MLOps가 왜 투자 테마로 묶이기 시작했나.
주식시장에서 MLOps는 한동안 AI 인프라라는 큰 우산 아래 가려져 있었다. 그런데 현업에서 모델을 한 번 만드는 것과, 그 모델을 수개월 이상 굴리면서 장애 없이 업데이트하는 일은 전혀 다르다. 투자 판단도 여기서 갈린다. 데모가 잘 나오는 회사와, 반복 매출이 생기는 회사는 같은 부류가 아니다.
쉽게 말해 MLOps는 AI의 공장 운영에 가깝다. 모델 학습, 배포, 모니터링, 재학습, 보안, 권한 관리가 끊기지 않고 돌아가야 한다. 기업 고객은 성능 지표 하나만 보지 않는다. 장애가 났을 때 몇 시간 안에 복구되는지, 버전 관리가 되는지, 기존 시스템과 API 연결이 매끄러운지까지 본다. 주가도 결국 그 현실을 따라간다.
어떤 기업이 진짜 MLOps 기업에 가까운가.
이 구간에서는 기술 설명보다 매출 구조를 먼저 봐야 한다. 첫째, 일회성 구축 매출 비중이 지나치게 높은지 본다. 둘째, 유지보수나 구독형 매출이 붙는지 확인한다. 셋째, 제조, 금융, 국방처럼 데이터 통제가 까다로운 산업에 납품 경험이 있는지 체크하는 편이 낫다. 이런 산업은 진입이 느린 대신 한번 들어가면 교체 비용이 크기 때문이다.
비교도 해볼 만하다. 단순 AI 서비스 업체는 프로젝트 수주가 늘어날 때 숫자가 좋아 보이지만, 경기나 고객 예산에 흔들리기 쉽다. 반면 MLOps에 가까운 회사는 고객당 도입 기간이 3개월에서 9개월로 길어도, 안착 이후 추가 확장 계약이 붙을 가능성이 있다. 투자자는 바로 그 느린 구간을 견딜 수 있는지 봐야 한다. 차트가 지루한 시기일수록 사업 구조를 읽는 사람이 유리하다.
숫자를 볼 때는 어떤 순서가 맞을까.
나는 MLOps 종목을 볼 때 네 단계를 밟는다. 먼저 고객 수보다 고객의 성격을 본다. 대기업 파일럿 20건보다 유료 전환된 5건이 낫다. 그다음 매출총이익률을 본다. 플랫폼 성격이 강할수록 인력 투입 대비 이익률이 버티는 경우가 많기 때문이다.
세 번째는 연구개발비의 쓰임새다. 연구개발비가 크다고 다 좋은 건 아니다. 모델 성능 경쟁에만 돈을 쓰는지, 배포 자동화와 운영 툴링에 같이 투자하는지가 중요하다. 마지막은 레퍼런스 고객의 산업군이다. 제조와 국방처럼 네트워크가 제한되거나 보안 요구가 높은 환경에서 돌아간다면, 그 자체가 진입장벽이 된다. 이 순서로 보면 화려한 발표 자료보다 덜 흔들린다.
한 가지 더 있다. MLOps는 GIT 기반 버전 관리, DEVSECOPS와의 연결, 배포 후 모니터링 체계가 함께 가야 한다. 이 셋이 빠지면 제품이 아니라 용역일 가능성이 높다. 투자설명서나 인터뷰에서 이런 단어를 말한다고 끝이 아니다. 실제 고객 사례에서 얼마나 반복 가능한 구조로 구현됐는지가 핵심이다.
마키나락스 사례가 시사하는 점.
국내에서는 마키나락스가 자주 거론된다. 2024년에 CB인사이트 MLOps 마켓 맵의 AI 개발 플랫폼 부문에 국내 기업으로는 유일하게 이름을 올렸고, 데이터브릭스와 데이터이쿠 같은 글로벌 기업과 함께 언급됐다. 이 사실 하나만으로 주식을 사라는 뜻은 아니다. 다만 시장이 어떤 회사를 MLOps 문법으로 읽고 있는지는 분명히 보여준다.
여기서 투자자가 읽어야 할 포인트는 두 가지다. 하나는 제조와 국방처럼 피지컬 AI와 연결되는 산업으로 확장하고 있다는 점이다. 다른 하나는 단순 모델 개발이 아니라 운영체제에 가까운 레이어를 노린다는 점이다. 전자는 고객사가 쉽게 바꾸기 어렵다는 장점이 있고, 후자는 장기적으로 더 높은 밸류에이션을 받을 여지가 있다. 반대로 말하면, 수주가 늦어지거나 실증이 길어질 때 실적이 들쭉날쭉할 가능성도 크다.
이 대목에서 많은 개인투자자가 헷갈린다. AI 뉴스가 많으면 당장 실적도 따라올 것처럼 느껴진다. 하지만 MLOps는 화제가 되는 속도보다 계약이 쌓이는 속도가 느린 편이다. 1분기 뉴스 흐름만 보고 들어갔다가 2분기 숫자에 실망하는 일이 반복되는 이유다. 기술이 맞는지와 주가 타이밍이 맞는지는 다른 문제다.
AI 플랫폼과 MLOps를 헷갈리면 왜 손해를 보나.
플랫폼 기업과 MLOps 기업은 겹치는 부분이 있지만, 투자 포인트는 다르다. 플랫폼은 생태계를 넓히는 데 강점이 있고, MLOps는 운영 안정성과 배포 반복성에서 힘이 나온다. 전자는 사용자가 늘어나는 그림이 중요하고, 후자는 고객당 고착도가 높아지는 그림이 중요하다. 같은 AI 종목으로 묶여도 밸류에이션 해석이 달라져야 한다.
원인과 결과를 연결해 보면 더 선명하다. 고객사가 실험용 모델만 만들면 프로젝트 매출로 끝난다. 그런데 운영 자동화가 붙고, 모델 성능 저하를 감시하고, 재학습까지 이어지면 계약 기간이 길어진다. 계약 기간이 길어지면 매출 가시성이 올라가고, 매출 가시성이 올라가면 시장은 그 기업을 단순 테마주보다 높은 수준으로 평가하려 한다. 결국 MLOps의 본질은 기술 그 자체보다 매출의 반복성을 만드는 데 있다.
그렇다고 모든 기업이 이 길에 맞는 건 아니다. 초기 스타트업은 오히려 민첩하게 모델 하나를 잘 만드는 쪽이 나을 때도 있다. AGILE하게 돌며 빠르게 실험해야 하는 단계에서는 무거운 운영 체계가 비용이 될 수 있다. 그래서 투자자는 회사의 고객 규모와 산업 단계를 함께 봐야 한다. 큰 공장에 들어갈 설비를 동네 작업실에 들여놓는다고 생산성이 오르지는 않는다.
지금 투자자가 취할 현실적인 접근.
MLOps 관련 종목을 볼 때는 AI라는 단어보다 운영이라는 단어를 더 자주 떠올리는 게 맞다. 분기 보고서에서 수주 잔고, 고객 산업군, 유지보수 계약, 연구개발 방향을 차분히 읽어보면 의외로 답이 나온다. 숫자가 적더라도 구조가 맞으면 기다릴 이유가 생기고, 숫자가 커 보여도 구조가 약하면 피하는 편이 낫다. 화려한 시연보다 장애가 적은 시스템이 오래 돈을 번다.
이 정보가 가장 도움이 되는 사람은 AI 종목을 테마로만 보다가 자꾸 매수 타이밍을 놓치는 투자자다. 반면 단기 수급만 보는 매매에는 잘 맞지 않는다. MLOps는 서사가 아니라 구축과 운영의 시간표를 따라 움직이는 경우가 많기 때문이다. 다음에 종목을 볼 때는 한 가지만 점검해도 된다. 이 회사가 모델을 만드는 회사인지, 모델이 계속 돌아가게 만드는 회사인지부터 구분해 보자.