Amazon(AWS, 아마존의 클라우드 서비스)는 전 세계 기업들이 가장 많이 사용하는 클라우드 인프라다. Snowflake(스노우플레이크, 클라우드 데이터 저장 기업)가 AWS와 5년간 60억 달러 규모의 신규 계약을 체결했다.

이 금액은 스노우플레이크가 2012년 설립 이후 AWS 마켓플레이스를 통해 벌어들인 총매출 70억 달러에 육박하는 규모다. 스노우플레이크의 AWS 지출액은 2025년 한 해에만 20억 달러로 전년 대비 두 배 증가했다. 이번 계약의 핵심은 AWS가 자체 설계한 ARM 기반 CPU인 Graviton(그라비톤) 칩의 추가 확보에 있다.

5년간 60억 달러 규모의 Graviton 칩 공급 계약

데이터를 찾기 위해 수십 개의 테이블을 뒤지고 복잡한 쿼리문을 작성한다. 이 반복적인 검색 작업에 시간을 쏟는 것은 데이터 분석가의 일상이다. 스노우플레이크(Snowflake, 클라우드 데이터 저장 기업)가 아마존웹서비스(AWS)와 5년간 60억 달러 규모의 공급 계약을 체결했다고 수요일에 발표했다. 스노우플레이크는 설립 초기부터 AWS 위에서 구동됐다. 현재는 마이크로소프트 애저(Azure)와 구글 클라우드에서도 서비스가 제공되지만 AWS는 여전히 가장 비중이 큰 인프라다. 2012년 설립 이후 AWS 마켓플레이스를 통해 기록한 총 매출은 70억 달러다. 이번 계약 금액은 기업이 지금까지 AWS라는 단일 채널을 통해 벌어들인 전체 수익에 육박하는 규모다.

스노우플레이크의 2025년 AWS 지출액은 20억 달러다. 전년 대비 지출 규모가 정확히 2배 증가했다. 비용 증가의 중심에는 코텍스 AI(Cortex AI, 스노우플레이크의 AI 빌딩 도구)가 있다. 기업의 방대한 데이터가 저장된 곳에서 AI가 직접 데이터를 읽고 처리하게 만드는 도구다. 대부분의 기업 데이터가 스노우플레이크에 저장되어 있다는 점을 활용한다. 사용자는 복잡한 SQL 문법 대신 일상 언어로 데이터베이스에 쿼리를 요청한다. AI가 자동으로 요약 보고서를 생성하는 기능도 포함된다. 데이터 저장소와 AI 실행 환경을 밀착시켜 데이터 이동 시간을 없앤 것이 지출 증가로 이어졌다.

이번 계약의 실질적인 목적은 그라비톤(Graviton, AWS 자체 설계 ARM 기반 CPU) 칩의 추가 확보에 있다. AI 서비스의 중심이 모델 학습에서 일상적 사용과 에이전트 자동화로 옮겨가면 CPU 사용량이 급증한다. GPU(그래픽 처리 장치)가 고도의 학습과 추론을 처리한다면 에이전트가 수행하는 나머지 제어 작업은 CPU의 몫이다. AWS는 자체 설계한 ARM 기반 칩을 통해 엔비디아 제품보다 높은 가격 대비 성능을 제공한다. AI 연산 수요가 폭증하면서 AWS 같은 클라우드 사업자들은 칩을 최대한 빠르게 배치하고 있다. 아마존은 자체 칩 생산으로 낮춘 비용을 고객사에게 전가하는 전략을 쓴다. 스노우플레이크는 저렴한 CPU 자원을 대량으로 확보해 AI 에이전트 서비스의 운영 비용을 낮추고 확장성을 확보하려는 계산이다.

엔비디아 GPU를 넘어 CPU로 확장된 AI 칩 전쟁

복잡한 명령어를 입력하지 않아도 AI가 알아서 업무를 처리하는 자동화가 일상에 파고들고 있다. 초기 AI 시장이 거대한 모델을 학습시키기 위해 고성능 GPU(그래픽 처리 장치)에 의존했다면, 이제는 서비스가 실행되는 추론과 자동화 단계로 무게중심이 이동했다. GPU는 대규모 연산에 최적화되어 있으나 전력 소모와 비용 측면에서 범용 작업에는 비효율적이다. 반면 CPU(중앙 처리 장치)는 AI 에이전트가 수행하는 복합적인 제어와 데이터 처리 작업에서 훨씬 경제적인 대안으로 떠올랐다. 이 같은 기술적 특성 변화가 데이터 센터의 하드웨어 구성 방식을 근본적으로 바꾸고 있다.

메타(Meta)는 최근 아마존웹서비스(AWS)와 대규모 계약을 체결하며 자사 AI 인프라에 그라비톤(Graviton) CPU를 대량 도입하기로 결정했다. 이는 메타가 앞서 구글 클라우드와 100억 달러 규모의 컴퓨팅 계약을 맺은 이후 나온 행보다. 클라우드 사업자들은 자체 개발한 ARM 기반 CPU를 앞세워 엔비디아 GPU 중심의 생태계에 균열을 내고 있다. 마이크로소프트(Microsoft) 역시 지난 1월 자체 설계한 마이아(Maia) AI 칩을 출시하며 추론 시장의 효율성을 높이는 데 주력하고 있다. 클라우드 기업들이 자체 칩을 선택하는 이유는 명확하다. 엔비디아의 고가 장비보다 가격 대비 성능이 우수한 자체 칩을 통해 인프라 운영 비용을 낮추고, 이를 고객사에게 경쟁력 있는 가격으로 제공하기 위해서다.

엔비디아는 이러한 시장 변화를 방어하기 위해 대응 속도를 높이고 있다. 엔비디아는 최근 AI 전용 CPU인 베라(Vera)를 출시하며 새로운 시장 공략에 나섰다. 젠슨 황 엔비디아 CEO는 베라를 통해 2,000억 달러 규모의 신규 시장을 창출하겠다고 밝혔다. 엔비디아는 이미 베라 CPU만으로 200억 달러의 매출을 달성하며 시장의 수요를 증명했다. 이는 GPU라는 단일 무기를 넘어 CPU 영역까지 포괄하는 종합 하드웨어 기업으로 거듭나겠다는 전략적 의지다. 클라우드 기업의 자체 칩 확보와 엔비디아의 영역 확장이 맞물리면서, AI 연산을 담당하는 칩 시장은 이제 GPU와 CPU가 각자의 효율성을 무기로 격돌하는 양상으로 전개되고 있다.

데이터 처리와 추론의 분리 기준

기업이 보유한 데이터가 정형 데이터 위주이며 SQL 기반의 반복적인 분석 업무가 80% 이상을 차지한다면 범용 GPU 대신 ARM 기반 CPU를 우선 배치해야 한다. 스노우플레이크의 사례처럼 데이터 저장소와 연산 환경을 물리적으로 밀착시키는 아키텍처는 데이터 이동에 따른 병목을 제거한다. 대규모 모델 학습이 아닌 데이터 검색, 요약, 에이전트 제어와 같은 추론 단계에서는 GPU의 연산 능력을 낭비할 가능성이 크다. 연산의 성격이 복잡한 수학적 행렬 곱셈인지, 단순한 데이터 제어와 논리적 흐름인지에 따라 하드웨어 선택을 이분화해야 한다.

운영 비용과 확장성 확보 전략

클라우드 서비스 이용료가 연간 매출의 10%를 넘어서는 기업은 인프라 공급자와의 장기 계약을 통해 자체 칩 할당량을 확보하는 것이 필수적이다. AWS의 그라비톤이나 마이크로소프트의 마이아와 같은 자체 설계 칩은 엔비디아 GPU 대비 전력 효율과 가격 경쟁력이 높다. 서비스 규모가 커질수록 범용 하드웨어에 의존하는 비용 구조는 수익성을 악화시킨다. 특정 클라우드 사업자의 칩 생태계에 종속되는 위험보다 하드웨어 효율화로 얻는 운영 마진 개선이 더 큰 실질적 이득을 가져온다.

하드웨어 믹스 전략의 실무적 판단

AI 서비스의 단계가 모델 개발에서 실제 운영으로 넘어갔다면 엔비디아의 GPU와 클라우드사의 CPU를 7대 3 혹은 6대 4 비율로 혼합하는 하이브리드 인프라를 설계해야 한다. 엔비디아의 베라와 같은 전용 CPU는 기존 GPU 환경과의 호환성을 보장하면서도 범용 연산의 효율을 높이는 대안이 된다. 하드웨어 선택의 기준은 이제 성능의 절대치가 아니라 서비스의 단위당 처리 비용과 전력 효율로 완전히 이동했다. 인프라의 효율이 곧 서비스의 가격 경쟁력이다.