스마트팩토리와 DX·AX는 어떤 관계일까? 제조기업이 알아야 할 자동화·디지털 전환·AI 전환의 큰 그림
스마트팩토리를 이미 구축했는데, 이제는 AX를 하라고 합니다
몇 년 전까지 제조업 혁신의 키워드는 단연 "스마트팩토리"였습니다. 그런데 어느 순간부터 DX라는 말이 그 자리를 차지하더니, 최근에는 정부 정책 문서와 지원사업 공고 곳곳에 AX라는 용어가 등장하기 시작했습니다.
현장에서 자주 듣는 질문이 있습니다. "MES 깔고 스마트공장 인증까지 받았는데, DX는 또 뭐고 AX는 또 뭔가요? 처음부터 다시 해야 하는 건가요?" 결론부터 말하면 다시 할 필요는 없습니다. 세 개념은 별개의 프로젝트가 아니라 같은 여정의 다른 구간이기 때문입니다.
이 글은 스마트팩토리, DX, AX가 어떤 관계로 연결되어 있는지 구조적으로 정리하고, 각 단계에서 비용이 어떻게 달라지는지, 실제 현장에서는 어떤 성과가 나오고 있는지, 그리고 중소 제조기업이 지금 무엇부터 점검해야 하는지를 다룹니다.
세 가지 용어, 정확히 무엇을 가리키는가
용어가 혼란스러운 이유는 세 개념이 가리키는 대상의 "범위"와 "층위"가 다르기 때문입니다. 하나씩 정의를 짚어보겠습니다.
스마트팩토리는 공장이라는 물리적 공간을 대상으로 합니다. 설비·센서·시스템을 연결해 생산 과정을 데이터로 관리하는 "지능형 공장" 그 자체를 말합니다.
- FA(공장 자동화): 사람이 하던 반복 작업을 설비와 로봇이 대신하는 것으로, 스마트팩토리의 물리적 토대입니다.
- 스마트팩토리: 자동화된 설비에 센서와 시스템을 연결해 기획부터 생산·품질·출하까지를 데이터로 통합 관리하는 공장입니다.
DX(Digital Transformation, 디지털 전환)는 공장보다 넓은 개념입니다. 생산 현장뿐 아니라 영업·구매·설계·경영까지 기업 활동 전반을 디지털 데이터 기반으로 바꾸는 "기업 차원의 체질 개선"을 뜻합니다.
- 대상 범위: 공장 내부에 머무르지 않고 공급망, 고객 접점, 의사결정 구조까지 포함합니다.
- 핵심 산출물: 흩어져 있던 정보가 시스템에 쌓여 "활용 가능한 데이터 자산"이 되는 것입니다.
AX(AI Transformation, AI 전환)는 그 데이터 위에서 작동합니다. 축적된 데이터에 AI를 결합해 사람이 하던 "인지·판단·제어"까지 시스템이 수행하도록 만드는 단계입니다. 정부가 추진하는 AI 팩토리 사업에서도 AI 자율제조를 AI 기반의 로봇·장비를 제조 전 과정에 결합해 생산의 고도화와 자율화를 구현하는 것으로 설명합니다.
관계의 핵심: 대체가 아니라 층위 구조다
세 개념의 관계를 한 문장으로 요약하면 이렇습니다. "FA와 스마트팩토리가 몸이라면, DX는 신경망이고, AX는 두뇌다."
자동화 설비가 없으면 AI가 판단해도 실행할 손발이 없습니다. 디지털화된 데이터가 없으면 AI가 학습할 재료가 없습니다. 즉 AX는 스마트팩토리와 DX를 "대체"하는 것이 아니라 그 위에 "얹히는" 것입니다.
이 층위 구조를 이해하면 두 가지 오해가 풀립니다.
- 오해 1: "AX가 나왔으니 스마트팩토리는 한물갔다" — 반대입니다. 스마트팩토리로 쌓은 설비 연결과 데이터가 없으면 AX는 시작조차 할 수 없습니다.
- 오해 2: "우리는 DX를 건너뛰고 바로 AI를 도입하겠다" — 학습할 데이터가 없는 AI는 성능을 내지 못하므로, 결국 데이터 기반부터 다시 만들게 됩니다.
세 개념을 한 표로 비교하면 다음과 같습니다.
| 구분 | 스마트팩토리 (FA 포함) | DX (디지털 전환) | AX (AI 전환) |
|---|---|---|---|
| 대상 범위 | 공장·생산 현장 | 기업 활동 전반 | 데이터가 쌓인 모든 영역 |
| 핵심 질문 | "생산을 어떻게 자동화·연결할까" | "정보를 어떻게 데이터로 만들까" | "판단을 어떻게 지능화할까" |
| 주요 수단 | 설비, 로봇, 센서, MES | ERP, 클라우드, 데이터 플랫폼 | AI 모델, 비전검사, 예지보전 |
| 산출물 | 연결된 생산 라인 | 활용 가능한 데이터 자산 | 자율적 판단·제어 |
| 사람의 역할 | 설비 운영·감독 | 데이터 기반 의사결정 | AI 판단의 검증·예외 처리 |
정책의 무게중심도 DX에서 AX로 이동하고 있다
이 관계 구조는 정부 정책의 흐름에서도 그대로 확인됩니다. 산업통상자원부는 제조 공정에 AI를 결합하는 AI 자율제조 사업을 추진해 왔는데, 2025년에는 25개 과제 모집에 519개 기업 수요가 몰렸습니다. 사업 첫해였던 전년도의 213개와 비교하면 두 배가 넘는 규모입니다.
기업 수요가 폭발적으로 늘자 정부는 사업 명칭을 "AI 자율제조"에서 "AI 팩토리"로 바꾸고 내용을 전면 확대했습니다. AI를 새로 접목하는 연간 제조 현장 수를 당시 26개에서 2030년 100개 이상으로 늘린다는 목표도 함께 제시했습니다.
민관 협력 체계도 만들어졌습니다. 2025년 9월 출범한 제조 AX 민관 연합체인 M.AX 얼라이언스는 출범 초기 1,000여 개 기관에서 1,300개 기관으로 참여가 늘었고, 정부는 이 얼라이언스를 중심으로 이듬해 5대 과제에 7,000억 원 규모의 예산을 투입하겠다고 밝혔습니다.
여기서 주목할 부분은 정부가 제조 AX의 핵심이자 출발점으로 "제조 데이터의 확보·공유·활용"을 꼽았다는 점입니다. 정책조차 AI 모델보다 데이터 기반을 앞세우고 있다는 것, 이것이 앞서 설명한 층위 구조가 현실에서 작동하는 방식입니다.
단계가 다르면 돈의 성격도 다르다: 비용 구조 비교
층위가 다르면 투자해야 하는 비용의 성격도 달라집니다. 이를 구분하지 못하면 "스마트공장에 이미 돈을 썼는데 왜 또 투자하느냐"는 내부 반발에 부딪히기 쉽습니다.
| 비용 항목 | 스마트팩토리 (자동화·연결) | DX (데이터화) | AX (지능화) |
|---|---|---|---|
| 초기 투자 중심 | 설비·로봇·센서 등 하드웨어 | 시스템 구축·클라우드 전환 | AI 모델 개발·검증, GPU 등 연산 자원 |
| 운영비 중심 | 유지보수, 소모품, 전력 | 라이선스, 데이터 관리 인력 | 모델 재학습, 데이터 라벨링 |
| 숨은 비용 | 라인 정지 후 재배치 비용 | 부서 간 데이터 표준화 갈등 비용 | 데이터 품질 정비, 예외 상황 대응 |
| 투자 회수 관점 | 인건비·불량률 절감으로 비교적 명확 | 단독 ROI 산정이 어려움 | 데이터 품질에 따라 편차가 큼 |
특히 DX 구간은 그 자체로는 눈에 보이는 생산성 수치가 잘 나오지 않아 "돈만 쓰고 효과가 없다"는 평가를 받기 쉽습니다. 그러나 DX에서 만들어진 데이터 자산이 AX 단계의 성과를 좌우하기 때문에, DX 투자는 독립 사업이 아니라 "AX를 위한 기반 공사"로 평가하는 것이 합리적입니다.
현장에서는 이미 성과가 나오고 있다
층위를 제대로 밟아 올라간 기업들의 성과는 수치로 확인됩니다. 정부가 공개한 AI 팩토리 협력 사업의 성과 사례를 살펴보겠습니다.
- 정유업체 A사는 원유 증류 과정에서 발생하는 불완전연소를 AI로 최소화해 연료 비용을 20% 감축했습니다.
- 조선업체 B사는 AI 로봇을 투입해 용접 검사 등 작업 시간을 12.5% 단축했습니다.
- 농기계업체 C사는 제품의 누유·스크래치·결함을 AI가 검사하도록 해 생산성을 11% 개선했습니다.
세 사례의 공통점이 있습니다. 모두 "이미 데이터가 나오는 공정"에 AI를 얹었다는 점입니다. 증류 공정의 센서 데이터, 용접 부위의 검사 이미지, 제품 외관 촬영 데이터가 축적되어 있었기 때문에 AI가 학습하고 판단할 수 있었습니다.
실패 사례가 알려주는 점검 포인트
반대로 아래 단계를 건너뛰고 위 단계부터 시작하면 어떤 일이 벌어질까요. 현장에서 반복적으로 관찰되는 시행착오 유형을 정리했습니다.
- 데이터 없는 AI 도입: 종이 일지와 엑셀 수기 입력에 의존하는 공장이 AI 품질검사부터 도입하면, 학습 데이터 부족으로 오검출이 잦아 결국 사람이 재검사하게 됩니다.
- 목적 없는 시스템 구축: "남들이 하니까" MES를 도입했지만 현장이 입력을 하지 않아 데이터가 쌓이지 않는 경우로, DX가 전산화 흉내에 그친 사례입니다.
- 파일럿의 함정: 한 라인에서 성공한 AI 모델을 전 라인으로 확장할 때, 라인마다 설비·조건이 달라 모델이 작동하지 않는 문제입니다.
- 사람 준비의 누락: AI가 내린 판단을 검증하고 예외를 처리할 담당자를 정하지 않으면, 시스템이 멈췄을 때 대응이 마비됩니다.
이 유형들은 모두 기술의 실패가 아니라 "순서의 실패"입니다. 자동화·데이터화·지능화라는 층위 중 어느 하나가 비어 있는 상태에서 다음 층을 쌓으려 했기 때문에 발생합니다.
중소 제조기업을 위한 4단계 도입 로드맵
그렇다면 지금 우리 공장은 무엇부터 해야 할까요. 규모가 크지 않은 제조기업이라면 다음 순서를 권합니다.
1단계는 현재 위치 진단입니다. 우리 공장의 자동화 수준, 데이터 축적 상태, 시스템 활용도를 객관적으로 파악합니다. 정부의 스마트공장 수준확인 제도를 활용하면 외부 시각의 진단을 받을 수 있습니다.
2단계는 데이터가 나오는 공정 만들기입니다. 전 공정을 한 번에 바꾸려 하지 말고, 병목이 되는 핵심 공정 한두 곳에 센서와 수집 체계를 붙여 데이터가 자동으로 쌓이는 구조를 만듭니다.
3단계는 작은 AX 과제 실행입니다. 축적된 데이터로 풀 수 있는 문제 하나를 골라 AI를 적용합니다. 외관 검사 자동화, 설비 이상 감지처럼 성패를 수치로 확인할 수 있는 과제가 적합합니다.
4단계는 확산과 고도화입니다. 검증된 모델을 유사 공정으로 확장하고, 데이터 범위를 구매·물류 등 공장 밖으로 넓혀 갑니다. 이 단계부터가 본격적인 기업 차원의 AX입니다.
정부 지원사업을 활용하면 각 단계의 부담을 줄일 수 있습니다. 중소벤처기업부는 디지털·인공지능 전환을 통한 중소·중견기업의 경쟁력 제고를 목적으로 스마트공장 구축, 자동화 지원, 스마트공장 수준확인, 클라우드 제조솔루션 등을 지원하는 스마트 제조혁신 지원사업을 매년 통합 공고하고 있습니다. 우리 회사의 단계에 맞는 세부 사업을 골라 신청하는 것이 요령입니다.
전부 지능화할 필요는 없다: 혼합 운영이라는 현실적 선택지
로드맵을 이야기하면 "그럼 모든 공정을 AI로 바꿔야 하느냐"는 질문이 따라옵니다. 답은 명확히 "아니오"입니다. 성숙한 AX는 전면 전환이 아니라, 공정별 특성에 맞춰 자동화·데이터화·지능화 수준을 다르게 가져가는 혼합 운영에 가깝습니다.
혼합 운영의 판단 기준은 세 가지입니다.
- 데이터 밀도: 센서·이미지 데이터가 풍부하게 나오는 공정은 AI 적용 효과가 크지만, 데이터가 희박한 공정은 자동화나 수기 개선이 먼저입니다.
- 판단의 반복성: 외관 검사처럼 같은 판단이 하루 수천 번 반복되는 곳은 AI가 유리하고, 월 몇 건뿐인 특수 판단은 사람이 맡는 편이 경제적입니다.
- 오판의 비용: AI가 틀렸을 때 손실이 큰 안전 관련 판단은 AI를 "보조" 역할로 두고 최종 결정권을 사람에게 남기는 설계가 안전합니다.
이렇게 구성하면 한정된 예산으로도 효과가 확실한 지점부터 지능화할 수 있고, 사람의 숙련이 필요한 영역은 그대로 강점으로 유지할 수 있습니다. "사람 없는 공장"이 아니라 "사람의 판단이 더 중요한 곳에 집중되는 공장"이 혼합 운영의 목표입니다.
도입 전 자가진단 체크리스트
로드맵을 실행하기 전에 아래 항목을 점검해 보시기 바랍니다. "아니오"가 많은 영역이 우리 회사가 먼저 투자해야 할 층위입니다.
자동화·설비 층위입니다.
- 반복 작업 중 자동화된 공정의 비율을 수치로 말할 수 있는가.
- 설비 가동 정보가 사람 기록이 아닌 시스템으로 수집되는가.
데이터·DX 층위입니다.
- 생산 실적·불량 데이터가 시스템에 실시간으로 쌓이고 있는가.
- 부서마다 다른 양식이 아니라 표준화된 데이터로 관리되는가.
- 경영진이 보고서가 아닌 시스템 화면으로 현황을 확인하는가.
AI·AX 층위입니다.
- AI로 해결하고 싶은 문제를 한 문장으로 정의할 수 있는가.
- 그 문제와 관련된 데이터가 최소 수개월 이상 축적되어 있는가.
- AI의 판단을 검증하고 예외를 처리할 담당자가 지정되어 있는가.
결국 AX는 스마트팩토리가 도달하는 다음 정거장이다
정리하겠습니다. 스마트팩토리는 공장을 연결해 데이터가 나오게 만드는 일이고, DX는 그 데이터를 기업 전체의 자산으로 만드는 일이며, AX는 그 자산 위에서 판단과 제어를 지능화하는 일입니다. 세 가지는 유행이 바뀌며 서로를 밀어낸 것이 아니라, 하나의 여정에서 순서대로 나타나는 층위입니다.
그래서 "우리는 스마트팩토리를 이미 했으니 AX와 무관하다"는 판단도, "스마트팩토리를 건너뛰고 AI부터 도입하겠다"는 판단도 모두 방향이 어긋나 있습니다. 지금 필요한 것은 우리 공장이 어느 층위에 서 있는지 진단하고, 비어 있는 층부터 채우는 일입니다.
첫걸음은 거창하지 않아도 됩니다. 병목 공정 하나에서 데이터가 자동으로 쌓이게 만드는 것, 그리고 그 데이터로 풀 문제 하나를 정의하는 것. 이 두 가지만 시작해도 우리 회사의 AX 여정은 이미 출발한 셈입니다.
참고문헌
- 산업통상자원부(현 산업통상부). "산업부, AI 팩토리 본격 추진." 산업통상부 보도자료. 2025.05.26. https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/170558/view
- 산업통상부. "M.AX 얼라이언스, AI 개발 위해 제조 데이터 함께 모은다." 산업통상부 보도자료. 2025.12.23. https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/171390/view
- 중소벤처기업부. "2026년 스마트 제조혁신 지원사업 통합공고." 중소벤처기업부 사업공고. 2025.11.03. https://www.mss.go.kr/site/smba/ex/bbs/View.do?cbIdx=310&bcIdx=1062885&parentSeq=1062885
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.