AI 반도체의 성능은 계속 좋아지고 있다.
같은 전력으로 더 많은 연산을 처리하고, 같은 비용으로 더 많은 Token을 생산할 수 있다면 아주 자연스러운 의문이 생긴다.
같은 일을 처리하기 위해 필요한 GPU의 숫자는 결국 줄어드는 것 아닐까?
논리적으로 틀린 말은 아니다.
AI 효율이 두 배 좋아졌는데 AI 사용량이 그대로라면, 동일한 작업을 수행하는 데 필요한 Compute는 줄어들 수 있다.
그런데 여기에는 하나의 변수가 빠져 있다.
AI가 싸졌을 때 사람들이 AI를 얼마나 더 많이 사용하게 되는가 다.
오히려 새로운 수요를 만들어낼 수도 있다.
19세기 석탄에서 발견된 이 현상이 21세기 AI에서도 나타날 수 있을까?
그리고 만약 그렇다면 GPU뿐 아니라 HBM, 네트워크, 전력, 냉각, 데이터센터로 이어지는 AI CAPEX 전체에는 어떤 의미가 있을까?
1 제번스의 역설 — 효율이 좋아졌는데 왜 소비는 늘었을까?
제번스의 역설은 19세기 영국의 경제학자 윌리엄 스탠리 제번스(William Stanley Jevons)가 석탄 소비를 관찰하면서 제시한 개념이다.
당시 증기기관의 효율은 빠르게 개선되고 있었다.
같은 일을 하기 위해 필요한 석탄의 양이 줄어든다면 당연히 영국 전체의 석탄 소비도 줄어들 것처럼 보였다.
하지만 제번스가 주목한 현상은 반대였다.
증기기관의 효율이 좋아지면서 기계 한 대를 돌리는 비용이 낮아졌고, 증기기관을 경제적으로 사용할 수 있는 영역이 빠르게 확대됐다.
공장뿐 아니라 철도, 선박, 광산 등 더 많은 산업에서 증기기관이 사용되기 시작했다.
여기서 중요한 것은 효율이 좋아지면 무조건 소비가 늘어난다는 뜻이 아니라는 점이다.
핵심은 비용 하락에 따른 수요 증가가 얼마나 큰가다.
즉 제번스의 역설은 효율 향상의 기술적 효과와 비용 하락에 따른 경제적 수요 확대가 서로 경쟁하는 현상이라고 볼 수 있다.
이제 이 구조를 AI에 적용해보자.
2 AI에서도 같은 일이 일어날까? — Token Economy와 AI Agent
AI Factory의 가장 직접적인 생산물은 Token이다.
GPU와 AI 시스템의 효율이 개선된다는 것은 결국 같은 전력과 자본으로 더 많은 Token을 생산할 수 있다는 의미로 연결된다.
따라서 AI 시스템이 발전할수록 Cost/Token, 즉 Token 하나를 생산하는 비용은 낮아질 수 있다.
AI가 싸진다는 것은 단순히 ‘같은 일을 싸게 한다’는 뜻이 아니다
이 부분이 중요하다.
AI 비용이 낮아지면 기존에 하던 일을 더 싸게 처리할 수 있다.
하지만 그것만 일어나는 것은 아니다.
이전에는 AI를 쓰기에 비용이 너무 높거나, 경제성이 부족했던 업무에도 AI를 적용할 수 있게 된다.
지금까지 경제성이 없었던 새로운 일을 AI에게 맡길 수 있게 된다는 뜻이기도 하다.
예를 들어 과거에는 사람이 직접 처리했던 검색, 자료조사, 문서분석, 번역, 코드 작성, 고객응대, 디자인, 데이터 분석 같은 업무를 AI가 수행할 수 있다.
AI 비용이 더 낮아지면 더 작은 업무까지 AI가 침투한다.
그리고 여기에서 AI Agent가 등장한다.
Chatbot과 Agent는 Token을 사용하는 방식이 다르다
↓
추론
↓
답변
↓
Tool 호출 → 코드 실행
↓
검증 → 수정 → 다시 추론
Chatbot에서는 사람이 질문해야 AI가 움직였다.
하지만 Agent는 하나의 업무를 완성하기 위해 스스로 여러 단계를 반복할 수 있다.
이 구조에서는 사용자 수가 크게 늘지 않더라도 한 명의 사용자가 소비하는 Token의 양 자체가 커질 가능성 이 있다.
예를 들어 기존 AI가 한 번의 질문과 답변으로 일을 끝냈다면, Research Agent나 Coding Agent는 하나의 결과물을 만들기 위해 검색하고, 코드를 실행하고, 결과를 다시 읽고, 틀린 부분을 수정하는 과정을 반복할 수 있다.
AI가 더 똑똑해지는 것과 동시에 AI가 수행하는 업무의 길이와 복잡도도 커질 수 있는 것이다.
그 결과 Token을 얼마나 더 많이 사용하게 되는가가 더 중요하다.
3 AI가 효율화되는데 왜 AI CAPEX는 계속 커질 수 있을까? — AI Factory의 확장
여기서 다시 처음 질문으로 돌아가보자.
AI 시스템의 효율이 두 배 좋아지면 동일한 AI 업무를 처리하기 위해 필요한 GPU 숫자는 줄어들 수 있다.
이것만 놓고 보면 GPU 수요와 AI 투자도 감소해야 할 것처럼 보인다.
하지만 실제 AI CAPEX를 GPU 구매비용 하나로만 보면 안 된다.
AI Factory를 운영하려면 Compute부터 Memory, Network, Power, Cooling까지 여러 설비가 동시에 필요하다.
따라서 우리가 봐야 할 것은 GPU 한 장의 효율이 아니라 AI Factory 전체의 생산량과 설비 규모다.
효율 개선과 수요 증가 중 누가 더 빠른가?
아주 단순한 예를 들어보자.
Token 사용량 : +30%
Token 사용량 : +400%
따라서 AI 시대의 제번스 효과를 이해하는 가장 중요한 질문은 의외로 간단하다.
수요 증가가 효율 개선보다 계속 빠르다면 더 효율적인 AI 시스템이 등장하더라도 AI 인프라 전체의 수요는 오히려 커질 수 있다.
AI CAPEX에는 ‘양’과 ‘질’ 두 가지 증가 요인이 있다
AI 사용량과 Token 수요가 증가하면 더 많은 AI Factory와 더 많은 GPU 클러스터가 필요해질 수 있다.
더 강력한 AI 시스템은 HBM·네트워크·전력·냉각 등 AI Factory 한 곳에 필요한 설비의 수준도 높인다.
첫 번째는 단순하다.
AI 사용량이 늘어나면 더 많은 AI Factory를 지어야 한다.
하지만 두 번째도 중요하다.
차세대 AI 시스템으로 갈수록 고성능 메모리와 네트워크가 필요하고, AI 랙의 전력밀도가 높아지면서 전력·배전·냉각 인프라에 대한 요구도 커질 수 있다.
그래서 AI CAPEX는 단순히 “GPU를 몇 개 더 사느냐”의 문제가 아니다.
AI Factory 하나가 커질수록 HBM, Network, Power, Cooling으로 돈이 흘러가는 영역 자체가 넓어진다.
그렇다면 지금 AI CAPEX는 제번스 효과일까, 버블일까?
여기서 한 가지를 명확하게 해야 한다.
제번스의 역설이 존재한다고 해서 AI CAPEX가 영원히 증가한다는 뜻은 아니다.
AI 투자가 경제적으로 정당화되려면 실제 AI 사용량과 경제적 가치가 투자 규모를 뒷받침해야 한다.
Token 사용량 ↑↑↑
Agent 활용 ↑
AI 매출·생산성 ↑
AI Factory 가동률 유지
→ CAPEX 확대가 정당화될 가능성
Token 사용 증가 둔화
AI 수익화 부진
Compute 가동률 하락
투자 대비 경제적 가치 부족
→ 과잉설비 위험
결국 AI 버블 여부를 판단할 때도 단순히 “빅테크가 너무 많은 돈을 쓰고 있다”만 봐서는 부족하다.
AI Factory가 생산하는 Token과 그 Token이 만들어내는 경제적 가치가 얼마나 빠르게 증가하고 있는지를 함께 봐야 한다.
투자자가 확인해야 할 다섯 가지
이 다섯 가지가 함께 증가한다면 AI CAPEX 확대는 단순한 버블보다는 새로운 AI 수요가 만들어내는 인프라 투자 사이클일 가능성이 높아진다.
반대로 AI 투자 규모만 커지고 사용량과 경제적 가치가 따라오지 않는다면 그때부터는 과잉투자를 의심해야 한다.
마무리 — AI 효율화는 GPU 수요의 적일까, 친구일까?
AI 시스템의 효율이 계속 좋아지는 것을 보면 한 가지 생각이 자연스럽게 떠오른다.
“같은 일을 더 적은 GPU로 할 수 있는데, 앞으로 GPU와 데이터센터를 계속 이렇게 많이 지을 필요가 있을까?”
충분히 합리적인 질문이다.
그리고 실제로 AI 사용량이 충분히 증가하지 않는다면 Compute 수요는 줄어들 수도 있다.
하지만 제번스의 역설이 보여주는 것은 기술의 효율 향상이 항상 총수요 감소로 연결되는 것은 아니라는 점이다.
AI가 싸질수록 검색, 코딩, 연구, 고객응대, 영상, 로봇, 자율주행, 개인 Agent와 기업 Agent 등 지금까지 AI를 사용하지 않았던 영역으로 AI가 들어갈 수 있다.
특히 AI가 Chatbot에서 Agent로 이동한다면 사람이 AI를 사용하는 시간보다 AI가 뒤에서 수행하는 작업량과 Token 소비량이 더 빠르게 증가할 가능성도 있다.
더 중요한 것은 AI가 싸지는 속도보다 우리가 AI를 얼마나 더 빠르게 사용하게 되는가다.
Token 수요 증가가 Compute 효율 개선을 계속 초과한다면, 효율 향상은 GPU와 AI 인프라의 수요를 없애는 것이 아니라 새로운 수요를 만들어낼 수 있다.
그리고 그 수요는 GPU에서 끝나지 않고 HBM·네트워크·전력·냉각·데이터센터까지 AI Factory 전체의 CAPEX로 확산될 수 있다.
AI가 싸지는 것이 AI CAPEX의 끝일까,
아니면 더 거대한 Token Economy의 시작일까?
William Stanley Jevons · The Coal Question
Jevons Paradox / Rebound Effect 관련 경제학 논의
NVIDIA AI Factory 및 Token Economics 관련 공개자료
AI Agent · Inference · Data Center Infrastructure 관련 산업자료
※ 제번스의 역설은 효율 향상 시 총수요가 반드시 증가한다는 법칙이 아니라, 비용 하락에 따른 수요 확대 효과가 효율 개선 효과를 넘어서는 경우 총소비가 증가할 수 있다는 경제학적 개념입니다.
※ 본문은 특정 종목의 매수·매도 의견이 아니라 AI 산업의 구조와 투자 메커니즘을 이해하기 위한 글입니다.


댓글
댓글 쓰기