AX 도입의 핵심, 어떤 데이터를 먼저 디지털화할 것인가?
제조업이 AI로 전환하지 못하는 이유, "데이터 부재"
제조업 현장에서는 지난 10년간 설비 자동화, 생산관리시스템(MES), 엔지니어링 소프트웨어 등 "디지털 도구"를 많이 들여놨다. 그런데 왜 AI 적용은 여전히 시범 프로젝트 단계에 머물러 있을까.
현장 실무자들이 꼽는 가장 큰 장애물은 "데이터가 없다"는 것이 아니라 "데이터가 쓸 수 있는 형태로 정리돼 있지 않다"는 점이다. 생산 현장에서 매일 쌓이는 정보가 있지만, 서로 다른 시스템에 산재되고, 수기 입력과 자동 수집이 뒤섞여 있으며, 정의되지 않은 형식으로 저장되어 있다. 이런 상태로는 AI 모델이 학습할 수 없다.
"AX는 DX의 한 단계 앞"이다. DX(디지털 전환)가 종이를 전자문서로 바꾸고 수기 관리를 시스템으로 옮기는 것이라면, AX(AI 전환)는 그 디지털 데이터를 AI가 의사결정에 직접 활용하는 단계다. 따라서 AX를 시작하려면 먼저 "어떤 데이터를 어떤 순서로 디지털화할 것인가"를 명확히 해야 한다.
현재 국내 AI를 활용하는 제조기업은 전체의 약 1% 수준이다. 정부는 이 비율을 2030년까지 30% 수준으로 끌어올린다는 목표로 "제조AI 2030 전략"을 수립했고, 그 핵심은 "생산 데이터의 국가 차원 관리·활용"이다. 즉, 개별 기업의 AX 도입도 중요하지만, 국가가 산업 전체의 데이터 기반을 먼저 구축하겠다는 의지를 드러낸 것이다.
AX 성공을 가르는 데이터의 등급: 어떤 데이터가 우선인가
현장 중심으로 생각해보면, 제조 데이터는 "즉시성"과 "영향도"에 따라 우선순위가 결정된다.
즉시성이란 데이터 수집이 기술적으로 얼마나 쉬운가를 뜻한다. 이미 센서와 MES에서 자동 수집되고 있는 데이터가 있는 반면, 현장 작업자가 수기로 기록하는 데이터는 디지털화 과정이 복잡하다. 영향도는 AI가 학습했을 때 실제 생산성·품질·안전에 미치는 영향 크기다.
우선순위가 높은 데이터는 두 조건을 모두 만족하는 것이다:
| 데이터 카테고리 | 자동 수집 여부 | 즉시성 | 생산성 영향 | 품질 영향 | 안전 영향 | 우선순위 |
|---|---|---|---|---|---|---|
| 생산 공정 센서 데이터 | 센서/PLC 자동 수집 | 높음 | 높음 | 높음 | 중간 | 1순위 |
| 불량·검사 데이터 | MES 자동/수기 혼합 | 높음 | 중간 | 높음 | 낮음 | 1순위 |
| 설비 운전·정지 로그 | PLC/설비 자동 수집 | 높음 | 중간 | 중간 | 높음 | 2순위 |
| 제품 설계·도면 정보 | CAD 파일 | 중간 | 높음 | 높음 | 낮음 | 2순위 |
| 원재료·부품 정보 | 입고 시스템/수기 혼합 | 중간 | 중간 | 높음 | 낮음 | 2순위 |
| 작업자 경험·노하우 | 수기/면담 기록 | 낮음 | 높음 | 높음 | 높음 | 3순위 |
| 설비 유지보수 이력 | 유지보수 시스템 | 중간 | 높음 | 중간 | 높음 | 2순위 |
| 공급망·물류 데이터 | ERP/SCM 시스템 | 중간 | 중간 | 낮음 | 낮음 | 3순위 |
1순위: 생산 공정 센서 데이터와 불량·검사 데이터
가장 먼저 디지털화해야 할 데이터는 생산 공정 중 실시간으로 자동 수집되는 센서 데이터다. 온도, 압력, 속도, 전류, 진동 등 공정 파라미터들이 이미 PLC(가동 제어 장치)에 기록되고 있다. 이 데이터는 즉시성이 높고, AI 모델이 직접 활용할 수 있다.
함께 우선해야 할 것은 불량·검사 데이터다. 외관 검사, 치수 측정, 기능 테스트 결과들이 현장에서 기록되고 있지만, 종종 수기 입력, 스프레드시트, 검사 보고서 등 여러 형태로 산재되어 있다. 이를 표준 형식으로 통일하고 디지털화하면, AI는 불량 발생 패턴을 학습해 예측 가능하게 된다.
현장에서 본 효과: 반도체 조립, 자동차 부품, 식품 포장 등 검사가 많은 산업에서 검사 불량 예측 AI를 적용한 후 불량 발견 시간이 단축되었다는 사례가 보고되고 있다.
2순위: 설비 운전 로그, 제품 설계·도면, 유지보수 이력
생산 데이터 다음은 설비 상태 데이터다. 언제 가동했고, 언제 멈췄으며, 왜 정지했는지를 기록하는 것이다. 현재 많은 현장에서 이 정보가 작업자 일지나 유지보수 담당자의 기억에만 남아 있다. 이를 데이터로 구조화하면, 설비 고장을 미리 예측하는 "예지 보전(Predictive Maintenance)"이 가능해진다.
제품 설계 정보도 중요하다. CAD 도면, 설계 사양, 공정 BOM(부품 구성표) 등은 이미 디지털 형태로 존재한다. 이를 생산 데이터와 연결하면, "이 설계 조건에서 이 공정 파라미터를 썼을 때 이 정도의 불량이 발생한다"는 설계-공정 상관관계를 학습할 수 있다.
유지보수 이력도 마찬가지다. 설비 A를 언제 정비했고, 그 후 가동 시간, 고장까지의 시간, 고장 원인 등을 기록하면, AI는 정비 간격 최적화나 고장 조기 경보 모델을 만들 수 있다.
3순위: 작업자 경험·노하우, 공급망·물류 데이터
숙련 작업자들이 오래 경험한 "암묵지"를 데이터로 변환하는 것은 기술적으로 어렵지만, 전략적으로 중요하다. 예를 들어 "이 재료 로트를 봤을 때 온도를 이 정도까지만 올려야 한다" 같은 경험적 판단이다. 정부의 "제조 명장 데이터화 사업"은 정년을 앞둔 숙련공의 경험을 비디오 기록, 인터뷰, 센서 모니터링을 통해 데이터로 수집하려는 시도다.
공급망과 물류 데이터는 AI 도입의 초기 단계에서는 3순위지만, 전사적 최적화 단계에서는 중요해진다. 납기 예측, 재고 최적화, 공급처 리스크 관리 등에 활용된다.
데이터 디지털화 과정에서 발생하는 실패 사례와 체크포인트
현장에서 실제로 일어나는 문제들을 정리하면 다음과 같다.
사례 1: 데이터 수집 후 "하지만 분석할 수 없다"
A사(전자부품 제조)는 센서 30개에서 1초 단위로 데이터를 수집했다. 1년치를 모으니 엄청난 양이었다. 그런데 이 데이터를 어떻게 활용해야 할지 몰랐다. 단순히 모으는 것과 AI가 학습할 수 있는 형태로 정제하는 것은 완전히 다른 문제다. 같은 센서라도 센서 종류, 설치 위치, 측정 단위, 결측 처리 방법 등이 표준화되지 않으면 AI 모델에 입력할 수 없다.
체크포인트: 데이터를 모으기 전에 "이 데이터를 AI가 어떻게 쓸 것인가"를 먼저 정의해야 한다. 역으로 필요한 데이터가 무엇인지 파악하고 시작해야 한다.
사례 2: 품질 검사 데이터의 정의 불일치
B사(의료기기)는 불량 판정 기준이 검사자마다 다른 문제가 있었다. 같은 외관 흠집도 "합격"이라 판정하는 검사자와 "불합격"이라 판정하는 검사자가 있었다. 이런 상태의 데이터로 AI를 학습시키면 성능이 떨어진다.
체크포인트: 데이터 수집 전에 정의(Definition)를 먼저 명확히 해야 한다. "불량이란 무엇인가", "색상 편차의 허용 범위는 얼마인가" 같은 표준을 명문화하고, 모든 검사자가 동일하게 적용하도록 훈련해야 한다.
사례 3: 데이터 보안과 비식별화 문제
C사(자동차 부품)는 생산 데이터에 대한 우려가 있었다. 이 데이터가 경쟁사에 유출되면 "우리 공정의 최적 조건"이 공개되는 셈이다. 정부가 추진하는 "국가 제조데이터 라이브러리"는 이 문제를 해결하기 위해 "클린룸(Clean Room)" 방식의 보안 시스템을 구축하려고 한다. 기업이 제공한 데이터는 국가 관리 환경에 보관되고, 외부 반출은 원천 차단하며, 조회도 심사를 거쳐야 한다는 구조다.
체크포인트: 데이터 공유 시 법적 보호(NDA), 기술적 보안(암호화), 행정적 통제(접근권한 관리)를 동시에 갖춰야 한다.
단계별 도입 로드맵: "기초 → 고도화 → 확산 → 생태계" 4단계
정부의 "제조AI 2030 전략"은 AX 도입을 4단계로 제시했다. 이는 개별 기업이 적용할 수 있는 실행 로드맵이기도 하다.
1단계: 기초 - 데이터 수집 및 표준화 (현재 ~ 2027년)
목표: 우선순위 데이터를 수집하고 표준 형식으로 정제하기
이 단계에서는 다음 3가지를 해야 한다:
첫째, 센서 및 시스템 연결을 확인한다. "생산 공정의 센서에서 데이터가 실시간으로 수집되고 있는가", "MES와 연결되어 있는가", "데이터 저장소가 있는가"를 확인한다.
둘째, 데이터 수집 기준을 정의한다. 각 데이터가 무엇을 의미하는지, 어떤 단위로 기록되는지, 결측값은 어떻게 처리하는지를 문서화한다.
셋째, 파일럿 프로젝트를 시작한다. 전사 전체가 아니라 한두 개 공정이나 제품군에서 3~6개월간 데이터를 수집하고, 정제 과정에서 문제를 파악한다.
현장 성과: 이 단계만으로도 현장은 "우리가 어떤 데이터를 가지고 있는가"를 명확히 알게 되고, 향후 단계의 기초가 된다.
2단계: 고도화 - AI 모델 개발 및 실증 (2027년 ~ 2028년)
목표: 표준화된 데이터로 AI 모델을 만들고, 작은 규모로 검증하기
이 단계에서는 정제된 데이터로 실제 AI 모델을 개발한다. 불량 예측, 예지 보전, 생산 최적화 같은 특정 과제에 집중한다.
중요한 것은 "설명 가능한 AI(XAI)"에 집중하는 것이다. "이 불량이 왜 발생했는가"를 AI가 설명할 수 있어야 현장 작업자들이 신뢰한다. 단순히 "합격/불합격"만 판정하는 AI는 현장에서 받아들여지지 않는다.
또한 이 단계에서 인력 교육이 필수적이다. 데이터를 다루는 담당자, AI 결과를 해석하는 생산 관리자, 시스템을 유지보수하는 IT 담당자 등이 새로운 도구를 다루는 교육을 받아야 한다.
3단계: 확산 - 전사 배포 및 최적화 (2028년 ~ 2029년)
목표: 파일럿에서 검증된 AI를 전체 공정으로 확대하고, 운영 체계 구축하기
이 단계에서는 2단계에서 검증된 AI 모델을 전 공정에 배포한다. 이때 중요한 것은 AI 모델 관리 체계를 만드는 것이다:
- 모델이 정확성을 잃으면 언제 재학습할 것인가
- 새로운 제품 라인이 추가되면 어떻게 대응할 것인가
- AI의 판정이 틀렸을 때 피드백을 어떻게 수집할 것인가
또한 이 단계에서 조직 문화의 변화가 일어난다. 작업자들이 AI 결과를 어떻게 받아들이는가에 따라 성공이 결정된다.
4단계: 생태계 - 자율 운영 및 지속 개선 (2029년 ~ 2030년 이후)
목표: AI가 자동으로 판단하고 제어하는 자율 공장의 방향으로 발전
최종 목표는 "풀스택 AI팩토리"다. AI가 단순 판정만 하는 것이 아니라, 로봇과 협업하고, 공정 조건을 스스로 조정하고, 생산 계획까지 수립하는 수준이다.
AX 도입 전 자가진단 체크리스트
조직이 AX 도입 준비가 되었는지 확인하려면 다음을 체크해보자.
| 항목 | 확인 사항 | 점수(0~10) |
|---|---|---|
| 데이터 기반 | 생산 센서가 설치되어 있고 1년 이상 데이터 기록이 있는가? | ☐ |
| 시스템 연결 | MES, ERP, 또는 생산 관리 시스템이 있고, 센서 데이터를 자동 수집할 수 있는가? | ☐ |
| 표준화 | 제품 불량 기준, 데이터 정의, 공정 파라미터 등이 명확히 정의되어 있는가? | ☐ |
| 리더십 의지 | CEO/경영진이 AI 도입을 명시적으로 지원하고, 예산을 할당했는가? | ☐ |
| 인력 역량 | 데이터를 다루고 시스템을 운영할 전담 인력이 있는가? | ☐ |
| 문화 수용성 | 현장 작업자들이 새로운 도구 도입에 긍정적인가? | ☐ |
| 안전성 고려 | 위험 공정 자동화, 근로자 보호 등 안전 계획이 있는가? | ☐ |
| 외부 지원 체계 | 정부 지원, SI 파트너, 대학과의 협력 체계가 있는가? | ☐ |
점수 해석:
- 60점 이상 → AX 도입 준비 가능. 즉시 기초 단계 시작 가능
- 40~60점 → 몇 가지 준비 과제 필요. 데이터 기반 정비 우선
- 40점 이하 → 먼저 DX(디지털 전환) 기초 작업부터 진행 권장
정부 지원 프로그램과 혼합 도입 전략
단독으로 AX를 추진하기 어려운 중소 제조기업들을 위해 정부가 다양한 지원 프로그램을 제시하고 있다.
M.AX 얼라이언스와 M.AX 클러스터
산업통상부는 "M.AX 얼라이언스"라는 민관 협력 체계를 구축했다. 제조기업, AI 전문기업, 대학, 연구기관이 함께 참여하는 네트워크로, 현재 1,500여 개 기업·기관이 가입했다. 지역 산업단지를 중심으로 "M.AX 클러스터"를 조성해, 같은 산업군 기업들이 함께 AI를 도입하고, 성공사례를 공유하는 구조를 만들고 있다.
국가 제조데이터 라이브러리
개별 기업이 보유한 제조 데이터를 국가가 안전하게 관리하는 "제조데이터 라이브러리" 구축이 진행 중이다. 은퇴 숙련공의 경험을 데이터로 변환해 축적하고, 기업 간 데이터 공유 시 보안을 보장하는 시스템이다.
혼합 도입 전략: 대기업 협력 모델
대기업과 협력하는 방식도 있다. 예를 들어 자동차 대기업 부품협력사는 "상생형 AI 스마트공장" 사업을 통해 대기업의 AI 시스템에 연결되고, 대기업으로부터 기술 지원을 받는다. 초기 투자 부담이 크지 않으면서도 AI의 효과를 볼 수 있는 방식이다.
실제 성공 사례로 본 우선순위 데이터의 중요성
실명을 밝힐 수 없지만, 현장에서 검증된 사례들이 있다.
A사 사례: 센서 데이터 → 검사 효율 향상
반도체 패키징 공정의 A사는 접합 온도, 시간, 압력 센서 데이터를 표준화해 AI 학습에 활용했다. 결과적으로 불량 제품을 검사 단계에서 대부분 조기에 발견할 수 있게 되었고, 검사 인력을 재배치해 생산성을 높였다.
B사 사례: 불량 데이터 + 설비 유지보수 → 예지 보전 도입
의료기기 제조사 B사는 불량 발생 시점과 설비 운전 시간, 정비 이력을 연결했다. 특정 부품에 열화 패턴이 있음을 발견해 예방 정비 일정을 앞당겼고, 결과적으로 설비 다운타임을 감소시킬 수 있었다.
C사 사례: 설계·공정·품질 데이터 통합 → 신제품 개발 기간 단축
자동차 부품 C사는 과거 신제품이 나올 때마다 시행착오를 반복했다. CAD 설계 정보, 공정 파라미터, 역사적 불량 데이터를 연결한 AI를 만들었다. 신제품 개발 초기에 "이 설계로 이 공정을 쓰면 이 정도 불량이 예상된다"는 예측이 가능해지면서 개발 기간을 단축할 수 있었다.
AI 전환(AX) 성공을 위한 첫 걸음: 지금 바로 시작할 수 있는 것
결국 "완벽한 데이터"를 기다리다가 놓치는 것보다, "불완벽하지만 시작하는 것"이 중요하다.
오늘부터 할 수 있는 것:
-
현장을 둘러보고 데이터 기록 현황을 파악한다. "지금 어떤 데이터가 어느 형태로 저장되고 있는가"를 명확히 하는 것부터 시작한다.
-
정의를 명확히한다. "우리 회사에서 불량이란 무엇인가", "검사 기준은 무엇인가"를 문서화한다.
-
작은 영역에서 시작한다. 전사 전체가 아니라 한두 공정, 한두 제품군에서 데이터 수집을 시험한다.
-
외부 지원을 활용한다. 정부 지원 프로그램, SI 파트너, 대학 협력 등을 먼저 상담해본다.
AI 전환은 기술 문제가 아니라 조직의 의지와 데이터에 대한 이해에서 출발한다. 데이터를 어떻게 보는가에 따라 회사의 미래가 결정되는 시대가 왔다.
참고문헌
- 산업통상자원부. "대한민국 제조업 대전환의 길: 제조AI 2030 전략." 국가인공지능전략위원회·범부처 합동. 2026년 6월. 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.