중국 AI 산업이 컴퓨팅의 경제성을 따지기 시작했다. 모델 호출 가격은 계속 하락하는 반면, 컴퓨팅 투자는 급증하고 있기 때문이다.

*원래 Qifan Business에서 발행되었으며, TMTPost가 허가를 받아 재게재한 글입니다.*

10월 8일, *Financial Times*는 내몽골 울란차부에 주목했습니다.

베이징에서 수백 킬로미터 떨어진 이 북부 도시는 중국에서 데이터센터가 가장 빽빽하게 들어서는 거점 중 하나가 되어 가고 있습니다. 지방 정부는 89개의 데이터센터 프로젝트에 서명했으며, Alibaba, Huawei, Kuaishou와 제3자 데이터센터 운영업체들이 모두 이곳에 시설을 마련했습니다. 보도에서는 한 가지 세부 사항도 언급되었습니다. 사용하지 않게 된 현지 학교 건물을 데이터센터로 개조하고 있다는 것입니다.

울란차부가 인터넷 기업을 끌어들이는 이유는 인구나 소프트웨어 인재 때문이 아니라, 상대적으로 저렴한 전기, 확보 가능한 토지, 그리고 서버 냉각에 적합한 기후 때문입니다.

7월, *China News Weekly*가 이 지역을 방문했습니다. 과거 전통 산업이 지배하던 땅에 Alibaba와 Sinnet(Zhonglian Data)의 데이터센터가 들어서기 시작했습니다. 지방 정부는 에너지 자원을 새로운 산업 경쟁력으로 바꾸려는 노력의 일환으로 "Token Capital"을 건설하자고 제안했습니다.

*이미지 출처: Zhonglian Data, 울란차부 데이터 스테이션*

울란차부의 건설 붐은 AI 산업 전반의 가격 인하 물결과 맞물려 있습니다.

5월, Reuters는 DeepSeek가 V4-Pro 모델의 API 가격을 75% 영구 인하할 것이라고 보도했습니다. 과금 구간별 가격은 백만 토큰당 RMB 0.1~24에서 RMB 0.025~6으로 떨어졌습니다.

*이미지 출처: DeepSeek 모델 가격 영구 인하에 관한 Reuters 보도*

10월에 이르러 *Financial Times*는 Silicon Data가 집계한 토큰 가격 지수를 인용하며, 종합 토큰 가격이 5월 고점 대비 52% 이상 하락했다고 보도했습니다. 이 하락은 모델 제공업체의 가격 조정과, 기업들이 일부 업무를 더 저렴한 모델로 옮긴 데서 비롯되었습니다. 모든 모델이 같은 폭으로 인하된 것은 아닙니다.

모델 서비스는 점점 저렴해지고 있지만, 기술 대기업들은 여전히 서버를 대규모로 사들이고 데이터센터를 짓고 있습니다.

8월 20일, Alibaba는 6월 30일로 끝나는 분기의 실적을 발표했습니다. 분기 자본지출은 RMB 676.78억으로 전년 대비 75% 증가했습니다. 같은 기간 AI 클라우드 및 컴퓨팅 서비스 매출은 RMB 484.37억으로 전년 대비 45% 증가했습니다.

이 두 수치를 함께 보면 AI 산업에서 진행 중인 변화가 드러납니다. 모델 기업들은 계속해서 서비스 가격을 낮추고 있고, 클라우드 사업자들은 투자금을 회수하는 데 수년이 걸리는 컴퓨팅 인프라에 선투자를 크게 해야 합니다.

지난 2년간 업계 논의는 주로 모델 성능과 GPU 개수에 집중되었습니다. 가장 강력한 모델을 학습시키거나 가장 큰 컴퓨팅 클러스터를 보유한 기업이 시장의 가장 큰 관심을 받는 경우가 많았습니다.

모델이 실제 현장에서 쓰이기 시작하면서, 보다 전통적인 사업 원칙이 적용되기 시작하고 있습니다. 서버는 감가상각되고, 데이터센터는 지속적인 전력이 필요하며, 컴퓨팅 자원은 돈을 내는 고객을 찾아야 합니다. 기술 진보는 비용을 낮출 수 있지만, 모든 인프라 투자가 만족스러운 수익을 낸다고 보장하지는 못합니다.

중국 AI 경쟁의 초점은 컴퓨팅 자원을 확보하는 데서 그것을 운영하는 데로 옮겨 가고 있습니다.

## 01 AI 거대 기업들은 왜 발전소 가까이로 이동하는가?

울란차부가 인터넷 기업의 레이더에 잡힌 것은 대형 모델이 등장한 뒤가 아닙니다.

생성형 AI가 부상하기 훨씬 전부터 Alibaba, Huawei 등은 에너지 여건이 좋은 지역에 이미 데이터센터를 짓고 있었습니다. 클라우드 컴퓨팅은 서버의 상업적 성격을 바꾸어 놓았습니다. 과거에는 인터넷 기업들이 검색, 전자상거래, 동영상 등 자사 사업을 뒷받침하기 위해 컴퓨팅 장비를 주로 구매했습니다. 클라우드 서비스가 등장하면서 컴퓨팅, 스토리지, 네트워킹은 점차 외부 고객에게 판매할 수 있는 표준화된 서비스가 되었습니다.

서버는 단순한 기술 투자 이상의 의미를 갖게 되었습니다. 지속적으로 수익을 내야 하는 운영 자산이 된 것입니다. 클라우드 사업자에게 장비 구매 가격 외에도 데이터센터 건설, 전력 공급, 네트워크 연결, 운영에 드는 비용이 모두 사업의 수익성을 좌우합니다.

대형 모델은 컴퓨팅 수요를 새로운 규모로 밀어 올렸습니다.

모델을 학습시키려면 비교적 짧은 기간에 많은 수의 GPU를 동원해야 하고, 일단 배포된 모델은 사용자의 요청에 계속 응답해야 합니다. 이제 AI는 프로그래밍, 사무, 기업용 소프트웨어로 확장되고 있습니다. 한때 소수의 서버만 필요했던 기업들이 이제는 모델 호출, 데이터 처리, 컴퓨팅 작업을 추가하고 있습니다.

데이터센터의 가장 뚜렷한 비용 중 하나는 전기입니다.

평균 IT 부하가 10MW이고, 연중 내내 가동되며, PUE가 1.2인 가상의 데이터센터를 생각해 봅시다. 전기 요금이 킬로와트시당 RMB 0.40 차이 난다면, 연간 전기 비용 차이는 약 RMB 4,205만이 됩니다. 5년으로 누적하면 차이는 2억 위안을 넘을 수 있습니다.

이는 비용 민감도를 보여 주기 위한 가상의 계산이며, 울란차부의 특정 데이터센터와 대응하지 않습니다. 실제 전기 비용은 장비 부하율, 전력 계약, 냉각 시스템, 운영 방식에 따라서도 달라집니다. 그럼에도 전기 요금이 대형 컴퓨팅 시설에 미치는 영향은 분명합니다.

클라우드 사업자가 대형 데이터센터를 여러 곳 동시에 운영한다면, 전력 조달 조건의 차이만으로도 상당한 비용 우위가 생길 수 있습니다. 한때 지방의 투자 유치와 에너지 공급의 문제로 여겨졌던 사안이 이제는 기술 대기업의 투자 결정에 포함되고 있습니다.

여기서 울란차부의 강점이 드러납니다. 이 지역은 전기가 비교적 풍부하고, 대규모 시설에 적합한 토지가 있으며, 북부의 기후 덕분에 냉각 비용을 줄일 수 있습니다. *Financial Times*는 내몽골의 일부 데이터센터가 현지 전력망과 발전소와의 직접 연결을 이용해 에너지 비용을 낮출 수 있다고 보도했습니다.

이러한 조건은 기업이 장기 운영비를 줄이는 데 도움이 될 수 있지만, 서버를 전력이 있는 아무 곳에나 둘 수는 없습니다.

모델 학습에는 고속으로 상호 연결된 컴퓨팅 클러스터가 필요하고, 추론 서비스는 네트워크 지연을 고려해야 합니다. 빠른 응답이 필요한 제품에는 주요 사용자 및 네트워크 거점과의 근접성이 여전히 중요합니다. 컴퓨팅 시설을 에너지 비용이 낮은 지역으로 옮기면 전기 요금은 아낄 수 있지만, 네트워크 전송, 자원 스케줄링, 시스템 유지보수에 대한 새로운 요구도 생깁니다.

대형 클라우드 사업자는 이러한 요소들의 균형을 맞춰야 합니다. 일부 학습, 일괄 처리, 스토리지 작업은 원격지의 에너지 비용 이점에 적합하지만, 지연에 민감한 서비스는 사용자 분포에 맞춰 컴퓨팅 자원을 배치해야 합니다. 데이터센터를 어디에 지을지는 결국 기업이 그것으로 무엇을 하려는지에 달려 있습니다.

입지는 투자 결정의 한 부분일 뿐입니다.

기업이 특정 컴퓨팅 장비를 직접 구매할지, 아니면 클라우드 사업자에게서 빌릴지에 따라 재무적 결과도 달라집니다.

Alibaba 같은 클라우드 사업자는 데이터센터를 짓고, GPU를 구매하고, 컴퓨팅 용량을 외부 고객에게 판매할 수 있습니다. 제3자 데이터센터 운영업체는 시설, 전력 분배, 운영 서비스를 제공하고 장기 계약에 따라 수수료를 받습니다. 모델 기업은 실제 사용량에 따라 클라우드 서비스를 구매하거나, 자체 컴퓨팅 클러스터를 구축할 수 있습니다.

각 방식은 모두 컴퓨팅 능력을 확보하지만, 위험은 서로 다릅니다.

자체 구축은 기업이 초기에 자본을 투입해야 하며, 장비를 충분히 활용할 수 있을지에 대한 위험을 기업이 떠안습니다. 클라우드 서비스 구매는 초기 자본 지출을 줄이고 자원 규모를 조정하기 쉽게 하지만, 장기적으로는 비용이 더 높을 수 있습니다.

컴퓨팅 수요가 안정적이고 규모가 충분한 기업에게는 자체 구축이 더 경제적일 수 있습니다. 사업이 빠르게 변하고 있는 AI 기업에게는 임대가 기술과 자산에 너무 일찍 묶이는 것을 피하는 데 도움이 될 때가 있습니다.

또 쉽게 간과되는 차이도 있습니다.

건물, 전력 설비, 네트워크 인프라는 매우 오래 쓸 수 있지만, GPU는 물리적 수명이 다하기 훨씬 전에 비용 경쟁력을 잃을 수 있습니다.

새로운 세대의 칩은 대개 더 높은 컴퓨팅 성능을 제공하며, 모델 아키텍처와 추론 기법도 계속 발전합니다. 오늘 구매한 GPU는 수년 뒤에도 여전히 작동할 수 있지만, 새 장비가 같은 컴퓨팅 작업을 더 낮은 비용으로 완료할 수 있다면 구형 장비는 더 치열한 가격 경쟁에 직면하게 됩니다.

저렴한 전기는 비용을 개선할 수 있지만, 이러한 위험을 없애 주지는 못합니다.

데이터센터가 궁극적으로 돈을 버는지는 장비 구매 비용과 운영비뿐 아니라, 높은 가동률을 유지하고 합리적인 가격으로 컴퓨팅 자원을 계속 판매할 수 있는지에 달려 있습니다.

과거 기술 기업들은 모델을 학습시킬 칩이 부족할까 봐 걱정했습니다.

이제 운영자들이 답해야 할 질문은 칩을 구매한 뒤 어떻게 사용할 것인지, 감가상각 부담을 누가 질 것인지, 그리고 투자금을 몇 년 안에 얼마나 회수할 수 있을지로 바뀌고 있습니다.

## 02 DeepSeek는 75% 가격을 인하했다. 그런데 컴퓨팅은 왜 여전히 충분히 저렴하지 않은가?

5월, DeepSeek의 V4-Pro 모델 가격 조정은 업계 전반의 주목을 받았습니다.

5월 23일, Reuters는 DeepSeek가 이전에 V4-Pro 모델에 적용했던 75% 가격 인하를 영구화했다고 보도했습니다. 당시 공개된 정보에 따르면, 과금 구간별 API 가격은 기존 수준의 4분의 1로 떨어졌습니다.

앞서 DeepSeek는 이 모델의 상대적으로 높은 가격을 고성능 컴퓨팅 자원 공급의 제약과 연결했으며, 관련 하드웨어 공급이 개선되면 서비스 가격이 더 낮아질 수 있다고 밝힌 바 있습니다.

하지만 모델의 공시 가격이 75% 인하되었다고 해서 같은 작업을 완료하는 데 드는 컴퓨팅 비용도 75% 줄었다는 뜻은 아닙니다.

모델 기업이 공개하는 API 가격은 고객이 서비스에 대해 지불하는 금액입니다. 기업이 실제로 부담하는 컴퓨팅 비용은 칩 성능, 모델 아키텍처, 추론 최적화, 장비 가동률, 자원 스케줄링 효율 등 여러 요인에 달려 있습니다.

비용 개선은 가격 인하의 여지를 만들어 내며, 시장 경쟁은 기업이 자발적으로 요금을 낮추도록 압박하기도 합니다. 고객에게 두 경우 모두 토큰 가격 하락으로 보입니다. 그러나 모델 기업에게 수익성의 의미는 완전히 다를 수 있습니다.

10월 5일 *Financial Times*가 인용한 Silicon Data 지수는 다른 관점을 제시합니다.

종합 가격을 보면 토큰 가격은 5월 고점 대비 52% 이상 하락했습니다. 그러나 일부 고급 모델은 비교적 안정된 가격을 유지했고, 중간값 가격은 비슷한 폭으로 떨어지지 않았습니다.

*이미지 출처: 토큰 가격 관측 인포그래픽, Financial Times*

이 격차는 기업이 AI 서비스를 구매하는 방식이 변하고 있음을 시사합니다.

과거 사용자들은 모델의 성능 순위를 제품 선택의 주요 기준으로 삼는 경향이 있었습니다. 모델 공급이 늘어나면서 더 많은 작업을, 성능이 충분히 좋은 저렴한 모델로 넘길 수 있게 되었습니다. 단순한 정보 분류, 문서 정리, 일상적인 고객 응대에는 반드시 가장 비싼 제품이 필요하지는 않습니다. 복잡한 추론, 전문 분석, 고신뢰성이 요구되는 작업은 여전히 고성능 모델에 의존할 수 있습니다.

기업이 중요하게 여기는 것은 작업을 완료하는 데 얼마나 드는지, 그리고 결과가 업무 요건을 충족하는지입니다.

모델 제공업체에게 선도적인 성능은 여전히 가치가 있지만, 그것이 고객이 모든 작업에 프리미엄을 기꺼이 지불한다는 뜻은 아닙니다. 평범한 모델이 고객의 일상적 수요 대부분을 충족할 수 있게 되면, 프리미엄 모델은 추가 성능이 더 높은 가격을 정당화한다는 것을 증명해야 합니다.

이러한 변화는 모델 산업 전체에서 이익이 배분되는 방식을 점차 바꿀 것입니다.

모델 기업이 기술 최적화를 통해 추론 비용을 30% 줄였다면, 그 효율 개선분을 이익으로 남길 수도 있고, 일부를 고객에게 돌려주고 낮은 가격으로 시장 점유율을 놓고 경쟁할 수도 있습니다.

경쟁 서비스들이 충분히 비슷해지면, 가격 인하가 더 효과적인 전략이 될 수 있습니다. 모델 기업의 연구개발 투자에서 나온 효율 개선분은 결국 시장 경쟁을 통해 일부가 고객에게 전달될 것입니다.

AI를 사용하는 기업에게 이것은 좋은 소식입니다.

호출 가격이 떨어진 뒤에는, 한때 너무 비싸서 AI를 도입할 수 없던 기업들도 경제적으로 타당해집니다. 일부 기업은 먼저 고객 응대, 카피라이팅, 사무 작업에 모델을 시험하다가, 이후 점차 소프트웨어 개발, 데이터 처리, 내부 업무 흐름으로 AI를 확장했습니다.

AI 에이전트 역시 컴퓨팅 수요의 성격을 바꾸어 놓았습니다.

기존 채팅 제품은 보통 하나의 질문과 답변을 중심으로 돌아갑니다. 반면 에이전트는 작업 전체를 완료하려고 합니다. 에이전트는 먼저 정보를 검색하고, 도구를 호출하고, 반환된 데이터를 분석하며, 결과가 요건에 맞지 않으면 작업을 다시 수행할 수 있습니다. 사용자는 한 번 요청하지만, 백엔드에서는 여러 차례의 모델 호출과 추가적인 CPU, 스토리지, 네트워크 작업이 일어날 수 있습니다.

개별 모델 호출 가격은 계속 떨어지지만, 작업 전체를 완료하는 데 필요한 컴퓨팅 자원이 같은 속도로 줄어드는 것은 아닙니다.

기술 최적화는 같은 작업을 더 적은 자원으로 완료할 수 있게 해 줍니다.

또 가격이 낮아지면서 더 많은 사용자가 몰려들었고, 이전에는 AI 시스템에 들어온 적 없던 작업들도 컴퓨팅 능력을 소비하기 시작했습니다.

AI 서비스 가격의 하락과 업계의 컴퓨팅 인프라 확장이 계속되는 것은 서로 모순되지 않습니다.

더 어려운 질문은, 이 새로운 수요가 이미 배치된 장비에서 충분한 수익을 계속 만들어 낼 수 있는지입니다.

클라우드 사업자가 GPU를 구매할 때는 수년 앞의 컴퓨팅 수요를 예측해야 합니다. 장비가 데이터센터에 설치되면 감가상각, 전기, 유지보수 비용이 계속 쌓이는 반면, 모델 가격과 컴퓨팅 효율은 몇 달마다 크게 변할 수 있습니다.

새로운 세대의 모델이 더 적은 컴퓨팅 자원으로 같은 작업을 완료할 수 있다면, 구형 장비는 가동률을 유지하기 위해 더 많은 주문이 필요해질 것입니다. 전체 컴퓨팅 수요가 계속 늘더라도, 개별 클라우드 사업자가 보유한 장비가 항상 비용 우위를 갖는 것은 아닐 수 있습니다.

반대로 AI 응용이 충분히 빠르게 확산되고 더 많은 기업이 복잡한 작업을 모델에 맡긴다면, 기존 시설은 더 높은 가동률을 달성할 수 있고, 미리 설치한 장비도 비용을 더 쉽게 회수할 수 있습니다.

두 결과 모두 가능합니다. 차이는 기술 진보의 속도, 시장 수요, 서비스 가격 변화의 속도에 달려 있습니다.

모델 기업은 경쟁에 맞춰 API 가격을 조정할 수 있지만, 클라우드 사업자는 이미 확정된 자본 지출을 같은 속도로 바꿀 수 없습니다. 오늘 구매한 GPU는 앞으로 수년간의 운영을 통해 비용을 회수해야 합니다.

이러한 시간적 불일치는 AI 인프라 투자에서 가장 풀기 어려운 문제 중 하나가 되고 있습니다.

과거에는 기업들이 고성능 컴퓨팅에 기꺼이 더 높은 가격을 지불했고, 클라우드 사업자는 이를 이용해 장비의 잠재 수익을 추정할 수 있었습니다. 모델의 활용 방식이 계속 바뀌면서, 클라우드 사업자는 고객 규모, 작업 부하 구조, 모델 효율, 시장 가격을 동시에 예측해야 합니다.

이 가운데 어느 한 변수라도 크게 변하면 투자 수익률에 영향을 줄 수 있습니다.

모델 가격은 빠르게 조정될 수 있지만, 이미 구매한 서버는 마음대로 되돌릴 수 없습니다.

AI 산업에서 가장 비싼 경쟁은 모델 가격표 위에서가 아니라, 그 가격이 이미 떨어진 뒤에 벌어질지도 모릅니다.

## 03 Alibaba의 실적이 보여 주는 AI 장부의 또 다른 면

8월 20일, Alibaba Group은 2026년 6월 30일로 끝나는 분기의 실적을 발표했습니다.

이번 분기 그룹 자본지출은 RMB 676.78억으로 전년 동기 대비 75% 증가했습니다. Alibaba는 실적 발표문에서 이 증가가 AI 인프라 투자와 관련이 있으며, 조달 주기, AI 에이전트로 인한 CPU 수요 가능성, 칩 부품 가격 상승도 투자 규모에 영향을 미쳤다고 설명했습니다.

오늘날 AI 인프라만큼 짧은 기간에 막대한 자본을 흡수해야 했던 인터넷 사업은 거의 없었습니다.

그러나 Alibaba의 실적에는 나란히 놓고 살펴볼 가치가 있는 두 가지 수치가 있습니다.

6월로 끝나는 분기에 Alibaba의 AI 클라우드 및 컴퓨팅 서비스 매출은 RMB 484.37억으로 전년 대비 45% 증가했으며, 조정 EBITA는 RMB 56.28억으로 전년 대비 133% 증가했습니다.

*이미지 출처: Alibaba 분기 실적 발표문*

같은 기간 AI Lab 및 응용 부문의 매출은 RMB 33.38억이었고, 조정 EBITA 적자는 RMB 138.61억이었습니다. Alibaba는 적자 확대의 주된 원인으로 AI 역량 개발에 대한 투자 증가와 Qwen 앱 관련 서비스의 추론 비용 상승을 꼽았습니다.

이 두 사업은 발전 단계가 다르고, 연구개발 비용, 내부 자원 비용, 제품 투자 부담도 서로 다릅니다. 조정 EBITA의 격차를 두고, 클라우드 컴퓨팅은 이미 투자금을 회수한 반면 모델 응용은 수익성 확보에 실패할 운명이라고 해석해서는 안 됩니다.

오히려 이 수치들은 AI 산업 가치사슬의 서로 다른 지점에서 나타나는 상이한 운영 여건을 반영합니다.

클라우드 사업자에게 모델 기업과 기업 고객의 컴퓨팅 수요 증가는 곧바로 자원 임대 매출로 이어집니다. 고객은 컴퓨팅 용량을 구매하고, 클라우드 사업자는 합의된 조건에 따라 수수료를 받으며, 이익은 장비 가동률과 운영 효율에 달려 있습니다.

모델 기업은 다른 계산에 직면합니다.

모델을 학습시키려면 컴퓨팅 자원을 구매하거나 임차해야 하고, 추론 서비스도 지속적으로 컴퓨팅을 소비합니다. 기업은 연구개발, 제품, 마케팅 투자 부담도 져야 합니다. 모델 사업은 API 호출, 구독 매출, 또는 기업용 솔루션이 충분한 유료 수요를 만들어 낼 때에야 비로소 이러한 비용을 점차 상쇄할 수 있습니다.

같은 컴퓨팅 자원 지출이 클라우드 사업자의 재무제표에서는 매출로, 모델 기업의 재무제표에서는 비용으로 나타날 수 있습니다.

모델 기업이 자체 클러스터를 구축하기로 하면, 이전에는 매달 지불하던 클라우드 서비스 요금이 초기 자본 지출로 바뀌고, 이후에는 감가상각과 운영 비용이 따라옵니다.

제3자 데이터센터 운영업체는 다소 다른 역할을 합니다. 이들은 시설 임대, 전력 분배, 운영 서비스를 통해 수수료를 법니다. 고객이 사용하는 GPU를 반드시 소유하는 것도 아니고, 모델 서비스의 상업화에 직접 참여하는 것도 아닙니다.

칩 제조사, 데이터센터 운영업체, 클라우드 사업자, 모델 기업은 모두 AI 인프라 확장에 참여하고 있지만, 그들이 같은 시점에 수익을 얻는 것은 아닙니다.

칩 제조사는 장비를 판매할 때 매출을 올립니다. 클라우드 사업자에게 장비 구매는 투자의 시작일 뿐이며, 비용은 향후 컴퓨팅 서비스 매출을 통해 회수되어야 합니다. 모델 기업은 AI 역량에 기꺼이 돈을 지불할 고객을 계속 찾아야 합니다.

AI 투자의 지속적인 성장이 산업 가치사슬의 모든 기업이 동시에 더 많은 이익을 얻는다는 뜻은 아닙니다.

Alibaba의 자본 지출은 영업이익이 쉽게 가릴 수 있는 문제도 드러냅니다.

클라우드 사업의 조정 EBITA가 크게 개선되더라도, 그룹은 여전히 인프라에 대규모 투자를 계속해야 합니다. 영업이익은 특정 회계 체계 아래의 성과를 보여 줄 뿐, 새 장비에 대한 투자가 이미 회수되었다는 뜻은 아닙니다.

클라우드 사업자에게 컴퓨팅 자산을 살 가치가 있는지는, 그 자산이 전 생애 주기에 걸쳐 얼마나 많은 매출을 낼 수 있는지, 그리고 전기, 유지보수, 감가상각, 장비 교체를 통해 얼마나 많은 비용을 소모하는지에 달려 있습니다.

이는 인터넷 기업들이 오랫동안 익숙해져 온 일부 사업 모델과 다릅니다.

검색, 소셜, 전자상거래 플랫폼은 일정 규모의 사용자를 확보하면 광고, 거래 수수료, 부가 서비스를 통해 매출을 늘릴 수 있습니다. 이러한 사업도 기술 인프라에 의존하지만, 디지털 유통은 종종 강한 규모의 경제를 갖습니다.

반면 AI 모델 서비스는 계산이 지속적으로 수행되어야 합니다. 사용자가 모델을 호출할 때마다 백엔드는 컴퓨팅 자원을 소비합니다. 추론 효율이 개선되면 단위 비용을 낮출 수 있지만, 컴퓨팅 투자를 완전히 없애지는 못합니다.

기업이 돈을 버는지는, 고객이 작업 완료 비용을 충당할 만큼 충분히 지불할 의향이 있는지, 그리고 사용량이 늘어 장비 가동률을 높일 수 있는지에 달려 있습니다.

이는 기술 기업의 경쟁 우위가 더 이상 모델 성능에만 의존하지 않는다는 뜻입니다.

어떤 기업은 성능이 가장 뛰어난 모델을 갖고 있어도, 서비스 비용이 너무 높아 상업적 확장에 어려움을 겪을 수 있습니다. 또 다른 기업은 시장에서 가장 강력한 모델을 갖고 있지 않더라도, 낮은 컴퓨팅 비용, 더 안정적인 서비스, 성숙한 고객 기반 덕분에 꾸준한 매출을 올릴 수 있습니다.

클라우드 사업자도 경쟁에 직면해 있습니다.

여러 공급업체가 비슷한 컴퓨팅 자원을 제공할 수 있다면, 고객은 가격, 안정성, 개발 도구, 이전 비용을 비교하게 됩니다. 규모는 수요를 충족하는 데 도움이 되지만, 반드시 더 강한 가격 결정력을 주는 것은 아닙니다.

모델 기업은 또 다른 시험에 직면합니다. 저비용 모델이 대량의 일상 업무를 처리할 수 있게 되면, 프리미엄 모델은 실제 성과로 더 높은 요금이 정당하다는 것을 증명해야 합니다. 모델 성능 향상은 여전히 중요하지만, 고객이 결국 사는 것은 기술 지표 자체가 아니라 일을 해내는 능력입니다.

이번 AI 투자 물결이 만족스러운 수익을 낼지는, 결국 실제 사업 현장에서 무슨 일이 일어나느냐에 달려 있습니다.

기업은 소프트웨어 개발 주기가 짧아지고, 고객 응대가 효율적이 되고, 특정 업무 흐름에서 수작업이 줄어들었기 때문에 계속 AI 서비스를 구매할 수 있습니다. 이러한 성과가 사용 비용을 상쇄할 만큼 크다면, 고객에게는 지출을 늘릴 이유가 생깁니다. 반대로 모델이 강력하더라도 측정 가능한 운영 개선을 가져오지 못한다면, 기업은 예산을 무한정 늘리기 어렵다는 것을 깨닫게 될 것입니다.

울란차부의 데이터센터 건설, DeepSeek의 가격 조정, Alibaba의 자본 지출은 언뜻 산업의 서로 다른 부분에 속하는 것처럼 보입니다. 그러나 실제로는 같은 질문을 가리키고 있습니다.

낮은 전기 요금은 운영비를 줄일 수 있지만, 데이터센터에 충분한 고객이 있을 것이라고 보장하지는 못합니다. 모델 가격 인하는 사용을 넓힐 수 있지만, 일부 서비스의 가격 여지를 압축할 수도 있습니다. 클라우드 매출 증가는 영업 성과를 개선할 수 있지만, 새로 추가된 컴퓨팅 자산은 투자금을 회수하는 데 여전히 수년이 걸립니다.

중국 AI 산업은 여전히 투자 확대 단계에 있으며, 컴퓨팅 수요도 계속 성장할 여지가 있습니다. 그러나 산업 수요의 성장이 모든 기업의 서버가 장기적으로 비용 우위를 유지한다거나, 모든 투자가 충분히 높은 수익을 낸다는 것을 보장하지는 않습니다.

지난 2년 동안 AI 기업들은 더 강력한 모델을 학습시킬 수 있다는 것을 증명해야 했습니다. 컴퓨팅 인프라 투자가 무거워지면서, 자산 관리와 자본 수익은 기술 역량과 나란히 경쟁의 일부가 되고 있습니다.

모델 가격은 몇 달 안에 4분의 3까지 떨어질 수 있지만, 데이터센터 투자는 회수하는 데 수년이 걸릴 수 있습니다.

기술은 몇 달 단위로 바뀌지만 자본은 수년에 걸쳐 회수될 때, 중국 AI 기업들이 가장 많이 배워야 할 것은 더 나은 모델을 학습시키는 방법만이 아니라, 자산 집약적 사업을 운영하는 방법일지도 모릅니다.