Generative AI inference economy and investment cycle 리서치 보고서 해설

개요

이 공동 가이드북은 시장이 추론 시대로 전환하는 가운데 8가지 핵심 생성형 AI 논쟁을 검토한다. 핵심 결론은 AI 투자가 수년간의 기회인 반면, 2028년 인프라 지출 증가율 둔화가 하이퍼스케일러, 소프트웨어 지원 기업, AI 도입 기업 및 희소한 전력 인프라 공급업체로 수혜를 넓힐 것이라는 점이다.

핵심 견해

Morgan Stanley는 AI 사이클이 초기 하드웨어·반도체 주도 단계에서 인프라, 소프트웨어, 애플리케이션 계층으로 진행될 것으로 예상한다. 하이퍼스케일러 데이터센터 설비투자는 2027년 전년 대비 약$500bn, 즉60% 증가해 $1.5tn에 도달하고, 2028년에는 약12% 성장으로 둔화될 것으로 본다. 하드웨어 주식이 반드시 큰 폭으로 하락할 것으로 보지는 않지만, 설비투자 증가율 둔화와 매출 확장, 현금흐름 개선, 매출·EBIT 상회가 상위 계층의 더 큰 실적 추정치 상향과 멀티플 확장 기회를 만들 수 있다고 주장한다. AMZN, GOOGL, MSFT, META 등 생성형 AI 지원 기업에 긍정적이다. 증가율이 둔화돼도 구축 규모는 크다. Morgan Stanley는 2027-28년에 약80 GW의 용량이 가동되고, AMZN, GOOGL, META, MSFT의 총 컴퓨팅 용량이 2025년 약35 GW에서 2028년 약145 GW로 늘어날 것으로 예측한다. GOOGL이 Gemini, Google Cloud, AI 기반 Search와 YouTube를 바탕으로 가장 많은 용량을 추가할 것으로 본다. 맞춤형 ASIC의 증분 용량 비중은 2025년34%에서 2028년66%로 상승할 전망이며, Google TPU와 Amazon Trainium이 주도한다. 이는 서비스 제공 비용을 낮추고 추론 처리량을 높이기 위한 변화의 일부다. 생성형 AI 설비투자는 세 가지 수익화 모델에서 매력적인 수익을 낼 수 있다고 본다. 하이퍼스케일러 IaaS로 임대하는 1 GW GB300 데이터센터의 경우 약$23bn/GW 매출, $8bn/GW 운영비, 약$15bn/GW 증분 EBIT 및 약30% 세후 ROIC를 추정한다. 자체 인프라에서 API를 제공하는 모델 구축업체는 예시 기준 시나리오에서 약$30bn/GW 매출, $23bn/GW 증분 EBIT, 약46% ROIC를 창출할 수 있다. 제3자 인프라에서 구동되는 모델 API는 약$41bn/GW의 더 높은 매출을 예상하지만 약$28bn/GW의 임차 비용으로 약$13bn/GW의 증분 EBIT에 그친다. 따라서 자체 인프라에서 운영되는 모델 계층이 가장 높은 수익률을 얻는 반면, 하이퍼스케일러 인프라의 경제성도 여전히 매력적이라고 판단한다. 수요 기회는 광범위하다. Morgan Stanley는 생성형 AI 도구로 디지털화 또는 증강될 수 있는 글로벌 지식 노동 지출을 $20-30tn, 소비자 지출을 약$30tn으로 파악한다. 퍼블릭 클라우드와 과거 기술 도입 곡선을 참고해 2027년 기업 AI 지출을 약$800bn, 더 넓은 지식 노동 기회의 약4% 침투율로 추정한다. AI는 전면적인 인프라 이전이 필요하지 않고 생산성 효과가 더 빠르며, 도입에서 뒤처지는 기업의 경쟁 기회비용이 더 크기 때문에 클라우드보다 빠르게 확산될 수 있다고 본다. 경제 전반에서 도입 신호가 나타나고 있다. Morgan Stanley에 따르면 2Q26 기준 S&P 500 기업의 약25%가 생성형 AI 효익을 정량화했으며, 이는 1년 전14%에서 상승한 수치다. 기술, 커뮤니케이션 서비스, 금융, 헬스케어 및 산업 부문이 초기 도입을 이끌고 있다. AI를 매출 성장, 생산성 또는 서비스 제공 비용 절감으로 연결할 수 있는 기업은 더 큰 재무적 혜택을 볼 수 있다고 본다. 오픈웨이트 모델은 컴퓨팅 수요에 대한 위협이 아니라 도입 촉진제로 제시된다. 낮은 비용, 독점 데이터 기반 미세조정 및 유연한 배포가 사용 사례를 확대하는 한편, 프런티어 모델의 가격과 차별화에는 압력을 준다. 낮은 token 가격은 총 token 수요를 확대할 수 있으며, AWS Bedrock, Microsoft Foundry, Google Vertex 같은 하이퍼스케일러 플랫폼은 모델 호스팅의 복잡성을 추상화하고 컴퓨팅, 미세조정, 데이터 파이프라인 등을 통해 수익화할 수 있어 가치를 유지한다고 본다. 민감도 분석에서도 오픈웨이트 확산 하에 1 GW GB300 용량은 약20-40% ROIC를 보인다. 자금조달 측면에서, 연초 이후 글로벌 AI 관련 부채 발행이 약$450bn에 달했음에도 추가 AI 인프라 발행을 흡수할 신용시장 여력이 충분하다고 본다. 조정은 자금조달 제약보다는 스프레드 확대를 통해 일어날 가능성이 높다. AMZN, GOOGL, MSFT, META 4대 구축 기업은 2027년$980bn, 2028년$1.2tn의 영업현금흐름을 창출할 것으로 예상되며, 이 기간 필요한 부채 조달은 $290bn에 불과하다. 다만 오프밸런스 리스와 구매 약정 증가, 제한적인 공시, 우발 약정 증가는 현재 신용등급에서 부채 여력을 낮출 수 있다. 마지막으로 전력 가용성이 핵심 물리적 병목이다. Morgan Stanley는 미국의 전력 부족을38 GW로 보며, 전력비 상승, 계통연계 지연, behind-the-meter 발전 증가를 예상한다. behind-the-meter 전력은 GW당 설비투자를 약$3bn 증가시키며, 2H27과2028년에 가동될 것으로 보는 Rubin Ultra 세대 NVIDIA 시스템에 대해 총비용$50bn/GW로 반영했다. 이는 BE, INIO, SEI 같은 현장 발전 공급업체와 WULF, HUT, CIFR, RIOT 같은 전력 공급형 셸 사업자에 대한 긍정적 견해를 뒷받침한다. 주·지방정부의 데이터센터 규제는 기준 시나리오에서 대체로 관리 가능하다고 보지만, 확대되는 모라토리엄, 노동력·자재 제약, 2028년 선거 관련 정치 리스크는 프로젝트를 추가로 지연시키거나 비용을 올릴 수 있다.

분석 프레임워크

보고서는 칩, 랙, 출하량 및 GW당 비용에 대한 보텀업 전망과 컴퓨팅 수익화의 3가지 예시 투하자본수익률 사례를 결합한다. 이어 용량, token 경제성, 도입 유사 사례, 기업 근거, 신용시장 분석 및 전력 제약을 산업 및 기업별 영향과 연결한다.

방법론 메모

• 산업 분석 프레임워크수급 프레임워크

  컴퓨팅 용량, 칩 공급 및 전력 병목 분석

  Morgan Stanley는 AI 컴퓨팅의 가용성과 경제성을 평가하기 위해 데이터센터 용량과 확장을 제한하는 물리적 제약을 추정한다.

• 기업 펀더멘털 및 재무 프레임워크ROIC-WACC 스프레드

  생성형 AI ROIC 모델링

  보고서는 하이퍼스케일러 임대 및 모델 구축업체 수익화 구조별로 GW당 매출, 운영비, NOPAT, 투하자본을 모델링한다.

• 가치평가 방법론DCF(할인현금흐름법)

  일부 전력 인프라 기업에 대한 DCF 가치평가

  보고서는 일부 기업의 리스크·리워드 분석에서 할인율과 영업 전망을 포함한 DCF 가정을 사용한다.

• 가치평가 방법론PER·PEG 가치평가

  일부 대형 기술기업에 대한 P/E 및 PEG 기반 목표주가 프레임워크

  보고서는 예상 EPS에 이익배수를 적용하고 일부 기업의 가치평가 사례에서 PEG 비교를 참조한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• Amazon.com (AMZN)

  AI 인프라 수익화와 AWS 수요의 수혜가 예상되는 하이퍼스케일러 및 생성형 AI 지원 기업.

  강점

  AWS, 고객 유통망, 맞춤형 실리콘 투자.

  약점

  투자 기간 장기화와 리테일 마진 압박이 수익에 부담을 줄 수 있음.

  비교

  GOOGL, MSFT, META와 함께 4대 하이퍼스케일러에 속함.

  위험

  AWS 매출 둔화 또는 마진 하락, 예상보다 긴 투자 사이클.

• Alphabet (GOOGL)

  가장 많은 컴퓨팅 용량을 추가할 것으로 예상되는 하이퍼스케일러이며 Search, Cloud, AI 플랫폼 혁신의 수혜 기업.

  강점

  TPU 용량, Gemini, Google Cloud, Search와 YouTube 유통망.

  약점

  AI 서비스의 낮은 수익화율과 높은 컴퓨팅 집약도 가능성.

  비교

  주요 하이퍼스케일러 중 용량 추가를 주도할 것으로 예상됨.

  위험

  광고 성장 둔화, 마진 압박, AI 제품 수익화 리스크.

• Microsoft (MSFT)

  Azure, Foundry, Copilot 수익화를 통한 AI 지원 기업.

  강점

  Azure 성장, M365 유통망, AI 서비스 도입.

  약점

  더 높은 투자가 마진 확대를 제한할 수 있음.

  비교

  AMZN, GOOGL, META와 함께 주요 하이퍼스케일러에 속함.

  위험

  IT 지출 부진, 제한적 AI 도입, 자본집약도 상승.

• Meta Platforms (META)

  통합형 모델 구축업체이자 AI 도입 기업이며, 보고서 리스크·리워드 섹션의 top pick.

  강점

  대규모 퍼스트파티 데이터, 유통망, 광고 플랫폼, AI 기반 참여도 개선 잠재력.

  약점

  데이터센터 자본집약도와 Reality Labs 손실.

  비교

  보고서는 자체 인프라에서 운영되는 모델 계층이 구조적으로 유리하다고 봄.

  위험

  참여도 하락, Reels 수익화 둔화, 광고 규제, AI 구축 실행 부진.

• NVIDIA (NVDA)

  추론 및 학습 수요의 수혜를 받는 컴퓨팅 공급업체.

  강점

  Blackwell과 Rubin의 성능 리더십 및 보고서가 제시한 수요 초과.

  약점

  맞춤형 실리콘과 경쟁 대안이 멀티플 확장을 제한할 수 있음.

  비교

  맞춤형 ASIC은 증분 용량에서 더 큰 비중을 차지할 것으로 예상됨.

  위험

  AI 최종시장이 기대에 미치지 못함, 고객의 GPU 구매 축소, 경쟁 또는 수출 통제.

• Bloom Energy (BE), Innio (INIO), Solaris Energy Infrastructure (SEI)

  전력 공급까지의 시간 제약으로 수혜를 받는 현장 발전 공급업체.

  강점

  대규모 부하 고객을 위한 behind-the-meter 및 분산형 전력 솔루션.

  약점

  경제성은 비용, 규제, 고객 도입에 좌우됨.

  비교

  전력 공급이 된 데이터센터 부지를 수익화하는 전력 공급형 셸 사업자와 구별됨.

  위험

  경쟁, 비용 절감 미달, 규제, 약한 데이터센터 수요.

• TeraWulf (WULF), Hut 8 (HUT), Cipher Mining (CIFR), Riot Platforms (RIOT)

  전력 자산을 고성능 컴퓨팅 데이터센터 용량으로 전환할 수 있는 전력 공급형 셸 사업자.

  강점

  전력 파이프라인, 리스, Bitcoin에서 데이터센터로 전환할 기회.

  약점

  가치평가는 계약, 전력 공급, 프로젝트 실행 가정에 의존함.

  비교

  보고서는 이들 기업이 현장 발전을 촉진하는 동일한 전력 병목의 수혜자라고 봄.

  위험

  AI 지출 둔화, 가정보다 낮은 리스 경제성, 건설 지연, 비용 초과, 파이프라인 용량 수익화 실패.

핵심 데이터

• 하이퍼스케일러 데이터센터 설비투자 성장률60% in 2027; ~12% in 2028Morgan Stanley는 설비투자가 2027년 $1.5tn에 도달한 후 성장세가 둔화될 것으로 예측한다.
• 총 컴퓨팅 용량~35 GW in 2025 to ~145 GW in 2028약4배 성장으로, 2027-28년에 약80 GW가 가동될 전망이다.
• 증분 용량 내 맞춤형 ASIC 비중34% in 2025 to 66% in 2028Amazon Trainium과 Google TPU가 주로 견인한다.
• 생성형 AI ROIC25-50%하이퍼스케일러 임대와 모델 API 수익화의 예시 경로다.
• 글로벌 생성형 AI 대상 지출$50-60tn$20-30tn의 지식 노동과 약$30tn의 소비자 지출로 구성된다.
• 생성형 AI 효익을 정량화한 S&P 500 기업~25% in 2Q261년 전14%에서 상승했다.
• 글로벌 AI 관련 부채 발행~$450bn year to date보고서는 자금조달 중단보다는 스프레드 확대를 통한 조정을 예상한다.
• 미국 전력 부족38 GWbehind-the-meter 전력 및 전력 공급형 셸 솔루션의 투자 논리를 뒷받침한다.

영향과 시사점

Morgan Stanley는 추론 수익화와 도입이 확대됨에 따라 AI 기회가 반도체를 넘어 확대될 것으로 예상한다. 하이퍼스케일러와 소프트웨어 지원 기업, 초기 도입 기업, 그리고 지속적인 데이터센터 제약으로 수혜를 보는 전력 솔루션 공급업체가 혜택을 받을 것으로 본다.

위험

• AI 지출이 둔화되면 컴퓨팅, 인프라 및 관련 전력 용량 수요가 줄어들 수 있다.
• 전력, 노동력, 자재 및 계통연계 제약이 데이터센터 개장을 늦추고 비용을 높일 수 있다.
• 주·지방정부의 데이터센터 반대가 더 광범위하거나 영구적인 제한으로 확대될 수 있으며, 2028년 선거가 정치 리스크의 초점이다.
• 오픈웨이트 모델은 모델 계층의 token 가격과 경쟁 차별화에 압력을 가할 수 있다.
• 오프밸런스 리스와 구매 약정은 강한 영업현금흐름에도 불구하고 미래 부채 조달 여력을 낮출 수 있다.
• 전력 공급형 셸 사업자의 경우 건설 지연, 비용 초과, 전력 공급 불확실성, 고객 계약 실패가 수익을 훼손할 수 있다.

주시할 점

• 2028년으로 향하는 하이퍼스케일러 설비투자 증가율과 매출·현금흐름 확장이 소프트웨어 및 지원 기업으로의 자금 이동을 지지하는지 여부.
• 컴퓨팅 용량 추가, 특히 Google TPU와 Amazon Trainium 배치가 NVIDIA 용량 대비 어떻게 진행되는지.
• token 가격, 처리량, 학습이 아닌 수익 창출형 추론에 배정되는 용량 비중.
• 특히 기술, 금융, 헬스케어, 산업 부문에서의 기업 도입과 정량화 가능한 효익 증거.
• 신용 스프레드, AI 관련 발행, 오프밸런스 약정 증가.
• 전력 가용성, 데이터센터 인허가, behind-the-meter 발전 도입 및 2028년 선거 전 규제 변화.
• 현장 전력 및 전력 공급형 셸 사업자의 신규 데이터센터 계약, 용량 조달, 전력 공급 진척.