Dwarkesh/Dylan이 AGI 에 너무 치우친 낙관주의자라면 이런 사람들의 말도 들어봄직함. https://x.com/phl43/status/2092973404924104808

AI가 엄청난 기술이라는 것과, OpenAI·Anthropic이 2~3년 안에 수조 달러 매출을 올린다는 것은 다르다.

1. 자동화 가능한 업무 ≠ 대체 가능한 일자리. 업무 대부분을 자동화해도 일부 필수 업무가 인간에게 남으면, 그 부분이 전체 생산량을 제한할 수 있다.
2. 기술적 가능성 ≠ 빠른 도입. 기업의 업무 재설계, 책임 배분, 고객의 행동 변화에는 시간이 걸린다는 것.
3. 현재의 인건비 ≠ 미래 AI 기업 매출. 경쟁으로 AI 가격이 내려가면 절약된 돈은 고객이나 도입 기업에게 돌아갈 수 있어. 사용량 증가가 가격 하락을 충분히 상쇄할지도 별개고.
4. 생산 능력 ≠ 최종 구매 수요. 서비스가 싸졌다고 무한히 소비하지는 않아. 대규모 실직으로 소득 분배까지 바뀌면, 누가 최종 상품을 구매할지도 설명해야 해.
5. AI 산업의 성장 ≠ 모델 회사의 높은 이익. 정말 희소한 것이 반도체·전력이라면, 그 공급자가 이익을 많이 가져갈 수도 있어.
https://x.com/phl43/status/2092973404924104808

Dwarkesh가 다시 남긴 코멘트는
1. 수요는 개발자만으로도 크고, 곧 다른 직종으로 확장된다
개발자들이 메타·애플 수준으로 AI를 사용하면 막대한 연산량이 필요하고, 앞으로는 코딩을 넘어 원격 근로자 전반을 대체하니 시장이 훨씬 커진다.

2. AI는 사람보다 채용하고 교육하기 쉽다
회사 자료를 빠르게 학습하고, 이미 검증된 모델을 복제하면 되니 인간 채용보다 확산이 빠르다.

3. 연산이 부족하면 효율 좋은 모델이 돈을 번다
후발주자가 증류로 따라잡는 속도와 선두 AI의 재귀적 자기개선 속도가 중요하다. 지속적인 독점적 우위를 확신하는 건 아니지만, 연산이 부족한 상황에서 더 좋은 학습법·추론 효율을 가진 회사는 높은 마진을 얻을 수 있다.

비슷한 뷰 https://x.com/wintonark/status/2093407411663151595?s=46&t=h5Byg6Wosg8MJb4pbPSDow

AI로 자본이 몰리는 현상이 벤처·주식시장을 넘어 이제 부채시장으로 확산되고 있다.

컴퓨트가 부족한 동안 데이터센터는 높은 금리에도 경제성이 있고, NVIDIA GPU는 담보가치가 높아 재무구조가 약한 사업자도 자금을 조달할 수 있다.

처음에는 이 자금 수요가 하이일드 채권과 경쟁하겠지만, AI 인프라가 안정적인 자산으로 인정받으면 투자등급 기업의 자금까지 빨아들일 수 있다.

데이터센터 투자 규모가 연간 수조 달러로 커지면, 이는 글로벌 회사채 시장에서도 무시할 수 없는 수준이다.

여기에 AI가 경제성장을 끌어올려 장기금리까지 상승하면, 저렴한 차환을 전제로 운영되던 기존 기업들은 금리와 신용스프레드 양쪽에서 압박받는다.

결국 AI는 기존 기업의 고객을 빼앗지 않더라도, 자본을 빼앗고 조달비용을 높이는 방식으로 사업모델을 흔들 수 있다.

“우리는 AI disruption과 무관하다”고 말하는 기업일수록 오히려 자본구조와 차환 위험을 더 주의해서 봐야 한다.

1. 고객은 토큰이 아니라 결과를 산다

“AI를 100배 빠르게 만드는 것이 아니라, 기다릴 필요가 없는 작업을 골라 기존 인프라의 비싼 전제들을 제거하면 지능을 훨씬 싸게 생산할 수 있다.”

Sail은 자신을 오픈모델 API와 장기 실행 에이전트용 VM을 제공하는 ‘토큰 공장’으로 정의한다. 하지만 토큰은 현재의 측정·과금 단위일 뿐 최종 상품은 아니다.

고객이 정말 원하는 것은 다음과 같다.

- 내가 원하는 일을 끝낼 것
- 결과가 검증 가능할 것
- 정해진 품질을 만족할 것
- 마감시간을 지킬 것
- 비용 상한을 넘지 않을 것

따라서 운영 시스템이 최적화해야 할 값은 단순한 최저 토큰 가격이 아니다.

검증된 성공 1건의 기대비용
= 모델·GPU·메모리·도구·재시도·검증 비용
÷ 작업 성공확률

싼 모델이 계속 실패한다면 비싼 모델보다 결과적으로 더 비싸다. 장기적으로는 고객이 토큰 수를 지정하기보다, 에이전트가 여러 번 시도하고 도구를 사용해 결과를 완성하며 필요한 토큰 예산을 스스로 관리하게 된다.

2. 가장 중요한 제품 가설: 사람을 기다리게 하지 않는다

AI 작업은 크게 두 시장으로 갈라진다.

1. 실시간 작업
- 채팅, 음성, IDE 자동완성
- 사용자가 화면 앞에서 기다림
- 개별 응답의 지연시간이 중요
- 고가 GPU와 NVLink 같은 강한 인터커넥트가 유리

2. 백그라운드 작업
- 심층 연구, 보안 검사, 코드 유지보수
- 모델 eval, RL rollout, 대량 문서 처리
- 몇 시간에서 며칠 동안 실행
- 순간 속도보다 총처리량·성공률·비용이 중요

Sail의 핵심 가설은 앞으로 토큰 수요의 대부분이 두 번째 시장에서 발생한다는 것이다. Neil은 단기적으로 실시간과 백그라운드가 약 50:50, 장기적으로는 백그라운드가 90%까지 갈 수 있다고 전망한다.

이 가설이 맞으면 전체 인프라의 조건이 연쇄적으로 바뀐다.

검증 가능한 장기 작업
→ 사람이 결과를 기다리지 않음
→ 지연시간 제약 완화
→ 큰 배치로 GPU 처리량 극대화
→ NVLink가 약한 칩도 활용
→ 작고 분산된 데이터센터 활용
→ 낮은 가동률과 간헐 전력 수용
→ 토큰 비용 하락
→ 더 많은 시도와 더 긴 추론
→ 작업 성공률 향상

즉, 백그라운드 에이전트는 사용 사례 하나가 아니다. 칩·데이터센터·전력의 경제성을 모두 바꾸는 출발점이다.

3. GPU보다 메모리와 데이터 이동이 중요해진다

GPU는 많은 작업을 큰 배치로 처리할 때 가장 효율적이다. 여러 요청을 묶으면 총처리량은 높아지지만 각 사용자는 더 기다린다. Neil은 이를 자가용과 버스에 비유한다.

- 자가용: 한 사람에게 빠르지만 시스템 효율은 낮음
- 버스: 여러 사람을 함께 옮겨 효율적이지만 개별 도착은 느림

여러 GPU를 연결해도 성능은 선형으로 늘지 않는다. 인터뷰의 예에서는 GPU 8개를 사용해도 통신 오버헤드 때문에 속도는 약 4~5배만 개선될 수 있다. 최저 지연에는 NVLink가 중요하지만, 백그라운드 처리량이 목표라면 expert·pipeline parallelism으로 통신을 숨길 수 있다.

트랜스포머에는 성격이 다른 두 작업이 붙어 있다.

- MLP·가중치 계산: compute-bound
- Attention·KV cache: memory-bound

모델 가중치가 고정된 세계 지식이라면 KV cache는 현재 대화의 동적 기억이다. 문맥과 사용자 수가 늘수록 계속 커지고, 긴 세션에서는 가중치보다 큰 메모리를 차지할 수도 있다.

이 때문에 하나의 완벽한 칩보다 이종 컴퓨팅이 중요해진다.

- 빠르지만 작은 SRAM → 고속 가중치·계산 처리
- 크지만 상대적으로 느린 HBM·DRAM → 긴 문맥과 KV cache
- 더 느리고 싼 Flash → 지연을 감수한 KV offload 후보

Neil은 현재 KV cache가 정보량에 비해 지나치게 커서 약 10~100배 압축 여지가 있을 수 있다고 본다. 반면 큰 행렬곱은 이미 이론 성능의 약 70~80%까지 사용하므로 커널 개선만으로 1000배 절감은 불가능하다.

4. 공급 전략: 최고의 GPU가 아니라 가장 저평가된 자원을 찾는다

Neil의 원칙은 “나쁜 칩은 없고 나쁜 가격만 있다”이다.

- 저지연 추론 → NVIDIA·NVLink
- 대량 비동기 작업 → AMD·TPU·Trainium·신생 칩
- 계산 집약 단계 → 연산 성능이 좋은 칩
- 긴 문맥 단계 → 메모리 용량이 큰 칩

여기서 이기종 라우팅은 하나의 토큰을 여러 국가의 칩에 나누는 것이 아니다. 요청·작업·독립적인 작업 단계별로 적합한 칩과 사이트를 고르는 것이다. 진행 중인 KV cache는 같은 사이트에 두고, 사이트가 죽으면 의미적 체크포인트에서 다시 시작하는 편이 현실적이다.

데이터센터에서도 같은 논리가 적용된다.

훈련은 GPU가 끊임없이 통신해야 하므로 거대한 집중형 클러스터가 필요하다. 추론은 독립 요청을 여러 곳으로 나눌 수 있다. 미국에서는 1GW·100MW 시설보다 1MW 전력이 훨씬 많이 흩어져 있고, 액체냉각을 쓰면 약 8개 랙으로 1MW급 컴퓨트를 구성할 수 있다는 설명이다.

Sail은 다른 고객이 기피하는 자원을 모으려 한다.

- 놀고 있는 사설 GPU
- 시장에서 저평가된 칩
- 95% 가동률의 소형 데이터센터
- 백업 발전기·중복 회선이 없는 시설
- 태양광·풍력처럼 간헐적이지만 싼 전력

한 사이트가 멈추면 다른 사이트로 작업을 옮긴다. 몇 시간짜리 작업에 1~10분이 추가되는 것은 실시간 서비스에는 치명적이지만, 사용자가 자고 있는 백그라운드 작업에는 허용될 수 있다.

이것이 ‘scavenger strategy’다. OpenAI·Anthropic과 최고급 Blackwell과 안정적인 전력을 놓고 경쟁하지 않고, 시장이 제대로 가격을 매기지 못한 파편화된 자원을 모아 하나의 토큰 공장으로 운영한다.

5. 필요한 제품: Agent Compute Operating Layer

고객에게는 복잡한 인프라를 보여줄 필요가 없다. 고객은 다음만 지정하면 된다.

- 작업 목표와 완료 조건
- 품질 기준과 검증 방법
- 마감시간과 비용 상한
- 데이터 처리 지역
- 허용할 외부 작업과 부작용

뒷단의 운영계층은 다음을 처리한다.

1. 작업을 단계와 DAG로 분해
2. 단계별 모델·칩·사이트 선택
3. 배칭과 deadline 스케줄링
4. KV cache 위치와 세션 affinity 관리
5. 의미적 체크포인트 저장
6. 장애 시 다른 사이트에서 재실행
7. 이메일·결제·배포 같은 부작용 중복 방지
8. 결과 검증 후 필요하면 더 강한 모델로 승격

Long-horizon task에서 중요한 체크포인트는 GPU 메모리 전체가 아니다.

- 완료한 작업 단계
- 대화와 도구 실행 결과
- 생성한 파일과 Git 상태
- 사용한 모델·프롬프트·도구 버전
- 남은 비용과 마감시간
- 이미 실행한 외부 부작용

따라서 이 제품은 단순 GPU 중개나 최저가 추론 API가 아니다. 고객에게는 “일을 끝내주는 서비스”를 제공하고, 내부에서는 모델·칩·메모리·사이트·전력을 하나의 시스템으로 조정하는 운영체제다.

장기적인 해자도 특정 커널 하나가 아니다. 어떤 작업을 어떤 모델·칩·사이트에서 몇 번 실행해야 가장 싸고 확실하게 끝나는지를 축적한 라우팅·실행·검증 데이터다.

6. 수요, 오픈모델, 1000배 목표와 한계

미래의 데이터는 인터넷 텍스트보다 검증 가능한 환경에서 만들어질 가능성이 크다.

모델에게 코딩·수학·보안·연구 문제를 주고, 격리된 컴퓨터에서 반복 시도하게 한 뒤 결과를 자동 채점한다. 이때 환경과 시행착오 자체가 새로운 학습 데이터가 된다. 더 오래 생각하고 더 많이 시도할수록 답이 좋아지는 test-time compute도 저가 추론 수요를 키운다.

이 구조가 잘 맞는 영역은 검증 가능한 문제다.

- 소프트웨어와 테스트
- 수학과 형식 증명
- 보안 취약점 탐색
- 일부 과학 연구

반면 글의 아름다움, 예술, 인간의 취향처럼 객관적으로 채점하기 어려운 작업은 여전히 사람의 판단이 필요하다.

오픈모델도 중요하다. 폐쇄형 연구소는 약 3~6개월 앞선 성능을 위해 큰 프리미엄을 쓰지만, 그 모델이 만든 코드와 콘텐츠가 인터넷에 공개되면서 능력은 오픈 생태계로 확산된다. 폐쇄형은 최첨단 프리미엄 시장을, 오픈모델은 소유권·맞춤화·저가 대량 추론 시장을 담당할 수 있다.

‘1000배 저렴’은 다음 계산에서 나온 목표다.

- Neil의 거친 추정: 프런티어 API로 1조 토큰 ≈ 최소 500만 달러
- 새로운 수요가 생길 수 있다고 본 가격: 약 5천 달러
- 필요한 하락폭: 최소 1000배

하지만 이것은 달성된 결과가 아니다. 더 작은 오픈모델과 프런티어 모델은 같은 지능도 아니다. 실제 절감은 모델 선택, 처리량형 배칭, KV 압축, 이기종 칩, 유휴 GPU, 소형 데이터센터, 간헐 전력, 장애 복구를 합친 장기 목표다.

최종적으로 이 사업의 본질은 다음과 같다.

“고객에게는 품질·마감·예산 안에서 완료된 결과를 제공하고, 내부에서는 모든 컴퓨트 자원을 추상화해 검증된 성공 작업당 비용을 최소화한다.”

https://youtu.be/uyzqxIoiobU?si=morwss97antXVcbu

비슷한 미래를 보고 각자 다른 포트폴리오를 만드는 중. a16z는 칩, 메모리, 네트워킹, 시스템 소프트웨어, 전력 등 AI 인프라에 집중 투자하는 $1.1b 펀드를 발표

AI가 만들어내는 지능은 순수한 소프트웨어가 아니라 칩, 메모리, 네트워크, 전력, 냉각, 데이터센터가 결합된 물리적 생산물이다. 따라서 가장 희소한 자원 한 단위를 더 많은 유용한 AI 작업으로 바꾸는 회사가 가치를 가져간다.

1. AI가 더 많은 일을 하려면 물리적으로 무엇이 필요한가?

AI 작업량
= 칩 연산 × 메모리 × 네트워크 × 전력 × 냉각 × 시설 × 시스템 소프트웨어

이 요소들은 곱셈 관계에 가깝다. 하나라도 부족하면 다른 자원이 풍부해도 전체 시스템은 제대로 작동하지 않는다.

실제 AI 처리량
≈ GPU, 메모리, 네트워크, 전력, 냉각, 시설 중 가장 부족한 요소

AI 경쟁의 병목이 모델 성능에서 모델 아래의 물리적 시스템으로 이동하고 있다는 것이다.

2. AI 연산 수요는 무엇으로 결정되는가?

총 연산 수요
= 사용자 수 × 사용자당 작업 수 × 작업당 토큰 × 토큰당 연산량

영상은 이 네 가지가 동시에 증가한다고 본다.

• 사용자 수 증가
AI 사용자가 개발자에서 일반 지식노동자, 기업 백오피스, 소비자, 로봇으로 확장된다.

• 사용자당 작업 수 증가
질문 한 번에서 끝나는 것이 아니라 이메일 관리, 일정 조정, 코딩, 데이터 분석, 컴퓨터 조작 등 전체 업무 흐름을 맡기게 된다.

• 작업당 토큰 증가
챗봇보다 추론 모델이 더 많은 토큰을 사용하고, 장시간 작동하는 에이전트와 다중 에이전트는 그보다 훨씬 많은 토큰을 사용한다.

• AI가 다시 AI를 사용
AI가 코드, GPU 커널, 학습 데이터와 다음 AI 시스템을 만드는 데 사용된다.

AI 성능 향상
→ 가능한 작업 증가
→ 사용자와 업무 증가
→ 토큰·연산 수요 증가
→ 더 많은 인프라 투자
→ 다시 AI 성능 향상

3. 효율이 좋아져도 인프라 수요가 줄지 않는 이유

연산 비용이 낮아지면 기존 업무를 더 싸게 처리할 수 있다. 동시에 이전에는 경제성이 없었던 새로운 AI 업무들이 가능해진다.

총 연산량
= 작업당 연산량 ÷ 효율 × 전체 작업 수

효율이 개선되는 속도보다 전체 작업 수가 늘어나는 속도가 더 빠르면 총 연산 수요는 계속 커진다.

사실상 무한한 수요는 확정된 사실이 아니라 이 효과가 장기간 지속될 것이라는 투자 가설이다.

4. 공급이 수요를 바로 따라가지 못하는 이유

소프트웨어 수요는 몇 달 만에 몇 배로 증가할 수 있지만 물리적 인프라는 그렇게 빨리 만들 수 없다.

• 반도체 개발과 증설에는 수년이 걸린다.
• 메모리 생산능력을 빠르게 늘리기 어렵다.
• 데이터센터에는 부지, 인허가, 전력 연결과 건설 인력이 필요하다.
• 변압기, 터빈, 냉각설비 등의 공급도 제한돼 있다.
• 전력망 증설은 데이터센터 건설보다 오래 걸릴 수 있다.
• 장비 설치와 운영을 담당할 숙련 인력이 부족하다.

수요 증가 속도 ≫ 물리적 공급 증가 속도

5. 기존 데이터센터를 더 많이 짓는 것만으로는 부족하다

기존 컴퓨팅 인프라는 AI를 중심으로 설계되지 않았다.

AI 추론의 특성

• 대량의 행렬 연산
• 높은 메모리 용량과 대역폭
• 칩 사이의 빈번한 데이터 이동
• 높은 전력밀도
• 연산과 함께 지속적으로 생성되는 토큰
• 많은 가속기를 하나의 시스템처럼 연결해야 하는 구조

따라서 다음 요소들을 함께 설계해야 한다.

• 연산 칩
• 메모리 계층
• 칩 간 인터커넥트
• 네트워크
• 전력 변환과 공급
• 액체 냉각
• 랙과 건물 구조
• 클러스터 관리 소프트웨어

이것이 영상에서 말하는 AI-native infrastructure다.

6. 인프라 회사의 경제적 가치는 무엇인가?

AI 사업 이익
= AI 작업이 만든 가치 - 연산·전력·인프라 비용

같은 작업을 더 적은 비용과 전력으로 처리하게 해주는 회사는 AI 기업의 마진을 직접 개선한다.

핵심 성능지표

• 달러당 유용한 토큰
• 와트당 유용한 토큰
• 랙당 유용한 토큰
• 데이터센터 면적당 처리량
• 성공한 작업당 총비용

유용한 AI 생산성
= 성공적으로 완료된 업무 ÷ 자본비용·전력·운영비·시간

빠르게 토큰을 생성하더라도 결과가 틀리거나 업무를 완료하지 못하면 경제적 가치는 낮다. 따라서 가장 빠른 칩보다 전체 업무 완료 비용을 가장 크게 낮추는 시스템이 더 가치 있을 수 있다.

7. 전용 칩은 언제 경제성이 생기는가?

영상의 사고실험은 다음과 같다.

어떤 모델이 연간 100억 달러 규모의 추론을 수행하고, 전용 ASIC이 비용을 20% 절감한다면 잠재적인 절감 가치는 20억 달러다.

100억 달러 × 20% = 20억 달러

전용 칩 개발에 수억 달러가 들어가더라도 경제성이 생길 수 있다는 계산이다.

다만 다음 조건이 필요하다.

• 워크로드가 충분히 크고 안정적이어야 한다.
• 모델 구조가 칩 개발기간 동안 급격히 바뀌지 않아야 한다.
• 효율 개선액이 설계·제조·소프트웨어 비용보다 커야 한다.
• 범용 GPU의 유연성보다 전용화의 이익이 커야 한다.

8. 엔비디아가 강해도 스타트업 기회가 남는 이유

• 거대 기업은 가장 큰 공통 수요를 최적화한다.
엔비디아와 하이퍼스케일러는 규모가 큰 범용 워크로드에 집중할 가능성이 높다.

• AI 워크로드는 세분화된다.
학습, 실시간 추론, 저전력 엣지 추론, 장시간 에이전트, 로봇, 과학 연산의 요구조건은 서로 다르다.

• 거대한 시장에서는 작은 틈새도 큰 회사가 될 수 있다.
전체 시장이 충분히 크다면 1%의 세부 시장도 대형 기업을 만들 수 있다.

• 병목 하나하나에 서로 다른 전문성이 필요하다.
메모리, 광통신, 전력반도체, 냉각, 운영 소프트웨어, 건설 자동화를 한 기업이 전부 해결하기는 어렵다.

기회는 엔비디아와 정면으로 경쟁하는 GPU에만 있지 않다. GPU가 더 많은 일을 하게 만드는 주변 시스템 전체가 투자 영역이다.

9. 에이전트 = 모델 + 메모리 + 도구 + 컴퓨터 접근권한 + 반복 실행

에이전트가 독립된 컴퓨터, 브라우저, 계정과 권한을 갖추면 일정 관리, 이메일 분류, 구매, 문서 작성 같은 업무를 인간 직원과 유사하게 수행할 수 있다.

하지만 에이전트는 다음 문제를 만들 수 있다.

• 불필요한 토큰 소비
• 정보 망각과 환각
• 잘못된 행동 실행
• 계정과 데이터의 보안 위험
• 인간과 에이전트 사이의 불명확한 승인 경계

에이전트 순가치
= 생산성 증가 - 연산비용·오류비용·감독비용·보안위험

따라서 중요한 것은 에이전트를 많이 도입하는 것이 아니라 순가치를 플러스로 만드는 운영체계다.

10. 하드웨어 창업자에게 경험이 중요한 이유

하드웨어 사업은 다음 전체 과정을 통과해야 한다.

연구
→ 설계
→ 시제품
→ 제조
→ 수율 확보
→ 공급망
→ 고객 시스템 통합

좋은 기술만으로는 부족하다.

• 실제 제조가 가능한가?
• 충분한 수율이 나오는가?
• 부품을 안정적으로 확보할 수 있는가?
• 고객 시스템에 통합할 수 있는가?
• 긴 개발기간을 버틸 자본이 있는가?

경험 많은 창업자가 유리하지만 나이가 필수조건은 아니다. 부족한 제조·공급망 경험을 숙련된 인력과 파트너로 보완할 수 있으면 된다.


11. 투자 논리

투자 기회
= 병목을 제거해 만들어지는 경제적 가치 - 해결 비용과 실행 위험

좋은 AI 인프라 사업이 답해야 할 질문

1) 현재 전체 처리량을 가장 강하게 제한하는 병목은 무엇인가?
2) 고객은 그 병목 때문에 실제로 얼마를 잃고 있는가?
3) 해결책이 달러·와트·시간당 생산성을 얼마나 개선하는가?
4) 그 개선폭을 실제 고객 환경에서 측정할 수 있는가?
5) 제품이 완성될 때도 그 병목이 남아 있을 것인가?
6) 제조, 공급망, 인허가까지 포함해 실제로 공급할 수 있는가?
7) 대기업이 같은 문제를 내부적으로 해결하기 어려운 이유는 무엇인가?

12. 이 투자 논리가 성립하기 위한 가정

영상은 신규 투자 펀드의 논리를 설명하는 콘텐츠이므로 다음 가정들을 낙관적으로 본다.

• AI 사용량이 계속 고속 성장한다.
• 효율 개선보다 새로운 수요 증가가 더 크다.
• AI 서비스가 인프라 비용을 감당할 경제적 가치를 만든다.
• 전력과 데이터센터 병목이 장기간 지속된다.
• 과잉 증설로 공급 부족이 갑자기 공급 과잉으로 바뀌지 않는다.
• 하이퍼스케일러와 기존 반도체 기업이 모든 영역을 자체 개발하지 않는다.
• 모델 구조가 너무 빨리 변해 새 하드웨어를 무용지물로 만들지 않는다.
• 규제, 지역사회와 전력망 문제가 데이터센터 확장을 완전히 막지 않는다.

이 중 하나라도 크게 틀리면 인프라 투자의 수익성은 급격히 낮아질 수 있다.