오케스트로 그룹(의장 김민준)의 AI 전문 계열사 오케스트로 AGI(대표 김영광)가 엑셈과 컨소시엄을 구성해 경기도가 추진하는 ‘경기 AI 학습데이터 통합 관리체계 구축사업’을 수주했다고 12일 밝혔다. 이번 사업은 경기도가 보유한 행정 데이터를 생성형 AI 활용 목적에 맞는 학습데이터로 체계화하고, AI 행정서비스 구현을 위한 데이터 기반을 구축하는 것을 주요 내용으로 한다. 특히 경기도 내 부서와 시스템별로 분산된 데이터 자산을 통합적으로 관리할 수 있는 체계를 마련하는 데 초점을 두고 있다. 경기도는 클라우드컴퓨팅 시스템 구축을 추진해 온 데 이어, AI 전환(AX)을 위한 데이터 관리체계 구축도 본격화하고 있다. 오케스트로 그룹은 앞서 경기도 클라우드컴퓨팅 시스템 구축사업을 수행한 바 있으며, 이번 AI 데이터 관리체계 구축사업까지 연이어 맡게 됐다. 오케스트로 AGI는 경기도가 보유한 약 80종의 정보시스템과 경기 생성형 AI 플랫폼 지식저장소 내 비정형 학습데이터를 분석해 데이터 현황을 정비할 계획이다. 이를 바탕으로 글로벌 데이터 표준인 DCAT 3.0 규격의 데이터 카탈로그를 구축하고, 부서 및 시스템별 데이터 구조와 상호 관계를 체계화할 예정이다. 이를 통해 필요한 데이터를 보다 효율적으로 탐색하고 연계할 수 있는 기반을 마련한다는 방침이다. 이와 함께 데이터 생성부터 활용까지 전 과정을 추적할 수 있는 데이터 리니지(Data Lineage) 체계도 구축한다. 데이터의 출처와 변경 이력을 관리하고, AI 기본법상 고영향 인공지능 관련 데이터 범위를 식별해 카탈로그화함으로써 관련 가이드라인에 부합하는 안전성 확보 조치 마련을 지원할 계획이다. 기존 검색증강생성(RAG) 기술에는 데이터 카탈로그와 온톨로지를 연계한 검색 체계를 적용한다. 이는 단순 유사도 기반 검색을 넘어, 답변에 활용할 근거 데이터를 사전에 선별·통제하고 데이터 간 관계를 반영해 답변을 생성하는 방식이다. 여기에 Q＆A 검증 및 튜닝 기술을 더해 근거가 불명확한 답변 생성을 줄이고, AI 행정서비스의 정확성과 안정성을 높인다는 구상이다. 오케스트로 AGI는 그동안 AI 플랫폼, 데이터 플랫폼, 온톨로지 기반 지식관리체계 구축 사업을 수행해 왔다. 또한 한국교통안전공단, 한국도로공사, 국민건강보험공단 등 공공기관의 AI 플랫폼 구축 경험을 바탕으로 경기도 AI 행정서비스 고도화를 지원하고, 공공부문 AI 데이터 관리 사업을 확대해 나갈 계획이라고 밝혔다. 김영광 오케스트로 AGI 대표는 “공공부문에서 생성형 AI를 안정적으로 활용하기 위해서는 데이터의 양뿐 아니라 품질, 구조, 출처까지 체계적으로 관리할 수 있어야 한다”며 “이번 사업을 통해 경기도의 AI 행정서비스 고도화를 지원하고, 국가 데이터 스페이스 전략에 부합하는 공공 AI 활용 사례를 만들어가겠다”고 강조했다.

글로벌 테크 기업에서 도시와 AI 에이전트의 복잡한 시스템을 인간 중심 디자인으로 풀어온 한국인 엔지니어가 개인 건강 데이터 관리의 새로운 가능성을 제시한다. IBM 리서치(IBM Research) 소속 김은수 UX 엔지니어는 개인 건강 기록 플랫폼 ‘오늘의 나’를 올여름 출시할 예정이라고 밝혔다. ‘오늘의 나’는 사용자가 매일 자신의 증상과 컨디션 변화를 기록하고, 누적된 데이터를 바탕으로 시계열 패턴을 스스로 파악할 수 있도록 지원하는 헬스 데이터 시각화 솔루션이다. 기존 건강 기록 애플리케이션이 당일 상태를 텍스트나 수치 중심으로 저장하는 데 초점을 맞췄다면, ‘오늘의 나’는 증상 변화의 패턴을 시각적으로 구현하는 데 중점을 둔다. 증상, 피로도, 수면, 감정 기복 등의 지표를 하나의 시간 축 위에 배치해 사용자가 자신의 신체 데이터 변화와 반복되는 흐름을 직관적으로 확인할 수 있도록 설계됐다. 김은수 엔지니어는 “컨디션을 관리하는 과정에서 비슷한 증상이 반복되는 경우가 많지만, 시간이 지나면 그 흐름을 기억에만 의존해 정확히 되짚어 보기 어렵다”며 “증상 데이터가 구조적으로 시각화되지 않으면 아무리 꾸준히 기록해도 정작 중요한 흐름을 놓치기 쉽다”고 설명했다. 이어 “기록 행위 자체보다 중요한 것은 어떤 패턴이 반복되고, 그것이 어떻게 변화하는지에 대한 맥락을 이해하는 것”이라고 덧붙였다. 이번 프로젝트는 김 엔지니어가 지속해 온 데이터 시각화 및 인간 중심 AI 디자인 연구의 연장선에 있다. 김은수 엔지니어는 하버드 디자인대학원(Harvard GSD)에서 석사 학위를 취득한 뒤, 하버드와 MIT의 연구 환경에서 데이터, 인간 행동, 인터랙션 디자인의 상호관계를 연구해 왔다. 특히 MIT 시빅데이터디자인랩(Civic Data Design Lab) 재직 당시 시민 참여형 도시 인터페이스 프로젝트 ‘비주얼라이즈 NYC 2021(Visualize NYC 2021)’의 프로젝트 매니저를 맡아 웨비 어워드(Webby Award) 후보에 오른 바 있다. 또한 MIT 센서블 시티 랩(Senseable City Lab)에서는 모바일 데이터와 소셜 미디어를 결합해 도시 내부의 분리 구조를 시각화한 ‘리미널 게토’ 프로젝트를 진행했다. 현재 IBM 리서치에서는 생성형 AI 기반 제품의 UX 설계를 주도하고 있다. IBM 오픈소스 AI 모델의 사용자 환경인 ‘그라나이트 플레이그라운드(Granite Playground)’의 핵심 유저 플로우를 디자인했으며, 하네스와 MD 파일을 활용한 AI 네이티브 디자인 워크플로우 개발에도 참여했다. 그동안 거대한 도시 시스템의 보이지 않는 구조를 지도화하고, 베일에 싸인 AI의 사고 과정을 시각화해 사용자에게 제어 가능성을 제공해 온 경험은 이제 가장 개인적인 영역인 몸의 데이터로 확장되고 있다. 김 엔지니어는 “도시의 숨겨진 흐름을 데이터로 시각화하던 문제의식을 개인 건강이라는 가장 밀접한 데이터 영역에 그대로 투영했다”며 “사용자들이 자신의 건강을 블랙박스처럼 방치하는 것이 아니라, 스스로 읽고 관리할 수 있는 명확한 지도를 가질 수 있도록 돕고자 한다”고 말했다. 이어 “‘오늘의 나’는 현재 최종 개발 단계에 있으며 올여름 출시를 앞두고 있다”며 “출시 이후에는 장기적인 건강 관리와 컨디션 추적이 필요한 다양한 사용자층으로 서비스를 확장하는 방안도 검토하고 있다”고 밝혔다.

삼성중공업이 인공지능(AI) 수요 증가로 주목받는 부유식 데이터센터(Floating Data Center·FDC) 시장 선점을 위해 글로벌 협력을 확대한다. 프로젝트 발굴과 투자, 시장성 검증, 핵심 기술 개발까지 사업 전반에 걸친 협력 체계를 구축해 FDC 시장 진입 속도를 높인다는 계획이다. 삼성중공업은 2일(현지시간) 그리스 아테네에서 열린 세계 최대 선박 박람회 ‘포시도니아 2026’에서 그리스 선주사 캐피탈, 영국 로이드선급(LR)과 FDC 3자 사업 협력을 체결했다고 3일 밝혔다. 협약에 따라 삼성중공업은 FDC 기술·건조 분야를 맡고, 캐피탈은 프로젝트 발굴과 투자를 담당한다. 로이드선급은 FDC 관련 규정과 인증 분야에서 협력한다. 삼성중공업은 로이드선급 산하 컨설팅 전문회사인 로이드 어드바이서리와도 별도 업무협약(MOU)을 맺었다. 양사는 북미 지역 데이터센터 인프라 분석과 시장성 평가 등 경제적 타당성 검증 분야에서 협력하고, 글로벌 FDC 시장 진출 기반을 마련할 계획이다. AI 서버 운용 기술 확보를 위한 협력도 추진한다. 삼성중공업은 지난 1일 대만 타이베이에서 열린 정보통신 박람회 ‘이노베이트 APAC 2026’에서 미국 AI 서버 전문 업체 수퍼마이크로와 공동 개발 협력(JDP)을 체결했다. 해상 환경에서는 진동과 경사, 염분이 포함된 대기, 급격한 습도 변화가 정밀 AI 서버의 수명과 안정성에 영향을 미칠 수 있다. 삼성중공업은 해상 위치 제어와 염분·습도 차단 기술을 개발하고, 수퍼마이크로는 강이나 바다 위 환경에서 AI 서버를 안정적으로 운용할 수 있는 조건을 검증할 예정이다. FDC는 데이터센터를 육지가 아닌 강이나 바다 위에 설치하는 부유식 모델이다. AI 기술 상용화로 데이터센터 수요가 급증하면서 전력과 부지 확보, 서버 냉각 문제가 부상했고, 이를 해결할 수 있는 대안으로 거론되고 있다. 최성안 삼성중공업 대표이사는 “바다 위 데이터센터는 조선·해운업에 열려 있는 기회의 시장”이라며 “글로벌 협력을 통해 FDC 시장에 선제적으로 진입하여 독보적인 입지를 구축해 나갈 것”이라고 말했다.

인테리어 디자이너 김우재가 ‘데이터 센터 애즈 퍼블릭 인테리어(Data Center as Public Interior)’ 프로젝트로 ‘2026 도쿄 디자인 어워즈(Tokyo Design Awards 2026)’의 인테리어 디자인 리노베이션(Interior Design – Renovation) 부문에서 금상(Gold Winner)을 수상했다. 이번 프로젝트는 기존 산업용 공장 건물을 리노베이션해 데이터센터와 공공 공간이 공존할 수 있는 새로운 형태의 인테리어 환경을 제안한 점에서 높은 평가를 받았다. 단순한 산업시설 보존을 넘어 디지털 인프라와 시민 경험, 문화적 프로그램을 결합한 공간 구조를 제시했다는 점이 특징이다. 해당 프로젝트는 디지털 시스템이 도시 전반에 깊숙이 작동하고 있음에도 정작 이를 지탱하는 데이터 인프라는 시민의 일상과 분리된 채 비가시적으로 운영되고 있다는 문제의식에서 출발했다. 그는 데이터센터를 단순한 기술 설비 공간이 아닌, 도시와 시민 경험 속에서 다시 인식될 수 있는 공공적 공간으로 해석하고자 했다. 특히 기존 데이터센터가 폐쇄성과 보안 중심 구조를 유지해온 것과 달리, 이번 프로젝트는 서버 인프라와 함께 전시 공간, 코워킹 공간, 공용 동선 등 다양한 공공 프로그램이 공존하는 구조를 제안했다. 고보안 서버 영역과 시민이 이용하는 공공 영역을 기능적으로 분리하면서도 시각적 연결성과 공간 흐름은 유지할 수 있도록 설계했다. 공간은 접근성과 환경 제어 수준에 따라 단계적으로 구성됐다. 가장 외부에는 시민이 자유롭게 이용 가능한 전시 및 공공 프로그램이 배치되고, 내부로 갈수록 업무·연구·협업 공간이 이어진다. 최종적으로 가장 높은 보안과 정밀한 환경 제어가 요구되는 서버 공간이 별도의 레이어 안에 배치되는 구조다. 이를 통해 이용자는 공간을 이동하는 과정 속에서 자연스럽게 디지털 인프라의 존재를 경험하게 된다. 기계 설비와 서버 공간 역시 단순한 기술 요소가 아닌 건축적 경험의 일부로 읽히도록 구성됐다. 프로젝트는 산업유산 재활용이라는 도시적 과제와 디지털 인프라 재해석이라는 동시대적 의제를 함께 다룬 점에서도 의미를 갖는다. 과거 산업 생산의 장소였던 공장 건물을 오늘날 정보 흐름과 공공 경험이 교차하는 공간으로 전환함으로써, 도시 인프라의 새로운 가능성을 제시했다는 평가다. 김우재는 현재 미국 NBBJ에서 인테리어 디자이너로 활동하고 있으며, 기업 사옥과 대규모 워크플레이스, 경험 중심 상업 공간 프로젝트 등에 참여하고 있다. 그는 공간 전략과 디자인 개발, 시각화 작업 등 다양한 설계 단계에서 활동하는 동시에 기술 인프라와 인간 중심 디자인의 접점을 연구하고 있다. 이번 수상작 역시 기술 설비와 도시 경험, 보안과 개방성, 기능성과 공공성 사이의 관계를 실내 건축 언어로 풀어낸 프로젝트로 평가받고 있다.

블록체인 특화 LLM 평가 체계 제시...“범용 AI 고성능에도 Web3 전문 추론은 과제로 남아”싱가포르 오픈소스 AI 연구기관 DMind AI가 아시아 연구진과 공동으로 개발한 ‘디마인드 벤치마크(DMind Benchmark)’ 논문이 국제 학술대회 ‘KDD 2026(ACM SIGKDD)’의 데이터셋 및 벤치마크(Datasets ＆ Benchmarks) 트랙에 채택됐다고 26일 밝혔다. 본 학술대회는 오는 8월 9일부터 13일까지 제주에서 개최된다. 이번 연구는 웹3(Web3) 및 블록체인 분야에서 대형언어모델(LLM)의 성능을 정량적으로 측정하기 위한 평가 체계를 제안한 것이 핵심이다. 연구팀은 기존의 범용 AI 평가 방식에서 벗어나 블록체인 산업 특화 과제를 중심으로 모델의 실무 활용성과 전문 추론 능력을 검증하는 데 중점을 두었다고 설명했다. 최근 글로벌 AI 업계에서는 특정 산업 분야에 최적화된 도메인 특화 AI 개발 경쟁이 확대되는 흐름이다. 특히 금융·보안 분야에서는 단순 언어 생성 능력보다 정확한 추론과 안정성이 중요해지면서 전문 벤치마크 구축 필요성도 커지고 있다. 디마인드 벤치마크는 블록체인 기초 개념, 인프라, 스마트 컨트랙트, 탈중앙화 금융(DeFi), 탈중앙화 자율조직(DAO), 대체불가토큰(NFT), 토큰 이코노믹스, 밈코인, 보안 취약점 등 총 9개 도메인을 평가 범주로 설정했다. 단순 객관식 형태를 넘어 스마트 컨트랙트 디버깅, 온체인 수치 추론 등 실제 환경 기반 문제도 포함한 점이 특징이다. 연구팀은 GPT-5 시리즈, Claude, Gemini, DeepSeek, Grok, Qwen 등 총 31개 주요 AI 모델을 대상으로 성능을 비교 평가했다. 평가 결과 GPT-5 Medium이 전체 평균 77.63점으로 가장 높은 점수를 기록했지만, 토큰 이코노믹스와 보안 취약점 분야에서는 다수 모델이 낮은 성능을 보였다고 밝혔다. 연구진은 현재 상용화된 주요 AI 모델들도 Web3 전문 추론 영역에서는 여전히 한계를 드러내고 있다고 분석했다. 특히 복잡한 토큰 구조 해석이나 스마트 컨트랙트 보안 관련 문제에서는 모델 간 성능 편차가 크게 나타났다고 설명했다. 비용 대비 성능 측면에서는 일부 오픈소스 모델의 경쟁력도 확인됐다는 평가다. 연구에 따르면 DMind의 32B 파라미터 오픈소스 모델은 Web3 특화 과제에서 제한된 비용으로도 높은 성능을 기록했다. 특히 토큰 이코노믹스와 보안 영역에서는 대규모 범용 모델 대비 10~30% 수준의 비용으로 유사하거나 더 높은 성능을 보였다고 연구팀은 밝혔다. 업계에서는 생성형 AI가 금융·디지털 자산 분야로 확대 적용되면서 스마트 컨트랙트 검증이나 온체인 데이터 분석 자동화 수요도 증가하는 추세다. 이에 따라 산업 특화 AI 모델의 신뢰성과 검증 체계 중요성도 함께 커지고 있다는 분석이 나온다. 싱가포르 경영대학교 정보시스템학과 주페이다(ZHU Feida) 교수는 “이번 연구는 Web3 AI 분야에서 측정 가능한 평가 기준을 제시했다는 점에서 의미가 있다”며 “향후 해당 분야 AI 기술의 성능과 안정성 검증 체계 구축에도 활용될 수 있을 것”이라고 말했다. 한편 DMind 모델은 현재 AI 금융 플랫폼 ‘Minara(미나라)’에 적용돼 운영 중이다. 연구팀은 개인 투자자와 디지털 자산 보유자를 위한 재무 비서 기능 등에 해당 기술이 활용되고 있다고 설명했다.

AI 마케팅 컴퍼니 매드업(대표 이주민, 이동호)이 KAIST AI대학원 신기정 교수팀과 공동 연구해 발표한 논문이 자연어처리·AI 분야 세계 최고 권위 학회인 ‘ACL 2026(제64회 전산언어학회 연례 학회)’ 구두발표(Oral Presentation) 부문에 채택됐다고 20일 밝혔다. ACL은 구글, 메타, 오픈AI 등 글로벌 빅테크의 핵심 연구가 발표되는 자연어처리 AI 분야 최고 권위의 학회로, 올해 학회는 오는 7월 2일부터 7일까지 미국 샌디에이고에서 열린다. 이번에 매드업과 KAIST의 공동 연구가 발표되는 Industry Track은 메인 컨퍼런스와 동일한 심사 절차를 거치되 실제 산업 현장에 적용 가능한 연구를 별도로 선별·심사하는 트랙이다. 그중에서도 구두발표는 채택 논문 가운데 일부에게만 부여되는 상위 발표 형식으로, 직전 회차인 ACL 2025 Industry Track의 경우 높은 경쟁률을 뚫고 전 세계에서 108편이 선정됐으며 그중에서 35편(전체 투고의 약 8%)만이 Oral Presentation으로 선정됐다. 이번에 채택된 논문 ‘Pre-Deployment Advertisement Ranking under Data Scarcity via Context-Aware Criteria Generation with VLMs’에서 매드업과 KAIST 공동 연구진은 시각언어모델(VLM)을 활용한 새로운 광고 평가·추천 AI 모델 ‘ADVISOR’를 제안했다. ADVISOR는 브랜드 정보와 소수의 샘플 광고만으로 해당 브랜드에 맞춤화된 평가 기준을 스스로 생성하고, 자기 비평 및 정제 과정을 거쳐 광고 소재의 성과를 사전 예측한다. 이를 통해 데이터가 부족한 신규 브랜드 광고에도 안정적으로 적용할 수 있다. 연구진이 뷰티·패션·플랫폼 분야 10개 브랜드의 실제 상용 광고 데이터로 검증한 결과, ADVISOR는 기존 베이스라인 모델 대비 랭킹 예측 성능(NDCG 평균)을 최대 7.20% 향상시켰다. 특히 매드업이 이를 인스타그램의 실제 광고 캠페인에 적용한 온라인 A/B 테스트에서는 인간 마케팅 전문가가 직접 선별한 광고 소재 대비 클릭률(CTR)이 8.37%에서 10.14%로 약 21% 상승했고, 클릭당 비용(CPC)은 428원에서 231원으로 약 46% 절감됐다. 광고비 대비 매출(ROAS)도 1070%에서 1219%로 약 14% 개선되며, CTR, CPC, ROAS 종합 평균 27.04%의 광고 성과 향상을 기록했다. 매드업이 개발한 ‘ADVISOR’ 모델은 본 학회에 앞서 지난 3월 개최된 글로벌 AI 학회 ‘ICLR 2026’의 DATA-FM 워크숍에서 선행 연구로 먼저 소개되며 우수성을 입증한 바 있다. 현재 매드업은 KAIST AI대학원과의 긴밀한 산학협력을 통해 ‘ADVISOR’를 비롯한 광고 AI 기술 연구를 고도화하고 있으며, 이를 기반으로 자체 개발 솔루션인 ‘레버 엑스퍼트’의 성능 개선에 박차를 가하고 있다. 이주민 매드업 대표는 “자연어처리·AI 분야 세계 최고 권위 학회인 ACL 2026에 KAIST와의 공동 연구가 채택된 것은 매드업의 AI 기술력이 학술적 새로움과 산업적 임팩트를 동시에 인정받았다는 점에서 뜻깊은 결과”라며 “앞으로도 AI R＆D 투자를 지속해 국내외 광고주에게 선도적인 AI 마케팅 성과를 제공해 나가겠다”고 밝혔다.

한국기술교육대학교(총장 유길상) 컴퓨터공학부 전강욱 교수 연구팀이 ETRI·전북대 연구팀과 공동연구로 초대규모 텐서 데이터를 효율적으로 처리할 수 있는 GPU–스토리지 협업 기반 터커 분해 기술을 개발했다고 15일 밝혔다. 텐서(Tensor)는 데이터를 다차원 배열의 형태로 구조화한 것이며, 터커(Tucker) 분해는 복잡한 다차원 데이터를 작게 나누어 효율적으로 분석하는 기술이다. 최근 인공지능, 데이터마이닝, 추천시스템, 과학계산 등 다양한 분야에서 고차원·대규모 데이터 분석의 중요성이 커지고 있다. 텐서 분해는 다차원 데이터의 잠재 구조를 분석하는 핵심 기술로 활용되고 있지만, 데이터 규모가 커질수록 메모리 사용량의 급격한 증가와 데이터 쏠림 현상으로 병렬 처리 효율이 저하되는 문제가 있었다. 연구팀은 데이터 분포의 쏠림 특성을 고려한 다단계 분할 기법과 GPU–스토리지 협업 실행 구조를 결합한 새로운 Tucker 분해 프레임워크인 ‘GSP-Tucker’를 제안했다. 제안 기술은 대규모 희소 텐서를 여러 단계로 분할하고, GPU 연산과 스토리지 기반 데이터 처리를 유기적으로 결합, 제한된 메모리 환경에서도 대규모 텐서 분해를 안정적으로 수행할 수 있도록 설계됐다. 기존 Tucker 분해 기법들은 대규모 중간 결과를 한꺼번에 메모리에 적재하거나, 데이터 쏠림이 심한 경우 특정 연산 구간에 부하가 집중되는 문제가 있었다. 실험 결과 제안한 GSP-Tucker는 기존 최신 Tucker 분해 기법들이 메모리 부족 또는 실행 실패를 보이는 대규모 데이터셋에서도 안정적으로 동작했다. 메모리 사용량과 실행 성능 측면에서도 우수한 결과를 보여 단일 머신 환경에서도 초대규모 텐서 데이터를 처리할 수 있는 가능성을 제시한 성과다. 전 교수는 “향후 추천시스템, 지식그래프 분석, 과학계산, 대규모 인공지능 데이터 처리 등 다양한 분야로 확장될 수 있을 것으로 기대한다”고 말했다. 이번 연구 논문은 데이터베이스 분야 세계 3대 학술대회 중 하나인 IEEE ICDE(International Conference on Data Engineering) 2026에 채택됐다.

AI 전문기업 바이브컴퍼니가 AI 에이전트의 성능 지원을 위한 데이터 인텔리전스 플랫폼 ‘VAIV AI DATA PLATFORM(이하 VAIV AI DATA)’을 정식 출시했다. 최근 AI 산업은 단순한 모델 성능 경쟁을 넘어, AI가 실제 추론 과정에서 얼마나 정확하고 최신화된 정보를 확보할 수 있는지가 핵심 경쟁력으로 부상하고 있다. 특히 거대언어모델(LLM)은 학습 데이터 이후의 최신 정보를 반영하지 못하는 ‘지식 컷오프(Knowledge Cut-off)’ 한계를 안고 있어, 실무 환경에서 최신 시장 변화와 이슈를 충분히 반영하지 못한다는 지적이 꾸준히 제기됐다. 바이브컴퍼니는 이러한 문제의 핵심을 ‘외부 컨텍스트 데이터 부재’로 진단하고, AI 에이전트가 시장 흐름과 실시간 변화를 이해할 수 있도록 지원하는 데이터 인텔리전스 플랫폼을 출시했다. 현재 산업 현장에는 ERP나 데이터베이스(DB) 등 내부 데이터를 통합하는 솔루션은 다수 존재하지만, AI 에이전트가 외부 시장 상황을 이해하기 위한 고품질 데이터 공급 체계는 부족한 실정이다. VAIV AI DATA는 이러한 데이터 병목 문제를 해결하기 위해 개발됐다. 바이브컴퍼니가 지난 26년간 축적해온 약 550억 건 규모의 데이터 자산을 기반으로, AI가 즉시 이해하고 활용할 수 있는 지능형 지식 구조로 재설계해 제공하는 것이 핵심이다. 단순히 원천 데이터를 전달하는 수준을 넘어, 산업 리포트·기업 공시 정보·소셜 담론 등 다양한 멀티채널 데이터를 비즈니스 목적에 맞춰 구조화했다는 점이 특징이다. 이를 통해 AI 에이전트는 기업 내부 데이터에만 의존하지 않고, 실시간 시장 흐름과 사회적 맥락을 기반으로 보다 정교한 추론과 의사결정을 수행할 수 있게 된다. 기업은 변화하는 시장 상황에 보다 민첩하게 대응하고, 리서치와 분석 업무 효율 또한 높일 수 있다고 회사 측은 밝혔다. 플랫폼은 비즈니스 목적에 최적화된 5종의 데이터 인텔리전스를 공급한다. 세부 구성은 ▲실시간 시장 변화와 소비자 반응을 분석하는 ‘Trend 데이터’ ▲사회적 이슈 추적으로 리스크를 관리하는 ‘Issue 데이터’ ▲전문 지식 기반 리서치 과정을 구조화하는 ‘Research 데이터’ ▲AI 프로파일링을 통한 SNS 유저 특성 분석인 ‘Profiling 데이터’ ▲국내외 투자 지표와 시황 정보를 정제한 ‘Finance 데이터’ 등이다. 운용 편의성 측면에서는 글로벌 표준인 MCP(Model Context Protocol) 연동을 포함해 API, 대시보드, 커스텀 파일 등 4가지 방식의 연동을 지원한다. 이에 따라 도입 기업은 별도의 데이터 파이프라인 구축 절차 없이 실시간 데이터 분석과 리포트 작성 업무에 플랫폼을 활용할 수 있다. 김경서 바이브컴퍼니 대표는 “이제 AI 경쟁력의 핵심은 단순히 뛰어난 모델을 보유하는 데 그치지 않고, 해당 모델이 현시점의 외부 상황을 전문가처럼 읽어낼 수 있도록 만드는 생생한 지식 공급에 있다”며 “VAIV AI DATA는 26년간 축적한 데이터 역량을 에이전틱 AI 시대에 맞춰 재설계한 플랫폼으로, 복잡한 시장 신호를 AI가 즉시 이해할 수 있는 맥락으로 제공하는 지능형 엔진 역할을 하게 될 것”이라고 밝혔다. 바이브컴퍼니(구 다음소프트)는 2000년 설립된 국내 AI 전문기업으로, 데이터 자산과 생성형 AI 기술을 결합해 공공과 민간 분야에 AX(AI 전환) 서비스를 제공하고 있다.

■연합인포맥스 △미디어마케팅본부장(미래전략단장 겸임) 윤정탁△IT본부장 임경욱△콘텐츠본부장 박영일△경영지원본부 재무부장 박정현△금융DATA사업본부 금융DATA사업부장 김정환△미디어마케팅본부 미디어사업부장 박홍남△IT본부 정보개발부장 이동훈△콘텐츠본부 기획1부장 이용구

㈜한시스템이 KS Q ISO/IEC 17025 기반 ‘Q-LIMS(17025) v1.5’를 앞세워 공인시험기관 구축부터 운영, KOLAS 인정 준비까지 전 과정을 통합 지원하는 서비스를 선보이며 시험기관의 효율적인 품질관리와 디지털 전환을 지원하고 나섰다. 해당 시스템은 품질매뉴얼, 절차서, 지침서, 양식 등 표준화된 품질문서를 기본 제공하며, 공평성 확보, 기밀유지, 조직구조 관리, 인원 관리, 시설 및 환경조건 관리, 장비 관리, 측정소급성 확보, 시험방법 검증 및 유효성 확인 등 KS Q ISO/IEC 17025의 핵심 요구사항을 반영했다. 또한 시험업무 전반의 관리 기능과 함께 Raw Data의 무결성 확보, 성적서 발급, 성적서 시점 확인, 성적서 진위 확인 기능을 제공해 시험 결과의 신뢰성을 높일 수 있도록 했다. 특히 KOLAS 컨설팅 서비스가 함께 제공돼 인정 준비 기관은 컨설팅과 시스템 구축을 별도로 진행하지 않고 통합 서비스 형태로 효율적인 준비가 가능하다는 설명이다. 아울러 LLM 기반 AI 기능을 적용해 내부심사 대응, 문서 자동화, 기술기록 관리 등을 지원함으로써 시험기관의 업무 효율성과 디지털 전환을 강화할 수 있도록 설계됐다. 한시스템 관계자는 “Q-LIMS(17025) v1.5는 공인시험기관 준비부터 운영, 인정 대응까지 전 과정을 지원하는 통합 플랫폼”이라며 “지속적인 기능 개선을 통해 시험기관의 품질 경쟁력 향상에 기여할 것”이라고 밝혔다.

아주대학교(총장 최기주) 일반대학원 DNA플러스융합학과와 카카오모빌리티(대표 류긍선)가 첨단 모빌리티 분야의 융합 인재 양성 및 공동 연구를 위한 연구협력 협약을 지난달 31일 체결했다. 협약은 양 기관의 긴밀한 업무 제휴를 통해 상호 공동 발전과 이익을 도모하고, 급변하는 모빌리티 산업을 선도할 첨단 융합 인재를 양성하기 위해 추진됐다. 최근 ‘피지컬 AI 기반 미래 모빌리티 기업’ 비전을 선포한 카카오모빌리티는 자율주행, 로봇 등 미래 모빌리티 분야에 대한 지속적인 기술 투자와 대규모 인재 영입을 통해 성과를 내고 있다. 이번 협력 역시 이러한 비전을 바탕으로, 실제 현장의 방대한 데이터와 학계의 연구 역량을 결합해 국내 미래 모빌리티 인재들이 보다 현장감 있는 연구 환경에서 성장할 수 있도록 돕고, 지속 가능한 모빌리티 산업 발전에 기여해 나갈 계획이다. 양 기관은 협약에 따라 ▲카카오모빌리티의 데이터를 활용한 고도화된 모빌리티 서비스 및 공공 기여 연구 진행 ▲첨단 모빌리티 분야 전문 인력 양성을 위한 산학 협력 ▲연구 인프라 공동 활용 ▲대내외 채널을 통한 연구 성과 공유 등을 위해 적극 협력한다. 카카오모빌리티는 아주대 연구진의 원활한 연구 활동을 위해 국내 최대 규모의 모빌리티 플랫폼 운영을 통해 축적한 방대한 데이터와 이를 분석할 수 있는 연구 인프라를 제공할 예정이다. 또한 연 1~2회의 공동 워크숍 개최와 국내외 주요 학회를 통한 공동 논문 발표 등을 통해 연구 성과를 대외적으로 확산시킬 계획이다. 이와 더불어 양 기관은 실무 역량을 갖춘 인재 양성을 위해 학생들의 카카오모빌리티 인턴십 참여를 적극 독려하고, 카카오모빌리티와의 연구 수요 수집 및 데이터 제공 협조를 통한 현장 밀착형 연구를 공동 수행함으로써 산학협력의 실효성을 높일 방침이다. 한편 아주대 DNA플러스융합학과는 국토교통부의 ‘DNA+ 도로교통분야 융합기술대학원’ 사업을 통해 데이터(Data), 네트워크(Network), 인공지능(AI) 역량을 갖춘 미래 도로교통 전문가를 육성하고 있다.

요즈음 인공지능(AI)이 결합한 푸드테크(FoodTech)가 주목받고 있다. 특히 스마트 부엌은 음식물 쓰레기가 나오지 않는 요리 기술로 세상을 깨끗하게 할 듯하다. 여기에 로봇 셰프가 제 모습을 갖추면, 요리 행위는 더이상 고된 노동이 아닌 시대가 열릴 것이 분명해 보인다. 하지만 과연 로봇 셰프가 돌아가신 어머니나 할머니의 기록되지 않은 한식 요리법을 제대로 활용해 그 깊이를 재현할 수 있을까? 음식인문학자의 시선으로 볼 때 지금 화려한 K푸드 홍보에만 열중할 때가 아니다. 정작 우리가 몇백 년 축적해 온 집안·마을마다 결이 다른 요리 기술은 급격히 사라져 가는 중이다. 매일 새로운 모습으로 변신해 가는 AI 시대에 우리에게 절실한 과제는 가장 아날로그적인 데이터의 디지털화다. 단순히 ‘무 몇 그램, 간장 몇 스푼’ 식의 파편화된 정보를 모으는 수준에 그쳐서는 안 된다. 그보다는 식재료를 대하는 태도와 계절에 따른 미세한 변주, 그리고 사람의 이야기가 담긴 한식의 ‘두꺼운 데이터’(Thick Data)를 확보하는 일이 무엇보다 중요하다. 사실 정부는 디지털 한식 자료를 꾸준히 축적해 왔다. 2007년에 서비스를 시작한 ‘한국전통지식포탈’의 ‘전통식생활’에는 요리법만 나열돼 있을 뿐 요리법을 둘러싼 사람들의 이야기가 없다. 더 심각한 문제는 이미 구축된 자산들이 ‘디지털 감옥’에 결박돼 있다는 사실이다. 상당수 국가 공공데이터 사업의 산물은 공공기관의 폐쇄적인 시스템 안에만 머물 뿐 정작 외부 AI 엔진의 접근이나 탐색을 완강히 차단하고 있다. 이는 지식의 공유가 아닌 고립을 자초하는 행위와 다름없다. 게다가 이 디지털 정보는 철저히 한국어로만 봉인된 상태다. 글로벌 AI 엔진이 한식을 학습하고 그 내력을 번역해 전파하기에는 언어적 장벽도 장애물이다. 더욱 치명적인 변수는 시간이다. 한식의 생명력인 ‘맥락의 기술’을 체득한 마지막 세대, 즉 1930~50년대 출생자들이 고령화로 인해 빠르게 우리 곁을 떠나고 있다. 가령 신안군의 한 섬에서 요리 솜씨가 좋았던 어느 할머니의 별세는 단순한 개인의 죽음을 넘어 수백 년간 전승된 지역의 내림음식과 그 속에 응축된 지혜가 영구히 사라짐을 뜻한다. 구전과 신체적 기억으로만 존재하던 요리 기술은 그가 생을 마감하는 순간 우주에서 영원히 흩어지고 만다. 나는 음식인문학적 한식 요리 기술 수집의 ‘골든타임’이 지금이라고 본다. 다행히 2023년부터 한식진흥원이 ‘지역음식 기록화 사업’을 수행하고 있다. 하지만 이 사업의 결과물을 자세히 살펴보면 한 지역의 특정 음식 요리법은 한둘뿐이다. 이것은 지역의 대표 음식을 표준화해야 한다는 믿음에서 나왔다. 배추김치의 요리법이 한 가지가 아니고 집마다 달라서 1000만 가지가 넘듯이 같은 음식의 다양한 요리법을 수집해야 한다. 이렇게 다양한 요리법을 학습한 로봇 셰프는 오랫동안 지속된 배추김치도 만들고, 스스로 창의적인 미래형 배추김치도 만들어 낼 것이다. 따라서 민간 차원에서 AI가 학습할 수 있는 ‘한식 원천 데이터 공유 플랫폼’ 구축이 시급하다. 이 플랫폼에는 동영상과 이미지, 그리고 다양한 요리법과 이야기 등의 데이터가 담겨야 한다. 당연히 AI 엔진에 열리는 ‘오픈 소스’여야 한다. 그래야 전 세계의 AI 로봇 셰프가 한식의 다양한 요리법과 이야기를 검색하고 우리 앞에 한식 한 상을 차려 줄 것이다. 기술은 그릇일 뿐이며 그 안에 무엇을 담느냐는 전적으로 우리의 몫이다. 정체성이 빠진 알고리즘은 결국 한식을 국적 불명의 퓨전 요리로 변질시킬 위험이 크다. AI 시대에도 한식의 자존심을 지키고 싶다면 지금 당장 현장으로 나가 ‘사라지는 요리 기술’을 디지털 데이터로 온전히 담아내야 한다. 기록되지 않는 문화는 생명력을 유지할 수 없으며, 개방되지 않는 디지털 데이터는 박제된 지식에 불과할 따름이다. 주영하 한국학중앙연구원 교수·음식인문학자

AI·데이터 인프라 솔루션 전문기업 HS효성인포메이션시스템이 기업 환경 변화에 대응하기 위한 ‘2026년 지속가능한 AI 전환 전략’을 발표했다. 25일 HS효성인포메이션시스템에 따르면 이번 전략의 핵심은 크게 네 가지로 구성된다. ‘파트너 에코시스템 강화’, ‘프라이빗 클라우드(Private Cloud) AI 인프라 확대’, ‘HS효성 AI 플랫폼 고도화’, ‘VSP One 데이터 플랫폼 강화’ 등이다. HS효성인포메이션시스템은 GPU 서버, 고성능 스토리지, 저전력 Arm 서버, 데이터 레이크, AIOps 등을 통합한 ‘HS효성 AI 플랫폼’을 통해 구축부터 운영까지 AI 인프라 전 과정을 지원하고 있다. 향후 DataOps, MLOps, LLMOps, AI 에이전트 등 활용 고도화 영역까지 포트폴리오를 확대한다는 계획이다. 또한 AI 연산 최적화를 중심으로 빠르게 진화하는 클라우드 환경에 맞춰 프라이빗 클라우드 기반 AI 인프라 수요에도 대응하고 있다. GPU 자원 관리와 AI 워크로드 운영을 통합한 ‘UCP 프라이빗 클라우드 AI’ 솔루션을 통해 모델 학습부터 추론, 운영까지 지원하는 풀스택 환경을 제공한다. 데이터 인프라 부문에서는 스토리지와 소프트웨어 정의 스토리지를 통합한 ‘VSP One’ 포트폴리오를 중심으로 랜섬웨어 대응과 재해복구 역량을 강화하고 있다.

건설산업의 디지털 전환(DX)이 이제는 자율 전환(AX)이라는 새로운 국면으로 넘어가고 있다. 앞선 5편에서 중장기 전략을 살펴봤다면, 이번 편에서는 해외 선진 건설사들이 실제로 어떻게 AX를 도입하고 있는지, 기술은 어디까지 발전했는지, 그리고 한국 건설산업이 무엇을 벤치마킹해야 하는지 구체적으로 살펴본다. ①미국-자율 장비와 AI 프로젝트 관리의 선두주자 미국의 건설사들은 이미 자율화 기술을 현장에 적용하고 있다. Built Robotics는 굴삭기, 불도저 등 중장비에 자율주행 기술을 탑재해, 사람이 없이도 24시간 작업이 가능한 시스템을 구축했다. 이 장비는 GPS, 센서, AI 알고리즘을 통해 작업 경로를 스스로 계산하고, 장애물을 회피하며 굴착 작업을 수행한다. Turner Construction은 스타트업 건설기술 업체인 Versatile과 협업해 ‘CraneView System’이라는 AI 시스템을 도입해 크레인 성능과 안전을 분석하며, 고층 건물 시공 시 장비 효율성과 안전성을 동시에 확보하고 있다. 미국 샌디에이고에 위치한 맨체스터 퍼시픽 게이트웨이 프로젝트는 17층, 연면적 약 3만 5041㎡ 규모인데 크레인뷰 시스템을 도입한 결과 계획 대비 약 17일 빨리 작업을 완료하고 크레인을 조기에 해체할 수 있었다. Mastt는 프로젝트 관리 플랫폼에 AI를 접목해, 예산, 리스크, 진척 상황을 실시간으로 분석하고 예측하며 시각적인 데이터와 대시보드 형태의 리포트를 생성한다. 실제로 호주 뉴캐슬 공항의 2억 5000만 달러 규모 리노베이션 프로젝트에서 Mastt의 보고 플랫폼을 활용한 결과 공기 10% 단축, 리스크 대응 속도 향상 등의 성과를 냈다. Dusty Robotics는 현장 레이아웃 작업을 로봇이 자동으로 수행하도록 개발했다. 이 로봇은 도면을 읽고 바닥에 정확한 위치 표시를 하며, 시공 오차를 획기적으로 줄이고 있다. 이런 사례는 단순한 기술 시연이 아니라, 실제 프로젝트에서 ROI를 입증한 상용화 사례라는 점에서 의미가 크다. ②유럽-AI 예측과 로보틱스 시공의 정교함 유럽은 기술의 정교함과 안전 기준의 엄격함을 바탕으로 AX를 빠르게 확산시키고 있다. 오스트리아 건설회사인 STRABAG SE는 Azure OpenAI 기반 모델을 활용해 DARIA(Data-Driven Risk Analysis) AI 솔루션을 개발하여 공정 지연을 예측하고, 입찰 단계에서 리스크 분석을 자동화하고 있다. 이는 프로젝트 초기 단계부터 AI를 활용해 전략을 수립하는 방식이다. 프랑스의 Bouygues Construction은 AI를 활용해 지하철 건설 프로젝트에서 철근량을 140t 이상 절감했다. 이는 설계 최적화와 자재 배치 자동화를 통해 비용과 자원 낭비를 줄인 사례다. 이처럼 유럽은 설계 운영 전 단계에 걸쳐 AI와 로봇을 정교하게 통합하고 있으며, 안전성과 품질을 동시에 확보하는 데 집중하고 있다. ③일본-로봇과 자동화의 현장 밀착형 전략 일본은 고령화와 인력 부족 문제를 해결하기 위해 로봇과 자동화를 적극 도입하고 있다. Obayashi Corporation은 Automated Inspection System(자동 검측 시스템)을 개발해 철근 배근, 콘크리트 타설, 품질 검사 등 다양한 작업을 자동화하고 있으며, Generative Design을 통해 설계안을 자동 생성하는 기술도 개발 중이다. 특히 철근 배근 검측 시스템은 Visual SLAM(동시 위치 추적 및 지도 작성) 기술과 건설 현장 관리자가 착용한 장비에 설치된 여러 대의 카메라에서 얻은 이미지를 활용, BIM 정보와 중첩해 검측함으로써 정확도가 우수하다. Komatsu는 ‘Smart Construction’ 플랫폼을 통해 자율주행 굴착기, 드론 측량, 클라우드 기반 공정 관리 시스템을 통합하고 있다. 이 플랫폼은 현장 데이터를 실시간으로 수집·분석해, 작업 계획을 자동으로 조정한다. 일본은 특히 현장 밀착형 기술 개발에 강점을 보이며, 로봇과 AI를 실제 작업자와 함께 작동하도록 설계하는 데 집중하고 있다. 한국은 이미 BIM, 드론, IoT 기반 DX를 빠르게 확산시키고 있다. 하지만 AX로 가기 위해서는 다음과 같은 전략 포인트가 필요하다. 현장 PoC 단계를 넘어 실제 프로젝트에서 AI 로봇 등을 적용해 ROI를 입증할 수 있는 사례를 축적해야 한다. 또한 BIM을 기반으로 한 설계부터 시공, 유지관리 및 운영 전 단계에 걸친 기술 통합을 만들어야 한다. 정부는 기업과 학계 등과 협력해 AI 도입에 따른 안전 기준, 법적 책임 구조 등을 신속하게 정비해야 하며 산학 협력으로 실무형 인재 양성 및 기술 검증 체계를 구축할 필요가 있다. AX는 더 이상 먼 미래의 기술이 아니다. 우리가 “과연 이게 될까?”란 의심 섞인 눈초리로 적극적인 실행을 주저하고 있는 동안 해외에서는 이미 실제 현장에서 활용하고 있고, 성과를 내고 있으며, 산업 구조를 바꾸고 있다.

건설산업의 디지털 전환(DX)이 이제는 자율 전환(AX)이라는 새로운 국면으로 넘어가고 있다. 앞선 5편에서 중장기 전략을 살펴봤다면, 이번 편에서는 해외 선진 건설사들이 실제로 어떻게 AX를 도입하고 있는지, 기술은 어디까지 발전했는지, 그리고 한국 건설산업이 무엇을 벤치마킹해야 하는지 구체적으로 살펴본다. ①미국-자율 장비와 AI 프로젝트 관리의 선두주자 미국의 건설사들은 이미 자율화 기술을 현장에 적용하고 있다. Built Robotics는 굴삭기, 불도저 등 중장비에 자율주행 기술을 탑재해, 사람이 없이도 24시간 작업이 가능한 시스템을 구축했다. 이 장비는 GPS, 센서, AI 알고리즘을 통해 작업 경로를 스스로 계산하고, 장애물을 회피하며 굴착 작업을 수행한다. Turner Construction은 스타트업 건설기술 업체인 Versatile과 협업해 ‘CraneView System’이라는 AI 시스템을 도입해 크레인 성능과 안전을 분석하며, 고층 건물 시공 시 장비 효율성과 안전성을 동시에 확보하고 있다. 미국 샌디에이고에 위치한 맨체스터 퍼시픽 게이트웨이 프로젝트는 17층, 연면적 약 3만 5041㎡ 규모인데 크레인뷰 시스템을 도입한 결과 계획 대비 약 17일 빨리 작업을 완료하고 크레인을 조기에 해체할 수 있었다. Mastt는 프로젝트 관리 플랫폼에 AI를 접목해, 예산, 리스크, 진척 상황을 실시간으로 분석하고 예측하며 시각적인 데이터와 대시보드 형태의 리포트를 생성한다. 실제로 호주 뉴캐슬 공항의 2억 5000만 달러 규모 리노베이션 프로젝트에서 Mastt의 보고 플랫폼을 활용한 결과 공기 10% 단축, 리스크 대응 속도 향상 등의 성과를 냈다. Dusty Robotics는 현장 레이아웃 작업을 로봇이 자동으로 수행하도록 개발했다. 이 로봇은 도면을 읽고 바닥에 정확한 위치 표시를 하며, 시공 오차를 획기적으로 줄이고 있다. 이런 사례는 단순한 기술 시연이 아니라, 실제 프로젝트에서 ROI를 입증한 상용화 사례라는 점에서 의미가 크다. ②유럽-AI 예측과 로보틱스 시공의 정교함 유럽은 기술의 정교함과 안전 기준의 엄격함을 바탕으로 AX를 빠르게 확산시키고 있다. 오스트리아 건설회사인 STRABAG SE는 Azure OpenAI 기반 모델을 활용해 DARIA(Data-Driven Risk Analysis) AI 솔루션을 개발하여 공정 지연을 예측하고, 입찰 단계에서 리스크 분석을 자동화하고 있다. 이는 프로젝트 초기 단계부터 AI를 활용해 전략을 수립하는 방식이다. 프랑스의 Bouygues Construction은 AI를 활용해 지하철 건설 프로젝트에서 철근량을 140t 이상 절감했다. 이는 설계 최적화와 자재 배치 자동화를 통해 비용과 자원 낭비를 줄인 사례다. 이처럼 유럽은 설계 운영 전 단계에 걸쳐 AI와 로봇을 정교하게 통합하고 있으며, 안전성과 품질을 동시에 확보하는 데 집중하고 있다. ③일본-로봇과 자동화의 현장 밀착형 전략 일본은 고령화와 인력 부족 문제를 해결하기 위해 로봇과 자동화를 적극 도입하고 있다. Obayashi Corporation은 Automated Inspection System(자동 검측 시스템)을 개발해 철근 배근, 콘크리트 타설, 품질 검사 등 다양한 작업을 자동화하고 있으며, Generative Design을 통해 설계안을 자동 생성하는 기술도 개발 중이다. 특히 철근 배근 검측 시스템은 Visual SLAM(동시 위치 추적 및 지도 작성) 기술과 건설 현장 관리자가 착용한 장비에 설치된 여러 대의 카메라에서 얻은 이미지를 활용, BIM 정보와 중첩해 검측함으로써 정확도가 우수하다. Komatsu는 ‘Smart Construction’ 플랫폼을 통해 자율주행 굴착기, 드론 측량, 클라우드 기반 공정 관리 시스템을 통합하고 있다. 이 플랫폼은 현장 데이터를 실시간으로 수집·분석해, 작업 계획을 자동으로 조정한다. 일본은 특히 현장 밀착형 기술 개발에 강점을 보이며, 로봇과 AI를 실제 작업자와 함께 작동하도록 설계하는 데 집중하고 있다. 한국은 이미 BIM, 드론, IoT 기반 DX를 빠르게 확산시키고 있다. 하지만 AX로 가기 위해서는 다음과 같은 전략 포인트가 필요하다. 현장 PoC 단계를 넘어 실제 프로젝트에서 AI 로봇 등을 적용해 ROI를 입증할 수 있는 사례를 축적해야 한다. 또한 BIM을 기반으로 한 설계부터 시공, 유지관리 및 운영 전 단계에 걸친 기술 통합을 만들어야 한다. 정부는 기업과 학계 등과 협력해 AI 도입에 따른 안전 기준, 법적 책임 구조 등을 신속하게 정비해야 하며 산학 협력으로 실무형 인재 양성 및 기술 검증 체계를 구축할 필요가 있다. AX는 더 이상 먼 미래의 기술이 아니다. 우리가 “과연 이게 될까?”란 의심 섞인 눈초리로 적극적인 실행을 주저하고 있는 동안 해외에서는 이미 실제 현장에서 활용하고 있고, 성과를 내고 있으며, 산업 구조를 바꾸고 있다.

4편에서 ‘디지털 전환’(DX)에서 ‘AI 전환’(AX)으로 넘어가는 연결고리를 살펴봤다. 이제는 그 연결고리를 실제로 어떻게 구축할 것인지, 중장기 전략을 통해 구체적으로 준비해야 할 시점이다. AX는 단순한 기술 도입이 아니라 산업 구조의 재편이며, 건설사, 테크기업, 정부, 학계가 각자의 위치에서 전략을 세우고 함께 움직여야 한다. ①건설사의 중장기 전략-기술과 조직의 변화 건설사는 DX를 넘어 AX로 가기 위해 조직과 기술, 사업 전략을 동시에 변화시켜야 한다. 단기적으로는 BIM, 드론, IoT 센서 등을 활용해 현장 데이터를 디지털로 수집하고, 이를 CDE(Common Data Environment, 공동작업환경)에 통합하는 작업이 필요하다. 중기에는 AI 기반 의사결정 시스템을 도입해 공정 지연 예측, 자재 수급 최적화, 안전 위험 감지 등의 기능을 현장에 적용해야 한다. 현대건설은 2022년부터 ‘현장 CCTV 영상 분석 시스템’을 개발하고, AI CCTV를 활용해 위험 행동을 실시간 감지하며, 품질 관리에 AR 기술을 접목해 시공 오류를 줄이고 있다. 장기적으로는 자율주행 굴착기, 드론 순찰, 로봇 품질검사 등 자율 장비를 현장에 도입하고, 이를 운영할 수 있는 조직 체계를 갖춰야 한다. 조직 변화 측면에서 디지털 전담팀을 신설하고, 기존 직무를 재설계하며, 직원 교육을 강화해야 한다. DX는 기술 도입이 아니라 일하는 방식의 변화이기 때문에, 현장 직원들이 기술을 이해하고 활용할 수 있도록 체계적인 교육이 필요하다. 올해 삼성물산 데이터팀은 AWS와 공동으로 3대 ‘AI 에이전트’를 개발했다. ‘AI-ITB Reviewer’는 방대한 분량의 입찰제안서를 자동 분석해 리스크를 빠르게 식별하고, ‘AI-Contract Manager’는 법무 및 계약 리스크를 최소화해 전문적인 대응을 지원한다. 또 ‘AI-Project Expert’는 현장 데이터를 통합 분석해 숨겨진 인사이트를 도출하는 시스템으로, 프로젝트 전반의 효율성을 높이는 역할을 한다. 사업 전략 측면에서는 신규 프로젝트 수주 시 ‘AI 기반 시공 전략’을 제안 요소로 활용할 수 있다. 예를 들어, 스마트건설 인증제도를 활용해 발주처에 기술력을 어필하고, 공정 예측, 안전 관리, 품질 자동화 등의 기능을 제안서에 포함시키는 방식이다. ②테크기업의 전략-기술 방향성과 협업 체계 테크기업은 건설 현장에 맞는 기술을 개발하고, 건설사와 협업해 실제 적용 가능한 솔루션을 제공해야 한다. 핵심 기술 방향으로는 공정 예측 AI, 안전 감지 AI, 자율 장비(UGV, 드론, 로봇), 디지털 트윈 플랫폼 등이 있다. 최근 DL이앤씨는 Generative Design을 활용해 설계 자동화를 구현하고 있으며, 포스코이앤씨는 AI 기반 레미콘 품질 예측 시스템을 도입한 바 있다. 기술 개발 우선순위는 초기에는 현장 적용성이 높은 기술에 집중하고, 중기에는 AI 판단의 정확도와 속도를 개선하며, 장기에는 자율화된 현장 운영 시스템을 구축하는 방향으로 설정해야 한다. 투자 전략은 정부의 스마트건설 R&D 과제와 연계해 자금을 확보하고, 오픈이노베이션을 통해 유망 스타트업과 협력하는 방식이 효과적이다. 예를 들어, 중소 건설사와 기술기업 간의 공동 개발 프로젝트는 정부의 실증 지원을 받을 수 있으며, 현장 PoC를 통한 기술 검증과 시장 진입에 유리하다. 협업 체계는 건설사와 공동 개발 및 테스트베드 운영, 정부와 규제 대응 및 인증 체계 협력, 학계와 알고리즘 검증 및 인재 양성 연계를 포함할 수 있다. 이처럼 다자간 협력이 이루어질 때 기술은 현장에 빠르게 확산될 것이다. ③정부 및 학계의 전략-제도 정비와 인재 육성 정부와 학계는 기술 도입에 따른 제도적 혼란을 정비하고, 산업 전반의 방향성을 제시해야 한다. 제도 측면에서는 자율 장비 도입 시 안전 기준과 책임 범위를 명확히 하고, AI 판단 오류에 대한 법적 책임 구조를 정비해야 한다. 중대재해처벌법 시행 이후 건설업의 안전관리에 대한 책임 중요성이 부각되면서, 자율 시스템의 안전성과 책임 귀속 문제는 AX 확산의 핵심 과제가 될 것이다. 디지털 기록과 로그 기반의 안전관리 증빙 체계를 마련하고, 스마트건설 인증제도와 기술 검증 프로세스를 도입해야 한다. 국토교통부는 스마트건설 기술 실증 지원 사업을 통해 기술 검증과 현장 적용을 촉진하고 있으며, 이는 제도적 기반 마련의 좋은 사례이다. 학계는 건설 AI 융합형 교육과정을 신설하고, BIM, 로보틱스, 데이터 분석 중심의 실무형 커리큘럼을 개발해야 한다. 산학 협동 R&D를 통해 기술 검증과 표준화를 주도하고 테크기업, 건설사와 공동 인턴십, 현장 실습 프로그램을 운영함으로써 실무형 인재를 양성할 수 있다. 특히 AI 기술이 빠르게 발전하는 만큼, 학계는 기술 트렌드에 발맞춰 커리큘럼을 유연하게 개편하고, 산업 현장의 요구를 반영한 교육을 제공해야 한다. 이는 산업과 교육이 함께 성장하는 기반이 된다. 건설사, 테크기업, 정부, 학계가 각자의 위치에서 준비하고 협력할 때, 한국 건설산업은 AX 시대의 선도자로 자리매김할 수 있다.

4편에서 ‘디지털 전환’(DX)에서 ‘AI 전환’(AX)으로 넘어가는 연결고리를 살펴봤다. 이제는 그 연결고리를 실제로 어떻게 구축할 것인지, 중장기 전략을 통해 구체적으로 준비해야 할 시점이다. AX는 단순한 기술 도입이 아니라 산업 구조의 재편이며, 건설사, 테크기업, 정부, 학계가 각자의 위치에서 전략을 세우고 함께 움직여야 한다. ①건설사의 중장기 전략-기술과 조직의 변화 건설사는 DX를 넘어 AX로 가기 위해 조직과 기술, 사업 전략을 동시에 변화시켜야 한다. 단기적으로는 BIM, 드론, IoT 센서 등을 활용해 현장 데이터를 디지털로 수집하고, 이를 CDE(Common Data Environment, 공동작업환경)에 통합하는 작업이 필요하다. 중기에는 AI 기반 의사결정 시스템을 도입해 공정 지연 예측, 자재 수급 최적화, 안전 위험 감지 등의 기능을 현장에 적용해야 한다. 현대건설은 2022년부터 ‘현장 CCTV 영상 분석 시스템’을 개발하고, AI CCTV를 활용해 위험 행동을 실시간 감지하며, 품질 관리에 AR 기술을 접목해 시공 오류를 줄이고 있다. 장기적으로는 자율주행 굴착기, 드론 순찰, 로봇 품질검사 등 자율 장비를 현장에 도입하고, 이를 운영할 수 있는 조직 체계를 갖춰야 한다. 조직 변화 측면에서 디지털 전담팀을 신설하고, 기존 직무를 재설계하며, 직원 교육을 강화해야 한다. DX는 기술 도입이 아니라 일하는 방식의 변화이기 때문에, 현장 직원들이 기술을 이해하고 활용할 수 있도록 체계적인 교육이 필요하다. 올해 삼성물산 데이터팀은 AWS와 공동으로 3대 ‘AI 에이전트’를 개발했다. ‘AI-ITB Reviewer’는 방대한 분량의 입찰제안서를 자동 분석해 리스크를 빠르게 식별하고, ‘AI-Contract Manager’는 법무 및 계약 리스크를 최소화해 전문적인 대응을 지원한다. 또 ‘AI-Project Expert’는 현장 데이터를 통합 분석해 숨겨진 인사이트를 도출하는 시스템으로, 프로젝트 전반의 효율성을 높이는 역할을 한다. 사업 전략 측면에서는 신규 프로젝트 수주 시 ‘AI 기반 시공 전략’을 제안 요소로 활용할 수 있다. 예를 들어, 스마트건설 인증제도를 활용해 발주처에 기술력을 어필하고, 공정 예측, 안전 관리, 품질 자동화 등의 기능을 제안서에 포함시키는 방식이다. ②테크기업의 전략-기술 방향성과 협업 체계 테크기업은 건설 현장에 맞는 기술을 개발하고, 건설사와 협업해 실제 적용 가능한 솔루션을 제공해야 한다. 핵심 기술 방향으로는 공정 예측 AI, 안전 감지 AI, 자율 장비(UGV, 드론, 로봇), 디지털 트윈 플랫폼 등이 있다. 최근 DL이앤씨는 Generative Design을 활용해 설계 자동화를 구현하고 있으며, 포스코이앤씨는 AI 기반 레미콘 품질 예측 시스템을 도입한 바 있다. 기술 개발 우선순위는 초기에는 현장 적용성이 높은 기술에 집중하고, 중기에는 AI 판단의 정확도와 속도를 개선하며, 장기에는 자율화된 현장 운영 시스템을 구축하는 방향으로 설정해야 한다. 투자 전략은 정부의 스마트건설 R&D 과제와 연계해 자금을 확보하고, 오픈이노베이션을 통해 유망 스타트업과 협력하는 방식이 효과적이다. 예를 들어, 중소 건설사와 기술기업 간의 공동 개발 프로젝트는 정부의 실증 지원을 받을 수 있으며, 현장 PoC를 통한 기술 검증과 시장 진입에 유리하다. 협업 체계는 건설사와 공동 개발 및 테스트베드 운영, 정부와 규제 대응 및 인증 체계 협력, 학계와 알고리즘 검증 및 인재 양성 연계를 포함할 수 있다. 이처럼 다자간 협력이 이루어질 때 기술은 현장에 빠르게 확산될 것이다. ③정부 및 학계의 전략-제도 정비와 인재 육성 정부와 학계는 기술 도입에 따른 제도적 혼란을 정비하고, 산업 전반의 방향성을 제시해야 한다. 제도 측면에서는 자율 장비 도입 시 안전 기준과 책임 범위를 명확히 하고, AI 판단 오류에 대한 법적 책임 구조를 정비해야 한다. 중대재해처벌법 시행 이후 건설업의 안전관리에 대한 책임 중요성이 부각되면서, 자율 시스템의 안전성과 책임 귀속 문제는 AX 확산의 핵심 과제가 될 것이다. 디지털 기록과 로그 기반의 안전관리 증빙 체계를 마련하고, 스마트건설 인증제도와 기술 검증 프로세스를 도입해야 한다. 국토교통부는 스마트건설 기술 실증 지원 사업을 통해 기술 검증과 현장 적용을 촉진하고 있으며, 이는 제도적 기반 마련의 좋은 사례이다. 학계는 건설 AI 융합형 교육과정을 신설하고, BIM, 로보틱스, 데이터 분석 중심의 실무형 커리큘럼을 개발해야 한다. 산학 협동 R&D를 통해 기술 검증과 표준화를 주도하고 테크기업, 건설사와 공동 인턴십, 현장 실습 프로그램을 운영함으로써 실무형 인재를 양성할 수 있다. 특히 AI 기술이 빠르게 발전하는 만큼, 학계는 기술 트렌드에 발맞춰 커리큘럼을 유연하게 개편하고, 산업 현장의 요구를 반영한 교육을 제공해야 한다. 이는 산업과 교육이 함께 성장하는 기반이 된다. 건설사, 테크기업, 정부, 학계가 각자의 위치에서 준비하고 협력할 때, 한국 건설산업은 AX 시대의 선도자로 자리매김할 수 있다.

건설산업은 지금 ‘디지털 전환(DX)’에서 ‘AI 전환(AX)’으로 넘어가는 거대한 변화의 초입에 서 있다. DX가 ‘기술을 도입하는 단계’였다면, AX는 ‘기술이 스스로 판단하고 움직이는 단계’이다. 이 변화는 단순한 업그레이드가 아니라, 건설산업의 운영 방식 자체를 다시 설계하는 과정이다. 그렇다면 어떻게 DX에서 AX로 자연스럽게 넘어갈 수 있을까? 그리고 아직 DX가 충분히 자리 잡지 않은 기업은 무엇부터 준비해야 할까? ①DX 성과를 기반으로 AX로 확장하는 방법 DX는 AX의 ‘기초 체력’이다. DX가 제대로 구축되지 않은 상태에서 AX를 시도하면, 마치 부실한 기초 위에 건물을 올리는 것과 같다. DX가 잘 된 기업은 크게 세 가지 특징이 있다. 데이터를 한 곳에 모으고, 표준화하며, 의사결정에 활용한다. 다시 말하면 자료는 클라우드 저장소에 모아 CDE(Common Data Environment) 환경을 구축하고, BIM, 드론 등을 활용해 정보를 디지털로 수집한다. 또한 데이터를 모으고 관리하는 툴이나 시트를 표준화하여 누구나 동일한 포맷을 사용하게 만든다. 마지막으로 이렇게 모은 정량적, 정성적 데이터를 바탕으로 의사결정에 활용한다. 이러한 기반이 갖춰진 기업은 AX로 확장할 때 AI가 학습할 자료인 데이터가 풍부하고, 자율 시스템이 작동할 환경(표준화된 프로세스)이 이미 마련돼 전환 속도가 빠르다. 그렇다면 아직 DX가 부족한 기업은 무엇부터 해야 할까? 우선 종이로 된 문서나 수기 기록들을 디지털 데이터로 변환해야 한다. 그리고 각자 관리하던 데이터를 한 곳에 집중해서 모으는 노력을 해야 한다. 또한 자재, 공정, 안전 등 관련 데이터를 일련 코드나 통일된 포맷으로 표준화하는 작업이 필요하다. 그리고 무엇보다 중요한 것은 직원들이 이러한 변화를 공감할 수 있도록 교육해야 한다. DX는 단순히 ‘특정 기술 도입’이 아니라 ‘일하는 방식의 총체적 변화’다. 이 변화가 자리 잡아야 AX가 비로소 현실이 된다. ②‘데이터 → 알고리즘 → 자율화’의 단계적 로드맵 AX는 하루아침에 완성되지 않는다. 다음 제시하는 3단계를 순서대로 진행해야 한다. 첫 번째, 모든 데이터를 디지털로 흐르는 상태로 만든다. 즉 현장에서 드론이 촬영한 영상이나 사진을 3D 지형 데이터로 변환하고 IoT 센서를 통해 읽어 들인 온도, 습도, 진동, 수치 등을 입력 데이터화하며, BIM에서 작성된 설계, 자재, 공정 등의 정보를 한 곳에 모아 디지털화한다. 이 데이터가 정확하고 표준화돼야 다음 단계로 넘어갈 수 있다. 다음은 알고리즘 단계로 AI가 판단을 돕는 단계다. 데이터가 쌓이면 AI가 패턴을 읽고 예측을 시작한다. 축적된 디지털 데이터를 기반으로 공정 지연 가능성, 자재 수급 부족 시점, 위험 구역 자동 감지, 장비 고장 가능성 등 사전 리스크를 감지하고 사람의 판단을 돕는다. 마지막은 자율화 단계로 AI와 로봇이 스스로 움직이는 단계이며 여기부터 진정한 AX가 시작된다. 예를 들어 자율주행 굴착기가 스스로 입력된 공정 계획에 따라 그날의 작업 경로를 계산해 굴착한다. 또한 드론이 주기적으로 현장을 순찰하며 위험 요소를 감지하고 필요 시 AI가 현장 상황을 판단해 공정 계획을 자동으로 조정한다. 또한 건설 로봇이 공종별 진척에 따라 Hold Point 도래 시 품질 검사를 수행하고 결과를 자동으로 보고한다. 이 단계에서는 사람이 감독자가 되고, AI는 실행자가 된다. ③협업 생태계 구축 “건설사 혼자서는 AX로 갈 수 없다” AX는 한 기업의 힘만으로는 불가능하다. 건설사, 테크 기업, 정부, 학계가 함께 생태계를 만들어야 한다. 건설사는 현장에서 도입하고자 하는 AI의 범위와 요구 조건을 명확히 정의하고 다양한 기술의 테스트베드를 제공해야 한다. 테크 기업들은 건설 현장의 요구에 맞는 솔루션을 커스터마이징하고 BIM을 활용한 공정 간 간섭 조율과 디지털 트윈 환경 구축, 건설 로봇 개발, 드론 기술 등을 선제적으로 개발해야 한다. 정부는 이러한 기술 개발과 적용 과정에서 필연적으로 발생할 수밖에 없는 제도적, 법적 허들을 완화 또는 제거할 수 있도록 관련 기업들과 적극적으로 소통하고 개선해 나가야 한다. 마지막으로 학계는 산학 연계 R&D 등을 통해 기술을 검증하고 관련 기술들에 대한 표준화, 전문 인력 양성 등의 노력을 기울여야 한다. 이 네 주체가 함께 움직일 때 비로소 AX는 산업 전체로 확산될 것이다. AX는 미래 기술이 아니라, 이미 시작된 변화다. 하지만 이 변화는 기술만으로 이루어지지 않는다. 데이터를 정제하고 조직 문화를 바꾸며, 협업 생태계를 구축하여 단계적으로 로드맵을 따라가야 자연스럽게 AX로 넘어갈 수 있다. DX가 기초 공사라면, AX는 그 위에 올라가는 건물이다.

건설산업은 지금 ‘디지털 전환’(DX)에서 ‘AI 전환’(AX)으로 넘어가는 거대한 변화의 초입에 서 있다. DX가 ‘기술을 도입하는 단계’였다면, AX는 ‘기술이 스스로 판단하고 움직이는 단계’이다. 이 변화는 단순한 업그레이드가 아니라, 건설산업의 운영 방식 자체를 다시 설계하는 과정이다. 그렇다면 어떻게 DX에서 AX로 자연스럽게 넘어갈 수 있을까? 그리고 아직 DX가 충분히 자리 잡지 않은 기업은 무엇부터 준비해야 할까? ①DX 성과를 기반으로 AX로 확장하는 방법 DX는 AX의 ‘기초 체력’이다. DX가 제대로 구축되지 않은 상태에서 AX를 시도하면, 마치 부실한 기초 위에 건물을 올리는 것과 같다. DX가 잘 된 기업은 크게 세 가지 특징이 있다. 데이터를 한 곳에 모으고, 표준화하며, 의사결정에 활용한다. 다시 말하면 자료는 클라우드 저장소에 모아 CDE(Common Data Environment) 환경을 구축하고, BIM, 드론 등을 활용해 정보를 디지털로 수집한다. 또한 데이터를 모으고 관리하는 툴이나 시트를 표준화하여 누구나 동일한 포맷을 사용하게 만든다. 마지막으로 이렇게 모은 정량적, 정성적 데이터를 바탕으로 의사결정에 활용한다. 이러한 기반이 갖춰진 기업은 AX로 확장할 때 AI가 학습할 자료인 데이터가 풍부하고, 자율 시스템이 작동할 환경(표준화된 프로세스)이 이미 마련돼 전환 속도가 빠르다. 그렇다면 아직 DX가 부족한 기업은 무엇부터 해야 할까? 우선 종이로 된 문서나 수기 기록들을 디지털 데이터로 변환해야 한다. 그리고 각자 관리하던 데이터를 한 곳에 집중해서 모으는 노력을 해야 한다. 또한 자재, 공정, 안전 등 관련 데이터를 일련 코드나 통일된 포맷으로 표준화하는 작업이 필요하다. 그리고 무엇보다 중요한 것은 직원들이 이러한 변화를 공감할 수 있도록 교육해야 한다. DX는 단순히 ‘특정 기술 도입’이 아니라 ‘일하는 방식의 총체적 변화’다. 이 변화가 자리 잡아야 AX가 비로소 현실이 된다. ②‘데이터 → 알고리즘 → 자율화’의 단계적 로드맵 AX는 하루아침에 완성되지 않는다. 다음 제시하는 3단계를 순서대로 진행해야 한다. 첫 번째, 모든 데이터를 디지털로 흐르는 상태로 만든다. 즉 현장에서 드론이 촬영한 영상이나 사진을 3D 지형 데이터로 변환하고 IoT 센서를 통해 읽어 들인 온도, 습도, 진동, 수치 등을 입력 데이터화하며, BIM에서 작성된 설계, 자재, 공정 등의 정보를 한 곳에 모아 디지털화한다. 이 데이터가 정확하고 표준화돼야 다음 단계로 넘어갈 수 있다. 다음은 알고리즘 단계로 AI가 판단을 돕는 단계다. 데이터가 쌓이면 AI가 패턴을 읽고 예측을 시작한다. 축적된 디지털 데이터를 기반으로 공정 지연 가능성, 자재 수급 부족 시점, 위험 구역 자동 감지, 장비 고장 가능성 등 사전 리스크를 감지하고 사람의 판단을 돕는다. 마지막은 자율화 단계로 AI와 로봇이 스스로 움직이는 단계이며 여기부터 진정한 AX가 시작된다. 예를 들어 자율주행 굴착기가 스스로 입력된 공정 계획에 따라 그날의 작업 경로를 계산해 굴착한다. 또한 드론이 주기적으로 현장을 순찰하며 위험 요소를 감지하고 필요 시 AI가 현장 상황을 판단해 공정 계획을 자동으로 조정한다. 또한 건설 로봇이 공종별 진척에 따라 Hold Point 도래 시 품질 검사를 수행하고 결과를 자동으로 보고한다. 이 단계에서는 사람이 감독자가 되고, AI는 실행자가 된다. ③협업 생태계 구축 “건설사 혼자서는 AX로 갈 수 없다” AX는 한 기업의 힘만으로는 불가능하다. 건설사, 테크 기업, 정부, 학계가 함께 생태계를 만들어야 한다. 건설사는 현장에서 도입하고자 하는 AI의 범위와 요구 조건을 명확히 정의하고 다양한 기술의 테스트베드를 제공해야 한다. 테크 기업들은 건설 현장의 요구에 맞는 솔루션을 커스터마이징하고 BIM을 활용한 공정 간 간섭 조율과 디지털 트윈 환경 구축, 건설 로봇 개발, 드론 기술 등을 선제적으로 개발해야 한다. 정부는 이러한 기술 개발과 적용 과정에서 필연적으로 발생할 수밖에 없는 제도적, 법적 허들을 완화 또는 제거할 수 있도록 관련 기업들과 적극적으로 소통하고 개선해 나가야 한다. 마지막으로 학계는 산학 연계 R&D 등을 통해 기술을 검증하고 관련 기술들에 대한 표준화, 전문 인력 양성 등의 노력을 기울여야 한다. 이 네 주체가 함께 움직일 때 비로소 AX는 산업 전체로 확산될 것이다. AX는 미래 기술이 아니라, 이미 시작된 변화다. 하지만 이 변화는 기술만으로 이루어지지 않는다. 데이터를 정제하고 조직 문화를 바꾸며, 협업 생태계를 구축하여 단계적으로 로드맵을 따라가야 자연스럽게 AX로 넘어갈 수 있다. DX가 기초 공사라면, AX는 그 위에 올라가는 건물이다.

보안 합성데이터 및 AI 프라이버시 전문 기업 큐빅(CUBIG)이 공공기관의 개인정보 영향평가 수행 안내서 개정(2025.10)과 개인정보 유출 사고 급증에 맞춰 공공ㆍ금융기관이 합성데이터를 활용해 영향평가와 AI 도입을 동시에 추진할 수 있는 인프라 솔루션 DTS(Data Transform System) 기반 대응 전략을 공개했다. 개인정보보호위원회에 따르면 2025년 1월부터 9월까지 접수된 개인정보 유출 신고 건수는 311건으로 이미 전년도 전체 건수를 넘어섰다. 통신사ㆍ카드사 등에서 수천만 건 규모의 대형 사고가 이어지며 정보주체의 불안이 커지고 있다. 이러한 상황에서 개인정보보호위원회와 한국인터넷진흥원은 공공기관의 개인정보 영향평가 수행 안내서(2025.10 개정)를 공개했다. 이번 개정의 핵심은 인공지능(AI) 평가 분야 및 항목 신설로, AI 시스템 학습ㆍ개발 단계와 운영ㆍ관리 단계에서 발생할 수 있는 개인정보 침해 요인을 분석하고 위험도를 산정하는 기준이 구체화됐다. 안내서는 대규모ㆍ민감 정보 처리 사업에서 사전에 영향평가를 실시하고, 기술적 보호 조치와 대체 수단을 마련할 것을 강조한다. 한편 개인정보보호위원회는 별도의 합성데이터 생성ㆍ활용 안내서를 통해 실제 데이터를 직접 사용하지 않고도 통계적 특성과 구조를 재현하는 합성데이터가 개인정보 유출 위험을 최소화하면서 데이터 분석ㆍ인공지능 학습ㆍ정책 연구를 가능하게 하는 수단임을 제시하고 있다. 큐빅의 DTS는 이러한 정책 흐름에 맞춰 설계됐다. DTS는 공공ㆍ금융기관이 영향평가 과정에서 식별된 고위험 처리 영역을 합성데이터로 대체해 위험도를 구조적으로 낮출 수 있도록 지원한다. 원본 데이터는 기관 내부망에 그대로 두고 통계적 패턴만 학습해 새로운 데이터를 생성하는 원본 비접근(Non-Access) 구조와 차등 정보보호(Differential Privacy) 기술을 결합해 데이터 3법ㆍ개인정보보호법ㆍGDPR 수준의 규제를 충족하면서도 분석ㆍAI 활용이 가능한 AI-Ready 데이터셋을 제공한다. DTS는 표, 텍스트, 이미지, 시계열 등 다양한 형식의 데이터를 합성하고, 합성 후에는 통계적 유사도ㆍ머신러닝 성능ㆍ재식별 위험도를 함께 측정하는 합성데이터 검증 리포트(SynData Report)를 자동으로 생성한다. 이를 통해 기관은 영향평가 보고서에서 요구하는 안전성 및 유용성 검증 근거를 수치와 지표로 제시할 수 있다. 배호 큐빅 대표는 “최근 대형 개인정보 유출 사고가 반복되면서 영향평가만으로는 위험을 서류상으로 관리하는 데 그친다는 우려가 커지고 있다”며 “DTS는 민감한 원본을 직접 쓰지 않고도 정책ㆍ연구ㆍAI 학습에 활용할 수 있는 AI-Ready 합성데이터를 만들고 검증 결과를 영향평가에 바로 첨부할 수 있게 해 공공기관이 규제 준수와 디지털 전환을 동시에 달성하도록 돕는 인프라”라고 밝혔다. 큐빅은 앞으로 공공기관의 개인정보 영향평가 컨설팅, 공공데이터포털 AI-Ready 데이터셋 구축, 부처ㆍ지자체 간 합성데이터 결합 분석 시범 사업 등을 확대해 영향평가 제도와 연계된 합성데이터 활용 모델을 단계적으로 선보일 계획이다.