엔비디아, 칩이 아니라 AI 계산 방식을 파는 AI 반도체 회사

이 회사가 만드는 물건의 뿌리는 게임 화면을 그리는 칩입니다. 삼각형 수백만 개의 색을 동시에 계산해 화면에 뿌리는 일을 30년 가까이 해왔습니다. 그런데 인공지능을 학습시키는 계산이 그것과 구조가 거의 같았습니다 — 서로 다른 계산을 순서대로 하는 것이 아니라, 같은 계산을 수만 번 동시에 하는 일이었기 때문입니다. 우연히 맞아떨어진 것처럼 보이지만 그 사이에 20년이 있습니다. 이 회사는 그래픽용 칩을 일반 계산에 쓸 수 있게 만드는 소프트웨어를 2006년부터 무료로 뿌려왔고, 그것을 배운 개발자들이 지금 세계 AI 연구의 표준 환경이 됐습니다. 반도체 밸류체인 2부에서 설계 회사의 경쟁력을 ‘칩 그 자체보다 그 칩을 쓰게 만드는 생태계’로 정리했는데, 이 회사는 그 명제가 가장 극단적으로 실현된 사례입니다.

1. 왜 지금 엔비디아인가 — 설계 계층의 정점

반도체 밸류체인 2부에서 설계 구간을 다루며 이 산업의 구조를 정리했습니다. 회로를 그리는 회사와 그것을 만드는 회사가 나뉘어 있고, 그리는 쪽은 공장 없이 설계만 팝니다. 그리고 그 구간의 승부가 ‘누가 더 좋은 회로를 그리느냐’만으로 결정되지 않는다고 했습니다 — 그 회로를 쓰려면 배워야 하는 것이 있고, 한 번 배우면 바꾸기 어렵기 때문입니다.

AI 반도체 시장에서 이 회사가 그 구조의 정점에 있습니다. 최근 분기 매출의 92%가 데이터센터 한 부문에서 나옵니다 — 게임 화면을 그리던 회사가 AI 계산 시장의 사실상 표준이 된 결과이며, 구체적인 숫자는 6절 표에 있습니다.

다만 이 편에서 다룰 것은 그 숫자가 아닙니다. 실적 자체는 분기마다 갱신되고 곧 낡습니다. 봐야 할 것은 왜 그 자리가 만들어졌고 무엇이 그 자리를 흔들 수 있는가입니다. 그리고 그 질문의 답이 지금 바뀌는 중입니다 — AI 산업의 무게가 모델을 학습시키는 쪽에서 학습한 모델을 돌리는 쪽으로 옮겨가고 있기 때문입니다.

같은 회사를 피지컬 AI 시리즈의 두뇌·자율주행 히어로즈 ②편에서도 다뤘습니다. 그 편은 로봇 쪽 이야기이고 이 편은 반도체 쪽입니다. 파는 물건도 고객도 다릅니다 — 그쪽은 로봇 개발에 필요한 세 대의 컴퓨터를 묶어 파는 구조를 다뤘고, 이 편은 그 세 대 중 가장 큰 것이 왜 이 회사 것이 됐는지를 다룹니다. 두 편을 나란히 읽으시면 같은 전략이 두 산업에서 어떻게 반복되는지가 보입니다.

이 자리를 더 선명하게 보는 방법이 하나 있습니다. 설계 히어로즈 ①편에서 다룬 LX세미콘과 나란히 놓는 것입니다. 두 회사 모두 공장 없이 설계만 파는 팹리스이고 각자 자기 분야의 1등인데, 그 자리에 오른 방식이 정반대입니다. 그 회사는 패널 제조사에 바짝 붙어 그 고객의 화면을 누구보다 잘 아는 회사가 됐고, 이 회사는 고객에게서 떨어져 나와 누구나 쓸 수 있는 개발 환경을 뿌려 표준이 됐습니다. 붙어서 얻은 실력은 그 고객 안에서만 값이 매겨지고, 떨어져서 만든 환경은 고객이 바뀌어도 따라다닙니다. 같은 설계 단계 안에 성격이 정반대인 두 전략이 함께 있다는 것이 이 미니시리즈 두 편을 나란히 읽어야 하는 이유입니다.

그래서 이 글이 묻고자 하는 것은 세 가지입니다. 그래픽 칩이 왜 AI 계산에 맞았는가, 무료로 뿌린 소프트웨어가 어떻게 장벽이 됐는가, 그리고 학습에서 추론으로 무게가 옮겨갈 때 그 장벽이 그대로 작동하는가.

엔비디아, 한눈에 보기

📌 기본 정보 티커: 나스닥 NVDA | 설립: 1993년 미국에서 그래픽 처리 장치 회사로 출발해 1999년 나스닥 상장 | 사업 구성: 데이터센터가 매출의 90%를 넘고 게이밍·전문 시각화·자동차 및 로보틱스가 나머지를 나눔 | 생산 구조: 자체 공장 없이 설계만 하고 제조는 파운드리에 맡기는 팹리스 | 지배구조: 창업자 젠슨 황이 최고경영자로 회사를 이끌고 있으며 지분은 널리 분산된 구조 | 시장 내 위치: AI 학습용 가속기에서 사실상의 표준이며, 그 위에서 돌아가는 개발 환경까지 함께 제공 | 한 줄 정체성: 그래픽용 칩을 일반 계산에 쓸 수 있게 만드는 소프트웨어를 20년간 무료로 뿌려, 칩이 아니라 계산하는 방식 자체를 표준으로 만든 설계 회사

2. 이 회사는 무엇을 팔아 어떻게 돈을 버는가

파는 물건은 넷으로 나뉘지만 매출은 사실상 하나에서 나옵니다. 그런데 그 하나를 팔 수 있게 만드는 것이 매출에 잡히지 않는 무료 소프트웨어라는 점이 이 회사의 특징입니다. 부문을 먼저 보고 그 구조를 짚겠습니다.

데이터센터 — 매출의 90%를 넘는 부문

AI 반도체 중에서도 모델을 학습시키고 돌리는 데 쓰이는 가속기와 그것을 묶은 시스템을 팝니다. 2027 회계연도 1분기 이 부문 매출이 752억 달러로 전체의 92%였습니다. 회사 전체를 사실상 이 부문 하나가 설명합니다.

파는 단위가 바뀌어온 것도 눈여겨볼 대목입니다. 처음에는 칩 하나를 팔았는데, 그다음에는 칩 여러 개를 붙인 보드를, 지금은 서버 여러 대를 통째로 묶은 시스템을 팝니다. 고객이 사는 것이 부품에서 설비로 옮겨간 셈이고, 그만큼 한 건의 규모가 커졌습니다.

고객은 크게 둘로 나뉩니다. 하나는 대형 클라우드 사업자들로 데이터센터 매출의 절반가량을 차지합니다. 다른 하나는 AI 전문 클라우드 사업자와 기업, 정부 등 다양한 고객군입니다. 회사는 이 두 번째 갈래가 커지는 것을 고객 다변화로 설명하는데, 실제로 한 해 전만 해도 소수 고객 의존이 이 회사의 대표적 우려였습니다.

게이밍 — 출발점이자 여전히 큰 사업

이 회사의 뿌리입니다. 게임 화면을 그리는 그래픽 카드를 만들어 팔고, 지금도 분기당 수십억 달러 규모입니다. 다른 반도체 회사의 연간 매출을 넘는 규모인데, 데이터센터가 워낙 커져 비중으로는 작아 보입니다.

이 부문이 중요한 이유는 3절에서 다룰 기술의 출발점이기 때문입니다. 게임 화면을 그리는 계산과 AI를 학습시키는 계산이 구조가 같다는 것이 이 회사 전체를 설명하는 열쇠이고, 그 계산 구조는 게이밍에서 수십 년 다듬어진 것입니다.

전문 시각화와 자동차·로보틱스 — 규모는 작지만 방향을 보여주는 자리

전문 시각화는 설계와 영상 제작에 쓰이는 작업용 그래픽 카드 사업입니다. 자동차 매출은 FY2026 23억 달러로 전체 매출의 1% 남짓(우리 계산)이고, FY2027부터는 PC · 게임기 · 워크스테이션과 함께 엣지 컴퓨팅으로 묶여 따로 공시되지 않습니다.

두 부문 모두 규모는 작지만 이 회사가 계산을 파는 회사라는 성격을 보여줍니다. 화면을 그리든 자동차가 주변을 인식하든 로봇이 판단하든, 결국 같은 종류의 계산을 아주 많이 하는 일이기 때문입니다.

📌 알아두면 좋은 개념 — 매출에 잡히지 않는 것이 매출을 만듭니다 이 회사의 부문별 매출을 아무리 들여다봐도 보이지 않는 것이 있습니다. CUDA 생태계라고 불리는 것인데, 그 실체는 이렇습니다 — 개발자들이 이 회사 칩을 쓸 때 반드시 거치는 소프트웨어인데, 무료로 배포되므로 매출에 잡히지 않습니다. 그런데 그 소프트웨어가 데이터센터 매출을 만듭니다. 세계 AI 연구자와 개발자 상당수가 그 환경에서 작업하는 법을 배웠고, 논문의 코드도 대부분 그것을 전제로 쓰여 있습니다. 다른 회사 칩으로 옮기려면 코드를 고치고 성능을 다시 검증해야 하는데, 그 작업이 몇 달씩 걸립니다. 반도체 밸류체인 2부에서 설계 회사의 경쟁력을 ‘칩 그 자체보다 그 칩을 쓰게 만드는 생태계’로 정리했는데, 여기서 생태계란 정확히 이것을 뜻합니다 — 사람들이 이미 배워버린 것입니다. 그래서 이 회사를 볼 때는 칩 성능 비교표만으로는 부족합니다. 경쟁사 칩이 더 빠르다는 발표가 나와도 고객이 옮겨가지 않는 경우가 많은데, 성능이 아니라 옮기는 비용 때문입니다. 3절 ②에서 이 구조를 원리로 다루겠습니다.

3. 핵심 기술 — 원리로 파고들기

여기서부터가 이 글의 본론입니다. 읽는 렌즈를 하나 먼저 드리겠습니다. 설계 회사가 공장 없이 회로만 그려 파는 구조와 그 구간에서 생태계가 왜 중요한지는 반도체 밸류체인 2부에서 다뤘습니다. 이 절은 그 위에서 구체적인 질문으로 갑니다 — 그래픽 칩이 왜 AI 계산에 맞았고, 그 우위가 어디까지 유효한가. 계산 구조가 왜 같은지(①), 무료 소프트웨어가 어떻게 장벽이 됐는지(②), 계산보다 옮기는 것이 더 큰 문제가 된 이유(③), 그리고 학습과 추론이 왜 다른 시장인지(④)를 순서대로 보겠습니다.

① 게임 화면과 인공지능 학습은 왜 같은 계산인가

컴퓨터의 계산 장치는 크게 두 갈래로 나뉩니다. 하나는 복잡한 일을 순서대로 빠르게 처리하는 쪽이고, 다른 하나는 단순한 일을 아주 많이 동시에 처리하는 쪽입니다. 앞이 중앙처리장치이고 뒤가 그래픽 처리장치입니다.

게임 화면을 그리는 일이 뒤쪽입니다. 화면에 점이 수백만 개 있고 각 점의 색을 계산해야 하는데, 계산 자체는 단순하고 점들끼리 서로 영향을 주지 않습니다. 그래서 한 번에 다 계산하면 됩니다.

💡 쉽게 비유하면 — 박사 한 명과 초등학생 천 명 복잡한 수학 문제 하나를 풀어야 한다면 박사 한 명이 낫습니다. 앞 단계를 풀어야 뒤 단계로 갈 수 있고, 그 판단을 할 수 있는 사람이 필요하기 때문입니다. 그런데 두 자리 곱셈 백만 개를 풀어야 한다면 이야기가 다릅니다. 박사 한 명이 아무리 빨라도 백만 번을 차례로 해야 하고, 초등학생 천 명이 각자 천 개씩 나눠 풀면 훨씬 빠릅니다. 문제들이 서로 무관하니 순서도 필요 없습니다. 인공지능을 학습시키는 계산이 뒤쪽입니다. 신경망이 하는 일은 결국 숫자를 곱하고 더하는 것인데, 그 곱셈이 수십억 개이고 서로 독립적입니다. 게임 화면의 점을 계산하는 것과 구조가 같습니다. 그래서 그래픽 칩이 AI에 맞았습니다. 우연처럼 보이지만 이 회사는 그 가능성을 오래전에 보고 준비했습니다 — 2006년부터 그래픽용 칩을 일반 계산에 쓸 수 있게 만드는 소프트웨어를 배포하기 시작했고, 그때는 AI가 지금처럼 커지기 훨씬 전이었습니다.

② 무료로 뿌린 소프트웨어가 어떻게 장벽이 되는가

흔히 CUDA 생태계라 부르는 것이 여기서 만들어졌습니다. 칩이 아무리 좋아도 그것을 쓸 방법이 없으면 팔리지 않습니다. 그래픽 칩을 게임이 아닌 계산에 쓰려면 프로그래머가 그 칩의 구조를 이해하고 거기에 맞춰 코드를 짜야 하는데, 이것이 대단히 까다로운 일입니다. 이 회사는 그 작업을 쉽게 해주는 도구를 만들어 무료로 배포했습니다.

여기서 벌어지는 일이 이 회사를 이해하는 열쇠입니다. 무료 도구를 배운 사람이 늘면 그 도구로 쓰인 코드가 쌓이고, 쌓인 코드를 쓰려는 사람은 다시 그 도구를 배웁니다. 대학에서 그것으로 가르치고, 논문의 예제 코드가 그것을 전제로 쓰이며, 회사에 들어간 개발자가 이미 그것을 알고 있습니다.

그러면 경쟁사가 더 빠른 칩을 내놓아도 상황이 쉽게 바뀌지 않습니다. 고객이 옮기려면 코드를 고치고, 결과가 같은지 검증하고, 사람들을 다시 교육해야 합니다. 칩값 차이보다 그 작업의 비용이 큽니다. 반도체 밸류체인 2부에서 설계 구간의 경쟁력을 ‘그 칩을 쓰게 만드는 생태계’로 정리했는데, 그 생태계의 실체가 바로 이 전환 비용입니다.

📌 알아두면 좋은 개념 — 표준을 만드는 두 가지 방법 어떤 기술이 표준이 되는 길은 크게 둘입니다. 하나는 여러 회사가 모여 규격을 합의하는 것이고, 다른 하나는 한 회사가 만든 것을 모두가 쓰게 되는 것입니다. 앞은 통신 규격이나 파일 형식에서 흔하고, 뒤는 소프트웨어 플랫폼에서 자주 나타납니다. 뒤쪽 표준을 만드는 방법이 무료 배포입니다. 값을 받지 않으면 퍼지는 속도가 빨라지고, 충분히 퍼지면 그것이 기준이 됩니다. 그리고 기준이 된 뒤에는 그 위에서 돌아가는 것으로 돈을 법니다. 이 회사가 정확히 그 길을 갔습니다. 소프트웨어는 무료이고 칩은 유료입니다. 그리고 소프트웨어가 칩에 맞춰 만들어져 있어, 그 소프트웨어를 쓰려면 그 칩을 사야 합니다. 같은 구조가 다른 산업에서도 반복됩니다. 피지컬 AI 시리즈의 두뇌 히어로즈 ②편에서 이 회사가 로봇용 모델을 무료로 푸는 것을 다뤘는데, 그 편에서 확인한 구조가 여기서 20년 앞서 만들어진 것입니다.

③ 계산보다 옮기는 것이 더 큰 문제가 됐습니다

세 번째는 최근 몇 년 사이 이 산업의 병목이 바뀐 이야기입니다. 계산 능력은 계속 빨라졌는데, 그 계산에 쓸 데이터를 가져오는 속도가 따라가지 못하게 됐습니다.

원리는 이렇습니다. 계산 장치는 자기 안에 데이터를 조금밖에 담아둘 수 없어, 대부분을 옆에 붙은 메모리에서 가져와야 합니다. 그런데 요즘 인공지능 모델은 크기가 수백 기가바이트에 이르러 한 번 계산할 때마다 엄청난 양을 옮겨야 합니다. 계산 자체는 순식간에 끝나는데 데이터가 도착하기를 기다리느라 칩이 놀게 됩니다.

그래서 나온 것이 메모리를 층층이 쌓아 계산 장치 바로 옆에 붙이는 방식입니다. 반도체 앵커기업 편에서 다룬 고대역폭 메모리가 그것이고, 이 회사의 가속기에는 그 메모리가 필수로 들어갑니다. 즉 이 회사의 제품 성능은 자기가 그린 회로만으로 정해지지 않고 메모리를 대는 회사와 그것을 붙이는 후공정에 함께 달려 있습니다.

이 사실이 이 회사의 위치를 다르게 보이게 합니다. 설계만 하는 회사인데 실제로는 메모리 회사, 파운드리, 후공정 회사가 함께 움직여야 제품이 나옵니다. 반도체 밸류체인 2부에서 팹리스를 ‘공장 없이 설계만 하는 회사’로 정의했는데, 이 규모가 되면 공장이 없다는 것이 곧 여러 회사에 의존한다는 뜻이 됩니다.

④ 학습과 추론은 왜 다른 시장인가

네 번째가 이 편에서 가장 중요합니다. AI 계산은 크게 둘로 나뉩니다 — 모델을 만드는 학습과, 만든 모델을 실제로 돌리는 추론입니다.

학습은 한 번에 아주 큰 계산을 오래 하는 일입니다. 수천 대의 장비를 몇 주씩 돌리고, 그 사이에 한 대라도 삐끗하면 처음부터 다시 해야 합니다. 그래서 성능도 중요하지만 여러 대를 묶어 안정적으로 돌리는 능력이 결정적이고, 그 부분에서 이 회사가 오래 쌓은 것이 크게 작용합니다.

추론은 다릅니다. 사용자가 질문을 던질 때마다 짧은 계산을 하는 일이고, 대신 그 횟수가 어마어마합니다. 여기서 중요한 것은 최고 성능이 아니라 ‘같은 돈으로 몇 번 답할 수 있는가’입니다. 그리고 이 기준에서는 선택지가 넓어집니다 — 조금 느려도 훨씬 싸면 그쪽이 낫기 때문입니다.

⚠️ 그리고 무게가 추론 쪽으로 옮겨가고 있습니다 AI 산업의 초기에는 학습이 계산 수요의 대부분이었습니다. 모델을 만드는 경쟁이 벌어지던 시기였기 때문입니다. 그런데 만들어진 모델을 실제 서비스에 넣는 단계로 들어서면서 추론 수요가 빠르게 커지고 있습니다. 이 변화가 이 회사에 갖는 의미는 양면입니다. 시장이 커진다는 점에서는 좋지만, 커지는 쪽이 하필 경쟁이 더 넓은 영역입니다. 다른 반도체 회사들이 추론용 제품으로 자리를 넓히고 있고, 대형 클라우드 사업자들은 자기 서비스에 맞춘 칩을 직접 만들고 있습니다. 다만 자체 칩이 이 회사를 완전히 대체하는 그림은 아직 아닙니다. 학습과 가장 까다로운 추론에는 여전히 이 회사 제품을 쓰면서, 정형화된 추론 작업에만 자체 칩을 쓰는 병행 구조가 나타나고 있습니다. 그리고 그 병행이 어디까지 넓어지느냐가 이 회사의 다음 몇 년을 결정합니다.

⑤ 아직 확인되지 않은 것들

첫째, 추론 시장에서의 자리가 학습만큼 확고한지 알 수 없습니다. ④에서 본 대로 이 시장은 값 대비 성능이 기준이고, ②에서 본 전환 비용도 학습보다 낮습니다. 이미 만들어진 모델을 돌리기만 하면 되므로 개발 환경에 덜 묶이기 때문입니다.

둘째, 고객이 곧 경쟁자입니다. 데이터센터 매출의 절반가량을 차지하는 대형 클라우드 사업자들이 동시에 자체 칩을 만들고 있습니다. 이들이 자체 칩 비중을 얼마나 늘릴지는 이 회사가 통제할 수 없고, 그 결정이 매출에 곧바로 반영됩니다.

셋째, AI 반도체를 실제로 만들어내는 일이 공급망 전체에 걸려 있습니다. ③에서 본 대로 이 회사 제품은 메모리와 후공정이 함께 받쳐줘야 나옵니다. 어느 한 곳에서 병목이 생기면 주문이 있어도 못 만드는 상황이 생기고, 실제로 그런 국면이 반복돼왔습니다.

⚠️ 이 세 가지를 어떻게 읽어야 할까 셋은 하나로 이어집니다. 시장이 커지는 쪽에서 경쟁이 넓어지고, 그 경쟁자가 동시에 가장 큰 고객이며, 만들어내는 능력은 남에게 달려 있습니다. 다만 이 회사에는 다른 회사에 없는 것이 있습니다 — 20년에 걸쳐 쌓인 개발 환경과 그것을 쓰는 사람들입니다. ②에서 본 대로 이것은 돈으로 사거나 몇 년 만에 따라잡을 수 있는 것이 아닙니다. 그래서 이 회사를 볼 때의 질문은 ‘경쟁자가 나타나는가’가 아닙니다. 경쟁자는 이미 여럿 있고 앞으로도 계속 나옵니다. 물어야 할 것은 ‘그 개발 환경이 학습 밖에서도 힘을 갖는가’이며, 그 답이 나오는 곳이 추론 시장입니다.

4. 왜 경쟁사는 따라오지 못하는가 — 그리고 그 이유가 언제까지 유효한가

3절을 정리하면 이 회사의 우위는 세 겹입니다. 첫째, 같은 계산을 아주 많이 동시에 하는 구조를 30년 가까이 다듬었습니다. 둘째, 그 칩을 쓰는 방법을 무료로 뿌려 개발자들이 이미 배워버렸습니다. 셋째, 여러 대를 묶어 오래 안정적으로 돌리는 능력을 학습 시장에서 검증받았습니다.

셋 중 결정적인 것은 두 번째입니다. 첫째는 시간이 지나면 따라잡히고, 셋째는 다른 회사도 쌓을 수 있습니다. 그런데 사람들이 이미 배운 것은 다른 회사가 어떻게 할 수 없습니다. 반도체 밸류체인 2부에서 설계 구간의 경쟁력을 생태계로 정리한 것이 이 뜻이고, 이 회사는 그 생태계를 20년에 걸쳐 만들었습니다.

그런데 그 장벽은 학습 시장에서 가장 높습니다

여기서 이 편이 던지고 싶은 질문이 나옵니다. 개발 환경의 힘은 ‘새로 만드는 일’에서 가장 크게 작동합니다. 모델을 처음부터 학습시키려면 코드를 짜고 실험을 반복해야 하고, 그 과정 전체가 개발 환경 위에서 돌아가기 때문입니다.

추론은 다릅니다. 3절 ④에서 본 대로 이미 만들어진 모델을 돌리기만 하는 일이라 개발 과정이 짧습니다. 그리고 그 모델을 다른 칩에서 돌아가게 바꿔주는 도구들이 나와 있어, 전환 비용이 학습만큼 크지 않습니다.

그래서 이 회사의 장벽은 시장 전체에 고르게 작동하지 않습니다. 학습에서는 대단히 높고 추론에서는 그보다 낮으며, 그중에서도 정형화된 작업일수록 더 낮습니다. 문제는 AI 산업의 무게가 지금 뒤쪽으로 옮겨가고 있다는 점입니다.

설계 히어로즈 ①편의 LX세미콘과 맞대어 보면 이 성질의 정체가 드러납니다. 그 회사의 해자는 특정 고객 안에 서 있어 고객이 값을 다시 정하면 함께 흔들리고, 이 회사의 해자는 특정 시장 위에 서 있어 시장의 무게가 옮겨가면 방어력이 달라집니다. 서 있는 자리가 고객이냐 시장이냐가 다를 뿐, 회사가 잘못한 것이 없어도 조건이 바뀔 수 있다는 점은 둘 다 같습니다.

📌 그래서 무엇으로 판별할 것인가 — 학습 밖에서도 자리를 지키는가 이 회사의 판별식은 매출 성장률도 시장 점유율도 아닙니다. 둘 다 지금은 압도적인데, 그 숫자가 학습 시장에서 만들어진 것이라 앞으로도 유효한지를 알려주지 않기 때문입니다. 봐야 할 것은 무게가 추론으로 옮겨갈 때도 자리를 지키는가입니다. 3절 ④에서 본 대로 두 시장은 요구가 다르고 전환 비용도 다릅니다. 확인 방법은 셋입니다. 첫째, 회사가 실적 발표에서 추론 관련 수요를 어떻게 설명하는가 — 비중이나 사례를 구체적으로 밝히기 시작한다면 그 시장에서도 자리를 잡고 있다는 신호입니다. 둘째, 대형 클라우드 사업자들이 자체 칩을 쓰는 범위가 넓어지는가 — 정형화된 작업에 머무는지, 아니면 점점 까다로운 작업까지 옮겨가는지가 관건입니다. 셋째, 매출총이익률이 유지되는가 — 추론 시장에서 값 경쟁에 밀리기 시작하면 이 숫자가 먼저 움직입니다. 그리고 이 기준은 피지컬 AI 시리즈 두뇌 히어로즈 ②편의 판별식과 층위가 다릅니다. 그 편은 로봇 회사가 이 회사의 도구 묶음에서 벗어날 수 있는가를 물었고, 이 편은 이 회사의 개발 환경이 학습이 아닌 시장에서도 힘을 갖는가를 묻습니다. 앞은 잠금의 강도이고 뒤는 잠금의 범위입니다.

5. 경쟁·협력 지도 — 엔비디아를 둘러싼 큰 그림

한 회사를 이해하려면 누구와 싸우고 누구에게 팔며 누구에게 기대는지를 함께 봐야 합니다. 이 회사의 지도에는 특징이 둘 있습니다 — 가장 큰 고객이 동시에 경쟁자이고, 자기 제품을 만들어주는 회사들에게 크게 의존합니다.

층을 나눠 보시면 더 선명해집니다. 같은 종류의 칩을 만드는 반도체 회사들이 옆에 있고, 자기 서비스에 맞춘 칩을 직접 만드는 클라우드 사업자들이 위아래 양쪽에 있으며, 제품을 실제로 만들어주는 회사들이 뒤에 있습니다.

🌏 글로벌 라이벌

AMD [나스닥 AMD] AI 가속기에서 가장 직접적인 경쟁자입니다. 특히 3절 ④에서 본 추론 영역에서 값 대비 성능을 앞세워 자리를 넓히고 있습니다. 다만 개발 환경 쪽에서는 아직 격차가 있고, 그 격차를 줄이려는 노력이 이 회사의 장벽이 얼마나 견고한지를 보여주는 시험대이기도 합니다.
대형 클라우드 사업자의 자체 칩 [나스닥·해외 상장] 구글·아마존·마이크로소프트·메타가 각각 자기 서비스에 맞춘 AI 칩을 만들고 있습니다. 이들은 이 회사의 가장 큰 고객이면서 동시에 가장 확실한 이탈 가능성입니다. 다만 3절 ④ ⚠️ 박스에서 짚은 대로 지금은 완전 대체가 아니라 병행 구조에 가깝습니다.
인텔 [나스닥 INTC] AI 가속기와 파운드리 양쪽에서 자리를 찾으려 하고 있습니다. 개발 환경의 격차가 커 단기간에 따라잡기 어렵다는 평가가 많지만, 반도체 밸류체인 편들에서 본 대로 이 산업에서는 한 세대의 판단이 몇 년 뒤 구도를 바꾸는 일이 반복돼왔습니다.
중국 AI 반도체 진영 [중국] 수출 규제로 이 회사 제품 공급이 제한된 시장에서 자국 대안이 자라고 있습니다. 규제가 만든 시장이라 성격이 다르지만, 그 안에서 쌓인 개발 환경이 언젠가 밖으로 나올 가능성은 함께 봐야 합니다.

🤝 핵심 고객사

대형 클라우드 사업자군 [미국 중심] 데이터센터 매출의 절반가량을 차지합니다. 위에서 본 대로 이들이 동시에 자체 칩을 만들고 있어, 이 회사에게는 가장 큰 매출원이면서 가장 큰 위험입니다.
AI 전문 클라우드 및 기업·정부 고객군 [글로벌] 나머지 절반을 차지하는 다양한 고객군입니다. 회사는 이 갈래가 커지는 것을 고객 다변화로 설명하는데, 한 해 전만 해도 소수 고객 의존이 대표적 우려였다는 점을 함께 보면 의미가 큽니다.
게임·전문 시각화 고객군 [글로벌] 이 회사의 출발점이자 여전히 큰 사업의 고객입니다. 3절 ①에서 본 대로 지금의 AI 계산 능력이 이 시장에서 다듬어진 것이라, 규모 이상의 의미를 갖습니다.

🇰🇷 국내 협력 생태계

SK하이닉스 · 삼성전자 [코스피 000660 · 005930] 반도체 앵커기업 편들에서 다룬 회사들입니다. 3절 ③에서 본 대로 이 회사 가속기에는 층층이 쌓은 고대역폭 메모리가 필수로 들어가고, 그 메모리를 만드는 곳이 사실상 이 두 회사와 해외 한 곳뿐입니다. 설계만 하는 회사가 메모리 회사에 성능을 의존하는 구조입니다.
한미반도체 등 후공정 장비 기업군 [코스피 042700 등] 쌓은 메모리를 붙이는 공정에 쓰이는 장비를 만듭니다. 반도체 밸류체인 4부에서 다룬 구간이며, 이 회사 제품의 생산량이 이 구간의 처리 능력에 묶여 있습니다.
국내 팹리스 및 AI 반도체 기업군 [코스닥 상장] 추론용 칩으로 자리를 찾으려는 회사들입니다. 3절 ④에서 본 대로 추론은 학습보다 진입 여지가 넓은 시장이라, 국내 기업들이 겨냥하는 곳도 대체로 이쪽입니다.

이 지도를 한 걸음 물러나 보면 이 회사의 위치가 드러납니다. 설계만 하는 회사인데 제품이 나오려면 메모리와 파운드리와 후공정이 함께 움직여야 하고, 가장 큰 고객들이 동시에 자체 칩을 만듭니다. 반도체 밸류체인 2부에서 팹리스의 강점을 ‘공장에 묶이지 않는 유연함’으로 정리했는데, 이 규모가 되면 그 유연함이 곧 여러 곳에 의존한다는 뜻이 됩니다.

6. 숫자로 보는 지금 — 구조가 숫자에 어떻게 나타나는가

앞에서 본 구조가 실제 숫자에 어떻게 찍히는지 보겠습니다. 이 회사는 1월 말에 회계연도가 끝나므로 표의 각 행이 어느 캘린더 구간에 해당하는지를 함께 적었습니다. 여기서 중요한 것은 성장률의 크기가 아니라, 그 성장이 한 부문에서 나온다는 사실입니다.

표를 좌우로 밀어서 보실 수 있습니다.

구분	매출	수익성	비고
FY2026(확정, 2025.2~2026.1)	2,159억 달러(YoY +65%)	일반회계기준 순이익 1,201억 달러(YoY +65%)·영업이익 1,304억 달러	데이터센터가 전체 매출의 90%가량. 연간 일반회계기준 매출총이익률 71.1%
FY2026 4분기(확정, 2025.11~2026.1)	681억 달러(YoY +73%)	일반회계기준 순이익 429억 6,000만 달러(YoY +94%)	데이터센터 623억 달러(YoY +75%)로 분기 매출의 91.5%. 분기 매출총이익률 75.0%
FY2027 1분기(확정, 2026.2~4월)	816억 달러(YoY +85%)	일반회계기준 순이익 583억 달러, 매출총이익률 74.9%	데이터센터 752억 달러(YoY +92%)로 분기 매출의 92%. 순이익에 지분증권 평가이익 159억 달러 포함. 컨센서스(약 789억 달러) 상회. 회사는 연간 전망을 내지 않고 분기 단위로만 제시하며, FY2027 2분기 매출 910억 달러·매출총이익률 74.9%를 제시(중국 데이터센터 매출 미포함)

⚠️ 숫자를 볼 때 주의할 점 위 세 개 확정 행은 회사가 발표한 실적입니다. 다만 이 회사의 회계연도는 1월 말에 끝나므로 ‘FY2027 1분기’는 2026년 봄에 해당합니다. 국내 기업과 기간이 어긋나기 때문에 구분란에 캘린더 구간을 함께 적어두었습니다. 표 안에서 오해하기 쉬운 곳이 둘 있습니다. 하나는 FY2027 1분기 순이익입니다. 이 금액에는 회사가 보유한 지분증권의 평가이익 159억 달러가 포함돼 있어, 본업이 벌어들인 몫과 구분해서 봐야 합니다. 다른 하나는 마지막 행입니다. 이 회사는 연간 전망을 내지 않고 다음 분기 전망만 제시하므로 그 행은 회사의 약속이 아니라 시장의 기대치이며, 그 기대치가 매 분기 70% 안팎의 성장을 전제로 하고 있다는 점까지 함께 보셔야 합니다. 그리고 이 표에는 학습과 추론의 구분이 없습니다. 회사가 데이터센터를 하나로 묶어 공시하고 그 안에서 학습용과 추론용을 나눠 밝히지 않기 때문입니다. 4절 판별식이 매출 숫자가 아니라 회사의 설명과 고객 행동을 보라고 한 이유가 여기 있고, 같은 이유로 이 편에서 개발 환경 전환에 걸리는 기간, 추론 시장의 경쟁 구도, 클라우드 사업자 자체 칩의 적용 범위는 공시 수치가 아니라 관측과 해석에 기대고 있습니다.

표에서 가장 눈여겨볼 곳은 데이터센터 비중입니다. 91.5%에서 92%로 오히려 올라갔습니다. 회사가 넷으로 나눠 공시하지만 실질적으로는 한 부문 회사에 가깝고, 그 부문이 흔들리면 전체가 흔들립니다.

두 번째로 볼 것은 매출총이익률입니다. 74.9%인데, 반도체 회사로서 대단히 높은 수치입니다. 3절 ②에서 본 구조가 여기 나타납니다 — 개발 환경이 만든 전환 비용 덕분에 값을 지킬 수 있고, 그것이 이익률로 돌아옵니다. 그리고 이 숫자가 내려가기 시작하면 그 장벽이 얇아지고 있다는 신호가 됩니다.

세 번째는 성장의 방향입니다. 분기 매출이 681억 달러에서 816억 달러로 늘고 다음 분기 전망이 910억 달러입니다. 둔화되기는커녕 붙고 있는데, 그 전부가 AI 인프라 투자에서 나옵니다. 즉 이 회사의 실적은 고객들의 설비 투자 결정에 통째로 묶여 있고, 그 결정은 몇 개 회사의 판단으로 정해집니다.

마지막으로 이 표에 없는 것을 봐야 합니다. 3절 ②에서 다룬 개발 환경은 무료라 매출에 잡히지 않고, ③에서 다룬 메모리 의존도 재무제표에 드러나지 않습니다. 재무제표에서 확인할 수 있는 것은 결과이지 구조가 아니며, 이 회사에서는 그 구조가 결과보다 훨씬 오래 갑니다.

7. 그늘도 있다 — 구조적 리스크

여기까지가 강점에 관한 이야기였다면 이제 반대편을 봐야 합니다. 단기 악재가 아니라 이 회사의 구조 자체에서 나오는 위험을 층위별로 짚겠습니다.

첫째, 무게가 옮겨가는 쪽에서 장벽이 낮습니다. 3절 ④와 4절에서 짚은 대로 개발 환경의 힘은 새로 만드는 일에서 가장 크게 작동하는데, AI 산업의 수요는 만드는 쪽에서 돌리는 쪽으로 옮겨가고 있습니다. 시장이 커지는 것은 좋은 소식이지만 커지는 영역이 하필 경쟁이 넓은 곳입니다.

둘째, 가장 큰 고객이 가장 확실한 경쟁자입니다. 데이터센터 매출의 절반가량을 차지하는 대형 클라우드 사업자들이 자체 칩을 만들고 있습니다. 이들이 자체 칩을 쓰는 범위를 넓힐수록 이 회사의 매출이 줄고, 그 결정은 이 회사가 통제할 수 없습니다.

셋째, 한 부문 의존입니다. 6절에서 본 대로 매출의 92%가 데이터센터에서 나오고, 그 수요는 소수 기업의 설비 투자 계획에 달려 있습니다. 그 계획이 한 해만 늦춰져도 실적이 크게 흔들립니다. 반도체 밸류체인 편들에서 이 산업의 사이클을 반복해 다뤘는데, AI 인프라 투자도 결국 사이클을 탑니다.

넷째, 공급망 의존입니다. 3절 ③에서 본 대로 이 회사 제품은 메모리와 후공정이 함께 받쳐줘야 나옵니다. 설계만 하는 회사라 만드는 능력을 스스로 늘릴 수 없고, 어느 한 구간에 병목이 생기면 주문이 있어도 못 만듭니다.

다섯째, 지정학입니다. 이 회사 제품은 여러 나라의 수출 규제 대상이고, 그 규제는 기업이 통제할 수 없는 변수입니다. 특정 시장이 막히면 그 자리에 자국 대안이 자라고, 그렇게 자란 것이 나중에 다른 시장에서 경쟁자가 될 수 있습니다.

여섯째, 값을 지키는 구조가 흔들릴 가능성입니다. 6절에서 본 매출총이익률은 전환 비용이 만든 숫자이므로, 추론 시장에서 값 대비 성능 경쟁이 벌어지면 이 숫자부터 움직입니다. 그리고 이익률이 내려가기 시작하면 매출이 늘어도 남는 것이 함께 늘지 않습니다.

8. 이 회사가 말해주는 것 — 세 가지 해석

사실을 정리했으니 이제 해석입니다. 엔비디아를 통해 이 산업에 대해 배울 수 있는 것 세 가지를 짚겠습니다.

① 우연처럼 보이는 것에는 대개 20년이 있습니다

이 회사의 이야기는 자주 행운으로 요약됩니다 — 게임 칩을 만들고 있었는데 마침 인공지능이 같은 계산을 필요로 했다는 식입니다. 절반은 맞습니다. 3절 ①에서 본 대로 두 계산의 구조가 실제로 같았습니다.

그런데 나머지 절반이 빠져 있습니다. 이 회사는 그래픽용 칩을 일반 계산에 쓸 수 있게 만드는 소프트웨어를 2006년부터 배포했습니다. 인공지능이 지금처럼 커지기 훨씬 전이고, 그때는 그 소프트웨어로 돈을 벌 방법도 없었습니다. 즉 시장이 오기 전에 준비를 끝내둔 것이며, 시장이 왔을 때 그 준비가 20년치로 쌓여 있었습니다.

그래서 어떤 회사가 갑자기 잘된 것처럼 보이면 그 앞에 무엇이 있었는지를 물어보시길 권합니다. 대개 오래 묻어둔 것이 있고, 없다면 그 성공은 다음 사이클에서 이어지지 않을 가능성이 큽니다. 반도체 시리즈에서 다룬 회사들 대부분이 이 패턴을 갖고 있습니다.

② 장벽은 시장 전체에 고르게 작동하지 않습니다

이 편에서 가장 중요한 관찰입니다. 개발 환경이 만든 전환 비용은 대단히 강력한 장벽인데, 그 강도가 일정하지 않습니다. 3절 ④에서 본 대로 새로 만드는 일에서는 높고 이미 만든 것을 돌리는 일에서는 낮습니다.

이 구분이 중요한 이유는 시장이 움직이기 때문입니다. 어떤 회사의 장벽이 A 영역에서 높다면, 시장의 무게가 A에 있는 동안에는 안전합니다. 그런데 무게가 B로 옮겨가면 같은 장벽이 그대로인데도 방어력이 떨어집니다. 회사가 잘못한 것이 없어도 그렇습니다.

그래서 어떤 회사의 해자를 이야기할 때는 ‘얼마나 높은가’만큼 ‘어디에 서 있는가’를 물어야 합니다. 그리고 그 자리에 시장이 계속 머무를지를 함께 봐야 합니다. 이 회사의 다음 몇 년이 그 시험대이며, 4절에서 판별식을 ‘학습 밖에서도 자리를 지키는가’로 잡은 이유입니다.

③ 설계만 하는 회사가 커지면 오히려 여러 곳에 묶입니다

반도체 밸류체인 2부는 팹리스의 강점을 ‘공장에 묶이지 않는 유연함’으로 정리했습니다. 공장을 짓는 데 조 단위가 들고 그 부담이 사이클을 탈 때 큰 짐이 되는데, 설계만 하면 그 위험을 지지 않습니다.

그런데 이 회사 규모가 되면 그 문장이 다르게 읽힙니다. 3절 ③에서 본 대로 이 회사 제품에는 층층이 쌓은 메모리가 필수이고, 그것을 만드는 곳도 붙이는 곳도 남입니다. 파운드리도 남입니다. 공장에 묶이지 않는 대신 여러 회사의 생산 능력에 묶인 셈입니다.

그래서 팹리스 기업을 볼 때는 설계 능력만이 아니라 ‘그 설계를 실제로 만들어낼 수 있는가’를 함께 봐야 합니다. 주문이 아무리 많아도 만들지 못하면 매출이 되지 않고, 그 병목은 그 회사가 풀 수 없는 곳에 있습니다. 반도체 밸류체인 3부와 4부에서 다룬 제조·후공정 구간이 그래서 설계 회사의 실적과 함께 움직입니다.

9. 이 회사를 계속 지켜보는 법

특정 날짜의 이벤트를 나열하지는 않겠습니다. 그런 항목은 몇 달이면 낡습니다. 대신 몇 년이 지나도 유효한 질문 네 가지와, 각각을 무엇으로 판단할 수 있는지를 남깁니다.

첫째, 회사가 추론 수요를 구체적으로 설명하기 시작하는가. 4절에서 세운 판별식의 첫 확인 지점입니다. 지금은 데이터센터를 하나로 묶어 공시하는데, 학습과 추론을 나눠 밝히거나 추론 사례를 앞세우기 시작한다면 그 시장에서도 자리를 잡고 있다는 신호입니다.

둘째, 대형 클라우드 사업자의 자체 칩이 어디까지 쓰이는가. 지금은 정형화된 작업에 머무는 것으로 알려져 있습니다. 이 범위가 넓어져 까다로운 작업까지 옮겨간다면 이 회사의 자리가 줄어드는 것이고, 그대로라면 병행 구조가 유지되는 것입니다. 각 회사의 기술 발표와 데이터센터 투자 계획에서 확인할 수 있습니다.

셋째, 매출총이익률이 유지되는가. 6절에서 본 74.9%는 전환 비용이 만든 숫자입니다. 값 경쟁이 벌어지면 매출보다 이 지표가 먼저 움직이므로, 매출 성장률과 함께 반드시 나란히 보셔야 합니다.

넷째, 만들어내는 능력이 주문을 따라가는가. 3절 ③과 7절 넷째에서 짚은 대로 이 회사는 자기 공장이 없습니다. 메모리 공급과 후공정 처리 능력이 병목이 되는 국면이 반복돼왔고, 회사가 공급 관련 약정 규모를 공시하므로 그 추이로 간접 확인할 수 있습니다.

10. 마무리하며

엔비디아를 한 문장으로 요약하면 이렇습니다 — 그래픽용 칩을 일반 계산에 쓸 수 있게 만드는 소프트웨어를 20년간 무료로 뿌려, 칩이 아니라 계산하는 방식 자체를 표준으로 만든 설계 회사입니다. 매출의 90%가 넘는 데이터센터 부문이 그 결과이고, 매출총이익률 70%대가 그 장벽의 두께입니다.

이 편은 설계 히어로즈의 두 번째 자리입니다. ①편의 LX세미콘이 특정 고객에게 붙어서 자리를 만든 사례라면, 이 회사는 아무에게도 붙지 않고 모두가 쓰게 만들어 자리를 만든 사례입니다. 반도체 밸류체인 2부에서 설계 구간의 경쟁력을 ‘칩 그 자체보다 그 칩을 쓰게 만드는 생태계’로 정리했는데, 이 회사가 그 명제를 가장 극단적으로 실현했습니다. 그리고 그 생태계가 어떻게 만들어졌는지를 보면 특별한 비법이 없습니다 — 아무도 쓰지 않던 시절부터 무료로 뿌렸고, 그것을 20년 했습니다.

다만 이 편에서 확인한 것은 그 장벽이 시장 전체에 고르게 작동하지 않는다는 사실입니다. 새로 만드는 일에서는 대단히 높고 이미 만든 것을 돌리는 일에서는 그보다 낮은데, AI 산업의 무게가 지금 뒤쪽으로 옮겨가고 있습니다. 회사가 잘못한 것이 없어도 방어력이 달라지는 국면이며, 그것이 이 회사의 다음 몇 년을 결정합니다.

한 가지만 덧붙이겠습니다. 이 회사를 볼 때 가장 흔한 오해는 칩 성능 비교로 판단하는 것입니다. 경쟁사가 더 빠른 칩을 내놓았다는 발표는 계속 나오고, 그때마다 이 회사의 자리가 위태롭다는 이야기가 따라붙습니다. 그런데 3절 ②에서 본 대로 고객이 옮기지 않는 이유는 성능이 아니라 옮기는 비용입니다. 그러니 물어야 할 것은 ‘누가 더 빠른가’가 아니라 ‘옮기는 비용이 어디서 낮아지는가’이며, 그 답이 나오는 곳이 추론 시장입니다.

본 글은 정보 제공을 목적으로 하며, 특정 종목에 대한 매수·매도 추천이 아닙니다. Core Asset Insight(코어에셋인사이트)는 목표주가를 제시하거나 저평가·고평가를 판정하지 않으며, 기업과 산업의 사업구조·기술·밸류체인에서의 위치를 설명하는 데 목적을 둡니다. 본문의 수치는 작성 시점에 공시·발표된 자료를 기준으로 하며, 확정된 사실과 회사가 밝힌 계획, 제3자 기관·언론의 추정을 구분해 표기했습니다. 공시와 시장 상황은 이후 달라질 수 있으니 최신 자료를 함께 확인하시기 바랍니다. 필자는 본문에 언급된 종목을 보유하고 있을 수 있으며, 글의 발행 전후 일정 기간에는 해당 종목을 매매하지 않습니다. 투자 판단과 책임은 투자자 본인에게 있습니다.

[기업분석] 엔비디아, 칩이 아니라 계산하는 방식을 파는 회사 (설계 히어로즈 ②)