251110 BlackRock - Technology 2025 Midyear Outlook

AI 도입 가속화 및 시장 전망 AI 도입을 통해 정량화 가능한 혜택을 확인하는 기업의 비중이 꾸준히 증가하고 있는 중임 이는 2026년까지 이익 주도권이 확대될 것이라는 시장 전망을 뒷받침하며, 지수 밸류에이션을 높은 수준으로 유지하는 데 도움이 됨 현재 상황은 1999년~2000년 닷컴 버블 시기와 몇 가지 주요한 차이점이 있다고 판단함 주요 요점 애널리스트들이 '채택 기업(adopters)'으로 분류한 회사 중 정량적 영향을 언급한 기업 비중은 2024년 3분기 15%에서 2025년 3분기 24%로 꾸준히 증가했음 더 넓은 S&P 500 기업 중에서도 측정 가능한 혜택을 언급한 비중은 같은 기간 11%에서 15%로 증가했음 AI 도입은 향후 6~12개월 동안 시장 주도권 확대 및 긍정적인 영업 레버리지를 예상하는 미국 주식 전략의 주요 동인임 1999년~2000년 대비 밸류에이션 차이: 현재 중간 규모 대형주의 FCF(자유 현금 흐름) 수익률은 약 3배 높고, 마진을 조정한 선행 P/E는 약 35% 낮으며, 상위 10개 종목의 가중치는 당시보다 13턴 낮게 거래됨 2022년 말 ChatGPT 출시 이후 AI는 시장 전반의 핵심 동력으로 부상했음 현재 혁신은 과거 컴퓨팅 사이클과 유사한 패턴, 즉 반도체 -> 인프라 -> 인터넷/소프트웨어/서비스 순으로 가치 창출이 발생하는 단계를 따르고 있음 AI의 영향은 기술 부문에 국한되지 않으며, 전 산업에 걸쳐 기술 확산을 통해 실질적인 이득을 실현하기 시작함 시장 주도권 및 밸류에이션 비교 AI 도입은 향후 6~12개월 동안 가격 성과와 이익 기여도 측면에서 주도권이 확대될 것이라는 미국 주식 전략의 핵심 동인임 기본 시나리오상 AI 기반 효율성은 2026년/2027년 S&P 500 순이익 마진에 각각 30bp/50bp의 증분 기여를 할 것으로 예상되며, 이는 영업 레버리지 스토리의 중요한 부분임 2026년까지 밸류에이션이 과거 대비 높은 수준이더라도 현재 수준에서 지지될 수 있다는 점이 긍정적인 전략의 한 축임 AI Capex(자본적 지출) 붐으로 인해 1999년~2000년과 같은 밸류에이션 버블의 막바지 단계인지에 대한 질문이 제기됨 닷컴 버블 시기 대비 주요 차이점을 발견했음: 현재 주가 지수는 닷컴 시대보다 더 높은 품질 특성을 지님 중간 규모 대형주의 자유 현금 흐름(FCF) 수익률은 2000년보다 거의 3배 높음 S&P 500의 선행 P/E 비율을 이익 마진으로 조정한 결과, 현재 지수는 기술 버블 고점 대비 약 35% 할인된 수준에서 거래됨 전반적으로 운영 효율성, 강력한 수익성, FCF 창출 등 1990년대 후반보다 품질이 높은 지수 특성을 보임 신용 전략 측면 비교: 1990년대 후반 통신 인프라 구축 당시에는 기업 부채가 주요 자금 조달원이었고 레버리지가 급격히 상승했으며, 당시 주요 기업들은 오늘날 하이퍼스케일러들이 보유한 강력한 현금 보유액이 부족했음 현재 사이클은 이와 달리 강력한 대차대조표, 더 높은 신용 등급, 깊은 유동성 완충 장치를 기반으로 하고 있음 오늘날 신용 시장은 깊이가 깊어, 기업들이 다양한 신용 옵션(일반 기업 신용, 증권화 시장, 사모 신용, 은행 대출)을 선택할 수 있으며, 이는 신용 위험을 적절한 투자자에게 분산하는 데 도움이 됨 정량화 가능한 AI 혜택 분석 개요 배경: 기업들이 AI 도입으로부터 정량화 가능한 효율성 증대를 어느 정도 보고 있는지에 대한 투자자들의 질문에 답하고자 함 분석 방법: GPT 모델을 활용하여 약 7,400개의 실적 발표 스크립트와 6,100개의 컨퍼런스 스크립트를 분석하여 경영진의 정량적 혜택 소통 방식을 추적했음 AI 도입의 정량적 혜택 6가지 주요 카테고리를 식별했음: Financial Impact (재무적 영향) Productivity Gain (생산성 증대) Sales, Marketing, & Customer Growth (판매, 마케팅, 고객 성장) Product Innovation & Development (제품 혁신 및 개발) Governance, Risk, & Security (거버넌스, 위험 및 보안) Other/Cross Functional Benefits (기타/교차 기능 혜택) AI 혜택 분류 (Exhibit 1: AI Benefit Classifications) AI 혜택 언급 증가 추이 및 주요 분야 ( AI 도입의 정량화 가능한 혜택을 언급한 기업의 비중은 꾸준히 증가하는 추세임 애널리스트가 선정한 AI 채택 기업: 2024년 3분기 15% -> 2025년 3분기 24%로 상승 S&P 500 기업: 2024년 3분기 11%-> 2025년 3분기 15%로 상승 기업들이 AI 도입을 가속화하고 AI 도구 접근성을 높이면서 이러한 추세는 계속될 것으로 예상됨 정량적 혜택 논의의 증가 추이 (Exhibit 2: Discussions of Quantifiable Benefits from AI Are Rising) 현재 정량적 혜택 논의의 대다수는 "생산성 증대" (운영 및 프로세스 효율성 또는 전반적인 성능 개선)와 관련됨 이 카테고리는 전년 대비 가장 큰 폭의 언급 증가를 보였음 상당수의 언급은 "재무적 영향" (수익 성장/창출, 비용 절감, 투자 및 자본 영향 포함)과도 관련됨 카테고리별 AI 혜택 언급 추이 (Exhibit 3: Category Level Mentions of AI Benefits) 섹터별 AI 도입 현황 S&P 500 섹터별 AI 기반의 실질적인 개선 사항을 언급한 기업의 비율을 분석했음 기술(Tech) 섹터는 기업의 39%가 정량적 혜택을 언급하며 가장 높게 나타났음 통신 서비스(Communication Services)가 26%로 다음이며, 금융(Financials)이 16%로 세 번째였음 (S&P 500 평균은 15%임) 산업 그룹별 기술 섹터: 소프트웨어 및 서비스가 59%로 가장 많았고, 기술 하드웨어 및 장비가 33%였음 전년 대비 추세: 기술 섹터가 2024년 3분기 26%에서 39%로 가장 크게 증가했고, 에너지가 0%에서 10%로 증가하여 그 다음을 이었음 S&P 500 섹터별 정량적 AI 영향 언급 기업 비중 (Exhibit 4: Percent of Companies within S&P 500 Sectors Mentioning Quantifiable AI-Related Impacts) 산업 그룹별 도입 및 밸류에이션 논의 재개 S&P 500 산업 그룹별 정량적 AI 영향 언급 기업 비중 (Exhibit 5: Percent of Companies within S&P 500 Industry Groups Mentioning Quantifiable AI-Related Impacts) 밸류에이션은 주도권이 확대됨에 따라 지지될 수 있음 AI Capex 붐으로 인해 제기되는 1990년대 후반과의 유사성에 대한 질문에 중요한 차이점이 존재한다고 재차 밝혔음 닷컴 버블 대비 밸류에이션 차이: 현재 주가 지수는 닷컴 시대보다 더 높은 품질 특성을 지님 중간 규모 대형주의 자유 현금 흐름(FCF) 수익률은 2000년보다 거의 3배 높은 수준임 S&P 500의 선행 P/E 비율을 이익 마진으로 조정한 결과, 현재 지수는 기술 버블 고점 대비 약 35% 할인된 수준에서 거래됨 운영 효율성, 강력한 수익성, FCF 창출은 1990년대 후반보다 현재 지수의 품질이 높다는 특징을 보여줌 닷컴 시대 대비 중앙값 FCF 수익률 비교 (Exhibit 6: Free Cash Flow Yield for the Median Stock Is Materially Higher Than It Was at the Height of the Dot-Com Era) 밸류에이션은 주도권 확대와 함께 지지될 수 있음 이익 마진 조정 시 밸류에이션의 합리성 (Exhibit 7: When Adjusted for Profit Margins, Valuation Looks Much More Reasonable) 높은 중앙값 EPS 성장과 완화적 통화 정책 시기의 밸류에이션 수축은 드묾 (Exhibit 8: Valuation Rarely Contracts in Periods of Above Median EPS Growth and Accommodative Monetary Policy) 최상위 종목들의 현황 시장의 경제 민감도가 높은 영역에서 성과 및 이익 기여도가 따라잡을 가능성이 크지만, 이것이 가장 큰 비중의 종목들이 향후 6~12개월 동안 지속적인 밸류에이션 압축을 겪을 것을 의미하지는 않음 상위 지수 가중 종목들의 밸류에이션을 역사적 관점에서 보면, 2022년 말(AI Capex 사이클이 지수 성과를 주도하기 직전) 이후의 중앙값 선행 P/E를 1996년~1999년의 연간 밸류에이션 고점과 비교했음 현재 이 수치(31배)는 1997년과 1998년 밸류에이션 수준 사이에 거래되고 있음 상위 10개 지수 가중 종목의 중앙값 선행 P/E는 1999년 밸류에이션 고점 대비 13턴 할인된 수준에서 거래 중임 수익성 측면에서, 상위 10개 S&P 500 가중 종목의 중앙값 영업 마진은 1999년보다 20% 이상 높음 상위 지수 가중 종목 밸류에이션 비교 (Exhibit 9: Top Index Weights Are Trading at a Material Discount to 1999 Valuation Levels; In Fact, They're Trading at a 4 Turn Discount to 1998 Valuation Levels) 상위 지수 가중 종목 수익성 비교 (Exhibit 10: Further, Profitability/Margin Characteristics of the Top Index Weights Are Much More Durable Today vs. 1999) 거시 경제 및 신용 시장 비교 거시 경제 배경 비교: 거시 경제 배경 역시 1999년~2000년과 중요한 차이점을 설명함 1999년~2000년은 경기 확장 9년 차로 고전적인 경기 후반(Late Cycle) 단계였음 현재는 2022년~2025년에 걸쳐 진행된 롤링 리세션(Rolling Recession)에서 벗어나 경기 초반(Early Cycle) 환경으로 전환 중이라고 주장함 경기 선행 지표(Conference Board LEI) 하락은 롤링 리세션을 잘 포착했으며, 경기 민감도가 높은 소형주(Small Cap) 이익이 최근 바닥을 찾고 상승하기 시작하는 것이 경기 지표 안정화의 전조로 예상됨 거시 경제 사이클 비교 (Exhibit 11: 1999-2000 Was Classic Late Cycle; Today, We're Transitioning to Early Cycle Following the 3+ Year Rolling Recession) 금리 정책 비교: 1999년~2000년에는 Fed(연준)가 금리를 인상하여 이후 밸류에이션 압축에 영향을 미쳤음 오늘날 Fed는 금리를 인하하고 있으며 2026년에도 계속 인하할 것으로 예상되어, 이번에는 밸류에이션을 지지하는 요인으로 작용함 금리 정책 비교 (Exhibit 12: Fed Was Hiking in 1999-2000; Today, They're Cutting and We Expect Them to Continue to Cut in 2026) 닷컴 시대 대비 신용 시장의 질적 차이: 1990년대 후반 통신 인프라 구축 당시, 기업 부채가 주된 자금 조달원이었고 레버리지가 급격히 상승했으며, 주요 기업들은 신용 등급이 BBB/BB로 오늘날 하이퍼스케일러들의 현금 보유액이 부족했음 대조적으로 현재 사이클은 강력한 대차대조표, 더 높은 신용 등급(AA-), 깊은 유동성 완충 장치를 기반으로 함 하이퍼스케일러의 현금/부채 비율은 132%로, 다른 섹터(Non-Fin IG 17%)보다 압도적으로 높음 또한 현재 신용 시장은 다양한 금융 상품을 통해 신용 위험의 건전한 분산을 가능하게 함 섹터별 신용 지표 비교 (Exhibit 13: The Technology Sector Broadly, and The Hyperscalers, Have Much Stronger Credit Metrics than Other Industries) 하이퍼스케일러의 부채/주식 비중 비교 (Exhibit 14: Hyperscalers Significantly Under-Represented in Credit Relative to Equities) 정량화 가능한 AI 혜택 추적 상세 분석 상세: GPT 모델을 활용하여 약 7,400개의 실적 발표 스크립트와 6,100개의 컨퍼런스 스크립트를 분석, AI 채택 기업과 S&P 500 기업의 정량적 혜택 소통을 추적했음 분석 대상: S&P 500 기업과 애널리스트가 AI 채택 또는 이네이블러 및 채택 기업으로 분류한 종목들임 AI 혜택 6가지 주요 카테고리 세부 분류 (Exhibit 15: AI Benefit Classifications) AI 혜택 분류 정의 (Exhibit 16: Classification Definitions) 정량적 혜택 언급 기업 비율 증가: 애널리스트가 선정한 AI 채택 기업: 2024년 3분기 15% -> 2025년 3분기 24%로 꾸준히 증가했음 S&P 500 기업: 2024년 3분기 11% -> 2025년 3분기 15%로 증가했음 기업들의 AI 도입 노력이 심화됨에 따라 이러한 추세는 계속될 것으로 예상됨 정량적 혜택 논의의 증가 추이 (Exhibit 17: Discussions of Quantifiable Benefits from AI Are Rising) 혜택 유형별 언급: 논의의 대다수는 생산성 증대 또는 광범위한 재무적 영향과 관련되며, 판매, 마케팅 및 고객 성장에 대한 언급도 상당했음 카테고리별 AI 혜택 언급 추이 (Exhibit 18: Category level mentions of AI Benefits) 섹터별 현황: 기술 기업이 측정 가능한 AI 영향 논의를 주도하고 있으며, 금융 기업도 상당한 언급량을 보였음 섹터별 분해 (Exhibit 19: Sector Breakdown이 여기에 들어가는 것이 좋겠음) S&P 500 섹터별 정량적 AI 영향 언급 기업 비중: 기술(Tech) 섹터가 39%로 가장 높았음 통신 서비스(Communication Services)가 26%, 금융(Financials)이 16%로 뒤를 이었음 전년 대비 추세: 기술 섹터가 2024년 3분기 26%에서 39%로, 에너지가 0%에서 10%로 가장 크게 증가했음 S&P 500 섹터별 정량적 AI 영향 언급 기업 비중 (Exhibit 20: % of Sectors Mentioning Impacts) S&P 500 산업 그룹별 정량적 AI 영향 언급 기업 비중 (Exhibit 21: Percent of ...

서론: AI 거품 논란과 역사적 교훈 최근 미국 주가가 사상 최고치에 근접하면서 자산 가격 거품에 대한 논의가 활발함. 현재 기술 섹터가 거품인지, 그렇다면 그 징후(markers)는 무엇이며, 거품이 터질 경우 글로벌 경제에 미칠 영향과 금융 위기 가능성에 대한 질문이 제기됨. 경제사를 통해 이에 대한 답변의 실마리를 찾고자 함. 역사적으로 거품을 실시간으로 정확하게 식별하거나 규모와 지속 기간을 평가하는 간단한 척도는 없음. 그러나 거품은 공통적인 특징을 가지므로, 과거 역사는 발생 가능한 '징후(markers)'를 파악하는 데 유용한 안내 역할을 함. 17세기 네덜란드의 튤립 거래부터 90년대 닷컴 열풍에 이르기까지, 오늘날의 AI 붐에 적용할 교훈이 존재함. 거품을 중앙은행 탓으로 돌리려는 경향이 있으며, 거품 형태의 과열은 '쉬운 돈(easy money)'이 풀린 기간에만 나타난다는 통념이 있음. 이는 반드시 사실은 아니나, 중앙은행은 거품이 터질 때 그 영향에 (어느 정도) 영향을 미칠 수 있으며, 갑작스러운 매파적 태도 변화로 거품의 정점을 알리는 습관이 있음은 사실임. AI '거품'에 대한 교훈으로는, 통화 긴축 정책이 거품을 터뜨릴 잠재력이 있음. 이는 인플레이션 반등으로 인해 Fed(미 연준)가 태도를 바꾸거나 채권 시장에서 '사고'가 발생할 수 있기 때문임. 그러나 과거의 거품 사례들은 다음을 포함한 다른 경고 신호들을 지적함: AI 스케일링의 수익 체감 (diminishing returns) 실망스러운 실적 (earnings disappointment) 판매자 금융 (vendor financing) 내부자 매도 (insider selling) 개인 투자자들의 전폭적인 참여 (retail investors going all-in) Chart 1: The world's most infamous bubbles 1. 거품은 어디에서 오는가? 자산 가격 거품이란? 금융 거품의 정의는 자산 가격이 펀더멘털로 정당화되지 않는 급격한 상승이며, 결국 큰 폭의 되돌림이 발생해야 함. 역사상 가장 악명 높은 거품으로는 1630년대 네덜란드 튤립 파동, 1720년 미시시피 및 남해 거품, 1840년대 철도 광풍, 1920년대 광란의 시대 등이 있음. 이 외에도 일본 부동산 붐(1989년 종료), 닷컴 버블(1990년대 후반), 서브프라임 버블(2000년대 초반) 등이 있음. 각 사례에서 자산 가격은 종종 초기 가치 대비 4~8배(튤립 파동은 훨씬 더 컸음) 급등한 후 현실로 폭락했음. 거품 식별 - 최적의 척도는 무엇인가? 사후적으로 거품을 식별하는 것은 쉬우나, 실시간으로 포착하는 것은 훨씬 어려움. 이는 '펀더멘털로 정당화되지 않는다'는 정의 자체가 펀더멘털의 미래 진화에 대한 큰 불확실성을 내포하기 때문임. 투자자들은 거품 문제를 단순한 수치적 척도로 압축하려고 시도해왔으며, 인기 있는 척도들은 다음과 같음: Z-점수 (Z-scores): 자산 가격을 평균으로 조정하고 표준편차로 나누어, 역사적 '정상'에서 얼마나 벗어났는지 확인하는 방법. 가격 움직임의 지속 가능성에 대해서는 알려주지 않음. 주가수익비율 (Price-earnings ratios, P/E): 자산 가격을 그것이 창출하는 이익과 비교하는 방법. 비교 기간 선정(과거 실적 vs. 미래 추정치)이나 로버트 쉴러(Robert Shiller)의 경기조정 P/E(CAPE)와 같은 조정 방식에 대한 큰 의견 불일치가 존재함. 워렌 버핏 지표 (The Warren Buffet Indicator): 미국 주식 시장 총 시가총액을 미국 GDP로 나눈 값. 닷컴 폭락 예측에 효과적이었으며, 시장 가치가 경제 내에서 생산된 모든 재화와 서비스의 가치를 초과할 수 없다는 논리에 기반함. CF) 버핏 지수: (미국 주식 시장 총 시가총액) / (미국 GDP) 시가총액 (Stock Market Capitalization): 이는 특정 시점에 존재하는 모든 주식의 가치를 합한 것으로, 저량(Stock)의 개념임. 한 나라의 축적된 부 또는 자산 가치를 나타냄. GDP (Gross Domestic Product): 이는 일정 기간(보통 1년) 동안 한 국가에서 생산된 모든 최종 재화와 서비스의 흐름(Flow), 즉 생산 활동의 가치를 나타내는 개념임. 주식 시장의 가치(저량)를 국내 총생산(유량)과 비교하는 것은 근본적으로 서로 다른 두 가지 경제적 변수를 비교하는 것이므로, 지표의 논리적 기초가 약하다는 비판 시가총액 대 기타 거시 변수 (Market cap vs other macro variables): 버핏 지표의 변형으로, 시가총액을 기업 이익 대비 비율이나 통화 공급량 대비 비율로 보는 방식 등이 있음. Chart 2: Everyone is talking about the bubble, Chart 3: Tulip mania 거품 척도의 한계와 킨들버거의 5단계 앞서 언급된 거품 척도들(Z-점수, P/E, 버핏 지표 등) 중 어느 것도 신뢰할 만하지 않으며, 심각한 방법론적 결함이 있음. 예를 들어, 쉴러의 CAPE는 거의 10년 동안 '평균 회귀'가 임박했음을 시사해왔음. 버핏 지표는 주식을 유량(flow)과 혼동하고, 대형 미국 주식이 다국적 기업이 된 현실을 무시하여 국내에서 생산된 재화와 서비스의 가치(GDP)와 비교하는 것이 더 이상 유용하지 않음. Chart 4: Shiller's bubble metric, Chart 5: The Warren Buffet Indicator Chart 6: A popular bubble metric on social media Chart 7: Market cap vs corporate profits 측정하기 쉬운 간단한 방법은 없지만, 거품은 공통된 특징과 유사한 행동 역학을 가짐. 1978년 Charles Kindleberger는 전형적인 거품의 5단계를 제시했음: (i) 전위 (displacement): 새롭고 파괴적인 사건이나 기술이 등장하여 투자자의 관심을 끎. (ii) 붐 (the boom): 처음에는 가격이 느리게 상승하다가, 언론 보도와 FOMO(Fear Of Missing Out)에 힘입어 더 많은 투자자가 유입되면서 탄력을 받음. (iii) 유포리아 (euphoria): 가격이 치솟고 가치가 극단적으로 변하면서 신중함이 사라짐. (iv) 차익 실현 (profit-taking): '스마트 머니'가 다른 사람들이 전환점을 알아차리기 전에 포지션을 매도하기 시작함. (v) 패닉 (panic): 매도가 가속화되어 시장이 급락하면서 거품이 터짐. 거품은 '합리적인가'? 과거에는 시카고 학파를 중심으로 시장이 효율적이므로 거품의 존재 자체에 대해 논쟁했음. 그러나 오늘날에는 학계의 초점이 인센티브, 시장 마찰 및 '비표준적 선호'와 같은 거품 생성 및 유지에 역할을 할 수 있는 요소들로 이동했음. 예시는 다음과 같음: 무리 짓기 (Herding) 및 FOMO: 거품이 상승하는 한 무리에 역행하는 것은 비용이 발생하며 , ...

1. 9월 출하량: 계절적 요인 상회 및 트렌드에 근접 9월 출하량 동향: 반도체산업협회(SIA) 데이터에 따르면, 9월 집적회로(메모리 제외) 출하량은 전월 대비 24% 증가했으며, 이는 일반적인 계절적 요인을 상회하는 수치였음. 이는 8월의 약세 이후에 나타난 현상임. 세그먼트별 현황: MPU, MCU, DSP를 제외한 모든 세그먼트의 출하량이 9월에 계절적 수준을 상회했음. 장기 수요 추적: 출하량은 현재 3개월 이동평균 기준으로 장기 수요 트렌드보다 4% 낮은 수준을 기록하고 있으며, 이는 8월의 7% 대비 개선된 것임. 업계 코멘트 일치: 지난 몇 달 동안의 개선 추세는 반도체 기업들이 최종 수요에 더 가깝게 출하하고 있다는 코멘트와 일치됨. 세부 세그먼트별 트렌드 (장기 수요 대비): IC (메모리 제외): 트렌드보다 3.7% 낮은 수준이며, 8월의 7.3%보다 개선됨. 아날로그(Analog): 트렌드보다 1.5% 낮은 수준이며, 8월의 6.1%보다 개선됨. MCU: 트렌드보다 24.8% 낮은 수준이며, 8월의 27.5%보다 개선됨. Exhibit 1: M/M% change in revenue, units and ASPs vs. historical levels가 정리 내용 바로 다음에 위치하는 것이 좋음....

AI 전력 확보 시급성 및 시장 기회 Powering AI: 시장 약세 속 기회 활용 최근 '전력 공급 시간(time to power)' 솔루션 제공업체들의 시장 약세는, 주요 AI 기업들의 전력 및 컴퓨팅 확보 시급성이 높아지는 현 상황과 일치하지 않음. 비트코인-데이터센터(DC) 전환에 대한 추가 분석 결과, 관련 거래의 경제성이 상승하고 있음이 나타남. 핵심 요약 '전력 공급 시간' 관련 주식의 최근 시장 약세는 펀더멘털 이슈를 반영한 것이 아님. 오히려 전력 확보의 시급성은 더 높아졌음. 많은 비트코인 채굴 기업 주식이 여전히 낮은 EV/watt 수준에서 거래되고 있으며, APLD 거래에서 나타난 가치 창출 사례를 확인함. APLD 거래 분석 결과, 순자산 가치 창출액은 $9/watt 이상으로, 최근 CIFR 거래의 ~$8.40/watt 수치를 상회함. 컴퓨팅 및 전력 접근성 부족으로 인해, 연료 전지/터빈, 비트코인 전환, 원자력 등 전력 확보를 위한 상당한 활동이 예상됨. 가장 매력적인 기회를 강조하는 최신 AI 인프라 가치 사슬 "히트 맵"을 제공함. Future of Energy (에너지의 미래) 2024년 1월, AI 역량의 급격한 성장에 필요한 전력에 대한 첫 번째 포괄적인 분석을 발표했음. 지난 몇 달간 데이터센터 성장을 위한 전력 확보 시급성이 가속화되는 징후가 나타났으며, AI의 비선형적 개선을 고려할 때 2026년은 더욱 활발할 것으로 보임. 주요 전력 "병목 현상 해소(de-bottlenecking)" 주식들이 2025년에 좋은 성과를 보였으나, AI 기업들에게 혁신적이고 시의적절하며 신뢰할 수 있는 전력 공급 접근 방식을 제공하는 기업들에게 지속적인 알파(alpha) 잠재력이 있다고 봄. 업데이트된 'Powering AI' 모델에 따르면, 최신 글로벌 반도체 판매량을 기준으로 2028년까지 미국의 총 전력 부족분은 45 기가와트(GW)에 달할 것으로 예상됨. 최신 'Powering Gen AI' 모델은 2025-28년 동안 총 45 GW의 전력 병목 현상을 시사함 (이는 일반적인 그리드 상호연결 프로세스에 의존하지 않는 혁신적인 '전력 공급 시간' 솔루션을 고려하기 전 수치임). 천연가스 터빈 거래가 추가로 15-20 GW의 전력을 공급할 수 있음. 블룸 에너지(BE)는 5-8 GW의 전력을 제공할 수 있음 (BE가 연간 생산 능력을 3 GW로 늘리는 강세 시나리오에서는 더 많을 수 있으며, 이는 과소평가된 가능성임). 운영 중인 원자력 발전소를 활용한 원자력 DC 거래는 5-15 GW를 제공할 수 있음. 미국 비트코인 기업들은 확고한 그리드 상호연결 계약을 맺은 100 MW 이상의 대규모 사이트를 거의 20 GW 보유하고 있음. 비트코인 사이트는 AI 기업들에게 가장 빠른 전력 공급 시간과 가장 낮은 실행 위험을 제공하며, 이 가치는 점점 더 인정받을 것으로 보임. 블룸 에너지(BE) 역시 매력적이고 신뢰성 높은 '전력 공급 시간' 솔루션으로, 빠른 물량 성장을 견인할 것임. 이 두 가지 솔루션(연료 전지, 비트코인 전환) 외에도, 상업용 전력 회사, 터빈 제조업체, 에너지 회사 등을 포함한 "모든 가능한(all of the above)" '전력 공급 시간' 거래가 나타날 것으로 예상됨. 비트코인 채굴 사이트를 HPC(고성능 컴퓨팅) 데이터센터로 전환하는 것과 관련된 가치 창출 수학은 시장에서 잘 이해되지 않고 있음. 프로젝트 자금 조달부터 궁극적인 "REIT 엔드 게임"까지의 가치 창출 사례를 제시함. 장기 임대 계약을 맺은 HPC 데이터센터는 REIT 구조 내에서 보유될 가능성이 높으며, 이는 구조적 이점과 함께 인프라 투자자들에게 적합한 (더 낮은) 자본 비용을 유치할 수 있음. 이 사례에서는 네오클라우드(neocloud) 대상 장기 임대와 하이퍼스케일러(hyperscaler) 대상 장기 임대의 두 가지 시나리오를 개발함. 2025년 10월 22일에 발표된 Applied Digital(APLD)과 익명의 "투자 등급 하이퍼스케일러" 간의 거래 조건을 삽입하여, 최신 거래 경제성에 기반한 잠정적인 지분 가치를 제시함. (표) Exhibit 1: Analysis of the Value Creation Relating to the Bitcoin-to-DC Transactions Between Applied Digital and an Unnamed "Investment Grade Hyperscaler" 이 분석에 대한 몇 가지 의견: 첫째, 네오클라우드와 하이퍼스케일러 간의 거래는 프로젝트 미상환 현금 흐름 수익률 및 레버리지 용량에서 상당한 차이가 있다고 봄. 가정한 레버리지 수준(비용의 66%)은 보수적일 가능성이 높음. 전문가들에 따르면 투자 등급 임차인과의 거래 레버리지는 80%를 초과할 수 있음. 이러한 프로젝트를 데이터센터 REIT에 매각할 때의 EV/EBITDA 밸류에이션에도 불확실성이 존재함. 하이퍼스케일러가 보증하는 프로젝트는 더 높게 평가될 것이며, 이를 네오클라우드 프로젝트 대비 2.5턴의 프리미엄으로 반영함. 상장된 데이터센터 REIT는 20배 이상의 EV/EBITDA에서 거래됨. 결과적으로 암시된 ~$8.50/watt의 가치 창출은 많은 비트코인 채굴 주식의 거래 수준을 훨씬 상회함. (모건 스탠리는 Cipher Mining Inc("Cipher")가 Fluidstack과의 코로케이션 계약(9월 25일 발표) 관련 재정 자문을 맡고 있음. 이 계약으로 Cipher는 168 MW의 IT 부하를 제공하며, Alphabet, Inc.가 Fluidstack의 임대 의무 중 14억 달러를 보증하고 Cipher 보통주 약 2,400만 주를 인수할 수 있는 워런트를 받게 됨. 이 거래는 관례적인 종결 조건의 적용을 받음.) 여러 비트코인 경영진과 미팅 결과, 전반적인 논지에 대해 긍정적인 견해를 갖게 됨. AI 커뮤니티가 전력 접근성 및 신속한 '파워드 셸(powered shell)' 건설을 확보하려는 시급성이 증가한 것으로 보임. 과거에는 장기화되고 탐색적 논의가 포함되었을 고객과의 많은 논의가 이제는 더 강도 높게, 그리고 성공적으로 합의에 이를 것이라는 일반적인 견해 하에 진행되고 있음. 하이퍼스케일러, 네오클라우드 및 기타 고객들을 위한 파워드 셸 건설 자금 조달 접근 방식을 개발함에 있어, 신용도 높은 당사자의 ...

AI 도입과 일의 미래(AI Adoption and the Future of Work) S&P 500 기업의 AI 도입 이점을 평가하기 위한 새로운 분석 프레임워크가 개발됨. 그 결과 약 9,200억 달러의 장기적인 이익 창출 잠재력이 확인되며, 이는 장기 시장 가치 창출 잠재력으로 13조~16조 달러에 해당될 수 있음. 전체 직업의 약 90%가 AI 자동화 및 증강에 의해 일정 부분 영향을 받을 것으로 평가됨. 일의 미래(Future of Work)와 일자리 창출 및 소멸 잠재력에 대한 평가가 포함됨. 세전 이익 대비 AI 가치 창출 잠재 시장(TAM)이 높은 산업군은 소비자 필수재 유통/소매, 부동산 관리 및 개발, 운송, 헬스케어 장비 및 서비스로 분석됨. AI 역량이 예상대로 빠르게 개선될 경우, AI 도입으로 인한 가치 창출 규모는 현재 추정치를 상회할 것으로 전망됨. AI 도입 이점 극대화 및 핵심 AI 인프라 제공 능력에 초점을 맞춘 다양한 테마 투자 전략이 개발됨. Why Is Our Al Adoption Work Relevant to Investing Now? 기업 AI 도입이 변곡점에 도달하는 징후가 최신 AI 매핑 업데이트를 통해 포착됨. 최신 AI 매핑 분석의 5가지 시사점은 다음과 같음: (1) AI 노출도 및 중요성이 광범위하게 확대되어 수조 달러 규모에 달함. (2) AI 중요도가 높은 기업에서 상대적 주가 성과 및 이익 추정치 상향 조정을 통해 알파(Alpha) 창출의 명확한 신호가 나타남. (3) 이번 라운드에서 AI의 '변화율' 승자는 소비자 및 부동산 부문임. (4) 금융 부문에서 AI 노출도가 크게 증가함. (5) 지역적으로 아시아 태평양 지역이 가장 두드러진 선두 주자로 나타남. AI 역량 개선 속도는 비선형적이라는 강력한 증거가 있으며, 투자자들이 이 역학을 과소평가하고 있는 것으로 보임. Agentic AI 작업 지속 시간 (복잡성의 대리 지표)은 7개월마다 두 배로 증가하고 있음. AI 역량이 비선형적인 속도로 계속 개선될 경우, AI 도입으로 인한 가치 창출 규모는 이미 높은 추정치를 넘어설 것으로 예상됨. How Does Our Work Impact Our Top-Down US Equity Strategy View? Morgan Stanley의 US Equity Strategy팀은 AI 기반 가치 창출 및 효율성 측면에서 헬스케어 장비 및 서비스, 운송, 소비자 서비스, 소프트웨어 및 서비스, 자본재, 자동차 및 부품, 소비자 필수재 유통 및 소매 부문이 상대적으로 더 큰 잠재적 기회를 가진 것으로 판단됨. 또한, 산업재는 저평가된 구조적 수혜자로 간주되며, 이는 비중 확대 의견을 지지함. Expected Best Practices for Al Adoption 성공적인 기업의 AI 도입 모범 사례가 제시됨. 이중 초점 - 효율성 및 혁신: 성공적인 기업은 AI를 반복적인 프로세스 자동화(비용 절감, 오류 감소)와 팀 역량 증강(제품 혁신 및 매출 촉진)을 위한 전략적 양방향 지렛대로 활용함. 인력 증강: AI를 직원 역량 강화를 위한 도구로 강조하며, AI가 단순 반복 작업을 처리하고 인간은 고부가가치 업무에 집중하도록 워크플로우가 재설계됨. 이 접근 방식은 사기 및 조직 지식을 유지하면서 생산성을 높이는 것으로 평가됨. 인재 및 거버넌스 구축: 기업은 대규모 AI 지원을 위해 인력 및 프로세스에 투자함. 이는 인력 재교육 및 AI 모델 관리자, 데이터 거버넌스 리드와 같은 새로운 역할 채용을 포함함. 동시에, 책임 있는 사용을 위해 강력한 AI 거버넌스가 확립됨. 긴급성과 목적을 가지고 행동: AI 도입이 변곡점에 도달하고 있으며, 선두 주자는 지속적인 경쟁 우위를 확보할 수 있음. 공급망 최적화, 개인화 마케팅 또는 핵심 운영의 지능형 자동화와 같은 영향력이 큰 영역에서 AI 솔루션 시범 운영이 즉시 시작됨. 성공적인 기업은 효과가 입증된 것을 전사적으로 신속하게 확장함. What We Will Cover in This Presentation 본 발표에서 다룰 내용은 다음과 같음 AI 도입 분석 및 투자 시사점 AI 개선의 비선형적 속도 테마 투자 프레임워크 관점에서 본 AI 도입 일의 미래에 대한 시사점 고려해야 할 위험 요소 AI 도입 분석 및 투자 시사점 The Importance of the Anthropic Economic Index Anthropic Economic Index는 AI가 노동 시장 및 광범위한 경제에 미치는 영향을 시간이 지남에 따라 이해하는 것을 목표로 함. 이 지수는 AI가 현대 경제 전반의 실제 작업에 어떻게 통합되고 있는지에 대한 가장 명확한 그림을 제공함. 방법론은 'Claude insights and observations (Clio)'라는 자동 분석 도구를 사용하여 Claude와의 약 100만 건의 대화 데이터셋에 적용됨. Clio는 사용자 개인 정보를 보호하면서 대화를 직업별 작업으로 정리하는 데 사용됨. 이는 미국 노동부의 약 20,000개 특정 작업 데이터베이스인 O*NET과 연계됨. Clio는 각 대화를 O*NET 작업 중 AI의 역할을 가장 잘 나타내는 작업과 일치시킴. 그런 다음 O*NET 체계에 따라 작업을 해당 직업으로 그룹화하고, 이를 다시 교육 및 도서관, 비즈니스 및 금융 등과 같은 상위 범주로 분류함. Agentic Al Adoption Methodology Agentic AI 도입 방법론이 설명됨. 이 방법론은 Anthropic Economic Index를 통해 작업자가 AI를 활용하는 작업 종류를 파악하고, O*NET Database를 통해 작업과 연관된 직업을 확인하며, Linkup 기업별 채용 공고 데이터 및 애널리스트 의견을 통해 S&P 500 기업의 직업 구성 비율을 분석함. 여기에 미국 노동통계국(BLS) 데이터를 통해 각 직업의 평균 급여를 반영함. Agentic AI를 통한 가치 창출 잠재 시장(Value Creation TAM)은 (기업당 평균 AI 자동화율) x (총 직원 수) x (직원 중앙값 급여)로 계산됨. 차트 제목: Agentic Al Adoption Methodology Embodied Al Adoption Methodology Embodied AI 도입 방법론이 설명됨. 이 방법론은 Morgan Stanley Research의 Embodied AI 및 휴머노이드 분석을 통해 Embodied AI로 자동화될 수 있는 직업을 식별하고, Linkup 기업별 채용 공고 데이터 및 애널리스트 의견을 통해 S&P 500 기업의 직업 구성 비율을 분석하며, 미국 노동통계국(BLS) 데이터를 통해 각 직업의 평균 급여를 반영함. Embodied AI를 통한 가치 창출 잠재 시장(Value Creation TAM)은 (기업당 평균 AI 자동화율) x (총 직원 수) x (직원 중앙값 급여)로 계산됨. Factoring in AI Implementation Costs: Agentic AI Agentic AI의 구현 비용은 고객 가치 창출의 5%로 가정됨. 이는 생산성 향상분의 1%에서 10% 사이에서 논의되는 소프트웨어 기업의 일반적인 가격 책정 범위를 바탕으로 한 수준임. 실제로는 기존 공급업체들이 기술 주기 동안 경쟁업체를 견제하기 위해 Agentic 솔루션의 가격을 더 공격적으로 책정하는 모습이 관찰됨. GitHub Copilot의 '가치 포착(value capture)'은 분석에 사용된 5% 가정치보다 낮은 것으로 보임. ServiceNow 및 Atlassian 같은 공급업체들은 Agentic 기능을 핵심 솔루션에 내장한 후 도입이 증가하면 수익을 창출할 계획임. Factoring in AI Implementation Costs: Embodied AI 미국 공장 내 AI 강화 로봇의 시간당 총 비용(fully loaded cost/hour)에 대해 여러 시나리오가 개발되었으며, 본 분석에서는 보수적인 추정치인 시간당 5달러가 사용됨. 이 비용은 미국 공장 근로자의 평균 임금인 시간당 36달러와 비교됨. 미국 제조업 부문에서 휴머노이드 로봇의 보급률이 20%에 도달할 경우, 미국의 총 제조 비용(fully landed manufacturing costs)이 중국과 동등해질 것으로 전망됨. AI Value Creation TAM as a % of 2026e Adj/ Pretax Income AI 도입 이점의 잠재 시장(TAM) 규모는 Agentic (소프트웨어 기반) AI와 Embodied (물리적 세계의 AI, 주로 로봇) AI 간에 거의 균등하게 분할됨. 이러한 총 TAM은 S&P 500 기업의 2026년 예상 조정 세전 이익의 25% 이상에 해당됨. Sector-Level AI Adoption TAM as a % of 2026e Adj. of Pretax Income) 장기적인 AI 도입 경제적 가치 창출 잠재력은 세전 이익 대비, 소비자 필수재 유통/소매, 부동산 관리 및 개발, 운송, 헬스케어 장비 및 서비스 산업군에서 가장 높은 것으로 분석됨. Thematic-Level AI Adoption TAM as a % of 2026e Adj. Pretax Income AI 도입 이점은 테마별 수준에서도 평가되었으며, 가장 매력적인 것으로 평가된 범주에는 생명 과학 분야 일부, 전력 인프라(탄소 포집 포함), 식품 및 음료의 미래 등이 포함됨. Our AI Adoption Value Creation Analysis Is Conservative, In Our View AI 도입으로 인한 경제적 가치 창출 잠재력을 평가하는 기초로 직업별 자동화 잠재력의 비율이 사용됨. 이 가치 창출은 단순히 인간을 AI로 대체하는 것만을 의미하지 않으며, (1) 수익 창출과 관련성이 낮고 창의성이 낮은 직업에서의 일자리 감소와 (2) AI로 인한 신규 채용, 경제 성장, 새로운 제품 및 서비스 개발로 인한 일자리 창출이 혼합되어 나타남. 분석은 보수적인 것으로 판단됨. 그 이유는 향후 AI 역량의 비선형적 개선이 반영되지 않았고, AI에 의해 자동화될 수 있는 직원의 비례적 비용만을 측정 기준으로 사용했기 때문임. 직원들이 AI를 통해 더 높은 부가 가치 업무를 수행하는 데 더 많은 시간을 할애하게 되어, 단순한 인건비 절감 측정을 초과하는 가치를 창출할 것으로 예상됨. AI 개선의 비선형적 속도(The Non-Linear Rate of AI Improvement) (Why Do We Have an Entire Section Devoted to the Rate of AI Improvement? AI 개선의 비선형적 속도는 많은 투자자, 경영진 및 정책 입안자들에게 과소평가되고 있다고 판단됨. 이 역학 관계를 완전히 반영하여 AI 도입의 함의를 평가하면 상당한 알파(Alpha)를 창출할 수 있음. AI 역량의 비선형적 개선 속도가 계속될 경우, AI 도입의 '가치 창출 TAM' 규모는 크게 증가할 것임. 이는 우수한 가격 결정력을 가진 AI 도입 기업들 사이에서 더 큰 가치 창출, 전력(power)을 포함한 AI 인프라 병목 현상 해결을 위한 긴급성 증가, AI 구현 기업들(AI Enablers)의 AI 자본 지출 대비 더 높은 투자수익률(ROIC)로 이어짐. An Example: Agentic AI Agentic AI의 비선형적 개선 속도에 대해 낙관적인 입장임. 독립적인 AI 평가 기관의 분석에 따르면, AI 성능을 측정하는 'AI 에이전트가 완료할 수 있는 작업의 길이'는 지난 6년 동안 일관되게 7개월마다 두 배로 증가함. 이러한 추세를 외삽하면, 5년 이내에 현재 인간이 며칠 또는 몇 주가 걸리는 소프트웨어 작업의 상당 부분을 독립적으로 완료할 수 있는 AI 에이전트가 등장할 것으로 예측됨. "Situational Awareness”: Data Showing AI’s Non-Linear Improvement Rate Leo Aschenbrenner가 2024년 6월에 발표한 에세이 "Situational Awareness"의 내용이 인용됨. 이 에세이는 AI 역량 개선의 비선형적 속도를 보여줌. GPT-2에서 GPT-4로의 발전과 같은 질적 도약을 초래하는 약 10만 배의 효율적인 컴퓨팅 규모 증가가 4년 동안 예상됨. 이러한 급격한 발전은 단순히 더 나은 챗봇이 아닌, 인력 대체품과 유사한 에이전트(agents)로의 전환을 의미함. 이러한 도약은 박사 학위 소지자만큼 스마트하여 동료로 함께 일할 수 있는 AGI(인공 일반 지능)로 이어질 수 있음. 또한, AI 시스템이 AI 연구 자체를 자동화할 수 있다면, 이는 강력한 피드백 루프를 작동시킬 것으로 예상됨. 비선형적 AI 개선 속도에 대한 두 가지 예시 [Two Exhibits from Leo Show the Non-Linear Rate of AI Improvement] Leo Aschenbrenner의 "지능 폭발" 시나리오 AGI(인공일반지능)에 도달하면 단 하나의 AGI만 존재하는 것이 아니라, 추론 GPU 플릿을 통해 수백만 개의 AGI(1억 명의 인간과 동등한 수준, 곧 인간 속도의 10배 이상)를 실행할 수 있게 됨 AGI가 사무실을 돌아다니거나 커피를 만들 수 없더라도, 컴퓨터에서 ML(머신러닝) 연구를 수행할 수 있음 이는 선도적인 AI 연구소의 연구자 및 엔지니어 수백 명 대신 10만 배 이상의 인원이 밤낮으로 알고리즘 혁신에 열중하는 상황을 의미함 이는 재귀적 자기 개선을 일으키지만, 공상 과학 소설이 필요하지 않으며, 단지 기존의 알고리즘 발전 추세를 가속화할 뿐임 Leo Aschenbrenner 예측에 대한 최근 평가 2024년 6월에 발표된 Leo Aschenbrenner의 예측에 대한 최근의 독립적인 연구자 평가가 있었음 이 데이터는 알고리즘 및 후기 훈련 개선을 고려할 때 Aschenbrenner의 핵심 주장이 대체로 지지됨을 보여줌 현재의 전력, 메모리, 냉각 제약이 완화되고 대규모 기업 투자가 계속된다면 Aschenbrenner의 예측 시간표는 타당함 LLM 성능의 최근 추세: 인류의 마지막 시험 (Humanity’s Last Exam, HLE) 'Humanity’s Last Exam (HLE)'은 광범위한 학문적 역량을 측정하기 위해 수십 개 주제 영역에서 2,500개의 매우 도전적인 질문으로 구성된 벤치마크이며, LLM이 계속 개선됨에 따라 역량을 정밀하게 측정하도록 개발됨 2025년 4월 Llama 4가 출시되었는데, 불과 4개월 만에 선도적인 LLM인 GPT-5 High는 '추론 및 지식' 테스트에서 Llama 4 대비 약 5배 향상된 성능을 보임 초인적인 AI 사례: 의료 진단 Microsoft가 2025년 6월에 발표한 “The Path to Medical Superintelligence”에 따르면, AI는 인간 수준을 능가하는 생명 과학 역량을 보여줌 AI는 전문가 의사도 답변하기 어려운 의학에서 가장 복잡한 진단 문제를 순차적으로 조사하고 해결할 수 있음 실제 사례 기록을 벤치마킹한 결과, Microsoft AI 진단 오케스트레이터(MAI-DxO)는 뉴잉글랜드 의학 저널(NEJM) 사례의 최대 85%를 정확하게 진단하며, 이는 숙련된 의사 그룹보다 4배 이상 높은 비율임 MAI-DxO는 의사보다 더 비용 효율적으로 정확한 진단에 도달함 급속한 자기 개선을 초래할 수 있는 LLM 설계의 두 가지 예시 AI 기반 생명 과학 발전 사례 (최근 2주) 유방암 진단 정확도 향상 AI가 기존의 이중 방사선과 의사 검토 방식보다 더 많은 종양을 ...