AI가 AI를 키우는 시대 온다…정부, AGI·ASI까지 국가 전략으로 본다

정부는 AI가 단순 답변 도구를 넘어 산업·연구·행정 업무를 직접 수행하는 AI 에이전트 시대에 대비해야 한다고 보고 있다. 과기정통부는 반도체 공장, 제조업 현장, 연구실, 공공서비스에 에이전틱 AI와 AX를 확산시키겠다는 구상을 제시했다. 핵심은 AI 모델 개발 경쟁을 넘어 실제 현장의 생산성, 연구 속도, 행정 효율을 높이는 방향으로 AI를 쓰는 것이다.

정부 AI 전략은 챗봇을 넘어 에이전틱 AI로 이동

인공지능이 사람의 질문에 답하는 도구를 넘어, 스스로 계획을 세우고 업무를 수행하는 단계로 이동하고 있다. 정부도 이 변화를 국가 성장전략의 핵심 축으로 보고 있다.

과학기술정보통신부는 AI를 반도체 공장, 제조업 현장, 연구실, 공공서비스 전반에 확산시키겠다는 구상을 밝혔다. 특히 이번 논의에서 강조된 개념은 에이전틱 AI다.

기존 생성형 AI가 질문에 답하거나 문서를 작성하는 데 강점이 있었다면, 에이전틱 AI는 목표를 부여받은 뒤 필요한 정보를 찾고, 계획을 세우고, 실제 업무를 수행하는 형태다. 예를 들어 “다음 달 생산계획을 최적화하라”는 목표를 받으면 주문량, 재고, 원자재 가격, 물류 상황을 분석해 실행안을 제안하는 식이다.

배경훈 부총리 겸 과기정통부 장관은 2026년 5월 29일 정부 출범 1주년 기자간담회에서 “수년 내 AI가 AI를 발전시켜 나가는 시대가 올 것”이라고 말했다. AGI와 ASI까지 언급한 것은 AI를 단순 기술 트렌드가 아니라 국가 차원의 장기 경쟁력 문제로 봐야 한다는 의미다.

현재 보편적으로 쓰이는 AI는 특정 작업에 특화된 좁은 의미의 AI로 분류된다. Google Cloud도 현재 존재하는 AI를 이미지 인식, 챗봇, 이메일 필터링 등 특정 태스크를 수행하는 좁은 의미의 AI로 설명한다.

AGI·ASI 언급은 국가 AI 전략의 시간표를 넓힌 신호

정부가 AGI와 ASI를 언급한 것은 당장 초인공지능이 현실화됐다는 뜻이 아니다. 중요한 것은 정책의 시간표가 넓어졌다는 점이다.

AGI는 특정 업무가 아니라 다양한 지적 과제를 일반화해 수행하는 범용인공지능을 뜻한다. ASI는 인간 지능을 넘어서는 초인공지능을 의미한다. 아직 AGI와 ASI의 정확한 실현 시점에는 논쟁이 크다. 다만 글로벌 빅테크와 연구기관이 AI를 이용해 AI 모델을 개선하는 연구를 진행하고 있고, 국내에서도 AGI 대응 전략 논의가 이어지고 있다. 한국 AGI 실현 위원회는 2025년 5월 전문가 100여 명의 의견을 바탕으로 AGI 시대 대응을 위한 국가 AI 전략 정책안을 제시했다.

이번 정부 메시지는 “언젠가 올 미래”를 기다리자는 말이 아니다. AGI·ASI까지 이어질 수 있는 기술 흐름을 염두에 두고, 지금 산업과 공공서비스의 AI 활용 체계를 먼저 만들어야 한다는 뜻에 가깝다.

이번 발표에서 눈에 띄는 점은 정부가 모델 성능 경쟁만 강조하지 않았다는 점이다. 배경훈 장관은 AI 모델에 너무 집중하는 경향이 있었다고 지적하며, 실제 산업 현장에서는 AX 실패율을 얼마나 낮추느냐가 중요하다고 말했다. 이는 AI를 잘 만드는 것만큼 AI를 현장에 제대로 적용하는 능력이 중요하다는 판단이다.

AX 사업은 AI 에이전트와 제조 AI 확산으로 구체화

정부의 AI 전략은 AX, 즉 인공지능 전환으로 구체화되고 있다. 2026년도 과기정통부·산업부·중기부 주요 AX 사업 통합공고에는 총 11개 사업, 4,230억 원 규모의 사업이 포함됐다. 해당 공고에는 실세계 능동행동형 에이전틱 AI 기술 개발, AI Agent 융합·확산 지원, 산업현장 문제해결형 산업AI 에이전트 기술개발 등이 담겼다.

이 공고는 정부가 AI 에이전트를 단순 연구 주제로만 보지 않는다는 점을 보여준다. 산업 현장에서 실제 문제를 해결하는 AI, 기업 업무에 들어가는 AI, 물리 세계와 연결되는 AI를 함께 키우려는 방향이다.

AX가 본격화되면 제조업 현장의 운영 방식은 바뀐다. 생산 계획 수립, 재고 관리, 품질 점검, 설비 유지보수 같은 업무를 AI 에이전트가 수행하고, 사람은 최종 승인과 예외 상황 대응에 집중하는 구조가 가능해진다.

예를 들어 AI가 주문량과 원자재 가격, 물류 지연 가능성을 실시간으로 분석해 생산량 조정을 제안할 수 있다. 설비 센서 데이터를 분석해 고장 가능성을 먼저 감지하고 정비 일정을 앞당기는 것도 가능하다. 이 경우 AI는 단순한 분석 도구가 아니라 현장의 의사결정 보조자, 나아가 업무 수행자로 기능한다.

반도체 산업은 AI 활용이 가장 빠른 전장

AI 활용이 가장 빠르게 확산되는 분야 중 하나는 반도체 산업이다. 박인규 과기정통부 과학기술혁신본부장은 1970년대 세계가 석유에 의해 움직였다면 지금은 인공지능 혁명 시대라며, 반도체를 생산할 수 있는 국가의 전략적 중요성을 강조했다.

반도체 산업은 AI와 맞물릴 수밖에 없다. AI 모델이 커질수록 고성능 반도체와 HBM 수요가 늘고, 반대로 반도체 설계와 생산에도 AI가 쓰인다.

HBM 설계 과정에서는 AI가 회로 구조를 최적화할 수 있다. 생산라인에서는 수많은 센서 데이터를 실시간으로 분석해 공정 이상을 사전에 탐지한다. 반도체 제조는 미세한 오차가 수율에 큰 영향을 주기 때문에, 사람의 경험만으로 모든 변수를 관리하기 어렵다.

앞으로는 AI가 설계, 공정 최적화, 수율 개선 업무의 상당 부분을 담당하고 연구자와 엔지니어는 최종 의사결정에 집중하는 구조가 확대될 것으로 보인다. 이 변화는 반도체 산업의 생산성뿐 아니라 국가 경쟁력과도 연결된다.

피지컬 AI는 제조업과 로봇을 연결하는 다음 단계

과기정통부는 AI 경쟁의 핵심이 단순 모델 개발을 넘어 AX와 피지컬 AI 확산에 있다고 보고 있다. 피지컬 AI는 AI가 로봇, 장비, 센서, 공장 시스템과 결합해 현실 세계에서 실제 행동을 수행하는 단계다.

챗봇은 화면 안에서 답한다. 에이전틱 AI는 업무를 계획하고 실행한다. 피지컬 AI는 여기에 물리적 행동까지 더한다.

제조업에서는 이 차이가 크다. AI가 생산량을 계산하는 데서 끝나는 것이 아니라, 로봇팔이나 자동화 장비와 연결돼 작업 순서를 조정하고, 설비 상태에 따라 공정을 바꾸며, 물류 로봇을 움직일 수 있다. 공장 운영이 데이터 기반 자동화에서 AI 기반 자율 운영으로 넘어가는 것이다.

다만 피지컬 AI는 안전 문제가 더 중요하다. 현실 세계에서 움직이는 AI는 오류가 곧 사고로 이어질 수 있다. 따라서 산업 현장 적용에는 검증, 책임, 보안, 안전 기준이 함께 필요하다.

AI R&D는 질병 원인 분석과 신약 개발로 확장

연구개발 현장도 AI 중심으로 빠르게 바뀌고 있다. 한국연구재단 지원을 받은 중앙대·성균관대 공동연구팀은 AI가 방대한 유전자 데이터를 분석해 질병 원인을 찾는 기술을 개발했다고 밝혔다.

이 기술은 질병과 관련된 핵심 유전자와 작동 경로를 제시하는 방식이다. 연구팀은 향후 질병 진단과 치료 반응 예측에 쓰일 바이오마커 발굴, 신약 후보물질 탐색, 약물 작용기전 분석에도 활용될 수 있을 것으로 기대하고 있다.

윤성일 중앙대 생명과학과 교수는 이번 연구가 복잡한 유전자 데이터 속에서 질병을 유발하는 핵심 경로와 원인 유전자를 설명 가능한 방식으로 도출한 성과라고 밝혔다.

AI R&D의 강점은 속도다. 사람이 모든 조합을 직접 분석하기 어려운 유전체, 단백질, 약물 데이터에서 AI는 패턴을 빠르게 찾을 수 있다. 다만 AI가 제시한 결과가 곧바로 의학적 사실이 되는 것은 아니다. 실험 검증, 임상 검증, 전문가 해석이 뒤따라야 한다.

과기정통부 내부도 ‘AI 동료’ 실험 시작

정부 내부에서도 AI를 활용한 연구행정 혁신이 시작됐다. 과기정통부 연구개발정책실 공무원들은 최근 10주간 AI 교육을 받으며 글로벌 전략기술 동향 분석 AI, 연구행정 법령 해설 AI 등을 직접 개발했다.

구혁채 과기정통부 1차관은 이번 교육이 단순히 배우는 데 그치지 않고 직원들이 직접 업무에 적용 가능한 AI를 만들어봤다는 점에서 의미가 크다고 말했다. 초기 단계의 결과물이라도 지속적으로 활용하고 개선하면 유용한 AI 동료로 발전할 수 있다는 설명이다.

이 대목은 중요하다.

정부 AI 전략이 산업계만 향하는 것이 아니라 공공행정 내부의 일하는 방식까지 바꾸려 한다는 뜻이기 때문이다. 법령 해설, 기술 동향 분석, 정책 자료 정리, 민원 분류 같은 업무는 AI가 보조할 수 있는 영역이다. 공무원이 직접 AI 도구를 만들어 쓰는 경험이 쌓이면 공공서비스 설계 방식도 달라질 수 있다.

비교 분석 블록: 생성형 AI와 에이전틱 AI 차이

에이전틱 AI는 생성형 AI보다 업무에 깊게 들어간다. 그래서 생산성 효과도 크지만, 통제와 책임 설계도 더 중요하다.

AI 모델보다 현장 적용 능력이 승부처

한국이 AI 경쟁에서 봐야 할 지점은 모델 개발만이 아니다. 이미 글로벌 빅테크가 초거대 AI 모델 경쟁에서 앞서가고 있다. 한국이 강점을 가질 수 있는 영역은 반도체, 제조업, 통신 인프라, 공공 데이터, 산업 현장 적용 경험이다.

정부가 AX와 피지컬 AI를 강조하는 이유도 여기에 있다. 한국은 반도체와 제조업 기반이 강하다. 이 산업 현장에 AI 에이전트를 제대로 적용하면 모델 자체 경쟁력과 별개로 생산성 혁신을 만들 수 있다.

다만 AX 실패율을 낮추는 것이 관건이다. AI를 도입했지만 실제 업무 흐름과 맞지 않거나, 데이터 품질이 낮거나, 현장 직원이 쓰기 어렵다면 성과는 제한적이다. 결국 AI 전략의 성공은 “얼마나 똑똑한 AI를 만들었나”보다 “현장에서 얼마나 꾸준히 쓰이고 개선되는가”로 판단해야 한다.

AGI 기대감은 크지만 안전·책임 체계가 먼저다

AI 에이전트와 AGI, ASI 논의는 산업 경쟁력 측면에서 중요하다. AI가 제조, 연구, 행정 업무를 돕는다면 생산성과 속도는 크게 높아질 수 있다. 반도체 공정 최적화, 신약 후보 탐색, 공공서비스 자동화는 모두 국가 경쟁력과 연결된다.

하지만 위험도 있다. 에이전틱 AI는 단순히 답변을 틀리는 수준이 아니라 잘못된 실행을 할 수 있다. 산업 현장에서 생산 계획을 잘못 세우거나, 공공행정에서 법령을 잘못 해석하거나, 연구개발에서 검증되지 않은 결론을 과신하면 피해가 커질 수 있다.

AGI와 ASI 논의도 마찬가지다. 실현 시점은 불확실하지만, 기술이 빠르게 발전하는 만큼 안전성, 보안, 개인정보, 책임 소재, 인간 감독 원칙은 먼저 준비해야 한다. 국가 차원의 AI 전략은 속도와 통제를 함께 설계해야 한다.

AI 전략의 핵심은 ‘AI가 일하게 만드는 운영 능력’

이번 발표에서 눈에 띄는 점은 정부가 AI를 연구실 기술이 아니라 실제 업무 주체로 보고 있다는 점이다. 에이전틱 AI, AX, 피지컬 AI는 모두 같은 방향을 가리킨다. AI가 문장을 쓰는 단계를 넘어 공장을 관리하고, 연구 데이터를 해석하고, 행정 업무를 돕는 시대다. 한국의 승부처는 거대한 모델 이름을 하나 더 만드는 데만 있지 않다. 반도체 공장, 제조 현장, 연구실, 공공서비스 안에서 AI가 안전하게 일하고 계속 개선되도록 만드는 운영 능력에 있다.