클라우드 기억 저장소
[투자정보] 토큰은 싸지지만 컴퓨팅은 더 필요해지는 구조, 오픈웨이트가 AI 인프라의 수요 지도를 넓히는 국면임 본문
https://finance.naver.com/research/invest_read.naver?nid=40113
📋 핵심 내용 요약
이 보고서의 핵심은 오픈웨이트(Open-Weight, 학습된 가중치를 공개해 사용자가 직접 구동·변형할 수 있는 모델)가 프론티어 AI를 단순히 대체하는 것이 아니라 AI의 가격을 낮추고 사용처를 넓혀 전체 컴퓨팅 수요를 키운다는 주장임. [팩트, p5]
토큰 지출 인덱스가 하락하는 동안에도 오픈AI와 앤트로픽의 ARR(Annual Recurring Revenue, 연환산 반복매출) 및 전체 토큰 사용량이 함께 증가했기 때문에, 보고서는 이를 AI 수요 감소가 아닌 저가 모델로의 ‘증분 수요 분산’으로 해석함. [팩트, p7]
오픈웨이트 모델은 가격이 최대 80% 저렴해도 조 단위 파라미터와 긴 컨텍스트 윈도우(Context Window, 한 번에 참고할 수 있는 문맥 길이)를 처리해야 하므로 추론 단계의 GPU(Graphics Processing Unit, 그래픽처리장치)·메모리 부담이 쉽게 사라지지 않음. [팩트, p10]
따라서 토큰 가격 하락 → 사용량 급증 → 총 컴퓨팅 사용 증가라는 제본스의 역설(Jevons Paradox, 효율 개선이 오히려 총소비를 증가시키는 현상)이 AI에서도 나타날 수 있다는 것이 보고서의 첫 번째 수요 확대 논리임. [팩트, p12]
두 번째 수요 확대 논리는 공개된 가중치를 기업 데이터로 파인튜닝(Fine-Tuning, 특정 업무용 추가 학습)할 수 있기 때문에 범용 AI에서 효용을 느끼지 못한 기업도 자기 업무에 최적화된 AI를 만들 수 있다는 점임. [팩트, p13]
세 번째 수요 확대 논리는 데이터를 외부 클라우드로 보내지 않고 사내 서버에서 AI를 구동할 수 있어 데이터 주권과 보안이 중요한 기업의 온프레미스(On-Premise, 자체 서버 운영) 투자가 새롭게 열릴 수 있다는 점임. [팩트, p13]
동시에 저가 오픈웨이트 모델이 프론티어 모델의 토큰 가격을 압박하면 모델랩은 마진을 지키기 위해 토큰당 추론 원가를 낮춰야 하므로 H100·H200 같은 기존 GPU보다 블랙웰·루빈 같은 차세대 GPU를 사용할 경제적 유인이 커짐. [팩트, p15]
이 환경에서는 어떤 모델이 최종 승자가 되는지보다 수많은 커스텀 모델을 모두 처리할 수 있는 범용 GPU·CUDA(Compute Unified Device Architecture, 엔비디아 GPU 컴퓨팅 플랫폼)·통합 인프라를 보유한 엔비디아의 위치가 더 중요해짐. [팩트, p18]
보고서는 엔비디아를 오픈웨이트 생태계의 최대 수혜주, 델 테크놀로지스를 기업 온프레미스 AI 확산 수혜주, 네비우스를 모델 중립적인 네오클라우드(NeoCloud, GPU 전문 클라우드) 최선호주로 제시함. [팩트, p24]
다만 이 보고서의 투자 논리는 “AI 수요 증가”를 상당 부분 전제로 하고 있어 토큰 사용량 증가율, GPU 렌탈 가격, 데이터센터 계약 용량, 서버 백로그가 동시에 꺾이는지가 가장 중요한 반증 지표라고 판단함. [해석]
🚀 이 보고서가 진짜 묻는 질문은 무엇인가
이 보고서의 핵심 질문은 “AI 모델이 싸지고 효율적으로 변하면 GPU 투자가 줄어드는가”이며, 보고서는 오히려 가격 하락이 사용량과 신규 고객을 늘려 전체 인프라 수요를 확대할 수 있다고 답함. [해석]
여기서 오픈웨이트 모델은 모델 학습으로 결정된 파라미터 값인 가중치(Weight)를 공개해 사용자가 직접 내려받고 자신의 서버에서 실행할 수 있는 모델을 뜻함. [팩트, p3]
반대로 클로즈드(Closed) 모델은 가중치를 공개하지 않고 API(Application Programming Interface, 외부에서 모델을 호출하는 접속창)를 통해서만 이용하도록 하는 구조임. [팩트, p3]
프론티어(Frontier) 모델은 당대 최고 수준의 성능을 보유한 최선단 AI를 뜻하며 보고서는 오픈AI·앤트로픽 등을 대표적인 프론티어 모델랩으로 분류함. [팩트, p3]
결국 클로즈드 모델에서는 사용자가 모델랩의 서버를 빌려 쓰지만 오픈웨이트에서는 모델을 가져와 자신의 서버나 제3자 인프라에서 직접 돌릴 수 있다는 차이가 핵심임. [팩트, p25]
이 때문에 오픈웨이트가 확산되면 모델 사용량은 크게 늘어도 그 사용량 전부가 오픈AI나 앤트로픽 같은 모델랩의 매출로 나타나지는 않음. [팩트, p8]
따라서 AI 수요를 모델랩 매출만으로 판단하면 실제 산업 전체의 컴퓨팅 수요를 과소평가할 가능성이 커지는 구조임. [해석]
보고서가 오픈웨이트를 중요하게 보는 이유도 모델 경쟁 자체보다 컴퓨팅 수요의 측정 위치가 모델 계층에서 인프라 계층으로 이동하기 때문임. [해석]
쉽게 말하면 과거에는 “택시회사 매출”만 보면 이동 수요를 알 수 있었지만 앞으로는 자가용·렌터카까지 늘어나므로 도로 전체 통행량을 봐야 하는 상황과 비슷함. [해석]
따라서 이 보고서는 AI 모델 회사의 승패보다 GPU·서버·데이터센터·추론 서비스까지 포함한 인프라 전체의 수요 변화를 투자 핵심으로 설정함. [해석]
📊 토큰 가격은 내려가는데 AI 수요는 왜 줄지 않는가
토큰 지출 인덱스는 2026년 5월 말 고점 이후 지속적으로 하락했으며 보고서는 기업의 비용 부담 때문에 저가 오픈웨이트 모델로 수요가 이동한 결과라고 판단함. [팩트, p6]
Vercel AI에서 오픈웨이트 모델 토큰 점유율은 2026년 6월 말 30%에서 8월 말 62.5%까지 상승해 두 달 사이 두 배 이상 확대됐음. [팩트, p6]
[그림: 토큰 지출 인덱스 추이·모델 생태계별 토큰 점유율 추이, p6]
이 숫자만 보면 비싼 프론티어 모델에서 싼 오픈웨이트로 고객이 이동해 AI 산업의 매출 성장이 둔화되는 것처럼 보일 수 있음. [해석]
그러나 같은 기간 앤트로픽의 2026년 7월 ARR은 약 650억달러였으며 시장 기대치를 소폭 밑돌았어도 전년 동월 대비 10배 이상의 성장세를 유지했음. [팩트, p7]
보고서는 앤트로픽의 기대치 하회를 7월 출시된 오픈AI GPT-5.6의 호조와 연결했으며 오픈AI ARR의 재가속을 근거로 제시함. [팩트, p7]
오픈AI와 앤트로픽의 합산 ARR은 2026년 7월 기준 1,000억달러를 넘어 전년 대비 5배 이상 증가했음. [팩트, p7]
동시에 OpenRouter에서 집계되는 주요 프론티어 모델의 토큰 사용량도 빠르게 증가했음. [팩트, p7]
[그림: 앤트로픽·오픈AI ARR 및 주요 프론티어 모델 토큰 사용량 추이, p7]
따라서 “토큰 한 개를 처리하는 가격이 내려감”과 “AI를 덜 사용함”은 서로 다른 현상으로 구분해야 함. [해석]
보고서는 현재 상황을 기존 프론티어 수요가 사라지는 것이 아니라 새롭게 발생하는 사용량이 더 싼 모델까지 퍼져나가는 ‘증분 수요 분산’으로 정의함. [팩트, p7]
이 해석이 맞다면 앤트로픽 ARR 성장률이 낮아진다는 사실만으로 GPU 수요 사이클이 끝났다고 판단해서는 안 됨. [해석]
보고서는 향후 AI 수요를 확인할 지표로 전체 플랫폼의 토큰 사용량을 첫 번째로 제시함. [팩트, p8]
두 번째 지표는 클라우드와 서버 업체의 백로그(Backlog, 이미 수주했지만 아직 매출로 인식하지 않은 주문잔고)와 AI 수주액임. [팩트, p8]
세 번째 지표는 GPU 렌탈 가격이며 가격이 유지되거나 상승한다면 실제 컴퓨팅 공급이 수요를 충분히 따라가지 못한다는 신호로 볼 수 있음. [팩트, p8]
네 번째 지표는 데이터센터 계약 용량으로 이는 앞으로 실제 전력과 GPU가 필요한 규모를 확인하는 선행 지표로 제시됨. [팩트, p8]
보고서 p9에서 하이퍼스케일러 RPO(Remaining Performance Obligations, 앞으로 매출로 인식될 계약잔액), 델·HPE AI 백로그, H100·B200 렌탈가가 모두 높은 수준을 보인다는 점은 토큰 지출 감소가 아직 인프라 수요 감소로 이어지지 않았음을 뒷받침함. [팩트, p9]
[그림: 하이퍼스케일러·코어위브 RPO, 델·HPE AI 백로그, H100·B200 렌탈가, p9]
🧠 싼 모델이라고 싼 서버에서 돌아가는 것은 아님
오픈웨이트 모델은 프론티어 모델과 비슷한 지능 수준에 접근하면서 태스크당 비용을 최대 80% 낮춰 AI 인프라 과잉 투자 우려를 다시 불러왔음. [팩트, p10]
그러나 보고서는 모델의 학습 비용과 실제 서비스를 제공할 때 필요한 추론(Inference, 학습된 모델이 답변을 생성하는 과정) 비용을 명확히 구분함. [팩트, p10]
학습 효율을 높여 모델을 싸게 만들었다고 해도 추론 단계에서는 모델의 전체 가중치를 메모리에 올리고 토큰을 계속 생성해야 함. [팩트, p10]
MoonShot의 Kimi K3는 2.8조개의 파라미터를 가지고 있어 MXFP4 형식으로 가중치를 저장하는 데만 약 1.5TB의 가속기 메모리를 필요로 함. [팩트, p10]
Kimi K3는 100만 토큰 규모의 컨텍스트 윈도우도 지원해 HBM(High Bandwidth Memory, GPU 옆에서 데이터를 빠르게 공급하는 고대역폭 메모리)뿐 아니라 DRAM과 NAND까지 추가 메모리 계층이 필요함. [팩트, p10]
MoonShot은 Kimi K3 구동에 64개 이상의 가속기로 구성된 SuperNode 사용을 권고했음. [팩트, p10]
Qwen3.8과 DeepSeek V4 역시 조 단위 파라미터를 보유해 비슷한 수준의 추론 인프라 부담을 가질 것으로 보고서는 판단함. [팩트, p10]
[그림: 주요 AI 모델 지능 인덱스와 태스크당 토큰 비용, p10]
즉 모델을 만드는 방법이 효율적으로 변하는 것과 실제 사용자 수백만 명에게 답변을 제공하는 서버 비용이 사라지는 것은 별개의 문제임. [해석]
AI 모델랩의 단순화된 손익 구조는 ‘토큰 판매가격 - 토큰을 처리하는 추론 인프라 비용’으로 이해할 수 있음. [팩트, p11]
따라서 토큰 가격만 낮추고 처리 원가를 충분히 줄이지 못하면 고객과 사용량이 늘수록 오히려 이익률이 낮아질 수 있음. [해석]
MoonShot이 Kimi K3 공개 직후 신규 구독을 일시적으로 중단한 사례는 낮은 가격에서 수요가 급증할 경우 컴퓨팅 공급 부담이 발생할 수 있음을 보여줌. [팩트, p11]
DeepSeek는 V4 피크타임 토큰 가격을 최대 4배 이상 인상해 낮은 토큰 가격을 무한정 유지하기 어렵다는 현실을 보여줌. [팩트, p11]
[그림: 가상의 AI 모델랩 손익계산서·DeepSeek 피크타임 가격 인상, p11]
따라서 오픈웨이트가 저렴하다는 것은 사용자가 모델 지식재산권에 지불하는 가격이 낮다는 의미이지 GPU·메모리·전력까지 저렴하다는 의미는 아님. [해석]
Appendix에서도 무료로 가중치를 받아도 가속기·메모리·전력·운영인력은 사용자가 부담하며 클로즈드 모델에서 모델랩이 부담하던 인프라 비용이 사용자 쪽으로 이동하는 구조라고 설명함. [팩트, p25]
이 때문에 오픈웨이트가 확산될수록 인프라 수요가 사라지는 것이 아니라 모델랩에서 기업·네오클라우드·온프레미스로 구매 주체가 분산될 가능성이 높음. [해석]
🔄 제본스의 역설이 AI에서도 작동하는지가 가장 중요한 변수임
OpenRouter에서는 오픈웨이트 모델 확산과 프론티어 모델 가격 인하가 겹친 이후 전체 토큰 사용량이 다시 빠르게 증가했음. [팩트, p12]
프론티어 모델과 오픈웨이트 모델의 사용량이 동시에 증가했다는 사실은 현재까지 적어도 한쪽이 다른 쪽을 완전히 대체하는 구조는 아니라는 근거임. [팩트, p12]
[그림: OpenRouter 프론티어·오픈웨이트 모델 토큰 사용량 추이, p12]
보고서는 이를 가격이 내려갈수록 이전에는 경제성이 맞지 않던 AI 업무까지 자동화되기 시작하는 제본스의 역설로 설명함. [팩트, p12]
예를 들어 AI 호출 비용이 비쌀 때는 사람이 처리하던 단순 분류·검수·문서 요약도 호출 비용이 충분히 낮아지면 AI에게 맡기는 편이 경제적으로 바뀔 수 있음. [해석]
따라서 토큰 단가가 절반으로 내려가더라도 사용량이 세 배가 되면 총 컴퓨팅 소비는 오히려 증가하는 구조가 성립함. [해석]
보고서의 투자 논리가 맞으려면 앞으로도 가격 하락률보다 토큰 사용량 증가율이 충분히 높아야 함. [해석]
이 관계가 깨져 가격만 빠르게 떨어지고 사용량 증가가 둔화된다면 AI 인프라 투자 논리의 핵심 전제가 약해짐. [해석]
🏢 기업 AI는 클라우드 밖에서도 커질 수 있음
오픈웨이트의 두 번째 장점은 가중치를 직접 수정할 수 있어 기업이 자신의 데이터와 업무에 맞춰 모델을 파인튜닝하거나 강화학습할 수 있다는 점임. [팩트, p13]
이는 범용 챗봇에서는 생산성 향상을 체감하지 못한 기업도 회계·법률·제조·고객지원 등 특정 업무에 맞춘 전용 AI를 만들 수 있음을 의미함. [해석]
커스터마이징 과정에는 기업 내부 데이터가 사용되기 때문에 데이터가 외부 클라우드로 이동하는지가 중요한 도입 조건이 됨. [팩트, p13]
클로즈드 모델은 API 호출 과정에서 데이터를 외부 인프라로 전송해야 할 수 있지만 오픈웨이트는 가중치를 사내로 가져와 자체 인프라에서 실행할 수 있음. [팩트, p13]
델은 전 세계 데이터의 83%가 온프레미스에 존재한다고 언급하며 데이터를 클라우드로 옮기는 것보다 연산 장비를 데이터가 있는 곳으로 가져가는 편이 경제적일 수 있다고 설명함. [팩트, p13]
따라서 오픈웨이트는 기존 하이퍼스케일러 CAPEX(Capital Expenditure, 설비투자)에 잡히지 않았던 기업 내부 서버 투자라는 별도의 AI 인프라 채널을 만들 수 있음. [해석]
델 AI Factory 고객사는 2025년 3월 약 2,000개에서 2026년 9월 약 6,500개로 18개월 만에 3배 이상 증가했음. [팩트, p13]
첫 3,200개 고객 확보에 8개 분기가 필요했던 반면 다음 3,300개 고객은 3개 분기 만에 추가됐고 델은 이 가속의 주체가 엔터프라이즈라고 설명함. [팩트, p13]
[그림: 델 AI 주문·AI Factory 고객사 추이, p13]
기업 내부 AI 구축에는 컨테이너 구성·병렬화·양자화 같은 전문 기술이 필요해 그동안 오픈웨이트의 실제 도입 장벽이 높았음. [팩트, p14]
델은 AI Factory 안에서 허깅페이스와 공동 운영하는 Enterprise Hub를 통해 DeepSeek·Kimi·GLM 등을 최적화된 배포 패키지로 제공함. [팩트, p14]
최신 모델 공개 후 수시간 안에 검증된 컨테이너가 준비되는 구조이므로 자체 AI 엔지니어가 부족한 기업도 오픈웨이트를 비교적 쉽게 설치할 수 있음. [팩트, p14]
[그림: Dell AI Factory 구조, p14]
결국 가격 하락은 사용량을 늘리고 커스터마이징은 새로운 업무를 만들며 온프레미스는 새로운 인프라 구매자를 만든다는 세 단계가 서로 연결됨. [해석]
이 세 경로가 동시에 작동한다면 오픈웨이트는 기존 AI 시장의 파이를 나누는 기술보다 전체 AI 시장의 파이를 키우는 기술에 가까워짐. [해석]
⚙️ 싸지는 토큰이 차세대 GPU 교체를 촉진하는 역설임
오픈웨이트 점유율 상승은 프론티어 모델랩이 높은 토큰 가격을 계속 유지하기 어렵게 만들어 가격 경쟁을 심화함. [팩트, p15]
보고서는 오픈AI가 GPT-5.6 Luna의 토큰 가격을 최대 80% 인하한 것을 이러한 경쟁 압력을 반영한 사례로 제시함. [팩트, p15]
판매 가격을 낮춘 상태에서 마진을 지키려면 같은 시간과 비용으로 더 많은 토큰을 생성해 토큰당 추론 원가를 낮춰야 함. [해석]
H100·H200 같은 레거시 GPU보다 동일한 비용 또는 전력 대비 더 높은 토큰 처리량을 제공하는 블랙웰·루빈으로 이동할 유인이 그래서 커짐. [팩트, p15]
보고서가 제시한 GB200 NVL72와 Vera Rubin NVL72 비교에서도 루빈 플랫폼이 토큰 처리량을 크게 개선하는 방향으로 제시됨. [팩트, p15]
[그림: GB200 NVL72·Vera Rubin NVL72 토큰 처리량 비교, p15]
즉 소프트웨어 가격의 디플레이션이 하드웨어 구매 감소로 이어지는 것이 아니라 더 효율적인 고가 하드웨어로의 교체를 촉진할 수 있음. [해석]
이런 구조에서는 학습용 GPU 수요뿐 아니라 지속적으로 반복되는 추론용 GPU 교체 사이클이 중요해짐. [해석]
따라서 오픈웨이트가 프론티어 모델과 경쟁할수록 오히려 양 진영 모두에서 효율적인 추론 인프라를 확보하려는 경쟁이 강해질 수 있음. [해석]
🌐 폐쇄형과 개방형으로 AI 인프라 진영이 갈리는 구조임
오픈웨이트 생태계에서는 고객마다 모델을 수정하기 때문에 수많은 커스텀 모델을 동시에 처리할 수 있는 ‘모델 중립성’이 인프라 사업자의 중요한 경쟁력이 됨. [팩트, p16]
구글·마이크로소프트·메타 등 하이퍼스케일러는 자체 모델이나 특정 프론티어 모델과 이해관계가 있어 오픈웨이트와 완전히 중립적인 관계를 맺기 어렵다고 보고서는 판단함. [팩트, p16]
[표: 하이퍼스케일러의 자체 모델, p16]
이에 따라 보고서는 프론티어 모델과 하이퍼스케일러가 결합한 폐쇄형 축과 오픈웨이트·엔비디아·네오클라우드가 결합한 개방형 축으로 시장이 분화된다고 봄. [팩트, p16]
수많은 모델 중 어떤 모델이 승리할지 예측하기 어려울수록 어떤 모델도 처리할 수 있는 인프라를 판매하는 사업자의 가치가 상대적으로 높아짐. [해석]
💰 엔비디아가 개방형 생태계의 가장 강한 ‘삽과 곡괭이’인 이유임
엔비디아는 Nemotron 같은 자체 오픈웨이트 모델을 공개하며 개방형 생태계 구축에 직접 개입하고 있음. [팩트, p17]
보고서는 엔비디아가 Poolside AI의 Model Factory 소프트웨어 라이선스에 60억달러를 지불하고 10억달러를 추가 투자했다고 제시함. [팩트, p17]
완성 모델이 아니라 모델 개발 플랫폼에 투자했다는 점은 엔비디아가 특정 모델 한 개의 성공보다 오픈웨이트 개발 생태계 전체를 확대하려는 전략으로 해석할 수 있음. [해석]
[그림: Poolside AI Model Factory, p17]
주요 오픈웨이트 모델 대부분은 CUDA 기반으로 학습돼 학습과 추론 과정에서 엔비디아 소프트웨어 라이브러리에 높은 의존성을 가지고 있음. [팩트, p18]
Kimi K3·Qwen3.8·DeepSeek V4는 CUDA 의존도가 높고 GLM-5.3도 중간 수준의 CUDA 의존도를 가진 것으로 보고서는 정리함. [팩트, p18]
[표: 주요 오픈웨이트 모델의 CUDA 의존 구조, p18]
모델이 기업마다 다르게 파인튜닝될수록 특정 모델 하나에 최적화된 ASIC(Application-Specific Integrated Circuit, 특정 작업 전용 반도체)보다 다양한 작업을 처리하는 GPU의 범용성이 강점이 됨. [팩트, p18]
엔비디아는 GPU뿐 아니라 CPU(Central Processing Unit), NVLink, Spectrum-X 네트워크, BlueField DPU(Data Processing Unit) 등을 묶어 완성형 AI 시스템을 공급할 수 있음. [팩트, p19]
자체 인프라 설계 능력이 부족한 기업·국가 프로젝트에서는 부품을 하나씩 조립하기보다 즉시 사용할 수 있는 턴키(Turnkey, 설치 후 바로 가동 가능한 완성형) 시스템을 선호할 가능성이 높음. [해석]
[표: 엔비디아 Vera Rubin 플랫폼 구성·Vera Rubin Pod, p19]
엔비디아의 2분기 ACIE 매출은 403억달러로 전년 대비 134% 증가해 하이퍼스케일 매출 성장률 104%를 웃돌았음. [팩트, p20]
ACIE는 네오클라우드·소버린 AI·엔터프라이즈 등 전통적인 초대형 클라우드 외 고객을 묶는 범주이므로 엔비디아 고객 기반 자체가 넓어지고 있음을 보여줌. [팩트, p20]
[그림: 엔비디아 전방 산업별 매출과 데이터센터 성장률, p20]
- 보고서 p35는 한국 10GW 이상, 사우디아라비아 6.6GW 등 글로벌 소버린 AI 프로젝트가 수십GW 규모로 확대되고 있다고 제시함. [팩트, p35]
[표: 주요 소버린 AI 프로젝트, p35]
- 같은 페이지에서 엔비디아의 12개월 선행 PER(Price Earnings Ratio, 예상 이익 대비 주가 수준)은 약 18배로 제시돼 보고서는 주가 상승에도 밸류에이션이 매력적이라고 평가함. [팩트, p35]
[그림: 엔비디아 12개월 선행 PER 밴드, p35]
🏢 델은 기업 내부 AI의 ‘출입구’를 잡는 구조임
델의 강점은 오픈웨이트 모델을 기업 내부에 실제로 설치할 수 있도록 서버·스토리지·소프트웨어를 묶어 제공한다는 점임. [팩트, p24]
보고서의 기업분석에서 델 2분기 매출은 470억달러로 전년 대비 58% 증가했고 AI 서버 매출은 164억달러로 전년 대비 100% 증가했음. [팩트, p37]
같은 기간 AI 서버 주문은 609억달러로 전분기 대비 150% 증가했고 분기말 AI 서버 백로그는 950억달러로 전년 대비 7배 이상 확대됐음. [팩트, p37]
범용 서버 매출도 105억달러로 전년 대비 122% 증가했고 KV 캐시(Key-Value Cache, 과거 문맥을 저장해 추론을 빠르게 하는 메모리 데이터) 증가가 스토리지 수요까지 자극하고 있음. [팩트, p37]
따라서 델의 투자 포인트는 단순 AI 서버 판매가 아니라 AI 서버 → 범용 서버 → 스토리지 → 온프레미스 소프트웨어로 고객당 판매 범위를 확대할 수 있다는 데 있음. [해석]
보고서는 델의 12개월 선행 PER을 18.6배로 제시하며 동종 업체 대비 프리미엄에도 매수 관점 접근이 가능하다고 평가함. [팩트, p42]
[그림: 델 12개월 선행 PER 밴드, p42]
☁️ 네오클라우드는 ‘모델 중립성’을 돈으로 바꾸는 사업임
네오클라우드는 특정 자체 모델을 갖지 않고 엔비디아 GPU 중심 클러스터를 운영하기 때문에 다양한 CUDA 기반 오픈웨이트 모델을 상대적으로 자유롭게 수용할 수 있음. [팩트, p21]
보고서의 B200 온디맨드 렌탈 가격 비교에서는 코어위브와 네비우스가 주요 하이퍼스케일러보다 낮은 가격을 제시해 저가 오픈웨이트 모델과 비용 구조상 궁합이 좋다고 평가함. [팩트, p21]
[그림: 하이퍼스케일러·네오클라우드 B200 온디맨드 렌탈가 비교, p21]
네비우스의 Token Factory는 2025년 11월 출시돼 Kimi·DeepSeek·GLM·Qwen·Nemotron 등 40개 이상의 모델과 고객 자체 커스텀 모델을 지원함. [팩트, p45]
Token Factory는 단순 GPU 임대가 아니라 추론·사후학습(Post-Training, 학습 완료 후 특정 목적에 맞게 모델을 조정하는 과정)·권한 관리를 통합해 네비우스가 GPU 시간당 과금에서 토큰 사용량 기반 고부가가치 사업으로 이동하도록 함. [팩트, p45]
[그림/표: 네비우스 Token Factory 및 지원 모델·토큰 가격, p45]
네비우스는 2분기 그룹 매출 5.82억달러, AI Cloud 매출 5.75억달러를 기록했고 ARR은 30억달러, RPO는 400억달러, EBITDA(Earnings Before Interest, Taxes, Depreciation and Amortization, 이자·세금·감가상각 전 이익) 마진은 41%를 기록함. [팩트, p46]
2분기 체결 계약의 약 70%에 선수금 조건이 포함됐고 2026년 선수금 90억달러가 예상돼 대규모 CAPEX를 고객 자금으로 일부 충당한다는 점이 네비우스의 중요한 재무 차별점임. [팩트, p46]
네비우스의 MW당 ACV(Annual Contract Value, 연간 계약가치)는 5년 계약 약 1,200만달러에서 1-3년 약 2,250만달러, 3-6개월 약 4,500만달러로 계약이 짧을수록 높아지는 구조임. [팩트, p47]
[그림: 네비우스 기간별 ACV·CAPEX·EBITDA 마진, p47]
코어위브는 2분기 매출 25.8억달러, RPO 1,042억달러를 기록하고 Managed Inference ARR이 출시 수개월 만에 1억달러를 넘어서는 강한 성장성을 보였지만 높은 이자비용과 대형 고객 의존도가 위험 요인으로 지적됨. [팩트, p52]
코어위브는 FY2026E에도 순손실 22.27억달러가 예상되고 금리 악화나 GPU 렌탈가 하락 시 수익성 훼손 속도가 빠를 수 있어 보고서는 네오클라우드 내에서 네비우스를 코어위브보다 선호함. [팩트, p52]
종합하면 이 보고서의 논리는 “모델 가격 하락 → 사용량 증가 → 기업·국가·네오클라우드로 수요 주체 확산 → 차세대 추론 인프라 교체”가 모두 이어질 때 가장 강해지며, 현재 보고서만으로는 이 연쇄가 장기간 깨지지 않을 것이라고 완벽히 확신할 근거까지는 부족하므로 요청한 엄격한 기준에서는 섹터 전체의 투자 여부 판단을 유보함. [해석]
📌 가치가 어디로 이동하는지의 관계도
오픈웨이트 무료·저가 배포 → 모델 채택 증가 → 토큰 사용량 증가 → GPU·메모리·전력 사용 증가 → AI 인프라 수요 확대 구조임.
기업별 커스터마이징 → 사내 데이터 활용 → 외부 클라우드 회피 → 온프레미스 구축 → 델 서버·스토리지 수요 확대 구조임.
오픈웨이트 가격 경쟁 → 프론티어 모델 토큰 가격 인하 → 마진 압박 → 토큰당 원가 절감 필요 → 블랙웰·루빈 교체 가속 → 엔비디아 수혜 구조임.
모델 종류 증가 → 인프라 중립성 중요 → CUDA 기반 범용 GPU 수요 → 네오클라우드 확장 → Token Factory·Managed Inference 같은 토큰 과금 사업으로 고도화 구조임.
🧩 Appendix까지 보면 왜 인프라가 중요한지가 더 선명해짐
보고서는 오픈웨이트 모델랩이 가중치를 무료로 배포하면서도 자체 API와 기업 온프레미스 구축 서비스로 돈을 벌지만, 기업이 직접 운영한 토큰은 모델랩 매출에 잡히지 않기 때문에 생태계가 커질수록 가치 일부가 인프라 계층으로 이동한다고 설명함. [팩트, p26]
허깅페이스에서 Qwen 파생 모델이 15만개를 넘었다는 사례는 무료 가중치 배포가 개발자 생태계를 빠르게 늘려 사실상의 표준을 만드는 유통 전략으로 기능할 수 있음을 보여줌. [팩트, p26]
[그림: Z.ai 매출·GPM 및 세그먼트별 매출 추이, p26]
MoE(Mixture of Experts, 여러 전문가 네트워크 중 일부만 골라 사용하는 구조)는 토큰마다 일부 전문가만 활성화해 연산량은 줄이지만 전체 가중치는 메모리에 올려야 하므로 메모리 부담까지 사라지는 기술은 아님. [팩트, p27]
[그림: MoE 동작 흐름, p27]
지식 증류(Knowledge Distillation)는 큰 교사 모델의 출력을 작은 학생 모델이 따라 배우는 방식이어서 학습비는 낮출 수 있지만 모델 자체의 파라미터 규모가 크다면 추론 인프라 부담은 여전히 발생함. [팩트, p28]
파인튜닝은 특정 기업 데이터를 추가 학습해 업무용 모델을 만드는 방식이고 강화학습은 모델 출력에 보상을 주며 행동을 개선하는 방식이어서, 오픈웨이트가 확산될수록 기업별로 다른 모델이 늘어날 가능성이 높음. [팩트, p28]
📊 수혜 강도와 위험의 차이임
| 기업·영역 | 수혜 논리 | 가장 강한 근거 | 핵심 리스크 | 보고서 내 상대평가 |
|---|---|---|---|---|
| 엔비디아 | 모델 수와 토큰 사용량이 늘수록 범용 GPU 수요가 커지는 구조임 | CUDA 락인·통합 시스템·ACIE 확대임 | ASIC 대체와 AI 인프라 투자 둔화임 | 가장 직접적인 구조적 수혜주임 |
| 델 | 기업이 자체 서버에서 AI를 구동할수록 서버·스토리지 판매가 늘어나는 구조임 | AI Factory·6,500개 이상 고객·950억달러 AI 백로그임 | 서버 가격 경쟁과 마진 압박임 | 엔비디아 하위 밸류체인 선호주임 |
| 네비우스 | 모델 중립성과 저가 GPU, Token Factory가 결합되는 구조임 | 높은 ACV·선수금·오픈웨이트 서빙임 | 높은 CAPEX와 밸류에이션임 | 네오클라우드 최선호주임 |
| 코어위브 | GPU 공급 부족과 토큰 서빙 확대의 수혜를 받는 구조임 | 1,042억달러 RPO·Managed Inference 성장임 | 부채·이자비용·고객 집중도임 | 네비우스보다 후순위임 |
보고서의 최종 선호주 표는 엔비디아의 12개월 선행 PER을 18배, 델을 18.6배로 제시하고 네비우스는 적자가 지속돼 PER을 제시하지 않았음. [팩트, p24]
[표: 선호주 리스트, p24]
📈 리스크 & 기회
아래 확률은 보고서가 직접 제시한 확률이 아니라 보고서의 근거를 투자 시나리오로 변환한 해석값임.
| 기간 | 구분 | 시나리오 | 확률 | 영향도 | 확인법 |
|---|---|---|---|---|---|
| 단기 1-3개월 | 기회 | 오픈웨이트 점유율과 전체 토큰 사용량이 동시에 증가하는 흐름임 | 70% | 높음 | Vercel·OpenRouter 토큰 추이를 확인함 |
| 단기 1-3개월 | 기회 | 프론티어 가격 경쟁이 블랙웰·루빈 전환을 가속하는 흐름임 | 65% | 높음 | 최신 GPU 주문·추론 처리량·모델 가격을 확인함 |
| 단기 1-3개월 | 기회 | GPU 공급 부족으로 네오클라우드 단기 계약 ACV가 높은 수준을 유지하는 흐름임 | 60% | 높음 | B200 렌탈가와 MW당 ACV를 확인함 |
| 단기 1-3개월 | 위험 | GPU 신규 공급이 빠르게 늘어 렌탈 가격이 하락하기 시작하는 흐름임 | 30% | 높음 | H100·B200 온디맨드 가격을 확인함 |
| 단기 1-3개월 | 위험 | 토큰 가격 하락에 비해 사용량 증가가 약해 제본스 효과가 약해지는 흐름임 | 25% | 매우 높음 | 토큰 단가와 총 토큰 성장률을 비교함 |
| 중기 6-12개월 | 기회 | 기업 온프레미스 AI가 본격적으로 확산되는 흐름임 | 65% | 높음 | 델 AI Factory 고객·AI 백로그·스토리지 매출을 확인함 |
| 중기 6-12개월 | 기회 | 소버린 AI가 국가 단위 신규 수요 축으로 성장하는 흐름임 | 60% | 높음 | 발표된 GW와 실제 장비 발주를 비교함 |
| 중기 6-12개월 | 기회 | 커스텀 모델 증가로 CUDA 락인이 더 강해지는 흐름임 | 65% | 높음 | 주요 오픈웨이트 모델의 CUDA 의존도를 확인함 |
| 중기 6-12개월 | 위험 | ASIC과 다른 가속기 소프트웨어 생태계가 빠르게 성숙하는 흐름임 | 30% | 높음 | 실제 모델 포팅과 추론 점유율을 확인함 |
| 중기 6-12개월 | 위험 | 네오클라우드 CAPEX 확대가 현금흐름과 부채 부담을 악화시키는 흐름임 | 40% | 높음 | 선수금·순부채·이자비용·CAPEX를 확인함 |
🎯 내가 특히 확인할 세 가지 신호임
첫째는 토큰 가격이 내려가는 속도보다 전체 토큰 사용량이 더 빠르게 증가하는지이며, 이것이 제본스의 역설이 실제로 작동하는지를 가장 직접적으로 보여주는 지표임.
둘째는 GPU 렌탈 가격과 서버 백로그가 토큰 가격 하락 속에서도 버티는지이며, 이를 통해 AI 사용량 증가가 실제 하드웨어 부족으로 연결되는지를 확인할 수 있음.
셋째는 하이퍼스케일러 외 고객인 엔터프라이즈·소버린 AI·네오클라우드가 실제 매출에서 계속 커지는지이며, 이 흐름이 유지돼야 AI 투자 사이클이 소수 빅테크에 의존하지 않고 넓어진다고 판단할 수 있음.
🧵 한 줄 코멘트
오픈웨이트는 “전기요금이 싸져 전기를 덜 쓰는 변화가 아니라, 전기가 싸져 지금까지 꺼두었던 수많은 기계를 켜는 변화”와 같으며, 그 결과 모델보다 전기를 공급하는 인프라의 가치가 더 커질 수 있음.
'돈 불리기 > 산업보고서' 카테고리의 다른 글
| [IT] PC·콘솔 게임의 문이 넓어지는 2027-2028년, 승부는 ‘대작 한 방’보다 신규 IP를 반복해서 만드는 능력에 달렸음 (0) | 2026.09.08 |
|---|---|
| [화장품] 미국은 오프라인으로, 유럽은 전 대륙으로 번지는 K뷰티의 체급 상승이지만 주가는 이미 한발 먼저 움직인 국면임 (0) | 2026.09.07 |
| [투자정보] 공급 축소가 제도화되면서 탄소배출권이 ‘환경 규제’에서 ‘기업 원가와 자산가격을 움직이는 희소재’로 바뀌는 국면임 (0) | 2026.09.07 |
| [투자정보] AI의 경쟁축이 ‘모델 크기’에서 ‘연산 깊이·업무당 비용·풀스택 장악’으로 옮겨가는 구조임 (0) | 2026.09.07 |
| [유통] 백화점의 핵심은 매출 고점이 아니라 ‘이익 사이클의 바닥’이 높아지는지에 있음 (0) | 2026.09.07 |