AI 버블은 붕괴한다 — 네오클라우드 절반이 사라질 이유

URL: https://www.youtube.com/watch?v=R1336Jyb-qk 날짜: 2026-08-23 채널: 20VC with Harry Stebbings

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI에 대한 장기 수요와 혁신은 계속되지만, 금융시장 충격이 겹치면 단기 AI 버블은 꺼지고 네오클라우드(Neocloud) 사업자의 최소 절반이 36개월 안에 사라질 수 있다.==

• Jerry Murdock은 이란 전쟁이 장기화되고 금융시장에 조정이 발생할 경우 AI 버블의 붕괴 시점을 2026년 10월부터 2027년 3월 사이로 본다.
• 하이퍼스케일러는 현금흐름과 기존 사업이라는 완충장치가 있어 살아남을 가능성이 높지만, 차입과 GPU 수요에 의존하는 네오클라우드는 자금 조달 중단에 취약하다.
• 장기적으로는 특화·커스터마이즈된 오픈소스 모델, 에이전트 샌드박스, 모델과 인간을 연결하는 운영 계층, 지속학습(continuous learning)이 큰 기회를 만든다.

AI의 총수요는 웹사이트처럼 세계 모든 기업으로 확산될 가능성이 크다. 다만 수요가 존재한다는 사실과 모든 사업자가 살아남는다는 사실은 다르다. 자본이 빠르게 투입되는 초창기에는 시장이 캄브리아기 폭발처럼 팽창하고, 신용경색이 오면 생태계가 무너진 뒤 더 효율적인 기업과 새로운 혁신이 다시 자라난다.

1. AI 버블과 금융시장 조정

AI 혁신 자체보다 부채, 신용시장, 전쟁과 인플레이션이 단기 생존을 좌우한다.

1.1. 버블 붕괴 시점과 과거 기술 사이클

1. 이란 전쟁과 AI 버블의 시간표

   1. 이란 전쟁이 계속 악화되면 시장 조정이 발생하고, 조정의 깊이에 따라 AI 버블이 2026년 10월부터 2027년 3월 사이에 붕괴할 수 있다는 전망이 제시된다.
   2. 전쟁이 인플레이션을 되살리거나 글로벌 자본시장에 충격을 주면, AI 기업이 성장하는 데 필요한 값싼 차입과 투자금이 동시에 위축된다.
   3. 전쟁이 아직 최악의 단계에 이르지 않았다는 점은 오히려 위험을 과소평가하게 만드는 요인이다. 상황이 급격히 무너지면 금융·기술 생태계가 한꺼번에 흔들릴 수 있다.

2. 2001년과 2008년이 보여준 지연 효과

   1. 2001년 닷컴 붕괴 뒤 혁신이 잠시 멈췄지만 LAMP 스택이 등장했고, 웹사이트 구축이 본격화되면서 Google도 성장 궤도에 올랐다.
   2. 2008년 클라우드 컴퓨팅은 기술적으로 가능했어도 금융 충격으로 상거래의 흐름이 늦어져 확산 속도가 느렸다.
   3. 금융 충격은 혁신의 필요를 없애지 않지만, 자본 배치와 고객 구매를 지연시켜 기술 사이클을 몇 년씩 늦춘다.

1.2. AI 사이클의 특수성: 전례 없는 부채

1. 하이퍼스케일러의 차입 부담

   1. Google·Microsoft·Meta·Amazon 같은 하이퍼스케일러는 과거 어느 기술 사이클보다 많은 부채를 떠안고 AI 데이터센터와 컴퓨트 설비를 확장하고 있다.
   2. AI 수요가 단기적으로 줄어들지 않더라도, 신용시장이 닫히면 문제는 수요가 아니라 당장 인프라를 계속 지을 자금을 조달할 수 있느냐로 바뀐다.
   3. Meta의 핵심 사업은 막대한 현금흐름을 만들지만, 현재 자유현금흐름(Free Cash Flow)이 회사 역사상 가장 낮은 수준이라는 지적도 나왔다. 현금창출력이 있어도 AI 투자 규모가 현금을 압도할 수 있다는 뜻이다.

2. 하이퍼스케일러가 다른 사업자보다 유리한 이유

   1. 하이퍼스케일러는 검색·광고·클라우드·소셜·생산성 소프트웨어 등 오래되고 안정적인 사업을 계속 운영한다.
   2. 시장이 붕괴하면 하이퍼스케일러는 다른 기업이 파산하며 내놓는 데이터센터·GPU·인재·고객계약을 더 싼 가격에 인수할 수 있다.
   3. AI 컴퓨트의 장기 수요는 사라지지 않으므로, 단기 신용경색을 견딘 대형 사업자는 오히려 경쟁자 소멸의 수혜자가 된다.

1.3. 신용시장의 경고등

1. 안일함이 가장 먼저 관찰되는 신호

   1. 2008년에도 주택시장 붕괴를 알아차리고 공매도한 소수 외에는 거의 모든 사람이 위험을 보지 못했다.
   2. 신용평가사와 대형 은행의 신용위험 부서는 과거 모기지 부도율이 낮았다는 역사적 경험에 기대어 새로운 레버리지 구조의 위험을 놓쳤다.
   3. 오늘날에도 사모대출(private debt) 시장에서 실제 위험이 큰 대출과 안전한 대출 사이의 스프레드가 지나치게 좁아 위험을 충분히 가격에 반영하지 않는다.

2. 작은 사건들이 보여주는 레버리지 위험

   1. 1990년대 후반에는 장기신용(Long-Term Credit) 문제가 터졌고, 최근에는 Leopold로 지칭된 펀드가 펀드에 얹은 레버리지를 충분히 고려하지 않아 큰 충격을 받았다.
   2. 일본은 엔화를 방어하기 위해 미국의 지원을 받았고, 미국이 일본을 돕는 중요한 이유는 일본이 약 1조 달러의 미국 국채를 보유하고 있기 때문이다.
   3. 일본이 국채 1,000억 달러를 매도하면 시장이 흡수할 수 있지만, 엔화 방어를 위해 3,000억 달러를 한꺼번에 매도하면 즉각적인 글로벌 문제가 될 수 있다.

3. 눈사태에 비유되는 시장 상태

   1. 백컨트리 스키어는 눈이 당장 무너지지 않았더라도 기온·경사·눈층을 보고 눈사태 조건이 좋아졌는지 나빠졌는지 판단한다.
   2. 현재 시장도 작은 충격 하나로 쉽게 전복될 수 있는 상태이며, 이란 전쟁의 악화와 인플레이션 재등장은 그 충격이 될 수 있다.
   3. 붕괴는 하나의 원인으로만 발생하지 않고 전쟁·신용·부채·인플레이션·AI 투자 규모가 겹쳐 임계점을 넘을 때 발생한다.

2. 하이퍼스케일러와 네오클라우드의 생존 경쟁

AI 컴퓨트 수요는 계속되지만, 자본을 태우는 방식과 경영진의 자본 효율성이 생존자를 가른다.

2.1. 자산 가치 하락과 마진콜

1. 좋은 자산도 금융 충격 앞에서는 취약하다

   1. Meta처럼 핵심 사업이 현금을 만들어내는 회사도 대규모 차입을 통해 AI 자산을 확대하면 단기 시장 충격에 노출된다.
   2. 닷컴 버블 당시 매설된 광섬유는 실제 가치가 있었지만, 그 광섬유를 설치한 회사 대부분은 파산했다.
   3. 부채에 크게 의존한 기업은 신용경색 때 기초자산 가치가 영구적으로 사라지지 않더라도 짧은 기간에 급락하고, 그 순간 마진콜을 맞는다.

2. 조정 뒤의 승자 구조

   1. 하이퍼스케일러는 기존 사업에서 나오는 지속적 현금흐름으로 자산 가격 하락을 견딜 수 있다.
   2. 자금이 끊긴 기업은 GPU·데이터센터·계약을 헐값에 처분하고, 대형 플랫폼은 이를 인수해 AI 공급망을 더 집중시킨다.
   3. AI 컴퓨트의 최종 수요는 줄지 않아도 단기 공급자의 수와 소유권은 급격히 바뀔 수 있다.

2.2. 네오클라우드 절반이 사라질 수 있는 이유

1. 36개월 전망

   1. 네오클라우드 사업자 중 최소 절반이 36개월 안에 사라질 수 있다는 전망이 제시된다.
   2. 경제적 충격이 발생하면 취약한 사업자 상당수는 36개월을 기다리지 않고 즉시 사라질 수 있다.
   3. “AI 수요가 있으니 모든 GPU 임대 사업자가 산다”는 논리는 자금 조달, 사용률, 계약의 질, 마진을 설명하지 못한다.

2. 누가 살아남는가

   1. 네오클라우드의 가치를 가르는 핵심은 표면적인 GPU 보유량보다 회사를 운영하는 사람들이다.
   2. 외부 투자자는 회사 내부의 자본 배분, 계약별 수익성, 위험 관리, 운영 체계를 쉽게 볼 수 없으므로 경영진에 대한 신뢰가 중요하다.
   3. Fireworks는 Base10보다 훨씬 자본 효율적이고 실제 사업에서 이익을 내려는 의지가 강하다는 평가를 받는다.

3. Fireworks·Base10·Cursor 계약의 차이

   1. Fireworks와 Base10이 비슷한 기업가치로 자금을 조달하더라도 동일한 사업이 아니다. 매출 규모만 비교하면 자본 효율성 차이를 놓친다.
   2. Base10은 지난해 Cursor와 체결한 대형 계약에서 매출과 규모는 얻었지만 이익은 거의 얻지 못한 것으로 평가된다.
   3. 많은 돈을 투입하면서 그보다 훨씬 적은 돈만 벌면 매출 성장률과 관계없이 위험하다. 투자자는 매출이 아니라 계약별 경제성(unit economics)을 확인해야 한다.

2.3. 전문화된 모델과 프런티어 모델

1. 모델은 인간의 전문지능을 복제한다

   1. 전 세계 인구가 약 70억 명이고 사람마다 서로 다른 지능과 숙련도를 갖듯, 모델도 특정 업무에 특화된 지능을 갖게 된다.
   2. 보석을 깎는 사람은 보석 세공이라는 특수한 지능을 갖고, 고객지원·온보딩·코딩은 각각 다른 모델 스타일과 데이터 구성을 요구한다.
   3. 초기 모델 시장은 범용 지능보다 전문화와 커스터마이즈 능력을 중심으로 성장한다.

2. 오픈소스가 차지할 틈

   1. 현재 Anthropic과 OpenAI의 대형 프런티어 모델은 고객이 원하는 방식으로 깊게 커스터마이즈하기 어렵다.
   2. 이 틈이 오픈소스 모델을 파인튜닝할 기회를 만들며, ASIC 칩과 오픈소스 모델이 독자적인 쓰나미를 일으킬 수 있다.
   3. 프런티어 모델의 토큰 비용이 두 자릿수 달러 수준이고 오픈소스 모델이 토큰당 10~11센트 수준이라면, 토큰이 동일한 가치가 아니더라도 비용 차이는 대규모 채택을 촉진한다.

3. 토큰 트래픽과 매출의 분리

   1. 단기적으로 토큰 트래픽은 오픈 모델로 이동하고 달러 매출은 프런티어 모델로 이동할 수 있다.
   2. Tesla가 초기에 부유한 고객만 살 수 있었지만 이후 대중화됐듯, 프런티어 모델은 먼저 자금이 많은 기업이 사용하고 오픈소스 모델은 뒤늦게 매출을 따라잡을 수 있다.
   3. 전 세계 기업의 AI 수요 충족률은 아직 한 자릿수, 그중에서도 낮은 한 자릿수에 불과하다는 추정이 나왔다. 미충족 수요가 큰 만큼 오픈소스와 프런티어가 함께 성장할 공간이 있다.

2.4. “토큰은 토큰”이라는 주장에 대한 반론

1. 토큰의 실질 가치는 모델마다 다르다

   1. Gavin Baker는 토큰이 프런티어 모델에서든 오픈소스 모델에서든 Nvidia가 결국 이긴다고 봤지만, Jerry Murdock은 “토큰은 토큰”이라는 명제에 동의하지 않는다.
   2. Fireworks 같은 제공자가 기업별로 모델을 커스터마이즈하면 동일한 한 토큰이 생산하는 가치가 달라진다.
   3. 어떤 모델은 장황하게 말하고 어떤 모델은 간결하게 답하므로, 출력 스타일이 실제 토큰 비용과 업무 성과를 함께 바꾼다.

2. 업무별 모델 선택

   1. 에이전트 시스템에서 코딩은 오픈소스 모델이 강점을 보일 수 있다.
   2. 고객지원과 온보딩처럼 범위가 좁고 반복적인 업무는 특화 오픈소스 모델이 더 빠르고 저렴하게 투자 효과를 낸다.
   3. 예산이 100만 달러라면 범용 프런티어 모델 사용료에 전부 쓰기보다 특정 업무를 위한 커스터마이즈에 투자하는 편이 더 높은 효율을 낼 수 있다.

3. 프런티어 모델의 비잠식 논리

   1. 인간은 감성지능·시각지능·언어지능처럼 여러 종류의 지능을 원하므로, 특화 모델이 늘어난다고 프런티어 모델의 시장이 곧바로 사라지지 않는다.
   2. 기술 파동이 시작되면 시장은 먼저 확장되고, 글로벌 경기 수축 때 정리된 뒤 다시 혁신이 시작되는 캄브리아기 폭발과 빙하기의 순환이 반복된다.
   3. 프런티어 모델 기업이 더 많은 자본으로 복잡한 문제를 계속 혁신하는 동안 오픈소스는 특화에서 강점을 보이지만 복잡한 과제에서는 아직 프런티어 모델을 넘어섰다고 보기 어렵다.

3. 데이터 보안과 에이전트 보안의 황금기

AI 도입이 늘수록 기업 데이터의 경계와 에이전트 실행 환경이 핵심 투자 영역이 된다.

3.1. 기업 데이터는 이미 클라우드 밖으로 나갔다

1. 프런티어 모델 사업자에 대한 기업의 두려움

   1. Palantir의 Alex Karp는 대형 기업이 프런티어 모델 제공자를 꺼리는 이유로, 모델 회사가 고객 산업에 들어와 고객의 사업을 잠식할 수 있다는 두려움을 든다.
   2. CIA와 정보기관은 원래부터 데이터 주권에 극도로 민감하므로 Karp의 고객 기반이 그러한 우려를 대표한다.
   3. Anthropic과 OpenAI는 이미 수년간 기업 데이터를 받아왔기 때문에 기업의 비밀 일부가 클라우드 사업자에게 넘어갔다는 점에서 “고양이는 이미 상자 밖으로 나왔다.”

2. 빅테크가 가진 데이터의 범위

   1. Apple은 비밀번호를 포함해 개인에 관한 막대한 데이터를 보유하고 있고, 원한다면 사용자의 금융생활을 위협할 정도의 접근권을 갖는다.
   2. Amazon도 핵심 비밀까지는 아니더라도 방대한 상거래·고객 데이터를 보유한다.
   3. Microsoft CEO Satya Nadella는 조직 내부의 커뮤니케이션이 어떻게 작동하는지에 관한 데이터를 Microsoft가 많이 갖고 있다고 말했다.

3. 기업이 취해야 할 분별

   1. 기업은 모든 데이터를 Anthropic·OpenAI에 계속 올리는 대신 어떤 정보가 방화벽 안에 남아야 하는지 구분해야 한다.
   2. 데이터 보안 정책은 한 번 정하고 끝나는 것이 아니라, 모델 능력과 비즈니스가 바뀔 때마다 반복적으로 검토해야 한다.
   3. 민감 데이터의 온프레미스·프라이빗 클라우드 처리는 오픈소스 모델의 중요한 채택 동인이 된다.

3.2. 에이전트가 만드는 사이버보안 위협

1. 공격 능력이 제품 홍보가 되는 현상

   1. OpenAI, Hugging Face, Anthropic의 모델이 실제 기업 세 곳을 해킹했다는 발표는 모델의 능력을 자랑하는 사례처럼 소비된다.
   2. 공격자가 모델에 도구 접근권을 주는 순간, 편리한 자동화와 공격 표면 확대가 동시에 발생한다.
   3. 애플리케이션 개발자 상당수가 모델을 YOLO mode로 실행해도 괜찮다고 생각하는 안일함이 있다.

2. 컨테이너만으로는 부족하다

   1. 모델과 도구를 컨테이너에 넣으면 안전하다고 생각하기 쉽지만 컨테이너는 완전한 격리 장치가 아니다.
   2. Docker조차 컨테이너가 충분히 안전하지 않으므로 샌드박스(sandbox)를 사용해야 한다고 강조했고, Docker Sandboxes가 크게 성장한 배경도 여기에 있다.
   3. E2B는 클라우드 샌드박스로 같은 문제를 해결하며, 모델이 도구를 실행하는 행동을 관찰·제한하는 인프라를 제공한다.

3. 수천 종류의 샌드박스가 필요한 이유

   1. 에이전트는 결정론적인 개발자처럼 라이브러리 두 개를 시험하고 하나를 선택하지 않는다.
   2. 에이전트는 100개의 샌드박스와 100개의 라이브러리를 동시에 열고 어떤 조합이 가장 나은지 판단할 수 있다.
   3. 모델이 도구를 어떻게 바라보고 어떤 순서와 확률로 호출하는지 이해하는 지식은 소수의 회사에 집중돼 있다.
   4. 현재 E2B와 Docker가 모델·도구·샌드박스의 상호작용을 가장 잘 이해하는 기업군으로 평가되며, 샌드박스가 제대로 작동하지 않으면 나머지 보안 투자는 의미가 없어진다.

3.3. 보안 투자와 샌드박스의 수익모델

1. 보안의 다음 투자 포인트

   1. Fireworks가 Python, 특히 PyTorch를 가장 깊이 이해한 팀에서 출발해 파인튜닝·정제·커스터마이즈 계층으로 올라가듯, 보안에서도 모델 행동을 이해하는 팀이 유리하다.
   2. 앞으로 수천 가지 형태의 샌드박스가 필요해지고, 각 샌드박스는 에이전트의 도구 접근과 실행 흔적을 안전하게 관리해야 한다.
   3. 보안은 대부분의 투자자와 기업이 과소평가하지만, 에이전트 보급이 본격화되면 가장 큰 병목이 된다.

2. 컴퓨트 과금에서 운영 지식 과금으로

   1. 샌드박스 사업자가 단순히 컴퓨트 사용량으로 돈을 버는 모델은 낮은 차별화와 낮은 마진에 갇히기 쉽다.
   2. 고객이 자신의 컴퓨트를 가져오고, 샌드박스 사업자는 네트워킹·트레이스·관찰성·실행 최적화에 과금하는 모델이 더 합리적이다.
   3. “우리가 샌드박스를 더 잘 운영한다”는 운영 지식과 혁신이 실제 마진을 만들어야 하며, 처음부터 마진을 만들 생각이 없는 회사에는 투자하지 않겠다는 원칙이 제시된다.

4. 마진, 칩, 에이전트 계층의 사업 기회

초기 시장의 낮은 마진은 고객을 선점하는 전략일 수 있지만, 장기적으로는 혁신과 수익성의 연결이 필요하다.

4.1. 낮은 마진은 토지 선점 전략인가

1. AI 애플리케이션의 낮은 마진

   1. Fireworks의 공개 마진은 약 35%이고 많은 AI 애플리케이션 기업의 마진은 20%보다 낮다.
   2. 초기 기술 사이클에는 고객과 관계를 먼저 확보하기 위해 낮은 마진 또는 제로 마진을 감수하는 “토지 선점”이 나타난다.
   3. 미국 정착민이 땅에 깃발을 꽂아 자기 땅이라고 주장한 사례처럼, 자본이 있는 기업은 고객이라는 부동산을 먼저 확보한 뒤 나중에 가격과 마진을 올리려 한다.

2. Jeff Bezos의 마진 철학과 한계

   1. Jeff Bezos는 “당신의 마진은 나의 기회”라는 사고로 서적·식료품·컴퓨트에서 낮은 마진을 감수하며 규모를 키웠다.
   2. 그러나 대부분의 창업자가 Bezos처럼 장기적 규모와 운영 체계를 구축할 수 있는 것은 아니다.
   3. 낮은 마진을 문화로 굳히면 회사가 벤처투자자에게 가치를 넘겨주게 될 수 있으므로, 창업자는 영리한 방식으로 유효 마진을 만들어야 한다.

3. 투자자가 확인할 질문

   1. 현재 마진이 낮아도 장래 마진을 만드는 혁신이 있는지 확인해야 한다.
   2. 고객을 모으는 과정에서 생긴 규모가 실제 가격결정력과 전환비용으로 이어지는지 확인해야 한다.
   3. “언젠가 마진을 만들겠다”는 말만 있고 제품·운영·데이터의 차별화가 없다면 투자하지 않는 편이 낫다.

4.2. ASIC 칩과 모델 계층의 재편

1. ASIC이 유리한 특화 모델 시장

   1. 모델 커스터마이즈가 AI 확장의 다음 단계가 되면 모든 작업에 비싼 GPU를 사용할 필요가 없다.
   2. ASIC(Application-Specific Integrated Circuit)은 특정 모델과 추론 작업에 맞춰 설계되어 특화 모델을 저렴하게 운영할 수 있다.
   3. Etched와 영국의 Fractile처럼 칩 계층에 진입하는 회사가 늘어나는 이유는 특화 추론의 경제성을 노리기 때문이다.

2. 모델 기업의 자체 칩 보유

   1. DeepSeek가 자체 칩을 만들고 Anthropic과 OpenAI도 자체 칩을 준비하는 흐름은 단기적으로 모델과 칩셋을 최적화하려는 시도다.
   2. OpenAI의 칩 프로젝트 이름이 Jalapeno로 불리자 Harry Stebbings는 멕시코 음식과 매운맛을 좋아하지만 이름이 최선인지는 모르겠다고 농담했고, 다음 이름으로 Padron Pepper가 제안됐다.
   3. 단기에는 대형 모델 기업이 칩을 직접 설계할 이유가 있지만, 장기에는 칩 소유보다 모델·에이전트·인간의 상호작용 계층이 더 중요해진다.

3. 모델-에이전트-인간 루프

   1. Santa Fe Institute에서 주요 AI 기업의 수석 과학자들과 논의한 결과, AGI가 나타나도 AGI를 측정하는 방법을 모를 수 있다는 점이 제기됐다.
   2. 더 실용적인 결론은 모델과 에이전트, 그리고 인간이 루프 안에서 상호작용하는 복잡성에 집중해야 한다는 것이다.
   3. 커스터마이즈·여러 모델의 연결·보안·인간의 개입 수준을 포함한 모델 바깥 계층이 투자 관점에서 더 매력적인 공간이다.

4.3. 수직 전문화와 법률 시장

1. Legora와 Harvey에서 얻는 교훈

   1. Legora와 Harvey처럼 자금이 풍부한 두 기업이 법률 시장에서 정면으로 경쟁하면, 서로를 앞서기 위해 위험한 속도전을 벌일 수 있다.
   2. 두 회사 중 하나가 보안 유출을 겪으면 한 곳만 무너지는 것이 아니라, 동일한 공격 표면을 가진 양쪽 모두의 시장 기회가 훼손될 수 있다.
   3. 대형 경쟁자 중 한 곳이 이긴다고 단정하기보다, 다음 세대의 젊고 혁신적인 회사를 찾아야 한다.

2. 틈새에서 시작하는 전략

   1. Peter Thiel의 조언처럼 좁은 틈새를 골라 지배한 뒤 인접 시장으로 확장하는 방식이 법률 전체를 한 번에 공략하는 전략보다 현실적이다.
   2. Get Dynasty로 지칭된 회사처럼 신탁(trust) 업무 하나에 특화하면 고객 문제와 제품의 경계가 선명해진다.
   3. 모든 변호사를 위한 모든 기능을 만들려는 회사보다 특정 법률 업무에서 압도적인 회사가 방어력을 만들기 쉽다.

5. 과열된 벤처시장과 기업의 생애주기

가격 감각이 사라진 시장에서는 역사적 성장 규칙보다 사업의 실질적 임팩트와 매수·매도 시점을 구분해야 한다.

5.1. 가격 민감도 상실과 하이프 사이클

1. 2021년보다 더 과열된 가격

   1. Harry Stebbings는 매일 투자 현장에서 창업자가 1억 달러를 조달한다고 말하고, 2,500만 달러 수표를 쓰는 투자자에게 “작고 협력적인 투자자라서 좋다”고 반응하는 사례를 들었다.
   2. 1억 달러가 친구·가족 라운드처럼 취급되는 현상은 가격 민감도가 거의 사라졌다는 신호다.
   3. 모든 결과가 1조 달러 기업이 될 수 있다는 기대가 초기 라운드의 valuation과 조달 규모를 현실에서 분리한다.

2. 초대형 라운드가 모두 비합리적인 것은 아니다

   1. Anthropic과 OpenAI가 1,000억~1,500억 달러 수준의 valuation에서 조달한 초대형 라운드는 실제로는 저렴했을 가능성이 있다.
   2. 그러나 1조 달러 기업의 수는 제한적이므로, 모든 스타트업에 같은 배수를 적용할 수 없다.
   3. 투자자는 회사가 하이퍼스케일 성장에 도달할 근거가 있는지, 아니면 느리지만 좋은 성장 기회인지 분별해야 한다.

5.2. “Triple-triple-double-double”의 종말 여부

1. 일반 규칙으로는 판단할 수 없다

   1. 성장 규칙이 사라졌다고 단정하는 것은 지나치게 단순한 주장이다.
   2. Anthropic과 OpenAI는 인류 역사상 불·전기 발명에 비견할 정도로 프런티어 모델이라는 새로운 플랫폼을 만들었고, 이러한 기업의 성장에는 기존 규칙을 적용하기 어렵다.
   3. 반면 모든 네오클라우드가 같은 경제성을 갖는다는 주장은 성립하지 않는다. 한두 곳이 지배하고 최소 절반은 막대한 자금을 소진한 채 사라질 수 있다.

2. 인프라와 애플리케이션의 차이

   1. Fireworks처럼 프런티어·오픈소스 모델을 만든 기업의 바로 다음 계층에서 인프라 문제를 해결하는 회사는 모델 기업의 성장에 올라타 빠르게 커질 수 있다.
   2. Fireworks는 3년 반 만에 10억 달러 규모에 도달했고, 연말 목표를 달성하면 4년 만에 20억 달러가 될 수 있다는 사례가 제시됐다.
   3. 법률 애플리케이션과 일반 애플리케이션 계층의 빠른 성장은 아직 확신하기 어렵지만, 인프라 계층의 성장은 상대적으로 믿을 만하다는 판단이다.

5.3. 모델 라우팅 계층과 OpenRouter

1. 5% 수수료의 취약성

   1. OpenRouter는 개발자가 여러 모델을 직접 연결하기 귀찮아하는 문제를 해결하고 거래액을 크게 만들었다.
   2. 모델 추론 비용에 5%를 더해 받는 구조는 편리함의 대가로는 크며, 장기적으로 지속되기 어렵다.
   3. 모델을 직접 호스팅하는 사업자가 거래소에서 추론을 사고팔 수 있게 만들면 라우팅 사업자가 붙이는 중간 마진이 압박받는다.

2. 새로운 추론 거래소

   1. Akinaki는 메인넷에서 Dodex라는 추론 거래소를 출범시켜 필요한 추론을 직접 구매하고 모델 라우팅을 자동화하려 한다.
   2. Venice IO와 두세 곳의 다른 사업자도 중간 라우터를 거치지 않고 필요한 추론을 직접 얻는 거래소를 만들고 있다.
   3. 이러한 경쟁은 향후 3~5개월 안에 OpenRouter형 모델을 크게 흔들 수 있다.

3. 인수 제안이 오면 취할 행동

   1. OpenRouter 이사회에 100억 달러 인수 제안이 오면 “정말 잘됐다”며 받아들이겠다는 태도가 제시된다.
   2. OpenRouter는 초기부터 시장에 있었고 개발자에게 대안이 없었기 때문에 5%의 마크업을 받을 수 있었다.
   3. 다만 기업이 그런 비용을 장기간 방치한 것은 기업 고객의 책임이며, 초기 선점자가 장기적으로 필요한 사업자인지는 별개의 문제다.

5.4. 투자자가 찾아야 할 창업자

1. 임팩트와 필연성

   1. Bill Gurley식 조언은 현장의 게임에 참여하되 신중하게 자본을 배치하고, OpenAI 출신 한 명에게 기업가치 10억 달러를 선지급하는 식의 투자를 경계하라는 의미로 해석된다.
   2. Jerry Murdock은 남들과 근본적으로 다른 일을 하며, 단순히 하고 싶은 것이 아니라 반드시 해야만 하는 창업자를 찾으라고 조언한다.
   3. 그 창업자의 헌신이 선택지가 하나뿐인 수준인지, 제품이 성공했을 때 사회·산업에 실제 임팩트를 주는지 확인해야 한다.

2. 사례: Meta 출신 창업자들

   1. Elon Musk·Jensen Huang·Mark Zuckerberg처럼 회사의 방향을 창업자 본인이 밀어붙인 Mag 7 기업가는 이러한 필연성과 헌신의 사례다.
   2. Fireworks는 그런 성격을 보이는 기업으로 언급된다.
   3. E2B도 창업자 V가 반드시 사업을 완성할 사람이라는 신뢰를 받고 있으며, Meta 출신 Saudi Khan이 역대 최고의 CEO 중 한 명이라는 평가와 함께 언급된다.

6. 유동성, IPO, SaaS와 사모펀드

빠른 성장 기업의 매각은 규칙적인 정상 상태가 아니라, 회사가 전략적 승리를 현금화하는 예외적 사건일 수 있다.

6.1. Cursor와 Flipboard가 주는 교훈

1. Cursor의 4년 600억 달러 거래

   1. Cursor는 IDE 사업에서 방향을 바꾸어 모델을 직접 만드는 쪽으로 이동했다.
   2. Cursor 팀은 아직 모델 구축을 입증하지 않았지만 자신들이 충분히 알고 있다고 Elon Musk를 설득했고, xAI의 긴급한 문제 해결 필요와 맞아떨어져 약 4년 만에 600억 달러 거래를 만들었다.
   3. 이런 거래는 빠른 벤처 생태계의 새로운 정상이라기보다, 팀·시장·인수자의 절박함이 동시에 맞아떨어진 비정상적 사건이다.

2. Flipboard의 놓친 10억 달러 기회

   1. Flipboard에는 Twitter와 TikTok 창업자·ByteDance 측을 포함한 두 매수자가 약 10억 달러의 80% 이상 수준으로 관심을 보였다.
   2. 창업자는 The Coach라고 불린 유명 인물의 “회사를 팔지 말라”는 조언을 받아들였고, 이사회도 그 조언에 동의해 거래를 진행하지 않았다.
   3. 시간이 지나면 당시의 기회는 사라지고, 시장은 Flipboard를 더 이상 중요하게 여기지 않는다. 매도해야 할 때와 계속 가야 할 때를 구분해야 한다.

3. 실현한 수익을 후회하기 어렵다는 원칙

   1. 한 창업자는 “수백만 달러를 번 것을 후회한 적은 없다”고 말했다.
   2. 이 원칙은 대형 비행기인 Gulfstream G650을 살 수 있을 정도의 확정 수익을 상징하는 농담으로 이어졌다.
   3. 모든 기업이 10년짜리 독립 기업이어야 한다는 집착보다, 적절한 시점에 승리를 확정하는 선택이 이성적일 수 있다.

6.2. IPO 시장과 Airtable의 질문

1. 희소한 기업만 열리는 IPO 창구

   1. Anthropic·OpenAI·SpaceX처럼 극히 드문 기업은 원할 때 IPO 시장을 이용할 수 있지만, Airtable 같은 기업은 약 48억 5,000만 달러 valuation으로는 상장하기 어렵다는 우려가 제기된다.
   2. 오늘날에는 매출 10억 달러 미만 기업이 IPO하기 어려운 분위기가 있지만, 은행은 여전히 상장을 주선할 수 있다.
   3. 중요한 질문은 상장이 가능한지가 아니라, 그 시점에 상장하는 것이 경영진과 주주에게 옳은 선택인지다.

2. AI 전략이 없는 SaaS의 미래

   1. 매출 4억~5억 달러 기업이 마지막 라운드보다 큰 폭의 할인으로 팔릴지는 인수자 수가 적다는 점보다 AI 전환 여부에 달려 있다.
   2. 제품에 AI 코파일럿이라는 이름만 얹는 것은 낡은 제품에 립스틱을 바르는 것과 같다.
   3. 2년 뒤에도 의미 있는 기업으로 남으려면 AI를 제품의 핵심 흐름에 넣고, 데이터와 시스템 오브 레코드(system of record)를 활용하는 전략이 필요하다.

6.3. 코워크 시대와 SaaS 위협

1. 코파일럿에서 코워크로

   1. 새로운 단계는 단순히 사람이 쓰는 코파일럿이 아니라 자율 에이전트와 함께 일하는 co-work 시대다.
   2. 자율 에이전트를 성공적으로 배치한 소수 기업은 코워크의 가능성을 보여주고 있다.
   3. 기존 SaaS 기업은 시스템 오브 레코드나 독창적인 AI 전략이 없으면 에이전트가 기존 UI를 우회할 때 고객 접점을 잃는다.

2. SaaS 기업의 유예기간

   1. 위협은 막 시작됐으므로 기존 SaaS 기업에도 AI를 붙이고 방향을 전환할 시간이 있다.
   2. 그러나 지금도 AI 제품·데이터·자동화 전략을 만들지 않는 기업은 코워크 확산 이후 회복하기 어려워진다.
   3. 단순한 AI 장식보다 실제 업무 흐름을 에이전트가 수행하도록 바꾸는 제품 전환이 필요하다.

6.4. 사모펀드의 레버리지 위험

1. 포트폴리오가 맞는 빈티지

   1. 2001년 TPG는 통신 투자로 큰 손실을 입었지만 살아남았고, Forstmann Little은 통신 투자 손실로 회사 자체가 끝났다.
   2. 현재 어려운 포트폴리오를 가진 PE 회사도 금융시장이 안정돼 있는 동안에는 전략을 바꿀 시간이 있다.
   3. 시장이 흔들리는 순간에는 레버리지와 마진콜 때문에 그 시간 여유가 사라진다.

2. 4~6배 레버리지의 압력

   1. 많은 PE 자산은 EBITDA의 4~6배 수준으로 레버리지를 지고 있어 금리·매출·이탈률 변화에 민감하다.
   2. Leopold는 약 3.5배 레버리지였는데도 자산을 많이 매도해야 했다.
   3. EBITDA가 빠르게 하락하고 churn이 상승하면 부채에 대한 마진콜이 발생하며, 10%를 넘는 시장 조정에서는 대응이 극도로 어려워진다.

3. 거시시장과 기술시장 연결

   1. Tom Lee가 S&P 500의 이번 가을 10% 하락을 전망한 사례가 언급됐다.
   2. 조정이 10%보다 깊어지면 레버리지가 높은 기업의 자산가치와 차입능력이 동시에 훼손된다.
   3. 10~15%의 금융시장 충격은 사람들이 자신을 가난하다고 느끼게 만들고, 신용·수요·기업투자를 연쇄적으로 줄인다.

7. 정부, 중국 오픈소스, 지속학습과 데이터

AI 경쟁의 다음 단계는 특정 국가나 현재 모델의 승패보다, 모델이 계속 학습하고 기업별 맥락을 축적할 수 있는지에 달려 있다.

7.1. 정부 지분과 수출 통제

1. OpenAI 지분을 정부에 주는 구상

   1. 미국 행정부가 프런티어 모델 기업 지분 5%를 갖는 구상이 거론됐지만, 미국 역사에서 기업이 정부 소유가 되어야 했던 전례는 없다는 반론이 제시된다.
   2. 제2차 세계대전 이후 유럽은 정부가 British Gas·British Telecom·Royal Mail 같은 인프라를 소유하던 사회주의적 전통이 있었고, 당시에는 민간 자본시장만으로 국가 인프라를 만들기 어려웠다.
   3. 미국은 공공·민간 협력을 해왔지만, OpenAI가 이미 대규모 기업으로 성장한 뒤 정부 지분을 요구하는 것은 전략적 필요보다 정치적 이유에 가깝다는 판단이다.

2. 칩 수출 통제의 원칙

   1. 미국은 기술을 어떻게 다룰지 국가 전략을 먼저 세워야 하며, 규제를 위한 규제를 만들어서는 안 된다.
   2. 전략을 공개하고 토론하며, 책임질 사람을 지정한 뒤 그 전략에 맞춰 수출 통제를 설계해야 한다.
   3. 단일 규제기관이 맥락 없이 “그냥 이것을 금지하자”고 결정하는 방식은 장기 기술 경쟁에 적합하지 않다.

7.2. 중국 오픈소스 모델에 대한 판단

1. 백도어 우려의 시간축

   1. 중국 오픈소스 모델에 백도어가 들어갈 수 있다는 우려는 실제 보안 문제이지만, 오늘의 모델이 10년 뒤에도 존재할 것이라는 가정은 과장일 수 있다.
   2. Kimi·DeepSeek를 포함한 현재 모델 대부분은 10년 안에 다른 세대의 모델로 대체될 가능성이 높다.
   3. 백도어를 심으려면 현재 모델이 오래 살아남아야 하는데, 지속학습 모델이 나오면 지금의 모델은 사용되지 않을 수 있다.

2. 2~3년 뒤의 모델 교체

   1. 일부는 지속학습 모델이 2~3년 안에 등장할 것으로 예상한다.
   2. 지속학습 모델은 고정된 데이터셋으로 한 번 학습하고 배포하는 현재 방식과 달리, 배포 후에도 경험과 사건을 기억하고 계속 학습한다.
   3. 새 아키텍처가 등장하면 현재의 오픈소스·프런티어 모델 세대는 모두 교체되고, 그 위에서 새로운 모델 생태계가 형성될 수 있다.

7.3. 지속학습과 평생학습

1. 현재 모델의 구조적 한계

   1. 오늘날 모델은 학습이 끝난 뒤 세상에 배포되는 정적인 구조에 가깝다.
   2. 인간과 물리적 AI 로봇은 역동적인 사건을 기억하고 복잡한 일을 계속 수행하면서 배워야 하므로 정적 모델만으로는 부족하다.
   3. 지속학습 모델은 모델 구조와 학습 방식 자체가 달라져야 하며, 기존 프런티어 모델에 기능 하나를 덧붙이는 방식으로 완성되지 않을 가능성이 크다.

2. 프런티어 모델의 대체 가능성

   1. 지속학습이 충분히 발전하면 기존 프런티어 모델을 보완하는 것이 아니라 대체할 수 있다.
   2. 초기 단계에서는 기존 모델에 지속학습을 붙이는 형태로 보이겠지만, 최종적으로는 완전히 새로운 아키텍처와 재훈련이 필요하다.
   3. Ilya Sutskever의 SSI가 8월 말 최초 지속학습 모델을 내놓는다는 질문에 대해, Jerry Murdock은 당사자를 모르거나 신뢰할 만한 소개가 없는 모델 딜에는 투자하지 않는다고 답했다.

3. 실현 시점에 대한 신중함

   1. 지속학습이 2~3년 뒤 가능하다고 느껴져도 실제로는 10년이 걸릴 수 있다.
   2. 지난 15년 동안 암을 곧 정복할 것이라는 전망이 반복됐지만 Keytruda 같은 면역치료의 진전에도 암을 완전히 해결하지는 못했다.
   3. 샘플 효율적 모델(sample-efficient model)은 적은 데이터에서 일반화하는 초기 성공을 보이고 있지만, 실전에서 견고하게 작동할 시점은 아직 불확실하다.

7.4. 데이터의 변화와 2,000억 달러 기회

1. 데이터는 정적인 원자재가 아니다

   1. 데이터는 계속 변하고, 같은 데이터도 조직이 사용하는 맥락에 따라 의미가 달라진다.
   2. Jack in the Box·Burger King·McDonald’s는 모두 햄버거 기업이지만 매장·고객·운영 데이터의 활용법은 서로 다르다.
   3. 기업별 모델은 기업 고유의 업무맥락과 변화하는 데이터를 계속 반영하는 시스템을 필요로 한다.

2. 데이터 제공자의 확장

   1. Mercor로 지칭된 데이터 기업은 처음에는 프런티어 모델 사업자에게 데이터를 제공하더라도, 장기적으로 기업과 미드마켓 고객에게 특화 데이터를 판매할 수 있다.
   2. 기업이 자체 모델을 만들려면 보유하지 않은 추가 데이터를 사야 하므로, 데이터 제공자의 총주소시장(TAM)이 크게 넓어진다.
   3. 이 특화 데이터 시장은 약 2,000억 달러 규모의 기회로 언급된다.

3. 과제 해결에서 지능의 다양성으로

   1. 현재 모델은 특정 태스크를 잘 수행하는 방향으로 최적화되어 있고, 글쓰기·시각예술에서는 제한적인 창의성을 보인다.
   2. 기후변화 같은 복잡한 문제를 해결하려면 하나의 지능이 아니라 경영진·이사회처럼 서로 다른 관점과 지능의 다양성이 필요하다.
   3. 시장은 “태스크를 가장 저렴하게 처리하는 모델”에서 “중요한 문제를 해결할 만큼 다양한 지능을 조합하는 모델”로 이동할 수 있다.

7.5. 기대를 낮춰야 할 때와 실망의 계곡

1. 1년 과대평가, 10년 과소평가

   1. 한 해에 할 수 있는 일을 과대평가하고 10년 동안 할 수 있는 일을 과소평가한다는 격언은 AI에도 적용된다.
   2. 단기적으로 지속학습과 샘플 효율이 기대보다 늦어질 수 있지만, 장기적으로는 기술 구조를 완전히 바꿀 수 있다.
   3. 암 치료의 사례처럼 작은 진전이 곧 문제의 완전한 해결을 뜻하지 않는다.

2. 밸리 오브 디스일루전의 조건

   1. 글로벌 금융 사건이 발생하고 모델의 성능 성장까지 멈추면 AI 생태계는 실망의 계곡으로 들어갈 수 있다.
   2. 샘플 효율적 학습과 지속학습이 해결되지 않으면 현재의 부풀려진 기대가 충족되지 않았다는 감각이 커진다.
   3. 금융 조정은 기대와 자본을 낮추고, 기술 돌파는 새로운 성장 국면을 열기 때문에 두 요소의 순서와 조합이 중요하다.

8. 빠른 질문과 장기 승자

짧은 선택 질문에서도 Jerry Murdock은 성장률보다 규모·안정성·현금흐름·새로운 효용을 함께 본다.

8.1. OpenAI·Anthropic·Nvidia

1. 먼저 무너질 프런티어 모델 기업

   1. OpenAI와 Anthropic 중 먼저 나갈 곳을 묻자 Anthropic으로 보인다는 답이 나왔다.
   2. 이는 모델의 장기 가치가 없다는 뜻이 아니라, 자본·시장·경쟁 위치를 감안한 상대적 판단이다.

2. Nvidia 5년 뒤 10조 달러 전망

   1. Nvidia가 5년 안에 10조 달러 기업이 될 가능성에는 “오버(over)”라는 답이 나왔다.
   2. 주가가 지난 12개월 동안 정체된 이유는 시장이 영원히 로켓처럼 상승하지 않고 중간중간 고원(plateau)을 만들기 때문이다.
   3. 현재 하이퍼스케일러 사이의 순환적 거래가 실질적 성장을 가리고 있어, 실제 수요와 자본시장 상태를 분리해 봐야 한다.

8.2. Meta·Google·Microsoft의 장기 보유

1. 세 기업 모두 장기 보유

   1. Meta·Google·Microsoft 중 하나를 사고, 결혼하고, 죽이는 식의 선택을 요구받았지만 세 기업 모두 장기 보유하겠다는 답이 나왔다.
   2. Meta와 Google은 각각 20억 명 이상의 사용자를 보유하고, Microsoft도 기업 커뮤니케이션을 장악해 소비자와 기업의 규모가 완충장치가 된다.
   3. 세 회사 모두 코딩 에이전트에서는 아직 실패했지만, 막대한 고객 기반 덕분에 따라잡을 시간이 있다.

2. Microsoft의 방어력

   1. Microsoft가 모델과 AI 제품에서 상대적으로 약해도 Exchange·이메일은 글로벌 기업의 커뮤니케이션을 통제하는 현금창출 기계다.
   2. AI가 인간 대 인간 커뮤니케이션을 곧 없애지는 않으므로, Microsoft가 그 흐름을 계속 수익화할 수 있다.
   3. 케이블처럼 사용자가 쉽게 해지하는 서비스가 아니라 조직 운영에 깊이 박힌 인프라이므로 장기 보유 가치가 남는다.

3. Meta를 공매도 후보로 꼽은 이유

   1. 세 기업 중 공매도 대상을 하나 고르라는 질문에는 Meta가 선택됐다.
   2. Meta가 장기적으로 AT&T 같은 지루한 전화회사처럼 안정적이지만 성장성이 둔화된 기업이 될 수 있다는 가정 때문이다.
   3. 그러나 WhatsApp과 Instagram, 세계 최대 광고 사업, 20억 명이 넘는 사용자 기반은 강력한 반론이며, WhatsApp의 수익화가 아직 충분히 진행되지 않았다는 점도 남아 있다.
   4. 성장률이 낮아져도 거대한 현금배당을 지급하는 안전자산 같은 기업이 될 수 있다는 점에서, 경제적 구매자는 장기적으로 보유할 수 있다.

8.3. Apple과 사모펀드

1. Apple의 AI 전략은 아직 판정 불가

   1. Apple이 AI에서 용서할 수 없는 실수를 했는지, 아니면 생태계가 성숙할 때까지 기다리는 영리한 전략인지는 회사 내부 문화를 봐야 판단할 수 있다.
   2. Apple이 Claude Code를 대규모로 사용하는 고객이라는 점은 알려졌지만, 자체적인 혁신을 만들고 있는지 단순히 AI를 소비하는지에 따라 전망이 크게 달라진다.
   3. 관찰자이며 비장의 카드를 준비하고 있다면 시장을 놀라게 할 수 있지만, 소비자에 머문다면 심각한 위험에 처한다.

2. PE 업계의 다음 5년

   1. Insight는 PE 포트폴리오가 매우 작아 자본 배치 방식이 영리하다는 점에서 상대적으로 편안한 위치로 평가된다.
   2. PE에 전적으로 의존하면서 고레버리지 포트폴리오를 쌓은 회사는 금융 충격에 크게 노출된다.
   3. 특정 PE 회사를 가장 잘하거나 가장 못할 곳으로 단정하려면 포트폴리오를 직접 분석해야 하며, 단순한 이름 맞히기는 적절하지 않다.

3. AI 전환에서 돋보인 벤처 투자사

   1. Menlo는 Anthropic에 충분히 이른 시점에 투자했고, AI 전환의 큰 수혜자가 될 가능성이 높다.
   2. Benchmark는 Anthropic과 OpenAI를 놓쳤지만 Factory 등 다른 뛰어난 기업으로 강한 포트폴리오를 만들었다.
   3. Khosla Ventures는 E2B와 여러 기업의 창업자·경영진을 통해 AI 시대에 매우 뛰어난 성과를 내고 있다.

8.4. 5년 뒤 당연해질 블록체인

1. 현재의 실망과 보안 문제

   1. 블록체인은 현재 실망의 계곡에 있으며, Bitcoin의 투기와 탐욕이 블록체인 전체의 평판을 끌어내렸다.
   2. IBM CEO는 Bitcoin이 3~4년 안에 해킹 위험에 처할 수 있다고 했고, Tom Lee와 Google은 약 2년의 위험을 언급했다.
   3. Bitcoin의 보안 위험과 블록체인 기술 전체의 유용성은 분리해서 평가해야 한다.

2. 에이전트 결제와 추론 거래소

   1. 블록체인이 에이전트 간 결제와 추론 구매의 결제 레일이 되면 5년 뒤 당연한 인프라가 될 수 있다.
   2. Solana와 Ethereum은 장기 잠재력을 보이고, Venice·Akinaki·Robinhood Chain·Gonka 같은 프로젝트는 토큰화된 주식, 결제 레일, 추론 구매 등 구체적 효용을 시도한다.
   3. Robinhood Chain은 주식 토큰화와 결제 인프라를 통해 약 10억 달러의 매출을 만들 가능성이 언급됐다.

3. 블록체인의 진짜 효용

   1. 모델 추론을 직접 사고팔고, 에이전트가 사람의 개입 없이 결제하며, 자산을 토큰화하는 기능은 기존 암호화폐의 투기와 다른 사용 사례다.
   2. 이러한 제품이 성공하면 사람들은 블록체인이 그동안 주장만 하던 효용이 아니라 실제 유틸리티를 찾았다는 사실에 놀랄 수 있다.
   3. AI 버블의 조정이 지나간 뒤에도 블록체인과 에이전트 결제가 실질적인 거래 인프라로 남을 가능성이 있다.

주요 발언 모음

“하이퍼스케일러보다 이런 불균형을 더 잘 견딜 준비가 된 곳은 없다.”

“네오클라우드의 최소 절반은 36개월 안에 사라질 것이다.”

“수요는 사라지지 않는다. 문제는 단기적으로 그 수요를 자금 조달할 수 있느냐이다.”

“토큰은 토큰이라는 말에 동의하지 않는다. 모델을 더 커스터마이즈할수록 토큰의 가치가 달라진다.”

“샌드박스를 제대로 만들지 못하면 다른 것은 모두 잊어야 한다.”

“하고 싶은 사업이 아니라 반드시 해야만 하는 사업을 만드는 사람을 찾아라.”

“1년 동안 할 수 있는 일을 과대평가하고 10년 동안 할 수 있는 일을 과소평가한다.”

“블록체인은 에이전트 결제를 위한 진짜 효용을 찾을 수 있다.”

핵심 데이터 & 수치

• Insight 운용 규모: Jerry Murdock이 창업한 Insight는 900억 달러 이상을 운용한다.
• 경험 기간: Jerry Murdock은 지난 25년의 기술 사이클 대부분을 경험했다.
• 버블 위험 시점: 이란 전쟁과 금융 조정이 겹치면 2026년 10월~2027년 3월이 위험 구간으로 제시됐다.
• 네오클라우드 생존률: 최소 절반이 36개월 안에 사라질 수 있다.
• 일본 국채 보유액: 일본은 미국 국채 약 1조 달러를 보유한다.
• 국채 매도 임계치 예시: 1,000억 달러 매도는 흡수될 수 있지만 3,000억 달러 매도는 즉각적 글로벌 문제가 될 수 있다.
• 오픈소스 모델 비용 예시: 일부 프런티어 모델은 토큰당 두 자릿수 달러, 오픈소스 모델은 토큰당 10~11센트 수준으로 비교됐다.
• AI 수요 충족률 추정: 세계 AI 수요의 충족률은 아직 낮은 한 자릿수로 추정됐다.
• Fireworks 마진: 공개적으로 약 35% 수준이 언급됐다.
• AI 애플리케이션 마진: 많은 애플리케이션 기업이 20%보다 낮은 마진을 보인다.
• Fireworks 성장: 3년 반 만에 10억 달러, 목표 달성 시 4년 만에 20억 달러 규모가 될 수 있다는 사례가 제시됐다.
• OpenRouter 수수료: 추론 거래에 약 5% 마크업을 붙인다.
• Cursor 거래: 약 4년 만에 600억 달러 규모의 거래가 언급됐다.
• PE 레버리지: 많은 자산이 EBITDA의 4~6배, Leopold은 약 3.5배 레버리지였다.
• 시장 조정: Tom Lee의 S&P 500 10% 하락 전망과 10~15% 금융 충격 가능성이 논의됐다.
• 데이터 시장: 기업·미드마켓 특화 데이터의 기회가 약 2,000억 달러로 언급됐다.
• Nvidia 전망: 5년 안에 기업가치 10조 달러를 넘을 가능성이 제시됐다.
• 사용자 규모: Meta와 Google은 각각 약 20억 명 이상의 사용자를 보유하고, WhatsApp도 20억 명 이상의 사용자를 기반으로 한다.
• Bitcoin 보안 위험: IBM CEO는 3~4년, Tom Lee와 Google은 약 2년의 해킹 위험을 언급한 것으로 소개됐다.

결론 및 시사점

1. AI 수요와 AI 자산의 생존을 분리하라: AI가 모든 기업으로 확산되는 장기 수요는 유효하지만, 부채와 낮은 마진으로 그 수요를 좇는 모든 사업자가 생존하는 것은 아니다.
2. 금융시장 위험을 기술 전망에 포함하라: 전쟁·인플레이션·신용 스프레드·일본 국채 매도·S&P 조정은 모델 성능만큼 AI 인프라의 단기 경로를 바꾼다.
3. 네오클라우드는 자본 효율성으로 선별하라: GPU 규모와 매출보다 계약별 이익, 사용률, 자금 조달 능력, 경영진의 위험 관리가 중요하다.
4. 특화 모델의 경제성을 보라: 오픈소스 모델은 코딩·고객지원·온보딩처럼 한정된 업무에서 커스터마이즈 비용 대비 높은 효율을 만들 수 있다.
5. 모델 바깥 계층에 주목하라: 샌드박스, 도구 실행, 트레이스, 보안, 모델 라우팅, 인간-에이전트 루프가 새로운 가치 포착 지점이 된다.
6. SaaS는 코파일럿 장식으로 충분하지 않다: 에이전트가 업무를 직접 수행하는 코워크 시대에는 시스템 오브 레코드와 업무 자동화의 재설계가 필요하다.
7. 창업자의 필연성을 확인하라: 반드시 해야 하는 문제를 붙잡은 창업자와 실제 산업 임팩트를 만들 수 있는 팀이 하이프 사이클을 견딘다.
8. 지속학습의 시간표는 보수적으로 잡아라: 2~3년 내 돌파가 가능할 수 있지만 10년이 걸릴 수도 있으므로, 기술 낙관과 실행 계획을 분리해야 한다.
9. 정부 규제는 전략에서 출발해야 한다: 칩 수출 통제와 정부 지분은 규제 자체가 목적이 아니라 국가 전략·책임·공개 토론의 결과여야 한다.
10. 블록체인의 실질 효용을 구분하라: 투기성 Bitcoin과 에이전트 결제·추론 거래소·자산 토큰화라는 사용 사례는 다른 미래를 가질 수 있다.

핵심 요약 (20줄)

1. Jerry Murdock은 이란 전쟁과 금융시장 조정이 겹치면 AI 버블이 2026년 10월부터 2027년 3월 사이에 붕괴할 수 있다고 전망한다.
2. 하이퍼스케일러는 기존 사업의 현금흐름과 규모 덕분에 신용경색을 견디고 경쟁자 자산을 싸게 인수할 가능성이 높다.
3. 네오클라우드 사업자의 최소 절반은 부채와 낮은 수익성 때문에 36개월 안에 사라질 수 있다.
4. AI 컴퓨트 수요는 줄지 않지만 단기적으로 수요를 자금 조달할 수 있는 기업의 수는 급격히 줄어들 수 있다.
5. Fireworks는 Base10보다 자본 효율성과 이익 창출 의지가 강한 인퍼런스 사업자로 평가된다.
6. 오픈소스 모델은 특화와 커스터마이즈에서 강점을 보이며 프런티어 모델과 함께 커지는 시장을 형성한다.
7. 토큰의 가격과 가치는 모델의 출력 스타일과 커스터마이즈 수준에 따라 달라지므로 모든 토큰을 동일하게 볼 수 없다.
8. 기업은 프런티어 모델 사업자에게 데이터를 무분별하게 보내지 말고 방화벽 안에 남길 정보와 외부화할 정보를 구분해야 한다.
9. 에이전트가 도구와 코드를 실행할 때 컨테이너만으로는 부족하며 격리된 샌드박스가 필수적인 보안 계층이 된다.
10. E2B와 Docker처럼 모델의 도구 사용 행동과 샌드박스 운영을 이해하는 기업이 에이전트 보안 시장에서 유리하다.
11. 낮은 초기 마진은 고객을 선점하는 전략일 수 있지만 장기적인 혁신과 마진 설계가 없는 기업은 투자 대상이 되기 어렵다.
12. 특화 모델 확산은 비싼 GPU 대신 ASIC을 활용하게 만들고 모델 바깥의 운영 계층에 새로운 기회를 만든다.
13. 샌드박스 기업은 컴퓨트 자체보다 네트워킹과 트레이스와 관찰성 같은 운영 지식에 과금하는 편이 지속 가능하다.
14. 법률 AI는 전체 시장을 한 번에 공략하기보다 특정 틈새를 지배한 뒤 확장하는 전략이 더 강한 방어력을 만든다.
15. 가격 민감도가 사라진 벤처시장은 하이프 사이클의 신호이며 모든 스타트업에 초대형 valuation을 적용할 수 없다.
16. SaaS 기업은 AI 코파일럿을 덧붙이는 수준을 넘어 에이전트가 업무를 수행하는 코워크 구조로 제품을 전환해야 한다.
17. 지속학습 모델은 현재의 정적 프런티어 모델을 대체할 수 있지만 기술 돌파 시점은 2~3년보다 10년에 가까울 수도 있다.
18. 기업별로 변하는 데이터를 활용하는 특화 모델과 데이터 제공 시장은 약 2,000억 달러 규모의 기회가 될 수 있다.
19. Meta·Google·Microsoft는 AI 경쟁에서 뒤처져도 거대한 소비자와 기업 기반이라는 안정장치 덕분에 장기 생존력이 높다.
20. 블록체인은 투기에서 벗어나 에이전트 결제와 추론 거래소와 자산 토큰화에서 실제 효용을 찾을 가능성이 있다.