주문이 폭주할수록 의심해야 하는 이유 — 채찍효과와 AI 버블

URL: https://www.youtube.com/watch?v=qvmNMWGhOOY 날짜: 2026-10-14 채널: 서울대학교

---

메타데이터

• 원문 제목: 주문이 폭주할 때 오히려 의심해야 하는 이유 | 미국 현지 촬영 | 스탠퍼드 황승진 교수 | 샤로잡다 시즌2 (ENG CC)
• 영상 ID: qvmNMWGhOOY
• 핵심 인물: 황승진(Stanford University 명예교수, 서울대학교 공과대학 1974년 졸업)
• 핵심 개념: 채찍효과(Bullwhip Effect), 공급망 왜곡(Supply Chain Distortion), 가수요(Phantom Order), 정보 공유(Information Sharing), 인센티브 호환(Incentive Compatibility), AI 버블(AI Bubble)
• 콘텐츠 유형: YouTube 심층 다이제스트

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

주문이 폭증하면 실제 수요가 커졌다고 믿어도 되는가? ==소비자의 작은 변화가 유통망과 제조망을 거치며 과장될 수 있으므로, 주문량이 많을수록 실제 소비·재고·공급망의 원인을 함께 확인해야 한다.==

• 편의점의 맥주 판매량 5병에서 10병으로 늘어난 하루의 변화가 도매상 주문 12개, 제조업체 주문 20개로 증폭될 수 있다.
• 공급망 참여자들이 재고를 확보하거나 배급량을 더 받으려고 주문을 부풀리면 가수요(Phantom Demand)가 생긴다.
• 반도체·AI처럼 공급망 상류에 있는 산업은 작은 최종수요 변화와 거품 붕괴를 훨씬 크게 맞으므로, AI 주문·투자·기업가치를 실수요와 구분해야 한다.

황승진 교수의 메시지는 위험을 모두 제거하자는 것이 아니라, 정보와 인센티브를 설계해 왜곡을 줄이고, 불확실한 미래에 베팅할 수 있는 다양하고 책임 있는 사회를 만들자는 데 있다. AI 자체는 인터넷처럼 되돌릴 수 없는 기술 혁명이지만, 과대평가된 기업과 가짜 주문은 사라질 수 있다.

1. 불확실성에 베팅하는 사회가 혁신을 만든다

미래를 확신할 수 없어도 시도하는 사람들이 모이면 산업과 사회의 방향이 바뀐다.

1.1. 엔비디아와 실리콘밸리의 공통된 기질

1. 미래를 보고 내리는 베팅

   1. 젠슨 황(Jensen Huang)의 선택: 엔비디아가 지금의 엔비디아가 된 배경에는 젠슨 황이 미래의 컴퓨팅과 AI 수요를 보고 선제적으로 베팅한 결정이 있다.
   2. AI 창업자들의 선택: 앤트로픽(Anthropic)을 만든 창업자들과 샘 올트먼(Sam Altman)도 결과를 미리 보장할 수 없는 상태에서 가능성에 베팅했다.

2. 실리콘밸리(Silicon Valley)의 도박꾼 비유

   1. 실험을 택하는 사람들: 기술을 갖고 사업을 할지 말지 확신할 수 없을 때 보통은 하지 않는 편이 낫다고 판단하지만, 실리콘밸리의 창업가들은 “이건 해봐야 한다”고 판단한다.
   2. 개인의 선택이 사회가 되는 구조: 한 사람에게 위험 감수는 예·아니오를 고르는 문제지만, 그런 사람이 많이 모이면 새로운 산업과 사회가 만들어진다.

1.2. 위험 제거가 아니라 변화의 선별

1. 돌연변이와 변화의 관계

   1. 진화의 원리: 돌연변이 가운데 유리한 특성이 선택되어 생물이 진화하듯이, 사회의 예측 밖 시도 가운데 일부가 변화를 이끈다.
   2. 돌연변이의 가치: 모든 위험을 없애면 변화의 원천도 없어진다. 다만 무작정 위험을 감수하는 것이 아니라 경험과 판단력을 바탕으로 선택해야 한다.

2. 리더가 필요한 이유

   1. 변화의 지속성: 우연히 생긴 변화가 한 단계의 발전으로 이어지려면 누군가가 계속 이끌고 돌연변이적 변화를 실행해야 한다.
   2. 성공 뒤의 경계: 잘되고 있을 때 편안하게 머물면 정체할 수 있으므로, 이미 얻은 성과를 더 높은 단계로 이끌어야 한다.

2. 황승진 교수의 경로와 융합적 연구

한 분야의 경계를 넘나든 경험이 공급망과 인센티브를 함께 보는 연구로 연결됐다.

2.1. 서울대에서 스탠퍼드로

1. 학력과 경력

   1. 서울대학교 공과대학: 1974년에 서울대 공대를 졸업했다.
   2. 스탠퍼드대학교: 스탠퍼드 경영대학원에서 35년간 교수로 근무했고, 현재 석좌 명예교수로 있다.

2. 초기 아시아인으로서의 장벽

   1. 낮은 아시아인 비중: 부임 당시 경영대학원에는 인도 출신 인물 한두 명 정도가 있었고 중국계 인물은 한 명도 없었다.
   2. 장벽을 넘는 방법: 수학의 일부인 오퍼레이션 리서치(Operations Research)에 경영학을 결합해 남들이 아직 만들지 않은 분야를 개척했다.

2.2. 경계를 섞어 새 분야를 만들다

1. 융합의 출발점

   1. 서로 다른 도구의 결합: 수학·오퍼레이션 리서치·경영학·컴퓨터 기술과 경제적 사고를 섞어 기술과 의사결정을 함께 다루는 연구 영역을 만들었다.
   2. 우연한 진입: 기존 학문 분류에 맞춰 움직인 것이 아니라 여러 분야가 함께 들어간 새로운 영역으로 자연스럽게 들어가게 됐다.

2. 연구자로 인정받은 순간

   1. 발표 기회: 박사 과정 때 스탠퍼드에서 연구 발표를 하게 됐다.
   2. 기다려 온 사람이라는 평가: 오퍼레이션 그룹은 2년 동안 조수를 뽑지 않았고, 적합한 사람이 없어서 뽑지 않은 상태였다. 3년째 황승진 교수가 처음 발표하자 학과를 이끄는 인물이 “네가 주제를 찾기를 우리가 지금까지 기다렸던 것 같다”고 말했다.

3. 인센티브를 설계하면 거짓 보고가 줄어든다

컴퓨터 시스템의 운영 문제도 사람의 동기를 반영하는 가격·스케줄링 설계로 해결할 수 있다.

3.1. 메인프레임과 야간 작업의 현실

1. 초기 컴퓨터 환경

   1. 터미널이 드물던 시절: 컴퓨터는 매우 생소했고, 일반인이 터미널을 접할 수 있는 대표적인 장소가 은행이었다.
   2. 메인프레임 운영: 은행은 낮에 고객 업무를 처리하고 밤에 급여 계산과 시스템 수정 같은 작업을 실행했다.

2. 시스템 프로그래머의 업무

   1. 야간 작업 접수: 여러 시스템 프로그래머가 저녁에 작업을 은행에 맡기며 밤새 처리해 달라고 요청했다.
   2. 기존 접수 질문: 작업이 중요하고 긴급한지, 작업 시간이 1분·10분·2시간 가운데 어느 정도인지 적도록 했다. 은행은 긴급한 작업을 먼저 처리하고, 같은 긴급도라면 짧은 작업을 먼저 처리했다.

3.2. 거짓말을 유발한 규칙과 가격 시스템

1. 기존 규칙의 실패

   1. 정보 왜곡: 프로그래머는 일을 맡겨야 하므로 모든 작업을 중요하고 긴급하다고 표시하고, 짧다고 답했다.
   2. 운영자의 무지: 모든 작업이 중요하고 짧다고 보고되자 관리자는 작업 우선순위를 구분할 정보가 없어졌다.

2. 인센티브 호환(Incentive-Compatible) 설계

   1. 긴급도와 처리 속도의 가격화: 정말 급한 작업에는 더 빠른 처리를 제공하고 그만큼의 비용을 받으며, 작업 시간이 길어지면 길이에 따라 비용을 부과하는 프라이싱 시스템을 만들었다.
   2. 정직한 보고의 유도: 급하지 않은 일을 급하다고 하거나 긴 작업을 짧다고 할 경제적 유인이 사라져 사람들이 사실대로 보고하게 됐다.
   3. 경제학과 컴퓨터 시스템의 결합: 컴퓨터 운영 시스템에 경제학의 인센티브 개념을 넣어 개인의 동기와 시스템의 목적을 일치시켰다.

4. 채찍효과(Bullwhip Effect)의 발견

최종 소비자의 작은 수요 변동이 공급망 상류로 갈수록 큰 주문 변동으로 증폭되는 현상이 채찍효과다.

4.1. P&G와 HP에서 발견한 이상한 주문

1. 공급망 연구 포럼

   1. 공동 연구: 황승진 교수는 하우 리(Hau Lee) 교수와 서플라이 체인 매니지먼트(Supply Chain Management) 연구 포럼을 만들었다.
   2. 기업 방문: 프록터앤드갬블(Procter & Gamble, P&G)과 HP를 방문해 실제 현장의 주문 변동을 들었다.

2. 기저귀 수요의 증폭

   1. 안정적인 최종 소비: P&G의 대표 상품인 아기 기저귀는 가정에서 매일 비슷한 수량이 소비된다.
   2. 공급망의 확대 변동: 소매점 주문은 매일 조금씩 달라지고, 도매상 주문은 그보다 더 크게 움직이며, 제조업체 생산량은 훨씬 크게 출렁였다.
   3. 현장 의문: P&G 관계자는 기저귀를 하루에는 열 장, 다음 날에는 한 장 쓰는 것도 아닌데 왜 주문량이 이렇게 움직이는지 의문을 제기했다.

3. HP 프린터 출시 사례

   1. 출시 직후 폭주: HP가 새 프린터를 내놓으면 첫날 도매상과 소매상에서 100대·200대씩 주문이 몰렸다.
   2. 과잉 생산과 급락: HP는 시장이 그만큼 큰 것으로 보고 밤새 생산을 늘리고 협력업체에도 더 만들라고 했지만, 다음 주 주문은 거의 0에 가까울 만큼 떨어졌다.
   3. 가설 검증: 첫날의 200대 주문은 실제 최종 소비가 아니라 공급망 참여자들의 판단과 기대가 겹쳐 만들어진 수치였다.

4.2. 채찍효과의 정의와 학문적 영향

1. 증폭의 방향

   1. 소비자에서 소매점으로: 소비자 수요의 작은 변동이 소매점 주문의 변동으로 나타난다.
   2. 도매·제조 단계로: 도매상과 제조업체로 올라갈수록 안전재고와 예측이 추가되어 주문 변동 폭이 더 커진다.

2. 연구의 평가

   1. 공급망 연구의 대표 논문: 채찍효과 연구는 서플라이 체인 매니지먼트 분야에서 가장 훌륭한 논문 가운데 하나로 평가됐다.
   2. Management Science 선정: Management Science 창간 50주년 기념으로 선정된 뛰어난 논문 Top 10 가운데 하나가 됐다.

5. 주문 폭증을 만드는 세부 메커니즘

주문 숫자만 보면 호황처럼 보이지만, 수요 신호·정보·배분 규칙을 함께 보지 않으면 공급망의 왜곡을 수요 증가로 오해하게 된다.

5.1. 작은 판매 변화가 큰 주문으로 바뀌는 과정

1. 편의점 맥주 사례

   1. 기준 수요: 편의점에서 맥주가 매일 5병씩 팔린다고 가정한다.
   2. 하루의 급증: 어느 날 판매량이 10병으로 늘어도 이것만으로 장기 수요가 두 배가 됐다고 판단할 수 없다.

2. 소매상의 합리적 조정

   1. 중간값 선택: 소매상은 5병을 고수하기에는 부족하고 10병을 주문하기에는 과하다고 판단해 다음 수요를 7병 정도로 예상한다.
   2. 기존 주문과 합산: 정기적으로 들어올 5병에 추가 주문 7병을 더해 도매상에 총 12병을 주문한다.

3. 상류의 과잉 반응

   1. 도매상의 해석: 매일 5병 주문하던 소매상이 갑자기 12병을 주문하자 도매상은 수요가 크게 늘었다고 해석한다.
   2. 제조업체의 왜곡: 도매상이 재고를 준비하고 제조업체에 12병을 요청하면서, 실제로는 하루짜리 변동이 5병에서 12병, 다시 20병 수준으로 증폭된다.
   3. 핵심 왜곡: 제조업체에 도착한 주문은 시장의 원래 수요가 아니라 각 단계가 앞 단계의 주문을 보고 방어적으로 조정한 결과다.

5.2. 정보 공유의 부재

1. 주문보다 중요한 원천 데이터

   1. HP 주문의 한계: 새 제품 첫날 200대 주문은 최종 사용자가 실제로 몇 대를 구매했는지 알려주지 않는다.
   2. 실제 판매 데이터: 제조업체가 소매점의 최종 판매량과 재고를 직접 확인해야 진짜 수요와 유통업체의 기대를 구분할 수 있다.

2. 협력적 공급망의 조건

   1. 정보 공유(Information Sharing): 각 단계가 실제 소비량과 재고를 서로 공유해야 주문 신호가 왜곡되지 않는다.
   2. 공급망의 교훈: “얼마나 주문했는가”만 공유하면 가수요를 확대할 수 있으므로 “최종적으로 몇 개가 팔렸는가”를 공유해야 한다.

5.3. 품귀 배분과 팬텀 오더(Phantom Order)

1. 재고 부족이 만든 전략적 주문

   1. 배급 상황: 도매상 재고가 50개인데 여러 소매점이 합쳐 100개를 원하면, 도매상은 주문량 비율에 따라 재고를 나눠 줄 수밖에 없다.
   2. 소매상의 대응: 실제로 12개가 필요해도 더 많이 주문해야 더 많은 배분을 받을 수 있다고 판단해 20개를 주문한다.

2. 모두가 똑같이 영리할 때의 결과

   1. 전략의 일반화: 한 소매점만 영리한 것이 아니라 모든 소매점이 20개를 주문하면, 도매상은 실제 수요보다 훨씬 큰 주문을 본다.
   2. 유령 주문: 하이닉스의 전신인 현대전자 임원도 메모리 반도체 산업에서 같은 현상을 경험했다고 전했다. 실제로 팔릴 물량이 아닌 가수요를 영어로 팬텀 오더(Phantom Order), 즉 유령 주문이라고 부른다.

3. 폭주하는 주문을 의심할 이유

   1. 호황 신호의 재검증: 주문이 많이 들어와 시장이 잘된다고 느껴질수록 그것이 실수요인지 가수요인지 확인해야 한다.
   2. 행동의 기준: 최종 소비 판매량, 재고 회전, 취소율, 공급망 단계별 주문 간격을 함께 확인해야 주문 폭증의 실체를 파악할 수 있다.

6. 코로나19와 반도체에서 드러난 산업별 채찍효과

공급망 상류 산업은 최종 수요의 작은 변화를 크게 증폭해 받아들이므로, AI·반도체 투자에서 특히 신중해야 한다.

6.1. 코로나19 하드웨어 수요와 100% 주문 증가

1. 소비의 이동

   1. 외부 활동의 제한: 사람들이 여행과 영화 관람을 하지 못하자 남은 돈을 집 안의 하드웨어와 가전제품에 쓰기 시작했다.
   2. 대형 유통업체의 주문: 월마트 같은 유통업체에서 중국·대만·한국 제조업체로 주문이 몰렸고, 미국 로스앤젤레스 항구에는 평소 한두 척이 기다리던 배가 약 100척씩 대기했다.

2. 실수요와 주문의 차이

   1. 최종 소비자 증가: 소비자의 실제 주문 증가는 약 15%였다.
   2. 유통망의 과잉 반응: 월마트 같은 유통업체는 주문량을 약 100% 늘렸다. 소비 증가 15%가 공급망에서 100% 주문 증가로 변한 대표적인 가수요 사례다.

6.2. 반도체 공급망의 증폭 계수

1. 산업 간 연쇄 반응

   1. GDP 2% 증가: 경제 전체 수요가 2% 늘면 컴퓨터 수요가 5% 늘어날 수 있다.
   2. 반도체 20% 증가: 컴퓨터 수요 증가가 반도체 수요를 20% 늘리는 단계로 증폭된다.
   3. 장비 50% 증가: 반도체 생산 장비 수요는 50%까지 늘어날 수 있다.

2. 한국 산업의 위치

   1. 상류에 집중된 산업: 한국의 주요 산업은 공급망 위쪽에 있어 세계 수요 변동을 크게 받는 구조다.
   2. 거품 붕괴의 선행 타격: 인터넷 버블이 꺼질 때 장비 제조업체가 먼저 무너졌듯이, AI 거품이 빠지면 엔비디아·삼성전자·SK하이닉스 같은 상류 기업과 관련 장비업체가 먼저 큰 영향을 받을 수 있다.

6.3. AI 버블의 의미

1. 버블은 AI의 소멸이 아니다

   1. 인터넷 사례: 인터넷 기업의 가치가 과대평가되어 버블이 꺼졌지만 인터넷 자체가 사라지지는 않았고 오히려 더 널리 쓰였다.
   2. AI의 미래: AI 기업의 시장가치가 과대평가되거나 실제 효과가 부족한 기업이 생겼다가 사라질 수 있지만, AI가 생활 속에 들어오는 흐름은 되돌릴 수 없는 혁명이다.

2. 과대평가와 실효성의 구분

   1. 기업가치의 착시: 오픈AI(OpenAI)와 앤트로픽 같은 기업이 1조 원을 넘는 규모로 평가받는 현상은 실제 효과에 대한 기대를 반영하지만, 높은 가치가 모든 AI 기업의 생존을 보장하지는 않는다.
   2. 주문 데이터의 검증: AI 칩과 장비 주문도 최종 사용자의 지속적인 수요인지, 공급 부족을 우려한 선점 주문인지 분리해 봐야 한다.

7. AI의 사회적 영향과 통제 문제

AI에 대한 낙관론과 비관론 사이에서 실제 영향과 통제 가능성을 함께 판단해야 한다.

7.1. AI를 둘러싼 세 가지 관점

1. 극단적 낙관론

   1. 전면적 변화 기대: AI가 세상을 모두 바꿀 기술이라는 견해가 있다.
   2. 기업가치의 근거: 오픈AI와 앤트로픽 같은 기업이 거대한 가치를 인정받는다는 사실을 AI의 실효성 증거로 본다.

2. 극단적 비관론

   1. 일자리 소멸: AI가 개인의 직업을 완전히 없애면 임금이 사라지고 경제 자체가 무너질 수 있다는 우려가 있다.
   2. 인간 지배 위험: AI가 인간의 추론 능력을 넘어 인간을 정복할 수 있다는 끔찍한 전망까지 나온다.

3. 거시적 영향에 대한 신중론

   1. GDP 2% 논리: 인터넷처럼 아무리 큰 기술 혁명도 장기적으로 GDP에 미치는 직접 영향은 약 2%에 그칠 수 있다는 견해가 있다.
   2. 느린 구성요소가 정하는 속도: 기술이 아무리 빨리 발전해도 사람이 이해하고 소화하지 못하면 사회적 정착 속도는 사람의 속도로 제한된다.
   3. 양면적 변화: AI는 사회에 결정적인 역할을 하면서도 일자리를 줄이고 일부 사람의 기능을 약화하며, AI를 모르는 사람의 사회 참여를 어렵게 만들 수 있다.

7.2. 통제 가능성을 둘러싼 핵무기 비유

1. 핵무기 통제의 조건

   1. 예측 가능한 피해: 과학자들은 핵실험으로 누가 다치고 파급효과가 어느 정도인지 이해할 수 있었다.
   2. 과학 안에 있던 지식: 핵무기는 과학의 범위 안에서 작동 원리와 위험을 연구할 수 있었기 때문에 국제적 통제가 가능했다.

2. AI 통제의 어려움

   1. 이해의 부족: AI는 현재의 과학 지식으로 완전히 설명·예측할 수 있는 범위를 벗어난 부분이 있어, 같은 방식으로 통제하기 어렵다.
   2. 규범의 예외: 인간에게 유전자 편집을 적용하지 않기로 한 합의가 있었지만 기술이 일부 유출되자 중국의 한 팀이 인간에게 적용했다. AI에서도 모두가 규칙을 지킨다는 전제가 깨질 수 있다.
   3. 미·중 패권 경쟁: AI 패권을 놓고 경쟁하는 미국과 중국이 통제 합의의 실질적인 당사자다.

8. 한국의 AI 전략은 개발보다 활용과 관리에 달려 있다

후발국의 경쟁력은 가장 큰 언어모델을 직접 만드는 데만 있지 않고, 적시에 AI를 제품과 조직에 적용하는 능력에 있다.

8.1. LLM 경쟁에서의 현실적 선택

1. 한국의 위치

   1. 추격 가능성: 한국은 LLM 경쟁에서 현재 앞선 국가들보다 뒤처져 있지만 따라잡을 수 있다.
   2. 핵심 과제의 전환: 자체 모델을 보유했는지보다 AI를 어떻게 활용하고 관리할지가 더 중요한 연구·경영 과제가 된다.

2. 사카나(Sakana AI)의 사례

   1. 여러 모델의 결합: 일본의 사카나는 처음부터 끝까지 하나의 LLM을 직접 만든 것이 아니라 여러 LLM을 활용해 새로운 방법을 만들었다.
   2. 후발자의 기회: 여러 모델을 조합해 비용을 줄이고 AI 시장에 진입하는 방식은 거대 모델 자체를 만드는 것보다 후발자에게 현실적인 선택지가 될 수 있다.

8.2. 중국과 한국 중소기업의 경쟁

1. 경쟁 상대의 차이

   1. 미국과의 낮은 산업 중복: 미국은 한국과 산업이 겹치는 영역이 상대적으로 적어 직접적인 중소기업 경쟁이 크지 않다.
   2. 중국과의 높은 중복: 중국은 한국과 겹치는 산업이 많아 중소기업이 직접 경쟁하게 된다.

2. 진짜 위협

   1. 모델 보유 여부가 아님: 중국이 더 강력한 LLM을 갖고 있는지 자체보다, 그 LLM과 AI를 제때 활용해 한국보다 좋은 제품을 만드는지가 중요하다.
   2. 보급 속도: 중국인 교수의 견해에 따르면 AI 보급 정도는 중국이 미국을 앞섰다. 한국 기업은 모델 개발 경쟁만 바라보지 말고 현장 적용 속도를 높여야 한다.

9. 다양성과 리스크 테이크가 한국의 다음 도약을 만든다

지속적인 성장에는 성공을 지키는 관리와 새로운 가능성에 베팅하는 문화가 동시에 필요하다.

9.1. 한국의 성공 이후에 필요한 태도

1. K 브랜드의 성취

   1. 세계적 확장: 한국은 K라는 단어를 완전히 소유한 나라가 될 만큼 문화·산업적 성공을 거뒀다.
   2. 정체의 가능성: 성공한 상태에 그대로 앉아 있으면 일본이 20년 동안 멈췄던 것처럼 한국도 언젠가 멈출 수 있다.

2. 다음 단계의 리더십

   1. 성공할 때 더 조심하기: 잘되는 순간이야말로 주문과 가치가 실수요인지, 성과가 지속 가능한지 점검해야 한다.
   2. 서울대의 역할: 서울대학교 구성원이 변화에 대한 주도권과 리더십을 가져야 좋은 효과를 내는 나라가 될 수 있다.

9.2. 35개국의 다양성이 만드는 아이디어

1. 단일민족 관념의 재검토

   1. 한국의 익숙한 자기 인식: 한국에서는 단일민족이라는 말을 자연스럽게 사용해 왔다.
   2. 스탠퍼드의 자부심: 스탠퍼드는 35개 국가에서 온 학생들이 함께 있다는 사실을 자랑스럽게 여긴다.

2. 다른 경험의 결합

   1. 아이디어의 폭: 서로 다른 경험을 가진 사람들이 각자의 아이디어를 결합하면 한 사람이 혼자 만들기 어려운 발상과 꿈이 나온다.
   2. 한국에 필요한 여유: 다양성을 중시하고 일정한 리스크 테이크를 감당할 여유를 만들어야 혁신이 반복된다.

주요 발언 모음

“이게 될지 안 될지 모르는 상태에서 어떻게 배팅을 하느냐?”

“주문이 많이 나와서 시장이 정말 잘된다고 했을 때, 이게 실수요였냐 가수요였냐를 한 번 생각해 봐야 한다.”

“AI의 버블이 꺼진다는 것은 AI가 생활에 도움이 안 된다는 뜻이 아니라, AI 관련 기업의 시장가치가 과대평가됐다는 뜻이다.”

“테크놀로지가 아무리 빨리 가더라도 사람이 소화하지 못하면, 늦게 가는 사람이 속도를 결정한다.”

“다양성을 중시하고 약간은 리스크 테이크를 할 수 있는 여유가 있어야 한다.”

“잘된다고 그냥 편하게 있지 말고, 좋은 것을 더 잘 이끌어 한 단계 더 올리는 것이 바람이다.”

핵심 데이터 & 수치

• 1974년: 황승진 교수가 서울대학교 공과대학을 졸업한 해다.
• 35년: 스탠퍼드 경영대학원에서 교수로 근무한 기간이다.
• 2년과 3년째: 오퍼레이션 그룹이 2년 동안 조수를 뽑지 않았고, 3년째 황승진 교수의 발표를 계기로 적합한 연구자를 만났다.
• 5병 → 10병 → 12병 → 20병: 맥주 실제 판매량의 하루 변동이 소매상·도매상·제조업체 주문으로 증폭되는 예시다.
• 100대·200대 → 거의 0대: HP 프린터 출시 때 첫날 폭주한 주문이 다음 주 급락한 사례다.
• 50개 대 100개: 도매상 재고가 50개인데 주문이 100개이면 소매상은 배급량을 늘리려고 주문을 부풀릴 수 있다.
• 15% 대 100%: 코로나19 당시 최종 소비자의 주문 증가는 약 15%였지만 월마트 등 유통업체의 주문은 100% 늘었다.
• GDP 2% → 컴퓨터 5% → 반도체 20% → 장비 50%: 산업 상류로 갈수록 수요 변동이 증폭되는 반도체 공급망 예시다.
• 약 70% 증가 → -30%: 인터넷 버블 붕괴 때 장비 산업이 급격히 꺾인 사례로, 상류 기업이 먼저 타격받는 구조를 보여준다.
• 35개 국가: 스탠퍼드가 다양한 출신 배경을 자산으로 여기는 사례다.

결론 및 시사점

1. 주문량이 폭증하면 곧바로 최종 수요 증가로 해석하지 말고 실제 판매량·재고·취소율·선점 주문을 확인해야 한다.
2. 공급망에서는 주문 데이터만 전달할 때 채찍효과가 커지므로 최종 소비와 재고 데이터를 공유해야 한다.
3. 품귀 상황에서 배급량이 주문량에 비례하면 각 기업이 더 많이 주문할 유인이 생기므로, 배분 규칙과 인센티브를 함께 설계해야 한다.
4. AI 버블이 꺼져도 AI 기술 자체가 사라지는 것은 아니며, 과대평가된 기업과 가수요가 정리되는 과정으로 해석해야 한다.
5. 한국의 반도체·장비·AI 공급망 상류 기업은 주문 폭증 때 가장 큰 상승을 얻을 수 있지만, 거품이 꺼질 때도 가장 먼저 흔들릴 수 있다.
6. 한국 기업의 AI 경쟁력은 거대 LLM을 직접 만드는 능력뿐 아니라 기존 모델을 적시에 조합·활용해 제품을 개선하는 능력에서 결정된다.
7. 위험을 모두 제거하면 혁신의 돌연변이도 제거되므로, 경험과 판단력을 갖춘 리더가 관리 가능한 리스크 테이크를 허용해야 한다.
8. K 브랜드의 성공을 유지하려면 성공에 안주하지 않고 다양성·정보 공유·실험을 통해 다음 단계의 변화를 계속 만들어야 한다.