트위터 유저 TheObserverLee(@theobserverlee)가 2026년 7월 17일 X 아티클로 올린 「제조업은 어떻게 다시 정의되고 있는가」를 정리했다. 앞서 쓴 글(데이터센터의 전력·물 문제와 일본의 냉각 기술)에서 이어지는 후속편으로, 이번에는 “제품을 파는 시대는 끝났다"는 문장으로 시작한다. 아래 정리에는 저자가 같은 날 타래로 덧붙인 보충 논지도 함께 담았다.
3줄 요약
- 개인 투자자 관점의 X 아티클로, 일본 제조업을 소재로 “제품 판매에서 운영 판매로"라는 산업 재정의를 진단한다.
- 미츠비시중공업(가스터빈 → TOMONI 플랫폼), 다이킨(에어컨 → 빌딩 공조 운영), 히타치(Lumada)를 근거로, 장비를 넘기고 끝내는 게 아니라 그 장비의 운영·최적화를 지속 판매하는 전환을 짚는다.
- 결론은 제조업 내부가 ‘시스템 제공자’와 ‘고객’으로 양극화되며, 물건만 파는 기업과 시스템을 파는 기업을 가르는 필터가 투자 판단의 기준이 된다는 것이다.
질문은 데이터센터보다 아래에 있었다
저자는 이전 글에서 데이터센터의 전력·물 사용 문제, 그리고 AI 사이클이 일본의 ‘아끼는 기술’과 액체 냉각 수요를 끌어올린다는 데까지 다뤘다. 그런데 그 논의가 겉에만 머문다는 느낌을 받았다고 한다. 아끼는 기술이 중요해지는 게 정말 데이터센터만의 이야기냐는 것이다.
전환점은 미츠비시중공업이었다. 최근 엔비디아와 미츠비시중공업이 협업한다는 소식이 있었는데, 엔비디아의 AI 데이터센터에 미츠비시중공업의 냉각 기술과 에너지 관리 시스템을 도입한다는 내용이다. 저자가 여기서 읽어낸 것은, 가스터빈 같은 제품만 팔던 미츠비시중공업이 이제 그 가스터빈을 효율적으로 돌리고 최적화해주는 시스템을 파는 쪽으로 넘어가고 있다는 사실이다.
저자의 해석은 인과의 방향을 뒤집는다. 일본 제조업이 AI 데이터센터 사이클 때문에 시스템을 만든 게 아니라, 원래 시스템을 만들어놨고 AI 사이클이 거기에 올라타 오히려 가속 중이라는 것이다. 복잡하고 고가인 장비를 만들다 보니 물건을 넘기고 끝내는 게 아니라, 그 장비가 현장에서 어떻게 쓰이는지, 어떻게 더 적게 먹이고 더 오래 가게 할지를 계속 들여다보게 되었고, 그것이 자연스럽게 유지보수 시스템, 모니터링, 최적화로 이어졌다는 설명이다.
시스템으로 팔 수 있는 제품의 세 가지 조건
저자는 모든 제품을 운영으로 팔 수는 없다고 보고, 돈이 되는 기업을 가려내기 위한 자기만의 기준 세 가지를 내세운다.
| 조건 | 내용 |
|---|---|
| 지속 사용 | 고객이 계속 사용하는 제품인가 |
| 운영비 우위 | 운영비가 구매비보다 훨씬 큰가 (데이터센터처럼) |
| 데이터 발생 | 제품 자체에서 데이터가 지속적으로 발생하는가 |
이 세 가지가 겹치는 영역에서만 진짜 의미 있는 시스템 판매가 가능하다고 본다.
다이킨의 빌딩용 공조 시스템이 예시다. 대형 빌딩에서는 에어컨이 하루 종일 수년간 돌아가며 전력 비용이 기기 구매비를 훨씬 뛰어넘고, 동시에 IoT 센서가 온도, 습도, 가동 패턴 데이터를 실시간으로 쏟아낸다. 세 조건이 맞물리자 다이킨은 에어컨을 파는 데서 벗어나 빌딩 전체의 에너지 운영을 원격으로 모니터링하고 최적화하는 서비스를 팔기 시작했다.
미츠비시중공업의 가스터빈도 들어맞는다. 발전 플랜트의 가스터빈은 수십 년을 쉬지 않고 돌며 연료비와 정비 비용이 구매비를 압도한다. 센서가 연소 상태, 진동, 온도, 부하 데이터를 끊임없이 만들어내고, 그래서 터빈만 파는 게 아니라 TOMONI라는 플랫폼으로 실시간 모니터링, 연료 배분 최적화, 예측 정비를 함께 파는 형태로 바뀌고 있다. 최근에는 데이터센터 냉각 시스템 최적화까지 영역을 넓히면서, 고객이 실제로 줄이는 운영 비용 자체를 가치로 만들고 있다.
데이터센터를 넘어: 데이터권이라는 해자
저자가 타래로 덧붙인 보충 논지는 ‘데이터권’으로 이어진다. 앞으로 제조업은 자기 제품에 운영 시스템을 붙여 파는 형태로 바뀌고, 다이킨이 에어컨 대신 빌딩 공조 시스템을 파는 것처럼 제품 자체는 부가적인 요소가 된다고 본다.
핵심은 이런 기업들이 결국 “현실 세계의 데이터권"까지 가져간다는 것이다. AI는 데이터가 없으면 학습할 수 없어 쓸모가 없는데, 물리 세계의 데이터는 실제로 설비가 가동되면서만 나온다. OpenAI가 아무리 학습을 잘해도 실제 공장 데이터를 얻으려면 직접 공장을 짓거나 운영해야 한다는 것이다.
제어 시스템이 곧 데이터 제어권이기 때문에, 유명한 AI 기업들이 진짜로 돈 버는 제조업에 들어오고 싶어도 쉽지 않다. 좋은 모델을 가졌어도 물리 세계의, 그중에서도 돈이 되는 제조업의 데이터를 학습하고 피지컬 AI까지 이어가려면, 시스템을 파는 제조 기업에게 불리한 포지션으로 들어올 수밖에 없다.
저자는 이 제어 시스템이 하나의 해자가 되며, 미래에 제조업을 두 갈래로 찢어놓는 결과를 만든다고 본다.
제조업의 양극화 — 고객인가 시스템 제공자인가
시스템을 파는 기업의 고객은 대부분 다른 기업이다. 그렇다면 시스템을 팔 수 없는 기업은 어떻게 될까. 저자는 컵이나 일회용품 같은 단순 소비재를 만드는 쪽은 오히려 시스템을 파는 기업의 고객이 될 가능성이 크다고, 아니 이미 고객이라고 본다. 생산망 전체로 보면 기계를 쓰는 순간부터 그 기계가 운영 최적화의 영역으로 빨려 들어가는 구조이기 때문이다.
그래서 제조업 안에서도 ‘고객’과 ‘시스템 제공자’로 양극화가 일어난다는 가정에 이른다. 투자자가 주목할 기업은 단순히 물건만 파는 기업인가, 시스템을 파는 기업인가로 갈린다.
저자가 진짜 가치를 포착할 것으로 보는 기업의 조건은 세 가지다. 이미 거대한 기반을 가지고 있고, 그 안에서 데이터가 계속 나오며, 현장 도메인 지식이 깊은 회사. 히타치가 Lumada 사업을 그룹 매출의 상당 부분까지 끌어올리는 것을 이미 그 방향으로 움직이는 증거로 든다.
이 흐름에는 이미 이름이 있다
저자의 관찰에는 이미 이름이 있다. 제품에 서비스를 얹어 파는 전환을 경영학에서는 ‘서비타이제이션(servitization)‘이라 부르고, 1988년 반더머베와 라다가 《European Management Journal》에서 제시한 개념이다. 1 Vandermerwe, S. & Rada, J. (1988). “Servitization of Business: Adding Value by Adding Services.” European Management Journal. DOI: 10.1016/0263-2373(88)90033-3 롤스로이스가 1960년대부터 ‘Power by the Hour’ 모델로 엔진이 아니라 보장된 비행 시간을 팔아 온 것이, 2 롤스로이스 TotalCare(Power by the Hour) 순환형 서비스 계약. rolls-royce.com 저자가 든 미츠비시중공업의 TOMONI, 다이킨의 공조 서비스와 같은 구조다.
저자가 새로 얹은 통찰은 이 오래된 흐름이 AI를 만나 가속된다는 점이다. 제품을 서비스로 바꾸는 ‘운영 계층’, 곧 기기에 심기는 제어 소프트웨어와 그 위에서 돌아가는 감시·최적화 소프트웨어를 짓고 유지하는 일은 원래 상당한 소프트웨어 역량을 요구했다. 그 문턱을 코딩 에이전트가 빠르게 끌어내리고 있다. 벤더마다 문법이 다르고 안전이 걸린 산업 기계의 제어 코드, 이를테면 PLC에 올라가는 IEC 61131-3 ST조차 이제 자연어 요구사항에서 생성하고 검증까지 자동으로 도는 LLM 에이전트 프레임워크(AutoPLC, LLM4PLC, Agents4PLC)가 나와 있다. 3 산업 기계의 임베디드 제어 코드(PLC용 IEC 61131-3 Structured Text)를 자연어 요구사항에서 생성하고 검증까지 자동화하는 LLM 에이전트 연구: AutoPLC(arXiv:2412.02410), LLM4PLC, Agents4PLC(arXiv:2410.14209). 기기에 심는 코드를 AI가 짓고 관리해 주면 제품에 운영 계층을 씌우는 문턱이 낮아지고, ‘제품에서 운영으로’의 전환은 소수 대기업을 넘어 더 넓은 제조사로 번질 수 있다.
다만 문헌은 저자가 건너뛴 함정에도 이름을 붙여 뒀다. ‘서비스 패러독스(service paradox)‘로, 게바우어 등이 2005년 설비 제조사 30곳 이상에서 서비스에 큰돈을 넣어도 비용만 늘고 기대한 수익은 따라오지 않더라고 정리한 현상이다. 4 Gebauer, H., Fleisch, E. & Friedli, T. (2005). “Overcoming the Service Paradox in Manufacturing Companies.” European Management Journal. DOI: 10.1016/j.emj.2004.12.006 가장 뼈아픈 반례는 저자가 승자의 조건으로 꼽은 프로필 안에도 있다. GE는 거대한 설치 기반과 터빈, 엔진에서 쏟아지는 데이터, 깊은 현장 지식을 모두 갖추고도 산업용 IoT 플랫폼 Predix에 70억 달러 넘게 쏟았다가 실패해, 2024년 GE 그룹 해체의 주요 원인 중 하나로 꼽혔다. 5 Predix는 GE가 70억 달러 이상을 투입한 산업용 IoT 플랫폼으로, 널리 실패로 평가되며 2024년 GE 그룹 해체의 한 요인으로 꼽힌다. Predix (Wikipedia) · WSJ, “The Dimming of GE’s Bold Digital Dreams”(2020) · 포레스터 진단, Computer Weekly 데이터와 설치 기반을 확보하는 것은 필요조건일 뿐 충분조건과는 거리가 멀다.
흥미롭게도 이 함정을 피해가는 충분조건은 저자가 진짜 가치를 포착할 것으로 보는 기업의 세 가지 조건에 넣지 않았다. 자원을 허투루 쓰지 않고 운영을 파고드는 규율, 저자가 일본 제조업의 뿌리로 든 ‘아끼는 정신’이다. 단순히 비용을 아끼는 문제가 아니라, 비용을 아끼기 위해서 무엇을 측정하고 언제 어떤 행동을 해야 하는지 축적된 경험이 네 번째 충분조건인 셈이다.
가장 눈여겨본 대목
내가 곱씹은 것은 인과의 방향을 뒤집은 문장이다. 흔히 “AI가 와서 일본의 절약 기술이 주목받는다"고 말하지만, 저자는 “일본은 원래 시스템을 만들어놨고 AI가 거기 올라탔을 뿐"이라고 뒤집는다. 자원이 없어 허투루 쓰는 것을 허용하지 않았던 생존 전략이, AI 시대에 와서 필승 전략으로 전환되고 있다는 관점이다.
시스템 판매의 세 조건(지속 사용, 운영비 우위, 데이터 발생)도 개인 투자자가 만든 휴리스틱치고는 깔끔하다. 다만 이 글은 개인이 몇 개 사례에서 도출한 관찰이라는 점은 기억할 필요가 있다. 미츠비시중공업, 다이킨, 히타치라는 성공 사례에서 역으로 기준을 세운 구조라, 같은 필터를 통과하고도 실패한 기업이 얼마나 되는지는 다루지 않는다. 저자 스스로도 마지막에 확언 대신 “당신의 투자 대상에 이 필터를 적용해보면 어떤 그림이 그려지지 않겠느냐"는 질문으로 글을 맺는다.
출처
저자: TheObserverLee(@theobserverlee) 발표일: 2026년 7월 17일 (X 아티클) 원문: https://x.com/theobserverlee/status/2078106960235278426