한미경제협의회 서브페이지 메인 사진

경제·통상 정보

U.S. Economy & Trade Info

경제·통상 정보

한·미 유관기관

경제 및 통상 정보를 게시하기 위한 게시판입니다.

글번호 3581
제목 [워싱턴] McKinsey: 반도체 산업 경쟁력 증진을 위한 인공지능(AI) 활용 권고
등록일 21/04/08
조회수 5
파일 #1 워싱턴통상정보166호_McKinsey-반도체 산업 경쟁력 증진을 위한 인공지능(AI) 활용 권고.pdf
□ McKinsey는 보고서를 통해 향후 수년간 반도체 산업의 인공지능·머신러닝(AL/ML) 활용 가속화를 전망하며,
   이에 대한 투자 확대를 권고함

 
o 여타 산업 대비 매우 큰 자본력이 요구되는 반도체 산업의 특성상 대다수 반도체 기업들은 승자독식(winner-takes-all) 환경에서 사업을 영위해나가고 있음
 - 이에 따라 반도체 업체들은 경쟁력 증대를 위해 제품 수명주기 단축 및 혁신 추구를 끊임없이 모색하고 있는 중
 
o 하지만 새로운 반도체 노드(node) 기술은 연구·설계 및 생산설비 투자 비용 증가로 이어지고 있어 Al/ML 활용을 통한 경쟁우위 확보가 필수적임
 - 65nm 노드 반도체 설계 비용은 2,800만 달러이나, 이는 5nm 노드일 경우 5.4억 달러까지 확대됨 (참고 1)
 - 또한, 4억 달러가 요구되는 65nm 노드 반도체 제조공장(fab) 설립 비용은 5nm 노드일 경우 54억 달러까지 증가함 (참고 1)
 
o 다만, 반도체 소자(semiconductor device) 제조업체를 대상으로 실시한 최근 설문조사에 따르면 응답자의 30%만이 현재 AI/ML을 통해 사업 가치를 창출하고 있는 것으로 나타남
 - 동 30% 업체는 이미 AI/ML 전문인력 발굴, 데이터 인프라, 관련 기술 등에 상당한 투자를 진행한 반면, 나머지 70% 업체는 아직 AI/ML 활용
  시험단계(pilot phase)에 머물러 있음
 
o 따라서 McKinsey는 반도체 산업의 모든 영역(R&D, 반도체 설계·생산, 판매 등)에서 사업 가치를 창출하는 AI/ML에 투자를 확대를 강력히 권고함
 
[참고 1] 반도체 설계 및 제조공장(fab) 설립 비용 노드별 비교  *이미지: 첨부파일 참조


□ 반도체 업체 간 경쟁이 심화될수록 AL/ML은 가치사슬 전반에 걸쳐 사업 가치 창출을 위한 매우 중요한 도구로
   자리매김할 전망

 
o McKinsey 조사에 의하면 반도체 업체의 영업이익(EBIT*)에서 AL/ML의 기여 규모는 현재 연간 50억~80억 달러임 (참고 2)
* earnings before interest and taxes
 
o 하지만 현재 AL/ML의 EBIT 기여 규모는 잠재 기여도의 10%에 불과함
 - AL/ML의 EBIT 기여 규모는 향후 2~3년 내 연간 350억~400억 달러, 4년 이후 연간 850억~950억* 달러에 육박할 전망 (참고 2)
 * 반도체 산업의 전체 매출은 현재 약 5,000억 달러
 
[참고 2] 인공지능·머신러닝(AI/ML)의 영업이익(EBIT) 기여 규모  *이미지: 첨부파일 참조

□ 상기 관련 McKinsey는 반도체 산업에서 AI/ML이 가장 큰 사업 가치를 창출하는 영역은 제조 부문이 될 것으로 분석함
 
o AI/ML의 EBIT 기여도는 특히 제조 부문에서 가장 클 것이며(최대 380억$), 상대적 영향력은 R&D 부문(최대 120억$)에서 나타날 전망 (참고 3)
 - (제조·공정) 반도체 제조 공정에서 AI/ML 
  ① 식각공정(etching process)에서의 전류 
  ② 노광공정(lithograpohy)에서의 광강도(light intensity) 
  ③ 베이킹(baking) 온도 등의 정보를 수집함
 · AL/ML을 통해 수집된 상기 정보는 제조·공정 시간 단축 및 생산성 증대를 위해 활용되어 매출원가(COGS*)를 감소시킴. 또한, AI/ML 기반 검수·검품은   인간보다 뛰어난 정확도를 자랑함
 * cost of goods sold
 - (연구·설계) AI/ML은 물리적 설계 및 검증과 같은 시간 소모 작업을 훨씬 효율적으로 도와줄 수 있으며, 특히 잠재적 오류를 예측하고 최적의 설계를    제안함으로써 문제 조기 해결을 가능케 함
 
o 즉, AI/ML 활용을 통해
 ① 반도체 연구·설계 비용 28~32% 감소 
 ② 매출원가(COGS) 13~17% 감소 
 ③ 일반·행정·판매지출 비용 10~14% 감소를 달성할 수 있음
 
[참고 3] 인공지능·머신러닝(AI/ML)의 영업이익(EBIT) 기여 규모 분야별 비교 *이미지: 첨부파일 참조

 
□ 이와 같이 반도체 산업은 현재 전환점에 있으며, 향후 반도체 산업 내 AI/ML의 중요성은 더욱 강조될 것으로 전망됨
 
o AI/ML 전략을 효과적으로 수립하지 못한 반도체 업체는 향후 경쟁에서 도태되므로, 다음 여섯 가지 사항에 초점을 맞춘 AI/ML 도입 및 활용이 권고됨
 
전략적 로드맵(roadmap) 구축
 - 앞서 언급된 바와 같이 반도체 업체는 AI/ML 활용을 최우선 목표로 삼아야 하며, 이를 위한 자원 할당에 집중해야 함
 · 다만, 기존 기술을 자체적으로 재구현하는데 시간을 낭비(reinvent)하기 보다 보완 기술을 가진 제3자(여타 반도체 업체, 전자설계 자동화 업체,            클라우드 업체 등)와의 협력 증진이 권고됨
 
인재 전략 마련
 - AI/ML 기술을 성공적으로 구현하고 활용하는 대부분의 선도 기업은 전문가 조직(Center of Excellence: CoE) 기반으로 운영되고 있음
 · 다만, AI/ML 기술의 궁극적인 확장을 위해서는 ML(machine learning) 엔지니어, 인프라 설계자(infrastructure architecture),
  풀스택 개발자(full-stack developer)가 필수적이며 이들의 개별 역할을 효율적으로 분배할 필요
 
애자일(agile) 방법론 활용
 - AL/ML 도입 시도 시 개념 증명(Proof-of-Concept: PoC) 단계에서 머무는 것을 방지하기 위해서는 애자일*(agile) 방법론에 기초한 반복·점진적     (iterative and incremental) 소프트웨어 개발이 권고됨
 * 애자일(agile) 방법론은 폭포수형(waterfall)과 달리 지속적·유동적으로 요구사항을 반영하고 변경사항을 수용할 수 있음
 
AI/ML 관련 기술 도입
 - 성공적인 반도체 제조공장(fab) 운영을 위해서는 각종 정보에 대한 실시간 접근이 필수적이므로, fab 간 연결성 확대를 위해서는 엣지(edge) 및 클라우드(cloud) 컴퓨팅 기술 활용도 함께 고려되어야 함
 
정보 활용전략 수립
 - 반도체 제조공장(fab)에서 생성되는 정보의 양이 매우 많아 정보 관리 및 감시가 사실상 어려운 상황이며, 모든 정보가 기업 운영과 직접적인 관련이 있지 않음
 · 따라서 반도체 업체는 정보 활용 우선순위를 설정해야 하며, 정보의 일관성(data consistency) 및 질(quality)을 보장하기 위한 데이터 거버넌스(data   governance) 전담 조직을 마련해야 함
 
AI/ML 사용·도입 확장 모색
 - 반도체 업체는 계획설계 단계(design phase)부터 우선순위로 설정된 AI/ML 사용·도입 사례(use cases)의 확장성에 집중해야 하며, 여러 곳에 배치된 전문가들을 동 과정(초기 단계)에 참여시켜야 기술 도입 사례를 향후 여타 영역으로 확장할 수 있음