LG AI 토크 콘서트 2026 부스 취재 — 제조 품질 예측, 탈모 소재, 주가 예측, 식약처 심사 에이전트까지 연구원들에게 직접 물었다

[테크수다 기자 도안구 eyeball@techsuda.com] LG AI연구원이 14일 서울 강서구 마곡 LG사이언스파크 컨버전스홀에서 'LG AI 토크 콘서트 2026'을 열고 제조·금융·과학 분야 전문가 AI를 공개했다. 무대에서는 임우형·이홍락 공동 연구원장과 계열사, 고객사 관계자들이 성과를 발표했고, 행사장 한쪽 부스에서는 모델을 직접 만든 연구원들이 기술을 시연했다. 기자는 엑사원 태뷸러(EXAONE Tabular), 엑사원 디스커버리(EXAONE Discovery), 엑사원 포어캐스트(EXAONE Forecast)와 엑사원 BI, 엑사원 데이터 파운드리 부스를 차례로 돌며 무대 발표가 담지 못한 이야기를 물었다.

핵심 요약

• 제조, 콜드 스타트를 지운다 — 엑사원 태뷸러는 합성 데이터로 미리 학습한 파운데이션 모델이다. 새 공장, 새 제품에서도 데이터가 쌓이기를 기다리지 않고 소량의 데이터로 곧바로 품질을 예측한다.
• 과학, 22개월을 하루로 — 엑사원 디스커버리는 후보 물질 42만 개에서 탈모 소재 '람시딜'을 하루 만에 골랐다. 연말 가동하는 AI 자율 실험실과 연결하면 합성 검증까지 사람 손을 덜어낸다.
• 금융, 기술이 먼저 상품은 나중 — 수요 예측 연구가 주가 예측 상품으로 이어졌다. 한·미 상장 종목의 4주 뒤 주가 전망을 설명과 함께 매일 배포하고, 증권사와 헤지펀드, 국부펀드가 돈을 내고 쓴다.

"얼마나 기다려야 하는지 아무도 모른다"…태뷸러가 겨냥한 빈틈

첫 부스는 엑사원 태뷸러였다. 표 형태의 정형 데이터를 입력받아 분류와 회귀 문제를 푸는 모델이다. 연구원은 LG이노텍 제조 공정에 이 모델을 적용해 품질을 예측하고 있다고 소개했다.

산업 현장의 데이터 분석은 어제오늘 이야기가 아니다. 예전 머신러닝 방식과 무엇이 다르냐고 묻자 답은 재학습에서 나왔다. 기존 모델은 새로운 데이터가 생길 때마다 다시 학습시켜야 품질을 예측할 수 있었다. 태뷸러는 파운데이션 모델이어서 새 데이터를 재학습하지 않아도 일정 수준의 성능을 낸다. 학습에 드는 시간 없이 곧바로 현장에 붙일 수 있다는 설명이다.

더 큰 차이는 공장이 막 돌아가기 시작하는 시점에 있다. 공장을 새로 짓거나 제품을 처음 만들면 기존에 가진 데이터와 성격이 완전히 달라진다. 지금까지는 데이터가 어느 정도 쌓일 때까지 기다리는 수밖에 없었다. 기자가 과거 마케팅 분석 솔루션도 도입 후 6개월은 비용만 내고 기다려야 했다고 말하자 연구원은 데이터로 학습하는 모델이라면 모두 같은 문제를 안고 있다고 받았다.

부스 연구원은 "문제를 풀 만큼 데이터가 쌓여야 하는데 얼마나 쌓여야 하는지, 얼마나 기다려야 하는지 아무도 모른다"고 말했다. LG AI연구원은 자연적으로 발생할 수 있는 데이터셋을 미리 합성해 수많은 경우의 수를 학습시키는 방법으로 이 리드 타임을 줄였다.

무대에서 나온 숫자가 이 설명을 뒷받침한다. 유정선 LG이노텍 AX담당은 패널 토크에서 기존 방식은 모델 재학습에 최소 14일, 약 300시간 분량의 생산 공정 데이터가 필요했지만 태뷸러를 쓰자 최대 50시간 안에 바뀐 조건을 반영한 추론이 가능했다고 밝혔다. 모델 대응 리드 타임을 85%가량 줄인 셈이다. 이순영 LG AI연구원 데이터 인텔리전스랩장은 컨텍스트의 20%가 결측치여도 예측 성능이 안정적이었다고 덧붙였다.

클라우드냐 구축형이냐…보안 앞에 선 제조 AI

기자는 인프라를 물었다. 제조업체는 보안을 이유로 클라우드를 꺼린다. 데이터를 아예 쌓지 않는 것이 최고의 보안이라고 말하는 현장도 있다. 연구원은 향후 서비스 형태로 클라우드를 생각하고 있지만, 보안이 중요한 고객이라면 서버를 직접 구축하는 편이 가장 안전하다고 답했다. 서비스 방식은 LG CNS와 논의 중인 것으로 안다고 했다.

구축형이 부담스럽지 않은 이유는 모델 크기에 있다. 이순영 랩장은 무대에서 태뷸러가 2,600만 파라미터 규모여서 현장 온프레미스 서버에 바로 배포할 수 있고 네트워크가 없는 환경에서도 쓸 수 있다고 설명했다. 부스 연구원의 표현으로는 서버 몇 대면 된다. 태뷸러는 8월 글로벌 벤치마크 탭아레나(TabArena)에서 구글 모델을 제치고 1위에 올랐다.

42만 개에서 하나로…람시딜은 어떻게 하루 만에 나왔나

두 번째 부스에는 실물 원료와 시제품 샘플이 놓여 있었다. LG생활건강과 함께 찾은 탈모 예방 소재 '람시딜(Rhamsydil)'이다. 소재 개발 AI인 엑사원 디스커버리가 후보 물질 42만 개를 최종 하나로 압축했다.

압축 기준은 두 가지다. 먼저 효능이다. 어떤 물성을 가지면 효능이 높은지 미리 알고 있으므로 AI가 그 물성을 예측해 후보를 가린다. 다음은 합성 가능성이다. 제품으로 만들려면 실제로 합성할 수 있어야 하기 때문에 AI가 그 여부까지 판단한다. 이렇게 고른 소재를 두피와 모낭에 시험한 결과 탄력 증가, 염증 감소, 미토콘드리아 활성 증가, 모낭 세포 증식 촉진 효과를 확인했다고 연구원은 설명했다.

전통적인 방식이라면 42만 개를 시험하는 일은 애초에 불가능하다. 100개만 고른다고 해도 연구원이 물질을 수급해 직접 합성하고 물성을 하나씩 시험해야 한다. 하나에 일주일만 걸려도 100주다. 화장품 소재 하나를 개발하는 데 통상 22개월이 걸리는 이유다. AI는 물질을 구할 필요 없이 화학 구조 정보만 있으면 되므로 하루면 충분했다. 람시딜은 세계모발연구학회에서 발표됐고 현재 제품화를 준비하고 있다.

부스 한쪽에는 두피 상태를 촬영해 보여주는 진단 기기도 놓였다. 두피에 작용하는 소재인 만큼 상태를 먼저 살펴 어떤 조치가 필요한지 판단하는 데 쓴다.

인프라 부담도 크지 않다. 연구원은 모델 파라미터가 600만 개 안팎이고, 학습을 마친 모델로 추론만 하기 때문에 GPU가 많이 필요하지 않다고 말했다. LG 계열사 연구원은 이미 구축된 시스템에 접속해 원하는 물성을 입력하고 시험해 볼 수 있다.

자율 실험실과 만나면…"아이디어는 아직 사람 몫"

이번 행사에서 처음 공개한 AI 자율 실험실은 이 흐름의 다음 단계다. 디스커버리가 유망한 물질을 고르면 자율 실험실로 보내고, 실험실은 사람 개입 없이 합성을 시도한 뒤 결과만 연구원에게 돌려준다. LG AI연구원은 올해 말부터 자율 실험실을 본격 가동한다.

연구원 일자리가 사라지는 것 아니냐는 물음에 부스 연구원은 "아이디어를 내는 일, 무엇을 시험해야 효능을 잘 볼 수 있을지 정하는 일은 아직 연구원이 직접 해야 한다"고 말했다. 반복 노동을 기계가 가져가니 연구원들이 오히려 반길 수 있다는 얘기다. 무대에 선 박제섭 LG화학 R&D AX추진팀장도 연구원이 의사결정의 주체로 남도록 설계하는 것을 현장 도입 조건으로 꼽았다.

수요 예측하던 팀이 주가를 맞히기까지

금융 부스 앞에서는 모델 회사가 금융 상품까지 직접 내놓았다는 점이 눈에 들어왔다. 이 팀은 원래 수요 예측을 연구했다. 수요 예측과 주가 예측이 기술적으로 크게 다르지 않아 자연스럽게 금융으로 이어졌다.

출발점은 2023년 11월 뉴욕증권거래소에 상장한 LQAI ETF다. S&P500 기업 가운데 AI가 4주마다 100개 종목을 골라 운용한다. 임우형 공동 연구원장은 기조연설에서 상장 이후 올해 상반기까지 누적 수익률이 96.22%로, 같은 기간 S&P500 추종 ETF의 76.78%보다 19%포인트 이상 높았다고 밝혔다.

다음 단계가 엑사원 BI다. 런던증권거래소그룹(LSEG)과 함께 미국과 한국 시장 상장 종목의 4주 뒤 주가 전망을 점수로 매기고, 왜 그렇게 판단했는지 설명하는 코멘터리를 붙여 매일 배포한다. 부스에서는 대상을 약 7,500개 종목이라고 했고 기조연설에서는 약 8,000개 기업이라고 소개했다. 7월에는 코스콤과 손잡고 국내 상장사 약 2,500곳으로 대상을 넓혔다. 연구원은 국내에서는 키움증권과 계약했고 해외에서는 영국 헤지펀드와 중동 국부펀드가 고객이라고 말했다. 이화영 LG AI연구원 AI사업개발부문장은 무대에서 북미 최대 연기금도 고객 명단에 올렸다.

상품 개발에 걸린 시간은 6개월에서 1년 정도다. 다만 그 밑에는 3~4년 동안 쌓은 수요 예측 연구가 깔려 있다. 부스 연구원은 "이 상품을 만들려고 기술을 개발한 것이 아니라, 개발한 기술을 시장에 어떻게 녹여낼지 찾다 보니 상품이 나왔다"고 말했다. 1월 출시 뒤 6개월가량 검증 기간을 거쳐 판매가 본격화했다는 설명도 곁들였다.

부스 화면에서는 주가 점수 말고도 여러 기능이 돌아갔다. 증권사 리서치센터가 내는 형식의 종목 리포트를 AI가 작성하고, 고쳐 달라고 요청하면 문장을 알아서 교정했다. 2026년 수치만 표시해 달라는 식의 지시도 곧바로 반영했다. 에이전트를 붙여 금리가 어떻게 움직일지 예측하는 시연도 있었다. 연구원은 최종 목표가 주가 예측에서 끝나지 않고 의사결정까지 돕는 AI라고 설명했다. 고객을 일대일로 직접 상대하지는 않는다. 글로벌 고객 대응은 LSEG가 맡고, 연구원은 그쪽에서 들어오는 요구를 토대로 모델을 운용한다.

기자는 중국 딥시크의 모회사가 자산운용사였다는 점을 들어 국내 대형 금융사가 AI 투자에 소극적인 이유를 물었다. 연구원은 직접적인 평가를 피하면서도 해외에서는 AI를 중심에 둔 펀드가 최근 크게 늘고 있다고 전했다.

오픈AI나 앤쓰로픽도 금융 서비스용 모델과 프레임워크를 내놓는다. 연구원은 이들이 재무제표를 읽고 기업 가치를 계산하는 투자은행식 업무에 초점을 맞춘다면, 엑사원 BI는 예측하고 그 근거를 설명한다는 점에서 결이 다르다고 선을 그었다. 기반 모델인 엑사원 포어캐스트는 세일즈포스가 운영하는 시계열 예측 리더보드 기프트 이밸(GIFT-Eval)에서 상위권을 지키고 있다. 연구원은 금융 시계열에 맞춘 별도 리더보드도 허깅페이스에 운영하고 있으며, 파운데이션 모델 1.0은 누구나 쓸 수 있게 공개했다고 밝혔다. 연말과 내년에는 더 많은 상품이 나올 예정이다.

식약처 심사관 책상 위에 오른 에이전트

마지막으로 들른 곳은 엑사원 데이터 파운드리 부스다. 실무 프로세스를 자연어로 설명하면 AI가 에이전트 워크플로를 직접 생성하는 플랫폼이다. 현업 전문가와 함께 만든 평가 기준으로 AI가 워크플로를 자동 평가하고, 그 결과를 바탕으로 워크플로를 계속 개선한다.

에이전틱 환경으로 넘어오며 무엇이 가장 달라졌는지 묻자 연구원은 그래프의 복잡도와 평가를 들었다. 예전에는 검색해 온 문서로 답변하는 단순한 구조였다면 지금은 분기가 여러 갈래로 갈리는 복잡한 워크플로를 에이전트가 스스로 짠다. 가장 어려운 대목은 평가였다. 최종 결과물뿐 아니라 중간 과정까지 평가해야 하기 때문이다.

대표 적용처는 식품의약품안전처다. 의약품 심사관은 수천 쪽에 이르는 문서를 하나하나 읽으며 심사 검토서를 작성한다. LG AI연구원은 이 검토서 작성을 돕는 에이전트를 식약처와 과제로 개발하고 있다. 도메인 특화 모델을 따로 만들어 엑사원 기본 모델보다 성능을 끌어올렸다고 연구원은 설명했다.

LG AI연구원은 엑사원 4.5를 탑재한 식약처 신약 심사 AI가 허가 심사 기간을 줄일 것으로 기대한다. 데이터 파운드리는 LG 내부에서도 쓰고 있고 식약처 외에 다른 기업과도 과제를 진행하고 있다. 오픈소스 에이전트 프레임워크를 쓰느냐는 물음에는 자체 개발한 체계를 쓰고 있다고 했다. 글로벌 빅테크가 에이전트 도구를 오픈소스로 쏟아내는 상황에서 어디까지 직접 만들고 어디부터 가져다 쓸지는 국내 AI 기업 모두가 안고 있는 선택의 문제다.

테크수다의 시각

부스 네 곳에서 들은 이야기는 하나로 모인다. 거대한 모델 하나로 모든 문제를 풀겠다는 접근이 아니다. 2,600만 파라미터짜리 표 데이터 모델, 600만 파라미터 안팎의 소재 모델처럼 작고 단단한 모델을 현장 문제에 맞춰 깎았다. GPU를 대규모로 깔지 않아도 돌아가고, 보안에 민감한 공장 안 서버에도 들어간다. 임우형 공동 연구원장이 기조연설에서 강조한 단 1%의 예외까지 이해하는 AI는 부스에서 이런 모습으로 구체화돼 있었다.

숙제도 보인다. 지금까지의 성과는 대부분 LG 계열사 안에서 나왔다. 부스 연구원도 보도자료가 나간 뒤 외부 문의가 늘고 있다고 전했다. 소재 탐색 기술이 화장품 ODM 업체나 연구 인력이 부족한 스타트업으로 넓어진다면 K뷰티 생태계 전체의 개발 속도가 달라질 수 있다. 제조 쪽 수요는 국내에만 있지 않다.

얼마 전 통화한 베트남 현지 지인은 한국 기업 협력사들이 사람을 구하지 못해 자동화를 서두를 수밖에 없다고 전했다. 해외 공장까지 시야를 넓히면 데이터가 없는 새 라인에 바로 붙는 모델의 쓰임새는 더 커진다. 제조 AI가 클라우드와 구축형 사이에서 어떤 사업 모델을 택할지도 지켜볼 대목이다.

금융에서는 국민연금공단 관계자가 무대에서 밝혔듯 AI 결과물을 투자에 직접 쓰기에는 아직 조심스럽다는 것이 기관투자자의 시각이다. 설명 가능성을 앞세운 엑사원 BI가 위기 국면을 포함한 긴 검증의 시간을 통과해야 한다.

바이오 분야에 근무하는 한 관계자는 생성형 AI 관련해 진짜 가치는 현업들의 문서 관련 이슈나 업무 자동화 못지 않게 업의 본질 이슈를 해결할 수 있는지 유무에 있다고 전해준 바 있다. 새로운 걸 찾기 위해 수많은 시도를 할 때 다년간 100억원 이상 투자하는 것들이 효과가 없다면 바로 버려야 하는데 이걸 사전에 조금이라도 예측할 수 있다면 진정한 가치를 경영진들은 물론 다양한 산업에 적용할 수 있다는 설명이었다.

산업 현장의 고민을 해결하는 AI의 아주 작은 사례들과 시도들이 조금씩 본격화되고 있다. 이번 콘서트는 그런 현장의 변화와 흐름을 엿볼 수 있었던 소중한 자리였다.

전문가 AI라는 간판은 무대에서 걸었지만, 그 간판의 무게는 고객사 현장에서 잰다. 부스에서 만난 연구원들은 적어도 어디에서 재야 하는지 알고 있었다.

[테크수다 Techsuda]

LG AI 토크 콘서트 2026, 이런 점이 궁금하셨나요?

Q1. 엑사원 태뷸러는 기존 머신러닝 품질 예측 모델과 무엇이 다른가?
기존 모델은 공정이나 제품이 바뀔 때마다 데이터를 다시 모아 재학습해야 했다. 태뷸러는 합성 데이터로 미리 학습한 파운데이션 모델이어서 소량의 현장 데이터를 컨텍스트로 넣으면 곧바로 예측한다. LG이노텍은 모델 대응 리드 타임을 약 85% 줄였다고 밝혔다.

Q2. 람시딜은 지금 살 수 있나?
아직 아니다. 부스에는 원료와 이를 넣은 시제품 샘플이 전시됐지만 판매 단계는 아니며, LG생활건강이 제품화를 준비하고 있다.

Q3. AI 자율 실험실은 기존 실험 자동화와 어떻게 다른가?
자동화는 사람이 정한 절차를 로봇이 반복한다. 자율 실험실은 AI가 실험 결과를 학습해 다음 실험 조건을 스스로 제안하고 실행하는 닫힌 고리 구조다. LG AI연구원은 올해 말 가동을 시작한다.

Q4. 엑사원 BI는 누가 쓰나?
증권사, 자산운용사, 헤지펀드, 연기금 같은 기관이 주 고객이다. 글로벌 고객 대응은 LSEG가, 국내 데이터와 유통은 코스콤이 맡는다. 개인 투자자는 하반기 키움증권을 통해 접할 수 있을 전망이다.

Q5. 엑사원 데이터 파운드리는 어떤 일을 하나?
업무 절차를 자연어로 설명하면 에이전트 워크플로를 생성하고, 전문가 기준으로 자동 평가해 개선하는 플랫폼이다. 식약처 의약품 심사 검토서 작성 지원이 대표 사례다.

[테크수다 기자 도안구 eyeball@techsuda.com]

• 이 기사를 쓸 때 AI를 활용했다