인공지능, 클라우드 컴퓨팅, 반도체, 보안 소프트웨어 및 IT 인프라: 오픈 웨이트 모델은 AI 확산을 가속할 것이며, 산업 승자는 세 가지 경쟁 구도에 따라 결정될 것

개요

본 보고서는 기업 AI 기술 스택에서 오픈 웨이트 모델과 폐쇄형 소스 모델 간의 경쟁과 공존을 논의한다. Morgan Stanley는 시장이 오픈 웨이트 모델의 역할을 과소평가하고 있을 수 있다고 본다. 핵심 구분은 모델 크기나 품질이 아니라 사용자가 가중치에 접근하고 조정할 수 있는지, 그리고 퍼블릭 클라우드, 프라이빗 클라우드, 온프레미스 또는 엣지 환경에 유연하게 배포할 수 있는지 여부다. 오픈 웨이트 모델은 고빈도 추론의 변동비를 낮추고 특화 맞춤화를 지원하며 데이터 주권 요건을 충족할 수 있지만, 파인튜닝 비용, 인재 병목, 보안 책임 및 지정학적 위험도 수반한다. 향후 수년간 산업 가치의 분배는 폐쇄형 소스, 하이브리드 또는 오픈 웨이트라는 세 시나리오 중 어느 것이 지배적인지에 달려 있다.

핵심 견해

첫째, 오픈 웨이트 모델은 경쟁과 기술 확산에 유리하며, 가격 하락은 단순히 컴퓨팅 파워 수요를 약화시키기보다 제번스의 역설을 통해 전체 AI 수요를 확대할 수 있다. 둘째, 단기적으로 기업들은 하이브리드 아키텍처를 유지할 가능성이 높다. 폐쇄형 소스 최첨단 모델은 복잡한 추론 및 에이전틱 작업을 처리하고, 오픈 또는 소형 모델은 고빈도, 비용 민감 및 도메인 특화 업무를 담당한다. 셋째, 모델 수와 배포 위치가 더 분산될수록 게이트웨이, 라우팅, 오케스트레이션, 평가, 옵저버빌리티, 보안 및 거버넌스의 중요성이 커진다. 넷째, 폐쇄형 소스 모델이 승리하면 선도 연구소, 하이퍼스케일 클라우드, 학습 네트워크, 반도체 및 현장 전력 공급이 더 큰 수혜를 입는다. 오픈 웨이트 모델이 승리하면 가치는 파인튜닝, 추론 최적화, 애플리케이션, 프라이빗 클라우드, 온프레미스 인프라, 엣지 디바이스 및 보안 소프트웨어로 더 이동한다.

분석 프레임워크

본 보고서는 기업 도입 설문, 토큰 사용 데이터, 총소유비용 및 투자수익률 연구를 결합하고, 시나리오 분석을 사용해 모델 성능, 가격 결정력, 배포 아키텍처, 규제 제약 및 기업 구매 행동을 비교한 뒤 각 시나리오를 관련 주식과 산업 부문에 매핑한다.

방법론 메모

• 시나리오 분석세 가지 세계의 상태

  폐쇄형 소스 모델 승리, 하이브리드 아키텍처 공존, 오픈 웨이트 모델 승리를 각각 가정한다.

  모델 성능 격차, 가격 경쟁, 기업 배포 방식 및 규제 조건을 변경함으로써 보고서는 각기 다른 시나리오에서 클라우드, 모델, 소프트웨어, 하드웨어, 네트워킹 및 에너지 부문 전반의 상대적 수혜자를 식별한다.

• 경제학 프레임워크제번스의 역설

  단위 추론 비용 하락은 사용량 증가를 촉진하고 전체 AI 수요를 증가시킬 수 있다.

  오픈 웨이트 모델이 효율성을 개선하고 가격을 낮추면 더 많은 기업과 워크로드가 AI 도입에 있어 경제성을 확보하게 되므로, 단위 비용 하락이 컴퓨팅 파워 및 관련 인프라 수요 감소로 반드시 이어지는 것은 아니다.

• 비용 분석총소유비용

  라이선스 비용, 토큰 비용, 컴퓨팅 파워, 호스팅, 파인튜닝, 인재 및 운영·유지보수 비용을 비교한다.

  오픈 웨이트 모델은 라이선스 비용이나 토큰당 과금을 피할 수 있지만 무료는 아니다. 배포 규모와 모델 파라미터 수는 상대 경제성과 투자수익 회수 기간에 큰 영향을 미친다.

• 산업 체인 매핑AI 배포 아키텍처의 수혜자 분석

  워크로드가 퍼블릭 클라우드, 프라이빗 클라우드, 온프레미스 및 엣지로 이동하는 정도에 따라 산업 수혜 방향을 배분한다.

  중앙집중형 폐쇄형 소스 아키텍처는 선도 클라우드 및 최첨단 모델 공급업체에 더 유리한 반면, 분산형 오픈 아키텍처는 온프레미스 하드웨어, 엣지 디바이스, 보안, 오케스트레이션, 라우팅 및 옵저버빌리티 수요를 증가시킨다.

자산 매핑 및 비교

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

• GOOGL, AMZN, MSFT

  클라우드 플랫폼 및 모델 유통 채널

  강점

  이들은 대규모 컴퓨팅 파워, 기업 고객 관계 및 호스팅 역량을 보유하고 있으며, 폐쇄형 소스 또는 하이브리드 아키텍처에서는 대규모 중앙집중형 워크로드를 흡수할 수 있다.

  약점

  오픈 모델의 가격 경쟁은 모델 API의 초과 수익을 압박하고 일부 워크로드를 온프레미스나 엣지 환경으로 이동시킬 수 있다.

  비교

  폐쇄형 소스 시나리오의 핵심 수혜자는 GOOGL과 AMZN이며, 하이브리드 시나리오에는 AMZN, GOOGL 및 MSFT가 포함된다. 오픈 웨이트 시나리오에서 보고서는 MSFT를 강조한다.

  위험

  자체 모델이 최첨단 모델에 뒤처지는 위험, 자본지출 수익률 하락, 고객의 멀티클라우드 도입 및 규제 제한.

• NVDA, AVGO

  AI 반도체 및 맞춤형 컴퓨팅 인프라

  강점

  학습 및 추론 수요 증가는 가속기, 네트워킹 및 맞춤형 칩 수요를 직접 지원하며, NVDA는 시나리오 전반에서 상대적으로 강한 회복력을 가진 수혜자로 평가된다.

  약점

  더 작고 효율적인 모델은 작업당 필요한 컴퓨팅 파워를 줄일 수 있고, 오픈 아키텍처는 칩과 시스템 구매 구조도 바꿀 수 있다.

  비교

  폐쇄형 소스 시나리오에는 NVDA와 AVGO가 포함되고 하이브리드 시나리오에는 NVDA가 포함된다. 보고서 첫 페이지는 NVDA가 여러 상태에 걸친 수혜 논리를 갖는다고 강조한다.

  위험

  워크로드 성장보다 빠른 모델 효율 개선, 고객의 자체 칩, 공급 확대 및 높은 밸류에이션.

• PANW, CRWD, FTNT, ZS, NTSK, OKTA, SAIL, VRNS

  분산형 AI 워크로드를 위한 보안 및 ID 거버넌스

  강점

  모델과 데이터가 클라우드, 온프레미스 및 엣지 환경에 분산되면 접근 통제, 엔드포인트 보안, ID 관리 및 거버넌스 수요가 증가한다.

  약점

  중앙집중형 폐쇄형 소스 아키텍처에서는 일부 보안 책임을 최첨단 모델 연구소나 클라우드 플랫폼이 내부적으로 처리할 수 있다.

  비교

  보안 소프트웨어는 세 시나리오 모두에서 수혜를 보지만, 증분 수요는 오픈 웨이트 또는 하이브리드 아키텍처에서 더 광범위하다.

  위험

  보안 예산 통합, 플랫폼 내장 기능에 의한 대체, 오픈 모델의 악의적 수정 및 불명확한 책임 귀속.

• DDOG, PLTR, APPN

  오케스트레이션, 옵저버빌리티 및 인프라 소프트웨어

  강점

  멀티모델 환경에는 통합 게이트웨이, 라우팅, 로깅, 평가, 비용 모니터링, 워크플로 오케스트레이션 및 장애 조치가 필요하다.

  약점

  기능이 클라우드 플랫폼, 모델 공급업체 또는 오픈소스 도구에 내장될 수 있어 독립 공급업체는 플랫폼 경쟁에 직면한다.

  비교

  하이브리드 시나리오는 DDOG, PLTR 및 APPN을 강조하며, 오픈 웨이트 시나리오에는 PLTR이 포함된다.

  위험

  예상보다 느린 기업 배포 진척, 제품의 범용화, 오픈소스 대안 및 고객의 자체 개발.

• DELL, HPE, NTAP, P, HPQ, AAPL

  온프레미스 인프라 및 엣지 디바이스

  강점

  오픈 모델 성능이 개선되면 기업들은 비용, 지연시간, 프라이버시 및 데이터 주권 요건 때문에 더 많은 추론을 온프레미스와 엣지 환경으로 옮길 수 있다.

  약점

  대형 모델의 온프레미스 배포는 자본 집약적이고 회수 기간이 길 수 있으며, 기업에는 운영·유지보수 인재가 필요하다.

  비교

  이들 기업은 주로 오픈 웨이트 모델이 승리하는 분산형 시나리오에서 수혜를 보며, 중앙집중형 폐쇄형 소스 시나리오에서는 탄력성이 더 약하다.

  위험

  기업들이 계속 API를 우선시하는 위험, 퍼블릭 클라우드 비용 하락, 하드웨어 교체 주기 장기화 및 과도한 모델 배포 복잡성.

• SAP, NOW, SHOP

  기업 애플리케이션 및 SaaS 계층

  강점

  이들은 오픈 또는 폐쇄형 소스 모델을 기존 워크플로에 내장하고 기업의 자체 데이터를 활용해 도메인 애플리케이션과 에이전트를 개발할 수 있다.

  약점

  파운데이션 모델 기능의 범용화는 일부 AI 기능의 차별화와 가격 결정력을 약화시킬 수 있다.

  비교

  SAP와 NOW는 하이브리드 및 오픈 웨이트 시나리오 모두에 등장하며, SHOP은 주로 오픈 웨이트 시나리오에 포함된다.

  위험

  AI 기능의 수익화 부족, 추론 비용 압박, 데이터 거버넌스 장애 및 고객의 자체 애플리케이션 구축.

• ANET, LITE, COHR, CSCO, FFIV

  데이터센터 광통신, 네트워킹 및 트래픽 관리

  강점

  폐쇄형 소스 학습 클러스터에는 고대역폭 네트워크가 필요하며, 하이브리드 및 분산형 아키텍처는 클라우드, 데이터센터 및 엣지 전반의 연결성과 트래픽 관리 수요를 늘린다.

  약점

  중앙집중형 학습과 분산형 추론의 비중 변화에 따라 수혜 기업은 달라진다.

  비교

  폐쇄형 소스 시나리오는 ANET, LITE 및 COHR를 강조하고, 하이브리드 시나리오는 CSCO와 FFIV를 강조한다.

  위험

  데이터센터 자본지출 주기, 고객 집중도, 기술 반복 및 공급망 변동성.

• BE, INIO, SEI, WMB, LBRT

  하이퍼스케일 AI 학습 시설을 위한 현장 전력 공급

  강점

  폐쇄형 소스 최첨단 모델이 계속 학습 클러스터를 확장하면 기가와트급 신뢰성 있는 전력 및 현장 에너지 솔루션 수요가 강화될 것이다.

  약점

  프로젝트 주기가 길며 수요 실현은 데이터센터 건설 진척, 인허가 및 연료 인프라에 달려 있다.

  비교

  보고서는 주로 폐쇄형 소스 모델이 승리하는 시나리오에서 이들 기업을 수혜자로 제시하지만, 전력 수요가 여러 상태에서 뒷받침된다고도 본다.

  위험

  데이터센터 프로젝트 지연, 에너지 가격 변동, 규제 승인, 금융비용 및 예상보다 큰 컴퓨팅 효율 개선.

• MiniMax, Knowledge Atlas, BABA, Tencent

  오픈 웨이트 모델 공급업체

  강점

  오픈 모델이 최첨단 성능에 근접하면 광범위한 유통, 생태계 구축 및 현지 시장 고객 기반을 통해 도입을 확대할 수 있다.

  약점

  파운데이션 모델 가격은 빠르게 하락하고 있으며 직접적인 수익화 역량이 제한적일 수 있고, 학습 및 보안 거버넌스에 대한 지속적 투자가 필요하다.

  비교

  보고서는 오픈 웨이트 모델이 승리하는 시나리오에서 이들 기업을 모델 계층 수혜자로 제시한다.

  위험

  중국 모델에 대한 미국의 잠재적 제한, 국경 간 사업 연속성, 라이선스 정책, 보안 우려 및 최첨단 성능과의 격차.

핵심 데이터

• 기업의 오픈 모델 도입률63%41개국 약 700명의 기술 리더를 대상으로 한 McKinsey 설문 결과이며, 대부분의 도입 기업은 폐쇄형 소스 모델도 함께 사용한다.
• 미국 사용자의 OpenRouter 토큰 중 중국 오픈 모델로 유입되는 비중주당 30% 초과통계는 2026년 2월부터 7월까지를 포함하며, 보고서는 표본이 대기업보다 스타트업에 더 치우쳐 있을 수 있다고 지적한다.
• AI 작업의 평균 경제성약 $55의 편익, 이에 대응하는 비용은 $2–5기업 AI 도입에 여전히 상당한 성장 여지가 있음을 설명하는 데 사용된다.
• 오픈 모델의 잠재적 가격 영향평균 가격은 70% 하락할 수 있으며, 소비자는 연간 약 $25B를 절감할 수 있음2025년 12월 MIT 연구를 인용하며, 모든 오픈 웨이트 모델이 단위 토큰 비용이 더 낮은 것은 아니다.
• 배포 통제를 중요하게 여기는 기업 비중40%McKinsey 설문에서 응답 기업 리더들은 호스팅 위치를 통제할 수 있다는 이유로 오픈 웨이트 모델을 선호했다.
• 온프레미스 배포의 투자 회수 기간약 3개월~6년소규모 배포의 회수 기간은 약 3개월로 짧을 수 있는 반면, 200B–1T 파라미터의 대규모 배포는 약 6년까지 걸릴 수 있다.
• GOOGL 모델 API의 잠재 ROIC약 45%Gemini가 최첨단 수준이고 자체 인프라에서 모델 API를 운영하는 시나리오에 적용된다.
• GOOGL 인프라 제공자 모델의 잠재 ROIC약 30%Gemini가 최첨단 수준이 아니고 GOOGL이 인프라 제공자 역할을 더 많이 수행하는 시나리오에 적용된다.
• 주요 AI 추론 비즈니스 모델의 증분 ROIC25% 초과보고서는 AI 추론 시대의 세 가지 주요 비즈니스 모델이 상대적으로 매력적인 증분 단위 경제성을 가진다고 본다.

영향과 시사점

투자자에게 핵심은 오픈 모델 또는 폐쇄형 소스 모델 중 하나에 단순히 베팅하는 것이 아니라 각 산업 부문의 세 시나리오에 대한 민감도를 파악하는 것이다. 폐쇄형 소스 우위는 자본, 모델 성능 및 클라우드 인프라에서 강점을 가진 소수 플랫폼과 하이퍼스케일 학습을 지원하는 반도체, 네트워킹 및 전력 공급 기업에 유리하다. 하이브리드 아키텍처는 모델 간 라우팅, 오케스트레이션, 평가, 거버넌스 및 보안을 제공할 수 있는 소프트웨어 공급업체에 가장 유리하다. 오픈 웨이트 우위는 가치를 파운데이션 모델 사전학습에서 파인튜닝, 추론 최적화, 에이전트, 애플리케이션, 온프레미스 인프라 및 엣지 디바이스로 더 이동시킬 것이다. 컴퓨팅 효율 개선은 AI 워크로드의 총량을 확대할 수 있으므로 NVDA와 전력 관련 수요는 시나리오 전반에서 상대적으로 더 강한 회복력을 보인다.

위험

• 미국이 중국 오픈 웨이트 모델을 제한할 수 있고 중국도 해외 최첨단 모델을 제한할 수 있어, 다국적 기업의 사업 연속성과 공급업체 선택에 위험이 발생한다.
• 오픈 가중치에서는 안전성 정렬이 제거되거나 악의적으로 파인튜닝될 수 있어 사이버보안, 모델 오용 및 책임 귀속 위험이 커진다.
• 최첨단 버전을 따라잡으려면 반복적인 파인튜닝이 필요하며, 기업은 컴퓨팅 파워, 인재, 시간 및 엔지니어링 자원이 부족할 수 있다.
• 오픈 웨이트 모델에 토큰당 수수료가 없다고 해서 총소유비용이 더 낮다는 의미는 아니며, 대규모 온프레미스 배포의 회수 기간은 수년까지 길어질 수 있다.
• 브랜드, 신뢰, 전환 비용, 보상 보호 및 외국 모델에 대한 우려는 기업의 이전을 늦출 수 있다.
• 모델 성능, 가격 및 효율은 빠르게 변화하며 세 시나리오의 확률과 이에 따른 주식 수혜 관계도 계속 조정될 수 있다.
• 보고서에 제시된 수혜 기업들은 여러 산업에 걸쳐 있으며, 개별 주식 성과는 여전히 밸류에이션, 경쟁, 자본지출 주기 및 기업 실행력의 영향을 받는다.

주시할 점

• 오픈 웨이트 모델이 추론, 에이전트 및 보안에서 최첨단 폐쇄형 소스 모델과의 성능 격차를 계속 좁힐 수 있는지 여부.
• 시험 도입이나 토큰 트래픽만이 아니라 기업 AI 모델 지출에서 오픈, 폐쇄형 소스 및 하이브리드 아키텍처의 비중 변화.
• 모델 출처, 가중치 공개, 데이터 주권 및 보안 책임에 관한 미국과 중국의 규제 동향.
• 호스팅, 컴퓨팅 파워, 파인튜닝, 인재, 보안 및 버전 업그레이드를 포함한 오픈 모델의 전체 수명주기 총소유비용.
• 기업 워크로드가 프라이빗 클라우드, 온프레미스 및 엣지 환경으로 이동하는 속도와 GPU 클러스터의 실제 투자 회수 기간.
• 모델 게이트웨이, 라우팅, 오케스트레이션, 평가, 옵저버빌리티 및 거버넌스 소프트웨어의 구매와 수익화 추세.
• 제번스의 역설이 컴퓨팅 파워와 전력 수요를 계속 뒷받침할 수 있는지 평가하기 위한 모델 효율 개선과 신규 워크로드 간의 상대적 속도.
• GOOGL의 Gemini가 최첨단으로 복귀할 수 있는지, 그리고 모델 API 사업과 인프라 사업 간 ROIC 차이.