생각정리 387 (* The Agent Traffic Multiplier, PCB)

AI Agent는 왜 PCB와 기판 소재까지 당기는가

이번 연휴에는 신생아를 품에 안고 Muse를 사용해봤다. 이틀 만에 무료 토큰 한도의 **80~90%**를 소진했다.

아직 모든 일을 맡겨놓고 신경을 꺼도 되는 수준은 아니다. 그래도 신생아에게 분유를 타고 먹이고, 재우고, 트림을 시키고, 씻기고, 기저귀를 갈아주는 사이에 간간이 진행 상황을 확인하고 방향만 수정해주면 꽤 만족스러운 결과물을 얻을 수 있었다.

대표적인 일이 블로그 정리였다. 그동안 글만 쌓아왔을 뿐, 수백 개의 글을 주제별로 분류하거나 디자인을 손보지는 못했다. 비개발자인 내가 구글 블로그를 하나하나 수정하는 것도 만만치 않았고, 무엇보다 글마다 라벨을 붙이는 일이 귀찮아 계속 미뤄두고 있었다.

Muse에게 맡긴 뒤 중간중간 질문에 답하고 필요한 권한을 허용해주니, 약 5~6시간 만에 그 일을 마쳐놓았다. 내가 화면 앞에 붙어 있던 시간이 아니라, 아이를 돌보는 동안 Agent가 작업을 이어간 시간이었다.

다음 날에는 개인 온라인 쇼핑몰 제작을 시켜봤다. 빠르게 뼈대를 잡았고, 내가 확인한 범위에서는 사업자등록을 남겨둘 정도까지 진행됐다. 이후 이메일과 Telegram 자료, Earnings Model 수치 정리 같은 디지털 노가다를 하나씩 맡기다 보니 무료 토큰도 눈 녹듯 사라졌다.

질문할 때만 쓰던 AI가, 내가 다른 일을 하는 동안에도 일하는 AI로 바뀌니 사용량 자체가 달라졌다.

귀찮거나 시간이 없어 미뤄두었던 일이 모두 새로운 Agent 수요가 되는 셈이다. 개인적인 경험만으로 시장 전체를 단정할 수는 없지만, 왜 사용자 한 명의 토큰 소비가 크게 늘어날 수 있는지는 체감했다.

이번 글에서는 이 수요가 GPU에서 끝나지 않고, 메모리와 CPU, 스토리지와 네트워크를 거쳐 PCB와 기판 소재까지 확산되는 과정을 정리해본다.

사용자가 화면을 떠나도 컴퓨팅은 멈추지 않는다

Chatbot은 주로 사용자가 질문할 때 작동한다. Agent는 목표를 전달받으면 계획을 세우고, 자료를 읽고, 도구를 호출하고, 결과를 검증하며 작업을 이어간다.

사용자가 육아를 하거나 다른 일을 하는 동안에도 모델 호출과 데이터 처리는 계속된다. 사람의 접속시간과 AI의 실행시간이 분리되기 시작한 것이다.

B2C 토큰 수요의 확장 구조는 생각정리 376, Muse Agent AI와 Consumer Token Moment, 상태와 기억의 관리는 생각정리 378, The Memory Behind Every Agent로 갈음한다.

이번에 더 주목하는 부분은 그 실행시간을 유지하기 위해 필요한 인프라다. Agent가 오래 일할수록 연산뿐 아니라 문맥을 읽고, 기억을 저장하고, 데이터를 옮기는 작업도 누적된다.

기존 Chatbot의 수요가 대체로 사용자 수 × 질문 횟수 × 답변 길이에 가까웠다면, Agent는 여기에 작업 수 × 작업당 실행시간 × 중간 단계 수 × 재시도 횟수가 추가된다. 여러 Agent가 역할을 나눠 일하면 서로의 결과와 상태를 교환하는 과정까지 붙는다.

이를 나는 Agent Traffic Multiplier라고 생각한다.

사용자가 한 번 지시했다고 해서 모델이 한 번만 호출되는 것이 아니다. 하나의 목표가 여러 번의 읽기·판단·실행·검증으로 분해되며 내부 연산과 데이터 이동을 반복해서 발생시키는 구조다.

Agent의 비용은 답변보다 ‘계속 읽는 과정’에서 커진다

Agent는 매 단계에서 사용자 지시, 기존 계획, 도구 실행 결과, 오류 메시지와 새로 검색한 자료를 참고한다. 작업이 길어질수록 다음 판단에 필요한 문맥도 늘어난다.

물론 Prefix Cache가 있으면 동일한 입력을 매번 처음부터 계산할 필요는 없다. 상태를 유지한다는 이유만으로 전체 문맥을 매번 재계산하는 것은 아니다.

그럼에도 새로운 입력의 Prefill, 캐시되지 않은 문맥의 재처리, 기존 KV Cache에 대한 접근은 계속 발생한다. 따라서 중요한 것은 한 번의 입력 길이가 아니라 전체 작업에 걸쳐 누적되는 Prefill과 메모리 접근량이다.

Prefill은 중요한 병목이지만 유일한 병목은 아니다. 모델 구조와 캐시 적중률, 배치 크기와 실행 방식에 따라 Decode, 메모리 대역폭, CPU 또는 네트워크가 먼저 제한요인이 될 수 있다.

그러므로 Agent 수요 증가를 곧바로 GPU 수요 증가율로 치환해서는 안 된다. 먼저 어떤 작업이 늘어나는지, 그 작업이 연산·메모리·스토리지·통신 가운데 무엇을 더 많이 사용하는지를 나눠봐야 한다.

토큰 증가가 East-West Traffic으로 바뀌는 구간

사용자가 보내는 질문과 받는 답변은 데이터센터 외부와 내부를 오가는 North-South Traffic이다. 반면 GPU·CPU·스토리지와 서버·Rack 사이에서 오가는 데이터는 East-West Traffic이다.

Agent 시대에는 화면에 보이는 답변을 만들기 위해 내부에서 처리하고 이동시키는 데이터가 많아진다. 특히 다음 세 가지 구조에서 네트워크 부담이 커진다.

다만 토큰이 늘었다고 네트워크 트래픽이 같은 비율로 늘어나는 것은 아니다. 동일 가속기에서 캐시를 재사용하면 외부 전송은 제한적일 수 있다. 반대로 MoE 모델을 여러 칩에 분산하거나 Prefill과 Decode를 서로 다른 서버에서 처리하면 토큰당 내부 통신량은 커질 수 있다.

결국 네트워킹 수요를 판단하려면 토큰 수와 함께 모델 병렬화 방식, 캐시 배치, Prefill·Decode 분리, Rack 간 작업 분산 정도를 봐야 한다.

관련 지연시간과 추론 구조는 생각정리 363, The Price of Waiting, Astra & Ultra-Low Latency Inference로 갈음한다.

Jensen의 Agentic Inflection은 Rack 설계에 반영되고 있다

Jensen Huang은 2026년 3월 GTC에서 Agentic AI의 변곡점을 강조했다. 같은 행사에서 NVIDIA는 개별 칩과 서버를 넘어 연산·네트워크·스토리지 Rack이 하나의 시스템으로 작동하는 Vera Rubin 플랫폼을 제시했다. NVIDIA 공식 발표.

여기서 East-West Traffic은 Jensen의 발언을 해석해 붙인 표현만은 아니다. NVIDIA는 Spectrum-6 SPX가 AI Factory 내부의 East-West Traffic을 가속하도록 설계됐다고 명시했다.

Vera CPU Rack은 Agent의 실행과 검증에 필요한 CPU 기반 환경을 담당한다. BlueField-4 STX는 대규모 KV Cache를 저장하고 불러오는 공유 Context Memory 계층을 제공한다. Spectrum-6 SPX는 Rack과 Rack 사이의 고속 통신을 담당한다.

GPU만 늘리는 것이 아니라 CPU 환경과 문맥 저장소, Rack 간 연결을 함께 확장하는 구조다. NVIDIA가 Rubin 플랫폼을 Vera CPU, Rubin GPU, NVLink 6 Switch, ConnectX-9 SuperNIC, BlueField-4 DPU, Spectrum-6 Ethernet Switch라는 여섯 종류의 칩을 공동 설계한 하나의 시스템으로 설명하는 이유도 여기에 있다.

NVIDIA

내가 읽는 핵심은 다음과 같다.

AI의 실행 단위가 서버에서 Rack으로, 다시 여러 Rack이 연결된 하나의 시스템으로 커지고 있다.

 

Rack 구조의 상세 내용은 생각정리 177, Nvidia Rubin Ultra Kyber Rack, 데이터센터 간 연결은 생각정리 267, Scale-Across와 Optical Networking으로 갈음한다.

새로운 TPU 아키텍처도 같은 방향을 가리킨다

이 변화는 NVIDIA만의 설계 방향이 아니다. Google은 2026년 4월 8세대 TPU를 Training용 TPU 8t와 Agent·Reasoning 추론용 TPU 8i로 분리했다. Google Cloud 기술 자료.

TPU 8i는 이전 세대보다 온칩 SRAM을 3배 늘리고, 288GB HBM과 19.2Tb/s ICI를 탑재했다. 여러 칩의 결과를 모으는 Collectives Acceleration Engine을 별도로 두고, 칩 사이 최대 통신 단계를 줄이기 위해 새로운 Boardfly 네트워크 토폴로지를 적용했다.

Google은 네 개의 칩으로 구성된 Building Block, 여덟 개 Board가 연결된 Group, 그리고 Optical Circuit Switch를 통해 여러 Group을 연결하는 Pod 구조를 제시했다. CPU Host도 자체 Arm 기반 Axion으로 바꿨다.

Boardfly는 1,024개 칩 규모에서 최대 통신 단계를 기존 3D Torus의 16단계에서 7단계로 줄인다. Reasoning과 MoE처럼 칩 사이의 All-to-All 통신이 중요한 워크로드에서는 연산량만큼 연결 구조가 중요해지고 있다는 의미다.

중요한 점은 GPU가 TPU로 대체되느냐가 아니다.

Training과 Serving, Prefill과 Decode, Dense와 MoE처럼 워크로드가 분화될수록 각 단계에 최적화된 가속기·CPU Host·Board·Interconnect 구조도 함께 분화된다.

GPU 중심의 단일 아키텍처에서 여러 Custom ASIC과 전용 네트워크가 공존하는 구조로 바뀌면 기판 수요의 범위도 넓어진다.

다만 아키텍처마다 패키지 구조와 Board 배치, 외부 구매 부품이 다르므로 모든 PCB 업체가 동일하게 수혜를 받는 것은 아니다. 오히려 고객 인증과 설계 참여, 고속 신호 처리 능력이 더 중요해질 수 있다.

기판 및 기판 소재 수요를 밀어 올리는 핵심 동력

기판 수요를 GPU 출하량 하나로 설명하면 변화의 상당 부분을 놓치게 된다.

이번 사이클에서는 시스템 출하량, Rack당 Board Content, Board 면적, 층수, 소재 등급과 공정시간이 동시에 움직이고 있다.

1. Agent Workload는 사용자당 실행시간을 늘린다

Agent의 첫 번째 효과는 사용자 수가 아니라 사용자당 맡기는 일의 수와 실행시간을 늘리는 것이다.

긴 작업과 반복 검증, 여러 Agent의 협업은 같은 사용자에게서 더 많은 연산과 메모리 접근, 내부 통신을 발생시킨다. 사용자가 화면을 닫아도 Agent가 계속 작업한다면 AI 수요는 더 이상 사람의 접속시간에만 묶이지 않는다.

이 수요가 곧바로 PCB 매출로 연결되는 것은 아니다. 다만 가속기와 CPU, 스토리지와 네트워크가 더 오래 높은 가동률로 사용되면 추가 Rack 설치의 경제성이 높아지고, 결과적으로 시스템 출하량을 지지한다.

2. Rack당 Board의 종류와 수가 늘어난다

과거에는 AI Server의 핵심을 GPU Board와 CPU Mainboard 중심으로 볼 수 있었다. 이제는 NVLink Switch, Ethernet Switch, NIC·DPU, Context Storage와 보안·관리 장치까지 고속 신호를 처리하는 Board가 늘고 있다.

따라서 PCB 수요는 단순한 GPU 출하량이 아니라 다음과 같이 봐야 한다.

PCB 수요 = Rack 출하량 × Rack당 Board Content × Board당 소재·공정 투입량

가속기의 성능이 높아지더라도 이를 계속 가동시키기 위한 연결·저장·관리 장치가 함께 늘어난다면 Rack당 기판가치는 상승할 수 있다.

3. Board가 커지면 같은 한 장도 더 많은 생산능력을 사용한다

Board 면적이 커지면 한 장에 들어가는 CCL·동박·Glass Cloth의 양이 늘어난다.

동일한 제조 Panel에서 뽑을 수 있는 Board 수가 줄어들 수 있고, 한 부분의 결함이 더 큰 면적의 손실로 이어지기 때문에 수율 관리도 어려워진다.

즉 출하량이 같더라도 Board 대면적화가 진행되면 소재 소비량과 유효 생산능력 소모량은 더 빠르게 증가할 수 있다.

산업을 볼 때 완성된 Board의 장수만 확인해서는 안 되는 이유다. 실제 공급 제약은 얼마나 넓은 면적을 얼마나 높은 수율로 생산할 수 있는가에서 발생할 수 있다.

4. 층수가 늘면 소재뿐 아니라 공정시간도 늘어난다

AI Server와 Switch는 더 많은 고속 신호선과 전력·접지층을 필요로 한다.

대역폭이 높아질수록 신호 간 간섭과 손실을 줄여야 하고, 전력밀도가 높아질수록 안정적인 전력 공급을 위한 전원층과 접지층도 필요하다.

층수가 늘면 CCL과 Prepreg 투입량만 증가하는 것이 아니다. 적층과 압합, 미세 드릴링, 도금과 검사 공정이 복잡해지고 Cycle Time이 길어진다.

수율이 낮아지면 같은 출하량을 만들기 위해 더 많은 설비시간이 필요하다. 따라서 PCB 업체의 실질 생산능력은 단순 면적 CAPA보다 Layer Capacity와 공정시간, 수율을 함께 봐야 한다.

5. TPU와 Custom ASIC은 수요를 없애기보다 구조를 다변화한다

TPU 8i의 Boardfly, NVIDIA Rubin의 NVLink·Spectrum-X처럼 각 가속기는 자신에게 맞는 Scale-Up과 Scale-Out 구조를 발전시키고 있다.

가속기 종류가 늘수록 Package Substrate, Compute Board, Switch Board, CPU Host Board도 아키텍처별로 달라진다.

이는 산업 전체로 보면 설계와 인증의 종류가 늘어난다는 뜻이다. 반면 개별 공급사 입장에서는 특정 GPU Platform에 대한 노출만으로 전체 시장을 설명하기 어려워진다.

기판 산업의 총수요는 넓어질 수 있지만, 실제 이익은 어느 아키텍처에 채택되고 얼마나 오래 공급하느냐에 따라 갈린다.

Custom ASIC이 늘어난다고 해서 모든 범용 부품 수요가 함께 증가하는 것도 아니다. Hyperscaler가 칩과 시스템을 통합 설계하면 일부 Merchant Component는 줄어들 수 있다.

따라서 TPU와 ASIC 확산은 무조건적인 수혜라기보다 기판 수요처의 확대와 공급사별 채택 불확실성이 동시에 커지는 변화에 가깝다.

6. 속도가 빨라질수록 소재의 등급이 올라간다

고속 신호에서는 기판 내부의 유전손실과 동박 표면의 거칠기가 신호 품질에 직접 영향을 준다.

전송속도가 높아질수록 저손실 CCL, 표면이 매끄러운 HVLP 동박, 균일성과 치수안정성이 높은 Glass Cloth의 중요성이 커진다.

특히 800G에서 1.6T Network로 넘어가고 SerDes 속도가 높아지면, 기존 소재로는 신호 손실과 발열을 관리하기 어려워질 수 있다.

결국 AI 기판 사이클은 단순한 물량 증가가 아니라 고사양 제품 Mix 상승의 성격을 함께 가진다. 같은 면적의 PCB라도 소재 등급과 공정 난도가 높아지면 가격과 부가가치가 달라질 수 있다.

Rack 하나에 들어가는 기판의 종류와 가치가 늘어난다

위 동력을 Rack 단위로 다시 보면 구조가 더 분명해진다.

여기에 전송속도가 높아지면 신호 손실을 줄이기 위한 저손실 CCL, HVLP 동박과 고사양 Glass Cloth의 중요성도 커진다. 대형 패키지에는 ABF와 저열팽창 소재의 부담이 별도로 증가한다.

ABF 패키지 기판과 서버·Switch PCB는 같은 제품이 아니다. 제조공정과 공급사, 요구되는 기술도 다르다.

다만 AI 시스템 확대가 두 시장의 고사양 소재와 생산능력을 동시에 자극한다는 점이 중요하다.

제품별 구조는 생각정리 206, PCB·MLB·CCL·Glass Fiber와 Nvidia Rubin으로 갈음한다.

출하량보다 생산능력 소모량을 봐야 한다

같은 Board 한 장이라도 면적이 크고 층수가 많으면 더 많은 소재와 공정이 필요하다. 공정시간이 길어지고 수율이 낮아지면 출하량보다 생산능력 부담이 빠르게 증가할 수 있다.

이를 정성적으로 정리하면 다음과 같다.

생산능력 부담 ∝ 시스템 출하량 × 시스템당 Board 수 × Board 면적 × 층수·소재집약도 × 공정시간 ÷ 수율

이는 매출 추정 공식이 아니라 공급 제약을 이해하기 위한 틀이다. 층수와 적층·압합·드릴링·검사 난도는 서로 완전히 독립된 변수가 아니므로 실제 계산에서는 중복을 제거해야 한다.

TPCA·ITRI는 2026년 글로벌 CCL 시장을 215억달러, 전년 대비 34.2% 성장으로 전망했다. 대면적·40층 이상·초저손실 AI Server PCB가 수량과 가격을 동시에 끌어올리는 요인이라고 설명했다. TPCA·ITRI 자료.

같은 자료에 따르면 2025년 ABF 소재에서 Ajinomoto의 점유율은 97.1%, 일본 공급업체의 BT 소재와 저열팽창 Glass Cloth 점유율도 70% 이상이었다. 고사양 소재의 공급처가 집중돼 있다는 의미다.

생각정리 121 (* ABF)

HVLP 동박 생산능력은 2025년 2만3,400톤으로 48.1% 증가했지만 수요도 빠르게 고사양으로 이동하고 있다.

고다층·후판 구조로 미세 드릴링 부담이 커지면서 글로벌 PCB Drill Bit 시장은 2025년 8.6억달러에서 2026년 11.1억달러, 29.1% 성장할 것으로 전망됐다.

대만 PCB 업체들의 2026년 1분기 생산액도 NT$2,456억, 전년 대비 19.6% 증가하며 역대 1분기 최고치를 기록했다.

TPCA는 AI Server 수요가 Package Substrate, 고다층 PCB와 HDI 출하를 끌어올렸고, 고사양 Glass Cloth와 동박의 공급 부족이 가격 상승을 지지한다고 설명했다. 관련 보도.

“고성능 글라스 클로스인 **‘T글라스(T-Glass)’는 공급이 수요를 따라가지 못할 정도로 수요가 매우 많습니다. 생산설비 역시 풀가동하고 있습니다. …”

T-Glass 증설하라고 몇년부터 고객사들이 울부짖고있는데 왜 자꾸 수요예측이 어려워서  안한다고 하는건지.. 

이 수치들이 Agent만의 효과를 증명하는 것은 아니다.

다만 AI 수요가 기판의 수량뿐 아니라 면적·층수·제품 구성·소재 등급·가격과 공급 제약을 함께 바꾸고 있다는 근거는 된다.

개인적인 생각

이번 연휴에 체감한 것은 AI가 질문에 더 잘 답한다는 사실보다, 내가 할 시간이 없었던 일을 대신 진행해준다는 효용이었다.

이 효용이 일반 소비자에게 확산되면 AI 사용량은 사람이 화면 앞에 앉아 있는 시간에 덜 묶이게 된다. 사용자 수뿐 아니라 사용자 한 명이 맡기는 일의 수와 실행시간도 늘어날 수 있다.

그 과정에서 필요한 것은 문맥을 읽는 메모리, 실행을 관리하는 CPU, 상태를 저장하는 스토리지, 이들을 연결하는 네트워크가 함께 필요하다.

생각정리 331 (* CY 2Q26 Review.  Memory, Passive Components)

그리고 그 시스템을 실제로 만드는 데에는 패키지 기판과 PCB, CCL과 동박, Glass Cloth가 들어간다.

Agent의 확산은 토큰 수요를 늘리고, 실행 구조의 변화는 토큰 하나를 만들기 위해 연결해야 하는 인프라(*네트워킹)의 범위를 넓힌다.

마지막으로 이처럼 Agent AI가 지식노동의 생산성을 높이고 필요한 인력을 줄여간다면, 소프트웨어·정보산업의 일자리 감소가 남의 이야기만은 아닐지도 모르겠다.

9월 고용지표 : 전 산업 고용 +16.2만 명 vs 정보 산업 -2.3만 명 (유일한 급락):

https://www.bls.gov/opub/ted/2026/payroll-employment-rose-162000-in-august-2026.htm?utm_source=chatgpt.com

금융투자업 종사자로서 AI기능 확산에 따라 업계 내 인력 구조조정 소식을 실로 매일 체감하는 1인..

=끝