삼성·현대차 미국공장 경쟁력, “AI+온톨로지”가 만든다…막을 수 없는 미래로 보는 이유
핵심만 먼저: 이번 영상(인터뷰)에서 꼭 잡아야 할 5가지
1) “온톨로지 도입”이 정답이 아니라, 문제 정의→데이터 확보→온톨로지/LLM 적용 순서가 성패를 가른다.
2) 미국의 제조 공장이 한국 대비 생산성이 2배인 이유를 단순 자동화가 아니라 AI가 공정에 ‘붙는 구조’에서 찾는다.
3) 온톨로지 없이 LLM만 쓰면, 결국 환각·정합성·수치/시계열 처리 한계가 나온다.
4) 한국은 공공데이터를 RDF(온톨로지 언어)로 이미 개방해 둔 “좋은 기반”이 있고, 에이전틱 AI 시대가 오면 진가가 폭발한다.
5) “큰 설계”보다 6개월 파일럿처럼 작은 문제부터 검증하며 확장해야 한다.
이 글에서는 위 5가지를 뉴스처럼 정리하고, 마지막에 “다른 곳에서 잘 안 말하는 가장 중요한 결론”도 따로 뽑아줄게요.
[뉴스 브리핑] “미국 제조공장 2배 생산성”의 진짜 배경: 자동화+AI+온톨로지
티타임즈 인터뷰에서 솔트룩스 이경일 대표는 삼성·현대차·하이닉스가 미국에 구축 중인 제조 공장을 예로 들며, 생산성 격차를 만드는 건 단순 로봇/설비 자동화가 아니라 “자동화에 AI가 들러붙는 구조”라고 강조했어요.
여기에 휴먼형 로봇 같은 물리적 자동화가 더해지고, 마지막으로 온톨로지까지 얹히면 경쟁력 차이가 더 커질 수밖에 없다고 봤습니다.
- 자동화: 반복 업무의 속도/일관성을 올림
- AI: 공정 데이터·의사결정을 연결해 최적화
- 온톨로지: “무엇이 무엇인지/어떤 관계인지”를 지식 구조로 고정해 정합성을 강화
즉, 설비 단독이 아니라 “제조 지식+데이터+추론”이 결합되는 쪽으로 판이 이동한다는 해석이에요.
온톨로지 도입 실패 공식: “아무 문제 없이 도입하면 100% 망한다”
대표가 가장 강하게 말한 부분은 이거예요.
“온톨로지 도입하면 알아서 해결된다”고 기대하는 순간 100% 실패한다.
왜냐면 온톨로지는 단순 도구가 아니라, 문제를 정의하고 그 문제를 풀 수 있는 데이터를 준비한 뒤 지식 구조로 만드는 작업이기 때문이에요.
- 1단계: 해결할 문제(예: 수율 3%↑)를 명확히 정의
- 2단계: 그 문제와 연결된 핵심 데이터 보유 여부 확인
- 3단계: 데이터가 없으면 확보 전략부터 마련
- 4단계: 그 다음에 온톨로지로 가고, LLM/추론 모델을 결합
대표는 “온톨로지/LLM/플랫폼을 만들면 우리 문제를 해결해 줄 수 있다”는 식의 접근이 아니라, 문제-데이터-지식화가 먼저라고 못 박았어요.
“온톨로지 없이 AI 구축” 기업의 현실: 한계는 ‘지식 정합성’에서 터진다
인터뷰에서는 온톨로지 없이도 AI를 만든 사례가 많다는 질문이 나왔고, 대표는 결국 AI를 구성하는 핵심 요소들을 설명하면서 온톨로지의 역할이 드러나도록 답했어요.
그는 AI를 단순히 “기계학습”으로만 보면 오해가 있다고 봤고, AI에는 대략 아래 요소가 함께 들어간다고 설명했습니다.
- 지식 표현(knowledge representation)
- 학습(learning)
- 추론(inference)
- 계획/의사결정(planning/decision)
그래서 현재의 많은 생성형 AI(LLM)는 트랜스포머 기반이더라도, 실제 업무 적용에서는 지식 구조가 없으면 한계가 커진다는 얘기로 이어졌고요.
특히 실패 지점으로는 “온톨로지를 공부하면서 너무 아름답고 완벽한 지식체계를 설계하는 데 에너지를 빼앗겨 실용성이 떨어지는 경우”를 들었습니다.
CYC 실패 사례가 던지는 교훈: 이론 과잉 = 실용성 붕괴
대표는 대표적 실패 사례로 CYC(미국 국방성이 지원, 40년 전 시작된 온톨로지 프로젝트)를 언급했어요.
핵심은 이거였죠.
- 온톨로지의 철학적/이론적 깊이에 과도하게 들어감
- “완벽한 온톨로지”를 만들려다 복잡도만 커짐
- 현업 실용성이 떨어져 실패
그래서 결론은 “온톨로지가 답”이라기보다, 문제 해결을 목표로 필요한 만큼만 설계하라는 관점이에요.
온톨로지-LLM 결합의 ‘대안’: RAG/그래프 RAG/넓은 의미의 Knowledge Grounding
여기서 용어가 좀 복잡해지는데, 대표가 한 줄로 정리한 메시지는 쉬워요.
LLM이 답을 만들 때 근거를 주는 방식(RAG)은 필요하지만, 문장 단위 프롬프트에만 기대면 한계가 있다.
그래서 나온 개념이 “온톨로지 기반 grounding”이에요.
- RAG: 문서(검색 결과)를 프롬프트에 함께 넣어 근거를 제공
- 그 한계: 컨텍스트를 “문장”으로만 넣는 구조라 정합성이 흔들릴 수 있음
- 그래프 RAG: 온톨로지/그래프 구조를 기반으로 더 정확한 연결을 제공
- Knowledge Grounding: 지식 기반으로 LLM이 참조할 지식 구조를 찾아/생성해 함께 제공
이 구조를 쓰면 대표는 환각(거짓말)이 줄고, 특히 LLM이 약했던 시계열/수치 데이터 처리를 더 잘한다고 설명했어요.
“온톨로지 유지보수”는 어떻게 하나? 정적 스냅샷이 아니라 ‘동적 업데이트’
질문이 자연스럽게 “그럼 온톨로지는 계속 관리해야 하지 않나?”로 이어졌고요.
대표는 과거처럼 특정 시점의 스냅샷을 만들어 끝내는 방식이 아니라, 지속 생성되는 데이터 흐름을 온톨로지로 계속 변환하는 체계를 강조했습니다.
- 데이터 패브릭 / 데이터 매쉬업 같은 개념
- 충돌/모순 탐지
- 새 정보 업데이트
- 플랫폼 하나로 묶어 실시간화
즉 “한 번 만들고 끝”이 아니라 실시간으로 지식이 갱신되는 구조가 핵심이라는 거예요.
온톨로지 비용이 큰 지점: ‘스키마 설계’와 ‘개념 체계’
온톨로지는 크게 “개념 구조(스키마)”와 “인스턴스(실제 데이터)”로 나뉘어요.
- 개념 체계(스키마): 사람이 누구고, 무엇과 무엇의 관계인지 같은 ‘의미 구조’
- 인스턴스: “이경일은 누구이며 언제 태어났는지/무슨 일을 하는지” 같은 실제 개체 데이터
대표에 따르면 개념 체계는 여전히 사람이 많이 해야 해서 비용/시간이 크고, 인스턴스는 자동화 여지가 상대적으로 큽니다.
그래서 제조업 같은 영역은 표준 온톨로지가 없으면 처음부터 개념을 세워야 해서 더 부담이 커져요.
국가가 해야 할 역할: ‘표준 제조 프로세스+기본 온톨로지’ 패키지화
대표는 여기서 국가 역할도 언급했어요.
각 제조 분야(화학/자동차/부품/반도체 등)별로 기본 온톨로지(스키마)를 마련해 기업에 배포하고, 기업이 자기 상황에 맞게 확장하는 방식이 가능하다고 봤습니다.
또 단순히 “온톨로지 만들어줘”보다 더 중요한 건, 기업이 직면한 문제를 정의하고 데이터를 준비하는 초기 컨설팅/지원 구조가 필요하다는 관점이었어요.
- 문제 직면 기업이 출발점부터 잡을 수 있도록 컨설팅 지원
- 표준 프로세스가 가능한 범위(대표 제조업 10~20개)에 온톨로지화
- 표준화/확산은 국가 표준 활동과 연계
즉 “완벽한 중앙집중”이라기보다, 기업이 빨리 시작하도록 기반(표준 스키마+데이터 구조)을 깔아주는 접근이에요.
한국 수준 평가는? “미국 70점, 한국 45~50점” — 시간 지나 뒤집힐 수도
대표는 글로벌 비교를 점수로 표현했는데요.
- 미국: 종합 70점 수준
- 한국: 45~50점 수준
다만 제조 강국인 한국이 분야별로는 시간을 두고 뒤집을 여지가 있다고 봤고, 그 근거로 “온톨로지뿐 아니라 생성형 AI(LRM 등)에서도 미국 1등이지만, 결국 한국의 소스(제조 데이터/암묵지)를 AI화하는 문제는 남아있다”고 했어요.
여기서 대표가 강조한 표현이 꽤 인상적이었는데요.
“미국이 앞서는 건 기술 자체뿐 아니라, 공장과 데이터가 결합되는 속도/구조다.”
그리고 한국의 본질 과제로는 “공장님과 숙련공이 가진 암묵지(유형화되지 않은 지식)를 AI로 전환하는 환경”을 꼽았습니다.
경영진 설득 한마디: 온톨로지가 ‘정답’은 아닐 수 있다…하지만 데이터-지능화 준비는 해야 한다
온톨로지 투자 망설이는 경영진에게 대표가 준 한마디는 이랬어요.
“온톨로지가 정답 아닐 수 있다. 하지만 자율화·지능화로 가는 출발점이 데이터라면, 데이터를 AI가 더 잘 쓰도록 만드는 과정은 필요하다.”
즉 온톨로지를 무조건 해야 한다는 입장이라기보다, 미래 AI(생성 AI 포함)가 더 가치 있는 일을 하려면 데이터를 지식화/구조화할 준비가 필요하다고 봤습니다.
실행 전략: 6개월 파일럿부터(프컨셉) + 작은 문제를 지도처럼 ‘실험-학습’하라
“어디서부터 시작하냐”가 최대 난관이잖아요.
대표는 서두르지 말라고 했고, 특히 파일럿/프컨셉처럼 작은 단위로 6개월 정도 검증해보면 확신이 생긴다고 했습니다.
- 정말 중요한 문제라도 ‘가장 작은 문제’를 정의
- 약 6개월 프로세스로 파일럿 운영
- 실패/학습을 다음 단계 설계에 반영
그리고 앞으로 5년은 “엉망진창 많은 시도”가 나올 거라 봤는데, 결국 살아남는 건 “경험을 통해 방향을 잡은 소수”일 가능성이 크다고 강조했어요.
솔트룩스 관점: LRM 플랫폼 + 온톨로지 파운더리(지식 기반) 오케스트레이션
대표는 자사 차별점으로 두 개의 축을 설명했습니다.
- 룩시아(Lookxia): LRM/VLM/에이전트를 멀티에트로 사용하는 플랫폼
- 온톨로지 파운더리: 온톨로지 중심 체계
핵심은 두 플랫폼을 왼쪽/오른쪽 내처럼 동시에 통합해 쓴다는 거예요.
또 기존 업체 비교 질문에 대해서는 “팔란티어는 온톨로지만 있고 생성 AI는 없고, 제미나이/클로드는 생성 AI는 강하지만 온톨로지는 상대적으로 없다”는 식으로 정리했습니다.
사례로 본 차이: ‘환각 0’에 가까운 재난 안전 온톨로지 프로젝트
가장 구체적 사례로는 재난 안전 영역이 나왔어요.
행정안전부와 함께 수치 데이터들을 온톨로지화해서 답변을 만들었고, 대표는 환각이 없었다고 주장했습니다.
- 기상 데이터 기반 산사태 발생
- 피해 금액(수치)까지 연결
- 온톨로지 기반으로 “구체적 의사결정” 지원
- 단순 검색 기반은 문서가 없으면 대충 찾아 붙이면서 거짓 결합이 발생
즉, 정확한 수치/시간/관계가 중요한 도메인에서는 온톨로지 기반 grounding이 성능 차이를 낼 수 있다는 관점이에요.
5년 전망: 에이전틱 AI 시대에 ‘RDF 공공데이터’가 본격 빛난다
인터뷰에서 “왜 한국은 아직 부처 간 연결이 안 되나?” 질문이 나왔고, 대표는 이렇게 답했어요.
개방은 됐지만, 활용할 수 있는 AI 레벨이 부족했다.
그러다 이제 에이전틱 AI 시대가 오면서 본격적으로 진가가 나오기 시작할 거라는 흐름이에요.
여기서 특히 중요한 건 한국이 이미 공공데이터를 RDF(온톨로지 언어) 형태로 개방한 사례가 많다는 점이었고요.
- 오픈뱅킹도 온톨로지화에 유리한 기반이 될 수 있음
- 공공데이터 전략에서 RDF 중심 개방이 진행됨
- AI가 지식 기반으로 돌아가기 시작하면 데이터 연결의 가치가 폭발
이 대목은 “기술이 성숙되는 타이밍”을 강조한 부분이라, 앞으로 로드맵 짤 때 꽤 유용한 관점이에요.
다른 곳에서 잘 안 말하는 ‘가장 중요한 결론’(별도 정리)
온톨로지 도입의 본질은 ‘지식 도구 추가’가 아니라, “문제 정의와 데이터 준비를 조직이 끝까지 끝내는 체계”를 만드는 데 있다.
이게 핵심이라서, 많은 기업이 실패하는 이유도 결국 같은 쪽이에요.
- 문제를 못 박지 않음(수치 KPI가 없음)
- 데이터 소유/확보가 안 됨(어디에 있고 누가 쓰는지 불명확)
- 그러다 온톨로지 설계를 “큰 설계 프로젝트”로 착각
- 결과적으로 실용성보다 이론이 앞서가며 비용만 소모
반대로 성공 확률을 높이는 방향은 아주 단순해요.
작은 KPI 문제를 잡고(예: 수율/환각/정확도/처리시간), 그 KPI를 만들 수 있는 데이터 구조를 먼저 잡고, 그 다음에 온톨로지+LLM을 결합한다.
여기서 온톨로지는 “정답”이라기보다, AI가 일을 제대로 하도록 만드는 정합성 엔진 역할을 한다고 보면 이해가 빨라요.
SEO 관점에서 체크해야 할 키워드(자연스럽게 반영)
이번 주제는 생성형 AI를 넘어서 지식 기반 AI로의 확장, 그리고 데이터 구조화와 연결의 문제를 다룹니다.
- 온톨로지
- 에이전틱 AI
- RAG(검색 기반 생성)
- 데이터 온톨로지
- 환각 감소
전하고자 하는 주요 내용
- 제조 경쟁력은 자동화만이 아니라 AI+온톨로지로 지식/데이터 정합성을 붙이는 속도에서 갈린다.
- 온톨로지는 “도입”이 아니라 문제 정의와 데이터 확보 후 단계적으로 붙여야 성과가 나온다.
- RAG의 한계를 보완하려면 그래프/grounding 같은 지식 기반 접근이 중요해진다.
- 한국은 RDF 기반 공공데이터 등 기반이 있고, 에이전틱 AI 시대에 활용 가치가 커질 가능성이 높다.
- 경영진 설득과 실행은 6개월 파일럿으로 “작은 문제 해결→확장”이 현실적이다.
< Summary >
솔트룩스 이경일 대표는 미국 제조공장이 한국보다 생산성이 높은 이유를 자동화에 AI가 ‘붙는 구조’에서 찾고, 여기에 온톨로지까지 결합되면 격차가 더 벌어질 수 있다고 봤습니다.
온톨로지 도입이 정답이 아니라, 해결할 문제를 먼저 정의하고 필요한 데이터를 확보한 뒤 온톨로지와 LLM을 결합해야 실패를 막을 수 있다고 강조했어요.
또 온톨로지 없는 RAG 기반 접근은 환각·수치/시계열 정합성 한계가 있고, 그래프 RAG와 knowledge grounding 같은 지식 기반 방식이 더 정확한 의사결정을 돕는다고 설명했습니다.
마지막으로 한국은 공공데이터 RDF 개방 등 기반이 있고 에이전틱 AI 시대가 오면 가치가 커질 것이며, 경영진은 큰 설계보다 6개월 파일럿으로 작은 문제부터 검증하라고 조언했습니다.
[관련글…]
