기업 AI 전쟁, 승부는 모델보다 클라우드다

01기업 AI는 모델 경연이 아니라 운영체계 경쟁이 됐다

기업 AI 도입의 무게중심은 챗봇 시연에서 실제 업무 흐름으로 이동한다. 초기에는 질문에 그럴듯한 답을 내놓는지가 관심사였지만, 운영 단계에서는 사내 문서를 정확히 찾고 접근 권한을 지키며 기존 시스템에 결과를 기록해야 한다. 여기서 모델 자체보다 데이터베이스와 보안 정책, 애플리케이션을 연결하는 클라우드가 더 큰 역할을 맡는다. 모델 성능 경쟁이 클라우드 운영 경쟁으로 바뀌는 이유다.

2025년 현재 대기업 상당수는 생성형 AI를 시험했지만, 전사 수익으로 연결한 사례는 아직 제한적이다. 개념검증에서는 수백 명이 잠깐 사용해도 충분하다. 전사 배포는 수만 명의 동시 사용량, 민감정보 유출 가능성, 응답 속도까지 감당해야 한다. 실험에서 잘 작동한 서비스가 운영 단계에서 멈추는 이유는 모델의 지능보다 이 간극에 있다.

AI 에이전트의 부상은 클라우드 의존도를 더 높인다. 에이전트는 답변만 생성하지 않고 데이터 조회나 주문 처리 같은 행동을 실행한다. 잘못된 답변은 수정하면 되지만 잘못된 송금이나 계약 변경은 비용이 훨씬 크다. 기업은 에이전트가 어떤 데이터에 접근했고 어떤 작업을 수행했는지 기록할 수 있는 통제 계층을 요구한다.

이 변화는 Azure·AWS·GCP가 모델 가격을 낮추는 것만으로 승리하기 어렵게 만든다. 기존 업무 시스템에 가장 짧은 경로로 들어가고, 사고가 났을 때 원인을 추적하며, 사용량 증가에도 비용을 예측할 수 있어야 한다. 투자자에게도 모델 벤치마크보다 운영 워크로드의 정착률이 더 유용한 판단 기준이 된다.

02Azure의 가장 강한 무기는 모델이 아니라 배포 경로다

Azure는 기업이 이미 쓰는 마이크로소프트 환경에서 AI를 확장할 수 있다는 점이 가장 강하다. 대기업의 직원 계정과 문서 권한이 Microsoft 365와 Entra에 묶여 있고, 개발자는 GitHub와 Visual Studio를 사용한다. AI를 새로 구매하는 절차보다 기존 계약에 기능을 추가하는 경로가 짧다. 배포 마찰이 낮다는 장점은 모델 성능 차이가 줄어들수록 더 강해진다.

Azure AI Foundry는 이 배포 경로를 개발 플랫폼으로 확장한다. 기업은 OpenAI 모델만이 아니라 외부 및 오픈소스 모델을 비교하고, 검색증강생성과 평가 절차를 한 환경에서 관리할 수 있다. Microsoft 365 Copilot은 완성된 업무 애플리케이션을 제공하고 Azure는 기업별 맞춤 개발을 맡는다. 두 층을 함께 보유한 구조가 Azure의 차별점이다.

OpenAI와의 긴밀한 제휴는 여전히 강력하지만 과거처럼 단순한 독점 논리로 평가해서는 안 된다. OpenAI는 막대한 연산 능력을 필요로 하고 공급원을 넓히려는 유인이 있다. 마이크로소프트도 자체 소형언어모델과 외부 모델을 Azure에 올리며 선택지를 늘린다. 관계의 가치는 독점 여부보다 OpenAI 수요를 Azure 사용량과 기업 계약으로 얼마나 전환하느냐에 달렸다.

약점은 비용과 제품 복잡성이다. 직원당 과금하는 Copilot은 이용률이 낮으면 고객의 비용 절감 대상이 되기 쉽다. 보안과 데이터 제품이 촘촘하게 연결된 구조는 대기업에는 편리하지만, 기존 마이크로소프트 생태계가 약한 회사에는 잠금 효과로 보일 수 있다. AI 인프라 투자와 감가상각이 빠르게 늘면 Azure 성장률이 높아도 영업 레버리지가 늦게 나타날 가능성도 있다.

Azure를 평가하는 기준은 Copilot 좌석 수 자체가 아니다. 고객이 시험 계정을 유료 갱신하고, Copilot 사용이 Azure 데이터 처리와 애플리케이션 소비로 이어져야 한다. 이 연결이 확인되면 마이크로소프트는 소프트웨어 유통망을 AI 인프라 매출로 바꿀 수 있고, 연결이 약하면 높은 설비투자만 먼저 손익계산서에 남는다.

03AWS는 화려한 입구보다 깊은 인프라에서 강하다

AWS의 경쟁력은 기업의 핵심 시스템이 이미 그 위에서 돌아간다는 사실에서 나온다. 전자상거래와 금융 서비스, 소프트웨어 기업은 데이터베이스와 저장소를 AWS에 두고 장기간 운영해 왔다. 생성형 AI 애플리케이션도 기존 데이터 가까이에서 실행하는 편이 지연시간과 이동 비용을 줄인다. 설치 기반의 깊이가 AWS의 방어선이다.

Amazon Bedrock은 특정 모델 하나에 승부를 걸기보다 고객에게 선택권을 제공한다. Anthropic의 Claude, Meta의 Llama, Amazon 자체 Nova 계열을 같은 관리 체계에서 이용하도록 설계한다. 기업은 업무별로 성능과 가격이 다른 모델을 배치할 수 있고, 한 모델의 장애나 가격 변경에 대한 의존도도 낮출 수 있다. 모델이 빠르게 교체되는 시장에서는 이 중립성이 장점으로 작동한다.

AWS는 Trainium과 Inferentia 같은 자체 칩으로 비용 구조를 바꾸려 한다. 엔비디아 GPU는 범용성과 개발 생태계가 강하지만 가격과 공급 부담이 크다. 반복적인 추론 작업을 자체 칩으로 옮기면 AWS는 외부 반도체 업체에 지급하던 경제적 몫을 내부에 남길 수 있다. 고객이 소프트웨어를 얼마나 쉽게 이전하느냐가 실제 절감 폭을 결정한다.

약점은 사용자가 바로 체감하는 업무용 AI 접점이 상대적으로 약하다는 데 있다. 마이크로소프트는 Office, 구글은 Workspace와 검색 서비스를 통해 직원 화면에 접근한다. AWS는 개발자와 인프라 책임자에게 강하지만 일반 직원이 매일 여는 애플리케이션에서는 존재감이 작다. Amazon Q를 내놓은 배경도 이 간격을 메우려는 데 있다.

AWS의 승부는 대화형 AI 브랜드보다 Bedrock 사용이 데이터베이스와 서버리스 컴퓨팅 소비를 얼마나 끌어올리는지에서 갈린다. 기존 고객이 AI를 추가할 때 다른 클라우드로 이동하지 않는다면 AWS는 점유율을 지키면서 계정당 지출을 높인다. 반대로 AI 프로젝트의 의사결정권이 업무 소프트웨어 업체로 넘어가면 강한 인프라 기반만으로는 신규 수요를 모두 흡수하기 어렵다.

04GCP는 데이터와 자체 모델을 한 몸처럼 묶는다

GCP는 데이터 분석과 AI 모델을 하나의 기술 체계로 묶는 능력이 강하다. BigQuery에 쌓인 데이터를 Vertex AI와 연결하면 기업은 별도 이동 절차를 줄이고 모델을 학습하거나 검색증강생성을 구현할 수 있다. 구글은 Gemini를 직접 개발하고 TPU도 설계한다. 칩에서 모델과 데이터 플랫폼까지 이어지는 수직 통합이 두 경쟁사와 다른 지점이다.

Gemini는 텍스트뿐 아니라 이미지와 영상, 긴 문맥을 처리하는 능력을 앞세운다. 제조업의 장비 영상이나 보험사의 대량 문서처럼 비정형 데이터 비중이 큰 업무에서 멀티모달 기능은 실제 활용 범위를 넓힌다. 모델의 맥락 창이 길어지면 문서를 잘게 나누는 작업이 줄어들 수 있지만, 긴 입력은 추론 비용을 높인다. 기능 우위가 곧바로 고객의 경제성 우위로 이어지는 것은 아니다.

구글의 자체 TPU는 공급과 원가 양쪽에서 전략적 자산이다. 외부 GPU 공급이 빠듯할 때 자체 가속기를 배치할 수 있고, Gemini에 맞춰 하드웨어와 소프트웨어를 함께 최적화할 수 있다. 충분한 사용량이 쌓이면 단위당 추론 비용도 낮출 여지가 생긴다. 다만 고객이 특정 하드웨어와 개발 도구에 익숙해져야 하므로 범용 GPU 생태계를 선호하는 수요와 충돌한다.

GCP가 넘어야 할 장벽은 기술보다 기업 영업의 누적 역사다. AWS와 Azure는 장기간 쌓은 대형 고객 계약과 파트너망을 갖고 있다. GCP는 분석과 AI 프로젝트를 발판으로 진입하더라도 고객의 핵심 업무 시스템 전체를 가져오기까지 시간이 걸린다. 검색 광고 중심으로 성장한 구글이 장기 지원과 비용 예측을 중시하는 기업 문화를 얼마나 설득하느냐도 관건이다.

GCP는 전체 클라우드를 한 번에 대체하기보다 데이터 집약적인 AI 워크로드부터 침투할 가능성이 높다. 이 전략이 성공하면 상대적으로 작은 기반에서 높은 성장률을 유지하고 기존 분석 고객의 지출을 확대할 수 있다. 기술력이 인상적이라는 평가만으로는 부족하며, 계약 규모와 갱신률이 따라와야 Alphabet의 AI 투자가 클라우드 수익성으로 번역된다.

05토큰 가격보다 통합 비용이 손익을 더 크게 흔든다

기업 AI의 총비용은 모델 호출 가격만 비교하면 거의 반드시 과소평가된다. 개념검증에서는 API 사용료가 눈에 잘 보이지만, 운영에 들어가면 데이터 정리와 접근권한 설정에 더 많은 인력이 투입된다. 응답을 평가하고 잘못된 출력을 추적하는 체계도 계속 유지해야 한다. 사용자가 늘수록 통합·보안 비용이 모델 비용보다 빠르게 커질 수 있다.

추론 비용은 사용 패턴에 따라 크게 달라진다. 직원이 가끔 문서를 요약하는 서비스와 에이전트가 하루 종일 업무 시스템을 호출하는 서비스는 경제성이 전혀 다르다. 에이전트는 한 번의 요청을 해결하려고 모델을 반복 호출하고 외부 도구의 결과를 다시 검증한다. 화면상 한 번의 클릭이 내부에서는 수십 차례의 연산으로 늘어날 수 있다.

클라우드 3강은 이 비용 문제를 자체 칩과 소형 모델, 예약 용량으로 풀려 한다. 복잡한 판단에는 고성능 모델을 쓰고 단순 분류에는 작은 모델을 배치하면 평균 비용을 낮출 수 있다. 프롬프트와 답변을 재사용하는 캐시도 반복 업무에 효과가 있다. 이런 최적화를 고객이 직접 하기 어려울수록 관리형 플랫폼의 가치는 높아진다.

계약 구조도 수익성을 좌우한다. 고객에게 고정된 직원당 가격을 받으면서 실제 사용량이 급증하면 공급자의 마진이 악화될 수 있다. 반대로 사용량 기반 과금은 공급자를 보호하지만 고객의 예산 예측을 어렵게 만든다. 그래서 장기 승자는 가장 싼 토큰을 파는 사업자가 아니라 사용량을 통제하면서 고객이 체감하는 업무 성과를 유지하는 사업자가 될 가능성이 높다.

06AI 지출이 늘어도 클라우드 이익이 따라온다는 보장은 없다

강세 전망의 가장 약한 고리는 기업 고객의 투자수익률이 아직 충분히 검증되지 않았다는 점이다. 코딩 보조와 고객 상담처럼 성과를 측정하기 쉬운 분야에서는 생산성 개선이 나타난다. 반면 지식노동 전반에 AI를 배포하면 절약한 시간이 실제 인건비 감소나 매출 증가로 이어졌는지 분리하기 어렵다. 예산 책임자는 흥미로운 사용 사례보다 회수 기간을 요구한다.

환각과 데이터 유출은 단순한 품질 문제가 아니다. 금융이나 의료 업무에서 잘못된 답변은 규제 비용과 법적 책임을 만든다. 검색증강생성이 오류를 줄여도 원본 문서가 오래됐거나 권한 설정이 틀리면 안전하지 않다. 모델 출력에 사람의 승인을 붙이면 위험은 낮아지지만 자동화 효과도 함께 줄어든다.

멀티클라우드는 공급자 의존도를 낮추는 해법처럼 보이지만 운영 복잡성을 키운다. 클라우드마다 권한 체계와 데이터 서비스, 관측 도구가 다르기 때문이다. 동일한 모델을 두 곳에서 호출할 수 있어도 주변 애플리케이션까지 옮기기는 쉽지 않다. 실제 기업은 모든 계층을 분산하기보다 특정 워크로드에 두 번째 공급자를 두는 방식을 택할 가능성이 높다.

공급자 측 위험은 설비투자의 시간차다. 데이터센터와 전력 설비에는 거액이 먼저 들어가지만 고객 매출은 수년에 걸쳐 발생한다. 서버는 빠르게 노후화되고 신규 칩이 나오면 기존 장비의 경제적 가치가 낮아질 수 있다. 매출 성장률이 유지돼도 감가상각과 전력비가 더 빠르게 늘면 클라우드 영업이익률은 압박받는다.

따라서 AI 수요가 강하다는 사실만으로 세 기업의 주주가 같은 이익을 얻지는 않는다. 고객의 생산성 효과가 약하면 계약 갱신이 둔화하고, 공급이 과도하면 가격 경쟁이 거세진다. 투자자는 발표된 기능 수보다 유료 전환과 설비 가동률, 감가상각 증가 속도를 함께 봐야 과잉투자 위험을 걸러낼 수 있다.

07승자는 한 곳이 아니라 수익화 방식으로 갈릴 가능성이 크다

클라우드 AI 시장은 한 사업자가 전부 차지하기보다 서로 다른 진입로를 가진 3강 체제로 이어질 가능성이 높다. Azure는 업무 소프트웨어와 기업 계정을 통해 들어가고, AWS는 기존 인프라의 깊이를 활용한다. GCP는 데이터 분석과 자체 AI 기술을 앞세운다. 같은 기업이 업무용 AI는 Azure에서 쓰고 데이터 모델은 GCP에서 개발하며 핵심 거래 시스템은 AWS에 남겨둘 수도 있다.

마이크로소프트를 볼 때는 Azure 성장 중 AI 서비스의 기여가 일시적인 용량 확대인지 반복 사용인지 구분해야 한다. Amazon은 AWS 성장률과 함께 자체 칩 채택, 영업이익률을 살펴야 한다. Alphabet은 GCP의 높은 성장세가 영업이익 확대로 이어지는지 확인해야 한다. 각 회사가 같은 AI 수요를 다른 손익 구조로 받아들이기 때문이다.

수주잔고도 그대로 믿기 어렵다. 장기 계약은 미래 매출의 가시성을 높이지만 고객이 실제로 사용해야 매출로 인식된다. 공급자가 가격 할인이나 대규모 크레딧을 제공했다면 계약 금액이 높아도 경제적 가치가 낮을 수 있다. 매출 성장과 현금흐름, 감가상각을 나란히 놓아야 계약의 질이 보인다.

밸류에이션은 결국 AI가 기존 클라우드 성장률을 얼마나 오래 높이고 마진을 어디까지 남기느냐에 달렸다. 높은 기대가 주가에 반영된 상태에서는 매출이 늘어도 설비투자와 비용이 예상보다 크면 평가가 낮아질 수 있다. 반대로 기업 AI가 반복 업무에 깊게 자리 잡으면 클라우드 이전 비용이 커져 장기 고객가치는 상승한다.

앞으로의 경쟁을 읽는 가장 현실적인 방법은 모델 순위표가 아니라 기업 고객의 행동을 추적하는 것이다. 시험 프로젝트가 전사 계약으로 바뀌는지, 사용량 증가가 갱신으로 이어지는지, 공급자가 투입 자본보다 충분한 현금을 회수하는지가 판단을 바꾼다. 이 세 조건을 먼저 충족하는 사업자가 기술 뉴스의 승자가 아니라 주주가치의 승자가 된다.