핵심 요약

  • 톰 퉁구즈는 2027년 미국의 AI 연산 설비가 약 80GW 규모에 도달하더라도 수요를 따라잡기 어렵다고 봤다. 핵심 제약은 GPU 확보뿐 아니라 실제로 전력을 공급받아 가동할 수 있느냐다.
  • 예정된 증설과 칩 효율 개선을 반영하면 연간 추론 매출의 이론적 규모는 약 5,000억 달러다. 증설이 실현되고 일정한 연산 배분과 가격 조건이 유지된다고 가정한 계산이다.
  • GPU 비용이 오르면 모델 학습보다 고객에게 판매하는 추론에 자원을 더 배분해야 한다는 압박이 커질 수 있다. 응답 속도에 따른 가격 차등도 커질 수 있다.
  • 경쟁의 초점은 모델 구조와 주변 소프트웨어의 효율로 옮겨간다. AI로 사내 소프트웨어를 직접 만드는 방식도 기성 제품 구매보다 저렴한지 다시 따져야 한다.

GPU를 사도 전력이 없으면 가동할 수 없다

AI·데이터 중심 투자사 Theory Ventures의 창업자 톰 퉁구즈는 이 글에서 2027년 전력 공급의 한계가 AI 매출과 제품 경쟁을 어떻게 바꿀지 분석했다. 연산 수요가 실제로 가동 가능한 설비를 앞지를 때 AI 기업이 어디서 성장 여력을 확보하느냐가 글의 핵심 쟁점이다.

퉁구즈가 제시한 2027년 상한은 약 80GW다. 근거로 인용한 All-In 방송에서 브래드 거스너는 2026년 말 미국의 누적 가동 설비를 약 38GW, 2027년 신규 가동 전망을 43GW로 제시했다. 다만 예정된 증설 가운데 최소 10~15GW가 가동에 들어가지 못할 수도 있다고 봤다.

문제는 서버 확보와 전력 공급 사이의 간극이다. 퉁구즈는 완성된 서버 랙이 전력을 공급받지 못해 창고에서 대기하는 사례를 들었다. 설비를 들여오는 일과 실제 연산 능력을 확보하는 일은 다르다.

그는 공급이 빠르게 늘어도 GPU 대여 비용이 상승하는 현상에 주목했다. 원문이 인용한 앤트로픽 공시에 따르면 GPU 환산 시간당 혼합 비용은 두 분기 만에 3.10달러에서 5.65달러로 약 82% 올랐다. 퉁구즈는 가동 가능한 연산 자원이 부족해 시간당 GPU 가격이 지속적으로 상승 압력을 받을 것으로 봤다.

약 5,000억 달러는 조건부 매출 여력이다

GPU는 모델을 개발하는 학습과 완성된 모델로 고객 요청을 처리하는 추론에 쓰인다. 퉁구즈는 현재 GPU 사용 시간의 40%가 추론, 나머지 60%가 모델 개발에 배분된다고 설명했다. 이 계산에서 고객에게 판매해 매출을 만드는 부분은 추론이다.

그는 기존 38GW 설비의 매출 규모를 약 1,400억 달러로 잡았다. 여기에 2027년 추가될 43GW 설비가 와트당 토큰 처리량이 기존 설비보다 3~5배 높은 칩을 사용하면 연간 약 3,500억 달러의 매출 여력이 더해져 합계가 약 5,000억 달러에 이를 것으로 계산했다.

이는 신규 설비의 40%인 17.2GW를 추론에 쓰고, 토큰 가격 하락과 최첨단 모델 기업·그 밖의 시장 사이의 매출 차이를 반영한 이론적 매출 여력이다. 예정된 설비가 가동되지 못하면 계산의 전제도 달라진다.

비용이 오르면 학습 배분과 응답 속도가 달라진다

GPU 가격이 계속 오르면 기반 모델 기업은 학습에 쓰던 연산 시간 일부를 추론으로 옮겨야 할 수 있다. 고객 요청을 처리해 매출을 내는 비중을 높이는 선택이다. 퉁구즈는 이런 압력으로 최첨단 모델의 혁신 속도가 제한될 가능성을 제기했다.

또 다른 조정 수단은 지연 시간, 즉 요청을 보낸 뒤 결과를 받기까지 걸리는 시간이다. 퉁구즈는 인터넷 서비스가 전송량과 속도에 따라 요금을 나누듯 AI도 처리량과 응답 속도를 함께 가격에 반영할 수 있다고 봤다.

그는 이미 빠른 응답에 집중하는 추론 제품과 오래 걸리는 작업을 처리하는 제품이 나뉘고 있다고 짚었다. 수요가 설비 용량을 넘으면 모든 요청을 같은 속도로 처리하는 대신 속도 차이로 수요를 조절할 수 있다고 봤다.

작은 모델과 주변 소프트웨어에서 효율을 찾는다

연산 자원이 제약되면 알고리즘 개선을 자극할 수 있다. 퉁구즈는 DeepSeek, Qwen, Kimi를 예로 들며 더 작은 모델과 새로운 구조로도 최상위권에 가까운 성능을 낼 수 있다고 봤다.

원문이 인용한 Artificial Analysis 평가에서는 270억 매개변수의 Qwen3.8-27B가 52점을 받아 약 28배 큰 7,530억 매개변수의 GLM-5.2가 기록한 51점을 앞섰다. 퉁구즈는 이 사례를 같은 GPU에서 더 많은 성능을 끌어내는 모델 구조 개선의 근거로 제시했다.

모델 주변 소프트웨어도 중요하다. 퉁구즈가 말하는 하네스는 모델이 작업을 수행하도록 감싸는 소프트웨어다. 그는 이 부분이 전체 시스템 성능의 절반 이상을 좌우한다고 봤다. 원문에 인용된 연구에서는 하네스를 개선해 정확도 손실 없이 같은 작업의 해결 비용을 71% 줄였다.

직접 만든 소프트웨어도 운영비를 따져야 한다

추론 비용이 오르면 AI에 지시해 소프트웨어를 만드는 바이브 코딩의 경제성에도 영향을 준다. 코드를 만드는 비용이 낮아져도 그렇게 만든 사내 소프트웨어를 실행하고 유지하는 비용까지 낮아지는 것은 아니다.

퉁구즈는 추론이 비싸지면 AI 기능을 포함한 기성 소프트웨어가 사내 맞춤형 소프트웨어보다 저렴해질 수 있다고 봤다. 직접 만들 수 있는지와 계속 운영하는 편이 경제적인지는 별개로 판단해야 한다.

그는 2027년 AI의 제약이 전력을 공급받는 GPU에 접근할 수 있느냐에 달려 있다고 결론 내렸다. GPU 대여료 상승을 효율 개선만으로 상쇄하기 어려워질수록 모델 구조부터 주변 소프트웨어와 제품 운영까지 효율이 핵심 과제로 떠오른다.