도달한 결론은 세 가지입니다. 범용 AI는 AV 설계 현장에서 쓸 수 없고, 도면과 금액 데이터를 구조화하는 것이 기술 도입보다 먼저이며, AI의 역할은 판단 대체가 아니라 판단 속도와 정확도의 보조입니다.

컨설팅 AI는 질문에 답할 수 있지만, 현장에서 결정을 내릴 수 있는 건 다른 문제입니다. 공연장 음향 시스템 설계에서 스피커 지향각이 3도 달라지면 객석 3열의 직달음 레벨이 바뀌고, 그 차이가 준공 후 재시공 여부를 결정합니다. 범용 언어모델은 그 맥락을 알지 못합니다. 이 글은 AV 설계 도메인에서 AI가 실제로 쓸모있어지기까지 어떤 지식 체계를 구축해야 하는지, 그 과정에서 무엇이 어려웠는지를 솔직하게 기록합니다.

범용 컨설팅 AI에게 AV 설계를 맡기면 어떤 일이 생기는가

범용 컨설팅 AI는 교과서적으로 정확하지만, 현장 판단은 다릅니다. AV 설계 현장의 결정은 수치 하나가 아니라 공간 용도, 예산 구조, 시공사 역량, 발주처의 우선순위가 교차하는 지점에서 내려집니다. 범용 모델은 이 교차점을 인식하지 못합니다.

예를 들어 “회의실 마이크 시스템 추천”이라는 질문에 범용 AI는 제품 카탈로그 수준의 답을 냅니다. 그러나 실제 설계는 천장 높이(보통 2.7m~3.7m), 흡음 처리 수준, 회의 패턴(대면/화상/혼합), 영상 시스템과의 연동 방식, AV 네트워크 프로토콜(Dante, AVB 등) 적용 여부까지 함께 고려해야 합니다. 이 조건들이 모두 충족되어야 설계가 됩니다.

컨설팅 AI가 실제로 기여하려면 이런 변수의 조합 방식을 사전에 학습해야 합니다. 그 학습의 원료가 바로 실제 프로젝트 데이터입니다.

실제 현장에서 목격한 대표적인 실패 패턴 두 가지가 있습니다.

첫 번째는 ‘공간 분류 오류로 인한 설계 방향 이탈’입니다. 한 지방 공공기관에서 다목적홀 음향 시스템 초안 작성을 범용 AI에 의뢰한 사례가 있었습니다. 해당 공간은 오케스트라 공연과 회의·강연을 겸용하는 복합 용도 홀이었는데, AI는 이 공간을 일반 강당으로 분류해 RT60 목표치를 0.8초로 제안했습니다. 오케스트라 공연에서 요구되는 잔향시간(1.6~2.3초, 홀 규모에 따라 상이)과 정반대 방향의 설계였습니다. 이상적 조건의 중소형 홀이라면 1.6~1.8초 범위가 기준이 되지만, 실제 대형 공연장에서는 객석 수와 용적비에 따라 2.0초를 넘기도 합니다. 가변 흡음 시스템 도입 여부를 검토하지 않았고, 반사판 배치도 고려 대상에서 빠져 있었습니다. 이 초안을 기반으로 내부 검토가 진행되다 전문 컨설턴트의 검수 단계에서 전면 재작성이 결정되었고, 일정이 3주 이상 지연되었습니다.

두 번째는 ‘신호 경로 단선 오류’입니다. 기업 본사 대형 회의실 AV 구성안을 범용 AI가 작성한 경우였습니다. AI는 DSP 프로세서와 앰프 사이의 신호 경로를 아날로그 방식으로 설계했으나, 발주처가 이미 Dante 기반 AV 네트워크를 운영 중이었습니다. 기존 인프라와 호환되지 않는 구성이 제안된 것입니다. Dante 라이선스 비용, 네트워크 스위치 요구 사양, I/O 확장 모듈 필요 여부가 전혀 반영되지 않은 안이었습니다. 이 제안이 그대로 견적에 반영되었다면, 시공 단계에서 대규모 설계 변경이 발생할 수 있었습니다.

범용 AI가 AV 설계에서 반복적으로 실수하는 지점은 세 가지로 요약됩니다. 첫째, 공간 유형을 구분하지 못합니다. 컨퍼런스홀과 공연장은 음향 목표치(RT60 기준, 음압 분포, 명료도 지수)가 근본적으로 다릅니다. 둘째, 장비 간 호환성과 신호 경로를 단선적으로 판단합니다. 실제 AV 시스템은 음향-영상-제어-네트워크가 유기적으로 연결된 구조이며, 한 레이어의 선택이 다른 레이어 전체를 제약합니다. 셋째, 시공 단계의 현실적 제약을 반영하지 않습니다. 설계도 상 최적해가 시공 현장에서 시공사 역량이나 납기 문제로 변경되는 경우는 드물지 않습니다.

AV 컨설팅에서 AI 활용의 윤리적 경계에 대해 더 읽기

설계도 수천 장을 AI가 읽을 수 있게 만드는 데 걸린 시간

AV 설계도는 일반 문서가 아닙니다. CAD 도면, 신호 흐름도(Signal Flow Diagram), 장비 배치 평면도, 케이블 스케줄, 음장 시뮬레이션 결과 리포트가 혼재합니다. 이 파일들을 AI가 처리 가능한 형태로 변환하는 것 자체가 하나의 프로젝트였습니다.

설계도 데이터 특화 과정에서 가장 먼저 직면한 문제는 ‘형식의 비일관성’이었습니다. 20년간 누적된 도면은 AutoCAD DWG부터 PDF 스캔본, 벡터 형식의 Visio 파일까지 다양합니다. 파일 형식이 다르면 정보 추출 방식도 달라집니다. 스캔 PDF는 텍스트 레이어가 없어 OCR을 거쳐야 하고, CAD 파일은 레이어 구조를 해석해야 의미 있는 정보가 추출됩니다.

두 번째 문제는 ‘AV 도면 고유의 약어 체계’였습니다. 일반 언어모델은 AV 설계 도면에서 쓰이는 약어를 맥락 없이 해석합니다. XOVR(크로스오버), SPL(Sound Pressure Level), FIR(Finite Impulse Response 필터), DSP(Digital Signal Processor) 같은 약어는 일반 문맥과 AV 설계 문맥에서 의미가 다르거나, 설계서 안에서만 통용되는 사내 약어 체계가 덧씌워져 있습니다. 이 약어 사전을 구축하고 검증하는 과정만 수 개월이 걸렸습니다.

세 번째로, 도면과 도면 사이의 ‘관계성’을 AI에게 인식시키는 작업이 필요했습니다. 음향 시스템 평면도와 신호 흐름도는 별개의 파일이지만, 실제로는 같은 장비를 다른 시각으로 표현한 것입니다. 이 연결 구조를 AI가 파악해야 “이 앰프의 출력이 몇 개 스피커에 분배되는가”라는 질문에 정확한 답을 낼 수 있습니다.

결론적으로 설계도 수천 장이 AI에게 읽힐 수 있는 상태가 되기까지, 데이터 정제·변환·관계 매핑의 세 단계를 반복했습니다. 이 과정 자체가 AV 설계 도메인 지식 체계 구축의 핵심 기반이 되었습니다.

금액 데이터가 AI에게 가장 가르치기 어려운 이유

이유는 세 가지입니다. 시점 의존성, 공간 유형별 기준선 차이, 발주처 요구 수준의 비정형성이 겹치기 때문입니다. 이 세 요소가 동시에 작용하면 동일한 금액 수치도 맥락에 따라 완전히 다른 의미를 가집니다.

수백 건의 프로젝트 계약 데이터를 분석하는 작업은 설계도 데이터 구축보다 훨씬 복잡했습니다. AI에게 “이 규모의 공간에 이런 시스템을 구성할 때 적정 수준이 어느 범위인가”를 판단하게 만들려면, 금액 데이터가 단순한 숫자가 아니라 맥락과 함께 저장되어야 합니다.

금액 데이터가 어려운 첫 번째 이유는 ‘시점 의존성’입니다. 동일한 장비 구성이라도 프로젝트 시점에 따라 환율, 글로벌 공급망 상황, 제조사 정책이 달라집니다. 2019년 데이터와 2024년 데이터를 같은 선상에서 비교하면 판단이 왜곡됩니다. 이를 보정하는 인덱싱 로직을 설계하는 것이 첫 번째 과제였습니다.

두 번째 이유는 ‘공간 유형별 기준선 차이’입니다. 200석 강당과 200인 수용 컨퍼런스홀은 수용 인원은 같지만, AV 시스템의 복잡도와 장비 등급이 전혀 다릅니다. 강당은 스피커 배열 설계, 앰프 용량, DSP 처리가 중심이고, 컨퍼런스홀은 영상 신호 분배, 화상회의 통합, AV 네트워크 설계가 핵심입니다. 공간 유형을 세분화하지 않으면 AI의 기준선 판단이 의미를 잃습니다.

두 번째와 세 번째 어려움 사이에는 또 다른 복잡성이 있습니다. 바로 ‘데이터 정규화의 실질적 어려움’입니다. 금액 데이터를 AI가 비교 판단할 수 있으려면, 서로 다른 시기와 지역에서 발생한 수치를 동일한 기준선으로 맞추는 작업이 필요합니다. 시기별 물가 차이는 단순히 소비자물가지수(CPI)를 적용하는 것으로 해결되지 않습니다. AV 전문 장비는 글로벌 수급 상황과 제조사의 정책 변경에 따라 국내 공급가가 급격히 움직이는 품목이 있습니다. 2020~2022년 글로벌 반도체 공급 부족 시기에는 DSP 등 신호처리 장비 단가가 수십 퍼센트 이상 상승한 사례가 나타났습니다. 이런 시기에 체결된 계약 데이터를 보정 없이 사용하면, AI는 그 시점의 단가를 ‘정상 범위’로 학습합니다.

데이터 정규화의 두 번째 축은 지역별 편차입니다.

지역별 시공 단가 편차도 정규화가 쉽지 않습니다. 수도권과 지방 소도시의 전기·통신 시공 단가는 인건비 구조가 다르고, 전문 시공 인력 수급 여건도 다릅니다. 서울 기준으로 설계된 견적을 지방 현장에 그대로 적용하거나 역으로 비교하면 금액 범위 판단이 어긋납니다. 여기에 공공 발주와 민간 발주의 부가세 및 계상 구조 차이까지 더해지면, 동일한 시스템 구성이라도 계약서상 금액이 20~30% 달라질 수 있습니다. 이 차이를 모두 설명 변수로 구조화한 뒤에야 AI는 비교 가능한 데이터 집합을 갖게 됩니다. 이 정규화 작업이 금액 데이터 구축 전체 공수의 절반 이상을 차지했습니다.

세 번째는 가장 근본적인 어려움으로, ‘발주처 요구 수준의 비정형성’입니다. 동일한 공간 유형과 규모라도 발주처가 “최고 품질”을 원하는지 “운영 가능한 수준”을 원하는지에 따라 적정 범위가 수십 퍼센트 이상 달라집니다. 이 요구 수준은 계약서에 명시되지 않고, 초기 미팅 메모나 설계 방향 합의서에 암묵적으로 담겨 있습니다. 이 비정형 데이터를 AI가 처리 가능한 형태로 구조화하는 작업이 가장 오랜 시간이 걸렸습니다.

결과적으로 금액 데이터 기반의 적정가 판단 능력은 “수치를 보여주는 것”이 아니라 “유사 프로젝트 군(群)에서 이 프로젝트의 위치를 파악하는 것”으로 정의되었습니다. AI는 특정 금액을 제시하지 않습니다. 대신, 설계 범위와 공간 조건이 유사한 과거 프로젝트 사례 내에서 현재 검토 중인 구성의 합리성을 판단하는 역할을 합니다.

도메인 특화 AI가 실제로 할 수 있는 것

도메인 특화 과정을 거친 지금, 이 AI 시스템이 실제로 기여하는 방식은 세 가지로 정리됩니다.

첫째, 초기 공간 분석 속도 단축입니다. 신규 프로젝트가 들어왔을 때, 공간 도면과 용도 정보를 입력하면 유사 프로젝트 레퍼런스, 초기 음향 설계 목표치(RT60 범위, 음압 분포 기준 등), 고려해야 할 기술 변수 목록이 자동으로 정리됩니다. 컨설턴트가 수 시간 걸려 참조했던 과거 자료를 수 분 안에 구조화된 형태로 받을 수 있습니다.

잔향시간(RT60)과 음장 설계의 기초 개념에 대해서는 RT60 잔향시간 기초 완전 가이드를 참고하시기 바랍니다.

AVIXA가 정의한 AV 설계 기준에 따르면, 공간 용도별 음향·영상 성능 목표치는 단일 수치가 아닌 설계 조건의 복합적 결과물입니다. SYM 컨설팅 AI는 이 기준을 내부 데이터와 결합해 초기 분석 단계부터 공간별 설계 방향을 구체화합니다.

둘째, 설계 검토 단계의 오류 사전 탐지입니다. 작성된 설계도를 AI가 검토하면 신호 경로 단절, 임피던스 미스매치 가능성, 케이블 스케줄 불일치 같은 오류가 인간 검토보다 빠르게 식별됩니다. 이는 AI가 설계를 대체한다는 의미가 아닙니다. 컨설턴트가 놓칠 수 있는 기계적 불일치를 걸러내는 역할입니다.

셋째, 계약 범위 적정성 판단 보조입니다. 발주처가 받은 견적이 설계 범위에 비해 합리적인지 빠르게 판단할 수 있습니다. AI는 과거 수백 건 프로젝트 계약 데이터 분석을 기반으로 현재 견적의 위치를 파악하고, 컨설턴트의 최종 판단을 위한 참조 정보를 제공합니다.

이 세 가지 모두에서 최종 판단은 컨설턴트가 합니다. AI는 속도와 정확도를 높이는 도구이고, 20년 현장 경험이 쌓인 판단 체계는 여전히 사람의 몫입니다. SYM Consulting이 구축한 것은 AI를 도입한 컨설팅이 아니라, 20년 경험을 AI가 참조할 수 있는 지식 체계로 전환한 구조입니다.

자주 묻는 질문

마무리

도메인 특화 AI는 “AI를 도입했다”는 선언이 아닙니다. 수십 년간 쌓인 현장 데이터를 AI가 참조 가능한 지식 체계로 전환하는 과정이며, 그 전환 자체에 도메인 전문성이 필요합니다. AV 설계 분야에서 컨설팅 AI가 실제로 기여하려면, AI 기술이 아니라 20년 프로젝트 데이터의 구조화가 선행되어야 합니다.

[email protected] · https://www.symconsulting.co.kr