AI 시대 반도체 병목은 미세공정만이 아니다…TSMC가 생산능력에 베팅하는 이유

AI가 바꾸는 반도체의 ‘생산능력’

인공지능(AI)은 반도체 업계에서 생산능력의 의미 자체를 바꾸고 있다. TSMC는 여전히 최첨단 웨이퍼 생산량을 늘려야 하지만, 최근 행보가 보여주는 더 큰 제약은 따로 있다. 로직 칩, 첨단 패키징, 메모리, 고속 인터커넥트, 전력과 냉각을 결합해 실제로 배치 가능한 AI 시스템을 만들어내는 능력이다.

TSMC의 분기별 장비 필요량이 지난해 12월 전망의 약 1.9배로 늘어난 배경도 여기에 있다. 17 2026년 자본지출을 520억~560억 달러로 계획한 것은 2025년 409억 달러, 2024년 289억 달러에서 크게 증가한 수준이다. 1819 이는 단기적인 공정 효율 개선을 넘어, AI 수요에 대응하기 위한 장기 생산능력 확충으로 해석된다.

장비 주문이 AI 수요의 바로미터가 되다

TSMC에 장비 수요는 이제 AI 고객들이 얼마나 빠르게 생산 확대를 추진하는지를 보여주는 직접적인 신호다. 회사는 AI 관련 수요에 대응해 생산능력을 늘리면서 분기별 장비 구매 예상치를 기존 전망의 약 1.9배로 높였다. 17

다만 새로 들여오는 장비가 모두 최신 모델이어야 한다는 뜻은 아니다. TSMC는 기존 저NA(낮은 수치개구) 극자외선(EUV) 노광 장비에서 더 많은 생산량을 확보하려 하고 있으며, ASML의 고가 고NA EUV 장비 도입은 당분간 서두르지 않고 있다.

여기서 중요한 점은 TSMC의 전략이 ‘효율 개선’과 ‘장비 기반 확대’를 함께 추진한다는 것이다. 기존 장비의 가동률과 공정 효율을 높이면 생산능력을 연장할 수 있지만, 수요가 계속 증가하는 상황에서는 신규 팹과 패키징 라인, 생산 장비 자체를 늘리는 일을 대신할 수 없다.

자본지출은 일시적 호황이 아닌 장기 베팅

TSMC의 2026년 자본지출 가이던스인 520억~560억 달러는 2025년 실제 지출액 409억 달러와 2024년 289억 달러를 크게 웃돈다. 1819 로이터통신은 AI 수요가 강하게 유지되는 가운데 TSMC가 해당 범위의 상단에 가까운 지출을 예상한다고 보도했다. 19

이 같은 투자 규모는 TSMC가 AI를 일반적인 반도체 경기 상승 국면으로만 보지 않고, 장기간 이어질 생산시설 확충 사이클로 판단하고 있음을 시사한다. 회사는 AI 인프라 수요가 확대되면 이후 몇 년 동안의 지출도 크게 늘어날 수 있다고 밝혔다.

생산장비 공급망에도 기회가 생긴다. 첨단 AI 칩 제조에 필요한 EUV 노광 장비의 유일한 공급업체인 ASML은 고객 수요에 대응하기 위해 2027년과 2028년에 생산능력을 각각 30% 늘릴 계획이다.

다만 모든 장비 업체가 같은 방식으로 수혜를 얻는 것은 아니다. TSMC가 기존 저NA EUV 장비의 생산량을 늘리고 고NA 장비 도입을 미루면, ASML의 최신 장비가 단기적으로 매출에 기여하는 비중은 제한될 수 있다. 반면 TSMC의 전체 장비 수요 증가는 장비 업황 전반을 지지하는 요인이다.

AI 추론 확산이 수요의 모양을 바꾼다

AI 붐의 첫 단계가 대규모 모델 훈련에 집중됐다면, 다음 단계는 완성된 모델을 대규모로 배포해 지속적으로 답변과 예측, 작업 수행 결과를 만들어내는 과정에 달려 있다.

TSMC의 한 임원은 이러한 전환을 AI의 ‘진정한 산업화’라고 표현했다. 회사의 시장 전망을 다룬 보도에 따르면 전 세계 추론 토큰 처리량은 2022년 수준보다 약 500배 늘었다. 2 다른 분석 역시 추론이 컴퓨팅 인프라 수요의 새로운 성장 동력으로 부상하고 있다고 설명한다. 510

추론은 AI 시스템의 경제성과 설계 요건을 바꾼다. 제한된 횟수의 모델 훈련을 위한 용량을 확보하는 것과 달리, 추론 서비스는 데이터센터 전반에서 지속적인 작업을 처리해야 한다. 그 결과 부담은 프로세서의 트랜지스터 집적도에만 머물지 않고 연산, 메모리, 네트워크, 칩 간 연결, 전력과 냉각으로 확산된다. 5

TSMC에 중요한 전략적 함의는 분명하다. 고객이 고성능 AI 시스템 전체를 조립할 수 있도록 지원하는 파운드리가, 정해진 사양의 웨이퍼만 공급하는 업체보다 더 큰 가치를 가질 수 있다는 뜻이다.

최첨단 공정만큼 중요해진 첨단 패키징

AI 가속기는 하나의 거대한 단일 칩보다 여러 다이를 결합한 형태로 개발되는 경우가 늘고 있다. TSMC는 로직과 메모리 등 서로 다른 구성요소를 하나의 고성능 패키지에 통합하기 위해 3DFabric 플랫폼과 첨단 패키징 기술을 확대하고 있다.

TSMC의 기술 로드맵은 2030년까지 하나의 패키지에 1조 개가 넘는 트랜지스터를 담는 방향을 가리킨다. 14 이 정도 규모에서는 이기종 통합이 성능의 핵심이 된다. 기능별로 최적화한 여러 다이를 하나의 패키지 안에서 결합할 수 있기 때문이다.

이는 전공정 웨이퍼 생산능력과 함께 패키징 생산능력도 병목이 될 수 있는 이유를 설명한다. 첨단 패키징은 별도로 제조된 부품을 충분한 대역폭과 낮은 지연시간, 높은 에너지 효율, 수율을 확보하며 연결할 수 있는지를 결정한다. 최첨단 웨이퍼도 작동하는 시스템으로 통합되기 전에는 실제 AI 생산능력으로 전환되지 않는다.

광인터커넥트로 데이터 이동 문제에 대응

AI 시스템이 커질수록 연산 장치와 메모리, 네트워크 구성요소 사이에서 데이터를 이동시키는 일이 더 어려운 설계 과제가 된다. TSMC가 기존 로직과 패키징뿐 아니라 실리콘 포토닉스 기술에도 투자하는 이유다.

TSMC의 COUPE(Compact Universal Photonic Engine)는 SoIC-X 적층 기술을 활용해 전기 다이 위에 광 다이를 배치하는 구조다. TSMC는 이 기술이 AI 확산에 따른 데이터 전송량 증가에 대응하고, 다이 간 연결부의 임피던스를 낮추며, 기존 방식보다 에너지 효율을 높이는 것을 목표로 한다고 설명한다. 12

방향성은 뚜렷하다. 패키지는 더 이상 프로세서를 담는 단순한 용기가 아니라 전기적·광학적 연결이 통합된 하나의 시스템이 되고 있다. 이에 따라 TSMC는 고객이 점점 더 통합된 AI 인프라를 설계할 때 실리콘과 패키징, 광 입출력 기술을 함께 조율하는 역할을 맡게 된다.

웨이퍼 제조사에서 시스템 파트너로

TSMC의 전통적인 경쟁력은 고객이 설계한 첨단 칩을 대규모로 제조하는 데 있었다. 그러나 AI 수요는 이 관계를 통합 시스템 공동개발로 확장하고 있다.

현재 TSMC의 기술 전략은 최첨단 공정, 첨단 패키징, 고대역폭 메모리 통합, 포토닉스를 하나의 흐름으로 연결한다. TSMC가 AI 데이터센터의 모든 요소를 직접 운영한다는 뜻은 아니다. 다만 TSMC의 제조 관련 의사결정이 전체 시스템의 설계와 공급 방식에 점점 더 큰 영향을 미친다는 의미다.

그 결과 TSMC는 고객의 전략에 더 깊이 들어가는 파운드리가 된다. 고객이 필요로 하는 것은 단순히 특정 공정 노드에 접근하는 권한만이 아니다. 패키징 생산능력과 통합 전문성, 완성도 높은 AI 부품을 공급할 수 있는 장비·메모리·소재 공급망도 필요하다.

이는 TSMC의 시장 지위를 강화할 수 있지만, 동시에 장비와 기판, 메모리, 전력, 냉각, 데이터센터 건설 등 더 많은 영역에서 실행 리스크를 떠안게 한다.

공급망의 핵심 변수는 ‘생산능력의 스택’

AI 반도체 병목을 이제 특정 장비 한 대나 특정 공정 노드의 부족으로만 이해하기는 어렵다. 현재 필요한 것은 서로 맞물린 여러 생산능력의 묶음이다.

• 최첨단 웨이퍼 제조
• 노광·증착·식각·계측 장비
• 첨단 패키징과 조립
• 고대역폭 메모리와 기판
• 전기·광학 인터커넥트
• 전력·냉각·데이터센터 인프라

TSMC의 장비 필요량 증가와 자본지출 확대는 웨이퍼 생산능력이 여전히 필수라는 점을 보여준다. 동시에 패키징과 포토닉스 로드맵은 웨이퍼 생산량만으로는 충분하지 않다는 사실을 말해준다. 1214

TSMC는 AI와 고성능 컴퓨팅이 성장을 이끌면서 세계 반도체 시장이 2030년 1조5,000억 달러를 넘어설 수 있다고 전망했다. 110 TSMC가 준비하는 시장의 규모가 그만큼 크다는 뜻이다.

결국 AI는 TSMC를 최첨단 웨이퍼 제조사에서 물리적 AI 컴퓨팅 공급망을 조율하는 기업으로 이동시키고 있다. 다음 경쟁에서 승패를 가르는 기준은 누가 가장 작은 트랜지스터를 만드는가에만 있지 않다. 그 트랜지스터를 안정적이고 연결된, 실제로 배치 가능한 AI 생산능력으로 전환할 수 있는지가 더 중요해지고 있다.