국내 기업 AX 소식: AI가 후보를 좁히고 확정은 사람과 안전장치가 한다 (10월 30일 묶음)

10월 23~29일 국내 기사 4건에서 AI는 넓은 선택지를 좁히는 일을 맡고 확정은 따로 둡니다. SK AX는 지원자 약 1,800명의 역량 평가를 AI 면접으로 약 6시간 만에 끝냈지만 채용 판단은 인사담당자가 내립니다. 이수화학은 AI 대응안을 운전원이 승인한 뒤 안전 운전 범위 안에서만 적용합니다. 따라 하려면 AI가 남기는 근거 기록과 사람·안전장치가 넘겨받는 경계부터 정해야 합니다.

요약

이번 묶음은 10월 23일부터 29일까지 국내 매체가 보도한 기업 AX 소식 4건입니다. SK AX는 AI 역량진단 솔루션 G-Fit Studio(지핏 스튜디오)를 채용연계형 AI 인재 육성 프로그램 SKALA(스칼라) 4기 선발에 썼습니다. 지원자 약 1,800명의 AI 면접과 역량 측정을 약 6시간 만에 마쳤다고 밝혔습니다. 이수화학은 중소벤처기업부 산하 기관의 2026년 제조 AI 지원 사업에 수요기업으로 뽑혀 연속 화학공정용 AI 운전 지원 시스템을 만들고 있습니다. 삼성전자 SAIT(종합기술원)의 최영상 마스터는 한국산업연합포럼 심포지엄에서 반도체 신소재 개발 기간을 약 5년에서 2년으로 줄이는 목표를 내놓았습니다. 뉴로메카 박종훈 대표는 국회 포럼에서 AI 추론과 로봇 안전 제어를 나눈 PSF(Physical Skill Foundation) 구조와 현장 프로젝트 20~30개 경험을 소개했습니다. 모두 회사 발표나 행사 발표를 옮긴 기사라서 수치는 회사가 밝힌 값이거나 목표입니다.

AX Review가 기사 4건을 패턴별로 묶은 분류. 한 기사가 여러 패턴에 들어감

네 기사에는 같은 분업이 보입니다. AI는 넓은 선택지를 좁히거나 대응안을 냅니다. SK AX의 AI는 지원자가 던진 질문과 정보 해석, 대안 선택 근거를 행동 데이터로 남깁니다. SAIT는 1억 가지가 넘는 박막 조합에서 유망 후보를 AI로 고르려 합니다. 확정은 다른 쪽이 맡습니다. SK AX에서는 인사담당자가, 이수화학에서는 운전원과 미리 정한 안전 운전 범위가 마지막 관문입니다. 뉴로메카는 AI와 분리한 안전 제어와 작업 전 시뮬레이션을 둡니다. 반복해서 검증할 기준을 먼저 세운다는 점도 겹칩니다. 뉴로메카는 성공률, 소요 시간, 실패 감지·복구, 모델 교체 뒤 재검증 가능성을 평가 기준으로 들었습니다. SK AX 기사는 직무별 타당성과 지원자 간 편향을 검증해야 한다고 짚었습니다. 아래에서 기사별 사실을 먼저 정리하고 이 분업을 실제로 돌리는 방법을 기술과 현업 두 쪽으로 나눠 붙였습니다.

여러 기사에 흩어진 단계를 한 흐름으로 모은 개념도

사례별 정리

SK AX: AI 면접으로 지원자 약 1,800명의 역량 평가를 약 6시간 만에 마쳤다

상황: 채용연계형 AI 인재 육성 프로그램 SKALA 4기 교육생을 뽑아야 했습니다. 지원자는 약 1,800명이었습니다.
한 일: 자사 AI 역량진단 솔루션 G-Fit Studio로 두 단계 평가를 돌렸습니다. 첫 단계는 업무 시뮬레이션입니다. 지원자는 실제 업무와 비슷한 비즈니스 문제를 받아 분석하고 가설을 세운 뒤 AI 에이전트와 대화하며 해결안을 다듬습니다. 이때 AI에 던진 질문, 정보를 해석한 방식, 대안을 고른 근거가 행동 데이터로 쌓입니다. 둘째 단계는 약 30분 심층 면접입니다. AI가 인사담당자나 현업 관리자 역할을 맡아 자기소개서와 앞 단계 해결안을 바탕으로 판단 근거, 대안 비교, 부서 간 의견 충돌 대응을 묻습니다. 평가 항목은 문제해결력, 의사소통, AI 활용 역량, 문제 구조화, 논리적 사고, 설득력입니다. 영어·일본어 평가를 지원하고 사업 기획, 고객 대응, 전략 수립처럼 직무별 시나리오를 따로 짤 수 있습니다.
결과(회사 발표): 약 1,800명의 AI 면접과 역량 측정을 약 6시간 만에 마쳤습니다. 기존 방식보다 얼마나 줄었는지는 공개하지 않았습니다. 최종 채용 판단은 인사담당자가 분석 결과를 참고해 내립니다. 회사는 기존 구성원의 실무역량 진단과 교육 훈련으로 넓힐 계획입니다. 기사는 같은 기준을 적용한다고 공정성과 정확성이 저절로 보장되지는 않는다며 직무별 타당성, 지원자 간 편향, 분석 신뢰성 검증이 필요하다고 덧붙였습니다.
출처: 인공지능신문 전미준 기자, 10월 29일

약 1,800명을 약 6시간 만에 평가(회사 발표). 기존 대비 단축률은 비공개

이수화학: 연속 화학공정에서 AI가 대응안을 내고 운전원이 승인한 뒤 안전 범위 안에서만 적용한다

상황: 대기업의 제조 노하우로 중소·중견 제조사의 AI 도입을 돕는 중소벤처기업부 산하 기관의 2026년 사업에 수요기업으로 선정됐습니다. 코오롱베니트가 주관하고 한국생산성본부가 참여합니다.
한 일: 연속 화학공정용 AI 운전 지원 시스템을 만들고 있습니다. 1단계로 공정 제어, 설비 이력, 생산 실적 데이터를 한 시스템에 모읍니다. 그 위에서 시계열 AI 모델이 앞으로의 변화를 예측하고 공정 이상 징후를 일찍 잡으며 운전 조건을 분석합니다. 조건이 바뀌면 AI가 데이터를 종합해 대응안을 추천합니다. 추천은 운전원이 검토하고 승인해야 적용되고 그때도 미리 정한 안전 운전 범위를 벗어날 수 없습니다. 핵심 설비의 운전·이력 데이터로 고장을 예측해 정비를 미리 계획하고 공정 운전 데이터를 에너지 사용 정보와 이어 에너지 효율과 탄소 감축에도 씁니다.
결과(회사 계획): 회사 관계자는 실제 적용에서 공정 운전의 안정성과 효율 개선을 확인하고 AI 활용을 차츰 넓히겠다고 밝혔습니다. 개선 수치, 안전 운전 범위 값, 2026년 외의 일정은 기사에 나오지 않습니다.
출처: 디지털투데이 석대건 기자, 10월 26일

기사에 나온 단계. 안전 운전 범위 값과 개선 수치는 기사에 없음

삼성전자 SAIT: 1억 가지 넘는 소재 조합을 AI로 좁혀 개발 기간을 5년에서 2년으로 줄이려 한다

상황: 반도체 신소재는 박막을 층층이 쌓는 구조라 7개 층만 조합해도 경우의 수가 1억 가지를 넘습니다. 실제로 할 수 있는 실험은 한 달에 최대 약 50회입니다. 지금은 연구자의 경험과 직관에 기대어 수개월에서 수년이 걸리고 실패한 실험 데이터도 충분히 활용하지 못합니다.
한 일: 이 탐색을 AI로 보완합니다. AI로 유망 후보 소재를 넓게 찾고 최적 조건을 찾는 실험 수를 줄이는 방향입니다.
결과(목표): 개발 기간을 약 5년에서 2년으로 줄이고 유망 후보 소재를 5배 이상으로 늘리며 최적 조건 탐색 실험 횟수를 80% 이상 줄이는 것이 목표입니다. 개발 비용도 줄이고 이후 배터리 소재 등으로 넓힐 수 있다고 봤습니다. 모두 달성 값이 아니라 목표치입니다. 같은 심포지엄에서 Salesforce 캐시 백스터 부사장은 자율 AI의 위험으로 투명성 부족, 사람 통제의 한계, 개인정보 침해, 조작 가능성을 들었습니다. 정명애 한국의료데이터협회장은 자율성을 4단계로 나눠 규제를 달리하자고 제안했고 정만기 KIAF 회장은 예측 가능한 규제 환경을 요청했습니다.
출처: 토요경제 이슬기 기자, 10월 26일. 한국산업연합포럼(KIAF) ‘AI 안전·거버넌스 심포지엄’에서 최영상 삼성전자 SAIT 마스터가 발표

목표치. 유망 후보 소재 5배 이상, 최적 조건 탐색 실험 80% 이상 감축도 목표

뉴로메카: AI 추론과 로봇 안전 제어를 나누고 동작을 스킬로 묶어 현장 20~30곳에 적용한다

상황: 박종훈 대표는 시연에서 한 번 성공하는 일과 생산라인에서 안정적으로 반복하는 일은 다르다고 봤습니다. 기존 공장 자동화는 작업 대상이나 부품이 바뀔 때마다 지그와 프로그램을 고쳐야 하는 경우가 많습니다. 범용 AI 모델은 학습 데이터가 많이 필요하고 실패했을 때 원인을 찾기 어렵다고 설명했습니다.
한 일: 자체 기술 PSF로 인식, 동작 계획, 안전 기능을 모듈로 나눠 따로 검증합니다. 작업을 시작하기 전에 시뮬레이션으로 충돌 가능성을 확인하고 실행 중 환경이 바뀌면 경로를 고치거나 작업을 멈추고 다시 시도할지 정합니다. 박 대표는 이를 AI 추론과 로봇 안전을 분리한 구조라고 설명했습니다. 물체 집기, 적재, 문 여닫기, 정밀 삽입 같은 동작은 ‘스킬’로 만들어 조합합니다. 그래서 작업마다 시연 데이터를 새로 모아 다시 학습할 필요가 없다고 했습니다. 디지털 트윈 구축, 그리퍼 설계, 프로그램 작성, 사전 검증을 AI로 잇는 SI(시스템 통합) 자동화 체계도 개발하고 있습니다.
결과(회사 발표): PCB 가공, 자동차 부품 조립, 물류 운송 분야에서 현장 프로젝트 20~30개를 진행하고 있습니다. 서로 다른 현장에서 같은 알고리즘을 안정적으로 반복 적용할 수 있는지 검증하는 데 초점을 둡니다. 평가 기준으로는 작업 성공률, 소요 시간, 실패 감지·복구 능력, AI 모델을 바꾼 뒤 다시 검증할 수 있는지를 들었습니다. 성공률 같은 실적 수치는 기사에 나오지 않습니다.
출처: 산업일보 임지원 기자, 10월 23일. 21일 국회의원회관 ‘AI·로봇 산업 생태계 전략 국회포럼’ 발표

박종훈 대표 설명을 전후로 나눈 비교. 현장 프로젝트 20~30개 진행 중

기술 디테일: AI가 좁히고 확정은 따로 하려면

아래는 기사의 공통 패턴을 실제 시스템으로 옮길 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이고 필드명과 수치는 모두 가상 예시입니다.

AI 평가를 따라 하려면 점수보다 행동 로그와 근거를 구조화해 남깁니다(SK AX 패턴). 업무 시뮬레이션의 대화는 턴마다 저장하고 turn_id, question_to_ai, info_used, option_chosen, rationale 필드로 나눕니다. 채점 모델은 평가 항목마다 0~5점과 근거가 된 턴 번호(evidence_turns)를 JSON으로 냅니다. 근거 턴이 비어 있는 점수는 버립니다. 같은 지원자를 temperature 0으로 3회 채점해 항목별 편차가 1점을 넘으면 사람 검토 대상으로 표시합니다. 몇 시간 안에 1,800명을 처리하려면 지원자 단위로 병렬 호출하고 실패한 호출만 다시 돌리는 작업 큐가 필요합니다. 편향 점검은 성별·연령처럼 평가와 무관한 속성별 점수 분포를 회차마다 비교하는 데서 시작합니다. 이런 속성은 채점 모델 입력에서 뺍니다.

가상 예시. SK AX의 행동 데이터 기록을 채점 단계로 풀어 씀

AI 대응안을 운전원 승인과 안전 범위에 묶으려면 추천을 실행 명령이 아니라 검토할 제안서로 받습니다(이수화학 패턴). 추천 한 건은 tag(조정할 운전 변수), current, proposed, expected_effect, evidence(근거가 된 시계열 구간), confidence로 구성합니다. 안전 운전 범위는 AI가 고칠 수 없는 별도 테이블(tag, min, max, max_step)에 둡니다. 추천이 범위나 한 번에 바꿀 수 있는 폭을 넘으면 운전원 화면에 띄우기 전에 걸러 냅니다. 운전원이 승인·거절·수정한 결과와 사유를 함께 남기면 거절이 잦은 추천 유형을 찾아 모델을 고칠 수 있습니다. 시계열 예측에 앞서 공정 제어 데이터와 설비 이력, 생산 실적의 시각과 설비 ID를 맞춰야 합니다. 이수화학이 1단계로 데이터 통합을 둔 것과 같은 순서입니다.

가상 예시. 이수화학의 승인·안전 범위 구조를 시스템 단계로 나눔

실험 횟수가 정해진 탐색은 다음 실험을 고르는 루프로 돌립니다(SAIT 패턴). 한 달 약 50회라는 실험 예산이 있으면 질문은 ‘다음에 무엇을 실험할까’로 바뀝니다. 이미 한 실험으로 대리 모델(surrogate model)을 학습시키고 예측값이 높은 조합과 불확실성이 큰 조합을 섞어 고르는 베이지안 최적화가 흔히 쓰는 방식입니다. 매주 10~12개 조합을 한 묶음으로 뽑아 실험하고 결과를 다시 넣습니다. 실패 실험도 composition, layer_order, process_conditions, measured_property, failure_mode 필드로 성공 실험과 같은 표에 넣어야 학습에 쓰입니다. 연구자의 직관은 쓰면 안 되는 원소나 공정 한계 같은 탐색 범위 제약으로 넣습니다. 모델이 고른 조합과 연구자가 고른 조합을 한 묶음 안에 섞어 두면 어느 쪽이 더 빨리 좋은 후보에 닿는지 비교할 수 있습니다.

가상 예시. 월 약 50회는 SAIT 발표 값, 나머지 설정은 가상

AI와 안전 제어를 나누려면 스킬마다 계약을 적고 안전 계층은 AI 출력과 상관없이 돌게 합니다(뉴로메카 패턴). 스킬 하나는 name(예: pick, insert), preconditions(그리퍼 상태, 대상 인식 신뢰도 하한), postconditions(성공 판정 센서 값), timeout, on_failure(재시도 횟수, 중단, 사람 호출)로 정의합니다. AI는 어떤 스킬을 어떤 순서로 부를지만 정합니다. 속도·힘·작업 영역 한도는 제어기 쪽 안전 계층이 매 주기 따로 확인합니다. 모델을 바꿀 때는 같은 작업 시나리오 묶음을 시뮬레이션과 실제 셀에서 다시 돌려 성공률, 사이클 타임, 실패 감지율을 직전 모델과 비교하고 하나라도 나빠지면 배포하지 않습니다. 뉴로메카가 평가 기준으로 든 ‘모델 교체 뒤 재검증’을 돌리는 한 방법입니다.

가상 예시. 뉴로메카가 말한 AI 추론과 안전 제어 분리를 구조로 그림

현업 실행 디테일: 누가, 언제, 무엇을

AI가 후보를 좁히고 사람이 확정하는 판단 하나를 골라 한 팀에 10주 동안 붙이는 파일럿을 예로 듭니다. 채용 평가, 공정 운전 조정, 실험 후보 선정 어디에나 같은 틀을 쓸 수 있습니다. 역할과 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
현업 스폰서	해당 조직 임원	과제·지표 승인, 확대 여부 최종 판단
확정 담당	지금 그 판단을 하는 사람(인사담당자, 운전 조장, 연구 리더) 2~3명	경계 정의, 병행 운영에서 AI 제안 검토
데이터 담당	데이터 엔지니어 1명	과거 판단 기록 수집, 승인·거절 로그 설계
AI 개발	데이터 과학자 1~2명	채점·추천·후보 선정 로직, 과거 기록 재생
안전·법무	공정 안전 담당 또는 법무·개인정보 담당 1명	안전 범위 승인, 평가 대상자 고지와 개인정보 처리

준비물은 네 가지입니다. 지금 사람이 내리는 판단 목록(누가, 얼마나 자주, 무엇을 보고), 최근 6~12개월의 판단 기록과 그 결과, AI가 넘으면 안 되는 경계 목록(안전 운전 범위, 결정 권한, 평가에서 빼야 할 속성), 기존 방식의 기준선 지표입니다. 1~2주차에 과제 하나와 경계를 정합니다. 3~5주차에는 과거 기록을 다시 돌려 AI가 그때 무엇을 제안했을지 계산합니다. 6~8주차에는 확정 담당자가 평소대로 결정하고 AI 제안은 옆에 기록만 하는 병행 운영을 합니다. 9~10주차에 AI 제안을 확정 담당자가 승인하는 방식으로 실제 적용하고 확대 여부를 판정합니다.

가상 예시 일정. AI가 좁히고 사람이 확정하는 판단 하나를 한 팀에 붙이는 순서

과제를 고를 때 현업에 물을 질문입니다.

이 판단을 한 달에 몇 번 하고 한 번에 얼마나 걸립니까?
판단할 때 실제로 보는 자료는 무엇이고 그 기록이 시스템에 남아 있습니까?
AI가 정하면 안 되는 것, 넘으면 안 되는 범위는 무엇이며 누가 승인한 값입니까?
판단이 틀렸을 때 무엇으로 알 수 있고 그 결과가 나오기까지 얼마나 걸립니까?
같은 사안을 두 사람이 판단하면 얼마나 자주 다르게 결정합니까?

진행 판정 기준(예시)은 이렇게 둡니다. 병행 운영에서 확정 담당자가 AI 제안을 그대로 받아들인 비율이 70% 이상이고 경계를 넘는 제안이 화면에 뜨기 전에 모두 걸러졌으면 승인형 적용으로 넘어갑니다. 반복 채점이나 반복 추천의 편차가 미리 정한 기준(예: 5점 척도 1점) 안에 들어와야 합니다. 확정 담당자의 처리 시간이 기준선보다 30% 이상 줄면 다른 팀으로 넓힙니다. 수용률이 50% 아래면 입력 데이터와 경계 정의부터 다시 봅니다.

AX 적용 제언. 가장 옮기기 쉬운 것은 이수화학의 ‘추천, 승인, 범위’ 구조입니다. 화학·정유·식품처럼 운전 조건을 사람이 계속 조정하는 공장이라면 AI를 자동 제어로 바로 넣기보다 운전원 승인과 고정된 안전 범위를 먼저 두는 편이 현장의 동의를 얻기 쉽습니다. SK AX의 AI 평가는 외부 채용보다 회사가 다음 단계로 밝힌 사내 역량 진단과 교육에서 먼저 시작하면 결정의 무게가 가벼워 검증 데이터를 쌓기 좋습니다. 실험 예산이 정해진 R&D 조직이라면 SAIT처럼 실패 실험까지 한 표에 모으는 일부터 시작합니다. 로봇이나 피지컬 AI 도입을 검토하는 고객사에는 뉴로메카가 든 네 가지 평가 기준(성공률, 소요 시간, 실패 감지·복구, 모델 교체 뒤 재검증)을 공급사 질문지로 그대로 쓰기를 권합니다. 어느 경우든 첫 주에 확정 권한이 누구에게 있는지 문서로 정해 둡니다.

원문 사례

회사	내용	매체	날짜	링크
SK AX	G-Fit Studio로 SKALA 4기 지원자 약 1,800명 AI 면접·역량 측정 약 6시간에 완료. 업무 시뮬레이션과 약 30분 심층 면접, 평가 항목 6개, 최종 판단은 인사담당자	인공지능신문 · 전미준	2026-10-29	기사
이수화학	연속 화학공정 AI 운전 지원 시스템 구축. 데이터 통합, 시계열 예측, 대응안 추천을 운전원 승인 뒤 안전 운전 범위 안에서만 적용. 고장 예측, 에너지 효율. 코오롱베니트 주관, 한국생산성본부 참여	디지털투데이 · 석대건	2026-10-26	기사
삼성전자 SAIT	반도체 신소재 개발 약 5년을 2년으로 단축 목표. 7개 층 조합 1억 가지 이상, 실험 월 최대 약 50회. 유망 후보 5배 이상, 탐색 실험 80% 이상 감축 목표	토요경제 · 이슬기	2026-10-26	기사
뉴로메카	PSF로 인식·동작 계획·안전 모듈 분리 검증, 작업 전 시뮬레이션, 스킬 조합. 현장 프로젝트 20~30개(PCB 가공, 자동차 부품 조립, 물류 운송). 평가 기준 4가지	산업일보 · 임지원	2026-10-23	기사

핵심 개념

G-Fit Studio: SK AX의 AI 역량진단 솔루션. 업무 시뮬레이션과 AI 심층 면접으로 지원자의 역량을 측정한다.
SKALA: SK AX가 운영하는 채용연계형 AI 인재 육성 프로그램.
행동 데이터: 지원자가 문제를 푸는 동안 AI에 던진 질문, 정보 해석, 대안 선택 근거처럼 결과가 아닌 과정을 담은 기록.
시계열 AI 모델: 시간 순서로 쌓인 공정 데이터를 보고 앞으로의 값이나 이상 징후를 예측하는 모델.
안전 운전 범위: 공정 변수가 벗어나면 안 되는 상한과 하한. 이수화학은 AI 추천도 이 범위 안에서만 적용한다.
박막: 반도체 위에 얇게 쌓는 소재 층. 층의 종류와 순서 조합에 따라 경우의 수가 크게 늘어난다.
PSF(Physical Skill Foundation): 뉴로메카가 개발한 구조. 인식, 동작 계획, 안전을 모듈로 나눠 검증하고 AI 추론과 로봇 안전을 분리한다.
스킬: 물체 집기, 적재, 정밀 삽입처럼 다시 쓸 수 있게 만든 로봇 동작 단위. 조합해 복합 작업을 만든다.
지그: 공작물을 정해진 위치에 고정하는 보조 도구. 부품이 바뀌면 다시 만들어야 하는 경우가 많다.
대리 모델(surrogate model): 비싼 실험 대신 지금까지의 결과로 학습해 다음 실험 결과를 미리 어림하는 모델.

내 메모

TODO: 내 생각 추가

원문: 인공지능신문(전미준), 디지털투데이(석대건), 토요경제(이슬기), 산업일보(임지원) 기사 4건(2026.10.23~10.29). 삼성전자 SAIT 발표는 처음 후보로 오른 직썰 기사를 열지 못해 같은 발표를 다룬 토요경제 기사로 확인했습니다. 함께 후보에 올랐던 메디칼업저버의 국내 제약사 생산 현장 AI 기사(종근당·GC녹십자·대웅제약)와 데일리한국의 SKT ‘1인 1 AI 에이전트’ 기사는 본문을 열지 못해 이 노트에서 뺐습니다. 요약, 사례별 정리, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했고 수치는 기사에 실린 회사 발표·목표 값입니다. 공통 패턴 분류, 기술 디테일(채점 방식, 추천 형식, 베이지안 최적화 루프, 스킬 계약 등), 현업 실행 디테일, 인포그래픽, 일정·판정 기준은 AX Review가 새로 작성했으며 예시 값은 가상입니다. 기사 전문은 각 링크에서 볼 수 있습니다.