제조 현장의 인공지능 전환(AX)은 실제로 공장에 적용하지 못하는 정체 구간을 얼마나 빨리 극복하는지가 관건이다. 생산성과 품질 경쟁이 초 단위로 반복되는 환경에서 인공지능(AI)은 원가·납기·불량률 등 제조 영역의 핵심 요소를 동시 제어하는 운영 인프라로 간주된다.
다만 현장에서는 개념증명(PoC) 단계에서 정체되거나 단일 공정의 시범(Pilot) 적용에 그치는 사례가 여전히 빈번한 것으로 나타났다. 안광현 스마트제조혁신추진단장은 이 간극을 “이해도 1%의 벽”으로 정의하며, 초기부터 완성형을 지향하기보다 단계별로 시스템을 고도화하는 전략이 현실적이라고 역설했다.
스마트제조혁신추진단(KOSMO)은 제조 현장의 AI 전환 가속화를 위해 ‘스텝 바이 스텝(Step-by-step)’ 고도화 전략을 제시하며 중소기업의 실질적 변화를 도모하고 있다. 2026년 상반기를 기점으로 본격화되는 이번 정책 지원은 데이터 기반의 의사결정 체계 구축을 본질적인 목적으로 삼는다.
안광현 KOSMO 단장은 현장의 비용 부담과 인력 부족을 해소하기 위한 민관 협력 모델을 강조하며, 올해 중순 본격 시행으로 알려진 2026년도 ‘자율형공장 구축 지원사업’을 통해 제조 강국으로 도약하자는 메시지를 전달했다.
'운영 자산 정제' DX 위에 '최적 방법론 검색' AX 얹는 차세대 제조 운영법
중소벤처기업부(이하 중기부)의 정책 기조 아래 스마트제조혁신추진단이 가동하는 차세대 제조 환경은 데이터 기반 의사결정 워크플로가 현장에서 실질적으로 작동하는 '지능형 운영 체계'를 지향한다.
추진단은 지난 10여 년간 아날로그 정보를 디지털화(Digitalization)하고 제조 데이터를 수집·활용할 수 있는 디지털 전환(DX) 인프라를 구축해 왔다. 이제 그 토대 위에 AX의 고성능 인프라를 장착하는 단계에 진입했다.
이번 제조 혁신 프로세스는 오는 2030년까지 스마트 팩토리(Smart Factory) 1만2000개를 보급해 AX 도입률을 10%까지 끌어올리고, AI 전문 업체 500개를 육성함으로써 대한민국 제조 인프라의 근본적인 체질을 개선하는 것을 본질적인 목적으로 한다.
안광현 단장은 DX가 제조 데이터라는 연료를 정제하는 과정이라면, AX는 정제된 데이터를 바탕으로 최적의 생산 경로를 찾아내는 시뮬레이션 과정이라고 정의했다. 그는 지난해 10월 발표한 ‘AI 기반 스마트 제조혁신 3.0’ 전략을 통해 중소기업 현장의 낮은 이해도를 극복하기 위해 기술이 공정 곳곳에 자연스럽게 스며드는 '현장 체감형 기술 체계'를 강조했다.
결국 국내 제조업의 AX 생태계는 산업재해 저감과 생산성 향상이라는 실질적인 지표를 통해 그 유효성을 증명해야 한다는 게 그의 관점이다. 이를 위해 중기부와 추진단은 민관 협력의 메시지를 현장에 지속적으로 전달하며 실행력을 확보해 나갈 계획이다.
Q. 기존 스마트 공장 정책이 쌓아온 DX 위에서 AX 전환은 어떤 방식으로 출발해야 하나?
A. DX가 끝나야 AX를 시작할 수 있다고 오해하지만, 이는 건축 구조로 비유하자면 스마트 팩토리라는 ‘집’을 지탱하는 두 기둥이 동시에 세워져야 하는 것과 같다. DX가 현장의 아날로그 정보를 데이터라는 언어로 번역하는 기초 공사라면, AX는 그 언어를 해석해 최적의 답을 내놓는 지능형 프로세스다.
결국 DX라는 인프라 엔진이 멈추면 AX라는 시뮬레이션도 구동될 수 없다. 따라서 둘은 분리된 개념이 아니라 데이터 수집과 지능형 분석이 하나의 워크플로 안에서 연속성을 갖고 함께 가동돼야 하는 병행 과제다. 국내 제조업 전반에서 AI 도입의 필요성에 대한 공감대는 결국 이 프로세스의 연속성을 확보하고 현장의 성과로 증명하는 데 달려 있다.
“비용 44.2%, 인력 20.5%”...현장을 멈추게 하는 ‘두 허들’을 넘는 방식
제조 현장의 AI 도입이 정체되는 지점은 통계 수치로도 확인된다. 안광현 단장은 AI 도입 과정에서 가장 큰 걸림돌로 ‘초기 비용 부담(44.2%)’과 ‘전문 인력 부족(20.5%)’을 꼽았다. 비용과 인력이 결합해 AX 전환을 가로막는 구조가 고착되면서, 제조 경쟁력을 제고할 기회를 놓치는 중소기업이 많다는 것이 안 단장의 분석이다.
추진단은 이러한 진입 장벽을 낮추기 위해 1000억 원 규모의 ‘자율형 AI 트랙’을 신설해 중소기업 맞춤형 AI 기반 운영 환경을 제공할 계획이다.
안 단장이 강조한 해법의 키워드는 ‘단번에 도달하는 높은 단계’가 아니다. ‘낮은 단계에서 성과를 축적하는 확장’이다. 그는 제조 현장에서 활용되는 AI 기술 체계를 ‘판단하는 AI(Discriminative AI)’와 ‘추론하는 AI(Inference AI)’로 구분했다.
중소기업은 비교적 즉시 적용 가능한 양품·불량 판정 등 판단 영역부터 착수해 데이터 기반을 축적하는 접근이 현실적이라는 그의 설명이다. 이러한 기초 단계의 시뮬레이션이 성공적으로 안착하면, 현장의 경험과 데이터가 쌓여 고난도의 추론 단계로 자연스럽게 진입할 수 있는 환경이 구축된다는 방법론이다.
Q. 중소 제조기업이 AX를 토대로 한 시스템을 처음 가동할 때, 어떤 기능부터 구현하는 게 가장 현실적인지.
A. 처음부터 모든 것을 예측하려 드는 것은 다소 무모하다. 양품과 불량을 구분하는 '판단 영역'이 중소 제조기업이 즉시 성과를 낼 수 있는 최적의 시작점이라고 본다. 이 단계에서 AI가 내린 판단과 현장 데이터를 정교하게 결합하는 것이 핵심이다. 그렇게 축적된 데이터는 훗날 설비 고장을 미리 감지하는 '예지보전(Predictive Maintenance, PdM)'이라는 고성능 추론 기술 체계로 진화하게 된다.
이런 '스텝 바이 스텝' 프로세스를 충실히 밟는다면, 빠르면 3년 이내에 예지보전 AI 모델을 공장에 실제 적용할 수 있는 수준까지 도달할 수 있을 것이라 예견한다. 무리한 도약 대신 단계별 성과를 시뮬레이션하며 확장하는 것이 비용과 인력의 허들을 넘는 가장 영리한 방식이다.
데이터는 ‘즉시’와 ‘누적’으로 나눠 설계, 표준화는 확장의 전제다
AX의 비용과 리스크는 결국 데이터 설계 단계에서 결정된다. 안 단장은 제조 데이터를 활용 목적에 따라 두 가지 트랙으로 관리할 필요가 있다고 제언했다.
그에 따르면, 우선 생산 정보와 같이 초 단위의 즉각적인 대응이 필요한 데이터는 현장 서버에 저장하는 온‘프레미스(On-premise)’ 방식을 채택해 실시간으로 처리해야 한다. 만약 모든 데이터를 클라우드로 보내 처리하면 통신 지연이나 네트워크 불안정으로 인해 설비가 멈추거나 오작동할 위험이 있기 때문이다.
반면, 일정 기간 데이터를 쌓아 분석하는 중장기 전략이나 경영 판단용 데이터는 클라우드에서 통합 관리하는 방식이 효율적이라는 것이다. 방대한 양의 데이터를 자체 서버에 보관하는 비용 부담을 줄이면서도, 고성능 AI의 연산 능력을 빌려 정밀한 분석이 가능하다는 그의 분석이다.
안광현 단장은 정부가 클라우드 사용 비용과 인프라를 적극 지원하고 있다는 점을 들어, 중소기업이 초기 투자비용 때문에 데이터 자산화를 포기해서는 안 된다고 덧붙였다.
이 같은 이원화 전략의 종착점은 결국 ‘표준화’다. 조직마다 데이터 규격이 다르면 아무리 많은 정보를 모아도 서로 호환되지 않아 무용지물이 된다. 그는 어떤 방식의 시스템을 구축하든 궁극적으로 데이터 표준화가 반드시 필요함을 분명히 했다.
현재 중기부는 제조 데이터 표준 모델을 마련해 업체가 공통된 기준에 맞춰 데이터를 축적하도록 가이드를 제공하고 있고, 이는 개별 기업의 AX를 넘어 공급망 전체의 지능화를 위한 필수적인 밑거름이 될 전망이다.
Q. 모든 데이터를 클라우드에서 한 번에 통합 관리하면 관리 프로세스가 더 단순해지지 않을까?
A. 현장의 ‘물리적 변수’를 고려해야 한다. 공장에서 상당 시간 지연이 리스크로 이어질 수 있는 만큼, 긴급 데이터는 되도록 공장 내부 서버에서 즉각 구동돼야 안전을 보장할 수 있다. 반대로 당장 급하진 않지만 1년 치를 분석해 경영 전략을 짜야 하는 데이터는 클라우드에 맡겨 서버 유지비를 아끼는 것이 영리한 자원 배분이다.
또한, 명심해야 할 것은 ‘재작업 비용’이다. 처음부터 정부가 제시한 표준 규격에 맞춰 데이터를 모으지 않으면, 나중에 다른 공장과 협업하거나 시스템을 확장할 때 데이터 규격이 맞지 않아 전체 프로세스를 뜯어고쳐야 하는 막대한 매몰 비용이 발생한다. 처음부터 표준이라는 공통 언어로 데이터를 축적해야 기업 간 데이터 공유 시에도 시스템 간 충돌 없이 AX 인프라를 가동할 수 있다.
DPP 압력, ‘자율형 AI 트랙’ 신설…정책은 확장되고 현장은 활용 역량이 관건
이 같은 제조 AX는 글로벌 공급망의 생존을 결정짓는 핵심 중 하나 주목받는 기술 방법론이기도 하다. 안광현 단장은 탄소 배출량 관리가 유럽연합(EU)의 제품 전체 생애주기(Life-cycle) 디지털 신분증 정책 ‘디지털제품여권(DPP)’ 규제와 직결돼 있다고 주장했다. 그러면서 이를 충족하지 못할 경우 수출 자체가 불투명해질 수 있다는 위기감을 전했다.
DPP가 요구하는 본질적 가치는 사람이 수기로 데이터를 산출하는 과거의 방식이 아니라, 센서와 생산 솔루션 기반의 디지털 시스템을 통해 탄소 데이터를 자동으로 계산하고 증명하는 자율형 시뮬레이션 구조를 갖추는 데 있다.
중기부는 이에 대응해 AI 중심의 정책적 지원책을 전폭적으로 강화했다. 단장은 비용을 절반씩 분담하는 기존 스마트 공장 사업의 5 대 5 매칭 구조를 유지하면서도, AI 중심 공장 구축을 목표로 하는 ‘자율형 AI 트랙’을 새롭게 신설했다고 밝혔다.
이 트랙에는 약 1000억 원 규모의 예산이 별도로 편성돼, 제조 현장의 AX 전환을 정밀 지원할 계획이다. 또한 대기업의 선진 AI 기술이 협력사로 전이되는 ‘대·중소 상생형 AI 트랙’을 통해 공급망 전체의 지능화 체계를 구축할 방침이다. 이를 통해 글로벌 환경 규제라는 허들을 넘는 강력한 동력이 확보될 것이라는 입장이다.
Q. 올해 신설되는 AI 관련 지원 사업 중 현장에서 가장 눈여겨봐야 할 실무적 변화는?
A. 가장 확실한 기회는 2월 말에서 3월 초 사이에 공고될 ‘자율형 AI 트랙’이다. 정부가 AI 분야에만 약 1000억 원의 예산을 따로 떼어놓았을 만큼 지원 의지가 강력하다. 특히 눈여겨볼 점은 단순히 자금만 주는 것이 아니라, 현장에서 AX 시뮬레이션을 실제로 가동하도록 멘토링 서비스다.
기존 1200명 규모의 DX 멘토단에 이어, 새롭게 구성 중인 AX 전문 멘토단이 공정 담당자와 머리를 맞대고 방문 컨설팅을 진행할 예정이다. 대기업의 선진 AI 기술을 전수받는 상생형 모델도 준비 중이니, 중소기업은 DPP 등 수출 장벽을 개별적으로 고민하지 말고 이 정책 엔진을 적극적으로 활용해 데이터 증명 역량을 갖추길 바란다.
헬로티 최재규 기자 |
