자동차 AI, 뭘 하냐가 아니라, 어떻게 쓸 거냐의 문제

CES 2026 Connect2Car 패널들이 남긴 Automotive AI에 대한 메시지는 AI는 더 똑똑해지는 기술의 문제가 아니라, 더 안전하고 더 빠르게 ‘실제로 쓰는 방식’의 문제란 것이다. 패널들의 대화는 가능성을 과장하지 않고, 자동차 산업이 AI를 제품과 실행으로 바꾸기 위해 넘어야 할 질문들을 정확히 남겼다.

글 | 한상민 기자_han@autoelectronics.co.kr
IN ENGLISH


모더레이터: John Ellis, President of Codethink Limited (좌측부터)
패널: Yansong Chen, Founder & CEO of ROPIX LLC
Rebecca Delgado, VP Engineering, Autonomy & AI of Torc Robotics
Maurice Dantzler, Executive Director of Cummins Inc.
Madison Beebe, Software & Tech Strategy Director of Ford
Dirk Slama, Chairman of digital.auto and Bosch





“AI는 기능의 문제가 아니라, 실행의 문제다.”
CES에는 AI를 이야기하는 무대가 많다. 그런데 이 패널토론이 남긴 건 AI가 무엇을 할 수 있는가가 아니라, AI를 실제로 쓰려는 순간 자동차 산업이, 그리고 조직들이 어떤 질문에 부딪히는가였다. 신뢰할 수 있는가, 돈이 되는가, 책임은 누가 지는가, 검증은 어떻게 할 것인가에 대한 것이고, 무엇보다 중요한 질문은 “이걸 실제 양산과 운영의 시간표 안에 넣을 수 있는가”였다. 마치 친구들이 술집에서 나누는 대화처럼 진행된 구조는 AI가 자동차 산업에서 결국 기술의 문제가 아니라 합의와 실행의 문제임을 역설했다.
토론은 4개의 테마로 전개됐다. 첫째, AI는 유행이 아니라 제품이 되어야 한다는 말로 신뢰와 수익, 그리고 ‘제품화(productize)’라는 현실. 둘째, AI는 만능이 아니라 도구로서 사람이 책임을 지는 ‘human-in-the-loop’와 데이터의 정직함에 대해. 셋째, 중앙집중과 SDV가 만들어낸 복잡성과 관련한 통합과 검증, 안전·보안의 언어가 더 거칠어지는 지점에 대해. 넷째, 결국 남는 건 기술이 아니라 실행으로 회사 안에서만 풀 수 없는 문제를 생태계와 표준화, 협업의 사회적 계약으로 풀어야 한다는 것이었다.

결론은 이렇다. 
- AI는 ‘기능’이 아니라 ‘제품화’의 문제다. 모델을 만들었다가 아니라, 신뢰·수익·운영까지 포함해 시장에 올리는 설계가 필요하다.
- 핵심은 “Human-in-the-loop”다. AI가 대체하는 건 사람이 아니라 반복 업무이고, 책임을 지는 건 여전히 사람과 조직이다.
- 데이터는 연료가 아니라 ‘리스크 자산’이다. 데이터 품질·무결성·보안·프라이버시를 못 지키면 AI는 혁신이 아니라 폭탄이 된다.
- 중앙화는 단순화가 아니라, 검증 부담을 중앙으로 끌어올린다. SDV 위에 AI가 올라가는 순간, 통합·안전·보안·진단의 난이도는 더 거칠어진다.
- AI의 성공은 기술이 아니라 실행에서 결정된다. 실제 실패는 알고리즘이 아니라 일정·검증·협업 과정에서 터지고, 그 비용이 가장 크다.
- 답은 협업과 표준화, 그리고 생태계의 ‘사회적 계약’이다. 기업 내부 최적화만으로는 부족하고, 일정·검증·책임을 함께 정렬하는 구조가 필요하다.

 

---

 
John Ellis    오늘 주제는 ‘Automotive AI, 새로운 가능성과 경험을 여는 것’입니다. Rebecca, Torc Robotics에서 자율주행 애플리케이션을 하고 있잖아요. AI는 도움이 됩니까, 아닙니까?  
Rebecca Delgado    도움이 되는 정도가 아니라, 기반(fundamental)이에요. 우리가 시장에 내놓으려는 기술의 핵심 그 자체죠. 그리고 이건 단지 유행이 아니라, 실제로 시장이 요구하는 것을 제공하기 위해 필요한 시스템입니다. 트럭 자율주행에서 경험과 성능을 가속하는 데 AI는 절대적으로 필요해요. AI는 진짜로 세상을 바꾸고 있고 계속 바꿔 갈 기술이라고 봅니다. 다만, 어려움도 많아요. 우리가 신뢰할 수 있어야 하고, 수익을 만들 수 있어야 하며, 결국엔 제품화(productize) 해야 합니다. 서로 결이 다른 도전들이 동시에 존재해요.


John Ellis    Yansong. 우리가 AI를 이야기할 때 늘 하던 말이 있죠. ‘AI는 그냥 또 하나의 도구다. 기본을 잊으면 안 된다.’ Rebecca가 말한 ‘신뢰, 수익, 제품화’ 같은 걸 실제 자동차 개발 현실에서 해내려면, 핵심 도전이 뭘까요? 
Yansong Chen        저는 이 패널에서 유일한 창업자이고, 두 명뿐인 기업가 중 한 명이기도 해서 조금 다른 관점을 드릴 수 있을 것 같아요. AI가 자동차 개발의 현실과 만나는 순간, 특히 기능안전성 같은 시스템 레벨의 규율과 사고방식이 필요한 영역에서는 AI가 기본적인 원칙들을 대체하지 못합니다. 규율, 엄격함, 시스템 사고 등, 이건 결국 사람이, 사람이 있는 팀이 만들어야 합니다. AI는 입력되는 정보만큼만 좋습니다. 그러니 책임은 우리가 져야 해요. 저는 AI를 도입하는 과정에서 책임 있는 방식의 구현이 정말 중요하다고 생각합니다.
Rebecca가 말한 ‘신뢰’ 얘기요? 저는 이렇게 말하고 싶어요. 우리는 먼저 ‘우리 자신’을 신뢰해야 합니다.


John Ellis    Madison, 전통 OEM이 AI를 받아들이는 과정에서 어떤 어려움이 있다고 봅니까? 우리는 소프트웨어 복잡성이 폭발하고 물리 세계 밖에서 규모가 커지고, 도구와 프로세스도 오래됐고…, 지금 하는 방식이 맞는지조차 흔들리는 상황입니다. 우리가 뭘 해야 합니까? 
Madison Beebe        저는 아까 ‘유행이 아니다’라는 표현이 좋았어요. 그리고 ‘신뢰’라는 키워드도요. 우리는 AI를 유행처럼 다룰 수 없습니다. 받아들이고, 투자해야 합니다. 다만 똑똑하게 해야 합니다. 그 과정은 개발 사이클 전체, 제품 수명 주기 전체에 걸쳐야 해요. 고객에게 새로운 경험을 정의하고 개발하고 배포하는 방식 전체에요. 첫 번째 도전은 ‘사람’입니다. 엔지니어들이 AI를 어떻게 받아들이느냐, 그것이 중요하죠. ‘내 일을 빼앗는가?’ 아니면 ‘나에게 효율과 규모를 주는가?’ 이런 심리적 신뢰의 문제도 있어요. Yansong이 말했듯, 데이터 무결성이 핵심입니다. AI는 결국 우리가 넣는 데이터만큼만 작동합니다. 그래서 운영적·문화적 관점에서 ‘사람’과 ‘데이터’가 큰 도전이에요. 두 번째는 투자입니다. 언제, 어떻게 투자할지. 그리고 그 투자가 수익을 만드는 기회로 이어지도록 ‘타겟팅’해야 합니다. 저는 지금 AI를 개발 프로세스 전반에 적용하는 걸 보고 있어요. 개발 효율, 속도, 그리고 고객에게 전달되는 결과물의 품질을 개선하는 방식이죠. 또 자동차에서 AI의 독특한 기회는 고객을 더 잘 이해하고 개인·기업·운영자 같은 서로 다른 대상에게 개별화된 솔루션을 더 잘 제공할 수 있다는 점입니다.


 
John Ellis    Bosch와 생태계 파트너십 관점에서, 우리가 직면한 도전이 뭡니까? 전통적인 밸류체인은 ‘물리적인’ 세계의 규칙에 기반해 파트너십을 맺어 왔죠. 그런데 지금은 디지털 세계의 규칙이 다릅니다. AI가 도움이 됩니까, 아니면 오히려 부담이 됩니까?
Dirk Slama    중요한 질문입니다. 저는 개인적인 경험부터 이야기해 볼게요. 우리가 ‘코딩과 안전한 코딩’을 얘기하잖아요. 솔직히 저는 지난 10~15년간 코딩을 거의 안 했어요. 완전히 그 ‘존(zone)’에서 벗어나 있었죠. 그런데 작년 말에, 제가 석달 동안 완전히 VS Code에 빨려 들어갔습니다. 옛날처럼 밤새고, 새벽까지 하고 결국 아내가 그만하라고 할 정도였죠. 그런데 재미있었어요. 그리고 그 경험이 뭐였냐면,  마치 ‘리모컨으로 술 취한 원숭이를 조종하는 느낌’이었습니다. 그 원숭이는 엄청난 전문가인데, 동시에 완전히 취해 있는 거예요. 이게 지금 우리가 가진 힘입니다. 정말 강력하지만, 동시에 거칠고(jagged), 예상치 못하고, 통제되지 않는 결과가 튀어나옵니다. 그럼 이걸 자동차 산업에 어떻게 적용하느냐, 그리고 생태계에 어떻게 적용하느냐. 기존 밸류체인인 Tier 1, OEM에 어떻게 올리느냐가 도전입니다. 결국 우리가 반드시 지켜야 하는 것들이 있어요. 차량에서 ‘반드시 작동해야 하는 것’은 계속 작동해야 합니다. 그 위에 새로운 기능을 올릴 수 있어야 하고요. 요즘 차량 내 감정 이해 에이전트 같은 이야기들도 나오는데, 그걸 ISO 26262 방식의 프로세스만으로 만들 수 있느냐? 저는 그렇게 보진 않습니다. 이 모든 것을 함께 작동시키면서도, 안전을 해치지 않고, 기존 체계를 무너뜨리지 않고, AI의 힘을 레버리지하는 것. 그게 기술적으로도, 생태계적으로도 가장 큰 도전이라고 봅니다.


John Ellis        Maurice, 당신은 기능안전도 해봤고, 사이버보안도 해봤고, 강한 엔지니어죠. 무섭지 않습니까? 무섭지 않다면 왜 안 무섭죠? 
Maurice Dantzler     전혀 두렵지 않습니다. AI는 도구(tool)입니다. 제가 오래 일해오면서 늘 고민했던 게 있습니다. 팀이 복잡성을 어떻게 관리하게 도울 것인가. 시스템이 점점 더 복잡해지면서, 양산 런치나 고객 요구에 맞추기 위해 ‘제때’ 모든 걸 제대로 해내는 게 점점 더 어려워졌거든요. 검증 계획을 만들고, V-모델을 따르고, 다 좋은데, 현실에서 그걸 제대로 할 시간이 항상 충분합니까? 보통은 부족하죠. AI는 데이터 관리에 도움을 줄 겁니다. 시스템 관점에서 질문을 던지게 해주고, 인간이 루프 안에 있는 상태에서 데이터를 흡수·정리하게 해줄 거예요. 제가 경험상 말할 수 있는 건 이겁니다. 새로운 기술을 런칭할 때 실패하는 이유는 기술이 실패해서가 아니라 실행(execution)이 실패해서입니다. 기술은 작동할 수 있었는데 시간이 부족하고 과정이 부족해서 엔지니어링 실수가 생기고, 그게 지연과 추가 비용으로 이어지는 거죠. AI는 그런 효율을 줄 수 있어요. 비용을 낮추고 우리가 해야 할 일을 ‘제대로 했는지’ 확인하는 노동을 덜어줍니다.


John Ellis    Yansong, Maurice 말에 동의합니까? AI는 결국 도움이 되고, 우리는 엔지니어링을 신뢰하면 된다는 것. 아니면 여기에 경영진의 이해도 같이 필요하다고 봅니까? 
Yansong Chen        오늘 아침 우버를 타고 오면서 있었던 이야기가 떠오르네요. 운전기사가 기술을 좋아하는 사람이었어요. 그래서 제가 말했죠. ‘저 5분 뒤에 AI 패널에 나가요. AI에 대해 어떻게 생각하세요?’ 그가 말하더군요. ‘기술 좋아하지만… 솔직히 조금 무서워요. AI랑 로봇이 이번 주 내내 가장 큰 버즈워드잖아요. 그래서 제가 더 물었어요. ‘뭐가 그렇게 무섭나요?’ 그 분이 말했죠. ‘블랙박스 같아서요. 안이 보이지 않으니까요.’ 예를 들어 의료 진단 같은 데서는 AI가 오히려 평균 의사보다 더 정확할 수도 있습니다. 그런데도 사람들은 “보이지 않는다”는 이유로 불안해하죠. 하지만 그 운전기사는 결국 이렇게 말했습니다. ‘그래도 도구니까, 배워서 써야겠죠.’ 저는 그 지점이 중요하다고 봅니다. AI는 또 하나의 도구입니다. 우리는 인터넷이 세상을 어떻게 바꿨는지 이미 경험했어요. AI도 마찬가지입니다. 기본을 놓지 않고, 새 도구를 책임 있게 통합해야 합니다.


John Ellis        Madison, Ford는 신뢰를 많이 받는 브랜드입니다. AI 신뢰를 고객에게 어떻게 설명합니까? 옛날에도 알고리즘은 있었는데 그때는 AI라고 안 불렀죠. 이제는 고객이 더 이해해야 하는 시대입니다.
Madison Beebe        신뢰에는 여러 층이 있어요. 내부 신뢰가 있고 외부 신뢰가 있습니다. 예를 들어 소프트웨어 엔지니어에게 AI를 물으면, “업무를 15가지 방식으로 더 빠르게 만들 수 있다”고 말할 겁니다. 그런데 재무 부서에 물으면, “그 투자금은 어떻게 회수할 건데?”가 핵심이죠. 그래서 신뢰는 타깃팅된 유스케이스, 타깃팅된 투자, 그리고 투자 회수 계획을 통해 먼저 만들어집니다. 기대하는 결과가 무엇인지 공개적으로 말하고, 그 결과를 향해 움직이고, 안 되면 멈춰야 합니다. 저는 AI를 개발 과정에 적용해서 효율과 속도를 높이고, 고객에게 전달되는 결과 품질을 높이는 데 집중하고 있어요. 고객 관점에서는, 차량이 시간이 지나면서 학습하고 개선되고, 개인의 요구에 더 맞춰진 경험을 제공한다면 신뢰가 쌓일 수 있습니다. 물론 데이터 무결성, 개인정보 보호 같은 것들을 제대로 지켜야 더 신뢰를 얻을 수 있고요. 사실 소비자는 이미 AI를 매일 사용하고 있어요. 본인이 AI라고 인식하지 못할 뿐이죠.


John Ellis    Dirk, 당신이 말한 신뢰는 법적 계약만이 아니라 ‘사회적 계약’일 수도 있습니다. 생태계 관점에서 신뢰를 확장하려면 무엇이 필요합니까?
Dirk Slama    우리는 매일 AI/ML을 쓰고 있습니다. 요즘은 특히 ‘에이전트’가 화두죠. 여행 예약을 해주는 에이전트, 엔지니어링을 대신하는 에이전트. 그래서 오늘 아침 저는 작은 실험을 하고 싶었어요. 여기 있는 분들 중, AI 에이전트에게 이메일 비밀번호나 신용카드 정보를 맡기고, 완전히 독립적으로 일을 시킨 적 있는 분 있나요? 없죠? 그게 답입니다. 우리는 아직 ‘그 술 취한 원숭이 전문가’에게 모든 걸 맡길 만큼 신뢰하진 못합니다. 아직 갈 길이 있어요.

Rebecca Delgado    제가 하나 덧붙이고 싶어요. ‘망치만 있으면 모든 게 못으로 보인다’는 말 있잖아요. 요즘이 딱 그래요. AI, AI, AI… AI가 없으면 전략이 없는 회사처럼 취급받는 분위기입니다. 하지만 AI가 우리 제품의 기반인 회사 입장에서 봐도, 결국 중요한 건 시스템 사고입니다. 개발 프로세스의 어디에 AI를 쓸지, 런타임에서 어디에 AI를 쓸지, 그 배치가 핵심이에요. AI는 가치사슬 전체를 가속할 수 있습니다. 개발에서는 효율을 높이고 더 나은 제품을 만들게 해주고, 제품 자체에서도 사람이 수동으로 만들려면 너무 오래 걸릴 기능을 빠르게 구현하게 해주죠. 결국 ‘능력의 가속’입니다. 그런데 신뢰는 어떻게 만드느냐? 그건 경험 있는 주제 전문가들이 함께 붙어야 합니다. AI 전문가만으로는 안 됩니다. 재무 담당이 와서 “데이터 다 저장하면 회사 망한다”고 말할 수 있어야 하고, 안전·법무·오픈소스 커뮤니티까지 함께 있어야 합니다. 결국 이건 유엔(UN)에 또 하나의 나라가 추가되는 것처럼, 새로운 언어를 배우는 문제예요. ISO 26262 전문가와 AI 모델 전문가가 같은 언어를 쓰지 않거든요. 이 경계를 연결할 수 있는 조직이 이깁니다. 그리고 준비되지 않은 것을 배포하지 않는 절제도 필요합니다. 건전한 시스템 엔지니어링은 계속 승리할 것입니다. 물론, 비즈니스 케이스가 있다는 전제 하에서요.





 
John Ellis    그럼 바로 묻겠습니다. 우리는 비즈니스 케이스가 있습니까? 자동차 산업은 ‘반짝이는 열쇠(shiny keys)’ 문제를 갖고 있어요. 늘 다음 반짝이는 것을 쫓죠. 제로섬 게임이니까요. 누군가 포드를 사면 GM을 안 삽니다. 그래서 계속 쫓습니다. 우리는 지금 뭔가를 쫓고 있는 걸까요, 아니면 이게 정말 산업을 위한 근본적인 기회일까요? 자, 기술 문제는 다 해결했다고 가정합시다. 그럼 남는 질문은 이겁니다. 우리는 자동차를 파는 것 말고도 지속 가능한 비즈니스 모델을 만들 수 있습니까? 밸류체인 전체가 살아남는 구조를 만들 수 있나요? 
Dirk Slama        저는 분명히 비즈니스 케이스가 있다고 봅니다. 자율주행은 10년 전부터 약속됐지만, 1인치씩 정말 천천히 가고 있죠. 보험사가 ‘사람보다 안전하다’고 인정하는 임계점도 넘어야 하고요. 하지만 산업은 이미 지난 5~10년 사이 많이 변했습니다. 개발 사이클이 7년에서 2년 이하로 줄어드는 방향으로 가고 있어요. 이 흐름을 받아들이지 않으면 경쟁에서 이길 수 없습니다. 그 자체가 강한 비즈니스 케이스입니다.

Yansong Chen        저도 덧붙이고 싶습니다. 전동화, SDV, 그리고 그 위에 AI까지. 이건 장기적으로 로드맵의 일부가 될 겁니다. 하지만 아직은 초기 단계예요. 2023년 ChatGPT가 나오면서 세계가 바뀌었고, AI는 아직 2~3년 주기 초반입니다. CES 2024~2025에서도 늘 나왔던 질문이 있어요. ‘그거 진짜 AI냐, 아니면 그냥 자동화에 AI 라벨 붙인 거냐?’ AI는 빠르게 성숙할 겁니다. 하지만 지금은 “완성된 비즈니스 모델”을 만들기보다는 효율 개선이라는 저비용·고효과의 영역부터 공략하는 단계라고 봅니다. 아직 전동화도, SDV도 상업화와 수익성에서 고전하는데, AI는 이제 시작이니까요.

Maurice Dantzler    전통적인 품질·비용·납기(QCD) 관점에서 보면, AI는 세 가지를 동시에 개선할 수 있는 문을 열어줍니다. 보통은 트레이드오프가 있거든요. 품질 올리면 비용이 오르고, 비용 내리면 납기가 흔들리고. 하지만 AI는 시뮬레이션 같은 영역에서 품질·비용·납기를 동시에 개선할 가능성이 큽니다. 또, 100년 된 기업이 가진 조직의 지식과 경험을 AI가 더 쉽게 꺼내 쓸 수 있게 해줄 수도 있어요. SDV 시대에는 더 이상 “우리 회사 내부만”으로 런치를 설계할 수 없습니다. 다른 회사의 일정, 검증 계획과 협업해야 합니다. 그 복잡성을 AI 없이 관리하기는 어렵습니다. AI가 75%까지 끌고 가고, 베테랑이 마지막 검증을 하는 구조가 될 겁니다.


John Ellis    과거에는 ‘내부’에만 집중했어요. 이제는 외부 생태계까지 봐야 합니다. 관계는 법적 계약만이 아니라 ‘사회적 계약’이기도 합니다. 그렇다면 현실적으로 실행이 늘 문제였으니 어떻게 이 실행을 극복합니까? 우리는 무엇을 배웠고, 어디로 가야 합니까?
Maurice Dantzler    저라면 AI에게 먼저 물을 겁니다. 과거에 어떤 실패가 있었는지, 왜 실패했는지요. 그리고 그걸 바탕으로 접근 전략을 만들겠죠. 하지만 실행은 회사 간 실행이고, 규제기관도 연결돼야 하고, 안전과 사이버까지 다 걸립니다. 너무 복잡합니다. 그러니까 결국 도구를 써야 해요. 예전엔 계산기 쓰면 안 된다고 했죠. 지금 누가 긴 나눗셈을 직접 합니까? 결국 도구를 쓰는 게 자연스러워집니다.

Yansong Chen        여기서 중국 이야기를 안 할 수가 없습니다. 중국은 전동화도 빠르고, SDV도 빠르고, 이제는 AI-defined vehicle로 빠르게 피벗하고 있습니다. 제가 말하고 싶은 건 이거예요. 이미 된 걸 보고 배워야 합니다. 바퀴를 다시 발명하지 말자. 중국은 표준화로 속도를 냈습니다. 같은 팬 부품이 여러 OEM에 쓰이는 식이죠. 북미에서도 우리는 서로 배우고, Connected Car나 COVESA 같은 장에서 함께 모여야 합니다. CES에서 COVESA 리셉션이 있고, AI 워킹그룹 이야기도 합니다. 우리는 지난 3개월 동안 워킹그룹에서 “유스케이스를 어떻게 하고 있는지”를 공유하기 시작했어요. 계획만이 아니라 유스케이스를, 그리고 일관되게 하는 방법을요. 표준화와 효율이 관건입니다.

Rebecca Delgado    자율주행을 만드는 회사 관점에서 비유를 하나 들고 싶어요. 이건 마라톤입니다. 다만 마라톤 안에 수많은 스프린트가 있는 형태죠. 자원 문제입니다. 컴퓨팅, 인재, 돈, 데이터 수집과 학습, 모델 유지까지 모두 자원입니다. 그래서 저는 협업이 더 현실적이라고 봅니다. 연구기관, 대학, 생태계 파트너와의 협업이요. 과거에는 이런 걸 사일로로 하고 IP를 움켜쥐었죠. 하지만 이제는 일부를 ‘혼자 다 가지는 것’을 내려놓아야 더 빨리 갈 수 있습니다. 비용도 줄일 수 있고요. 장기 투자와 명확한 목표, 그리고 ‘협업의 스윗스팟’이 필요합니다.

Madison Beebe        동의합니다. 지난 5~7년 SDV가 그랬잖아요. 각자 아키텍처, 각자 시스템, 각자 독자 개발… 엄청난 내부 투자. AI는 그 길을 그대로 반복하면 안 될지도 몰라요. 그리고 아까 비즈니스 케이스 질문도요. 저는 ‘비즈니스 케이스가 있냐’보다, 이게 결국 ‘수익을 만드는 기회냐’가 중요한 질문일 수도 있다고 봅니다. 왜냐하면 양산화될 시점에는 이미 경쟁의 기본 조건(table stakes)이 되어버릴 가능성이 크니까요.

Dirk Slama    ‘시스템 아키텍처를 전체적으로 보는 시선’이 정말 좋았습니다. AI-defined vehicle은 SDV 위에서 만들어져야 합니다. SDV가 안전한 레이어링을 제공하니까요. 깨지면 큰일 나는 것들을 캡슐화하고, 그 위에 새로운 기능을 올릴 수 있게 합니다. 이건 차량 기능뿐 아니라 엔지니어링 프로세스에도 적용됩니다. 예를 들어 테스트는 ‘깨뜨리는 것’이기도 하잖아요. 그럼 누가 제일 잘 깨뜨릴까요? 술 취한 원숭이 전문가(그 AI)입니다. 안전한 범위 안에서 어디까지 밀어붙일 수 있는지, 단계적으로 실험할 수 있습니다.


 

---

AI는 단독 질주로 완성될 수 없다. SDV가 표준화와 공통 기반을 요구했듯, AI 역시 생태계의 언어와 검증의 규칙, 책임의 경계를 다시 합의해야 한다. 제품화는 기술의 문제가 아니라 운영과 계약, 그리고 신뢰의 문제다. 결국 자동차 산업이 AI를 갖게 되는 순간은 “AI가 충분히 똑똑해졌을 때”가 아니라, 산업이 그 AI를 다룰 만큼 정렬되었을 때다.

AEM(오토모티브일렉트로닉스매거진)

---