ChatGPT가 등장한 이후 생성형 AI에 대한 관심은 제조업에서도 빠르게 높아졌습니다. 그런데 실제 도입 현황을 보면 온도 차가 있습니다. Salesforce 설문에서 제조업 응답자 중 생성형 AI를 이미 활용 중인 곳은 14%였고, 시범 운영 중인 곳은 22%, 도입을 검토 중인 곳은 27%였습니다. 관심은 높지만, 현장에서 실제로 작동하고 있는 경우는 아직 많지 않다는 뜻입니다.
왜 그럴까요? 생성형 AI가 제조업에 어떻게 쓰일 수 있는지, 어떤 업무에서 성과가 났는지가 아직 구체적으로 알려지지 않은 경우가 많기 때문입니다.
"도입해야 한다"는 말은 많이 들었지만, "우리 공장에서는 무엇에 쓸 수 있을까"라는 질문에 답하기가 쉽지 않습니다. 이 글은 제조업에서 생성형 AI가 실제로 어떤 영역에, 어떤 방식으로 쓰이고 있는지를 사례 중심으로 정리합니다.
기존 AI와 생성형 AI, 제조업에서 무엇이 다른가
생성형 AI를 이야기하기 전에, 기존 AI와 무엇이 다른지를 먼저 짚어두는 것이 좋습니다. 제조업에서 이미 쓰이고 있는 기존 AI는 숫자와 센서 데이터를 기반으로 판단하는 데 강합니다. 설비 이상 탐지, 수요 예측, 공정 최적화, 불량률 패턴 분석처럼 "이상인지 아닌지", "얼마나 될지"를 맞히는 역할입니다.
생성형 AI는 다릅니다. 주어진 맥락을 바탕으로 텍스트, 이미지, 아이디어를 새로 만들어냅니다. 작업 지시서를 초안으로 써주거나, 고장 원인을 현장 언어로 설명하거나, 고객 문의에 답변을 생성하는 방식입니다. 기존 AI가 "판단 엔진"이라면, 생성형 AI는 "작성 보조"에 가깝습니다.
업무로 나눠보면 차이가 더 분명합니다. 설비 유지보수에서 기존 AI는 센서 데이터로 고장 확률을 예측하고, 생성형 AI는 그 결과를 바탕으로 고장 원인 설명과 조치 가이드 문서를 작성합니다. 품질 관리에서 기존 AI는 불량 이미지를 판별하고, 생성형 AI는 품질 보고서를 요약하고 개선안을 문서화합니다. 제조업에서 두 AI는 경쟁 관계가 아니라 역할을 나눠 맡는 방식으로 함께 쓰입니다.
제조업에서 생성형 AI가 쓰이는 네 가지 영역
문서화 — 가장 많이, 가장 빠르게
Salesforce 설문에서 제조업 응답자가 생성형 AI를 가장 많이 활용하는 목적은 문서 작성 지원(64%)과 문서 요약(47%)이었습니다. 현장에서는 SOP, 작업표준서, 품질 보고서, 일일 생산보고서처럼 반복적으로 써야 하는 문서가 많습니다. 생성형 AI는 이런 문서의 초안을 자동으로 만들어주는 역할을 합니다.
특히 베테랑 작업자의 경험과 노하우를 문서로 남기는 작업에 효과적입니다. 구두로만 전해지던 암묵지를 텍스트로 정리하는 데 드는 시간을 크게 줄일 수 있습니다. 사람이 최종적으로 검토하고 수정하는 구조로 운영되기 때문에, 위험 부담이 낮고 효과가 빠른 영역이라 도입 첫 단계로 가장 많이 선택됩니다.
고객 대응 — 성과가 가장 뚜렷한 영역
후지쯔는 생성형 AI 기반 고객 지원 시스템을 도입한 뒤 고객 지원 센터 업무량이 80% 감소했고, 고객 응대 시간은 89%, 응대 후 기록 시간은 86% 줄었습니다. 제조업 고객 지원은 제품 사양, 불량 대응, 납기 문의처럼 반복적이면서도 정확한 답변이 필요한 문의가 많습니다. 생성형 AI는 문의 내용을 파악해 답변 초안을 생성하고, 상담 내용을 요약해 기록하는 방식으로 담당자의 업무량을 줄입니다.
고객 응대는 텍스트 기반 업무의 비중이 높고, 반복 패턴이 명확하기 때문에 생성형 AI가 효과를 내기 좋은 조건입니다. 후지쯔 사례가 제조업 고객 대응 자동화의 대표 사례로 자주 언급되는 이유입니다.
생산계획 보조 — 반복 작업을 빠르게
일본 화학 기업 닛폰 쇼쿠바이는 생성형 AI를 생산 계획 작성에 도입한 뒤 계획 작성 시간을 10분의 1로 단축했습니다. 생산계획은 수요 변화, 재고 상황, 설비 가동률을 고려해 반복적으로 조정해야 하는 업무입니다. 숫자를 분석하는 것은 기존 AI가 맡고, 계획 초안 작성과 변경 사유 문서화처럼 텍스트가 많이 필요한 부분은 생성형 AI가 맡는 방식입니다. 담당자가 데이터 해석과 판단에 더 집중할 수 있는 환경이 만들어집니다.
설계 아이디어 — 콘셉트 탐색을 가속화
Final Aim과 Yamaha의 협업 사례에서는 생성형 AI를 활용해 30개 제품 아이디어 범주에서 2,500개 이상의 콘셉트 이미지를 생성한 뒤 12개 최종 콘셉트로 압축했습니다. 개발 기간은 수 분기에서 6주로 단축됐습니다. 설계 초기 단계에서 다양한 대안을 빠르게 탐색하고, 사람이 최종 방향을 선택하는 방식입니다. 생성형 AI가 아이디어의 수를 늘려주고, 사람이 그 안에서 방향을 고르는 구조입니다.
도입 전에 알아야 할 현실적인 한계
성과 사례만큼 중요한 것이 한계를 먼저 아는 것입니다.
보안 문제가 가장 먼저 거론됩니다. Salesforce 조사에서 제조업 응답자의 39%가 생성형 AI 구현의 최대 과제로 데이터 보안과 개인정보 보호 문제를 꼽았습니다. 제조 현장에는 공정 조건, 설계도, 협력사 정보, 제조 노하우가 뒤섞여 있어 이 데이터를 외부 모델에 그대로 입력하는 것 자체가 위험합니다. 사내망 또는 제한된 환경에서 운영하거나, 권한 통제 체계를 먼저 갖추는 것이 중요합니다.
데이터 품질도 문제입니다. 같은 조사에서 응답자의 48%는 자사 데이터를 완전히 신뢰하지 못한다고 답했고, 5명 중 4명은 여러 시스템에 흩어진 데이터를 찾는 데 많은 시간을 쓴다고 했습니다. 생성형 AI는 입력 데이터가 부정확하면 그럴듯해 보이지만 틀린 답을 자신 있게 내놓습니다. 이를 환각이라고 부르는데, 작업 절차나 품질 판단처럼 정확성이 중요한 영역에서는 특히 위험합니다. 생성형 AI를 잘 쓰려면 데이터 표준화와 통합이 먼저 되어 있어야 하는 이유입니다.
그래서 제조업에서는 생성형 AI를 단독 판단 도구가 아니라, 사람이 최종 검토하는 보조 도구로 두는 방식이 일반적입니다. 저위험 업무부터 시작하고, 중요한 판단에는 반드시 사람 승인 단계를 두는 것이 실무에서 검증된 접근입니다.
제조업 생성형 AI, 어디서 시작하면 되는가
지금까지의 사례를 보면 공통된 패턴이 있습니다. 성과를 낸 현장은 "완전 자율 운영"을 목표로 하지 않았습니다. 문서 요약, 초안 작성, 고객 응대처럼 반복적이고 위험 부담이 낮은 텍스트 업무부터 시작했습니다. 작게 성과를 확인하고, 그 성과를 바탕으로 적용 범위를 넓혀가는 방식입니다.
생성형 AI가 현장 문제에 실질적으로 답하려면 ERP·MES 같은 기존 시스템의 데이터와 연결되어야 합니다. 데이터 없이는 일반적인 답밖에 할 수 없고, 현장 맥락이 빠진 답은 쓰기 어렵습니다.
다비스(DARVIS)는 기존 ERP·MES를 그대로 두고 현장 데이터와 생성형 AI를 연결해, 불량·납기 지연·재작업 같은 운영 문제의 원인과 조치를 현장 언어로 보여줍니다. 한국어 질문에 표와 그래프로 답하고, 반복 분석은 자동으로 발송하는 방식입니다. 도입까지 걸리는 시간은 5주, 기존 시스템 수정 없이 시작할 수 있습니다.
다비스(DARVIS)에 대해 더 자세히 알아보고 싶으시다면, 아래 링크를 클릭해 주세요.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.