AI 버블의 질문이 바뀌었다 2026년 하반기, 이제는 GPU보다 ROIC를 본다
AI 투자가 꺾였다는 증거는 아직 없다. 오히려 하이퍼스케일러의 지출 전망은 다시 올라가고 있다. 다만 투자 규모가 너무 커지면서 시장이 묻는 질문은 달라졌다. “AI가 성장하는가”가 아니라 “이 자본이 언제, 얼마나 많은 현금으로 돌아오는가”다.
20초 핵심
AI 버블인가. 질문부터 다시 해야 한다
2026년 AI 시장을 2000년 시스코와 단순 비교하면 중요한 부분을 놓친다. 공통점은 분명하다. 신기술이 등장했고, 인프라 투자가 폭발했고, 시장은 미래 수요를 현재 가격에 빠르게 반영했다. 하지만 지금 AI 인프라의 핵심 구매자는 당시의 취약한 통신 스타트업보다 현금창출력이 훨씬 강한 초대형 플랫폼 기업이다.
그렇다고 “이번에는 다르다”로 끝내도 안 된다. 고객의 재무력이 강해도 투자 수익률이 자본비용을 밑돌면 지출 속도는 결국 조정된다. 따라서 지금의 버블 논쟁은 AI가 쓸모 있느냐보다 AI에 들어가는 자본의 속도가 AI가 벌어들이는 현금의 속도를 얼마나 앞서고 있느냐를 묻는 쪽이 더 정확하다.
주의할 점이 있다. 하이퍼스케일러 CapEx 전체가 AI만을 위한 지출은 아니다. 데이터센터 건물, 서버, 네트워크, 전력 인프라와 일반 클라우드 투자까지 섞여 있다. 그래서 기관별 숫자를 같은 정의처럼 비교하면 오해가 생긴다.
진짜 암초는 세 가지다
1. 매출이 아니라 현금 회수 속도
세쿼이아가 2024년 던졌던 ‘AI의 6,000억달러 질문’은 정확한 2026년 손익분기점 추정치라기보다 문제를 보는 프레임이었다. 2025년 Bain도 2030년 AI 컴퓨팅 확대를 정당화하려면 막대한 신규 매출이 필요하며, 예상 수익과 필요한 수익 사이에 약 8,000억달러의 연간 격차가 남을 수 있다고 추산했다.
핵심은 숫자 하나가 아니다. 토큰 사용량과 AI 매출이 폭증해도 CapEx, 전력, 금융비용이 더 빠르게 커지면 주주에게 남는 잉여현금흐름은 생각보다 작을 수 있다.
2. GPU의 회계 수명과 경제적 수명이 다를 수 있다
골드만삭스는 AI 인프라 투자 총액을 좌우하는 가장 중요한 가정 중 하나로 AI 실리콘의 내용연수를 꼽는다. 현재 대형 사업자의 서버 및 네트워크 장비는 대체로 4~6년 수준으로 감가상각되지만, 엔비디아는 사실상 연례 아키텍처 출시 속도로 움직이고 있다.
새 칩이 더 나왔다고 기존 GPU가 바로 쓸모없어지는 것은 아니다. 추론, 합성데이터, 중저가 워크로드로 재배치할 수 있다. 하지만 경제적 교체 주기가 회계상 감가상각 기간보다 짧아진다면 향후 비용 인식이 빨라지고 이익률은 압박받는다. 이 논쟁은 AI 밸류에이션의 핵심 변수다.
3. AI가 ‘현금 부자들의 투자’에서 ‘신용시장의 투자’로 이동한다
AI 투자 규모가 영업현금흐름에 근접하면서 부채와 프로젝트 금융의 역할도 커지고 있다. 모건스탠리는 2026년 첫 5개월에만 AI 관련 공모 크레딧 발행이 2,000억달러를 넘었다고 분석했다. 9월에는 AI 데이터센터와 칩을 지원하기 위한 잔존가치 보증 등 새로운 금융구조도 빠르게 확산하고 있다.
이 변화는 곧바로 위기를 뜻하지 않는다. 다만 앞으로는 GPU 주문보다 회사채 스프레드, 리스 의무, 프로젝트 파이낸싱 조건, OCF 대비 CapEx가 AI 사이클의 조기 경보기가 될 가능성이 높다.
2027~2028년, 돈은 ‘더 빠른 칩’보다 ‘더 싼 계산’으로 간다
엔비디아의 Rubin은 3360억개 트랜지스터, GPU당 288GB HBM4, 최대 22TB/s 메모리 대역폭을 내세운다. 기술적 우위는 여전히 강하다. 하지만 추론이 AI 컴퓨팅의 중심으로 커질수록 고객의 질문은 최고 성능에서 한 번의 추론을 얼마에 처리하느냐로 이동한다.
이 지점에서 Google TPU, Amazon Trainium, Meta MTIA 같은 커스텀 가속기와 이를 설계하는 생태계가 중요해진다. 범용 GPU를 완전히 대체한다기보다, 반복적이고 대규모인 워크로드에서 비용을 낮추며 GPU의 가격 결정력 일부를 견제하는 구조다.
| 구간 | 투자 논리 | 확인해야 할 숫자 | 대표 리스크 |
|---|---|---|---|
| GPU / 첨단 패키징 | 프론티어 학습과 범용성이 필요한 고성능 연산 | GPU ASP, HBM 공급, CoWoS 가동률 | 고객 CapEx 조정, 대체 실리콘 |
| 커스텀 ASIC | 추론 TCO 절감과 플랫폼 내부 최적화 | ASIC 매출, 고객 수, 추론 비중 | 설계 집중도, 특정 고객 의존 |
| 전력 / 냉각 | 칩 세대와 무관한 물리적 병목 | 전력 계약, 수주잔고, 변압기·냉각 리드타임 | 규제, 프로젝트 지연, 금리 |
| AI 소프트웨어 | CapEx를 실제 매출과 생산성으로 변환 | ARR, cRPO, FCF 마진, 고객 ROI | 가격 경쟁, 높은 멀티플 |
전력은 이제 AI 산업의 ‘부품’이다
전력은 더 이상 데이터센터의 배경 변수가 아니다. 9월 21일 텍사스가 신규 데이터센터 관련 주정부 허가를 전수조사 기간 동안 멈춘 것은 AI의 병목이 반도체에서 전력망과 사회적 비용으로 이동하고 있음을 보여준다. ERCOT 접속 대기열에는 데이터센터를 포함한 대규모 전력수요 프로젝트가 470GW 이상 쌓여 있었다.
따라서 전력 발전, 송배전, 변압기, 냉각, 데이터센터 전력관리 소프트웨어는 GPU 사이클보다 긴 시간축에서 봐야 한다. AI 칩이 교체돼도 전기는 계속 필요하다. 반대로 전력 확보가 안 되면 가장 비싼 GPU도 매출을 만들지 못한다.
2028년 이후의 씨앗은 ‘화면 밖’에 있다
피지컬 AI와 양자컴퓨팅은 매출 가시성이 지금의 GPU보다 훨씬 낮다. 그래서 코어 자산이 아니라 장기 옵션으로 보는 편이 합리적이다.
Tesla는 Optimus Gen 3를 대량생산용 첫 설계로 규정하고 2026년 말 이전 생산 개시를 목표로 준비하고 있다. 중요한 것은 로봇 데모가 아니라 실제 생산량, 고장률, 작업당 비용, 사람 대비 생산성이다. “공장에 1,000대 이상이 이미 가동 중”이라는 식의 숫자는 현재 공개자료로 확인하기 어렵다.
양자에서도 로드맵과 실적을 분리해야 한다. IBM은 2028년 Nighthawk 시스템에서 최대 1만5,000개의 2큐비트 게이트를 목표로 하고, 대규모 결함허용 시스템 Starling은 2029년을 목표로 한다. IonQ는 2028년 1,600 논리 큐비트를 제시하지만 역시 회사의 목표다. 장기 잠재력은 크지만, 아직은 매출보다 기술 마일스톤의 달성률을 먼저 봐야 하는 구간이다.
2026년 하반기를 ‘AI 붕괴 직전’으로 보는 것도, ‘무조건적인 슈퍼사이클’로 보는 것도 과하다.
현재 확인되는 사실은 두 가지다. 첫째, AI 인프라 투자는 아직 줄지 않았고 오히려 2027년 전망이 상향되고 있다. 둘째, 그 투자가 너무 커져 이제 현금흐름과 신용시장까지 흔들 정도가 됐다.
따라서 투자자의 핵심 과제는 AI 비중을 무조건 줄이는 것이 아니라 매출 성장률보다 자본 효율성을 더 높은 우선순위로 올리는 것 이다. GPU는 여전히 중요하지만, 그 GPU가 실제 매출을 만드는 데 필요한 ASIC, 전력, 냉각, 네트워크, 기업용 소프트웨어까지 가치사슬을 넓혀 볼 필요가 있다.
현금 15% 같은 유동성 버퍼는 하나의 방어적 예시가 될 수 있지만 모든 투자자에게 최적 비중은 아니다. 더 중요한 원칙은 하이퍼스케일러의 CapEx 가이던스가 꺾일 때 억지로 버티지 않아도 될 만큼 포트폴리오가 분산돼 있는지, 그리고 급락 때 살 수 있는 유동성을 실제로 남겨두었는지다.
- 금액 자체로는 판단할 수 없다.
- 핵심은 투자액 대비 AI 매출, FCF, ROIC가 얼마나 따라오는지다.
- 프론티어 학습과 범용성에서는 GPU의 장점이 여전히 크다.
- 다만 반복적 추론에서는 ASIC의 TCO 우위가 가격 협상력을 흔들 수 있다.
- 전력 수요의 시간축은 더 길 수 있지만 규제, 프로젝트 지연, 금리 민감도가 크다.
- ‘AI와 무관하게 안전한 자산’으로 보는 것은 과도하다.
- 아니다. 아직 상당 부분이 미래 마일스톤에 의존한다.
- 생산량, 고객 매출, 오류율, 논리 큐비트와 같은 검증 가능한 지표를 따라가야 한다.
체크 포인트
인사이트 타임스 편집부
