기본 콘텐츠로 건너뛰기

AI 효율이 좋아지면 GPU 수요는 줄어들까?|제번스의 역설과 Token Economy

AI 반도체의 성능은 계속 좋아지고 있다.

같은 전력으로 더 많은 연산을 처리하고, 같은 비용으로 더 많은 Token을 생산할 수 있다면 아주 자연스러운 의문이 생긴다.

THE QUESTION
GPU가 계속 빨라지고 AI의 생산성이 높아진다면,
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.

THE CORE IDEA
AI의 효율 향상이 수요를 줄이는 것이 아니라,
오히려 새로운 수요를 만들어낼 수도 있다.
경제학에서는 효율 향상으로 단위당 비용이 낮아졌는데도 사용량이 더 크게 증가해 총소비가 오히려 늘어나는 현상을 제번스의 역설(Jevons Paradox)이라고 부른다.

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.

JEVONS PARADOX · THE BASIC MECHANISM
01
효율 ↑ 같은 일을 더 적은 자원으로 수행
02
단위비용 ↓ 사용 경제성이 좋아짐
03
사용처 ↑ 새로운 산업과 용도로 확산
04
총수요 ↑ 가능 수요 증가가 효율 효과를 초과
효율이 좋아졌다는 사실만으로 총소비가 줄어든다고 단정할 수는 없다.

여기서 중요한 것은 효율이 좋아지면 무조건 소비가 늘어난다는 뜻이 아니라는 점이다.

핵심은 비용 하락에 따른 수요 증가가 얼마나 큰가다.

효율 개선으로 자원 사용량이 50% 줄더라도, 그 자원을 사용하는 경제활동이 3배로 늘어난다면 총사용량은 오히려 증가할 수 있다.

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.

THE TOKEN ECONOMY
AI 효율 ↑ Compute 생산성 개선
Cost/Token ↓ AI 사용비용 하락
사용처 ↑ AI 경제성 개선
Agent ↑ 자동화 업무 확대
Token Demand ↑↑ 총 AI 사용량 증가
Compute Demand 다시 증가 가능
핵심은 Cost/Token 하락폭보다 Token 사용량이 얼마나 더 빠르게 증가하는가다.

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.

AI가 싸진다는 것은 같은 일을 싸게 한다는 의미에 그치지 않는다.

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

CHATBOT
질문하고 답을 받는다
질문
↓
추론
↓
답변
한 번의 사용자 요청에 비교적 제한된 단계로 작업이 끝난다.
AI AGENT
스스로 여러 단계를 반복한다
검색 → 문서 읽기 → 추론
↓
Tool 호출 → 코드 실행
↓
검증 → 수정 → 다시 추론
하나의 업무를 완성하기 위해 여러 차례 Model 호출과 Token 소비가 발생할 수 있다.

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.

THE REAL QUESTION
Token 하나의 가격이 얼마나 싸지는가보다,
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.

AI FACTORY CAPEX
COMPUTE
GPU · CPU AI 학습과 추론을 담당하는 핵심 연산설비
MEMORY
HBM · DRAM · SSD AI 모델과 Context를 빠르게 공급하고 저장
NETWORK
Switch · Optical 수많은 GPU를 하나의 시스템처럼 연결
POWER
전력 · 변압기 · 배전 AI Factory가 소비하는 대규모 전력을 공급
COOLING
Liquid Cooling 고밀도 AI 랙에서 발생하는 열을 처리
INFRASTRUCTURE
Data Center 토지·건물·전력 연결 등 AI Factory 기반시설

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.

CASE A · 효율 개선이 더 빠른 경우
AI 효율은 2배, Token 수요는 1.3배
Compute 효율 : +100%
Token 사용량 : +30%
같은 Token을 생산하는 데 필요한 자원이 크게 줄어들기 때문에 Compute 수요와 CAPEX가 둔화될 가능성이 있다.
CASE B · 수요 증가가 더 빠른 경우
AI 효율은 2배, Token 수요는 5배
Compute 효율 : +100%
Token 사용량 : +400%
Token 생산비용은 크게 낮아졌지만, 사용량이 훨씬 더 빠르게 증가하기 때문에 전체 Compute와 AI Factory 수요는 오히려 증가할 수 있다.

따라서 AI 시대의 제번스 효과를 이해하는 가장 중요한 질문은 의외로 간단하다.

THE KEY EQUATION
Token 수요 증가가 Compute 효율 개선을 얼마나 초과하는가?

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

01 · QUANTITY
양적 확대

AI 사용량과 Token 수요가 증가하면 더 많은 AI Factory와 더 많은 GPU 클러스터가 필요해질 수 있다.

02 · QUALITY
질적 고도화

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.

GPU 한 장의 효율은 좋아지더라도, AI Factory 전체가 요구하는 설비의 규모와 복잡도는 오히려 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.

FROM EFFICIENCY TO AI CAPEX
Cost/Token ↓ AI 경제성 개선
사용처 ↑ AI 적용 확대
Agent ↑ 업무 자동화
Token ↑↑ 총 AI 소비 증가
AI Factory ↑ 인프라 증설
AI CAPEX ↑ 전체 설비투자 확대 가능

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.

HEALTHY JEVONS EFFECT
건강한 수요 확대
Cost/Token ↓↓
Token 사용량 ↑↑↑
Agent 활용 ↑
AI 매출·생산성 ↑
AI Factory 가동률 유지

→ CAPEX 확대가 정당화될 가능성
OVERINVESTMENT RISK
과잉투자
CAPEX ↑↑↑
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

1
Cost/Token AI 연산의 단위당 비용이 얼마나 빠르게 낮아지는가?
2
Token 사용량 비용 하락보다 AI 사용량이 더 빠르게 증가하고 있는가?
3
AI Agent 확산 단순 Chatbot을 넘어 반복적인 AI 업무가 얼마나 확대되는가?
4
AI Factory 가동률 증설된 Compute가 실제로 높은 수준으로 사용되고 있는가?
5
AI의 경제적 가치 기업의 매출 증가나 비용 절감, 생산성 개선으로 실제 연결되고 있는가?

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.

INVESTMENT TAKEAWAY
AI 시대의 핵심은 ‘AI가 얼마나 싸지는가’만이 아니다.

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.

결국 질문은 이것이다.

AI가 싸지는 것이 AI CAPEX의 끝일까,
아니면 더 거대한 Token Economy의 시작일까?
참고 개념 및 자료
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.
Hashtags

#제번스의역설 #JevonsParadox #AI투자 #AI #엔비디아 #NVIDIA #NVDA #GPU #TokenEconomy #토큰이코노미 #AIToken #AI에이전트 #AIAgent #AIFactory #AI팩토리 #AICAPEX #AI인프라 #AI데이터센터 #VeraRubin #베라루빈 #HBM #HBM4 #SK하이닉스 #삼성전자 #Micron #Broadcom #전력기기 #데이터센터 #미국주식 #AI버블

댓글

이 블로그의 인기 게시물

금리는 올랐는데 왜 보험 이율은 내려갈까? 공시이율·공시기준이율·평균공시이율 완벽정리

INSURANCE · INTEREST RATE · 2027 시장금리는 올랐는데, 왜 보험 이율은 내려갈까? 2027년 평균공시이율이 2.25% 로 낮아질 것으로 알려졌다. 그런데 최근 시장금리는 오히려 큰 폭으로 상승했다. 얼핏 보면 서로 반대 방향으로 움직이는 두 숫자다. 이유를 알려면 보험에서 사용하는 여러 '이율'을 먼저 구분해야 한다. 먼저 세 가지만 기억하자 ① 공시기준이율 은 시장의 외부지표금리와 보험사의 운용자산이익률을 함께 반영한다. ② 공시이율 은 공시기준이율에 조정률을 반영해 회사가 실제 적용하는 이율이다. ③ 평균공시이율 은 여러 보험사의 공시이율을 최근 12개월 기준으로 평균한 별도의 지표다. 2027년 평균공시이율 2.25%, 무슨 의미일까? 2026년 9월 28일 서울경제 보도에 따르면 금융감독원이 산출한 2027년 평균공시이율은 2.25% 로 알려졌다. 2026년 2.50%보다 0.25%포인트 낮아진 수준 이다. 2026년 2.50% 평균공시이율 2027년 보도 기준 2.25% 평균공시이율 전년 대비 -0.25%p 하락 관련 보도에서는 평균공시이율 하락과 함께 저축성보험과 단기납 종신보험 등의 보험료 인상 가능성이 거론됐다. 그런데 여기서 흥미로운 질문이 생긴다. 시장금리는 올랐는데, 왜 보험사의 이율은 오히려 내려갈 수 있을까? 이 질문에 답하려면 먼저 공시기준이율과 공시이율, 그리고 평균공시이율이 서로 다른 개념 이라는 사실부터 알아야 한다. 공시기준이율은 어떻게 만들어질까? 금리연동형 보험의 공시이율에는 기준이 되는...

ICS의 비부도 스프레드 리스크(NDSR)란 무엇인가?

THE WORLD I SEE · 보험감독 이야기 자료 확인 2026.11.11 이자도 꼬박꼬박 잘 주는데, 이 채권 가격은 왜 떨어졌을까? 보험사가 액면가 100억원인 회사채를 샀다고 가정해보자. 매년 이자 4억 원을 받고 5년 뒤 원금 100억 원을 돌려받는 채권이다. 며칠 전까지 100억 원에 거래됐는데, 오늘 시장에서 팔려고 하니 약 96억 7,300만 원을 준다고 한다. 무위험금리도, 돈을 갚을 회사의 사정도 그대로다. 달라진 건 매수자 쪽이다. 당장 현금이 귀해지자, 어제와 같은 이자를 받으면서 이 채권을 살 사람이 줄었다. 이때 매수자가 추가로 요구하는 수익률이 채권가격을 끌어내린다. 국제보험감독자협의회(IAIS)는 국제적으로 활동하는 보험그룹의 자본기준인 ICS 에서 이런 위험을 따로 본다. 무위험금리 대비 스프레드의 예상 밖 변화 중 부도 관련 요인을 제외한 부분을 비부도 스프레드 리스크(NDSR, Non-Default Spread Risk) 라고 한다. 이 채권을 들고 있는 보험사는 얼마의 손실까지 감당해야 할까? [1] [2] 먼저 읽는 세 문장 채권가격이 떨어졌다면 무위험금리 가 올랐는지, 발행사의 신용 이 나빠졌는지, 신용 전망은 그대로인데 시장이 더 많은 보상을 요구하는지 살펴야 한다. 보험사는 채권과 부채를 함께 평가한다. 스프레드를 넓히고 좁혀 본 뒤, 자본이 더 많이 줄어드는 경우 의 손실을 측정한다. K-ICS는 부도와 등급하락을 신용위험에 반영한다. 비부도성 스프레드 변동만 따로 충격하는 독립 요구자본 항목 은 국내 표준모형에 없다. 이 글의 순서 채권가격은 똑같이 내렸는데, 위험도 같을까? 만기까지 들고 갈 건데 왜 오늘 가격이 중요할까? 채권에서 잃은 3.27억 원, 보험사도 다 잃었을까? K-ICS의 금리위험액과 신용위험액으로 충분할까? 유럽도 같은 방식으로 계산할까? 01 채권가격은 똑같이 내렸는데, 위험도 같을까? 스프레드 는 채권수익률에서 같은 만기의 무위험금리를 뺀 차이다. 무위험금...

데이터센터 건설 지연, AI 투자에 숨은 리스크|엔비디아·메모리 영향

데이터센터 건설 지연, AI 투자에 숨은 리스크|엔비디아·메모리 영향 AI · INFRASTRUCTURE · FINANCIAL MARKETS 데이터센터 건설 지연, AI 투자에 숨은 리스크|엔비디아·메모리 영향 전력이 연결되기 전에 커진 투자 약속은 누구의 재고와 부채로 남을까. 리서치 노트 · 자료 확인 기준: 2026년 10월 9일 · 미국 중심, 글로벌·호주 사례 병행 AI 투자 이야기는 대체로 GPU에서 시작한다. 엔비디아의 신제품, HBM 공급 계약, 빅테크의 설비투자 규모가 시장의 시선을 끈다. 그런데 반도체를 아무리 많이 확보해도, 이를 설치할 데이터센터에 전력과 냉각 설비가 준비되지 않으면 고객에게 서비스를 제공할 수 없다. 여기서 한 가지 질문이 생긴다. AI 수요가 충분하더라도, 그 수요를 매출과 현금으로 바꾸는 인프라가 예상보다 늦어진다면 어떻게 될까? 데이터센터 건설 지연은 이 질문을 금융시장에 던진다. 특히 이미 높은 성장 기대를 반영한 기업에는 매출이 사라지는 것뿐 아니라 매출이 늦게 발생하는 것도 부담이다. 이 글의 관점 전력·건설 병목은 실제로 존재한다. 다만 개별 지연이나 IPO 철회를 곧바로 AI 산업 전체의 붕괴로 해석하기에는 근거가 부족하다. 핵심은 발표된 투자 → 실제 가동 → 고객 이용 → 현금 회수 사이의 시간차가 얼마나 벌어지는지, 그리고 그 부담을 누가 감당하는지다. 목차 데이터센터 건설 지연이 왜 이슈인지? 데이터센터 건설 지연 현황 — 자료로 확인하기 메모리 반도체 시장 등의 영향 — 엔비디아와 금융시장까지 1. 데이터센터 건설 지연이 왜 이슈인지? 건물 준공과 데이터센터 가동은 서로 다른 사건이다 데이터센터는 건물만 완성하면 끝나는 사업이 아니다. 전력망 연결 또는 자체 ...