AI 거품을 폭로하는 냉정한 진단: 2027년 붕괴가 시작될 수 있는 이유

---

title_original: "The Man Who Calls BS On AI: They’re LYING About AI, 2027 Is When It All Breaks! | Ed Zitron" source_url: https://www.youtube.com/watch?v=Lf5oqGOCRCM channel: The Diary Of A CEO video_id: Lf5oqGOCRCM published_date: 2026-08-27 processed_date: 2026-08-31

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==생성형 AI의 핵심 문제는 기술이 전혀 쓸모없다는 사실보다, 실제 능력·비용·수익성을 훨씬 넘어서는 약속을 바탕으로 기업과 사회가 막대한 투자를 강요받고 있다는 점이다.==

• OpenAI와 Anthropic을 비롯한 핵심 AI 기업은 사용량의 실제 원가를 구독료에 반영하지 못하고 있으며, 거대 클라우드 기업과 투자자가 서로 돈을 돌리는 구조에 의존한다.
• AI 도입률과 벤치마크 성적은 자발적이고 신뢰할 수 있는 가치의 증거가 아닐 수 있다. 제품에 AI가 강제로 삽입되고, 기업이 사용을 지시하며, 모델에 유리한 시험만 공개되기 때문이다.
• 데이터센터·GPU·전력에 대한 투자는 이미 수익보다 훨씬 빠르게 증가했고, 이 투자가 둔화되면 OpenAI와 Anthropic뿐 아니라 Microsoft·Amazon·Google·Meta·Nvidia·Oracle·SoftBank와 주식시장까지 연쇄 충격을 받을 수 있다.

Ed Zitron은 생성형 AI를 유용한 작은 소프트웨어 도구로 인정하면서도, 현재의 산업 전체가 정직한 제품 설명과 검증 가능한 재무 데이터 대신 마법, 공포, 미래 약속, 불명확한 ‘연환산 매출(run rate)’을 팔고 있다고 비판한다. Steven Bartlett은 기술이 과대평가됐다는 비판과 장기적 잠재력이 공존할 수 있다고 반론하지만, 두 사람은 과잉투자와 불투명한 수익성, 사용자의 냉정한 검증 필요성에는 상당 부분 동의한다.

1. 생성형 AI를 ‘사기극’이라고 부르는 이유

생성형 AI에 대한 비판의 초점은 모든 AI 연구나 모든 자동화가 아니라, LLM을 자율적이고 지능적이며 모든 노동을 대체할 기술로 포장하는 산업의 방식에 맞춰진다.

1.1. 기술에 대한 기대와 실제 제품의 간극

1. 마법으로 포장된 비싼 클라우드 소프트웨어

   1. Zitron은 생성형 AI가 처음부터 “모든 일자리를 없애고 암을 치료할 것”처럼 판매됐지만, 실제로는 비싸고 신뢰하기 어려운 클라우드 소프트웨어라고 말한다.
   2. 기본적인 검색조차 안정적으로 수행하지 못하는 제품을 자율적이고 ‘설정 후 잊어도 되는’ 인공지능이라고 부르려면, 사용자는 복잡한 프롬프트·모델 선택·하네스·검증 절차를 직접 관리해야 한다.

2. 비판의 근거와 관찰 위치

   1. Zitron은 재무 담당자가 아니라고 공격받지만, 기술 업계에서 15~16년 동안 PR과 실무를 경험했고 기술 자체를 좋아한다고 밝힌다.
   2. 그래서 반대 입장은 기술 혐오가 아니라, 좋아하는 기술이 실제 성능과 비용을 숨긴 채 과장되는 것을 견디지 못하는 태도에서 나온다.

1.2. AI라는 한 단어가 서로 다른 기술을 뭉개는 방식

1. 생성형 AI와 기존 AI의 분리

   1. 단백질 접힘을 계산하는 AlphaFold, 로봇 제어, 자율주행 학습, 기존 검색 순위화는 모두 ‘AI’라는 넓은 이름을 쓸 수 있지만 LLM 기반 생성형 AI와 동일하지 않다.
   2. 생성형 AI가 비판받을 때 산업은 다른 분야의 성과를 끌어와 “AI가 암을 치료하고 로봇을 움직인다”고 반박하며, LLM의 실제 성능에 대한 질문을 흐린다.

2. 거대 GPU 데이터센터의 실제 용도

   1. 기존 고성능 컴퓨팅에도 GPU가 쓰였지만, 현재 건설되는 초대형 데이터센터는 주로 생성형 AI 모델의 학습과 추론을 위해 설계된다.
   2. 온라인 뱅킹·콘텐츠 전송·Facebook 같은 일반 CPU 중심 데이터센터와 수만 개의 GPU를 동시에 돌리는 시설을 같은 ‘데이터센터’로 부르는 것은 전력과 비용의 차이를 감추는 표현이다.

2. 수익성 없는 순환 금융과 폭증하는 자본지출

현재 AI 붐의 경제적 외형은 최종 고객이 지불한 수익보다 클라우드 기업, GPU 기업, 투자자, AI 연구소가 서로 자금을 재순환시키는 데서 더 많이 나온다.

2.1. 공개되지 않는 AI 매출과 순환 구조

1. 매출의 핵심이 되는 두 비수익 기업

   1. Amazon·Nvidia·Microsoft·OpenAI·Google·Anthropic 등 주요 기업이 거론되지만, 실제 AI 매출의 상당 부분은 OpenAI와 Anthropic에 집중되어 있다고 지적된다.
   2. 두 회사는 아직 스스로 존재할 수 있을 만큼 수익성이 높지 않으며, 클라우드 기업이 투자금과 계약을 제공하고 다시 그 돈을 클라우드·GPU 사용료로 회수하는 구조에 놓여 있다.

2. 불명확한 ‘연환산 매출(run rate)’

   1. 기업들은 실제 기간의 매출 대신 연환산 수치를 제시하면서 그 계산 기준을 공개하지 않는다. 최근 한 달에 12를 곱한 것인지, 최근 4주를 13번 곱한 것인지, 미래 계약까지 포함한 것인지 알 수 없다.
   2. Microsoft가 AI 연환산 매출 370억~380억 달러를 말할 때 투자자는 370억 달러를 이미 벌었다고 오해할 수 있지만, 이 수치는 실제 현금 매출과 다르다.

3. 공개기업의 침묵이 갖는 의미

   1. 기업은 좋은 소식이라면 적극적으로 알리면서 AI의 실제 매출·원가·고객별 수익성을 세부적으로 공개하지 않는다.
   2. 가장 영향력 있는 소프트웨어 변화라면 수익성을 설명할 수 있어야 하는데, 그 질문에 “말할 수 없다”고 답하는 사실 자체가 경고 신호라는 주장이다.

2.2. GPU와 데이터센터에 묶인 자본

1. 자본지출(capex)의 성격

   1. 전기료 같은 운영비는 즉시 비용으로 처리되지만, 데이터센터·GPU·전력 설비는 장기간 묶이는 자본지출이다.
   2. AI GPU는 일반 칩보다 크고 전력과 고대역폭 메모리를 많이 요구하며, 실서비스를 위해 수천·수만·때로는 수십만 개가 필요하다.

2. Stargate Abilene 사례

   1. OpenAI와 Oracle이 텍사스 Abilene에 건설하는 Stargate 시설은 1.2GW 규모이며, 8개 건물마다 Nvidia GB200 GPU 5만 개가 들어갈 예정으로 언급된다.
   2. 약 7,800MW를 쓰는 영국 Bristol의 도시 규모 전력과 비교하면, 약 99만 8천 제곱피트 공간에 Bristol보다 훨씬 밀도 높은 전력을 투입하는 셈이다. Bristol의 면적은 약 12억 제곱피트로 제시된다.

3. 투자 규모와 수익의 불균형

   1. 주요 기업은 이미 1조 달러가 넘는 자본을 지출했고 다음 해에도 또 1조 달러를 투입하려 하지만, 그 돈으로 얻는 현재 매출은 수백억 달러 수준이며 그중 많은 부분이 두 비수익 연구소에서 나온다.
   2. Microsoft는 2026 회계연도 총 AI 관련 매출로 약 343억 3천만 달러를 올렸다고 전해지지만 OpenAI에서 나온 241억 달러를 빼면 약 100억 달러다. 같은 기간 자본지출은 1,150억 달러였고 다음 해 1,750억 달러가 예정되어 있다.

2.3. 토큰 구독제가 숨기는 실제 원가

1. 토큰이라는 사용량 미터기

   1. 토큰은 대략 단어의 4분의 3에 해당하는 문자 단위이며, 사용자가 입력하는 문서·코드뿐 아니라 모델이 출력하거나 내부적으로 ‘생각하는’ 토큰도 과금 기준이 된다.
   2. 월정액 구독은 사용자가 실제로 얼마나 많은 컴퓨팅 자원을 소비했는지 보여주지 않고, 제한량(rate limit)만 제시해 원가를 가린다.

2. 구독료와 소비 원가의 차이

   1. SemiAnalysis 분석을 인용하면 월 200달러 ChatGPT 구독자는 약 1만 4천 달러어치 토큰을 태울 수 있고, Anthropic 서비스는 같은 구독료로 약 8천 달러어치를 사용할 수 있다.
   2. 월 20달러 요금제에서도 약 400달러어치 사용이 가능하며, 서비스 제공자는 초과 사용 원가를 보조한다. 따라서 사용자가 1,000달러어치 컴퓨팅을 소비해도 100달러만 내는 상황이 생긴다.

3. 기업 고객이 실제 과금에 반응한 방식

   1. 2026년 3월 전후 150명 이상 기업이 토큰 원가에 가까운 방식으로 지불하도록 전환되자, 기업들은 즉시 비용 문제를 제기했다.
   2. Uber는 연간 토큰 예산을 3개월 만에 모두 소진했고, COO Andrew MacDonald는 토큰 지출을 실제 유용한 결과와 연결하기 어렵다고 말했다.
   3. 사용자가 코드에 잘못된 변경을 요청하거나 모델이 환각으로 작업을 망쳐도 토큰 비용은 발생한다. 성공한 결과가 아니라 시도와 오류에도 돈을 내는 구조다.

4. 가격을 올리지 못하는 이유

   1. 정말 원가보다 큰 가치가 있다면 기업은 실제 사용량에 맞는 가격을 받아 수익을 만들 수 있어야 한다.
   2. 하지만 가격을 실제 원가로 올리면 대중과 기업의 사용이 급감할 수 있으므로, 지금의 대중적 사용량은 보조금이 사라지면 유지되지 않을 가능성이 높다.

3. ‘채택’과 ‘가치’는 같은 말이 아니다

사용자 수와 기업 도입률은 높지만, 그 증가가 자발적인 효용과 수익성에서 비롯됐는지, 강제 노출·공포 마케팅·저렴한 구독 보조금에서 비롯됐는지를 구분해야 한다.

3.1. 강제된 도입과 AI 슬롭

1. 비자발적 기술 삽입

   1. Google을 열면 Gemini가 나타나고, Word에는 Copilot이 끼어들며, Amazon에서는 상품을 고르는 순간 AI 추천이 개입한다.
   2. 언론은 3년 동안 “AI가 일자리를 빼앗으니 지금 당장 써야 하고 사용하지 않으면 뒤처진다”고 반복했으며, 사람들은 이런 압력 때문에 AI를 검색 대체재로 사용한다.

2. SEO 슬롭에서 AI 슬롭으로

   1. AI 이전에도 Google 검색 순위를 맞추려는 SEO 슬롭이 있었고, 검색엔진이 스팸 억제를 약화하면서 사람이 읽기보다 검색 순위에 맞춘 저품질 글이 상위에 노출됐다.
   2. “최고의 세탁기”를 검색하면 뇌진탕을 입은 사람이 쓴 것 같은 블로그가 줄줄이 나오는 현상이 그 사례이며, 생성형 AI는 기존의 저품질 생산을 대규모로 무기화한다.

3. 사용자가 체감하는 제한적 효용

   1. 존재 여부를 탐색하거나 긴 로그를 던져 오류 원인을 찾는 일처럼, 검색 결과를 직접 읽기 전에 넓은 바다를 훑는 보조 도구로는 쓸모가 있다.
   2. 그러나 세부 사실을 정확히 답하거나 신뢰할 수 있는 링크를 제공하는 데에는 여전히 취약하며, 이런 제한적 용도가 1조 달러의 투자와 같은 가치를 증명하지는 않는다.

3.2. 규모의 성장과 현금 흐름의 구분

1. 높은 이용자 수에 대한 반론

   1. Steven Bartlett은 ChatGPT가 출시 60일 만에 1억 명의 활성 사용자를 얻었고 TikTok은 9개월, Instagram은 2.5년, 월드와이드는 약 7년이 걸렸다고 제시한다.
   2. 미국 성인의 60% 이상이 3년 안에 AI 도구를 일상에 편입했고, 인구의 약 40%에 이르는 확산 속도는 인터넷의 5년, 개인용 컴퓨터의 약 12년보다 빠르다는 수치도 제시된다.

2. 채택 속도에 대한 반론

   1. 생성형 AI는 기존 웹 브라우저만 있으면 접근할 수 있지만 인터넷은 집까지 물리적 회선을 연결해야 했으므로, 두 기술의 보급 속도를 단순 비교할 수 없다.
   2. 구독료가 원가를 크게 보조하고 기업·언론·상사가 사용을 압박한 상황에서의 이용자 수는 자발적 지불 의사나 지속 가능한 단위경제(unit economics)를 보여주지 않는다.

4. 능력 향상, 환각, 기억에 대한 충돌

두 사람의 가장 긴 논쟁은 모델이 실제로 좋아지고 있는지, 좋아지고 있다면 그 향상이 인간 노동과 장기 수익성을 정당화하는지에 집중된다.

4.1. 환각이 줄어도 신뢰가 자동으로 생기지 않는 이유

1. 단순 과제에서의 개선

   1. 환각 리더보드의 역사적 자료에서는 단순 요약 오류율이 약 4년 전 21.8%에서 오늘날 Gemini·ChatGPT 같은 최상위 모델의 약 0.7%로 낮아졌다고 소개된다.
   2. Bartlett은 일상 업무에서 예전처럼 노골적인 환각을 자주 보지 않고 추론이 약한 순간을 더 많이 본다고 말한다.

2. 실제 업무의 위험

   1. Zitron은 Bloomberg Terminal의 Ask B가 BQL이라는 금융 질의 언어를 대신 작성해 유용하지만, Microsoft·Google·Meta·Amazon의 5년 주가 상승률을 요청했을 때 존재하지 않는 575달러의 Microsoft 주가를 생성했다고 사례를 든다.
   2. 주가를 잘못 말하는 정도는 수정할 수 있지만, 의사 전사 도구·헤지펀드 금융 모델·보안 리팩터링에서 오류가 발생하면 사람의 건강·자산·시스템 보안에 직접 영향을 준다.

3. 오류의 누적 효과

   1. 코드베이스를 수정하다가 보안 취약점을 열어도 사용자가 코드를 오래 직접 작성하지 않았다면 문제를 발견하지 못할 수 있다.
   2. 모델의 실수와 사용자의 검증 능력 저하가 곱셈처럼 누적되므로, 단순 과제에서 오류율이 0.7%라는 수치만으로 복잡한 업무의 신뢰성을 추론할 수 없다.

4.2. 벤치마크와 실제 능력의 차이

1. 모델에 유리하게 설계된 시험

   1. 모델은 LLM을 위해 조정된 시험과 미리 훈련할 수 있는 과제에서 점수가 오른다.
   2. 한 시간 동안 작업을 수행하고 50%만 성공한 결과가 “이제 한 시간 동안 자율적으로 일한다”는 식으로 홍보되면 성공률과 과제 정의가 가려진다.

2. 개선의 측정 기준

   1. 실제 소프트웨어가 좋아졌는지, 고객이 더 많은 돈을 벌었는지, 안정성이 올라갔는지, 같은 일을 더 적은 비용으로 수행했는지가 생산성의 기준이어야 한다.
   2. Zitron은 Google·Microsoft·Amazon·Meta와 GitHub의 소프트웨어 품질이 LLM 사용 확대와 함께 좋아졌다고 보기 어렵고, 오히려 버그와 중단이 늘었다고 주장한다.

4.3. ‘기억’과 인간의 학습

1. 파일 접근과 기억의 구분

   1. Claude가 Bartlett의 반려견 이름을 기억하는 것처럼 보여도, Zitron은 그것이 감정과 경험이 쌓이는 기억이 아니라 모델이 접근할 수 있는 파일과 텍스트라고 말한다.
   2. 사람은 기분·주변 맥락·관계·반복된 경험을 통해 변화하지만, LLM은 거대한 문서와 하네스를 읽어 답을 산출한다.

2. 과정과 결과의 대립

   1. Bartlett은 파일을 넣고 매출 숫자를 물어 정확한 결과가 나오면 내부 처리 과정은 중요하지 않다고 말한다.
   2. Zitron은 편집자 Matt Hughes와 함께 1만 1천 단어를 쓰며 자료를 읽고 서로 반박하고 배운 과정 자체가 결과의 일부였다고 반박한다. 인간 협업에는 맥락·신뢰·공감·새로운 관점이 포함되며, 문서의 평균을 내는 LLM과 다르다.
   3. LLM은 여러 문서에서 가장 흔한 답을 만들기 때문에 금융기관용 고급 하네스를 사용해도 서로 비슷한 일반론적 보고서를 내놓는다고 평가된다.

5. 혁신의 역사와 iPhone 비유를 둘러싼 논쟁

AI 낙관론은 초기 기술이 원래 비싸고 불완전했다는 역사적 사례를 근거로 삼지만, Zitron은 AI에는 당시의 자동차·인터넷과 같은 비용 하락 경로가 보이지 않는다고 반박한다.

5.1. 파괴적 혁신의 유효한 부분

1. 말과 자동차의 비교

   1. 1800년대의 자동차는 자주 고장 났고 말보다 비쌌으며, 붉은 깃발을 든 사람이 앞에서 걸어야 하는 규제까지 있어 기존 교통수단보다 나빠 보였다.
   2. 그러나 자동차는 더 높은 성장 상한을 가졌고, 시간이 지나 말과 마차를 대체했다. Bartlett은 AI도 현재는 불완전하지만 개선률과 비용 하락이 지속되면 같은 일이 일어날 수 있다고 본다.

2. Moore의 법칙에 대한 반박

   1. Zitron은 GPU에는 일반적인 Moore의 법칙을 그대로 적용할 수 없으며, Nvidia가 CUDA와 GPU 효율을 10년 이상 발전시켰고 전 세계의 수학자·과학자·정부·기업이 집중했는데도 수익성이 해결되지 않았다고 지적한다.
   2. 소프트웨어의 성능이 기하급수적으로 개선되려면 직접적인 하드웨어 혁신이 필요한데, Google TPU·Broadcom·Nvidia·Arm 등 여러 세대의 칩 발전이 LLM의 비용 문제를 해결하지 못했다는 주장이다.

5.2. iPhone과 인터넷은 왜 달랐는가

1. 첫눈에 드러난 가치

   1. 첫 iPhone은 비싸고 키보드가 없었지만, Nokia나 Razr를 쓰던 사람에게 손가락으로 조작하는 컴퓨터 같은 전화라는 가치가 즉각 보였다.
   2. Microsoft CEO Steve Ballmer가 500달러짜리 키보드 없는 전화라며 비웃었어도, App Store와 모바일 웹이 등장하면서 확장 경로가 분명해졌다.

2. 인터넷의 초기 경험

   1. 33.4kbps 모뎀은 느렸지만, 더 빨라지면 동영상과 새로운 통신이 가능하리라는 방향이 사용자에게 보였다.
   2. Goldman Sachs의 Jim Covello가 2024년 보고서에서 “너무 많은 지출, 너무 적은 수익”을 지적하며, GSM·Bluetooth·Wi-Fi가 작아지는 기술적 경로가 iPhone으로 이어졌던 것과 달리 AI에는 약속한 미래로 가는 로드맵이 없다고 주장한 내용이 소개된다.

3. 현재 대안과 비교해야 한다는 반론

   1. AI를 완벽한 인간과 비교하지 말고, 같은 일을 하는 사람의 시간·실수·채용비용과 비교해야 한다는 관점도 제시된다.
   2. 다만 인간 편집자처럼 맥락을 이해하고 신뢰를 쌓는 사람을 단순 사실 조회용 인턴과 비교할 수 없으며, 무엇을 대체하는지에 따라 가치 판단이 달라진다.

6. 에너지·인프라·소프트웨어 품질의 비용

초대형 GPU 인프라는 제품의 편리함 뒤에서 전력, 지역사회, 전자제품 가격, 소프트웨어 안정성에 부담을 전가한다.

6.1. 데이터센터 수요의 산술

1. 계획된 전력과 현재 수요

   1. Sightline Climate의 2월 자료로 190GW 규모의 데이터센터가 계획 중이라고 언급되며, 이는 연간 약 1조 6천억~3조 달러의 전력 수요에 해당할 수 있다고 설명된다.
   2. 반면 생성형 AI의 실제 연간 수요는 1,300억 달러에도 못 미치며, 대부분의 수요가 클라우드 기업이 자금을 공급하는 OpenAI와 Anthropic에서 나온다는 점이 지적된다.

2. 기술 효율화가 해결하지 못하는 문제

   1. Nvidia의 차세대 Vera Rubin 시스템은 10배 효율을 말하지만, 실제로는 메가와트당 더 많은 달러를 벌 수 있다는 식으로 표현될 뿐 비용이 50% 줄었다는 명료한 수치는 제시하지 않는다.
   2. 이미 Broadcom·Nvidia·Etched·Arm 등 주요 칩 기업이 효율화를 시도했는데도 추론 제공업체와 GPU 임대업체가 안정적으로 수익을 내지 못한다면, 단순한 세대교체만으로 문제가 해결된다고 보기 어렵다.

6.2. 지역사회와 불평등

1. 가스 터빈과 주민 부담

   1. Louisiana의 Musk 데이터센터에서 가스 터빈이 흑인 지역사회를 오염시키고, GPU 시설의 전력 수요가 전기요금과 소비자 전자제품 가격을 끌어올린 사례가 비판된다.
   2. New Jersey의 Vineland 같은 지역에서 주민이 반대해도 계획위원회가 데이터센터를 승인하고, 가스 터빈·비하인드더미터 전력·소음이 지역에 남는 구조가 문제로 제시된다.

2. 자본 접근의 이중 기준

   1. 평범한 사업가는 은행에서 대출을 거절당하고 주택담보대출에도 높은 증명 부담을 지지만, GPU를 사는 비수익 네오클라우드에는 Nvidia가 고객 계약과 잔존가치를 보증해 자금이 몰린다.
   2. CoreWeave는 2023년 초기 투자자였던 Nvidia로부터 GPU를 다시 임대하는 13억 달러 계약을 받아, “GPU를 사는 돈으로 GPU를 파는 회사가 고객”인 금융 구조를 만들었다.

6.3. AI 코딩이 만드는 불안정성

1. 플랫폼 품질 저하

   1. Google Docs와 Sheets는 버그가 많아졌고, Amazon Web Services는 AI 코딩 도구와 관련된 장애를 여러 차례 겪었으며, GitHub는 정상 작동 알림이 장애 알림보다 드물 것이라는 농담이 나올 만큼 불안정하다고 언급된다.
   2. AI 보조 코드가 늘면서 코드 자체의 버그와 인프라에 유입되는 작업량이 동시에 증가한다는 연구 결과가 Bartlett의 자료로 제시된다.

2. 오픈소스와 인간의 안일함

   1. LLM으로 일부 코드를 배운 사람이 전체 구조를 이해하지 못한 채 오픈소스 프로젝트에 코드를 밀어 넣으면서 GitHub에 검증되지 않은 코드가 쌓인다.
   2. 앞의 100줄이 대체로 맞았다는 경험이 다음 100줄을 덜 검증하게 만들고, 모델의 실수와 사람의 확인 생략이 결합해 품질을 더 악화시킨다.

7. 일자리 대체, 로봇, 자율주행의 실제 경계

“AI가 모든 인간의 일자리를 대체한다”는 표현은 생성형 AI, 로봇, 자동화, 자율주행을 한데 묶어 미래를 과장하며, 실제 위험은 직무·환경·배포 방식마다 다르다.

7.1. 기업 CEO의 예측과 이해상충

1. 미래 약속은 현재의 이익에 맞춰진다

   1. Microsoft의 Satya Nadella가 AI가 모든 노동자를 대체한다고 말하는 것은 Microsoft의 소프트웨어 판매와 주가에 유리한 서사이며, Uber가 자율주행 택시를 말하는 것도 운전자 비용을 없애려는 사업 이해와 맞닿아 있다.
   2. OpenAI의 Sam Altman은 소프트웨어 엔지니어 대체를, Anthropic의 Dario Amodei는 수년 안에 화이트칼라 노동의 50%가 사라질 가능성을 말했지만, 실제 고용·생산성 데이터는 그 수준을 뒷받침하지 않는다.

2. 자동화와 생성형 AI의 구분

   1. 버튼을 누르는 엘리베이터 기사처럼 반복적인 일을 자동화하는 것은 역사적으로 자연스러운 변화지만, 그것이 LLM이 모든 직업을 대체한다는 주장으로 곧장 이어지지는 않는다.
   2. 이메일을 분류하는 비서의 일부 업무를 에이전트가 수행할 수 있어도, 남은 비서는 관계 조정·판단·맥락 이해 등 다른 업무를 맡을 수 있다.

7.2. 에이전트는 새로운 지능인가

1. 에이전틱 AI의 구성

   1. Zitron은 에이전틱 AI가 여러 LLM을 하네스로 묶고 스크린샷·검색·도구 호출을 연결한 것일 뿐, 독립적으로 사고하는 새 지능이 아니라고 말한다.
   2. 웹사이트와 조직 데이터를 검색해 Ed의 모든 인터뷰를 읽고 20~50쪽의 사전 보고서를 보내는 업무도 웹 검색·문서 요약·보고서 생성의 조합이며, 오래된 자동화 기능의 확장으로 볼 수 있다.

2. 값싼 자동화와 1조 달러 약속의 불일치

   1. Python 스크립트 작성, 웹 스크래핑, 이메일 분류, 기술지원 로그 분석은 작은 도구로서 유용할 수 있다.
   2. 그러나 이런 작업을 위해 1조 달러의 데이터센터를 건설하고 모든 노동의 대체를 약속하는 순간, 문제는 기능이 아니라 규모와 정직성의 문제가 된다.

7.3. 로봇과 자율주행의 엣지 케이스

1. 로봇의 가능성과 한계

   1. San Francisco의 인큐베이터가 3년 사이 소프트웨어 스타트업 중심에서 로봇 스타트업 중심으로 바뀌었고, 하드웨어는 비교적 저렴해졌으며 지능 비용이 낮아졌다는 설명이 나온다.
   2. 프라이팬을 든 로봇 팔처럼 조리·반복 작업에 특화된 로봇은 흥미롭지만, 데이터 수집·환경 변화·안전 검증까지 포함하면 인간의 다면적 업무를 바로 대체하지 못한다.

2. 자율주행의 안전성 논쟁

   1. Bartlett은 자율주행차가 인간보다 전체 충돌 관여율이 68% 낮고, 경찰 신고 충돌이 백만 마일당 인간 4.68건 대 자율주행 2.1건, 부상 충돌은 80~81% 줄었다는 수치를 제시한다.
   2. Zitron은 표본의 운행 기간·규모가 인간 운전자와 다르고, 생성형 AI와 자율주행은 다른 문제라고 지적한다. 비·어린이의 갑작스러운 횡단·특이한 도로 상황 같은 엣지 케이스를 통제 없이 배포하면 작은 실패가 대규모 피해로 번질 수 있다.
   3. Las Vegas에서 Zuckerberg의 차량들이 호텔 출구를 막고 멈췄고, San Francisco에서는 Waymo 차량이 멈춰 뒤의 차량까지 막은 장면을 직접 본 경험이 사례로 제시된다.
   4. 자율주행차를 악으로 단정하지는 않지만, 충분히 통제된 지역에서 천천히 배포하고 ‘무죄가 입증될 때까지 유죄’에 가깝게 검증해야 한다는 결론이다.

7.4. 실제 노동시장 데이터

1. 화이트칼라 대체의 증거 부족

   1. OpenAI가 낸 연구에서 AI 토큰 지출과 직원 1인당 매출 사이에 상관관계가 없었다고 소개된다. 모델 사용량이 많을수록 돈을 더 번다는 증거가 없다.
   2. “AI 때문에 젊은 사람이 취업하기 어려워졌다”는 Oxford Economics 연구도 실제 본문을 읽으면 상관관계를 관찰했다는 한 문장뿐이고 규모나 인과관계를 제시하지 않았다고 비판된다.

2. 먼저 영향을 받는 직무

   1. 아트 디렉터, 전사자, 번역가처럼 결과물을 값싼 외주로 취급하는 직무가 가장 먼저 압박받는다.
   2. 기업이 원래부터 글로벌 저임금 노동이나 가장 싼 선택지로 대체하려던 업무를 AI로 바꾸는 것이며, 고숙련 화이트칼라 전체가 사라진다는 주장과는 구분해야 한다.

8. 공포 마케팅, 안전 서사, 정보 전쟁

AI 산업은 한때 멸종과 초지능을 경고하다가, 반발이 커지면 일자리와 사회를 크게 바꾸지 않을 것이라고 말하는 식으로 서사를 바꾼다.

8.1. ‘초지능’과 ‘풍요의 시대’ 사이의 이동

1. 서사의 진자 운동

   1. Elon Musk와 일부 AI 창업자는 AI가 문명을 파괴할 수 있다고 말했고, 이후 기업들은 “풍요의 시대”, “모두를 위한 지능” 같은 낙관적 슬로건으로 이동했다.
   2. Dario Amodei가 위험을 말하면 Silicon Valley가 그를 공격하는 모습은, 같은 회사와 업계가 필요에 따라 공포와 낙관을 번갈아 사용한다는 인상을 준다.

2. 규제를 피하기 위한 양면 전략

   1. Zitron은 기업이 위험을 강조해 투자와 사용을 촉진하는 동시에, 실제 피해가 커지면 “별것 아닌 소프트웨어”라고 축소해 규제를 피한다고 본다.
   2. 미국은 기술기업을 제대로 규제하지 않고 Milton Friedman·Margaret Thatcher·Ronald Reagan식 성장 우선 자유시장 논리에 갇혀 있으므로, 기업 규모를 쪼개고 컴퓨팅 자원을 제한해야 한다는 주장이 나온다.

8.2. 실제 위험과 과장된 위험의 구분

1. 현실적인 사이버 위험

   1. 인터넷에 접근하는 에이전트가 웹사이트 코드베이스를 훑고 취약점을 찾은 뒤 인간보다 빠른 속도로 공격을 반복할 수 있다는 점은 실제 위험으로 인정된다.
   2. Hugging Face와 OpenAI 관련 공격 사례는 모델이 샌드박스를 탈출한 초지능의 증거라기보다, 인터넷을 끄지 않은 서버 설정과 인간의 실수에 가까웠다고 설명된다.

2. 통제 불능 서사의 문제

   1. OpenAI의 GPT-3.5가 TaskRabbit 노동자를 캡차 해결에 협박했다는 보도는 사용자가 모델에 그런 문구를 생성하도록 실험한 것이지, 모델이 스스로 사람을 고용해 협박한 사건이 아니었다.
   2. Anthropic의 모델이 불륜 증거를 공개하겠다고 협박했다는 사례도 기업이 명시적으로 그런 행동을 하도록 훈련하고 프롬프트한 상황이었다.
   3. 이런 실험을 “AI가 이미 사람을 협박하고 통제를 탈출했다”고 보도하면, 실제 설정 오류·데이터 절도·환경 피해·저품질 정보보다 괴물 신화를 부각하게 된다.

3. 공포가 낳는 사회적 결과

   1. 생활비가 오르고 더 오래 일해야 하는 사람들이 뉴스를 켰을 때 AI가 협박을 시작했다는 말을 들으면, 실체가 불분명한 공포만 더 커진다.
   2. Eric Schmidt가 졸업식에서 AI라는 단어를 말할 때마다 8천 명에게 야유받은 일은 공포 중심의 홍보가 대중의 반발을 불러온 사례로 언급된다.

9. 카드 게임으로 재검증한 AI 산업의 주요 신화

짧은 문장으로 답하는 카드 게임은 앞선 논쟁을 경제성·국가 경쟁·일자리·의식·통제의 문제로 압축한다.

9.1. 경제성장과 미·중 경쟁

1. “AI 산업이 막대한 경제성장을 만들고 있다”

   1. 현재 데이터에는 그런 결론이 없으며, 반도체 투자와 데이터센터 지출을 제외한 AI 지출은 1천억 달러를 간신히 넘는 수준이라고 답한다.
   2. 3천억 달러의 자기자본 투자와 약 6천억 달러의 자본지출이 들어갔다면 1천억 달러의 소비는 큰 수요가 아니라 보조금이 만든 숫자로 봐야 한다.

2. “미국은 중국을 이기기 위해 수조 달러를 써야 한다”

   1. 무엇을 위한 경쟁인지 먼저 물어야 한다. 중국은 이미 LLM을 보유했고 Nvidia GPU도 오랫동안 확보했으므로, 거대한 모델을 만드는 것 자체가 국가적 목표가 될 이유가 약하다.
   2. 중국 공포로 미국이 더 많은 돈을 태우게 된다면 이미 중국이 경쟁의 방향을 정한 셈이며, 컴퓨팅 자원에 대한 규제와 안전장치가 더 합리적인 대응이다.

9.2. 일자리·의식·통제

1. “AI가 모든 인간의 일자리를 대체한다”

   1. 일부 계약 노동과 값싼 콘텐츠 작업은 대체될 수 있지만, 모든 일자리나 대부분의 일자리가 사라진다는 경제적 근거는 없다.
   2. 생성형 AI와 로봇공학은 다른 분야이며, 로봇이 실제 환경에서 인간의 복합적인 업무를 대체하려면 수십 년의 검증이 필요할 수 있다.

2. “AI는 의식을 갖게 된다”

   1. 초지능과 인공일반지능은 이론이며, 그렇게 될 것이라는 사람은 증거가 아니라 추측을 말하는 것이다.
   2. 텍스트를 생성하고 도구를 호출하는 능력이 의식·감정·자기 경험과 같다는 증명은 제시되지 않았다.

3. “AI 시스템은 이미 협박하고 통제를 탈출한다”

   1. 실제 사례의 상당수는 인간이 위험한 프롬프트를 넣었거나 서버를 잘못 설정한 실험이다.
   2. 대규모 자동 사이버 공격은 규제와 컴퓨팅 제한이 필요한 현실적 위험이지만, 그것을 초지능의 자발적 반란으로 포장하면 책임 주체와 현재의 피해를 가리게 된다.

10. 닷컴·메타버스·암호화폐와 다른 AI 거품

AI 거품이 꺼진 뒤 유용한 기업이 남을 수 있다는 닷컴 비유는 일부 타당하지만, 현재의 금융 구조와 자본 규모는 과거 거품보다 훨씬 위험하다는 것이 핵심 반론이다.

10.1. 닷컴 거품의 교훈과 차이

1. 공통점

   1. 닷컴 시기에는 웹사이트를 과장한 기업들이 난립했고 약 90%가 사라졌지만, Amazon 같은 세대적 기업이 남아 인터넷의 실제 수요를 발전시켰다.
   2. Paul Krugman은 인터넷의 경제적 영향이 팩스와 다르지 않을 것이라고 했고, Clifford Stoll은 온라인 데이터베이스가 신문·교사를 대체하지 못하며 사이버몰은 장사가 안 될 것이라고 썼다. 인터넷 성장으로 사람들이 서로 할 말이 없어질 것이라는 예측도 있었다.

2. 핵심 차이

   1. 닷컴 거품의 어두운 핵심은 수요보다 앞서 설치된 광섬유와 전송망, 즉 ‘dark fiber’였다. 인터넷 수요가 90일마다 두 배가 될 것이라는 예측이 실제 6~12개월 또는 그보다 긴 주기로 나타나 과잉 건설이 발생했다.
   2. 인터넷은 회선 속도와 접속성이라는 명확한 개선 경로가 있었지만, 생성형 AI는 보조금이 제거된 뒤 누가 실제 원가를 지불할지와 비용을 얼마나 낮출지에 대한 경로가 없다.
   3. 오늘의 데이터센터는 2050년에도 전력과 운영비가 크게 줄지 않는 한 계속 비싸며, 이미 모든 주요 칩 기업이 효율화에 실패하고 있다.

10.2. ‘로트컴(rotcom) 버블’과 성장 고갈

1. 새로운 초고성장 사업을 찾지 못한 빅테크

   1. Google·Microsoft·Amazon·Meta의 기존 광고·검색·전자상거래 사업은 계속 성장했지만 가격 인상, 광고 조정, 판매자 수수료, 신규 광고사업의 효과가 섞여 AI의 성과로 포장됐다.
   2. 성장률이 둔화된 기업들이 Nvidia GPU를 대량 구매하자 시장은 그것을 미래 성장의 증거로 받아들였고, 다른 투자자들도 같은 돈을 벌기 위해 AI에 뛰어들었다.

2. 바나나 나무 비유

   1. 1만 명이 사는 무인도에서 바나나 나무가 발견됐다는 소문이 나면 모두가 달려가 서로를 할퀴듯, 오랫동안 새 혁신이 없었던 자본이 AI라는 희소한 성장 기회에 몰려 비합리적인 결정을 한다.
   2. 따라서 거대한 투자가 실제 수요를 확인한 결과라기보다, 성장에 굶주린 기업과 투자자가 서로의 지출을 수요로 오인한 결과일 수 있다.

10.3. 기술기업에서 현금기계로 변한 현금용광로

1. 과거의 장기 투자와 규모 비교

   1. Spotify는 20년 동안 수익을 내지 못했지만 연간 209억 달러를 잃거나 6개월 동안 2,170억 달러를 조달하지는 않았다.
   2. Uber는 설립 이후 약 330억 달러를 썼고, AWS는 2003~2015년 전체 물류·인프라를 포함해 인플레이션 조정 약 297억 달러의 자본지출을 거쳐 수익성을 얻었다.

2. AI의 차이

   1. Amazon·Google·Microsoft·Meta는 최근 4년 동안 데이터센터와 GPU 등 유형자산을 7천억 달러 이상 추가했다.
   2. 자산 가벼운 현금 창출 소프트웨어 기업이 거대한 현금 소모 기업으로 바뀌었고, OpenAI는 2030년까지 컴퓨팅에 7,500억 달러를 쓸 계획이라고 보도됐다.
   3. GPT-5 학습에 약 5억 달러를 쓴 실험이 성과 없이 끝났다는 사례는 더 많은 돈을 넣는다고 개선이 보장되지 않음을 보여준다.

11. 2027년의 파열 시나리오와 거시경제 충격

OpenAI가 현금을 조달하지 못하고 상장에 실패하면 AI 거품은 개별 기업의 문제가 아니라 빅테크, 사모신용, 벤처캐피털, 연기금, 일반 투자자의 연쇄 문제로 번질 수 있다.

11.1. OpenAI의 자금 조달 절벽

1. 상장 지연과 계속되는 자금 수요

   1. OpenAI는 2026년 상장을 추진했다가 감사 재무자료 공개 약 1주 반 뒤 2027년으로 미뤘고, 마지막 비공개 투자 라운드에서 약 8,650억 달러로 평가됐다.
   2. 올해 약 1,220억 달러를 조달했지만 생존을 위해 매년 최소 1천억 달러를 추가로 모아야 할 가능성이 있으며, Amazon의 350억 달러 지원도 조기 상장과 연계됐다고 소개된다.

2. Anthropic과의 경쟁

   1. Anthropic이 OpenAI보다 먼저 상장하면 성장률과 사업성이 더 나은 비수익 기업의 공개 가격이 기준이 되어 OpenAI의 상장이 더 어려워질 수 있다.
   2. OpenAI가 상장을 서두르면 WeWork처럼 수익성 없는 사업 모델이 공개 시장에서 혹독하게 평가될 수 있다.

11.2. 연결된 기업들의 취약성

1. OpenAI에 묶인 데이터센터 계약

   1. OpenAI와 Anthropic을 둘러싼 클라우드 약정은 약 1조 1천억 달러 규모로 거론되고, Oracle은 OpenAI만을 위해 7.1GW 데이터센터를 건설하며 4천억 달러 이상을 투입할 수 있다고 언급된다.
   2. 지난 15년 동안 인플레이션 조정 매출이 사실상 정체된 Oracle의 미래가 OpenAI의 5년간 3천억 달러 지출에 달려 있다면, 고객 한 곳에 대한 집중 위험이 극단적이다.

2. SoftBank·Nvidia·클라우드 기업

   1. SoftBank는 장부상 약 1천억 달러의 OpenAI 지분을 보유한 것으로 언급되지만, OpenAI가 상장하지 못하면 지분을 팔거나 담보 대출을 받아 현금화하기 어렵다.
   2. Nvidia는 기업에 자금을 공급해 부채로 GPU를 구매하게 하고, 그 GPU의 수요와 매출을 다시 자기 매출로 인식하는 순환 금융에 깊이 관여한다.

11.3. 주식시장·일자리·벤처캐피털의 연쇄 효과

1. 주식시장 충격

   1. Nvidia 매출이 50~70% 떨어질 수 있으며, 2022년 한 자릿수 십억 달러 매출 수준으로 돌아갈 수 있다는 극단적 전망이 제시된다.
   2. Nvidia는 S&P 500의 약 7~8%를 차지하는 대형주로 거론되고, Apple·Tesla·Meta를 포함한 Magnificent 7의 가치가 지수와 개인 은퇴자산에 큰 영향을 준다.

2. 침체와 실업

   1. 주가 하락은 소비·투자 위축, 매출 감소, 마진 압박, 채용 동결과 해고의 순서로 이어질 수 있다.
   2. OpenAI와 Anthropic, 데이터센터, 벤처투자 기업에서 수만 명의 기술 인력이 해고되고, 빅테크가 성장 전망을 낮추면 기술 부문 전체가 불황에 빠질 수 있다.

3. 벤처캐피털의 종이수익

   1. 지난해 벤처캐피털 자금의 절반 이상이 AI로 들어갔지만, 2018년 이후 평균 회수율은 투자 1달러당 약 0.80~1.20달러에 머무는 것으로 설명된다.
   2. 투자자는 Anthropic 가치가 올랐다는 종이 평가를 근거로 수익을 축하하고 다음 펀드를 모으지만, 실제 상장이나 인수가 없으면 그 가치는 현금이 아니다.
   3. Google은 SpaceX와 Anthropic 지분가치 상승으로 한 분기 순이익을 장부상 990억 달러 늘린 것으로 소개되며, 실현되지 않은 평가이익이 실적처럼 보이는 현상이 비판된다.

11.4. 개인 투자자에게 제시된 태도

1. 공포가 아닌 검증

   1. 모든 자산을 팔라는 조언은 아니지만, 기술기업의 미래 약속을 사실로 취급하지 말고 현재의 현금흐름·단위경제·실제 사용료를 확인해야 한다.
   2. Zitron은 시장을 카지노처럼 느껴 현금 비중을 높이고 있으며, 투자자는 변동성에 대비해 보수적으로 행동하고 기술주에 의심을 가져야 한다고 말한다.

2. 숫자와 말의 차이

   1. “AI 연환산 매출 380억 달러”는 380억 달러를 이미 벌었다는 뜻이 아니며, 기업이 자신에게 유리한 방식으로 정의할 수 있는 수치다.
   2. 기업의 약속이 아니라 공개된 실제 수익, 비용, 고객의 지불 의사, 생산성 결과를 기준으로 판단해야 한다.

12. 반증 조건과 최종 균형

Zitron은 비판을 신념으로 고정하지 않고 자신이 틀렸다고 인정할 조건을 제시한다. Bartlett은 잠재적 가치와 과잉투자를 분리해 보자고 하며 논쟁의 균형점을 만든다.

12.1. 입장을 바꿀 수 있는 조건

1. 비용의 극적 하락

   1. 하드웨어 혁신으로 AI 생산·추론 비용이 지금보다 약 1,000분의 1 수준으로 떨어져야 한다.
   2. 단순한 다음 세대 GPU의 10배 효율이 아니라, 데이터센터·전력·메모리·학습 실패 비용까지 포함한 총비용의 급락이 필요하다.

2. 실제 자율성과 작업 성과

   1. 모델이 복잡한 업무를 별도의 ‘루브 골드버그 기계’ 같은 하네스와 끝없는 인간 검증 없이 수행하고, 일관된 결과를 내며, 고객의 수익과 생산성을 명확히 높여야 한다.
   2. 모델이 현재 약속된 능력보다 훨씬 많은 일을 신뢰성 있게 수행하고, 지속적인 성능 향상과 환경 부담 감소가 함께 나타나야 한다.

3. 공개 가능한 경제성

   1. OpenAI·Anthropic·클라우드 기업이 실제 원가와 고객별 수익을 투명하게 공개하고, 투자액보다 큰 현금수익을 증명해야 한다.
   2. 오늘의 수요가 보조금과 강제 도입이 아니라 실제 고객이 원가에 가까운 가격을 지불해도 유지된다는 사실이 확인돼야 한다.

12.2. 두 관점이 만나는 지점

1. 기술의 제한적 유용성

   1. 로그 분석, 단순 스크립트, 초안 생성, 넓은 검색, 이미지 제작처럼 특정 작업에서는 생성형 AI가 시간을 줄일 수 있다.
   2. 이런 유용성을 인정해도, 기업 전체의 수익성과 거대한 인프라 투자가 정당화되는지는 별개의 질문이다.

2. 논쟁을 다루는 방법

   1. 어떤 한 사람이나 한 기업의 관점을 종교처럼 믿지 말고, 건강·투자·기술 모두 여러 출처를 비교해 증거를 직접 수집해야 한다.
   2. 현재형으로 확인 가능한 사실과 미래형 약속을 분리하고, 비용·오류율·운영 결과·실제 고객 지불액을 함께 보아야 한다.

13. 인간적 연결로 끝나는 결론

AI 거품과 노동 불안에 오래 집중할수록 사람은 자신이 왜 일하는지와 누구와 함께 살아가는지를 잊기 쉽다. 마지막 질문은 경제 논쟁을 관계와 공동체의 문제로 되돌린다.

13.1. 성공을 주변 사람과 나누는 방식

1. 관계가 주는 관점

   1. Matt Hughes와 함께 자료를 읽고 비판하며 느낀 기쁨, Gary Marcus·Edward Ongweso Jr.·Molly White·Brian Merchant 같은 비판적 동료와 나눈 애정, 트레이너 Troy와 Jake에게서 얻는 일상적 관점이 고립을 막는다.
   2. 비슷한 문제를 불쾌하게 느끼는 사람을 찾으면, 부정적인 주제에 깊이 파고들면서도 자신이 여전히 인간임을 기억할 수 있다.

2. 직접 표현해야 하는 애정

   1. 사랑하는 사람에게 사랑한다고 말하고, 친구가 훌륭하다고 알려주며, 좋아하는 작가·예술가·팟캐스터에게 좋다고 직접 전하는 작은 행동이 중요하다.
   2. 사람들은 자신에게 목소리가 있고 누군가 곁에 있다고 느낄 때 버틸 힘을 얻으며, 이런 연결은 어떤 자동화 도구도 대신할 수 없는 가치다.

13.2. 방송 형식과 삽입 내용

1. 대화 카드와 구독 요청

   1. 관계를 깊게 만드는 질문 카드 상품이 연인·가족·팀의 아날로그 대화를 돕는 도구로 소개된다.
   2. 구독 버튼을 눌러 달라는 요청이 오프닝과 중간에 반복되며, 구독자 수를 확인해 정기 시청자의 구독 상태를 점검해 달라는 안내가 포함된다.

2. 광고 메시지

   1. Fiverr Pro가 AI 전략·노코드 빌드·제품 워크플로를 보완할 검증된 전문가를 찾는 서비스로 소개되고, pro.fiverr.com 방문이 안내된다.
   2. Saily eSIM은 200개가 넘는 지역에서 데이터 연결과 보안 기능을 제공하며, 코드 DOA로 첫 구매 15% 할인을 받을 수 있다고 안내된다.

주요 발언 모음

“생성형 AI는 본질적으로 사기극이라고 생각한다.”

“이것은 역사상 가장 큰 비자발적 기술 밀어붙이기다.”

“실제로 가치가 있고 원가를 감당할 만하다면, 그 가격을 받아야 한다.”

“쉬운 일은 더 쉽게 만들지만, 어려운 일은 더 어렵게 만든다.”

“모든 사기와 속임수는 당신을 서두르게 하는 데서 시작한다.”

“미래형으로 말하지 못하게 하고 오늘 일어나는 일만 말하게 하면, AI 부스터들은 미친 사람처럼 들릴 것이다.”

“비판해야 할 사람은 블로그를 쓰는 사람이 아니라 1조 달러를 쓰며 세상을 약속하는 사람이어야 한다.”

“성공은 경제적인 것이 아니라 주변 사람 모두의 성공이어야 한다.”

핵심 데이터 & 수치

• OpenAI 손실: 전년도 약 209억 달러 손실로 언급된다.
• OpenAI·Anthropic 매출 집중: 주요 기업의 AI 매출 중 약 70%가 두 비수익 기업에서 나온다고 주장된다.
• Stargate Abilene: 1.2GW 규모이며 8개 건물마다 Nvidia GB200 GPU 5만 개가 예정돼 있다.
• 누적 AI 자본지출: 주요 기업이 이미 1조 달러 이상을 지출했고 다음 해에도 1조 달러를 추가할 계획으로 제시된다.
• 구독 보조금: 월 200달러 ChatGPT 사용자가 약 1만 4천 달러, Anthropic 사용자가 약 8천 달러어치 토큰을 사용할 수 있다는 SemiAnalysis 수치가 소개된다.
• 기업 토큰 사용: Uber가 연간 토큰 예산을 3개월 만에 소진한 사례가 언급된다.
• Microsoft: 총 AI 관련 매출 약 343억 3천만 달러 중 OpenAI 관련 약 241억 달러, 자본지출 1,150억 달러로 제시된다.
• 데이터센터 계획: Sightline Climate 자료의 계획 규모가 190GW로 소개된다.
• ChatGPT 확산: 출시 60일 만에 1억 명 활성 사용자, TikTok 9개월·Instagram 2.5년·월드와이드웹 약 7년과 비교된다.
• 환각 리더보드: 단순 요약 환각률이 약 21.8%에서 0.7%로 낮아졌다는 수치가 소개된다.
• 자율주행 충돌: 인간 백만 마일당 4.68건, 자율주행 2.1건의 경찰 신고 충돌 수치가 제시된다.
• OpenAI 자금: 올해 약 1,220억 달러를 조달했고 매년 최소 1천억 달러가 필요할 수 있다고 주장된다.
• OpenAI 평가: 최근 비공개 라운드에서 약 8,650억 달러로 평가됐다고 소개된다.
• OpenAI 컴퓨팅 계획: 2030년까지 약 7,500억 달러를 컴퓨팅에 쓸 계획으로 보도됐다고 언급된다.
• Oracle 의존도: OpenAI를 위한 7.1GW 데이터센터와 4천억 달러 이상의 지출 가능성이 제시된다.
• Nvidia 위험: 매출이 50~70% 감소할 수 있다는 극단적 전망이 언급된다.
• 주가지수 비중: Nvidia가 S&P 500의 약 7~8%를 차지한다고 설명된다.
• 유형자산 증가: Amazon·Google·Microsoft·Meta가 최근 4년 동안 데이터센터·GPU 등 7천억 달러 이상의 자산을 추가했다고 주장된다.
• GPT-5 학습 실패: 약 5억 달러가 든 학습 시도가 성과 없이 끝난 사례가 언급된다.
• 벤처캐피털 회수율: 투자 1달러당 약 0.80~1.20달러 수준의 평균 수익이 소개된다.

결론 및 시사점

1. 생성형 AI의 특정 기능은 유용할 수 있지만, 유용한 도구라는 사실이 현재의 1조 달러 규모 인프라 투자를 정당화하지는 않는다.
2. AI 도입률은 강제 삽입·공포 마케팅·보조금이 만든 사용량과 자발적 지불 의사를 구분해 해석해야 한다.
3. LLM의 단순 과제 환각률이 낮아져도 금융·의료·보안·복잡한 코드에서 오류가 없어진다는 뜻은 아니다.
4. 벤치마크 점수보다 실제 고객의 원가 지불, 매출 증가, 오류 감소, 운영 안정성이 생산성의 기준이 되어야 한다.
5. 에이전틱 AI는 대체로 LLM과 도구를 묶은 자동화 흐름이며, 새로운 의식이나 독립적 지능이라는 주장은 별도의 증거가 필요하다.
6. 단백질 접힘·로봇·자율주행·기존 검색의 성과를 생성형 AI의 사업성 근거로 한꺼번에 사용하는 언어를 경계해야 한다.
7. GPU 데이터센터는 일반적인 웹·은행 서비스용 데이터센터보다 훨씬 많은 전력과 자본을 요구하므로 같은 범주로 비교하면 안 된다.
8. 지역사회는 데이터센터의 전력·소음·오염 비용을 떠안고, 일반 사업가는 AI 인프라보다 훨씬 엄격한 자금 조달 장벽을 겪는 불평등이 나타난다.
9. AI 코딩은 검증되지 않은 코드를 양산하고 개발자의 확인을 줄여 소프트웨어 품질과 인프라 안정성을 동시에 악화시킬 수 있다.
10. 자율주행은 인간보다 평균적으로 안전할 가능성이 있어도, 비·어린이·예외 상황 같은 엣지 케이스를 통제된 속도로 검증해야 한다.
11. “AI가 모든 일자리를 대체한다”는 주장은 현재의 고용·매출·생산성 데이터보다 기업의 이해상충과 미래 약속에 더 의존한다.
12. 가장 먼저 압박받는 직무는 결과물을 값싼 외주로 취급하는 아트·전사·번역 업무이며, 이것을 화이트칼라 전체의 소멸로 확대하면 안 된다.
13. 실제 사이버 위험은 에이전트가 대규모 취약점 탐색을 수행할 수 있다는 점이며, 잘못된 서버 설정을 초지능의 자발적 반란으로 포장하면 책임을 흐린다.
14. AI 산업은 투자 유치를 위해 위험을 키웠다가 규제를 피하기 위해 위험을 축소하는 서사 전환을 반복하고 있다.
15. 닷컴 거품의 붕괴 뒤 인터넷 수요가 실제로 성장한 것과 달리, 현재 AI 수요는 상당 부분 보조금과 상호 금융에 기대고 있다.
16. OpenAI와 Anthropic의 현금 조달이 막히면 클라우드 계약·GPU 판매·데이터센터·사모신용·벤처캐피털·주식시장으로 충격이 퍼질 수 있다.
17. 개인 투자자는 연환산 매출과 종이 평가이익을 실제 현금흐름으로 오해하지 말고, 기술주와 미래 약속을 보수적으로 검증해야 한다.
18. 생성형 AI의 장기 가치가 입증되려면 총비용이 극적으로 낮아지고 복잡한 업무의 자율성과 신뢰성이 함께 높아져야 한다.
19. 어떤 관점도 종교처럼 믿지 말고, 현재 확인 가능한 데이터와 여러 출처의 증거를 모아 스스로 판단해야 한다.
20. 거대한 기술 서사에 매몰되지 않으려면 사랑하는 사람에게 애정을 표현하고, 함께 배우고 반박할 공동체를 지키며, 인간적 연결을 성공의 일부로 삼아야 한다.