Single AI Platform: GE Aerospace가 모든 AI의 개발·시험 이력과 책임자를 한곳에 모은다
GE Aerospace의 첫 최고데이터·AI책임자 Anton Groom은 첫 과제로, 회사에 배포된 모든 AI를 한 플랫폼에 모아 각 AI를 어떻게 만들고 시험했는지와 책임자를 보이게 하겠다고 밝혔습니다. LLM에는 원시 데이터 대신 검증된 ML 모델의 결과를 주라고 권하고 FLIGHT DECK 도구와 설계·시뮬레이션으로 AI를 넓힐 계획입니다.
GE Aerospace의 첫 최고데이터·AI책임자는 새 AI를 늘리기 전에, 이미 배포된 AI를 한 플랫폼에 모아 만든 방법, 시험 결과, 책임자를 보이게 하는 일부터 합니다. 따라 하려면 AI 앱 등록부와 시험 기록 양식, 등록된 앱만 모델을 부를 수 있는 연결 규칙이 필요합니다.
요약
GE Aerospace는 11월 17일 사내 뉴스에 Anton Groom 인터뷰를 실었습니다. Groom은 이 회사의 첫 최고데이터·AI책임자(CDAO, Chief Data and AI Officer)입니다. 앞서 Walmart에서 2014년부터 디지털 전환을 이끌었고 Merck에서는 2022년부터 AI 기반 자동화를 맡았습니다. 맡은 일은 회사 전체에서 AI를 안전하게 넓힐 수 있도록 데이터 기반을 까는 것입니다. 그가 꼽은 첫 과제는 새 AI를 늘리는 일이 아닙니다. 회사가 배포한 모든 AI를 투명한 플랫폼 하나에서 관리하겠다고 했습니다. 이 플랫폼에서 AI마다 어떻게 만들었는지, 어떻게 시험했는지, 누가 책임지는지를 볼 수 있게 됩니다. Groom은 흩어진 AI를 이렇게 정리하는 일을 배관 공사(plumbing)에 빗댔습니다.
그가 이 순서를 고른 데는 항공업의 특성이 깔려 있습니다. 제약과 항공은 둘 다 안전 기준이 엄격하고 안전은 정확한 데이터에서 나온다는 것이 그의 판단입니다. 신제품, 기술, 정비 결정에 쓰는 데이터는 품질과 신뢰도가 가장 높아야 한다고 봅니다. 사람 쪽에서는 직원이 AI 도구를 직접 써 보며 강점과 한계를 익히게 하고 그 과정의 실패도 배움으로 받아들이겠다고 했습니다. 확장 방향도 밝혔습니다. 린 방식의 문제 해결 체계인 FLIGHT DECK의 도구에 AI 기능을 더 넣고 물리 설계와 시뮬레이션에서 AI를 쓸 길을 찾습니다. 아래에서는 이 계획을 다섯 가지 장치로 나눠 설명하고 실제로 돌릴 때 필요한 설계와 일정을 붙입니다.
핵심 메커니즘
Single AI Platform: 모든 AI의 이력과 책임자를 한곳에
무엇인가. 회사에 배포된 AI를 빠짐없이 한 플랫폼에 올려 관리하는 방식입니다. Groom이 플랫폼에 담겠다고 한 정보는 세 가지입니다. 각 AI를 어떻게 만들었는지, 어떻게 시험했는지, 누가 책임지는지입니다.
어떻게 작동하나. 부서마다 따로 만든 AI 앱을 찾아 플랫폼에 등록합니다. 앱마다 개발 기록과 시험 결과를 붙이고 책임자 이름을 적습니다. 그러면 경영진과 감사 담당이 한 화면에서 어느 AI가 어디에 쓰이는지, 믿을 근거가 있는지 확인할 수 있습니다. 비슷한 앱이 여러 개면 하나로 합칩니다. Groom은 이 정리를 해야 AI를 효과적이고 책임 있게 운영할 수 있다고 했습니다.
언제 쓰나. AI 앱이 부서별로 늘어 누가 무엇을 쓰는지 모르게 됐을 때 씁니다. 안전·품질에 영향을 주는 업무가 있으면 특히 먼저 합니다. 앱이 두세 개뿐인 초기에는 스프레드시트 목록으로 충분합니다.
작은 예시(가상). 부품 수요 예측을 보조하는 AI 앱이 있다고 합시다. 플랫폼에는 쓰는 모델과 프롬프트 버전, 마지막 시험 날짜와 통과 기준, 업무 책임자 이름이 한 장에 붙습니다. 모델이 바뀌면 시험 기록이 다시 채워지기 전까지 경고가 뜹니다.
Data Quality as Safety: 데이터 품질을 안전 문제로 다룬다
무엇인가. 데이터 품질을 IT 관리 지표가 아니라 제품 안전과 같은 무게로 다루는 관점입니다. Groom은 제약과 항공이 같은 사고방식을 공유한다고 봅니다.
어떻게 작동하나. AI가 돕는 결정의 종류에 따라 데이터 기준을 정합니다. 신제품, 기술, 정비 결정처럼 안전과 이어지는 곳에 쓰는 데이터는 가장 높은 품질과 신뢰도를 요구합니다. 기준에 못 미치는 데이터로 만든 AI는 그 결정에 쓰지 않습니다.
언제 쓰나. 결함 하나가 사고나 리콜로 이어지는 업종에서 씁니다. 항공, 제약, 자동차, 화학이 여기에 듭니다. 사내 문서 요약처럼 위험이 낮은 용도는 기준을 낮춰 빨리 갈 수 있습니다.
Point the LLM at ML Models: LLM에 원시 데이터 대신 검증된 모델을
무엇인가. LLM(대규모 언어 모델)에 원시 데이터를 대량으로 넣지 않습니다. 대신 정확도가 검증된 ML(머신러닝) 예측 모델을 가리키게 해서 그 모델의 짧고 쓸모 있는 결과를 받게 하는 설계입니다.
어떻게 작동하나. GE Aerospace의 데이터 과학자들은 이미 영업과 정비 수요를 예측하는 모델을 만들어 두었습니다. 질문이 들어오면 LLM은 그 예측 모델을 부르고 모델이 계산한 결과를 읽어 설명합니다. Groom은 원시 데이터를 그대로 넣으면 잡음이 늘고 검증된 모델을 거치면 복잡한 문제에서도 LLM이 더 믿을 만해진다고 설명합니다.
언제 쓰나. 숫자를 정확히 내야 하는 수요 예측, 정비 시점, 재고 판단에 씁니다. 회의록 요약처럼 예측 모델이 필요 없는 일에는 쓰지 않습니다.
AI inside FLIGHT DECK: 기존 문제 해결 체계에 AI를 넣는다
무엇인가. FLIGHT DECK은 GE Aerospace의 린 운영 체계입니다. Groom은 AI가 FLIGHT DECK의 문제 해결을 키워 준다고 보고 몇몇 FLIGHT DECK 도구에 AI 기능을 더 넣을 계획입니다.
어떻게 작동하나. 별도 AI 도구를 만들어 현장에 따로 배우게 하지 않습니다. 현장이 이미 쓰는 문제 해결 도구 안에 AI 기능을 붙입니다. 앞의 예측 모델 결과도 이 도구 안에서 보이게 됩니다.
언제 쓰나. 린, 식스시그마, 제안 제도처럼 회사에 이미 굳은 개선 체계가 있을 때 맞습니다. 현장이 매일 여는 양식과 도구가 AI를 들일 자리가 됩니다.
Physical Design: CAD를 이해하는 에이전트와 시뮬레이션
무엇인가. Groom이 본 다음 기회입니다. 프런티어 AI 연구소들이 물리 설계로 움직이고 있다는 판단입니다. CAD 도면을 이해하고 그 설계를 실제 성능과 이어 주는 에이전트, 모델이 해석할 수 있는 물리 시뮬레이션이 그 방향입니다.
어떻게 작동하나. AI 쪽 기술 흐름과 GE Aerospace의 영역이 겹친다고 봅니다. GE는 수십 년의 제조 경험과 과학 연구를 이 작업에 보탤 수 있다는 것입니다. 인터뷰에는 구체적인 일정이나 투자 규모가 나오지 않습니다.
언제 쓰나. 설계 변경마다 해석과 시험을 반복하는 엔진·부품 설계 조직이 대상입니다.
통념과 다른 주장
흔히 이렇게 봅니다LLM에 데이터를 많이 넣을수록 답이 좋아진다고 보고 사내 표와 문서를 그대로 연결하는 경우가 많습니다.
저자는 이렇게 봅니다원시 데이터는 잡음을 늘립니다. LLM은 검증된 ML 모델을 가리키게 하고 그 모델의 간결한 결과를 받게 해야 복잡한 문제에서 믿을 만해집니다.
근거GE Aerospace에는 데이터 과학자들이 만든 영업·정비 수요 예측 모델이 이미 있고 그 결과를 LLM에 주는 편이 더 정확하다는 설명입니다.
흔히 이렇게 봅니다새로 온 AI 책임자는 눈에 띄는 새 사례를 빨리 내는 데서 시작한다고 봅니다.
저자는 이렇게 봅니다첫 과제는 이미 배포된 AI를 한 플랫폼으로 모아 정리하는 일입니다. 그래야 효과적이고 책임 있게 넓힐 수 있습니다.
근거설계, 품질 검사, 블레이드 검사, 영업 도구에서 이미 성과가 나고 있지만 Groom은 첫 우선순위로 플랫폼 정리를 꼽았습니다.
저자가 든 사례
현재 성과로 꼽은 네 가지 AI 도구
| 구분 | 내용 |
|---|---|
| 상황 | 첫 CDAO가 부임했을 때 이미 여러 부서에서 AI 도구가 쓰이고 있었습니다. |
| 한 일 | 생성형 AI 설계 앱, 품질 검사 자동화, AI 블레이드 검사 도구, 영업팀이 더 좋은 제안서를 더 빨리 쓰게 돕는 고객 응대 도구를 운영합니다. |
| 결과 | 원문에서 수치를 밝히지 않음. Groom은 목표가 사람 손을 줄이는 데 그치지 않고 고객이 받는 품질을 높이는 데 있다고 강조합니다. |
| 연결 | 이렇게 늘어난 도구들이 Single AI Platform으로 모아 관리할 대상입니다. |
영업·정비 예측 모델과 LLM
| 구분 | 내용 |
|---|---|
| 상황 | 데이터 과학자들이 영업과 정비 수요를 예측하는 모델을 만들어 두었습니다. |
| 한 일 | Groom은 LLM이 원시 데이터 대신 이런 검증된 모델을 가리키게 하라고 권합니다. |
| 결과 | 원문에서 수치를 밝히지 않음. LLM이 복잡한 문제에서 더 믿을 만해진다는 설명입니다. |
| 연결 | Point the LLM at ML Models 메커니즘의 사례입니다. |
기술 디테일: 한 플랫폼과 모델 연결을 직접 만든다면
아래 필드명, 설정값, 기준은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다. 원문은 플랫폼의 기술 구성을 밝히지 않았습니다.
Single AI Platform을 만들려면 앱 카드 스키마부터 정합니다. Groom이 꼽은 세 정보(만든 방법, 시험, 책임자)를 필드로 옮기고 데이터 품질 메커니즘을 위해 데이터 출처를 더합니다. 책임자는 업무 책임자와 기술 책임자를 따로 둡니다. 사고가 났을 때 “누가 이 AI를 써도 된다고 했나”와 “누가 고칠 수 있나”는 다른 질문이기 때문입니다.
{
"app_id": "ai-mro-parts-forecast-03",
"purpose": "정비 공장 부품 수요 예측 설명",
"risk_tier": "safety_related",
"owners": {"business": "정비 공장 자재 팀장", "technical": "데이터 과학 리드"},
"build": {"models": ["llm:vendor-x@2026-09", "ml:parts_demand_v7"], "prompt_version": "p-12", "repo": "git://ai/parts-forecast"},
"data_sources": [{"name": "작업지시 이력", "quality_check": "2026-11-01", "completeness": 0.98}],
"test": {"eval_set": "parts-eval-200", "runs": 5, "pass_rule": "수치 인용 오류 0건, 정답 일치 90% 이상", "last_run": "2026-11-10"},
"status": "production",
"review_due": "2027-02-10"
}
빠짐없이 모으려면 신고만 받지 말고 찾아냅니다. 부서 신고만으로는 목록이 비기 쉽습니다. 클라우드 계정의 모델 API 호출 기록, 발급된 API 키, SaaS 구매 내역을 스캔해 후보를 만들고 앱 주인에게 카드를 채우게 합니다. 그다음 모든 모델 호출이 사내 LLM 게이트웨이를 거치게 하고 요청 헤더에 app_id가 없으면 막습니다. 이렇게 하면 플랫폼 밖에서 새 AI가 생기지 않고 앱별 사용량과 비용도 함께 쌓입니다. 헤더 값은 위조할 수 있으니, 게이트웨이가 앱 카드마다 전용 키를 발급하고 키로 app_id를 확인합니다. 목적과 데이터 출처가 같은 앱 카드가 둘 이상이면 통합 후보로 표시하고 사용량이 적은 쪽을 심의에서 폐기하거나 합칩니다. 카드가 낡는 것도 막아야 합니다. review_due가 지난 카드는 매주 책임자에게 알림을 보내고 30일을 넘기면 상태를 suspended로 바꿉니다.
시험 기록은 한 번 돌린 결과로 끝내지 않습니다. 같은 평가 세트(예: 200문항)를 temperature 0으로 3~5회 돌려 평균과 편차를 함께 남깁니다. 편차가 5%p를 넘으면 통과로 보지 않습니다. 모델 버전, 프롬프트, 데이터 출처 중 하나가 바뀌면 카드 상태를 retest_required로 돌리고 재시험 결과가 붙을 때까지 risk_tier가 높은 앱은 이전 버전을 씁니다. 평가 세트는 현업이 정답을 적은 사례 20건 이상, 과거에 틀렸던 사례, 답하면 안 되는 질문(범위 밖, 데이터 기준 미달)을 섞어 만들고 세트 버전을 카드에 적습니다. 채점은 정답 대조가 가능한 문항은 규칙으로 하고 서술형만 LLM 채점을 쓰되 사람 채점 30건과 일치율을 먼저 확인합니다.
데이터 품질 메커니즘은 데이터 계약으로 돌립니다. 안전과 이어지는 결정에 쓰는 테이블마다 최신성(예: 24시간 이내), 완전성(필수 필드 98% 이상), 출처 시스템을 적은 계약을 두고 매일 검사 결과를 앱 카드의 data_sources에 붙입니다. 계약을 어기면 그 데이터를 쓰는 앱 카드에 경고가 뜨고 정비 결정용 앱은 답변에 “데이터 기준 미달” 표시를 붙입니다.
LLM을 검증된 ML 모델에 연결하려면 모델을 도구로 노출합니다. 예측 모델을 함수 호출(또는 MCP 도구) 하나로 감쌉니다. 입력은 part_no, shop, horizon_weeks이고 출력은 p50, p90, model_version, trained_until, backtest_mape 같은 짧은 구조화 값입니다. LLM은 원시 작업지시 표를 보지 않고 이 결과만 받아 설명합니다. 가장 흔한 실패는 LLM이 숫자를 지어내거나 반올림을 바꾸는 경우입니다. 답변 안의 숫자가 도구 출력 값과 일치하는지 검증기로 대조하고 어긋나면 답을 다시 만들게 합니다. 검증기는 답변에서 숫자를 모두 뽑아 그날 호출한 도구 출력 값 목록과 대조합니다. 허용 오차는 0으로 두되 단위 변환과 반올림 자리수만 규칙으로 허용하고 2회 연속 어긋나면 숫자 없이 모델 결과 표를 그대로 보여 주는 쪽으로 물러납니다. 도구 호출이 실패하거나 trained_until이 90일보다 오래되면 LLM은 추정치를 만들지 않고 그 사실을 알립니다.
FLIGHT DECK 같은 개선 도구에 AI를 넣을 때는 도구 안에서 결과만 보여 줍니다. 예를 들어 문제 해결 양식을 열면 관련 예측 모델 결과와 과거 비슷한 개선 사례 3건을 옆에 띄우고 원인 가설 초안은 AI가 쓰되 확정은 담당자가 합니다(가상 예시). 이 기능도 앱 카드 하나로 플랫폼에 등록합니다.
물리 설계 쪽은 시뮬레이션 결과를 모델이 읽을 수 있게 바꾸는 데서 시작합니다. 해석 결과 파일을 최대 응력, 안전 여유, 경계 조건 같은 구조화 요약으로 바꿔 쌓아 두면, 이후 CAD를 이해하는 에이전트가 나왔을 때 바로 근거 데이터로 쓸 수 있습니다(가상 예시).
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 인터뷰의 우선순위를 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| CDAO 또는 AX 추진 리더 | 플랫폼 소유, 등록 기준과 심의 일정 결정 |
| 앱 업무 책임자 | 앱 카드 작성 승인, 사용 범위와 사용자 결정 |
| 데이터 과학·엔지니어링 리드 | 시험 기록 작성, 예측 모델 도구화, 게이트웨이 연결 |
| 데이터 오너 | 안전 관련 데이터 계약 작성, 품질 검사 결과 확인 |
| 품질·안전 담당 | risk_tier 판정, 안전 관련 앱의 재시험 승인 |
| 정보보안·법무 | 외부 모델 사용 조건, 데이터 반출 기준 확인 |
| 린 개선 조직(FLIGHT DECK 같은 체계) | AI를 넣을 개선 도구 선정, 현장 교육 |
준비물. 클라우드 계정과 API 키 목록, SaaS 구매 내역, 부서별 AI 사용 설문, 앱 카드 양식, 위험 등급 기준표(안전 관련 / 품질 관련 / 일반), 공통 평가 세트 양식이 필요합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주 | 계정·키·구매 내역 스캔, 부서 설문 | AI 앱 후보 목록 |
| 2주 | 앱마다 업무·기술 책임자 지정, 위험 등급 판정, 중복 앱 표시 | 앱 카드 초안, 통합 후보 목록 |
| 3주 | 안전 관련 앱부터 평가 세트 3~5회 실행, 데이터 계약 작성 | 시험 기록, 데이터 계약 |
| 4주 | 게이트웨이에서 미등록 호출 차단 시작일 공지, 첫 심의 회의(CDAO 주재, 품질·안전·보안 참석, 이후 격주) | 등록부 1판, 통합·폐기 결정 목록 |
앱 책임자에게 물을 것.
- 이 AI의 결과로 누가 어떤 결정을 내리나요? 그 결정이 틀리면 무슨 일이 생기나요?
- 어떤 모델과 프롬프트 버전을 쓰나요? 마지막으로 바꾼 날은 언제인가요?
- 어떤 데이터에서 답을 만들고 그 데이터는 누가 관리하나요?
- 지금 쓰는 시험 문항이나 정답지가 있나요? 없다면 현업이 정답을 줄 수 있는 사례 20개를 고를 수 있나요?
- 같은 일을 하는 다른 AI 도구가 사내에 있나요?
진행 판정 기준(예시). 4주차 말에 운영 중인 앱의 100%가 업무 책임자 이름을 갖고 안전 관련 앱의 100%가 최근 90일 안의 시험 기록을 가지면 2단계(예측 모델 도구화)로 넘어갑니다. 게이트웨이 로그에서 미등록 호출이 전체의 5% 아래로 떨어지지 않으면 차단 시작일을 미루지 않고 앱 주인을 따로 만납니다.
AX 적용 제언. 사업부마다 AI 도구가 하나둘 생긴 제조·소재·제약 기업이라면, 다음 사용 사례를 고르기 전에 이 등록부부터 만드는 편이 낫습니다. 시작점은 정비, 품질, 설계 승인처럼 안전과 품질에 닿는 업무의 앱입니다. 경영진 보고는 “AI 앱 수”보다 “책임자가 있는 앱 비율”과 “최근 90일 안에 시험한 앱 비율”로 하면 통제 수준이 보입니다. 이미 수요 예측이나 설비 예지 정비 모델이 있는 회사라면, 챗봇을 새로 만들기보다 그 모델을 LLM 도구로 노출하는 쪽이 빠르고 숫자도 믿을 만합니다. 린, 식스시그마 같은 개선 활동이 자리 잡은 회사는 AI를 별도 과제로 띄우지 말고 그 활동의 양식과 도구 안에 넣어야 현장이 씁니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | 「Anton Groom, GE Aerospace’s New Chief Data and AI Officer, Is Looking for a Few Good Problems to Solve」, GE Aerospace News, Chris Norris, 2026.11.17 (Q&A 인터뷰) |
| 인물 | Anton Groom, GE Aerospace 첫 최고데이터·AI책임자. 이전 Walmart 디지털 전환(2014년부터), Merck AI 기반 자동화(2022년부터) |
| 첫 과제 | 배포된 모든 AI를 투명한 플랫폼 하나로 관리. AI마다 만든 방법, 시험 방법, 책임자 표시. AI 환경 통합(plumbing) |
| 데이터 관점 | 제약과 항공 모두 엄격한 안전 기준. “Data quality equates to safety of the product.” |
| 현재 성과 | 생성형 AI 설계 앱, 품질 검사 자동화, AI 블레이드 검사 도구, 영업 고객 응대 도구(수치 없음) |
| FLIGHT DECK | AI가 문제 해결을 키움. FLIGHT DECK 도구에 AI 기능 추가 예정. 영업·정비 수요 예측 모델 보유 |
| LLM 설계 권고 | 원시 데이터 대신 검증된 ML 모델을 가리키게 해 간결한 결과를 받게 함 |
| 다음 기회 | CAD를 이해하는 에이전트, 모델이 해석하는 물리 시뮬레이션. GE의 제조·과학 경험 활용 |
| 사람 | 직원이 AI를 직접 써 보며 한계를 익히고 실패도 학습으로 수용 |
| 수치 | 원문에 성과 수치 없음 |
핵심 개념
- CDAO (Chief Data and AI Officer)
- 회사 전체의 데이터 기반과 AI 활용을 함께 책임지는 임원입니다. Groom은 GE Aerospace에서 이 자리를 처음 맡았습니다.
- FLIGHT DECK
- GE Aerospace가 쓰는 린 방식의 운영·문제 해결 체계입니다.
- Plumbing
- 눈에 띄지 않지만 먼저 깔아야 하는 기반 작업을 배관에 빗댄 말입니다. 여기서는 흩어진 AI를 한 플랫폼으로 모으는 일을 가리킵니다.
- Frontier AI lab
- 가장 앞선 범용 AI 모델을 만드는 연구 조직을 뜻합니다.
- CAD (Computer-Aided Design)
- 부품과 제품의 형상을 컴퓨터로 설계하는 도구와 그 도면입니다.
내 메모
TODO: 내 생각 추가
원문은 GE Aerospace News에 실린 Chris Norris의 Q&A 인터뷰 「Anton Groom, GE Aerospace’s New Chief Data and AI Officer, Is Looking for a Few Good Problems to Solve」(2026.11.17)입니다. 이 노트는 편집 데스크가 고른 Rallies.ai 요약 기사(Publicnow 인용, 「GE Aerospace prioritizes single platform to manage AI, data chief says」, 2026.11.17)에서 출발했고 그 요약이 가리킨 GE Aerospace 원문 인터뷰를 1차 자료로 읽었습니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 인터뷰에 나온 내용을 AX Partners가 다시 정리했습니다. 기술·현업 디테일의 필드명, JSON 예시, 설정값, 일정, 판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성한 것이며 GE Aerospace가 밝힌 구성이 아닙니다. 전체 내용은 원문에서 볼 수 있습니다.