북미 인터넷 및 클라우드 컴퓨팅: 오픈 웨이트 모델이 토큰 가격을 압박하지만, 컴퓨팅 자원 희소성은 여전히 클라우드 공급업체 수익률을 뒷받침
Morgan Stanley는 오픈 웨이트 모델이 모델 계층의 가격 경쟁을 심화시키겠지만, 확대되는 추론 수요, 향상된 처리량 효율 및 추가적인 클라우드 인프라 서비스 매출로 하이퍼스케일 클라우드 공급업체가 계속해서 건전한 수익률을 창출할 수 있다고 본다.
요약
Morgan Stanley는 오픈 웨이트 모델이 모델 계층의 가격 경쟁을 심화시키겠지만, 확대되는 추론 수요, 향상된 처리량 효율 및 추가적인 클라우드 인프라 서비스 매출로 하이퍼스케일 클라우드 공급업체가 계속해서 건전한 수익률을 창출할 수 있다고 본다.
- 오픈 웨이트 모델은 다운로드, 프라이빗 데이터 기반 미세조정 및 온프레미스·클라우드·API를 통한 배포가 가능해 비용 절감과 AI 도입 확대에 기여한다.
- 모델 연구소는 토큰당 가격 하락 압력에 직면하며, 이에 따라 모델 아키텍처 효율성, 처리량, 차별화 및 생태계 개발의 중요성이 커진다.
- 토큰 100만 개당 약 $1.75 및 GPU당 초당 약 2,000~3,500토큰을 가정할 경우, 자체 보유 GB300 인프라 1기가와트는 여전히 약 20%~60%의 ROIC를 창출할 수 있다.
- 컴퓨팅 자원 희소성, 수요 증가, 하이퍼스케일러의 처리량 최적화 역량 및 기타 클라우드 서비스의 추가 매출은 단위 경제성을 매력적으로 유지하는 네 가지 핵심 요인이다.
- 보고서는 META, AMZN 및 GOOGL에 대한 Overweight 의견을 유지하며, META를 최선호주로 제시한다.
보고서 해설
개요
이 보고서는 오픈 웨이트 모델의 빠른 도입이 생성형 AI 산업의 단위 경제성과 투자자본수익률에 미치는 영향을 검토한다. 핵심 결론은 토큰당 가격 하락이 모델 공급업체에 직접적인 압력을 가하겠지만, 동시에 도입과 추론 물량 증가를 촉진할 것이라는 점이다. 희소한 컴퓨팅 자원, 가격 결정력, 맞춤형 칩, 소프트웨어 최적화, 기업 고객 기반 및 클라우드 서비스 교차 판매를 활용하는 하이퍼스케일 클라우드 공급업체는 여전히 건전한 수익률을 창출할 것으로 예상된다.
핵심 견해
첫째, 오픈 웨이트 모델은 무료 다운로드, 프라이빗 데이터 기반 미세조정 및 유연한 배포를 통해 모델 유통 채널을 확대하고 기술 확산을 가속한다. 둘째, 모델 계층의 가격 경쟁은 심화될 것이며, 연구소는 매출과 수익률을 유지하기 위해 더 높은 토큰 처리량, 더 강한 모델 차별화 및 더 광범위한 생태계에 의존해야 한다. 셋째, 하이퍼스케일 클라우드 공급업체는 희소하고 자본집약적인 컴퓨팅 자원을 통제하며 합리적인 가격 책정과 높은 가동률을 통해 이를 수익화할 수 있다. 저가 모델이 가져오는 물량 증가는 마진율보다 더 중요할 수 있다. 넷째, API 매출 외에도 오픈 모델은 검색 증강 생성에 필요한 가속기 임대, 스토리지 및 데이터베이스는 물론 보안, 거버넌스, ID 및 모니터링 서비스 매출도 견인할 것이다. 다섯째, 최저 서비스 제공 비용이 핵심 경쟁 요인이 될 것이며, 맞춤형 칩, 자체 모델 및 더 강력한 하드웨어-소프트웨어 공동 최적화 역량을 보유한 클라우드 공급업체가 더 큰 우위를 가질 것이다.
분석 프레임워크
보고서는 모델 연구소와 하이퍼스케일 클라우드 공급업체를 계층별로 분석한다. 모델 계층에서는 토큰 100만 개당 가격, GPU당 토큰 처리량, 추론에 사용되는 용량 비중 및 기가와트당 매출을 기반으로 수익률을 평가한다. 인프라 계층에서는 GPU 수, 가동률, 시간당 임대 가격, 감가상각, 에너지 및 기타 운영비를 바탕으로 EBIT, NOPAT 및 ROIC를 추정한다. 또한 META, AMZN 및 GOOGL의 사업 동인, 시나리오별 밸류에이션 및 위험-보상 프로필을 결합해 자산을 매핑한다.
방법론 메모
토큰 가격, 처리량 및 추론 용량을 기반으로 기가와트당 매출과 투자자본수익률을 추정
이 프레임워크는 1기가와트 데이터센터에 약 410,256개의 GB300 칩이 장착된다고 가정하며, 추론에 사용되는 용량 비중, GPU당 초당 토큰 수 및 토큰 100만 개당 가격을 기반으로 연간 매출을 추정한 후 컴퓨팅 임대 비용과 비교한다.
가동률, 시간당 임대 가격 및 자본 비용을 기반으로 NOPAT와 ROIC를 추정
이 프레임워크는 75% 가동률을 사용하고 IT 감가상각, 비IT 감가상각, 에너지, 인건비 및 유지보수 비용 등을 반영한다. 서로 다른 임대 가격 시나리오는 약 23%~39%의 ROIC에 해당한다.
모델 통제권, 맞춤화 역량, 배포 방식, 비용 및 유통 경로를 비교
오픈 웨이트 모델은 사용자가 모델 가중치를 확보하고 프라이빗 데이터로 미세조정하며 배포 위치를 독립적으로 선택할 수 있게 한다. 폐쇄형 모델은 일반적으로 구독이나 API를 통해서만 접근할 수 있다.
미래 연도 EPS와 주가수익비율 배수를 기반으로 목표주가 범위를 산정
META, AMZN 및 GOOGL의 목표주가는 주로 2027년과 2028년 평균 EPS 및 이에 상응하는 주가수익비율 배수를 기반으로 하며, 매출 성장, 마진 및 AI 수익화의 차이를 활용해 시나리오를 구성한다.
자산 매핑 및 비교
투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).
- META PLATFORMS INC (US.META)오픈 웨이트 모델 공급업체, AI 인프라 투자자 및 디지털 광고 플랫폼이며, 보고서는 이를 최선호주로 지명하고 Overweight 등급을 부여한다.
- 강점
- AI 투자는 Reels 참여도와 광고 수익화를 개선할 것으로 예상되며, 광고 측정 및 어트리뷰션도 계속 개선되고 있다. 효율성 중심의 조직 전환, 구독 및 클릭투메시지 사업은 추가 상승 잠재력을 제공한다.
- 약점
- 높은 데이터센터 및 AI 자본지출은 자본집약도를 높이며, 오픈 모델의 저가 전략은 모델 계층에서 직접적인 수익화 역량을 압박할 수 있다.
- 비교
- 순수 클라우드 인프라 공급업체와 비교하면 META는 광고, 사용자 참여 및 신제품을 통해 AI 수익을 더 간접적으로 실현하는 한편, 오픈 모델 생태계에서 유통 우위도 보유한다.
- 위험
- 기대에 못 미치는 Reels 수익화, 사용자 참여도 하락, 광고 타기팅 규제, 부진한 거시 소비, Reality Labs의 확대되는 손실 및 데이터센터 건설의 부실한 실행으로 인한 낮은 수익률.
- AMAZON COM INC (US.AMZN)AWS, Bedrock, 가속기 임대 및 관련 클라우드 서비스를 통해 오픈 웨이트 모델의 추론 수요를 포착하며, 보고서는 Overweight 등급을 부여한다.
- 강점
- AWS는 장기적인 클라우드 도입 사이클에 있으며 컴퓨팅 임대, 호스팅 API, 스토리지, 데이터베이스 및 보안 서비스를 통해 다층적 수익화를 달성할 수 있다. 고마진 사업은 지속적인 투자를 뒷받침한다.
- 약점
- 클라우드와 리테일 사업 모두 지속적인 고투자가 필요하며, 단기 이익은 투자 속도, 풀필먼트 비용 및 AWS 성장에 비교적 민감하다.
- 비교
- META와 비교하면 AMZN은 오픈 모델이 견인하는 클라우드 인프라 사용으로부터 더 직접적인 혜택을 받는다. GOOGL과 비교하면 AWS 규모, 기업 고객 커버리지 및 폭넓은 클라우드 서비스 포트폴리오에 강점이 집중된다.
- 위험
- AWS 매출 둔화 또는 마진 하락, 예상보다 높은 투자 강도, 상품 마진 악화 및 배송·풀필먼트 부문의 불충분한 영업 레버리지.
- ALPHABET INC (US.GOOGL)Gemini 모델, Google Cloud, TPU 맞춤형 칩, 검색 및 YouTube 유통 채널을 보유하며, 보고서는 Overweight 등급을 부여한다.
- 강점
- 맞춤형 TPU와 모델-클라우드 플랫폼 시너지는 서비스 제공 비용 절감에 기여한다. Gemini Flash와 같은 효율적인 모델, Google Cloud 수주잔고 및 Search와 YouTube의 상업화는 다각화된 성장원을 제공한다.
- 약점
- AI 검색과 저가 모델은 컴퓨팅 집약도를 높이고 마진을 압박할 수 있으며, 신제품 수익화는 아직 성숙하지 않았다.
- 비교
- GOOGL은 모델 연구소와 하이퍼스케일 클라우드 공급업체의 특성을 모두 갖는다. 순수 모델 공급업체와 비교하면 인프라 및 유통 우위가 있고, AMZN과 비교하면 자체 모델, 검색 및 비디오 생태계 시너지가 더 강하다.
- 위험
- 검색 광고 성장 둔화, AI 제품의 핵심 검색 잠식, 신제품의 낮은 수익화율, 컴퓨팅 비용 상승, 불충분한 비용 규율 및 기대에 못 미치는 클라우드 사업 가속화.
핵심 데이터
- 모델 API 기준 토큰 가격토큰 100만 개당 약 $1.75보고서에서 사용한 기준 가정으로, 장기적으로 추가 하락 가능성이 있다.
- 추론 처리량 가정GPU당 초당 약 2,000~3,500토큰GB300 하드웨어에서의 오픈 웨이트 DeepSeek-V4-Pro 1.6T 공개 추론 벤치마크를 기반으로 한다.
- 모델 계층 투자자본수익률약 20%~60%자체 보유 GB300 인프라 1기가와트에 대한 추정 결과다.
- 1기가와트당 GB300 칩 수약 410,256개Morgan Stanley 추정치.
- 하이퍼스케일 클라우드 공급업체 GPU 임대 수익률약 23%~39%75% 가동률 및 시간당 임대 가격 $7~$10 범위를 기반으로 한다.
- META 목표주가$7752027년 및 2028년 평균 EPS $34/$35의 약 23배이며, 강세 및 약세 시나리오는 각각 $1,000 및 $450이다.
- AMZN 목표주가$3352027년 및 2028년 평균 EPS $14의 약 25배이며, 강세 시나리오는 $410이다.
- GOOGL 목표주가$4002027년 및 2028년 평균 EPS $15/$18의 약 24배이며, 강세 및 약세 시나리오는 각각 $450 및 $225이다.
영향과 시사점
오픈 웨이트 모델의 주요 영향은 AI 인프라 수익률을 제거하는 것이 아니라 가치사슬 전반에 이익을 재분배하는 데 있다. 모델 연구소는 더 뚜렷한 가격 및 매출총이익률 압력에 직면하며 처리량 향상, 모델 혁신 및 제품 차별화로 이를 상쇄해야 한다. 하이퍼스케일 클라우드 공급업체는 더 큰 추론 워크로드, GPU 임대 및 스토리지, 데이터베이스, 보안 등의 추가 서비스로부터 혜택을 볼 수 있다. 투자 관점에서는 낮은 서비스 제공 비용, 맞춤형 칩, 강력한 소프트웨어 스케줄링 역량, 자체 모델 및 대규모 기업 요청 물량을 보유한 컴퓨팅 자산 소유자에 주목해야 한다.
위험
- 오픈 웨이트 모델 경쟁으로 토큰당 가격이 처리량 효율 개선보다 더 빠르게 하락해 모델 계층 ROIC를 압박할 수 있다.
- AI 수요 또는 GPU 가동률이 기대에 못 미치면 하이퍼스케일 클라우드 공급업체의 데이터센터 수익률이 약화될 수 있다.
- 가정치를 초과하는 자본지출, 에너지, 감가상각 및 유지보수 비용으로 실제 단위 경제성이 모델 추정치에 못 미칠 수 있다.
- 모델 아키텍처, 맞춤형 칩, 인터커넥트 및 요청 배치 처리의 효율성 개선이 기대에 못 미칠 수 있다.
- 새로운 AI 제품이 검색이나 기타 고마진 사업을 잠식하고 더 낮은 수익화율로 컴퓨팅 부담을 늘릴 수 있다.
- 부진한 거시 소비 및 광고 지출, 규제 제한 및 느린 기업 도입이 관련 기업의 매출에 영향을 미칠 수 있다.
- 보고서의 수익률은 가정 기반 시나리오 추정치이며 토큰 가격, 처리량, 가동률 및 임대 가격에 매우 민감하다.
주시할 점
- 오픈 웨이트 및 프런티어급 모델의 토큰 100만 개당 가격 변화.
- GPU당 토큰 처리량, 추론에 사용되는 용량 비중 및 요청 배치 처리 효율.
- META의 출시 예정 Muse 모델의 출시 주기, 역량 개선 및 생태계 도입.
- Google Gemini Flash 및 Gemini 4의 효율성, 성능 및 상업화 진전.
- AWS, Google Cloud 및 기타 클라우드 플랫폼의 AI 매출, 수주잔고, 가동률 및 마진.
- TPU 및 Trainium 등 맞춤형 칩의 범용 GPU 대비 비용 및 성능 우위.
- 오픈 모델이 스토리지, 데이터베이스, 검색 증강 생성, 보안 및 거버넌스 서비스에 기여하는 추가 매출.
- META, AMZN 및 GOOGL의 자본지출, 잉여현금흐름 및 AI 투자 수익률 공시.