인공지능이 세상을 바꾸고 있다는 말은 이제 새롭지 않다. 사무실에서는 AI가 보고서를 작성하고, 회의 내용을 정리하며, 고객 문의에 답한다. 제조 현장에서도 사람과 협업하는 로봇, 불량을 자동으로 찾아내는 비전 AI, 고장을 미리 예측하는 설비관리 시스템이 빠르게 등장하고 있다.

그러나 중소제조기업의 현실은 이런 변화와 상당한 거리가 있다. AI를 도입하려 해도 무엇부터 시작해야 할지 모르고, 전문인력을 채용할 여력도 부족하다. 생산설비를 멈출 수 없고 당장 납기를 맞추기도 바쁜데, 데이터와 알고리즘까지 이야기하면 막막하게 느껴진다. “AI는 대기업이나 하는 것”이라는 체념이 먼저 나오는 이유다.

최근 중소기업중앙회와 재정경제부가 개최한 ‘전략경제와 중소기업 AI 전환 세미나’에서 발표된 내용은 이런 현실을 잘 보여준다. 500인 이상 제조 대기업 가운데 47%가 이미 피지컬 AI를 도입했고, 도입 예정인 기업까지 포함하면 84%에 이른다. 반면 국내 중소제조기업의 AI 도입률은 1%대에 머물러 있다. 단순한 기술 격차를 넘어 기업의 생존 가능성을 좌우할 정도의 간극이다.

그렇다면 중소제조기업은 어디서부터 시작해야 할까. 비싼 로봇을 구입하고 대규모 AI 시스템을 구축하는 것이 먼저일까. 그렇지 않다. 가장 먼저 해야 할 일은 공장 안에서 날마다 만들어졌다가 사라지는 ‘현장 제조 데이터’를 모으는 것이다.

공장에는 이미 수많은 보물이 쌓여 있다

제조 현장에는 생각보다 많은 데이터가 존재한다. 설비의 온도와 압력, 진동 수치, 가동·정지 시간, 알람 기록, 불량품 사진, 작업자의 점검일지, 원자재 투입량, 공정별 생산시간, CCTV 영상 등이 대표적이다. 작업자가 “오늘은 기계 소리가 평소와 다르다”고 느끼는 경험도 데이터이고, 숙련공이 제품의 색깔과 냄새만으로 이상을 알아차리는 감각도 중요한 데이터다.

문제는 이런 정보가 제대로 축적되지 않는다는 데 있다. 설비 알람은 고장이 해결되면 삭제되고, 불량품 사진은 담당자의 휴대전화에 남아 있다가 사라진다. 작업일지는 종이에 기록돼 서랍 속에 쌓이고, 퇴직하는 숙련공의 노하우는 그 사람과 함께 공장을 떠난다. 기업은 매일 귀중한 자산을 만들어내면서도 그것이 자산인지조차 모른 채 버리고 있는 셈이다.

과거의 데이터는 사고가 발생한 뒤 책임 소재를 확인하기 위한 기록으로 여겨졌다. 그러나 AI 시대의 데이터는 미래의 문제를 예방하고 생산성을 높이는 학습 교재가 된다. 언제, 어느 설비에서, 누가, 어떤 조건으로 작업했으며 그 결과가 어땠는지를 지속적으로 기록하면 AI는 불량이 발생하는 조건과 설비가 고장 나기 전 나타나는 징후를 찾아낼 수 있다.

따라서 AI 전환의 출발점은 최신 로봇이 아니라 기록하는 습관이다. 공장을 지능화한다는 것은 기계를 갑자기 똑똑하게 만드는 일이 아니다. 현장에서 일어난 일을 빠짐없이 기억하게 하고, 그 기억 속에서 반복되는 원인과 규칙을 찾아내는 과정이다.

숙련공의 머릿속 경험을 기업의 자산으로 바꿔야 한다

중소제조기업의 가장 큰 경쟁력은 오랜 현장 경험을 가진 숙련공이다. 같은 설비를 사용하더라도 숙련공은 기계의 미세한 소리와 제품 표면의 작은 변화를 알아차린다. 도면과 매뉴얼에는 없지만 몸으로 축적된 지식, 이른바 ‘암묵지’다.

그러나 암묵지는 사람에게만 머물러 있으면 기업의 자산이 되기 어렵다. 숙련공이 휴직하거나 퇴직하면 생산성과 품질이 흔들린다. 신규 직원에게 기술을 전수하는 데도 오랜 시간이 걸린다. 특히 베이비붐 세대 숙련인력이 대거 현장을 떠나는 지금, 이들의 경험을 기록하지 못하면 우리 제조업은 수십 년 동안 쌓아온 귀중한 지식을 잃게 된다.

“이 소리가 나면 베어링을 확인해야 한다”, “이 계절에는 습도 때문에 온도를 조금 낮춰야 한다”, “원재료가 이 상태이면 속도를 조정해야 한다”와 같은 경험을 음성, 영상, 사진, 작업표준서로 남겨야 한다. AI는 이렇게 축적된 자료를 바탕으로 작업자에게 점검 항목을 알려주고, 이상 상황의 원인을 제안하며, 신입사원의 현장교육을 돕는 조력자가 될 수 있다.

AI가 숙련공을 대체하는 것이 아니다. 숙련공 한 사람의 경험을 기업 전체가 공유하고 다음 세대에 전승하도록 만드는 것이 중소제조기업이 추진해야 할 올바른 AI 전환이다.

거창한 계획보다 ‘0·3·12개월’로 시작하자

중소기업이 처음부터 전 공장의 데이터를 수집하려 하면 실패하기 쉽다. 비용이 커지고 구성원들의 피로감도 높아진다. 현장에서 왜 데이터를 입력해야 하는지 공감하지 못하면 데이터 품질도 떨어진다. 그래서 필요한 것이 작게 시작해 성과를 확인하고 확장하는 전략이다.

첫째, 지금 당장 해야 할 일은 공장 안에서 버려지는 데이터를 찾는 것이다. 설비 알람, 불량품 사진, 작업일지, 검사 결과, 정비 이력 가운데 이미 존재하지만 활용되지 않는 자료를 조사한다. 새로운 시스템을 구매하기 전에 우리가 무엇을 가지고 있는지부터 확인해야 한다.

둘째, 3개월 안에 해결할 공정 하나를 선정해야 한다. 가장 불량률이 높은 공정, 정지가 잦은 설비, 숙련공 의존도가 높은 작업처럼 기업의 손실과 직접 연결된 문제를 고르는 것이 좋다. 핵심은 AI를 도입하는 것이 아니라 구체적인 현장 문제를 해결하는 것이다.

예를 들어 특정 제품의 불량률이 높다면 정상 제품과 불량품의 사진을 같은 조건에서 촬영하고, 생산시간과 설비 설정값, 작업환경을 함께 기록할 수 있다. 3개월만 꾸준히 수집해도 불량이 특정 시간대나 온도, 원자재, 설비 조건과 관련돼 있는지 단서를 발견할 수 있다.

셋째, 12개월 동안 동종업계 기업들과 데이터 형식을 표준화해야 한다. 중소기업 한 곳이 모을 수 있는 데이터에는 한계가 있다. 같은 업종의 기업 세 곳 이상이 모여 설비명, 작업시간, 공정조건, 불량유형과 같은 공통 항목을 맞추면 AI가 학습할 수 있는 데이터의 양과 다양성이 크게 늘어난다.

개별 기업이 경쟁 때문에 데이터를 공개하기 어렵다면 기업명과 거래처 등 민감한 정보를 제거하고 공통 데이터 구조와 문제 유형부터 공유할 수 있다. 업종별 협동조합이나 중소기업 지원기관이 신뢰할 수 있는 데이터 중개자 역할을 맡는 방안도 필요하다. 이렇게 만들어진 공동 과제는 정부의 제조 AI 지원사업이나 국가 프로젝트로 발전할 수 있다.

데이터만 많이 모으면 된다는 착각도 경계해야 한다

데이터는 양보다 품질이 중요하다. 잘못된 시간, 서로 다른 측정 기준, 누락된 작업조건이 섞여 있으면 AI 역시 잘못된 판단을 내린다. 불량품 사진을 많이 찍었더라도 촬영 각도와 조명이 제각각이면 학습에 사용하기 어렵다. 작업자가 형식적으로 기록한 일지도 큰 도움이 되지 않는다.

무엇을, 왜, 어떤 기준으로 수집할 것인지 먼저 정해야 한다. 데이터 수집이 현장 직원에게 새로운 부담만 주어서도 안 된다. 센서를 활용해 자동으로 기록하고, 꼭 필요한 정보만 간단히 입력하도록 설계해야 한다. 데이터를 제공하는 작업자에게 개선 결과를 다시 보여주는 것도 중요하다. 자신이 기록한 정보가 불량을 줄이고 야간 점검을 감소시키는 데 실제로 활용된다는 것을 확인할 때 데이터 수집은 조직문화로 정착한다.

데이터의 소유권과 보안 문제도 분명하게 다뤄야 한다. 생산량, 공정조건, 거래정보는 기업의 핵심 자산이다. 외부 AI 기업에 자료를 무조건 넘기기보다 데이터가 어디에 저장되고 누가 이용하며 어떤 목적으로 학습되는지 계약으로 명확히 해야 한다. 중소기업의 데이터가 대기업이나 플랫폼 기업의 이익을 위해 일방적으로 사용되지 않도록 공정한 데이터 거래 기준도 마련해야 한다.

한국 제조업에는 아직 기회의 시간이 남아 있다

미국은 AI 모델과 반도체에서 앞서 있고, 중국은 막대한 내수시장과 제조 규모를 바탕으로 로봇산업을 빠르게 키우고 있다. 그렇다고 한국이 뒤따라가기만 해야 하는 것은 아니다. 한국에는 세계적 수준의 제조 기반, 높은 로봇 밀도, 촘촘한 공급망, 숙련된 현장인력이 있다. 무엇보다 수십 년 동안 생산 현장에서 축적됐지만 아직 디지털화되지 않은 방대한 경험과 데이터가 있다.

이것이 한국 제조업의 숨은 경쟁력이다. 글로벌 빅테크가 한국 제조 현장에 관심을 가지는 이유도 여기에 있다. AI 모델과 로봇 하드웨어는 여러 나라가 개발할 수 있지만 실제 공장에서 로봇을 훈련시키는 양질의 데이터는 하루아침에 만들어지지 않는다.

앞으로 3년은 매우 중요하다. 이 기간에 현장 데이터를 체계적으로 축적하고 표준화한다면 한국 중소제조기업은 글로벌 피지컬 AI 생태계의 단순한 구매자가 아니라 핵심 데이터와 제조 지식을 제공하는 주체가 될 수 있다. 반대로 아무 준비 없이 외국산 AI와 로봇을 구매하는 데 그친다면 우리 공장에서 생산된 데이터와 노하우가 해외 플랫폼의 경쟁력만 키워주는 결과가 나타날 수 있다.

정부의 역할도 단순한 장비 지원에서 달라져야 한다. GPU와 센서, 로봇 구입비를 지원하는 것만으로는 충분하지 않다. 기업이 해결할 문제를 정의하고, 데이터를 수집·정제하며, 숙련공의 경험을 기록하고, 업종별 표준을 만드는 전 과정을 지원해야 한다. AI 전문가뿐 아니라 제조공정 전문가, 데이터 설계자, 현장 작업자가 함께 참여하는 지원체계가 필요하다.

대기업도 중소기업을 단순한 납품업체로 바라봐서는 안 된다. 대기업의 AI 경쟁력은 결국 협력업체의 품질과 납기, 생산성에 달려 있다. 스마트공장 구축 경험과 AI 기술, 데이터 표준을 협력업체와 공유하고 성과를 공정하게 나누는 상생 모델을 만들어야 한다. 공급망 전체가 지능화되지 않으면 대기업 한 곳만의 AI 전환도 완성될 수 없다.

AI 전환은 기술사업이 아니라 생존사업이다

중소제조기업에 필요한 것은 화려한 AI 구호가 아니다. 오늘 공장에서 사라지는 알람 기록 하나를 저장하고, 불량품 사진 한 장을 같은 기준으로 촬영하며, 숙련공의 경험 한 가지를 기록하는 일이다. 그런 작은 기록이 모여 공장의 기억이 되고, 공장의 기억이 AI를 학습시키며, 학습한 AI가 다시 생산성과 품질을 높이는 선순환을 만든다.

AI 시대에 살아남는 기업은 가장 비싼 로봇을 구입한 기업이 아니다. 자신이 가진 현장 경험의 가치를 먼저 알아보고, 그것을 데이터로 축적한 기업이다. 중소기업은 데이터가 없어서 AI를 못 하는 것이 아니라, 이미 만들어지고 있는 데이터를 기록하지 않아 활용하지 못하고 있다.

이제 공장 안을 새로운 눈으로 바라봐야 한다. 기계의 소리, 작업자의 손길, 불량품 한 개, 설비의 멈춤과 재가동까지 모두 미래 제조업을 움직일 데이터다. 중소제조기업이 오늘부터 이 데이터를 모으고 연결한다면 AI는 일자리를 빼앗는 낯선 기술이 아니라 숙련자의 지혜를 보존하고 기업의 생존을 돕는 가장 든든한 동료가 될 수 있다.

우리 중소제조기업이 살아날 길은 멀리 있지 않다. 먼저 한 공정의 문제를 정하고, 현장의 기억을 모으는 데서 시작한다. 작게 시작하되 꾸준히 축적하고, 혼자 시작하되 같은 업종의 기업들과 연대해야 한다. 그 길 위에서 한국 제조업은 AI 시대의 추격자가 아니라 피지컬 AI를 움직이는 진정한 주인공으로 다시 설 수 있다.

이미지 출처: AI 생성 콘텐츠