Bernstein AI 데이터 센터 비용, GW당 395억 달러…더 큰 경고는 감가상각

Bernstein에 따르면 Nvidia의 Vera Rubin 아키텍처를 위한 AI 데이터 센터 비용은 현재 기가와트당 약 395억 달러에 이른다. 그러나 이 분석에서 가장 중요한 부분은 헤드라인을 장식하는 투자 규모가 아니다. 하드웨어가 경제적 가치를 잃기 전에 수십억 달러 규모의 서버, 네트워킹 장비, 메모리, 전력 시스템을 감가상각해야 한다는 점이 지속적인 부담으로 남는다.

이 추정치는 서로 다른 가속기 아키텍처의 비용을 기가와트당 346억~395억 달러 범위로 제시한다. 보도된 OpenAI의 Jalapeno 맞춤형 ASIC 설계는 하단에 가깝고, Nvidia의 Vera Rubin NVL72 플랫폼은 상단에 위치한다. 이처럼 비교적 좁은 격차는 더 저렴한 가속기를 선택하는 것만으로 전체 시설의 경제성을 근본적으로 바꿀 수 있다는 견해에 의문을 제기한다.

Bernstein은 앞선 분석에서 1기가와트 규모의 AI 용량 비용을 약 350억 달러로 산정했으며, 이는 Nvidia가 자체적으로 제시한 500억~600억 달러보다 낮았다. 최신 계산은 구성요소에 대한 가정을 정교화했지만, 전략적 충돌은 그대로다. 기술 기업들은 더 많은 컴퓨팅 자원을 추구하는 반면, 장비가 가동되는 즉시 회계 비용은 쌓이기 시작한다.

Bernstein AI 데이터 센터 비용, 기가와트당 395억 달러 도달

Bernstein의 최신 추정치는 가속기 선택이 비용 구성을 바꾸기는 하지만, 기가와트급 AI 인프라를 저렴하게 만들지는 못한다는 점을 보여준다.

10월 10일 요약된 보고서에 따르면 1기가와트 용량을 위한 총투자액은 346억~395억 달러다. 이 계산은 전력망에 연결된 빈 건물 이상의 범위를 다룬다. 여기에는 가속기, 서버, 메모리, 스토리지, 네트워킹, 냉각, 백업 전력, 고밀도 컴퓨팅 랙을 지원하는 데 필요한 전기 시스템이 포함된다.

상단 추정치는 Nvidia가 계획 중인 Vera Rubin NVL72 아키텍처에 적용된다. Bernstein은 Rubin 랙 1대의 추정 비용을 910만 달러에서 752만 달러로 낮춘 것으로 전해졌다. 이는 회사의 이전 모델 대비 약 17% 감소한 수치다.

공개된 인프라 추정치에 따르면, 이 수정은 고대역폭 메모리와 NAND 스토리지 용량에 대한 가정을 낮춘 데 따른 것이다. 일반적으로 HBM으로 줄여 부르는 고대역폭 메모리는 모델이 더 느린 스토리지를 기다리지 않고 데이터를 옮길 수 있도록 가속기 가까이에 고속 메모리를 배치한다.

메모리가 각 AI 서버에서 차지하는 비중이 커졌기 때문에 이 감소는 중요하다. 그러나 메모리 가정을 낮춘다고 주변 비용이 사라지는 것은 아니다. 더 많은 랙에는 여전히 스위치, 네트워크 인터페이스 카드, 전력 변환 하드웨어, 냉각 장비, 변압기, 발전기가 필요하다.

보도된 OpenAI의 Jalapeno 아키텍처는 Bernstein의 범위 하단에 위치한다. Jalapeno는 범용 가속기보다 더 좁은 워크로드를 중심으로 설계된 맞춤형 애플리케이션 특화 집적회로, 즉 ASIC로 설명된다. 맞춤형 칩은 일부 공급업체 마진을 낮추고 선택된 작업의 성능을 최적화할 수 있다.

그럼에도 최저 구성과 최고 구성 간 총차이는 기가와트당 50억 달러에 미치지 못한다. 이는 상단 추정치의 15%보다 낮다. 이 결과는 칩 선택이 투자 약정의 규모를 바꾸기보다 자금이 쓰이는 위치를 재편한다는 점을 시사한다.

이 점은 Bernstein의 Nvidia GB200 시스템에 대한 이전 분석에서도 이미 드러났다. 해당 분석은 기가와트당 총구축 비용을 약 350억 달러로 산정했으며, 그래픽 프로세서가 자본지출의 약 39%를 차지했다. 네트워킹은 약 13%였고, 기계 및 전기 시스템은 약 3분의 1에 달했다.

따라서 가속기는 여전히 가장 큰 단일 범주이지만, 데이터 센터 전체는 아니다. 가속기 가격이 낮아져도 전력을 공급하고 열을 제거하며 수천 개의 프로세서를 연결하는 장비는 필요하다.

Bernstein은 앞서 GB200 NVL72 랙의 비용을 약 590만 달러로 추정했다. 이 가운데 약 340만 달러는 컴퓨팅 하드웨어에, 250만 달러는 관련 물리 인프라에 투입됐다. 이전 비용 분석에서 보도된 이 수치는 칩 가격만을 기준으로 한 비교가 투자자를 오도할 수 있는 이유를 보여준다.

단위 역시 신중하게 해석해야 한다. 1기가와트는 일반적인 서버실이 아니라 막대한 연속 전력 부하를 의미한다. 완전 가동 시 이 프로젝트는 지역 인프라 차원의 관심사가 될 만큼의 전력 수요를 나타낸다.

따라서 Bernstein의 데이터 센터 추정치는 경쟁 시스템을 비교할 공통 기준을 제공한다. Nvidia, 맞춤형 ASIC 개발업체, 클라우드 사업자, 인프라 공급업체 모두 더 우수한 효율성을 설명할 수 있다. 그러나 투자자들은 완성된 기가와트 하나가 실제로 얼마나 많은 생산적 컴퓨팅과 매출을 제공하는지 여전히 물어야 한다.

이 질문이 핵심 긴장을 만든다. 업계는 수년간 가속기와 전력 접근성을 가장 큰 제약 요인으로 여겨 왔다. Bernstein의 분석은 다음 제약 요인이 설치된 장비가 재무적·기술적으로 노후화되기 전에 사업자가 충분한 수익을 올릴 수 있는지 여부임을 시사한다.

전력이 아닌 감가상각이 가장 무거운 반복 부담을 만든다

전력은 대중의 관심을 끌지만, 감가상각은 AI 인프라가 지속 가능한 매출을 얼마나 빨리 창출해야 하는지를 결정한다.

감가상각은 자산의 비용을 예상 내용연수에 걸쳐 배분하는 회계 절차다. 매 분기 새 현금 지급을 요구하지는 않는다. 하지만 보고 이익을 줄이고 실제 자본으로 구매한 장비의 소모를 반영한다.

Bernstein의 이전 Vera Rubin 모델은 그 규모를 보여준다. 킬로와트시당 0.15달러의 전력 요율에서 1기가와트 시설은 연간 약 13억 달러의 전력 비용을 부담하게 된다. 같은 모델은 하드웨어 내용연수를 6년으로 가정할 때 연간 약 79억 달러의 감가상각을 산출했다.

이 수치는 당시 Vera Rubin 인프라 전체를 기가와트당 470억 달러로 추정한 6월 분석에서 나왔다. Bernstein은 이후 랙 추정치를 낮췄으므로 정확한 감가상각 비용은 달라질 수 있다. 그럼에도 이 관계는 이 회사의 경고를 설명한다. 1기가와트를 소비하는 시설에서도 소유 비용은 전기요금보다 클 수 있다.

기본 Rubin 비용 모델은 랙당 220킬로와트 기준으로 3,557개 랙을 가정했다. 약 320억 달러를 랙 관련 장비에, 추가로 150억 달러를 물리 인프라에 배정했다. 6년 상각 일정은 이 초기 투자를 계속되는 이익 비용으로 전환했다.

6년의 회계상 내용연수가 모든 가속기가 6년간 경쟁력을 유지한다는 보장은 아니다. 더 새로운 시스템이 와트당 성능을 높이거나 추론 비용을 낮춘 뒤에도 서버는 계속 작동할 수 있다. 물리적 수명과 경제적 유용성의 차이가 진정한 위험이다.

차세대 하드웨어가 AI 응답을 생성하는 비용을 크게 낮춘다면, 구형 시스템의 소유자는 임대 가격을 낮춰야 한다는 압박을 받는다. 기업이 내용연수를 연장하거나 손상차손을 기록하지 않는 한 감가상각 일정은 그대로 유지된다. 어느 선택도 구형 장비에 대한 수요를 늘리지는 않는다.

내용연수를 연장하면 연간 감가상각이 줄어 단기 이익을 뒷받침한다. 그러나 이는 장비가 더 오래 생산성을 유지할 것이라는 가정에 기반한다. 이 조정을 지나치게 공격적으로 하는 기업은 경제성 악화의 인식을 미룰 수 있다.

손상차손은 반대의 경로를 택한다. 미래 현금흐름을 통해 자산이 장부가를 회수하지 못한다는 사실을 인정한다. 이 비용은 기록 시점에는 비현금성이지만, 이전 자본지출이 예상보다 적은 수익을 낸다는 점을 드러낸다.

이 메커니즘은 AI 감가상각 비용을 일반적인 공과금과 구분한다. 전력 비용은 사용량에 따라 증가하므로, 활용도가 낮은 클러스터는 전력을 덜 소비한다. 반면 서버가 고객, 소프트웨어 또는 네트워크 용량을 기다리는 동안에도 감가상각은 계속된다.

따라서 활용률이 핵심이 된다. 완전히 가동되는 클러스터는 더 많은 학습 작업, 생성 토큰 또는 클라우드 계약에 감가상각을 분산할 수 있다. 활용되지 않는 시설은 더 적은 매출을 내면서도 거의 같은 소유 부담을 안는다.

시점 문제도 중요하다. 기업은 완성된 클러스터가 고객 서비스에 들어가기 전에 토지, 전기 장비, 칩, 건설에 자금을 투입하는 경우가 일반적이다. 지연이 발생하면 그에 상응하는 매출 없이 자본이 묶일 수 있고, 설치된 일부 자산은 이미 노후화되기 시작한다.

AllianceBernstein은 관련 위험을 정보의 “에어 포켓”으로 설명한 바 있다. 감가상각 주기보다 짧은 기간 동안 매출 증거가 불완전하게 남을 수 있다는 의미다. 이 경우 투자자들은 채택이 충분히 빠르게 확대될지 알지 못한 채 장기 지출을 평가해야 한다.

이 우려가 해당 지출이 낭비라고 단정하는 것은 아니다. AI 학습 및 추론 수요는 빠르게 증가할 수 있으며, 신형 시스템은 훨씬 더 많은 작업을 처리할 수 있다. 다만 매출 성장, 활용률, 하드웨어 효율성이 함께 도래해야 함을 의미한다.

감가상각은 독자가 클라우드 마진을 해석하는 방식도 바꾼다. 사업자는 AI 수요 증가를 보고하면서도 신규 자산이 서비스에 투입됨에 따라 마진 압박을 받을 수 있다. 현금흐름, 영업이익, 조정이익은 자본투자를 각각 다르게 처리하기 때문에 서로 다른 이야기를 들려줄 수 있다.

부담은 사라지지 않은 채 기업 간에 이동할 수 있다. 컴퓨팅을 임대하는 모델 개발업체는 모든 서버를 직접 소유하지 않아도 되지만, 클라우드 사업자는 계약 가격에 감가상각과 금융 비용을 반영하게 된다. 클라우드 사업자는 특수목적법인이나 리스를 활용할 수 있지만, 결국 다른 투자자가 자산을 소유한다.

따라서 핵심 쟁점은 누군가가 다음 클러스터에 자금을 조달할 수 있는지 여부가 아니다. 또 다른 하드웨어 세대가 경쟁 기준을 재설정하기 전에 전체 사슬이 충분한 경제적 산출을 창출할 수 있는지가 문제다.

Nvidia와 맞춤형 AI 칩은 같은 자본 현실에 직면한다

핵심 경쟁은 Nvidia와 하나의 맞춤형 칩 사이의 대결이 아니라, 확장되는 컴퓨팅의 약속과 감가상각되는 인프라의 현실 사이의 대결이다.

Nvidia의 위치는 이 지출 물결에서 가장 눈에 띄는 수혜자로 만든다. 이 회사의 가속기, 네트워킹 제품, 소프트웨어, 랙 규모 시스템은 배포의 여러 계층에서 수익을 얻는다. 고객이 모델 학습이나 서비스 제공 속도를 중시할 때 더 높은 시스템 성능은 더 비싼 구성을 정당화할 수도 있다.

맞춤형 ASIC는 다른 가치를 제안한다. Google, Amazon, Microsoft, Meta 및 AI 연구소들은 자체 워크로드에 맞춰 설계된 칩을 추진해 왔다. 이러한 시스템은 일부 범용 칩 마진을 제거하고 하드웨어를 내부 소프트웨어에 더 밀접하게 맞출 수 있다.

Bernstein의 추정치는 어느 경로도 전체 비용에서 벗어날 수 없음을 시사한다. 맞춤형 가속기는 비용이 더 낮을 수 있지만, 사업자는 가용 예산으로 더 많은 랙을 배포할 수 있다. 각 랙에는 여전히 메모리, 네트워킹, 전력 분배, 냉각, 물리적 부지가 필요하다.

그 결과는 효율성 향상이 자원 사용 비용을 낮추고 추가 소비를 촉진하는 Jevons paradox와 유사하다. 달러당 성능이 개선되면 하나의 워크로드 비용은 낮아질 수 있지만, 개발자들이 더 큰 모델을 실행하고 더 긴 컨텍스트를 사용하거나 더 많은 요청을 처리하도록 유도할 수 있다.

그러한 역학은 인프라 공급업체에 유리하지만, 효율성 향상이 자동으로 자본 수요를 줄인다는 주장에는 복잡성을 더한다. 업계는 효율성 개선분을 총지출 감소가 아니라 더 많은 컴퓨팅에 투입할 수 있다.

Nvidia 자체 추정치도 이러한 계산이 얼마나 불확실한지 보여준다. 이 회사는 이전에 기가와트당 500억~600억 달러 범위를 제시한 반면, Bernstein의 과거 분석은 유사한 규모의 용량을 약 350억 달러로 산정했다. 이 차이는 서로 다른 하드웨어 세대, 정의, 그리고 포함 인프라에 관한 가정을 반영한다.

Broadcom과 AMD는 기가와트당 약 150억~200억 달러 규모의 공략 가능한 가속기 시장 기회를 제시했다. 이 수치는 완공된 데이터센터 전체의 비용을 의미하지 않는다. 더 큰 프로젝트 안에서 반도체가 차지하는 시장 기회를 설명하는 수치다.

이러한 측정치는 종종 같은 질문에 답하는 것처럼 반복된다. 그러나 그렇지 않다. 어떤 추정치는 가속기를 포함하고, 다른 추정치는 완성된 랙 전체를 포괄하며, 또 다른 추정치는 발전 설비나 금융 비용까지 포함할 수 있다.

최신 Bernstein 범위가 유용한 이유는 하나의 방법론 아래에서 완전한 아키텍처를 비교하기 때문이다. 이는 보편적인 건설 견적이 아니다. 토지 가격, 전력망 접근성, 에너지 시스템, 가동률 목표, 금융, 현지 노동 비용은 모두 최종 결과를 바꿀 수 있다.

아키텍처 비교에서는 유효 산출량도 고려해야 한다. 더 비싼 클러스터라도 모델 학습을 더 빨리 끝내거나 훨씬 더 많은 요청을 처리한다면 경제적일 수 있다. 반대로 더 저렴한 클러스터는 소프트웨어 지원, 신뢰성 또는 고객 수요가 가동률을 제한할 경우 기대에 못 미칠 수 있다.

Vera Rubin은 Nvidia의 Blackwell 세대보다 컴퓨팅 성능을 크게 개선할 것으로 예상된다. Bernstein의 이전 모델은 Rubin 랙당 2,520 FP8 페타플롭스를 추정했으며, Blackwell은 720 페타플롭스였다. FP8은 더 큰 형식보다 낮은 정밀도를 허용하는 대신 AI 연산을 가속하는 8비트 수치 형식이다.

원시 처리량이 바로 청구 가능한 작업으로 이어지는 것은 아니다. 모델 아키텍처, 메모리 용량, 통신 오버헤드, 소프트웨어 최적화, 가동 시간이 광고된 성능 중 고객에게 실제로 전달되는 비중을 좌우한다.

맞춤형 칩 경로는 또 다른 절충안을 제시한다. 운영자는 하드웨어 설계에 대한 통제력을 확보하고 공급업체 마진을 잠재적으로 줄일 수 있다. 동시에 개발 위험, 소프트웨어 통합 작업, 경쟁력 있는 로드맵을 유지해야 하는 과제를 떠안는다.

Nvidia는 이러한 비용을 많은 고객에게 분산하고 성숙한 소프트웨어 환경으로 하드웨어를 지원한다. 구매 가격이 더 높더라도 배포 위험을 낮출 수 있다. 충분한 내부 수요를 가진 하이퍼스케일러는 반대 선택을 정당화할 수 있다.

따라서 Bernstein의 데이터센터 추정치는 단순한 승자를 가려주지 않는다. 어느 아키텍처도 규모의 차원을 바꾸지 않는다는 점을 보여준다. 재무 성과는 가동률, 매출, 하드웨어 교체 속도에 더 크게 좌우된다.

이 때문에 핵심 대립은 Nvidia 대 맞춤형 ASIC이 아니라 컴퓨팅 확장 대 자본 회수로 이해하는 편이 적절하다. Nvidia와 맞춤형 ASIC은 동일한 압박을 통과하는 서로 다른 경로다. 둘 다 감가상각이 예상 수익을 잠식하기 전에 충분한 가치 있는 작업을 만들어내야 한다.

395억 달러 추정치가 입증하지 못하는 것

Bernstein의 계산은 비용 구조를 드러내지만, 미래 가동률, 유효 수명 또는 투자 수익을 확립할 수는 없다.

이 추정치는 완전히 공개된 엔지니어링 자재명세서가 아니라 독점 리서치의 요약을 통해 대중에게 전달된다. 독자는 핵심 가정을 살펴볼 수 있지만, 모든 구성요소나 공급업체 가격을 독립적으로 감사할 수는 없다.

이러한 한계는 모델이 변경됐기 때문에 중요하다. Bernstein의 6월 분석은 Vera Rubin 인프라를 기가와트당 약 470억 달러, 랙 하나당 910만 달러로 산정했다. 10월 요약에서는 랙 추정치를 752만 달러, 총투자액을 395억 달러로 낮췄다.

몇 달 사이 17%의 랙 추정치 수정이 이뤄졌다는 점은 모델이 메모리, 스토리지, 구성 가정에 얼마나 민감한지를 보여준다. 새 추정치를 무효화하는 것은 아니다. 다만 395억 달러를 AI 인프라의 고정된 법칙처럼 다루는 데에는 반대 근거가 된다.

낮아진 수치가 수익 개선을 입증하는 것도 아니다. 하드웨어 비용과 함께 시장 임대료가 하락하면 운영자는 절감분을 고객에게 넘길 수 있다. 경쟁은 비용 절감을 더 높은 마진이 아니라 더 저렴한 추론 비용으로 바꿀 수 있다.

유효 수명 추정도 또 다른 불확실성을 낳는다. 6년은 편리한 감가상각 일정이지만, AI 가속기는 훨씬 빠른 제품 주기에서 경쟁한다. 일부 구형 시스템은 추론, 미세 조정 또는 덜 까다로운 워크로드에서 계속 가치를 유지할 것이다. 다른 시스템은 에너지 사용량이나 소프트웨어 요구사항 때문에 더 일찍 비경제적이 될 수 있다.

기업은 구형 하드웨어를 워크로드 사다리 아래로 옮겨 수명을 연장할 수 있다. 더 이상 최대 규모의 프런티어 모델을 학습하지 못하는 클러스터도 소형 모델이나 배치 작업을 처리할 수 있다. 그러한 작업에 대한 잔존 수요와 가격은 여전히 불확실하다.

전력 비용도 크게 다르다. Bernstein의 이전 연간 13억 달러 추정치는 킬로와트시당 0.15달러를 사용했다. 더 저렴한 계약 전력을 확보한 시설은 지출이 적지만, 제약이 큰 지역은 더 높은 전기료와 전력망 업그레이드 비용에 직면할 수 있다.

연결된 용량 1기가와트가 항상 연속적인 IT 부하 1기가와트를 뜻하는 것은 아니다. 유지보수, 이중화, 냉각 오버헤드, 전력 사용 효율성, 가동 확대 일정이 소비량에 영향을 미친다. 비교를 위해서는 유틸리티 전력, 중요 부하, 가속기 부하의 정의가 일관돼야 한다.

금융은 상황을 더 복잡하게 만든다. 동일한 장비를 사용한 두 프로젝트라도 한쪽은 기업 현금에 의존하고 다른 쪽은 비싼 부채를 사용한다면 서로 다른 수익을 낼 수 있다. 이자는 감가상각과 별개이지만, 궁극적으로 둘 다 매출로 뒷받침돼야 한다.

지출이 가장 강한 기업의 대차대조표를 넘어 확산되면서 자금 조달 구조는 더 중요해지고 있다. AllianceBernstein의 더 광범위한 AI capex analysis는 부채와 공급업체 금융의 증가가 자금 조달의 질을 낮출 수 있다고 경고했다.

같은 분석은 2025년 데이터센터 건설 지출을 약 4,000억 달러로 추정했다. 또한 2027년까지 예상되는 하이퍼스케일러 투자를 1조 달러 이상으로 제시했다. 이 총액은 가동률이나 자산 수명의 작은 변화가 어떻게 업계 전반의 수익에 영향을 미칠 수 있는지 보여준다.

수요는 여전히 결정적인 미지의 변수다. 체결된 계약은 예측보다 더 큰 확실성을 제공하지만, 계약도 평가가 필요하다. 기간, 해지 권리, 고객 집중도, 선지급금, 신용 보강이 약속된 매출이 자산의 위험과 부합하는지를 결정한다.

일부 운영자는 전기료와 기타 운영비를 임차인에게 전가하는 장기 임대로 자신을 보호할 수 있다. 이러한 구조는 부동산 소유자의 가시성을 높인다. 그러나 임차인이 컴퓨팅 용량으로 충분한 수익을 올린다는 보장은 없다.

이 분석은 AI 도입이 얼마나 확대될지도 판단할 수 없다. 모델 개발사들은 코딩 시스템, 연구 도구, 미디어 생성기, 광고 제품, 비즈니스 에이전트를 만들고 있다. 사용자당 매출과 작업당 비용은 아직 확정되지 않았다.

기업 구매자에게 더 낮은 추론 비용은 도입을 가속할 수 있다. 더 많은 조직이 AI 시스템을 실험 단계에서 일상적인 워크플로로 옮길 수 있다. 팀은 여전히 그러한 시스템이 인력을 절감하고, 산출물을 개선하며, 새 매출을 창출하는지 측정해야 한다.

지식 근로자도 비슷한 규율에 직면한다. 더 많은 컴퓨팅에 접근한다고 해서 더 나은 의사결정이 자동으로 이뤄지는 것은 아니다. 조직에는 신뢰할 수 있는 정보, 활용 가능한 프로세스, 결과를 보존할 방법이 필요하다. 검색 가능한 AI 지식 기반은 맥락 보존에 도움이 될 수 있지만, 인프라 경제성을 바꾸지는 않는다.

회의적인 결론은 좁지만 중요하다. Bernstein은 그럴듯한 비용 프레임워크를 제시했을 뿐, AI 버블의 증거나 맞춤형 칩이 Nvidia를 능가할 것이라는 증거를 제시한 것은 아니다. 이 추정치는 미래 매출이 넘어야 할 장벽을 식별한다.

투자가 수익으로 이어질지 보여줄 세 가지 신호

다음 단계는 추가 기가와트 발표가 아니라 감가상각, 가동률, 매출의 질로 평가될 것이다.

첫 번째 신호는 하이퍼스케일러의 감가상각 증가다. Amazon, Microsoft, Alphabet, Meta, Oracle은 재무제표와 실적 해설을 통해 감가상각을 공개한다. 투자자들은 이 비용을 클라우드 매출 및 영업이익과 비교해야 한다.

건설 붐 동안 감가상각 증가는 예상된다. 경고 신호는 감가상각이 신규 자산이 뒷받침하는 매출보다 지속적으로 더 빠르게 증가할 때 나타난다. 이러한 패턴은 자본 회수가 핵심 제약이 됐다는 주장을 강화할 것이다.

유효 수명 변화도 같은 수준의 주목을 받아야 한다. 서버 수명을 연장하면 현재 현금흐름을 바꾸지 않고도 연간 비용을 낮추고 보고된 수익을 높일 수 있다. 기업은 구형 가속기가 생산성을 유지하는 이유와 재배치 방식을 설명해야 한다.

두 번째 신호는 새 Rubin 및 맞춤형 ASIC 클러스터의 실현 가동률이다. 주문 발표는 장비 수요를 보여주지만, 가동률과 워크로드 규모는 완공된 용량이 실제로 수익을 내는지 드러낸다.

클라우드 제공업체는 수주잔고 전환, AI 서비스 매출, 배포 일정, 마진 추세를 통해 증거를 제시할 수 있다. 모델 기업은 등록 사용자 수나 생성된 토큰 같은 광범위한 지표보다 유료 사용량을 통해 더 강력한 증거를 제공할 수 있다.

Rubin 시스템이 높은 가동률과 유효 산출 단위당 더 낮은 비용으로 서비스에 투입된다면 Bernstein 범위의 상단은 방어하기 쉬워진다. 용량 확대가 느리다면 감가상각은 투자 논지에 불리하게 작용하기 시작한다.

맞춤형 칩도 같은 시험대에 선다. 더 낮은 시설 비용은 소프트웨어와 수요가 하드웨어를 계속 가동할 때에만 도움이 된다. 높은 가동률은 수직 통합이 지속적인 절감 효과를 만든다는 주장을 뒷받침할 것이다. 낮은 가동률은 더 낮은 부품 비용이 유휴 용량을 보완할 수 없음을 보여줄 것이다.

세 번째 신호는 계약 매출과 금융 의무 간의 관계다. 업계는 인프라 자금 조달을 위해 리스, 부채, 특수목적법인, 고객 선지급금, 공급업체 약정을 점점 더 활용하고 있다.

이러한 구조는 건설을 가속하고 위험을 분산할 수 있다. 동시에 경제성을 추적하기 어렵게 만들 수도 있다. 투자자들은 계약 기간, 고객 집중도, 이자 비용, 해지 조항, 지급과 자산 인도 사이의 시차를 살펴봐야 한다.

AllianceBernstein은 감가상각 주기가 가시성을 앞지르기 전에 업계에 폭넓은 매출 성장의 증거가 필요하다고 주장한다. 이들의 우려는 단순히 AI 기업의 전체 가치평가가 아니다. 지출은 확실하지만 매출 궤적은 여전히 불분명한 시기다.

더 강한 결과에는 높은 감가상각에도 불구한 클라우드 마진 확대, 완공된 클러스터의 사용 증가, 더 긴 계약 매출 커버리지가 포함될 것이다. 이러한 전개는 구축 규모가 수요를 앞질렀다는 견해를 약화시킬 것이다.

더 약한 결과는 배포 지연, 유효 수명 연장, 임대료 하락, 느린 수주잔고 전환을 함께 수반할 것이다. 기업들이 계속 새 프로젝트를 발표하더라도, 이러한 조합은 Bernstein의 경고를 강화할 것이다.

더 넓은 교훈은 전력 가용성이 단지 입장 요건일 뿐이라는 점이다. 기업은 토지, 전력, 냉각, 가속기를 확보한 뒤 두 번째 문제를 얻게 된다. 투자를 회수할 수 있을 만큼 빠르게 그 용량을 반복적인 경제적 산출로 전환해야 한다.

Bernstein의 AI 데이터센터 비용은 그 기한을 분명히 보여준다. 346억 달러와 395억 달러의 차이는 중요하지만, 결정적인 변수는 아니다. 하드웨어가 경제적 가치를 잃기 전에 창출되는 매출이 다음 기가와트가 생산적인 인프라가 될지, 아니면 값비싼 회계 부담이 될지를 결정할 것이다.

이제 독자들은 발표되는 각 캠퍼스의 규모만 보아서는 안 된다. 분기 실적의 감가상각비, 신규 시스템 가동 시점의 활용률, 그리고 건설을 뒷받침하는 계약의 지속 가능성을 지켜봐야 한다. 이 세 가지 신호는 AI 인프라 붐이 지속 가능한 컴퓨팅 플랫폼을 구축하고 있는지, 아니면 사업 모델보다 더 빨리 노후화되는 하드웨어에서 성장을 빌려오고 있는지를 보여줄 것이다.