AI 시대 한국의 승부처는 현장이다

반도체·의료·농업·금융 현장에서 쌓는 대체 불가능한 데이터 해자

Mar 30. 2026

이 책을 쓰기 시작했을 때, 나는 하나의 물음을 세웠다.

"기반 모델을 만들 수 없는 나라가, AI로 이길 수 있는가?"

다 쓰고 나서, 답이 보여왔다. 이길 수 있다. 단, 이기는 방법을 틀리지 않는다면.

돌아본다

프롤로그에서 확인한 것처럼, 한국은 GPT를 만들지 못했다. 미국의 AI 투자 1,091억 달러에 비해, 한국의 AI R&D 예산 격차는 압도적이다. 투자액의 이 차이는, 자본 구조의 문제인 동시에, 선택의 축적이기도 하다.

그러나 '만들 수 없다'는 것이 '이길 수 없다'는 것과 동의어가 아니라는 것이 보여왔다.

1장에서 정리한 구조적 결여 '파운데이션 모델·자본·계산 자원·데이터·인재'는, 확실히 한국의 핸디캡이다. 그러나 2장에서 논한 것처럼, LLM의 범용화가 진행되는 세계에서는, '만드는 경쟁'과 '사용하는 경쟁'은 다른 게임이 되어 있다.

OpenAI가 매년 천억 단위의 적자를 쏟아내는 '프론티어 모델 경쟁'은, 한국이 참전해야 할 전장이 아니다. 한국의 전장은, 모델을 '현장에 뿌리내리게 하는' 것이다.

3장에서 5장에서 봐온 반도체 제조·의료·농업·금융·행정의 각 현장은, 각각 독자적인 물음을 갖고 있었다.

뷰노·루닛의 의료 AI가 글로벌 시장에서 경쟁력을 가질 수 있었던 것은, 수년에 걸쳐 국내 주요 병원과 함께 임상 데이터를 쌓고, HIRA 건강보험 체계와 식약처 허가 프로세스를 내재화하고, 실제 방사선과·병리과 의사의 판독 워크플로우에 AI를 녹여넣었기 때문이다.

마키나락스가 반도체·자동차 제조 현장에서 경쟁력을 가질 수 있었던 것은, 공정 엔지니어와 함께 수년간 현장에 들어가, '이 공정의 진짜 문제가 무엇인지'를 데이터로 정의했기 때문이다.

이것들은 OpenAI에는 만들 수 없다. 왜냐하면 OpenAI는 한국의 '현장'을 모르기 때문이다.

3계층의 전장

여기서, 이 전체를 관통하는 구조를 정리하고 싶다. 한국이 AI로 싸울 수 있는 장소는, 세 가지 층으로 나뉜다.

제1계층: Application Layer (응용계층)

'무엇을 만드는가'가 아니라 '어떻게 사용하는가'의 경쟁으로 기존의 파운데이션 모델을 API로 빌려, 업계 고유의 문제를 푸는 프로덕트를 만든다.

PwC의 조사가 보여주듯이, 한국 기업의 상당수는 여기서 막혀 있다. 도입률은 올랐지만, 본 사업 가동률·효과 실감이 낮다. 그 원인은 기술이 아니라, '물음의 설정'과 '조직 변혁'의 문제다.

승리 조건: 업계의 현장에 깊이 들어가서, '이 AI가 없으면 업무가 돌아가지 않는' 상태를 만드는 것. 카카오페이의 AI 심사 지원, KB국민은행의 여신 보고서 자동화, 뷰노의 영상 판독 보조등은 이 계층에서 이긴 사례다.

제2계층: Domain Layer (도메인계층)

'어떤 산업·직역의 전문 지식을 AI에 내장하는가'의 경쟁으로 범용 LLM은 많은 것을 '보통으로 할 수 있다'지만,

영상의학과 의사의 판독 사고

반도체 공정 엔지니어의 수율 이상 감각

30년 경력 한우 농가의 사육 노하우

이것들을 AI가 재현하려면, 도메인 고유의 데이터와 지식 체계가 필요하다.

한국의 강점이 여기에 있다. 반도체·의료·K-푸드·금융에서의 깊은 업무 지식과, 그 지식을 가진 인재가 한국에 있다.

'언어의 장벽을 역이용한다'는 관점에서 보면, 글로벌 AI가 닿지 않는 한국어·한국 제도·한국 문화의 고유 영역은, Domain Layer의 해자(moat)가 된다.

승리 조건: 도메인 고유의 데이터를 먼저 축적하고, 그 데이터로 파인튜닝된 모델을 갖는 것이다. 후발로 참여해도 데이터로 따라잡을 수 없는 포지션을 만드는 것이다.

제3계층: Operation Layer (오퍼레이션계층)

'현장에서 계속 작동시키기' 위한 능력 경쟁. AI는 만들기만 해서는 가치를 낳지 않는다.

현장의 워크플로우에 내장하고

인간과 AI의 분업을 설계하고

효과를 측정하고

개선을 계속하는 능력

이것이 '실장력(Implementation Capability)'이다.

한국의 개선 문화는, 이 층에서의 강점이 될 수 있다. 현대자동차 HPS(현대 생산 방식), 삼성전자 TDR 등 문제를 정의하고, 작게 시험하고, 개선을 돌린다는 것은, AI 시대의 '실장 사이클'과 구조적으로 동일하다.

승리 조건: AI의 정밀도를 높이는 것보다, 현장에서의 사용 방식을 계속 개선하는 사이클을 갖는 것이다. PoC 무덤을 탈출하여, 본 사업 가동·지속 개선에 닿는 조직 능력을 갖는 것이다.

3가지 교훈

내가 현장의 데이터 사이언티스트로서 배운 것을 세 가지로 정리한다.

교훈1: '물음의 설계'가 모든 것에 선행한다

AI가 서투른 것은 '무엇을 풀어야 하는가'를 결정하는 것이다. '이 모델의 정밀도를 올려주세요'라는 의뢰에는 답할 수 있지만, '이 공장에서 정말로 풀어야 할 문제는 무엇인가'는 AI가 대답할 수 없다.

그리고 아이러니하게도, AI 시대에 가장 가치가 높은 것은 후자의 능력이다.

한국 기업의 PoC 무덤의 본질은 기술의 부족이 아니라, '풀어야 할 물음의 설정을 틀렸다, 혹은 설정하지 않았다'는 것에 있다. 데이터 사이언티스트가 비즈니스 측에 발을 디디고, '애초에 이것은 풀어야 할 문제인가'를 묻는 능력이 2026년 이후의 최중요 스킬이다.

교훈2: '데이터는 현장에 있다'는 역설

AI 시대의 경쟁 우위는, 대량의 범용 데이터가 아니라, 특정 현장에 뿌리내린 고유의 데이터에서 생겨난다.

HIRA 전 국민 30년분 의료 청구 이력

삼성전자·SK하이닉스 반도체 공정 수율 이상 패턴 데이터

농촌진흥청 수십 년의 품종별 재배 노하우

금융감독원 규정 기반 여신 심사 이력

이것들은 '가치 없는 노이즈'가 아니라, 글로벌 AI가 결코 가질 수 없는 독점 데이터다.

이 연재에서 몇 번이나 언급한 '데이터가 잠들어 있다'는 문제는, 실은 시점을 바꾸면 '아직 아무도 경쟁 우위를 확립하지 않았다'는 것이기도 하다. 잠들어 있는 데이터를 최초로 깨운 기업이, 그 산업의 AI 인프라가 될 가능성을 갖는다.

교훈3: '테크놀로지 주권'은 기술의 문제가 아니라 의지의 문제

국가 AI 컴퓨팅 센터의 구축, 한·ASEAN AI 협력 이니셔티브, EU AI Act 대응들은 모두, '어디에 의존하고, 어디는 자체적으로 갖는가'라는 의지의 문제다.

기술이 있으면 주권이 얻어지는 것이 아니라, 주권을 갖는다는 의지가 있어야 비로소 기술 투자가 계속된다. 미국의 AI 반도체 수출 규제가 계속 흔들리는 세계에서, '동맹국이니까 괜찮다'는 수동적인 안도감은 전략이 아니다. '룰이 바뀌어도 대체할 수 있다' 상태를 설계하는 것이, AI 시대의 국가·기업의 안전 보장이다.