다. 데스크톱 인터넷은 10억 명과 10억 대 수준으로 올라갔고, 모바일 인터넷은 2020년 스마트폰과 태블릿 설치 기반 기준으로 40억 대를 넘었습니다. 그리고 AI 시대의 규모는 수백억 대로 적혀 있는데, 스마트폰과 사물인터넷 기기와 로봇까지 AI를 쓰게 될 기기와 사용자를 모두 합산한 가정입니다.

각 주기 아래에는 그것을 받친 인프라가 함께 표시됩니다. 메인프레임부터 PC까지는 중앙처리장치(CPU), 데스크톱과 모바일 인터넷 구간에서는 빅데이터와 클라우드, AI 시대에는 그래픽처리장치(GPU)입니다.

해설 1,000년 GDP 차트의 축은 2011년 GK달러 기준 실질 GDP입니다. 여기서 GK달러는 기리-카미스(Geary-Khamis) 방식으로 계산한 국제달러로, 시대와 국가가 서로 다른 소득을 한 자리에서 비교하기 위해 쓰는 가상의 통화 단위입니다. 아워월드인데이터(Our World in Data)는 같은 데이터를 2011년 가격 기준 국제달러로 표기합니다.

원문 각주는 이 단위를 다른 뜻으로 풀어 놓았습니다. 차트가 밝힌 데이터 출처는 매디슨 프로젝트와 아워월드인데이터이므로, 각주의 설명만 단위를 잘못 옮긴 것으로 읽는 편이 자연스럽습니다.

[관점] 두 그림 모두 로그 축을 씁니다. 로그 축에서는 지수적으로 커지는 값이 직선에 가깝게 보이고, 가속은 꺾임보다 완만하게 드러납니다.

1,000년과 60년을 한 화면에 담으려면 이 선택은 불가피합니다. 다만 같은 데이터를 선형 축에 올리면 최근 20년이 화면을 거의 다 차지하고 그 앞의 980년은 바닥에 눕는데, 이 자료가 말하는 전례 없음의 체감은 축을 어떻게 잡느냐에 따라 상당히 달라집니다.

AI를 밀어 올린 다섯 개의 증가율

저자들은 AI 자체의 복리를 다섯 개의 연 증가율로 제시합니다. 모두 Epoch AI가 집계한 숫자이고, 측정 기간은 서로 다릅니다.

• 학습 데이터 — 주목할 만한 언어모델들의 학습 데이터셋 크기는 단어 수 기준으로 15년 동안 연 260% 늘었습니다.
• 학습 컴퓨트 — 같은 모델들의 학습 컴퓨트는 15년 동안 연 360% 늘었고, 집계 시점에서 가장 높은 지점에는 Grok 3가 있습니다.
• 알고리즘 개선 — 2014년부터 2023년까지 알고리즘이 좋아진 덕분에 확보된 유효 컴퓨트는 연 200% 늘었습니다.
• 슈퍼컴퓨터 성능 — 선도 AI 슈퍼컴퓨터의 성능은 2019년부터 2025년까지 연 150% 올랐는데, 클러스터당 칩 수가 연 1.6배, 칩당 성능이 연 1.6배 늘어난 결과입니다.
• 모델 수 — 학습 컴퓨트가 10의 23제곱 FLOP을 넘는 대규모 모델의 연간 출시 수는 2017년부터 2024년까지 연 167% 늘었습니다.

마지막 항목은 숫자보다 구성이 눈에 띕니다. 2017년에 이 기준을 넘긴 모델은 딥마인드(DeepMind)의 알파고 제로와 알파고 마스터 두 개뿐이었습니다. 2024년 목록에는 xAI와 앤트로픽(Anthropic), 메타, 엔비디아, 미스트랄(Mistral), 아크연구소(Arc Institute)를 비롯한 여러 곳이 들어갑니다. 대규모 모델을 만들 수 있는 주체가 연구소 한두 곳에서 산업 전반으로 넓어졌습니다.

해설 FLOP은 소수점 연산 한 번을 가리키는 단위이고, 모델을 학습하거나 돌리는 데 든 연산의 총량을 재는 데 쓰입니다. 10의 23제곱 FLOP은 Epoch AI가 2025년 4월 기준으로 대규모 모델을 가르는 선으로 쓰는 값입니다.

유효 컴퓨트는 성능을 컴퓨트 단위로 환산한 개념입니다. 알고리즘 개선이 없었다면 같은 성능에 도달하기 위해 연산이 얼마나 더 필요했을지를 계산해, 알고리즘이 가져온 몫을 컴퓨트처럼 세는 방식입니다.

[관점] 이 다섯 개 숫자는 모두 지나간 구간의 평균 증가율입니다. 연 260%나 연 360%라는 값은 15년을 통과한 결과이지 다음 15년의 기울기가 아닙니다.

측정 기간이 제각각인 것도 함께 볼 지점입니다. 데이터와 컴퓨트는 15년, 알고리즘은 9년, 슈퍼컴퓨터는 6년, 모델 수는 4년인데, 구간이 짧을수록 최근의 급등이 평균을 끌어올립니다.

[반론] 학습 컴퓨트를 키우는 방식이 계속 통한다는 전제에는 업계 안에서도 반론이 있습니다. 오픈AI 공동창업자였던 일리야 수츠케버는 2025년 드와케시 파텔과의 대담에서 스케일링의 시대가 끝나고 연구의 시대로 넘어가고 있다고 말했습니다. 인터넷은 하나뿐이어서 컴퓨트를 더 넣는 것만으로는 다음 도약이 나오지 않는다는 진단입니다.

안드레이 카파시도 같은 해 대담에서 지금의 모델이 지속 학습 같은 핵심 능력을 갖추지 못했고 AGI까지 10년은 더 걸린다고 봤습니다. 두 사람은 이 자료가 모은 것과 같은 증가율을 보면서도 다른 결론에 도달합니다.

ChatGPT가 그린 세 개의 곡선

저자들이 가장 공들여 보여 주는 곡선은 ChatGPT입니다. 2022년 10월부터 2025년 4월까지의 사용자와 구독자와 매출을 나란히 놓습니다. 주간 활성 사용자는 0에서 8억 명이 되었고, 2025년 4월 수치는 올트먼이 그해 4월 11일 TED 강연에서 밝힌 숫자입니다. 유료 구독자는 같은 기간 2,000만 명에 가까운 수준까지 올라간 것으로 그려집니다. 매출은 2022년의 0에서 2024년 37억 달러로 늘었는데, 오픈AI의 공개 내용과 디인포메이션(The Information)의 보도를 근거로 한 추정치입니다.

다음 장은 그 속도를 구글 검색과 맞춰 놓습니다. 구글은 1998년 9월 공개 출시 이후 연간 검색 3,650억 회에 이르기까지 11년이 걸려 2009년에 그 지점을 통과했습니다. ChatGPT는 2022년 11월 출시 이후 2년 만인 2024년에 같은 지점에 도달했습니다. 같은 사용량 수준에 5.5배 빠르게 올라섰다는 계산입니다. ChatGPT 쪽 수치는 하루 약 10억 건의 질의라는 회사 공개를 근거로 추정한 값이고, 구글이 연간 검색량을 공개하지 않은 연도는 점선으로 표시됩니다.

이 대목에서 저자들은 1998년의 구글로 돌아갑니다. 세계의 정보를 조직해 누구나 접근하고 쓸 수 있게 하겠다는 목표는 30년이 채 지나지 않은 지금 상당 부분 이루어져, 많은 정보가 디지털화되고 접근 가능하며 유용한 상태가 되었습니다. 정보에 접근하고 정보를 옮기는 방식이 AI로 바뀌는 속도는 그보다 훨씬 빠릅니다. 저자들의 표현으로 AI는 복리로 쌓이는 기술이며, 이미 깔린 인터넷 인프라 위에서 작동하기 때문에 쓰기 쉽고 폭넓은 관심을 받는 서비스가 지독하게 빠르게 채택됩니다.

해설 구글 검색과 ChatGPT 질의를 같은 축에 놓는 비교에는 전제가 들어 있습니다. 검색 한 번과 대화 한 번은 사용자가 들이는 시간과 얻는 결과물의 성격이 다르고, 대화는 한 번의 질의로 끝나지 않고 여러 차례 주고받는 경우가 많습니다.

그래서 이 비교는 두 제품이 같은 일을 한다는 뜻으로 읽을 것이 아니라, 새 인터페이스가 같은 규모의 사용량에 도달하는 데 걸린 시간을 재는 자료로 읽는 편이 정확합니다.

[관점] 세 곡선을 나란히 놓으면 눈에 보이는 간격이 하나 있습니다. 사용자는 8억 명인데 유료 구독자는 2,000만 명 수준이어서, 사용자 대비 유료 전환은 몇 퍼센트에 머무릅니다.

저자들은 이 간격을 문제로 제시하지 않고 램프의 속도로 제시합니다. 간격이 비용 구조와 만나면 어떤 그림이 되는지는 4부에서 매출 37억 달러와 컴퓨트 비용 50억 달러로 다시 나타납니다.

600년에 걸친 지식 유통의 세 단계

1부의 마지막 묶음은 지식이 전달되는 방식의 변화를 600년 단위로 잡습니다. 저자들은 이를 세 단계로 나눕니다.

첫 단계는 1440년부터 1992년까지입니다. 1440년에 발명된 인쇄기가 기준점이고, 전달 방식은 정적이며 물리적이었습니다. 두 번째 단계는 1993년부터 2021년까지로, 월드와이드웹이 공개 도메인으로 풀린 1993년을 인터넷의 공개 출시 시점으로 잡습니다. 전달은 능동적이고 디지털로 바뀌었습니다. 저자들은 각주에서 팀 버너스리(Tim Berners-Lee)가 1989년에 월드와이드웹을 발명했다는 유럽입자물리연구소(CERN)의 기록도 함께 밝혀 둡니다.

세 번째 단계는 2022년부터입니다. 저자들은 2022년 11월 ChatGPT의 공개 출시를 생성형 AI의 공개로 정의하고, 이를 AI의 아이폰 모멘트로 부릅니다. 전달 방식에는 능동적이고 디지털이라는 성질에 생성이 더해졌습니다. 생성형 AI는 학습한 패턴을 바탕으로 텍스트와 이미지와 오디오와 코드를 만들어 내는 AI를 가리킵니다. 단독 제품으로 닷새 만에 사용자 100만 명에 도달한 램프가 이 단계의 출발점입니다.

1부는 한 문장으로 닫힙니다. 독일에서 태어나 미국에서 활동한 의사이자 교육자 마르틴 피셔(Martin H. Fischer)가 남긴 말을 저자들은 그대로 옮겨 놓습니다. “지식은 사실을 쌓아 가는 과정이고, 지혜는 그것을 단순화하는 데 있습니다.”

해설 아이폰 모멘트라는 비유는 기술의 성능이 아니라 접근성이 바뀌는 순간을 가리킵니다. 스마트폰의 구성 요소는 아이폰 이전에도 대부분 있었지만, 쓰는 방법을 따로 배우지 않아도 되는 인터페이스가 생기면서 사용자층이 한 번에 넓어졌습니다.

ChatGPT에 같은 비유를 쓰는 이유도 같습니다. 대규모 언어모델은 2022년 11월 전에도 있었고 연구자와 개발자는 이미 쓰고 있었는데, 대화창 하나가 붙으면서 전제 지식이 없는 사용자에게 열렸습니다.

[한국 관점] 저자들이 지식 유통의 출발점으로 잡은 1440년은 구텐베르크의 금속활자 인쇄기입니다. 한국에서는 1377년 청주 흥덕사에서 찍은 「백운화상초록불조직지심체요절」이 현존하는 가장 오래된 금속활자 인쇄본으로 꼽히고, 고려의 금속활자 사용은 그보다 앞선 시기로 거슬러 올라갑니다.

그렇다고 저자들의 구분이 틀린 것은 아닙니다. 이 구분이 재려는 것은 발명의 선후가 아니라 지식이 대량으로 복제되어 사회 전체로 퍼지는 구조가 언제 생겼는지이고, 그 기준에서 보면 한국의 사례는 발명이 앞섰지만 유통 구조의 전환으로 이어지지는 않았다는 쪽에 가깝습니다.

이륙하기까지 걸린 70년

저자들은 AI가 2022년에 갑자기 나타난 기술이 아니라는 점을 연표로 보여 줍니다. 스탠퍼드대 자료를 중심으로 BOND가 모은 이정표는 1950년부터 시작합니다. 그해 10월 앨런 튜링(Alan Turing)이 컴퓨터가 사람처럼 생각할 수 있다는 전제 아래 기계 지능을 재는 튜링 테스트를 내놓았고, 1956년 6월에는 스탠퍼드대의 컴퓨터과학자 존 매카시(John McCarthy)가 자신이 만든 ‘인공지능’이라는 말을 내걸고 다트머스 학회를 소집했습니다. 1962년 1월에는 IBM의 컴퓨터과학자 아서 새뮤얼(Arthur Samuel)이 미국 최고의 체커 챔피언을 이길 수 있는 자기학습 프로그램을 만들었고, 1966년 1월에는 스탠퍼드 연구진이 자기 행동을 스스로 추론할 수 있는 최초의 범용 이동 로봇 셰이키(Shakey)를 내놓았습니다.

그다음에 긴 공백이 들어갑니다. 1967년부터 1996년까지는 AI 겨울로 표시되어 있는데, 스탠퍼드대의 닐스 닐슨(Nils J. Nilsson)이 개념적 진전은 이어졌지만 내세울 만한 실질적 성과가 없던 시기를 가리켜 쓴 말입니다. 관심과 자금이 함께 줄어든 기간이기도 합니다. 공백을 깬 것은 1997년 5월 IBM의 체스 컴퓨터 딥블루가 당시 세계 챔피언 개리 카스파로프를 이긴 장면이었습니다.

2000년대부터는 간격이 좁아집니다. 2002년 9월 집 안을 스스로 돌아다니는 최초의 대량생산 로봇 청소기 룸바(Roomba)가 나왔고, 2005년 10월에는 스탠퍼드 팀의 무인 자동차 스탠리(Stanley)가 132마일 코스를 완주해 미국 국방고등연구계획국(DARPA) 그랜드 챌린지에서 우승했습니다. 2010년 4월 애플이 음성비서 시리(Siri)를 인수해 이듬해 아이폰 4S에 넣었고, 2014년 6월에는 챗봇 유진 구스트만(Eugene Goostman)이 심사위원 3분의 1을 속여 튜링 테스트를 통과했습니다. 2018년 6월 오픈AI가 자사 대규모 언어모델의 첫 모델인 GPT-1을, 2020년 6월에는 자동 대화용 GPT-3을 내놓았고 마이크로소프트가 이 모델을 독점 라이선스했습니다. 그리고 2022년 11월, 오픈AI가 ChatGPT를 대중에게 공개했습니다.

두 번째 연표는 2023년부터 2025년까지 2년 남짓을 따로 떼어 같은 밀도로 채웁니다. 2023년 3월 한 달에만 오픈AI가 텍스트와 이미지를 함께 처리하는 멀티모달 모델 GPT-4를, 구글이 경쟁 제품 바드(Bard)를, 앤트로픽이 안전과 해석가능성에 초점을 둔 비서 클로드(Claude)를 내놓았고, 마이크로소프트는 코파일럿(Copilot)을 365 제품군에 통합했습니다. 같은 해 11월에는 미국과 EU 회원국, 중국을 포함한 28개국이 블레츨리 선언(Bletchley Declaration)에 서명했습니다. 2024년에는 3월 미국 국토안보부의 AI 로드맵 전략 발표, 4월 메타의 700억 파라미터 오픈소스 모델 라마 3 공개, 5월 구글의 검색 AI 개요 도입과 오픈AI의 GPT-4o 공개가 이어집니다. GPT-4o는 오디오와 시각과 텍스트 전반에서 완전한 멀티모달을 구현한 모델입니다.

2024년 하반기부터는 중국이 연표에 들어옵니다. 7월 애플이 기기에 통합된 애플 인텔리전스(Apple Intelligence)를 개발자에게 공개했고, 9월 알리바바가 서구 경쟁 모델과 대등한 성능의 오픈소스 Qwen 2.5 모델 100개를 내놓았으며, 12월 오픈AI가 당시 자사 최고 성능 모델 o3를 발표했습니다. 2025년 1월에는 딥시크(DeepSeek)가 오픈소스 추론 모델 R1과 R1-Zero를 공개했고, 같은 달 알리바바가 일부 추론 테스트에서 GPT-4o와 클로드 3.5를 넘어선 Qwen2.5-Max를 선보였습니다. 2월에는 오픈AI의 GPT-4.5, 앤트로픽의 클로드 3.7 소네트, xAI의 Grok 3가 나란히 나왔고, 4월에 ChatGPT 주간 사용자 8억 명이 기록됩니다. 70년 치 이정표의 절반이 마지막 2년에 몰려 있습니다.

해설 연표에 두 번 등장하는 튜링 테스트는 성능을 재는 시험이 아니라 구별 가능성을 재는 시험입니다. 평가자가 대화만으로 상대가 사람인지 기계인지 가려내지 못하면 기계가 통과한 것으로 보는 방식이며, 기계가 실제로 생각하는지는 묻지 않습니다.

AI 겨울이라는 말에도 비슷한 조건이 붙습니다. 닐슨의 용법에서 겨울은 연구가 멈춘 기간이 아니라 성과가 투자와 기대를 따라가지 못해 자금이 끊긴 기간을 가리킵니다.

[관점] 두 장의 연표는 길이가 같습니다. 왼쪽 장이 72년을 담고 오른쪽 장이 2년을 담는데, 항목 수는 비슷합니다.

이 배치 자체가 저자들의 주장입니다. 다만 최근 항목은 모델 출시와 제품 통합이 대부분이고 앞쪽 항목은 개념과 능력의 돌파여서, 두 장에 실린 사건의 무게를 같은 단위로 세는 것이 적절한지는 따져 볼 지점입니다.

ChatGPT에게 물어본 현재와 5년 뒤와 10년 뒤

저자들은 세 장을 ChatGPT에게 맡깁니다. 2025년 5월 15일에 ChatGPT 4o에 지금 할 수 있는 일, 5년 뒤에 하게 될 일, 10년 뒤에 하게 될 일을 각각 열 가지씩 물어 그 답을 그대로 실었습니다.

지금 할 수 있는 일의 목록은 쓰기와 요약에서 시작합니다. 이메일과 에세이와 계약서와 시와 코드를 즉시 유창하게 쓰거나 고치는 일, PDF와 법률 문서와 연구 자료와 코드를 쉬운 말로 풀어 요약하고 설명하는 일이 1번과 2번입니다. 수학과 역사와 언어와 시험 준비를 단계별로 가르치는 개인교습, 아이디어를 함께 떠올리고 논리를 점검하며 가정을 압박해 보는 생각의 파트너 역할이 뒤를 잇습니다. 보고서 생성과 데이터 정리와 슬라이드 개요 작성 같은 반복 업무 자동화, 면접 준비와 고객 응대 모의와 대화 연습을 위한 역할극, API와 스프레드시트와 캘린더와 웹에 쓸 코드를 작성해 도구와 연결해 주는 일도 들어갑니다. 마지막 세 항목은 성격이 조금 다른데, 하루를 이야기하고 생각을 다시 짜거나 그저 들어 주는 치료와 동반자 역할, 가치를 분명히 하고 목표를 세워 행동으로 옮기도록 돕는 일, 여행 계획과 생활 루틴과 한 주의 일정을 짜 주는 삶의 정리입니다.

5년 뒤인 2030년의 목록은 수준과 범위가 함께 올라갑니다. 인간 수준의 텍스트와 코드와 논리를 생성하는 일, 각본과 캐릭터와 장면과 게임 플레이 구조와 성우 연기까지 포함해 장편 영화와 게임을 만드는 일이 앞에 옵니다. 감정을 읽는 비서와 실시간 다국어 음성 에이전트로 사람처럼 이해하고 말하는 일, 인생 계획과 기억 회상과 모든 앱·기기 조율을 맡는 고급 개인 비서, 가사 도우미와 노인 돌봄과 소매·접객 자동화를 수행하는 사람 같은 로봇이 이어집니다. 업셀링과 고객관계관리 연동까지 포함한 자율 고객서비스와 영업, 적응형 학습과 동적 콘텐츠 큐레이션과 개인화된 건강 코칭으로 디지털 생활 전체를 개인화하는 일, AI가 주도하는 스타트업과 재고·가격 최적화를 포함해 자율 기업을 세우고 운영하는 일도 들어갑니다. 약물 설계와 소재 합성과 기후 모델링과 새 가설 검증으로 과학에서 자율적 발견을 이끄는 일, 소설 공동집필과 음악 제작과 패션 디자인과 건축에서 파트너처럼 창작에 참여하는 일이 목록을 닫습니다.

10년 뒤인 2035년의 목록에서는 주어가 사람에서 시스템으로 옮겨 갑니다. 가설을 세우고 시뮬레이션을 돌리고 실험을 설계·분석하는 과학 연구 수행, 소재를 발견하고 바이오텍을 공학적으로 다루고 에너지 시스템을 시제품으로 만드는 고급 기술 설계가 1번과 2번입니다. 기억과 감정과 적응 행동을 갖춘 디지털 페르소나로 사람 같은 마음을 시뮬레이션하는 일, 연구개발과 재무와 물류를 최소한의 인간 개입으로 관리하며 자율 기업을 운영하는 일, 도구를 다루고 부품을 조립하며 실세계 공간에 적응하는 복잡한 물리 과업이 뒤따릅니다. 물류와 에너지 사용과 위기 대응을 대규모로 최적화하는 전 지구적 조율, 세포와 유전자와 유기체를 연구와 치료 목적으로 시뮬레이션하는 완전한 생물 시스템 모델링, 실시간 법률·의료·경영 자문을 제공하는 전문가 수준 의사결정이 이어집니다.

마지막 두 항목은 성격이 다릅니다. 포럼을 조정하고 법안을 제안하며 경쟁하는 이해관계의 균형을 잡는 일, 즉 공론과 정책의 형성까지 목록에 들어갑니다. 그리고 텍스트 프롬프트만으로 상호작용 가능한 3차원 환경을 만들어 내는 몰입형 가상 세계 구축이 목록을 닫습니다.

해설 이 세 장은 저자들의 전망이 아니라 ChatGPT의 출력입니다. 질문 날짜와 사용한 모델까지 밝혀 둔 것은 출처를 명확히 하려는 선택이고, 동시에 자료 전체에서 유일하게 기계에 의견을 물은 대목이기도 합니다.

언어모델의 미래 전망은 예측이라기보다 학습 데이터에 담긴 담론의 평균에 가깝습니다. 2030년과 2035년 목록이 업계에서 흔히 오가는 기대와 거의 겹치는 이유도 거기에 있습니다.

[관점] 세 목록을 나란히 읽으면 경계가 생각보다 흐릿합니다. 지금 할 수 있다고 적힌 치료와 동반자 역할은 5년 뒤 항목인 감정을 읽는 비서와 사실상 같은 일이고, 자율 기업 운영은 5년 뒤와 10년 뒤 목록에 모두 올라 있습니다.

시점을 가르는 기준이 능력의 종류가 아니라 신뢰도와 자율성의 정도라는 뜻이기도 합니다. 그렇게 보면 세 장은 서로 다른 미래가 아니라 같은 능력이 얼마나 믿을 만해지는가에 대한 시간표에 가깝습니다.

2015년에 바뀐 개발의 무게중심

AI 개발의 주체가 어디인지를 저자들은 한 장으로 보여 줍니다. 스탠퍼드대 인간중심AI연구소(HAI)의 AI 인덱스 2025년판 집계에서 주목할 만한 기계학습 모델의 연간 신규 수는 2003년부터 2014년까지 학계가 앞선 구간과 2015년부터 산업계가 앞선 구간으로 나뉩니다. 학계는 2014년 연 18개 안팎에서 정점을 찍었습니다. 산업계는 2023년 61개까지 올라갔고 2024년에는 55개를 기록했습니다. 같은 해 학계 단독으로 집계된 주목할 만한 모델은 0개였고, 산업과 학계의 협업이 5개, 산업과 정부의 협업이 1개였습니다.

저자들은 이 전환의 이유를 데이터와 컴퓨트와 자금 수요가 함께 올라간 데서 찾습니다. 개발자 쪽 숫자도 같은 방향을 가리킵니다. 엔비디아 생태계의 개발자는 2005년 사실상 0에서 출발해 2025년 600만 명이 되었고, 최근 7년 동안 6배로 늘었습니다. 엔비디아가 2020년 8월 블로그에서 등록 개발자 100만 명까지 13년이 걸렸고 그다음 100만 명은 2년이 채 걸리지 않았다고 밝힌 대목이 이 추정의 근거입니다.

구글 쪽은 더 짧은 구간에서 더 가파릅니다. 제미나이(Gemini)로 개발하는 개발자는 2024년 5월 140만 명에서 2025년 5월 700만 명으로 1년 만에 5배가 되었습니다. 이 숫자는 구글이 2025년 5월 I/O 행사에서 직접 밝힌 것입니다.

특허도 같은 모양을 그립니다. 컴퓨팅 관련 분류 코드로 집계한 미국 특허 연간 등록 건수는 1960년부터 2024년까지 거의 평평하다가 두 번 꺾입니다. 넷스케이프 기업공개가 있던 1995년 이후 8년 동안 6,300건이 늘었고, 2004년부터 2022년까지 18년 동안에는 1,000건이 느는 데 그쳤습니다. 그런데 2024년 한 해에만 2023년보다 6,000건이 더 등록되어 연 1만 5,000건에 가까운 수준으로 뛰어올랐습니다.

해설 주목할 만한 모델이라는 집계 단위는 Epoch AI가 1950년대 이후 900개 모델을 손으로 추려 만든 데이터베이스에서 나옵니다. 최고 성능 달성, 역사적 중요성, 높은 피인용 가운데 하나를 충족해야 들어갑니다.

그래서 2024년 학계 0개는 학계가 모델을 내지 않았다는 뜻이 아닙니다. Epoch AI가 그해 학계 단독 모델 중 주목할 만한 것을 식별하지 않았다는 뜻이고, 학술 성과는 피인용이 쌓이는 데 몇 년이 걸려 뒤늦게 인정받는 경우가 많다는 단서도 자료 자체에 붙어 있습니다.

[관점] 특허 건수는 혁신의 양이 아니라 혁신을 둘러싼 권리 설정의 양을 잽니다. 기술이 상업화 국면에 들어가면 같은 연구량에도 출원이 급증하므로, 2024년의 급등은 발명이 여섯 배 늘었다는 뜻보다 경쟁이 권리 확보 단계로 넘어갔다는 신호로 읽는 편이 안전합니다.

개발자 숫자도 마찬가지로 조심스럽게 볼 지표입니다. 엔비디아와 구글이 각자 집계한 생태계 참여자 수여서 중복이 있을 수 있고, 등록과 실사용의 차이도 드러나지 않습니다.

사람과 구별되지 않는 쪽으로

성능 쪽에서 저자들이 먼저 꺼내는 것은 MMLU입니다. 수학과 법학과 의학과 역사를 포함한 57개 학문·직업 분야에서 사실 기억과 추론 능력을 함께 묻는 시험이고, 사람의 성적으로 통용되는 기준선은 89.8%입니다. 각 연도 최고 성능 모델의 평균 정확도는 2019년 33% 안팎에서 2024년 92.3%가 되었습니다. 2024년에 기계의 평균이 사람의 기준선을 넘어섰습니다.

구별 가능성 쪽에서는 2025년 3월 캐머런 존스(Cameron Jones)와 벤저민 버건(Benjamin Bergen)이 캘리포니아대학교 샌디에이고에서 수행한 튜링 테스트 연구를 인용합니다. 참가자 약 500명이 사람과 AI를 동시에 상대하는 3자 형식으로 진행했고, 대화는 사실 지식보다 감정적 교감과 일상 화제로 기울었습니다. 페르소나를 부여한 GPT-4.5는 응답의 73%가 사람이 쓴 것으로 오인되었습니다. 페르소나 없이 참여한 GPT-4o와 1960년대 중반 매사추세츠공과대학(MIT)의 조지프 와이젠바움(Joseph Weizenbaum)이 만든 최초의 챗봇 일라이자(ELIZA)는 20%대에 머물렀고, 일라이자는 2025년 1월 원본 코드로 복원해 같은 시험에 올린 것입니다.

저자들은 실제 대화 하나를 통째로 보여 줍니다. 참가자들은 증인 A를 87%의 확신으로 사람이라고 지목하면서 A에게서는 사람의 분위기가, B에게서는 사람을 흉내 낸 분위기가 느껴진다고 적었습니다. 실제로는 A가 GPT-4.5였고 B가 사람이었습니다.

이미지와 음성에서도 같은 흐름을 짚습니다. 같은 프롬프트로 만든 미드저니(Midjourney)의 2022년 2월 v1 결과물과 2025년 4월 v7 결과물을 나란히 놓고, 2024년 StyleGAN2가 만든 얼굴과 실제 사진을 나란히 놓습니다. 음성에서는 일레븐랩스(ElevenLabs)를 사례로 듭니다. 이 회사의 더빙 도구는 영상을 자동으로 전사하고 번역한 뒤 새 언어의 음성 트랙을 만드는데, 화자의 원래 목소리를 분리해 복제하기 때문에 어느 언어에서나 같은 사람의 목소리로 들립니다. 월간 사이트 방문은 2023년 1월 100만 회 수준에서 2025년 4월 2,000만 회 수준으로 올라갔고, 회사는 2025년 1월 2년 동안 사용자들이 1,000년 분량의 오디오를 만들었으며 포춘 500 기업의 60% 이상에서 직원들이 도구를 쓰고 있다고 밝혔습니다.

번역은 이미 주류 서비스로 들어갔습니다. 스포티파이는 2025년 2월부터 일레븐랩스가 29개 언어로 번역한 오디오북을 받기 시작했습니다. 공동창업자 다니엘 에크(Daniel Ek)는 무언가에 세계 최고인 사람이 인도네시아어를 쓴다는 이유로 세계 무대에 서지 못하는 상황을 들며, 모국어로 말하면 AI가 실시간으로 옮겨 주는 미래가 창작과 지식 공유와 엔터테인먼트에 무엇을 할지 아직 알아 가는 초기 단계라고 말했습니다. 2025년 1분기 기준 스포티파이는 월간 활성 사용자 6억 7,800만 명과 구독자 2억 6,800만 명을 두고 연환산 168억 유로의 매출을 올리며, 1억 곡 이상과 약 700만 개의 팟캐스트와 약 100만 명의 창작 아티스트를 품고 있습니다.

마지막으로 모건스탠리가 2024년 11월에 정리한 신흥 응용 여섯 가지를 옮깁니다. 딥마인드의 알파폴드가 알려진 거의 모든 단백질의 구조를 예측하는 단백질 접힘, 마이크로소프트와 페이지(Paige)가 만드는 세계 최대 규모의 이미지 기반 암 대응 모델, 구글이 대규모 언어모델로 로봇이 사람의 지시를 이해하고 행동하게 한 로보틱스가 앞의 셋입니다. 나머지 셋은 아마존이 내놓은 사용자 지시 기반 과업 완료 도구인 에이전트형 AI, 메타가 공개한 최초의 올인원 멀티모달 번역·전사 모델인 보편 번역, 그리고 채널1 AI(Channel 1 AI)가 생성형 AI로 개인화된 뉴스 방송을 만드는 디지털 영상 제작입니다.

해설 MMLU 점수와 튜링 테스트 결과는 다른 것을 잽니다. 앞의 것은 정답이 정해진 문제를 얼마나 맞히는지를, 뒤의 것은 사람이 상대를 기계로 알아채는지를 재며, 뒤의 시험에서 높은 점수를 받는 데는 지식보다 말투와 태도가 더 크게 작용합니다.

페르소나를 부여한 GPT-4.5가 73%인데 페르소나 없는 GPT-4o가 20%대라는 간격이 그 점을 보여 줍니다. 같은 세대의 모델이라도 사람처럼 보이도록 지시했는지에 따라 결과가 세 배 넘게 갈립니다.

[관점] 벤치마크가 인간 기준선을 넘는 장면은 생각보다 자주 반복되어 왔습니다. 한 시험에서 모델이 사람을 넘으면 그 시험은 더 이상 변별력을 갖지 못하고 더 어려운 시험으로 교체되는데, MMLU도 2024년을 지나며 같은 경로에 들어섰습니다.

그래서 92.3%라는 숫자가 말해 주는 것은 모델이 사람보다 똑똑해졌다는 결론이라기보다, 이 시험으로는 더 이상 차이를 재기 어려워졌다는 사실에 가깝습니다.

[한국 관점] 에크가 든 인도네시아어 사례는 한국어에도 거의 그대로 적용됩니다. 사용자 수로는 세계 20위권 안팎이지만 영어권 시장과의 거리 때문에 번역과 더빙 비용이 콘텐츠 수출의 문턱으로 작동해 왔습니다.

음성 복제를 동반한 자동 더빙이 싸지면 그 문턱이 낮아지는 쪽과 높아지는 쪽이 함께 생깁니다. 한국어 콘텐츠가 더 쉽게 밖으로 나가는 동시에 외국어 콘텐츠도 같은 비용으로 한국어 음성이 되어 들어오고, 성우와 번역가의 일자리는 이 두 흐름 사이에 놓입니다.

혜택과 위험을 어디에 두는가

1부의 마지막 묶음은 혜택과 위험입니다. 저자들은 이 주제를 직접 논하는 대신 스튜어트 러셀(Stuart Russell)과 피터 노빅(Peter Norvig)이 쓴 1,116쪽짜리 교과서 『Artificial Intelligence: A Modern Approach』 4판의 서술을 끌어옵니다. 2020년에 나온 판이지만 그 견해가 여전히 유효하다고 보기 때문입니다.

혜택 쪽 논지는 단순합니다. 우리 문명 전체가 인간 지능의 산물이므로, 훨씬 큰 기계 지능에 접근할 수 있게 되면 우리가 품을 수 있는 야망의 천장도 크게 올라간다는 것입니다. AI와 로봇이 인류를 단순 반복 노동에서 풀어 주고 재화와 서비스의 생산을 극적으로 늘린다면 평화와 풍요의 시대를 예고할 수 있고, 과학 연구를 가속하는 능력은 질병의 치료법과 기후변화·자원 부족의 해법으로 이어질 수 있습니다. 구글 딥마인드의 데미스 하사비스(Demis Hassabis)가 제시한 순서가 이 기대를 압축합니다. “먼저 AI를 풀고, 그다음 AI로 나머지 모든 것을 풉니다.”

위험 쪽에는 시점이 하나 붙습니다. AI를 풀 기회를 얻기 훨씬 전에 오용에서 비롯되는 위험을 먼저 떠안게 된다는 것입니다. 어떤 것은 이미 드러났고 어떤 것은 현재 추세로 보아 충분히 예상되는데, 러셀과 노빅이 꼽은 항목은 치명적 자율무기, 감시와 설득, 편향된 의사결정, 고용에 대한 영향, 안전이 걸린 응용 분야, 사이버보안입니다.

1부는 스티븐 호킹(Stephen Hawking)의 문장으로 닫힙니다. AI를 만들어 내는 데 성공한 일은 우리 문명 역사상 가장 큰 사건이 될 수 있지만, 위험을 피하는 법을 배우지 못한다면 마지막 사건이 될 수도 있다는 말입니다.

해설 러셀과 노빅의 책은 전 세계 대학에서 AI 입문 교재로 가장 널리 쓰이는 책입니다. 저자들이 이 교과서를 끌어온 것은 혜택과 위험을 둘러싼 논쟁에서 특정 진영의 주장을 피하고 교과서적 합의를 쓰겠다는 선택으로 보입니다.

러셀 본인은 이 분야에서 위험 쪽에 더 무게를 두는 축에 속합니다. 같은 교과서 4판은 목표를 잘못 지정한 시스템이 일으키는 통제 문제를 정면으로 다루며, 러셀은 이후 별도의 저술에서도 그 논의를 이어 왔습니다.

[관점] 이 두 장에는 비대칭이 있습니다. 혜택은 문명과 야망의 천장이라는 큰 그림으로 서술되는 반면, 위험은 여섯 개 항목의 목록으로 제시되고 각각이 어떤 경로로 현실이 되는지는 펼쳐지지 않습니다.

340쪽 전체의 구성에서도 같은 비율이 유지됩니다. 혜택과 위험을 다루는 분량은 세 장이고, 나머지 330여 장은 채택과 지출과 수익화의 속도에 할애됩니다.

2부 사용자와 사용량과 설비투자의 증가는 전례가 없습니다

소비자 채택 속도를 무엇과 비교할 것인가

2부는 ChatGPT 사용자 곡선을 다시 꺼내는 것으로 시작합니다. 주간 활성 사용자는 2022년 10월부터 2025년 4월까지 17개월 만에 8배로 늘어 8억 명이 되었습니다. 저자들이 이 숫자를 기초 지표로 삼는 이유는 ChatGPT가 생성형 AI 전체의 대리 지표 역할을 하기 때문입니다.

지리적 확산은 더 흥미로운 비교를 만듭니다. 인터넷은 전체 사용자의 90%가 북미 밖에 자리 잡기까지 23년이 걸렸는데, ChatGPT 모바일 앱은 3년 만에 같은 90%에 도달했습니다. 국제전기통신연합(ITU)과 센서타워(Sensor Tower)의 데이터를 1990년의 인터넷과 2023년의 ChatGPT 앱을 각각 1년 차로 놓고 맞춘 그림입니다. 다만 이 수치에는 조건이 여럿 붙습니다. ChatGPT는 2025년 5월 기준 중국과 러시아를 비롯한 일부 국가에서 쓸 수 없고, 집계는 안드로이드와 아이폰과 아이패드의 단독 앱 사용자만 포함하므로 데스크톱이나 모바일 웹 사용자는 빠져 있습니다.

다른 제품과의 비교도 나란히 놓입니다. 사용자 1억 명에 이르기까지 걸린 시간에서 ChatGPT는 0.2년, 즉 두 달 남짓이었습니다. 그다음이 틱톡과 포트나이트(Fortnite)와 디즈니플러스(Disney+)로 1년 안팎이고, 인스타그램과 왓츠앱(WhatsApp)과 스냅챗과 유튜브가 2년대에서 4년대에 걸쳐 있습니다. 페이스북은 4.5년, 스포티파이와 텔레그램(Telegram)과 트위터(Twitter)와 우버와 핀터레스트(Pinterest)가 5년 안팎, 링크드인(LinkedIn)이 8년에 가깝습니다. 가장 오래 걸린 것은 스트리밍 사업 기준의 넷플릭스(Netflix)로 10.3년입니다.

저자들은 비교 대상을 소프트웨어 밖으로도 넓힙니다. 고객 또는 사용자 100만 명에 도달하기까지 1908년의 포드 모델 T(Model T)는 약 2,500일, 1999년의 티보(TiVo)는 약 1,680일이 걸렸습니다. 2007년 아이폰은 74일, 2022년 ChatGPT는 5일이었습니다. 함께 표시된 구입 가격은 2024년 달러 기준으로 모델 T가 2만 9,330달러, 티보가 945달러, 아이폰이 756달러인데, ChatGPT의 가격은 0달러였습니다.

마지막 비교는 가구 보급률입니다. 모건스탠리 집계에서 미국 가구의 50%가 받아들이기까지 2차 산업혁명기의 기술은 42년, PC 시대는 20년, 데스크톱 인터넷 시대는 12년, 모바일 인터넷 시대는 6년이 걸렸습니다. AI 시대에는 3년이 붙어 있는데, 이는 직전 주기의 절반으로 줄어드는 패턴이 이번에도 이어진다는 가정에서 나온 물음표가 달린 숫자입니다.

해설 1억 명 도달 시간을 가로로 늘어놓은 비교에는 제품의 성격 차이가 지워져 있습니다. 넷플릭스는 월 구독료를 받는 유료 서비스였고, 링크드인은 직장인이라는 제한된 모수를 상대했으며, 우버는 도시마다 차량과 운전자를 확보해야 움직이는 사업이었습니다.

ChatGPT는 가입만 하면 쓸 수 있는 무료 웹 서비스로 출발했고, 이미 55억 명이 연결된 기반 위에 올라탔습니다. 그래서 이 비교는 제품의 매력도 차이라기보다 진입 마찰의 차이를 보여 주는 쪽에 가깝습니다.

[관점] 가격 0달러는 이 비교의 숨은 변수입니다. 모델 T와 티보와 아이폰은 사용자가 돈을 내는 순간 채택이 집계되었지만, ChatGPT는 돈을 내지 않는 사용자가 집계되었고 그 비용은 공급자가 떠안았습니다.

빠른 확산과 떠안은 비용은 같은 동전의 양면입니다. 이 자료의 4부가 매출 37억 달러와 컴퓨트 비용 50억 달러를 나란히 놓는 장면은 2부의 이 곡선이 치른 대가를 뒤늦게 보여 주는 셈입니다.

엔비디아 생태계가 보여 주는 4년

기술 생태계 쪽 지표로는 엔비디아가 쓰입니다. 2021년부터 2025년까지 네 해 동안 이 회사 생태계의 개발자는 250만 명에서 600만 명으로 2.4배가 되었습니다. AI 스타트업 수는 7,000개에서 2만 7,000개로 3.9배가 되었고, GPU를 쓰는 애플리케이션 수는 1,700개에서 4,000개로 역시 2.4배가 되었습니다. 세 지표가 모두 4년 만에 두 배를 넘겼습니다.

[관점] 세 숫자 모두 엔비디아가 자사 생태계를 집계한 값이고, 집계 기준은 공개되어 있지 않습니다. 개발자는 등록 기준일 가능성이 크고, AI 스타트업과 애플리케이션의 포함 기준도 회사가 정합니다.

그렇다고 방향이 달라지지는 않습니다. 다만 이 수치들은 시장 전체의 크기가 아니라 한 회사의 플랫폼에 얼마나 많은 참여자가 모였는지를 보여 주는 지표로 읽는 편이 정확하고, 뒤에 나오는 엔비디아 매출 곡선과 같은 뿌리를 공유한다는 점도 함께 보아야 합니다.

기술 대기업은 무엇을 말하고 있는가

저자들은 기업이 AI를 얼마나 중요하게 다루는지를 실적 발표에서 ‘AI’를 몇 번 말했는지로 잽니다. 2020년 1분기부터 2024년 1분기까지 누적 언급 횟수에서 엔비디아가 1,061회로 가장 많았고, C3.ai가 1,057회, 바이두(Baidu)가 995회로 뒤를 이었습니다. 구글 568회, 메타 475회, IBM 472회, 마이크로소프트 376회, 세일즈포스 364회, 인텔 310회가 이어집니다. 2024년 1분기 한 분기만 놓고 보면 메타가 93회로 가장 많았습니다.

경영진의 발언도 네 장에 걸쳐 모읍니다. 아마존의 앤디 재시(Andy Jassy)는 2024년 주주서한에서 생성형 AI가 우리가 아는 거의 모든 고객 경험을 다시 발명하고 상상만 하던 경험까지 가능하게 할 것이라고 적었습니다. 초기 AI 작업은 생산성과 비용 회피에 집중되어 있지만, 점차 코딩과 검색과 쇼핑, 개인 비서와 1차 진료, 암과 신약 연구, 생물학과 로봇공학, 우주와 금융서비스와 지역 네트워크까지 모든 것의 기준을 바꿀 것이라는 전망입니다. 구글의 순다르 피차이는 2025년 4월 클라우드 넥스트 행사에서 구글이 10년 넘게 AI에 투자해 온 이유가 삶을 개선하고 사물을 다시 상상할 기회에 있다고 말했고, AI를 세계의 정보를 조직한다는 사명을 진전시킬 가장 중요한 수단으로 규정했습니다.

다음 장에는 성격이 다른 두 발언이 실립니다. 듀오링고(Duolingo)의 공동창업자 루이스 폰 안(Luis von Ahn)은 생성형 AI가 데이터 생성과 이전에는 불가능했던 기능 개발, 그리고 회사 전반의 효율에서 도움이 된다고 밝혔습니다. 특히 새 체스 커리큘럼은 프로그래밍을 할 줄 모르는 두 사람이 AI만으로 시제품과 전체 커리큘럼을 만들었고, 두 사람 모두 체스를 둘 줄도 몰랐다는 사례를 들었습니다. 저자들은 이 대목에 딥마인드의 알파고가 사람이 기계를 가르치는 데서 시작했다면 듀오링고의 체스는 기계가 사람을 가르친다는 설명을 붙여, AI가 한 바퀴를 돌았다고 적습니다. xAI의 일론 머스크는 AI에 좋은 가치, 특히 진실을 추구하는 가치가 프로그래밍되어야 하며 그것이 AI 안전에 본질적이라고 말했습니다.

마지막 두 발언은 AI를 인프라로 규정합니다. 로블록스(Roblox)의 데이비드 바수츠키(David Baszucki)는 AI를 개인이 더 많은 일을 하게 해 주는 인간 가속 도구로 보며, 길게 보면 사람과 그 사람이 쓰는 AI를 합친 것이 그 사람의 산출물로 여겨지게 될 것이라고 말했습니다. 엔비디아의 젠슨 황(Jensen Huang)은 2025년 5월 컴퓨텍스에서 10년 뒤 돌아보면 AI가 모든 것에 통합되어 있을 것이고 모든 지역과 산업과 국가와 기업에 AI가 필요하게 된다고 말했습니다. AI는 이제 인프라이며, 인터넷이나 전기와 마찬가지로 공장을 필요로 한다는 것이 그의 규정입니다. 그래서 데이터센터라는 이름이 부정확하고 에너지를 넣으면 대단히 가치 있는 것이 나오는 AI 공장으로 불러야 한다고 덧붙였습니다.

해설 실적 발표에서의 언급 횟수는 투자와 성과가 아니라 경영진이 투자자에게 보내는 신호를 셉니다. 같은 지표가 2017년 전후의 블록체인이나 2021년의 메타버스에서도 비슷한 모양으로 치솟았던 전례가 있습니다.

그래서 이 차트의 쓸모는 AI가 실제로 얼마나 쓰이는지가 아니라, 기업이 AI를 말하지 않고는 실적을 설명할 수 없는 국면에 들어섰다는 사실에 있습니다. 저자들이 이 절의 제목에 말로 하는 단계라는 표현을 붙인 것도 그 구분을 의식한 것으로 보입니다.

[관점] 여섯 명의 발언을 나란히 놓고 보면 공통점이 하나 있습니다. 모두 AI를 파는 쪽이거나 AI로 비용을 줄였다고 말할 유인이 있는 쪽입니다.

황이 데이터센터를 AI 공장으로 부르자고 제안하는 장면이 특히 그렇습니다. 공장이라는 말은 지출을 비용이 아니라 생산 설비 투자로 보이게 하는 틀인데, 그 틀에서 가장 크게 이득을 보는 회사가 그 틀을 제안하고 있습니다.

전통 기업으로 번진 우선순위

기술기업 밖에서도 같은 흐름이 나타납니다. 골드만삭스(Goldman Sachs) 집계에서 분기 실적 발표에 ‘AI’를 언급한 S&P 500 기업의 비율은 2015년 0%에 가깝던 데서 2022년까지 10% 안팎을 오르내리다가, 2023년에 급격히 꺾여 2024년 4분기에 50%에 이르렀습니다. 상장 대기업의 절반이 실적 발표에서 AI를 입에 올리는 상태가 되었습니다.

무엇을 기대하는지는 설문이 보여 줍니다. 모건스탠리가 2024년 5월에 글로벌 기업 427곳을 상대로 앞으로 2년 동안 생성형 AI로 개선하려는 항목을 물은 결과, 상위권은 생산과 산출(약 60%), 고객서비스(약 58%), 영업 생산성(약 57%), 매출(약 54%) 순이었습니다. 투하자본이익률(ROIC)과 마케팅 지출 효율이 40%대 중후반으로 이어지고, 마진이 40%대 초반입니다. 비용 쪽 항목은 뚜렷하게 아래에 몰려 있습니다. 관리비가 30%대 초반, 제조원가가 20%대 후반, 판매관리비와 마케팅이 20%대 초반이고, 인원수와 채용 비용은 10%대 중후반으로 가장 낮습니다.

저자들은 이 분포를 비용 절감이 아니라 성장과 매출이라는 한 문장으로 요약합니다. 마케팅 책임자를 상대로 한 별도 조사도 같은 방향입니다. 2024년 7월에 직원 500명 이상 기업의 마케팅 임원 300명에게 물은 결과, 초기 시험이나 실험을 진행 중이라는 응답이 약 64%, 완전히 구현했다는 응답이 약 11%로, 합치면 75%가 이미 생성형 AI 도구를 쓰거나 시험하고 있었습니다. 12개월 안에 시험을 시작할 계획이 약 21%, 1-2년 안이 약 3%였습니다.

실제 도입 사례는 네 곳이 실립니다. 뱅크오브아메리카(Bank of America)는 2018년 6월 모바일 앱에 넣은 대화형 비서 에리카(Erica)로 2025년 2월까지 누적 25억 회의 고객 상호작용을 처리했습니다. 4,000만 명 넘는 고객에게 하루 종일 쓸 수 있는 금융 안내자 역할을 하며, 디지털 책임자 니키 카츠(Nikki Katz)는 출시 이후 데이터과학팀이 자연어 이해 성능에 5만 건 넘는 수정을 가해 왔다고 밝혔습니다.

JP모건은 2020년 주주서한에서 이미 사기와 리스크, 마케팅과 영업 발굴, 아이디어 생성과 운영과 트레이딩에 AI를 광범위하게 쓰고 있다고 밝힌 뒤 전사적 현대화를 이어 왔습니다. 회사가 추산한 AI와 기계학습의 가치는 2024년에 전년 대비 35%, 2025년 전망치가 2024년 대비 65% 늘어나는 모양이며, 매출 창출과 비용·리스크 효율이라는 두 층으로 나뉩니다. 최고재무책임자 제러미 바넘(Jeremy Barnum)은 일부 핵심 사용자 집단이 주당 몇 시간의 생산성을 얻고 있고 그 시간이 가치가 낮은 업무에서 나온다고 말하면서도, 자신들이 일찍 움직였지만 여전히 여정의 초기에 있다고 덧붙였습니다.

의료에서는 카이저퍼머넌티(Kaiser Permanente)가 사례로 나옵니다. 퍼머넌티메디컬그룹(TPMG)은 2023년 10월 의사와 직원 1만 명을 대상으로 주변 음성을 받아 적는 AI 기록 도구를 열었고, 2024년 12월까지 이 도구를 한 번이라도 쓴 의사가 7,000명을 넘었으며 누적 사용은 250만 건을 넘었습니다. 「뉴잉글랜드 의학저널」 카탈리스트 보고서는 이 기술이 스마트폰 마이크로 진료 대화를 실시간으로 받아 적되 음성 녹음은 보관하지 않으며, 기록 부담을 줄이고 의사와 환자의 대면 시간을 늘릴 잠재력이 크다고 평가했습니다.

외식업에서는 얌브랜즈(Yum! Brands)가 2025년 2월 내놓은 매장 관리 플랫폼 바이트(Byte by Yum!)가 1년 만에 2만 5,000개 매장에서 하나 이상의 제품을 쓰는 상태가 되었습니다. 재고 추적과 근무 일정과 조리 알림 같은 반복 업무를 자동화하고, 온라인·모바일 주문과 판매시점관리, 주방과 배달 최적화, 메뉴와 재고와 인력 관리까지 묶은 플랫폼입니다.

해설 두 설문의 표본을 함께 보아야 수치의 무게를 가늠할 수 있습니다. 기업 설문은 427곳으로 미국 기업이 43%이고 일본과 영국과 프랑스와 독일이 각각 14-15%이며, 매출 10억 달러에서 50억 달러 사이 기업이 36%로 가장 많습니다.

마케팅 임원 설문은 300명이고 23개국에 걸쳐 있습니다. 둘 다 대기업 쪽에 치우친 표본이어서, 여기서 나온 채택률을 중소기업을 포함한 전체 경제로 옮겨 읽으면 과대평가가 됩니다.

[관점] 기업들이 비용 절감보다 성장을 앞세웠다는 결과는 두 가지로 읽힙니다. 하나는 이 기술이 실제로 매출을 만든다고 보고 있다는 해석이고, 다른 하나는 인원 감축을 설문에서 앞세우기 어려운 사정입니다.

인원수와 채용 비용이 열두 항목 중 맨 아래에 있다는 사실이 그래서 애매합니다. 8부에서 다시 나오는 고용 데이터는 이 응답과 반드시 같은 방향을 가리키지는 않습니다.

교육과 정부와 연구로

마지막 묶음은 기업 바깥입니다. 교육에서는 애리조나주립대학교(Arizona State University)가 2023년 8월 AI 도구를 만드는 기술자 조직을 따로 세웠고, 2025년 3월에는 옥스퍼드대학교(Oxford University)가 오픈AI와 연구 및 AI 문해력에 관한 5년 협력을 시작했습니다. 같은 달 출범한 넥스트젠AI(NextGenAI)는 매사추세츠공과대학과 하버드대학교, 캘리포니아공과대학(Caltech)을 비롯한 15개 연구중심 대학이 참여하는 5,000만 달러 규모의 컨소시엄입니다.

정부 쪽도 같은 시기에 움직였습니다. 2025년 1월 미국 연방기관용으로 조정된 ChatGPT Gov이 나왔고, 같은 달 미국 국립연구소들이 핵과 사이버보안과 과학적 돌파를 두고 협력에 들어갔습니다. 국가 단위에서는 소버린 AI 정책이 늘고 있습니다. 엔비디아가 2025년 2월에 집계한 소버린 AI 파트너 지도에는 프랑스의 스케일웨이(Scaleway), 스페인의 바르셀로나 슈퍼컴퓨팅센터, 에콰도르의 텔코넷(Telconet), 스위스의 스위스컴(Swisscom), 일본의 산업기술종합연구소(AIST), 베트남의 FPT 스마트클라우드, 싱가포르의 싱텔(Singtel)이 이름을 올렸습니다. 국가들이 한때 전기와 인터넷에 그랬듯 이제 AI 인프라에 투자하고 있다는 것이 젠슨 황의 설명입니다.

연구에서는 두 개의 숫자가 제시됩니다. 미국 식품의약국(FDA)이 승인한 AI 탑재 의료기기는 2015년까지 한 해 한 자릿수에 머물다가 2019년 80건, 2021년 114건, 2022년 160건을 거쳐 2023년 223건이 되었습니다. 저자들은 정부 연구개발 자금이 이 흐름의 중요한 축이었다는 점을 함께 적습니다.

예산 쪽 숫자도 붙어 있습니다. 2021회계연도부터 2025회계연도까지 미국 연방 AI 예산은 147억 달러이고, 2025회계연도 요청분의 34%를 미국 국립보건원(NIH)이 차지합니다. 2025년 5월에는 FDA 국장 마틴 마카리(Martin A. Makary)가 6월 말까지 모든 FDA 센터에 AI를 확대 적용하겠다는 일정을 내놓기도 했습니다.

신약 개발 기간도 짧아지고 있습니다. 인실리코메디슨과 크레이들(Cradle)의 2021년부터 2024년까지 사례에서, 전임상 후보 물질 단계에 이르기까지 전통적 방식으로는 2.5년에서 4년이 걸렸습니다. 고형암 표적은 9개월 안팎, 염증성 장질환 표적은 1년 안팎, 특발성 폐섬유증 표적은 1년 반 안팎으로 줄었습니다. 크레이들의 공동창업자 스테프 반 그리켄(Stef van Grieken)은 자사 플랫폼으로 생물의약품을 설계하는 제약사들이 전임상 연구개발에서 1.5배에서 12배의 속도 향상을 보고 있다고 말했습니다.

해설 FDA 승인 건수는 생성형 AI의 성과와 구분해서 읽어야 합니다. 이 목록의 대부분은 영상의학 판독을 비롯한 패턴 인식 모델이고, 2023년까지의 집계이므로 대규모 언어모델이 본격적으로 들어오기 전의 숫자입니다.

전임상 기간 비교도 마찬가지입니다. 세 사례는 한 회사가 자사 성과로 제시한 개별 프로그램이어서, 업계 평균의 단축으로 일반화하기에는 표본이 적습니다. 전임상 단계를 빨리 통과한 후보가 임상에서 더 잘된다는 보장도 아직 없습니다.

[한국 관점] 엔비디아의 소버린 AI 파트너 지도에는 일본과 싱가포르와 베트남이 이름과 함께 표시되어 있지만 한국은 별도로 호명되지 않습니다. 그렇다고 한국이 이 흐름 밖에 있는 것은 아니어서, 한국은 2024년 12월 세계에서 두 번째로 포괄적인 AI 법률인 AI 기본법을 통과시켰고 국가 AI 컴퓨팅 센터 구축을 추진해 왔습니다.

차이는 접근 방식에 있습니다. 이 지도가 보여 주는 것은 주로 통신사와 국립 연구기관이 엔비디아 설비로 자국용 AI 클라우드를 세우는 모델인데, 한국의 논의는 법제도 정비와 공공 컴퓨팅 자원 확보가 함께 가는 쪽이어서 국제 비교에서 잘 드러나지 않는 면이 있습니다.

누가 얼마나 자주 쓰는가

사용자 수 다음에 오는 질문은 누가 쓰느냐입니다. 미국 성인 가운데 ChatGPT를 써 본 적이 있다고 답한 비율은 2023년 7월 퓨리서치센터 조사에서 18%였는데, 2025년 1월 일론대학교(Elon University) 조사에서는 37%가 되었습니다. 연령대별로 보면 18-29세가 33%에서 55%로, 30-49세가 21%에서 44%로 올라갔습니다. 50-64세는 13%에서 30%로, 65세 이상은 4%에서 20%로 늘었습니다. 1년 반 사이에 모든 연령대에서 비율이 두 배 안팎으로 뛰었고, 가장 높은 배수는 고령층에서 나왔습니다.

쓰는 방식은 연령에 따라 갈립니다. 올트먼은 거칠게 단순화하면 나이 든 사람은 ChatGPT를 구글의 대체재처럼 쓰고 20대와 30대는 인생 상담자처럼 쓴다고 말했습니다.

얼마나 오래 쓰는지도 늘었습니다. 센서타워 집계에서 미국 활성 사용자가 ChatGPT 앱에 하루에 쓰는 시간은 2023년 7월 6분 안팎에서 2025년 4월 19분 안팎으로 21개월 동안 202% 늘었습니다. 그 안을 들여다보면 두 요소가 함께 움직였습니다. 1인당 하루 세션 수가 4회 안팎에서 8회를 넘어 106% 늘었고, 세션당 평균 시간은 1.5분 안팎에서 2.25분 안팎으로 47% 늘었습니다. 한 번에 오래 머무는 쪽보다 하루에 여러 번 돌아오는 쪽으로 무게가 실린 셈입니다.

돌아오는 비율 자체도 올라갔습니다. 이핏데이터(YipitData)가 집계한 전 세계 데스크톱 사용자의 주간 리텐션에서 ChatGPT는 2023년 1월 58% 수준에서 2025년 4월 80% 수준으로 27개월 동안 약 22.6%포인트 올랐습니다. 같은 기간 구글 검색의 리텐션은 90%대 초반에서 거의 평평하게 유지되었습니다.

해설 리텐션은 직전 주에 쓴 사람 가운데 이번 주에도 쓴 사람의 비율입니다. 신규 사용자가 아무리 많이 들어와도 다음 주에 돌아오지 않으면 떨어지는 지표여서, 제품이 습관이 되었는지를 보는 데 쓰입니다.

이 집계는 VPN과 브라우저 확장 프로그램 같은 경로에서 수집한 수백만 명의 데스크톱 클릭스트림 데이터를 씁니다. 모바일 앱 사용자는 빠져 있고, 중국 데이터는 제한이 있으며, 연말 연휴로 기업 사용이 줄어든 몇 주는 이상치로 제외되었습니다.

[관점] 이 차트에서 저자들이 강조하는 것은 ChatGPT의 22.6%포인트 상승입니다. 다만 같은 그림에서 구글 검색의 리텐션은 27개월 내내 ChatGPT보다 10%포인트 이상 위에 있습니다.

따라잡는 중이라는 사실과 아직 따라잡지 못했다는 사실이 한 장에 같이 들어 있는데, 제목은 앞의 것만 담고 있습니다. 검색이라는 습관이 얼마나 단단한지를 보여 주는 선이기도 합니다.

직장과 학교에서는 무엇에 쓰는가

직장에서의 평가는 퓨리서치센터가 2024년 10월에 미국의 취업자 5,273명을 상대로 조사했습니다. AI 챗봇을 쓰는 응답자 가운데 일을 더 빨리 할 수 있게 되었다는 쪽이 약 79%였는데, 매우 또는 대단히 도움이 되었다는 응답이 약 41%, 어느 정도 도움이 되었다는 응답이 약 38%였습니다. 일의 질이 좋아졌다는 쪽은 약 72%로, 매우 또는 대단히가 약 29%, 어느 정도가 약 43%였습니다. 속도에 대한 체감이 품질에 대한 체감보다 뚜렷하게 앞섭니다.

학교 쪽은 오픈AI가 2024년 12월부터 2025년 1월까지 미국의 18-24세 대학생과 대학원생 1,299명을 조사한 결과를 씁니다. 가장 많이 쓰는 용도는 과제나 프로젝트를 시작하는 일로 약 49%였고, 글 요약이 약 48%, 창의적 프로젝트의 아이디어 떠올리기가 약 45%로 뒤를 이었습니다. 주제 탐색과 글 다듬기가 각각 43% 안팎, 수학 문제 풀이가 약 41%, 시험 준비가 약 38%, 학술 연구가 약 36%입니다.

중간 구간에는 개인교습과 에세이 초안 작성, 진로 관련 글쓰기가 30%대 초반으로 모여 있고, 시험 답안 작성이 약 28%, 과학 연구가 약 27%입니다. 수업 계획 작성과 언어 학습이 20%대, 진로 조언과 성적 예측이 18% 안팎으로 이어집니다. 그 아래로는 연애 상담이 약 16%, 컴퓨터 프로그래밍과 일정 관리가 15% 안팎, 학교 과제와 학생 협업 지원이 13-14%, 구직이 약 12%입니다. 가장 낮은 쪽에는 정신건강 도움과 신체건강 도움이 11-12%, 소셜미디어 콘텐츠 작성이 약 10%, 시각 데이터 분석이 약 8%로 자리 잡고 있습니다.

[관점] 학생 조사의 표본에는 조건이 하나 붙어 있습니다. AI를 쓰지 않으면서 앞으로 1년 안에 쓸 생각도 거의 없는 집단, 즉 AI 거부자를 제외하고 모집한 표본입니다.

그래서 이 목록은 대학생 전체의 사용 분포라기보다, AI를 쓰거나 쓸 의향이 있는 학생들 안에서의 용도 순위에 가깝습니다. 교육·진로 용도가 상위를 차지하고 연애 상담과 건강 상담이 하위에 몰린 분포도, 조사 주체가 오픈AI라는 점과 함께 읽을 필요가 있습니다.

[한국 관점] 한국에서는 같은 시기에 학교가 AI를 받아들이는 방식 자체가 쟁점이 되었습니다. 2025년 도입된 AI 디지털교과서는 이후 법 개정으로 교과서가 아니라 교육자료로 지위가 바뀌면서, 채택 여부가 학교 재량으로 넘어갔습니다.

미국 조사가 보여 주는 것은 학생들이 각자 알아서 쓰는 상향식 확산인데, 한국의 논쟁은 제도가 무엇을 공식 교재로 인정할지를 두고 벌어졌습니다. 두 나라에서 같은 기술이 다른 층위의 문제로 다뤄진 셈입니다.

딥리서치가 대신하기 시작한 일

사용의 범위가 넓어지는 장면으로 저자들은 딥리서치를 듭니다. 2024년 12월부터 2025년 2월 사이에 세 회사가 같은 성격의 기능을 내놓았습니다. 구글의 제미나이 딥리서치는 사용자를 대신해 수백 개 웹사이트를 자동으로 돌아보고 결과를 숙고한 뒤 여러 쪽짜리 보고서를 만들며, 그 보고서를 팟캐스트 형식의 대화로 바꿀 수도 있습니다. 구글은 이를 단순한 질의응답을 넘어 진짜 협업 파트너가 되는 더 에이전트다운 AI로 가는 한 걸음이라고 설명했습니다.

오픈AI는 같은 이름의 기능을 내놓으면서 복잡한 과업을 위해 인터넷에서 여러 단계의 조사를 수행하는 에이전트 기능이라고 규정했습니다. 사람이 여러 시간을 들여야 할 일을 수십 분 만에 해낸다는 것이 회사의 설명이며, 오픈AI는 이를 새로운 과학 연구를 만들어 내는 AGI라는 더 넓은 목표를 향한 의미 있는 진전으로 자리매김했습니다. xAI는 딥서치(DeepSearch)를 첫 에이전트로 내놓으면서, 인류 지식 전체를 뒤져 핵심 정보를 종합하고 상충하는 사실과 의견을 두고 추론해 복잡함에서 명료함을 뽑아내도록 설계했다고 밝혔습니다.

해설 딥리서치라는 이름이 가리키는 것은 모델의 크기가 아니라 작업의 구조입니다. 한 번의 질문에 한 번 답하는 대신, 검색하고 읽고 다시 검색하는 과정을 스스로 여러 차례 반복한 뒤 결과를 묶어 내놓는 방식입니다.

이 구조는 비용 쪽에도 영향을 줍니다. 한 번의 요청이 수십 번의 모델 호출과 웹 접근으로 늘어나기 때문에, 사용자가 체감하는 질문 하나의 가격은 일반 대화보다 훨씬 비싸집니다. 3부에서 다루는 추론 비용 문제가 커지는 이유 가운데 하나입니다.

대답에서 실행으로

저자들은 지금 등장하는 AI를 비서라기보다 서비스 제공자에 가깝다고 규정합니다. 전통적인 챗봇은 정해진 대본이나 좁은 흐름 안에서 사용자의 요청에 반응하도록 설계되어, 답을 찾아 주고 글을 요약하고 대화를 흉내 낼 수는 있었지만 언제나 반응적이고 제한된 틀 안에 있었습니다. 에이전트는 그와 달리 추론하고 행동하며 여러 단계의 과업을 사용자를 대신해 끝까지 수행하는 장시간 실행 프로세스입니다. 회의를 잡고 보고서를 제출하고 도구에 로그인하고 여러 플랫폼에 걸친 작업 흐름을 지휘하는데, 그 명령 계층으로 자연어를 씁니다.

저자들은 이 전환을 2000년대 초의 변화에 견줍니다. 정적인 웹사이트가 동적인 웹 애플리케이션에 자리를 내주면서 지메일과 구글 지도 같은 도구가 인터넷을 문서의 묶음에서 쓸 수 있는 설비의 집합으로 바꿨듯이, AI 에이전트는 대화 인터페이스를 기능하는 인프라로 바꾸고 있다는 것입니다. 초기 비서가 분명한 입력을 받아 좁은 출력을 내놓았다면, 에이전트는 목표와 자율성과 일정한 안전장치를 가지고 작동하겠다고 약속합니다. 의도를 해석하고 기억을 관리하며 여러 앱을 조율해 실제 일을 끝내는 쪽으로, 즉 반응이 아니라 완수 쪽으로 중심이 옮겨 갑니다. 한때 메시지를 주고받는 인터페이스였던 것이 행동 계층이 되어 가고 있습니다.

관심의 크기는 검색량으로 확인됩니다. 전 세계에서 ‘AI 에이전트’를 검색한 횟수는 2024년 1월부터 2025년 5월까지 16개월 동안 1,088% 늘어 주간 50만 건 수준에 이르렀고, 2025년 3월 11일 오픈AI가 에이전트용 개발자 도구를 내놓은 시점이 급등 구간에 표시되어 있습니다.

실제 출시도 이어졌습니다. 세일즈포스는 2024년 10월 에이전트포스(Agentforce)를 정식 출시해 자동 고객 지원과 상담 해결, 잠재고객 선별과 주문 추적을 맡겼습니다. 같은 달 앤트로픽이 클로드 3.5의 컴퓨터 사용 기능을 연구 프리뷰로 공개해 화면을 직접 조작하며 웹사이트에서 데이터를 가져오거나 온라인 구매를 수행하게 했고, 오픈AI도 2025년 1월 같은 성격의 오퍼레이터(Operator)를 연구 프리뷰로 내놓았습니다. 아마존은 2025년 3월 노바 액트(Nova Act)를 역시 연구 프리뷰로 공개해 가정 자동화와 구매, 정보 수집과 일정 관리를 다루게 했습니다.

해설 네 제품 가운데 셋이 연구 프리뷰 단계라는 점이 이 목록의 실제 상태를 보여 줍니다. 연구 프리뷰는 일반 공급이 아니라 제한된 사용자에게 시험용으로 여는 단계이고, 신뢰성과 안전 문제가 정리되지 않았다는 뜻이기도 합니다.

화면을 직접 조작하는 방식의 에이전트는 특히 그렇습니다. 사람이 쓰는 화면을 그대로 쓰기 때문에 적용 범위는 넓지만, 잘못 누르거나 잘못 읽었을 때 되돌리기 어려운 행동이 실제로 실행된다는 위험이 함께 따라옵니다.

[관점] 검색량 1,088% 증가는 채택이 아니라 관심을 잽니다. 같은 지표에서 급등 구간이 오픈AI의 개발자 도구 발표에 맞물려 있다는 점은, 이 곡선의 상당 부분이 업계의 발표 일정에 따라 움직였다는 뜻이기도 합니다.

에이전트가 실제로 일을 끝내고 있는지는 이 자료의 다른 곳에서도 숫자로 제시되지 않습니다. 기업들이 실험을 넘어 배포에 들어갔다는 서술은 있지만, 완수율이나 되돌림 비율 같은 지표는 아직 공개된 것이 거의 없습니다.

다음 프런티어로 놓인 AGI

2부의 이 묶음은 AGI로 닫힙니다. 저자들은 범용인공지능(AGI)을 추론과 계획, 적은 표본으로부터의 학습, 영역을 넘나드는 지식 일반화까지 인간의 지적 과업 전 범위를 수행할 수 있는 시스템으로 정의합니다. 넓기는 해도 특정한 경계 안에서 잘하는 지금의 모델과 달리, AGI는 분야를 가로질러 완전히 유연하게 작동하고 재학습 없이 낯선 문제를 풀 수 있는 상태를 가리킵니다. 모델 규모와 학습 데이터와 연산 효율에서의 최근 지수적 성과 위에 놓인 중대한 이정표라는 것이 저자들의 자리매김입니다.

시점에 대해서는 불확실성을 인정하면서도 전문가들의 예상이 최근 몇 년 사이 의미 있게 앞당겨졌다고 적습니다. 근거로는 올트먼이 2025년 1월에 밝힌 발언을 듭니다. 전통적으로 이해되어 온 의미의 AGI를 어떻게 만드는지 이제 알고 있다고 확신한다는 말인데, 저자들은 이것이 단정이 아니라 예측이라는 단서를 붙입니다. 다만 모델 구조와 추론 효율과 학습 규모에서의 진전이 연구와 프런티어 역량 사이의 거리를 좁히고 있다는 사실은 그 발언에 담겨 있다고 봅니다.

AGI가 실현될 경우의 모습도 그려집니다. 미리 프로그래밍된 과업을 실행하는 대신 목표를 이해하고 계획을 만들어 실시간으로 스스로를 교정하며, 연구와 공학과 교육과 물류의 작업 흐름을 사람의 감독이 거의 없이 끌고 갈 수 있다는 것입니다. 새 문제 영역을 다루기 위해 대규모 재학습이 필요하지 않고 인간 전문가처럼 학습을 전이하며 맥락 속에서 작동하게 됩니다. 여기에 AGI로 구동되는 휴머노이드 로봇이 더해지면 물리적 환경과 그 안에서 우리가 움직이는 방식까지 바뀌게 됩니다.

저자들은 마지막에 균형을 잡는 문장을 넣습니다. AGI는 결승선이 아니라 역량의 상전이이며, 그것이 제도와 노동과 의사결정을 어떻게 바꿀지는 함께 따라오는 안전장치와 배포 틀에 달려 있다는 것입니다. 생산성 쪽의 상승 여지는 클 수 있지만 고르게 분배되지는 않을 것이고, 지정학적·윤리적·경제적 함의는 급격하게가 아니라 점진적으로 전개될 수 있습니다. 산업에서 디지털로, 디지털에서 알고리즘으로 넘어온 앞선 전환들이 그랬듯, 결과를 결정하는 것은 기술이 무엇을 할 수 있는가만이 아니라 사회가 그것을 어떻게 받아들이고 다스리기로 하는가라는 결론입니다.

[반론] AGI를 도달 가능한 문턱으로 놓는 이 틀 자체를 거부하는 입장도 있습니다. 프린스턴대학교의 아빈드 나라야난과 사야시 카푸어는 2025년 「AI as Normal Technology」에서 AI를 전기나 인터넷 같은 일반 기술로 보아야 하며, 역량의 발전 속도와 사회가 그것을 실제로 채택하는 속도는 전혀 다른 문제라고 주장했습니다.

이들의 논지에서 중요한 것은 모델이 무엇을 할 수 있는가가 아니라 제도와 조직이 그것을 얼마나 빨리 받아들일 수 있는가입니다. 같은 이유로 이들은 지능 폭발이나 급격한 이륙을 전제한 논의가 실제 확산 경로를 설명하지 못한다고 봅니다.

[관점] 이 장의 서술 구조에는 특징이 하나 있습니다. AGI의 정의와 실현 시 모습은 단정적인 문장으로 길게 서술되는 반면, 언제 오는지에 대한 근거는 오픈AI 최고경영자의 발언 하나입니다.

그 발언의 성격도 함께 보아야 합니다. AGI가 가까워졌다는 진술은 오픈AI의 자금 조달과 기업가치 평가에 직접 연결되며, 저자들이 예측이라는 단서를 붙인 것도 그 간격을 의식했기 때문으로 보입니다.

설비투자는 그동안 어디에 쓰여 왔는가

설비투자가 어디로 가는지 알려면 어디에 있었는지를 보아야 한다는 것이 저자들의 출발점입니다. 지난 20년 동안 기술 설비투자는 데이터라는 긴 호를 따라 몇 차례 꺾였습니다. 처음에는 저장과 접근으로, 다음에는 유통과 규모로, 이제는 연산과 지능으로 향했습니다. 첫 물결에서는 거대한 서버 팜과 해저 케이블과 초기 데이터센터에 돈이 들어갔고, 그 위에서 아마존과 마이크로소프트와 구글이 클라우드 컴퓨팅의 토대를 놓았습니다. 저장하고 조직하고 제공한다는 것이 1단계의 내용이었습니다.

두 번째 물결은 아직 진행 중입니다. 데이터를 많이 쓰는 AI 작업을 위해 연산을 증폭하는 단계이고, 클라우드 컴퓨팅의 자연스러운 다음 걸음이기도 합니다. 하이퍼스케일러의 설비투자 예산은 점점 더 GPU와 텐서처리장치(TPU) 같은 전용 칩과 액체냉각, 그리고 프런티어 데이터센터 설계 쪽으로 기울고 있습니다. 2019년에 AI는 연구 기능이었지만 2023년에는 설비투자 항목이 되었습니다. 마이크로소프트의 부회장 겸 사장 브래드 스미스(Brad Smith)는 2025년 4월 블로그에서 AI와 클라우드 데이터센터가 과거의 전기나 다른 범용기술처럼 산업화의 다음 단계라고 적었습니다.

숫자로 보면 흐름이 분명합니다. 애플과 엔비디아와 마이크로소프트와 알파벳과 아마존과 메타, 즉 빅식스의 설비투자는 2014년 300억 달러 수준에서 2024년 2,120억 달러로 10년 동안 연 21% 늘었습니다. 같은 기간 전 세계에서 생성된 데이터는 12제타바이트 수준에서 147제타바이트 수준으로 연 28% 늘었습니다. 데이터가 불어날수록 하이퍼스케일 데이터센터와 더 빠른 네트워크와 더 많은 연산 용량이 필요해진다는 것이 저자들이 두 곡선을 겹쳐 놓은 이유입니다.

투자만 는 것이 아니라 매출도 따라왔습니다. 아마존웹서비스와 마이크로소프트 인텔리전트 클라우드, 구글 클라우드와 오라클 클라우드, IBM 클라우드, 알리바바 클라우드와 텐센트 클라우드(Tencent Cloud)를 합친 하이퍼스케일러 클라우드 매출은 2014년 200억 달러 안팎에서 2024년 3,400억 달러 수준으로 10년 동안 연 37% 늘었습니다. 설비투자보다 매출이 더 빠르게 자란 10년이었던 셈입니다.

해설 하이퍼스케일러는 대규모 데이터센터를 운영하는 사업자를 가리키며, 이 자료에서는 아마존웹서비스와 마이크로소프트 애저, 구글 클라우드 플랫폼(GCP)과 알리바바 클라우드 등을 포함합니다. 자기 서비스를 돌리는 데 그치지 않고 남에게 연산과 저장을 빌려주는 규모에 이른 사업자라는 뜻입니다.

클라우드 매출 수치에는 단서가 붙습니다. 회사마다 하이퍼스케일러 클라우드 매출을 같은 기준으로 공시하지 않아 이 집계는 추정치이고, 오라클은 클라우드 서비스와 라이선스 지원에 온프레미스 라이선스까지, IBM은 인프라 항목 전체를 포함합니다. 알리바바와 텐센트는 모건스탠리 추정치입니다.

[관점] 두 곡선을 겹쳐 놓는 방식은 설득력이 있지만 인과를 보여 주지는 않습니다. 데이터 생성량이 늘어서 설비투자가 늘었는지, 설비투자가 늘어 더 많은 데이터를 담고 만들 수 있게 되었는지는 이 그림만으로 가려지지 않습니다.

제타바이트 단위의 전 세계 데이터 생성량 추정치 자체도 조심스럽게 볼 숫자입니다. 여기에는 동영상 스트리밍처럼 생성되자마자 버려지는 데이터가 대량으로 포함되어, 학습에 쓸 수 있는 데이터의 증가와 같은 뜻이 아닙니다.

AI가 꺾어 놓은 곡선

같은 설비투자 곡선을 저자들은 다른 변수와 겹쳐 다시 보여 줍니다. 먼저 학습 데이터입니다. Epoch AI 집계에서 AI 모델의 학습 데이터셋 크기는 토큰 기준으로 2010년 6월부터 2025년 5월까지 15년 동안 연 250% 늘었습니다. 토큰은 학습에 쓰이는 텍스트의 기본 단위이고, 토큰 수가 많을수록 더 다양하고 방대한 데이터를 뜻하지만 어느 지점을 지나면 수익이 체감한다는 단서가 붙어 있습니다.

그다음이 ChatGPT 사용자입니다. 빅식스 설비투자는 2023년에서 2024년 사이 63% 늘었고, 같은 기간 ChatGPT 주간 활성 사용자는 200% 늘었습니다. 10년 평균 연 21%였던 증가율이 한 해에 63%로 뛴 것이니, 저자들이 쓴 표현대로 곡선이 꺾인 것입니다.

매출 대비 비중으로 보면 부담의 크기가 드러납니다. 빅식스의 설비투자는 2014년 매출의 8% 수준이었는데 2024년에는 15%가 되었습니다. 매출이 함께 커졌는데도 설비투자가 매출에서 차지하는 몫이 거의 두 배가 되었습니다.

[관점] 설비투자 63% 증가와 ChatGPT 사용자 200% 증가를 한 화면에 놓으면 둘이 연결된 것처럼 보입니다. 다만 빅식스 가운데 ChatGPT를 운영하는 회사는 없고, 마이크로소프트가 오픈AI에 투자해 애저에서 작업을 돌린다는 간접 경로가 있을 뿐입니다.

이 두 곡선이 실제로 이어지는 지점은 수요의 기대입니다. 사용자가 그만큼 늘어날 것이라는 전망이 설비 결정을 끌어당긴 것이고, 이미 발생한 매출이 설비를 끌어당긴 것은 아닙니다. 그 차이가 이 자료의 4부에서 손실 문제로 다시 나타납니다.

아마존웹서비스로 보는 두 번의 건설

저자들은 한 회사의 사례로 이 국면이 처음이 아님을 보여 줍니다. 모건스탠리 추정으로 아마존웹서비스의 설비투자가 매출에서 차지하는 비중은 2013년 27%였습니다. 초기 클라우드 인프라를 깔던 시기였고, 선행 투자가 끝나고 매출이 자라면서 이 비율은 2018년 4%까지 떨어졌습니다. 그런데 2020년부터 AI와 기계학습 인프라를 짓느라 설비투자가 다시 전년 대비 30%씩 늘기 시작했고, 2024년에는 매출의 49%가 설비투자로 나갔습니다.

저자들은 이 그림에 물음표를 답니다. 클라우드 때는 비율이 올라갔다가 내려왔는데 AI도 같은 경로를 따를 것인지가 질문입니다.

해설 클라우드 1차 건설과 지금의 차이를 가르는 변수는 설비의 수명입니다. 서버와 저장장치는 보통 5-6년을 쓰는 것으로 잡고 감가상각하는데, 최신 GPU는 성능 개선 속도가 빨라 경제적 수명이 더 짧을 수 있다는 논쟁이 이어져 왔습니다.

수명이 짧다면 같은 매출을 유지하기 위해 설비를 더 자주 갈아야 하고, 그러면 설비투자 비율은 2018년처럼 내려오지 않고 높은 수준에 머물게 됩니다. 저자들이 던진 물음표는 사실상 이 감가상각 논쟁을 가리킵니다.

GPU 한 세대가 바꾼 경제학

설비투자를 밀어 올린 한 축은 칩 성능입니다. 엔비디아가 이론상 10억 달러 규모의 데이터센터를 가정해 세대별로 비교한 표가 실려 있습니다. 2016년 파스칼(Pascal) 세대는 같은 예산으로 GPU 4만 6,000개를 넣어야 했고, 2018년 볼타(Volta)는 4만 3,000개, 2020년 암페어(Ampere)는 2만 8,000개, 2022년 호퍼(Hopper)는 1만 6,000개, 2024년 블랙웰(Blackwell)은 1만 1,000개로 줄었습니다. 같은 돈으로 더 적은 수의 칩을 넣는데 성능은 8년 동안 225배가 되었습니다.

성능을 연산량으로 보면 파스칼이 1엑사플롭이었던 것이 블랙웰에서 220엑사플롭이 됩니다. 이를 토큰으로 환산하면 연간 추론 토큰 처리량이 500억 개에서 1,375조 개로 2만 7,500배가 되고, 토큰 가격을 고정했을 때의 이론적 연간 토큰 매출은 24만 달러에서 70억 달러로 3만 배가 됩니다. 전력은 같은 기간 37메가와트에서 21메가와트로 43% 줄어, 메가와트당 연간 토큰 처리량으로 따지면 13억 개에서 65조 개로 5만 배의 에너지 효율 개선이 됩니다.

설치된 연산력 자체도 같이 불어났습니다. Epoch AI 집계에서 전 세계에 설치된 엔비디아 GPU의 총 연산력은 2019년 1분기부터 2024년 4분기까지 6년 동안 연 130%씩 늘어 100배를 넘겼습니다. GPU 관련 설비투자의 확대와 GPU 한 개당 성능의 상승이 동시에 일어난 결과입니다. 다만 이 집계에는 TPU를 비롯한 다른 전용 가속기가 빠져 있고, 저자들은 TPU가 엔비디아 칩에 맞먹는 총 연산력을 제공할 수 있다는 단서를 함께 답니다.

해설 이 표의 비교 대상은 실제 데이터센터가 아니라 이론적으로 10억 달러를 똑같이 쓴다고 가정한 모형입니다. 비교 작업도 특정한 추론 작업 하나로 고정되어 있어서, 다른 종류의 작업에서는 세대 간 격차가 다르게 나옵니다.

토큰 매출 3만 배라는 숫자에는 토큰 가격이 그대로라는 가정이 깔려 있습니다. 그런데 뒤의 3부에서 저자들이 보여 주듯 토큰 가격은 같은 기간 급격히 떨어졌으므로, 실제 매출이 그 배수만큼 늘어나지는 않습니다.

[이해관계] 세대별 비교표와 소버린 AI 지도와 생태계 지표는 모두 엔비디아가 만들어 제공한 자료입니다. 같은 회사가 데이터센터를 AI 공장으로 부르자고 제안한 당사자이기도 합니다.

표가 보여 주는 방향, 즉 같은 돈으로 더 적은 칩을 사서 더 많은 토큰을 뽑아낼 수 있다는 결론은 설비 교체를 앞당기는 논거가 됩니다. 성능이 좋아질수록 더 자주 사야 한다는 권유로도 읽히는 자료입니다.

돈이 흘러간 곳과 그것을 댈 수 있는 이유

이 지출의 가장 큰 수혜자는 분명합니다. 엔비디아가 2025년 GTC에서 제시한 자료에서 전 세계 데이터센터 설비투자는 2022년 2,400억 달러에서 2023년 2,600억 달러, 2024년 4,500억 달러로 늘었습니다. 같은 기간 이 금액에서 엔비디아의 데이터센터 매출이 차지하는 비중은 6% 수준에서 18%대를 거쳐 25%가 되었습니다. 전 세계가 데이터센터에 쓰는 돈의 4분의 1이 한 회사로 들어가는 구조입니다.

지출은 설비에만 쏠린 것이 아닙니다. 빅식스의 연구개발비는 2014년 420억 달러 수준에서 2024년 2,550억 달러 수준으로 연 20% 늘었고, 매출에서 차지하는 비중도 9%에서 13%로 올라갔습니다. 설비투자 비중과 연구개발 비중이 함께 올라간 10년입니다.

이런 지출을 감당할 수 있는 이유는 현금입니다. 빅식스의 잉여현금흐름은 2014년 이후 263% 늘어 2024년 3,890억 달러가 되었습니다. 회사별로 보면 애플이 2014년 600억 달러에서 2024년 980억 달러로, 엔비디아가 10억 달러 수준에서 610억 달러로, 마이크로소프트가 270억 달러에서 700억 달러로, 구글이 120억 달러에서 730억 달러로 늘었습니다. 아마존은 20억 달러에서 340억 달러로, 메타는 40억 달러에서 540억 달러로 늘었습니다.

보유 현금도 같은 기간 103% 늘어 4,430억 달러가 되었습니다. 다만 구성은 균일하지 않습니다. 아마존이 170억 달러에서 1,010억 달러로, 메타가 110억 달러에서 780억 달러로, 엔비디아가 50억 달러에서 430억 달러로 늘어난 반면, 애플은 2019년 1,070억 달러에서 2024년 540억 달러로, 마이크로소프트는 1,340억 달러에서 710억 달러로 줄었습니다.

[관점] 현금 차트에서 눈에 띄는 것은 애플과 마이크로소프트의 감소입니다. 10년 전체로는 늘었지만 2019년 이후로는 절반 가까이 줄었고, 같은 기간에 설비투자와 자사주 매입과 배당이 함께 늘었습니다.

그래서 이 자료가 말하는 현금이 두둑하다는 서술은 빅식스 전체의 합계에서는 맞지만 회사별로는 갈립니다. 잉여현금흐름이 계속 들어오는 한 문제가 되지 않는 구조이되, 그 흐름이 꺾이면 지출을 떠받치던 전제가 함께 흔들립니다.

[한국 관점] 이 지출 사슬에서 한국 기업이 서 있는 자리는 데이터센터 설비투자의 하류가 아니라 상류입니다. GPU 한 장이 더 많은 토큰을 처리하려면 고대역폭 메모리(HBM)가 함께 올라가야 하는데, 이 부품은 SK하이닉스와 삼성전자, 그리고 미국의 마이크론이 사실상 나누어 공급해 왔습니다.

그래서 빅식스의 설비투자 곡선은 한국의 반도체 수출과 같은 방향으로 움직이는 변수입니다. 동시에 이 자료가 보여 주는 집중도, 즉 데이터센터 지출의 4분의 1이 한 회사로 모이는 구조는 그 회사의 주문 계획이 한국 기업의 실적 변동성으로 그대로 전달된다는 뜻이기도 합니다.

학습에서 추론으로

2부의 설비투자 묶음은 돈이 어디에 쓰이는지를 다시 쪼개면서 닫힙니다. 대규모 언어모델 개발에서 지출의 대부분은 여전히 컴퓨트, 그중에서도 모델을 학습시키고 돌리는 데 드는 컴퓨트입니다. 학습 비용은 여전히 대단히 높고 빠르게 오르고 있어서 모델 하나에 1억 달러를 넘기는 경우가 흔합니다. 앤트로픽의 다리오 아모데이(Dario Amodei)는 2024년 중반에 지금은 1억 달러가 들고 지금 학습 중인 모델 중에는 10억 달러에 가까운 것도 있으며 100억 달러짜리 모델의 학습이 2025년 중 시작될 수 있다고 말했습니다. 이 핵심 컴퓨트 비용 주위에는 연구와 데이터 확보와 호스팅, 인건비와 일반 관리비와 시장 진입 비용이라는 고비용 층이 더 붙습니다.

그런데 전체 지출에서 비중이 옮겨 가고 있습니다. 학습 비용이 계속 오르는 와중에도 점점 더 큰 몫이 추론 쪽으로 이동하고 있다는 것입니다. 아마존의 앤디 재시는 2025년 4월 주주서한에서 학습이 여전히 전체 AI 지출의 큰 부분을 차지하지만 고객은 모델을 주기적으로 학습시키는 반면 추론은 끊임없이 만들어 내기 때문에 추론이 미래 AI 비용의 압도적 다수가 될 것이라고 적었습니다. 학습은 간헐적으로 일어나지만 추론은 수십억 건의 프롬프트와 질의와 판단에서 쉬지 않고 일어납니다. 젠슨 황도 같은 분기 실적 발표에서 추론이 폭발하고 있으며 추론하는 AI 에이전트는 몇 자릿수 더 많은 컴퓨트를 요구한다고 말했습니다.

해설 학습과 추론의 차이는 비용의 성격을 가릅니다. 학습은 한 번 크게 쓰고 끝나는 투자에 가까워 자본적 지출로 다루기 쉽지만, 추론은 사용자가 쓸 때마다 발생하므로 매출에 따라 함께 늘어나는 변동비에 가깝습니다.

규모가 커질수록 추론은 고정적인 비용 중심이 됩니다. 사용자가 늘어나면 매출도 늘지만 추론 비용도 같이 늘기 때문에, 이 사업의 수익성은 토큰당 원가가 얼마나 빨리 떨어지는지에 달리게 됩니다. 3부 전체가 바로 그 질문을 다룹니다.

[관점] 학습 비용이 1억 달러에서 100억 달러로 간다는 전망과 추론이 전체 비용의 압도적 다수가 된다는 전망은 둘 다 맞을 수 있습니다. 다만 두 전망이 동시에 성립하면 필요한 자본의 총량은 지금 논의되는 규모를 크게 넘어섭니다.

이 대목에서 인용된 세 사람은 모두 그 자본을 받거나 그 자본으로 칩을 파는 쪽에 있습니다. 비용이 커진다는 진술이 이들에게는 시장이 커진다는 진술과 같은 뜻이라는 점은 함께 염두에 둘 지점입니다.

데이터센터라는 자본 모형

AI 인프라의 경제를 들여다보는 한 가지 창은 데이터센터가 얼마나 빠르게 그리고 얼마나 크게 지어지는지입니다. 델오로리서치(Dell’Oro Research) 집계로 2024년 전 세계 IT 기업의 데이터센터 설비투자는 4,550억 달러에 이르렀고 속도는 더 붙고 있습니다. 하이퍼스케일러와 AI를 먼저 내건 기업들이 저장을 위해서가 아니라 실시간 추론과 모델 학습을 위해, 즉 밀도가 높고 전력을 많이 쓰는 하드웨어를 위해 연산 가능한 용량을 짓는 데 수십억 달러씩 넣고 있습니다. AI가 실험에서 필수로 넘어가면서 데이터센터도 같은 길을 따라가는 셈입니다.

속도 자체가 달라졌다는 것이 저자들의 관찰입니다. 조립식 모듈과 간소화된 인허가, 전기와 기계와 소프트웨어 시스템을 아우르는 수직 통합 덕분에 새 데이터센터는 부동산 개발보다 소비자 기술의 주기에 가까운 속도로 올라가고 있습니다. 그러나 그 속도 아래 놓인 자본 모형은 단순하지 않습니다. 설비투자는 토지와 전력 확보, 칩과 냉각 설비가 끌고 가는데, AI 작업이 기존 기업용 연산보다 훨씬 멀리까지 열과 전력의 한계를 밀어붙이기 때문입니다.

운영비 쪽은 에너지 비용과 시스템 유지보수가 지배합니다. 거의 항상 최대 부하로 돌아가는 고밀도 학습 클러스터에서 특히 그렇습니다. 매출은 AI API나 기업용 플랫폼 요금, 또는 내부 생산성 향상의 형태로 연산을 판 데서 나옵니다. 문제는 회수 기간입니다. 수요보다 앞서 짓는 수직 통합 사업자일수록 회수가 오래 걸리고, 새로 들어온 기업에서는 수익화가 건설보다 몇 분기 또는 몇 년 뒤처질 수 있습니다.

공급망도 변수입니다. 전력 확보가 점점 더 병목이 되고 있고, 변압기와 변전소와 터빈과 GPU와 케이블은 하룻밤에 끌어다 쓸 수 있는 범용재화가 아닙니다. 이런 맥락에서 데이터센터는 물리적 자산이 아니라 전략적 인프라 노드이며, 부동산과 전력과 물류와 연산과 소프트웨어 수익화가 교차하는 지점에 서 있습니다. 저자들은 이것을 제대로 해내는 기업이 서버를 돌리는 데 그치지 않고 앞으로 10년간 AI 경제의 지리를 결정하게 될 것이라고 적습니다.

[관점] 이 네 쪽에서 저자들은 수요보다 앞서 짓는 구조를 설명하면서도 그것을 위험이라고 부르지는 않습니다. 회수 기간이 길고 수익화가 몇 년 뒤처질 수 있다는 서술은 들어 있지만, 그 기간을 버티지 못하면 어떻게 되는지는 다루지 않습니다.

전력이 병목이라는 진단에는 시간의 비대칭이 숨어 있습니다. 데이터센터는 122일에 지을 수 있지만 송전선과 발전설비는 몇 년이 걸리므로, 건설 속도가 빨라질수록 병목은 해소되는 것이 아니라 더 뚜렷해집니다.

미국에서 실제로 지어지고 있는 것

건설 금액부터 보면 변곡점이 분명합니다. 미국 인구조사국(Census Bureau) 집계에서 민간 데이터센터 건설액은 2014년 초 연환산 20억 달러 수준이었고, 2022년까지 연 28%씩 늘어 170억 달러 수준에 이르렀습니다. 그런데 2023년 초부터 2024년 말까지 2년 동안은 연 49%씩 늘어 320억 달러를 넘어섰습니다. 10년에 걸친 증가율보다 마지막 2년의 증가율이 훨씬 가팔랐던 것입니다.

용량 쪽 그림은 더 극적입니다. CBRE가 북버지니아와 애틀랜타, 시카고와 피닉스, 댈러스-포트워스와 힐스버러, 실리콘밸리와 뉴욕 일대를 묶은 미국 주요 시장에서 집계한 바로는, 선임대되었거나 건설 중인 신규 용량이 2020년 700메가와트 수준에서 2024년 1만 1,000메가와트 수준으로 4년 동안 16배가 되었습니다. 같은 기간 기존 설비에서 새로 채워진 용량은 350메가와트 수준에서 1,800메가와트 수준으로 5배가 되는 데 그쳤습니다. 새로 짓는 쪽이 기존 설비를 채우는 쪽보다 세 배 넘게 빠르게 늘었습니다.

해설 두 선은 서로 다른 것을 잽니다. 순흡수는 이미 지어져 있던 공간 가운데 이번 기간에 실제로 임차인이 들어와 채워진 용량이고, 선임대 또는 건설 중은 아직 완공되지 않았지만 계약이 끝났거나 공사가 진행 중인 용량입니다.

그래서 신규가 기존보다 빠르게 는다는 것은 수요가 기존 재고를 다 쓰고 넘쳐서가 아니라, 수요가 생기기 전에 계약과 착공이 먼저 이루어지고 있다는 뜻에 가깝습니다. 앞 절에서 말한 수요보다 앞서 짓는 구조가 숫자로 나타난 대목입니다.

[관점] 두 지표의 단위가 메가와트라는 점도 눈여겨볼 지점입니다. 데이터센터의 크기를 면적이 아니라 전력으로 재는 관행은 이 산업에서 희소한 자원이 공간이 아니라 전기라는 사실을 그대로 보여 줍니다.

집계 범위가 미국의 여덟 개 주요 시장으로 한정되어 있다는 점도 함께 보아야 합니다. 전력과 토지가 싼 지역으로 신규 건설이 퍼져 나가는 흐름은 이 숫자에 잡히지 않습니다.

122일 만에 지어진 콜로서스

속도의 사례로는 xAI의 콜로서스(Colossus)가 나옵니다. 테네시주 멤피스의 옛 일렉트로룩스(Electrolux) 공장을 들어내고 완전히 가동되는 AI 데이터센터로 바꾸는 데 122일이 걸렸습니다. 면적은 75만 제곱피트로 미국 평균 주택 418채에 해당하는데, 같은 기간에 미국에서 단독주택 한 채를 짓는 데는 평균 234일이 걸립니다. 집 한 채를 짓는 시간의 절반으로 주택 418채 크기의 데이터센터가 올라간 셈입니다.

xAI는 24개월이 걸린다는 말을 듣고 프로젝트를 직접 떠안아 모든 것을 의심하고 불필요한 것을 걷어낸 끝에 넉 달 만에 목표를 달성했다고 밝혔습니다. 젠슨 황은 이들이 해낸 일이 전례가 없으며 초인적이라고 평했습니다.

안에 들어간 연산도 같은 속도로 불어났습니다. 2024년 4월 착공 시점에 0이었던 GPU는 8월 30일 네 개의 데이터홀에서 첫 작업을 돌릴 때 10만 개가 되었고, 그로부터 92일 뒤인 11월 말에 20만 개가 되었습니다. 7개월 만에 0에서 20만 개로 간 것입니다. xAI는 전례 없는 속도로 컴퓨트를 두 배로 늘렸으며 100만 개 GPU를 향한 로드맵을 갖고 있다고 밝혔고, 멤피스 상공회의소도 이 회사의 최종 목표가 GPU 100만 개라고 전했습니다.

[관점] 122일과 234일을 나란히 놓는 비교는 인상적이지만 비교 대상이 대칭적이지는 않습니다. 단독주택 건설 기간에는 개별 건축주의 자금 조달과 인허가 대기, 소규모 시공의 일정 공백이 모두 포함되는 반면, 콜로서스는 자본과 인력을 한 번에 투입할 수 있는 사업자가 기존 공장 건물을 재활용한 경우입니다.

그보다 중요한 것은 이 속도가 무엇으로 가능했는가입니다. 저자들이 앞 절에서 전력이 병목이라고 적어 둔 것을 생각하면, 넉 달 만에 20만 개의 GPU에 전기를 대는 방법이 이 사례의 핵심 질문이 됩니다.

[사후 맥락] 그 질문은 원문이 나온 뒤 법적 분쟁으로 이어졌습니다. 콜로서스는 전력을 확보하기 위해 현장에 이동식 가스터빈을 다수 설치했는데, 2025년 6월 전미유색인종지위향상협회(NAACP)와 남부환경법률센터(SELC)가 대기오염물질 배출 허가 문제를 들어 xAI를 상대로 대기정화법 소송 의사를 통지했습니다.

같은 해 7월에는 이들 단체가 멤피스 당국이 내준 터빈 허가에 불복해 항소를 제기했습니다. 건설 속도를 높이는 방법 가운데 하나가 전력망 연결을 기다리지 않고 현장에서 직접 발전하는 것이었고, 그 선택이 지역의 대기질 문제로 되돌아온 사례입니다.

전기를 삼키는 설비

전력 쪽 서술은 국제에너지기구(IEA)가 2025년 4월에 낸 「Energy and AI」 보고서에 기대고 있습니다. 저자들이 인용한 첫 문장은 에너지, 구체적으로는 전기가 없으면 AI도 없다는 것입니다. 데이터센터는 2024년 전 세계 전력 소비의 약 1.5%를 차지했고, 2017년 이후 데이터센터 전력 소비는 연 12%씩 늘어 전체 전력 소비 증가율보다 네 배 넘게 빨랐습니다.

소비가 늘수록 집중도 심해집니다. 전 세계 데이터센터 전력 소비에서 미국이 45%, 중국이 25%, 유럽이 15%를 차지하고, 미국 데이터센터 용량의 거의 절반은 다섯 개 지역 군집에 몰려 있습니다. 반대쪽도 성립합니다. 중국을 제외한 신흥국과 개발도상국은 전 세계 인터넷 사용자의 50%를 차지하지만 전 세계 데이터센터 용량에서는 10%에도 미치지 못합니다.

19년치 그림을 보면 규모가 드러납니다. 전 세계 데이터센터 용량은 2005년 20기가와트 수준에서 2024년 95기가와트 수준으로 늘었는데, 그 증가분의 대부분은 하이퍼스케일과 코로케이션 쪽에서 나왔고 기업 자체 데이터센터는 거의 제자리였습니다. 전력 소비는 같은 기간 130테라와트시 수준에서 415테라와트시 수준으로 3배가 되었고, 서버가 쓰는 몫이 가장 크게 늘었으며 냉각과 기타 설비가 뒤를 받칩니다.

지역별로 나누면 쏠림이 더 분명해집니다. 2024년 미국의 데이터센터 전력 소비는 180테라와트시 수준으로 가장 크고 중국이 100테라와트시 안팎으로 뒤를 잇습니다. 각국 전력 수요에서 차지하는 비중으로 보면 미국은 2005년 1.7% 수준에서 2024년 4.4% 수준으로 올라갔고, 유럽이 2% 수준, 중국이 1.2% 수준입니다. 전 세계 평균은 1.5% 안팎입니다.

저자들은 여기에 두 가지를 덧붙입니다. 하나는 AI가 에너지 부문에 부담을 주는 동시에 이미 에너지 효율과 운영 개선을 끌어내고 있다는 점으로, 에너지 기업들이 에너지와 광물 공급, 발전과 송전, 소비 최적화에 AI를 쓰고 있다는 IEA의 서술을 옮깁니다. 다른 하나는 더 냉정합니다. 데이터센터는 결국 요금을 내는 쪽에만 봉사하게 됩니다. 자본이 모델 기업으로 쏟아지고 그 돈이 다시 컴퓨트로 나가는 흐름이 당분간 이어지겠지만, 어느 시점에는 모델을 만드는 쪽이 더 쓰기 위해 이익을 내야 한다는 것입니다.

해설 데이터센터가 전 세계 전력의 1.5%라는 수치는 생각보다 작게 들릴 수 있습니다. 문제는 총량이 아니라 증가 속도와 지역 집중이며, 전력망은 전국 평균이 아니라 특정 변전소 단위의 용량으로 작동하기 때문입니다.

미국의 4.4%라는 비중도 같은 방식으로 읽어야 합니다. 용량의 절반이 다섯 개 군집에 몰려 있으므로, 해당 지역에서 데이터센터가 차지하는 비중은 전국 평균보다 훨씬 높고 그곳의 전기요금과 송전 투자 부담도 그만큼 커집니다.

[한국 관점] 전력 집중 문제는 한국에서 먼저 제도화된 쟁점이기도 합니다. 국내 데이터센터는 수도권에 크게 몰려 있고, 정부는 분산에너지 활성화 특별법을 통해 전력계통에 미치는 영향을 사전에 평가하고 수요지와 발전지를 가깝게 두려는 방향을 잡아 왔습니다.

IEA 자료가 보여 주는 구도에서 한국의 위치는 양쪽입니다. 데이터센터 전력 수요를 감당해야 하는 소비국이면서, 동시에 그 설비에 들어가는 메모리와 전력기기를 공급하는 쪽이기도 합니다. 전력 제약이 세계적으로 심해질수록 한국 기업에는 수요와 비용이 함께 올라가는 구조입니다.

3부 학습 비용은 오르고 추론 비용은 내려갑니다

올라가는 쪽의 곡선

AI 모델의 경제가 어디로 가는지는 역량과 비용 사이에서 커지는 긴장을 보면 드러납니다. 가장 강력한 대규모 언어모델을 학습시키는 일은 인류 역사에서 가장 비싸고 자본집약적인 작업 가운데 하나가 되었습니다. 성능의 프런티어가 더 큰 파라미터 수와 더 복잡한 구조 쪽으로 밀려가면서 학습 비용은 수십억 달러 단위로 올라가고 있습니다. 저자들은 여기에 역설을 하나 붙입니다. 가장 유능한 범용 모델을 만들려는 경쟁이 오히려 범용재화화를 앞당기고 수익 체감을 불러올 수 있다는 것인데, 출력의 품질이 참가자들 사이에서 수렴하면서 차별화를 유지하기가 어려워지기 때문입니다.

비용의 크기는 Epoch AI와 스탠퍼드대의 집계로 제시됩니다. 프런티어 모델의 추정 학습 비용은 2016년 1만 달러에서 10만 달러 사이였습니다. 2017년의 GNMT와 2019년의 메가트론-BERT를 거쳐 2020년 GPT-3가 수백만 달러 구간에 들어섰고, 2022년의 PaLM과 2023년의 GPT-4를 지나 2024년에는 라마 3.1-405B와 제미나이 1.0 울트라가 1억 달러 안팎에 자리 잡습니다. 8년 사이에 약 2,400배가 되었습니다.

여기에 아모데이의 2024년 6월 발언이 붙습니다. 지금은 1억 달러가 들고 지금 학습 중인 모델 중에는 10억 달러에 가까운 것도 있으며, 100억 달러나 1,000억 달러로 간다면 그 일이 2025년에서 2027년 사이에 일어날 것이고 100억 달러짜리 모델의 학습은 2025년 중에 시작될 수 있다는 내용입니다.

해설 이 차트의 세로축은 로그 눈금입니다. 눈금 한 칸이 열 배를 뜻하므로, 점들이 완만한 직선처럼 보여도 실제 금액 차이는 수천 배에 이릅니다.

범위에도 단서가 붙어 있습니다. 믿을 만한 비용 자료가 없다는 이유로 중국 모델 대부분이 집계에서 빠져 있는데, 뒤의 5부에서 저자들이 중국 모델의 낮은 학습 비용을 따로 다룬다는 점을 생각하면 이 차트가 전체 그림은 아닙니다.

[관점] 학습 비용이 오를수록 참가자가 줄어드는 것이 보통의 논리인데, 이 자료는 반대 결론을 함께 제시합니다. 비용이 오르는데도 모델 수가 늘고 성능이 수렴한다는 것입니다.

두 사실이 같이 성립하려면 비용 상승분을 감당하는 쪽과 그 결과를 싸게 따라오는 쪽이 갈라져 있어야 합니다. 프런티어를 미는 비용은 소수가 치르고 그 성과는 증류와 오픈소스를 통해 빠르게 퍼지는 구조인데, 이 구도가 5부에서 수익화 위협이라는 이름으로 다시 나타납니다.

소프트웨어는 기체다

추론 쪽을 설명하면서 저자들은 PC 소프트웨어 시절의 오래된 명제를 꺼냅니다. 1997년 당시 마이크로소프트의 최고기술책임자였던 네이선 미어볼드(Nathan Myhrvold)의 말입니다. “소프트웨어는 기체여서 자기 그릇을 가득 채울 때까지 팽창합니다.” AI도 다르지 않아서, 모델이 좋아지면 사용량이 늘고 사용량이 늘면 컴퓨트 수요가 늘어납니다. 질의가 늘고 모델이 늘고 작업당 토큰이 느는 식으로 모든 층위에서 같은 일이 벌어지고 있습니다.

그런데 인프라도 가만히 있지 않았습니다. 2024년 블랙웰 GPU는 2014년 케플러(Kepler) 세대보다 토큰 하나를 만드는 데 드는 에너지가 10만 5,000분의 1입니다. 세대별로 보면 케플러가 토큰당 4만 7,000줄 수준이었고 2016년 파스칼이 2만 줄 수준, 2018년 볼타에서 1,500줄 수준으로 급격히 떨어진 뒤 암페어와 호퍼와 블랙웰은 거의 바닥에 붙습니다. 저자들은 이것이 단순한 비용 절감이 아니라 하드웨어 층위에서 가능한 것을 다시 정의하는 구조와 소재의 혁신이라고 봅니다.

이런 효율 개선은 전력망에 가해지는 부담을 상쇄하는 데 결정적이지만, 지금까지는 충분하지 않았습니다. 저자들은 그 이유를 1865년에 제시된 제번스의 역설에서 찾습니다. 자원 효율을 높이는 기술 발전이 오히려 그 자원의 전체 사용량을 늘린다는 관찰입니다. 그래서 발전 용량을 늘리는 쪽으로 관심이 쏠리고 전력망이 이를 감당할 수 있는지에 대한 질문이 새로 생깁니다.

추론의 단위인 토큰에 대해서도 감각을 제공합니다. 100만 토큰은 약 75만 단어이고, 12포인트 글자에 줄 간격을 두 배로 한 책 3,500쪽 분량이며, ChatGPT 응답 약 5,000개에 해당합니다. 평균적인 ChatGPT 대화 한 번이 입력과 출력을 합쳐 200토큰, 즉 150단어 정도를 쓴다는 가정에서 나온 환산입니다.

해설 제번스의 역설은 19세기 영국에서 석탄 증기기관의 효율이 좋아졌는데도 석탄 소비가 줄지 않고 오히려 늘어난 현상을 윌리엄 스탠리 제번스가 설명하며 제시한 것입니다. 단위당 비용이 떨어지면 쓸 수 있는 용도가 넓어지고, 넓어진 용도가 효율 개선분을 집어삼킨다는 구조입니다.

AI에 그대로 옮기면 이렇게 됩니다. 토큰 하나를 만드는 데 드는 에너지가 10만 분의 1이 되어도, 사람들이 토큰을 100만 배 더 쓰면 전체 전력 소비는 늘어납니다. 2부에서 본 데이터센터 전력 곡선이 꺾이지 않는 이유가 여기에 있습니다.

토큰 가격이 무너진 2년

가격 쪽 숫자는 더 극적입니다. 스탠퍼드대 인간중심AI연구소 집계에서 고객이 내는 100만 토큰당 추론 가격은 2022년 11월부터 2024년 12월까지 2년 남짓 동안 99.7% 떨어졌습니다. 같은 성능 수준을 기준으로 비교한 것이 이 차트의 핵심입니다. GPT-3.5 수준의 다중작업 언어이해 성능은 2022년 11월에 100만 토큰당 20달러 수준이었는데 2024년 말 제미나이 1.5 플래시 8B에서 0.07달러 수준이 되었습니다.

다른 능력에서도 같은 모양입니다. GPT-4 수준의 코드 생성 성능은 2023년 3월 30달러 수준에서 2024년 말 0.12달러 수준으로 내려왔고, GPT-4o 수준의 박사급 과학 문제 성능은 2024년 5월 7달러 수준에서 같은 해 말 마이크로소프트 파이 4에서 0.12달러 수준이 되었습니다. GPT-4o 수준의 아레나 점수는 7.5달러 수준에서 딥시크 V3의 0.5달러 수준으로 내려왔습니다.

과거 기술과 비교하면 속도가 드러납니다. 출시 연도를 0년으로 맞춰 놓고 보면 전력은 수십 년에 걸쳐, 컴퓨터 메모리는 그보다 빠르게 가격이 떨어졌습니다. 75단어짜리 ChatGPT 응답의 가격은 같은 그래프에서 거의 수직으로 내려옵니다. 저자들은 이 패턴을 기술의 영원한 깨달음이라고 부르면서, 1989년부터 2023년까지 미국의 정보기술 소비자물가가 떨어지는 동안 미국 인터넷 사용자가 늘어난 그림과, 같은 물가 곡선 위에 모델 학습 컴퓨트가 연 360%씩 늘어난 그림을 나란히 놓습니다.

해설 99.7%라는 숫자를 읽을 때 주의할 지점이 있습니다. 이것은 같은 모델의 가격이 떨어졌다는 뜻이 아니라, 2년 전 최고급 모델이 내던 성능을 지금은 훨씬 싼 모델이 낸다는 뜻입니다.

그래서 이 하락은 두 가지가 겹친 결과입니다. 하드웨어와 알고리즘의 효율 개선이 한 축이고, 작은 모델이 큰 모델의 성능을 따라잡은 것이 다른 축입니다. 뒤 절의 성능 수렴이 바로 그 두 번째 축입니다.

[관점] 이 차트에서 빠져 있는 것은 사용자당 토큰 소비량입니다. 토큰당 가격이 1,000분의 1이 되어도 추론 모델과 에이전트가 한 번의 질문에 1,000배의 토큰을 쓰면 사용자 한 명을 서비스하는 원가는 그대로입니다.

실제로 2부에서 본 딥리서치와 에이전트는 모두 토큰을 대량으로 소비하는 방향입니다. 가격 하락이 공급자의 수익성으로 이어질지, 아니면 더 무거운 사용으로 흡수될지가 이 산업의 실제 질문인데, 자료는 앞쪽 절반만 보여 줍니다.

성능이 수렴하면 무엇이 남는가

수렴을 보여 주는 지표로는 LMSYS 챗봇 아레나(LMSYS Chatbot Arena)가 쓰입니다. 같은 질문을 두 챗봇에 던지고 사람이 더 나은 답에 투표하게 해 순위를 매기는 공개 사이트이고, 차트에는 각 달의 최고 점수 모델만 표시됩니다. 2024년 1월에는 상위 모델이 1,250점대였고 딥시크가 1,080점대로 170점 넘게 벌어져 있었습니다. 2025년 2월에는 구글이 1,385점, 오픈AI가 1,366점, 딥시크가 1,362점으로 모였습니다. 1년 남짓 사이에 170점이 넘던 간격이 23점으로 좁혀졌습니다.

[관점] 아레나 점수는 사람의 선호 투표로 만들어지는 상대 순위입니다. 그래서 모델들이 모두 좋아져 사람이 차이를 느끼지 못하게 되면, 실제 능력 차이가 남아 있어도 점수는 수렴합니다.

바로 그 점이 저자들의 논지와 맞물립니다. 사용자가 차이를 못 느끼는 순간 가격 결정력이 사라지므로, 수렴이 사실이든 측정의 한계이든 공급자에게는 같은 결과가 됩니다.

[반론] 수렴이 곧 범용재화화라는 결론에는 반론이 있습니다. 벤치마크와 아레나 점수가 비슷해진 뒤에도 긴 작업을 끝까지 수행하는 안정성, 도구를 다루는 능력, 기업 환경에서의 신뢰성 같은 축에서는 격차가 유지된다는 지적입니다.

이 프로젝트에서 앞서 다룬 안드레이 카파시의 2025년 대담도 같은 방향입니다. 그는 모델이 벤치마크에서 잘하는 것과 실제 업무에서 끝까지 쓸 만한 것 사이에 아홉의 행진이라 부를 만한 긴 거리가 남아 있다고 보았습니다.

문턱이 사라진 개발자 쪽

가격이 무너지자 만드는 쪽의 구성이 바뀌었습니다. 2022년부터 2024년 사이 토큰당 비용이 99.7% 떨어지면서, 한때 가장 큰 기업만 감당할 수 있던 일이 1인 개발자와 독립 앱 제작자, 노트북을 쓰는 연구자와 동네 가게 직원의 손에 들어왔습니다. 실험이 싸지고 반복이 빨라졌으며 아이디어만 있으면 제품화가 가능해졌다는 것이 저자들의 정리입니다.

모델 선택의 셈법도 달라졌습니다. 최상위 프런티어 모델과 더 작고 효율적인 대안 사이의 격차가 좁아지면서, 요약과 분류와 추출과 라우팅 같은 용도에서는 실사용 성능 차이가 무시할 만한 수준이 되었습니다. 개발자들은 믿을 만한 출력을 얻기 위해 최상위 모델에 웃돈을 낼 필요가 없다는 것을 알아 가고 있고, 더 싼 모델을 로컬에서 돌리거나 저가 API 제공자를 거쳐도 기능적으로 비슷한 결과를 얻습니다. 과업에 맞춘 데이터로 파인튜닝하면 특히 그렇습니다. 이 변화는 기존 모델 기업의 가격 결정력을 약화시킵니다.

플랫폼 층위에서는 선택지가 늘었습니다. 오픈AI의 ChatGPT, 메타의 라마, 미스트랄의 믹스트랄(Mixtral), 앤트로픽의 클로드, 구글의 제미나이, 마이크로소프트의 파이(Phi)를 비롯한 수십 개 모델이 각기 다른 영역에서 강점을 보입니다. 어떤 모델은 추론에, 어떤 모델은 속도나 코드 생성에 최적화되어 있습니다. 그 결과 특정 공급자에 묶이는 구조에서 벗어나는 흐름이 나타나고, 개발자들은 여러 생태계에 노력을 분산하고 있습니다.

저자들은 여기서 플라이휠을 봅니다. 더 많은 개발자가 AI 네이티브 앱을 만들수록 다음 사람이 따라오기 쉬운 도구와 래퍼와 라이브러리가 함께 생기고, 프런트엔드 프레임워크와 임베딩 파이프라인, 모델 라우터와 벡터 데이터베이스와 서빙 계층이 점점 빠르게 늘어납니다. 개발자 활동의 물결마다 다음 물결의 마찰이 줄어들어 아이디어에서 시제품까지, 시제품에서 제품까지의 시간이 압축됩니다. 2000년 마이크로소프트 개발자 콘퍼런스에서 당시 사장이던 스티브 발머(Steve Ballmer)가 개발자를 세 번 연달아 외친 장면을 인용하면서, 저자들은 가장 꾸준한 개발자 모멘텀을 확보하고 규모를 키우며 개선해 가는 플랫폼이 이긴다는 기술 역사의 교훈을 덧붙입니다.

숫자도 그 방향입니다. 스택오버플로(Stack Overflow) 설문에서 개발 과정에 AI를 쓰고 있다고 답한 전문 개발자 비율은 2023년 44%에서 2024년 63%가 되었고, 코딩을 배우는 사람들 사이에서는 55%에서 63%로 올라갔습니다. 깃허브(GitHub)에서 별 500개 이상을 받은 AI 저장소는 2022년 11월 300개 수준에서 2024년 3월 840개 수준으로 16개월 동안 약 175% 늘었습니다. 인프라와 모델 개발, 애플리케이션 개발로 나뉜 이 저장소들은 스테이블 디퓨전(Stable Diffusion)과 ChatGPT가 나온 2022년 하반기를 기점으로 기울기가 꺾였습니다.

토큰 처리량은 규모를 직접 보여 줍니다. 구글은 2024년 5월 자사 제품과 API 전체에서 월 9조 7,000억 개의 토큰을 처리했는데 2025년 5월에는 480조 개를 넘어 50배가 되었습니다. 마이크로소프트의 애저 AI 파운드리(Azure AI Foundry)는 2025년 1분기에 100조 개 넘는 토큰을 처리해 전년 대비 5배가 되었고, 직전 한 달에만 50조 개라는 기록을 세웠습니다. 이 플랫폼은 7만 개가 넘는 기업과 디지털 네이티브 기업의 개발자들이 쓰고 있으며, 마이크로소프트가 예로 든 고객에는 아토믹워크(Atomicwork)와 에픽(Epic), 후지쯔(Fujitsu)와 게인사이트(Gainsight), H&R블록(H&R Block)과 LG전자가 들어 있습니다.

마지막으로 개발자들이 AI를 쓰는 용도를 IBM 자료로 열거합니다. 코드 생성과 버그 탐지 및 수정, 테스트 자동화와 프로젝트·작업 흐름 관리, 문서화가 앞쪽에 있고, 리팩터링과 최적화, 보안 강화, 데브옵스와 지속적 통합·배포 파이프라인, 사용자 경험 설계와 아키텍처 설계가 뒤를 잇습니다.

해설 스택오버플로 설문의 표본은 2023년 8만 9,184명, 2024년 6만 5,437명으로 전 세계 개발자를 대상으로 합니다. 다만 이 설문에 응답하는 집단 자체가 새로운 도구에 관심이 많은 쪽으로 기울어 있을 수 있다는 점은 감안해야 합니다.

깃허브 저장소 집계도 조건이 있습니다. 별 500개 이상이라는 기준을 둔 것은 잡음을 걸러 내기 위한 것이지만, 동시에 인기 있는 저장소만 세기 때문에 실제로 만들어지는 프로젝트의 수와는 다릅니다.

[한국 관점] 마이크로소프트가 애저 AI 파운드리의 대표 고객으로 꼽은 목록에 LG전자가 들어 있습니다. 340쪽 전체에서 한국 기업이 사례로 호명되는 몇 안 되는 대목이고, 그 자리가 모델을 만드는 쪽이 아니라 미국 플랫폼 위에서 AI 앱과 에이전트를 만드는 쪽이라는 점이 눈에 띕니다.

이 절이 말하는 구도를 한국에 옮기면 양면이 보입니다. 모델을 직접 만들지 않아도 저렴해진 토큰 위에서 제품을 만들 수 있다는 점은 기회이고, 그 토큰의 가격과 공급 조건을 결정하는 층이 모두 바깥에 있다는 점은 제약입니다.

4부 사용량과 비용과 손실이 함께 커지고 있습니다

위험한 세 문장과 기술의 전환점

4부는 경고로 시작합니다. 저자들이 꼽는 사업상 가장 위험한 말 세 가지는 이번에는 다르다, 물량으로 만회하겠다, 사용자 수익화는 나중에 방법을 찾겠다입니다. 그런데 기술 투자에서는 아주 가끔 이 세 문장이 금이 되기도 했습니다. 아마존과 알파벳, 메타와 테슬라, 텐센트와 알리바바와 팔란티어가 그런 경우였습니다. AI에서도 정말로 이번에는 다를 수 있고 선두 주자가 물량으로 만회하며 나중에 사용자를 수익화할 수도 있다는 것이 저자들의 유보적인 전망입니다.

다만 이번에는 다르다는 말에 다른 뜻도 붙습니다. 경쟁이 전례 없다는 뜻입니다. 시가총액 1조 달러를 넘는 창업자 주도 기업들이 이토록 많이, 대부분 50%가 넘는 매출총이익률과 잉여현금흐름을 갖추고, 비교적 투명한 세계에서 같은 기회를 동시에 공격한 적은 없었습니다. 여기에 중국과 미국이라는 강대국 사이의 고위험 경쟁까지 더해집니다.

전환점의 역사도 함께 정리합니다. 저자들은 헤밍웨이(Ernest Hemingway)가 『The Sun Also Rises』에 쓴 서서히 그러다 갑자기라는 표현이 기술의 전환점에 들어맞는다고 봅니다. 개인용 컴퓨터의 전환점은 1984년 애플의 매킨토시(Macintosh)와 1990년 마이크로소프트의 윈도우 3.0이었고, 인터넷은 1995년 넷스케이프의 기업공개, 모바일 인터넷은 2008년 애플 앱스토어(App Store)의 출시, 클라우드 컴퓨팅은 2006년부터 2009년 사이 아마존웹서비스의 기반 제품 출시였습니다.

AI의 전환점으로는 두 가지를 꼽습니다. 2020년 엔비디아의 A100 GPU 출시와 2022년 오픈AI의 ChatGPT 공개입니다. 그리고 AI를 둘러싼 글로벌 경쟁이 실제로 발동한 시점은 2025년 1월 중국 딥시크의 등장과, 같은 해 2월 시진핑 주석이 연 중국 기업인 좌담회에 마윈(Jack Ma)이 참석한 장면이라고 적습니다.

[관점] 위험한 세 문장을 먼저 꺼내 놓고 이번에는 정말 다를 수 있다고 이어 가는 구성은 이 자료 전체의 태도를 압축합니다. 경고를 생략하지 않으면서도 결론은 낙관 쪽에 둡니다.

예로 든 성공 사례들이 모두 생존자라는 점은 짚어 둘 만합니다. 같은 세 문장을 말하고 사라진 기업은 목록에 없고, 그래서 이 비교는 그 문장이 언제 금이 되고 언제 함정이 되는지를 가르는 기준을 제공하지는 못합니다.

200년의 패턴

저자들은 자신들의 판단 대신 한 권의 책을 세워 둡니다. 앨러스데어 네언(Alasdair Nairn)의 『Engines That Move Markets』로, 두 세기에 걸친 기술 투자 사이클을 정리한 책입니다. 기술 파괴에는 오래 반복되어 온 리듬이 있다는 것이 출발점입니다. 초기의 도취, 숨 가쁜 자본 형성, 거친 경쟁, 그리고 마침내 분명해지는 승자와 패자입니다.

저자들이 옮긴 관찰은 다섯 가지입니다. 철도가 운하를 대체하던 시기에 주가가 여러 해 동안 강하게 올랐지만 1840년대의 버블은 과열된 기대와 달라진 경제 여건의 무게에 눌려 꺼졌습니다. 거대한 설비투자를 요구하는 기술 발전은 궁극적으로 성공하더라도 초기 몇 해 동안 실망스러운 수익을 낼 위험이 늘 있습니다. 무거운 설비투자가 필요하고 수익을 긴 기간에 걸쳐 거둬야 하는 기술은, 경쟁으로부터 보호받을 장치가 없는 한 언제나 고위험 사업입니다.

나머지 둘은 승자를 가리는 기준에 관한 것입니다. 이런 경쟁에서 이기는 쪽이 늘 최고의 기술을 가진 쪽은 아니며, 산업과 시장이 어떻게 전개될지를 가장 분명하게 보는 쪽입니다. 그리고 진입장벽이 없다면 선발주자의 이점은 순식간에 사라질 수 있습니다. 새 기술의 승자를 알아보는 일은 위험하고 어렵지만, 패자가 누가 될지를 알아보는 일은 거의 언제나 더 쉽습니다.

해설 네언의 책은 운하와 철도, 전신과 전기, 자동차와 라디오, 트랜지스터와 PC에 이르는 기술 투자 사이클을 금융사의 관점에서 다룬 저작입니다. 신기술이 사회를 바꾸는지와 그 기술에 투자한 사람이 돈을 버는지가 전혀 다른 문제라는 것이 이 책의 일관된 논지입니다.

19세기 영국 철도가 대표적입니다. 철도는 분명히 경제를 바꾸었지만 1840년대 철도 주식에 들어간 자본의 상당 부분은 회수되지 않았고, 노선은 남았지만 주주는 남지 않았습니다.

[관점] 이 쪽은 340쪽 전체에서 저자들이 자신의 낙관에 가장 분명하게 반대 추를 달아 놓은 대목입니다. 특히 진입장벽이 없으면 선발주자의 이점이 빠르게 사라진다는 문장은, 뒤에 이어지는 수익화 램프 전체를 읽는 기준이 됩니다.

다만 이 기준을 자료 자신의 데이터에 적용하지는 않습니다. 성능이 수렴하고 가격이 99.7% 떨어지는 시장에서 진입장벽이 무엇인지에 대한 답은 제시되지 않은 채, 바로 다음 쪽부터 매출 곡선들이 이어집니다.

칩 설계가 플랫폼 쪽으로 옮겨 간다

하드웨어 전략의 변화부터 봅니다. 여러 해 동안 엔비디아는 AI 하드웨어 스택의 중심이었습니다. 이 회사의 GPU는 대규모 병렬 연산을 감당하는 능력 덕분에 학습과 추론의 기본 엔진이 되었고, 독자 기술과 비할 데 없는 규모가 업계 주도권으로 이어졌습니다. 그런데 이 의존이 갑작스러운 대규모 수요와 겹치면서 제약을 만들었습니다. 엔비디아가 인상적인 속도로 공급을 늘렸는데도 가속 컴퓨팅에 대한 열기 속에서 수요가 공급을 앞질렀고, 하이퍼스케일러와 클라우드 사업자들은 긴 리드타임을 관리하기 위해 공급망을 손보기 시작했습니다.

그 흐름이 자체 설계 칩, 특히 ASIC의 부상을 앞당기고 있습니다. 넓은 범위의 작업을 지원하도록 설계된 GPU와 달리 ASIC은 특정 연산 과업을 최대 효율로 처리하도록 만들어지며, AI에서는 행렬 곱셈과 토큰 생성과 추론 가속에 최적화된 실리콘을 뜻합니다. 구글의 TPU와 아마존의 트레이니엄(Trainium)이 이미 각사 AI 스택의 핵심 부품이고, 아마존은 트레이니엄2가 표준 GPU 인스턴스보다 가격 대비 성능이 30-40% 낫다고 주장합니다. 저자들은 이것이 곁다리 프로젝트가 아니라 성능과 경제성과 구조적 통제권에 대한 근본적인 베팅이라고 적습니다. 앤디 재시는 2025년 초에 AI가 지금처럼 비쌀 필요는 없고 앞으로도 그렇지 않을 것이라고 말했는데, 자체 설계 칩이 그 비용을 통제하는 지렛대 가운데 하나입니다.

숫자로 보면 엔비디아의 위치가 먼저 드러납니다. 분기 매출은 2025년 1월로 끝난 분기에 390억 달러로 전년 동기 대비 78% 늘었습니다. 사업부별로 보면 2019년 초까지만 해도 게이밍이 데이터센터보다 컸는데, 2023년 중반부터 데이터센터가 수직으로 올라가 2025년 초에는 360억 달러 수준이 되었고 게이밍은 20억 달러대에서 거의 평평합니다. 10년 단위로 보면 엔비디아 매출은 2014년 45억 달러 수준에서 2024년 1,300억 달러 수준으로 28배가 되었고, 같은 기간 빅식스의 연구개발비와 설비투자 합계는 750억 달러 수준에서 4,950억 달러 수준으로 6배가 되었습니다.

자체 설계 칩 쪽도 작지 않습니다. 모건스탠리 추정으로 구글의 TPU 매출은 2021년 12억 달러 수준에서 2022년 16억 달러 수준, 2023년 41억 달러 수준을 거쳐 2024년 89억 달러가 되어 전년 대비 116% 늘었습니다. 구글이 2015년 내부에 처음 배치한 TPU v1은 1만 개 미만을 만들 생각이었는데 결국 10만 개가 넘게 만들어졌다고 밝힌 바 있습니다. 아마존의 트레이니엄 매출은 2024년 11억 달러 수준에서 2025년 36억 달러로 216% 늘어날 것으로 추정됩니다. 가장 큰 고객들이 자기가 쓸 칩을 직접 설계하기 시작했다는 것이 이 절의 요지입니다.

해설 ASIC과 GPU의 차이는 범용성과 효율의 교환입니다. GPU는 어떤 모델이든 돌릴 수 있는 대신 특정 작업에서는 낭비가 생기고, ASIC은 정해진 연산에서 효율이 높은 대신 모델 구조가 바뀌면 쓸모가 줄어듭니다.

그래서 자체 설계 칩은 모델 구조가 어느 정도 안정되었다는 판단이 서야 성립하는 투자입니다. 구글이 2015년부터 TPU를 돌려 왔다는 사실은 이 회사가 그 판단을 가장 먼저 내렸다는 뜻이기도 합니다.

[한국 관점] 자체 설계 칩의 부상은 한국 반도체 산업에 양면으로 작용합니다. 추론용 ASIC이 늘어날수록 고대역폭 메모리 수요의 성격이 달라지고, 고객이 엔비디아 한 곳에서 여러 설계자로 분산되면 공급자 입장에서는 거래 상대가 늘어납니다.

한국에서도 리벨리온과 퓨리오사AI 같은 신경망처리장치 설계 기업이 추론 특화 칩을 들고 나왔고, 리벨리온은 2024년 SK텔레콤 계열 사피온과 합병해 규모를 키웠습니다. 다만 이 자료가 보여 주는 구도에서 자체 설계 칩의 경쟁력은 설계 자체보다 그 칩을 돌릴 대규모 자체 수요에서 나오며, 그 수요를 가진 플랫폼이 국내에는 아직 없다는 점이 차이입니다.

컴퓨트를 파는 새로운 층

모델을 만들지 않으면서 모델이 의존하는 것을 만드는 회사들도 이 국면의 수혜자입니다. 저자들은 네 곳을 듭니다. 코어위브(CoreWeave)는 게이밍과 암호화폐 하드웨어 공급망을 기업용 AI 고객에게 돌려 쓰면서 가장 빠르게 커진 GPU 클라우드 사업자가 되었습니다. 매출은 2022년 2,000만 달러 수준에서 2023년 2억 3,000만 달러 수준을 거쳐 2024년 19억 달러가 되어 전년 대비 730% 늘었고, 2025년 1분기에는 9억 8,200만 달러로 전년 동기 대비 420% 늘었습니다. 최고경영자 마이클 인트레이터(Michael Intrator)는 기업공개와 오픈AI와의 전략적 계약, 웨이츠앤드바이어시스(Weights & Biases) 인수를 성과로 꼽으면서 수요를 잡기 위해 최대한 빠르게 확장하고 있다고 밝혔습니다.

오라클은 오랫동안 레거시 IT 기업으로 여겨졌지만 GPU를 많이 보유한 클라우드 플랫폼으로 자리를 옮겼습니다. AI 인프라 매출은 2022회계연도부터 2024회계연도까지 2년 동안 50배가 되어 9억 4,800만 달러에 이르렀습니다. 최고경영자 사프라 캐츠(Safra Catz)는 2024년 3월에 아직 용량을 받지 못한 고객이 아주 많으며, 10억 달러가 넘는 신규 AI 수주가 아직 가동되지 않은 채로 최소 40건 있다고 말했습니다.

아스테라랩스(Astera Labs)는 덜 알려졌지만 중요한 자리에 있습니다. GPU와 메모리 시스템 사이에서 지연을 최소화하며 데이터를 옮기는 고속 인터커넥트를 만드는데, 이것이 점점 더 중요한 성능 제약으로 떠올랐기 때문입니다. 매출은 2024년 3억 9,600만 달러로 전년 대비 242% 늘었고, 최고경영자 지텐드라 모한(Jitendra Mohan)은 2025년이 네 개 제품군 전체에서 매출이 나오는 돌파의 해가 될 것으로 전망했습니다.

테슬라는 성격이 조금 다릅니다. 자체 슈퍼컴퓨터 도조(Dojo)와 구매한 GPU를 합친 AI 학습 용량이 2021년 6월부터 2024년 9월 사이에 8.5배로 늘어 H100 환산 6만 7,000개 수준이 되었고, 계획된 용량은 8만 5,000개 수준으로 표시되어 있습니다. 일론 머스크는 2023년 4월에 도조가 학습 비용을 한 자릿수 단위로 개선할 잠재력이 있다고 보면서, 아마존웹서비스가 서점에서 출발해 웹서비스를 팔게 되었듯 도조도 다른 회사에 파는 서비스가 될 수 있다고 말했습니다.

해설 이 네 회사는 같은 사업을 하지 않습니다. 코어위브는 GPU를 사서 시간 단위로 빌려주고, 오라클은 기존 기업 고객 기반 위에 AI 인프라를 얹고, 아스테라랩스는 칩 사이를 잇는 부품을 팔며, 테슬라는 자기 차에서 나온 데이터를 학습시키려고 용량을 짓습니다.

공통점은 매출 증가율이 세 자릿수라는 것과, 그 매출이 모두 같은 자본 흐름에서 나온다는 것입니다. 빅식스와 모델 기업의 지출이 이들의 매출이므로, 상류에서 지출이 멈추면 네 곳의 곡선도 동시에 꺾입니다.

[관점] 코어위브의 숫자는 특히 조심해서 볼 필요가 있습니다. 매출이 730% 늘었다는 사실과, 그 매출을 만들기 위해 GPU를 빚으로 사들였다는 사실은 같은 사업의 양면입니다.

오라클이 밝힌 10억 달러 이상 수주 40건이 아직 가동되지 않았다는 말도 두 가지로 읽힙니다. 수요가 공급을 크게 넘는다는 뜻이기도 하고, 장부에 잡힌 수주와 실제 매출 사이에 긴 시차가 있다는 뜻이기도 합니다.

데이터라는 계층

마지막은 데이터 계층입니다. 스케일AI(Scale AI)는 데이터 라벨링과 평가를 맡아 매출이 2023년 3억 3,500만 달러에서 2024년 8억 7,000만 달러로 160% 늘었고, 신규 수주는 15억 달러를 넘었습니다. 공동창업자 알렉산더 왕은 2024년 5월에 데이터의 풍요는 기본값이 아니라 선택이며 공학과 운영과 AI의 최고 인재를 모아야 가능한 일이라고 말했습니다. 프런티어 모델을 몇 자릿수 더 키워 나갈 생산 수단을 갖추는 것이 자신들의 비전이고, GPT-10에 이르는 길에서 데이터가 제약이 되어서는 안 된다는 것입니다.

저장과 관리와 처리 쪽에서는 바스트데이터가 사례로 나옵니다. 2019년 1월 이후 누적 매출이 2025년 5월까지 6년 남짓 만에 0에서 20억 달러가 되었습니다. 최고경영자 레넨 할락(Renen Hallak)은 모델을 만드는 쪽이 서로의 발견 위에 쌓아 올리면서 AI 진전의 속도 자체가 계속 빨라지고 있다고 보았습니다. 2022년 초부터 생각하는 기계를 이야기해 왔는데 지난 12개월 동안 추론 모델이 등장하면서 그 시대가 실제로 왔다는 평가입니다. AI에 필요한 거의 모든 인프라 계층을 타협 없이 단순한 방식으로 감쌀 수 있다면 고객에게 가장 큰 이득이 돌아간다는 것이 이 회사의 접근입니다.

[사후 맥락] 스케일AI의 사례는 원문이 나온 직후 성격이 바뀌었습니다. 2025년 6월 메타가 이 회사 지분 49%를 143억 달러에 사들이고, 자료에 인용된 알렉산더 왕이 메타로 옮겨 초지능 조직을 이끌게 되었습니다.

이 거래는 데이터 계층이 독립된 사업으로 남을지, 아니면 모델을 만드는 쪽이 수직 통합으로 흡수할 자산인지를 묻게 만듭니다. 저자들이 독립된 수익화 사례로 제시한 바로 그 회사가 한 달 뒤 플랫폼 안으로 들어간 셈입니다.

[관점] 데이터 계층의 매출 곡선은 모델 학습이 계속 커진다는 전제 위에 서 있습니다. 라벨링 수요는 새 모델을 더 크게 더 자주 학습시킬 때 늘어나는데, 합성 데이터와 검증 가능한 보상을 이용한 강화학습이 사람 라벨을 대체하는 흐름도 동시에 진행 중입니다.

그래서 이 계층은 이 자료의 다른 수익화 사례와 성격이 다릅니다. 컴퓨트 수요는 추론이 늘면 같이 늘지만, 사람이 붙는 데이터 작업의 수요는 학습 방식이 바뀌면 줄어들 수도 있습니다.

매출보다 빠르게 오르는 비용

저자들은 이 묶음의 제목을 매출 대비 비용의 증가가 고개를 돌리게 만들 수 있다는 말로 붙여 두었습니다. 첫 사례가 오픈AI입니다. 디인포메이션의 추정으로 2022년부터 2024년까지 매출은 0에서 37억 달러로 올라갔는데, 같은 기간 컴퓨트 비용은 50억 달러로 더 빠르게 올라갔습니다. 2022년에는 컴퓨트 비용 자료가 없어 두 곡선이 비교되는 구간은 2023년과 2024년입니다. 매출 곡선이 위로 향하는 동안 비용 곡선은 그보다 더 가파르게 아래로 벌어집니다.

상장 대기업 쪽에서는 같은 압력이 다른 모양으로 나타납니다. 2023년과 2024년을 비교하면 네 회사 모두 설비투자가 매출보다 훨씬 빠르게 늘었고, 그 결과 잉여현금흐름 마진이 눌렸습니다.

• 마이크로소프트 — 설비투자가 350억 달러에서 560억 달러로 58% 늘어난 사이 매출은 2,280억 달러에서 2,620억 달러로 15% 늘었고, 잉여현금흐름 마진은 30%에서 27%로 내려갔습니다.
• 아마존 — 설비투자가 530억 달러에서 830억 달러로 57% 늘고 매출은 5,750억 달러에서 6,380억 달러로 11% 늘었으며, 잉여현금흐름 마진은 6%에서 5%가 되었습니다.
• 알파벳 — 설비투자가 320억 달러에서 520억 달러로 63% 늘고 매출은 3,070억 달러에서 3,500억 달러로 14% 늘었으며, 잉여현금흐름 마진은 23%에서 21%로 내려갔습니다.
• 메타 — 설비투자가 270억 달러에서 370억 달러로 38% 늘고 매출은 1,350억 달러에서 1,650억 달러로 22% 늘었는데, 잉여현금흐름 마진은 33%를 유지했습니다.

네 곳 모두 설비투자 증가율이 매출 증가율의 두 배에서 다섯 배에 이릅니다. 마진이 유지된 곳은 매출이 가장 빠르게 늘고 설비투자 증가율이 가장 낮았던 메타 한 곳뿐입니다.

해설 잉여현금흐름 마진은 영업활동 현금흐름에서 설비투자를 뺀 금액이 매출에서 차지하는 비율입니다. 이익이 아니라 실제로 손에 남는 현금을 기준으로 삼기 때문에, 설비투자가 늘면 회계상 이익이 그대로여도 이 숫자는 떨어집니다.

아마존의 마진이 5-6%로 유난히 낮은 것은 소매 사업이 함께 잡혀 있기 때문입니다. 이 표의 아마존 수치는 아마존웹서비스와 소매를 합친 것이어서, 다른 세 곳과 같은 기준으로 비교하기는 어렵습니다.

[관점] 이 숫자들이 말하는 것은 위기가 아니라 선택입니다. 네 회사 모두 현금을 벌면서 그 현금을 설비로 돌리고 있고, 마진이 눌린 것은 돈이 없어서가 아니라 쓰기로 했기 때문입니다.

문제는 되돌릴 수 있는 폭입니다. 설비투자는 한 번 착공하면 몇 년에 걸쳐 집행되므로, 수요가 기대에 못 미쳐도 지출을 즉시 멈추기 어렵습니다. 앞 절에서 본 네언의 경고, 즉 무거운 설비투자와 긴 회수 기간의 조합이 바로 이 구조를 가리킵니다.

조달한 돈과 벌어들인 돈

비상장 모델 기업 쪽은 간격이 더 큽니다. 2025년 5월 13일 기준으로 저자들이 네 곳을 모았습니다. 오픈AI는 2025년 4월 기준 연환산 매출이 92억 달러로 추정되는데 지금까지 조달한 금액은 639억 2,000만 달러이고, 마지막 조달은 2025년 3월이었습니다. 앤트로픽은 2025년 3월 기준 연환산 매출 20억 달러에 누적 조달 180억 달러입니다.

xAI는 2025년 4월 기준 매출이 1억 달러를 상당히 넘는 수준으로만 표시되어 있고 누적 조달은 121억 3,000만 달러이며, 일부 언론 보도는 이 회사 매출을 10억 달러까지 보기도 합니다. 퍼플렉시티(Perplexity)는 2025년 5월 기준 매출 1억 2,000만 달러에 누적 조달 14억 1,000만 달러입니다.

합치면 그림이 분명해집니다. 연환산 매출 110억 달러 남짓을 만들기 위해 950억 달러 가까운 자본이 들어갔습니다.

기업가치로 환산하면 배수가 드러납니다. 오픈AI는 2025년 3월 기준 3,000억 달러의 기업가치에 매출 배수 33배, 앤트로픽은 615억 달러에 31배입니다. xAI는 머스크가 제시한 800억 달러의 기업가치가 적혀 있지만 매출이 범위로만 공개되어 배수는 산출되지 않았습니다. 퍼플렉시티는 2024년 12월 기준 90억 달러의 기업가치에 75배이고, 이후 140억 달러 수준에서 추가 조달을 협의 중이라는 보도가 있었습니다.

해설 연환산 매출은 특정 시점의 월 또는 분기 매출에 12개월 또는 4를 곱해 만든 수치입니다. 빠르게 성장하는 회사의 현재 규모를 보여 주는 데 쓰이지만, 지난 1년 동안 실제로 번 돈과는 다릅니다.

오픈AI의 92억 달러도 이 방식으로 추정된 값입니다. 디인포메이션과 블룸버그가 내놓은 2024년과 2025년 연간 매출 추정치 사이에서 매출이 선형으로 늘어난다고 가정해 역산한 숫자라는 단서가 붙어 있습니다.

[관점] 950억 달러와 110억 달러라는 두 숫자를 나란히 놓으면 이 산업의 자금 구조가 보입니다. 조달액은 이미 쓴 돈이 아니라 앞으로 쓸 돈이기도 하므로 이 비교 자체가 부당한 것은 아니지만, 매출의 아홉 배 가까운 자본이 선행해 들어와 있다는 사실은 남습니다.

더 중요한 것은 이 자본의 상당 부분이 다시 컴퓨트로 나간다는 점입니다. 모델 기업이 조달한 돈이 클라우드와 칩 기업의 매출이 되고, 그 매출이 다시 설비투자로 이어지는 구조여서, 4부의 여러 성장 곡선이 서로 독립적이지 않습니다.

비싼가

기업가치가 과하다는 판단은 비교 대상에 달려 있습니다. 저자들은 두 가지 잣대를 나란히 댑니다. 먼저 기업가치를 향후 12개월 매출로 나눈 배수입니다. 2025년 5월 기준으로 오픈AI는 23배 수준인데, 듀오링고가 22배로 바로 아래 있고 메타가 8배, 스포티파이가 7배, 알파벳이 5배, 핀터레스트가 4.5배 수준입니다. 비교 대상의 중앙값은 6.9배이므로 오픈AI는 세 배 이상 높습니다.

그런데 사용자당 매출로 보면 자리가 달라집니다. 2024년 기준 연간 사용자당 매출은 알파벳이 71달러 수준으로 가장 높고 메타가 41달러, 스포티파이가 23달러 수준입니다. 오픈AI는 12달러 수준으로 중앙값인 23달러의 절반가량이며, 핀터레스트와 듀오링고가 7달러 안팎으로 아래에 있습니다. 사용자당 버는 돈은 중간 이하인데 기업가치 배수는 가장 높은 조합입니다.

저자들은 이 계산의 전제도 밝혀 둡니다. 오픈AI는 자료 가용성 때문에 주간 활성 사용자를 월간 활성 사용자처럼 보수적으로 간주했고, 2024년 12월 공개를 근거로 평균 주간 활성 사용자를 3억 명으로, 2024년 ChatGPT 매출을 37억 달러로 잡았습니다.

[관점] 두 장을 같이 놓으면 저자들이 무엇을 말하려는지가 보입니다. 비싸 보인다는 첫 장의 제목과 범위 안에 있다는 둘째 장의 제목이 서로를 상쇄하도록 배치되어 있습니다.

다만 사용자당 매출이 낮다는 사실은 두 가지로 읽힙니다. 아직 수익화하지 않은 여지가 크다는 뜻일 수도 있고, 무료 사용자가 대부분이어서 앞으로도 그만큼 받아 내기 어렵다는 뜻일 수도 있습니다. 광고 모델을 갖춘 알파벳이나 메타와 달리 오픈AI의 수익은 구독과 API에서 나오므로, 같은 사용자 수에서 같은 매출이 나온다는 보장은 없습니다.

적자를 견딘 회사들의 역사

마지막으로 저자들은 역사적 유사 사례를 모읍니다. 애플은 1997년 시가총액이 17억 달러로 파산 직전까지 갔는데 지금은 3조 2,000억 달러입니다. 아마존은 2000년 4분기에 매출 9억 7,200만 달러에 5억 4,500만 달러의 순손실을 냈고, 창업자 제프 베이조스(Jeff Bezos)는 2000년 주주보고서에서 자본시장의 많은 참가자에게 잔인한 해였고 아마존 주주에게는 특히 그랬으며 주가가 1년 전보다 80% 넘게 떨어졌다고 적었습니다.

그 바닥에서의 규모도 함께 제시됩니다. 2001년 3분기 시가총액은 22억 달러였고 활성 고객 계정은 2,300만 개였는데, 지금 시가총액은 2조 2,000억 달러입니다. 1997년 2분기 출범부터 첫 순이익 흑자 해인 2003년까지 27개 분기 동안 아마존이 잃은 돈은 30억 달러였습니다. 가장 최근 27개 분기인 2018년 3분기부터 2025년 1분기까지 이 회사의 누적 순이익은 1,760억 달러입니다.

구글의 사례는 설비투자 쪽입니다. 2004년 4월 기업공개 서류에는 시리즈 A 한 번만 조달한 상태에서 2004년 1분기에 매출 3억 9,000만 달러의 22%인 8,600만 달러를 설비투자에 썼다는 내용이 들어 있고, 당시에는 이해하기 어려울 만큼 높은 숫자로 받아들여졌습니다. 230억 달러의 시가총액으로 상장한 이 회사는 지금 2조 달러입니다.

더 최근의 사례도 둘 있습니다. 우버는 2016년부터 2022년까지 170억 달러를 태웠고 그 이전에도 상당한 금액을 태운 뒤 2023년에 처음으로 잉여현금흐름 흑자를 냈습니다. 2022년에 월간 활성 이용자는 1억 3,100만 명이었고, 마지막 지분 조달은 시리즈 G였으며, 상장 당시 완전희석 기준 시가총액 820억 달러는 지금 1,890억 달러가 되었습니다.

테슬라는 2009년부터 2018년까지 92억 달러를 태우고 2019년에 잉여현금흐름 흑자로 돌아섰습니다. 그 10년 동안 약 54만 대를 인도하며 누적 56억 달러를 잃었고, 2010년 16억 달러의 시가총액으로 상장했습니다. 2019년부터 2024년까지는 670만 대를 인도하며 400억 달러를 벌었고 시가총액은 1조 1,000억 달러입니다.

저자들은 여기에 원칙을 하나 덧붙이고 결론을 유보합니다. 대개의 경우 기업의 가치는 미래 잉여현금흐름의 현재가치를 나타내야 한다는 것입니다. 앞에서 든 회사들은 공격적인 현금 소진으로 이 전제를 강하게 시험했고, 제품의 탁월함과 끊임없는 개선 위에서 대규모 데이터 기반 네트워크 효과를 만들어 기술 주도의 경쟁우위를 세운 끝에 회의론자들이 틀렸음을 증명했습니다. 지금의 AI 지망자들이 돈을 버는 쪽과 그렇지 못한 쪽 가운데 어디에 서게 될지는 시간이 지나야 알 수 있다는 것이 저자들의 마무리입니다.

[한국 관점] 같은 구조를 국내에서 가장 선명하게 보여 준 사례는 쿠팡입니다. 물류센터와 배송망에 대규모 선행 투자를 하면서 오랫동안 영업손실을 쌓았고, 2021년 뉴욕증권거래소 상장 이후에도 적자가 이어지다가 2023년에 첫 연간 흑자를 냈습니다.

다만 AI 투자와는 결정적인 차이가 있습니다. 물류센터는 한 번 지으면 수십 년을 쓰고 경쟁자가 같은 지역에 다시 짓기 어렵지만, GPU 클러스터는 경제적 수명이 짧고 같은 하드웨어를 누구나 살 수 있습니다. 쿠팡이 쌓은 것이 진입장벽이었다면 지금의 AI 설비가 무엇을 쌓고 있는지는 아직 분명하지 않습니다.

[관점] 이 두 쪽은 설득의 구조가 분명합니다. 지금 적자를 내는 AI 기업과 과거에 적자를 내다 거대해진 기업을 나란히 놓아, 적자 자체는 결론이 아니라는 메시지를 전합니다.

그러나 이 비교는 생존자만 모아 놓은 목록입니다. 같은 시기에 같은 논리로 돈을 태우다 사라진 기업은 훨씬 많았고, 아마존과 테슬라를 지금의 자리에 올려놓은 요인은 현금 소진 자체가 아니라 그 돈으로 만든 네트워크 효과와 진입장벽이었습니다. 저자들이 마지막 문단에서 바로 그 점을 짚어 둔 것은 공정한 처리이지만, 그 기준을 지금의 AI 기업에 적용한 분석은 자료에 들어 있지 않습니다.

범용 모델의 경제학이 향하는 곳

저자들은 3부의 진단을 다시 꺼내 수익화 쪽으로 돌립니다. 사용자와 개발자에게 비용 하락은 선물입니다. 강력한 AI에 접근하는 단위 비용이 극적으로 낮아지면서 새 제품과 서비스가 쏟아지고 사용자와 사용량이 함께 늘고 있습니다. 그런데 모델을 공급하는 쪽에서는 같은 사실이 수익과 이익에 관한 진짜 질문을 만듭니다. 학습은 비싸고 서빙은 싸지고 있으며 가격 결정력은 미끄러지는 중이어서, 사업 모형 자체가 유동적입니다.

모든 용도에 하나의 대형 모델을 쓰는 접근에 대한 의문도 생겼습니다. 특정 용도에 맞춰 학습시킨 더 작고 싼 모델이 등장하고 있고, 저자들은 의료 정보 분야의 오픈에비던스(OpenEvidence)를 예로 듭니다. 전통적인 해자도 흔들립니다. 구글은 2024년 5월 검색 결과 위에 올라가는 AI 개요를 내놓았고 2025년 4월 기준 월간 활성 사용자 15억 명을 밝혔는데, 최근 몇 주 사이에 일부 AI 개요에 광고를 붙이기 시작했습니다.

남는 질문은 방향입니다. 공급자들이 수평 플랫폼을 지으려 할지, 전문화된 응용으로 들어갈지, 한두 곳이 압도적인 사용자와 사용량 점유율과 그에 따른 수익화를 가져갈지는 시간이 지나야 알 수 있습니다. 단기적으로 보면 범용 대규모 언어모델의 경제학은 벤처 규모의 현금 소진을 동반한 범용재화 사업처럼 보입니다.

[관점] AI 개요에 광고가 붙기 시작했다는 한 문장은 이 자료에서 가장 많은 것을 함축한 대목 가운데 하나입니다. 검색 결과 위에 요약이 올라가면 링크를 눌러 들어가는 사람이 줄고, 그 트래픽으로 살던 웹사이트의 수익이 줄어듭니다.

그런데 그 요약 자체에 광고가 붙으면 구글의 수익은 유지됩니다. 즉 AI는 검색 사업을 파괴하는 쪽이 아니라 수익의 귀속을 플랫폼 쪽으로 한 단계 더 당기는 쪽으로 작동할 수 있고, 이것이 저자들이 말한 전통적 해자의 교란이 실제로 전개되는 방식입니다.

수직 통합의 세 겹

경쟁 구도를 저자들은 월스트리트저널 자료를 빌려 세 겹의 동심원으로 그립니다. 가장 바깥은 모델과 챗봇을 만드는 층으로, 여기에는 열 곳이 모두 들어갑니다. 텍스트와 이미지와 영상을 만들어 내는 생성형 AI 도구를 짓고 있다는 공통점입니다.

가운데 원은 AI 인프라를 직접 짓는 층입니다. 기술 거인과 AI 신생 기업을 합쳐 일곱 곳이 여기에 들어가는데, AI 시스템을 돌리는 데 필요한 하드웨어와 데이터센터까지 만듭니다. 가장 안쪽 원은 AI 클라우드 서비스를 제공하는 층으로 구글과 아마존과 마이크로소프트 세 곳입니다.

바깥 원에만 있는 곳은 퍼플렉시티와 딥시크와 앤트로픽이고, 가운데 원에는 오픈AI와 메타와 엔비디아와 xAI가 더해집니다. 오픈AI에는 오라클과 소프트뱅크, MGX와 함께 스타게이트 데이터센터망을 짓는 제휴가 있다는 주석이 붙어 있습니다. 같은 기회를 두고 겨루는 열 곳이 서로 다른 깊이로 수직 통합되어 있다는 것이 이 그림의 요지입니다.

해설 수직 통합의 깊이는 비용 구조와 협상력을 함께 결정합니다. 안쪽 원에 있는 세 곳은 자기 데이터센터에서 자기 칩으로 자기 모델을 돌릴 수 있으므로 토큰 하나의 원가를 스스로 통제하고, 남는 용량을 남에게 팔아 다시 매출로 만듭니다.

바깥 원에만 있는 기업은 그 반대입니다. 모델의 품질로만 경쟁해야 하는데 3부에서 본 대로 품질은 수렴하는 중이고, 자신이 쓰는 컴퓨트의 가격은 안쪽 원에 있는 회사들이 정합니다.

신규 진입자의 가격표

신규 진입자들이 돈을 받는 방식은 두 갈래입니다. 소비자 구독에서 오픈AI는 무료와 월 20달러와 월 200달러로 나누고, 구글 제미나이는 무료와 월 19.99달러와 월 250달러를 둡니다. 앤트로픽 클로드는 무료와 월 17달러와 월 100달러이며 중간 요금은 연간 할인을 적용한 가격입니다. xAI 그록은 무료와 월 3달러, 8달러, 40달러로 나뉘는데 X 프리미엄 구독과 묶여 있어 그록 사용 한도 외의 혜택도 포함됩니다. 퍼플렉시티는 무료와 월 20달러입니다.

개발자용 API는 출력 토큰 100만 개당 가격으로 매깁니다. 오픈AI는 GPT-4.1 나노의 0.40달러부터 o3의 40달러까지, xAI는 0.50달러부터 25달러까지, 구글은 0.15달러부터 15달러까지입니다. 앤트로픽은 클로드 3 하이쿠의 1.25달러부터 클로드 3 오푸스의 75달러까지이고, 퍼플렉시티는 1달러부터 15달러까지입니다. 같은 회사 안에서도 모델에 따라 가격이 100배까지 벌어집니다.

해설 소비자 요금제에서 가장 눈에 띄는 것은 월 200달러대 상품의 등장입니다. 기존 소비자 소프트웨어에서 월 20달러가 상한에 가까웠던 것을 생각하면 열 배짜리 구간이 새로 생긴 셈인데, 추론 모델과 딥리서치처럼 토큰을 대량으로 쓰는 기능이 그 구간을 만들었습니다.

API 가격의 100배 격차도 같은 이유입니다. 같은 회사의 작은 모델과 추론 모델은 한 번의 응답에 쓰는 연산량이 몇 자릿수 차이가 나므로, 가격표는 모델의 성능 차이라기보다 연산량의 차이를 반영합니다.

신규 진입자의 매출 곡선

매출은 빠르게 올라왔습니다. 오픈AI의 유료 구독자는 2022년 10월부터 2025년 4월까지 연 153%씩 늘었고, 매출은 2022년부터 2024년까지 연 1,050%씩 늘어 37억 달러가 되었습니다. 앤트로픽의 연환산 매출은 2023년 9월부터 2025년 3월까지 18개월 동안 20배가 되어 20억 달러에 이르렀고, 연 기준으로는 6.4배입니다.

퍼플렉시티는 2024년 3월부터 2025년 5월까지 14개월 동안 연환산 매출이 7.6배가 되어 1억 2,000만 달러가 되었습니다. 공동창업자 아라빈드 스리니바스(Aravind Srinivas)는 자사를 답변 엔진으로 규정하면서, 질문하면 답이 나오되 모든 답에 출처가 붙는다는 점이 다르며 이는 학자가 논문을 쓰는 방식과 같다고 설명했습니다. 기업용 검색과 에이전트를 다루는 글린(Glean)은 연간반복매출이 24개월 동안 10배가 되어 1억 달러에 이르렀습니다.

속도 자체를 과거와 비교한 자료도 있습니다. 스트라이프 집계에서 상위 100개 AI 기업이 연환산 매출 500만 달러에 도달하기까지 걸린 기간의 중앙값은 2024년 기준 24개월이었습니다. 2018년 상위 100개 서비스형 소프트웨어 기업은 같은 지점에 37개월이 걸렸습니다. 같은 매출 구간에 35% 빠르게 도달했습니다.

해설 스트라이프의 비교는 두 집단 모두 상위 100개 기업을 추린 것이어서, 평균적인 스타트업의 경험이 아니라 가장 잘된 쪽의 속도를 보여 줍니다. 또 결제 처리 사업자가 자기 플랫폼에서 관찰한 매출이므로, 결제를 다른 경로로 받는 기업은 빠져 있습니다.

연환산 매출 500만 달러라는 기준도 생각보다 낮은 문턱입니다. 이 지점을 빨리 통과한다는 사실은 초기 수요가 있다는 뜻이지, 그 매출이 유지되거나 이익으로 바뀐다는 뜻은 아닙니다.

[관점] 이 절의 증가율은 모두 바닥이 0에 가까운 구간에서 나온 값입니다. 연 1,050%나 20배 같은 숫자는 출발점이 작을 때 자연스럽게 나오며, 같은 기업의 다음 2년에 같은 배수를 적용할 수는 없습니다.

그보다 눈여겨볼 것은 절대 규모입니다. 네 회사의 매출을 모두 더해도 엔비디아의 한 분기 매출 390억 달러에 크게 못 미칩니다. 지금까지 이 산업에서 실제로 돈을 번 쪽은 모델을 파는 층이 아니라 그 아래의 설비 층이라는 사실이 숫자로 드러납니다.

기존 기업의 유통망

기존 기술기업이 가진 무기는 모델이 아니라 이미 깔린 사용자입니다. 저자들은 ChatGPT의 8억 명과 기존 기업들의 기반을 나란히 놓습니다. 구글은 검색 사용자 49억 명과 안드로이드 사용자 30억 명 이상, AI 개요 사용자 15억 명과 어시스턴트 탑재 기기 10억 대 이상을 갖고 있습니다. 메타는 페이스북과 인스타그램과 왓츠앱과 메신저를 합쳐 34억 명 이상, 애플은 아이폰과 아이패드와 맥을 합쳐 23억 5,000만 대입니다.

나머지도 작지 않습니다. 틱톡은 2021년 기준 10억 명 이상이고, 마이크로소프트는 링크드인 회원 10억 명과 오피스 365 유료 좌석 4억 개 이상을 갖고 있습니다. 스포티파이는 6억 7,800만 명, 아마존은 알렉사(Alexa) 기기 6억 대 이상과 프라임 구독자 2억 명 이상, X는 5억 명 이상, 캔바는 2억 3,000만 명 이상입니다.

이 유통망 위에서 AI 기능이 어떻게 퍼졌는지를 아홉 개 사례로 보여 줍니다. 캔바는 2019년 12월 배경 제거기를, 이후 매직 미디어(Magic Media)를 내놓아 두 도구의 누적 사용이 2024년까지 수십억 회에 이르렀고, 텍스트에서 이미지를 만드는 기능은 출시 1년이 되기 전에 2억 9,000만 장을 만들어 냈습니다. 스포티파이의 AI DJ는 2023년 2월 출시 이후 2025년 5월까지 제공 시장이 60개 가까이로 늘었습니다. 마이크로소프트 코파일럿의 누적 대화 수는 2023년 8월 사실상 0에서 2024년 12월 150억 건이 되었습니다.

소비자 쪽 규모는 더 큽니다. 메타 AI는 2023년 11월 출시 이후 2025년 4월에 저커버그가 전체 앱을 통틀어 월간 활성 사용자가 거의 10억 명에 이른다고 밝히는 수준이 되었습니다. 구글의 제미나이 앱 생태계는 2025년 3월 3억 5,000만 명에서 5월 4억 명으로 늘었고, 검색에 박혀 있는 AI 개요는 15억 명입니다. xAI의 그록은 2025년 2월 17일 그록 3 출시와 함께 데스크톱 방문이 한 달 만에 42배로 뛰었습니다.

나머지 세 사례는 성격이 다릅니다. 아마존은 2024년 2월 쇼핑 도우미 루퍼스(Rufus)를 내놓았고, 저자들은 이 도구를 북미 소매 총거래액 곡선 위에 표시해 둡니다. 틱톡은 2024년 6월 생성형 AI 광고 도구 심포니(Symphony)를 내놓으면서, 틱톡에 맞춰 만든 광고가 구매 의향을 37% 높이고 브랜드 호감도를 38% 올린다는 조사와 사용자의 79%가 플랫폼을 이해하는 브랜드를 선호한다는 조사를 함께 제시했습니다. 애플은 2024년 10월 애플 인텔리전스를 내놓았고, 팀 쿡(Tim Cook)은 이 기능이 제공된 시장에서 아이폰 16 제품군의 전년 대비 실적이 그렇지 않은 시장보다 좋았다고 말했습니다.

[관점] ChatGPT의 8억 명과 구글의 49억 명을 같은 장에 놓은 것은 저자들이 던지는 질문을 그대로 보여 줍니다. 더 나은 제품이 이기는지, 더 많은 사용자를 이미 가진 쪽이 이기는지입니다.

다만 유통망의 숫자는 사용과 같지 않습니다. 애플의 23억 5,000만 대는 기기 수이고 알렉사의 6억 대도 마찬가지여서, 그 위에 AI 기능이 얹혔다는 사실과 사람들이 그것을 쓴다는 사실 사이에는 간격이 있습니다. 애플이 유일하게 사용자 수가 아니라 아이폰 판매량으로 성과를 제시한 대목이 그 간격을 역설적으로 보여 줍니다.

[한국 관점] 유통망 위에 AI를 얹는 전략은 국내에서도 같은 모양으로 진행되어 왔습니다. 네이버는 검색과 쇼핑에, 카카오는 메신저에 생성형 AI 기능을 붙이는 방식을 택했고, 이는 새 앱으로 사용자를 모으기보다 이미 쓰는 화면 안에서 기능을 만나게 하는 접근입니다.

차이는 모델 층의 선택지입니다. 미국 기존 기업들은 대부분 자사 모델을 쓰지만 국내 플랫폼은 자체 모델과 외부 모델을 함께 쓰는 구조여서, 유통망에서 얻는 이점과 모델 비용에서 치르는 대가가 동시에 발생합니다.

기존 기업의 매출

기존 기업 쪽 매출도 제시됩니다. 마이크로소프트의 AI 제품 연간 반복 매출은 2023년에서 2024년 사이 175% 늘어 130억 달러가 되었습니다. 최고재무책임자 에이미 후드(Amy Hood)는 2025년 4월 실적 발표에서 AI 사업 매출이 기대를 웃돌았고 상업 수주가 18% 늘었다고 밝혔습니다.

xAI의 연환산 매출은 2024년 11월 1억 달러 수준에서 2025년 중 상당히 올라간 것으로 표시되어 있는데, 구체적인 수치 대신 범위만 제시되어 있습니다. 그록 3은 콜로서스 슈퍼클러스터에서 이전 최고 수준 모델의 10배에 해당하는 컴퓨트로 학습되었습니다.

팔란티어는 고객 수로 성과를 보여 줍니다. 미국 상업 고객은 2023년 1분기부터 2025년 1분기까지 2년 동안 늘어 전년 대비 65% 증가한 432곳이 되었습니다. 최고재무책임자 데이비드 글레이저(David Glazer)는 2025년 5월에 미국 상업 사업에서 처음으로 연 10억 달러 실행률을 달성했다고 밝혔고, 자사 AI 플랫폼이 신규 고객 전환과 기존 고객 확대를 함께 끌고 있다고 설명했습니다. 기존 기업 쪽에서는 AI가 별도 상품이 아니라 기존 계약을 키우는 수단으로 매출에 잡힙니다.

[관점] 세 회사의 숫자는 성격이 제각각입니다. 마이크로소프트의 130억 달러는 연간 반복 매출 추정이고, xAI는 범위만 공개되었으며, 팔란티어는 매출이 아니라 고객 수를 전면에 내세웁니다.

이 불균질함 자체가 이 국면의 특징입니다. AI 매출이라는 항목을 따로 떼어 공시하는 기준이 아직 없어서, 회사마다 자신에게 가장 유리한 단위를 고르고 있습니다. 그래서 이 숫자들은 서로 비교하기 위한 것이라기보다 각 회사가 어떤 성과를 보여 주고 싶어 하는지를 알려 주는 자료에 가깝습니다.

수평 플랫폼인가 전문화인가

기업용 AI의 수익화가 어디로 가는지 알려면 소프트웨어 자체가 어디로 뭉치고 있는지를 물어야 한다는 것이 저자들의 출발점입니다. 수십 년 동안 기업용 소프트웨어는 익숙한 경로를 따랐습니다. 전문화된 도구를 만들어 좁은 사용자층에 팔고 그 업종 안에서 규모를 키우는 방식이었고, 음식점의 토스트(Toast)와 보험의 가이드와이어(Guidewire), 생명과학의 비바(Veeva)가 그런 수직형 서비스형 소프트웨어의 시대를 대표했습니다. 각 도구는 깊고 좁은 문제를 풀었습니다.

파운데이션 모델과 생성형 AI가 등장하면서 다른 쪽이 그 자리를 노리기 시작했습니다. 저자들은 이를 수평형 엔터프라이즈 플랫폼이라고 부릅니다. AI 네이티브 생산성과 검색과 소통과 지식 관리를 하나의 통합된 인터페이스로 묶는 수평 계층으로, 슬랙과 노션(Notion)과 ChatGPT를 한 플랫폼에 합쳐 놓은 것을 떠올리면 된다는 설명입니다. 이 구조는 새로운 수익화 방식을 열 수 있습니다. 칸막이 쳐진 소프트웨어 라이선스를 파는 대신 스택 전반에 심어 놓은 지능에 값을 매기는 방식입니다.

가치의 무게중심도 옮겨 갑니다. 도구가 아니라 결과로, 고객관계관리 시스템이 아니라 자동으로 정리된 거래 요약으로, 서비스 데스크가 아니라 AI가 처리하는 해결 흐름으로 이동합니다. 마이크로소프트는 코파일럿을 스택 전반에 통합하고 있고, 줌(Zoom)과 캔바는 사용자 작업 흐름에 생성형 AI를 얹고 있으며, 데이터브릭스(Databricks)는 자사 데이터와 개발자 스택에 생성형 AI를 주입하고 있습니다. 글린 같은 신생 기업은 AI를 앞세운 작업 흐름으로 기존 제품군 모형에 도전하고 있습니다.

그런데 전문화된 공급자들도 가만히 있지 않습니다. 오히려 이들이 AI를 더 빨리 흡수하고 있는데, 코파일럿을 심고 작업 흐름을 자동화하며 업종 고유의 데이터로 모델을 파인튜닝합니다. 이미 작업 흐름과 신뢰와 구조화된 데이터를 갖고 있다는 점이 AI에 유리하게 작용해, 회의를 요약하는 데 그치지 않고 규제 위험을 짚어 내거나 실시간으로 가격을 최적화하거나 규제 당국 기준에 맞는 문서를 작성하는 영역별 지능을 먼저 배포할 수 있습니다. 기존 사업자라는 위치 자체가 이점이 되는 셈이어서, AI를 제품이 아니라 기능으로 내놓고 구매 방식을 바꾸지 않은 채 수익화할 수 있습니다.

저자들은 결론을 승부가 아니라 수렴으로 잡습니다. 수평 플랫폼은 기능 전반의 지식을 꿰며 폭을 밀고, 전문화된 공급자는 규제와 계약과 고객 의도의 언어를 구사하는 깊이를 밉니다. 질문은 플랫폼과 전문가 중 누가 이기는가가 아니라 누가 적절한 계층을 추상화하고 인터페이스를 소유하며 일 자체의 논리를 장악하는가입니다. AI 시대의 수익화는 사용량만 따라가지 않고 주의와 맥락과 통제를 따라간다는 것이 이 두 쪽의 결론입니다.

해설 수직형 서비스형 소프트웨어는 업종 하나를 깊이 파고드는 소프트웨어를 가리킵니다. 음식점의 주문과 결제와 재고를 한 번에 다루는 토스트처럼, 그 업종의 일하는 방식을 그대로 담아 놓아서 바꾸기 어렵다는 점이 해자가 됩니다.

수평형 플랫폼은 반대로 업종을 가리지 않는 공통 기능을 모읍니다. 둘의 경쟁이 새로운 이유는 생성형 AI가 처음으로 업종 지식을 범용 모델에 담아낼 가능성을 열었기 때문이고, 전문화된 공급자의 방어선이 데이터와 작업 흐름에 남아 있다는 것이 저자들의 관찰입니다.

기존 소프트웨어 기업이 내놓은 것들

기존 서비스형 소프트웨어 기업들의 AI 출시는 2022년부터 꾸준히 이어졌습니다. 저자들은 실적 발표에서의 AI 언급 횟수를 다시 보여 주는데, 2020년 1분기부터 2024년 1분기까지 누적으로 구글 568회, 마이크로소프트 376회, 세일즈포스 364회, IBM 472회입니다. 세일즈포스의 곡선이 특히 가파른데 2022년 말까지 거의 0에 머물다가 수직으로 올라갑니다.

제품 쪽 사례는 일곱 개입니다. 마이크로소프트는 2022년 6월 깃허브 코파일럿을 내놓았고, 깃허브 매출은 이 시점 전후로 꺾여 올라갑니다. 2023년 3월에는 마이크로소프트 365 코파일럿을 내놓았고, 모건스탠리 설문에서 앞으로 12개월 안에 이 제품을 쓸 것으로 예상한 최고정보책임자 비율이 빠르게 올라갔습니다.

창작과 협업 쪽도 비슷한 시기에 움직였습니다. 어도비는 2023년 3월 파이어플라이(Firefly)를 내놓아 2025년 4월까지 누적 200억 개 넘는 디지털 자산이 만들어졌습니다. 아틀라시안(Atlassian)은 2023년 4월 자사 AI 기능을 내놓아 2024년 12월 월간 활성 사용자 100만 명을 넘겼고, 줌은 2023년 9월 AI 컴패니언을 내놓아 활성화된 계정이 400만 개 수준에 이르렀으며 월간 활성 사용자 증가율이 분기 대비 68%로 가속되었습니다. 캔바는 2023년 10월 매직 스튜디오(Magic Studio)를 내놓아 2025년 5월까지 누적 160억 회 사용되었습니다.

마지막은 에이전트입니다. 세일즈포스는 2024년 9월 에이전트포스를 내놓고 2024년 12월부터 2025년 2월 사이에 유료 계약 3,000건을 체결했습니다. 데이터 클라우드와 AI를 합친 연간반복매출은 9억 달러로 전년 대비 120% 늘었고, 회사는 이런 수준의 성장을 본 적이 없다고 밝혔습니다.

[관점] 일곱 개 사례의 지표가 제각각이라는 점이 눈에 띕니다. 어도비는 생성된 자산 수, 아틀라시안은 사용자 수, 줌은 활성화된 계정 수, 캔바는 누적 사용 횟수, 세일즈포스만 계약 수와 매출을 내놓습니다.

사용량 지표와 매출 지표의 차이는 작지 않습니다. 기존 구독에 기능을 얹은 경우 사용량은 늘어도 매출은 그대로일 수 있고, 실제로 이 절에서 추가 매출을 숫자로 제시한 곳은 세일즈포스 한 곳뿐입니다.

ChatGPT는 수평 플랫폼이 될 수 있는가

저자들은 도발적인 비교를 하나 놓습니다. 마이크로소프트 오피스 제품군은 아홉 개 애플리케이션으로 34년 동안 유료 사용자 4억 명을 모았습니다. ChatGPT는 애플리케이션 하나로 2년 반 동안 유료 사용자 2,000만 명을 모았습니다. 34년과 2년 반이라는 시간의 차이를 놓고 보면 이 비교는 속도에 관한 것입니다.

기업 쪽 사용자도 늘고 있습니다. 2023년 8월 출시된 ChatGPT 엔터프라이즈는 기업과 팀과 교육용을 합친 비즈니스 사용자가 2025년 3월까지 200만 명 수준에 이르렀습니다. 출시 당시 오픈AI는 ChatGPT가 나온 지 아홉 달 만에 포춘 500 기업의 80% 이상에서 팀 단위 도입이 일어났다고 밝혔고, 기업용 제품은 사용량 제한을 없애고 무료 버전보다 최대 두 배 빠르게 작동하며 고급 데이터 분석 기능을 무제한으로 제공한다고 설명했습니다.

[관점] 아홉 개 애플리케이션과 하나를 나란히 놓는 비교에는 함정이 있습니다. 오피스의 4억 명은 문서와 표와 발표자료를 만드는 서로 다른 일을 각각의 도구로 해결하면서 쌓인 숫자이고, ChatGPT의 2,000만 명은 아직 그 일들을 대체했다기보다 그 위에 얹힌 보조 도구의 사용자입니다.

그래도 저자들이 이 장을 넣은 이유는 분명합니다. 수평 플랫폼의 조건이 기능의 개수가 아니라 사용자가 일을 시작하는 자리를 차지하는 것이라면, 대화창 하나가 아홉 개 애플리케이션의 입구가 될 가능성을 묻고 있는 것입니다.

분절된 시장이 남긴 기회

전문화 쪽의 근거로는 프로수스(Prosus)의 자료가 쓰입니다. 미국 산업을 기업 수와 상위 50개 기업이 장악하지 못한 시장 비중으로 흩어 놓은 그림인데, 기포의 크기가 산업의 연간 매출입니다. 여기서 세 덩어리가 구분됩니다.

왼쪽 위에는 중견기업과 틈새 중소기업 영역이 있습니다. 주류 판매점과 동물병원, 보육 서비스처럼 기업 수가 적지는 않지만 시장이 작은 영역입니다. 왼쪽 아래에는 대기업이 지배하는 영역이 있어서 정유와 통신, 항공과 인력 서비스가 여기 들어갑니다. 상위 50개 기업이 시장의 대부분을 가져간 쪽입니다.

가장 넓은 오른쪽 덩어리가 분절된 대형 시장입니다. 치과와 건축 시공, 음식점과 의사, 법률 서비스와 컴퓨터 설계·서비스, 건물 관리 서비스가 여기 모여 있습니다. 기업 수가 수만에서 수십만에 이르면서도 상위 50개 기업이 전체 시장의 20-30%밖에 가져가지 못한 영역이고, 저자들은 전문화된 AI 소프트웨어의 기회를 여기서 찾습니다.

해설 세로축의 상위 50개 기업이 장악하지 못한 비중은 그 산업이 얼마나 쪼개져 있는지를 보여 줍니다. 이 값이 높다는 것은 큰 회사가 시장을 모으지 못했다는 뜻이고, 보통은 일이 지역과 관계에 묶여 있어 규모의 경제가 작동하지 않는다는 의미입니다.

소프트웨어 입장에서 이런 시장은 양날입니다. 잠재 고객은 많지만 한 곳당 지불 능력이 작고 영업 비용이 크기 때문에, 그동안 들어가기 어려웠습니다. 생성형 AI가 이 계산을 바꿀 수 있다는 것이 저자들의 가설입니다.

[한국 관점] 같은 그림을 한국에 옮기면 분절된 대형 시장의 비중이 더 큽니다. 음식점과 의원, 법무사무소와 건설 시공은 모두 소규모 사업자 중심이고, 자영업 비중이 전체 취업자의 20%를 넘는 구조여서 상위 기업이 시장을 모으지 못한 영역이 넓습니다.

다만 이 자료가 말하는 기회가 그대로 성립하려면 조건이 하나 필요합니다. 업종별 전문 소프트웨어가 자리 잡으려면 데이터가 디지털로 쌓여 있어야 하는데, 한국의 분절된 업종에서는 그 전 단계인 전산화 자체가 끝나지 않은 곳이 많습니다.

여섯 개 업종의 매출 램프

전문화된 AI 소프트웨어가 실제로 얼마나 빨리 자랐는지를 저자들은 여섯 개 업종에서 하나씩 보여 줍니다.

• 소프트웨어 공학 — 애니스피어(Anysphere)의 코드 편집기 커서는 연간반복매출이 2023년 3월 100만 달러에서 2025년 4월 3억 달러로 25개월 만에 300배가 되었고, 회사는 자사 모델이 하루에 10억 자가 넘는 코드를 편집한다고 밝혔습니다.
• 제품 개발 — 자연어 설명만으로 풀스택 웹 애플리케이션을 만들어 주는 러버블(Lovable)은 2024년 12월부터 2025년 5월까지 다섯 달 만에 연간반복매출이 13배로 늘어 5,000만 달러가 되었습니다.
• 의료 — 진료 대화를 다루는 애브리지(Abridge)는 계약 기준 연간반복매출이 2024년 10월 5,000만 달러에서 2025년 3월 1억 1,700만 달러로 다섯 달 만에 두 배가 넘었고, 카이저퍼머넌티는 의사와 임상의 2만 5,000명 이상과 병원 40곳, 600곳이 넘는 진료소에 이 도구를 배포했습니다.
• 법률 — 법률 작업 흐름을 다루는 하비(Harvey)는 2023년 12월 1,000만 달러에서 2025년 4월 7,000만 달러로 15개월 만에 일곱 배가 되었고, 2024년 한 해에만 고객이 40곳에서 42개국 235곳으로 늘면서 미국 10대 로펌의 다수를 포함하게 되었습니다.
• 고객 서비스 — AI 상담 에이전트를 만드는 데카곤(Decagon)은 2023년 약 100만 달러에서 2024년 1,000만 달러로 1년 만에 열 배가 되었습니다.
• 금융 서비스 — 시장 조사와 분석을 다루는 알파센스는 2022년 약 1억 5,000만 달러에서 2024년 약 4억 2,000만 달러로 2년 만에 세 배 가까이 늘었습니다.

여섯 곳 모두 기존 업무 흐름의 한 조각을 떼어 내 그 자리에 모델을 넣는 방식을 택했습니다. 데카곤의 설명이 이 접근을 압축하는데, AI가 일자리를 없앤다고들 하지만 자사 에이전트는 일을 없애는 것이 아니라 바꾸고 있으며 고객 지원 인력이 반복 업무를 처리하는 대신 에이전트를 설정하고 학습시키고 감독하는 AI 관리자가 되어 간다는 것입니다.

[관점] 이 여섯 곳의 공통점은 모두 연간반복매출을 지표로 쓴다는 것입니다. 구독 계약의 연환산 금액이어서 성장 속도를 보여 주기에는 좋지만, 해지율과 실제 수금, 할인 폭은 드러나지 않습니다.

애브리지가 쓴 계약 기준 연간반복매출은 특히 조심해서 볼 지표입니다. 계약은 체결되었으나 아직 배포되지 않은 금액까지 포함하므로, 실제 청구되는 매출보다 앞서 잡힙니다.

해설 이 업종들이 먼저 열린 데는 공통된 조건이 있습니다. 결과물이 텍스트이고, 정답에 가까운 기준이 존재하며, 사람이 검수할 수 있다는 점입니다.

코드와 진료 기록과 법률 문서와 상담 응대와 투자 메모는 모두 이 조건을 충족합니다. 반대로 결과를 바로 확인하기 어렵거나 틀렸을 때 비용이 큰 영역에서는 같은 속도의 도입이 아직 나타나지 않았습니다.

다음 프런티어

4부는 다음 용도의 목록으로 닫힙니다. 저자들이 꼽은 열 개 영역은 의약품 발견과 개발, 정밀 제조, 다목적 로보틱스, 자율적 과학 연구, 공급망 최적화, 사이버보안과 위협 탐지, 개인화된 교육, 자율 금융, 환경과 기후 모니터링, 전력망 관리입니다. 각 항목마다 해당 분야의 기업이 하나씩 붙어 있는데, 의약품은 인실리코메디슨, 정밀 제조는 랜딩AI(Landing AI), 로보틱스는 피겨AI, 자율 과학 연구는 IBM의 로보RXN(RoboRXN), 공급망은 o9솔루션즈(o9 Solutions)입니다. 나머지는 사이버보안의 벡트라AI(Vectra AI), 교육의 칸미고(Khanmigo), 금융의 카시스토(Kasisto), 기후의 클라이밋AI(ClimateAI), 전력망의 업라이트(Uplight)입니다.

이 가운데 한 분야는 숫자로 자세히 다룹니다. 단백질 서열 모델의 크기는 2020년 프로젠(ProGen)과 프로트버트(ProtBert)에서 시작해 2022년 ProGen 2와 ProT5, 2023년 ESM2를 거쳐 2024년 ESM3에서 980억 파라미터가 되었습니다. 4년 동안 연 290%씩 커진 것입니다. 스탠퍼드대 인간중심AI연구소는 지난 한 해 단백질 서열에 적용된 AI 모델에서 눈에 띄는 진전이 있었고, 단백질의 성질을 예측하는 능력이 좋아지면서 구조생물학과 분자공학 연구가 빨라졌다고 평가했습니다.

데이터 쪽 변화는 더 극적입니다. 2024년 기준 실험으로 구조가 밝혀진 단백질은 단백질데이터뱅크(PDB)에 21만 4,121개가 들어 있습니다. 알파폴드가 예측한 구조를 모아 놓은 데이터베이스에는 같은 시점에 2억 1,400만 개가 들어 있습니다. 비싸고 시간이 많이 드는 실험 방법에 대한 의존을 줄이면서 구조 정보가 1,000배로 늘어난 것입니다.

해설 단백질의 구조를 아는 일이 중요한 이유는 구조가 기능을 결정하기 때문입니다. 어떤 분자가 어디에 들러붙을지를 알아야 약을 설계할 수 있는데, 구조를 실험으로 밝히는 데는 수개월에서 수년이 걸렸습니다.

다만 예측된 구조와 실험으로 확인된 구조는 지위가 다릅니다. 2억 개가 넘는 예측 구조는 어디를 먼저 살펴볼지 정하는 데 쓰는 지도에 가깝고, 실제 신약 개발에서는 여전히 실험 검증이 필요합니다.

[관점] 열 개 프런티어 목록과 단백질 사례를 나란히 놓으면 이 자료의 수익화 논의가 어디서 멈추는지가 보입니다. 앞의 수십 쪽은 매출 곡선이었는데 마지막 장면은 매출이 아니라 과학적 산출물입니다.

이것은 저자들이 피하지 않은 질문이기도 합니다. AI가 만드는 가치의 상당 부분이 누구의 매출로도 잡히지 않는 형태, 즉 공개 데이터베이스와 연구 가속으로 나타난다면, 4부 전체가 던진 수익화 질문의 답은 기업의 손익계산서 밖에 있을 수도 있습니다.

5부 경쟁과 오픈소스와 중국이 수익화를 위협합니다

텍스트에서 모든 양식으로

경쟁 심화를 저자들은 모델의 양식이 늘어나는 과정으로 설명합니다. 출발점은 2017년 구글의 트랜스포머 논문 「Attention is All You Need」입니다. 그 위에서 등장한 현대 AI의 첫 물결은 텍스트에 집중했고, 오픈AI의 GPT-3와 메타의 라마 1이 문장을 대규모로 이어 쓰도록 가르치면 폭넓은 추론 능력이 열린다는 것을 보여 주었습니다. 그런데 사람의 소통은 텍스트만으로 이루어지는 경우가 드물고 텍스트가 먼저인 경우도 많지 않습니다. 이미지와 음성과 영상과 센서 값이 말만으로는 놓치는 맥락을 담고 있어서, 같은 기업들의 연구자와 구글과 앤트로픽과 xAI를 비롯한 동료들이 언어모델을 다른 신호로 확장하기 시작했습니다.

그 결과가 멀티모달 모델입니다. 텍스트와 그림과 소리와 영상을 하나의 공유된 표현에 담고 그 가운데 어떤 형식으로도 출력을 만들어 냅니다. 하나의 질의가 문단과 도표를 함께 가리킬 수 있고 모델은 시스템을 바꾸지 않은 채 말로 된 요약이나 주석이 달린 이미지로 답할 수 있습니다. 새 양식이 하나 더해질 때마다 모델은 한 형식에 최적화하는 대신 형식을 가로질러 의미를 정렬해야 합니다.

경로는 단계적이었습니다. 오픈AI의 CLIP이 2021년에 시각과 언어를 짝지었고, 메타가 2023년 이미지바인드(ImageBind)와 2024년 카멜레온(Chameleon)으로 뒤를 이었으며, 2024년에서 2025년 사이에 GPT-4o와 클로드 3 같은 프런티어 시스템이 완전한 멀티모달이 되었습니다.

출시 건수로 보면 경쟁의 밀도가 드러납니다. Epoch AI 집계에서 대규모 멀티모달 모델의 연간 출시는 2년 동안 1,150% 늘었고, 대규모 언어모델은 같은 기간 420% 늘어 연 100건을 넘겼습니다. 비전 모델은 전년 대비 109%, 음성과 오디오 모델은 367%, 영상 모델은 120% 늘었습니다. 양식마다 따로 경쟁이 벌어지고 있고, 가장 가파른 곳은 여러 양식을 한꺼번에 다루는 쪽입니다.

해설 멀티모달이 어려운 이유는 형식마다 정보의 밀도와 구조가 다르기 때문입니다. 한 문장과 한 장의 사진과 1초짜리 음성은 담고 있는 정보의 양이 전혀 다른데, 이를 같은 공간에 올려놓아야 서로 참조할 수 있습니다.

이 작업이 비용에서 차지하는 비중도 큽니다. 같은 길이의 답을 만들더라도 이미지와 영상을 다루면 토큰 수가 몇 배로 늘어나므로, 멀티모달 모델의 확산은 3부에서 본 추론 비용 문제를 키우는 방향으로 작동합니다.

[관점] Epoch AI는 집계에 단서를 하나 달아 두었습니다. 하나의 AI 시스템이 여러 영역에서 작동할 수 있어서 양식별 집계에 중복으로 잡힐 수 있고, 여기 표시된 모델 가운데 다수가 실제로 멀티모달이라는 것입니다.

그래서 다섯 개의 증가율을 더하거나 서로 비교하는 것은 의미가 없습니다. 이 숫자들이 보여 주는 것은 분야별 시장 규모가 아니라, 어느 양식에서든 새 모델이 끊임없이 나오고 있어서 특정 능력으로 자리를 지키기 어려워졌다는 상태입니다.

누가 방문받고 있는가

사용자가 실제로 어디로 가는지는 웹사이트 방문으로 확인됩니다. 시밀러웹 집계에서 2024년 5월부터 2025년 4월까지 ChatGPT의 월간 전 세계 웹사이트 방문은 51억 건에 이르러 가장 많았습니다. 데스크톱과 앱이 아닌 모바일 웹 방문을 합친 수치입니다.

그 아래 구간에서는 순위가 움직였습니다. 딥시크와 xAI 그록, 퍼플렉시티와 앤트로픽 클로드는 각각 1억 9,600만 건에서 4억 8,000만 건 사이에 있습니다. 특히 그록은 2025년 3월부터 빠르게 올라왔고, 딥시크는 2025년 1월 등장과 함께 급등했습니다.

출시의 밀도를 보여 주려고 저자들은 한 주를 통째로 떼어 왔습니다. 2025년 5월 19일부터 23일까지 닷새 동안 나온 제품 발표를 모아 놓았는데, 구글의 연례 I/O 행사가 있던 주이긴 하지만 발표가 구글에서만 나온 것은 아니었습니다. 구글 쪽에서는 제미나이 라이브의 카메라·화면 공유, 컴퓨터를 직접 조작하는 프로젝트 마리너(Project Mariner), 제미나이 2.5 플래시와 프로의 갱신과 네이티브 음성 출력, 딥싱크와 프로젝트 아스트라(Project Astra), 크롬 속 제미나이와 에이전트 모드가 나왔습니다. 여기에 구글 AI 프로와 울트라 구독, 구글 빔과 미트의 음성 번역, 줄스(Jules)와 이마젠 4, 베오 3와 리리아 2, 젬마 3n과 신스ID 디텍터까지 더해집니다.

다른 회사들도 같은 주에 움직였습니다. 마이크로소프트는 마젠틱 UI와 코파일럿 스튜디오의 멀티에이전트 조율, 깃허브 코파일럿의 비동기 작동과 애저 AI 파운드리 확장, 모델 컨텍스트 프로토콜(MCP) 통합과 SQL 서버 2025를 내놓았습니다. 앤트로픽은 같은 주에 클로드 오푸스 4와 소네트 4를 공개했습니다.

[관점] 닷새치 발표 목록은 이 자료에서 드물게 숫자가 아니라 분량 자체로 설득하는 장면입니다. 한 화면을 가득 채운 목록이 전하는 메시지는 분명합니다. 이 속도에서는 어떤 기능도 몇 주 이상 독점되기 어렵습니다.

다만 발표의 밀도와 채택의 밀도는 다릅니다. 이 목록의 상당수는 프리뷰나 개발자용 기능이고, 사용자가 실제로 쓰기 시작했는지는 다른 문제입니다. 2부에서 본 에이전트 제품들이 대부분 연구 프리뷰였던 것과 같은 구도입니다.

폐쇄형과 오픈소스

저자들은 두 갈래의 역사를 먼저 정리합니다. 현대 기계학습의 초기인 2012년부터 2018년까지는 학계와 협업의 전통에 뿌리를 두고 대부분의 모델이 오픈소스였습니다. 그러다 AI 시스템이 더 강력해지고 상업적 가치가 커지면서, 그리고 개발의 무게중심이 학계에서 산업계로 옮겨 가면서 병행하는 흐름이 생겼습니다. 가중치를 제한한 채 공개된 GPT-2가 나온 2019년 무렵부터, 독점적 이해관계와 경쟁우위와 안전에 대한 우려를 이유로 폐쇄형 모델의 개발이 시작된 것입니다.

폐쇄형 모델은 중앙집중적이고 자본집약적인 경로를 따릅니다. GPT-4나 클로드처럼 독점 시스템 안에서 방대한 독점 데이터로 학습되며, 몇 달의 컴퓨트 시간과 수백만 달러의 지출을 요구합니다. 대체로 더 뛰어난 성능과 쉬운 사용성을 제공해 기업과 소비자, 점점 더 많은 정부가 선호하지만, 대가는 불투명성입니다. 가중치와 학습 데이터와 파인튜닝 방법에 접근할 수 없습니다. 연구의 프런티어로 시작한 것이 API로 제공되고 기업에 라이선스되며 법적·상업적 방화벽으로 방어되는 통제된 제품 경험이 되었다는 것이 저자들의 정리입니다.

지금 상태를 보면 소비자 쪽에서는 폐쇄형이 여전히 우세합니다. 2025년 4월 기준 여섯 개 주요 모델의 월간 활성 사용자 점유율에서 ChatGPT가 61% 수준으로 압도적이고 제미나이가 15% 수준입니다. 오픈 가중치 쪽인 딥시크가 11% 수준, 그록이 10% 수준이고, 퍼플렉시티와 클로드가 각각 3% 수준입니다. 학습 컴퓨트 투입에서도 폐쇄형 모델이 오픈소스보다 높습니다.

그런데 성능 격차는 다른 이야기를 합니다. 고난도 수학 문제를 재는 MATH 레벨 5에서 2023년 7월 라마 2-70B는 한 자릿수 정확도였고 폐쇄형 모델들이 20-40%대에 있었습니다. 2024년을 지나며 큐원 계열과 라마 3.1-405B가 50-60%대로 올라왔고, 2025년 1월 딥시크 R1은 93%를 기록해 같은 달 오픈AI o3-미니의 95%에 2%포인트 차로 다가섰습니다. 아티피셜애널리시스(Artificial Analysis)가 2025년 1월에 코딩과 정량 추론, 추론·지식, 과학 추론·지식 네 영역에서 매긴 품질 지수에서도 딥시크와 알리바바 큐원 2.5와 메타 라마 3.1처럼 가중치가 공개된 모델들이 오픈AI o1, 앤트로픽 클로드 3.5 소네트와 비슷한 구간에 자리 잡았습니다.

해설 오픈소스라는 말은 AI에서 느슨하게 쓰입니다. 라마와 딥시크처럼 가중치를 내려받아 자기 서버에서 돌리고 파인튜닝할 수 있는 모델을 보통 이렇게 부르지만, 학습 데이터와 학습 코드까지 공개되는 경우는 드뭅니다.

그래서 이 차트에서 폐쇄형의 반대편을 가리키는 더 정확한 표현은 내려받을 수 있는 모델입니다. Epoch AI도 같은 차트에서 범례를 내려받기 가능과 불가능으로 나누어 두었습니다.

[관점] 소비자 점유율과 성능 격차가 반대 방향을 가리킨다는 점이 이 절의 핵심입니다. 성능은 거의 따라잡혔는데 사용자는 여전히 폐쇄형에 몰려 있습니다.

이 간격이 유지되는 이유는 제품 경험과 브랜드이지 모델 자체가 아닙니다. 그렇다면 가격 결정력의 근거도 모델이 아니라 유통과 신뢰에 있다는 뜻이 되는데, 이는 4부에서 기존 기업의 유통망을 다룬 대목과 정확히 맞물립니다.

개발자가 움직이는 방향

저자들은 소비자와 개발자를 갈라서 봅니다. 폐쇄형 모델이 주류를 지킨 이유는 초기의 성능 우위와 사용 편의, 그리고 더 넓은 인지도였습니다. 깔끔하게 제품화된 인터페이스에 담겨 나왔고 설정을 거의 하지 않아도 믿을 만한 출력을 내놓았습니다. 기업에는 보안과 비기술 직원도 쓸 수 있는 편의를 약속했고, 소비자에게는 이름값과 빠른 온보딩과 다듬어진 사용자 경험을 제공했습니다.

개발자는 다릅니다. 기업 구매자나 최종 사용자와 달리 개발자는 다듬어진 정도보다 날것의 능력과 커스터마이징과 비용 효율에 더 민감합니다. 라마 3와 딥시크 같은 모델은 경쟁력 있는 추론과 코딩과 다국어 능력을 보여 주면서도 완전히 내려받아 파인튜닝하고 범용 인프라에 배포할 수 있습니다. 그리고 역사적으로 AI 사용의 최전선에 있던 집단은 다른 어떤 집단보다 개발자였습니다.

숫자가 그 흐름을 보여 줍니다. 메타 라마의 누적 다운로드는 2024년 8월부터 2025년 4월까지 여덟 달 동안 3.4배가 되어 12억 건에 이르렀습니다. 저커버그는 2025년이 오픈소스가 사람들이 개발에 쓰는 가장 큰 모델 유형이 되는 해가 될 것으로 예상했다고 말했고, 라마 4 출시 뒤 10주 만에 다운로드가 10억 건에서 12억 건이 되었으며 그 대부분이 파생 모델이라는 점을 짚었습니다. 허깅페이스에 올라온 AI 모델 수는 2022년 3월 약 3만 5,000개에서 2024년 11월 116만 개로 33배가 되었고, 2025년 3월 기준 라마 하나에서 파생된 모델만 10만 개입니다.

[관점] 다운로드 수는 사용량이 아닙니다. 같은 모델을 여러 번 내려받을 수 있고, 파생 모델이 많다는 사실은 실험이 활발하다는 뜻이지 운영 환경에 배포되었다는 뜻은 아닙니다.

그럼에도 이 지표가 중요한 이유는 방향 때문입니다. 개발자가 오픈 가중치 모델 위에서 제품을 만들면 그 제품의 사용자는 모델 기업의 고객이 되지 않습니다. 저자들이 이 절을 수익화 위협이라는 제목 아래 둔 이유가 여기에 있습니다.

[한국 관점] 가중치를 공개하는 전략은 국내 기업들도 택해 왔습니다. LG AI연구원은 2024년부터 엑사원 계열 모델의 가중치를 연구용으로 공개해 왔고, 업스테이지의 솔라를 비롯한 국내 모델들도 허깅페이스에 올라가 있습니다.

다만 이 선택의 의미는 메타와 다릅니다. 메타에게 오픈 가중치는 경쟁자의 수익 기반을 무너뜨리는 전략이지만, 후발 주자에게는 생태계와 평판을 얻는 수단에 가깝습니다. 같은 행동이 시장에서의 위치에 따라 전혀 다른 전략이 되는 셈입니다.

우주 경쟁이라는 비유의 무게

5부의 중국 부분은 서론에서 인용했던 보즈워스의 표현을 다시 꺼내며 시작합니다. 지금의 AI가 우리의 우주 경쟁이라는 말인데, 저자들은 그 비유가 무엇을 뜻했는지를 되짚습니다. 우주 경쟁의 판돈은 어느 정치 체제가 더 빨리 혁신하고 그 과정에서 세계의 신뢰를 얻느냐였습니다. 거기서 앞선 일은 미국의 전략적 억지력을 키우고 서구 민주주의 가치의 우위를 굳히는 데 역할을 했습니다. AI 경쟁도 세계 질서를 다시 짤 잠재력을 갖고 있다는 것이 저자들의 전제입니다.

중국이 그 판돈을 모를 리 없다고 저자들은 봅니다. 2015년에 나온 중국 제조 2025는 저비용 제조에서 고부가가치 제조로 옮겨 가겠다는 구상이었고 당시에는 수십 년 뒤의 일처럼 보였습니다. 그런데 지금 중국은 로보틱스와 전기화, 그리고 세계 수준의 AI로 표현되는 정보기술 같은 전략 부문에서 역량을 급격히 끌어올렸습니다. 중국의 AI 역량은 전장 물류와 표적 인식, 사이버 작전과 자율적 의사결정 플랫폼 같은 국가 전략 영역을 떠받치고 있습니다. 2025년 중국 관영매체는 군 병원처럼 비전투 지원 기능에 AI가 들어간 사례를 부각했고, 과학기술부는 전략 기술에서의 자주적 혁신 의지를 재확인했습니다.

저자들은 올트먼이 2024년 7월 워싱턴포스트 기고에서 밝힌 경고를 인용해 중국의 AI 우위가 가져올 결과를 짚습니다. 권위주의 체제가 앞서게 되면 그 체제의 가치가 기술에 새겨진다는 취지입니다.

경제 쪽 긴장도 함께 올라가고 있습니다. 중국은 지금도 첨단 전자와 방위 체계, 청정에너지 인프라에 필수적인 희토류의 지배적 공급국이고, 미국은 이 불균형을 되돌리려 애쓰고 있습니다. 동시에 미국은 반도체·과학법을 앞세워 반도체 제조의 자국 복귀를 우선순위에 두었고, 중국 공급망 의존을 줄이기 위해 일본과 한국과 네덜란드를 포함한 동맹국과의 협력을 강화했습니다.

이 구도의 한가운데에 대만이 있습니다. 트랜지스터와 극자외선 노광 같은 핵심 반도체 기술은 미국에서 발명되었지만, 세계에서 가장 앞선 파운드리인 대만의 TSMC가 전 세계 반도체 생산을 끌고 있어 두 나라의 전략적 계산 모두에서 중심에 놓입니다. 저자들은 미국이 깨어나는 데 오래 걸렸지만 20년의 무대응 끝에 양당이 변화를 크게 요구하고 있다고 적습니다. 바이든 행정부의 수출통제와 트럼프 행정부의 경제적 민족주의와 자국 복귀라는 서로 다른 접근을 택했지만, 첨단 기술 개발을 국익의 핵심으로 다루게 된 변화 자체는 환영할 조정이라는 평가입니다.

[관점] 이 두 쪽은 340쪽 가운데 저자들의 정치적 입장이 가장 분명하게 드러나는 대목입니다. 앞의 수백 쪽이 데이터를 쌓아 올리는 방식이었다면 여기서는 서술이 먼저 오고 근거가 뒤따릅니다.

수출통제와 경제적 민족주의라는 상반된 접근을 모두 환영할 조정으로 평가하는 대목도 눈에 띕니다. 두 정책은 비용을 치르는 주체와 동맹국에 미치는 영향이 전혀 다른데, 기술 개발을 국익으로 본다는 공통점만으로 묶여 있습니다.

30년 동안 바뀐 상위 30대 기업

규모의 이동을 저자들은 시가총액 순위로 보여 줍니다. 1995년 12월과 2025년 5월의 전 세계 상위 30대 상장기업을 비교하면, 30년 내내 목록에 남아 있는 회사는 여섯 곳뿐입니다. 마이크로소프트와 월마트, 엑손모빌(Exxon Mobil)과 프록터앤드갬블(Procter & Gamble), 존슨앤드존슨(Johnson & Johnson)과 코카콜라(Coca-Cola)입니다.

새로 들어온 곳이 나머지 전부입니다. 엔비디아와 애플, 아마존과 알파벳, 사우디아람코(Saudi Aramco)와 메타, 테슬라와 브로드컴(Broadcom), 버크셔해서웨이(Berkshire Hathaway)와 TSMC, JP모건체이스와 비자(Visa), 일라이 릴리와 텐센트, 마스터카드(Mastercard)와 넷플릭스, 코스트코(Costco)와 오라클, 홈디포(Home Depot)와 SAP, 뱅크오브아메리카와 중국공상은행(ICBC), 애브비(AbbVie)와 팔란티어가 목록에 올랐습니다.

국적 구성은 더 극적으로 바뀌었습니다. 1995년 미국은 상위 30곳 중 16곳으로 53%였는데 2025년에는 25곳으로 83%가 되었습니다. 그다음이 일본으로 9곳이었는데 지금은 0곳이고, 스위스가 3곳에서 0곳, 영국이 2곳에서 0곳이 되었습니다. 2025년에 새로 들어온 나라는 중국이 2곳, 사우디아라비아와 대만과 독일이 각각 1곳입니다.

기술기업만 따로 보면 양상이 비슷합니다. 30년을 버틴 곳은 마이크로소프트와 오라클, 시스코와 IBM, AT&T 다섯 곳입니다. 미국은 16곳에서 21곳으로 늘어 70%를 차지하고, 일본은 9곳에서 0곳이 되었습니다. 영국과 싱가포르와 홍콩과 멕시코와 말레이시아가 각각 1곳이었다가 모두 빠졌고, 2025년에는 중국이 3곳, 독일이 2곳, 대만과 네덜란드와 한국과 인도가 각각 1곳입니다. 대만은 TSMC 한 곳뿐이지만, 이 회사가 2024년 2분기 기준 세계 최첨단 반도체의 80-90%와 전체 반도체의 62% 이상을 생산한다는 단서가 붙어 있습니다.

저자들은 여기에 한 문장을 덧붙입니다. 한 세대 만에 이만큼 바뀔 수 있다는 사실이 놀랍고, 새로 들어온 기업 대부분의 토대는 인터넷 연결의 등장이었으며, AI도 앞으로 30년 동안 같은 종류의 효과를 내되 아마 더 빠를 것이라는 전망입니다.

해설 시가총액 순위는 그 시점에 시장이 무엇에 값을 매기고 있었는지를 보여 주는 지표이지 기업의 실제 규모나 이익을 그대로 반영하지 않습니다. 1995년 일본 기업 아홉 곳이 상위에 있던 것도 당시 자산가격 수준과 무관하지 않았습니다.

그래서 한국이 2025년 기술기업 목록에 한 곳을 올린 사실도 같은 방식으로 읽어야 합니다. 이 목록이 재는 것은 산업 역량의 총량이 아니라 상장 시장에서 평가받는 개별 기업의 크기입니다.

중국 모델의 등장

Epoch AI 집계에서 학습 컴퓨트가 10의 23제곱 연산을 넘는 대규모 AI 시스템의 누적 수는 2017년부터 2024년까지 미국이 130건 수준, 중국이 105건 수준으로 올라갔습니다. 세 번째 그룹인 다국적 협업과 영국과 프랑스와 캐나다는 20-25건 수준에 머물러, 두 나라와 나머지 세계 사이의 간격이 큽니다.

2025년 초 석 달 동안 중국 모델이 연달아 나왔습니다. 1월 20일 딥시크 R1, 1월 29일 알리바바 큐원 2.5-맥스, 4월 25일 바이두 어니 4.5 터보입니다. 딥시크의 최고경영자 량원펑(Liang Wenfeng)은 2024년 11월에 경제가 발전한 만큼 중국이 무임승차에서 벗어나 기여자가 되어야 한다고 말했습니다. 지난 30여 년의 정보기술 물결에서 중국은 실질적인 기술 혁신에 거의 참여하지 않은 채 무어의 법칙이 하늘에서 떨어지기를 기다렸고, 18개월만 지나면 더 좋은 하드웨어와 소프트웨어가 나오는 데 익숙해졌다는 것입니다. 중국 AI가 미국보다 1-2년 뒤처져 있다고들 하지만 진짜 격차는 독창성과 모방의 차이이며, 이것이 바뀌지 않으면 중국은 영원히 추격자에 머물 것이라는 진단입니다.

알리바바는 큐원 2.5-맥스가 아레나하드와 라이브벤치, 라이브코드벤치와 GPQA 다이아몬드 같은 벤치마크에서 딥시크 V3를 앞섰고 MMLU-프로를 포함한 다른 평가에서도 경쟁력 있는 결과를 보였다고 밝혔습니다. 바이두는 어니 4.5 터보가 텍스트와 이미지와 영상을 다루는 멀티모달 능력을 갖추면서도 입력 100만 토큰당 0.8위안, 출력 3.2위안으로 이전 버전보다 80% 싸다고 강조했습니다.

성능과 비용 양쪽에서 격차가 좁혀졌습니다. 아레나 점수에서 미국 최고 모델과 중국 최고 모델의 간격은 2024년 1월부터 2025년 2월 사이에 거의 사라졌습니다. 학습 비용에서는 차이가 더 선명합니다. 2023년 GPT-4의 추정 학습 비용이 4,100만 달러 수준인 데 비해 딥시크 V3는 550만 달러 수준으로 추정됩니다.

반도체 쪽에서도 변화가 시작되었습니다. 파이낸셜타임스는 2025년 4월, 화웨이가 자사 고급 AI 칩 클러스터를 중국 고객에게 납품하기 시작했으며 워싱턴의 수출 제한으로 엔비디아 반도체에서 차단된 고객들의 주문이 늘고 있다고 보도했습니다.

해설 학습 비용 비교에는 주의가 필요합니다. 공개된 수치는 보통 최종 학습 실행 한 번에 들어간 컴퓨트의 임대 가격 환산이고, 실패한 실험과 데이터 준비와 인건비, 그리고 이미 보유한 하드웨어의 감가상각은 빠져 있습니다.

그래서 550만 달러와 4,100만 달러의 비교는 같은 범주의 지출을 견준 것이 아닐 수 있습니다. 다만 같은 기준으로 집계된 Epoch AI의 자료 안에서 상대적 차이가 크다는 사실 자체는 유효합니다.

[관점] 량원펑의 발언은 비용 효율에 관한 자랑이 아니라 자기비판에 가깝습니다. 중국 AI가 저렴하다는 점을 내세우는 대신 모방에 머물렀다는 점을 문제로 지목하고 있습니다.

저자들이 이 발언을 중국 부분의 첫머리에 놓은 것은 그래서 의미가 있습니다. 가격 경쟁이 아니라 독창성 경쟁이 시작되었다는 뜻이고, 이는 3부와 4부에서 본 범용재화화 압력이 국가 간 경쟁으로 한 겹 더 올라갔다는 신호이기도 합니다.

로봇이라는 다른 전선

물리 세계 쪽 지표도 함께 제시됩니다. 국제로봇연맹(IFR) 집계에서 2014년부터 2023년까지 산업용 로봇의 연간 설치 대수는 중국이 꾸준히 올라가 2023년에는 미국과 나머지 세계를 합친 수준을 넘어섰습니다. 저자들은 산업용 로봇과 휴머노이드 로봇이 새로운 규모의 새로운 데이터를 만들어 내고 있다는 점도 함께 짚습니다. 로봇은 AI가 학습할 물리 세계 데이터를 생산하는 장치이기도 합니다.

[한국 관점] 설치 대수에서는 중국이 압도적이지만, 노동자 수 대비 밀도로 보면 순위가 달라집니다. 국제로봇연맹 집계에서 한국은 제조업 노동자 1만 명당 산업용 로봇 수가 1,000대를 넘어 오랫동안 세계 1위를 지켜 왔고, 이 지표에서 중국은 한참 뒤에 있습니다.

두 숫자가 다른 것을 말한다는 점이 중요합니다. 중국의 총량은 제조업의 절대 규모와 그 규모에서 나오는 데이터의 양을 보여 주고, 한국의 밀도는 노동력 대비 자동화의 깊이를 보여 줍니다. 물리 세계 AI의 학습 데이터라는 관점에서는 앞의 것이 더 큰 자산이 됩니다.

누가 어디서 쓰는가

생성형 AI 시장이 어떻게 갈라지고 있는지를 저자들은 지역과 채널로 나누어 봅니다. 전 세계 수준에서 ChatGPT는 데스크톱과 모바일 모두에서 분명한 선두입니다. 다만 그 아래에서 시장이 움직이고 있어서 클로드가 동력을 얻고 제미나이도 계속 자라고 있습니다. 그록은 2025년 2월부터 3월 사이에 전 세계 웹사이트 방문이 전월 대비 294% 늘어 그 구간에서 가장 빠르게 자란 AI 비서가 되었습니다.

채널별 숫자를 보면 변화의 방향이 드러납니다. 모바일 앱의 전 세계 월간 활성 사용자 점유율에서 2024년 2월부터 2025년 4월 사이에 ChatGPT는 16.2%포인트 줄었고, 딥시크가 8.4%포인트, 그록이 4.7%포인트, 제미나이가 2.7%포인트 늘었습니다. 다운로드와 사용자 절대 수에서는 ChatGPT의 규모가 여전히 압도적입니다. 2025년 2월부터 4월까지 ChatGPT의 앱 다운로드는 5,600만 건에서 1억 2,400만 건으로, 월간 활성 사용자는 3억 7,800만 명에서 5억 3,000만 명으로 늘었습니다. 같은 기간 딥시크는 다운로드가 3,400만 건에서 1,800만 건으로 줄고 사용자는 4,300만 명에서 5,500만 명으로 늘었으며, 그록은 다운로드 400만 건에서 1,600만 건, 사용자 300만 명에서 3,100만 명으로 올라왔습니다.

질의량 쪽 자료도 있습니다. 구글이 미국 정부와의 반독점 소송 구제 절차에서 제출한 자료에 따르면 2025년 3월 말 기준 하루 질의량은 ChatGPT가 가장 많고 메타 AI가 2억 건 이상으로 뒤를 이으며, 제미나이와 그록과 딥시크와 퍼플렉시티가 그 아래에 있습니다. 딥시크 수치에서 중국 내 사용은 빠져 있습니다.

중국 안은 완전히 다른 시장입니다. 롤랜드버거(Roland Berger) 집계에서 2025년 3월 기준 중국 상위 10개 AI 플랫폼은 모두 중국에 본사를 둔 서비스입니다. 두바오(Doubao)가 월간 활성 사용자 8,000만 명 수준으로 가장 크고 딥시크가 6,000만 명 수준, 키미(Kimi)와 나미 AI(Nami AI)가 2,500만 명 안팎, 텐센트 위안바오(Tencent Yuanbao)와 어니 봇(ERNIE Bot)이 1,200만 명 안팎입니다. 반면 전 세계 상위 10개 목록에서는 ChatGPT가 4억 명 수준으로 압도적이고, 중국 서비스로는 두바오와 딥시크만 들어가 있습니다. 같은 기술을 쓰는 두 개의 시장이 거의 겹치지 않은 채 따로 돌아가고 있습니다.

[관점] 이 분리는 기술이 아니라 제도와 언어가 만든 것입니다. 저자들도 중국이 오랫동안 페이스북과 트위터, 구글과 유튜브의 접속을 막아 왔다는 점을 상기시킵니다.

주목할 지점은 분리의 방향이 한쪽으로만 작동하지 않는다는 것입니다. 중국 밖에서 딥시크가 상위 10위 안에 들어간 반면, 중국 안에서 ChatGPT는 아예 목록에 없습니다. 모델은 국경을 넘지만 플랫폼은 넘지 못하는 구도입니다.

낙관의 격차

5부의 마지막 장은 인식 조사입니다. 입소스(Ipsos)가 28개국 성인 1만 9,504명을 대상으로 한 조사에서, AI를 쓰는 제품과 서비스가 단점보다 장점이 많다는 데 동의한 비율은 중국에서 2022년 80% 수준이었고 2024년에는 85% 수준으로 올라갔습니다. 같은 질문에 미국에서는 2022년 35% 수준, 2024년 39% 수준이 동의했습니다. 두 나라 사이에 40%포인트가 넘는 간격이 있고, 그 간격은 2년 동안 좁혀지지 않았습니다.

[관점] 이 격차를 체제 차이로만 읽으면 절반만 보는 것입니다. 중국에서 AI는 제조업 경쟁력과 국가 위상의 상징으로 제시되어 온 반면, 미국에서는 일자리와 저작권, 안전과 플랫폼 권력을 둘러싼 논쟁 속에서 소개되어 왔습니다.

수용도의 차이는 배포 속도의 차이로 이어집니다. 저자들이 이 장을 5부의 마지막에 둔 이유도 그 때문으로 보이는데, 기술과 비용과 반도체에서 격차가 좁혀진 뒤 남는 변수가 사회가 그것을 얼마나 빨리 받아들이느냐라는 뜻이기 때문입니다.

6부 AI가 물리 세계로 넘어갑니다

지능이 화면 밖으로 나온다

여기까지의 논의는 대부분 데스크톱과 모바일 소프트웨어에서의 AI 동력과 수익화였습니다. 저자들은 물리 세계에서 벌어지는 일이 어떤 면에서는 더 고개를 돌리게 만든다고 적습니다. 지능이 디지털 애플리케이션에만 심기는 것이 아니라 차량과 기계와 방위 체계에도 들어가는 시대에 들어섰다는 것입니다. 디지털 에이전트의 부상 너머에서 세계는 점점 더 물리적 에이전트의 부상을 겪고 있습니다.

자율주행 선단이 그 선두에 있습니다. 웨이모의 차량과 테슬라의 완전자율주행(FSD) 베타는 더 이상 시험 주행로에 갇힌 연구 과제가 아니라 매출을 내는 배포이며, 점점 더 자율적인 소프트웨어 순환 안에서 수백만 마일의 무인 주행을 기록하고 있습니다. 그 아래의 스택은 더 똑똑해지고 데이터는 더 방대하고 풍부해지고 있습니다. 어플라이드인튜이션은 시뮬레이션 플랫폼과 소프트웨어 정의 차량 시스템을 만들어 자율주행을 하드웨어에서 떼어 내고 있어서, 제조사가 부품을 출하하듯 지능을 출하할 수 있게 합니다.

우버의 다라 코스로샤히(Dara Khosrowshahi)는 15년이나 20년 뒤를 보면 자율주행 운전자가 사람 운전자보다 나은 운전자가 될 것으로 전망했습니다. 어떤 사람도 쌓을 수 없는 여러 생애 분량의 주행으로 학습했을 것이고 주의가 흐트러지지도 않기 때문입니다.

저자들은 이것을 물리 세계를 위한 AI 네이티브 인프라의 초기 설계로 봅니다. 방위에서는 안두릴(Anduril) 같은 기업이 지휘통제실에만이 아니라 모든 말단 노드에 AI를 넣은 자율 드론과 침입 대응 체계를 출하하며 방위산업의 모습을 다시 정의하고 있습니다. 농업에서는 카본로보틱스(Carbon Robotics) 같은 기업이 컴퓨터 비전으로 제초제 없이 잡초를 없애며 AI를 흙에 심고 있습니다. 자본재가 소프트웨어 종단점으로 바뀌는 세계이며, 한때 화면과 대시보드에 갇혀 있던 지능이 운동하는 힘이 됩니다.

[관점] 물리 세계로의 확장은 데이터의 성격을 바꿉니다. 웹 텍스트는 이미 거의 다 긁어 쓴 자원이지만, 차량과 로봇과 농기계가 만드는 센서 데이터는 설비를 더 깔수록 새로 생깁니다.

그래서 이 부는 수익화 사례의 목록인 동시에 학습 데이터 확보 경로의 목록이기도 합니다. 5부에서 중국의 산업용 로봇 설치 대수를 데이터 생산 장치로 읽은 대목과 같은 논리가 여기서는 미국 기업의 사례로 반복됩니다.

바퀴 위의 AI

첫 사례는 테슬라입니다. 완전자율주행 기능으로 달린 누적 주행거리는 2022년 6월 3,500만 마일 수준에서 2025년 3월 36억 마일 수준으로 33개월 만에 약 100배가 되었습니다. 머스크는 2024년 1월에 버전 12가 이전과 비교해 구조를 완전히 새로 쓴 종단 간 인공지능이라고 설명했습니다. AI가 물체 인식만이 아니라 경로 계획과 차량 제어에까지 처음으로 쓰였고, 33만 줄의 C++ 코드를 신경망으로 대체했다는 것입니다.

두 번째는 웨이모입니다. 샌프란시스코 운영 구역에서 유료 승차의 총예약 기준 점유율은 2023년 8월 0%에서 2025년 4월 27%가 되었습니다. 20개월 만의 변화입니다. 공동 최고경영자 테케드라 마와카나(Tekedra Mawakana)는 인식과 계획과 예측이 지금보다 더 견고해지도록 멀티모달을 기반으로 한 종단 간 시스템을 크게 짓고 있다고 밝혔고, 또 다른 공동 최고경영자 드미트리 돌고프(Dmitri Dolgov)는 샌프란시스코에서 자율주행이 작동할 뿐 아니라 한 시장에서 규모 있게 작동하며 상업적으로 성립하는 제품이 될 수 있음을 스스로와 세계에 증명했다고 말했습니다.

세 번째는 차량 지능을 파는 쪽입니다. 어플라이드인튜이션이 고객으로 둔 세계 주요 자동차 제조사는 2016년 0곳에서 2024년 18곳이 되었습니다. 공동창업자 카사르 유니스(Qasar Younis)는 최근 몇 년의 AI 발전이 자사가 상대하는 산업들에 획기적인 영향을 줄 것으로 보았고, 전통적인 제조사들이 분명한 투자수익률을 확인하면서 AI 도구와 자율주행 소프트웨어와 차량 운영체제의 채택이 빨라지고 있다고 설명했습니다. 방위 부문도 차량 지능을 찾고 있어서, 여러 해 동안 제공해 온 비포장 자율주행 스택 위에 방위 제품군을 크게 넓혔습니다.

해설 테슬라의 완전자율주행과 웨이모의 자율주행은 같은 말이 아닙니다. 테슬라의 기능은 운전자가 운전석에서 계속 주시해야 하는 보조 시스템이고, 웨이모는 운전자가 없는 차량이 승객을 태우고 영업합니다.

그래서 36억 마일과 27% 점유율은 다른 것을 잽니다. 앞의 숫자는 학습에 쓸 수 있는 주행 데이터의 양에 가깝고, 뒤의 숫자는 사람 없이 돌아가는 서비스가 실제 시장에서 차지한 몫입니다.

[관점] 웨이모의 27%는 한 도시의 한 운영 구역에서 나온 숫자입니다. 샌프란시스코는 눈이 거의 오지 않고 도로가 격자형이며 규제 당국이 협조적인, 자율주행에 유리한 조건이 겹친 곳입니다.

그럼에도 이 사례가 중요한 이유는 경제성의 증명이기 때문입니다. 기술이 가능한지가 아니라 돈을 받고 팔리는지가 쟁점이었던 영역에서, 20개월 만에 4분의 1이 넘는 점유율이 나왔다는 사실은 다음 도시로 넘어갈 근거가 됩니다.

방위와 자원

방위 쪽 사례는 안두릴입니다. 추정 매출은 2020회계연도 1억 달러 수준에서 2021년 1억 5,000만 달러, 2022년 2억 달러 수준을 거쳐 2023년 5억 달러, 2024년 10억 달러 수준이 되었습니다. 최근 2년 동안 해마다 두 배씩 늘어난 셈입니다. 공동창업자 브라이언 심프(Brian Schimpf)는 오늘날 가장 시급한 국가안보 과제가 AI 기반 시스템과 대규모 자율성 없이는 풀릴 수 없다고 보며, 제대로 개발되고 배치된다면 이런 시스템이 전쟁을 지금까지보다 더 비례적이고 더 정밀하며 덜 무차별적으로 만들 수 있다고 말했습니다.

자원 탐사 쪽에는 코볼드메탈스가 있습니다. 탐사 지출 10억 달러당 광물 매장지 발견 건수는 1975년 6건 수준이었다가 1990년 무렵 8.5건 수준으로 정점을 찍은 뒤 계속 떨어져 2023년에는 1건 수준이 되었습니다. 같은 지표에서 코볼드메탈스는 15건 수준으로 표시되어 있습니다. 공동창업자 커트 하우스(Kurt House)는 자사 팀의 3분의 2가 소프트웨어 엔지니어나 데이터과학자라는 점을 들어 기존 광업 회사와 완전히 다른 접근을 택했다고 설명했습니다. 회사의 머신 프로스펙터 기술은 한 번도 쓰이지 않았던 데이터셋을 기존의 지구화학·지구물리·지질 데이터와 통계적 연관 모형에서 결합해 유망지를 식별합니다.

[이해관계] 이 부에 등장하는 기업 가운데 두 곳이 자료 끝의 고지에 이름이 올라 있습니다. BOND 창업 파트너들이 투자한 기업 목록에 어플라이드인튜이션과 코볼드메탈스가 들어 있고, 앞서 4부의 데이터 계층 사례였던 바스트데이터와 알파센스, 그리고 캔바와 스포티파이도 같은 목록에 있습니다.

이 사실이 사례의 내용을 틀리게 만들지는 않습니다. 다만 340쪽에서 어떤 기업이 사례로 선택되었는지를 볼 때, 저자들이 가장 잘 아는 기업이 자신들이 투자한 기업이기도 하다는 점은 함께 읽을 조건입니다.

해설 탐사 효율 그래프가 내려온 데는 기술 외의 이유가 큽니다. 지표 가까이에 있던 쉬운 광체는 20세기에 대부분 발견되었고, 남은 것은 더 깊거나 더 외진 곳에 있어 같은 돈으로 찾기가 어려워졌습니다.

그래서 코볼드메탈스의 15건이 보여 주는 것은 데이터 기반 탐사가 그 하락 추세를 뒤집을 수 있다는 주장입니다. 다만 이 수치는 회사가 자사 성과로 제시한 값이고, 비교 대상인 업계 평균은 반세기에 걸친 누적 통계여서 표본의 성격이 다릅니다.

흙과 가축

농업 쪽 첫 사례는 카본로보틱스입니다. 2023년 1월부터 2025년 5월까지 누적으로 23만 에이커 넘는 면적에서 잡초를 제거했고, 그 과정에서 글리포세이트 10만 갤런 이상의 사용을 막았습니다. 창업자 폴 마이크셀(Paul Mikesell)은 자사의 레이저위더가 AI 딥러닝 모델과 컴퓨터 비전 소프트웨어로 잡초를 식별하고 조준해 생장점을 태워 없앤다고 설명했습니다. 이 장비는 시간당 최대 2에이커를 처리하며 최대 20만 개의 잡초를 쏠 수 있습니다.

마이크셀은 2025년 3월에 농민들이 말하는 가장 큰 어려움이 여전히 노동력과 그 가용성에 있다고 전했습니다. 가능하다면 농민들은 모든 것을 하루 종일 돌리고 싶어 하고, 농사철의 1분 1초를 다 써서 할 수 있는 만큼 해내고 싶어 한다는 것입니다.

마지막 사례는 가축입니다. 핼터(Halter)가 새로 계약한 가축용 목걸이 수는 2023년부터 2025년까지 늘어 전년 대비 150% 증가했고, 2025년 수치는 1분기를 연환산한 값입니다. 회사는 농업이 가장 오래되고 중요한 산업 가운데 하나인데도 현대 기술의 혜택을 온전히 받지 못했다고 보며, 그 열쇠를 방목 관리에서 찾습니다. 효과적인 순환 방목은 자연 자원을 더 효율적으로 쓰고 생산성을 올리는 동시에 토양 건강을 개선하고 뿌리 구조를 좋게 만들어 더 많은 탄소를 가둔다는 것이 회사의 설명입니다. 생산성을 높이는 일이 지속가능성을 대가로 치러야 하는 일은 아니라는 입장입니다.

[한국 관점] 농업 AI의 쟁점은 한국에서 조금 다르게 놓입니다. 카본로보틱스와 핼터의 사례는 대규모 경작지와 넓은 방목지를 전제하는데, 한국의 농가당 경지면적은 그 기준에서 보면 작고 축산도 방목보다 축사 중심입니다.

그 대신 한국에서는 시설원예와 축사 안의 환경 제어, 즉 스마트팜 쪽으로 투자가 집중되어 왔습니다. 노동력 부족이라는 출발점은 같지만 해법의 형태가 갈리는 셈이고, 이는 물리 세계 AI가 각 나라의 토지와 산업 구조를 따라 다른 모양으로 자리 잡는다는 점을 보여 줍니다.

7부 다음 세대 인터넷 사용자는 처음부터 AI로 접속합니다

아직 오프라인인 26억 명

7부의 전제는 아직 연결되지 않은 사람들입니다. 저비용 위성 인터넷이 늘면서 온라인에 들어오지 않은 26억 명, 즉 세계 인구의 32%가 접속할 가능성이 커지고 있습니다. 저자들이 주목하는 것은 이 사람들이 백지 상태에서 AI 기능과 함께 시작한다는 점입니다.

그 첫 경험의 모양이 달라집니다. 새 사용자들이 온라인에 들어올 때 맞이하는 것은 브라우저와 검색창이 아닐 가능성이 큽니다. AI로 시작하게 되고, 그것도 자기 모국어로 시작합니다. 검색엔진에 질의를 타이핑하는 대신 말을 걸면 말로 답하는 기계를 만나는 첫 경험을 떠올려 보라는 것이 저자들의 제안입니다.

그 함의는 응용 계층 전체를 건너뛰는 데까지 갑니다. 에이전트 중심 인터페이스가 사용자의 현지 언어와 맥락과 의도를 이해하면서 서로 다른 기술 플랫폼들을 한자리에서 관리하는 구조입니다. 에이전트 우선의 인터넷 경험은 기존 기술 위계를 뒤집고 지배적 플랫폼을 중간에서 밀어내며 가치를 재분배할 수 있습니다. 이 모형에서 승자는 앱을 소유한 쪽이 아니라 인터페이스를 소유한 쪽이 됩니다.

[관점] 인터페이스를 소유한 쪽이 이긴다는 명제는 이 자료의 4부와 정면으로 맞물립니다. 거기서 저자들은 기존 기업의 유통망이 얼마나 두꺼운지를 보여 주었는데, 여기서는 아직 유통망이 닿지 않은 26억 명이 새 인터페이스의 몫으로 남아 있다고 말합니다.

다만 이 전망에는 검증되지 않은 가정이 하나 있습니다. 새 사용자가 기존 앱 생태계를 건너뛴다는 가정인데, 앞선 사례를 보면 모바일 인터넷에 늦게 합류한 지역에서도 사람들은 결국 같은 메신저와 같은 소셜 앱에 모였습니다. 건너뛰기가 일어난 영역은 인터페이스가 아니라 결제처럼 기존 인프라가 아예 없던 곳이었습니다.

33년 동안의 인터넷

규모를 먼저 봅니다. 국제전기통신연합 집계에서 전 세계 인터넷 사용자는 1990년 사실상 0에서 2022년 50억 명을 넘겼고, 지역별로 보면 동아시아·태평양과 남아시아의 증가분이 가장 큽니다. 보급률로는 2005년 16%에서 2024년 68%가 되었습니다.

지역별 보급률은 두 갈래로 갈립니다. 북미와 유럽·중앙아시아, 동아시아·태평양과 라틴아메리카·카리브해, 중동·북아프리카는 모두 70%를 넘었습니다. 70%에 이르지 못한 곳은 남아시아와 사하라 이남 아프리카입니다. 도시와 농촌의 차이는 더 큽니다. 2024년 기준 도시 거주자의 83%가 온라인인 반면 농촌은 48%에 그쳤고, 2019년에는 각각 72%와 31%였습니다.

증가율에서 눈에 띄는 대목이 하나 있습니다. 전 세계 인터넷 사용자는 2024년 55억 명에 이르렀는데, 전년 대비 증가율이 6%로 다시 올라가고 있습니다. 이미 성숙했다고 여겨지던 지표의 증가율이 다시 가속하는 중입니다.

해설 농촌 보급률 48%라는 숫자는 기술보다 경제의 문제를 가리킵니다. 기지국 하나가 감당하는 인구가 적을수록 가입자당 설비 비용이 올라가므로, 통신사 입장에서 인구가 흩어진 지역은 투자 회수가 어렵습니다.

위성 인터넷이 주목받는 이유가 여기에 있습니다. 궤도에 올려놓은 설비는 지상의 인구 밀도와 무관하게 같은 면적을 덮으므로, 농촌과 도시의 비용 구조가 뒤집힙니다.

AI 앱의 지리

ChatGPT 모바일 앱의 월간 활성 사용자는 2023년 5월부터 2025년 4월까지 23개월 만에 5억 3,000만 명이 되었습니다. 지역 구성을 보면 특정 지역에 몰리지 않고 남아시아와 동아시아·태평양, 유럽·중앙아시아와 라틴아메리카·카리브해, 중동·북아프리카와 사하라 이남 아프리카가 함께 늘었습니다.

국가별로 보면 순위가 흥미롭습니다. 2025년 4월 기준 전 세계 사용자에서 인도가 13.5%로 가장 많고 미국이 8.9%, 인도네시아가 5.7%입니다. 브라질 5.4%, 이집트 3.9%, 멕시코 3.5%, 파키스탄 3.0%, 독일 3.0%, 프랑스 2.9%, 베트남 2.6%가 뒤를 잇습니다. 상위 10개국 가운데 여섯 곳이 신흥국이며, 1위는 미국이 아니라 인도입니다.

딥시크 앱은 분포가 전혀 다릅니다. 2025년 1월부터 4월까지 넉 달 만에 월간 활성 사용자 5,400만 명이 되었는데, 중국이 33.9%, 러시아가 9.2%, 인도가 6.9%, 미국이 4.4%, 인도네시아가 3.5%, 브라질이 3.1%, 이집트가 2.7%이고 나머지가 36.2%입니다. ChatGPT가 쓸 수 없는 두 나라가 딥시크 사용자의 40% 이상을 차지하는 구조입니다.

[관점] 사용자 분포와 매출 분포는 전혀 다릅니다. 인도가 사용자의 13.5%를 차지하지만 4부에서 본 사용자당 연간 매출 12달러는 전 세계 평균이고, 신흥국에서의 실제 지불 능력은 그보다 훨씬 낮습니다.

그래서 이 그림은 두 가지로 읽힙니다. 미래의 거대한 시장을 미리 확보했다는 해석과, 돈을 내지 않는 사용자에게 추론 비용을 쓰고 있다는 해석입니다. 3부에서 본 토큰 가격 하락이 이 둘 가운데 어느 쪽을 현실로 만들지를 결정하게 됩니다.

[한국 관점] ChatGPT 모바일 앱의 상위 10개국에 한국은 없습니다. 인구 규모를 생각하면 당연한 결과이지만, 같은 목록에 베트남과 이집트가 들어 있다는 점은 짚어 둘 만합니다.

국내에서 생성형 AI 사용률 자체는 낮지 않다는 조사들이 있었던 만큼, 이 목록이 보여 주는 것은 사용 여부보다 모바일 앱이라는 경로의 차이일 수 있습니다. PC 보급률이 높고 메신저와 포털이 이미 두터운 시장에서는 단독 앱보다 기존 서비스 안에 들어간 AI 기능을 통해 쓰는 비중이 커지기 때문입니다.

위성이 여는 다음 사용자

마지막 묶음은 연결 그 자체입니다. 저자들은 1957년부터 2025년까지의 궤도 발사 횟수를 세 시대로 나눕니다. 냉전과 우주 경쟁기인 1957년부터 1991년까지는 연간 발사가 많을 때 140회 수준이었고 대부분 소련과 미국이었습니다. 탈냉전기인 1992년부터 2007년까지는 연 55-60회 수준으로 내려앉았습니다. 그리고 2008년부터 2024년까지의 상업·국가 르네상스기에 다시 올라가 2024년에는 연 260회 수준이 되었습니다.

이 마지막 구간의 증가분 대부분은 스페이스X 한 곳에서 나왔습니다. 2024년 발사의 절반가량을 이 회사가 차지하며, 중국의 발사도 같은 기간 빠르게 늘었습니다.

그 위에 올라간 서비스가 스타링크(Starlink)입니다. 전 세계 구독자는 2021년 사실상 0에서 2024년 500만 명을 넘어 3.2년 동안 연 202%씩 늘었고, 회사는 2025년 2월 X를 통해 500만 명 돌파를 알렸습니다. 서비스 지역도 계속 넓어지고 있습니다.

사례도 함께 실립니다. 멕시코 몬테레이의 코코(Coco)는 스타링크로 고속 인터넷을 공급해 농촌의 디지털 격차를 메우고 있으며, 지역 와이파이 서비스를 통해 외진 지역의 수백 명에게 세상으로 난 창을 열어 주고 있다고 밝혔습니다. 칠레의 한 학군은 컴퓨터 두세 대조차 제대로 쓰기 어려운 느린 연결에서 36명의 아이들이 동시에 효과적으로 인터넷을 쓸 수 있는 고속 환경으로 바뀌었다고 전했습니다.

해설 저궤도 위성 인터넷이 기존 위성 통신과 다른 점은 고도입니다. 정지궤도 위성은 지구에서 3만 5,000킬로미터 이상 떨어져 있어 신호가 오가는 데 시간이 걸리지만, 저궤도 위성은 수백 킬로미터 상공에 있어 지연이 훨씬 짧습니다.

대신 한 대가 덮는 면적이 작아 수천 대를 띄워야 하고, 그래서 발사 비용이 사업의 성패를 가릅니다. 발사 횟수 그래프와 구독자 그래프가 같은 절에 놓인 이유가 여기에 있습니다.

[관점] 26억 명과 500만 명 사이의 거리는 큽니다. 스타링크 구독은 가구나 기관 단위이고 요금도 신흥국 가계 기준으로는 높아서, 이 서비스가 직접 연결하는 사람의 수는 아직 제한적입니다.

그보다 현실적인 경로는 간접 연결입니다. 칠레 학군과 멕시코 코코의 사례가 보여 주듯, 한 대의 단말이 학교나 마을의 공용 접속점이 되어 여러 사람을 연결하는 방식입니다. 그렇게 보면 이 절이 말하는 것은 개인의 가입이 아니라 기지국이 닿지 않던 곳에 생기는 접속점의 수입니다.

8부 AI와 노동의 진화는 실제이고 빠릅니다

물리적 자동화 옆에 인지 자동화가 섰습니다

8부는 일하는 방식을 다룹니다. 로봇과 드론 도입으로 대표되는 물리적 자동화가 늘어나는 것과 나란히, 추론하고 창작하고 문제를 푸는 인지 자동화가 올라오고 있다는 것이 출발점입니다. 파급 범위는 넓습니다.

인지 능력의 개선 속도부터 짚습니다. ChatGPT가 공개된 2022년 11월 이후의 기간 동안 추론 능력이 고등학생 수준에서 박사과정생 수준으로 올라왔다는 것이 저자들의 평가입니다. 구조화된 과거 데이터를 대량으로 받아 규칙에 따른 판단을 내놓는 일을 중심으로 하는 직업은 생성형 AI의 핵심 역량에 정확히 들어갑니다. 노동 한 단위가 사람의 시간에서 연산력으로 옮겨갈 수 있다는 것입니다. 경우에 따라서는 데이터센터와 파운데이션 모델이 특정 종류의 노동이 얼마나, 어떤 품질로 공급되는지를 좌우하게 됩니다.

그래서 일부는 에이전트가 화이트칼라 일자리를 대체하는 미래를 이야기합니다. 저자들은 가능한 시나리오라고 인정하면서도 역사와 패턴을 보면 사람의 역할은 끈질기고 설득력 있게 남아 왔다고 답합니다. 기술의 도약은 대체로 생산성과 효율을 올리면서 종류가 다른 새 일자리를 만들어 냈기 때문입니다. 다만 이번에는 그 일이 더 빠르게 일어나고 있다는 단서를 붙입니다.

완전히 에이전트화된 극단에서도 사람은 감독과 지도와 훈련으로 자리를 옮기며 체계 안에 남습니다. 로봇에게 정교한 동작을 가르치는 사람들로 채워진 시설, 알고리즘을 다듬기 위해 사람의 피드백을 제공하는 사무실을 떠올려 보라는 것입니다. 추측이 아니라 이미 사업이 되어 있다는 근거로 저자들은 로봇 쪽의 피지컬인텔리전스(Physical Intelligence)와 데이터 라벨링 쪽의 스케일AI를 각각 듭니다.

기계를 가르치고 다듬는 일이 주 업무가 된 노동력이 디스토피아처럼 들릴 수 있다는 점도 저자들은 인정합니다. 그러면서 50년 전 사람들에게는 칸막이가 줄지어 선 사무실에서 하루 열 시간씩 화면 앞에 앉아 있는 풍경이 똑같이 디스토피아로 들렸을 것이라고 받아칩니다. 그런데 우리는 지금 그렇게 일하고 있습니다. 기술은 늘 일과 생산성의 성격을 다시 정의해 왔고 AI도 다르지 않다는 것이 8부의 전제입니다.

해설 인지 자동화라는 말은 이 문서가 새로 만든 개념은 아니지만, 물리적 자동화와 짝을 지어 쓰는 방식에 주목할 만합니다. 공장 자동화는 사람의 손을 대체하면서도 무엇을 만들지 정하는 판단은 사람에게 남겼는데, 인지 자동화는 바로 그 판단 쪽을 겨냥합니다.

본문의 3년이라는 표현에는 약간의 어긋남이 있습니다. 이 문서는 2025년 5월에 나왔으므로 2022년 11월부터는 2년 반 남짓이며, 원문은 그 기간을 3년으로 적고 있습니다.

[관점] 노동 한 단위가 연산력으로 바뀐다는 명제는 노동시장보다 회계의 문제로 먼저 나타납니다. 사람의 시간은 인건비로 손익계산서에 들어가지만 연산력은 상당 부분 자본지출로 대차대조표에 들어가기 때문입니다.

이 차이는 2부와 4부에서 본 적자 구조와 연결됩니다. 기업이 인건비를 컴퓨트 비용으로 바꾸는 선택을 할 때, 그 비용은 데이터센터를 지은 쪽의 감가상각으로 옮겨 가 있을 뿐 사라지지 않습니다.

엔비디아가 꼽는 영향권

엔비디아가 정리한 영향 산업 목록을 저자들은 그대로 싣습니다. 각 항목에 붙은 숫자는 그 산업에서 AI가 닿을 수 있는 모수를 가리킵니다. 영향권의 크기를 사람 수와 거래 건수로 환산해 보여 주는 방식입니다.

• AI 에이전트와 코파일럿 — 전 세계 지식노동자 10억 명 이상
• 검색과 소셜미디어 — 연간 7,000억 달러 규모의 디지털 광고
• AI 콘텐츠 제작 — 전 세계 창작자 5,000만 명
• 법률 서비스와 교육 — 미국의 법률 전문직 100만 명과 교육자 900만 명
• AI 소프트웨어 개발 — 전 세계 소프트웨어 개발자 3,000만 명
• 금융 서비스 — 연간 6,780억 건의 신용카드 거래
• 고객 서비스 — 전 세계 콜센터 상담원 1,500만 명
• 신약 발굴 — 화학 공간의 분자 10의 18제곱 개와 40엑사바이트의 유전체 데이터
• 제조 — 50조 달러 규모의 중공업

AI 우선을 공식화한 두 회사

쇼피파이(Shopify)의 공동창업자 겸 최고경영자 토비아스 뤼트케(Tobias Lütke)가 2025년 3월 사내에 보낸 메모를 저자들은 첫 사례로 듭니다. 뤼트케는 역사상 그 어느 때보다 많은 상인과 창업자가 생겨날 수 있는 시대로 들어서고 있다고 말합니다. 창업 경로의 단계마다 기술과 판단과 지식을 요구하는 결정이 가득한데, AI가 상담에 그치지 않고 실제 작업까지 하기 시작한 것은 계단식 변화라는 것입니다.

그가 내건 기준은 분명합니다. 반사적인 AI 사용이 이제 쇼피파이의 기본 기대치이며, AI를 효과적으로 쓰는 것은 모든 구성원에게 요구되는 근본 조건이라고 적었습니다. 이미 사고 파트너나 심층 리서처, 비평가, 튜터, 페어 프로그래머로 쓰고 있는 사람에게는 이 메모가 의아하게 읽힐 것이라면서도, 자신조차 표면만 긁고 있다고 느낀다고 덧붙입니다. 경력에서 본 가장 빠른 업무 방식의 변화라는 것이 그의 평가입니다. 배우지 않기를 택할 수는 있지만 그 선택이 통할 것 같지 않으며, 정체는 거의 확실하고 정체란 느린 실패라고 끝맺습니다.

듀오링고의 공동창업자 겸 최고경영자 루이스 폰 안은 2025년 4월 전사 메모에서 한 걸음 더 나갑니다. 회사가 AI 우선으로 간다는 것을 공식화한다고 밝히면서, 2012년에 모바일에 걸었던 결정을 근거로 듭니다. 남들이 웹사이트의 모바일 동반 앱을 만들 때 모바일 우선으로 지었고, 그 결정이 2013년 아이폰 올해의 앱과 뒤이은 입소문 성장을 열었다는 것입니다. 이런 전환기에 가장 나쁜 선택은 기다리는 것이라는 문장이 메모의 축입니다.

폰 안의 논리에서 AI는 생산성 도구이기 이전에 미션의 문제입니다. 잘 가르치려면 막대한 양의 콘텐츠가 필요한데 수작업으로는 확장되지 않으며, 느린 수작업 제작을 AI 기반으로 바꾼 것이 최근 최고의 결정이었다고 적습니다. AI가 없었다면 콘텐츠를 더 많은 학습자에게 맞춰 늘리는 데 수십 년이 걸렸으리라는 것입니다. 그래서 기술이 100% 완벽해질 때까지 기다리지 않고, 품질에서 가끔 작은 손실을 감수하더라도 긴급하게 움직이는 쪽을 택한다고 밝힙니다.

메모는 네 가지 제약을 예고합니다. 채용에서 AI 사용 역량을 보고, 인사 평가에 AI 활용을 반영하며, 더 자동화할 수 없다는 점이 확인된 팀에만 인원을 늘려 주고, 대부분의 기능에 일하는 방식을 근본적으로 바꾸는 과제를 둔다는 것입니다. 두 메모의 공통점은 AI를 쓰지 않는 선택지를 공식적으로 닫았다는 점입니다.

[사후 맥락] 듀오링고의 메모는 공개 직후 큰 역풍을 맞았습니다. 포천 보도에 따르면 폰 안은 메모를 링크드인에 올린 지 일주일쯤 뒤에 직원이 하는 일을 AI가 대체하는 것으로 보지 않는다고 물러섰고, AI는 같은 수준이나 더 나은 품질로 일을 빠르게 하는 도구라고 다시 설명했습니다.

그는 이후 파이낸셜타임스 인터뷰에서 이 정도 반발은 예상하지 못했으며 목표를 더 분명히 말했어야 했다고 밝혔습니다. 모든 기술 회사가 비슷한 일을 하고 있는데 자기 회사가 그것을 공개했을 뿐이라는 것이 그의 해명이었습니다.

[관점] 최고경영자의 메모는 증거로서 한쪽으로 기울어 있습니다. 메모를 쓴 회사는 AI 도입을 자랑할 이유가 있는 회사이고, 같은 시기에 조용히 속도를 늦춘 회사는 메모를 쓰지 않기 때문입니다.

그래서 이 두 장은 도입 실태의 표본이 아니라 경영 담론의 표본으로 읽는 편이 안전합니다. 실제 도입률은 바로 다음 절의 통계가 보여 주며, 그 숫자는 메모의 온도보다 훨씬 낮습니다.

미국 기업의 실제 도입률

미국 인구조사국의 기업동향전망조사(BTOS) 자료를 골드만삭스가 가공한 집계가 근거입니다. 질문은 지난 6개월 동안 재화나 서비스를 생산하는 데 AI를 사용했는지였고, 표본은 농장을 제외한 약 120만 개 사업체이며 격주로 수집합니다. 2023년 10월, 2025년 3월, 그리고 향후 6개월 예정이라는 세 시점을 함께 보여 줍니다.

산업별 차이가 큽니다. 정보 산업이 2025년 3월 기준 18% 안팎으로 가장 높고 전문·과학·기술 서비스가 그 뒤를 바짝 따릅니다. 교육 서비스와 금융·보험이 10%대 초중반, 부동산·임대와 보건·사회서비스가 10% 안팎입니다. 반대쪽 끝에는 운송·창고와 숙박·음식 서비스가 3%대에 머물러 있습니다.

전 산업 평균이 이 절의 핵심입니다. 실제로 AI를 쓰는 미국 기업은 아직 100곳 중 7곳 안팎입니다. 2023년 10월에는 4% 가까이였으니 1년 반 사이에 두 배 가까이 늘어난 셈이고, 향후 6개월 안에 쓰겠다고 답한 비율까지 더하면 10% 선에 닿습니다. 분기로 끊어 보면 2024년 4분기에서 2025년 1분기 사이에 전 산업 기준 1.4%포인트가량 올라 전 분기 대비 21% 증가했습니다.

분기 증가분의 분포도 산업별로 갈립니다. 정보와 교육 서비스, 전문·과학·기술 서비스가 2.5%포인트 이상 올라 가장 빠르게 움직였고 보건·사회서비스와 제조가 2%포인트 안팎으로 뒤따릅니다. 행정·지원과 소매, 기타 서비스는 거의 제자리였습니다. 운송·창고는 이 기간에 오히려 줄어든 유일한 산업입니다.

기업이 무엇을 노리고 도입하는지는 모건스탠리와 알파와이즈(AlphaWise)의 설문이 보여 줍니다. 2023년 3분기부터 2024년 3분기까지 1순위로 올라선 것은 코파일럿류의 폭넓은 내부 직원 생산성으로 응답 비중이 15%에서 27% 안팎까지 올랐습니다. 콜센터나 금융 프로세스 단순화처럼 특정 직무의 인건비를 줄이는 쪽도 10%에서 23% 안팎으로 함께 올랐습니다. 반면 고객 만족 개선이나 위험 축소, 빠른 제품 개발을 목적으로 꼽은 비중은 내려갔고, 평가하지 않고 있다는 응답은 28%에서 6% 안팎으로 급감했습니다.

[관점] 7%라는 숫자와 2부에서 본 수억 명의 사용자는 같은 현실의 두 측면입니다. 개인이 각자 쓰는 것과 회사가 생산 공정에 집어넣는 것은 다른 일이고, 통계가 묻는 것은 후자이기 때문입니다.

설문의 목적 변화가 더 흥미롭습니다. 고객 만족이나 신제품 개발처럼 매출을 늘리는 쪽은 비중이 줄고, 내부 생산성과 인건비 절감처럼 비용을 줄이는 쪽으로 무게가 옮겨 갔습니다. 기업이 AI에서 기대하는 것이 성장보다 효율로 수렴하고 있다는 신호이며, 이는 4부에서 본 수익화의 어려움과 같은 방향을 가리킵니다.

[한국 관점] 한국에도 비교할 수 있는 통계가 있습니다. 한국직업능력연구원이 국가데이터처의 기업활동조사 자료를 분석한 결과, AI를 활용하는 기업 비율은 2017년 1.4%에서 2024년 9.2%로 올라갔습니다. 조사 설계와 질문이 다르므로 미국의 7%와 직접 비교할 수는 없지만, 한 자릿수에서 막 벗어나는 국면이라는 점은 비슷합니다.

눈에 띄는 것은 규모별 격차입니다. 같은 분석에서 상용근로자 300명 이상 기업의 활용률은 2024년 18.0%인 반면 100명 미만은 6.2%였고, 둘의 차이는 2017년 2.8%포인트에서 11.8%포인트로 벌어졌습니다. 미국 자료가 산업별로 갈라지는 지점에서 한국 자료는 기업 규모로 갈라지는 셈이며, 정책의 초점도 달라져야 하는 대목입니다.

생산성은 이미 측정되고 있습니다

도입이 성과로 이어지는지에 대해 저자들은 스탠퍼드대 인간중심AI연구소의 AI 인덱스를 인용합니다. 5,179명의 고객지원 상담원을 대상으로 한 연구에서 AI를 쓰지 않은 상담원은 시간당 2.6건의 채팅을 처리했고 쓴 상담원은 2.97건을 처리했습니다. 시간당 처리량이 14% 늘었습니다. 같은 자료에는 1,018명의 과학자를 대상으로 한 결과도 함께 실려 있습니다.

해설 이 숫자의 출처는 브린욜프슨과 리, 레이먼드가 쓴 「Generative AI at Work」입니다. 콜센터 한 곳에 생성형 AI 보조 도구를 단계적으로 도입하면서 도입 시점의 차이를 이용해 효과를 추정한 연구이고, 평균 14%라는 수치는 그 추정치입니다.

평균보다 중요한 것은 분포입니다. 이 연구에서 생산성 향상은 경력이 짧고 숙련도가 낮은 상담원에게 집중되었고, 가장 숙련된 상담원에게는 효과가 거의 없거나 오히려 약간 부정적이었습니다. 숙련자의 암묵지를 도구가 흡수해 신입에게 전달하는 구조로 작동했다는 뜻이며, 누가 이득을 보는가라는 질문에서 이 결과는 흔한 예상과 반대편에 섭니다.

채용 시장이 먼저 갈라졌습니다

노동시장 쪽 신호는 채용 공고에서 먼저 나타납니다. 메릴랜드대학교와 링크업(LinkUp)이 집계한 미국 채용 공고 지수를 보면, 2018년 1월을 기준으로 AI 기술을 요구하는 공고는 2025년 4월까지 448% 늘었습니다. 같은 기간 AI와 무관한 IT 직군의 공고는 9% 줄었습니다. AI 기술을 요구하는 공고와 그렇지 않은 IT 공고가 정반대로 갈라졌습니다.

경로도 단순한 우상향은 아닙니다. 두 곡선 모두 2021년에 급등해 AI 공고는 2021년 말 500%를 넘는 정점을 찍었고 비AI IT 공고도 150%대까지 올랐습니다. 이후 2022년 중반부터 2023년까지 둘 다 가파르게 꺾였고, AI 공고는 한때 100%대 초반까지 내려갔습니다. 다시 갈린 것은 2024년부터입니다. AI 공고는 400%대를 회복하며 조사 기간의 최고 수준 가까이로 올라온 반면 비AI IT 공고는 기준선 아래에 머물러 있습니다.

직함 자체도 바뀌고 있습니다. 줌인포(ZoomInfo) 집계에서 AI 관련 용어가 새로 들어간 전 세계 직함의 누적 수는 2022년 2분기 3만 5,000개 수준에서 2024년 2분기 11만 개 안팎으로 2년 만에 200% 늘었습니다. 하루 150만 건 이상의 인사 변동을 감지하는 데이터베이스에서 수백 개 기업의 발표를 분석한 결과입니다.

개별 기업의 사례로는 애플이 실립니다. 2025년 5월 기준 애플 채용 사이트에서 생성형 AI로 검색하면 600개가 넘는 공고가 나옵니다. 예시로 실린 직무 설명은 필기와 텍스트 인식, 필기 합성, 문서 이해, 자유형 드로잉의 인식과 생성을 다루며 컴퓨터 비전과 음성 인식, 딥러닝 경험을 요구합니다.

[관점] 448%라는 숫자는 기준점의 효과를 감안해 읽어야 합니다. 2018년 1월의 AI 공고 수 자체가 작았으므로 같은 절대 증가도 비율로는 크게 보이며, 비AI IT 공고의 모수는 그보다 훨씬 큽니다.

그럼에도 두 곡선의 방향이 갈린 것 자체는 의미가 있습니다. 기술 직군 전체의 채용이 식은 2023년 이후에도 AI 공고만 회복했다는 것은 경기 요인만으로는 설명되지 않기 때문입니다.

[반론] 채용 공고의 변화가 실제 고용 구조의 변화로 이어졌는지는 아직 확인되지 않았습니다. 예일대 예산연구소와 브루킹스연구소 연구진이 2025년 10월 내놓은 분석은 ChatGPT 공개 이후 미국 노동시장에서 뚜렷한 단절을 찾지 못했다고 보고했습니다.

이 분석에 따르면 직업 구성은 과거보다 빠르게 바뀌고 있지만 그 차이는 작고 변화의 상당 부분이 2021년부터 이미 진행 중이었습니다. AI 노출도나 자동화 지표도 고용이나 실업률 변화와 뚜렷한 상관을 보이지 않았습니다. 사회 초년생이 경력자보다 취업에 어려움을 겪은 흔적은 있었지만 기술을 주된 원인으로 지목할 만큼 크지는 않았다는 것이 연구진의 결론입니다.

77년의 기록이 말하는 것

저자들이 이 모든 숫자를 놓는 자리는 긴 시계열입니다. 세인트루이스 연방준비은행 자료로 1947년부터 2024년까지 미국 비농업 부문의 노동생산성과 고용을 1947년을 기준으로 지수화해 겹쳐 놓습니다. 두 선은 77년 동안 함께 올라갔습니다. 2000년 이후만 끊어 보면 생산성은 89%, 고용은 31% 늘었습니다.

그래프 아래에는 기술 주기가 표시됩니다. 미니컴퓨터와 PC 시대는 IBM 개인용 컴퓨터가 나온 1981년부터 1994년까지, 데스크톱 인터넷 시대는 넷스케이프 기업공개가 있던 1995년부터 2006년까지, 모바일 인터넷 시대는 아이폰이 나온 2007년부터 2021년까지이고, AI 시대는 ChatGPT가 공개된 2022년부터입니다. 어느 주기에서도 생산성 상승이 고용 감소로 이어지지 않았다는 것이 이 장의 메시지입니다.

엔비디아의 황은 2025년 5월 밀컨연구소 글로벌 콘퍼런스에서 비슷한 결론을 다른 방식으로 말합니다. 모든 직업이 영향을 받을 것이고 어떤 직업은 사라지고 어떤 직업은 생길 테지만, 일자리를 AI에게 빼앗기는 것이 아니라 AI를 쓰는 사람에게 빼앗기게 된다는 것입니다.

그가 든 두 가지 극단도 함께 실립니다. 하나는 격차의 문제입니다. 컴퓨터 기술의 혜택을 받은 사람은 프로그래밍을 할 줄 아는 약 3,000만 명이고 나머지 75-80억 명은 그렇지 못한데, AI는 그 격차를 좁힐 최대의 기회라는 것입니다. 한 방에 모인 사람 중 C나 C++를 다룰 줄 아는 사람은 몇 되지 않지만 AI로 프로그래밍할 줄 아는 사람은 100%인데, AI가 쓰는 사람의 언어로 말해 주기 때문이라고 설명합니다.

다른 하나는 노동력 부족입니다. 세계는 노동자가 남는 것이 아니라 모자라는 상태이며, 사상 처음으로 3,000만-4,000만 명의 부족분을 메울 가능성이 생겼다는 것입니다. 그래서 AI가 세계 국내총생산을 늘릴 가장 좋은 길일 수 있다고 말하면서, 모두가 이 기술을 활용하고 무시하는 사람이 되지 말라고 권합니다.

해설 노동생산성 지수가 오르는 것과 사람이 일을 덜 하는 것은 다른 이야기입니다. 이 지표는 투입 시간당 산출로 계산되므로, 산출이 늘어나는 한 시간당 효율이 올라가도 총 노동시간은 유지되거나 늘어날 수 있습니다.

과거 주기에서 고용이 유지된 경로도 같은 구조였습니다. 효율이 오르면 가격이 내리고 수요가 늘어 산출이 커졌으며, 그 과정에서 사라진 직무만큼 다른 직무가 생겼습니다. 문제는 이 경로가 작동하는 데 보통 10년에서 20년이 걸렸다는 점입니다.

[관점] 긴 시계열은 안심을 주지만 같은 이유로 조심해서 다뤄야 합니다. 과거 네 번의 주기에서 생산성과 고용이 함께 올랐다는 사실은 다섯 번째에서도 그러리라는 것을 보장하지 않으며, 저자들 자신도 이번에는 더 빠르다는 단서를 앞에서 달아 두었습니다.

속도가 왜 문제인지는 적응 비용에서 드러납니다. 사라지는 직무와 생기는 직무가 같은 사람에게 오지 않으므로, 전환에 걸리는 시간이 사람의 경력 주기보다 짧아지면 총량이 유지되어도 개인 단위의 충격은 커집니다. 황의 문장이 위로가 되는 쪽은 AI를 쓰는 사람이지, 쓰는 사람에게 자리를 내준 사람이 아닙니다.

저자들의 마무리

마지막 두 장은 문서 전체를 한 번에 되감습니다. 다음 한 주가 인터넷 없이 어떤 모습일지 상상해 보라는 것이 첫 문장입니다. 일하고 소통하고 통치하는 방식까지 거의 모든 면이 뒤집힐 것이고, 많은 사람에게 인터넷 없는 세계는 이제 상상하기 어렵습니다. 저자들은 앞으로 10-20년 안에 AI에 대해서도 같은 느낌을 갖게 될 것이라고 적습니다.

문서의 목표도 다시 밝힙니다. 연구에서 출발한 것이 고객 지원과 소프트웨어 개발, 과학 발견, 교육, 제조에 걸쳐 핵심 인프라로 확장되는 과정을 사용 추세와 비용 역학, 인프라 구축, 초기 수익화 모델에 초점을 맞춰 지도로 그리는 것이었습니다. 관통하는 줄기는 AI가 가속하면서 더 많은 영역에 닿고 일하는 방식에 더 깊이 박히고 있다는 것입니다.

촉매로는 세 가지를 꼽습니다. 어디에나 있는 모바일 기기 위에서 쓰기 쉬운 멀티모달 도구를 전 세계가 쓸 수 있게 된 것, 추론 비용이 가파르게 내려간 것, 그리고 쓸 수 있는 모델의 수가 폭발한 것입니다. 폐쇄형과 오픈소스 모두 널리 접근 가능하고 점점 유능해져서 1인 개발자부터 기업까지 마찰 없이 실험하고 배포할 수 있게 되었습니다. 동시에 대형 기존 기업들은 코파일럿과 어시스턴트와 에이전트를 제품에 엮어 넣고 있으며, 인터페이스 층이 실시간으로 다시 쓰이는 중입니다.

컴퓨트 쪽 요약은 조심스럽습니다. 주요 클라우드와 칩 제조사, 하이퍼스케일러의 자본지출이 신고점을 찍었고 투자 대상은 칩만이 아니라 데이터센터와 네트워킹과 에너지 설비까지 넓어졌습니다. 이 수준의 자본지출이 계속될지는 지켜봐야 한다고 저자들은 적습니다. 다만 AI가 차량과 농장, 실험실, 가정 같은 가장자리로 옮겨 갈수록 디지털 인프라와 물리 인프라의 구분은 계속 흐려질 것이라고 봅니다.

지정학 부분은 5부의 결론을 다시 가져옵니다. 미국 기업이 모델 혁신과 맞춤 실리콘, 클라우드 규모의 배포를 주도해 왔지만 중국은 오픈소스와 국가 인프라, 국가 주도의 조율에서 빠르게 전진하고 있으며, 두 나라 모두 AI를 경제의 순풍이자 지정학적 영향력의 지렛대로 봅니다. 이 환경에서 혁신은 사업상의 우위가 아니라 국가의 태세라는 것이 저자들의 표현입니다.

마이크로소프트 부회장 겸 사장인 스미스의 최근 발언도 여기에 인용됩니다. 기술 시장의 성격과 네트워크 효과를 고려하면 국제적 영향력을 둘러싼 미중 경쟁은 가장 빠른 선발주자가 이길 가능성이 크며, 따라서 미국에는 자국 AI를 전 세계에 빠르게 뒷받침할 영리한 국제 전략이 필요하다는 것입니다. 어떤 나라가 중국의 AI 플랫폼으로 표준을 잡으면 이후에도 그 플랫폼에 계속 의존하게 되리라는 점을 중국은 현명하게 인식하고 있다고 그는 봅니다. 최선의 대응은 경쟁을 불평하는 것이 아니라 앞선 경주에서 이기는 것이며, 동맹과 우방의 참여가 필요하다는 것이 결론입니다.

마지막 묶음은 7부와 8부를 되짚습니다. 저렴한 위성 연결이 원격지와 소외 지역으로 접근을 넓히면서 다음 인터넷 사용자 물결은 전통적 앱 생태계를 건너뛰고 대화형 멀티모달 에이전트로 직행할 가능성이 큽니다. 직장에서의 도입도 빨라지면서 사람이 인생의 3분의 1을 보내는 시간의 모양을 바꿀 수 있습니다. 사용 패턴이 진화하고 단위 비용이 내려가는 지금은, 지능이 기본 인터페이스가 되는 인터넷의 초기 단계일지 모른다는 것이 저자들의 표현입니다.

문서는 불확실성 쪽으로 닫힙니다. 정보와 자본의 흐름과 투명성이 커지는 동시에 그것이 무기화되는 사례도 늘고 있으며, 강대국들이 독재와 민주주의의 대립 구도를 더 공개적으로 내세우는 시점에 기술과 지정학이 얽히면서 불확실성이 올라가고 있다는 것입니다. 확실한 것은 하나뿐이라고 저자들은 적습니다. AI의 경기 시간이 시작되었고 점점 더 치열해지는 중이며, 지니는 다시 병 속으로 들어가지 않는다는 것입니다.

[관점] 340쪽을 관통한 뒤 남는 것은 결론이 아니라 구조입니다. 이 문서는 AI가 성공한다거나 실패한다고 말하지 않고, 사용자와 사용량과 자본지출이 전례 없는 속도로 늘었다는 사실, 비용과 손실도 같은 속도로 늘었다는 사실, 그리고 그 둘이 아직 만나지 않았다는 사실을 나란히 놓고 멈춥니다.

이 절제가 이 자료의 장점이자 한계입니다. 판단을 독자에게 넘기므로 어느 진영도 이 문서를 통째로 반박할 필요가 없지만, 같은 이유로 투자 결정에 필요한 마지막 한 걸음은 여기에 없습니다. 이 문서를 읽은 사람은 무엇이 일어나고 있는지 알게 되지만 무엇을 해야 하는지는 여전히 스스로 정해야 합니다.

[이해관계] 마지막 쪽의 공시는 이 자료를 읽는 틀을 다시 확인해 줍니다. BOND는 이 문서가 정보 제공 목적으로만 작성되었고 증권의 매도 제안이나 매수 권유가 아니라고 밝히면서, 데이터 출처들의 상대적 정확성이나 그로부터 파생되는 불일치에 대해 입장을 취하지 않는다고 적었습니다.

같은 쪽에 이 문서에서 언급된 일부 기업에 BOND가 상당한 지분을 보유하고 있거나 보유했던 적이 있다는 문장이 함께 있습니다. 공시된 투자 이력에는 에어비앤비와 알파센스, 어플라이드인튜이션, 캔바, 도어대시, 코볼드메탈스, 메타, 인스타카트, 플레이드, 슬랙, 스포티파이, 스트라이프, 우버, 바스트데이터 등이 포함됩니다. 자료의 수치가 틀렸다는 뜻이 아니라, 무엇을 세고 무엇을 세지 않을지를 고르는 자리에 이해관계가 놓여 있다는 사실을 기억하라는 의미입니다.

---

원문: Mary Meeker, Jay Simons, Daegwon Chae, Alexander Krey, Trends – Artificial Intelligence (May 2025) 전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

• 아빈드 나라야난·사야시 카푸어 – 일반 기술로서의 AI (AI as Normal Technology) — 같은 확산 데이터를 놓고 속도가 아니라 더딘 제도적 수용을 결론으로 끌어내는 글이라 이 자료와 정면으로 비교됩니다.
• 데이비드 칸 – AI의 6,000억달러 질문 (AI’s $600B Question) — 이 자료가 보여 준 자본지출 곡선이 매출로 돌아오려면 얼마가 필요한지를 역산한 글입니다.
• 골드만삭스 – 생성형 AI, 너무 많이 쓰고 너무 적게 얻는가? (Gen AI: Too Much Spend, Too Little Benefit?) — 8부가 제시한 생산성 향상 수치를 거시 지표로 확인할 수 있는지 따져 본 글입니다.
• 하워드 막스 – 이것은 버블인가? (Is It a Bubble?) — 전례 없는 증가율이라는 서술을 투자자의 판단 기준으로 옮겨 읽을 때 함께 보면 좋습니다.