2026년 7월 9일 목요일

생각정리 305 (* 광변조기, 플라즈모닉스)

800G에서 1.6T, 3.2T로 광통신 대역폭과 전송속도가 빠르게 높아지면서, 기존 광변조기의 크기와 전력효율은 차세대 광인터커넥트의 주요 병목 중 하나로 부상하고 있다.

최근 이 한계를 돌파할 대안으로 플라즈모닉스 기반 광변조 기술이 주목받기 시작했다. 관련 기술의 작동 원리와 기존 광변조기 대비 장점, 남아 있는 상용화 과제를 정리해본다.

800G에서 3.2T로 갈수록 광변조기가 중요해지는 이유


AI 데이터센터의 광통신 속도는 빠르게 높아지고 있다.

현재 800G 광트랜시버가 본격적으로 확산되는 가운데 시장은 1.6T를 거쳐 3.2T 광모듈과 차세대 광엔진으로 이동하고 있다.

여기서 800G, 1.6T, 3.2T는 광모듈 하나가 1초 동안 전송할 수 있는 데이터의 총량을 의미한다.

  • 800G: 초당 800기가비트

  • 1.6T: 초당 1.6테라비트

  • 3.2T: 초당 3.2테라비트

속도가 두 배 높아질 때마다 광모듈 내부의 전기·광학 부품도 더 많은 데이터를 처리해야 한다.

문제는 광모듈의 크기와 소비전력을 속도에 비례해 계속 늘릴 수 없다는 점이다.

결국 같은 크기 안에서 더 많은 데이터를, 더 적은 전력으로 보내야 한다.

이 과정에서 가장 중요한 부품 중 하나가 광변조기이다. Coherent는 2026년 OFC에서 1.6T·3.2T 플러거블 기술을 공개했고, OIF도 224G와 448G급 전기 인터페이스 및 차세대 광모듈 규격을 개발하고 있다. (Coherent Inc)


1. 광변조기는 무엇을 하는 부품인가


광통신에서는 레이저가 계속 빛을 만들어낸다.

하지만 일정한 빛만 계속 보내서는 데이터를 전달할 수 없다.

빛을 켰다 껐다 하거나, 빛의 세기·위상·주파수를 바꿔야 0과 1의 정보를 실을 수 있다.

이 역할을 하는 부품이 광변조기이다.

쉽게 비유하면 다음과 같다.

  • 레이저: 계속 흐르는 물

  • 광섬유: 수도관

  • 광변조기: 수도꼭지

  • 전기 신호: 수도꼭지를 여닫는 명령


광변조기는 전기 신호를 받아 빛의 세기나 위상을 바꾼다.

전기 데이터가 광데이터로 바뀌는 핵심 지점인 셈이다.

따라서 광변조기가 충분히 빠르게 반응하지 못하면 광모듈 전체 속도도 높이기 어렵다.


2. 800G에서 1.6T, 3.2T로 가는 두 가지 방법


광모듈의 전체 속도를 높이는 방법은 크게 두 가지이다.

첫 번째는 채널 수를 늘리는 방법이다


대표적인 구성을 단순화하면, 100G를 전송하는 광채널 8개를 사용해 800G를 구현할 수 있다.

같은 100G 채널을 16개 사용하면 전체 전송량을 1.6T로 늘릴 수 있다.

하지만 채널이 늘어나면 다음 부품도 함께 늘어난다.

  • 광변조기

  • 드라이버

  • 광검출기

  • 수신 증폭기

  • 광도파로

  • 광섬유 연결부

광모듈 내부가 복잡해지고 면적과 소비전력이 증가한다.

두 번째는 채널 하나의 속도를 높이는 방법이다

100G 채널을 200G로 높이면 8개 채널로 1.6T를 구현할 수 있다.

다시 채널당 400G 수준까지 높이면 8개 채널로 3.2T를 구현할 수 있다.

실제 1.6T DR8 모듈은 8개의 200G PAM4 채널을 사용하는 구조가 등장하고 있다. 3.2T에서는 400G/lane과 이에 대응하는 448G급 전기 인터페이스가 중요한 개발 방향이다. (Coherent Inc)

하지만 이번에는 광변조기 하나가 훨씬 빠르게 움직여야 한다.

결국 3.2T로 갈수록 광변조기는 다음 두 가지 조건을 동시에 만족해야 한다.

더 빨라져야 하고, 더 작아져야 한다.

바로 이 지점에서 기존 광변조기의 한계가 나타난다.


기존 광변조기는 왜 길어지는가


현재 실리콘 포토닉스에서 널리 사용되는 광변조기 중 하나가 MZM, 즉 마하젠더 변조기이다.

원리는 어렵지 않다.

레이저 빛을 두 갈래로 나눈 뒤, 두 빛의 진행 상태를 다르게 만든 다음 다시 합친다.

두 빛이 같은 위상으로 만나면 강하게 합쳐져 밝아진다.

반대 위상으로 만나면 서로 상쇄돼 어두워진다.

이 밝기 차이를 이용해 데이터를 만든다.

문제는 실리콘이 전압을 가했을 때 굴절률이 크게 변하는 소재가 아니라는 점이다.

실리콘은 결정 대칭성 때문에 일반적인 Pockels 효과를 직접 사용하기 어렵고, 주로 전자와 정공의 밀도를 변화시키는 plasma dispersion effect를 이용한다. 이 방식은 굴절률을 바꾸는 동시에 빛의 흡수손실도 변화시킨다. (arXiv)

전압을 조금 가해도 실리콘의 굴절률 변화가 크지 않기 때문에, 충분한 위상 변화를 만들려면 빛과 전기 신호가 비교적 긴 구간에서 상호작용해야 한다.

쉽게 말하면 다음과 같다.

약한 약품을 사용하는 대신 반응 시간을 길게 가져가는 것과 같다.

실리콘의 변조 효과가 약하기 때문에 빛이 수㎜ 길이의 변조기 안을 이동하면서 조금씩 영향을 받도록 만드는 것이다.

전통적인 traveling-wave 실리콘 MZM은 수㎜ 길이를 갖는 경우가 많다. 다만 최근에는 전극과 소재 구조를 개선해 500㎛ 길이에서 약 95GHz 대역폭을 구현하는 연구도 등장하고 있다. 따라서 “모든 실리콘 변조기가 반드시 수㎜”라기보다, 변조효율과 속도를 함께 확보하려 할수록 길이와 전극 설계가 부담이 된다고 이해하는 편이 정확하다. (IEEE Xplore)





Luceda Photonics: Mach-Zehnder Modulator 원리(MZM)
빛을 두 갈래로 나누고 다시 합쳐 밝기를 조절하는 MZM의 기본 구조를 그림으로 설명한다.



Next-Generation CPO for Disaggregated AI Systems PDF


Next-Generation CPO for Disaggregated AI Systems PDF


Next-Generation CPO for Disaggregated AI Systems PDF


Next-Generation CPO for Disaggregated AI Systems PDF


Next-Generation CPO for Disaggregated AI Systems PDF


Next-Generation CPO for Disaggregated AI Systems PDF


광변조기가 길어지면 생기는 문제


광변조기를 길게 만들면 빛과 전기장이 상호작용하는 거리가 길어진다.

따라서 상대적으로 낮은 전압으로도 충분한 위상 변화를 만들 수 있다.

그러나 길어질수록 속도·손실·면적 측면에서 불리해진다.

1. 전기적으로 무거워진다


광변조기는 전기적으로 커패시터와 비슷한 성질을 가진다.

전압을 넣었다 빼면서 내부의 전하를 충전하고 방전해야 한다.

변조기가 길어지면 PN 접합과 전극의 면적이 커지고, 전체 정전용량도 증가한다.

작은 컵보다 큰 물통을 채우고 비우는 데 시간이 더 오래 걸리는 것과 같다.

800G에서는 감당할 수 있었던 충·방전 시간이 1.6T와 3.2T의 높은 심볼 속도에서는 병목으로 작용할 수 있다.

실제로 traveling-wave MZM 연구에서는 PN 접합의 정전용량이 microwave attenuation을 높이고, 변조기의 고주파 대역폭을 제한하는 핵심 요인으로 지적된다. (IEEE Xplore)


2. 전기 신호가 이동하면서 약해진다


긴 광변조기에서는 전기 신호도 긴 전극을 따라 변조기 끝까지 이동해야 한다.

그런데 고주파 전기 신호는 배선을 따라가면서 점차 약해지고 형태가 흐트러진다.

속도가 낮을 때는 문제가 크지 않다.

하지만 100GBaud, 200GBaud 이상으로 올라가면 작은 배선 손실과 설계 오차도 크게 나타난다.

대표적인 문제는 다음과 같다.

  • 전기 신호 감쇠

  • 임피던스 불일치

  • 신호 반사

  • 전기 신호와 빛의 이동속도 불일치

  • 전극 저항과 유전체 손실

  • 고주파 영역의 microwave loss


쉽게 말하면 짧은 거리에서는 또렷하게 들리던 목소리가 긴 복도 끝에서는 울리고 흐려지는 것과 비슷하다.

3.2T처럼 초고속 신호를 처리할 때는 이러한 손실이 eye opening을 좁히고 데이터 오류를 늘릴 수 있다.


3. 빛도 이동하면서 손실된다


빛이 긴 변조기와 도파로를 통과하면 일부 에너지가 흡수되거나 산란된다.

특히 실리콘 plasma dispersion 방식은 전하 밀도를 바꾸면서 굴절률뿐 아니라 광흡수도 함께 변화시킨다.

출력되는 빛이 약해지면 수신기에서 신호와 잡음을 구분하기 어려워진다.

이를 보완하기 위해서는 다음과 같은 대응이 필요하다.

  • 레이저 출력 증가

  • 수신기 감도 개선

  • 드라이버 출력 증가

  • DSP equalization 강화

  • 오류보정 기능 강화


결국 광변조기에서 발생한 손실이 다른 부품의 전력과 설계 부담으로 전가된다.


4. 광모듈 내부 공간을 많이 차지한다


800G에서 1.6T와 3.2T로 올라가면 더 많은 광채널을 제한된 면적에 배치해야 한다.

그런데 변조기 하나가 수㎜ 길이라면 여러 개를 나란히 배치하는 데 한계가 있다.

광모듈 내부에는 변조기만 들어가는 것도 아니다.

  • 레이저

  • 광도파로

  • 광필터

  • 광검출기

  • 드라이버

  • TIA

  • DSP

  • 광섬유 연결부

  • 전원회로


이 모든 부품을 제한된 패키지 안에 넣어야 한다.

따라서 광모듈이 발전할수록 중요한 것은 단순한 총속도뿐 아니라 단위 면적당 얼마나 많은 데이터를 처리할 수 있는가이다.

이를 Bandwidth Density, 즉 대역폭 밀도라고 부른다.

기존의 긴 실리콘 MZM은 높은 대역폭 밀도를 구현하는 데 구조적인 부담이 있다.

Marvell: Plasmonics—A Path to Higher Bandwidth in Optics in the AI Era
기존 3,000~5,000㎛ 변조기와 플라즈모닉 변조기의 크기 차이를 시각화한다.  

광변조기를 짧게 만들면 해결되지 않을까


겉으로 보면 해결책은 간단해 보인다.

긴 광변조기가 문제라면 짧게 만들면 된다.

실제로 변조기를 짧게 만들면 여러 장점이 있다.

  • 칩 면적이 작아진다.

  • 정전용량이 감소한다.

  • 전기 신호가 이동하는 거리가 줄어든다.

  • 충전과 방전이 빨라진다.

  • 더 높은 속도로 작동할 수 있다.


하지만 새로운 문제가 생긴다.

변조기가 짧아지면 빛과 전기장이 상호작용하는 거리도 짧아진다.

실리콘의 변조 효과는 원래 강하지 않기 때문에 짧은 거리에서는 빛의 위상을 충분히 바꾸기 어렵다.

이를 보완하려면 더 높은 전압이나 더 강한 전기장을 사용해야 한다.

쉽게 비유하면 다음과 같다.

천천히 오랫동안 밀면 작은 힘으로도 문을 움직일 수 있다.

반대로 아주 짧은 시간 안에 문을 움직이려면 더 큰 힘을 가해야 한다.

광변조기도 비슷하다.

  • 길게 만들면 비교적 낮은 전압으로 구동할 수 있지만 크기와 고주파 손실이 증가한다.

  • 짧게 만들면 작고 빨라지지만 더 높은 구동전압이나 강한 활성 소재가 필요하다.


따라서 기존 실리콘 광변조기는 다음과 같은 딜레마에 놓인다.

낮은 전압을 원하면 길어지고, 작고 빠르게 만들면 구동전압과 설계 난도가 높아진다.

이를 흔히 voltage–bandwidth–efficiency trade-off라고 볼 수 있다.


800G에서는 가능했지만 3.2T에서는 어려워지는 이유


800G 광모듈은 대표적으로 8개의 100G급 채널이나 4개의 200G급 채널을 조합할 수 있다.

기존 실리콘 광변조기와 DSP 기술로도 상당 부분 대응할 수 있는 범위이다.

신호가 다소 흐려져도 DSP가 equalization과 오류보정을 통해 이를 복구할 수 있다.

하지만 1.6T에서는 8×200G 구성이 본격적으로 사용된다.

3.2T에서는 채널당 400G 수준의 광링크가 필요해질 가능성이 높다.

이때는 광변조기만 빨라져서는 부족하다.

다음 부품이 모두 동시에 빨라져야 한다.

  • 전기 신호를 만드는 SerDes

  • 광변조기를 구동하는 드라이버

  • 광변조기

  • 광검출기

  • TIA

  • ADC와 DAC

  • DSP

  • 오류보정 회로


광변조기의 대역폭이 충분하지 않으면 DSP가 더 강한 equalization을 수행해야 한다.

그러나 DSP가 복잡해질수록 전력소비와 발열도 증가한다.

정확한 전력 비중은 모듈 구조와 전송거리에 따라 다르지만, DSP를 제거하거나 단순화하는 LPO 구조가 기존 DSP 기반 광모듈보다 약 40~50% 낮은 전력을 목표로 한다는 점은 DSP 부담이 상당하다는 것을 보여준다. (Semtech)

결과적으로 광모듈 속도는 높아지더라도, 1비트를 보내는 데 필요한 energy per bit가 충분히 낮아지지 않을 수 있다.

AI 데이터센터에서는 매우 많은 광링크가 사용되기 때문에 모듈 하나당 수W의 차이도 전체 데이터센터에서는 큰 전력과 냉각비용 차이로 확대된다.


플라즈모닉스는 무엇이 다른가


플라즈모닉스는 빛을 금속 표면의 자유전자 움직임과 결합해 사용하는 기술이다.

일반적인 실리콘 광변조기에서는 빛이 실리콘 도파로 안을 이동한다.

반면 플라즈모닉 변조기에서는 빛이 금속과 절연체 사이의 매우 좁은 슬롯을 따라 이동한다.

쉽게 표현하면 다음과 같다.

기존 광변조기는 넓은 도로를 따라 빛이 이동하는 구조이다.

플라즈모닉 변조기는 빛을 매우 좁은 골목으로 밀어 넣는 구조이다.

이때 빛은 금속 표면의 전자 진동과 결합한 surface plasmon polariton 형태로 이동한다.

빛과 전기장이 같은 나노미터급 공간에 강하게 모이기 때문에 동일한 전압을 가해도 활성 소재에 미치는 영향이 커진다.


Marvell: Plasmonics—A Path to Higher Bandwidth in Optics in the AI Era
금속-유전체 슬롯에 빛과 전기장을 집중시키는 원리를 쉽게 설명한다.


All-plasmonic Mach–Zehnder modulator enabling optical high-speed ...

 https://www.nature.com/articles/nphoton.2015.127

플라즈모닉 구조는 빛과 전기장을 나노미터 크기의 슬롯에 집중해 일반 포토닉 구조보다 훨씬 강한 변조를 만든다.


플라즈모닉 변조기가 매우 짧아질 수 있는 이유


플라즈모닉 구조에서는 빛과 전기장이 매우 좁은 공간에서 겹친다.

기존 실리콘 광변조기는 빛과 전기장이 비교적 넓게 퍼져 있어 상호작용 강도가 제한적이다.

반면 플라즈모닉 변조기는 빛과 전기장을 하나의 작은 슬롯에 강하게 집중시킨다.

돋보기로 햇빛을 한 점에 모으면 온도가 급격히 올라가는 것과 비슷하다.

같은 빛과 전압이라도 좁은 공간에 집중될수록 활성 소재와의 상호작용이 강해진다.

따라서 빛이 수㎜를 이동하지 않아도 수㎛에서 수십㎛ 길이 안에서 충분한 위상 변화를 만들 수 있다.

2015년 Nature Photonics에 발표된 all-plasmonic MZM은 10㎛ 길이에서 70GHz 대역폭과 25fJ/bit의 에너지 소비를 기록했다. Marvell은 최근 Polariton 기반 기술이 약 10㎛ 길이에서 최대 1THz 수준의 대역폭을 나타낸다고 설명하고 있다. 전자는 동료평가 논문 결과이고, 후자는 기업이 공개한 최신 기술 설명이라는 차이가 있다. (Nature)


플라즈모닉 변조기가 빨라지는 이유


1. 충전해야 할 영역이 작다


변조기가 짧아지면 전기적으로 충전하고 방전해야 하는 활성 영역도 작아진다.

큰 물통 대신 아주 작은 컵을 채우고 비우는 것과 같다.

전체 정전용량이 작아지면 RC 지연이 줄어들고 전압을 더 빠르게 변화시킬 수 있다.

플라즈모닉 변조기가 수백GHz에서 THz에 이르는 높은 아날로그 대역폭을 구현할 수 있는 주요 이유 중 하나이다.

관련 논문

2. 전기 신호가 멀리 이동하지 않아도 된다


기존 traveling-wave MZM에서는 전기 신호가 수㎜ 길이의 전극을 지나가야 한다.

플라즈모닉 변조기는 길이가 수㎛에서 수십㎛ 수준이기 때문에 전기 신호가 긴 전극을 따라 이동할 필요가 없다.

그만큼 전극에서 발생하는 신호 감쇠, 반사, 속도 불일치 문제를 줄일 수 있다.

관련 논문

3. 빛과 전기장의 상호작용이 강하다


플라즈모닉 변조기에서는 빛이 매우 좁은 슬롯 안에 압축된다.

전극 사이 거리도 짧기 때문에 낮은 전압에서도 강한 전기장이 형성된다.

전압이 같다면 전극 간격이 좁을수록 단위 거리당 전기장은 강해진다.

빛과 전기장이 같은 활성 소재 안에서 강하게 겹치기 때문에 짧은 변조기에서도 충분한 빛의 변화가 가능하다.

관련 시각자료·논문

3.2T 시대에 플라즈모닉스가 특히 중요한 이유


플라즈모닉스의 가장 큰 장점은 단순히 변조기 하나가 빠르다는 데 있지 않다.

아주 작은 공간에 많은 고속 광채널을 넣을 수 있다는 점이 더 중요하다.

3.2T 광모듈에서는 채널당 400G 수준의 속도가 필요해질 수 있다.

기존 광변조기는 속도를 높이려 할수록 크기, 전극 손실과 구동전력 부담이 커진다.

플라즈모닉 변조기는 크기가 매우 작고 대역폭도 높기 때문에 제한된 면적에 더 많은 광채널을 배치할 수 있다.

이를 통해 다음과 같은 효과를 기대할 수 있다.

  • 광엔진 크기 축소

  • 채널 수 확대

  • 전기 배선 거리 단축

  • 드라이버 부하 감소

  • 단위 면적당 대역폭 증가

  • CPO 적용 용이

  • GPU와 스위치 주변 광입출력 확대


특히 CPO에서는 이러한 장점이 중요하다.

CPO는 광엔진을 스위치 ASIC이나 연산 칩 가까이에 배치하는 방식이다.

기존처럼 전기 신호를 보드 가장자리의 광모듈까지 긴 거리로 보내지 않고, 칩 주변에서 빠르게 광신호로 전환한다.

전기 신호 이동 거리가 짧아져 전력과 신호손실을 낮출 수 있다.

그러나 스위치 ASIC 주변의 패키지 공간과 칩 가장자리 면적은 제한적이다.

따라서 변조기가 작고 단위 길이당 대역폭이 높을수록 유리하다.

플라즈모닉스가 CPO와 잘 맞는 이유이다.

hn H LauUnimicron Technology Corporation의 PDF (MRM)

플라즈모닉스가 실리콘 포토닉스를 전부 대체하는 것은 아니다


플라즈모닉스는 빛을 매우 좁게 가둘 수 있지만 금속을 사용한다는 약점이 있다.

금속은 빛의 일부를 흡수해 열로 바꾼다.

따라서 플라즈모닉 구조만으로 빛을 긴 거리까지 보내는 것은 비효율적이다.

현실적인 방식은 역할을 나누는 것이다.

  • 빛이 이동하는 구간: 손실이 낮은 실리콘 또는 SiN 도파로

  • 빛을 빠르게 바꾸는 짧은 구간: 플라즈모닉 변조기

  • 장거리 전송 구간: 광섬유


즉, 실리콘 포토닉스 전체를 없애는 것이 아니다.

기존 실리콘 포토닉스 플랫폼 위에 플라즈모닉 활성소자를 결합하는 하이브리드 구조이다.

쉽게 말하면 고속도로 전체를 새로 만드는 것이 아니라, 병목이 발생하는 톨게이트만 초고속 장비로 바꾸는 구조이다.

관련 시각자료·논문

플라즈모닉스에도 해결해야 할 문제가 있다


플라즈모닉스가 유망하더라도 곧바로 모든 광모듈에 적용되는 것은 아니다.

금속에 의한 광손실


금속은 빛의 일부를 흡수한다.

변조기 길이가 매우 짧기 때문에 전체 손실을 제한할 수 있지만 완전히 없앨 수는 없다.

변조효율을 높이기 위해 빛을 금속에 더 강하게 가두면 광손실이 커질 수 있어, field confinement와 propagation loss 사이의 최적화가 필요하다.


관련 논문

장기 신뢰성


플라즈모닉 변조기에는 유기 전기광학 폴리머, BTO 같은 Pockels 소재 또는 다른 특수 활성 소재가 들어갈 수 있다.

데이터센터에서는 다음 조건을 수년간 견뎌야 한다.

  • 고온

  • 반복적인 열변화

  • 장시간 전압 인가

  • 높은 광출력

  • 습도

  • 패키지 응력


실험실에서 높은 속도를 기록한 것과 데이터센터에서 장기간 안정적으로 작동하는 것은 별개의 문제이다.
 

관련 자료

대량생산 수율

금속 사이의 슬롯 간격과 활성 소재 두께를 나노미터 단위로 정밀하게 관리해야 한다.

공정 편차가 발생하면 변조효율, 광손실, 구동전압과 채널별 성능이 달라질 수 있다.

실험실 단일 소자가 아니라 웨이퍼 전체에서 균일한 성능을 확보해야 상업적 양산이 가능하다.

관련 논문

패키징 문제


변조기가 1THz 대역폭을 갖더라도 드라이버, 전기배선과 패키지가 이를 지원하지 못하면 실제 데이터 전송속도는 제한된다.

따라서 플라즈모닉 변조기와 CMOS 드라이버를 매우 가깝게 배치하고, 짧고 낮은 손실의 전기 인터페이스를 구현해야 한다.

관련 자료

플라즈모닉스만이 유일한 대안은 아니다


3.2T 시대를 위한 광변조기 후보는 여러 가지가 있다.

  • 고속 실리콘 MZM

  • 실리콘 링 변조기

  • GeSi 전기흡수 변조기

  • InP 기반 EML

  • 박막 리튬나이오베이트

  • 전기광학 폴리머 변조기

  • 플라즈모닉 변조기


각 기술마다 장단점이 다르다.

기존 실리콘 MZM은 파운드리 공정과 생산 경험이 강점이지만 변조효율과 footprint 부담이 있다.

실리콘 링 변조기는 작고 저전력이지만 공진 구조이므로 온도와 공정편차에 민감하다. 변조 깊이와 속도 사이에도 trade-off가 존재한다. (Nature)

GeSi EAM은 매우 작고 실리콘 공정에 집적하기 쉽다. Imec은 110GHz 이상의 대역폭으로 net 400Gbps/lane을 시연해 3.2T 시대의 강력한 대안이 될 수 있음을 보여줬다. (imec)

InP EML은 레이저와 변조기를 하나의 III-V 칩에 통합할 수 있지만 실리콘 포토닉스와의 대규모 집적과 제조비용 측면에서 부담이 있다.

박막 리튬나이오베이트는 낮은 광손실과 강한 Pockels 효과, 100GHz 이상의 대역폭이 강점이다. 반면 MZM 길이와 실리콘 플랫폼과의 이종집적이 주요 과제이다. (Nature)

전기광학 폴리머는 높은 전기광학 효율과 낮은 구동전압이 장점이지만 소재의 장기 안정성, encapsulation과 양산 재현성을 검증해야 한다.

플라즈모닉스는 크기와 잠재 대역폭 측면에서 강력한 후보지만, 금속손실과 신뢰성, 양산수율을 확인해야 한다.

기술별 비교자료

결론


800G에서 1.6T, 3.2T로 광모듈 속도가 높아질수록 기존 광변조기는 점점 더 큰 부담을 받는다.

기존 실리콘 광변조기는 빛을 충분히 바꾸기 위해 비교적 긴 interaction length가 필요하다.

그러나 변조기가 길어지면 다음 문제가 발생한다.

  • 정전용량이 커진다.

  • 고주파 전기 신호 손실이 커진다.

  • 광학적 삽입손실이 증가할 수 있다.

  • 칩 면적을 많이 차지한다.

  • 많은 광채널을 고밀도로 배치하기 어렵다.


반대로 변조기를 짧게 만들면 속도와 면적은 개선되지만, 충분한 변조를 위해 더 높은 전압이나 더 강한 활성 소재가 필요하다.

결국 기존 실리콘 광변조기는 길이, 속도, 구동전압, 광손실과 전력 사이의 딜레마를 안고 있다.

플라즈모닉스는 빛과 전기장을 매우 좁은 공간에 강하게 집중시킨다.

이를 통해 짧은 거리에서도 빛을 충분히 바꿀 수 있다.

  • 변조기 길이를 수㎜에서 수십㎛ 이하로 축소

  • 전기적 정전용량과 RC 지연 감소

  • 수백GHz에서 THz 수준의 잠재 대역폭

  • 높은 단위 면적당 대역폭

  • CPO와 고밀도 Optical I/O에 유리


따라서 플라즈모닉스는 실리콘 포토닉스를 전면 대체하는 기술이라기보다, 1.6T와 3.2T 이후 기존 실리콘 광변조기의 속도와 면적 병목을 보완하는 초고속 활성소자 기술로 보는 것이 적절하다.

특히 채널당 400G 이상, 3.2T 광모듈, CPO, AI scale-up 및 scale-across 네트워크처럼 속도와 공간 제약이 동시에 심해지는 시장에서 플라즈모닉스의 상대적 가치는 커질 가능성이 높다.

다만 GeSi EAM, 고속 실리콘 MZM, TFLN, InP EML과 전기광학 폴리머도 계속 발전하고 있다.

따라서 차세대 광변조기 시장은 하나의 기술이 모든 영역을 대체하기보다, 전송거리·전력·면적·비용과 신뢰성에 따라 여러 기술이 병존하는 형태로 전개될 가능성이 높다.

결론 참고자료


=끝
작성자: 시간: 댓글 없음:

2026년 7월 8일 수요일

생각정리 304 (* 지수레벨, 정상 밸류에이션)

최근 지수가 연일 급락하면서 시장에서는 자연스럽게 “지금이 과매도 구간인가”, “이 정도면 저평가 아닌가”라는 질문이 나온다.

하지만 지수가 많이 빠졌다는 사실만으로 시장 전체를 과매도라고 단정하기는 어렵다. 손실이 발생한 구간은 과매도처럼 느껴지고, 이익이 나는 구간은 적정가치처럼 보이는 것은 투자자들이 흔히 빠지는 인지적 편향일 수 있다.

그래서 지금 필요한 것은 지수 전체를 하나의 덩어리로 보는 시각이 아니라,
어디가 싸고, 어디가 정상이며, 어디가 여전히 비싼지를 나눠보는 작업이다.

숫자를 분해해보면 결론은 생각보다 명확하다.

삼성전자와 SK하이닉스는 2026~2027년 이익 추정치가 폭발적으로 상향되었음에도 PER이 극단적으로 낮아진 구간에 있다. 반면 두 기업을 제외한 코스피 상장사들은 과거 평균 PER과 비교했을 때 과매수도, 과매도도 아닌 정상 밸류에이션 구간에 가깝다.

그리고 코스닥은 다르다. 지수가 크게 밀렸음에도 전체 이익 체력은 여전히 얇고, PER은 코스피와 비교하기 어려울 정도로 높다. 따라서 코스닥을 단순히 “많이 빠졌으니 싸다”고 보기에는 무리가 있다.

결국 지금(*KST 7/8일 기준)의 한국 주식시장은 하나의 문장으로 정리할 수 있다.

코스피의 저PER은 삼성전자와 SK하이닉스의 저PER이고, 코스닥의 하락은 이익 체력 부재를 가리는 근거가 되기 어렵다.

  

코스닥 3,000pt와 코스피 저PER을 같은 프레임으로 보면 안 되는 이유


저평가 고평가를 논하기 위해서 가장 먼저 확인해야 할 것은 지수 레벨이 아니라 시장 전체의 이익 체력이다.

주식시장은 결국 이익과 밸류에이션의 함수다. 유동성, 정책, 투자심리가 단기적으로 지수를 끌어올릴 수는 있지만, 장기적으로 그 지수를 정당화하는 것은 순이익 규모와 그 이익의 지속 가능성이다.

이 관점에서 보면 현재 한국 주식시장은 매우 특이한 구조다.

코스피는 headline PER만 보면 극단적으로 싸 보인다.
하지만 그 저PER의 대부분은 삼성전자와 SK하이닉스 두 기업의 2026~2027년 이익 추정치 폭발적 상향에서 나온다.

반면 코스닥은 지수가 밀렸음에도 여전히 코스피와 비교하기 어려울 정도로 이익 기반이 얇다.

1. 코스닥: 지수가 밀려도 이익 체력은 여전히 약하다


먼저 코스닥부터 보자.

KRX 메인 기준 2026년 7월 1일 코스닥 지수는 929.35pt, 코스닥 시가총액은 441.6조원이었다. 이후 7월 8일 코스닥 종가는 785.00pt까지 하락했다. 단순히 지수 변동률을 적용하면 7월 8일 기준 코스닥 시가총액은 약 373조원으로 환산된다. 이 값은 KRX 확정 일별 시총 원자료가 아니라, 7월 1일 KRX 시총에 7월 8일 지수 변동률을 적용한 추정치다. (KRX 데이터시스템)



순이익 체력은 이전에 확인한 코스닥 전체 순이익 역산치 약 5.9조원(*bear case 4조원)을 유지했다. 이 가정이 다소 보수적이라고 해도, 결론은 크게 달라지지 않는다.


https://uiyeonassociation.blogspot.com/2026/03/193.html

코스닥은 지수가 크게 밀렸음에도 전체 이익 체력이 4~6조원 안팎에 불과하다.
그럼에도 시가총액은 여전히 370조원 안팎으로 추정된다.

따라서 코스닥의 문제는 단순히 지수가 낮아졌느냐가 아니다.
핵심은 시가총액 대비 이익 기반이 너무 얇다는 점이다.

코스닥 PER이 100배에서 60배대로 낮아졌다고 해도, 그것이 곧 저평가를 의미하지는 않는다. 코스닥은 여전히 이익을 내는 기업의 수, 이익의 절대 규모, 이익의 지속 가능성 측면에서 코스피와 비교하기 어렵다.

2. 삼성전자·SK하이닉스: 연초 이후 이익 추정치가 수백조원 단위로 상향됐다


반대로 코스피는 다르다.
현재 코스피 headline PER이 낮아 보이는 가장 큰 이유는 삼성전자와 SK하이닉스의 이익 추정치가 연초 이후 폭발적으로 상향됐기 때문이다.

SK하이닉스는 첨부 자료 기준 연초 2026년 영업이익 추정치가 128~140조원, 2027년 추정치가 160조원 수준이었다. 그런데 현재 MarketScreener 기준 SK하이닉스의 2026E EBIT는 275.3조원, 2027E EBIT는 408.6조원까지 올라와 있다. (MarketScreener)


https://t.me/jump0000





삼성전자도 비슷하다. 연초에는 2026년 영업이익 추정치가 130~150조원대에서 논의됐지만, 현재 MarketScreener 기준 2026E EBIT는 383.5조원, 2027E EBIT는 535.6조원이다. 삼성전자의 7월 8일 종가는 277,500원으로 확인된다. (MarketScreener)



두 회사를 합산하면 변화는 더 극단적이다.


이 정도면 최근 코스피 상승을 단순한 유동성 장세로만 해석하긴 어렵다.

https://t.me/jk_bond


핵심은 삼성전자와 SK하이닉스의 2026~2027년 영업이익 추정치가 연초 대비 수백조원 단위로 상향됐다는 점이다. 코스피 지수가 오른 것은 맞지만, 그보다 더 빠르게 이익 추정치가 올라온 것이다.

여전히 삼성전자와 SK하이닉스의 이익 성장폭 대비 두 종목의 주가퍼포먼스가 못따라오는 구조이다.

https://t.me/mk81_koreainvestment
여전히 SEC, SKH EPS Growth를 못따라는 주가지수
SEC, SKH 체급을 담기엔 KOSPI가 너무 작아져버린게 아닐까 하는 의문..


3. 7월 8일 기준 코스피 시가총액 구조


이제 7월 8일 기준 코스피를 보자.

KRX 메인 기준 2026년 7월 1일 코스피 지수는 8,303.41pt, 코스피 시가총액은 5,931.1조원이었다. 이후 7월 8일 코스피 종가는 7,246.79pt로 하락했다. 7월 1일 시가총액에 지수 변동률을 적용하면 7월 8일 코스피 전체 시가총액은 약 5,176.3조원으로 환산된다. 이 역시 KRX 일별 확정 시총이 아니라 지수비례 환산치다. (KRX 데이터시스템)


개별 기업은 7월 8일 종가 기준으로 계산했다. 삼성전자 보통주는 277,500원, SK하이닉스는 2,076,000원으로 확인된다. 삼성전자우선주는 7월 8일 기준 시가총액 170.5조원이 별도로 확인된다. (MarketScreener)



삼성전자우선주는 순이익을 별도로 더하면 안 된다.
우선주는 별도 회사가 아니므로, 시가총액 계산에서는 포함하되 순이익 계산에서는 삼성전자 연결 순이익 하나만 반영하는 방식이 맞다.

이 기준으로 보면, 삼성전자 보통주·삼성전자우·SK하이닉스만 합쳐도 7월 8일 환산 코스피 시가총액의 **약 63.0%**를 차지한다.


즉, 지금 코스피의 시가총액 구조는 시장 전체의 broad-based re-rating이라기보다, 삼성전자와 SK하이닉스에 극단적으로 집중된 구조다.

넓게 S7으로보면 약 코스피 전체 시총의 70%
https://t.me/jump0000

4. 순이익 기준으로 보면 쏠림은 더 심하다


시가총액 쏠림도 크지만, 이익 쏠림은 더 크다.

MarketScreener 기준 삼성전자의 2026E 순이익은 302.5조원, 2027E 순이익은 429.2조원이다. SK하이닉스의 2026E 순이익은 228.1조원, 2027E 순이익은 328.6조원이다. (MarketScreener)

코스피 전체 2026E 순이익은 유안타증권 자료에서 FnGuide Dataguide 기준 692.6조원으로 제시되어 있고, 2027년 코스피 순이익은 하나증권 관련 보도에서 946조원까지 올라온 것으로 제시된다. (조선비즈)



비중으로 보면 더 직관적이다.


시가총액 기준으로는 삼성전자·삼성전자우·SK하이닉스가 코스피의 약 63%를 차지한다.
하지만 순이익 기준으로는 두 기업이 2026년 코스피 순이익의 76.6%, 2027년에는 80.1%를 차지한다.

즉, 지금 코스피는 시총 쏠림보다 이익 쏠림이 더 심한 시장이다.

한국경제TV
https://t.me/jump0000

5. 7월 8일 기준 PER: 코스피 전체가 싼 것이 아니라 두 기업이 압도적으로 싸다


7월 8일 환산 시가총액을 기준으로 PER을 계산하면 아래와 같다.


여기서 핵심은 코스피 전체 PER이 아니다.

코스피 전체 2026E PER은 7.5배, 2027E PER은 5.5배로 매우 낮아 보인다.
하지만 이를 분해하면, 이 낮은 PER의 대부분은 삼성전자와 SK하이닉스의 초대형 순이익 컨센서스에서 나온다.

두 기업만 놓고 보면 2026E PER은 6.2배, 2027E PER은 4.3배다.
반면 두 기업을 제외한 코스피는 2026E PER 11.8배, 2027E PER 10.2배다.

즉, 지금 코스피의 저PER은 시장 전체가 균등하게 싸다는 뜻이 아니다.
삼성전자와 SK하이닉스 단 두 종목이 코스피 전체 PER을 강제로 끌어내리고 있는 구조다.

6. 과거 코스피 평균 PER과 비교하면 두 기업 제외 코스피는 정상 범위다


여기에 과거 코스피 PER을 같이 비교 해보면 위 수치는 더 직관적이다. 

CEIC는 KOSPI P/E ratio가 KRX 제공 일별 데이터이며 2000년 이후 장기 시계열을 제공한다고 설명한다. 데이터 제공사별 산식 차이는 있지만, 2010년 이후 코스피 PER의 장기 평균을 실무적으로 보면 대략 13~14배 내외를 하나의 기준선으로 사용할 수 있다. 다만 정확한 2010~2023년 산술평균은 KRX·FnGuide·Bloomberg 등 원시계열을 직접 내려받아 계산하는 것이 가장 정확하다. (ISI)


이 비교가 중요하다.

삼성전자와 SK하이닉스를 제외한 코스피의 2026E PER 11.8배, 2027E PER 10.2배는 과거 코스피 평균 PER과 비교하면 과매수 구간이라고 보기는 어렵다. 오히려 장기 평균 대비 약간 낮은 정상 밸류에이션 구간에 가깝다.


06~23년 2026E 코스피 선행 약 PER 10~11배

다만 이것을 극단적 저평가라고 부르기도 어렵다.

극단적으로 싸 보이는 구간은 삼성전자와 SK하이닉스다.
두 기업은 2026E PER 6.2배, 2027E PER 4.3배까지 내려간다.

따라서 표현은 이렇게 정리하는 게 가장 정확하다.

두 기업 제외 코스피는 과열도 아니고, 과매도도 아닌 정상 PER 구간이다. 반면 코스피 headline PER을 극단적으로 낮게 만드는 것은 삼성전자와 SK하이닉스 두 기업이다.

7. 코스닥은 코스피와 비교하기 어렵다


이제 코스닥과 다시 비교하면 차이가 더 선명하다.


코스피는 삼성전자·SK하이닉스 쏠림 문제가 있다.
두 기업을 제외해도 2026년 예상 순이익이 162조원이다. (*Yoy mid teen %정도)

반면 코스닥은 전체 이익 체력이 6조원 안팎에 불과하다.
그럼에도 7월 8일 환산 시가총액은 약 373조원이다.

따라서 코스닥 지수가 이미 많이 밀렸다고 해도, 코스피와 같은 저평가 프레임을 적용하기는 어렵다.

코스피의 문제는 이익 쏠림이다.
코스닥의 문제는 이익 부족이다.

두 문제는 성격이 다르다.

마무리


정리하면, 7월 8일 급락 이후에도 한국시장 해석의 핵심은 크게 바뀌지 않는다.

코스피 전체 PER은 2026E 7.5배, 2027E 5.5배로 매우 낮아 보인다. 하지만 이를 분해하면, 그 저PER의 대부분은 삼성전자와 SK하이닉스의 이익 추정치가 폭발적으로 상향된 결과다.

두 기업만 놓고 보면 2026E PER은 6.2배, 2027E PER은 4.3배다.
반면 두 기업을 제외한 코스피는 2026E PER 11.8배, 2027E PER 10.2배다.

06~23년 2026E 코스피 선행 약 PER 10~11배


과거 코스피 평균 PER이 대략 13~14배 내외였다는 점을 감안하면, 두 기업 제외 코스피는 과열 구간이라고 보기도 어렵고, 극단적 저평가 구간이라고 보기도 어렵다. 정상 밸류에이션 구간에 가깝다.

따라서 지금 코스피의 저평가를 말할 때는 더 정확히 표현해야 한다.

코스피 전체가 극단적으로 싼 것이 아니다. 삼성전자와 SK하이닉스가 극단적으로 싸게 보이는 구조다.

그리고 두 기업을 제외한 나머지 코스피 기업들은 삼성전자·SK하이닉스만큼의 어닝 상향을 보여주지 못하고 있다. 그럼에도 밸류에이션은 장기 평균 근처에 머물고 있다. 즉, 지금 코스피 headline PER은 시장 전체의 광범위한 저평가라기보다, 메모리 2사의 초대형 어닝 리비전이 만들어낸 착시 효과에 가깝다.

코스닥은 더 말할 것도 없다.

지수가 밀렸어도 전체 이익 체력은 여전히 얇고, PER은 코스피와 비교하기 어려울 정도로 높다. 코스닥 3,000pt를 이야기하려면 유동성이나 정책 구호가 아니라, 코스닥 전체 순이익이 수배로 커질 수 있는 구조적 근거가 먼저 제시되어야 한다.

코스피의 저PER은 삼성전자·SK하이닉스의 저PER이고,
코스닥의 하락은 이익 체력 부재를 가리는 근거가 되기 어렵다.

#글을 마치며


숫자를 이렇게 나눠서 다시 보면, 전자닉스 반도체 우려를 이유로 다른 섹터로 로테이션해야 한다는 주장은 설득력이 떨어진다.

오히려 지금 벌어지는 조정은, 그동안 전자닉스의 가파른 이익 추정치 상향으로 한국시장에 밀물처럼 유입된 유동성의 수혜를 함께 받았던 기업들이 제자리를 찾아가는 과정에 가깝다.

사업 내용이나 펀더멘털이 전자닉스만큼 급격히 개선되지 않았음에도, 시장 전체 리레이팅에 편승해 밸류에이션만 먼저 올라갔던 기업과 산업들이 다시 본래의 이익 체력에 맞는 가격으로 조정받고 있다고 보는 편이 더 자연스럽다.

결국 이번 조정의 본질은 전자닉스의 구조적 훼손이라기보다, 전자닉스가 끌어올린 한국시장 유동성 효과에 같이 올라탔던 주변부 자산들의 밸류에이션 정상화에 가깝다고 생각한다.

현재의 리밸런싱 조정국면이 지난 후 다시 시작될 유동성 공급국면에서 시장에 유입될 수 있는 유동성은 유한하다.

그런데 SK하이닉스와 삼성전자의 이익 추정치가 계속 앞으로도 추가 상향된다면, 시장 내 유입될 자금은 다시 두 종목으로 더 강하게 쏠릴 가능성이 있다.

이 경우 기존에 다른 섹터에 머물러 있던 일부 자금까지 SEC, SKH가 흡수하게 되고, 여타 섹터는 단순한 조정을 넘어 상대적 디레이팅 국면에 들어갈 수 있다.

따라서 지금은 반도체 우려에 따른 섹터 로테이션을 말할 때라기보다, 오히려 반도체 이익 상향이 지속될수록 다른 섹터의 밸류에이션 부담이 더 크게 드러날 수 있는 구간임을 염두에 둘 필요가 있다.


자본시장에서 자산가격이 싸고 비싼지는 단순히 과거 데이터와 비교해서 판단할 문제라기 보다는, (*미래 전망에 대한 확신만 있다면 과거의 per 차트, 과거 주가 차트 그래프 따위를 봐야할 하등의 이유가 없음)

더 중요한 기준은 현재 대체 가능한 비교 자산군 대비 얼마나 매력적인가, 그리고 앞으로 벌어들일 미래 이익 대비 가격이 얼마나 합리적인가에 있다.

결국 밸류에이션 판단의 기본은 과거 평균과의 비교보다, 비교 가능한 자산군 내에서의 상대 매력도와 미래 earning power에 대한 평가라고 보는 것이 맞다.

달이 충분히 차서 기울기까지는 아직 한참 더 남아 있는 국면이 아닐까 싶다.

매수매도 추천 아님.

=끝

작성자: 시간: 댓글 없음:

생각정리 303 (* All or Nothing, 데이터주권)

우리는 2023년부터 한 가지 결론에 가까워지고 있었다.

앞으로 투자자로서 오래 살아남고, 지속 가능한 수익률을 만들기 위해서는 결국 해외로 나아가야 한다는 결론이었다. 당장은 익숙한 국내 산업과 종목을 보는 것이 편할 수 있다. 그러나 돌이켜보면 투자에서 익숙함은 때로 가장 위험한 덫이 되어왔다. 편안한 영역에만 계속 머무르는 순간, 변화의 출발점을 놓치고 뒤늦은 해석만 반복하게 될 뿐이라는건 지난 경험들을 통해 충분히 알 수 있었다. 

지금도 우리는 아침에 눈을 뜬 순간부터 잠들기 전까지 리서치 할당량을 조금씩 바꾸고 있다. 국내 산업 리서치 비중을 점진적으로 줄이고, 해외 산업 리서치 비중을 높이는 방식이다.

단순히 해외 주식을 더 보겠다는 의미가 아니다. 산업 변화의 출발점이 어디에서 시작되는지, 자본과 기술의 중심이 어디로 이동하는지를 직접 따라가겠다는 의미다.

한국은 운 좋게도 메모리라는 AI 핵심 인프라 자원을 가진 국가가 되었다. 이 점은 부인하기 어렵다. HBM, DRAM, NAND는 AI 인프라 확장 과정에서 필수적인 자원이 되었고, 한국 기업들은 이 흐름의 중요한 수혜자가 되었다.

하지만 냉정하게 보면 이것은 우리가 AI 산업의 변화를 주도했기 때문이라기보다, 거인의 어깨 위에 올라탄 결과에 가깝다. 한국 메모리 산업은 AI 시대의 핵심 공급망에 올라섰지만, AI라는 거대한 산업 구조의 방향을 정하는 쪽은 여전히 미국의 프론티어 LLM 기업들, Nvidia와 같은 칩 설계 기업들, 그리고 AWS·Azure·Google Cloud·Meta와 같은 CSP와 빅테크 기업들이다.

따라서 국내 메모리 산업을 제대로 이해하려면 국내만 봐서는 안 된다. 메모리 수요의 출발점은 결국 전방 AI 투자, LLM 사용량, AI SaaS 확산, 클라우드 Capex, 데이터센터 전력 수요, 추론 비용 구조 변화에서 나오기 때문이다.

최선단의 미국 AI 산업 변화를 따라가지 못하면, 우리는 계속 백미러를 보며 운전하는 투자자가 될 수밖에 없다. 이미 벌어진 일을 사후적으로 해석하고, 지나간 실적을 근거로 뒤늦게 확신하는 후견지명의 반복에 머물 가능성이 높다는 뜻이다.

그런 방식으로는 시장수익률을 지속적으로 넘어서기 어렵다.

결국 국내 투자를 더 잘하기 위해서라도 해외 산업으로 시야를 확장해야 한다. 특히 메모리 산업을 이해하려면 AI 수요처의 다변화, LLM 업체들의 수익화, AI SaaS의 확산, CSP들의 컴퓨팅 선점 경쟁, 그리고 Physical AI로 이어지는 산업 확장을 함께 봐야 한다.

이번 글에서는 최근 프론티어 LLM, AI SaaS, Cloud CSP들의 변화하는 움직임을 살펴보고자 한다. 그리고 이 변화가 단순히 미국 기술주의 문제가 아니라, 한국 메모리·모빌리티·제조업·소프트웨어 산업에 어떤 시사점을 주는지 정리해보려 한다.


AI 경쟁은 왜 데이터 주권의 문제가 되었나


1. LLM은 단순한 챗봇이 아니라 새로운 업무 포털이 되고 있다


최근 AI 경쟁을 보면 LLM은 더 이상 단순히 질문에 답하는 챗봇이 아니다.
이제 LLM은 사용자가 업무를 시작하는 첫 화면이 되고 있다.

과거에는 사용자가 직접 Figma를 열고 디자인을 했다.
직접 Cursor를 열고 코드를 작성했다.
직접 Notion, Salesforce, Canva, Asana 같은 SaaS 앱에 들어가 업무를 처리했다.

그런데 지금은 흐름이 바뀌고 있다.

사용자는 먼저 ChatGPT, Claude, Gemini, Grok 같은 LLM을 연다.
그리고 자연어로 업무를 지시한다.

  • 이 화면을 디자인해줘.

  • 이 코드를 고쳐줘.

  • 이 자료를 요약해서 보고서로 만들어줘.

  • 이 고객 데이터를 보고 다음 액션을 추천해줘.


이 순간부터 SaaS 앱은 사용자의 첫 진입점이 아니라, LLM이 뒤에서 호출하는 도구로 밀려날 수 있다. OpenAI는 ChatGPT 안에서 외부 앱과 데이터를 연결하는 Apps SDK를 공개했고, Anthropic도 Claude 안에서 Slack, Figma, Canva, Asana 같은 업무 도구를 직접 조작하는 MCP Apps 구조를 확장하고 있다. (OpenAI)

참고 링크

  • OpenAI, Apps in ChatGPT / Apps SDK 발표 (OpenAI)

  • Anthropic Claude MCP Apps, Slack·Figma·Canva·Asana 연동 보도 (The Verge)

2. SaaS 회사들이 느끼는 진짜 위협


문제는 LLM 업체들이 SaaS 앱과 연동하면서 고객의 실제 업무 흐름을 빠르게 파악할 수 있다는 점이다.

(*CSP사들도 고객들의 사용자층의 모든 로그기록들을 원한다면 훤히 다 들여다 볼 수 있다고 함..)

물론 이를 법적으로 “훔쳤다”고 단정하기는 어렵다.
OpenAI와 Anthropic은 기업용·상업용 제품에서 고객 입력과 출력을 기본적으로 모델 학습에 사용하지 않는다고 설명하고 있다. (OpenAI)

하지만 더 중요한 문제는 따로 있다.

모델 학습 여부와 별개로, LLM 업체는 연동 과정에서 다음과 같은 제품적 인사이트를 축적할 수 있다.

  • 사용자가 어떤 기능을 자주 쓰는지

  • 어떤 작업을 반복적으로 자동화하려는지

  • 어느 지점에서 기존 SaaS 사용성이 불편한지

  • 어떤 기능이 실제로 돈이 되는지

  • 어떤 업무가 LLM 안으로 흡수될 수 있는지


이것은 단순한 데이터가 아니다.
사용자의 업무 습관, 기업의 운영 방식, 소프트웨어의 핵심 노하우에 가깝다.

실제로 LLM 앱 생태계의 데이터 노출 위험을 다룬 연구도 있다. OpenAI GPTs 생태계를 분석한 논문은 외부 Actions가 여러 종류의 사용자 데이터를 수집할 수 있고, 일부 Actions는 여러 GPT에 걸쳐 사용자 활동을 추적할 가능성이 있다고 지적했다. (arXiv)

참고 링크

  • OpenAI Enterprise Privacy: 기업용·API 데이터 기본적으로 학습 미사용 (OpenAI)

  • Anthropic Privacy Center: Claude for Work·API·Gov 데이터 기본적으로 학습 미사용 (안드로픽 개인정보 센터)

  • LLM 앱 생태계 데이터 노출 관련 논문 (arXiv)

3. Figma와 Cursor 사례가 보여주는 변화


Figma와 Cursor 사례를 보면 이 변화가 더 선명하게 보인다.

Anthropic은 Claude와 Figma의 연결을 강화하고 있다. Figma는 Claude Code에서 생성한 UI를 Figma 캔버스의 편집 가능한 디자인 요소로 변환하는 Code to Canvas 기능을 소개했다. 이는 AI로 만든 코드와 디자인 협업 툴 사이의 경계를 낮추는 변화다. (Figma)

동시에 Claude는 Figma Connector와 Plugin을 통해 디자인 파일, 컴포넌트, 디자인 토큰, 코드 변환 작업에 접근할 수 있는 구조를 제공하고 있다. (Claude)

OpenAI도 Codex를 통해 코드 수정, 기능 구현, 코드베이스 분석, PR 생성 같은 기능을 ChatGPT와 클라우드 에이전트 구조 안으로 끌어들이고 있다. OpenAI는 Codex를 “클라우드 기반 소프트웨어 엔지니어링 에이전트”로 설명하며, 여러 작업을 병렬로 수행할 수 있다고 밝히고 있다. (OpenAI)

Cursor는 여전히 강력한 AI 코드 에디터이지만, OpenAI·Anthropic·Google 등 프론티어 모델을 사용하는 구조 위에서 성장해왔다. Cursor 공식 문서도 여러 프론티어 코딩 모델과 모델별 사용량·가격 체계를 제공한다. (Cursor)

중요한 변화는 이것이다.

사용자의 첫 작업 지점이 SaaS 앱에서 LLM으로 옮겨가고 있다.

Figma와 Cursor가 당장 사라진다는 뜻은 아니다.
다만 가장 수익성이 좋고, 반복 빈도가 높고, 대중화되기 쉬운 작업부터 LLM 안으로 흡수되고 있다.

참고 링크

  • Figma, Claude Code to Figma / Code to Canvas 공식 블로그 (Figma)

  • Figma × Anthropic Code to Canvas 보도 (The Economic Times)

  • Claude Figma Connector / Plugin (Claude)

  • OpenAI Codex 공식 소개 (OpenAI)

  • Cursor 공식 문서 / 모델 가격 문서 (Cursor)


4. Alex Karp가 지적한 문제의식


Palantir의 Alex Karp가 지적하는 문제도 이와 맞닿아 있다.

Karp의 문제의식은 단순한 데이터 보안 문제가 아니다.
기업이 LLM을 쓰는 과정에서 자사의 운영 노하우, 업무 프로세스, 의사결정 로직, 고객 데이터, 권한 체계가 외부 모델 업체의 토큰 소비 구조 안으로 흘러 들어갈 수 있다는 점이다.

Axios는 Karp가 CNBC 인터뷰에서 미국 프론티어 AI 랩들이 강한 모델 개발에 집중하지만, 기업 고객에게 충분한 가치를 주지 못하고 있다고 비판했다고 보도했다. 또한 기업 IP 보호 문제에 대한 불확실성도 함께 지적했다고 전했다. (Axios)

https://www.youtube.com/watch?v=7bxa685cUao

Tom’s Hardware와 Forbes도 Karp가 OpenAI·Anthropic 같은 프론티어 AI 업체의 토큰 판매 모델과 기업 데이터 흡수 문제를 비판했다고 보도했다. 다만 이는 Karp의 주장이지, OpenAI와 Anthropic이 고객 데이터를 실제로 부당하게 사용했다는 독립 검증 사실은 아니다. (Tom's Hardware)

Palantir가 강조하는 “Sovereign AI”도 같은 맥락이다. Palantir는 AI를 도입하더라도 데이터, 인터페이스, 배포, 보안 운영에 대한 통제권을 고객이 가져야 한다고 주장한다. (The Times of India)

즉, 기업이 AI를 쓰지 말자는 이야기가 아니다.
문제는 AI를 쓰는 과정에서 자사의 운영 노하우와 업무 로직을 외부 모델 플랫폼에 넘겨도 되는가이다.

참고 링크

  • Axios, Alex Karp의 프론티어 AI 랩 비판 보도 (Axios)

  • Tom’s Hardware, Karp의 데이터·토큰 모델 비판 보도 (Tom's Hardware)

  • Forbes, Karp의 “enterprise value” 흡수 비판 보도 (포브스)

  • Palantir AI Sovereignty 관련 보도 (The Times of India)

5. AI 경쟁은 All or Nothing 구조로 가고 있다


이 흐름은 AI 경쟁 전체를 더 극단적인 구조로 몰고 간다.

여기서 말하는 All or Nothing은 단순히 “모델 성능 1등만 살아남는다”는 뜻이 아니다.

정확히는 다음 네 가지를 동시에 장악한 회사가 장기적으로 유리해진다는 의미다.

  • 프론티어 모델

  • 컴퓨팅 자원

  • 데이터와 워크플로우

  • 유통 채널


AI 모델 회사는 더 좋은 모델을 만들기 위해 더 많은 컴퓨팅이 필요하다.
더 많은 컴퓨팅을 확보하려면 더 많은 자본이 필요하다.
더 많은 자본을 만들려면 더 많은 고객 사용량과 매출이 필요하다.

이 구조는 플라이휠처럼 돌아간다.

좋은 모델 → 더 많은 사용자 → 더 많은 매출 → 더 많은 GPU와 데이터센터 → 더 좋은 모델

반대로 이 플라이휠에 올라타지 못한 회사는 빠르게 밀려날 수 있다.

이런 관점에서 AI 경쟁은 단순한 소프트웨어 경쟁이 아니다.
전력, GPU, 데이터센터, 네트워크, HBM, 냉각, 클라우드 유통망까지 모두 묶인 산업 경쟁이다.

참고 링크

  • Stanford AI Index 2026, AI 경쟁·인프라·거버넌스 관련 종합 보고서 (arXiv)

  • SemiAnalysis, AI 데이터센터·컴퓨팅 수요 모델 관련 소개 (SemiAnalysis)

  • AI 에이전트가 실제 소프트웨어 개발에 미치는 영향 관련 연구 (arXiv)

6. Anthropic의 성장은 AI 수익화가 시작됐다는 신호다


Anthropic 사례는 이 흐름을 잘 보여준다.

Anthropic은 Claude Code가 공개 출시 6개월 만에 10억 달러 run-rate revenue에 도달했다고 공식적으로 밝혔다. 이는 AI 코딩 에이전트가 단순한 실험용 도구가 아니라 실제 매출을 만드는 제품으로 진입했음을 보여준다. (안트로픽)

SemiAnalysis는 Anthropic이 Claude Code와 B2B API 중심 사업 모델을 통해 OpenAI보다 더 수익성 높은 상업화 구조를 만들고 있다고 분석한 바 있다. 다만 Anthropic의 2026년 3분기 10억 달러 EBIT 전망, ARR 600억 달러 이상, 2027년 ARR 3,000억 달러 전망 등은 SemiAnalysis의 추정값이며, 확정 실적은 아니다. 공개적으로 확인 가능한 범위에서는 SemiAnalysis 아카이브와 이를 인용한 2차 기사, 그리고 Anthropic의 공식 Claude Code 매출 마일스톤을 함께 참고할 필요가 있다. (SemiAnalysis)

(SemiAnalysis)

중요한 점은 이것이다.

AI 모델 회사가 실제로 돈을 벌기 시작하면, 빅테크의 AI Capex 정당성은 더 길게 유지될 수 있다.

과거에는 AI 데이터센터 투자가 단순 비용처럼 보였다.
하지만 이제는 다르게 봐야 한다.

컴퓨팅은 비용 항목이 아니라 미래 AI 경제권을 선점하기 위한 생산설비다.

모델 경쟁에서 이기면 자기 서비스에 쓰면 된다.
모델 경쟁에서 일부 밀리더라도, 확보한 GPU와 데이터센터 용량을 다른 기업에 팔 수 있다.

그래서 컴퓨팅은 일종의 콜옵션 자산이 되고 있다.
AI 수요가 더 커질수록, 먼저 확보한 전력·부지·GPU·네트워크·냉각 인프라의 가치는 더 커질 수 있다.

생각정리 146 (* 지각비)

참고 링크

  • Anthropic, Claude Code 10억 달러 run-rate revenue 공식 발표 (안트로픽)

  • SemiAnalysis 아카이브 / Anthropic 수익화 관련 2차 인용 자료 (SemiAnalysis)

  • Anthropic Q2 2026 흑자 전망 관련 WSJ 인용 보도 (Let's Data Science)

7. Meta의 캐나다 데이터센터는 컴퓨팅 선점 경쟁의 상징이다


Meta의 캐나다 앨버타 데이터센터 계획은 이 흐름을 상징적으로 보여준다.

AP에 따르면 Meta는 캐나다 앨버타주 Sturgeon County에 91억 달러 이상을 투자해 첫 캐나다 AI 데이터센터를 건설할 계획이다. 이 시설은 Pembina Pipeline 등이 개발하는 932MW 천연가스 발전소로 전력을 공급받을 예정이다. AP는 앨버타 전력망이 여러 대형 AI 데이터센터를 감당하기 어렵기 때문에, 자체 전력 확보 프로젝트가 우선되고 있다고 설명했다. (AP News)

또한 Meta가 남는 AI 컴퓨팅 자원을 외부에 판매하는 “Meta Compute” 가능성을 검토하고 있다는 보도도 나왔다. 이는 빅테크의 AI Capex가 단순 내부 비용이 아니라 외부 매출화 가능한 컴퓨팅 자산으로 바뀔 수 있음을 보여준다. (Tom's Hardware)

이것은 단순한 서버 투자 문제가 아니다.

AI 경쟁에서는 GPU만 중요한 것이 아니다.
전력, 부지, 송전망, 냉각, 네트워크, HBM 공급망까지 모두 경쟁력의 일부가 되고 있다.

결국 빅테크 AI Capex는 단순 과잉투자라기보다, 미래 AI 생산설비를 선점하기 위한 전면전에 가깝다.

참고 링크

  • AP, Meta 캐나다 앨버타 AI 데이터센터 투자 보도 (AP News)

  • Meta Compute / AI 컴퓨팅 외부 판매 가능성 보도 (Tom's Hardware)

  • SemiAnalysis 인용, Meta 2026년 상반기 5GW 이상 데이터센터 용량 계약 보도 (야후 금융)

8. 한국의 고정밀 지도 문제도 같은 관점에서 봐야 한다


이 관점은 한국에도 중요한 시사점을 준다.

미국 빅테크의 한국 고정밀 지도 접근 문제도 단순히 “구글맵이 한국에서 잘 작동하느냐”의 문제가 아니다.


Export Nation or Ecosystem Power: South Korea’s Choice in the AI Industrial Age

Export Nation or Ecosystem Power: South Korea’s Choice in the AI Industrial Age
미국에서 계속 한국의 정밀지도를 원하는건 그만한 미래의 경제적 가치가 크기 때문이며, 이를 기반으로 추가로 나아갈 수 있는 영역이 무한히(?) 크기 때문임. 제대로 조사도 안하고 이를 그대로 갖다바치면 진짜 돌이킬 수 없음..


자율주행, 로보택시, 배달 플랫폼, 모빌리티 데이터 주권과 연결된 문제다.

한국은 오랫동안 국가 안보를 이유로 고정밀 지도 데이터의 국외 반출을 제한해왔다. ITIF는 한국이 공간정보법 체계 아래 1:25,000보다 정밀한 디지털 지도 데이터의 국외 이전을 정부 승인 없이 제한해왔고, Google과 Apple은 1:5,000 축척 지도 데이터 반출을 신청해왔다고 설명했다. (ITIF)

다만 2026년 한국 정부는 Google의 고정밀 지도 데이터 국외 반출을 조건부로 승인했다. AP는 한국 정부가 1:5,000 축척 지도 데이터의 해외 서버 반출을 허용하되, 국내 서버에서 먼저 처리하고, 군사·핵심 인프라 이미지를 흐리게 처리하며, 등고선 등 민감 정보를 제외하는 조건을 붙였다고 보도했다. (AP News)

이 변화는 지도 앱 시장뿐 아니라 자율주행과 모빌리티 플랫폼 경쟁에도 영향을 줄 수 있다.

참고 링크

  • ITIF, 한국 고정밀 공간정보 국외 반출 제한 분석 보고서 (ITIF)

  • AP, 한국 정부의 Google 고정밀 지도 반출 조건부 승인 보도 (AP News)

  • Korea Times, Google 지도 반출 승인 조건 및 국내 지도 생태계 영향 보도 (코리아 타임스)

9. Tesla FSD의 무서운 점은 데이터 플라이휠이다


Tesla FSD를 생각해보면 더 분명해진다.

FSD의 무서운 점은 단순히 현재 기술력이 높다는 데 있지 않다.
차량이 많이 주행할수록 데이터가 계속 쌓이고, 그 데이터가 다시 FSD 품질을 높이는 구조에 있다.

Tesla는 FSD Supervised 안전 페이지에서 누적 주행거리와 도시 주행거리를 공개하고 있다. 2026년 7월 기준 Tesla FSD Supervised 페이지에는 누적 주행거리 117억 마일 이상, 도시 주행거리 44억 마일 이상이 표시되어 있다. (Tesla)

Tesla AI 페이지도 전체 차량 fleet 규모에서 알고리즘을 평가하고, 차량 센서 데이터를 시공간적으로 결합해 대규모 ground truth 데이터를 만든다고 설명한다. (Tesla)

즉, FSD에도 플라이휠이 있다.

더 많은 차량 → 더 많은 주행 데이터 → 더 좋은 FSD → 더 많은 사용자 → 더 많은 데이터

이 구조가 한 번 작동하기 시작하면 후발주자가 따라잡기 어려워진다.

참고 링크

  • Tesla FSD Supervised Safety Report (Tesla)

  • Tesla AI & Robotics 공식 페이지 (Tesla)

  • Tesla FSD 공식 제품 페이지, fleet 학습 설명 (Tesla)

10. 지도 데이터 개방은 현대차·기아만의 문제가 아니다


한국의 고정밀 지도와 위치 데이터가 해외 플랫폼에 넓게 열리고, Tesla FSD나 글로벌 로보택시 플랫폼이 국내에서 빠르게 확산된다면 국내 완성차와 모빌리티 생태계는 강한 압박을 받을 수 있다.

다만 “Tesla가 현대차·기아차 시장을 단숨에 잠식한다”고 단정하기보다는, 고정밀 위치 데이터가 개방될수록 글로벌 모빌리티 플랫폼의 국내 진입 장벽이 낮아질 수 있다고 보는 편이 더 정확하다.

문제는 자동차 판매에만 그치지 않는다.

  • 차량 판매

  • 자율주행 데이터

  • 보험

  • 정비

  • 로보택시

  • 배달

  • 주차

  • 도심 물류

  • 도시 동선 데이터


이 모든 산업이 연결될 수 있다.

한국 지도 데이터 개방 문제는 단순히 Google Maps 편의성 문제가 아니다.
한국의 도로 데이터, 도시 동선 데이터, 배달 동선 데이터, 자율주행 학습 데이터가 누구의 손에 들어가느냐의 문제다.

참고 링크

  • 한국 고정밀 지도 데이터 승인 이후 국내 지도·자율주행 생태계 영향 보도 (조선일보)

  • AP, Google 지도 반출 승인 조건과 국가안보 이슈 (AP News)

  • ITIF, 지도 데이터 규제가 Google·Apple 등 미국 기술기업에 미치는 영향 분석 (ITIF)

11. FSD와 배달 플랫폼의 승부처는 마지막 1m~100m다


자율주행과 배달 플랫폼의 서비스 품질은 단순히 “목적지 근처까지 잘 간다”로 결정되지 않는다.

진짜 차이는 마지막 구간에서 갈린다.

  • 아파트 단지의 어느 입구로 들어가야 하는지

  • 지하주차장 진입로가 어디인지

  • 어느 동 앞에 정차해야 하는지

  • 상가 후문과 정문 중 어디가 실제 배송지인지

  • 골목길에서 어디에 잠시 정차할 수 있는지

  • 보행자가 실제로 이동하는 동선은 어디인지

  • 일방통행, 차단기, 경사로, 임시 주정차 공간을 어떻게 인식하는지


TomTom은 라스트마일 배송에서 “final 100 meters”가 중요하다고 설명하며, 일반적인 지오코딩 서비스는 다층·다세대 건물의 정문, 주차 지점, 층수, 출입구 같은 정보를 충분히 제공하지 못한다고 지적한다. (TomTom)

Mapbox도 라스트미터 배송 지연을 줄이기 위해 운전자가 올바른 출입구를 찾도록 entrance data를 지오코딩 API에 포함한다고 설명한다. (Mapbox)

특히 한국은 이 문제가 더 중요하다.

한국은 아파트 단지 구조가 복잡하다.
지하주차장이 많다.
상가 후문, 골목길, 단지 내부 도로, 임시 정차 공간이 복잡하게 얽혀 있다.

그래서 FSD, 로보택시, 배달 플랫폼의 품질은 결국 마지막 1m~100m의 위치 정확성에서 갈릴 가능성이 높다.

정밀지도와 고정밀 위치 데이터는 단순 편의 기능이 아니다.
미래 모빌리티 플랫폼의 핵심 인프라다.

참고 링크

  • TomTom, final 100 meters와 last-mile geocoding 중요성 (TomTom)

  • Mapbox, entrance data와 last-meter delivery delay 감소 (Mapbox)

  • Last-mile delivery 데이터셋 및 로봇 배송 연구 (arXiv)

12. 자율주행에서 정밀지도는 핵심 인프라다


자율주행에서 정밀지도는 단순한 내비게이션 보조 도구가 아니다.
차량이 자기 위치를 정확히 추정하고, 차선, 표지판, 신호, 도로 구조, 진입 가능 경로를 이해하는 데 중요한 역할을 한다.

HD Map 관련 연구들은 고정밀 지도와 의미론적 지도 데이터가 자율주행 차량의 위치 추정과 경로 계획에서 중요한 구성요소라고 설명한다. (arXiv)

물론 Tesla는 LiDAR 기반 HD Map 의존도를 낮추고 fleet learning과 vision 기반 접근을 강조한다.
하지만 그렇다고 해서 위치 데이터와 지도 데이터의 중요성이 사라지는 것은 아니다.

오히려 한국처럼 도로 구조, 아파트 단지, 지하주차장, 골목길, 상가 출입구가 복잡한 시장에서는 실제 주행 데이터와 정밀 위치 데이터의 결합이 더 중요해질 수 있다.

참고 링크

  • High-Definition Map Generation Technologies for Autonomous Driving 논문 (arXiv)

  • Sparse Semantic HD Maps for Self-Driving Vehicle Localization 논문 (arXiv)

  • Tesla AI 공식 페이지, fleet-scale 평가와 ground truth 데이터 생성 설명 (Tesla)

13. 이 문제는 자동차 산업에만 국한되지 않는다


FSD는 자동차 산업만의 문제가 아니다.

FSD와 로보택시가 확산되면 차량 판매, 보험, 정비, 택시, 렌터카, 물류, 배달, 주차, 도시 교통, 부동산 입지 데이터까지 영향을 받을 수 있다.

배달 플랫폼도 마찬가지다.

음식 배달, 퀵커머스, 라스트마일 물류, 로봇 배송, 무인 편의점, 도심 창고 운영은 모두 위치 데이터와 연결된다.

결국 정밀지도는 미래 서비스 산업의 기반 데이터가 된다.

따라서 지도 데이터 개방 문제는 단순히 “외국 기업도 한국 지도를 쓰게 해줄 것인가”의 문제가 아니다.

한국의 도시 운영 데이터와 모빌리티 인프라를 누가 장악할 것인가의 문제다.

참고 링크

  • McKinsey, last-mile delivery 생태계 변화 보고서 (McKinsey & Company)

  • Last-mile delivery dataset 연구 (arXiv)

  • 자율 배송 로봇과 라스트마일 자동화 연구 (arXiv)

14. Physical AI 시대에는 제조 데이터 주권이 더 중요해진다


이 문제는 지도와 모빌리티에서 Physical AI 시대의 데이터주권 문제로까지 의도적으로 확장해 해석 볼 수도 있다. 

앞으로 AI는 소프트웨어를 넘어 제조 현장, 로봇, 물류창고, 조선소, 반도체 팹, 배터리 공장, 자동차 공장으로 들어간다.

이른바 Physical AI 시대다.

NVIDIA는 Physical AI를 생산 규모의 로봇·산업 자동화로 확장하기 위해 Isaac, Cosmos, GR00T 같은 시뮬레이션·로봇 모델 생태계를 공개하고, 글로벌 로봇 기업들과 협력하고 있다. (NVIDIA)

Physical AI는 단순히 로봇이 움직이는 기술이 아니다.

현장의 센서 데이터, 작업자 동선, 장비 이상 패턴, 공정 조건, 품질 데이터, 수율 개선 노하우, 부품 조립 순서, 유지보수 기록이 모두 AI의 학습 재료가 된다.

스마트 제조 AI 로드맵 관련 연구도 산업 현장에서 AI·ML이 효율성, 자율성, 디지털 트윈, 로봇, 물류 최적화, 공정 관리에 깊게 들어가고 있다고 설명한다. 동시에 산업 데이터 관리, 신뢰성, 설명가능성, 이종 시스템 통합이 핵심 과제라고 지적한다. (arXiv)

이것은 한국 제조업의 핵심 경쟁력과 직접 연결된다.

참고 링크

  • NVIDIA, Physical AI / Robotics 공식 발표 (NVIDIA)

  • 2026 Roadmap on AI and ML for Smart Manufacturing (arXiv)

  • WEF, AI in Action: 산업 AI 전환 보고서 (World Economic Forum)

15. 한국 제조업의 진짜 자산은 데이터보다 운영 노하우다


한국 기업이 미국 프론티어 LLM 업체와 협업할 때 가장 조심해야 하는 부분도 여기에 있다.

AI를 쓰는 것은 필요하다.
글로벌 프론티어 모델과 협업하는 것도 피하기 어렵다.

하지만 그 과정에서 자사의 제조 노하우, 공정 데이터, 장비 운용 데이터, 현장 의사결정 로직이 통째로 외부 모델 업체에 넘어가면 문제가 달라진다.

서울대 국가미래전략원 이슈브리프는 한국 제조업이 반도체, 조선, 방산 등 핵심 산업에서 경쟁력을 보유하고 있음에도, 운영 소프트웨어와 데이터 관리 역량 부족으로 해외 플랫폼 의존이 심화될 수 있다고 지적했다. 특히 제조 AI 도입 과정에서 생산 현장의 암묵지가 데이터화되어 해외 서버에 전송·축적·통제될 위험을 언급했다. (서울대학교 국가미래전략원)

많은 기업은 데이터 보안을 단순히 파일이나 문서 유출 문제로 생각한다.

하지만 AI 시대의 데이터 주권은 그보다 넓다.

진짜 중요한 것은 다음이다.

  • 어떤 업무가 반복되는지

  • 어떤 공정에서 병목이 생기는지

  • 어떤 장비 조건에서 불량률이 올라가는지

  • 어떤 작업자가 어떤 순서로 문제를 해결하는지

  • 어떤 고객 요청이 실제 매출로 연결되는지

  • 어떤 현장 판단이 기업의 수익성을 좌우하는지


이것은 단순한 데이터가 아니다.
기업의 운영 노하우다.

한 번 넘어간 데이터와 업무 흐름은 되찾기 어렵다.

참고 링크

  • 서울대 국가미래전략원, 한국 제조업 AI 전환과 데이터 주권 이슈브리프 (서울대학교 국가미래전략원)

  • GenAI와 Industry 5.0, 데이터 주권·산업 경쟁력 관련 연구 (arXiv)

  • Sovereign AI 관련 연구 (arXiv)

16. 한국 소프트웨어·제조 기업에게 주는 시사점


한국 기업은 AI를 피할 수 없다.
AI를 쓰지 않는 선택지는 점점 사라지고 있다.

하지만 AI를 쓴다는 것과 데이터 주권을 포기한다는 것은 전혀 다른 문제다.

국내 SaaS 회사, 플랫폼 회사, 모빌리티 회사, 제조 기반 Physical AI 회사들은 다음 질문을 반드시 해야 한다.

  • 우리의 핵심 데이터는 어디에 저장되는가

  • 외부 LLM, 외부 cloud사들이 어떤 로그와 호출 기록을 볼 수 있는가

  • 반복 업무 패턴이 외부 플랫폼에 노출되는가

  • 고객의 실제 사용 흐름이 누구에게 축적되는가

  • 외부 모델 업체가 나중에 같은 기능을 직접 만들 수 있는가

  • 우리는 LLM이 대체할 앱인가, 아니면 LLM이 반드시 호출해야 하는 시스템인가

이 질문에 답하지 못하면 위험하다.

AI를 도입했는데, 장기적으로는 자기 사업의 핵심 기반을 외부 플랫폼에 넘기는 결과가 될 수 있다.

Palantir의 Alex Karp가 말하는 문제의식도 이 지점과 맞닿아 있다. 기업은 AI를 써야 하지만, 자사의 데이터와 운영 로직을 외부 모델 업체에 무방비로 넘겨서는 안 된다는 것이다. (Axios)

참고 링크

  • Alex Karp의 프론티어 AI 랩 비판 보도 (Axios)

  • Palantir AI Sovereignty 관련 보도 (The Times of India)

  • LLM 앱 생태계 데이터 노출 연구 (arXiv)

17. 결론: AI 경쟁의 본질은 데이터 주권 전쟁이다


지금 AI 경쟁은 단순한 모델 성능 경쟁이 아니다.

전력, GPU, 데이터센터, LLM, SaaS, 지도, 모빌리티, 제조 현장 데이터가 모두 연결되고 있다.

이 구도에서는 중간층이 가장 위험하다.

얇은 SaaS는 LLM에 흡수될 수 있다.
컴퓨팅을 확보하지 못한 모델 회사는 밀려날 수 있다.
정밀지도와 위치 데이터를 내준 국가는 모빌리티 플랫폼 주도권을 잃을 수 있다.
제조 데이터를 무심코 넘긴 기업은 미래 Physical AI 시대의 핵심 노하우를 잃을 수 있다.

반대로 살아남는 쪽은 명확하다.

프론티어 모델을 갖고 있거나,
컴퓨팅을 갖고 있거나,
원천 데이터와 운영 로직을 장악하고 있거나,
이 세 가지를 동시에 묶을 수 있는 회사다.

그래서 AI Capex는 단순 과잉투자라기보다 미래 AI 경제권의 생산설비를 선점하기 위한 전면전에 가깝다.

한국 입장에서 이 전면전의 핵심은 더 분명하다.

AI를 도입하되, 데이터 주권과 제조 노하우는 반드시 지켜야 한다.

정밀지도, 모빌리티 데이터, 제조 현장 데이터, Physical AI 학습 데이터는 단순한 정보가 아니다.
미래 산업 주도권을 결정할 전략자산이다.

한 번 내준 뒤에는 다시 되찾기 어렵다.

생각정리279 (* Sovereign AI, *Hitachi)

참고 링크


=끝

작성자: 시간: 댓글 없음: