대한민국이 인공지능(AI) 기술을 활용하여 제조업 경쟁력을 획기적으로 강화하려는 중대한 시점에 직면해 있다. 정부는 내년 예산을 약 728조 원 규모로 편성하며, 이 중 AI 3강 진입을 위한 예산을 올해보다 3배 증액한 10조 1000억 원으로 책정하는 등 AI 분야에 대한 강력한 의지를 표명했다. 특히 제조 경쟁력 강화를 위해 1조 1000억 원 규모의 예산을 투입하여 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등 구체적인 사업들을 추진한다. 이러한 정책은 국가의 미래 성장 동력을 확보하고 글로벌 경쟁력을 다시 세우겠다는 야심 찬 목표를 담고 있다.
그러나 이러한 막대한 예산 투입과 정책적 의지에도 불구하고, 실제 현장에서의 성공적인 실행을 위해서는 몇 가지 근본적인 문제점을 해결하고 신중한 접근이 필요하다. AI 팩토리 구축 목표인 2030년까지 500개 이상이라는 숫자에만 집중하기보다는, 다양한 규모와 제조업 종류에 따른 실질적인 참조 모델과 성공 사례를 만들어내는 것이 중요하다. 과거 제너럴 일렉트릭(GE)이 야심 차게 추진했던 프레딕스(Predix) 플랫폼이 대상 고객의 니즈를 제대로 파악하지 못하고 현장 적용에 실패했던 사례는 우리가 경계해야 할 부분이다. 단순히 멋진 기술이나 플랫폼 구축에만 매몰될 것이 아니라, 실제 현장의 문제 해결에 기여하는 실질적인 성과를 만들어내는 데 초점을 맞춰야 한다.
또한, 새롭게 떠오르는 피지컬 AI 분야는 큰 기회이면서 동시에 상당한 위험 요소를 안고 있다. 피지컬 AI 학습에 필요한 데이터는 기존 AI 학습 데이터와는 근본적으로 다르다. 여기에는 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 상호작용 및 에이전트 행동 데이터 등 기존과는 차원이 다른 복합적인 데이터 구성이 요구된다. 이러한 고품질의 데이터를 구축하고 활용하는 것은 피지컬 AI 분야에서 마주하게 될 가장 어려운 도전 과제 중 하나가 될 것이다. 엔비디아의 옴니버스와 코스모스와 같은 글로벌 선도 기업들의 디지털 트윈 및 피지컬 AI 학습 플랫폼 사례를 면밀히 분석하고, 우리가 자체적으로 이러한 플랫폼을 구축할 역량이 있는지, 아니면 외부 기술을 적극적으로 도입하여 활용할 것인지에 대한 신중한 의사 결정이 필요하다. 과거 국내에서 진행했던 디지털 트윈 과제들의 경쟁력을 냉철하게 재평가하고, 실패로부터 얻은 교훈을 바탕으로 나아가야 한다.
대한민국이 보유한 산업 단지라는 강력한 산업 인프라를 기반으로, 각 산업 단지의 특징에 맞는 AI 기반 고도화 과제를 명확히 정의하고 특화 모델을 개발해야 한다. 이를 위해 팔란티어의 온톨로지 모델과 같은 복합적인 솔루션 도입 검토도 병행해야 한다. 산업 AX는 제조업 경쟁력 강화와 더불어, 이 분야에 특화된 중소기업 및 스타트업 생태계를 구축할 수 있는 절호의 기회가 될 수 있다. 기업과 AI 전문 기업 간의 긴밀한 협력을 장려하고, 성공 사례와 기술 솔루션, 데이터를 공유할 수 있는 산업 AI 허브 구축을 통해 AI 전환에 대한 정보가 자유롭게 흐르도록 지원해야 한다.
산업 AX는 아직 어느 나라도 본 궤도에 오르지 못한 신영역이며, 각 나라의 제조 현장, 문화, 업무 방식이 다르기 때문에 단일한 모델이나 방법론으로는 해결하기 어렵다. 팔란티어와 같이 고객 현장에 직접 엔지니어를 파견하여 문제를 정의하고, 효과를 분석하며, 필요한 데이터를 확보하는 협력 모델을 참고할 필요가 있다. 즉, 산업 AX의 성공은 단순히 AI 엔지니어가 사내에서 개발하는 것이 아니라, 현장에 투입되어 현장 엔지니어 및 전문가와 함께 문제를 풀어가는 과정에서 나온다. 이러한 현장 중심의 협업 문화와 소통을 원활하게 지원하는 것이야말로 국가 과제를 성공적으로 추진하는 가장 중요한 출발점이 될 수 있다. 궁극적으로 산업 AX는 대한민국의 경쟁력 기반을 다시 세우는 중요한 국가적 과제이기에, 반드시 성공 사례를 만들어내고 끊임없는 피드백, 평가, 개선이라는 민첩한 프로세스를 정책적으로도 구현해야 할 것이다.
About the Author
