왜 화학 산업은 사실 분자를 팔지 않는가?

분자는 결국 범용재(commodity)가 되기 때문이다.

특허가 만료되는 순간 합성 경로는 공개된다——누구나, 어디서든 합법적으로 이를 내려받을 수 있다. 분자 구조, 시약, 촉매, 수율——빠진 것은 아무것도 없다.

그런데도 20년이 지난 뒤에도, 그 분자를 실제로 안정적으로 만들 수 있는 기업의 수는 여전히 소수에 그치는 경우가 많다.

분자 자체가 희소하지 않다면, 화학 산업은 대체 무엇에 대해 비용을 받고 있는 것일까?

다른 기업들이 시도하지 않은 것이 아니다. 많은 기업이 공개된 경로를 그대로 따라 실행했고, 제품을 얻어냈다. 다만 그것은 안정적인 제품도, 저렴한 제품도, 경로가 주장한 수율을 달성한 제품도 아니었다.

이제부터는 그 능력 가운데 돈으로는 살 수 없는 부분이 실제로 어디에 있는지를 네 가지 층으로 나누어 살펴본다.

첫 번째 층: 경로는 공개될 수 있어도, 공정은 그렇지 않다

이 수수께끼에 대한 대부분의 사람들의 첫 반응은, 누군가가 무언가를 의도적으로 숨겼다는 것이다. 그러나 실제 이유는 대개 더 단순하다——특허는 그 방법이 그 분자를 "만들 수 있다"는 것만 증명하면 된다. 그 방법이 실제 공장에서 안정적으로 돌아간다는 것까지 증명할 필요는 없다.

특허의 법적 기준은 상업화 가능성이 아니라 실시가능성(enablement)이다. 실제로 생산 배치의 성패를 좌우하는 운영상의 세부 사항——정확한 투입 순서, 온도 제어 범위, 교반 조건, 후처리 및 분리 조건, 설비 세척 밸리데이션——은 대개 특허의 실시례에서 대략적으로만 서술될 뿐, 상업 규모의 수율을 재현하는 데 필요한 수준에는 한참 못 미친다[C]. 업계는 일반적으로 이를 의도적인 이중 전략으로 본다——특허는 등록되고 청구된 경로의 직접적인 복제를 막는 데 필요한 최소한의 정보만 공개하며, 실제로 상업 수율을 내는 데 필요한 운영상의 세부 사항은 영업비밀로 계속 잠가 둔다[C].

규제 당국은 어떤 경쟁 전략보다도 이 점을 더 직접적으로 짚는다. 의약품 개발에 관한 ICH의 Q8(R2) 가이드라인은 명확하다——디자인 스페이스, 핵심 공정 파라미터, 문서화된 관리 전략 등 자사의 제조 공정에 대해 더 깊은 이해를 입증할 수 있는 기업은, 제품이 규격을 충족한다는 것만 보여줄 수 있는 기업보다 더 큰 규제상의 유연성을 얻는다[B]. 규제 체계조차 "공정을 이해하는 것"을 "그 분자를 만들 수 있는 것"과는 별개의, 독립적으로 심사 가능한 역량으로 취급하는 것이다. 공정 자체가 규제의 대상이다.

이야기가 여기서 끝난다면 진짜 비밀은 공정을 아는 것뿐일 것이다. 하지만 이야기는 여기서 끝나지 않는다.

두 번째 층: 공정을 갖추고도 스케일업은 여전히 실패할 수 있다

실험실은 어떤 반응이 일어날 수 있음을 증명한다. 공장은 그 반응이 매일 일어날 수 있음을 증명한다——그리고 이 단계는 직관이 시사하는 방식대로 확장되지 않는다. 그 전체 경로를 합법적으로 손에 쥐고 있는 기업이라 해도 마찬가지다.

가장 명확한 사례는 열전달이다. 반응기의 부피를 같은 형상을 유지한 채 1,000배로 키우면, 그 표면적——용기 벽을 통해 열을 방출하는 능력——은 겨우 100배만 늘어난다[C]. 발열 반응의 경우 열 발생 속도가 반응기의 방열 능력을 앞지르게 되며, 이것이 바로 실험실 규모의 실험에서는 보이지 않는 폭주 반응 위험 조건이다.

혼합도 같은 논리를 따른다. 산업적 혼합은 최소 세 가지의 서로 다른, 규모 의존적인 메커니즘으로 작동하며, 화학공학자들은 최소 여섯 가지의 스케일업 기준을 사용하는데 각각이 서로 다른 답을 내놓을 수 있다——실험실 데이터로부터 공장 규모의 거동을 신뢰성 있게 예측하는 단일 공식은 존재하지 않는다[C]. 발포, 파울링, 미량 불순물의 축적은 실험실에서는 깨끗한 결과가 나왔음에도 상업 규모로 가동하고 나서야 비로소 드러나는 경우가 흔하다[C].

이는 추상적인 공학적 논점이 아니다. ChemAbout은 이전에 OLED 인광 발광 재료 산업을 다룬 바 있다——그 핵심 광물리학은 20여 년 전 Nature에 발표되었고, 핵심 특허도 오래전부터 라이선스로 제공되어 왔다. 그럼에도 실제로 패널 제조사의 소자 수명 인증을 통과해 공급망에 들어갈 수 있었던 재료 공급업체의 수는 여전히 한 자릿수에서 낮은 두 자릿수에 머물러 있다[C]. 경로와 메커니즘은 20년 넘게 공개되어 있었다. 인증을 통과할 수 있는 기업의 수는 거의 움직이지 않았다.

"공정을 가진 것"과 "안정적으로 생산할 수 있는 것" 사이에는 공학 분야 전체가 자리하고 있다. 그러나 스케일업에서 살아남은 기업조차, 설명하기 훨씬 더 어려운 문제에 부딪힌다——똑같이 규격을 충족하는 제품을 파는 경쟁사가 왜 여전히 그것을 더 저렴하게 팔 수 있는가 하는 문제다.

세 번째 층: 스케일업을 마친 뒤에도, 경쟁사는 왜 여전히 더 저렴한가

이는 이 글 전체에서 가장 덜 논의되었고, 가장 반직관적인 층이다.

23건의 제약 공정 개발 프로젝트를 대상으로 한 한 연구에 따르면, 효과적으로 학습하는 방식은 지식 환경 자체에 따라 달라진다——기저 과학이 잘 이해되어 있는 화학 기반 제약 공정에서는, 생산에 착수하기 전에 실험실 실험을 더 많이 하는 것("행동 전 학습")이 더 빠른 개발과 연관된다. 반면 기술이 과학보다는 장인의 기예에 더 가까운 생명공학 기반 공정에서는, 실험실 실험을 늘려도 개발 기간이 전혀 단축되지 않는다——학습은 오직 공장 현장에서, 실제 생산 경험을 통해서만 일어난다[A].

더 직접적인 증거는 37개 화학 제품에 걸친 가격 및 비용 행태에 관한 이전 연구에서 나온다. 이 연구는 "강력하고 일관된 학습 효과"를 발견했다——제조 비용은 단순히 시간의 함수가 아니라 누적 생산량의 함수로 하락하며, 그 효과의 크기는 규모의 경제로 인한 효과보다 컸다. 학습 곡선의 기울기——생산량이 두 배가 될 때마다 비용이 얼마나 빠르게 하락하는가——는 그 제품이 얼마나 R&D 집약적이고 자본 집약적인가에 따라 달라졌다[A].

공정은 한 번 설계되고 끝나는 것이 아니다. 그것은 배치를 거듭하는 생산 그 자체를 통해 만들어져 간다. 공정 노하우는 근본적으로 누적 생산을 통해서만 자랄 수 있는 자산이다——투자 라운드로 살 수도 없고, 첫날부터 채용해 들여올 수도 없다.

규모의 경제——더 많이 만들면 단위당 비용이 낮아진다——는 직관적이며, 더 큰 공장을 지음으로써 재현할 수 있다. 이 연구 결과가 말하는 것은 이와는 다른 이야기다. 동일한 규모의 두 기업을 비교했을 때, 더 일찍 시작해 더 오래 운영해 온 기업은 규모만으로는 설명되지 않는 만큼 비용이 더 빠르게 하락한다. 그 추가적인 하락분은 매 생산 배치에서 해결된 모든 문제, 조정된 모든 파라미터, 고쳐진 모든 이상 현상에서 비롯되며——그 어느 것도 논문이나 특허에 기록되지 않고, 모두 한 기업 내부의 판단력 속에 쌓여 간다.

네 번째 층: AI는 앞의 세 층을 건너뛸 수 있을까

앞의 세 층은 모두 같은 이야기를 해 왔다——경험이다. 공정 개발도, 스케일업도, 비용 하락도 모두 경험 위에서 돌아간다. 여기서 당연한 질문이 떠오른다——AI는 이 모든 것을 건너뛸 수 있을까? AI는 경로를 공개하기 위해 특허가 필요하지 않으며, 이미 발표된 모든 논문을 읽을 수 있다.

답은 '아니오'이며, 그 이유는 경영학자들이 수십 년간 사용해 온 구분으로 귀결된다——바로 **형식지(codified knowledge)**와 **암묵지(tacit knowledge)**다. 현재 AI가 가장 잘 학습하는 것은 형식지, 즉 문서로 기록된 지식이다. 공장이 안정적이고 저렴하게 돌아갈 수 있는지를 좌우하는 것은 대부분 암묵지, 즉 한 번도 문서로 기록된 적 없는 지식이다.

AI가 배울 수 있는 것과 오직 공장만이 배울 수 있는 것

맥킨지의 화학 산업 연구도 이러한 관점을 뒷받침한다——생성형 AI는 다양한 데이터로부터 가설을 만들어 내고, 체계적인 지원으로 개인의 창의성을 보강하며, "암묵지를 조직적 우위로 embedding(내재화)한다"는 점에서 "경쟁 구도를 재편하고 있다"고 서술된다[C]——이 표현 자체가 암묵지는 여전히 내재화되어야 하는 것이지, AI가 단독으로 만들어 낼 수 있는 것이 아니라는 점을 인정하고 있다. AI 기반 역합성 연구 역시, 화학자의 검토를 없애야 할 단계로 취급하기보다는 화학자의 판단력을 모델 안에 명시적으로 내재화하는 방향으로 나아가고 있다[C]. 심지어 첨단 컴퓨터 지원 합성 계획 도구조차 동료 심사를 거쳐 문서화된 한계를 지니고 있다——현재의 역합성 모델은 일부 실제 계획 과제에 대해 "터무니없이 느리다"[A].

AI가 할 수 있는 일은 왼쪽 열을 더 빠르게 읽는 것이다. 지금까지 그것이 오른쪽 열을 건너뛸 수 있음을 시사하는 것은 아무것도 없다.

네 개의 층, 처음부터 끝까지

공개된 합성 경로 (특허 만료와 함께 이용 가능해짐)
   ↓
공정 개발 (특허가 결코 밝히지 않는 부분)
   ↓
스케일업 (별개의 공학적 문제)
   ↓
암묵적이고 누적적인 조직 경험
   ↓
비용, 품질, 신뢰성 — 구매자가 실제로 체감하는 간극

특허는 결국 공개된다. 분자는 결국 이해된다. 합성 경로는 결국 복제된다.

실제로 구축하는 데 10년, 20년이 걸린 것은 분자 자체가 아니었다.

그 분자를 산업용 제품으로 바꾸어 낼 수 있는 능력이다.

ChemAbout Insight

ChemAbout이 관심을 갖는 것은 어떤 화학물질이 "무엇인가"만이 아니다.

왜 그것을 몇 년에 걸쳐 안정적으로 계속 만들어 낼 수 있는 기업이 극소수에 불과한가이다.

특정 CAS 번호의 동의어, 규격, 알려진 공급업체를 조회하려면 ChemAbout의 화합물 데이터베이스에서 직접 검색할 수 있다.

Evidence Notes｜증거 노트

[A] Academic(학술) 동료 심사를 거친 문헌 · [B] Regulatory(규제) 공식 규제·표준 지침 · [C] Industry(산업) 업계 매체, 기업 공시, 컨설팅·벤더 분석.

Academic (학술)

• Pisano, G.P., "Knowledge, Integration, and the Locus of Learning: An Empirical Analysis of Process Development," Strategic Management Journal, 15 (Winter 1994): 85–100 — 23건의 제약 공정 개발 프로젝트를 대상으로 한 연구다. 이 발견은 여러 독립적인 2차 요약 자료에서 뒷받침되지만, 원문은 유료 장벽 뒤에 있어 원문 그대로 확인하지 못했으므로 이 글은 이를 직접 인용하기보다 요약하는 데 그친다[A].
• Lieberman, M.B., "The Learning Curve and Pricing in the Chemical Processing Industries," RAND Journal of Economics, 15(2), Summer 1984: 213–228 — 37개 화학 제품을 대상으로 한 연구다. 보고된 결과는 동일 연구를 요약한 Stanford GSB 워킹페이퍼를 통해 확인되었다[A].
• 현재의 역합성/컴퓨터 지원 합성 계획 모델의 실질적인 속도 한계에 관해: PMC, "Investigations into the Efficiency of Computer-Aided Synthesis Planning"(검색 요약을 통해 확인) [A].

Regulatory (규제)

• ICH, "Q8(R2) Pharmaceutical Development" — EMA의 과학 지침 페이지에서 직접 가져왔다. 지침 전문 PDF는 별도로 분석하지 않았으므로, 직접 인용하기 전에 정확한 문구를 ICH 원문과 다시 대조해야 한다[B].

Industry (산업)

• Tangibly와 Mondaq(IP 전문 업계·법률 매체) — 화학 산업 IP 전략에서 특허와 영업비밀의 구분에 관하여[C].
• The Chemical Engineer(IChemE), "Rules of Thumb: Scale-up" — 직접 가져왔다. 열전달 면적 스케일링 수치와, 서로 상충할 수 있는 여러 스케일업 기준에 대한 서술의 출처다[C].
• ChemAbout, "Why Can Only a Handful of Companies Make Top-Tier OLED Emitter Materials?" — 인광 전계발광이 1998년 Nature에 발표된 것, 핵심 특허가 Princeton/USC 팀을 통해 라이선스된 것, 그리고 다년간의 소자 수명 인증이 공급업체 수를 소수로 묶어 두는 이유라는 점은 모두 해당 글에서 이미 검증된 사실이다. 여기서는 분야 간 사례로 인용한다[C].
• McKinsey & Company, "How AI enables new possibilities in chemicals" — 이 인용문은 여러 독립적인 검색 출처에서 일관되게 뒷받침된다. 이번 조사 과정에서 McKinsey 자체 페이지는 직접 가져올 수 없었으므로 최종 게재 전에 재확인해야 한다[C].
• Microsoft Research, "Incorporating chemists' insight with AI models for single-step retrosynthesis prediction" — 현재의 AI 역합성 접근법이 화학자의 판단을 우회하기보다 그것을 내재화하도록 설계된 이유에 관하여[C].

이 글이 의도적으로 주장하지 않는 것

• 제조 공정의 차이에만 기인한다고 할 수 있는 구체적인 가격 배수에 대해서는 검증 가능한 출처를 찾지 못했다. 이 글은 그러한 수치를 인용하지 않는다.
• AI/디지털 트윈 벤더 블로그에 나오는 수율이나 효율 수치는 방법론이 공개되지 않은 마케팅 주장이며, 여기서는 인용하지 않는다.

이 글은 2026년 7월에 조사·작성되었다. 위에서 신뢰도에 대한 유보가 표시된 출처(Pisano 1994, 역합성 효율에 관한 논문, McKinsey의 AI 관련 글)는 원문 전체를 직접 읽기보다는 일관된 2차 요약을 통해 검증되었으므로, 원문 그대로 인용하기 전에 1차 자료와 다시 대조해야 한다.