AI 인프라 투자가 주식·채권을 하나의 위험 요인으로 묶고 있다

인공지능(AI) 인프라 붐은 더 이상 주식시장만의 이야기가 아니다. 공개 회사채와 전환사채, 데이터센터 프로젝트, 사모신용(private credit), 그리고 이들을 공급하는 기업까지 하나의 금융 흐름으로 연결되고 있다.

이 과정에서 투자자들이 주목하는 개념이 **‘AI 팩터’**다. 소수의 대형 기업에 대한 공통 노출과 함께, 미래 AI 수익이 현재의 대규모 투자와 차입을 정당화할 만큼 충분할 것이라는 가정을 뜻한다. 당장 대형 클라우드 기업인 하이퍼스케일러가 연쇄적으로 부도날 것이라는 의미는 아니다. 문제는 AI 매출, 데이터센터 가동률 또는 자금 조달 여건에 실망이 발생할 경우 서로 달라 보이는 여러 시장이 동시에 흔들릴 수 있다는 점이다.

차입 급증이 AI를 ‘시장 수급’의 문제로 바꾸고 있다

로이터가 인용한 LSEG 자료에 따르면 알파벳, 아마존, 메타는 2026년 8월 중순까지 약 2,200억 달러의 채권을 발행했다. 이는 2025년 한 해 발행액인 1,080억 달러의 두 배를 웃도는 규모다. 모건스탠리는 전 세계 AI 관련 부채 발행액이 2026년 약 5,700억 달러에 이를 수 있다고 전망했으며, 5월 말까지 이미 약 2,360억 달러가 발행된 것으로 추산했다.

이 자금이 모두 단순한 차환에 쓰이는 것은 아니다. 기술기업들은 AI와 클라우드 인프라를 확장하는 데 필요한 막대한 자본을 조달하기 위해 부채시장과 주식연계 시장을 점점 더 활용하고 있다. 과거 실리콘밸리 기업들이 주로 자체 현금흐름으로 투자를 충당하던 방식에서 벗어나는 흐름이다.

발행 규모와 속도가 중요한 이유는 하이퍼스케일러들이 미국 국채와 우량 회사채를 매입하는 기관투자가들의 자금 풀을 함께 활용하기 때문이다. 채권 공급이 많아진다고 해서 금리가 자동으로 오르는 것은 아니다. 다만 투자자들이 종목을 더 엄격하게 고르고, 발행기업이 더 높은 금리나 넓은 스프레드를 제시해야 할 가능성은 커진다. 장기 투자자 역시 추가적인 금리 민감도, 즉 듀레이션을 떠안는 대가를 더 요구할 수 있다.

파급효과는 기술업종에만 머물지 않을 수 있다. 로이터는 2026년 AI 관련 부채가 투자등급 채권 발행의 약 **15%**에 가까웠다고 전했다. 동시에 광범위한 신용지수 안에서 AI 관련 집중도는 여전히 낮다고 설명했다. 두 사실은 모순되지 않는다. AI가 아직 전체 투자등급 시장을 지배하지 않더라도 신규 채권 가격과 시장 유동성에는 상당한 영향을 줄 수 있다는 뜻이다.

주식과 채권이 서로를 움직이는 구조

주식시장과 신용시장은 두 가지 경로로 연결된다.

첫째, 소수의 대형 기술기업이 주가지수 수익률과 투자심리를 좌우할 수 있다. 이들 기업의 주가가 미래 AI 수익 기대에 크게 의존한다면, AI 수요나 인프라 투자수익률에 대한 전망이 낮아지는 순간 주가뿐 아니라 미래 현금흐름의 현재가치도 함께 재평가된다.

둘째, 주가 하락은 자금 조달 비용을 높일 수 있다. 기업은 일반 회사채 시장에서 더 넓은 스프레드를 부담하거나, 사모신용 시장에서 불리한 조건을 받아들여야 할 수 있다. 주식연계 증권에 대한 수요도 줄어들 수 있다. 이렇게 상승한 조달 비용은 다시 인프라 투자에 대한 기존 투자 논리를 약화시킨다.

이 연결고리는 전환사채 시장에서 특히 뚜렷하다. 전환사채는 채권에 주식으로 바꿀 수 있는 권리를 결합한 상품이다. 투자자가 주가 상승 가능성을 높게 평가하면 발행기업은 일반 회사채보다 낮은 현금 이자 비용으로 자금을 조달할 수 있다. 미국 전환사채 발행액은 2026년 첫 4개월 동안 약 340억 달러로, 전년 같은 기간의 두 배를 넘었으며 AI 관련 기업들이 증가세를 이끌었다.

따라서 AI 주식시장이 강세를 보이면 더 저렴한 주식연계 자금 조달이 가능해지고, 그 자금이 추가 인프라 투자와 성장 기대를 뒷받침한다. 반대로 주가가 급락하면 전환사채의 매력이 떨어지고 헤지 여건이 악화된다. 차입기업은 더 비싼 일반 회사채나 신규 주식 발행에 의존해야 할 수 있다.

자산의 법적 형태보다 중요한 것은 ‘AI 수요’다

하이퍼스케일러의 회사채, 데이터센터 대출, 사모신용 대출, 전력 프로젝트 금융, 장비 공급업체의 매출채권은 서로 다른 법인이 발행할 수 있다. 하지만 이들의 상환 능력은 같은 경제적 가정에 의존할 수 있다. AI 고객이 계속 지출하고, 컴퓨팅 용량을 임차하며, 인프라 생태계 전체를 지탱할 만큼의 매출을 창출할 것이라는 가정이다.

이런 공통 의존성은 분산 효과를 실제보다 크게 보이게 만들 수 있다. 채권, 유동화 상품, 사모대출로 포트폴리오를 나눴더라도 그 안에 같은 하이퍼스케일러, 데이터센터 운영사 또는 장비 수요에 대한 여러 청구권이 들어 있을 수 있다. 프로젝트가 지연되거나 설비가 충분히 활용되지 않으면, 어떤 상품도 특정 기업의 지급보증을 공식적으로 받지 않았더라도 여러 금융상품에서 동시에 손실이 나타날 수 있다.

특히 재무제표상 부채를 줄여 보이게 하는 금융구조가 경제적 의무까지 없애지는 않을 때 위험은 더 커진다.

장부 밖 금융이 가릴 수 있는 경제적 노출

특수목적법인(SPV), 리스, 잔존가치 보증은 데이터센터 건설에서 중요한 자금 조달 수단으로 부상하고 있다. 일반적인 구조에서는 외부 법인이 부채를 조달해 시설을 소유하고, 기술기업은 완공된 시설을 임차한다. 이 경우 프로젝트 차입금은 기술기업의 공시상 부채에 포함되지 않을 수 있다. 그러나 기술기업은 임대료, 최소 사용량 또는 자산의 미래 가치와 연계된 보증을 부담할 수 있다.

메타가 추진한 하이페리온 데이터센터 프로젝트가 이런 구조를 보여준다. 한 법률 분석에 따르면 약 300억 달러 규모의 특수목적법인이 약 270억 달러의 대출과 30억 달러의 자본을 조달하고, 시설은 메타에 임대하는 방식이다. 다른 보도는 자산 가치가 특정 기준 아래로 떨어질 경우 메타가 투자자에게 보전하는 잔존가치 보증을 언급했다.

이런 프로젝트 법인의 부채가 모기업의 일반 선순위채와 동일하다는 뜻은 아니다. 다만 공시된 레버리지만으로는 건설비, 기술 노후화, 가동률, 자산 가치 변화에 대한 기업의 민감도를 모두 파악하기 어려울 수 있다. 투자자가 물어야 할 질문은 단순히 “법적으로 누가 돈을 빌렸는가?”가 아니다. “AI 사업의 예상 수익성이 무너질 경우 손실을 최종적으로 누가 부담하는가?”도 함께 살펴봐야 한다.

재평가가 경제 전반으로 번지는 경로

금융 조정은 반드시 부도로 시작될 필요가 없다. 다음과 같은 가정의 변화에서 출발할 수 있다.

1. AI 매출 성장률이나 데이터센터 가동률이 기대에 미치지 못한다.
2. 주가가 하락하고 투자자들이 설비투자 회수 기간을 다시 계산한다.
3. 회사채 스프레드가 확대되고 전환사채의 자금 조달 매력이 떨어진다.
4. 프로젝트 법인, 데이터센터 운영사, 공급업체의 차환 비용이 상승한다.
5. 하이퍼스케일러가 칩, 서버, 건설, 전력, 부동산 주문을 늦추거나 줄인다.
6. 취약한 거래상대방이 신용시장 접근성을 잃고, 장기 차입 비용 상승이 비기술 분야 투자까지 압박한다.

이는 가능한 피드백 고리이지 예측이 아니다. 현금이 풍부한 하이퍼스케일러는 소규모 인프라 기업보다 낮은 투자수익률을 더 오래 감내할 수 있다. 그러나 대기업의 대규모 부도가 없더라도 프로젝트 지연과 금융 여건 긴축은 더 넓은 투자 사이클에 영향을 줄 수 있다.

현재 증거가 말하는 것과 말하지 않는 것

현재 자료는 집중 위험과 상관관계 위험이 커지고 있다는 점을 뒷받침한다. AI 관련 차입은 빠르게 늘고 있고, 전환사채는 AI 연계 성장 자금 조달에 활용되고 있다. 구조화된 데이터센터 거래는 공개시장과 사모시장의 여러 경로로 위험을 분산시키고 있다.

그러나 이것만으로 금융시스템에 임박한 시스템 위기가 발생한다고 단정할 수는 없다. 5,700억 달러는 실제 발행액이 아니라 전망치이며, 금융 격차나 자본지출 중 부채 조달 비중은 무엇을 부채로 계산하느냐에 따라 크게 달라진다. 리스, 보증, 사모신용, 공급업체 금융, 미래 약정 등을 포함할지에 따라 총액은 달라질 수 있다.

투자자에게 가장 유용한 접근법은 노출 경로를 직접 그려보는 것이다. 보유 종목의 기업명만 볼 것이 아니라, 여러 자산이 같은 하이퍼스케일러, 같은 데이터센터 임차인, 같은 장비 재판매 가치 또는 같은 AI 수익화 가정에 의존하는지 확인해야 한다.

핵심 위험은 AI와 연계된 모든 자산이 똑같다는 데 있지 않다. 서로 다른 자산처럼 보이는 많은 상품이 결국 같은 기대의 변화에 취약할 수 있다는 데 있다.