정부가 내년 예산 728조 원 편성안에서 AI 3강 진입을 위해 올해보다 3배 늘어난 10조 1000억 원을 투입하며 AI 분야에 대한 강력한 의지를 드러냈다. 특히 제조 경쟁력 강화를 위한 1조 1000억 원 규모의 예산은 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등에 집중될 전망이다. 이는 산업, 특히 제조 분야의 경쟁력을 AI 기술로 강화하려는 정부의 의지가 담긴 중요한 국가 전략의 일환으로 풀이된다. 하지만 이러한 정책이 실효성을 거두기 위해서는 단순히 양적 목표 달성에 치중하는 것을 넘어, 현장의 복잡한 문제를 이해하고 해결하는 ‘기민한’ 접근이 요구된다.
정부는 2030년까지 AI 팩토리를 500개 이상 구축하겠다는 목표를 제시했다. 그러나 단순한 숫자 달성에만 집중하기보다는, 다양한 규모와 제조업의 특성에 맞는 참조 모델을 구축하고 이를 바탕으로 한 성공 사례를 만드는 것이 무엇보다 중요하다. 과거 제너럴 일렉트릭(GE)이 야심 차게 내세웠던 프레딕스(Predix) 플랫폼이 대상 고객의 니즈를 제대로 파악하지 못한 채 기술 구현에만 치중하다 실패했던 사례를 잊지 말아야 한다. 이는 기술 자체의 우수성만큼이나 현장 적용 가능성과 사용자 이해가 필수적임을 시사한다.
새롭게 주목받는 피지컬 AI 분야 역시 기회이자 위험 요소이다. 피지컬 AI를 위한 데이터는 기존 AI 학습 데이터와는 차원이 다르다. 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 새로운 특성을 지닌 데이터 구성이 필요하며, 이는 피지컬 AI 분야가 마주한 매우 어려운 도전 과제이다. 엔비디아의 옴니버스와 코스모스 플랫폼이 디지털 트윈과 피지컬 AI 학습 플랫폼으로서 중요성을 보여주듯, 우리 역시 자체 플랫폼 구축 역량을 갖추거나 선진 기술 도입 방안을 신중하게 검토해야 한다. 과거 진행했던 디지털 트윈 과제들의 성과를 냉철하게 되짚어보고, 어떤 교훈을 얻었는지 성찰하는 과정이 필요하다.
풍부한 산업 인프라를 갖춘 국내 상황을 고려할 때, 산업 단지(산단)의 특징에 기반한 AI 고도화 과제를 명확히 정의하고 특화 모델을 고민해야 한다. 더불어 팔란티어의 온톨로지 모델과 같은 복합적 솔루션 검토도 필요하다. 산업 AX는 제조업 경쟁력 강화와 더불어 특화된 중소기업 및 스타트업 생태계 구축의 기회가 될 수 있다. 이를 위해 기업과 AI 전문기업 간의 라운드테이블을 마련하여 문제 공유와 협업 방안을 모색하고, 우수 사례를 적극적으로 공유해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 산업 AI 허브를 구축하여 AI 전환에 대한 정보가 자유롭게 유통되도록 지원해야 한다.
기존 성공 프로그램의 계승도 중요하지만, 산업 AX는 아직 어느 나라도 본 궤도에 오르지 못한 영역이며 각국의 제조 현장, 문화, 업무 방식이 다르기에 단일 모델이나 방법론이 모두에게 적용될 수는 없다. 팔란티어처럼 고객 현장에 직접 투입되어 문제를 정의하고, 효과 분석 및 데이터 확보 방안을 협의하는 방식이 필요하다. 산업 AX는 단순히 AI 엔지니어가 내부에서 개발하는 것을 넘어, 현장 엔지니어 및 전문가와 함께 과제를 풀어가는 과정에서 성과가 나온다. 두 문화 간의 간극과 소통 문제를 원활하게 지원하는 것이 국가 과제의 성공적인 추진을 위한 가장 중요한 출발점이 될 수 있다.
다른 AI 과제들 역시 중요하지만, 산업 AX는 우리나라의 경쟁력 기반을 재건하는 핵심 과제이기에 반드시 성공 사례를 만들어야 한다. 이를 위해서는 끊임없는 피드백과 평가, 그리고 민첩한 개선이 이루어져야 하며, 정책적으로도 이러한 기민성을 살리는 것이 필수적이다.
About the Author
