LG의 진짜 AI Moat는 모델보다 물리 세계 데이터에 있다

Summary
AI 시대의 경쟁력을 모델만으로 설명하기는 어렵다. EXAONE처럼 LG가 통제할 수 있는 모델 layer는 중요하지만, 글로벌 frontier model과 오픈 모델이 빠르게 발전하는 환경에서는 모델 자체가 오래가는 moat가 되기 어렵다. LG에게 더 중요한 차별화는 제품, 공장, 고객 접점, 설치·서비스, 배터리, 모빌리티처럼 물리 세계에서 반복적으로 쌓이는 데이터와 운영 노하우다. 다만 데이터가 흩어져 있으면 moat가 되지 않는다. ontology와 Agent workflow로 연결되어야 방어 가능한 AI 자산이 된다.

1. Key Factors & Questions

Key Factors

LG AI Research는 EXAONE을 통해 자체 foundation model 역량을 축적하고 있다. EXAONE 4.5 Technical Report는 256K context, document understanding, Korean contextual reasoning, enterprise-scale use case를 강조한다.

동시에 LG의 더 큰 자산은 물리 세계에 있다. LG전자는 스마트팩토리 사업 설명에서 66년 제조 경험, 최근 10년간 770TB의 제조·생산 데이터, 1,000건 이상의 스마트팩토리 관련 특허를 강조했다. LG–NVIDIA M.A.P. 협력에서도 LG의 manufacturing know-how, customer touchpoint 기반 life data assets, AI Infra, Physical AI, Mobility가 함께 언급된다.

또 LG CNS–Palantir 협력은 데이터가 단순히 많다고 AI 자산이 되는 것이 아니라, Foundry, AIP, ontology, data-driven operating model처럼 의미 구조로 연결되어야 한다는 점을 보여준다.

Questions

이 흐름에서 LG가 던져야 할 질문은 다음이다.

1. LG의 AI 경쟁력은 모델 자체인가, 산업 데이터인가?
2. EXAONE은 독립 moat인가, LG 데이터와 결합되는 내부 지능 layer인가?
3. 제품·공장·고객·배터리·서비스 데이터는 어떻게 연결되어야 moat가 되는가?
4. 물리 세계 자산을 AI가 이해하고 실행할 수 있는 구조로 바꿀 수 있는가?

2. 모델은 필요하지만, 모델만으로는 부족하다

LG에게 자체 모델은 중요하다. EXAONE은 외부 모델에만 의존하지 않고, 한국어 업무 맥락과 산업 문서를 처리할 수 있는 내부 AI layer가 될 수 있다. 특히 문서 이해, 긴 컨텍스트, 산업 적용 영역에서는 의미가 크다.

하지만 AI 모델 경쟁은 빠르게 범용화되고 있다. frontier model은 계속 성능을 끌어올리고, 오픈 모델도 빠르게 따라온다. 따라서 “우리 모델이 더 좋다”는 주장만으로 장기적인 moat를 만들기는 어렵다.

LG가 봐야 할 질문은 이것이다.

EXAONE이 세계 최고의 범용 모델인가?

보다 중요한 질문은 다음이다.

EXAONE이 LG의 데이터와 결합해, 외부 모델이 쉽게 만들 수 없는 산업 지능을 만들 수 있는가?

3. LG의 차별화는 물리 세계 데이터에서 나온다

LG는 AI native software company가 아니다. 대신 제품을 만들고, 설치하고, 판매하고, 수리하고, 공장을 운영하고, 배터리를 관리하고, 차량 부품을 공급한다. 이 과정에서 물리 세계의 데이터가 쌓인다.

이 데이터는 단순 로그가 아니다. 제품의 사용, 품질, 고장, 수리, 생산, 재고, 에너지, 배터리 상태, 차량 센싱, 고객 경험과 연결된다. 이런 데이터는 외부 AI 플랫폼이 쉽게 복제하기 어렵다.

LG–NVIDIA 협력이 중요한 이유도 여기에 있다. NVIDIA는 AI 기술을 제공하지만, LG는 AI가 적용될 물리 세계와 산업 현장을 갖고 있다.

4. 데이터는 연결되어야 moat가 된다

데이터가 많다고 자동으로 moat가 되는 것은 아니다. 데이터가 부서별 시스템에 흩어져 있고, 의미와 관계가 정리되어 있지 않으면 AI는 제대로 활용하기 어렵다.

Palantir 협력의 의미도 여기서 나온다. 제품, 고객, 공장, 설비, 원가, 품질, 재고, 프로젝트를 AI가 이해할 수 있는 객체와 관계로 연결해야 한다.

LG의 AI moat는 다음 구조로 만들어져야 한다.

물리 세계 데이터
→ ontology / knowledge graph
→ EXAONE + external model
→ Agent workflow
→ 실행 결과
→ 다시 데이터로 축적

이 loop가 작동해야 데이터가 축적되고, 모델이 개선되고, 실행 품질이 높아진다.

5. 배터리와 서비스 데이터는 오래 남는 자산이다

배터리도 좋은 예다. LG에너지솔루션의 B.around는 BMTS를 기반으로 배터리 상태 진단과 lifecycle management를 제공한다. 배터리는 제조 후에도 사용, 충전, 열화, 안전, 잔존가치 데이터가 계속 쌓인다.

이런 데이터는 모델보다 더 오래 남는다. 모델은 바뀔 수 있지만, 실제 배터리 사용 데이터와 운영 노하우는 시간이 지날수록 축적된다. AI moat는 바로 이런 반복적 현실 데이터에서 만들어진다.

6. 한 줄 결론

LG의 AI Moat는 모델만으로 만들어지지 않는다.
진짜 차별화는 제품·공장·고객·배터리·서비스에서 나오는 물리 세계 데이터를 ontology와 Agent workflow로 연결할 때 만들어진다.