제조업 AX 전환은 왜 다른 산업보다 늦는가 — 글로벌 데이터로 본 지체 원인

제조업 AX의 지체 원인은 구조 인식이다

제조업 AX 확장이 다른 산업보다 늦는 이유는 기술력 부족이 아니다. 물리적 공정의 연속성, 레거시 데이터 인프라, 높은 안전·품질 기준, 현장 작업자의 디지털 수용성, 효율 중심 목표 설정이라는 다섯 가지 구조적 특성이 복합적으로 작용하고 있다.

이 구조를 인식하지 못한 채 AI 도입을 추진하면, 기술 투자는 파일럿 단계에서 멈추고 측정 체계는 작동하지 않는다. 반대로 이 구조를 이해하고 각 장벽에 맞는 실행 설계를 갖춘 기업은, 지금 이 순간에도 원가 구조와 경쟁력을 동시에 바꾸고 있다.

제조 기업과 SI 파트너사가 지금 당장 점검해야 할 질문은 단순하다.

• • AI 목표가 효율화에만 머물러 있지 않은가? 성장·혁신 목표가 명시되어 있는가?

  • 공장장·생산 본부장이 AI 의사결정을 직접 경험하고 있는가?

  • AI 판정에 대한 Human-in-the-loop 프로세스가 명문화되어 있는가?

  • MES, SCADA, ERP(전사적 자원 관리) 데이터가 AI가 읽을 수 있는 형태로 정제되어 있는가?

  • 워크플로우 재설계가 기술 도입과 동시에 설계되고 있는가?

전편에서 우리는 제조 현장 AI 프로젝트가 파일럿 단계를 벗어나지 못하는 원인을 측정 체계의 부재로 진단했다. 그렇다면 측정 문제만 해결하면 제조업의 AX 전환은 순조롭게 진행될까. 데이터는 그렇지 않다고 말한다.

맥킨지 글로벌 AI 조사(2025년 6~7월, 105개국 1,993명 대상)에 따르면, 제조 기능의 AI 에이전트 확장률은 11개 기능 중 최하위를 기록했다.¹ 같은 조사에서 IT, 지식 관리, 마케팅·영업 기능의 에이전트 확장률이 각각 8~10% 수준인 데 반해, 제조는 1~2%에 머물렀다.¹ AI 도입 자체는 이미 일반화됐지만, 제조 현장에서의 실질적 확장은 여전히 제자리다.

이 글은 그 구조적 원인을 다섯 가지 관점에서 분석하고, 선도 기업이 이 간극을 좁히기 위해 실제로 무엇을 다르게 하는지를 구체적으로 제시한다.

데이터가 먼저 말한다: 제조업의 AI 확장 현황

맥킨지 2025 AI 현황 보고서는 산업별, 기능별로 AI 에이전트 확장 현황을 상세히 분석했다. 이 데이터를 제조업 관점에서 읽으면 세 가지 구조적 패턴이 드러난다.

첫째, 상기 그래프에서 볼 수 있듯, 제조 기능의 AI 에이전트 확장률이 전체 산업에서 가장 낮다.      

조사 결과 IT 기능의 에이전트 확장률이 가장 높았고, 제조는 공급망·재고 관리와 함께 최하위권을 형성했다.¹ AI 도입 자체의 확산 속도와 에이전트 확장 속도 사이의 격차가 제조 기능에서 가장 두드러지게 나타난다.

둘째, 기업 규모가 확장 속도를 결정한다.   

연매출 50억 달러 이상 대기업의 약 절반이 AI 확장 단계에 진입한 반면, 연매출 1억 달러 미만 기업의 확장 비율은 약 30%에 그쳤다.¹ 제조업의 산업 구조상 중소 규모 기업 비중이 높다는 점이 전체 확장 속도를 끌어내리는 요인으로 작용한다.

 

 

셋째, AI가 기업 전반으로 확산되는 속도와 제조 기능의 속도 사이에 명확한 격차가 존재한다.                  

응답 기업의 절반이 이미 3개 이상의 기능에서 AI를 활용하고 있으며, 전체 기업의 88%가 최소 하나의 기능에서 AI를 정기적으로 사용하고 있다.¹ 그러나 기능별 AI 활용률을 들여다보면 이야기가 달라진다. 지식 관리(40%), 마케팅·영업(39%), IT(34%)가 상위권을 형성하는 반면, 제조(Manufacturing) 기능의 AI 활용률은 10%로 조사 대상 11개 기능 중 최하위를 기록했다.¹ AI 도입이 기업 전반으로 빠르게 번지는 흐름 속에서, 제조 기능만 홀로 뒤처지고 있다는 의미다.

왜 제조업인가? : 5가지 구조적 지체 원인

원인 1 — 물리적 공정의 연속성: 실험이 곧 생산 중단을 의미한다

IT, 마케팅, 지식 관리 기능에서 AI 실험은 기존 업무와 병렬로 진행할 수 있다. 챗봇을 테스트하는 동안 기존 고객 응대가 멈추지 않는다. 그러나 제조 공정은 다르다.

용접 공정에 AI 품질 검사를 도입하거나, 설비 제어 로직에 AI 예지보전 알고리즘을 연결하려면 실제 생산 라인을 일정 기간 멈추거나 병렬 운영 구조를 설계해야 한다. 실험 자체가 생산 손실과 직결되는 구조다. 이것이 제조 현장 관리자들이 AI 파일럿에 소극적인 근본 이유 중 하나다. 리스크가 다른 기능에 비해 즉각적이고 가시적이다.

원인 2 — 레거시 설비와 데이터 단절: AI가 읽을 수 있는 데이터가 없다

맥킨지 보고서는 고성과 기업의 핵심 차별점 중 하나로 기술 인프라와 데이터 제품(Data Products)의 구축을 꼽았다.¹ 고성과 기업의 60%가 최신 기술로 핵심 AI 이니셔티브를 구현할 수 있는 인프라를 보유한 반면, 일반 기업은 23%에 그쳤다.¹

제조 현장의 현실은 이 격차를 더 크게 만든다. 10~30년 된 설비가 혼재하는 제조 라인에서 Supervisory Control and Data Acquisition, SCADA(감시 제어 및 데이터 수집 시스템)와 Manufacturing Execution System, MES(제조 실행 시스템)는 종종 서로 다른 프로토콜로 운영된다. AI 모델이 학습하고 추론할 수 있는 형태의 데이터로 정제되기까지 상당한 선행 투자가 필요하다. 데이터 인프라가 준비되지 않은 상태에서는 아무리 뛰어난 AI 모델도 작동하지 않는다.

원인 3 — 안전과 품질 규제: 실수의 허용 범위가 다르다

맥킨지 보고서에서 AI 에이전트 사용이 가장 활발한 분야는 IT와 지식 관리였다.¹ 이 기능들의 공통점은 AI의 오류가 즉각적인 물리적 피해로 연결되지 않는다는 것이다.

제조 현장은 다르다. AI가 잘못된 예지보전 판단을 내리면 설비가 멈추거나 안전 사고로 이어질 수 있다. AI 외관 검사가 불량품을 통과시키면 리콜과 고객 클레임이 발생한다. 오류의 결과가 물리적·재무적으로 즉각 나타나는 환경에서 Human-in-the-loop(인간 검증 프로세스)의 설계는 필수이자 복잡한 과제가 된다.

보고서가 분석한 모범 사례 중 고성과 기업에서 가장 높은 실행률을 보인 항목은 Human-in-the-loop(인간 검증 프로세스)의 명문화였다. 고성과 기업의 65%가 이 프로세스를 갖추고 있는 반면, 일반 기업은 23%에 그쳤다.¹ 고성과 기업이 가장 많이 실행하는 것을, 일반 기업은 가장 안 하고 있다는 뜻이다. 제조 현장에서 이 격차는 더욱 치명적이다. AI 판정 오류가 불량 출하나 설비 사고로 직결될 수 있는 환경에서, 인간 검증 단계의 부재는 기술 리스크를 넘어 운영 리스크로 이어진다.

원인 4 — 현장 작업자의 디지털 수용성: 채택의 벽이 더 높다

보고서는 고성과 기업과 일반 기업을 가르는 핵심 요인 중 하나로 워크플로우 재설계(Rewiring Business Processes)를 꼽았다.¹ 고성과 기업의 58%가 AI 솔루션을 비즈니스 프로세스에 효과적으로 내재화했다고 답한 반면, 일반 기업은 20%에 그쳤다.¹ 약 3배에 가까운 격차다.

제조 현장에서 이 격차는 더욱 두드러진다. 사무직과 달리 생산 현장 작업자는 디지털 도구와의 접점이 제한적이다. 태블릿 기반 AI 인터페이스 도입, 생산 지시 시스템과의 연동, 실시간 피드백 구조 설계까지 고려하면, 제조 현장의 워크플로우 재설계는 다른 기능에 비해 훨씬 높은 변화 관리 비용을 요구한다. 현장 작업자가 AI를 신뢰하고 일상적으로 사용하기까지의 거리가, 다른 기능에 비해 구조적으로 더 멀다.

 

원인 5 — 효율 중심 목표 설정: 혁신을 가로막는 프레임

보고서가 제시한 가장 중요한 통찰 중 하나는 AI 목표 설정 방식의 차이다. 고성과 기업의 82%가 성장을, 79%가 혁신을 AI의 주요 목표로 설정한 반면, 일반 기업은 각각 50%에 그쳤다.¹ 반면 효율화(비용 절감)를 목표로 삼는 비율은 두 그룹 모두 80% 이상으로 큰 차이가 없었다.¹

제조업은 전통적으로 원가 절감과 생산성 향상을 AI 도입의 주된 이유로 삼아왔다. 이 프레임 자체가 문제는 아니다. 그러나 효율화만을 목표로 삼으면, AI가 창출할 수 있는 성장·혁신의 가능성을 처음부터 차단한다. 수율 최적화로 매출을 늘리거나, AI 기반 수요 예측으로 새로운 시장에 진입하거나, 제조 데이터를 활용한 새로운 서비스 모델을 만드는 가능성들이 목표 설정 단계에서부터 배제된다.

선도 기업은 무엇을 다르게 하는가

맥킨지 보고서는 AI 고성과 기업이 공통적으로 실행하는 모범 사례를 분석했다. 제조업 맥락에서 특히 주목할 세 가지를 정리하면 다음과 같다.

모범 사례	고성과 기업	일반 기업	제조 현장 적용
Human-in-the-loop 프로세스 정의	65%	23%	AI 판정 후 작업자 검증 단계 명문화
워크플로우 근본 재설계	55%	20%	생산 지시·품질 검사 프로세스 AI 내재화
시니어 리더십 AI 채택 롤모델링	57%	33%	공장장·생산 본부장의 AI 의사결정 시범 활용

이 세 가지는 기술 투자가 아니라 조직 운영 방식의 변화다. 보고서가 일관되게 강조하는 핵심 메시지도 여기에 있다. AI 고성과 기업들은 기술보다 먼저 조직의 야망과 실행 체계를 바꾼다.

특히 시니어 리더십의 역할은 제조업에서 더욱 결정적이다. 고성과 기업은 일반 기업보다 시니어 리더가 AI 이니셔티브에 강한 오너십과 헌신을 보인다고 답한 비율이 3배 높았다.¹ 왜 시니어 리더십인가. AI 고성과 기업들은 AI를 단순 효율화 도구가 아니라 비즈니스 전환의 수단으로 정의한다. 이 수준의 목표를 실행하려면 예산 재배분, 워크플로우 재설계, 조직 전반의 변화 관리가 동반되어야 한다. 이 세 가지는 현장 엔지니어나 IT 팀이 단독으로 결정할 수 없는 영역이다.

제조 현장에서는 이 구조가 더욱 명확하게 작동한다. AI 도입은 생산 라인 중단, 설비 연동, 작업자 재교육을 수반한다. 공장장 또는 생산 본부장급의 명확한 의사결정과 지속적 관심이 없으면, 프로젝트는 파일럿 단계를 넘지 못한다. 공장장이 직접 AI 예지보전 대시보드를 보며 의사결정을 내리고, 생산 본부장이 AI 수율 최적화 결과를 분기 성과 보고에 포함시키는 행동이 현장 작업자의 채택 속도를 바꾼다. 시니어가 오너십을 가져야 조직이 움직이고, 조직이 움직여야 AI가 현장에 뿌리내린다.

제조업 AX의 역설: 늦지만, 임팩트는 더 크다

여기서 중요한 반전이 있다. 제조업의 AI 에이전트 확장률은 가장 낮지만, AI로 인한 비용 절감 효과는 소프트웨어 엔지니어링과 함께 공동 1위를 기록했다.¹ 제조 기능에서 AI를 활용하는 기업의 56%가 지난 12개월간 비용 감소를 경험했다고 답했다.¹

이 역설이 의미하는 바는 명확하다. 제조업은 AI 도입의 진입 장벽이 높은 만큼, 일단 확장에 성공하면 재무 임팩트가 다른 기능보다 크다. 파일럿 단계를 넘어 실제 공정에 AI를 내재화한 기업들은 원가 구조 자체를 바꾸는 수준의 효과를 얻고 있다.

참고문헌

1. Singla, Alex, Alexander Sukharevsky, Bryce Hall, Lareina Yee, and Michael Chui. "The State of AI in 2025: Agents, Innovation, and Transformation." QuantumBlack, AI by McKinsey. November 2025. The state of AI in 2025: Agents, innovation, and transformation

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.