대한민국의 AI 전략을 이야기할 때 모델과 데이터센터, 대규모 연산 인프라를 빼놓을 수 없다. 그러나 우리가 가진 또 하나의 출발점도 봐야 한다. 자동차와 가전, 카메라, 로봇, 산업 장비처럼 이미 시장에 공급하고 있는 제품과 이를 만드는 제조 기반이다.
AI 시대에 제조 역량은 과거의 자산에 머물지 않는다. 제품이 주변 상황을 이해하고, 생산설비가 이상 징후를 파악하며, 현장의 장비가 필요한 판단을 수행하도록 만들 수 있다면 제조업은 AI 기술의 중요한 수요처가 될 수 있다. 동시에 AI는 제조기업이 제품의 가치와 생산 방식을 바꿀 수 있는 수단이 된다.
핵심은 기존 제품에 AI라는 이름을 붙이는 것이 아니다. 사용자가 얻는 가치가 달라지고, 기업이 그 가치를 지속해 제공할 수 있어야 한다. 대한민국 제조업과 AI 산업의 다음 성장 기회는 이 조건을 함께 충족하는 데 있다.
제조업에서 AI의 역할은 두 갈래로 나눠볼 수 있다. 하나는 판매하는 제품 자체의 기능을 높이는 일이다. 카메라가 단순히 영상을 전달하는 데서 나아가 필요한 이상 징후를 구분하고, 로봇이 작업 환경의 변화를 인식하며, 가전이 사용자의 상황에 맞춰 반응하도록 만드는 것이다.
다른 하나는 제품을 만드는 현장을 개선하는 일이다. 품질검사, 설비 이상 탐지, 작업장 안전 관리처럼 반복적으로 확인해야 하는 업무에 AI를 적용하는 경우다. 제품의 지능화가 고객 경험과 차별화의 문제라면, 생산 현장의 지능화는 품질과 생산성, 운영 안정성의 문제다. 두 영역은 도입 목적과 판단 기준이 다르므로 구분해서 접근해야 한다.
일례로 판매 제품에 AI를 넣는 기업은 부품 원가와 전력, 발열, 제품 수명 동안의 기능 유지 등을 함께 검토해야 한다. 공장에 AI를 적용하는 기업은 기존 설비와의 연계, 생산 중단 위험, 현장 작업자의 활용 방식과 투자 대비 효과를 따져야 한다. 같은 AI 기술이라도 고객이 해결하려는 문제에 따라 제품화의 조건은 달라진다.
따라서 모든 산업을 하나의 AI 시장으로 묶어서는 구체적인 사업을 만들기 어렵다. 어떤 제품의 어느 기능을 개선할지, 어떤 공정에서 어떤 손실을 줄일지를 먼저 정해야 한다. 산업별 과제를 명확히 할수록 필요한 모델과 소프트웨어, 반도체의 조건도 선명해진다.
제조 현장과 제품에서는 AI를 어디에서 실행할지도 중요한 설계 문제다. 네트워크를 거쳐 판단을 기다리는 시간이 부담스러울 수 있고, 민감한 데이터를 외부로 보내기 어려울 수 있다. 많은 장비에서 반복적으로 발생하는 데이터를 모두 전송하고 처리할 때의 비용도 검토해야 한다.
엣지 AI는 이런 조건에서 필요한 연산을 제품이나 현장 가까이에서 수행하는 접근이다. 그렇다고 클라우드를 배제하는 것은 아니다. 복잡한 분석이나 여러 현장의 데이터를 종합하는 업무는 클라우드를 활용하고, 빠른 응답이나 연결과 무관한 동작이 필요한 기능은 현장에서 처리하도록 나눌 수 있다. 무엇을 어디에서 실행할지는 기술 유행이 아니라 업무의 요구조건이 결정해야 한다.
모든 장비를 바꾸거나 AI 기능을 개별 장치 안에 넣는 방식만 검토할 필요도 없다. 기존 설비를 유지하면서 사업장 내부의 서버에 분석 기능을 더하는 구성도 살펴볼 수 있다. 개별 장치, 현장 서버, 클라우드 가운데 무엇을 조합할지는 기존 시스템과 운영 목적에 따라 달라진다. 제조기업에는 새로운 기술의 도입만큼 이미 투자한 자산을 활용하는 문제도 중요하기 때문이다.
이때 엣지 AI 반도체는 제한된 전력과 비용 안에서 필요한 모델을 실행하는 기반이 된다. 데이터센터용 AI 가속기보다 작다는 이유로 의미가 있는 것이 아니다. 제품과 현장에 맞는 조건에서 필요한 기능을 안정적으로 구현할 수 있을 때 가치가 생긴다.
한국 제조업이 AI 산업에 제공할 수 있는 기회는 국내 수요에 그치지 않는다. 제조기업의 제품에 반도체와 모델, 소프트웨어가 함께 적용되고 그 제품이 해외 고객의 선택을 받는다면, 국내 AI 기술도 완제품과 함께 시장을 넓힐 수 있다. 제조업의 제품 경쟁력과 AI 산업의 성장을 연결할 수 있는 경로다.
다만 국내 제조 기반이 존재한다는 사실만으로 국내 AI 기업에 시장이 주어지는 것은 아니다. 제조기업이 요구하는 품질과 비용, 개발 일정, 공급과 지원 조건을 충족해야 한다. 국내에서 한 차례 작동했다는 결과를 넘어 반복 생산과 장기 운영에 적합한지도 검증해야 한다. 해외로 판매되는 제품이라면 해당 시장의 적용 조건을 충족하는 일도 필요하다.
이것은 국내 제품에 국내 칩을 우선 넣자는 주장이 아니다. 고객에게 더 좋은 제품을 제공할 수 있는 조합을 만들자는 제안이다. 외산과 국산을 대립시키기보다 경쟁력 있는 기술을 연결하되, 국내 기업들도 실제 제품의 설계와 검증에 참여하면서 자신의 경쟁력을 입증할 수 있어야 한다.
반도체 기업도 제조기업이 개발을 마친 뒤 칩을 바꾸도록 설득하는 데 머물러서는 안 된다. 제품을 기획하는 단계에서 구현할 기능과 비용, 전력, 개발 일정을 함께 검토할 수 있어야 한다. 제조기업은 부품을 하나 더 구매하는 것이 아니라 제품 경쟁력에 영향을 주는 선택을 하기 때문이다.
모빌린트도 제조기업과 파트너가 가진 과제 가운데 NPU와 소프트웨어로 실질적인 가치를 만들 수 있는 영역에 집중하고자 한다. 중요한 것은 적용 가능한 산업의 목록을 늘리는 일이 아니라, 고객의 제품과 일정 안에서 효과를 검증하는 일이다. 제조업과 AI 반도체 산업의 공동 성장은 이러한 제품화의 경험이 쌓일 때 구체적인 기반을 갖게 될 것이다.
대한민국의 AI 전략은 새로운 기술을 보유하는 전략이면서, 이미 잘 만드는 제품을 더 경쟁력 있게 만드는 전략이어야 한다. 제조업은 AI 산업의 수요 기반이 되고, AI는 제조업의 새로운 제품 경쟁력이 될 수 있다. 엣지 AI는 이 두 흐름이 실제 제품과 현장에서 만나는 중요한 접점이다.
신동주 모빌린트 대표 dongjoo@mobilint.com
