Nebius 인터뷰로 본 AI 인프라 수요의 탄력성

AI 인프라는 거품인가, 이제 막 실사용이 시작된 시장인가

20VC 영상 Nebius Co-Founder on AI Infrastructure Bubbles | How Price Elastic is Demand for Compute는 AI 인프라 시장을 둘러싼 핵심 질문을 다룹니다. 인공지능 서비스를 돌리는 데 필요한 컴퓨팅, 네트워크, 저장장치 수요가 지속 가능한 실수요인지, 과도한 기대가 만든 일시적 과열인지에 관한 질문입니다.

인터뷰에 나온 Nebius 공동창업자 Roman Chernin의 답은 분명합니다. 그는 “I don't believe it's a bubble.”이라고 말합니다. 다만 이 말을 “AI 인프라는 무조건 좋다”는 식으로 받아들이면 곤란합니다. 영상에서 흥미로운 대목은 그가 낙관론을 말하면서도 공급 병목, 자본 격차, 허가 지연, 시장 집중 리스크를 꽤 구체적으로 인정한다는 점입니다.

제가 투자자 관점에서 이 영상을 눈여겨본 이유도 여기에 있습니다. 이 인터뷰는 GPU를 많이 보유한 회사의 홍보성 주장으로만 읽기보다, AI 인프라 기업이 어디에서 진짜 차별화를 만들 수 있는지를 묻는 자료로 보는 편이 더 유용합니다.

영상 설명에 따르면 Nebius는 AI 인프라 회사이며, 대형 AI 컴퓨트 클러스터를 운영하고 AI 연구소, 기업, 개발자를 고객으로 둔다고 소개됩니다. 같은 자료 안에서 회사 시가총액은 영상 설명에는 $57BN으로, 요약 포인트에는 660억달러로 각각 다르게 적혀 있습니다. 따라서 이 글에서는 해당 숫자를 정밀한 투자 지표로 쓰기보다, Nebius가 초대형 클라우드 사업자와 비교되는 규모의 AI 인프라 플레이어로 소개된다는 맥락만 조심스럽게 사용하겠습니다.

Roman Chernin이 말하는 “아직 초기”의 의미

인터뷰의 핵심 주장은 AI가 이미 거대 담론이 되었지만, 실제 기업 현장에는 아직 극히 일부 업무에만 들어가고 있다는 것입니다. 자료에 인용된 그의 표현은 이렇습니다. “If you take any company in the world... they start using AI in the first percent of the volume in the first percent of the use cases.”

쉽게 풀면, 대부분의 회사가 AI를 전사적으로 쓰는 것이 아니라 수많은 업무 중 아주 작은 일부에서 먼저 써보고 있다는 뜻입니다. 전기가 막 보급되던 시기에 공장 전체가 한꺼번에 전기로 바뀐 것이 아니라, 특정 기계나 공정부터 전동화되기 시작한 것과 비슷합니다.

Chernin은 특히 코딩을 “실제 동작 가능한” 첫 사용 사례로 봅니다. 자료 요약에 따르면, 코딩 관련 AI 사용은 최근 몇 달 사이 실무에서 확산되기 시작한 사례로 언급됩니다. 여기서 핵심은 모델 성능 자체보다, 사용자가 실제 업무 흐름 안에서 반복적으로 쓸 수 있느냐입니다.

영상 속 표현 중 “It's not about like model capabilities. It's about like not plumbing, getting them working, getting them optimized, getting them reliable.”라는 대목이 이 논지를 잘 보여줍니다. 여기서 plumbing은 배관 같은 기초 연결 작업에 가깝습니다. 문제는 “모델이 똑똑하냐”만이 아니라, 그 모델을 실제 회사 시스템 안에 잘 연결하고, 빠르게 만들고, 비용을 낮추고, 안정적으로 돌릴 수 있느냐입니다.

투자자 입장에서는 이 문장이 중요합니다. AI 인프라의 가치는 단순히 GPU 공급량에서만 나오지 않을 수 있습니다. 고객이 AI를 실제 업무에 붙일 때 생기는 운영 복잡성을 누가 흡수하느냐가 더 오래가는 가치가 될 수 있습니다.

가격이 내려가면 수요는 줄어드는가, 더 커지는가

영상 제목에 들어간 “How Price Elastic is Demand for Compute”는 컴퓨트 수요가 가격에 얼마나 민감한지를 묻습니다. 가격탄력성은 가격이 바뀔 때 수요가 얼마나 움직이는지를 뜻합니다.

보통 어떤 자원의 가격이 내려가면 같은 일을 더 싸게 할 수 있으니 매출 기회가 줄어드는 것처럼 보일 수 있습니다. Chernin의 관점은 다릅니다. AI 비용이 내려가면 기존에 경제성이 맞지 않던 더 많은 사용 사례가 열리고, 결과적으로 전체 수요가 더 커질 수 있다는 쪽에 가깝습니다. 자료의 타임스탬프에도 “Jevons Paradox: Why Cheaper AI Creates More Demand”가 등장합니다. Jevons Paradox(제번스 역설)는 어떤 자원을 더 효율적으로 쓰게 되면 오히려 그 자원의 총사용량이 늘어날 수 있다는 생각입니다.

일상적인 예로 보면 이렇습니다. 배달비가 비싸면 사람들은 정말 필요한 경우에만 배달을 시킵니다. 그런데 배달비가 낮아지고 주문 과정이 편해지면, 한 달에 한두 번 쓰던 사람이 주중 점심, 야근 식사, 간식까지 더 자주 쓰게 됩니다. 단가는 내려갔는데 전체 거래량은 늘어나는 상황입니다.

AI 컴퓨트에서도 비슷한 일이 생길 수 있습니다. 모델 호출 비용이 낮아지고, 추론(inference, 모델이 실제 답을 생성하는 단계)이 빨라지고, 운영이 쉬워지면 기업은 더 많은 업무에 AI를 붙여볼 수 있습니다. 현재 1%의 업무와 1%의 볼륨에서만 쓰던 것이 5%, 10%로 넓어질 가능성이 생깁니다.

다만 이 주장은 아직 관찰이 필요합니다. 자료 안에서는 DeepSeek 시기 사례가 언급됩니다. 요약에 따르면, 해당 시기에 단기 주가가 약 40% 일주일 하락했지만 동시에 고성장 영업 주간이 존재했다는 역설이 제시됩니다. 이 사례는 “AI 비용 하락이 곧바로 인프라 수요 위축을 뜻하지는 않는다”는 논거로 쓰입니다. 이것만으로 장기 수요를 단정하기는 어렵고, 공개된 자료 기준으로는 가격 하락과 수요 확대가 동시에 나타날 가능성을 보여주는 정도로 보는 것이 적절합니다.

Nebius가 제시한 네 개의 인프라 층

이 영상에서 구조적으로 중요한 대목은 AI 인프라를 네 개의 층으로 나누어 설명하는 부분입니다. Nebius의 차별화 프레임은 단순 서버 임대에서 출발해 운영형 클라우드, 추론 서비스, 에이전트 실행 레이어로 올라갑니다.

첫 번째는 물리 capacity(물리적 용량)입니다. 메가와트, GPU, 데이터센터 같은 가장 아래쪽의 자산입니다. 두 번째는 managed infrastructure 또는 managed cloud(운영이 붙은 인프라)입니다. 스토리지, 네트워크, API, 관측성 같은 운영 요소가 붙습니다. 세 번째는 managed inference(관리형 추론)입니다. 고객이 GPU 단위가 아니라 토큰 단위로 비용을 내며 모델 실행 결과를 쓰는 층입니다. 네 번째는 agentic execution layer(에이전트 실행 레이어, 목표를 주면 여러 모델과 도구를 엮어 작업을 수행하는 층)입니다.

이 구분은 투자 관점에서 중요합니다. 물리 용량만 제공하면 경쟁축은 주로 자본, 전력, 입지, GPU 조달 능력으로 잡힙니다. 위로 올라갈수록 고객의 워크플로, 비용 최적화, 신뢰성, 모델 전환 능력 같은 소프트웨어 요소가 중요해집니다.

자료 요약에는 고객군 확장 구조도 나옵니다. “bare metal 계약은 소수 고객,” “managed cloud는 수백,” “managed inference는 수천,” “agentic 빌더/개발자는 수만”이라는 식입니다. bare metal(서버를 거의 통째로 빌려 쓰는 형태)은 큰 고객 몇 곳이 대규모로 쓰는 구조일 가능성이 높습니다. 반대로 관리형 추론이나 에이전트 실행 레이어로 올라가면 더 많은 개발자와 기업 고객을 상대할 수 있습니다.

이 대목에서 저는 Nebius형 회사의 핵심 질문이 바뀐다고 봅니다. “얼마나 많은 GPU를 확보했는가”도 중요하지만, 더 중요한 질문은 그 GPU 위에 얼마나 반복 사용되는 운영 레이어를 쌓았는가입니다. 고객이 단순히 가격이 낮아서 들어온 것인지, 아니면 튜닝, 캐싱, 모니터링, 장애 대응, 모델 교체 자동화 때문에 계속 쓰게 되는 것인지를 구분해야 합니다.

오픈소스 모델은 위협인가, 수요 확장의 통로인가

영상은 오픈소스 모델(open-source model, 공개적으로 활용하거나 수정할 수 있는 모델)이 OpenAI나 Anthropic 같은 frontier model(최전선 대형 모델)에 어떤 영향을 주는지도 다룹니다. 자료 요약에 따르면, Chernin은 비용 압박 때문에 클로즈드 모델에서 오픈소스 또는 특화 모델로 일부 이동이 가능해진다고 봅니다. 그러나 이것을 완전한 대체로 보지는 않습니다. frontier model과 open-source 모델이 함께 쓰이는 구조에 가깝다고 설명합니다.

이 시각은 실제 기업 도입 흐름과도 잘 맞아 보입니다. 가장 어려운 문제, 가장 높은 품질이 필요한 문제에는 강력한 frontier model을 쓰고, 반복적이고 비용 민감한 작업에는 더 작은 모델이나 특화 모델을 붙이는 방식입니다. 예를 들어 고객 문의 중 복잡한 법률적 판단이 필요한 질문에는 강한 모델을 쓰고, 단순 분류나 요약에는 비용이 낮은 모델을 쓰는 식입니다.

이때 필요한 것은 단순히 “어떤 모델이 싸다”는 정보가 아닙니다. 어떤 업무에는 어떤 모델이 충분한지, 품질은 얼마나 떨어지는지, 지연 시간은 어떤지, 장애가 났을 때 어떻게 바꿀지 같은 운영 체계가 필요합니다. 자료의 액션 아이템에 나온 Token Factory 관련 주장도 이 맥락입니다. 오픈소스 모델 최적화가 비용, 품질, 지연, 신뢰성에서 어떤 절충을 만드는지를 사례 단위로 봐야 한다는 것입니다. 자료에는 비용을 최대 70% 줄인다는 주장이 언급되지만, 이 글에서는 그 주장을 확정적 사실로 다루기보다 향후 검증해야 할 포인트로 보겠습니다.

투자자 관점에서 보면, 오픈소스 확산은 AI 인프라 기업에 양면적입니다. 한편으로는 특정 폐쇄형 모델 제공자 의존도를 낮추고 더 많은 추론 수요를 만들 수 있습니다. 다른 한편으로는 고객이 여러 모델을 쉽게 오갈 수 있다면, 인프라 사업자의 가격 결정력이 약해질 수도 있습니다. 그래서 다시 운영 레이어가 중요해집니다. 모델이 바뀌어도 평가, 배포, 모니터링, 비용 최적화가 계속 한곳에서 이루어진다면 고객 이탈이 줄어들 수 있습니다.

가격보다 중요한 것은 TCO와 신뢰성

Chernin은 가격을 단순 GPU 시간당 단가가 아니라 TCO(total cost of ownership, 총소유비용)의 문제로 봅니다. 자료에는 $3, $4, $5 같은 단순 GPU 단가보다 전체 비용과 최적화 영향이 핵심이라고 정리되어 있습니다.

이 차이는 중요합니다. 어떤 고객에게 시간당 GPU 가격이 조금 낮은 서비스가 있다고 해도, 모델이 자주 실패하거나 네트워크 병목이 생기거나 개발자가 운영에 많은 시간을 써야 한다면 실제 비용은 더 비쌀 수 있습니다. 반대로 표시 가격이 조금 높아도, 캐싱이 잘 되고, 모델 선택이 자동화되고, 장애 대응이 빠르고, 관측성이 좋아서 개발 시간이 줄어든다면 총비용은 낮아질 수 있습니다.

AI 인프라에서 가격경쟁은 겉으로는 단가 경쟁처럼 보이지만, 실무에서는 “같은 예산으로 얼마나 안정적인 결과를 많이 내는가”의 경쟁으로 바뀝니다. 제가 이 영상을 보며 가장 중요하게 본 것도 이 지점입니다. Nebius가 말하는 차별화가 실제로 작동하려면, 고객은 “더 싼 GPU”가 아니라 “덜 신경 써도 되는 AI 운영 환경”을 산다고 느껴야 합니다.

자료 요약에는 가격 인상 후에도 공급 압박이 유지된다는 언급도 있습니다. 이것은 적어도 인터뷰이의 관점에서는 수요가 약하지 않다는 신호로 제시됩니다. 다만 이 역시 개별 회사의 영업 상황과 시장 전반의 장기 구조를 구분해서 볼 필요가 있습니다. 공급이 부족한 구간에서는 가격과 수요의 관계가 일반적인 소프트웨어 시장보다 훨씬 복잡해질 수 있습니다.

6개월 안에 돈으로 해결되지 않는 병목

AI 인프라 산업을 볼 때 자주 놓치는 부분은 시간입니다. 자본이 많으면 서버를 더 사면 되는 것처럼 보이지만, 실제로는 전력, 부지, 냉각, 네트워크, 인허가, 지역 커뮤니티 수용성 같은 요소가 함께 움직여야 합니다.

자료 요약에 따르면, Chernin은 단기적으로 6개월 내 증설에는 큰 한계가 있고, 12~24개월 단위에서야 체감된다고 봅니다. 또 운영 리스크로 단기 인프라 공급 병목과 규제, 허가 지연을 언급하며, “40/100은 계획·승인 단계에서 중단”될 가능성도 말합니다. 이 숫자의 정확한 적용 범위는 자료만으로는 더 확인하기 어렵지만, 메시지는 분명합니다. AI 인프라는 소프트웨어처럼 버튼 하나로 바로 확장되는 사업이 아닙니다.

데이터센터 입지도 중요한 변수입니다. 자료에는 미국 비중이 중장기적으로 70~75%라고 언급됩니다. 이 역시 회사의 자체 진술로 보아야 하지만, AI 인프라가 결국 전력과 입지의 산업이라는 점을 보여줍니다. 좋은 모델과 좋은 소프트웨어가 있어도, 전력과 부지가 확보되지 않으면 컴퓨트 공급은 늘지 않습니다.

투자 관점에서는 이 병목이 양면적입니다. 공급이 빨리 늘지 못하면 기존 용량을 가진 회사에는 단기적으로 유리할 수 있습니다. 그러나 신규 프로젝트 지연, capex(설비투자) 집행 차질, 지역 반발, 허가 실패는 실적 가시성을 낮춥니다. AI 인프라 회사를 볼 때는 발표된 투자 규모보다 전력 확보, 부지 확보, 허가 상태, 실제 GPU 탑재 일정이 더 중요할 수 있습니다.

초대형 클라우드 사업자와 싸우는 법

자료 요약에 따르면 AI 인프라 경쟁은 “자본 집중 게임”으로 묘사됩니다. Nebius의 연간 프로그램은 “2025억”으로 언급되어 있으나 단위가 자료에 그대로 적혀 있어 여기서 환산하지 않겠습니다. 대형 하이퍼스케일러(hyperscaler, 초대형 클라우드 사업자)는 약 8배 수준으로 언급됩니다. 영상 타임스탬프에도 “Competing Against Hyperscalers with 10x More Capital”이 나옵니다.

이 구도에서 작은 사업자가 단순 물리 용량만으로 싸우기는 어렵습니다. 초대형 클라우드 사업자는 자본, 고객 기반, 글로벌 데이터센터, 조달력에서 강합니다. Nebius 같은 사업자가 주장할 수 있는 차별화는 더 좁고 깊은 AI 특화 운영 역량일 가능성이 높습니다.

여기서 다시 네 개의 레이어가 중요해집니다. 물리 capacity에서는 자본이 큰 사업자가 유리합니다. 그러나 managed inference나 agentic execution layer로 올라가면, 고객의 특정 AI 워크로드를 얼마나 잘 이해하고 최적화하는지가 중요해질 수 있습니다. 예를 들어 AI 연구소, 개발자, 기업 고객이 각기 다른 방식으로 모델을 돌릴 때 그 차이를 세밀하게 흡수하는 운영 체계가 경쟁력이 될 수 있습니다.

물론 이것은 아직 검증해야 할 주장입니다. 공개된 자료 기준으로는 Nebius가 그렇게 설명하고 있다는 점을 확인할 수 있을 뿐, 실제 고객 유지율, 매출 믹스, 레이어별 마진, 장애율, 비용 절감 효과까지는 이 자료만으로 알 수 없습니다. 그래서 투자자로서 저는 이 영상을 확정적 결론보다 좋은 질문 목록으로 받아들이는 편이 맞다고 봅니다.

가장 큰 리스크는 경쟁보다 시장 집중일 수 있다

영상 후반의 중요한 대목은 Nebius가 보는 장기 리스크입니다. 자료 요약에 따르면, 회사는 장기 핵심 리스크를 consolidation(시장 집중, 소수 회사로 통합되는 현상)으로 봅니다. 모델이나 회사 수가 3~5개 소수로 수렴하면, Nebius 같은 사업자는 다시 물리 레이어 공급자 역할로 밀려날 가능성이 있습니다.

이 지적은 꽤 솔직합니다. AI 인프라 회사가 높은 가치를 인정받으려면, 단순 설비 공급자가 아니라 고객의 AI 운영 레이어에 깊게 들어가야 합니다. 그런데 시장이 소수의 대형 모델 회사와 대형 클라우드 플랫폼 중심으로 정리된다면, 독립 인프라 사업자의 협상력은 약해질 수 있습니다.

반대로 모델과 애플리케이션 생태계가 다양하게 유지된다면 이야기가 달라집니다. 여러 모델, 여러 고객, 여러 사용 사례가 공존할수록 이들을 연결하고 최적화하는 중립적 인프라 레이어의 가치가 커질 수 있습니다. Nebius형 회사의 장기 가치는 AI 시장이 얼마나 분산적으로 성장하느냐와도 연결됩니다.

투자자는 “AI 수요가 늘어난다”는 큰 문장만 보아서는 부족합니다. 수요가 누구에게 모이는지, 고객이 어떤 레이어에서 비용을 지불하는지, 시장이 소수 플랫폼으로 닫히는지, 아니면 다양한 모델과 서비스가 공존하는지가 더 중요합니다.

제가 이 영상에서 가져가는 투자자 관점의 질문들

이 영상은 AI 인프라를 보는 렌즈를 조금 더 정교하게 만들어 줍니다. 저는 특히 다섯 가지 질문을 남깁니다.

첫째, 이 회사의 매출은 물리 capacity에 머무는가, 아니면 managed cloud, managed inference, agentic execution layer로 올라가고 있는가. 물리 자산만으로는 자본 경쟁에 노출되기 쉽습니다. 운영 레이어가 반복 사용될수록 고객 관계가 더 깊어질 수 있습니다.

둘째, 고객 수와 고객 구조는 실제로 넓어지고 있는가. 자료에는 bare metal은 소수 고객, managed cloud는 수백, managed inference는 수천, agentic 빌더와 개발자는 수만이라는 구조가 제시됩니다. 이 구조가 실제 매출과 사용량에서도 확인되는지가 중요합니다.

셋째, 가격 절감 주장은 TCO 개선으로 이어지는가. 단순히 GPU 단가가 낮은지보다, 고객이 같은 예산으로 더 안정적인 결과를 내는지, 개발자 운영 시간이 줄어드는지, 장애와 지연이 줄어드는지를 봐야 합니다.

넷째, 오픈소스 모델 전환을 얼마나 잘 흡수하는가. 오픈소스 모델은 비용 절감 기회이면서 동시에 차별화 약화 요인일 수 있습니다. 중요한 것은 모델 교체 자체가 아니라, 평가, 배포, 모니터링, 품질 지표를 얼마나 빠르게 정착시키는지입니다.

다섯째, 공급 확장은 실제 일정으로 이어지는가. AI 인프라는 6개월 안에 돈만으로 해결되지 않는 병목이 있습니다. 전력, 부지, 허가, 지역 수용성, GPU 탑재 일정이 함께 확인되어야 합니다.

마무리: AI 인프라의 본질은 “더 많은 GPU”에서 “더 적은 운영 부담”으로 이동하고 있습니다

이 20VC 인터뷰를 한 문장으로 정리하면, Nebius는 AI 인프라 시장이 거품이라기보다 아직 실사용 확산 초기라고 보고 있습니다. 특히 코딩 같은 사용 사례가 먼저 열리고, 기업들은 아직 1% 수준의 업무와 볼륨에서 AI를 쓰기 시작했으며, 비용이 낮아질수록 더 많은 사용 사례가 열릴 수 있다는 주장입니다.

제가 더 중요하게 보는 메시지는 따로 있습니다. AI 인프라의 경쟁력은 점점 컴퓨트를 보유하는 능력에서 컴퓨트를 잘 쓰게 만드는 능력으로 이동하고 있습니다. 고객은 GPU 자체가 아니라, 모델이 실제로 잘 돌아가고, 비용이 통제되고, 장애가 줄고, 업무 단위로 AI를 붙일 수 있는 환경을 원합니다.

물론 공개된 자료만으로 Nebius의 주장 전체를 확인할 수는 없습니다. 레이어별 매출 비중, 고객 분산성, Token Factory의 실제 비용 절감 효과, 허가와 전력 확보 현황, 장기 시장 집중 리스크는 추가로 봐야 합니다. 그래도 이 영상은 AI 인프라 회사를 볼 때 무엇을 질문해야 하는지 잘 보여줍니다.

저는 앞으로 이 영역을 볼 때 단순히 “GPU가 부족한가”보다, “누가 AI 운영의 복잡성을 대신 흡수하고 있는가”를 더 중요하게 보려 합니다. 그 답이 실제 고객 사용량과 유지율, 그리고 TCO 개선으로 확인될 때 AI 인프라 기업의 가치는 단순 설비 투자 이야기를 넘어설 수 있다고 봅니다.