LG AI연구원 전문가 AI 공개, 산업 현장용 AI가 달라지는 지점
AI를 활용하여 생성한 이미지입니다.
LG AI연구원이 9월 14일 제조·과학·금융 현장에 특화한 ‘전문가 AI’를 공개했어요. 이날 서울 마곡 LG사이언스파크에서 열린 LG AI 토크 콘서트 2026에서 공정 예측, 자율 검사, 신소재 설계와 금융 분석에 쓰이는 기술과 적용 사례를 소개했습니다.[1]
이 발표가 흥미로운 이유는 범용 챗봇의 대화 능력보다 현장 데이터와 업무 절차를 겨냥했기 때문이에요. 공장과 연구실에서는 그럴듯한 답변보다 특정 공정의 변화를 예측하고, 검사 기준을 지키고, 결과를 설명하는 능력이 더 중요합니다.
공개된 전문가 AI는 무엇을 하나요?
제조 분야에서는 ‘엑사원 태뷸러’가 공정 조건과 품질 정보를 분석해 변화를 예측하고, ‘엑사원 옴니 인스펙트’가 제품 외관이 달라져도 재학습 없이 검사할 수 있도록 설계됐다고 설명했어요.[1][2] LG AI연구원은 데이터 샘플링과 라벨링, 모델 학습을 스스로 수행하는 비전 검사 에이전트도 준비 중이라고 밝혔습니다.
| 분야 | 발표된 기술·사례 | 독자가 볼 기준 |
|---|---|---|
| 제조 | 공정 예측·자율 검사 | 현장 조건이 바뀌어도 오판을 줄이는가 |
| 과학 | 물질 설계와 실험 예측 | AI 결과를 실제 실험으로 검증하는가 |
| 금융 | 분석·예측·설명을 나누는 에이전트 협업 | 근거와 최신 데이터가 함께 제공되는가 |
42만개 후보 물질을 하루 만에 검토했다는 의미
LG AI연구원은 LG생활건강과 함께 42만개의 후보 물질을 검토해 하루 만에 탈모 효과 물질 ‘람시딜’을 발굴했다고 밝혔어요.[1] 이 수치는 AI가 모든 후보를 사람이 직접 보는 방식보다 빠르게 좁혀주는 역할을 했다는 사례로 읽는 게 맞습니다.
다만 ‘발굴’은 곧바로 의약품 효과가 확정됐다는 뜻이 아니에요. 실제 효능과 안전성은 실험과 임상, 허가 절차를 거쳐야 합니다. 발표 자료에서 확인되는 것은 후보 물질을 찾은 과정과 공동 개발 현황이지, 최종 제품의 치료 효과가 아닙니다.
100건 이상의 산업 난제 해결, 어디까지 확인됐나?
LG AI연구원은 2020년 12월 설립 이후 배터리 수명·용량 예측, 불량 제품 선별, 생산·자재 관리 최적화, 신약 후보 물질 발굴 등 100건 이상의 산업 난제를 해결했다고 소개했어요.[1] ZDNet은 제조·금융·과학 분야 난제를 해결하는 전문가 AI라는 점과 로봇 파운데이션 모델 개발 계획을 함께 보도했습니다.[2]
여기서 ‘해결’의 범위와 각 프로젝트의 성과 지표는 공개 기사만으로 모두 비교하기 어렵습니다. 생산 불량률을 얼마나 낮췄는지, 검사 시간이 얼마나 줄었는지, 사람의 재검토가 어느 정도 필요한지는 사례별로 달라요. 따라서 기업이 도입을 검토할 때는 100건이라는 총량보다 자신의 현장과 비슷한 사례의 측정값을 요구해야 합니다.
범용 AI와 무엇이 다른가?
범용 AI는 다양한 질문에 답하도록 만들어졌지만, 산업용 AI는 데이터의 형식과 실패 비용이 정해져 있어요. 제조 검사는 작은 오판도 리콜이나 생산 중단으로 이어질 수 있고, 금융 예측은 오래된 정보가 섞이면 판단을 흐릴 수 있습니다. 산업용 AI는 그래서 모델 크기보다 데이터 관리, 권한 통제, 결과 설명, 사람이 개입할 지점이 중요합니다.
LG AI연구원이 소개한 금융용 ‘엑사원 BI’는 여러 에이전트가 데이터 분석과 추론·예측·설명을 나누고, 시간에 따라 변하는 정보를 이해하는 ‘엑사원 포어캐스트’를 적용했다고 설명했어요.[1] 이런 구조가 실제 업무에 유용한지는 최신 데이터가 언제 반영되는지와 예측 근거를 사람이 검토할 수 있는지에 달려 있습니다.
도입을 검토하는 기업이 먼저 물을 질문
- 모델이 틀렸을 때 생산·안전·규제상 책임은 누가 지는지 확인하세요.
- 학습 데이터에 개인정보와 영업비밀이 섞이지 않는지 확인하세요.
- 성공 사례의 기준을 매출이 아니라 시간, 불량률, 재작업률처럼 측정 가능한 값으로 정하세요.
- AI가 판단을 내리는 구간과 사람이 최종 승인하는 구간을 분리하세요.
이번 발표는 산업 AI가 대화형 서비스에서 현장 업무로 이동하는 흐름을 보여줘요. 다만 공개된 사례는 회사가 발표한 성과이므로 독립적인 재현 수치와 적용 조건은 별도로 확인해야 합니다. 국내 기업이 따라야 할 방향은 모델 이름을 바꾸는 일이 아니라, AI가 틀렸을 때도 운영이 멈추지 않는 절차를 만드는 데 있어요.
관련 글
AI 모델 개발 원칙과 산업 현장 적용을 함께 볼 때 참고할 글
