EP 120. 가치는 어디로 가는가: AI 시장 조정, CoreWeave 위기와 operation loop

한 줄 핵심

AI 인프라와 모델 시장은 과열 조정 국면에 들어갔지만, 가치와 수익은 결국 희소한 compute·데이터·operation loop로 이동하고 있어 다음 승자는 범용 모델보다 그 루프를 소유한 사업자가 될 가능성이 크다.

시간별 요약

1. 0:00
   반도체 급락과 과도한 비관론 속 AI 시장 조정 최근 2주간의 변동성은 AI 거품 붕괴라기보다 과투자와 수요 과장에 대한 불안이 겹친 조정으로 해석된다. 특히 한국 메모리 반도체와 CoreWeave, Nebius 같은 중심 종목에 공매도 심리가 강하게 붙으면서 시장이 과도하게 비관적으로 기울었다.
2. 2:00
   모든 계층이 동시에 바뀌는 AI 대전환 이번 변화는 철도·인터넷보다 더 빠르고, 인프라 한 층만 바뀌는 것이 아니라 assembler부터 Python까지 기술 스택 전체가 함께 흔들리는 대전환이다. 그래서 현재 장세는 해석이 엇갈릴 수밖에 없지만, 건설 국면이 끝났다고 보기에는 아직 이른 단계로 본다.
3. 4:16
   대항해시대 비유와 video modality 이후의 수요 AI는 단일 제품이 아니라 위험을 감수하고 신대륙을 발견하는 대항해시대에 가깝고, 그 결과는 특허·신물질·노화 해결처럼 매우 큰 편익으로 돌아올 수 있다. 특히 video modality가 본격화되면 현재보다 훨씬 큰 수요가 생길 여지가 있어, 모델의 잠재 시장은 아직 충분히 남아 있다.
4. 7:21
   Domain gap과 time gap으로 보는 오르지 않는 모델 가격 모델 성능은 올라가지만 token당 가격은 내려가고 있어, 초고가 요금제를 붙일 수 있다는 기대는 현실화되지 않고 있다. 이는 domain gap과 time gap을 함께 봐야 하며, 효율 개선이 곧바로 높은 가격으로 이어지지 않는 구조를 보여준다.
5. 8:47
   Value chain과 희소성으로 보는 마진 구조 가치는 공급망에서 가장 희소한 지점으로 이동하며, 경쟁이 치열해질수록 commodity화된 영역의 마진은 줄어든다. 따라서 전력·냉각·compute부터 모델·애플리케이션까지의 전 구간을 희소성 관점으로 봐야 어디에 돈이 남는지 보인다.
6. 11:33
   Near Frontier Lab의 추격과 가격을 못 올리는 Frontier Lab 중국과 미국의 Near Frontier Lab이 빠르게 추격하면서 Frontier Lab의 희소성이 약해지고 있다. 그 결과 OpenAI, Anthropic도 마음대로 가격을 올리기 어려우며, 모델 경쟁은 점점 가격 경쟁으로 바뀌고 있다.
7. 13:11
   Vertical 도메인 전략과 새지 않는 희소성 Frontier Lab이 데이터와 기능을 계속 흡수하면 각 회사의 수직 도메인은 위협받기 때문에, 결국 자기만의 vertical을 지키려는 전략이 중요해진다. 새지 않는 희소성은 대형 Frontier Lab이 가져가거나, operation이 내부에 있는 사업처럼 외부가 쉽게 침투하지 못하는 곳에 남는다.
8. 14:49
   인프라 과투자와 조정 이후 열리는 애플리케이션 시대 모든 사이클에는 인프라 buildout이 있고, 그 뒤에는 모바일·cloud처럼 애플리케이션과 서비스의 황금기가 온다. AI도 과투자와 조정 이후 구조조정된 인프라 위에서 새로운 애플리케이션 시대가 열릴 가능성이 크다.
9. 18:31
   Anthropic 매출 급증과 지식 노동자 확산의 시차 Anthropic의 매출 급증은 coder 집단이 이미 들어온 결과로, 시장은 이제 지식 노동자 15억 명의 확산이 얼마나 빨리 일어날지 주목한다. 다만 비coder의 채택이 생각보다 느려서 TAM 확대에 시차가 생기고 있다.
10. 20:10
    꺾인 성장률과 Anthropic valuation에 걸린 기대 성장률이 계속 유지될 것이라는 기대가 꺾이면서, Anthropic의 valuation이 얼마나 미래 확장을 전제로 하고 있었는지가 드러났다. 작은 성장 둔화도 큰 멀티플을 받는 회사에는 정당성 문제로 이어질 수 있다.
11. 22:02
    CoreWeave의 데이터센터 금융 구조 CoreWeave는 데이터센터 15년 계약, 장비, 고객 계약, 5년 만기 부채를 한 박스에 묶어 수익을 만드는 구조다. 이익은 본체에 쌓이지만 위험도 본체에 모이기 때문에, 계약 구조와 금융 구조가 핵심이다.
12. 24:01
    채권 금리와 CDS spread가 말하는 위험 CoreWeave 채권의 만기 수익률과 CDS spread가 동시에 급등했다는 것은 시장이 부도 위험을 강하게 가격에 반영하고 있다는 뜻이다. 채권과 CDS를 결합해도 보험료가 너무 비싸져, 투자자들은 이 사업을 매우 위험한 자산으로 보고 있다.
13. 25:52
    수요가 아니라 금융 환경이 흔드는 인프라 사업 핵심 문제는 GPU 수요 자체보다 금리와 차환 환경이다. 다음 채권 발행이 막히거나 조달금리가 높아지면 인프라 사업은 흔들리지만, 산업 자체가 사라지기보다 주인이 구조조정되는 경우가 많다.
14. 28:25
    공매도와 시장 심리가 만든 CoreWeave 하락 CoreWeave의 하락은 fundamentals 악화보다 공매도와 시장 심리가 더 큰 역할을 했을 가능성이 크다. 유통주식의 상당 부분이 공매도에 잡혀 있어, 수급이 받쳐주지 않으면 주가가 급락하기 쉬운 구조다.
15. 30:30
    Operation loop를 소유한 사업과 Lab 간 time gap 핵심 결론은 operation loop를 소유한 사업으로 가치가 간다는 점이다. Frontier Lab과의 time gap은 줄어들지만, 아직도 외부 사업자가 그 능력을 상품처럼 활용할 수 있는 시간차는 충분히 남아 있다.
16. 33:12
    모델이 commodity가 될 때 이동하는 가치 모델이 commodity가 되면 가치가 Frontier Lab에 쌓이지 않고 아래 인프라나 위의 애플리케이션으로 이동한다. 결국 가장 많은 가치는 돈을 내는 사용자 가까이, 혹은 더 희소한 물리적 병목에 붙은 사업으로 흐른다.
17. 35:07
    Scaling law와 계속되는 compute 경쟁 현재 성능 향상은 아직도 scaling law와 더 많은 compute 투입의 결과에 가깝다. 성능을 더 밀어 올리려면 compute가 계속 희소해야 하며, 스스로 학습 구조를 바꾸는 단계는 아직 도래하지 않았다고 본다.
18. 38:30
    희소한 compute와 새어나가는 data, talent compute만 희소하고 data와 talent는 계속 새어나간다. 그래서 경쟁의 본질은 인재 한 명보다도 대규모 compute를 얼마나 오래 확보하느냐로 바뀌었고, 데이터센터가 열릴 때마다 Frontier Lab이 직접 사러 오는 구조가 유지된다.
19. 41:20
    수요를 대체하는 AI에서 창조하는 AI로 AI는 기존 일을 대체하는 수준을 넘어, 오히려 전체 수요를 새로 창조하는 방향으로 갈 수 있다. coding처럼 생산량이 폭증하는 사례는 대체가 아니라 새로운 시장을 여는 신대륙의 발견에 가깝다.
20. 43:16
    Lab의 attention 순서와 buyable data로 자동화되는 '사' 자 직업 Frontier Lab은 verifiable하고 digital한 영역부터 공략하며, 그 과정에서 회계사·변호사·의사 같은 '사' 자 직업의 데이터가 먼저 상품화될 가능성이 크다. 전문가를 고용해 label과 정답을 만드는 dataset 산업이 확장되면 많은 지식 업무가 자동화 대상으로 바뀐다.
21. 45:50
    Unbuyable data와 Frontier Lab의 공격 경로 데이터를 사서 커버리지를 만들 수 있는 영역은 결국 Frontier Lab의 feature가 되지만, 규제·특허·규모 문제로 접근이 어려운 unbuyable data 영역도 남는다. 그때는 lab이 직접 만들거나, 제약·바이오처럼 wet lab까지 세워서 공격하는 방식이 사용된다.
22. 47:46
    퍼지는 frontier recipe와 규제형 moat frontier recipe는 더 이상 극소수만의 비밀이 아니며, Near Frontier Lab은 빠르게 Frontier Lab에 수렴하고 있다. 다만 규제나 정치적 이유가 있는 영역에서는 moat가 남아 있고, closed loop를 가진 서비스는 오픈웨이트보다 더 빠르게 학습을 돌릴 수 있다.
23. 48:52
    폐쇄형 operation loop와 일반 사용자 수요의 gap 서비스 안에서 발생하는 고객 데이터와 intent가 다시 학습으로 돌아가는 폐쇄형 loop가 중요하지만, 오픈웨이트 모델은 이 연결이 끊기기 쉽다. 일반 소비자와 기업은 아직 AI를 어떻게 써야 하는지 감이 부족해, 실제 수요와 hype 사이에 gap이 존재한다.
24. 50:40
    Spot과 contract 가격으로 보는 GPU 수요 spot은 시장가, contract은 장기 고정가이며, 현재는 spot 가격이 contract보다 훨씬 비싸다는 점이 GPU 부족을 보여준다. 이 역전이 언제 바뀌는지가 수요 정상화와 과잉 공급을 가르는 중요한 분기점이다.
25. 52:07
    CoreWeave의 금리 민감도와 만기 mismatch CoreWeave는 3년 계약, 15년 임대, 5년 부채가 맞물린 전형적인 만기 mismatch 구조를 갖고 있다. 다음 조달이 막히면 흔들릴 수 있지만, 그 원인은 수요 붕괴보다 금리와 금융 환경 변화일 가능성이 크다.
26. 54:34
    Hyperscaler부터 neocloud까지 데이터센터 위험 지도 Google, Amazon, Microsoft는 자체 현금흐름으로 버티는 반면, Meta, Oracle, CoreWeave, Nebius, xAI로 갈수록 외부 자금과 부채 의존도가 높아진다. 데이터센터 사업은 지금 금리와 자본 구조에 따라 위험도가 계층적으로 갈리고 있다.
27. 58:19
    Toyota 아니면 Ferrari로 갈리는 네 가지 시나리오 AI 산업은 대중적 대기업형 또는 특화된 초고수익형으로 쪼개질 가능성이 높고, 중간은 살아남기 어렵다. Frontier gap이 닫히면 모델은 범용재가 되고, 남는 가치는 인프라와 operation loop 쪽으로 이동한다.
28. 1:02:16
    모델의 범용화와 operation loop로의 가치 이동 Frontier Lab이 과점하면 지능 인프라 사업자가 되겠지만, gap이 닫히면 모델 자체의 가치는 0에 가까워지고 utility가 된다. 그때 남는 가치는 인프라와 operation loop를 가진 사업으로 흘러가며, Frontier Lab 이외의 다수 사업자는 도태될 수 있다.
29. 1:05:48
    Weight 소유는 감가, signal 소유는 복리 모델 weight를 소유하는 것은 감가되는 자산을 갖는 것에 가깝고, operation signal을 소유하는 것은 복리처럼 쌓이는 자산을 갖는 것이다. 그래서 꼭 자체 모델을 만들 필요는 없고, 의미 있는 signal을 반복적으로 얻는 구조가 더 중요하다.
30. 1:08:01
    지혜의 압축체로서의 operation signal operation signal은 단순한 데이터가 아니라, 반복된 질문과 답변이 압축된 규칙과 지혜의 묶음이다. 이미 시장 지배력이 있는 회사일수록 이런 signal이 많아 AI와 결합했을 때 다음 세대로 진화하기 쉽다.
31. 1:10:06
    B2B·B2C workflow 재설계와 AI agent 경쟁 기업은 아직 AI를 어떻게 workflow에 맞춰 재설계할지 모르기 때문에, 단순 자동화가 아니라 workflow 자체를 다시 짜는 사업이 유리하다. B2C에서는 coverage와 comprehensiveness를 얼마나 넓고 깊게 잡느냐가 agent 승부를 가른다.
32. 1:13:05
    수직계열화와 보험으로서의 Frontier Lab 투자 Frontier Lab 주식은 장기 보험처럼 보유할 가치가 있고, 실제 사업은 그들이 직접 하지 않는 영역에서 찾아야 한다. 특히 operation loop가 이미 있는 회사와 결합하는 B2B enterprise AI가 다음 창업 기회로 제시된다.
33. 1:14:24
    AI 시장 타이밍을 읽는 일곱 가지 지표 spot·contract 스프레드, 하드웨어 payback period, open-weight와 Frontier gap, coding 밖의 신규 domain, token 대비 value capture, 그리고 RSI 발생 여부가 시장 타이밍을 읽는 핵심 지표로 정리된다. 이 지표들은 모델 경쟁이 계속될지, 혹은 수익화 구조가 바뀔지를 판단하는 데 쓰인다.
34. 1:17:16
    RSI 변수와 Frontier Lab을 지켜보는 관점 가장 큰 리스크는 이런 지표를 정교하게 보기도 전에 superintelligence나 새로운 연구 돌파구가 등장해 게임의 규칙 자체가 바뀌는 것이다. 그래서 핵심은 Frontier Lab의 움직임과 그들이 못하는 영역, 그리고 타이밍 변화를 계속 관찰하는 일이다.
35. 1:19:48
    AI 시대를 위한 교육과 마무리 마지막으로 AI 시대의 교육 사례로 한미유치원을 언급하며, 어린 시절부터 AI 환경에 맞는 교육이 중요하다는 메시지로 마무리한다. 전체적으로는 시장 해석과 사업 전략, 그리고 다음 세대 교육까지 연결해 정리한다.

실무 인사이트

• AI 관련 투자 판단은 모델 성능보다 금리, 만기 구조, 차환 가능성 같은 금융 변수까지 함께 봐야 한다.
• 지속 가능한 방어선은 모델 자체가 아니라 고객 행동과 내부 운영 데이터가 계속 돌아오는 operation loop에 있다.
• 새로운 AI 사업을 기획할 때는 범용 기능 추가보다 이미 존재하는 업무 흐름을 AI 기준으로 다시 설계하는 쪽이 더 유리하다.