"리모컨 버튼 하나가 내 취향을 '평균'으로 만들고 있다"

투자 결정을 두고 고민할 때마다 떠오르는 고전이 하나 있다. 바로 Knight, F. H. (1921). Risk, Uncertainty and Profit이다. 100년이 넘은 책이지만, 나이트가 위험(risk)과 불확실성(uncertainty·ambiguity)을 갈라서 본 그 구분은 지금도 여전히 투자자의 머릿속에서 무슨 일이 벌어지는지 설명해 주는 아주 좋은 프레임으로 작동한다. 나이트의 관점으로 보면, 시장에서 우리가 마주하는 고민은 단순히 “위험이 큰가 작은가”의 문제가 아니다. 확률을 대략이라도 붙여볼 수 있는 위험의 영역과, 확률 자체를 가늠하기 어려운 모호성의 영역이 따로 있고, 사람의 뇌는 이 둘을 전혀 다르게 취급한다. 1. 폭락장 앞에서 우리가 진짜로 두려워하는 것 2008년 금융위기와 2020년 팬데믹 폭락장을 떠올려 보면 사람들 기억은 비슷하다. “주가가 너무 많이 떨어져서 무서웠다.” 표면적으로는 그렇다. 조금만 더 솔직하게 들어가 보면 핵심 감각은 따로 있다. 가격이 얼마나 빠졌는지가 아니라, 사실은 이런 느낌에 더 가깝다. 무슨 일이 벌어지는지, 앞으로 어떻게 전개될지 아무도 모른다. 우리는 생각보다 위험(Risk) 에 꽤 관대하다. 승률과 배당이 어느 정도 보이는 카지노 게임, 변동성 높은 테마주, 레버리지 ETF 같은 것들에는 의외로 잘 들어간다. 구조가 눈에 보이기 때문이다. 하지만 정말 견디기 힘든 상태는 따로 있다. 확률표도 없고, 규칙도 분명하지 않고, 이 게임 자체를 믿어도 되는지 헷갈리는 상태. 이게 모호성(Ambiguity) 이다. 숫자보다는 먼저 ‘찝찝한 느낌’이 올라온다. 핵심은 세 가지이다. 위험과 모호성은 전혀 다른 종류의 불확실성이다. 사람 뇌는 모호성을 만나면 일정한 패턴으로 투자를 거부하는 방향으로 작동한다. 남들이 모호성을 견디지 못해 도망갈 때, 그 모호성을 내가 이해 가능한 위험으로 바꾸면 그 자리에서 알파가 생긴다. 내 머릿속에서 어떤 수학이, 어떤 편향이 돌아가는지 가능한 한 쉬운 식과 예제로 풀어 보자. 2. 위험과 모호성: 같은 “불확실”처럼 보이지만 완전히 다른 두 세계 먼저 불확실성을 두 종류로 갈라 본다. 겉으로 보기에는 비슷하지만, 성격은 전혀 다르다. 2.1 위험: 주사위 눈은 알고 있는 게임 위험은 이런 상황이다. 결과는 들쭉날쭉하지만 그래도 대략 어느 정도 확률로 무엇이 일어나는지 그림을 그릴 수 있다. 예를 들면 이런 자산들이다. S&P500, 코스피 같은 대형 지수 국채, 회사채, 거래가 풍부한 대형주 장기간 데이터가 쌓인 자산 이런 자산에 대해 우리는 연간 수익률을 정확히 알지는 못한다. 그래도 “이 정도 구간 안에서 흔들리겠구나” 하는 감은 있다. 과거 분포가 대략적인 지도 구실을 하기 때문이다. 보통 이런 식으로 표현한다. E[R] : 투자 대상의 “기대수익률”(Expected Return) M : 같은 기간 예금·국채 같은 “안전자산 수익률” 그리고 아주 단순한 기준을 놓는다. E[R] ≥ M 이면 → 어느 정도는 투자하는 것이 합리적이다. E[R] < M 이면 → 굳이 투자할 이유가 없다. 여기에는 하나의 큰 전제가 깔려 있다. “수익률의 확률분포를 대략 알고 있다”는 전제다. 이 전제가 깨지는 순간 게임의 성격이 바뀐다. 2.2 모호성: 주사위 안에 뭐가 들어 있는지 모르는 게임 모호성은 겉으로 보면 비슷하다. 결과가 어떻게 나올지 모른다는 점에서는 같다. 하지만 각 결과의 확률 자체를 추정하기 어렵고 어떤 변수가 중요한지도, 그 변수가 어떻게 움직일지도 정리가 안 된다. 예를 들면 이런 상황이다. 히스토리가 짧은 신생 산업, 초창기 코인 시장 갑자기 튀어나온 새로운 규제, 처음 등장한 정책 팬데믹 초기, 전쟁 직후처럼 과거 데이터가 무력화되는 국면 이때는 단순히 “변동성이 높다” 수준이 아니다. 머릿속에 쓸 모델 자체가 없다. 무슨 요인이 수익에 치명적인지부터가 불분명하다. 이 상태가 모호성이다. 2.3 엘스버그의 항아리: 숫자는 같아도 느낌은 완전히 다르다 이 차이를 직관적으로 보여주는 고전 실험이 엘스버그 항아리이다. 상황은 이렇게 세팅한다. 첫 번째 항아리 공 90개가 들어 있다. 빨간 공 30개라는 사실은 확실하다. 나머지 60개는 검은 공과 노란 공인데, 둘의 비율은 아무도 모른다. 두 번째 항아리 역시 공 90개가 들어 있다. 빨간 공 30개, 검은 공 30개, 노란 공 30개라고 정확하게 알려준다. 그리고 이렇게 묻는다. 둘 중 어느 항아리에서 빨간 공을 뽑는 내기를 하겠습니까? 수학적으로 보면 두 항아리 모두 빨간 공 비율은 30/90이다. 확률만 놓고 보면 완전히 똑같은 게임이다. 그런데 실제로 사람들에게 물어보면, 대부분은 두 번째 항아리, 그러니까 구성이 명확하게 알려진 쪽을 고른다. 머릿속에서 돌아가는 생각은 대략 이렇다. 첫 번째 항아리 “빨간 공이 30개인 건 알겠지만, 나머지 구성이 어떻게 돼 있는지 몰라서 찝찝하다.” 두 번째 항아리 “빨간·검은·노란 공이 각각 30개라고 딱 정해져 있으니 구조가 눈에 들어와서 마음이 편하다.” 사람은 이런 식으로 움직인다. 조금도 손해 보지 않더라도, 확률이 불명확한 선택지보다 확률 구조가 명확한 선택지를 선호한다. 이게 모호성 회피다. 수학적으로는 같은 게임인데, “구성이 보이는지, 안 보이는지”에 따라 마음이 갈린다. 현실 투자에서도 같은 일이 반복된다. 국내 주식·국내 부동산은 뉴스·정책·세금·주변 사람 이야기까지 익숙해서 “위험은 있어도 구조는 대략 안다”는 느낌이 든다. 해외 자산, 신흥국, 신사업은 언어와 제도, 문화까지 낯설어서 “위험도 있고, 모호성도 크다”는 느낌이 동시에 올라온다. 그래서 실제 행동은 이렇게 정리할 수 있다. 내가 한국 자산을 많이 들고 있는 이유는 한국이 객관적으로 더 안전해서가 아니라, 덜 모호하게 느껴지기 때문이다. 3. 투자 룰과 기호 정리 이제 머릿속에서 실제로 돌아가는 수학을 보기 위해 앞으로 쓸 기호를 한 번에 정리해 둔다. E[R] 투자 대상 자산의 “기대수익률”(Expected Return) 평균적으로 1년 동안 이 자산이 어느 정도 수익을 낼 것 같은지에 대한 추정치 M 같은 기간에 선택할 수 있는 안전자산 수익률 예금, 국채 같은 “대체 가능한 안전자산”의 연 수익률 r_min 여러 시나리오를 그렸을 때, 그중 “상상 가능한 최악의 수익률” 뇌가 제일 비관적으로 보는 경우의 연 수익률 C_A Ambiguity(모호성)에 따른 비용(세금) “이 자산이 너무 모호하고 내가 모르는 게 많으니, 숫자로 보이는 기대수익률에서 이만큼은 빼고 보자”라고 머릿속에서 스스로 깎아 버리는 퍼센트 포인트 이 네 가지를 가지고 투자를 고민한다고 생각해 보자. 기본 조건은 아주 단순하다. E[R] ≥ M 이면 → 투자할 이유가 생긴다. E[R] < M 이면 → 굳이 투자하지 않는 편이 합리적이다. 하지만 실제 사람 뇌는 여기서 멈추지 않는다. 추가로 r_min과 C_A를 끼워 넣는다. 바로 여기서 현실과 교과서가 갈라지기 시작한다. 4. “최악의 시나리오 기준으로만 결정하는 뇌” 첫 번째 왜곡은 “최악만 보는 사고방식”이다. 실제로 머릿속에서는 이런 순서로 돌아간다. 투자 대상을 하나 본다. 여러 가지 미래 그림을 만든다. 경기 좋아질 때 현재 수준이 유지될 때 금리·규제·경쟁이 다 꼬여서 망가지는 최악일 때 이 중에서 가장 비관적인 그림 하나(r_min)만 가지고 결론을 내린다. 여기서 앞에서 정의한 r_min이 등장한다. r_min : “내가 상상할 수 있는 최악의 수익률” 교과서 기준은 다음과 같다. E[R] ≥ M 이면 투자 그런데 뇌는 ...

<문제의식> 이 글은 하나의 단순한 질문에서 출발한다. “대규모 언어 모델(LLM)이 서로 점점 비슷해지고, 누구나 접근할 수 있는 기본 인프라처럼 바뀐다면, 투자 관점에서 진짜 돈이 되는 자리는 어디인가?” 처음 생성형 AI 붐이 일었을 때 사람들의 시선은 거의 한곳만을 향했다. “어떤 모델이 가장 똑똑한가?”, “누가 SOTA(State of the Art)를 찍었는가?”, “파라미터 수가 얼마인가?” 같은 질문이 자연스럽게 투자 스토리의 중심이 됐다. 그래서 “가장 뛰어난 모델을 가진 회사에 베팅해야 수익을 낼 수 있다”는 직관이 거의 상식처럼 받아들여졌다. 하지만 몇 년간 숫자와 산업 리포트, 인터뷰,벨리의 글들을 읽어보니, 이야기의 중심이 조금씩 다른 곳으로 옮겨가고 있음을 느낀다. 모델 간 성능 격차는 줄어들고, 오픈소스 모델은 빠르게 위로 치고 올라오고, 기업들은 비슷한 수준의 LLM을 각자 붙여서 서비스를 만든다. 어느 순간부터 질문이 바뀐다. “어떤 LLM을 갖고 있느냐?”에서 “그 모델을 얹을 칩·전력·데이터센터, 그리고 도메인 애플리케이션과 데이터를 누가 더 탄탄하게 쥐고 있느냐?”로. 그래서 이 글은 세 가지 가설을 중심에 두고 이야기를 풀어본다. LLM이 커머디티에 가까워질수록, LLM 모델 자체에서 장기 초과수익(알파)을 얻기는 점점 어려워진다. AI 확산은 칩·데이터센터·전력 같은 인프라 레이어에 구조적인 성장 기회를 제공한다. GenAI가 만들어내는 경제 가치의 상당 부분은 실제 산업 현장에서 돌아가는 도메인 애플리케이션과 독점 데이터를 가진 기업들 쪽으로 귀속된다. 이를 검증하기보다는, 최소한 합리성이 있는 가설인지를 따져 보기 위해, 정량과 정성 자료를 반반 정도 섞어서 들여다봤다. 정량 쪽에서는 크게 세 축에 집중했다. ① 데이터센터 인프라 CAPEX(설비투자) ② 데이터센터 전력 소비 ③ GenAI의 연간 경제 가치 추정치 예를 들어 GenAI의 잠재 경제 가치는 연간 2.6~4.4조 달러 수준으로 추정되고, 전 세계 데이터센터에는 2030년까지 누적 약 6.7조 달러의 CAPEX가 들어갈 것으로 예상된다. 데이터센터 인프라 연간 지출은 2024년 약 2,900억 달러에서 2030년 1조 달러 이상으로 불어날 것으로 잡혀 있고, 전력 소비는 2024년 기준 약 415TWh(전 세계 전력의 1.5%) 수준, 최근 5년 연평균 증가율은 12% 안팎이다. 정성 쪽에서는 마이크로소프트, Appian CTO, Amadeus Capital, Cambridge Associates, EY, 인도 중앙은행(RBI), Abraham Thomas 등의 논의를 추려서, 서로 다른 주체들이 가치 이동을 어디로 보고 있는지 공통된 시각을 뽑아 보려고 했다. 이 숫자와 이야기들을 한데 꿰어 보니 대략 이런 구조가 드러난다. 모델 레이어는 기술적으로 시스템의 ‘뇌’에 가깝지만, 가격 경쟁·규제·칩·전력·데이터센터 비용 압력 아래 있어, “장기 초과수익의 중심”이 되기엔 구조적으로 불리한 자리에 서게 된다. 반대로 칩·데이터센터·전력 인프라에는 수조 달러 규모 CAPEX가 몰려들고 있고, 도메인 애플리케이션과 데이터 레이어에서는 AI 도입이 생산성 향상을 실제 매출 증가·비용 절감·리스크 축소로 바꾸어 줄 여지가 크다. 결국 LLM 커머디티화 시대에 진짜 질문은 이렇게 옮겨 간다. “어떤 모델이 SOTA(현시점에서 가장 뛰어난 성능)냐?”에서 “어느 레이어가 AI로 만든 생산성을 실제 돈으로 바꾸느냐?”로. 이 글은 그 변화된 질문 위에서, 칩·전력·툴링·도메인 앱·데이터 다섯 축을 투자 관점에서 다시 바라보려는 시도다. 1. 서론: 왜 지금 이 질문을 던져야 하는가 생성형 AI와 LLM이 등장했을 때 시장의 첫 반응은 단순했다. “더 똑똑한 모델 = 더 좋은 투자처”라는 등식이다. 파라미터 수, 벤치마크 점수, SOTA 달성 여부가 곧 기업 가치의 프록시처럼 쓰였다. 하지만 몇 년이 지나며 느껴지는 분위기는 다르다. 오픈소스 모델이 상위 LLM을 빠르게 추격하고, 비슷한 수준의 모델이 여기저기서 쏟아져 나온다. 사용자는 “쓸 만한 모델”을 선택할 수 있는 옵션이 많아지고, 기업 입장에서도 “최고 모델”이 아니어도 충분히 사업을 굴릴 수 있는 상황이 된다. 이 지점에서 LLM은 “희소한 기술자산”에서 “여러 플레이어가 공유하는 기본 자원”으로 서서히 인식이 바뀐다. 내가 관심을 갖게 된 것도 바로 이 순간이다. 그렇다면 장기 알파는 어디에서 나오는가? 여전히 모델 제공사의 몫인가, 아니면 칩·전력·데이터센터를 포함한 인프라, 혹은 각 산업의 현장에 붙어 있는 애플리케이션과 데이터 쪽인가? 숫자와 레포트를 모아 보면 방향성은 명확해진다. GenAI의 연간 잠재 경제 가치는 2.6~4.4조 달러, 데이터센터 인프라에 들어가는 누적 CAPEX는 2030년까지 6.7조 달러, 연간 인프라 지출은 2,900억 → 1조 달러, 전력 소비는 연평균 12%씩 증가 중이다. 이 정도 스케일의 돈과 전기가 움직이면 자연스럽게 떠오르는 질문은 단순하다. “이 거대한 인풋이 만들어낼 ‘이익 풀’은 어떤 레이어에 축적될 것인가?” 내가 이번 글에서 하고 싶은 일은, 그 질문을 숫자와 서사를 통해 끝까지 밀어붙여 보는 것이다. 그리고 그 과정에서, 투자자가 어디를 봐야 하는지에 대한 나름의 프레임을 정리해 보려 한다. 2. 분석의 틀: 무엇을, 어떻게 보고 판단했는가 형식적으로 말하면 “연구 방법”이지만, 실제로 한 일은 비교적 단순하다. “투자 판단에 쓸 수 있을 정도의 거칠지만 구조적인 그림을 그려보자”는 목표로, 정량 데이터와 정성 자료를 동시에 훑어본 것이다. 먼저 세운 질문은 세 가지였다. 모델 레이어 가격 경쟁, 규제, 인프라 비용, 경쟁자 수를 고려했을 때 LLM 모델 자체에서 두꺼운 마진과 장기 초과수익을 유지할 수 있는가? 인프라 레이어(칩·데이터센터·전력) 데이터센터 CAPEX와 전력 소비 증가 속도만 놓고 보더라도 이 영역은 구조적 성장 섹터로 봐도 좋은가? 성장성과 동시에 사이클 리스크는 어느 정도로 보아야 하는가? 도메인 애플리케이션·데이터 레이어 GenAI가 만들어낼 경제 가치 중 실제로 현금 흐름과 마진 개선으로 이어지는 부분이 어느 산업의 어떤 업무에서 나올 가능성이 큰가? 이 질문에 답하기 위해, 자료는 전부 공개된 2차 자료에서 가져왔다. GenAI 경제 가치: 연간 2.6~4.4조 달러(맥킨지 추정) 데이터센터 CAPEX: 2030년까지 누적 6.7조 달러 수준 연간 인프라 지출: 2024년 2,900억 달러 → 2030년 1조 달러 데이터센터 전력: 2024년 415TWh(전 세계의 1.5%), 최근 5년 연평균 12% 증가 정성 자료는, 빅테크(마이크로소프트 등)의 ...

도널드 트럼프 대통령이 지난 1월 23일 발표한 디지털 자산 전략적 비축 행정명령(https://www.whitehouse.gov/presidential-actions/2025/02/addressing-the-threat-to-nationalsecurity-from-imports-of-copper/) 과 3월 2일 추가 발표는 암호화폐 시장에 강한 파장을 일으켰다. 이번 발표에서 트럼프 행정부는 비트코인(BTC), 이더리움(ETH), 리플(XRP), 솔라나(SOL), 카르다노(ADA)를 전략적 준비금으로 지정했고, 이를 계기로 암호화폐 시장은 폭발적인 반응을 보였다. 특히 비트코인과 이더리움이 "준비금의 핵심(Core Holdings)"으로 언급되면서 제도권 내에서의 암호화폐 입지가 강화되는 계기가 되었다. 이번 행정명령의 핵심은 국가 차원의 디지털 자산 비축을 공식화하는 것이었다. 이를 위해 디지털 자산 실무 그룹(Digital Assets Task Force)을 신설하고, 6개월 내 보고서를 제출하도록 하면서 정부 차원의 연구를 본격적으로 시작했다. 다만, 1월 발표 당시에는 비트코인 외 다른 암호화폐의 포함 여부가 명확하지 않아 시장 반응이 제한적이었다. 하지만 3월 2일 추가 발표를 통해 XRP, SOL, ADA가 준비금 목록에 포함되면서 시장 분위기는 완전히 달라졌다. 발표 직후 하루 만에 비트코인은 ...