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. 모건스탠리 분석에 따르면 2026년 전 세계 CoWoS 웨이퍼 수요의 60%를 NVIDIA가 차지한다[7]. TSMC의 2026년 CoWoS 생산 능력은 이미 100% 배정이 끝났다[7].
그 위에 SK하이닉스가 만든 고속 메모리(HBM)가 올라간다. 2026년 2분기 기준 HBM 매출 점유율은 SK하이닉스 50%, 삼성 33%, 마이크론 18%다[8]. 직전 분기까지 SK하이닉스가 58%였으니 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 문제가 생기면 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 있고, 한 곳의 변화가 예상치 못한 경로로 퍼진다.
2. GNN이 공급망을 보는 방식
GNN(Graph Neural Network)은 "관계"를 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 반복하면, 각 기업은 전체 공급망의 흐름을 반영한 정보를 갖게 된다.
기존 방식과 비교하면 차이가 뚜렷하다. 기존 공급망 예측은 개별 품목의 과거 판매량만 본다. GNN은 다르다. "이 부품을 사가는 기업이 다른 어떤 부품도 함께 사는가", "이 공급업체의 하청이 다른 공급업체와 겹치는가"를 함께 본다. 숫자가 아니라 관계를 읽는 것이다.
2024년 공개된 SupplyGraph라는 벤치마크가 이를 검증했다[2]. 방글라데시의 대형 소비재 기업에서 나온 실제 데이터로, 제품 노드를 서로 연결하고 판매 예측과 생산 계획에 쓰이는 시계열 특성을 함께 담았다[2]. 비교 실험에서 GNN 기반 모델이 다층 퍼셉트론(MLP)과 그래프 합성곱 신경망(GCN)을 뚜렷하게 앞섰다. 특히 단일 노드 수요 예측에서 차이가 컸다[2].
개선 폭을 정리한 후속 연구도 있다. 통계적 기계학습과 다른 딥러닝 모델을 기준으로 회귀 과제에서 1030%, 분류·탐지 과제에서 1030%, 이상 탐지에서 15~40%의 성능 향상이 보고됐다[3].
3. 숫자로 확인된 효과
McKinsey 분석에 따르면, 운영에 AI를 접목한 유통기업들은 재고를 2030%, 물류비를 520%, 조달비를 5~15% 줄였다[4]. 별도 분석에서는 AI 기반 공급망 관리를 먼저 도입한 기업이 느린 경쟁사 대비 물류비 15%, 재고 수준 35%, 서비스 수준 65%를 개선한 것으로 나타났다[4].
시장도 빠르게 커지고 있다. 공급망 AI 시장은 2025년 99억 달러에서 2035년 2,364억 달러로 성장할 전망이다. 매년 37%씩 커지는 셈이다[9].
Gartner는 2026년 공급망 기술의 핵심 트렌드로 AI 기반 시뮬레이션을 꼽았다[5]. 2027년까지 대기업의 75%가 디지털 트윈을 도입할 것으로 내다봤다. 디지털 트윈은 실제 공급망을 컴퓨터 안에 그대로 복제해 미리 시뮬레이션하는 기술이다. GNN은 이 디지털 트윈의 핵심 엔진이다.
4. 기업들은 이미 움직이고 있다
Siemens, Walmart, JPMorgan이 GNN 관련 특허를 출원하고 있다[6]. 실험이 아니라 사업 전략이다.
Siemens는 AI와 지식그래프를 결합해 공급망에서 가장 취약한 경로를 자동으로 찾아내는 기술을 특허로 냈다. 여러 단계에 걸친 하청업체의 위험도를 점수로 매기는 기술도 함께 출원했다[6].
Walmart은 특허 보유 법인인 Walmart Apollo 명의로 공급망 전체를 디지털 트윈으로 만드는 특허를 냈다. 공급업체, 물류센터, 매장이라는 서로 다른 유형의 참여자를 하나의 그래프에서 함께 분석하는 기술이다[6].
JPMorgan Chase는 공급망 안에서 경쟁 관계를 자동으로 찾아내는 GNN 기술을 특허로 냈다[6]. 은행이 왜 공급망 기술에 투자할까. 돈을 빌려줄 때 그 기업의 공급망이 얼마나 안정적인지 파악하는 것이 핵심이기 때문이다.
JK's Take
30년간 공급망은 ERP의 표로 관리되었다. 거래처 코드와 발주 수량이 전부였다. "A 업체가 못 하면 B 업체로 바꾼다"는 수준의 판단만 가능했다.
AI 반도체 공급망에서는 이런 단순 대체가 통하지 않는다. TSMC가 못 하면 대체할 곳이 없다. SK Hynix가 지연되면 다른 메모리로 바로 바꿀 수 없다. 관계가 깊고, 대체 경로가 없으며, 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, 에너지 분야로 확장되는지 주목하라. 소비재에서 통한 기술이 다른 산업에서도 통하는지가 관건이다.
— Siemens, Walmart, JPMorgan의 특허가 실제 제품으로 나오는 시점을 추적하라. 특허를 내는 것과 실제로 쓰는 것 사이의 간극이 이 기술의 성숙도를 보여준다.
— 이 시리즈의 2편에서는 이 세 기업의 특허 경쟁을 구체적으로 분석한다. 지금의 특허 지형이 5년 후 공급망 권력 지도가 될 것이다.
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.
[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 1030%, 분류·탐지 1030%, 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 2030%, 물류비 520%, 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.
[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.
[5] Gartner, "Top Supply Chain Technology Trends for 2026", 2026. https://www.gartner.com/en/newsroom/press-releases/2026-06-30-gartner-identifies-top-supply-chain-technology-trends-for-2026 — 디지털 트윈(Digital Twin)은 실제 공급망을 컴퓨터 안에 그대로 복제해 시뮬레이션하는 기술이다.
[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.
— 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 5758%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 1030%, 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.
