자동차 R&D 혁신: 생성형 AI의 잠재적 가치 최적화

---

자동차 제조업체는 R&D 프로세스에서 생성형 AI(gen AI)를 활용하여 시간과 비용을 절감하고 품질을 개선할 수 있는 기회를 가지고 있습니다. 이러한 기술의 도입은 세 가지 주요 트렌드에 의해 주도되고 있습니다: 내연기관에서 전기차 기술로의 전환, 소프트웨어 정의 차량의 등장, 그리고 생성형 AI의 출현입니다. 생성형 AI는 언어와 이미지 생성, 데이터 통합, 문서 작성 등 다양한 기능을 제공하여 R&D의 미래를 변화시킬 잠재력을 가지고 있습니다.

유럽의 자동차 및 제조 기업 임원들과의 논의를 통해, 생성형 AI를 R&D 프로세스 전반에 걸쳐 통합하는 가치 중심 접근 방식을 채택함으로써 기업들이 상당한 가치를 확보할 수 있음이 드러났습니다. 이러한 접근 방식은 비용 절감, 출시 기간 단축, 품질 향상 및 혁신 증가를 포함합니다.

대다수의 기업이 생성형 AI를 실험하고 있으며, 이 기술에 대한 투자도 상당히 높은 수준입니다. 그러나 실제적인 적용은 주로 R&D 프로세스의 특정 단계에 국한되어 있으며, 전체 프로세스에 걸친 체계적인 사용은 아직 초기 단계에 있습니다. 참여 기업들은 생성형 AI의 다양한 잠재적 활용 사례를 탐색하고 있으며, 이는 요구 사항 엔지니어링, 소프트웨어 테스트 및 검증, 제품 설계 및 최적화 등을 포함합니다.

생성형 AI의 구현에 있어 장벽은 크게 조직적, 문화적 변화의 필요성에 있습니다. 성공적인 도입을 위해서는 가치 중심의 로드맵, 명확한 변화 내러티브, 최고 경영진의 역량 강화, 인재 역량 강화 및 교육, 운영 모델 혁신, 기술 기반 구축, 데이터 거버넌스 강화 등이 필요합니다.

이러한 요소들을 통해 자동차 R&D에서 생성형 AI의 가치를 최대화하고, 시장에서의 경쟁력을 강화하며, 혁신을 촉진할 수 있습니다.

자동차 R&D 혁신 생성형 AI의 잠재적 가치 최적화

---

자동차 제조업체는 R&D 프로세스의 모든 단계에서 가치를 더하는 생성형 AI 기능을 구현하여 시간과 비용을 절감하고 품질을 개선할 수 있습니다.

자동차 산업의 R&D 기능에는 세 가지 중요한 트렌드가 영향을 미치고 있으며, 이에 따라 대대적인 변화가 요구되고 있습니다.

• 내연기관(ICE: internal combustion engine)에서 전기차(EV) 기술로의 전환은 반세기 전 유가 급등과 경쟁으로 인해 고연비 차량에 대한 수요가 촉발된 이후 업계가 경험하지 못한 근본적인 변화입니다.
• 소비자를 위한 중앙 아키텍처를 갖춘 소프트웨어 정의 차량의 트렌드입니다. 소프트웨어는 인포테인먼트 및 첨단 운전자 지원 시스템과 같은 애플리케이션을 통해 자동차 업체들이 차별화할 수 있는 많은 기회를 제공합니다. 그러나 소프트웨어는 기업들에게 소프트웨어 제공업체로서의 추가 역할을 지원하기 위해 하드웨어 중심의 운영을 혁신해야 하는 상당한 과제를 안겨주기도 합니다.
• 생성형 AI(gen AI)의 등장입니다. 생성형 AI는 R&D 팀의 운영 방식을 완전히 재구성할 수 있는 잠재력을 지닌 강력한 기술이 되고 있습니다. 이 기술은 아직 초기 단계에 있지만 언어와 이미지를 생성 및 처리하고, 다양한 소스의 인사이트를 통합하고, 다양한 형식의 정보를 처리하고, 규제 목적에 맞는 상세한 문서를 생성하는 능력은 R&D의 미래를 근본적으로 바꿔놓을 수 있음을 시사합니다.

중국, 미국 등의 전기차 제조업체 등 이 분야에 새로 진입한 업체들은 이미 R&D 프로세스 혁신을 성공적으로 구현하여 신차 출시 기간을 단축함으로써 이미 마진이 압박받고 있는 기존 업체들에 비해 상당한 전략적 이점을 확보하고 있습니다.

이러한 트렌드의 영향과 기회를 더 잘 이해하기 위해 유럽의 주요 자동차 및 제조 기업의 임원들과 이야기를 나누었습니다. 자세한 논의는 주로 생성형 AI와 여러 AI 파일럿 프로젝트와 몇 가지 대규모 배포를 통해 얻은 교훈에 초점을 맞추었습니다.

이러한 논의에서 얻은 한 가지 분명한 교훈은 R&D 프로세스 전반에 걸쳐 생성형 AI의 통합을 지원하는 가치 중심 접근 방식을 따르면 기업은 비용 절감, 출시 기간 단축, 품질 향상, 더 많은 혁신의 형태로 상당한 가치를 확보할 수 있다는 것입니다.

자동차 R&D에서 생성형 AI의 기회

유니티는 유럽의 주요 자동차 및 제조 기업의 R&D 임원 30명과 함께 워크숍을 개최하여 생성형 AI의 활용과 계획에 대해 논의하고 이 기술에 내재된 다양한 기회를 모색했습니다. 또한 이들 중 일부는 생성형 AI에 대한 자세한 설문조사를 완료했으며, 그 응답이 이 글 전체에 반영되어 있습니다.

도입 및 투자 동향

자동차 부문에서 생성형 AI를 도입하려는 경향이 강한 것으로 나타났습니다. 대다수의 기업(설문 응답자의 75%)이 적어도 한 가지 이상의 생성형 AI 애플리케이션을 실험하고 있으며, 1년 이내에 시작할 계획이 없는 기업(응답자의 25%)도 있었습니다.

또한, R&D를 위한 생성형 AI 애플리케이션에 대한 투자도 상당한 수준으로, 설문 응답자의 40% 이상이 최대 5백만 유로를 투자했다고 답했습니다. 응답자의 10%가 넘는 일부 기업은 2천만 유로 이상을 투자했습니다.

R&D 프로세스에서의 생성형 AI 적용

설문조사에 참여한 대부분의 경영진(70%)이 자신의 회사가 R&D에 생성형 AI 애플리케이션을 통합하고 있다고 답했지만, 대부분의 파일럿 프로그램은 R&D 프로세스의 한 단계에 국한되어 있습니다. 파일럿 사용 사례의 범위는 상당히 높았지만(조사 대상 사용 사례의 60%), R&D 프로세스 전반에 걸쳐 체계적으로 젠 AI를 사용하는 사례는 없었습니다.

파일럿 사용 사례의 범위가 넓다는 것은 경영진이 R&D 프로세스에서 생성형 AI를 사용하는 데 있어 향후 포괄적인 접근 방식을 목표로 하고 있음을 나타냅니다. 실제로 설문조사 응답자의 40% 이상이 잠재적 활용 사례의 75% 이상을 우선순위에 두고 있다고 답했습니다.

생성형 AI의 예상 영향력과 가치

대부분의 참가자는 설문조사에서 또는 워크숍에서 정량화된 대부분의 생성형 AI 활용 사례가 상당한 가치를 가져다주며 R&D 프로세스를 10~20% 개선할 수 있다는 데 동의했습니다. 일부 참가자는 생성형 AI 사용 사례 통합의 잠재적 가치를 생성형 AI에 대한 투자 회수 수단으로 보는 반면, 다른 참가자는 동종 업계와의 경쟁력을 유지하는 데 필요한 추가 비용으로 보았습니다. 그럼에도 불구하고 생성형 AI의 가치를 최대한 활용하기 위해서는 조직과 문화에 대대적인 변화가 필요하다는 견해가 지배적이었습니다.

생성형 AI 사용 사례와 R&D에 대한 잠재적 가치

참여 기업에서 현재 시범 운영 중이거나 조사 중인 사용 사례는 요구 사항 엔지니어링(설문조사에서 가장 많이 언급됨)에 가장 중점을 두고 있으며, 소프트웨어 테스트 및 검증, 제품 설계 및 최적화(설문 응답자의 절반 이상이 언급)가 그 뒤를 이었습니다.

이러한 분야가 가장 많이 언급되었지만, R&D 프로세스의 각 부문에는 비용을 절감하고 시장 출시 속도를 높이며 품질을 개선할 수 있는 기회를 제공하는 실행 가능한 일반 AI 활용 사례가 있습니다. 예를 들어, 규정에서 요구하는 특정 문서화 작업을 완료하는 데 생성형 AI를 사용하여 관리 비용을 절감함으로써 개발자의 역량을 확보하고 엔지니어링 경험과 효율성을 개선할 수 있습니다.

• 테스트 및 인증. 컨설팅에 참여한 경영진은 보고를 자동화하고 문서화 및 시나리오 기반 시뮬레이션을 생성하는 데 생성형 AI를 사용하면 테스트 및 승인 프로세스를 20~30% 개선할 수 있을 것으로 예상했습니다. 자동화는 규정 준수, 제품 문서화 및 품질 보증을 위한 필수 보고서, 매뉴얼 및 문서 작성을 간소화하여 가치를 더할 수 있습니다. 또한 일부 사용 사례는 탁월한 효율성을 제공할 수 있습니다. 예를 들어 독일의 한 티어 1 자동차 공급업체는 gen AI를 사용하여 전체 분기 범위 및 수정된 조건/결정 범위(MCDC)와 같은 테스트 벡터를 생성함으로써 gen AI가 생성한 결과물을 사람이 검토하는 데 필요한 시간을 포함하여 생산성을 70% 향상시켰습니다. 이 회사는 임베디드 소프트웨어 개발 프로세스와 요구 사항 생성에 gen AI를 통합하여 이해 관계자의 요청에 대한 요구 사항을 결정하고 초안으로 사용할 수 있도록 지원함으로써 엔지니어의 생산성을 최대 30%까지 향상시켰습니다.
• 디자인 애플리케이션. R&D의 설계 부문에서 컨설팅을 진행한 리더들은 생성형 디자인 사용 사례를 통해 R&D 프로세스를 10~20% 개선할 수 있을 것으로 예상했습니다. 또한 리버스 및 블랙박스 엔지니어링 사용 사례를 통해 지식 추출, 알고리즘 디코딩 또는 리엔지니어링과 같은 독점 기술을 드러내고 해독함으로써 R&D 프로세스를 5~10% 개선할 수 있을 것으로 예상했습니다.

생성형 AI 기회 포착

설문조사에 응한 대부분의 경영진은 R&D에서 생성형 AI를 구현하는 데 있어 장벽이 "크거나" "매우 크다"고 생각했으며, "작다"고 답한 응답자는 25%에 불과했습니다. 실제로 기업의 기존 운영 모델에 생성형 AI를 체계적으로 통합하지 못하는 이유는 이러한 통합에 필요한 조직적, 문화적 변화가 크기 때문일 수 있습니다.

생성형 AI 애플리케이션이 R&D 프로세스 전반에 걸쳐 가치를 창출하려면 기술과 데이터를 넘어서는 총체적이고 가치 중심적인 접근 방식이 필요합니다. 필요한 다양한 역량과 문화를 구축해야만 기업은 생성형 AI와 같은 신기술의 이점을 누릴 수 있습니다.

가치 중심의 로드맵

놀랍게도 많은 혁신이 가치에 대한 명확하고 구체적인 목표가 부족합니다. 경영진 차원에서 명확하고 일관된 목표가 없으면 기업은 필요한 리소스를 확보하고 진행 상황을 추적하는 데 어려움을 겪습니다. 이러한 가치를 중심으로 지원과 조율을 구축하는 것이 중요합니다.

• 인에이블러로서 생성형 AI 프레임. R&D 임원들과 논의한 주요 주제는 선제적인 논의를 통해 생성형 AI의 이점을 적절히 포지셔닝함으로써 조직 내 생성형 AI에 대한 반발을 피하는 것이었습니다. 비용 절감과 일자리 파괴의 수단이 아닌 조력자이자 촉진제로서 생성형 AI를 제시하는 것이 성공적인 도입을 위해 매우 중요합니다.
• 명확하고 일관된 변화 내러티브. 최고 경험 책임자, 관리자, 직원, 법무, 윤리, 규정 준수 등 관련 부서 등 내부 이해관계자가 변화 내러티브를 정의하는 과정에 참여해야 합니다. 이러한 협력적 접근 방식을 통해 조직 내의 모든 관점을 고려하고 결과물이 포괄적이고 조직의 목표에 부합하는 내러티브를 만들 수 있습니다. 변경 내러티브는 데이터 개인정보 보호, 알고리즘 편향성, 투명성, 책임성 등 윤리적 고려 사항을 다루어야 하며, 모든 이해관계자에게 일관되게 전달되어야 합니다. 이를 통해 생성형 AI 구현에 대한 신뢰와 이해, 지지를 구축하고 조직의 모든 구성원이 전략적 목표를 지지하도록 장려할 수 있습니다.
• 최고 경영진의 역량을 강화. 중요한 첫 단계는 조직의 전략적 목표에 대한 생성형 AI의 잠재적 영향을 명확하고 간결한 방식으로 보여주는 관련 데이터와 사례 연구를 최고 경영진에게 제공하는 것입니다. 이상적인 상황에서는 최고 경영진이 생성형 AI의 윤리적, 법적 고려 사항과 가드레일 및 민첩한 윤리 및 법적 승인 프로세스 구축의 중요성에 대해 브리핑을 받습니다. 최고 경영진은 선구적인 사고방식을 모델링함으로써 조직 내에서 혁신과 실험의 문화를 조성할 수 있습니다. R&D 부서는 이러한 리더가 책임감 있고 효과적인 방식으로 생성형 AI를 구현하여 조직의 이익을 극대화할 수 있도록 지원할 수 있습니다.
• 조직에 영감을 줄 수 있는 가시적인 등대를 구축. 이는 자동차 R&D 부서의 핵심 전략이 될 수 있습니다. R&D 팀은 생성형 AI의 영향력이 큰 사용 사례를 파악하고 그 잠재력을 보여줌으로써 조직의 나머지 구성원들이 새로운 가능성을 탐색하고 혁신을 수용하도록 동기를 부여하고 영감을 불어넣을 수 있습니다. 등대가 성공적으로 구축되면 R&D 리더십은 서로를 강화하고 지원하는 일련의 사용 사례를 구축해야 합니다. 조율 없이 단순히 사용 사례를 개별적으로 구축하는 것은 상당한 활동만 이끌어낼 뿐 별다른 가치를 얻지 못하는 경우가 많습니다.

인재 역량 강화 및 교육 두 생성형의 AI 코파일럿

생성형 AI는 분명 일자리에 영향을 미칠 것이지만, McKinsey의 분석에 따르면 모델은 직원들이 이미 수행하고 있는 업무를 지원하는 보조 애플리케이션으로 기능할 것입니다. 이러한 변화에는 요약서 작성이나 문서 초안 작성과 같은 단조로운 업무의 수행이 포함될 것입니다. 이를 통해 직원들은 아이디어와 창의적인 솔루션을 창출하고 검토를 위한 초기 코드 초안을 작성하는 등 보다 보람 있는 업무에 더 많은 시간을 할애할 수 있게 될 것입니다. 인재 역량 구축은 채용 목표라기보다는 교육 목적이 훨씬 더 클 수 있습니다.

이미 여러 R&D 조직에서 요구사항 문서 작성에 중점을 둔 코파일럿을 도입하기 시작했습니다. 여러 버전의 문서에서 텍스트를 복사하여 붙여넣으면 종종 불일치가 발생하고 최악의 경우 불필요한 요구사항이 포함된 복잡한 문서가 만들어지기도 합니다. 이 코파일럿을 도입한 독일의 한 OEM 업체는 20%의 효율성 향상을 실현하고 수백 명의 엔지니어의 업무량을 완화했습니다. 이 코파일럿은 국제 표준화 기구(ISO) 규범에 대한 확인과 같은 추가 기능으로 지속적으로 개선되어 추가적인 시간 절약에 기여하고 있습니다.

독일의 한 자동차 OEM에서 구현한 또 다른 생성형 AI 코파일럿은 광범위한 직원들의 규정 준수 작업 준비 시간을 줄이는 것을 목표로 합니다. 이 경우 생성형 AI 애플리케이션은 ISO 및 유사 문서에서 규범을 자동으로 추출하여 통합하고 기존 프로세스 문서의 준수 여부와 준수 여부를 확인합니다. 향후 할 일 항목을 자동으로 도출하고 규범과 프로세스 문서 전반의 시너지를 파악하도록 확장하면 감사 준비에 드는 노력을 20~30%까지 줄일 수 있을 것으로 기대됩니다.

작업자는 코파일럿을 가장 잘 사용하는 방법을 배우고, 결과를 테스트하고 신뢰를 구축하며, 정답을 도출하는 상호 작용을 통해 안심할 수 있도록 시간과 교육이 필요합니다.

운영 모델 혁신

팀이 신속하고 효과적으로 일하려면 독립성, 명확한 가이드라인과 목표, 생성형 AI 도구와 기능에 대한 접근성이 필요합니다. 리스크와 관련된 불확실성과 변화하는 환경을 고려할 때, 해당 분야의 전문가를 실무 팀에 배치하여 문제를 조기에 파악하고 신중한 리스크 검토 및 승인 프로세스를 관리해야 합니다. 중요한 요소는 다음과 같습니다:

• 교차 기능 팀. 생성형 AI를 최대한 활용하려면 기업은 혁신을 추진하기 위해 효과적으로 협업할 수 있는 다양한 분야의 전문가로 구성된 교차 기능 팀을 구축해야 합니다. 협업과 실험의 문화를 통해 팀은 복잡한 문제를 해결하고 강력한 솔루션을 제공할 수 있습니다.
• 간소화된 프로세스. 생성형 AI의 잠재력을 최대한 활용하려면 워크플로우 간소화, 수동 프로세스 단계 제거, 역할 재조정 등을 통해 기존 프로세스를 재설계하고 비용을 체계적으로 줄이거나 제거해야 합니다.
• 명확한 권한 부여. 책임감을 보장하고 결과를 이끌어내기 위해 리더는 팀의 목표, 결과물, 일정을 명확하게 정의하는 강력한 임무를 설정해야 합니다. R&D 부서는 팀에 필요한 리소스와 권한을 부여함으로써 팀원들의 주인의식과 책임감을 고취하여 목표를 달성하고 가시적인 성과를 낼 수 있도록 지원할 수 있습니다.

기술 기반 구축

디지털 사용 사례와 마찬가지로, 생성형 AI 사용 사례 채택의 가장 큰 장벽은 데이터 사일로, 권한 문제, 새로운 기술을 지원하기에 부적합한 기술 스택입니다.

생성형 AI를 구현하려면 강력한 아키텍처, 효율적인 리소스 할당, 진화하는 기술 환경에 대한 선제적 적응 등 확장 가능한 인프라가 필요합니다. 또한, 일관성 있으면서도 모듈식 데이터 플랫폼은 확장 가능한 생성형 AI 사용을 지원하는 기술 기반에 필수적인 요소입니다. 이상적으로, 기술 기반은 다양한 생서형형 AI 모델에 대한 액세스를 제공하여 광범위한 사용 사례를 가능하게 하고 비용 효율적인 구현을 지원해야 합니다. 처리해야 할 방대한 양의 데이터와 공급업체가 호스팅하는 대규모 언어 모델과의 통합에 필요한 개방형 아키텍처는 필요한 유연성과 견고성을 제공할 수 있는 클라우드 기반 인프라와 플랫폼이 바람직하다는 것을 의미합니다.

강력한 데이터 거버넌스 구축

데이터에 대한 가치 보장 부족과 공급업체의 교육 데이터 가용성 부족은 데이터의 기술적, 조직적 중심성을 강조하는 상당한 과제입니다.

일반적으로 생성형 AI가 가치를 제공하기 위해 방대한 양의 데이터를 필요로 하지는 않지만, 대부분의 사용 사례는 독점 데이터를 사용하여 체계적으로 신속하게 보강함으로써 이점을 얻을 수 있으며, 독점 데이터의 가시성과 접근성을 허용되고 바람직한 범위로 제한하기 위해 엄격한 데이터 거버넌스로 관리할 필요가 있습니다.

데이터 소유권, 데이터 분류 및 온톨로지는 모델에 학습에 필요한 깨끗하고 대표성 있는 데이터를 제공하기 위해 필요합니다. 포괄적인 접근 방식은 이상적이지 않으며, 다양한 사용 사례를 위한 실용적인 솔루션 세트를 병행하여 도입하는 것이 성공 가능성이 더 높습니다. 예를 들어, 기업은 테스트 사례를 카탈로그화하고, 이러한 테스트 사례에 대한 데이터 거버넌스를 수립하고, 구조화된 데이터 레이크에 고품질 테스트 사례 데이터의 저장소를 만들 수 있습니다.

가치를 창출할 수 있도록 솔루션 채택 및 확장에 대한 엄격한 보장 유지

변화된 R&D 프로세스의 효과를 신중하게 측정, 평가하고 필요한 경우 수정해야 합니다. 생성형 AI의 긍정적인 영향을 입증하려면 명확하고 인정받는 기준선이 필수적입니다.

마찬가지로 가치 포착 거버넌스 프레임워크와 지원 인센티브는 라이선스 및 교육에 대한 불필요한 비용을 피하는 데 도움이 됩니다. 강력한 비즈니스 가치를 지닌 조직은 생산성 향상과 시장 출시 시간 단축을 통해 수익성 또는 수익성 향상을 실현하는 데 도움을 줄 수 있습니다.

R&D 부서는 잠재적 영향력이 가장 크고 리스크가 가장 낮은 생성형 AI 사용 사례의 우선순위를 지정하여 더 나은 서비스를 제공할 수 있습니다. 그런 다음 이러한 사용 사례를 복잡성과 상호 의존성에 따라 배포 물결로 그룹화하여 가시적인 비즈니스 가치를 제공하고 다음 배포 물결을 위한 모멘텀을 구축할 수 있습니다. 팀과 웨이브 간의 협업과 지식 공유는 이점을 극대화하는 데 도움이 될 수 있습니다.

R&D에서 생성형 AI의 가치를 포착하는 것은 AI 사용에 대한 명확한 비전과 사용 사례를 식별하고 우선순위를 정하기 위한 체계적인 접근 방식에서 시작됩니다. 각 사용 사례 파일럿 이후에는 강력한 변화 관리, 가치 창출, 역량 구축, 전체 프로세스 체인을 혁신하기 위한 다음 사용 사례의 로드맵이 뒷받침되는 제품을 개발해야 합니다. 생성형 AI의 이점을 일상적으로 적용해야만 가치를 창출할 수 있습니다.

여러 사용 사례를 부분적으로 병렬적으로 구현하면 시간이 지남에 따라 생성형 AI 접근 방식, 전략 및 비전을 연속적으로 반복하고 개선할 수 있습니다. 이러한 접근 방식은 생성형 AI 혁신의 가치를 신속하고 확장 가능하게 포착할 수 있도록 보장합니다.

Automotive R&D transformation: Optimizing gen AI’s potential value