제조업 DX AX 우선순위, AI 전환을 먼저 검토해야 하는 5가지 신호
DX부터 해야 할까, AX로 바로 가야 할까 — 현장의 흔한 딜레마
"우리는 아직 종이 대장도 다 못 없앴는데, AI부터 얘기해도 되는 걸까요." 스마트 팩토리 컨설팅 현장에서 가장 자주 듣는 질문 중 하나다.
몇 년 전까지만 해도 답은 명확했다. 먼저 공정을 디지털화하고, 데이터를 쌓고, 그다음에 AI를 얹는 순서가 정석으로 통했다. 그런데 최근에는 이 순서를 그대로 따르다가 오히려 골든타임을 놓치는 기업들이 나타나고 있다. 특정 공정의 문제가 너무 명확하고, 그 문제를 푸는 데 필요한 데이터가 이미 부분적으로 존재한다면, "DX를 완성한 뒤에 AX"라는 원칙이 오히려 발목을 잡을 수 있다.
이 글에서는 DX와 AX의 개념 차이를 짚은 뒤, 제조기업이 DX보다 AX를 먼저 검토해야 하는 구체적인 신호들을 살펴본다. 비용 구조, 데이터 준비도, 안전 기준, 실패 사례, 단계적 로드맵까지 실무에서 바로 판단 기준으로 쓸 수 있는 내용을 다룬다.
DX와 AX, 개념부터 다시 정리하기
두 용어가 혼용되면서 현장에서는 "결국 같은 이야기 아니냐"는 반응도 적지 않다. 하지만 목적과 작동 방식에는 분명한 차이가 있다.
"DX(디지털 전환)**는 아날로그·수작업 중심의 공정을 디지털 시스템으로 옮기는 과정이다. 종이 작업지시서를 전자화하고, 수기로 기록하던 설비 가동 데이터를 센서와 MES로 자동 수집하는 것이 대표적이다. DX의 핵심은 "정해진 규칙에 따른 자동화"에 있다. 사람이 판단하던 규칙을 시스템이 그대로 수행하도록 만드는 단계다.
"AX(AI 전환)"는 이렇게 쌓인 데이터를 AI가 스스로 학습하고 판단해 의사결정을 보조하거나 대체하는 단계다. 설비 이상을 사전에 감지하는 예측 유지보수, 카메라 영상으로 불량을 판별하는 AI 비전 검사, 수요 변동에 따라 생산 계획을 실시간으로 조정하는 최적화 엔진이 여기에 해당한다. DX가 "자동화"라면 AX는 "자율화"에 가깝다.
| 구분 | DX (디지털 전환) | AX (AI 전환) |
|---|---|---|
| 목적 | 공정의 디지털화, 데이터 수집 체계 구축 | 데이터 기반 예측·판단·최적화 |
| 의사결정 방식 | 정해진 규칙(룰 베이스) 실행 | 학습된 모델의 확률적 판단 |
| 전제 조건 | 설비·공정의 전산화 여부 | 정제된 데이터의 축적 여부 |
| 대표 기술 | MES, ERP, 센서 기반 데이터 수집 | 예측 유지보수, AI 비전 검사, 수요 예측 최적화 |
| 도입 성격 | 인프라 구축형 | 문제 해결형(특정 공정 타깃 가능) |
정부가 추진하는 제조업 AI 전환 전략에서도 데이터가 출발점이라는 원칙이 확인된다. 산업통상부가 발표한 제조AI 전략은 제조 현장의 데이터를 수집하는 것을 "기초 단계"로 규정하고, 이후 AI 모델 고도화와 확산으로 이어지는 단계적 전략을 제시하고 있다. 이는 결국 AI 활용의 출발점이 데이터 확보에 있다는 것을 보여주는 동시에, 이미 데이터가 쌓여 있는 공정이라면 전사 차원의 기초 단계를 처음부터 다시 기다릴 필요 없이 해당 공정부터 다음 단계로 곧바로 나아갈 수 있다는 시사점을 준다.
AX를 먼저 검토해야 하는 5가지 신호
아래 신호 중 두세 가지 이상에 해당한다면, 전사적 DX 완성을 기다리기보다 특정 공정에 한정된 "AX 선행 파일럿"을 검토할 시점이다.
- 불량·이상 탐지가 사람의 숙련도에 크게 의존하는 공정이 있다. 베테랑 검사원의 은퇴가 임박했는데 후임 양성이 어려운 경우, AI 비전 검사가 DX 인프라 완성보다 시급한 과제가 된다.
- 설비 고장이 예고 없이 발생해 라인 전체가 멈추는 일이 반복된다. 이미 일부 센서 데이터가 쌓여 있다면, 전 공정 디지털화를 기다리지 않고 해당 설비부터 예측 유지보수를 붙이는 편이 손실을 빠르게 줄인다.
- 경쟁사가 이미 AI 기반 품질·생산 최적화로 원가 격차를 벌리고 있다. 시장에서 검증된 표준이 바뀌는 국면에서는 "기반부터 차근차근"이라는 원칙이 시장 대응 속도를 놓치는 원인이 될 수 있다.
- 숙련 인력 이탈로 현장 노하우가 문서화되지 않은 채 사라지고 있다. 이 경우 데이터 수집(DX)과 노하우의 AI 전환(AX)을 동시에 설계해야, 사라지는 암묵지를 데이터 자산으로 붙잡을 수 있다.
- 특정 공정의 데이터는 이미 충분히 쌓여 있지만 활용되지 못하고 있다. ERP·MES에 수년치 데이터가 쌓여만 있는 상태라면, 추가 디지털화보다 기존 데이터를 학습시키는 AX 프로젝트가 투자 대비 효과가 빠르다.
데이터 준비도가 우선순위를 가른다 — 자가진단 체크리스트
AX를 먼저 검토할지 판단하기 전에, 아래 항목을 자체 점검해 보는 것이 순서다. DX가 부족해도 AX가 가능한 경우와, DX부터 반드시 해결해야 하는 경우를 가르는 기준이기도 하다.
- 목표 공정의 데이터가 최소 6개월 이상 축적되어 있는가
- 데이터 형식이 통일되어 있고, 결측치·오류값 비율이 관리 가능한 수준인가
- 해당 공정의 문제 정의가 명확한가 (예: "불량률을 줄인다"가 아니라 "표면 스크래치 불량을 검사 시점에 판별한다")
- 데이터를 다룰 내부 담당자 또는 외부 파트너가 지정되어 있는가
- 경영진이 실패 가능성을 감수하고 소규모 파일럿에 예산을 배정할 의지가 있는가
다섯 항목 중 세 개 이상에 "그렇다"고 답할 수 있다면, 전사 DX를 완성하지 않은 상태에서도 해당 공정에 한정된 AX 파일럿을 시작할 근거가 충분하다.
비용 구조로 보는 DX 선행 vs AX 선행
우선순위를 결정할 때 가장 현실적인 기준은 결국 비용이다. DX와 AX는 초기 투자와 운영비의 구조 자체가 다르다.
DX는 설비·시스템 전반에 걸친 인프라 투자 성격이 강하다. MES·ERP 도입, 센서 설치, 네트워크 구축 등 "넓고 얕게" 투자가 분산된다. 초기 투자 규모는 크지만, 일단 구축되면 운영비는 상대적으로 예측 가능한 편이다.
반면 AX는 특정 공정에 한정하면 "좁고 깊게" 투자할 수 있다는 장점이 있다. 전사 시스템 교체 없이도 하나의 라인, 하나의 검사 공정에 AI 모델을 붙이는 방식의 파일럿이 가능하다. 다만 데이터 정제, 모델 재학습, 현장 적용 후 성능 튜닝 등 "숨은 운영비"가 지속적으로 발생한다는 점은 유의해야 한다.
| 비교 항목 | DX 선행 투자 | AX 선행(공정 한정) 투자 |
|---|---|---|
| 초기 투자 범위 | 전사 시스템·설비 인프라 | 특정 공정·라인에 한정 가능 |
| 투자 회수 시점 | 상대적으로 장기 | 문제 정의가 명확할수록 단기화 가능 |
| 숨은 비용 | 시스템 간 연동·유지보수 | 데이터 정제, 모델 재학습, 현장 튜닝 |
| 실패 시 손실 규모 | 전사 영향으로 손실 규모 큼 | 공정 단위로 손실 범위 제한 가능 |
| 적합한 상황 | 데이터 기반 자체가 없는 경우 | 특정 공정 데이터가 이미 존재하는 경우 |
현장에서는 기업 규모가 작을수록 스마트공장 도입률과 구축 수준이 함께 낮아지는 경향이 뚜렷하게 나타난다. 이는 중소 제조기업일수록 전사 DX를 먼저 완성하기까지의 시간·비용 부담이 크다는 뜻이기도 하다. 바로 이 지점에서, 전사 DX를 기다리지 않고 문제가 뚜렷한 공정 하나에 AX를 먼저 시도하는 "공정 한정형 접근"이 중소 제조기업에 더 현실적인 선택지가 될 수 있다.
안전·품질 기준이 요구하는 AI 신뢰성 요건
AX를 검사·품질 판정 공정에 적용할 때는 비용 못지않게 신뢰성 검증 절차를 함께 준비해야 한다. 국제표준화기구는 AI를 활용한 관리 체계 전반에 대해 조직이 갖춰야 할 거버넌스와 리스크 관리 요건을 다루는 국제표준을 마련해 두고 있으며, 여기에는 AI 시스템의 성능을 지속적으로 모니터링하고 오작동 시 대응 절차를 마련하는 것이 핵심 요건으로 포함된다.
품질 검사 공정에 AI 비전을 도입하는 경우, 다음 사항을 사전에 점검해야 한다.
- AI 판정 결과와 사람의 최종 확인 절차가 병행되는 구조인가
- 정상 공정을 불량으로 잘못 판정하는 오탐과, 실제 불량을 놓치는 미탐이 각각 발생했을 때의 책임 소재가 명확한가
- 모델 성능이 저하되었을 때 이를 감지하고 재학습하는 주기가 설정되어 있는가
법령이나 고시의 세부 조항을 그대로 따르기보다, 이러한 기능적 요건을 충족하는 내부 검증 프로세스를 갖추는 것이 실무적으로 더 중요하다.
현장 시나리오 — A사와 B사, 같은 고민 다른 선택
두 중견 부품 제조기업의 사례를 통해 우선순위 판단 기준을 구체적으로 살펴보자. 두 기업 모두 "DX가 완성되지 않은 상태에서 AI 도입이 가능한가"라는 동일한 질문에서 출발했지만, 선택은 달랐다.
A사는 자동차 부품을 생산하는 업체로, 표면 스크래치 불량 검사를 숙련 검사원 3명에게 전적으로 의존하고 있었다. 이 중 2명이 향후 2년 내 정년을 앞두고 있었고, 신규 인력 채용도 쉽지 않은 상황이었다. A사는 전사 MES 구축을 기다리지 않고, 해당 검사 공정에 한정해 AI 비전 검사 파일럿을 먼저 진행했다. 검사 라인의 카메라 영상 데이터만 별도로 수집해 6개월간 모델을 학습시켰고, 이후 전사 DX 프로젝트와 별개로 해당 공정의 AX를 먼저 안정화했다.
B사는 정밀 금형을 생산하는 업체로, 공정 데이터 자체가 설비별로 흩어져 있고 형식도 제각각이었다. 특정 공정의 문제를 짚어 AI를 도입하고 싶어도, 어떤 데이터를 얼마나 신뢰할 수 있는지조차 파악되지 않은 상태였다. B사는 성급하게 AI 파일럿을 시작하는 대신, 우선 핵심 설비의 데이터 표준화와 수집 체계부터 6개월간 구축했다. 데이터 기반이 갖춰진 이후에야 예측 유지보수 AX 프로젝트에 착수했다.
두 사례의 차이는 "AI가 필요한가"가 아니라 "AI를 학습시킬 데이터가 이미 존재하는가"에 있었다. A사는 검사 영상이라는 명확한 데이터 자산이 있었기에 AX를 먼저 선택할 수 있었고, B사는 데이터 기반 자체가 없었기에 DX를 먼저 선택할 수밖에 없었다.
파일럿의 늪 — AX 조기 도입에서 자주 나타나는 실패 패턴
AX를 먼저 검토하는 것과, 준비 없이 서두르는 것은 다른 이야기다. 스마트 팩토리 컨설팅 현장에서 반복적으로 관찰되는 실패 패턴은 대부분 "파일럿 이후 전사 확산에 실패하는 구조"에서 비롯된다.
- 문제 정의 없이 기술부터 도입한다. "우리도 AI 하나 해보자"는 식으로 시작한 파일럿은 성과 지표가 불명확해 확산 단계에서 예산 승인을 받기 어렵다.
- 파일럿용 데이터와 현장 데이터가 다르다. 정제된 샘플 데이터로 학습한 모델이 실제 현장의 노이즈 섞인 데이터에서는 성능이 급격히 떨어지는 경우가 흔하다.
- 현장 담당자의 수용성을 고려하지 않는다. AI 판정 결과를 현장 작업자가 신뢰하지 않으면, 아무리 정확한 모델이라도 실제 의사결정에 반영되지 않는다.
- 비용·인력 부담을 과소평가한다. 초기 파일럿 비용만 계산하고, 이후 재학습·유지보수에 필요한 지속적인 인력과 예산을 준비하지 않아 파일럿 이후 확산이 멈추는 경우가 많다.
이러한 패턴을 피하려면, 파일럿을 시작하기 전 "이 공정에서 무엇을 얼마나 개선하면 성공으로 볼 것인가"를 수치가 아닌 구체적 기준으로 먼저 합의해야 한다.
DX와 AX를 함께 가져가는 단계적 로드맵
실제로는 DX와 AX 중 하나만 선택하기보다, 두 흐름을 병행하는 것이 현실적인 경우가 많다. 아래는 공정 한정형 AX 파일럿과 전사 DX를 함께 가져가는 단계별 접근 방식이다.
- 문제 공정 선정: 손실이 명확하고 데이터 자산이 일부라도 존재하는 공정을 우선 선정한다.
- AX 파일럿 병행: 해당 공정에 한정해 AI 모델 개발을 시작하는 동시에, 나머지 공정의 전사 DX 인프라 구축을 별도 트랙으로 진행한다.
- 성과 검증 및 확산 결정: 파일럿 공정에서 사전에 합의한 성과 기준을 충족하면, 유사 공정으로 AX를 확산하고 DX 트랙과 통합한다.
- 데이터 거버넌스 정비: 확산 단계에서는 여러 공정의 데이터를 통합 관리할 표준화·보안 체계를 갖춘다.
- 조직 역량 내재화: 외부 파트너 의존도를 낮추기 위해 내부 데이터 담당 인력을 육성하고, 현장 담당자의 AI 리터러시 교육을 병행한다.
이 로드맵의 핵심은 "DX 완성 후 AX"라는 순차적 사고에서 벗어나, 문제 공정 단위로는 AX를 먼저 시도하면서도 조직 전체의 데이터 기반은 꾸준히 넓혀가는 "이중 트랙" 접근이다.
우선순위는 기술이 아니라 '무엇을 먼저 풀 것인가'에서 나온다
DX와 AX 중 무엇을 먼저 해야 하느냐는 질문에는 정해진 정답이 없다. 판단 기준은 기술의 최신성이 아니라, 지금 가장 절박한 공정 문제가 무엇이고 그 문제를 풀 데이터가 이미 존재하는가에 있다.
숙련 인력 이탈로 검사 품질이 흔들리고 있고 관련 데이터가 일부라도 쌓여 있다면, 전사 DX 완성을 기다리기보다 해당 공정에 한정된 AX 파일럿을 먼저 시도할 근거가 충분하다. 반대로 데이터 기반 자체가 없다면, AI 도입을 서두르기보다 데이터 수집 체계부터 갖추는 것이 결국 더 빠른 길이다.
지금 조직에서 가장 절박한 공정 하나를 떠올려 보고, 이 글의 자가진단 체크리스트를 그 공정에 직접 대입해 보는 것이 첫걸음이 될 수 있다.
참고문헌
- 산업통상부. "(참고자료)인공지능이 이끄는 제조업의 대전환, 2030년 청사진 나왔다." 산업통상부 보도·참고자료. 2026.06.29. https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/171975/view.
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.