트렌드에서 얻은 것 No. 33   ‘뭐든 척척’ − 그리고 숨은 간극 요즘 주변의 엔지니어와 동료를 만나 AI 이야기를 꺼내면 반응이 한결같이 밝다. 설계 검토를 거들고, 반복적인 코드를 대신 짜 주고, 장문의 보고서까지 매끄럽게 뽑아 주니 “뭐든 척척 해낸다”며 만족스러워한다. 실제로 손에 익혀 본 사람일수록 호의적이다. 그리고 이 체감은 결코 과장이 아니다. 일하는 방식이 눈에 띄게 가벼워졌다는 증언은 이제 도처에서 들린다. 데이터도 이를 뒷받침한다. 맥킨지(McKinsey)의 ‘2025 AI 현황(State of AI)’ 조사에서 기업의 88%가 이미 AI를 쓰고 있다고 답했다. AI는 더 이상 실험이 아니라 일상이 됐다. 다만 한 꺼풀 더 들어가면 흥미로운 간극이 보인다. 같은 조사에서 AI로 전사 영업이익(EBIT)에 5% 이상 기여한 ‘고성과 기업’은 6%에 그쳤고, MIT의 ‘GenAI Divide’ 보고서는 전 세계가 생성형 AI에 300~400억 달러를 쏟아부었음에도 파일럿의 95%가 손익을 측정할 만한 성과를 내지 못했다고 진단했다. 개인의 만족은 분명한 사실인데, 그 만족이 아직 조직 전체의 성과로는 충분히 번지지 못한 셈이다. 그렇다면 이 ‘척척 해내는’ 개인의 경험을, 어떻게 조직의 성과로 키울 수 있을까. 기업 현장의 AI 활용을 영역별로 따라가 본다.   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   AI 비서(코파일럿) : 만족이 시작되는 곳 대부분의 만족은 ‘AI 비서’에서 출발한다. 메일 초안, 회의록 요약, 번역, 규격 문서 검색, 매크로·코드 작성, 보고서 정리까지 대화 몇 번이면 결과물이 나온다. 사무용 협업 도구와 개발 환경에 비서가 기본 탑재되면서, 개인의 생산성 향상은 누구나 체감하는 현실이 됐다. 지인들이 “뭐든 척척”이라고 말하는 바로 그 지점이다. 이 효용은 진짜이고, AI 여정의 소중한 출발점이다. 여기서 한 걸음 더 나아갈 여지도 분명하다. MIT가 짚었듯, 범용 비서는 개인의 생산성은 확실히 높이지만 조직 전체의 워크플로까지 바꾸지는 못한다. 그래서 ‘AI를 쓴다’고 답한 88% 가운데 다수가 이 단계의 만족에 머문다. 비서는 훌륭한 시작점이며, 다음 단계는 이 개인의 성과를 팀과 공정의 성과로 잇는 일이다.   AI, 기업 속으로 파고들다 − 프리미엄 구독과 ‘섀도 AI’ 흥미로운 변화는 위에서 내려오는 도입만이 아니라, 아래에서 올라오는 침투에서 일어나고 있다. 직원들이 회사의 공식 승인과 무관하게, 개인 프리미엄 구독으로 일상 업무에 AI를 끌어다 쓰는 흐름이다. 예컨대 클로드(Claude)의 상위 요금제인 맥스(Max)는 월 100달러(5배)~200달러(20배) 수준으로, 표준 프로(Pro) 요금제 대비 사용량을 크게 늘리고 코딩 도구(Claude Code)까지 온전히 열어준다. 하루 4~5시간씩 복잡한 업무에 AI를 붙들고 사는 지식근로자·개발자·분석가를 겨냥한 요금제다. 이런 고사용 구독을 개인이 직접 결제해, 문서 작성부터 코드·분석까지 ‘하루 종일 쓰는 주력 도구’로 삼는 사람이 빠르게 늘고 있다. 그만큼 효용을 강하게 체감한다는 방증이다. 문제는 이 사용의 상당수가 회사의 레이더망 밖에서 일어난다는 점이다. MIT 조사에 따르면, 직원들이 개인 챗봇 계정을 업무에 쓰는 기업이 90%를 넘는 반면, 회사 차원의 공식 LLM 구독을 갖춘 곳은 40%에 그쳤다. 공식 도입이 정체된 사이, ‘섀도 AI(shadow AI)’ 경제가 음지에서 번창하고 있는 셈이다. 한 보고서는 지식근로자의 71%가 여전히 IT 승인 없이 AI 도구를 쓴다고 집계했다. 이에 대한 기업의 대응은 크게 갈린다. 한쪽은 보안을 이유로 외부 AI를 차단한다. 분기 보고서를 요약하려고 마진 데이터를 외부 챗봇에 붙여 넣는 식의 정보 유출이 실제로 벌어지고, 섀도 AI가 관련된 유출 사고는 건당 평균 약 67만 달러의 추가 비용을 낳는다는 조사도 있다. 우려는 정당하다. 그러나 차단이 곧 사용 중단으로 이어지지는 않는다. 한 도구를 막으면 직원들은 다른 도구로 옮겨갈 뿐이고, 차단은 기업이 얻을 수 있는 AI 가치의 상당 부분까지 함께 버리는 결과가 된다. 그래서 다른 한쪽, 그리고 점점 더 많은 기업은 ‘막기’가 아니라 ‘잘 쓰게 하기’로 방향을 튼다. 승인된 안전한 도구(팀·엔터프라이즈 요금제, 거버넌스가 적용된 사내 환경)를 적극적으로 제공해 직원의 만족과 생산성을 동시에 끌어올리는 것이다. 실제로 한 의료 기관은 승인된 AI 도구를 제공한 뒤 비승인 사용이 89% 줄고, 임상의 1인당 하루 32분을 절약했다고 보고했다. 요컨대 AI는 이미 기업 안으로 깊숙이 들어와 있고, 관건은 그것을 음지에 둘 것인가, 양지로 끌어내 성과로 전환할 것인가다.   로컬 LLM과 주권 AI : 데이터를 안에 두기 물론 ‘잘 쓰게 하기’의 출발점은 보안이다. 사내 정보가 외부 서비스로 흘러가는 것에 대한 우려가 크다. 국내 조사에서도 AI 도입을 가로막는 가장 큰 이유로 ‘정보 유출 우려(41.9%)’가 꼽혔다. 그 결과, 모델과 데이터를 자사 통제 영역 안에 두려는 흐름이 뚜렷해졌다. 핵심 키워드는 ‘로컬 LLM’과 ‘주권 AI(sovereign AI)’다. 거대 범용 모델 대신, 규모는 작지만 특정 도메인에 맞춘 소형 언어 모델(sLLM)을 온프레미스나 사설 클라우드에 올려 민감 데이터가 회사 울타리를 벗어나지 않게 하는 방식이다. 한 조사에서는 데이터 주권을 추구하는 기업의 약 67%가 이미 어떤 형태로든 사설 AI 인프라로 옮겨갔다고 한다. 국내에서도 보안 민감도가 높은 제조·금융 대기업이 외부 서비스 대신 자체 모델(예컨대 삼성전자의 ‘가우스’)과 ‘사내 GPT’를 구축하는 배경이 여기에 있다. 이렇게 안전한 사내 환경이 갖춰지면, 직원들은 마음 놓고 더 적극적으로 AI를 쓸 수 있게 된다. 그리고 보안이 사실상 전부인 일부 영역에서는, 이 로컬·온프레미스 전략이 ‘트렌드’가 아니라 ‘유일한 선택지’가 된다. 대표적인 곳이 국방과 규제 산업이다.   시나리오 중심의 구축 : 국방과 규제 산업 이들 영역의 키워드는 ‘에어갭(air-gap, 폐쇄망)’이다. 시스템이 런타임에 필요로 하는 모든 것—모델, 토크나이저, 검색 엔진—을 경계 안에 미리 갖춰 두고, 외부 API 호출과 클라우드 의존을 0으로 만드는 구조다. 오픈웨이트 모델(라마·미스트랄·큐원 등)을 자체 GPU 클러스터에 올려, 토큰 생성이 단 한 번도 경계를 벗어나지 않게 한다. 여기서 AI는 비서에 그치지 않고, ‘시나리오에 맞춰 짓는’ 대상이 된다.   국방 해외에서는 미 로스앨러모스 국립연구소가 2025년 초, 핵·방산 관련 통제정보(CUI·ITAR)를 다루기 위해 클라우드 대신 LLM 자체 호스팅이라는 ‘더 어려운 길’을 택했다. 미 육군은 로컬에서 호스팅하는 보안 LLM에 접근하는 ‘엔터프라이즈 LLM 워크스페이스’를 배치했고, 이를 군사 영향등급 IL5에서 기밀 작전용 IL6로 확장하고 있다. 데이터 유출 우려 때문에 육군이 타군의 AI 프로그램을 자기 망에서 차단한 일까지 있었을 만큼, 보안 민감도는 절대적이다. 국내도 빠르게 움직인다. 방위사업청은 방위력 개선사업 관련 법령·규정·용어를 학습시켜 내부망에서 문서 요약·초안 작성·특화 번역을 제공하는 생성형 AI 서비스 구축을 추진 중이다. 1단계로 내부 포털에 ‘AI 비서’를 얹고, 2단계에서 사업보고서 초안 생성·현황 분석까지 수행하는 단계적 구상이다. 국방통합데이터센터(DIDC)는 국방 생성형 AI 운영을 위한 GPU 서버 구축을 진행하고, 국내 클라우드 기업은 국방 AI 전환 전담 조직을 신설해 정찰· 감시 영상 분석, 작전 교신 분석 등 군사 데이터를 통합하는 ‘한국형 국방 AI 플랫폼’ 구축에 나섰다. 특히 보안 기관에 엔지니어가 상주하며 현장 시나리오에 맞춰 시스템을 직접 설계·운영하는 ‘전방 배치 엔지니어(FDE)’ 방식까지 등장했다. 그 바탕에는 병력 감소라는 구조적 압박—적은 인력으로 더 많은 일을 해야 한다는 현실—이 있다.   규제 산업 제약(GxP 하의 배치 이력·공정 레시피), 금융(FINRA·SEC 규제), 의료(환자정보 PHI), 그리고 전력·플랜트 같은 중요 인프라와 OT(운영기술) 환경도 같은 길을 걷는다. 이들에게 에어갭은 ‘기능’이 아니라, 규제·감사·국가안보를 동시에 만족시키는 ‘유일한 컴플라이언스 자세’다. 이런 환경의 AI 에이전트는 범용이 아니라 임무 특화로 지어진다. 폐쇄망 안에서 기밀 문서 분석·정보 요약을 수행하고, 공장에서는 인터넷 없이 예지보전·비전 검사·에이전틱 워크플로를 돌린다. 공정 레시피도, 환자 정보도, 공급사 IP도 시설 밖으로 한 줄도 나가지 않는다. 핵심은 ‘범용’이 아니라 ‘시나리오’다. 작전·공정·규제라는 구체적 맥락에 맞춰, 모델과 에이전트를 그 경계 안에서 설계하고 길들인다.   사내 정보 학습과 엔지니어링 지식센터(RAG) 모델을 안으로 들였다면, 다음은 ‘우리 지식을 먹이는 일’이다. 핵심 기술이 RAG(검색 증강 생성)다. 사양서·도면·작업표준·장애 이력·회의록처럼 흩어진 사내 문서를 색인하고, AI가 답을 만들 때 그 근거를 실시간으로 끌어오게 하는 구조다. 이렇게 하면 환각(hallucination)을 크게 줄이고 ‘우리 회사 맥락’에 맞는 답을 얻을 수 있다. 엔지니어링 관점에서 이는 곧 ‘엔지니어링 지식센터’의 구축으로 이어진다. 베테랑의 머릿속과 개인 폴더에 흩어져 있던 설계 노하우·실패 사례·검토 기준을, 질문하면 출처와 함께 답하는 살아있는 지식 베이스로 바꾸는 것이다. 신입도 베테랑의 경험을 즉시 꺼내 쓸 수 있게 되니, ‘척척 해내는’ 경험이 개인을 넘어 조직 전체로 확장된다. 실제로 한 유럽 은행은 RAG 기반으로 감사·컴플라이언스 업무를 자동화해 3년간 약 2천만 유로를 절감하고 36명분의 업무 시간을 돌려받았다고 보고했다. 다만 전제가 있다. RAG의 답은 먹인 데이터의 품질을 넘지 못한다. 사내 문서가 정돈돼 있지 않고 표준이 없으면, 지식센터는 ‘쓰레기를 빠르게 찾아 주는’ 시스템이 될 뿐이다. 8개월 전에 폐기된 규정을 자신 있게 답하는 AI는 모델의 문제가 아니라 데이터·구조의 문제다. 접근권한 통제와 최신성 관리도 필수다.   실행하는 에이전트 : 인사·재무·엔지니어링 가장 앞선 활용은 ‘실행하는 에이전트’다. 질문에 답하는 비서를 넘어, 여러 시스템을 넘나들며 다단계 업무를 스스로 수행한다. 가트너(Gartner)는 2025년 5% 미만이던 ‘업무 특화 에이전트 내장 애플리케이션’이 2026년 말 약 40%까지 늘 것으로 내다봤다. 부서별로 보면 현주소가 좀 더 구체적으로 잡힌다. 인사(HR) : 이력서 스크리닝, 면접 일정 조율, 입사 온보딩 오케스트레이션, 휴가·급여·복리후생 문의 응대 등 정형·반복 업무를 메신저 안에서 처리해, HR 인력을 채용 전략·조직문화 같은 고부가 업무로 돌린다. 재무(finance) : 인보이스-발주서 자동 대사(matching), 비용 승인 흐름, 이상 거래·부정 징후 탐지, ERP 연계 결제 처리. 한 글로벌 투자은행은 450개 이상의 AI 활용 사례를 매일 운영하고, 한 결제 서비스 기업은 단일 고객상담 에이전트로 850여 명분의 업무량을 처리했다고 밝혔다. 엔지니어링 : 현장 엔지니어들이 가장 높은 만족을 표하는 영역이기도 하다. 설계 검토 보조, 생성형 설계(generative design), 코드 자동화, 사내 지식 검색이 일상에 녹아든다. 맥킨지의 조사에서도 에이전트 도입 선도 분야로 IT·지식 관리와 함께 ‘엔지니어링’이 꼽혔고, 소프트웨어·IT 영역에서는 10~20%의 비용 절감이 보고된다. 공통점은 분명하다. 좁고, 반복적이며, 오류 비용이 관리 가능한 업무에서 에이전트는 빛난다. 반대로 과제가 열려 있고 판단의 무게가 클수록, 사람의 검증(human-in-the-loop)은 여전히 필수다.   벤더는 어떻게 대응하나 − PLM·ERP·SaaS의 공통 행보 그렇다면 설루션 벤더들은 이 흐름에 어떻게 대응하고 있을까. 특정 회사를 떠나, PLM·ERP·SaaS 진영 전반에서 관찰되는 공통점은 세 가지다. 첫째, ‘기록의 시스템’에서 ‘실행의 시스템’으로의 전환이다. 과거 데이터를 저장·조회하던 플랫폼들이, 이제 자연어 비서와 에이전트를 기본 기능으로 내장해 사용자가 시스템 안에서 직접 일을 처리하게 만든다. PLM은 BOM·도면 탐색 비서를, ERP는 구매·인사·재무 워크플로 에이전트를, SaaS는 자사 데이터 위에서 동작하는 코파일럿을 전면에 내세운다. 둘째, 보안과 주권을 전제로 한 배치다. 거대 파운데이션 모델을 활용하되, 전용 인스턴스·온프레미스·지역별 데이터 처리 옵션을 제공해 규제와 데이터 주권 요구를 흡수하려 한다. 앞서 본 ‘로컬 LLM’ 수요에 벤더가 응답하는 방식이다. 셋째, ‘담장 안의 지능’이라는 한계다. 어느 벤더든 AI는 결국 자사 플랫폼이 관리하는 데이터 안에서만 똑똑하다. PLM의 AI는 PLM 데이터를, ERP의 AI는 ERP 데이터를 본다. 정작 제품 개발 의 진짜 병목인 PLM−ERP−MES-품질을 가로지르는 단절은 아직 어느 벤더의 AI도 풀어 주지 못한다. ‘에이전트 네이티브’로 시스템을 재설계하기보다, 기존 시스템에 비서를 끼워 넣는 단계에 머 물러 있는 셈이다.   맺음말 − 만족을 성과로 기업의 AI 활용을 비서 → 기업 속으로의 침투 → 로컬화 → 시나리오별 구축 → 지식 학습 → 에이전트로 늘어놓고 보면, 정작 중요한 질문이 떠오른다. “우리 조직은 지금 어느 지점에 있는가?” 분명한 것은, AI가 이미 많은 이들에게 ‘뭐든 척척 해내는’ 든든한 동료가 되었다는 사실이다. 설계도, 보고서도, 코드도 거뜬히 거들어 주니 현장의 만족이 높을 수밖에 없다. 그 만족은 진짜이고, 변화의 가장 강력한 연료다. 다만 88%와 6%를 가른 결정적 차이는 도구의 보유가 아니라 ‘워크플로의 재설계’였다. 개인이 느끼는 만족을 조직의 성과로 키우려면, 그 만족 위에 정돈된 데이터와 다시 짠 일의 흐름을 얹어야 한다. 국방과 규제 산업이 보여주듯, 가장 큰 성과는 막연한 범용이 아니라 구체적 시나리오 위에서 만들어진다. 그래서 좋은 소식은, 이미 AI의 효용을 몸으로 느낀 사람들이야말로 다음 단계로 갈 준비가 가장 잘 되어 있다는 점이다. 도입은 쉽고 전환은 어렵지만, ‘척척’의 경험을 가진 현장이 그 어려운 길을 가장 앞서 갈 수 있다. 그리고 그 끝에, 6%의 자리가 있다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

슈나이더 일렉트릭 코리아는 AI 데이터센터 전문 기업 에노바와 데이터센터 구축 협력을 위한 업무협약(MOU)을 체결했다고 밝혔다. 이번 협력은 생성형 AI와 고성능 컴퓨팅(HPC) 수요가 급증하면서 데이터센터의 전력 소비와 발열 문제가 중요한 과제로 떠오른 데 따른 것이다. 최신 AI 서버는 높은 전력 밀도와 냉각 성능을 요구하고 있어 리퀴드쿨링 기반의 차세대 데이터센터 인프라에 대한 관심이 커지고 있다. 양사는 각자의 전문성과 기술 역량을 바탕으로 AI 워크로드에 최적화된 고효율 인프라를 구축하기로 했다. ‘ENOVA AIDC’ 신축 사업의 인프라 구축을 위한 제반 협력을 비롯해 전력, 냉각, 관리 소프트웨어 등 통합 설루션 적용을 공동 추진한다. 고집적 AI 서버 환경에 대응하기 위한 최신 인프라 트렌드 공유와 적용도 계획에 포함됐다. 슈나이더 일렉트릭 코리아는 AI 데이터센터 구축에 필요한 전력, 배전, 냉각 등 핵심 인프라 전반에 대한 설계 컨설팅과 최적화 방안을 제공할 예정이다. 리퀴드쿨링 시스템과 관련 핵심 장비 공급 협력을 통해 데이터센터의 에너지 효율성과 냉각 성능 향상을 지원한다는 방침이다. 특히 슈나이더 일렉트릭 코리아는 자사의 모듈형 데이터센터 설루션인 프리팹 설루션을 기반으로 빠르고 효율적인 AI 데이터센터 구축을 지원할 계획이다. 프리팹 설루션은 전력, IT, 냉각 설비를 모듈 형태로 사전 제작하고 통합한 데이터센터 구축 방식이다. 기존 건축 방식과 비교해 구축 기간과 현장 작업을 크게 줄일 수 있는 것이 특징이다. 공장 내 사전 통합 테스트를 통해 품질과 신뢰성을 높일 수 있으며, 단계적인 증설이 가능해 중소형 데이터센터부터 AI 인프라 구축 프로젝트까지 유연하게 적용할 수 있다. 슈나이더 일렉트릭 코리아는 이를 통해 구축 기간 단축과 비용 절감, 운영 효율성 향상이 가능하다고 설명했다. 이외에도 에너지 관리 및 데이터센터 운영 소프트웨어를 기반으로 전력 사용 현황과 설비 상태를 실시간으로 모니터링하고 운영 효율을 최적화할 수 있는 디지털 환경 구축을 지원한다. 글로벌 프로젝트 수행 경험과 파트너 생태계를 바탕으로 기술 트렌드와 선진 사례를 공유하며 지속가능하고 확장 가능한 차세대 데이터센터 구현을 위한 협력을 이어갈 예정이다.     슈나이더 일렉트릭 코리아 시큐어파워 사업부의 최성환 본부장은 “AI 확산과 함께 데이터센터는 전력 효율, 냉각 성능, 운영 안정성을 동시에 확보해야 하는 새로운 전환점을 맞고 있다”면서, “에노바와의 협력을 통해 AI 시대에 최적화된 지속가능하고 효율적인 데이터센터 인프라 구축을 지원하고 국내 AI 생태계 발전에 기여할 수 있도록 노력하겠다”고 말했다. 한편 이번 협력에는 슈나이더 일렉트릭 공식 파트너사인 삼아솔루션과 데이터센터 전문기업 엣지링크도 참여했다. 삼아솔루션은 국내 시장에서 슈나이더 일렉트릭의 모듈형 데이터센터 설루션 사업 확대를 위한 영업 및 사업 개발을 지원한다. 엣지링크는 데이터센터 구축 전문성을 바탕으로 프로젝트 수행에 협력할 계획이다.

AI 컴퓨팅의 다양화와 메모리 장벽으로 인해 반도체 경쟁의 중심이 미세화를 넘어 시스템 수준의 공동 최적화로 이동하고 있다. 이에 대응하기 위해 한국 반도체 소부장 생태계는 공통 의미 체계인 온톨로지와 인과추론을 도입하여 현장 데이터의 한계를 극복하고 제조 AX(AI 전환)의 기반을 다져야 한다. 또한 다목적 베이지안 최적화(MOBO)와 물리 정보 신경망(PINN) 기반의 자율 실험실을 구축하고, 고객사 인증을 설계 단계부터 통합하는 혁신이 필요하다. 궁극적으로는 단순한 기술 확보를 넘어 의사결정을 가속화하는 새로운 운영체계를 짜야 한다.   ■ 이 글은 지난 4월 17일 진행된 'SIMTOS 2026 뿌리산업 & 소부장 콘퍼런스'에서 발표된 내용을 정리한 것이다.   AI는 어떻게 반도체 산업의 게임 규칙을 바꾸고 있는가 지난 2년간 생성형 AI는 두 단계의 진화를 거쳐 왔다. 첫 번째 단계는 ‘지식 Al(knowledge Al)’의 시대로, GPT-4o, 클로드(Claude), 제미나이(Gemini) 같은 생성형 AI 모델과 같이 사전 학습과 후처리(post-training)를 통해 글을 잘 쓰는 모델이 주류였다. 두 번째 단계는 강화학습 기반의 ‘추론 Al(thinking Al)’의 시대다. 긴 사고연쇄(chain-of-thought), 에이전트 워크플로, 수리적 추론을 수행하는 모델들이 등장하면서, AI는 단순한 정보 생성기가 아니라 의사결정 보조 도구로 진화하고 있다. 이 변화는 반도체 하드웨어 수요 구조 자체를 흔든다. 한때 GPU 일변도였던 AI 가속기 시장은 이제 구글 TPU, 메타 MTIA, AWS Trainium(트레이니움), 마이크로소프트 Maia(마이아), 오픈AI(OpenAI) 자체 칩, 애플 자체 칩 등 ‘ASIC 다극화’ 국면에 들어섰다. 핵심은 이들 칩이 모두 첨단 노드(N2~N3급)와 HBM3e/HBM4 같은 고대역폭 메모리, 그리고 CoWoS 계열 첨단 패키징을 공통의 토대로 삼는다는 점이다. 다시 말해, AI 컴퓨팅의 다양화가 진행될수록 메모리, 패키징, 소부장 같은 한국이 상대적으로 강하거나 육성하려는 영역의 수요는 오히려 더 두꺼워지고 있다. 엔비디아가 그리는 ‘AI 팩토리’ 청사진도 이 흐름과 정확히 맞물린다.(그림 1) CPU(오케스트레이터), GPU(병렬 연산), DPU(데이터 이동 및 보안), 추론 ASIC(주문형 반도체), 그리고 미래에는 QPU(양자처리장치)까지 워크로드를 분해해 각 엔진에 최적 배분한 뒤 다시 하나의 플랫폼으로 묶는 구조다. 이 구조에서 가장 큰 병목은 ‘연산 그 자체’가 아니라, 엔진 사이를 흐르는 데이터의 대역폭과 지연시간이다. 결국 AI 시대의 반도체 경쟁력은 단일 노드의 미세화가 아니라, ‘시스템 수준에서 얼마나 잘 합치는가(co-optimization)’로 옮겨가고 있다.   그림 1. AI 워크로드는 분해되어 각 엔진에 배분된 뒤 통합 플랫폼으로 다시 결합된다. 메모리-인터커넥트-전력-냉각이 반도체 소부장의 새로운 경쟁축으로 자리매김하고 있다.   AI를 반도체 제조에 적용한다는 것의 진짜 의미 AX(AI 전환, Al transformation)는 단순히 ‘공정에 AI를 붙이는 일’이 아니다. AX의 본질은 산업 전반에 걸쳐 데이터와 의사결정 구조를 재편하는 작업이며, 반도체 소부장 영역은 그중에서도 가장 까다로운 사례로 볼 수 있다. 산업통상부와 주요 제조업계가 추진하는 ‘제조 AX 얼라이언스(M.AX)’가 한국 산업 특화 AI 모델, AI 반도체 집적 데이터센터(AIDC), 피지컬 AI, 디지털 트윈, 합성 데이터 증강 등을 묶어 다루는 이유도 여기에 있다. 무인화, 자동화, 예지보전, 다품종 소량생산을 동시에 달성해야 하기 때문이다.   LLM이 부딪히는 ‘보이지 않는 벽’ 그렇다면 왜 그토록 뛰어난 LLM이 막상 제조 현장에 들어가면 “그럴듯한 예측과 묘사” 수준에 머무는가? 핵심 원인은 네 가지다. 첫째, 산업 데이터의 대부분은 통제된 실험 데이터가 아니라 관측 데이터이며, 인과관계가 아닌 상관관계만을 학습한 모델은 ‘만약 X를 바꾸면 Y가 어떻게 변할까’라는 개입(intervention) 질문에 답하지 못한다. 둘째, 숨겨진 변수(confounder)와 운영 편향이 거짓된 상관을 만든다. 예를 들어 불량률이 높은 날 숙련자를 더 투입하다 보면, ‘숙련자가 늘면 불량이 늘어난다’는 엉뚱한 역상관이 데이터에 새겨진다. 셋째, 설비 교체나 원료 변경 혹은 계절 변화로 인해 분포가 끊임없이 이동(distribution shift)하므로, 상관관계 기반 모델은 학습한 분포를 벗어나는 순간 급격히 성능이 저하된다. 넷째, 제조의 목적함수는 수율만이 아니라 에너지, 안전, 비용, 납기를 동시에 만족시키는 다목적 최적화이며, 이는 본질적으로 인과적 이해를 요구한다.   벽을 넘어서기 위한 두 개의 다리: 온톨로지와 인과추론 온톨로지 : 기계가 현장을 이해하게 만드는 번역기 데이터-DX-AX-AI로 이어지는 모든 연결 부위가 제대로 연결되어 있지 않다면 아무리 큰 모델도 무용지물이다. 이 단절을 잇는 첫 번째 다리가 ‘온톨로지(ontology)’다.(그림 2) 온톨로지는 설비, 공정, 제품, 품질이라는 현장의 모든 대상을 기계가 이해하는 ‘공통 사전’이자 ‘공통 의미 체계’다. 의미가 부여된 측정치, 체계적인 식별자, MES(제어 시스템)와 ERP(전사 관리 시스템)의 시간축 통합, 그리고 작업 규정, 안전 규칙, 노하우와 같은 암묵지의 디지털화. 이 네 가지가 온톨로지의 출발점이다. 현실적인 접근은 ‘대형 완성형 온톨로지’가 아니라 ‘최소기능 온톨로지(minimum viable ontology)’의 3층 구조다. 공장별로 매핑(local mapping) 위에 산업별 확장(industry extension)을 얹고, 그 위에 산업 간 호환을 보장하는 공통 코어(core)를 두는 식이다. 반도체 소부장의 경우, 제품 온톨로지 아래로 소재(조성 및 물성), 부품(설계 및 공정), 장비(파라미터 및 유지보수)의 세 갈래가 뻗고, 각 도메인 사이를 지식 그래프로 연결한 뒤 ISO 23247(디지털 트윈), SEMI E10/E79(장비), MatML(소재), EMMO(유럽 멀티스케일 온톨로지) 같은 표준 인터페이스 계층 위에 AI 신소재 탐색·공정 최적화, 예측 정비, 공급망 추적 응용을 올리는 구조가 자연스럽다.   인과추론 : 전면 규명보다 국소 의사결정부터 두 번째 다리는 인과추론이다. 시스템 전체에 대한 인과 모델을 한 번에 짜는 것은 거의 불가능하다. 따라서 단계적 접근이 필요하다. 가까운 미래(phase 1)에는 국소 인과효과 추정(local causal effects)에 집중한다. 예컨대 ‘특정 온도 구간에서 압력 변경이 수율에 미치는 평균 처치효과(ATE)와 조건부 처치효과(CATE)’를 추정해 즉시 의사결정에 반영하는 식이다. 디지털 트윈과 제어 로그를 활용해 자연실험이나 A/B 테스트와 유사한 준-실험 설계(quasi-experimental design)도 가능하다. 이 단계의 목적은 ‘원인을 완벽히 규명하는 것’이 아니라, ‘외부 조건이 바뀌어도 덜 실패하는 강건한 운영 정책’을 설계하는 것이다. 더 먼 미래(phase 2)의 목표는 미국 에너지부의 ‘제네시스 미션(Genesis Mission)’이 그리는 그림과 닮아 있다. 로봇 실험실과 AI를 연동해 ‘개입 데이터’를 체계적으로 생성하고, 인과 모델과 정책 학습을 닫힌 순환구조(closed-Loop)로 가속하는 것이다. 한국 소부장 산업이 단번에 거기까지 갈 필요는 없다. 다만 그 방향성을 분명히 인지하고, 매 단계에서 인과적 사고를 선택지에 올려두어야 한다.   그림 2. 소부장 도메인은 지식 그래프와 표준 인터페이스(ISO 23247, SEMI E10/E79, MatML, EMMO)를 통해 통합되며, 그 위에 AI 신소재 탐색·공정 최적화·예측 정 비·공급망 추적 응용이 작동한다.   메모리 장벽이 만드는 새로운 반도체 소부장 혁신 압력 AI 반도체의 성능은 더 이상 연산 코어만으로 결정되지 않는다. 지난 20년간 하드웨어 FLOPS(초당 부동소수점 연산)는 9만 배 증가했지만, DRAM 대역폭과 인터커넥트 대역폭은 30배 성장에 그쳤다. 이른바 ‘메모리 장벽(memory wall)’이다. AI 칩에서 90~95%의 에너지가 메모리의 입출력과 로드·언로드에 소비되며, 연산 지연시간(latency)의 60~70%는 이 메모리 장벽에서 발생한다. 산술연산강도(arithmetic intensity)가 낮은 워크로드일수록 더 빨리 포화되기 때문에, AI 반도체의 진짜 경쟁은 ‘얼마나 많은 코어를 박느냐’가 아니라 ‘메모리에 얼마나 가까이 붙느냐’의 싸움이 되었다. 이 압력은 한국이 강한 메모리·패키징 영역으로 곧장 전이된다. 첫째, 어드밴스드 메모리 장치 자체의 혁신이 필요하다. 임의접근 지연시간 단축, MRAM/ReRAM/PCRAM 같은 비휘발성 소자, TSV 기반 3D 적층이 핵심이다. 둘째, 패키징 인터커넥트는 광 링크(photonics link), 칩렛 기반 모듈, 에너지 효율 극대화로 진화한다. 셋째, 아키텍처와 소프트웨어가 함께 최적화되는 DTCO(design-technology co-optimization), PIM(processing-in-memory), 스마트 스크래치패드, 메모리 소프트웨어, 데이터 레이아웃 프리패칭 등이 빠르게 부상한다. 현장의 본딩 기술 경쟁이 이를 단적으로 보여준다. SK하이닉스의 MR-MUF는 매스 리플로 몰디드 언더필 방식으로 열전도 성능을 극대화하며 현재 가장 검증된 주력 방식이다. 삼성전자는 NCF(비전도성 필름)+TCB(열압착) 조합으로 미세 피치에서의 정밀도와 고단 적층을 노리고 있다. 그리고 모두가 16단 이상 고적층을 위한 차세대 해법으로 ‘하이브리드 본딩(hybrid Bonding : 범프(bump) 자체를 없애고 구리 접점으로 직연결하는 방식)’을 향해 가고 있다. 결합 밀도, 정렬 정밀도, 장기 신뢰성 관점에서 수율을 어떻게 극복할 것인가가 향후 5년의 승부처다. 그러나 GPU-HBM 패키지(SiP)에서 일단 불량이 발생하면, 원인 규명에 들어가는 자원은 천문학적이다. AI 기반 검사·신호 모델링, 디지털 트윈을 활용한 가상 테스트, 그리고 연합 학습을 통한 현장 데이터 학습 전략이 ‘선택’이 아니라 ‘필수’가 되는 이유가 여기에 있다. 더 본질적으로, 첨단 패키징 소재에는 기계·열·전기·광학·계면 등 최소 다섯 가지 이상의 물성이 동시에 요구된다. 소재-소자-접합-양산 최적화는 더 이상 순차적 방식으로 풀리지 않는다. 동시 병렬-가속적 방식이 요구되고 있는 것이다.   소재 설계의 패러다임 전환 : Al-Driven Materials Discovery 전통적인 실험계획법(DOE)은 명확한 한계를 안고 있다. 선형적·순차적이며, 다중 스케일/차원/물리의 동시 최적화는 기본적으로 수학적으로 해결하기 쉽지 않다. ‘아직 모르는 것을 모른다(unknown unknowns)’가 가득한 N차원 공간에서 제한 요소들을 뭉뚱그려 가정하고 시간 스케일 차이를 무시한 결과, 시간과 자원은 낭비되고 초기 후보군 필터링 효율은 낮다. 결정적으로 고객사 인증 데이터와 추론을 반영하기 어려워, 인증 라운드가 곧 비용 증가와 시장 진입 지연으로 직결된다. 패러다임 전환의 방향은 분명하다. 과거의 ‘인간 직관 중심의 순방향 시뮬레이션’과 현재의 ‘대량 계산 데이터 기반 데이터 드리븐 AI’를 거쳐, 미래는 ‘자율 실험실(autonomous labs)’이다. AI 에이전트와 로봇이 능동적으로 가설을 수립·실행하고, 성공한 데이터뿐 아니라 실패한 네거티브 데이터까지 100% 무손실 자동 캡처하며, 다중 목적함수를 동시에 최적화한다. 단일 소재의 상용화에 10~20년이 걸리던 시간 축이, 이론적으로는 한 자릿수 배수로 압축될 수 있다.   MOBO와 PINN : 두 개의 핵심 엔진 이 패러다임을 떠받치는 두 엔진이 다목적 베이지안 최적화(MOBO : multi-objective bayesian optimization)와 물리 정보 신경망(PINN : physics-informed neural network)이다. MOBO는 다출력 가우시안 프로세스(MOGP) 같은 서로게이트 모델, qEHVI나 CEHVI 같은 획득함수, 그리고 베이지안 최적화 진화 알고리즘 강화학습 같은 탐색 패러다임을 조합해, 적은 실험 횟수로 파레토 프론트(Pareto front)를 효율적으로 탐색한다. PINN은 AI가 추상적으로 상상하는 공간을 물리법칙(나비에-스토크스 방정식, 픽의 법칙, 아레니우스 동역학 등)이 작동하는 현실 공간으로 ‘편집’해 준다. 전통적 머신러닝이 2nm 식각 프로파일을 학습하기 위해 500장 이상의 웨이퍼 데이터를 요구할 때, 손실 함수에 유체역학을 직접 박아 넣은 PINN은 데이터를 약 10배 줄이고 비물리적 환각(hallucination)을 차단한다. 10nm에서 학습한 물리 계층을 그대로 동결한 채 50장의 2nm 웨이퍼 데이터만으로 미세 조정해 만족할 만한 정확도에 도달하는 ‘전이 학습’도 가능해진다. 이 흐름이 가져오는 산업적 효과는 결코 추상적이지 않다. 시장 진입 시간(time-to-market) 30~40% 단축, R&D 시뮬레이션 예산 50~60% 절감, 동일 노드 성숙도에서 5~10%포인트의 수율 향상, 그리고 CHIPS Act 세액공제 같은 정책 지원의 적극적 활용 가능성 등은 모두 정량적으로 추적 가능한 효과다.   사례 : EUV 리소그래피용 금속산화물 포토레지스트 이 모든 논의가 너무 이론적으로 추상적 방향으로 치우치지 않도록, 한 가지 구체적 사례를 들어보자. 0.55 NA 아나모픽(anamorphic) 광학을 사용하는 차세대 EUV 리소그래피의 핵심 난제는 ‘RLS 트릴레마(resolution-LER-sensitivity trilemma)’다. 30nm 이하로 떨어지는 초점 심도(DoF)는 20nm 미만의 초박막 포토레지스트(PR, 광감응재)를 강요하고, 얇아진 막은 광자를 12% 적게 흡수하므로 광자 산탄 잡음(photon shot noise)이 지배적이 된다. 14nm 피치, 20mJ 도즈 조건에서 가장자리 부피에 도달하는 광자는 약 1130개 수준에 불과해 푸아송 잡음(Poisson noise)이 선예도(LER : line-edge roughness)을 1.36nm 이상으로 끌어올린다. 잡음을 잡으려 도즈를 높이면 처리량이 떨어지고, 후노광 베이크(PEB) 온도를 낮추면 반응이 불완전해진다. 단일 소재로는 풀리지 않는 ‘물리 한계 트릴레마’다. 기존의 화학증폭형 레지스트(CAR)는 EUV 흡수율이 낮고 PFAS 규제 리스크에 취약하다. 금속산화물 레지스트(MOR)는 EUV 흡수율이 5배 높고 PFAS 컴플라이언스를 통과하지만, 결함 밀도가 여전히 도전적이다. 이 문제를 푸는 접근이 PINN과 머신러닝 원자간 포텐셜(MLIP)의 결합이다. 약 300개의 DFT 구조(금속산화물 클러스터 + 유기물 리간드 분자)에 대한 능동 학습(active learning), 이완 에너지, HOMO-LUMO 갭 기준 스크리닝, 학습된 모델의 DFT 검증, 그리고 시간의존 밀도범함수론(TD-DFT)을 통한 들뜬 상태 계산을 결합하면, DFT-MD-KMC-연속체 역학·광학에 걸친 다중 스케일 다중 물리 문제를 ‘가상 팹 퍼널(Virtual Fab Funnel)’ 방식으로 처리할 수 있다.(그림 3) 10만 개의 생성형 후보군에서 시작해 빠른 물리 필터-중간 충실도 시뮬레이션-고충실도 TCAD를 거쳐 실제 합성 검증할 2~3종의 후보로 압축하는 이 접근은, 전통적 다구치 L27 DOE 대비 비용을 약 절반, 시간을 약 60% 줄이는 것으로 추정된다.   그림 3. 생성형 풀 → 물리 필터 → 중간 충실도 시뮬레이션 → 고충실도 TCAD → 실험 합성으로 이어지는 ‘가상 팹 퍼널’은 시간을 50%, 비용을 40% 줄이고 성공률 을 10~20배 끌어올린다.   진짜 병목은 Lab이 아니라 Lab-to-Fab 그러나 한 가지 냉정한 사실을 짚어야 한다. AI가 소재 발굴을 10배 가속해도, 실제 매출까지의 주기(time-to-revenue)는 50% 정도밖에 줄지 않는다. 진짜 병목은 ‘고객 승인 대기’ 구간이다. 기존 방식에서는 소재 발굴 12개월, 공정 최적화 6개월, 내부 인증 4개월, 고객 재인증 12개월의 총 34개월이 소요된다. AI를 도입해 발굴 단계를 12개월에서 1.2개월로 압축해도, 고객 승인 대기 10개월이 그대로 남아 총 16.2개월 수준에 머문다. 90%를 단축한 것 같지만 전체 리드타임은 절반밖에 줄지 않는 셈이다. 패러다임 전환이 한 번 더 필요하다. AI 기반 소재·공정 개발 가속화를 ‘내부용 도구’ 차원을 넘어 ‘고객 인터페이스’로 격상시켜야 한다. 사후 검증에 불과했던 고객사 인증을 아예 설계 단계부터 반영하고, 고객사의 인증 데이터를 가우시안 프로세스의 사전분포(prior)로 인코딩해 두는 식이다. 인증 관점은 사후 병목(afterthought)에서 ‘설계 단계 통합(by design)’으로, 고객 관계는 단순 공급자-구매자에서 ‘리스크 셰어링 파트너’로, 정보 흐름은 단절된 블랙박스에서 ‘투명한 대시보드’로, 인증 모드는 점진적·단절적 이벤트에서 ‘연속적 상태 모니터링’으로 옮겨가야 한다. 이것이 단순한 ‘AI 적용’이 아니라 ‘AI 기반 파운드리(Al-Driven Foundry)’ 전략의 본질이다.   자율 실험실이라는 종착점 이 흐름의 자연스러운 종착점이 자율 실험실(SDL : self-driving lab)이다. AI가 다음 실험을 제안하고, 로봇이 합성하며, 자동화된 측정 장비가 데이터를 수집해 다시 AI에 피드백하는 폐쇄 루프다. HBM packaging 소재를 예로 들면, 충전재 종류, 충전율, 입자 크기, 에폭시 수지 조성 등을 설계 공간으로 정의한 뒤, 분자 동역학(MD) 시뮬레이션과 소량 도포, 레오미터(rheometer)의 중간 충실도 유체역학 실험, 실제 패키징이나 열충격(TCT) 신뢰성 평가의 다중 충실도 실험을 GP-MOGP 서로게이트와 EHVI 획득함수로 묶어 운영한다. 액상 분배 로봇, 자동 경화 오븐, 레이저 플래시법(열전도), TMA/DMA(CTE), 열충격 챔버를 자동 측정으로 묶고 나면, 탐색 횟수는 약 1/20로, 실험 사이클은 2~3일에서 6시간 수준으로 줄어든다. OLED 발광 소재의 경우는 SMILES 표현을 GP에 직접 입력하는 타니모토(Tanimoto) 커널을 활용해 이산적인 분자 공간을 연속 파라미터 없이 탐색하고, 톰슨 샘플링으로 병렬 합성을 분산시키는 식이다.   AX 전환 프레임워크와 시뮬레이터 이상의 논의를 '무엇을 어떻게 할 것인가'의 단계론으로 정리하면 다섯 단계가 도출된다. 1단계 : DX 기반 구축(데이터 수집-표준화 온톨로지 설계 디지털 인프라) 2단계 : AI 파운데이션 모델 도입(LLM, GNN, 확산, 서로게이트 모델 선택과 사전학습) 3단계 : 도메인 특화 파인튜닝(소재 물성, 장비 공정, 부품 신뢰성 데이터 기반의 미세조정) 4단계 : 디지털 트윈과 서로게이트 모델(실시간 공정 시뮬레이션, 가상 실험, 예측적 품질 관리) 5단계 : 산업적 가치 창출(개발 주기 단축, 수율 개선, 비용 절감, 한계 극복) 이 다섯 단계는 소부장의 세 도메인에서 동시에 진행되어야 하며, 각 도메인은 자체 핵심 모델을 갖는다. 소재는 IBM의 Materials Foundation Model에 MACE와 베이지안 최적화를 결합한 형태, 부품은 비전 트랜스포머와 PINN, 디지털 트윈의 결합, 장비는 PINN과 트랜스포머, 강화학습 에이전트의 조합이 자연스럽다. 전공정의 8단계(산화 – 포토리소그래피 – 식각 – CVD – 이온주입 – CMP – PVD – 열처리)를 하나의 디지털 트윈으로 묶으면, 각 단계의 수율을 곱한 누적 수율(cascading yield)이 시각화된다. 여기에 소재 순도(3N~6N), 장비 노후화, 다운타임, 대기시간(0~24시간) 같은 외부 영향 요인을 ‘섭동 계층(perturbation layer)’으로 얹으면, 시나리오 엔진이 ‘소부장 교체 효과 추정’, ‘민감도 분석’, ‘병목 공정 식별’, ‘ROI 계산’ 같은 왓이프(what-lf) 분석을 즉시 수행한다. 개별 챔버 단위에서는 PECVD SiN 증착 공정 시뮬레이터처럼 챔버 온도, 압력, 전구체 유량, RF 파워를 슬라이더로 조절하면서 증착 속도 균일도·막 응력·표면 거칠기, 파티클 리스크, 건강도를 실시간 모니터링하는 것도 가능하다. 결국 이런 챔버 시뮬레이터는 ‘보기 좋은 그림’이 아니라 ‘의사결정 도구’로 활용될 수 있다.   맺음말 : 한국 반도체 소부장의 새로운 운영체계 AI 시대의 반도체 경쟁력은 단일 노드의 미세화에서 시스템 수준의 공동 최적화로 무게 중심이 옮겨갔다. 메모리 장벽이 만드는 혁신 압력, HBM4–HBM4E–하이브리드 본딩으로 이어지는 적층 경쟁, 첨단 패키징 소재의 다물리 동시 최적화, 그리고 EUV MOR 같은 차세대 소재 개발, 이 모든 영역에서 한국이 가진 자산은 결코 작지 않다. 그러나 그 자산이 ‘제조 AX’라는 새로운 운영체계 위에서 작동하지 않으면, 자산의 잠재력은 빠르게 평가절하된다. 앞에서 짚었듯이, 제조 AX의 본질은 ‘좋은 모델을 가져와서 데이터에 적용하는 일’이 아니다. 데이터–DX–AX–AI로 이어지는 단절된 조인트를 잇는 ‘온톨로지’라는 다리, 상관관계가 아닌 인과관계로 의사결정을 개선하는 ‘인과추론’이라는 다리, 그리고 사후 검증이 아닌 설계 단계 통합으로 격상되는 ‘고객 인증’이라는 다리를 동시에 놓는 작업이다. 이 세 다리 위에 MOBO, PINN, SDL이라는 도구가 얹히고, 그 위에서 비로소 한국 반도체 소부장은 ‘기술 경쟁’을 넘어 ‘운영체계 경쟁’의 무대에 오른다. 기술 확보 자체가 최종 목적이 되어서는 안된다. AI도, 디지털 트윈도, 자율 실험실도 결국은 ‘더 빨리, 더 정확하게, 더 적은 비용으로 의사결정하기 위한 수단’이다. 이 점을 분명히 하는 순간 ‘무엇부터 시작할 것인가’라는 질문에 대한 답은 의외로 단순해진다. 가장 작은 의사결정 단위에서 데이터를 잇고, 그 데이터에 의미를 부여하고, 의미가 부여된 데이터로 인과적 질문을 던지는 것부터 시작되어야 한다. 한국 반도체 소부장의 다음 10년은 그 작은 출발점에서 결정될 것이다.   ■ 권석준 성균관대학교 화학공학부 교수 및 공과대학 부학장     ■ 기사 내용은 PDF로도 제공됩니다.

RPA(로보틱 프로세스 자동화) 기술 기업인 유아이패스가 에이전틱 비즈니스 오케스트 레이션 및 자동화 분야의 글로벌 리더로 변신에 나섰다. 유 아이패스코리아는 5월 19일 서울 포시즌스 호텔에서 기자 간담회를 열고, 한국 기업들이 AI 도입 실험 단계를 넘어 실질적인 비즈니스 성과를 창출할 수 있는 구체적인 해법 을 제시했다. ■ 최경화 국장   유아이패스는 전 세계 다양한 조직이 복잡한 기업 운영 환경을 AI 에이전트가 추론하고, 로봇이 실행하며, 사람이 주도하는 지능 적이고 안전한 운영 체계로 전환할 수 있도록 지원하는 기업이다. 특히 현대적 기업 환경과 규제가 엄격한 산업을 위해 자동화, 오케 스트레이션, AI를 통합하여 거버넌스 기반의 확장 가능한 워크플 로우를 제공하는 데 강점을 지니고 있다. 유아이패스코리아 형원준 지사장은 “많은 기업이 에이전트 빌더 에만 집중하는 것은 빙산의 일각을 보는 것과 같으며, 실제 현업 시 스템에 오차 없이 계획을 실행하고 조율하는 ‘지휘자’로서의 오케 스트레이션 능력이 혁신의 핵심”이라고 언급하며 유아이패스의 방 향성에 대해 소개했다.   ▲ 유아이패스코리아 형원준 지사장   AI 투자의 불편한 진실 : ‘ROI 격차’라는 장벽 이번 간담회의 주 발표자로 나선 유아이패스 야니스 브루스타스(Yiannis Broustas) 제품 마케팅 담당 부사장은 현재 글로벌 기업들이 직면한 ‘ROI(투자자본수익률) 격차’ 문제를 화두로 던졌다. 브루스타스 부사장은 가트너에 따르면 2025년 글로벌 AI 투자액이 1조 5000억 달러에 이르고 CIO의 89%가 에이전트 기반 AI 를 전략적 우선순위로 꼽고 있음에도 불구하고, 실제 기대한 성과 를 거두는 프로젝트는 극히 드물다는 점을 지적했다. 브루스타스 부사장은 가트너와 MIT의 데이터를 인용해 엔터프라이즈 AI 프로젝트의 28%만이 기대한 ROI를 달성하고 있으며, 생성형 AI 파일럿의 95%는 기업의 손익에 즉각적인 영향을 주지 못하고 있는 것이 현실이라고 전했다. 또한, 이러한 격차가 발생하는 근본 원인으로 기존 자동화가 대부분 ‘단일 업무(task) 기반’으로 이루어져 복잡한 전체 비즈니스 프로세스를 아우르지 못하기 때문이라고 분석했다.   ▲ 유아이패스 야니스 브루스타스 제품 마케팅 담당 부사장   지능형 오케스트레이션, 파편화된 자동화를 엮는 ‘지휘자’ 브루스타스 부사장은 이 문제를 해결하기 위해 ‘지능형 오케스트레이션(intelligent orchestration)’을 핵심 대안으로 제시했다. 이는 AI 에이전트와 소프트웨어 로봇, 그리고 사람이 유기적으로 협업하여 비즈니스의 엔드 투 엔드 프로세스를 지능적으로 관리하고 변화하는 비즈니스 환경에 적응해 가는 것을 의미한다. 그는 “자동화를 통해 많은 기업이 운영을 개선하고 있지만, 태스크 기반의 한계로 인해 프로세스에 문제가 발생하곤 한다”며, “복잡성을 명료함으로 바꾸기 위해서는 고립된 자동화에서 벗어나 측정 가능한 비즈니스 성능을 창출하는 인텔리전트 오퍼레이션으로 나아가야 한다”고 강조했다. 이를 구체화하기 위해 유아이패스는 플랫폼에 ‘코딩 에이전트(UiPath for Coding Agents)’ 레이어를 새롭게 추가했다. 개발자들이 터미널이나 기존 작업 환경을 그대로 유지하면서 챗GPT, 클로드, 제미나이 등 다양한 외부 AI 모델을 네이티브하게 활용할 수 있도록 지원하는 기능이다. 브루스타스 부사장은 “1000개 이상의 커넥터와 재사용 가능한 패턴을 제공하여 아이디어 구상부터 실제 운영까지의 시간을 수개월에서 단 수일로 단축해 준다”고 설명했다.   산업 현장의 복잡성을 해결하는 ‘마에스트로’ 실제 산업 현장의 비즈니스 프로세스는 매우 역동적이고 예외 사항이 많으며 파편화되어 있다. 브루스타스 부사장은 이러한 복잡한 프로세스를 재구성하여 ROI 격차를 줄이기 위해 ‘마에스트로 케이스 매니지먼트(Maestro Case Management)’를 한국 시장에 발표했다. 이 설루션은 복잡한 공정이나 업무 흐름을 여러 단계로 나누어 유연한 워크플로를 구축할 수 있게 돕는다. 예를 들어 대규모 산업 현장의 수급 관리나 운영 프로세스에서 AI가 데이터를 수집 및 검증하고, 사기나 위험 요소를 평가하는 단계별 과정마다 전문가가 개입해 최종 승인을 내리도록 설계함으로써 AI의 잠재적 실수를 통제하고 리스크를 관리할 수 있다.     한국 시장을 위한 특화 전략 : 데이터 주권과 규제 해소 이날 유아이패스는 한국 기업들이 보안 규제로 인해 AI 도입에 겪는 어려움을 해소하기 위한 두 가지 방안을 소개했다. 첫째는 마이크로소프트 애저(Azure)의 한국 리전을 통해 제공되는 ‘오토메이션 클라우드 포 코리아(Automation Cloud for Korea)’다. 이를 통해 국내 고객은 데이터 레지던시 요건을 준수하면서도 유아이패스의 전체 에이전틱 자동화 스택을 엔터프라이즈급으로 활용할 수 있게 되었다. 둘째는 인터넷이 차단된 폐쇄망 환경을 선호하는 기업들을 위한 ‘온프레미스 에이전틱 AI 배포’ 지원이다. 고규제 산업군인 금융, 공공, 헬스케어 기업들은 이제 ‘오토메이션 스위트’를 통해 자체 데이터센터 내에서 에이전틱 AI를 운영하며 데이터에 대한 완벽한 통제권을 확보할 수 있다. 유아이패스는 단순한 기술 제공자를 넘어, 한국 기업들이 AI 도입의 딜레마를 극복하고 실질적인 비즈니스 가치를 실현할 수 있도록 돕는 파트너로서의 입지를 공고히 한다는 계획이다. 형원준 지사장은 “규정 준수 요건이 혁신을 가로막아서는 안 되지만, 한국의 고규제 산업은 엄격한 제약으로 인해 초기 에이전틱 AI 도입의 성과를 충분히 누리지 못했다”며, “오토메이션 스위트는 AI 도입과 데이터 주권 유지 사이의 딜레마를 해소해 금융, 공공, 헬스케어를 비롯한 다양한 산업의 기업이 자체 인프라 제어권을 바탕으로 구상 단계를 넘어 실질적인 비즈니스 성과를 낼 수 있도록 돕는다”고 말했다. 현재 대부분의 에이전틱 자동화 기능은 유아이패스 오토메이션 스위트에서 이용할 수 있으며, 대화형 에이전트(Conversational Agent)와 IXP(Intelligent Xtraction and Processing) 기능은 2026년 10월 제공될 예정이다.     전 산업군으로 확산되는 실무 중심의 에이전틱 AI 소개 기자간담회와 같은 날 진행된 ‘유아이패스 퓨전 서울(UiPath FUSION Seoul)’ 행사에서는 에이전틱 AI를 대규모로 배포하고 실질적인 성과를 낸 국내외 실무 담당자들의 목소리가 생생하게 전달되었다. 유아이패스 야니스 브루스타스 부사장이 ‘에이전틱 엔터프라이즈의 오케스트레이션’을 주제로 글로벌 전략을 공유했으며, IDC 김경민 이사가 차세대 AI 자동화가 여는 자율 지능 시대에 대한 시장 인사이트를 전했다. LG CNS 진요한 AI센터장이 에이전틱 AI와 오케스트레이션의 실제 결합 사례를, 쏘카 김주녕 팀장이 AI 기반 업무 혁신 여정을 공유하며 제조·서비스 등 다양한 산업군에서 의 활용 가능성을 시연했다. 또한 딜로이트 정창모 수석위원은 미래형 에이전틱 ERP 전략을 제시하고, 유아이패스코리아 김형수 파트너는 복잡한 구현 없이 빠르게 시작할 수 있는 ‘산업별 AI 에이전트’를 소개했다. 이번 행사에서는 기조연설과 라이브 제품 시연을 통해 에이전틱 AI를 실제 운영 단계로 전환하기 위한 현실적인 방안인 엔드 투 엔드 오케스트레이션과 산업별 특화 설루션, 그리고 측정 가능한 ROI 실현 과정 등이 소개되었다.     ■ 기사 내용은 PDF로도 제공됩니다.

국내 기업들이 AI 도입 실험 단계를 지나 본격적인 실행 단계에 접어들었다는 분석이 나왔다. 델 테크놀로지스는 인텔 및 IDC와 공동 발간한 보고서를 통해 아시아태평양 지역의 AI PC와 워크스테이션 도입 현황을 발표했다. 이번 조사는 2025년 10월 아태 지역 IT 및 비즈니스 의사결정자들을 대상으로 진행했다. 보고서에 따르면 국내 응답 기업의 69%는 PC를 구매할 때 AI 기능을 가장 중요하거나 필수적인 기준으로 꼽았다. 이는 아태 지역 평균인 56%를 웃도는 수치로 아태 지역에서 가장 높은 수준이다. 현재 국내 기업의 AI PC 실제 도입률은 37%로 아태 지역 평균인 48%보다 낮지만, 향후 도입 의지는 강력한 것으로 나타났다. 국내 기업들은 AI PC 도입이 늦어질 경우 발생할 부작용을 경계하고 있다. 응답자의 33%는 도입 지연으로 인해 핵심 인재가 경쟁사로 유출될 수 있다고 우려했다. 운영 비효율 증가와 비용 상승, 시장 주도권 상실에 대한 우려도 아태 지역 평균보다 높게 나타났다. AI PC 파트너를 선정할 때는 보안과 생태계 및 ISV 인증, 총 소유 비용 등을 주요 요소로 고려한다고 밝혔다.     AI PC는 IT 운영과 연구 개발, 고객 서비스 혁신에 기여할 것으로 기대를 받고 있다. 특히 국내 기업은 고객 서비스 분야에서 AI PC의 영향력을 아태 지역 평균보다 11.9%포인트 높은 32%로 예상했다. 이미 AI PC를 도입한 아태 지역 기업들은 일반 PC 사용 시보다 생산성이 30% 향상됐으며, 직원 1명당 하루 평균 2.17시간의 업무 시간을 줄이는 효과를 거둔 것으로 조사됐다. 한편, 워크스테이션은 고성능 AI 작업을 위한 핵심 인프라로 자리 잡고 있다. 아태 지역 응답자의 97%는 AI 및 머신러닝 모델 활용에 필요한 고성능 설루션으로 워크스테이션을 꼽았다. 국내 기업 응답자의 72%는 향후 5년간 워크스테이션 보유 대수가 늘어날 것으로 내다봤다. 현재 국내 기업 절반 이상은 데이터 준비와 모델 미세 조정 등 고난도 작업에 워크스테이션을 활용하고 있다. 델은 AI PC와 워크스테이션이 일상 업무부터 전문 워크로드까지 처리하는 ‘AI 컴퓨팅 연속체’의 중심축 역할을 한다고 진단했다. 한국 델 테크놀로지스의 김경진 총괄사장은 “AI PC와 워크스테이션은 엔터프라이즈 AI의 다음 단계를 열어가는 핵심 플랫폼”이라면서, “업무 현장에 밀착된 AI PC와 고성능 연산을 담당하는 워크스테이션의 상호 보완적인 결합을 통해 기업은 보안을 강화하는 동시에 실질적인 비즈니스 성과를 창출할 수 있을 것”이라고 말했다.

델 워크스테이션 이벤트 상담, 자료요청시 스타벅스 라떼 드립니다. 상담, 자료 요청하기 Intel, 인텔, Intel로고, Xeon 로고는 미국 및 기타 국가에서의 Intel Corporation 또는 그 자회사의 상표 또는 등록상표입니다. 델인터내셔널 주식회사 | 대표자: 김 경 진 사업장 소재지: 서울특별시 강남구 테헤란로 152, 18층 (역삼동, 강남파이낸스센터) 사업자등록번호: 102-81-38311 | 통신판매업 신고번호: 제 2013-서울강남-01040 호 대표번호: 02-6147-1919 | 홈페이지: Dell.com | 이메일: privacy@dell.com Dell Technologies 글로벌 본사 주소는 One Dell Way, Round Rock, TX, 78682 입니다. Copyright © 2026 Dell Inc. or its subsidiaries. All Rights Reserved. Dell Technologies, Dell 및 기타 상표는 Dell Inc. 또는 해당 자회사의 상표입니다. 기타 모든 상표는 해당 소유주의 상표일 수 있습니다.

레노버가 엔비디아 GTC에서 AI 도입을 가속화하고 첫 토큰 생성 시간을 단축하며, 개인용 기기부터 기업 및 클라우드 환경 전반에 걸쳐 측정 가능한 비즈니스 성과를 창출하도록 설계된 레노버 하이브리드 AI 어드밴티지 위드 엔비디아의 신규 솔루션을 공개했다. 레노버 테크 월드에서 선보인 추론 가속 기술을 바탕으로 하이브리드 AI 실행의 다음 단계를 제시하는 이번 출시는 개인용 기기에서 데이터센터, 나아가 기가와트급 AI 클라우드 배포에 이르기까지 범위를 확장한다. 이를 통해 전 세계 다양한 산업 분야에서 실시간 의사결정과 운영 효율성, 지능형 자동화를 구현할 수 있도록 지원한다. 실시간 의사결정을 위한 추론 중심의 하이브리드 AI 시대 AI가 모델 학습 단계를 넘어 실시간 의사결정을 지원하는 단계로 진화함에 따라 추론은 기업 가치 창출의 최전선이 되었다. 기업들은 이제 엣지, 데이터센터, 클라우드 전반에서 이를 보안상 안전하게 구현할 인프라를 필요로 하고 있다. 레노버의 의뢰로 IDC가 조사한 글로벌 연구 보고서인 CIO 플레이북 2026에 따르면, 기업의 84퍼센트가 클라우드와 더불어 온프레미스 또는 엣지 환경에서 AI를 실행할 것으로 예상하고 있다. 이는 실제 운영 규모의 추론을 위해 구축된 검증된 하이브리드 AI 플랫폼에 대한 수요 증대로 이어지고 있다. 양위안칭 레노버 회장 겸 CEO는 레노버와 엔비디아가 실험 단계부터 기업용 운영 환경, 나아가 AI 클라우드 기가팩토리에 이르기까지 기업이 AI를 운영할 수 있도록 돕는 독보적인 위치에 있다고 강조했다. 에이전틱 AI가 추론 워크로드의 기하급수적인 성장을 이끌면서 비용 관리와 토큰 당 성능 확보가 핵심 과제가 되었다며, 엔비디아 AI 엔터프라이즈 소프트웨어와 레노버의 풀스택 하이브리드 AI 플랫폼을 결합해 고객이 더 높은 효율성과 낮은 비용으로 AI 규모를 확장하도록 지원할 것이라고 밝혔다. 어디서나 구현 가능한 AI 개발 및 추론 환경 구축 레노버는 차세대 엔비디아 RTX 프로 블랙웰 기반의 모바일 및 데스크톱 워크스테이션을 통해 전문가들에게 실시간 AI 개발 및 추론 기능을 즉시 제공한다. 초경량 씽크패드 P14s 7세대, 씽크패드 P16s 5세대 및 프리미엄 모델인 씽크패드 P1 9세대를 포함한 모바일 라인업 전반에 엔비디아 RTX 프로 블랙웰 제너레이션 랩탑 GPU를 탑재했다. 데스크톱 모델인 씽크스테이션 P5 2세대에는 최대 2개의 엔비디아 RTX 프로 6000 블랙웰 워크스테이션 에디션 GPU가 들어간다. 또한 최대 2,000억 개의 파라미터를 가진 AI 모델을 지원하고 1페타플롭의 연산 성능을 갖춘 씽크스테이션 PGX 기반 AI 개발자용 디바이스를 제공한다. 이는 안전한 프라이빗 및 온프레미스 AI 개발에 최적화되어 있다. 이와 함께 데이터 과학자들이 워크로드를 구축하고 보호할 수 있도록 지원하는 레노버 AI 디벨로퍼 제품군과 배포를 간소화하는 이미징 서비스도 함께 선보였다. 실시간 엔터프라이즈 추론을 위한 최적화 플랫폼 레노버 하이브리드 AI 어드밴티지 위드 엔비디아 솔루션은 유사한 사양의 클라우드 서비스형 인프라(IaaS) 대비 6개월 빠르게 투자자본수익률(ROI)을 달성하고 최대 8배 낮은 토큰 당 비용을 실현한다. 추론에 최적화된 신규 레노버 씽크시스템 및 씽크엣지 서버는 유통, 제조, 헬스케어 등 다양한 환경에서 실시간 AI 추론을 지원한다. 확장된 포트폴리오는 엔비디아 AI 엔터프라이즈 소프트웨어와 통합된 엔비디아 검증 시스템을 제공한다. 여기에는 스케일아웃 엔터프라이즈 AI를 위한 RTX 프로 6000 블랙웰 서버 에디션 GPU 탑재 플랫폼과 대규모 추론 사례를 위한 블랙웰 울트라 기반 플랫폼이 포함된다. 또한 뉴타닉스 엔터프라이즈 AI 및 쿠버네티스 플랫폼 기반의 씽크애자일 HX650a를 통해 보호된 추론 및 에이전틱 워크로드의 기반을 제공한다. 산업별 특화 AI 솔루션과 기가와트급 AI 클라우드 구현 레노버는 실시간 운영 수준의 추론 기능을 기업 워크플로우에 도입하기 위해 레노버 AI 라이브러리를 확장했다. 스포츠 분야에서는 실시간 분석과 중계 최적화를, 유통 분야에서는 지능형 온오프라인 매장 어시스턴트를 통해 개인화된 서비스를 제공한다. 제조 및 모빌리티 환경을 위한 피지컬 AI 솔루션은 로보틱스와 엣지 컴퓨팅을 결합하여 검사 자동화와 작업자 안전을 강화한다. 특히 레노버는 차세대 엔비디아 루빈 플랫폼을 통해 고객이 기가와트 규모의 데이터를 관리할 수 있도록 지원한다. 엔비디아 베라 루빈 NVL72의 출시 파트너로서 완전 수랭식 랙 규모 시스템을 공급하며, 이는 이전 세대 대비 최대 10배 높은 처리량과 10배 낮은 토큰 당 비용을 달성한다. 젠슨 황 엔비디아 창업자 겸 CEO는 AI가 이제 실제 운영 단계에 들어섰으며, 레노버와 엔비디아가 가속 컴퓨팅과 AI 팩토리 수요를 선도할 풀스택 플랫폼을 함께 제공해 나갈 것이라고 전했다.