시장·경쟁 지형 (사업 개발 관점) — 2026-10-25

주체: Environment Foundry · AutoFactory-Bench · 범위: 경쟁사, 벤더의 안전 문구, 고객 예산·구매 경로, 이중 고객 함정
규칙: 1차 출처를 직접 열어 확인한 것만 [확인]으로 표시했다. 2차 출처에만 근거한 것은 [2차], 확인하지 못한 것은 [미확인], 내 해석은 [추론]으로 표시했다.

1. 한 줄 결론

• 자동화 벤더(Siemens·Rockwell·Beckhoff·CODESYS)는 이미 PLC 코드 생성 에이전트를 팔고 있다. 안전은 "엔지니어가 검토한다"는 문구로만 처리한다. 생성 결과의 위반율을 독립적으로 재는 제3자는 아직 보이지 않는다. 이것이 빈자리다.
• 온프레미스 수요는 실제로 있다. 다만 벤더도 엣지·에어갭 모델로 같은 수요를 노리고 있어서, 온프렘 자체는 해자가 되지 않는다. 해자가 될 수 있는 것은 "온프렘에서 쓸 수 있는 약한 모델이 얼마나 위험한지"를 재는 능력이다.
• 랩이 사는 데이터는 주로 망한 회사의 데이터이고, 중개사가 거래를 맡는다. "프론티어 랩이 중소기업 데이터를 사기 시작했다"는 논지는 수정이 필요하다.

2. 산업 자동화 벤더: LLM 코드 생성을 파는 방식과 안전 문구

• 규제 측 기준 문장: CISA·NSA·ACSC 등의 공동 지침(2025-12-03)은 "AI such as LLMs almost certainly should not be used to make safety decisions for OT environments"라고 쓴다. 같은 지침은 구매자에게 공급사가 "on premises or without continuous access to the internet"으로 운영 가능한지 물으라고 권고한다. 운영 데이터를 학습에 쓰지 말라는 데이터 사용 정책도 권고한다 [확인, PDF 원문] https://www.cisa.gov/sites/default/files/2025-12/joint-guidance-principles-for-the-secure-integration-of-artificial-intelligence-in-operational-technology-508c.pdf
• 함의 [추론]: 벤더는 안전 책임을 "검토하는 사람"에게 넘긴다. AFB는 이 검토 부담을 숫자로 보여 줄 수 있다. 위반율 1%와 20%는 리뷰어가 막아야 하는 사고 수가 다르다는 뜻이다. 한편 고객은 "안전 로직(F-CPU, SIS)에는 애초에 LLM을 안 쓴다"고 답할 것이다. 따라서 AFB의 '안전'은 기능안전 로직이 아니라 일반 제어 로직의 인터록·시퀀스 위반으로 정의해야 반박을 피할 수 있다.

3. 국내 경쟁·협력 지형

• 포스코DX: AWS와 MOU를 맺었고(2025-07-11), "PLC Copilot"으로 AI가 PLC 코드를 생성하고 엔지니어가 검토하는 구조다. 생산성 30% 이상을 예상하며 클라우드(Bedrock) 기반이다 [확인] https://www.snmnews.com/news/articleView.html?idxno=555225. 에이전트 생성·평가·재배포 플랫폼 Agentee도 있다 [2차]. 고객 후보이자 내재화 경쟁자다.
• LG CNS: Factova Control로 이기종 설비 데이터를 표준화·통합 제어한다(2026-05) [2차] https://zdnet.co.kr/view/?no=20260520155924. Cline과 함께 에이전틱 개발 플랫폼 AIND를 냈다(2026-06) [2차]. PLC 코드 생성 제품은 [미확인].
• SK: SK이노 울산CLX '듀얼 브레인'은 ML 모델 7개로 전체 공정의 약 7%에 적용됐다. 최종 결정은 엔지니어가 하고, APC가 있는 곳은 제어와 연계한다 [2차] https://www.hankyung.com/article/2026091566101. SK AX는 계열사 먼저, 외부 고객은 그다음이라는 순서다 [2차].
• GS칼텍스: 사내 생성형 AI 플랫폼 AIU(GS그룹 MISO 기반)를 쓰고, 여수공장 데이터로 자체 공정 최적화 모델을 만든다 [2차] https://www.bloter.net/news/articleView.html?idxno=675335. 온프렘 여부는 [미확인].
• 마키나락스: 2026-05-20 코스닥 상장, 공모 395억원. 폐쇄망용 Runway를 갖고 있고, 2025년 수주 약 200억원이다. 전략적 투자자에 LG·SK·삼성·GS·포스코·한화가 있다 [2차] https://www.mt.co.kr/future/2026/03/26/2026032517030867364.
• 인이지: 정유 반응로·시멘트 킬른·철강 가열로에서 자율운전 1,167만 톤을 실증했다. 상장을 준비 중이며, 보도는 "PoC에서 본계약까지 시간이 길다"를 리스크로 꼽는다 [2차] https://m.news.nate.com/view/20260527n25997
• 정리 [추론]: 국내 플레이어는 공정 최적화(연속공정 ML)와 사무 에이전트에 몰려 있다. "PLC 제어 코드 생성 결과의 안전 평가"를 파는 곳은 찾지 못했다.

4. 고객의 예산 항목과 구매 경로

• 정부 매칭 예산:
  • AI 팩토리 선도사업: 2026년 32개 과제, 국비 527.5억원. "대중소 협력형, 데이터·AI 모델 위임형"이 있다 [확인] https://www.electimes.com/news/articleView.html?idxno=367524
  • 상생형 AX 선도모델: 대기업이 주관하고 과제당 최대 30억원이다. 정부 50%, 주관 10%, 도입 중소기업 40%를 부담한다. 12개월 이내이고, 2개 이상 공정에 적용해야 하며, 로그를 3년 제출해야 한다 [확인] https://app.rndcircle.io/gov-grant/f189dbe7-5173-446b-b906-1bee3300c722
  • [추론] 이 경로는 "대기업이 주관하고 중소 협력사 공정을 구조화하는" 구조다. 구봉의 3·4번 논지(중소기업 데이터, 구조화)와 그대로 맞물리는 예산 통로다.
• 해외 가격 참고점(모두 비공개 또는 3자 추정):
  • Cognite: Quick Start 6~12주 고정가로 첫 유스케이스를 낸다 [2차]
  • Applied Intuition(안전 검증 시뮬레이션): 영업 주기 6~18개월, 연 약 $74만 [2차·추정] https://sacra.com/c/applied-intuition/
• 국내 PoC·파일럿 단가와 대기업 내부의 예산 계정명(IT/DX 예산인지 생산기술 예산인지): [미확인]. 미팅에서 직접 물어야 한다.

5. 랩 쪽 시장 (3번 논지 검증)

• Epoch AI(2026-01-12, 인터뷰 18건) [확인] https://epoch.ai/gradient-updates/state-of-rl-envs
  • 과제당 $200~2,000, 계약은 분기당 6~7자리 달러
  • 독점은 비독점의 4~5배
  • 1순위 품질 기준은 reward hacking 방지("high reward must mean the task was actually solved")
  • 랩은 공급사 마진과 우선순위 노출을 피하려 내재화를 늘리는 중이다
  • Benchling–Anthropic처럼 제품 회사가 랩과 직접 파트너십을 맺는 경로가 있다
• MIT Technology Review(2026-10-13) [확인] https://www.technologyreview.com/2026/10/13/1145755/ai-labs-buying-data-from-dead-startups-to-train-models/
  • 랩·Surge가 망한 스타트업의 코드와 업무 데이터를 산다. 중개사(SimpleClosure 등)를 거치고, 코드값 약 $2.5만 수준이다
  • Google은 Spirit Airlines 데이터를 $1,000만에 샀다
  • 변호사는 이 데이터를 "legally radioactive"라 했고, 기사는 "성능 향상 정도는 불분명"하다고 쓴다
  • 제조업 사례는 없다
• YC S2026 Petrarch: 파산법원을 통해 "critical infrastructure sectors" 기업 기록을 구해 비식별화한 뒤 RL 환경으로 만든다 [확인] https://www.ycombinator.com/companies/industry/Reinforcement%20Learning
• 정리: 중소기업 데이터 매입이라는 흐름은 있다. 다만 실체는 "파산·청산 기업 데이터를 중개사를 통해 산다"에 가깝다. 살아 있는 중소 제조사가 랩에 직접 판 1차 사례는 [미확인]이다.

6. 규제: 2번 논지의 가장 강한 근거

• 한국경제(2026-10-22) [확인] https://www.hankyung.com/article/202610227621i
  • 국가핵심기술 보유 기업 20여 곳이 상반기에 세 차례 "AI 활용 범위·유출 심사 기준을 명확히 해 달라"고 건의했다
  • 산업통상부는 13명 워킹그룹을 꾸렸고, 2027년 3월 배포가 목표다
  • 산업기술보호지침 제17조는 클라우드상 국가핵심기술 접근 허용을 심사 대상으로 정한다. 데이터를 국내에 두고 연산만 해외에서 하는 경우가 해당하는지는 모호하다
  • 한 디스플레이 대기업은 GPT를 도입했다. 즉 일괄 금지는 아니다
  • 지정 현황은 13개 분야 79개 기술이다
• 함의 [추론]:
  • 2027년 3월까지는 기준 공백이 이어진다. 그래서 대기업이 "소극적으로 쓰는" 현상은 규제보다 불확실성 때문일 수 있다
  • 가이드라인이 나오면(화이트리스트·표준계약) API 사용이 넓어진다. 그러면 "온프렘 필수"라는 범위는 줄어든다
  • 반대로 "어떤 모델이 안전 기준을 통과하는가"라는 평가 수요는 커진다

7. 이중 고객(대기업과 랩)의 함정

• Scale AI: Meta가 49% 지분을 사자 최대 고객 Google이 계획했던 연 약 $2억 거래 중단을 추진했고, OpenAI도 거래를 줄였다 [2차, CNBC/Reuters] https://www.cnbc.com/2025/06/14/google-scale-ais-largest-customer-plans-split-after-meta-deal.html. Turing CEO는 "neutrality is no longer optional"이라고 말했다.
• EF에 적용하면 [추론]:
  • (a) 대기업은 EF를 "OpenAI 쪽으로 데이터가 새는 통로"로 볼 수 있다. 계약서에 학습 사용 금지와 비식별 조항이 필요하다 (CISA 권고와 같은 방향).
  • (b) 랩이 독점(4~5배 가격)을 요구하면 같은 골든셋을 공개 벤치마크나 대기업 평가에 쓸 수 없다.
  • (c) 공개 벤치마크 과제가 학습 데이터로 들어가면 오염이 생겨 평가 가치가 떨어진다.
  • (d) 중소 협력사의 공정 데이터에는 원청 대기업의 도면·레시피가 섞여 있을 수 있다. 판매하면 NDA나 산업기술보호법 위반이 될 수 있다.