돈 불리기/산업보고서

[인터넷포탈] AI의 승자는 ‘가장 똑똑한 모델’보다 ‘사용자의 일을 끝내고 돈을 회수하는 기업’이 될 가능성이 높음

똘이장군초코 2026. 8. 18. 17:36

📋 핵심 내용 요약

  1. 이 보고서의 핵심은 AI 산업이 이미 거대한 투자 사이클에 들어갔지만 현재는 서비스 수익화가 완성된 단계가 아니라 인프라 투자와 시장 선점을 위해 비용을 먼저 부담하는 검증 구간이라는 판단임. [팩트, p04]

  2. 인터넷 산업의 투자 논리는 AI 검색·숏폼이 기존 트래픽을 흔듦 → AI 에이전트가 검색을 ‘답변’에서 ‘업무 완료’로 바꿈 → 완료된 업무가 커머스·결제·광고·기업 구독으로 연결됨 → 반복매출이 만들어지는 기업의 가치가 올라감이라는 흐름임. [해석]

  3. 국내 플랫폼의 경쟁력은 글로벌 AI보다 모델 성능이 뛰어난지보다 검색·대화에서 포착한 의도를 플레이스·예약·커머스·모빌리티·결제까지 실제 행동으로 끝낼 수 있는 로컬 실행능력에 있다고 판단함. [팩트, p30]

  4. AI 에이전트는 일반 챗봇보다 훨씬 많은 추론을 반복하므로 사용량 증가가 곧바로 이익 증가를 뜻하지 않으며, 추론비·실패·재시도·환불·고객응대를 모두 제외하고도 공헌이익이 남아야 진짜 수익화가 시작됨. [팩트, p32]

  5. 보고서는 국내 생활형 B2C(Business to Consumer, 소비자 대상) 에이전트의 연간 시간가치를 약 9.3조원, 기업용 B2B(Business to Business, 기업 대상) 에이전트의 시간가치를 약 101.3조원으로 추정해 업무 자동화 시장의 잠재력을 크게 평가함. [팩트, p35·p46]

  6. 문제는 이 수요를 처리할 컴퓨팅 인프라이며, 보고서 가정에서는 국내 에이전트 AI 확산에 약 1.2GW의 GPU 전력이 필요하지만 한국의 차세대 데이터센터 공급이 이를 충분히 넘어서는 시점은 2029년 이후로 전망함. [팩트, p63-p64]
    [표 17, p63 / 그림 99, p64]

  7. 따라서 보고서는 2029년 전후까지는 AI 서비스를 이용하는 플랫폼보다 GPUaaS(GPU as a Service, GPU 연산능력을 필요한 만큼 빌려주는 서비스)를 먼저 확보한 인프라 사업자가 가격 결정력과 반복매출을 먼저 확보할 가능성을 높게 평가함. [팩트, p63]

  8. 이 논리에 따라 삼성에스디에스와 NAVER를 핵심 선호 대상으로 제시하며, 삼성에스디에스는 AI 데이터센터 공급자이고 NAVER는 플랫폼과 GPU 인프라를 동시에 보유해 인프라→서비스로 가치가 이동하는 두 단계 모두에 노출된 구조라고 판단함. [팩트, p01·p70·p81]

  9. 반대로 가장 큰 위험은 AI 사용량은 늘지만 컴퓨팅 비용과 감가상각비가 매출 증가보다 빨리 늘거나, 사용자가 서비스를 시험만 하고 반복 결제하지 않는 경우이며, 이 경우 AI는 성장동력이 아니라 기존 이익률을 깎는 비용이 됨. [팩트, p06-p14]

  10. 따라서 이 섹터에서 가장 중요한 질문은 “AI가 성장하는가”가 아니라 “누가 사용자의 의도를 지배하고, 누가 실행을 끝내며, 누가 반복 과금하고, 누가 그 현금으로 다음 투자를 스스로 감당할 수 있는가”로 바뀌었다고 판단함. [해석]

🚀 지금은 왜 ‘AI 호황’인데 인터넷 기업은 힘든가?

  1. AI는 GPU(Graphics Processing Unit, 대규모 병렬연산에 특화된 반도체), 데이터센터, 전력, 네트워크에 막대한 투자를 먼저 요구하므로 현재 경제적 과실은 서비스보다 인프라 공급망에 먼저 나타나고 있음. [팩트, p04]

  2. 반면 인터넷·소프트웨어 기업은 AI 기능을 제공할수록 모델 호출비와 데이터 처리비가 발생하므로 이용자가 늘어도 단기간에는 비용이 더 빠르게 증가할 수 있음. [팩트, p06-p07]

  3. 여기에 Microsoft·Amazon·Alphabet·Meta 같은 하이퍼스케일러가 AI 인프라 투자를 경쟁적으로 확대하면서 국내 플랫폼은 서비스 경쟁과 자본투자 경쟁을 동시에 감당해야 함. [팩트, p10-p11]

  4. AI를 도입하지 않으면 기존 검색·광고·업무도구의 이용자를 빼앗길 수 있지만, 도입하면 당장 수익화되지 않는 비용이 발생하는 것이 현재 플랫폼 사업자의 딜레마임. [팩트, p06]

  5. 이 때문에 시장은 플랫폼이 보유한 기존 트래픽과 데이터 자체보다 그것이 AI 시대에도 실제 잉여현금흐름(FCF, 모든 투자 후 남는 현금)으로 전환되는지를 더 엄격하게 평가하게 됨. [팩트, p06]

  6. 소프트웨어 업종의 12개월 선행 P/E(Price to Earnings Ratio, 예상 순이익 대비 주가 수준)는 AI 투자 부담과 경쟁 심화 우려가 반영되며 과거 대비 낮아진 모습임. [팩트, p09]
    [그림 4, p9]

  7. NAVER·카카오·삼성에스디에스·LG씨엔에스도 기업별 차이는 있지만 주가와 밸류에이션이 AI 경쟁에 대한 기대보다 비용 부담을 먼저 반영하는 구간을 거쳤음. [팩트, p09]
    [그림 5-8, p9]

  8. 다만 보고서는 이런 할인 자체가 오히려 기회가 될 수 있다고 보는데, 과거 신기술 사이클과 달리 현재 주요 국내 플랫폼은 이미 본업에서 상당한 현금흐름을 창출하고 있기 때문임. [팩트, p63]

  9. 즉 과거 닷컴버블처럼 수익모델 없이 기대만으로 투자를 지속하는 기업과, 기존 사업이 벌어주는 현금으로 AI 투자 기간을 견딜 수 있는 기업을 구분해야 함. [해석]

  10. 따라서 현재 인터넷 산업의 첫 번째 투자 기준은 AI 기술의 화려함이 아니라 수익화가 늦어져도 버틸 현금창출력이 있는가임. [해석]

🌐 AI 검색은 기존 인터넷의 ‘입구’를 바꾸고 있음

  1. 숏폼 콘텐츠는 이용자가 직접 웹사이트를 찾는 대신 추천 피드를 계속 넘기게 만들면서 기존 검색·콘텐츠 플랫폼의 트래픽 배분 방식을 이미 변화시켰음. [팩트, p16]

  2. YouTube Shorts·Instagram Reels·TikTok의 성장은 사용자의 한정된 시간을 기존 검색·뉴스·블로그·카페에서 추천형 콘텐츠로 이동시키는 압력으로 작용함. [팩트, p16-p17]

  3. 국내 모바일 이용시간 자료에서도 YouTube와 Instagram·TikTok의 사용시간 확대가 확인되며, 이는 로컬 플랫폼이 단순 체류시간 경쟁만으로는 글로벌 사업자를 이기기 어려움을 보여줌. [팩트, p16-p17]
    [그림 21-27, p16-p17]

  4. 생성형 AI 검색은 이 변화를 한 단계 더 진행해 사용자가 외부 웹사이트 링크를 클릭하지 않고 검색 화면 안에서 직접 답을 받도록 만듦. [팩트, p18]

  5. 미국 검색행동 분석에서는 AI 요약이 표시될 경우 일반 검색 결과 링크 클릭률이 크게 낮아지는 현상이 나타났음. [팩트, p19]
    [그림 29, p19]

  6. 따라서 검색엔진에서 유입을 받아 매출을 만드는 외부 콘텐츠 사업자는 AI 검색이 성장할수록 신규 방문과 구독 전환이 감소할 위험이 있음. [팩트, p18-p19]

  7. Chegg는 Google AI Overviews 이후 검색 유입 감소가 사업 압력으로 이어진 사례로 제시되며 매출과 EPS(Earnings Per Share, 주당순이익) 악화가 함께 나타났음. [팩트, p18-p19]
    [그림 31-33, p19]

  8. 반대로 Google은 AI 검색 기능을 도입한 뒤에도 검색 매출이 성장했으므로 AI 검색이 검색경제 전체를 파괴한다기보다 이익을 게이트웨이 보유자에게 집중시킬 수 있음을 보여줌. [팩트, p18]

  9. 여기서 게이트웨이는 사용자가 인터넷 활동을 시작하는 첫 화면이나 서비스를 의미하며 검색·메신저·브라우저가 대표적인 예임. [해석]

  10. 따라서 AI 시대에는 콘텐츠를 많이 가진 기업보다 사용자가 무엇을 원하는지 처음 포착하는 접점을 가진 기업의 전략적 가치가 커질 수 있음. [해석]

🔎 모든 검색이 AI에게 같은 속도로 넘어가지는 않음

  1. 사실 확인·요약·지식습득 같은 정보형 검색은 AI가 한 번의 답변으로 목적을 끝낼 수 있어 기존 검색을 가장 빠르게 대체할 가능성이 높음. [팩트, p20]

  2. 반면 쇼핑·식당·예약처럼 실제 행동이 필요한 검색은 가격·재고·위치·시간·결제·환불 같은 실시간 정보와 실행 기능이 필요함. [팩트, p20]

  3. 이 때문에 보고서는 상업형과 로컬형 검색이 정보형 검색보다 AI에 의해 완전히 대체되는 속도가 느릴 것으로 판단함. [팩트, p20]

  4. NAVER가 국내 PC 웹 검색에서 약 50% 수준의 쿼리 점유율을 유지하고 있다는 점은 로컬 상업 검색의 방어력을 보여주는 근거로 제시됨. [팩트, p20]

  5. OpenSurvey 자료에서도 2025년 말 기준 NAVER가 가장 많이 이용되는 검색 서비스로 유지되며 ChatGPT와 Gemini가 빠르게 올라오는 모습이 동시에 확인됨. [팩트, p21]
    [그림 36, p21]

  6. 중요한 점은 NAVER의 사용시간 자체는 장기적으로 하락했음에도 광고 매출은 증가하고 있다는 점임. [팩트, p21]
    [그림 37-38, p21]

  7. 이는 플랫폼 가치를 단순 체류시간으로 판단하면 안 되고 한 번의 방문에서 얼마나 높은 상업적 의도를 포착하고 실제 행동으로 연결하는지를 봐야 한다는 의미임. [해석]

  8. NAVER는 2026년 2분기 광고매출 1.9조원으로 전년동기 대비 12.3% 성장했고 회사는 AI가 광고매출 증가분의 60% 이상에 기여했다고 설명함. [팩트, p20]

  9. AI 브리핑 광고는 기존 검색광고 대비 CPC(Cost Per Click, 클릭당 광고비)와 CTR(Click Through Rate, 광고 클릭률)이 각각 30% 이상 개선됐고 구매전환율은 3배 이상 높아졌다고 보고됨. [팩트, p20]

  10. 이는 AI가 검색광고를 없애는 대신 사용자의 의도를 더 정확히 이해해 광고의 단가와 효율을 높이는 경로도 존재함을 보여줌. [해석]

💰 광고보다 더 중요한 것은 ‘거래 완료’임

  1. 인터넷 플랫폼의 광고 경쟁력은 이용자의 관심을 발견하는 데서 끝나지 않고 그 관심을 주문·예약·결제로 연결할 수 있다는 데 있음. [팩트, p22]

  2. 2025년 국내 온라인 매체 광고매출은 6.1% 증가한 반면 방송 PP(Program Provider, 방송채널사업자) 광고는 13.8% 감소해 광고비의 온라인 이동이 지속됐음. [팩트, p22]

  3. 디지털 광고는 이용자의 행동과 구매 의도를 직접 측정할 수 있어 전통 미디어보다 광고주의 성과 확인이 쉬운 구조임. [팩트, p22]

  4. 보고서는 검색광고 성장률이 AI로 둔화될 수 있다고 보면서도 디스플레이 광고는 상대적으로 높은 성장률을 유지할 것으로 예상함. [팩트, p23]
    [그림 44-45, p23]

  5. 하지만 AI 시대의 플랫폼 가치에서 광고보다 더 중요한 변화는 추천 이후 실제 거래를 플랫폼 내부에서 끝낼 수 있는가라는 문제임. [해석]

  6. NAVER와 카카오는 광고뿐 아니라 커머스와 결제를 함께 보유해 하나의 계정에서 관심→탐색→구매→결제까지 연결할 수 있음. [팩트, p24]

  7. 국내 온라인쇼핑 거래가 가계소비에서 차지하는 비중은 장기간 상승했고 모바일 쇼핑이 증가를 주도하고 있음. [팩트, p24-p25]
    [그림 49-50, p24-p25]

  8. 2026년 상반기 신용카드 온라인 결제액 기준 쿠팡은 11.3%, NAVER는 9.4%, 카카오는 1.3%의 점유율을 기록한 것으로 제시됨. [팩트, p25]
    [그림 52, p25]

  9. 쿠팡은 빠른 배송과 반복구매, NAVER는 검색·비교 중심 구매, 카카오는 선물과 관계형 구매라는 서로 다른 소비 맥락에서 강점을 보임. [팩트, p24]

  10. 따라서 AI 에이전트 시대에는 플랫폼의 기존 커머스 생태계가 단순 전자상거래 사업이 아니라 AI에게 실행 권한을 제공하는 기반시설로 재평가될 수 있음. [해석]

🤖 AI 에이전트는 검색과 무엇이 다른가?

  1. 기존 검색은 사용자가 정보를 찾고 직접 행동하지만 AI 에이전트는 사용자가 목표와 권한을 넘기면 여러 단계를 대신 수행해 최종 결과까지 완결하는 시스템임. [팩트, p28]

  2. 예를 들어 “좋은 식당을 알려줘”는 검색에 가깝지만 “부모님 취향에 맞는 식당을 찾아 금요일 7시에 예약하고 일정에 등록해줘”는 에이전트 업무에 해당함. [팩트, p28]

  3. 따라서 에이전트의 경제적 단위는 질문 횟수나 생성된 토큰이 아니라 성공적으로 끝낸 업무와 사용자가 절약한 시간이 됨. [팩트, p29]

  4. 보고서는 처음에는 일정·쇼핑·예약처럼 실패 시 손실이 작고 사용자가 최종 승인할 수 있는 업무부터 에이전트가 침투할 것으로 예상함. [팩트, p29]

  5. 이후 기술 신뢰도가 높아지면 결제·변경·환불·분쟁처리까지 포함한 완전 위임형 서비스로 확장될 수 있음. [팩트, p29]

  6. Gartner 자료를 인용한 보고서에서는 Agentic AI 시장이 2027년 이후 챗봇·어시스턴트 시장 규모를 넘어서는 흐름을 제시함. [팩트, p28-p29]
    [그림 59, p28]

  7. 이 변화가 중요한 이유는 AI가 정보 제공 시장에서 사람이 직접 하던 서비스 노동의 일부를 대신하는 시장으로 이동하기 때문임. [해석]

  8. AI가 절약해 주는 시간을 경제적 가치로 환산할 수 있다면 소비자는 구독료를 내고 기업은 운영비를 절감할 유인이 생김. [해석]

  9. 결국 에이전트 시장의 크기는 “챗봇을 몇 명이 사용하는가”보다 “사람이 하던 몇 시간의 일을 실제로 대체했는가”로 측정하는 것이 더 적절함. [해석]

  10. 이 관점에서 AI 에이전트는 새로운 검색서비스라기보다 일부 서비스업을 소프트웨어화하는 산업 변화에 가까움. [해석]

🛒 생활형 에이전트에서는 ‘슈퍼앱’이 다시 중요해짐

  1. 생활형 에이전트가 작동하려면 사용자의 취향과 관계를 이해하는 맥락 정보, 예약·주문·이동·결제를 수행하는 실행도구, 이 모든 기능을 연결하는 인터페이스가 필요함. [팩트, p30]

  2. 검색이나 추천만 제공하고 사용자가 다른 앱으로 이동해야 한다면 AI가 절약해 주는 시간이 제한돼 에이전트의 경제적 가치도 낮아짐. [팩트, p30]

  3. 반대로 한 앱에서 장소 탐색부터 결제와 사후처리까지 끝나면 사용자는 반복적으로 같은 에이전트에 권한을 부여할 가능성이 높아짐. [해석]

  4. 이 과정에서 기존 슈퍼앱은 여러 서비스를 모아놓은 앱에서 사용자의 생활을 대신 실행하는 통합 에이전트로 진화할 수 있음. [팩트, p30]

  5. 반복 구매·재예약·통근 같은 행동은 매번 다시 판단하기 번거롭기 때문에 일회성 고가 거래보다 에이전트 자동화에 적합할 수 있음. [팩트, p30]

  6. 따라서 에이전트가 성공하면 사용빈도가 높아지고, 높아진 사용빈도는 더 많은 행동 데이터를 축적하며, 데이터가 다시 추천·실행 성공률을 높이는 선순환이 가능함. [해석]

  7. 이때 결제는 사용자가 AI 제안을 실제로 받아들였다는 가장 분명한 행동 데이터가 되며 플랫폼이 직접 수수료를 받을 수 있는 지점이 됨. [팩트, p31]

  8. 결제 데이터를 보유하면 다음 추천·재주문·광고 성과 측정까지 개선할 수 있어 단순 검색 데이터보다 경제적 가치가 높아질 수 있음. [팩트, p31]

  9. 즉 생활형 AI의 핵심 자산은 언어모델 하나가 아니라 의도→실행→결제→사후처리→재구매를 닫힌 고리로 연결하는 실행 스택(Execution Stack)임. [해석]

  10. 이 구조를 가장 잘 갖춘 국내 후보로 보고서는 NAVER와 카카오를 주목함. [팩트, p34-p40]

🧮 AI 에이전트의 가장 어려운 문제는 ‘비용’임

  1. 에이전트는 사용자의 한 요청을 처리할 때 여러 번 모델을 호출하고 외부 도구를 확인하므로 단순 챗봇보다 토큰 소비량이 훨씬 커짐. [팩트, p32·p42]

  2. 보고서는 에이전트 작업이 일반 AI 챗봇 대비 최대 약 30배 많은 토큰을 소비할 수 있다고 설명함. [팩트, p42]

  3. 자체 실험에서는 쇼핑 검색 한 건에 일반 모델이 약 59.9만85.4만 토큰, 경량 모델도 약 14.6만68.7만 토큰을 소비했음. [팩트, p32-p33]

  4. 같은 과업에서도 경량 모델 사용 비용은 수십원 수준까지 낮아질 수 있지만 고성능 프런티어 모델을 사용하면 수천원의 비용이 발생할 수 있음. [팩트, p32-p33]
    [표 7-8, p33]

  5. 따라서 AI 모델 가격 하락 자체보다 한 건의 성공 거래를 만드는 데 총 얼마의 추론비와 재시도 비용이 필요한가가 더 중요한 지표가 됨. [해석]

  6. 검색 결과가 틀리면 다시 검색하면 되지만 에이전트가 잘못 예약하거나 결제하면 취소·환불·상담까지 비용이 발생하므로 실패비용도 수익성에 포함해야 함. [해석]

  7. 공헌이익은 매출에서 거래마다 추가 발생하는 직접비용을 빼고 남는 이익이며, 에이전트 사업에서는 추론비·결제원가·환불·고객응대비를 제외한 뒤 양수가 되어야 함. [팩트, p32]

  8. 따라서 AI 사용량이 폭발해도 공헌이익이 음수라면 사용자가 늘수록 적자가 커지는 역설이 발생함. [해석]

  9. 보고서는 오픈웨이트 모델과 소형언어모델(SLM, Small Language Model)을 이용해 단순 업무를 저가 모델로 처리하면 이 문제를 완화할 수 있다고 봄. [팩트, p32]

  10. 고난도 판단만 비싼 모델에 보내고 반복적 업무는 저렴한 모델에 맡기는 모델 라우팅이 에이전트 사업의 원가관리 핵심 기술이 됨. [팩트, p42]

🧠 NAVER의 강점은 ‘검색’보다 로컬 실행능력에 있음

  1. NAVER의 핵심 자산은 검색 트래픽 하나가 아니라 검색·플레이스·예약·커머스·페이먼츠가 연결된 로컬 실행 레이어라는 것이 보고서의 평가임. [팩트, p70]

  2. 사용자가 상품이나 식당을 검색하면 NAVER 내부에서 판매자 정보·리뷰·가격·예약·결제까지 이어질 수 있기 때문에 AI가 행동을 수행할 도구가 이미 존재함. [해석]

  3. 이는 AI 에이전트가 외부 웹사이트를 돌아다니며 정보를 조합해야 하는 구조보다 더 높은 실행 성공률을 만들 가능성이 있음. [해석]

  4. 보고서의 실제 화면 예시에서도 NAVER AI 검색은 미니PC 구매 요청에 대해 제품을 탐색하고 판매 링크를 연결하는 형태를 보여줌. [팩트, p34]
    [그림 61, p34]

  5. NAVER는 글로벌 플랫폼 침투에도 국내 검색과 광고에서 견조한 실적을 유지해 AI 투자 기간을 감당할 본업 현금창출력이 존재한다고 평가됨. [팩트, p20·p70]

  6. 동시에 네오클라우드와 GPUaaS 신사업을 추진해 AI 서비스를 사용하는 플랫폼이면서 인프라를 판매하는 공급자 역할도 추구함. [팩트, p70]

  7. 대신증권은 NAVER의 클라우드·엔터프라이즈 부문에 GPUaaS 신사업 가치를 반영해 약 5.6조원의 사업가치를 산정함. [팩트, p70]

  8. NAVER 목표주가는 SOTP(Sum of the Parts, 사업부별 가치를 따로 계산해 합산하는 방식)로 32만원을 제시했음. [팩트, p70]

  9. 보고서 기준 2026년 예상 매출은 약 14.0조원, 영업이익은 약 2.26조원이며 2028년에는 각각 약 20.8조원과 3.96조원으로 증가할 것으로 추정함. [팩트, p70]

  10. NAVER의 투자 논리는 결국 본업이 AI 투자비를 버팀 → GPU 인프라가 초기 수익을 만듦 → 에이전트가 검색·커머스 전환율을 높임이라는 세 단계 구조임. [해석]

💬 카카오의 강점은 ‘대화가 곧 의도’라는 점임

  1. 카카오의 가장 중요한 자산은 검색창이 아니라 국민 메신저인 카카오톡에서 매일 발생하는 대화와 관계 맥락임. [팩트, p39]

  2. 약속·선물·송금·이동·콘텐츠 공유·비즈니스 문의처럼 생활 속 의도가 이미 대화 안에서 자연스럽게 나타나는 구조임. [팩트, p39]

  3. 글로벌 AI 에이전트가 챗봇 인터페이스를 중심으로 발전하고 있다는 점은 카카오톡 자체가 에이전트 호출 화면이 될 수 있음을 의미함. [팩트, p39]

  4. 카카오는 커머스·지도·모빌리티·페이·콘텐츠를 보유해 대화 속 의도를 실제 행동으로 연결할 실행도구도 갖추고 있음. [팩트, p39]

  5. 2025년 카카오 톡비즈 커머스 거래액은 10.6조원이었고 2026년 2분기에는 2.7조원을 기록한 것으로 제시됨. [팩트, p39]

  6. 자기구매 거래가 전년동기 대비 39% 증가했다는 점은 선물 중심 거래에서 반복적인 개인 구매로 확장될 가능성을 보여줌. [팩트, p39]

  7. 카카오가 추진하는 Kanana는 카카오톡 내부에서 사용자 의도를 포착하고 추천·실행으로 연결하려는 생활형 AI 접점으로 제시됨. [팩트, p39]

  8. 보고서의 예시 화면에서도 Kanana가 사용자의 미니PC 구매 요청을 이해하고 상품을 추천하는 과정을 보여줌. [팩트, p34]
    [그림 62, p34]

  9. 카카오는 온디바이스 AI(On-device AI, 서버 대신 사용자의 기기에서 직접 AI를 구동하는 방식)를 활용해 대규모 서버투자와 추론비 부담을 줄이려는 전략을 취함. [팩트, p39·p76]

  10. 다만 기기 성능 제약과 개인 대화 데이터 접근에 대한 사용자의 거부감이 서비스 확산의 주요 위험으로 남아 있음. [팩트, p39]

🏢 B2B에서는 AI가 ‘도구’에서 ‘업무 시스템’으로 이동하고 있음

  1. 기업용 AI 시장에서는 직원이 ChatGPT를 사용하는 단계보다 기업의 실제 업무 절차에 에이전트를 연결하는 AX(AI Transformation, AI 기반 업무전환)가 더 중요한 시장이 됨. [팩트, p46]

  2. 보고서는 기업의 AI 도입을 PoC(Proof of Concept, 소규모 검증) → 구축 → 전사확산 → 운영·갱신의 네 단계로 설명함. [팩트, p46]

  3. PoC가 많다는 사실만으로는 사업성이 입증되지 않으며 실제 시스템 구축과 전사 확산을 거쳐 반복적인 운영·갱신 예산으로 전환돼야 공급업체 매출의 질이 높아짐. [팩트, p46]

  4. OpenAI 기업 보고서를 인용해 workplace 구독좌석이 700만개를 넘었고 Enterprise 좌석은 전년 대비 9배 증가했다고 설명함. [팩트, p46]

  5. 평균 근로자의 AI 쿼리 수도 약 30% 증가해 기업 내부 AI 사용 강도가 높아지고 있음. [팩트, p46]

  6. 그러나 Deloitte 조사에서는 허가된 AI 도구에 접근할 수 있는 직원 비중이 증가했어도 37%가 기존 업무방식을 거의 바꾸지 않았다고 나타남. [팩트, p46]

  7. 따라서 현재 기업 AI는 ‘사용자가 늘었다’는 1차 검증은 진행됐지만 ‘업무 프로세스가 구조적으로 바뀌었다’는 2차 검증은 아직 초기라고 판단함. [해석]

  8. 이 간극이 삼성에스디에스와 LG씨엔에스 같은 IT서비스 기업에 새로운 컨설팅·구축·운영 시장을 만들어 줌. [팩트, p46]

  9. 삼성에스디에스는 국회 AI 플랫폼 1단계를 완료해 약 5,000명에게 서비스를 제공하고 우리은행 등 AI 에이전트 구축 프로젝트를 수주한 사례가 제시됨. [팩트, p46]

  10. LG씨엔에스 역시 AX Discovery·PoC·서비스 구현·운영 최적화 단계와 AgenticWorks를 활용한 기업 AX 사업을 확대하고 있음. [팩트, p46·p85]

⏱️ B2B 에이전트의 잠재력은 ‘절약되는 시간’에서 나옴

  1. 보고서는 기업용 에이전트의 시장가치를 직원이 반복 업무에서 절약하는 시간을 임금가치로 환산하는 방식으로 접근함. [팩트, p46]

  2. 한국에서는 에이전트 활용 대상 인구 1,200만명과 연간 1인당 약 281.3시간의 절감 가능성을 가정함. [팩트, p46]
    [표 13, p46]

  3. 여기에 업무당 성공률과 실제 활용률 등을 적용해 국내 B2B 에이전트가 만들어낼 시간가치를 약 101.3조원으로 추정함. [팩트, p46]

  4. 이 숫자는 AI 사업자가 그대로 101.3조원의 매출을 얻는다는 의미가 아니라 기업이 지불할 수 있는 경제적 효용의 상한을 추정한 값에 가까움. [해석]

  5. 공급자가 이 가치 중 일부를 구독료·구축비·운영료로 가져오려면 에이전트 사용으로 실제 인건비 절감이나 생산성 증가가 확인돼야 함. [해석]

  6. 따라서 기업 AI의 핵심 KPI(Key Performance Indicator, 핵심성과지표)는 직원 로그인 수보다 한 업무의 처리시간 단축과 성공률, 갱신률이 되어야 함. [해석]

  7. 실제로 업무가 자동화되면 AI 호출이 일회성 실험이 아니라 매일 반복되는 필수 운영 수요가 됨. [해석]

  8. 이 순간부터 기업의 AI 지출은 경기나 유행에 따라 쉽게 끊기는 프로젝트 비용에서 반복적 운영비로 성격이 바뀔 수 있음. [해석]

  9. 이러한 반복 사용이 증가할수록 GPU 연산 수요도 함께 늘어 인프라 기업의 매출 기반이 강화됨. [팩트, p48]

  10. 따라서 B2B 에이전트 확산은 소프트웨어와 데이터센터가 서로 수요를 키우는 구조로 이어짐. [해석]

⚡ AI 서비스가 커질수록 역설적으로 데이터센터가 부족해짐

  1. 에이전트 서비스는 단순 챗봇보다 한 작업에서 여러 모델과 도구를 반복 호출하므로 토큰 생성량과 GPU 실행시간을 크게 늘림. [팩트, p42·p48]

  2. 기업은 GPU 자체를 원하는 것이 아니라 업무 결과를 원하므로 초기에는 API(Application Programming Interface, 소프트웨어 연결 규격)를 통해 클라우드 연산을 구매하기 쉬움. [팩트, p48]

  3. 사용량이 커지고 보안과 비용예측이 중요해지면 GPUaaS나 온프레미스(On-premises, 자체 시설에 서버를 구축하는 방식) 비중이 높아질 수 있음. [팩트, p48]

  4. 반복 추론이 많아질수록 사용자와 물리적으로 가까운 데이터센터가 지연시간과 데이터 주권 측면에서 중요해져 AI 인프라가 지역화될 가능성이 높음. [팩트, p48]

  5. 즉 미국 하이퍼스케일러가 시작한 AI 데이터센터 투자가 향후에는 한국 같은 지역 거점 데이터센터로 확산되는 구조임. [팩트, p48-p51]

  6. 한국은 AI 서비스를 국내에서 운영할 때 필요한 데이터 주권과 낮은 지연시간을 제공할 수 있어 현지 AIDC(AI Data Center, AI 연산에 특화된 데이터센터) 필요성이 증가함. [팩트, p51]

  7. 하지만 AIDC는 GPU만 확보한다고 건설되는 것이 아니라 전력·냉각·네트워크·부지·인허가를 동시에 확보해야 함. [팩트, p51]

  8. 따라서 수요가 강해도 인허가와 전력망 구축이 늦어지면 서비스 업체가 원하는 시점에 연산능력을 공급할 수 없는 병목이 발생함. [팩트, p51]

  9. 정부가 제시한 계획에는 1단계 8.4GW 규모와 2035년까지 18.4GW의 AIDC 확대 청사진이 포함되어 있음. [팩트, p51]

  10. 그러나 계획된 전력이 실제 상업 가동까지 연결되는 데 시간이 필요하므로 명목상 건설계획과 실제 공급 가능한 GPU 전력을 구분해야 함. [해석]

🏗️ 2029년이 중요한 이유는 수요가 아니라 ‘물리적 공급’ 때문임

  1. 보고서는 에이전트 AI가 국내에서 본격 상용화될 경우 필요한 GPU 전력을 약 1.2GW로 추정함. [팩트, p63]

  2. 같은 가정으로 글로벌 시장에서는 약 101.3GW의 GPU 전력이 필요하다고 계산함. [팩트, p63]
    [표 17, p63]

  3. 이 추정에는 국내 에이전트 활용 인구 1,200만명, 일일 30회의 작업, 피크타임 집중도와 서버 전력효율 등의 가정이 사용됨. [팩트, p63]

  4. 따라서 숫자의 절대값보다 중요한 점은 에이전트 서비스가 널리 확산될 경우 현재 AI 인프라 규모보다 훨씬 큰 물리적 설비가 필요하다는 방향성임. [해석]

  5. 보고서의 국내 데이터센터 건설 시계열에서는 2028년 AIDC 전력이 약 1.5GW 수준에 도달하고 2029년에 약 5.8GW로 크게 확대되는 그림을 제시함. [팩트, p64]

  6. 이에 따라 에이전트 AI 수요 가정선을 충분히 넘어서는 차세대 데이터센터가 구축되는 시점을 2029년 이후로 판단함. [팩트, p64]
    [그림 99, p64]

  7. 글로벌 데이터센터 전력용량은 2025년 약 103GW에서 2030년 약 200GW로 증가할 것으로 제시됨. [팩트, p64]
    [그림 100, p64]

  8. 다만 2030년 데이터센터 전력 중 AI 추론에 배정되는 비중은 약 37%라는 전망이 제시돼 전체 데이터센터 용량을 AI 가용전력으로 그대로 볼 수 없음. [팩트, p64]
    [그림 101, p64]

  9. 보고서는 1GW급 AIDC 구축에 초기 약 400억달러에 가까운 자본이 필요하고 연간 운영비도 약 76억달러에 달하는 사례를 제시함. [팩트, p64]
    [그림 102-103, p64]

  10. 결국 2029년까지의 핵심 희소자원은 AI 모델이 아니라 전력과 서버를 실제로 가동할 수 있는 데이터센터 용량일 가능성이 높음. [해석]

🏭 삼성에스디에스는 왜 보고서의 핵심 인프라 수혜주인가?

  1. 삼성에스디에스는 기존 IT서비스와 삼성 계열사 수요를 기반으로 AI 데이터센터를 비교적 이른 시점부터 구축할 수 있는 사업자로 평가됨. [팩트, p81-p83]

  2. 회사는 2031년까지 800MW 이상 규모의 AIDC 구축 계획을 제시했으며 보고서에는 약 830MW 이상의 로드맵이 언급됨. [팩트, p51·p81]

  3. 기존 캡티브(Captive, 그룹 내부 고정 고객) 수요가 있어 초기 데이터센터 가동률을 확보하기 상대적으로 유리한 점도 강점임. [해석]

  4. 이후 정부·외부기업·DBO(Design-Build-Operate, 설계·건설·운영 일괄사업) 고객으로 확대하면 내부 IT서비스 회사에서 AI 인프라 사업자로 가치가 확장될 수 있음. [팩트, p51]

  5. 보고서는 삼성에스디에스가 AWS에 이어 국내 2위권 클라우드 사업자이며 AIDC 초기 수요를 선점할 가능성을 강조함. [팩트, p81]

  6. 2026년에는 투자비 증가 영향으로 영업이익이 전년보다 감소하는 것으로 추정하지만 2027년부터 이익 회복을 예상함. [팩트, p81-p82]

  7. 삼성에스디에스의 2026년 예상 영업이익은 약 7,950억원이고 2027년에는 약 1조94억원으로 증가할 것으로 전망함. [팩트, p82]

  8. 대규모 AIDC 투자가 집중되는 2029-2030년에는 FCFF(Free Cash Flow to Firm, 기업 전체 투자자에게 귀속되는 잉여현금흐름)가 일시적으로 음수가 될 것으로 추정함. [팩트, p82]
    [표 1, p82]

  9. 이후 투자가 안정되면서 2031년부터 FCFF가 다시 플러스로 전환되는 장기 현금흐름을 가치평가에 반영함. [팩트, p82]

  10. 대신증권은 DCF(Discounted Cash Flow, 미래 현금흐름을 현재가치로 할인하는 방식)로 삼성에스디에스 목표주가 37만원을 제시함. [팩트, p82]

🧩 LG씨엔에스는 ‘인프라’보다 AX 운영 능력에 강점이 있음

  1. LG씨엔에스는 금융·일반기업 고객의 IT시스템을 구축·운영해온 경험과 높은 비캡티브 고객 비중이 AI 전환 사업에서 경쟁력으로 평가됨. [팩트, p85]

  2. 회사는 AIDC·AX·클라우드 사업을 동시에 확대하며 기존 프로젝트성 SI(System Integration, 기업 시스템 구축) 매출을 반복 운영매출로 전환하려 함. [팩트, p85]

  3. 약 330MW 규모의 데이터센터 관련 레퍼런스를 보유해 AIDC 확대에서도 일정한 경쟁력을 갖춘 것으로 평가됨. [팩트, p51]

  4. 특히 AgenticWorks 플랫폼과 LG그룹의 K-엑사원 AI 모델이 결합될 경우 기업용 에이전트 구축의 차별화 요소가 될 수 있음. [팩트, p85]

  5. 대신증권은 2026년 LG씨엔에스 매출을 약 6.46조원, 영업이익을 약 5,650억원으로 전망함. [팩트, p85]

  6. 2027년 영업이익은 약 6,670억원으로 증가할 것으로 예상해 기업 AX 수요 확대가 실적 개선으로 이어질 것으로 봄. [팩트, p85]

  7. 목표주가는 9만2천원으로 제시됐고 2027년 예상 EPS에 과거 PER 밴드를 적용해 산출함. [팩트, p85]

  8. 다만 프로젝트 수주가 많아지는 것만으로는 충분하지 않고 계약이 장기 운영과 반복매출로 전환되는지가 핵심임. [해석]

  9. 즉 LG씨엔에스의 투자포인트는 AI 모델 자체보다 기업 고객의 복잡한 업무를 실제 시스템에 연결하고 오래 운영하는 능력임. [해석]

  10. 이 때문에 시장이 PoC 개수보다 구축 이후 갱신률과 운영매출 비중을 확인할수록 기업가치 평가가 명확해질 것으로 판단함. [해석]

📈 인프라에서 애플리케이션으로 돈이 이동하는 순서를 봐야 함

  1. 보고서는 현재 AI 사이클을 닷컴버블과 클라우드 확장기의 중간 성격으로 보며 가장 중요한 차이를 반복매출과 현금흐름의 생성 여부에서 찾음. [팩트, p58]

  2. 신기술 초기에는 실제 수익이 확인되기 전에 공급자가 미래 수요를 선점하려고 인프라를 먼저 건설하므로 CapEx(Capital Expenditure, 설비투자)가 매출보다 앞서 증가함. [팩트, p58]

  3. 이 단계에서는 GPU·데이터센터 사업자가 가장 먼저 매출을 얻지만 대규모 감가상각과 자본비용까지 고려하면 그것이 곧바로 높은 주주수익률을 의미하지는 않음. [해석]

  4. 다음 단계는 기업과 소비자가 AI 서비스를 실제 업무에 반복적으로 사용하면서 인프라 이용률이 올라가는 구간임. [해석]

  5. 마지막 단계에서는 AI 애플리케이션이 광고·거래·구독·운영료 형태로 반복매출을 만들고 그 현금흐름으로 필요한 컴퓨팅 비용을 감당할 수 있게 됨. [팩트, p12·p63]

  6. 이때부터 시장의 관심이 “GPU가 얼마나 부족한가”에서 “누가 최종 사용자의 돈을 받는가”로 이동할 가능성이 높음. [해석]

  7. 보고서는 그 전환 시점을 정확히 맞추는 것이 인터넷 업종 투자에서 가장 중요한 과제라고 판단함. [팩트, p04·p63]

  8. 따라서 단기에는 인프라 공급자를, 중장기에는 반복매출과 사용자 락인(Lock-in, 이용자가 서비스를 쉽게 떠나지 못하는 구조)을 증명한 플랫폼을 봐야 한다는 시계열 접근이 적절함. [해석]

⚠️ 단기 1-3개월 리스크 & 기회

  1. 기회 확률 65%, 영향도 높음으로 NAVER·카카오의 AI 기능이 광고와 커머스 전환율을 추가 개선한다면 AI가 기존 사업을 잠식한다는 우려가 완화될 수 있으며 광고 성장률과 구매전환율을 확인해야 함. [해석]

  2. 기회 확률 70%, 영향도 높음으로 삼성에스디에스와 LG씨엔에스의 AIDC·AX 수주가 확대되면 2029년 전까지의 공급 부족 프리미엄이 실적으로 연결될 수 있으며 신규 데이터센터 계약과 CSP 매출을 확인해야 함. [해석]

  3. 기회 확률 60%, 영향도 보통으로 소프트웨어 섹터의 낮아진 밸류에이션에서 본업 실적이 예상보다 견조하면 AI 투자비 우려가 완화되며 12개월 선행 P/E와 분기 영업이익률을 확인해야 함. [해석]

  4. 리스크 확률 45%, 영향도 높음으로 NAVER의 인프라 비용과 국내 플랫폼의 AI 관련 비용이 매출보다 빠르게 증가하면 이익 추정치가 하향될 수 있으며 매출 대비 인프라비 비중을 확인해야 함. [해석]

  5. 리스크 확률 40%, 영향도 높음으로 글로벌 AI 검색이 국내 정보형 검색을 예상보다 빠르게 대체하면 검색광고의 성장률 둔화가 심해질 수 있으며 NAVER 검색 쿼리와 검색광고 성장률을 확인해야 함. [해석]

  6. 리스크 확률 35%, 영향도 보통으로 카카오의 온디바이스 AI가 사용자에게 실질적 편의를 주지 못하면 높은 메신저 사용빈도가 에이전트 수익으로 전환되지 않을 수 있으며 Kanana 재사용률을 확인해야 함. [해석]

  7. 리스크 확률 30%, 영향도 높음으로 AI 서비스 오류와 개인정보 우려가 커지면 사용자가 결제·예약 권한을 에이전트에 위임하지 않을 수 있으며 자동실행 기능의 실제 이용률을 확인해야 함. [해석]

  8. 리스크 확률 35%, 영향도 높음으로 AIDC 투자계획은 크지만 인허가·전력계통 연결이 지연되면 예상 매출 시점이 밀릴 수 있으며 착공보다 실제 상업가동 일정을 확인해야 함. [해석]

⏳ 중기 6-12개월 리스크 & 기회

  1. 기회 확률 70%, 영향도 매우 높음으로 B2B의 PoC가 실제 구축·전사확산·운영갱신 단계로 넘어가면 AX가 프로젝트 매출에서 반복매출 산업으로 전환되며 갱신률과 운영매출 비중을 확인해야 함. [해석]

  2. 기회 확률 65%, 영향도 매우 높음으로 GPUaaS 가동률이 빠르게 올라가면 공급 부족기에 NAVER와 삼성에스디에스가 높은 가격 결정력을 확보할 수 있으며 GPU 사용률과 고객계약 기간을 확인해야 함. [해석]

  3. 기회 확률 60%, 영향도 매우 높음으로 에이전트 커머스의 추론비가 빠르게 낮아지고 구매전환율이 상승하면 플랫폼의 AI 비용이 이익으로 전환되며 거래당 추론비와 공헌이익을 확인해야 함. [해석]

  4. 기회 확률 55%, 영향도 높음으로 카카오톡의 대화 맥락이 모빌리티·페이·선물·예약과 연결되면 카카오가 생활형 에이전트의 강력한 게이트웨이가 될 수 있으며 서비스 간 교차전환율을 확인해야 함. [해석]

  5. 리스크 확률 40%, 영향도 매우 높음으로 글로벌 AI 기업이 검색뿐 아니라 로컬 예약·결제까지 직접 통합하면 국내 플랫폼의 실행 레이어 차별성이 약해질 수 있으며 국내 가맹점·결제 연동 범위를 비교해야 함. [해석]

  6. 리스크 확률 40%, 영향도 매우 높음으로 AIDC 공급이 예상보다 빨리 늘어 GPUaaS 가격 경쟁이 발생하면 현재의 공급 부족 프리미엄이 사라질 수 있으며 GPU 임대단가와 데이터센터 가동률을 확인해야 함. [해석]

  7. 리스크 확률 30%, 영향도 매우 높음으로 기업의 AI 프로젝트가 비용절감 효과를 증명하지 못해 PoC 단계에서 중단되면 삼성에스디에스와 LG씨엔에스의 AX 성장 기대가 후퇴할 수 있으며 구축 전환율을 확인해야 함. [해석]

  8. 리스크 확률 35%, 영향도 높음으로 대규모 데이터센터 투자가 예상보다 오랫동안 음의 잉여현금흐름을 만들면 주가가 매출 성장보다 자본비용을 더 크게 반영할 수 있으며 FCFF와 순현금 변화를 확인해야 함. [해석]

🎯 나라면 이 섹터에 투자할지에 대한 판단

  1. 이 보고서만을 기준으로는 인터넷·AI 서비스 섹터 전체에 지금 확정적인 투자 의견을 내리지 않겠으며, AI 수요 자체에는 높은 확신이 있지만 2029년까지의 인프라 병목, 에이전트 공헌이익, 실제 반복매출 전환 여부라는 핵심 변수가 아직 검증되지 않았기 때문에 사용자가 요구한 “완벽히 확신할 때만 투자함”이라는 기준을 충족하지 못함. [해석]

🧵 한 줄 코멘트

  1. 이번 AI 산업은 “물을 많이 쓰는 도시가 커지고 있지만 수도관은 아직 부족한 상황”과 같아서 지금은 수도관을 가진 기업이 먼저 돈을 벌고, 결국에는 그 물로 가장 가치 있는 서비스를 만들어 반복적으로 돈을 받는 플랫폼이 최종 승자가 될 가능성이 높음. [해석]

https://finance.naver.com/research/industry_read.naver?nid=45676

저작자표시 비영리 변경금지 (새창열림)