Q1. AI 에이전트가 늘어나는 것이 왜 보안 위협이 되나요?
기존 보안은 ‘사람’의 접속을 검증하는 데 집중되어 있습니다. 하지만 AI 에이전트는 종종 사람보다 높은 시스템 접근 권한을 가지면서도 관리 체계(거버넌스) 밖에 있는 경우가 많습니다. 만약 AI 에이전트가 변조되거나 잘못된 명령을 수행할 경우, 권한을 남용해 기업의 핵심 데이터에 무단 접근할 수 있는 통로가 될 수 있기 때문입니다.

Q2. FinOps에서 ‘단위 경제성(Unit Economics)’이 중요한 이유는 무엇인가요?
A. AI 모델 호출 비용은 기존 클라우드 인프라 비용보다 훨씬 비싸고 변동성이 큽니다. 이제는 단순히 ‘비용을 얼마나 줄였는가’보다, ‘AI에 투입한 비용이 실제 비즈니스 가치(응대 자동화율, 의사결정 속도 등)를 얼마나 창출했는가’를 측정해야만 투자 대비 성과(ROI)를 정확히 판단할 수 있기 때문입니다.

Q3. RAG와 CAG의 차이점은 무엇인가요?
RAG(검색 증강 생성)가 질문에 맞는 외부 문서를 찾아 AI에게 ‘전달’하는 방식이라면, CAG(맥락 증강 생성)는 AI 에이전트가 복잡한 추론을 수행하는 단계마다 필요한 ‘맥락(Context)’을 전략적으로 설계하여 제공하는 방식입니다. 에이전트 시대로 넘어가면서 단순 검색을 넘어선 ‘컨텍스트 엔지니어링’이 중요해지고 있습니다.

Q4. 기업에서 ‘합성 데이터(Synthetic Data)’를 도입해야 하는 이유는 무엇인가요?
실제 데이터는 개인정보 보호 이슈나 데이터 편향성, 혹은 희귀한 시나리오의 부족으로 AI 학습에 바로 활용하기 어려운 경우가 많습니다. 합성 데이터는 실제 데이터의 특성을 유지하면서도 이러한 제약 사항을 해결할 수 있어, AI의 품질을 높이고 프로젝트 폐기 리스크를 줄이는 핵심 대안으로 주목받고 있습니다.

Q5. AI 시대의 재해 복구(DR)는 과거와 어떻게 달라져야 하나요?
과거의 DR이 사람이 사전에 짜놓은 시나리오(플레이북)에 따라 수동으로 복구하는 방식이었다면, AI 시대의 DR은 ‘자율 복구(Autonomous Recovery)’ 체계로 진화해야 합니다. AI 기반 공격의 속도가 사람이 대응할 수 있는 수준을 넘어섰기 때문에, AI가 이상 징후를 실시간 감지하고 스스로 복구 판단을 내리는 가용성 중심의 전략이 필수적입니다.

Q1. 기존 챗봇 AI와 ‘자율 AI 에이전트’의 가장 큰 차이점은 무엇인가요?
기존 AI가 사용자의 질문에 답변을 제공하는 ‘대화형’에 머물렀다면, 자율 AI 에이전트는 목표를 설정해주면 스스로 계획을 세우고 실행하며, 필요시 도구(Slack, GitHub 등)를 직접 조작해 결과물을 만들어내는 ‘실행형’이라는 점이 가장 큰 차이입니다.

Q2. AI 에이전트가 코드를 작성하고 배포까지 하면 보안상 위험하지 않나요?
A. 맞습니다. 자율성이 높을수록 보안 리스크도 커집니다. 따라서 최근 기업들은 AI의 실행 범위에 사람이 개입하는 지점(HITL, Human-in-the-Loop)을 설계하고, AI 전용 보안 가드레일과 거버넌스 체계를 구축하여 안정성을 확보하는 데 집중하고 있습니다.

Q3. 비개발자도 이러한 AI 에이전트를 업무에 활용할 수 있나요?
네, 가능합니다. 앤스로픽의 ‘Claude Cowork’나 OpenAI가 인수한 ‘OpenClaw’처럼 비개발자를 위한 업무 에이전트가 빠르게 확산되고 있습니다. 자연어로 명령만 내리면 문서 정리, 데이터 분석, 워크플로우 자동화 등을 AI가 대신 수행합니다.

Q4. 기업에서 AI 에이전트를 도입할 때 가장 먼저 고려해야 할 사항은 무엇인가요?
단순한 모델의 성능보다는 ‘신뢰할 수 있는 인프라’와 ‘업무 시스템과의 연동성’입니다. 우리 회사의 데이터와 기존 툴(ERP, CRM 등)에 안전하게 접근할 수 있는지, 그리고 AI가 내놓은 결과물을 검증할 수 있는 관리 체계가 있는지가 핵심입니다.

Q5. AI 에이전트 도입으로 인해 개발자의 역할은 어떻게 달라지나요?
개발자는 직접 코드를 작성하는 ‘생산자’에서, AI 에이전트가 만든 코드를 감독하고 아키텍처를 설계하며 보안 결함을 검토하는 ‘검증자’이자 ‘감독관’으로 역할이 확장됩니다. 이는 단순 반복 업무에서 벗어나 고차원적인 문제 해결에 집중할 수 있음을 의미합니다.

Q1) MWC26의 메인 슬로건인 ‘The IQ Era’는 무엇을 의미하나요?
‘The IQ Era(지능의 시대)’는 인간의 통찰력과 기술의 예측력이 결합하여 산업과 비즈니스, 사회 전반에 긍정적인 변화를 만들어내는 시대를 의미합니다. 이는 단순히 기술을 고도화하는 단계를 넘어, AI를 통해 실질적인 가치를 창출하는 지능형 사회로의 진입을 상징합니다.

Q2) 통신업계의 화두인 ‘AI-RAN’과 ‘Zero-Touch 프로세스’는 무엇인가요?

AI-RAN은 기존 무선 접속망에 AI 연산 기능을 결합하여 기지국 스스로 트래픽과 상태를 분석하고 최적화하는 기술입니다. 이를 통해 장애 발생 전 이상 징후를 감지하고 사람의 개입 없이 스스로 복구하는 ‘Zero-Touch(제로 터치) 프로세스’가 가능해지며, 네트워크 운영의 효율성을 극대화합니다.

Q3) ‘소버린 AI(Sovereign AI)’가 왜 이번 MWC에서 중요하게 다뤄지나요?
특정 국가나 거대 테크 기업의 기술 종속에서 벗어나, 국가와 기업이 자체적인 데이터와 모델, 인프라를 직접 통제하려는 ‘AI 주권’ 확보 움직임이 거세지고 있기 때문입니다. 이번 전시에서는 글로벌 통신사들이 주축이 되어 통신 인프라를 기반으로 한 데이터 자립 및 보안 방안을 집중적으로 논의했습니다.

Q4) 통신 기술 외에 주목해야 할 차세대 기술에는 어떤 것들이 있나요?
AI와 센서 기술이 결합된 ‘로봇폰’, 공항 운영 전반을 자동화하는 ‘미래 공항(Future Airport)’, 보안과 트래픽 최적화를 돕는 ‘양자 기술’, 그리고 지상 기지국이 없는 오지나 항공에서도 통신이 가능한 ‘비지상 네트워크(NTN)’ 등이 주요 미래 기술로 꼽혔습니다.

Q1) 피지컬 AI와 전통적인 산업용 로봇의 가장 큰 차이점은 무엇인가요?
가장 큰 차이는 ‘자율적 학습과 판단’입니다. 기존 로봇이 정해진 코드로만 움직였다면, 피지컬 AI 로봇은 딥러닝과 시뮬레이션을 통해 스스로 물리 세계를 이해하고 환경 변화에 맞춰 행동을 수정합니다. 즉, 예외 상황에서도 사람이 개입할 필요 없이 스스로 최적의 의사결정을 내릴 수 있습니다.

Q2) 피지컬 AI를 실제 현장에 도입할 때 가장 큰 장벽은 무엇인가요?
정확성과 통합성입니다. 연구실과 달리 산업 현장은 99.9% 이상의 완벽한 오차 제어를 요구하지만, 학습 기반 AI는 아직 현장의 수많은 변수를 모두 제어하기 어렵습니다. 또한, 기존 창고 관리 시스템(WMS)이나 모니터링 시스템과 유기적으로 연결되어야 하는 호환성 문제도 해결해야 할 주요 과제입니다.

Q3) 피지컬 AI 시대를 준비하기 위해 기업은 지금 무엇을 해야 할까요?
당장 도입하지 않더라도 ‘데이터 인프라’를 먼저 구축해야 합니다. 피지컬 AI의 성능은 결국 현장 데이터에서 나오기 때문입니다. 장기적인 자동화 비전을 수립하고, 데이터를 안전하게 수집·공유할 수 있는 클라우드 인프라와 함께 이를 운영할 수 있는 내부 역량을 미리 갖춰나가는 것이 중요합니다.

Q4) 피지컬 AI 도입 시 ‘디지털 트윈’은 왜 필수적인가요?
현실 세계에서의 시행착오는 시간과 비용이 많이 들 뿐만 아니라 안전사고의 위험도 큽니다. 디지털 트윈은 가상 세계에 물리 법칙이 적용된 환경을 구축하여 피지컬 AI가 수백만 번의 반복 훈련을 안전하게 마칠 수 있도록 돕습니다. 이를 통해 현장에 배치되었을 때의 안정성을 극대화하고, 실제 물리적 환경에서 발생할 수 있는 오류를 사전에 차단하는 핵심적인 역할을 합니다.

Q5) 특정 산업(제조, 물류 등)에 특화된 ‘현장 특화형 AI’가 먼저 확산되는 이유는 무엇인가요?
모든 상황에 대처하는 범용 AI보다, 용접·조립·선별 등 특정 목적에 최적화된 AI가 현장에서 즉각적인 성과(ROI)를 내기 유리하기 때문입니다. 특정 작업에 집중할 경우 요구되는 데이터의 양이 상대적으로 적고, 정확도는 훨씬 높일 수 있습니다. 따라서 기업들은 범용 로봇을 도입하기보다 당장의 병목 구간을 해결할 수 있는 특화형 피지컬 AI를 먼저 채택해 효율을 높이는 추세입니다.

Q1) AI 전용 데이터센터는 기존 데이터센터와 무엇이 다른가요?
생성형 AI 모델을 돌리려면 기존 서버보다 훨씬 높은 컴퓨팅 파워가 필요하며, 이에 따라 단위 면적당 전력 소모량이 10배 이상 높습니다. 따라서 고도의 냉각 시스템(액침 냉각 등)과 초고속 네트워크망이 필수적으로 결합되어야 하며, 설계 단계부터 완전히 다른 구조를 가집니다.

Q2) 데이터센터가 부족하다는데, 왜 빨리 지어서 공급하지 못하나요?
데이터센터 건설의 가장 큰 병목 현상은 ‘전력 확보’입니다. 건물은 지을 수 있지만, 그 건물에 들어갈 대규모 전력을 전력망으로부터 끌어오는 데에만 수년이 걸리기도 합니다. 최근에는 전력 공급을 기다리는 시간이 건설 기간보다 길어지면서, 아예 부지 내에 자체 발전기를 두거나 에너지 기업을 직접 인수하는 방식으로 대응하고 있습니다.

Q3) ‘그린 데이터센터’는 기존 데이터센터와 무엇이 다른가요?
단순히 서버를 가동하는 것을 넘어, 전력 사용을 최소화하고 탄소 배출을 낮추는 데 최적화된 시설입니다. 장비에서 발생하는 막대한 열을 지역 난방 등에 재활용하거나, 태양광·풍력 등 재생 에너지를 직접 생산해 운영에 활용하기도 합니다. 지속가능성이 기업의 필수 경쟁력이 되면서 2025년까지 관련 시장이 1,200억 달러 규모로 성장할 전망입니다.

Q4) 왜 빅테크 기업들이 건설 기간이 짧은 ‘모듈형 데이터센터’에 주목하나요?
폭발적인 AI 수요에 비해 데이터센터를 짓는 속도가 따라가지 못하고 있기 때문입니다. 일반적인 데이터센터 건설은 보통 2~3년이 소요되지만, 공장에서 미리 제작해 현장에서 조립하는 ‘모듈형’ 방식을 도입하면 기간을 1년 내외로 대폭 단축할 수 있습니다. 현재 건설 중인 물량의 77%가 이미 임대 완료될 정도로 수요가 급박하기 때문에 빠른 공급이 핵심인 상황입니다.

Q5) 국가들이 데이터센터를 ‘전략 자산’으로 관리하는 이유는 무엇인가요?
이제 데이터센터는 단순한 시설이 아닌 ‘AI 주권’을 결정짓는 핵심 인프라가 되었기 때문입니다. 자국 내에 충분한 데이터센터가 없다면 데이터 보안은 물론 차세대 AI 산업 경쟁력에서 뒤처질 수 있습니다. 이에 미국, 프랑스 등 주요국들은 정부 차원에서 전력 조달과 환경 영향을 직접 관리하며 AI 인프라 구축에 막대한 예산을 투입하고 있습니다.