---
title: "Amazon의 $220십억 규모 AI 인프라 전략: 맞춤형 반도체, 데이터센터의 경제성, 기업용 AI의 확장성"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-10-24"
language: "ko"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion/"
original_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion/"
original_language: "en"
translated_on: "2026-11-15"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-ko/"
markdown_url: "https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-ko/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Amazon의 $220십억 규모 AI 인프라 전략: 맞춤형 반도체, 데이터센터의 경제성, 기업용 AI의 확장성, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-ko/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "ai"
tickers: ["AMZN"]
sources:
  - title: "Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs"
    url: "https://www.youtube.com/watch?v=-YMMRQ1qscI"
audio: "https://anchor.fm/s/117391698/podcast/play/127980195/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-9-24%2F434854705-44100-2-048188212c408.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/61w7dfoVt8mCa1yuuNZXDx"
---
# 아마존의 $220B AI 인프라 전략: 맞춤형 반도체, 데이터 센터 경제성, 기업용 AI 확장

아마존은 글로벌 인공지능 및 클라우드 컴퓨팅 인프라를 확장하기 위해 2026년 전례 없는 $220B 규모의 자본적 지출 주기를 추진하고 있다. 끊임없는 수요로 연산 용량은 2026년까지 전량 판매되었고, 2027년 물량도 대부분 판매되었으며, 2028년 물량 상당 부분도 이미 배정된 가운데, 회사는 막대한 단기 재무 투자와 장기적인 인프라 수익화 사이의 균형을 맞추고 있다. 현재 높은 추론 비용에 제약을 받는 핵심 운영 워크로드 전반에서 기업의 광범위한 AI 도입을 실현하기 위해, 아마존은 Annapurna Labs가 개발한 Trainium 가속기와 Graviton 중앙처리장치 [CPU] 칩을 비롯한 맞춤형 반도체를 도입하고 있다. 극도로 효율적인 에이전트형 소프트웨어 엔지니어링 업무 흐름으로의 근본적인 전환과 결합된 이 자본 배분 전략은 연산 비용을 한 자릿수 규모만큼 낮추고 새롭게 부상하는 AI 시대의 기반 영역에서 주도권을 확보하는 것을 목표로 한다.

## 1. 자본적 지출의 딜레마: 끝없는 수요 속 인프라 확장

현재 기업용 인공지능 수요의 막대한 규모는 클라우드 인프라 구축을 미지의 영역으로 밀어 넣었다. 아마존은 2026년 총자본적 지출을 약 $220B로 예상하고 있으며, 이는 하루 약 $600M이라는 이례적인 자본 투입 속도에 해당한다. 이러한 자본 투입에도 불구하고 클라우드 생태계 전반의 연산 용량은 여전히 심각하게 부족하다. Amazon Web Services [AWS]의 용량은 2026년까지 전량 판매되었고, 2027년 물량도 대부분 판매되었으며, 2028년 물량도 상당 부분이 이미 배정되어 있다. 금융시장은 때때로 이러한 확장을 지원하는 데 필요한 막대한 자금 규모에 의구심을 드러내지만, 기업용 연산 인프라는 글로벌 상거래, 은행업, 의료 및 소프트웨어 운영의 기반 공공설비가 되었다.

이러한 급속한 확장은 팬데믹 기간 아마존의 물리적 네트워크 확장과 매우 유사한 일시적 운영 및 재무상의 상충관계를 만들어 낸다. 2020년부터 2022년 사이 아마존은 이전 25년에 걸쳐 구축한 물리적 네트워크인 주문 이행 네트워크의 규모를 단 18개월 만에 두 배로 늘렸다. 동시에 회사는 20개월 만에 United Parcel Service [UPS]와 맞먹는 규모의 최종 배송 운송망을 구축했다. 

물리적 또는 디지털 인프라가 이처럼 극도로 빠르게 구축되면 운영 비효율이 불가피하게 발생한다. 소매 부문에서는 급격한 규모 확대가 초기에 고객 서비스 제공 비용에 심각한 부담을 초래했다. 아마존은 고객 경험을 희생하거나 조직 문화에 내재된 운영 기준을 낮추는 대신, 내부 데이터 지표와 경영진 검토 체계를 활용해 구조적 병목을 파악했다. 이에 따라 물류 인프라를 전면 재설계하여 단일 전국 주문 이행 네트워크를 지역별 모델로 전환했다. 지역화는 재고를 최종 소비자 가까이에 배치하여 운송 거리를 줄이고, 서비스 제공에 드는 운영 비용을 낮추며, 배송 속도를 높였다.

디지털 인프라 전반에서도 유사한 구조적 진화가 진행되고 있다. 아마존 최고경영자 앤디 재시는 현재의 데이터 센터 구축을 과거 연방정부 인프라 사업에 비견되는 현대 산업의 필수 과제로 설명한다. *재시는 “아마도 1950년대에 고속도로와 교량을 건설했을 때 이후로 세계에서도, 이 나라에서도 이와 같은 일은 없었습니다”라고 말했다.* 이러한 자본 투자 주기를 건너뛰거나 지연하는 것은 중대한 전략적 위험을 초래한다. 국내 연산 인프라를 구축하지 못하면 중국과 같은 해외 경쟁자에게 기술 주도권과 운영 기준의 주도권을 내줄 수 있다.

## 2. 데이터 센터 경제성의 작동 원리와 공공 전력망을 둘러싼 마찰

초대규모 데이터 센터의 경제성을 이해하려면 클라우드 인프라를 지배하는 서로 구분되는 두 부분의 현금 주기를 평가해야 한다.

* **데이터 센터 건물과 전력 인프라:** 데이터 센터의 물리적 건물과 전력 연결에는 서버 설치 약 두 해 전에 자본 투입이 필요하다. 그러나 이러한 건물은 내용연수가 30년인 자산으로, 주요 자본 지출은 한 차례만 필요하다.
* **서버와 네트워크 하드웨어:** 서버 랙, 네트워크 장비, 고대역폭 메모리 [HBM], 동적 임의 접근 메모리 [DRAM] 등의 정보기술 자산은 배치 불과 몇 달 전에 구매한다. 이러한 자산의 내용연수는 5~6년이며, 일반적으로 세 해 이내에 손익분기점에 도달하고, 평균 계약 기간이 다섯 해인 장기 고객 계약으로 뒷받침된다.

데이터 센터 건물은 매출 발생 두 해 전에 막대한 선행 자본이 필요하기 때문에, 초대규모 클라우드 사업자는 구축 가속화 단계에서 잉여현금흐름(FCF)에 상당한 일시적 부담을 겪는다. 시설이 가동되고 서버가 설치되며 고객 계약의 수익화가 시작되면 현금흐름은 정상화되고 복리로 성장한다. *재시는 논의 중 “올해 자본적 지출에 $220B를 쓰고도 상당한 수요를 충족하지 못하고 있습니다”라고 말했다.*

동시에 초대규모 인프라 개발은 환경 및 전력망 영향과 관련하여 정치적 마찰과 지역 주민의 반발에 직면한다. 실증적 원천 데이터는 일반 대중의 여러 흔한 오해를 반박한다.

* **물 사용:** 데이터 센터 냉각 시스템은 기존 상업용 부동산에 비해 매우 효율적이다. 예를 들어 골프 산업은 아마존의 모든 데이터 센터를 합친 것보다 200배 더 많은 물을 소비하며, 이틀 동안 아마존 데이터 센터가 한 해 전체에 사용하는 것보다 더 많은 물을 소비한다.
* **배출량과 비상 발전기:** 현장 비상 디젤 발전기는 지속적으로 가동되지 않는다. 정전과 정기 유지보수 때만 가동되며, 연간 가동 시간은 약 0.1%(연간 약 10시간)이다.
* **지역 경제 및 전력망 영향:** 데이터 센터는 시설이 입지한 지방자치단체에 막대한 세원을 제공한다. 인디애나주 세인트조지프 카운티에서 아마존은 약 $3B의 지방세를 납부했다. 또한 아마존은 “Built Together” 프로그램을 통해 다섯 해에 걸쳐 입지 지역사회에 직접 $1B를 지원하기로 약정했다. 급격한 전력 수요로 인해 초기에는 전력망 개선이 필요하지만, 인디애나, 조지아, 미시시피 지역의 과거 데이터는 지역 전력망 인프라 용량이 설치된 이후 지역 전력요금이 시간이 지나면서 안정되거나 하락한다는 점을 보여 준다.

## 3. AI 수요의 바벨 구조와 맞춤형 반도체의 역할

현재 기업의 AI 도입에는 앤디 재시가 “수요 바벨”이라고 표현하는 구조적 불일치가 나타난다. 연산 소비가 시장의 양극단에 집중되어 있어 기업 워크로드의 대다수에는 아직 AI가 침투하지 못하고 있다.

* **연산 수요가 높은 극단:** 가격과 무관하게 막대한 연산 용량을 소비하는 최첨단 AI 연구소와 폭발적으로 성장하는 소비자용 애플리케이션으로 구성된다.
* **연산 수요가 낮은 극단:** 자동화된 고객 서비스와 사기 탐지 등 제한된 범위의 비용 회피 및 생산성 개선에 AI를 활용하는 기업으로 구성된다.
* **미개척 중간 영역:** 여전히 대부분 기존 CPU 아키텍처에 묶여 있는 기업의 핵심 운영 애플리케이션으로 구성된다. 

이러한 핵심 운영 워크로드가 AI 가속기로 전환하는 것을 막는 주된 병목은 추론 비용이다. 추론 비용은 하락했지만, 주류 애플리케이션을 다시 작성하는 것을 정당화하기에는 여전히 한 자릿수 규모만큼 높다. *재시는 “제 생각에 추론 비용은… 가능한 한 광범위하게 활용되기에는 여전히 한 자릿수 규모만큼 너무 비쌉니다”라고 말했다.* 표준 CPU 연산과 AI 가속 연산 사이의 비용 격차가 계속 크다면, 추가적인 성능 향상은 비정상적으로 높은 투자수익률 기준을 충족해야 한다. 추론 비용을 낮추는 것은 이 거대한 중간 시장을 개척하는 데 필요한 단 하나의 핵심 촉매다.

추론 비용을 낮추기 위한 아마존의 전략은 2015년에 인수한 Annapurna Labs가 개발하는 맞춤형 반도체에 크게 의존한다. 당초 Annapurna 인수 목적은 서버 CPU에서 처리하던 저장, 네트워킹, 가상화 및 보안 작업을 전용 네트워크 인터페이스 카드 [NIC]로 이전하는 것이었다. 이 아키텍처 덕분에 AWS는 Elastic Compute Cloud [EC2] 서버 CPU 용량의 거의 100%를 고객 워크로드에 직접 할당할 수 있었다.

이러한 엔지니어링 기반에서 두 가지 핵심 칩 제품군이 탄생했다.

* **Graviton CPU:** 기존 x86 아키텍처의 대안으로 개발된 Graviton 칩은 표준 x86 프로세서 대비 40%의 가격 대비 성능 우위를 제공한다. 현재 AWS의 상위 1,000개 EC2 고객 중 99%가 Graviton을 사용한다.
* **Trainium AI 가속기:** 딥러닝 학습과 추론을 위해 특별히 설계된 Trainium 프로세서는 경쟁 상용 그래픽 프로세서 대비 30%에서 40%의 가격 대비 성능 우위를 제공한다. 

아마존은 맞춤형 반도체를 통해 추론 비용을 한 자릿수 규모만큼 낮춤으로써, 일반 기업이 광범위한 AI 통합을 위해 핵심 소프트웨어 애플리케이션을 다시 작성하는 것이 경제적으로 가능해지도록 하는 것을 목표로 한다.

## 4. 에이전트 시대의 조직 설계와 사이버보안의 현실

생성형 AI와 에이전트형 개발 도구의 확산은 소프트웨어 엔지니어링, 팀 구조 및 기업 운영 모델을 근본적으로 바꾸고 있다. 개별 제품 관리자나 엔지니어가 제품의 극히 작은 부분을 담당하는 초전문화 조직 구조로 향하던 과거의 추세는 극도로 효율적인 다기능 팀으로 대체되고 있다.

이러한 속도 변화의 대표적인 사례는 AWS 내부에서 발생했다. AWS Bedrock 엔지니어링 팀은 6명의 엔지니어를 투입해 76일 만에 핵심 추론 엔진을 완전히 재구축했다. 과거라면 이 정도 규모의 인프라 프로젝트에는 40명의 엔지니어가 꼬박 한 해 동안 일해야 했다. 마찬가지로 이제는 4~5명의 엔지니어로 구성된 소규모 내부 팀이 단 한 번의 주말 동안 출시 준비도가 80%인 소프트웨어 시제품을 만들 수 있다.

이러한 속도 지표는 기술 조직의 인적 자본 배분 방식이 근본적으로 전환되고 있음을 보여 준다.

* **인력 규모의 변화:** 소프트웨어 조직은 수동 코딩, 기본적인 법률 문서 처리, 일상적인 비즈니스 정보 분석 같은 기존 업무에 더 적은 인간 개발자를 필요로 하게 된다. *재시는 “미래에는 지금 사람들이 하는 일을 수행하는 사람이 현재보다 적어질 것입니다”라고 설명했다.*
* **다기능을 기본으로 하는 팀:** 개발 팀은 고도화된 구축 단계부터 더 작고 유연한 구조로 운영되며, AI 모델을 활용해 일상적인 업무 수행의 80%를 처리한다.
* **출시 기간 단축:** 제품 반복 개발 주기는 수개월에 걸친 계획 일정에서 며칠 단위의 시제품 개발 집중 작업으로 압축되고 있다.

그러나 에이전트 기반의 속도는 심각한 사이버보안 위협을 초래한다. 고도화된 AI 모델은 인간 보안 전문가나 전통적인 침투 테스트 담당자가 식별하는 것보다 더 빠르게 소프트웨어 취약점을 발견하고 있다. 

전통적으로 소프트웨어 보안은 취약점 식별, 패치 작성, 의존성 테스트, 업데이트 배포에 의존했으며, 이 과정에는 흔히 몇 주 또는 몇 달이 걸린다. 에이전트 기반 위협 환경에서 조직은 패치 배포 시간을 몇 분으로 줄여야 한다. 이러한 변화 속에서 생존하려면 기업은 기존 코드 기반을 에이전트 네이티브 아키텍처로 다시 작성하여, 자동화된 소프트웨어 에이전트가 사람의 수동 개입 없이 지속적으로 취약점을 발견하고 패치하며 업데이트를 배포할 수 있도록 해야 한다.

## 5. 자본 배분, 전략적 제휴 및 핵심 제품의 재창조

아마존의 자본 투입 전략은 독자적인 반도체 개발과 선도적인 AI 모델 개발사들과의 수십억 달러 규모 전략적 제휴를 결합한다. 

Anthropic과의 파트너십을 통해 AWS는 Claude 모델의 주요 학습 및 추론 제공업체 역할을 한다. Anthropic은 Trainium 칩을 기반으로 수 기가와트 규모의 연산 설비를 도입하기로 약정했으며, AWS Bedrock에서 자사 모델을 기본 지원 형태로 제공한다. 마찬가지로 아마존은 AWS에서 OpenAI 워크로드를 지원하도록 생태계를 확장했으며, 에이전트 실행을 위해 특별히 설계된 상태 유지형 실행 환경을 공동 개발하고 있다.

외부 모델을 호스팅하는 것 외에도, 기업 기술 전략에는 점진적인 기능 업데이트에 의존하는 대신 성숙하고 매우 성공적인 제품을 처음부터 재창조하는 것이 필요하다. 재시는 Amazon Alexa의 전면 개편을 사례로 든다. Alexa의 최초 아키텍처는 출시 당시 획기적이었지만, 생성형 AI의 등장으로 기반 엔진을 완전히 교체해야 했다. 

기존 소프트웨어를 점진적으로 업데이트하는 것이 조직 측면에서는 더 쉽지만, 시장 주도권을 유지하려면 근본적으로 다시 작성해야 한다. 소매, 동영상 스트리밍 및 클라우드 관리 전반의 기존 기업용 애플리케이션은 신흥 에이전트 네이티브 스타트업과의 경쟁력을 유지하기 위해 AI 네이티브 방식으로 완전히 재설계되어야 한다.
## 주요 수치

* **$220B:** 2026년 Amazon의 예상 자본적 지출(~일일 $600M).
* **36.7%:** 연간 환산 매출 $169B를 기록한 최근 분기의 AWS 매출 전년 동기 대비 성장률.
* **$25+B:** 첫 3년 이내에 달성한 AWS 생성형 AI 사업의 연간 환산 매출(초기 AWS가 3년 후 기록한 연간 환산 매출 $60M와 비교).
* **80%:** 2021년부터 현재까지 Amazon 전체 매출의 대략적인 성장률.
* **3x:** 2021년부터 현재까지 AWS의 성장 배수.
* **2.5x:** 2021년부터 현재까지 Amazon 광고 매출의 성장 배수.
* **30년 대 5–6년:** 데이터 센터 인프라의 내용연수(30년) 대비 서버/네트워크 장비의 내용연수(5–6년, 손익분기점 ~3년).
* **40%:** 표준 x86 프로세서 대비 Graviton 중앙처리장치의 가격 대비 성능 개선율.
* **30%–40%:** 동급 프로세서 대비 Trainium AI 칩의 가격 대비 성능 우위.
* **200x:** 골프장의 물 소비량이 Amazon 데이터 센터보다 많은 배수.
* **0.1%:** 연중 예비 발전기가 가동되는 시간의 비율(연간 약 10시간).
* **$3B:** Amazon이 인디애나주 세인트조지프 카운티에서 납부한 세금.
* **$1B:** "Built Together" 프로그램을 통해 데이터 센터 소재 지역사회에 지원하기로 약속한 5년간의 금액.
* **엔지니어 6명, 76일:** Bedrock 팀의 추론 엔진 재구축에 투입된 인력과 기간(과거에는 40명이 1년간 수행).

## 이 구도를 바꿀 수 있는 요인

1. **추론 비용의 획기적인 감소:** 맞춤형 반도체(예: Trainium)에 힘입은 추론 비용의 대폭 하락으로 "바벨"의 중간 영역(주류 기업용 애플리케이션)이 중앙처리장치 전용 아키텍처에서 벗어나도록 촉진.
2. **부품 및 전력 공급 제약 해소:** 메모리(고대역폭 메모리/동적 랜덤 액세스 메모리), 전력 및 냉각 공급망의 대폭 확충으로 현재 공급 용량이 모두 소진된 제약을 넘어 추가 용량 확보(2026–2028).
3. **자율 에이전트 기반 재작성의 광범위한 확산:** 기업들이 기존 코드베이스 아키텍처를 에이전트 중심으로 성공적으로 갱신하여 보안 패치를 분 단위로 배포할 수 있게 됨.
4. **공공/민간 인프라 협력의 변화:** 초대규모 연산의 산업 수요에 맞추기 위해 연방 및 지방 차원의 전력망 용량 투자가 가속화.

더 많은 무료 리서치를 살펴보거나 자체 모델을 테스트하려면 DeepValues Research 플랫폼을 방문하거나 DeepValues 앱을 사용해 보세요.
## 참고 문헌

Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
