[AI 기반 산업 대전환①] “AI 기술 확보보다 중요한 건 구조 혁신”

최근 거대언어모델(LLM)이 인간의 언어를 이해하고 창조하는 수준까지 도달하면서 전 산업이 인공지능(AI)을 미래 성장의 핵심 동력으로 받아들이고 있다. 정부 역시 대규모 투자를 통해 국가 주도의 파운데이션 모델(FM)과 AI 인프라를 구축하며 ‘AI 강국’ 도약을 선언했다.

다만 현재의 AI 열풍은 새로운 전환의 갈림길에 서 있다. 이는 기술의 발전 속도에 비해 실제 산업 현장의 변화는 더디기 때문이다. 아무리 성능이 뛰어난 AI라도 산업 현장에 스며들지 못하면 혁신은 일어나지 않는다. 실제로 국내외 많은 기업이 AI를 도입했지만 생산성 향상이나 구조적 혁신으로 이어지지 못한다고 토로한다.

이런 상황에서 전문가들은 “FM 이후의 혁신은 기술이 아니라 구조에 달려 있다”고 입을 모은다. 단순히 AI 모델을 만드는 단계를 넘어 실제 산업 생태계 안에서 순환하고 작동하는 체계를 갖추는 것이 핵심이라는 의미다.

이에 테크월드는 ‘AI기반 산업 대전환, 산업용 AI와 AX’를 주제로 좌담회를 열고 FM 이후 산업 전환의 병목 요인과 이를 해소하기 위한 산업·정책적 과제를 논의했다. 참석자들은 공통적으로 “기술 경쟁의 다음 단계는 구조 혁신”이라고 강조하며 데이터·인재·조직의 변화를 아우르는 산업 AI 전환 전략을 제시했다.

참가자(가나다순)

▲강필성 서울대 산업공학과 교수 ▲김현배 딥파인 대표 ▲박찬진 서울AI허브센터장(좌장) ▲이일구 도슨티 대표 ▲이준수 라이너 엔지니어 리드 ▲이현동 슈퍼브에이아이 부대표

(중략)

이현동 부대표: 근본적인 병목은 AI 모델의 성능이 아니라 현장 지식과 데이터의 구조화 능력에 있다. FM은 광범위한 지식을 갖췄지만 산업 현장의 복잡하고 미묘한 지식(도메인 특화 용어, 객체 간 미세한 관계, 불량 유형 분류체계 등)을 이해하고 활용할 수 있는 ‘데이터 기반 지식 체계(Ontology)’가 부재하다. 온톨로지가 없기 때문에 데이터 품질 관리가 어렵고 AI 모델의 현장 적응력이 떨어진다.

병목을 해결하기 위해서는 AI 개발의 패러다임을 ‘모델 중심’에서 ‘데이터 중심 지식 구조화’로 전환해야 한다. 현장 전문가의 암묵지(Tacit Knowledge)를 온톨로지 기반의 명시적 지식으로 변환하고 이 구조를 AI 학습 데이터에 반영하는 플랫폼을 도입해야 한다. 산업별로 AI 학습에 최적화된 ‘데이터 온톨로지 및 품질 표준’을 시급히 제정하고 이 표준 준수를 지원·인센티브화해야 한다.

AI 시스템은 구성원의 ‘일하는 방식’을 근본적으로 바꾸고 그 변화가 ‘조직 목표(KPI)’와 연결될 때만 내재화될 수 있다. 데이터를 수동으로 처리하던 인력들을 ‘도메인 지식을 온톨로지로 구조화하고 AI 모델을 개선하는 Data Curator’로 역할을 재정의해야 한다. KPI를 데이터 준비 시간 단축률, 불량 감소 기여도 등으로 구체화해 평가에 반영함으로써 구성원들이 AI 시스템을 ‘업무 부하’가 아닌 ‘성과 향상의 기회’로 인식하게 해야 한다.