추론 on Korea Invest Insights

아스트라 다음 수요는 사무업무입니다: 토큰 증가를 한국 주식의 이익으로 바꾸는 조건

Fri, 11 Sep 2026 12:00:00 +0900

9월 3일 공개된 GPT-6 Astra와 9월 10일 발표된 금융업무·데이터 분석 제품을 함께 보면, AI 경쟁의 다음 질문이 달라집니다. 모델이 답변을 얼마나 잘하는가에서, 사람이 맡긴 일을 얼마나 오래 붙들고 끝낼 수 있는가로 이동합니다. OpenAI는 금융업무용 제품에서 자료와 출처, 회사별 문서 양식을 연결하고, 데이터 분석 제품에서는 사내 데이터와 권한을 연결하는 방향을 제시했습니다.¹²³

이 변화가 개발자 중심의 고강도 사용을 사무업무 전반으로 확산시키는 계기가 될 수 있습니다. 그러나 제품 출시가 사용량 폭증의 증거는 아닙니다. 사무직 인구에 개발자의 토큰 사용량을 곱하는 방식으로 시장을 추정해서도 안 됩니다.

투자 논지는 조건부입니다. 컴퓨터 조작과 장기업무 능력이 사람의 개입 비용을 낮추고, 그 결과 실제로 위임되는 업무가 늘어난다면 추론 수요의 저변이 넓어집니다. 한국 주식에서는 그 증가분을 메모리 판매량·가격, 전력설비 수주, 반복적인 소프트웨어 이익으로 바꾸는 기업을 구분해야 합니다.

개발이 먼저 바뀐 이유는 업무를 실행하고 검사할 수 있었기 때문입니다

개발 업무에는 AI가 읽을 코드 저장소, 실행할 도구, 결과를 확인할 테스트가 있습니다. 수정한 프로그램이 작동하는지 비교적 빠르게 점검하고, 실패하면 다시 고칠 수 있습니다. 이는 모든 개발 결과가 쉽게 검증된다는 뜻은 아닙니다. 다만 실행과 평가가 연결된 작업 환경이 사무업무보다 먼저 정비되기 쉬웠다는 해석입니다.

2026년 4월 공개된 에이전트 코딩 연구는 같은 과제에서도 모델과 실행 경로에 따라 토큰 사용량이 크게 달라지고, 비용을 더 쓰는 것이 항상 정확도 향상으로 이어지지는 않는다고 보고했습니다. 개발자의 사용량을 사무직 전체에 그대로 적용할 수 없는 이유이기도 합니다.⁴

사무업무에는 다른 마찰이 있습니다. 이메일의 약속, 고객관리 시스템의 상태, 엑셀의 계산, 회사 내부 규칙이 서로 떨어져 있습니다. 답변 하나가 맞아도 기록을 잘못 바꾸면 업무는 실패합니다. 결재와 접근 권한까지 연결해야 비로소 실제 업무가 됩니다.

따라서 개발 다음에 사무업무가 온다는 주장은 두 시장이 순서대로 열리고 앞 시장이 끝난다는 뜻이 아닙니다. 이미 겹쳐 있는 사용처 중에서, 비개발 직무의 반복 사용 강도가 다음 성장 동력이 될 수 있다는 주장입니다.

컴퓨터 조작은 범위를 넓히고, 장기업무 능력은 위임의 경제성을 바꿉니다

컴퓨터 유즈는 화면을 읽고 버튼을 누르며 입력하는 능력입니다. 장기업무 능력은 여러 단계를 거치는 동안 목표와 자료를 유지하고, 오류에서 복구하고, 결과물을 검증하는 능력입니다. 전자는 접근 가능한 업무를 넓히고, 후자는 사람이 계속 붙어 있어야 하는 부담을 낮춥니다.

두 능력은 곱셈 관계에 가깝습니다. 화면을 잘 조작해도 열 번째 단계에서 목표를 잊으면 일을 맡기기 어렵습니다. 오래 추론해도 회사의 실제 시스템에 접근하지 못하면 답변을 사람이 옮겨야 합니다. 다만 이 관계는 경제적 해석이지, 모델 구조에 관한 검증된 공식은 아닙니다.

공개 평가에서 확인되는 개선과 현장 도입의 증거는 구분해야 합니다.

공개 항목	Astra	GPT-5.6 Sol	읽어야 할 의미
AutomationBench	41.4%	18.1%	업무 자동화 평가의 개선 신호이지, 전체 사무업무 자동화율은 아님
OSWorld 2.0 부분점수	72.6%	65.7%	오프라인 평가 하위 집합의 부분점수이며, 완전 무인 성공률이 아님
OSWorld 지연시간 시뮬레이션	40분	75분	특정 평가 조건의 소요시간이며, 현장 노동시간 절감률과 다름

자료: OpenAI 공개 평가. OSWorld는 v2026.08.08 오프라인 하위 집합입니다. 평가 설정·도구 환경과 실제 서비스 환경이 다를 수 있으며, 도구 실행 환경 개선도 함께 반영됩니다.¹

성공률이 조금 오르면 위임 가능한 업무가 크게 늘어날 수 있다는 점도 중요합니다. 예를 들어 독립적인 50단계가 모두 성공해야 한다고 가정하면, 단계당 성공률 98%일 때 전체 성공확률은 0.98의 50제곱, 약 36.4%입니다. 99.5%라면 약 77.8%가 됩니다. 이는 복리 효과를 보여주는 계산 예시일 뿐입니다. 실제 오류는 서로 연관되고 재시도와 중간 검사가 있으므로 이 숫자를 Astra의 현장 성공률로 해석하면 안 됩니다.

기업의 바람직한 구현은 모든 일을 화면 클릭으로 처리하는 방식도 아닙니다. 안정적인 프로그램 연결 방식(API)이 있으면 우선 사용하고, 연결이 없는 구간에서 화면 조작을 보완적으로 쓰는 편이 합리적입니다. 기존 시스템을 전부 교체하지 않고도 업무의 빈 구간을 연결할 수 있다는 데 의미가 있습니다.

모델 개선이 제품과 운영체계로 내려오기 시작했습니다

9월 10일 공개된 ChatGPT Financial Services는 금융 데이터와 문서 작업을 기업의 실제 양식·권한에 연결하려는 시도입니다. 같은 날 공개된 데이터 분석 제품은 승인된 데이터와 업무 맥락을 연결합니다. 이들은 고성능 모델만으로 기업 도입이 끝나지 않으며, 데이터 접근과 결과 검증이 함께 필요하다는 사실을 보여줍니다.²³

Agents API 공개 베타는 맥락 관리, 도구 실행, 여러 에이전트의 협업을 운영 환경에서 제공하는 방향입니다. 기업이 매번 장시간 실행 기반을 직접 만들 필요를 줄인다면, 모델 성능 향상을 유료 업무로 전환하는 비용도 낮아질 수 있습니다. 베타 공개와 기능 설명은 확인됐지만, 이를 사용한 전체 기업의 지출이나 도입 수익률은 아직 별도의 검증 대상입니다.⁵

이때 첫 시장은 모든 사무직의 완전 무인화가 아닐 가능성이 큽니다. 자료 비교, 영업 준비, 정기 보고, 비용 증빙 대조처럼 범위가 정해져 있고 결과를 검사할 수 있는 업무가 먼저 반복 사용으로 연결되기 쉽다는 판단입니다. 송금·계약 확정·인사 결정처럼 오류 비용이 큰 작업은 사람이 승인하는 구조를 유지해야 합니다.

질문 하나가 짧아져도, 그 뒤의 계산은 길어질 수 있습니다

“거래처 세 곳을 비교해 다음 회의 자료를 준비해 주세요”라는 지시는 한 문장입니다. 그러나 이를 수행하려면 이메일과 견적을 찾고, 조건을 맞추고, 표를 만들고, 출처와 수치를 확인하고, 회사 양식에 옮겨야 합니다. 중간에 누락을 찾으면 일부 단계를 다시 실행합니다.

사용자에게 보이는 최종 답변이 길지 않아도 모델은 여러 번 호출됩니다. 다시 읽는 자료, 도구가 반환한 결과, 중간 검토와 수정이 토큰을 사용합니다. 토큰은 모델이 입력과 출력을 처리하는 단위이며, 문장 수나 사람의 질문 횟수와 같지 않습니다.

Anthropic은 2025년 6월 자사 연구 시스템의 데이터에서 에이전트가 대화형 사용보다 약 4배, 여러 에이전트가 협업하는 시스템은 약 15배의 토큰을 사용한다고 밝혔습니다. 회사 내부의 특정 시스템 비교이지, 모든 업무의 보편적인 배수는 아닙니다. 그래도 짧은 대화가 실행 가능한 업무로 바뀔 때 사용량이 늘어날 수 있다는 작동 원리는 확인해 줍니다.⁶

장기적으로 더 큰 효과는 같은 일을 비효율적으로 오래 하는 데서 나오지 않습니다. 이전에는 준비 비용 때문에 하지 않던 고객별 제안, 더 자주 하는 재고 대조, 더 넓은 경쟁사 조사처럼 새로 수행되는 업무가 늘어나는 데서 나와야 합니다. 반복 재시도만 늘어난다면 사용량은 높아져도 지속 가능한 지출은 아닙니다.

토큰 수요는 인원보다 실제 위임 횟수에 민감합니다

사무업무 토큰 수요를 다음처럼 분해할 수 있습니다.

월간 토큰 = 대상 인원 × 실제 사용 비율 × 사용자당 하루 위임 업무 수 × 월간 업무일 × 업무당 누적 토큰

업무당 누적 토큰에는 해당 업무에서 발생한 모든 모델 호출의 입력·출력, 재시도와 검토를 포함합니다. 여러 에이전트를 썼다면 그 호출도 여기에서 합산합니다. 이 숫자에 에이전트 수나 재시도 배수를 다시 곱하면 이중 계산입니다.

아래 표는 직원 1,000명이 있는 동일 조직을 가정한 민감도 분석입니다. 실제 도입 기업의 관측치나 2027년 시장 전망이 아닙니다. 업무일은 월 22일로 고정했습니다.

대안적 사용 상태	실제 사용 비율	하루 사용량	회당 누적 토큰	월간 합계	대화형 기준 대비
대화형 기준	20%	질문 10회	2,000	8,800만	1.0배
제한적 업무 위임	30%	업무 1건	20,000	1억 3,200만	1.5배
반복 업무 정착	50%	업무 3건	40,000	13억 2,000만	15.0배
광범위한 업무 위임	70%	업무 5건	80,000	61억 6,000만	70.0배

기준 행은 1,000 × 20% × 10 × 22 × 2,000 = 88,000,000토큰입니다. 반복 업무 정착 행은 1,000 × 50% × 3 × 22 × 40,000 = 1,320,000,000토큰입니다. 각 행은 서로 대체되는 상태이며, 기준 행에 추가 수요로 모두 더한 것이 아닙니다. 대화 한 번과 완료 업무 한 건의 산출물도 같지 않습니다.

15배라는 계산은 이용자만 15배 늘린 결과가 아닙니다. 실제 사용자가 2.5배로 늘고, 사용자당 하루 토큰이 2만에서 12만으로 6배 늘어난 결과입니다. 반대로 사용자는 늘어도 하루 한 번 요약하는 데 그친다면 확대 폭은 작습니다.

사무직이 개발자보다 많다는 사실만으로 시장의 역전을 결론낼 수 없는 이유도 같습니다. 비개발자의 도입률, 위임 빈도, 업무당 토큰이 충분히 높아져야 합니다. 직무를 분류할 때도 비개발자가 만드는 코드와 개발자의 문서 업무를 중복 집계하지 않아야 합니다.

업무당 0.56달러라는 예시는 지출의 천장보다 경제성의 문턱을 보여줍니다

Astra Standard 공개 API 가격은 100만 입력 토큰당 10달러, 출력 토큰당 50달러입니다. 다음은 캐시를 적용하지 않고 한 업무가 입력 36,000토큰과 출력 4,000토큰을 쓴다는 계산 예시입니다.¹

모델 비용 = 36,000 ÷ 1,000,000 × 10달러 + 4,000 ÷ 1,000,000 × 50달러 = 0.56달러

출력 4,000토큰은 최종 보고서 길이가 아니라 해당 업무의 모든 호출에서 과금되는 출력의 합입니다. 실제 청구에서 추론 토큰 등이 출력으로 포함되는 경우 그것도 합산해야 합니다. 캐시, 저가 모델과의 혼용, 별도 도구 요금에 따라 실제 비용은 달라집니다.

앞 표의 반복 업무 정착 상태는 월 500명 × 3건 × 22일 = 33,000건입니다. 모든 업무에 이 단가를 적용하면 월 모델 비용은 18,480달러, 실제 사용자당 36.96달러입니다. 브라우저 실행, 데이터 이용료, 보안·통합, 교육, 장애 대응 비용은 제외한 금액입니다.

더 중요한 식은 다음입니다.

위임의 순편익 = 실제로 줄인 인건비·늘린 매출의 가치 − 모델·도구 비용 − 사람의 검토·재작업 − 오류 손실 − 운영·통합비 배분

완료 산출물이 동일한 저위험 업무를 사람이 30분에 처리하고, 시간의 경제적 가치를 50달러로 가정하면 원래 비용은 25달러입니다. AI를 사용한 뒤 검토에 5분, 실패한 20%의 업무를 처음부터 다시 하는 데 평균 6분이 든다면 인적 비용은 약 9.17달러입니다. 모델 비용 0.56달러를 합하면 약 9.73달러로, 기타 비용과 오류 손실을 감당할 여지는 건당 약 15.27달러입니다. 이는 성공률 80%를 가정한 예시이며 평가 점수에서 가져온 수치가 아닙니다.

검토가 25분 걸리면 같은 조건의 비용은 약 26.39달러가 됩니다. 모델 비용이 싸도 경제성이 사라집니다. 또한 절약한 시간이 유휴 시간으로 남으면 인건비가 그만큼 현금으로 줄어드는 것도 아닙니다. 인력 재배치, 처리량 증가, 추가 채용 회피로 실현돼야 합니다.

그래서 장기업무 성능에서 확인할 지표는 실행 시간이 길어졌다는 사실보다, 완료 업무 한 건당 사람이 개입한 시간이 실제로 줄었는지입니다.

토큰, 청구액, 연산량, 메모리는 서로 다른 지표입니다

투자 논지를 망가뜨리는 가장 쉬운 지름길은 토큰 15배를 반도체 수요 15배로 바꾸는 것입니다. 중간에 적어도 세 번의 전환이 있습니다.

지표	무엇을 측정하는가	토큰과 달라지는 이유
논리적 토큰	모든 호출에서 처리한 입력과 출력의 합	재사용된 입력도 합계에 포함될 수 있음
실제 청구액	입력·캐시·출력별 단가를 적용한 지출	할인, 묶음 요금, 소형 모델 사용이 영향을 줌
필요한 연산	작업을 수행하는 실제 계산량	모델 구조·크기, 캐시 재사용, 계산 효율이 다름
메모리와 저장장치	모델·중간 상태·자료를 보관하고 옮길 용량과 대역폭	동시 실행 수, 맥락 길이, 보관시간, 저장 계층에 좌우됨

고정된 작업 구성을 가정해 논리적 토큰이 15배 늘고 토큰당 실제 연산이 80% 줄면 연산 수요는 3배입니다. 토큰당 연산이 95% 줄면 0.75배입니다. 계산은 각각 15 × 0.20, 15 × 0.05입니다. 이 역시 민감도 예시이며 미래 효율 개선률을 예측한 것이 아닙니다.

비용이 낮아져 사용량이 더 늘어나는 효과도 자동으로 총지출 증가를 보장하지 않습니다. 다른 조건이 같을 때, 단가 하락률보다 수요 증가율이 충분히 커야 지출이 늘어납니다. 낮은 가격이 사용처를 넓히는 효과와, 같은 일을 더 적은 계산으로 끝내는 효과를 함께 봐야 합니다.

동시 실행 역시 따로 봐야 합니다. 하루 사용량이 같아도 업무 시작 시간에 요청이 몰리면 필요한 설비가 커질 수 있습니다. 반대로 지연에 민감하지 않은 야간 업무를 모아 처리하면 설비 가동률이 올라가 신규 투자가 늦어질 수 있습니다. 에이전트 수에 24시간을 곱한다고 자동으로 새 수요가 생기지는 않습니다.

메모리 수혜는 HBM 하나보다 여러 저장 계층으로 봐야 합니다

AI는 모델의 가중치뿐 아니라 이전 문맥의 계산 결과도 보관합니다. 이 중 다음 계산에 재사용하는 중간 상태를 KV 캐시라고 부릅니다. 장시간 업무와 많은 동시 사용자는 이러한 상태를 어디에 두고 얼마나 빠르게 가져올 것인지의 중요성을 높일 수 있습니다.

하지만 모든 상태가 비싼 HBM에 계속 머무를 필요는 없습니다. 엔비디아는 2026년 3월 STX와 CMX를 발표하면서 장기 맥락을 위한 별도 저장 계층을 제시했습니다. 이는 메모리 용량을 넓히는 동시에 기존 GPU를 더 효율적으로 쓰려는 설계입니다. 업체가 제시한 성능 개선치는 제품·비교 환경에 따른 주장이지, 전체 데이터센터의 실측 개선률이 아닙니다.⁷

7월 최초 공개되고 8월 개정된 HyMCache 연구도 DRAM과 SSD를 결합해 이전 계산을 재사용하는 방식을 실험했습니다. 한 실험 구성에서는 비교 시스템보다 DRAM을 훨씬 적게 쓰는 대신 성능 일부를 포기했습니다. 연구 결과가 당장 대규모 상용 설계로 채택됐다는 뜻은 아니지만, 토큰 증가가 특정 메모리 제품의 동일 비율 증가로 이어지지 않는 반례입니다.⁸

따라서 한국 투자자에게 유효한 가설은 장기 실행이 HBM 수요를 없애거나 무조건 폭증시킨다는 양자택일이 아닙니다. 빠른 계산용 HBM, 서버용 DRAM, 대용량 기업용 SSD가 어떻게 역할을 나누며, 공급 업체가 각 영역에서 이익을 확보하는지를 봐야 합니다. 저장되는 문서량과 토큰량도 동일하지 않습니다. 같은 자료를 반복 읽었다면 토큰은 늘어도 원본 저장량은 거의 늘지 않을 수 있습니다.

한국 상장사에서는 네 가지 다른 이익 구조를 구분합니다

아래는 사업 노출을 비교하는 조사 순서입니다. 현재 주가를 반영한 매수 순위가 아닙니다.

기업	사무업무 AI 수요와 연결되는 사업	이익으로 이어질 때 확인할 지표	논지가 약해지는 조건
SK하이닉스(000660)	HBM, 서버 DRAM, 기업용 SSD	제품별 출하·평균판매가격·고부가 제품 비중, 투자 이후 현금흐름	고객 효율화가 물량 증가를 상쇄하거나 공급 증가로 가격 하락
삼성전자(005930)	HBM·서버 DRAM·기업용 SSD의 폭넓은 노출	고객별 양산·수율·제품 구성, 메모리 이익과 다른 사업 손익	기술 성과가 수익성으로 전환되지 않거나 다른 사업 손실이 확대
LS ELECTRIC(010120)	데이터센터 배전·전력설비	실제 수주, 납기·수주잔고·프로젝트 수익성·현금 회수	기존 설비 활용만 늘고 신규 건설이 지연되거나 주문 취소
삼성SDS(018260)	기업 데이터 연결, AI 운영·통제, 업무 플랫폼	유료 반복 사용, 갱신, 모델 원가를 뺀 이익, 외부 고객 확대	사용량만 늘고 모델 재판매·통합 인건비로 대부분 소진

SK하이닉스: HBM 밖으로 넓어지는 수요를 함께 확인합니다

SK하이닉스는 8월 26일 공개한 제품 소개에서 HBM, 서버 DRAM, 기업용 SSD를 함께 제시했습니다. 이 포트폴리오는 장기 맥락 처리에서 저장 계층이 분화될 때 여러 경로로 대응할 수 있음을 보여줍니다. 전시된 제품이 모두 같은 시점·규모로 매출에 기여한다는 뜻은 아닙니다.⁹

투자자가 확인할 것은 AI라는 이름이 붙은 매출 총액보다 제품별 물량과 가격입니다. HBM 공급이 늘어도 서버 DRAM이나 NAND 가격이 약해지면 전체 효과가 달라집니다. 높은 영업현금흐름도 증설과 운전자본을 차감한 뒤 주주에게 남는 현금으로 다시 확인해야 합니다.

이 논지에 대한 직접적인 조사 대상이지만, 직접적인 수혜와 저평가는 다른 판단입니다. 공급 우위가 이미 주가에 충분히 반영됐다면 좋은 업황에서도 기대수익은 낮을 수 있습니다.

삼성전자: 메모리의 폭넓은 노출과 사업별 상쇄를 동시에 봅니다

삼성전자는 7월 30일 2분기 실적 발표에서 하반기 에이전트 AI 확산과 서버 DRAM·기업용 SSD·HBM 수요를 연결했습니다. 이는 공급 업체도 비슷한 수요 가설을 세우고 있다는 근거입니다. 동시에 회사의 전망이며, 앞으로의 수급을 독립적으로 입증한 결과는 아닙니다.¹⁰

삼성전자는 여러 메모리 제품의 수요 확대에 노출돼 있지만, 실제 주주 이익은 고객 인증 이후 양산 수익성, 수율, 고부가 제품 구성에 따라 달라집니다. 회사 전체로는 다른 반도체 사업과 소비자 제품 사업의 손익도 작용합니다.

따라서 Astra 출시를 삼성전자의 이익 추정에 바로 더하지 않습니다. 기존 예상에 포함된 AI 투자를 제외한 추가 수요가 얼마인지, 그것이 판매량·가격·수익성 중 어디를 바꾸는지부터 확인해야 합니다. 새로운 서사가 기존 주문을 다시 설명한 것이라면 추가 이익이 아닙니다.

LS ELECTRIC: 토큰이 아니라 실제 건설과 설비 주문에 투자합니다

LS ELECTRIC은 8월 24일 북미 AI 데이터센터 전력설비 계약의 증액을 발표했으며, 변경 후 총액은 약 2,309억 원입니다. 기존 계약에 이 금액 전부를 추가 수주로 다시 더하면 안 됩니다. 데이터센터 전력설비라는 사업 연결은 실제 계약으로 확인되지만, Astra 발표보다 앞선 계약이므로 Astra의 효과로 귀속할 수 없습니다.¹¹

사무업무의 계산 수요가 기존 설비 가동률을 높이는 데 그치면 신규 전력설비 주문은 바로 늘지 않습니다. 수요가 지속되고 자금 조달과 전력 연결이 확보돼 추가 건설로 이어져야 합니다. 높은 금리와 건설 지연은 장기적인 수요 증가와 동시에 존재할 수 있습니다.

확인 순서는 신규 수주, 기존 잔고의 매출 전환, 프로젝트 이익과 현금 회수입니다. 토큰을 많이 쓸 때마다 수익을 받는 사업으로 평가하면 전력설비 기업의 시차와 위험을 놓칩니다.

삼성SDS: 모델을 연결하는 매출보다 운영을 책임지는 이익이 중요합니다

삼성SDS의 FabriX는 여러 모델과 기업 시스템을 연결하고, 에이전트를 만들고 운영·통제하는 플랫폼을 표방합니다. Brity Copilot은 메일·회의 등 협업 업무에 AI를 연결합니다. 기업별 데이터·접근 권한과 운영을 맡을 수 있다는 점은 사무업무 확산과 연결됩니다.¹²¹³

그러나 최첨단 모델 회사도 데이터 연결과 기업용 제품을 직접 확장하고 있습니다. 단순한 대화창이나 모델 사용권 재판매는 가격 경쟁을 받을 수 있습니다. 기존 시스템의 복잡한 예외 처리, 권한 설정, 감사 기록, 장애 대응을 맡고 갱신 매출을 확보할 때 방어력이 생긴다는 판단입니다.²⁵

유료 사용량이 늘어도 모델 원가와 구축 인건비가 더 빠르게 증가하면 주주 이익은 개선되지 않습니다. AI 매출이라는 표현보다 외부 고객의 반복 계약, 구축 이후 유지율, 추론 비용을 차감한 이익률을 요구해야 합니다. 이번에 확인한 제품 자료만으로 AI 사업의 독립적인 이익률을 추정하지는 않습니다.

산업 전망이 맞아도 주가가 오르지 않을 수 있습니다

이익과 주가는 다음처럼 나누어 볼 수 있습니다.

주가 변화 배수 = 주당이익 변화 배수 × 이익에 지불하는 평가 배수의 변화

주당이익이 30% 늘어도 주가수익비율이 20배에서 15배로 내려가면 주가는 1.30 × 15 ÷ 20 = 0.975배, 2.5% 하락합니다. 특정 종목의 현재 수치가 아닌 계산 예시입니다. 같은 종류·기간의 주당이익을 사용한다는 가정입니다.

메모리 기업은 최고 이익이 나온 분기를 네 배 해 영구적인 이익으로 놓지 않아야 합니다. 공급 증가, 가격 정상화, 감가상각과 투자 부담을 반영한 이익·현금흐름으로 평가해야 합니다. 전력설비는 수주 발표액 전체를 즉시 이익으로 잡을 수 없고, 소프트웨어는 재판매 원가를 제외한 수익성을 봐야 합니다.

이 글은 당일 주가와 시장 이익 추정치를 일괄 검증한 종목별 가치평가 보고서가 아닙니다. 검증되지 않은 목표주가나 매수 가격은 제시하지 않습니다. 매수 판단에는 현재 기업가치가 전제하는 성장률을 역산한 뒤, 새로 확인되는 주문과 반복 사용이 그 기대를 넘는지 비교하는 절차가 필요합니다.

이 테마에서 국내 메모리 기업을 먼저 조사할 이유는 특정 업무 앱의 승자를 맞히지 않고도 여러 모델의 확산에 노출될 수 있기 때문입니다. 하지만 모델 간 분산이 메모리 업황의 분산은 아닙니다. 두 기업을 함께 보유해도 AI 설비투자와 메모리 가격이라는 공통 위험은 남습니다.

2026년 4분기부터는 출시 소식보다 반복 사용과 사람의 개입 시간을 봅니다

논지를 검증할 관찰 기간은 2026년 4분기와 2027년 1분기로 잡습니다. 다음 표의 기간은 예측 일정이 아니라 조사 계획입니다.

확인 대상	논지를 강화하는 관측	판단을 낮춰야 하는 관측
비개발 직무의 유료 사용	같은 도입 집단에서 반복 업무 수와 유료 사용이 지속 증가	신규 계정은 늘지만 시험 사용 이후 활동이 감소
업무의 실질적인 경제성	완료 한 건당 검토·재작업 시간이 감소	결과 확인에 기존 작업만큼 시간이 필요
실제 인프라 부담	캐시·모델 혼용 이후에도 계산 부하나 맥락 저장 수요 증가	토큰 합계만 늘고 물리적 자원 사용은 정체
한국 메모리 기업	예상 밖 추가 주문이 제품별 물량·가격·이익에 반영	기존 주문의 중복 설명, 재고 증가와 가격 하락
전력설비·기업용 소프트웨어	주문의 현금 전환, 갱신과 이익률 개선	건설 지연, 저수익 재판매와 일회성 구축 매출 중심

두 분기 동안 비개발 직무의 실제 반복 사용과 단위 경제성이 확인되지 않는다면, 사무업무가 곧바로 다음 수요 파동을 만든다는 시점 판단을 늦춰야 합니다. 반대로 사용량이 늘어도 효율 개선이 설비 수요를 상쇄한다면 소프트웨어 도입 논지는 유지하되 반도체 수혜 강도는 낮춰야 합니다. 보안 사고로 권한 부여가 후퇴하거나 사람이 계속 승인·복구해야 하는 상황도 중요한 반증입니다.

Astra가 열 수 있는 시장은 더 많은 답변의 시장보다 더 많은 완료 업무의 시장입니다. 한국 주식에서 매수 근거가 되는 순간은 그 가능성이 실제 반복 지출을 만들고, 이미 반영된 기대를 넘어 기업의 현금흐름으로 확인될 때입니다.

자료 확인 기준: 2026년 9월 11일. 공개 제품·기업 자료는 발표 주체의 설명이며 독립적인 현장 검증과 구분했습니다. 사용량·비용·주가 민감도 표는 작성자의 가정에 따른 계산입니다. 개별 투자자의 상황을 반영한 매매 권유가 아닙니다.

출처

OpenAI, GPT-6 Astra: A new generation of intelligence, 2026-09. 공개 평가의 조건과 Standard API 가격을 확인했습니다. ↩︎ ↩︎ ↩︎
OpenAI, Introducing ChatGPT Financial Services, 2026-09-10. ↩︎ ↩︎ ↩︎
OpenAI, Put data to work, 2026-09-10. ↩︎ ↩︎
Bai 외, How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks, 최초 공개 2026-04-24, 개정 2026-04-29. 공개 초록 기준이며 평가 결과를 전체 사무업무로 일반화하지 않았습니다. ↩︎
OpenAI, Introducing the Agents API, 2026-09-10. ↩︎ ↩︎
Anthropic, How we built our multi-agent research system, 2025-06-13. ↩︎
NVIDIA, NVIDIA Launches BlueField-4 STX Storage Architecture With Broad Industry Adoption, 2026-03-16. ↩︎
Jang 외, A CXL Memory Rack for Multi-Turn LLM Serving, 최초 공개 2026-07-20, v3 개정 2026-08-05. 연구 실험과 상용 채택을 구분했습니다. ↩︎
SK hynix, SK hynix Presents a Full Lineup of Memory Solutions Optimized for AI Infrastructure at DTF 2026, 2026-08-26. ↩︎
Samsung Electronics, Second Quarter 2026 Results, 2026-07-30. ↩︎
LS ELECTRIC, 북미 AI 데이터센터 전력설비 계약 발표, 2026-08-24. 증액 후 계약 총액이며 전액 신규 수주가 아닙니다. ↩︎
삼성SDS, 기업을 위한 AI Agent 플랫폼 FabriX, 2026-09-11 확인. ↩︎
삼성SDS, 삼성SDS AI Agent, 2026-09-11 확인. ↩︎

아스트라 이후, 루프 트랜스포머가 바꾸는 AI 인프라의 계산법

Tue, 08 Sep 2026 18:00:00 +0900

같은 신경망을 여러 번 통과하면, 작은 모델도 더 어려운 문제를 풀 수 있을까요. 신정규 래블업 대표는 페이스북 글 「아스트라 이후: 루프 트랜스포머가 바꾸는 것들」에서 이 오래된 질문을 다시 꺼냈습니다. AI를 키우는 방법에 관한 질문이지만, 그 끝에는 GPU와 메모리를 얼마나 사고 어떻게 운영할 것인가가 있습니다.

공개 연구가 보여주는 변화는 분명합니다. 모델에 저장하는 가중치 수를 고정하고도, 같은 계산 블록을 반복 실행해 문제 해결 능력을 높일 수 있습니다. 다만 반복에는 시간과 전력이 듭니다. 작은 모델이라는 이유만으로 서비스 비용까지 낮아지는 것은 아닙니다.

자료 확인 기준일: 2026년 9월 8일. 신 대표의 원문을 계기로 작성한 독립 해설이며, 아래 산업 전망은 공개 연구에서 도출한 조건부 분석입니다.

아스트라의 성과와 내부 설계는 구분해야 합니다

OpenAI의 9월 3일자 공식 발표는 GPT-6 Astra의 출시와 성능 향상을 확인해 줍니다. 그러나 확인한 발표문과 시스템 카드에는 루프 트랜스포머 채택, 반복 횟수, 전체 및 활성 파라미터 수가 공개돼 있지 않습니다.

따라서 아스트라가 Huginn 계열 구조를 채택했다는 설명은 이 글에서 확인된 사실로 사용하지 않습니다. 원문에 등장하는 10T·1T 규모와 AGI 관련 인용도 같은 이유로 산업 분석의 전제에서 제외합니다. 성능이 높아졌다는 결과만으로 내부 설계를 역추론하기는 어렵습니다.

그래도 루프 연구를 볼 이유는 충분합니다. 공개 모델만으로도 가중치의 크기와 추론에 쓰는 계산량을 따로 조절하는 시도가 확인됩니다. 특정 프론티어 모델의 비공개 설계에 기대지 않고도 검토할 수 있는 변화입니다.

더 많이 저장하는 것과 더 오래 계산하는 것은 다릅니다

모델의 파라미터는 학습하면서 조정한 숫자입니다. 보통 모델을 키우면 저장할 숫자도 늘어납니다. MoE는 여러 전문가 모듈 가운데 일부를 입력에 따라 선택해, 전체 용량에 비해 적은 계산으로 실행하려는 방식입니다.

MoE의 기원을 Switch Transformer 하나로 설명하는 것은 정확하지 않습니다. 2017년 희소 MoE 연구가 앞서 있고, 2021년 Switch Transformer는 라우팅과 학습을 단순화해 규모를 키운 연구입니다. 전체 파라미터가 늘었다고 반드시 층수가 깊어진 것도 아닙니다.

사고사슬(CoT)은 중간 풀이를 토큰으로 생성하면서 다음 계산의 문맥을 늘립니다. 루프 방식은 같은 가중치를 가진 블록에 내부 상태를 다시 넣습니다. 중간 계산을 매번 단어로 확정하지 않아도 된다는 차이가 있습니다. 두 방법을 함께 쓰는 설계도 가능하므로 서로를 대체해야 하는 관계는 아닙니다.

무엇을 늘리는지 비교하면 혼동이 줄어듭니다.

접근	추가하는 것	부담이 생기는 지점
모델 확대	가중치 또는 전문가 용량	저장 공간, 활성 계산, 통신
사고사슬	중간 풀이 토큰	생성 시간, 문맥과 캐시
반복 깊이	같은 블록을 통과하는 횟수	반복 연산, 지연, 상태 관리

이 비교는 개념 구분입니다. 실제 비용 우열은 같은 정확도, 입력 길이, 하드웨어 조건에서 측정해야 합니다.

말을 줄이는 연구도 내부 작동은 서로 다릅니다

Pause tokens는 답변 전에 추가 계산 기회를 줍니다. Quiet-STaR는 다음 토큰 예측을 돕는 중간 근거를 생성하도록 학습합니다. 조용히 생각한다는 이름을 쓰지만, 이를 곧바로 비언어적 잠재 상태 추론과 같다고 볼 수는 없습니다.

Coconut은 마지막 은닉 상태를 단어로 바꾸지 않고 다음 입력으로 되먹입니다. 문장으로 쓰기 전에 여러 가능성을 내부 표현으로 유지하려는 접근입니다. 이 결과를 인간의 의식이나 항상 켜져 있는 자율적 사고의 증거로 확대할 근거는 없습니다.

반복 깊이의 계보에는 2018년 Universal Transformer가 있습니다. 같은 변환을 반복하면서 입력 위치별로 계산량을 달리하는 발상입니다. 어려움은 반복 자체보다 학습에 있습니다. 공유 블록은 서로 다른 단계의 상태를 처리해야 하고, 추가 반복이 유용한 개선으로 이어지도록 학습돼야 합니다. 층마다 역할이 충돌한다는 설명은 직관을 주지만, 모든 실패를 설명하는 단일 법칙은 아닙니다.

복사해서 늘린 층과 같은 가중치의 반복은 다릅니다

업스테이지의 SOLAR 10.7B는 기존 모델의 층을 복사하고 일부를 제거해 더 깊게 연결한 뒤 추가 학습하는 DUS를 제시했습니다. 출발점이 같은 복사본이어도 학습이 진행되면 서로 다른 가중치를 갖습니다. 최종 모델에 저장할 파라미터도 늘어납니다.

반복 모델은 동일한 가중치를 계속 공유한다는 점에서 다릅니다. DUS는 기존 학습 결과를 활용해 더 깊은 모델을 만드는 방법이고, 루프는 저장 용량을 크게 늘리지 않고 실행 깊이를 늘리는 방법입니다. 둘을 같은 메모리 절감 기술로 묶으면 비용 계산이 어긋납니다.

Huginn과 Ouro의 숫자는 비교 조건까지 읽어야 합니다

Geiping 등의 Huginn 연구는 입력 처리, 반복 코어, 출력 부분을 나눴습니다. 가운데 코어를 여러 차례 실행하며 내부 상태를 다듬습니다. 연구진은 3.5B 파라미터 모델을 800B 토큰으로 학습했고, 반복 계산을 늘릴 때 추론 과제 성능이 개선된다고 보고했습니다.

초록의 50B는 특히 주의해야 합니다. 표현은 50B 파라미터에 해당하는 계산 부하까지 성능 개선을 관찰했다는 뜻입니다. 모든 과제에서 50B 모델과 같은 품질을 달성했다거나, 같은 비용으로 그 성능을 얻었다는 보장은 아닙니다. 작은 가중치로 더 많은 계산을 쓴다는 연구 결과와 서비스 경제성은 별도로 확인해야 합니다.

바이트댄스 등의 Ouro 연구는 2025년 10월 공개됐습니다. 논문은 1.4B와 2.6B 모델군을 설명하며 여러 벤치마크에서 최대 12B 모델까지 비교합니다. 그런데 Ouro-1.4B 공식 모델 카드는 해당 모델을 일반적인 3~4B 모델 성능에 대응한다고 소개합니다. 이를 1.4B가 언제나 12B를 대체한다는 주장으로 옮기면 비교 범위를 과장합니다.

연구를 읽을 때는 파라미터 수 옆에 학습 데이터량, 반복 횟수, 비교 과제를 함께 적어야 합니다. 추론 단계에서 효율이 좋아 보여도 많은 사전학습 자원이 투입됐을 수 있습니다.

가중치를 덜 저장해도 메모리 병목은 남습니다

산술 예를 들어 보겠습니다. 3.5B 파라미터를 하나당 2바이트로 저장하면 가중치 자체는 약 7GB입니다. 같은 가중치를 여러 번 사용한다고 이 저장량이 반복 횟수만큼 늘지는 않습니다. 이는 설명을 위한 계산이며 Huginn의 실제 전체 GPU 메모리 측정값이 아닙니다.

전체 추론 메모리에는 이전 문맥을 재사용하는 KV 캐시와 중간 상태, 실행용 공간도 들어갑니다. NVIDIA의 추론 최적화 설명 역시 가중치와 KV 캐시를 주요 메모리 항목으로 구분합니다. 문맥 길이와 동시에 처리하는 요청 수가 늘면 캐시 부담이 커집니다. 반복 단계 사이에서 캐시를 어떻게 공유하는지도 설계에 달려 있습니다.

가중치 재사용과 데이터 이동 절감도 같은 말이 아닙니다. 같은 가중치가 GPU의 빠른 내부 메모리에 계속 머무르지 못하면 다음 반복에서 HBM에서 다시 읽어야 합니다. 반복 계산이 늘면서 대역폭 부담이 함께 늘 수도 있습니다. 실제 메모리 계층과 실행 코드를 보기 전에는 루프가 HBM을 불필요하게 만든다고 결론 내릴 수 없습니다.

소프트웨어가 반복을 줄여 줘야 비용이 줄어듭니다

Mixture-of-Recursions(MoR)는 토큰마다 필요한 반복 깊이를 달리하고, 해당 단계에서 활성화된 토큰 중심으로 계산과 캐시를 관리합니다. 쉬운 토큰에 쓰지 않은 계산을 어려운 토큰에 배분하려는 설계입니다.

배포 환경에서는 이 선택이 더 까다로워집니다. 요청마다 필요한 반복 횟수가 다르면 한꺼번에 처리하던 작업 묶음의 효율이 떨어질 수 있습니다. 일찍 끝난 요청의 자원을 다른 작업이 바로 쓰도록 배치와 스케줄러가 따라가야 합니다. 이것은 구조에서 예상되는 운영 과제이지 특정 제품의 성능 측정 결과는 아닙니다.

Ouro 모델 카드는 이 차이를 구체적으로 보여줍니다. 모델 자체에는 조기 종료 기능이 있지만, 확인한 카드에서는 vLLM이 이를 지원하지 않아 설정된 반복 횟수를 모두 실행한다고 설명합니다. 연구 모델의 기능이 추론 엔진에 그대로 구현되는 것은 아닙니다.

따라서 래블업 같은 AI 인프라 소프트웨어 기업에 물어볼 질문도 구체적입니다. 반복 깊이가 다른 작업을 섞어 처리할 수 있는지, 캐시를 재사용할 수 있는지, 같은 품질에서 완료 시간과 전력비가 줄어드는지입니다. 이는 사업 기회를 평가할 질문이며 래블업의 지원 기능이나 매출 증가를 확인한 진술은 아닙니다.

한국 반도체에는 수요 감소와 사용량 확대가 함께 열려 있습니다

아래는 실적 전망이 아니라 루프 모델이 널리 채택될 경우의 조건부 시나리오입니다.

조건	가능한 산업 영향	확인할 증거
같은 품질에 필요한 가중치와 캐시가 감소	요청당 메모리 부담 완화	동일 문맥·동시 요청 수의 메모리 실측
어려운 문제에 반복 계산을 더 투입	가속기 사용시간과 전력 부담 증가	성공한 작업당 GPU 시간·전력
비용 하락으로 사용량이 증가	총 인프라 수요 유지 또는 확대	고객의 실제 사용량과 구매 계획
반복·캐시 관리가 배치 효율을 악화	연구 성과의 상용화 지연	동일 지연 목표에서 처리량 비교

삼성전자·SK하이닉스 같은 메모리 공급자의 총수요를 보려면 요청당 자원 감소와 전체 요청 증가를 함께 봐야 합니다. 효율 개선이 수요 확대를 유도할 가능성은 있지만, 그 크기가 절감분을 반드시 넘어선다고 가정할 수는 없습니다. 이 글만으로 HBM 수요나 특정 종목의 이익 전망을 조정할 근거는 부족합니다.

더 유용한 비교 단위는 성공한 작업 하나를 끝내는 비용입니다. 벤치마크 점수가 높아도 반복 지연이 길고 재시도가 많으면 운영 비용은 올라갑니다. 반대로 조금 더 계산해 첫 시도 성공률이 높아지면 전체 비용은 줄 수 있습니다.

다음 검증은 파라미터 수보다 작업 비용입니다

루프 모델의 산업적 가능성을 확인하려면 같은 정확도에서 전체 메모리, 완료 시간, 전력, 동시 처리량을 비교해야 합니다. 쉬운 질문의 평균뿐 아니라 오래 걸리는 요청의 지연도 봐야 합니다. 반복을 늘려도 품질이 더 좋아지지 않거나, 배치 효율 손실이 절감분보다 크다면 상용화 논거는 약해집니다.

아스트라의 내부 구조가 추가 공개되면 이번 연구 계보와의 연결을 다시 판단할 수 있습니다. 그전에도 확인할 변화는 있습니다. 저장할 모델의 크기만으로 AI 인프라를 계산하던 방식에, 문제마다 얼마나 오래 계산하고 언제 멈출 것인가라는 변수가 더해졌습니다. 그 변수를 실제 비용 절감으로 바꾸는 능력이 하드웨어와 소프트웨어를 함께 평가할 기준이 됩니다.