The age of inference in generative AI 리서치 보고서 해설

개요

Morgan Stanley의 협업형 가이드북은 AI가 ‘추론 시대’로 진입하면서 제기되는 8개 주요 생성형 AI 논점을 다룬다. 핵심 결론은 투자 사이클이 수년간 지속되지만, 다음 상대적 수혜자는 하이퍼스케일러, 소프트웨어 및 애플리케이션 계층 이네이블러, 초기 기업 도입자, 데이터센터 전력 제약을 해결하는 공급업체가 될 수 있다는 것이다.

핵심 견해

Morgan Stanley는 하이퍼스케일러 데이터센터 설비투자가 2027년 약60%, 즉 약$500 billion 증가해$1.5 trillion에 이른 뒤 2028년 약12% 성장으로 둔화할 것으로 예상한다. 칩·랙 기반의 보텀업 분석은 제한된 칩 공급, 대규모 선행 건설, 부품 및 전력 비용 상승, 노동력·자재·전력망 접속의 물리적 제약을 반영한다. 일부 2026년 설비투자의30-40%는 2027-29년에 개소할 데이터센터의 토지·건물·장비·전력에 투입된다. 설비투자 성장 둔화와 하이퍼스케일러 및 소프트웨어 매출 가속은 하드웨어·반도체·메모리에서 AMZN, GOOGL, MSFT, META 등 인프라·소프트웨어 계층으로의 상대적 자금 이동을 촉진할 것으로 본다. 용량 확장은 2028년 성장 둔화 전망에도 여전히 크다. Morgan Stanley는 2027-28년에 약80 GW가 가동되며, 2027년38 GW, 2028년44 GW로 구성되어 총 하이퍼스케일러 용량이 2025년 약35 GW에서 2028년 약145 GW로 늘어날 것으로 예상한다. Gemini, Google Cloud 및 Search·YouTube의 생성형 AI 기능을 바탕으로 GOOGL이 가장 많은 용량을 추가할 것으로 본다. 커스텀 ASIC의 증분 용량 비중은 2025년34%에서 2028년66%로 상승하며 Trainium과 TPU가 이를 주도한다. 2028년 두 제품의 합산 용량은12 GW로, NVIDIA의13 GW와 비교된다. 컴퓨팅은 새 도구와 에이전트 워크플로를 통해 수익화될 수 있는 희소 자원이라는 판단이다. 보고서는 하이퍼스케일러 GPU 임대, 자체 인프라의 모델 API, 제3자 인프라의 모델 API라는 세 수익화 경로를 통해 생성형 AI 수익성을 검토한다. 1 GW GB300 데이터센터의 GPU 임대 기본 프레임워크는 GW당 약$23 billion 매출, IT 감가상각$4.6 billion을 포함한$8 billion 운영비, 약$15 billion 증분 EBIT 및 세후 약30% ROIC를 가정한다. 자체 인프라의 모델 API는 GW당 약$30 billion 매출, 약$18 billion NOPAT 및 기본 사례 약46% ROIC를 예상한다. 제3자 인프라 API는 GW당 약$41 billion의 높은 매출 잠재력을 가지지만, 임대 비용으로 기본 경제성은 약25% NOPAT 마진으로 낮아진다. Morgan Stanley는 전반적으로25-50% ROIC 경로를 제시하며, 자체 인프라에서 운영되는 모델 계층에 가장 높은 수익이 귀속된다고 본다. Morgan Stanley는 디지털화 또는 증강 가능한 세계 지출 기회를$50-$60 trillion으로 규정한다. 이는$20-$30 trillion의 지식노동 기회와 소매·여행·자율주행·음식 배달·광고에 걸친 약$30 trillion의 소비 지출을 포함한다. 퍼블릭 클라우드 도입을 유추해 2027년 기업 AI 지출을 약$800 billion, 지식노동 기회의 약4%로 추정한다. AI는 전면적 인프라 이전이 필요 없고 생산성 효과가 더 빨리 나타날 수 있어 클라우드보다 빠르게 확산될 수 있다고 본다. 기술, 통신 서비스, 금융, 헬스케어 및 산업이 가장 이른 도입 분야다. 생성형 AI 효과를 수치화한 S&P 500 기업은2Q26 기준 약25%로 1년 전14%에서 상승했다. 기술은28%에서51%, 금융은8%에서37%, 산업은19%에서21%로 상승했다. 오픈웨이트 모델은 컴퓨팅 수요의 위협이 아니라 도입 촉진 요인으로 평가된다. 낮은 비용, 맞춤화 및 유연한 배포는 프론티어 모델의 token 가격을 압박할 수 있지만, Morgan Stanley는 token 수요를 확대하고 AWS Bedrock, Microsoft Foundry, Google Vertex 같은 하이퍼스케일러 플랫폼의 가치를 강화한다고 본다. 이들 플랫폼은 고객의 모델 선택과 무관하게 컴퓨팅, 파인튜닝, 데이터 파이프라인 등 부가 서비스로 수익화한다. 오픈웨이트 모델 확산이 심화되어도 분석상1 GW GB300 용량의 ROIC는 약20-40%로 나타난다. 자금조달 측면에서 Morgan Stanley는 글로벌 AI 관련 부채 발행이 연초 이후 약$450 billion임에도 단기 신용시장 제약은 없다고 본다. 특히 고품질 하이퍼스케일러의 경우 추가 공급 조정은 발행 제한보다 스프레드 확대를 통해 이뤄질 것으로 예상한다. AMZN, GOOGL, MSFT, META는 2027년과 2028년에 각각$980 billion, $1.2 trillion의 영업현금흐름을 창출하는 반면 그 기간 필요 부채 조달액은$290 billion에 그칠 전망이다. 다만 오프밸런스 리스 및 장기 약정은 레버리지 익스포저를 높이며, 신용평가사는 이를 조정 부채에 포함한다. 전력 가용성은 핵심 물리적 병목이다. Morgan Stanley는 미국 전력 부족을38 GW로 추정하며, 주·지방정부 심사 강화, 장기화되는 계통 연결, 노동력 제약 및 전력비 상승으로 behind-the-meter 발전이 더 일반화될 것으로 본다. 이는 GW당 설비투자에 약$3 billion을 더하고, 2H27 및 2028년 가동을 예상하는 Rubin Ultra부터 총비용$50 billion/GW로 반영된다. 이 판단은 BE, INIO, SEI 등 현장 전력 공급업체와 CIFR, WULF, HUT, RIOT 등 전력 공급형 셸 공급업체에 대한 긍정적 시각을 뒷받침한다. 2028년 선거 관련 정치적 위험과 지방 모라토리엄 또는 연방 정책이 미국 데이터센터 확장을 늦출 가능성도 지적한다.

분석 프레임워크

Morgan Stanley는 칩, 랙, 용량 및 GW당 비용의 보텀업 추정치를 시나리오 기반 영업·가치평가 프레임워크와 결합한다. 이후 설비투자, 컴퓨팅 공급, 수익화 경제성, 도입 증거, 신용 여건 및 전력 제약을 연결해 AI 가치사슬의 수혜자와 위험을 식별한다.

방법론 메모

• 산업 분석 프레임워크수급 프레임워크

  보텀업 데이터센터 설비투자 및 컴퓨팅 용량 분석

  보고서는 GW당 칩, 랙, 전력 공급형 셸 등의 비용을 추정하고, 공급 제약과 계획된 용량 추가를 이용해 AI 인프라 사이클을 평가한다.

• 기업 펀더멘털 및 재무 프레임워크ROIC-WACC 스프레드

  생성형 AI ROIC 시나리오

  Morgan Stanley는 세 가지 AI 수익화 모델에서 GW당 매출, 비용, EBIT, NOPAT 및 투자자본을 계산해 추론 인프라가 매력적인 수익을 낼 수 있는지 검토한다.

• 가치평가 방법론DCF(할인현금흐름법)

  일부 전력 인프라 기업의 DCF 가치평가

  보고서는 일부 기업의 위험보상 분석에서 할인율과 장기 영업 가정을 포함한 현금흐름 할인 가정을 사용한다.

• 경기 순환 및 업황 프레임워크제품 수명주기

  과거 기술 도입 유추

  보고서는 AI 사이클을 모바일 및 퍼블릭 클라우드 도입과 비교해 인프라, 소프트웨어 및 서비스 수익화의 가능한 순서를 설명한다.

자산 매핑 및 비교

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

• Amazon.com (AMZN)

  클라우드, AWS 수요 및 추론 수익화의 혜택이 예상되는 하이퍼스케일러이자 생성형 AI 이네이블러.

  강점

  AWS 용량 확대, 고마진 사업 및 반복적인 Prime 관련 매출.

  약점

  높은 투자 강도가 예상보다 오래 지속될 수 있다.

  비교

  투자자의 초점이 이네이블러와 소프트웨어로 이동하면서 수혜를 볼 주요 하이퍼스케일러 중 하나.

  위험

  AWS 매출 또는 마진 둔화, 소매 마진 악화, 장기화된 투자.

• Microsoft (MSFT)

  Azure AI 및 Copilot 도입을 통해 수익화할 것으로 예상되는 하이퍼스케일러 및 소프트웨어 이네이블러.

  강점

  Azure 성장, Microsoft 365 수익화 및 AI 서비스 도입 확대.

  약점

  투자에 따른 매출총이익률 압박과 제한적 AI 도입은 투자 논리를 약화시킨다.

  비교

  보고서가 제시하는 주요 통합형 AI 인프라 및 소프트웨어 수혜자 중 하나.

  위험

  약한 IT 지출, 클라우드 성장 둔화, 높은 투자 강도 및 제한적 AI 도입.

• Meta Platforms (META)

  통합 모델 제공업체이자 AI 도입 기업으로, 보고서의 위험보상 섹션에서 주요 생성형 AI 이네이블러 및 top pick으로 제시된다.

  강점

  대규모 유통·데이터 자산, 개선되는 참여도 및 광고 수익화, AI 기반 효율 개선 가능성.

  약점

  대규모 데이터센터 지출은 더 명확한 장기 수익 입증이 필요하다.

  비교

  Morgan Stanley는 자체 인프라 모델 경제성이 특히 매력적이라고 보지만, META는 일부 하이퍼스케일러보다 제품 수익화 측면에서 더 많은 입증이 필요하다.

  위험

  Reels 수익화 둔화, 광고 타기팅 규제, 거시 압력, Reality Labs 손실 확대 및 자본집약도 상승.

• Alphabet (GOOGL)

  Search, YouTube, Google Cloud, Gemini 및 TPU 용량을 통한 하이퍼스케일러 및 AI 플랫폼 수혜자.

  강점

  대규모 퍼스트파티 데이터와 유통력, 클라우드 가속 기회 및 TPU 중심의 대규모 용량 추가.

  약점

  AI 제품은 더 낮은 수익화율과 높은 컴퓨팅 집약도를 가질 수 있다.

  비교

  하이퍼스케일러 중 가장 많은 컴퓨팅 용량을 추가하고 커스텀 실리콘 믹스 전환을 주도할 것으로 예상된다.

  위험

  광고 성장 둔화, 마진 압박, 비용 규율 약화 및 높은 AI 컴퓨팅 비용.

• NVIDIA (NVDA)

  AI 워크로드의 지속적인 수급 불균형에서 수혜를 보는 컴퓨팅 인프라 공급업체.

  강점

  Blackwell 리더십과 차세대 AI 시스템에 대한 지속 수요.

  약점

  커스텀 실리콘 성장은 단기적인 멀티플 확장 여지를 제한한다.

  비교

  Morgan Stanley는2028년 NVIDIA 용량을13 GW, Trainium과 TPU 합산을12 GW로 예상한다.

  위험

  더 빠른 공급 정상화, AI 개발비의 큰 폭 하락, 경쟁 GPU 또는 커스텀 하드웨어, 관세 및 수출 통제.

• Bloom Energy (BE)

  전력 공급까지의 시간 제약과 분산형 에너지 수요의 수혜가 예상되는 현장 발전 공급업체.

  강점

  AI 전력 수요, 전력망 불안정성 및 분산형 발전 경제성에 대한 연료전지 익스포저.

  약점

  성장과 마진 실현은 비용 절감과 도입에 달려 있다.

  비교

  INIO 및 SEI와 함께 behind-the-meter 전력 도입의 직접 수혜자로 언급된다.

  위험

  경쟁, 비용 절감 목표 미달, 강화된 배출 규제 및 분산 발전 과금.

• Solaris Energy Infrastructure (SEI)

  대규모 데이터센터 부하에 전력 공급 시간 및 마이크로그리드 솔루션을 제공하는 기업.

  강점

  선도적 위치, 전력망 접속 대비 경쟁력 있는 대안 및 추가 용량 확장 여지.

  약점

  경제성은 계약, 정비 설비투자 및 터빈 잔존가치 가정에 달려 있다.

  비교

  전력망 제약 심화의 수혜를 볼 현장 전력 기업으로 언급된다.

  위험

  용량 조달 또는 신규 데이터센터 계약 부재, 마이크로그리드 경제성 악화, 고객 집중 및 잔존가치 우려.

• TeraWulf (WULF)

  Bitcoin-to-data-center 전환을 추진하는 전력 공급형 셸 공급업체.

  강점

  전력 인프라 및 데이터센터 고객 계약 실적, 2,082 MW의 미계약 용량 전환 잠재력.

  약점

  가치는 전력화, 프로젝트 실행 및 리스 전환 가정에 달려 있다.

  비교

  Morgan Stanley는 전력 공급형 셸 공급업체 중 WULF를 strong pick으로 본다.

  위험

  AI 지출 둔화, 공사 지연 및 비용 초과, 입법 위험 및 전환 거래 실패.

• Hut 8 (HUT)

  전력 공급형 셸 및 HPC 리스 공급업체.

  강점

  강한 계약 리스 조건과 폭넓은 전력 파이프라인.

  약점

  미래 가치는 미계약 전력 전환과 추가 MW 계약에 의존한다.

  비교

  Morgan Stanley는 HUT를 HPC 리스 계약에서 동종업계 선도자로 설명한다.

  위험

  추가 MW 계약 실패, 리스 취소 또는 시작 지연.

• Cipher Mining (CIFR)

  Bitcoin-to-HPC 전환 및 전력 공급형 셸 공급업체.

  강점

  2.6 GW HPC 파이프라인을 수익화하고 미래 하이퍼스케일러 리스의 혜택을 볼 잠재력.

  약점

  비교 거래 기준 향후 Bitcoin-to-data-center 프로젝트의 현금흐름 수익률 가정은 WULF보다 낮다.

  비교

  가치는 유사한 Bitcoin-to-data-center 전환 프레임워크를 사용하지만, 리스 수익률 가정은 WULF보다 보수적이다.

  위험

  리스 경제성이$/watt 가정에 미달, 비용 초과 및 HPC 파이프라인 수익화 실패.

• Riot Platforms (RIOT)

  Bitcoin 채굴 부지를 데이터센터 용도로 전환하는 전력 공급형 셸 공급업체.

  강점

  Rockdale 및 Corsicana 부지와 Corsicana 전체 부지의 잠재 임차인 LOI.

  약점

  파이프라인 가치는 계약 실행과 전력화 확률에 달려 있다.

  비교

  Morgan Stanley는 리스 경제성과 파이프라인 MW를 기준으로 전력 공급형 셸 공급업체를 평가한다.

  위험

  부지 계약 체결 실패 및 예상보다 낮은 리스 경제성.

핵심 데이터

• 하이퍼스케일러 데이터센터 설비투자 성장률60% in 2027; about 12% in 2028Morgan Stanley는 지출이2027년 약$1.5 trillion에 도달한 뒤 성장률이 둔화할 것으로 예상한다.
• 하이퍼스케일러 총 컴퓨팅 용량About 35 GW in 2025 to about 145 GW in 2028약4배 증가이며 약80 GW가2027-28년에 가동된다.
• 증분 용량 내 커스텀 ASIC 비중34% in 2025 to 66% in 2028주로Google TPU와Amazon Trainium이 주도한다.
• 생성형 AI ROIC 범위25-50%Morgan Stanley의 하이퍼스케일러 및 모델 API 수익화 프레임워크 전반의 범위다.
• 글로벌 생성형 AI 디지털화 기회$50-$60 trillion$20-$30 trillion의 지식노동 지출과 약$30 trillion의 소비 지출을 포함한다.
• 생성형 AI 효과를 수치화한 S&P 500 기업About 25% in 2Q261년 전14%에서 상승했다.
• 글로벌 AI 관련 부채 발행About $450 billion year to dateMorgan Stanley는 특히 고품질 하이퍼스케일러에서 추가 발행 여력이 있다고 본다.
• 미국 데이터센터 전력 부족38 GW현장 및 behind-the-meter 발전에 대한 보고서의 견해를 뒷받침한다.

영향과 시사점

Morgan Stanley는 AI 투자 사이클이 반도체와 하드웨어에서 하이퍼스케일 플랫폼, 소프트웨어, 애플리케이션 계층 도입 기업 및 전력 제약을 완화하는 물리적 인프라 공급업체로 확대될 것으로 예상한다. 설비투자 성장률 둔화는 AI 투자의 지속과 양립할 수 있으며, 수익화, 현금흐름, 기업 도입이 더 중요한 동인이 될 것으로 본다.

위험

• 물리적 제약, 선행 구축 감소, 모델 배포 선택 변화 또는 AI 수요 약화로 하이퍼스케일러 설비투자가 Morgan Stanley 예상보다 더 크게 둔화할 수 있다.
• 전력 부족, 계통 연결 지연, 노동력·자재 제약 및 부품 비용 상승이 데이터센터 개소를 지연시키고 수익률을 압박할 수 있다.
• 주·지방정부의 반대, 데이터센터 모라토리엄, 연방 정책 변화 및2028년 선거 관련 정치 불확실성이 확장을 저해할 수 있다.
• 오픈웨이트 모델은 광범위한 도입을 지원하더라도 token 가격과 모델 계층 차별화에 압력을 가할 수 있다.
• 오프밸런스 리스와 장기 약정은 조정 레버리지 상승에 따라 부채 여력을 낮출 수 있다.

주시할 점

• 2028년까지의 하이퍼스케일러 설비투자 성장률과 선행 구축 지출 규모.
• 실제 GW 용량 추가, 특히 Google TPU와 Amazon Trainium의 배치.
• 모델화된 생성형 AI ROIC를 좌우하는 추론 활용률, token 처리량 및 token 가격.
• AI 효익을 수치화하는 기업 비중과 기술·금융·헬스케어·산업 부문의 도입 증거.
• AI 관련 신용 발행, 스프레드 및 오프밸런스 약정의 증가.
• 미국 전력 가용성, behind-the-meter 발전 도입 및 데이터센터 허가에 영향을 주는 규제 조치.