AI는 버블인가, 혁명인가? 기술·사업·가격을 나눠 보자
“AI는 버블인가, 혁명인가?”라는 질문에는 서로 다른 판단이 섞여 있습니다. 기술이 실제로 유용하다는 것과, 그 기술에 투자한 가격이 적절하다는 것은 별개입니다. 두 현상은 동시에 나타날 수 있습니다.
BBC Newsnight의 순다르 피차이 인터뷰는 이 구분을 생각할 출발점입니다. 이 글은 인터뷰를 문장별로 옮기기보다, 당시 공개된 기업 자료를 함께 읽고 AI 투자를 평가할 질문을 정리합니다. 금액과 전망의 시점은 2025년 11월이며 현재의 실적이나 투자 전망으로 읽어서는 안 됩니다.
먼저 세 가지 질문으로 나누자
| 질문 | 확인해야 할 근거 | 그것만으로 답할 수 없는 것 |
|---|---|---|
| AI 기술이 유용한가? | 실제 과제 성능, 사람이 검토한 결과의 품질 | 기업의 이익과 주가 |
| AI 사업이 돈을 버는가? | 유료 고객 유지, 사용당 원가, 운영·판매 비용 | 지금의 기업 가치가 적정한지 |
| 투자 규모와 가격이 적절한가? | 미래 현금흐름, 투자 회수 기간, 실패 시 손실 | 기술의 장기적 가치 전체 |
이 구분을 하지 않으면 “AI가 코딩을 잘한다”는 증거가 곧바로 “데이터센터 투자는 모두 회수된다”는 결론으로 바뀝니다. 중간에는 고객의 지불 의사, 경쟁에 따른 가격 변화, 설비 이용률 같은 변수가 있습니다.
큰 투자액은 수요의 증거이자 검증할 약속이다
Alphabet은 2025년 3분기 실적 발표에서 그해 자본적 지출 전망을 910억~930억 달러로 제시했습니다. 이는 당시의 연간 전망이며, 전액을 AI만의 비용으로 분류한 수치도 아닙니다.
같은 발표에서 회사는 클라우드 수요와 공급 제약을 설명하는 한편, 인프라 투자 증가가 감가상각과 데이터센터 운영비 부담으로 이어진다고 밝혔습니다. 서버를 샀다는 사실과 그 서버로 수익을 냈다는 사실 사이에는 시간이 있습니다.
따라서 다음 항목을 같은 칸에 넣으면 안 됩니다.
- 집행한 CapEx: 실제 기간 중 설비 등에 지출한 금액.
- 장기 투자 계획: 여러 해에 걸친 약속이나 예정 금액.
- 매출과 수주잔고: 인식된 매출과 앞으로 제공할 서비스의 계약 규모.
- 투자 회수: 유지·운영·추가 투자 비용까지 고려해 남기는 현금.
한 기업의 큰 지출은 경영진이 기회를 크게 본다는 증거입니다. 산업 전체의 투자가 적정하다는 독립적인 증명은 아닙니다. 경영진은 상황을 잘 아는 당사자인 동시에 자신의 전략을 설명하는 이해관계자이기도 합니다.
기술의 성공이 투자자의 성공을 보장하지 않는 이유
다음은 실제 기업의 수치를 사용한 예측이 아니라 구조를 보기 위한 가정입니다.
AI 서비스가 작업을 확실히 줄여줘 고객이 계속 쓴다고 합시다. 그런데 비슷한 서비스가 늘어 가격이 내려가고, 추론·검토·고객 지원 비용은 충분히 줄지 않는다면 사용량이 증가해도 이익은 기대보다 작을 수 있습니다. 반대로 원가가 낮아지고 반복 사용 고객이 유지된다면, 비슷한 매출에서도 사업의 질은 좋아질 수 있습니다.
‘수요가 있는가’와 ‘누가 얼마를 가져가는가’가 다른 질문인 이유입니다. 인프라 공급자, 모델 제공자, 응용 서비스, 최종 고객이 같은 속도로 이익을 얻는다고 가정해서도 안 됩니다.
제가 볼 만하다고 생각하는 신호는 단순한 투자액 순위보다 다음에 가깝습니다.
| 기대가 현실로 이어지는 신호 | 추가 확인이 필요한 신호 |
|---|---|
| 반복 사용과 유료 갱신이 유지됨 | 무료 사용량만 빠르게 증가함 |
| 검토까지 포함한 과제당 비용이 감소함 | 추론 단가 하락만으로 수익성을 설명함 |
| 설비 증설과 실제 이용이 함께 증가함 | 장기 계획을 이미 확보한 수익처럼 합산함 |
| 새 기능이 기존 업무 흐름에 정착함 | 데모 성능을 그대로 운영 성과로 간주함 |
어느 한 신호만으로 버블을 판정할 수는 없습니다. 다만 다음 분기에 무엇을 확인해야 판단을 바꿀 수 있는지는 구체적으로 정할 수 있습니다.
일자리는 직업명보다 업무 단위로 봐야 한다
AI가 사람을 돕는다는 설명과 고용이 유지된다는 전망도 다릅니다. 특정 업무의 시간이 줄어도 결과는 여러 방향으로 갈 수 있습니다. 같은 인원이 더 많은 일을 할 수도 있고, 수요가 늘지 않으면 필요한 인원이 줄 수도 있습니다. 검토나 책임 업무가 새 병목이 될 수도 있습니다.
개발자라면 코드 생성 시간만으로 생산성을 평가하지 않는 편이 좋겠습니다. 요구사항 확인, 구현, 리뷰, 재작업, 배포 후 결함까지 합친 완료 시간과 품질을 봐야 합니다. “AI를 쓰는 사람”이라는 분류보다, 어느 단계의 비용이 실제로 줄었는지가 더 설명력이 있습니다. 이는 제 실무 적용 제안이며 인터뷰가 입증한 고용 전망은 아닙니다.
효율 향상과 총 에너지 사용량도 구분하자
DeepMind는 2016년 데이터센터 실험에서 냉각에 쓰는 에너지를 최대 40% 줄였다고 보고했습니다. 냉각이라는 특정 용도의 절감이며, 모든 데이터센터의 총전력이 40% 줄었다는 뜻은 아닙니다.
효율 개선은 가치가 있습니다. 하지만 한 번의 처리에 필요한 에너지가 줄어도 처리량이 더 크게 늘면 총사용량은 증가할 수 있습니다. 청정 에너지 투자 계획 역시 실제 공급 시점·지역·발전량과 연결해 읽어야 합니다. 미래의 공급 약속을 현재 사용량의 해결책으로 바로 계산할 수는 없습니다.
생성형 AI 밖의 성과가 말해주는 것
AlphaFold 사례는 AI의 유용성을 챗봇 구독 매출만으로 판단할 수 없다는 점을 보여줍니다. DeepMind와 EMBL-EBI는 2022년 2억 개 이상의 단백질 구조 예측을 공개했습니다. 계산으로 예측한 구조와 실험으로 검증한 구조는 구분해야 합니다.
이런 과학적 성과는 AI 연구의 가치를 뒷받침합니다. 다만 특정 생성형 AI 기업의 설비 투자나 시장 가격을 정당화하는 근거로 바로 옮길 수는 없습니다. 성과가 발생한 과제와 비용을 지불하고 수익을 얻는 주체가 다르기 때문입니다.
AI의 장기적 변화 가능성을 열어두면서도 개별 사업의 수익성과 투자 가격에는 엄격할 수 있습니다. 제가 이 논쟁에서 얻는 결론은 어느 진영을 고르라는 것이 아니라, 기술·사업·가격에 각각 다른 증거를 요구하자는 것입니다.
참고 자료
BBC Newsnight — 순다르 피차이 인터뷰