LG AI연구원 전문가 AI 공개, 산업 현장용 AI가 달라지는 지점

AI를 활용하여 생성한 이미지입니다.

산업용 AI를 볼 때는 모델 이름보다 어떤 현장 데이터를 다루고, 틀렸을 때 누가 멈출 수 있는지를 먼저 봐야 합니다. LG AI연구원은 2026년 9월 14일 열린 LG AI 토크 콘서트에서 제조·과학·금융 분야에 특화한 전문가 AI와 적용 사례를 소개했습니다.[1] 발표에 나온 기술은 대화형 챗봇을 넓히는 데서 그치지 않고 공정 예측, 자율 검사, 신소재 설계, 금융 분석처럼 입력과 결과가 비교적 분명한 업무를 겨냥합니다.

이런 소식이 반가운 이유는 산업 현장에서 필요한 AI의 기준이 일반적인 질문 답변과 다르기 때문입니다. 공장에서는 그럴듯한 설명보다 불량 가능성을 일찍 찾아내는지가 중요하고, 연구실에서는 후보를 빠르게 줄이되 실제 실험으로 틀린 예측을 걸러야 합니다. 금융에서는 최신 데이터와 계산 근거가 함께 보여야 담당자가 승인할 수 있습니다. 따라서 이번 발표를 읽을 때는 “AI가 똑똑해졌다”보다 업무의 어느 단계가 바뀌는지에 초점을 맞추는 편이 좋습니다.

공개된 전문가 AI가 맡는 일

제조 분야에서 소개된 엑사원 태뷸러는 공정 조건과 품질 정보를 분석해 변화를 예측하는 용도로 설명됐습니다. 엑사원 옴니 인스펙트는 제품 외관이나 검사 대상이 달라져도 재학습 부담을 줄이는 방향의 비전 검사 기술로 소개됐고, 데이터 샘플링·라벨링·모델 학습을 수행하는 비전 검사 에이전트 계획도 언급됐습니다.[1][2] 다만 “재학습 없이”라는 표현이 모든 현장 변화에서 같은 정확도를 보장한다는 뜻은 아닙니다. 제품 재질, 조명, 카메라 위치, 불량 유형이 바뀌면 별도 검증이 필요합니다.

발표에서 말한 기능을 실제 제품의 자동 승인으로 읽으면 곤란합니다. 산업 AI는 판단을 내리는 모델, 데이터를 연결하는 파이프라인, 권한 관리, 사람이 검토하는 화면이 함께 작동해야 합니다. 모델이 높은 점수를 내놓아도 입력 데이터가 늦게 들어왔거나 설비 센서가 고장 나면 결과는 믿기 어렵습니다. 현장에 설치하기 전에는 정상 데이터뿐 아니라 센서 누락, 새로운 제품, 극단적인 온도와 조명 같은 예외 상황도 시험 목록에 넣어야 합니다.

42만 개 후보 물질을 하루 만에 검토했다는 뜻

LG AI연구원은 LG생활건강과 함께 42만 개 후보 물질을 검토해 탈모 효과 물질 “람시딜”을 발굴했다고 밝혔습니다.[1] 이 사례에서 AI의 역할은 모든 후보가 최종 효과가 있다고 판정한 것이 아니라, 넓은 후보군을 계산으로 좁혀 사람이 후속 검증할 대상을 찾는 데 있습니다. 후보 발굴, 효능 확인, 안전성 검토, 임상과 허가를 같은 단계로 묶으면 안 됩니다.

이 구분은 화학·신약 분야에서 특히 중요합니다. 예측 점수가 높아도 실제 합성 가능성, 체내 흡수, 부작용, 제조 비용에서 탈락할 수 있습니다. 기업이 비슷한 시스템을 검토한다면 “하루에 몇 개를 봤나”만 묻기보다 최종적으로 몇 개가 실험에 들어갔고, 예측이 틀린 사례를 어떻게 기록했으며, 사람의 검토 시간이 얼마나 남는지를 확인해야 합니다. 공개된 발표에는 프로젝트의 세부 측정 조건이 모두 제시된 것은 아니므로, 이 수치를 다른 회사의 성능과 바로 비교해서는 안 됩니다.

범용 챗봇과 산업 AI의 차이

범용 챗봇은 다양한 질문에 자연스럽게 답하는 것이 장점입니다. 반면 산업 AI는 입력 형식, 허용 오차, 보안 경계, 책임자가 더 구체적으로 정해져야 합니다. 제조 검사에서 거짓 양성은 정상 제품을 버리게 만들고, 거짓 음성은 불량품이 출하되는 문제로 이어질 수 있습니다. 금융 분석에서 오래된 가격이나 정책 자료가 섞이면 예측 문장이 유창해도 의사결정에 쓸 수 없습니다.

LG AI연구원은 금융용 엑사원 BI에서 여러 에이전트가 분석과 추론·예측·설명을 나누고, 시간에 따라 바뀌는 정보를 이해하는 엑사원 포어캐스트를 적용했다고 설명했습니다.[1] 이런 구조가 유용한지는 최신 데이터가 언제 반영되는지, 각 에이전트의 결과가 충돌할 때 누가 판단하는지, 원본 자료로 되돌아갈 수 있는지에 달려 있습니다. 에이전트 수가 많다고 자동으로 신뢰도가 높아지는 것은 아닙니다.

도입을 검토하는 기업의 순서

1. 작은 업무를 고릅니다. 생산 전체를 자동화하기보다, 재작업 원인 분류나 검사 후보 선별처럼 결과를 사람이 확인할 수 있는 작업으로 시작합니다.
2. 기준선을 기록합니다. 현재 처리 시간, 오류율, 재검토 건수, 데이터 지연을 먼저 측정해야 AI 도입 뒤의 변화를 판단할 수 있습니다.
3. 실패 경로를 설계합니다. 신뢰 점수가 낮거나 입력이 빠졌을 때 자동 승인하지 않고 사람에게 되돌리는 규칙을 정합니다.
4. 운영 자료를 남깁니다. 모델 버전, 데이터 시점, 담당자 승인, 수정 이력을 기록해 문제가 생겼을 때 원인을 추적합니다.

특히 영업비밀과 개인정보가 섞인 데이터를 외부 서비스에 보낼 때는 보관 기간, 학습 사용 여부, 접근 권한을 계약과 기술 설정에서 확인해야 합니다. 기존 설비와 연결할 때는 오래된 파일 형식이나 통신 규격이 병목이 될 수 있고, 모델을 교체할 때 결과 기준이 달라질 수도 있습니다. 현장 담당자가 화면을 믿지 못해 별도 엑셀을 다시 만들면 자동화 효과는 줄어듭니다. 기술 설명과 함께 작업 절차를 바꾸는 교육까지 계획해야 하는 이유입니다.

발표 이후 확인할 자료

• 자신의 업종과 비슷한 사례에서 사용한 데이터, 기간, 오류 기준을 확인합니다.
• “해결”이나 “자동화”가 전체 업무를 뜻하는지, 후보 선별과 보조 분석을 뜻하는지 구분합니다.
• 독립적인 재현 수치가 없는 경우 회사 발표의 성과와 외부 검증을 나눠 기록합니다.
• AI가 틀렸을 때 생산·안전·규제 책임과 복구 권한이 누구에게 있는지 문서화합니다.

LG AI연구원의 발표는 산업 AI가 특정 업무의 데이터와 절차를 붙잡고 움직이는 방향을 보여주는 사례입니다. 그러나 공개 사례만으로 모든 공장이나 금융 조직에 같은 결과를 약속할 수는 없습니다. 도입 판단은 모델 이름이 아니라 측정 가능한 기준선, 예외 처리, 사람의 승인 지점으로 내려야 합니다. AI 에이전트와 챗봇의 역할 차이를 먼저 정리하고 싶다면 AI 에이전트와 챗봇의 차이를 설명한 글도 함께 참고할 수 있습니다. 산업용 모델의 원칙과 운영 기준을 더 넓게 살펴보려면 AI 모델 개발 원칙과 산업 현장 적용을 다룬 글도 읽어 볼 만합니다.

파일럿을 끝낸 뒤에는 정확도만으로 계속할지 결정하지 않는 편이 좋습니다. 현장 직원이 결과를 확인하는 데 걸린 시간, 잘못된 경보를 다시 분류한 횟수, 모델이 멈췄을 때 수동 절차로 전환하는 시간도 운영 비용입니다. 모델이 기존 시스템보다 조금 더 정확해도 검토 화면이 불편하거나 장애 복구가 늦으면 전체 업무는 오히려 복잡해질 수 있습니다. 반대로 정확도가 크게 늘지 않아도 반복 입력과 자료 검색을 줄였다면 보조 도구로서 가치를 가질 수 있습니다.

자주 묻는 질문

42만 개 후보를 찾았다는 말은 신약이 완성됐다는 뜻인가요?

아닙니다. 공개된 내용은 후보 물질을 계산으로 좁히고 발굴한 사례입니다. 효능·안전성·임상·허가와 제조 가능성은 별도 검증 단계입니다.

산업용 AI는 범용 챗봇보다 항상 정확한가요?

그렇게 단정할 수 없습니다. 업무 범위를 좁히면 기준을 세우기 쉬워지지만, 데이터가 오래됐거나 현장 조건이 바뀌면 성능이 떨어질 수 있습니다.

기업이 첫 도입에서 가장 먼저 볼 지표는 무엇인가요?

처리 시간 하나만 보지 말고 오류율, 사람의 재검토 시간, 예외 처리 건수, 결과를 원본 데이터로 추적하는 데 걸리는 시간을 함께 기록하는 편이 좋습니다.

Sources

1. [1] 연합뉴스, LG AI연구원, 제조·과학·금융 현장 특화 전문가 AI 공개
2. [2] ZDNet Korea, LG 제조·금융·과학 난제 푸는 전문가 AI 공개