1. 전력·부지·데이터센터 셸: 가장 확실한 투자처
- LPS(Land, Power, Shell)는 전력 연결이 확보된 토지와 데이터센터 기본 건축물을 의미
- 데이터센터 건설에 대한 지역사회 반발과 전력망 부족이 심해질수록, 이미 전력이 확보된 부지의 희소가치는 급상승
- 가장 빠르게 현금 수익을 만들 수 있는 분야
- 실제로 차마스는 2029년까지 가동될 6GW 규모의 전력 자산을 확보했다고 밝힘
- AI 수요를 예측하기보다, AI 경쟁에 반드시 필요한 전력과 부지를 선점하는 곡괭이 전략
2. AI 반도체 스타트업: 이제는 투자하지 않음
- 칩 성능 요구 수준이 지나치게 높아졌고 제조 공정도 극도로 복잡해짐
- 메모리와 첨단 패키징 등 주변 공급망까지 확보해야 해 스타트업이 독자 경쟁 어려움
- Groq와 Cerebras는 10년 전 상대적으로 진입장벽이 낮았기 때문에 가능했던 사례
- 지금 이들의 성공을 재현하려는 반도체 스타트업 상당수는 막대한 자본만 소모함
- AI 칩은 기술력만으로 성공하는 시장이 아니라 제조·공급망·자본·고객 영향력을 모두 갖춰야 하는 대기업 게임이 됨
3. AI 클라우드: 돈은 되지만 리스크도 큼
- AI 클라우드는 수익성이 높지만 구축 비용이 막대하고 운영 난도 높음
- 향후 AI 안전성과 책임 문제가 커지면 클라우드 사업자에게 강력한 KYC와 사용자 인증 의무가 부과될 가능성
- 악의적 사용자가 클라우드를 이용해 사고를 일으킬 경우 사업자가 규제 책임을 질 수 있음
- 경제성은 좋지만 자본집약도와 규제 책임을 고려하면 투자 대비 위험이 지나치게 큼
4. AI 모델: 현재 매출의 질이 불확실
- 모델 기업의 현재 매출이 실제 고객가치에서 발생하는지, 비효율적으로 많은 토큰을 사용하는 모델 구조에서 발생하는지 불분명
- 이른바 토큰맥싱으로 매출이 부풀려져 있다면 모델 효율화와 가격 하락 이후 매출이 크게 감소
- 전체 토큰 소비량은 늘더라도, 작업 한 건당 비용과 모델 기업의 매출은 오히려 하락
- AI 사용량 증가가 반드시 모델 기업의 매출 증가로 이어지는 것은 아님. 모델 성능보다 토큰당 경제성이 핵심 변수
5. 하네스: 현재 가장 중요한 소프트웨어 계층
- 하네스는 AI 모델과 기업의 데이터·업무 시스템을 연결하는 운영 계층
- 기업이 보유한 데이터, 워크플로, 평가 기준, 업무 규칙 등을 하나의 독점적 맥락으로 통합함
- 팔란티어의 알렉스 카프가 말하는 기업의 알파를 AI가 활용할 수 있게 만드는 역할
- 기업이 자신의 맥락을 직접 소유하면 특정 모델에 종속되지 않고 필요에 따라 모델을 쉽게 교체할 수 있음
- 장기 경쟁력은 모델 자체가 아니라, 기업 고유의 데이터와 업무 방식을 얼마나 잘 구조화하고 연결하느냐. 이는 모델 기업의 해자를 약화
6. AI 앱: SaaS에서 맞춤형 소프트웨어로
- 하네스를 통해 기업 고유의 데이터와 업무 규칙을 소프트웨어에 직접 반영
- 이에 따라 범용 SaaS와 외주형 맞춤 개발의 경계가 사라질 가능성
- 모든 기업이 자신만의 운영 방식이 내장된 독점 소프트웨어를 저렴하게 만듦
- 기존 SaaS의 핵심 공식인 한 번 만들어 반복 판매보다, 기업별로 처음부터 맞춤 설계하는 방식이 중요
- AI는 소프트웨어를 획일화하기보다 오히려 기업별로 더 세분화하고 맞춤화