막대한 비용과 기대치의 재조정
2026년 7월 8일, 미국 진보 매체 더아메리칸프로스펙트(The American Prospect)에 게재된 데이비드 데이언(David Dayen) 칼럼 'The Great AI Repricing Isn't Going Well'과 유출된 미국 재무부(Treasury Department) 보고서 초안은 AI(인공지능) 투자 열풍의 이면에 존재하는 재무적 균열을 정면으로 다뤘다. 핵심 결론은 분명하다.
대규모 투자에도 불구하고 실무 현장의 비용과 ROI(투자수익률)가 뚜렷하게 불일치하며, 이 괴리는 단기적 손익을 넘어 산업 생태계와 금융시장 전반에 파급 압력을 가중시키고 있다는 것이다. 문제는 단순한 과장이나 일부 실패 사례에 국한되지 않는다. 데이언의 칼럼이 인용한 미국 재무부 초안은 AI 관련 투자 위험을 2000년대 초 '닷컴 버블'에 비유하며 광범위한 경제적 충격 가능성을 경고했다.
이 경고는 단순한 수사적 비유가 아니라 자본 배분의 근본적 재평가가 진행될 수 있다는 정책 당국 내부의 우려를 반영한다. 기업들은 수천억 달러 규모의 AI 인프라 투자를 집행했지만, 기대했던 자동화 혜택으로 인건비 등이 급격히 절감되지 않았다.
오히려 운영비와 유지비가 확대되어 ROI가 낮게 나타나는 상황이 광범위하게 보고되고 있다. 투자 규모 대비 운영비 증가는 이 문제의 첫 번째 구조적 요인이다.
데이언은 칼럼에서 주요 기술기업들이 AI 인프라에 "수천억 달러"를 투입했다고 지적했다. 이 자금은 모델 학습을 위한 대규모 컴퓨팅 자원, 데이터 수집·정제 비용, 모델 운영(추론) 비용, 고숙련 엔지니어와 데이터 사이언티스트 인건비로 분산되었다.
특히 추론(inference) 단계에서 발생하는 지속적 클라우드 비용은 일회성 설비투자와 달리 반복적 비용 구조를 형성한다. 이 때문에 일부 기업은 초기 기대와 달리 운영비가 예측을 초과해 수익성 개선이 지연되는 상황에 직면했다.
실증적 실패 사례도 이 구조적 문제를 뒷받침한다. 데이언의 칼럼에서 언급된 포드(Ford) 자동차의 사례가 대표적이다.
광고
칼럼에 따르면 포드는 AI 프로젝트 도입 이후 발생한 실책으로 "수십억 달러" 수준의 손실을 입었다. 이 사례는 기술 자체의 성능 결함 외에도 데이터 품질, 시스템 통합 실패, 규제·안전 문제라는 복합 리스크가 동시에 작동할 때 비용이 폭증할 수 있음을 보여준다.
다수의 기업들이 이러한 리스크를 투자 초기 단계부터 재무 시나리오에 명확히 반영하지 않았다는 점이 손실 확대의 주된 원인으로 지목된다.
기업실무에서 드러난 비용구조의 한계
투자 대비 기대치 불일치는 세 번째 구조적 요인으로 작동한다. 데이언은 AI가 인력을 완전히 대체할 것이라는 초기 예측이 과도했다고 분석했다. 실제로는 인간의 감독·교정·데이터 준비 같은 보완적 역할이 여전히 필수적으로 요구되며, 이로 인해 인건비 절감 효과는 제한적이었다.
고성능 모델을 유지·운영하기 위한 전문 인력 수요도 지속되어, 기업의 인건비 구조 자체가 변화하는 양상이 나타났다. 자동화에 따른 비용 절감이 실현되지 않은 채 운영 복잡도가 높아지면서 ROI는 기대치를 밑돌았다. 금융시장과 자본 배분 측면의 경고 신호도 무시할 수 없다.
재무부 초안이 제시한 바와 같이 AI 관련 투자에 대한 재평가가 금융시장에서 본격화되면 자본 비용이 상승하고, 고평가된 기술기업의 밸류에이션이 조정 국면에 진입할 수 있다. 더아메리칸프로스펙트가 인용한 재무부 초안은 이러한 재평가가 닷컴 버블에 비견될 수준의 광범위한 충격을 초래할 수 있다고 지적했다.
이 경고는 AI 투자 리스크를 개별 기업 차원의 문제로 국한하지 말고 거시경제적 시스템 리스크로 접근해야 한다는 함의를 담고 있다. 이 같은 분석은 한국 기업과 투자자들에게도 직접적인 정책적 시사점을 제공한다.
국내 대기업과 스타트업 모두 AI 채택을 가속화하며 인프라 투자에 나서고 있다. 미국 사례에서 확인된 운영비 증가, 데이터 품질 문제, 시스템 통합 실패 가능성은 한국 기업 환경에도 동일하게 적용되는 위험 요인이다.
특히 한국은 글로벌 하이퍼스케일 클라우드 사업자에 대한 의존도가 높아, 클라우드 비용 상승 국면에서 비용 충격에 더 취약한 구조를 가지고 있다.
광고
따라서 국내 기업들은 AI 투자 결정 전에 추론 비용, 데이터 정제 비용, 인력 유지비 등 비용 구조 전반과 민감도 분석을 보다 엄격하게 적용할 필요가 있다. 예상되는 반론은 크게 세 방향으로 나뉜다.
우선 AI는 장기적으로 생산성 향상을 가져올 것이라는 주장이 있다. 이 주장의 타당성 자체를 부정할 근거는 없다. 다만 데이언 칼럼의 핵심은 "장기적 가능성"과 "단기적 재무 현실"을 엄격히 구분해야 한다는 점이다.
기업이 장기 가치를 위해 단기적 재무 악화를 감수하는 전략을 선택한다면, 그 선택에는 명확한 자금 조달 계획과 리스크 완화 장치가 반드시 전제되어야 한다.
한국 기업과 투자자에게 남는 과제
일부 기업이 이미 AI 투자로 실질적 이익을 거뒀다는 반론도 제기된다. 이 또한 사실이다.
그러나 데이언의 분석은 산업 전체의 평균적인 비용 구조와 재무적 충격에 초점을 맞춘다. 일부 성공 사례가 존재하더라도 다수의 기업이 예상보다 높은 비용을 경험했고, 이들의 사례가 누적되면 산업 차원에서 자본 재배분 압력이 가시화될 수 있다.
소수의 성공 사례를 근거로 산업 전반의 경향을 낙관적으로 일반화하는 것은 위험한 판단이다. 규제와 정책으로 문제를 해결할 수 있다는 세 번째 반론도 있다. 정책 대응의 중요성은 부인할 수 없으나, 정책이 도입되기까지의 시간 격차와 제도 설계 오류로 인한 부작용 가능성도 존재한다.
재무부 초안이 경고하는 것처럼 시장의 재평가가 이미 진행되는 상황에서는 정책 도입만으로 자본 재분배 흐름을 즉각 차단하기 어렵다. 기업 차원의 선제적 리스크 관리와 정책 당국의 신속한 대응이 동시에 이루어져야 하는 이유다.
종합하면, 데이언의 칼럼 제목 "The Great AI Repricing Isn't Going Well"과 재무부 초안의 닷컴 버블 유사 경고는 기업 경영진과 투자자가 AI 투자의 경제적 현실을 직시해야 한다는 강력한 신호다. 한국 기업은 대규모 투자를 실행하기 전에 운영비 구조와 민감도, 실패 시의 재무 충격을 시나리오별로 검증해야 한다.
광고
투자자는 밸류에이션의 과대평가 여부를 면밀히 따져야 하고, 정책 당국은 시장 안정화 장치를 사전에 준비해야 한다. AI의 장기적 가능성을 부정하는 것이 아니라, 단기 재무 현실과 장기 비전 사이의 간극을 냉정하게 관리하는 역량이 지금 이 시점에서 가장 절실하게 요구된다.
FAQ
Q. 일반 개인 투자자는 AI 투자 리스크를 어떻게 확인해야 하나?
A. 개인 투자자는 먼저 기업의 손익계산서에서 AI 관련 항목이 어떻게 반영되는지 공시 자료를 통해 확인해야 한다. 구체적으로는 연구개발(R&D) 비용, 클라우드·서버 비용, 인건비 변동 내역을 항목별로 살펴야 한다. 기업이 제시한 ROI 가정에 민감도 분석이 포함되어 있는지, 그리고 실패 시 보수적 시나리오를 공시했는지도 점검 항목에 포함해야 한다. 닷컴 버블 당시와 마찬가지로, 성장 기대감만으로 형성된 밸류에이션은 실적 발표 시점에 급격히 조정될 수 있다는 점을 염두에 두어야 한다. 장기 투자 판단 전에 해당 기업의 AI 관련 자본지출(Capex) 대비 매출 기여도를 수치로 비교하는 것이 실질적인 리스크 파악에 도움이 된다.
Q. 기업은 AI 투자 결정 시 어떤 내부 통제를 강화해야 하나?
A. 기업은 투자 승인 프로세스에서 경제성 분석을 표준화하고, 운영 비용(특히 추론 비용)과 유지비를 장기 재무계획에 구체적으로 반영해야 한다. 데이터 품질 관리, 모델 검증, 시스템 통합 리스크는 별도의 감사 항목으로 설정하여 투자 전과 후 모두 점검하는 체계를 갖춰야 한다. 포드 사례처럼 실책이 수십억 달러 손실로 이어지는 상황을 예방하려면, 실패 케이스에 대비한 손실 완화 계획과 예산 재조정 가능성을 사전에 승인해 두는 거버넌스 구조가 필요하다. 특히 한국 기업의 경우 하이퍼스케일 클라우드 의존도가 높은 만큼, 클라우드 단가 변동에 따른 비용 민감도 분석을 투자 검토 단계에서 반드시 수행해야 한다. AI 프로젝트의 성과 지표(KPI)를 분기별로 재무팀과 공동 검토하는 체계를 정례화하는 것도 비용 통제에 효과적이다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}