AI보다 중요한 건 기술이 아니라 ‘제조 현장을 읽는 힘’
‘스몰 데이터·스몰 윈’ 중소 제조업 AX의 현실적 공식
국내 제조업 현장에서 AI 도입은 더 이상 낯선 화두가 아니다. 불량 판정, 공정 최적화, 설비 예지보전 등 기술적 가능성은 이미 충분히 검증됐고, 스마트 팩토리라는 이름 아래 자동화와 시스템 구축도 상당 부분 이뤄졌다. 그럼에도 불구하고 많은 기업들은 여전히 PoC 단계에 머물거나, 파일럿 이후 전사 확산에 실패하며 ‘제조 AX’로의 전환 문턱을 넘지 못하고 있다. 문제는 기술의 성숙도인가, 데이터와 인프라의 한계인가, 아니면 조직과 경영의 문제인가.
이번 좌담회는 이러한 질문에서 출발해, 제조 AX가 단순한 기술 도입이 아닌 ‘현장을 읽는 힘’, ‘문제 정의의 역량’, 그리고 ‘운영의 오너십’에 달려 있음을 짚어본 자리였다. 특히 중소 제조기업이 직면한 비용 부담, 데이터 디지털화 수준, 조직 수용성이라는 현실적 제약 속에서 AX를 어떻게 단계적으로 실행할 수 있을지, 그리고 정부 정책과 산업 생태계는 어떤 역할을 해야 하는지를 심도 있게 논의했다. 기술 중심 담론을 넘어, 제조의 본질과 경영 전략의 문제로 AX를 다시 묻는 시간이었으며, 한국 제조업이 다음 단계로 나아가기 위해 무엇을 준비해야 하는지에 대한 중요한 시사점을 던진 자리였다.
■ 김진희 ㈜첨단 전략사업본부장(이하 사회자) : 국내 제조업 전반에서 AI 도입의 필요성에 대한 공감대는 이미 상당 부분 형성된 것으로 보입니다. 불량 예측, 공정 최적화, 설비 예지보전 등 활용 시나리오 역시 충분히 축적돼 있죠. 그럼에도 불구하고 실제 현장에서는 PoC 단계에서 멈추거나, 파일럿 이후 전사 확산에 실패하는 사례가 반복되고 있습니다. 기술 성숙도의 문제인지, 데이터 품질과 인프라의 한계인지, 혹은 조직 문화와 의사결정 구조의 문제인지에 대한 진단도 엇갈립니다. 제조 AX가 ‘실험’의 단계에서 ‘전환’으로 나아가지 못하는 가장 본질적인 장애 요인은 무엇이라고 보시는지요. 한 분씩 돌아가면서 말씀을 해주시면 좋을 것 같습니다.
AI보다 중요한 것, 제조 현장을 읽는 힘
□ 권대욱 LG전자 책임연구원(이하 권대욱 책임) : AI 기술 자체의 성숙도만 놓고 보면, 이미 상당한 수준에 도달했다고 봐요. 지금은 상황과 목적에 맞는 기술을 충분히 선택하고 활용할 수 있는 환경이 마련돼 있다고 생각합니다. 다만 AI를 실제 산업 현장, 특히 제조 현장에 적용하는 문제는 기술 그 자체와는 또 다른 차원의 고민이 필요해요.
기술적인 측면에서 보면 IoT나 빅데이터 같은 요소 기술들도 일정 수준 이상의 성숙 단계에 올라와 있어야 하고, 무엇보다 이 기술들이 제대로 작동하려면 현장 인프라와의 연계가 필수적입니다. 데이터가 안정적으로 생성되고, 수집되고, 활용될 수 있는 기반이 마련돼야 AI도 의미 있는 역할을 할 수 있기 때문이에요.
그래서 결국 가장 중요한 질문은 이거라고 봅니다. “우리는 제조 현장에서 만들어지는 데이터를 얼마나 잘 이해하고 있는가”라는 질문이에요. 이를 위해서는 기술 중심의 사고에서 벗어나, 다시 제조의 본질로 돌아갈 필요가 있습니다. 기술과 솔루션은 이미 충분히 다양하고 성숙해 있지만, 제조업은 업종마다 공정과 특성이 크게 다르잖아요. 결국 각 산업과 업종의 특성을 얼마나 깊이 이해하느냐가 AI 활용의 성패를 좌우한다고 생각해요.
실제로 전자·전기, 전력, 그리고 그 외 다양한 제조업종을 보면 공정 구조도 다르고, 그 안에서 생성되는 데이터의 성격도 모두 다릅니다. 그래서 AI를 도입할 때는 기술부터 가져오는 방식이 아니라, 해당 산업과 공정의 특성을 충분히 고려해서 데이터를 어떻게 활용할 것인지에 대한 전략이 먼저 세워져야 해요. 특히 자재 투입부터 생산, 공정 중 품질 검사, 최종 완제품 검사에 이르는 전체 제조 프로세스, 즉 밸류체인을 얼마나 잘 이해하고 있느냐가 무엇보다 중요합니다.
제조 현장은 기본적으로 엔드 투 엔드(End-to-End) 구조를 가지고 있고, 이 각 단계가 얼마나 유기적으로 연결돼 있느냐에 따라 데이터의 정확성과 활용도가 달라집니다. 이런 구조가 제대로 갖춰져야 현장 담당자들이 데이터를 기반으로 의미 있는 인사이트를 도출할 수 있고, 그 인사이트가 다시 현장 개선으로 이어질 수 있어요.
결국 제조 데이터를 효과적으로 활용하고, AI와 연계해 실질적인 변화를 만들어내는 AX(AI Transformation)의 핵심은 사람이라고 생각합니다. 제조 현장을 잘 이해하고 있는 현업 담당자들이 현장의 문제를 정확히 정의하고, 이를 구조화한 뒤 어떤 AI 방법론이 적합한지를 판단하는 과정이 가장 중요해요. 이건 단순한 기술 도입의 문제가 아니라, 변화 관리 차원에서 봐야 할 굉장히 중요한 요소입니다.
물론 이를 뒷받침하려면 기술적·인프라적 지원과 함께 정책적인 지원도 반드시 병행돼야 합니다. 특히 중소 제조기업의 경우, AI 도입과 AX 전환을 가로막는 가장 큰 현실적인 장벽은 비용 부담이에요. 현장에서는 충분히 문제를 발견하고 인사이트를 도출할 수 있는 역량을 갖추고 있음에도 불구하고, 데이터를 처리하고 분석하며 AI 도구를 활용할 수 있는 기술과 인프라가 부족한 상황이 많습니다.
그래서 저는 현장 중심의 문제 정의와 인사이트 도출 노력, 그리고 이를 뒷받침하는 기술적·인프라적 지원 정책이 함께 가야 한다고 봅니다. 이 두 축이 동시에 움직일 때, 제조업의 AI 전환도 비로소 현실적인 단계로 나아갈 수 있을 거라고 생각합니다.
AX를 가로막는 3개의 벽
□ 이동권 ㈜한컨설팅그룹 수석전문위원(이하 이동권 수석전문위원) : 중소 제조기업 현장을 직접 들여다보면, 본격적으로 AX·DX 전략으로 전환하는 데 어려움을 겪는 이유는 크게 세 가지로 정리할 수 있어요. 첫째는 투자 대비 효과, 즉 ROI에 대한 불확실성이고요. 둘째는 데이터의 디지털화 수준, 마지막으로는 조직 내부의 수용성 문제입니다.
이걸 조금 더 구체적으로 보면, 중소기업의 경우 당장 다음 달 자금 운용부터가 급박한 상황이 많잖아요. 이런 현실 속에서 AX가 과연 실질적인 수익으로 이어질 수 있을지에 대해 경영진, 특히 CEO들이 회의적인 시각을 갖는 경우가 적지 않습니다. 이 같은 불확실성은 자연스럽게 투자 지연으로 이어지고, 결국 AX·DX를 전사적으로 추진하는 데 구조적인 걸림돌로 작용하게 됩니다.
두 번째는 데이터 문제입니다. 업종별로 차이는 있지만, 반도체나 자동차처럼 비교적 첨단 산업 분야는 이미 디지털 데이터 기반이 어느 정도 구축돼 있는 편이에요. 반면 이런 첨단 업종을 제외한 다수의 중소 제조기업 현장에서는 여전히 수기 중심의 아날로그 데이터가 상당 부분을 차지하고 있는 게 현실입니다. AX는 결국 데이터를 기반으로 움직이는 체계인데, 데이터 자체가 디지털화돼 있지 않다 보니 본격적인 AX 전환에 한계가 생길 수밖에 없어요.
마지막으로 조직의 수용성 문제를 빼놓을 수 없습니다. 현장 근로자들 사이에서는 AI가 자신의 역할을 대체할 수 있다는 막연한 불안감이 여전히 존재합니다. 이런 심리적인 저항은 새로운 기술을 도입하는 과정에서 생각보다 큰 장애 요인으로 작용하는 경우가 많아요.
결국 중소 제조기업의 AX·DX 전환을 가로막는 이 세 가지 과제, 즉 ROI에 대한 불확실성을 어떻게 해소할 것인지, 데이터를 어떻게 디지털화할 것인지, 그리고 조직 구성원의 수용성을 어떻게 확보할 것인지를 함께 풀어가야 합니다. 이 세 가지가 동시에 해결돼야만, 특히 제조 현장에서의 AX·DX 전환이 선언적인 구호가 아니라 실질적인 변화로 이어질 수 있을 거라고 생각해요.
AX의 첫 관문은 ‘이해’다
□ 안광현 스마트제조혁신추진단 단장(이하 안광현 단장) : 앞서 두 분이 이미 핵심적인 문제들을 충분히 짚어주셨기 때문에, 저는 정부의 입장에서 바라본 관점을 중심으로 말씀드려보겠습니다. 결국 “왜 제조 현장에서 AX 도입이 쉽지 않느냐”는 질문에 대한 하나의 답이기도 합니다.
현장에서 중소 제조기업 대표들을 직접 만나보면, AI에 대해 충분히 이해하지 못하고 있는 경우가 아직도 적지 않습니다. 언론이나 정부를 중심으로 AI 도입의 필요성에 대한 메시지는 계속 전달되고 있지만, 막상 “이 기술을 우리 공장에 어떻게 적용해야 하느냐”라는 단계에 이르면 여전히 막막함을 느끼는 게 현실이에요.
이 지점을 조금 더 넘어가 보면, 결국 ‘인식의 문제’에 부딪히게 됩니다. AX 도입은 말 그대로 투자로 이어질 수밖에 없고, 기업 입장에서는 결코 가볍게 결정할 수 있는 사안이 아닙니다. 자사의 이익금을 AX에 투입하려면, AI가 우리 기업에 어떤 실질적인 혜택을 가져다줄 수 있는지에 대한 명확한 인식이 먼저 형성돼야 해요. 그 인식이 부족한 상태에서는 투자 결정을 내리기 어렵습니다.
결국 AI라는 기술이 만들어낼 수 있는 가치와 효과를 충분히 이해하지 못하는 상황, 다시 말해 ‘알기 어려운 AI의 세계’ 자체가 중소 제조기업의 AX 도입을 가로막는 중요한 요인으로 작용하고 있다고 봅니다.
그래서 저는 이 인식의 간극을 줄이는 것이 무엇보다 중요하다고 생각해요. 중소 제조기업 대표들이 AI와 AX를 보다 쉽게 이해하고, 자기 기업의 상황에 맞춰 상상해볼 수 있도록 돕는 것, 이것이야말로 정부가 우선적으로 수행해야 할 역할이라고 봅니다.
DX와 AX는 스마트 팩토리를 지탱하는 두 기둥
■ 사회자 : 지난 수년간 정부 주도의 스마트공장 보급·고도화 정책은 제조 현장의 디지털화를 빠르게 확산시키는 데 기여해 왔습니다. 다만 많은 현장에서 자동화와 시스템 구축은 이뤄졌지만, AI 기반의 지능화로까지 이어지지 못했다는 평가도 나옵니다. 이는 스마트공장을 ‘설비 중심’으로 접근해온 한계와도 맞닿아 있는 것 같습니다. 이제 제조 AX를 논하는 시점에서, 기존 스마트공장 전략은 어떤 부분을 계승하고 어떤 부분을 과감히 수정해야 한다고 보시는지, 안광현 단장님께 여쭙겠습니다.
□ 안광현 단장 : 작년 10월에 저희가 ‘AI 기반 스마트 제조혁신 3.0’ 전략을 발표했는데요, 오늘 말씀드릴 내용도 이 전략을 중심으로 설명드리려고 합니다. 다만 그에 앞서, 그동안 스마트 제조 정책이 어떤 흐름으로 발전해 왔는지부터 짚고 가는 게 필요할 것 같아요.
스마트 제조혁신 추진단은 출범 이후 약 10~11년간 활동해 왔고, 중소벤처기업부로 이관된 이후로만 봐도 약 5~6년간 정책을 추진해 왔습니다. 그동안 정부가 가장 중점적으로 추진해 온 영역은 디지털 전환, 즉 DX였습니다. 현장에 남아 있던 아날로그 정보를 디지털화하고, 암묵지를 형식지로 전환하면서 제조 데이터를 수집하고 활용할 수 있는 환경을 만드는 데 집중해 왔어요. 더 나아가 전체 공정을 시스템적으로 바라볼 수 있는 기반을 구축해 왔는데, 이걸 흔히 스마트 팩토리, 또는 DX라고 설명할 수 있을 것 같습니다.
이제는 AX를 이야기하는 단계에 와 있습니다. 이걸 건축 구조에 비유해 보면 이해가 쉬운데요, 스마트 팩토리라는 하나의 큰 ‘집’이 있고, 이 집을 떠받치는 두 개의 기둥이 있다고 볼 수 있습니다. 하나는 DX이고, 다른 하나가 AX입니다. 다시 말해, 지난 10여 년간 정부가 예산을 투입해 추진해 온 DX는 AX로 나아가기 위한 필수적인 기반이었다고 봐도 무리가 없습니다. DX와 AX는 서로 분리된 개념이 아니라, 항상 함께 가야 하는 동반자적인 관계라고 생각해요.
이런 인식을 바탕으로 지난해 10월에 발표한 ‘AI 기반 스마트 제조혁신 3.0’ 전략을 보면, 1단계에서는 비교적 단순한 디지털화를 추진했고, 스마트 제조혁신 2.0 단계에서는 다양한 솔루션을 도입해 공정의 시스템화를 진행해 왔습니다. 그리고 작년부터는 본격적으로 AX 전환을 목표로 한 사업을 시작하게 됐습니다.
다만 문제는 중소기업 현장에서 AX에 대한 이해도가 아직 매우 낮다는 점입니다. 실태조사를 해보면, AX와 AI에 대한 이해 수준이 1%에도 미치지 못하는 것이 현실이에요. 이런 상황에서 AX를 중소 제조기업 현장에 어떻게 적용할 것인가가 핵심 과제가 됐고, 그에 대한 해법으로 이번 전략을 마련하게 됐습니다. 현장 곳곳에 AI가 자연스럽게 스며들 수 있는 방안을 고민한 결과라고 보시면 됩니다.
구체적으로는 2030년까지 스마트 공장 1만 2천 개를 보급해서, 현재 1% 수준에 머물러 있는 AX 도입률을 10%까지 끌어올리는 것을 목표로 하고 있습니다. 이를 통해 산업재해를 줄이는 한편, AI 전문기업 약 500개를 육성해 AI 기술이 제조 현장에 안정적으로 적용될 수 있도록 지원하고, 나아가 이들 기업과 기술이 글로벌 시장으로 진출할 수 있는 기반까지 함께 마련하고자 합니다.
이 전략은 2025년부터 본격적으로 추진 중이고요, 2026년도 예산을 통해 보다 촘촘하고 다각적인 현장 지원을 이어갈 계획입니다. 아울러 정책 추진 과정과 성과에 대해서도 중소 제조기업 관계자분들께 지속적으로, 그리고 보다 상세하게 공유해 나갈 예정입니다.
■ 사회자 : AI 기반 제조 혁신의 핵심은 결국 데이터라고 할 수 있을 텐데요. 현실적으로는 데이터가 흩어져 있거나 품질이 낮고, 표준화되지 않은 문제가 반복적으로 지적됩니다. 특히 OT 데이터와 IT 데이터의 단절, 그리고 현장 작업자의 경험과 노하우가 암묵지로 남아 있는 구조는 AI 적용을 가로막는 대표적인 요인입니다. 기술적으로는 데이터 수집이 가능함에도 실제 활용으로 이어지지 못하는 제조 데이터의 구조적 문제는 무엇이며, 이를 해결하기 위한 현실적인 접근법은 무엇이라고 보시는지요. 먼저 이동권 수석전문위원님부터 말씀해주시죠.
빅데이터보다 먼저 필요한 건 ‘스몰 윈’이다
□ 이동권 수석전문위원 : 이 문제는 대기업보다는 중소기업이 훨씬 더 현실적으로 체감하고 있는 과제라고 볼 수 있습니다. 대기업의 경우에는 OT 데이터와 IT 데이터가 분리돼 있던 구조가 상당 부분 해소됐고, 현장 운영도 더 이상 근로자의 암묵지에만 의존하지 않는 방향으로 이미 시스템화가 진행돼 있는 상황이에요. 그래서 이런 문제를 상대적으로 덜 겪고 있습니다.
반면 중소기업은 상황이 다릅니다. 인력 자체가 부족하고, 특히 숙련 인력이 절대적으로 부족하다 보니 체계적인 시스템을 갖추는 것부터가 쉽지 않은 게 현실이에요. 이런 구조에서는 자연스럽게 데이터 중심의 의사결정 체계로 전환하기가 어렵습니다. 앞서 말씀드린 것처럼 반도체 같은 일부 첨단 업종은 디지털 데이터화가 상당 부분 이뤄져 있지만, 이를 제외한 다수의 중소 제조 현장에서는 여전히 아날로그 데이터가 중심이 되는 경우가 많습니다.
설령 첨단 업종에서 디지털 데이터가 구축돼 있다고 하더라도, IT 데이터와 OT 데이터가 서로 단절돼 있다면 문제는 여전히 남아 있습니다. 데이터의 단절은 곧 맥락의 부재를 의미하고, 맥락이 없는 데이터는 사실상 ‘죽은 데이터’라고 볼 수 있어요. 아무리 수치가 많고 데이터가 방대하더라도, 단순한 숫자의 나열에 그친다면 데이터로서의 의미와 가치는 생기기 어렵습니다.
이런 중소기업의 현실을 고려하면, 처음부터 방대한 데이터를 구축하려는 전략보다는 목적 지향적인 ‘스몰 데이터’ 수집에서 출발하는 게 더 현실적이라고 생각합니다. 기업 내부에서 가장 문제가 되는 영역, 특히 품질에 직접적인 영향을 미치는 핵심 요인, 즉 CTQ(Critical to Quality)를 중심으로 3~5개의 주요 요소를 먼저 선정하고, 이 부분에 대한 데이터를 집중적으로 수집하고 디지털화하는 접근이 필요합니다.
이 과정을 통해 데이터를 하나씩 쌓아가면서 작은 성공 사례, 이른바 ‘스몰 윈(Small Win)’을 만들어가는 것이 중요합니다. 이런 성과들이 쌓이면, 현장에 축적돼 있던 암묵지가 점진적으로 명시지로 전환되는 선순환 구조를 만들 수 있습니다. 결국 중소기업의 경우에는 목적 지향적인 스몰 데이터 수집을 단계적으로 추진하는 전략이 AX와 DX 전환의 가장 현실적인 출발점이 될 거라고 봅니다.
AI보다 먼저 필요한 건 ‘문제 정의’다
□ 권대욱 책임 : 현장에서 자주 접하는 사례 하나를 먼저 말씀드리고 싶어요. 제조기업으로부터 의뢰를 받을 때 종종 “데이터는 많이 보유하고 있는데, 이 데이터를 가지고 무엇을 할 수 있는지, 어떤 분석이 가능한지 과제부터 정의해 달라”는 요청을 받습니다.
실제로 현장을 방문해서 시스템을 살펴보면 데이터의 양 자체는 상당한 경우가 많습니다. 담당자분들 이야기를 들어보면 “10년 넘게 데이터를 축적해 왔고, 테라바이트급 이상의 데이터를 보유하고 있다”고 설명하시기도 해요. 그런데 데이터가 많다는 것과, 그 데이터를 활용해 제조 현장의 문제를 해결하고 개선점을 찾아내는 건 전혀 다른 문제입니다.
그 이유는 현장 데이터에 상당한 편향성이 존재하기 때문입니다. 예를 들어 PLC에서 수집되는 로우 데이터는 양적으로는 굉장히 방대하지만, 이를 그대로 AI 분석까지 연결하려면 데이터 간 정합성이나 편향성, 신뢰성을 확보할 수 있는 구조적인 연계가 필요합니다. 이런 기반이 갖춰져야만 어떤 문제를 풀 것인지가 명확해지고, 그 다음 단계로 데이터 분석과 AI 적용까지 이어질 수 있습니다.
우리가 흔히 데이터의 특성을 이야기할 때 3V를 언급하지만, 결국 중요한 건 데이터의 양이 아니라 ‘의미 있는 데이터’입니다. 분석과 AX의 출발점이 되는 데이터가 확보돼야 하는데, 실제 현장에는 정확성이 떨어지거나 목적과 맞지 않는 데이터들이 혼재돼 있는 경우가 많아요. 그래서 어떤 데이터를 추가로 수집해야 하는지, 데이터 간 연계 구조는 어떻게 가져갈 것인지, 각각의 데이터가 서로 어떤 영향을 미치는지를 사전에 정의하고 정리하는 작업이 반드시 필요합니다.
그동안 우리가 디지털 전환, 즉 DT나 DX를 이야기해 왔다는 건 기존의 아날로그 방식으로 이루어지던 업무를 디지털화한다는 의미라고 볼 수 있습니다. 아날로그와 디지털 중 어느 쪽이 더 낫다는 이야기가 아니라, 어떻게 하면 현장을 더 합리적이고 효율적으로 운영할 수 있느냐의 문제라고 생각해요. 이 과정에서 현장에 축적된 경험은 굉장히 중요한 자산입니다. 흔히 암묵지라고 표현하지만, 저는 이걸 ‘경험치’라고 부르고 싶습니다.
이 경험치를 얼마나 잘 형식화하고 표준화해서 정량적인 데이터로 전환할 수 있느냐가 핵심입니다. 아날로그 요소를 드러내고, 이를 구조화해서 데이터셋으로 만드는 과정 자체가 디지털 전환이라고 볼 수 있어요. 다만 이때도 모든 데이터를 무작정 모으는 방식은 지양해야 합니다. 단순히 데이터 양만 늘어날 뿐, 오히려 활용 가치는 떨어질 수 있기 때문입니다.
업무 담당자, 설비 담당자, 품질 담당자, IT 담당자 등 각자의 관점에서 생산성과 품질에 실제로 영향을 미치는 데이터가 무엇인지 선별해서 수집하는 게 중요합니다. 그리고 그 다음 단계에서 반드시 짚어야 할 것이 ‘목적’입니다. 이 데이터를 어디에, 무엇을 위해 사용할 것인지가 명확해야 합니다.
AI는 결국 하나의 방법이자 도구라고 생각해요. 기술 자체는 이미 고도화되고 성숙 단계에 와 있지만, 중요한 건 이 도구를 활용해서 현장의 업무를 얼마나 빠르고 정확하게 개선할 수 있느냐입니다. 예를 들어 원가 구조를 더 투명하게 보고 싶다든지, 실시간 데이터 기반으로 재고나 창고 관리를 하고 싶다든지, 품질 문제의 원인을 명확히 분석해서 재발을 막고 싶다는 구체적인 목적이 먼저 설정돼야 합니다. 이런 목적이 있어야 아날로그 업무를 어떻게 디지털로 전환할 것인지에 대한 방향도 자연스럽게 잡히게 됩니다.
IT와 OT 관점에서 보면, 가장 먼저 해결해야 할 건 근본적인 이슈 정의라고 생각합니다. IT와 OT 데이터가 흩어져 있는 건 중소 제조 현장에서는 오히려 자연스러운 상황이에요. 이를 처음부터 무리하게 통합하려 하면, 결국 대규모 인프라 투자와 비용 부담으로 이어질 수밖에 없습니다.
그래서 ‘모든 데이터를 한데 모은다’는 접근보다는, 필요한 영역부터 어떻게 연계할 것인가에 초점을 맞추는 게 현실적입니다. 이를 위해 MES나 ERP 같은 IT 시스템의 정비가 선행돼야 하는데, ERP에는 마스터 데이터나 BOM 같은 핵심 정보가 들어 있고, MES와의 실시간 연계 역시 쉽지 않은 과제입니다. 어떤 데이터를 어디까지 연계할 것인지에 대한 우선순위를 정하는 작업부터가 중요합니다.
OT 측면에서는 현장에서 흔히 말하는 4M, 즉 인력(Man), 설비(Machine), 자재(Material), 방법(Method) 관점에서 어떤 관리 포인트를 중점적으로 볼 것인지부터 정해야 합니다. 이 관리 포인트가 정리돼야 IT와 OT 간 데이터 연계도 가능해집니다.
결국 상호 연계가 가능한 영역부터 차근차근 정비해 나가는 것, 이게 AX와 DX를 위한 기반을 마련하는 가장 현실적인 접근이라고 생각합니다.
“'모든 데이터를 한데 모은다'는 접근보다는, 필요한 영역부터 어떻게 연계할 것인가에 초점을 맞추는 게 현실적입니다. …어떤 데이터를 어디까지 연계할 것인지에 대한 우선순위를 정하는 작업부터가 중요합니다.”
현장 데이터와 분석 데이터, 이원화 관리 전략 필요
□ 안광현 단장 : 중소기업 대표의 입장에서 말씀드리자면, 제조 데이터는 기본적으로 많이 축적할수록 좋다고 생각해요. 다만 중요한 건, 데이터를 무작정 모으는 게 아니라 활용 목적에 따라 구분해서 관리하는 것이라고 봅니다.
크게 보면 데이터는 두 가지 유형으로 나눌 수 있어요. 첫 번째는 현장에서 즉시 활용해야 하는 데이터입니다. 이런 데이터는 현장에 설치된 서버에 저장돼 있어야 하고, 실시간으로 바로 확인하고 활용할 수 있어야 합니다. 주로 생산 정보와 직결되는 데이터라고 볼 수 있고요, 빠른 의사결정과 현장 운영을 위해 반드시 필요한 영역입니다. 이른바 현장 서버 기반 데이터라고 할 수 있겠죠.
두 번째는 일정 기간 축적한 뒤 분석을 통해 활용하는 데이터입니다. 이런 데이터는 중장기 전략 수립이나 경영 판단에 쓰이기 때문에, 굳이 사내 서버에만 둘 필요는 없다고 생각해요. 오히려 클라우드를 활용하는 게 훨씬 효율적인 경우가 많습니다. 정부에서도 클라우드 사용 비용이나 관련 인프라를 지원하고 있기 때문에, 중소기업 입장에서는 이런 부분을 적극적으로 활용하는 게 바람직하다고 봅니다.
클라우드 환경을 활용하면 인력 운영 현황이나 일정 기간 동안의 생산성과 효율성, 재고 관리 방식 같은 것들을 데이터 분석을 통해 비교적 쉽게 확인할 수 있습니다. 이런 분석을 꼭 기업이 직접 해야 하는 것도 아니고요, 전문 서비스를 제공하는 기업들의 도움을 받을 수도 있고, 이를 지원하는 정부 사업도 마련돼 있습니다. 예를 들어 재고를 10일치로 가져갈지, 100일치로 운영할지 같은 판단도 감이 아니라 데이터 분석을 통해 보다 합리적으로 결정할 수 있고, 원가 구조 개선 역시 같은 맥락에서 접근할 수 있습니다.
그래서 저는 장기적인 분석이 필요한 데이터는 클라우드를 통해 관리하고, 현장에서 즉시 활용해야 하는 데이터는 자체 서버로 운영하는 이원화된 데이터 관리 전략이 필요하다고 생각해요. 다만 어떤 방식을 택하든, 궁극적으로는 데이터 표준화가 반드시 필요합니다. 이건 정부 정책의 기본적인 방향이기도 합니다.
중소벤처기업부에서도 이런 목표 아래 제조 데이터 표준 모델을 마련하고, 기업들이 이 모델에 맞춰 데이터를 축적할 수 있도록 가이드를 제공하고 있습니다. 현재 클라우드로 연계되는 데이터 역시 대부분 이런 표준화 기준에 맞춰 관리되도록 유도하고 있고요.
데이터가 표준화되면 단순히 관리가 편해지는 수준을 넘어서, 새로운 비즈니스 기회를 만들어낼 수 있는 기반이 됩니다. 기회가 된다면, 데이터 표준화가 기업의 성장과 경쟁력 강화에 어떻게 기여할 수 있는지에 대해서도 더 구체적으로 말씀드릴 수 있을 것 같습니다.
■ 사회자 : 대기업과 달리 중소·중견 제조기업은 인력, 자본, 데이터 측면에서 제약이 큰 것이 현실입니다. 그럼에도 제조 경쟁력 유지를 위해 AX는 더 이상 선택이 아닌 과제가 되고 있습니다. 문제는 대기업 중심으로 설계된 AX 모델이 중소 제조기업에는 그대로 적용되기 어렵다는 점인데요. 중소·중견 제조기업이 현실적으로 선택할 수 있는 AX 전략은 무엇이며, 이 과정에서 기술 공급사·정부·대기업의 역할은 어떻게 재정의돼야 한다고 보시는지요.
불량 판정에서 예지보전까지, AX의 현실 루트
□ 안광현 단장 : 중소기업에 AI를 어떤 방식으로 적용해야 하느냐는 질문은 요즘 현장에서 가장 많이 나오는 화두 중 하나입니다. 제 개인적인 견해로는, 제조 현장에서 활용되는 AI는 크게 두 가지 유형으로 나눠볼 수 있다고 생각해요. 하나는 ‘판단하는 AI’, 또 하나는 ‘추론하는 AI’입니다.
제조 현장에 대입해 설명해 보면, 판단하는 AI는 생산 라인에서 양품과 불량품을 구분하는 역할을 합니다. 반면 추론하는 AI는 설비 상태를 분석해서 향후 고장 가능성을 예측하고, 사전에 경고와 대응이 가능하도록 하는 예지보전 영역에 해당합니다.
이 두 영역은 기술적·설비적 난이도 측면에서 분명한 차이가 있습니다. 판단 영역의 AI, 즉 양품·불량 판정과 같은 기능은 비교적 많은 중소 제조기업이 지금 당장 적용할 수 있는 단계라고 봅니다. 그래서 중소기업이 AI를 도입할 때는 이 판단 영역부터 시작하는 것이 가장 현실적인 접근이라고 생각해요.
실제 현장에서 AI 도입을 논의하다 보면, 처음부터 고도화된 분석이나 추론 단계로 바로 가려는 경우가 많습니다. IT 솔루션 공급기업들이 제시하는 모델 역시 복잡한 분석과 고난도의 추론 중심으로 구성돼 있는 경우가 적지 않고요. 물론 이런 기술들도 궁극적으로는 필요합니다. 다만 중소기업의 현재 여건을 고려하면, 단기간에 적용하기에는 부담이 큰 게 현실입니다.
그래서 저는 당장 현장에서 적용 가능한 판단 영역의 AI부터 도입해 성과를 쌓아가는 전략이 바람직하다고 봅니다. 양품·불량 판정 수준의 AI를 시작으로 일정 기간 경험과 데이터를 축적해 나가면, 이후 단계적으로 추론 영역으로 자연스럽게 확장할 수 있습니다. 이런 방식으로 접근한다면, 빠르면 3년 이내에 예지보전 AI 모델을 공장에 적용할 수 있는 환경도 충분히 구축할 수 있을 거라고 보고 있습니다.
이를 위해 저희는 2030년을 목표로 AX를 단계적으로 고도화해 나가는 전략을 수립했고, 각 단계별로 어느 수준까지 어떤 자원과 지원이 필요한지, 다시 말해 비용과 컨설팅을 어떻게 제공할 것인지에 대한 사업도 현재 추진 중입니다. 관련 내용은 스마트제조혁신추진단 공식 채널을 통해 확인하실 수 있습니다.
결국 중요한 건 한 번에 높은 수준을 목표로 하기보다는, 낮은 단계에서 시작해 차근차근 고도화해 나가는 접근이라고 생각해요. 중소 제조기업의 AX 역시 ‘스텝 바이 스텝’ 방식으로 추진하는 것이 가장 현실적이고, 또 지속 가능한 전략이라고 봅니다.
제조 AI는 현장부터...업종별 유스케이스 축적 필요
□ 권대욱 책임 : 이 사안은 다소 이상적인 논의보다는, 지금 중소 제조 현장이 처해 있는 현실을 있는 그대로 바라볼 필요가 있다고 생각해요. 정부 차원에서도 중소기업에 AX 전략을 확산시키기 위해 상당한 노력을 기울여 왔고, 그 흐름을 현장에서 지켜보면 분명한 맥락이 있습니다.
그동안의 정책 흐름과 현장 경험을 종합해 보면, 2021~2022년을 기점으로 데이터 인프라 구축 사업이나 스마트 마이스터 활용 사업 등 중소기업을 대상으로 한 다양한 지원 사업들이 추진돼 왔습니다. 이 사업들의 공통점은 PoC 단계까지는 충분히 진행할 수 있도록 설계돼 있었다는 점인데요, 이 부분은 정책적으로도 의미 있는 성과였다고 평가할 수 있습니다.
이후 약 2년 정도 정책적인 공백이 있었던 것으로 보이지만, 올해 들어서는 ‘제조 AI 특화 사업’이라는 형태로 다시 지원이 재개된 것으로 이해하고 있습니다. 이 역시 중소 제조 현장의 현실을 비교적 잘 반영한, 상당히 바람직한 방식의 지원이라고 생각해요. 특히 이 사업의 장점은 제조 현장의 문제를 외부에서 일방적으로 정의하는 구조가 아니라, 현장 담당자들이 직접 참여해 이슈를 발굴하고 검증할 수 있다는 데 있습니다. 비교적 부담이 크지 않은 비용으로 PoC를 수행하면서, 실제 현장의 문제를 해결할 수 있는 가능성을 확인할 수 있다는 점에서 실효성이 높다고 봅니다.
이렇게 PoC를 통해 가능성이 확인되면, 이후에는 확산 단계로 자연스럽게 이어질 수 있습니다. 정부 정책 측면에서도 이런 방식의 지원이 보다 폭넓게 확산될 필요가 있고, 이러한 방향성은 2030년까지의 정책 로드맵에도 이미 반영돼 있는 것으로 이해하고 있습니다.
여기서 함께 짚어야 할 중요한 부분이 바로 유스케이스의 축적입니다. 정부가 지금까지 추진해 온 정책 가운데 하나의 모범 사례로 꼽을 수 있는 것이 ‘CAMP’, 즉 대한민국 인공지능 플랫폼인데요, 이 플랫폼 역시 단순한 정보 제공을 넘어 실제 활용 사례 중심으로 더 고도화될 필요가 있다고 생각합니다.
현재도 업종별 PoC 결과나 일부 유스케이스가 공유되고는 있지만, 앞으로는 한 단계 더 나아가 현장에서 바로 데이터와 방법론을 적용할 수 있을 정도로 구체화된 사례들이 더 많이 축적돼야 합니다. 이런 유스케이스들이 쌓여야 정책 확산의 속도도 자연스럽게 빨라질 수 있습니다.
아울러 기존의 대·중소 상생형 정부 사업 역시 중요한 축이라고 봅니다. 대기업은 이미 현장에서 다양한 문제를 해결해 온 경험과 AI 활용 노하우를 보유하고 있는 만큼, 이런 역량을 중소 제조기업과 공유하는 구조 자체는 매우 의미가 큽니다. 다만 앞으로는 단순한 제조 현장 개선을 넘어, AI 특화 관점에서 대·중소기업이 함께 고민하고 협력하는 방향으로 한 단계 더 진화할 필요가 있다고 생각해요.
결국 지금 가장 시급한 과제는 업종별 대표 유스케이스를 지속적으로 만들어내고, 이를 현장에 빠르게 확산시키는 것입니다. 앞서 말씀드린 것처럼 지도학습 기반의 양품·불량 판정 같은 영역은 비교적 적용이 쉽고, 단기간에 성과를 확인할 수 있는 대표적인 사례입니다. 이런 유스케이스를 업종별로 확대하고, 현장에 빠르게 전파할 수 있는 구조를 만드는 것이 지금 단계에서 가장 중요한 과제라고 봅니다.
AX에도 체급이 있다...대기업은 구축형·중소기업은 구독형
□ 이동권 수석전문위원 : AX 전략을 이야기할 때는 정부와 대기업의 관점, 그리고 중소기업의 관점을 구분해서 볼 필요가 있다고 생각해요. 이 두 입장은 구조적으로 다를 수밖에 없습니다.
이걸 ESG 사례에 빗대어 보면 이해가 쉬운데요, 전략은 크게 구축형과 구독형으로 나눌 수 있습니다. 대기업의 경우에는 인력과 자본이 충분하기 때문에 자체 시스템을 구축해서 판단·추론 AI 모델을 곧바로 적용하는 것이 가능합니다. 앞서 말씀된 것처럼 세부 지표를 즉각적으로 반영하는 고도화된 운영도 현실적으로 큰 부담이 아닙니다.
반면 중소기업에 이런 대기업형 모델을 그대로 적용하는 건 현실과 맞지 않습니다. 흔히 말해 경차에 대형 덤프트럭 엔진을 얹는 것과 다르지 않아요. ESG 솔루션을 예로 들면, 하나의 솔루션을 개발하는 데만도 보통 30억에서 50억 원 정도의 비용이 들어갑니다. 이를 중소기업이 직접 구축하려면 초기 투자비용은 물론이고, 이후의 유지·보수비용까지 감당해야 하는 상황에 놓이게 됩니다.
이런 현실을 감안하면, 중소기업은 클라우드 기반 SaaS 형태의 구독형 전략을 선택할 수밖에 없고, 실제로도 빠르고 가볍게 ‘빌려 쓰는’ 방식이 가장 합리적인 접근이라고 봅니다. 이에 따라 기술 공급사 역시 복잡하고 비용이 많이 드는 SI 중심 모델에서 벗어나, 업종별 표준 모델을 개발해 제공하는 방향으로 전환하는 게 시급한 과제라고 생각해요. 이 부분은 앞서 나온 의견들과도 같은 맥락입니다.
아울러 정부와 대기업의 역할도 재정립할 필요가 있습니다. 지금까지는 개별 기업 단위의 스마트 팩토리 구축, 다시 말해 ‘공장을 지어주는’ 데 정책의 초점이 맞춰져 왔다면, 앞으로는 산업단지를 넘어 공급망 전반에서 데이터가 흐를 수 있도록 하는 표준 프로토콜을 제시하는 역할이 더 중요해질 거라고 봅니다.
중소기업 입장에서 또 하나 민감하게 바라보는 부분은 데이터 보안입니다. 특허 정보나 제조 원가 같은 핵심 정보가 대기업이나 관계 기업으로 노출되지 않을 것이라는 신뢰가 확보되지 않으면, 데이터 공유나 연계는 현실적으로 어렵습니다. 이런 민감 정보를 보호할 수 있는 보안 체계와 명확한 가이드라인을 제시하는 ‘앵커’ 역할 역시 정부가 반드시 수행해야 할 중요한 과제라고 생각합니다.
스마트 그린 제조, AX와 ESG의 교차점
■ 사회자 : AI는 에너지 효율 개선, 불량 감소, 공정 최적화를 통해 환경(E) 측면의 성과를 높일 수 있는 수단으로 주목받고 있습니다. 동시에 대규모 연산에 따른 전력 사용 증가, 데이터센터의 탄소 배출, AI 인프라 집중화 등 새로운 환경 부담을 동반한다는 지적도 있습니다. 이 때문에 제조 AX 관점에서 AI를 ESG 달성을 위한 해법으로 볼 것인지, 아니면 관리해야 할 또 하나의 리스크로 볼 것인지에 대한 시각 차이도 존재합니다. AI 확산이 ESG에 미치는 영향을 어떻게 균형 있게 평가해야 한다고 보시는지, 안광현 단장님과 이동권 수석전문위원님께 말씀 부탁드립니다.
□ 안광현 단장 : ESG가 담고 있는 의미는 굉장히 폭넓지만, 그중에서도 저는 한 가지, 환경(E) 이슈를 중심으로 말씀드리고 싶어요. 환경 문제는 결국 탄소 배출량과 직결되고, 최근에는 제조업의 탄소 배출 수준이 수출 기업의 사업 전반에 실제적인 영향을 미치기 시작했습니다.
대표적인 사례가 바로 DPP, 이른바 디지털 제품 여권입니다. 앞으로는 이 제도를 충족하지 못하면 수출 자체가 어려워질 수 있는 방향으로 환경이 바뀌고 있어요. 중소 제조기업들이 BMW나 벤츠, 스텔란티스, 포드, 도요타 같은 글로벌 완성차 기업에 지속적으로 납품하면서 경쟁력을 유지하려면, 이런 요구에 대응하지 않을 수 없는 상황입니다. 특히 유럽 시장에서는 디지털 제품 여권 제시를 요구하고 있고, 이를 충족하지 못할 경우 수출이 제한되는 구조가 이미 만들어지고 있습니다.
디지털 제품 여권은 QR 코드 형태로 제공되는데, 이를 통해 해당 제품과 관련된 다양한 지표 데이터가 확인될 수 있도록 설계돼 있습니다. 유럽이 이 제도를 도입한 핵심 취지는 제조 현장을 디지털화해서 탄소 배출량을 투명하게 제시하라는 데 있다고 봅니다. 단순히 사람이 현장에서 계산해서 보고하는 방식이 아니라, 센서와 생산 솔루션을 기반으로 한 디지털 시스템을 통해 탄소 배출량을 산출하고, 그 결과를 데이터로 제시하라는 의미입니다. 이런 방식으로 계산된 탄소 데이터가 있어야 기업의 환경 성과도 공식적으로 인정받을 수 있습니다.
이런 환경 이슈 역시 결국은 스마트 팩토리를 통해 해결해야 한다고 생각해요. 스마트 팩토리는 센서와 시스템을 통해 제조 공정을 디지털화하는 과정이기 때문입니다. 만약 스마트 팩토리가 단순한 공정 개선을 넘어, 수출 경쟁력을 확보하는 수단으로까지 기능하게 된다면, 이는 기업 경영 전략 차원에서도 굉장히 중요한 의미를 갖게 됩니다.
ESG 가운데 G, 즉 거버넌스 측면에서는 지역 문제를 빼놓고 이야기할 수 없습니다. 정부 역시 지역 발전을 중요한 정책 과제로 보고 있고, 중소벤처기업부와 스마트제조혁신추진단에서도 지역 이슈는 핵심적인 화두로 다뤄지고 있습니다. 이런 배경에서 최근 울산과 대구, 충북 세 곳에 지역 기반 제조 AI 센터를 구축했고, 앞으로도 지속적으로 확대해 나갈 계획입니다.
이 센터들은 지역 단위에서 현장의 문제가 발생했을 때 신속하게 대응하고, AI 적용 방법을 잘 모르는 기업들을 대상으로 교육과 컨설팅을 제공함으로써, 지역 안에서 자생적인 혁신 사이클이 돌아가도록 돕는 역할을 합니다. 지역 기반 스마트 팩토리 정책은 앞으로 더 확대될 것이고, 지역 내 인력 수급과 새로운 비즈니스 기회를 함께 만들어가는 환경을 정부 정책을 통해 지원하고자 합니다.
제조 AI 센터의 역할은 크게 세 가지로 정리할 수 있습니다. 첫째는 지역 내 제조기업들이 데이터를 체계적으로 수집하고 활용할 수 있도록, 직접 현장을 찾아가 지원하는 역할입니다. 둘째는 지역에 분포한 스마트 제조 기술 기업들의 역량 강화를 돕는 것입니다. 기술 변화 속도가 워낙 빠른 만큼, 기술 기업들 역시 지속적인 역량 제고가 필요합니다. 셋째는 인력 인프라 구축입니다. 지역 내 대학과 연계해 인력을 양성하고, 이 인력이 다시 지역 기업으로 유입되는 선순환 구조를 만드는 것이 핵심 목표입니다.
이런 세 가지 역할을 중심으로 제조 AI 센터는 이미 준비 단계를 넘어 실행 단계에 들어섰고요, 지난해부터 추진돼 온 사업들이 올해부터 본격적으로 시행되고 있습니다.
□ 이동권 수석전문위원 : ESG는 워낙 범위가 넓어서 두세 시간 이야기해도 부족할 정도로 다층적인 주제라고 볼 수 있어요. 다만 현 시점에서 한 가지만 분명히 짚고 가자면, ESG는 더 이상 선택의 문제가 아니라 반드시 대응해야 하는 필수 과제가 됐다는 점입니다. 2026년을 기준으로 보면, ESG 경영을 이행하지 않을 경우 글로벌 공급망에서 사실상 배제되는 환경으로 접어들고 있다고 봅니다.
실제로 올해부터 ESG 관련 규제는 시범 단계를 넘어 본격적인 시행 단계에 들어섰습니다. 초기에는 비료나 수소, 철강, 알루미늄 등 일부 품목을 중심으로 적용됐지만, 지난해 12월 EU 사무국은 냉장고와 자동차 부품 등 완성품까지 시범 적용 범위를 확대하겠다고 발표했습니다. 공식 시행 시점이 2028년이라 아직 시간이 남아 있는 것처럼 보일 수 있지만, 실제로 기업이 준비할 수 있는 시간은 2년 남짓에 불과합니다. 우회 수출까지 규제하겠다는 방침을 감안하면, ESG는 더 이상 미룰 수 있는 과제가 아니라고 봐야 합니다.
이런 흐름만 봐도 ESG 경영은 선택이 아니라 필수라는 점이 분명해집니다. 구조적으로 보면 AX와 ESG는 동전의 양면과 같은 관계에 있다고 생각해요. AX를 활용하면 전력 사용이 늘어나고, 데이터센터 운영에 따른 탄소 배출이 증가하는 측면도 분명 존재합니다. 다만 중소 제조 현장에서는 이런 비용 부담보다, AX를 통해 얻을 수 있는 효과와 경쟁력 강화의 이점이 훨씬 크다고 판단합니다.
앞서 언급된 CBAM은 제조 공정 일부에서 발생하는 이산화탄소 배출량을 측정하고 보고하도록 요구하는 제도였지만, 최근에는 이보다 더 나아가 LCA, 즉 원자재 도입부터 제조와 유통, 폐기에 이르는 전 과정에서 발생하는 탄소 배출량을 보고하도록 요구하는 방향으로 확대되고 있습니다. 이런 요구를 충족하지 못하면, 해당 기업은 글로벌 공급망에서 제외될 수밖에 없는 구조로 가고 있습니다.
이런 상황에서 제조 현장에서는 ESG 경영이 더 이상 선택이 아닌 필수가 되고 있고, 특히 환경 분야에 대한 요구가 집중되고 있습니다. 이에 효과적으로 대응하기 위해서는 중소 제조기업 역시 ESG 경영을 반드시 실천해야 하는 단계에 들어섰다고 봅니다.
이를 실행하기 위한 현실적인 해법으로는 소형 언어 모델이나 저전력 MPU 칩 같은 기술을 활용해서 탄소 발자국은 최소화하면서도 에너지 효율은 극대화하는, 이른바 ‘스마트 그린 제조’ 전략이 필요하다고 생각해요. 이 전략은 AX와 ESG를 동시에 충족할 수 있는 현실적인 방향이고, 중소 제조기업이 지속 가능한 경쟁력을 확보하기 위한 핵심 전략이 될 수 있을 거라고 봅니다.
ESG는 비용이 아닌 생존 전략
■ 사회자 : 많은 제조기업에게 ESG는 여전히 규제 대응이나 평가 대응을 위한 부담으로 인식되는 경우가 많습니다. 그러나 AI와 AX가 결합될 경우, ESG는 비용이 아니라 효율과 신뢰를 높이는 경쟁력 요소로 전환될 가능성도 있습니다. 에너지 최적화, 공급망 투명성 확보, 산업 안전 관리 고도화 등은 모두 AX와 ESG가 만나는 지점이기도 합니다. AI 시대에 ESG를 기업 전략의 중심으로 끌어올리기 위해, 제조기업은 어떤 관점 전환과 투자 전략을 가져가야 한다고 보시는지, 권대욱 책임님과 이동권 전문위원님께 여쭙겠습니다.
□ 권대욱 책임 : ESG는 다시 한 번 중요한 화두로 떠오르고 있지만, 앞서 말씀된 것처럼 그 범위와 의미가 굉장히 포괄적입니다. 그래서 여기서는 논의를 조금 좁혀서, 제조기업을 중심으로 중소기업이 ESG에 어떻게 대응해야 하는지에 대해 말씀드리고 싶어요.
무엇보다 가장 큰 과제는 인식의 전환이라고 생각합니다. ESG를 단순한 규제나 강제 조항으로 받아들이는 순간, 기업 입장에서는 부담만 커질 수밖에 없습니다. 하지만 ESG가 등장한 배경을 보면, 그 이면에는 자국 산업을 보호하고 경쟁력을 확보하려는 명확한 목적이 자리하고 있어요. 결국 해당 시장에 진입하고, 그 시장 안에서 계속 활동하려면 그 시장이 요구하는 기준과 체계를 따를 수밖에 없는 구조라는 점을 먼저 인식해야 합니다.
이 기준을 충족하지 못하면 시장에 진입할 수 없다는 건, 중소기업 입장에서 보면 곧 생존과 지속 가능성의 문제로 직결됩니다. ESG가 요구하는 탄소 발자국 관리나 라이프사이클 관리, 에너지와 환경 전반에 대한 대응은 중소 제조기업에 매우 직접적인 영향을 미치는 사안이에요. 다만 현실적으로는 “무엇부터 시작해야 하느냐”가 가장 큰 장벽으로 작용하고 있습니다.
예를 들어 에너지 절감만 놓고 봐도, 이를 제대로 실행하려면 상당한 수준의 인프라 개선이 필요합니다. 노후화된 설비와 시스템이 그대로 유지된 상태에서는 에너지 세이빙이나 재사용 전략을 추진하는 데 분명한 한계가 있을 수밖에 없습니다.
결국 ESG 대응은 다시 원천적인 문제로 돌아오게 됩니다. 그 핵심은 바로 투명성이라고 생각해요. 기업이 어떤 원재료를 사용해서 제품을 만들었고, 그 과정이 환경에 어떤 영향을 미쳤는지를 추적하고 증명할 수 있어야만 시장에서 신뢰를 얻고 살아남을 수 있습니다. 이를 위해서는 제조 운영 전반에 투명성이 반영돼야 하고, 원가나 실적 같은 경영 정보도 ERP 같은 시스템을 통해 실시간으로 연계·관리될 필요가 있습니다.
이런 투명성이 실제로 구현되려면 관련 시스템들이 제대로 정비돼 있어야 합니다. 운영계와 기간계 시스템이 안정적으로 구축되고, 데이터의 유연성과 신뢰성이 확보돼야만 라이프사이클 관리 역시 가능해집니다. 결국 데이터가 신뢰할 수 있는 상태로 관리될 때 비로소 ESG가 현장에 정착할 수 있습니다.
종합해 보면, 제조기업에서 ESG가 실질적으로 자리 잡기 위해서는 먼저 인식의 전환이 선행돼야 하고, 동시에 투명성을 확보할 수 있는 시스템과 데이터 기반을 갖추는 게 중요하다고 봅니다. 그리고 이 과제는 결국 AI와 데이터 활용의 문제로 이어집니다. 데이터의 신뢰성과 투명성을 기반으로, AI를 어떻게 적용할 것인지에 대한 과제를 설정하고 단계적으로 풀어가는 접근이 필요하다고 생각해요.
□ 이동권 수석전문위원 : ESG는 이제 단순한 비용 부담의 문제가 아니라, 기업이 지속적으로 생존하기 위해 반드시 감내해야 하는 투자라는 관점에서 접근해야 한다고 생각해요. 이건 유럽이나 미국으로 수출하는 제조기업에만 해당되는 이야기도 아닙니다. 최근에는 서비스 기업에까지 ESG 요구가 빠르게 확산되고 있습니다.
실제 사례 하나를 말씀드리면요. 지난해 유럽의 유명 패션 브랜드 제품을 보관·관리하는 한 건물 관리 서비스 기업으로부터 에코바디스(EcoVadis) 평가를 진행해 달라는 요청을 받은 적이 있습니다. 처음에는 단순한 건물 관리 서비스 기업이 왜 ESG 평가를 받아야 하는지 의아했는데, 이유를 들어보니 상황이 명확했습니다. “우리 제품을 보관·관리하는 파트너라면 E·S·G 기준에 부합하는 평가 점수 40점 이상을 확보하지 않으면 거래를 지속할 수 없다”는 요구를 받은 거죠.
이 기업은 국내에서 건물 관리 업무만 수행해 오면서 ESG에 대한 준비가 거의 돼 있지 않은 상태였습니다. 하지만 평가 대응을 진행한 결과 다행히 브론즈 등급을 획득했고, 그 덕분에 글로벌 공급망 내 거래를 계속 유지할 수 있었습니다. 이 사례만 봐도, 이제는 서비스 기업조차 ESG 요구에서 자유로울 수 없다는 점을 알 수 있습니다.
하물며 제조기업의 경우에는 이미 시범 적용 단계를 넘어, LCA 수준의 ESG 대응을 요구받고 있는 상황입니다. 이런 요구를 단순히 ‘상대방 요구에 맞추기 위한 비용’으로만 인식하게 되면, 대응 과정에서 혼란과 부담이 커질 수밖에 없습니다.
그래서 앞서 말씀드린 것처럼 ESG, 특히 디지털 제품 여권(Digital Product Passport)은 글로벌 공급망에 진입하기 위한 일종의 ‘여권’이자, 진입 이후 자격을 유지하기 위한 ‘라이선스’로 이해할 필요가 있다고 봅니다. 이런 인식의 전환이 있어야만 E·S·G 전반에 대해 보다 적극적이고 선제적인 투자가 가능해지고, 그 결과 글로벌 공급망 안에서 지속적인 경쟁력을 확보할 수 있습니다.
조금 더 구체적으로 보면, E(Environment)는 온실가스 감축과 직결되는 영역입니다. 에너지 관리 시스템을 도입하면 보다 정교한 에너지 비용 절감은 물론이고, 실질적인 탄소 감축 효과도 기대할 수 있습니다. S(Social)는 근로자의 안전과 작업 환경 개선과 관련된 요소인데, AI 기반 비전 시스템을 활용하면 24시간 위험 요소를 감지해서 중대재해를 사전에 예방할 수 있습니다. 2023년부터 본격 시행된 중대재해처벌법에 대응하는 측면에서도 중요한 역할을 할 수 있어요.
G(Governance)는 대기업에게는 지배구조를 의미하지만, 중소기업에게는 보다 현실적으로 투명 경영을 상징하는 개념에 가깝다고 봅니다. 이와 관련된 ESG 대응의 핵심 키워드는 바로 리얼타임 데이터입니다. 해외 바이어들은 수기로 작성된 데이터는 신뢰하지 않습니다. 위·변조 가능성이 있기 때문에, 실시간으로 생성되고 관리되는 데이터만을 신뢰의 기준으로 삼고 있습니다.
결국 에너지 관리 시스템, AI 기반 안전 관리, 그리고 리얼타임 데이터에 기반한 투명 경영, 이 세 가지가 ESG를 구성하는 핵심 축이라고 볼 수 있습니다. 이런 요소들에 대해 선제적으로 투자한다면, 중소기업 역시 글로벌 공급망 안에서 충분히 지속적인 경쟁력을 확보할 수 있을 거라고 생각합니다.
“제조기업에서 ESG가 실질적으로 자리 잡기 위해서는 먼저 인식의 전환이 선행돼야 하고, 동시에 투명성을 확보할 수 있는 시스템과 데이터 기반을 갖추는 게 중요하다고 봅니다. 그리고 이 과제는 결국 AI와 데이터 활용의 문제로 이어집니다. 데이터의 신뢰성과 투명성을 기반으로, AI를 어떻게 적용할 것인지에 대한 과제를 설정하고 단계적으로 풀어가는 접근이 필요하다고 생각해요.”
정부 AI 지원, 이제는 ‘실행 단계’
■ 사회자 : 그동안 정부의 제조혁신 정책은 스마트공장 보급과 고도화를 중심으로 추진돼 왔습니다. 최근에는 AI와 데이터, 지능화를 강조하며 ‘제조 AX’로의 전환을 언급하고 있지만, 현장에서는 여전히 자동화·시스템 구축 중심 사업이라는 인식도 남아 있는 것 같습니다. 올해 추진 중인 제조혁신 지원사업은 기존 스마트공장 정책과 어떤 점에서 차별화됐으며, 정부는 어떤 기준을 통해 이를 제조 AX로의 실질적 전환이라고 판단하고 있는지, 안광현 단장님께 묻고 싶습니다.
□ 안광현 단장 : 지금은 중소기업 입장에서 보면 굉장히 중요한 시기라고 말씀드리고 싶어요. 현재 정부의 주요 지원 사업들이 순차적으로 공고를 앞두고 있고, 특히 AI 관련 사업들은 앞으로 한두 달 안에 본격적으로 모습을 드러낼 예정입니다. 그래서 마무리 발언 겸해서, 정부가 추진 중인 AI 관련 사업들을 중심으로 간략하게 정리해 드리겠습니다.
먼저 새롭게 추진되는 사업이 ‘자율형 AI 트랙’입니다. 기존에 정부 일반형 스마트 공장 사업이 있었다면, 이번에는 동일한 예산 구조를 유지하면서 AI 중심의 공장 구축을 목표로 한 별도의 트랙을 신설한 것이 특징입니다. 기존 일반형 사업은 정부가 2억 원을 지원하고, 기업이 2억 원을 부담하는 5대5 매칭 방식으로 총 4억 원 규모의 스마트 공장을 구축하는 구조였는데요, 이번 자율형 AI 트랙도 동일한 방식으로 운영됩니다. 다만 초점은 명확하게 AI에 맞춰져 있고, 이를 위해 AI 분야에만 약 1천억 원 규모의 예산이 별도로 편성돼 있습니다. 공고 시점은 2월 말에서 3월 초 사이로 예상되고 있습니다.
참고로 DX 일반형 정부 지원 사업은 이미 1월 7일 기준으로 접수가 마감돼 현재 평가 단계에 들어가 있기 때문에, 추가 신청은 어려운 상황입니다. 그래서 AI 도입을 고려하고 있는 기업이라면 이번 자율형 AI 트랙을 꼭 한 번 눈여겨보실 필요가 있습니다.
두 번째는 대·중소 상생형 사업입니다. 현대자동차나 삼성전자 같은 대기업이 협력사와 중소기업을 지원하기 위해 상생기금을 출연하면, 정부가 동일한 금액을 매칭해서 총 200억 원 규모의 재원을 조성하는 구조입니다. 이 재원은 대기업의 책임 하에 협력 중소기업들의 스마트 공장 구축에 활용되고 있습니다. 최근에는 이 상생형 사업에도 AI 트랙을 신설하자는 제안이 반영되면서, 대기업이 보유한 선진 AI 기술을 협력 중소기업까지 확산할 수 있는 구조가 만들어지고 있습니다. 이 대·중소 상생형 AI 트랙 역시 조만간 공고될 예정입니다.
세 번째는 AI 신속 상용화 사업입니다. 이 사업은 범부처 공동으로 추진되고 있고, 제조 분야에서는 산업통상자원부와 중소벤처기업부가 각각 예산을 투입해 진행하고 있습니다. ‘신속 상용화’라는 이름에 걸맞게, 단일 과제당 투입되는 예산 규모도 상당히 확대됐습니다. 특히 지역 기반 AI 확산이라는 현 정부의 국정 과제와 맞물려, 중소벤처기업부가 보유한 지역 산업 네트워크와 스마트제조혁신추진단의 AX 역량을 결합해 정책을 실행하고 있다는 점이 특징입니다.
이와 함께 정부는 현재 약 1,200명 규모의 DX 멘토단을 운영하고 있습니다. 대기업에서 오랜 기간 실무 경험을 쌓은 전문가들이 은퇴 이후 중소기업을 대상으로 노하우를 전수하는 방식인데요, 여기에 더해 올해는 AX 멘토단을 새롭게 구성하고 있고, 현재 모집이 진행 중입니다. IT·AI·디지털 전환 분야의 전문성을 갖춘 인력이 AX 멘토단으로 참여해, 중소 제조기업을 직접 방문하고, 공정 담당자와 AI 담당자가 함께 참여하는 형태의 컨설팅을 제공하게 됩니다.
중소 제조기업은 물론이고, 관련 분야의 전문가 여러분께서도 DX·AX 멘토단과 다양한 AI 지원 사업에 많은 관심과 참여를 부탁드립니다. 이런 정책과 지원들이 현장에서 실제 성공 사례로 이어지기 위해서는, 무엇보다 적극적인 활용이 중요하다고 생각합니다.
중소 제조업의 AX 도전과 정부 정책의 역할
■ 사회자 : 마지막으로, 향후 5년은 한국 제조업 AX의 성패를 가를 중요한 시기가 될 가능성이 크다고 봅니다. 기술 발전 속도, 글로벌 제조 경쟁 환경, 인력 구조 변화, 정책 환경 등 다양한 변수가 동시에 작용하고 있는데요. 이 가운데 특히 주목해야 할 핵심 변수는 무엇이며, 지금 시점에서 산업계와 정책당국, 기술 기업이 반드시 준비해야 할 과제는 무엇이라고 생각하시는지요?
□ 이동권 수석전문위원 : 우리 산업이 안고 있는 문제는 굉장히 복합적이고 다층적이지만, 그중에서도 가장 근본적인 과제는 이른바 ‘데모그래픽 클리프(Demographic Cliff)’, 즉 인구 절벽이라고 생각해요. 실제로 제조 현장을 가보면, 오랜 경험과 노하우를 쌓아온 공장장급 핵심 인력들은 은퇴를 앞두고 있는데, 그 뒤를 이어야 할 젊은 인력은 좀처럼 현장으로 들어오지 않고 있는 상황입니다.
그 결과 현장 인력의 상당 부분을 외국인 근로자가 채우고 있지만, 핵심 기술과 노하우를 온전히 전수하기에는 체류 기간이나 근무 특성상 분명한 한계가 있습니다. 숙련 인력은 빠져나가고, 기술을 이어받을 세대는 부족한 구조 속에서 기존 방식만으로 제조 경쟁력을 유지하기는 점점 어려워지고 있는 게 현실이에요.
이런 상황에서 저는 개인적으로 AX와 DX가 하나의 해법이 될 수밖에 없다고 봅니다. 인구 절벽이라는 구조적인 문제를 해결하려면, 일정 수준의 DX 위에 AX를 결합하는 방향은 사실상 선택이 아니라 필연에 가깝다고 생각해요. 물론 기업 입장에서는 AX에 대한 투자를 고민해야 하지만, 현실적으로는 AX와 DX에 대한 이해 자체가 아직 충분하지 않은 경우도 많습니다.
앞서 말씀드린 것처럼, DX가 제조 현장에 ‘고속도로’를 깔아주는 역할이라면, AX는 그 위를 달리는 ‘자율주행 차량’에 비유할 수 있습니다. 자동화가 기반이라면, AX는 판단과 자율화를 통해 현장을 한 단계 더 끌어올리는 개념이에요. 문제는 DX는 어느 정도 확산됐지만, AX에 대해서는 여전히 막연하게 느끼는 기업들이 많다는 점입니다.
이런 간극을 줄이기 위해서는 AX 전문가를 통한 현장 밀착형 지원이 필요하다고 생각합니다. 단순히 기술을 설명하는 데 그치는 게 아니라, 실제 공정과 업무 흐름 속에서 AX를 어떻게 적용할 수 있는지를 함께 고민하고 안내해 주는 역할이 중요해요.
아울러 구조적인 수용성 문제를 해결하려면 무엇보다 CEO의 변화 지향적인 리더십이 필요합니다. AX는 현장 근로자를 대체하는 기술이 아니라, 현장 인력과 결합될 때 더 큰 시너지를 만들어내는 도구라는 점을 분명히 인식해야 합니다. 변화 관리 과정을 통해 근로자들이 AX 도입 과정에 함께 참여하고 협업할 수 있도록 이끌어갈 때, 그 효과는 훨씬 커질 수 있습니다.
이런 리더십과 현장 참여가 함께 이루어진다면, 중소 제조 현장에서도 AX와 DX가 단계적으로 정착될 수 있는 충분한 기반을 만들어갈 수 있을 거라고 생각해요.
□ 권대욱 책임 : 며칠 전 언론을 통해 반가운 소식을 접했어요. 대한민국의 AI 경쟁력이 세계 3위 수준에 올랐다는 내용이었습니다. 이건 우리 산업이 AI 분야에서 상당한 잠재력과 확산 가능성을 갖추고 있다는 걸 보여주는 대목이고, 이런 흐름은 충분히 제조 영역으로도 이어질 수 있다고 생각합니다.
다만 이걸 제조업으로 한정해서 보면, 핵심은 AI 경쟁력을 어떻게 제조업의 본질적인 경쟁력으로 연결할 것인가에 있습니다. 이 과정에서 가장 중요한 요소를 하나 꼽자면, 저는 ‘오너십(ownership)’이라고 봐요. 기술 그 자체보다도, 어떤 방향성과 주도성을 가지고 공장을 운영해 나갈 것인가의 문제입니다.
오너십이라는 관점에서 보면, 경쟁력을 유지하는 방식이 반드시 첨단 기술을 무조건 도입하는 것만을 의미하지는 않습니다. 데이터 연계나 스마트 팩토리 구축, AI 활용 역시 결국은 공정을 어떻게 운영하고 이끌어갈 것인가에 대한 선택의 문제라고 볼 수 있어요. 핵심은 공정 운영의 주도권을 누가, 어떤 기준으로 가져가느냐입니다.
이런 논의는 사실 인더스트리 4.0이 처음 등장했을 때부터 계속 제기돼 왔습니다. ‘왜 스마트 팩토리인가’라는 질문에는 기술적인 요소뿐 아니라 철학적인 의미가 담겨 있어요. 단순히 공장을 하이테크 기술로 고도화하는 게 목적이 아니라, 어떤 제품을 만들 것인지, 고객의 수요와 공급에 어떻게 대응할 것인지, 그리고 이를 통해 제조기업이 어떻게 지속 가능성을 확보할 것인지에 대한 고민이 출발점입니다.
지금 우리는 스마트 팩토리, AI 팩토리, 다크 팩토리, 자율형 공장 등 다양한 용어를 사용하고 있는데요, 어떤 용어를 쓰든 본질은 같습니다. 당면한 현실적인 문제를 해결하면서 공장을 운영해 나가겠다는 의지의 표현이라는 점이에요. AI가 탑재된 공장은 의사결정 과정에서 사람의 개입을 최소화하고, 인력 부족이라는 현실 속에서도 공정 운영이 지속될 수 있도록 지원합니다. 최종 의사결정은 사람이 하되, 그 판단을 뒷받침하는 조건과 분석을 AI가 수행하는 구조라고 보면 됩니다.
다크 팩토리 역시 같은 맥락입니다. 이른바 ‘불이 꺼진 공장’은 사람 없이 운영되는 무인 공장을 의미하는데, 모든 제조 현장에 그대로 적용하기는 어렵지만, 지향점으로서의 방향성은 분명합니다. 제품과 공정 특성에 따라 속도와 방식은 다르겠지만, 자율화와 무인화를 향한 흐름 자체는 계속 이어지고 있습니다.
결국 이런 공장 운영의 방향성을 실제로 이끌어가는 힘은 오너십에서 나온다고 생각해요. 이를 강화하려면 먼저 현재 공장의 이슈와 상태를 정확히 파악해야 합니다. 인력을 어떻게 배치할 것인지, 수요와 공급을 어떻게 조율할 것인지, SCM 체계를 어떻게 설계할 것인지, ESG를 고려한 경영 로드맵을 어떻게 가져갈 것인지까지 포함한 종합적인 전략이 필요합니다.
지금은 바로 이런 본원적인 경쟁력을 확보하기 위한 오너십을 어떻게 세울 것인지, 그리고 이를 AI와 어떻게 전략적으로 결합할 것인지를 고민해야 할 시점이라고 봅니다. AI는 목적이 아니라 수단이고, 제조기업의 주도적인 판단과 전략을 뒷받침하는 도구로 활용될 때 비로소 진정한 경쟁력으로 이어질 수 있을 거라고 생각합니다.
□ 안광현 단장 : AI 도입 과정에서 가장 큰 걸림돌로 꼽히는 요인은 여전히 초기 비용 부담입니다. 실제 조사 결과를 보면 응답자의 44.2%가 이 부분을 가장 큰 장애물로 꼽았고, 그 다음이 전문 인력 부족으로 20.5%를 차지했습니다. 결국 비용과 인력, 이 두 가지가 AI 전환을 가로막는 가장 현실적인 장벽이라는 의미라고 볼 수 있습니다.
문제는 이런 난관을 넘지 못해서, 제조 경쟁력을 한 단계 끌어올릴 수 있는 중요한 기회를 놓치고 있는 중소기업들이 아직도 많다는 점입니다. 현장을 직접 다니다 보면, 이런 절박한 상황을 체감하게 되는 경우가 적지 않습니다. 이런 현실을 반영해서 정부 역시 다양한 정책을 통해 이 허들을 넘을 수 있도록 전략과 지원책을 마련해 오고 있습니다.
중소벤처기업부는 ‘AI 기반 스마트 제조혁신 3.0’ 전략을 통해 중소기업의 AI 도입과 활용을 체계적으로 지원하고 있고요, 산업통상자원부는 제조업 전반의 AI 대전환과 글로벌 경쟁력 강화를 목표로 ‘매뉴팩처링 AX’ 사업을 본격적으로 추진하고 있습니다. 두 부처의 역할은 비교적 명확하게 구분돼 있고, 상호 보완적으로 잘 조정돼 있다고 평가할 수 있습니다.
산업통상자원부가 제조업 전반의 구조적인 전환과 글로벌 경쟁력 확보에 초점을 맞추고 있다면, 중소벤처기업부는 중소기업이 실제로 AI를 도입하고 현장에서 활용할 수 있도록 밀착 지원하는 역할을 맡고 있다고 볼 수 있습니다. 제조업 생태계는 대기업과 중소기업이 하나의 사이클로 연결돼 있는 만큼, 대기업의 AI 전환과 중소기업의 AI 전환은 어느 한쪽만으로는 완결될 수 없는 관계이기도 합니다.
이런 점에서 산업부의 ‘매뉴팩처링 AX’ 전략과 중기부의 ‘AI 기반 스마트 제조혁신 3.0’ 전략은 시기적으로도 적절하고, 앞으로 상당한 시너지를 만들어낼 수 있을 것으로 기대됩니다. 그리고 이 전략을 현장에 실제로 전달하고 실행하는 역할을 맡고 있는 조직이 바로 스마트제조혁신추진단입니다.
추진단은 이미 정리된 정부 전략을 각 기업의 상황에 맞게 어떻게 전달하고, 어떻게 맞춤형으로 안내할 것인지에 가장 큰 관심을 두고 있습니다. 이를 위해 현장을 직접 찾아가 설명하고, 정책을 알리는 활동을 꾸준히 이어가고 있습니다.
중소 제조기업 대표 여러분께서 체감하고 계신 현실이 결코 쉽지 않다는 점을 저희도 잘 알고 있습니다. 정부, 특히 중소벤처기업부와 스마트제조혁신추진단은 앞으로도 여러분과 함께 동행할 것입니다. 비록 대규모 자금은 아니더라도, 마중물로 활용할 수 있는 예산과 촘촘하게 설계된 정책을 바탕으로 현장을 지속적으로 지원해 나갈 계획입니다.
이런 노력을 통해 중소기업부터 대한민국 제조 경쟁력을 단계적으로 끌어올릴 수 있도록 최선을 다하겠습니다. 현장에서 함께 힘을 모아 나가길 기대합니다.
■ 사회자 : 오늘 좌담회를 통해 확인할 수 있었듯이, 많은 제조 기업들은 여전히 스마트 제조를 넘어 제조 AX로 나아가는 과정에서 적지 않은 현실적 어려움에 직면해 있습니다. 인구 구조 변화로 인한 인력 부족, 현장 경험의 단절, 그리고 AI와 AX에 대한 이해 부족까지, 과제는 결코 단순하지 않습니다.
하지만 동시에, 이러한 위기를 기회로 전환할 수 있는 방향 역시 분명히 제시되었습니다. DX가 제조 현장의 기반을 다지는 과정이라면, AX는 그 위에서 판단과 자율성을 더해 새로운 경쟁력을 만들어가는 단계라는 점, 그리고 이 과정에서 기술 그 자체보다도 공장을 어떻게 운영하고 주도해 나갈 것인가에 대한 ‘오너십’이 무엇보다 중요하다는 점을 다시 한번 확인할 수 있었습니다.
또한 초기 비용 부담과 전문 인력 부족이라는 현실적인 장벽 속에서도, 정부 정책과 현장 밀착형 지원을 통해 중소 제조기업 역시 충분히 AX 전환을 시도할 수 있는 환경이 점차 마련되고 있다는 점도 인상 깊었습니다. 산업계, 정책당국, 그리고 현장을 잇는 연결 고리의 역할이 앞으로 더욱 중요해질 것이라는 데에도 공감대가 형성된 자리였습니다.
오늘 이 자리에 함께해 주신 세 분의 전문가께서 전해주신 깊이 있는 통찰과 경험이, 제조 AX 전환을 구체적으로 고민하고 한 걸음 더 나아갈 수 있는 실질적인 추진력이 되었기를 바랍니다.
헬로티 임근난 기자 |
