AI 경쟁에서 앞서고 싶다면 모델 벤치마크 말고 다른 걸 봐야 해요. 칩 공급 계약이요. 전력 인프라 확보 상황이요.
2026년 5월, Milken Institute Global Conference에 AI 경제를 설계하는 5명이 모였어요. ASML CEO, Google Cloud COO, Perplexity CBO, Applied Intuition CEO, 그리고 LLM과 정반대 방향으로 AI를 만들고 있는 스타트업 창업자. 이들의 진단은 하나로 수렴했어요. 지금 AI의 발목을 잡고 있는 건 기술력이 아니라 물리적 제약이라고요.
이게 진짜 문제였던 거야?
Milken Institute Global Conference는 금융·경제 분야 최상위 인사들이 모이는 자리예요. AI 업계에서도 굵직한 이름들이 오는데, 올해 패널의 주제는 날카로웠어요. "AI 경제의 바퀴가 어디서 빠지고 있는가".
패널의 첫 번째 충격은 ASML CEO의 말이었어요. EUV 노광장비의 유일한 공급업체인 ASML은 "앞으로 2~3년, 어쩌면 5년 동안 시장은 공급 제한 상태"라고 확인했어요. High-NA EUV 한 대 값이 약 $3억 7천만, 연간 생산량은 20대 미만인데 2027년 말까지 이미 예약이 다 찼어요.
이게 왜 중요하냐면요. EUV가 없으면 최첨단 AI 칩이 없고, AI 칩이 없으면 데이터센터를 아무리 지어도 소용이 없어요. 흔히 병목이 전력이냐 칩이냐 논쟁하는데, 실제로는 칩을 만드는 장비 자체가 한계예요. AI 칩 공급 상한선은 ASML이 1년에 몇 대를 배송할 수 있느냐로 정해지는 구조.
그 다음엔 에너지 문제예요. Google Cloud의 Francis deSouza는 지난 분기 매출이 $200억을 돌파했고 백로그가 $2,500억에서 $4,600억으로 두 배 가까이 늘었다고 했어요. 근데 이 수요를 감당할 전력이 지구 위에 없어요. Google이 우주 궤도 데이터센터를 "진지하게 검토"하는 이유가 여기 있어요. 우주에서는 태양광을 24시간 방해 없이 받을 수 있고, 지상 설비 반대 민원도 없거든요.
자율주행·드론·농업 로봇 같은 '물리적 AI'는 또 다른 병목이 있어요. Applied Intuition CEO는 실세계 데이터가 진짜 병목이라고 했어요. 시뮬레이션 데이터로는 해결이 안 되는 현실 물리 상황이 너무 많다는 거예요.
가장 흥미로운 발언은 Logical Intelligence 창업자 Eve Bodnia였어요. 그는 LLM과 아예 다른 방식인 에너지 기반 모델(EBM)을 만들고 있는데요. 최대 모델이 2억 파라미터, 즉 최고 LLM 대비 수백분의 1 수준이에요. 근데 "수천 배 빠르다"고 해요. Yann LeCun이 기술 이사회 의장으로 있는 이 회사의 주장은 단순해요. LLM은 구조적으로 진짜 추론을 못 한다는 거예요.
우리가 틀리게 보고 있던 게 뭔데?
AI 업계의 일반적인 서사는 이렇게 흘러왔어요. 더 좋은 모델, 더 많은 파라미터, 더 긴 컨텍스트. 하지만 Milken 패널이 보여준 그림은 달랐어요.
| AI 경쟁의 일반적 인식 | 실제 병목 (Milken 2026) | |
|---|---|---|
| 핵심 경쟁력 | 모델 성능·파라미터 크기 | EUV 칩 확보 물량, 전력 계약 |
| 공급 제약 | GPU 대기시간 몇 주 | EUV 장비 백로그 2027년까지 마감 |
| 에너지 | 전기세 비용 문제 | 물리적 인프라 한계, 우주 데이터센터 검토 단계 |
| AI 아키텍처 | LLM이 표준, 파라미터 경쟁 | EBM이 동일 과제를 1/3,750 비용에 해결 중 |
| 지정학 | 규제·윤리 이슈 | 물리적 AI는 국경 안에서 동작 → 주권 문제로 비화 |
Perplexity의 Shevelenko는 AI 에이전트를 "디지털 노동자"라고 불렀어요. 이 에이전트들이 기업 안에서 실제로 작동하려면 단순한 기술력이 아니라 세밀한 권한 제어 구조가 필요하다고 했어요. "세밀한 권한 관리가 좋은 보안 위생의 토대"라는 말은 지금 당장 AI를 조직에 도입하는 팀이라면 체크해야 할 포인트예요.
Younis가 지적한 물리적 AI의 지정학도 인상적이었어요. 자율주행차·드론·광산 장비는 눈에 보이는 물리적 경계 안에서 움직여요. 핵무기를 가진 나라보다 로보택시를 운영할 수 있는 나라가 더 적다는 말이 과장처럼 들릴 수 있는데, 인프라·법규·데이터 주권을 동시에 갖춰야 하니까 실제로 그래요. 중국이 소프트웨어 AI에서 강하더라도 EUV 접근 제한이 모델 레이어 아래를 막는다는 분석도 이 맥락이에요.
핵심만 정리: 5가지 병목과 전략
- 칩 공급 — 2027년까지 이미 예약 마감
ASML EUV 장비 없이는 첨단 AI 칩이 안 나와요. High-NA EUV 한 대가 $3.7억, 연간 20대 미만 생산. 직접 칩 공급망을 가진 회사가 아니라면, 지금 쓸 수 있는 컴퓨팅 자원을 최대한 효율적으로 쓰는 전략이 현실적이에요. - 에너지 — 지구 위에 공간이 없다
미국 데이터센터 연결 대기열이 전체 전력망 용량을 초과했어요. 계획된 2026년 데이터센터 30~50%가 2028년으로 밀린다는 분석이 있어요. Google의 우주 데이터센터 검토는 농담이 아니에요. 에너지 효율 높은 모델을 쓰는 것만으로도 지금 당장 비용 구조가 바뀌어요. -
실세계 데이터 — 시뮬레이션으로는 못 메운다
물리적 AI(자율주행·로봇)에서 실세계 데이터 수집이 진짜 병목이에요. 소프트웨어 AI와 달리 실패 케이스를 반복 수집하기 어려워요. 이 분야 진출을 고민하는 팀이라면 데이터 수집 파이프라인 구축이 핵심 투자 포인트예요. - LLM의 대안 — 같은 과제, 1/3,750 비용
모든 문제에 GPT급 모델을 쓸 필요가 없어요. Logical Intelligence의 EBM은 복잡한 추론 과제를 $4에 해결했는데, 동일 과제에 최상위 LLM은 $15,000이 든다는 비교가 있어요. 과제별 적합 모델을 고르는 설계력이 실제 비용을 결정해요. - 지정학 — 물리적 AI는 국경 문제
클라우드 AI는 국경이 없지만, 드론·자율주행·로봇은 달라요. 지역마다 다른 규제·데이터 주권·수출 통제가 적용돼요. AI 인프라를 구축하는 기업이라면 어느 나라에서 데이터를 처리하고 모델을 운영하는지가 전략적 결정이 됐어요.
실무 관점 포인트
공급망 병목과 에너지 제약이 AI 비용을 구조적으로 높이는 지금, 팀 전략의 핵심은 "어떤 모델을 쓸 것인가"보다 "어떤 과제에 얼마를 써야 하는가"의 설계예요. 모델 선택보다 아키텍처 설계가 먼저입니다.
