클라우드 기억 저장소
[인터넷포탈] GPU를 사는 단계에서 돈을 버는 단계로 넘어가지만, 해외 수요 4.5GW가 아직 가장 큰 숙제임 본문
[인터넷포탈] GPU를 사는 단계에서 돈을 버는 단계로 넘어가지만, 해외 수요 4.5GW가 아직 가장 큰 숙제임
똘이장군초코 2026. 8. 31. 20:11https://finance.naver.com/research/industry_read.naver?nid=45865
📋 핵심 내용 요약
이 보고서의 핵심 논리는 국내 AI 데이터센터가 단순한 설비투자 테마를 넘어 정부 수요 → 대기업 자체 수요 → 기업용 GPU 임대 → 해외 컴퓨팅 수출로 수익원이 단계적으로 넓어지는 구간에 진입했다는 판단임 [팩트, p3]
초기 시장은 정부가 GPU를 구매해 가동률의 바닥을 만들고 삼성·SK·현대차·NAVER 같은 대기업의 캡티브 수요가 규모를 키우며, 이후 일반기업과 해외 고객이 수익성을 높이는 구조임 [팩트, p10]
[그림 7, p10]
- 한국 AI 데이터센터의 경쟁력은 전력이나 토지가 싸다는 데 있지 않고 반도체·제조업·플랫폼·통신·클라우드를 한 지역에서 연결할 수 있다는 산업 생태계에 있음 [팩트, p7]
[그림 4·5, p7]
- 보고서는 2030년 한국 내 AI 데이터센터 수요를 약 7GW로 추정하지만 국내 수요는 2.5GW에 불과하고 해외 컴퓨팅 수요 4.5GW가 나머지를 차지하므로, 투자 논리의 가장 중요한 전제는 결국 해외 고객 유치임 [팩트, p12]
[그림 8, p12]
- 사업모델별로 보면 GPUaaS(GPU as a Service, GPU를 시간이나 사용량 단위로 빌려주는 서비스)는 가동률 상승 시 이익 증가폭이 가장 크지만 GPU 감가상각 부담도 가장 크고, DBO(Design-Build-Operate, 설계·구축·운영)는 상승폭이 상대적으로 작아도 자본 부담이 낮음 [팩트, p16]
[그림 12, p16]
NAVER는 가장 큰 장기 상방을 갖고, NHN과 삼성SDS는 GPUaaS 실적이 더 빨리 확인될 가능성이 높으며, LG CNS는 GPU를 직접 사지 않고 데이터센터 구축·운영 수주를 받아 위험을 낮춘 구조임 [팩트, p18]
리포트의 가장 강한 근거는 삼성SDS B300 GPU 수요가 도입 직후 빠르게 늘어 3분기 풀가동이 예상된다는 점이며, 이는 국내에서도 최신 GPU에 실제 유료 수요가 존재한다는 초기 증거로 해석됨 [팩트, p23]
다만 7GW 전망 가운데 가장 큰 4.5GW가 아직 계약으로 확정된 수요가 아니라 APAC(Asia-Pacific, 아시아·태평양) 시장 규모와 이동 가능 비중, 한국 점유율을 조합한 추정치이므로 섹터 전체의 경제성이 완전히 입증됐다고 보기는 아직 어려움 [해석]
🚀 사건의 핵심은 무엇인가
이 보고서가 실제로 묻는 질문은 “한국에 데이터센터를 얼마나 짓는가”가 아니라 “누가 GPU를 계속 쓰고 누가 그 비용을 지불하는가”이며, 결국 투자 규모가 아니라 가동률과 고객 계약이 산업가치를 결정함 [팩트, p10]
AI DC(Artificial Intelligence Data Center, 인공지능 연산에 특화된 데이터센터)는 GPU를 많이 설치하는 것 자체로 돈을 버는 사업이 아니며, GPU를 지속적으로 돌릴 고객을 확보해야 감가상각을 이기고 이익을 남길 수 있음 [팩트, p16]
따라서 앞으로의 주가 핵심 지표도 CAPEX(Capital Expenditure, 설비투자액) 발표보다 앵커 테넌트 → 계약 MW → 가동률 → 매출 → 영업이익 순서로 이동하는 것이 합리적임 [해석]
글로벌 AI 인프라는 여전히 미국 중심이며 상반기 기준 세계 하이퍼스케일 데이터센터 상위 20개 시장 가운데 15개가 미국에 위치함 [팩트, p4]
[그림 1, p4]
- 다만 2030년까지 북미 시장 자체도 크게 성장하면서 북미 비중은 약 60%에서 54%로 낮아질 것으로 예상되므로 미국의 쇠퇴가 아니라 다른 지역의 더 빠른 성장이 핵심 변화임 [팩트, p4]
[그림 2·3, p4]
생성형 AI가 금융·국방·의료·제조업으로 확산되면서 데이터 위치와 규제를 무시하고 미국 GPU만 원격으로 쓰는 방식의 한계가 커지고 있음 [팩트, p5]
특히 민감한 데이터는 자국에서 처리해야 하는 경우가 많아지고 서비스 지연시간도 줄여야 하므로 AI 인프라는 데이터와 사용자가 있는 지역 가까이 이동하게 됨 [팩트, p5]
대형 모델의 학습은 수십만 개 GPU를 한곳에 모을수록 효율적이어서 집중형 구조가 유지되지만, 추론과 파인튜닝은 고객 가까이 분산될수록 유리해 “학습은 집중, 추론은 분산” 구조가 만들어짐 [팩트, p5]
여기에 미국 핵심 지역의 전력망 연결 지연과 인허가 부담까지 커지면서 신규 데이터센터 입지 선택에서 GPU 가격만큼 전력 확보 시점이 중요해지고 있음 [팩트, p5]
유럽은 이러한 변화를 가장 적극적으로 정책화해 AI Factory 19개를 구축하고 있으며 2026년 7월 최대 7개의 AI Gigafactory 구축 절차도 시작했음 [팩트, p6]
유럽 정책은 정부가 수요·금융·부지·전력을 지원하고 민간이 최신 GPU와 냉각·네트워크·운영기술을 제공하는 민관 혼합모델로 이동하고 있음 [팩트, p6]
[표 1, p6]
- 결국 AI 인프라는 클라우드 기업만의 사업이 아니라 정부의 산업안보와 민간의 상업성이 결합되는 전략 인프라로 성격이 바뀌고 있음 [해석]
🇰🇷 한국은 왜 기회를 얻는가
한국은 싱가포르처럼 금융·네트워크에서 압도적이거나 말레이시아처럼 토지·전력이 저렴한 국가는 아니지만 반도체와 제조업 수요를 동시에 갖춘 것이 차별점임 [팩트, p7]
특히 HBM(High Bandwidth Memory, 대규모 AI 연산에 쓰이는 고대역폭 메모리)·메모리 공급망과 자동차·로봇·반도체 제조업이 가까이 있어 피지컬 AI가 성장할수록 국내 연산 수요가 함께 증가할 수 있음 [팩트, p7]
정부는 2026년 2차 GPU 확보사업을 통해 NAVER Cloud·삼성SDS·엘리스그룹이 Vera Rubin 2,016개와 B300 7,688개 등 총 9,704개를 도입하도록 지원하고 있음 [팩트, p8]
[표 3, p8]
이 가운데 6,376개는 국가 AI 프로젝트와 산학연에 제공되고 3,328개는 선정 CSP(Cloud Service Provider, 클라우드 서비스 사업자)의 자체 AI·클라우드 사업에 활용되는 구조임 [팩트, p8]
정부가 GPU를 먼저 구매하므로 민간 사업자는 초기 고객이 전혀 없는 상태에서 수천억 원을 투자하는 위험을 줄일 수 있고 이는 가동률의 하단을 지지함 [해석]
2026년 4월 국민성장펀드는 NAVER 각 세종 증설과 GPU 도입에 4,000억원 규모 저리대출을 승인해 정부가 수요자뿐 아니라 금융자 역할까지 맡고 있음 [팩트, p9]
해남 국가AI컴퓨팅센터는 약 2.5조원을 투입해 2028년 GPU 1.5만개, 2030년 5만개 확보를 목표로 하며 삼성SDS 컨소시엄이 민관협력 방식으로 참여함 [팩트, p9]
[표 4, p9]
- 한국의 구조를 한 줄로 표현하면
정부가 수요·금융 지원 → 민간 CSP가 GPU·센터 구축 → 산학연·기업이 사용 → 민간이 운영 매출 확보로 연결됨 [팩트, p9]
[그림 6, p9]
- 이는 초기 인프라 투자를 정부가 일부 위험분담하고 실제 운영 효율은 민간기업이 책임지는 방식이므로 시장 형성 초기에는 합리적인 구조로 평가됨 [해석]
💰 누가 이 GPU를 실제로 쓰는가
보고서는 2030년 수요를 정부·공공, 대기업 캡티브, 일반기업 GPUaaS, 해외 컴퓨팅의 네 층으로 나누어 추정했음 [팩트, p10]
첫 번째 정부·공공 수요는 정책적으로 예산과 사용처가 만들어지므로 규모가 가장 크지 않더라도 초기 가동률의 바닥을 형성하는 역할을 함 [팩트, p10]
[그림 7, p10]
두 번째 대기업 캡티브 수요는 삼성·SK·현대차·NAVER가 자체 반도체·자율주행·검색·광고·로봇 등에 GPU를 사용하므로 외부 임대시장보다 장기적이고 반복적인 성격을 가짐 [팩트, p10]
NVIDIA가 제시한 국내 GPU 계획에서는 정부 약 5만장 외에 삼성·SK·현대차가 각각 5만장, NAVER가 약 6만장을 확보하는 구조가 제시돼 민간 물량이 약 21만장에 이름 [팩트, p10]
이 물량은 대부분 기업이 다시 외부에 빌려주기 위한 것이 아니라 AI를 기존 제조·플랫폼 사업에 내재화하기 위한 내부 수요라는 점이 중요함 [팩트, p10]
반도체 공정 최적화나 자율주행 학습처럼 AI가 본업에 깊게 들어가면 경기 변화만으로 쉽게 사라지지 않는 상시 컴퓨팅 수요가 만들어짐 [팩트, p11]
세 번째 일반기업 수요에서는 삼성SDS가 2026년 3월 국내 최초 B300 기반 GPUaaS를 출시한 뒤 잔여 가용물량이 빠르게 줄었다는 초기 확인 사례가 나왔음 [팩트, p11]
GPUaaS는 서버를 직접 사기 어려운 기업이 필요한 GPU를 전기나 렌터카처럼 사용한 만큼 비용을 내는 모델이어서 AI 도입 기업 수가 늘수록 잠재 고객도 늘어남 [해석]
보고서는 정부·공공 0.6GW, 대기업 1.4GW, 일반기업 0.5GW를 합쳐 2030년 국내 수요를 약 2.5GW로 추정함 [팩트, p12]
[그림 8, p12]
- 따라서 국내 기업 수요만 보면 7GW 투자계획 전체를 채울 수 없고 해외 고객 확보 여부가 데이터센터 증설 속도의 상한을 결정하게 됨 [해석]
🌏 결국 가장 큰 변수는 해외 수요임
AI 연산 가운데 금융·의료처럼 국가 안에서 처리해야 하는 데이터와 초저지연 추론을 제외하면 대규모 학습·파인튜닝·시뮬레이션·합성데이터 생성은 국경을 넘어 이동할 수 있음 [팩트, p13]
JLL은 APAC 데이터센터 용량이 2025년 32GW에서 2030년 57GW로 연평균 약 12% 증가할 것으로 전망함 [팩트, p13]
[그림 9, p13]
- 보고서는 2030년 APAC 57GW 가운데 AI 워크로드 비중을 50%로 두어 약 28.5GW의 AI 시장을 산출함 [팩트, p13]
[그림 10, p13]
다시 이 가운데 국가 간 이동 가능한 워크로드를 50%로 가정하면 한국 사업자가 경쟁할 수 있는 잠재 시장은 약 14-15GW가 됨 [팩트, p13]
여기에 한국 점유율 30%를 적용해 해외 유입 수요를 약 4.5GW로 계산했으며 이는 최종 7GW 추정치의 약 64%에 해당함 [팩트, p13]
가장 가시성이 높은 해외 고객군은 OpenAI 같은 글로벌 AI Lab이며 이들은 자체 데이터센터만으로 필요한 GPU를 모두 확보하기 어려워 외부 사업자와 장기 계약을 병행함 [팩트, p14]
[그림 11, p14]
일본은 데이터센터 건설비와 전력비가 높아 학습·시뮬레이션·배치 추론처럼 지연시간 민감도가 낮은 작업을 한국으로 옮길 수 있는 현실적인 고객군으로 제시됨 [팩트, p14]
싱가포르와 동남아 플랫폼도 전력·토지 제약 때문에 한국·일본·말레이시아 등 주변 허브의 컴퓨팅을 함께 사용할 수 있는 잠재 고객으로 평가됨 [팩트, p15]
OpenAI-SKT, OpenAI-삼성SDS, AWS-SK, NVIDIA-NAVER, Anthropic-삼성SDS 등 협력 사례가 이미 공개됐지만 상당수는 MOU(Memorandum of Understanding, 양해각서)나 전략적 제휴 단계이므로 실제 장기 MW 계약으로 전환되는지를 별도로 확인해야 함 [팩트, p15]
[표 5, p15]
🏗️ 데이터센터를 짓는 기업과 돈을 버는 기업은 다름
Full-stack형은 데이터센터 → 클라우드 → AI 모델·API(Application Programming Interface, 프로그램 연결 인터페이스) → 최종 서비스까지 한 GPU에서 여러 단계의 매출을 만들 수 있어 매출 상방이 가장 큼 [팩트, p17]
대신 Full-stack형은 GPU 세대교체와 데이터센터 투자비를 직접 부담하므로 높은 성장성과 높은 자본위험을 동시에 가진 구조임 [팩트, p17]
[그림 12, p16]
GPUaaS형은 GPU 투자비와 감가상각비가 사용 여부와 상관없이 발생하기 때문에 가동률이 일정 수준을 넘는 순간 이익이 빠르게 증가하는 영업레버리지 구조임 [팩트, p17]
이를 음식점에 비유하면 GPU는 임대료가 비싼 좌석과 같아 좌석이 비어 있어도 비용은 나가지만 한 번 자리가 꽉 차면 추가 고객 매출 대부분이 이익 개선으로 연결되는 구조임 [해석]
IDC(Internet Data Center, 서버 공간·전력·네트워크를 임대하는 데이터센터)형은 GPU보다 확보 전력 MW와 계약률, MW당 임대단가가 수익성을 결정함 [팩트, p17]
SI(System Integration, 시스템 구축)·MSP(Managed Service Provider, 클라우드 운영대행)·DBO형은 GPU를 직접 보유하지 않아 GPU 가격 하락이나 세대교체 위험은 낮지만 초과이익의 폭도 상대적으로 작음 [팩트, p17]
이 구조 때문에 “가장 많은 GPU를 가진 기업이 가장 좋은 투자대상”이라는 공식은 성립하지 않으며 고객·가동률·가격·서비스 부가매출을 함께 봐야 함 [해석]
위험 대비 구조만 보면 초기 산업에서는 안정적인 DBO와 이미 가동률을 입증한 GPUaaS가 대규모 미확정 수요를 전제로 한 순수 증설 모델보다 질이 높은 매출로 평가됨 [해석]
📈 기업별 투자 포인트
NAVER는 자체 AI·검색·광고·커머스 수요로 기본 가동률을 만들고 남는 GPU를 외부에 판매할 수 있어 국내 사업자 가운데 Full-stack 전략을 가장 강하게 구현할 수 있음 [팩트, p19]
NAVER의 AI 팩토리는 2027년 상반기 55MW에서 시작해 2027년 말 100MW, 2028년 200MW, 장기적으로 1GW 이상을 목표로 함 [팩트, p19]
[그림 13, p19]
NAVER는 초기 200MW를 신규 센터를 모두 직접 짓는 대신 외부 상면 임차로 빠르게 확보하고, 이후 수요가 확인되면 자체 데이터센터 비중을 높이는 방식으로 초기 실행위험을 낮춤 [팩트, p19]
보고서는 NAVER AI 팩토리 평균 가동률을 2027년 75%, 2028년 85%, 2029년 95%로 가정해 매출을 각각 약 1.0조원, 2.4조원, 3.6조원으로 추정함 [팩트, p20]
[표 7, p20]
NAVER 투자논리에서 가장 중요한 숫자는 1GW 자체가 아니라 누가 몇 MW를 몇 년 동안 얼마에 계약하는지이며, 이 계약이 확인돼야 1GW 가치평가에 신뢰를 줄 수 있음 [해석]
NHN은 약 38MW의 AI 인프라를 2027년 하반기 68MW로 확대할 계획이며 기존 38MW 가운데 약 22MW가 매출을 발생시키는 것으로 추정됨 [팩트, p21]
NHN의 신규 30MW는 정부 수요뿐 아니라 일반기업 GPUaaS와 해외 고객 비중을 높여 정부조달형 사업에서 상업형 사업으로 이동하는 시험대가 됨 [팩트, p21]
NHN은 일본 자회사 Techorus의 기존 기업 고객과 Anthropic 공식 리셀러 지위를 활용할 수 있어 초대형 한 건보다 일본 기업 고객을 다수 누적하는 방식이 현실적인 해외전략으로 제시됨 [팩트, p22]
삼성SDS는 약 110MW의 AI 인프라를 2029년 230MW, 2031년 800MW 이상으로 확대할 계획이며 직접투자뿐 아니라 지분투자와 DBO를 함께 활용함 [팩트, p23]
삼성SDS는 2026년 2분기 클라우드 매출 7,794억원, CSP 매출 3,281억원을 기록했고 B300 GPU도 3분기 풀가동이 예상돼 네 기업 중 실제 수요 검증이 가장 앞선 사례에 가까움 [팩트, p23]
LG CNS는 삼송 AI 데이터센터 중심으로 상반기 약 1조원 이상의 DBO 사업을 신규 수주했고 죽전에서는 NAVER Cloud와 대규모 코로케이션 계약을 확보했음 [팩트, p25]
LG CNS는 삼송 약 80MW, 죽전 약 100MW, 부산 AI Box 60MW 등에서 구축 매출 뒤 운영·클라우드·MSP 반복매출을 붙일 수 있어 AI 인프라 투자확대의 “삽과 곡괭이 판매자”에 가장 가까운 모델임 [팩트, p25]
💵 실적과 밸류에이션은 어떻게 봐야 하는가
- 리포트는 NAVER·NHN·삼성SDS·LG CNS 모두 Buy를 유지하면서 목표주가를 각각 30만원, 8만7천원, 30만원, 10만원으로 제시했음 [팩트, p18]
[표 6, p18]
NAVER의 2026년 예상 주가수익비율은 15.6배, 2027년은 13.4배이며 리포트는 AI DC 가치가 아직 목표주가에 충분히 구체화되지 않은 상태로 평가함 [팩트, p28]
NHN의 목표주가 8만7천원은 게임·결제·기술사업을 합산하는 SOTP(Sum of the Parts, 사업별 가치를 따로 계산해 합치는 방식)로 산출했으며 기술사업 가치를 약 1.35조원으로 평가함 [팩트, p33]
[표 13, p33]
삼성SDS는 2026년 예상 영업이익이 8,330억원으로 전년 대비 감소하지만 2027년에는 1조800억원으로 증가할 것으로 추정돼 GPUaaS와 AI 인프라 증설의 실적 전환 시점이 중요함 [팩트, p35]
LG CNS는 2026년 예상 매출 6.54조원과 영업이익 5,930억원, 2027년 매출 7.14조원과 영업이익 7,070억원을 추정해 비교적 완만하고 가시성 높은 성장경로를 제시함 [팩트, p38]
결국 NAVER는 가장 큰 옵션가치, NHN은 작은 시가총액 대비 AI 레버리지, 삼성SDS는 가장 빠른 수요 확인, LG CNS는 가장 낮은 직접 GPU 위험이라는 서로 다른 투자논리를 가짐 [해석]
⚠️ 리스크 & 기회
단기 1-3개월 기회는 확률 70%·영향도 높음으로 평가하며, 삼성SDS B300 풀가동이나 추가 GPUaaS 고객 공개가 이어지면 “수요가 없다”는 시장 우려가 빠르게 약해질 수 있으므로 분기 가동률과 신규 계약을 확인해야 함 [해석]
단기 1-3개월 기회는 확률 60%·영향도 높음으로 평가하며, NAVER·NHN·삼성SDS에서 글로벌 앵커 테넌트의 계약 MW와 계약기간이 공개되면 장기 AI DC 가치의 할인율이 낮아질 수 있으므로 공시와 실적발표를 확인해야 함 [해석]
단기 1-3개월 리스크는 확률 45%·영향도 높음으로 평가하며, MOU가 실제 장기계약으로 전환되지 않거나 고객 공개가 지연되면 증설계획이 다시 “CAPEX만 큰 이야기”로 평가될 수 있으므로 MOU보다 확정 계약을 확인해야 함 [해석]
단기 1-3개월 리스크는 확률 40%·영향도 보통으로 평가하며, 최신 GPU 임대가격이 예상보다 빠르게 하락하면 GPUaaS 사업자의 매출총이익률이 압박받을 수 있으므로 GPU 시간당 판매가격과 감가상각비를 확인해야 함 [해석]
중기 6-12개월 기회는 확률 65%·영향도 높음으로 평가하며, 2027년 신규 GPU와 데이터센터가 매출로 전환되면서 AI 인프라가 별도 사업가치를 인정받기 시작할 수 있으므로 AI 관련 매출과 영업이익을 별도로 확인해야 함 [해석]
중기 6-12개월 기회는 확률 55%·영향도 매우 높음으로 평가하며, 일본·미국 AI 기업이나 글로벌 CSP의 장기 수요가 실제 한국으로 유입되면 현재 내수 기반 투자논리가 컴퓨팅 수출산업 논리로 확장될 수 있으므로 해외 계약 MW를 확인해야 함 [해석]
중기 6-12개월 리스크는 확률 50%·영향도 매우 높음으로 평가하며, 보고서가 가정한 해외 4.5GW가 현실화되지 않으면 7GW 총수요 전망이 크게 낮아질 수 있으므로 APAC 이동 가능 워크로드의 실제 한국 점유율을 가장 중요하게 추적해야 함 [해석]
중기 6-12개월 리스크는 확률 35%·영향도 높음으로 평가하며, 전력망 연결 지연·전력비 상승·GPU 세대교체가 동시에 발생하면 대규모 직접투자 사업자의 투자수익률이 낮아질 수 있으므로 MW별 전력원가와 신규 GPU 교체주기를 확인해야 함 [해석]
🎯 투자 판단
리포트에서 가장 설득력 있는 부분은 정부가 초기 수요를 만들고 삼성SDS처럼 실제 상업수요가 확인되기 시작했다는 점이며, 이는 국내 AI 데이터센터가 완전히 허구적인 투자 테마는 아니라는 판단을 가능하게 함 [해석]
반대로 가장 약한 부분은 2030년 7GW 중 4.5GW를 차지하는 해외 수요가
APAC AI 28.5GW × 이동 가능 50% × 한국 점유율 약 30%라는 여러 가정을 연속해서 적용한 결과이므로 작은 가정 변화만으로도 시장 상방이 크게 달라진다는 점임 [해석]
🧵 한 줄 코멘트
- 국내 AI 데이터센터는 “주차장을 먼저 짓는 사업”에서 “누가 몇 년 동안 자리를 빌릴지 계약서를 확인하는 사업”으로 넘어가고 있으며, 이제부터는 GPU 숫자보다 유료 고객과 장기 가동률이 승자를 결정함 [해석]
✅ 나라면 지금 투자할 것인가
- 현재 단계에서는 섹터 전체에 신규 투자하지 않겠으며, 삼성SDS의 실제 GPU 가동률은 긍정적이지만 해외 4.5GW 수요와 주요 앵커 테넌트의 장기 계약이 아직 충분히 확정되지 않아 사용자가 요구한 “완벽한 확신” 기준에는 미달하고, 향후 확정 계약 MW·가동률·GPUaaS 마진이 실제 숫자로 동시에 검증될 때 판단을 다시 하겠음 [해석]
'돈 불리기 > 산업보고서' 카테고리의 다른 글
| [투자정보] 금리의 방향이 바뀌면 AI·반도체의 할인도 풀리며, 9월은 정책공조가 실적으로 번지는지를 확인하는 구간임 (0) | 2026.08.31 |
|---|---|
| [투자정보] AI는 아직 달리지만 주가는 이미 다른 게임을 시작했으며, 이제 반도체 독주보다 분산이 중요해지는 국면임 (1) | 2026.08.31 |
| [기타] 주주제안의 성패는 ‘강하게 요구하느냐’보다 ‘기업이 스스로 바꾸게 설계하느냐’에 달려 있음 (0) | 2026.08.31 |
| [경제분석] 물가는 끈적이고 경기는 생각보다 강해, 연준의 완화 기대를 서두르기 어려운 국면임 (0) | 2026.08.31 |
| [기타] 춤추는 로봇에서 일하는 로봇으로, 이제 투자 기준은 ‘양산·내구성·공급망’으로 이동함 (1) | 2026.08.31 |