국내 기업 AX 소식: AI를 부서와 현장의 업무 단위로 내리는 회사들 (11월 5일 묶음)

11월 3~4일에 나온 네 기사는 AI를 부서와 공정 단위의 업무에 붙이는 장면입니다. HD현대로보틱스는 에이전트가 로봇 프로그램 개선안을 먼저 내고 엔지니어가 결정하게 해 문제 해결 기간을 평균 21.5일에서 7.9일로 줄였습니다. 현대제철과 증권사들은 현업 직원이 에이전트를 직접 만들게 하고, KGC는 검사 판정을 AI에 맡겼습니다. 따라 하려면 업무 단위의 기준선, 공유와 승인 규칙, 사람이 최종 확인할 지점을 먼저 정해야 합니다.

요약

이번 묶음은 11월 3~4일에 실린 기업 AX 기사 4건입니다. AIM Media House의 Deployed는 HD현대로보틱스가 Palantir와 만든 AI 에이전트를 로봇 문제 해결(troubleshooting) 업무에 붙인 결과를 다뤘습니다. 위키트리는 현대제철이 현대오토에버와 함께 만든 사내 생성형 AI 플랫폼 Steel-X(스틸엑스)를 가동했다고 전했습니다. 서울경제TV는 신한투자증권을 비롯한 증권사 네 곳이 부서나 본부마다 AI 담당자를 두는 방식을 정리했습니다. 인사이트는 KGC(한국인삼공사) 원주공장의 파우치 음료 라인이 AI 검사와 로봇 포장으로 바뀐 모습을 소개했습니다. 업종은 제조, 철강, 증권, 식품으로 다르지만 AI가 실제로 일하는 자리는 모두 부서나 공정의 구체적인 업무입니다.

결과의 성격은 회사마다 다릅니다. 기간이라는 성과 수치를 낸 곳은 HD현대로보틱스뿐이고, 로봇 프로그래밍 비용 50% 이상 절감은 아직 목표입니다. 현대제철은 수치 없이 정보 탐색과 문서 작성 시간을 줄이겠다는 기대를 밝혔습니다. 증권사들이 밝힌 숫자는 담당자 수와 에이전트 수 같은 확산 규모이고, KGC는 불량률 수치 없이 검사 데이터를 쌓아 판정 정확도를 높이겠다고 했습니다. 네 사례에 공통으로 보이는 흐름은 AI가 개선안, 답변, 판정을 먼저 내고 사람이 확인해 결정하는 분업입니다. 증권 기사는 고객 자산과 자금 이동이 걸린 업무는 사람의 확인과 승인이 꼭 필요하다고 짚었습니다. 아래에서 기사별 사례를 정리한 뒤, 이 분업을 따라 할 때 필요한 기술과 현업 디테일을 덧붙입니다.

사례별 정리

HD현대로보틱스: Palantir 에이전트가 개선안을 내고 엔지니어가 결정해 로봇 문제 해결 기간이 21.5일에서 7.9일로 줄었다

• 상황: 로봇 문제를 풀려면 엔지니어가 현장에서 기계를 지켜보며 작업 순서와 이동 경로를 몇 번이고 고쳐야 했습니다. 프로그래밍이 엔지니어 개인의 경험에 기대고 있어 표준화도 어려웠습니다.
• 한 일: 8월부터 Palantir와 함께 만든 AI 에이전트를 문제 해결 업무에 넣었습니다. 에이전트는 기존 로봇 프로그램을 분석해 개선안을 내고, 엔지니어는 현장 조건을 아는 사람으로서 제안을 검토하고 다듬어 적용 여부를 정합니다. AI와 시뮬레이션을 함께 씁니다. 현장 엔지니어의 역할은 프로그래밍, 설치, 시운전에서 AI가 풀 문제를 정의하고 그 해법을 평가하는 쪽으로 넓힙니다.
• 결과(회사 발표): 로봇 관련 문제의 평균 해결 기간이 21.5일에서 7.9일로 약 63% 줄었습니다. 프로그래밍 비용 50% 이상 절감은 별도의 목표로, 아직 달성한 수치가 아닙니다. 대상 과제 수와 측정 방식은 기사에 나오지 않습니다.
• 다음 계획: 두 회사 경영진이 정기 운영위원회를 열어 과제 우선순위를 정하고 측정 가능한 성과를 낼 적용처를 더 찾습니다. 현장 엔지니어에게 AI 기반 문제 해결 교육을 하고, 그룹 차원에서는 Foundry와 AIP 활용을 돕는 Center of Excellence를 둡니다.
• 배경: HD현대오일뱅크와의 협력은 2021년에 시작했고, 2026년 1월 그룹 단위로 넓힌 협력에 로보틱스와 전기 시스템이 더해졌습니다. 기사는 안성환 CTO가 뉴욕의 Palantir 소버리니티 부트캠프에서 이 결과를 발표했다고 전했습니다. 같은 기사에 실린 Palantir 3분기 미국 상업 매출은 전년보다 148% 늘어난 9억 8,400만 달러입니다.
• 출처: AIM Media House(Deployed) · Amit Raja Naik, 2026년 11월 3일. 회사 수치는 코리아헤럴드 보도를 인용

현대제철: 흩어진 사내 문서를 AI가 읽는 형식으로 바꾸고 직원이 노코드로 에이전트를 만드는 Steel-X를 열었다

• 상황: 사내 지식이 여러 시스템과 부서에 흩어져 있어 정보를 찾고 문서를 쓰는 데 시간이 반복해서 들었습니다. 같은 시기 현대차그룹은 R&D 조직의 외부 생성형 AI 사용을 잠시 멈추고 보안을 다시 검토하고 있었습니다(기사가 뉴시스 보도를 인용).
• 한 일: 현대오토에버와 기획 단계부터 함께 Steel-X를 만들었습니다. 기능은 넷입니다. Microsoft Teams와 업무시스템에 흩어진 문서를 AI가 읽을 수 있는 형식으로 자동 변환합니다. 업무 성격에 따라 사내 구축형 모델과 외부 AI 서비스 중 하나를 고르게 해 보안 자료는 내부 모델로 처리합니다. 임직원 AI 플레이그라운드에서는 코딩 없이 개인 문서나 팀 폴더로 지식 챗봇과 에이전트를 만들어 개인, 조직, 전사 단위로 공유합니다. 문서 검색과 요약을 넘어 업무 데이터 조회와 분석까지 연결했습니다.
• 결과(회사 발표): 사내 규정과 매뉴얼 검색, 기술 문서 요약, 설비 이력과 운영 데이터 분석에서 처리 시간이 줄 것으로 기대합니다. 정량 수치, 사용자 수, 투자 규모는 기사에 나오지 않습니다. 회사는 AI를 쓰는 주체가 IT 부서에서 현업 임직원으로 옮겨 가고, 부서마다 만든 챗봇을 공유하면 여러 부서가 같은 질문을 되풀이하는 일이 줄 것이라고 설명했습니다.
• 다음 계획: 현업 요구를 반영해 에이전트 기능을 키우고 업무시스템 연계를 강화해 전사 AX를 단계적으로 넓힙니다.
• 출처: 위키트리 · 김상균 기자, 2026년 11월 4일

증권업계(신한투자증권 외): 부서마다 AI 담당자를 두고 에이전트 개발과 활용 수준을 KPI에 묶었다

• 상황: 증권사들이 AI 전담 조직만으로는 부족하다고 보고 현업 직원에게 AI 과제를 맡기기 시작했습니다.
• 한 일: 신한투자증권은 본사와 영업 현장의 AX 코디네이터 109명이 부서별 에이전트 과제를 찾아 만듭니다. 올해 부서별로 에이전트 2개를 개발하면 KPI(핵심성과지표) 가점을 줍니다. 교보증권은 부서마다 AI 활용 역량과 관심이 있는 직원 1명을 AI 프론티어로 두고 이달까지 생성형 AI 실습 교육을 합니다. 9월에는 그룹웨어에 AI 문서 작성과 이메일 요약 기능을 넣었습니다. KB증권은 AX 프론티어 프로그램으로 대부분 비개발자인 5~6명 팀이 1년 동안 소속 본부에 필요한 기능을 사내 AI ‘깨비AI’에 더합니다. 한국투자증권은 직원이 업무용 에이전트를 직접 만드는 환경을 갖추고 본부별 AI 활용 수준을 KPI에 넣었습니다.
• 결과(회사 발표): 신한투자증권에서는 8월 구글클라우드 발표 기준으로 에이전트 500개 이상이 만들어졌습니다. 업무 성과 수치와 KPI 배점은 기사에 나오지 않습니다.
• 운영 원칙: AI 결과물은 사람이 최종 검토하고, 고객 자산이나 자금 이동이 걸린 업무는 사람의 확인과 승인을 거칩니다.
• 출처: 서울경제TV · 황태규 기자, 2026년 11월 4일

KGC 원주공장: 파우치 음료 라인에 AI 실링 검사와 AI 비전검사를 넣고 통과한 제품을 로봇이 포장한다

• 상황: KGC는 AI와 데이터로 제조시설을 고도화하고 있고, 원주공장은 설계 단계부터 스마트팩토리를 염두에 두고 지었습니다.
• 한 일: 파우치 음료를 만드는 고속 로터리 충전기에 AI 기반 실링 검사기를 붙였습니다. 실링은 파우치 입구를 밀봉해 내용물이 새거나 이물질이 드는 것을 막는 공정입니다. 밀봉한 제품은 엑스레이로 내부 이물질을 확인하고, 정상·불량 이미지를 학습한 AI 비전검사로 외관 이상을 가립니다. 검사를 통과한 제품은 로봇이 정해진 수량대로 포장합니다. 라인 가동 현황, 생산량, 불량률, 온도, 습도는 실시간으로 봅니다.
• 결과(회사 발표): 생산, 검사, 포장을 자동화 설비로 이어 품질과 생산 효율을 함께 관리한다고 밝혔습니다. 불량률 수치, 생산량, 투자 금액은 기사에 나오지 않습니다.
• 다음 계획: AI 검사에서 쌓이는 정상·불량 이미지로 판정의 정확도와 일관성을 높이고 불량률을 낮춥니다. 원주·부여 두 공장의 태양광 기반도 넓힙니다. 부여공장 태양광의 누적 발전량은 4,567MWh입니다.
• 출처: 인사이트 · 함철민 기자, 2026년 11월 4일

기술 디테일: AI가 먼저 내고 사람이 확인하는 구조를 만들려면

아래는 네 사례의 공통 흐름을 따라 만들 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이며, 필드명과 수치는 모두 가상 예시입니다.

제안형 에이전트는 출력 형식과 기준선부터 정합니다(HD현대로보틱스 패턴). 입력은 대상 로봇 프로그램, 그 셀의 알람 로그와 사이클 타임, 엔지니어가 쓴 문제 정의 한 단락입니다. 에이전트는 개선안을 change_id, target_line, change_type(경로·속도·대기·순서), expected_effect, risk(간섭·안전 영역), evidence(근거 로그 줄)로 냅니다. 시뮬레이션을 통과한 안만 엔지니어 검토 목록에 올리고, 엔지니어의 결정은 decision(채택·수정 채택·기각)과 engineer_note로 남겨 다음 제안의 예시로 씁니다. 같은 입력으로 3번 돌려 제안이 크게 갈리면 문제 정의가 모호하다는 신호이니 정의를 다시 받습니다. 기사의 ‘해결 기간’에 해당하는 지표는 과제 접수부터 현장 적용 확인까지의 일수입니다. 도입 전 같은 유형 과제 20건 이상의 기간을 먼저 모아 둬야 비교가 됩니다.

사내 문서를 AI가 읽는 형식으로 바꿀 때는 권한과 보안 등급을 조각마다 붙입니다(현대제철 Steel-X 패턴). 문서를 텍스트와 표로 뽑아 500~1,000자 조각으로 나누고, 조각마다 doc_id, source_system(Teams·그룹웨어·설비 이력), owner_dept, updated_at, access_group, security_level(일반·내부·대외비)을 붙입니다. 검색 때는 질문한 직원의 권한 그룹으로 먼저 거르고 남은 조각만 모델에 넘깁니다. security_level이 내부 이상인 조각이 하나라도 섞이면 사내 구축형 모델로 보내고, 일반 조각만 있을 때만 외부 서비스로 보냅니다. 답변에는 근거 문서 링크를 붙이고, 6개월 넘게 바뀌지 않은 규정 문서는 ‘최신 여부 확인 필요’로 표시합니다. 원문 변환이 깨지기 쉬운 스캔본과 도면은 첫 단계에서 빼 두는 편이 안전합니다.

노코드 에이전트는 공유 범위마다 승격 조건을 둡니다(현대제철 공유 단위, 증권사 부서별 에이전트 패턴). 등록부에 agent_id, owner, dept, scope(개인·조직·전사), data_sources, model, created_at, weekly_users, last_used를 둡니다. 개인 에이전트를 조직으로 올릴 때는 팀장 승인과 2주 사용 기록을, 전사로 올릴 때는 데이터 소유 부서와 보안 담당의 검토를 받게 합니다. 전사 승격 전에는 이름과 설명의 유사도로 같은 일을 하는 에이전트를 찾아 하나로 합칩니다. 부서별 에이전트 개수에 가점을 주는 제도라면 개수만 세지 말고 weekly_users와 절감 시간 추정치를 함께 봐야 쓰이지 않는 에이전트가 쌓이지 않습니다.

검사 AI는 판정 결과와 이미지를 로트 단위로 묶어 다시 학습합니다(KGC 패턴). 실링 검사, 엑스레이, 비전검사 결과를 lot_no, station, image_id, ai_label, confidence, final_label(품질 담당 재판정), defect_type으로 한 테이블에 모읍니다. 지표는 둘로 나눕니다. 불량을 정상으로 넘긴 미검률은 고객 품질 사고로 이어지므로 0.1% 같은 엄격한 상한을 두고, 정상을 불량으로 버린 오검률은 수율 손실로 따로 봅니다. 확신도가 낮은 구간(예: 0.4~0.6)의 제품은 자동 판정하지 않고 사람이 보게 합니다. 재학습은 월 1회 후보 모델을 만들어 지난달 재판정 이미지로 이전 모델과 비교하고, 미검률이 나빠지지 않을 때만 라인에 올립니다.

사람 승인 지점은 업무 목록으로 미리 못 박습니다(증권업계 운영 원칙). 에이전트가 호출할 수 있는 동작을 read(조회), draft(초안), execute(실행) 세 등급으로 나누고, 고객 자산과 자금 이동처럼 execute가 필요한 동작은 승인자 ID 없이는 실행되지 않게 합니다. 승인 기록에는 request_id, agent_id, action, approver, approved_at, diff(에이전트 초안과 사람이 바꾼 부분)를 남깁니다. 이 기록은 감사 대응에도 쓰이고, 사람이 고친 비율이 높은 에이전트를 골라 고치는 데도 쓰입니다.

현업 실행 디테일: 누가, 언제, 무엇을

부서별 AI 담당자가 업무 하나를 골라 에이전트를 붙이는 8주 파일럿을 예로 듭니다. 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
경영 스폰서	사업부장 또는 생산·기술 담당 임원	운영위원회 주재, 과제 우선순위와 확대 결정
부서 AI 담당	부서마다 1명(코디네이터·프론티어 역할)	과제 발굴, 기준선 측정, 에이전트 제작과 동료 교육
업무 전문가	현장 엔지니어·품질 담당·심사 담당 2~3명	문제 정의, AI 결과 검토와 최종 결정
플랫폼·데이터	AI 개발자 1~2명, 데이터 엔지니어 1명	문서 변환, 권한 연동, 로그와 등록부
보안·준법	보안 담당 1명, 준법감시 1명(금융)	보안 등급 규칙, 사람 승인 지점 확정

준비물은 다섯 가지입니다. 대상 업무의 최근 처리 기록 20건 이상(기간, 건수, 오류), AI가 읽어도 되는 문서와 데이터 목록, 보안 등급 기준표, AI가 정하면 안 되는 결정 목록(안전 영역 변경, 고객 자금 이동, 출하 판정 최종 승인), 운영위원회 일정입니다. 1~2주차에 업무를 고르고 기준선을 잽니다. 3~4주차에는 지난 건을 AI에 다시 풀게 해 사람의 실제 결정과 맞춰 봅니다. 5~6주차에는 새 건에서 AI 결과와 사람 작업을 나란히 돌립니다. 7~8주차에 운영위원회에서 지표를 보고 다른 부서나 라인으로 넓힐지 정합니다.

과제를 고를 때 현업에 물을 질문입니다.

1. 이 업무는 한 달에 몇 건이고 한 건에 며칠 또는 몇 시간 걸립니까?
2. 그 시간 가운데 자료 찾기, 분석, 작성, 확인이 각각 얼마를 차지합니까?
3. 결과가 맞았는지는 언제 무엇으로 압니까(재작업, 알람 감소, 고객 문의)?
4. AI가 읽으면 안 되는 자료와 사람이 꼭 승인해야 하는 동작은 무엇입니까?
5. 잘 되면 다른 부서에 옮겨 줄 사람은 누구입니까?

진행 판정 기준(예시)은 이렇게 둡니다. 지난 건 재풀이에서 담당자가 그대로 또는 조금 고쳐 쓴 AI 결과가 50% 이상이면 병행 운영으로 넘어갑니다. 병행 운영에서 처리 기간 중앙값이 기준선보다 30% 이상 줄고 사람 승인 지점을 건너뛴 사례가 한 건도 없으면 확대합니다. 검사 AI라면 미검률이 기존 육안·규칙 검사보다 나빠지지 않는 것이 확대의 최소 조건입니다.

AX 적용 제언. 제조 고객사라면 HD현대로보틱스와 KGC 유형부터 권합니다. 과제 단위가 분명하고 기간이나 불량률 같은 기준선을 바로 잴 수 있어 경영진에게 보여 줄 숫자가 빨리 나옵니다. 설비 프로그램, 검사 레시피, PLC 로직처럼 ‘기존 설정을 읽고 고칠 곳을 제안하는’ 업무라면 같은 구조를 그대로 쓸 수 있습니다. 사무 비중이 큰 회사나 금융사라면 현대제철과 증권사 유형이 맞습니다. 이때 첫 과제는 에이전트를 더 만드는 일이 아니라 문서의 권한·보안 등급 규칙과 에이전트 등록부를 세우는 일입니다. KPI에 에이전트 개수를 넣었다면 분기마다 실제 사용자와 절감 시간을 함께 보고하게 해 숫자가 성과로 둔갑하지 않게 합니다.

원문 사례

회사	대상 업무	한 일	수치·계획(회사 발표)
HD현대로보틱스	로봇 문제 해결	Palantir와 8월 AI 에이전트 도입. 에이전트가 개선안 제안, 엔지니어가 검토·결정. AI와 시뮬레이션 병행	평균 해결 기간 21.5일 → 7.9일(약 63%). 프로그래밍 비용 50% 이상 절감 목표. 양사 경영진 운영위원회 정례화
현대제철	사내 문서 검색·요약, 데이터 조회	현대오토에버와 Steel-X 구축. 문서 자동 변환, 사내·외부 모델 선택, 노코드 플레이그라운드, 업무시스템 연계	정량 수치 없음. 에이전트 기능 고도화와 업무시스템 연계 강화 후 전사 AX 단계 확대
신한투자증권	부서별 업무	AX 코디네이터가 부서별 에이전트 과제 발굴·구축	코디네이터 109명, 에이전트 500개 이상(8월, 구글클라우드 발표). 부서별 에이전트 2개 개발 시 KPI 가점
교보·KB·한국투자증권	부서·본부 업무	부서별 AI 프론티어, 비개발자 팀의 깨비AI 기능 추가, 직원 에이전트 제작 환경	교보 부서당 1명, KB 팀당 5~6명·1년, 한투 본부별 AI 활용 수준 KPI 반영
KGC 원주공장	파우치 음료 생산·검사·포장	AI 실링 검사, 엑스레이, AI 비전검사, 로봇 포장. 라인 데이터 실시간 관리	불량률 수치 없음. 검사 이미지로 판정 정확도 개선 계획. 부여공장 태양광 누적 4,567MWh

기사	매체 · 기자	날짜	다룬 곳	링크
HD Hyundai Robotics Cuts Troubleshooting to 8 Days With Palantir	AIM Media House(Deployed) · Amit Raja Naik	2026-11-03	HD현대로보틱스	기사
현대제철, 사내 생성형 AI 플랫폼 ‘스틸엑스’ 가동…임직원이 AI 에이전트 직접 만든다	위키트리 · 김상균	2026-11-04	현대제철	기사
부서마다 ‘AI 프론티어’…증권업계, AX 전환 박차	서울경제TV · 황태규	2026-11-04	신한투자증권, 교보증권, KB증권, 한국투자증권	기사
홍삼 음료는 AI가 검사하고 로봇이 포장한다… KGC 원주공장에서 바뀐 생산 방식	인사이트 · 함철민	2026-11-04	KGC 원주·부여공장	기사

핵심 개념

troubleshooting

설비나 로봇에 생긴 문제의 원인을 찾아 고치는 일. HD현대로보틱스는 이 업무의 평균 기간을 지표로 삼았다.

AIP·Foundry

Palantir의 AI 플랫폼과 데이터 통합 플랫폼. HD현대 그룹은 정유 운영과 예지 정비에 이어 로보틱스와 전기 시스템으로 적용을 넓혔다.

노코드 에이전트

코딩 없이 문서와 폴더를 골라 만드는 업무용 챗봇·에이전트. 현대제철은 이것을 개인, 조직, 전사 단위로 공유하게 했다.

AX 코디네이터·AI 프론티어

부서나 현장에서 AI 과제를 찾고 만드는 현업 담당자. 신한투자증권은 109명, 교보증권은 부서마다 1명을 둔다.

실링 검사

파우치 입구가 제대로 밀봉됐는지 보는 검사. 새거나 이물질이 드는 것을 막는 공정의 품질을 확인한다.

AI 비전검사

정상·불량 제품 이미지를 학습한 모델이 카메라 영상으로 외관 이상을 가리는 검사.

내 메모

TODO: 내 생각 추가

원문: AIM Media House(Deployed, Amit Raja Naik) 「HD Hyundai Robotics Cuts Troubleshooting to 8 Days With Palantir」(2026.11.3), 위키트리(김상균) 「현대제철, 사내 생성형 AI 플랫폼 ‘스틸엑스’ 가동…임직원이 AI 에이전트 직접 만든다」(2026.11.4), 서울경제TV(황태규) 「부서마다 ‘AI 프론티어’…증권업계, AX 전환 박차」(2026.11.4), 인사이트(함철민) 「홍삼 음료는 AI가 검사하고 로봇이 포장한다… KGC 원주공장에서 바뀐 생산 방식」(2026.11.4). 네 기사 모두 원문을 확인했습니다. HD현대로보틱스 기사의 회사 수치는 그 기사가 코리아헤럴드 보도를 인용한 것이고, 신한투자증권의 에이전트 수는 기사가 8월 구글클라우드 발표를 인용한 것입니다. 요약과 사례별 정리, 원문 사례는 기사에 나온 사실을 AX Review가 다시 정리했고 수치는 모두 회사가 밝힌 값입니다. 기술 디테일, 현업 실행 디테일, 인포그래픽과 표는 AX Review가 새로 작성했으며 필드명·일정·판정 기준은 가상 예시입니다. 전체 내용은 원문 기사에서 볼 수 있습니다.