1. 모델에 부여된 과도한 밸류 프리미엄
- 모델 성능은 빠르게 복제되고 선두와의 격차는 수개월에 불과함
- 학습 및 추론 비용 절감분은 모델 개발사의 이익이 아닌 최종 고객에게 이전됨
- 기초모델 기업에 투자할 때는 모델의 똑똑함보다 원가 구조 우위와 인프라 자본력을 검증해야
2. 컴퓨트 인프라, 제본스 역설의 현실화
- DeepSeek의 극단적 비용 절감은 컴퓨트 수요를 줄이는 것이 아니라
- 에이전트 병렬 실행, 긴 컨텍스트 주입, 추론 횟수 폭발을 유발
- 지능의 단가가 낮아질수록 총 컴퓨트 소비량은 늘어남
- AI 가속기, HBM, 광통신, 전력망, 데이터센터 액체냉각 밸류체인은 가장 확실한 자본지출 수혜를 유지
3. NVIDIA 위험 요인은 마진 정상화
- 핵심 위험은 AI 반도체 수요 자체의 감소가 아니라 소프트웨어 락인 약화에 따른 마진 하락
- AI를 활용한 코드 자동 변환과 TileLang 등 하드웨어 추상화 컴파일러의 발전으로 고객사들은 빅테크 자체 칩, 전문 추론 칩, 대체 가속기를 혼용하기 시작함
4. 단일 칩 성능보다 시스템 및 원가 효율
- 중국 AI 생태계 수혜주 분석 시 단일 NPU 벤치마크보다 슈퍼노드 연결 대역폭, 소프트웨어 컴파일러 최적화, 파운드리 실제 양산 수율과 수량을 확인해야 함
- 화웨이 승등 생태계 및 관련 파운드리, 패키징 밸류체인의 실질 출하량이 핵심 지표
5. 지속 학습 기술
- 모델이 사용자 피드백과 업무 이력을 가중치 및 메모리에 안정적으로 업데이트하는 지속 학습 관련 기술 및 상태 관리 플랫폼이 차세대 AI 엔지니어링의 핵심 영역으로 부상
6. 데이터와 유통망을 쥔 자의 승리
- 기초모델 단가가 하락할수록 고유한 비즈니스 데이터, 정교한 워크플로우, 강력한 유통망을 가진 기존 SaaS 및 특화 앱 기업의 마진율이 개선됨
- 반면 독자 데이터 없이 API만 연결한 서비스는 모델 자체 기능 흡수로 소멸
7. 데이터 해자의 재정의, 판정 능력
- 단순 텍스트 데이터의 가치는 하락하고, 전문가의 의사결정 승인/거절 데이터, 결과의 정답 여부를 검증할 수 있는 피드백 루프를 가진 기업이 승리
- 데이터를 단순히 쌓아둔 회사보다 정답을 판정할 수 있는 프로세스를 가진 기업이 유일한 데이터 해자를 구축
8. AI 기업의 최우선 지표, 핵심 연구진 이탈률
- AI 모델과 알고리즘은 논문과 오픈소스로 공개되지만, 이를 만들어낸 핵심 연구팀의 암묵지와 최적화 노하우는 복제되지 않음
- 자본 조달 능력이나 벤치마크 점수보다 핵심 연구진의 이탈 여부 및 자율적 연구 문화 유지가 AI 기업의 진정한 장기 경쟁력 지표