스페인 에너지 기업 렙솔(Repsol)의 AI 및 디지털 혁신 사례

 



1. AI 및 디지털 혁신 가속화
  • 렙솔(Repsol)은 스페인의 에너지 및 석유화학 기업으로, 디지털 혁신과 생성형 AI 도입을 강화하며 변화를 주도하고 있음.
  • 2018년부터 디지털 프로그램을 운영하며, 670건 이상의 디지털 프로젝트 진행 중. 이 중 400건 이상이 AI 기술을 활용하며, 60%는 탄소 감축 목표에 기여
2. AI 기반 디지털 전략
  • 2018년부터 AI 및 데이터 중심 조직으로 전환 추진
  • 2023년 MS와 협력하여 '생성형 AI 컴피턴스 센터' 설립
  • 해당 센터는 AI 및 데이터 역량 강화, 새로운 기술 탐색, 디지털 사례 개발 등의 역할 수행
  • 55건 이상의 생성형 AI 프로젝트 진행 중
3. 생성형 AI 적용 사례

 1) 업무 방식 혁신
  • MS의 코파일럿(MS Copilot) 전사 도입 → 시간 절약 및 품질 향상
  • 직원들이 고부가가치 업무에 집중할 수 있도록 지원
  2) 비즈니스 최적화
  • AI 기반 디지털 사례 개발 체계 운영
  • 대표적인 AI 솔루션
    • ‘세이프플레이(SafePlay)’: 사고 데이터를 분석하여 자동으로 안전 교육 및 가이드라인 생성
    • ‘하비(Harvey)’: 법률 문서 검토 AI. 계약서 및 표준을 비교하여 차이점과 위험 요소를 자동 식별

   3) 소프트웨어 개발 혁신
  • 생성형 AI를 활용한 코드 개발 실험 진행
  • GitHub Copilot을 이용해 20개 프로그래밍 언어에서 110만 줄 이상의 코드 생성
  4) 책임 있는 AI 운영
  • AI의 법적, 윤리적 문제를 고려한 책임 있는 AI 거버넌스 모델 구축
  • 유럽 AI 법안과 일치하는 AI 가이드라인 수립
4. AI가 직원 및 기업 문화에 미친 영향
  • ‘비즈니스 및 생산성 영향 사무소’ 설립 → AI의 효과를 측정 및 관리
  • 코파일럿 M365 파일럿 프로젝트에서 직원 1인당 주당 121분 업무 시간 절감, 연간 96시간 이상 절약
  • 업무 품질 16% 향상, 창의성과 비판적 사고 능력 증대
  • 직원 62%가 ‘AI 없이는 업무 수행이 어렵다’고 응답 → AI 도구에 대한 높은 의존도 확인

렙솔은 AI 및 디지털 혁신을 통해 에너지 전환과 탄소 감축을 가속화하고 있으며, 생성형 AI를 활용한 업무 혁신, 비즈니스 최적화, AI 거버넌스 구축 등을 전략적으로 추진하고 있음.
AI가 조직 전반에 미치는 영향을 체계적으로 평가하며, 디지털 전환의 중심에는 사람이 있어야 한다는 원칙을 유지하고 있음.

Comments

Post a Comment

Popular posts from this blog

🧑‍🏫[칼럼] 미래 인재상, T자형 하이브리드로 설계하라

미래 인재상, T자형 하이브리드로 설계하라 – AI 시대, '내 역할'을 새롭게 정의하는 사람만이 살아남는다.  –   1. AI가 바꾸는 일터의 풍경 요즘 일터 곳곳에서 AI 기술이 빠르게 도입되고 있다. 반복적이고 단순한 일은 자동화되고, 정해진 답이 있는 문제는 AI가 더 빠르고 정확하게 처리한다. 이런 변화 속에서 많은 이들이 불안해한다. "그럼 나는 어떻게 살아남아야 할까?" 이 질문에 대한 답은 점점 분명해지고 있다. 이제는 정답을 아는 것만으로는 부족하다. AI 시대에 중요한 것은 정답이 없는 문제에 대응하는 능력, 그리고 여러 분야를 연결하고 해석하는 융합적 사고력이다. 이 새로운 시대가 요구하는 인재상은 바로 'T자형 하이브리드 인재'이다.   2. 왜 융합형 사고가 중요해질까? 많은 기업들이 AI를 통해 일하는 방식을 근본적으로 바꾸고 있다. 스타벅스, JP모건, 존디어 같은 글로벌 기업들은 직원들의 전문 지식을 AI 시스템에 학습시켜 조직 전체에 활용하려는 전략을 펼치고 있다. 이로 인해 단순히 '경험 많은 전문가'라는 타이틀만으로는 경쟁력을 유지하기 어려워졌다. 하지만 여전히 사람만이 잘할 수 있는 영역이 존재한다. 불확실한 상황에서의 판단, 서로 다른 입장의 조율, 고객과의 감정적 연결, 조직 내 신뢰 형성 등은 AI가 대체하기 어려운 일이다. 이러한 복잡하고 정형화되지 않은 문제를 해결하는 능력은 T자형 인재의 핵심적인 역량이다.   3. T자형 인재란 무엇인가? T자형 인재는 한 분야에 깊은 전문성을 갖추는 동시에, 여러 분야를 연결하고 협업할 수 있는 융합적 역량을 지닌 사람을 말한다. T자의 세로 줄은 마케팅, 법률, 공학, 디자인 등 특정 분야에서의 깊이 있는 전문성을 의미한다. 가로 줄은 디지털 이해력, 데이터 분석 능력, 커뮤니케이션, 협업 능력처럼 다양한 분야를 아우르며 융합적으로 사고할 수 있는 능력이다. 특히 중요한 것은 기술과 기술, 사람과 기술 사이를 연결...
Read more

[인사이트] "연구용 AI"의 등장과 연구 패러다임의 변화

Image
(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...
Read more

AI의 기반 : 데이터부터 시작하라

Image
* 이 내용은 " 단기 성과와 장기 성장 사이 ··· AI 투자의 딜레마" (CIO, 2025.2.19) 칼럼을 기초로 주로 데이터 부문의 내용을 중심으로 작성한 것입니다. 실질적인 AI 전략을 수립하기 위해 가장 먼저 투자해야 할 요소는 데이터 품질이다 . 데이터 품질이 확보되지 않으면 데이터에 대한 신뢰도도 확보될 수 없다 . ML , Gen   AI, 에이전틱 AI 의 신뢰성을 확보하기 위한 기본 전제는 바로 고품질의 데이터이다 . AI 가 데이터를 통해 가치를 창출할 수 있다. 하지만 데이터가 부실하면 그 결과 역시 신뢰할 수 없을 것이다 .   오라일리 (O’Reilly) 의 조사 에 따르면 , 48% 의 기업이 데이터 정확성을 유지하기 위해 머신러닝 , 데이터 분석 , AI 도구를 활용하고 있다 . 이는 AI 이니셔티브를 위해 탄탄한 데이터 기반이 필수 적임을 보여준다 . 클릭 (Qlik) 의 조사 에서는 21% 의 기업이 신뢰할 수 있는 데이터를 확보하지 못해 AI 도입에 어려움을 겪고 있다고 한다 . 이는 안정적인 데이터 플랫폼 구축의 필요성 을 강조하는 결과이다 . ‘ 데이터의 중력 (Data Gravity) ’ 개념에서 데이터가 한 곳에 모이면 그곳이 중심지가 되지만 그 데이터의 품질을 깊이 검증하지 않고 신뢰하는 경향이 있다고 한다. 실제로 중복성과 일관성이 부족해  신뢰할 수 없는 데이터가 저장소에 생성되는 것이다. 그래서  데이터 단절과 부정확성으로 인해 비즈니스 의사결정의 질이 떨어질 수밖에 없다 . 데이터 과학과 머신러닝에 투자하기 전에  데이터를 먼저 정제하고 통합하는 과정이 우선이다. 그냥 진행하면 오히려 데이터 품질과 신뢰 문제를 더욱 악화시킬 수 있다 . 데이터의 의미적 모델을 추상화하고 , 분석 도구에서 활용할 수 있는 비즈니스 준비된 데이터 계층을 구성해야 한다 . 데이터 품질과 신뢰도가 확보되지 않은 상태에서 머신러닝 알고리즘과 모델 개발을 위해 데이터 과학 자원에 투자하는 것은...
Read more