지난 10년간 제조업에서 디지털 전환(DX)은 중요한 화두였습니다. 공장에 MES를 깔고, ERP를 고도화하고, 설비에 센서를 달아 데이터를 수집했습니다. 많은 현장이 이 과정을 거쳤고, 어느 정도의 가시화와 효율화를 이뤘습니다.
그런데 DX를 마친 현장에서도 반복되는 질문이 있습니다.
"데이터는 쌓이는데, 그래서 뭐가 달라졌나요?"
대시보드는 생겼지만 납기 지연은 여전히 반복되고, 불량 원인은 여전히 사람이 며칠을 뒤져야 나옵니다. DX가 디지털 기반을 깔았다면, 그 위에서 실제 판단과 실행을 바꾸는 다음 단계가 필요합니다. 그것이 AX, AI 전환입니다.
이 글은 AX가 DX와 무엇이 다른지, 어떻게 시작하는지, 실제로 무엇이 달라지는지를 살펴봅니다.
DX와 AX, 무엇이 다른가
DX는 종이, 수기, 엑셀, 개별 설비 정보를 디지털 시스템으로 옮겨 효율화와 가시화를 만드는 전환입니다. "보이게 하고 연결하는 것"에 강합니다. ERP에 재고가 보이고, MES에 생산 실적이 올라오고, 대시보드에 공정 현황이 뜨는 것이 DX가 만들어낸 환경입니다.
AX는 여기서 한 단계 더 나아갑니다. 쌓인 데이터를 AI가 해석하고, 예측하고, 다음 행동까지 제안하는 지능화·자율화 전환입니다. "판단하게 하고 움직이게 하는 것"에 가깝습니다. 설비 이상을 사람이 발견하는 것이 아니라 AI가 먼저 감지하고, 불량 원인을 담당자가 찾는 것이 아니라 AI가 후보를 좁혀주는 방식입니다.
한 줄로 정리하면, DX가 공장의 디지털 뼈대를 세웠다면 AX는 그 뼈대 위에 AI라는 두뇌를 얹어 자율 운영으로 가는 단계입니다.
제조업에서 AX가 주목받는 이유
제조업이 AX를 주목하는 이유는 구조적입니다. 인건비는 오르고 숙련 인력은 줄어드는 상황에서, DX만으로는 해결되지 않는 문제들이 남아 있습니다. 납기 지연, 반복 불량, 설비 돌발 정지처럼 현장 담당자의 경험과 직관에 의존해온 판단들이 여전히 사람 손을 거치고 있습니다.
현재 국내 제조업의 AI 활용률은 23.8% 수준으로 아직 초기 단계입니다. 그러나 정부와 산업계는 이를 빠르게 바꾸려 하고 있습니다. 산업통상자원부는 M.AX 얼라이언스 같은 민관 협력체를 구성하고, 2030년까지 제조 AX를 전 산업으로 확산시키겠다는 목표를 내세우고 있습니다. 예산, 테스트베드, AI 반도체, 데이터 인프라, 규제 개선이 함께 추진되는 흐름입니다.
다만 현장은 아직 PoC나 파일럿 수준에 머무는 경우가 많습니다. 데이터 품질, 보안, 인력, 현장 수용성 때문에 전사 확산은 속도가 더딘 편입니다. 그래서 "어떻게 시작하는가"가 가장 중요한 질문이 됩니다.
현실적인 AX 시작 방법
AX를 시작할 때 가장 흔한 실수는 "AI를 어디에 쓸까"에서 출발하는 것입니다. 기술이 먼저가 되면 현장 문제와 연결되지 않은 AI가 들어오고, 파일럿에서 끝나는 경우가 많습니다. 현실적인 출발점은 "어떤 현장 문제를 먼저 풀까"를 정하는 것입니다.
첫 과제를 고를 때는 네 가지 조건을 봅니다. 1) 데이터가 이미 있는 영역, 2) 현장 책임자가 공감하는 문제, 3) ROI를 숫자로 설명할 수 있는 과제, 4) 실패해도 공장이 멈추지 않는 범위입니다. 품질 이상 감지, 설비 이상 조기 경보, 불량 원인 분류, 생산 계획 수율 예측이 자주 권장되는 이유가 여기에 있습니다.
DX가 완전히 끝나지 않아도 AX를 시작할 수 있습니다. 최소한 데이터가 존재하는 공정, MES나 센서 기록이 축적된 영역이면 됩니다. DX가 덜 된 구간에서는 완전 자동화보다 사람의 판단을 보조하는 형태로 시작하면 됩니다. 현장 체크리스트 자동 분류, 이상 징후 우선순위 추천, 불량 원인 후보 제시처럼 의사결정 보조형 AX가 첫 단계로 적합합니다.
시작 순서는 문제 정의 → 데이터 가용성 점검 → 작은 PoC 실행 → ROI 검증 → 현장 확산 → 다른 공정으로 표준화 순입니다. 첫 프로젝트는 반드시 사람이 최종 확인하는 구조로 설계해야 실패해도 리스크가 작습니다.
도입하면 무엇이 달라지는가
매체의 보도에 따르면, 신성이엔지는 DX 이후 AX를 공정과 에너지 관리에 확장했습니다. 시간당 생산량이 29% 높아졌고, 공정 불량은 502.7ppm에서 52ppm으로 줄었습니다. 납기는 19% 빨라졌고 에너지 비용도 19% 절감됐습니다. 단순 자동화가 아니라 생산, 품질, 에너지 운영을 AI가 함께 최적화한 결과입니다.
부산의 파나시아는 검사 데이터를 표준화해 AI 검사 자동화를 구현했습니다. 검사 속도가 2배 빨라졌고 불량 검출률은 95%에 달했습니다. 인터로조는 고품질 R&D 데이터를 확보해 물성 시뮬레이션 기반 개발 속도를 10배 단축했습니다.
다비스(DARVIS)를 도입한 정밀 부품 제조사 H사에서는 30년 경력의 공장장도 찾지 못하던 불량 원인을 3시간 안에 찾아냈습니다. 원인 파악에 30일 걸리던 과정이 3시간으로 줄었고, 불량 재발률은 90% 감소했습니다. 이 사례들의 공통점은 AI가 사람을 대체한 것이 아니라, 판단 속도와 정확도를 높여 사람과 설비의 낭비를 줄였다는 점입니다.
AX, 어떻게 접근해야 하는가
제조업 AX는 새로운 시스템을 하나 더 도입하는 일이 아닙니다. 이미 존재하는 ERP, MES, 설비 데이터 위에 AI 의사결정 레이어를 더해, 사람이 매번 찾고 비교하고 판단해야 했던 과정을 줄이는 것입니다. AI 전환은 거창한 기술의 문제가 아니라, 현장의 반복되는 판단을 얼마나 더 빠르고 정확하게 만들 수 있는가의 문제입니다.
다비스(DARVIS)는 기존 ERP·MES를 교체하지 않고 위에 얹는 방식으로 작동합니다. 흩어진 현장 데이터를 연결해 불량·납기 지연·공정 이상의 근본 원인을 찾고, 조치 방향까지 제시합니다. 기존 시스템 변경 0건, 도입까지 5주입니다. DX 다음 단계를 고민하고 있다면, 가장 아픈 문제 하나에서 시작해 보세요.
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.