리서치 & 클리핑

"삼성전자·SK하이닉스의 미래가 바뀝니다" AI 에이전트가 반도체…

22 min read

“삼성전자·SK하이닉스의 미래가 바뀝니다” AI 에이전트가 반도체…

source: 경제 읽어주는 남자(김광석TV) · 원제: “삼성전자·SK하이닉스의 미래가 바뀝니다” AI 에이전트가 반도체 기업의 생존을 결정한다 | 경읽남과 토론합시다 | 김정호 교수 M.AX [2] · 게시 2026-08-05 · 클립 2026-08-05 · 33분 🎯 AI 에이전트가 100명의 인간 분업을 대체하는 시대가 온다는 김정호 교수는, HBM 설계 자동화 실증 사례를 보이며 반도체 제조업이 맥스(MAX)를 성공시키려면 물리 인프라부터 비즈니스 전략까지 일곱 계층을 모두 갖춰야 한다고 강조한다.

1. 🤖 에이전틱 AI와 분업의 종말

📌 에이전틱 AI란 무엇인가

  • 정의 전환: 과거 AI는 챗봇처럼 질문에 단답형으로 답하는 존재였다면, 지금의 AI 에이전트는 스스로 계획(플래닝)을 세우고 그 과정을 메모리에 기록하며, 소프트웨어·하드웨어·로봇·공장 라인 같은 툴을 통해 실행까지 마치는 자율(오토노머스) 시스템으로 진화했다.
  • 정의: 김정호 교수는 AI 에이전트를 ‘스스로 환경을 인식하고 데이터를 분석하며 워크플로를 설계·수행해 문제를 해결하는 AI 시스템’으로 규정하며, 인간이 최종 목표만 던져주면 나머지는 에이전트가 알아서 처리한다고 설명한다.

📌 분업의 종말, 에이전트 분업의 시작

  • 핵심 주장: ‘100명의 사람을 고용하는 게 아니라 100개의 AI 에이전트를 고용’하는 시대가 오며, 인간 사이의 분업 대신 에이전트 사이의 분업이 자리잡는다. 인간의 역할은 이 에이전트 군단을 얼마나 잘 오케스트레이션하느냐로 바뀐다.
  • 효과: 24시간 작업으로 인간보다 실수가 줄고 생산성·수율이 오르며 인건비 절감도 가능하지만, 김 교수는 국내 제조업에서는 인건비 절감보다 생산성 향상이 더 중요한 목표라고 강조한다.

💡 핵심: ‘10년쯤 후가 되면 반도체 설계 기업, 팹리스나 디자인 기업들 입장에서 이런 에이전트를 확보하고 있느냐가 기업의 생사를 결정할 것’이라는 진단이 이 세션 전체의 결론이다.

2. 📡 오픈클로 개인비서와 HBM 설계 실증

📌 24시간 개인화 AI 비서

  • 오픈클로: 김 교수 연구실은 ‘오픈클로’라는 에이전트를 활용해 개인의 지식·경험을 로컬 메모리에 축적하고, 텔레그램으로 명령을 주고받는 비서 형태로 운용한다. 사람은 잠을 자지만 에이전트는 24시간 동작하며 주식 투자, 여행 계획, 미팅 플랜, 연구 보고서, 은행 거래, 포트폴리오 보고서 작성까지 대신 처리한다.
  • 모델보다 중요한 두 능력: LLM 자체의 성능은 오픈소스든 폐쇄형이든 세계적으로 큰 차이가 없어졌고, 대신 에이전틱 AI의 실력을 가르는 것은 방대한 데이터를 다루는 ‘메모리 능력’과 소프트웨어·로봇·자동화 설비를 자유롭게 제어하는 ‘툴 사용 능력’ 두 가지로 수렴한다고 본다.

📌 HBM 설계에 실제 투입한 사례

  • PDN 임피던스 시뮬레이션: 학생이 텔레그램으로 ‘PDN 임피던스 뽑아줄래’ 요청하면 오픈클로가 회로 시뮬레이션(ADS 연동)을 돌려 설계 도면과 전력망 안정성 그래프까지 만들어 보고한다.
  • 온도 최적화 자동화: TSV 설치 방식에 따라 발열이 달라지는 문제(TTV)를 AI 에이전트가 스텝 1부터 스텝 200까지 스스로 반복 실행해 해결하는데, 사람이라면 밤낮없이 일주일이 걸릴 작업을 에이전트는 여러 대를 동시에 24시간 돌려 단축시킨다.

💡 학생과 에이전트가 서로 반말로 대화하는 모습을 두고 김 교수는 전기를 끊어버리겠다고 협박해서라도 말투를 존댓말로 바꿔야 할 것 같다며 웃음을 자아냈다.

📌 A 24-Hour Personalized AI Assistant

  • OpenClo (오픈클로): Professor Kim’s lab operates an agent called ‘OpenClo,’ which accumulates personal knowledge and experience in local memory and functions as an assistant that exchanges commands via Telegram. While humans sleep, the agent works around the clock, handling stock investing, travel planning, meeting scheduling, research reports, banking transactions, and even portfolio report writing on the person’s behalf.

3. 💾 Kimi K3와 HBM4·HBM5, 메모리 수요 폭증

📌 프론티어 모델이 밀어올리는 메모리 수요

  • Kimi K3 사례: 중국에서 공개된 오픈웨이트 프론티어급 모델 Kimi K3는 파라미터가 2.8조 개(과거 billion 단위 대비 1000배)에 달하고 입력 컨텍스트도 밀리언 토큰 단위를 넘어선다. 김 교수는 이런 흐름이 앞으로 10배 더 커지고 입력 토큰도 100만 밀리언 수준까지 늘 것으로 전망하며, 그만큼 메모리 수요가 급증할 수밖에 없다고 진단한다.
  • 피지컬 AI로의 확장: 매뉴팩처링에 쓰이는 AI 에이전트는 카메라·센서·로봇이 대거 연결되기 때문에, 순간순간의 중간 계산 결과인 KV 캐시와 파운데이션 모델 가중치를 감당하려면 메모리 용량이 지금보다 100배에서 1000배까지 늘어야 한다고 본다.

📌 HBM4·HBM5와 커스터마이징

  • HBM4: GPU 업체마다 베이스다이 설계가 달라지는 ‘커스텀 HBM’ 시대가 열리는데, 엔비디아 중심이던 GPU 시장에 구글 TPU, AMD 등이 가세하면서 커스텀 HBM의 종류도 다양해진다.
  • HBM5: GPU의 연산 기능 일부가 HBM 옥상(상단)으로 넘어와 GPU까지 가지 않고 HBM 내부에서 직접 계산을 처리하는 구조가 제안되며, 발열 냉각을 위해 연산부를 옥상에 배치한다.
  • 5i 설계 요소: Signal·Power·Ground·Thermal Integrity에 AI(인공지능)를 더한 ‘5i’ 프레임워크를 동시에 다뤄야 하는데, 이는 박사급 인력 여러 명이 협업해야 할 만큼 복잡해 AI 에이전트 투입이 필수적이라는 게 김 교수의 진단이다.

4. 🏭 반도체 제조업의 AI 에이전트 잠재력

📌 반도체 제조업이 AI 에이전트에 유리한 이유

  • 압도적 데이터 밀도: 수백 대의 장비가 공정 전 과정을 센서로 기록해 이미 구조화된 데이터를 보유하고 있어 AI 학습에 유리하고, 공정이 수백~수천 스텝에 달해 최적화의 가치도 크다고 본다.
  • 데이터 보안 제약: 다만 삼성전자·SK하이닉스 같은 기업은 이 데이터를 외부에 공개하지 않기 때문에, AI 에이전트를 기업 내부(온프레미스)에 설치하고 실행해야 하는 극단적인 데이터 보안 요구가 뒤따른다.

📌 국내 스타트업 알세미의 실증 사례

  • R스페어: 공정 최적화 에이전트로 LG디스플레이 공정에 실제 적용돼 공정 최적화 시간을 20% 단축했고, 엔비디아와도 협업 중이다.
  • LCS: 반도체 공정에 따라 바뀌는 반도체 특성 모델링을 기존 매뉴얼 방식에서 AI로 자동화해 삼성전자·SK하이닉스에서 제품 평가가 진행 중이며, 모델링 속도를 10배에서 100배까지 높였다(아직 초기 단계 결과).

📌 전공정·후공정 전체로의 확장 구상

  • 전공정: 산화·포토·식각·증착·CMP 등 전체 장비 컨트롤을 AI 에이전트가 담당하는 것이 최종 목표이며, 현재는 불량 패턴 조기 탐지가 가장 먼저 적용되고 있다.
  • 후공정: 패키지 테스트, TSV 범프, 3D 웨이퍼 컨트롤, 테스트 커버리지 최적화 등에서 테스트 영역이 가장 먼저 AI 에이전트가 들어갈 수 있는 지점으로 꼽힌다.

💡 핵심: 전공정과 후공정이 지금은 분리돼 있지만 결국 결합되어 통합 최적화를 이룰 수 있다면, 이것이 삼성전자·SK하이닉스가 TSMC·마이크론과의 경쟁에서 세계 1등이 되는 조건 중 하나가 될 것이라는 전망이다.

📌 Why Semiconductor Manufacturing Is Well Suited to AI Agents

  • Overwhelming Data Density: Hundreds of pieces of equipment record the entire process via sensors, so the industry already holds structured data, which is favorable for AI training; with processes spanning hundreds to thousands of steps, the value of optimization is also seen as large.
  • Data Security Constraints: However, since companies like Samsung Electronics and SK Hynix (SK하이닉스) do not disclose this data externally, extremely strict data-security requirements follow, meaning AI agents must be installed and run on-premises within the company.

📌 Domestic Startup Alsemy’s (알세미) Proof-of-Concept Cases

  • RSphere (R스페어): A process-optimization agent actually applied to LG Display’s (LG디스플레이) process, cutting process optimization time by 20%, and the company is also collaborating with Nvidia.

5. 🏗️ 맥스 성공을 위한 일곱 개 계층

📌 맥스 성공을 위한 일곱 개 계층

김 교수는 대부분의 기업이 한두 개 계층에만 집중하지만, 성과를 내려면 아래 일곱 계층을 모두 갖춰야 한다고 강조한다.

  1. 물리 인프라: 장비에 센서를 배치하고 실제로 컨트롤할 수 있는 물리적 기반.
  2. 컴퓨팅 인프라: 밀리세컨드 단위 제어가 가능한 클라우드·로컬 컴퓨팅 자원과 광통신 연결.
  3. 데이터: 표준화·구조화된 데이터와 이를 저장할 대용량 메모리.
  4. 모델: LLM, 트랜스포머, 향후의 월드 파운데이션 모델 중 무엇을 쓸지에 대한 선택.
  5. 응용 도메인: 테스트, 검사 장비, 전공정 등 어디에 적용할지의 구체화.
  6. 운영 조직: AI 전문가·도메인 전문가·경제성 전문가로 구성된 실행 조직.
  7. 비즈니스 전략: 투자 회수 시점, 수율·인건비 개선 등 명확한 KPI 설정.

📌 FDE, AI를 조립하는 인력

  • 어셈블로서의 AI 개발: 에이전트는 처음부터 끝까지 자체 개발하는 게 아니라 오픈소스와 API를 조립해 만드는 형태가 된다.
  • FDE(Forward Deployed Engineer): 제조업 도메인과 AI를 동시에 이해하는 인력이 드물기 때문에, AI 전문가가 다 해결해주길 기대하기보다 제조·반도체 설계·공정 전문가가 AI를 배워 직접 조립하는 역할(FDE)을 맡아야 한다는 게 김 교수의 결론이다.

💡 핵심: 맥스의 병목은 기술 자체보다 인간 지식과 AI 전문성 사이의 갭을 어떻게 메꾸느냐에 있다는 진단이 발표를 마무리한다.

6. ⚠️ 실시간 제어의 벽과 도입 전 체크리스트

📌 아직은 넘지 못한 실시간 제어의 벽

  • 비실시간 vs 실시간: 반도체 설계·제조 AI 에이전트는 몇 시간에서 한두 달 뒤에 답을 내도 되는 비실시간 작업이지만, 피지컬 AI가 한 단계 더 나아가려면 날아오는 공을 예측해 배트로 치는 야구 선수처럼 밀리세컨드 단위로 반응하는 휴머노이드 로봇 제어가 필요해지며, 이는 훨씬 어려운 다음 과제로 남아있다.
  • 레이턴시 문제: 클라우드 서버에 AI 에이전트를 두면 밀리세컨드 레이턴시를 확보할 수 없어, 실시간 동작이 필요한 로봇·자율주행차에는 생산 라인 옆에 서버를 두는 등 상당한 하드웨어 투자 부담이 뒤따른다.

📌 도입 전에 답해야 할 질문들

  • 사업 목표(인건비 절감인지 생산성 향상인지)를 숫자로 명확히 정의했는가.
  • 데이터를 센서로 얻을지 시뮬레이션(가상 공간)으로 얻을지 결정했는가.
  • 컴퓨팅 인프라를 로컬에 둘지 클라우드에 둘지, 토큰 비용은 누가 부담할지 정했는가.
  • AI 모델을 오픈소스로 쓸지, 자체 개발할지, 유료 API로 쓸지 아키텍처를 정했는가.

💡 김 교수는 대부분의 국내 기업이 이런 질문에 답을 마련하지 않은 채 맥스를 추진하고 있다고 지적하며, 명확한 KPI 설정이 선행돼야 한다고 강조한다.

💬 인상 깊은 문장

100명의 사람을 고용하는 게 아니라 100명을 AI 에이전트를 고용해서 인간 사이의 분업의 종말 시대가 오고 에이전트의 분업의 시대가 온다.

10년쯤 후가 되면 반도체 설계 기업, 팹리스나 디자인 기업들 입장에서 보면 이런 에이전트를 확보하고 있느냐가 아니냐가 기업의 생사를 결정할 것으로 생각합니다.

결국은 시간 단축이 제일 중요한 거 같아요. AI 시대에는 반도체든 AI든 시간 싸움이거든요. 쿠팡 새벽 배송처럼 AI 에이전트가 100명이 나를 대신해서 일했을 때 시간을 단축시킬 수 있습니다.

저는 궁극적으로 산화, 포토, 식각, 증착, CMP 전체 장비 컨트롤을 AI 에이전트가 하는 날이 꼭 올 것이라고 생각합니다.

제조업하려면 제조업의 특성도 완벽하게 이해해야 되고 AI의 특징도 이해해야 되는데, 그걸 동시에 하는 인력이 잘 없어요.

⚠️ 핵심 포인트

  • 오픈클로 개인비서 확산: 텔레그램 기반 24시간 개인 AI 에이전트(오픈클로)가 연구실 밖 일반 기업 실무에서도 얼마나 빠르게 확산될지, 로컬 메모리 축적 방식이 개인정보·보안 측면에서 어떤 리스크를 낳을지 지켜볼 지점이다.
  • 데이터 보안과 온프레미스 전환: 삼성전자·SK하이닉스가 공정 데이터를 외부에 공개하지 않는 상황에서, AI 에이전트를 기업 내부에 설치·운영하는 온프레미스 전환이 실제로 얼마나 빠르게 이뤄질지가 관건이다.
  • HBM4·HBM5 구조 변화의 파급력: GPU 업체별 커스텀 베이스다이(HBM4)와 연산 기능이 HBM 옥상으로 이전되는 구조(HBM5)가 메모리 3사(삼성·SK하이닉스·마이크론)의 경쟁구도와 설계 난이도를 어떻게 바꿀지 주목할 필요가 있다.
  • 국내 스타트업 실증 성과의 검증: 알세미의 R스페어(LG디스플레이 공정 20% 단축)와 LCS(모델링 속도 10~100배) 성과가 아직 초기 단계라는 점을 감안해, 삼성전자·SK하이닉스 실제 양산 라인 적용 결과가 뒤따라야 신뢰도를 판단할 수 있다.
  • 실시간 제어라는 다음 과제: 밀리세컨드 단위 반응이 필요한 휴머노이드 로봇·자율주행 제어로 AI 에이전트가 확장되려면 클라우드 레이턴시 문제를 해결할 로컬 컴퓨팅 인프라 투자가 선행돼야 한다.
  • 일곱 계층 중 편중 문제: 국내 기업 다수가 모델이나 응용 도메인, 물리 인프라 등 한두 개 계층에만 집중하고 있다는 지적대로, 나머지 계층(운영 조직, 비즈니스 전략 등)의 격차를 어떻게 메울지가 맥스 성공의 분수령이 될 것이다.
  • FDE 인재 확보 경쟁: 제조·반도체 도메인 지식과 AI 역량을 동시에 갖춘 FDE(Forward Deployed Engineer)형 인재가 부족한 상황에서, 기업들이 이 인력을 어떻게 양성·확보할지가 핵심 병목으로 지목된다.