Client Zero: Panasonic이 새 AI·로보틱스 본부에 사내 실증과 그룹 공통 AI 기반을 함께 맡긴 방식

Panasonic 그룹은 AI를 조직이 가진 능력을 키우는 증폭기로 봅니다. 그래서 새 AI·로보틱스 연구개발본부에 두 가지를 함께 맡겼습니다. 사업회사 현장 과제를 그룹 안에서 먼저 실증하는 Client Zero 역할과, 사업회사마다 흩어진 토큰 관리·모델 선택·데이터 주권·AI 규칙을 하나의 공통 기반으로 묶는 일입니다. 따라 하려면 실증 과제마다 현업 스폰서와 측정 지표를 붙이고, 공통 기반은 모든 AI 호출을 한 지점에서 기록하는 일부터 시작해야 합니다.

요약

Panasonic Holdings는 그룹 조직 변혁인 PX(Panasonic Transformation) 안에서 AI-driven Transformation을 추진합니다. 이를 이끄는 사람은 2026년 4월 그룹 CAIO(Chief AI Officer)에 오른 사카키바라 아키라(榊原彰) 집행임원입니다. 그는 Panasonic Connect CTO와 새 AI·로보틱스 연구개발본부장을 겸합니다. MONOist가 10월 30일 실은 합동 인터뷰에서 그는 변화의 축을 셋으로 정리했습니다. 솔루션 강화와 신사업으로 사업 모델을 바꾸고, AI를 전제로 조직·업무 프로세스·제조를 다시 짜고, 전 직원에게 AI를 전제로 한 혁신 문화를 심는 것입니다. 2026년 10월 1일 만든 연구개발본부는 본사와 떨어진 실험 조직이 아닙니다. 사업회사 현장에 붙어 사내 실증을 맡고 그룹 공통 AI 기반을 정비합니다.

PX 안의 AI-driven Transformation 세 축 (인터뷰 내용 기준)

인터뷰에 운영 수치는 없고 구조와 방향이 나옵니다. 사카키바라 CAIO는 AI의 효과가 조직 상태에 따라 달라진다고 보고 AI를 “조직 능력의 증폭기”라고 부릅니다. 사람의 판단이 AI를 키우고, AI의 실행 결과가 다시 사람을 키우는 학습 루프를 조직 안에 만들겠다는 것입니다. 기반은 외부 모델부터 자사 모델까지 5층 논리 아키텍처로 짜고, 학습과 모델 연결을 전제로 한 데이터 기반 Perseus(코드명)를 개발하고 있습니다. 단기에는 구상·기획·설계 영역에서 효과를 기대합니다. 3년 뒤에는 공장과 창고에서 똑똑한 로봇이 상당한 비율로 일하는 모습을 목표로 둡니다. 아래에서는 이 구조를 개념별로 풀고, 같은 체계를 국내 그룹사에 옮길 때 필요한 데이터 필드, 역할, 12주 일정을 덧붙였습니다.

일정과 목표 (보도 시점 기준, 3년 목표에 수치 비율은 없음)

핵심 메커니즘

Organizational Capability Amplifier: AI 효과는 조직 상태를 따라간다

같은 모델을 들여도 회사마다 성과가 다른 이유를 CAIO는 조직에서 찾습니다. AI가 없던 능력을 만들어 주기보다 이미 있는 능력을 키운다는 관점입니다. 그래서 AI의 성능과 사용성을 높이는 일과 사람이 배우는 일을 함께 돌려야 조직 전체가 꾸준히 나아진다고 봅니다. 그는 Microsoft의 Satya Nadella CEO가 X에 올린 글에서 말한 생각, 즉 인적 자본과 AI 자본(Token Capital)이 겹쳐 가치를 키운다는 주장에 동의한다고 했습니다. 또 AI 덕분에 전문 소프트웨어 지식 없이도 업무 문제의 해법을 만들기 쉬워졌다고 봅니다. 앞으로는 개발 능력보다 자기 분야 전문 지식과 AI를 엮는 능력이 더 큰 가치를 낸다는 판단입니다. 이 관점은 현업 판단이 데이터로 남는 업무에서 잘 맞고, 판단 기준이 사람마다 다르고 기록되지 않는 업무에서는 먼저 기준부터 정리해야 합니다. 가상 예시로, 외관 검사 AI의 오판을 검사원이 고친 기록이 다음 평가 세트가 되고, AI가 모은 불량 패턴 리포트로 신입 검사원이 배우는 구조를 들 수 있습니다.

조직 능력 증폭기로서의 학습 루프 (구성은 새로 그림)

Client Zero: 그룹이 자기 AI의 첫 고객이 된다

AI·로보틱스 연구개발본부는 AI와 로보틱스 연구에 집중하면서도 사업회사 현장과 붙어 과제를 풉니다. 인터뷰는 이 본부를 Client Zero, 곧 사내 실증의 거점으로 둡니다. 기사는 이 말을 따로 정의하지 않았지만, 흔히 외부 고객에게 내놓기 전에 자기 회사를 첫 고객으로 삼아 먼저 써 본다는 뜻으로 씁니다. 본부는 혼자 움직이지 않고 사업회사의 AI CoE(Center of Excellence, 전문 지원 조직)와 손잡습니다. 본부는 연구 역량과 공통 기반을, CoE는 현장 과제와 사용자를 가져옵니다. 사업회사가 여럿이고 과제가 비슷하게 반복되는 그룹에 맞는 구조입니다. 사업회사가 하나뿐이면 CoE와 본부를 나눌 이유가 작습니다.

본부, 사업회사 CoE, 현장의 연결 (흐름은 인터뷰 내용을 바탕으로 새로 그림)

Group Common Foundation: 사업회사마다 흩어진 AI 운영을 하나로

CAIO는 그룹 안에서 제각각이던 AI 활용 기반을 모아 정비하는 일을 본부의 큰 역할로 꼽았습니다. 기사에 나온 항목은 다섯 가지입니다. AI 활용의 바탕이 되는 토큰 관리, 학습의 주권 확보, AI 관련 규칙 마련, 사용 모델의 적정화, 암묵지를 받치는 멀티모달 데이터 수집입니다. 기사는 항목 이름만 밝혔으므로 아래 풀이는 일반적인 뜻으로 적었습니다. 토큰 관리는 어느 사업회사가 어떤 모델에 얼마를 쓰는지 재는 일이고, 학습 주권은 자사 데이터가 어디서 어떤 학습에 쓰이는지 회사가 통제하는 일입니다. 모델 적정화는 업무마다 성능과 비용이 맞는 모델을 고르는 일입니다. 멀티모달 데이터는 숙련자의 손동작이나 설비 소리처럼 글로 남지 않던 지식을 영상·센서·음성으로 모으는 일입니다.

본부가 맡은 공통 기반 다섯 항목 (오른쪽 풀이는 AX Review)

5-Layer Architecture: 외부 모델과 자사 자산을 층으로 나눈 AI 기반

AI 기반은 다섯 층의 논리 아키텍처로 정비합니다. Frontier Model 층은 외부 최첨단 AI를 씁니다. Sovereign Knowledge 층은 조직 고유의 지식과 데이터, Agent/Tool 층은 에이전트와 도구로 만든 기업의 스킬입니다. Evaluation/Learning 층은 업무 실행을 평가해 학습에 쓰고, Sovereign Model 층은 자사 AI 모델을 만들고 키웁니다. 데이터 기반 Perseus는 이 가운데 모델 학습과 모델 연결을 전제로 개발 중입니다. CAIO는 장기 구상으로 그룹 공통 에이전트 플랫폼과, 사내에서 만든 에이전트를 다른 조직이 다시 쓰는 마켓플레이스도 검토한다고 했습니다. 층 사이의 연결 방식이나 외부 모델과 자사 모델의 사용 기준은 기사에 나오지 않습니다.

5층 논리 아키텍처 (층 이름과 순서는 인터뷰에서 든 순서)

Generate-Evaluate Design Loop: AI가 만들고 다른 AI가 채점하는 설계

단기 기대 분야는 구상·기획·설계입니다. 방식은 AI가 설계안을 많이 만들고, 다른 AI가 그 안을 평가해 결과를 생성 쪽에 되돌리는 것입니다. 평가 대상에는 강도와 품질뿐 아니라 원가와 생산 용이성도 들어갑니다. 설계 단계에서 원가와 생산성을 함께 보면 양산 직전에 설계를 뒤집는 일이 줄어듭니다. 생성과 평가를 다른 AI에 나누는 구조는 평가 기준을 숫자로 적을 수 있을 때 잘 돌아갑니다. 감성 디자인처럼 기준이 모호한 영역에서는 사람 평가가 더 많이 필요합니다.

설계 영역의 생성·평가 루프 (평가 항목은 인터뷰 기준)

Robo Sync + VLA: 야간 창고 작업부터 넓히는 physical AI

실물을 직접 다루는 영역에서는 Panasonic Connect가 개발한 Robo Sync에 VLA(Vision-Language-Action, 영상과 언어 지시를 받아 로봇 동작을 내는 모델)를 붙여 적용 범위를 넓힙니다. 목표는 3년 뒤 공장과 창고에서 똑똑한 로봇이 상당한 비율로 움직이는 상태입니다. 다만 CAIO는 physical AI가 시스템 모양은 갖췄어도 현장에서 채산을 맞추기 어렵다는 시각을 인정합니다. 즉시 반응해야 하는 작업은 어렵고, 밤새 오래 돌리는 창고 작업에 가능성이 있다고 봤습니다. 속도보다 가동 시간이 가치를 만드는 작업부터 고르는 셈입니다.

Robo Sync와 VLA의 적용 범위 (인터뷰 내용 기준)

통념과 다른 주장

흔히 이렇게 봅니다좋은 모델과 개발 인력을 확보하면 AI 성과가 따라온다.

CAIO는 이렇게 봅니다AI는 조직이 가진 능력을 키우는 증폭기입니다. 성과는 조직 상태가 정하고, 개발력보다 현업 전문 지식과 AI의 결합이 더 큰 가치를 냅니다.

근거AI가 발전하면서 전문 개발 지식 없이도 해법을 만들기 쉬워졌다는 판단과, 인적 자본과 Token Capital이 겹쳐 가치를 키운다는 Nadella CEO의 생각에 동의한 점을 들었습니다.

흔히 이렇게 봅니다신기술 연구조직은 본사와 떨어진 별동대로 둬야 빠르게 움직인다.

CAIO는 이렇게 봅니다AI·로보틱스 연구개발본부를 사업회사 현장에 붙이고, 그룹을 첫 고객으로 삼아 사내 실증부터 합니다.

근거본부의 큰 역할로 공통 기반 정비와 현장 과제 실증을 함께 들었고, 이를 위해 사업회사 AI CoE와 연계를 진행 중이라고 밝혔습니다.

통념과 CAIO의 관점

인터뷰에서 나온 사례

	AI·로보틱스 연구개발본부	Robo Sync + VLA
상황	그룹 안 AI 기반이 사업회사마다 제각각	physical AI는 현장 채산 확보가 어렵다는 시각
한 일	2026.10.1 본부 신설, 사업회사 CoE와 연계해 사내 실증·공통 기반 정비	Robo Sync에 VLA를 붙여 적용 범위 확대, 야간 장시간 창고 작업에 주목
결과	원문에서 밝히지 않음(출범 한 달 시점)	원문에서 밝히지 않음, 3년 뒤 상당 비율 목표
연결	Client Zero, Group Common Foundation	Robo Sync + VLA

기술 디테일: 공통 기반과 루프를 직접 만든다면

토큰 관리와 모델 적정화를 돌리려면 사업회사의 모든 AI 호출이 하나의 AI Gateway를 지나게 합니다. 게이트웨이는 호출마다 사업회사, 용도, 에이전트, 모델, 데이터 등급, 입출력 토큰, 비용, 사람의 수정 여부를 한 줄로 남깁니다. 이 기록이 있어야 사업회사별 비용 배분과 모델 교체 판단이 가능합니다. 모델 적정화는 업무 유형마다 30~50건짜리 평가 세트를 만들고, 분기마다 후보 모델 2~3개를 같은 세트로 채점해 허용 목록과 기본 모델을 정합니다. LLM 채점을 쓴다면 같은 답을 3회 채점해 점수 차가 10점 만점에 1점을 넘는 항목은 사람이 다시 봅니다. 아래 필드와 숫자는 실행 제안이며 Panasonic이 밝힌 구현이 아닙니다.

{
  "request_id": "req-20261103-000412",
  "business_unit": "appliances",
  "use_case": "design-review-assist",
  "agent_id": "agt-design-review-v2",
  "model": "frontier-a",
  "data_class": "internal",
  "tokens_in": 18240,
  "tokens_out": 2310,
  "cost_jpy": 41.5,
  "human_edit": true,
  "edit_reason": "강도 기준 누락",
  "timestamp": "2026-11-03T10:21:44+09:00"
}

학습 주권을 지키려면 데이터 등급을 공개, 사내 일반, 기밀(설계도·원가·고객 정보) 세 단계로 나누고 게이트웨이가 등급별로 갈 수 있는 모델을 막습니다. 기밀 등급은 Sovereign Model 층이나 학습 사용을 막는 계약을 맺은 환경으로만 보냅니다. Sovereign Knowledge 층에 넣는 문서에도 같은 등급을 달아 검색 결과가 권한 밖으로 새지 않게 합니다.

학습 루프와 Evaluation/Learning 층을 돌리려면 사람이 AI 결과를 고칠 때 고친 이유를 고정 항목(사실 오류, 기준 누락, 형식, 기타)으로 고르게 합니다. 주 1회 수정 건을 모아 평가 세트에 더하고 프롬프트나 검색 문서를 고칩니다. 같은 이유의 수정이 쌓이면 그때 파인튜닝 데이터로 씁니다. 이것이 사람의 판단이 AI를 키우는 경로입니다.

설계 생성·평가 루프를 돌리려면 생성 쪽은 설계안을 자유 문장이 아니라 치수·재질·부품 수 같은 파라미터 JSON으로 20~50개 냅니다. 평가 쪽은 LLM 판정에만 맡기지 않습니다. 강도는 CAE 해석, 원가는 BOM 원가 모델, 생산 용이성은 DFM(제조 용이성 설계) 규칙, 품질은 과거 불량 이력과 대조해 점수를 냅니다. 점수와 탈락 이유를 생성 쪽에 넣어 3~5라운드 반복하고, 마지막 상위 3안만 설계자가 봅니다.

에이전트 마켓플레이스를 준비하려면 에이전트마다 담당 사업회사, 허용 데이터 등급, 쓰는 모델, 평가 세트와 최근 점수, 재사용 횟수를 등록합니다. 평가 점수가 기준 아래로 내려가면 자동으로 승인 상태를 내립니다.

{
  "agent_id": "agt-design-review-v2",
  "owner_unit": "appliances",
  "task": "설계 변경안의 원가·생산 용이성 1차 검토",
  "allowed_data_class": ["public", "internal"],
  "models": ["frontier-a", "sovereign-design-v1"],
  "eval_set": "design-review-50",
  "last_eval_score": 0.86,
  "reuse_count": 4,
  "status": "approved"
}

VLA 창고 실증을 하려면 야간 피킹이나 상자 이적처럼 반복이 많고 즉시 반응이 덜 필요한 작업 하나를 고릅니다. 처음 2주는 로봇이 판단만 하고 사람이 실행하는 그림자 운영으로 성공률을 재고, 이후 작업 성공률, 시간당 처리량, 밤사이 사람 개입 횟수를 매일 봅니다.

공통 기반을 한 지점에서 돌리는 구조 (가상 예시, Panasonic이 밝힌 구현 아님)

막히는 경우	증상	대응
사업회사가 게이트웨이를 우회	토큰 비용이 집계와 안 맞음	클라우드 결제 내역과 월 1회 대조, 우회 계정 차단
평가 세트가 낡음	점수는 높은데 현업 불만 증가	분기마다 최근 수정 건으로 세트 20% 교체
설계 평가 모델이 실제와 다름	상위안이 시제품에서 탈락	시제품 결과를 평가 모델 보정 데이터로 되돌림
VLA 야간 정지	아침에 미처리 작업이 쌓임	정지 시 알림과 사람 대체 작업 목록 자동 생성

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
CAIO실	실증 범위와 공통 규칙 승인, 확대 판정
AI 연구개발본부	실증 설계, 평가 세트, 공통 기반 운영
사업회사 AI CoE	현장 과제 발굴, 사용자 교육, 주간 리포트
현업 스폰서(부서장)	기준선 데이터 제공, 사용 독려, 성과 확인
IT·보안	게이트웨이 구축, 데이터 등급 규칙, 접근 권한
법무·구매	모델 공급사 계약의 학습 사용 금지 조항 확인

준비물. 사업회사별 현재 AI 서비스 목록과 계약, 최근 3개월 AI 사용 비용, 실증 과제의 기준선 데이터 4주치, 데이터 등급 기준 초안, 과제별 평가 세트 30건이 필요합니다.

12주 실증 일정 (가상 예시, 칸 하나가 2주)

현업에 물을 것.

지금 사업회사마다 쓰는 AI 서비스와 모델은 무엇이고, 비용은 누가 내나요?
외부 모델에 보내면 안 되는 데이터는 무엇이고, 그 판단은 지금 누가 하나요?
AI 결과를 사람이 고친 기록이 남는 업무는 어디인가요?
같은 문제를 다른 사업회사도 풀고 있는 과제는 무엇인가요?
숙련자의 판단이 글로 남지 않아 신입 교육이 오래 걸리는 작업은 어디인가요?

진행 판정 기준(예시). 12주 실증이 끝날 때 세 조건을 채우면 다른 사업회사로 넓힙니다. 과제 지표가 기준선보다 10% 이상 나아지고, AI 호출의 95% 이상이 게이트웨이 기록에 잡히고, 다른 사업회사 한 곳 이상이 같은 에이전트를 재사용하겠다고 신청해야 합니다. 하나라도 못 채우면 원인을 정리하고 4주를 더 봅니다.

AX 적용 제언. 계열사가 여럿인 국내 그룹이라면 Panasonic처럼 그룹 AI 조직에 연구와 기반 정비를 함께 맡기되, 과제는 반드시 계열사 CoE를 거쳐 들어오게 하는 편이 낫습니다. 첫 분기에는 거창한 자사 모델보다 모든 호출을 한 게이트웨이에 모으는 일부터 하십시오. 비용 배분, 데이터 등급, 모델 교체가 모두 이 기록 위에서 움직입니다. 실증 과제는 설계 검토처럼 평가 기준을 숫자로 적을 수 있는 업무를 고르고, 물류 계열사가 있다면 야간 창고 작업 하나를 physical AI 실증 후보로 함께 올립니다. CAIO의 증폭기 관점은 예산 심사에도 쓸 수 있습니다. 과제를 승인할 때 모델 성능보다 그 업무의 판단 기준이 기록돼 있는지를 먼저 묻습니다.

원문 사례

항목	내용
매체	MONOist, 2026.10.30, 三島一孝 기자, 합동 인터뷰 (2쪽)
인물	사카키바라 아키라: Panasonic Holdings 집행임원·그룹 CAIO(2026.4~), Panasonic Connect CTO, AI·로보틱스 연구개발본부장
전략 틀	PX 안의 AI-driven Transformation: 사업 모델, 업무 프로세스, 기업 문화
관점	AI는 조직 능력의 증폭기, 사람과 AI의 학습 루프, Nadella CEO의 Token Capital 생각에 동의
조직	2026.10.1 AI·로보틱스 연구개발본부 신설, Client Zero 사내 실증, 사업회사 AI CoE와 연계
공통 기반	토큰 관리, 학습 주권, AI 규칙, 사용 모델 적정화, 암묵지 멀티모달 데이터 수집
아키텍처	5층: Frontier Model, Sovereign Knowledge, Agent/Tool, Evaluation/Learning, Sovereign Model
데이터·에이전트	데이터 기반 Perseus(코드명) 개발 중, 그룹 공통 에이전트 플랫폼과 사내 마켓플레이스 검토
설계	AI 생성·AI 평가 루프, 평가 항목은 강도·품질·원가·생산 용이성
physical AI	Robo Sync + VLA, 3년 뒤 공장·창고 로봇 상당 비율 목표, 야간 장시간 창고 작업에 가능성
수치	운영 성과 수치는 공개하지 않음

핵심 개념

CAIO: Chief AI Officer. 그룹 전체의 AI 전략과 기반을 책임지는 임원입니다.
PX: Panasonic Transformation. Panasonic 그룹이 진행하는 조직 변혁 프로그램의 이름입니다.
CoE: Center of Excellence. 사업회사 안에서 AI 활용을 지원하고 과제를 모으는 전문 조직입니다.
Token Capital: AI 자본을 토큰 단위로 부른 말. 인적 자본과 함께 쌓여 가치를 키운다는 맥락에서 인용됐습니다.
出島(데지마)형 조직: 본사와 떨어뜨려 따로 실험하게 하는 조직. 이번 본부는 이런 형태가 아니라고 밝혔습니다.
Perseus: Panasonic이 개발 중인 데이터 기반의 코드명. 모델 학습과 모델 연결을 전제로 합니다.
VLA: Vision-Language-Action. 카메라 영상과 언어 지시를 받아 로봇 동작을 출력하는 모델입니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist에 실린 「AIは「組織能力の増幅器」、パナソニック新CAIOが描く人とAIの共進化」(三島一孝, 2026.10.30, 2쪽)입니다. 요약, 핵심 메커니즘의 인터뷰 내용, 통념과 다른 주장, 사례, 원문 사례 표는 사카키바라 CAIO의 설명을 AX Review가 다시 정리했습니다. Client Zero와 공통 기반 다섯 항목의 풀이는 기사에 정의가 없어 일반적인 뜻으로 적었습니다. 기술·현업 실행 디테일, JSON 예시, 게이트웨이 구조, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.