국내 기업 AX 소식: 공장 AI는 제안하고 사람이 승인한다 (10월 27일 묶음)

10월 22~26일 국내 기사 8건을 보면 공장 AI가 맡는 일은 대부분 '제안'입니다. 수율 조건을 추천하고 알람 원인을 짚고 문서 초안을 쓰면, 실행 전에 사람이 승인하거나 가상 공장에서 먼저 시험합니다. 따라 하려면 승인 기록을 남기는 구조와 공장마다 흩어진 데이터를 한곳에 모으는 작업부터 해야 합니다.

요약

이번 묶음은 10월 22일부터 26일까지 국내 매체가 보도한 기업 AX 소식 8건입니다. LG디스플레이는 OLED 공정 개선으로 2,000억 원 이상의 수익성 효과를 냈다고 밝혔고, LG전자는 로봇 CLOiD를 미국과 창원 공장에 넣어 검증하고 있습니다. SK바이오사이언스는 독감백신 생산에 수율 가이드 에이전트를 들였습니다. 현대차그룹은 공장마다 따로 쓰던 차량 식별번호(VIN) 인식 모델을 하나로 합쳤습니다. 삼성전자와 SK하이닉스는 같은 행사에서 스마트공장과 자율팹 계획을 발표했습니다. S-OIL은 신규 샤힌 공장까지 안전 데이터 플랫폼을 넓혔습니다. 포스코퓨처엠은 Palantir와 계약했고 SK텔레콤은 SK하이닉스 팹을 맡을 전담 TF를 꾸렸습니다. 대부분 회사 발표나 행사 발표를 옮긴 기사여서 수치는 회사가 밝힌 값입니다.

회사와 업종은 달라도 겹치는 패턴이 있습니다. 가장 많이 보이는 것은 실행 앞에 두는 검증 단계입니다. SK바이오사이언스와 포스코퓨처엠은 AI가 분석하고 사람이 최종 결정한다고 밝혔습니다. 삼성전자도 AI가 제안하고 사람이 결정하는 방식을 부분 적용부터 시작합니다. SK하이닉스는 AI 제안을 가상 팹(디지털 트윈)에서 먼저 돌려 봅니다. 현대차그룹은 에이전트마다 고유 ID와 활동 기록을 두고 중요한 작업에 승인 절차를 붙이는 중입니다. 두 번째 패턴은 데이터 통합입니다. S-OIL은 생산·설비·정비·안전 데이터를 한 플랫폼에 모았고, 현대차그룹은 운영 데이터를 7,000개 넘는 파이프라인으로 관리합니다. 나머지는 범위를 좁게 시작하는 순서, 현장 오류를 다시 학습에 쓰는 순환, 현업 직원이 직접 도구를 만드는 체계입니다. 아래에서 기사별 사실을 먼저 정리하고 이 패턴을 실제로 돌리는 방법을 기술과 현업 두 쪽으로 나눠 붙였습니다.

사례별 정리

LG디스플레이: 현업이 AI 앱을 직접 만들어 공정과 사무 비용을 줄였다

• 상황: AI를 R&D, 생산·품질, 사무 업무 전반으로 넓히는 중입니다.
• 한 일: 현업 중심 조직 ‘AX 스쿼드’를 뒀습니다. 직원이 업무 문제를 찾으면 사내 AI 전문가가 코칭해 도구를 만듭니다. 7월에는 사내 AI 앱 마켓 ‘Hi-D 에이전트 허브’를 열었고 해외법인까지 넓혔습니다. 이형 디스플레이 설계와 신소재 발굴에도 AI를 씁니다.
• 결과(회사 발표): OLED 공정 개선으로 수익성 2,000억 원 이상, AI 비서 ‘Hi-D’로 사무 비용 100억 원 이상을 줄였습니다. 앱 마켓에는 3개월 만에 앱 405개가 올라왔고 누적 다운로드는 약 1만 건, 후기·개선 의견은 500건 이상입니다. 앱 등록자의 90% 이상이 비개발 직군입니다. AX 스쿼드는 과제 450건 이상을 찾아 190여 건을 도구로 만들었습니다. 예로는 파워포인트 자동화, 검사 결과 자동 선별, 통계 분석이 있습니다.
• 출처: 뉴스핌 서영욱 기자, 10월 26일

LG전자: 로봇 CLOiD를 두 공장에 넣고 현장 오류를 다시 학습에 쓴다

• 상황: 연구실에서 만든 이동형 로봇 ‘LG CLOiD’를 실제 생산라인에서 검증해야 합니다.
• 한 일: 9월부터 미국 테네시 세탁기 공장에서는 세탁기 상판을 옮기고 배수펌프를 정렬·적재합니다. 창원 액추에이터 라인에서는 조립과 포장을 시험합니다. 둘 다 PoC(개념검증) 단계입니다. 서울 양재의 데이터팩토리(연면적 1만㎡)는 8월에 부분 가동을 시작해 제조·물류와 가정 환경을 재현하고 동작 데이터를 모읍니다. 계열사 역할도 나눴습니다. LG전자는 본체와 구동장치, LG이노텍은 카메라와 센싱, LG AI연구원은 판단·동작 모델, LG CNS는 현장 추가 학습과 시스템 연동(플랫폼 ‘피지컬웍스’)을 맡습니다.
• 결과(회사 계획): 현장 오류와 작업 데이터를 다시 AI 학습에 씁니다. 학습용 로봇을 약 100대에서 연말 200대로 늘립니다. 실제 데이터와 합성 데이터를 합쳐 10만 시간 분량을 모으는 것이 목표입니다. 내년 말까지 두 공장의 수십 개 공정으로 넓힐 계획입니다.
• 출처: 뉴스핌 서영욱 기자, 10월 26일

SK바이오사이언스: 수율 가이드 에이전트가 공정 조건을 제안하고 담당자가 승인한다

• 상황: 세포배양 독감백신 ‘스카이셀플루’의 생산 효율을 높이려 합니다.
• 한 일: 안동 백신 공장 ‘L HOUSE’에 ‘수율 가이드 에이전트’를 도입했습니다. 생산 데이터를 분석해 수율에 영향을 주는 요인을 찾고 공정 조건을 제안합니다. 분석과 권고는 AI가 하고 주요 결정은 담당자가 검토해 승인합니다. 연구개발부터 생산·공급까지 업무 시스템을 잇는 전사 AI 체계 ‘AI Brain’도 만들고 있습니다. 연구 자료 조사, 임상·허가 업무, 품질 문서 작성과 실사 대응에도 AI 적용을 검토합니다.
• 결과: 기사에 수율 개선 폭은 나오지 않습니다. 회사는 2021년부터 IT 기반을 닦아 왔습니다. 2027~2028년에는 AI 업무 지원 범위를 넓히고, 2029년부터 분야별 목표를 본격적으로 달성한다는 일정입니다.
• 출처: 머니투데이 정기종 기자, 10월 23일. 이용 AX기획팀장의 ABDD Summit 2026 in Incheon 발표

현대차그룹: 공장별 VIN 인식 모델을 하나로 합쳐 73개 공정에 적용했다

• 상황: 공장마다 따로 운영하던 VIN 인식 AI 모델이 여러 개였습니다.
• 한 일: 모델을 하나로 합쳐 국내외 73개 공정에 적용했습니다. 사내 검색·챗봇·에이전트는 공통 플랫폼에서 만듭니다. 직원이 만든 AI 도구를 안전하게 배포하는 ‘H-Launch’를 10월에 들였습니다. 에이전트에는 고유 ID와 활동 기록을 두고 중요한 작업은 승인을 거치게 하는 체계를 만드는 중입니다. 데이터 쪽에서는 커넥티드카 약 1,200만 대에서 모은 센서 데이터 약 140PB를 확보했고 운영 데이터를 7,000개 이상의 파이프라인으로 관리합니다.
• 결과(회사 발표): 사내 정보 검색 시간이 약 10분에서 20초로 줄었습니다. 사내 생성형 AI 플랫폼 ‘H Chat’은 그룹 임직원 70% 이상이 쓰고 7월부터 자율주행·수소 같은 국가핵심기술 분야까지 넓혔습니다. 피지컬 AI 개발용 GPU 서비스(GPUaaS)는 4분기에 기반을 깔기 시작해 2029년 하반기 새만금 AI 데이터센터에서 GPU 1만 장 이상으로 운영할 계획입니다.
• 출처: 핀테크경제신문 김현진 기자, 10월 23일. 10월 21일 사내 기술 행사 ‘소프티어 테크톡 오프데이 2026’(처음 외부 공개) 발표

삼성전자·SK하이닉스: 공정 문서 작성 시간을 70% 줄이고, 알람 대응 AI는 가상 팹에서 먼저 시험한다

• 상황: 같은 날 같은 행사에서 두 회사가 제조 AI 계획을 발표했습니다. 삼성전자는 입고부터 출하까지 AI가 판단·운영하는 ‘AI 드리븐 팩토리(ADF)‘를 2030년까지 만들려 하고, SK하이닉스는 고성능 메모리 수요에 맞춰 자율팹을 추진합니다.
• 한 일(삼성전자): 베트남 스마트폰 라인에서는 AI 에이전트가 공정상세정보(BOP, 공정별 작업 순서와 조건을 적은 문서)를 자동으로 씁니다. 전에는 엑셀과 수작업 시트로 관리했습니다. 주요 공정 2,000개소에 진동·열 센서와 AI로 설비 이상을 미리 잡습니다. 회의록과 업무 인수인계 내용도 학습 데이터로 씁니다.
• 한 일(SK하이닉스): AI가 엔지니어의 판단을 맡고 디지털 트윈이 그 판단을 가상 공간에서 검증하며 로봇이 실행하고 결과를 다시 학습하는 순환을 만듭니다. 비전 AI가 연간 수억 건의 공정 이미지로 불량을 판정합니다. 에이전트는 장비 알람이 울리면 데이터를 분석해 원인과 대응을 제시합니다. 운영 중인 팹에 틀린 제안을 적용하면 생산 손실이 나기 때문에 가상 팹 검증을 먼저 둡니다. 로봇은 고위험 구역 순찰과 웨이퍼·부품 이송을 맡습니다. 장비 정비용 협동로봇은 장비사와 함께 개발하고 있습니다. 장비 모델이 많아 정비 자율화까지는 시간이 걸린다고 봤습니다.
• 결과(회사 발표): 삼성전자는 BOP 작성 시간을 약 70% 줄였고 올해 설비 유실 시간이 1만 5,000분 이상 줄 것으로 예상합니다. 검사 자동화율은 86%이며 내년 목표는 98%입니다. 내년에는 ADF 시범 공장·라인을 만들고 AI가 제안하고 사람이 결정하는 방식을 부분 적용한 뒤 넓힐 계획입니다.
• 출처: 이투데이 손희정 기자, 10월 22일. ‘2027 테크퀘스트’ 행사의 황일권 삼성전자 생산기술연구소 스마트팩토리센터장, 정은진 SK하이닉스 디지털 트윈 팀장 발표

S-OIL: 안전 기록 2,800건을 학습한 생성형 AI로 작업 전 위험을 먼저 짚는다

• 상황: 생산·설비·정비·안전 데이터가 따로 있었고 안전 시스템은 작업허가 중심이었습니다. 대형 석유화학 사업인 샤힌 공장의 상업 가동도 앞두고 있습니다.
• 한 일: 자체 디지털 제조 관리 시스템 ‘S-imoms’의 2단계 고도화를 마치고 3단계로 샤힌 공장까지 넓혔습니다. 네 종류 데이터를 한 플랫폼에 모았습니다. 설비 운전 정보와 성능 분석 데이터를 이어 현장 위험을 실시간으로 잡고 고장을 예방합니다. 안전 쪽에는 사고관리·공정위험성평가 등 모듈 8개를 더했고 작업안전분석(JSA) 모듈에 생성형 AI를 붙였습니다.
• 결과(회사 발표): JSA의 생성형 AI가 안전 데이터 약 2,800건과 과거 사고 사례를 학습해 작업 전에 잠재 위험을 짚습니다. 샤힌 공장은 가동 첫날부터 데이터 기반으로 운전할 수 있게 같은 시스템을 미리 깔았습니다.
• 출처: 아시아경제 김수로 기자, 10월 22일

포스코퓨처엠: Palantir 플랫폼을 영업부터 붙이고 성과를 본 뒤 제조로 넓힌다

• 상황: 전사 AX 목표로 제조 생산성 30% 향상, 제품 개발 기간 절반 단축, 영업·마케팅 고객 대응력 60% 이상 향상을 내걸고 있습니다.
• 한 일: 10월 21일 Palantir와 Foundry(데이터 기반 운영 체계를 만드는 플랫폼), AIP(Foundry에 생성형 AI를 붙여 에이전트를 돌리는 플랫폼) 도입 계약을 맺었습니다. 첫 적용처는 영업·마케팅이고 고객 대응과 협업, 서비스 수준을 높이는 데 씁니다.
• 결과(계획): 성과를 검증한 뒤 AI 기반 제조혁신과 전사 혁신으로 넓힙니다. 업무 계획부터 실행까지 AI를 쓰되 최종 결정은 사람이 내리는 체계를 목표로 합니다. 아직 계약 단계여서 성과 수치는 없습니다.
• 출처: 서울신문 김지예 기자, 10월 22일

SK텔레콤: SK하이닉스 자율 팹을 맡을 전담 TF를 꾸렸다

• 상황: SK하이닉스는 2030년까지 자율형 공장을 만들 계획이고, SK텔레콤은 AI 데이터센터에 치우친 수익 구조에 B2B 축을 더해야 합니다. SK텔레콤은 AI CIC(사내회사) 출범 때 2030년 AI 매출 5조 원 이상을 목표로 냈습니다.
• 한 일: AI CIC 산하에 임시 조직 ‘Hy-TF’를 만들었습니다. 정식 조직개편 없이 임원·리더급 20여 명으로 꾸렸습니다. TF장은 유경상 AI CIC장입니다. GPUaaS·AI 모델·피지컬 AI 담당을 이끌던 리더들이 합류했습니다. 과제는 NVIDIA Omniverse 등으로 팹 디지털 트윈을 만드는 일, SK하이닉스 전사 데이터를 묶는 데이터 플랫폼을 만들고 사업화하는 일입니다.
• 결과: 회사는 이 TF가 신규 사업과 제휴를 내부에서 검토하는 조직이라고 설명하면서 “구체적 방향성은 아직 정해지지 않았다”고 덧붙였습니다.
• 출처: 전자신문 박준호 기자, 10월 22일(단독)

기술 디테일: 제안·승인·재학습을 실제로 돌리려면

아래는 기사의 공통 패턴을 실제 시스템으로 옮길 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이고 예시 값은 모두 가상입니다.

승인 게이트를 돌리려면 AI 출력부터 구조화합니다(SK바이오사이언스·삼성전자·현대차그룹 패턴). 수율 조건이든 알람 대응이든 에이전트가 글로 답하게 두면 승인자가 무엇을 승인했는지 나중에 확인할 수 없습니다. 출력은 JSON 한 건으로 고정합니다. 필드는 recommendation(바꿀 공정 변수와 값), evidence(근거로 쓴 로트 번호와 기간), expected_effect(예상 수율 변화와 범위), confidence(01), agent_id, model_version 정도면 시작할 수 있습니다. 승인 화면에서는 승인·반려·보류 세 버튼과 반려 사유 코드(데이터 부족, 설비 제약, 품질 위험 등 57개)만 둡니다. 승인자, 시각, 실제 적용 뒤 결과를 같은 레코드에 붙이면 이 기록이 곧 감사 추적이자 다음 학습 데이터가 됩니다. 같은 입력을 3회 돌려 권고값이 크게 달라지면(예: 핵심 변수 차이가 허용 오차의 2배 이상) 자동으로 ‘보류’로 보냅니다.

모델을 하나로 합치려면 공장 사이의 공통 키부터 맞춥니다(현대차그룹 VIN 통합 패턴). 공장마다 모델을 따로 두면 같은 문제를 여러 번 학습하고 한 공장의 개선이 다른 공장으로 퍼지지 않습니다. 통합하려면 먼저 설비 ID, 로트 번호, VIN처럼 공장을 가로질러 같은 대상을 가리키는 키를 정하고 데이터 사전을 하나로 씁니다. 모델은 하나로 두되 평가셋은 공장별로 따로 유지해, 통합 모델이 각 공장의 기존 모델보다 정확도가 낮아지는 곳이 없는지 확인합니다. 조명이나 카메라 각도처럼 공장마다 다른 조건은 학습 데이터에 공장 태그를 달아 나눠 볼 수 있게 합니다. S-OIL처럼 생산·설비·정비·안전 데이터를 묶을 때도 같은 원칙입니다. 설비 ID 하나로 운전 이력, 정비 기록, 작업허가가 함께 조회돼야 생성형 AI가 위험을 짚을 근거가 생깁니다.

실제 라인에 붙이기 전에 단계별로 검증합니다(SK하이닉스 가상 팹 패턴). 디지털 트윈이 있으면 가장 좋지만 없어도 순서는 같습니다. 첫째, 지난 36개월 기록을 다시 재생해 AI가 그때 무엇을 제안했을지 계산하고 실제 엔지니어 조치와 비교합니다. 둘째, 트윈이나 시뮬레이터가 있으면 제안을 가상 환경에서 실행합니다. 셋째, 실제 라인 옆에서 제안만 기록하고 적용하지 않는 그림자 운영을 24주 돌립니다. 넷째, 승인 게이트를 켠 채 라인 1개에만 적용합니다. 단계를 넘어갈 때마다 엔지니어 조치와의 일치율, 제안 뒤 결과 지표, 반려 비율을 같은 표로 남깁니다.

현장 오류를 재학습에 쓰려면 오류를 라벨이 붙은 데이터로 바꾸는 담당이 필요합니다(LG전자·SK하이닉스 순환 패턴). 로봇이 부품을 놓친 건, 승인자가 반려한 제안, 알람 원인을 잘못 짚은 건을 모두 한 저장소에 모읍니다. 각 건에 원인 코드와 확인자를 붙인 뒤 주 1회 정도 묶어 재학습합니다. 새 모델은 고정 평가셋에서 기존 모델보다 나을 때만 배포합니다. 배포 뒤 1~2주는 이전 모델로 되돌릴 수 있게 둡니다. LG전자처럼 실제 데이터와 합성 데이터를 섞는다면 평가셋은 실제 데이터로만 만들어야 합성 데이터에만 맞춘 모델을 걸러 낼 수 있습니다.

현업이 만든 도구를 퍼뜨리려면 배포 통로를 따로 둡니다(LG디스플레이 Hi-D 에이전트 허브, 현대차그룹 H-Launch 패턴). 비개발 직원이 만든 앱이 수백 개가 되면 누가 어떤 데이터에 접근하는지가 문제가 됩니다. 등록할 때 앱 설명, 쓰는 데이터 범위, 담당자, 외부 전송 여부를 필수로 받습니다. 민감 데이터를 쓰는 앱만 보안 검토를 거치게 해 대부분은 바로 올라가게 합니다. 다운로드 수와 후기를 대시보드로 보여 주면 쓸모없는 앱은 자연히 가라앉습니다. 많이 쓰는 앱은 IT 조직이 넘겨받아 정식 시스템으로 만들 후보가 됩니다.

현업 실행 디테일: 누가, 언제, 무엇을

공정 AI 과제 하나를 승인 게이트와 함께 붙이는 12주 파일럿을 예로 듭니다. 역할과 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
현업 스폰서	공장장 또는 생산 담당 임원	과제 선정, 확대 여부 최종 판단
공정 책임자	해당 라인 공정 엔지니어 1~2명	AI 제안 검토·승인, 반려 사유 기록
데이터 담당	제조 IT 또는 데이터 엔지니어 1명	데이터 위치 확인, 공통 키 정리, 파이프라인
AI 개발	사내 AI 팀 또는 파트너 1~2명	모델·에이전트 구성, 기록 재생 시험
품질·안전	품질보증 또는 안전 담당 1명	적용 범위와 금지 조건 정의, 감사 기록 확인

준비물은 세 가지입니다. 과제 후보 목록(LG디스플레이 AX 스쿼드처럼 현업이 직접 적어 낸 문제), 최근 6개월치 공정 데이터와 그 데이터가 어느 시스템에 있는지 적은 표, 그리고 AI가 절대 바꾸면 안 되는 변수와 조건 목록입니다. 12주차에는 과제 하나를 고르고 데이터 위치를 확인합니다. 36주차에는 기록 재생 시험과 그림자 운영을 돌립니다. 710주차에는 승인 게이트를 켠 채 실제 운영하고 10주차쯤 라인 1개에 적용합니다. 1112주차에 확대 여부를 판정합니다.

과제를 고를 때 현업에 물을 질문입니다.

1. 지금 이 판단은 누가 하고 하루 또는 한 주에 몇 번 합니까?
2. 판단에 쓰는 데이터는 어느 시스템에 있고 공장이나 라인마다 형식이 다릅니까?
3. 판단이 틀리면 무엇을 잃습니까(수율, 설비 정지 시간, 안전 사고)? 금액으로 말할 수 있습니까?
4. AI가 제안해도 바꾸면 안 되는 조건은 무엇입니까?
5. 지난 판단 기록과 그 결과가 남아 있습니까? 없다면 언제부터 남길 수 있습니까?

진행 판정 기준(예시)은 이렇게 둡니다. 그림자 운영에서 AI 제안과 엔지니어 조치의 일치율이 80% 이상, 승인 운영 기간의 반려율이 20% 이하이고 적용 라인의 목표 지표(수율, 유실 시간, 문서 작성 시간 중 하나)가 기준선보다 나아지면 같은 공정의 다른 라인으로 넓힙니다. 일치율이 60% 아래면 데이터나 과제 정의를 다시 봅니다.

AX 적용 제언. 이번 묶음에서 가장 옮기기 쉬운 것은 두 가지입니다. 하나는 포스코퓨처엠과 삼성전자가 택한 순서입니다. 한 부문이나 시범 라인에서 성과를 확인한 뒤 넓히면 실패 비용이 작습니다. 다른 하나는 현대차그룹의 모델 통합입니다. 공장이 여러 곳인 제조사라면 같은 문제를 공장마다 따로 풀고 있는 AI 과제를 먼저 찾아보는 편이 새 과제를 만드는 것보다 빠릅니다. 고객사에 적용할 때는 공장별로 흩어진 AI 과제와 데이터 목록을 먼저 만들고 그다음 승인 기록 구조를 정한 뒤, 과제 하나로 12주 파일럿을 돌리는 순서를 권합니다. LG디스플레이처럼 현업 직원이 만드는 도구가 늘어날 단계라면, 등록 통로와 데이터 접근 규칙을 앱이 수십 개일 때 미리 정해 두는 편이 낫습니다.

원문 사례

회사	내용	매체	날짜	링크
LG디스플레이	OLED 공정 AI로 수익성 2,000억 원 이상 개선, Hi-D로 사무 비용 100억 원 이상 절감, 사내 앱 405개(등록자 90% 이상 비개발 직군), AX 스쿼드 과제 450건 이상 중 190여 건 구현	뉴스핌 · 서영욱	2026-10-26	기사
LG전자	CLOiD를 테네시 세탁기·창원 액추에이터 라인에 9월부터 PoC 투입, 현장 오류 재학습, 학습 로봇 100대에서 200대로, 학습 데이터 10만 시간 목표, 내년 말 수십 개 공정	뉴스핌 · 서영욱	2026-10-26	기사
SK바이오사이언스	안동 L HOUSE에 수율 가이드 에이전트 도입(AI 권고, 담당자 승인), 전사 AI 체계 AI Brain, 2029년부터 분야별 목표 본격화	머니투데이 · 정기종	2026-10-23	기사
현대차그룹	공장별 VIN 인식 모델을 단일 모델로 통합해 73개 공정 적용, 사내 검색 약 10분에서 20초로, H Chat 임직원 70% 이상 사용, H-Launch 10월 도입, 데이터 파이프라인 7,000개 이상	핀테크경제신문 · 김현진	2026-10-23	기사
삼성전자 · SK하이닉스	삼성: BOP 작성 시간 약 70% 단축, 설비 이상 예측 2,000개소, 검사 자동화율 86%에서 내년 98% 목표, ADF 2030년. SK하이닉스: 알람 대응 에이전트, 비전 AI 불량 판정, 디지털 트윈 선검증	이투데이 · 손희정	2026-10-22	기사
S-OIL	S-imoms 3단계로 샤힌 공장 확대, 안전 모듈 8개 추가, JSA에 안전 데이터 약 2,800건 학습한 생성형 AI 적용	아시아경제 · 김수로	2026-10-22	기사
포스코퓨처엠	Palantir Foundry·AIP 계약(10월 21일), 영업·마케팅 먼저 적용 후 제조·전사로 확대, 최종 결정은 사람	서울신문 · 김지예	2026-10-22	기사
SK텔레콤 · SK하이닉스	AI CIC 산하 Hy-TF(임원·리더 20여 명) 구성, 팹 디지털 트윈과 전사 데이터 플랫폼 구축·사업화	전자신문 · 박준호	2026-10-22	기사

핵심 개념

PoC(Proof of Concept)

본격 도입 전에 실제 환경에서 될지 확인하는 개념검증 단계.

디지털 트윈

실제 공장이나 설비를 가상 공간에 똑같이 만들어 두고 바꾸기 전에 먼저 돌려 보는 모형.

BOP(Bill of Process)

제품을 만드는 공정별 작업 순서, 설비, 조건을 적은 공정상세정보 문서.

JSA(Job Safety Analysis)

작업을 단계로 나누고 단계마다 위험 요소와 대책을 미리 적는 작업안전분석.

VIN(Vehicle Identification Number)

차량마다 붙는 17자리 식별번호. 생산 공정에서 차량을 추적하는 기준이 된다.

Foundry · AIP

Palantir의 데이터 운영 플랫폼과, 그 위에서 생성형 AI 에이전트를 돌리는 플랫폼.

CIC(Company in Company)

회사 안에 두는 독립 사업 단위. 자체 목표와 조직을 따로 갖는다.

GPUaaS

GPU를 필요한 만큼 빌려 쓰게 하는 서비스형 GPU.

그림자 운영(shadow mode)

AI가 실제 운영 옆에서 제안만 내고 적용하지 않는 시험 방식. 사람 판단과 비교하는 데 쓴다.

내 메모

TODO: 내 생각 추가

원문: 뉴스핌(서영욱) 2건, 머니투데이(정기종), 핀테크경제신문(김현진), 이투데이(손희정), 아시아경제(김수로), 서울신문(김지예), 전자신문(박준호) 기사 8건(2026.10.22~10.26). 8건 모두 원문을 열어 읽었으며 뺀 기사는 없습니다. 요약, 사례별 정리, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 수치는 기사에 실린 회사 발표·계획 값입니다. 공통 패턴 분류, 기술 디테일, 현업 실행 디테일, 인포그래픽, 일정·판정 기준은 AX Review가 새로 작성한 것이며 예시 값은 가상입니다. 기사 전문은 각 링크에서 볼 수 있습니다.