AI 산업의 Value Chain과 투자

올해 2월 26일, 한국벤처투자는 모태펀드 과기정통계정 2월 수시 출자사업을 공지했다. [1] SaaS에 투자하는 GP 1곳과 AI에 투자하는 GP 2곳을 선정하여 각각 150억씩 출자할 예정이며, 해당 공고에 많은 VC들이 지원을 했다. 최근에는 대부분의 산업에서 AI를 적용하고 있으므로 주목적 투자 난이도가 낮은 편에 속하기 때문에, 이전 출자 사업 선정 발표가 나기 전이어서 지원하지 않는 VC들도 많은 상황임에도 불구하고 경쟁이 치열했다. 주목적으로 지정되는 특정 산업의 전/후방 산업도 주목적으로 인정해 주는 펀드가 많은데, 이번 글에서는 AI의 전/후방 산업으로 볼 수 있는 Value-chain과 평소 생각하던 매력적인 투자 영역을 정리해보려고 한다. 일부 스타트업 및 주요 기술은 본 블로그의 다른 글에 소개된 적이 있기 때문에 링크를 첨부한다.

 AI Value Chain은 다음과 같이 간단하게 정리해 볼 수 있을 것 같다.

• 인프라 레벨: AI를 구동하기 위한 핵심 인프라, 즉 반도체(GPU)와 데이터센터, 전력 등
• 플랫폼 레벨: AI 모델을 학습·운영할 수 있는 클라우드 서비스, MLOps 툴
• 모델 레벨: GPT, BERT, Claude 등과 같은 대규모 언어모델(LLM)
• 응용 산업: 헬스케어, 교육, 금융, 제조 등 각 산업에서 AI를 활용한 B2B·B2C 서비스

 

<Infrastructure Level>

 인프라 (Infrastructure) Level은 AI가 구동되는 환경 (e.g., 데이터센터, 모바일)과 관련된 여러 요소 기술이 포함되어 있다. 주로 HW와 이를 활용하기 위한 에너지와 관련된 아이템이 있는데, 대표적으로는 팹리스가 이에 속한다. 국내에는 여러 팹리스 스타트업들이 있으며, 투자가 잘 안 되는 시장에서도 꾸준하게 러브콜을 받고 있다. 메타 인수설이 있던 퓨리오사 [2], 사피온과 합병한 리벨리온, LLM 특화 AI 반도체를 개발한 하이퍼엑셀 [3], 데이터 트래픽으로 인한 CPU 과부하를 경감해 주는 DPU를 개발한 망고부스트 [4], 800G 이상의 높은 트래픽을 전송하기 위해 광트랜시버를 RF통신 반도체와 유선케이블로 대체하는 포인투테크놀로지 [5] 등 많은 팹리스가 국내외 FI/SI 투자를 받았다.

 개인적으로는 국내 AI 반도체 팹리스 투자에는 조금 조심스러운 입장이다. 데이터센터 向 AI 반도체는 최선단 공정을 사용하는 영역이며, MPW를 넘어 싱글런으로 칩을 찍기 위해서는 막대한 비용이 소모되고, 이를 받아줄 수요처가 필요하다. Nvidia의 독주가 이어지고 있는 상황에서 주요 빅테크들은 설계를 브로드컴 등에 맡기는 방식 등으로 자신들의 칩을 찍고 있다. 또한, 해외에도 많은 AI 반도체 팹리스들이 있으며, 데이터센터 Capex 투자의 피크아웃 얘기도 나오는 상황에서 국내 팹리스들이 막대한 자금과 인력을 보유한 해외 업체들과 경쟁할 수 있는 체력 (e.g., 자금, 인력)이 준비되었는지에 대해서는 조심스러운 입장이다. 아직 대규모 PO가 없었기 때문에 대규모 양산 또한 진행하지 않은 것으로 파악하고 있는데, 비교적 안정화된 Samsung Foundry의 5 나노 공정이나 TSMC의 4 나노 공정을 사용하더라도, 원하는 수율 및 성능이 나올지에 대해서는 검증이 필요해 보인다. 단, 국가 단위로 AI 데이터센터를 만들 때는 국산화 관점에서 수혜를 받을 수도 있을 것으로 보인다. [6]

 CPU의 부담을 네트워크 단에서 해결해 주는 DPU나 RF 기반 데이터센터 向 케이블 등 상대적으로 경쟁자가 적은 영역에서는 컨셉과 성능에 대한 검증이 어느 정도 완료되면 의미 있는 양산 계약을 맺을 가능성이 높지 않을까 생각된다. 물론 기존과는 다른 컨셉이기 때문에 기술이나 시장에 대한 스터디는 논문이나 레퍼런스 체크 등 여러 방면에서 체크할 필요가 있지만, 개인적으로는 이런 아이템에 대한 투자가 더 매력적이라고 생각한다.

 AI 산업에 직접 활용되는 것은 아니지만, AI 전력을 위한 SMR [7]이나 ESS 등에 대한 투자도 주의 깊게 보고 있는 분야다. 둘 다 대규모 Capex 투자가 필요한 산업이기 때문에, 무엇보다 레퍼런스가 중요하고, 기존 대기업들도 진출하는 영역이기 때문에 게임체인저 급의 기술이 나와야 수주를 받을 수 있을 것으로 보인다. 4세대 SMR이나 새로운 ESS 배터리 (e.g., 나트륨, 바나듐) 등 게임체인저 기술이 의미 있는 레퍼런스를 쌓거나 수율/공정 안정화가 이루어지기 위해서 시간이 더 필요하겠지만, 중/장기적으로 유망한 분야로 보고 있으며, 이를 위한 소부장 산업은 더 빠르게 도래할 것으로 보고 있다.

<Platform Level>

 AI를 돌리기 위한 HW (Infrastructure)가 준비되었다면, HW를 효율적으로 운영하기 위한 SW에 대한 투자도 필요하다. AI개발 및 배포를 위한 MLops 업체 등이 여기에 속하는데, AI 모델/서비스를 개발하기 위한 Tool과 AI 반도체를 효율적으로 스케쥴링할 수 있는 AI Infra SaaS 시장을 흥미롭게 보고 있다. GPU 가상화 기술 등을 이용하여, 여러 GPU를 효율적으로 할당 및 사용할 수 있는 SW를 개발한 래블업, 비슷한 아이템으로 KT와 AMD의 투자를 받은 모레, GPU 스케쥴링 알고리즘 Nimble [8]을 개발하고 허깅페이스와 협업하는 프렌들리에이아이, MLops에서 좋은 성과를 보이고 있는 베슬에이아이, 기술력이 좋다는 평가가 많은 마키나락스까지 다양한 플레이어들이 있다. 소개한 여러 업체들의 툴을 직접 사용해 본 개발자 지인들의 평도 좋았고, 개발 인력들의 전문성도 뛰어난 것으로 파악하고 있기 때문에, 매력적인 투자 영역이라고 생각한다. 단, 매출이 생각보다 빠르게 올라오지 않는다는 점들은 리스크로 꼽힌다. 국내에서는 하이퍼스케일의 데이터센터를 구축하는 사례가 드물고, Nvidia 칩을 사용하면서 Cuda 툴을 사용하면 Infra SaaS에 대한 니즈가 줄어드는 경우가 많다. 하지만, Nvidia 독점이 끝나는 시점이 올 것이라는 생각이 있기 때문에, 다양한 특성의 AI칩을 이용하여 클러스터를 구축하기 위해서는 Infra SW가 필요할 것으로 판단된다.

 업체들을 검토할 때는 논문, 레퍼런스 등 기술력을 전반적으로 체크를 하고, 매출에 있어서도 SI 성격의 매출과 MLops (SW) 매출을 나눠서 보고 있다. 아직 MLops 및 Infra SaaS 시장이 성장하기 전 단계이기 때문에, 매출과 이익이 높은 업체는 대부분 SI (용역) 성격의 매출이 발생하고 있을 가능성이 높다. 정부기관 및 금융기관이 AI 전환에 많은 자금을 투입하고 있기 때문에, 최근에는 대규모 턴키 계약을 받고, 높은 이익률을 보이고 있는 업체들이 있는 것으로 보인다. 이 또한 생태계 부흥을 위해서는 필요하지만, 성장의 연속성이 이어질 수 있을지에 대한 고민은 필요해 보인다. 점차 AI 시장이 성숙하고, AI 시스템을 구축하는 업체들이 늘어나면 마진율은 낮아질 것으로 보인다. 따라서, 1~2년 내에 Exit이 가능한 Pre-IPO 딜 이외에는 수익률을 보는 것보다는 핵심 기술력을 뜯어보려 한다.

<Model Level>

 HW와 SW가 모두 준비되었으니, HW/SW 위에서 돌아가는 AI 모델을 개발하는 영역이다. 네이버, 카카오 등 많은 대기업들이 AI 모델을 개발하고 있으며, 해외에서도 OpenAI, 엔트로픽 등 다수의 기업들이 자사만의 AI 모델을 개발하고 있다. 국내 스타트업들 중에서는 업스테이지가 '솔라'라는 자체 모델을 배포하였고, 모레도 AI 모델을 개발하고 있다. AI 모델은 AI 산업의 핵심 중의 핵심이라 부를 수 있지만, 수많은 개발 인력이 필요한 것과 비교하여 BM을 잡기가 상당히 어려운 시장이다. ChatGPT의 무료 버전도 아주 좋은 성능을 보이고, 상대적으로 저렴한 비용으로 유료 모델을 사용할 수 있기 때문에, 단기적인 관점에서는 개발 비용 대비 수익률이 높은 업은 아니다. 또한, 막대한 자본과 인력을 보유한 해외 업체들이 상대적으로 쉽게 국내 시장으로 진출할 수 있는 영역이라는 생각을 하고 있기 때문에, Foundation 모델 (모델의 구조 자체를 설계)을 개발하는 스타트업에 대해서는 조심스러운 관점에서 검토를 하고 있다. 

 대부분의 스타트업은 위와 같은 사실을 인지하고 있기 때문에, Foundation 모델 개발보다는 특정 모델 (Backbone)을 기반으로 Client의 데이터를 Fine tuning 한 AI 모델을 제공하는 사업을 영위하고 있다. 금융기관에 특화된 모델이나, 보험에 특화된 모델, 챗봇에 특화된 모델 등 다양한 영역이 있다. AI의 백그라운드가 없는 산업에는 Infra SaaS 등 Platform 기업과 컨소시엄을 맺어 사업 수주를 받기도 한다. 아직까지는 꽤 높은 수익률을 보이고 있는 업체들도 있는데, 이 부분에 대해서도 조금은 조심스러운 접근을 하고 있다. 업에 맞는 Fine Tuning도 중요한 기술이지만, Platform Level에서 언급한 바와 같이 MLops 사업이 안정화되고, AI 시장이 성숙된 이후에는 대부분의 사업 영역이 자동화될 것으로 예상한다. 이 경우, SI 성격의 사업은 마진율이 하락할 것으로 전망하기 때문에, 단기적인 수익성보다 기술력을 뜯어보려 한다.

 정리하면, AI Model 개발은 BM을 잡기 어렵고, 장기적으로 많은 업체들의 이익률이 낮아질 가능성도 높다. 하지만, 정말 뛰어난 성능의 AI 모델 개발이 이루어진다면, 매출의 성장이 가파르지 않아도, M&A를 통한 Exit이 가능하기 때문에 다양한 경우를 열어두고 검토를 하고 있다.

<Application Level>

마지막으로 Application Level은 AI 모델을 기반으로 B2B/B2C 서비스를 만들어서 수익을 내는 영역이다. AI 기반으로 챗봇이나 오디오, 동영상/사진 제작 등 다양한 영역에서 활용될 수 있다. AI 기반 목소리 생성 기술로 AI 성우 서비스를 출시한 네오사피엔스, AI 기반으로 세무 서비스를 해주는 자비스앤빌런즈/혜움랩스, AI 기반으로 적절한 인플루언서를 찾아주는 피처링 등 매우 다양한 영역에서 AI 서비스가 사업화되고 있다. 상대적으로 적은 비용으로 빠르게 제품화가 가능하기 때문에 스타트업이 가장 많이 분포되어 있는 영역인 것 같다. AI 사용자와 가장 직접적으로 맞닿아 있기 때문에 산업이 성숙되면서 매출이 빠르게 성장할 수 있는 시장이지만, 그만큼 경쟁자들도 많을 수밖에 없다.

 많은 Application Level의 업체들이 경쟁업체와의 차이를 '데이터'로 설명한다. 예를 들면, 어떤 기관과의 MOU 등을 통해 많은 데이터를 확보할 수 있었고, 많은 데이터를 활용하였기 때문에 성능이 경쟁사보다 높다고 설명한다. 데이터가 AI 모델에 많은 영향을 미치기 때문에 보유하고 있는 데이터가 많다는 것이 사업에 크게 도움이 된다는 점은 인정한다. 단, 해당 데이터가 동사만 확보할 수 있는 조건이거나 데이터가 모이는 주요 길목을 잡고 있는 경우가 아니라면, 타사도 데이터 경쟁력은 충분히 따라올 것이라는 가정을 하고 투자 검토를 한다. 또는 일부 업체들은 세무/법률/의료 등 전문직 출신의 경영진이 창업한 회사임을 강조하는데, 최근에는 전문직 창업이 드물지 않기 때문에, 자신만의 경쟁력이라고 강조하기는 어렵다는 생각이다. 따라서, 업체 간의 경쟁력 비교가 가장 어려운 영역이라는 생각이 드는데, 개인적으로는 IR과 질의응답 과정에서의 대표의 기획력, 바뀌는 시장 흐름에 빠르게 최적화할 수 있는 인적 구성, 관련된 시장에서의 포지셔닝 및 계획 등을 종합적으로 검토한다. 

Conclusion

 이번 글에서는 AI 산업의 밸류체인과 투자 포인트를 간단하게 정리해 보았다. 위에 소개된 업체 하나하나가 뛰어난 기술력을 보유하고 있으며, 세밀한 분석과 정리가 필요하지만, 평소에 생각하고 있던 큰 그림을 정리하는 수준으로 작성하였다. 정리하면, AI 반도체 팹리스와 AI 시스템/모델 개발 업체 (SI 성격의 업체들)들은 다소 보수적으로 투자 검토를 하고 있으며, AI 반도체 이외의 팹리스, 전력 소모와 관련된 Infra 기업들, AI Infra SaaS 업체들은 상대적으로 aggressive 하게 검토를 하고 있다.

 반도체/AI 등 딥테크와 관련된 투자 검토를 할 때는 산업계/연구직 지인들을 통한 레퍼런스 체크를 진행하고, 세무/의료/법무 등 전문직의 AI 사업 영역은 전문직 지인들을 통한 레퍼런스를 한다. 고객사의 구매/전략 담당자를 직접 아는 것이 아니라면, 레퍼런스가 반드시 정확하지 않을 수 있으며, 기술에 대한 이해도 필요하기 때문에, 핵심 논문 스터디를 통한 분석도 병행하고 있다. 반도체 및 ESS 배터리 분야에서의 수율이나 최종 성능은 투자 검토 단계에서는 알기 어려운 경우가 많다. 따라서, 기존 제품과 비교하여 가장 변화가 큰 공정이나 병목이 어느 부분이고, 해당 기술을 적용하였을 때 수율과 성능이 기존 제품처럼 안정화될 수 있는지를 조금 더 주의 깊게 검토를 한다. 대부분의 사업이 그렇지만 AI 산업은 해외 시장이 훨씬 크고, 해외로 진출하기 위해서 해외 기업들과의 경쟁도 불가피하다. 앞으로도, 해외 업체들의 기술 개발 현황도 학회나 기사 등을 통해 꾸준하게 모니터링할 예정이다.

 

Reference

[1] 더벨 - 국내 최고 자본시장(Capital Markets) 미디어

[LP Radar]모태 'AI' 출자분야 신설…VC업계 "경쟁 치열" 예상

[2] [반도체 스타트업 논문 리뷰 2] FuriosaAI :: Investment with engineering-ladder

[반도체 스타트업 논문 리뷰 2] FuriosaAI

[3] [반도체 스타트업 논문 리뷰 1] HyperAccel :: Investment with engineering-ladder

[반도체 스타트업 논문 리뷰 1] HyperAccel

[4] 스타트업 리뷰 (망고부스트) :: Investment with engineering-ladder

스타트업 리뷰 (망고부스트)

[5] [논문리뷰] E‑TUBE: dielectric waveguide cable for high‑speed communication (포인투테크놀로지) :: Investment with engineering-ladder

[논문리뷰] E‑TUBE: dielectric waveguide cable for high‑speed communication (포인투테크놀로지)

[6] 2조 규모 '국가 AI컴퓨팅센터' 구축…11월부터 서비스 제공 - 정책뉴스 | 뉴스 | 대한민국 정책브리핑

2조 규모 '국가 AI컴퓨팅센터' 구축…11월부터 서비스 제공

[7] SMR 기술동향 및 투자동향 :: Investment with engineering-ladder

SMR 기술동향 및 투자동향

[8] Nimble: Parallel GPU Task Scheduling for DL - NIPS 논문 리뷰 :: Investment with engineering-ladder

Nimble: Parallel GPU Task Scheduling for DL - NIPS 논문 리뷰