제조 AX(AI Transformation)는 개별 업무에 AI를 붙이는 수준을 넘어, 제조 기업의 운영과 판단 방식을 AI 중심으로 바꾸는 전환을 뜻합니다. 정부도 이 흐름을 정책의 중심에 두고 있죠. 보도에 따르면 정부는 M.AX 제조AI 2030 전략에서 민관 합동 20조원 투자와 함께, 2030년까지 제조기업의 AI 활용률 40%를 목표로 제시했습니다.
다만 KoreaTechDesk 보도에 따르면 산업부는 지난 6월 AI가 개별 공정의 생산성은 높였지만 기업 전체의 경쟁력에 대한 기여는 제한적이었다고 평가했습니다. 제조 AX의 무게중심이 어디로 옮겨가는지 보여주는 대목입니다. 이 글에서는 제조 AX가 어디로 확장되고 있는지, 현장에서 왜 막히는지, 공정 AI에서 의사결정으로 넘어가려면 어떤 조건이 필요한지 정리합니다.
제조 AX의 무게중심이 이동하고 있습니다
초기 제조 AI는 공정 단위에 집중했습니다. 비전 검사로 불량을 걸러내거나, 설비 데이터로 이상 징후를 감지하는 식입니다. 한 설비, 한 공정 안에서 질문과 답이 닫혀 있어 효과를 측정하기 쉬웠고, 그만큼 도입도 빨랐습니다.
최근에는 정부 사업의 범위가 달라지고 있습니다. 보도에 따르면 6월에 출범한 AI 에이전트 사업은 생산계획, 공급망 관리, 노동자 안전, 재고 운영 등 기업활동 전반으로 대상을 넓혔습니다.
이 변화를 살펴보면 이제는 질문을 바꿔야 한다는 걸 알 수 있습니다. "이 설비가 이상한가?"가 아니라 "이번 달 납기를 맞추려면 어떤 오더의 생산 순서를 바꿔야 하는가?"로 말이죠. 후자는 수주, 재고, 자재 입고, 설비 가동, 품질 이력이 함께 필요합니다. 여러 부서와 시스템을 가로지르는 판단이라 하나의 공정 AI로는 답하기 어렵습니다.
도입은 늘었지만 활용은 기초 단계에 머뭅니다
보도에 따르면 중소벤처기업부의 2025년 스마트제조혁신 실태조사에서 스마트공장의 75.5%가 기초 단계로 나타났습니다. 기초 단계는 바코드와 센서로 생산 정보를 수집하지만, 이를 실시간으로 분석하거나 공정 최적화에 활용하지는 못하는 상태를 뜻합니다. 전담 인력을 둔 기업도 0.8%에 그쳤다고 합니다.
이는 데이터가 없어서 생기는 문제가 아닙니다. 센서와 시스템은 이미 설치돼 있고 데이터도 쌓이고 있습니다. 부족한 것은 쌓인 데이터를 판단으로 연결하는 구조입니다. 수집에서 분석으로, 분석에서 의사결정으로 넘어가는 단계가 비어 있는 셈입니다. 스마트공장 도입 건수만으로는 제조 AX의 진척을 판단하기 어려운 이유입니다.
막히는 지점은 AI가 아니라 데이터가 질문에 답하지 못하는 구조입니다
제조 현장의 시스템은 각자 맡은 영역을 충실히 기록합니다. ERP는 재고와 원가, MES는 생산 실행, 품질 시스템은 검사와 불량을 관리합니다. 문제는 질문이 이 경계를 넘을 때 생깁니다.
같은 사건도 시스템마다 다르게 기록됩니다. 한 라인이 ERP와 MES에서 서로 다른 식별자를 쓰는 경우가 있고, 불량률이라는 용어조차 측정 기간과 포함 단위, 불량이 기록되는 공정 시점에 따라 의미가 달라집니다. 이 시스템들은 질문에 답하도록 설계된 것이 아니라 거래와 실적을 기록하도록 설계됐기 때문입니다.
대시보드도 한계가 있습니다. 대시보드는 담당자가 미리 정해 둔 지표를 보여줄 뿐, 오늘 처음 생긴 질문에는 답하지 못합니다. 예상하지 못한 납기 지연이나 원가 변동이 생기면 담당자가 여러 시스템을 열어 수작업으로 대조해야 하고, 그동안 판단은 늦어집니다.
결국 공정 AI를 아무리 늘려도 부서 간 판단은 여전히 사람의 수작업에 의존하고, 제조 AX는 개별 공정을 벗어나지 못합니다.
공정 AI에서 의사결정으로 넘어가는 세 가지 조건
첫째, 기존 시스템을 교체하지 않고 그 위에서 연결해야 합니다. 검증된 ERP와 MES를 걷어내는 방식은 비용과 위험이 크고 현장도 받아들이기 어렵습니다. 기존 시스템은 기록의 원본으로 두고, 그 위에서 데이터를 연결하는 방식이 현실적입니다.
둘째, 회사 고유의 용어와 지표 정의를 하나로 맞춰야 합니다. 같은 불량률이라도 부서마다 다르게 계산하면 AI는 그럴듯하지만 틀린 답을 내놓을 수 있습니다. 데이터에 업무 의미를 부여하는 계층이 필요한 이유이며, 관련 내용은 제조 시맨틱 레이어 글에서 자세히 다루고 있습니다.
셋째, 결과만이 아니라 원인과 근거, 조치 방향까지 보여주고 최종 판단은 사람이 내려야 합니다. 근거를 확인할 수 없는 답은 현장에서 쓰이지 않습니다. 이상 징후가 감지되면 관련 데이터를 모아 원인 후보와 근거를 함께 제시하고, 담당자가 검증해 결정하는 구조가 필요합니다. 그래야 현장이 결과를 믿고 조치로 옮길 수 있습니다.
다비스(DARVIS) 적용 사례
다비스(DARVIS)는 ERP와 MES를 대체하지 않고 그 위에서 데이터를 연결해, 기록 시스템이 답하지 못하는 "왜"에 답하는 의사결정 플랫폼입니다.
정밀 부품 제조사 H사는 품질, 공정, 설비 데이터를 연결한 뒤 불량 원인을 파악하는 시간이 30일에서 3시간으로 줄었고, 불량 재발은 90% 감소했습니다. 국내 대형 식품 제조사 L사는 손익과 원가를 분석하는 시간이 3시간에서 5분으로 단축되었습니다. 다비스의 도입 기간은 5주이며, 기존 시스템 변경은 0건입니다.
제조 AX의 다음 단계는 AI 도구를 더 늘리는 일이 아니라, 흩어진 데이터가 부서와 시스템을 넘어 판단으로 이어지는 구조를 만드는 일입니다. 공정 단위 AI로 효과를 확인했다면, 이제 그 데이터를 전사 의사결정으로 연결할 차례입니다.
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.