생성형 AI가 등장한 뒤 기업의 움직임은 빨라졌습니다. 챗봇을 만들고, 사내 문서를 검색하고, 업무에 AI 에이전트를 붙이기 시작했습니다. 하지만 막상 AI를 실제 현장 업무에 연결하려 하면 기대만큼 작동하지 않는 경우가 많습니다.
문제는 모델의 성능만이 아닙니다. 기업의 업무는 단순히 질문에 자연스럽게 답하는 것보다 훨씬 복잡합니다. 숫자 하나가 의사결정을 바꾸고 하나의 설비 변화가 전체 공정에 영향을 미치기도 합니다. 반도체·에너지·제조·플랜트처럼 정확성과 신뢰가 중요한 산업에서는 그럴듯한 답보다 근거가 명확하고 다시 검증할 수 있는 답이 필요합니다.
인포시즈는 기업 AI가 현장에 안착하지 못하는 이유를 세 가지로 봅니다.
기업 AI가 마주한 세 가지 벽
첫 번째, 환각(Hallucination)
범용 LLM은 확률적으로 다음 답을 생성합니다. 그래서 문장은 자연스럽지만 사실과 다른 내용을 만들어낼 수 있습니다. 일상적인 질문에서는 어느 정도 허용될 수 있지만 기업의 실제 업무에서는 다릅니다. 생산 계획, 설비 운영, 금융 계산처럼 오답의 비용이 큰 업무에서 잘못된 답 하나는 곧 운영 리스크와 잘못된 의사결정으로 이어질 수 있습니다.
두 번째, 설명가능성의 부족
AI가 어떤 결론을 내놓았을 때 현장에서는 자연스럽게 다음 질문이 따라옵니다. “왜 그렇게 판단했나요?” 어떤 데이터를 참고했고 어떤 규칙과 관계를 거쳐 결과가 나왔는지 확인할 수 있어야 합니다. 특히 내부 정책과 규제 준수가 중요한 산업에서는 결과만 제시하는 블랙박스형 AI를 그대로 적용하기 어렵습니다. 답을 맞히는 것만큼 근거를 추적할 수 있는 구조가 중요합니다.
세 번째, AI가 이해할 수 없는 형태로 존재하는 기업 데이터
ERP, MES, CRM, PLM 등 기업에는 이미 다양한 시스템이 있습니다. 문제는 각 시스템의 데이터가 서로 다른 구조와 용어로 관리된다는 것입니다. 설계도면은 파일 서버에 있고 공정 데이터는 MES에 있으며 설비 이력은 또 다른 시스템에 있을 수 있습니다. 업무 매뉴얼과 회의 기록, 시스템 로그까지 포함하면 데이터는 훨씬 더 복잡하게 흩어져 있습니다. 결국 아무리 뛰어난 AI 모델을 가져와도 기업의 데이터를 하나의 맥락으로 읽어내기 어렵습니다.
문제는 데이터의 양이 아니라 ‘연결’
기업들은 이미 많은 데이터를 가지고 있습니다. 특히 반도체·에너지·제조·플랜트 같은 산업에는 수십 년간 축적한 설계도면, 공정 데이터, 운영 매뉴얼, 설비 이력과 노하우가 존재합니다. 기업 AI의 핵심 문제는 데이터를 더 많이 만드는 것이 아닙니다. 이미 가지고 있는 데이터를 어떻게 연결할 것인가에 가깝습니다.
예를 들어 설비 하나의 정보를 알고 있다고 해보겠습니다. 그 설비의 이름과 위치, 현재 상태만 아는 것으로는 실제 업무에서 충분하지 않습니다. 그 설비가 어떤 공정에 속하는지, 어떤 다른 설비와 연결되어 있는지, 어떤 센서 데이터를 만들어내는지, 장애가 발생하면 다른 공정에는 어떤 영향을 미치는지까지 함께 알아야 합니다. 기업의 의사결정은 대부분 이런 관계 속에서 이루어집니다. 단순 검색이나 범용적인 RAG만으로 이 문제를 풀기 어려운 이유입니다.
검색은 관련 문서를 찾아주는 데 강합니다. 하지만 데이터와 데이터 사이의 구조적인 관계를 이해하고 그 관계를 따라 판단하는 것은 또 다른 문제입니다.
인포시즈는 데이터가 아니라 관계를 구조화한다
인포시즈가 기업 AI에 접근하는 출발점도 여기에 있습니다. 데이터를 한곳에 모으거나 검색할 수 있게 만드는 것에서 끝나지 않고 산업을 구성하는 객체와 객체 사이의 관계를 구조화합니다. 이를 위해 온톨로지와 그래프DB 기반의 지식 구조를 활용합니다.
예를 들어 제조 현장이라면 다음과 같은 정보를 연결할 수 있습니다.
어떤 설비가 존재하는가
해당 설비는 어떤 공정에 포함되는가
어떤 설비와 연결되어 있는가
특정 센서는 어떤 상태를 측정하는가
설비의 변화가 다른 공정이나 제품에 어떤 영향을 주는가
이렇게 정보를 연결하면 AI가 단순히 개별 데이터를 찾는 것에서 벗어나 기업의 구조와 맥락을 이해할 수 있는 기반이 만들어집니다. 중요한 것은 정형 데이터만 다루지 않는다는 점입니다. 실제 산업 현장에서 중요한 지식은 데이터베이스에만 존재하지 않습니다. 설계도면, 업무 문서, 시스템 로그, 매뉴얼 같은 비정형 데이터에도 중요한 정보가 들어 있습니다. 인포시즈는 이 데이터를 함께 구조화해 하나의 지식 체계로 연결합니다.
도면을 읽는 것과 이해하는 것의 차이
산업 데이터를 구조화할 때 특히 어려운 영역 중 하나가 설계도면입니다. 도면에는 단순한 텍스트나 객체만 있는 것이 아닙니다. 설비가 어떻게 연결되어 있는지, 공정이 어떤 방향으로 흐르는지, 하나의 객체가 다른 객체와 어떤 관계를 갖는지까지 담겨 있습니다. 도면에서 글자와 기호를 인식하는 것만으로는 충분하지 않습니다. 실제 업무에 활용하려면 도면의 연결 관계와 흐름 자체를 해석해야 합니다.
인포시즈는 도면 안의 객체를 추출하는 것을 넘어 객체 사이의 연결 관계와 의미 구조까지 디지털화하는 방식으로 접근합니다. 이렇게 만들어진 구조는 단순한 문서 검색을 넘어 영향도 분석, 설비 정보 탐색, 공정 이해와 같은 실제 현장 업무로 연결될 수 있습니다. 결국 AI가 산업 현장을 이해하려면 문서를 읽는 것보다 한 단계 더 나아가 현실 세계가 어떻게 연결되어 있는지를 읽을 수 있어야 합니다.
왜 대기업들이 이 문제를 먼저 풀려고 할까
핵심 산업군의 대기업들은 이미 막대한 데이터와 노하우를 갖고 있습니다. 오랜 시간 동안 쌓아온 설계 정보와 생산 데이터, 업무 방식 자체가 하나의 경쟁력입니다. 이들에게 필요한 것은 새로운 데이터를 만드는 일이 아닙니다. 기존 데이터를 AI가 사용할 수 있는 자산으로 바꾸는 것입니다.
문제는 기업 내부의 데이터가 오랜 시간 여러 시스템과 조직에 걸쳐 축적되면서 파편화되어 있다는 점입니다. 같은 개념을 부서마다 다른 용어로 부를 수도 있고 중요한 관계가 문서나 사람의 경험 속에만 존재할 수도 있습니다.
인포시즈는 이 데이터를 버리고 새롭게 구축하는 방식보다 기업이 이미 가진 데이터를 구조화하고 연결하는 방식을 택합니다. 설계·공정·운영·업무 데이터를 하나의 지식 구조로 만들고 그 위에서 AI가 검색하고 판단할 수 있도록 만드는 것입니다. 예를 들어 특정 부품이 어디에 있는지만 찾는 데 그치지 않고 그 부품의 입력과 출력 신호가 무엇인지, 어떤 블록과 연결되어 있는지까지 질의할 수 있게 되는 방식입니다. AI가 단순한 검색 도구에서 업무의 맥락을 이해하는 시스템으로 바뀌는 지점입니다.
기업이 원하는 것은 ‘AI가 일할 수 있는 기반’
기업이 AI를 도입할 때 처음에는 어떤 모델을 사용할지에 관심이 집중되기 쉽습니다. 하지만 실제 업무에 들어갈수록 질문은 달라집니다. ‘어떤 LLM이 가장 좋은가?’보다’우리 회사 데이터를 AI가 어떻게 이해하게 만들 것인가?’가 더 중요한 문제가 됩니다.
모델은 빠르게 좋아지고 있습니다. 반면 기업 내부의 데이터 구조와 업무 맥락은 각 회사마다 다릅니다. 같은 제조업이라고 해도 설비 구조와 공정, 사용하는 용어와 업무 방식은 모두 다릅니다. 기업 AI의 경쟁력은 결국 범용 모델 그 자체보다 기업 고유의 데이터를 얼마나 정확하게 구조화하고 연결할 수 있는가에서 만들어질 가능성이 큽니다.
인포시즈가 보는 기업 AI의 다음 단계
인포시즈는 기업 AI의 발전이 검색에서 끝나지 않을 것으로 보고 있습니다. 첫 번째 단계가 흩어진 정보를 정확하게 찾는 것이라면 그 다음은 여러 데이터를 연결해 현재 상황을 판단하는 단계입니다. 이후에는 하나의 변화가 다른 요소에 어떤 영향을 주는지 분석하고 조건을 바꿨을 때 결과가 어떻게 달라지는지 예측하는 단계로 발전할 수 있습니다. 검색에서 관계 분석, 그리고 추론과 시뮬레이션으로 이어지는 것입니다.
이 모든 단계에는 동일한 전제가 필요합니다. 기업 안에 존재하는 데이터와 지식이 서로 어떤 관계를 갖는지 구조화되어 있어야 한다는 점입니다. 인포시즈가 풀고 있는 문제는 단순히 더 좋은 챗봇을 만드는 일이 아닙니다. AI가 기업이라는 복잡한 세계를 이해할 수 있는 구조를 만드는 일에 가깝습니다.
AI가 기업 데이터를 ‘이해’하게 만든다
기업 AI가 현장에서 겉돌았던 이유는 AI 모델의 성능이 부족해서만은 아닙니다. 기업의 데이터가 AI가 이해할 수 있는 상태로 준비되어 있지 않았기 때문입니다. 데이터는 많지만 서로 연결되어 있지 않고 관계와 맥락은 사람의 머릿속이나 개별 시스템에 흩어져 있습니다.
인포시즈는 이 문제를 온톨로지와 그래프DB를 기반으로 풀고 있습니다. 복잡한 산업 데이터를 구조화하고 데이터 사이의 관계와 업무의 맥락을 AI가 이해할 수 있도록 만드는 것입니다. 반도체·에너지·제조·플랜트처럼 가장 복잡한 산업에서 이 문제가 먼저 드러나는 것도 우연이 아닙니다. 데이터가 많고 복잡할수록 AI에게 필요한 것은 더 많은 데이터가 아니라 더 잘 연결된 데이터이기 때문입니다.
앞으로 기업 AI의 경쟁력은 어떤 모델을 가져왔는지만으로 결정되지 않을 것입니다. 기업이 수십 년 동안 쌓아온 지식과 데이터를 얼마나 정확하게 연결하고 AI가 이해할 수 있는 자산으로 만들 수 있는지가 더 중요해질 것입니다. 인포시즈는 바로 그 기반을 만들고 있습니다.