https://www.youtube.com/watch?v=Pt9-SXAJPlU
📌 26년 AI 시대, 전통 제조 산업에서 생존하기 위한 AX 담당자의 역할은?
💡 전통 기업 AX 담당자에게 요구되는 핵심 역량은?
문제를 구조화하는 스킬
넓은 기술적 시야
효과적인 커뮤니케이션 능력
1. 전통 기업 AX 전환 전략 및 현실 인식
1.1. 발표자 소개 및 강의 개요
발표자 경력: 대기업에서 약 15년 차 근무 중이다.
초기 경력: 대기업 SI 기업에서 인프라 엔지니어로 시작했으며, 시스템 보안 및 네트워크를 거쳤다.
데이터 엔지니어 역할: 커리어 말미에 데이터 엔지니어로 역할을 수행했으며, DT(Digital Transformation) 바람이 불면서 제조업에서 DT 관련 팀 빌딩 및 리딩 역할을 수행했다.
DT 경험: 데이터 레이크 구축, 실제 데이터 분석 환경 구축 후 모델링 및 분석을 통해 비즈니스에 도움이 되는 역할을 수행하려 노력했다.
이직 및 현재 역할: 제조업 도메인에 지겨움을 느껴 건설업을 하는 회사로 이직하여 현재 AX(AI Transformation)를 담당하고 있다.
현재 업무: 회사에서 AI를 비즈니스에 어떻게 적용할지, 어떤 효과를 누릴지, 그리고 AI 관련 문화를 임직원들에게 어떻게 전파할지 업무를 수행하고 있다.
직함에 대한 견해: '대기업 15년 차 AX/DX 전문가'라는 칭호에 대해 AX/DX가 나온 지 얼마 되지 않았으므로 전문가보다는 종사자로 칭하는 것이 적절하다고 생각한다.
강의 목표: IT 네이티브 기업(네카라쿠배 등)이 아닌 전통 기업의 AX 움직임에 집중하여 설명하며, 기술적인 요소보다는 업무 시 발생하는 이슈와 그 원인, 그리고 팁을 제공하는 것을 목표로 한다.
강의 목차:
구조의 차이: IT 네이티브 기업과 전통 기업의 차이점 및 포지션 분석.
현실 인식: 전통 산업 내 AI 관련 이상과 현실의 갭(Gap) 설명.
실전 사례: AI 과제 추진 시 겪었던 어려움 공유.
최종 결론: 취업 준비생 및 초년생을 위한 역량 강화 팁 제공.
1.2. 전통 기업 AX의 출발선 차이: 구조의 이해
강의 시작: 전통 기업 AX가 IT 네이티브 기업과 출발선이 다른 이유인 구조의 차이에 대해 다룬다.
상위 기업 조사: 지난달 기준으로 대한민국 시가총액 상위 22개 기업을 조사했다.
전통 기업의 비중: 조사 결과, 네이버를 제외한 대다수 상위 기업들은 디지털 네이티브 기업이 아니며, 제조, 건설, 유틸리티, 반도체, 자동차, 방산, 조선 등 현실 세계의 비즈니스를 영위하는 기업들이다.
기회 요인: 이러한 전통 기업들은 실제 매출과 고용 인원이 많으므로, 취업 준비생의 입장에서 기회가 될 수 있으며, 이를 위해 준비해야 할 부분을 설명하고자 한다.
디지털 네이티브 기업 vs. 전통 기업 차이점: 이 차이점에서 AX의 출발점이 달라진다.
본업의 차이:
디지털 네이티브 기업: 온라인 서비스나 플랫폼 소프트웨어 등 무형 자산을 본업으로 가진다.
전통 기업: 공장, 현장, 설비 등 눈에 보이는 유형 자산을 가지고 비즈니스를 한다.
핵심 자산:
디지털 네이티브 기업: 데이터, 사용자, 트래픽을 중점적으로 자산화했다.
전통 기업: 플랜트, 설비, 사이트, 공정 노하우 등을 핵심 자산으로 관리해 왔다.
업무 방식 및 중점 사항:
디지털 네이티브 기업: 제품/서비스 개발 중심에 소프트웨어 방법론을 사용하며, 시도, 실패, 실험이 허용되는 분위기이다.
전통 기업: 물리적 작업이 동반되므로 안전, 품질, 수율을 중점적으로 본다.
의사 결정 구조 및 IT 조직:
디지털 네이티브 기업: IT 조직 인원이 핵심 비즈니스 모델의 중심에 있으며, 직접 개발 및 운영 구조이다.
전통 기업: IT 조직이 그룹사 SI 기업(예: 삼성 SDS, LG CNS, SK CNC)에 의해 운영되거나 외주 개발에 의존한다. 내부 인력은 요청 및 검수 역할을 주로 수행한다.
내부 IT 조직 구축 움직임: 최근 전통 기업에서도 내부 IT 조직을 구축하려는 움직임이 보이나, 아직 많은 기업이 내부 IT 개발/운영 인력이 부족한 현실이다.
AI 적용의 차이: 본질적인 비즈니스 모델 차이로 인해 AI 적용의 출발점이 다르다.
디지털 네이티브 기업: 이미 데이터 기반 환경이 갖춰져 있어 DT 전환이 빨랐고, 연속선상에서 AI에 빠르게 적응할 수 있다. (LLM/AI 기술 트렌드 사례의 대부분을 차지함)
전통 기업: 본업이 물리적 행위를 통한 수익 창출 모델이 많으므로, 상황에 맞게 AI 전환을 시도하는 이해가 필요하다.
커리어 고민: AI 영역으로 커리어를 고민하는 경우, 디지털 네이티브 기업 외에 전통 기업에서의 AX 준비도 좋은 방법이 될 수 있다.
어려움 요약: 전통 기업이 겪는 어려움의 큰 요인 세 가지를 정리한다.
1.3. 전통 기업 AX의 현실적 어려움 (1): 인식의 차이
인식 차이 발생 지점: AI 트랜스포메이션(AX) 추진 시 이해관계자 간의 인식 차이가 크게 발생한다.
주요 이해 관계자: 경영진, 현업(비즈니스 업무 담당자), IT/DT 담당자 세 종류로 구분된다.
경영진의 인식:
외부에서 AI 관련 좋은 소식만 접하며, 세미나나 외부 강연 등을 통해 정보를 얻는다.
"우리도 빨리 AI를 도입하여 경쟁사 우위를 선점해야 한다", "수십 년간 쌓아온 노하우와 데이터가 있으니 빨리 도입하라"고 지시한다.
현업의 인식:
본인에게 주어진 업무만으로도 벅차며, AI 테스트나 데이터 정제 요청 시 많은 미움을 받는다.
최근 GPT 등을 사용해보고 업무 적용을 희망하기도 하지만, 도입 시 협조적일 여유는 부족하다.
IT/DT 담당자의 인식:
전통 기업 IT 담당자는 개발/운영보다는 그룹사 SI 업체나 소싱 업체 요청 및 관리를 주로 하므로 AI에 대해 잘 모르는 경우가 많다.
AI를 기존 IT 시스템처럼 외부 업체에 "만들어 달라"고 요청하면 될 것이라 생각하며, AI에 필요한 구체적인 요소(데이터 처리, MLOps 환경 등)에 대한 이해가 부족하다.
경험 기반 설명: 위 내용은 발표자가 직접/간접 경험한 부분에 한하며, 현실이 매우 잘 되어 있는 기업도 있을 수 있으나, 준비가 덜 된 기업을 대상으로 한다. (시총 22개 업체 중에도 해당 사례가 많았음)
결과: 이해 관계자 간 인식 차이가 크기 때문에 "AI로 효율화/최적화하자"와 같은 두루뭉술한 목표만 존재하며, 납득할 만한 비전이나 전략이 불명확한 상태이다.
필요 조치: AI 관련 인식을 상향 평준화할 필요가 있으며, AI로 할 수 있는 것, 현실적으로 쓸 수 있는 AI 수준, 데이터 상태 등에 대한 자기 객관화 기반의 현실 인식이 필요하다.
1.4. 전통 기업 AX의 현실적 어려움 (2): 주인 없는 과제
주인 없는 과제: 인식 차이에서 비롯된 상황으로, 실제 AI 과제를 진행할 때 오너(주인)가 없는 경우가 많다.
오너십 부재 원인: C-Level의 강력한 의지로 추진되거나 외부 영입이 이루어지기도 하지만, 과거 IT/DT 경험이 있는 내부 팀장에게 AI 추진을 맡기는 경우가 많다. AI를 과거에 해오지 않았기 때문에 주인이 모호하다.
이해관계자별 태도:
현업: AI가 막연히 모든 문제를 해결해 줄 것이라 기대하며, AI에 도메인 전문가의 적극적인 참여가 필요함에도 불구하고 "IT에서 하는 일"로 치부하며 발을 뺀다.
IT/DT 담당자: 도메인 지식이 부족하여 현업의 요구사항을 만들고, 기존처럼 밴더사가 알아서 개발할 것이며 자신은 중간 조율만 하면 된다고 생각하며 책임을 회피한다.
외부 밴더/소싱 업체: 고객사가 요청한 범위 내에서만 만들어 돈을 벌면 되므로, 고객사가 요청하지 않는 범위 내에서 적극적인 제안이나 설계까지 해주기 어렵다.
결과: 서로 책임을 돌리다가 POC(Proof of Concept)만 많이 진행하게 된다.
POC의 한계: POC는 샘플 데이터로 모델을 돌려보는 수준으로 끝나기 쉬우며, 이후 전사 확장을 위한 본 과제로 디벨롭시키기가 매우 어렵다.
필요 역량: POC 이후 과제를 진두지휘하고 설계하며 조정자 역할을 할 중앙 집중적인 조직(센트럴 조직)이 오너십을 갖고 현업 및 개발사 사이를 컨트롤하는 것이 전통 기업에서는 필요하다.
IT 네이티브 기업과의 비교: IT 네이티브 기업은 과거 ML/DL 시기부터 AI 관련 체계가 갖춰져 있어 이슈가 적지만, 전통 기업은 누가 선뜻 나서서 하겠다고 할 수 없는 인력 구조를 가지고 있다.
1.5. 전통 기업 AX의 현실적 어려움 (3): 데이터의 부재
데이터 현실: 데이터가 많지만 실제 쓸 수 있는 데이터가 없다는 것이 가장 큰 어려움이다.
데이터 부재의 근본 원인: 전통 기업의 본업은 현장 라인 가동 및 제품 생산이었으며, 데이터는 운영 목적(승인, 보고)으로만 쌓였을 뿐, 데이터 자체가 본업이 아니었기 때문에 데이터 품질이 낮을 수밖에 없다.
현장과 데이터의 간극:
최근 4~5년 DT 바람으로 데이터를 쌓아두긴 했으나, 현장에서만 통용되는 안목적인 지식/경험이 많다.
이러한 안목적 지식/경험이 데이터화되지 않아 의사 결정 시 중요한 변수로 사용되지 못하는 경우가 많다.
디지털화되지 않은 영역:
비즈니스 프로세스상 디지털화가 안 된 영역이 많으며, 이는 자금 사정이나 ROI 판단에 따라 전략적으로 디지털화를 안 한 부분일 수도 있다.
디지털화되지 않은 데이터는 담당자의 PC 내 엑셀, 파워포인트 등에 존재하며, 담당자 퇴사 시 문서도 사라지는 경우가 비일비재하다.
결론적으로 현장 데이터가 많이 없거나 중간중간 빵꾸난 부분이 존재한다.
데이터 구조 및 형태 문제:
운영 목적의 데이터(승인, 보고용)는 분석이나 AI 모델 활용 시 구조나 형태가 맞지 않는 경우가 많다.
과거부터 데이터를 다뤄온 기업들은 운영 데이터 외에 분석/AI 활용을 위해 미리 설계된 데이터를 갖추고 있으나, 그렇지 못한 기업들은 AI/분석 시 전처리 작업에 많은 시간이 소요된다.
데이터 고립 및 비일관성: 데이터가 시스템별로 고립되거나 파편화되어 있어 통합/연결 시 키 불일치, 단위 불일치, 용어 불일치 등의 어려움이 발생한다.
결론: 실제 데이터는 많지만, 형태가 파편화되어 있고 품질이 낮아 쓸 수 있는 데이터가 없다는 것이 전통 기업 AX 진행의 허들로 작용하고 있다.
1.6. 실전 사례를 통한 AX 담당자의 역할 설계
1.6.1. 사례 1: RAG 기반 사내 검색 챗봇 구축
요청 사항: 현업에서는 "사내 매뉴얼, 기준 문서, 업무 지식을 모아서 직원 질문에 바로 찾을 수 있게 챗봇을 만들어 달라"고 요청하며 디테일함이 거의 없다.
AX 담당자가 마주하는 상황 (데이터 문제):
파편화된 파일 포맷: 매뉴얼이나 기준 문서가 노션/위키가 아닌, 스크린샷을 붙이고 메모를 붙인 파일 형태로 존재하며, 이는 RAG 구현 시 큰 주약(골칫거리)이 된다.
문서 체계 부재: 워드, PPT, PDF 등 파일 포맷이 섞여 있고, 어느 것이 최신본인지 알 수 없다.
도메인 언어 문제: 제조, 조선, 건설 등 도메인 비즈니스 용어, 약어, 심지어 사내 은어 등이 많아 AI가 잘 이해하기 어렵다 (파인튜닝이나 어휘 사전 필요).
안목지: 문서에 없는 예외나 관행 등의 안목지(암묵지)를 어떻게 처리할지 문제이다.
보안 제약: 오픈AI나 베드락 같은 외부 LLM 사용, 또는 AWS/Azure 같은 퍼블릭 클라우드 사용 시 그룹사 보안 정책으로 제약이 많다.
AX 담당자의 설계 역할:
문서 조립 및 관리: 파편화된 문서들을 가져와 구조/체계/분류 체계를 어떻게 가져갈지 설계해야 한다.
지식 베이스 라이프 사이클 설계: 문서 생성, 수정, 만료/삭제 시점에 맞춰 챗봇의 논리지 베이스를 어떻게 관리할지 설계해야 한다 (발표자가 현재 고민하는 부분).
데이터 처리 설계: 사용자가 직접 업로드하게 할지, 데이터 파이프라인(예: 에어플로우)을 통해 자동화할지 설계 지식이 필요하다 (A to Z를 직접 한다는 의미가 아니라 대략적 지식이 있어야 설계에 참여 가능).
용어집 구축: 도메인 용어, 은어, 약어 등을 반영하는 사내 용어집이 필요할 수 있다.
성능 검증 및 Q&A 셋 확보:
성능 검증을 위해 Q&A 셋 확보가 필수이다.
Q&A 셋은 AX 담당자가 아닌 도메인 전문가(현업 담당자)가 만들 법한 질문들로 구성되어야 하며, 담당자는 이들의 취지를 설명하고 협조를 구해 다양한 유형의 Q&A 셋을 확보해야 한다.
성능 평가 기준 설정: 내부적으로 성능 평가 기준을 잡아 개발해야 한다.
UX 설계: 현업 사용자들이 쉽게 쓸 수 있도록, 그들이 근무하는 환경(모바일/PC)이나 필요한 기능(보이스 등)을 고려한 UX 설계 고민이 필요하다.
결론: 챗봇 구축 과제는 단순히 챗봇을 만드는 것을 넘어, 그 앞단의 지식/정보 체계를 설계하는 과정에 AX 담당자가 깊이 관여하고 고민해야 할 부분이다. LLM과 함께 논의하면 좋은 정보를 얻을 수 있으므로 두려워할 필요는 없다.
1.6.2. 사례 2: 수요 예측 ML 모델 과제
과제 목표: 수요 예측을 통해 생산량을 최적으로 만들어 재고를 최적화하는 ML 모델 과제이다. (유통/제조에서 많이 사용됨)
마주한 상황 (데이터 문제):
숫자 조작: 받아본 판매 데이터 숫자를 믿을 수 없으며, 사람들이 조작한 숫자나 오프더레코드(Off the record)로 처리된 데이터가 존재한다.
엣지 케이스(Edge Case) 미비: 신제품, 판매 종료 제품, 새로운 이벤트 등 엣지 케이스에 대한 처리가 POC 단계에서는 잘 드러나지 않다가 운영 시 문제가 된다.
현실 반영 미흡: 모델 예측값이 현실 프로세스에 어떻게 반영될지에 대한 현실적인 고민이 필요하다.
AX 담당자가 수행하는 일 (테스크):
의사 결정 구조 설계: 예측값을 100% 사용할지, 성능이 안 나오는 부분은 사람이 휴리스틱하게 판단할지 등 의사 결정 구조를 설계한다.
데이터 정의/설계/정제: 데이터 정의, 설계, 정제 작업을 수행한다.
엣지 케이스 처리: 엣지 케이스를 모델에서 예외 처리할지, 다른 모델을 가져와 만들지 등을 결정한다.
성능 개선 프로세스: 예측 모델 성능 저하 시 원인을 파악하고 개선하는 프로세스 설계 및 데이터 품질 관련 루틴 구축을 한다.
AX 담당자의 역할: 모델링 성능을 1~2% 올리는 것 외에도, 주변의 데이터 현실에서의 의사 결정 구조와 운영 방식 전체 흐름을 설계하고 조율하는 것이 AX 담당자의 일이다.
1.7. 전통 기업 AX 담당자가 갖춰야 할 역량
역할 재정의: 전통 기업 AX 담당자는 기존 AI 담당자의 역할과 다르게 역할을 재정의할 필요가 있다.
기대되는 세 가지 역할:
문제를 번역하는 사람: 현업의 문제를 AI/데이터 관점에서 쉽게 처리할 수 있도록 지표나 패턴으로 번역해 주는 역할.
사람과 시스템을 조율하는 사람: 이해 관계자와 시스템 사이에서 의사 결정 구조를 만들거나 조율하는 역할.
데이터/AI 활용을 설계하는 사람: 구현된 결과에 대해 데이터 흐름, 모델 구동 방식, 사용 방식을 설계하는 역할.
실제 수행 범위: 코딩이나 모델링(프로토타입 제작, PoC/Pilot 수행)을 하기도 하지만, 실질적으로 비즈니스 적용을 위해서는 문제, 데이터, 사람을 엮어서 판을 설계하는 역할이 중요하다.
채용 공고 비교:
IT 네이티브 기업 (왼쪽): 담당 에이전트 플랫폼 구축, MLOps, RAG, Vector DB 등 기술 스택과 운영 경험을 중시하며, AI를 만드는 역할을 요구한다.
전통 기업 (오른쪽): AI 기획 직무로, 주요 업무가 수립, 실행, 관리, 협업 추진, 기획, 운영 등으로 되어 있으며, AI를 어디에 어떻게 쓸지를 설계하고 조직과 파트너를 움직이는 역할을 요구한다.
전통 기업 요구사항: AI 도입 시 문제를 이해하고, 과제를 발굴하며, 이해 관계자를 움직인 경험을 요구하는 경향이 강하다.
준비해야 할 역량 (세 가지):
문제 구조화 스킬 연습:
막연한 불편함이 아닌, 그 불편함의 원인, 영향, 목표를 체계적으로 구조화하여 분석하는 연습이 필요하다.
실전 연습: 사이드 프로젝트나 과제 수행 후, 불편했던 부분의 상황을 분석하고 원인을 파악하여 해결책을 말하는 하나의 사이클을 구조적으로 고민해 보는 것이 좋다.
이력서 작성 팁: 면접관은 무슨 모델을 썼는지(KNN, XGBoost 등)보다 무슨 문제를 풀었는지를 알고 싶어 한다. 문제를 풀기 위해 고민한 과정, 모델 사용 이유, 결과, 그리고 부족했던 점과 향후 개선 방향 순서로 이력서를 작성하는 것을 추천한다.
기술적 시야 확장:
LLM에 포커싱되어 있지만, 기술이 돌아가기 위한 주변 기술들까지 함께 봐야 한다.
사이드 프로젝트 시 엔드투엔드(데이터 수집부터 서비스까지)를 경험하며, 각 단계(예: 데이터 수집 시 Airflow 사용 이유 등)를 심도 있게 고민하면 넓은 시야를 갖게 된다.
커뮤니케이션 연습:
내가 이해한 것과 상대방이 이해하는 것은 다르므로, 자신이 아는 지식을 상대방에게 효과적으로 전달하는 연습이 필요하다.
과제/프로젝트 종료 후, 문제, 발생 원인, 데이터 처리 과정 등을 요약하고, 다른 사람이 알아볼 수 있도록 글로라도 커뮤니케이션 연습을 해야 한다.
마무리: 전통 기업 AX는 어려움과 허들이 있지만, 기술을 깊게 파는 것보다 넓게 파는 것을 좋아하는 사람에게 매우 어울리는 분야이다.
최종 메시지: 기능만 만드는 사람이 아니라, 온도(현실)와 기술을 연결하여 변화를 설계하고 진회할 길을 만드는 사람이 전통 기업의 AX 담당자이다.
1.8. 질의응답
질문이나 궁금한 점이 있으면 아는 범위 내에서 답변을 제공할 예정이다.
댓글
댓글 쓰기