제1부: 지능의 경제학
AI 산업이 곧 지능 그 자체보다는 달러당 지능을 최적화하려는 이유
저는 인공지능 산업이 ChatGPT 출시 이후 가장 중요한 경제적 변곡점 중 하나에 다가가고 있다는 확신이 점점 더 강해지고 있습니다. 하지만 압도적인 다수의 투자자들은 오늘날 분명 중요하지만, 궁극적으로 시장이 현재 가정하는 것보다 훨씬 덜 가치 있을 수 있는 변수에 계속 집중하고 있습니다. 지배적인 논의는 여전히 어떤 회사가 가장 똑똑한 모델을 보유했는지, 어떤 프론티어 연구소가 최신 벤치마크에서 1위를 차지했는지, 어떤 추론 모델이 점점 더 난해해지는 학술 평가에서 가장 높은 점수를 받았는지, 그리고 어떤 AI 회사가 업계의 끊임없이 변화하는 리더보드에서 일시적으로 선두를 차지했는지에 관한 것입니다. 이러한 논의가 의심할 여지없이 헤드라인을 장식하지만, 저는 이것들이 표면 아래에서 조용히 펼쳐지고 있는 훨씬 더 큰 경제적 전환을 놓칠 위험이 있다고 생각합니다. AI 생태계 전체에서 이익이 어디에 축적될지를 궁극적으로 결정하는 변수는 지능 그 자체가 아니라, 지출된 1달러당 전달되는 지능의 양일 가능성이 높기 때문입니다.
아마도 이러한 전환을 이해하는 가장 간단한 방법은 기업의 AI 도입에 대해 생각할 때마다 반복해서 떠오르는 비유를 통하는 것입니다. 회사에서 장부 정리, 재무제표 준비, 또는 송장 처리를 위해 누군가를 고용해야 할 때, 순수 수학 박사 학위 소지자를 채용하지 않습니다. 그 사람이 그 일을 수행할 능력이 부족해서가 아니라, 그 일이 경제적으로 정당화하는 것보다 훨씬 더 많은 능력을 가지고 있기 때문입니다. 정확한 회계 처리가 창출하는 가치는 근본적으로 한계가 있습니다. 일단 장부가 정확해지면, 그 지능이 아무리 뛰어나더라도 훨씬 더 뛰어난 지능을 고용함으로써 얻을 수 있는 추가적인 이점은 거의 없습니다. 따라서 합리적인 조직은 능력보다는 경제학을 중심으로 최적화하며, 요구되는 품질 기준을 충족하는 작업을 일관되게 생산할 수 있는 가장 저렴한 인력을 고용하고, 추가적인 지능이 진정으로 부가가치를 창출하는 문제에 한해 희소한 지적 재능을 배치합니다.
그러나 문제 자체가 변하면 경제학은 완전히 달라집니다. 목표가 획기적인 알츠하이머 치료제를 발견하거나, 혁신적인 반도체 아키텍처를 개발하거나, 인류가 직면한 가장 어려운 과학적 질문 중 하나를 해결하는 것이라면, 갑자기 세계에서 가장 뛰어난 연구자들을 고용하는 비용은 성공으로 창출되는 잠재적 경제적 가치에 비해 거의 무의미해집니다. 단 하나의 혁신이 수백억 또는 수천억 달러의 가치를 창출할 수 있기 때문에, 소수의 정예 과학자들의 급여는 프로젝트의 전체 경제학 내에서 거의 중요하지 않게 됩니다. 이러한 상황에서 지능 자체가 희소 자원이 되며, 비용 최소화보다는 능력 극대화가 합리적인 경제적 결정이 됩니다.
저는 인공지능이 이제 정확히 이러한 분기점에 접근하고 있다고 믿습니다. 지난 2년 동안 기업들은 이메일 요약, 송장에서 정보 추출, 고객 지원 티켓 분류, 문서 번역, 회의록 초안 작성, 일상적인 소프트웨어 코드 생성, 내부 지식 베이스 검색 등 거의 모든 상상 가능한 작업에 프론티어 모델을 압도적으로 사용해 왔습니다. 이는 주로 업계가 대규모 언어 모델이 지식 작업에 광범위하게 유용해지는 임계값을 막 넘었기 때문입니다. 기술이 처음으로 상업적으로 실행 가능해지면, 조직은 자연스럽게 사용 가능한 최고 성능의 솔루션을 찾게 됩니다. 왜냐하면 그들은 여전히 훨씬 더 근본적인 질문, 즉 기술이 전혀 작동하는지 여부에 대한 답을 찾으려고 노력 중이며, 기업이 역량을 검증하는 동안 비용 최적화는 부차적인 문제로 남아 있기 때문입니다.
그러나 이러한 행동은 안정적인 균형을 나타낼 가능성이 낮습니다. 파일럿 프로그램은 필연적으로 프로덕션 시스템이 되고, 프로덕션 경제학은 결국 기술 경제학을 지배하기 때문입니다. 우리는 이미 기업 AI 배치 전반에서 이러한 전환이 일어나기 시작하는 것을 관찰하고 있습니다. 조직은 문제가 더 이상 AI가 가치를 창출하는지 여부를 결정하는 것이 아니라, 대규모로 배포하는 것과 관련된 빠르게 증가하는 비용 대비 충분한 가치를 창출하는지 여부를 결정하는 것임을 발견하고 있기 때문입니다. 재무 부서가 다른 모든 엔터프라이즈 기술 투자에 적용되는 것과 동일한 규율로 AI 예산을 조사하기 시작하면, 최적화 프로세스는 필연적으로 지능 극대화에서 지출된 1달러당 지능 극대화로 전환됩니다.
추론 비용이 계속해서 놀라운 속도로 붕괴되는 것은 이러한 전환을 더욱 가속화합니다. Stanford의 AI Index는 GPT-3.5 수준의 성능을 제공하는 비용이 2022년 말과 2024년 말 사이에 280배 이상 감소했다고 추정합니다. Andreessen Horowitz는 고정된 수준의 모델 능력을 유지하는 것이 매년 약 10배 저렴해진다고 결론지었고, Epoch AI는 여러 추론 벤치마크에서 유사한 결론에 도달하여 오늘날 프리미엄 가격을 명령하는 능력이 내일이면 빠르게 상품화된다는 것을 시사합니다. OpenAI의 최고 재무 책임자(CFO)인 Sarah Friar조차도 최근 GPT-4와 회사의 최신 모델 세대 간의 추론 비용이 단 2년 만에 약 97% 감소했다고 언급하며, 업계의 디플레이션 역학이 얼마나 비범해졌는지 보여주었습니다. 각 조직이 이러한 추세를 다소 다르게 측정하지만, 모두 동일한 근본적인 결론, 즉 지능이 현대 기술의 다른 어떤 곳에서도 거의 목격되지 않은 속도로 극적으로 저렴해지고 있다는 결론에 수렴합니다.
추론 비용이 계속 붕괴되는 것과 동시에, 기업들은 궁극적으로 훨씬 더 중요할 수 있는 완전히 다른 도전에 직면하기 시작했습니다. 기업들은 원래 전체 회계연도 동안 지속될 것으로 예상했던 AI 예산이 사용량이 초기 예상보다 훨씬 빠르게 확장됨에 따라 불과 몇 달 만에 소진되고 있다는 사실을 점점 더 발견하고 있습니다. Sam Altman은 최근 기업 고객들이 OpenAI에 계획된 연간 AI 지출을 1분기 내에 효과적으로 소진했으며 이제 더 똑똑한 모델이 아닌 더 효율적인 모델을 요청하고 있다고 점점 더 자주 말한다고 언급했습니다. 이 관찰은 단순한 일화로 치부되어서는 안 됩니다. 이는 AI가 근본적으로 다른 상업화 단계에 진입했음을 신호하기 때문입니다. 조직은 이미 인공지능이 작동한다는 결론을 내렸습니다. 그들의 관심은 이제 그것이 경제적으로 작동하도록 보장하는 쪽으로 이동하고 있습니다.
표면 아래에서 일어나고 있는 기술적 진화는 정확히 동일한 결론을 강화합니다. 대규모 언어 모델 혁명의 초기 몇 년 동안, 업계 참가자들은 대체로 더 나은 모델이 단순히 더 많은 매개변수, 더 큰 아키텍처, 그리고 기하급수적으로 더 많은 컴퓨팅을 필요로 한다고 가정했습니다. 그러나 점점 더 프론티어 연구소들은 더 나은 데이터셋, 개선된 추론 기술, 합성 훈련 데이터, 정교한 증류 방법을 통해 향상된 신중하게 훈련된 소규모 모델이 추론 비용의 극히 일부만 필요로 하면서도 훨씬 더 큰 시스템의 성능에 근접할 수 있다는 것을 발견하고 있습니다. Meta는 이미 내부적으로 이 철학을 입증했습니다. 가장 큰 프론티어 모델을 주로 교사로 사용하면서 광고 및 추천 인프라 전반에 걸쳐 훨씬 더 작은 증류 모델을 배포하여 학습을 위해 최대 지능을 예약하고 벤치마크 점수보다는 경제학을 중심으로 프로덕션을 최적화하고 있습니다.
그 결과는 인공지능이 과학적 경쟁보다는 인간 노동 시장과 점점 더 닮아가고 있다는 것입니다. 어떤 합리적인 조직도 모든 직위를 노벨상 수상자로 채우지 않으며, 어떤 기업도 궁극적으로 모든 추론 요청을 세계에서 가장 비싼 프론티어 모델로 라우팅하지 않을 것입니다. 프론티어 과학 연구, 고급 수학, 복잡한 엔지니어링, 자율 추론, 또는 제약 발견과 관련된 작업은 경제적 상승 여력이 사실상 무제한이기 때문에 거의 확실히 가장 유능한 AI 시스템에 계속 의존할 것입니다. 그러나 기업 워크로드의 압도적 다수는 문서 분류, 고객 지원, 워크플로 자동화, 정보 추출, 소프트웨어 유지 관리, 규정 준수 모니터링, 엔터프라이즈 검색, 계약 검토 및 벤치마크 리더보드에서 1~2% 포인트를 더 짜내는 것보다 신뢰성, 일관성, 거버넌스 및 경제성이 훨씬 더 중요한 수많은 다른 작업을 포함합니다.
이것이 제가 AI 산업이 자체적인 Linux 순간에 접근하고 있을 수 있다고 믿는 이유입니다. Llama, DeepSeek, Qwen, GLM, Kimi 등과 같은 오픈 가중치 모델은 업계 경제학을 근본적으로 재편하기 위해 모든 벤치마크에서 모든 독점 프론티어 모델을 능가할 필요가 없습니다. 그들은 단순히 기업 워크로드의 압도적 다수에 대해 충분히 유능해지기만 하면 됩니다. 일단 그 임계값을 넘으면, 구매 결정은 점점 더 원시 능력보다는 투자 수익률에 의해 주도되기 때문입니다. 기업 CIO들은 벤치마크에서 1위를 기록했다는 이유만으로 중요한 인프라를 선택한 적이 없습니다. 그들은 보안, 거버넌스, 신뢰성, 규정 준수, 통합, 벤더 지원, 운영 단순성 및 총 소유 비용을 중심으로 최적화합니다. 인공지능도 다르지 않을 가능성이 높습니다.
그 관점이 맞다면, AI 업계의 정의적인 지표는 점차 지능 그 자체에서 달러당 지능으로 이동하고, 프론티어 모델은 경제적 가치가 가장 높은 수준의 능력에 대한 비용을 진정으로 정당화하는 문제에 점점 더 집중될 것입니다. 이러한 구분은 뒤따르는 투자 논문의 기초를 형성합니다. 지능 자체가 점점 더 풍부해지면, 투자자들은 다른 질문을 던지기 시작해야 하기 때문입니다. 누가 가장 똑똑한 모델을 만드는지 논쟁하기보다는, 지능이 전 세계 경제의 거의 모든 워크플로에 내장될 수 있을 정도로 저렴해질 때 누가 경제적 가치를 포착하는지 점점 더 물어봐야 합니다. 그것이, 우리의 관점에서, AI 투자 이야기의 다음 단계가 진정으로 시작되는 곳입니다.
제2부: 위대한 가치 이동
설치된 컴퓨팅의 소유자가 궁극적으로 새로운 컴퓨팅의 판매자보다 더 많은 가치를 포착할 수 있는 이유
제1부의 핵심 주장, 즉 인공지능이 꾸준히 지능 그 자체보다는 달러당 지능을 극대화하는 방향으로 진화하고 있다는 것이 맞다면, 투자자에게 자연스러운 질문은 그러한 전환이 펼쳐짐에 따라 경제적 가치가 궁극적으로 어디로 이동하는지가 됩니다. 오늘날 시장의 답은 놀라울 정도로 간단해 보입니다. 곡괭이와 삽을 공급하는 회사를 사라는 것입니다. Nvidia, Broadcom, ASIC 설계자, 네트워킹 벤더, 메모리 제조업체, 그리고 차세대 AI 인프라를 구축하는 데 필요한 하드웨어를 판매하는 다른 모든 사람을 사라는 것입니다. 이 전략은 지난 몇 년 동안 의심할 여지없이 올바른 전략이었습니다. 하이퍼스케일러들이 기술 역사상 가장 큰 자본 지출 주기 중 하나에 착수하여 GPU, 네트워킹 장비, 전력 인프라, 냉각 시스템 및 모두가 AI 추론 수요의 폭발이 될 것으로 예상하는 것을 지원하도록 설계된 완전히 새로운 AI 캠퍼스에 수천억 달러를 투자했기 때문입니다.
그러나 저는 점점 더 시장이 잘못된 질문을 하고 있다고 믿습니다. 투자자들은 누가 다음 GPU를 판매하는지에 거의 완전히 집중되어 있지만, 더 중요한 질문은 궁극적으로 누가 마지막 GPU를 소유하는지가 될 수 있습니다. 이러한 구분은 오늘날 미묘해 보일 수 있지만, AI 생태계 전체의 경제학을 근본적으로 변화시킵니다. 일회성 하드웨어 판매에서 초기 자본 지출이 발생한 후에도 수년 동안 AI 워크로드를 계속 처리할 이미 배포된 인프라에 의해 생성된 반복적인 현금 흐름으로 관심을 전환하기 때문입니다.
우리의 관점에서, 업계가 앞으로 몇 년 동안 진화할 수 있는 광범위한 시나리오는 두 가지뿐이며, 이 투자 논쟁을 특히 흥미롭게 만드는 것은 두 결과 모두 현재 시장 가격이 암시하는 것보다 하이퍼스케일러에게 훨씬 더 유리해 보인다는 점입니다.
첫 번째 가능성은 AI 모델이 더 나은 아키텍처, 증류, 양자화, 투기적 디코딩, 라우팅 알고리즘, 컴파일러 최적화 및 점점 더 정교해지는 추론 기술의 조합을 통해 극적으로 더 효율적으로 계속 발전하여 클라우드 제공업체가 이미 소유한 하드웨어에서 훨씬 더 많은 유용한 작업을 추출할 수 있게 되는 것입니다. 단순히 경쟁력을 유지하기 위해 매년 추가로 1,000억 달러의 자본 지출을 요구하는 대신, 기존 GPU 클러스터는 각 후속 모델 세대와 함께 점차 생산성이 높아져 하이퍼스케일러가 새로운 하드웨어 구매를 통해 그 성장을 1:1로 맞추지 않고도 기하급수적으로 더 큰 추론 워크로드를 지원할 수 있게 됩니다. 이 세상에서, Microsoft의 Azure, Amazon의 AWS, Google의 Cloud 내부에 이미 자리 잡고 있는 AI 인프라는 투자자들이 현재 인식하는 것보다 훨씬 더 가치 있게 됩니다. 모든 소프트웨어 혁신이 이전에 배포된 하드웨어의 경제적 생산성을 효과적으로 확장하기 때문입니다.
그 시나리오가 현실화된다면, 클라우드 경제학에 대한 의미는 매우 매력적이 됩니다. 자본 지출은 자연스럽게 안정화되기 시작하고, 초기 투자가 성숙함에 따라 감가상각은 점차 감소하는 반면, 기업 토큰 소비가 계속 확장됨에 따라 수익은 계속 복리로 증가합니다. 그 결과는 하이퍼스케일러가 엄청난 양의 자본을 흡수하는 비즈니스에서 점점 더 대차대조표에 이미 있는 인프라를 수익화하는 비즈니스로 전환함에 따라 잉여 현금 흐름이 급격히 상승한다는 것입니다. 시장이 현재 기술 분야에서 가장 큰 비용 중 하나로 보는 것이 궁극적으로는 지금까지 조립된 가장 큰 생산적 자산 기반 중 하나가 되어, 투자자들이 그것을 구축하는 데 필요한 초기 투자에 대해 걱정을 멈춘 후 오랫동안 매력적인 수익을 창출할 수 있습니다.
대안적인 시나리오는 여러 측면에서 훨씬 더 건설적입니다. 이것이 Jevons 역설 시나리오입니다. 효율성 개선이 수요를 감소시키지 않고 오히려 가속화하는 이유는 낮은 비용이 완전히 새로운 애플리케이션을 경제적으로 실행 가능하게 만들기 때문입니다. 추론이 극적으로 저렴해짐에 따라, 기업들은 AI 사용을 배급하는 것을 중단하고 조직 전체의 거의 모든 워크플로에 지능을 내장하기 시작합니다. 에이전트는 가끔이 아니라 지속적으로 실행하고, 소프트웨어는 점점 더 인간이 요청을 시작할 때까지 기다리지 않고 자동으로 모델을 호출하며, 코딩 어시스턴트는 최종 답변을 생성하기 전에 자신의 작업을 반복적으로 평가하고, 고객 지원 시스템은 여러 모델을 동시에 참조하며, 엔터프라이즈 소프트웨어는 추론을 값비싼 프리미엄 기능이 아닌 항상 켜져 있는 유틸리티로 취급하기 시작합니다. 개별 토큰은 각각 더 저렴해지지만, 처리되는 총 토큰 수는 기업이 이전에는 경제적이지 않았던 수천 개의 새로운 사용 사례를 갑자기 발견하기 때문에 기하급수적으로 확장됩니다.
역사는 이것이 정확히 기술 발전이 일반적으로 펼쳐지는 방식임을 시사합니다. 저장 장치가 극적으로 저렴해졌을 때, 인류는 더 적은 비용으로 동일한 양의 정보를 저장하지 않았습니다. 우리는 훨씬 더 많은 정보를 저장했습니다. 대역폭이 극적으로 저렴해졌을 때, 우리는 단순히 인터넷 요금을 줄이지 않았습니다. 우리는 텍스트 기반 웹사이트를 스트리밍 비디오 플랫폼으로 변환했습니다. 클라우드 컴퓨팅이 소프트웨어 인프라를 배포하는 비용을 줄였을 때, 기업들은 더 적은 서버를 구매하지 않았습니다. 그들은 온프레미스 컴퓨팅의 경제학 하에서는 결코 존재하지 않았을 완전히 새로운 소프트웨어 범주를 구축했습니다. 인공지능도 정확히 동일한 궤적을 따를 가능성이 높습니다. 추론 비용 하락이 수요를 충분히 가속화하여 개별 토큰당 생성되는 수익의 감소를 압도하는 것입니다.
이 두 시나리오의 놀라운 특징은 둘 다 클라우드 인프라 소유자에게 매우 건설적으로 보인다는 것입니다. 모델 효율성이 수요보다 빠르게 개선되면, 하이퍼스케일러의 자본 지출은 느려지고 잉여 현금 흐름은 가속화됩니다. 수요가 효율성보다 빠르게 성장하면, 하이퍼스케일러는 인프라를 계속 확장하면서 동시에 점점 더 생산적인 하드웨어에서 실행되는 AI 서비스로부터 훨씬 더 많은 수익을 창출합니다. 어느 시나리오에서도 클라우드 플랫폼 자체에 구조적으로 부정적인 결과에 도달하지 않습니다. 대신, 논쟁은 절대적인 승자와 패자보다는 상대적인 수혜자에 관한 것이 됩니다.
이것이 제가 시장이 하이퍼스케일러의 자본 지출이 실제로 무엇을 나타내는지 계속 오해하고 있다고 믿는 이유입니다. 많은 투자자들은 AI 인프라 지출을 단기 수익성을 억누르는 또 다른 운영 비용인 것처럼 계속 취급하지만, 실제로는 점점 더 생산적인 자본 형성과 유사해지고 있습니다. 경제 역사를 통틀어, 변혁적인 인프라 투자는 건설 단계에서 거의 항상 재정적으로 매력적이지 않게 보였습니다. 의미 있는 현금 흐름을 창출하기 전에 엄청난 양의 자본을 소비했기 때문입니다. 철도, 전력망, 통신 네트워크, 광섬유 케이블 및 클라우드 컴퓨팅은 모두 정확히 동일한 패턴을 따랐습니다. 선행 투자는 활용도가 운영 레버리지가 압도적이 되는 수준에 도달할 때까지 과도해 보였고, 그 시점에서 동일한 자산이 투하 자본에 대해 엄청난 수익을 창출하기 시작했습니다.
따라서 논쟁은 하이퍼스케일러가 AI 인프라에 너무 많이 지출하고 있는지 여부에 관한 것이 되어서는 안 됩니다. 더 중요한 질문은 그러한 자산이 궁극적으로 투자를 정당화하기에 충분한 경제적 산출물을 생산할 것인지 여부이며, 점점 더 증거는 그렇다고 답하고 있음을 시사합니다. 그러나 시장은 반도체 기업들이 자본 지출이 무기한 높은 상태로 유지된다는 가정으로부터 계속 혜택을 받는 반면, 하이퍼스케일러는 동시에 동일한 지출이 영구적으로 자본 수익률을 억누르는 것처럼 거래되는 다소 독특한 중간 지점을 가격에 반영하고 있는 것으로 보입니다. 저는 그 조합을 점점 더 조화시키기 어렵다고 생각합니다. AI 인프라가 시간이 지남에 따라 극적으로 더 생산적이 되어 잉여 현금 흐름이 급격히 상승할 수 있게 하거나, AI 수요가 지속적인 투자를 정당화할 만큼 충분히 빠르게 성장하기 때문입니다. 어느 결과도 클라우드 제공업체에 근본적으로 약세로 보이지 않습니다.
아마도 이 논문을 뒷받침하는 가장 중요한 발전은 추론 자체가 점점 더 프리미엄 기술 제품보다는 유틸리티와 유사해지고 있다는 것입니다. 전기는 유용한 비유를 제공합니다. 소비자는 자신의 집에 도착하는 전기를 어떤 발전소에서 생산했는지 거의 알지 못하거나 특별히 신경 쓰지 않기 때문입니다. 그들은 단순히 전력이 안정적이고 안전하게, 가능한 가장 낮은 비용으로 도착하기를 기대합니다. 인공지능은 정확히 동일한 균형을 향해 진화하고 있는 것으로 보입니다. 극소수의 기업만이 궁극적으로 일상적인 문서 분류가 GPT-7, Claude 8, DeepSeek, Llama, Qwen 또는 다른 오픈 가중치 모델에 의해 수행되는지 신경 씁니다. 그들은 답변이 요구되는 품질 임계값을 충족하고, 기존 워크플로에 원활하게 통합되며, 보안 및 규제 요구 사항을 준수하고, 가능한 가장 낮은 총 비용으로 그렇게 하는지 신경 씁니다. 일단 추론이 럭셔리 서비스보다는 유틸리티와 유사해지기 시작하면, 업계의 경제학은 자연스럽게 지능 자체에 보상하는 것에서 대규모로 그 지능을 전달하는 책임이 있는 인프라에 보상하는 쪽으로 이동합니다.
또 다른 비유가 더 적절할 수 있습니다. 프론티어 AI 연구소는 점점 더 항공사와 유사해지는 반면, 하이퍼스케일러는 점점 더 공항과 유사해집니다. 항공사는 서비스 품질, 고객 경험, 노선 네트워크, 함대 현대화 및 운영 효율성에서 치열하게 경쟁하지만, 어제의 프리미엄 제공물이 빠르게 오늘날의 업계 표준이 되기 때문에 개선에 대한 지속적인 압력에 직면합니다. 공항은 완전히 다른 경제 모델 하에서 운영됩니다. 어떤 항공사가 궁극적으로 시장 점유율을 차지하든 상관없이 혜택을 보기 때문입니다. 모든 항공기는 여전히 착륙하고, 모든 승객은 여전히 터미널을 통과하며, 모든 항공사는 여전히 착륙료를 지불하고, 추가 항공편은 단순히 이미 존재하는 인프라의 활용도를 높입니다.
동일한 경제 논리가 점점 더 인공지능에 적용될 수 있습니다. OpenAI, Anthropic, Google DeepMind, xAI, Meta, DeepSeek 및 미래의 프론티어 연구소는 의심할 여지없이 세계에서 가장 똑똑한 모델을 구축하기 위해 계속해서 치열하게 경쟁할 것이며, 벤치마크 선두는 향후 10년 동안 여러 번 바뀔 것입니다. 그러나 모든 기업 추론은 여전히 누군가의 데이터 센터 내부에서 실행되고, 누군가의 GPU를 소비하며, 누군가의 네트워킹 인프라를 활용하고, 궁극적으로 누군가의 클라우드 플랫폼에 의존합니다. 항공사는 승객을 위해 치열하게 경쟁합니다. 공항은 어떤 항공사가 이기든 조용히 사용료를 징수합니다.
이러한 구분은 모델 경쟁이 심화됨에 따라 훨씬 더 강력해집니다. 오픈 가중치 모델은 계속해서 개선되고, 독점 모델은 일상적인 기업 워크로드 전반에서 점점 더 상호 교환 가능해지며, 고객이 절대적인 능력보다는 달러당 지능을 중심으로 최적화함에 따라 모델 계층에서 점진적으로 가격 압력이 나타납니다. 그러나 모든 토큰은 여전히 컴퓨팅을 소비하고, 모든 추론은 여전히 클라우드 인프라를 통과하며, 모든 기업 워크로드는 여전히 안전하고, 확장 가능하며, 전 세계적으로 분산된 컴퓨팅 리소스에 의존합니다. 토큰당 경제학은 모델 계층에서 압축될 수 있지만, 인프라 마진은 궁극적으로 계산을 수행하는 모델에 관계없이 추론을 제공하는 물리적 행위가 계속되기 때문에 놀라울 정도로 탄력적으로 유지됩니다.
우리의 관점에서, 이것은 현재 인공지능 내에서 일어나고 있는 가장 큰 경제적 가치 이동 중 하나를 나타냅니다. 가치 자체는 사라지지 않습니다. 단지 소유권이 변경될 뿐입니다. 주로 프론티어 모델을 구축하는 회사 내에 집중되기보다는, 그 가치의 증가하는 비율이 매일 수조 개의 AI 요청을 조정하는 플랫폼으로 이동합니다. 지능이 점점 더 풍부해지고 모델 능력이 계속 수렴함에 따라, 장기적인 승자는 반드시 가장 똑똑한 모델을 생산하는 사람이 아니라, 세계의 지능이 흐르는 인프라를 소유하는 사람일 수 있습니다. AI 혁명의 첫 번째 단계가 지능의 창작자에게 보상했다면, 두 번째 단계는 점점 더 그것을 유통하는 사람에게 보상할 수 있습니다. 그것이, 우리의 관점에서, 진정한 투자 기회가 나타나기 시작하는 곳입니다.
제3부: 오케스트레이션 계층
라우팅 계층을 소유한 회사가 궁극적으로 엔터프라이즈 AI를 소유할 수 있는 이유
AI 혁명의 첫 번째 단계가 가장 지능적인 모델을 구축하는 데 초점을 맞췄고, 두 번째 단계가 기존 인프라에서 더 많은 경제적 가치를 추출하는 데 집중되었다면, 세 번째 단계는 훨씬 덜 화려하지만 잠재적으로 훨씬 더 가치 있는 것, 즉 오케스트레이션을 중심으로 전개될 것이라고 생각합니다. 다시 말해, 점차적으로 질문은 '누가 가장 똑똑한 모델을 만드는가'에서 '각 개별 작업을 수행할 모델을 누가 결정하는가'로 옮겨갈 것입니다. 기업이 AI를 파일럿 규모가 아닌 프로덕션 규모로 배포하기 시작하면, 지능을 관리하는 것이 단순히 지능에 접근하는 것보다 훨씬 더 중요해지기 때문입니다.
오늘날 기업 AI를 둘러싼 가장 큰 오해 중 하나는 조직이 결국 모든 가능한 워크로드에 대해 단일 프론티어 모델로 표준화할 것이라는 가정입니다. 프론티어 역량이 의미 있게 차별화되는 동안에는 논리적으로 보일 수 있지만, 역사는 기업 기술이 거의 그런 방향으로 진화하지 않음을 시사합니다. 기업들은 단순히 벤치마크에서 가장 높은 순위를 차지한다는 이유만으로 하나의 데이터베이스, 하나의 프로그래밍 언어, 하나의 사이버 보안 제품, 또는 하나의 클라우드 서비스를 구매하지 않습니다. 대신, 그들은 비용, 안정성, 거버넌스, 성능 및 비즈니스 요구 사항에 최적화된 기술 스택을 구축하며, 각 워크로드의 경제성에 따라 다른 도구가 다른 기능을 수행합니다.
인공지능도 정확히 같은 방식으로 진화할 가능성이 높습니다. 기업 추론의 압도적 다수는 프론티어 지능을 필요로 하지 않습니다. 문서 분류, 계약서 정보 추출, 송장 처리, 고객 지원, 소프트웨어 테스트, 기업 검색, 회의 요약, 번역, 규정 준수 모니터링 및 수많은 일상적인 비즈니스 프로세스는 단순히 가능한 가장 낮은 비용으로 필요한 품질 기준을 일관되게 충족하는 모델만 있으면 됩니다. 더 복잡한 추론 작업, 전략 계획, 과학 연구, 고급 소프트웨어 엔지니어링 및 자율 에이전트 워크플로우는 계속해서 가장 유능한 프론티어 시스템에 의존할 수 있지만, 이는 전체 기업 토큰 소비에서 상대적으로 작은 부분을 차지합니다. 그 결과, 조직은 점점 더 워크로드를 동적으로 라우팅하여 더 간단한 작업은 더 작고 저렴한 모델에 할당하고, 추가 지능이 진정으로 증분 경제적 가치를 창출하는 가장 까다로운 요청만 프론티어 시스템으로 에스컬레이션합니다.
이러한 전환은 기업 가치가 위치하는 곳을 근본적으로 변화시킵니다. 라우팅이 지배적인 배포 모델이 되면, 개별 AI 모델은 점차 더 큰 오케스트레이션 플랫폼 뒤에 있는 상호 교환 가능한 구성 요소가 됩니다. 기업은 더 이상 지능을 직접 구매하지 않고, 특정 순간에 어떤 지능을 배포해야 하는지 결정할 수 있는 시스템을 구매합니다. 직원들에게 GPT, Claude, Gemini, Llama, DeepSeek, Qwen, GLM, Kimi 또는 미래 모델 중에서 선택하도록 요청하는 대신, 오케스트레이션 계층이 지연 시간, 비용, 정확성, 거버넌스 요구 사항, 보안 정책, 규제 제한, 고객 선호도 및 워크로드 복잡성에 따라 자동으로 해당 결정을 내립니다. 놀라운 결과는 모델 자체가 점차 배경으로 사라지고 오케스트레이션 플랫폼이 주요 고객 관계가 된다는 것입니다.
이는 다른 중요한 기술 전환을 강하게 연상시킵니다. 수년 동안 투자자들은 모든 애플리케이션이 궁극적으로 운영 체제에 의존하기 때문에 운영 체제가 기업 컴퓨팅의 경제적 중심이라고 믿었습니다. Linux는 운영 체제 자체를 점점 더 풍부하게 만들면서 가치를 클라우드 인프라, 엔터프라이즈 소프트웨어, 사이버 보안, 관리형 서비스 및 그 위에 구축된 상위 수준 애플리케이션으로 이동시킴으로써 그 가정을 근본적으로 바꾸었습니다. 운영 체제는 결코 사라지지 않았습니다. 단지 주변 생태계보다 경제적으로 덜 중요해졌을 뿐입니다.
저는 오픈 웨이트 AI 모델이 놀랍도록 유사한 결과를 초래할 잠재력이 있다고 믿습니다. DeepSeek, Qwen, Llama, GLM, Kimi, MiniMax 및 기타 여러 오픈 웨이트 모델은 소수의 투자자만이 충분히 인식하는 속도로 꾸준히 개선되고 있습니다. 중요하게도, 그들은 산업 경제를 재편하기 위해 모든 벤치마크에서 모든 독점 프론티어 모델을 능가할 필요가 없습니다. 그들은 단순히 기업 워크로드의 약 80%에 대해 충분히 유능해지기만 하면 됩니다. 그 임계값을 넘으면 구매 결정이 리더보드 순위보다는 주로 경제성에 의해 결정되기 때문입니다. 모델 자체는 점점 Linux를 닮아갑니다: 무료로 사용 가능하고, 매우 유능하며, 지속적으로 개선되고, 궁극적으로 경제적 지대 자체를 포착하기 때문이 아니라 그 주변에 완전히 새로운 생태계가 등장할 수 있도록 하기 때문에 가치가 있습니다.
이것이 제가 AI 산업이 자체적인 Linux 순간에 접근하고 있다고 점점 더 믿는 이유입니다. 오픈 웨이트 모델은 지능을 상품화합니다. 오케스트레이션은 그것을 수익화합니다. 그 구분은 산업의 경쟁적 해자가 어디에 있는지 근본적으로 변경하기 때문에 중요합니다.
오늘날, 많은 논의는 벤치마크 리더십, 파라미터 수, 추론 점수 및 과학적 평가에 초점을 맞추고 있습니다. 이러한 지표는 프론티어에서 의심할 여지없이 중요하지만, Fortune 500 조달 위원회 내에서는 훨씬 덜 중요합니다. 기업 CIO는 학술 리더보드에서 1위를 차지했기 때문에 기술을 거의 구매하지 않습니다. 그들은 기존 ID 시스템에 원활하게 통합되고, 거버넌스 요구 사항을 충족시키며, 규제 표준을 준수하고, 감사 추적을 제공하며, 보안 정책을 지원하고, 예측 가능한 서비스 수준 계약을 제공하며, 조달을 간소화하고, 운영 복잡성을 줄이며, 총 소유 비용을 최소화하기 때문에 기술을 구매합니다. 실제로, 기술이 성숙해지면 안정성은 거의 항상 이론적 우월성을 능가합니다.
이러한 구분은 투자자에게 매우 중요할 수 있습니다. 또 다른 벤치마크에서 승리하면 헤드라인이 생성됩니다. 조달 결정에서 승리하면 반복 수익이 발생합니다. 오케스트레이션 계층은 바로 그러한 조달 결정이 이루어지는 곳에 위치합니다.
Amazon의 Bedrock은 이러한 전환을 특히 잘 보여줍니다. 많은 투자자들이 Bedrock을 고객이 Claude 또는 기타 프론티어 모델에 액세스할 수 있는 마켓플레이스로 주로 보고 있지만, 이 플랫폼은 훨씬 더 중요한 것으로 진화했습니다. Bedrock은 점점 더 인공지능을 위한 엔터프라이즈 운영 체제로 기능하여 조직이 수많은 제공업체의 100개 이상의 모델 변형에 액세스할 수 있도록 하면서 비용, 지연 시간, 역량 및 거버넌스의 원하는 조합을 가장 잘 충족시키는 모델로 워크로드를 자동으로 라우팅합니다. Intelligent Prompt Routing, AgentCore, 메모리 관리, 관찰 가능성, 보안, ID 통합, 브라우저 자동화, 도구 호출 및 프로덕션 모니터링은 모두 Bedrock을 단순한 또 다른 API 엔드포인트 이상으로 변환합니다. 그것은 기업 AI 자체를 관리하는 의사 결정 계층이 됩니다.
Microsoft의 Azure AI Foundry는 거의 동일한 철학을 따릅니다. Foundry는 고객이 단일 프론티어 연구소에 전념하도록 요구하는 대신, 기업이 점점 더 다양한 AI 생태계를 오케스트레이션하면서 해당 워크플로우를 Azure의 기존 보안 아키텍처, 규정 준수 프레임워크, 개발자 도구 및 엔터프라이즈 소프트웨어 스택 내에 직접 포함시킬 수 있도록 합니다. Google Vertex AI는 비슷한 목표를 추구하지만, 당연히 Gemini에 더 중점을 둡니다. 개별 구현 전략에 관계없이, 세 하이퍼스케일러 모두 동일한 목적지, 즉 기업 AI 워크로드가 실행되는 인프라를 제공하는 것 이상으로 오케스트레이션되는 운영 체제가 되는 방향으로 수렴하고 있는 것으로 보입니다. 이러한 전환은 또한 제가 시장이 상당히 과소평가하고 있다고 믿는 전환 비용을 창출합니다.
오늘날, 투자자들은 종종 전환 비용이 주로 모델 계층에 존재한다고 논의하며, 기업이 OpenAI, Anthropic, Google 또는 다른 프론티어 연구소에 충성할 것인지 질문합니다. 저는 점점 그 반대가 궁극적으로 사실로 판명될 수 있다고 믿습니다. 일단 조직이 Azure AI Foundry, AWS Bedrock 또는 Google Vertex 내에서 검색 파이프라인, 미세 조정 모델, 평가 프레임워크, 메모리 아키텍처, 보안 정책, 규정 준수 제어, 관찰 가능성 대시보드, ID 통합 및 자율 에이전트 워크플로우를 구축하기 시작하면, 기본 모델을 변경하는 것은 비교적 간단해지는 반면 오케스트레이션 플랫폼 자체를 마이그레이션하는 것은 훨씬 더 어려워집니다. 모델은 점차 교체 가능해집니다. 오케스트레이션 계층은 기업 운영에 깊이 내장됩니다.
제 독자 중 한 명이 최근에 이 전환을 완벽하게 포착하는 관찰을 공유했는데, 시간이 지남에 따라 오케스트레이션 하네스가 모델 자체만큼 가치 있게 될 수 있다고 제안했습니다. 궁극적으로 조직 전체에 지능이 어떻게 배포되는지를 관리하기 때문입니다. 저는 그 통찰력이 현재 받는 것보다 훨씬 더 많은 관심을 받을 자격이 있다고 믿습니다. 경쟁적 해자는 점점 더 가장 똑똑한 모델을 보유하는 것에서 모든 모델에 액세스할 수 있는 워크플로우를 소유하는 쪽으로 이동하고 있습니다.
또 다른 함의가 이 프레임워크에서 자연스럽게 따릅니다. 많은 투자자들은 각 개별 추론이 더 적은 리소스를 소비하기 때문에 더 저렴한 모델이 필연적으로 컴퓨팅 수요를 감소시킨다고 가정합니다. 저는 그 반대가 훨씬 더 가능성이 높다고 믿습니다. 라우팅은 추론을 줄이지 않습니다. 그것은 확장합니다. 일단 조직이 오늘날 비용의 극히 일부로 일상적인 작업을 해결할 수 있다는 것을 깨닫게 되면, 그들은 AI 사용을 완전히 배급하는 것을 중단합니다. 에이전트는 간헐적으로가 아니라 지속적으로 작동하기 시작합니다. 모델은 자체 출력을 반복적으로 검증하고, 여러 추론 체인을 참조하고, 더 큰 컨텍스트 창을 검색하고, 경쟁 응답을 평가하고, 점점 더 정교한 자율 워크플로우를 실행합니다. 개별 토큰은 극적으로 저렴해지지만, 지능이 계속 확장되는 애플리케이션 범위에 대해 경제적으로 실행 가능해지기 때문에 총 토큰 소비는 가속화됩니다.
이것이 엔터프라이즈 소프트웨어를 통해 표현된 제번스 역설입니다. 효율성은 수요를 감소시키지 않습니다. 효율성은 완전히 새로운 수요를 창출합니다. 궁극적으로 추론을 수행하는 모델에 관계없이 모든 추가 워크플로우는 여전히 Microsoft의 Azure, Amazon의 AWS 또는 Google의 Cloud를 통과합니다. 모든 라우팅된 요청은 여전히 네트워킹 용량, 스토리지, GPU, 메모리, 보안 서비스, 로깅 인프라, 규정 준수 시스템, 모니터링 도구 및 오케스트레이션 소프트웨어를 소비합니다. 클라우드 플랫폼은 고객이 궁극적으로 GPT, Claude, Gemini, Llama, DeepSeek 또는 다른 오픈 웨이트 모델을 선택하는지 여부에 관계없이 가치를 포착합니다.
여러 면에서, 이것이 바로 제가 오케스트레이션 계층이 전체 AI 스택에서 가장 가치 있는 위치 중 하나가 될 수 있다고 믿는 이유입니다. 프론티어 연구소는 지능이 인류의 가장 어려운 문제를 해결하는 데 필수적으로 남아 있기 때문에 벤치마크 리더십을 위해 계속해서 치열하게 경쟁할 것입니다. 그러나 인공지능이 틈새 기술에서 글로벌 경제의 운영 체제로 확장됨에 따라, 기업은 점점 더 어떤 개별 모델이 답변을 생성했는지보다는 전체 시스템이 안전하고, 안정적이며, 규정을 준수하고, 비용 효율적이며, 기존 비즈니스 프로세스에 원활하게 통합되어 있는지 여부에 더 관심을 갖게 될 것입니다.
역사는 기술이 성숙해짐에 따라 가치가 발명 자체에서 광범위한 채택을 조정하는 인프라로 이동한다는 것을 반복적으로 보여줍니다. 인공지능도 정확히 같은 경로를 따를 가능성이 점점 더 높아 보입니다. 궁극적으로 기업 AI를 통제하는 회사는 가장 똑똑한 모델을 생산하는 회사가 아니라 매일 수십억 건의 결정을 조용히 오케스트레이션하면서 인공지능의 복잡성을 고객에게 거의 완전히 보이지 않게 만드는 회사일 수 있습니다. 우리의 견해로는, 이것이 업계에서 가장 넓고 가장 내구성 있는 경쟁적 해자 중 일부가 나타날 가능성이 있는 곳입니다.
파트 IV: 정부, 지정학, 그리고 새로운 AI 질서
규제가 하이퍼스케일러의 부상을 늦추기보다 오히려 가속화할 수 있는 이유
지금까지 이 논지는 거의 전적으로 경제학에 기반을 두고 구축되었습니다. 추론 비용 하락, 빠르게 개선되는 오픈 웨이트 모델, 기업 토큰 최적화, 그리고 인프라로의 경제적 가치 이동은 모두 동일한 결론, 즉 하이퍼스케일러가 미래 AI 생태계의 중심이 되고 있음을 가리킵니다. 그러나 동일한 결과를 조용히 강화하는 또 다른 힘이 있으며, 기술 발전과 달리 이 힘은 무어의 법칙이나 예측 가능한 엔지니어링 로드맵을 따를 가능성이 낮습니다. 그것은 지정학입니다.
인터넷 시대의 대부분 동안, 기술 회사들은 소프트웨어가 국경을 자유롭게 이동할 수 있어 한 국가에서 개발된 혁신이 거의 즉시 전 세계적으로 이용 가능해질 수 있다는 가정 하에 운영되었습니다. 인공지능은 프론티어 모델이 단순한 상업 제품이 아니라 사이버 보안, 정보 수집, 군사 응용, 과학 연구 및 중요 인프라로 확장되는 역량을 가진 전략적 국가 자산으로 점점 더 간주되기 때문에 근본적으로 다르다는 것이 입증되고 있습니다. 일단 정부가 AI를 순수한 상업적 경쟁이 아닌 국가 안보의 렌즈를 통해 보기 시작하면, 완전히 새로운 경제 역학이 나타나기 시작합니다.
미국의 최근 발전은 이러한 변화를 놀랍도록 잘 보여줍니다. 트럼프 행정부의 첨단 인공지능 혁신 및 안보 촉진 행정 명령은 특정 프론티어 모델, 특히 고급 사이버 역량이 관련된 경우 광범위한 상업적 출시 전에 정부 평가를 받을 수 있는 프레임워크를 수립합니다. 프레임워크가 필수 라이선스가 아닌 자발적인 상태로 남아 있지만, 이전에는 존재하지 않았던 무언가, 즉 가장 유능한 모델의 배포에 관한 프론티어 AI 연구소와 연방 정부 간의 구조화된 관계를 도입합니다.
그러한 발전은 오늘날에는 점진적으로 보일 수 있지만, 저는 그 장기적 함의가 시장이 현재 인식하는 것보다 훨씬 더 크다고 믿습니다. 더 이상의 논쟁은 단순히 누가 가장 똑똑한 모델을 만드는지에 관한 것이 아닙니다. 점점 더 누가 어떤 조건에서, 어떤 인프라를 통해 그 모델에 접근할 수 있는지에 관한 것입니다.
Anthropic 사건은 이러한 변화하는 환경을 보여줍니다. 올해 초, Anthropic의 가장 진보된 모델에 대한 액세스는 수출 통제 고려 사항의 대상이 되어 상업적 배포가 더 이상 기술적 준비 또는 고객 수요에 의해서만 결정되지 않고 점점 더 지정학적 고려 사항에 의해 결정되는 상황을 만들었습니다. 그러한 정책의 장점에 대한 개인의 견해와 관계없이, 더 넓은 방향은 명백해 보입니다. 프론티어 AI 모델은 고급 반도체 제조 장비, 암호화, 항공 우주 기술 및 특정 방어 능력이 수십 년 동안 그래왔던 것과 거의 같은 방식으로 점차 정부 감독의 대상이 되는 전략적 기술이 되고 있습니다.
이는 많은 기업이 아직 완전히 인식하지 못한 문제를 만듭니다. 다른 모델이 다른 관할권에서, 다른 시간에, 다른 규제 프레임워크 하에서 사용 가능해지면, 기업은 더 이상 단일 모델 제공업체를 중심으로 AI 전략을 구축할 수 없습니다. 수십 또는 수백 개국에서 운영되는 글로벌 기업은 규제 요구 사항, 데이터 주권 규칙, 수출 통제 및 모델 가용성이 관할권마다 상당히 다를 수 있기 때문에 유연성이 필요합니다. 다국적 은행, 제약 회사 또는 산업 제조업체는 하나의 프론티어 모델이 특정 지역 내에서 일시적으로 사용 불가능해진다고 해서 운영을 중단할 수 없습니다. 이러한 현실은 오케스트레이션의 가치를 극적으로 증가시킵니다. 오케스트레이션 계층은 더 이상 비용과 성능만을 위해 최적화하지 않습니다. 점점 더 규정 준수를 위해 최적화합니다.
유럽, 미국, 중동 및 아시아 전역에서 운영되는 기업은 궁극적으로 워크로드 복잡성뿐만 아니라 지리, 데이터 레지던시, 사이버 보안 요구 사항, 수출 제한, 고객 계약 및 현지 규정에 따라 다른 라우팅 결정이 필요할 수 있습니다. 갑자기 최적의 AI 모델을 선택하는 것은 벤치마크 성능을 훨씬 넘어서는 매우 복잡한 최적화 문제가 됩니다.
이것이 바로 하이퍼스케일러가 점점 더 복제하기 어려워지는 구조적 이점을 보유하는 지점입니다. Microsoft, Amazon 및 Google은 이미 세계에서 가장 큰 글로벌 분산 클라우드 인프라 중 일부를 운영하고 있으며, 사실상 모든 주요 관할권에서 ID 시스템, 암호화, 사이버 보안, 규정 준수, 주권 클라우드 배포, 규제 인증, 감사 요구 사항 및 정부 관계를 관리한 수십 년의 경험을 보유하고 있습니다. 그들은 클라우드 컴퓨팅이 인공지능이 도래하기 훨씬 전에 이러한 거버넌스 문제 중 많은 부분을 해결해야 했기 때문에 기업 CIO, 금융 규제 기관, 의료 서비스 제공업체, 방산업체 및 정부와 신뢰를 구축하는 데 수년을 보냈습니다.
여러 면에서, AI는 단순히 이러한 이점을 물려받습니다. 기업 고객은 더 이상 GPT가 추론 벤치마크에서 Claude 또는 Gemini보다 약간 더 나은 성능을 보이는지 여부만 묻지 않습니다. 기업은 점점 더 다른 일련의 질문을 합니다. 이 워크로드를 독일에서 합법적으로 실행할 수 있습니까? 고객 데이터를 일본 내에 유지할 수 있습니까? 이 모델이 금융 규제 기관을 만족시킬 수 있습니까? 한 제공업체가 일시적으로 사용 불가능해지면 어떻게 됩니까? 워크로드가 운영을 중단하지 않고 자동으로 재라우팅될 수 있습니까? 모든 추론을 몇 달 후에 감사할 수 있습니까? 규제 검토 중에 규정 준수를 입증할 수 있습니까? 이것들은 머신러닝 질문이 아닙니다. 그것들은 엔터프라이즈 인프라 질문입니다.
역사는 일관되게 엔터프라이즈 기술 시장이 기술적 우월성만큼이나 안정성에 보상한다는 것을 시사합니다. CIO는 벤치마크 순위만을 기준으로 인프라를 거의 구매하지 않습니다. 가동 중단, 규정 준수 실패 또는 보안 침해는 종종 기술 성능의 미미한 차이보다 조직에 훨씬 더 많은 비용을 초래하기 때문입니다. 인공지능도 다르게 행동할 가능성은 낮아 보입니다. 가장 똑똑한 모델이 헤드라인을 장식할 수 있지만, 가장 안정적인 플랫폼이 종종 조달 결정에서 승리합니다.
이러한 진화하는 지정학적 환경의 또 다른 결과는 모델 제공업체 자체가 점점 더 하이퍼스케일러에 의존하게 된다는 것입니다. 프론티어 개발이 더욱 계산 집약적으로 성장하고, 규제 조사가 증가하며, 글로벌 배포가 더욱 복잡해짐에 따라, 독립 연구소는 점점 더 인프라, 규정 준수, 사이버 보안, 주권 클라우드 기능, 엔터프라이즈 유통 및 글로벌 고객 관계를 제공할 수 있는 파트너가 필요합니다. 따라서 하이퍼스케일러는 단순한 인프라 제공자를 넘어섭니다. 그들은 점점 더 프론티어 모델이 기업 고객에게 도달하는 전략적 유통 파트너가 됩니다.
이는 흥미로운 비대칭성을 만듭니다. 모든 추가 모델은 오케스트레이션 플랫폼을 강화합니다. 모든 추가 프론티어 연구소는 다중 모델 라우팅을 더 가치 있게 만듭니다. 모든 추가 규제 프레임워크는 기업 배포의 복잡성을 증가시킵니다. 이러한 각각의 추세는 클라우드 플랫폼의 위치를 약화시키기보다는 강화합니다. 아이러니하게도, 모델 생태계가 더 경쟁적일수록 오케스트레이션 계층은 더 가치 있게 됩니다. 기업이 그 복잡성을 관리할 수 있는 중립적인 플랫폼을 필요로 하기 때문입니다. 이것은 궁극적으로 우리를 핵심 투자 질문으로 다시 데려옵니다.
지난 2년 동안, 투자자들은 이해할 수 있게도 어떤 회사가 가장 똑똑한 AI 모델을 보유하고 있는지 식별하는 데 집중해 왔습니다. 지능 자체가 업계의 주요 병목 현상을 나타냈기 때문입니다. 저는 그 병목 현상이 이동하기 시작했다고 점점 더 믿습니다. 지능은 독점 및 오픈 웨이트 모델 모두에서 빠르게 계속 개선되고, 추론 비용은 계속 붕괴되고 있으며, 기업 고객은 벤치마크 리더십 단독보다는 경제성, 거버넌스 및 배포에 점점 더 초점을 맞추고 있습니다.
기술의 역사를 통틀어, 투자자들은 발명 자체의 가치를 반복적으로 과대평가하고 광범위한 채택을 가능하게 하는 인프라의 가치를 과소평가해 왔습니다. 철도는 상업을 변화시켰지만, 화물 네트워크는 반복적인 경제적 지대를 포착했습니다. 인터넷은 통신을 변화시켰지만, 클라우드 컴퓨팅은 역사상 가장 위대한 사업 중 하나가 되었습니다. 스마트폰은 일상을 변화시켰지만, 운영 체제와 앱 스토어는 궁극적으로 수조 달러 규모의 유통 플랫폼이 되었습니다.
인공지능도 정확히 같은 패턴을 따를 수 있습니다. 시장은 누가 가장 똑똑한 모델을 만드는지 계속 논쟁하고 있습니다. 저는 점점 그것이 잘못된 질문이 되고 있다고 믿습니다. 더 중요한 질문은 매일 수조 개의 AI 결정이 궁극적으로 흐르게 될 인프라를 누가 소유하는가입니다. 지능은 점점 더 풍부해지고 있습니다. 추론은 점점 더 저렴해지고 있습니다. 모델은 기업 워크로드의 증가하는 비율에 걸쳐 점점 더 상호 교환 가능해지고 있습니다. 부족한 것은 글로벌 클라우드 인프라, 기업 신뢰, 오케스트레이션, 거버넌스, 보안, 규정 준수, 유통, 그리고 이러한 모든 기능을 조직이 글로벌 규모로 인공지능을 배포할 수 있는 원활한 플랫폼으로 통합하는 능력입니다. 역사는 부족한 자산이 장기적인 경제적 지대의 가장 큰 몫을 일관되게 포착한다는 것을 시사합니다.
그것이 우리의 확신이 지능 자체를 창조하는 회사를 넘어 AI 경제의 운영 체제를 구축하는 회사로 확장되는 이유입니다. 인공지능의 첫 번째 장은 지능을 발명하는 것이었습니다. 다음 장은 모든 기업, 모든 산업, 그리고 궁극적으로 글로벌 경제의 구석구석까지 효율적이고, 안전하며, 경제적으로 지능을 유통하는 것임이 입증될 수 있습니다. 우리의 견해로는, 이것이 다가오는 10년 동안 가장 큰 투자 기회 중 하나가 나타날 가능성이 있는 곳입니다.
결론: 다음 종목에 장기 투자: NVDA, TSMC, SK Hynix, Micron, Samsung Electronics, Microsoft, Alphabet, Amazon, Meta.
