AI 기업은 왜 돈을 벌기 전에 GPU부터 확보할까

 

오늘의 뉴스(26.9.21.)

 

메타·마이크로소프트·아마존·알파벳·오라클·코어위브·스페이스X 등 글로벌 기업 7곳이 2031년까지 AI 인프라에 투입할 것으로 예상되는 금액은 약 9조 달러에 달한다.

하지만 AI 설비투자가 빠르게 늘면서 일부 기업은 영업활동으로 벌어들이는 현금보다 더 많은 돈을 데이터센터와 GPU에 투입할 것으로 전망된다. 부족한 자금은 회사채와 대출 등 외부 자금으로 조달하고 있다.

 

문제는 GPU를 확보한다고 바로 돈을 버는 것이 아니라는 점이다. 새로운 AI 모델을 학습시키려면 대규모 GPU를 수개월 동안 묶어둬야 한다.

 

그동안 같은 GPU를 이용자의 질문을 처리하는 ‘추론’에 사용했다면 얻을 수 있었던 매출은 포기해야 한다.

AI 기업들은 더 뛰어난 모델을 개발해야 하지만, 동시에 이미 확보한 GPU로 수익도 내야 한다. AI 산업의 경쟁이 기술과 투자 규모를 넘어 자본 효율과 수익화 능력의 경쟁으로 이동하고 있다.

 

 

 

 

AI 기업들은 왜 돈을 벌기 전에 GPU부터 확보할까?

 

이번 기사에서 가장 중요한 질문은 이것이다.

아직 충분한 수익을 내지 못하는 AI 기업들은 무엇을 믿고 막대한 부채까지 감수하며 GPU와 데이터센터에 투자하는가?

 

기사에서 주의해서 봐야 할 부분도 있다. 기업의 설비투자가 ‘매출’을 넘어선다는 의미가 아니라, 일부 기업의 설비투자액이 영업활동으로 벌어들이는 현금흐름보다 커질 수 있다는 뜻이다.

 

매출은 제품과 서비스를 판매한 전체 금액이고, 영업현금흐름은 실제 사업을 통해 회사로 들어오고 나간 현금을 반영한 지표다. 설비투자가 영업현금흐름보다 많아지면 기업은 보유 현금을 사용하거나 회사채·대출·증자 등을 통해 부족한 돈을 조달해야 한다.

AI 기업이 이런 부담을 감수하는 이유는 컴퓨팅 능력을 선점하지 못하면 기술과 시장 양쪽에서 뒤처질 수 있다고 보기 때문이다.

 

GPU는 AI 산업의 생산설비다

 

제조기업이 제품을 생산하려면 공장이 필요하듯 AI 기업이 모델을 개발하고 서비스하려면 GPU와 데이터센터가 필요하다.

대형 AI 모델의 성능은 알고리즘뿐 아니라 학습 데이터와 컴퓨팅 능력에 크게 좌우된다. 필요한 GPU를 확보하지 못하면 새로운 모델의 개발이 지연되고, 이용자가 증가했을 때 서비스 속도와 품질을 유지하기도 어렵다.

 

문제는 AI 데이터센터를 단기간에 확보하기 어렵다는 것이다. GPU를 주문하는 것만으로 끝나지 않는다. 부지와 전력을 확보하고 냉각설비, 네트워크, 변전시설을 구축해야 한다. 전력망 연결에만 수년이 걸리는 지역도 있다.

 

수요가 확인된 뒤 데이터센터를 짓기 시작하면 경쟁사보다 늦을 수 있다. 이 때문에 기업들은 미래의 AI 수요를 예상해 먼저 투자한다. GPU는 단순한 반도체가 아니라 AI 서비스를 생산하는 핵심 설비가 된 셈이다.

 

고금리 회사채를 감수하는 이유

 

AI 인프라에 투자하는 기업이라고 해서 자금 사정이 모두 같은 것은 아니다.

마이크로소프트·알파벳·아마존·메타는 클라우드, 광고, 전자상거래 등 기존 사업에서 막대한 현금을 창출한다. 반면 오픈AI나 앤트로픽 같은 모델 개발사는 투자금과 클라우드 기업의 지원에 크게 의존한다. 코어위브와 같은 AI 클라우드 기업은 빚을 내 GPU와 데이터센터를 확보한 뒤 이를 고객에게 빌려주는 구조다.

 

코어위브는 2026년 6월 달러화 선순위채를 연 9.625%, 유로화 선순위채를 연 8.5%의 금리로 발행했다. 7~8%를 넘어서는 높은 조달비용이다.

 

그런데도 자금을 빌릴 수 있는 배경에는 장기 계약이 있다. AI 클라우드 기업은 대형 고객과 수년간 컴퓨팅 능력을 공급하는 계약을 맺고, 앞으로 발생할 계약 매출을 근거로 투자금을 조달한다. 코어위브가 공시한 2025년 말 잔여계약가치(RPO)는 약 607억 달러였다.

 

금융기관 입장에서는 아직 발생하지 않은 미래 매출을 보고 돈을 빌려주는 셈이다. 기업은 AI 컴퓨팅 수요가 계속 증가하고, GPU 임대수익이 이자와 투자비를 충분히 넘어설 것이라고 판단한다.

하지만 장기 계약이 곧 현금은 아니다. 고객사가 투자를 줄이거나 계약 조건이 변경되고, GPU 임대료나 가동률이 예상보다 낮아지면 부채는 그대로 남는다.

 

결국 사업성을 판단하려면 투자액보다 다음 구조를 살펴봐야 한다.

GPU 임대수익
− 전력·냉각·운영비
− GPU 감가상각비
− 이자비용
= 실제 현금수익

 

높은 금리로 자금을 조달했다면 GPU를 거의 쉬지 않고 가동하면서 높은 임대료를 유지해야 한다. 고금리 회사채 발행은 자신감의 표현인 동시에 그만큼 높은 위험을 감수한다는 신호다.

 

 

AI 학습과 추론은 무엇이 다를까?

 

AI가 GPU를 사용하는 과정은 크게 학습과 추론으로 나뉜다.

 

학습은 AI 모델을 만드는 과정이다. 방대한 문장과 코드, 이미지 등을 입력하고 다음에 등장할 정보를 예측하게 한다. 예측이 틀리면 오차를 계산해 모델 내부의 수많은 가중치를 수정한다. 이 과정을 반복하면서 모델은 언어 구조와 지식, 개념 사이의 관계를 익힌다.

 

대형 모델을 학습할 때는 수천∼수만 개의 GPU가 하나의 작업을 동시에 처리한다. GPU끼리 지속해서 데이터를 교환해야 하므로 고속 네트워크로 연결된 대규모 클러스터가 필요하다. 학습 기간도 수주에서 수개월에 이를 수 있다.

 

반면 추론은 학습을 마친 모델이 실제 이용자의 요청을 처리하는 과정이다. 챗봇에 질문했을 때 답변을 생성하거나 이미지와 코드를 만드는 연산이 추론에 해당한다. 추론은 API 사용료나 구독료처럼 즉시 매출로 연결될 수 있다.

 

 

새로운 모델을 만들수록 기존 서비스의 매출을 포기한다

 

최신 GPU는 학습과 추론 양쪽에 사용할 수 있다. 따라서 GPU가 부족한 상황에서는 두 작업이 서로 경쟁한다.

GPU 1만 개를 새로운 모델 학습에 투입하면 그 기간에는 해당 GPU를 유료 이용자의 요청을 처리하는 데 사용할 수 없다. 새로운 모델을 만들기 위해 현재 발생할 수 있는 매출을 포기하는 것이다.

 

다만 모든 GPU가 완전히 동일하게 사용되는 것은 아니다. 최첨단 GPU는 대규모 학습에 배치하고, 이전 세대 GPU는 기존 모델의 추론에 활용할 수 있다. 자체 AI 가속기나 추론 전용 반도체를 이용하거나 모델을 경량화해 필요한 GPU 수를 줄일 수도 있다.

 

따라서 “새 모델을 학습하면 서비스가 중단된다”는 의미는 아니다. 정확하게는 희소한 최신 GPU를 학습에 배정할수록 그 GPU로 얻을 수 있었던 추론 매출을 포기하게 된다는 뜻이다. 이것이 AI 기업들이 직면한 투자 경쟁의 아이러니다. 더 좋은 제품을 만들기 위해서는 현재 제품으로 돈을 벌 기회를 일부 포기해야 한다.

 

 

AI 모델의 출시 주기는 정말 빨라지고 있을까?

 

이용자가 체감하는 모델 출시 주기는 분명 빨라지고 있다. 그러나 모든 신제품이 처음부터 새로 학습한 대형 기반 모델인 것은 아니다.

 

AI 모델은 크게 세 종류로 구분할 수 있다.

• 완전히 새롭게 사전학습한 기반 모델
• 기존 모델에 후속학습을 적용한 개선 모델
• 속도와 가격, 용도에 맞춰 만든 경량·추론 특화 모델

완전히 새로운 기반 모델을 학습하는 데는 여전히 수개월이 걸린다. 반면 기존 학습 결과를 활용한 개선판이나 특정 업무에 최적화된 모델은 훨씬 빠르게 출시할 수 있다.

최근에는 하나의 기반 모델에서 고성능 모델, 저비용 모델, 코딩 특화 모델, 추론 특화 모델 등을 연속해서 내놓는다. 이용자에게는 매달 새로운 모델이 등장하는 것처럼 보이지만, 실제로는 기반 연구와 학습 결과를 여러 제품으로 나누어 출시하는 경우가 포함돼 있다.

 

그럼에도 출시 경쟁이 빨라졌다는 사실 자체는 중요하다. 새로운 모델이 자주 등장할수록 기존 모델이 최고의 성능을 유지하는 기간은 짧아진다. 기업은 모델 개발에 투입한 비용을 회수하기도 전에 다음 학습을 시작해야 한다.

 

GPU를 사는 경쟁에서 GPU로 돈을 버는 경쟁으로

 

AI 기업은 두 가지 목표 사이에서 균형을 찾아야 한다.

신규 모델 학습에 집중하면 기술 우위를 확보할 수 있지만 현재의 추론 매출을 일부 포기해야 한다. 반대로 GPU를 기존 서비스에 집중하면 단기 현금흐름은 좋아지지만 차세대 모델 경쟁에서 뒤처질 수 있다.

 

모델 출시 간격을 늘리는 전략은 AI 투자를 중단한다는 뜻이 아니다. 학습에 사용하던 GPU를 추론에 더 많이 배치해 투자비를 회수할 시간을 확보하겠다는 의미에 가깝다.

 

앞으로 AI 기업을 볼 때는 모델의 성능만큼 다음 지표가 중요해질 것이다.

GPU의 실제 가동률은 어느 정도인지, AI 매출이 설비투자를 따라가고 있는지, 장기계약이 특정 고객에게 집중돼 있지는 않은지, GPU의 기술적 수명이 감가상각 기간보다 짧아지지는 않는지, 영업현금으로 이자와 추가 투자를 감당할 수 있는지를 함께 봐야 한다.

 

결국 중요한 것은 투자 규모가 아니다. 막대한 자금을 투입해 만든 AI 인프라를 얼마나 효율적으로 가동하고, 실제 현금흐름으로 전환할 수 있느냐가 핵심이다.

 

AI 산업의 경쟁은 이제 GPU를 확보하는 경쟁에서 확보한 GPU로 돈을 버는 경쟁으로 이동하고 있다.