모델의 성능 차이가 좁혀지면, 웨이스는 5년 뒤 제조 AI 기업에 남는 가치를 공장의 판단 기록으로 봅니다

제조 AI 운영체제 VEXPLOR를 만드는 웨이스는 5년 뒤 제조 AI 기업의 값을 모델이나 개발 인력이 정하기는 어렵다고 봅니다. 상위 모델의 성능은 서로 가까워졌습니다. 웨이스는 코드를 쓰고 고치는 일의 값도 내려간다고 봅니다. 그래서 웨이스는 공장의 판단 기록을 봅니다.

다만 데이터가 많다고 가치가 되지는 않습니다. 웨이스가 남는다고 보는 것은 현장에서 어떤 판단을 왜 내렸고 결과가 어땠는지 함께 남은 기록, 그리고 고객과 합의한 범위에서 그 기록으로 학습한 모델입니다. 5년 뒤를 확인할 자료는 없으니 이 전망은 웨이스의 판단입니다. 아래에서 근거와 판단을 나눠 적습니다.

상위 모델의 성능 차이는 이미 좁아졌습니다

Stanford AI Index 2026은 상위 모델의 성능이 수렴하고 있다고 적었습니다. 2026년 3월 Arena 점수는 Anthropic 1,503, xAI 1,495, Google 1,494, OpenAI 1,481로, 네 회사가 25점 안에 모여 있습니다.

이 점수는 사람의 투표로 매긴 일반 지표이고, 같은 보고서는 플랫폼에 맞춘 조정이 순위에 섞일 수 있다는 경고도 적었습니다. 공장에서 판단을 얼마나 잘하는지 측정한 값도 아닙니다. 그래도 웨이스는 어떤 모델을 쓰느냐만으로 제조 AI 회사가 오래 앞서기는 어렵다고 봅니다. 경쟁사도 같은 모델을 살 수 있고, 다음 모델이 나오면 격차는 다시 움직입니다.

웨이스는 사람 수로 매출을 내는 일의 값이 내려간다고 봅니다

고객마다 프로젝트를 열어 만드는 사업의 매출은 투입 인력과 단가와 시간의 곱입니다. 이 구조가 왜 일정 규모에서 막히는지는 지난 글에 적었습니다. 여기에 AI 생산성 기대가 단가에 압력을 준다는 공시도 나옵니다.

세계적인 IT 서비스 기업 Wipro는 2026 회계연도 연차보고서에서 기술 발전이 기존 서비스 일부의 수요를 줄이거나 대체할 수 있다고 적었습니다. 경쟁과 AI 생산성 기대에서 오는 가격 압력도 함께 적었습니다. 제조 AI 회사의 통계는 아니고, 웨이스는 이를 사람 수로 값을 받는 사업이 받는 압력으로 읽습니다.

반대 근거도 있습니다. 같은 보고서가 인용한 NASSCOM은 AI가 운영 방식과 인력 요건을 바꾸고 있지만 광범위한 대체를 일으키지는 않는다고 적었습니다. 자문사 UpperEdge는 ERP 사업에서 노력이 40~50% 줄어든다는 분석가 예측과 달리, 실제 사업에서 AI 도구로 얻은 생산성 향상은 그 예측의 절반에도 못 미친다고 봅니다. 표본을 공개한 조사는 아니지만, 생산성 향상이 말만큼 빠르지 않다는 신호입니다.

그래서 웨이스는 「SI가 곧 사라진다」고 말하지 않습니다. 다만 5년을 놓고 보면 코드 작성과 화면 구성, 반복되는 연동의 값은 내려가고, 현장과 대조해 확인하고 결과에 책임지는 일이 남는다고 봅니다. 웨이스가 제품을 다시 작성하며 겪은 일도 같았습니다. 코드를 쓰는 일보다 적힌 규칙이 맞는지 가려내는 일이 훨씬 어려웠습니다.

웨이스는 데이터가 많은 회사가 이긴다는 말을 그대로 믿지 않습니다

모델과 개발의 값이 내려가면 답은 데이터라는 말이 나옵니다. 웨이스도 그 방향으로 보지만, 양만으로는 부족합니다. a16z는 2019년 글에서 데이터가 많다는 것만으로는 일반적으로 네트워크 효과가 생기지 않는다고 적었습니다. 고객지원 챗봇 사례에서는 어느 지점을 넘으면 데이터의 추가 가치는 줄고 수집과 정리 비용은 커졌습니다. 공장 사례는 아니고 분야마다 다르다는 단서도 있지만, 쌓아 두면 해결된다는 생각을 다시 보게 합니다.

공장 쪽에서도 비슷한 말이 나옵니다. 슈나이더 일렉트릭의 닐 스미스 소비재 부문 사장은 IIoT World 인터뷰에서 대부분의 제조기업은 데이터가 부족하지 않고, 흩어진 데이터를 연결하는 부분이 빠져 있다고 말했습니다. 같은 인터뷰에서 그가 전한 자사 소비재 제조 조사에서는 36.3%가 맥락이 붙은 운영 데이터의 부족을 도입 장애로 꼽았습니다. 이 시장에서 제품을 파는 회사의 말이고 조사 원문과 표본은 확인하지 못했으니 그 점을 감안해 읽어야 합니다.

같은 인터뷰의 예시가 차이를 잘 보여 줍니다. 진동이 튄 것만 보는 모델은 경보를 울립니다. 어떤 제품을 만드는 중이고 라인 속도와 보전 이력이 어떤지까지 아는 모델은 진짜 고장과 정상 변동을 가릴 수 있습니다. 같은 진동값도 무엇과 묶여 남았느냐에 따라 쓰임이 달라집니다.

이 표는 조사값이 아니라 웨이스의 정리입니다. 웨이스가 값이 남는다고 보는 것은 셋째 줄입니다. 납기가 밀릴 때 어느 주문을 먼저 넣었는지, 왜 그렇게 정했는지, 그 결과 무엇이 달라졌는지가 함께 남아야 합니다. 웨이스는 이 기록이 시간이 지나야 쌓이고, 나중에 사서 메우기도 어렵다고 봅니다.

공장 기록의 권리는 법과 계약으로 정해집니다

공장 기록은 제조 AI 회사가 혼자 갖는 자산이 아닙니다. 「산업 디지털 전환 및 인공지능 활용 촉진법」 제9조는 산업데이터를 생성한 자에게 사용·수익할 권리를 줍니다. 제3자에게 제공된 경우 생성한 자와 제3자 모두 그 권리를 가지되, 당사자 간 약정이 있으면 약정을 따릅니다. 합리적인 이유 없이 지위를 이용해 불공정한 계약을 강요해서도 안 됩니다.

여기서 전략이 달라집니다. 웨이스는 기록을 많이 모으는 일보다 무엇을 어떤 목적으로 학습할지 고객과 계약에 적는 일이 먼저라고 봅니다. 고객이 동의할 이유도 있어야 합니다. 웨이스는 그 기록으로 고객 공장의 판단이 먼저 나아져야 합의가 나온다고 봅니다. 계약 문구는 공장과 업종마다 따져 봐야 합니다.

웨이스는 제조 AI 회사가 오래 가져갈 수 있는 것을 3가지로 봅니다. 직접 만든 시험 데이터, 고객과 계약으로 합의한 범위에서 학습한 모델과 규칙, 그리고 기록이 쌓이도록 만든 제품입니다.

웨이스는 제조 AI 업계에 3가지 구조 때문에 판단 기록이 잘 쌓이지 않는다고 봅니다

판단 기록에 값이 남는다면 왜 아직 널리 쌓이지 않았을까요. 조사값이 아니라 웨이스의 판단이지만, 웨이스는 그 이유를 개별 회사의 실력보다 업계의 구조에서 찾습니다.

첫째, 건별 납품 구조입니다. 웨이스는 프로젝트로 받는 사업의 매출이 대부분 납품까지에서 나오므로, 유지보수 계약이 있어도 공급사가 납품 뒤 공장에 쌓이는 기록을 볼 이유가 약하다고 봅니다. 자문사 UpperEdge의 ERP 시장 글을 보면, 계약 논의에서 다루는 것도 줄어든 공수의 이득을 누가 가져가느냐입니다. UpperEdge에 따르면 Accenture는 일감의 약 60%가 고정가이고 지난 3년 동안 약 10%포인트 늘었다고 밝혔습니다. UpperEdge는 이 전환을 AI로 줄어든 공수의 이득을 고객에게 돌리지 않고 SI가 가져가는 방식으로 읽습니다. ERP 사업을 두고 한 자문사의 견해이고, 납품 뒤 기록을 다룬 글은 아닙니다.

둘째, 기록이 시스템마다 갇히는 구조입니다. 앞서 인용한 닐 스미스 부문 사장은 공장 데이터가 흩어져 있고, 독자 규격의 오래된 시스템에 갇혀 있는 경우가 많다고 말했습니다. 웨이스는 시스템이 나뉘어 있으면 판단은 전화와 메신저에 남고 결과는 다른 시스템에 남는다고 봅니다. 이렇게 시스템이 갈라진 길을 제조 AI가 다시 밟고 있다는 이야기는 지난 글에 적었습니다.

셋째, 기록의 권리를 정하지 않고 시작하기 쉬운 구조입니다. 닐 스미스 부문 사장은 같은 인터뷰에서 데이터를 공유할 때 설비 제조사와 공장 운영사 사이의 가장 큰 장벽은 신뢰라고 말했습니다. 운영사는 전문성의 도움을 받으면서도 자기 운영 데이터의 통제권은 잃고 싶어 하지 않는다는 것입니다. 앞서 본 제9조는 약정이 없으면 생성한 쪽과 제공받은 쪽 모두에게 권리를 줍니다. 웨이스는 그래도 약정 없이 시작하면 공장은 기록을 내주기 어렵고, 받은 기록을 어디까지 학습에 써도 되는지를 두고 다툴 여지가 남는다고 봅니다.

웨이스는 이 3가지가 모델 성능이 올라가도 저절로 풀리지 않는다고 봅니다. 그래서 웨이스는 기술보다 사업 구조를 먼저 바꾸려고 합니다.

웨이스는 판단과 결과가 쌓이는 제품을 먼저 만들려고 합니다

웨이스가 향하는 곳은 공장의 판단과 결과가 한 제품 안에 함께 쌓이고, 고객과 합의한 범위에서 그 기록으로 모델을 학습하는 구조입니다.

VEXPLOR Logic Studio Cloud는 21개 산업 솔루션에 물리 테이블 1,539개, 화면 1,766개를 갖췄고, 품목 마스터 하나가 15개 솔루션을 관통합니다. 그래서 같은 번호와 시각으로 기록이 묶이는 것은 구조로 보장됩니다. 시스템이 갈라지는 문제를 제품 구조에서 줄이는 방향입니다. 기록이 묶였다고 값이 맞는 것은 아닙니다. 어느 제품이든 시각은 일이 일어난 때와 입력한 때를 나눠 두어야 믿을 수 있고, 맞는 값인지는 설비 카운터나 검사 결과와 대조해야 합니다.

웨이스가 먼저 만들 것은 3가지입니다.

• 이유가 남는 기록 — 상태가 바뀌는 순간에 사유 코드와 서술을 붙이고, 사람의 결정과 AI의 근거를 한 건의 결정으로 묶습니다.

• 학습 범위 계약 — 무엇을 어떤 목적으로 학습할지 계약에 적습니다.

• 직접 만드는 시험 데이터 — 시뮬레이션과 개발 중인 PLC 트윈 실험으로 고객 기록 없이도 판단을 시험합니다. 지금까지 기술 보고서 8편을 공개했습니다.

그다음은 기록의 품질을 확인하는 일입니다. 드롭다운 첫 값이 사유의 90%를 차지하면 기록은 있어도 정보는 없습니다. 사유 코드 분포를 상시 지표로 보면서 고객과 합의한 범위의 학습을 시작합니다.

웨이스는 구축을 계속하되 그 결과를 재사용되는 표준으로 남기는 쪽으로 갑니다.

웨이스는 모델을 살 수 있고 코드의 값도 내려간다면, 고객과 합의한 범위에서 판단과 결과가 쌓이는 구조를 먼저 만든 회사가 5년 뒤에 남는다고 봅니다.

웨이스가 하는 일이 궁금하시면: wace.me

WACE(웨이스)는 공장이 스스로 판단하고 멈추지 않게 하는 제조 AI 운영체제 VEXPLOR를 만드는 회사다.

함께 읽어보세요

• 제조 AI 회사들은 왜 매출 100억에서 멈출까

• SAP는 50년 노하우를 ERP의 경쟁력으로 내세우지만, 웨이스는 그 노하우의 값이 검증과 공장의 기록에서 나온다고 봅니다

• ERP·MES·WMS가 서로 연결되지 않게 된 길을, 제조 AI는 왜 다시 밟고 있는가