Barclays, AI 수익 100달러의 흐름을 추적하다…클라우드 제공업체가 약 40달러 가져가

Barclays는 AI 모델 기업이 벌어들이는 100달러의 흐름을 분석한 결과, 클라우드 제공업체가 추론 비용을 통해 약 35~40달러를 가져간다고 밝혔다. 이 추정치는 AWS, Microsoft Azure, Google Cloud를 이 업계에서 형성 중인 수익 구조의 중심에 놓는다.

이 분석은 2026년 8월 28일자 AI 단위 경제성 보고서에서 나왔다. 8월 30일 공개된 중국 보도는 해당 분석과 두 가지 가상 AI 연구소 모델을 요약했다.

표면적으로는 클라우드 인프라의 명확한 승리처럼 보인다. 다만 Barclays는 추론 효율이 높아지고 학습이 차지하는 매출 비중이 줄어들면서 모델 기업의 마진도 개선될 것으로 예상한다.

이것이 핵심적인 긴장 관계를 만든다. 현재 클라우드 제공업체는 모델 매출의 큰 몫을 받지만, AI 시장이 계속 확대되는 가운데 그 비중은 낮아질 수 있다.

이는 단순히 소프트웨어 기업과 인프라 공급업체의 경쟁이 아니다. AI가 고비용 학습 단계에서 지속적인 실사용 단계로 옮겨갈 때, 어느 계층이 경제적 우위를 유지하느냐의 문제다.

AI 매출 100달러 안에서 Barclays가 발견한 것

추론 효율이 크게 개선된 뒤에도, 클라우드 비용은 AI 모델 매출에서 가장 큰 비중을 차지하는 항목 중 하나로 남아 있다.

Barclays는 사업 모델과 회계 정책이 보고되는 마진을 어떻게 바꾸는지 보여주기 위해 두 개의 가상 최첨단 연구소를 구성했다. 이는 특정 기업이 공개한 재무제표가 아니라 분석을 위한 모델이다.

Lab A의 매출은 API가 약 70%, 구독이 30%를 차지한다. Lab B는 이 구성을 뒤집어 구독에서 80%, API에서 20%의 매출을 얻는다.

Lab A가 100달러를 벌 때마다, 연계된 클라우드 제공업체는 약 35달러의 매출을 얻는다. Barclays는 이 가운데 약 11.80달러가 영업이익이 되며, 마진은 약 34%에 해당한다고 추정한다.

Lab B는 다른 결과를 낸다. 전략적 매출 공유 계약을 포함해, 클라우드 파트너는 100달러마다 약 41달러를 받는다.

이 시나리오에서 클라우드 제공업체는 약 19.10달러를 영업이익으로 남긴다. 이에 따른 마진은 약 47%에 이른다.

이 사례들은 클라우드 제공업체가 AI 연구소 매출 100달러당 약 35~40달러를 확보한다는 널리 반복되는 결론의 근거가 된다. 이들은 또한 약 10~20달러를 영업이익으로 남긴다.

정확한 결과는 컴퓨팅 사용량만으로 결정되지 않는다. 제품 구성, 파트너 계약, 학습 비용 배분, 매출 인식 방식 모두가 표면상 분배 구조를 바꾼다.

Lab A는 간접 API 매출을 총액 기준으로 인식한다. Lab B는 비교 가능한 매출을 순액 기준으로 기록하거나, 파트너가 운영하는 사업을 제외한다.

총액 인식은 관련 비용을 차감하기 전에 거래의 더 큰 부분을 매출로 기록한다. 순액 인식은 회사가 실제로 보유하는 몫만 매출로 기록한다.

Barclays는 이 회계상 차이를 Uber와 Lyft의 역사적 차이와 비교한다. 유사한 기초 거래도 기업의 보고 방식에 따라 재무제표상 매우 다른 모습으로 나타날 수 있다.

이 경고가 중요한 이유는 비상장 AI 기업이 표준화된 재무 데이터를 제한적으로만 제공하기 때문이다. 매출 인식 정책을 조정하지 않은 채 매출 규모나 매출총이익률만 비교하면 왜곡된 그림이 만들어질 수 있다.

두 연구소의 조정 매출총이익률도 다르다. Barclays는 Lab A에 약 55%, Lab B에 약 38%의 마진을 적용하며, 이는 17%포인트 차이다.

API 비중이 높은 연구소의 성과가 더 좋은 이유 중 하나는 직접 API 고객이 토큰 사용량에 따라 비용을 지불하기 때문이다. 이 구조는 매출을 실제 수행된 연산 작업과 더 밀접하게 연결한다.

구독 상품은 또 다른 위험을 만든다. 정액 요금으로는 집중적인 코딩 세션과 장시간 실행되는 에이전트 작업을 포함해 매우 서로 다른 사용 패턴의 이용자를 감당해야 한다.

사용 한도는 제공업체를 보호할 수 있지만 유지율에도 영향을 미친다. 한도를 높이면 고객을 끌어들일 수 있는 반면, 더 많은 추론 비용을 모델 기업에 다시 전가하게 된다.

Barclays는 Claude Code와 Codex 같은 구독 상품의 추론 마진이 약 70%에 달한다고 추정한다. 직접 API 추론 마진은 80%를 넘는 것으로 알려졌다.

이 수치는 AI 기업 전체의 수익성이 아니라 추론 기여도를 설명한다. 학습, 연구, 영업, 관리 등 주요 비용은 제외되거나 별도로 배분된다.

따라서 100달러 프레임워크는 감사된 업계 평균이 아니라 지도에 가깝다. 그 가치는 돈이 어디로 이동하는지, 어떤 가정이 결과를 바꾸는지를 보여주는 데 있다.

지금 추론 경제성이 개선되는 이유

AI 기업은 유용한 응답 하나를 만드는 데 필요한 인프라가 줄어드는 한편, 상업적 수요가 지속적인 수익화를 뒷받침하면서 마진을 높이고 있다.

추론은 학습된 모델을 실행해 요청에 답하고, 코드를 생성하거나, 에이전트 작업을 완수하는 과정이다. 고객이 AI 제품을 사용할 때마다 반복적으로 발생하는 비용이 된다.

학습은 다른 패턴을 따른다. 모델이 고객에게 제공되기 전에 막대한 컴퓨팅 비용이 집중되지만, 사후 학습과 지속적인 개선은 그 경계를 흐리게 한다.

Barclays는 유료 추론 마진이 2025년의 낮은 두 자릿수 비율에서 2026년에는 50~65%, 또는 그 이상으로 상승했다고 추정한다. 조정 매출총이익률은 30~50%포인트 개선됐다.

여러 기술 변화가 이러한 전환을 뒷받침한다. 양자화는 모델이 사용하는 수치 정밀도를 낮춰 메모리와 연산 요구량을 줄이면서도 출력 품질을 유지하려는 기법이다.

추측 디코딩은 더 작은 시스템이 토큰을 제안하고 더 큰 모델이 이를 묶음 단위로 검증하도록 한다. 예측이 성공하면 생성에 필요한 시간과 하드웨어가 줄어든다.

더 나은 라우팅 역시 단순한 요청을 더 작은 모델로 보낸다. 캐싱은 반복 연산을 막고, 배치 처리는 하드웨어가 여러 요청을 함께 처리할 수 있게 한다.

하드웨어 활용률은 모델 설계만큼 중요하다. 비싼 가속기가 유휴 상태여도 감가상각, 금융, 에너지, 시설 비용은 계속 발생한다.

가장 큰 사업자들은 가변적인 워크로드를 지역, 고객, 제품 전반에 분산할 수 있다. 이러한 규모는 전용 클러스터를 관리하는 소규모 AI 연구소에 비해 클라우드 제공업체에 중요한 우위를 준다.

그러나 모델 개발사도 효율성의 혜택을 받는다. 컴퓨팅 단위당 처리 토큰을 높이는 모든 개선은 마진을 확대하거나 같은 비용으로 더 많은 사용량을 지원할 수 있다.

Google은 모델 최적화, 활용률 개선, 인프라 효율화를 통해 2025년 Gemini 서빙 단위 비용을 78% 낮췄다고 밝혔다. 해당 클라우드 실적은 수직 통합 사업자가 여러 계층을 함께 개선할 수 있는 방식을 보여준다.

Microsoft는 2026 회계연도에도 유사한 데 초점을 맞췄다. 회사는 한 분기 동안 가장 많이 사용된 Copilot 모델의 추론 처리량을 40% 개선했다고 발표했다.

이후 인프라 업데이트에서는 Copilot 워크로드 처리량이 연초 대비 4배 증가했다고 밝혔다. Microsoft는 이러한 개선을 실리콘, 시스템, 소프트웨어 전반의 최적화에 돌렸다.

이런 개선이 자동으로 고객 청구액을 낮추는 것은 아니다. 제공업체는 효율성 향상분을 보유하거나, 출력 품질을 높이거나, 더 높은 수준의 추론 워크로드를 지원하는 데 사용할 수 있다.

추론 모델은 답을 내놓기 전에 더 많은 중간 토큰을 생성하는 경우가 많다. 에이전트는 검색, 코드 작성, 결과 점검, 작업 수정 과정에서 모델을 반복적으로 호출할 수 있다.

그 결과 단위 비용이 낮아져도 총 사용량은 증가할 수 있다. 이러한 반등 효과는 AI 기업과 클라우드 제공업체 모두에게 추론 효율성을 가치 있게 만든다.

기업 수요는 또 다른 층위를 더한다. Barclays 애널리스트 Ross Sandler는 개선되는 마진을 기업 고객과 에이전트형 워크플로가 중요한 구매 영역으로 부상하는 현상과 연결했다.

이 평가는 보편적인 고객 판단이라기보다 전망에 가깝다. 기업마다 도입 수준, 배포 규모, 보안 요구 사항, 측정 가능한 수익은 여전히 크게 다르다.

그러나 프로덕션 에이전트는 모델 토큰 이상을 소비할 수 있다. 데이터베이스, 스토리지, 네트워킹, ID 관리, 모니터링, 지속 가능한 작업 상태가 필요하다.

이러한 지원 서비스는 클라우드의 입지를 강화한다. 연구소가 모델 추론을 최적화하더라도, 고객은 같은 클라우드 플랫폼에서 더 폭넓은 인프라 묶음을 구매할 수 있다.

이 역학은 클라우드가 약 40달러를 가져가면서도 AI 연구소의 마진이 개선될 수 있는 이유를 설명한다. 효율성은 경쟁이 누가 이를 차지할지 결정하기 전에 활용 가능한 전체 파이를 키운다.

클라우드 제공업체는 현재 라운드에서 승리하지만, 전체 경쟁의 자금도 댄다

AWS, Azure, Google Cloud는 모델 기업이 고객에게 서비스를 제공하기 전에 자본 부담을 떠안기 때문에 반복적인 AI 매출을 확보한다.

Barclays 모델은 운영 흐름에 초점을 맞추지만, 인프라 계층은 막대한 선행 투자에서 시작된다. 데이터센터에는 토지, 전력, 냉각, 네트워킹, 프로세서, 긴 건설 일정이 필요하다.

Microsoft는 2026 회계연도 2분기에 375억 달러의 자본지출을 보고했다. 이 중 약 3분의 2는 주로 GPU와 CPU를 비롯한 상대적으로 수명이 짧은 자산에 쓰였다.

회사는 고객 수요가 계속해서 가용 공급을 초과하고 있다고도 밝혔다. 해당 클라우드 성과는 지속적인 AI 인프라 투자 압박 속에서도 Azure 매출이 성장했음을 보여준다.

Microsoft의 Intelligent Cloud 매출은 해당 분기에 29% 증가했다. 영업이익은 28% 늘었지만, 부문 매출총이익률은 전년 대비 하락했다.

이 조합은 클라우드의 상충 관계를 포착한다. AI 수요는 빠른 매출 성장을 만들지만, 이를 충족하려면 건물이나 토지보다 더 빨리 감가상각될 수 있는 추가 장비가 필요하다.

Alphabet은 2026년에 1,750억~1,850억 달러의 자본지출을 계획했다. 이 자금은 Google DeepMind, 소비자 제품, Cloud 고객 수요를 지원하는 데 쓰일 것이라고 밝혔다.

Google Cloud는 2025년 말 기준 연간 매출 런레이트가 700억 달러를 넘어섰다. Alphabet은 또한 2,400억 달러의 클라우드 백로그와 AI 제품에 대한 강한 수요를 보고했다.

Amazon도 같은 투자 사이클에 직면해 있다. 회사의 주주 자료에 따르면, 2026년 예상 AWS 자본지출의 상당 부분은 2027년과 2028년에 수익화될 용량을 지원할 예정이다.

Amazon은 계획된 용량의 상당 부분을 포괄하는 고객 약정도 확보했다고 밝혔다. 해당 주주 공시는 이러한 수요 가시성을 지속적인 지출의 근거로 제시한다.

이들 기업은 기존 사업에서 창출되는 현금으로 인프라 투자를 조달할 수 있다. 검색 광고는 Alphabet을 뒷받침하고, 엔터프라이즈 소프트웨어는 Microsoft를 지지하며, 커머스는 Amazon의 자금 조달을 돕는다.

독립 모델 기업에는 이처럼 다각화된 기반이 없다. 이들은 종종 지분 투자, 전략적 클라우드 파트너십, 선구매 약정, 또는 기타 구조화된 계약에 의존한다.

이러한 의존성은 클라우드 제공업체에 토큰당 마진을 넘어선 경제적 영향력을 준다. 수요가 공급을 넘을 때 이들은 용량 배분을 통제하고, 어떤 모델이 기업 고객에게 도달하는지에 영향을 미친다.

마켓플레이스와 관리형 모델 플랫폼은 이 역할을 더욱 강화한다. 기업은 모든 연구소와 직접 계약하는 대신 기존 클라우드 관계를 통해 모델 접근 권한을 구매할 수 있다.

클라우드 제공업체는 이후 청구, ID, 거버넌스, 지역별 가용성, 기술 통합을 통제한다. 모델은 더 광범위한 엔터프라이즈 계정 안의 한 구성 요소가 된다.

그럼에도 약 40달러라는 수치를 순수한 경제적 지대로 혼동해서는 안 된다. 클라우드 벤더는 칩, 에너지, 유지보수, 네트워킹, 인력, 자금 조달, 하드웨어 교체 비용을 부담해야 한다.

Barclays는 연구소 매출 100달러당 영업이익이 10~20달러라고 추정한다. 나머지 클라우드 수입은 이러한 막대한 인프라 비용을 충당한다.

이 모델은 또한 파트너 수익 배분이 Lab B의 표면상 클라우드 마진을 부풀린다고 말한다. 이 계약을 제외하면 클라우드 제공업체의 토큰당 이익은 Lab A와 동일하다.

이 구분은 해석을 바꾼다. Lab B의 더 강한 결과가 반드시 더 뛰어난 인프라 경제성을 보여주는 것은 아니다.

오히려 이는 전략적 파트너 간 협상된 이전을 일부 반영한다. Barclays는 이 특정 수익 배분 메커니즘이 2028년 이후 단계적으로 종료될 것으로 예상한다.

따라서 현재의 클라우드 우위는 세 가지 기반 위에 서 있다. 부족한 용량, 대규모 자본 투입, 그리고 모델 개발자와 인프라 제공업체를 연결하는 계약이다.

세 가지 모두 바뀔 수 있다. 용량은 더 풍부해질 수 있고, 전문 운영업체가 진입할 수 있으며, 대형 연구소는 전통적인 클라우드 계약 밖에서 전용 인프라를 조달할 수 있다.

100달러 모델이 증명하지 못하는 것

Barclays는 유용한 경제 프레임워크를 제시하지만, 그 전망은 비상장 기업 추정치, 가상의 연구소, 회계 처리 방식에 의존한다.

기초가 되는 Barclays 리서치는 공개적으로 요약됐지만, 전체 애널리스트 모델은 감사된 데이터 세트 형태로 널리 공개되지 않았다. 독자는 해당 수치를 추정치로 받아들여야 한다.

두 연구소 프로필은 의도적으로 단순화됐다. 실제 기업들은 소비자 구독, 엔터프라이즈 계약, 직접 API, 클라우드 마켓플레이스, 라이선싱, 전략적 파트너십을 결합한다.

이들은 하드웨어 요율과 용량 조건도 서로 다르게 협상한다. 다년간 약정을 맺은 기업은 필요할 때마다 용량을 구매하는 소규모 개발자와 전혀 다른 경제성을 마주할 수 있다.

모델 아키텍처도 또 다른 변수를 만든다. 일부 시스템은 희소 Mixture-of-Experts 설계를 사용하지만, 다른 시스템은 요청마다 더 많은 파라미터를 활성화한다.

워크로드 형태도 중요하다. 짧은 분류 작업, 긴 코딩 세션, 이미지 생성, 자율 연구 에이전트는 매우 다른 비용을 발생시킨다.

토큰의 의미조차 모델 계열과 모달리티에 따라 다르다. 명목 토큰 가격을 비교하는 것만으로는 동일하게 유용한 작업을 완료하는 비용을 알 수 없다.

학습 비용 배분은 또 다른 불확실성의 원천이다. 연구소는 보고 기간과 제품 라인에 걸쳐 개발 비용을 서로 다르게 비용 처리, 자본화 또는 배분할 수 있다.

Barclays는 학습 지출이 2026년 AI 연구소 매출의 약 48%를 차지했다고 추정한다. 이 비중은 2027년 35%, 2028년 30%로 하락할 것으로 전망한다.

매출이 학습 프로그램보다 더 빠르게 성장할 수 있으므로 그 방향성은 타당하다. 그러나 프런티어 경쟁은 더 크고 더 잦은 학습 실행을 부추길 수도 있다.

독립 연구는 컴퓨팅 집약도가 가장 높은 학습 실행의 비용이 2016년부터 연간 약 2.4배씩 증가했다고 밝혔다. 학습 비용 연구는 이 과거 추세가 이어질 경우 10억 달러 규모의 프런티어 실행이 등장할 것으로 전망했다.

이 연구는 Barclays의 2026년 모델보다 앞서며, 측정하는 질문도 다르다. 그럼에도 매출 대비 학습 비용의 하락이 보장되지 않는 이유를 보여준다.

간접 API가 늘어나면 매출 비교도 더 어려워질 수 있다. 한 연구소는 고객의 전체 결제액을 기록하는 반면, 다른 연구소는 자신이 보유한 몫만 기록할 수 있다.

이는 더 나은 기초 제품을 반영하지 않으면서도 한 기업이 더 크거나 더 수익성이 높은 것처럼 보이게 만들 수 있다. Barclays는 향후 비교에 신중한 회계 조정이 필요하다고 구체적으로 경고한다.

전략적 관계는 추가적인 왜곡을 만든다. 클라우드 기업은 모델 개발자에게 투자하는 동시에, 해당 개발자로부터 인프라 지출이나 수익 배분을 받을 수 있다.

이러한 계약은 상업적으로 정당하지만, 공급업체 매출, 투자 수익, 독립적인 고객 수요를 명확히 구분하기 어렵게 만든다.

클라우드 수준의 재무 공시만으로는 이 문제를 완전히 해결할 수 없다. AWS는 별도 부문을 보고하지만, Microsoft는 Azure 매출을 별도의 달러 수치로 공개하지 않는다.

Google Cloud에는 인프라, 플랫폼 서비스, 애플리케이션 및 기타 엔터프라이즈 서비스가 포함된다. 이들 부문 중 어느 것도 프런티어 모델 추론에서 발생하는 이익을 분리하지 않는다.

따라서 Barclays 사례에서 보고된 34%~47%의 마진을 공개 클라우드 계정과 직접 대조해 검증할 수는 없다. 이는 여전히 모델에 기반한 배분이다.

경쟁은 양쪽 모두에 압박을 가할 수 있다. 모델 기업은 사용량을 방어하기 위해 가격을 낮출 수 있고, 클라우드 벤더는 대규모 약정을 따내기 위해 용량을 할인할 수 있다.

오픈 모델 역시 원래 개발업체의 매출을 유지하지 못한 채 인프라 수요를 클라우드 쪽으로 옮길 수 있다. 기업은 클라우드 플랫폼이나 전문 제공업체를 통해 이러한 모델을 호스팅할 수 있다.

동시에 독점 모델 연구소는 여러 벤더에 워크로드를 분산할 수 있다. 협상력을 높이기 위해 맞춤형 가속기, 전용 클러스터 또는 대체 클라우드를 사용할 수 있다.

따라서 헤드라인은 좁게 유지해야 한다. Barclays는 대표적인 구조에서 클라우드 제공업체가 현재 모델 기업 매출 100달러당 약 40달러를 가져간다고 추정한다.

이는 모든 연구소가 같은 비율을 지불한다는 것을 증명하지 않는다. 또한 클라우드 기업이 그 몫을 무기한 유지할 것이라는 결론도 아니다.

다음 100달러를 누가 가져갈지 결정할 세 가지 신호

다음 단계는 학습 강도, 전용 인프라, 그리고 클라우드 투자와 실현된 AI 매출 간의 격차에 달려 있다.

첫 번째 신호는 연구소 매출 대비 학습 지출 비율이다. Barclays는 이 비율이 2028년까지 크게 하락할 것으로 예상한다.

이 비율이 2027년에 전망치인 35%에 도달한다면, 모델 기업들은 매출이 프런티어 개발 비용을 앞지르고 있다는 더 강한 근거를 확보하게 된다.

그 결과는 연구소 수익성 개선의 근거를 강화할 것이다. 또한 모델 매출 1달러당 클라우드의 총수입을 낮출 것이다.

학습 강도가 2026년 수준에 머문다면 반대의 결론이 따른다. 더 나은 추론 마진에도 불구하고 업계는 여전히 비용이 큰 개발 주기에 크게 의존하게 된다.

두 번째 신호는 지배적인 세 클라우드 플랫폼 밖에서 전용 용량이 등장하는지다. Barclays는 기존 클라우드의 점유율이 2년간 대체로 안정적으로 유지될 것으로 예상한다.

2028년 이후에는 이미 계약되었거나 자금이 조달된 인프라가 AI 연구소를 위한 더 큰 컴퓨팅 공급원이 될 것이다. 이 전망은 시설이 가동되기 훨씬 전에 면밀히 검토할 필요가 있다.

발표만으로는 근거가 약하다. 투자자와 고객은 프로젝트가 전력, 칩, 자금 조달, 네트워크 연결, 운영 인력을 확보하는지 지켜봐야 한다.

또한 연구소가 그 용량으로 프로덕션 워크로드를 옮기는지도 추적해야 한다. 학습 클러스터가 자동으로 신뢰할 수 있고 지리적으로 분산된 추론 시스템이 되는 것은 아니다.

전용 시설이 상당한 프로덕션 트래픽을 처리한다면, 약 40달러에 달하는 클라우드 수취율은 하락해야 한다. 모델 기업은 더 많은 인프라 책임과 잠재적 마진을 내부화하게 된다.

그러나 이들은 가동률 위험과 자본 노출도 떠안게 된다. 용량을 소유하는 것이 경제성을 개선하는 것은 워크로드가 고가의 하드웨어를 지속적으로 생산적으로 활용할 때뿐이다.

세 번째 신호는 하이퍼스케일러의 자본 지출과 클라우드 수익성 간의 관계다. Microsoft, Alphabet, Amazon은 모든 용량이 매출을 창출하기 전에 막대한 자금을 투입하고 있다.

안정적이거나 개선되는 마진을 동반한 강한 클라우드 성장은 Barclays의 주장을 뒷받침할 것이다. 이는 인프라 벤더가 AI 수요를 지속적인 영업이익으로 전환할 수 있음을 보여줄 것이다.

더딘 성장이나 지속적인 마진 압박은 이를 약화시킬 것이다. 이러한 결과는 경쟁, 감가상각 또는 에너지 비용이 100달러 모델이 가정한 것보다 더 많은 가치를 소진한다는 뜻일 수 있다.

엔터프라이즈 도입은 이를 연결하는 핵심 고리다. 클라우드 기업은 이 규모로 구축된 인프라를 정당화하려면 소수의 프런티어 연구소 이상이 필요하다.

Microsoft는 2026 회계연도에 수요가 가용 공급을 초과했다고 밝혔다. Alphabet은 AI 고객이 비AI 클라우드 고객보다 더 많은 제품을 사용해, 순수 컴퓨팅을 넘어 매출을 확대했다고 보고했다.

이러한 주장은 고객이 약정을 갱신하고 파일럿을 프로덕션으로 전환할 때 더 신뢰할 수 있게 된다. 초기 실험 예산이 소진된 뒤에도 사용량은 지속돼야 한다.

개발자와 엔터프라이즈 구매자에게 이 경제적 경쟁은 제품 설계에 영향을 준다. 반복적인 모델 호출이 있는 워크플로는 인터페이스가 시사하는 것보다 더 큰 인프라 부담을 만들 수 있다.

팀은 재시도, 검색, 스토리지, 모니터링, 인적 검토를 포함한 전체 작업 비용을 평가해야 한다. 가장 저렴한 토큰이 항상 가장 저렴한 완료 결과를 의미하지는 않는다.

지식 노동자도 비슷한 문제에 직면한다. 에이전트 구독은 사용 한도와 변경되는 서비스 정책 뒤에 가변적인 인프라 소비를 숨긴 채 단순해 보일 수 있다.

결과, 의사결정, 소스 자료의 내부 기록을 유지하면 불필요한 반복 요청을 줄일 수 있다. 검색 가능한 AI 지식 베이스는 팀이 완료된 작업을 재활용하는 데도 도움이 된다.

Barclays는 전 세계 AI 연구소 매출이 2026년 1,370억 달러에서 2028년 6,900억 달러로 증가할 것으로 전망한다. 이 전망은 여전히 공격적이며, 확정된 사실로 간주해서는 안 된다.

더 낮은 결과조차 상당한 클라우드 수요를 만들 수 있다. 결정적인 질문은 시장이 성장하는지 여부가 아니라, 어느 계층이 그 성장을 유보 이익으로 전환하는가다.

향후 재무 공시에서 표준화된 매출 인식, 추론 비용, 학습 비용 배분, 계약상 약정을 지켜봐야 한다. 더 나은 공시는 가상의 연구소가 해결할 수 없는 가정을 검증할 수 있다.

AI 개발자들이 마진 개선을 계속 강조하면서도 더 큰 인프라 계약을 체결하는지도 지켜봐야 한다. 이 조합은 효율성 향상이 더 많은 소비를 자극하고 있음을 보여줄 것이다.

약 40달러라는 수치는 2026년 협상력의 스냅샷으로 이해하는 것이 가장 적절하다. 클라우드 제공업체는 부족한 인프라를 조달하고, 모델 기업은 제품과 고객 관계를 통제한다.

다음 100달러 중 어느 쪽이 더 많은 몫을 가져갈지는 영구적인 규칙이 아니라 실행력에 달려 있다. 오늘의 분배를 내일의 산업 구조로 간주하기 전에 이 세 가지 신호를 따라가야 한다.