Gartner AI 인프라 리스크, 3조5,000억 달러 규모 손상차손 위험 구간 진입

Gartner는 2030년까지 계획된 지출 가운데 3조5,000억 달러 이상이 AI 인프라 리스크 구간에 놓여 있다고 밝혔다. 이 경고는 현재의 구축 경쟁을 뒷받침하는 핵심 전제, 즉 수요가 갈수록 비싸지는 데이터센터를 수익성 있게 만들 만큼 빠르게 성장할 것이라는 가정에 의문을 제기한다.

이 조사기관은 AI 제공업체들이 2026년에 인프라에 거의 1조 달러를 지출할 것으로 예상한다. 이어 2027년부터 2030년까지 추가로 6조 달러가 투자될 것으로 전망했다. 그러나 업계의 예상 매출은 이러한 자산 투자를 정당화하는 데 필요한 수익에 크게 못 미친다.

이는 인공지능이 금융 버블 안에 있는지를 둘러싼 또 하나의 논쟁에 그치지 않는다. Gartner의 손상차손 전망은 자본 지출과 매출 사이의 측정 가능한 충돌을 짚어낸다.

이 충돌은 인프라 소유자를 두 부류로 나누기도 한다. 사업이 다각화된 클라우드 플랫폼은 더 폭넓은 사업 영역에서 낮은 수익률을 흡수할 수 있다. 반면 특화 AI 클라우드 사업자는 대개 차입 자본, 고가 하드웨어, 집중된 고객 수요에 의존한다.

이 차이는 Amazon Web Services, Microsoft Azure, Google Cloud보다 네오클라우드에 더 큰 압박을 가한다. 네오클라우드는 일반적으로 그래픽 프로세서를 중심으로 구축된 가속 컴퓨팅 용량을 임대하는 특화 사업자다.

따라서 Gartner의 AI 인프라 리스크는 회계 문제를 넘어선다. 이는 낮은 가격, 노후화되는 하드웨어, 금융 비용, 느린 기업 도입을 동시에 견뎌낼 수 있는 사업자가 누구인지 시험한다.

Gartner AI 인프라 리스크는 4조9,000억 달러의 격차에서 시작된다

Gartner의 핵심 결론은 인프라 소유자에게 필요한 매출과 시장이 창출할 것으로 예상되는 매출 사이에 불일치가 있다는 것이다.

Gartner에 따르면 AI 데이터센터 소유자들은 2030년까지 누적으로 8조5,000억 달러의 매출이 필요하다. 이 금액은 발표된 자본 지출, 금융 비용, 투자자본수익률 12%를 충당하기 위한 수준이다.

Gartner는 같은 기간 AI에 귀속되는 기업 및 소비자 매출이 3조6,000억 달러를 넘지 않을 것으로 전망한다. 이 매출이 가치사슬 전반에 어떻게 배분되는지를 고려하기 전에도 격차는 4조9,000억 달러에 달한다.

인프라 소유자가 AI 제품에서 발생하는 매출 대부분을 반드시 가져가는 것은 아니다. 모델 개발업체, 소프트웨어 기업, 컨설팅 업체, 애플리케이션 제공업체, 유통업체 모두가 몫을 가져간다.

Gartner는 AI 귀속 매출의 절반 미만만이 상당한 규모의 인프라를 소유한 제공업체에 돌아갈 것으로 예상한다. 많은 AI 네이티브 기업은 자산 경량형 모델을 활용하고 컴퓨팅 용량을 임대한다.

이 같은 배분 구조는 표면적인 매출 격차를 더 심각하게 만든다. 데이터센터 소유자는 자산과 금융 의무를 떠안지만, 다른 기업들은 애플리케이션 매출의 상당 부분을 확보할 수 있다.

Gartner는 3조5,000억 달러가 반드시 사라질 것이라고 말하는 것은 아니다. 현재의 투자 궤적이 이어질 경우 그 금액이 손상차손 위험에 노출될 수 있다는 것이 이 회사의 설명이다.

손상은 자산의 장부상 가치가 합리적으로 창출할 수 있는 경제적 효익을 초과할 때 발생한다. 이후 소유자는 재무제표에서 해당 자산의 가치를 낮춘다.

이 구분은 노출 위험이 실현된 손실과 같지 않기 때문에 중요하다. 프로젝트는 연기될 수 있고, 용량은 다른 용도로 전환될 수 있으며, 손상이 필요해지기 전에 지출 계획을 축소할 수도 있다.

그러나 이런 조정 역시 최초의 수요 가정이 지나치게 낙관적이었다는 신호가 된다. 공식적인 상각 없이도 낮은 마진, 프로젝트 취소, 업계 통합으로 이어질 수 있다.

초기 상각 경고는 투자자들이 이미 AI 구축 경쟁의 경제성을 의심하던 시점에 나왔다. 그 규모는 이 논쟁에 더 분명한 재무적 구조를 부여한다.

투자가 Gartner가 가정한 경로를 따라 계속된다면, 2032년까지 4조 달러가 넘는 자산 가치가 상각 위험에 직면할 수 있다. Gartner는 업계가 2032년 말 이전에는 가정한 12% 수익률에 도달하지 못할 것으로 본다.

이처럼 길어진 시간표는 인프라 소유자가 마주한 질문을 바꾼다. 기대 수익이 투입 자본을 따라잡기 전까지 수년간 확장을 위한 자금을 조달해야 한다.

따라서 Gartner AI 인프라 리스크는 시점의 문제이자 매출의 문제다. 수요가 빠르게 증가하더라도, 이를 위해 구축된 자산을 뒷받침하기에는 너무 늦게 도달할 수 있다.

AI 지출은 검증된 수요보다 앞서 달리고 있다

현재의 구축 경쟁은 미래 AI 워크로드가 현 시점의 기업 도입만으로는 아직 입증되지 않은 규모로 수익화될 것이라는 가정에 기반한다.

AI 모델에는 특화 프로세서, 고대역폭 메모리, 네트워킹 장비, 냉각 시스템, 건물, 안정적인 전력이 필요하다. 이들 구성 요소 대부분은 제공업체가 고객의 실제 사용량을 파악하기 전에 확보해야 한다.

이 순서는 까다로운 투자 사이클을 만든다. 제공업체는 먼저 용량을 구축하지만, 사용량, 가격, 고객 유지율, 소프트웨어 비즈니스 모델은 여전히 불확실하다.

수요가 분명해진 뒤에는 용량을 즉시 확보할 수 없다. 데이터센터 개발에는 토지, 인허가, 전력 계약, 전력망 연결, 장비 발주, 건설, 테스트가 수반된다.

검증된 수요를 기다리면 제공업체는 충분한 용량을 확보하지 못할 수 있다. 너무 일찍 구축하면 이자와 금융 비용이 계속 발생하는 동안 고가의 하드웨어가 충분히 활용되지 못할 수 있다.

업계는 대체로 두 번째 위험을 선택했다. 주요 클라우드 기업과 특화 사업자들은 매출 모델이 성숙하기 전에 프로세서, 전력, 입지, 고객을 놓고 경쟁하고 있다.

이 선택에는 합리적인 근거도 있다. 더 큰 모델을 학습하려면 상당한 컴퓨팅 자원이 필요하다. 널리 사용되는 AI 애플리케이션을 서비스하는 데는 사용자가 요청을 보낼 때마다 추론이 발생하기 때문에 더 많은 용량이 필요할 수 있다.

기업들도 실험 단계에서 실제 운영 시스템으로 옮겨가고 있다. 고객 서비스, 소프트웨어 개발, 문서 분석, 검색, 보안, 연구는 모두 반복적인 추론 워크로드를 만들어낸다.

그러나 기술적 사용량이 인프라 수준의 수익을 자동으로 만드는 것은 아니다. 제공업체는 하드웨어 감가상각, 에너지, 네트워킹, 금융, 인력, 유지보수 비용을 웃도는 매출로 이러한 사용량을 전환해야 한다.

가격 경쟁은 이 전환을 더 어렵게 만든다. 모델 개발업체들은 일반적인 추론 작업의 비용을 낮추면서 성능을 지속적으로 개선해 왔다. 하드웨어와 소프트웨어 최적화 역시 응답 하나당 필요한 컴퓨팅 자원을 줄일 수 있다.

이런 개선은 수요를 자극할 수 있다. 동시에 전체 사용량이 증가하는 속도보다 컴퓨팅 단위당 매출을 더 빠르게 약화시킬 수도 있다.

이는 익숙한 기술의 역설을 만든다. 더 저렴한 컴퓨팅은 시장을 확대하지만, 인프라 소유자는 하락하는 단가와 빠르게 노후화되는 장비를 상쇄할 만큼 충분한 물량이 필요하다.

독립 연구는 이미 물리적 구축 규모를 제시한 바 있다. 2025년 컴퓨팅 투자 분석은 전 세계 데이터센터에 2030년까지 6조7,000억 달러가 필요할 것으로 추정했다.

이 추정에는 AI 워크로드를 처리하는 시설에 필요한 5조2,000억 달러와 기존 컴퓨팅에 필요한 1조5,000억 달러가 포함됐다. 또한 과잉투자는 자산을 유휴화할 수 있고, 과소투자는 성장을 제약할 수 있다고 경고했다.

Gartner의 분석은 이 건설 물결을 AI 귀속 매출 및 요구 수익률과 비교함으로써 한발 더 나아간다. 이 비교는 용량 전망을 지급능력 시험으로 바꾼다.

모델 수요 증가만으로 AI 지출을 설명하면 이러한 재무적 층위를 놓치게 된다. 토큰, 에이전트, 기업 배포가 늘어난다고 해서 인프라 소유자가 충분한 가치를 확보하는 것은 아니다.

가장 중요한 수치는 전체 AI 사용량이 아니다. 칩과 최종 애플리케이션 사이의 모든 참여자가 몫을 가져간 뒤 남는 마진이다.

이 마진은 해당 하드웨어가 경쟁력을 잃기 전에 확보돼야 한다. 프로세서는 계속 작동하더라도 전력당 성능이 더 뛰어난 최신 시스템과 비교하면 경제적으로는 구식이 될 수 있다.

Gartner AI 인프라 리스크는 수익성 있는 워크로드보다 용량이 더 빠르게 확대될 때 커진다. 최신 하드웨어가 이전 사이클에 구매한 장비의 가치를 낮출 때 다시 커진다.

네오클라우드는 가장 엄격한 시험에 직면한다

특화 AI 인프라 제공업체는 집중된 매출 구조와 빠르게 경제적 가치를 잃을 수 있는 자산을 함께 안고 있다.

Gartner는 2030년까지 네오클라우드 제공업체의 80% 이상이 독립 운영을 중단할 것으로 예측한다. 이는 실패, 인수, 합병 또는 대형 플랫폼으로의 통합을 포함할 수 있다.

이 전망은 80%가 단순히 문을 닫는다는 뜻은 아니다. 비용 압박이 약한 차별성을 드러내면서 시장이 통합될 가능성이 높다는 설명이다.

네오클라우드는 가속 컴퓨팅 수요가 기존 클라우드 플랫폼의 가용 용량을 초과하면서 등장했다. 이들은 프로세서를 확보하고 클러스터를 구성한 뒤 모델 개발업체나 기업 고객에게 임대할 수 있었다.

이 모델은 컴퓨팅 자원이 부족할 때 특히 잘 작동한다. 고객은 접근성 자체에 가치가 있기 때문에 더 높은 가격, 장기 약정, 제한된 유연성을 감수한다.

더 많은 시설이 가동되면 희소성은 사라질 수 있다. 고객은 이후 가격, 신뢰성, 소프트웨어, 네트워킹, 지리적 범위, 지원 서비스를 기준으로 제공업체를 비교할 수 있다.

유사한 하드웨어를 폭넓게 임대하는 사업자는 경쟁업체가 같은 프로세서를 제공할 때 방어력이 제한적이다. 계약은 단기 매출을 뒷받침할 수 있지만, 갱신은 미래 가격과 고객 요구사항에 달려 있다.

금융 조달은 또 다른 압박 지점이다. 특화 사업자는 사업이 다각화된 기술 기업이 보유한 광고, 커머스, 생산성 소프트웨어, 확립된 클라우드 매출이 부족한 경우가 많다.

따라서 수요가 형성되는 동안 인프라 비용을 보조할 여지가 더 적다. 시설 지연, 고객 이탈, 재융자 문제, 급격한 가격 하락은 사업 전체에 영향을 미칠 수 있다.

고객 집중도는 이런 충격을 증폭시킬 수 있다. 대형 모델 개발업체가 상당한 확장을 뒷받침할 수 있지만, 해당 고객이 수요를 줄이거나 공급업체를 바꾸면 제공업체는 취약해진다.

하드웨어는 작동을 멈추기 전에 경제적으로 감가된다. 새로운 가속기는 더 나은 학습 속도, 메모리 용량, 네트워킹 또는 에너지 효율을 제공할 수 있다.

구형 프로세서도 추론이나 덜 까다로운 워크로드에는 여전히 유용할 수 있다. 그러나 이를 그런 시장으로 옮기려면 대개 더 낮은 임대료를 받아들여야 한다.

데이터센터 자체의 유효 수명은 서버보다 길다. 그러나 고밀도 AI 클러스터를 위해 구성된 건물은 냉각, 전력 공급, 네트워킹 요구사항이 바뀔 경우 추가 지출이 필요할 수 있다.

Gartner의 논지는 레버리지, 집중된 고객, 차별화되지 않은 용량이 겹치는 곳에서 가장 강력하다. 이 요인들은 임대료 하락을 손상차손이나 구조조정으로 이어지게 할 수 있다.

경고 이후 시장의 반응도 이러한 우려를 반영했다. 투자자들이 예상 수익을 재평가하면서 특화 컴퓨팅 및 데이터센터 용량 관련 주식은 압박을 받았다.

단기적인 주가 움직임이 Gartner의 전망을 입증하는 것은 아니다. 다만 자본시장이 매출 성장과 지속 가능한 인프라 경제성의 차이를 인식하고 있음을 보여준다.

네오클라우드는 장기 계약을 확보하고, 전력 비용을 통제하며, 고객의 전환 비용을 높이는 소프트웨어를 구축함으로써 이러한 압력에 대응할 수 있다. 또한 운영 전문성이 중요한 워크로드에 특화할 수도 있다.

이러한 방어 수단에는 단순한 프로세서 가용성 이상이 필요하다. 원시 컴퓨팅 용량을 더 쉽게 확보할 수 있게 된 이후에도 가치를 유지하는 차별화된 서비스가 필요하다.

이것이 Gartner의 AI 손상차손 전망이 업계 통합을 가리키는 이유다. 규모는 구매, 자금 조달, 가동률, 고객 다변화를 개선할 수 있으며, 인수는 자산을 더 탄탄한 재무제표로 옮길 수 있다.

통합은 물리적 용량의 상당 부분을 보존할 수 있다. 다만 많은 기존 운영업체가 충분한 독립 수익을 창출하지 못했다는 사실은 여전히 확인될 것이다.

하이퍼스케일러는 투자 확대를 방어할 여지가 더 크다

Amazon, Microsoft, Google은 동일한 인프라 경제성에 직면해 있지만, 더 폭넓은 사업 구조 덕분에 AI 가치를 포착할 수 있는 방법이 더 많다.

하이퍼스케일러는 전 세계 규모로 컴퓨팅 인프라를 운영하며 AI 이외의 다양한 서비스를 지원한다. 이러한 포트폴리오는 전문 공급업체와는 다른 투자 근거를 만든다.

클라우드 플랫폼은 스토리지, 데이터베이스, 네트워킹, 보안, 개발자 도구, 기존 컴퓨팅 서비스에서 수익을 얻을 수 있다. AI 워크로드는 이러한 연관 사업도 강화할 수 있다.

이들 플랫폼은 인프라와 애플리케이션 사이의 경로를 더 많이 통제한다. 가속기를 임대하고, 관리형 모델 액세스를 판매하며, 고객 데이터를 호스팅하고, AI 시스템 배포 도구를 제공할 수 있다.

인프라를 내부적으로 활용할 수도 있다. 검색, 광고, 추천, 생산성 소프트웨어, 커머스, 고객 지원은 외부 클라우드 매출로 드러나지 않는 워크로드를 모두 만들어 낸다.

이처럼 광범위한 가치 포착이 Gartner의 AI 인프라 위험을 없애는 것은 아니다. 다만 하이퍼스케일러에는 여러 수익원에 걸쳐 지출을 정당화할 기회가 더 많다.

Amazon Web Services는 Gartner가 분석 결과를 발표한 뒤 직접적인 반론을 제시했다. AWS 재무 책임자 John Felton은 회사의 자본 지출이 의미 있는 혁신과 고객 수요를 뒷받침하고 있다고 말했다.

그는 2분기에 보고된 약 5,000억 달러의 수주 잔고를 언급했다. AWS는 이 수요가 대기업, AI 연구소, 중소기업에서 나왔다고 밝혔다.

AWS 투자 논거에 따르면, 고객들이 장기 사용을 약정하고 있기 때문에 회사는 투자에 대해 여전히 확신을 갖고 있다. AWS는 분기 매출이 전년 동기 대비 36.7% 증가한 422억 달러를 기록했다고 보고했다.

수주 잔고는 가시성을 제공하지만, 수익률 문제를 완전히 해결하지는 못한다. 계약은 수년에 걸칠 수 있고 서비스 의무를 포함할 수 있으며, 전문 AI 인프라와 무관한 워크로드도 포함할 수 있다.

매출 성장 역시 투자자본수익률과는 다르다. 기업은 빠르게 확장하면서도 투자 비용과 위험에 못 미치는 수익률을 낼 수 있다.

그럼에도 AWS의 대응은 Gartner 모델에 대한 가장 강력한 반박을 제시한다. 수요 가시성과 다변화된 매출은 대형 플랫폼이 사이클의 약한 구간에서도 투자를 지속하게 할 수 있다.

하이퍼스케일러는 더 광범위한 클라우드 전략을 포기하지 않고도 특정 건설 부문을 늦출 수 있다. 하드웨어를 재배치하고, 구매 일정을 재협상하거나, 수요가 더 강한 시설을 우선시할 수 있다.

이들의 구매 규모는 장비 및 자금 조달 비용을 낮출 수 있다. 전 세계에 걸친 인프라는 전력, 규제 또는 지역 용량이 제약될 때 워크로드를 지역 간에 이동시킬 수 있다.

맞춤형 가속기는 또 다른 방어 수단을 제공한다. 자체 설계 칩은 단일 공급업체 의존도를 줄이고 특정 워크로드의 경제성을 개선할 수 있다.

이 전략에는 자체 비용도 따른다. 프로세서, 소프트웨어, 네트워킹을 설계하려면 지속적인 투자가 필요하며, 고객은 여전히 널리 채택된 시스템과의 호환성을 기대한다.

따라서 이 이야기의 핵심 대립 구도는 Gartner와 한 기업 간의 대결이 아니다. 업계의 매출 약속과 실제 배치된 자본의 경제적 현실 사이의 대립이다.

하이퍼스케일러는 더 많은 방어 수단을 갖고 있지만, 여전히 고객이 대규모로 AI 서비스를 사용해야 한다. 이들의 강점은 훨씬 더 큰 시스템 전반에서 가치를 포착할 수 있다는 데 있다.

3조 5,000억 달러 경고가 입증하지 않는 것

Gartner의 전망은 지출, 매출, 수익률 가정에 기반한 시나리오일 뿐, 피할 수 없는 손실을 감사한 일정표는 아니다.

이 분석은 현재의 투자 궤적이 계속된다고 가정한다. 프로젝트 경제성이 약화되면 공급업체들은 그 궤적을 바꿀 수 있다.

장비가 도착하기 전에도 건설은 지연될 수 있다. 하드웨어 주문을 수정하고, 시설을 단계적으로 개장하며, 계획된 부지를 미개발 상태로 둘 수 있다.

용량 부족은 예상보다 더 오래 가격을 지지할 수도 있다. 전력 접근성, 인허가 지연, 공급 제약, 지역 반대는 시장이 과잉 공급에 이르기 전에 신규 프로젝트를 제한할 수 있다.

이러한 제약은 약한 수요에 노출되는 완공 인프라의 양을 줄일 것이다. 또한 실제로 가동되는 용량의 가치를 높일 수도 있다.

수요는 Gartner의 매출 전망을 넘어설 수 있다. AI 에이전트, 과학 시스템, 로보틱스, 미디어 생성, 코딩 도구, 기업 자동화는 여전히 모델링하기 까다로운 워크로드를 만들어 낼 수 있다.

업계는 더 나은 수익화 방안도 마련할 수 있다. AI 시스템이 가끔 도움을 제공하는 대신 가치 있는 업무를 완수할 때, 기업들은 더 많은 비용을 지불할 수 있다.

그 결과를 위해서는 측정 가능한 경제적 가치가 필요하다. 기업 고객은 결국 반복적인 AI 지출을 정당화할 생산성 향상, 추가 매출 또는 운영비 절감을 필요로 한다.

지식 집약적 기업도 더 작은 규모에서 같은 시험에 직면한다. AI knowledge base는 사람들이 실제 의사결정과 워크플로 안에서 그 결과물을 활용할 수 있을 때만 가치를 만든다.

인프라 공급업체는 이러한 애플리케이션 수준의 성공에 의존한다. 기업 AI가 실험적 예산 항목에 머문다면, 수요는 현재 계획된 모든 데이터센터를 뒷받침하지 못할 것이다.

효율성은 또 다른 불확실성을 만든다. 더 나은 하드웨어, 소형 모델, 캐싱, 양자화, 개선된 소프트웨어는 같은 인프라에서 더 많은 결과물을 낼 수 있다.

효율성은 가동률이 높은 공급업체의 마진을 높일 수 있다. 동시에 일정 규모의 수요를 충족하는 데 필요한 총용량을 줄일 수도 있다.

효과는 탄력성, 즉 비용이 하락할 때 사용량이 얼마나 강하게 반응하는지에 달려 있다. 비용 하락이 훨씬 더 많은 수요를 만든다면 공급업체는 시스템을 계속 바쁘게 운영할 수 있다.

수요가 천천히 증가한다면, 효율성은 새로 구축한 용량을 불필요하게 만들 수 있다. 따라서 동일한 기술 발전이 애플리케이션을 강화하면서도 인프라 소유자를 약화시킬 수 있다.

Gartner의 12% 수익률 가정도 주목할 필요가 있다. 이는 보편적인 회계 기준이 아니라 투자 자본에 대해 해당 회사가 선택한 목표 수익률을 의미한다.

요구 수익률이 낮아지면 모델상 격차는 줄어든다. 자금 조달 비용이 높아지거나 프로젝트 위험이 커지면 격차는 확대된다.

매출 귀속도 또 다른 과제를 만든다. AI는 클라우드 계약, 광고 상품, 소프트웨어 구독, 내부 효율성에 기여하지만, 그 가치를 정확히 배분하기는 어렵다.

좁은 귀속 모델은 인프라가 뒷받침한 매출을 과소평가할 수 있다. 넓은 모델은 기존 시스템이 어차피 창출했을 사업 성과를 AI의 공으로 돌릴 수 있다.

따라서 3조 5,000억 달러라는 수치는 노출 추정치로 읽어야 한다. 이는 Gartner의 가정하에서 불일치의 규모를 보여 주지만, 정확한 자산이나 기업을 특정하지는 않는다.

이 한계가 경고를 사소하게 만드는 것은 아니다. 투자 결정은 그 결과가 관측되기 수년 전에 내려지기 때문에 시나리오 분석은 유용하다.

지출이 이어지는 동안 가동률, 마진, 귀속 가능한 매출이 약세를 유지한다면 Gartner의 AI 손상차손 주장은 더 강해진다. 감가상각이 가속되기 전에 수익성 있는 수요가 따라잡는다면 이 주장은 약해진다.

세 가지 신호가 이 경고의 적중 여부를 결정할 것이다

가동률, 현금 수익률, 업계 통합은 AI 투자 확대가 지속 가능한 인프라 사업을 만들고 있는지, 아니면 좌초 자산을 만들고 있는지를 보여 줄 것이다.

첫 번째 신호는 AI 데이터센터 전반의 공개된 가동률이다. 공급업체들은 완전하고 비교 가능한 지표를 거의 제공하지 않지만, 여러 운영 지표가 방향을 드러낼 수 있다.

투자자들은 임대 가격, 계약 기간, 고객 집중도, 배포 지연, 신규 용량을 채우는 데 걸리는 시간을 살펴봐야 한다. 신규 공실과 함께 가격이 하락한다면 Gartner의 경고를 뒷받침하게 된다.

높은 가동률만으로는 충분하지 않다. 공급업체들은 자금 조달 비용과 감가상각을 충당하지 못하는 할인 계약으로 시설을 채울 수 있다.

더 강력한 신호는 높은 가동률과 안정적인 가격, 개선되는 영업 마진의 결합이다. 이 패턴은 고객이 용량의 경제성을 뒷받침할 만큼 그 가치를 높게 평가한다는 것을 보여 줄 것이다.

두 번째 신호는 주요 플랫폼의 투자자본수익률이다. 자본 지출은 미래 성장을 뒷받침할 수 있지만, 현금 창출은 결국 수익률을 입증해야 한다.

클라우드 매출, 영업 마진, 잉여현금흐름, 감가상각, 구매 약정, 수주 잔고의 매출 전환은 모두 주목할 가치가 있다. 어느 하나의 수치만으로 문제를 해결할 수는 없다.

클라우드 성장이 강하게 유지되고 마진이 증가하는 감가상각을 견뎌 낸다면 하이퍼스케일러의 방어 논리는 신뢰를 얻는다. 매출은 증가하지만 현금 수익률이 지속적으로 하락한다면 Gartner의 AI 인프라 위험은 더 이상 쉽게 무시하기 어렵다.

세 번째 신호는 네오클라우드 통합이다. Gartner는 이들 공급업체의 80% 이상이 2030년까지 독립 운영을 중단할 것으로 예상한다.

인수, 구조조정, 프로젝트 취소, 재무약정 변경, 부실 자산 매각은 초기 증거를 제공할 것이다. 소수의 규모 있는 운영업체로 급격히 쏠리는 현상도 마찬가지다.

통합이 반드시 AI 수요의 붕괴를 의미할 필요는 없다. 수요는 건전하게 유지됐지만 기존 공급업체들이 지속 불가능한 재무 구조를 사용했다는 뜻일 수 있다.

전력 가용성은 세 가지 신호 모두를 좌우할 것이다. 데이터센터는 안정적인 전기나 전력망 연결이 없는 프로세서로 수익을 창출할 수 없다.

에너지 수요 전망은 2030년까지 전 세계 데이터센터 전력 소비량이 약 945테라와트시가 될 것으로 전망한다. 이는 최근 수준의 두 배 이상이다.

AI가 증가분의 상당 부분을 이끌 것으로 예상된다. 그러나 데이터센터는 특정 지역에 수요를 집중시키며, 그곳에서는 송전 및 발전 용량이 결정적인 제약이 될 수 있다.

전력 병목은 완공된 시설을 과잉 공급으로부터 보호할 수 있다. 반면 실질적인 연결 방안 없이 토지와 장비만 확보한 프로젝트를 좌초시킬 수도 있다.

순서가 중요하다. 수익률 약화와 가시적인 초과 용량에도 기업들이 자본을 계속 투입한다면 Gartner의 전망은 더 설득력을 얻는다.

공급업체가 한계 프로젝트를 줄이고, 가동률을 개선하며, 기업 도입을 수익성 있는 반복 수요로 전환한다면 이 전망은 약해진다. 지출 규율은 AI의 더 넓은 중요성을 부정하지 않으면서도 손상을 막을 수 있다.

독자는 인공지능의 성공과 그 인프라에 자금을 대는 모든 기업의 성공을 구분해야 한다. 유용한 기술도 잘못된 가격에 너무 많은 자본을 끌어들일 수 있다.

같은 구분은 이전의 통신 및 컴퓨팅 붐에서도 적용됐다. 과도한 건설은 투자자에게 손실을 입혔지만, 살아남은 인프라는 훗날 가치 있는 서비스를 뒷받침했다.

Gartner의 경고는 인프라 확충이 완료되기 전에 업계가 그 시험에 접근하고 있다고 말한다. 이 모델은 현재 궤적 아래에서 3조 5,000억 달러 이상이 위험에 처한다고 본다.

다음 질문은 AI 사용량이 계속 증가할지 여부가 아니다. 그것은 거의 확실하다. 문제는 매출이 감가상각, 자금 조달 비용, 새로운 경쟁을 앞지를 만큼 빠르게 자산 소유자에게 도달하느냐다.

공급업체가 무엇을 약속하는지가 아니라 무엇을 보고하는지 주시해야 한다. 신규 시설은 지속 가능한 가격 수준에서 가동률을 채우고 있는가? 감가상각 이후에도 수익률은 개선되고 있는가? 전문 사업자들은 독립성을 유지하고 있는가?

이 질문들에 대한 답이 Gartner가 피할 수 있었던 자본 배분 불일치를 짚어낸 것인지, 아니면 역사적 규모의 자산가치 상각 사이클이 시작되는 국면인지 결정하게 될 것이다.