본 문서는 OKX Ventures가 제작한 심층 리서치 보고서입니다. 분량이 길어 상·하 두 편으로 나누어 발행합니다: 상편은 컴퓨팅 파워 자산화, 리스크 익스포저 및 파생상품 가격 결정 로직에 초점을 맞추고, 하편은 컴퓨팅 파워 금융 인프라, 추론 자산화 기회 및 업계 트렌드를 중점적으로 분석합니다. 본 편은 상편입니다.

서론: 컴퓨팅 파워의 자산화와 리스크 익스포저

AI 인프라는 자본 집약적 확장 단계에 진입하고 있으며, 컴퓨팅 파워의 경제적 속성도 변화하고 있습니다. 과거 기업들은 컴퓨팅 파워를 주문형 IT 비용으로 인식했지만, 이제 GPU, 데이터센터 용량 및 장기 구매 계약이 점점 더 대차대조표에 포함되면서 컴퓨팅 파워는 자본 자산의 특성을 갖추기 시작했습니다: 초기 투자 규모가 크고, 자금 회수에 수년이 걸리며, 미래 수익과 장비 가치는 지속적으로 수요·공급 및 기술 혁신의 영향을 받습니다.

GPU 조달과 데이터센터 구축도 점점 더 부채 자금에 의존하고 있습니다. 오늘날의 GPU 신용은 장비 담보와 장기 고객 계약을 통해 자금 조달이 가능해졌지만, 시장에는 여전히 공개적이고 표준화된 GPU-hour 선도 가격과 헤징 도구가 부족합니다. 부채는 정해진 일정에 따라 상환해야 하는 반면, 수년 후 이 GPU들이 얼마나 많은 임대료를 벌어들일 수 있고 얼마의 가치를 지닐지는 그 시점의 시장에 달려 있습니다. 레버리지가 높을수록 이러한 가격 불확실성이 채무 상환과 재융자에 미치는 영향은 더 커집니다.

1. 배경: 컴퓨팅 파워 시장의 자본 구조

1.1 컴퓨팅 파워 확장이 레버리지 단계에 진입

지난 몇 년간 AI 인프라에서 가장 주목할 만한 변화 중 하나는 자본 지출이 기업 내부 현금 흐름 확장보다 빨라지기 시작했다는 점입니다. 2020~2023년, Top 5 클라우드 업체의 AI 관련 CapEx가 영업 현금 흐름에서 차지하는 비중은 대략 20%~30% 수준이었지만, 2025년에는 약 94%에 근접했습니다. 2026년에 들어서면서 Top 5 클라우드 업체의 확정 CapEx 규모는 합산 7,000억 달러를 초과했습니다.

이들 기업은 여전히 강력한 현금 창출 능력을 보유하고 있지만, 인프라 구축이 수천억 달러 규모로 장기간 확장될 때 부채 자본이 자연스럽게 더 큰 역할을 담당하게 됩니다. 컴퓨팅 파워 자산은 독자적인 자금 조달 논리를 형성하기 시작했습니다.

GPU, 서버 및 데이터센터는 수익이 발생하기 전에 자금을 투입해야 하며, Neocloud와 같은 컴퓨팅 파워 운영업체는 일반적으로 Hyperscaler만큼 성숙한 기업 신용도를 갖추지 못했습니다. 따라서 대출 기관은 점차 프로젝트 자체에 초점을 맞춰 자금 조달 판단을 내리게 됩니다: 미래 현금 흐름이 충분히 안정적인지, 부채 원리금을 충당할 수 있는지, 그리고 채무 불이행 시 회수할 수 있는 자산 가치는 얼마인지입니다.

Take or Pay 장기계약은 이 구조가 성립할 수 있는 핵심입니다. 고객이 사전에 예약한 용량을 완전히 사용하지 않더라도 계약에 따라 약정된 비용을 지불해야 합니다. 운영자 입장에서는 미래 수익의 일부를 사전에 확보하는 셈이고, 대출 기관 입장에서는 불확실성이 높은 GPU 활용률을 예측 가능성이 더 높은 계약 기반 현금흐름으로 전환하는 것입니다.

CoreWeave는 이 모델의 가장 대표적인 사례입니다 (수익의 98% 이상이 Take or Pay 조항 계약에서 발생). 투자등급 고객의 다년 계약 비중이 높아짐에 따라, 그 자금 조달은 점점 더 인수자의 신용도와 계약 커버리지에 의존하게 되었습니다. Nebius, IREN 등 대형 고객 장기계약을 보유한 운영자들도 이후 유사한 구조를 채택하기 시작했습니다.

이로 인해 GPU 신용의 리스크 순위가 바뀌었습니다. 대출 기관은 먼저 계약 현금흐름이 부채를 충당할 수 있는지 판단하고, 마지막으로 채무 불이행 시 GPU가 얼마나 회수될 수 있는지 평가합니다. GPU 수량이 담보 규모를 결정하고, 장기 계약이 이 자산이 어떤 자금 조달 조건을 얻을 수 있는지를 추가로 결정합니다.

1.2 현금흐름이 고정된 후 남는 것은 자산 가격 리스크입니다.

Take or Pay는 상환 현금흐름의 가시성을 높였지만, GPU 자체의 경제적 가치는 계속 변동합니다. 몇 년 후 이 장비가 얼마나 많은 수익을 창출할 수 있고 얼마의 가치가 있을지는 여전히 대차대조표에 남아 있는 리스크입니다.

GPU는 생산 설비와 기술 제품이라는 두 가지 속성을 동시에 지닙니다. 지속적으로 임대 수익을 창출할 수 있지만, 매우 빠른 기술 혁신 주기에 놓여 있습니다. 새로운 세대의 칩이 출시되면 이전 세대 장비에 미치는 영향은 임대료, 활용률, 재계약 가격, 중고 시장 가치에 점진적으로 반영됩니다.

따라서 GPU의 회계상 감가상각과 경제적 감가상각은 완전히 일치하기 어렵습니다. 회계는 고정된 기간에 걸쳐 장비 비용을 상각할 수 있지만, 시장은 매일 한 장의 GPU가 얼마나 많은 경쟁력 있는 컴퓨팅 파워를 생산할 수 있는지를 재평가합니다. 대출 기관에게 핵심 변수는 궁극적으로 잔여 대출 기간 내 현금흐름과 채무 불이행 시 회수 가능한 가치로 귀결됩니다. (대형 클라우드 사업자의 데이터센터 자산 감가상각 정책에 대해 시장에서 이미 의문이 제기되고 있습니다)

이는 왜 현재 GPU 신용대출이 임대료 하락 시에도 일시적으로 안정을 유지할 수 있는지를 설명한다. 인수 고객이 계속 계약을 이행하는 한, 현물 가격 변동이 당장의 채무 상환에 영향을 미치지 않을 수 있다. 리스크는 오히려 계약 갱신, 재융자, 채무 불이행 처리 등 여러 시점에 집중된다. 이러한 시점에 이르면 GPU의 시장 임대료와 잔존가치가 대출의 안전마진을 다시 결정하게 된다.

임대료와 장비 가치가 대출 원금 상환 속도보다 빠르게 하락하면 LTV가 다시 상승하고, 대출의 안전마진은 그만큼 줄어든다. 장기 계약은 리스크를 뒤로 미룰 수 있지만, 장비의 전체 수명 주기 내 경제적 가치를 고정할 수는 없다.

현재 컴퓨팅 신용대출 구조의 공백은 따라서 명확하다: 계약이 일부 고객의 지불을 묶어두지만, GPU의 시장 가격은 여전히 변동적이다.

시장은 현재 주로 다년제 용량 계약을 통해 가격을 사전에 고정하고 있다. 초기 H100 1년 계약은 현물 대비 뚜렷한 할인이 있었지만, 현물 가격 하락과 선물 계약 가격 상승에 따라 양자 간 가격 차이는 크게 좁혀졌다. 공급 개선과 계약 조건 변화가 모두 이 결과에 영향을 미칠 수 있지만, 이는 동시에 더 근본적인 문제를 반영한다: 표준화된 선도, 선물, 스왑 도구가 부재한 상황에서 산업 참여자들은 장기 실물 계약이 조달과 가격 관리라는 두 가지 기능을 동시에 수행하도록 할 수밖에 없다.

장기 계약은 개별 거래 당사자 간의 리스크 배분을 완료할 수 있다. 시장이 지속적으로 공개 가격을 형성하고 기관 간 리스크를 이전해야 할 때는 더욱 표준화된 금융 도구가 필요하다. 점점 더 많은 GPU 자산이 부채 자본으로 뒷받침됨에 따라 이러한 수요는 더욱 뚜렷해질 것이다.

둘째, 컴퓨팅 시장이 실제로 거래해야 하는 것은 무엇인가?

컴퓨팅 파워가 자본 구조에 진입하면 가격 변동은 명확한 부담 주체를 갖게 된다. Neocloud는 임대료 하락 리스크를 보유하고, AI 기업은 조달 비용 상승 리스크를 보유하며, 채권자는 잔존가치와 재융자 리스크를 보유한다. 파생상품 시장은 바로 이러한 대차대조표가 스스로 소화하지 못하는 리스크에서 진정으로 형성되기 시작한다.

2.1 세 가지 참여자 유형과 리스크 노출

컴퓨팅 가격 변동은 결국 세 가지 유형의 대차대조표에 영향을 미친다. Neocloud는 초기에 GPU, 데이터센터, 자금 조달 비용을 고정하지만, 향후 임대료는 여전히 재평가될 것이다. 장기 계약이 충분히 커버되지 않으면 임대료 하락이 빠르게 EBITDA와 DSCR을 압박하므로, 선도를 매도하고 수익을 사전에 고정할 유인이 가장 크다. AI 연구소와 추론 플랫폼은 반대편에 있으며, GPU 가격 상승이 직접적으로 매출 총이익을 잠식하고, 시장이 부족할 때 가격과 용량 리스크가 동시에 발생하는 경우가 많기 때문에 비용과 가용 용량을 동시에 고정해야 한다. 대출 기관은 대출 잔액과 GPU 경제적 가치 사이에 남아 있는 안전마진에 더 관심이 있으며, 공개 지수와 선도 곡선이 부재하면 LTV, 재융자, covenant를 동적으로 관리하기 어렵다. 헤지 요건이 점차 대출 조건에 포함됨에 따라 컴퓨팅 파생상품에 대한 수요도 기업의 자발적 리스크 관리에서 더 나아가 금융 시스템 내로 진입하게 될 것이다.

2.2 잠재 시장 규모: 어떤 리스크 노출이 파생상품 시장에 유입될까

전 세계 GPU 출하량, 데이터센터 CapEx 또는 AI 인프라 규모로 컴퓨팅 파생상품의 TAM을 직접 추정하면 결과가 한 자릿수 이상 과대평가되기 쉽다.

실제로 파생상품 시장에 유입될 수 있는 것은 여전히 시장 가격에 노출되어 있고, 다른 방식으로 흡수되지 않은 리스크뿐이다.

Hyperscaler가 자체 구축하여 내부적으로 사용하는 GPU는 상당 부분의 리스크가 자체 대차대조표에 남아 있고, 이미 다년간 고정 가격 계약이 체결된 용량은 가격 리스크가 사전에 양자 간 계약에서 배분된 상태다. 이들 모두 경제적 리스크를 지니고 있지만, 반드시 매일 시장에서 거래될 필요는 없다.

따라서 전 세계 컴퓨팅 수요에서 실제 파생상품 TAM까지는 최소한 몇 단계의 필터링을 거쳐야 한다:

이것이 바로 미래 컴퓨팅 파생상품 시장의 규모가 전 세계 GPU 설치량의 단순 선형 증가보다는 merchant compute의 비중과 더 큰 상관관계를 가질 가능성이 높은 이유다.

과거에는 대량의 첨단 모델이 소수의 대형 연구소와 Hyperscaler 내부에서 실행되었고, 컴퓨팅 조달 역시 고도로 내부화되어 있었다. 오픈소스 모델의 성능이 향상됨에 따라 점점 더 많은 기업이 자체 배포하거나 워크로드를 제3자 Neocloud 및 추론 플랫폼에 위탁할 수 있게 되었다. 원래 몇몇 대형 대차대조표 안에 갇혀 있던 컴퓨팅 수요는 점차 공개 시장의 조달 주문으로 전환될 것이다. 이것이 오픈소스 모델의 발전이 주목할 만한 이유를 설명한다:

첫째, 더 많은 컴퓨팅이 실제 거래 가격을 형성하기 시작한다. 외부 거래가 충분하지 않으면 지수가 형성되기 어렵고, 선도 곡선은 말할 것도 없다.

둘째, 수요 충격이 현물 시장에 더 빠르게 전파된다. 인기 모델이 출시된 후 다수의 기업이 동시에 배포를 늘리면, 신규 수요가 제3자 GPU 용량에 직접적인 충격을 가해 가격과 가용률이 빠르게 변동한다. 공개 시장이 부담하는 한계 수요가 많을수록 임대료 변동성은 기업이 실제로 관리해야 할 P&L 리스크가 될 가능성이 높아진다.

따라서 오픈소스 모델이 컴퓨팅 금융화에 있어 진정으로 중요한 점은 시장 기반 조달의 비중을 높일 수 있다는 데 있다. 컴퓨팅은 충분한 외부 거래를 거쳐야만 비로소 지수화, 선도화, 금융화할 가치가 있는 가격을 형성하게 된다. 궁극적으로 컴퓨팅 파생상품 시장의 규모를 결정하는 변수는 1) 얼마나 많은 컴퓨팅이 공개 시장에 유입되는지, 2) 얼마나 많은 가격이 변동성을 유지하는지, 그리고 3) 그중 얼마나 많은 리스크가 기존 대차대조표에 계속 남을 수 없는지이다.

DeepSeek V4 출시 후 H100 임대료는 2주 만에 약 7.5% 상승했습니다. Kimi K3와 GLM 5.2 출시 전후에도 H100, H200 임대료에서 유사한 강세 흐름이 나타났습니다. 인기 있는 오픈소스 모델은 단기간에 대규모 배포 및 추론 수요를 창출하며, 이러한 신규 부하가 주로 Neocloud와 제3자 추론 플랫폼에 의해 처리될 때 시장은 먼저 가용률 하락, 대기열 및 할당량 축소를 경험한 후 온디맨드 임대료에 반영됩니다.

셋째, 제품 및 가격 책정: 미래 컴퓨팅 파워에 어떻게 가격을 매길 것인가?

컴퓨팅 파워 선물의 어려움은 시장에 충분히 신뢰할 수 있는 기간 가격 곡선이 아직 형성되지 않았다는 점입니다.

GPU-hour는 저장할 수 없습니다. 오늘 유휴 상태인 1시간의 H100은 이 시간 창이 지나면 영구히 사라지며, 현물이 저렴할 때 미리 매수하여 6개월 후에 인도받을 수도 없습니다. 전통 상품이 재고 차익거래를 통해 구축한 현물-선물 제약은 컴퓨팅 파워 시장에서 본질적으로 훨씬 약합니다.

이는 6개월 후 GPU가 어떤 가격에 거래되어야 하는지가 그 시점의 칩 인도, 데이터센터 및 전력 공급, 모델 효율성, 실제 주문 강도에 더 크게 의존하게 됨을 의미합니다. 하드웨어 지연은 미래 용량을 빠르게 축소할 수 있고, 소프트웨어 최적화는 GPU 수를 늘리지 않고도 상당한 유효 컴퓨팅 파워를 방출할 수 있습니다. 컴퓨팅 파워 선물 곡선은 하드웨어 공급, 에너지 제약, 알고리즘 발전에 대한 시장의 판단을 동시에 포함합니다.

3.1 재고 차익거래가 없으면, 선물 가격은 기대와 주문 흐름에 더 의존한다

원유 시장의 기간 구조는 비교적 안정적인 창고 차익거래 제약을 가지고 있습니다. 선물 가격이 현물 가격에 금융 비용과 보관 비용을 더한 것보다 현저히 높을 때, 거래자는 직접 현물을 매수하고 재고를 보유하며 선물을 매도할 수 있으므로, 가격 차이는 보유 비용에서 장기간 크게 벗어나기 어렵습니다.

컴퓨팅 파워에는 cash and carry 계층의 차익거래 제약이 없으므로, 현물 가격이 선물 곡선에 미치는 제약은 훨씬 약합니다.

따라서 미래 가격은 한계 정보에 매우 민감해집니다. Blackwell 인도 지연, 데이터센터 송전 지연은 예상 공급을 줄이고, 모델 증류, 추론 최적화 또는 차세대 칩의 단위 계산 효율성 향상은 네트워크 전체의 유효 컴퓨팅 파워를 증가시킵니다. 많은 변화가 몇 달 안에 선물 수급을 다시 쓰게 만들 수 있습니다.

이는 또한 실제 주문 흐름의 가치를 높입니다. 공개 현물 호가는 시장에 오늘 무슨 일이 일어났는지만 알려줄 뿐이며, 장기 용량 주문은 미래 수급을 더 일찍 노출시킬 수 있습니다. Neocloud와 AI Lab을 지속적으로 중개하는 Broker 또는 Dealer는 어떤 데이터센터에 여유 용량이 나타나기 시작했는지, 어떤 구매자가 6개월 후 GPU에 프리미엄을 지불할 의향이 있는지 확인할 수 있습니다. 이러한 정보는 궁극적으로 선물 호가에 직접 반영됩니다.

따라서 해시레이트 지수의 가치는 고도로 분산된 비표준 호가를 하나의 압축된 가격 기준으로 만들어 계약, 신용, 파생상품이 공동으로 참조할 수 있게 하는 데 있습니다. 특정 지수 세트가 장기 용량 계약, 대출 평가, OTC 결제, 선물 인도에 지속적으로 진입할 수 있다면, 점차 시장 전체가 공동으로 사용하는 가격 앵커가 될 것입니다. 이후 지수 제공자와 딜러가 진입 장벽을 구축할 수 있는지 여부는 실제 거래 성사와 미래 주문에 얼마나 근접해 있느냐에 크게 달려 있습니다.

3.2 GPU-hour와 AI 토큰의 금융화 속도는 동기화되지 않을 것입니다

AI 산업 체인에는 실제로 두 가지 가격 층이 존재합니다. 상류는 GPU 용량을 판매하고, 중류 추론 플랫폼은 GPU-hours를 모델 호출로 전환한 뒤 하류에 AI 토큰, API 또는 특정 워크로드를 판매합니다.

추론 플랫폼의 경우 영업 이익은 양쪽 모두에 의존합니다. GPU 임대료 상승은 입력 비용을 높이고, AI 토큰 판매 가격 하락은 수익을 압박합니다. 양쪽 모두에 거래 가능한 가격이 형성되면, 추론 플랫폼은 이론적으로 일정 기간의 compute to intelligence spread를 고정할 수 있으며, 이는 에너지 시장에서 정유사가 크랙 스프레드를 관리하는 논리와 매우 유사합니다.

다만 GPU-hour와 AI 토큰은 현재 표준화 수준에서 큰 차이가 있습니다.

GPU는 모델, 지역, 상호 연결 방식, 클러스터 규모, SLA의 차이가 있지만, 적어도 특정 세대의 칩, 인도 기한, 지역을 기준으로 표준 사양을 점진적으로 정의할 수 있습니다. H100 또는 H200 한 장은 기술적 속성에서 여전히 상대적으로 명확한 경계를 가지고 있습니다.

반면 토큰은 안정적인 경제 단위가 더 부족합니다. 단순히 토큰 수량으로 결제하면 서로 다른 모델과 서로 다른 서비스 품질을 동일한 금융 계약에 담기 어렵습니다. 동일한 백만 개의 토큰이라도 전혀 다른 성능의 모델에서 나올 수 있고, 전혀 다른 지연 시간, 처리량, 안정성에 대응할 수 있습니다. 기업 대형 고객의 실제 구매 가격은 공개 API 호가보다 낮은 경우가 많아, 게시 가격 자체만으로는 금융 결제 기준으로 삼기 어렵습니다.

또한 기술 디플레이션이 AI 토큰의 기간 가격 책정 난이도를 더욱 확대합니다. 모델 아키텍처, 추론 프레임워크, 하드웨어 효율이 지속적으로 개선되면서 동일한 품질의 작업에 필요한 컴퓨팅 비용이 매우 짧은 시간 안에 크게 하락할 수 있습니다. 기간이 길어질수록 시장이 예측해야 하는 것은 단순히 토큰 수급뿐 아니라, 미래의 한 단위 '지능 능력'에 정확히 얼마나 많은 토큰과 GPU가 필요한지까지 포함하게 됩니다.

이에 따라 수요 측면의 표준화가 반드시 Token futures에서 직접 시작되지는 않을 것입니다. 더 먼저 등장할 가능성이 높은 것은 모델 바스켓, Router, workload pricing입니다. 즉, 코딩, 검색 또는 기타 작업을 비교적 안정적인 서비스 단위로 정의하고, 하부 시스템이 동적으로 모델과 Provider를 선택하는 방식입니다. 이러한 workload가 충분한 실제 거래량을 확보한 후에야 시장은 비로소 지수와 파생상품을 형성할 수 있는 조건을 갖추게 됩니다.

GPU-hour는 기초 상품에 더 가깝고, workload는 최종 경제적 수요에 더 가깝습니다. 이 둘 사이의 표준화 과정이 컴퓨팅 파워 금융 시장의 최종 거래 대상물을 결정하게 될 것입니다.

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