핵심 요약

  • a16z가 제시한 수치에 따르면 첨단 장비·소프트웨어·연구개발은 미국 자본지출의 약 55%를 차지한다. AI 투자는 모델 개발을 넘어 반도체, 전력, 냉각, 건설로 이어지고 있다.
  • Alphabet·Amazon·Meta·Microsoft·Oracle의 2026년 자본지출은 약 7,800억 달러로 제시됐다. 2027년부터 연간 1조 달러를 넘을 것이라는 수치는 전망이다.
  • S&P 500 기업의 AI 실제 배포 비율은 69%지만, 정량화할 수 있는 영향을 확인한 비율은 30%, 그 성과를 시간에 따라 추적하는 비율은 2%로 제시됐다.
  • 에이전트의 여러 단계 작업은 연산 수요를 키운다. 동시에 캐싱과 작업별 모델 선택은 개별 작업의 실행 비용을 낮추고 있다.
  • 발표자들은 소비자 AI와 소프트웨어 기업에 기회가 있다고 보면서도, 광고 수익의 이동과 기업별 성장 격차는 아직 열려 있는 문제로 다뤘다.

투자 확대를 실적과 함께 봐야 하는 이유

발표자들은 미국에서 첨단 장비·소프트웨어·연구개발이 전체 자본지출의 약 55%를 차지하고, 기술 기업이 미국 주식시장 전체 가치의 거의 40%를 차지한다고 설명했다. 이들이 말하는 기술 투자에는 모델과 소프트웨어뿐 아니라 전력, 건설, 산업 설비도 포함된다.

시장이 과열됐는지를 판단할 때는 주가와 기업 이익을 구분해야 한다는 것이 발표자들의 주장이다. 발표에서 제시한 비교에서는 주가가 약 20% 오른 동안 이익 대비 주가 수준을 뜻하는 거래 배수는 약 20% 낮아졌다. S&P 500의 이익 배수도 20배 미만이라고 했다. 발표자들은 이를 최근 시장 상승에 기업 이익이 기여했다는 근거로 해석했다. 다만 이 비교만으로 향후 수익률이나 모든 AI 투자의 타당성이 입증되는 것은 아니다.

데이터센터 지출은 공급망의 주문으로 이어진다

발표에 따르면 Alphabet·Amazon·Meta·Microsoft·Oracle의 자본지출은 2025년 4,160억 달러에서 2026년 약 7,800억 달러로 늘어난다. 2027년 이후 연간 1조 달러를 넘는다는 수치는 현재의 전망이다. 발표자들은 여러 공급망 참여자로부터 수요가 공급을 웃돈다는 이야기를 듣고 있으며, 일부 데이터센터 자재와 제품은 2028년까지 확보하기 어렵다고 전했다.

이 지출은 데이터센터 운영 기업의 현금흐름을 단기적으로 압박하는 동시에 반도체, 전력, 냉각, 건설 업체의 주문이 된다. 발표자들은 Microsoft·Google·Amazon의 클라우드 수주 잔고 합계가 약 1조 7,000억 달러라고 제시했다. 고객의 이용 약정이 쌓이고 있다는 근거지만, 수주 잔고를 이미 실현된 매출로 볼 수는 없다. 발표에서 언급한 2028년 이후 잉여현금흐름 회복 역시 시장 전망치다.

물리적 인프라의 범위도 데이터센터에 그치지 않는다. 발표에서 제시한 2040년까지의 세계 인프라 투자 필요액 추정치는 90조 달러이며, 여기에는 전력·수도·도로·교통이 포함된다. 발표자들은 이런 사업이 소프트웨어와 달리 공장 운영, 자금 조달, 공급업체 관리, 수요와 생산능력 예측을 요구한다고 설명했다.

AI를 배포한 기업과 성과를 추적하는 기업 사이의 간격

발표에서 인용한 S&P 500 기업 지표에서는 69%가 AI를 실제로 배포했다. 그러나 정량화 가능한 영향을 확인한 비율은 30%, 성과 지표를 지속적으로 추적하는 비율은 2%였다. 발표자들은 개별 도구의 도입이 조직의 반복 업무에 깊이 통합되는 단계와는 다르다고 봤다.

그 간격을 보여주는 사례로 Revolut와 ElevenLabs의 협업을 들었다. Revolut는 음성 모델을 고객 계정 및 은행 업무 흐름과 안전하게 연결해 전화 상담에 활용했다. 발표자들의 요점은 모델 자체의 능력만으로 서비스가 완성되지 않으며, 기업 내부 정보와 업무 절차에 맞게 연결해야 한다는 것이다.

성과 사례도 제시됐다. Chime은 고객 서비스 제공 비용이 지난 4년간 매년 10% 넘게 감소했다고 보고했다. 발표자들은 이 변화에 AI를 포함한 여러 비용 절감 활동이 기여했다고 설명했다. Shopify의 경우 AI 도구 Sidekick을 출시한 뒤 신규 판매자 중 가입 후 15일 안에 주문 5건에 도달하는 비율이 8% 증가했다고 소개했다. 이 수치만으로 증가분 전체를 AI의 효과로 단정할 수는 없다.

에이전트의 사용량 증가와 작업 비용 감소

여러 단계를 수행하는 AI 에이전트는 한 작업에 모델을 여러 번 호출한다. 발표에서는 OpenRouter의 에이전트 토큰 사용량이 14배 늘었다는 수치를 제시했다. 한편 이전에 처리한 배경 정보를 재사용하는 캐싱은 같은 정보를 매번 다시 처리하는 비용을 줄인다. 발표에 따르면 Hebbia의 금융 채팅 작업 실행 비용은 이 방식으로 10분의 1 수준이 됐다.

작업에 맞는 모델을 고르는 방식도 소개됐다. Databricks의 모델 선택 기능은 발표에서 비교한 가장 강력한 단일 모델보다 더 많은 문제를 풀면서 비용은 35% 낮았다고 했다. Elise AI는 작은 모델을 특정 용도에 맞게 조정해 비용을 60% 줄이고 응답 지연도 낮췄다. 발표자들은 이런 변화가 에이전트의 재시도와 결과 확인을 경제적으로 가능하게 한다고 봤다. 실제 사업에서는 모델 호출 단가보다 고객의 일을 끝내는 데 드는 총비용이 중요하다는 설명이다.

소비자 서비스와 기존 소프트웨어의 수익 문제

발표에서 인용한 조사에 따르면 유료 AI 구독을 가진 미국 가구는 2%를 조금 넘는다. 발표자들은 소비자가 AI를 쓰더라도 직접 구독료를 내지 않을 수 있으므로, 이 비율만으로 전체 이용 규모를 판단하기 어렵다고 짚었다. 에이전트가 사용자를 대신해 뒤에서 일하는 경우에는 화면 사용 시간 역시 이용 정도를 온전히 보여주지 못한다.

에이전트가 검색과 구매를 대신하면 기존 서비스의 주문이 늘 수 있지만, 고객이 웹사이트에 들어와 광고를 클릭하며 발생하던 수익은 줄 수 있다. 발표자들은 Amazon의 연간 700억 달러가 넘는 광고 사업을 예로 들며 이 상충 관계를 설명했다. 광고비가 다른 경로로 이동하거나 구매 절차가 간단해져 소비가 늘 가능성도 제기했지만, 이는 확인된 결과가 아닌 전망이다.

기존 소프트웨어 기업에도 같은 변화가 일률적으로 작용하지는 않는다. 발표에서 살펴본 상장 소프트웨어 기업 표본의 약 75%는 흑자였지만 연 20% 이상 성장하는 기업은 30%뿐이었다. 발표자들은 보안과 시스템 관측 분야는 AI 에이전트가 새로 만드는 관리 수요의 혜택을 볼 수 있는 반면, 다른 업무용 소프트웨어는 업무 방식의 변화에 더 직접적으로 노출된다고 봤다. 기존 고객에게 AI 제품을 판매해 매출 성장을 다시 높일 수 있는지가 주요 판단 기준이라는 설명이다.

결론

a16z가 제시한 투자와 사용량 지표는 AI 수요가 데이터센터 공급망부터 기업 업무와 소비자 서비스까지 확산되고 있음을 보여준다. 동시에 기업의 성과 추적 비율은 낮고, 대규모 설비 투자와 새로운 소비자 서비스의 수익 구조에는 전망에 의존하는 부분이 남아 있다.