메타가 자체 AI 데이터센터 잉여 연산을 외부에 파는 클라우드로 움직이면서 네오클라우드(GPUaaS) 업계가 긴장하고 있다. 코어위브·네비우스 계약 구조, H100 단가 보도, 하이퍼스케일러 대비 차이, 학습·추론 워크로드를 돌리는 개발·스타트업 팀이 단가·대기열·이탈 비용으로 인프라를 고르는 7가지 기준과 체크포인트 이식성 실무를 정리한다.
2026년 7월 초, AI 인프라 시장에 짧은 충격이 왔다. 메타가 남는 AI 컴퓨팅 자원을 외부에 팔 수 있다는 보도가 나오자, GPU 임대에 특화된 이른바 네오클라우드(NeoCloud) 종목이 급락했다. 코어위브·네비우스 같은 이름이 하루 만에 두 자릿수 하락 보도를 받았고, “어제까지 고객이던 메타가 오늘 경쟁사”라는 표현이 국내 IT면에도 올랐다.
이 글은 주가 해설이 아니다. 학습·추론 GPU를 빌려 쓰는 팀이 단가·계약·벤더 리스크를 어떻게 다시 짜야 하는지 정리한다. 네오클라우드가 무엇인지, 메타 진출 보도가 의미하는 바, 아마존·구글·마이크로소프트 하이퍼스케일러와 무엇이 다른지, 그리고 스타트업·제품팀이 당장 넣을 수 있는 비용 가드레일을 다룬다.
네오클라우드 정의와 기존 클라우드의 차이
메타 AI 클라우드 진출 보도가 공급 측에 준 신호
GPU 시간 단가·약정·유휴 비용을 읽는 표
벤더 락인 줄이는 실무 체크리스트
예산 캡·작업 큐 설계 스케치
※ 메타의 클라우드 사업 범위·출시일은 보도 시점 기준으로 “검토·추진” 단계로 알려진 내용이 많다. 확정 가격표가 공개되기 전에는 전망 톤으로만 다룬다. 계약·단가는 각 벤더 공식 견적을 기준으로 한다.
네오클라우드란 — GPU에 특화된 임대 사업
연합뉴스 등 국내 보도는 네오클라우드를 고성능 GPU를 구독·시간 단위로 빌려 주는 GPUaaS 사업자로 설명한다. 전통 클라우드가 CPU·스토리지·네트워크 위에 AI 인스턴스를 얹는 구조라면, 네오클라우드는 처음부터 “H100·B200 클러스터를 얼마나 빨리, 얼마나 싸게 붙이느냐”가 상품이다.
왜 수요가 몰렸는가. 학습 한 번에 GPU 수백~수천 장이 필요하고, 하이퍼스케일러 예약·할당량이 막히거나 단가가 부담스러울 때 대안이 필요했다. 메타·마이크로소프트 등 빅테크와 장기 공급 계약을 맺은 네오클라우드 사업자도 보도됐다. 예로 코어위브–메타, 네비우스–MS 규모의 인프라 계약 뉴스가 2025~2026년 사이 반복 인용됐다.
구분
하이퍼스케일러
네오클라우드
강점
통합 IAM·네트워크·컴플라이언스
GPU 밀도·납기·시간 단가 경쟁
약점
인기 GPU 대기·복잡한 가격
주변 서비스·글로벌 리전 폭
잘 맞는 작업
프로덕션 추론+기존 VPC
대규모 학습·실험 버스트
계약 형태
온디맨드·예약 할인
약정 클러스터·시간 요금
개발자 관점에서 네오클라우드는 “더 싼 GPU”만이 아니다. 대기열·슬롯·약정 기간·이그레스·스토리지 위치가 총비용을 좌우한다. 시간당 단가만 비교하면 나중에 데이터 반출비·유휴 약정비에서 뒤집힌다.
네오클라우드는 GPU 밀도·납기에 특화된 임대 사업으로 설명된다
메타 진출 보도가 흔든 것 — 공급 과잉 신호인가
지디넷코리아·매일경제 등 2026년 7월 보도에 따르면, 메타는 자사 AI 데이터센터에 쌓인 연산 자원 중 남는 분을 외부 기업에 판매하는 클라우드 사업을 검토·추진하는 것으로 알려졌다. 메타는 라마 계열 모델 개발과 대규모 인프라 투자를 병행해 왔고, 연간 AI 인프라 투자 규모가 수백억 달러 단위로 보도된 바 있다. 남는 용량을 팔면 고정비를 일부 회수할 수 있다.
시장이 예민한 이유는 단순하다. 네오클라우드의 큰 고객이었던 주체가 같은 상품(GPU 시간)을 팔기 시작하면 가격 경쟁이 심해질 수 있다. 애널리스트 코멘트에는 “네오클라우드 잔치판을 깰 수 있다”는 표현도 나왔다. 다만 중요한 구분선이 있다.
보도 ≠ 즉시 상용 가격표: 계정·SLA·지원 조직이 없는 상태의 “검토”와, 개발자가 카드로 결제하는 상품은 다르다.
내부 유휴 ≠ 상시 저가 공급: 학습 사이클에 따라 남는 용량이 들쭉날쭉하면 외부 고객에게 안정 슬롯을 주기 어렵다.
하이퍼스케일러 퇴출은 아님: 엔터프라이즈 컴플라이언스·글로벌 네트워크가 필요한 워크로드는 여전히 기존 클라우드 비중이 크다.
AI 비용 압박이 커지는 국면에서, 기업이 프론티어 모델 대신 오픈소스·효율 모델로 이동하는 흐름과도 맞물린다. 인프라 쪽에서는 “누가 GPU를 싸게 파느냐” 경쟁이 붙고, 앱 쪽에서는 “같은 품질을 더 적은 토큰·더 작은 모델로” 경쟁이 붙는다. 둘 다 단위 경제 이야기다.
사실 경계: 메타가 언제, 어떤 리전에서, 어떤 GPU를 외부에 팔지는 이 글 작성 시점에 공식 개발자 콘솔 수준의 확정이 아니다. 보도를 근거로 “이미 싸졌다”고 단정하지 말고, 벤더 다변화·약정 유연성을 먼저 확보하는 쪽이 안전하다.
빅테크가 유휴 AI 용량을 외부에 열면 네오클라우드 가격 경쟁 구도가 바뀔 수 있다
GPU 비용을 읽는 법 — 시간 단가 너머의 숫자
견적서에 적힌 “GPU 시간당 ○○달러”만 보면 비교가 끝난다. 실제 청구는 아래 항목이 합쳐진다.
항목
질문
실수 예
유효 가동률
약정 클러스터가 몇 %나 도는가
유휴 40%인데 시간 단가만 봄
데이터 이동
학습 데이터·체크포인트 이그레스
GPU는 싼데 반출비가 더 큼
스토리지
고속 로컬 vs 오브젝트 스토리지
IO 대기로 GPU 공회전
인력·대기
슬롯 배정까지 며칠
싸지만 실험 주기가 늘어남
환율·세금
달러 청구의 원화 실비용
월말 카드 청구에서 예산 초과
대략적인 월 비용 감각은 이렇게 잡는다. (숫자는 예시 가정이며 견적이 아니다.)
월 비용 ≈ (GPU 장수 × 시간당 단가 × 730 × 가동률) + 스토리지 + 이그레스 + 지원 비용
가동률 0.6인 약정과 가동률 0.95인 짧은 버스트 온디맨드를 비교하면, 시간 단가가 20% 비싸도 총비용이 더 낮을 수 있다. 네오클라우드 마케팅 문구의 “최대 ○○% 저렴”은 이상적 가동률을 전제로 한 경우가 많다.
월 GPU 비용 추정 스케치
// estimate-gpu-month.js — 견적 전 내부 가정용 (공식 가격 아님)
function estimateMonthlyGpuCost(opts) {
var gpus = opts.gpus;
var usdPerGpuHour = opts.usdPerGpuHour;
var utilization = opts.utilization;
var storageUsd = opts.storageUsd || 0;
var egressUsd = opts.egressUsd || 0;
var fxKrw = opts.fxKrw || 1380;
var hours = 730;
var compute = gpus * usdPerGpuHour * hours * utilization;
var totalUsd = compute + storageUsd + egressUsd;
return {
computeUsd: Math.round(compute),
totalUsd: Math.round(totalUsd),
totalKrw: Math.round(totalUsd * fxKrw),
note: '가동률·환율 가정. 실제 견적·세금 별도.',
};
}
console.log(estimateMonthlyGpuCost({
gpus: 8,
usdPerGpuHour: 2.5,
utilization: 0.7,
storageUsd: 400,
egressUsd: 200,
}));
벤더 리스크 체크리스트 — 한 곳에 몰지 않는 법
네오클라우드·하이퍼스케일러·(향후) 빅테크 유휴 용량 중 어디에 걸든, 아래 항목을 계약 전에 채운다.
종료 조항: 약정 중도 해지 위약금, 최소 이용 기간, 슬롯 양도 가능 여부.
이미지·오케스트레이션: Docker/Kubernetes 표준인지, 벤더 전용 런타임인지. 전용이면 이전 비용이 커진다.
체크포인트 반출: 학습 중간 가중치를 객체 스토리지로 주기적으로 빼는지 자동화.
할당량 상한: 팀 단위 월 달러 캡. 카드 한도만 믿지 말고 벤더 쪽 예산 알림.
이중 경로: 실험은 네오클라우드, 프로덕션 추론은 기존 클라우드처럼 역할 분리.
보안 설문: 인증·데이터 위치·서브프로세서 목록이 고객 요구와 맞는지.
메타 진출 보도가 주는 실무 메시지는 “메타로 갈아타라”가 아니라 가격 협상력이 수요자 쪽으로 기울 수 있다는 점이다. 장기 약정을 지금 과도하게 늘리기보다, 3~6개월 단위로 재입찰할 수 있는 조항을 남기는 편이 유리할 수 있다. 공급이 늘면 재협상 카드가 된다.
학습 작업 예산 캡 (의사코드)
// budget-guard.js — 잡 제출 전 예상 비용 차단
function canSubmitJob(opts) {
var estimate = opts.gpus * opts.hours * opts.usdPerGpuHour;
var projected = opts.monthlySpentUsd + estimate;
if (projected > opts.monthlyCapUsd) {
return {
ok: false,
estimate: estimate,
reason: '월 예산 초과 예상. 큐 축소·스팟·더 작은 모델 검토',
projected: projected,
monthlyCapUsd: opts.monthlyCapUsd,
};
}
return {
ok: true,
estimate: estimate,
projected: projected,
monthlyCapUsd: opts.monthlyCapUsd,
};
}
console.log(canSubmitJob({
gpus: 8,
hours: 12,
usdPerGpuHour: 2.5,
monthlySpentUsd: 4000,
monthlyCapUsd: 5000,
}));
팀 역할별로 이번 주 할 일
ML/학습 담당: 체크포인트 자동 업로드 스크립트와 잡당 예상 비용 로그를 붙인다. 실패한 잡의 GPU 시간을 주간 리포트에 포함한다.
플랫폼/데브옵스: 네오클라우드와 기존 클라우드의 시크릿·네트워크 경로를 분리한다. 프로덕션 추론 키와 실험 키를 섞지 않는다.
프로덕트/재무: 월 GPU 캡을 달러와 원화 둘 다 적는다. 환율 10% 변동 시나리오를 한 줄 넣어 둔다.
1인·소규모: 큰 약정 대신 시간 요금·작은 인스턴스로 실험하고, 학습이 커질 때만 견적을 받는다. 카드 한도 알림을 켠다.
