David Cahn의 질문: 수익 실현 시점이 늦어지기 전에 AI는 3조 달러짜리 질문에 답할 수 있을까?

Sequoia 파트너 David Cahn이 AI 인프라 투자 추정치를 1조 5,000억 달러로 상향하면서 투자자들은 훨씬 더 큰 매출 문제에 직면하게 됐다. 예상 수익 실현 시점이 2028년 이후로 밀려나기 전에 AI는 3조 달러짜리 질문에 답할 수 있을까?

이 수치는 업계의 2026년 인프라 지출을 정당화하는 데 필요하다고 Cahn이 추정한 매출 규모다. 여기에는 칩, 데이터 센터, 전력 시스템, 네트워킹 장비, 운영업체의 마진에 따른 경제적 부담이 포함된다.

이제 대립 구도는 단순히 AI 낙관론자와 회의론자 사이의 충돌이 아니다. 업계가 약속한 매출과 Google, Meta, Microsoft, Amazon 및 그 파트너들이 이미 단행한 물리적·재정적 투자 사이의 대결이다.

AI 기업들은 빠르게 성장하고 있지만, 인프라 투자 약정은 차원이 다른 규모로 늘었다. 토큰 비용 하락과 더 저렴한 오픈 웨이트 모델은 도입을 쉽게 만드는 동시에 매출 목표 달성을 더욱 어렵게 한다.

이러한 역설은 하이퍼스케일러를 압박한다. 투자자들은 이들의 막대한 자본 투자 프로그램이 향후 몇 년간 잉여현금흐름을 대폭 끌어올리기를 기대한다.

그 현금이 예정대로 유입되지 않는다면 파장은 모델 개발업체에 그치지 않는다. 칩 공급업체, 전력회사, 신용시장, 주요 주가지수, 더 넓게는 경제 전반으로 번질 수 있다.

David Cahn, 2,000억 달러의 경고를 3조 달러의 시험대로 확대하다

Cahn의 새로운 추정치는 AI 논쟁을 제품 수요에 관한 질문에서 매출이 인프라 지출을 따라잡을 수 있는지를 검증하는 문제로 바꿔놓았다.

Cahn이 이 주장을 처음 제기한 것은 Nvidia가 연간 약 500억 달러의 GPU 매출을 보고하던 2023년이었다. 그는 인프라 가치사슬 전반에 필요한 운영비와 마진을 더했다.

이 계산에 따르면 업계가 초기 투자를 회수하려면 약 2,000억 달러의 매출이 필요했다. 이 추정치는 AI의 "2,000억 달러짜리 질문"으로 알려졌다.

이 질문은 AI가 실패할 것이라는 선언이 아니었다. Cahn은 기업가들이 가용 컴퓨팅 용량을 수익성 있게 활용할 애플리케이션을 구축해야 한다는 도전 과제로 이를 제시했다.

3년에 걸친 공격적인 건설 투자로 규모는 달라졌다. 7월 9일 자 인프라 분석에 따르면 Cahn은 현재 2026년 AI 인프라 지출을 1조 5,000억 달러로 추산한다.

그의 모델은 이 지출을 정당화하려면 업계에 3조 달러의 매출이 필요하다는 점을 시사한다. 이 수치는 가속기의 구매 가격만 반영한 것이 아니다.

데이터 센터에는 전력, 냉각, 네트워킹, 메모리, 부지, 건설 인력, 지속적인 유지보수가 필요하다. 인프라 운영업체도 투자 자본에 대한 수익을 기대한다.

Cahn은 최종적으로 필요한 금액이 더 커질 수도 있다고 주장한다. 메모리 제약, 특화 추론 칩, 건설비 상승으로 용량 1기가와트당 필요한 매출이 증가할 수 있기 때문이다.

기가와트는 AI 산출물이 아니라 전력 용량을 측정하는 단위다. 전력이 기업의 신규 컴퓨팅 시스템 배치 속도를 제한하는 가장 명확한 요인 중 하나가 됐다는 점에서 중요하다.

Apollo는 동일한 압박을 보여주는 별도의 인프라 전망을 발표했다. 2028년까지 AI 인프라를 뒷받침하려면 약 3조 달러의 자본이 필요할 것으로 추산했다.

Apollo는 이 가운데 약 절반이 외부 자금 조달을 통해 충당될 것으로 예상했다. 또한 자본 전망에서 사모대출이 8,000억 달러 이상을 제공할 수 있다고 추정했다.

두 추정치는 서로 다른 대상을 측정하므로 동일한 수치로 간주해서는 안 된다. Cahn은 지출을 정당화하는 데 필요한 매출을 검토한 반면, Apollo는 인프라 자금 조달 수요를 추산했다.

두 계산 모두 동일한 근본적 문제를 가리킨다. AI의 물리적 인프라 확충 속도가 업계가 입증한 지속 가능한 고객 매출 흐름보다 빠르다는 것이다.

인프라 확충에는 긴 리드타임도 필요하다. Cahn은 평균적인 AI 데이터 센터를 건설하는 데 약 2년이 걸린다고 밝힌 바 있다.

따라서 생성형 AI의 초기 급성장기에 발표된 프로젝트들이 여러 구매 결정이 내려진 뒤에야 가동되기 시작하고 있다. 이들의 경제적 가치는 수년간 지속돼야 할 수요에 달려 있다.

클라우드 인프라는 더 느린 선례를 남겼다. Amazon은 2006년 AWS를 출시했고, 기업 워크로드의 전환은 수십 년에 걸쳐 진행됐다.

이런 속도 덕분에 공급업체들은 단계적으로 확장 자금을 조달할 수 있었다. 현재의 AI 사이클에서는 수요가 그만큼 명확해지기 전에 기업들이 칩, 전력, 건설 역량부터 확보해야 한다.

따라서 3조 달러짜리 질문은 사람들이 AI를 사용하는지 묻는 것이 아니다. AI 활용은 이미 검색, 소프트웨어 개발, 고객 서비스, 연구, 콘텐츠 제작, 사무 업무 전반으로 확산됐다.

핵심은 고객이 자신들을 위해 구축된 인프라를 뒷받침할 만큼 충분한 금액을 충분히 오랫동안 지불할 것인지다. 이는 훨씬 더 엄격한 시험이다.

AI는 현재의 매출로 3조 달러짜리 질문에 답할 수 있을까?

주요 AI 기업들은 상당한 규모의 사업을 구축했지만, 이들이 보고한 매출은 Cahn의 계산이 시사하는 수준에 여전히 크게 못 미친다.

보도에 따르면 Anthropic의 연간 반복 매출은 2026년 7월까지 600억 달러에 근접하고 있었다. 연간 반복 매출, 즉 ARR은 현재의 구독 및 계약 매출을 1년 전체로 환산한 수치다.

보도에 따르면 OpenAI는 2025년 130억 달러의 매출을 올렸다. 이 회사는 2025년 11월 ARR 200억 달러를 달성했다고 밝혔으며, 이는 인식된 연간 매출을 넘어 성장세가 계속 빨라졌음을 시사한다.

이 수치들은 특히 코딩 에이전트와 범용 어시스턴트에 대한 실질적인 수요를 보여준다. 하지만 수조 달러 규모의 격차를 메우기에는 부족하다.

모델 공급업체의 매출은 해답의 일부에 불과하다. Google, Microsoft, Amazon, Meta는 클라우드 서비스, 광고, 커머스, 구독, 내부 효율화를 통해 AI를 수익화할 수 있다.

Google은 검색 광고와 클라우드 워크로드에 모델을 적용할 수 있다. Microsoft는 비즈니스 소프트웨어에 어시스턴트를 탑재하는 동시에 Azure를 통해 컴퓨팅 용량을 판매할 수 있다.

Amazon은 소매 운영에 AI를 활용하고 AWS를 통해 모델 인프라를 제공할 수 있다. Meta는 모든 모델 상호작용에 직접 요금을 부과하지 않고도 광고 시스템과 사용자 참여도를 개선할 수 있다.

이러한 간접 수익은 Cahn의 계산을 복잡하게 만든다. 광고 성과가 1달러 개선되면 그 금액이 모델 API 매출로 잡히지 않더라도 인프라 투자를 정당화하는 데 도움이 될 수 있다.

비용 절감도 중요하다. 소프트웨어 프로젝트 기간을 단축하거나 고객 지원을 자동화하는 에이전트는 별도의 제품군이 되지 않더라도 가치를 창출할 수 있다.

그러나 간접적인 이익은 분리해 측정하기 어렵다. 기업들은 가격 변경, 조직 감축, 시장 성장, 기존 소프트웨어 업그레이드의 영향까지 AI의 성과로 돌릴 수 있다.

가장 강력한 단기 애플리케이션은 여전히 일부 분야에 집중돼 있다. Cahn은 2026년 AI 전망에서 코딩과 ChatGPT를 이미 자리 잡은 두 가지 킬러 애플리케이션으로 꼽았다.

그는 두 분야 모두 연간 매출 수백억 달러에 근접하거나 이를 넘어설 것으로 예상했다. 또한 상당한 사업 규모로 성장하는 스타트업 집단도 늘고 있다고 봤다.

코딩 에이전트는 경제성이 유난히 명확하다. 코드를 작성하고, 변경 사항을 검토하고, 인터페이스를 테스트하고, 장애를 조사하며, 개발 도구를 조작할 수 있기 때문이다.

구매자는 이러한 결과를 엔지니어링 시간, 출시 속도, 결함률과 비교할 수 있다. 이는 지식 노동이 전반적으로 개선된다는 막연한 약속보다 수익을 더 명확하게 측정할 수 있게 한다.

이 분야에서도 매출 기여도를 산정하기는 어렵다. 기업이 여러 어시스턴트에 비용을 지불하면서도 엔지니어들은 기존 개발 도구와 클라우드 서비스를 계속 사용할 수 있다.

중요한 질문은 에이전트가 유용한 코드를 작성하는지가 아니다. 그로 인한 생산성 향상이 구독, 추론, 검토, 보안, 통합 비용을 넘어서는지다.

기업 도입 과정에서는 또 다른 지연이 발생한다. 대기업은 모델을 사내 데이터, 권한 체계, 소프트웨어 시스템, 승인 절차와 연결해야 한다.

또한 유창한 답변과 신뢰할 수 있는 결과를 구분할 평가 방식도 필요하다. 시연에서 우수한 성능을 보인 모델도 긴 프로덕션 워크플로에서는 실패할 수 있다.

Cahn은 기업들이 까다로운 내부 AI 프로젝트에 피로감을 느끼고 있다고 설명했다. 이러한 피로는 애플리케이션 스타트업에 기회가 되지만, 인프라 소유자에게 필요한 매출의 증가 속도도 늦춘다.

특정 업무에 집중한 애플리케이션은 모델을 하나의 작업 중심으로 구성해 통합 부담을 없앨 수 있다. 하지만 애플리케이션 공급업체 역시 모델 비용 하락과 빠른 기능 모방의 압박을 받는다.

따라서 매출 논리는 여러 계층에서 성립해야 한다. 모델 공급업체는 계약을 확보하고, 애플리케이션 기업은 고객을 유지하며, 하이퍼스케일러는 데이터 센터의 수익성 있는 가동률을 달성해야 한다.

작업 단위당 가격이 수요 증가 속도보다 빠르게 하락한다면 가동률 상승만으로는 충분하지 않다. 매출은 사용량과 단위 비용 하락이 어떻게 맞물리는지에 달려 있다.

AI가 3조 달러짜리 질문에 답하려면 비용이 낮아질수록 고객이 소비하는 지능의 양이 극적으로 늘어야 한다. 가능한 시나리오지만, 필요한 증가 폭은 엄청나다.

저렴해진 토큰이 만들어내는 AI 매출의 핵심 역설

AI 도입을 쉽게 만드는 효율성 향상이 오히려 인프라 투자 회수에 필요한 매출 성장을 약화할 수 있다.

모델 기업들은 일반적으로 생성 과정에서 처리되는 텍스트나 코드의 작은 단위인 토큰을 기준으로 요금을 부과한다. 토큰 비용이 낮아지면 어시스턴트와 에이전트를 운영하는 비용도 줄어든다.

이는 개발자와 기업 구매자에게 좋은 소식이다. 지난해에는 비용이 너무 높았던 워크플로도 모델이나 하드웨어가 개선되면 상업적으로 실행 가능해질 수 있다.

하지만 단위 비용 하락은 공급업체를 압박한다. 에이전트가 더 적은 토큰으로 동일한 작업을 수행하면 고객이 더 많은 작업을 실행하지 않는 한 공급업체의 사용량 기반 매출은 감소한다.

이것이 Cahn 주장의 핵심 역설이다. 기술 발전은 제품 경쟁력을 강화하는 동시에 인프라 투자 회수에 필요한 사용량을 늘린다.

OpenAI는 GPT-5.4가 많은 작업에서 GPT-5.2보다 더 적은 토큰을 필요로 한다고 밝혔다. 또한 코딩, 도구 사용, 전문 업무 워크플로에 더 강력한 모델로 소개했다.

한 공개 코딩 평가에서 GPT-5.4는 57.7%를 기록해 GPT-5.2의 55.6%를 웃돌았다. OpenAI의 모델 평가는 에이전트형 웹 검색에서도 큰 폭의 성능 향상을 보고했다.

OpenAI는 이후 최신 모델이 에이전트형 코딩 작업에서 토큰 효율성이 54% 높다고 주장했다. 이 주장은 토큰으로 나타나는 연산량을 설명하는 것이지, 생산성 향상을 보장하는 것은 아니다.

실제 프로덕션 환경에서의 결과는 프롬프트, 도구, 작업 길이, 추론 설정에 따라 달라질 수 있다. 벤치마크만으로는 기업 도입의 최종 비용을 확정할 수 없다.

그럼에도 방향은 분명하다. 모델들은 지능뿐 아니라 연산을 얼마나 효율적으로 완결된 작업으로 전환하는지를 놓고도 경쟁하고 있다.

효율성은 익숙한 경제적 효과를 통해 수요를 촉진할 수 있다. 자원의 가격이 낮아지면 사람들은 이를 활용할 새로운 방법을 찾아내는 경우가 많다.

개발자들은 간헐적인 코드 자동 완성에서 테스트를 지속적으로 모니터링하는 에이전트로 전환할 수 있다. 지원팀은 일부 표본이 아니라 모든 고객 상호작용을 분석할 수 있다.

연구자들은 여러 조사를 병렬로 수행할 수 있다. 제품팀은 하나를 선택하기 전에 훨씬 더 많은 프로토타입을 생성하고 테스트하며 비교할 수 있다.

이러한 시나리오에서는 작업당 비용이 낮아지더라도 전체 토큰 소비량이 늘어날 수 있다. 인프라 투자 논리가 성립하려면 이러한 확장이 매우 큰 시장 전반에서 일어나야 한다.

에이전트형 워크플로는 그 가능성을 보여주는 하나의 경로다. 에이전트는 단일 프롬프트에 답한 뒤 멈추지 않는다. 계획을 세우고, 도구를 호출하고, 파일을 읽고, 결과를 확인하며, 단계를 반복한다.

2026년에 발표된 연구에 따르면 에이전트형 코딩 작업은 일반적인 코드 채팅보다 훨씬 많은 토큰을 소비할 수 있다. 같은 연구에서는 반복 실행 간 소비량의 편차도 큰 것으로 나타났다.

이러한 편차는 효율성에 관한 주장을 신중하게 받아들여야 하는 이유를 보여준다. 더 많은 토큰이 항상 더 높은 정확도로 이어지지는 않았으며, 모델은 자체 소비량을 예측하는 데도 어려움을 겪었다.

구매자는 점차 원시 토큰 사용량이 아니라 완료된 작업을 요구할 것이다. 이에 따라 결과 기반 평가, 예측 가능한 예산, 감사 가능한 실행에 대한 압박이 커진다.

기업은 자체 AI 업무를 구성할 때 출처, 의사결정, 모델 출력을 한곳에 보관함으로써 이점을 얻을 수 있다. 검색 가능한 AI 지식 베이스는 반복적인 정보 검색을 줄이고 결과가 도출된 맥락을 보존할 수 있다.

더 나은 맥락은 낭비를 줄일 수 있지만 신뢰성을 보장하지는 않는다. 재무, 법률, 의료, 보안, 운영과 관련해 중대한 영향을 미치는 의사결정에는 여전히 사람의 검토가 필요하다.

경제적 쟁점은 이러한 워크플로가 효율성 향상분을 상쇄할 만큼 충분한 추가 활동을 만들어내느냐는 것이다. 공급업체는 단위 비용이 하락하는 속도보다 소비량이 더 빠르게 증가해야 한다.

이러한 조건은 다른 컴퓨팅 전환기와 유사하다. 저장 비용 하락은 더 많은 데이터를 만들어냈고, 대역폭 비용 하락은 동영상 스트리밍과 클라우드 애플리케이션의 성장을 이끌었다.

AI도 같은 경로를 따를 수 있다. 차이점은 새로운 수요 곡선이 완전히 형성되기도 전에 이미 막대한 자본이 투입됐다는 데 있다.

오픈 웨이트 모델, 하이퍼스케일러 전망에 압박

오픈 웨이트 경쟁은 증가하는 AI 사용량이 주로 가장 비싼 미국 모델과 클라우드 플랫폼으로 흘러갈 것이라는 가정을 위협한다.

오픈 웨이트 모델은 사용자가 다운로드하거나 직접 운영할 수 있도록 학습된 매개변수를 공개한다. 그렇다고 학습 데이터나 전체 개발 과정까지 반드시 공개하는 것은 아니다.

기업은 이러한 모델을 자체 인프라에서 실행하거나 전문 호스팅 서비스를 이용할 수 있으며, 더 좁은 범위의 작업에 맞게 조정할 수도 있다. 이러한 유연성은 단일 공급업체에 대한 의존도를 낮출 수 있다.

Apollo 수석 이코노미스트 Torsten Slok은 이러한 변화를 하이퍼스케일러 전망의 위험 요인으로 지목했다. 그는 토큰 가격이 계속 하락하는 가운데 중국 모델의 점유율이 높아지고 있다고 언급했다.

Apollo의 7월 분석에 따르면 사용량 상위 20개 모델 가운데 중국 모델은 토큰 사용량에서 미국 모델을 앞섰다. 분석에 사용된 차트는 OpenRouter를 비롯한 여러 사용량 데이터세트를 기반으로 했다.

이러한 데이터세트가 전체 시장을 대표하는 것은 아니다. 모델을 자주 전환하는 개발자가 과도하게 반영되는 반면, 기업의 비공개 배포는 충분히 반영되지 않을 수 있다.

그럼에도 이 데이터는 의미 있는 경쟁 양상을 보여준다. 사용자는 일상적인 작업을 충분히 잘 수행한다면 더 저렴한 모델을 선택하는 경우가 많다.

소프트웨어 팀은 아키텍처 의사결정에는 프런티어 모델을 사용하면서 테스트, 문서화, 분류, 서식 지정에는 더 작은 모델을 활용할 수 있다.

고객 서비스 조직은 단순한 요청을 로컬 모델로 전달하고, 모호한 대화는 더 강력한 호스팅 시스템으로 에스컬레이션할 수 있다.

이러한 혼합 방식은 단일 공급업체가 부과할 수 있는 금액을 낮춘다. 또한 여러 모델이 구매자가 요구하는 기준을 충족한다면 벤치마크 선두라는 지위의 가치도 줄어든다.

Google, Meta, Microsoft, Amazon은 규모, 유통망, 기존 고객 관계 덕분에 여전히 방어력을 갖추고 있다. 이들은 AI를 클라우드 서비스, 생산성 소프트웨어, 광고 시스템, 개발자 플랫폼과 묶어 제공할 수 있다.

또한 가격 경쟁 속에서도 투자를 지속할 수 있는 재무 여력을 보유하고 있다. 소규모 인프라 공급업체에는 이러한 완충 장치가 없다.

그러나 규모는 보호막인 동시에 위험 노출을 키우기도 한다. 최대 기업들은 가장 많은 자본을 투입했고 투자자들의 기대치도 가장 높다.

Apollo가 검토한 시장 컨센서스 전망은 향후 몇 년간 하이퍼스케일러의 잉여현금흐름이 두 배 이상 증가할 것으로 예상한다. 잉여현금흐름은 영업비용과 자본지출을 제외하고 남는 현금을 의미한다.

이러한 전망은 현재의 투자가 더 크고 수익성 높은 사업으로 이어진다고 가정한다. 또한 감가상각비와 금융비용의 증가 속도를 앞지를 만큼 투자 회수가 빠르게 이뤄진다고 전제한다.

감가상각은 자산의 비용을 예상 내용연수에 걸쳐 배분하는 것이다. 최신 가속기가 기존 하드웨어의 경제적 매력을 떨어뜨릴 때 특히 중요해진다.

데이터센터는 물리적으로 계속 작동하더라도 계획보다 낮은 수익을 낼 수 있다. 더 빠른 칩이 등장하면 기존 시스템은 회계상 내용연수가 끝나기 전에 가치가 하락할 수 있다.

Cahn은 범용인공지능의 실현 시점이 늦어질 경우 현재 구축된 용량이 위험에 노출될 수 있다고 경고하기도 했다. 고도화된 역량의 등장이 지연되면 수요가 투자를 정당화하기도 전에 일부 하드웨어가 노후화될 수 있다.

그렇다고 설치된 칩이 쓸모없어진다는 뜻은 아니다. 기존 시스템은 소형 모델, 파인튜닝 작업, 추론, 연구, 우선순위가 낮은 워크로드에 활용할 수 있다.

문제는 최초 전망과 비교해 어느 정도의 수익을 거두느냐에 있다. 희소한 프리미엄 지능을 위해 구축한 용량이 결국 경쟁이 치열한 범용 시장에 공급될 수 있다.

Slok은 투자 성과가 기대에 미치지 못할 경우 발생할 수 있는 세 가지 결과를 제시했다. 첫째, 자본지출과 감가상각이 계속되는 가운데 현금흐름과 이익 전망이 하향 조정될 수 있다.

둘째, 최대 기술 기업의 주가 매도세가 칩, 에너지, 데이터센터, 주식시장 전반으로 확산될 수 있다.

셋째, 영업현금흐름만으로 확장 비용을 충당하지 못할 경우 하이퍼스케일러가 부채를 더 많이 활용할 수 있다. 이는 레버리지를 높이고 대출기관을 더 큰 인프라 위험에 노출시킬 것이다.

Apollo의 분석은 한 걸음 더 나아가 투자 회수 지연이 경기침체와 S&P 500 조정에 영향을 줄 수 있다고 주장한다. 이는 확정된 전망이 아니라 위험 시나리오다.

이 주장 역시 맥락 속에서 살펴봐야 한다. 최대 하이퍼스케일러들은 사업 포트폴리오가 다양하고 현금 창출력이 강하며, 지출 계획을 변경할 능력도 있다.

프로젝트를 연기하고, 공급 계약을 재협상하고, 워크로드를 이전하거나, 용량을 내부 제품에 재배치할 수 있다. 이들의 투자 프로그램이 완전히 경직된 것은 아니다.

오픈 경쟁을 낙관적으로 해석할 여지도 있다. 더 저렴한 모델은 더 많은 조직에 AI를 보급해 클라우드 스토리지, 네트워킹, 보안, 배포 도구에 대한 수요를 늘릴 수 있다.

하이퍼스케일러는 자체 모델의 점유율이 하락하더라도 경쟁 모델을 호스팅해 수익을 올릴 수 있다. 인프라 플랫폼은 역사적으로 광범위한 소프트웨어 생태계에서 이익을 얻어왔다.

따라서 압박의 핵심은 단순한 수요 붕괴가 아니라 시기와 마진이다. AI 도입은 계속 증가하더라도 재무적 성과는 시장의 예상보다 늦게 나타날 수 있다.

AI 투자 성과의 도래를 보여줄 세 가지 신호

해답은 또 하나의 화려한 벤치마크가 아니라 가동률, 잉여현금흐름, 기업의 행동에서 먼저 드러날 것이다.

첫 번째 신호는 하이퍼스케일러의 잉여현금흐름이다. Google, Meta, Microsoft, Amazon은 AI 투자가 2028년까지 현금 창출 확대를 뒷받침한다는 점을 입증해야 한다.

매출 성장만으로는 논쟁을 끝낼 수 없다. 투자자는 영업현금흐름이 데이터센터 건설, 장비 구매, 지원 인프라에 필요한 지출을 웃도는지 확인해야 한다.

기업마다 사업 모델이 다르기 때문에 제시하는 설명도 달라질 것이다. Microsoft, Amazon, Google에는 클라우드 수주잔고가 중요하고, Meta에는 광고 수익이 더 큰 비중을 차지한다.

유용한 비교 기준은 자본지출과 추가 현금흐름의 관계다. 둘 사이의 격차가 벌어지면 투자 회수 지연론에 힘이 실릴 것이다.

반대로 격차가 좁아지면 이 주장은 약해질 것이다. 특히 기업들이 포괄적인 참여도 지표에 의존하지 않고 반복 가능한 AI 매출원을 제시한다면 더욱 그렇다.

두 번째 신호는 데이터센터의 물리적 가동률이다. Cahn은 칩이 창고에 쌓여 있다면 건설 지연이나 장비 인도와 가용 시설 간 불일치를 의미할 수 있다고 지적했다.

하드웨어가 매출을 창출하려면 전력, 냉각, 네트워킹, 완공된 건물이 필요하다. 인도된 가속기가 사용되지 않은 채 방치된다면 여전히 자본 비용일 뿐이다.

가동 개시일 연기, 전력 제약, 장비 배치 일정 변경을 주시해야 한다. 공급업체가 신규 용량이 출시 직후 빠르게 판매된다고 보고하는지도 살펴봐야 한다.

Apollo는 7월 주문형 GPU 용량이 사실상 완판 상태를 유지했다고 밝혔다. 일부 구형 칩에 대한 임대 수요도 견조하다고 보고했다.

이러한 증거는 단기 공급 부족론을 뒷받침한다. 공급 부족이 지속된다면 업계가 이미 과잉 구축했다는 주장은 약해질 것이다.

완공된 용량이 비어 있는 가운데 임대료까지 하락한다면 상황은 달라진다. 이는 매출이 Cahn이 요구한 규모에 도달하기 전에 공급이 수요를 따라잡고 있음을 시사한다.

세 번째 신호는 완료된 작업에 대한 기업 지출이다. 기업은 실험 단계를 넘어 실질적인 성과를 제공하는 AI 시스템을 갱신해야 한다.

유용한 지표로는 에이전트의 작업 완료율, 고객 유지율, 프로덕션 워크로드 증가율, 문서화된 인건비 또는 처리시간 절감 효과 등이 있다. 단순한 프롬프트 수는 제공하는 정보가 적다.

소프트웨어 개발은 계속해서 중요한 시험대가 될 것이다. 코딩은 워크플로가 명확하고 인건비가 높으며 디지털 도구와 측정 가능한 결과물을 갖추고 있다.

코딩 에이전트가 표준 프로덕션 인프라로 자리 잡는다면 여러 모델과 클라우드 전반에서 지속적인 수요를 뒷받침할 수 있다. 도입이 사람의 감독을 받는 보조 수준에 머문다면 매출 기대치를 조정해야 한다.

고객 서비스도 또 다른 시험대다. 모델은 문의를 정확히 해결하고, 정책을 준수하며, 데이터를 보호하고, 언제 에스컬레이션해야 하는지 판단할 수 있어야 한다.

대화당 비용 절감은 품질이 허용 가능한 수준으로 유지될 때만 의미가 있다. 그렇지 않으면 절감된 비용이 검토, 수정, 고객 관계 회복 작업으로 이전될 뿐이다.

지식 업무는 측정이 더 어렵다. 조직은 결과물이 지속적으로 유용해지도록 어시스턴트를 신뢰할 수 있는 내부 맥락과 연결해야 한다.

이를 위해서는 문서 접근 권한, 권한 관리, 출처 추적, 조직 기억이 필요하다. 실용적인 지식 워크플로는 반복적인 업무 전반에서 AI가 실제로 시간을 절약하는지 팀이 검증하는 데 도움이 될 수 있다.

향후 몇 분기 동안 이러한 사례가 지속 가능한 시스템으로 발전할지, 아니면 산발적인 생산성 기능에 머물지가 드러날 것이다. 지속 가능한 시스템은 반복적인 수요를 창출하고 예산 삭감에도 쉽게 흔들리지 않는다.

투자자는 모델 매출과 인프라 수익을 구분해야 한다. 성공적인 애플리케이션이 모든 데이터센터 소유자에게 높은 마진을 자동으로 보장하는 것은 아니다.

마찬가지로 API 비용 하락이 반드시 수요 부진을 입증하는 것도 아니다. 이전에는 경제성이 없었던 워크로드를 가능하게 할 수 있다.

AI는 3조 달러의 질문에 답할 수 있을까? 업계는 수요와 빠른 제품 개선, 여러 가치 있는 애플리케이션을 입증했다.

그러나 인프라 투자 규모가 시사하는 수준의 매출은 아직 입증하지 못했다. 결정적 증거는 현금, 가동률, 기업의 반복 구매에서 나올 것이다.

Cahn의 계산은 실패를 향한 카운트다운보다 스트레스 테스트로 보는 것이 적절하다. 이는 현재의 인프라 확장이 궁극적으로 뒷받침해야 할 경제적 가치의 규모를 보여준다.

개발자와 기업 구매자가 취해야 할 실질적인 대응은 AI 도입을 중단하는 것이 아니다. 성과를 면밀하게 측정하고 각 의사결정의 근거를 보존하는 것이다.

완료된 작업, 검토 비용, 모델 교체, 실제 사용량 증가를 추적해야 한다. 이러한 기록은 효율성 향상이 더 큰 가치를 창출하는지, 아니면 단순히 비용만 낮추는지를 보여줄 것이다.

3조 달러의 해답은 한 번의 실적 발표에서 나오지 않는다. 수천 개 조직이 어떤 AI 워크플로를 영구적인 시스템으로 정착시킬지 결정하는 과정에서 모습을 드러낼 것이다.