1. 공급망은 체인이 아니다

공급망(supply chain)이라는 이름이 오해를 만든다. 체인은 직선이다. A가 B에게, B가 C에게 넘기는 구조다. 현실은 다르다.

NVIDIA의 GPU 하나를 만드는 과정을 보자. TSMC가 칩을 제조한다[1]. 그 칩은 CoWoS라는 포장 기술로 묶인다. 2026년 전 세계 CoWoS 웨이퍼 수요는 약 59만 5천 장이다[7]. 그중 60%가 NVIDIA 몫이다[7]. 모건스탠리 분석이다. TSMC의 2026년 생산 능력은 이미 100% 배정됐다[7].

그 위에 SK하이닉스가 만든 고속 메모리(HBM)가 올라간다. 2026년 2분기 HBM 매출 점유율을 보자[8]. SK하이닉스 50% · 삼성 33% · 마이크론 18%다[8]. 직전 분기까지 SK하이닉스는 58%였다. 한 분기 만에 8%포인트를 내준 셈이다[8]. 그래도 한국 두 회사가 83%를 쥐고 있다.

하나의 제품에 세 개의 병목이 걸려 있다. 셋 중 하나라도 멈추면 전체가 멈춘다. 자동차나 가전 같은 다른 산업은 뒷순서로 밀린다.

이런 관계를 엑셀의 행과 열로 표현할 수 있을까. 어렵다. 표는 일직선 관계를 정리하는 도구다. 공급망은 일직선이 아니라 거미줄이다. 여러 기업이 서로 얽혀 있다. 한 곳의 변화가 엉뚱한 경로로 퍼진다.

2. GNN이 공급망을 보는 방식

GNN은 그래프 신경망(Graph Neural Network)이다. 관계를 학습하는 AI다[2]. 여기서 그래프란 점과 선으로 이루어진 구조를 말한다. 공급망에서 점은 기업이고, 선은 거래 관계다.

GNN의 작동 원리는 간단하다. 각 기업(점)이 자기와 거래하는 기업들의 정보를 모은다. 그 정보를 종합해서 자기 상태를 갱신한다. 이 과정을 반복한다. 그러면 각 기업이 전체 공급망의 흐름을 담은 정보를 갖는다.

기존 방식과 비교하면 차이가 뚜렷하다. 기존 공급망 예측은 개별 품목의 과거 판매량만 본다. GNN은 두 가지를 더 묻는다. 이 부품을 사가는 기업이 다른 어떤 부품도 함께 사는가. 이 공급업체의 하청이 다른 공급업체와 겹치는가. 숫자가 아니라 관계를 읽는 것이다.

2024년 공개된 SupplyGraph라는 벤치마크가 이를 검증했다[2]. 방글라데시의 대형 소비재 기업에서 나온 실제 데이터다. 제품 노드를 서로 연결했다. 판매 예측과 생산 계획에 쓰는 시계열 특성도 함께 담았다[2]. 비교 실험에서 GNN 기반 모델이 둘을 뚜렷하게 앞섰다. 다층 퍼셉트론(MLP)과 그래프 합성곱 신경망(GCN)이다. 특히 단일 노드 수요 예측에서 차이가 컸다[2].

개선 폭을 정리한 후속 연구도 있다. 비교 기준은 통계적 기계학습과 다른 딥러닝 모델이다. 향상 폭은 과제마다 달랐다. 회귀와 분류·탐지는 10~30%, 이상 탐지는 15~40%였다[3].

3. 숫자로 확인된 효과

McKinsey가 유통기업들을 분석했다[4]. 운영에 AI를 접목한 기업은 재고를 20~30% 줄였다. 물류비는 5~20%, 조달비는 5~15% 줄었다[4].

별도 분석에서는 AI 기반 공급망 관리를 먼저 도입한 기업이 앞섰다. 느린 경쟁사와 견주면 물류비는 15% 낮았다. 재고 수준은 35%, 서비스 수준은 65% 개선됐다[4].

시장 전망치도 커지고 있다. 공급망 AI 시장 전망치를 보자[9]. 2025년 99억 달러에서 2035년 2,364억 달러다[9]. 10년에 약 24배다. 매년 37%씩 커지는 셈이다[9]. 다만 이 수치는 시장 조사 기관 전망을 집계한 2차 자료다[9].

Gartner는 2026년 공급망 기술 트렌드 여덟 개를 꼽았다[5]. 그 안에 지능형 시뮬레이션(Intelligent Simulation)이 있다[5]. 기존 모델링에 AI와 기계학습을 넣어 예측력을 높이는 흐름이다[5]. 디지털 트윈은 실제 공급망을 컴퓨터 안에 그대로 복제해 미리 돌려 보는 기술이다. GNN은 그 복제본을 돌리는 엔진이다.

4. 기업들은 이미 움직이고 있다

Siemens, Walmart, JPMorgan이 GNN 관련 특허를 출원하고 있다[6]. 실험이 아니라 사업 전략이다.

Siemens는 AI와 지식그래프를 결합했다. 공급망에서 가장 취약한 경로를 자동으로 찾아내는 기술이다. 하청업체의 위험도를 단계별로 점수 매기는 기술도 함께 냈다[6].

Walmart은 Walmart Apollo 명의로 특허를 냈다. 특허를 보유하는 법인이다. 공급망 전체를 디지털 트윈으로 만드는 기술이다. 공급업체와 물류센터, 매장을 한 그래프에 함께 올린다[6]. 서로 다른 참여자를 한자리에서 분석한다.

JPMorgan Chase도 GNN 특허를 냈다[6]. 공급망 안의 경쟁 관계를 자동으로 찾아내는 기술이다. 은행이 왜 공급망 기술에 투자할까. 돈을 빌려줄 때 그 기업의 공급망이 얼마나 튼튼한지 알아야 한다. 그것이 핵심이다.

이 시리즈의 2편은 이 세 기업의 특허 경쟁을 구체적으로 다룬다.

JK's Take

공급망에서 바꿔야 할 것은 거래처가 아니라 보는 도구다.

30년간 공급망은 ERP의 표로 관리되었다. ERP는 전사 자원관리 시스템이다. 거래처 코드와 발주 수량이 담긴 표가 전부였다. 그 표로 할 수 있는 판단은 하나였다. "A 업체가 못 하면 B 업체로 바꾼다."

AI 반도체 공급망에서는 그 대체가 통하지 않는다. TSMC가 못 하면 대신할 곳이 없다. SK하이닉스가 늦으면 다른 메모리로 바로 바꿀 수 없다. 한 곳의 문제가 전혀 다른 곳에서 터진다.

GNN은 공급망을 보는 도구를 표에서 그래프로 바꾼다. 단순한 기술 교체가 아니다. 공급망을 보는 눈 자체가 바뀌는 것이다.

What to Watch

— SupplyGraph 실험이 반도체·자동차·에너지로 넓어지는지 주목하라. 소비재에서 통한 기술이 다른 산업에서도 통하는지가 관건이다.

— Siemens와 Walmart, JPMorgan의 특허를 추적하라. 제품으로 나오는 시점이 중요하다. 특허와 실제 사용 사이의 간극이 이 기술의 성숙도를 보여준다.

— HBM 점유율이 분기마다 어떻게 뒤집히는지 보라. 2026년 2분기에 SK하이닉스가 58%에서 50%로 내려왔다[8]. 같은 기간 삼성은 21%에서 33%로 올라왔다[8]. 병목의 주인이 바뀌면 그래프의 모양도 바뀐다.

References

[1] NextWaves Insight, "AI Semiconductor Supply Chain: TSMC Capacity 2026", 2025. https://nextwavesinsight.com/ai-semiconductor-supply-chain-tsmc-capacity-2026/ — CoWoS(Chip on Wafer on Substrate, 칩-웨이퍼-기판 일체 포장)는 여러 칩과 메모리를 하나의 기판 위에 합치는 포장 기술이다. HBM(High Bandwidth Memory, 고대역폭 메모리)은 메모리 칩을 수직으로 쌓아 데이터 전송 속도를 높인 고속 메모리다. ※ 2026-10-04 점검 — 이 주소가 TLS 오류로 열리지 않는다. 죽은 링크인지 일시적 차단인지 확인되지 않았다. 같은 사실은 [7]이 함께 받친다.

[2] Wasi et al., "SupplyGraph: A Benchmark Dataset for Supply Chain Planning using Graph Neural Networks", 2024. https://arxiv.org/abs/2401.15299 — GNN(Graph Neural Network, 그래프 신경망)은 점과 선으로 이루어진 관계 데이터에서 패턴을 학습하는 AI 기술이다.

[3] Wasi et al., "Graph Neural Networks in Supply Chain Analytics and Optimization", arXiv:2411.08550, 2024. https://arxiv.org/abs/2411.08550 — 통계적 기계학습 및 여타 딥러닝 모델 대비 회귀 10~30%, 분류·탐지 10~30%, 이상 탐지 15~40%의 성능 향상을 보고한다. 개선 폭은 과제 범주별 범위로 제시되며, 특정 지표(MAPE 등)에 고정된 단일 수치는 논문에 없다.

[4] McKinsey & Company, "Harnessing the power of AI in distribution operations". https://www.mckinsey.com/industries/industrials/our-insights/distribution-blog/harnessing-the-power-of-ai-in-distribution-operations · McKinsey & Company, "Succeeding in the AI supply-chain revolution". https://www.mckinsey.com/industries/metals-and-mining/our-insights/succeeding-in-the-ai-supply-chain-revolution — 전자는 유통 운영에 AI를 내재화했을 때 재고 20~30%, 물류비 5~20%, 조달비 5~15% 절감을 제시한다. 후자는 AI 기반 공급망 관리 선도 기업이 느린 경쟁사 대비 물류비 15%, 재고 수준 35%, 서비스 수준 65%를 개선했다고 분석한다.

[5] Gartner, "Top Supply Chain Technology Trends for 2026", 2026-06-30. https://www.gartner.com/en/newsroom/press-releases/2026-06-30-gartner-identifies-top-supply-chain-technology-trends-for-2026 — 2026년 여덟 트렌드는 Polyfunctional Robots · Physical AI · Agentic AI · Collaborative Multiagent Systems · Intelligent Simulation · Domain-Specific Language Models · Product Provenance · Decision Governance다. 지능형 시뮬레이션은 "기존 모델링에 AI·기계학습·고급 분석을 결합해 예측 능력과 의사결정을 개선하는" 흐름으로 정의된다. 디지털 트윈(Digital Twin)은 실제 공급망을 컴퓨터 안에 그대로 복제해 시뮬레이션하는 기술이다. ※ 2026-10-04 확인 — 이 보도자료에 "2027년까지 대기업의 75%가 디지털 트윈을 도입한다"는 수치는 없다. 해당 문장을 본문에서 뺐다.

[6] PatSnap, "Graph Neural Network Supply Chain Prediction 2026", 2026. https://www.patsnap.com/resources/blog/rd-blog/graph-neural-network-supply-chain-prediction-2026/ — 지식그래프(Knowledge Graph)는 기업, 제품, 거래 관계 등을 점과 선으로 구조화한 데이터베이스다.

[7] Morgan Stanley 리서치 보고서 요약, Astute Group, "Advanced Packaging Demand Soars: Nvidia Secures 60% of CoWoS Capacity". https://www.astutegroup.com/news/industrial/advanced-packaging-demand-soars-nvidia-secures-60-of-cowos-capacity/ — NVIDIA가 2026년 전 세계 CoWoS 웨이퍼 수요 59.5만 장 중 약 60%를 점유할 전망이다. 그중 51만 장을 TSMC가, 8만 장가량을 Amkor·ASE/SPIL 등 OSAT가 나눠 맡는다. TSMC의 2026년 CoWoS 생산 능력은 100% 배정 완료됐다.

[8] Counterpoint Research, "Global DRAM and HBM Market Share: Quarterly", 2026. https://counterpointresearch.com/en/insights/global-dram-and-hbm-market-share — 2026년 2분기 HBM 매출 점유율 SK하이닉스 50%, 삼성 33%, 마이크론 18%. SK하이닉스는 직전 분기 58%에서 하락, 삼성은 21%에서 상승했다.

[9] Open Sky Group, "Supply Chain AI Statistics", 2026. https://openskygroup.com/supply-chain-ai-statistics/ — 공급망 AI 시장 2025년 99억 달러에서 2035년 2,364억 달러 전망(CAGR 약 37%). 시장 조사 기관 전망치를 집계한 2차 자료다.

— 2026-09-07 업데이트: 세 가지를 바로잡았다. ① CoWoS 내 NVIDIA 점유율을 "70% 이상"에서 모건스탠리 분석 기준 60%로 수정했다[7]. ② SK하이닉스 HBM 점유율 57~58%는 2026년 1분기 수치로, 2분기에 50%로 하락했다(삼성 33%, 마이크론 18%)[8]. ③ "GNN이 예측 오차를 23.7% 줄였다"는 서술은 원 논문에 없는 수치여서, 논문이 실제로 보고한 과제별 개선 범위(회귀 10~30%, 이상 탐지 15~40%)로 교체했다[3]. McKinsey 수치의 출처도 2차 집계 사이트에서 McKinsey 원문 두 건으로 바꿨다[4]. 확인되지 않은 Accenture 수익성 23% 문장은 삭제했다.

— 2026-10-04 업데이트: 사실 하나를 빼고 셋을 확인했다. ① "Gartner는 2027년까지 대기업의 75%가 디지털 트윈을 도입할 것으로 내다봤다"를 삭제했다. 인용한 Gartner 보도자료에 그 수치가 없다[5]. 대신 그 보도자료가 실제로 담은 것(여덟 트렌드 중 Intelligent Simulation)으로 바꿨다. ② CoWoS 내 NVIDIA 60%와 TSMC 2026년 배정 100% 완료는 유효하다[7]. 전체 수요 59만 5천 장이라는 견줄 기준을 본문에 넣었다. ③ 2026년 2분기 HBM 점유율(SK하이닉스 50%·삼성 33%·마이크론 18%)은 여전히 최신 확정치다[8]. 3분기 수치는 증권가 추정만 나와 있어 본문에 넣지 않았다. ④ 제목을 "GNN으로 읽는 글로벌 AI 공급망 (1) 왜 표가 아니라 그래프인가"에서 바꿨다. 시리즈명은 화면이 따로 보여준다. ⑤ 긴 문장 쪼개기, ERP 용어 풀이, 시장 전망치에 견줄 기준(10년 24배) 추가.