Snowflake의 AWS 칩 거래가 의미하는 것: 엔터프라이즈 결제 구조의 변화

칩 공급 계약을 왜 결제팀이 읽어야 하는가

Snowflake가 AWS와 체결한 60억 달러 규모 5년 AI 칩 공급 계약은 표면적으로 '하드웨어 조달 뉴스'다. 그런데 결제·정산 인프라를 직접 운영하는 팀의 시선으로 보면 레이어가 다르게 보인다. 핵심 질문은 이것이다. 대형 플랫폼이 AI 연산 비용 구조를 선약정(pre-commit)으로 고정할 때, 그 아래 생태계의 과금 방식과 정산 복잡도는 어떻게 달라지는가.

Snowflake의 2024 회계연도 전체 매출은 약 33억 달러였다. 이 계약의 연간 약정액은 12억 달러, 즉 매출 대비 36%를 인프라 선결제에 묶어두는 셈이다. 단순 조달 계약이 아니라 수익 구조를 전면 재설계하는 결정이다. 그리고 이 구조적 선택은 Snowflake 고객사들의 AI 워크로드 단가를 바꾸고, 단가가 바뀌면 과금 모델이 바뀌고, 과금 모델이 바뀌면 정산 시스템이 재편된다. 결제·정산을 운영하는 우리에게 이것은 6~12개월 뒤의 현실 문제다.

약정형 결제 구조의 트레이드오프: Nvidia와의 비교

'약정 기반 결제(committed payment)'는 결제 현장에서 이미 익숙한 논리다. 클라우드 Reserved Instance, 통신사 약정 요금제, B2B SaaS Annual Commitment Discount — 모두 같은 구조다. 공급자는 현금 흐름의 가시성을 확보하고, 수요자는 단가 절감을 얻는다. 그러나 이 구조에는 명확한 트레이드오프가 존재한다.

이번 계약에서 Snowflake가 택한 AWS Trainium·Inferentia 칩은 Nvidia A100·H100 대비 훈련(training) 워크로드 효율은 낮지만, 추론(inference) 워크로드에서는 비용을 30~40% 절감한 사례가 실증되어 있다. Snowflake의 AI 제품인 Cortex AI는 대부분 추론 중심이다. 따라서 이 계약의 본질은 'Nvidia 이탈'이 아니라 '추론 최적화 칩 믹스를 통한 원가 재설계'다. 약정 범위 내에서 단가를 고정하되, 초과 수요는 온디맨드로 유연하게 대응하는 — 정확히 하이브리드 과금 모델이다. 이 구조는 우리가 B2B 고객사에 설계하는 기본 약정+초과분(committed base + variable overage) 모델과 동일한 논리 위에 있다.

반면 리스크도 명확하다. AWS 내부 데이터 기준 기업 Reserved Instance의 평균 활용률은 약 72%다. 나머지 28%는 사실상 매몰 비용이다. 약정 규모가 클수록 미사용 약정의 절대액도 커진다. 60억 달러 계약에 28% 낭비가 생기면 그것만으로 16억 달러가 허공에 뜬다. Snowflake가 이 리스크를 어떻게 관리하느냐가 향후 실적 발표의 핵심 변수가 될 것이다.

Nvidia 독점 균열이 AI 인프라 원가 예측 가능성을 높인다

AI 칩 시장에서 Nvidia의 데이터센터 GPU 점유율은 2024년 기준 약 80%다. 이 독점이 만드는 가장 큰 문제는 가격 변동성이다. H100 GPU는 2023년 초 장당 약 3만 달러였다가 수요 폭발로 4만~7만 달러까지 치솟았고, 할당조차 불투명했다. 결제·정산 운영 팀에게 이런 원가 변동성은 단순히 '비용이 오른다'는 문제가 아니다. 원가가 예측 불가능하면 자동 정산 시스템의 원가 배분 로직 전체가 흔들린다.

우리 팀이 직접 경험한 사례를 공유하면: AI 기반 이상 거래 탐지 모듈의 클라우드 비용이 Nvidia 수요 급등으로 30% 상승했을 때, 정산 시스템의 원가 배분 로직과 수익 분배 계산을 전면 재조정해야 했다. 수작업이 끼어드는 순간 정산 오류 가능성이 올라가고, 오류는 파트너사와의 신뢰 문제로 이어진다. Snowflake-AWS 계약처럼 인프라 비용을 장기 약정으로 고정했다면, 이 변동성 자체를 사전에 차단할 수 있었다. 공급자 다변화로 Nvidia 의존도를 낮추는 대형 플랫폼의 움직임은, 그 아래에서 서비스를 운영하는 모든 팀에게 원가 예측 가능성 향상으로 낙수된다.

소비 기반 과금 폭발: 정산 시스템의 새로운 전쟁터

Snowflake가 AI 연산 비용을 낮추면 무슨 일이 벌어지는가. 단기적으로 Cortex AI 기능이 더 공격적으로 확장된다. 중기적으로 Snowflake 기반 AI 워크로드를 돌리는 기업들의 단위당 비용이 내려간다. AI가 싸지면 더 많은 기업이 마이크로 결정(micro-decision)을 자동화하고, 마이크로 결정은 마이크로 트랜잭션을 만들고, 마이크로 트랜잭션은 정산 시스템의 처리 빈도와 복잡도를 끌어올린다.

데이터는 이미 이 방향을 가리키고 있다. 소비 기반 과금(usage-based pricing) 모델을 채택하는 B2B SaaS 비율은 2021년 34%에서 2024년 61%로 증가했다(OpenView Partners, 2024 SaaS Survey). 이 모델에서 정산 시스템은 월 1회 인보이스가 아니라, 실시간에 가까운 사용량 집계·집계 오류 조정·크레딧 소진 추적·한도 초과 경보를 동시에 처리해야 한다. 배치(batch) 기반 정산 아키텍처는 이 속도를 버티지 못한다. Snowflake 생태계가 AI를 더 싸게 더 많이 소비하게 만들수록, 그 위에서 과금하는 모든 팀의 정산 인프라가 함께 스트레스를 받는다.

HEDVION이라면 지금 이렇게 대응한다

우리 팀이 이 변화에 대응하는 방식은 세 레이어다.

레이어 1 — 정산 파이프라인의 이벤트 드리븐 전환. 소비 기반 과금이 늘수록 월간 배치 정산은 한계에 부딪힌다. 현재 일부 파트너사를 대상으로 시간 단위 집계를 테스트 중이며, 다음 단계는 Kafka 기반 실시간 스트리밍 정산 파이프라인이다. Snowflake-AWS 계약 이후 AI 워크로드가 폭발하면 이 전환을 미룰 여유가 없다.

레이어 2 — 멀티벤더 원가 추적 자동화. 한 고객사가 AWS, GCP, Azure 기반 AI 서비스를 혼용하면, 원가 배분은 지금도 복잡하다. 경쟁 플랫폼들이 Snowflake의 원가 절감에 대응해 비슷한 약정 전략을 택할 경우, 고객사들의 멀티클라우드 도입은 더 빨라진다. AWS Cost Explorer, GCP Billing Export를 단일 파이프라인으로 통합하지 않으면, 정산 팀이 월말에 엑셀을 수동으로 돌리는 시간이 선형이 아닌 지수 함수로 늘어난다.

레이어 3 — 약정 리스크 실시간 모니터링. 우리도 클라우드 약정을 사용한다. 미사용 약정(commitment waste)이 재무 리스크가 되지 않도록, 약정 소진율을 실시간으로 추적하는 대시보드를 자체 구축해 운영 중이다. 대형 플랫폼이 약정 규모를 키울수록, 이 리스크 관리 역량이 경쟁력의 일부가 된다.

지금 당장 써먹을 실행 시사점

뜬구름 없이, 이번 주 바로 적용 가능한 세 가지다.

첫째, 인퍼런스와 트레이닝 워크로드를 분리하고 비용을 따로 재라. 현재 AI 비용을 단일 항목으로 관리하고 있다면 즉시 분리해야 한다. 인퍼런스 전용 칩(AWS Trainium, GCP TPU)은 Nvidia 대비 단위 비용이 30~40% 낮다. 이 절감액이 자동 정산 시스템의 원가 배분 로직에 반영되지 않고 있다면, 수익성 계산이 틀려 있는 것이다.

둘째, 소비 기반 과금을 도입했거나 준비 중이라면 정산 집계 주기를 먼저 점검하라. 월간 배치로는 이미 늦다. 최소 일 단위, 가능하면 시간 단위 집계 파이프라인이 있어야 실시간 크레딧 소진·한도 초과 경보가 가능하다. 이 인프라 없이 소비 기반 과금을 론칭하면 첫 달 정산 오류 처리만으로 팀 리소스가 소진된다. 경험에서 하는 말이다.

셋째, 클라우드 약정 활용률을 지금 당장 숫자로 뽑아라. 활용률이 80% 미만이라면 약정 규모를 줄이거나 유연 약정(Savings Plans)으로 전환할 여지가 있다. Snowflake처럼 약정 규모를 키우는 전략은 활용률이 충분히 확보될 때만 유효하다. 활용률 추적 없이 약정을 확대하면, 절감이 아닌 매몰 비용이 쌓인다.

Snowflake-AWS 계약은 칩 공급망 뉴스가 아니다. 엔터프라이즈 AI 인프라 비용이 예측 가능한 약정형으로 이동하고, 그 위에서 소비 기반 과금이 폭발한다는 구조적 신호다. 결제·정산 자동화를 운영하는 팀에게 이것은 지금 준비하지 않으면 1년 후에 압도될 변화다.