원문: Dwarkesh Patel, "Why compute might get 10x+ more expensive in coming years" (2026-07-30) · 한국어 인터랙티브 풀이
LAB 1THE GAP
매출은 10배, 컴퓨트는 3배
Anthropic의 매출은 매년 10배씩 늘고 있습니다. 그런데 랩이 확보하는 컴퓨트는 매년 3배씩밖에 안 늘어납니다. 타임라인을 드래그해서 이 두 곡선이 얼마나 벌어지는지 확인해 보세요.
매출 지수 (연 10x)
10x
컴퓨트 지수 (연 3x)
3x
설명해야 할 갭
3.3x
방금 조작한 것
1년이 지날 때마다 갭은 약 3.3배씩 벌어집니다(10 ÷ 3). 이 갭은 어딘가에서 나와야 합니다. 매출 10배를 컴퓨트 3배로 소화하는 세계가 성립하려면, 무언가가 그 차이를 메워야 하죠. 그 '무언가'가 이 글의 주제입니다.
"Anthropic revenue has 10xed year over year… Lab compute 3x-es year over year."— Dwarkesh Patel, 2026-07-30
LAB 2THREE LEVERS
갭을 메우는 세 개의 레버
매출 10x ÷ 컴퓨트 3x = 3.3x의 갭. 이걸 메우는 방법은 논리적으로 딱 세 가지입니다. ① 마진 인상 ② 컴퓨트 가격 인상 ③ 인퍼런스 비중 확대. 세 레버를 직접 당겨서 갭을 채워보세요.
⚠ 마진 90% 이상 — 저자의 평: "That sounds quite crazy to me."
✓ 실제로 일어나는 중 — 스팟가 2월 저점 대비 +40%, Google은 SpaceX에 스팟의 2배를 지불
⚠ 인퍼런스 50% 초과 — 랩이 가장 피하고 싶은 길. "학습 대신 서빙에 컴퓨트를 쓰면 AI 진보가 멈췄다는 선언이고, 사업이 클라우드 제공자와 다를 바 없어진다."
갭 채우기: 0%(목표 3.3x)
마진 기여
1.0x
가격 기여
1.0x
인퍼런스 기여
1.0x
합계
1.0x
방금 조작한 것
세 레버를 이리저리 조합해 보셨죠. 마진만으로 메우려면 마진 95%라는 비현실적 숫자가 필요하고, 인퍼런스 레버는 랩이 전략적으로 거부하는 길입니다. 남는 건 하나 — 컴퓨트가 더 비싸져야 한다. 그리고 그건 이미 일어나고 있습니다.
"The point of inference revenue is to convince investors to give you more money to buy more compute to train bigger models."— 업계에 농담처럼 떠도는 말, 원문 인용
LAB 3H100 = ENGINEER
H100 한 대의 '공정 가격' 계산기
만약 인간 수준의 소프트웨어 엔지니어가 H100 한 대에서 돌아간다면, 그 H100은 얼마에 임대되어야 할까요? 컴퓨트 가격은 원가가 아니라 그걸로 벌 수 있는 돈이 결정합니다. 슬라이더로 확인해 보세요.
H100 공정 연 임대료
$250,000
오늘 스팟 (연 환산)
≈ $17,500
배율
14x
방금 조작한 것
역량 슬라이더를 오른쪽 끝에 두면 H100의 공정 임대료는 연 $250k, 오늘 스팟의 약 15배가 됩니다. 이게 이 글의 핵심 결론입니다: AI가 똑똑해질수록 같은 컴퓨트가 더 많은 돈을 벌고, 그만큼 컴퓨트 가격이 올라갈 여지가 생긴다.
"If a true human-level software engineer could run on an H100 equivalent, at current market rates for software engineers, that H100 should rent for over $250k a year. That's 15x today's spot prices."— Dwarkesh Patel
LAB 4LUMP OF LABOR?
반론: 엔지니어가 1천만 명 늘면 값이 떨어지지 않나?
"AI 엔지니어가 1천만 명 공급되면 엔지니어의 한계가치가 떨어져서 H100도 15배를 못 벌 것"이라는 반론. 경제학자들은 이걸 일자리 총량 불변의 오류(lump of labor fallacy)라 부릅니다. 두 세계관을 직접 비교해 보세요.
전체 파이 (경제 규모)
100
엔지니어 1인 몫
10.0
방금 조작한 것
파이 고정 모드에서는 인구가 늘면 1인 몫이 줄어듭니다. 하지만 표준 경제학은 고숙련 노동 공급이 전문화와 혁신을 통해 파이 자체를 키운다고 말합니다 — 고숙련 이민이 장기적으로 임금을 낮추지 않는 이유죠. 다만 저자도 인정하듯, 이번 공급 충격은 너무 크고 빨라서 이 휴리스틱이 깨질 수도 있습니다. 어느 쪽이 맞든, 승부처는 "파이가 커지는가"입니다.
"Economists generally believe that high-skilled immigration does not decrease wages in the long run because of how specialization and innovation increase the value of labor… Maybe this labor supply shock is so big and so fast that this general heuristic no longer applies."— Dwarkesh Patel
LAB 5ALCHIAN–ALLEN
비싼 컴퓨트 시대엔 최고 모델이 '상대적으로' 싸다
먼저 사과로 감을 잡아보세요. 배송비가 붙으면 명품 사과가 상대적으로 저렴해집니다. 이게 Alchian–Allen 효과. 그 다음, 똑같은 논리가 GPU 시간당 가격과 모델 선택에 적용되는 걸 확인합니다.
1부 — 사과 실험 🍎
보통 사과 ($1 + 배송비)
$1.0
명품 사과 ($3 + 배송비)
$3.0
명품의 상대 가격
3.0배
2부 — 모델 실험 🤖 (배송비 → GPU 시간당 가격)
같은 일을 시키면: 약한 모델은 토큰을 3배 태우지만 API가 싸고, 프론티어 모델은 1배만 태우지만 API에 프리미엄이 붙습니다. GPU 가격을 올려보세요.
약한 모델 총비용 (3x 토큰 + 싼 API)
$8
프론티어 총비용 (1x 토큰 + 프리미엄 API)
$12
합리적 선택
약한 모델
방금 조작한 것
배송비 $5에서 명품 사과는 보통 사과의 3배가 아니라 1.3배가 됩니다. 마찬가지로 GPU가 $20/hr가 되면 컴퓨트를 3배 태우는 약한 모델의 총비용이 프론티어를 역전합니다. 컴퓨트가 비쌀수록 최고 모델에 프리미엄을 내는 게 합리적 — 그래서 선두 랩이 초고마진을 청구할 수 있고, 추격자는 설 자리가 줄어듭니다.
"At $20 per H100-hour, it's going to be extremely costly and stupid to use a weaker, less efficient model, because it's going to burn more tokens running your expensive compute to get the same result."— Dwarkesh Patel
LAB 6SUPPLY STACK
공급은 왜 3배에서 못 늘어나나
연 3x 공급 증가는 사실 세 숫자의 곱입니다. 각 카드를 밀어 올려볼 수 있지만, 각각엔 물리적 한계가 있습니다. Simon–Ehrlich 내기의 금속들과 달리, 컴퓨트 공급은 수요 충격을 흡수할 탄력이 없습니다.
⚠ 물리 한계 — 트랜지스터 미세화 속도는 이미 정해진 궤도 위에 있습니다. 정치적 의지로 못 올립니다.
⚠ EUV 툴 공급 병목 — ASML의 EUV 장비 생산량이 2030년까지 팹 확장 속도를 물리적으로 제한합니다.
⚠ 2027년 말 포화 — AI의 N3 웨이퍼 점유가 60% → 86%에 도달하면 더 뺏어올 웨이퍼가 없습니다.
공급 증가율 (곱)
3.0x / 년
필요한 증가율 (매출 추세)
10x / 년
방금 조작한 것
1.4 × 1.2 × 1.8 ≈ 3.0x. 어느 슬라이더도 크게 못 올립니다 — 특히 ③은 1~2년 안에 벽에 부딪힙니다. Ehrlich이 금속 가격 전망에서 졌던 건 시장이 대체재와 채굴 혁신을 찾아냈기 때문이지만, 컴퓨트는 EUV 툴이라는 단일 병목에 묶여 있어서 그 참조 클래스가 적용되지 않는다는 게 저자의 반박입니다.
"Compute supply is much less elastic, and much less capable of absorbing large demand shocks, than the extraction of different metals is."— Dwarkesh Patel
LAB 7PRICED OUT
가격이 오륾면, 뭐부터 죽는가
컴퓨트 가격이 오륾면 '컴퓨트당 벌어들이는 가치'가 낮은 용도부터 순서대로 시장에서 밀려납니다. 슬라이더를 올려서 누가 살아남고 누가 priced out 되는지 확인해 보세요.
📱 숏폼 비디오 슬롭
무한 생성 AI 릴스. 컴퓨트당 가치 최하위
사망선: 2x
🎨 밈·이미지 양산
재미용 이미지 대량 생성
사망선: 3.5x
💬 단순 고객지원 챗봇
인걸비 대비 절감폭이 한정적
사망선: 5x
🧑💻 코딩 어시스턴트
개발자 생산성 보조. 가치밀도 높음
사망선: 8x
💊 신약 후보 설계
성공 한 건의 가치가 천문학적
사망선: 12x
🏆 인간급 SWE 대체
연 $250k 가치 — 15x에서도 생존
사망선: 15x+
방금 조작한 것
지금 AI가 (인간 노동 대비) 싼 이유 중 하나는 톱 클래스 인간이 할 수 있는 일을 못 하기 때문입니다. 그 벽이 물러나는 순간, GPU로 숏폼 슬롭을 찍어내는 건 가격 경쟁에서 밀려납니다. 비싼 컴퓨트는 가치 높은 일부터 채웁니다.
"And so using GPUs to make short-form video slop will just get priced out."— Dwarkesh Patel
LAB 8ECONOMIES OF SCALE
지능의 규모의 경제 — 한 번 배우면, 무한 복제
모델 학습은 일회성 비용입니다. 한 번 배운 스킬은 모든 유저에게 상각됩니다. 인간 노동은 인스턴스마다 새로 교육해야 하죠. 유저 수를 늘려서 두 곡선이 어떻게 갈라지는지 보세요.
모델의 유저당 비용
$10,100
인간의 유저당 비용
$100,000 (불변)
방금 조작한 것
유저가 늘수록 모델의 유저당 비용은 0을 향하고, 인간은 평탄합니다. 매출 10x vs 컴퓨트 3x라는 현실 데이터가 이 규모의 경제를 증명하고 있죠. 저자가 우려하는 대목: 지능에 이렇게 강한 규모의 경제가 작동하는 세계에서는, 앞선 1~2개 랩으로 권력이 집중된다.
"When you train a model, you pay this one time cost of learning all these different skills that you can then amortize across all your users. (Unlike with human labor, where each instance has to be retrained from scratch.)"— Dwarkesh Patel
FINALEYOUR WORLDVIEW
당신의 시나리오를 조립하세요
이 글의 예측은 세 개의 가정 위에 서 있습니다. 각 가정에 동의하는지 스위치를 켜고 꺼서, 당신의 세계관이 어떤 미래를 예측하는지 확인하세요. 결과는 저장되고 Markdown으로 납출할 수 있습니다.
AI 능력 성장은 계속된다
랩 매출 10x 추세가 낸년에도 유지될 정도로 capabilities가 진보한다
OFF
공급은 비탄력적이다
EUV 병목·웨이퍼 포화 때문에 컴퓨트 공급은 연 3x 이상 못 늘어난다
OFF
파이는 커진다 (lump of labor 오류가 적용된다)
AI 노동 공급 폭증에도 전문화·혁신으로 컴퓨트의 한계가치는 유지된다
OFF
저장됨 — 브라우저에 기록되었습니다.
마무리
세 스위치를 모두 켜면 Dwarkesh의 세계 — 컴퓨트 10x+ 상승입니다. 하나라도 끄면 결론이 달라집니다. 이 글이 2시간짜리 실험적 에세이인 이유이자, 당신이 계속 추적해야 할 변수들입니다.