거대한 AI 전쟁 뒤에서, 콘크리트가 쌓이고 있다

우리는 AI 전쟁을 화면으로 본다. 더 자연스럽게 말하는 챗봇, 더 긴 문맥을 기억하는 모델, 사람 대신 일을 처리하는 에이전트가 매주 등장한다. 그래서 다음 승자를 찾는 시선도 대개 화면 안에 머문다.

그러나 경쟁의 규모를 보여주는 장면은 화면 밖에 있다. 2025년 1월 발표된 스타게이트 프로젝트는 미국 내 AI 인프라 구축에 4년간 5,000억 달러를 투자하겠다는 구상을 내놓았다. 이 숫자는 확정 수익도, 완공 보장도 아니다. 하지만 AI 경쟁이 소프트웨어만의 전쟁이 아니라 전력과 토지, 건설과 장비를 동원하는 물리적 전쟁으로 바뀌고 있다는 신호로는 충분하다.

국제에너지기구(IEA)는 전 세계 데이터센터 전력 소비가 2024년 약 415TWh에서 2030년 약 945TWh로 두 배 이상 늘어날 수 있다고 전망했다. 2026년 업데이트에서도 2025년 485TWh에서 2030년 약 950TWh로 늘어난다는 중심 경로는 크게 달라지지 않았다. 다만 2030년 세계 전력 수요에서 차지하는 비중은 약 3%다. “AI가 세계의 모든 전기를 삼킨다”는 과장도, “전력 문제는 중요하지 않다”는 무시도 모두 사실을 놓친다.

골드러시의 교훈은 ‘광부는 실패하고 곡괭이 장수는 성공한다’가 아니다

1848년 캘리포니아에서 금이 발견된 뒤 수많은 사람이 서부로 향했다. 위험을 감수한 광부 가운데 큰돈을 번 사람도 있었고, 실패하거나 다른 생업으로 이동한 사람도 있었다. 모든 광부가 실패했다는 통계도, 도구상은 모두 부자가 됐다는 법칙도 없다.

그런데 골드러시에는 분명한 경제 구조가 있었다. 금을 찾는 결과는 불확실했지만, 사람이 몰릴수록 운송·숙박·식량·의류·장비에 대한 수요는 반복됐다. 사람들은 금에 베팅했지만, 상인들은 이동 그 자체가 만들어내는 수요에 대응했다.

리바이 스트라우스는 1853년 샌프란시스코에서 의류와 생활용품을 취급하는 도매 사업을 시작했다. 오늘날 청바지의 출발점으로 알려진 리벳 보강 작업복은 재단사 제이컵 데이비스와 함께 1873년 특허를 받은 뒤의 일이다. “골드러시에서 청바지를 팔아 즉시 승자가 됐다”는 한 문장보다 실제 역사는 더 느리고 복잡하다.

그래서 골드러시가 주는 진짜 질문은 ‘무엇을 사야 하는가’가 아니다.

이 질문은 유행을 좇는 시선을 구조를 읽는 시선으로 바꾼다. 하지만 여기에도 함정이 있다. 반복 수요가 존재한다고 해서 공급자의 이익이 자동으로 보장되지는 않는다. 경쟁자가 너무 많이 생기거나 공급이 넘치면 곡괭이 가격도 떨어진다. ‘곡괭이 전략’은 결론이 아니라 조사 출발점이다.

록펠러가 장악한 것은 철도가 아니라 흐름이었다

19세기 후반 미국의 석유 산업에서도 사람들은 유전을 바라봤다. 존 D. 록펠러는 석유를 처음 발견하지 않았고 가장 뛰어난 시추 기술자도 아니었다. 그의 힘은 원유가 상품이 되기까지 거쳐야 하는 정제와 운송, 유통의 구조를 조직하는 데서 나왔다.

그가 철도망을 소유했다는 표현은 정확하지 않다. 스탠더드 오일은 대규모 물량을 바탕으로 철도 회사와 유리한 운임과 리베이트를 협상했고, 정제 규모와 유통 통제력을 결합했다. 경쟁자가 같은 원유를 확보해도 같은 비용과 조건으로 시장에 내놓기 어려워졌다. 이 전략은 막대한 효율을 만들었지만 동시에 경쟁 제한과 권력 집중을 낳았고, 결국 반독점 규제의 대상이 됐다.

이 사례가 중요한 이유는 “인프라를 차지하면 영원히 이긴다”는 교훈 때문이 아니다. 오히려 그 반대다. 병목을 장악하면 가격 결정력과 정보 우위가 생기지만, 그 힘이 커질수록 규제와 대체 기술, 고객의 이탈 유인도 함께 커진다.

병목의 가치는 세 가지 질문으로 읽어야 한다.

1. 얼마나 많은 참여자가 반드시 이 지점을 거치는가?
2. 다른 경로로 바꾸는 비용은 얼마나 큰가?
3. 그 통제력이 얼마나 오래 유지될 수 있는가?

AI의 길목은 데이터센터 하나가 아니다

“AI 시대의 곡괭이는 GPU다.” “새 철도는 데이터센터다.” 두 문장 모두 일부는 맞지만 전체를 설명하지 못한다. AI가 작동하려면 여러 층이 동시에 연결되어야 하기 때문이다.

중요한 것은 어느 한 층을 영원한 승자로 지목하는 일이 아니다. 어느 층의 공급이 가장 느리게 늘고 있는지, 그 층을 우회할 수 있는지, 문제가 해결된 뒤 다음 제약이 어디로 이동하는지를 추적하는 일이다.

병목은 어떻게 이동하는가

초기 생성형 AI 경쟁에서는 고성능 가속기 확보가 가장 눈에 띄는 제약이었다. 칩이 확보되자 고대역폭 메모리와 첨단 패키징, 네트워크가 중요해졌다. 더 큰 클러스터가 건설되면서 전력 확보와 계통 연결, 냉각, 변압기와 가스터빈의 납기가 새로운 제약으로 떠올랐다.

IEA는 2025년 데이터센터 전력 수요가 전년보다 17% 증가했고 AI 중심 시설은 그보다 더 빠르게 늘었다고 분석했다. 동시에 발전설비만 늘리면 끝나는 문제가 아니라 변압기·가스터빈 공급, 송전망 연결, 인허가와 지역 수용성이 확장을 늦출 수 있다고 지적했다.

여기서 한 단계 더 가면 물리적 병목 뒤에 제도적 병목이 보인다. 미국 연방거래위원회(FTC)는 대형 클라우드 사업자와 AI 개발사의 투자·제휴가 계약상·기술상 전환 비용을 높이고, 여러 클라우드를 사용하는 선택을 제한할 가능성을 지적했다. 병목은 건물이나 칩일 수도 있지만, 계약과 생태계, 데이터 이동 비용일 수도 있다.

이것이 ‘움직이는 병목’이다. 한 제약이 해결되면 시스템의 다른 층이 전체 속도를 제한한다. 현재 가장 비싼 것을 찾는 것만으로는 부족하다. 다음에 부족해질 것과, 부족함이 해소될 조건까지 함께 봐야 한다.

효율이 좋아지면 인프라 수요는 줄어들까

반론이 있다. 모델과 칩이 효율적으로 바뀌면 같은 일을 더 적은 전력과 연산으로 처리할 수 있다. 오픈소스 모델과 소형 모델이 확산되면 거대 데이터센터 의존도도 낮아질 수 있다. 이 가능성은 실제다.

그러나 단위당 비용이 낮아지면 사용량이 더 빠르게 늘어 총수요가 증가하는 경우도 있다. 경제학에서는 흔히 제번스 역설로 설명하는 현상이다. AI 한 번의 추론이 싸지면 기업은 추론을 줄이는 대신 더 많은 제품, 고객, 업무와 기기에 AI를 넣을 수 있다.

어느 힘이 더 클지는 정해져 있지 않다. 효율 개선 속도, 사용량 증가, 온디바이스 AI의 확산, 모델 구조 변화가 함께 결정한다. 따라서 “효율이 좋아져도 전력 수요는 무조건 늘어난다”도, “효율이 해결해 줄 것이다”도 아직은 가설이다.

전략가가 해야 할 일은 한쪽을 믿는 것이 아니라 신호를 관찰하는 것이다. 단위 추론 비용은 얼마나 빨리 떨어지는가? 사용량은 그보다 더 빨리 늘어나는가? 중앙 데이터센터와 기기 내부 연산의 비중은 어떻게 변하는가?

수요가 큰 것과 돈을 버는 것은 다르다

인프라 낙관론에서 가장 자주 빠지는 문장이 있다. “누가 AI 경쟁에서 이기든 인프라는 돈을 번다.” 하지만 거대한 수요는 거대한 비용이기도 하다.

Alphabet은 2025년 감가상각비가 153억 달러에서 211억 달러로 약 38% 증가했다고 밝혔다. Microsoft도 AI 인프라 확장과 AI 기능 사용 증가가 클라우드 총마진율에 부담을 주고 있다고 설명했다. 장비는 빠르게 노후화되고, 다음 세대 칩이 나오면 기존 설비의 경제성이 달라질 수 있다. 전력을 확보해도 고객을 채우지 못하면 낮은 가동률이 수익성을 훼손한다.

따라서 인프라의 경제성을 볼 때는 최소한 다음을 함께 봐야 한다.

• 희소성: 수요보다 공급을 늘리기 어려운가?
• 가동률: 비싼 설비가 실제로 충분히 사용되는가?
• 가격 결정력: 비용 증가를 고객에게 전가할 수 있는가?
• 자본비용: 건설과 금융비용을 회수할 시간이 있는가?
• 기술 전환: 설비의 유효 수명보다 기술 변화가 더 빠르지 않은가?
• 고객 집중: 소수 고객의 계약 변경이 전체 사업을 흔들지 않는가?
• 규제와 지역사회: 전력·물·부지 사용에 대한 사회적 허용이 유지되는가?

미래는 하나가 아니라 세 갈래로 열린다

시나리오 1 — 수요가 효율을 앞선다

AI 에이전트가 검색과 문서 작성을 넘어 고객 응대, 연구, 소프트웨어 운영과 로봇으로 확산되면 총연산 수요가 효율 개선보다 빠르게 늘 수 있다. 이 경우 전력망·냉각·네트워크·건설 인력이 장기 병목이 된다.

시나리오 2 — 효율과 분산이 중앙 집중을 완화한다

소형 모델과 전용 칩, 온디바이스 AI가 빠르게 발전하면 일부 추론이 중앙 데이터센터에서 개인 기기와 기업 내부로 이동할 수 있다. 이 경우 가치는 초거대 시설만이 아니라 엣지 장비, 전력 효율, 모델 최적화와 통합 운영으로 분산된다.

시나리오 3 — 과잉건설 뒤에 선별이 시작된다

예상보다 수익화가 늦거나 자본비용이 높아지면 계획된 시설 중 일부는 지연되고, 입지·전력 계약·고객 구성이 약한 프로젝트는 압박을 받을 수 있다. 수요는 증가해도 모든 공급자가 승자가 되지는 않는다.

세 시나리오는 서로 배타적이지 않다. 지역과 용도, 시기에 따라 동시에 나타날 수 있다. 그래서 3년·5년·10년을 확정적으로 예언하기보다 어떤 조건이 어떤 미래를 여는지 보는 편이 더 유용하다.

개인과 기업도 ‘작은 인프라’를 소유할 수 있다

이 글의 결론은 데이터센터 주식이나 특정 자산을 사라는 이야기가 아니다. SUCCESS LAB이 주목하는 것은 투자 종목보다 사고 방식이다. 거대 기업의 인프라 전쟁을 개인의 삶과 기업의 전략으로 옮기면 질문이 달라진다.

나의 시장에서 사람들이 매번 처음부터 다시 해결하는 문제는 무엇인가? 고객과 팀이 반복해서 거쳐야 하는 절차는 무엇인가? 다른 사람이 쉽게 복제하기 어려운 데이터, 신뢰, 배포 경로, 질문 체계와 운영 시스템은 무엇인가?

개인이 만들 수 있는 작은 인프라는 거대한 건물이 아닐 수 있다.

• 반복 업무를 재사용 가능한 워크플로로 바꾼 운영 시스템
• 오랜 현장 경험에서 축적한 사례와 판단 기준
• 고객이 다시 찾아오는 신뢰와 관계의 네트워크
• 누구나 정보를 얻을 수 있어도 쉽게 흉내 내기 어려운 질문 체계
• AI가 제시한 가설을 인간이 검증하고 책임지는 품질 프로세스

단, 반복된다고 모두 좋은 인프라는 아니다. 다른 사람이 우회할 수 없게 가두는 구조인지, 더 좋은 선택을 가능하게 하는 기반인지도 물어야 한다. 록펠러의 역사는 병목의 힘뿐 아니라 병목 권력의 책임까지 보여준다.