대한민국 제조업 경쟁력 강화를 목표로 정부가 야심 찬 AI 기반 산업 AX(Access Transformation) 전환 정책을 추진하고 있지만, 실효성 있는 성공을 위해서는 해결해야 할 근본적인 문제점들이 산적해 있다. 특히, 2025년 예산 규모 728조 원 중 AI 3강 진입을 위한 10조 1000억 원, 그중에서도 제조 경쟁력 강화에 1조 1000억 원을 투입하는 정책은 AI 팩토리, 피지컬 AI, 휴머노이드, 온 디바이스 AI 개발 등 구체적인 사업들을 포함하며 AI 분야에 대한 정부의 강한 의지를 보여준다. 그러나 이러한 정책이 성공적으로 안착하기 위해서는 과거의 실패 사례를 반면교사 삼아 구체적인 접근 방식에 대한 신중한 검토가 필요하다.
정부는 2030년까지 AI 팩토리 500개 이상 구축을 목표로 하고 있으나, 단순히 숫자 달성에 집착하기보다는 규모와 제조업의 종류에 따른 다양한 참조 모델 개발과 성공 사례 축적에 집중해야 한다. 과거 제너럴 일렉트릭(GE)이 프레딕스(Predix) 플랫폼을 거창하게 내세웠지만, 대상 고객의 기대와 현장의 실제 고민을 제대로 이해하지 못해 실패한 사례는 우리에게 중요한 교훈을 남긴다. 이는 화려한 기술이나 플랫폼 구축만으로는 현장 적용에 실패할 수 있음을 시사한다.
또한, 피지컬 AI 분야는 이제 막 관심을 받기 시작한 새로운 화두로서 기회인 동시에 위험 요소로 작용할 수 있다. 피지컬 AI를 위한 데이터는 기존 AI 학습 데이터와는 성격이 완전히 다르며, 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 고도로 복잡하고 특화된 데이터 구성이 필수적이다. 이는 피지컬 AI 분야에서 맨 처음 만나게 될 매우 어려운 도전 과제이다. 엔비디아의 옴니버스와 코스모스와 같은 디지털 트윈 및 피지컬 AI 학습 플랫폼의 중요성이 대두되는 가운데, 국내 자체 플랫폼 구축 여부 혹은 선진 기술 도입 활용 여부에 대한 신중한 의사 결정이 요구된다. 과거 국내에서 진행된 디지털 트윈 과제들의 경쟁력을 냉철하게 되짚어보고, 만약 부족했다면 어떠한 교훈을 얻었는지 성찰해야 한다.
우리에게는 산업단지라는 강력한 산업 인프라가 존재하며, 이를 기반으로 고도화하려는 과업을 명확히 정의하고 특화된 모델을 고민해야 한다. 팔란티어의 온톨로지 모델과 같은 복합적 솔루션 검토도 함께 이루어져야 할 것이다. 산업 AX는 제조업 경쟁력 강화라는 목적과 함께, 이 분야에 특화된 중소기업 및 스타트업 생태계를 구축할 수 있는 좋은 기회이다. 기업과 AI 전문기업 간의 라운드테이블을 마련하여 문제 공유와 협업 방안을 모색하고, 우수 사례를 공유하는 시스템을 구축해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 산업 AI 허브를 구축하여, 누구나 동종 업종의 다른 사업장에서 AI 전환 성공 사례와 정보를 자유롭게 얻을 수 있도록 해야 한다.
이처럼 산업 AX 전환은 아직 어느 나라도 본 궤도에 오르지 못한 영역이며, 각 나라의 제조 현장과 문화, 업무 방식이 다르므로 하나의 모델이나 방법론이 모두에게 적용될 수는 없다. 팔란티어와 같이 고객사에 단순한 솔루션과 플랫폼 제공을 넘어, 본사 엔지니어들이 현장에 직접 투입되어 문제를 정의하고 효과 분석 및 데이터 확보 방안을 협의하는 방식이 필요하다. 산업 AX는 멋진 AI 엔지니어가 회사 내에서 개발하는 것이 아니라, 현장에 투입되어 현장 엔지니어 및 전문가와 함께 문제를 풀어가는 과제를 통해 성과가 창출된다. 이 두 문화 간의 간극과 소통 문제를 원활하게 돕는 것이 국가 과제 성공의 가장 중요한 출발점이 될 수 있다.
다른 AI 과제들도 국가적으로 중요하지만, 산업 AX는 대한민국의 경쟁력 기반을 다시 세우는 핵심적인 사안이다. 따라서 반드시 성공 사례를 만들어내고, 끊임없는 피드백과 평가, 그리고 민첩한 개선이 이루어져야 한다. 이를 위해 정책적인 측면에서도 이러한 기민성을 적극적으로 살려나가야 할 것이다.
About the Author
