최근 정부가 발표한 내년도 예산안에서 인공지능(AI) 분야에 대한 집중적인 투자가 예고된 가운데, 특히 제조업 경쟁력 강화를 위한 AI 기술 도입이 시급한 과제로 떠오르고 있다. 올해보다 3배 증가한 10조 1000억 원 규모의 AI 예산 중 1조 1000억 원이 제조 경쟁력 강화를 위해 투입될 예정이며, 이는 AI 팩토리 선도 프로젝트, 피지컬 AI 개발, 휴머노이드 개발, 온 디바이스 AI 개발 등을 포함한다. 그러나 이러한 막대한 예산 투입에도 불구하고, 실제 산업 현장에서 AI 기술이 성공적으로 안착하기 위해서는 해결해야 할 근본적인 문제점들이 산적해 있다.
문제는 기존의 산업 경쟁력 기반이 약화되고 있다는 점이다. AI 기술을 활용하여 제조 경쟁력을 강화하고 이를 위한 기반 기술 및 응용 분야에 집중하는 것은 현 상황에서 무엇보다 중요한 국가적 어젠다가 되어야 한다. 정부는 대한민국 미래 성장 전략의 일환으로 예산과 국정과제 전반에 이러한 기조를 심고 있지만, 정책의 실효성을 높이기 위해서는 보다 구체적이고 현실적인 접근이 필요하다.
구체적인 해결책으로, 정부는 2030년까지 500개 이상의 AI 팩토리를 구축하겠다는 목표를 제시했다. 하지만 단순히 숫자 채우기에 급급하기보다는, 다양한 규모와 제조업 종류에 따른 참조 모델을 정교하게 개발하고 실제 성공 사례를 만들어내는 데 집중해야 한다. 과거 제너럴 일렉트릭(GE)이 ‘프레딕스’ 플랫폼을 야심 차게 선보였으나, 대상 고객의 실제 고민을 제대로 이해하지 못하고 기술 구현에만 몰두했던 실패 사례를 잊어서는 안 된다. 현장 적용 실패는 곧 막대한 자원의 낭비로 이어질 수 있다.
또한, 피지컬 AI 분야는 현재 새롭게 떠오르는 화두이지만, 동시에 위험 요소도 안고 있다. 피지컬 AI 학습을 위한 데이터는 기존 AI 학습 데이터와는 성격이 근본적으로 다르다. 인과 관계 및 추론 메타데이터, 다양한 맥락과 비정형적 상황 데이터, 시공간적 일관성 및 멀티모달 통합, 그리고 상호작용 및 에이전트 행동 데이터 등 새롭고 복잡한 특성을 갖춘 데이터 구성이 필수적이며, 이는 피지컬 AI 분야에서 가장 먼저 마주하게 될 매우 어려운 도전 과제이다. 엔비디아의 옴니버스와 코스모스 같은 플랫폼이 보여주듯, 디지털 트윈과 피지컬 AI 학습 플랫폼의 중요성이 부각되는 상황에서, 국내 기술 수준을 냉철하게 평가하고 필요한 경우 과감하게 선진 기술을 도입하는 의사 결정도 중요하다.
산업 단지라는 강력한 산업 인프라를 활용하여, 산단 특성에 기반한 AI 고도화 과업을 명확히 정의하고 특화된 모델을 개발해야 한다. 팔란티어의 온톨로지 모델과 같은 복합적인 솔루션 검토도 병행되어야 한다. 산업 AX는 제조업 경쟁력 강화뿐만 아니라, 이 분야에 특화된 중소기업 및 스타트업 생태계를 구축할 수 있는 절호의 기회이다. 이를 위해 기업과 AI 전문기업 간의 라운드테이블을 활성화하여 문제를 공유하고 협력 방안을 모색하며, 우수 사례를 적극적으로 공유할 수 있도록 지원해야 한다. 정부는 산업 AX 모범 사례와 기술 솔루션, 데이터를 개방하는 산업 AI 허브를 구축하여, 동일 업종의 다른 사업장에서 AI 전환에 대한 정보를 자유롭게 얻을 수 있도록 해야 한다.
기존 성공 프로그램의 성과를 계승하는 것도 중요하지만, 산업 AX는 아직 어느 나라도 완전한 궤도에 오르지 못한 영역이다. 각국의 제조 현장, 문화, 업무 방식이 다르기에 하나의 모델이나 방법론이 모두에게 적용될 수는 없다. 팔란티어가 고객 현장에 직접 투입되어 문제를 정의하고 해결책을 함께 찾는 것처럼, 산업 AX 역시 현장 엔지니어나 전문가와 함께 과제를 풀어가는 과정을 통해 성과가 창출된다. 두 문화 간의 간극을 좁히고 원활한 협업과 소통을 지원하는 것이 국가 과제 성공의 핵심 출발점이 될 수 있다.
모든 AI 과제가 국가적으로 중요하지만, 산업 AX는 대한민국의 경쟁력 기반을 근본적으로 재정립하는 사업이다. 따라서 반드시 성공 사례를 만들어내고, 끊임없는 피드백과 평가, 그리고 민첩한 개선이 이루어져야 한다. 정책 추진 과정에서도 이러한 기민성을 확보하는 것이 성공적인 산업 AX 실현의 열쇠가 될 것이다.
답글 남기기