대만 반도체 제조 기업 TSMC의 고위 임원이 인터뷰에서 이렇게 말했습니다. "비용이 계속 증가하고 있다. 가격 인상 가능성을 배제하지 않는다." 짧은 문장이었지만 시장은 단순한 협상 카드로 받아들이지 않았습니다. 전 세계 최첨단 반도체 생산의 90% 이상을 이 한 회사가 담당하기 때문입니다. 엔비디아의 AI 전용 GPU, 애플의 프로세서, AMD의 데이터센터용 칩이 모두 이 공장에서 생산됩니다. 오늘날 사용하는 AI 챗봇과 이미지 생성 도구를 구동하는 서버 GPU도 마찬가지입니다.

이 발언이 반도체 업계 뉴스로 끝나지 않는 이유는, AI 도구를 이용하는 모든 사람이 이 공급망의 맨 끝에 자리하고 있기 때문입니다.

AI 붐이 반도체 공장에 남긴 비용 구조

2022년 11월 ChatGPT가 공개된 이후 고성능 GPU 시장은 이전과 비교하기 어려운 속도로 달아올랐습니다. 엔비디아의 H100 GPU는 한 장에 약 3만 달러에 거래됐으며, 출시 직후에는 수개월 치 대기 목록이 쌓였습니다. 엔비디아의 2024년 4분기 데이터센터 부문 매출은 350억 달러를 넘었고, 이 칩들을 생산하는 TSMC의 2025년 1분기 매출은 약 250억 달러를 기록했습니다.

문제는 이 수요를 뒤따르는 생산 비용도 같은 방향으로 움직인다는 점입니다. 2나노, 3나노 공정으로 진입하는 최첨단 반도체 공장 하나를 짓는 데는 200억 달러 이상이 들어갑니다. TSMC는 올해 설비투자 예산으로 380억 달러에서 420억 달러를 책정했는데, 이는 전년 대비 30% 이상 증가한 규모입니다. 지정학 리스크를 분산하기 위한 미국 애리조나, 일본 구마모토 공장 건설 비용이 여기에 더해집니다. 각국 정부 보조금이 일부를 메우더라도, 대만 본사보다 높은 인건비와 건설 단가는 TSMC의 비용 구조를 꾸준히 위로 밀어 올립니다.

이 상황에서 나온 가격 인상 발언은 협박이나 과장이 아닙니다. 실제로 비용이 증가하는 구조에서 가격 유지는 마진 감소를 의미합니다. 두 상태가 얼마나 오래 공존할 수 있는지는 기업 전략의 문제지, 비용 현실을 무시하는 문제가 아닙니다.

공급망에서 비용이 이동하는 방향

TSMC가 실제로 가격을 조정한다면, 그 영향이 소비자에게 즉각 닿지는 않습니다. 공급망을 따라 단계적으로 이동합니다.

TSMC의 칩 생산 단가가 오르면, 엔비디아와 AMD 같은 팹리스 기업의 칩 원가가 먼저 오릅니다. 이 기업들의 칩으로 데이터센터를 구성하는 AWS, 마이크로소프트 애저, 구글 클라우드의 인프라 운영 비용이 따라갑니다. 클라우드 비용이 오르면, 그 위에서 서비스를 운영하는 AI 기업의 운영비가 증가하고 월 구독료 조정 압박으로 이어집니다. 이 경로를 거치는 데 걸리는 시간은 계약 구조에 따라 다르지만, 반도체 업계에서는 6개월에서 18개월을 통상 기준으로 봅니다.

경영학에서는 이를 원가 전가cost pass-through​라고 부릅니다. 공급망 위쪽의 비용 증가는 시간차를 두고 아래로 전달됩니다. 각 단계의 기업은 자신의 수익성을 보존하기 위해 비용 일부를 다음 단계로 넘기려 합니다. 다만 이 전달이 자동이거나 완전하지는 않습니다. 경쟁 구조, 계약 조건, 시장 점유율 전략에 따라 실제 전달 비율은 달라집니다.

지금 AI 도구의 구독료가 서비스 원가보다 낮게 책정된 배경을 이해하면 이 구조가 더 분명해집니다. OpenAI, Anthropic 같은 기업들은 시장 점유율 확보를 위해 실제 운영 원가보다 낮은 가격에 서비스를 제공해왔습니다. 이 차이를 메운 것은 벤처캐피탈 투자와 전략적 파트너십 자금이었습니다. 투자 환경이 바뀌고 수익성 압박이 커지면, 이 정책을 유지하기는 점점 어렵습니다. 구독료는 서비스 원가에 가까운 수준으로 수렴하는 경향을 보입니다.

이 전망을 반박하는 논리들

TSMC 가격 인상이 AI 도구 구독료 상승으로 직결된다는 전제에는 반론이 충분합니다.

TSMC의 핵심 고객인 엔비디아와 애플은 대규모 물량과 장기 계약을 바탕으로 강한 협상력을 갖고 있습니다. TSMC가 2022년 단행한 약 6% 가격 인상 이후, 수년간 추가적인 대규모 인상 없이 시장 점유율을 유지했다는 사실은 공개 발언과 실제 가격 정책 사이에 간극이 있을 수 있음을 보여줍니다.

AI 모델의 연산 효율화도 반대 방향으로 작용합니다. 더 적은 연산 자원으로 유사하거나 높은 수준의 성능을 내는 방향으로 모델이 빠르게 진화하고 있습니다. 메타의 Llama 시리즈, 마이크로소프트의 Phi 계열 소형 모델은 개인 PC에서 실행할 수 있는 수준으로 경량화됐습니다. 칩 단가가 오르더라도, 서비스 한 번에 소비하는 연산량이 줄어들면 단위 서비스 원가는 일정 수준에서 유지됩니다.

오픈소스 모델의 확산도 상업 AI 서비스 가격의 상한을 낮추는 방향으로 힘을 씁니다. 상업 서비스 가격이 오르면 사용자가 오픈소스 대안으로 이동하기 때문에, AI 기업들은 그 이동 임계점을 고려해 가격을 설정합니다. 경쟁이 작동하는 시장에서 가격의 상한은 원가만이 아니라 대안의 매력도에 의해서도 결정됩니다.

TSMC의 비용 증가가 실재하더라도, 그것이 소비자 가격으로 전부 전가된다는 전제는 공급망의 각 단계에서 작용하는 힘들을 지나치게 단순화합니다.

AI 도구 비용을 다르게 보는 방법

이 상황에서 1인 사업자와 소규모 스튜디오 운영자가 지금 점검해볼 것들이 있습니다.

AI 도구를 여러 서비스의 월 구독료 형태로 쌓아두고 있다면, 각 도구가 실제로 어떤 업무에 기여하는지 확인해볼 시점입니다. 구독료가 지금보다 오를 때 어떤 도구를 유지하고 어떤 도구를 바꿀지 판단하는 기준이 미리 있어야 합니다. "쓰고 있다"는 것과 "효과를 내고 있다"는 것 사이에는 거리가 있습니다.

단일 AI 서비스에 업무 흐름 전체를 연결하는 방식도 살펴볼 만합니다. 한 서비스의 가격 정책이 변하거나 서비스 중단이 발생할 때 유연하게 대응하려면, 오픈소스 모델이나 로컬에서 실행 가능한 소형 모델을 보조적으로 익혀두는 것이 도움이 됩니다. 이 학습에 드는 시간이 나중에 가격 변동에 대응하는 비용보다 적습니다.

AI 도구 지출이 어떤 수익과 연결되는지 분명히 해두는 것도 실용적입니다. 단위 시간당 처리할 수 있는 업무량이 늘거나, 고객에게 더 높은 가치를 전달할 수 있을 때, 그 도구를 투자 항목으로 볼 수 있는 근거가 생깁니다. 이 구분이 없으면 AI 구독료가 오를 때 단순히 비용이 늘었다는 반응만 남습니다.

카페를 운영하든 프리랜서 컨설팅을 하든, 도구 비용이 전체 운영비에서 차지하는 비중을 관리하는 원리는 같습니다. 어떤 도구가 얼마만큼의 생산성 향상을 가져오는지 파악하고, 그 기여에 상응하는 비용 범위 안에서 도구를 선택하는 것입니다.

TSMC의 가격 인상 여부와 무관하게, 이 관점을 갖고 있는 사업자는 가격이 어떻게 변하더라도 자신의 도구 포트폴리오를 점검하고 조정할 준비가 돼 있습니다.

TSMC의 발언은 대만에서 시작한 뉴스입니다. 그러나 반도체 비용이 공급망을 따라 흐르는 방향을 이해하면, AI 도구 가격이 어떻게 움직일지 더 앞서 가늠할 수 있습니다. 가격이 오른 뒤에 도구를 바꾸는 것보다, 가격 구조를 알고 있는 상태에서 도구를 선택하는 사람이 훨씬 적은 비용으로 전환합니다.