1. AI시대의 역설 - 지불하고도 빼앗기는 지식

• AI 시대의 기업들은 기술을 사용하기 위해 자신들의 가장 소중한 자산인 '독점적 지식(노하우)'을 모델 제공업체에 넘겨주어야 하는 위험에 직면해 있습니다.
• 마이크로소프트 CEO 사티야 나델라는 이를 노벨 경제학상 수상자 케네스 애로우의 '정보 패러독스'에 빗대어 '역정보 패러독스(The Reverse Information Paradox)'라고 정의합니다.

2. 왜 중요한가

• 이중 지불의 덫: 기업은 AI를 도입할 때 돈(구독료/사용료)을 지불할 뿐만 아니라, AI를 유용하게 만들기 위해 자사의 핵심 노하우(프롬프트, 피드백, 교정 데이터 등)를 입력값으로 제공하는 '두 번째 비용'을 치릅니다.
• 비대칭성의 심화: AI 모델을 더 잘 쓰려고 노력할수록 더 많은 고유 지식을 입력해야 합니다. 결국 빅테크(모델 제공사)는 기업에 대해 점점 더 많은 것을 배우는 반면, 기업은 빅테크가 자사 데이터를 통해 무엇을 학습하는지 알 길이 없습니다.
• 가치의 수렴: 학습의 흐름이 모델 제공업체로만 향한다면, 미래의 경제적 가치는 지식을 창조한 기업이 아니라 '학습 인프라를 소유한 빅테크'로만 집중될 것입니다.

3. 큰 그림 : '정보 패러독스' vs '역정보 패러독스'

• 애로우의 정보 패러독스 (기존): 판매자가 정보의 가치를 증명하려면 구매자에게 정보를 보여주어야 하지만, 보여주는 순간 구매자는 공짜로 정보를 얻게 됨 (판매자의 리스크).
• 역정보 패러독스 (AI 시대): 구매자(기업)가 구매한 AI 모델을 유용하게 쓰기 위해 데이터를 입력하는 순간, 판매자(AI 기업)가 그 지식을 흡수해 학습함 (구매자의 리스크).

"지능을 소비하는 과정에서, 당신은 지능을 창조하고 있습니다. 그리고 당신이 창조한 지능은 온전히 당신의 것이어야 합니다."

4. 심층 정보 : 기업이 취해야 할 5대 프레임워크 (5C)

나델라는 기업이 빅테크에 종속되지 않고 자체적인 '학습 루프(Learning Loop)'를 통제하기 위해 다음 5가지(5C)를 실행해야 한다고 강조합니다.

1. 통제 (Control): 무엇이 '좋은 결과'인지 정의하는 자체 평가 기준(Private Evals)을 만들고, 모델 사용 과정에서 발생하는 피드백과 결정(메모리)의 소유권을 지켜야 합니다.
2. 역량 (Capability): 기업 내부 경계(Tenant Boundary) 내에 독점적인 학습 환경을 구축하여, 자사 지식을 외부에 노출하지 않고 모델을 미세조정(Fine-tuning)해야 합니다.
3. 선택권 (Choice): 오케스트레이션(조율) 레이어를 특정 단일 모델로부터 분리해야 합니다. 특정 범용 모델이 사라지더라도 기업의 고유 노하우('베테랑' 역량)는 유지되어야 합니다.
4. 비용 (Cost): 오케스트레이션 레이어를 분리함으로써, 품질 저하 없이 컨텍스트, 모델, 작업을 가장 비용 효율적인 방식으로 조합해야 합니다.
5. 복리 효과 (Compound): 위의 4가지를 결합해 스스로 개선되는 '지속적인 학습 루프(Hill-climbing machine)'를 구축하여 AI 투자가 기업 가치의 복리 성장으로 이어지게 해야 합니다.

5. 시사점

• 과거 클라우드 시대의 핵심이 '데이터 축적'이었다면, AI 시대의 핵심은 '학습의 축적'입니다.
• 기업은 이제 단순히 데이터를 보호하는 것을 넘어, 조직이 학습하고 적응하며 지능을 진화시키는 '메커니즘' 자체를 보호하는 '신뢰 경계(Trust Boundary)'를 구축해야 합니다.
• 자사를 독보적으로 만드는 고유한 지식을 빼앗기지 않으면서 AI를 활용하는 법을 터득하는 기업만이 AI 시대의 진정한 승자가 될 것입니다.

[전문 번역] 역정보 패러독스 (The Reverse Information Paradox)

지능의 시대, 기업은 어떻게 핵심 IP를 보호해야 하는가?

노벨 경제학상 수상자인 케네스 애로우(Kenneth Arrow)는 정보 시장의 패러독스를 다음과 같이 유명하게 묘사한 바 있습니다.

“구매자는 정보를 얻기 전까지는 그 가치를 알 수 없지만, 정보를 얻고 나면 사실상 비용을 지불하지 않고 정보를 획득하게 된다.”

애로우의 ‘정보 패러독스(Information Paradox)’에서 판매자는 정보를 판매하기 위해 지식을 그냥 넘겨주어야 하는 위험을 감수합니다.

AI는 이와 정반대의 문제를 만들어냅니다. AI 시대에는 구매자가 자신이 구매한 제품을 사용하기 위해 자신의 지식을 넘겨주어야 하는 위험을 감수해야 합니다.

본질적으로 기업은 지능에 대해 두 번 비용을 지불하는 셈입니다. 한 번은 돈으로, 또 한 번은 그 지능을 유용하게 만들기 위해 반드시 드러내야 하는 훨씬 더 가치 있는 것, 즉 '독점적 지식'으로 지불합니다. 모델이 더 잘 작동하기를 원할수록, 더 많은 지식을 모델에 주입해야만 합니다!

시간이 흐를수록 정보의 비대칭성은 점점 더 한쪽으로 치우칩니다. 판매자는 당신이 구매한 제품을 사용하는 과정을 통해 당신에 대해 점점 더 많이 배우는 반면, 당신은 판매자가 그 대가로 무엇을 배우고 있는지 거의 알지 못합니다.

이것이 바로 제가 생각하는 '역정보 패러독스(Reverse Information Paradox)'입니다.

특허는 애로우의 패러독스 중 한 가지 측면을 해결해 줍니다. 특허 덕분에 발명가는 아이디어를 그냥 빼앗기지 않고 공개할 수 있습니다. 역정보 패러독스 역시 이에 상응하는 해결책이 필요합니다.

이는 단순한 데이터 보호 이상의 조치를 요구합니다. 모델은 사람들이 작성하는 프롬프트, 에이전트가 사용하는 도구, 그리고 특히 모델이 틀렸을 때 사람들이 내리는 교정(corrections)과 같은'배기가스(exhaust)'로부터 학습합니다. 모든 교정 사항은 기관의 노하우로 정제됩니다. 이는 경쟁사가 결코 돈으로 살 수 없는 종류의 지식이며, 흔적(trace) 하나하나, 교정 하나하나, 평가(eval) 하나하나를 통해 거의 알아차릴 수 없을 정도로 미세하게 유출되는 지식입니다.

지능을 소비하는 과정에서 당신은 지능을 창조하고 있습니다. 그리고 당신이 창조한 것은 당신의 것이어야 합니다. 이것이 바로 하이에크(Hayek)가 말한 의미에서의 '특수한 지능(particular intelligence)'입니다. 즉, 다른 누구도 가질 수 없는 시간, 장소, 상황에 대한 지식입니다. 그것은 당신이 무엇을 생각하고, 무엇을 가치 있게 여기며, 성공을 어떻게 측정하는지 알고 있습니다.

모델 제공업체가 공개 데이터를 학습할 수 있는 공정 이용(fair use) 권리를 가짐으로써 얻는 위대한 혁신도 물론 필요하지만, 정작 그들이 태도를 바꾸어 증류(distillation)에 제한적 조건을 부과하고 고객의 사용 및 상호작용 데이터로부터 학습할 권리를 독점하려는 현재의 상황은 아이러니하게 느껴집니다. 만약 학습이 한 방향으로만 흐른다면, 경제적 가치는 지식의 창조자가 아니라 학습 인프라의 소유자에게 수렴될 것입니다. 따라서 우리는 모든 기업이 스스로의 학습 루프를 통제할 수 있도록 학습 인프라를 분산시켜야 합니다.

알렉스 카프(Alex Karp, 팔란티어 CEO)가 말했듯, “기술적 고객들이 원하는 것은 자신들의 컴퓨팅, 모델, 데이터 스택, 그리고 자신들의 '알파(alpha)'에 대한 통제권입니다. 그들은 생산 수단을 스스로 소유하고 있으며, 그것이 다른 누군가에게 이전되지 않고 있음을 확인하고 싶어 합니다.”

현재의 체제는 카프와 기업들이 우려하는 바로 그 가치 이전을 고스란히 수행하고 있습니다.

이것이 바로 기업들이 인적 자본(human capital)과 토큰 자본(token capital)을 복리로 성장시키기 위해 실질적인 '신뢰 경계(trust boundary)'를 필요로 하는 이유입니다. 이 경계 안에서 조직의 데이터, 흔적(traces), 평가(evals), 조정된 가중치(adapted weights), 그리고 메모리가 함께 축적되고 개선됩니다. 그리고 이 경계는 동의 없이는 그 어떤 것도, 심지어 지능의 배기가스조차도 절대 넘어갈 수 없는 단단한 장벽이어야 합니다. 기업들은 모델의 출력물을 사용해 자신들의 모델을 미세조정(fine-tune)하거나 훈련할 권리를 요구할 것입니다. 저는 이를 모든 기업이 모델을 자신들의 기업적 책임 의무에 정렬시킬 수 있는 권리라고 생각합니다.

클라우드 시대에 기업들은 데이터를 축적했습니다. AI 시대에 기업들은 '학습'을 축적합니다. 따라서 신뢰 경계 역시 정보를 보호하는 것에서 조직이 학습하고, 적응하며, 지능을 복리로 성장시키는 '메커니즘'을 보호하는 방향으로 진화해야 합니다. 이를 확실히 하기 위해 모든 기업이 반드시 해야 할 몇 가지 사항이 있습니다.

• 통제(Control): 자체적인 평가(evals) 기준을 만드십시오. 평가는 조직 내부에서 무엇이 '좋은 것'인지를 정의하기 때문입니다. 또한 조직의 메모리, 흔적(traces), 피드백, 의사결정, 기관의 맥락에 대한 소유권을 유지하고, 자체 작업 및 쿼리에서 나오는 모델 출력물을 사용할 수 있는 능력을 보유하십시오.
• 역량(Capability): 테넌트 경계(tenant boundary) 내에 독점적인 학습 환경을 구축하여 모델을 훈련하거나 미세조정하십시오. 이곳에서 모델은 회사의 지식을 외부에 노출하지 않고 실제 워크플로우를 바탕으로 학습하게 됩니다.
• 선택권(Choice): 오케스트레이션(조율) 레이어가 특정 단일 모델로부터 분리되어 있는지 확인하십시오. 스스로에게 질문해 보십시오. "내가 사용 중인 특정 모델이 사라지더라도, 다른 모델을 사용해 자체 평가 기준에 맞춰 운영하고 최적화할 수 있는 능력이 여전히 있는가?", "특정 '범용(generalist)' 모델이 사라지더라도 우리 회사의 '베테랑(veteran)' 역량은 우리에게 그대로 남아 있는가?"
• 비용(Cost): 오케스트레이션 레이어를 분리함으로써, 품질을 희생하지 않으면서도 컨텍스트, 모델, 작업을 가장 효율적이고 비용 효과적인 방식으로 결합할 수 있습니다.
• 복리 효과(Compound): 이 네 가지를 하나로 결합하면 자신만의 지속적인 학습 루프(즉, 고지 점령 기계, hill climbing machine)를 만들 수 있으며, 이를 통해 AI 투자가 기업의 가치를 복리로 성장시키도록 만들 수 있습니다.

즉, 기업은 자신을 독보적으로 만드는 지식을 포기하지 않고도 모델을 사용할 수 있어야 합니다. 이것이 바로 우리가 맞서 싸워야 할 역정보 패러독스입니다.

⚖ "조직적 갈취 패턴 발견"

애플은 소장에서 "오픈AI에 재직 중인 전직 애플 직원들의 조직적인 영업비밀 갈취 패턴을 발견했다"고 밝혔습니다. 피고에는 오픈AI 본사와 함께 조니 아이브가 설립해 2025년 오픈AI에 인수된 하드웨어 스타트업 IO 프로덕츠, 그리고 오픈AI 최고하드웨어책임자(CHO) 탕 탄과 올해 1월 오픈AI에 합류한 전직 애플 직원 창 류 등 두 명의 임원이 이름을 올렸습니다. 애플 측은 "오픈AI 직원들이 미출시 기술, 엔지니어링 프레젠테이션, 기술 사양, 독점 프로젝트 데이터를 포함한 기밀을 부당하게 취득했다는 중대한 증거가 나타났다"고 주장했습니다.

🎬인터랙티브 무비도 뚝딱

• AI 챗봇 서비스로 유명한 캐릭터AI(Character.AI)가 이번에는 'AI 마이크로드라마' 이른바 숏폼 드라마 시장에 뛰어들었습니다. 스마트폰으로 2분 안팎의 짧은 드라마를 감상한 뒤 등장인물과 직접 대화를 나눌 수 있는 새로운 콘텐츠 'c.ai Series'를 공개한 것입니다. 단순히 AI가 영상을 만들어주는 수준을 넘어, 시청자가 드라마 속 세계관에 직접 참여하는 새로운 형태의 AI 엔터테인먼트를 만들겠다는 전략입니다.
• 최근 세로형 숏폼 드라마 시장은 폭발적으로 성장하고 있습니다. 업계에서는 수년 안에 시장 규모가 약 260억달러에 이를 것으로 전망합니다. 중국에서 시작된 숏드라마 열풍은 미국에서도 ReelShort, DramaBox 같은 플랫폼을 중심으로 빠르게 확산되고 있는데, 캐릭터AI는 여기에 AI를 결합해 차별화를 시도하고 있습니다.

📱 2분짜리 드라마 보고 주인공과 대화

🇨🇳 AI·로봇·반도체에 천문학적 자금 투입

• 중국이 AI와 반도체, 휴머노이드 로봇 등 미래 산업 육성을 위해 자본시장까지 대대적으로 개편하고 있습니다. 시진핑 정부가 기술 패권 경쟁을 국가 전략으로 내세우면서 벤처투자와 IPO 시장을 다시 활성화하고 있는 것입니다.
• 최근 리창 중국 총리가 로봇기업 유니트리(Unitree)의 기업가치를 공개적으로 치켜세운 것도 이례적인 일로 평가됩니다. 중국 최고 지도부가 특정 기업의 상장을 사실상 지원하는 모습까지 보이면서 AI 투자 열기가 빠르게 확산되고 있습니다.
• 다만 시장에서는 국가가 투자 방향까지 정하는 방식이 단기적으로는 AI 산업을 키울 수 있지만, 장기적으로는 혁신보다 정부 눈치를 보는 투자만 늘어날 수 있다는 우려도 함께 나오고 있습니다.

📈 AI 육성 위해 다시 열린 중국 IPO 시장

📊 중국 셀러 55.9% vs 미국 셀러 40.5%…5년간 극적 역전

마켓플레이스 펄스에 따르면 아마존닷컴 상위 1만 개 판매자 중 중국 셀러 비율이 2020년 7월 42.5%에서 현재 55.9%로 올라선 반면, 미국 셀러는 53.7%에서 40.5%로 떨어졌습니다. 5년 사이 중국 셀러가 1,342개 자리를 차지하고 미국 셀러가 1,320개 자리를 잃은 셈입니다. 지난 12개월 동안에만 3.8%포인트의 점유율이 이동했습니다.

💥AI 수혜는 계속 확산 중

• 인공지능(AI) 투자 열풍이 글로벌 증시를 사실상 지배하고 있다는 분석이 나왔습니다. 엔비디아, TSMC 같은 대표 AI 기업뿐 아니라 데이터센터 건설에 필요한 발전설비, 전력, 산업장비 기업까지 AI 투자 수혜가 확산되면서 세계 증시가 하나의 AI 생태계처럼 움직이고 있다는 건데요.
• 시장에서는 AI가 투자자들의 수익률을 끌어올리는 핵심 동력이 되고 있지만, 동시에 특정 산업 의존도가 지나치게 높아지면서 향후 AI 투자 사이클이 꺾일 경우 시장 전체가 큰 충격을 받을 수 있다는 우려도 커지고 있습니다.

⚡ 반도체 넘어 전력·장비까지

🔍 "이 광고는 어떻게 만들어졌나" 패널 추가

구글은 검색, 유튜브, 구글 디스커버에 노출되는 광고의 점 세 개 메뉴 또는 정보 아이콘을 통해 접근할 수 있는 '내 광고 센터(My Ad Center)' 패널에 '이 광고는 어떻게 만들어졌나(How this ad was made)' 섹션을 추가합니다. 이 패널은 해당 광고가 AI로 생성됐는지, 또는 AI로 편집됐는지를 명시합니다. 전 세계에서 무료로 이용 가능하며, 기존에 광고 차단·신고, 광고주 정보 확인, 광고 노출 이유 조회 등의 기능을 제공하던 패널에 추가되는 방식입니다.

⚡ 액체 대신 고체…더 안전하고 강력한 차세대 배터리

현재 거의 모든 배터리는 양극과 음극 사이에서 이온을 운반하는 액체 전해질을 사용합니다. 그러나 이 액체는 누출, 기화, 발화 등의 위험이 있습니다. 수십 년간 과학자들은 이를 고체 전해질로 대체하려 해왔는데요. 전고체 배터리는 더 안전하고 에너지 밀도가 높으며 저온에서도 성능이 유지된다는 장점이 있습니다. 실험실 수준의 구현은 이미 됐지만, 대량 생산이 어렵고 비용이 높다는 것이 걸림돌입니다.

📺 유튜브에 추월당한 스카이+ITV

이번 합병의 배경은 냉혹한 시청 점유율 데이터입니다. 영국 시청률 조사기관 BARB에 따르면 5월 기준 스카이와 ITV의 합산 시청 점유율은 17.7%에 그친 반면, 유튜브는 18.6%로 이를 앞질렀습니다. BBC만이 19.5%로 유튜브보다 앞서 있지만 격차는 빠르게 줄어들고 있습니다. 넷플릭스(10.14%)도 ITV(11.2%)를 턱밑까지 추격하고 있습니다.

🎮게임도 AI에 밀렸나

• 마이크로소프트(MS)가 게임 사업을 25년 만에 가장 큰 폭으로 뜯어고치기로 했습니다. 올해 2월 엑스박스(Xbox) 사업을 맡은 아샤 샤르마 신임 대표는 최근 "엑스박스는 건강한 조직이 아니다"라고 공개적으로 진단하며 향후 1년간 직원 3200명을 감원하고, 적자를 내는 게임 개발사 최대 5곳을 정리하겠다고 발표했습니다.
• 대형 IT 기업들이 구조조정을 하면서도 에둘러 표현하는 것과 달리 문제를 정면으로 인정한 점이 눈길을 끌었는데요. 이번 구조조정은 단순한 비용 절감이 아니라 MS 게임 전략 자체가 기대에 미치지 못했다는 사실을 인정한 것이라는 평가가 나옵니다. 사티아 나델라 MS CEO가 AI 투자에 집중하는 동안 엑스박스는 상대적으로 뒷전으로 밀렸고, 조직은 비대해졌습니다. 일부 부서에서는 의사결정이 무려 14단계를 거쳐야 할 정도였는데, 샤르마 대표는 이를 최대 3단계까지 줄이겠다고 밝혔습니다.

📉 '게임계 넷플릭스' 전략도 실패

물론 이 숫자가 영원히 지속된다는 보장은 없다. 지금의 초과이익은 공급 부족과 가격 급등의 결과이기도 하다. 실제로 삼성전자가 기록적인 잠정 실적을 발표한 날 주가는 오히려 하락했다. 시장은 현재의 이익보다 AI 투자가 계속될지, 메모리 가격이 언제 꺾일지를 걱정했다.

그럼에도 이 숫자는 우리에게 전에 없던 질문을 던진다.

• AI 경제가 만들어내는 거대한 부는 누구의 자산이 될 것인가?

삼성전자와 SK하이닉스의 주주에게만 돌아갈 것인가. 노동자와 협력업체, 지역사회와 미래 세대도 그 부에 참여할 수 있는가. 국가는 늘어난 세수를 당장의 지출에 사용할 것인가, 아니면 다음 세대가 함께 소유할 자산으로 바꿀 것인가.

최근 정부 안에서도 반도체 호황으로 늘어날 가능성이 있는 세수를 미래 세대와 성장 잠재력을 위해 적립하거나 투자하자는 논의가 시작됐다. 다만 ‘미래대응기금’이나 국부펀드의 명칭, 재원, 규모, 운영 방식은 아직 확정되지 않았다. 바로 그렇기 때문에 지금이 중요하다. 제도가 결정된 뒤 찬반을 외칠 것이 아니라, AI 경제의 초과이익을 어떤 원칙으로 사회화할 것인지 먼저 논의해야 한다.

그 논의의 출발점으로 미국에서 갑자기 주목받고 있는 개념이 있다. 보편적 기본자본(Universal Basic Capital)이다.

기술 진보는 저절로 사회 진보가 되지 않는다

산업혁명은 인류에게 풍요를 가져왔다. 동시에 지금은 상상하기 어려운 사회적 참상을 낳았다. 19세기 영국의 공장과 탄광에서는 어린 아이들이 장시간 노동했다. 기계는 생산성을 높였지만, 초기에는 성인 노동자를 보호하거나 어린이를 학교에 보내는 방향으로 작동하지 않았다. 기업 입장에서 아이들은 임금이 싸고 통제하기 쉬운 노동력이었다. 영국 국회 및 정부는 여러 차례의 법 개정을 통해 이 문제에 대응했다. 정확히 말하면 공장 아동노동을 직접 규제한 중요한 출발점은 1833년 공장법(The Factory Act 1833)이었다. 이 법은 만 9세 미만 아동의 공장 노동을 금지하고, 만 9~13세 아동의 노동시간을 하루 8시간 그리고 주 48시간으로 제한했다.

1889년 제정된 아동학대 방지 및 아동보호법(The Prevention of Cruelty to, and Protection of, Children Act 1889), 흔히 말하는 Children Act 1889는 부모와 보호자의 학대로부터 아동을 보호할 수 있도록 국가 개입의 범위를 넓혔다. 거리 행상과 구걸 등 아동을 이용한 노동에 대한 규제도 포함했다. 다만 이 법 하나가 공장 아동노동을 끝낸 것은 아니다. 공장법, 의무교육, 노동운동, 사회복지와 아동보호법이 수십 년 동안 중첩되면서 비로소 변화가 일어났다.

미국은 더 늦었다. 1900년 인구조사에서는 약 200만명의 어린이가 공장, 광산, 농장, 상점과 거리에서 일하는 것으로 파악됐다. 아동노동을 제한하려는 연방법은 1916년에야 등장했지만 대법원에서 위헌으로 무효화됐다. 전국적인 규제가 정착한 것은 1938년 공정근로기준법, Fair Labor Standards Act 이후였다.

[그림 1]을 보면 미국의 아동 취업인구는 1900년 무렵 정점을 찍은 뒤 감소한다. 그러나 1920년대에도 여전히 수많은 아이가 일하고 있었다. 당시 미국은 자동차, 라디오, 조립라인이 폭발적으로 성장하던 세계 최첨단 기술국가였다. 기술적으로 가장 앞선 사회가 반드시 사회적으로 가장 진보한 사회는 아니었다. 여기서 얻어야 할 교훈은 “산업혁명은 나쁘다”가 아니다. 산업혁명은 크게 생산성을 높였다. 그 가운데 사회는 아동노동, 위험한 작업장, 극단적인 노동시간, 도시 빈곤이라는 문제를 하나씩 발견하고 해결했다. 법을 만들고, 학교를 세우고, 노동조합을 조직하고, 안전 기준과 사회보험을 도입했다. 기술 진보가 사회 진보로 바뀐 것은 기술의 자동적인 선의 때문이 아니라, 문제를 해결하려는 정치적 그리고 제도적 노력 덕분이었다. AI 혁명도 다르지 않을 것이다.

나는 ‘AI 대량실업’이 예정돼 있다고 생각하지 않는다

여기서 내 입장을 분명히 하고 싶다. 나는 AI가 인간의 일자리를 대규모로 없애고, 머지않아 대부분의 사람이 실업자가 될 것이라는 주장에 동의하지 않는다. 적어도 현재까지 이를 뒷받침하는 실증적 증거(empirical evidence)는 충분하지 않기 때문이다. 최근 공개된 데이터는 오히려 “AI를 많이 도입한 기업일수록 사람을 덜 고용한다”는 통념과 반대되는 모습을 보여준다.

기업 결제 플랫폼 Ramp와 노동시장 데이터 기업 Revelio Labs는 미국 기업 2만1,000여 곳의 AI 서비스 실제 지출자료와 인력 데이터를 결합해 AI 도입 전후의 고용 변화를 추적했다. 그 결과 AI에 가장 적극적으로 투자한 고강도 도입 기업(high-intensity adopters)은 도입 이후 2년 동안 전체 인력이 약 10% 증가했다. 특히 신입 및 초기 경력 인력인 entry-level headcount는 약 12% 늘었고, 전체 인력에서 이들이 차지하는 비중도 미도입 기업보다 1.15%포인트 상승했다. 반면 소규모로 AI를 도입한 저강도 기업에서는 통계적으로 유의미한 인력 증가나 감소가 나타나지 않았다.

[그림 2]에서 AI 도입 전에는 두 집단의 고용 추세가 비슷하지만, 도입 후 6~12개월이 지나면서 고강도 도입 기업의 고용이 비교집단보다 빠르게 늘어나는 모습을 확인할 수 있다. 즉, AI를 본격적으로 도입한 기업들이 즉시 사람을 줄인 것이 아니라, 일정한 학습기간을 거친 뒤 오히려 조직을 확대했다. 연구진은 기업 안에 AI 활용법이 퍼지고 업무 방식이 바뀌기까지 시간이 필요하기 때문일 수 있다고 해석한다. 물론 이 결과를 “AI가 일자리를 만들어냈다”는 인과관계로 단정해서는 안 된다. AI를 적극적으로 도입한 기업은 원래부터 규모가 크고, 기술 인력이 많으며, AI 도입 전에도 더 빠르게 성장하고 있었다. 연구진 역시 AI가 기계적으로 고용을 증가시킨다는 뜻은 아니라고 명시한다. 다만 적어도 현재 데이터는 AI 도입이 곧바로 인력 감축으로 이어진다는 단순한 서사를 지지하지 않는다.

덴마크의 행정자료와 약 2만5,000명의 노동자를 분석한 NBER 연구는 ChatGPT 등장 이후 2년 동안 AI 챗봇 사용이 임금이나 기록된 노동시간에 통계적으로 유의미한 변화를 만들지 않았다고 결론 내렸다. AI 사용은 업무 내용의 재구성과 직종 이동에는 영향을 줬지만, 당장 노동시간이나 소득의 순감소로 이어지지는 않았다.

국제노동기구(ILO)도 전 세계 일자리 네 개 중 하나가 생성 AI에 노출될 수 있다고 분석했지만, 이를 곧 일자리 네 개 중 하나가 사라진다는 의미로 해석해서는 안 된다고 강조한다. 현재로서는 가장 가능성 높은 결과는 AI에 의한 일자리 대체가 아니라 “변형(transformation, not replacement)”이다. 대부분의 직업은 하나의 업무가 아니라 여러 업무의 묶음이고, 일부 업무가 자동화돼도 인간의 판단, 책임, 소통, 현장 대응은 계속 필요하기 때문이다.

여기서 반대 방향으로 지나치게 낙관해서도 안 된다. “AI가 모든 일자리를 없앤다”는 주장만큼이나 “아무 걱정도 할 필요가 없다”는 주장도 단순하다. 전체 고용이 유지되더라도 특정 직종과 지역, 특정 연령대는 큰 충격을 받을 수 있다. 기업이 업무 하나를 자동화한 뒤 이를 인간 전체의 불필요함(human obsolescence)로 오해해 성급하게 인력을 줄일 수도 있다. 일자리가 사라지는 속도와 새로운 일자리가 생기는 속도가 다를 수도 있다. 무엇보다 노동소득의 증가보다 AI를 소유한 자본의 수익이 훨씬 빠르게 증가하면, 일자리가 유지되더라도 불평등은 심화될 수 있다. 따라서 AI 대량실업은 아직 예정된 미래가 아니라 검증되지 않은 가설에 가깝다. 그러나 이것이 아무런 대비도 필요 없다는 뜻은 아니다. AI가 전체 일자리 수를 크게 줄이지 않더라도 노동자와 기업, 자본 소유자 사이의 소득분배를 바꿀 수 있다. 생산성 향상에서 발생한 이익이 임금보다 기업 이익과 주가에 더 많이 반영된다면, 사람들은 계속 일하면서도 AI 경제의 부에서는 배제될 수 있다. 따라서 보편적 기본자본은 “AI가 반드시 일자리를 없앨 것”이라는 예언(!)에 의존할 필요가 없다.

오히려 아래의 질문이 중요하다:

• AI가 일자리를 없애지 않더라도, AI가 만든 부를 소수만 소유한다면 어떻게 할 것인가?

소득보다 먼저 소유권을 나누자는 생각

보편적 기본소득(Universal Basic Income: UBI)은 모든 시민에게 정기적으로 현금을 지급하는 제도다. 기업의 이익과 고소득자에게 세금을 거둬 국민에게 매월 일정액을 지급하는 방식이 일반적이다. 반면 보편적 기본자본(Universal Basic Capital: UBC)은 현금이 아니라 자산을 제공한다. 정부가 모든 국민에게 투자계좌를 만들어 주고, 그 안에 주식이나 지수펀드(ETF)처럼 장기적으로 가치가 커질 수 있는 자산을 넣어준다. 국민은 정부가 매달 보내주는 수당의 수령자가 아니라 경제 성장에 참여하는 자산 소유자가 된다. 보편적 기본소득과 보편적 기본자본, 이 두 정책은 비슷해 보이지만 철학은 다르다. 기본소득은 경제가 만들어낸 소득을 사후적으로 재분배한다. 기본자본은 부를 만들어내는 자산의 소유권을 사전에 분산한다.

• 기본소득의 질문은 “얼마를 나눠줄 것인가”다.
• 기본자본의 질문은 “누가 생산자산을 소유할 것인가”다.

기본소득은 매년 세수와 예산, 정치적 합의에 의존한다. 정권이 바뀌면 금액이 줄거나 제도가 폐지될 수도 있다. 그러나 개인에게 주어진 주식과 펀드 지분은 법적으로 개인의 자산이 된다. 경제가 성장할수록 복리로 불어나고, 정부의 연례 복지지출과도 일정한 거리를 둘 수 있다. 따라서 보편적 기본자본은, AI 대량실업이 오지 않더라도 모든 시민 개인에게 도움이 되고, 일자리 충격이 실제로 발생하면 자본소득이 최소한의 완충장치 역할을 할 수 있다.

미국 보수파의 방식: “모든 아이를 자본가로”

보편적 기본자본이 갑자기 주목받는 첫 번째 이유는 미국 공화당이 이미 그 축소판을 시행했기 때문이다. 미국의 트럼프 계좌(Trump Accounts)는 2025년 1월 1일부터 2028년 12월 31일 사이에 태어난 미국 시민권 아동에게 정부가 1,000달러를 넣어주는 투자계좌다. 자금은 저비용 지수펀드 등에 투자되고, 가족, 고용주, 자선단체 등이 추가로 돈을 넣을 수 있다. 아이가 성인이 되면 계좌에 대한 통제권을 갖는다.

공화당 상원의원 테드 크루즈(Ted Cruz)는 이 정책의 목표를 아래와 같이 설명했다.

• “Make every new child a capitalist.”(모든 아이를 태어날 때부터 자본가로 만들자.)

공화당 정치인 비벡 라마스와미(Vivek Ramaswamy)는 이를 더 확대해 모든 신생아에게 1만달러 규모의 S&P 500 계좌를 주는 아메리칸드림 출생권(American dream birthright)을 제안했다. 부자를 비난하는 청년을 만드는 대신, 스스로 부자가 되는 길에 올라선 청년을 만들자는 논리다.

미국 공화당의 논리는 전통적인 복지국가의 언어가 아니다. 재분배, 사회수당, 복지 확대 대신 투자, 소유, 자본가, 복리를 말하고 있다. 때문에 보편적 기본자본은 보수주의자에게도 매력적이다. 정부에 의존하는 시민이 아니라 자산을 가진 시민을 만든다는 소유자 사회(ownership society)의 논리다.

그러나 트럼프 계좌에는 분명한 약점이 있다. 정부는 모든 아이에게 같은 1,000달러를 주지만 부유한 부모는 이후 수년 동안 훨씬 많은 돈을 추가할 수 있다. 가난한 부모는 추가 납입 여력이 없다. 동일한 출발금은 자산 불평등을 조금 줄일 수 있지만, 추가 납입 구조에 따라 장기적으로 다시 격차가 벌어질 수 있다. 실제로 이 제도의 비판자들은 저소득 가정이 추가 기여의 혜택을 충분히 누리지 못한다고 지적하고 있다.

보편적 기본자본이 정말 ‘보편적’이려면 단순히 계좌를 열어주는 것으로는 부족하다. 저소득 가정에 더 많은 공공 매칭을 제공하거나, 민간 추가 납입에 상한을 두거나, 출생 이후에도 소득에 따라 공공기여금을 차등 적립하는 설계가 필요하다.

실리콘밸리의 방식: AI 기업도 공공펀드를 원한다

두 번째 세력은 뜻밖에도 AI 기업 자신들이다. OpenAI는 2026년 발표한 산업정책 제안에서 모든 시민이 AI 성장의 이익에 참여할 수 있도록 공공 부 펀드(Public Wealth Fund)를 만들자고 제안했다. 공공 부 펀드는 AI 기업 한두 곳이 아니라 장기적이고 분산된 자산에 투자하고, 금융시장에 참여하지 못한 시민에게도 AI 성장의 지분을 제공하는 것을 목적으로 한다. 겉으로 보면 진보적인 제안이다. 그러나 AI 기업의 지지를 무조건 선의로 해석할 수는 없다.

AI 기업 입장에서 공공이 자신의 지분을 갖는 것은 매우 강력한 정치적 보험이 될 수 있다. 기업 가치가 상승하면 국민의 자산도 증가한다. 반대로 기업이 실패하면 국민의 계좌와 공공펀드가 손실을 본다. 정부와 국민은 AI 기업을 엄격히 규제해야 하는 감독자이면서, 동시에 그 기업의 성공을 원하는 주주가 된다. 공공 소유가 확대될수록 기업은 아래와 같은 암묵적 메시지를 보낼 수 있다.

• “우리를 규제하면 국민의 자산도 줄어듭니다.”

따라서 AI 기업이 보편적 기본자본에 찬성한다는 사실은 그 제안의 정당성을 자동으로 입증하지 않는다. 오히려 어떤 지분을, 누가, 어떤 의결권과 함께 보유하는지를 더 엄격히 따져봐야 한다.

샌더스의 방식: AI 기업 절반을 국민 소유로

세 번째 세력은 미국 진보진영이다. 버니 샌더스 상원의원이 발의한 미국 AI 국부펀드법(American A.I. Sovereign Wealth Fund Act)은 지금까지 등장한 제안 가운데 가장 과감하다. 이 법안은 연간 AI 관련 매출이 2억달러를 넘는 대형 AI, 데이터센터, 첨단 로봇 기업에 발행주식의 50%에 해당하는 일회성 세금을 부과한다. 그리고 세금은 현금이 아니라 주식으로 납부한다. 정부는 이 주식을 AI 국부펀드에 넣고, 펀드 가치의 연 5%를 국민 직접 지급과 의료, 교육, 주거 등에 사용한다. 여기까지는 “AI 기업의 초과이익을 국민과 나눈다”는 아이디어로 보인다. 그러나 샌더스 안은 단순한 배당정책이 아니다. 센더스가 제안한 국부펀드는 기업의 의결권을 보유하고 이사회에 영향력을 행사할 수 있다. 대통령이 지명하고 상원이 인준하는 7명의 위원으로 구성된 민주적 AI 독립위원회(Independent Commission for Democratic AI)가 노동자 복지, 공공 안전, 공정경쟁, 환경 지속가능성 등을 목표로 주주권을 행사하게 된다(참조: 센더스 법안 pdf). 샌더스의 논리는 명확하다. AI가 사회 전체의 데이터, 지식, 공공 연구, 노동과 인프라 위에서 성장했다면 사회도 AI 기업의 소유권을 가져야 한다. 돈만 배당하는 데 그치지 않고 기술의 개발 방향을 결정하는 자리에 국민의 대표가 앉아야 한다는 것이다.

• A seat at the table: 국민에게 의사결정 테이블의 자리를 주자는 주장이다.

샌더스는 노르웨이 국부펀드를 성공 사례로 든다. 노르웨이 정부는 석유와 가스 수입을 미래 세대를 위한 금융자산으로 전환했다. 국부펀드는 전 세계 약 7,200개 기업에 분산 투자하고 있으며, 장기 투자수익이 현재 펀드 가치의 절반 이상을 차지한다. 그러나 노르웨이 사례와 샌더스 안 사이에는 중요한 차이가 있다. 노르웨이 국부펀드는 석유 수입을 받아 해외의 수천 개 자산에 분산 투자한다. 노르웨이 경제의 과열과 위험 집중을 막기 위해 해외에만 투자한다. 반면 샌더스 안은 미국 정부가 자국의 특정 AI 기업 지분 50%를 직접 보유하도록 제안하고 있다. 둘은 같은 국부펀드라는 이름을 갖고 있지만, 권력구조는 전혀 다르다.

진보와 포퓰리즘의 기묘한 만남

샌더스의 제안이라면 AI 기업과 공화당이 강하게 반대할 것 같지만 실제 상황은 더 복잡하다. 도널드 트럼프 대통령도 AI 기업의 일부 지분을 정부나 국민이 확보하는 방안을 검토하고 있다. 가능한 방식으로 AI 산업에 대한 목적세, 정부 지원과 지분의 교환, 정부의 이사회 참여 등이 거론됐다. 샌더스와 트럼프는 세부 설계와 정치적 목적에서 크게 다르지만, “AI 기업의 부를 국민에게 돌려줘야 한다”는 구호에서는 뜻밖의 접점을 보이고 있다. 이 기묘한 연합에는 서로 다른 계산이 들어 있다.

샌더스에게 공공 지분은 노동자와 시민의 권력을 의미한다. 트럼프식 포퓰리즘에는 국민에게 눈에 보이는 경제적 혜택을 제공하면서 전략기업에 대한 대통령의 영향력을 확대하려는 유인이 존재할 수 있다. AI 기업 입장에서도 유익은 크다. AI 관련 규제를 완화하고 정부 계약과 자금지원을 안정적으로 확보할 수 있는 기회가 될 수 있기 때문이다. 같은 ‘국민 소유’라는 말 아래에서 세 집단은 서로 다른 것을 원한다.

• 진보진영은 부의 재분배와 공공 통제를 원한다.
• 보수진영은 국민을 주식시장에 참여시키는 소유자 사회를 원한다.
• AI 기업은 성장의 정당성과 정치적 보호막을 원한다.
• 행정부는 전략산업에 대한 지배력을 원할 수 있다.

이것이 바로 보편적 기본자본을 이념적으로 규정하기 어려운 이유다. 동시에 제도 설계를 잘못하면 위험한 이유이기도 하다.

한국식 질문: 삼성전자와 SK하이닉스의 지분을 국민에게 나눠준다면?

미국의 논의를 한국으로 옮기면 기업의 이름은 달라진다. 삼성전자와 SK하이닉스는 OpenAI나 Anthropic처럼 AI 모델을 개발해 판매하는 기업이 아니다. 두 기업은 AI 경제의 기반이 되는 메모리 반도체와 저장장치를 공급한다. 그러나 한국에서 AI 초과이익이 가장 빠르고 선명하게 나타나는 상장기업이라는 점에서 상징적인 사례가 될 수 있다. 가령 다음과 같은 가정을 해보자.

정부가 삼성전자와 SK하이닉스에 초과이익의 일부를 현금이 아닌 주식으로 출연하도록 요구한다. 이 지분을 ‘대한민국 AI 미래펀드’에 넣고 모든 국민에게 동일한 수익권을 제공한다. 국민은 매년 배당을 받거나, 출생과 동시에 개인 계좌에 지분을 배정받는다.

삼성전자와 SK하이닉스의 이익이 계속 늘면 국민의 자산도 늘어난다. AI 경제가 한국의 주주와 기업, 외국인 투자자만을 부유하게 만드는 것이 아니라 모든 국민의 장기 자산 형성에 기여한다.

매력적인 생각이다. 하지만 샌더스식으로 정부가 두 회사의 지분 50%와 의결권을 확보한다면 이야기는 완전히 달라진다. 정부가 삼성전자와 SK하이닉스의 대주주가 되면 공정거래위원회는 이 기업들의 독점과 불공정행위를 독립적으로 조사할 수 있을까. 세무당국은 엄격하게 과세할 수 있을까. 노동당국은 산업재해와 노동권 문제를 기업 가치와 무관하게 처리할 수 있을까. 정부가 추진하는 지역 투자와 공급망 정책에 기업이 경제적 판단을 이유로 반대할 수 있을까. 정부는 규제자, 조세징수자, 산업정책 설계자이면서 동시에 주가 상승과 배당 확대를 원하는 대주주가 된다. 이것은 이해충돌(conflict of interest)이고, 더 심해지면 규제 포획(regulatory capture)이다. 일반적인 규제 포획에서는 기업이 로비를 통해 규제기관을 움직인다. 정부가 기업 지분의 절반을 소유하면 로비조차 필요 없을 수 있다. 기업의 이익과 정부의 이익이 구조적으로 결합하기 때문이다.

Anthropic은 왜 미국 국방부의 요구를 거절했나

이 위험을 보여주는 실제 사례가 Anthropic과 미국 국방부의 갈등이다. Anthropic은 미 국방부와 최대 2억달러 규모의 계약을 추진하면서도 자사 AI가 다음 두 가지 용도로 사용되는 것을 허용하지 않겠다는 입장을 고수했다.

• 미국인을 대상으로 한 대규모 국내 감시 (Mass domestic surveillance)
• 인간이 개입하지 않고 표적을 선정 및 공격하는 완전 자율무기 (Fully autonomous weapons)

Anthropic은 현재의 최첨단 AI 모델이 완전 자율무기에 사용될 만큼 신뢰할 수 없으며, AI를 이용한 대규모 국내 감시는 기본권을 침해한다고 주장했다. 국방부는 ‘모든 합법적인 용도’에 AI를 사용할 수 있어야 한다고 요구했고, Anthropic이 안전장치를 철회하지 않자 미국 정부는 계약 배제와 공급망 위험기업 지정까지 거론했다. Anthropic의 모든 판단이 옳았는지는 별도의 문제다. 국가안보에 관한 최종 결정권을 민간기업이 가져도 되는가라는 반론도 가능하다. 그러나 이 사건은 민간기업과 정부 사이에 긴장이 존재하는 것 자체가 민주주의에서 중요한 견제장치임을 보여준다. 미국 정부가 Anthropic 지분의 50%를 가진 지배주주였다면 Anthropic이 국방부 요구를 끝까지 거절할 수 있었을까. 대통령이 임명한 국부펀드 위원들이 이사회 의결권을 행사한다면, 회사의 안전원칙은 유지될 수 있었을까.

한국에서도 같은 질문을 해야 한다. 정부가 삼성전자나 SK하이닉스를 사실상 지배한다면 기업은 정부의 감시기술 개발, 군사적 활용, 특정 국가와의 거래, 정치적 목적의 투자 요구를 독립적으로 거부할 수 있을까. 국민에게 기업의 수익을 나눠주는 것과 정부에 기업 통제권을 넘겨주는 것은 같은 일이 아니다.

• 자본 소유의 민주화(democratization of capital ownership)와
• 기업에 대한 국가 통제(state control of companies)를 구분해야 한다.

잘못 설계된 기본자본이 초래할 다섯 가지 문제

보편적 기본자본은 그 자체로 만능 해법이 아니다.

첫째, 기업과 산업 위험이 국민의 복지와 결합된다. 국민의 노후와 미래 자산이 삼성전자와 SK하이닉스 주가에 지나치게 연결되면 반도체 사이클이 꺾일 때 사회 전체가 동시에 손실을 본다. 일자리도 반도체에 의존하고, 세수도 반도체에 의존하고, 국민펀드까지 반도체에 의존하면 위험은 분산되는 것이 아니라 집중된다. 따라서 한국의 기본자본은 특정 두 기업이나 AI 산업에 집중돼서는 안 된다. 국내외 주식, 채권, 인프라와 다양한 산업에 분산돼야 한다. 노르웨이 국부펀드가 약 7,200개 글로벌 기업의 작은 지분을 보유하는 이유도 위험 분산에 있다.

둘째, 정부가 주가를 보호해야 한다는 압력을 받게 된다. 국민 자산이 특정 기업 주가에 걸리면 정부는 경기 하강이나 기술 실패를 시장에 맡기기 어렵다. 규제를 완화하고, 값싼 대출을 제공하고, 공공조달을 몰아주거나, 손실이 커질 경우 구제금융에 나설 가능성이 커진다. 샌더스 법안은 펀드 자금을 AI 기업 구제에 사용할 수 없다고 명시하고 있다. 그러나 법률상 직접 구제만 금지한다고 이해충돌이 사라지는 것은 아니다. 정부 계약, 세금 감면, 규제 유예, 중앙은행과 정책금융을 이용한 간접지원은 여전히 가능하다.

셋째, 시민이 규제 대상 기업의 수익에 의존하게 된다. AI 기업이 개인정보를 과도하게 활용하거나, 노동자를 대체하거나, 전력과 물을 대량 소비하더라도 시민은 규제를 요구하는 동시에 자신의 배당 감소를 걱정하게 된다. 주식 소유의 확대는 기업을 견제할 시민을 만드는 대신 기업의 수익성에 묶인 시민을 만들 수도 있다. 모두가 주주가 된 사회에서는 환경, 노동, 경쟁정책이 ‘내 계좌의 수익률을 떨어뜨리는 정책’으로 인식될 위험이 있다.

넷째, 자산계좌가 복지와 노동정책의 대체물이 될 수 있다. 기본자본은 해고된 노동자의 재교육을 대신하지 못한다. 의료보험과 실업급여, 공교육, 주거정책을 대신할 수도 없다. 자산 가격은 하락할 수 있고, 필요한 순간에 시장이 침체돼 있을 수도 있다. 보편적 기본자본은 사회안전망을 없애는 핑계가 아니라 사회안전망을 보완하는 장치여야 한다.

다섯째, 같은 계좌가 같은 기회를 뜻하지 않는다. 부모가 추가 납입하고 금융교육과 상속을 제공할 수 있는 아이와 그렇지 못한 아이의 결과는 달라진다. 일률적인 1,000만원 계좌만 주고 나머지를 개인 책임으로 돌린다면, 제도는 시간이 지나며 기존의 자산 격차를 다시 복제할 수 있다.

그렇다면 한국형 보편적 기본자본은 어떻게 설계해야 할까

보편적 기본자본을 포기할 이유는 없다. 오히려 위험을 인식한 뒤 제대로 설계해야 한다. 나는 한국형 제도가 다음 원칙을 가져야 한다고 생각한다.

첫째, 소유권은 분산하고 통제권은 집중시키지 말아야 한다. 자산의 수익권은 국민 개개인에게 귀속돼야 한다. 정부가 삼성전자와 SK하이닉스의 지배주주가 되는 방식은 피해야 한다. 기업 지분을 펀드에 출연하더라도 의결권 없는 우선주, 광범위한 인덱스 편입, 독립된 의결권 신탁 등의 방식을 검토할 수 있다. 국민에게 경제적 이익은 제공하되 대통령과 행정부가 기업 경영을 좌우하는 도구로 사용하지 못하게 해야 한다.

둘째, 특정 기업이 아니라 AI 경제 전체의 성장에 투자해야 한다. 삼성전자와 SK하이닉스는 출발점일 뿐이다. AI 가치사슬에는 반도체뿐 아니라 전력, 변압기, 데이터센터, 냉각, 소프트웨어, 로봇, 바이오, 콘텐츠와 기업용 서비스가 포함된다. 국내 자산만 고집할 이유도 없다. 한국 경제 자체가 삼성전자와 SK하이닉스에 크게 의존하고 있기 때문에 국민펀드는 오히려 글로벌 자산에 더 넓게 분산할 필요가 있다.

셋째, 저소득층에 더 많은 공공기여가 이뤄져야 한다. 모든 아이에게 동일한 기본 금액을 넣되, 저소득 가정과 보호아동에게는 더 높은 공공 매칭을 제공해야 한다. 부모의 민간 추가 납입에 세제 혜택을 무제한으로 주면 부유층 계좌만 더 빨리 커진다. 공공기여는 소득에 반비례하도록 설계하고 민간 납입 혜택에는 상한을 두는 것이 바람직하다.

넷째, 감독기관과 자산운용기관 사이에 방화벽을 세워야 한다. 기금을 운용하는 조직은 산업부, 세무당국, 금융위원회, 공정거래위원회와 분리돼야 한다. 펀드운용 책임자는 대통령의 임의적 해임이나 지시로부터 보호받아야 한다. 운용 원칙, 수수료, 보유 지분, 의결권 행사 내역을 모두 공개하고 국회와 시민사회의 감시를 받아야 한다. 독립성은 기관 이름에 ‘독립’을 넣는 것으로 생기지 않는다. 임기 보장, 권한 분리, 정보 공개와 이해충돌 방지 규칙에서 나온다.

다섯째, 장기 자산으로 유지하되 삶의 출발점에 사용할 수 있어야 한다. 출생과 함께 계좌를 만들고 성인이 될 때까지 장기 투자하는 것이 기본이 될 수 있다. 성인이 된 뒤에는 다음과 같은 목적에 제한적으로 사용할 수 있다.

• 교육과 직업훈련
• 첫 주거 마련
• 창업
• 돌봄과 건강
• 장기 연금

당장의 소비쿠폰처럼 소진되지 않게 하면서도, 실제로 계층 이동의 발판이 될 수 있어야 한다.

여섯째, 초과세수는 일시적 수입이라는 사실을 잊지 말아야 한다. 반도체 호황으로 늘어난 세수를 영구적인 반복지출에 사용하면 사이클이 꺾였을 때 재정 공백이 생긴다. 일시적 초과세수를 장기 자산으로 전환하자는 생각은 재정적으로 합리적이다. 다만 아직 정확히 확정되지 않은 초과세수를 미리 나눠 쓰는 것도 위험하다. 실제 세수가 확인된 뒤 일정 부분을 국가채무 상환, 산업 전환, 사회안전망과 미래자산 적립으로 나누는 명확한 준칙이 필요하다.

AI가 일자리를 없애지 않아도 필요한 정책

보편적 기본자본의 가장 강력한 논리는 AI 대량실업이 실제로 발생해야만 성립하는 정책이 아니라는 데 있다. AI가 많은 일자리를 없앤다면 자본계좌는 노동소득을 잃은 사람에게 완충장치가 된다. AI가 일자리를 없애지 않고 생산성만 높인다면 국민은 경제 성장과 기업가치 상승을 공유한다. AI가 예상보다 천천히 발전하더라도 국민은 장기 금융자산을 갖게 된다. AI 버블이 꺼지더라도 특정 기업이 아니라 광범위한 자산에 장기 분산투자했다면 경제가 회복될 때 함께 회복할 수 있다. 이런 정책을 경제학자 데이비드 오터(David Autor)는 후회할 필요가 없는 정책(no-regrets policy)이라고 표현한다. 미래를 정확하게 예측하지 못해도 여러 시나리오에서 도움이 된다는 의미다. 물론 보편적 기본자본은 후회할 정책이 될 수 있다. 정부가 전략기업의 지배권을 장악하고, 규제자와 주주의 역할을 뒤섞으며, 국민의 미래를 특정 산업의 주가에 걸어버린다면 그것은 자본의 민주화가 아니다. 국가와 대기업이 결합한 새로운 권력집중이다.

AI 시대의 핵심 문제: 영구적인 빈곤

AI 경제가 가져올 문제는 소득 불평등만이 아니다. 감시와 프라이버시, 자율무기, 저작권, 지역의 전력 및 용수 부담, 노동자의 숙련 약화, 기업 독점, 정치권력과 기술권력의 결합도 심각한 문제가 될 수 있다. 그러나 부의 불평등은 이 모든 문제와 연결된다. AI 기업과 AI 인프라를 소유한 소수가 압도적인 경제력을 갖게 되면 그 힘은 정치적 영향력으로 바뀐다. 언론과 연구, 로비와 선거, 노동시장과 국가정책을 좌우할 수 있다. AI 경제가 폭발적으로 커질수록 부의 집중은 곧 권력의 집중이 된다. 더 심각한 위험은 AI 때문에 일자리를 잃은 사람이 아무런 자본도 소유하지 못하는 경우다. 노동소득은 사라지고 자본소득은 없으며, 새로운 직업으로 이동할 교육과 시간도 없다면 일시적 실업은 영구적인 빈곤(permanent poverty)으로 바뀔 수 있다.

나는 이것이 예정된 미래라고 생각하지 않는다. 그러나 가능성이 작더라도 결과가 파괴적이라면 대비해야 한다. 보편적 기본자본도 그런 의미에서 바라봐야 한다.

사회 진보는 문제를 외면하지 않을 때 온다

산업혁명 초기에는 아동노동이 경제성장의 불가피한 비용처럼 취급됐다. 공장주들은 규제가 산업 경쟁력을 떨어뜨릴 것이라고 주장했다. 가난한 가정은 아이의 임금 없이 살기 어려웠고, 정부는 사적 계약과 가정생활에 개입하기를 주저했다. 그러나 사회는 결국 어린이를 공장에 보내지 않고도 성장할 수 있는 제도를 만들었다. 아동노동은 기술 발전이 저절로 해결한 문제가 아니다. 법, 교육, 노동운동, 복지와 정치적 투쟁이 해결했다. 그 결과 생산성 향상은 더 오래 교육받고, 더 건강하게 살며, 더 안전하게 일할 수 있는 사회로 이어졌다.

AI 시대에도 같은 노력이 필요하다. AI로 얼마나 많은 일자리가 사라질지는 아직 모른다. 삼성전자와 SK하이닉스의 올해 이익이 얼마나 오래 지속될지도 모른다. 미래의 AI 기업이 지금의 대기업보다 훨씬 더 강력한 존재가 될지도 확실하지 않다. 그러나 한 가지는 이미 분명하다. AI가 만들어내는 경제적 이익은 자동으로 공정하게 분배되지 않는다. 아무런 제도적 개입이 없다면 그 이익은 기존 주주와 자산가, 기술기업과 인프라 소유자에게 더 많이 돌아간다. 따라서 지금 우리가 던져야 할 가장 중요한 질문은 아래와 같다.

• “AI가 인간의 일자리를 없앨 것인가?”보다
• “AI가 만든 자본을 누가 소유할 것인가?”

보편적 기본자본은 완성된 답이 아니다. 하지만 AI 시대의 시민을 단순한 소비자나 복지 수급자가 아니라 경제 성장의 공동 소유자로 만들자는 점에서 중요한 첫 출발점이 될 수 있다. 제대로 설계한다면 삼성전자와 SK하이닉스의 기록적인 이익은 몇몇 주주의 성공에 그치지 않을 수 있다. 미래 세대의 교육과 주거, 창업과 노후를 뒷받침하는 공동자산으로 전환될 수 있다. 잘못 설계한다면 정부와 대기업을 한 몸으로 만들고, 규제와 견제를 무력화하며, 국민의 미래를 특정 기업의 주가에 종속시킬 수 있다.

그래서 지금 필요한 것은 찬반의 구호가 아니다.

• 소유는 넓게 분산하되 권력은 집중시키지 않는 제도.
• AI의 이익은 공유하되 기업과 국가의 결탁은 막는 제도
• 현재의 호황을 소비하지 않고 다음 세대의 자산으로 바꾸는 제도

이것이 한국 사회가 논의해야 할 보편적 기본자본이다.

정보 유통 질서로서 'AI 검색'은 분명 언론사에 위기를 불러오고 있습니다. 기존 비즈니수 모델의 한 축인 광고가 흔들리고, 이를 대체할 만한 대안은 빠르게 제시되지 못하고 있는 게 현실입니다. 클릭을 발생하지 않고 트래픽이 줄어드니 영향력도 감소합니다. 유튜브를 위시한 인플루언서들의 시장 내 지배력을 자꾸만 커져갑니다. 레거시 미디어는 비용의 부담으로 되돌아고 있는 실정입니다.

기자라고 다르지 않습니다. 차별화 없는 받아쓰기 기사는 AI에 의해 얼마든지 대체될 수 있는 세상입니다. 보도자료 기반으로 하루 업무량을 채우던 좋은 시절은 이미 가버렸습니다.  데이터 저널리즘조차도 그 위상이 위협받는 상황입니다. 이 과정에서 AI가 작성한 기사에 내 이름을 바쳐야 하는 왜곡된 AI 활용 사례도 자주 등장합니다.

언론사와 기자는 어떻게 살아남을 수 있을까

어떻게 이 국면을 넘어설 수 있을까요? 기자가 더 필요없어지는 혹은 저널리즘 조직이 더이상 필요 없어지는 시대가 도래하는 걸까요? 그렇게 단정하면 결코 안됩니다.

몸부림치고 있습니다. 전세계 언론사들이 그리고 기자들이. 아직 초기이지만 공통적으로 도출되는 결론도 있습니다. 바로 인간만이 할 수 있는 저널리즘입니다. 벨기에의 미디어그룹 미디어하우스(MediaHuis)는 '시그너처 저널리즘'이라는 이름의 새로운 저널리즘 개념을 만들어냈습니다. 반드시 이것이 정답이라고 말하려는 것은 아닙니다. 중요한 건 저널리즘의 생존을 위해 새로운 역량 개발이 필요해진 시대라는 사실입니다.

이 자료는 그동안 강연과 연구 등을 통해 모아두고 정리한 자료입니다. 사례와 함의가 중심입니다. 아주 세부적인 팁은 배제했습니다. 큰 흐름 아래에서 무엇을 바꿔야 하고, 무엇을 시도하고 실험해야 하는지, 그리고 기자들은 어떤 역량을 배양해야 하는지 적어둔 자료입니다.

'언론사와 기자는 어떻게 살아남을 수 있지?' 그것이 고민이라면 다운받아서 읽어보시기 바랍니다. 설명이 필요하면 편하게 강연을 요청해주셔도 됩니다. 앞으로 사례를 계속 모아가면서 결론을 더욱 정교화해 나갈 계획입니다.

목차

1. AI 검색과 정보 유통의 지각 변동 : 네이버 AI검색 포함
2. AI 검색과 제로 클릭
3. 제로 클릭 시대 국내외 언론사의 대응
4. AI 협업과 오남용 그리고 윤리적 과제 : 국내외 AI 오남용 사례
5. 언론사들은 어떻게 생존할 수 있는가
6. 개인 기자들은 어떻게 생존할 수 있나 : 최근 논문 분석 포함
7. 인간만이 할 수 있는 저널리즘이란?

2026년 7월 8일, 한국 주식시장의 가장 뜨거운 질문은 단순했다. SK하이닉스와 삼성전자 주가는 더 갈 수 있는가. 더 정확히 말하면, AI가 만든 반도체 슈퍼사이클은 지속 가능한가.

이 질문이 중요해진 이유는 역설적이다. 실적이 나빠서가 아니다. 오히려 실적이 너무 좋기 때문이다. 삼성전자는 AI 메모리 수요 덕분에 2026년 2분기 영업이익이 전년 대비 크게 늘어날 것으로 예상됐고, DRAM과 NAND 가격도 큰 폭으로 상승했다. 그런데 시장은 환호만 하지 않았다. 7월 8일 삼성전자와 SK하이닉스 주가는 장중 크게 흔들렸다. 투자자들이 보기 시작한 것은 “이번 분기 실적”이 아니라 “이 정도의 가격 상승과 이익률이 얼마나 오래 유지될 수 있는가”였기 때문이다. 월스트리트저널(WSJ)은 이날 한국 반도체주 약세의 배경으로 메모리 가격 상승세 둔화 우려, AI 수요 지속성 논란, 높아진 부품 가격에 따른 최종 수요 부담을 함께 짚었다.

한국 투자자에게 이 질문은 거의 국민경제의 질문이 됐다. SK하이닉스와 삼성전자는 단순한 개별 종목이 아니다. 한국 수출, 세수, 고용, 연기금 수익률, 코스피 전체 밸류에이션을 좌우하는 기업이다. 그래서 AI 반도체 슈퍼사이클을 보려면 “엔비디아 GPU가 잘 팔린다”는 문장만으로는 부족하다. 더 근본적인 질문을 해야 한다.

누가 결국 돈을 내고 있는가

AI 반도체 수요가 지속되려면 삼성전자와 SK하이닉스가 HBM과 DRAM 가격을 올리고, 엔비디아가 GPU 가격을 올리고, 하이퍼스케일러가 데이터센터 투자를 늘리는 것만으로는 부족하다. 그 비용은 결국 누군가에게 전가돼야 한다. 기업이든 개인이든, 최종 소비자가 매달 AI 사용료를 내야 한다. 이 구조가 만들어지지 않으면 슈퍼사이클은 공급 부족이 만든 일시적 가격 사이클에 그칠 수 있다. 여기서 매우 중요한 개념인 가격 전가(Price Pass-through)는 이 글 후반부에서 살펴보겠다.

이번 글에서 사용하는 주요 그래프는 Exponential View의 2026년 6월 25일 글, “The State of the AI Economy”에서 가져온 것이다. 이 자료는 생성 AI 경제를 공급 측면이 아니라 수요 측면에서 다시 계산한다. 즉, GPU나 HBM 같은 반도체 매출을 세는 것이 아니라, AI 앱, 파운데이션 모델, 인프라 호스팅 등에서 실제 최종 고객이 얼마를 지불하고 있는지를 추정한다. Exponential View는 지난 12개월 생성 AI 경제 매출을 1,100억 달러, 최근 월 매출 속도를 연율화한 run rate를 1,750억 달러 이상으로 추정한다. 또 Anthropic이 고객으로부터 1달러를 받고 이중 50센트를 Amazon에 지불하는 경우, 이를 1.5달러로 중복 계산하지 않고 최종 고객 지출 1달러만 잡는 방식으로 수요를 추정한다.

이 점이 중요하다. 이 자료는 삼성전자와 SK하이닉스의 현재 실적을 직접 설명하는 자료가 아니다. 오히려 그 실적이 장기적으로 지속될 수 있는지를 판단하기 위한 선행 지표다. 반도체 위에서 돌아가는 AI 서비스 경제가 실제로 커지고 있는지 보여주기 때문이다.

AI 수요는 진짜인가

먼저 확인해야 할 것은 AI 수요의 실체다. AI 반도체 투자가 거품인지 아닌지를 보려면 반도체 매출보다 먼저 AI 서비스 매출을 봐야 한다. 반도체는 AI 경제의 맨 아래에 있다. 그 위에는 데이터센터, 클라우드, 파운데이션 모델, 애플리케이션, 기업 업무 시스템이 있다. 위쪽에서 실제 돈이 돌지 않으면 아래쪽의 반도체 수요도 오래 지속되기 어렵다.

생성 AI 관련 매출은 이미 빠르게 커지고 있다. 위 자료에 따르면 중국을 제외한 글로벌 생성형 AI 생태계의 최근 12개월 실제 매출은 약 1,100억 달러이고, 현재 월 매출 속도를 연율화하면 약 1,750억 달러 규모다. 중요한 점은 이 수치에 반도체 제조 매출이 포함돼 있지 않다는 것이다. 엔비디아 GPU 매출이나 삼성전자 및 SK하이닉스 HBM 매출이 아니라, 앱, 파운데이션 모델, 인프라 호스팅 쪽에서 실제 고객이 지불한 매출을 중복 제거한 숫자다.

[이미지 1] 생성형 AI 경제 매출: 1,100억 달러에서 1,750억 달러 속도로

이 이미지는 생성형 AI 경제가 단순한 기대감이나 투자 붐이 아니라, 이미 실제 고객 매출로 빠르게 커지고 있음을 보여준다. 그래프의 핵심 숫자는 두 개다. 첫째, 최근 12개월 동안 쌓인 생성 AI 관련 실제 매출은 약 1,100억 달러다. 둘째, 가장 최근 월 매출 속도를 1년으로 환산하면 약 1,750억 달러 수준이다. 이 말은 “이미 1년 동안 1,750억 달러를 벌었다”는 뜻이 아니다. 지금 달리는 속도가 연간 1,750억 달러 규모라는 뜻이다. 이 이미지에서 봐야 할 것은 두 선의 차이다. 회색 선은 최근 12개월 동안 실제로 벌어들인 매출이다. 이미 은행에 들어온 돈에 가깝다. 보라색 선은 현재 월 매출 속도를 연율화한(run rate) 값이다. 두 선 사이에 1.6배 차이가 있다는 것은, AI 매출이 정체되어 있는 것이 아니라 최근으로 올수록 더 빠르게 증가하고 있다는 뜻이다. 이 그래프가 중요한 이유는 반도체 매출을 직접 보여주기 때문이 아니다. 오히려 반도체 매출을 제외했기 때문에 더 중요하다. 반도체 위에서 돌아가는 AI 앱, 모델, 클라우드 서비스에 고객이 실제로 돈을 내고 있다는 것을 보여주기 때문이다. AI 반도체 수요가 장기적으로 지속되려면 결국 이 위쪽의 AI 경제가 커져야 한다. [이미지 1]은 AI 수요가 꺾인 것이 아니라, 오히려 가속 중임을 보여준다.

AI 반도체 수요는 “AI에 대한 기대”에서 나오는 것이 아니다. AI 앱, AI 모델과 클라우드에 (최종) 고객이 돈을 내고, 그 사용량이 토큰을 만들고, 토큰이 컴퓨트(compute)를 요구하고, 컴퓨트가 데이터센터와 반도체 투자를 요구할 때 지속된다.

생성 AI는 과거 인터넷, 모바일 앱, 클라우드보다 훨씬 빠르게 매출화되고 있다는 분석도 있다.

[이미지 2] 생성 AI는 인터넷, 모바일, 클라우드보다 빠르게 매출화되고 있다

[이미지 2]는 생성 AI가 과거 인터넷, 모바일 앱, 클라우드보다 훨씬 빠른 속도로 매출을 만들고 있음을 보여준다. 그래프는 네 개의 기술 물결을 비교한다. 인터넷은 1995년, 모바일 앱은 2007년, 클라우드는 2010년, 생성 AI는 2023년을 각각 시작점으로 놓고 있다. 그리고 각 기술이 본격적으로 매출을 만들기 시작한 뒤 몇 년 만에 얼마의 연간 매출 규모에 도달했는지를 비교한다. 핵심은 보라색 선이다. 생성 AI 매출은 Year 1, Year 2를 지나면서 과거 기술 물결보다 훨씬 가파르게 올라가고 있다. 이는 과거 인터넷이나 모바일 물결보다 약 3배 빠른 성장이다.

이 그래프는 “AI가 정말 돈을 벌고 있나?”라는 질문에 답하고 있다. 적어도 매출 성장 속도만 보면 생성 AI는 데모나 실험 단계에 머물러 있지 않다. 고객이 실제로 돈을 내는 시장으로 빠르게 전환되고 있다.

다만 이 그래프 하나로 “AI 반도체 수요가 영원히 지속된다”고 결론 내리면 안 된다. 이 그래프가 보여주는 것은 AI 서비스 매출의 빠른 성장이다. 반도체 수요까지 이어지려면 AI 매출 증가가 토큰 사용량 증가, 추론 컴퓨트 증가, 데이터센터 투자 지속, GPU, HBM, DRAM, NAND 수요 증가로 연결돼야 한다. 이 그래프는 그 연결고리의 출발점, 즉 “AI 경제 쪽 수요가 진짜인가?”에 대한 강한 긍정 근거다.

그런데 생성 AI 매출의 특징은 단순히 “빠르다”에서 끝나지 않는다. 매출이 붙는 속도 자체가 더 빨라지고 있다.

[이미지 3] 생성형 AI 매출은 10억 달러씩 더 빨리 쌓이고 있다

[이미지 3]은 생성 AI 산업이 10억 달러씩 매출을 추가하는 속도가 점점 빨라지고 있음을 보여준다. 그래프의 제목은 “Each new $1 billion of revenue arrives faster than the last”다. 쉽게 말하면, 생성 AI 산업이 누적 매출을 10억 달러 더 쌓는 데 걸리는 시간이 점점 짧아지고 있다는 뜻이다. 2023년에는 생성 AI 산업이 10억 달러 매출을 추가하는 데 약 180일이 걸렸다. 그런데 지금은 이틀도 걸리지 않는다. 그래서 그래프는 이를 90배 빨라졌다고 표현한다. 이 그래프는 일반적인 매출 그래프와 다르다. 세로축은 매출액이 아니라 “10억 달러 매출을 추가하는 데 걸린 시간”이다. 따라서 선이 아래로 내려갈수록 좋은 신호다. 180일에서 2일 미만으로 줄었다는 것은 단순히 조금 빨라진 것이 아니다. 매출이 붙는 속도 자체가 구조적으로 달라졌다는 뜻이다. 반도체 관점에서 [이미지 3]은 매우 중요하다. AI 서비스 매출이 빨리 쌓이면 그 아래에서 토큰 사용량, 추론 컴퓨트, 데이터센터 가동률, HBM과 메모리 수요가 함께 늘어날 가능성이 커진다. 물론 이것도 반도체 수요를 “확정”하는 자료는 아니다. 하지만 AI 반도체 수요의 선행 지표가 매우 강하게 움직이고 있음을 보여준다.

그러나 AI 매출은 빠르게 커지고 있지만, 전체 경제와 비교하면 AI 매출 규모는 아직 매우 작다. 아래 [이미지 4]는 AI 매출이 미국 GDP 대비 약 0.42%, 노동비용 대비 약 0.8%, 기업이익 대비 약 3.0% 수준이라고 설명하고 있다. 이 말은 두 가지를 동시에 뜻한다. 첫째, AI는 이미 실체가 있는 시장이다. 둘째, 아직 기업 경제 전체로 보면 침투율은 낮다. 다시 말해 AI는 “이미 큰 시장”이면서 동시에 “아직 초기 시장”이다.

[이미지 4] AI 매출은 빠르게 크지만, 전체 경제 안에서는 아직 작다

[이미지 4]는 앞의 세 이미지에 균형을 잡아주고 있다. [이미지 4]는, AI 매출이 매우 빠르게 커지고 있지만, GDP, 노동비용, 기업이익과 비교하면 아직 매우 작다는 메시지를 전하고 있다. 따라서 AI 경제는 이미 크지만, 동시에 아직 초기다. 위 그래프는 중국을 제외한 글로벌 AI 매출을 미국 경제의 세 가지 기준과 비교하고 있다. 첫째, GDP 대비 AI 매출이다. 현재 AI 매출은 미국 GDP의 약 0.42% 수준이다. 둘째, 노동비용 대비 AI 매출이다. 약 0.8% 수준이다. 셋째, 기업이익 대비 AI 매출이다. 약 3.0% 수준이다.

특히 노동비용 대비 AI 매출은 두 가지를 동시에 말하고 있다. 첫째, AI는 이미 실체가 있는 시장이며, 둘째, 그럼에도 기업 경제 전체로 보면 아직 침투율이 낮다. 기업들이 사람의 노동에 쓰는 돈과 비교하면 AI에 쓰는 돈은 아직 1%도 안 된다. 이 수치는 낙관론과 경계론을 동시에 가능하게 한다. 낙관적으로 보면, AI가 기업의 노동비용, 소프트웨어 예산, 업무 자동화 예산 안으로 더 깊이 들어갈 여지가 매우 크다. 반대로 경계해야 할 점도 있다. AI가 정말 기업의 핵심 비용 구조 안으로 들어갈 수 있는가, 실험 비용을 넘어 반복 지출이 될 수 있는가, 노동비용 절감이나 매출 증가로 연결될 수 있는가라는 질문이 남는다. 0.8%라는 수치는 AI가 아직 기업 업무에 의미있는 수준으로 결합하고 있지 않다는 점을 역설하고 있기 때문이다.

반도체 관점에서 [이미지 4]는, AI 반도체 수요가 이미 시작됐지만, 그러나 더 큰 수요는 AI가 기업의 업무와 비용 구조 안으로 깊게 침투할 때 나온다는 점을 의미한다. AI가 기업의 반복 업무 안으로 들어가면 토큰 사용량이 늘고, 추론 컴퓨트가 늘고, 데이터센터 투자가 이어지고, 결국 GPU, HBM,  DRAM, SSD 수요가 지속될 수 있다.

이것이 반도체 투자자에게 중요하다. AI가 이미 끝물인지 묻는 질문은 틀렸다. 더 중요한 질문은 AI가 기업의 노동비용, 소프트웨어 예산, 업무 자동화 예산 안으로 얼마나 깊게 들어갈 수 있는가다. AI가 단순한 챗봇 사용에 머물면 반도체 수요도 둔화된다. 반대로 AI가 기업 업무의 반복 시스템으로 들어가면 토큰 사용량은 훨씬 더 커질 수 있다.

AI 매출은 어떻게 메모리 수요가 되는가

AI 경제의 흐름은 다음과 같다.

• AI 서비스 매출 증가 → AI 사용량 증가 → 토큰 처리량 증가 → 추론 컴퓨트 증가 → 데이터센터 투자 증가 → GPU, HBM, DRAM, NAND, SSD 수요 증가.

이 연결고리가 끊기지 않아야 AI 반도체 슈퍼사이클이 지속된다. 여기서 중요한 중간 고리가 하이퍼스케일러의 CapEx다. AI 앱 매출이나 AI 모델 매출이 정말 크다면, 그다음에는 데이터센터 투자가 움직여야 한다.

[이미지 5] AI는 하이퍼스케일러 CapEx를 기존 경로 밖으로 밀어 올렸다

[이미지 5]는 AI 때문에 하이퍼스케일러의 설비투자, 즉 CapEx가 기존 클라우드 성장 경로보다 훨씬 커졌음을 보여준다. 위 그래프는 AI가 없었다면 예상되는 하이퍼스케일러 투자와, AI를 반영한 실제 투자 및 예상 투자를 비교하고 있다. 핵심 숫자는 5,350억 달러다. 이는 AI가 기존 클라우드 투자 추세 위에 얹은 추가 투자다. [이미지 5]가 중요한 이유는 AI 수요가 실제 데이터센터 투자로 번역되고 있음을 보여주기 때문이다. AI 반도체 수요는 추상적인 “AI 인기”에서 바로 생기지 않는다. AI 서비스 매출이 늘고, 토큰 사용량이 늘고, 추론과 학습 컴퓨트가 늘고, 그 결과 하이퍼스케일러가 데이터센터 CapEx를 늘릴 때 생긴다.

2024년 이후 하이퍼스케일러 투자는 기존 클라우드 성장 추세를 크게 벗어나기 시작했다. ChatGPT 이후 AI 수요가 본격화되면서 클라우드 기업들이 기존 투자 계획을 상향 조정했기 때문이다. 삼성전자와 SK하이닉스 입장에서 [이미지 5]는 긍정적이다. AI 수요가 실제 CapEx로 확인되고 있기 때문이다. 하지만 동시에 위험도 보여준다. 이 정도 CapEx가 계속 정당화되려면 AI 서비스 매출과 사용량이 투자 회수에 충분할 만큼 커져야 한다. 핵심 리스크는 “AI 수요가 없느냐”가 아니라 CapEx의 속도가 AI 매출 성장보다 너무 빠른가다. 여기서 중요한 변화가 하나 더 있다. AI 데이터센터 투자는 예전처럼 건물과 서버를 사는 투자가 아니다. 점점 더 반도체와 메모리를 사는 투자가 되고 있다.

[이미지 6] 데이터센터 1달러 중 더 많은 돈이 메모리와 컴퓨트로 간다

[이미지 6]는 AI 데이터센터 투자가 예전처럼 단순히 건물 짓는 돈이 아니라, 점점 더 반도체와 메모리를 사는 돈으로 바뀌고 있음을 보여준다. 위 그래프의 핵심 문장은 “Memory and compute now take a majority of every dollar spent on the data center buildout”다. 쉽게 말하면 데이터센터를 짓는 데 쓰는 돈 중 절반 이상이 이제 메모리와 컴퓨트, 즉 반도체 쪽으로 간다는 뜻이다. 2021년 데이터센터 비용 구조를 보면 건물 20%, 전력 25%, 냉각 15%, 연산 칩 38%, 메모리 2% 정도로 나뉜다. 칩 전체 비중은 약 40%다. 그런데 2026년 예상 구조에서는 건물 15%, 전력 15%, 냉각 10%, 연산 칩 42%, 메모리 18%로 바뀐다. 칩 전체 비중은 60%로 올라간다.

가장 중요한 변화는 메모리다. 메모리 비중이 2%에서 18%로 증가하고 있다. 과거 데이터센터에서 메모리는 거의 눈에 띄지 않는 항목이었다. 그러나 AI 데이터센터에서 메모리는 핵심 비용 항목으로 올라왔다. 이 변화가 생기는 이유는 AI 데이터센터가 일반 클라우드 데이터센터와 다르기 때문이다. AI 데이터센터는 거대한 모델을 학습하고, 수많은 토큰을 추론하고, 긴 컨텍스트와 에이전트 작업을 처리해야 한다. GPU가 아무리 빨라도 데이터를 충분히 빠르게 공급하지 못하면 성능이 막힌다. 그래서 HBM이 중요해진다. 또한 에이전트형 AI는 중간 결과를 저장하고, 다시 읽고, 검증하는 과정을 반복하기 때문에 DRAM, NAND, SSD 수요도 함께 커진다.

따라서 삼성전자와 SK하이닉스에게 [이미지 6]은 매우 중요하다. AI CapEx가 늘어날수록 반도체가 가져가는 몫이 커지고, 그중에서도 메모리가 가장 빠르게 비중을 키우고 있기 때문이다. 다만 이것은 최종 고객에게는 부담이기도 하다. 메모리와 컴퓨트 비중이 커질수록 하이퍼스케일러의 데이터센터 투자 회수 압박도 커지고 있다. 따라서 메모리 장기 수요는 단순히 “메모리가 많이 필요하다”가 아니라, AI 서비스 매출과 토큰 사용량이 이 높은 CapEx를 정당화할 수 있느냐에 달려 있다.

이 숫자가 삼성전자와 SK하이닉스 주가를 설명한다. AI 데이터센터에 1달러를 쓸 때, 예전보다 더 많은 돈이 콘크리트가 아니라 실리콘으로 간다. 더 정확히 말하면 GPU와 HBM, 고성능 DRAM, 서버용 SSD, eSSD, 고속 인터커넥트로 간다. AI 데이터센터는 전력과 건물의 산업이면서 동시에 메모리와 컴퓨트의 산업이 된 것이다.

이제 메모리를 포함하여 반도체는 AI의 부품이 아니라 AI 경제의 생산설비다. 칩은 전기를 토큰으로 바꾸고, 클라우드 사업자는 칩 설비투자, 즉 CapEx를 토큰 사용료라는 OpEx로 바꿔 판다. AI 모델은 토큰을 지능(Intelligence)으로 바꾸며, 애플리케이션과 하네스 엔지니어링(Harness Engineering)은 그 지능을 최종 고객 가치로 바꾼다.

[이미지 7] AI 경제의 가치사슬: 전기에서 토큰, 토큰에서 고객 가치로

[이미지 7]은 AI 경제를 하나의 가치사슬로 보여준다. 흐름은 왼쪽에서 오른쪽으로 이어진다.

Chips → Hosting → Foundation Models → Applications & Harness Engineering

이 구조는 단순한 기술 순서가 아니다. AI 반도체 수요가 어디서 생기고, 어디서 지속되는지를 보여주는 경제 구조다. 첫 번째 단계는 Chips다. 칩은 전기를 토큰으로 바꾼다. 생성 AI는 텍스트, 코드, 이미지, 명령을 모두 토큰 단위로 처리한다. 따라서 AI 시대의 반도체는 단순 계산 부품이 아니라 전력을 AI 작업량으로 바꾸는 생산 설비다. 두 번째 단계는 Hosting이다. 클라우드와 데이터센터 사업자는 칩을 대규모로 구매해 CapEx를 집행한다. 그리고 고객에게는 AI 사용량, 즉 토큰 단위의 OpEx로 판매한다. 삼성전자와 SK하이닉스 입장에서 반도체 매출은 고객의 CapEx로 보이지만, 하이퍼스케일러 입장에서는 그 CapEx를 토큰 사용료 비즈니스로 바꿔야 한다. 세 번째 단계는 Foundation Models다. AI 모델은 토큰을 지능으로 바꾼다. 답변, 추론, 코드 작성, 요약, 분석이 여기서 나온다. AI 모델 효율화는 같은 작업에 필요한 연산을 줄일 수도 있다. 반대로 더 긴 작업, 더 복잡한 추론, 더 많은 검증 루프는 전체 토큰과 메모리 수요를 늘릴 수도 있다. 네 번째 단계는 Applications & Harness Engineering이다. 이 단계가 가장 중요하다. AI 모델이 만든 지능을 실제 고객 가치, 업무 성과, 생산성, 비용 절감, 매출 증가로 바꾸는 단계다. AI 모델이 아무리 좋아도 실제 업무와 제품 안에 들어가지 못하면 돈이 되지 않는다. 돈이 되지 않으면 토큰 사용량도 제한되고, 데이터센터 투자도 둔화되고, 결국 반도체 수요도 약해진다. 반대로 AI가 코딩, 리서치, 마케팅, 고객 대응, 품질 관리, 제조 운영, 공급망 관리 같은 업무 안으로 깊이 들어가면 반복 사용량이 생긴다. 그 반복 사용량이 토큰 증가, 추론 컴퓨트 증가, 데이터센터 가동률 증가, CapEx 지속, 메모리 수요 지속으로 이어진다. 이렇게 반도체 수요는 왼쪽에서 시작되지만, 지속성은 오른쪽에서 결정된다. 이 가치사슬의 맨 왼쪽에 반도체가 있지만, 수요의 지속성은 맨 오른쪽에서 결정된다. 고객 가치가 없으면 토큰도 없고, 토큰이 없으면 데이터센터 투자도 없고, 데이터센터 투자가 없으면 메모리 슈퍼사이클도 없다.

왜 AI는 메모리를 이렇게 많이 먹는가

AI 수요가 반도체 수요로 이어지는 이유는 단순히 이용자가 많아졌기 때문만은 아니다. AI를 쓰는 방식 자체가 바뀌고 있다. 2022년 11월 ChatGPT 이후 1차 AI 시대의 핵심은 질문과 답변(Answer)이었다. 이용자가 묻고 AI가 답했다. 글쓰기, 요약, 번역, 아이디어, 코딩 보조가 중심이었다. 하지만 2025년 말 이후의 변화는 다르다. AI를 실제 업무 흐름 안에 묶어 넣는 하네스 엔지니어링이 시작됐다. AI가 기업의 데이터, 도구, 승인 절차, 검증 과정, 업무 규칙과 연결돼 반복 가능한 업무를 수행하는 구조다.

[이미지 8] 생성 AI의 3단계: ChatGPT에서 Harness Engineering으로

[이미지 8]은 생성 AI의 발전을 세 단계로 나눠 보여주고 있다. 핵심은 지금 AI의 중심이 “AI 모델을 써보는 시대”에서 “AI를 업무 시스템에 묶어 넣는 시대”로 이동하고 있다는 점이다. 첫 번째 AI 시대는 2022년 11월 ChatGPT 출시로 시작됐다. 이 시기의 핵심은 사람이 AI에게 질문하고 AI가 답하는 것이었다. 이 시기에도 토큰 사용량은 급증했고, AI 반도체 수요 폭발의 출발점이 됐다. 그러나 이 단계만으로는 장기 수요를 설명하기 어렵다.

두 번째 AI 시대는 Harness Engineering의 시작이다. 이 단계의 핵심은 더 좋은 챗봇이 아니다. AI를 실제 업무 흐름 안에 묶어 넣는 것이다. Harness Engineering은 AI 모델이 혼자 똑똑한 답을 하게 만드는 것이 아니라, AI가 기업의 데이터, 도구, 승인 절차, 검증 과정, 업무 규칙과 연결되어 반복 가능한 업무를 수행하게 만드는 설계다. 아래 [이미지 9]는 하네스 엔지니어링이 도입된 2025년 12월 이후 토큰 사용량이 폭발적으로 증가하고 있음을 보여준다.

[이미지 9] AI 토큰 사용량의 폭발적 증가

예를 들어 기업 내부의 구매 계약 검토, 시장 리서치, 고객사 대응 자료 작성, 품질 이슈 분석, 공급망 리스크 모니터링, 기술 문서 요약, 회의록 기반 액션 아이템 정리, 반복 보고서 작성 같은 업무에 AI가 들어가는 것이다. 이런 업무는 단순 프롬프트만으로는 어렵다. (실시간) 데이터 연결, 권한 관리, 반복적인 검증 루프, 반복적인 중간 결과 평가, 업무 규칙이 필요하다. 세 번째 AI 시대는 접근권과 통제의 시대다. Fable 5 및 Mythos, ChatGPT-5.6 사건이 보여주듯, 앞으로는 가장 좋은 모델을 누구나 같은 조건으로 쓸 수 있는 시대가 아닐 수 있다. 모델 접근 제한, 보안 정책, 국가별 규제, 비용 변화, 우선순위 배분이 중요해진다. 기업은 특정 모델 하나에만 의존하면 위험하다. 여러 모델을 비교하고, 라우팅하고, 대체 경로를 확보하고, 내부 업무 시스템과 안정적으로 연결해야 한다.

반도체 수요 관점에서는 두 번째 단계가 특히 중요하다. 장기 수요는 AI가 얼마나 똑똑한가보다 AI가 얼마나 반복 업무에 깊게 들어가는가에 달려 있기 때문이다. AI가 기업 업무 흐름 안으로 들어가면 모델 호출이 반복되고, 토큰 사용량이 늘고, 반복 검증 루프가 생기고, 메모리 수요가 함께 증가한다. 이것이 추론 컴퓨트, HBM, DRAM, eSSD 수요를 지속시키는 힘이다.

이 변화는 메모리 수요를 폭발시킨다. 이유는 세 가지다.

첫째, 작업 시간(Task-Time-Horizons)이 길어진다. 예전에는 AI에게 긴 작업을 맡기면 품질과 일관성이 빠르게 떨어졌다. 이제는 여러 단계의 작업을 더 오래 유지하려는 구조가 만들어지고 있다. 작업 시간이 길어지면 중간 상태를 기억해야 한다. 더 긴 컨텍스트, 더 많은 상태 저장, 더 많은 검증 루프가 필요하다.

둘째, 에이전트가 여러 개로 나뉜다. 하나의 AI가 모든 일을 처리하는 것이 아니라, 리서치 에이전트, 작성 에이전트, 검증 에이전트, 수정 에이전트가 동시에 움직인다. 각 에이전트는 중간 결과를 만들고, 이를 저장하고, 이를 다시 읽고, 복수의 중간 결과를 서로 비교한다. 이 과정에서 HBM뿐 아니라 DRAM, NAND, SSD까지 같이 쓰인다.

셋째, 질문 하나가 내부적으로 여러 질문으로 쪼개진다. 이를 쿼리 팬아웃(Query Fan-Out)이라고 부른다. 이용자가 “세럼 추천해줘”라고 한 번 묻더라도 AI는 내부적으로 나이, 피부 타입, 가격대, 브랜드 선호, 계절성, 리뷰, 성분, 구매 가능성 등을 따로 묻고 종합한다. 이용자 눈에는 질문 하나지만, 시스템 내부에서는 수십 번의 AI 모델 호출이 일어난다.

이 대목에서 AI 경제는 기존 디지털 플랫폼과 달라진다. 유튜브나 소프트웨어는 사용자가 늘어날수록 한계 생산비용이 낮아지는 경향이 강했다. 그러나 AI 서비스는 이용자가 늘고 질문이 복잡해질수록 한계 생산비용도 같이 늘어난다. 사용량이 곧 비용이다. 이 구조가 AI 기업의 고민이고, 동시에 반도체 기업의 기회다.

별도로 다룰 “Inference 변동”의 핵심도 여기에 있다. AI의 중심은 거대한 학습 한 번에서, 매일 반복되는 추론으로 이동하고 있다. 학습은 한 번의 거대한 비용이지만 추론은 매일 발생하는 반복 비용이다. 기업 업무에 AI가 들어갈수록 이 반복 비용은 커진다. 바로 그 반복 비용이 HBM, DRAM, NAND, SSD 수요의 기반이 된다.

슈퍼사이클의 조건: 가격 전가

그렇다면 AI 사용량이 늘어나니 삼성전자와 SK하이닉스의 슈퍼사이클은 계속된다고 말하면 될까. 그렇지 않다. 여기서부터 진짜 질문이 시작된다. 핵심은 가격 전가에 있다.

가격 전가(Price Pass-through)란 위에서 오른 비용을 아래 고객에게 넘기는 과정이다. 메모리와 GPU 가격이 빠르게 폭발적 수준으로 오르고 있다. 하이퍼스케일러가 비싼 가격에 칩과 전력과 데이터센터를 확보하고 있다. AI 모델 회사는 API 가격과 구독료에 이 비용을 반영하고 있다. 그 위의 소프트웨어 회사는 다시 기업과 개인에게 사용료를 청구한다. 최종적으로 기업과 개인이 이 비용을 받아들이면 슈퍼사이클은 지속된다. 받아들이지 않으면 어느 지점에서 수요가 꺾인다.

그래서 슈퍼사이클의 진짜 전제조건은 최종 소비자다. 스마트폰 시대에도 비슷한 일이 있었다. 단말기 가격, 데이터요금, 앱 결제, 클라우드 비용이 늘었지만 전 세계 수억 명의 소비자가 이 거대한 비용을 매달 1/n 형식으로 나눠 냈다. 그 덕분에 통신사, 단말기 회사, 반도체 회사가 함께 성장했다. AI도 마찬가지다. 지금은 하이퍼스케일러가 비싼 GPU와 HBM과 전력비를 떠안고 있지만, 결국 기업과 개인이 매달 AI 사용료를 내야 한다.

문제는 가격 상한선이다. 기업은 AI가 생산성을 높여준다고 믿을 때 비용을 낸다. 그러나 사용료가 너무 빠르게 오르면 계산이 달라진다. “이 AI가 정말 사람의 시간을 줄여주는가”, “이 비용이 매출 증가나 비용 절감으로 돌아오는가”, “더 싼 모델로 바꿀 수는 없는가”를 따지기 시작한다.

마이크로소프트의 고민이 이 구조를 잘 보여준다. SaaS의 장점은 예측 가능한 가격이다. 직원 한 명당 월 얼마를 내면 예산을 세울 수 있다. 그런데 AI는 전기요금처럼 사용량 기반 비용이 붙는다. 사용량이 늘면 비용도 늘어난다. 그러면 기업 고객은 AI 기능을 공짜 번들처럼 보지 않고, 한 번 쓸 때마다 가치가 있는지 따지게 된다. 마이크로소프트가 더 저렴한 오픈소스 모델이나 중국 모델을 검토하는 이유도 여기에 있다. 높은 사용량을 번들 안에 넣으려면 OpenAI나 Anthropic 모델만으로는 마진이 망가질 수 있기 때문이다. 최근 미국 기업들은 AI 비용을 낮추기 위해 중국 오픈웨이트 모델을 자체 호스팅하거나 OpenRouter같은 미국 클라우드에서 활용하고 있다. 이것이 반도체 슈퍼사이클에 주는 메시지는 매우 중요하다. AI 모델 회사와 소프트웨어 회사가 비용을 최종 고객에게 전가할 수 있어야 한다. 그러나 AI 모델 사용료가 너무 비싸지면 최종 고객은 더 싼 모델을 찾는다. 더 싼 모델이 충분히 쓸 만하면, 고가 모델의 가격 상한선이 생긴다. 고가 모델의 가격 상한선은 다시 GPU와 HBM 가격의 상한선으로 이어질 수 있다.

구축 효과: AI가 다른 시장을 밀어낸다

가격 전가와 함께 또 다른 중요한 경제학 개념은 “구축 효과(crowd-out)”다. 경제학에서 구축 효과는 원래 정부가 돈을 많이 빌려 쓰면 민간이 쓸 돈이 줄어드는 현상을 설명할 때 자주 쓰인다. 예를 들어 정부가 대규모로 채권을 발행해 돈을 빨아들이면 금리가 오르고, 민간 기업은 투자를 줄일 수 있다. 누군가가 자원을 대량으로 가져가면서 다른 누군가가 밀려나는 것이다.

AI 시대의 구축 효과는 조금 다르지만 원리는 같다. AI 데이터센터가 GPU를 빨아이고 있다. GPU 예산이 CPU 예산을 밀어낸다. AI 데이터센터가 전력을 빨아들인다. 다른 산업의 전력 확보가 어려워진다. AI가 가스터빈, 변압기, 케이블, 냉각 장비를 빨아들인다. 제조업과 전력망 투자가 밀린다. 이제는 메모리에서도 같은 일이 벌어질 수 있다.

HBM은 DRAM을 쌓아 만든다. AI 가속기용 HBM은 일반 DRAM보다 훨씬 높은 가격을 받을 수 있다. 엔비디아와 AMD가 HBM에 높은 가격을 지불할 준비가 되어 있다면, 삼성전자, SK하이닉스, 마이크론은 당연히 HBM에 메모리 생산능력을 우선 배정한다. 그러면 일반 PC, 스마트폰, 서버, 소비자 전자제품에 들어가는 DRAM과 NAND 공급은 상대적으로 압박을 받는다. 이것이 메모리 시장의 구축 효과다. 이 구축 효과는 이미 소비자 전자제품으로 번지고 있다. 메모리 가격 상승은 전통적으로 가격이 내려가던 PC와 스마트폰의 가격 구조를 바꾸고 있다. AI는 장기적으로 생산성을 높여 물가를 낮출 수 있지만, 단기적으로는 메모리와 전력과 데이터센터 비용을 끌어올려 다른 제품 가격을 높일 수 있다. AI 수요로 메모리 공급이 타이트해지고, 높아진 부품 가격 때문에 최종 수요가 조심스러워지고 위축될 수 있다.

여기서 중요한 점은, 이 구축 효과가 삼성전자와 SK하이닉스에게 단기적으로는 축복이라는 사실이다. HBM과 서버용 메모리 가격이 오르고, 고객은 공급을 확보하기 위해 장기계약을 맺는다. 그러나 장기적으로는 위험이기도 하다. 너무 비싼 메모리는 최종 제품 수요를 줄인다. PC 제조사, 스마트폰 제조사, 자동차 회사는 더 싼 대안을 찾는다. 그 대안이 중국 메모리일 수 있다.

중국 변수: 가격 상한선은 AI 모델에서만 오지 않는다

중국 변수는 두 층으로 온다. 첫째는 AI 모델이다. DeepSeek, Qwen, GLM 같은 중국계 오픈웨이트 모델은 미국 빅테크와 모델 기업의 가격 결정력(pricing-power)을 제한한다. 기업은 가장 민감하고 중요한 업무에는 Claude나 GPT를 쓰더라도, 문서 요약, 분류, 내부 검색, 초안 작성 같은 저위험 작업에는 더 싼 AI 모델을 섞어 쓸 수 있다. 모델 라우팅(Model Routing)과 모델 퓨전(Model Fusion)이 확산되면 하나의 고가 모델이 모든 사용량을 가져가는 구조는 약해진다. 중국 오픈웨이트 모델은 미국 AI 모델 기업이 API 가격을 마음대로 올리지 못하게 만드는 가격 상한선 역할을 한다.

둘째는 메모리다. 중국의 CXMT는 DRAM에서, YMTC는 NAND에서 빠르게 존재감을 키우고 있다. FT는 Apple이 중국 내 기기용으로 CXMT 칩을 테스트하고 있다고 보도했고, CXMT가 세계 4위 DRAM 생산자로 부상했으며 2028년까지 글로벌 생산능력 점유율을 11%에서 15%로 높일 계획이라고 전했다. 다만 HBM에서는 여전히 기술적 그리고 지정학적 장벽이 크다고 평가된다.

이 지점에서 메모리 3사의 장기 리스크가 생긴다. 삼성전자, SK하이닉스, 마이크론은 과거 메모리 사이클에서 혹독하게 배워왔다. 수요가 늘 때 생산능력을 너무 많이 늘리면 몇 년 뒤 공급 과잉이 오고 가격이 폭락한다. 그래서 이번에는 조심스럽게 생산능력을 증설하고 있다. 이 전략은 단기적으로는 합리적이다. 왜냐하면 공급을 절제하면 가격과 마진이 유지된다. 그러나 너무 오래 공급을 절제하면 다른 문제가 발생할 수 있다. 고객이 부족한 물량을 찾아 중국으로 갈 수 있기 때문이다. 처음에는 중국 메모리가 낮은 사양, 낮은 신뢰성으로 인해 특정 지역에 판매되는 제품에만 쓰일 수 있다. 하지만 CXMT나 YMTC는 주문 물량을 받으면 학습할 기회를 얻을 수 있. 고객을 확보하면 품질이 좋아질 수 있다. 정부 보조금이 붙으면 가격 경쟁력이 생기기 마련이다. 장기적으로는 한국과 미국 메모리 기업의 과점 구조 자체가 흔들릴 수 있다. 메모리 3사가 과점에 안주해 메모리 공급을 충분히 빨리 늘리지 않았기 때문에, 중국 경쟁자가 들어올 조건을 스스로 만들었을 수 있다. 단기적으로 HBM 공급 부족은 초과이윤을 만들었다. 그러나 장기적으로 그 초과이윤은 중국 진입의 초대장이 될 수 있다.

그래서 슈퍼사이클은 지속 가능한가

이 질문에 대한 답은 양쪽 모두다. 지속 가능하다. 그러나 직선으로 지속되지는 않을 것이다. 긍정적인 근거는 다양하고 강하다. [이미지 1]부터 [이미지 6]까지 확인할 수 있는 것처럼, AI 매출은 실제로 발생하고 있고, 과거 인터넷, 모바일, 클라우드보다 빠르게 커지고 있다. AI 사용량은 토큰으로 바뀌고, 토큰은 추론 컴퓨트를 요구한다. 데이터센터 CapEx는 이미 AI 이전 경로를 크게 벗어났다. 데이터센터 투자 1달러 중 반도체와 메모리가 가져가는 몫도 커지고 있다. 또한 AI의 중심이 챗봇에서 기업 업무 시스템으로 이동하면 반복 사용량이 늘어나고 있다. 하네스 엔지니어링은 AI를 기업의 데이터, 도구, 검증 루프, 권한 관리, 업무 규칙과 연결한다. 이 변화가 성공하면 AI 사용량은 개인의 호기심이 아니라 기업의 반복 업무에서 발생한다. 그때 반도체 수요는 단기 붐을 넘어 구조적 수요가 된다.

하지만 위험도 분명하다.

첫째, AI 서비스의 한계비용은 낮지 않다. 질문이 늘면 비용도 늘어난다.
둘째, 가격 전가에는 상한선이 있다. 기업과 개인이 무한정 AI 사용료를 받아들이지는 않는다.
셋째, 중국 저가 AI 모델은 AI 서비스 가격을 누른다.
넷째, 중국 메모리 기업은 고가 메모리 시장의 빈틈을 파고들 수 있다.
다섯째, 메모리 구축 효과는 소비자 전자제품 수요를 약화시킬 수 있다.
여섯째, 전력과 데이터센터 인프라가 병목이 될 수 있다. 전력망 접속 지연, 변압기와 케이블 대기 기간 증가, 가스터빈 납기 지연이 데이터센터 확대의 주요 제약 원인들이다.

그러므로 삼성전자와 SK하이닉스의 주가를 마주하며 던져야할 질문은 “AI 버블인가 아닌가”가 아니다. AI 서비스 매출 증가 속도가 메모리 가격 상승과 데이터센터 CapEx 증가 속도를 따라잡을 수 있는가라는 질문이 올바른 질문이다. 이 질문에 대한 답이 긍정적이면, 슈퍼사이클은 이어진다. 중간중간 주가 조정은 있어도 구조적 성장은 계속된다. 반대로 AI 서비스 매출이 비용을 정당화하지 못하면, 지금의 높은 이익률은 피크아웃 논란에 휘말릴 수 밖에 없다.

AI 반도체 슈퍼사이클은 끝나지 않았다. 오히려 이제 더 복잡한 2막에 들어섰다. 1막은 “AI가 반도체를 얼마나 많이 사게 만드는가”였다. 2막은 “그 반도체 비용을 누가, 얼마나, 얼마나 오래 내줄 수 있는가”다. 삼성전자와 SK하이닉스에게 중요한 것은 단기 가격 상승만이 아니다. 진짜 관건은 AI 경제의 오른쪽 끝이다. AI가 실제 고객 가치로 바뀌는가. 기업이 AI를 반복 업무에 깊게 넣는가. 토큰 사용량이 가격 하락보다 더 빠르게 늘어나는가. 중국 AI 모델과 중국 메모리의 압박 속에서도 프리미엄 메모리의 기술 격차를 유지할 수 있는가.

AI 시대의 메모리 슈퍼사이클은 단순한 공급 부족 사이클이 아니다. 전기, 토큰, 데이터센터, HBM, DRAM, NAND, 모델 가격, 중국 경쟁, 기업 업무 자동화가 한꺼번에 얽힌 경제 구조다. 그래서 지금의 질문은 “삼성전자와 SK하이닉스 주가가 많이 올랐나”가 아니다.

AI가 앞으로도 계속 더 많은 메모리를 필요로 할 만큼, 우리 일과 기업의 운영 방식 안으로 깊게 들어올 것인가라는 질문이 중요하다. 이 질문에 대한 답이 “그렇다”라면 슈퍼사이클은 아직 끝나지 않았다. 다만 이제부터의 슈퍼사이클은 단순한 수요 폭발이 아니라, 비용을 견디고 가격을 전가하고 중국의 저가 공세를 버티는 능력의 싸움이 될 것이다.

📋 지분 5%를 정부 투자 기구에…알래스카 영구기금 모델 참고

파이낸셜타임즈에 따르면 샘 올트먼 오픈AI CEO는 미국의 주요 AI 개발사들이 각각 지분 5%를 정부 투자 기구에 제공해야 한다고 주장하고 있습니다. 참고 모델은 알래스카 영구기금으로, 미국 석유 부를 주식에 투자하고 배당금을 주민에게 지급하는 주권 펀드입니다. 올트먼은 미국 국민에게 AI 기업의 재정적 지분을 주는 것이 AI의 혜택을 나누는 최선의 방법이라고 주장하고 있습니다. 협상은 아직 초기 단계이며, 실제 실행을 위해서는 의회의 입법이 필요해 보입니다.

📊 CMO 90%가 AI 실험 중이지만 실제 가치 창출은 10% 미만

맥킨지 조사에 따르면 소비자의 절반 가까이가 이미 AI 기반 검색을 구매 결정 과정에서 활용하고 있습니다. 카테고리 정보 탐색(73%), 특정 제품 비교(61%), 리뷰 요약(60%) 등 구매 여정 전반에 걸쳐 AI 검색이 쓰이는데요.