폰 노이만 병목현상: AI의 진짜 제약이 연산이 아니라 메모리인 이유

승리할 모델을 예측하려는 시도를 멈추고, 그 모든 모델의 밑바탕을 지탱하는 물리적 바닥을 매핑하기 시작하라. 곡괭이와 삽 프레임워크, 4대 초크포인트, 그리고 달력에 표시된 주요 날짜들. 이 질문은 매주 똑같은 방식으로 제기된다. 누군가 엔비디아에 대한 기사를 읽고, 주가 차트를 본 뒤, 이미 너무 늦었다고 판단한다. 그러고는 내게 어떤 형태로든 질문을 던진다. "지수를 통째로 소유하고 싶지 않다면, AI 병목현상에 실제로 어떻게 투자해야 합니까?" 짧은 답변은 승리할 모델을 고르려는 노력을 멈추고, 그 모든 모델 아래에 깔린 물리적 바닥을 매핑하라는 것이다. 긴 답변은 이 에세이가 존재하는 이유다. 나는 생업으로 대규모 인프런스를 실행하는 사람이다. 아래의 수치들은 실적 발표, 공급망 공시, 그리고 내가 비용 청구서 내부에서 직접 목격한 것들에 기반한다. 그 어떤 것도 투자 권유가 아니다. 이 모든 내용은 내가 3년 전에 미리 내 앞에 놓여 있었기를 바랐던 프레임워크일 뿐이다. AI 병목현상이란 정확히 무엇인가? AI 병목현상이란 전체 AI 구축이 의존하고 있는 물리적 및 물류적 투입 요소의 레이어를 말한다. 이는 수표를 더 빨리 발행한다고 해서 확장될 수 없으며, 오직 공장을 지어야만 확장할 수 있는 영역이다. 컴퓨트는 병목이 아니다. 컴퓨트는 결과물이다. 병목은 컴퓨트로 전환되는 투입 요소들의 집합이다. 랙들을 연결하는 레이저용 인듐 인화물(InP) 웨이퍼, 로직 반도체 위에 메모리를 쌓는 하이브리드 본더, 그리드에 에너지를 공급하는 가스 터빈, 전력을 감압하는 변압기, 랙을 보호하는 개폐장치, 단일 섀시에서 120킬로와트의 열을 끌어내리는 냉각 시스템, 그리고 이 모든 것을 설치하는 숙련된 현장 인력들이 바로 그것이다. 이러한 각각의 레이어는 단 한 장의 종이, 심지어 어떤 것은 포스트잇 한 장에 다 적을 수 있을 정도로 좁은 공급업체 기반을 가지고 있다. 이것이 게임의 전부다. 당신은 오픈AI와 앤트로픽 중 누가 이길지 예측하려 노력할 필요가 없다. 공급업체 기반이 단 두 개의 회사로 좁혀져 있고, 주문서가 꽉 차 있으며, 경쟁사가 그 용량을 사가지 않으면 자신이 뒤처지기 때문에 가격에 둔감한 고객들이 포진한 스택의 레이어를 식별해내면 된다. 프레임워크: 탑다운이 아닌 바텀업 2024년과 2025년의 대부분의 AI 투자는 탑다운 방식이었다. 모델 연구소를 고르고, 하이퍼스케일러를 고르고, GPU 벤더를 골랐다. 전체 스택이 동일한 지수함수적 곡선에 연동되어 있었기 때문에 그 거래는 유효했다. 하지만 지금 작동하는 거래는 다르다. 곡선이 꺾였기 때문이다. 컴퓨트 자본지출은 계속 올라가고 있다. 토큰 가격은 1년 만에 대략 100분의 1로 폭락했다. 마진은 더 얇아졌다. 하이퍼스케일러들은 자사의 자본지출 예산 내부에서 차별화를 시작하고 있다. 이러한 환경에서는 곡괭이와 삽의 수학이 모델 연구소의 수학을 이긴다. 이유는 간단하다. 곡괭이와 삽 공급업체는 고객의 매출총이익률이 50%이든 20%이든 상관없이 동일한 달러 금액을 지급받는다. 반면 모델 연구소의 매출은 그 상위 레이어에서 발생하는 매 분기의 가격 압박에 그대로 노출된다. 따라서 모든 기업의 이름 앞에서 던져야 할 질문은 이것이다. "이 회사가 가격 결정력을 잃으려면 무엇이 사실이어야 하는가?" ASML 같은 반도체 장비 벤더의 경우, 답은 "EUV가 더 이상 필요하지 않다"이다. 베시의 경우 "하이브리드 본딩이 더 저렴한 다른 기술로 대체된다"이다. AXTI의 경우 "중국이 수출 통제를 영구적으로 해제하고 스미토모가 18개월 내에 생산 능력을 두 배로 늘린다"이다. GE 버노바의 경우 "하이퍼스케일러들이 기가와트 급 캠퍼스 구축을 중단한다"이다. 이 답변들 중 그 어떤 것도 1년의 지평 내에서 실현되지 않는다. 일부는 결코 실현되지 않을 수도 있다. 초크포인트란 바로 그런 모습을 하고 있다. 2026년부터 2030년까지의 구축을 가로막는 4가지 물리적 제약 2년 동안 이 실타래를 붙잡고 늘어진 끝에, 나는 계속해서 동일한 4개의 레이어로 돌아오게 된다. 이것들이 스택 내의 유일한 초크포인트는 아니지만, 가장 높은 볼록성을 가지고 있고, 공급업체 기반이 가장 명확하며, 촉매제가 가장 뚜렷하게 식별되는 영역들이다. 1. 화합물 반도체 기판 현대적인 AI 랙 내부에 들어가는 모든 레이저는 잘 연마된 인듐 인화물(InP) 웨이퍼 위에서 시작된다. 이 기판이 없으면 레이저는 빛을 발할 수 없다. 레이저가 없으면 트랜시버는 링크를 구동할 수 없다. 링크가 없으면 랙은 수백 개의 GPU 수준을 넘어 확장될 수 없다. 중국을 제외한 공급업체 기반은 단 두 이름뿐이다. 캘리포니아 프리몬트에 위치한 AXTI와 일본의 스미토모 전기다. AXTI의 역대 최고 InP 수주 잔고는 2026년 초에 1억 달러를 돌파했으며, 회사는 2027년에 또 ...

HBM/DRAM 스토리에 대한 몇 마디, 메모리 제조사들, 현재 추론 최적화가 어디까지 갈 수 있는지, 누가 잘 자리 잡고 있는지, 그리고 2027년에 새로운 용량이 가동되기 시작하면서 어떤 변화가 생기는지에 대해 - 네비우스 제품 마케팅 전문가 딜런 브리스토 메모리 공장들이 전환되었던 시기 조립 라인의 수가 고정된 자동차 공장을 상상해 보라. 어느 날 새로운 고객이 찾아와 특별한 툴링, 전용 작업대, 그리고 단위당 훨씬 더 많은 공간을 필요로 하는 슈퍼카에 대해 차량당 5배 더 높은 가격을 지불하겠다고 제안한다. 공장은 이 경제성을 실현하기 위해 새로운 라인을 건설할 필요가 없다. 그저 기존 라인을 전환하기만 하면 된다. 이로 인해 일반 차량 생산은 압박을 받는다. 공장이 여전히 전체 가동률로 돌아가고 있음에도 불구하고, 일반 자동차는 구하기 힘들어지고 가격은 비싸진다. 이것이 바로 메모리 분야의 첨단 웨이퍼 생산 능력(캐파)에서 일어난 일이다. 메모리 제조업체들은 제한된 수의 하이엔드 웨이퍼 투입량(Wafer Starts)을 기반으로 운영된다. 고대역폭 메모리(HBM)는 기존 DRAM보다 웨이퍼당 훨씬 높은 매출과 마진을 창출한다. 또한 가용 비트(usable bit)당 약 3배의 생산 능력을 소비한다. 다이(Die) 크기가 더 크고, 실리콘 관통 전극(TSV)으로 인해 공정 단계가 추가되며, 적층된 레이어를 거치면서 수율 손실이 누적되기 때문이다. 하이퍼스케일러들이 프리미엄 가격으로 다년 계약을 체결하자, 이러한 자원 재배치는 합리적인 선택이 되었다. SK하이닉스(000660.KS)가 가장 먼저, 가장 공격적으로 움직였다. 마이크론(MU)은 이후 의미 있는 점유율을 확보하기 시작했다. 삼성전자는 로직과 낸드(NAND) 분야의 입지를 보호하는 동시에 HBM 생산을 늘리려 노력하며 보다 신중하게 전환을 진행했다. 재무 결과는 이러한 변화를 반영한다. SK하이닉스: 최근 분기에 70%대의 영업이익률을 기록했다. 마이크론: 업황이 좋은 시기에 75%에 가까운 매출총이익률에 도달했다. 이것은 일반적인 주기적 고점(시클리컬 피크)이 아니다. 웨이퍼당 가장 높은 수익을 제공하는 제품을 향해 희소한 생산 능력을 의도적으로 이동시킨 결과다. 전방 산업(Downstream)에 미친 영향 생산 라인이 재조정되면 그 여파는 확산된다. 기존 DRAM과 낸드는 사실상 잔여 생산물이 되었다. 부문 전반에서 가격이 급등했으며, 일부 부문은 1년 이내에 60% 이상의 상승률을 보였다. 서버 OEM, PC 제조업체, 산업용 구매자 모두가 동일하게 제한된 공급을 두고 경쟁했다. 추론 워크로드 역시 간접적으로 압박을 받았다. 토큰당 메모리 대역폭은 많은 AI 모델이 전제했던 것처럼 저렴하거나 풍부하지 않게 되었다. 동시에 GPU당 HBM 탑재량이 증가하면서 랙(Rack) 수준의 전력 밀도가 높아졌고, 이는 이미 까다로웠던 전력 및 그리드(전력망) 제약 문제를 가중시켰다. 현재의 추론 기술이 실제로 도달할 수 있는 범위 CXL 메모리 분리(Disaggregation), KV 캐시 티어링 및 오프로딩, 압축 방법, 투작적 디코딩(Speculative...

요약 1, 800VDC 전원 → 2028+로 연기 2, CPO 대량 생산 → 2029+로 연기 3, 구리와 플러그 가능 광 모듈 → 계속 승리 4, CPO 시스템 수율이 19%에 불과하고 과매수, 거래가 매우 붐빔 → 단기 하락 압력 5, 메모리(HBM/DRAM), 진정한 물리적 병목, 수요 공급 긴장 상태로 영향 없음. 6, 넓은 밴드갭 반도체(GaN/SiC) 둔화. 전체적으로 말하면, 광통신의 다음 업그레이드를 전면적으로 부정, 기존 간부 광 모듈과 npo에 호재 방금 Semianalysis의 리포트 《800VDC pushout and CPO delays》를 읽었다. @xingpt 님과 @LeePima 님의 공유에 감사드린다. 주관적으로 보이고 싶진 않지만, 오늘 전력반도체와 광학 섹터의 낙폭이 이 리포트와 강한 상관관계가 있다고 생각한다. 물론 전체 시장의 조정폭도 컸지만, 전력반도체와 광학 섹터의 하락폭은 대형지수 대비 명확하게 더 컸다. 리포트의 핵심 포인트를 간략히 정리하면 다음과 같다. 1️⃣ 800VDC: 2027년 스토리에서 2028년 이후로 연기 Rubin 1세대는 800VDC가 "필수"가 아니며, 기존 50VDC 공급도 가능하다. 이에 따라 하이퍼스케일러들은 "전력망 350~450VDC → 800VDC 승압 → 다시 50VDC 강압"이라는 변환 체인이 에너지 효율상 불리하다고 판단해, 단일 800VDC 아키텍처에 일제히 제동을 걸기 시작했다. 이들은 중간에 800VDC 단계를 추가하는 대신, 랙 또는 컴퓨트 트레이 근처에서 강압하는 방식을 선호하는 추세다. 2️⃣ 400VDC: HVDC는 2H26 일정대로 진행 리포트는 400VDC와 800VDC를 명확히 구분한다. 400VDC는 하이퍼스케일러가 자체적으로 추진 중인 별도의 HVDC 아키텍처다. 중앙 공급 전압을 높여 UPS 경로의 AC-DC-AC 변환 손실을 줄이는 방식으로, 주로 하이퍼스케일러 자체 설계 ASIC 랙 아키텍처에 활용된다(DC-DC 셀프를 통해 엔비디아 하드웨어도 지원 가능). 2026년 하반기부터 도입이 시작될 것으로 예상되며, 400VDC 사이드카 주문은 올해 말 확정되고 2027년 1분기부터 본격 양산에 들어갈 전망이다. 3️⃣ CPO: 시스템 통합이 시장 예상보다 훨씬 어렵다 — 양산 타임라인 재평가 필요 2027년 CPO에 대한 기대는 지나치게 낙관적이다. Scale-up CPO의 본격적인 램프업 시점은 Feynman 등 프로젝트와 연동되는 2029~2030년으로 봐야 하며, 2027~2028년이 아니다. 2026~2027년 Scale-out CPO 스위치 생산량 전망도 하향 조정될 것으로 보이며, 현재 실제 생산 속도는 시장이 모델링하는 연간 6~10만 대 수준을 뒷받침하지 못한다. 시장은 InP 레이저 생산 능력을 병목으로 과도하게 집중해왔지만, 리포트는 더 핵심적인 병목이 COUPE 및 시스템 레벨 통합에 있다고 지적한다. 엔비디아 Spectrum 6을 예로 들면, 2세대 COUPE에 102.4T 스위치임에도 불구하고 시스템 테스트에서 삽입 손실이 3.5dB로 광 링크 버짓을 거의 소진해버려, COUPE 수가 동일한 32개인 Spectrum 5보다 오히려 성능이 떨어지는 결과가 나왔다. 엔비디아와 TSMC 모두 아직 근본...

요약 생물학 연구에서 AI 에이전트의 활용을 확대하려면 데이터 인프라가 에이전트 친화적으로 설계되어야 한다. NCBI Virus에서 바이러스 시퀀스를 검색하는 과제에서 Claude, GPT 등 최첨단 모델들도 정확도 16.9~91.3%에 그쳤고, 같은 쿼리를 반복하면 매우 다른 결과를 얻었다. 하지만 결정론적 검색 도구인 gget virus를 추가하자 정확도는 90% 이상으로 올라갔고, 모델 간 성능 편차도 거의 사라졌다. 이는 소프트웨어처럼 생물학 데이터 인프라도 에이전트가 신뢰할 수 있게 탐색할 수 있도록 설계되어야 함을 보여준다. 창의적 추론은 모델에 맡기고, 데이터 접근·검증·메타데이터 처리 같은 기계적 작업은 신뢰할 수 있는 인터페이스로 표준화해야 한다. 이렇게 하면 더 저렴한 모델도 신뢰할 수 있게 되고, 과학 연구의 정확성과 재현성이 보장된다. Laura Luebbert 저. Ferdous Nasri, Sarah Gurev, Patrick Varilly, Krithik Ramesh, Nuala A. O'Leary, Jonah Cool, Bernhard Y. Renard, Pardis Sabeti, Laura Luebbert의 연구를 바탕으로 함. 이 글에서 Laura Luebbert는 생물학적 데이터 인프라를 에이전트 친화적으로 만들어야 한다고 주장한다. 사례 연구로서, 그녀와 연구팀은 과학 연구 에이전트들(Claude, Biomni Open Source(Biomni OSS), Edison Analysis, GPT)에게 바이러스학자들이 감시 활동이나 진단 검사 개발 같은 작업에 활용하는 데이터베이스인 NCBI Virus에서 시퀀스 데이터를 검색하는 과제를 부여했다. 가장 강력한 모델조차 신뢰할 수 있는 데이터셋 구축에 필요한 수준의 정확도를 일관되게 달성하지 못했다. 그러나 연구팀이 결정론적 검색 레이어인 gget virus를 추가하자 정확도는 거의 100%에 근접했다. 과학 에이전트에 대한 더 넓은 교훈은, (현재로서는) 결정론적 검색 도구가 에이전트 워크플로의 신뢰성을 높이는 데 필수적이며, 생물학 데이터베이스는 규모 있는 사용자로서의 에이전트를 염두에 두고 설계되어야 한다는 것이다. AI 에이전트를 활용해 생물학적 데이터 인프라를 탐색하는 것은, 자동차가 등장하기 전에 설계된 고도(古都)를 운전하는 것과 같다. 그 인프라는 아름답고 나름의 사려 깊음을 갖추고 있을지 몰라도, 현대 차량이 탐색하기 어려운 좁고 구불구불한 도로(독특한 파일 형식, 분산된 데이터베이스, 일회성 검색 스크립트)로 가득 차 있다. 교통 표지판, 주차장, 간간이 넓힌 도로 등으로 도시를 개량할 수 있지만, 기본 구조는 다른 이동 방식을 위해 설계되었기 때문에 탐색하기 여전히 어렵다. 반면 소프트웨어 인프라는 기본적으로 자동차(에이전트)의 필요에 맞게 만들어졌다. 포장된 도로, 명확한 차선, 표준화된 신호, 처음부터 끝까지 빠른 이동을 위해 설계된 시스템(버전 관리, 잘 문서화된 API, 패키지 매니저)이 그것이다. 그 결과, 코딩 에이전트는 생물학 에이전트보다 훨씬 빠르게 발전했다. 소프트웨어는 일반적으로 구조화된 디지털 워크플로와 신뢰할 수 있는 인터페이스를 제공하는 반면, 데이터 검색 및 검증에 필요한 전산 생물학 인프라는 종종 취약하고 이질적이며 프로세스에 의존적이다. 이를 탐색하는 도구들은 필연적으로 맞춤 제작되어 특정 도메인이나 가설에 맞게 조율된다. 더욱이 소프트웨어는 빠르게 컴파일하고 검증할 수 있는 테스트 가능한 출력물을 제공하는 반면(예: 프로젝트 테스트를 통과하는 패치를 생성해 GitHub 이슈를 해결하는 것), 생물학은 단순하면서도 검증 가능하고 의미 있는 보상 지표가 거의 없다. 따라서 생물학 에이전트의 병목은 추론 능력만의 문제가 아니라, 생물학적 데이터를 쿼리하기 위한 결정론적 실행 레이어의 부재에 있다. 과학자는 의도를 표현할 수 있다(예: 이 도메인을 가진 모든 인간 키나아제를 찾고 그 구조를 가져와라). 하지만 에이전트는 필요한 정보를 담고 있는 데이터베이스에 접근할 신뢰할 만한 방법을 갖추지 못한 경우가 많다. 생물학 및 과학 워크플로에서는 작은 오류조차 심각한 결과를 초래할 수 있다. 예를 들어 잘못된 게놈 빌드에서 좌표를 검색하면 하위 생물학적 해석 전체가 무효화될 수 있다. 의도치 않게 RefSeq과 GenBank 레코드를 혼합하거나, 불완전한 게놈을 완전한 게놈으로 취급하거나, 분절 바이러스에서 분절 명칭을 혼동하거나, 일관성 없는 메타데이터 필드로 인해 관련 레코드를 놓치는 것도 마찬가지다. 연구의 매력이자 어려움은, 세부 사항이 결정적으로 중요한 경우가 많다는 데 있다. 이탈리아 언덕 마을을 운전하는 것과 같이, 도로가 너무 좁고 모퉁이가 너무 가파르며 길이 현지 지식에 의존한다면 차가 아무리 강력해도 소용없다. 에이전트가 발병 대응부터 신약 설계, 생물학적 모델링에 이르기까지 과학적 발견을 돕기를 원한다면, 인간이 탐색하는 것만큼 신뢰성 있게 탐색할 수 있는 생물학적 데이터 인프라를 구축해야 한다. 웹 개발에 관한 Karpathy의 강의가 AI 에이전트를 이용한 생물학 연구에 시사하는 것 에이전트의 필요와 인간을 위해 구축된 도구 사이의 이러한 불일치는 생물학에만 국한된 문제가 아니다. 에이전트가 인간 전용으로 설계된 환경에 투입되는 곳이라면 어디서든 동일한 마찰이 발생한다. 몇 달 전, Andrej Karpathy는 AI 시대의 소프트웨어에 관한 강연을 하면서 몹시 낯익게 들리는 불평을 늘어놓았다. 그는 작은 웹 앱을 바이브 코딩으로 만들었는데, 실제 서비스(인증, 결제, 배포)로 만들려 했을 때 브라우저 대시보드를 클릭하며 일주일을 날려버렸다. 그가 요약한 것처럼, "코드는 가장 쉬운 부분이었다! 대부분의 작업은 브라우저에서 이것저것 클릭하는 데 있었다." 문서는 계속해서 "이 URL로 가서 이 드롭다운을 클릭하라"고만 안내했다. 그의 결론은, 아무도 이런 일을 해서는 안 된다는 것이었다. 대신 우리는 에이전트를 위해 구축해야 한다. Karpathy는 소프트웨어 에이전트의 세계에서 생물학 연구자들이 오랫동안 씨름해 온 것, 즉 이질적인 정보와 암묵적 관습, 브라우저를 클릭하는 인간을 중심으로 구축된 환경에서 지능형 시스템을 작동시키려는 고통을 새삼 경험했던 것이다. 사례 연구: 바이러스학의 '클릭세(click tax)' AI 에이전트가 등장하기 훨씬 전부터, 전산 생물학자와 유전학자들은 이 문제를 조금씩 해결하기 위해 전통적인 전산 생물학 도구를 개발하기 시작했다. Biopython, BioPerl, BioJulia, Entrez Direct, BioMart, gget, 그리고 수많은 워크플로 라이브러리들은 모두 생물학 데이터를 브라우저 인터페이스에서 꺼내어 연구자들이 직접 연산할 수 있는 공간으로 옮기려는 노력들이다. 문제는 생물학 데이터가 단일 인터페이스를 가진 단일 데이터베이스에 존재하지 않는다는 것이다. 그것은 각자의 식별자, 관습, 형식, 필터링 로직, 프로그래밍 방식의 접근 수준을 가진 지저분한 도로망이다. 일부 데이터는 프로그래밍 방식으로 접근하기 간단하다. 그러나 그렇지 않은 경우도 많다. 특히 바이러스학은 더 어려운 사례 중 하나다. 백신 및 진단 검사 설계에서 단백질 모델 학습 데이터 구축에 이르는 연구 워크플로는 종종 NCBI Virus에서 시퀀스를 검색하는 것에서 시작된다. NCBI ...

런던 법원이 분담 청구의 문을 닫으며, 두 보험사가 러시아 항공기 보험금을 단독으로 떠안다 이번 주 P&C 보험사·인슈어테크 경영진을 위한 전략적 시그널 전체 시장: 스위스리가 2025년 전 세계 자연재해 보호 공백(protection gap)을 4,240억 달러로 추산—역대 최대 규모. 개인 보험(Personal Lines): 뉴욕주가 자동차보험 개혁안을 입법화—ZIP 코드 기반 요율 산정 금지 및 상해 소송 상한 도입으로 미국 내 최고 수준의 보험료 인하를 추진. 기업 보험(Commercial Lines): 런던 법원 판결로 처브와 피델리스가 러시아 항공기 전쟁 위험 보험금 3억 4천만 달러를 단독 부담하게 됨. 사이버 보험(Cyber Insurance): 자율 AI 에이전트를 운용하는 기업들은 기존의 사이버 및 기술 E&O(오류·부작용) 보험이 전혀 상정하지 않은 새로운 담보 공백에 노출되어 있음. 1. 전체 시장 스위스리, 전 세계 재해 보호 공백 4,240억 달러 추산—조용히 진행되는 보장 확대 무슨 일이 있었나 2026년 6월 3일, 스위스리 연구소는 2025년 기준 전 세계 자연재해 보호 공백—경제적 손실과 보험 손실의 차이—을 4,240억 달러로 추산했다. 2024년의 3,950억 달러에서 증가한 수치다. 약 7퍼센트의 상승은 주로 자산 가치 상승과 재건 비용 증가에 기인하며, 보장 감소가 원인은 아니다. 스위스리의 자연재해 보험 회복력 지수는 27.3퍼센트로 올라 10년 전의 약 25퍼센트에서 개선됐으며, 북미가 약 40~42퍼센트로 지역별 최고 회복력을 보였다. 이차 재해(secondary perils)가 2025년 보험 손실의 기록적인 92퍼센트를 차지했고, 총 보험 손실은 1,070억 달러였다. 스위스리는 2026년 보험 손실이 1,480억 달러, 2030년에는 1,860억 달러에 달할 것으로 전망한다. 왜 중요한가 이 수치는 보험사, 재보험사, 규제 당국이 연말까지 공유 근거로 인용할 공식 팩트가 된다. 북미의 높은 회복력 수치는 더 중요한 사실을 가린다. 안정적인 보장 비율이 빠르게 증가하는 노출 위험 위에 얹혀 있어, 보험사들이 이미 철수하고 있는 지역에서 비보험 손실은 계속 늘어난다. 이차 재해의 기록적인 비중은, 공백을 만드는 손실이 전통적 모델이 가장 자신 없게 가격을 매기는 영역이라는 점을 확인해준다. 이는 2026년 6월 1일자 호에서 지적한 재산 보험 연성화(softening) 배경과 같은 역학이다. 시사점 절대적 공백 확대와 회복력 지수 개선이 동시에 나타나는 상황은, 최고위험책임자(CRO)와 IR 팀이 이사회에 재해 익스포저를 설명하는 방식을 복잡하게 만들 수 있다. 회사가 이전보다 더 많은 위험을 커버하고 있어도 헤드라인 수치는 매년 상승하기 때문이다. 상품·혁신 담당자들은, 성장세가 높고 재해 노출이 큰 주에 공백이 집중돼 있다는 점을 발견할 수 있다. 바로 인가 인수 능력이 가장 희박한 곳이며, 자사 보험사가 비갱신하는 시장에서 파라메트릭·전문 팀이 구축해야 하는 영역이다. 재보험 및 특약 구매자들은 가격 인하 협상에서 더 불리한 위치에 처할 수 있다. 과소보험이 아닌 자산 가치 상승이 공백의 원인이라면, 갱신 시 일괄 요율 인하 요구의 근거가 약해지기 때문이다. 이차 재해의 기록적 비중은 조직 내 권한을 재해 모델링·익스포저 관리 부서 쪽으로 이동시킬 수 있다. 이들의 손실 추정치가 계리사들이 의존해온 과거 손실 삼각형보다 더 큰 비중을 갖게 되는 것이다. 노출 지역의 영업 리더들은 에이전트가 이 공백을 영업 기회로 재해석하는 상황을 맞닥뜨릴 수 있다. 이는 재보험 어태치먼트 포인트가 가장 관대하지 않은 지점에서 한계 위험을 책으로 끌어들이는 결과를 낳을 수 있다. 공공-민간 파트너십 구조를 검토하는 보험사들에게, 이 데이터는 민간 인수 능력만으로는 공백을 메울 수 없다고 주장하는 규제 당국의 입지를 강화할 수 있다. 이는 국가 백스톱 논의 없이 정치적으로 민감한 위험을 거절할 여지를 좁힌다. 주목하고 있는 기타 전체 시장 시그널 디지털 채널이 신규 보험 계약의 절반 차지 J.D. 파워가 2026년 5월 13일 발표한 2026 미국 보험 디지털 경험 연구에 따르면, 자동차·주택보험 신규 계약의 47퍼센트가 디지털 채널을 통해 이루어졌다. 에이전트는 35퍼센트, 콜센터는 17퍼센트였다. 서비스 부문 전체 만족도는 4포인트 하락해 1,000점 만점에 695점을 기록했다. 서비스 만족도에서는 아미카(Amica)가 730점으로 최고점을 받았다. 2026년 1월~3월 11,553건의 평가를 기반으로 한 이번 연구에서, 챗봇이나 가상 어시스턴트를 사용한 비율은 11퍼센트에 불과했지만, 사용자들의 만족도는 더 높게...