공장에 ERP도 있고, MES도 있고, 품질 DB도 있습니다. AI를 도입하면 뭔가 달라질 거라는 기대가 자연스럽게 생깁니다.
그런데 막상 제조업에서 AI 도입을 시작하면 벽에 부딪힙니다. 데이터는 시스템마다 흩어져 있어서 제대로 연결하기가 어렵습니다. 그러다보니 AI에게 물어봐도 제대로 된 답이 나오지 않습니다.
이건 우리 회사만의 문제가 아닙니다. Deloitte가 글로벌 제조업 임원 600명을 대상으로 진행한 2025년 설문에 따르면, 응답자의 92%가 스마트팩토리를 포함한 스마트 제조가 향후 3년간 '경쟁력의 핵심 동인'이 될 것이라고 답했습니다.
그런데 AI를 실제로 제대로 활용하고 있는 곳은 29%에 불과했습니다.
필요하다는 건 다 알고 있는데, 실제로 제대로 활용 되고 있는 곳은 소수입니다. 왜 그럴까요? Deloitte를 포함한 여러 글로벌 설문 데이터를 종합해서 그 원인을 살펴봤습니다.
1. 제조업 AI 도입 현황, 지금 어디까지 왔을까?
숫자만 보면 제조업의 AI 도입은 이미 상당히 진행된 것처럼 보입니다.
북미, 유럽, 아시아의 중대형 제조업 디지털 전환 리더 520명을 대상으로 한 설문에서는 응답자의 94%가 어떤 형태로든 AI를 사용 중이라고 답했습니다.
글로벌 제조업 전문가 300명을 대상으로 한 또 다른 설문에서도 98%가 AI 기반 자동화를 탐색하거나 고려하고 있다고 응답했습니다.
하지만 이 숫자를 좀 더 뜯어보면 이야기가 달라집니다. Deloitte 설문에서 AI/ML(인공지능/머신러닝)을 공장이나 네트워크 수준에서 실제로 운영하는 곳은 29%였고, 생성형 AI를 같은 수준에서 활용하는 곳은 24%에 그쳤습니다. 나머지는 아직 파일럿이나 실험 단계에 머물러 있습니다. 300명 설문에서도 AI를 '본격적으로 활용할 준비가 됐다'고 답한 곳은 20%에 불과했습니다.
디지털 성숙도에 대한 자기 평가도 비슷한 패턴을 보여줍니다. 520명 설문에서 자사의 디지털 성숙도가 동종 업계보다 '크게 앞선다'고 답한 곳은 7%뿐이었습니다. 대부분은 '비슷하거나 약간 앞선다' 수준으로 스스로 평가했습니다.
정리하면, AI를 '안 쓰는' 곳은 거의 없습니다. 문제는 '쓰고 있는데 성과가 안 나온다'는 것입니다.
제조업체의 94%가 어떤 형태로든 AI를 사용 중 (DX 리더 520명 설문)
98%가 AI 자동화를 탐색·고려 중이지만, 본격 활용 준비가 된 곳은 20% (전문가 300명 설문)
AI/ML을 공장 수준에서 운영하는 곳은 29%, 생성형 AI는 24% (Deloitte)
디지털 성숙도를 '크게 앞선다'고 평가한 곳은 7%에 불과
1-1. 투자 의지는 충분하다
도입이 더딘 이유가 돈이 아니라는 점도 확인됩니다. Deloitte 설문에서 응답 기업의 78%가 운영 개선 예산의 20% 이상을 스마트팩토리 구축을 포함한 스마트 제조에 투입하고 있다고 답했고, 88%가 이 투자를 유지하거나 늘릴 계획이라고 밝혔습니다. 520명 설문에서도 61%가 향후 12개월 내에 기업용 소프트웨어 지출을 늘릴 예정이라고 응답했습니다.
돈도 쓰고 있고, 의지도 있습니다. 그런데 왜 성과로 이어지지 않는 걸까요?
78%가 운영 개선 예산의 20% 이상을 스마트 제조에 투입 (Deloitte)
88%가 투자를 유지하거나 늘릴 계획
61%가 향후 12개월 내 소프트웨어 지출 증가 예정
2. 성과가 안 나오는 세 가지 원인
글로벌 설문 데이터를 종합하면, 제조업 AI 도입이 실패하거나 성과를 못 내는 이유는 크게 세 가지로 수렴합니다. 기술이 부족해서가 아닙니다. '시스템 간 연결', '사람', '실행 방식'의 문제입니다.
2-1. 시스템은 있는데 데이터 연결이 안 된다
대부분의 공장에는 이미 ERP, MES, CMMS(설비관리 시스템), QMS(품질관리 시스템), WMS(창고관리 시스템) 같은 시스템이 있습니다. 각각의 시스템은 제 역할을 하고 있습니다. 문제는 이 시스템들끼리 서로 '자동으로 대화하지 않는다'는 것입니다.
Deloitte가 인용한 조사에 따르면, 제조업체의 78%가 핵심 데이터 전송의 절반도 자동화하지 못한 상태입니다. AI가 분석 결과나 권고사항을 내놓아도, 그걸 다음 시스템으로 전달하는 과정이 여전히 복사-붙여넣기 수작업으로 이뤄지고 있다는 뜻입니다. 300명 설문에서도 자동화 병목의 66%가 '예측 격차', '수동 예외 처리', '시스템 통합 부족'에서 발생한다고 나타났습니다.
현장에서 이게 어떤 모습인지 구체적으로 생각해 보면 이렇습니다.
품질 불량이 발생했을 때 원인을 추적하려면,
1) 품질 DB에서 검사 결과를 확인하고
2) MES에서 해당 라인의 공정 이력을 뽑고
3) ERP에서 원자재 입고 정보를 대조해야 합니다.
이걸 각각의 시스템에서 엑셀로 뽑아서 수작업으로 맞추고 있다면, AI를 위에 얹는다고 해서 달라지는 게 없습니다. AI가 아무리 똑똑해도, 데이터가 연결되지 않으면 제대로 된 답을 줄 수 없기 때문입니다.
별도 조사에서는 약 70%의 제조업체가 스마트팩토리 데이터의 '품질', '맥락화', '검증' 문제를 AI 도입의 가장 큰 장애물로 꼽기도 했습니다.
78%가 핵심 데이터 전송의 절반도 자동화하지 못한 상태
자동화 병목의 66%가 예측 격차, 수동 예외 처리, 통합 부족에서 발생
약 70%가 스마트팩토리 데이터의 품질·맥락화·검증 문제를 AI 최대 장애물로 지목
2-2. 사람이 준비되지 않았다
두 번째 원인은 기술보다 더 근본적인 문제입니다. AI를 현장에서 쓸 수 있는 사람이 부족합니다.
Deloitte 설문에서 '인력' 항목은 전체 스마트 제조 카테고리 중 가장 낮은 성숙도를 기록했습니다. 응답자의 48%가 생산·운영 관리 직무 충원에 어려움을 겪고 있다고 답했고, 46%는 계획·스케줄링 직무에서도 같은 문제를 호소했습니다. 35%는 '직원들이 첨단 기술과 함께 일할 역량을 갖추는 것'을 가장 큰 우려 사항으로 지목했습니다.
여기에 더해, 제조 현장 특유의 문제가 있습니다. 숙련된 기술자가 은퇴하면 그 사람이 가진 수십 년의 경험과 판단 기준이 함께 사라집니다. '이 소리가 나면 이 설비를 먼저 점검해야 한다', '이 조건에서는 이 파라미터를 조정해야 한다' 같은 암묵적 노하우는 매뉴얼에 적혀 있지 않은 경우가 많습니다. AI를 도입한다고 해도, 이런 현장 지식이 데이터로 정리되어 있지 않으면 AI가 참고할 기반 자체가 없는 셈입니다.
결국 AI 도입의 성패는 '어떤 AI를 쓰느냐'보다 '현장의 경험과 데이터를 AI가 활용할 수 있는 형태로 만들 수 있느냐'에 달려 있습니다.
'인력' 항목이 스마트 제조 전체 카테고리 중 가장 낮은 성숙도 기록
48%가 생산·운영 관리 직무 충원에 어려움, 46%가 계획·스케줄링 직무도 동일
35%가 '직원의 첨단 기술 역량 확보'를 최대 우려 사항으로 지목
2-3. 파일럿에서 멈춘다
세 번째 원인은 '실행 방식'의 문제입니다. 많은 기업이 AI 파일럿 프로젝트를 진행하지만 실제 운영으로 확장되는 경우는 드뭅니다.
McKinsey의 2025년 AI 현황 보고서에 따르면, 기업 전반에 걸쳐 AI를 확장한 곳은 전체의 약 1/3 수준이며, 의미 있는 영업이익 임팩트를 보고한 곳은 응답자의 약 6%에 불과합니다. Gartner는 2027년 말까지 AI 에이전트 프로젝트의 40% 이상이 비용 초과나 불분명한 가치 등의 이유로 취소될 것이라는 전망을 내놓기도 했습니다.
파일럿이 본격 운영으로 넘어가지 못하는 데는 패턴이 있습니다.
파일럿 환경에서는 깨끗하게 정리된 데이터로, 제한된 범위에서 테스트합니다. 여기서는 꽤 그럴듯한 결과가 나옵니다. 그런데 이걸 실제 생산 라인에 적용하면 상황이 완전히 달라집니다. 시스템 간 데이터 형식이 안 맞고, 예외 상황이 수시로 터지고, 현장 인력이 새로운 프로세스에 익숙하지 않습니다. 파일럿에서 보여준 성과가 운영 환경에서 재현되지 않는 겁니다.
2026년 제조업의 경쟁 우위는 새로운 도구를 도입하는 것이 아니라, 시스템을 통합하고 팀을 정렬하며 AI를 실용적으로 적용하는 데 있습니다.
AI를 기업 전반에 확장한 곳은 약 1/3, 의미 있는 EBIT 임팩트를 보고한 곳은 약 6% (McKinsey)
Gartner 전망: 2027년 말까지 에이전트 AI 프로젝트의 40% 이상 취소 예측
파일럿 성공이 운영 성공을 보장하지 않음. 데이터 불일치, 예외 상황, 현장 적응 문제가 핵심 원인
3. 성과를 내는 곳은 뭘 다르게 하고 있나
문제만 나열하면 답답해지니, 실제로 성과를 내고 있는 곳의 패턴도 살펴봤습니다. 설문 데이터에서 일관되게 나타나는 세 가지 공통점이 있습니다.
3-1. 최신 기술보다 제조 데이터 통합부터
Deloitte 설문에서 제조업체들이 향후 2년간 가장 우선시하는 투자 영역은 '데이터 분석'(40%)이었습니다. 그 다음이 '고급 생산 스케줄링'(35%), '실행 시스템(MES)'(33%), '품질 관리 시스템'(28%) 순이었습니다.
눈에 띄는 점은, AI나 로봇 같은 '화려한' 기술이 상위에 오른 게 아니라는 것입니다. 성과를 내는 기업들은 디지털 트윈이나 첨단 로봇보다, 기존 시스템 간의 제조 데이터 통합과 분석이라는 기초 작업에 먼저 투자하고 있었습니다. Deloitte 보고서도 이 점을 강조합니다. 응답 기업들이 우선시한 것은 최첨단 기술이 아니라, 스마트 제조를 가능하게 하는 '핵심 시스템의 기반 구축'이었다는 것입니다.
투자 우선순위 상위: 데이터 분석(40%), 생산 스케줄링(35%), MES(33%), 품질 관리(28%)
성과를 내는 기업은 최신 기술보다 기존 시스템의 데이터 기반 정비에 먼저 집중
3-2. 생산 스케줄링 AI가 가장 효과적인 시작점
어디서부터 시작해야 할지 모르겠다면, 글로벌 데이터가 가리키는 답은 '생산 스케줄링'입니다.
300명 설문에서 49%의 제조업체가 이미 생산 스케줄링을 자동화했다고 답했으며, AI 도입 성숙도가 높은 기업일수록 이 영역을 가장 우선시하는 것으로 나타났습니다. Deloitte 설문에서도 38%가 '고급 생산 스케줄링'을 최우선 투자 대상으로 선택했습니다.
생산 스케줄링이 좋은 시작점인 이유는 명확합니다. 공장에서 이뤄지는 대부분의 의사결정이 스케줄링을 거칩니다. 주문과 납기, 설비 상태, 교대 일정 같은 데이터는 이미 ERP나 MES에 들어 있는 경우가 많아서, 별도로 수년치 과거 데이터를 새로 쌓지 않아도 바로 시작할 수 있습니다. 그리고 성과가 납기 준수율, 셋업 시간, 잔업 시간 같은 숫자로 빠르게 드러나기 때문에, 경영진에게 보여줄 수 있는 결과를 단기간에 만들어낼 수 있습니다.
49%가 생산 스케줄링을 이미 자동화. AI 고성숙 기업이 가장 우선시하는 영역
38%가 고급 생산 스케줄링을 최우선 투자 대상으로 선택 (Deloitte)
기존 ERP/MES 데이터로 바로 시작 가능하고, 성과가 숫자로 빠르게 드러남
3-3. 화려한 AI보다 '운영 AI'가 제조업 AI ROI를 만든다
요즘 뉴스에 나오는 생성형 AI나 에이전트 AI가 화려하지만 실제 공장에서 측정 가능한 ROI를 만들어내는 건 좀 다른 종류의 AI입니다.
설문에서도 생성형 AI(24%)보다 전통적인 AI/ML(29%)의 도입률이 더 높게 나타났습니다. 센서 데이터를 분석해서 설비 고장을 예측하고, 품질 검사 결과를 실시간으로 모니터링하고, 생산 일정을 자동으로 조정하는 '운영 AI'가 지금 현장에서 실질적인 차이를 만들고 있습니다.
그리고 이런 운영 AI를 잘 적용한 곳의 성과는 뚜렷합니다. 설문에 따르면, 스마트팩토리 AI를 도입한 기업들은 생산량 최대 20%, 직원 생산성 최대 20%, 가용 생산능력 최대 15%의 개선을 보고했습니다. 300명 설문에서도 60%의 기업이 자동화를 통해 비계획 다운타임을 26% 이상 줄였다고 답했습니다.
전통 AI/ML 도입률(29%)이 생성형 AI(24%)보다 높음
스마트팩토리 AI 도입 기업: 생산량 최대 20%, 생산성 최대 20%, 가용 생산능력 최대 15% 개선 (Deloitte)
60%가 자동화로 비계획 다운타임 26% 이상 감소
4. 정리하며
글로벌 제조업 900명 이상의 리더가 말하는 교훈은 결국 하나로 수렴합니다.
제조업에서 AI가 안 되는 건 기술이 부족해서가 아닙니다. 시스템 간 데이터가 연결되지 않았고, 현장의 사람이 준비되지 않았고, 너무 큰 범위에서 한꺼번에 시작했기 때문입니다.
반대로, 성과를 내는 곳은 기존 시스템의 데이터 기반부터 정비하고 있습니다. 생산 스케줄링처럼 이미 데이터가 갖춰진 영역에서 작게 시작해, 빠르게 성과를 확인한 뒤 확장하는 방식을 택하고 있습니다. 화려한 최신 기술보다 현장에서 바로 측정 가능한 운영 AI에 집중하고 있고요.
결국 제조업 AI의 핵심은 '어떤 AI를 쓰느냐'가 아니라 '어떤 문제부터, 어떻게 풀 것인가'에 있습니다. 거창한 계획보다 하나의 구체적인 운영 문제에서 시작하는 것. 그게 글로벌 제조업이 검증하고 있는 방법입니다.
이번 아티클 요약
글로벌 제조업체의 92~98%가 AI 도입의 필요성을 인식하고 있지만 실제 공장 수준에서 운영하는 곳은 20~29%에 불과합니다.
성과가 나지 않는 핵심 원인 세 가지: 시스템 간 데이터 단절(78%가 데이터 전송 미자동화), 인력 준비 부족(인력 성숙도 최하위), 파일럿에서 운영으로의 확장 실패.
성과를 내는 기업의 공통점: 최신 기술보다 데이터 기반 정비 우선, 생산 스케줄링에서 시작, 화려한 생성형 AI보다 운영 AI에 집중.
제조업 AI의 핵심은 기술이 아니라 '어떤 문제부터, 어떻게 풀 것인가'입니다.
FAQ
Q. 제조업에서 AI를 도입하면 어떤 성과를 기대할 수 있나요?
Deloitte의 2025년 설문에 따르면, 스마트 제조를 도입한 기업들은 생산량 최대 20%, 직원 생산성 최대 20%, 가용 생산능력 최대 15%의 개선을 보고했습니다. 다만 이 성과는 단순히 AI를 도입했다고 나오는 것이 아니라, 기존 시스템의 데이터 기반 정비와 현장 적용이 함께 이뤄졌을 때 가능합니다.
Q. 중견 제조업체도 AI를 도입할 수 있나요?
이미 글로벌에서는 중견 제조업체의 AI 성공 사례가 늘고 있습니다. 2025년부터 대기업에 국한되던 AI 도입이 중견기업으로 확산되면서, 예측 정비, 품질 관리, 생산 최적화 영역에서 성과를 내는 곳이 등장하고 있습니다. 핵심은 전사적으로 한꺼번에 시작하는 게 아니라, 하나의 운영 문제에서 시작해서 점진적으로 확장하는 것입니다.
Q. 제조업 AI 도입 시 가장 먼저 해야 할 것은 무엇인가요?
글로벌 설문 데이터가 가리키는 방향은 일관됩니다. 새로운 AI 기술을 도입하기 전에, 기존 시스템(ERP, MES, QMS 등)의 데이터가 제대로 연결되고 있는지 먼저 점검하는 것입니다. 데이터가 시스템마다 흩어져 있고 수작업으로 전달되는 상태에서는 어떤 AI를 도입해도 효과를 보기 어렵습니다.
Q. 스마트팩토리에 AI를 도입한 사례가 있나요?
글로벌에서는 예측 정비, 품질 관리, 생산 스케줄링 영역에서 스마트팩토리 AI 도입 성과가 보고되고 있습니다. Deloitte 설문 기준, 도입 기업들은 생산량 최대 20%, 생산성 최대 20%의 개선을 보고했습니다. 2025년부터는 대기업뿐 아니라 중견 제조업체에서도 AI 기반 스마트팩토리 성공 사례가 늘고 있는 추세입니다.
AI 트렌드와 인사이트, 더 보고 싶으신가요?
실용적인 AI 활용 인사이트와 최신 트렌드를 더 알고 싶으시다면 디피니트의 DARVIS 블로그를 구독해보세요. (블로그 구독시 AI 관련 오프라인 행사 초대장을 우선 공유드립니다.)
DARVIS 블로그에서는 매주 업데이트되는 AI 활용 노하우와 실제 사례를 통해 업무 생산성을 높이는 방법을 공유합니다.
더 많은 AI 인사이트들이 궁금하시다면 아래의 ‘AI 인사이트 더 보러가기’를 통해서 둘러보세요.