돈 불리기/산업보고서

[IT] AI 가격 하락이 수요를 죽이는 것이 아니라 기업 전환의 문을 여는 구조임

똘이장군초코 2026. 7. 28. 20:43

📋 핵심 내용 요약

  1. 이 보고서의 핵심은 인공지능 사용량이 줄어드는 것이 아니라 기업이 업무 난이도에 따라 모델을 나눠 쓰면서 토큰당 평균 가격만 낮아지고 있다는 판단임. [해석]

  2. 저가·오픈웨이트 모델은 단순 업무를 맡고 고성능 프론티어 모델은 복잡한 의사결정·코딩·장문 추론을 담당하면서 전체 인공지능 시장의 작업 범위가 넓어질 것으로 전망했음. [팩트, p2]

  3. 인공지능 전환(AX, AI Transformation)은 모델 구매만으로 끝나지 않으며, 데이터·보안·기존 시스템·업무 절차를 연결하는 하네스 엔지니어링이 실제 병목으로 부상했음. [팩트, p30]

  4. 추론은 이용자가 서비스를 사용할 때마다 반복적으로 발생하고 낮은 지연시간이 중요하므로, 미국의 초대형 데이터센터뿐 아니라 아시아 지역 거점형 인프라에도 기회가 생기는 구조임. [해석]

  5. 국내에서는 NAVER와 NHN이 클라우드·그래픽처리장치 서비스형 인프라를, 삼성SDS와 LG CNS가 데이터센터 설계·구축·운영 및 기업 시스템 통합을 담당할 수 있음. [팩트, p2]

  6. 정부의 소버린 인공지능 정책은 첨단 그래픽처리장치 확보, 국가 인공지능 컴퓨팅센터, 공공 인공지능 전환을 통해 국내 사업자에게 초기 수요와 운영 경험을 제공함. [팩트, p33]

  7. 기업용 인공지능 사업의 수익모델은 응용프로그램 인터페이스(API), 종량제, 구독제, 광고로 다층화되며 고객의 지불의향에 맞춰 가격을 세분화하는 방향임. [팩트, p13]

  8. 보고서는 데이터센터 공급 병목, 금융·공공의 보안 요구, 대기업의 계열 시스템통합사 선호를 근거로 국내 인공지능 인프라와 정보기술 서비스사의 중간계층 가치를 높게 평가했음. [팩트, p31]

  9. 보고서의 최선호주는 NAVER와 LG CNS이며, 각각 아시아 인공지능 팩토리 확장성과 데이터센터·기업 인공지능 전환의 빠른 실적 반영 가능성을 강조했음. [팩트, p2]

  10. 다만 대규모 투자계획, 장기 수요 전망, 아직 계약되지 않은 용량이 기업가치에 포함돼 있어 실제 수주·가동률·현금흐름을 확인하지 않고 섹터 전체에 확신을 갖기는 어려움. [해석]

🚀 보고서의 핵심 주제는 무엇인가?

  1. 보고서는 70쪽으로 구성됐으며, 이에 따라 요약과 본문을 합쳐 총 140개의 번호 문장으로 분석했음. [팩트, p1]

  2. 제목의 ‘디스크 조각 모음’은 흩어진 토큰 수요, 가격 체계, 데이터센터, 기업 시스템통합 역량을 하나의 성장 논리로 연결한다는 의미임. [해석]

  3. 첫 번째 연결고리는 추론형 모델과 에이전트 사용 증가가 작업당 토큰 수를 높인다는 점임. [해석]

  4. 두 번째 연결고리는 토큰당 가격 하락이 사용량 감소가 아니라 더 저렴한 모델과 처리 방법으로의 이동을 반영한다는 점임. [해석]

  5. 세 번째 연결고리는 비용이 낮아지면 경제성이 맞지 않았던 기업 업무가 인공지능 적용 대상으로 편입된다는 점임. [해석]

  6. 네 번째 연결고리는 늘어난 추론이 지역 데이터센터와 그래픽처리장치 인프라 수요로 이어진다는 점임. [해석]

  7. 다섯 번째 연결고리는 모델과 인프라를 기업 업무에 연결하는 국내 시스템통합·정보기술 서비스사가 수익을 얻는다는 점임. [해석]

  8. 따라서 이 보고서는 인공지능 모델 개발사보다 국내 인프라와 기업 전환을 수행하는 중간계층에 초점을 맞췄음. [팩트, p3]

  9. 보고서의 인과관계는 모델 성능 향상 → 사용 범위 확대 → 비용 최적화 → 기업 운영 전환 → 지역 인프라 및 구축 서비스 수요 증가로 정리됨. [해석]

  10. 이 논리가 성립하려면 토큰 사용량 증가가 실제 유료 매출과 데이터센터 가동률로 이어져야 함. [해석]

🔄 토큰 수요는 왜 계속 증가하는가?

  1. 추론형 모델은 답변을 즉시 생성하지 않고 여러 계산 경로를 탐색한 뒤 결과를 종합하므로 일반 모델보다 많은 토큰과 연산을 사용함. [팩트, p7]

  2. 테스트 타임 컴퓨트(Test-Time Compute)는 학습이 끝난 모델이 답변 과정에서 추가 연산을 투입해 결과를 개선하는 방식임. [팩트, p7]

  3. 사고의 연쇄(Chain of Thought)는 문제를 여러 단계로 나누는 방식이며, 트리·포레스트 방식은 여러 해결 경로를 비교하므로 토큰 사용량이 더 커질 수 있음. [팩트, p7]

  4. 2025년 하반기 이후 추론형 모델을 통해 처리된 토큰 비중은 50% 이상으로 증가했다고 보고서는 제시했음. [팩트, p7]

  5. 모델의 지능 지수와 답변 길이는 대체로 함께 상승해 성능 향상이 토큰 집약도 증가와 연결됐음. [팩트, p7]

[출시 시기별 프론티어 모델의 지능 지수 및 답변 길이 관계, p7]

  1. 이용 방식도 단순 대화에서 계획·도구 호출·코드 수정·테스트·재시도를 포함하는 에이전트형 작업으로 바뀌었음. [팩트, p8]

  2. 에이전트형 인공지능은 사람이 한 번 지시하면 여러 단계를 스스로 수행하는 디지털 작업자와 비슷한 개념임. [해석]

  3. 2026년 5월 OpenAI 표본 이용자의 70.2%는 사람 기준 한 시간 이상 필요한 Codex 작업을 한 번 이상 수행했음. [팩트, p8]

  4. 같은 표본에서 25.6%는 사람 기준 여덟 시간 이상 필요한 작업을 인공지능에 맡겼음. [팩트, p8]

  5. OpenRouter 자료에서는 요청당 평균 입력 토큰이 약 네 배, 출력 토큰이 약 세 배 늘어난 흐름이 제시됐음. [팩트, p8]

[건당 평균 입력·출력 토큰 수 추이, p8]

  1. 이는 인공지능 사용이 ‘질문 횟수’뿐 아니라 ‘요청 한 건의 길이’에서도 증가하고 있음을 뜻함. [해석]

  2. 특히 프로그래밍은 코드베이스 탐색, 파일 수정, 실행, 검증을 반복하므로 토큰 소비를 크게 늘리는 대표 업무임. [해석]

  3. 기업이 에이전트에 더 긴 작업을 맡길수록 검색·저장·네트워크·검증 비용도 함께 증가함. [해석]

  4. 따라서 향후 수요를 판단할 때 단순 사용자 수보다 사용자당 업무 수와 업무당 토큰을 함께 봐야 함. [해석]

  5. 토큰 수요의 성장은 확인됐지만, 투자자가 확인해야 할 다음 단계는 사용량이 매출과 이익으로 전환되는 밀도임. [해석]

💰 가격 하락이 왜 시장 확대 요인인가?

  1. 보고서는 토큰 지출 지수가 2026년 6월 고점 이후 약 22.8% 조정됐지만 실제 호출량은 계속 증가했다고 분석했음. [팩트, p9]

  2. 가격과 수량의 관계로 보면 지출액 감소는 수량 감소보다 토큰당 평균 가격 하락의 영향을 더 크게 받았다는 의미임. [해석]

  3. 기업은 고가 모델을 모든 업무에 쓰던 방식에서 업무별로 모델을 나누는 혼합 라우팅으로 이동하고 있음. [팩트, p10]

  4. 혼합 라우팅은 쉬운 요청은 저가 모델로 보내고 어려운 요청만 고성능 모델로 보내는 자동 분배 방식임. [해석]

  5. 모델 오케스트레이션(Model Orchestration)은 여러 모델과 도구를 지휘해 업무별 성능과 비용을 조정하는 운영 구조임. [팩트, p10]

  6. 프롬프트 캐싱은 반복되는 지시문과 문맥을 재사용해 같은 계산을 다시 하지 않도록 만드는 절감 방식임. [팩트, p10]

  7. 배치 API는 즉시 응답이 필요 없는 여러 요청을 묶어서 처리해 단가를 낮추는 방식임. [팩트, p10]

  8. 오픈웨이트 모델은 모델의 가중치를 공개해 기업이 자체 환경에 설치하거나 수정할 수 있는 모델임. [해석]

  9. 2026년 중 오픈소스 모델의 토큰 비중은 크게 높아졌지만 주요 폐쇄형 모델의 절대 호출량도 증가했음. [팩트, p10-11]

[오픈소스와 폐쇄형 모델 비중 및 주요 폐쇄형 모델 호출량 추이, p10-11]

  1. 이는 저가 모델이 고가 모델을 완전히 대체하기보다 새로운 저가 업무를 흡수하고 있음을 시사함. [해석]

  2. 고성능 모델은 복잡한 코딩·의사결정·장문 추론에 집중하면서 더 높은 부가가치 구간을 방어할 수 있음. [해석]

  3. 국제 인터넷 대역폭처럼 단위 가격이 하락하면서 사용 범위와 전체 시장 규모가 증가한 사례가 인공지능에도 적용될 수 있음. [팩트, p11]

  4. 가격 하락은 기존 업무를 싸게 처리하는 효과와 이전에 불가능했던 업무를 새로 시장에 넣는 효과를 동시에 만듦. [해석]

  5. 기업의 투자수익률(ROI, 투자액 대비 얻는 성과)이 개선되면 시범사업이 실제 운영 계약으로 전환될 가능성이 높아짐. [해석]

  6. 따라서 가격 하락은 모델 회사의 단기 단가에는 부담이지만 인프라·라우팅·보안·구축 서비스에는 시장 확대 요인이 될 수 있음. [해석]

🧾 인공지능 기업은 어떻게 돈을 버는가?

  1. 모델 개발사는 고객별 지불의향(WTP, 고객이 낼 수 있는 최대 가격)에 맞춰 가격 체계를 여러 층으로 나누고 있음. [팩트, p13]

  2. 응용프로그램 인터페이스는 토큰 사용량을 직접 과금하므로 기업 사용량을 매출로 전환하는 가장 직접적인 방식임. [팩트, p13]

  3. 최근 API 과금은 모델 호출뿐 아니라 웹 검색, 코드 실행, 파일 검색, 저장공간, 우선처리, 규제 대응 비용까지 포함함. [팩트, p14]

  4. OpenAI와 Anthropic은 배치·캐싱 할인을 제공하면서 빠른 처리와 특정 지역 처리는 추가 요금을 받는 구조를 운영함. [팩트, p14]

  5. 보고서 표에서는 저가와 고가 처리 옵션 사이의 가격 차이가 두 회사 모두 최대 4.4배에 이를 수 있다고 정리했음. [팩트, p14]

[API 가격 체계 입체화 표, p14]

  1. 종량제는 사용량이 늘수록 추가 크레딧을 구매하게 해 좌석 구독만으로 발생하던 매출 상한을 높임. [팩트, p15]

  2. 기업용 상품은 접속권을 좌석 요금으로 받고 실제 고비용 기능은 사용량에 따라 별도 청구하는 방식으로 발전하고 있음. [팩트, p15]

  3. 구독제는 무료·입문형·전문가형·팀·기업용으로 세분화해 고객의 지불 능력에 맞는 가격을 제시함. [팩트, p16]

  4. 광고는 무료 사용자가 많고 구매 의도를 파악할 수 있는 사업자에게 적합한 장기 수익모델임. [팩트, p17]

  5. 모델 사업자는 고사용자에게 API와 종량제를, 일반 사용자에게 구독을, 무료 사용자에게 광고를 적용해 수요곡선 전체를 수익화하려 함. [해석]

  6. 이 구조가 성공하면 토큰 단가가 낮아져도 사용자 증가와 고가 기능 판매로 전체 매출을 늘릴 수 있음. [해석]

  7. 반대로 무료 사용자의 광고 전환이 부진하고 기업 사용량도 가격 인하 속도를 따라가지 못하면 수익성 개선은 지연됨. [해석]

  8. Anthropic 사례는 기업용 API와 코딩 사용량이 매출 증가에 직접 연결될 수 있음을 보여주는 사례로 제시됐음. [팩트, p18-19]

  9. Google 사례는 클라우드·광고·API·구독을 동시에 보유한 플랫폼이 인공지능 비용을 여러 매출원으로 회수할 수 있음을 보여줌. [팩트, p20-22]

  10. OpenAI 사례는 대규모 사용자 기반이 있어도 광고와 기업 매출 비중이 낮으면 현금흐름 전환에 시간이 필요함을 보여줌. [팩트, p23-24]

🏢 하네스 엔지니어링이 왜 중요한가?

  1. 하네스 엔지니어링은 모델이 기업 안에서 안전하고 유용하게 작동하도록 데이터·도구·권한·업무 흐름을 연결하는 작업임. [팩트, p30]

  2. 보고서는 인공지능 모델을 말, 하네스를 마구, 개발자와 시스템통합사를 기수에 비유했음. [팩트, p30]

[하네스 엔지니어링 비유 및 AX 계층별 역할 분업, p30]

  1. 아무리 뛰어난 모델도 기업 데이터에 접근하지 못하거나 권한을 잘못 적용하면 실제 업무에 사용할 수 없음. [해석]

  2. 기업의 업무 정의는 컨설팅사와 고객사가 맡고, 데이터와 기존 시스템 연결은 시스템통합·정보기술 서비스사가 주로 담당함. [팩트, p30]

  3. 클라우드 사업자와 모델 개발사는 인프라·모델·보안·관리형 서비스를 제공함. [팩트, p30]

  4. 플랫폼사는 에이전트·워크플로·거버넌스·모델 운영 기능을 제공하며 시스템통합사와 일부 영역에서 경쟁함. [팩트, p30]

  5. 전방배치엔지니어(FDE, 고객 현장에 투입돼 제품을 실제 업무에 맞추는 기술인력)는 플랫폼과 구축사의 경계를 흐리게 만듦. [팩트, p12]

  6. 국내 대기업은 자체 계열 시스템통합사를 통해 인공지능 전환을 추진하는 경향이 강함. [팩트, p32]

  7. 금융·공공·국방은 보안과 안정성을 중시하므로 검증된 국내 구축 경험을 가진 업체를 선호함. [팩트, p32]

  8. 국내 749개 기업 조사에서 직원 1,000명 이상 기업의 전사·일부 부서 생성형 인공지능 활용 비율은 74.1%였음. [팩트, p31]

  9. 기술 인력 부족은 응답 기업의 49.8%가 꼽은 가장 큰 도입 장애물이었음. [팩트, p31]

  10. 적절한 인프라와 데이터 미확보는 32.0%, 기존 시스템 통합은 28.0%가 장애물로 꼽았음. [팩트, p31]

[기업 규모별 활용 현황·도입 장애물·산업별 도입 방식, p31]

  1. 이 조사 결과는 모델 정확도보다 인력·데이터·통합이 실제 기업 도입을 막고 있음을 보여줌. [해석]

  2. 금융의 46%, 조립 제조의 40%, 공공·국방의 35%는 자체 인공지능 솔루션 구축을 선호하는 것으로 제시됐음. [팩트, p31]

  3. 따라서 국내 시스템통합사는 기존 고객 관계와 도메인 지식을 바탕으로 글로벌 모델사의 유통·구축 채널이 될 수 있음. [해석]

🌐 추론 수요가 아시아 인프라에 기회인 이유임

  1. 인공지능 학습은 대규모 전력과 그래픽처리장치를 한곳에 모으는 것이 중요해 전력·토지 여건이 좋은 지역에 집중될 수 있음. [팩트, p27]

  2. 추론은 사용자 요청에 빠르게 응답해야 하므로 사용자와 애플리케이션이 있는 지역 가까이에 배치할 필요가 있음. [팩트, p27]

  3. 지연시간은 요청을 보낸 뒤 응답이 돌아오기까지 걸리는 시간이며 실시간 서비스 품질을 좌우함. [해석]

  4. 보고서는 일반 클라우드와 인공지능 추론의 허용 지연시간을 인접 지역 기준 약 15밀리초로 제시했음. [팩트, p27]

  5. 추론 데이터센터의 랙당 전력 밀도는 30~150킬로와트로 일반 클라우드보다 높으며 수랭식 냉각이 더 적합함. [팩트, p27]

  6. 학습 데이터센터는 300메가와트에서 2기가와트 규모를 요구할 수 있지만 지연 허용시간은 상대적으로 길게 제시됐음. [팩트, p27]

  7. 데이터센터 공급이 수요를 따라가지 못하는 기간에는 이미 전력·부지·운영 경험을 확보한 업체가 가격 협상력을 가질 수 있음. [해석]

  8. 전 세계 인공지능 추론 데이터센터 수요는 2025년 20.9기가와트에서 2030년 93.3기가와트로 증가할 것으로 전망됐음. [팩트, p28]

  9. 같은 기간 인공지능 학습 수요는 23.1기가와트에서 62.2기가와트로 증가할 것으로 전망됐음. [팩트, p28]

[분류별·지역별 데이터센터 수요 전망, p28]

  1. 추론 수요가 학습 수요보다 빠르게 늘어난다는 전망은 지역형 사업자의 기회를 뒷받침함. [해석]

  2. 그래픽처리장치 서비스형 인프라(GPUaaS)는 고객이 장비를 직접 구매하지 않고 시간이나 사용량에 따라 빌리는 서비스임. [해석]

  3. 네이버클라우드, NHN클라우드, 삼성SDS는 이미 관련 인프라 서비스를 운영하거나 확대하고 있음. [팩트, p28]

  4. LG CNS는 데이터센터 설계·구축·운영(DBO)과 코로케이션을 통해 추론 인프라에 참여함. [팩트, p28]

  5. 코로케이션은 고객 장비를 사업자의 데이터센터에 설치하고 전력·냉각·네트워크를 제공하는 임대 서비스임. [해석]

  6. 향후 2~3년의 초기 운영 실적은 글로벌 모델사와 기업 고객을 확보하는 중요한 신뢰 자료가 될 수 있음. [팩트, p28]

🏛️ 소버린 인공지능은 어떤 수요를 만드는가?

  1. 소버린 인공지능은 자국의 법·규제·지리적 경계 안에서 인공지능 개발·배포·운영을 독립적으로 통제하는 역량임. [팩트, p33]

  2. 정부와 공공기관은 민감한 데이터가 해외 인프라로 이동하는 위험을 줄이기 위해 국내 인프라를 선호할 수 있음. [해석]

  3. 보고서는 세계 소버린 인공지능 시장이 2025년 1,500억2,000억달러에서 2030년 5,000억6,000억달러로 성장할 것으로 제시했음. [팩트, p33]

  4. NVIDIA의 2026회계연도 소버린 인공지능 매출은 300억달러를 넘고 전년 대비 약 세 배 증가한 것으로 제시됐음. [팩트, p33]

  5. 한국은 2026년에 9.9조원의 인공지능 예산을 편성했음. [팩트, p33]

  6. 한국 정책의 직접적인 사업 기회는 인공지능 고속도로, 인공지능 모델 확보, 공공 인공지능 전환으로 구분됨. [팩트, p33]

[소버린 AI 시장 전망 및 대한민국 인공지능 행동계획, p33]

  1. 정부는 2030년까지 최소 5만장 이상의 고성능 그래픽처리장치 확보를 추진함. [팩트, p36]

  2. 2025년 1차 사업에서는 약 1.5조원을 투입해 B200과 H200을 합쳐 약 1만3,000장을 확보했음. [팩트, p36]

  3. 2026년 2차 사업에서는 베라 루빈 2,016장과 B300 7,688장을 포함해 총 9,704장을 확보하는 계획임. [팩트, p36]

  4. 2차 물량 가운데 네이버클라우드는 4,120장, 삼성SDS는 3,024장, 엘리스그룹은 2,560장을 맡는 것으로 제시됐음. [팩트, p36]

  5. 국가 인공지능 컴퓨팅센터는 최대 210메가와트와 고성능 그래픽처리장치 5만장을 목표로 추진됨. [팩트, p37]

  6. 해당 사업은 정부와 민간이 공동 출자하는 특수목적회사 구조이며 삼성SDS가 운영을 총괄함. [팩트, p37]

  7. 네이버클라우드는 모델링과 서비스 개발을, 삼성전자는 반도체·서버를, 삼성물산은 물리적 구축을 지원하는 구조임. [팩트, p37]

  8. 정부 사업은 초기 매출뿐 아니라 국내 기업이 대규모 인프라 운영 경험을 확보하는 효과가 있음. [해석]

  9. 반대로 정책 일정 지연, 예산 변경, 지역 전력 인허가 문제는 계획된 매출의 실현 시점을 늦출 수 있음. [해석]

🏆 주요 기업별 투자 논리는 무엇인가?

  1. NAVER는 엔비디아와 협력해 클라우드 인공지능 팩토리, 대형언어모델·피지컬 인공지능 공동 연구, 소버린 인공지능 사업을 추진함. [팩트, p41]

  2. NAVER의 인공지능 팩토리는 기존 소비자 플랫폼 중심의 가벼운 자산구조에서 기업용 자본집약 사업으로의 전환을 의미함. [해석]

  3. NAVER는 20272028년 임차 방식으로 200메가와트를 확보한 뒤 56년간 약 1기가와트까지 확대할 계획임. [팩트, p41]

  4. 장기적으로 인공지능 팩토리 연매출 20조원과 영업이익률 20%를 목표로 제시했음. [팩트, p41]

  5. 상대적으로 가시성이 높은 1단계는 2027년 상반기 55메가와트, 연말 누적 100메가와트, 2028년 누적 200메가와트임. [팩트, p42]

  6. 교보증권은 인공지능 팩토리 매출이 2027년 4,750억원, 2028년 2.5조원 기여할 것으로 추정했음. [팩트, p42]

  7. NAVER의 2028년 전체 매출은 19.0조원, 영업이익은 3.52조원으로 전망됐음. [팩트, p52-53]

  8. 보고서는 NAVER에 매수 의견과 목표주가 39만원을 제시했지만 자금조달 방식과 계약 일정의 불확실성도 인정했음. [팩트, p52]

[NAVER 인공지능 팩토리 계획·실적 전망·밸류에이션, p41-42·p52-53]

  1. LG CNS는 데이터센터 DBO, 클라우드 관리서비스(MSP), 기업 인공지능 구축, 금융 차세대 시스템을 동시에 제공함. [팩트, p45-47]

  2. LG CNS의 Agentic Works는 지식 저장, 모델 조정, 에이전트 개발, 운영, 라우팅, 테스트를 여섯 모듈로 제공함. [팩트, p45]

  3. 이 제품은 기업이 여러 모델을 연결하고 토큰 사용량을 통제하도록 지원하므로 보고서의 하네스 엔지니어링 논리와 가장 직접적으로 맞닿음. [해석]

  4. LG CNS는 NAVER와 삼송 데이터센터에 대해 10년간 약 6,000억원 규모의 코로케이션 계약을 체결했음. [팩트, p47]

  5. 금융권 차세대 인프라 수주 증가로 2026년 디지털비즈니스서비스 매출이 전년 대비 9.9% 성장할 것으로 전망됐음. [팩트, p47]

  6. 2027년부터 데이터센터와 관리서비스 수요가 본격 반영돼 클라우드·인공지능 매출이 전년 대비 9.0% 성장할 것으로 예상됐음. [팩트, p58]

  7. LG CNS의 2027년 예상 주가수익비율은 12.4배이며 보고서는 매수 의견과 목표주가 8만9,000원을 유지했음. [팩트, p58]

[LG CNS Agentic Works·코로케이션 계약·실적 전망, p45·p47·p58]

  1. 삼성SDS는 2031년까지 인공지능 인프라 5조원, 인수합병 4조원, 서비스·플랫폼 1조원을 포함해 총 10조원을 투자할 계획임. [팩트, p48]

  2. 2026년 1분기 말 현금 6.6조원과 전환사채 조달 1.2조원, 연간 4,000억원 이상의 현금흐름이 투자 재원으로 제시됐음. [팩트, p48]

  3. 삼성SDS는 자체 투자형, 공동 지분투자형, 외부 고객 대상 DBO형의 세 가지 데이터센터 사업모델을 추진함. [팩트, p48-49]

  4. DBO 사업은 운용사가 투자 부담을 지고 삼성SDS가 설계·구축·운영을 담당해 상대적으로 자산 부담이 낮은 반복 매출을 만들 수 있음. [팩트, p49]

  5. 삼성SDS는 2031년까지 DBO 누적 500메가와트와 연매출 1조원 기여를 목표로 제시했음. [팩트, p49]

[삼성SDS 인공지능 인프라 투자 및 사업유형, p48-49]

  1. NHN은 이미 데이터센터 기반 그래픽처리장치 서비스 매출을 내고 있다는 점에서 미래 계획보다 현재 운영실적이 강점임. [팩트, p61]

  2. NHN은 2026년 매출 2.89조원, 영업이익 1,670억원을 기록할 것으로 전망됐음. [팩트, p61]

  3. 교보증권은 NHN에 매수 의견과 목표주가 4만9,000원을 제시했음. [팩트, p61]

  4. 롯데이노베이트는 2026년 7월 기준 데이터센터 DBO 수주잔고가 1,000억원을 넘는 것으로 추정됐음. [팩트, p64]

  5. 롯데이노베이트는 2027년부터 DBO와 롯데 계열사 인공지능 인프라 투자가 실적에 기여할 것으로 전망됐음. [팩트, p64]

  6. 롯데이노베이트의 2026년 영업이익은 432억원, 2027년은 517억원으로 추정됐으며 목표주가는 2만6,000원이었음. [팩트, p64]

📌 사업자별 역할과 투자 포인트

사업자 핵심 역할 강점 핵심 확인사항
NAVER 아시아 AI 팩토리·클라우드·모델 풀스택 기술과 플랫폼 고객 기반을 보유함 200MW 계약, 자금조달, 가동률을 확인함
LG CNS DBO·코로케이션·MSP·기업 AX 수주와 실적 반영 속도가 상대적으로 빠름 데이터센터 매출과 Agentic Works 외부 수주를 확인함
삼성SDS 국가·계열·외부 데이터센터와 기업 AX 현금과 캡티브 수요가 풍부함 10조원 투자의 자본수익률과 DBO 계약을 확인함
NHN GPUaaS·공공 클라우드 이미 운영 중인 인프라 실적이 있음 추가 용량과 공공 물량 수익성을 확인함
롯데이노베이트 그룹 정보기술 서비스·DBO 낮은 기저와 자회사 손실 축소 효과가 있음 수주잔고의 매출 전환과 외부 고객 확대를 확인함

자료는 교보증권의 2026년 7월 27일 보고서에 근거해 재구성했음.

⚠️ 핵심 리스크는 무엇인가?

  1. 가장 큰 수요 리스크는 기업이 토큰 단가 하락만큼 사용량을 늘리지 않아 전체 지출과 인프라 수요가 예상보다 느리게 증가하는 경우임. [해석]

  2. 가장 큰 공급 리스크는 데이터센터 증설이 수요보다 빨라 그래픽처리장치 임대가격·가동률·DBO 수수료가 동시에 하락하는 경우임. [해석]

  3. 기업별 리스크는 NAVER의 대규모 자본조달, 삼성SDS의 투자수익률, LG CNS의 수주 매출화 시점, NHN의 규모 확장, 롯데이노베이트의 낮은 수익성으로 구분됨. [해석]

  4. 보고서의 장기 목표는 계약된 실적보다 경영진 계획과 추정치 비중이 높으므로 투자자는 수주·전력·가동률·현금흐름이 실제로 확인될 때까지 할인해서 평가해야 함. [해석]

📈 리스크 & 기회

시계열 내용 확률 영향도 확인법
단기 1~3개월 기회 국내 대기업·금융권의 기업 AI 구축 수주가 증가함 65% 보통 신규 계약, 수주잔고, 클라우드·AI 부문 매출을 확인함
단기 1~3개월 기회 GPU 공급 부족과 데이터센터 병목이 기존 사업자의 가격 협상력을 유지함 60% 높음 GPUaaS 시간당 가격과 데이터센터 공실률을 확인함
단기 1~3개월 리스크 대규모 장기 계획이 먼저 주가에 반영되고 실적 반영은 지연됨 60% 높음 목표 용량 대비 계약 용량과 착공 일정을 확인함
중기 6~12개월 기회 2027년 데이터센터 특별법과 소버린 AI 사업이 비수도권 수주를 촉진함 65% 높음 특별법 시행령, 전력 인허가, 정부 GPU 사업자를 확인함
중기 6~12개월 기회 저가 모델·라우팅 확산으로 기업 AI 프로젝트의 투자수익률이 개선됨 70% 높음 고객당 토큰 사용량, 유료 전환율, 구축 프로젝트 재계약률을 확인함
중기 6~12개월 리스크 오픈소스·가격 경쟁이 서비스 단가를 수요 증가보다 빠르게 낮춤 45% 높음 매출총이익률, 토큰당 매출, 클라우드 영업이익률을 확인함
중기 6~12개월 리스크 전력·부지·냉각·자금조달 문제로 데이터센터 가동이 늦어짐 50% 높음 전력계통 접속, 프로젝트파이낸싱, 착공·준공률을 확인함

⚖️ 나라면 이 섹터에 투자할지에 대한 판단

현재 시점에는 섹터 전체를 한꺼번에 매수하지 않겠음.

산업 논리는 설득력 있음. 토큰당 가격이 낮아지고 에이전트 사용이 늘면 기업 인공지능의 적용 범위가 넓어지며, 국내 사업자는 지역 추론 인프라와 하네스 엔지니어링에서 역할을 확보할 수 있음.

그러나 완벽히 확신하기에는 세 가지가 부족함. 첫째, 일부 핵심 수치는 장기 목표치와 증권사 추정치임. 둘째, 데이터센터 계획 가운데 계약·전력·자금조달이 확정되지 않은 용량이 많음. 셋째, 막대한 자본투자가 높은 매출로 이어져도 감가상각과 금융비용을 뺀 주주 현금흐름이 충분할지는 아직 확인되지 않았음.

나라면 NAVER와 LG CNS를 최우선 관찰 대상으로 두되, 신규 대형 계약과 분기 실적에서 인공지능 매출·영업이익이 확인되기 전에는 투자하지 않겠음. 이는 산업 전망을 부정해서가 아니라 좋은 산업과 좋은 매수가격은 서로 다른 문제이기 때문임.

🧵 한 줄 코멘트

인공지능 시장은 비싼 엔진 하나를 사는 단계에서 여러 엔진을 연결해 실제 공장을 돌리는 단계로 넘어가고 있으며, 이제 승자는 엔진보다 공장을 안정적으로 운영하는 기업에서 나올 가능성이 높음.

https://finance.naver.com/research/industry_read.naver?nid=45461

저작자표시 비영리 변경금지 (새창열림)