한국 버티컬 AI의 승부처는 데이터가 아니라 폐루프입니다

파운데이션 모델의 성능이 올라갈수록 버티컬 AI 기업의 해자는 모델에서 멀어집니다. 최신 모델을 고르고 프롬프트와 도구 호출을 최적화하는 능력은 여전히 필요하지만, 그것만으로는 제품의 독점성을 설명하기 어려워졌습니다. 모델 공급자가 같은 기능을 API와 클라우드 안에 더 빠르게 넣기 때문입니다.

그렇다고 답이 단순히 "도메인 데이터"인 것도 아닙니다. 기업이 보유한 문서와 로그가 많아도 AI가 그것을 읽고 추천만 한다면 다음 모델의 긴 컨텍스트와 검색 기능에 흡수될 수 있습니다. 고객 데이터는 대개 고객 소유이고, 스타트업이 다른 고객에게 재사용할 수도 없습니다.

버티컬 AI의 더 강한 해자는 폐루프(closed loop)에 있습니다. 현장을 관측하고, 판단을 만들고, 실제 업무를 바꾸며, 그 결과를 다시 정답으로 회수하는 구조입니다.

현장 해자 = 관측권 × 판단력 × 실행권 × 결과 회수권

어느 한 요소라도 빠지면 루프는 끊깁니다. 데이터만 있고 실행권이 없으면 분석 도구에 머뭅니다. 실행은 하지만 결과를 회수하지 못하면 성능이 쌓이지 않습니다. 결과까지 얻어도 고객마다 처음부터 다시 구축한다면 제품이 아니라 프로젝트입니다.

버티컬 AI의 핵심 지표는 폐루프 길이입니다

폐루프 길이는 AI가 판단을 내린 시점부터 실제 결과가 정답 데이터로 돌아올 때까지 걸리는 시간입니다. 이 시간이 짧고, 반복 횟수가 많고, 스타트업이 합법적으로 학습에 활용할수록 사업의 학습 속도가 빨라집니다.

코딩 에이전트는 코드를 작성한 직후 컴파일·테스트 결과를 받습니다. 루프가 초·분 단위입니다. 제조 검사 AI는 제품의 합격·불합격, 재작업과 수율이 수시간 또는 수일 안에 돌아옵니다. 보험 청구 자동화는 심사와 삭감 결과가 수일에서 수주 뒤에 옵니다. 신약개발은 임상 결과까지 수년이 걸립니다. 같은 모델을 써도 사업의 학습 속도가 전혀 다른 이유입니다.

폐루프는 자동화 수준과도 다릅니다. 사람이 최종 승인하더라도 추천과 결과가 연결되면 루프는 닫힐 수 있습니다. 초기에는 사람이 승인하고, 오류가 낮아진 일부 업무만 자동 실행하며, 위험도가 높은 결정은 계속 사람에게 남기는 방식이 현실적입니다. 핵심은 무인화가 아니라 판단과 결과의 인과관계를 추적할 수 있는가입니다.

한국은 자동화와 미디지털화가 공존하는 시험장입니다

한국 산업의 흥미로운 점은 자동화 수준이 매우 높은 현장과 아직 데이터 기반이 없는 현장이 가까이 공존한다는 것입니다.

국제로봇연맹의 2024년 통계에서 한국은 제조업 종사자 1만 명당 산업용 로봇 1,220대로 세계에서 로봇 밀도가 가장 높은 국가입니다. 반도체는 정부 성과계획 기준 2024년 한국 수출의 20.8퍼센트를 차지했고, 제조업 설비투자의 약 45퍼센트가 집중됐습니다(산업통상자원부 성과계획서). 조선업은 2025년 1,196만 CGT를 수주하고 318억 2천만 달러를 수출했습니다(e-나라지표).

반대편에는 긴 미디지털화 구간이 있습니다. 2024년 스마트제조혁신 실태조사에 따르면 공장을 보유한 중소·중견기업 16만 3,273곳 중 스마트공장 도입률은 19.5퍼센트였고, 도입 공장의 75.5퍼센트는 기초 단계였습니다. 제조 AI 도입률은 0.1퍼센트였습니다.

이 간극은 단순히 큰 시장이 남아 있다는 뜻이 아닙니다. 센서 설치, 데이터 정합, 장비 연결과 현장 표준화부터 해야 하므로 소프트웨어 기업의 원가가 높다는 뜻이기도 합니다. 동시에 제대로 연결한 기업에는 희소한 장점이 생깁니다. 대형 제조사의 고도화된 공정에서 목표 수준을 배우고, 중소 현장에서 제품의 설치·운영 비용을 낮추며, 수출 제조업의 공급망을 따라 해외로 나갈 수 있습니다.

한국의 구조적 우위는 모델 연구의 규모보다 산업 폐루프를 가까운 거리에서 많이 돌릴 수 있는 환경에 있습니다. 이 장점을 실제 기업 가치로 바꾸려면 어느 산업의 루프가 짧고 반복 가능하며 해외에서도 재현되는지 구분해야 합니다.

산업 AI는 추천보다 실행 결과를 소유해야 합니다

제조 불량 검사는 폐루프가 가장 명확한 영역입니다. 카메라 영상에서 결함을 찾는 것으로 끝나지 않고, 제품의 격리·재작업·폐기와 공정조건 변경까지 연결하면 수율과 오탐 비용이 정답으로 돌아옵니다. 모델 성능은 이 결과로 매일 갱신됩니다. 진입장벽은 비전 모델보다 조명·카메라·제품 변형을 통제하고 MES의 실제 작업 흐름에 들어가는 능력입니다.

반도체 장비에서는 알람과 정비 기록, 교체 부품, 다운타임과 수율이 루프를 만듭니다. 핵심 공정의 자동 제어부터 시작하면 검증과 책임의 문턱이 너무 높습니다. 장비 알람의 원인 추적, 현장 서비스 엔지니어의 조치 추천, 예방정비처럼 사람이 이미 책임지는 업무에서 시작해 실제 조치와 고장 재발 여부를 회수하는 편이 현실적입니다. 고객 수가 적고 검증 주기가 긴 만큼, 한 번 들어가면 깊어질 수 있지만 고객별 로그 코드에 묶일 위험도 큽니다.

조선과 방산의 엔지니어링 AI도 문서 검색만으로는 약합니다. 요구사항과 도면, 부품표, 시험 기록과 인증 문서를 연결해 설계 변경이 자재·공정·납기·안전에 미치는 영향을 계산해야 합니다. 변경안이 승인됐는지, 실제 비용과 납기가 어떻게 달라졌는지가 다시 정답이 됩니다. PLM·CAD·형상관리 시스템의 실행 흐름에 들어가지 못한 챗봇은 다음 모델로 쉽게 교체될 수 있습니다.

세 분야의 공통점은 모델이 인터넷에서 배울 수 없는 정답이 많다는 것입니다. 그러나 그 사실만으로 좋은 소프트웨어 사업이 되지는 않습니다. 공장과 장비마다 데이터 구조가 달라 고객이 늘 때마다 엔지니어도 같은 비율로 늘어날 수 있습니다. 산업 지식의 희소성과 SaaS 경제성은 별개의 문제입니다.

제품성을 가르는 지표는 두 번째 현장입니다. 첫 공장에 6개월이 걸렸다면 두 번째는 3개월, 다섯 번째는 몇 주로 줄어야 합니다. 결함 분류 체계, 장비 온톨로지, 표준 커넥터, 평가셋과 설치 절차가 재사용돼야 합니다. 줄지 않는다면 경험은 쌓여도 소프트웨어 자산은 쌓이지 않은 것입니다.

병원과 건설은 결과가 분명하지만 국경을 넘기 어렵습니다

규제 산업에도 좋은 폐루프가 있습니다. 병원 청구 업무는 진료기록과 코드에서 청구안을 만들고, 심사 결과와 삭감 사유를 받아 다음 청구를 개선합니다. 진단보다 결과가 빨리 돌아오고 비용 절감이 직접적입니다. 한국에서는 의료기관의 급여 청구를 건강보험심사평가원이 심사하는 중앙화된 구조가 이 루프의 기반입니다(HIRA 공개데이터 설명).

다만 같은 제품이 미국으로 그대로 가지는 않습니다. 미국은 다수 보험자의 서비스 전 사전승인 규칙과 FHIR·X12 연결을 다뤄야 합니다. CMS 대상 보험자는 2027년부터 Prior Authorization API와 단축된 응답기한을 적용해야 합니다. 양국 모두 문서와 거절을 다루지만 구매자, 데이터, 규칙과 업무 시점이 다릅니다. 국내에서 닫힌 루프가 해외에서는 다시 열릴 수 있습니다.

착공 전 건설 업무도 비슷합니다. 도면과 BIM에서 물량과 견적을 만들고, 입찰 결과와 실제 원가를 회수하면 강한 학습 루프가 생깁니다. 국토교통부는 BIM을 설계에서 시공의 공정·기성관리까지 연결하는 방향을 제7차 건설기술진흥 기본계획으로 추진하고 있습니다. 2024년 외감 건설기업의 영업이익률이 2.2퍼센트였다는 조사도 있어(대한건설정책연구원), 작은 원가 개선도 의미가 큽니다.

그러나 도면 해석 오류의 책임, 지역별 적산 기준, 계약 관행이 확장을 제한합니다. 생성된 견적을 보여주는 데서 끝나지 않고 실제 발주·변경·원가 결과를 회수해야 하며, 해외에 나갈 때는 현지 기준과 책임 체계를 다시 구축해야 합니다.

규제 준수와 비식별 데이터도 같은 관점으로 볼 수 있습니다. 법령 문서를 요약하는 AI보다 기업의 AI 자산 목록, 모델·데이터 변경, 위험 통제와 감사 결과를 계속 연결하는 시스템이 강합니다. EU AI Act는 범용 AI와 고위험 시스템의 적용 일정이 다르고, 2026년 AI Omnibus로 고위험 규정의 일정도 조정됐습니다(EU 집행위원회). 한국 AI 기본법은 2026년 1월 22일 시행됐습니다(정부 정책브리핑). 규정 변경 자체가 제품의 입력이 되고, 실제 감사와 시정 결과가 정답으로 돌아와야 합니다.

이 시장의 강점은 구매 이유가 분명하다는 것입니다. 약점은 한 국가에서 만든 폐루프가 다른 국가에서 그대로 닫히지 않는다는 점입니다. 국내 규제의 복잡성은 진입장벽이지만 자동으로 수출 해자가 되지는 않습니다.

Physical AI는 데이터 판매보다 배포 루프가 중요합니다

로봇 학습에는 실제 조작 데이터가 부족합니다. 구글 딥마인드는 33개 연구실이 22종 로봇의 데이터를 합쳐 100만 에피소드 규모의 Open X-Embodiment를 만들었습니다. 엔비디아는 적은 인간 시연에서 78만 개 합성 궤적을 만들고, 실제 데이터와 결합했을 때 GR00T N1의 성능이 실제 데이터만 쓴 경우보다 40퍼센트 개선됐다고 밝혔습니다(GR00T N1 발표).

이 흐름은 로봇 데이터의 가치를 보여주는 동시에 단순 데이터 판매의 위험도 보여줍니다. 모델 사업자는 시뮬레이션과 합성 데이터로 실제 데이터 비용을 계속 낮춥니다. 로봇 형태와 센서가 바뀌면 데이터의 재사용성도 떨어집니다.

더 강한 사업은 특정 물류·제조 작업에 로봇을 배포하고, 실패 상황을 수집하고, 원격 개입과 재학습을 거쳐 다시 운영하는 전체 루프를 소유합니다. 이기종 로봇 관제도 대시보드에 머물러서는 약합니다. 작업 할당, 장애 복구, 안전 정책, 모델 업데이트와 현장 KPI를 함께 책임져야 합니다. 온디바이스 추론 역시 칩 최적화 자체보다 지연시간·전력·개인정보 조건 아래 현장 행동의 성공률을 지속적으로 개선할 때 가치가 생깁니다.

한국의 높은 로봇 밀도는 이 루프를 자주 돌릴 수 있는 장점입니다. 다만 세계 최고 수준의 설치 대수가 한국 로봇 소프트웨어의 경쟁력을 자동으로 보장하지는 않습니다. 현장 데이터의 사용권과 해외 장비에 대한 호환성, 두 번째 로봇 형태로의 전이 성능이 함께 증명돼야 합니다.

범용 에이전트 인프라는 플랫폼에 흡수되고 있습니다

기업 컨텍스트와 메모리, 에이전트 평가와 관측, 결제와 신원은 모두 큰 문제입니다. 그러나 이 층에서는 현장보다 플랫폼의 규모가 더 강하게 작동합니다.

구글 클라우드는 에이전트용 세션과 Memory Bank를 기본 구성으로 제공합니다. LangSmith 같은 개발 플랫폼은 오프라인·온라인 평가와 운영 추적을 함께 제공합니다. 범용 저장·검색·트레이싱은 모델사, 클라우드와 기존 APM 제품의 기능으로 빠르게 편입됩니다.

결제와 신원도 카드망이 직접 움직입니다. Visa의 Trusted Agent Protocol은 승인된 에이전트와 결제 수단을 암호학적으로 식별하고, Mastercard의 Agent Pay는 에이전트 토큰과 소비자 동의를 카드망에 연결합니다. 스타트업이 세계 공통 신뢰 레일을 새로 만드는 것보다 판매자 정책, 동의 증거, 분쟁 처리와 여러 네트워크 사이의 실행 흐름을 맡을 가능성이 높습니다.

수평 인프라 기업이 살아남으려면 폐루프를 도메인 쪽으로 끌어와야 합니다. 단순한 에이전트 평가가 아니라 보험 삭감, 제조 불량, 계약 위반처럼 고객이 돈을 잃는 실패를 채점해야 합니다. 단순한 기업 메모리가 아니라 어느 시스템이 정본인지 판단하고 권한 변경과 삭제를 실행해야 합니다. 단순한 결제 API가 아니라 승인 정책과 분쟁 결과를 다음 거래 판단에 반영해야 합니다.

폐루프를 매출로 바꾸는 사업 모델은 하나가 아닙니다

기술적으로 좋은 폐루프를 찾았다고 사업 모델이 자동으로 따라오지는 않습니다. 누가 예산을 갖고 있는지, 고객이 가치를 어떤 단위로 측정하는지, 스타트업이 결과에 얼마나 영향을 미칠 수 있는지를 먼저 정해야 합니다. 좌석 수와 토큰 수는 현장 가치와 거의 맞지 않습니다. 공장장은 좌석이 아니라 연결된 라인과 줄어든 불량에 돈을 내고, 병원은 토큰이 아니라 처리된 청구와 줄어든 삭감에 돈을 냅니다.

실제 물리 운영 소프트웨어도 이 원리를 따릅니다. Samsara는 플랫폼을 자산당·애플리케이션당 구독으로 판매하고, 장치와 연결 서비스를 묶은 초기 계약을 통상 3~5년으로 구성합니다. 최근 두 회계연도 매출의 약 98퍼센트가 구독에서 나왔습니다. Procore는 좌석이 아니라 고객이 플랫폼에 연결한 연간 건설 물량과 추가 제품 사용을 확장축으로 봅니다. C3 AI는 초기 프로덕션 도입 이후 월 기본료와 컴퓨팅 사용량, 전문서비스를 결합합니다(2025년 10-K). 하나의 정답은 없지만, 공통점은 고객의 운영이 커지면 공급자의 매출도 자연스럽게 커지는 단위를 찾았다는 것입니다.

자산·현장 구독. 공장 라인, 장비, 로봇, 차량, 병원 또는 사업장별로 연간 구독료를 받습니다. 제조 검사, 장비 유지보수, 로봇 운영과 엣지 AI에 가장 잘 맞습니다. 장치 설치와 초기 통합은 별도 도입비로 받고, 소프트웨어·지원·업데이트를 반복 구독으로 분리해야 합니다. 고객의 설비가 늘거나 같은 설비에 품질·안전·정비 모듈을 추가하면 매출이 확장됩니다.

업무량 기반 과금. 처리한 청구, 도면, 견적, 검사, 감사 대상 AI 시스템처럼 결과가 분리되는 업무에 건당 요금을 부과합니다. 병원 운영, 착공 전 건설, 규제 준수와 문서 자동화에 적합합니다. API 호출이나 토큰이 아니라 고객이 예산을 배정하는 업무 단위를 써야 가격과 가치가 같은 방향으로 움직입니다.

성과 연동 보수. 줄어든 불량·다운타임·전력비·삭감액처럼 기준선을 합의할 수 있을 때 절감액의 일부를 받습니다. 고객의 도입 장벽을 낮출 수 있지만 단독 사업 모델로 쓰기에는 위험합니다. 생산량, 원재료, 날씨와 현장 인력처럼 AI 밖의 변수가 결과를 흔들고, 기준선과 기여도를 둘러싼 분쟁이 생깁니다. 기본 구독료 위에 상한이 있는 보너스로 붙이는 편이 안정적입니다.

OEM·임베디드 라이선스. 장비 제조사, 로봇 업체, MES·PLM·EMR 공급자에게 모델과 운영 모듈을 라이선스하고 설치 장비나 활성 고객당 로열티를 받습니다. 직접 영업보다 고객당 매출은 작아질 수 있지만, 해외 유통과 설치·지원 비용을 파트너가 담당합니다. 온디바이스 추론과 장비 진단처럼 하드웨어 접점이 중요한 분야에 유리합니다. 다만 OEM이 기능을 내재화할 가능성, 최종 고객 데이터에 접근하지 못해 폐루프가 끊길 가능성을 계약으로 막아야 합니다.

AI 운영대행. 고객이 소프트웨어를 사지 않거나 업무 자체를 외주화하고 싶다면 청구, 검사, 컴플라이언스, 유지보수 계획을 스타트업이 직접 수행하고 건당 또는 월정액을 받습니다. 가장 빠르게 결과 데이터를 얻을 수 있지만 사람의 처리량이 매출과 함께 늘면 고급 BPO가 됩니다. 인간 검수가 예외 처리로 축소되고, 같은 인력이 처리하는 업무량이 계속 늘어나야 기술 기업의 경제성이 생깁니다.

폐루프의 형태	주 구매자	맞는 주 과금 단위	보완 수익
제조·장비·로봇 운영	공장장·생산·설비 책임자	라인·장비·로봇·현장당 구독	도입비 + 성과 보너스
병원 청구·규제 업무	원무·재무·준법 책임자	처리 건·관리 시스템당 요금	회수액·절감액 보너스
건설 견적·물량산출	견적·사업·원가 책임자	프로젝트·연간 공사 물량	모듈 구독 + 도입비
반도체·조선 엔지니어링	장비·품질·설계 책임자	사업장·부서·모듈 라이선스	전문가 지원 + 확장 모듈
온디바이스·엣지 AI	장비 제조사·로봇 OEM	출하 장비·활성 장치당 로열티	유지보수·모델 업데이트
평가·메모리·신뢰 인프라	AI 운영·보안 책임자	관리 워크플로·에이전트당 구독	평가 실행량 + 감사 모듈

초기 현장 AI 기업에 가장 현실적인 기본형은 한 모델을 고집하는 것이 아니라 유상 도입비 + 운영단위 구독 + 제한된 성과보수의 결합입니다.

첫해 계약액 = 범위가 고정된 도입비 + 플랫폼 기본료 + 자산·업무량 변동료 + 상한이 있는 성과보너스

모든 항목을 복잡하게 중첩하라는 뜻은 아닙니다. 기본료는 공통 플랫폼과 지원을, 변동료는 고객 가치와 가장 가까운 하나의 주 단위를 반영하면 됩니다. 제조라면 장비, 병원이라면 청구 건, 건설이라면 공사 물량 가운데 하나를 고릅니다. 성과보너스는 측정이 명확하고 관련 법규가 허용하는 경우에만 선택적으로 붙여야 합니다.

도입비는 나쁜 매출이 아닙니다. 센서, 커넥터, 보안 검토와 초기 데이터 정합에 실제 비용이 듭니다. 문제는 고객이 바뀔 때마다 범위와 원가가 다시 늘어나는 도입비입니다. 표준 작업명세서와 커넥터 목록, 완료 기준을 정하고 같은 범위의 도입 원가가 고객 수에 따라 내려가야 합니다. 도입비를 ARR로 부르지 않고 반복 구독과 분리해 관리하는 것도 중요합니다.

성과보수에는 측정 기준선, 제외 변수, 검증 주체와 정산 주기를 계약에 넣어야 합니다. 데이터 조항은 더 중요합니다. 원천 데이터와 영업비밀은 고객 소유로 두되, 비식별 통계, 오류 유형, 평가 규칙, 온톨로지와 범용 커넥터를 다른 고객에게 재사용할 권리를 합의해야 합니다. 이 권리가 없으면 고객이 늘어도 학습 자산은 늘지 않습니다.

반대로 순수 토큰 과금, 무제한 무료 PoC, 순수 성과배분은 피하는 편이 좋습니다. 토큰은 고객 가치와 무관하고 모델이 효율화될수록 매출이 줄 수 있습니다. 무료 PoC는 현장 통합비를 공급자가 모두 부담하면서 구매 의사가 없는 실험을 늘립니다. 순수 성과배분은 외부 변수와 긴 검증주기가 현금흐름을 흔듭니다. PoC 단계부터 작더라도 비용을 받고, 성공 기준과 본계약 전환 조건을 계약서에 넣어야 합니다.

사업 모델의 최종 시험은 기술 폐루프와 별도로 상업 폐루프가 닫히는가입니다. 한 업무에서 성과를 증명하면 같은 고객의 더 많은 장비·현장·업무로 확장되고, 그 확장 매출이 신규 영업보다 낮은 비용으로 생겨야 합니다. 제품 학습 루프는 정확도를 높이고, 상업 루프는 고객당 매출과 공헌이익을 높입니다. 둘 중 하나만 돌아가면 좋은 기술이나 좋은 프로젝트는 될 수 있어도 큰 소프트웨어 회사가 되기는 어렵습니다.

좋은 현장 기업은 두 번째 고객부터 달라집니다

현장형 AI의 가장 강한 반론은 경쟁자가 적은 이유가 해자 때문이 아니라 경제성이 나쁘기 때문일 수 있다는 것입니다. 공장과 병원에 깊이 들어갈수록 매출은 늘지만, 구축 인력과 책임도 같은 속도로 늘 수 있습니다. 매출 성장만 보면 제품 회사와 고급 SI 회사를 구분하기 어렵습니다.

따라서 현장 AI의 실사에서는 다음 지표를 별도로 봐야 합니다.

결과 회수 시간. 추천이 실제 실행되고 성공·실패가 돌아오는 데 몇 시간이 걸리는가. 이 시간이 짧아지고 있는가.

폐루프 적용률. 전체 모델 출력 중 실제 업무 시스템에서 실행되고 결과까지 연결되는 비율은 얼마인가. 챗봇 사용량과 구분해야 합니다.

재사용 가능한 평가 자산. 고객 데이터를 외부로 가져오지 않더라도 결함 체계, 실패 시나리오, 합성 테스트와 평가 규칙을 다른 배포에 활용할 계약상 권리가 있는가.

고객별 코드 비중. 신규 매출에 필요한 커스텀 코드와 현장 투입 인일이 줄고 있는가. 두 번째·다섯 번째·열 번째 배포의 기간을 비교해야 합니다.

실행 연결 ROI. 모델 정확도가 아니라 수율, 다운타임, 삭감액, 재작업, 원가와 승인시간이 얼마나 개선됐는가. 같은 정의로 고객 간 비교가 가능한가.

모델 교체 후 잔존 가치. 기반 모델을 바꿔도 고객이 제품을 유지할 이유가 무엇인가. 업무 권한, 결과 이력, 평가셋과 시스템 통합이 답이어야 합니다.

유상 도입의 구독 전환율. 실험이 끝난 고객 중 실제 연간 구독으로 넘어간 비율과 전환 기간은 어떠한가. 무료 실증과 정부과제 수를 고객 수처럼 세면 안 됩니다.

현장별 공헌이익. 계약액에서 추론비, 현장지원, 인간 검수, 통신비, 장비 상각과 성과 정산 비용을 뺀 뒤에도 이익이 남는가. 소프트웨어 매출총이익률만 보면 숨은 현장 원가를 놓칩니다.

동일 고객 확장 매출. 신규 고객이 아니라 기존 고객의 추가 라인·장비·사업장·업무에서 생긴 매출이 커지고 있는가. 이것이 폐루프의 가치가 조직 안에서 재구매되는 증거입니다.

이 지표들이 개선되지 않으면 도메인 데이터가 많아져도 해자가 깊어졌다고 보기 어렵습니다. 반대로 기반 모델을 교체할 때마다 성능이 오르면서도 고객의 업무 루프와 평가 자산이 남는다면, 모델 발전은 위협이 아니라 원가 절감과 성능 개선의 외부 보조금이 됩니다.

한국이 만들 수 있는 것은 산업의 제어 계층입니다

한국이 범용 모델의 규모 경쟁에서 미국과 중국을 그대로 따라가는 것은 어렵습니다. 그러나 제조·반도체·조선·병원·건설처럼 결과가 실제 운영에서 발생하는 산업에는 다른 경쟁축이 있습니다. 모델이 무엇을 말했는지가 아니라 그 판단이 어떤 행동을 만들었고 결과가 어땠는지를 소유하는 축입니다.

이 경쟁에서 현장 접근은 시작점일 뿐입니다. 데이터는 루프를 흐르는 재료이고, 모델은 판단 엔진이며, 진짜 제품은 관측과 실행과 검증을 연결하는 제어 계층입니다. 사업 모델은 그 제어 계층이 만드는 가치를 고객의 운영 단위에 맞춰 회수하는 장치입니다. 한국의 제조 밀도, 로봇 설치 기반, 복잡한 규제와 수출 산업은 이 제어 계층을 시험할 좋은 환경을 제공합니다.

성공 조건도 분명합니다. 첫 고객의 경험이 평가셋과 커넥터와 배포 절차로 남아야 합니다. 모델의 추천이 업무 시스템 안에서 실행돼야 합니다. 결과가 다음 판단으로 돌아와야 합니다. 유상 도입은 반복 구독으로 전환되고, 같은 고객의 더 많은 자산과 업무로 확장돼야 합니다. 그리고 기술과 상업의 두 루프를 다른 고객과 다른 국가에서도 점점 낮은 비용으로 닫을 수 있어야 합니다.

버티컬 AI의 해자는 데이터의 양으로 측정되지 않습니다. 누가 결과까지 이어지는 루프를 더 많이, 더 빨리, 더 낮은 비용으로 반복할 수 있는가에서 결정됩니다. 한국 AI 기업이 세계에서 차지할 수 있는 가장 설득력 있는 자리는 바로 그 지점입니다.