2026.09.22 · 네이버 프리미엄 콘텐츠 · 올바른 미국주식 by SAPIENS

일간보고 : 투자의 생각 (260922)

유형
네이버 프리미엄 콘텐츠
날짜
2026.09.22
강연자/작성자
올바른 미국주식 by SAPIENS
분석 주제
미지정
자료 길이
본문 16,797자
1

문서 전체 조망

핵심 구조

Muse의 확산은 AI 인프라와 커머스의 고객 접점을 함께 바꾼다

AI 연구소의 모델 경쟁, 개인용 에이전트 Muse의 초기 사용, 이를 뒷받침할 CPU·메모리·광학 수요와 이커머스 구조 변화를 연결해 점검한다.

Muse는 메타의 구매 의도 확보 범위를 넓힌다

  • 출시 초기 다운로드와 생활 잡무 사용 사례는 Muse가 단순 대화형 서비스보다 직접 행동하는 에이전트로 쓰일 가능성을 보여준다.
  • 메타는 이를 광고·판매자 에이전트·WhatsApp 거래와 연결해 구매 의도를 수익화하려는 구조로 제시된다.

개인용 에이전트는 CPU·메모리·스토리지 수요를 함께 자극할 수 있다

  • 개인용 에이전트의 여러 앱 실행과 검색·메일 처리·API 호출이 늘면 CPU 중심 작업이 커지고, 사용자의 데이터를 오래 저장할수록 DRAM과 eSSD 수요도 늘 수 있다는 관점이다.
  • 따라서 공급 제약과 리드타임은 이 수요 판단의 조건으로 함께 제시된다.

광학 연결은 전력과 제조 조건의 균형 문제다

  • 신호 감쇠를 줄이려 광 엔진을 ASIC 가까이 두는 NPO·CPO가 논의된다.
  • CPO는 전력 효율을 낮추는 대신 통합 제조의 수율·신뢰성 부담이 있어 NPO가 단순한 과도기 기술이 아닐 수 있다는 설명이다.

대리 구매가 커지면 이커머스의 고객 접점이 흔들릴 수 있다

  • 에이전트가 여러 판매처의 상품·리뷰·배송을 비교해 주문하면 아마존 검색화면과 3P 수수료의 역할이 약해질 수 있다.
  • 결국 이 변화는 아직 장기적 가정이지만, Muse 접근 차단과 함께 고객 여정 변화의 문제의식으로 제시된다.
ANALYSIS VIEW사건별 사실과 작성자의 판단, 지속 정보를 나누어 읽기
2
발생·예정 사건과 출처별 관점

이슈 분석

이 자료가 이슈의 어떤 사실을 다루고, 작성자가 무슨 결론을 어떤 근거로 내렸는지 원문에 붙여 읽습니다.

발생발표·발생 후발생일 26-9-8

26-9 메타 Muse 출시

작성자의 핵심 판단

작성자는 Muse의 초기 확산과 생활 잡무 사용 사례를 메타의 광고·커머스 확장 가능성을 바꾸는 변화로 본다.

근거 보기 3
  1. 원문 구간 1

    Apptopia 데이터 기준으로도 출시 12일 간 미국/캐나다 iOS 다운로드 기준 Muse는 180만 건 vs ChatGPT는 130만 건입니다. FundaAI의 Muse 사용 사례 분석 결과(출시 12일 간 654개 사용 사례 수집), 절약/환불/개인금융업무를 맡기는 게 19.6%, 업무용이 11.2%, 행정업무 대체가 10.6%, 쇼핑 9.5%, 기술적으로 사용하고 에이전트 설정에 쓰는 경우가 8.3%, 여행 8.1%입니다. 전체 사용사례 중 62.8%가 사람들이 하기 싫은 일상 잡무를 대신 처리하게 하는 것(Life Admin)이라는 점에서 아예 새로운 사용사례를 만들고 있다고 볼 수 있습니다. Muse는 예를 들어서 통신비를 낮추기 위해서 실제로 AT&T에 전화해 인터넷 요금을 $85 → $40로 낮추거나, Verizon 요금을 $134 → $64로 줄이고, 항공권이나 호텔을 검색해서 직접 예약하는 등 직접 움직입니다.

  2. 원문 구간 2

    절감액 계산이 가능했던 49건의 사용 사례에서 연환산 절감액은 총 $35,426로 건당 평균 $723를 절감했습니다. 메타 입장에서는 소비자의 구매 의도를 훨씬 더 일찍 알게 된다는 점에서 매우 좋습니다. 더 명확히 표현하자면 Muse가 성공적으로 자리잡으면 메타가 구글의 광고시장 파이를 가져올 가능성이 높습니다. 지금까지는 인스타그램이나 페이스북에 사용자가 접속하면 광고를 보여주고 이미 쇼핑 중인 사람을 리타겟팅하는 데 강했습니다. 구글은 사용자가 직접 의도를 입력합니다. '뉴욕 호텔', '첫 전기차 비교' 등 검색어를 입력하니 구매의도를 좀 더 잘 알 수 있습니다. 그런데 이제 Muse가 이메일, 캘린더, 메신저, 브라우저에 연결되기 시작하면 얘기가 달라집니다.

  3. 원문 구간 3

    여기서 '상품/서비스 탐색~구매'까지를 에이전트가 자동화해버리는 솔루션으로 판매할 수도 있습니다. 사용자의 구매 의도를 다루는 것은 구글이 갖고 있던 영역인데 이것을 직접 갖게 되는 것이니 Muse의 성공은 결과적으로 구글에게 가장 큰 위협이 되는 셈입니다. AI HW: ​ (1) Muse로 인해서 Agentic AI용 CPU 수요가 크게 늘어날 것으로 예상합니다: 아직 Muse는 초대자만 가입할 수 있는 수준이고 DAU 50만 명 수준입니다. 또한 앞으로 Muse의 성공을 따라잡으려 오픈AI, 구글 정도는 개인용 AI 에이전트 제품을 따라 내놓을 것임을 생각해보면 향후 추세적으로 개인용 AI 에이전트로 인한 컴퓨트 수요가 급증할 것을 예상해볼 수 있습니다.

이 자료에서 다룬 사실

Muse는 출시 뒤 미국 앱스토어 다운로드 1위를 유지했고, 출시 10일 만에 미국 DAU 44.8만 명을 기록했다고 제시한다.

근거 보기 2
  1. 원문 구간 1

    ​ (3) 오늘은 메타의 개인용 AI 에이전트인 'Muse 효과'에 대해 생각해볼 거리가 많습니다: 메타를 Overweight으로 상향합니다. Muse 출시 초기 데이터가 ChatGPT를 상회하고 있습니다. 출시 이후 계속 미국 앱스토어 다운로드 수 1위를 차지하고 있습니다. Muse 사용자 중 95%가 페이스북과 인스타그램 사용자로 매우 높은 교차 사용률을 보이고 있습니다. 아직 초대식으로 운영되고 있어서 널리 퍼지지 않았는데도 이정도입니다. Sensor Tower 데이터 기준, 미국의 일일 다운로드 수는 9월 19일 26.4만 건이고 3일 연속 20만 건을 상회(ChatGPT는 1년 소요)하고 있습니다. 미국 DAU도 출시 10일 만에 44.8만 명(ChatGPT는 49일 소요)입니다.

  2. 원문 구간 2

    Apptopia 데이터 기준으로도 출시 12일 간 미국/캐나다 iOS 다운로드 기준 Muse는 180만 건 vs ChatGPT는 130만 건입니다. FundaAI의 Muse 사용 사례 분석 결과(출시 12일 간 654개 사용 사례 수집), 절약/환불/개인금융업무를 맡기는 게 19.6%, 업무용이 11.2%, 행정업무 대체가 10.6%, 쇼핑 9.5%, 기술적으로 사용하고 에이전트 설정에 쓰는 경우가 8.3%, 여행 8.1%입니다. 전체 사용사례 중 62.8%가 사람들이 하기 싫은 일상 잡무를 대신 처리하게 하는 것(Life Admin)이라는 점에서 아예 새로운 사용사례를 만들고 있다고 볼 수 있습니다. Muse는 예를 들어서 통신비를 낮추기 위해서 실제로 AT&T에 전화해 인터넷 요금을 $85 → $40로 낮추거나, Verizon 요금을 $134 → $64로 줄이고, 항공권이나 호텔을 검색해서 직접 예약하는 등 직접 움직입니다.

그렇게 판단한 이유

Muse가 이메일·캘린더·브라우저에 연결돼 구매 의도를 더 일찍 파악하고, Meta Business Agents와 WhatsApp을 통해 거래까지 연결할 수 있다는 논리다.

근거 보기 3
  1. 원문 구간 1

    사용자가 Muse에게 여행 일정을 짜달라고 하면 메타는 목적지-일정-호텔 선호-예산-항공편 조건 등 모든 것을 알게 됩니다. 임신을 했다면 좋은 유아용품, 이사가 예정되어 있으면 좋은 이사업체, 러닝을 시작했다면 좋은 러닝화를 광고로 알려줄 수 있다는 것입니다. 또한 Muse는 직접 '구매'를 수행하기 때문에 광고비 외에 커머스에서도 직접 수수료를 받을 가능성이 생깁니다. 광고비를 받을지 아니면 거래 성사 시 수수료를 받을지는 선택하기 나름이겠지만, 자동차/교육/법률 등 손님과 연결하고 영업하는 Lead가 긴 산업 같은 경우는 실제 상담이나 구매 직전 상담 단계까지 고객을 데려오면 메타가 광고비 뿐만 아니라 일정 부분의 수수료를 취하는 조건으로도 계약할 수도 있습니다.

  2. 원문 구간 2

    메타는 이제 구매자부터 판매자까지 모든 채널을 에이전트화 할 준비를 끝냈습니다. 이미 B2B 에이전트인 Meta Business Agents, 메신저인 WhatsApp이 있습니다. 사용자들이 Muse를 사용하기 시작하면 Muse가 사용자의 니즈를 파악한 뒤 → 판매자들의 Meta Business Agents가 판매자를 대신해 네고를 수행하고 → WhatsApp(판매자는 WhatsApp Business)을 통해서 소통한 뒤 거래를 성사하는 구조가 가능합니다. 에이전트와 에이전트끼리 거래하는 것입니다. 메타는 여기에서 판매자에게 Meta Business Agent, WhatsApp Business를 통해 광고비/수수료를 취하는 방식이 가능합니다.

  3. 원문 구간 3

    이 구조 덕에 메타는 Muse를 무료로 풀어서 최대한 빠르게 개인용 AI 에이전트 시장을 장악하고, 판매자쪽에서 수익화하는 것을 희망하고 있습니다. 메타는 원래 Discovery(소비자가 내가 뭘 관심있는지 모르는 상태로 돌아다니다가) → 광고(콘텐츠 취향을 보고 가장 좋아할 것 같은 제품 광고 보여주고) → 리타겟팅(특정 제품/서비스에 반응했다면 관련 광고들 보여주기) → 구매에 강한 회사였습니다. 이제 Muse가 성공하면 사용자의 필요를 직접 파악한 다음(Intent / 대화에서 광고시스템에 넣을 데이터를 얻지 않더라도 사용자가 브라우저나 메일을 통해 움직일 때마다 Pixel 데이터로 간접적인 시그널 얻음) → 상품/서비스 탐색 → 비교분석 → 업체와 협상 → 구매 → 커뮤니케이션 → 고객관리까지 확장됩니다.

발생발표·발생 후발생일 미확인

스페이스X의 Grok 4.7 출시

작성자의 핵심 판단

작성자는 성능 개선은 인정하지만 곧 나올 경쟁 모델들을 고려하면 3위권 안착 목표에는 부족할 수 있다고 평가한다.

근거 보기 2
  1. 원문 구간 1

    ​ (2) 스페이스X가 Grok 4.7을 출시했습니다 *첨부자료 1*: Terminal-Behcn 4.0 기준 38.0%입니다. GPT-5.6 Sol이나 Muse Spark 1.3보다는 높게 나왔으니 개선된 게 맞겠는데, 말씀드린 것처럼 곧 다같이 Opus 5.5, GPT-6 Sol, Muse Spark 차세대 모델(여기도 RL 꽤 잘 강화하는 중), Kimi 차세대 모델 출시가 코앞인 것을 생각하면 성능개선 정도가 그닥 유의미하진 않습니다. 물론 저가형 모델이기 때문에 수요는 충분히 받쳐줄 거라 생각하지만(이것도 혹시 GPT-6 Luna가 매우 잘 뽑히면 얘기가 달라지긴 합니다) MSL과 xAI의 목표는 3등 자리에 안착하고 Tier 2 AI Labs와 격차를 벌리는 게 목표일 것이므로 그런 목표를 달성하기에는 조금 부족해보인다입니다.

  2. 원문 구간 2

    출시 속도와 성능개선 속도를 감안하면 Muse Spark 차세대 모델을 기대해보고 있습니다. Terminal-bench 4.0 업데이트(2026-09-22) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > Grok 4.7 38.0% > GPT-5.6 Sol 37.3% > Muse Spark 1.3 33.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%

이 자료에서 다룬 사실

스페이스X가 Grok 4.7을 출시했고 Terminal-bench 4.0 기준 점수는 38.0%라고 적었다.

근거 보기 2
  1. 원문 구간 1

    ​ (2) 스페이스X가 Grok 4.7을 출시했습니다 *첨부자료 1*: Terminal-Behcn 4.0 기준 38.0%입니다. GPT-5.6 Sol이나 Muse Spark 1.3보다는 높게 나왔으니 개선된 게 맞겠는데, 말씀드린 것처럼 곧 다같이 Opus 5.5, GPT-6 Sol, Muse Spark 차세대 모델(여기도 RL 꽤 잘 강화하는 중), Kimi 차세대 모델 출시가 코앞인 것을 생각하면 성능개선 정도가 그닥 유의미하진 않습니다. 물론 저가형 모델이기 때문에 수요는 충분히 받쳐줄 거라 생각하지만(이것도 혹시 GPT-6 Luna가 매우 잘 뽑히면 얘기가 달라지긴 합니다) MSL과 xAI의 목표는 3등 자리에 안착하고 Tier 2 AI Labs와 격차를 벌리는 게 목표일 것이므로 그런 목표를 달성하기에는 조금 부족해보인다입니다.

  2. 원문 구간 2

    출시 속도와 성능개선 속도를 감안하면 Muse Spark 차세대 모델을 기대해보고 있습니다. Terminal-bench 4.0 업데이트(2026-09-22) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > Grok 4.7 38.0% > GPT-5.6 Sol 37.3% > Muse Spark 1.3 33.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%

그렇게 판단한 이유

저가형 모델 수요 가능성은 있으나 Opus 5.5, GPT-6 Sol, 차세대 Muse Spark, Kimi의 출시가 임박했다는 비교를 든다.

근거 보기 2
  1. 원문 구간 1

    ​ (2) 스페이스X가 Grok 4.7을 출시했습니다 *첨부자료 1*: Terminal-Behcn 4.0 기준 38.0%입니다. GPT-5.6 Sol이나 Muse Spark 1.3보다는 높게 나왔으니 개선된 게 맞겠는데, 말씀드린 것처럼 곧 다같이 Opus 5.5, GPT-6 Sol, Muse Spark 차세대 모델(여기도 RL 꽤 잘 강화하는 중), Kimi 차세대 모델 출시가 코앞인 것을 생각하면 성능개선 정도가 그닥 유의미하진 않습니다. 물론 저가형 모델이기 때문에 수요는 충분히 받쳐줄 거라 생각하지만(이것도 혹시 GPT-6 Luna가 매우 잘 뽑히면 얘기가 달라지긴 합니다) MSL과 xAI의 목표는 3등 자리에 안착하고 Tier 2 AI Labs와 격차를 벌리는 게 목표일 것이므로 그런 목표를 달성하기에는 조금 부족해보인다입니다.

  2. 원문 구간 2

    출시 속도와 성능개선 속도를 감안하면 Muse Spark 차세대 모델을 기대해보고 있습니다. Terminal-bench 4.0 업데이트(2026-09-22) → GPT-6 Astra 58.2% > Fable 5.1 57.9% > Opus 5 51.8% > Fable 5 44.5% > GLM-5.3 41.8% > Grok 4.7 38.0% > GPT-5.6 Sol 37.3% > Muse Spark 1.3 33.3% > Opus 4.8 23.6% > GPT-5.6 Terra 21.5% > Grok 4.6 20.3% > Gemini 3.8 Flash 19.1% > GPT-5.6 Luna 17.3% > Grok 4.5 12.4% = Sonnet 5 12.4%

발생발표·발생 후발생일 미확인

아마존의 Meta Muse 접근 차단

작성자의 핵심 판단

작성자는 에이전트가 구매를 대신하는 단계로 가면 이커머스의 고객 접점과 수수료 구조가 달라질 수 있다고 본다.

근거 보기 3
  1. 원문 구간 1

    낮은 마진의 커머스 위에 훨씬 마진이 높은 광고 사업을 얹을 수 있었던 이유입니다. (ㅂ) 그런데 에이전트가 쇼핑을 돕는 수준을 넘어서 대신 하는 수준이 되면 이 구조가 바뀝니다. 지금까지는 소비자가 "유모차를 사야겠다"고 생각하면 아마존에 들어가 검색창에 제품명을 입력하고, 검색 결과와 광고/리뷰들을 살펴본 뒤 상품을 구매했습니다. 그런데 앞으로는 Muse에게 "500달러 이하에서 신생아가 쓰기 좋고 접기 편한 유모차를 찾아서 사줘"라고 말할 수 있습니다. Muse가 아마존, 쇼피파이 판매자, 브랜드 자사몰을 돌아다니면서 가격과 배송조건, 리뷰를 비교한 뒤 최적의 상품을 골라준다면 소비자가 아마존의 검색결과 화면을 볼 이유가 없어집니다.

  2. 원문 구간 2

    그리고 3P 셀러들에게 붙이던 수수료도 취하기가 어려워집니다. 원래는 계약 성사 시 15~30% 가량 수수료를 붙이던 구조였는데 이제는 에이전트가 똑같은 상품이니 브랜드에서 운영하는 자사몰쪽으로 구매할 개연성이 높기 때문입니다. 아마존을 통하는 물량 자체가 줄어들면 물류 시스템의 성격도 바뀔 수 있습니다. (ㅅ) 결과적으로 커머스의 프론트엔드는 Muse나 기타 에이전트들이 가져가고, 아마존처럼 이커머스 기업들은 백엔드 공급자 중 하나가 되는 것입니다. 그리고 아예 백엔드에만 집중하는 물류 기업이 나올 개연성도 높습니다.

  3. 원문 구간 3

    나중의 일이기는 해도 사업의 물길이 바뀜으로 인해서 여러 가지 생각을 해볼 수 있습니다. 원래는 유통/마케팅/광고 이런 쪽이 워낙 하나하나 복잡하고 관리하기가 귀찮은 일이라서 제품 제조업자들이 맡겼던 것인데 이제는 소비자나 판매자나 에이전트를 통해서 소통하게 될 수 있다면 제조업자쪽에서 전방통합을 하는 방식으로 밸류를 취하고, 대신 일부 밸류를 에이전트를 만든 기업(메타, 오픈AI, 구글)과 나누는 구조가 될 것을 생각해볼 수 있습니다. (ㅇ) 코딩이 자연스러워지고, 개인용 에이전트가 발전할수록 점점 흐름은 아마존닷컴 → 쇼피파이 → 기업이 직접 브랜드 자사몰 구축 쪽으로 향합니다.

이 자료에서 다룬 사실

아마존이 Muse의 Amazon.com 접근을 차단했다고 전한다.

근거 보기 1
  1. 원문 구간 1

    광고/이커머스: ​ (1) 서드파티 데이터인 mScience가 구글 광고에 대해서 부정적인 코멘트를 냈습니다. 2Q에 있었던 월드컵과 평시보다 좀 일찍이었던 프라임 데이 때문에 2Q에 강세 이후 광고지출이 정상화되면서 구글의 유튜브/네트워크 광고수익이 성장속도가 약간 느려지는 것처럼 보일 수 있다는 코멘트였습니다. ​ (2) Muse가 잘되기 시작하니까 아마존이 Muse의 아마존닷컴 접근을 차단했습니다: Muse가 잘되는 것이 기본적으로 커머스쪽에 여러 가지 함의를 준다고 생각합니다. 예전에도 계속해서 고민했던 영역이긴 합니다만, 씨리미티드(SE)와 도어대시(DASH)에 대한 평가를 Neutral로 하향합니다.

그렇게 판단한 이유

에이전트가 여러 판매처의 가격·배송·리뷰를 비교해 브랜드 자사몰로 주문할 수 있어 아마존 검색화면과 3P 수수료의 역할이 약해질 수 있다는 논리다.

근거 보기 2
  1. 원문 구간 1

    낮은 마진의 커머스 위에 훨씬 마진이 높은 광고 사업을 얹을 수 있었던 이유입니다. (ㅂ) 그런데 에이전트가 쇼핑을 돕는 수준을 넘어서 대신 하는 수준이 되면 이 구조가 바뀝니다. 지금까지는 소비자가 "유모차를 사야겠다"고 생각하면 아마존에 들어가 검색창에 제품명을 입력하고, 검색 결과와 광고/리뷰들을 살펴본 뒤 상품을 구매했습니다. 그런데 앞으로는 Muse에게 "500달러 이하에서 신생아가 쓰기 좋고 접기 편한 유모차를 찾아서 사줘"라고 말할 수 있습니다. Muse가 아마존, 쇼피파이 판매자, 브랜드 자사몰을 돌아다니면서 가격과 배송조건, 리뷰를 비교한 뒤 최적의 상품을 골라준다면 소비자가 아마존의 검색결과 화면을 볼 이유가 없어집니다.

  2. 원문 구간 2

    그리고 3P 셀러들에게 붙이던 수수료도 취하기가 어려워집니다. 원래는 계약 성사 시 15~30% 가량 수수료를 붙이던 구조였는데 이제는 에이전트가 똑같은 상품이니 브랜드에서 운영하는 자사몰쪽으로 구매할 개연성이 높기 때문입니다. 아마존을 통하는 물량 자체가 줄어들면 물류 시스템의 성격도 바뀔 수 있습니다. (ㅅ) 결과적으로 커머스의 프론트엔드는 Muse나 기타 에이전트들이 가져가고, 아마존처럼 이커머스 기업들은 백엔드 공급자 중 하나가 되는 것입니다. 그리고 아예 백엔드에만 집중하는 물류 기업이 나올 개연성도 높습니다.

3
사실·구조, 해석·전망, 시점 관찰, 판단 방법

지식·관점

사건 밖에서도 다시 참고하거나 다른 자료와 비교할 가치가 있는 내용을 대상과 반복 가능한 논점으로 묶습니다.

사실·구조AI 연구소의 모델 개발 과정주 대상 · 산업·업종 · AI 연구소

사전학습·강화학습·정렬·출시는 어떤 순서로 연결되는가?

이 자료가 더한 내용

모델 개발을 사전학습으로 기본 모델을 만들고 강화학습·후학습, 정렬, 출시로 이어지는 과정으로 설명한다. 체크포인트와 강화학습 모델을 바탕으로 더 작은 모델을 학습시키는 예시도 든다.

근거 보기 3
  1. 원문 구간 1

    - 📉약세 : 에너지, 필수소비, 유틸리티 ​ 📩 메이저 뉴스 빅테크/AI Labs: ​ (1) 최근 AI Labs들의 루머와 개인적인 생각들을 쭉 정리해봅니다. 단일 소스에서 언급하는 경우 말고 이전에 루머를 말했는데 나름 잘 맞았던 소스들 여럿에서 동시에 언급하는 것들을 바탕으로 정리해봤습니다. 연구소들이 내부적으로 다루는 모델이 많아지다보니, 이것도 한 번 모아봐야겠다 싶었습니다: 앤스로픽이 이번 주 Opus 5.5를 출시한다는 루머(미국시간 화요일 언급)가 있습니다. 오픈AI는 Opus 5.5 출시에 맞춰 같은 날 GPT-6 Sol과 Luna를 출시한다는 루머가 있습니다. 오픈AI 내부에서 GPT-6.1 Astra RL run과 병행으로 진행되고 있습니다.

  2. 원문 구간 2

    오픈AI 내에서는 Shallotpeat(2025년 가을에 진행했던 프로젝트) → Garlic(GPT-5.2 Pre-train 체크포인트 코드명, 여기에서 Pre-train 관련 문제들 상당 수 해결) → Spud(GPT-5.5 Pre-train 체크포인트 코드명) → Doug(GPT-6 Astra Pre-train 체크포인트 코드명) → Bel(현재 오픈AI가 내부적으로 다루고 있는 새로운 Pre-train 체크포인트 모델 코드명)을 따라서 체크포인트 모델을 관리하고 있는데, 이후의 체크포인트 모델을 새롭게 붙일 수 있을 모델이 생겨서 별명을 붙일지 말지 논쟁이 있습니다. 모델 개발은 (ㄱ) Pre-training을 통해 Base Model 구축 → (ㄴ) RL/post-training → (ㄷ) 정렬 → (ㄹ) 실제 출시 과정으로 진행됩니다.

  3. 원문 구간 3

    예를 들어, Spud를 가지고 GPT-5.5를 출시하고 Spud의 RL을 더 극한까지 끌어올려 GPT-5.6 Sol을 출시하고 이를 더 작은 모델들로 학습시켜 Terra, Luna를 만드는 식입니다. 앤스로픽은 Mythos/Fable 5.5 Pre-train 체크포인트 모델을 내부적으로 다루고 있는데, 오픈AI의 GPT-6.1 Astra 내부용 버전이 더 우세하다는 얘기가 많습니다. 이번 주 주간전략보고에서 전해드린 최근 AI Labs 판에 대한 생각과 함께 읽으시면 더욱 도움이 되실 것 같습니다. RL의 왕(오픈AI)가 Pre-training까지 연달아 성공하면서 Bel에 이어 차세대 코드명을 붙일지 말지를 고민하는 수준에 이르렀기에 오픈AI 리드가 계속될 것으로 예상합니다.

해석·전망개인용 AI 에이전트의 컴퓨팅 수요주 대상 · 기술·제품 · AI 에이전트관련 대상 · 기업·종목 · AMD관련 대상 · 기업·종목 · 인텔

개인용 AI 에이전트 확산은 CPU·메모리·스토리지 수요와 어떻게 연결되는가?

이 자료가 더한 내용

여러 앱 실행, 검색, 이메일 처리, API 호출이 개인용 에이전트의 중심 작업이므로 CPU 수요 변화가 크고, 사용자 데이터를 오래 저장할수록 DRAM과 eSSD 수요도 높아질 수 있다고 본다.

근거 보기 4
  1. 원문 구간 1

    에이전트가 생각하는 과정에서 GPU 수요도 높아지긴 하지만, 특히 개인용 에이전트 같은 경우는 여러 앱들을 실행하는 수요가 커지는 것이라서 CPU 수요의 변화가 가장 큽니다. 사용자를 대신해 브라우저를 실행하고 수십~수백 번 검색하거나 이메일을 처리하고 여러 API를 호출하는 과정이 메인인지라 CPU 중심 워크로드가 늘어나는 것입니다. CPU 자체로 순풍인 기업은 AMD가 가장 큽니다. 그 다음은 인텔입니다. 둘 중에서는 AMD를 더 선호합니다. AMD의 CY27 PER은 30배 초중반 정도입니다. 인텔의 CY27 PER은 40배 정도입니다. EMIB도 나름 잘 자리잡아가고 있고, CPU 붐이 생각보다 더 커지면서 인텔도 올해 말이나 어느 시점에는 성장성 대비 밸류로 괜찮은 수준에 도달할 수도 있겠다 싶습니다.

  2. 원문 구간 2

    가장 중요한 건 인텔의 선단공정 파운드리가 경쟁력을 갖는 시점이 언제일 것이냐입니다. 다 좋지만 이 부분은 아직 미지수입니다. 예전에 Agentic AI 실행을 위한 CPU 수요가 늘었을 때의 대응과 같습니다. 어쩌면 생각보다 다시금 LTA 물량을 제외한 가격상승이 생길 수도 있겠다고(물론 이전처럼 화끈하게 오르진 않겠지만) 생각하고, 기본적으로는 메모리 Phase 2 랠리를 앞당겨줄 촉매로 생각하고 있습니다. LTA 할당까지 끝나고 CY27에 대한 AI 가속기와 CPU 물량이 대부분 정해졌던 현 상태에서 다시금 수요-공급의 밸런스가 초과수요쪽으로 기우는 사건으로 보고 있습니다. Agentic AI CPU는 기존 CPU보다 더 많은 칩당 메모리 용량을 요구하게 될 것으로 예상하며, 출하량이 늘어날수록 DRAM 수요를 높이는 요인이라고 생각합니다.

  3. 원문 구간 3

    여기서의 특징은 '개인용' 에이전트의 성능은 기본적으로 사용자를 둘러싼 데이터를 더 많이, 그리고 더 오랫동안 저장해둘 필요성이 높아진다는 데 있습니다. 개인적이려면 나에 대해서 더 많이 알수록 더 깊은 제안을 할 수 있습니다. 이게 메타가 지금까지 잘됐던 이유입니다. 오늘은 특이하다고 생각하지만 eSSD 수요를 크게 끌어올릴 촉매로 보고 있습니다. eSSD 수요는 특히 지금의 In-Context Learning 수준을 넘어서 → Continual Learning으로 넘어가면서 크게 증가할 것으로 예상합니다. 앞으로 AI Labs들이 어떤 연구를 할지에 대해서는 7월 27일 주간전략보고에서 전해드린 량원펑 4시간 대담 요약을 읽으시면 도움이 되실 겁니다.

  4. 원문 구간 4

    지속적 학습은 시스템이 기존에 학습한 데이터를 유지하면서 새로운 정보를 지속적으로 통합하는 길이므로 eSSD 수요를 끌어올릴 개연성이 높습니다. 과거의 데이터를 보존하고 검색할 일이 많아지는 것입니다. Near-GPU Storage는 QLC 수요와 관련될 것으로 예상합니다. ​ (2) Wedbush에서 아시아에서 1주 + 실리콘밸리에서 1주 출장 후 시사점을 정리했습니다 *첨부자료 1*: 메모리: 4Q26에도 DRAM과 NAND 모두 계약가가 10~20% 상승할 것으로 예상합니다. 가속기랑 HBM 탑재량을 줄이는 설계는 HBM/DRAM 사용을 줄이는 설계로서 논의되는 것이 아니라, HBM/DRAM 공급 제약에 따른 절충안으로 논의되고 있습니다.

사실·구조NPO·CPO 광학 연결 구조주 대상 · 기술·제품 · 광학 인터커넥트

NPO와 CPO는 삽입손실과 전력·제조 조건을 어떻게 다르게 다루는가?

이 자료가 더한 내용

고속 전기신호의 삽입손실을 줄이기 위해 광 엔진을 ASIC 가까이에 두는 방향을 설명한다. NPO는 모듈형으로 교체·제조 유연성을 높이고, CPO는 더 낮은 전력 효율을 지향하지만 통합 패키징의 수율·신뢰성 난제가 크다고 정리한다.

근거 보기 4
  1. 원문 구간 1

    셈텍의 CopperEdge가 ACC를 넘어서 지금보다 훨씬 시장규모가 큰 쪽으로 적용되려면 온보드 선형 이퀄라이저 채택이 늘어야 하는데, 최근 2개 분기 동안 온보드 CopperEdge 채택이 더 광범위해진 것을 고려할 때 기대해볼만 하다고 보고 있습니다. 미디어텍 TPU가 SiGe 공정을 이용한 아날로그 증폭기로 신호를 처리하고 있는 상태이고, LPO/NPO에도 셈텍의 제품이 기술표준 수준으로 광범위하게 채택되어 있습니다. 셈텍의 NPO/LPO에 대한 리레이팅 여지가 크다는 부분에 대해서는 이번 주 주간전략보고에서 CIOE 2026, Huawei Connect 2026 리뷰를 통해서 전해드린 바 있습니다. 이게 기본적으로 고속 전기신호가 ASIC → 패키지 → PCB 구리배선 → Via → 커넥터 → 전면 패널 광모듈에 도달하려면 고주파수에서 채널 삽입손실(insertion loss)을 관리하기가 점점 더 어려워집니다.

  2. 원문 구간 2

    그러면 강력한 선형 이퀄라이저를 채택하거나 DSP/리타이머를 통해 손실 일부를 보상할 수는 있습니다. 다만 여기서 DSP 등 디지털로 신호를 복원하다보면 시스템 전력 소비가 크게 증가하기 때문에 아예 ASIC과 전기-광 변환 지점 사이의 전기적 거리를 줄이고자 하는 것이 NPO/CPO의 본질적인 방향입니다. 삽입손실​(Insertion Loss)​은 쉽게 말하면 신호가 전송 경로를 지나면서 얼마나 약해지는지(감쇠)를 나타내는 값입니다. ASIC에서 출발한 전기신호가 PCB 구리배선, Via, 커넥터 등을 통과할수록 신호의 에너지가 조금씩 줄어드는데, 그 정도를 dB로 표시합니다. 삽입손실이 작을수록 신호가 원래 세기를 잘 유지한다는 뜻이고, 값이 커질수록 수신단에 도착하는 신호가 더 약해집니다.

  3. 원문 구간 3

    NPO는 광 엔진(Optical Engine)을 ASIC에 가깝게 붙이되 교체 용이성, 제조 유연성을 높이기 위해서 모듈형으로 붙이는 구조이고, CPO는 ASIC 패키지 주변부에 광 엔진을 같이 패키징해서 pJ/bit를 더 낮추는 방향입니다. 문제는 CPO를 하면 제조 공정이 상당히 복잡해집니다. 스위치 ASIC, EIC, PIC, 레이저, 광섬유 연결부, 기판, 커넥터 및 열 솔루션이 동일한 패키지 생태계에 통합되면 각 구성 요소의 수율, 정렬 정확도 및 신뢰성이 전체 시스템의 경제성과 신뢰성에 영향을 미칠 수 있어서 그렇습니다. 그래서 화웨이는 유지보수성, 제조 수율 및 실제 배포 시 비용, 개방형 생태계 구축 가능성 등을 고려할 때 NPO가 최종적인 진화 형태일 것이라고 주장하고 있습니다.

  4. 원문 구간 4

    부품으로 들어가는 것 자체는 똑같아서 커버하고 있는 기업들 입장에서 달라지는 건 NPO냐 CPO냐 상관은 없습니다. 개인적으로 이걸 따로 정리한 이유는 생각보다 NPO가 CPO로 가기 위한 브릿지 기술이 아닐 수 있음을 정리하기 위함입니다. ​ (5) 딥시크가 미국의 엔비디아 수출통제에 대응하기 위해 추론뿐만 아니라 프론티어 모델 사전학습까지 화웨이 Ascend로 옮기는 데 본격적으로 베팅하고 있습니다: 량원펑이 최근 투자자 미팅에서 "중국산 칩으로 모델을 훈련하는 것이 회사의 가장 큰 베팅 중 하나이며 반드시 성공해야 한다"고 말했습니다. 작년쯤부터 Ascend를 활용한 여러 연구를 진행해왔는데 이를 좀 더 대담한 드라이브로 공식화한 것입니다.

판단 방법USDC 유통량주 대상 · 시장·자산 · USDC

USDC 유통량 변화에서 결제 기반 성장과 거래 예탁금 변동을 어떻게 구분하는가?

이 자료가 더한 내용

유통량의 횡보 탈출 기준을 월간 20% 이상 성장세가 1주 유지되는지로 두며, 현재 변동은 BTC·USDC와 ETH·USDC 페어 트레이딩 예탁금 영향이 커 결제 사용 증가로 보기 어렵다고 설명한다.

근거 보기 2
  1. 원문 구간 1

    USDC 유통량 자체는 거의 1년간 횡보 중입니다. 횡보를 뚫는 기준은 MoM 기준 20% 이상의 성장세를 1주간 유지하는가입니다. 오늘 주간 기준 +1.77%, 월간 기준 +2.88% 수준입니다. 지금은 Crypto Pair Trading(e.g. BTC/USDC, ETH/USDC 등)을 위한 예탁금으로 인해서 USDC 유통량이 바뀌는 게 가장 큽니다. 그래서 크립토가 오르면 USDC 유통량이 일시적으로 오르고 합니다.

  2. 원문 구간 2

    아직 스테이블코인 결제가 더 쓰인다거나 하는 요소로 펀더멘탈이 바뀌는 것은 아닙니다. ​ (3) 피겨 테크의 주간/월간 잠정 영업 지표를 여기서 확인하실 수 있습니다. 저희의 생각을 담아서 랩을 운용하고 있습니다 메리츠증권 : https://naver.me/xQiZ5UHt SK증권 : https://naver.me/FlcOtVGm

4

시간흐름대로 모든 내용을 살려 정리

시간흐름대로 모든 내용을 살려 정리

1
도입과 시장

안녕하세요 올바른입니다. 2026년 9월 22일 화요일 데일리 전해드립니다. 나스닥이 2.26% 올라 지수 상승을 이끌었고, 반도체·커뮤니케이션·테크·적자성장주가 강한 반면 에너지·필수소비·유틸리티는 약했습니다.

2
투자자문 고지

주간전략보고 연결 자료와 투자자문 계약 고지를 먼저 둡니다. 투자에는 원금 손실 가능성이 있고 손익 책임은 고객에게 있으며, 과거 수익이 미래 수익률을 보장하지 않는다고 안내합니다.

3
AI 연구소 루머

최근 AI Labs 루머를 단일 소스가 아니라 이전 적중 사례가 있는 여러 소스의 중복 언급을 기준으로 모았습니다. 이번 주 앤스로픽 Opus 5.5, 같은 날 오픈AI GPT-6 Sol·Luna 출시 루머가 있습니다.

4
오픈AI 내부 코드명

오픈AI는 Shallotpeat에서 Garlic, Spud, Doug, Bel로 이어지는 사전학습 체크포인트를 관리한다고 합니다. 이후 모델을 붙일 새 코드명을 둘지 논쟁할 정도로 내부에서 다루는 모델이 많아졌다는 이야기입니다.

5
모델 개발의 순서

모델 개발은 사전학습으로 기본 모델을 만들고, RL·후학습과 정렬을 거쳐 실제 출시하는 과정입니다. Spud로 GPT-5.5를 내고 RL을 더 강화해 GPT-5.6 Sol을 내며 작은 모델을 학습시키는 식입니다.

6
오픈AI 리드 판단

앤스로픽은 Mythos/Fable 5.5 체크포인트를 다루지만 오픈AI의 내부 GPT-6.1 Astra가 더 우세하다는 말이 많습니다. RL의 왕이 사전학습까지 연달아 성공했기에 오픈AI 리드가 계속될 것으로 예상합니다.

7
Grok 4.7 출시

스페이스X가 Grok 4.7을 출시했고 Terminal-bench 4.0 점수는 38.0%입니다. GPT-5.6 Sol과 Muse Spark 1.3보다 높은 것은 개선이 맞지만, 곧 나올 여러 차세대 모델을 생각하면 성능 개선 정도가 아주 크지는 않습니다.

8
모델 성능과 가격

저가형 모델이라 수요는 받을 수 있지만 MSL과 xAI가 Tier 2 연구소와 격차를 벌려 3위 자리에 안착하기에는 부족해 보입니다. 9월 22일 벤치마크와 API 가격표를 함께 두고 Muse Spark 차세대 모델을 기대해봅니다.

9
Muse 초기 확산

오늘은 메타 개인용 AI 에이전트 Muse 효과를 생각해볼 거리가 많습니다. 메타를 Overweight으로 상향합니다. Muse는 초대식인데도 앱스토어 1위와 95% 페이스북·인스타그램 교차 사용률을 보이고 있습니다.

10
다운로드와 사용 사례

Sensor Tower 기준 9월 19일 미국 일일 다운로드는 26.4만 건, 출시 10일 만의 DAU는 44.8만 명입니다. FundaAI 사용 사례에서는 절약·환불·개인금융, 업무, 행정 대체가 많아 Life Admin이라는 새 사용 사례를 만들고 있다고 봅니다.

11
직접 움직이는 에이전트

Muse는 통신비를 낮추려고 AT&T나 Verizon에 전화하고 항공권·호텔도 직접 예약합니다. 절감액 계산이 가능한 49건에서 연환산 절감액은 3만5,426달러, 건당 평균 723달러였다고 합니다.

12
구매 의도 데이터

Muse가 자리잡으면 메타가 구글 광고시장 파이를 가져올 가능성이 높습니다. 구글은 검색어로 의도를 읽지만, Muse가 이메일·캘린더·브라우저에 연결되면 여행 목적지와 예산 같은 조건까지 알 수 있다는 것입니다.

13
광고에서 거래로

Muse는 구매를 직접 수행하므로 광고비뿐 아니라 커머스 수수료 가능성도 생깁니다. 리드가 긴 자동차·교육·법률 산업에서는 상담이나 구매 직전 단계까지 고객을 데려오면 수수료 계약도 가능하다고 봅니다.

14
메타의 에이전트 구조

메타는 Muse가 소비자 니즈를 파악하고 판매자의 Meta Business Agents가 네고하며 WhatsApp으로 소통해 거래를 성사하는 구조를 준비했습니다. Muse는 무료로 빠르게 장악하고 판매자 쪽에서 수익화하려는 그림입니다.

15
구글 영역의 이동

메타는 Discovery, 광고, 리타겟팅, 구매에 강했지만 Muse가 필요 파악부터 탐색·비교·협상·구매·고객관리까지 확장할 수 있습니다. 구매 의도를 다루던 구글 영역을 직접 갖는 일이니 구글에는 큰 위협이 됩니다.

16
CPU 수요

Muse 같은 개인용 에이전트가 확산되고 오픈AI·구글도 제품을 내면 컴퓨트 수요가 급증할 수 있습니다. 여러 앱 실행과 검색·메일 처리·API 호출이 중심이라 GPU도 늘지만 CPU 수요 변화가 가장 크다고 봅니다.

17
AMD와 인텔

CPU 순풍 기업은 AMD가 가장 크고 그다음이 인텔이며 AMD를 더 선호합니다. 인텔은 EMIB가 자리잡고 CPU 붐이 커지면 밸류가 나아질 수 있지만, 선단공정 파운드리 경쟁력 시점은 아직 미지수입니다.

18
메모리와 eSSD

CPU 수요 증가는 메모리 Phase 2 랠리의 촉매가 될 수 있고 Agentic AI CPU는 칩당 메모리 용량을 더 요구할 것으로 봅니다. 개인용 에이전트는 사용자를 더 많이·오래 알아야 하므로 eSSD 수요를 끌어올릴 촉매라고 생각합니다.

19
지속적 학습

In-Context Learning을 넘어 지속적 학습으로 가면 기존 데이터를 보존하고 새 정보를 계속 통합해야 합니다. 과거 데이터를 저장하고 검색할 일이 많아지는 만큼 Near-GPU Storage와 QLC 수요에도 연결될 수 있습니다.

20
공급망 점검

Wedbush는 4Q26 DRAM과 NAND 계약가가 10~20% 오르고, HBM·DRAM 사용을 줄이는 설계는 공급 제약의 절충안이라고 전합니다. 서버 OEM은 eSSD 확보에 계속 어려움을 겪고, AMD는 CY27까지 공급 요구를 높인다고 합니다.

21
리드타임과 TPU

TrendForce 리드타임은 GPU 30~40주, DRAM 20주, eSSD 16주, HDD 50주, ABF 48~56주입니다. 구글 TPU v9의 두 디자인을 미디어텍이 땄고 6D Torus와 OCS 채택 확대가 셈텍·루멘텀에 강세라는 해석입니다.

22
CopperEdge 채택

CopperEdge가 더 큰 시장으로 가려면 온보드 선형 이퀄라이저 채택이 늘어야 합니다. 최근 두 분기 채택이 넓어졌고, 미디어텍 TPU의 아날로그 증폭기와 LPO·NPO 채택을 기대 근거로 듭니다.

23
삽입손실

고속 전기신호는 ASIC, 패키지, PCB, Via, 커넥터를 지나며 약해집니다. 삽입손실은 그 감쇠를 dB로 나타낸 값이고, 손실을 보상하려 DSP·리타이머를 쓰면 전력소비가 커지는 문제가 있습니다.

24
NPO와 CPO

NPO는 광 엔진을 ASIC 가까이에 모듈형으로 붙여 교체·제조 유연성을 높이고, CPO는 ASIC 주변에 함께 패키징해 pJ/bit를 더 낮춥니다. 다만 CPO는 수율·정렬·신뢰성이 모두 경제성에 영향을 주어 제조가 복잡합니다.

25
NPO의 위치

화웨이는 유지보수성·수율·배포비용·개방형 생태계를 고려해 NPO가 최종 진화 형태일 수 있다고 주장합니다. 부품을 공급하는 기업에는 NPO냐 CPO냐가 본질적 차이는 아니며, NPO가 단순 브릿지가 아닐 수 있다는 정리입니다.

26
딥시크와 Ascend

딥시크는 엔비디아 수출통제에 대응해 추론뿐 아니라 프론티어 모델 사전학습도 화웨이 Ascend로 옮기는 데 베팅합니다. 중국산 칩 훈련이 반드시 성공해야 할 큰 베팅이라는 량원펑 발언을 전합니다.

27
모델 규모 확대

딥시크는 4Q26~1Q27 새 화웨이 훈련용 칩을 먼저 받을 것으로 예상하고, 1.4T 파라미터 V4와 2T 훈련 모델에서 앞으로 8T까지 계획을 밝혔습니다. 효율 강조를 넘어 스케일링 경쟁에 참여하기 시작했다는 평가입니다.

28
인텔 14A

인텔은 CY27 PER 약 40배로 보며 Intel 18A의 HBM base die 협력, 14A의 애플·아마존·테슬라 초기 논의를 짚습니다. 14A risk production은 2Q27, 양산은 1Q28이라는 일정입니다.

29
파운드리 조건

립부탄은 확정 계약 뒤 대규모 확장을 승인하겠다고 했고, 2026년 8월 증자 확대도 신호로 봅니다. TSMC가 CY28까지 포화이고 공급망 압박이 있는 만큼 14A가 되면 인텔이 AI 가속기 생산의 대안이 될 수 있습니다.

30
사이버보안 고민

Citi 애널리스트가 비슷한 문제의식을 냈습니다. 포티넷 외 사이버보안 기업은 CRWD·OKTA 내러티브와 달리 매출 성장세가 느려지고, 오픈AI·앤스로픽이 직접 보안 서비스를 하는데 수혜인지 고민해야 한다는 내용입니다.

31
전력 수요

모건스탠리는 CY26~CY28 미국 데이터센터 추가 전력 수요를 68GW에서 97GW로 올렸습니다. 건설 중 데이터센터와 확보 가능한 전력망을 빼도 부족분은 57GW, 여러 발전원을 감안해도 약 33GW가 부족하다고 합니다.

32
투자비와 제번스 역설

Blackwell에서 VR300으로 갈수록 데이터센터 1GW CapEx는 늘지만 TFLOPS당 투자비는 74% 낮아집니다. 토큰 비용이 내려가면 더 복잡한 업무와 사용 사례가 열려 다시 컴퓨트·전력 수요를 높이는 제번스의 역설로 봅니다.

33
오라클 프로젝트

지난주 금요일 오라클 Project Jupiter 관련 노이즈가 있었지만 우려할 일은 아니라고 봅니다. 이전 업데이트부터 불확실성이 빠르게 해소되는 쪽으로 프로젝트가 추진된다는 판단을 유지합니다.

34
구글 광고

mScience는 월드컵과 일찍 온 프라임데이로 2Q 강세 뒤 광고지출이 정상화되면 구글 유튜브·네트워크 광고 성장속도가 약간 느려 보일 수 있다고 코멘트했습니다.

35
아마존 접근 차단

Muse가 잘되기 시작하자 아마존이 Amazon.com 접근을 차단했습니다. Muse의 확산이 커머스에 주는 함의를 생각하며 씨리미티드와 도어대시 평가는 Neutral로 낮춥니다. 실적 영향까지는 시간이 남았다는 단서도 둡니다.

36
소비 계획의 본질

여행·쇼핑 비교를 ChatGPT에 시켜보니 계획과 소비는 결국 누군가의 리뷰를 읽고 평가하는 일이라는 생각이 들었습니다. 식당 사진, 좌석 간격처럼 사람이 직접 찾기 번거로운 정보도 짧고 다각도로 잘 본다는 경험입니다.

37
고객 여정 변화

지금 시대의 계획과 소비는 누군가의 발자취를 보는 일이어서 AI가 Customer Journey Map을 바꾸는 과정이 파괴적일 수 있습니다. 앱 완성도와 신뢰는 중요하지만 기본 흐름이 달라질 수 있다는 문제의식입니다.

38
아마존 플라이휠

이커머스 순이익률은 1~5%로 낮고 Amazon’s Flywheel은 최저가, 고객경험, 트래픽, 판매자, 구색, 비용구조가 다시 최저가로 이어지는 구조입니다. 커머스 기업은 락인마다 FBA·수수료·광고를 붙여 마진을 높여왔습니다.

39
구매 의도라는 자산

개도국 이커머스는 물류와 금융을 함께 구축하며 결제·신용·대출·자산관리로 넓어졌습니다. 아마존의 더 큰 자산은 구매 의도가 있는 사람이 가장 먼저 들어오는 습관이고, 그 트래픽 때문에 판매자가 광고비를 냈다는 것입니다.

40
에이전트의 대리 구매

에이전트가 유모차 가격·배송·리뷰를 아마존, 쇼피파이 판매자, 브랜드몰에서 비교해 대신 사면 소비자는 아마존 검색화면을 볼 이유가 없습니다. 3P 수수료도 브랜드 자사몰로 주문이 가면 취하기 어려워지고 물류 성격도 바뀔 수 있습니다.

41
프론트엔드 이동

커머스 프론트엔드는 Muse 등 에이전트가, 이커머스 기업은 백엔드 공급자가 될 수 있습니다. 제조업자가 에이전트 기업과 가치를 나누며 전방통합하고, 유통·마케팅의 복잡한 일을 에이전트를 통해 처리할 가능성을 생각해봅니다.

42
쇼피파이와 자사몰

코딩과 개인용 에이전트가 발전할수록 아마존닷컴에서 쇼피파이, 기업의 직접 브랜드몰 구축으로 흐를 수 있습니다. 쇼피파이는 유통 채널을 추가하는 효과가 있지만 결제 API와 웹 구축이 쉬워지면 수수료를 줄인 자사몰이 선택지가 됩니다.

43
운영지표와 USDC

트랜스메딕스 3Q 비행은 2,549건, 일간 데이터는 30건 증가했고 일평균은 30.71건입니다. USDC 유통량은 757.3억달러, CCTP 30일 전송량은 205억달러이며 유통량은 거의 1년 횡보했습니다.

44
USDC 판단 기준

USDC가 횡보를 뚫는 기준은 월간 20% 이상 성장세가 1주 유지되는가입니다. 이번 주 1.77%, 월간 2.88%이고 지금 변화는 크립토 페어 트레이딩 예탁금 영향이 커서 결제 펀더멘털 변화는 아니라고 봅니다.

45
마무리

피겨 테크의 주간·월간 잠정 영업 지표를 확인할 수 있다고 안내합니다. 저희의 생각을 담아서 랩을 운용하고 있습니다.

5

그럼에도 빠진내용 정리

잡담·곁다리 내용
  • 첨부자료의 비텍스트 정보와 외부 링크 본문은 분석하지 않았다.
생략 기록
  • 첨부 이미지의 세부 수치와 외부 링크의 별도 본문은 현재 보존 원문에 확인되지 않아 해석하지 않았다.

그럼에도 빠진내용 정리

첨부자료
본문에 표시된 첨부자료의 이미지·표는 텍스트로 확인되는 설명만 보존했고 별도 판독하지 않았다.
작성자 판단
모델 성능, CPU·eSSD 수요, 인텔·광학·커머스의 전망과 평가는 원문 작성자의 관점으로 구분해 보존했다.
운영 문구
투자자문 고지와 랩 운용 안내는 원문 순서에 맞춰 flow에 남겼다.
원문 확인

document_work_runner prepare가 입력 원문을 수정 없이 보존했다.