제조 현장 속 '제너럴 AI' 한계 돌파한다…아티큘레이트, 특화형 공급망 AI 공개

제너럴 AI가 기업 실무에 빠르게 도입되고 있지만, 실제 산업 현장에서는 오히려 한계를 드러내고 있다. 특히 제조와 공급망처럼 복잡한 작업 환경에서는 정형화된 절차와 높은 정확성이 더욱 중요하게 작용하며, 일반적인 AI 모델만으로는 그 기대치를 만족시키기 어렵다. 이런 한계를 극복하기 위해 AI 스타트업 아티큘레이트(Articul8)가 새로운 해법을 제시하며 업계의 주목을 받고 있다.

아티큘레이트는 최근 제조업 공급망을 위한 특화 AI 모델 ‘A8-SupplyChain’을 공개했다. 이 모델은 해당 산업의 절차 기반 작업 흐름을 이해하고 예측하는 능력에 중점을 두었으며, 정확도 92%라는 성과를 기록했다. 아울러 ‘모델메시(ModelMesh)’라는 AI 결정을 실시간으로 조율하는 동적 오케스트레이션 계층도 함께 도입돼, 상황에 맞춰 어떤 AI 모델을 쓸지 스스로 판단하고 조정하는 구조를 갖춘 것이 특징이다.

이 기술의 기반은 인텔(Intel) 내부 팀에서 개발된 멀티모달 AI 아키텍처다. 아티큘레이트는 인텔 내부 프로젝트에서 분사돼 2024년 독립 법인으로 출범했으며, 초기에는 보스턴컨설팅그룹(BCG) 같은 고객을 위한 맞춤형 모델을 구축해왔다. 설립자 아룬 수브라마니언(Arun Subramaniyan)에 따르면, 이 회사는 "단일 모델로는 규제가 엄격한 산업의 복잡한 요구를 해결할 수 없다"는 관점을 바탕으로 다수의 특화 모델을 병행 운용하는 전략을 취하고 있다.

공급망이라는 환경은 순차적 단계들 간의 논리적 상호 의존성이 높은 만큼, 일반 AI가 잘 대응하지 못하는 영역이다. 예를 들어, 제트 엔진 조립처럼 수천 단계를 포함한 작업 매뉴얼을 제대로 해석하고 오류 발생 지점을 추적하려면 시계열적이고 복잡한 추론 방식이 필요하다. 현재 통용되는 검색 기반 보완(RAG) 기술로는 이러한 복잡성을 온전히 다루기 어렵다는 설명이다.

모델메시가 기존 오케스트레이션 프레임워크와 구별되는 점은 바로 ‘지능 계층’을 중심에 둔다는 점이다. 기존 LangChain이나 LlamaIndex 같은 도구는 정형화된 워크플로우를 따르지만, 모델메시는 베이지안 추론과 특수 언어 모델을 조합해 상황 변화에 따라 실시간 판단과 조절이 가능한 아키텍처다. 덕분에 산업용 업무 전반을 스스로 사고하고 수행하는 이른바 ‘에이전틱(Agentic)’ 시스템 구현이 가능하다는 것이 회사 측 설명이다.

모델의 학습 구조도 독창적이다. 아티큘레이트는 단순히 데이터를 검색해오는 방식이 아니라, 공급망에서 생성되는 텍스트, 표, 이미지, 영상 등을 조각 단위로 분석하고 이런 요소를 다양한 모델로 설명한다. 이를 통해 일반 RAG 기반 접근보다 훨씬 정교한 산업 이해가 가능해진다는 것이다. 특히 복잡한 작업을 위한 피드백 루프 방식과 도메인 전문가의 정제 과정이 포함돼, 실제 업무 흐름에 가까운 형태로 모델이 진화한다.

현재 아티큘레이트는 일본 이토추 테크노솔루션, 인텔, 액센추어 등 다양한 기업과 협업 관계를 맺고 있다. 인텔에서는 이 기술을 반도체 제조 설비의 고장 원인 분석과 해결을 도와주는 ‘제조 인시던트 어시스턴트’ 프로젝트에 적용 중이다. 인텔의 AI 부문 부사장 스리니바스 링감(Srinivas Lingam)은 “범용 AI는 반도체 환경에서 쓰이는 전문 용어나 장비 로그 분석에서는 한계를 드러냈다”며 “아티큘레이트 플랫폼은 고장 원인 분석은 물론 작업 지시서 생성의 일부도 자동화할 수 있는 수준”이라고 전했다.

이러한 사례는 제너럴 AI 모델에 의존해 제조 및 산업 환경에서 AI를 구현하려는 기존 기업 전략에 경각심을 주고 있다. 복잡한 공정 관리와 실시간 의사결정이 중요한 환경일수록 도메인 특화 방식이 성과와 비용 측면에서 효율적이라는 해석이 가능하다. 실제로 AI 활용이 연구 단계를 넘어 실제 생산 환경으로 넘어가고 있는 흐름 속에서, 기업들은 이러한 특화 접근을 통해 보다 빠르고 직접적인 투자 수익을 경험할 수 있을 것으로 보인다.