석유화학 회사가 AI와 일하는 법 🤖

“석유화학 기업은 AI를 어떻게 활용해야 하는 걸까요?”

특별히 이달은 현업에서 AI의 영향력을 실시간으로 체감 중이라고 말하는 두 사람을 찾아가 질문을 던졌습니다. 최근 탄소포집 설비 Physical AI 시연을 준비한 화성·에너지연구팀 구성모 포맨과, 생성형 AI를 활용해 만든 다양한 AI 툴을 연구 과정에 활용하고 있는 소재개발3팀 정현태 프로인데요.

막연하게 느껴질 수 있는 질문이지만, 실제 현장과 연구 과정에서 AI를 마주하고 있는 두 사람의 이야기를 듣다 보면 조금은 답이 보일지도 모릅니다. AI에 관해 이야기할 때 현장 전문가와 연구원의 시선은 어떤 지점에서 만나게 될까요? ‘석유화학 회사가 AI와 일하는 방법’이 궁금하다면 이달의 <케미튜브>를 꼭 읽어보세요!

석유화학 회사에서 AI가 지닌 잠재력은 무궁무진합니다. 특히 현장에 Physical AI를 도입하면 더 안전하고 효율적인 업무 환경을 가꿀 수 있죠. Physical AI는 일반적으로 떠올리는 생성형 AI와 달리 물리적인 하드웨어를 갖추고 직접 행동을 취할 수 있는 인공지능 모델입니다. 일반 생성형 AI는 컴퓨터 화면 안에서 데이터를 학습하고, 문서, 이미지, 코드 등을 생성하는 데 특화되어 있는데요. 반면 Physical AI는 생성형 AI가 두뇌 역할을 담당해 로봇, 센서, 장비 같은 물리적 하드웨어와 결합한 형태입니다. 현장의 물체를 인식하고 물리적인 행동을 취하죠. 직접 현장을 돌아다니면서 각종 센서를 통해 이상 징후나 문제점을 잡아내는 역할을 한다는 점이 가장 큰 차이점이에요.

Physical AI가 가장 활발히 이용되는 영역은 안전 관리와 예방 정비 분야입니다. 석유화학 공정은 고온·고압의 유해화학물질을 다루기에 늘 폭발이나 가스 누출 등 위험 요인이 산재해 있는데요. 이때 사족보행 로봇, 자율주행 드론 같은 Physical AI 기술이 큰 도움이 됩니다. 사람의 접근이 힘든 가스누출구역, 대형저장탱크 내부, 고소 부위 등에 접근해서 미세 균열과 부식을 정밀 점검할 수 있고요. 펌프, 압축기 등 회전기기에 부착된 센서로 진동과 발열을 실시간 감지해 설비의 돌발 정지를 차단하기도 합니다. 화학 물질을 샘플링해 채취할 때도 로봇 팔로 정밀 조작하며 작업자의 안전을 확보하고, 공장 가동률 향상에 기여할 수도 있죠.

이번 전사 가치 실천의 날에는 이산화탄소 포집 파일럿 설비(CCUS)에서 Physical AI 시연을 통해 주요 설비의 적용 포인트를 잡았습니다. 펌프의 압력, 오일 레벨, 진동 및 배관 온도 설비의 상태를 점검하는 몇 가지 임무를 부여했죠. 시연 단계다 보니 시간이 다소 소요되었지만, 향후 적용 가능성을 충분히 확인했습니다.

따라서 앞으로는 고위험·단순 반복 업무를 AI가 도맡고, 작업자에게는 안전한 위치에서 전체 공정을 확인해 의사결정을 내리는 전문성이 더 중요해질 것이라고 생각합니다.
여기서 우리 작업자들의 역할을 묻는다면, AI의 분석을 맹신하지 않고 늘 오작동 가능성을 염두하면서 최종 결정을 내리는 수퍼바이저로서의 역량을 키워가는 것이라고 생각합니다.
이제는 디지털 장비와 데이터 활용에 개방적인 태도를 가지면서도, AI 시대에 대체 불가능한 ‘현장 마스터’가 되도록 스스로 가치를 높이는 노력이 엔지니어를 비롯한 현장 작업자에게 필수적으로 요구되는 시대가 시작되었다고 표현해도 과언이 아닐 것 같습니다.

최근 시장 환경이 빠르게 바뀌면서 연구개발 업무의 폭이 넓어지고 있습니다. 우선 안전환경 규제가 강화되면서 시약 정보를 최신화할 일이 많아졌고, 상업 제품에 대한 기술 지원 대응의 속도감이 중요해졌어요. 실험 보고서나 회의록 같은 지식 자산화 작업의 중요성도 커지고 있죠. 연구원의 업무 범위가 확장되는 만큼, AI 대변혁의 시대를 맞이한 연구원들에게는 일련의 업무 중 판단 기준과 작업 흐름이 명확한 부분부터 AI 에이전트를 통해 자동화하는 시도가 필요합니다. 이를 통해 확보한 시간만큼 연구개발이라는 본연의 업무에 집중할 수 있어 신제품 개발 및 상용화 과정에 속도를 붙일 수 있기 때문이죠.

저는 실제로 몇 가지 AI 툴을 직접 만들어 업무에 적용하고 있습니다. 가령 고객 대응용 에이전트는 특정 로트에서 문제가 있을 때 생산·품질 기록을 거꾸로 추적하고, 원인 분석과 대체 로트까지 제공합니다. 다른 사례로 실험 데이터용 에이전트를 만들어 수년 치 데이터가 쌓인 사내 시스템과 연결해 보기도 했죠. 3년 치 데이터를 6분 만에 집계하고 잘못 분류돼 있던 두세 건의 오류를 찾아내더라고요.

연구 과정에 AI를 잘 활용하기 위해서 연구원들에게 필요한 자세는 크게 두 가지로 추릴 수 있습니다. 하나는 데이터를 ‘가꾸는’ 사고방식을 갖는 것인데요. AI의 성과는 사람이 제공하는 데이터 퀄리티의 영향을 직접 받기 때문에, 평소 연구 과정 중 발생하는 데이터를 잘 분류하고 꼼꼼히 쌓아 두는 습관이 점점 더 중요해질 겁니다. 다른 하나로는 연구개발 과정에서 ‘무엇을 기준으로 어떻게 판단할지’ 연구원 스스로가 의사결정의 기준을 분명하게 정의하는 것입니다. 우리가 가지고 있는 판단 기준을 잘 정립하고 정리해서 AI 에이전트가 알아들을 수 있도록 잘 가르쳐 줘야 하기 때문이죠.

그러나 무엇보다 중요한 한 가지 요소를 꼽는다면, 결국 AI를 사용하는 사용자의 ‘전문성’이라고 생각합니다.
아무리 AI의 성능이 훌륭하고, 데이터의 퀄리티가 훌륭하더라도 연구개발은 본질적으로 연구원들의 몫입니다.
연구원들의 전문 역량이 AI 기술, 데이터 퀄리티와 함께 맞물려야만 유의미한 성과가 나타날 수 있다는 것이죠. 대 AI의 시대, AI를 가장 잘 활용할 수 있는 사람은 AI에 대한 지식이 많은 전문가가 아니라, 자기 일을 가장 잘 알고 올바른 방향으로 끌어갈 수 있는 ‘직무 전문가’가 아닐까 생각합니다.