AI 버블은 정말 존재할까? 버블론에 반박하는 글과 HN 반응
I'm not convinced the AI bubble exists
TL;DR Highlight
Anthropic S-1 수치로 AI 버블론에 반박했고 HN은 허점을 짚었다
Who Should Read
LLM API 비용과 벤더 종속 위험을 따져 모델 선택을 고민하는 개발자
Core Mechanics
- 데이터센터 비용은 일회성이라는 주장
- 저자는 데이터센터 구축비가 일회성 지출이라 다 지으면 지출이 크게 줄 거라고 본다.
- 약정 3조 달러에 이미 지출 1.9조 달러가 더해져 총 약 5조 달러라고 쓴다.
- Anthropic은 컴퓨트 $1당 $2.08
- 저자는 Anthropic S-1 기준으로 컴퓨트 $1당 $2.08을 번다고 인용한다.
- 인프라 구축비를 빼면 AI는 이익이 크다는 논리다.
- 매출이 가파르게 늘었다
- Anthropic 매출은 2023년 4,100만 달러에서 2025년 45.85억 달러로 늘었다.
- 2026년 상반기 매출은 163억 달러라고 한다.
- P/E가 20대라 닷컴 버블과 다르다
- 저자는 Alphabet·Meta·NVIDIA의 P/E(주가수익비율)가 20대로 안정적이라고 본다.
- 닷컴 버블 때는 적자 기업이나 P/E 수백 배 기업이 많았다고 비교한다.
- 해자 없어도 돈은 번다
- 저자는 해자(경쟁사가 못 따라오는 우위)가 없어도 치킨 샌드위치 전쟁처럼 수익은 가능하다고 본다.
- 브랜드 충성도와 기업 계약 락인이 이탈을 어느 정도 막는다고 한다.
- 저자도 위험은 인정한다
- 데이터센터 반발, 규제, 자율 AI 해커 사고, 복잡한 부채 구조를 위험으로 꼽는다.
- 매출 성장이 갑자기 꺾이면 위험해진다고 인정한다.
Community Reactions
- GPU 감가상각 때문에 일회성이 아니라는 반론
- GPU 수명이 3~5년이라 데이터센터 지출이 크게 줄지 않는다는 의견이 나왔다.
- 사실상 OPEX처럼 작용한다는 지적도 있었다.
- 매출을 이익처럼 계산했다는 지적
- 연 2,500억 달러 상환 계산에서 Alphabet의 매출을 이익처럼 비교했다는 비판이 나왔다.
- 운영비를 빼면 상환 여력이 훨씬 작다는 의견이다.
- 모델 교체가 쉬워 락인이 약하다는 경험
- 한 댓글러는 모델 교체가 JSON 파일 한 줄 수정이라 올해만 5번 바꿨다고 했다.
- 주 수익원은 소비자보다 B2B라는 점도 짚었다.
- S-1 이후 실적이 꺾였다는 반론
- 이후 발표된 3분기 실적에서 성장이 둔화되고 영업이익이 적자로 돌아섰다는 댓글이 있었다.
- 기술 잠재력과 시장 수요를 혼동했다는 지적도 있었다.
How to Apply
- 모델 교체 비용 오늘 점검하기
- 앱의 모델명과 프롬프트를 설정 파일 한 곳으로 모아라.
- 다른 벤더 모델로 바꿔 같은 테스트 10개를 돌려 품질 차이를 기록하라.
- LLM 호출 앞에 어댑터 계층 두기
- 벤더별 SDK 호출을 하나의 인터페이스 뒤로 숨겨라.
- 가격 인상이나 서비스 중단 시 환경 변수만 바꿔 전환되게 하라.
- 월 토큰 비용 상승 시나리오 세우기
- 현재 월 토큰 사용량에 가격 인상 시나리오를 곱해 예산표를 만들어라.
- 이때 저가 오픈 모델로 대체 가능한 기능을 표시하라.
Try It
# Claude나 ChatGPT에 그대로 붙여넣기 (원문 논지를 이용한 간이 점검 프롬프트)
우리 서비스는 {{서비스 설명}}이고 현재 {{벤더·모델명}}을 월 {{토큰량}} 토큰 쓴다.
아래 두 시나리오에서 우리가 받을 영향을 표로 정리해줘.
1) 벤더 가격이 2배로 오르는 경우
2) 벤더가 서비스를 중단하는 경우
각 시나리오마다 (a) 월 비용 변화, (b) 모델 교체에 필요한 코드 수정 범위, (c) 오늘 할 수 있는 대비책 3가지를 써줘.
이어서 해 볼 것: 답변에 나온 대비책 중 가장 쉬운 하나를 오늘 구현해 보기.Terminology
관련 논문
Gemini 4 Neon 출시: 프런티어급 성능, 빠른 속도, 낮은 작업당 비용
Gemini 4 Neon은 Carbon보다 작업당 비용 32%↓, 입력 $3·출력 $15
AI가 All About Berlin을 죽이고 있다
Google AI Overviews 도입 후 베를린 가이드 사이트 트래픽이 70~75% 줄었다
모든 걸 LLM에 맡기지 마라: PostHog의 decision model 활용기
PostHog는 작은 decision model로 LLM 호출 98.7%를 건너뛰었다
GPT-6.2 Astra·Sol 출시, 댓글로 본 비용·속도와 에이전트 동작 후기
GPT-6.2 Astra·Sol은 비용이 크게 줄었지만 과설계·조기 종료 후기가 엇갈린다
TrnRT: AWS Trainium용 오픈소스 LLM 추론 엔진
trn2.48xlarge 한 대로 GLM-5.3-Flash를 OpenAI 호환 API로 서빙한다
언제 줌해야 할까: VLM에게 이미지는 얼마나 작아야 너무 작은가
큰 사진을 타일로 쪼개 보내니 Claude·Gemini 정확도가 11~14.5%p 올랐다
최신 LLM의 Positional Embedding 이해하기
GPT-2부터 RoPE까지, LLM이 토큰 위치를 넣는 방식을 정리했다
DeepSeek V3를 순수 JAX 190줄로 구현해 MacBook Air에서 학습
DeepSeek V3 핵심 구조를 JAX 190줄로 짜서 맥북에어에서 2.6시간 학습