Ed Zitron의 AI 버블 논거, Big Tech의 지출 붐과 맞서다

Ed Zitron의 최신 AI 버블 주장이 기록적인 인프라 지출과 수요가 비용을 정당화할 수 있는지를 둘러싼 논쟁이 커지는 가운데 Google News에 등장했다.

Blood in the Machine의 대화는 새 모델이나 투자 유치 라운드를 발표하지 않는다. 대신 더 중대한 변화를 포착한다. 회의론이 업계의 주변부를 벗어나 일상적인 뉴스 사이클로 들어왔다는 점이다.

Zitron은 생성형 AI가 하이퍼스케일러의 지출, 불투명한 비상장 기업 재무, 미래 수요에 대한 약속으로 뒷받침되는 비경제적 제품이라고 주장한다. Big Tech는 같은 인프라 확충을 클라우드 고객, 소비자 제품, 그리고 점점 더 성능이 높아지는 모델에 필요한 역량으로 제시한다.

이 갈등은 이제 또 하나의 벤치마크 승리보다 더 중요하다. Microsoft, Alphabet, Amazon, Meta와 이들의 공급업체는 인프라의 전체 수명 기간에 걸친 수익을 누구도 알 수 없기 전에 자본을 투입하고 있다.

핵심 질문은 AI가 작동하는지 여부가 아니다. 이미 많은 시스템이 유용한 코드, 요약, 이미지, 검색 결과, 과학 분석을 만들어내고 있다. 질문은 이러한 활용 사례가 그 뒤에 놓인 투자, 에너지 소비, 지속적인 운영 비용을 감당할 수 있는가다.

버블 논거는 기업이 단위 경제성을 숨기거나 지속 가능한 매출 대신 도입 통계로 대체할 때 가장 강해진다. 반대로 비용 하락이 수요를 열어주고 기존 사업이 AI 투자를 성공적으로 흡수할 때는 약해진다.

두 가지 변화가 동시에 일어나고 있다. 그래서 현재 AI 버블의 상태에는 단순한 호황 또는 붕괴라는 딱지보다 더 면밀한 회계 검토가 필요하다.

Ed Zitron의 대화가 실제로 바꾼 것

중요한 변화는 AI의 재무 구조가 또 다른 제품 출시의 배경이 아니라 이야기 자체가 되었다는 점이다.

Zitron은 업계가 기술적 역량을 지속 가능한 사업과 혼동한다고 수년간 주장해 왔다. 그의 논거는 반복적으로 발생하는 컴퓨팅 비용, 막대한 자본 필요량, 비상장 모델 개발사의 제한적인 공시에 초점을 맞춘다.

Blood in the Machine은 노동, 기업 권력, 자동화라는 관점에서 AI를 다룬다. 따라서 이 매체와 Zitron의 대화는 회의적인 입장에서 출발한다. 이는 중립적인 투자자 브리핑이 아니다.

이 맥락은 Google News에 등장한 인터뷰가 하나의 독립적인 기업 이벤트처럼 보일 수 있기 때문에 중요하다. 근본적인 사건은 편집적 사건이다. 저명한 비평가가 이 호황의 재무적 약속이 실제 운영 성과와 부합하는지를 평가하고 있다.

Zitron의 가장 강력한 주장은 업계 지출과 공개된 수익 사이의 격차에 관한 것이다. 기업들은 생성형 AI에서 발생한 이익을 분리해 제시하지 않은 채 클라우드 성장, 구독, 사용량 또는 수요를 정기적으로 보고한다.

그렇다고 해당 제품들이 손실을 낸다는 사실이 증명되는 것은 아니다. 외부인이 이를 별도로 평가하는 데 필요한 데이터를 갖추지 못하는 경우가 많다는 뜻이다.

클라우드 부문은 성장할 수 있지만, 가장 최신의 AI 워크로드는 여전히 비용이 많이 들 수 있다. 소비자용 어시스턴트는 추론과 개발 비용을 충당하지 못하면서도 수백만 사용자를 끌어모을 수 있다. 코딩 도구는 더 큰 전략적 보조금 안에서 운영되면서도 실제 생산성 향상을 제공할 수 있다.

추론은 사용자가 요청을 제출할 때 학습된 모델을 실행하는 비용이다. 학습은 모델을 만들지만, 사용량이 늘어날수록 추론은 지속적인 비용이 된다.

전통적인 소프트웨어는 개발 이후 높은 추가 마진을 누리는 경우가 많다. 생성형 AI는 모든 응답이 컴퓨팅, 메모리, 네트워킹, 전력을 소비하기 때문에 더 복잡한 비용 곡선을 가진다.

하지만 이 비교는 지나치게 단순해질 수 있다. 모델 제공업체들은 더 나은 칩, 더 작은 모델, 소프트웨어 최적화, 캐싱, 특화 인프라를 통해 추론 비용을 낮추고 있다.

따라서 업계는 오늘 특정 워크로드에서 손실을 내더라도 나중에 경제성을 개선할 수 있다. 반대로 비용 하락보다 더 빠르게 가격을 낮춰 동일한 마진 문제를 유지할 수도 있다.

이 인터뷰의 진정한 기여는 확정적인 버블 진단이 아니다. 검증 가능한 과제를 제시한다. AI 매출이 어디에서 발생하는지, 이를 제공하는 데 얼마가 드는지, 그리고 규모 확대에 따라 그 경제성이 어떻게 개선되는지를 보여 달라는 것이다.

독자들은 이 기준을 기업마다 다르게 적용해야 한다. Nvidia는 희소한 컴퓨팅 장비를 판매한다. Microsoft와 Google은 클라우드 용량을 판매한다. OpenAI와 Anthropic은 모델 접근권과 애플리케이션을 판매한다. 이들의 위험은 서로 연관돼 있지만 동일하지는 않다.

한 계층에서의 붕괴가 모든 유용한 애플리케이션을 없애지는 않는다. 대신 가격, 자금 조달 조건, 계약, 그리고 살아남은 인프라를 통제하는 기업이 바뀔 것이다.

이 구분은 진지한 버블 분석과 모든 AI 기술이 사라질 것이라는 예측을 가른다.

Google News가 AI 버블 논거로 채워지는 이유

인프라 투자가 기업 성과와 분리하기 어려워지고 있기 때문에 버블 논쟁이 커지고 있다.

몇 년 동안 투자자들은 모델, 칩, 데이터센터 용량에 접근할 수 있음을 입증한 기업에 보상했다. 이제 시장은 그 자원이 지속적인 매출을 창출하거나 기존 사업을 보호한다는 증거를 기대한다.

Microsoft는 이러한 긴장을 잘 보여준다. 회사의 2025 annual report에 따르면 부동산 및 장비 추가 투자액은 646억 달러로, 1년 전의 445억 달러에서 증가했다.

회사는 클라우드와 AI 인프라 투자가 운영 비용을 계속 늘릴 것이라고 밝혔다. 또한 이러한 투자가 영업이익률을 낮출 수 있다고 경고했다.

이러한 공시는 즉각적인 붕괴 서사를 뒷받침하지 않는다. Microsoft는 같은 회계연도에 1,362억 달러의 영업현금흐름을 창출해 투자할 상당한 여력을 확보했다.

다만 이는 입증 책임이 높아지고 있음을 보여준다. 수익성 있는 기존 기업은 스타트업보다 비용이 큰 실험을 더 오래 자금 지원할 수 있지만, 인내심 있는 자본이 매력적인 수익을 보장하지는 않는다.

Alphabet도 더 큰 계획 규모에서 유사한 갈등을 보여준다. 이 회사는 2025년 자본 지출이 914억 달러였으며, 대부분 기술 인프라에 사용됐다고 보고했다.

2025 earnings call에서 Alphabet은 2026년 자본 지출을 1,750억~1,850억 달러로 예상했다.

회사는 2025년 투자 중 약 60%가 서버에 투입됐다고 밝혔다. 나머지 40%는 데이터센터와 네트워킹 장비에 사용됐다.

Alphabet은 더 높은 감가상각비와 운영 비용이 손익계산서에 부담을 줄 것이라고도 밝혔다. 감가상각비는 2024년 153억 달러에서 2025년 211억 달러로 증가했다.

이 수치는 기업이 보도자료를 낸다고 해서 인프라가 사라지는 것은 아니기 때문에 Zitron의 주장을 선명하게 만든다. 서버는 노후화하고, 건물에는 전력이 필요하며, 시간이 흐르면 감가상각이 재무제표에 반영된다.

그러나 Alphabet은 클라우드 고객의 상당한 수요도 보고했다. 2026년 머신러닝 컴퓨팅의 절반 이상이 클라우드 사업에 제공될 것이라고 밝혔다.

이 주장은 낙관론에 측정 가능한 근거를 제공한다. 고객이 계속해서 용량을 구매한다면, 해당 인프라는 하나의 투기적 애플리케이션이 아니라 이미 확립된 매출 엔진을 뒷받침한다.

문제는 귀속이다. Google Cloud 매출에는 AI뿐 아니라 데이터베이스, 스토리지, 네트워킹, 보안, 생산성 소프트웨어, 전통적인 컴퓨팅이 포함된다.

투자자들은 여전히 데이터센터 투자금의 모든 달러를 생성형 AI에 배정할 수 없다. 또한 새 모델이 없었더라도 모든 클라우드 매출이 발생했을 것이라고 가정할 수도 없다.

Google News 보도는 이러한 불확실성을 상반된 헤드라인으로 압축하는 경향이 있다. 한 기사는 기록적인 지출을 수요의 증거로 다룬다. 다른 기사는 같은 지출을 버블의 증거로 본다.

어느 쪽의 추론도 충분하지 않다. 자본 지출은 확신과 노출도를 드러낼 뿐, 최종 수익을 보여주지는 않는다.

지출 결정이 먼저 내려지기 때문에 이 논쟁은 계속 주목받을 것이다. 가동률, 가격 책정, 감가상각, 고객 유지에 관한 가장 명확한 증거는 나중에 나온다.

이 시간차는 버블이 커지는 곳이다. 동시에 성공적인 인프라 사이클이 시작되는 곳이기도 하다.

진짜 맞상대는 AI의 약속과 그 경제성이다

핵심 갈등은 Ed Zitron 대 Silicon Valley가 아니라, 업계의 규모 확대 약속과 이를 지속하는 데 필요한 경제성 사이에 있다.

AI 기업들은 더 폭넓은 도입이 고정 개발 비용을 더 많은 고객에게 분산할 것이라고 약속한다. 또한 더 나은 하드웨어와 소프트웨어가 응답 하나당 비용을 낮출 것이라고 기대한다.

첫 번째는 전통적인 소프트웨어 경제성과 유사하다. 두 번째는 생성형 AI가 사용 중에도 물리적 자원에 계속 묶여 있음을 인정한다.

규모 확대는 더 큰 구매 계약, 향상된 칩 활용률, 더 효율적인 데이터센터를 통해 도움이 될 수 있다. 하지만 인기 있는 추론 시스템이 답변 하나당 더 많은 컴퓨팅을 소비하면 부담이 될 수 있다.

추론 모델은 결과를 반환하기 전에 중간 단계를 생성하고 평가한다. 이 과정은 성능을 높일 수 있지만, 더 많은 토큰과 처리 시간을 필요로 하는 경우가 많다.

그에 따른 경제성은 워크로드 설계에 따라 달라진다. 짧은 분류 요청은 긴 리서치 작업과 다르다. 코드 생성은 이미지 생성과 다르다. 소비자용 채팅은 내부 시스템에 연결된 엔터프라이즈 에이전트와 다르다.

하나의 평균 비용으로 이 모든 것을 설명할 수는 없다. 이러한 복잡성은 보편적 수익성이나 보편적 손실에 관한 광범위한 주장 모두를 똑같이 신뢰하기 어렵게 만든다.

업계의 가장 강력한 반론은 하락하는 추론 가격에서 나온다. Stanford의 AI Index는 GPT-3.5 수준의 추론 비용이 2022년 11월부터 2024년 10월 사이 280배 이상 하락했다고 밝혔다.

이는 상당한 개선이다. 기본적인 사용자 경험을 바꾸지 않고도 한때 불가능해 보였던 애플리케이션이 감당 가능한 수준이 될 수 있음을 뜻한다.

비용 하락은 소비를 늘릴 수도 있다. 개발자는 더 많은 요청을 보내거나, 더 긴 컨텍스트를 사용하거나, 이전에는 수동 검토가 필요했던 작업에 모델을 배정할 수 있다.

이러한 반등은 낙관적인 전망을 복잡하게 만든다. 사용량이 단위 비용 하락보다 더 빠르게 늘어날 경우, 효율성 향상이 총 인프라 수요를 자동으로 줄이지는 않는다.

이는 버블 논거도 복잡하게 만든다. 경제성이 빠르게 개선되는 제품 범주를 초기 비용 구조만으로 판단할 수는 없다.

더 유용한 구분은 기술적 효율성과 사업 효율성 사이에 있다. 기술적 효율성은 컴퓨팅 단위당 산출량을 측정한다. 사업 효율성은 지출 1달러당 매출총이익과 고객 가치를 측정한다.

제공업체는 공격적인 할인으로 두 번째를 훼손하면서 첫 번째를 개선할 수 있다. 반대로 모델을 고가치 작업에 투입해 사업 효율성을 높일 수도 있다.

소프트웨어 개발은 구체적인 사례를 제공한다. 복잡한 마이그레이션에서 수 시간을 절약해 주는 코딩 어시스턴트는 상당한 컴퓨팅 비용을 정당화할 수 있다.

신뢰할 수 없는 보일러플레이트를 만드는 어시스턴트는 작업을 검토와 디버깅으로 옮길 수 있다. 그러면 높은 사용량은 경제적 가치를 확인하지 못한 채 도입 규모만 과장하게 된다.

같은 기준은 엔터프라이즈 검색에도 적용된다. 묻혀 있던 정책이나 계약 조항을 찾아주는 모델은 조사 시간을 줄일 수 있다. 부정확한 답변은 법적 또는 운영상 위험을 만들 수 있다.

팀에는 추적 가능한 출처 자료, 평가 절차, 사람의 검토가 필요하다. 검색 가능한 AI knowledge base는 그 과정을 지원할 수 있지만, 판단의 필요성을 없애지는 않는다.

바로 이 지점에서 AI 버블 논쟁은 구매자에게 실질적인 문제가 된다. 기업은 AI가 전반적으로 혁신적인지 묻기보다, 오류와 감독 비용을 고려한 뒤 하나의 명확히 정의된 워크플로가 개선되는지를 측정해야 한다.

업계는 규모가 경제성을 해결할 것이라고 고객들이 믿기를 바란다. Zitron의 비판은 규모가 기업들이 명확히 공개하지 않은 비용을 단지 증폭시키는 것은 아닌지 묻는다.

이제 양측 모두 근거를 갖고 있다. 그러나 어느 쪽도 최종 결과를 단언할 만큼 충분한 근거를 갖고 있지는 않다.

AI 버블 관련 수치가 여전히 입증하지 못하는 것

막대한 지출 총액은 노출도를 보여주지만, 붕괴가 임박했다거나 투자가 합리적이라는 점을 입증하지는 않는다.

버블 진단에는 고가 자산과 홍보성 표현 이상의 것이 필요하다. 일반적으로 개연성 있는 미래 현금흐름으로 뒷받침할 수 없는 가격이나 금융 약정이 수반된다.

상장 하이퍼스케일러들은 기존 사업 덕분에 여전히 수익을 내고 있다. 광고, 클라우드 소프트웨어, 상거래, 운영체제 프랜차이즈는 수년간 AI 투자를 감당할 수 있다.

이 때문에 현재의 사이클은 외부 자금 조달에만 의존하는 스타트업들의 집합과는 다르다. 동시에 실제 경제성을 파악하기도 더 어렵다.

기존 매출은 실험을 보조할 수 있다. AI는 별도 항목으로 드러나지 않으면서도 기존 제품을 강화할 수 있다.

Google은 Gemini를 별도로 제공하는 한편 머신러닝으로 광고 시스템을 개선할 수 있다. Microsoft는 한 AI 어시스턴트의 마진이 낮더라도 모델 접근을 제공함으로써 Azure 관계를 지킬 수 있다.

Meta는 생성형 제품과 함께 추천 및 광고를 위해 AI 인프라를 사용할 수 있다. Amazon은 자체 모델과 애플리케이션을 실험하면서 컴퓨팅 용량을 판매할 수 있다.

비판론자는 기업들이 수익성 높은 레거시 사업을 이용해 투기적 투자를 감춘다고 합리적으로 주장할 수 있다. 낙관론자는 통합된 수익이야말로 전체 전략이라고 합리적으로 주장할 수 있다.

챗봇 구독자 수만으로는 어느 쪽 입장도 결론지을 수 없다.

비공개 모델 개발사들은 별도의 검증 문제를 만든다. 이들은 완전한 감사 재무제표를 공개하지 않은 채 일부 매출, 기업가치, 사용량, 파트너십 수치만 공개한다.

보고된 매출은 빠르게 늘어나는 동시에 손실도 커질 수 있다. 계약 매출은 인식 매출과 다를 수 있다. 컴퓨팅 약정은 여러 해에 걸쳐 이어질 수 있으며 재협상 가능한 조건을 포함할 수 있다.

따라서 독자들은 유출된 전망치를 이미 달성된 결과가 아니라 주장으로 받아들여야 한다. 불가피한 파산 전망에도 같은 주의가 필요하다.

Zitron의 비판은 현금흐름 불일치, 순환 금융, 또는 공개되지 않은 의존성을 지적할 때 가장 설득력이 있다. 모든 유용한 애플리케이션을 낭비의 증거로 간주할 때는 설득력이 떨어진다.

AI 시스템은 분명 일부 환경에서 가치를 제공한다. 어려운 질문은 그 가치의 규모, 지속성, 그리고 분배에 관한 것이다.

이 기술은 재무 보고에 간접적으로 반영될 수 있는 전략적 가치도 지닌다. 기업은 고객이 경쟁 플랫폼으로 이동하는 것을 막기 위해 방어적으로 지출할 수 있다.

독립 제품의 수익이 크지 않더라도 방어적 지출은 합리적일 수 있다. 동시에 모든 참여자가 낮은 수익을 얻는 군비 경쟁을 촉발할 수도 있다.

역사는 양쪽 사례를 모두 보여준다. 통신 기업들은 닷컴 시대에 광섬유를 과도하게 구축해 큰 손실을 냈지만, 유용한 인프라도 남겼다.

클라우드 컴퓨팅은 주요 수익원이 되기까지 수년간의 투자가 필요했다. 과거의 과잉 투자가 존재했다는 사실만으로 AI에 어떤 비유가 들어맞는지는 결정되지 않는다.

회의론적 논리에도 명확한 실패 메커니즘이 필요하다. 높은 자본 지출만으로 수익성 있는 기업이 멈추게 되지는 않는다.

압력은 클라우드 수요 감소, 낮은 가동률, 가격 하락, 감가상각 증가, 자금 조달 스트레스, 또는 고객 저항을 통해 커질 수 있다. 여러 신호가 함께 나타날 가능성이 높다.

단일 모델의 실망스러운 성과만으로는 충분하지 않다. 비공개 스타트업 한 곳의 실패가 하이퍼스케일러 투자를 반드시 끝내지는 않는다.

반대로, 강력한 클라우드 분기 실적 하나가 모든 데이터센터를 정당화하지는 않는다. 생산적인 애플리케이션 하나가 모든 모델 기업가치를 뒷받침하지도 않는다.

현재 증거가 뒷받침하는 결론은 더 제한적이다. 업계는 투명한 수익이 확인되기 전에 막대한 약정을 맺었다.

이는 실질적인 위험이다. 이를 확정된 붕괴라고 부르는 것은 증거를 넘어선다.

지출이 둔화될 경우 가장 큰 압박을 받을 곳

AI 지출 조정의 첫 희생자는 모든 AI 사용자가 아니라, 노출도가 높은 공급업체와 자금 조달 기반의 인프라 프로젝트가 될 것이다.

AI 공급망에는 완충 여력이 매우 다른 기업들이 있다. 하이퍼스케일러는 다각화된 사업에서 현금을 창출한다. 모델 스타트업은 투자자 지원과 컴퓨팅 파트너십에 더 직접적으로 의존한다.

데이터센터 개발업체는 소수 고객에게 의존할 수 있다. 칩 공급업체는 이 고객들이 부족한 가속기를 놓고 경쟁할 때 이익을 얻는다.

전력 공급업체, 네트워킹 벤더, 메모리 생산업체, 냉각 전문업체, 건설 기업은 같은 투자 사슬에서 더 아래쪽에 위치한다.

따라서 둔화는 불균등하게 진행될 것이다. 구매자들은 설치된 시스템을 계속 운영하면서 신규 캠퍼스를 미룰 수 있다. AI를 포기하는 대신 더 작은 모델로 워크로드를 옮길 수도 있다.

또한 모델 제공업체에 더 낮은 가격을 요구할 수 있다. 이는 엔터프라이즈 고객에게 도움이 되는 반면 제공업체의 마진은 압박한다.

Nvidia는 현재 훈련 및 추론 용량의 상당 부분을 가능하게 하는 가속기 덕분에 호황의 가장 분명한 상징이다. 그러나 그 경제성은 모델 연구소의 경제성과 다르다.

칩 판매는 공급업체에 인식 매출을 만들어낸다. 이후 구매자가 가동률과 감가상각 위험을 부담한다.

이 차이는 AI 버블을 평가할 때 중요하다. 수익성이 없는 애플리케이션도 구축 단계에서는 수익성 있는 하드웨어 판매를 만들어낼 수 있다.

위험은 고객들이 추가 용량으로 충분한 수익을 낼 수 없다고 판단할 때 도래한다. 기존 애플리케이션이 사라지기 전에 주문이 둔화될 수 있다.

퍼블릭 클라우드 제공업체는 다른 계산을 한다. 이들은 외부 고객에게 인프라를 임대하거나, 내부적으로 사용하거나, 워크로드 전반에 재배치할 수 있다.

이 유연성은 단일 제품 위험을 줄인다. 그렇다고 과잉 용량이나 낮은 수익 가능성이 사라지는 것은 아니다.

비공개 AI 연구소는 컴퓨팅이 제품 제공과 연구 모두의 핵심이기 때문에 더 큰 압박을 받는다. 사용량 증가는 매출과 운영비를 함께 늘릴 수 있다.

이들의 협상력은 모델 품질, 고객 충성도, 경쟁 인프라 공급업체에 대한 접근성에 달려 있다. 파트너십은 즉각적인 현금 수요를 줄일 수 있지만 장기적인 의무를 만들 수 있다.

엔터프라이즈 구매자는 더 조용한 위험에 직면한다. 제공업체가 지속 가능한 마진을 찾는 과정에서 가격, 모델 또는 조건이 바뀌는 도구에 의존하게 될 수 있다.

파일럿은 프로모션 가격에서는 매력적으로 보일 수 있다. 프로덕션 배포는 더 높은 사용량, 컴플라이언스 요구사항, 평가 비용, 벤더 변경을 견뎌야 한다.

AI가 일상 업무에 내재화되면 지식 근로자도 전환 비용을 부담한다. 모델 교체는 결과물의 품질, 동작 방식 또는 기존 프롬프트와의 호환성을 바꿀 수 있다.

팀은 원본 문서, 내보낼 수 있는 노트, 벤더 독립적인 워크플로를 보존해야 한다. 개인 지식 시스템은 하나의 모델 인터페이스에 대한 의존도를 낮출 수 있다.

이는 AI 도구를 거부해야 한다는 뜻이 아니다. 모델을 조직 메모리의 영구 저장소가 아니라 교체 가능한 구성 요소로 다뤄야 한다는 의미다.

지출이 둔화되면 유용한 애플리케이션은 더 저렴한 모델, 더 좁은 범위의 시스템, 더 규율 있는 조달을 통해 살아남아야 한다. 주로 투자자 보조금으로 유지되는 취약한 제품은 더 큰 압박을 받을 것이다.

이 결과는 인공지능의 소멸이 아니라 시장 조정에 가까울 것이다.

가장 가혹한 조정은 끊김 없는 성장을 전제로 한 기업가치의 기업들에 닿을 것이다. 낙관적인 용량 가정을 바탕으로 자금을 조달한 프로젝트에도 영향을 미칠 것이다.

따라서 Zitron의 경고는 주주를 넘어 관련성이 있다. 과잉 구축은 에너지 계획, 지역 인프라, 고용, 고객 계약에 영향을 줄 수 있다.

그러나 위험의 분포는 헤드라인상의 규모보다 더 중요하다. 하이퍼스케일러, 모델 스타트업, 소프트웨어 구매자는 같은 베팅을 하고 있지 않다.

Google News 독자가 다음에 주목해야 할 사항

세 가지 신호가 버블 논지가 강화되고 있는지를 보여줄 것이다. 가동률, AI 연계 마진, 그리고 자본 지출의 지속적인 변화다.

첫 번째 신호는 데이터센터 가동률이다. 기업들은 현재 공급 제약과 고객 수요를 강조하고 있다.

그 표현의 변화를 주시해야 한다. 프로젝트 지연, 더 짧은 임대 기간, 이용 가능한 가속기 용량, 또는 약화된 클라우드 수주잔고는 예상 수요가 도착하지 않고 있음을 시사할 수 있다.

높은 가동률은 반대 견해를 뒷받침할 것이다. 모든 워크로드가 성숙한 마진에 도달하기 전에도 고객들이 용량을 흡수하고 있음을 보여줄 것이다.

가동률만으로 수익성을 확정할 수는 없다. 그러나 과잉 구축이 물리적 인프라에서 가시화되고 있는지는 드러낸다.

두 번째 신호는 AI 서비스와 연결된 마진 공개다. 투자자에게는 사용자 수, 토큰 규모, 또는 일반화된 클라우드 성장 이상의 정보가 필요하다.

이들은 제공 비용, 할인, 고객 유지율, 매출 성장과 컴퓨팅 비용의 관계에 관한 증거가 필요하다.

매출총이익률은 직접 제공 비용을 제외하고 남는 매출을 측정한다. 이는 기업가치나 연환산 매출보다 모델 경제성을 더 명확하게 보여준다.

상장 기업들은 이 수치를 별도로 공개하지 않을 수 있다. 비공개 개발사의 공시 요건은 더욱 적다.

이런 부재는 Zitron의 비판을 계속 살아 있게 할 것이다. 투명하고 개선되는 마진은 그의 버블 주장 가운데 가장 강한 형태를 약화시킬 것이다.

세 번째 신호는 여러 하이퍼스케일러에 걸친 계획 자본 지출의 지속적인 감소다. 인허가, 전력, 장비가 프로젝트 일정을 바꿀 수 있으므로 캠퍼스 하나의 지연은 큰 의미가 없을 것이다.

조율된 축소는 경영진이 더 낮은 수익이나 충분한 용량을 보고 있음을 의미할 것이다. 지속적인 증가는 자신감을 보여주겠지만, 반드시 정당성을 입증하지는 않는다.

지출의 질도 중요하다. 기업들은 자본을 추론, 자체 칩, 네트워킹 또는 장기 사용 건물로 재배치할 수 있다.

더 저렴하고 특화된 하드웨어로의 전환은 총지출을 줄이지 않고도 경제성을 개선할 수 있다. 투기적 캠퍼스로의 전환은 장기 노출을 키울 수 있다.

독자들은 보도와 집계를 구분해야 한다. Google News는 AI 버블 논쟁이 확산되고 있음을 보여줄 수 있지만, 그 헤드라인이 어느 한쪽의 주장을 검증하는 것은 아니다.

기초 자료, 공시, 재무 정의는 피드에 있는 유사한 기사 수보다 더 중요하다.

Zitron의 비판은 업계가 종종 열망을 제시하는 곳에서 회계를 요구하기 때문에 주목할 가치가 있다. 그의 결론 역시 그가 기업 주장에 적용하는 것과 같은 검증을 받아야 한다.

낙관론도 규율이 필요하다. 추론 비용 하락, 클라우드 수요 증가, 유용한 애플리케이션은 오늘날의 기업가치가 유지될 것을 보장하지 않는다.

가장 가능성 높은 결과는 하나의 깔끔한 판결이 아니다. 일부 인프라는 높은 수익을 낼 것이고, 일부는 손상 처리될 것이며, 일부 보조금 기반 제품은 더 비싸질 것이다.

개발자는 모델 가격과 용량 가용성을 지켜봐야 한다. 엔터프라이즈 구매자는 워크플로 결과와 전환 비용을 측정해야 한다. 지식 근로자는 기반 정보에 대한 접근권을 보존해야 한다.

독자들이 AI가 실재하는지 묻는 데서 멈출 때 AI 버블 문제는 실행 가능한 질문이 된다. 더 나은 질문은 보조금, 할인, 인프라 비용이 가시화된 뒤에도 어떤 매출이 남는가이다.

다음 실적 시즌은 이 기준으로 지켜봐야 한다. 헤드라인상의 도입률이 아니라 자본 지출을 가동률, 감가상각, 공개된 AI 마진과 비교하라.

이 지표들이 함께 개선된다면 가장 강한 붕괴 논지는 약화된다. 지출은 늘어나는데 수익은 여전히 불투명하다면 Ed Zitron의 경고는 더 무게를 얻는다.

그것이야말로 다음 Google News 헤드라인 너머에서도 주목할 만한 신호다.