AI 거품론, 닷컴 버블과 다른 한 가지

2000년대 초, 통신사업자들이 앞다퉈 구축한 광섬유 통신망은 남아돌았다. 그런데 2026년 주요 AI 클라우드 기업들은 데이터센터를 늘려도 연산 자원이 부족하다. 두 시대 모두 막대한 자본이 투입되고 있는데, 정말 같은 거품이라고 볼 수 있을까?

마이크로소프트와 구글, 아마존은 경쟁적으로 AI 인프라를 확장하고 있다. 거대한 데이터센터 건설 계획이 발표될 때마다 과거 닷컴 버블이 다시 소환된다.

과거에도 혁신적인 기술이 등장했고, 기업들은 미래의 성장을 확신하며 엄청난 돈을 쏟아부었다. 당시의 투자 열풍과 지금의 AI 투자 경쟁에는 닮은 구석이 많다.

AI 인프라 투자가 닷컴 버블 당시와 다른 핵심은 현재 주요 클라우드 기업에서 실제 고객 수요가 연산 자원의 공급 능력을 초과하고 있다는 점이다.

당시 통신망은 수요보다 빠르게 확장됐지만, 지금은 공급이 수요를 쫓고 있다.

1. 닷컴 버블 당시에는 무엇이 남아돌았을까?

1990년대 말 인터넷은 세상을 바꿀 기술로 주목받았다.

이용자가 빠르게 증가하고 전자상거래가 확산되면서 인터넷을 통해 이동하는 데이터도 급증했다. 통신사업자들은 앞으로 훨씬 많은 데이터가 네트워크를 통과할 것으로 예상했다.

미래의 수요를 감당하려면 더 많은 광섬유 통신망이 필요했다.

기업들은 경쟁적으로 통신망을 구축하기 시작했다. 아직 충분한 고객이 확보되지 않은 지역에도 광섬유가 설치됐다.

통신망을 구축하는 속도가 실제 이용량의 증가 속도를 앞질렀다.

미국의 광통신 장비업체 시에나(Ciena)는 2002년 연차보고서에서 당시의 상황을 설명했다. 통신사업자들이 미래 수요를 예상해 구축한 네트워크에 공급과잉이 발생했고, 일부 기업은 자금난으로 파산했다는 내용이었다.

인터넷 이용은 계속 늘었지만 통신망은 그보다 더 빠르게 확장됐다.

설비를 구축하는 데 들어간 자본은 막대했다. 그러나 실제 고객이 사용하는 통신망의 규모는 그만큼 빠르게 증가하지 못했다. 수익이 기대에 미치지 못하면서 부채 부담이 커졌고, 통신사업자들의 투자는 급격히 위축됐다.

당시 인터넷의 미래를 예측한 방향은 대체로 옳았다. 인터넷은 이후 전 세계의 경제와 일상을 바꾸었다.

그러나 그 미래가 도착할 시점을 앞당겨 본 기업들은 막대한 손실을 입었다.

성장하는 산업에서도 공급이 수요보다 빠르게 늘어나면 과잉투자가 발생한다.

과거의 통신망 거품은 이 사실을 보여준다.

2. 지금 AI는 실제로 공급이 부족할까?

2026년 7월, 마이크로소프트는 Azure 고객 수요가 이용 가능한 용량을 초과한다고 발표했다.

마이크로소프트는 CPU와 GPU의 사용 효율을 높이고 새로운 데이터센터 용량을 확보했지만, 추가된 연산 자원도 빠르게 매출로 연결됐다.

같은 분기 Azure 및 기타 클라우드 서비스 매출은 전년 동기 대비 43% 증가했다.

공급 능력을 확대한 뒤에도 고객 수요를 모두 감당하지 못하고 있다는 점이 눈에 띈다.

아마존의 실적에서도 AI 서비스에 대한 수요가 확인된다.

2026년 2분기 아마존웹서비스(AWS)의 매출은 전년 동기 대비 37% 증가했다. AI 사업의 연환산 매출 규모도 250억 달러를 넘어섰다.

연환산 매출은 현재의 매출 흐름을 1년 규모로 환산한 수치다. 실제 연간 확정 매출과는 차이가 있지만, AI 서비스가 이미 상당한 유료 수요를 확보하고 있다는 사실은 분명하다.

구글 클라우드 매출도 같은 기간 82% 증가했다.

구글은 자사의 Gemini 모델이 API를 통해 분당 약 220억 개의 토큰을 처리한다고 발표했다. 직전 분기의 약 160억 개에서 크게 증가한 수치다.

토큰은 AI가 글과 정보를 처리하는 기본 단위다. 토큰 처리량의 증가는 AI 시스템에 요청되는 실제 작업량이 늘어나고 있음을 보여준다.

클라우드 매출에는 AI 외의 서비스도 포함된다. 처리량이 증가한다고 이익이 같은 비율로 늘어나는 것도 아니다.

그러나 세 기업의 실적을 함께 보면 AI가 실제 사용과 매출을 만들어내고 있다는 점을 확인할 수 있다.

미래의 수요를 예상하는 것과 이미 발생한 수요를 감당하는 일에는 차이가 있다.

2000년대 초 통신사업자들은 미래의 고객을 예상하며 설비를 확장했다. 현재 마이크로소프트를 비롯한 주요 AI 클라우드 기업들은 이미 발생한 수요에 대응하기 위해 설비를 늘리고 있다.

과거에는 구축한 설비를 충분히 활용하지 못했다. 지금은 추가된 설비까지 빠르게 사용되고 있다.

적어도 주요 AI 클라우드 시장에서 확인되는 모습은 과거 통신망의 공급과잉과 상당히 다르다.

3. AI 수요는 왜 계속 늘어날 수 있을까?

AI의 연산 수요는 모델을 개발할 때만 발생하는 것이 아니다.

거대한 AI 모델을 학습시키려면 수많은 반도체와 데이터센터가 필요하다. 하지만 학습이 끝난 뒤에도 연산은 계속된다.

사용자가 질문을 던지거나 문서를 분석하고, 이미지를 생성하거나 프로그램을 작성할 때마다 새로운 연산이 발생한다.

이러한 과정을 추론이라고 부른다.

AI 활용 범위가 넓어질수록 추론 요청도 함께 증가한다.

앞으로 AI가 실제 업무를 수행하는 영역이 넓어지면 수요의 구조는 한층 복잡해질 것이다.

지금까지 사용자는 AI에게 질문을 던지고 답변을 받는 경우가 많았다. 그러나 AI가 업무 수행까지 맡게 되면 하나의 요청에도 여러 단계의 작업이 이어진다.

가령 AI에게 시장 분석 보고서를 작성하도록 지시했다고 생각해 보자.

AI는 자료를 검색하고 서로 다른 데이터를 비교한다. 보고서를 작성한 뒤에는 오류를 검토하고 필요한 부분을 수정한다.

사용자는 하나의 업무를 요청했지만, AI는 그 과정에서 여러 차례 연산을 수행한다.

AI가 처리하는 업무가 복잡해질수록 사용자의 요청 한 건에도 더 많은 연산이 필요해질 수 있다.

여기에 반도체와 AI 모델의 효율 개선이라는 변수가 있다.

반도체 성능이 향상되고 모델이 효율적으로 발전하면 같은 작업을 처리하는 데 필요한 연산량은 줄어든다.

그렇다면 AI 연산 자원의 총수요도 감소할까?

비용이 낮아지면 과거에는 비싸서 시도하지 않았던 작업까지 AI에 맡기게 된다. 기업은 더 많은 업무에 AI를 적용하고, 개인도 이전보다 훨씬 자주 AI를 사용하게 될 수 있다.

작업 한 건에 필요한 연산 비용이 낮아지더라도 전체 사용량이 더 빠르게 늘어나면 총연산 수요는 증가한다.

산업혁명 이후 여러 기술에서 관찰된 현상이다. 효율이 높아지면서 비용이 낮아지고, 그 결과 새로운 사용처가 생겨 총소비가 확대되기도 한다.

AI에서도 같은 현상이 나타날 가능성이 있다.

따라서 AI 인프라 수요를 판단하려면 반도체의 생산량과 성능만 살펴봐서는 부족하다.

AI 이용자가 얼마나 늘어나는지, 고객 한 명이 처리하는 작업량이 어떻게 변화하는지, 비용이 낮아지면서 어떤 새로운 시장이 열리는지를 함께 봐야 한다.

AI가 연산을 더 효율적으로 처리하는 것과 AI 산업 전체에 필요한 연산량이 감소하는 것은 서로 다른 문제다.

4. 수요가 공급보다 많다면 거품은 아닐까?

현재 공급이 부족하다는 사실이 미래의 모든 투자를 정당화하지는 않는다.

기업들이 건설한 데이터센터가 대거 가동되는 시점에 수요 증가세가 둔화하거나 AI 모델의 효율이 예상보다 빠르게 개선되면 공급이 남을 가능성은 있다.

AI 연산 수요가 계속 증가하더라도 투자수익률은 별개의 문제다.

반도체의 교체 주기가 짧아지거나 전력 비용과 감가상각 부담이 커지면 높은 매출 성장에도 불구하고 기대한 이익을 얻지 못할 수 있다.

이 때문에 AI 산업의 실제 수요와 개별 기업의 투자수익률을 구분해야 한다.

더 나아가 기업의 수익성과 주식시장의 평가도 다른 문제다.

AI 서비스가 빠르게 성장하고 특정 기업이 높은 이익을 올리더라도, 이미 주가에 지나치게 큰 기대가 반영돼 있다면 투자자는 손실을 볼 수 있다.

실제 수요가 존재하는 산업에서도 개별 기업의 과잉투자와 주가 거품은 발생한다.

그러나 미래에 공급과잉이 발생할 가능성이 있다는 것과 현재 공급과잉이 발생했다는 것은 다르다.

지금 확인되는 고객 수요를 무시한 채 과거의 거품 사례만으로 AI 산업 전체를 평가하면 현재 시장에서 벌어지는 변화를 놓칠 수 있다.

산업의 성장성, 실제 수급 상황, 개별 기업의 투자수익률은 각각 판단해야 한다.

AI 거품론 역시 어느 영역에 거품이 존재한다고 주장하는지에 따라 전혀 다른 이야기가 된다.

5. AI 거품을 판단할 때 무엇을 봐야 할까?

과거 통신망 과잉투자는 새로 구축한 설비가 실제 고객 수요와 얼마나 빠르게 연결되는지 확인해야 한다는 교훈을 남겼다.

현재 AI 산업에도 같은 질문을 적용할 수 있다.

우선 데이터센터를 얼마나 많이 건설하는지보다 새로 확보한 연산 자원이 얼마나 빠르게 사용되는지 살펴볼 필요가 있다.

새로운 데이터센터가 가동될 때 고객의 이용량과 매출이 함께 증가한다면 실질적인 수요가 설비 확장을 뒷받침하고 있다는 근거가 된다.

AI 모델의 성능 향상도 중요하지만, 그 성능을 이용하기 위해 고객이 실제로 얼마나 많은 비용을 지불하는지가 더 직접적인 신호다.

특히 AI 기업들 사이에서 맺어지는 대규모 계약을 넘어 최종 고객의 지출이 지속적으로 증가하는지를 확인해야 한다.

이는 AI 서비스가 투자 경쟁만으로 성장하고 있는지, 경제 전반에서 새로운 수요를 만들어내고 있는지 구분하는 데 도움이 된다.

공급이 늘어나는 속도와 수요가 증가하는 속도의 관계도 중요하다.

데이터센터의 이용률이 떨어지고 신규 연산 자원이 충분히 활용되지 못하기 시작한다면 과잉투자의 징후일 수 있다. 반대로 설비를 계속 늘려도 고객 수요를 충족하지 못한다면 추가 투자를 설명할 경제적 근거는 강해진다.

투자 규모만으로는 거품 여부를 판단하기 어렵다.

그 돈으로 구축한 설비가 실제로 얼마나 사용되고 있으며, 고객의 지출이 얼마나 지속적으로 늘어나고 있는지가 중요하다.

2000년대 초 통신사업자들은 구축한 통신망을 채울 고객을 기다렸다.

2026년 주요 AI 클라우드 기업들은 늘어나는 고객 수요를 감당하기 위해 연산 자원을 확충하고 있다.

두 시대 모두 거대한 자본이 움직이고 있지만, 그 자본이 필요한 이유까지 같지는 않다.

공급이 수요를 쫓아가고 있는가, 아니면 수요가 공급을 따라오기를 기다리고 있는가?

세상은 복잡하지만, 핵심은 단순합니다.
저는 당신에게 정보가 아닌 '프레임'을 건넵니다.
- 범뷰(BeomView) -