AI capex cycle

AI capex cycle은 AI 수요가 모델·소프트웨어 매출에만 머물지 않고, 데이터센터, 전력, 반도체, 메모리, 네트워크, 냉각, 건설, 장비 투자로 번지는 흐름을 말합니다. 여기서 capex는 capital expenditure, 즉 기업이 장기 설비와 인프라를 만들기 위해 쓰는 자본지출입니다.

이 개념이 중요한 이유는 단순합니다. AI가 “생산성을 높이는 기술”인 동시에 “막대한 물리 인프라를 요구하는 투자 사이클”이 될 수 있기 때문입니다. 그래서 AI 뉴스를 읽을 때는 모델 성능뿐 아니라 누가 설비를 사고, 누가 전력을 공급하고, 어떤 병목이 비용을 올리는지도 같이 봐야 합니다.

한 줄로 말하면

AI capex cycle은 AI 수요가 데이터센터·칩·전력·장비 투자로 이어지고, 그 투자가 다시 기업 실적·금리·원자재·공급망 논의에 영향을 주는 순환 구조입니다.

비유로 이해하기

인터넷 서비스가 커질 때를 생각해볼 수 있습니다. 사용자가 늘면 웹사이트 코드만 좋아져서는 부족합니다. 서버를 더 사고, 회선을 늘리고, 데이터센터를 짓고, 냉각과 전력을 확보해야 합니다. 이때 돈은 앱 회사뿐 아니라 서버 업체, 통신망, 부동산, 전력 설비, 장비 공급망으로 흘러갑니다.

AI capex cycle도 비슷합니다. ChatGPT나 enterprise agent 같은 서비스 사용량이 늘면, 뒤에서는 GPU/AI accelerator, HBM, networking, storage, transformer, switchgear, 냉각 설비, 전력 계약, 건설 프로젝트가 함께 움직입니다.

다만 비유의 한계가 있습니다. AI는 일반 웹 트래픽보다 token 생성 비용과 전력 밀도가 훨씬 민감할 수 있습니다. 특히 LLM inference serving에서는 cost per token, latency, memory bandwidth, interconnect, power per rack 같은 지표가 실제 수익성을 바꿉니다.

정확한 정의

AI capex cycle은 AI 제품과 서비스의 사용량 증가가 장기 설비 투자로 이어지고, 그 설비 투자가 다시 산업·시장·거시경제에 영향을 주는 순환입니다.

흐름을 단순화하면 다음과 같습니다.

1. AI 수요 증가: 기업과 소비자가 AI 서비스를 더 많이 사용합니다.
2. 컴퓨팅 수요 증가: 학습과 inference를 위한 GPU, accelerator, 서버, 메모리가 더 필요해집니다.
3. 데이터센터 투자 증가: rack, 냉각, 전력, 네트워크, 부지, 건설 투자가 늘어납니다.
4. 공급망과 원자재 병목: 전력 장비, 구리, 철강, 변압기, HBM, advanced packaging 같은 병목이 나타날 수 있습니다.
5. 시장·거시 영향: 관련 기업 실적 기대, 자본재 수요, 전력 가격, 금리·물가 논의까지 이어질 수 있습니다.

여기서 중요한 점은 capex가 매출과 다르게 움직인다는 것입니다. 설비 투자는 먼저 돈을 쓰고 나중에 사용량과 수익으로 회수해야 합니다. 그래서 AI capex cycle은 성장 기대와 과잉투자 위험을 동시에 품습니다.

왜 중요한가

1. AI 투자는 소프트웨어만의 이야기가 아니다

AI를 순수 소프트웨어 혁신으로만 보면 물리적 병목을 놓치기 쉽습니다. 대형 모델은 학습에도 많은 자원이 필요하고, 실제 제품이 되면 inference 호출이 매일 누적됩니다. 사용량이 늘수록 chip, memory, networking, cooling, 전력 계약이 비용 구조의 중심으로 올라옵니다.

NVIDIA가 inference software stack을 cost per token, dollar per watt, latency target 같은 언어로 설명하는 것도 이 때문입니다. AI 인프라 경쟁은 “가장 빠른 chip”만이 아니라 “유용한 token을 얼마나 싸고 안정적으로 공급하는가”의 문제가 됩니다.

2. 시장의 수혜 범위가 넓어진다

AI capex가 커지면 수혜는 대형 AI 플랫폼과 반도체 기업에만 머물지 않을 수 있습니다. 데이터센터 부품, 전력 설비, 냉각, 건설, 유틸리티, 네트워크 장비, 메모리, 소재, 자동화 장비까지 기대가 번질 수 있습니다.

이것이 Today 브리핑에서 small-cap, 유틸리티, 자본재, 메모리, 전력 인프라 narrative를 함께 본 이유입니다. 다만 “AI와 관련 있다”는 말만으로 모든 기업이 수혜를 받는 것은 아닙니다. 실제 매출 연결, 병목 위치, 가격 결정력, 증설 시점, 고객 집중도를 따로 확인해야 합니다.

3. 금리와 물가 논의로 이어질 수 있다

AI가 생산성을 높이면 장기적으로 물가 압력을 낮출 수 있다는 주장이 있습니다. 하지만 단기·중기에는 데이터센터, 전력망, 장비, 건설 투자가 늘면서 자본재와 전력 수요를 자극할 수 있습니다.

그래서 AI capex cycle은 중앙은행과 시장의 관심사가 될 수 있습니다. “AI가 생산성을 높인다”와 “AI 설비투자가 물가·금리·전력 수요를 자극한다”는 이야기는 서로 모순이라기보다 시간축이 다른 두 효과일 수 있습니다.

4. 공급망 병목이 핵심 변수가 된다

AI 인프라는 고성능 chip만으로 완성되지 않습니다. HBM, advanced packaging, optical networking, switchgear, transformer, grid interconnection, cooling, 전력 구매 계약, 건설 허가 같은 요소가 함께 맞아야 합니다.

RAND가 AI 데이터센터 운영에 필요한 critical electrical equipment와 전력망 공급망 취약성을 다룬 것도 같은 맥락입니다. AI capex cycle을 읽을 때는 “누가 더 많은 GPU를 샀는가”뿐 아니라 “전력과 장비가 실제로 제때 붙는가”를 봐야 합니다.

실제 예시

데이터센터와 전력 인프라

AI 서비스 사용량이 늘면 hyperscaler와 AI 기업은 더 많은 compute capacity를 확보하려 합니다. 이때 GPU 서버를 주문하는 것만으로는 충분하지 않습니다. 전력 수전, 변압기, 냉각, rack density, networking, 부지와 인허가가 함께 필요합니다.

전력 인프라가 늦어지면 chip이 있어도 데이터센터가 바로 켜지지 않을 수 있습니다. 반대로 전력과 냉각을 효율적으로 확보한 사업자는 같은 capex로 더 많은 token을 공급할 수 있습니다.

Inference 비용 경쟁

LLM inference serving에서는 학습된 모델을 매 요청마다 실행합니다. 사용량이 늘수록 cost per token이 중요해집니다. 이 비용은 chip 가격뿐 아니라 memory bandwidth, KV cache, batching, interconnect, scheduler, 전력·냉각 비용까지 포함합니다.

Etched의 rack-scale inference system 인터뷰가 단일 chip 성능보다 rack-scale memory와 interconnect를 강조한 것도 이런 비용 구조를 겨냥한 주장으로 볼 수 있습니다. 다만 회사 인터뷰는 주장이지 검증 결과가 아니므로, 독립 benchmark와 고객 사례가 필요합니다.

시장 narrative 확산

AI spending과 실적 기대가 대형 기술주에서 출발해 small-cap, 유틸리티, 자본재, 원자재로 확산될 수 있습니다. 하지만 narrative 확산은 실제 실적보다 먼저 움직일 때가 많습니다. 따라서 “AI capex 수혜”라는 이름이 붙은 기업을 볼 때는 다음 질문을 해야 합니다.

• AI 데이터센터 투자와 매출이 직접 연결되는가?
• 병목 부품이나 서비스에서 가격 결정력이 있는가?
• 증설과 매출 인식 사이의 시간차는 얼마나 되는가?
• capex가 과잉투자로 바뀔 위험은 없는가?
• 전력·원자재·금리 비용 상승이 수익성을 깎지는 않는가?

헷갈리지 말아야 할 점

• AI capex는 AI 매출과 같은 말이 아닙니다. Capex는 미래 수요를 기대하고 먼저 집행하는 설비 투자입니다. 사용량과 수익이 뒤따르지 않으면 과잉투자가 될 수 있습니다.
• 모든 전력·원자재 뉴스가 곧 AI 수혜는 아닙니다. 철강, 구리, 전력 장비는 여러 산업에 쓰입니다. AI와의 연결 경로를 확인해야 합니다.
• Productivity narrative와 inflation narrative는 시간축이 다릅니다. AI가 장기 생산성을 높일 수 있어도, 단기 설비투자는 전력·장비·건설 수요를 밀어 올릴 수 있습니다.
• Cost per token은 chip 성능만으로 결정되지 않습니다. Memory, networking, software scheduler, 전력, 냉각, utilization이 함께 작동합니다.
• 투자 판단은 단일 headline으로 하면 안 됩니다. AI capex cycle은 좋은 프레임이지만, 개별 기업은 재무, 고객, 공급망, 밸류에이션을 따로 봐야 합니다.

관련 문서

• LLM inference serving
• Cost per token
• HBM
• 주권 AI
• Etched의 rack-scale inference system 인터뷰
• Physical AI 산업화
• AI 노동 전환과 Physical AI 산업화의 차이
• AI agent runtime과 AI capex cycle의 차이