EP 120. 가치는 어디로 가는가: AI 시장 조정, CoreWeave 위기와 operation loop

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 시장 조정 속에서 CoreWeave의 금융 위험을 구분하고, 모델 경쟁으로 가치가 operation loop 소유자에게 이동할 가능성을 살펴야 한다.

📌 핵심 요점

1. AI 수요와 금융시장 조정은 따로 판단해야 한다. 과잉 투자와 중복 수요 우려가 커졌지만, 출연자들은 컴퓨트 수요가 여전히 강하다고 본다. 산업의 성장 가능성과 개별 투자자의 손실은 동시에 존재할 수 있다.
2. 모델 성능보다 방어 가능한 희소성이 가치 배분을 좌우한다. 추격 모델과 자체 모델이 늘면 성능이 좋아져도 가격 결정력은 약해질 수 있다. 모델이 범용재가 되면 가치는 전력·냉각 같은 물리적 병목이나 고객 가까이의 서비스로 이동할 수 있다.
3. CoreWeave의 핵심 위험은 금리와 계약 만기의 불일치다. 자료에서 설명한 고객 계약 3년, 부채 5년, 데이터센터 임대 15년의 구조는 고객 재계약과 차환 조건에 민감하다. 높은 CDS와 채권 수익률은 신용 불안의 신호지만, 부도를 확정하는 근거는 아니다.
4. 사업 기회는 운영과 피드백을 통제하는 operation loop에 있다. 고객 반응과 행동 결과를 관찰하고 다음 판단에 반영하는 순환이 경쟁력의 후보로 제시된다. 이 루프가 제어 계층에 있다면 자체 모델 개발 없이 외부 모델을 활용하는 사업도 가능하다.
5. 판단을 갱신할 지표는 가격·모델 격차·전체 비용이다. 컴퓨트 현물·장기계약 가격 차이, 선도·후발 모델의 격차, 서비스 사업자의 마진을 함께 볼 필요가 있다. 추론 단계의 마진만으로는 학습비·감가상각비·이자까지 포함한 수익성을 설명할 수 없다.

🧩 배경과 문제 정의

• AI 인프라 투자가 이어지는 가운데 주요 반도체 주가가 급락하고, 과잉 투자·중복 수요·실수요 부족에 대한 우려가 커졌다. 기술 수요의 성장과 금융시장의 조정을 구분해서 볼 필요가 있다.
• AI는 컴퓨팅 인프라부터 모델과 애플리케이션까지 여러 계층을 동시에 바꾸고 있다. 기존 기술 산업의 성장 주기를 참고할 수 있지만, 변화의 속도와 범위 때문에 해석의 불확실성도 크다.
• 핵심 질문은 AI 가치사슬에서 누가 지속적으로 이익을 확보할 수 있느냐이다. 모델 경쟁과 가격 하락 속에서 방어 가능한 희소성, 기업의 도입 시차, CoreWeave의 금융 구조가 주요 판단 기준이 된다.

🕒 시간순 섹션별 상세정리

1. 반도체 주가 급락에는 과잉 투자 우려와 자금 유입 둔화가 겹쳤다

• 향후 큰 이익이 예상되는 한국 메모리 반도체 기업들도 주가가 고점 대비 40% 넘게 하락하면서 AI 거품론이 커졌다. 노정석은 인프라 구축이 끝나지 않은 상황에서 조정이 과도하다는 입장이다 [00:52]
• 시장 불안의 중심에는 인프라 과잉 투자, 부풀려지거나 중복된 수요, 실수요가 투자를 따라오지 못한다는 의심이 있다 [01:10]

2. AI는 단일 인프라가 아니라 기술 계층 전체를 동시에 바꾸고 있다

• 철도·통신·인터넷·모바일의 확산과 비교해도 변화가 빠르며, 핵심 컴퓨팅이나 통신 인프라 하나만 교체되는 상황이 아니다. 어셈블러부터 Python에 이르는 범위처럼 기술 계층의 위아래가 함께 바뀌고 있다 [02:59]
• 기존 애플리케이션 위에 새 계층이 순차적으로 쌓이는 방식과 달리 중간 구조까지 통째로 변하면서, 금융과 AI 등 서로 다른 관점의 해석이 충돌하고 있다 [03:35]

3. AI 투자 동기는 기존 소프트웨어 매출을 넘어선 발견의 가치에도 있다

• 박종현은 장기적으로 중요한 기준이 실제 AI 사용과 수요의 증가라고 본다. 주변 GPU 기업들에서는 여전히 수요가 많다는 이야기가 들린다 [04:40]
• 신약 특허, 신물질 개발, 노화 해결 같은 성과가 가능해진다면 개별 발견의 보상이 매우 클 수 있다. 노정석은 이런 잠재적 성과가 벤처 자금을 계속 투입할 동기를 제공한다고 본다 [05:50]

4. 비디오 입출력은 아직 본격화하지 않은 수요 확장 가능성이다

• 현재 활용은 텍스트와 이미지 중심이지만, 비디오를 입력하고 비디오를 출력하는 활용이 본격화하면 필요한 처리 규모가 크게 늘어날 수 있다 [06:40]
• 인터넷 초기에는 대역폭이 더 필요하지 않다는 견해가 있었지만, 이후 Netflix와 YouTube 같은 서비스가 등장했다. 모델에서도 새로운 활용이 인프라 수요를 확대할 가능성이 있으며, 현재의 상상력만으로 수요의 한계를 단정하기 어렵다는 관점이다 [07:06]

5. 모델 성능 향상이 가격 인상으로 이어지지 않는 이유는 희소성에 있다

• 모델이 좋아지면 3천 달러나 만 달러 요금제도 가능하다는 기대가 있었지만, 실제로는 GPU 가격 상승과 토큰 가격 하락이 동시에 나타나고 있다. 단위 능력당 토큰 가격도 계속 내려가는 흐름이다 [08:42]
• 가치사슬의 각 사업자가 확보하는 마진은 해당 자원이나 기능의 희소성에 달려 있다. 공급자가 늘고 경쟁이 심해지면 가격이 떨어지며 범용재가 된다 [09:50]

6. 추격 모델과 자체 모델의 확산이 프런티어 모델의 가격 결정력을 약화한다

• 중국 모델의 성장과 미국 내 여러 경쟁자의 존재 때문에 프런티어 연구소가 가격을 올리기 어려워졌다. Kimi K3.1의 Terminal-Bench 성적이 Opus 5.5에 근접했다는 비교는 선두와 추격 집단의 격차 축소를 보여주는 사례다 [12:28]
• Canva와 HeyGen 같은 서비스 기업도 자체 모델을 내놓고, 새로운 모델 사업자들도 진입하면서 모델 자체의 희소성이 약해지는 방향으로 경쟁이 확대되고 있다 [13:10]

7. 방어 가능한 가치는 프런티어 연구소와 운영을 소유한 서비스에 남을 수 있다

• 노정석은 새어 나가지 않는 희소성의 한 축이 프런티어 연구소에 남을 것으로 보면서도, 다른 기회를 찾으려면 연구소가 가져갈 수 없는 영역을 살펴야 한다고 본다 [14:21]
• 후보는 서비스 운영이 사업자의 소유권 안에서 이루어지고, 그 과정에서 발생하는 신호를 프런티어 연구소가 확보하려면 큰 희생을 치러야 하는 영역이다. 운영과 신호에 대한 통제력이 가치 방어의 조건이 될 수 있다 [14:44]

8. 인프라 과잉 투자의 조정 이후에도 서비스 시장은 성장할 수 있다

• a16z가 제시하는 역사적 관점에서는 인프라 구축 이후 그 위에 큰 서비스 시장이 형성됐다. 모바일·클라우드에서도 반도체와 기기 기업의 성장 뒤에 B2B SaaS와 Airbnb 같은 소프트웨어·서비스 사업자가 등장했다 [15:55]
• AI에서도 비슷한 전개를 기대할 수 있지만 구체적인 형태는 아직 불분명하다. 인프라 투자에는 미래 수요를 과장하는 경향이 있어, 중복 철도 노선처럼 과잉 설비와 경쟁이 생긴 뒤 조정이 나타날 수 있다 [16:57]

9. 개발자 시장의 빠른 확산과 비개발자 도입의 시차가 성장 우려를 만들었다

• Anthropic의 2026년 1분기 매출은 2025년 전체 매출보다 컸으며, 성장의 중심에는 Claude Code가 있었다. 개발자들의 빠른 유입은 다른 코딩 AI 서비스의 성장으로도 이어졌다 [19:30]
• a16z가 제시한 전 세계 개발자 약 3천만 명과 비개발 지식 노동자 약 15억 명의 차이는 시장 확대 기대의 근거였다. 그러나 비개발자 유입이 예상보다 느려지면서, 3분기 성장률 둔화와 이후 4분기 실적이 중요한 판단 지점이 됐다 [20:19]

10. 높은 기업가치는 빠른 성장뿐 아니라 더 큰 미래 시장을 전제한다

• 박종현은 2분기에서 3분기 사이 45% 성장도 매우 높은 수치인데, 이를 기대 둔화로 받아들이는 상황 자체가 시장 기대의 크기를 보여준다고 본다 [21:07]
• Anthropic의 2T 기업가치는 설립 5년 기업의 현재 매출보다 미래 시장 확대에 대한 기대를 크게 반영한다. 노정석은 매출이 Meta나 Google보다 훨씬 작은 만큼, 성장 전망이 깨지면 가치평가를 정당화하기 어려워진다고 본다 [21:46]

11. CoreWeave는 장기 시설 계약과 단기 고객 계약을 부채로 연결한다

• CoreWeave의 개별 사업 단위에는 15년 데이터센터 계약, 장비, 3년 고객 계약이 들어가며, 이를 뒷받침하기 위해 5년 만기 채권으로 자금을 조달하는 구조다 [22:35]
• 대형 고객의 구매 계약과 일부 구매 보증은 사업 단위의 위험을 낮춰 조달 금리를 줄이는 역할을 한다. 운영비와 금융비용을 제외한 이익이 CoreWeave에 남는다 [23:09]

12. 채권 수익률과 CDS 보험료 급등은 CoreWeave의 신용 불안을 드러낸다

• CoreWeave 본체의 2031년 만기 채권은 9.75% 이율로 발행됐지만, 이후 만기수익률이 약 15.78%까지 높아졌다. 채권 가격 하락으로 만기 원금 회수 때의 차익이 더해지면서 수익률이 높아지는 구조다 [24:56]
• 부도 위험을 보장하는 CDS가 1,100bp라면 연간 보험료가 명목금액의 11%에 해당한다. 이처럼 높은 보험료는 시장이 CoreWeave의 신용 위험을 매우 크게 평가한다는 신호다 [25:26]

13. 견실한 수요가 있어도 금리 상승과 차환 중단이 사업을 흔들 수 있다

• 수요를 충족할 설비가 필요하더라도, 이를 조달하는 금융 조건이 악화되면 사업 수익성이 무너질 수 있다. 노정석은 전반적인 금리 상승이 이런 인프라 금융 구조에 부담을 준다고 본다 [26:34]
• 갑작스러운 금리 상승으로 손익이 마이너스가 되거나, 새 채권을 발행해 기존 채무를 메우는 차환이 막힐 때 부도가 발생할 수 있다. 인프라 사업의 실패 원인이 수요 부족에만 있는 것은 아니다 [26:56]

14. 기업의 부도와 산업의 중단은 구분해야 하며, 회복 전망도 확정할 수 없다

• 인프라 기업이 부도나더라도 산업 자체가 멈추기보다 구조조정을 통해 소유자가 바뀔 수 있다. 철도 붐에서도 이런 전환이 있었다는 관점이다 [27:09]
• 시장에는 미국 10년물 국채 금리가 6%를 넘으면 CoreWeave 사업이 무너질 수 있다는 견해가 있다. 다만 노정석은 해당 임계치를 직접 재무 계산으로 검증하지 않았으며, 파산 여부를 확정하지 않는다 [27:37]

15. 국채 금리 완화에도 높은 CDS와 공매도 쏠림이 이어졌다

• 해당 주에는 국채 금리가 다소 하락했지만, CoreWeave CDS는 1,195bp로 정점을 찍은 뒤에도 1,115bp로 높게 유지됐다. 주가 역시 거의 52주 최저 수준까지 내려갔다 [29:11]
• CoreWeave와 Nebius로 공매도가 몰렸고, 공매도 포지션은 유통 가능 주식의 약 23.7%, 관련 계좌의 평가이익은 약 6B달러에 이른다는 수치가 제시됐다. 노정석은 매수 수요 부족과 공매도 쏠림을 고려하면 주가 하락이 펀더멘털 악화만의 결과는 아닐 가능성을 본다 [29:50]

16. 모델 간 격차 축소와 분야별 기능의 범용화

• 투자·사업 기회는 실제 운영과 operation loop를 소유하는 곳에 있다는 판단이다. 선도 연구소와 후발 연구소의 시간 격차는 줄고 있지만, 최신 모델의 능력을 아직 활용하지 못하는 고객에게 전달하는 사업 기회는 여전히 크다고 본다. [31:40]
• 특정 모델이 잘하는 분야를 다른 모델도 빠르게 따라오는 이유로 학습용 RL 데이터의 재판매를 든다. 분야별 능력이 자동차의 추가 사양처럼 모델에 편입되면서 개별 기능이 마케팅 재료가 된다는 해석이다. [32:32]

17. 모델이 범용재가 될 때 가치가 이동하는 경로

• 모델의 희소성이 사라지면 가치는 물리적 병목을 가진 인프라나 고객 가까이에 있는 상위 사업자로 이동할 수 있다. 인프라는 대체로 마진이 낮다는 설명과 함께, AWS의 35% 마진은 예외적인 사례로 든다. [34:10]
• 상위 서비스까지 범용재가 되면 기업이 높은 이익을 확보하기 어려워지고, 편익은 낮은 가격을 통해 소비자에게 돌아간다. 철도·전기와 쿠팡·Amazon의 가격 인하 효과를 같은 맥락의 사례로 든다. [34:43]

18. 현재의 성능 향상은 재귀적 자기개선보다 컴퓨트 확대에 가깝다

• Anthropic과 OpenAI의 행동이 시장의 반응과 새로운 사업 영역을 만드는 상황에서도, 현재 성능 향상을 재귀적 자기개선인 RSI로 보기는 어렵다는 판단이다. RSI라면 모델이 스스로 모델을 개발해 단순한 컴퓨트 추가 투입 이상의 개선을 만들어야 한다는 기준이다. [35:37]
• 지금의 개선은 컴퓨트 확대와 알고리즘·효율·KV 캐시 개선의 조합으로 해석한다. 최근 학습 규모를 1GW급 컴퓨트로 한 분기 사전학습한 뒤 그에 상응하는 사후학습을 수행하는 수준으로 보여준다. [36:16]

19. 성능 경쟁은 더 큰 컴퓨트 투입을 요구한다

• 과거 Chinchilla 논문에서 제시했다는 손실 하한 1.68을 기준으로, 줄일 수 있는 손실은 컴퓨트가 10배 늘 때 약 30%, 100배 늘 때 약 절반 감소한다고 보여준다. 다만 연구소들이 현재 손실을 공개하지 않아 실제 수치와 성능 향상의 관계는 알 수 없다고 전제한다. [36:59]
• 체감 성능은 컴퓨트를 두 배 투입한다고 두 배 좋아지는 구조가 아니며, 열 배를 투입해야 두 배 좋아지는 것에 가깝다는 비유를 든다. 손실 감소가 사용자의 처리 가능한 작업 증가로 곧장 이어지지도 않는다는 지적이다. [37:47]

20. 데이터·인재의 확산이 컴퓨트 확보 경쟁을 강화한다

• 선도 연구소의 핵심 자원을 컴퓨트·데이터·인재로 나누면, 인재는 이직과 교류를 통해 지식이 퍼지고 데이터는 판매업체의 반복 판매로 확산한다. 지속적인 우위가 천재 연구자나 연구 철학보다 컴퓨트 확보에 달렸다는 판단이다. [39:32]
• 선두 우위를 유지해야 기존 투자의 의미가 유지되기 때문에 연구소들이 컴퓨트 경쟁을 멈추기 어렵다고 본다. 시장이 흔들려도 새 데이터센터가 가동되면 연구소들이 가격을 불문하고 구매하러 온다는 설명이다. [40:02]

21. AI 수요는 기존 업무 대체를 넘어 새로 만들어질 수 있다

• 기업과 스타트업에는 기존 사업을 방어하고 새 영역을 선점하기 위해 자본을 미리 조달해서라도 컴퓨트에 투자할 유인이 있다. 실제 통신량이 필요했던 통신 인프라와 달리, AI에서는 이런 탐색 활동이 수요를 계속 만들 수 있다는 관점이다. [41:18]
• 코딩에서는 개발자 업무의 대체만 일어나는 것이 아니라 전체 코드 생산량이 크게 늘고 있다. 다른 분야에서도 같은 변화가 일어나면 기존 업무를 효율화하는 수준을 넘어 수요가 확대될 수 있다는 전망이다. [42:19]

22. 큰 시장과 확보하기 쉬운 데이터가 연구소의 우선 공략 대상이다

• 선도 연구소는 검증 가능하고 디지털화되어 있으며 시장이 큰 분야부터 모델 기능으로 편입할 것으로 본다. 연구소의 관심도는 시장 크기를 데이터 구매 난이도로 나눈 값에 가깝다는 가설이며, 해당 분야 사업자는 이 진입 경로를 살펴야 한다. [43:59]
• 회계사·변호사·의사·보험설계사 등의 전문직 영역도 데이터 확보 대상이 될 수 있다고 본다. 회계 판단처럼 정답이 단순하지 않은 문제도 전문가가 사례별 판단과 라벨을 만들면 검증 가능한 학습 문제로 바꿀 수 있다는 논리다. [45:15]

23. 데이터 구매가 어려운 영역과 연구소의 추가 진입 경로

• 전문가 채용과 물리적 작업 데이터 수집도 확대되고 있다. 사람이 수행한 작업을 디지털 데이터로 만들 수 있는 분야는 결국 선도 모델의 기능에 들어갈 것이라는 전망이다. [46:37]
• 연구소의 진입이 어려운 곳으로 규제가 있거나, 시장이 너무 작거나, 특허로 보호받는 영역을 든다. 단순한 전문지식보다 연구소가 접근하기 어려운 조건이 사업의 방어력에 중요해진다는 판단이다. [46:55]

24. 연구 노하우의 확산과 주권형 모델의 방어력

• 선도 모델을 만드는 연구 방식 자체는 더 이상 희소하지 않으며, 한 연구자가 구현한 방법을 다른 연구소도 재현할 수 있다고 본다. Kimi와 DeepSeek은 추가 진전을 통해 선도 연구소로 분류될 가능성이 있다는 평가다. [48:09]
• 선두권에 도달하지 못한 연구소는 규제·정치적 보호와 주권형 AI 수요가 주요 방어력이 될 수 있다. 성능 격차를 좁히지 못하면 매출 규모가 공공조달 중심 기업 수준에 머무를 가능성을 제기한다. [48:40]

25. 서비스 피드백 루프의 우위와 초기 수요의 편중

• Kimi와 DeepSeek이 자체 서비스를 키우는 이유는 고객 사용 데이터, 새로운 의도와 분야 지식을 다음 사전학습·사후학습 문제로 돌리기 위해서라고 본다. 오픈웨이트 배포에서는 이 연결이 끊겨 개선 순환이 느려질 수 있다는 판단이다. [49:16]
• a16z 자료를 인용해 전체 컴퓨트의 90%를 1%의 회사가 사용하며, 그 재원도 벤처투자금이나 대기업 자금인 경우가 있다고 보여준다. 소비자 사용 역시 코딩·생산성·동영상 생성에 집중되어 있어 본격적인 대중 수요가 아직 오지 않았다는 해석이 나온다. [49:59]

26. 현물·장기계약 가격 차이가 보여주는 컴퓨트 수급

• xAI·SpaceX 측이 약 3GW의 데이터센터를 구축해 자체 사용과 외부 판매를 병행하며, 컴퓨트를 현물로 판매한다고 보여준다. 반면 Nebius와 CoreWeave는 3년간 사용을 보장하는 계약을 맺고 상대적으로 낮은 가격에 판매한다. [51:26]
• 현물 판매는 높은 가격을 받을 수 있지만 수요가 없으면 설비가 놀게 된다. 현재는 컴퓨트 부족으로 현물 가격이 장기계약 가격보다 훨씬 높고, GPU를 빌리려 해도 현물 물량이 없다는 경험이 뒷받침된다. [51:57]

27. CoreWeave의 위험은 수요보다 금리와 만기 불일치에 있다

• CoreWeave는 계약별 특수목적회사인 SPV를 두고, 각각 다른 채권 조달 조건과 고객 구성을 적용한다. 개별 SPV의 손익이 모회사 가치로 이어지므로 예상했던 조달 금리가 바뀌면 사업 구조가 흔들릴 수 있다. [52:51]
• 미국 10년물 국채금리가 6%를 넘으면 구조가 무너질 수 있다는 시장의 우려를 소개하며, 낮은 주가와 높은 CDS 스프레드를 그 맥락에서 해석한다. 다만 이를 직접 재무적으로 판정할 수준은 아니라며 결과를 더 지켜봐야 한다고 유보한다. [53:37]

28. 데이터센터 사업자의 위험은 자금 조달 방식에 따라 다르다

• Google·Amazon·Microsoft는 기존 영업이익과 현금흐름으로 투자해 상대적으로 안전하다고 평가한다. 다만 Google도 올해 처음 채권을 발행했다고 설명하며, 투자 규모가 자체 현금흐름으로 감당할 범위를 넘어서고 있다고 본다. [55:06]
• Meta의 Hyperion은 Meta가 20%, Blue Owl 측이 80%를 부담하고 Meta가 임대와 보증을 제공하는 구조로 보여준다. 장부에 표시되는 부채는 줄어도 재무제표 주석에 남는 잠재 지급 의무는 위험 요인이라는 지적이다. [55:54]

29. 큰 목표와 위험 감수가 자본·인재를 끌어들이는 구조

• xAI 역시 높은 금리로 큰돈을 빌렸지만, 기업가치 상승과 지분 조달·전환이 부채 부담을 해소하는 경로가 될 수 있다고 본다. 큰 목표가 더 많은 인재와 자본을 끌어들이고 실행 가능성을 높이는 구조에 주목한다. [57:43]
• 실리콘밸리의 강한 낙관주의가 이런 위험 감수를 뒷받침한다는 해석이다. SpaceX가 우주 사업보다 GPU 임대에서 더 많은 돈을 벌고 있다는 평가와 함께, 과감한 조달과 빠른 실행이 성과를 가능하게 했을 수 있다고 본다. [58:15]

30. 사업의 선택지는 선도 연구소와 분야별 운영 루프 소유자로 좁아진다

• 대규모 대중 사업과 뚜렷한 특성을 가진 틈새 사업이 살아남는다는 비유를 AI에 적용한다. 선도 연구소가 되거나 특정 분야의 operation loop를 소유하는 두 방향이 유효한 선택지라는 결론이다. [58:50]
• 금리 상승은 조달 구조가 취약한 사업자부터 위협하겠지만 현금흐름이 강한 대형 사업자까지 위험이 전염될 가능성은 낮다고 본다. 전체 AI 거품이 터지는 상황은 아니라는 것이 개인적인 판단이다. [59:12]

31. 선두 모델의 격차가 희소성과 가치 배분을 결정한다

• 향후 시나리오를 가르는 한 축은 선도 모델과 후발 모델의 격차가 벌어지는지, 좁혀지는지다. Anthropic 같은 기업이 계속 앞서가면 모델이 희소재로 남을 수 있다고 본다. [59:42]
• Kimi·DeepSeek과 다른 연구소들이 비슷한 능력을 확보해 격차가 좁혀지면 모델은 범용재가 된다. 이 경우 모델이 아무리 똑똑해져도 모델 자체가 가져가는 가치의 몫은 0에 가까워진다는 전망이다. [59:59]

32. 추론 마진만으로는 AI 사업의 수익성을 판단할 수 없다

• 현재는 감가상각비와 이자가 매출보다 큰 상태라는 진단이다. 산업의 전환점은 매출이 이 비용을 넘어서는 시점에 있다 [1:00:26]
• Anthropic의 추론 투입 비용 대비 마진은 변동비 중심의 공헌이익에 가깝다. 사전학습, 다음 세대 경쟁력 확보, 인건비, 데이터센터와 선지급 보장 비용까지 포함하면 여전히 상당한 적자일 것으로 본다 [1:01:06]

33. 모델 격차가 좁혀지면 가치는 운영 루프로 이동한다

• OpenAI와 Anthropic이 원하는 S3는 성능 격차를 유지하며 독점적인 지능 인프라 사업자로 성장하는 경우다. 노정석은 이보다 DeepSeek·Kimi 등의 추격으로 프런티어 랩이 늘어나는 S1의 가능성을 더 높게 본다 [1:02:13]
• 선도적인 운영 방식과 자금·시장점유율을 확보한 사업자는 살아남지만, 투입보다 산출이 작은 랩은 도태·흡수될 것으로 예상한다. 경쟁이 심해지면 프런티어 모델은 범용재가 되고, 가치는 희소한 전력·냉각 인프라와 상위 서비스로 이동할 수 있다 [1:03:17]

34. 거품과 산업 정착을 가르는 핵심 변수는 수익 전환 시점이다

• 수익 없이 투자가 집중되는 S2에서는 사업자와 인프라가 무너진 뒤 우수한 운영 방식을 확보한 사업자에게 흡수될 수 있다. 다만 기업별·사업 단위별 수요를 충족하는 작은 사업자와 NeoLab이 자리를 잡을 가능성도 열려 있다 [1:05:03]
• 닷컴 버블처럼 S2로 보이는 산업도 구조조정과 불확실성 해소를 거쳐 S1으로 이동할 수 있다는 관점이다. 노정석이 S1과 S2에 부여한 확률의 합은 거의 80%이며, 이는 모델 성능 격차가 닫힐 가능성을 높게 보기 때문이다 [1:05:33]

35. 운영 루프를 소유하는 데 자체 모델 개발이 필수는 아니다

• 일부 사업은 프런티어에 근접한 오픈웨이트 모델과 컴퓨팅 자원을 연결하는 것만으로 해결할 수 있다. 핵심 운영 루프가 지능 자체보다 제어 계층에 있고, 그 데이터도 모델 학습에 적합할 만큼 크지 않은 경우가 많다는 설명이다 [1:06:46]
• 후발 모델 사업자는 관심을 얻기 위해 높은 성능의 모델 가중치를 공개할 유인이 있다. 노정석은 데이터와 인재도 감가되는 자산이며 컴퓨팅으로 대체할 수 있다는 관점에서 모델 개발의 가치가 계속 낮아질 것으로 본다 [1:07:36]

36. 운영 신호는 반복되는 판단을 압축한 규칙으로 축적된다

• signal의 정의는 아직 정리 중이다. 매출 하락의 원인을 찾고 조치를 선택하는 과정처럼, 사업에서 반복되는 질문과 답은 몇 개의 규칙이나 지혜로 압축될 수 있으며 반드시 모델에 학습시켜야 할 규모의 데이터는 아니다 [1:08:51]
• 환경 변화에 따른 결과와 고객 반응을 관찰하고 행동을 수정하는 과정이 operation loop다. 거래가 많은 기존 강자는 운영 신호도 풍부하므로, 이를 AI와 결합하면 효율 개선과 방어력을 함께 확보할 수 있다 [1:09:46]

37. 기업 AI의 과제는 개인 업무 가속을 넘어 업무 흐름을 재설계하는 것이다

• 기업 AI 도입은 기존 지식 노동자의 일을 AI로 대체해 개인의 작업 속도를 높이는 수준에 머물러 있으며, 회사 전체의 생산성 증가로는 아직 이어지지 않았다는 진단이다 [1:10:40]
• 기업 전체의 생산성을 높이려면 AI에 맞춰 업무 흐름을 새로 설계하고 운영 안에 루프를 구축해야 한다. Palantir, EightyNinety와 OpenAI·Anthropic의 B2B FDE 조직이 관련 사업자로 거론된다 [1:10:57]

38. 소비자 에이전트는 업무 범위와 수행 완성도로 경쟁한다

• B2C에서는 소비자 접점을 누가 확보하느냐가 핵심이다. 접점을 장악하면 그 영향력으로 확장할 수 있는 사업이 크기 때문에 다양한 사업자가 이 방향으로 진입할 것으로 예상한다 [1:11:31]
• 소비자 만족도에는 처리 가능한 업무의 범위와 각 업무를 뛰어나게 수행하는 정도가 함께 작용한다. 항공권은 예약하지만 생수는 구매하지 못하는 에이전트는 범위가 부족하며, 경쟁력은 이 두 요소의 곱으로 드러난다 [1:12:21]

39. 기술을 빌려 운영 루프를 구축하고 투자로 불확실성에 대비한다

• Tesla처럼 외부의 필요한 기술을 가져오고 내부에서는 수직계열화를 통해 신호가 순환하도록 만드는 사업 방식이 대안이다. 다만 Elon Musk도 이후 xAI를 설립해 프런티어 랩을 소유하게 됐다 [1:13:01]
• 노정석은 소수 프런티어 랩의 과점 가능성을 높게 보지는 않지만, 전환 시점을 알 수 없으므로 관련 주식을 보험으로 보유해야 한다는 견해다. 이들이 지능 인프라가 돼 인플레이션 등을 방어하는 자산이 될 수 있다고 본다 [1:13:50]

40. 인프라 수익성은 가격 차이와 하드웨어 회수 기간으로 점검한다

• 시장 타이밍을 판단하기 위해 현물 가격과 계약 가격의 차이를 추적한다. 관련 자료를 1~2주에 한 번씩 점검하지만, 이를 엄밀한 정량 지표로 보지는 않는다 [1:14:54]
• GPU를 3년 쓰는지 8년 쓰는지, 투자 비용을 매출로 회수하는 데 얼마나 걸리는지가 수익성을 크게 바꾼다. 컴퓨팅 수요가 지속되고 감가상각이 끝난 자산도 가동된다면 CoreWeave·Nebius의 현재 나쁜 실적이 개선될 가능성이 있다 [1:15:37]

41. 모델 추격 속도와 서비스 마진으로 가치의 행방을 살핀다

• 오픈웨이트와 프런티어 모델의 격차는 현재 중국과 미국 선도 랩 사이의 격차와 거의 같은 의미로 본다. 격차가 4개월에서 2개월 안쪽으로 줄어드는 듯하다는 관찰을 바탕으로, 중국 랩도 프런티어 랩이 되고 있다고 판단할 수 있다는 견해다 [1:16:12]
• 에이전트가 코딩을 넘어 법무·재무 등으로 얼마나 확산하는지, 이후 어떤 대형 업무 영역이 열리는지도 관찰 대상이다 [1:16:33]

42. 재귀적 자기개선과 연구 돌파는 기존 전망을 뒤집을 수 있다

• RSI의 최초 관측 시점은 별도의 핵심 변수다. 모델이 스스로 발전해 알려진 스케일링 법칙 그래프의 기울기까지 바꿀 수 있다면 위협적인 변화가 될 수 있다고 본다 [1:17:34]
• 여러 시장 지표를 추적하는 접근의 가장 큰 위험은 초지능이 연내 등장해 기존 분석을 무의미하게 만드는 상황이라는 가정이다. 이는 확정된 전망이 아니라 분석 틀 자체를 흔들 수 있는 가능성으로 드러난다 [1:17:46]

43. 프런티어 랩의 한계와 시장 타이밍을 다음 행동의 기준으로 삼는다

• 핵심 관찰 대상은 프런티어 랩의 발전, 이들이 하지 못하는 영역, 그 사이에서 달라지는 시장 타이밍이다. 이 세 요소가 사업 기회를 판단하는 기준이 된다 [1:18:50]
• AI가 성장하고 삶을 바꿀 것이라는 기대를 공유하는 집단 안에 갇혀 있을 수 있다는 인식도 필요하다. 이러한 관점을 바탕으로 각자의 다음 행동 전략을 세우고 실행하게 된다는 결론이다 [1:19:47]

🧾 결론

• 이 대화의 중심은 AI 성장 여부를 넘어, 성장의 이익을 누가 지속적으로 확보하느냐에 있다.
• 노정석은 모델 격차가 좁혀질 가능성을 상대적으로 높게 보며, 운영 루프를 소유한 서비스에 가치가 쌓일 수 있다고 판단한다. 이는 경쟁 구도에 따라 달라지는 전망이다.
• 인프라 기업이 재무적으로 실패하더라도 설비가 새 소유자에게 넘어가 산업 성장이 이어질 수 있다. 산업의 존속이 기존 주주나 채권자의 수익을 보장하지는 않는다.
• 운영 루프도 연구소의 진입과 경쟁에서 자유롭지 않다. 서비스까지 범용화되면 기업의 초과이익보다 소비자의 가격 혜택이 커질 수 있다.

📈 투자·시사 포인트

• 인프라 사업자는 수요뿐 아니라 조달 금리, 차환 일정, 고객 계약, 구매 보증, 모회사와 SPV의 위험 배분을 함께 살펴야 한다.
• 컴퓨트 현물 가격과 장기계약 가격의 차이는 수급을 관찰할 단서다. 다만 자료에서도 엄밀한 정량 지표로 검증된 것은 아니라고 유보한다.
• GPU의 실제 사용 기간과 투자금 회수 기간은 수익성을 크게 바꾼다. 회계상 감가상각과 실제 매출 창출 기간의 차이를 확인필요가 있다.
• 기업 AI 사업의 기회는 개인 작업 속도 향상을 넘어 업무 흐름을 재설계하고 운영 신호를 축적하는 데 있다. 연구소가 그 신호와 고객 접점을 얼마나 쉽게 확보할 수 있는지가 방어력의 기준이다.
• 높은 기업가치는 현재 성장률뿐 아니라 비개발자 시장 확장과 미래 수익 전환을 전제한다. 도입 속도가 기대에 못 미치면 기술 발전 중에도 가치평가가 조정될 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 매출·기업가치·채권 수익률·CDS·공매도 비중 등은 자료에서 제시한 수치다. 관측 시점과 원자료가 별도로 확인되지 않았으므로 현재 수치로 단정할 수 없다.
• 미국 10년물 국채금리 6%가 CoreWeave의 사업 붕괴 임계치라는 주장은 출연자도 직접 재무 계산으로 검증하지 않았다. 부도 가능성과 시점을 판단하는 확정 기준으로 사용하기 어렵다.
• 견실한 컴퓨트 수요에 대한 평가는 업계 경험과 관찰을 포함한다. 벤처자금·대기업 투자에 집중된 초기 수요가 일반 기업과 소비자의 지속적인 지출로 확장될지는 열려 있다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• CoreWeave의 고객 계약·시설 임대·부채 만기를 정리하고, SPV와 모회사의 보증·채무 관계 및 차환 조건을 공시로 확인한다.
• 채권 수익률·CDS·국채금리를 동일한 관측일 기준으로 기록하고, 자료에 나온 수치와 이후 변화를 구분한다.
• 컴퓨트 현물·장기계약 가격을 GPU 종류와 계약 조건을 맞춰 비교하고, 가격 역전이나 가동률 변화가 나타나는지 추적한다.
• 선도·후발 모델의 성능 격차와 토큰 비용, 실제 업무 수행 범위를 함께 기록해 모델 희소성의 변화를 점검한다.

❓ 열린 질문

• 선도 모델과 후발 모델의 격차는 계속 좁혀질까, 아니면 소수 연구소가 가격 결정력을 유지할 만큼 벌어질까?
• 운영 루프 소유자는 연구소의 진입과 경쟁에도 고객 접점·운영 신호·마진을 지킬 수 있을까?
• AI 산업의 매출이 감가상각비와 이자를 넘어서는 시점은 언제이며, 그 전에 취약한 조달 구조가 얼마나 버틸 수 있을까?