AI 기업들이 막대한 부채를 장부 밖에 숨기고 있다는 보도
AI Companies Are Trying to Hide a Staggering Amount of Debt
TL;DR Highlight
Nikkei: 빅테크 5곳의 대차대조표 밖 부채 1.65조 달러, 공시 부채보다 많다
Who Should Read
AI 인프라 투자 과열과 LLM API 가격·공급 안정성이 걱정되는 LLM 서비스 개발자
Core Mechanics
- 장부 밖 부채가 1.65조 달러
- Nikkei Asia는 Alphabet·Microsoft·Amazon·Meta·Oracle이 대차대조표에 안 잡히는 부채를 약 1.65조 달러 갖고 있다고 밝혔다.
- 같은 5개사가 최근 분기에 공식 보고한 부채 1.35조 달러보다 많다.
- Meta 혼자 약 4,200억 달러
- Nikkei에 따르면 Meta의 장부 밖 부채는 약 4,200억 달러다.
- 기사는 이를 AI 투자 규모가 얼마나 위태로운지 보여주는 사례로 든다.
- 수법은 Enron과 비슷한 구조
- 기사는 특수목적법인(SPV, 별도 법인 형태의 자회사)과 장부 외 약정을 쓴다고 설명한다.
- 2001년 Enron은 비슷하게 페이퍼컴퍼니 뒤에 부채를 숨기다 무너졌다.
- 주식 발행으로 자금도 조달 중
- Nikkei는 이들이 신주도 발행해 자금을 모으고 있다고 보도했다.
- 기사는 지분 희석과 투자자 신뢰 하락 가능성을 언급한다.
- 회계 전문가의 경고
- 회계 컨설턴트 Tom Selling은 Bloomberg에 "이 회계 처리가 유행인데, 한 곳이 사상누각이면 그게 위험"이라는 취지로 말했다.
Community Reactions
- 공시 방식이 문제없다는 반론
- 분기 재무제표 주석에 공시되는 합법적 방식이라, "숨긴다"는 제목은 과하다는 의견이 있었다.
- Nikkei 원문도 합법이지만 개인 투자자가 위험을 알아보기 어려울 수 있다고 썼다는 인용이 달렸다.
- 규모 대비 정상이라는 의견
- 매출 2,000억 달러, EBITDA 1,000억 달러 기업에게 4,200억 달러 부채가 다른 업종이라면 평범한 수준이라는 의견이 있었다.
- 현금이 넘치던 빅테크에 익숙해서 커 보일 뿐이라는 주장이다.
- 빅테크와 AI 스타트업이 섞였다는 지적
- 기사가 현금을 버는 대기업 회계 이야기를 OpenAI·Anthropic 같은 스타트업 거품론으로 슬쩍 넘어간다는 지적이 있었다.
- 위험한 곳은 Oracle 정도라는 의견도 있었다.
- 감가상각이 더 큰 문제라는 의견
- 데이터센터와 GPU의 감가상각 기간을 길게 잡아 이익이 수십 % 부풀려질 수 있다는 의견이 있었다.
- 결국 서버는 상각해야 하므로 이익을 앞당기는 효과일 뿐이라는 설명이 붙었다.
- 보험·연금으로 전이될 수 있다는 우려
- 사모신용이 일부 생명보험사를 장악해 부채가 보험·연금으로 넘어가면 모두의 문제가 된다는 의견이 있었다.
How to Apply
- LLM 공급사 의존도 점검표 만들기
- 오늘 30분 동안 서비스가 쓰는 모델 API 공급사와 대체 가능한 모델을 표로 정리하라.
- 공급사별 가격 인상·장애 시 전환에 걸릴 시간을 적어라.
- 모델 호출을 추상화 계층 뒤로 옮기기
- 모델명과 엔드포인트를 설정 파일로 빼서 공급사 교체를 한 줄 변경으로 만들라.
- 오픈 웨이트 모델도 대체 후보로 하나 등록하라.
- 핵심 프롬프트의 대체 모델 회귀 테스트 만들기
- 주요 프롬프트 20개를 골라 후보 모델 2개에 같은 입력으로 돌려 결과를 비교하라.
- 통과 기준을 미리 정해 두라.
Try It
# Claude 또는 ChatGPT 대화창에 붙여넣기 (원문은 금융 보도라 코드가 없어 만든 간이 점검 프롬프트)
우리 서비스는 LLM API를 다음처럼 사용한다.
- 사용 중인 공급사와 모델: {{공급사·모델}}
- 월 호출량과 비용: {{월 호출량·비용}}
- 핵심 기능: {{핵심 기능}}
공급사 가격 인상이나 서비스 중단에 대비한 벤더 종속 리스크 점검표를 만들어줘.
1) 단일 장애점 목록
2) 대체 모델로 전환할 때 바꿔야 할 코드·프롬프트
3) 한 주 안에 할 수 있는 완화 작업 3가지
이어서 해 볼 것: 답변에서 나온 3가지 중 하나를 바로 구현하라.Terminology
관련 논문
Mercury 3: 규모를 키운 diffusion LLM, 초당 1,000토큰 이상
Diffusion LLM을 40배 키웠더니 속도 4~8배, 품질은 속도 특화 모델 수준
Timestral: Mistral의 시계열 파운데이션 모델
209M 파라미터 시계열 모델이 3대 벤치마크 1위, CPU에서도 돌아간다
DeepSeek V4.1 Flash 1017 (Max) 성능·속도·가격 분석
DeepSeek V4.1 Flash 1017 Max는 지능 지수 45에 211 tok/s, 입력 $0.30
LLM 프록시를 직접 안 돌리면 무슨 일이 벌어지는지 어떻게 아나
자체 LLM 프록시를 세웠더니 키·모델·캐시 미스를 직접 볼 수 있다
DeepSeek V4.1 Flash 1017: 싼 가격에 1M 컨텍스트를 주는 에이전트용 모델
DeepSeek V4.1 Flash 1017은 입력 $0.05/M, 1M 컨텍스트의 에이전트용 모델
DeepSeek-V4.1-Flash-1017 공개: 더 짧게 생각하고 더 빠르게 일하는 에이전트용 모델
DeepSeek V4.1 Flash 마이너 업데이트로 코딩·에이전트 벤치 점수↑, 실행 시간·출력 길이↓
Llmspeed: 로컬 LLM 속도를 하드웨어 구매 전에 체감해 보는 시뮬레이터
GPU·모델을 고르면 로컬 LLM 속도를 미리 체감하게 해 주는 시뮬레이터