대한민국 정부는 내년 예산을 약 728조 원 규모로 편성하며, 특히 인공지능(AI) 분야에 대한 강력한 의지를 표명했다. 올해 대비 3배 증가한 10조 1000억 원을 AI 3강 진입을 위한 예산으로 투입하며, 이 가운데 제조 경쟁력 강화를 위한 예산으로 1조 1000억 원을 할당했다. 이는 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등 다양한 분야를 포괄한다. 산업, 특히 제조업의 경쟁력을 AI 기술을 통해 강화하는 것은 현재 대한민국이 직면한 매우 중요한 과제이다. 그러나 이러한 정책이 실질적인 성과로 이어지기 위해서는 몇 가지 근본적인 문제점들을 먼저 해결해야 한다.
가장 먼저 지적할 수 있는 문제점은 ‘숫자’에 대한 집착이다. 정부는 2030년까지 AI 팩토리를 500개 이상 구축하겠다는 목표를 제시했다. 그러나 단순한 개수 채우기식 접근은 실패로 이어질 수 있다. 과거 제너럴 일렉트릭(GE)이 야심차게 추진했던 프레딕스(Predix) 플랫폼의 실패 사례는 우리에게 중요한 교훈을 준다. GE는 대상 고객의 실제 기대와 고민을 제대로 이해하지 못하고 기술 자체에만 집중한 결과 현장 적용에 실패했다. 따라서 500개라는 숫자보다는, 제조업의 규모와 종류에 따른 다양한 참조 모델을 개발하고 성공적인 실제 사례를 만들어내는 데 더욱 집중해야 한다. 몇 가지 모범 사례를 집중적으로 구현하여 실질적인 성과를 보여주는 것이 중요하다.
또한, 피지컬 AI 분야의 급격한 부상은 기회인 동시에 위험 요소이다. 피지컬 AI를 위한 데이터는 기존 AI 학습 데이터와는 근본적으로 다르다. 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 새로운 특성을 갖춘 데이터 구성이 필요하다. 이는 피지컬 AI 분야에서 처음으로 마주하게 되는 매우 어려운 도전이다. 국내에서 지금까지 진행된 디지털 트윈 과제들의 결과물이 이러한 수준의 경쟁력을 갖추고 있는지 냉철하게 되짚어보고, 만약 부족하다면 어떤 교훈을 얻었는지 비판적으로 분석해야 한다. 엔비디아의 옴니버스나 코스모스와 같은 수준의 플랫폼을 자체적으로 구축할 것인지, 아니면 외부 기술을 도입할 것인지에 대한 심도 깊은 의사 결정이 필요하다.
이러한 문제점들을 해결하기 위한 구체적인 솔루션으로서, 산업단지(산단)라는 기존의 산업 인프라를 적극 활용해야 한다. 산단이 가진 고유한 특징에 기반한 AI 특화 모델을 고민하고, 팔란티어의 온톨로지 모델과 같은 복합적인 솔루션도 함께 검토해야 한다. 또한, 산업 AX는 제조업 경쟁력 강화뿐만 아니라, 이 분야에 특화된 중소기업 및 스타트업 생태계를 구축할 수 있는 좋은 기회이다. 이를 위해 기업과 AI 전문기업 간의 라운드테이블을 마련하여 문제점을 공유하고 협업 방안을 모색하며, 우수 사례를 공유하는 자리를 마련해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 산업 AI 허브와 같은 공간을 구축하여, 누구나 AI 전환에 대한 정보를 자유롭게 얻을 수 있도록 지원해야 한다.
마지막으로, 산업 AX의 성공적인 추진을 위해서는 ‘협업과 소통’을 원활하게 지원하는 것이 가장 중요하다. 팔란티어와 같이 본사 엔지니어가 현장에 직접 투입되어 고객과 함께 문제를 정의하고 해결책을 찾는 방식이 필요하다. 산업 AX는 뛰어난 AI 엔지니어가 개발실에만 머무는 것이 아니라, 현장 엔지니어 및 전문가와 함께 문제를 풀어가는 과제를 통해 성과가 나온다. 두 문화 간의 간극과 소통 문제를 해소하고, 이를 원활하게 돕는 것이 국가 과제 성공의 중요한 출발점이 될 것이다.
이러한 문제점들을 해결하고 제시된 솔루션들을 효과적으로 적용한다면, 산업 AX는 대한민국 제조업의 경쟁력을 다시 세우는 데 크게 기여할 것이다. 끊임없는 피드백과 평가, 그리고 민첩한 개선이 이루어진다면, 이는 반드시 성공적인 케이스로 자리매김할 것이며, 정책적으로도 이러한 기민성을 살려나가는 것이 중요하다.
About the Author
