수주 1조원의 스마트팩토리가 새로운 산업에서 다시 증명해야 하는 것

LG전자는 2026년 10월 22일 한국수자원공사(K-water)와 '시화호 AI 조력발전소 추진을 위한 기술협력 업무협약(MOU)'을 체결했다. 디지털트윈, 엑사원(EXAONE) 기반 AI 에이전트, 순찰 로봇과 설비 자동화 기술을 시화호 조력발전소에 적용할 가능성을 검토하고 실증을 추진한다. 양사는 연구개발·정책사업 및 국내외 사업 발굴에도 협력하기로 했다.

LG전자 발표에는 스마트팩토리 솔루션 사업의 2026년 상반기 기준 누적 수주액이 1조원을 훌쩍 넘었다는 사실이 나온다. 하지만 이 1조원은 기존 제조·물류 등 고객에게서 누적한 수주이며, 시화호 프로젝트의 계약금액이나 이미 인식한 매출이 아니다. 시화호 협력 자체는 MOU 단계다.

이번 뉴스의 핵심은 '가전회사가 발전소에 AI를 공급한다'는 말에 있지 않다. 제조 현장에서 쌓은 운영기술을 다른 산업으로 옮길 때, 기존 고객에게 증명했던 능력 중 무엇을 그대로 사용할 수 있고 무엇을 새로 증명해야 하는가에 있다.

시화호는 발전량만 최대화하도록 만들어진 시설이 아니다

한국수자원공사 공식 소개에 따르면 시화호 조력발전소의 설비용량은 254MW다. 수차발전기 10기와 수문 8문을 갖췄고, 연간 발전량의 참고 수치로 552.7GWh를 제시한다. 발전용량 기준 세계 최대 규모의 조력발전소다. 연간 발전량 참고값은 2026년 실제 생산실적과 구분해야 한다.

더 중요한 것은 사업의 출발점이다. 시화호는 방조제 건설 이후 수질 문제를 겪었고, 해수 유통 확대를 통한 수질 개선이 조력발전소 추진의 핵심 목적 가운데 하나였다. K-water는 공식 개발방향에 '해수유통 확대를 통한 수질 개선'과 '해양청정에너지 개발'을 함께 제시한다.

따라서 시화호 운영성과는 전력 생산만으로 설명하기 어렵다. 실제 운영에서는 조위·호수 수위, 수문·수차 운전, 안전, 환경관리 조건을 함께 고려해야 한다. 발전량을 늘리는 선택이 다른 조건을 항상 해친다는 말은 아니지만, 발전량이 증가했다는 사실만으로 전체 운영이 개선됐다고 결론 내릴 수도 없다.

2018년 K-TOP 연구: 기존 운영기관에도 이미 최적화 기술이 있었다

이번 발표를 조금 다르게 읽게 만드는 자료가 있다. 2018년 한국신·재생에너지학회 논문 '범용 조력발전 최적운영 알고리즘 개발'이다. 연구에는 한국수자원공사 연구자들이 참여했고, 시화호 조력발전소의 K-TOP(Kwater Tidal power Operation Program)을 설명한다.

해당 연구는 조석에 따른 발전량을 예측하고 운전계획을 최적화하기 위한 기존 K-TOP을 토대로, 낙조·복류 발전으로 알고리즘을 확장하는 작업을 다뤘다. 시뮬레이션 결과도 시화호의 실제 운영 데이터와 비교해 검증했다. 즉 조력발전 운영을 데이터와 알고리즘으로 개선하려는 시도는 새 AI 협약 이전부터 존재했다.

다만 논문은 2018년 당시의 연구다. 현재 어떤 버전이 사용되는지, LG전자와 연동·교체할지, 과거 시스템의 개선 여지가 어느 정도인지는 확인되지 않는다. 중요한 질문은 'AI가 처음 들어온다'가 아니라 '기존 운영방식보다 어떤 의사결정이 얼마나 개선되는가'다.

기계설비의 디지털트윈과 조력발전 최적화는 같은 문제가 아니다

LG전자의 스마트팩토리 솔루션은 그룹 내부의 생산기술을 외부 고객에게 제공하면서 성장했다. 회사는 2024년 사업 소개에서 최근 10년간 확보한 제조·생산 데이터가 약 770TB, 관련 출원 특허가 1,000건 이상이라고 밝혔다. 이 수치는 그 시점에 공개된 기술자산으로, 시화호 발전소의 데이터 규모는 아니다.

전자·배터리 공장에서는 공정 병목, 설비 이상, 생산량과 품질을 분석하고 최적화할 수 있다. 그러나 조력발전소의 운전계획은 바다의 조위와 호수 수위, 수차·수문의 작동, 운전 제약에 영향을 받는다. 2022년 발표된 시화호 운영 연구는 실제 발전 데이터를 바탕으로 조위 변화와 발전기 운전 시작 시점, 수문·수차의 방류 조건 등이 발전 최적화에 미치는 영향을 분석했다.

따라서 제조업에서 검증한 데이터 수집·시각화·예측 기술은 이전할 수 있지만, 무엇을 최적화할지 결정하는 발전소의 물리적 조건까지 자동으로 이전되지는 않는다. 산업을 바꿨을 때 반복 활용 가능한 기술과 현지 운영지식에 의존하는 부분을 분리해야 한다.

LG가 제안한 세 기술은 각각 다른 관문을 지나야 한다

첫째는 디지털트윈이다. LG전자는 발전설비와 CCTV 등 실시간 데이터를 연결해 발전소를 가상환경에 구현하고 운영현황을 통합 관리하며 발전량 예측, 운전 시나리오 검증, 설비 진단 등에 활용하는 방안을 제안했다. 실제 설비와 가상모델의 일치 정도와 현장 의사결정에 도움이 되는지가 검증 과제다.

둘째는 엑사원(EXAONE) 활용 AI 에이전트다. 발전량 손실 원인 분석, 이상 징후 탐지, 예지보전, 위험성 평가, 점검 일정과 보고서 작성 등에 도움을 줄 수 있도록 검토한다. 그러나 운영자에게 개선안을 추천하는 기능과 수문·발전기를 직접 제어할 권한을 갖는 것은 다른 문제다. 자동 실행 여부와 책임은 발표에서 확인되지 않았다.

셋째는 현장 로봇·AI CCTV다. 순찰과 위험구역 모니터링, 자재 보관·운반 자동화 등이 협력 범위에 포함됐다. 기술이 적용될 계획이라는 사실과 이미 현장에서 가동하며 안전성과 경제성을 입증했다는 사실은 구분해야 한다.

실증의 성과는 'AI가 예측했는가'만으로 측정할 수 없다

AI 모델이 발전량을 더 정확하게 예측했다고 해서 실제 발전량까지 반드시 늘어나는 것은 아니다. 운영자가 그 예측을 이용해 실행 가능한 운전계획을 세울 수 있어야 한다. 마찬가지로 이상 징후를 더 많이 포착하는 시스템이 오탐을 늘리면 유지보수 부담이 오히려 커질 수도 있다.

따라서 향후 실증에서는 예측 정확도뿐 아니라 실제 운전계획의 개선, 수위·안전 기준 준수, 오경보·미탐지, 점검 대응시간, 환경관리 조건에 미치는 영향 등을 따로 검증할 필요가 있다. 이 항목들은 반석이 제안하는 평가 질문이지 LG전자나 K-water가 발표한 공식 KPI가 아니다.

특히 이미 축적된 K-water의 운영자료와 경험이 비교기준이 될 수 있다. 기존 방법과 새 디지털 시스템을 같은 제약 아래 평가할 수 있어야 기술 도입의 추가 가치를 확인할 수 있다. 다만 실제 평가설계와 비교결과는 아직 공개되지 않았다.

LG전자에게 더 어려운 과제: 시화호에서 증명한 것을 다른 시설에도 팔 수 있는가

LG전자는 시화호에서 기술 적용 가능성을 검증하고 이를 바탕으로 국내외 에너지 인프라 사업을 확장하는 방향을 제시했다. 따라서 이번 협력은 한 발전소의 운영 개선뿐 아니라 기존 제조 고객을 넘어 새 B2B 산업을 개척할 수 있는지에 대한 실험이기도 하다.

하지만 조력발전·수력·태양광·화력 등 발전 방식마다 제약과 데이터 구조는 다르다. 센서 데이터 통합, 설비 이상 탐지, 운영 대시보드 등은 공통 요소가 될 수 있어도 발전량 최적화의 물리모델과 운영기준은 달라질 수 있다. 시화호의 성공사례가 다른 시설에 자동으로 이식된다는 뜻은 아니다.

미래의 사업성을 가르는 것은 프로젝트마다 현장 조건을 새로 이해하는 비용을 얼마나 줄일 수 있는가다. 여러 고객에게 반복 적용되는 공통 기능과 고객별 검증이 필요한 부분이 분리돼야 확장성이 생길 가능성이 있다. 이는 실현된 제품 표준화나 수익성 개선이 아니라 공개된 사업 방향을 바탕으로 한 조건부 전략 분석이다.

공공 인프라 고객이 구매하는 것은 AI 모델 자체가 아니다

새로운 기술의 공급자가 모든 현장운영 지식을 갖고 있다는 뜻은 아니다. 발전소를 오랫동안 운영해 온 K-water는 조위와 발전설비, 수문운용, 안전·환경 조건에 관한 경험과 데이터를 축적했다. LG전자는 생산·자동화·디지털트윈·AI의 구현 역량을 보유하고 있다.

두 조직의 협력 가치는 둘 중 어느 한쪽의 기술만으로 완성되지 않는다. 고객이 이미 해결해 온 문제와 새로운 기술이 실제로 개선할 수 있는 문제를 구분해야 한다. 기존 시스템을 대체할지 보완할지, 누가 성능과 안전을 승인할지도 사업 실행 단계에서 결정해야 한다.

따라서 기술 공급업체가 확보해야 할 고객 신뢰의 핵심은 모델의 이름보다 검증된 운영개선의 증거일 수 있다. '기능을 만들었다'와 '고객의 운영성과가 좋아졌다'는 다른 결과다.

필요한 역량은 공장 AI 개발자와 조력발전 전문가 사이에서 만들어진다

이런 프로젝트에서는 제조 AI·디지털트윈 엔지니어만으로 충분하지 않을 수 있다. 발전설비와 수문·조위 운영을 이해하는 전문가, 산업제어와 안전 담당자, 환경관리 경험을 가진 인력, 데이터 통합·품질검증 담당자가 협력해야 할 가능성이 있다.

특히 현장운영자의 전문지식을 소프트웨어가 실행 가능한 요건으로 옮기는 역할이 중요할 수 있다. 어떤 이상신호를 정말 위험으로 볼지, 운영 개선안을 어느 조건에서 승인할지 정의하지 못하면 AI의 예측 결과도 실제 조치로 연결되기 어렵다.

그러나 이번 MOU만으로 LG전자가 새 인력을 채용하거나 특정 직무의 수요가 급증했다고 주장할 근거는 없다. 실제 인재 수요는 채용공고, 프로젝트 계약 및 현장 조직자료를 추가 확인해야 한다.

현재는 협력의 출발점이다: 확인된 사실과 남은 검증

2026년 10월 22일 확인된 것은 LG전자와 K-water가 기술협력 MOU를 체결하고, 디지털트윈·AI 에이전트·로봇의 적용·실증 가능성을 검토하기로 했다는 사실이다. 스마트팩토리 사업 누적 수주 1조원과 시화호 발전소 연간 발전량 참고수치 552.7GWh는 각각 다른 범위의 수치다.

구체적인 프로젝트 계약금액, 발주·구축·상업운영 일정, 기존 K-TOP과 새로운 시스템의 연동 관계, 설비별 적용 범위, 공식 실증 KPI, 실제 발전량·수질·안전 개선 결과, 해외 수주는 공개적으로 확인되지 않았다.

따라서 지금 평가할 수 있는 것은 공장 기술의 산업 확장 가능성과 검증 과제다. 발전량 증가나 환경개선의 성과가 이미 나왔다고 단정할 수 없다.

BANSEOG VIEW

BANSEOG VIEW｜산업을 옮기려면 기술보다 고객의 성과 기준을 먼저 이해해야 한다

LG전자는 제조공장에서 쌓은 스마트팩토리 역량을 에너지 인프라로 옮기려 한다. 하지만 시화호는 전기를 생산할 뿐 아니라 해수 유통으로 수질을 관리하도록 건설됐고, 운영기관은 과거부터 K-TOP 같은 최적운영 기술을 연구해 왔다.

이 산업 확장에서 확인할 것은 세 가지다. 기존 방식 대비 발전·설비운영이 어떻게 개선되는가, 수위·환경·안전의 제약을 충족하는가, 검증한 기능을 다른 시설에도 합리적인 비용으로 반복 적용할 수 있는가.

2026년 10월의 사실은 협력 MOU와 실증 구상까지다. 발전량 증가·수질 개선·구축 계약과 후속 매출은 검증되지 않았다. 기술 공급기업의 다음 경쟁력은 AI 모델의 이름보다 고객이 이미 운영해 온 시스템에서 추가 가치를 증명하는 능력일 수 있다.

SOURCES

근거가 된 원자료

2026년 10월 26일 작성. LG전자 10월 22일 발표는 K-water 기술협력 MOU·검토·실증 계획이며 시화호의 납품 계약금액·도입 완료·성과를 의미하지 않는다. 스마트팩토리 누적 수주 1조원은 2026년 상반기 기준 타 산업을 포함한 기존 사업 전체 수치. K-water의 254MW·연간 552.7GWh는 공식 설비·연간 발전량 참고값으로 2026년 실제 생산실적이 아니다. 2018 K-TOP 논문은 과거 연구 근거로, 현행 운영 버전이나 새 LG 시스템과의 연계는 미확인. 수질·안전·재사용성 검증 과제와 인재 수요는 반석의 조건부 분석.