오픈소스 모델이 '컴퓨팅 파워 수요'를 죽일까? 모건스탠리가 제시하는 AI의 세 가지 미래

원문 보고서: Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》, 2026년 8월 3일

편역 및 정리: DaiDai, Frank, MSX 마이통 연구원

핵심 요약

오픈 웨이트 모델이 낮추는 것은 단일 호출 비용과 배포 진입 장벽이며, 총 컴퓨팅 수요를 반드시 낮추지는 않는다. AI가 더 많은 기업, 워크플로 및 기기로 확산됨에 따라 호출량 증가가 효율성 향상을 초과하여 전형적인 ‘제본스 역설(Jevons paradox)’을 촉발할 수 있다.
기업은 이미 다중 모델 시대에 진입했으며, 오픈 웨이트 모델은 주로 프로그래밍, 문서 처리, 고빈도 호출 및 특정 영역 작업을 담당하고, 복잡한 추론 및 에이전트 워크로드는 여전히 최첨단 클로즈드 모델에 더 의존한다.
오픈 웨이트가 곧 무료를 의미하지는 않으며, 기업이 절약하는 것은 모델 라이선스 비용이나 일부 API 비용일 수 있지만, GPU, 클라우드 서비스, 자체 전산실, 파인튜닝, 인재, 보안 및 운영 비용은 여전히 부담해야 한다.
클로즈드, 하이브리드, 또는 오픈 웨이트 모델 중 어떤 것이 최종적으로 지배적이 되든, NVIDIA, 현장 전력 및 보안 소프트웨어는 시나리오를 막론하고 비교적 명확한 수혜 방향에 속한다.
오픈 웨이트 모델이 보급될수록, AI 가치 사슬은 기초 모델 계층에서 추론, 라우팅, 오케스트레이션, 관측 가능성, 로컬 인프라, 에지 디바이스 및 수직 응용 분야로 확산될 가능성이 높아진다.

일정 기간마다 AI 시장은 한 번씩 ‘효율성 공포’를 겪는 듯하다.

모델 파라미터가 작아지고 추론 비용이 하락하거나, 어느 모델 회사가 더 적은 칩으로 최첨단에 근접한 성능을 달성할 때면, 시장은 즉시 직관을 형성한다. 동일한 작업을 완수하는 데 필요한 컴퓨팅 자원이 점점 줄어든다면, GPU, 데이터센터 및 전력 수요도 정점에 도달하는 것이 아닌가?

Kimi K3, DeepSeek V4 Flash 정식 버전 등 차세대 오픈 웨이트 모델의 등장은 이 문제를 다시 시장의 전면에 내세웠다. 이들 모델은 최첨단 클로즈드 모델과의 역량 격차를 좁히려 할 뿐 아니라, 기업이 모델을 다운로드하고, 수정하며, 자율적으로 배포할 수 있도록 허용함으로써, 과거 소수 미국 모델 연구소에 극도로 집중되었던 능력을 더 광범위한 개발자 및 기업 기술 스택으로 확산시킨다.

그러나 모건 스탠리가 최신 보고서에서 제시한 답은 이러한 직관과 정반대이다.

모델 효율성 향상이 반드시 컴퓨팅 수요를 사멸시키는 것은 아니며, AI를 충분히 저렴하게 만들어 과거에는 AI를 사용할 가치가 없었던 시나리오로 진입하게 함으로써, 궁극적으로 전체 호출량을 끌어올릴 가능성이 더 크다.

이를 바탕으로, 진정으로 다시 논의해야 할 것은 컴퓨팅이 어디에서 발생하고, 누가 제공하며, 이러한 확산으로부터 수익을 얻을 수 있는 회사는 어디인지로 바뀐다.

1. 더 저렴한 모델이 왜 더 많은 컴퓨팅을 소비할 수 있는가?

오픈 웨이트 모델이 가장 불러일으키기 쉬운 오해 중 하나는 ‘모델 비용 하락’을 곧바로 ‘인프라 수요 감소’와 동일시하는 것이다.

그러나 대다수 기업에게 AI 도입 여부는 모델이 한 번의 작업을 완수하는 데 필요한 컴퓨팅 양뿐 아니라, 창출되는 수익이 모델, 엔지니어링 및 인프라 비용을 충당할 수 있는지에 달려 있다.

모건 스탠리가 인용한 추정에 따르면, 기업 AI 작업 하나가 평균적으로 약 55달러의 수익을 창출하는 반면, 직접 비용은 약 2~5달러에 불과하며, 데이터, 엔지니어링, 보안 및 관리 비용을 고려하더라도 이러한 수익 대비 비용 비율은 여전히 대량의 기업 워크플로가 아직 AI화되지 않았음을 의미한다.

이러한 상황에서 모델 가격 인하가 초래하는 결과는 기업의 AI 지출 감소가 아니라, 더 많은 작업이 경제적 타당성의 문턱을 넘게 되는 것일 수 있다.

과거에는 기업이 가장 중요하고 가치가 높은 작업만을 AI에 맡겼을 것이다. 그러나 추론 가격이 계속 하락하면, 고객 서비스 기록 분류, 계약 검토, 코드 테스트, 상품 설명, 기업 검색, 마케팅 소재, 데이터 정제, 나아가 내부 승인까지 모델 워크플로에 포함될 수 있다.

작업별로 필요한 컴퓨팅 자원은 감소할 수 있지만, 작업 건수, 실행 빈도 및 사용자 규모는 동시에 확대될 것이다.

이것이 바로 보고서에서 반복적으로 언급하는 ‘제본스 역설’이다. 어떤 자원의 사용 효율이 높아지고 단위 비용이 하락하면, 응용 범위가 급속히 확대되어 총 소비량이 오히려 증가할 수 있다는 것이다.

예를 들어, 자동차 연비가 좋아졌다고 해서 전 세계 석유 수요가 사라지지 않았고, 네트워크 대역폭이 점점 저렴해진다고 해서 데이터 트래픽이 줄어들지 않았다. 이와 유사하게, 더 효율적인 모델이 GPU 사용을 반드시 줄이지는 않으며, 오히려 AI를 소수의 고부가가치 작업에서 기업 내 어디에나 존재하는 기본 역량으로 변모시킬 수 있다.

현재 이러한 확산은 이미 발생하기 시작했다.

보고서가 인용한 McKinsey 설문조사에 따르면, 응답 기업의 63%가 이미 기술 스택에서 오픈 모델을 사용하고 있지만, 대다수 기업은 클로즈드 모델을 완전히 포기하지 않고 두 가지를 조합하여 사용한다. 오픈 웨이트 모델은 주로 프로그래밍, 문서 분석, 고빈도 호출 및 특정 영역 작업에 사용되며, 최첨단 클로즈드 모델은 계속해서 복잡한 추론, 높은 신뢰성이 요구되는 작업, 그리고 표준화하기 더 어려운 작업을 담당한다.

2026년 2월부터 7월까지, 미국 기업이 OpenRouter를 통해 중국 오픈 모델로 라우팅한 토큰 비율은 일시적으로 30%를 초과했다. 이 데이터는 개발자와 스타트업에 더 편향되어 대기업의 지출을 직접적으로 대표하지 못할 수 있지만, 최소한 오픈 웨이트 모델이 연구실의 개념에서 실제 호출 및 배포 환경으로 진입했음을 시사한다.

물론, 오픈 웨이트 모델이 ‘무료 모델’을 의미하는 것도 아니다.

기업이 자체 호스팅할 때 모델 제공자에게 토큰당 API 비용을 지불하지 않을 수 있지만, 여전히 GPU를 구매하거나 임대해야 하며, 전산실, 클라우드 서비스, 파인튜닝, 엔지니어링 팀, 보안 및 일상 운영 비용을 부담해야 한다. 이는 모델 제공자나 클라우드 플랫폼이 제공하는 관리형 API를 통해 오픈 웨이트 모델을 사용할 경우, 기업이 여전히 토큰 또는 컴퓨팅 사용량에 따라 비용을 지불할 수 있음을 의미한다.

따라서, 오픈 웨이트가 바꾸는 것은 컴퓨팅 비용의 존재 여부가 아니라, 기업이 어떤 방식으로 컴퓨팅 비용을 지불하는지, 그리고 가치가 모델 제공자, 클라우드 플랫폼, 또는 기업 자체 인프라 중 어디에 귀속되는지이다.

모건 스탠리가 인용한 한 MIT 연구는 클로즈드 모델에서 오픈 모델로 전환할 때 평균 가격이 약 70% 하락하여 매년 소비자에게 약 250억 달러를 절감해 줄 수 있다고 추정한다. 그러나 보고서는 이 연구가 완료된 시점이 비교적 오래되었고, 서로 다른 모델의 능력이 완전히 비교 가능하지 않으며, 엔지니어링, 파인튜닝 및 운영과 같은 숨은 비용을 충분히 반영하지 못했을 수 있다고 특별히 지적한다.

또 다른 Carnegie Mellon 연구에 따르면, 오픈 모델 자체 구축 배포의 투자 회수 기간은 약 3개월에서 6년까지 연장될 수 있으며, 파라미터가 작고 작업이 고정적이며 호출 빈도가 높은 모델은 하드웨어 비용을 비교적 빠르게 상쇄할 수 있다. 반면, 대형 모델과 복잡한 엔터프라이즈급 응용 프로그램은 활용률 부족, 잦은 업데이트, 높은 파인튜닝 비용으로 인해 오랫동안 API보다 자체 구축이 더 저렴하다는 것을 입증하지 못할 수 있다.

따라서, 오픈 웨이트 모델의 경제성에는 획일적인 답이 없다.

이는 모델 규모, 사용 빈도, 인프라 활용률, 기업의 엔지니어링 역량, 그리고 데이터가 반드시 로컬에 머물러야 하는지에 따라 달라진다. 모델이 개방적일수록 기업이 가진 선택지는 많아지지만, 감당해야 할 기술적 책임도 함께 늘어난다.

2. 다음 단계, 컴퓨팅은 어디서 발생하는가?

만약 AI의 미래가 소수의 클로즈드 모델에 의해서만 지배된다면, 훈련과 추론은 대규모 클라우드 플랫폼과 초대형 데이터센터에 계속 집중될 것이다.

그러나 오픈 웨이트 모델이 더 광범위하게 채택된다면, AI 컴퓨팅은 사라지지 않고 소수의 중심 노드에서 프라이빗 클라우드, 기업 전산실, 주권적 데이터센터, 에지 서버 및 개인 기기로 더욱 확산될 것이다.

이는 시장이 주목해야 할 변수가 '몇 개의 GPU가 필요한가'에서 'GPU가 어디에 배포되고 누가 관리하며 어떻게 호출되는가'로 전환됨을 의미한다.

클로즈드 모델 시대에는 기업이 API에 접속하고 토큰 기준으로 비용을 지불하며, 모델 업데이트, 인프라, 안전 정렬 및 일부 법적 책임을 제공자에게 맡김으로써 대부분의 복잡성을 모델 회사에 아웃소싱할 수 있었다.

다중 모델 시대에 접어들면서 이러한 단순한 구조가 깨지기 시작한다.

기업은 가장 복잡한 작업은 최첨단 클로즈드 모델에, 빈도가 높고 비용에 민감한 작업은 오픈 웨이트 모델에 맡길 수 있다. 민감한 데이터는 로컬에 두고, 일반 워크로드는 퍼블릭 클라우드에서 실행하며, 일부 요청은 데이터센터에서 처리하고, 일부 요청은 PC, 휴대폰 또는 기타 에지 기기에서 직접 처리한다.

모델 수가 많아지고 배포 위치가 분산될수록, 기업 AI 기술 스택도 더욱 복잡해진다.

먼저 게이트웨이 계층이다. 기업은 다양한 모델의 신원 인증, 호출 권한, 속도 제한, 로그 기록 및 공급업체 장애 전환을 관리할 통합된 진입점이 필요하다.
다음은 라우팅 계층이다. 시스템은 정확도, 지연 시간, 비용, 데이터 민감도 및 작업 난이도에 따라 각 요청을 가장 적합한 모델에 할당해야 한다.
이어서 오케스트레이션 계층이다. 복잡한 에이전트 워크플로는 일반적으로 여러 모델, 데이터베이스 및 외부 도구의 협력을 필요로 하며, 단일 사용자 요청이 수십 개의 단계와 호출로 분해될 수 있다.
마지막으로 관측 가능성 및 평가 계층이다. 기업은 모델 출력 품질, 응답 지연 시간, 토큰 사용량, 실행 비용, 실패 원인 및 보안 위험을 지속적으로 추적해야 한다.

이것이 바로 오픈 웨이트 모델의 확산이 모델 제공자에게만 유리한 것이 아닌 이유이다.

기초 모델 자체가 더 쉽게 얻을 수 있게 되면, 기업은 '어떻게 모델을 안정적으로 프로덕션에 투입할 것인가'에 대해 더 기꺼이 비용을 지불하게 된다. 모델 게이트웨이, 작업 라우팅, 에이전트 오케스트레이션, 데이터 거버넌스, 관측 가능성 및 보안 소프트웨어는 가치 사슬에서 압축하기 가장 어려운 고리가 될 수 있다.

보안의 중요성이 특히 두드러집니다. 폐쇄형 모델이 중앙 집중식으로 실행될 때는 일부 보안 책임을 모델 연구소와 클라우드 플랫폼이 분담하지만, 개방형 모델이 기업 온프레미스, 프라이빗 클라우드 및 엣지 디바이스에 도입되면 신원, 데이터, 엔드포인트, 모델 가중치, 런타임 환경을 모두 독립적으로 보호해야 합니다.

기업은 직원이 민감 데이터를 잘못된 모델에 전송하지 못하도록 방지해야 할 뿐만 아니라, 각 모델이 어떤 데이터베이스에 접근하고 어떤 도구를 호출할 수 있는지, 그리고 프롬프트 인젝션, 모델 디스틸레이션, 가중치 변조, 권한 남용 등의 위험에 노출될 가능성까지 관리해야 합니다.

모델 배포가 분산될수록 공격 표면은 커지고, 모델 수가 늘수록 거버넌스 비용은 높아집니다.

따라서 오픈 가중치 모델이 실제로 가져오는 것은 AI 인프라 가치의 소멸이 아니라, 가치가 단일 기초 모델과 API 계층에서 점차 전체 시스템 스택으로 확산된다는 점입니다.

미래의 AI 지출은 소수의 빅테크가 슈퍼 훈련 클러스터를 구축하는 모습으로만 나타나지 않을 수 있습니다. 기업의 서버 구매, 네트워크 및 스토리지 업그레이드, 보안 시스템 배포, 프라이빗 AI 플랫폼 구축, 스마트폰과 PC에서 더 강력한 온디바이스 컴퓨팅 구성 등으로도 나타날 것입니다.

컴퓨팅 수요가 중앙 집중형에서 분산형으로 이동한다고 해서 총량이 줄어드는 것은 아니며, 수혜자가 모델 연구소와 대형 클라우드 사업자에만 집중되지 않는다는 뜻일 뿐입니다.

3. AI의 세 가지 세계: 누가 이기든, 컴퓨팅 파워·전력·보안은 필수

모건스탠리는 미래 세 가지 시나리오에 명시적인 확률을 부여하지 않고, 폐쇄형 모델 승리, 하이브리드 아키텍처 공존, 오픈 가중치 모델 승리 각각의 상황에서 AI 생태계의 가치 배분 방식을 추론했습니다.

첫 번째 세계: 폐쇄형 모델이 최첨단 역량을 계속 장악

이 시나리오에서는 최첨단 모델의 성능, 신뢰성, 보안 역량을 여전히 복제하기 어려워, 자본력이 풍부한 소수 모델 연구소가 계속 우위를 유지합니다.

기업은 모델 가중치를 완전히 통제하는 것보다 정확도, 배포 편의성, 지식재산권 보상, 브랜드 신뢰도를 더 중시하므로, 폐쇄형 API와 기업 구독에 계속 비용을 지불할 용의가 있습니다.

훈련 및 추론 워크로드는 AWS, Google Cloud 같은 하이퍼스케일러 플랫폼에 더욱 집중되고, 슈퍼 훈련 클러스터는 GPU, 고속 네트워킹, 광통신, 맞춤형 ASIC에 대한 수요를 계속 견인합니다.

Google, Amazon 등 클라우드 인프라와 모델 역량을 모두 갖춘 플랫폼이 더 유리한 위치에 있으며, Broadcom, Arista Networks, Lumentum, Coherent 같은 칩·네트워크 벤더도 수혜를 볼 수 있습니다.

보고서는 Google이 선도 모델을 바탕으로 자체 인프라에서 Gemini API를 실행할 경우, 가상의 투하자본 수익률이 약 45%에 달할 수 있다고 추산합니다. 모델이 절대적인 선두가 아니고 단순히 인프라 제공자 역할만 하더라도 관련 수익률은 약 30%에 근접할 수 있습니다.

이는 폐쇄형 세계에서 가장 중요한 자산은 모델 자체뿐만 아니라, 모델 실행에 필요한 컴퓨팅 소유권까지 포함한다는 점을 시사합니다. 칩, 데이터센터, 고객 접점을 보유한 사업자일수록 모델 호출로 발생하는 이익을 더 많이 확보할 수 있습니다.

두 번째 세계: 개방형과 폐쇄형의 장기 공존

이는 현재 기업의 실제 사용 상태에 가장 가까운 시나리오입니다.

폐쇄형 최첨단 모델은 복잡한 추론, 긴 흐름의 에이전트, 고신뢰성 작업을 담당하고, 오픈 가중치 모델과 소형 모델은 높은 빈도, 비용 민감, 저지연 혹은 고도로 전문화된 작업을 처리합니다.

기업은 하나의 모델만 선택하지 않고, 작업에 따라 계속 전환하고 라우팅합니다. 이는 AI 배포가 퍼블릭 클라우드, 프라이빗 클라우드, 온프레미스 인프라, 엣지 장치에 동시에 존재한다는 뜻이기도 합니다.

이 시나리오에서는 단일 모델 벤더가 완전히 독점적인 가격 결정력을 갖기 어렵지만, AI 소프트웨어와 인프라 시장 전체는 가장 폭넓은 수요를 확보하게 됩니다.

Microsoft, Amazon, Google은 클라우드 워크로드에서 여전히 혜택을 봅니다.
Datadog, Palantir, Appian 같은 인프라·워크플로 소프트웨어 업체는 모델 오케스트레이션, 데이터 연결, 가시성 수요로 수혜를 볼 수 있습니다.
Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope, Okta 같은 보안 벤더는 기업의 공격 표면과 신원 경계가 계속 확대되면서 혜택을 봅니다.

동시에 Cisco, F5 같은 네트워크 장비 벤더, Dell, HPE, NetApp 같은 엔터프라이즈 인프라 기업도 온프레미스 및 하이브리드 배포로 인한 추가 수요를 얻을 수 있습니다.

하이브리드 아키텍처의 가장 큰 투자 함의는 AI 지출이 훈련 클러스터에만 집중되지 않고 기업 기술 스택의 여러 계층으로 확산된다는 점이며, 모델 계층의 경쟁이 치열할수록 기업은 다양한 모델과 배포 환경을 오갈 수 있도록 중립적인 소프트웨어 및 인프라를 더 필요로 한다는 점입니다.

세 번째 세계: 오픈 가중치 모델이 주류로 부상

이 시나리오에서는 오픈 가중치 모델이 점차 최첨단 폐쇄형 모델에 근접하며, 기초 모델의 지능이 널리 접근 가능해지고 API 가격이 대폭 하락합니다.

기업은 범용 모델 역량에 과도한 프리미엄을 지불하지 않고, 보유 데이터로 파인튜닝하며, 주요 예산을 추론 최적화, 에이전트, 산업별 도구 및 애플리케이션 배포에 투입합니다.

혁신의 중심은 사전 훈련에서 포스트 트레이닝 및 애플리케이션 계층으로 이동하고, AI 인프라도 더욱 분산됩니다. 정부와 대기업은 데이터 주권, 프라이버시, 지연 시간, 벤더 종속 방지 등을 이유로 더 많은 모델을 소버린 클라우드, 프라이빗 데이터센터, 온프레미스 환경에 배포할 수 있습니다.

Microsoft는 Azure, GitHub, 엔터프라이즈 소프트웨어 및 개방형 모델 생태계를 통해 더 강력한 입지를 확보할 수 있습니다.
MiniMax, Zhipu/Z.ai, 알리바바, 텐센트 등 개방형 모델 제공업체의 전략적 가치가 상승합니다.
Dell, HPE, NetApp 같은 온프레미스 인프라 벤더, HP, Apple 같은 온디바이스 기업, 시스템 통합 및 IT 유통 채널도 더 뚜렷한 수요를 확보합니다.

그러나 개방형 세계가 클라우드 플랫폼의 가치 상실을 의미하지는 않습니다.

대다수 기업은 여전히 인프라를 완전히 자체 구축하지 않으며, 개방형 모델도 Azure, AWS, Google Cloud에서 실행될 수 있습니다. 하이퍼스케일러의 역할은 유일한 모델 진입점에서 개방형 모델 호스팅, 컴퓨팅 리소스, 데이터 서비스, 엔터프라이즈 AI 플랫폼 제공자로 전환됩니다.

따라서 클라우드 사업자가 직면하는 것은 단순한 승패가 아니라 수익 구조의 변화입니다. 예를 들어 기초 모델 임대료는 하락할 수 있지만, 컴퓨팅, 스토리지, 데이터베이스, 보안, 기업 서비스 매출은 여전히 성장할 수 있습니다.

세 가지 결말의 공통 승자

모건스탠리가 제시한 자산 매트릭스에서 가장 주목할 점은 각 시나리오별 고유 기업이 아니라, 세 열에 걸쳐 반복 등장하는 이름들입니다.

첫째는 NVIDIA입니다.

폐쇄형 모델이 승리하면 더 많은 컴퓨팅이 초대규모 훈련·추론 클러스터에 집중되고, 오픈 가중치 모델이 승리하면 추론 노드가 기업, 온프레미스, 엣지 환경으로 확산됩니다.

두 경로가 요구하는 칩 폼팩터, 고객 구조, 개별 클러스터 규모는 다를 수 있지만, 모두 지속적인 컴퓨팅 능력 증대가 필요합니다. 결국 개방형 모델이 낮추는 것은 모델 사용의 진입 장벽이지, 연산 과정 자체를 없애는 것이 아닙니다.

둘째는 전력입니다.

폐쇄형 세계는 슈퍼 데이터센터를 뒷받침할 안정적인 GW급 전력이 필요하고, 개방형 세계는 기업 데이터센터, 소버린 클라우드, 현장 추론 설비의 전력 수요를 증가시킵니다. 모델 효율 향상은 작업당 전력 소비를 낮출 수 있지만, 더 많은 작업과 장치가 AI를 지속적으로 실행하게 만들 수도 있습니다.

Bloom Energy, Williams, Liberty Energy 같은 현장 전력, 천연가스, 에너지 인프라 기업이 이 때문에 보고서에 반복적으로 수혜 대상으로 언급됩니다.

셋째는 보안 소프트웨어입니다.

기업이 폐쇄형 모델을 사용하든 개방형 모델을 사용하든, 신원, 데이터, 애플리케이션을 보호해야 합니다. 배포가 소수 클라우드 플랫폼에서 온프레미스 및 엣지 환경으로 확산되면 보안 요구 사항은 더욱 복잡해질 뿐입니다.

이런 관점에서 보안 소프트웨어는 오픈 가중치 모델 확산 속에서 시장이 과소평가하고 있는 2차 수혜 분야일 수 있습니다.

마치며

전체적으로 볼 때, 오픈 가중치 모델이 실제로 없앨 수 있는 것은 컴퓨팅 수요가 아니라, 기초 모델 계층이 장기간 높은 임대료를 유지할 수 있다는 환상일지 모릅니다.

모델 역량이 점차 보편화되면 기업은 더 이상 '지능 획득'에만 비용을 지불하지 않고, 지능을 배포하고, 데이터를 연결하며, 워크플로를 관리하고, 시스템을 보호하며, 모델이 실제 비즈니스에서 지속적으로 수익을 창출하도록 하는 데 더 많은 예산을 투입할 것입니다.

컴퓨팅 파워도 단순히 성장에서 하락으로 전환되지는 않을 것입니다. 소수의 슈퍼 훈련 클러스터에서 더 많은 추론 노드, 기업 전산실, 소버린 클라우드, 엣지 장치로 확산되고, 일회성 모델 훈련 경쟁에서 점차 기업의 모든 워크플로를 포괄하는 장기 인프라 투자로 바뀔 것입니다.

따라서 오픈 가중치 모델이 가져온 가장 큰 변화는 AI CapEx 사이클이 곧 끝난다는 것이 아니라, 이 사이클이 참여자가 더 많고, 배포가 더 분산되며, 가치 사슬이 더 길어진 새로운 국면으로 진입하고 있다는 점입니다.