# AI 산업의 수익성을 가르는 네 층의 비용과 경쟁

> 2026-11-02 · Tom Tunguz · 큐레이션 김태우
> https://challengekim.com/insights/ai-산업의-수익성을-가르는-네-층의-비용과-경쟁
> 원문: https://tomtunguz.com/the-four-questions-of-ai

## 핵심 요약

- AI 앱은 모델 업데이트가 기능을 흡수해도 살아남을 경쟁력을 확보해야 한다.
- 모델에 맥락과 도구를 연결하는 실행 환경은 성능뿐 아니라 비용과 기업 데이터 통제권을 좌우한다.
- 최첨단 모델의 훈련비가 커지는 가운데 저렴한 특화 모델과 새로운 구조가 경쟁하고 있다.
- 데이터센터 확장은 전력·설비·자금 조달에 막혀 있다. 각 층의 수익성과 비용은 서로 영향을 주므로 따로 판단하기 어렵다.

## 앱은 모델 업데이트 이후에도 살아남을 수 있나

Theory Ventures 창업자이자 벤처투자자인 톰 퉁구즈는 이 글에서 AI 산업을 앱, 실행 환경과 맥락, 모델, 데이터센터의 네 층으로 나눴다. 글을 관통하는 쟁점은 **각 층이 경쟁력과 수익성을 유지할 수 있느냐**다.

AI 앱은 하룻밤 사이에 성공할 수 있지만 다음 모델 출시로 입지를 잃을 수도 있다. 기존 모델의 기능을 얇게 감싼 앱은 모델이 그 기능을 흡수하면 설 자리가 줄어든다. 퉁구즈는 앱 기업이 브랜드 구축, 가격을 앞세운 기존 사업자 공략, 자체 모델 개발, 경쟁사보다 빠른 확장 가운데 경쟁력을 만들 방법을 정해야 한다고 봤다.

사용자 인터페이스의 미래도 이 문제와 연결된다. 에이전트가 화면 없이 작동하는 소프트웨어로 일을 처리한다면 앱의 중심은 사람이 보는 화면에서 모델과 도구를 연결하는 중간 소프트웨어로 옮겨갈 수 있다.

## 실행 환경을 누가 소유할 것인가

이때 경쟁의 중심은 ‘하네스’로 이동한다. 하네스는 모델에 넣을 맥락, 에이전트가 호출할 도구, 작업 기록의 저장 방식을 관리하는 실행 환경이다. Claude Code, Codex, Cursor가 여기에 해당한다.

모델 제작사가 만든 하네스가 반드시 가장 좋은 성능을 내는 것은 아니다. 퉁구즈가 인용한 같은 주의 벤치마크에서는 OpenAI와 Anthropic 모델 모두 제작사 자체 하네스보다 Cursor에서 높은 점수를 받았다.

비용 차이도 크다. 입력 맥락이 전체 토큰의 최대 98%를 차지하는 만큼 이를 효율적으로 관리할 여지가 있다. 글이 인용한 연구에서는 같은 소프트웨어 수정 과제를 해결하는 비용이 71% 줄었고 42개 비교에서 품질 차이는 통계적으로 유의하지 않았다. 별도의 25만 달러 규모 AI 업무 계약 계산에서는 매출총이익률이 38%에서 75%로 높아졌다.

기업도 이 층을 직접 소유하려 한다. 회사의 기억과 접근 권한을 내부에서 관리하면 그 아래의 모델을 교체하면서도 데이터를 통제할 수 있기 때문이다.

## 모델 훈련비는 언제까지 회수할 수 있나

모델 기업에는 막대한 훈련비를 계속 회수할 수 있느냐가 문제다. 퉁구즈는 최첨단 모델 훈련에 수십억 달러가 들어가는 상황에서 AI가 더 나은 AI를 만드는 자기 개선이 아직 대형 연구소의 부담을 해결하지 못했다고 봤다. 인용된 Google DeepMind 보고서에 따르면 AI가 운영용 코드의 75% 이상을 생성하지만 AI 연구 전체 일정은 유의미하게 빨라지지 않았다.

수요도 최고 성능만 좇지 않는다. 글에 따르면 에이전트 작업의 약 83%는 비용이 낮은 소형 모델이나 특정 업무에 맞춰 추가 학습한 모델에 배정된다.

훈련 과정과 모델 구조를 바꾸려는 시도도 있다. 한 스타트업은 연구자 한 명과 코딩 에이전트로 1,000만 달러 미만을 들여 코딩 모델을 사전 학습했다고 밝혔다. 여러 토큰을 병렬로 생성·수정하는 확산 모델도 대안으로 등장했다. 압축된 표현을 예측하는 JEPA 연구에서는 1억900만 매개변수 모델이 시각 인코더와의 표현 정렬 과제에서 최대 720억 매개변수 언어모델보다 좋은 결과를 냈다. 이 결과에 필요한 학습 표본은 42분의 1이었다.

반대로 최첨단 모델에 계속 투자할 근거도 남아 있다. 퉁구즈가 인용한 Anthropic 상장신고서에 따르면 Opus 5.5는 고객의 작업당 비용을 약 40% 낮췄다. 앞서 Opus 4.5가 Opus 4.1보다 높은 성능과 낮은 작업당 비용을 제공했을 때는 전 분기 대비 매출 증가율이 48%에서 132%로 높아졌다. 퉁구즈는 이를 효율 향상이 사용량 증가로 이어지는 사례로 들었다.

## 데이터센터의 전력과 부채가 수요를 따라갈 수 있나

데이터센터에서는 GPU 수요를 감당할 전력과 자금이 문제다. 글이 인용한 자료에 따르면 건물 골조·콘크리트 건설비는 세 배로 올랐고 전력망 부담과 터빈·발전기 납기 지연도 확장을 제약한다.

향후 5년간 AI 데이터센터 성장에 필요한 신규 부채 전망치는 4조 달러다. 세계 사모대출 시장보다 크고 미국 지방채 시장의 91%에 해당한다. 필요한 자금을 유리한 금리에 빌릴 수 있을지가 관건이다.

GPU 가격도 한 방향으로만 움직이지 않는다. 10월 30일 Ornn B300 지수는 GPU 한 개를 한 시간 사용하는 데 12.29달러로, 6월 이후 월 복리 약 20% 상승했다. 그러나 최근 한 달로 좁히면 약 1% 하락했다. 11월 1일에는 한 시장 참여자가 한 달 전 시간당 7.90달러에 구하려던 B300을 공급업체들이 약정 없이 4.60달러에 제안했다고 전했다.

퉁구즈는 현금흐름이 20년짜리 부채·임대 계약을 감당할지, GPU를 5년간 쓸 수 있을지, 시간당 사용료가 오를지 내릴지를 미해결 문제로 남겼다.

## 네 층의 계산은 서로 연결된다

앱에서 큰 이익이 나면 GPU 가격과 차입 비용이 올라도 버틸 수 있다. 반대로 효율적인 모델 구조는 데이터센터 건설과 자재 수요를 줄일 수 있다. GPU 가격 급등은 이 모든 층의 수익 계산을 흔든다.

퉁구즈는 이를 두 진자가 연결된 이중 진자에 비유했다. 각 부분의 원리는 단순해도 서로 연결되면 움직임을 예측하기 어렵다. 퉁구즈는 AI 산업의 수익성 역시 어느 한 층의 성능이나 비용만으로 설명할 수 없다고 결론 내렸다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://tomtunguz.com/the-four-questions-of-ai)