AI 수요의 확산 범위가 빠르게 넓어지고 있다. 초기 수요가 AI 학습용 데이터센터와 고성능 GPU 인프라에 집중됐다면, 최근에는 추론 수요 확대와 Agentic AI 확산을 계기로 수요의 저변이 AI 데이터센터를 넘어 전통 데이터센터, 엔터프라이즈 서버, PC·데스크톱, 나아가 엣지 디바이스까지 확장되는 흐름이 나타나고 있다.
이 변화는 단순히 일부 고성능 반도체 수요 증가에 그치지 않는다. AI 워크로드가 다양한 IT 기기로 분산될수록 전원 관리, 신호 안정화, 고속 연산 보조, 열·전력 효율 개선을 위한 전자전기 부품 수요도 함께 증가한다.
최근 MLCC를 포함한 수동소자와 주요 전자부품에서 가격 인상 움직임이 다방면으로 확인되는 배경 역시 이러한 구조적 변화와 맞닿아 있다.
따라서 이번 글에서는 AI 추론 및 Agentic AI 확산이 어떻게 전체 IT Set 수요를 다시 끌어올리고 있는지, 그리고 이 과정에서 MLCC를 비롯한 수동소자·전자부품 업황 개선이 어떤 경로로 나타나는지를 점검하고자 한다.
Closed-loop Agentic AI가 수동소자 구조적 업사이클을 만드는 경로
이 변화는 단순히 일부 고성능 반도체 수요 증가에 그치지 않는다. AI 워크로드가 다양한 IT 기기로 분산될수록 전원 관리, 신호 안정화, 고속 연산 보조, 열·전력 효율 개선을 위한 전자전기 부품 수요도 함께 증가한다.
최근 MLCC를 포함한 수동소자와 주요 전자부품에서 가격 인상 움직임이 다방면으로 확인되는 배경 역시 이러한 구조적 변화와 맞닿아 있다.
따라서 이번 글에서는 AI 추론 및 Agentic AI 확산이 어떻게 전체 IT Set 수요를 다시 끌어올리고 있는지, 그리고 이 과정에서 MLCC를 비롯한 수동소자·전자부품 업황 개선이 어떤 경로로 나타나는지를 점검하고자 한다.
Closed-loop Agentic AI가 수동소자 구조적 업사이클을 만드는 경로
1. 핵심 결론
이번 수동소자 사이클은 단순한 스마트폰·PC 재고 보충 사이클이 아니라, AI 연산 구조 변화에서 출발하는 고부가 부품 업사이클로 봐야 한다. 핵심 출발점은 AI 모델 수요 자체보다 토큰 처리량의 폭증이다.
MiniMax 사례에서 확인되듯이 모델 단가가 내려가고 코딩 에이전트, 업무 생산성 에이전트, 멀티모달 생성이 확산되면 토큰 사용량은 선형적으로 늘지 않고 계단식으로 증가한다. MiniMax도 M2 시리즈의 토큰 사용량 급증을 일회성이 아니라 장기 추세의 시작으로 봤고, 향후 성장 동력으로 코딩, 업무 생산성, 멀티모달 콘텐츠 생성을 제시했다.
 |
| minimax |
 |
| 화타이증권 https://t.me/HANAchina 미국 대비 압도적으로 저렴한 중국 토큰 단가 |
 |
| https://t.me/free_life59 |
 |
| https://t.me/free_life59 |
여기에 closed-loop agentic AI가 붙으면 연산량은 한 단계 더 커진다. 기존 AI가 문서 작성, 요약, 질의응답 중심이었다면, agentic AI는 업무를 계획하고 실행하고 결과를 관찰한 뒤 다시 추론하고 재시도한다. Michael Dell은 기존 AI가 20~30% 생산성 개선을 제공했다면, agentic AI는 워크플로를 계획·실행·피드백 반영하는 닫힌 루프를 통해 20~30배 생산성 개선까지 만들 수 있다고 설명했다. 동시에 에이전트를 메모리, 자격증명, 접근권한, 실행능력을 가진 “digital workers”로 정의했다. (crn.com)
이 변화는 중앙 AI 데이터센터만으로 흡수하기 어렵다. AI-ready 데이터센터는 계속 커지겠지만, 반복 추론, 민감 데이터, 저지연 워크로드는 온프레미스, 프라이빗 클라우드, 엣지 서버, AI PC로 내려갈 가능성이 높다.
Deloitte도 기업 AI 인프라가 public cloud, private infrastructure, edge computing으로 나뉘는 3-tier hybrid model로 이동하고 있다고 설명한다. (deloitte.com)
결국 수동소자 관점의 결론은 명확하다. 중앙 AI 데이터센터는 더 커지고, 추론은 더 분산된다. 이 병렬 확장이 AI 서버, CPU 서버, 스토리지, 네트워크 장비, 전력 인프라, AI PC, 워크스테이션, 로봇·산업용 엣지 디바이스의 전자부품 탑재량과 사양을 동시에 끌어올린다.
2. Closed-loop agentic AI는 왜 연산량을 폭증시키는가
기존 챗봇은 대체로 1회 입력 → 1회 응답 구조였다. 반면 closed-loop agentic AI는 계획 수립 → 도구 호출 → 결과 관찰 → 재추론 → 검증 → 재시도 → 실행의 반복 구조다.
이 구조에서는 업무 한 건당 모델 호출 수, 토큰 수, 메모리 사용량, 데이터 검색량, 스토리지 접근량이 동시에 증가한다. 단순 답변형 AI는 출력 후 작업이 끝나지만, closed-loop agent는 결과가 틀리거나 불충분하면 다시 계획하고, 다른 도구를 호출하고, 새로운 데이터를 가져오고, 다시 검증한다.
이 과정에서 연산 병목은 GPU에만 생기지 않는다. GPU/NPU는 추론을 처리하지만, CPU는 상태 관리, 입출력, 분기 처리, 재시도, 메모리 호출을 담당한다. 스토리지는 RAG와 비정형 데이터 접근을 지원하고, 네트워크는 에이전트 간 통신과 데이터 이동을 처리한다.
arXiv 연구도 reasoning·agentic workflow가 token demand를 증가시켜 추론 에너지와 용량 계획의 중요성을 높인다고 설명한다. 특히 test-time scaling에서 토큰이 15배 늘면 쿼리당 에너지가 약 13배 증가할 수 있다는 추정도 제시된다. (arxiv.org)
MiniMax의 컨콜 정리도 같은 방향이다. 회사는 L4 수준의 AI를 동료 수준 지능, L5를 조직 수준 지능에 가까운 단계로 설명했고, 코딩보다 더 큰 시장으로 데이터 분석, 금융 모델링, 프레젠테이션 작성 등 업무 생산성 영역을 제시했다. 또한 내부적으로 에이전트 인턴이 소프트웨어 개발, 데이터 분석, 운영관리, 채용, 영업·마케팅 등 다양한 업무에 활용되고 있으며, 이 과정이 업무 흐름 단축과 모델 R&D 방향 개선의 피드백 루프로 작동한다고 정리되어 있다.
 |
| https://openrouter.ai/apps/openclaw |
즉 agentic AI가 closed-loop로 발전할수록 AI는 “응답하는 도구”에서 “업무를 지속 수행하는 디지털 근로자”로 바뀐다. 이 변화가 토큰 사용량과 추론 인프라 수요를 구조적으로 키운다.
3. 보안 개념도 사람 계정에서 비인간 작업자 관리로 확장된다
Agentic AI가 closed-loop로 가면 보안의 범위도 바뀐다. 기존 보안은 사람 계정, 기기, 애플리케이션 접근을 보호하는 것이 중심이었다. 그러나 에이전트가 디지털 근로자로 작동하면, 기업은 사람뿐 아니라 비인간 작업자, 즉 AI 에이전트의 권한과 행동도 관리해야 한다.
에이전트는 단순 챗봇이 아니라 메모리, 권한, 접근 권한, 실행 능력을 가진 업무 주체가 된다. 따라서 어떤 데이터에 접근할 수 있는지, 어떤 시스템을 실행할 수 있는지, 어떤 결정을 자동화할 수 있는지, 실패 시 어떤 루프로 재시도하는지를 통제해야 한다.
Dell도 agentic AI 플랫폼을 “governed, on-prem digital workforce”로 정의하고, 기업이 AI 에이전트를 데이터 가까이에서 통제 가능한 방식으로 설계·배포·운영·관리해야 한다고 설명한다. Dell의 설명에서 중요한 부분은 agentic workload가 compute, storage, networking, orchestration, security 전체 스택을 압박한다는 점이다. (dell.com)
 |
| Dell |
이 지점은 온프레미스 AI 수요와 직접 연결된다. 에이전트가 기업 내부 데이터, 고객정보, 생산 시스템, 금융 데이터, 의료 데이터, 공공 데이터에 접근해야 한다면, 모든 연산을 퍼블릭 클라우드에만 의존하기 어렵다. AI를 데이터가 있는 곳으로 가져오는 구조가 더 자연스럽다. (*온프레미스)
4. Conventional data center만으로는 한계가 생긴다
AI 수요가 늘어날수록 대형 AI 데이터센터 투자는 계속 확대될 수밖에 없다. 다만 기존 conventional data center만으로는 AI 워크로드를 충분히 수용하기 어렵다. 기존 데이터센터는 일반 서버, 공랭 방식, 낮은 랙 전력밀도, 상대적으로 단순한 네트워크 구조를 전제로 설계된 경우가 많기 때문이다. 반면 AI 훈련과 추론은 훨씬 높은 전력밀도, 냉각 성능, 네트워크 처리능력, 메모리 대역폭을 요구한다.
McKinsey는 AI 훈련 워크로드가 랙당 100~200kW 이상의 전력밀도를 요구할 수 있으며, 추론 워크로드 역시 30~150kW 수준의 랙 전력밀도를 필요로 한다고 설명한다. 또한 2030년에는 inference가 AI 데이터센터 내에서 training을 넘어 가장 큰 워크로드가 될 것으로 전망한다. 이는 AI 인프라 투자의 중심이 초기 학습용 클러스터에서 대규모·상시적 추론 인프라로 확장되고 있음을 의미한다. (McKinsey)
전력망 역시 핵심 병목으로 부상하고 있다. McKinsey의 데이터센터 수요 모델에 따르면 글로벌 데이터센터 수요는 2025년 82.3GW에서 2030년 219.0GW로 확대될 수 있다. 이 가운데 AI inference 수요는 2025년 20.9GW에서 2030년 93.3GW로 증가하는 구조다. AI 수요가 단순히 GPU 서버 증설의 문제가 아니라 전력, 냉각, 배전, 네트워크, 공간 설계 전반의 재구성을 요구하는 단계로 진입하고 있는 것이다. (McKinsey)
따라서 AI 수요에 대한 해법은 “중앙 AI 데이터센터를 더 많이 짓는 것”에만 머물기 어렵다. 보다 현실적인 방향은 AI-ready DC, 분산형 추론 DC, 온프레미스 AI factory, 엣지 AI가 병렬적으로 확대되는 구조다. 중앙 AI 데이터센터는 frontier model training과 대규모 범용 추론을 담당하고, 반복적·민감·저지연 추론은 기업 내부 인프라와 엣지로 내려가는 방식이다.
이번 CY1Q26 컨콜에서 Nvidia가 Datacenter 사업을 하이퍼스케일러향 수요와 정부·기업 등 AI Factory 수요로 구분해 설명한 점도 이 흐름과 맞닿아 있다. Nvidia는 기존 하이퍼스케일러 중심의 AI 인프라 투자 외에도, 앞으로는 정부기관과 민간기업이 자체적으로 AI Factory를 구축하는 수요가 더 중요해질 수 있음을 시사했다. 이는 AI 인프라의 수요처가 소수의 대형 클라우드 사업자에서 산업별 기업, 공공기관, 지역 단위 데이터센터로 확산되는 방향을 보여준다.
 |
| NVIDIA |
이러한 변화는 앞서 언급한 Agentic AI의 closed-loop 기능 도입에 따른 토큰 수요 폭증과도 연결된다. Agentic AI는 단발성 질의응답에 그치지 않고, 계획 수립, 도구 호출, 실행, 검증, 재시도 과정을 반복한다. 이 과정에서 추론 호출 횟수와 토큰 사용량은 기하급수적으로 늘어날 수 있다.
결국 추론 수요는 중앙 클라우드에만 집중되기보다, 기업 내부와 현장 가까운 곳으로 분산될 가능성이 높다.
이 구조는 수동소자 수요의 저변을 넓히는 요인이다. AI-ready DC와 AI Factory가 확산될수록 고전력 전원공급, 전력변환, 신호 안정화, 열 관리, 고속 네트워크 장비에 필요한 MLCC, 인덕터, 저항, 커패시터 등 수동소자의 탑재량이 늘어난다.
AI 인프라 투자가 중앙 집중형 데이터센터에서 분산형 AI Factory와 엣지 인프라로 확장될수록, 수동소자 수요도 더 넓은 산업 기반 위에서 구조적으로 증가할 가능성이 높다.
5. 온프레미스로 수요가 확산되는 이유
온프레미스 확산은 단순히 클라우드 용량이 부족해서 발생하는 변화가 아니다. 핵심은 비용, 데이터 주권, 지연시간, 보안, 회복탄력성이다.
Deloitte는 continuous, high-volume inference가 빈번한 API 호출과 사용량 증가를 만들며 기업의 AI 비용을 예측하기 어렵게 만든다고 설명한다. 또한 데이터 주권, 지연시간, IP 보호, 시스템 회복탄력성이 기업의 인프라 의사결정을 바꾸고 있다고 분석한다. (deloitte.com)
기업 입장에서는 RAG, 내부문서 검색, 고객정보 처리, 제조공정 제어, 금융·의료·공공 데이터처럼 외부 클라우드로 보내기 어려운 워크로드가 많다. 이 경우 “데이터를 클라우드로 보내는 것”보다 AI를 데이터가 있는 곳으로 가져오는 구조가 더 합리적이다.
HPE의 최근 어닝콜 정리도 이 흐름을 확인시켜준다. HPE는 FY2026 1분기 주문이 매출보다 빠르게 증가한 배경으로 AI 도입 확대, 온프레미스 인프라 현대화, 부품 부족과 가격 상승 전 선발주를 제시했다. HPE는 데이터센터 스위칭 주문이 정상화 기준 mid-40% 증가했고, 라우팅 주문도 mid-20% 증가했으며, AI 네트워킹 누적 수주 목표를 17억~19억 달러로 상향했다.
 |
| HPE |
이는 온프레미스 AI가 단순 서버 한 대의 문제가 아니라 서버, 스토리지, 네트워크, 전력, 냉각, 보안, 관리 소프트웨어를 함께 요구하는 인프라 현대화 사이클이라는 뜻이다.
6. 엣지 AI 디바이스로 수요가 내려가는 구조
엣지는 frontier model 전체를 대체하지 않는다. 대신 작은 모델, 로컬 추론, 센서 데이터 전처리, 저지연 의사결정, 개인정보 보호형 기능을 맡는다.
McKinsey는 inference workload가 training과 달리 개별 작업 단위로 쪼개기 쉽고, 실시간·저지연 처리가 중요해지면서 더 작고 모듈화된 분산 데이터센터가 필요해질 수 있다고 본다. 또한 inference의 상당 부분이 edge로 이동해 지연시간과 대역폭 부담을 줄일 수 있다고 설명한다. (mckinsey.com)
AI PC도 같은 흐름이다. Gartner는 2026년 AI PC 출하량이 1.43억 대에 이르고, 전체 PC 시장의 55% 수준까지 올라갈 것으로 전망한다. 또한 2026년 말까지 소프트웨어 벤더의 40%가 PC에서 직접 구동되는 AI 기능 투자를 우선시하고, 복수의 SLM이 PC에서 로컬 구동될 것으로 본다. (gartner.com)
IDC도 2025년 글로벌 edge computing 지출을 약 2,610억 달러로 보고, 2028년에는 3,800억 달러에 이를 것으로 전망한다. 특히 AI, IoT, AR, VR, 드론, 로보틱스 관련 use case가 edge 투자를 견인하는 구조다. (my.idc.com)
따라서 AI 연산은 중앙 집중에서 분산형으로 단순 이동하는 것이 아니라, 중앙 집중과 분산 추론이 동시에 커지는 방향으로 간다. 중앙 AI 서버뿐 아니라 엣지 서버, 산업용 게이트웨이, AI PC, 워크스테이션, 로봇, 스마트글래스에도 고성능 전원부와 고밀도 PCB가 필요해진다.
7. 워크로드별 연산 배치와 수동소자 수요
핵심은 대형 AI DC와 온프레미스·엣지가 대체 관계가 아니라 동반 성장 관계라는 점이다. 이 구조에서는 수동소자 업체의 수요 기반이 단일 세트 수요에서 다층적 인프라 수요로 넓어진다.
8. Dell과 HPE가 보여주는 하드웨어 확산 신호
 |
| Dell |
Dell은 FY2027 1분기에 AI 서버 주문 244억 달러, AI 서버 매출 161억 달러, AI 서버 백로그 513억 달러를 기록했다. 동시에 전통 서버·네트워킹 매출도 85억 달러로 전년 대비 92% 증가했다. Dell은 AI 서버 수요가 neocloud, sovereign AI, enterprise 고객군에서 모두 증가하고 있으며, 메모리 공급이 가장 큰 병목이라고 설명했다.
더 중요한 것은 agentic AI가 전통 CPU 서버 수요까지 만든다는 코멘트다. Dell은 에이전트가 실제 작업을 수행하려면 CPU가 상태 관리, 입출력, 분기, 재시도, 메모리 호출을 처리해야 하므로 CPU 서버 수요를 확대한다고 설명했다.
 |
| HPE |
HPE는 AI 데이터센터와 기존 데이터센터 현대화 수요가 동시에 강하다고 밝혔다. 데이터센터 스위칭, 라우팅, AI 네트워킹 수주가 강했고, 서버 주문도 AI 인프라 확대와 기존 시스템 현대화, 공급난 우려에 따른 선주문이 반영됐다.
이 두 회사의 코멘트를 합치면 AI 인프라는 GPU 서버에서 끝나지 않는다. CPU 서버, 스토리지, 네트워크, 전력 인프라, 온프레미스 시스템, PC까지 확산되는 구조다.
 |
| HP AI 추론 및 agentic 수요가 인프라를 넘어서 엣지 device까지 번지면, 가장 직접적인 수혜는 HP이지 않을까? |
9. Lenovo와 HP가 보여주는 엣지 AI 수요
 |
| Lenovo |
Lenovo의 핵심 메시지는 Hybrid AI다. AI가 클라우드에만 집중되지 않고 개인 디바이스, 기업 내부 인프라, 프라이빗 클라우드, 서비스형 인프라로 분산된다는 관점이다. Lenovo는 PC, 워크스테이션, 스마트폰, 태블릿, 서버, 스토리지, 서비스형 인프라를 모두 갖고 있어, AI 수요가 디바이스와 인프라 양쪽으로 확산되는 구조를 보여준다.
HP는 엣지 AI 쪽 신호를 더 직접적으로 보여준다. HP는 AI 워크로드가 클라우드에서 엣지 디바이스로 이동하는 구조적 변화에 주목하고 있고, AI PC 출하 비중이 빠르게 상승하고 있다고 설명했다. 동시에 메모리·스토리지 비용 상승이 하반기 마진 부담 요인으로 제시됐다.
AI PC와 워크스테이션은 클라우드 AI를 대체하기보다는 보완한다. 짧은 지연시간, 개인정보 보호, 로컬 파일 접근, 회의·문서·코딩·디자인 작업의 상시 AI 지원은 로컬 디바이스에서 처리될 여지가 크다. 이 경우 NPU, CPU, GPU, 고용량 메모리, 고속 SSD, 고전력 전원부, 고밀도 PCB가 필요해진다.
10. MiniMax가 보여주는 토큰 경제의 방향
|
| minimax |
MiniMax의 컨콜 정리에서 중요한 포인트는 “모델 단가 하락에도 토큰 수요가 폭증한다”는 점이다. 회사는 2026년 2월 기준 M2 텍스트 모델 시리즈의 백만 토큰당 추론 비용이 2025년 12월 대비 50% 이상 하락했고, Hailuo 영상 생성 모델의 추론 지연 시간도 30% 이상 감소했다고 설명했다. 동시에 2026년 성장축으로 L4~L5 수준의 프로그래밍 지능, 업무 생산성 에이전트, 멀티모달 콘텐츠 생성을 제시했다.
MiniMax가 제시한 플랫폼 가치 공식도 수동소자 사이클과 연결된다.
AI platform value = intelligence density × token throughput
모델의 지능 수준이 높아지고 대규모 토큰 처리 역량이 결합될수록 플랫폼 가치가 커진다는 논리다. 이 공식은 곧 인프라 수요의 공식이기도 하다. 토큰 처리량이 늘수록 GPU, CPU, 메모리, 스토리지, 네트워크, 전력부품, 냉각부품 수요가 커진다.
11. 수동소자 사이클은 왜 구조화되는가
이번 수동소자 사이클은 과거의 범용 MLCC 쇼티지와 성격이 다르다. 과거에는 스마트폰, PC, 가전, 자동차 전장화가 동시에 재고를 끌어올리며 범용품까지 가격이 급등했다.
이번에는 AI 서버, AI 네트워크, 데이터센터 전력 인프라, 고성능 스토리지, AI PC, 워크스테이션, 전장 ADAS·xEV, 로봇·산업용 엣지가 고부가 제품부터 타이트하게 만들고 있다.
AI 서버와 네트워크 장비는 전력 밀도와 신호 속도가 높다. GPU·CPU·HBM·고속 네트워크 ASIC이 동시에 작동하면 순간 전류 변동, 전압 강하, 고주파 노이즈, 발열 대응이 중요해진다. 이때 MLCC, 파워 인덕터, 폴리머·탄탈 커패시터, 알루미늄 전해·필름 커패시터, 저항, 센서, 고다층 PCB, FC-BGA가 필요하다.
 |
| 삼성전기 |
삼성전기 정리에서도 이 흐름이 확인된다. AI 서버용 MLCC와 FC-BGA 수요가 강하고, 두 제품 모두 수급이 타이트해지고 있으며, 고부가 제품 비중 확대와 가격 협의가 동시에 진행되고 있다고 정리되어 있다. 삼성전기는 AI 서버용 MLCC에서 100μF 이상 초고용량 제품, 125도 고온품 등 최첨단 제품 수요가 확대되고 있으며, 고객사와 장기공급계약 협의도 진행 중이라고 설명했다.
또한 AI 서버용 MLCC와 고부가 FC-BGA 수요가 기존 예상보다 빠르게 증가하면서 투자 규모가 전년 대비 2배 이상 증가할 전망이라는 점도 중요하다. 이는 공급업체들이 이번 수요를 일시적 재고 보충보다 구조적 성장으로 보고 있다는 신호다.
12. 수동소자 업체별 코멘트와 사이클 해석
 |
| Taiyo yuden |
 |
| TDK |
 |
| Murata |
 |
| Yageo |
 |
| Kyocera |
 |
| Kyocera *Components Businesses: Core Components Business + Electronic Components Business |
 |
| Kyocera *Components Businesses: Core Components Business + Electronic Components Business |
 |
| Kyocera *Components Businesses: Core Components Business + Electronic Components Business |
Kyocera는 순수 수동소자 업체로 분류되지는 않지만, 최근 어닝콜을 통해 고부가 수동소자 및 첨단 반도체 부품 영역에 대한 성장 의지를 분명히 드러냈다.
회사는 FY2026 기준 semiconductor business 내 advanced semiconductor 관련 매출 비중이 약 40%였으며, 이를 FY2031에는 약 55%까지 확대하고 관련 매출을 2.8배 성장시키겠다고 밝혔다.
성장축은 SPE용 fine ceramic components, 차세대 electrostatic chuck, AI용 network package, ceramic core substrate, AI 서버 및 데이터센터향 MLCC와 polymer tantalum capacitor로 제시됐다.
이는 Kyocera의 Components 사업이 단순한 범용 부품 회복에 의존하기보다, AI 데이터센터와 advanced semiconductor 투자 확대에 직접 연결되는 고부가 부품 포트폴리오로 전환되고 있음을 의미한다. CY2028 이후에는 AI 데이터센터, advanced semiconductor, SPE 부품, MLCC·탄탈 캐패시터, Solutions 고부가 제품이 중장기 성장의 핵심 축으로 작용할 가능성이 높다.
이 흐름은 주요 수동소자 업체들에서 공통적으로 확인되는 업황 개선 신호와도 맞닿아 있다. B/B Ratio 상승, 가동률 개선, ASP 하락 둔화 또는 가격 인상 협의, 고부가 제품 믹스 개선, CAPEX 확대가 동시에 나타나고 있기 때문이다.
이러한 변화는 수동소자 업황이 재고조정 이후의 단순한 경기적 회복을 넘어, AI 서버·전장·advanced semiconductor 수요를 기반으로 한 구조적 업사이클 초입에 진입하고 있음을 뒷받침한다.
13. 가격 인상 사이클의 논리
가격 인상은 단순히 원재료 가격이 올랐기 때문에 가능한 것이 아니다. 고객이 공급 안정성을 더 중시하는 환경에서만 가격 전가가 가능하다. 지금은 AI 서버, 데이터센터 네트워크, 온프레미스 인프라, AI PC, 전장, 로봇 등 여러 수요처가 동시에 고부가 부품을 요구하고 있다.
HPE는 DRAM·NAND 가격 상승이 심각하고 높은 가격 수준이 2027년까지 이어질 가능성을 보고 있으며, 이에 대응해 장기 계약, 가격 인상, 견적 유효기간 단축, 출하 전 원가 상승 시 재가격 조정까지 시행하고 있다고 정리되어 있다. Dell도 AI 수요가 공급을 계속 초과하고 있으며 메모리가 가장 큰 제약 요인이라고 설명했다.
수동소자에서도 같은 흐름이 나타난다. TAIYO YUDEN은 가격 하락 속도 둔화를 언급했고, YAGEO는 가격 인상 효과의 초기 반영을 설명했으며, 삼성전기는 MLCC와 FC-BGA 모두에서 가격 협의를 진행 중이다. 삼성전기 자료에서는 2Q26 MLCC 수요가 전 응용처에서 성장하고, AI 서버·데이터센터 전력 인프라용 고부가·고신뢰성 제품 수요가 확대되며, MLCC 가격도 AI 서버향 수요와 원자재 상승을 반영해 전략적으로 대응할 계획이라고 정리되어 있다.
따라서 이번 사이클은 다음 순서로 전개될 가능성이 높다.
14. 부품별 수혜 경로
삼성전기 자료에서도 서버·AI용 기판은 대면적화, 고다층화, 멀티코어, 임베딩 기술 요구가 확대되고 있어 제품 고부가화와 캐파 잠식이 동시에 진행되고 있다고 정리되어 있다.
15. 최종 투자 관점
이번 수동소자 업사이클의 가장 앞단에는 토큰 사용량이 있다. MiniMax 사례처럼 모델 단가가 낮아지고, agentic AI가 업무 생산성·코딩·멀티모달 콘텐츠로 확산되면 토큰 처리량은 계속 늘어난다. 여기에 closed-loop 구조가 붙으면 AI는 한 번 답하고 끝나는 도구에서 벗어나, 계획하고 실행하고 관찰하고 재시도하는 디지털 근로자로 바뀐다.
이 변화는 연산량을 폭발적으로 늘리고, 기존 conventional data center만으로는 충분히 흡수하기 어렵다. 그래서 중앙 AI 데이터센터는 더 커지고, 동시에 추론은 온프레미스, private AI infrastructure, edge server, AI PC, 워크스테이션으로 분산된다.
이 경로는 결국 하드웨어 수요를 다층적으로 만든다. AI 서버만 늘어나는 것이 아니라, CPU 서버, 스토리지, 네트워킹, 전력 인프라, 냉각, 보안, AI PC, 로봇, 산업용 엣지 장비까지 수요가 확산된다. 이 모든 장비는 과거보다 더 높은 전력 밀도, 더 빠른 신호 속도, 더 큰 메모리 용량, 더 복잡한 전원관리 회로를 요구한다.
따라서 이번 사이클의 수혜는 범용 수동소자 전체보다 AI 서버·데이터센터 네트워크·온프레미스 서버·AI PC·엣지 AI 장비에 들어가는 고전력·고속·고신뢰성 수동소자에 집중될 가능성이 높다. TAIYO YUDEN, YAGEO, Murata, TDK, 삼성전기의 최근 코멘트는 이미 이 방향을 뒷받침하고 있다.
한 줄로 정리하면, closed-loop agentic AI는 토큰과 추론 연산량을 구조적으로 키우고, AI 데이터센터 병목은 연산을 온프레미스와 엣지로 분산시키며, 이 과정에서 고부가 MLCC·인덕터·커패시터·PCB·FC-BGA 수요와 가격 협상력이 동시에 강화되는 구조적 업사이클이 형성되고 있다.
전체 논리를 다시 정리하면, 핵심은 **“토큰 사용량 폭증 → closed-loop agentic AI → 추론 연산의 구조적 증가 → AI 데이터센터 병목 → 온프레미스·엣지 분산 → 서버·네트워크·스토리지·AI PC·워크스테이션 수요 확대 → 고부가 수동소자 업사이클”**이다.
=끝
