[태그:] 디지털 트윈

사우디 아람코(Saudi Aramco)의 얀부(Yanbu) 정유 공장에서는 최적화 알고리즘이 생산 조건을 폐루프로 직접 조정하고, 운영자는 필요할 때 감독해요. 같은 회사의 라스타누라(Ras Tanura) 정유 공장은 다르게 움직입니다. 알고리즘은 변경안을 내놓는 데서 멈추고, 적용할지 말지는 운영자가 정하죠. 회사도 같고 기술 계열도 비슷해요. 그런데 AI에게 맡긴 범위는 공장마다 다릅니다.

산업용 AI에서 정말 어려운 건 성능 좋은 모델 고르기가 아니에요. ‘어떤 결정을 AI에게 넘기고, 어떤 결정을 사람이 쥐고 있을지’를 설계하는 쪽이 훨씬 까다롭습니다. 이 분야를 처음 공부할 때 가장 놓치기 쉬운 지점이기도 하고요. MIT Technology Review가 산업 소프트웨어 기업 AVEVA의 최고제품책임자(CPO) 롭 맥그리비(Rob McGreevy)의 설명을 바탕으로 소개한 ‘리빙 디지털 트윈(living digital twin)’은 이 설계 문제를 이해하기 좋은 틀이에요. 아람코 두 공장의 차이도 이 틀에 올려보면 한눈에 들어옵니다.

초기 디지털 트윈은 이상을 보고도 손쓰지 못했다

공장 하면 차가운 강철, 정해진 박자로 돌아가는 기계부터 떠오르죠. 그런데 기능만 놓고 보면 공장은 생명체에 더 가까워요. 맥박이 있고, 일종의 대사 작용도 있고, 시간이 흐르면 마모됩니다. 건강이 나빠지는 신호 역시 처음엔 눈에 거의 띄지 않는 작은 불규칙성으로 나타나요.

디지털 트윈은 원래 이런 변화를 디지털 공간에 비춰보려고 만든 기술이에요. 큰 고장의 전조가 될 수 있는 이상 징후를 미리 모델링하자는 취지였죠. 발목을 잡은 건 속도였습니다. 초기 구현들은 물리적 현실보다 늘 몇 박자씩 뒤처졌어요. 실시간 분석이 안 됐고, 이상을 찾아내도 먼저 나서서 손쓸 방법이 없었습니다. 쓰임새가 시뮬레이션, 관찰, ‘이렇게 바꾸면 어떻게 될까’ 하는 시나리오 계획에 몰린 것도 그 때문이에요. 분석 결과를 현장 실행으로 되돌려 보내는 폐루프 실행과는 거리가 멀었죠.

리빙 디지털 트윈은 이 마지막 연결 고리를 채웁니다. 복잡한 운영을 정밀하고 동적으로 표현하는 디지털 모델에, 운전·제어 시스템을 거쳐 물리 세계에 직접 개입하는 능력을 묶은 개념이에요. 기존 트윈이 이상을 찾아 알려주는 거울이었다면 리빙 트윈은 거울에 손까지 달린 셈입니다. 보는 도구가 움직이는 도구가 된 거예요.

맥그리비는 AI가 들어간 새 디지털 트윈을 자라고 진화하는 유기체에 비유해요. 설비와 공정을 담은 모델이 현장 상황에 맞춰 계속 적응하고 갱신된다는 뜻입니다. 따로 돌던 시스템들을 잇는 만큼, 그동안 없던 가시성과 조율(orchestration) 계층이 생긴다는 점도 그가 힘주어 말하는 부분이고요. 에이전틱 AI까지 붙으면 진단이나 제안에서 멈추지 않아요. 스스로 행동합니다. 작은 조정을 끊임없이 반복해 공장을 건강하게 유지하는, 일종의 ‘산업 항상성’. 사람 몸이 체온을 지키려고 쉬지 않고 미세 조정하는 모습을 떠올리면 감이 옵니다.

‘건강한 상태’가 무엇인지 정의하는 일은 여전히 사람 몫이에요. AI가 의도에서 벗어나기 시작할 때 이를 알아채고 경고하는 것도 사람이고요. 리빙 트윈이 엔지니어에게 창 역할까지 맡아야 하는 이유가 여기 있어요. AI가 무엇을 하고 있는지 들여다보고, 실행이 제대로 가는지 확인하는 창이요. 손이 달린 거울이라면 그 손이 뭘 하는지도 비춰줘야 한다는 얘기죠.

디지털 스레드와 값싸진 센서가 트윈을 살려냈다

리빙 트윈의 뼈대는 디지털 스레드(digital thread)예요. 설비 하나가 설계될 때부터 수명을 다할 때까지 따라다니는 연결된 기록입니다. 설계·엔지니어링 정보와 실시간 운영 데이터를 이 스레드로 묶어야 트윈이 현실과 같은 박자로 움직여요. 개발자식으로 비유하면 이런 그림이에요. 설비마다 설계 문서 링크와 운영 로그를 하나의 키로 묶은 이력 테이블.

이 스레드를 실제로 엮을 수 있게 된 데는 두 가지 변화가 컸어요.

• 센서와 텔레메트리: 센서 가격이 떨어지면서 IoT 기기와 산업 제어 장비에서 텔레메트리가 끊임없이 흘러들어와요.
• 소프트웨어 플랫폼: 흩어진 데이터를 다루기 쉬운 화면으로 모아주는 플랫폼이 자리를 잡았어요.

예측 모델과 물리 기반 모델을 더하면 한 걸음 더 나갑니다. 기계나 공정이 앞으로 어떻게 움직일지에 대한 AI 기반 인사이트까지 얻을 수 있거든요. 데이터로 학습한 모델과 물리 법칙으로 세운 모델을 함께 쓰는 구조라서, 한쪽만 쓸 때보다 판단 근거가 넓어진다고 보면 돼요.

트윈을 들여다보는 ‘렌즈’도 여러 갈래가 됐어요. 맥그리비가 드는 예는 세 가지입니다. 지속가능성 렌즈는 ‘배출량이 얼마인가’를, 유지보수 렌즈는 ‘이 설비가 건강하게 돌고 있는가’를, 성과 렌즈는 ‘필요한 만큼 생산하고 있는가’를 묻는다는 거죠. 트윈은 하나여도 던지는 질문에 따라 필요한 센서, 데이터, 화면 구성이 모두 달라져요. 렌즈마다 요구하는 데이터가 다르니 트윈을 기획할 때 어떤 렌즈를 먼저 쓸지부터 정하는 편이 효율적이라고 봐요. 세 렌즈를 한꺼번에 갖추려 들면 센서와 데이터 범위부터 감당하기 버거워질 수 있습니다.

AI에게 맡기는 범위는 권고·감독·완전 자율 세 칸으로 나뉜다

다음 단계는 이 렌즈들이 비춘 인사이트 가운데 일부를 AI가 직접 실행하게 하는 거예요. 제조업계 기대는 커요. Manufacturing Leadership Council 설문에서 제조업체의 66%가 운영에 에이전틱 AI를 쓰고 있거나 쓸 계획이라고 답했습니다. 40%는 2030년까지 어느 정도의 공장 자율화를 예상했고요. 경계심도 그만큼 큽니다. Deloitte의 스마트 제조 설문에서는 경영진의 65%가 사업 중단 가능성을 포함한 운영 리스크를 가장 큰 우려 사항 가운데 하나로 꼽았어요. 조사 대상은 서로 다르지만, 기대와 걱정이 비슷한 크기로 함께 자라고 있다는 건 분명해 보입니다.

맥그리비는 기대와 우려 사이의 이 간극을 SCADA에 빗대 설명해요. SCADA(Supervisory Control and Data Acquisition)는 산업 현장에서 설비를 원격으로 감시·제어하는 시스템이에요. 그는 ‘SCADA의 S는 감독(supervisory)을 뜻하고, 감독이란 중간에 사람이 있다는 뜻’이라고 말합니다. 에이전틱 AI도 같은 길을 밟을 거라는 전망이에요. 당분간은 대부분 조언하는 역할에 머물고, 완전 자율은 범위가 좁고 반복성이 매우 높은 작업에 한정된다는 거죠. 자율화까지는 다듬을 부분도, 입증 사례도, 테스트와 검증도 훨씬 더 필요하다는 말도 덧붙였어요. 산업 소프트웨어를 파는 회사의 제품 책임자가 완전 자율에 먼저 선을 그은 셈이라, 가볍게 넘기기 어려운 신중론입니다.

실제 현장의 감독 방식은 배치마다 제각각이에요. 운영자가 모든 조치를 승인하는 곳이 있는가 하면, AI가 스스로 움직이되 사람이 경계를 정하고 지켜보는 곳도 있어요. 단계별로 나누면 이렇게 볼 수 있습니다.

운영 방식	AI가 하는 일	사람이 하는 일	언급된 사례
권고형	변경안 제안	적용 여부 결정	사우디 아람코 라스타누라 정유 공장
폐루프 + 감독형	생산 조건을 직접 조정	필요에 따라 감독, 운영 경계 설정	사우디 아람코 얀부 정유 공장
완전 자율	좁고 반복성이 높은 작업을 스스로 수행	건강한 상태와 허용 범위 정의	향후 전망으로만 언급, 구체 사례 없음

식품 쪽에도 사례가 있어요. 네슬레(Nestlé)는 네스퀵(Nesquik) 공장에서 분말 음료 원료를 만드는 산업용 건조기를 AI 최적화로 튜닝합니다. 건조기는 같은 작업을 되풀이하면서 운전 조건을 계속 맞춰줘야 하는 설비예요. 맥그리비가 말한 ‘좁고 반복적인 작업’과 성격이 가까워서, AI 튜닝을 먼저 시도해보기 좋은 대상으로 보여요. 사람이 경험으로 맞추던 설정값을 데이터로 좁혀갈 수 있으니까요.

운영자는 승인 버튼 대신 경계선을 쥐게 된다

AI가 실행까지 맡기 시작하면 운영자의 하루도 달라져요. 공정 라인 하나, 정비 업무 하나를 전문으로 맡던 사람이 여러 분야를 함께 다룰 수 있게 됩니다. 반복적인 조치를 하나하나 승인하던 시간은 줄어요. 대신 늘어나는 건 ‘어디까지가 허용 가능한 운전 범위인가’를 정의하는 시간이죠.

이 구조에서 가장 중요한 감각은 AI의 실수를 일찍 잡아내는 능력이에요. AI는 입력받은 데이터의 패턴을 그대로 강화할 수 있거든요. 데이터에 섞여 있던 잘못된 운전 습관이 자동 조정을 거치며 오히려 굳어버릴 수 있다는 얘기입니다. AI가 무엇을 보고 무엇을 하고 있는지 해석하려면 현장 경험과 지식이 결정적이에요. 사람의 역할이 줄어든다기보다 성격이 바뀐다고 보는 게 정확합니다. 오래 현장을 지킨 운영자의 감각은 그대로 쓰이고, 쓰이는 자리만 옮겨 가는 거죠.

조직 차원의 거버넌스도 따라가야 해요. AI가 혼자 내릴 수 있는 결정은 무엇인지, 그 행동을 어떻게 모니터링하고 감사할지 가드레일을 분명히 정해둬야 하죠. 준비 상태는 아직 기대에 못 미칩니다. AVEVA와 IMD의 연구에서 응답 조직의 43%는 AI 도입 뒤에도 생태계 파트너 사이의 의사결정과 책임 구조가 조금 바뀌었거나 전혀 바뀌지 않았다고 답했어요. 상당하거나 근본적인 변화가 있었다는 곳은 23%에 그쳤고, 파트너와 데이터를 상당한 수준 이상으로 공유한다는 곳도 27%뿐이었습니다. 기술보다 조직이 한참 느리게 움직이고 있다는 게 숫자로 드러나는 대목이에요.

규제도 움직이고 있어요. EU AI Act는 핵심 기반시설에 쓰이는 일부 AI 안전 구성요소를 고위험으로 분류하고 사람의 감독을 요구합니다. 기업이 스스로 틀을 만드는 경우도 있어요. AVEVA는 책임 있는 AI 거버넌스 위원회를 두고, AI 개발·배포 원칙을 공개해뒀습니다.

국내 제조·플랜트 현장이 먼저 부딪힐 네 가지

아래 내용은 앞의 사례와 조사 결과를 국내 상황에 비춰본 해석이고, 일부는 추측이에요.

• EU와 거래하는 기업은 감독 기능을 설계 요구사항으로 다뤄야 할 가능성이 커요. EU AI Act가 핵심 기반시설의 AI 안전 구성요소에 사람의 감독을 요구하는 만큼, 그 범위에 드는 시스템을 EU 시장에 공급하는 국내 기업이라면 승인 흐름과 수동 개입 기능을 처음부터 넣어야 할 것으로 보여요. 어떤 시스템이 고위험에 해당하는지는 제품별로 따로 따져봐야 하고요.
• 운영 직무의 범위가 넓어질 수 있어요(추측). 한 라인 전담 운영자가 여러 분야를 맡고 운전 한계값을 설계하는 흐름은 특정 국가의 사정이 아니라 기술 구조에서 나오는 변화예요. 국내 현장에서도 비슷하게 나타날 가능성이 높아 보입니다. 데이터 해석과 AI 행동 검토가 운영 교육의 새 과목이 될 수도 있어요.
• 협력사와의 데이터 공유가 병목이 될 수 있어요(추측). 파트너와 데이터를 폭넓게 공유하는 조직이 27%에 그친다는 결과를 보면, 원청과 여러 협력사로 이어진 공급망일수록 트윈을 공장 담장 밖으로 넓히는 단계에서 걸릴 가능성이 커요. 데이터 공유 범위 합의가 기술 도입보다 먼저 풀어야 할 과제가 될 것으로 보입니다.
• 산업용 소프트웨어 개발자라면 기능 우선순위가 달라져요. AI가 실행까지 맡는 구조에서는 한계값 관리, 승인·거부 화면, 행동 감사 로그처럼 ‘사람이 통제하고 있다’는 걸 보여주는 기능이 모델 정확도만큼 중요해진다고 봐요. 거버넌스 요구가 결국 이런 기능으로 구현되기 때문이에요. 정확도가 높아도 이런 장치가 빠져 있으면 현장에서 실행 권한을 얻기 어려울 수 있습니다.

확인된 것과 아직 불확실한 것

확인된 것

• 사우디 아람코 얀부 정유 공장은 최적화 알고리즘의 폐루프 생산 조정과 운영자 감독 방식을, 라스타누라 정유 공장은 알고리즘 권고와 운영자 결정 방식을 쓴다.
• 네슬레는 네스퀵 공장에서 분말 음료 원료용 산업 건조기 튜닝에 AI 최적화를 쓴다.
• Manufacturing Leadership Council 설문: 에이전틱 AI 사용 또는 사용 계획 66%, 2030년까지 일정 수준의 공장 자율화 예상 40%.
• Deloitte 스마트 제조 설문: 경영진 65%가 사업 중단 가능성을 포함한 운영 리스크를 주요 우려로 꼽음.
• AVEVA·IMD 연구: 의사결정·책임 구조 변화가 미미하거나 없음 43%, 상당하거나 근본적 변화 23%, 파트너와 데이터 상당 수준 이상 공유 27%.
• EU AI Act는 핵심 기반시설의 일부 AI 안전 구성요소를 고위험으로 분류하고 사람의 감독을 요구한다.

아직 불확실한 것

• 네슬레 건조기 튜닝의 구체적인 효과와 수치
• 얀부 정유 공장 폐루프 운전의 성과 지표
• 완전 자율을 허용할 ‘좁고 반복적인 작업’의 구체적인 기준
• EU AI Act 고위험 분류가 개별 공장 설비와 소프트웨어에 적용되는 세부 범위
• 국내 제조 현장의 리빙 디지털 트윈·에이전틱 AI 도입 규모

도입 회의 첫 안건은 플랫폼이 아니라 ‘AI에게 맡길 결정 목록’

리빙 디지털 트윈이나 에이전틱 AI 도입을 논의하는 자리라면 플랫폼 이름부터 꺼내지 마세요. 아래 순서로 질문을 정리하는 게 먼저입니다. 앞에서 본 사례와 조사 결과에서 거꾸로 끌어낸 체크리스트예요.

1. 렌즈를 먼저 고른다. 배출량, 설비 건강, 생산량 가운데 무엇을 가장 먼저 개선할지 정해요. 이것만 정해져도 필요한 센서와 데이터 범위가 좁혀집니다.
2. 결정을 세 칸으로 나눈다. AI가 권고만 할 결정, 폐루프로 실행하되 사람이 감독할 결정, 완전히 맡길 결정으로 분류해요. 세 번째 칸에는 범위가 좁고 반복성이 높은 작업만 넣는 게 맥그리비의 전망과도 맞아요.
3. 허용 운전 한계를 사람이 정의한다. ‘건강한 상태’의 기준을 숫자와 조건으로 적어두는 일. 이게 운영자의 핵심 업무가 됩니다.
4. 감시와 감사 방법을 정한다. AI가 어떤 근거로 무엇을 바꿨는지 기록하고, 정해진 경계를 벗어나려 할 때 사람에게 알리는 구조가 있어야 해요. 그래야 잘못된 데이터 패턴이 강화되는 걸 일찍 잡을 수 있어요.
5. 파트너와 공유할 데이터 범위를 합의한다. 공장 하나를 넘어 공급망 전체로 트윈을 넓히려면 피할 수 없는 단계예요. 상당 수준 이상 공유하는 조직이 27%라는 걸 감안하면, 시간이 가장 오래 걸릴 칸이기도 합니다.

같은 아람코 안에서도 얀부는 폐루프, 라스타누라는 권고형이에요. 자율화 수준에 정답이 따로 없다는 걸 보여주는 사례죠. 설비의 위험도, 데이터 준비 상태, 운영 조직의 경험에 맞춰 칸을 나누고, 검증이 쌓이는 만큼 조금씩 옮겨 가는 과정에 가깝습니다. 기술은 계속 좋아질 거예요. 그래도 경계선을 긋는 손은 당분간 사람 쪽에 남아 있을 가능성이 커 보입니다.

출처: MIT Tech Review AI