AI NOW

하드웨어는 국가가 세운다, 데이터는 누가 준비하는가
800조 원 메가프로젝트 시대, 발표문이 비워 둔 다음 페이지를 먼저 읽다. 2026년, 정부는 반도체 클러스터와 5개 권역 초거대 AI 데이터센터, 그리고 피지컬 AI라는 삼각축으로 이뤄진 대규모 국가 메가프로젝트를 발표했다. 800조 원이 넘는 투자와 전담 조직까지 갖춘 이 선언 앞에서, '우리는 준비되어 있는가'라고 묻는 이 책은 더 이상 논평이 아니라 먼저 쓰인 사용설명서처럼 읽힌다. 메가프로젝트는 '무엇을 지을 것인가'에 답했다. 그러나 그 위에서 무엇을 학습시키고 무엇으로 가치를 만들 것인가 - 발표가 비워 둔 더 어려운 질문에 답하는 것이 바로 이 책이다.
저자의 가장 날카로운 경고가 이 지점에 놓인다. 컴퓨팅은 필요조건이지 충분조건이 아니며, 데이터가 준비되지 않은 범용 GPU 농장은 빈 농장이라는 것이다. 거대한 팹과 전력은 '그릇'이고, 그 그릇을 채우는 것은 산업 데이터와 그것을 기계가 학습할 수 있게 정비한 AI Ready Data다. 진짜 자산은 실리콘이 아니라 그 위를 흐르는 데이터라는 것, 이것이 책을 관통하는 논지다.
이 책의 미덕은 저자의 다양한 경험에 있다. 울산 정유단지에서 파이프라인의 미세한 소리만으로 이상을 짚어내는 시니어의 '감각', 회계라는 가장 보수적인 영역에서 환각을 발견한 스타트업과의 만남 - 책의 핵심 논지는 이런 구체적 장면을 통해 들어난다. 시중의 AI 서적이 미국 프런티어 중심의 기술 해설이거나 거시 정책 담론으로 양분될 때, 이 책은 글로벌 기술 동향과 한국의 지반(망분리, 산업 시니어, SI 구조)을 동시에 붙드는 '실무자·전략가'에게 필요한 내용을 다룬다. NIST AI RMF, ISO/IEC 42001, EU AI Act 같은 글로벌 표준을 한국 AI 기본법·N2SF와 한 매트릭스 위에 올려놓는 시도는, 표준을 직접 다뤄 본 컨설턴트만이 쓸 수 있는 대목이다.
4장의 조직 설계도는 매우 구체적이다. 대부분의 'AI 거버넌스' 논의가 원칙의 나열에 그칠 때, 이 책은 7단계 프로세스와 CEO 직속 AI 위원회 구성, 9대 직군의 채용 우선순위, PoC·MVP·Pilot의 기간·예산 구분, 자동 폐기 트리거까지 곧바로 실행 가능한 수준으로 내려온다. JPMorgan·Klarna·Microsoft·Salesforce·바이트댄스라는 다섯 개의 글로벌 케이스는 모두 살아 있는 최신 사례이며, '단일 챗봇이 아니라 에이전트 오케스트레이션'이라는 시대적 전환을 정확히 보여준다.
한국이 처한 비대칭의 조건을 직시하고 글로벌 표준 위에서 우리만의 게임을 설계하려는 '전략 + 실무'의 드문 종합 - 그 시도 자체가 이 책을 읽어야 할 이유다. 공공기관·공기업의 AX·정보화 담당 부서와 CAIO·CDO 조직, AI 도입을 앞둔 기업의 기획·IT 부서, AI 엔지니어와 엔터프라이즈 아키텍트에게 이 책은 직원 교육 교재이자 간부 리더십 과정, AI TF 공통 참고서로 적합하다. 메가프로젝트의 다음 페이지를 먼저 읽고자 하는 정책 입안자와 기업 CxO에게, 이 책은 가장 시의적절한 사용설명서다.

추천사 ······· 004
이 책을 읽기 전에 ······· 010
머리말 ······· 013
1장 AI Ready Infra
1 AI 빅뱅의 시작 ······· 023
2 AI 에이전트 도입이 촉발하는 IT 시스템의 도미노 변화 ······· 038
3 GPU 중심 AI 인프라 운영환경의 변화 ······· 046
4 AI Data 인프라: Data의 위상 격상 ······· 055
5 앞으로 주목받을 기술들 ······· 062
2장 ARD(AI Ready Data)
1 ARD(AI Ready Data)란 ······· 073
2 ARD 적용 ······· 076
3 AI Ready 정형 Data ······· 080
4 AI Ready 비정형·실시간 Data란 ······· 085
5 AIDC와 C2D, 데이터가 있는 곳으로 간다 ······· 094
6 ARD 관련 기술과 표준들 ······· 098
3장 ARD 구축 방법론
1 왜 방법론인가: 표준에서 운영까지의 갭(GAP) ······· 105
2 3중 표준 결합: DCAT × PROV-O × Croissant ······· 111
3 4계층 데이터와 Vector DB 임계치: Min·Max·Event ······· 116
4 데이터 레이크와 데이터 마트 ······· 120
5 RDBMS의 메타·데이터 카드: 단일 진실원천의 중요성 ······· 125
6 LPG × MoE: 마트 간 라우팅과 희소 활성화 ······· 129
7 데이터셋·데이터 마트 특화 벡터 DB 아키텍처 ······· 134
8 단계별 도입 로드맵: Phase 1~5 ······· 137
9 정리하며: 표준과 아키텍처의 중요성 ······· 142
4장 AI 조직과 거버넌스
1 글로벌 기업 AI 전환의 다섯 거울 ······· 147
2 AI를 위한 7단계 프로세스 ······· 162
3 AI Native를 위한 조직거버넌스(위원회)와 프레임워크 ······· 185
4 조직의 핵심역량 내재화 ······· 193
5 AI 조직의 거버넌스 기능적 역할: AI + Data + 거버넌스 ······· 199
6 기존 업무조직, IT 조직, 행정조직 등의 역할 재분배 ······· 206
7 AI 조직의 기본업무 정의 ······· 212
8 AI 조직을 위하여 신규로 필요한 인력의 역량과 분야 ······· 219
9 AI 사업을 위한 우선순위 선정과 효과 분석 방안 ······· 225
10 PoC 선정과 평가 그리고 성과관리를 위한 확산 방안 ······· 232
11 AI 리터러시 방안 ······· 239
5장 AI Ready Start
1 이 게임에서 우리는 실패했는가? ······· 247
2 4가지 핵심경쟁력의 기술적 결합 ······· 254
3 공공부문… 비전은 있다. 그러나? ······· 258
4 그러나, 본질적인 4가지 문제 ······· 262
5 한 가지 희망, 차세대 사업의 AI 요건 강화 ······· 270
6 「AI Native & Ready」의 공공정보화 ······· 275
7 우리는 데이터를 개방하지 않는다 ······· 280
8 정리하며 ······· 296
용어정의 ······· 300
?

정재헌 29년간 IT 현장을 누벼온 현역 AX 컨설팅 전문가다. 대기업 SI PM을 시작으로 국내 다수 SW 기업의 임원 및 대표이사를 역임하였으며, 현재 정부 주요 사업 컨설팅과 AI Ready Data 분야 강연을 통해 현장과 이론을 잇고 있다.
AI 전문기업에서 제품본부장과 컨설팅본부장을 거쳐 AI 스타트업을 3년간 직접 경영하였으며, 삼성전자를 포함한 10여 개 사이트에서 AI 시스템 구축 및 AX와 AI Ready Data 컨설팅을 수행한 풍부한 현장 경험을 보유하고 있다.
과거 정부 클라우드 플랫폼의 CMP 개념을 정립하고 ITIL 4.0을 국내 최초로 Cloud Data Center에 적용하는 컨설팅을 수행하였으며, AI Ready Data의 핵심 표준인 Data Catalog Vocabulary(DCAT) Version 3의 국내 도입 초기 연구를 주도하였다. 현재는 데이터 스페이스와 클리어링 하우스, AI Ready Data 표준 등 관련 분야의 연구를 이어가고 있다.
저서로는 『내일부터 Project Manager가 되어야 한다』(2022)가 있다.