AI 자산 관리란 무엇인가요?

AI 기반 자산 관리는 자산 관리자, 운영 관리자 및 유지 관리 팀이 운영을 유지하는 방식을 혁신하고 있습니다.

AI 기반 자산 관리는 포트폴리오 관리, 자산 관리, 위험 관리, 투자 관리 및 규정 준수 등 다양한 분야를 포괄합니다. AI 기반 자산 관리 솔루션은 부동산 및 시설, 제조, 재생 에너지, IT 자산, 디지털 자산 등 다양한 자산 포트폴리오에 적용할 수 있습니다. 자산 관리는 금융 서비스 분야를 의미할 수도 있고 기업의 운영 측면을 의미할 수도 있습니다. 이 문서에서는 중요한 물리적 장비와 인프라를 대상으로 하는 AI 자산 관리를 다룹니다.

통합 자산 및 시설 관리 솔루션은 기존 AI와 자산 관리를 위한 생성형 AI를 결합하여 워크플로를 최적화하고, 자산 추적을 자동화하며, 인력 부족 문제를 완화하고 있습니다. 이러한 파운데이션 모델은 대규모 언어 모델(LLM)을 기반으로 구축되며 방대한 양의 데이터를 학습합니다.

이러한 기술은 조직이 정기 유지 관리나 사후 대응형 유지 관리에서 벗어나 지속적이고 데이터 기반의 자산 관리 체계로 전환하도록 지원합니다. 조직은 예측 분석과 실시간 성능 모니터링을 통해 자산 가치를 극대화할 수 있습니다.

물리적 자산을 위한 지능형 AI 시스템은 조직의 비즈니스 운영 방식을 근본적으로 변화시키고 있으며, 최고경영자(CEO)가 운영 효율성과 신뢰성을 높일 수 있도록 지원합니다.

현대 기업은 더욱 복잡해지는 운영 환경, 막대한 비용이 드는 계획되지 않은 가동 중단, 그리고 빅데이터라는 과제에 직면해 있습니다. 급변하는 시장 상황과 예측하기 어려운 시장 동향으로 인해 조직은 장기적인 계획을 수립하기가 어려워지고 있습니다. AI 기반 솔루션은 자산 무결성 관리(AIM)와 자산 추적 같은 중요한 프로세스를 강화하여 이러한 과제가 운영상의 문제로 이어지기 전에 완화하고 예방할 수 있도록 지원합니다.

최근 들어 AI 플랫폼의 가치를 인식하는 조직이 점점 더 늘어나고 있습니다. IBM 기업가치연구소(IBV)의 보고서에 따르면 경영진의 71%는 생성형 AI가 자산 관리 방식을 근본적으로 바꿀 것이라고 답했습니다. 또한 72%는 생성형 AI가 기업에서 물리적 자산 관리의 전략적 가치를 높인다고 응답했습니다.

모든 산업에서 장비 고장은 팀이 직면할 수 있는 가장 큰 운영상의 장애 요인이자 비용이 많이 드는 문제 중 하나입니다. AI 모델은 예측 유지 관리와 잠재적인 장애 예측을 수행하여 장비 고장을 줄이는 데 도움이 될 수 있습니다.

최신 운영 장비는 유지 관리 팀이 처리할 수 있는 양보다 훨씬 많은 센서 데이터를 생성합니다. AI 자산 관리 솔루션은 데이터 처리를 간소화하고 이를 활용해 보다 전략적인 의사 결정과 더 현명한 투자 결정을 내릴 수 있도록 지원합니다.

그 밖의 과제로는 노후화된 인프라와 숙련된 인력이 퇴직하면서 발생하는 조직 내 지식의 공백이 있습니다. AI 툴은 이러한 공백을 해소하고 축적된 지식을 조직 전반에 확장하여 활용할 수 있는 확장 가능한 기술을 제공합니다.

AI 자산 관리는 여러 핵심 단계와 이를 지원하는 핵심 AI 기술로 이루어집니다.

사물인터넷(IoT) 장치, 센서 및 드론은 지속적으로 방대한 양의 데이터를 생성합니다. 이러한 데이터는 이후의 모든 기능이 의존하는 기반이 되므로 자산 성능 관리 프로세스에서 매우 중요한 역할을 합니다.

센서 종류에 따라 진동, 온도, 압력, 음향 및 유체 수위 등 서로 다른 유형의 데이터를 수집합니다. 센서 데이터가 자산 관리 프로세스의 입력 계층 역할을 한다는 점을 이해하는 것이 중요합니다. AI의 출력 품질은 정확하고 지속적으로 수집되는 데이터에 직접적으로 좌우됩니다.

머신 러닝(ML) 모델은 과거 데이터를 학습하여 정상 상태의 기준을 파악하고, 새롭게 들어오는 데이터에서 이상 징후를 지속적으로 탐지합니다.

전사적 자산 관리(EAM) 플랫폼은 AI와 ML을 기본적으로 통합하여 숨겨진 문제를 식별하고 계획되지 않은 가동 중단이 발생하기 전에 이상 징후를 탐지합니다. 즉, ML은 각 장비에 지속적으로 상태를 모니터링하는 기능을 제공하며, 자산의 작동 특성을 학습해 이상 여부를 감지합니다.

머신 러닝과 마찬가지로 예측 분석은 과거 데이터와 실시간 데이터를 활용하여 자산이나 구성 요소의 성능 저하 또는 고장 시점을 예측합니다.

예측 분석은 AI 알고리즘을 사용해 데이터를 분석하고 구성 요소의 잔여 수명을 계산하며, 필요에 따라 목표에 맞는 유지 관리 일정을 수립합니다. 이러한 수준의 인사이트를 통해 유지 관리 팀은 고정된 일정에 의존하지 않고 실제 자산 상태를 기준으로 유지 관리 작업을 계획할 수 있습니다.

자연어 처리(NLP)는 유지 관리 로그, 기술자 메모, 작업 지시서, 고장 기록과 같은 비정형 데이터를 읽고 해석합니다. 이 기술은 수천 개의 텍스트 기록에서 패턴을 찾아내고, 그렇지 않으면 발견되지 않았을 인사이트를 도출할 수 있습니다.

AI와 NLP를 도입하면 사용자는 수리 이력을 손쉽게 검색하고 적절한 해결 방법을 추천받을 수 있습니다.

생성형 AI는 자산 관리 팀의 일상적인 업무와 워크플로를 지원합니다. 생성형 AI는 예측보다는 작업 지시서나 유지 관리 보고서와 같은 새로운 콘텐츠를 생성하는 데 중점을 둡니다.

이 기술은 자산 관리자가 AI가 생성한 인사이트를 더 신속하게 활용하도록 지원하고 관리 업무 부담을 줄여줍니다. 생성형 AI는 사람의 판단이나 전문성을 대체하기 위한 것이 아니라, 실제 유지 관리 작업에 방해가 되는 정보 수집과 반복적인 커뮤니케이션 업무를 대신 처리합니다.

에이전틱 AI는 앞으로 활용이 확대될 것으로 기대되지만, 아직 자산 관리 분야에서는 주류 기술이 아닙니다.

자산 관리자는 자산 관리 전반에 걸쳐 AI를 활용하여 업무를 자동화하고 장애를 예측합니다. 반면 에이전틱 AI는 처음부터 끝까지 일련의 작업을 자율적으로 수행할 수 있는 완전한 AI 시스템입니다. 다만 이러한 AI 애플리케이션도 중요한 의사 결정에는 사람의 감독과 최종 승인이 여전히 필요합니다.

운영 및 유지 관리 팀은 워크플로 전반에서 AI 자산 관리의 이점을 활용할 수 있습니다. 대표적인 실제 활용 사례로는 업무 자동화, 예산 배분 및 자산 투자 계획 등이 있습니다.

• 자산 수명 주기 관리: 자산 관리자는 AI를 활용하여 자산의 구매 비용부터 긴급 수리 및 폐기까지 포함한 총소유비용(TCO)을 분석할 수 있습니다. AI 기반 솔루션은 자산을 수리, 재정비 또는 교체하기에 가장 적절한 시점을 결정하는 데 도움이 됩니다.

• 에너지 및 지속 가능성 최적화: AI 자산 관리 솔루션은 발전 및 지속 가능성과 관련된 과제를 해결하고 시설과 자산 전반의 에너지 낭비를 식별합니다. 또한 통합 플랫폼은 데이터 출처와 관계없이 발전 자산을 모니터링합니다.

• 장비 상태 모니터링: AI 기반 자산 관리 솔루션은 하드웨어, 기계 및 인프라를 지속적으로 실시간 모니터링합니다. 대규모 언어 모델(LLM)에 정제된 데이터세트를 제공하면 AI 툴은 데이터를 분석하여 고장이 발생하기 전에 초기 경고 신호를 감지할 수 있습니다.

• 시설 관리: AI 자산 관리는 냉난방 및 공조(HVAC) 시스템, 조명, 엘리베이터 및 에너지 사용량과 같은 건물 시스템에도 적용됩니다. 시설 관리 팀은 AI를 활용해 자산 운용 방안을 분석하고 보다 정확한 의사 결정을 내려 성능을 최적화하고 비용을 절감합니다.

• 예측 유지 관리 일정 수립: AI 기반 작업 지시서 생성 기능은 실제 자산 상태를 기반으로 유지 관리 일정을 수립하도록 지원합니다. 예측 모델은 불필요한 운영 중단, 정기 서비스 및 긴급 수리를 줄여줍니다.

• 안전 및 규정 준수: AI 챗봇과 가상 비서는 안전 상태를 실시간으로 모니터링하고 신속한 안내를 제공합니다. 공급업체는 지역, 주 및 연방 규정을 준수하도록 AI 툴을 개발합니다.

• 소프트웨어 자산: 소프트웨어 및 IT 자산 관리는 AI를 활용해 지능형 라이선스 관리, 규정 준수 및 지속적인 모니터링을 수행합니다. AI 기반 시스템은 사용 패턴을 추적하고 활용도가 낮은 애플리케이션을 식별합니다.

• 여행 및 운송: AI 기반 자산 관리 솔루션은 차량 및 운송 수단을 안정적으로 운영하고 효율적으로 관리할 수 있도록 지원합니다. 연결된 자산 데이터와 유지 관리 워크플로는 가동 중단을 줄이고 자산 수명을 연장하는 데 도움이 됩니다.

AI 자산 관리는 다양한 팀과 산업 분야에 적용할 수 있습니다. 활용 방식은 조직의 목표와 목적에 따라 달라집니다.

• 에너지 및 공공 서비스: 발전 및 송배전 인프라를 모니터링하는 엔지니어

• 시설 및 부동산: 상업용 건물과 캠퍼스를 관리하는 시설 관리자

• 정부 및 공공 부문: 정수 시설이나 교통망과 같은 공공 인프라를 관리하는 정부 기관    

• 의료: 의료 장비와 병원 인프라를 관리하는 의료공학팀 및 시설 관리 팀

• 제조: 생산 설비를 유지 관리하는 공장 및 운영 관리자

• 운송: 차량 관리 담당자와 철도 및 항공 유지 관리 팀

AI 기반 자산 관리는 조직 내외의 다양한 이해관계자에게 도움이 될 수 있습니다. 새로운 기술은 성장과 운영 성과를 위한 새로운 기회를 제공하고 있습니다.

• 자본 계획 개선: 자산 수명 주기 데이터를 분석하면 수리와 교체 중 어떤 선택이 더 적절한지에 대해 보다 정확한 의사 결정을 내릴 수 있습니다.

• 자산 수명 연장: 지속적인 모니터링과 적시에 이루어지는 조치를 통해 고가 장비의 사용 수명을 연장할 수 있습니다.

• 인력 효율성 향상: 반복적인 유지 관리 작업을 자동화하면 기술자는 보다 높은 수준의 전문 업무에 집중할 수 있습니다.

• 유지 관리 비용 절감: 고정된 일정이 아니라 실제 자산 상태와 필요에 따라 유지 관리를 수행하면 유지 관리 비용을 줄일 수 있습니다.

• 계획되지 않은 가동 중단 감소: 고장이 발생하기 전에 미리 문제를 감지하면 생산 라인과 시설의 운영을 지속할 수 있습니다.

새로운 기술은 큰 기대를 불러일으키지만 기존 자산 관리 프로세스에 AI 시스템을 통합하는 일은 쉽지 않을 수 있습니다.

• 데이터 품질 및 라벨링: AI 모델의 성능은 학습에 사용된 데이터의 품질에 달려 있습니다. 자산 관리 팀은 유지 관리 데이터와 센서 데이터가 정확하고 완전한지 확인해야 하며, 그렇지 않으면 부정확한 결과가 나올 위험이 있습니다.

• 기존 CMMS 및 EAM 시스템과의 통합: 기존 전산화 유지 관리 관리 시스템(CMMS)과 전사적 자산 관리(EAM) 플랫폼을 AI 툴과 연동해야 합니다. 이 과정은 항상 즉시 사용할 수 있는 형태로 제공되는 것은 아니므로, 성공적으로 통합하려면 더 많은 시간과 리소스가 필요할 수 있습니다.

• 기존 장비와 데이터 공백: 오래된 물리적 자산에는 AI 시스템에 데이터를 제공하는 데 필요한 센서나 연결 기능이 부족할 수 있습니다. 이러한 자산은 개조가 필요하며, 이는 많은 비용과 시간이 드는 작업입니다. AI 기반 솔루션을 도입하기 전에 필요한 시간과 리소스를 충분히 고려해야 합니다.

AI 기반 자산 관리를 도입하려는 조직은 단계적으로 접근하는 것이 좋습니다. 구현 과정은 조직에 따라 다소 다를 수 있지만, 일반적으로 다음 단계를 따르면 AI의 이점을 최대한 활용할 수 있습니다.

1. 자산 데이터 감사: 기존 유지 관리 데이터, 센서 데이터 및 장비 문서의 품질을 평가합니다. 데이터의 품질과 완전성을 검토하고 정확성과 가시성의 부족한 부분을 파악하여 AI 적용 대상을 선정합니다.
2. 비용이 가장 많이 드는 장애 지점부터 시작: 비용 부담이 크고 운영에 미치는 영향이 큰 영역부터 우선순위를 정합니다. 모든 것을 한 번에 모니터링하려고 하면 관리가 어려워질 수 있습니다. 개선 효과가 가장 큰 자산을 먼저 식별하고 그곳부터 시작합니다.
3. 자산 연결: 현재 구축된 센서 인프라를 파악하고, 기존 장비에 추가로 센서를 설치해야 하는 위치를 확인합니다. 사물 인터넷(IoT) 기반 개조 옵션을 검토하고 기존 장비에 적용할 수 있는 방안을 확인합니다.
4. 적합한 플랫폼 선택: 조직의 요구 사항, 목표 및 현재 시스템에 적합한 AI 기반 자산 관리 플랫폼을 신뢰할 수 있는 공급업체에서 선택합니다. 기존 CMMS 및 EAM 시스템과 통합할 수 있으며, 해당 운영 환경의 자산 유형을 지원하는 시스템을 선택합니다.
5. 사람의 감독 체계 마련: AI가 담당할 역할과 사람의 감독이 필요한 영역을 명확히 정의합니다. AI 에이전트는 중대한 결과를 초래할 수 있는 조치나 의사 결정을 내려서는 안 되며, 사람이 적절한 판단을 내릴 수 있도록 지원하는 역할을 해야 합니다.
6. 측정 및 지속적 개선: AI 솔루션을 배포하기 전에 기준 지표를 설정합니다. 자산별 유지 관리 비용이나 계획되지 않은 가동 중단 시간과 같은 비교 기준이 없으면 조직은 툴이 얼마나 효과적으로 작동하는지 평가할 수 없습니다.

자산 자체는 크게 달라지지 않을 수 있지만, 새로운 기술이 자산 관리 분야에 도입되면서 이를 관리하는 방식은 계속 변화하고 있습니다.

• 에이전틱 AI: 자율 에이전트는 최소한의 사람 개입만으로 전체 자산 포트폴리오를 모니터링하고, 우선순위를 분류하며, 일정을 관리하고, 보고까지 수행할 수 있는 폭넓은 기능을 갖추고 있어 조직에서 점점 더 많이 도입되고 있습니다. IBM 기업가치연구소(IBV)에 따르면 조직의 55%가 에이전틱 AI 운영 모델을 적극적으로 개발하거나 도입하고 있습니다.

• 디지털 트윈: AI 기반의 물리적 자산 가상 복제본인 디지털 트윈은 자산 관리의 다음 중요한 변화가 될 것으로 기대됩니다. 디지털 트윈은 실제 작업을 수행하기 전에 성능을 시뮬레이션하고, 유지 관리 시나리오를 시험하며, 자산 수명 주기 결과를 예측합니다.

• 엣지 AI: 이 기술은 클라우드에 의존하지 않고 자산에서 직접 AI 추론을 수행할 수 있도록 합니다. 엣지 AI가 적용된 스마트폰과 센서 같은 자산은 인터넷 전송 지연 없이 로컬 하드웨어에서 데이터를 밀리초 단위로 처리할 수 있습니다.

• 처방형 유지 관리: 예측 유지 관리의 다음 단계는 필요한 조치를 구체적으로 제시하는 것입니다. AI 기반 솔루션은 필요한 조치, 수행 시점 및 필요한 기술자의 역량 요건까지 정확하게 제시하는 데 활용되고 있습니다.

• 지속가능성 통합: 지속가능성은 오래전부터 중요한 과제였지만, 이제 AI는 순 배출량 제로 및 환경·사회·지배구조(ESG) 목표를 달성하기 위한 핵심 툴로 자리 잡고 있습니다. AI 기반 툴은 자산 포트폴리오 전반에서 에너지 사용을 최적화하고 자재 낭비를 줄일 수 있습니다.