AI 에이전트가
기업의 경계를 다시 그린다

6,300억 달러를 쏟고도 양산은 2028년이다

① 문제: CHIPS Act가 촉발한 민간 투자 6,300억 달러 이상이 미국 반도체 공급망에 투입됐다. 그러나 2026년 현재 실제로 양산 중인 첨단 팹은 TSMC 애리조나 1호뿐이다. ② 프레임 재정의: 보조금의 성과는 착공 금액이 아니라 양산 시점으로 평가해야 한다. 6,300억 달러는 약속이지, 결과가 아니다. ③ 손실 규모: 대부분의 신규 팹이 양산에 도달하는 시점은 2028~2030년이다. 그 사이 미국의 첨단 반도체 수입 의존도는 유지된다. ④ 지속성: 반도체 공급망 재편은 3~5년 단위의 프로젝트가 아니다. TSMC가 대만에서 세계 최고 수준의 팹을 구축하는 데 30년이 걸렸다. 미국이 그 격차를 10년 만에 좁히려는 시도다. ⑤ 가치: 미국 내 첨단 반도체 자급률이 의미 있는 수준에 도달하면 지정학 리스크가 줄고, AI 인프라 공급망의 안정성이 높아진다. ⑥ 방향: 한국, EU, 일본도 같은 경쟁에 뛰어들었다. K-Chips Act의 세액공제와 인프라 지원이 미국과 경쟁력을 유지해야 국내 팹 투자가 지속된다.

메모리의 70%는 AI가 가져간다

① 문제: AI 데이터센터가 2026년 전체 메모리 칩 생산량의 70%를 소비한다. 나머지 산업이 30%를 놓고 경쟁한다. ② 프레임 재정의: 이번 반도체 부족은 수요 충격이 아니다. 공급의 구조적 재배치다. 수요가 줄어서가 아니라, 더 수익성 높은 고객에게 공급이 몰리는 것이다. ③ 손실 규모: S&P Global은 2026년 신규 계약 DRAM 가격이 전년 대비 70~100% 오를 것으로 전망한다. GM은 올해 10~15억 달러, 포드는 약 10억 달러의 추가 비용을 예상한다. ④ 지속성: 2021~2024년 부족 사태 때 자동차 업계는 장기 계약으로 대응했다. 그 전략이 이번에는 통하지 않는다. 공급자가 더 높은 마진의 고객을 선택하는 구조는 계약으로 바꿀 수 없다. ⑤ 가치: UBS는 DRAM 가격 120% 상승과 OEM 회수율 80%를 가정할 때 부품사의 2026년 영업이익이 약 5% 감소한다고 모델링했다. 차량 1대당 DRAM 탑재 가치는 25~150달러에 불과한데, 이 작은 부품이 완성차 생산을 멈춘다. ⑥ 방향: 자동차 OEM은 직접 칩 설계(자체 SoC)와 대안 공급망 구축으로 전환해야 한다. 장기 계약만으로는 구조적 후순위를 벗어날 수 없다.

은행은 에이전트를 어디에 쓰고 있나

글로벌 금융권이 AI 에이전트를 본격 도입하고 있다. JPMorgan은 400개 이상의 AI 활용 사례를 운영하며 약 15억 달러의 누적 비용을 절감했다. 한국에서는 신한은행이 21종의 에이전트를 공개하고, KB국민은행이 3년간 250개 에이전트 도입 계획을 발표했다. 규제 산업이 오히려 에이전트 적합도가 높은 이유가 있다.

Sovereign AI 아시아 1/2

1,350조를 쓰면서 엉뚱한 데를 판다

① 문제: 한국이 Sovereign AI 구축에 8,800억 달러 이상의 민관 투자를 동원하고 있다. 그러나 이 돈의 상당 부분이 범용 AI 모델 개발에 향하고 있다. ② 프레임 재정의: 한국의 진짜 경쟁력은 모델이 아니라 데이터다. 제조업과 금융업에 수십 년간 축적된 복합 데이터는 OpenAI도, 구글도 가지지 못한 자산이다. ③ 손실 규모: 범용 모델 경쟁에서 미국과 중국을 이기기 위해 투입되는 자원이, 데이터 기반 도메인 특화 AI에 투입됐다면 더 높은 경쟁력을 만들 수 있었다. ④ 지속성: 한국의 반도체 제조 역량과 산업 데이터는 30년 이상 축적된 자산이다. AI 시대에 이 두 가지를 결합하는 전략이 한국만의 비교 우위다. ⑤ 가치: SK하이닉스와 삼성이 글로벌 HBM 시장의 83%를 차지한다. AI를 만드는 부품을 공급하면서 동시에 AI를 가장 잘 쓰는 나라가 되는 수직 통합이 가능한 나라는 한국밖에 없다. ⑥ 방향: AI 기본법의 진흥 조항을 활용하여 제조·금융 데이터의 구조화와 도메인 특화 AI 적용에 집중해야 한다. 범용 모델이 아니라 산업 특화 모델이 한국의 방향이다.

Sovereign AI 아시아 2/2

일본은 왜 대표 기업 하나 대신 44개사 연합을 택했나

일본 경제산업성(METI)이 반도체 스타트업 Rapidus에 누적 163억 달러를 투입했다. 여기에 AI 모델 컨소시엄 Noetra가 더해진다. 소프트뱅크·소니·NEC·혼다가 전면에 서 있지만 실제 참여 주체는 44개 기업·기관이다. 한국이 재벌 집중형 투자를 선택한 것과 달리, 일본은 분산형 컨소시엄으로 Sovereign AI를 추진한다. 대가는 속도다.

도입은 79%, 운영은 31%

① 문제: Agentic AI를 도입한 기업 5곳 중 4곳이 파일럿에서 더 나아가지 못하고 있다. ② 프레임 재정의: 채택률은 경쟁력의 척도가 아니다. 운영 성숙도가 진짜 기준이다. ③ 손실 규모: 운영 단계에 도달한 기업은 평균 171%의 ROI를 보고한다. 파일럿에 머문 기업은 이 수익을 통째로 놓친다. ④ 지속성: 클라우드 전환도 동일한 패턴을 보였다. 도입은 빨랐고 핵심 업무 이전은 느렸다. Agentic AI는 복잡도가 더 높다. ⑤ 가치: Gartner는 2027년 말까지 프로젝트 40%가 취소될 것으로 예측한다. 취소되지 않는 60%가 시장을 가져간다. ⑥ 방향: 멀티에이전트 오케스트레이션 설계, AgentOps 체계, Governed Autonomy — 세 역량이 운영 성숙도를 결정한다.

GNN으로 읽는 글로벌 AI 공급망 1/3

GNN으로 읽는 글로벌 AI 공급망 (1) 왜 표가 아니라 그래프인가

AI 반도체 공급망은 NVIDIA, TSMC, SK하이닉스 세 곳에 집중되어 있다. 이 복잡한 관계를 엑셀 표로 관리하던 시대가 끝나고 있다. GNN이라는 AI 기술이 공급망을 그래프로 다시 그리면서, 재고 20~30% 감축과 물류비 5~20% 절감이라는 성과가 나오고 있다.

GNN으로 읽는 글로벌 AI 공급망 2/3

GNN으로 읽는 글로벌 AI 공급망 (2) 특허 전쟁

Siemens, Walmart, JPMorgan이 GNN(Graph Neural Network, 그래프 신경망) 기반 공급망 기술의 특허를 경쟁적으로 출원하고 있다. 제조, 유통, 금융이라는 서로 다른 산업에서, 같은 기술을 다른 목적으로 쓰고 있다. 지금의 특허 지형이 5년 후 공급망 권력 지도를 결정할 전망이다.

GNN으로 읽는 글로벌 AI 공급망 3/3

GNN으로 읽는 글로벌 AI 공급망 (3) 어떤 GNN이 맞는가

SupplyGraph 벤치마크가 공급망 과제별로 어떤 GNN(Graph Neural Network, 그래프 신경망) 모델이 가장 잘 작동하는지를 실험으로 증명했다. 수요예측에서 GNN은 기존 시계열 모델보다 RMSE(Root Mean Square Error, 평균 제곱근 오차)를 15% 낮췄다. 관계 분류에서는 정확도가 14.8%p 높았다. 이 글은 실험 결과를 바탕으로, 공급망의 어떤 과제에 어떤 GNN 아키텍처가 적합한지를 정리한다.

AI가 연구를 하기 시작했다

OpenAI가 8월 1일, 차세대 모델 Astra의 존재를 공개했다. 공개 방식이 독특하다. 제품 출시가 아니라, 수학 난제 10개의 풀이를 발표한 것이다. 모두 10년 이상 풀리지 않던 문제였다. AI가 단순 업무를 자동화하는 단계를 넘어, 인간도 풀지 못한 문제를 스스로 풀어내는 시대가 열리고 있다. 이 변화가 기업의 R&D, 금융 분석, 고객 관리에 어떤 의미를 갖는지 살펴본다.

모델 전쟁이 세 갈래로 갈라졌다

AI 모델 시장이 세 갈래로 갈라졌다. 미국의 Closed 모델, 중국의 Open-Weight 모델, 서방의 Open-Weight 모델이다. 성능 차이는 빠르게 줄고 있다. 가격 차이는 90배까지 벌어졌다. 모델 자체가 승부처이던 시대가 끝나가고 있다.

에이전트를 어디까지 믿을 것인가

편의점 CCTV는 도둑이 아니라 직원을 감시한다. 경제학은 이것을 대리인 문제(agency problem)라 부른다. AI 에이전트가 등장하면서, 대리인 문제는 해결되는 것이 아니라 새로운 형태로 진화하고 있다. Governed Autonomy는 AI 에이전트에게 자율성을 부여하되, 핵심 판단 지점에서 사람이 개입하는 설계 원칙이다.

17%가 배포했고, 66.5%는 잴 자가 없다

기업의 17%만이 AI 에이전트를 실제로 배포했다. 그런데 60% 이상이 2년 안에 하겠다고 답했다[1]. 문제는 그 사이에 자기 조직이 만들 수 있는 상태인지 판단할 방법이 없다는 것이다. 국내 중견·대기업의 66.5%가 AI 역량을 측정할 기준 자체를 갖고 있지 않다[2]. 지금 시장에 나와 있는 진단 도구는 대부분 도입 성숙도를 잰다. AI를 얼마나 널리, 얼마나 자주 쓰는가를 묻는다. 그러나 에이전트 시대의 질문은 다르다. 사서 쓸 수 있는 영역이 줄어들고, 직접 만들어야 하는 영역이 늘어난다. 도입 성숙도와 구축 역량은 같은 축이 아니다. 이 격차의 비용은 계산 가능하다. Gartner는 agentic AI 프로젝트의 40%가 2027년까지 취소될 것으로 본다. 이유는 비용 초과, 불명확한 ROI, 거버넌스 실패다[1]. 셋 다 착수 전에 진단할 수 있는 항목이다. 이 문제는 새롭지 않다. 2000년대 ERP 도입기에도, 2010년대 빅데이터 도입기에도 같은 일이 반복됐다. 도구를 먼저 사고 역량은 나중에 붙이려 했다. 다른 점은 에이전트가 사람을 대신해 판단하고 행동한다는 것뿐이다. 준비 없이 위임하면 손실이 더 빠르다. 여섯 개 축으로 나누어 재면 된다. 경계, 맥락, 구조, 검증, 운영, 통제다. 여섯 글자를 따면 BUILDS가 된다. 총점이 아니라 최저점을 본다.

127개를 걸러 1개를 남긴다

기업이 AI 과제를 발굴하면 평균 100개 이상의 후보가 나온다. 그중 80% 이상이 실패한다. 문제는 기술이 아니라 과제 선정이다. RAPIDS 프레임워크는 Readiness(준비도), Alignment(전략 정합), Pain(고통 강도), Impact(임팩트), Data(데이터 품질), Scope(범위 통제)의 6가지 기준으로 과제를 걸러낸다.

견적서 한 장에 숨은 비용

AI 에이전트가 기업 거래의 숨은 비용 네 가지를 동시에 무너뜨리고 있다. 거래 상대를 찾고, 협상하고, 감시하고, 제재하는 비용이다. 이것은 단순한 효율화가 아니라 "기업은 왜 존재하는가"라는 근본 질문을 흔드는 변화다. 그러나 AI가 아무리 발전해도 사라지지 않는 비용이 있다. "이 거래를 해야 하는가"를 판단하는 비용이다.

LLM 하나로는 부족하다

LLM(Large Language Model, 대규모 언어 모델)은 강력하지만, 기업 현장에서 단독으로 쓰기에는 한계가 뚜렷하다. 환각, 비용, 감사 불가능성이 대표적이다. Composite AI는 LLM을 포함한 여러 AI 기법을 결합해 이 한계를 넘는 접근법이다. Gartner는 이를 2024년 AI 핵심 트렌드로 선정했다.

조직이 바뀌어야 Agent가 산다

가장 뛰어난 AI 에이전트도 기존 조직 구조에서는 실패한다. 피라미드형 보고 체계, 고정된 직무 분장, 단절된 부서 칸막이가 에이전트의 작동을 가로막는다. AI 에이전트 도입의 성패는 기술이 아니라 조직 재설계에 달려 있다.