정부와 지자체가 제조 AX를 외치고 있다. 인공지능 전환, 스마트공장 고도화, 제조 데이터 플랫폼, 공용 GPU 인프라, AI 비전 검사, 예지보전, 디지털 트윈 같은 말들이 각종 지원사업 공고와 정책 발표에 등장한다. 중소 제조기업 입장에서는 분명 반가운 일이다. 과거 같으면 수억 원을 들여야 했던 AI 센서, 엣지 PC, 비전 검사 카메라, 데이터 분석 솔루션을 정부 지원을 통해 비교적 적은 자부담으로 도입할 수 있는 길이 열리고 있기 때문이다.

그러나 현장을 다녀보면 늘 같은 장면을 만난다. 지원사업에 선정되어 장비를 들여놓았지만 1년 뒤에는 공장 구석에 방치된 AI 카메라, 전원이 꺼진 협동로봇, 아무도 보지 않는 대시보드가 남아 있다. 사업 결과보고서에는 “AI 기반 품질 혁신”이라고 적혀 있지만, 실제 작업자는 여전히 눈으로 불량을 확인하고 엑셀에 수기로 데이터를 옮긴다.

왜 이런 일이 반복될까. 기술이 부족해서가 아니다. 장비가 나빠서도 아니다. 문제는 AI 도입을 ‘구매 사업’으로 이해했기 때문이다. 제조 AX는 소프트웨어 하나를 사서 설치하는 일이 아니다. 그것은 공장의 일하는 방식, 데이터 흐름, 사람의 역할, 경영진의 의사결정 구조를 다시 설계하는 일이다. 따라서 지원사업 신청서에 도장을 찍기 전, 중소 제조기업 CEO와 핵심 임원은 먼저 세 가지 질문을 스스로에게 던져야 한다.

첫째, 우리 공장의 데이터는 AI가 먹을 수 있는 상태인가. 둘째, 우리는 기술 유출의 두려움을 넘어 안전하게 데이터를 활용할 준비가 되어 있는가. 셋째, 지원사업이 끝난 뒤에도 AI가 계속 학습하고 작동할 사후 관리 체계를 갖추었는가. 이 세 질문에 답하지 못하면 수억 원짜리 AI 장비도 결국 비싼 장식품이 된다.

질문 1 — 우리 공장의 ‘쓰레기 데이터’를 청소할 준비가 되어 있는가

AI 업계에는 오래된 말이 있다. “쓰레기를 넣으면 쓰레기가 나온다.” 아무리 좋은 인공지능도 입력되는 데이터가 엉망이면 제대로 된 판단을 할 수 없다. 제조 현장에서는 이 말이 더욱 중요하다. 센서 값이 불안정하고, 불량 기록 기준이 작업자마다 다르고, 설비 고장 이력이 종이 서류와 엑셀 파일에 흩어져 있다면 AI는 공장을 이해할 수 없다.

예를 들어 비전 AI로 표면 스크래치를 잡겠다고 해보자. AI가 정상과 불량을 구분하려면 수많은 사진과 라벨 데이터가 필요하다. 그런데 현장에는 “이 정도는 괜찮다”, “이 정도는 고객사가 싫어한다”는 베테랑 작업자의 감각만 있고, 그것이 사진과 기준표로 정리되어 있지 않은 경우가 많다. 이 상태에서 비전 카메라를 설치하면 처음에는 그럴듯해 보이지만 실제 공정에서는 오검출과 미검출이 반복된다. 결국 작업자는 “AI보다 내 눈이 낫다”고 말하며 시스템을 외면하게 된다.

따라서 제조 AX의 출발점은 화려한 알고리즘이 아니라 데이터 청소다. ERP와 MES에 쌓인 데이터를 정리하고, 설비별 센서 값을 표준화하고, 불량 유형을 재분류하고, 현장의 판단 기준을 사진과 문장으로 남겨야 한다. 데이터 라벨링과 전처리, 데이터 파이프라인 구축은 부수 작업이 아니라 AI 성공의 본공사다.

CEO가 가장 먼저 할 일은 공급기업에 “어떤 AI를 설치할 수 있느냐”고 묻는 것이 아니다. “우리 공장의 어떤 데이터를, 어떤 형식으로, 누가, 얼마나 정리해야 하느냐”고 물어야 한다. 그리고 그 비용과 시간을 사업계획에 반드시 반영해야 한다. 데이터 준비 없는 AI 도입은 기초 공사 없이 공장 건물을 올리는 것과 같다.

또 하나 중요한 것은 현장 맞춤형 화면과 사용성이다. 중소 제조 현장에는 고령 작업자도 있고, 외국인 근로자도 있으며, 디지털 도구에 익숙하지 않은 생산 관리자도 있다. 대기업용으로 만든 복잡한 대시보드를 그대로 가져오면 현장은 쓰지 않는다. 우리 설비의 PLC 특성, 작업 동선, 언어 환경, 교대근무 방식에 맞는 사용자 화면을 요구해야 한다. AI가 아무리 똑똑해도 작업자가 매일 쓰지 않으면 그 AI는 없는 것과 같다.

질문 2 — 기술 유출의 공포를 넘어 데이터를 활용할 준비가 되었는가

중소 제조기업 대표들을 만나면 가장 자주 듣는 말이 있다. “우리 공정 데이터가 밖으로 나가면 어떻게 합니까?” “불량 데이터가 대기업이나 경쟁사에 넘어가면 큰일 납니다.” 이 우려는 당연하다. 중소기업의 데이터에는 수십 년간 쌓아온 공정 노하우, 레시피, 고객 대응 방식, 불량 개선 경험이 담겨 있다. 그것은 단순한 숫자가 아니라 회사의 생존 자산이다.

하지만 두려움 때문에 데이터를 완전히 닫아버리면 AI 전환도 멈춘다. AI는 데이터를 통해 학습한다. 데이터가 잠겨 있으면 모델은 성장하지 못하고, 기업은 지원사업 보고서용 시범 구축에 머무르게 된다. 이제 필요한 것은 무분별한 공개가 아니라 안전한 활용이다.

앞으로 제조 AX에서 중요한 개념은 ‘제조 데이터 안심구역’이다. 기업의 영업비밀과 핵심 레시피는 보호하되, 비식별화된 공정 데이터와 공통 품질 데이터는 안전한 보안 환경에서 학습할 수 있도록 하는 방식이다. 공공기관이나 지자체가 관리하는 보안 스토리지, 과제별 독립 접근 권한, 외부 반출 제한, 법적 책임 기준이 함께 마련된다면 중소기업도 훨씬 안심하고 AI 학습에 참여할 수 있다.

CEO는 이 구조를 이해해야 한다. 데이터 공유는 회사를 위험에 빠뜨리는 일이 아니라, 제대로 설계하면 더 큰 인프라 혜택을 얻는 길이 될 수 있다. 공공 GPU, MLOps 플랫폼, 데이터 분석 전문가, 후속 고도화 지원은 데이터를 준비한 기업에게 먼저 돌아간다. 앞으로는 “데이터를 가진 기업”보다 “데이터를 안전하게 활용할 줄 아는 기업”이 경쟁력을 갖게 된다.

물론 공급기업에게도 명확한 요구가 필요하다. 데이터 소유권은 누구에게 있는가. 학습된 모델은 누구의 자산인가. 사업 종료 후 데이터는 어디에 보관되는가. 외부 반출은 가능한가. 사고가 발생했을 때 책임 범위는 어떻게 되는가. 이런 질문을 계약 전에 확인해야 한다. 제조 AX는 기술 계약인 동시에 데이터 계약이다.

질문 3 — 지원사업 종료 후에도 AI가 살아 움직일 체계가 있는가

정부 지원사업은 보통 6개월에서 1년 사이에 끝난다. 그러나 공장은 멈추지 않는다. 계절이 바뀌면 온도와 습도가 달라지고, 원자재 로트가 바뀌면 품질 특성이 미세하게 변한다. 설비는 마모되고, 작업자는 교체되며, 고객사의 품질 기준도 달라진다. 이 모든 변화는 AI 모델의 정확도에 영향을 준다.

초기에 잘 작동하던 AI가 6개월 뒤 성능이 떨어지는 것은 이상한 일이 아니다. 문제는 그다음이다. 누가 데이터를 다시 넣고, 누가 모델을 재학습시키며, 누가 현장 기준을 업데이트할 것인가. 이 체계가 없으면 AI 시스템은 시간이 갈수록 현장과 멀어진다. 결국 작업자는 다시 과거 방식으로 돌아가고, 장비는 꺼진다.

그래서 사업 시작 전에 MLOps, 즉 지속적 운영·재학습 체계를 협약해야 한다. AI 모델을 한 번 납품받는 완제품으로 생각해서는 안 된다. 제조 AI는 살아 있는 공정과 함께 움직이는 운영 시스템이다. 사업 종료 후에도 데이터가 계속 쌓이고, 모델이 주기적으로 튜닝되고, 성능이 관리되는 구조가 필요하다.

이를 위해 반드시 내부 담당자가 있어야 한다. 외부 공급기업이 모든 것을 해주리라 기대하면 안 된다. 우리 공장의 냄새, 소리, 설비 특성, 작업자의 습관, 고객사의 까다로운 요구를 가장 잘 아는 사람은 내부 직원이다. 생산관리자나 품질 담당자, 설비 엔지니어 중 한 명을 ‘AI 실무 PM’으로 세워야 한다. 이 사람은 개발자는 아니어도 된다. 다만 현장을 알고, 데이터를 이해하려 하고, AI 도구로 문제를 설명할 수 있어야 한다.

중소기업 AX의 성패는 거창한 전산실보다 한 명의 현장 AI 챔피언에게 달려 있는 경우가 많다. CEO는 이 사람을 지정하고, 시간을 주고, 교육을 받게 하고, 권한을 부여해야 한다. AI 전환은 시스템이 하지만, 시스템을 살리는 것은 결국 사람이다.

CEO가 기대할 수 있는 다섯 가지 실질 성과

세 가지 질문을 제대로 붙들고 제조 AX를 추진하면 성과는 분명하다. 첫째, 품질과 수율이 개선된다. 비전 AI와 공정 시계열 예측을 활용하면 스크래치, 누출, 사출 불량, 조립 오류를 더 빨리 찾아낼 수 있다. 불량률이 줄어들면 납기 지연과 고객 클레임도 함께 줄어든다.

둘째, 설비와 안전 관리가 고도화된다. 진동, 음향, 전류, 온도 데이터를 활용하면 고장을 사전에 예측할 수 있다. 갑작스러운 라인 멈춤을 줄이고, 위험 작업을 줄이며, 중대재해 가능성도 낮출 수 있다.

셋째, 인력난을 완화할 수 있다. 30년 숙련공의 경험을 AI 지식으로 정리하면 신입과 외국인 근로자도 더 빠르게 업무를 익힐 수 있다. 숙련자의 감각이 개인의 손끝에만 머무르지 않고 회사의 자산이 된다.

넷째, 지원사업을 통해 인프라를 자산화할 수 있다. 정밀 센서, 엣지 PC, 데이터 저장소, AI 분석 환경, 공공 슈퍼컴퓨팅 자원을 단순 보조금 소모가 아니라 기업의 미래 생산 기반으로 만들 수 있다.

다섯째, 공급망 경쟁력이 높아진다. 완성차, 조선, 화학, 전자 대기업은 갈수록 더 높은 품질보증 기준과 데이터 기반 납품 역량을 요구할 것이다. 제조 AX를 준비한 중소기업은 단순 하청업체가 아니라 데이터로 품질을 증명하는 협력사가 될 수 있다.

맺음말 — CEO의 결단이 10년 뒤 회사를 결정한다

전국의 중소 제조기업 CEO와 임직원 여러분, 제조 AX는 먼 미래의 이야기가 아니다. 이미 우리 공장 문 앞까지 와 있는 생존의 현실이다. 정부와 지자체의 지원사업은 분명 좋은 기회다. 그러나 그것을 공짜 장비를 들여오는 수단으로만 생각하면 실패할 가능성이 높다. 반대로 그것을 우리 공장의 데이터, 사람, 공정, 의사결정 구조를 바꾸는 마중물로 삼는다면 기업의 체질을 바꿀 수 있다.

지금 필요한 것은 완벽한 계획이 아니다. 첫걸음이다. 우리 공장의 데이터를 살펴보고, 불량 기준을 정리하고, 현장 AI 챔피언을 세우고, 보안과 데이터 권한을 계약서에 명확히 쓰고, 사업 종료 후 재학습 체계를 설계해야 한다. CEO가 이 질문을 직접 챙기지 않으면 AI는 현장에 뿌리내리지 못한다.

AI 전환은 전산 담당자의 일이 아니다. 그것은 CEO가 주도해야 할 생존 전략이다. 앞으로 10년, 살아남는 중소 제조기업은 장비를 많이 산 기업이 아니라 데이터를 정리하고, 사람을 키우고, AI와 함께 일하는 문화를 만든 기업일 것이다.

보조금은 기회일 뿐이다. 진짜 경쟁력은 그 기회를 어떻게 설계하고 실행하느냐에 달려 있다. 지금이 마지막 골든타임이다. 오늘 CEO가 던지는 세 가지 질문이 우리 공장의 10년 뒤를 결정한다.

이미지 출처: AI 생성 콘텐츠