프론티어랩과 하이퍼스케일러는 어디까지 수직통합할 것인가(feat. Sol5.6 high)

아래 글은 Open AI Sol5.6 으로 분석되었으며, 예측은 주관적일 수 있습니다.

AI 산업은 한 기업이 발전소부터 로봇까지 모두 소유하는 완전한 수직통합으로 가지 않을 가능성이 높다. 대신 성능·비용·공급 안정성을 결정하는 핵심 병목은 직접 가져오고, 막대한 고정자산은 장기계약과 금융구조를 통해 통제하는 형태로 진화하고 있다.

Own the intelligence, own the interface, control the bottlenecks, finance the rest.
지능과 고객 접점은 소유하고, 병목은 통제하며, 나머지는 외부 자본으로 조달한다.

향후 AI 기업의 경계는 무엇을 소유하는가보다 무엇을 실질적으로 통제하는가로 판단해야 한다.

1. AI의 수직통합은 ‘소유’보다 ‘통제’다

전통 산업의 수직통합은 광산, 공장, 유통망을 직접 소유하는 방식이었다. AI에서는 세 가지를 구분할 필요가 있다.

하이퍼스케일러들은 데이터센터와 발전소를 모두 직접 소유하기보다 장기 리스, PPA, JV, SPV, 프로젝트 금융 등을 이용한다. 자산은 외부에 있어도 수요를 보증하고 규격·용량·투자 시점을 결정하면 사실상 통제권을 갖는다.

누가 그 자산을 소유했는가보다 누가 용량·규격·투자 시점·경제성을 결정하는가가 중요하다.

2. 수직통합의 경계를 결정하는 네 가지 법칙

2.1 모델 성능과 직접 연결되면 내부화된다

칩, 컴파일러, 추론 런타임, 모델, 에이전트 하네스처럼 하나의 최적화 루프로 묶이는 영역은 점점 안으로 들어온다.

Google의 TPU, AWS의 Trainium, Microsoft의 Maia, Meta의 MTIA, OpenAI의 커스텀 실리콘 움직임이 같은 방향을 가리킨다.

• 칩 아키텍처: 내부화
• 컴파일러·커널·서빙: 내부화
• 모델 아키텍처: 내부화
• 에이전트 런타임·하네스: 강한 내부화

2.2 자기 회사보다 규모의 경제가 큰 산업은 밖에 남는다

TSMC 같은 파운드리, HBM 생산, 발전소 EPC, 대형 건설은 독립 산업으로 남을 가능성이 높다.

AI 기업이 원하는 것은 반도체 공장을 직접 갖는 것이 아니라 자기 모델에 최적화된 칩을 필요한 시점에 필요한 양만큼 확보하는 것이다.

칩 설계는 내부화하지만 제조는 외부화한다.

같은 논리가 발전소와 데이터센터에도 적용된다.

2.3 고객 현장의 실패가 제품을 개선하면 내부화된다

AI 시대의 딜리버리는 단순 구축 업무가 아니다. 기업 현장에서 에이전트를 실제로 돌려봐야 어떤 권한·데이터·컨텍스트·평가체계가 필요한지 알 수 있다.

OpenAI, Microsoft, AWS가 FDE와 직접 배포 역량을 확대하는 이유다.

딜리버리의 학습은 내부화하고, 딜리버리의 노동은 외부화한다.

2.4 학습 피드백과 관계없는 자산은 굳이 소유하지 않는다

발전소 운영, 건물 시공, 범용 SI 인력처럼 모델과 제품의 개선 루프에서 멀리 떨어진 영역은 외부에 남을 가능성이 높다.

수직통합 여부를 판단하는 핵심 질문은 하나다.

이 영역을 직접 가져오면 AI 시스템의 학습·성능·단가·배포 속도가 지속적으로 개선되는가?

그렇다면 내부화되고, 아니라면 계약으로 통제한다.

3. 자본·파이낸싱: 소유하지 않고 지배한다

AI 인프라의 규모가 커질수록 하이퍼스케일러가 모든 자산을 자기 대차대조표에 올리는 방식은 비효율적이 된다.

향후 구조는 다음에 가까워질 가능성이 높다.

Frontier Lab / Hyperscaler
        ↓ 장기 수요 보증
   SPV / JV / Lease
        ↓
Private Credit / Infra Fund
        ↓
DC · Energy Infrastructure

• 직접 자기자본 투자: 확대
• 회사채·프로젝트 금융: 확대
• JV·SPV: 확대
• 장기 리스·오프테이크: 확대
• 모든 자산 직접 소유: 제한적

CapEx가 커질수록 법적 소유는 분산되고 경제적 통제는 오히려 집중될 수 있다.

4. 부지·데이터센터: 건물보다 ‘전력이 연결된 부지’가 중요하다

AI 데이터센터에서 희소한 것은 단순한 토지가 아니다.

• 전력망 접속
• 변전소
• 냉각
• 광통신
• 인허가
• 지역사회 수용성
• 건설 인력

이 모두가 확보된 부지가 희소하다.

하이퍼스케일러와 대형 프론티어랩은 AI Factory의 설계와 운영 원리는 직접 가져가되 부동산 자체를 전부 소유할 필요는 없다.

5. 에너지: 발전회사가 아니라 초대형 전력 구매자가 된다

Google, Microsoft, Amazon, Meta 등은 원전, SMR, 지열과 같은 발전 프로젝트에 직접 개입하고 있다. 그러나 목적은 발전사업 자체가 아니다.

내부화·통제할 영역

• 에너지 전략
• 전력 수요 예측
• 장기 PPA
• 발전 프로젝트 선구매
• 프로젝트 파이낸싱 지원
• Grid 전략

외부에 남을 영역

• 발전소 운영
• EPC
• 송배전 사업 대부분

LNG 산업의 take-or-pay와 유사하게 AI 기업이 장기 구매를 보증하면서 신규 발전 프로젝트를 가능하게 만드는 구조가 확대될 가능성이 높다.

전력을 직접 생산하는 기업이 되기보다 전력 생산을 가능하게 만드는 앵커 바이어가 된다.

단, xAI처럼 전력망 구축 속도가 AI 인프라 확장 속도를 따라오지 못하는 경우 현장 발전까지 직접 가져가는 예외는 계속 나타날 수 있다.

6. 칩: 가장 강하게 수직통합될 영역

AI 경제성이 커질수록 자체 실리콘의 필요성도 커진다. Google TPU, AWS Trainium, Microsoft Maia, Meta MTIA에 이어 프론티어랩 역시 같은 방향으로 움직이고 있다.

핵심은 Nvidia를 없애는 것이 아니다

Training은 최고 성능, 최신 아키텍처, 개발 생태계가 중요하기 때문에 Nvidia의 역할이 상당 기간 유지될 가능성이 높다. 반면 inference는 반복량이 압도적으로 크고 워크로드도 상대적으로 예측 가능하다.

AI 기업이 내재화할 것은 반도체 제조가 아니라 워크로드와 실리콘의 공동 설계다.

7. 모델: 직접 가져가되 멀티모델 시장은 유지된다

Google은 Gemini, Amazon은 Nova를 갖고 있고 Microsoft 역시 자체 모델 역량을 강화하고 있다. 그렇다고 하이퍼스케일러가 자기 모델만 제공할 가능성은 낮다.

클라우드 사업에서 중요한 것은 특정 모델의 독점보다 AI 워크로드가 자기 인프라와 컨트롤 플레인 위에서 돌아가는 것이기 때문이다.

AWS 입장에서는 Claude가 성공해도 Trainium과 Bedrock을 사용하면 된다. Google 역시 Anthropic이 대규모 TPU 고객이라면 Claude의 성장에서도 경제적 이익을 얻는다.

First-party 모델은 확보하되 플랫폼은 Multi-model로 유지한다.

8. 가장 중요한 전쟁터: Harness와 Agent Control Plane

모델 위에서 가장 강하게 수직통합될 영역은 에이전트 플랫폼이다.

기업 AI의 핵심 자산은 단순 모델이 아니라 다음의 결합으로 이동한다.

• Identity
• Permission
• Memory
• Context
• Tool Access
• Workflow
• Agent Runtime
• Evaluation
• Observability
• Security
• Governance

OpenAI Frontier, Microsoft Foundry·Copilot, Google Gemini Enterprise·Vertex, AWS Bedrock 모두 이 방향으로 움직이고 있다.

이 층이 중요한 이유는 모델 자체보다 Switching Cost가 높아질 가능성이 있기 때문이다.

모델이나 GPU는 교체할 수 있다. 그러나 기업의 권한, 메모리, 워크플로, 도구, 평가체계가 특정 플랫폼에 쌓이기 시작하면 이전 비용은 크게 높아진다.

클라우드 시대의 Control Plane보다 에이전트 시대의 Control Plane이 더 강한 Lock-in을 만들 수 있다.

9. 산업 버티컬: 전부 먹지 않고 위쪽을 흡수한다

프론티어랩이 금융·제조·의료·법률의 모든 애플리케이션을 직접 만드는 것은 비경제적이다.

산업의 마지막 단계에는 여전히 다음이 남는다.

• 산업별 규제
• 기업별 프로세스
• 레거시
• 독점 데이터
• 조직 권한
• 예외 처리
• 책임 구조

따라서 산업 버티컬 전체가 프론티어 플랫폼에 흡수되기보다 공통화 가능한 상단부가 플랫폼으로 올라갈 가능성이 높다.

Frontier Model
      ↓
Generic Agent Capability
      ↓
Vertical Primitive
      ↓
Industry Application
      ↓
Company-specific Last Mile

버티컬의 위쪽은 플랫폼이 먹고, 기업 특유의 마지막 구간은 산업에 남는다.

10. B2C: 포기하기 어려운 층

B2C는 단순 소비자 앱 사업이 아니다. 직접 사용자 관계를 가지면 강력한 피드백 루프가 만들어진다.

Distribution
    ↓
Interaction
    ↓
Feedback / Eval
    ↓
Model & Product Improvement
    ↓
Distribution

Google은 Search·Android·Workspace, Microsoft는 Windows·Office, Meta는 Facebook·Instagram·WhatsApp·Glasses, Amazon은 Commerce·Alexa라는 강력한 배포망을 이미 보유한다.

따라서 독립 프론티어랩일수록 직접 B2C 접점을 확보하려는 압력이 더 강해진다.

모델 경쟁보다 더 큰 전쟁은 누가 인간의 기본 AI 인터페이스가 되는가에 있다.

11. 컨설팅·딜리버리: 일부는 다시 안으로 들어온다

전통적인 클라우드 산업에서는 제품 회사와 SI의 역할 분리가 비교적 명확했다. Agent AI에서는 고객 배포 과정 자체가 제품 개발의 일부가 된다.

내부화될 영역

• 핵심 Enterprise Account
• Reference Architecture
• FDE
• 초기 Agent Deployment
• Eval Design
• 고난도 Transformation

외부에 남을 영역

• 대규모 System Integration
• 반복 구축
• Change Management
• 지역별 운영
• ERP·Legacy Migration
• 장기 Maintenance Manpower

하이퍼스케일러와 프론티어랩이 Accenture 같은 대형 SI 전체를 대체하기보다 제품 개선에 필요한 고객 접점만 안으로 가져올 가능성이 높다.

직접 구축하기 위해 딜리버리를 가져오는 것이 아니라, 제품을 더 빨리 학습시키기 위해 딜리버리를 가져온다.

12. Physical AI: 지능은 통합되고 제조는 분리된다

Physical AI에도 별도의 수직 밸류체인이 존재한다.

World Model
→ Vision-Language-Action
→ Simulation
→ Robot Runtime
→ Control
→ Chip
→ Sensor / Actuator
→ Embodiment
→ Manufacturing

Google

Gemini Robotics를 중심으로 Robot Intelligence Layer를 직접 가져가되 실제 Embodiment와 제조는 파트너 생태계를 활용하는 구조가 자연스럽다.

Amazon

물류센터라는 거대한 Captive Environment를 보유하기 때문에 AI 모델·Fleet Control·실제 로봇 운영까지 직접 연결할 경제성이 높다.

Microsoft

로봇 OEM보다는 Azure·Foundry·Simulation·Robotics Control Plane을 장악하는 방향이 자연스럽다.

Meta

범용 산업로봇보다 AI Glasses와 Wearable이 핵심 Physical Interface가 될 가능성이 높다.

OpenAI·Anthropic

Physical Reasoning과 Robot Foundation Model까지는 내려올 수 있지만 범용 로봇 제조를 직접 수행할 유인은 상대적으로 낮다.

xAI·Tesla

Tesla와 결합하면 Model → Vehicle → Robot으로 이어지는 강한 Physical AI 통합이 가능하다. 다만 단일 기업보다 전체 생태계 차원의 수직통합으로 보는 편이 정확하다.

13. 플레이어별 수직통합 방향

Upstream

● 직접 내재화 / ◐ 강하게 통제 / ○ 파트너 활용

Downstream

14. 플레이어별 최종 형태

Google — 가장 완전한 풀스택

전력 → DC → TPU → Gemini → Vertex·Agent Platform → Search·Workspace·Android → Robotics까지 이어진다. 다만 파운드리, 발전소 운영, 로봇 제조 일부는 외부에 남긴다.

Microsoft — 기업 AI의 Control Plane

DC·Maia·모델·Foundry·M365·Enterprise Deployment를 통합한다. 반면 칩과 모델에서는 Multi-vendor 전략을 병행할 가능성이 높다.

Amazon — AI 공장의 운영체제

전력·DC → Trainium → Nova·외부 모델 → Bedrock → FDE까지 연결한다. 자사 모델이 아니더라도 AWS 인프라 위에서 돌아가면 경제적 이익을 얻는다.

Meta — Consumer AI + Device

DC·Chip·Model·Consumer Distribution·Wearable을 강하게 통합하지만 Enterprise SI와 범용 Cloud Platform에는 상대적으로 덜 내려간다.

OpenAI — Quasi-Hyperscaler

Stargate → Custom Silicon → Frontier Model → Agent Platform → B2C → Enterprise Deployment로 위아래를 동시에 확장하고 있다. 프론티어랩 가운데 하이퍼스케일러와 가장 유사한 구조로 갈 가능성이 높다.

Anthropic — Asset-light Frontier Platform

AWS·Google 등 인프라 공급자를 활용하면서 Model·Coding·Agent Layer에 집중한다. 물리적 인프라의 소유보다는 Silicon Co-design과 Deployment 접점을 점차 깊게 가져갈 가능성이 높다.

xAI — 병목을 직접 제거하는 수직통합

전력과 DC까지 직접 개입할 만큼 속도를 우선한다. Tesla까지 포함하면 Vehicle·Robot·AI가 연결되는 독특한 Physical AI 구조가 가능하다.

15. 결국 어디까지 가져갈 것인가

강하게 수직통합될 영역

1. Chip Architecture
2. Model
3. Inference / Serving Stack
4. Agent Harness / Control Plane
5. 핵심 B2C Interface
6. Strategic Enterprise Deployment
7. Physical AI Intelligence

통제하지만 반드시 소유하지는 않을 영역

1. 자본
2. 전력
3. 부지
4. 대규모 데이터센터
5. Network Capacity
6. 일부 Physical Hardware

전문 산업으로 남을 가능성이 높은 영역

1. 반도체 Fabrication
2. HBM 제조
3. 발전소 운영
4. EPC·건설
5. 범용 SI Manpower
6. 기업별 마지막 Customization
7. 대부분의 Robot Manufacturing

16. 핵심 결론

AI 산업의 수직통합을 위에서 아래로 기업의 경계가 끝없이 확장되는 과정으로 보면 정확하지 않다.

실제 경계는 훨씬 선택적이다.

모델의 성능·단가·배포 속도·학습 피드백을 결정하는 층은 내부화된다. 반대로 규모의 경제가 더 큰 산업과 학습 루프에서 멀리 떨어진 자산은 외부에 남는다.

가장 강한 AI 기업은 모든 것을 직접 소유하는 기업이 아니라 지능과 고객 접점을 직접 소유하고, 핵심 병목의 설계권과 경제적 통제권을 쥔 채, 나머지 거대한 자산은 외부 자본과 전문 사업자를 활용할 수 있는 기업이 될 가능성이 높다.

결국 AI 시대의 수직통합은 자산의 통합보다 피드백 루프의 통합에 가깝다.

#AI 산업#플랫폼 비즈니스#컴퓨트·데이터센터#반도체