Precious Elements in Dormant Data: Johnson Matthey가 묵은 R&D 기록을 AI로 꺼내 쓰는 법

Johnson Matthey는 실패한 시험과 옛 배합까지 담긴 수십 년치 R&D 기록을 AI로 읽어 구조화된 데이터로 바꾸고 있습니다. 경쟁사도 같은 AI를 살 수 있으니 차별화는 회사만 가진 기록에서 나온다는 판단입니다. 따라 하려면 모델보다 먼저 전문가가 정한 기록 규칙, 추출 결과를 검증하는 절차, 사람의 최종 확인이 있어야 합니다.

요약

영국 제조업 매체 The Manufacturer가 2026년 11월 10일 Manufacturing Leaders’ Summit 2026 첫날 발표를 정리했습니다. 그중 “Precious elements in dormant data(잠든 데이터 속 귀한 원소)“라는 기조연설에서 Razvan Popescu는 Johnson Matthey에서 진행 중인 프로젝트를 예로 들었습니다. 이 회사의 실험 기록은 실패한 시험, 옛 배합(formulation), 실험 노트, 연구 파일로 이루어져 있습니다. 그런데 형식이 제각각이고 스프레드시트, 종이, 개인 하드디스크에 흩어져 있습니다. 프로젝트는 AI로 이 자료를 대량으로 읽고 해석해 구조화하는 일입니다. 사람이 몇 년 동안 손으로 입력하고 디지털화해야 할 작업을 AI가 대신할 수 있다는 설명입니다.

발표자는 이 작업이 이제 가능해진 이유로 AI 덕분에 지식을 구조화하고 연결하는 일이 빠르고 싸졌다는 점을 들었습니다. 그래서 가치가 높은 데이터 제품(data product)을 만드는 일이 현실적인 선택이 됐다는 것입니다. 그는 기회를 다섯 가지로 꼽았습니다. 과거 실험을 빨리 찾기, 반복 시험 비용 줄이기, 머신러닝으로 결과 예측하기, 고객 가치 차별화, 새 제품과 시장 만들기입니다. 성공 조건으로는 전문가 지식, 명확한 규칙, 구조화된 데이터, 품질 검증, 사람의 감독을 들었습니다. 결론은 효율을 넘어 성장을 보라는 것이었습니다. 회사는 이미 수십 년 동안 연구에 돈을 들였고, AI는 그 기록을 혁신과 새 매출, 경쟁 우위로 바꾸는 수단이라는 것입니다. 기사에는 절감 시간이나 시험 감소 같은 수치가 나오지 않습니다. 아래에서는 이 구조를 네 가지 메커니즘으로 풀고, 같은 일을 다른 제조사가 돌릴 때 필요한 디테일을 덧붙입니다.

핵심 메커니즘

Dormant Data: 이미 돈을 들였지만 잠들어 있는 기록

Dormant data(잠든 데이터)는 회사가 이미 만들어 두었지만 찾을 수도, 분석할 수도 없는 상태로 묵어 있는 기록입니다. 연구원은 실험을 할 때마다 노트와 파일을 남기지만, 형식이 사람마다 다르고 저장 위치도 흩어져 있어 다음 사람이 다시 쓰지 못합니다. 특히 실패한 시험은 보고서로 정리되지 않는 경우가 많아 같은 실패가 되풀이되기 쉽습니다. 발표자는 이 기록이 연구 투자로 이미 값을 치른 자산이라고 봤습니다. 가상 예시로, 10년 전 실패한 코팅 배합의 조건이 종이 노트에만 남아 있다면 새 담당자는 같은 시험을 처음부터 다시 돌리게 됩니다.

AI Extraction: 형식이 다른 기록을 한 틀로 읽어 들인다

추출 단계에서는 AI가 스캔한 노트, 스프레드시트, 문서 파일을 읽고 정해진 항목(배합 성분, 조건, 결과, 실패 이유 등)에 맞춰 값을 뽑습니다. 입력은 형식이 제각각인 원본이고, 처리는 문자 인식과 언어 모델의 해석이며, 출력은 같은 틀을 따르는 실험 레코드입니다. 기록이 수천~수만 건이고 사람이 일일이 옮기기엔 몇 년이 걸리는 곳에 맞습니다. 기록이 이미 실험 관리 시스템에 정리돼 있다면 추출보다 연결이 먼저입니다. 발표자는 AI가 이 일을 대량으로 해내 수년치 수작업 입력과 디지털화를 대신할 수 있다고 설명했습니다.

Data Product: 연결된 기록을 여러 팀이 쓰는 상품처럼 만든다

Data product(데이터 제품)는 데이터를 한 번 쓰고 버리는 분석 결과가 아니라 정해진 형식, 품질 기준, 담당자를 갖춰 여러 팀이 반복해서 쓰는 자산으로 만든 것입니다. 추출한 실험 레코드를 배합, 원료, 시험 조건, 결과 기준으로 연결하면 “이 원료를 쓴 실험 중 실패한 것”처럼 묻고 답할 수 있게 됩니다. 발표자는 AI 덕분에 지식을 구조화하고 연결하는 비용이 내려가 이런 데이터 제품이 현실적인 선택이 됐다고 봤습니다. 조회, 반복 시험 회피, 예측 모델은 모두 같은 데이터 제품 위에서 돌아갑니다.

Human Oversight: 전문가 규칙과 검증이 품질을 정한다

AI가 읽어 낸 값은 틀릴 수 있습니다. 발표자가 든 성공 조건 다섯 가지(전문가 지식, 명확한 규칙, 구조화된 데이터, 품질 검증, 사람의 감독)는 이 위험을 다루는 장치입니다. 연구 전문가가 어떤 항목을 어떤 단위와 용어로 적을지 규칙을 정하고, 추출 결과는 표본을 뽑아 검증하고, 확신이 낮은 레코드는 사람이 확인합니다. 이 단계를 건너뛰면 잘못 읽힌 배합 값이 예측 모델로 흘러 들어가 엉뚱한 실험을 권하게 됩니다.

통념과 다른 주장

저자가 든 사례

Johnson Matthey: 수십 년치 실험 기록을 AI로 구조화

• 상황: 실패한 시험, 옛 배합, 실험 노트, 연구 파일이 일관되지 않은 형식으로 스프레드시트, 종이, 개인 하드디스크에 갇혀 있습니다.
• 한 일: AI로 이 자료를 대량으로 추출하고 해석해 구조화하는 프로젝트를 진행하고 있습니다.
• 결과: 발표 시점에 진행 중인 프로젝트입니다. 절감 시간, 시험 감소율 같은 수치는 원문에서 밝히지 않았습니다.
• 연결: Dormant Data, AI Extraction, Data Product, Human Oversight.

같은 날 패널: 시범에서 실시간 생산으로

GSK, Robust UK, Cummins, Plessey Semiconductors 패널은 영국 제조업의 AI가 개인 생산성, 행정, 계획, 데이터 분석에서는 효과를 냈지만 산업 현장의 쓰임은 아직 시범 단계가 많다고 봤습니다. 가장 큰 과제로는 성공한 시범을 믿을 수 있는 실시간 생산으로 옮기는 일을 꼽았습니다. 데이터 사일로, 레거시 시스템, 데이터 소유권과 접근, 사이버 보안을 풀고 AI가 낸 통찰을 누가 실행할지 책임을 분명히 해야 한다고 했습니다. 인력 쪽에서는 AI 기술과 기존 현장 전문성을 함께 키우고, 경험 많은 직원의 지식을 AI로 담아 두라고 권했습니다. 이 마지막 지점이 Johnson Matthey 프로젝트와 맞닿아 있습니다.

기술 디테일: 묵은 실험 기록을 데이터로 바꾸려면

아래 필드명, 설정값, 수량은 실행 제안이자 가상 예시입니다.

레코드 틀부터 정합니다(AI Extraction, Human Oversight). 추출 전에 연구 전문가와 함께 실험 하나를 무엇으로 표현할지 정합니다. 언어 모델에는 이 틀을 JSON 스키마로 주고 그 형식만 돌려받습니다. 실패한 시험은 outcome과 failure_reason을 반드시 채우게 합니다.

{
  "experiment_id": "EXP-1998-0412",
  "date": "1998-04-12",
  "objective": "내열 코팅 접착력 개선",
  "formulation": [
    {"component": "수지 A", "amount": 62.0, "unit": "wt%"},
    {"component": "첨가제 B", "amount": 3.5, "unit": "wt%"}
  ],
  "conditions": {"temp_c": 180, "time_min": 45},
  "outcome": "fail",
  "failure_reason": "경화 후 균열",
  "measured": [{"property": "접착력", "value": 2.1, "unit": "MPa"}],
  "source_ref": "scan://lab-notebook/1998/NB-07/p23",
  "confidence": 0.71,
  "reviewed_by": null
}

모델과 저장 위치를 먼저 정합니다. 배합과 실패 기록은 영업 비밀입니다. 추출용 모델은 사내 서버에 두거나, 외부 API라면 입력 데이터를 학습에 쓰지 않고 보관하지 않는 계약 조건을 확인한 뒤 씁니다. 원본 스캔, 추출 레코드, 질의 기록은 모두 같은 접근 권한 체계 아래 둡니다.

같은 페이지를 여러 번 읽어 흔들림을 잽니다. temperature 0으로 같은 원본을 3회 추출해 필드별로 값이 일치하는지 봅니다. 한 번이라도 다른 필드가 있거나 confidence가 0.8 미만이면 사람 확인 대기열로 보냅니다. 손글씨 노트는 문자 인식만 쓰지 말고 이미지를 직접 읽는 멀티모달 모델로 한 번 더 읽어 두 결과를 대조합니다.

단위와 용어를 정규화합니다. 같은 원료를 사람마다 다르게 부르면 연결이 끊깁니다. 전문가가 만든 용어 사전으로 원료 이름을 표준 코드에 붙이고, 단위는 wt%, °C, 분처럼 한 가지로 바꿉니다. 사전에 없는 이름은 자동으로 만들지 말고 목록으로 모아 주 1회 전문가가 판정합니다.

검색과 예측은 순서를 지킵니다(Data Product). 먼저 원료, 조건, 결과로 거르는 필터 검색과 자연어 질문을 붙인 조회를 엽니다. 답에는 반드시 source_ref를 달아 원본 페이지를 열 수 있게 합니다. 예측 모델은 검증을 마친 레코드가 쌓이고 성공과 실패가 모두 충분히 모인 뒤에 학습합니다. 처음에는 “이 배합은 과거 실패와 얼마나 비슷한가”를 알려 주는 유사도 경고부터 내는 편이 안전합니다.

막히는 경우	증상	대응
손글씨·흐린 스캔	숫자를 잘못 읽음	멀티모달 재독해, 두 결과 불일치 시 사람 확인
원료 이름 제각각	같은 원료가 다른 레코드로 갈림	전문가 용어 사전, 미등록 이름 주간 판정
실패 이유 누락	failure_reason이 비어 있음	빈칸으로 두고 “기록 없음” 표시, 추측 금지
개인 PC 파일 접근	퇴직자·휴직자 자료를 못 찾음	수집 기간을 공지하고 부서별 담당자 지정
예측 모델 과신	데이터가 적은 영역에서 단정	유사 레코드 수와 함께 표시, 적으면 경고만

현업 실행 디테일: 누가, 언제, 무엇을

역할	하는 일
R&D 책임자(스폰서)	대상 제품군 선정, 연구원 시간 확보, 진행 판정
도메인 전문가 2~3명	레코드 틀, 용어 사전, 표본 검증
데이터 엔지니어	수집, 추출 파이프라인, 저장소
연구 지원·기록 담당	종이 노트 스캔, 원본 위치 관리
현업 연구원 5~10명	조회 시범 사용, 쓸모 평가

시작 전 준비물. 대상 제품군 하나의 원본 목록(위치, 형식, 대략 건수), 전문가가 고른 정답 레코드 50건, 자주 묻는 질문 20개, 개인 PC 자료 수집 공지문.

연구원에게 물을 것.

1. 새 실험을 설계하기 전에 과거 기록을 찾는 데 얼마나 걸리나요? 어디부터 찾나요?
2. 이미 해 본 실험을 모르고 다시 돌린 적이 있나요? 나중에 어떻게 알았나요?
3. 실패한 시험은 어디에 어떤 형식으로 남기나요?
4. 같은 원료를 부르는 이름이 몇 가지인가요?
5. 고객 문의에 과거 시험 결과를 근거로 답한 적이 있나요?

진행 판정 기준(예시). 정답 레코드 50건 대비 핵심 필드 일치율이 90% 이상이고, 시범 연구원 절반 이상이 과거 실험을 찾는 시간이 줄었다고 답하며, 반복 시험을 피한 사례가 1건 이상 나오면 다른 제품군으로 넓힙니다. 일치율이 80~90%면 용어 사전과 검증을 보완해 6주 더 봅니다. 80%에 못 미치면 원본 품질과 레코드 틀부터 다시 봅니다.

AX 적용 제언. 화학, 소재, 배터리, 제약처럼 배합과 시험을 반복하는 회사라면 같은 순서가 그대로 맞습니다. 순서는 제품군 하나 선정, 실패 기록을 포함한 원본 수집, 레코드 틀과 용어 사전, 추출과 검증, 조회 시범, 그다음 예측과 고객 제안입니다. 첫 성과 지표는 “찾는 시간”과 “피한 반복 시험 수”로 잡고, 예측과 차별화는 검증된 레코드가 쌓인 뒤 두 번째 단계 목표로 둡니다. 스폰서는 IT가 아니라 R&D 책임자가 맡아야 전문가 시간이 확보되고, 같은 날 패널이 지적한 “통찰을 누가 실행하나”의 책임도 분명해집니다.

원문 사례

항목	내용
원문	The Manufacturer, 2026.11.10, Joe Bush
행사	Manufacturing Leaders’ Summit 2026 1일차
세션	기조연설 “Precious elements in dormant data”, Razvan Popescu
사례	Johnson Matthey의 진행 중 프로젝트
대상 기록	실패한 시험, 옛 배합, 실험 노트, 연구 파일
기록 상태	형식 제각각, 스프레드시트·종이·개인 하드디스크에 분산
다섯 기회	과거 실험 빠른 조회, 반복 시험 비용 회피, 머신러닝 예측, 고객 가치 차별화, 신제품·신시장
성공 조건	전문가 지식, 명확한 규칙, 구조화된 데이터, 품질 검증, 사람의 감독
핵심 메시지	효율을 넘어 성장으로, 회사 기록이 차별화 원천(“no one can buy your history”)
같은 날 패널	GSK, Robust UK, Cummins, Plessey Semiconductors. 시범을 실시간 생산으로 옮기는 일이 최대 과제
수치	절감 시간·시험 감소 등 정량 수치 언급 없음

핵심 개념

Formulation(배합)

제품을 만들 때 쓰는 원료와 그 비율, 조건의 조합입니다. 화학·소재 R&D의 기본 기록 단위입니다.

Lab notebook(실험 노트)

연구원이 실험 목적, 조건, 관찰, 결과를 날짜순으로 적는 기록입니다. 오래된 것은 종이로만 남은 경우가 많습니다.

Negative result(실패 데이터)

목표를 달성하지 못한 시험의 기록입니다. 보고서로 잘 남지 않지만 같은 실패를 피하고 예측 모델이 경계를 배우는 데 필요합니다.

Pilot to production

시범에서 효과를 본 AI를 실제 운영 환경에서 매일 믿고 쓰는 단계로 옮기는 일입니다. 같은 날 패널이 가장 큰 과제로 꼽았습니다.

내 메모

TODO: 내 생각 추가

원문은 The Manufacturer의 「Manufacturing Leaders’ Summit 2026 – Day 1 key takeaways」(2026.11.10, Joe Bush)이며, 이 노트는 그중 Razvan Popescu의 기조연설과 같은 날 패널 부분을 다룹니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작동 순서와 작은 예시, 핵심 개념의 뜻풀이는 일반적인 설명으로 보탰습니다. JSON 예시, 설정값, 막히는 경우 표, 역할·일정·질문·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명, 원료명, 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.