TL;DR

· 모건스탠리 추산, 1GW GB300 연산력을 모델 API에 사용 시 모델 레이어 ROIC는 약 20%~60%.

· 클라우드 플랫폼이 GPU를 직접 임대할 경우, 75% 가동률 기준 IaaS ROIC는 약 23%~39%.

· 보고서는 아마존과 구글을 계속 긍정적으로 전망; 메타는 여전히 최우선 추천 종목이나, AI 수익은 주로 광고, 자체 앱, 오픈 모델 생태계에서 발생.

모건스탠리 브라이언 노왁(Brian Nowak) 팀은 최신 보고서에서 반직관적인 판단을 제시했다: 오픈 가중치 모델이 AI 토큰 가격을 낮추고 있지만, 연산력, 스케줄링 역량, 기업 진입점을 보유한 플랫폼은 여전히 AI 자본 지출에서 상당한 수익을 얻을 수 있다는 것이다.

보고서는 두 가지 시나리오를 각각 계산했다.

모델 API 레이어에서 모건스탠리는 1GW GB300 데이터센터를 기준으로, 백만 토큰당 가격을 1~2.5달러, GPU당 처리량을 초당 2000~3500 토큰으로 가정하고, 연산력의 50%~80%를 추론에 사용한다고 설정했다. 다양한 시나리오 조합에서 모델 레이어 ROIC는 약 20%~60%로 나타났다.

클라우드 플랫폼 레이어에서 보고서는 1GW 데이터센터에 약 41만 개의 GB300을 배치하고, GPU 가동률을 75%, 임대 가격을 시간당 7~10달러로 가정했다. 이에 따라 클라우드 플랫폼이 GPU 연산력을 임대하는 IaaS ROIC는 약 23%~39%로 추산된다.

이 두 수치는 모건스탠리의 핵심 판단을 함께 설명한다: AI 모델 가격 하락은 먼저 모델 제공업체의 단위 경제성에 타격을 주지만, 아마존, 구글 등 클라우드 플랫폼의 경우 기업의 AI 도입은 여전히 GPU, 스토리지, 데이터베이스, 보안, 모델 배포 도구를 필요로 한다. 모델은 저렴해질 수 있지만, 모델을 수용하는 인프라의 가치는 그로 인해 사라지지 않는다.

오픈 가중치가 가격을 낮추고, 더 많은 AI 워크로드 도입을 촉진

오픈 가중치 모델의 직접적인 영향은 기업이 AI를 사용하고 배포하는 진입 장벽을 낮추는 것이다.

폐쇄형 모델과 달리, 오픈 가중치 모델은 사용자가 모델 가중치를 다운로드하고, 사유 데이터로 미세 조정하거나 재학습할 수 있으며, 로컬, 클라우드 또는 API에서 배포를 선택할 수 있게 한다. 기업은 단일 모델 공급업체에 완전히 의존할 필요 없이, 데이터, 비용, 배포 방식을 더 유연하게 통제할 수 있다.

개방형 가중치 모델과 폐쇄형 가중치 모델의 차이점에는 가중치 다운로드 가능 여부, 프라이빗 데이터 미세 조정 지원 여부, 자체 하드웨어에서 실행 가능 여부가 포함됩니다.

대가로, 모델 API의 높은 가격을 유지하기가 점점 어려워지고 있습니다. 프런티어에 근접한 성능의 저비용 모델이 증가함에 따라, 모델 연구소는 더 낮은 가격, 더 빠른 응답, 더 완전한 도구 체인을 통해 고객을 확보하기 위해 경쟁해야 합니다. 보고서에 따르면, Meta가 최근 출시한 Muse Spark 1.2와 같은 저가 프런티어 근접 모델이 모델 계층의 가격 경쟁을 더욱 심화시키고 있습니다.

이것이 시장이 AI 자본 지출 수익을 우려하는 이유이기도 합니다. 기술 기업들은 수백억 달러를 투자해 GPU를 구매하고 데이터 센터를 건설하며 전력을 확보하고 있습니다. 추론 가격이 지속적으로 하락한다면, 최종 수익은 점점 더 세 가지 변수에 의존하게 됩니다: GPU 활용률, 단일 카드 토큰 처리량, 그리고 AI 워크로드가 다른 클라우드 서비스 수익을 견인할 수 있는지 여부입니다.

모건스탠리는 가격 하락이 모델 계층의 이익을 압박하지만, 반드시 전체 AI 인프라 수익이 동시에 악화되는 것은 아니라고 판단합니다. 더 저렴하고 유연한 모델은 더 많은 기업이 AI를 채택하도록 촉진하여, 궁극적으로 하위 컴퓨팅 파워와 클라우드 서비스에 대한 수요를 확대할 수 있습니다.

20%-60%: 모델 API 계층의 수익 추정

모델 API 계층의 추정은 세 가지 핵심 변수를 중심으로 전개됩니다: 토큰 가격, GPU 처리량, 추론에 사용되는 컴퓨팅 파워 비중.

모건스탠리는 백만 토큰당 약 1.75달러를 기준 가격으로 설정하고, 1~2.5달러 구간에서 시나리오 분석을 진행했습니다. 보고서는 DeepSeek-V4-Pro 1.6T와 같은 개방형 가중치 모델의 GB300 하드웨어 공개 추론 벤치마크를 참고하여, 단일 GPU 처리량을 초당 2000~3500 토큰으로 가정했습니다.

기준 시나리오에서 보고서는 컴퓨팅 파워의 65%가 추론에 사용되고, 단일 GPU가 초당 2750 토큰을 처리하며, 백만 토큰당 가격이 1.75달러라고 가정하여, 약 400억 달러 수익/GW에 해당합니다. 전체 시나리오 구간에 해당하는 수익은 약 230억~520억 달러/GW입니다.

이에 따라 보고서는 1GW GB300 컴퓨팅 파워에 해당하는 모델 계층 ROIC가 약 20%~60%라고 추정합니다.

모델 API 수익 및 비용 프레임워크. 토큰 가격, 처리량, 추론 컴퓨팅 파워 비중에 따라 GW당 약 230억~520억 달러의 수익이 발생합니다.

여기서 주의할 점은, 20%~60%가 고정된 1.75달러 가격에서 자동으로 얻어지는 수익이 아니라, 다양한 가격, 처리량, 컴퓨팅 파워 배분 조합으로 형성된 시나리오 구간이라는 것입니다.

이 회계가 실현될 수 있을지는 효율성 향상이 가격 하락을 앞지를 수 있는지에 달려 있습니다. 토큰 가격이 계속 빠르게 하락하는데 GPU 활용률과 처리량이 동시에 개선되지 않으면 모델 레이어의 수익은 뚜렷하게 줄어들 것입니다.

23%-39%: 클라우드 플랫폼의 GPU 임대 회계

아마존과 구글 같은 클라우드 플랫폼에게 더 직접적인 수익원은 모델 API의 가격 리스크를 스스로 부담하는 대신 컴퓨팅 파워를 임대하는 것입니다.

모건스탠리는 1GW GB300 데이터 센터에 약 41만 개의 GB300을 구성할 수 있다고 가정합니다. 75% 활용률에서 각 GPU의 임대 가격이 시간당 7~10달러라면 연간 수익은 GW당 약 189억~270억 달러에 해당합니다.

IT 장비 감가상각, 비IT 자산 감가상각, 전력, 인건비 및 유지보수 비용을 차감한 후, 보고서는 클라우드 플랫폼의 GW당 세후 영업 이익이 약 89억~153억 달러로 추정되며, 이에 따른 ROIC는 약 23%~39%입니다.

클라우드 플랫폼 GB300 GPU 임대 모델. 시간당 7~10달러의 임대 가격은 약 23%~39%의 ROIC에 해당합니다.

이 계산은 모건스탠리의 클라우드 플랫폼 AI 자본 지출에 대한 낙관적 판단을 더 직접적으로 뒷받침합니다.

모델 API 가격이 하락하더라도 기업은 여전히 오픈 웨이트 모델을 실행하기 위해 GPU를 임대해야 합니다. 클라우드 플랫폼에게 핵심은 개별 토큰을 얼마나 비싸게 팔 수 있느냐가 아니라, 희소한 컴퓨팅 파워가 높은 활용률과 임대 가격을 유지할 수 있느냐입니다.

모건스탠리는 또한 저가 모델이 더 많은 사용량을 가져올 수 있다고 강조합니다. 단위 가격과 마진이 하락하더라도 AI 워크로드의 전체 규모가 확장되면 클라우드 플랫폼의 EBIT 절대액은 여전히 성장할 수 있습니다.

클라우드 플랫폼이 파는 것은 GPU와 토큰만이 아니다

모건스탠리는 클라우드 플랫폼이 가격 전쟁을 흡수할 수 있는 데는 네 가지 주요 이유가 있다고 봅니다.

첫째, 컴퓨팅 파워는 여전히 희소합니다. 기업이 오픈 웨이트 모델을 선택하더라도 GPU, 추론 클러스터, 스토리지, 네트워크 및 보안 환경이 필요합니다. 대기업은 자체 인프라를 구축할 수 있지만, 더 많은 고객은 여전히 AWS, Google Cloud 또는 Azure를 통해 컴퓨팅 파워를 임대하고 모델을 호스팅할 것입니다.

둘째, 클라우드 플랫폼은 규모를 통해 시스템 효율성을 높일 수 있습니다. 더 큰 메모리 용량, 더 빠른 상호 연결, MoE 아키텍처 및 요청 배치 처리는 모두 GPU당 토큰 처리량을 향상시킬 수 있습니다. 대형 클라우드 플랫폼은 더 많은 기업 고객 트래픽을 보유하고 있어 요청을 더 쉽게 통합하고 스케줄링하여 GPU 활용도를 높일 수 있습니다.

셋째, 자체 개발 칩은 서비스 비용을 절감할 수 있습니다. 아마존은 Trainium을, 구글은 TPU를 보유하고 있습니다. 자체 개발 칩과 소프트웨어 최적화는 클라우드 플랫폼이 가격 경쟁에서 더 큰 조정 여지를 확보하게 하고, 단일 GPU 공급업체에 대한 의존도도 낮춥니다.

넷째, AI 워크로드는 다른 클라우드 서비스 수익도 견인합니다. 기업이 AI를 배포할 때 일반적으로 객체 스토리지, 데이터베이스, 벡터 검색, RAG, 보안 거버넌스, 인증 및 모니터링 서비스도 추가로 구매해야 합니다. 이러한 부가 서비스는 각 AI 워크로드가 창출하는 클라우드 수익을 확대하고 전반적인 수익 기여도를 높일 수 있습니다.

따라서 오픈 가중치 모델이 API 토큰 수익을 '유치 상품'으로 만들 수 있지만, 동시에 더 많은 GPU 임대, 데이터 스토리지 및 데이터베이스 수요를 창출할 수도 있습니다.

아마존, 구글, 메타의 수익 논리는 동일하지 않습니다

위와 같은 판단에 따라 모건스탠리는 아마존과 알파벳에 대해 '비중 확대' 등급을 유지하며, 목표 주가는 각각 335달러와 400달러로 설정했습니다.

아마존의 강점은 AWS 기업 고객 기반, Trainium 자체 개발 칩 및 완전한 클라우드 서비스 생태계에 있습니다. 구글은 TPU, Gemini 모델, 검색 및 YouTube 애플리케이션 시나리오, 그리고 Google Cloud의 기업 유통 역량을 동시에 보유하고 있습니다. 두 회사 모두 AI 자본 지출의 수익은 주로 컴퓨팅 파워 임대, 모델 호스팅 및 클라우드 서비스 연동에서 발생합니다.

메타의 논리는 다릅니다.

모건스탠리는 여전히 메타를 최우선 추천 종목(Top Pick)으로 선정하고 '비중 확대' 등급과 775달러 목표 주가를 부여했지만, 메타는 AWS나 Google Cloud와 같은 의미의 기업용 클라우드 플랫폼이 아닙니다. 메타의 AI 투자는 주로 오픈 모델 생태계, 광고 추천 효율, 자체 애플리케이션 및 데이터센터 역량을 통해 실현됩니다.

메타의 목표 주가 및 위험-수익 가정.

보고서는 메타의 AI 투자가 사용자 참여도, Reels 상업화 및 광고 측정 역량을 개선하고 신제품에 성장 공간을 제공할 수 있다고 판단합니다. 그러나 데이터센터 구축 실행이 부진하고 자본 집약도가 계속 상승하는 반면, 추가된 컴퓨팅 파워가 충분한 수익을 창출하지 못한다면 잉여현금흐름과 기업가치 평가에도 부담이 될 수 있습니다.

최대 위험은 가격이 효율성 개선보다 더 빠르게 하락하는 것

이 보고서는 AI 가격 전쟁을 부정하지 않는다.

저비용 오픈 가중치 모델이 프런티어 성능에 근접함에 따라 기업들은 비용, 지연 시간, 배포 유연성 및 데이터 통제권에 더 주목하게 될 것이다. 모델 연구소가 고가 API만으로 높은 이익을 얻기는 점점 더 어려워질 것이며, 도구 체인, 기업 유통, 애플리케이션 시나리오 및 생태계의 중요성은 계속해서 커질 것이다.

클라우드 플랫폼 역시 중자산 부담에 직면해 있다. 1GW GB300 데이터 센터는 칩, 서버실, 전력, 네트워크 및 감가상각을 포함하며, 어떤环节의 비용 상승도 최종 수익에 영향을 미친다. 기업 AI 애플리케이션 확산이 예상보다 느리면 GPU 활용률이 부족해지고, 자본 지출이 이익으로 전환되기 더 어려워진다.

처리량 향상도 자동으로 실현되지 않는다. 하드웨어 업그레이드, MoE 아키텍처 및 요청 배치 처리는 모두 효율성을 높일 수 있지만, 모델, 칩, 네트워크, 소프트웨어 스택 및 실제 고객 요청이 함께 협력해야 한다.

따라서 모건스탠리의 결론은 "AI 가격 전쟁이 영향이 없다"는 것이 아니라: 토큰 가격이 하락할 때 모델 레이어가 가장 먼저 압박을 받고, 희소한 컴퓨팅 파워, 시스템 최적화 능력 및 기업 클라우드 진입점을 보유한 플랫폼은 GPU 임대, 규모의 경제 및 부가 클라우드 서비스를 통해 가격 경쟁을 흡수할 더 큰 역량을 갖추고 있다는 것이다.

앞으로 실제로 주목해야 할 것은 클라우드 플랫폼의 처리량 및 활용률 향상이 AI 가격 하락 속도를 지속적으로 앞지를 수 있는지 여부다.

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia