"GPU 26만 장을 받았는데 쓸 데가 없다"는 말을 처음 들었을 때, 저는 순간 멍해졌습니다. 세계 최고 수준의 연산 자원을 손에 쥐었는데 정작 그걸 소화할 서비스가 없다는 역설. 그런데 가만히 생각해보니, 이건 단순한 정책 실패가 아니라 우리가 50년 동안 몸에 익혀온 방식 자체의 한계가 드러난 것이었습니다. 그 한계가 어디서 왔는지, 그리고 의외의 곳에서 돌파구가 보이는 이유를 직접 겪어보고 느낀 대로 풀어보겠습니다.
패스트팔로워 전략이 AI 앞에서 멈춘 이유
제가 처음 이 문제를 실감한 건 주변 기업인들과 이야기를 나누면서였습니다. "어디 좋은 AI 사례 없냐"는 질문이 대화마다 반복됐습니다. 벤치마킹할 곳을 찾는 건데, 막상 찾아보면 아무도 답을 내놓지 못하고 있었습니다. 그때 제가 느낀 건 이 질문 자체가 문제라는 것이었습니다.
패스트팔로워(Fast Follower)란 선발 주자가 닦아놓은 길을 빠르게 따라가며 비용과 시행착오를 줄이는 전략입니다. 한국은 1970~90년대 산업화 과정에서 이 전략을 완벽에 가깝게 구사했습니다. 선진국이 먼저 만든 제품을 라이선싱 받고, 유학생을 보내 기술을 익히고, 가격 경쟁력으로 수출 시장을 뚫었습니다. 그 시절에는 '답지'가 있었던 셈입니다.
그런데 AI는 답지가 없습니다. 금융에 어떻게 적용할지, 교육은 어떻게 바꿀지, 제조 현장에서는 무엇부터 시작할지 — 전 세계 누구도 완성된 모범 답안을 갖고 있지 않습니다. 여기에 세계화의 후퇴라는 변수까지 겹쳤습니다. 2025년 들어 각국이 기술 패권을 무기화하는 흐름이 뚜렷해지면서, 예전처럼 선진국이 기술을 가르쳐주던 시대는 사실상 끝났습니다. 한국 제조업 연구원(KIET)의 분석에 따르면 글로벌 공급망 재편과 기술 블록화가 동시에 진행되면서 기술 추격형 전략의 효과가 급격히 낮아지고 있습니다(출처: 산업연구원).
제가 직접 써봤는데, ChatGPT에 "AI 도입 성공 사례 알려줘"라고 물으면 그럴듯한 답이 나오긴 합니다. 그런데 그게 우리 산업에 바로 적용되는 사례는 거의 없었습니다. 답을 찾으러 갔다가 또 다른 질문을 안고 돌아오는 경험, 그게 지금 한국이 AI 앞에서 겪는 '멘붕'의 실체라고 저는 봅니다.
피지컬 AI와 로보틱스, 그리고 숙련공의 재발견
이쯤에서 저는 방향을 완전히 바꿔서 생각하게 됐습니다. 소프트웨어 AI가 막힌다면, 형태가 있는 AI — 즉 피지컬 AI(Physical AI) 쪽에서 답을 찾을 수 있지 않을까 하는 생각이었습니다. 피지컬 AI란 로봇이나 자율주행처럼 현실 세계에서 물리적으로 작동하는 AI 시스템을 뜻합니다. 디지털 화면 안에만 머무는 게 아니라 실제로 손을 뻗고 물건을 잡고 용접을 하는 AI입니다.
로보틱스(Robotics) 분야에서 최근 가장 주목받는 기술이 바로 인버스 키네마틱스(Inverse Kinematics) 문제를 학습 기반으로 해결하는 접근입니다. 인버스 키네마틱스란 로봇이 특정 위치에 손을 뻗을 때 각 관절이 어떤 각도로 움직여야 하는지를 역으로 계산하는 기술입니다. 예전에는 수식으로 이 문제를 풀려다 한계에 부딪혔는데, 지금은 사람의 동작을 직접 보여주는 방식, 즉 모방 학습(Imitation Learning)으로 전환하면서 성능이 비약적으로 올라가고 있습니다. 모방 학습이란 규칙을 가르치는 대신 시범을 반복해서 보여줌으로써 AI가 스스로 패턴을 익히게 하는 방식입니다.
솔직히 이건 예상 밖이었습니다. 로봇이 방정식을 계산하는 게 아니라 사람처럼 보고 따라하며 배운다는 것. 아기가 말을 배우는 방식, 아이가 자전거를 넘어지며 배우는 방식과 다를 게 없었습니다. 그런데 이 구조가 한국에 특별한 의미를 갖는 건, 학습 데이터의 질이 로봇의 역량을 결정하기 때문입니다.
한국이 가진 강점을 정리하면 다음과 같습니다.
- 울산·창원을 중심으로 수십 년 경력의 제조업 숙련공이 여전히 현장에 있습니다.
- 조선, 자동차, 반도체부터 마스크·김치 공장까지, 제조 영역이 광범위하게 살아 있습니다.
- 이들의 손기술과 판단력을 데이터화할 수 있는 시간적 여유가 아직 남아 있습니다.
한국산업기술진흥원(KIAT)에 따르면 제조 현장의 숙련 기능인력은 60대 이상 비율이 매년 높아지고 있어 기술 전수의 골든 타임이 빠르게 좁아지고 있습니다(출처: 한국산업기술진흥원). 제 경험상 이 문제는 수치 이상으로 심각합니다. 가까운 지인 중 30년 넘게 용접을 해온 분이 있는데, 그 손끝의 감각을 말로 설명할 수 없다고 하셨습니다. 바로 그 설명 불가능한 감각이 AI가 배워야 할 데이터입니다.
숙련공 데이터가 외교 자산이 되는 세상
일본이 소부장(소재·부품·장비) 분야에서 갖는 위상을 생각해보면 이해가 빠릅니다. 핵심 소재 하나를 틀어쥐고 있으니 함부로 건드릴 수 없는 구조입니다. 제가 이 영상을 보면서 다시 한번 깨달은 건, 한국의 제조업 숙련공 데이터가 앞으로 그런 역할을 할 수 있다는 점이었습니다.
ChatGPT가 가능해진 이유는 인류가 30년 동안 인터넷에 텍스트와 이미지를 쌓아뒀기 때문입니다. 피지컬 AI가 제대로 작동하려면 현실 세계의 움직임 데이터, 즉 모션 데이터(Motion Data)가 필요합니다. 모션 데이터란 사람이 특정 작업을 수행할 때의 관절 움직임, 힘의 분배, 속도 변화 등을 센서로 기록한 데이터를 말합니다. 이 데이터는 인터넷에 없습니다. 직접 만들어야 합니다.
미국은 지금 아르바이트생을 고용해 로봇에게 기초 동작을 가르치고 있다고 합니다. 그런데 그 아르바이트생이 조선소에서 배를 용접할 수 있을까요. 반도체 공정에서 미세 조정을 할 수 있을까요. 불가능합니다. 반면 울산과 창원에는 그 일을 20년, 30년 해온 사람들이 아직 있습니다. 이 격차가 앞으로 피지컬 AI 시대에 결정적인 차이를 만들어낼 것이라는 시각에 저는 강하게 동의합니다.
물론 이걸 데이터로 전환하는 건 말처럼 쉽지 않습니다. 고글과 센서를 끼고 수백 번 작업을 반복해야 하고, 현장 숙련공들이 그 과정에 적극적으로 참여해야 합니다. 제도적 지원 없이 개인이나 기업 혼자 할 수 있는 일이 아닙니다. 그래서 제가 바라는 건 단순합니다. 십수 년 현장을 지킨 기술자들이 제대로 대우받고, 그 기술이 데이터로 기록되는 시스템이 빨리 만들어지길 바랍니다. 26년 새해가 시작된 지금, 이 골든 타임을 놓치지 않았으면 합니다.
결국 AI 시대에 한국이 가진 가장 큰 자산은 반도체 팹도, GPU 물량도 아닐 수 있습니다. 수십 년간 묵묵히 현장을 지킨 숙련공들의 손끝에 담긴 기술이, 그 어떤 알고리즘보다 값진 데이터가 될 수 있습니다. 그 분들이 은퇴하기 전에 움직여야 합니다. 대한민국 홧팅입니다.