돈 불리기/산업보고서

[반도체] AI가 메모리를 ‘사이클 상품’에서 ‘구조적 성장 자산’으로 바꾸는 변곡점임

똘이장군초코 2026. 8. 20. 14:55

📋 핵심 내용 요약

  1. 이 보고서의 핵심 주장은 최근 반도체 주가 하락을 만든 다섯 가지 걱정인 AI 투자 증가율 둔화·효율적 AI 모델·순환금융·공격적 증설·중국 공급 확대가 실제 메모리 펀더멘털의 정점을 의미하지 않으며, 오히려 AI 투자의 주체와 대상이 바뀌는 구조적 성장 과정으로 봐야 한다는 것임. [팩트, p2]

  2. 가장 중요한 변화는 AI가 Generative AI(생성형 인공지능)에서 Agent AI(사람의 지시를 받아 여러 작업을 스스로 계획·수행하는 인공지능)로 진화하면서 투자가 데이터센터의 GPU(Graphics Processing Unit·그래픽처리장치)에 집중되던 구조에서 Edge(사용자와 가까운 기기)·CPU(Central Processing Unit·중앙처리장치)·DRAM·NAND까지 확산되는 것임. [팩트, p7-12]

  3. 따라서 Hyperscaler(초대형 클라우드 사업자)의 투자 증가율이 둔화되더라도 메모리 수요가 둔화된다고 바로 연결하면 안 되며, Agent AI에서는 CPU·DRAM·NAND와 시스템 메모리의 중요도가 오히려 높아지는 구조라고 주장함. [팩트, p8-14]

  4. DeepSeek 같은 효율적인 AI 모델도 하드웨어 수요를 없애는 것이 아니라 한 번의 연산비용을 낮춰 AI 이용량과 추론 Token(인공지능이 읽고 생성하는 정보 단위)을 증가시키므로 장기적으로 전체 컴퓨팅·메모리·스토리지 수요를 확대할 수 있다고 분석함. [팩트, p15-18]

  5. 최근 AI 투자에서 NVIDIA·AMD·클라우드 사업자·금융기관 등이 고객사에 자금을 공급하는 순환금융이 확대되고 있지만, 보고서는 닷컴버블 당시처럼 장비업체가 억지로 수요를 만드는 구조라기보다 대규모 컴퓨팅 수요를 실제 자금조달 구조로 연결하는 과정이라고 해석함. [팩트, p18-27]

  6. 메모리 업체의 증설도 공급과잉 신호로 보지 않는데, DRAM Wafer(반도체 회로를 만드는 원판) 순증 규모가 2027년 월 11만4천 장, 2028년 월 4만9천 장에 그칠 것으로 예상되고 LTA(Long-Term Agreement·장기공급계약)가 수요를 뒷받침하고 있기 때문임. [팩트, p6·30]

  7. 중국 CXMT는 2026년 2분기 Wafer 생산능력이 Micron과 비슷한 월 30만 장에 도달했지만 Wafer 1장당 생산 Bit는 Micron의 약 4분의 1이고 공정은 약 5세대 뒤처져 있으며 서버 DRAM 점유율도 2%에 불과해 단기간에 AI 서버용 고부가 메모리 공급과잉을 만들 가능성이 제한적이라고 판단함. [팩트, p31-35]

  8. 결국 보고서가 말하는 투자 포인트는 AI 투자 증가율 자체보다 Agent AI 확산 → 연산량 증가 → 메모리 용량 증가 → 제한된 공급 → 가격·수익성 유지가 이어지는지를 봐야 한다는 것이며, 다만 이 논리를 확정하려면 Agent AI의 실제 상용 수요와 LTA의 지속성, 순환금융의 건전성까지 추가 확인해야 함. [해석]

🚀 이 보고서의 진짜 질문은 ‘사이클의 꼭지인가, 성장의 중간인가’임

  1. 보고서는 메모리 시장이 과거처럼 약 3년 단위의 전형적인 호황·불황 사이클에서 벗어나 2022년 저점 이후 2030년까지 장기간 성장하는 시장으로 변화하고 있다고 판단함. [팩트, p7]

  2. 과거 메모리는 가격 상승 → 증설 → 공급과잉 → 가격 하락이 반복되는 전형적인 경기순환 산업이었지만, 현재는 AI가 필요한 메모리의 양과 종류를 동시에 늘리면서 수요 구조 자체가 달라지고 있다는 것이 보고서의 출발점임. [해석]

  3. 특히 Generative AI에서 Agent AI로 발전하면 처리해야 하는 Token 규모가 기존보다 최대 1만 배 커질 것으로 보고 있어 단순히 AI 서버 수량만으로 미래 메모리 수요를 판단하기 어렵다고 설명함. [팩트, p7]

  4. 과거에는 Google·Amazon·Microsoft·Meta 같은 Hyperscaler가 AI 인프라 투자를 주도했지만 앞으로는 기업·정부의 Sovereign AI(국가가 자체 데이터와 인프라를 통제하는 AI)·Edge Device까지 수요처가 확대될 것으로 전망함. [팩트, p7]

  5. 따라서 현재의 AI 투자를 데이터센터 GPU 구매액 하나만으로 측정하면 앞으로 확대될 CPU·DRAM·NAND·Edge 투자를 놓칠 수 있다는 것이 보고서의 핵심 반론임. [해석]

  6. 보고서는 이러한 구조 변화를 근거로 AI 메모리 수요가 아직 전체 성장경로의 ‘3부 능선’ 정도에 있으며 메모리 수요가 더욱 크게 증가할 Agent AI는 본격적으로 시작되지 않았다고 평가함. [팩트, p2]

[그림 1-3, p5]

🧠 AI 투자 증가율 둔화가 곧 메모리 둔화는 아님

  1. 시장이 우려하는 첫 번째 논리는 Hyperscaler의 AI 투자 증가율이 2027년부터 낮아지면 메모리 투자도 함께 둔화되고 결국 DRAM 가격과 메모리 업체 이익률이 꺾인다는 것임. [팩트, p8]

  2. 보고서는 투자 증가율이 낮아지는 현상 자체는 인정하지만, 증가율 둔화와 절대 투자금액 감소는 다른 개념이라고 구분함. [팩트, p8-9]

  3. 데이터센터 전체 투자에서 Computing(연산 관련 하드웨어)이 차지하는 비중은 2022-2023년 35% 미만에서 2024년 46.4%, 2025년 51.6%, 2026년 59.1%까지 높아질 것으로 전망함. [팩트, p9]

  4. Computing 투자금액도 2025년 전년 대비 68.1%, 2026년 79%, 2027년 27.2% 증가할 것으로 예상해 성장률은 낮아져도 절대 투자규모는 계속 커지는 구조임. [팩트, p9]

[그림 8·9, p9]

  1. 여기서 Computing에는 GPU만 들어가는 것이 아니라 CPU·ASIC(Application-Specific Integrated Circuit·특정 작업용 주문형 반도체)과 HBM(High Bandwidth Memory·고대역폭메모리)·DRAM·NAND까지 포함됨. [팩트, p9]

  2. 따라서 GPU 투자 증가율이 둔화되는 것을 전체 메모리 수요 둔화로 해석하면 투자 대상의 변화라는 중요한 변수를 놓치게 됨. [해석]

  3. Agent AI에서는 민감한 문서나 개인 데이터는 로컬 기기가 처리하고 복잡한 대형 추론은 클라우드가 처리하는 Hybrid Agentic Inference(클라우드와 로컬을 결합한 에이전트 추론)가 확대될 것으로 예상함. [팩트, p10]

  4. 이 구조에서는 데이터센터뿐 아니라 PC·스마트폰·기업 서버 등 Edge 측에도 연산능력과 메모리가 필요하므로 AI 하드웨어 수요의 범위가 넓어짐. [해석]

  5. 또한 Agent AI는 여러 Agent를 동시에 관리하는 ‘컨트롤타워’ 역할이 중요해져 병렬 계산에 강한 GPU뿐 아니라 빠른 일반 연산과 시스템 제어에 적합한 CPU의 역할이 커질 것으로 전망함. [팩트, p10-11]

  6. 결과적으로 Hyperscaler 투자 증가율 둔화 → AI 투자 감소가 아니라 Hyperscaler 중심 투자 → Cloud + Edge + 기업 + 정부 투자로 확산이라는 방향으로 봐야 한다는 것이 보고서의 해석임. [해석]

[그림 10·11, p11]

💾 진짜 수혜의 중심이 GPU에서 ‘메모리 전체 계층’으로 넓어짐

  1. 보고서가 가장 강하게 강조하는 변화는 앞으로 AI 시스템의 병목이 순수한 연산능력보다 데이터를 얼마나 많이 저장하고 빠르게 불러올 수 있는가로 이동한다는 것임. [팩트, p12-13]

  2. NVIDIA의 GB200 NVL72와 비교하면 차세대 Vera Rubin NVL144의 시스템 메모리 사용량은 약 3배, Rubin Ultra NVL576은 10배 이상 증가할 것으로 전망함. [팩트, p12]

[그림 12, p12]

  1. 보고서는 AI 인프라가 2018-2021년 ‘연산 중심 시대’, 2022-2025년 ‘HBM 대역폭 확장 시대’를 거쳐 2026년 이후에는 ‘메모리 용량 시대’로 이동한다고 정리함. [팩트, p12]

  2. 이 과정에서 GPU는 핵심 가속기로 남지만 CPU와 연결되는 System DRAM, 초저지연 처리를 담당하는 SRAM(Static Random Access Memory·정적 메모리), 장기 데이터를 저장하는 NAND·SSD까지 필요한 Full Stack Memory(전체 메모리 계층) 구조가 확대됨. [팩트, p13]

  3. Agentic AI의 여러 Agent가 실시간으로 협업하려면 초당 1,500개 이상의 Token 처리가 필요할 수 있어 GPU와 HBM만으로 모든 지연시간 요구를 처리하기 어렵고 SRAM 등 새로운 메모리 계층도 중요해진다고 설명함. [팩트, p13]

  4. 동시에 대규모 학습과 Prefill(사용자 입력을 처음 읽고 계산하는 과정)은 계속 HBM을 필요로 하므로 SRAM 확대가 HBM 수요를 대체하는 것이 아니라 서로 다른 일을 분담하는 구조임. [팩트, p13]

[그림 14·표 1, p13]

  1. 시스템 DRAM은 CPU의 KV Cache(Key-Value Cache·AI가 이전 문맥을 다시 계산하지 않도록 저장하는 공간)와 Context Offload에 사용되고 Storage는 모델 가중치와 장기 메모리를 담당하므로 Agent AI가 복잡해질수록 다양한 메모리 제품의 총 사용량이 늘어나는 방향임. [팩트, p13]

  2. 따라서 메모리 투자에서는 특정 HBM 제품 하나만 보는 것보다 HBM → DRAM → NAND → SRAM으로 AI 수혜 영역이 확장되는지를 보는 것이 더 중요함. [해석]

  3. 보고서는 고가 AI GPU 서버 한 대를 살 비용이면 일반 CPU 서버 약 30대를 구매할 수 있으므로 동일한 투자금액이라도 GPU 중심 투자에서 CPU 서버 중심으로 이동하면 DRAM 탑재 시스템 수가 크게 증가할 수 있다고 설명함. [팩트, p14]

  4. 실제 보고서에 제시된 AI 서버 가격은 약 35만57만달러 수준인 반면 일반 서버는 약 1.6만2.7만달러 수준으로 큰 차이를 보임. [팩트, p14]

[그림 15·표 2·3, p14]

  1. 결국 AI 투자 성장률이 낮아지더라도 투자 믹스가 초고가 GPU에서 CPU·DRAM·스토리지로 이동한다면 메모리 Bit 수요는 오히려 계속 확대될 수 있다는 것이 보고서의 중요한 투자 논리임. [해석]

⚙️ DeepSeek가 싸졌다고 반도체가 덜 필요한 것은 아님

  1. 시장의 두 번째 우려는 DeepSeek·Moonshot처럼 효율적인 AI 모델이 등장하면 더 적은 GPU로 같은 일을 할 수 있으므로 AI 인프라 투자 자체가 줄어들 수 있다는 논리임. [팩트, p15]

  2. DeepSeek V3는 MoE(Mixture-of-Experts·필요한 전문가 모델 일부만 골라 사용하는 구조), MLA(Multi-head Latent Attention·정보를 압축해 저장하는 어텐션 방식), FP8(8비트 저정밀 연산) 등을 활용해 계산효율을 높였음. [팩트, p15]

  3. DeepSeek가 공개한 V3 최종 학습비는 약 557만6천달러였지만 이는 최종 성공 모델의 직접 GPU 비용 중심으로 계산한 수치이고 인건비·데이터 수집·이전 모델 개발비 등이 제외되어 있어 다른 모델과 단순 비교하기 어렵다고 지적함. [팩트, p15]

  4. DeepSeek-V3/R1은 전체 6,710억 개 파라미터 중 Token당 약 370억 개만 활성화하지만 어떤 Expert가 호출될지 알 수 없기 때문에 전체 모델 가중치는 GPU·CPU 메모리나 고속 스토리지에 준비해야 함. [팩트, p16]

  5. 저장 정밀도에 따라 전체 모델의 이론상 저장공간만 BF16·FP16에서는 약 1.34TB, FP8에서는 약 671GB, 4비트 양자화에서도 약 336GB가 필요함. [팩트, p16]

[표 4, p16]

  1. DeepSeek-V3 학습에도 NVIDIA H800 GPU 2,048개가 사용됐고 약 278만8천 GPU 시간이 투입돼 단순 환산하면 2,048개 GPU를 약 57일 연속 가동하는 규모였음. [팩트, p16]

  2. 추론 단계에서도 Prefill에 최소 32개 H800, Decode(답변 Token을 생성하는 과정)에 배포 단위당 144개 H800을 사용하는 대규모 병렬구조가 제시돼 효율적인 모델이라고 해서 소수 GPU만 필요한 것은 아님. [팩트, p16]

  3. 더욱 중요한 점은 학습은 모델을 한 번 만드는 성격이 강하지만 추론은 사용자가 질문할 때마다 반복되므로 서비스 사용자가 늘어날수록 누적 연산량이 지속적으로 증가한다는 것임. [팩트, p16-17]

  4. 보고서의 논리는 모델 효율 개선 → Token당 비용 하락 → AI 사용량 증가 → 총 추론 Token 증가 → GPU·메모리·스토리지·전력 수요 증가로 이어지는 구조임. [팩트, p17-18]

  5. 이는 경제학에서 가격이 낮아지면 소비량이 크게 늘어나 총자원 사용량이 오히려 증가할 수 있는 이른바 효율성의 역설과 비슷한 구조로 이해할 수 있음. [해석]

  6. 따라서 AI 모델 효율화가 반도체 수요에 부정적이려면 비용 절감으로 생기는 사용량 증가보다 칩 한 개당 효율 향상이 훨씬 커야 하는데, 보고서는 현재까지는 반대 방향을 예상함. [해석]

💰 순환금융은 닷컴버블과 정말 다른가?

  1. AI 모델 기업과 Chip Maker(칩 제조사), CSP(Cloud Service Provider·클라우드서비스사업자) 간 투자 계약은 2023년 3건, 2024년 4건, 2025년 4건에서 2026년에는 8월 초까지 17건으로 크게 늘었음. [팩트, p18]

  2. 투자 주체도 AI 모델업체와 NVIDIA·AMD 같은 칩 공급자뿐 아니라 Microsoft·Amazon·Google·Meta 같은 CSP, Private Credit(사모대출), 투자은행과 가상자산 채굴업체까지 확대되고 있음. [팩트, p18]

  3. 가상자산 채굴업체가 AI 데이터센터 투자에 참여하는 이유는 이미 대규모 전력과 부지를 확보하고 있어 AI 인프라의 최대 병목 중 하나인 전력 공급 문제를 빠르게 해결할 수 있기 때문임. [팩트, p18·24]

  4. NVIDIA는 여러 금융회사가 다양한 투자기구를 활용하는 방식으로 최대 5,000억달러 규모의 AI Financing을 논의하고 있으며 단순한 칩 판매를 넘어 AI 생태계 자체에 자본을 공급하는 역할까지 확대하고 있음. [팩트, p18·27]

  5. 2026년 Broadcom·Apollo·Blackstone이 참여한 AI XPV 플랫폼에서는 Google TPU(Tensor Processing Unit·구글 AI 전용 가속기) 약 100만 개를 확보하기 위한 350억달러 규모의 SPV(Special Purpose Vehicle·특정 사업만을 위해 만든 특수목적기구) 금융구조가 제시됐음. [팩트, p24]

  6. 이 구조에서는 Broadcom이 약 300억달러 규모 선순위 채권의 잔존가치를 보증하고 데이터센터 운영사·금융기관·AI 모델업체가 각각 인프라와 자금을 분담함. [팩트, p24]

  7. 보고서는 이를 닷컴버블 당시 Lucent·Nortel 같은 장비업체가 고객에게 자금을 빌려주며 장비 판매를 확대했던 구조와 동일하게 보지 않음. [팩트, p4·6]

  8. 현재는 반도체 공급자뿐 아니라 대형 클라우드 업체와 금융기관까지 위험과 자본을 분담하고 실제 컴퓨팅 용량·전력·AI 서비스 수요를 확보하는 구조라는 점이 다르다고 판단함. [팩트, p18-27]

  9. 다만 공급업체가 고객의 자금조달과 자산가치까지 보증하는 거래가 빠르게 커질수록 최종 AI 서비스 수익이 예상에 못 미칠 경우 투자와 부채가 동시에 되돌아올 수 있으므로 이것은 보고서의 낙관론에서 가장 주의 깊게 봐야 할 부분임. [해석]

🏭 증설이 많아도 공급과잉이 쉽게 오지 않는다는 논리임

  1. 시장의 세 번째 큰 우려는 삼성전자·SK하이닉스·Micron 등이 동시에 생산능력을 늘리면 과거 메모리 사이클처럼 공급과잉이 재현될 수 있다는 것임. [해석]

  2. 보고서는 메모리 업체가 고객 수요를 확인하지 않은 채 대규모 투자를 진행하는 것이 아니라 LTA를 통해 장기 물량을 사전에 확인한 뒤 생산능력을 확보하고 있다고 평가함. [팩트, p2·4]

  3. LTA는 쉽게 말해 고객이 “향후 몇 년간 일정 물량을 사겠다”고 약속해 공급자가 증설에 필요한 최소 수요를 미리 확보하는 계약임. [해석]

  4. 이러한 계약이 확대되는 것 자체가 공급자가 마음대로 생산량을 늘리는 국면보다 고객이 필요한 물량을 먼저 확보하려는 공급 부족 국면에 가깝다는 것이 보고서의 해석임. [팩트, p5-6]

  5. OMDIA 기준 전 세계 DRAM Wafer 생산능력 순증은 2027년 월 11만4천 장, 2028년 월 4만9천 장 수준으로 둔화될 전망임. [팩트, p30]

  6. 2029년에는 월 35만3천 장 증가가 예상되지만 이는 2028년 생산량의 약 16.6% 수준이며 보고서는 이 정도도 공급과잉을 만들 수준은 아니라고 판단함. [팩트, p30]

[그림 20·21, p30]

  1. 결국 현재 메모리 공급의 핵심 문제는 공장을 짓는 의지가 없는 것이 아니라 선단공정 전환·수율·클린룸·장비·전력 등 현실적인 물리적 제약 때문에 수요 증가 속도만큼 Bit 공급을 빠르게 늘리기 어렵다는 데 있음. [해석]

🇨🇳 CXMT의 Wafer 숫자만 보면 위험하지만 실제 Bit를 보면 이야기가 달라짐

  1. CXMT의 2026년 2분기 DRAM Wafer 생산능력은 월 30만 장으로 Micron과 사실상 같은 수준까지 확대됐고 2024년 대비 약 두 배로 커졌음. [팩트, p32]

  2. 그런데 2026년 1분기 실제 DRAM 출하량 점유율은 CXMT 6.7%로 삼성전자 37.6%, SK하이닉스 29.2%, Micron 23.8%와 여전히 큰 격차가 존재함. [팩트, p31]

  3. 매출 기준 점유율도 CXMT는 7.6%에 불과해 Wafer 투입량만으로 실제 공급 위협을 판단하기 어렵다는 점을 보여줌. [팩트, p31]

[그림 22·23, p31]

  1. 가장 중요한 원인은 Wafer 한 장에서 만들어내는 데이터 용량인 Gb/Wafer에서 2025년 Micron이 20,612Gb인 반면 CXMT는 5,746Gb에 불과해 약 네 배 차이가 나기 때문임. [팩트, p32]

[그림 24·25, p32]

  1. 선도업체의 DRAM 주력 공정은 현재 1b nm에서 2027년 1c nm로 이동할 전망이지만 CXMT는 2027년 말까지도 1x nm가 주력일 것으로 예상되어 약 5세대의 공정 격차가 남아 있음. [팩트, p33]

  2. 이 공정 격차는 같은 Wafer를 투입하더라도 칩 크기·전력효율·속도·생산 Bit 측면에서 CXMT가 불리하다는 의미임. [해석]

  3. DRAM 전체 수요에서 서버가 약 50.8%를 차지하지만 CXMT의 서버 시장 점유율은 2%에 불과하고 모바일 11%, PC 7%로 상대적으로 저사양 시장에 집중돼 있음. [팩트, p33]

[그림 26·27, p33]

  1. 2025년 CXMT 출하 제품 중 모바일 비중은 57.2%, DDR4는 33.4%, 고성능 서버에 중요한 DDR5는 9.4%였으며 DDR5 매출도 2025년에 처음 발생했음. [팩트, p34]

[그림 28·29, p34]

  1. CXMT는 추가 자금으로 Wafer 증설을 추진하고 있지만 서버 시장은 단순 생산량뿐 아니라 선단공정·품질 안정성·장기 공급능력을 동시에 요구하므로 생산능력이 늘어났다고 바로 고부가 서버 DRAM 공급이 늘어나는 것은 아님. [팩트, p35]

  2. OMDIA는 이러한 제약을 고려해 2027년까지도 CXMT의 전체 DRAM 생산량 기준 시장점유율이 7%를 넘기기 어려울 것으로 전망함. [팩트, p35]

[그림 30, p35]

  1. 따라서 중국발 공급과잉의 진짜 체크포인트는 Wafer CAPA(생산능력)가 아니라 Gb/Wafer 개선 → 1x에서 선단공정 전환 → DDR5 비중 상승 → 서버 시장 진입이 실제로 얼마나 빠르게 진행되는지임. [해석]

📌 이 보고서의 논리를 한 장으로 연결하면 이 구조임

  1. 전체 투자 논리는 Generative AI → Reasoning AI → Agent AI → Token 폭증 → Cloud+Edge 분산연산 → CPU·HBM·DRAM·NAND 수요 확대 → LTA 확대 → 제한된 공급 → 메모리 업황 장기 성장으로 연결됨. [해석]

  2. 반대로 이 논리가 깨지는 경로는 AI 서비스 수익화 부진 → 순환금융 축소 → 데이터센터 투자 취소 → LTA 약화 → 신규 Wafer 공급 증가 → 메모리 가격 하락이므로 투자자는 AI CapEx(자본적지출) 증가율보다 이 연결고리의 앞단을 확인해야 함. [해석]

핵심 변수 보고서의 주장 실제 확인해야 할 지표
AI 투자 증가율 둔화돼도 절대 규모는 증가함 Hyperscaler CapEx·Edge AI 투자·기업 AI 투자임
Agent AI CPU·메모리 사용량을 확대함 Token 사용량·CPU 서버·DRAM/NAND 수요임
효율적 모델 단가 하락이 이용량을 늘림 추론 Token·동시 사용자·Inference 인프라임
순환금융 생태계 확장용 금융구조임 SPV 부채·지급보증·AI 서비스 매출임
메모리 공급 LTA가 증설을 뒷받침함 LTA 기간·물량·Wafer 증설·재고임
중국 단기간 고부가 시장 침투가 어려움 Gb/Wafer·1c/1b 공정·DDR5·서버 점유율임

📈 리스크 & 기회

  1. 단기 1-3개월의 가장 큰 기회는 강한 실적과 LTA가 유지되는 가운데 시장의 사이클 고점 우려만 완화되는 경우이며, 발생확률을 65%, 영향도를 높음으로 보고 DRAM 가격·고객 재고·메모리 업체 가이던스·LTA 신규 체결을 확인해야 함. [해석]

  2. 단기 1-3개월의 가장 큰 리스크는 AI Financing과 대형 데이터센터 계약 중 일부가 취소되거나 연기되면서 시장이 순환금융을 실제 수요가 아닌 공급자 금융으로 재평가하는 경우이며, 발생확률을 30%, 영향도를 높음으로 보고 SPV 자금조달·클라우드 업체 CapEx·프로젝트 지연 여부를 확인해야 함. [해석]

  3. 중기 6-12개월의 가장 큰 기회는 Agent AI 상용화가 확대되며 CPU·DRAM·NAND 수요가 실제 데이터로 확인되는 경우이며, 발생확률을 60%, 영향도를 매우 높음으로 보고 Agent AI 사용자·Token 사용량·서버 DRAM Bit Growth(출하 Bit 증가율)·NAND 기업용 SSD 수요를 확인해야 함. [해석]

  4. 중기 6-12개월의 핵심 리스크는 예상보다 빠른 공급 증가와 AI 수익화 지연이 동시에 발생하는 경우이며, 발생확률을 25%, 영향도를 매우 높음으로 보고 DRAM 재고·Wafer 투입량·LTA 재협상·CXMT DDR5 및 서버 점유율을 확인해야 함. [해석]

⚖️ 내가 이 섹터에 투자할 것인가?

  1. 현재 이 보고서만을 근거로 한다면 반도체, 특히 메모리 섹터의 구조적 성장 논리는 상당히 설득력 있지만 Agent AI 수요가 아직 본격적으로 실적으로 검증되지 않았고 순환금융의 지속가능성·향후 공급계획·현재 밸류에이션 정보까지 충분히 확인되지 않았으므로 ‘완벽한 확신’에는 이르지 못했다고 판단하며, 따라서 지금은 명확한 투자·비투자 의견을 내리지 않고 판단을 보류함. [해석]

🧵 한 줄 코멘트

이번 메모리 시장은 “같은 산을 오르지만 길이 GPU 한 갈래에서 CPU·DRAM·NAND까지 여러 갈래로 넓어지는 과정”과 같으며, 중요한 것은 오르막의 기울기가 잠시 낮아지는지가 아니라 산 자체가 얼마나 더 높아지고 있는지임.

분석의 근거는 첨부된 IBK투자증권 「IBKS 반도체 In-Depth: 아직도 사이클 타령」 40페이지 보고서만을 사용했음.

https://finance.naver.com/research/industry_read.naver?nid=45737

저작자표시 비영리 변경금지 (새창열림)