대한민국의 미래 성장 동력 확보를 위한 핵심 과제로 인공지능(AI) 기술을 활용한 산업 경쟁력 강화, 즉 산업 AX(Automation Transformation)가 주목받고 있다. 정부는 내년 예산을 약 728조 원 규모로 편성하며, 특히 AI 3강 진입을 위한 예산을 올해 대비 3배 증가한 10조 1000억 원으로 대폭 확대했다. 이 중 제조 경쟁력 강화를 위해 1조 1000억 원 규모의 예산이 투입되며, AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등이 포함된다. 이는 산업, 특히 제조업 분야의 경쟁력을 AI 기술로 강화하고, 이를 위한 기반 기술 및 응용 분야에 집중하겠다는 정부의 확고한 의지를 보여준다.
그러나 이러한 정책이 실효성을 거두기 위해서는 몇 가지 근본적인 문제점에 대한 깊이 있는 성찰과 전략적인 접근이 요구된다. 첫째, 2030년까지 AI 팩토리 500개 이상 구축이라는 목표 달성을 위해선 단순히 숫자에 집착하기보다, 규모와 제조업 종류에 따른 참조 모델을 정교하게 구축하고 성공 사례를 축적하는 것이 더욱 중요하다. 과거 제너럴 일렉트릭(GE)이 산업 인터넷 플랫폼 ‘프레딕스(Predix)’를 거창하게 내세웠으나, 대상 고객의 실제 기대와 고민을 제대로 이해하지 못하고 현장 적용에 실패했던 사례는 이러한 접근 방식의 위험성을 시사한다.
둘째, 새롭게 부상하는 피지컬 AI 분야는 그 자체로 기회이자 위험 요소이다. 피지컬 AI를 위한 데이터는 기존 AI 학습 데이터와는 성격이 근본적으로 다르며, 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 고차원적인 특성을 요구한다. 이러한 복잡한 데이터를 다루기 위한 전문성과 기술력 확보는 피지컬 AI 분야의 첫 번째 난관이 될 것이다. 엔비디아의 옴니버스나 코스모스와 같은 디지털 트윈 및 피지컬 AI 학습 플랫폼의 중요성을 고려할 때, 국내 기술의 경쟁력을 냉철하게 평가하고, 필요하다면 외부 기술 도입을 포함한 전략적인 의사 결정이 필요하다.
셋째, 국내에 산재한 산업 인프라, 특히 산업단지(산단)의 특징을 기반으로 한 AI 고도화 과업을 명확히 정의하고, 팔란티어의 온톨로지 모델과 같은 복합적인 솔루션 검토가 필요하다. 또한, 산업 AX는 제조업 경쟁력 강화와 더불어 특화된 중소기업 및 스타트업 생태계 구축의 기회가 될 수 있다. 이를 위해 기업과 AI 전문기업 간의 적극적인 라운드테이블 운영을 통해 문제 공유 및 협업 방안을 모색하고, 우수 사례를 공유하는 장을 마련해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 ‘산업 AI 허브’를 구축하여 정보의 자유로운 흐름을 지원함으로써, 누구나 동종 업계의 타 사업장에서 AI 전환에 대한 정보를 얻고 실행할 수 있도록 해야 한다.
과거 성공적인 정책 프로그램을 계승하는 것도 중요하지만, 산업 AX는 아직 세계적으로도 본 궤도에 오르지 못한 분야이며, 각국의 제조 현장, 문화, 업무 방식의 차이로 인해 단일 모델이나 방법론이 만능이 될 수 없다. 팔란티어와 같이 단순히 솔루션과 플랫폼을 제공하는 것을 넘어, 현장에 투입되어 문제를 정의하고 효과 분석 및 데이터 확보 방안을 고객과 협의하는 ‘현장 밀착형’ 접근 방식이 필요하다. 산업 AX는 멋진 AI 엔지니어가 개발실에 머무는 것이 아니라, 현장 엔지니어 및 전문가와 함께 문제를 풀어가는 과정을 통해 성과가 창출된다. 두 문화 간의 간극과 소통의 어려움을 해소하고, 이를 원활하게 지원하는 것이 국가 과제 성공의 가장 중요한 출발점이 될 수 있다.
산업 AX는 다른 AI 과제들과 마찬가지로 국가적으로 중요한 목표를 지향하지만, 특히 대한민국의 경쟁력 기반을 재건한다는 점에서 반드시 성공 사례를 만들어야 한다. 이를 위해서는 끊임없는 피드백과 평가, 그리고 민첩한 개선이 필수적이며, 정책적으로도 이러한 기민성을 최대한 살려나가야 할 것이다.
About the Author
