AI 투자 관찰: 킬러 애플리케이션의 착각, 주가 분해, SaaS 가격 책정의 난제
한 줄 요약: AI 투자에서는 킬러 애플리케이션을 애써 찾기보다 기술 비용과 버티컬 애플리케이션이 쏟아져 나오는지를 관찰하고, 장기 수익과 AI 가격 책정 방식이 실제 매출로 이어지는지 점검해야 한다. 킬러 애플리케이션은 확률 속에서 나온 결과물일 뿐이라 사후에야 알 수 있기 때문이다.
핵심 포인트
- 킬러 애플리케이션은 확률의 산물이라 초기에 찾지 못해도 상관없다. 더 현실적인 방법은 신기술 비용이 충분히 빨리 내려가는지, 버티컬 애플리케이션이 대거 등장하는지, 벤처캐피털이 그쪽으로 투자하는지를 관찰하는 것이다.
- 주가는 EPS와 PER의 곱으로 분해할 수 있다. PER 상향의 전제는 장기 EPS와 경쟁력 개선이지 감정적 부풀리기가 아니다. 구글의 사례는 단기 EPS가 떨어지지 않아도 장기 성장 전망이 하향되면 PER이 낮아진다는 점을 보여준다.
- 대만 증시의 공급망 논리로 미국 주식을 역으로 추정하면 함정이 있다. 대만의 증설이 늘어날수록 해외 대기업에는 마진 하락일 수 있고, 같은 행위도 시기에 따라 해석이 정반대가 될 수 있다.
- 대기업이 직접 만드는 소프트웨어는 시연 성격인 경우가 많고, 시장이 커지면 클라우드 대기업에는 좋은 일이다. 제3자는 복잡한 기능을 간단하고 직관적으로 만들면 설 자리가 있다. 투자자가 처음부터 '마이크로소프트, 구글도 한다'며 소규모 개발사를 걸러내면 오히려 기회를 놓친다.
- AI가 매출로 전환될 수 있는지는 가격 책정을 봐야 한다. 사용량에 따라 비용은 늘어나는데 수익은 함께 늘지 않는 경우가 가장 위험하다. SaaS가 사용량 기반 과금으로 바꾸면 순유지율이 떨어져 딜레마에 빠지고, 구독제라는 부담이 없는 팔란티어는 오히려 수혜를 입는다.
구간별 요약
1:20KGI 애널리스트 이력과 대만 증시의 시각
Freddy는 2016년부터 KGI에서 소비자 인터넷(FANGs, 이후 Microsoft 추가)을 담당했던 일을 돌아본다. 당시 대만에는 미국 주식 전담 애널리스트가 없었고, 그는 궈서우(국태생명) 프로젝트 때문에 생명보험사 바이사이드를 위한 리서치를 했다. 대만 애널리스트들은 반도체 공급망과 선후배 네트워크로 먼저 기회를 포착했지만, 그는 거꾸로 애플 같은 미국 최종 대기업 주식을 직접 사면 된다는 점을 깨달았다.
▶ 여기서부터 보기6:20증설 해석의 함정과 바이사이드·셀사이드의 상호작용
그는 대만 증시의 공급망 논리로 미국 주식을 역추정하는 함정을 지적한다. 대만의 증설이 늘어날수록 해외 대기업에는 마진 하락일 수 있고, 같은 행위도 시기(예: AI 열풍 전후)에 따라 해석이 완전히 정반대가 될 수 있다. 아울러 바이사이드와 셀사이드의 상호작용 방식, 그리고 소비자 인터넷에서 시작해 기업용 소프트웨어, 데이터베이스, 보안 같은 인프라로 연구를 넓혀 온 과정도 설명한다.
▶ 여기서부터 보기12:35정보 수준의 상향과 광고 기술 세부 사항
2020년 이전에는 대만의 미국 주식 애널리스트가 드물어서 외국계 스타 애널리스트의 서사 구조를 참고하는 것이 매우 효과적이었고, 이후 정보가 보편화되면서 기관도 수준을 높여야 했다. Freddy는 현장의 공동창업자 Richard에게 SSP, DSP 같은 디지털 광고 기술 세부 사항을 자주 묻는다. 다만 이런 용어는 자주 쓰지 않으면 잊어버린다고 인정하는데, 대만 증시 단체방에서 낯선 회사 이름을 보고 잊었다가 필요할 때 다시 찾아보는 것이 정상인 것과 같다.
▶ 여기서부터 보기17:35정보를 이익 추정으로 바꾸는 법과 PER 분해
투자자는 신제품이나 AI 발표 같은 긍정적 소식을 미래 이익 추정으로 바꾸기 어렵고, 업계 종사자 대다수도 하지 못한다. 시장에서는 꿈만 그려도 바로 오르는 경우가 흔하다. 그는 주가가 EPS와 PER의 곱이라고 분해한다. 감정적으로 PER을 부풀리는 것은 믿을 수 없고, 구조적 상향은 장기 이익과 경쟁력 개선에 기반해야 하며, 외국계 애널리스트 다수는 이런 훈련을 받는다.
▶ 여기서부터 보기21:20AI 초기의 데자뷔와 애플리케이션 레이어로의 전환
AI 시대는 메인프레임과 iOS 초기와 닮아서 수직 통합도가 높고 개발자가 하위 계층까지 직접 다뤄야 했으며, Deepseek이 등장하고서야 애플리케이션 레이어로 옮겨 갔다. 그는 애플리케이션 레이어를 낙관한다. 반도체와 인프라가 매년 3자릿수 성장하던 황금기는 이미 지났을 수 있고, 기저가 높아지면 성장은 반드시 둔화하기 때문에 비용 하락과 버티컬 애플리케이션의 등장 여부를 관찰해야 한다.
▶ 여기서부터 보기30:05대기업 시연론과 스타트업의 포지셔닝
대기업이 직접 만드는 소프트웨어는 시연 성격인 경우가 많고, 더 좋고 더 싸게 만들어 주면 오히려 반기는데 전체 시장이 커지기 때문이다. 투자자의 맹점은 처음부터 '마이크로소프트, 구글도 한다'며 소규모 개발사를 걸러내는 것이다. 제3자는 복잡한 기능을 간단하고 직관적으로 만들면 점유율을 차지할 수 있다. 업체들은 바퀴를 다시 발명하지 않으므로 창업은 고객 확보와 서비스 정교화에 집중해야 하며, 머스크처럼 데이터센터를 직접 짓는 경우만 예외다.
▶ 여기서부터 보기33:50구글의 자기 혁신과 분할
구글은 자기 혁신의 딜레마에 직면해 있다. 검색 광고는 전 세계 디지털 광고의 약 60%를 차지하고 구글이 그중 약 90%를 점유하므로, AI를 너무 잘 만들면 스스로를 무너뜨리는 셈이다. 그는 구글이 클라우드를 확장하고 Wiz를 인수하는 것이 분할을 준비하는 과정이라고 보며, Sum of Parts 합산 평가로 주주 가치를 끌어낼 수 있다고 한다. 또 단기 EPS가 하향되지 않더라도 장기 성장 전망이 디지털 광고 평균 성장률보다 낮으면 PER은 여전히 하향된다고 말한다.
▶ 여기서부터 보기41:20저커버그가 밀어준 Databricks 화제
Freddy는 대만 업계의 틀 안에서는 개별 종목 추천을 하기 어렵지만 대표성 있는 회사는 이야기할 수 있다고 말한다. 진행자는 최근 Databricks가 자주 보이는데 저커버그가 강연에서 그 CEO를 크게 추켜세워 투자나 전략적 제휴가 있었을지 모른다고 추측했다. Freddy도 이를 계기로 조사했고, 이전에는 Snowflake만 알았다고 한다. 그는 지금은 Lake와 Warehouse의 경계가 점점 모호해지고 있으며 데이터베이스 관련 화제가 큰 관심을 받지만 용어가 복잡하다고 짚는다.
▶ 여기서부터 보기43:50Warehouse와 Datalake의 구분
Warehouse와 Datalake의 역할 차이를 설명한다. AI가 막 떠오를 때 가장 큰 착각은 Snowflake가 수혜를 입을 것이라는 생각이었고, 이 때문에 손해를 본 사람이 적지 않다. Snowflake는 SQL 중심인 반면 Databricks는 Not only SQL 노선을 택해 더 폭넓은 데이터 유형과 워크로드를 처리할 수 있다.
▶ 여기서부터 보기46:20AI 매출 전환과 가격 책정의 난제
AI 매출이 그만큼 폭증하지 않은 이유는 두 가지다. 하나는 가짜 AI 제품이고, 다른 하나는 구독제 때문에 AI가 가져온 효과가 가격이나 사용량에 반영되지 못하는 것이다. 핵심은 가격 책정 방식으로, 예를 들어 토큰 기준 과금이나 모듈 추가 구매가 있다. AI 비용은 사용량에 따라 늘어나는데 수익은 함께 늘지 않으면 성장 곡선이 맞지 않아 가장 위험하다. SaaS가 매출총이익을 지키려고 완전 사용량 과금으로 바꾸면 순유지율이 곧바로 떨어지고 대형 고객도 받아들이지 않아 딜레마에 빠진다. 팔란티어는 구독제 부담이 없어 오히려 강점이 되고, 앞으로의 수혜자는 지금의 SaaS가 아닐 수도 있다.
▶ 여기서부터 보기53:50대만 인터넷 기업의 IPO 경험
그는 KGI 내부에서 이란자원(意藍資訊)의 첫 의견서를 썼는데, 당시에는 생성형 AI 개념이 없었고 인터넷 온도계, 예측 분석, 자체 전산실을 내세웠으며 매출총이익률이 90% 이상이었다. 몇 년이 지나 특히 2022년 이후에는 서사의 주제가 완전히 바뀌었다. 생성형 AI로 나아가려면 새로운 설비투자가 필요하고 원래의 90% 이상 매출총이익률을 반드시 잠식하겠지만 좋고 나쁨은 판단하기 어렵다. 그는 2020년 무렵 인수부를 따라 카이톈(凱鈿)을 방문했던 일도 언급하는데(KGI는 공동 주관, 주관은 위안다), 당시 디엔디엔첸(點點簽)은 막 시작한 사이드 프로젝트에 불과했다.
▶ 여기서부터 보기58:50카이톈의 피벗과 KK 그룹 상장
카이톈은 팬데믹 이후 피벗에 고전하며, 원래 사이드 프로젝트였던 디엔디엔첸(대만판 DocuSign)을 주력으로 키웠고 OCR 기술을 중심으로 지금은 생성형 AI를 더해 검증 장치를 만들 수 있다. 이어 KKBOX 이야기로 넘어가, 그는 10년 전에 상장했어야 한다고 개인적으로 생각한다. 당시 구상한 주제는 KKBOX가 안정적인 캐시카우가 되어 일본 통신사를 위해 화이트라벨 스트리밍을 하는 KKStream을 먹여 살리는 것이었고, KKStream은 클라우드 사용량이 커서 AWS 서비스도 대리 판매했다. 그는 이런 다각적 현금흐름으로 사람과 팀을 먹여 살리는 것이 대만 오래된 스타트업의 생존 방식 중 하나라고 보지만, 이 부분은 세부 연구를 하지 않았다고도 솔직히 말한다.
▶ 여기서부터 보기1:07:35AI 도구 활용 소감
그는 최근 AI를 가장 자주 쓰는 용도가 재무 설계라고 한다. 조건을 넣으면 AI가 여전히 계산을 틀리기도 하지만 방향은 합리적이고 생각지 못한 균형 방식을 제안하기도 한다. 그는 논점의 근거를 캐묻고, 믿을 수 없는 참고 출처를 빼도록 요구한 뒤 다시 정리하게 한다. 도구별로는 Gemini가 수학이 더 정확하고 재무 계산이 비교적 믿을 만하며, Grok은 수학과 실시간 정보에서 성능이 더 좋고, Claude는 직접 대화할 때 환각이 더 심한데 이유는 알 수 없다고 본다.
▶ 여기서부터 보기1:08:50커리어 전환과 폭락 이후의 경청
그의 근황은 아이를 돌보는 것이 곧 운동이라는 것이다. 사월에는 커리어 전환기라 쉬고 있어서 거리낌 없이 이야기할 수 있다. 많은 사람이 커리어 경험을 이야기하러 찾아오고 그는 무료로 돕는데, 심리 상담 같은 느낌이다. 사월 증시 폭락 때는 해고된 사람들이 많이 하소연하러 왔고, 그는 먼저 AI로 초기 분류를 시킨 뒤 돕는다. 마지막으로 시의적절한 영화 《콘클라베》를 추천하며, 종교, 불확실성에 대한 대응, 탐정물이라는 세 가지 관점에서 즐겼다고 한다.
▶ 여기서부터 보기1:11:20불확실성을 받아들이기와 자산 배분
《콘클라베》는 불확실성에 어떻게 맞설 것인가를 다루며, 불확실성을 받아들이고 확고한 견해를 갖지 말라고 한다. Freddy는 이를 투자로 확장해, 모든 것을 안다고 생각하는 사람은 대체로 사고를 친다고 말한다. 그는 2020년부터 100% 다중 자산 배분을 채택해 ETF로 주식, 채권, 원자재를 아우르고 상관관계가 낮거나 음인 자산으로 위험을 헤지하며, 종목 선정 같은 능동 투자에는 소액만 남겨 둔다. 2018년과 2020년에 시장에 혼쭐이 났고, 단일 산업에 집중하는 편향이 2022년에 터질 것이며 공매도도 자주 문제가 되어 결국 능동적 노선을 포기했다.
▶ 여기서부터 보기