수년 동안 AI와 IoT는 서로 분리된 경로로 발전해 왔습니다. IoT 기업들은 연결성(connectivity)에 집중했습니다. 즉, 센서, 장치, 그리고 물리적 세계에서 클라우드로 데이터를 이동시키기 위한 인프라에 집중했습니다. 반면, AI 기업들은 소프트웨어에 집중했습니다. 주로 텍스트, 이미지, 트랜잭션과 같이 이미 존재하는 디지털 네이티브 데이터(digital-native data)로 학습된 모델에 집중했습니다.

그 분리가 사라지고 있습니다. 두 분야는 점점 더 AIoT(Artificial Intelligence of Things)라고 불리는 것으로 수렴하고 있습니다. 이는 연결된 물리적 시스템에 의해 생성되는 운영 데이터(operational data)에 인공지능(AI)을 직접 적용하는 것을 의미합니다. 그리고 이러한 융합은 5년 전에는 실제로 존재하지 않았던 새로운 스타트업 기회의 카테고리를 창출하고 있습니다.

"스마트(Smart)"와 "지능형(Intelligent)" 사이의 간극

대부분의 산업 운영은 이미 연결성(connectivity)의 파도를 경험했습니다. 창고에는 RFID 태그가 있습니다. 공장에는 장비에 센서가 설치되어 있습니다. 차량 함대(Fleets)에는 GPS 추적기가 있습니다. 접속 지점(Access points)에는 디지털 배지가 있습니다. 다시 말해, 물리적 세계는 이미 계측(instrumented)되어 있습니다.

종종 결여되어 있는 것은 그 계측 위에 놓일 지능형 계층(intelligence layer)입니다. 가공되지 않은 위치 데이터(Raw location data)는 왜 재고가 줄어드는지 알려주지 않습니다. 가공되지 않은 센서 판독값(Raw sensor readings)은 기계가 언제 고장 날지 알려주지 않습니다. 가공되지 않은 배지 로그(Raw badge logs)는 시설의 출입 패턴이 보안 허점을 나타내는지 알려주지 않습니다. 연결성 데이터를 의사결정으로 전환하는 것은 처음에 데이터를 수집하는 것과는 다른 문제이며, 범용 데이터(general-purpose data)보다는 운영상의 실제 세계 맥락(real-world context)에 특화되어 구축된 AI 모델을 필요로 합니다.

이것이 바로 AIoT 스타트업이 메우기 위해 만들어진 간극이며, 이는 반복되는 일련의 유스케이스(use cases) 전반에서 나타납니다:

1. 자산 추적 및 가시성 (Asset tracking and visibility) - 물리적 자산이 어디에 있는지 아는 것을 넘어, 문제가 발생하기 전에 중단(disruptions)을 예측하는 것
2. 재고 및 운영 최적화 (Inventory and operations optimization) - 실시간 데이터를 사용하여 낭비, 손실(shrinkage) 및 유휴 용량(idle capacity)을 줄이는 것
3. 인력 안전 및 모니터링 (Workforce safety and monitoring) - 사고가 발생하기 전에 안전하지 않은 조건이나 행동을 감지하는 것
4. 출입 통제 및 보안 (Access control and security) - 물리적 보안 시스템을 정적인 로그로 취급하는 대신 지능(intelligence)을 계층화하는 것
5. 산업용 지능형 플랫폼 (Industrial intelligence platforms) - 여러 데이터 스트림을 단일 운영 의사결정 계층으로 통합하는 것

이 각각은 그 자체로 규모가 크고 자금 조달이 잘 된 시장입니다. 흥미로운 점은 이들이 공통된 기술적 기반을 공유한다는 것입니다: 센서 인프라(sensor infrastructure), 데이터 파이프라인(data pipelines), 그리고 순수하게 디지털적인 신호가 아닌 물리적 세계의 신호로 학습된 AI 모델(AI models)입니다.

이것을 처음부터 구축하기 어려운 이유

대부분의 AIoT 스타트업에게 도전 과제는 AI 모델이 아닙니다. 그 아래에 있는 모든 것입니다. 하드웨어 통합(Hardware integration)은 느립니다. 산업용 고객들은 신중하며 도입 전에 검증된 신뢰성을 요구합니다. 구매자가 소비자 사용자가 아닌 운영 팀이기 때문에 판매 주기(Sales cycles)가 깁니다. 그리고 유용한 모델을 학습시키는 데 필요한 데이터는 이미 배포(deployments)가 실행되고 있을 때까지 존재하지 않는 경우가 많습니다.

이것이 바로 점점 더 많은 AIoT 기업들이 제로(zero)에서 구축된 독립적인 스타트업이 아니라, 벤처 스튜디오(venture studios)를 통해 등장하고 있는 이유입니다. 벤처 스튜디오는 가장 어려운 초기 단계의 문제들을 극복하는 데 필요한 기초 인프라, 산업적 관계, 그리고 배포 경험을 이미 갖추고 있는 조직입니다. 하드웨어가 작동함을 증명하고 산업용 구매자들과 신뢰를 쌓는 데 첫 18개월을 소비하는 대신, 스튜디오의 지원을 받는 AIoT 벤처는 기존의 실제 배포 및 실제 고객 수요 기반에서 시작하여 제품-시장 적합성(product-market fit)과 규모 확장(scale)에 더 일찍 집중할 수 있습니다.

투자자, 기업 파트너 또는 운영자가 주목해야 할 사항

이 분야의 기회를 평가하고 있다면 — 투자자로서, 기업 혁신 팀으로서, 또는 어디에서 사업을 구축할지 고민하는 창업자로서 — 지속 가능한 AIoT 벤처와 단순히 AI로 포장된 (AI-washed) IoT 제품을 구분 짓는 몇 가지 신호가 있습니다:

1. 지능 계층 (intelligence layer)이 단순한 모니터링 문제가 아닌 의사결정 문제를 해결하고 있는가? 데이터를 표시하는 대시보드는 행동을 권장하거나 자동화하는 시스템과는 다릅니다.
2. 각 수직적 애플리케이션 (vertical application) 아래에 반복 가능한 플랫폼이 존재하는가? 가장 강력한 AIoT 기업은 모든 고객을 위해 맞춤형 시스템을 구축하기보다, 여러 산업적 유스케이스 (use cases)에 걸쳐 공통된 데이터 및 모델 인프라를 재사용합니다.
3. 배포가 실제인가 아니면 이론적인가? 산업용 구매자들은 도입 속도가 느리기 때문에, 이 카테고리에서는 실제 배포 사례와 유료 고객의 존재가 일반적인 소프트웨어 스타트업보다 더 중요합니다.
4. 팀이 단순히 소프트웨어가 아닌 하드웨어-소프트웨어 통합 (hardware-software integration) 문제를 해결하고 있는가? AIoT 문제는 그 교차점에 존재하며, 한쪽 측면만 이해하는 팀은 다른 쪽을 과소평가하는 경향이 있습니다.

더 큰 그림 (The Bigger Picture)

AI는 소프트웨어를 변화시키고 있습니다. IoT는 물리적 세계를 연결했습니다. 지금 일어나고 있는 일은 그 사이의 계층, 즉 물리적 인프라가 이미 생성해 온 데이터를 실시간 예측 가능한 운영 지능 (operational intelligence)으로 전환하는 시스템입니다. 이러한 결합이 순수하게 디지털적인 문제보다는 산업적 문제에 집중하는 새로운 세대의 벤처 규모 (venture-scale) 기업들을 이끌고 있습니다.

벤처 스튜디오가 기존 IoT 인프라와 AI를 결합하여 새로운 산업 벤처를 구축하는 이러한 융합에 어떻게 접근하고 있는지 탐구하는 조직은, Aperture Venture Studio의 AIoT 벤처 구축 방식에 대한 개요에서 더 자세한 내용을 확인할 수 있습니다.