Executive Summary

주요 수치

앞의 세 값은 회사가 직접 밝힌 것이고, 마지막 값은 그중 두 개를 나눠서 얻은 것입니다.

출처: TechCrunch, Caterpillar is bringing to AI deployment what it learned from automating mining(2026-08-30) · Caterpillar, Cat AI Assistant 발표문(2026-01-06)

AI를 배치하려는 회사가 거의 예외 없이 같은 문제를 만난다는 것이 테크크런치 기사의 출발점입니다. 기술을 일상 업무에 붙이는 일이 어렵다는 문제입니다. 캐터필러는 물리 세계에서 그 문제의 한 판본을 수십 년 동안 다뤄 왔고, 지금은 그때 쌓은 경험을 AI 배치에 쓰고 있습니다.

캐터필러의 자율화는 광산에서 시작했습니다. 테크크런치가 이유로 든 것은 인력난과 위험한 작업 조건입니다. 사람을 구하기 어렵고 사고 위험이 큰 곳일수록 기계를 무인으로 돌릴 유인이 컸습니다. 지금 이 회사가 파는 목록에는 무인 운반 트럭과 천공 장비, 지하 로더, 도저, 원격 조종 건설 장비가 들어 있고, 그 장비를 묶는 소프트웨어 커맨드센터와 플릿 관리, 원격 지형 인식까지 함께 팔립니다.

마이니어트가 Ai4 대담에서 꺼낸 이야기는 그다음 단계였습니다. 광산에서 배운 것을 전부 가져와 훨씬 더 동적인 환경, 그러니까 작업 현장과 채석장과 건설 현장으로 옮길 수 있는 아주 신나는 시기에 와 있다는 것입니다. 같은 회사, 같은 기계, 같은 자율주행 스택을 두고도 목적지가 바뀌면 난이도가 달라진다는 판단이 훨씬 더 동적이라는 그 한 마디에 담겨 있습니다.

기사가 그 차이를 항목별로 풀지는 않았지만, 두 현장을 떠올려 보면 방향은 짐작됩니다. 광산은 출입이 통제되고 운반 경로와 작업 순서가 반복되는 편입니다. 건설 현장에서는 지형이 공사 진행에 따라 바뀌고 여러 회사의 인력과 장비가 한자리에 섞입니다. 같은 무인 운반 트럭을 옮겨 놓아도 마주치는 상황의 가짓수가 달라집니다.

마이니어트가 밝힌 자산 규모는 전 세계 커넥티드 장비 약 160만 대, 정형 데이터 16페타바이트 이상입니다. 같은 16페타바이트라는 수치는 올해 1월 CES 무대에서도 한 번 나왔습니다. 최고디지털책임자 오기 레지치가 Cat AI Assistant를 발표하며, 16페타바이트가 넘는 데이터를 관리하는 헬리오스 데이터 플랫폼을 회사의 디지털 기반으로 소개했습니다.

그렇게 쌓인 데이터가 실제로 하는 일은 Cat AI Assistant에서 확인됩니다. 이 도구는 기계 옆에 선 현장 기술자가 음성으로 물으면 수리 절차를 띄우고, 증상을 좁혀 주고, 작업을 시작하기 전에 필요한 부품을 짚어 줍니다. 1월 발표문의 설명은 더 구체적입니다. 하던 작업을 멈추지 않은 채 음성 명령 한 번으로 수천 건의 지침서 가운데 해당 절을 찾아 주고, 단계별 수리 안내와 흔히 생기는 문제, 작업을 마치는 데 추가로 필요한 부품을 알려 줍니다. 이 응답은 엔비디아 젯슨 토르 플랫폼 위에서, 작업이 벌어지는 현장 장치에서 돌아갑니다.

마이니어트는 이 도구가 이미 고객과 오퍼레이터, 기술자에게 쓰이고 있다고 했습니다. 시연 단계를 지났다는 뜻입니다. 1월 발표문은 이 도구가 캐터필러의 지식 베이스 전체를 상대로 동작하며, 흩어져 있던 디지털 애플리케이션과 데이터를 하나의 대화형 창구로 모은다고 적었습니다. 답이 만들어지는 곳은 로그가 아니라 그 지식 베이스입니다.

장비가 올려 보내는 기록과 기술자가 받는 답변 사이에는 한 구간이 남습니다. 센서와 가동 로그에 담기는 것은 대개 압력과 온도, 가동 시간, 오류 코드 같은 값입니다. 답변은 이 장비의 이 증상이 어느 지침서 몇 절에 해당하고 어떤 부품이 함께 필요한지를 말해야 합니다. 로그를 정비 문서와 부품 목록과 고장 유형에 연결해 두지 않으면, 16페타바이트는 검색 가능한 기록일 뿐 답변의 재료가 되지 않습니다. 그 연결을 만드는 일이 이 산업에서 여전히 사람 손을 탑니다.

이 회사는 고객 현장 밖에서도 AI를 씁니다. 마이니어트는 부지를 스캔하고 제조 공정의 디지털 트윈을 만들어 운영을 분석하는 데도 AI를 쓴다고 했습니다. 사내 소프트웨어 개발에 대해서는 레거시 코드를 현대화하고 새 소프트웨어를 만들어 시험하며 결함을 더 일찍 찾아내는 데 AI 에이전트를 쓴다고 했습니다. 만드는 일은 이미 하고 있습니다. 어렵다고 말한 곳은 그다음입니다.

마이니어트는 기술을 만드는 것이 과제의 일부일 뿐이라고 선을 그었습니다. 자율 기계 한 대를 배치하는 일과 현장 전체를 AI가 쓰이는 곳으로 바꾸는 일은 같지 않다는 것입니다. 기계가 들어오면 사람이 그 옆에서 어떻게 일할지 다시 정해야 하고, 지금까지의 작업 절차도 어디를 어떻게 고칠지 정해야 합니다.

업무 흐름이라는 말이 얼마나 넓은지는 1월 발표문이 나눠 놓은 세 부류의 사용자에서 드러납니다. 장비를 소유한 사업주에게 이 도구는 장비를 지켜보는 또 한 쌍의 눈이고, 갑작스러운 고장을 계획된 정비로 옮기는 장치입니다. 현장 기술자에게는 지침서를 대신 찾아 주는 파트너입니다. 운전석의 오퍼레이터에게는 시동부터 교대까지 하루를 이어 주는 코치입니다. 같은 데이터에서 나온 답이지만, 세 사람이 하루를 보내는 방식이 각각 다르게 바뀝니다.

역할이 바뀐다고 기사가 콕 집어 적은 쪽은 오퍼레이터입니다. 기계가 더 자율적으로 움직일수록 어떤 오퍼레이터는 기계 한 대를 조종하던 자리에서 원격 커맨드센터에서 여러 대를 감독하는 자리로 옮겨 갑니다. 조종석에서 손끝으로 하던 판단이 화면 여러 개를 보며 내리는 판단으로 바뀝니다. 자격 요건과 교육 과정과 인력 배치가 함께 움직여야 하는 변화입니다. 기술 배치의 난이도가 모델 성능보다 조직에 걸린다는 말은 이런 장면을 두고 하는 말입니다.

AI 시스템을 어떻게 훈련시키느냐는 대목에서 마이니어트가 든 것은 경험 많은 오퍼레이터였습니다. 수십 년에 걸쳐 조직 안에 쌓인 지식에 기대고 있다는 설명입니다. 데이터로 보면 무거운 말입니다. 어느 소리가 나면 베어링을 의심하고 어느 계기 값이면 작업을 멈추는지는 사람 머릿속에 있지 데이터베이스에 있지 않습니다. 그 판단을 밖으로 꺼내 기록으로 만드는 일에는 숙련자의 시간이 들어갑니다.

그래서 회사가 다음 과제로 지목한 것이 교육입니다. 임직원 11만 8천 명에게 AI와 자율화, 로보틱스를 다시 가르치기 위해 앞으로 5년간 1억 달러를 쓴다고 밝혔습니다. 1억 달러를 11만 8천 명으로 나누면 한 사람당 847달러, 1년으로 치면 170달러 남짓입니다. 액수만 보면 큰 프로그램이라 부르기 어렵습니다. 다만 대상 범위가 넓습니다. 자율화 조직이나 데이터 팀이 아니라 임직원 전체가 대상입니다.

전사가 대상인 이유는 일의 성격에 있습니다. 현장의 판단을 데이터로 옮기는 일도, 그렇게 만든 도구를 다시 현장에서 쓰는 일도 특정 부서 안에서 끝나지 않습니다. 정비 절차를 아는 사람과 그 절차를 문서로 정리하는 사람과 답변의 오류를 잡아내는 사람이 모두 현장에 있습니다. 교육 대상을 전사로 잡은 것은 그 범위를 따라간 결과입니다.

도구를 내놓을 때 회사가 든 배경에도 사람 이야기가 먼저 나옵니다. 1월 발표문은 업계가 인재와 숙련 부족을 겪고 있고 고객이 다뤄야 할 현장의 복잡성은 커지는 중이라고 적었습니다. 그 상황에서 경험이 적은 오퍼레이터의 생산성을 끌어올리는 것이 이 도구가 내건 쓸모였습니다. 사람이 모자란 자리를 메우려고 만든 도구와 사람을 다시 가르치는 예산은 같은 문제의 앞뒤입니다.

물론 이 배분 하나로 결론을 못 박기는 이릅니다. 교육 예산은 회사가 공개한 여러 지출 가운데 하나일 뿐이고, 모델과 인프라에 쓰는 돈은 따로 공개되지 않았습니다. 실적을 배경으로 덧붙이면, 캐터필러의 2분기 매출은 205억 달러로 분기 기준 최고치였습니다. 데이터센터에 들어가는 발전 장비 수요가 그 기록을 거들었고, 최고경영자 조 크리드는 클라우드 컴퓨팅과 생성형 AI 인프라 수요를 두고 아무도 속도를 늦추지 않고 있다고 말했습니다. 돈이 없어서 교육을 고른 상황은 아니라는 뜻입니다.

이 회사가 밝힌 순서는 이렇습니다. 자산은 이미 충분하고, 어려운 것은 그 자산을 현장 업무 흐름에 넣는 일이며, 그 일을 풀 첫 예산은 사람에게 갔습니다. 데이터를 다루는 쪽에서 보면 이 순서가 낯설지 않습니다. 모델을 고르는 결정은 몇 주면 되지만, 현장의 기록을 학습에 쓸 수 있는 형태로 정리하는 일에는 늘 그보다 긴 시간이 듭니다.

• 1.Park, K. (2026). "Caterpillar is bringing to AI deployment what it learned from automating mining." TechCrunch, 2026-08-30.
• 2.Caterpillar Inc. (2026). "Caterpillar Introduces Cat AI Assistant." PR Newswire, 2026-01-06.
• 3.Caterpillar Inc. (2026). "Form 8-K, Exhibit 99.1(2026년 2분기 실적발표)." U.S. Securities and Exchange Commission, EDGAR, 2026-08-04.