AI infrastructure technology supply chain: JPMorgan은 AI 인프라 거래가 기로에 섰지만 설비투자와 공급망 수요는 여전히 견조할 것으로 본다.
보고서는 AI token 경제성, 가속되는 모델 발전 및 하이퍼스케일러의 자금조달 여력이 향후 2년간 AI 인프라 지출을 뒷받침할 것으로 본다. 일부 아시아 장비, 기판, 패키징 및 광 인터커넥트 수혜주를 선호하는 한편 자금조달, 규제 및 메모리 수요 불확실성을 지적한다.
요약
보고서는 AI token 경제성, 가속되는 모델 발전 및 하이퍼스케일러의 자금조달 여력이 향후 2년간 AI 인프라 지출을 뒷받침할 것으로 본다. 일부 아시아 장비, 기판, 패키징 및 광 인터커넥트 수혜주를 선호하는 한편 자금조달, 규제 및 메모리 수요 불확실성을 지적한다.
- 보고서는 가상의 프런티어 모델 공급업체가 AI tokens로 GW당 연간 US$20-40bn의 매출을 낼 수 있다고 추정하며, 이는 2025년의 GW당 US$10bn보다 높다.
- 보고서는 하이퍼스케일러 순부채-자기자본 비율 13%를 인용하며 추가 설비투자 자금조달 여지가 있다고 본다.
- 반도체 장비, IC 기판 및 첨단 패키징은 공급능력 긴축의 주요 수혜 분야로 지목된다.
- AI 인터커넥트에서는 단기적으로 NPO를 선호하고 CPO는 장기 아키텍처로 본다.
보고서 해설
개요
JPMorgan은 투자자들이 컴퓨팅 수익화, AI 안전 규제 및 하이퍼스케일러 자금조달을 의문시하는 상황에서 AI 인프라 랠리가 지속될 수 있는지를 검토한다. 결론은 긍정적이며, 현재의 AI 경제성과 공급망 여건이 강한 설비투자 성장을 뒷받침하고 반도체 장비, 첨단 패키징, 기판 및 근접 패키지 광학에 특히 기회가 있다고 본다.
핵심 견해
JPMorgan은 AI 인프라 거래의 다음 국면을 세 가지 질문으로 정리한다. AI 모델 및 수직형 AI 공급업체의 컴퓨팅 구매가 지속가능하게 좋은 사업인지, AI 안전 및 규제 우려가 컴퓨팅 수요를 저해하는지, 그리고 다수 하이퍼스케일러가 마이너스 잉여현금흐름으로 이동한 상황에서 다음 설비투자 확대를 어떻게 조달할지다. 보고서의 답은 대체로 긍정적이다. 하드웨어와 클라우드 생태계에서 컴퓨팅 판매는 여전히 수익성이 높고, 현재 token 경제성은 컴퓨팅 구매도 지속 가능함을 시사한다고 본다. 일부 프런티어 모델의 추론 매출총이익률이 60-80%라는 보고를 인용하며, 가상의 모델 공급업체가 AI tokens로 GW당 연간 US$20-40bn의 매출을 낼 수 있다고 추정한다. 이는 2025년 GW당 연간 US$10bn보다 높다. 또한 80개 이상의 수직형 AI 기업이 짧은 기간에 US$100m 초과 ARR에 도달했다는 점을 하류 가치 창출의 증거로 든다. 보고서는 오픈소스 모델이 하드웨어 수요를 줄이기보다 늘릴 것으로 본다. 오픈소스가 컴퓨팅 부족과 agentic AI로 인한 1H26의 예외 상황 이후 token 비용을 역사적 80-90% 비용 하락 추세로 되돌릴 것으로 예상한다. 컴퓨팅 제약 환경에서 독점 프런티어 모델과 오픈소스 모델 모두 token 소비가 강하게 증가할 것으로 본다. 더 저렴한 tokens는 AI 도입을 확대하고 특정 분야 문제를 해결하는 수직형 AI 애플리케이션을 늘릴 것이며, 오픈소스의 발전은 프런티어 모델 연구소가 경쟁 우위를 위해 학습을 가속하도록 압박할 것이라고 본다. 규제와 관련해 JPMorgan은 최근 AI 안전 우려를 학습 둔화의 구조적 증거가 아니라 단기적 장애로 본다. 재귀적 자기개선을 포함한 빠른 모델 진보는 AI 확장과 기술 발전이 지속됨을 보여준다는 것이다. 새 모델 출시는 정렬 제한으로 제약될 수 있으나 프런티어 모델 학습 속도는 둔화하지 않을 것으로 예상한다. 지속적인 발전은 지난 18개월간 코딩 및 agentic 워크플로에서 나타난 것처럼 향후 1-2년에 새로운 시장을 열 수 있다고 본다. 자금조달은 보고서가 지목한 핵심 투자자 우려다. 많은 하이퍼스케일러가 마이너스 잉여현금흐름에 진입해 추가 설비투자를 위해 외부 자금에 의존하고 있다고 지적한다. 그러나 대형 하이퍼스케일러의 순부채-자기자본 비율이 13%에 불과하고, 퍼블릭 클라우드 성장 가속이 영업현금흐름을 높일 수 있으며, 하이퍼스케일러와 하류 컴퓨팅 구매자 모두 주식 발행이 가능하기 때문에 추가 지출 여력이 있다고 본다. 퍼블릭 클라우드 백로그는 2Q26에 Google Cloud US$514bn, AWS US$496bn, Microsoft 상업용 잔여이행의무 US$678bn으로 증가했다. 다만 금리 상승과 일부 AI 인프라 자금조달 부문의 위험 인식 증가는 계속 주시할 요인이다. 아시아 기술 공급망에서 JPMorgan은 2027년을 보며 반도체 제조장비가 특히 매력적이라고 본다. 반도체 업체가 공급능력을 확대하면서 장비가 핵심 병목이 될 것으로 예상한다. TSMC는 향후 수년 N2, N3, A14 투자를 늘리고 Intel, Samsung Foundry, Terafab 및 성숙 공정 파운드리도 설비투자를 확대할 것으로 본다. 클린룸 공급능력 가동, 공정 전환 가속, 고객 LTA 대응으로 DRAM과 NAND 설비투자는 2027-28년에 빠르게 증가하고 중국 메모리 투자도 향후 2년간 크게 가속될 것으로 예상한다. 장비 공급능력 긴축, 투입비용 상승 및 긴급 주문이 장비 가격 인상을 뒷받침하고 있다. 장비 톱픽은 Advantest, Tokyo Electron, Chroma, Grand Process Technology, ASMPT다. 보고서는 IC 기판과 첨단 패키징을 지속적인 AI 병목으로 본다. Unimicron과 Ibiden을 포함한 Tier-1 업체에 기판 공급능력이 집중돼 있고 증설에는 최대 약 2.5년이 걸린다. 주요 OSAT도 클린룸 가용성에 제약된다. AI 가속기 패키지의 높은 기판 함량과 첨단 패키징 집약도 상승이 수급 격차를 확대할 것으로 예상하며, agentic AI에 따른 서버 CPU 수요와 2027년 후반부터의 기판 집약형 EMIB-T 채택도 추가 상승 요인이다. 이에 따라 기판에서는 Unimicron과 Ibiden, 첨단 패키징에서는 ASE를 선호한다. AI 인터커넥트에서는 GPU, CPU, 메모리, 스토리지 간 데이터 전송이 클러스터 효율의 핵심 제약이 될 것으로 본다. 더 단순한 단기 해법인 NPO를 향후 2년간 선호하며 Google, AWS, NVIDIA가 NPO 기반 솔루션을 채택할 것으로 예상한다. CPO는 장기적 방향이지만, 특히 scale-up 솔루션에서 공급망 성숙에 더 시간이 필요하다고 본다. 메모리 펀더멘털은 긍정적이나 투자자 관점에서는 더 불확실하다. 수급은 적어도 2028년까지 타이트하고 가격은 2027년까지 상승할 것으로 예상한다. 다만 HBM 사양 완화, 기능당 메모리 사용을 줄이는 알고리즘 효율 개선, KV cache 저장을 DDR 또는 NAND로 이전하는 움직임을 우려한다. 다음 모델 발전이 기능당 메모리 수요를 크게 높일 때까지 투자자 지지는 비교적 미지근할 것으로 본다. 마지막으로 JPMorgan은 2027년 가격 상승률이 2026년보다 강할 분야로 파운드리, 특히 8인치 성숙 파운드리, OSAT, 기판, 반도체 장비 및 고사양 CCL을 제시한다. TSMC는 2026년 선단 공정에만 가격을 올린 것과 달리 2027년에는 모든 공정 노드에서 가격을 인상할 것으로 예상한다. 8인치 성숙 파운드리 가격 상승률은 10-15%로, 2026년의 8-10%보다 높을 전망이다. 메모리와 PCB 소재는 가격 상승 속도가 둔화할 예외 분야로 본다.
분석 프레임워크
JPMorgan은 AI 컴퓨팅 단위 경제성과 오픈소스 모델 영향을 먼저 분석하고, 이어 하이퍼스케일러 설비투자에 대한 규제 및 자금조달 제약을 평가한다. 이후 수요 전망을 반도체 가치사슬에 연결해 공급능력 병목, 예상 투자 사이클, 가격 여건 및 선호 아시아 공급망 분야를 식별한다. 퍼블릭 클라우드 백로그, 설비투자, 영업현금흐름, 레버리지, 이익추정치 수정 및 밸류에이션 비교도 업종 전망의 근거로 사용한다.
방법론 메모
AI 컴퓨팅, 반도체 공급능력, 기판, 패키징, 메모리 및 장비의 수요와 공급 분석.
보고서는 AI 컴퓨팅 수요와 제한된 제조 공급능력을 기술 공급망 전반의 예상 설비투자, 병목 및 가격 결과와 연결한다.
모델 공급업체와 클라우드 공급업체에서 반도체 장비, 패키징, 기판 및 광학으로 이어지는 AI 컴퓨팅 경제성.
JPMorgan은 token 수요와 하이퍼스케일러 지출에서 상류 아시아 기술 공급업체로 이어지는 연결고리를 사용해 잠재 수혜자를 식별한다.
메모리를 제외한 아시아 기술의 선행 P/E 비교.
보고서는 기술 하드웨어 밸류에이션이 여전히 매력적이라는 판단의 일부로 선행 P/E를 참조한다.
아시아 기술의 선행 P/B 비교.
보고서는 아시아 기술 전반의 밸류에이션을 위한 추가 기준으로 선행 P/B를 제시한다.
자산 매핑 및 비교
투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).
- Advantest (6857.T)톱픽이자 파운드리와 메모리 설비투자 확대의 반도체 장비 수혜 기업.
- 강점
- 예상되는 장비 병목과 타이트한 툴 공급능력.
- 비교
- 선호 반도체 제조장비 공급업체에 포함된다.
- 위험
- 설비투자 자금조달 또는 수요 둔화가 장비 주문을 약화시킬 수 있다.
- Tokyo Electron (8035.T)톱픽이자 파운드리와 메모리 투자 확대의 반도체 장비 수혜 기업.
- 강점
- 공급능력 확대가 가속되는 가운데 광범위한 장비 수요가 예상된다.
- 비교
- 선호 반도체 제조장비 공급업체에 포함된다.
- 위험
- 설비투자 자금조달 또는 수요 둔화가 장비 주문을 약화시킬 수 있다.
- ASMPT (0522.HK)톱픽이며 반도체 장비 및 패키징 공급능력 긴축과 연결된다.
- 강점
- 장비 수요와 클린룸 공급능력 제약의 수혜를 받는다.
- 비교
- JPMorgan의 선호 장비 공급업체 중 하나로 언급된다.
- 위험
- 설비투자 자금조달 또는 수요 둔화가 주문을 약화시킬 수 있다.
- Unimicron (3037.TW)선호되는 Tier-1 IC 기판 공급업체.
- 강점
- 집중된 기판 공급능력, 긴 구축 리드타임 및 AI 패키지 내 기판 함량 증가.
- 비교
- Ibiden과 함께 선호되는 Tier-1 기판 공급업체.
- 위험
- AI 하드웨어 효율 또는 가속기 성장 둔화가 수요에 영향을 줄 수 있다.
- ASE Technology Holding (3711.TW)선호되는 첨단 패키징 선도기업.
- 강점
- 첨단 패키징은 여전히 공급능력 제약이 있고 AI 패키징 집약도는 상승 중이다.
- 약점
- 클린룸 가용성이 산업 공급능력을 제약한다.
- 비교
- 첨단 패키징 선도기업으로 지목된다.
- 위험
- AI 가속기 수요 또는 패키징 투자가 둔화할 수 있다.
핵심 데이터
- 가상의 GW당 AI token 연간 매출US$20-40bn annually모델 공급업체에 대한 JPMorgan의 대략적 추정이며, 2025년에는 GW당 연간US$10bn이었다.
- 보고된 프런티어 모델 추론 매출총이익률60-80%보고서가 인용한 범위.
- ARR이 US$100m를 초과한 수직형 AI 기업 수80+하류 AI 가치 창출의 증거로 Sapphire Venture 보고서에서 인용.
- 역사적 token 비용 하락률80-90%보고서가 인용한 token당 비용의 역사적 하락률.
- 대형 하이퍼스케일러 순부채-자기자본 비율13%보고서는 이 수준이 설비투자 성장에 필요한 자금조달 여력을 남긴다고 본다.
- 2Q26 퍼블릭 클라우드 백로그Google US$514bn; AWS US$496bn; Microsoft US$678bn기업이 공시한 백로그 또는 잔여이행의무 지표.
- 기판 공급능력 구축 리드타임Up to ~2.5 years지속적인 기판 수급 긴축을 뒷받침하는 요인.
- 2027년 예상 8인치 성숙 파운드리 가격 상승률10-15%보고서에 따르면 2026년은 8-10%.
영향과 시사점
JPMorgan은 임박한 설비투자 하락 신호가 없고 아시아 기술 EPS 수정이 안정적이며 공급 제약이 존재한다는 점이 부진한 투자심리에도 AI 인프라 생태계를 지지한다고 본다. 반도체 장비, 기판, 첨단 패키징 및 단기 NPO 광학이 가장 강한 공급망 구도이며, 메모리 펀더멘털은 긍정적이나 미래 수요 강도에 대한 더 큰 확신이 필요하다고 본다.
위험
- AI 안전 또는 정렬 제한이 학습이 지속되더라도 새 모델 출시를 지연시킬 수 있다.
- 잉여현금흐름 악화, 금리 상승 및 AI 인프라 자금조달 위험 인식 증가 속에서 하이퍼스케일러 자금조달은 핵심 위험 영역이다.
- 오픈소스 경쟁과 모델 계층 수익화 불확실성은 여전히 시장 우려다.
- HBM 사양 변경, 알고리즘 효율 개선 또는 KV cache 저장의 DDR이나 NAND 이전은 메모리 수요를 줄일 수 있다.
주시할 점
- 보고서가 핵심 촉매로 지목한 AI 모델 및 애플리케이션 계층의 지속적 수익화 증거.
- 추가 설비투자 자금원인 하이퍼스케일러의 영업현금흐름 성장, 부채 및 주식 발행.
- AI 모델 발전 속도와 배포에 대한 안전 또는 정렬 제한.
- 장비 병목, 클린룸 공급능력, 기판 공급 및 NPO와 EMIB-T의 채택 시점.
- 향후 AI 모델 돌파구가 기능당 메모리 수요를 크게 높일지 여부.