벤처기업협회 산하 AX브릿지위원회는 11월 25일 서울 포스코타워 역삼에서 ‘AX 성공방정식 2026, 현장의 질문에 답하다’ 컨퍼런스를 열고 벤처기업의 AI 도입 과정에서 반복되는 실행 장벽을 해결하기 위한 3대 AX정책을 발표했다. 이번 행사는 벤처·스타트업이 AI를 실제 비즈니스에 적용하는 과정에서 마주하는 주요 문제를 분석하고 실행 격차 해소 방안을 모색하기 위해 마련됐다.
위원회가 지난 10월 실시한 ‘2025 벤처기업 AI 도입 경험 및 장벽 조사’에 따르면 응답 기업의 81.4%가 데이터 품질·정제·표준화 부족을 가장 큰 장벽으로 꼽았다. 이어 비용 예측 실패와 문제정의 오류가 각각 73.3%, 솔루션 미스매칭 68.8%, PoC 한계 64.3%로 조사돼 이른바 ‘5대 AX장벽’이 확인됐다. 또한 응답 기업의 63.8%가 초기 도입 단계에서 멈춰 있으며, 이 중 85%는 직원 50인 미만의 중소벤처기업으로 파일럿 중심 실험이 반복되는 구조가 드러났다.
현장 오프닝 세션에는 농업AI, 식품AI, 로봇AI, 보안AI 분야 기업들이 참여해 산업별 AI 적용 사례를 공유했다. 발표 기업들은 데이터 품질이 AI 도입의 성패를 결정하며, 5대 장벽이 산업 전반에서 공통적으로 나타나는 문제라고 설명했다.
이어진 테크·비즈니스 솔루션 세션에서는 AI 설계 자동화, 공공 AI 통합, 국방 분야 온톨로지 기반 AI, 생성형 AI 대중화, 기업 내 전사적 AI 전환 사례 등이 소개됐다. 발표자들은 실제 적용 과정에서의 문제 해결 방안을 중심으로 장벽 극복 전략을 제시했다.
AX브릿지위원회는 조사 결과와 현장 의견을 토대로 세 가지 정책 방향을 제안했다. 첫째, 데이터 정책으로는 공공데이터 개방을 넘어 기업 보유 데이터를 정제·가공·라벨링해 활용할 수 있도록 데이터 거버넌스와 품질관리 지원을 강화해야 한다고 밝혔다. 둘째, 인력 정책으로는 고급 개발자 양성 중심에서 벗어나 벤처 CEO와 실무자가 비즈니스 문제를 AI로 해결하는 역량을 높일 수 있는 실무형 교육을 확대해야 한다고 제안했다. 셋째, 지원 정책으로는 1회성 PoC를 지양하고 도입부터 운영·확산까지 전 단계를 지원하는 체계를 마련하며, 총소유비용 관점에서 실질적 지원 패키지를 제공해야 한다고 강조했다.
이주완 위원장은 “AI 경쟁력은 기술 자체보다 현장에서 AI를 활용할 수 있는 기업의 수에 달려 있다”라며, “2026년 정부 AI 정책은 기술 공급 중심에서 실행 격차 해소 중심으로 전환할 필요가 있다”라고 말했다.
AX브릿지위원회는 앞으로도 AI 공급기업과 수요기업 간 가교 역할을 수행하며 생태계 활성화를 위한 정책 제안을 이어갈 계획이다.
- 관련 기사 더 보기
The Korea Venture Business Association's AX Bridge Committee held the "AX Success Equation 2026" conference.
On November 25th, the AX Bridge Committee under the Korea Venture Business Association held a conference titled "AX Success Equation 2026: Answering Questions from the Field" at the POSCO Tower Yeoksam in Seoul. The committee announced three AX policies aimed at addressing recurring implementation barriers in venture companies' AI adoption processes. The event was designed to analyze key challenges faced by venture companies and startups in applying AI to their businesses and explore ways to bridge the implementation gap.
According to the "2025 Venture Business AI Adoption Experience and Barriers Survey" conducted by the committee in October, 81.4% of responding companies cited lack of data quality, refinement, and standardization as their biggest barriers. This was followed by failure to predict costs and errors in problem definition (73.3%), solution mismatch (68.8%), and proof-of-concept (PoC) limitations (64.3%), confirming the so-called "five AX barriers." Furthermore, 63.8% of responding companies are stuck in the initial adoption phase, and 85% of these are small and medium-sized ventures with fewer than 50 employees, revealing a structure of repeated pilot-centered experiments.
The on-site opening session featured companies in agricultural AI, food AI, robotics AI, and security AI, sharing AI application cases across industries. The presenters explained that data quality determines the success or failure of AI adoption and that the five major barriers are common issues across industries.
The tech and business solutions session that followed featured AI design automation, public AI integration, ontology-based AI in the defense sector, popularizing generative AI, and examples of enterprise-wide AI transformation within companies. Presenters presented strategies for overcoming barriers, focusing on problem-solving approaches for practical implementation.
Based on the survey results and field feedback, the AX Bridge Committee proposed three policy directions. First, regarding data policy, it stated that beyond the opening of public data, data governance and quality control support should be strengthened to enable companies to refine, process, and label their own data for utilization. Second, regarding human resources policy, it suggested moving beyond training advanced developers and expanding practical training that can enhance the capabilities of venture CEOs and practitioners to solve business problems with AI. Third, regarding support policies, it emphasized that one-time proofs of concept should be avoided and a system should be established to support all stages from introduction to operation and expansion, providing a practical support package from a total cost of ownership perspective.
Chairman Lee Ju-wan said, "AI competitiveness depends more on the number of companies that can utilize AI in the field than on the technology itself," adding, "In 2026, the government's AI policy needs to shift from focusing on technology supply to focusing on resolving the implementation gap."
The AX Bridge Committee plans to continue to serve as a bridge between AI suppliers and demanders and to propose policies to revitalize the ecosystem.
- See more related articles
ベンチャー企業協会AXブリッジ委員会、「AX成功方程式2026」カンファレンス開催
ベンチャー企業協会傘下のAXブリッジ委員会は11月25日、ソウルポスコタワー駅三で「AX成功方程式2026、現場の質問に答える」カンファレンスを開き、ベンチャー企業のAI導入過程で繰り返される実行障壁を解決するための3大AX政策を発表した。今回のイベントは、ベンチャー・スタートアップがAIを実際のビジネスに適用する過程で向き合う主な問題を分析し、実行格差解消案を模索するために設けられた。
委員会が去る10月に実施した「2025ベンチャー企業AI導入経験及び障壁調査」によると、回答企業の81.4％がデータ品質・精製・標準化不足を最大の障壁に挙げた。続いてコスト予測失敗と問題定義のエラーがそれぞれ73.3%、ソリューションミスマッチング68.8%、PoC限界64.3%と調査され、いわゆる'5大AXバリア'が確認された。また、回答企業の63.8％が初期導入段階で止まっており、そのうち85％は従業員50人未満の中小ベンチャー企業で、パイロット中心実験が繰り返される仕組みが明らかになった。
現場オープニングセッションには、農業AI、食品AI、ロボットAI、セキュリティAI分野の企業が参加し、産業別AI適用事例を共有した。発表企業はデータ品質がAI導入の成否を決定し、5大障壁が産業全般で共通して現れる問題だと説明した。
続くテク・ビジネスソリューションセッションでは、AI設計自動化、公共AI統合、国防分野オントロジー基盤AI、生成型AI大衆化、企業内全社的AI転換事例などが紹介された。発表者は、実際の適用過程における問題解決策を中心に障壁克服戦略を提示した。
AXブリッジ委員会は調査結果と現場の意見に基づいて3つの政策方向を提案した。まず、データ政策では、公共データの開放を超えて企業保有データを精製・加工・ラベリングして活用できるように、データガバナンスと品質管理支援を強化しなければならないと明らかにした。第二に、人材政策では、先進開発者養成中心から抜け出して、ベンチャーCEOと実務者がビジネス問題をAIで解決する能力を高めることができる実務型教育を拡大しなければならないと提案した。第三に、支援政策としては、1回限りのPoCを指摘し、導入から運営・拡散まで全段階を支援する体系を設け、総所有費用の観点から実質支援パッケージを提供しなければならないと強調した。
イ・ジュワン委員長は「AI競争力は技術自体より現場でAIを活用できる企業の数に依存している」とし、「2026年の政府AI政策は技術供給中心から実行格差解消中心に転換する必要がある」と話した。
AXブリッジ委員会は今後もAI供給企業と需要企業間で架橋の役割を遂行し、生態系活性化のための政策提案を続ける計画だ。
- 関連記事をもっと見る
韩国风险投资协会的 AX Bridge 委员会举办了“AX 成功方程式 2026”会议。
11月25日，韩国风险投资协会下属的AX桥梁委员会在首尔浦项制铁驿三大厦举办了题为“2026年AX成功方程式：解答来自业界的疑问”的研讨会。该委员会宣布了三项AX政策，旨在解决风险投资公司在人工智能应用过程中反复遇到的实施障碍。本次研讨会的目的是分析风险投资公司和初创企业在将人工智能应用于业务时面临的关键挑战，并探讨弥合实施差距的方法。
根据委员会10月份开展的“2025年风险企业人工智能应用经验及障碍调查”，81.4%的受访企业认为数据质量、精细化程度和标准化不足是其面临的最大障碍。其次是成本预测失败和问题定义错误（73.3%）、解决方案不匹配（68.8%）以及概念验证（PoC）局限性（64.3%），这印证了所谓的“五大人工智能应用障碍”。此外，63.8%的受访企业仍处于初始应用阶段，其中85%是员工人数少于50人的中小企业，这表明它们普遍存在以试点为主导的重复性实验模式。
现场开幕式邀请了农业人工智能、食品人工智能、机器人人工智能和安防人工智能领域的公司，分享了人工智能在各行业的应用案例。演讲者指出，数据质量决定了人工智能应用的成败，而五大障碍是各行业普遍面临的问题。
随后的技术和商业解决方案研讨会重点讨论了人工智能设计自动化、公共人工智能集成、国防领域基于本体的人工智能、生成式人工智能的普及以及企业内部人工智能转型案例。演讲者介绍了克服障碍的策略，重点关注可实际应用的解决问题的方法。
基于调查结果和实地反馈，AX Bridge委员会提出了三项政策方向。首先，在数据政策方面，委员会指出，除了开放公共数据外，还应加强数据治理和质量控制支持，使企业能够提炼、处理和标记自身数据以供利用。其次，在人力资源政策方面，委员会建议，应超越对高级开发人员的培训，扩大实践培训范围，以提升企业CEO和从业人员运用人工智能解决业务问题的能力。第三，在支持政策方面，委员会强调应避免一次性概念验证，而应建立一套支持体系，为从引入到运营和扩展的各个阶段提供支持，并从总体拥有成本的角度提供切实可行的支持方案。
李柱完主席表示，“人工智能的竞争力更多地取决于能够在该领域应用人工智能的公司数量，而不是技术本身”，他还补充道，“到2026年，政府的人工智能政策需要从关注技术供应转向关注解决实施差距。”
AX Bridge 委员会计划继续发挥人工智能供应商和需求者之间的桥梁作用，并提出振兴生态系统的政策。
- 查看更多相关文章
Le comité AX Bridge de la Korea Venture Business Association a organisé la conférence « AX Success Equation 2026 ».
Le 25 novembre, le Comité AX Bridge de la Korea Venture Business Association a organisé une conférence intitulée « Équation du succès AX 2026 : Répondre aux questions du terrain » à la tour POSCO Yeoksam de Séoul. Le comité a annoncé trois mesures AX visant à lever les obstacles récurrents à l'adoption de l'IA par les entreprises en phase de démarrage. L'événement avait pour objectif d'analyser les principaux défis rencontrés par ces entreprises et les startups dans l'application de l'IA à leurs activités, et d'explorer des solutions pour faciliter leur mise en œuvre.
D'après l'enquête « Expérience et obstacles à l'adoption de l'IA par les entreprises en phase de démarrage en 2025 », menée par le comité en octobre, 81,4 % des entreprises ayant répondu ont cité le manque de qualité, de raffinement et de standardisation des données comme leurs principaux freins. Viennent ensuite l'incapacité à prévoir les coûts et les erreurs de définition du problème (73,3 %), l'inadéquation de la solution (68,8 %) et les limitations des preuves de concept (PoC) (64,3 %), confirmant ainsi les cinq principaux obstacles à l'adoption de l'IA. Par ailleurs, 63,8 % des entreprises ayant répondu sont bloquées dans la phase initiale d'adoption, et 85 % d'entre elles sont des PME de moins de 50 employés, ce qui révèle une approche privilégiant les expérimentations pilotes répétées.
La séance d'ouverture sur site a réuni des entreprises spécialisées dans l'IA appliquée à l'agriculture, à l'alimentation, à la robotique et à la sécurité, qui ont présenté des cas d'application de l'IA dans différents secteurs. Les intervenants ont expliqué que la qualité des données est déterminante pour le succès ou l'échec de l'adoption de l'IA et que les cinq principaux obstacles sont des problématiques communes à tous les secteurs.
La session suivante, consacrée aux solutions technologiques et commerciales, a présenté l'automatisation de la conception de l'IA, l'intégration de l'IA publique, l'IA basée sur l'ontologie dans le secteur de la défense, la popularisation de l'IA générative et des exemples de transformation de l'IA à l'échelle de l'entreprise. Les intervenants ont exposé des stratégies pour surmonter les obstacles, en privilégiant les approches de résolution de problèmes pour une mise en œuvre concrète.
S’appuyant sur les résultats de l’enquête et les retours du terrain, le Comité AX Bridge a proposé trois orientations stratégiques. Premièrement, concernant la politique des données, il a indiqué qu’au-delà de l’ouverture des données publiques, la gouvernance et le contrôle qualité des données devaient être renforcés afin de permettre aux entreprises d’affiner, de traiter et d’étiqueter leurs propres données en vue de leur utilisation. Deuxièmement, concernant la politique des ressources humaines, il a suggéré d’aller au-delà de la simple formation de développeurs experts et de développer des formations pratiques capables de renforcer les compétences des dirigeants et des praticiens de jeunes entreprises en matière de résolution de problèmes commerciaux grâce à l’IA. Troisièmement, concernant les politiques de soutien, il a souligné qu’il convenait d’éviter les preuves de concept ponctuelles et de mettre en place un système de soutien couvrant toutes les étapes, de l’introduction à l’exploitation et à l’expansion, en proposant une offre de soutien concrète prenant en compte le coût total de possession.
Le président Lee Ju-wan a déclaré : « La compétitivité de l'IA dépend davantage du nombre d'entreprises capables de l'utiliser sur le terrain que de la technologie elle-même », ajoutant : « En 2026, la politique gouvernementale en matière d'IA devra passer d'une focalisation sur l'offre technologique à une focalisation sur la résolution du fossé de mise en œuvre. »
Le comité AX Bridge prévoit de continuer à servir de pont entre les fournisseurs et les demandeurs d'IA et de proposer des politiques visant à revitaliser l'écosystème.
- Voir plus d'articles connexes
You must be logged in to post a comment.