2026년 8월 17일 월요일

생각정리 341 (* 소부장, Where Does Value Accrue in the AI Era?)

AI 시대, 반도체 소부장의 진짜 해자는 어디에 있는가


가끔 주변에서 먼저 연락이 와 특정 종목을 어떻게 생각하느냐는 질문을 받는다.

최근에는 유독 반도체 장비와 소재, 이른바 소부장 기업에 대한 질문이 많아졌다. 과거에는 메모리 업황이 회복되고 삼성전자와 SK하이닉스의 Capex가 증가하면 결국 관련 기업의 실적도 따라올 것이라는 관점에서 소부장을 바라봤다.

그런데 최근 AI 기술의 발전을 지켜보면서 기업을 보는 기준이 조금 달라지고 있다.

메모리 업황이 좋으냐 나쁘냐보다 먼저 보게 되는 것이 있다.

AI가 발전할수록 새롭게 만들어지는 가치는 결국 누구에게 귀속되는가.

이 질문으로 바라보면 같은 반도체 소부장 안에서도 기업마다 장기적인 경쟁우위의 방향은 상당히 달라질 수 있다.

1. 좋은 반도체 업황과 좋은 장기투자는 같은 문제가 아니다


현재 반도체 업황을 놓고 보면 소부장에 긍정적인 근거는 충분하다.

AI 서버의 확산은 HBM과 선단 DRAM 수요를 증가시키고 있고, 미세공정과 Advanced Packaging의 난도가 높아질수록 공정 수도 늘어난다. 이에 따라 식각, 증착, 계측, 검사 등 여러 장비의 Wafer Fab Equipment Intensity가 구조적으로 증가할 가능성이 높다.

KLA는 EUV, HBM, Advanced Packaging과 선단공정의 복잡성이 높아질수록 Process Control의 중요성이 커진다고 설명한다. Lam Research 역시 AI가 요구하는 반도체 성능이 높아질수록 제조 과정의 복잡도가 증가하며 장비 수요가 확대된다는 논리를 제시하고 있다.

따라서 단기적인 인과관계는 명확하다.

AI 수요 증가 → 반도체 성능 요구 상승 → 제조 난도 상승 → Capex 및 공정 투자 증가 → 장비·소재 수요 증가

이 흐름만 보면 반도체 소부장은 AI 시대의 명확한 수혜 산업처럼 보인다.

하지만 장기투자를 생각한다면 여기에서 한 단계 더 들어가야 한다.

AI는 단순히 반도체 수요를 증가시키는 기술이 아니다. 동시에 반도체를 설계하고 생산하고 수율을 개선하는 방법 자체를 변화시키고 있기 때문이다.

TSMC는 이미 제조 과정에서 머신러닝과 AI를 Fault Detection, Advanced Equipment Control, Advanced Process Control 등에 활용하고 있으며, 생산성 향상과 공정 변동성 감소를 위한 Digital Manufacturing을 지속적으로 확대하고 있다.

삼성전자 역시 설계·공정·장비·품질 데이터를 연결하고 AI가 이를 분석해 공정과 장비 운영을 최적화하는 방향으로 Semiconductor AI Factory를 구축하고 있다.

AI가 반도체 산업에 미치는 영향은 결국 두 방향으로 나뉜다.

하나는 반도체를 더 많이 필요하게 만드는 Demand Effect이고, 다른 하나는 반도체를 만드는 과정에서 지식과 의사결정의 구조를 바꾸는 Productivity Effect이다.

소부장 투자에서는 후자의 영향을 생각해볼 필요가 있다.

2. 앞으로 중요한 것은 ‘데이터의 양’보다 데이터가 위치한 곳이다


반도체 제조공정에서는 매일 막대한 데이터가 발생한다.

어떤 Wafer가 어떤 장비를 통과했는지, Chamber 내부의 Pressure와 Temperature는 어떻게 움직였는지, Recipe를 변경했을 때 결과가 어떻게 달라졌는지, 최종적으로 어느 Die에서 Defect가 발생했고 Yield가 어떻게 변했는지 수많은 데이터가 끊임없이 쌓인다.

여기에서 자연스럽게 한 가지 질문이 생긴다.

이 데이터를 누가 가지고 있는가.

하지만 이것만으로는 부족하다.

AI 시대에 더 중요한 것은 단순한 Data Ownership이 아니라 Data Access, Causal Observability, Actuation Authority라고 생각한다.

쉽게 말하면 세 가지이다.

무엇이 발생했는지를 볼 수 있는가.
왜 발생했는지를 추론할 수 있는가.
그리고 실제 공정을 움직일 수 있는가.

반도체 제조사와 장비회사는 여기에서 서로 다른 위치에 있다.

TSMC나 삼성전자 같은 Fab Owner는 공장 전체의 데이터를 볼 수 있다.

노광 공정에서 무슨 일이 있었고, 이후 식각과 증착 공정을 거쳐 최종 수율이 어떻게 나왔는지 Cross-process Data를 연결할 수 있다. 장비 한 대가 아니라 전체 제조 흐름을 바라볼 수 있다는 것이 가장 큰 강점이다.

반면 ASML과 같은 장비회사는 Fab 전체를 볼 수는 없지만 자신의 장비 내부를 훨씬 깊게 볼 수 있다.

ASML은 한 대의 노광 시스템에 10만 개가 넘는 Actuator와 Sensor가 존재한다고 설명한다. 장비 내부에서 발생하는 방대한 데이터를 이용해 Overlay와 Alignment를 조정하고, 장비 상태를 진단하며 Predictive Maintenance를 수행할 수 있다.

2026.07.15 ASML

Lam Research 역시 장비에서 초당 수천 개의 Data Point를 수집하고 이를 Equipment Intelligence와 결합해 Chamber Drift, Fleet Matching, Excursion 등을 관리하고 있다.

2026.07.29 Lam Research

따라서 앞으로의 경쟁을 단순히 “제조사와 장비사 중 누가 데이터를 소유하는가”의 문제로만 보면 핵심을 놓칠 수 있다.

더 중요한 것은 누가 가치 있는 데이터가 발생하는 지점에 위치하고 있으며, 그 데이터를 이용해 현실세계에 다시 영향을 줄 수 있는가이다.

3. AI 시대의 희소자원은 Closed Loop다


AI 기술이 발전할수록 일반적인 지식의 희소성은 낮아질 가능성이 높다.

과거에는 특정 장비를 수년간 다뤄본 엔지니어만 알고 있던 Troubleshooting 경험이나 Failure Case, Recipe 설정 방식이 중요한 경쟁력이었다. 하지만 LLM과 AI Agent가 발전하면 이런 Codifiable Knowledge는 이전보다 훨씬 빠르게 정리되고 검색되며 조직 내부에서 공유될 수 있다.

특정 엔지니어 한 명의 머릿속에 존재하던 노하우의 가치는 낮아질 수 있다.

그렇다고 모든 장비회사의 해자가 약해지는 것은 아니다.

오히려 정반대의 현상도 가능하다.

AI가 아무리 똑똑해져도 현실을 직접 관측할 수 없다면 행동할 수 없다. 장비 내부에서 실제 플라즈마 상태가 어떻게 변했는지, Nanometer 단위의 Overlay Error가 발생했는지, Chamber 안에서 어떤 물리적 변화가 있었는지는 결국 Sensor와 Metrology가 알려줘야 한다.

그리고 AI의 판단을 실제 결과로 연결하려면 Actuator가 필요하다.

Recipe를 변경하고, Laser를 조정하고, Gas Flow와 Pressure를 통제하고, 공정 조건을 바꿀 수 있어야 한다.

마지막으로 그 행동이 올바른 결정이었는지를 다시 측정할 수 있어야 한다.

결국 가장 강력한 시스템은 다음과 같은 구조를 가진다.

Observe → Decide → Act → Verify → Learn

이것이 Closed Loop이다.

AI 이전에는 이 Loop의 중간 단계 상당 부분을 인간 엔지니어가 담당했다.

앞으로는 점차 AI와 Software가 그 영역으로 들어올 것이다.

이렇게 생각하면 AI 시대의 기업가치를 바라보는 질문 역시 달라진다.

AI가 계속 발전할수록 어느 기업의 시스템 안에 더 많은 행동과 결과가 축적되는가?

그리고 한 가지를 더 추가해야 한다.

그 기업은 행동과 결과 사이의 인과관계를 얼마나 정확하게 관측할 수 있는가?

데이터가 많다는 것과 좋은 데이터가 많다는 것은 전혀 다른 이야기이다.

수백만 개의 데이터가 있어도 무엇이 Yield를 개선했는지 알 수 없다면 경제적 가치는 제한적이다. 반대로 특정 공정의 결과를 결정하는 물리변수를 독점적으로 측정하고 이를 직접 제어할 수 있다면 데이터의 양이 훨씬 적더라도 가치가 크다.

AI 시대의 진짜 희소자원은 데이터 그 자체보다 Closed Loop의 지배권일 가능성이 높다.

4. 이 관점에서 보면 소부장 안에서도 기업의 가치가 크게 갈린다


여기에서 소부장을 하나의 업종으로 묶어 보는 것이 점점 어려워진다.

같은 반도체 장비기업이라 하더라도 AI가 경쟁우위에 미치는 영향은 완전히 다를 수 있기 때문이다.

ASML과 같은 기업은 자신의 장비 안에서 발생하는 Sensor Data를 직접 확인하고 장비를 제어할 수 있다. Installed Base가 확대될수록 더 많은 Failure Case와 장비 운영 데이터가 축적되고, 이를 다시 Software와 장비 성능 개선에 사용할 수 있다.

장비 판매 → 데이터 축적 → 알고리즘 개선 → 장비 성능 향상 → Installed Base 확대 → 추가 데이터 축적

일종의 Physical Data Flywheel이 만들어진다.

KLA도 흥미롭다.

KLA가 제공하는 핵심 가치는 Wafer에 존재하는 Defect와 Process Variation을 측정하는 것이다. AI가 공정을 최적화하려면 먼저 결과가 좋아졌는지를 판단할 수 있어야 하기 때문에 Measurement와 Verification의 중요성은 오히려 높아질 수 있다.

2026.07.28 KLA

AI가 발전할수록 판단 능력이 Commodity화되더라도 현실을 정확하게 측정하는 능력은 Commodity화되지 않을 수 있다.

Lam Research와 Applied Materials처럼 Process Chamber 내부에서 직접 Wafer를 가공하는 장비기업도 비슷하다. Sensor와 Software, Process Control을 장비 자체에 깊게 결합할수록 AI는 이들의 경쟁우위를 약화시키는 기술이 아니라 증폭시키는 기술이 될 수 있다.

2026.08.13 Applied materials

반대로 경쟁우위의 상당 부분이 엔지니어의 경험과 고객사와의 정보 비대칭에 의존했던 장비기업은 다르게 봐야 한다.

고객사가 AI를 이용해 공정을 더 잘 이해하고 Troubleshooting 능력을 내부화할수록 과거 장비업체가 가지고 있던 Know-how의 일부가 고객에게 이전될 수 있기 때문이다.

소재업체는 여기에서 또 다른 위치에 있다.

많은 소재기업은 제품이 Fab 내부에서 사용되지만 사용 이후 발생하는 Real-time Process Data에 직접 접근하기 어렵다. 결국 최종적인 Yield와 Defect 데이터를 가장 많이 보유하는 것은 제조사인 경우가 많다.

따라서 단순히 소재를 공급하는 기업은 제조사의 AI 역량이 높아질수록 소재의 성능 차이가 더 정확하게 측정되고 비교되면서 오히려 가격 협상력이 약해질 가능성도 있다.

반대로 특정 소재가 고객과 Joint Development 형태로 개발되고, Recipe와 소재 조성 자체가 공정 최적화의 일부로 결합되며 쉽게 Second Source로 전환할 수 없다면 이야기가 달라진다.

결국 소재에서도 중요한 것은 동일하다.

제품을 판매하는 회사인가, 아니면 고객의 Closed Loop 일부를 지배하는 회사인가.

5. AI는 장비산업의 해자를 없애기보다 ‘해자의 격차’를 확대할 가능성이 높다


여기에는 강한 반론이 하나 존재한다.

반도체 공정의 난도가 올라갈수록 오히려 장비업체에 대한 의존도가 높아질 수 있다는 것이다.

나는 이 반론이 상당히 타당하다고 본다.

High-NA EUV, Gate-All-Around, HBM, Advanced Packaging처럼 제조 난도가 올라갈수록 개별 장비의 기술적 복잡성 역시 커지고 있다. 이런 영역에서는 AI가 발전한다고 해서 제조사가 장비회사의 기술을 단기간에 대체하기 어렵다.

AI가 지식을 Commodity화한다고 해서 물리학까지 Commodity화되는 것은 아니기 때문이다.

따라서 AI 발전 → 장비사 해자 약화라는 단순한 결론은 성립하지 않는다.

오히려 더 가능성이 높은 시나리오는 양극화이다.

이미 독점적인 Sensor, Metrology, Control Point를 가지고 있는 기업은 AI를 이용해 기존 경쟁우위를 더 빠르게 강화한다.

반대로 공정 데이터에 대한 접근이 제한적이고, Hardware 자체의 기술적 진입장벽도 높지 않으며, 서비스 경쟁력의 상당 부분이 사람의 경험에 의존했던 기업은 고객사의 AI 역량이 높아질수록 정보 비대칭이 사라진다.

AI는 모든 소부장 기업의 해자를 낮추는 기술이 아니다.

강한 해자는 증폭시키고, 약한 해자는 더 빠르게 드러내는 기술에 가깝다.

그래서 앞으로 반도체 소부장 기업 사이의 Valuation Multiple 역시 단순히 시장점유율과 성장률만으로 설명하기 어려워질 가능성이 있다고 생각한다.

같은 10%의 성장을 하더라도 하나는 고객 Capex가 증가했기 때문에 발생한 성장일 수 있고, 다른 하나는 Closed Loop가 강화되면서 고객의 Switching Cost와 자신의 데이터 자산이 동시에 증가하는 성장일 수 있다.

두 성장의 질은 전혀 다르다.

6. 그래서 앞으로는 이렇게 기업을 볼 것 같다


앞으로 반도체 소부장을 볼 때 가장 먼저 보는 지표가 단순히 삼성전자와 SK하이닉스의 Capex 증가율은 아닐 것 같다.

그보다 다음 질문이 중요해지고 있다.

첫째, 이 기업은 자신만 볼 수 있는 데이터를 가지고 있는가.

고객에게 받은 데이터가 아니라 제품 자체에서 독점적으로 생성되는 Sensor, Metrology, Failure Data가 존재하는지를 본다.

둘째, 그 데이터는 결과와 인과적으로 연결되어 있는가.

데이터가 많아도 Yield와 Productivity를 결정하는 핵심 원인에 접근하지 못한다면 가치가 제한적이다.

셋째, 관측만 하는가 아니면 행동까지 할 수 있는가.

AI가 분석한 결과를 실제 장비와 공정 제어로 연결할 수 있는지가 중요하다.

넷째, 결과를 다시 검증할 수 있는가.

자신이 수행한 행동이 실제 Yield, Throughput, Reliability를 얼마나 개선했는지 측정할 수 있어야 한다.

다섯째, Installed Base가 증가할수록 경쟁우위도 함께 증가하는가.

한 고객과 한 장비에서 학습한 데이터를 다른 장비와 다른 고객에게 적용할 수 있다면 데이터는 누적적인 자산이 된다.

마지막 질문은 가장 단순하다.

AI가 지금보다 열 배 더 좋아졌을 때 이 회사는 고객에게 더 중요해질 것인가, 덜 중요해질 것인가.

나는 이것이 앞으로 기업의 장기적인 해자를 판단하는 가장 중요한 질문 중 하나라고 생각한다.

7. 결국 중요한 것은 ‘가치의 귀속성’이다


AI 시대의 희소자원은 점차 지능 그 자체에서 다른 곳으로 이동하고 있다.

모델의 성능은 계속 개선될 것이고 추론비용도 장기적으로 낮아질 가능성이 높다. 인간이 축적해왔던 수많은 지식과 경험 역시 점차 검색되고 복제되고 이전 가능한 형태로 바뀔 것이다.

그렇다면 중요한 것은 지능을 가지고 있다는 사실이 아니다.

그 지능을 현실세계의 행동으로 전환할 수 있는가. 그리고 그 행동의 결과를 다시 관측하고 학습할 수 있는가.

반도체 제조업은 이 질문을 생각하기에 매우 좋은 산업이다.

TSMC와 삼성전자 같은 제조사는 Fab 전체를 관통하는 데이터를 가지고 있다.

ASML은 Lithography라는 특정 영역에서 매우 깊은 Sensor와 Control Data를 가지고 있다.

KLA는 공정의 결과를 판단하는 Measurement와 Verification 지점을 장악하고 있다.

Lam과 Applied Materials는 Wafer가 실제로 변화하는 Process Chamber를 장악하고 있다.

반면 어떤 장비와 소재기업은 고객의 Closed Loop 바깥에 위치한다.

AI 경쟁에서 중요한 것은 어느 산업에 속했느냐가 아니라 이 Loop에서 어디에 위치하고 있느냐일지도 모른다.

그래서 반도체 업황이 아무리 좋더라도 모든 소부장 기업을 같은 방향으로 바라보는 것은 점점 어려워지고 있다.

단기적으로는 Capex가 대부분의 기업을 함께 끌어올릴 수 있다.

하지만 시간이 흐르면 차이가 나타날 것이다.

고객이 성장해서 함께 성장한 기업과, 시간이 흐를수록 고객에게 더 없어서는 안 되는 존재가 된 기업 사이의 차이이다.

장기투자에서 중요한 것은 좋은 분기를 맞히는 것이 아니라 시간을 내 편으로 만들 수 있는 기업을 찾는 것이라고 생각한다.

그래서 앞으로 기업을 볼 때 내가 가장 중요하게 던질 질문도 점점 명확해지고 있다.

AI가 계속 발전할수록 이 산업에서 새롭게 만들어지는 가치는 결국 누구에게 귀속되는가?

그리고 그 답이 지속적으로 같은 기업을 가리킨다면,

아마 그곳에 우리가 찾는 장기적인 경쟁우위가 있을 가능성이 높다.

참고자료



#글을 마치며


남의 장비와 기술을 뒤로 몰래 가져다 쓰는 것도 모자라 경쟁사 엔지니어까지 몰래 데려와 필요한 기술만 빼낸 뒤 내치는 행태. 정작 원천기술을 보유한 회사는 대외적으로 깎아내리면서, 실체조차 불분명한 자신들의 기술력은 한껏 부풀려 치켜세운다.

이런 눈살 찌푸리게 하는 행동도 이제는 그만했으면 한다.

밤말은 쥐가 듣고 낮말은 새가 듣는다는데.

아… 또 냉소적인.. 나쁜 버릇.. 

=끝

작성자: 시간:

댓글 없음:

댓글 쓰기