시장Market & Industry
어디에, 지금 무엇이 — 산업별 적용과 시장 변화
판도 Ecosystem
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.
2026년 9월 7일
기술Technology
모델 릴리스, 벤치마크, 신규 기능, 오픈소스
Sovereign AI 아시아 1/2
2026년 9월 7일
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
2026년 9월 7일
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.
2026년 9월 7일
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.
2026년 8월 5일· 2026년 9월 7일 업데이트
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.
2026년 8월 4일· 2026년 9월 8일 업데이트
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.
판도Ecosystem
빅테크 전략, 스타트업 펀딩, M&A, 파트너십
2026년 9월 7일· 2026년 9월 8일 업데이트
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.
GNN으로 읽는 글로벌 AI 공급망 1/3
2026년 8월 6일· 2026년 9월 7일 업데이트
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
2026년 8월 7일· 2026년 9월 7일 업데이트
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
2026년 8월 13일· 2026년 9월 7일 업데이트
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.
