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

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.

전 세계적으로 인공지능(AI) 데이터 센터 건설 붐이 일어나면서 SSD 같은 고속 낸드 플래시는 물론이고 하드디스크 같은 오래된 구형 스토리지까지 수요가 급증하고 있습니다. 더 똑똑한 AI를 위해서는 더 많은 데이터가 필요하고, 더 많은 데이터를 저장하고 백업하기 위해서는 더 많은 양의 하드디스크나 자기 테이프가 필요합니다. 문제는 기존 하드디스크나 자기 테이프의 내구성입니다. 자기 기록 장치는 태생적으로 데이터를 수십, 수백 년간 온전히 보존하기 어렵습니다. 기록 밀도를 높이기 위해 자성 입자를 더 촘촘히 배치할수록, 역설적으로 데이터의 수명은 줄어드는 ‘기술의 딜레마’에 빠지게 됩니다. 물론 주기적으로 데이터를 다시 백업하면 되지만, 막대한 양의 데이터를 수십 년, 수백 년 동안 장기 보존할 경우 비용이 많이 들고 데이터 소실의 위험도 존재합니다. 따라서 데이터 저장 기술을 연구하는 과학자들은 이전부터 유리를 이용한 데이터 저장 방법을 연구해왔습니다. 유리의 실리카 결정 안에 레이저로 기록을 남기면 매우 오랜 세월 변화 없이 결정 구조가 보존되기 때문에 영겁의 세월 동안 데이터를 저장할 수 있습니다. 여기에 유리 자체가 매우 저렴하고 온도나 습도 등 보존 조건이 까다롭지 않다는 것 역시 큰 장점입니다. 마지막으로 최신 펨토초 레이저 기술을 사용하면 유리 내부에 3차원적으로 작은 데이터 기록을 남길 수 있어 대용량의 데이터를 작은 유리판에 저장할 수 있습니다. 마이크로소프트는 오래전부터 글라스 데이터 저장 기술에 투자해 왔습니다. 마이크로소프트의 ‘프로젝트 실리카’(Project Silica)는 손바닥 위에 올려놓을 수 있는 작은 유리판에 7TB(테라바이트) 데이터를 영구 보관하는 기술입니다. 이 기술은 2㎜ 두께의 유리 속에 100펨토초(1초의 1,000조분의1) 간격으로 레이저를 발사해 3차원적인 작은 구조인 복셀(Voxel)을 만드는 원리로 데이터를 저장합니다. 1마이크로미터 이하의 작은 복셀을 여러 층으로 쌓는 방식으로 얇은 유리에도 7TB 데이터를 보존할 수 있으며 데이터 보존 기간은 1만 년에 달합니다. 물론 글라스 스토리지 기술을 개발하는 것은 마이크로소프트만이 아닙니다. 영국 사우스햄프턴 대학의 스핀아웃인 스포토닉스(SPhotonix)는 이보다 더 진보한 5D 글라스 스토리지 기술을 개발했습니다. 다만, 이들은 MS가 자체적인 스토리지 시스템을 구축하는 것과 달리, 기존 데이터 센터 아키텍처에 자신들의 미디어 및 광학 기술을 라이선스하는 전략으로 차별화를 꾀하고 있습니다. 기술적으로 펨토초 레이저로 유리 내부에 미세한 구조인 메모리 크리스털(memory crystal)을 만들어 데이터를 영구 보존하는 원리는 프로젝트 실리카와 동일하지만, 세 개의 공간 차원(x, y, z)과 함께 나노 구조의 방향(Orientation) 및 세기(Intensity)라는 두 개의 광학 차원까지 기록합니다. 이처럼 총 5개의 데이터를 한 번에 기록할 수 있어 5D 글라스 스토리지 기술로 명명됐습니다. 연구팀에 따르면 5D 글라스 프로토타입은 5인치 지름의 유리판 한 개에 360TB의 데이터를 저장할 수 있습니다. 하지만 더 놀라운 것은 데이터 보존 기간으로 연구팀의 주장에 따르면 우주의 나이와 같은 138억 년입니다. 물론 이는 유리 안에 있는 메모리 크리스털의 보존 기간을 의미하는 것으로 보이며 물리적으로 유리가 깨지거나 손상되면 그전에도 데이터가 손실될 수 있습니다. 따라서 자기 기록 방식이나 낸드 플래시 같은 반도체 기술로는 흉내 내기 힘든 장기 데이터 보존 능력을 강조하기 위한 멘트로 풀이됩니다. 사우스햄프턴 대학의 연구팀은 5D 글라스 기술을 상용화하기 위해 스포토닉스라는 스타트업을 설립하고 프로토타입 글라스 미디어와 데이터를 쓰는 라이터(Writer), 데이터 기록을 읽는 리더(Reader) 장치를 개발했습니다. 다만 현재 프로토타입의 속도는 느린 편이라서 초당 쓰기 속도 4MB, 읽기 속도 30MB에 불과합니다. 연구팀은 3~4년 이내로 읽기 속도를 초당 500MB로 끌어올린다는 목표를 갖고 있습니다. 속도와 함께 상용화를 가로막는 가장 큰 요소는 바로 가격입니다. 미디어인 유리의 가격은 저렴하겠지만, 매우 작은 결정을 유리에 새기는 라이터와 이 기록을 읽어 들이는 리더의 가격은 저렴하지 않을 것입니다. 스포토닉스에 의하면 현재 가격은 라이터가 3만 달러, 리더가 6천 달러 수준입니다. 아무리 데이터 센터용이라고는 해도 여러 대가 필요한 만큼 가격을 적정한 수준으로 낮출 필요가 있을 것입니다. 스포토닉스는 향후 2년 내 데이터 센터 파일럿 테스트 진입을 목표로 상용화를 추진 중입니다. 5D 글라스 스토리지가 기존의 자기 테이프나 하드디스크로 달성하기 어려운 장기 ‘콜드 데이터’(Cold Data) 시장의 새로운 대안으로 자리 잡을 수 있을지, 앞으로의 행보가 주목됩니다.

전 세계적으로 인공지능(AI) 데이터 센터 건설 붐이 일어나면서 SSD 같은 고속 낸드 플래시는 물론이고 하드디스크 같은 오래된 구형 스토리지까지 수요가 급증하고 있습니다. 더 똑똑한 AI를 위해서는 더 많은 데이터가 필요하고, 더 많은 데이터를 저장하고 백업하기 위해서는 더 많은 양의 하드디스크나 자기 테이프가 필요합니다. 문제는 기존 하드디스크나 자기 테이프의 내구성입니다. 자기 기록 장치는 태생적으로 데이터를 수십, 수백 년간 온전히 보존하기 어렵습니다. 기록 밀도를 높이기 위해 자성 입자를 더 촘촘히 배치할수록, 역설적으로 데이터의 수명은 줄어드는 ‘기술의 딜레마’에 빠지게 됩니다. 물론 주기적으로 데이터를 다시 백업하면 되지만, 막대한 양의 데이터를 수십 년, 수백 년 동안 장기 보존할 경우 비용이 많이 들고 데이터 소실의 위험도 존재합니다. 따라서 데이터 저장 기술을 연구하는 과학자들은 이전부터 유리를 이용한 데이터 저장 방법을 연구해왔습니다. 유리의 실리카 결정 안에 레이저로 기록을 남기면 매우 오랜 세월 변화 없이 결정 구조가 보존되기 때문에 영겁의 세월 동안 데이터를 저장할 수 있습니다. 여기에 유리 자체가 매우 저렴하고 온도나 습도 등 보존 조건이 까다롭지 않다는 것 역시 큰 장점입니다. 마지막으로 최신 펨토초 레이저 기술을 사용하면 유리 내부에 3차원적으로 작은 데이터 기록을 남길 수 있어 대용량의 데이터를 작은 유리판에 저장할 수 있습니다. 마이크로소프트는 오래전부터 글라스 데이터 저장 기술에 투자해 왔습니다. 마이크로소프트의 ‘프로젝트 실리카’(Project Silica)는 손바닥 위에 올려놓을 수 있는 작은 유리판에 7TB(테라바이트) 데이터를 영구 보관하는 기술입니다. 이 기술은 2㎜ 두께의 유리 속에 100펨토초(1초의 1,000조분의1) 간격으로 레이저를 발사해 3차원적인 작은 구조인 복셀(Voxel)을 만드는 원리로 데이터를 저장합니다. 1마이크로미터 이하의 작은 복셀을 여러 층으로 쌓는 방식으로 얇은 유리에도 7TB 데이터를 보존할 수 있으며 데이터 보존 기간은 1만 년에 달합니다. 물론 글라스 스토리지 기술을 개발하는 것은 마이크로소프트만이 아닙니다. 영국 사우스햄프턴 대학의 스핀아웃인 스포토닉스(SPhotonix)는 이보다 더 진보한 5D 글라스 스토리지 기술을 개발했습니다. 다만, 이들은 MS가 자체적인 스토리지 시스템을 구축하는 것과 달리, 기존 데이터 센터 아키텍처에 자신들의 미디어 및 광학 기술을 라이선스하는 전략으로 차별화를 꾀하고 있습니다. 기술적으로 펨토초 레이저로 유리 내부에 미세한 구조인 메모리 크리스털(memory crystal)을 만들어 데이터를 영구 보존하는 원리는 프로젝트 실리카와 동일하지만, 세 개의 공간 차원(x, y, z)과 함께 나노 구조의 방향(Orientation) 및 세기(Intensity)라는 두 개의 광학 차원까지 기록합니다. 이처럼 총 5개의 데이터를 한 번에 기록할 수 있어 5D 글라스 스토리지 기술로 명명됐습니다. 연구팀에 따르면 5D 글라스 프로토타입은 5인치 지름의 유리판 한 개에 360TB의 데이터를 저장할 수 있습니다. 하지만 더 놀라운 것은 데이터 보존 기간으로 연구팀의 주장에 따르면 우주의 나이와 같은 138억 년입니다. 물론 이는 유리 안에 있는 메모리 크리스털의 보존 기간을 의미하는 것으로 보이며 물리적으로 유리가 깨지거나 손상되면 그전에도 데이터가 손실될 수 있습니다. 따라서 자기 기록 방식이나 낸드 플래시 같은 반도체 기술로는 흉내 내기 힘든 장기 데이터 보존 능력을 강조하기 위한 멘트로 풀이됩니다. 사우스햄프턴 대학의 연구팀은 5D 글라스 기술을 상용화하기 위해 스포토닉스라는 스타트업을 설립하고 프로토타입 글라스 미디어와 데이터를 쓰는 라이터(Writer), 데이터 기록을 읽는 리더(Reader) 장치를 개발했습니다. 다만 현재 프로토타입의 속도는 느린 편이라서 초당 쓰기 속도 4MB, 읽기 속도 30MB에 불과합니다. 연구팀은 3~4년 이내로 읽기 속도를 초당 500MB로 끌어올린다는 목표를 갖고 있습니다. 속도와 함께 상용화를 가로막는 가장 큰 요소는 바로 가격입니다. 미디어인 유리의 가격은 저렴하겠지만, 매우 작은 결정을 유리에 새기는 라이터와 이 기록을 읽어 들이는 리더의 가격은 저렴하지 않을 것입니다. 스포토닉스에 의하면 현재 가격은 라이터가 3만 달러, 리더가 6천 달러 수준입니다. 아무리 데이터 센터용이라고는 해도 여러 대가 필요한 만큼 가격을 적정한 수준으로 낮출 필요가 있을 것입니다. 스포토닉스는 향후 2년 내 데이터 센터 파일럿 테스트 진입을 목표로 상용화를 추진 중입니다. 5D 글라스 스토리지가 기존의 자기 테이프나 하드디스크로 달성하기 어려운 장기 ‘콜드 데이터’(Cold Data) 시장의 새로운 대안으로 자리 잡을 수 있을지, 앞으로의 행보가 주목됩니다.

빅데이터가 행정의 핵심 키워드로 떠오른 가운데, 경기도의회 경기도청 예산결산특별위원회 임창휘 의원(더불어민주당, 광주2)은 9일(화) 열린 문화체육관광국 대상 2026년도 본예산 심사에서 ‘경기도 문화관광 빅데이터 플랫폼’이 “지역 관광 사업의 생사를 가르는 ‘칼’이 아니라, 문화예술인과 소상공인의 성공을 돕는 ‘방패’가 되어야 한다”며 빅데이터를 이용한 정책 결정에 주의를 촉구했다. 임 의원은 중앙정부와의 데이터 중복 투자를 지양하고 ‘경기도만의 차별화’를 주문했다. 그는 “한국관광공사 등에서 무료로 제공하는 거시 통계는 도내 골목상권이나 인디 공연 등 ‘모세혈관’ 같은 로컬 콘텐츠를 담아내지 못한다”며 “단순 유동인구 수치를 넘어 소비 패턴, 체류 시간, 이동 동선 등 민간의 수익 창출과 직결되는 ‘돈 되는 정보’를 생산하는 ‘경기도형 초정밀 분석’이 필요하다”고 강조했다. 특히 임 의원은 빅데이터 활용의 ‘관점 전환’이 필요하다고 역설했다. 그는 “참여도나 수익성이 낮은 사업을 예산 삭감 대상으로 분류하는 ‘징벌적 근거’로 데이터를 써선 안 된다”고 목소리를 높였다. 대신 임 의원은 “문화예술인에게는 ‘관객이 왜 적었는지’를 분석해 타겟 마케팅을 돕고, 소상공인에게는 ‘가게 앞 잠재 고객의 니즈’를 알려주는 컨설팅 자료로 활용해야 한다”며 “미흡한 사업을 도태시키는 것이 아니라, 빅데이터를 통해 ‘더 좋은 사업’으로 인큐베이팅하는 선순환 구조를 만들어야 한다”고 제안했다. 임 의원은 구체적인 실행 방안으로 ‘데이터 코디네이터(Data Coordinator)’ 양성을 제시했다. 이는 데이터 역량을 갖춘 청년 인재가 예술가나 상인회를 직접 찾아가 애로사항을 듣고, 이를 데이터 분석이 가능한 질문으로 변환해주는 역할이다. 임 의원은 “좋은 질문이 좋은 답을 만든다”며 “기계적인 데이터 추출을 넘어, 현장의 언어를 분석의 언어로 통역해 줄 코디네이터를 운영한다면 청년에게는 실무 경험을, 지역 사회에는 맞춤형 솔루션을 제공하는 일석이조(一石二鳥)의 효과를 거둘 것”이라고 설명했다. 임 의원은 질의를 마무리하며 “막연한 ‘감(感)’이 아닌 과학적 ‘데이터’가 도민의 실패 확률을 줄이는 가장 강력한 무기가 되도록, 경기도가 ‘따뜻한 데이터 행정’을 구현해 달라”고 당부했다.

한국IBM 기자간담회 국내 기업들이 인공지능(AI) 도입을 서두르고 있지만, 실제로 AI가 활용할 수 있는 데이터는 기업이 가진 전체 데이터의 1%에 불과하다는 분석이 나왔다. IBM은 9일 서울 여의도에서 기자간담회를 열어 이러한 결과의 원인에 대해 “기술 부족이 문제가 아니라, 데이터를 다루는 전략 자체가 부족하다”고 진단했다. 이수정 한국IBM 사장은 “AI 성과는 결국 ‘기업 고유 데이터’를 얼마나 잘 쓰느냐에 달려 있다”며 “하지만 많은 기업은 데이터를 부서별로 따로 보관하고, 형식도 제각각이라 AI가 학습 가능한 상태가 아니다”라고 말했다. 실제로 IBM 조사에서 글로벌 CEO 72%가 ‘기업 내부 데이터 활용 능력’을 AI 성공의 핵심 조건이라고 답했지만, 국내 최고데이터책임자(CDO) 중 AI로 매출을 만들 수 있다고 답한 비율은 13%에 그쳤다. 기업들이 어려움을 겪는 이유는 대부분 ‘기초 작업’이 부족해서라는 게 IBM의 진단이다. 문서·PDF·이미지 같은 비정형 데이터가 전체의 90%를 차지하는데, 이는 숫자처럼 바로 분석할 수 없어 사람이 일일이 정리해야 한다. 이 사장은 “기업 데이터 프로젝트의 90%가 실제 분석이 아니라 자료를 모으고 정리하는 데 쓰인다”며 “문제는 AI 기술이 아니라 데이터 준비가 안 돼 있다는 것”이라고 강조했다. IBM이 제안한 해법은 ‘AI에 바로 활용할 수 있는 데이터 만들기’다. 이를 위해선 여러 부서에 흩어진 데이터를 연결하고, 형식·품질을 통일하는 한편, 접근권한을 관리하고, 문서·이미지 같은 비정형 데이터를 구조화하는 것이 필요하다. 쉽게 말해 “AI가 읽을 수 있는 언어로 데이터를 정리하는 과정”을 기업의 핵심 전략으로 격상해야 한다는 뜻이다. 홍규표 IBM 데이터 플랫폼 기술영업 부장은 “예를 들어 PDF 수천 건을 자동으로 글자로 변환하고(문자인식), 의미 단위로 쪼개 AI가 이해할 수 있게 저장하면 회사 내부 정보도 검색·요약·분석이 가능해진다”며 “이 과정이 되어 있어야 생성형 AI의 효과도 극대화된다”고 설명했다. IBM은 이를 지원하기 위해 데이터 관리 플랫폼 ‘왓슨x.data’를 중심으로 기술 투자를 확대하고 있다. 지난해 데이터 처리 기업 ‘데이터스택스’를 인수한 데 이어, 최근에는 실시간 데이터 전송 기술을 가진 ‘컨플루언트’(Confluent)까지 인수 의사를 밝히며 데이터를 하나로 통합하는 기반을 강화했다. 이 사장은 “AI는 이제 기술 부서의 과제가 아니라 경영 전략”이라며 “데이터 품질과 보안 기준을 세우고, 조직 전체가 같은 방식으로 데이터를 다루어야만 AI 투자 효과가 난다”고 말했다. 이어 “한국 기업이 글로벌 대비 느리다고 평가받는 이유도 결국 데이터 준비 부족”이라며 경영관리·IT·현업 부서가 함께 움직이는 ‘전사 데이터 전략’을 강조했다.

하드디스크(HDD)는 생각보다 역사가 깊은 저장 장치입니다. 1956년 IBM이 최초의 하드디스크인 라막(RAMAC)을 선보였으니, 벌써 69년이라는 세월이 흘렀습니다. 당시 라막은 지름 61㎝의 디스크 50장을 겹쳐 만들었는데, 무게는 1t에 달했지만 저장 용량은 지금 보면 미미한 5MB에 불과했습니다. 하지만 진공관 컴퓨터가 현역이고 데이터 입출력을 천공 테이프에 의존하던 시절, 하드디스크의 등장은 저장 장치의 혁명이었습니다. 이후 기술 발전과 함께 하드디스크는 크기는 줄어들고 용량은 기하급수적으로 늘어나는 진화를 거듭했습니다. PC 시대의 제왕에서 SSD의 등장까지 1980년대에 이르러 하드디스크는 기업용 컴퓨터는 물론 개인용 컴퓨터(PC)의 필수 저장 장치로 자리 잡았습니다. 노트북 역시 작고 가벼운 2.5인치 하드디스크를 채택했습니다. PC 한 대당 최소 1개의 하드디스크가 탑재되면서, 하드디스크의 수요는 PC 출하량을 상회할 정도로 전성기를 누렸습니다. 그러나 수십 년간 이어온 하드디스크의 독점적 지위는 더 빠르고 가벼운 SSD(Solid State Drive)의 등장으로 흔들리기 시작했습니다. 휴대성이 중요한 노트북 시장을 필두로 SSD가 하드디스크를 대체해 나갔고, SSD의 용량이 커지고 가격이 안정화되면서 데스크톱 PC 시장조차 SSD를 주저장 장치로 선택하게 되었습니다. 이에 따라 하드디스크 출하량은 2010년대 들어 급격한 하락세를 보였습니다. 2011년 3분기 1억 7700만대로 정점을 찍었던 출하량은 2016년 1분기 1억대 아래로 떨어졌습니다. 감소세는 계속되어 2022년에는 연간 출하량이 1억 6600만대에 그쳤고, 2023년에는 1억 2700만대 수준까지 쪼그라들었습니다. 데이터 센터와 AI: 부활의 신호탄 플로피 디스크나 CD 드라이브처럼 사라질 위기에서도 하드디스크가 명맥을 유지한 비결은 기업용 데이터 센터 시장 덕분입니다. 폭발적으로 증가하는 데이터를 저렴하게 백업하거나, 자주 접속하지 않는 ‘콜드 데이터’(Cold Data)를 저장하는 데 있어 하드디스크만 한 가성비를 갖춘 대안이 없었기 때문입니다. 물론 시장 축소에 따른 업계 구조조정은 피할 수 없었습니다. 한때 10여개에 달하던 제조사는 현재 웨스턴 디지털, 씨게이트, 도시바의 3강 체제로 재편되었습니다. 삼성전자 역시 1989년부터 ‘스핀포인트’라는 브랜드로 하드디스크 사업을 영위하다가 2011년 씨게이트에 매각하고 낸드 플래시 기반의 SSD에 집중하기 시작했습니다. 이런 상황에서 3D 낸드 기술의 발전으로 서버용 SSD 용량이 하드디스크를 넘어서고 가격 격차가 줄어들자, 하드디스크는 5~10년 내에 완전히 사라질 것이라는 비관적 전망이 지배적이었습니다. 하지만 AI(인공지능)가 이 흐름을 뒤바꿔 놓았습니다. AI 학습에는 방대한 양의 데이터가 필요하며, 이를 저장하고 백업하는 데 막대한 용량의 스토리지 공간이 요구됩니다. 이로 인해 데이터 센터용 고용량 하드디스크 수요가 급증하고 있습니다. 현재 낸드 플래시 가격 상승으로 SSD 가격이 오르는 가운데, 고용량 하드디스크 가격 또한 동반 상승하는 추세입니다. 시장 전망과 차세대 기술 경쟁 AI 데이터 센터 건립 붐이 장기화될 것으로 예상됨에 따라, 줄어들기만 하던 하드디스크 시장이 반등할 것이라는 예측이 나옵니다. 2026년부터는 출하량이 증가세로 돌아서고 전체 시장 규모도 커질 전망입니다. 올해 488억 달러(약 68조 3200억원) 수준인 시장 규모는 2030년 645억 달러(약 90조 3000억 원)까지 성장할 것으로 기대됩니다. 이러한 수요 폭증에 대응하기 위해 제조사들은 신기술 도입에 박차를 가하고 있습니다. 대표적인 기술이 열 보조 자기기록(HAMR)입니다. 기록 과정에서 레이저로 디스크를 국부적으로 가열해 데이터를 저장하는 이 기술을 통해 50TB 이상의 제품 생산이 가능해집니다. 최근 씨게이트는 이 기술을 활용해 6.9TB 용량의 플래터를 개발했는데, 상용화 시 69TB 용량의 하드디스크도 구현할 수 있게 됩니다. 더 먼 미래를 위한 기술 개발도 한창입니다. 웨스턴 디지털은 열 도트 자기기록(HDMR) 기술을 2030년대에 상용화하여 100TB 이상의 초대용량 하드디스크를 제조한다는 로드맵을 제시했습니다. 물론 AI 붐과 별개로 낸드 플래시 기술 역시 빠르게 발전하고 있어, 결국에는 하드디스크가 SSD에 자리를 내줄 것이라는 전망도 여전합니다. 역사상 가장 장수하는 스토리지인 하드디스크가 AI라는 날개를 달고 ‘회춘’에 성공할지, 아니면 조금 늦춰질 뿐 결국 역사의 뒤안길로 사라지게 될지 귀추가 주목됩니다.

하드디스크(HDD)는 생각보다 역사가 깊은 저장 장치입니다. 1956년 IBM이 최초의 하드디스크인 라막(RAMAC)을 선보였으니, 벌써 69년이라는 세월이 흘렀습니다. 당시 라막은 지름 61㎝의 디스크 50장을 겹쳐 만들었는데, 무게는 1t에 달했지만 저장 용량은 지금 보면 미미한 5MB에 불과했습니다. 하지만 진공관 컴퓨터가 현역이고 데이터 입출력을 천공 테이프에 의존하던 시절, 하드디스크의 등장은 저장 장치의 혁명이었습니다. 이후 기술 발전과 함께 하드디스크는 크기는 줄어들고 용량은 기하급수적으로 늘어나는 진화를 거듭했습니다. PC 시대의 제왕에서 SSD의 등장까지 1980년대에 이르러 하드디스크는 기업용 컴퓨터는 물론 개인용 컴퓨터(PC)의 필수 저장 장치로 자리 잡았습니다. 노트북 역시 작고 가벼운 2.5인치 하드디스크를 채택했습니다. PC 한 대당 최소 1개의 하드디스크가 탑재되면서, 하드디스크의 수요는 PC 출하량을 상회할 정도로 전성기를 누렸습니다. 그러나 수십 년간 이어온 하드디스크의 독점적 지위는 더 빠르고 가벼운 SSD(Solid State Drive)의 등장으로 흔들리기 시작했습니다. 휴대성이 중요한 노트북 시장을 필두로 SSD가 하드디스크를 대체해 나갔고, SSD의 용량이 커지고 가격이 안정화되면서 데스크톱 PC 시장조차 SSD를 주저장 장치로 선택하게 되었습니다. 이에 따라 하드디스크 출하량은 2010년대 들어 급격한 하락세를 보였습니다. 2011년 3분기 1억 7700만대로 정점을 찍었던 출하량은 2016년 1분기 1억대 아래로 떨어졌습니다. 감소세는 계속되어 2022년에는 연간 출하량이 1억 6600만대에 그쳤고, 2023년에는 1억 2700만대 수준까지 쪼그라들었습니다. 데이터 센터와 AI: 부활의 신호탄 플로피 디스크나 CD 드라이브처럼 사라질 위기에서도 하드디스크가 명맥을 유지한 비결은 기업용 데이터 센터 시장 덕분입니다. 폭발적으로 증가하는 데이터를 저렴하게 백업하거나, 자주 접속하지 않는 ‘콜드 데이터’(Cold Data)를 저장하는 데 있어 하드디스크만 한 가성비를 갖춘 대안이 없었기 때문입니다. 물론 시장 축소에 따른 업계 구조조정은 피할 수 없었습니다. 한때 10여개에 달하던 제조사는 현재 웨스턴 디지털, 씨게이트, 도시바의 3강 체제로 재편되었습니다. 삼성전자 역시 1989년부터 ‘스핀포인트’라는 브랜드로 하드디스크 사업을 영위하다가 2011년 씨게이트에 매각하고 낸드 플래시 기반의 SSD에 집중하기 시작했습니다. 이런 상황에서 3D 낸드 기술의 발전으로 서버용 SSD 용량이 하드디스크를 넘어서고 가격 격차가 줄어들자, 하드디스크는 5~10년 내에 완전히 사라질 것이라는 비관적 전망이 지배적이었습니다. 하지만 AI(인공지능)가 이 흐름을 뒤바꿔 놓았습니다. AI 학습에는 방대한 양의 데이터가 필요하며, 이를 저장하고 백업하는 데 막대한 용량의 스토리지 공간이 요구됩니다. 이로 인해 데이터 센터용 고용량 하드디스크 수요가 급증하고 있습니다. 현재 낸드 플래시 가격 상승으로 SSD 가격이 오르는 가운데, 고용량 하드디스크 가격 또한 동반 상승하는 추세입니다. 시장 전망과 차세대 기술 경쟁 AI 데이터 센터 건립 붐이 장기화될 것으로 예상됨에 따라, 줄어들기만 하던 하드디스크 시장이 반등할 것이라는 예측이 나옵니다. 2026년부터는 출하량이 증가세로 돌아서고 전체 시장 규모도 커질 전망입니다. 올해 488억 달러(약 68조 3200억원) 수준인 시장 규모는 2030년 645억 달러(약 90조 3000억 원)까지 성장할 것으로 기대됩니다. 이러한 수요 폭증에 대응하기 위해 제조사들은 신기술 도입에 박차를 가하고 있습니다. 대표적인 기술이 열 보조 자기기록(HAMR)입니다. 기록 과정에서 레이저로 디스크를 국부적으로 가열해 데이터를 저장하는 이 기술을 통해 50TB 이상의 제품 생산이 가능해집니다. 최근 씨게이트는 이 기술을 활용해 6.9TB 용량의 플래터를 개발했는데, 상용화 시 69TB 용량의 하드디스크도 구현할 수 있게 됩니다. 더 먼 미래를 위한 기술 개발도 한창입니다. 웨스턴 디지털은 열 도트 자기기록(HDMR) 기술을 2030년대에 상용화하여 100TB 이상의 초대용량 하드디스크를 제조한다는 로드맵을 제시했습니다. 물론 AI 붐과 별개로 낸드 플래시 기술 역시 빠르게 발전하고 있어, 결국에는 하드디스크가 SSD에 자리를 내줄 것이라는 전망도 여전합니다. 역사상 가장 장수하는 스토리지인 하드디스크가 AI라는 날개를 달고 ‘회춘’에 성공할지, 아니면 조금 늦춰질 뿐 결국 역사의 뒤안길로 사라지게 될지 귀추가 주목됩니다.

포스코그룹은 청년들이 4차 산업혁명과 글로벌 시장을 이끌 핵심 인재로 성장할 수 있도록, AI·빅데이터, 무역, 이차전지, IT 등 다양한 분야에서 맞춤형 교육·훈련 프로그램을 운영하고 있다. 민·관 협력과 산학연계를 통해 이론과 실무를 결합한 교육을 제공하며, 교육비·장학금 전액 지원, 무상 숙식, 인턴 연계 등 실질적인 지원으로 수료생 다수가 취업에 성공하는 성과를 거두고 있다. 이를 통해 청년들이 미래 산업 현장에서 즉시 투입 가능한 경쟁력을 확보하도록 돕는다. 포스코인재창조원이 2019년부터 민·관 협력으로 운영하고 있는 ‘청년 AI·BigData 아카데미’는 2024년까지 총 1400여명의 청년 구직자에게 AI·빅데이터 활용역량과 실무경험을 쌓을 수 있도록 지원했다. 이 중 800여명이 취업에 성공하는 성과를 거뒀다. 약 3개월에 걸쳐 포스코인재창조원과 포스텍 교수진 지도 아래, 이론 학습부터 현장체험형 실습을 제공한다. 교육생 전원에게 교육장비와 연구수당을 지급하고 무상 숙식을 제공할 뿐만 아니라, 1년간의 온라인 강의 수강권까지 제공해 수료 후에도 지속적인 역량 강화가 가능하도록 지원한다. 또한, 포스코인재창조원은 4주간의 취업 집중 교육 과정인 ‘취업아카데미’를 통해 청년들의 취업 경쟁력 향상에 기여해 왔다. 2019년 시작 이후 2024년까지 4000명 이상이 수료했으며, 이 중 60% 이상이 취업에 성공하는 성과를 거뒀다. 2025년부터 포스코인재창조원은 기존 취업아카데미를 ‘청년 AI·BigData 아카데미’에 통합해 운영하고 있다. 이를 통해 단순한 취업 역량 강화에서 나아가, AI·빅데이터 기반의 실무형 인재를 양성에 중점을 두고 있다.

하나금융지주가 데이터 전문 인력 2500명 양성 목표를 조기 달성하며 2027년까지 3000명으로 확대하는 새 인재 육성 전략을 내놨다. 하나금융은 지난 25일 서울 중구 명동사옥에서 열린 ‘하나 DxP’(Data eXpert Program) 3기 수료식에서 지주 차원의 데이터 인재 양성 목표를 ‘3000 by 2027’로 재설정했다고 26일 밝혔다. 2022년 제시한 ‘2500 by 2025’ 계획은 이번 3기 수료로 2년 앞당겨 달성됐다. 하나 DxP 과정은 지주 내 관계사에서 선발된 직원들이 금융 데이터 기반 의사결정·서비스·마케팅 역량을 갖추도록 설계된 대표 교육 프로그램이다. 이번 수료생 28명은 지난 9월부터 약 3개월간 온라인·오프라인 교육을 병행하며 데이터 분석, 전처리·시각화, 인공지능(AI) 도구인 바이브 코딩(Vibe Coding) 등 실습 중심 교육을 이수했다. 함영주 하나금융 회장은 “AI와 디지털 경쟁력이 금융의 미래를 좌우할 것”이라며 “손님 중심의 편리한 금융서비스를 위해 데이터 인재 양성에 대한 투자와 지원을 아끼지 않겠다”고 말했다.

- 홈페이 데이터 아카이브로 개편 필요 경기도의회 도시환경위원회 임창휘 의원(더불어민주당, 광주2)은 11월 17일(월) 보건환경연구원을 대상으로 한 행정사무감사에서 관행적인 인쇄물 발간을 최소화하고 디지털로 전환할 것과 함께 대기오염경보 시스템의 근본적인 재설계를 강력히 촉구했다. “종이 보고서 폐지하고 홈페이지는 ‘데이터 아카이브’로 전환 필요” 임창휘 의원은 연구원의 전문 연구보고서 발행 체계의 전면적인 개편을 주문했다. 임창휘 의원은 “현재의 인쇄물 중심 발행은 높은 제작ㆍ발송 비용 문제뿐만 아니라, 경기도의 탄소중립 정책 기조와도 맞지 않는다”며 “관행적인 인쇄물 발행을 중단하고 ‘온라인 발행’으로 전면 전환해야 한다”고 제안했다. 임창휘 의원은 “홈페이지 게재를 기본으로 하되, 유관 기관에는 E-Book이나 PDF 형태의 ‘디지털 보고서’를 메일링하는 방식으로 전환하면 예산 절감과 ESG 경영 실천이라는 두 마리 토끼를 잡을 수 있다”고 강조했다. 또한, 홈페이지 운영 방식에 대해서도 “단순 홍보 기능을 넘어 ‘데이터 중심 아카이브’로 재편해야 한다”고 주장했다. 임창휘 의원은 “서울연구원 등 타 기관 사례를 참고해 연구보고서와 원시 데이터(Raw Data)를 전면에 배치하고 검색 기능을 고도화하여 연구원의 홈페이지가 ‘살아있는 데이터 플랫폼’으로 기능하도록 해야 한다”고 주문했다. “오존ㆍ미세먼지 위험은 ‘재난문자’로....단순 정보는 ‘유료화’ 검토” 임창휘 의원은 지난 2년간 지속적으로 제기해 온 ‘대기오염경보 알림 문자 서비스’의 비효율성 문제를 다시 한번 강하게 지적하며, ‘정보 위계에 따른 분리 발송’이라는 구체적인 대안을 제시했다. 임창휘 의원은 “도민이 신청해야만 정보를 제공하는 현재 방식은 정보 소외 계층을 양산하고, 신청자 관리 및 발송 비용으로 혈세를 낭비하고 있다”고 비판했다. 이에 대한 해법으로 임창휘 의원은 “오존 중대 경보나 초미세먼지 위험 등 도민 안전에 심각한 위험을 초래하는 정보는 ‘사회적 재난’으로 간주하여, 신청 여부와 관계없이 전 도민에게 ‘긴급재난문자’를 발송해야 한다”고 주장했다. 반면, “단순 ‘주의’수준의 정보나 참고 정보를 세금으로 무료 지원하는 방식은 재고해야 한다”며, “꼭 필요한 사람에게만 정보를 제공하는 ‘수신자 부담’으로 전환하는 방안 등을 검토하여 예산 낭비를 막고, 절감된 예산을 연구 사업에 재투자해야 한다”고 ‘비용 부담 원칙의 합리화’를 제안했다. 마지막으로 임창휘 의원은 “생활 밀착형 정보인 ‘톡톡연구실’ 콘텐츠 역시 인쇄물이 아닌 블로그, 카드뉴스 등 온라인 채널로 우선 제공해야 한다”며, “보건환경연구원이 시공간 제약 없는 디지털 소통과 스마트한 재난 대응 체계를 갖춘 혁신 기관으로 거듭나기를 바란다”고 당부했다.

전석훈 경기도의회 미래과학협력위원회 의원(더불어민주당, 성남3)은 11일 경기도경제과학진흥원(이하 경과원)에 대한 행정사무감사에서, 경과원이 전 세계 GBC(경기비즈니스센터)의 수출 성과를 ‘견적서’나 ‘상업 송장’ 등 법적 근거가 없는 자료로 평가하며 실적을 ‘부풀리기’ 하고 있다고 강력히 질타했다. 전 의원은 “GBC의 기능이 중요하기에 제대로 분석하고 대안을 찾자는 것”이라며, 경과원이 제출한 GBC의 수출 성과 데이터를 조목조목 반박했다. 경과원은 GBC의 수출 성약 총합이 1억 1,100만 불(한화 약 1,600억 원)에 달한다고 보고했다. 그러나 전 의원이 해당 자료의 ‘백데이터(backdata)’를 직접 분석한 결과, 실적 증빙 자료의 대부분이 실제 수출을 증명할 수 없는 서류에 불과한 것으로 드러났다. 전 의원은 “어제저녁 지원관과 함께 제출한 실제 데이터들을 분석했다”고 밝히며, “실적으로 제출된 자료는 고작 ‘프로포마 인보이스(Proforma Invoice: 견적송장)’, ‘커머셜 인보이스(Commercial Invoice: 상업 송장)’, 그리고 ‘계약서’가 대부분이었다”라고 지적했다. 이어 “이 세 가지 자료만으로 실제 한국의 중소기업이 현지에서 수출 실적을 올렸다고 볼 수 있는가. 이는 실질적인 결과가 아니다”라고 강력히 비판했다. 경과원 원장은 “MOU만 체결하면 낮은 점수를, 수출 신고필증이나 온라인 실판매 증빙 자료를 제출하면 점수를 높이 주고 있다”라고 해명했으나, 이는 명확한 법적 기준이 아닌 경과원의 자체 평가 기준에 불과하다는 것이 전 의원의 지적이다. 전 의원은 GBC에 개소당 수억 원의 막대한 예산이 투입되는 만큼, 정확한 실적 데이터로 성과를 평가해야 한다며 명확한 법적 기준을 제시했다. 전 의원은 “‘대외무역법 시행령’ 제2조 11호에 따르면 수출 실적은 물품의 경우 ‘수출 통관액’과 ‘외국환 은행의 결제액’이 제출되어야 한다”라고 강조했다. 그는 “GBC의 노력을 평가하는 것이 아니라, GBC를 통해 정확하게 외국환 은행 결제액이 얼마나 이루어졌는지를 파악해야 한다”라며, “그래야만 잘하고 있는 GBC는 더 지원하고 안 되는 GBC는 줄이거나 폐지하는 합리적 분석이 가능하다”라고 역설했다. 전 의원의 법적 근거에 기반한 지적에 경과원 측도 문제를 시인했다. 경과원 본부장은 “지적해 주신 것처럼 현재는 일부 오더 시트 등으로 실적을 일부 인정해 주고 있는 체계”라며, “말씀 주신 것처럼 최종적인 외국환 결제 금액과 세관의 수출입 실적 자료를 가지고 실적 관리를 하도록 개선해 나가겠다”라고 답변했다. 이에 전석훈 의원은 “이번 감사를 통해 전 세계 모든 GBC가 관련 법에 따라 얼마만큼의 정확한 수출 실적을 올리고 있는지, 그 ‘팩트 데이터’를 종합감사 전까지 보고해달라”고 강력히 요구했다. 전 의원은 “단지 노력이 아니라 ‘인보이스’가 아닌, 진짜 대한민국 외국환 은행의 ‘실제 통관액’을 봐야 GBC를 정확히 판단할 수 있다”라며 질의를 마쳤다.