스마트 팩토리 시대가 본격화되면서 제조 현장에서 생성되는 데이터의 활용 가치가 급격히 높아지고 있다. 기존에는 경험과 직관 중심의 의사결정이 주를 이뤘다면, 이제는 데이터 기반 분석과 AI 활용이 경쟁력을 좌우하는 핵심 요소로 자리 잡고 있다. 특히 생성형 AI와 반응형 AI를 결합한 분석 방식이 제조 산업에 최적화된 접근법으로 주목받고 있다. 데이터랩스 민경현 부장은 클라우드 기반 ‘미니탭 솔루션 센터(MSC)’를 통해 데이터 수집부터 분석, 시각화까지 전 과정을 통합하는 새로운 패러다임을 제시했다. 이 솔루션은 데이터 신뢰성과 분석 효율성을 동시에 확보하며, 스마트 팩토리의 실질적인 생산성 향상을 이끄는 핵심 도구로 평가받고 있다.

 

 

데이터는 넘치는데, 왜 제조 현장은 여전히 ‘감’에 의존할까

 

스마트 팩토리는 이미 많은 기업에서 구축을 마쳤거나 진행 중이다. MES, ERP, QMS 등 다양한 시스템이 연결되면서 제조 현장에는 과거와 비교할 수 없을 정도로 방대한 데이터가 쌓이고 있다. 그러나 역설적으로, 데이터가 많아질수록 의사결정이 더 어려워졌다는 현장의 목소리도 커지고 있다.

 

데이터랩스 민경현 부장은 이 지점을 핵심 문제로 짚는다. 그는 “과거에는 경험과 노하우 중심으로 판단을 했다면, 이제는 데이터 기반 의사결정으로 전환되고 있지만 실제 현장에서는 데이터가 의사결정으로 이어지지 않는 경우가 많다”고 설명한다.

 

문제는 데이터의 ‘양’이 아니라 ‘활용 구조’에 있다. 기업들은 데이터를 수집하는 데에는 성공했지만, 이를 분석하고 의미 있는 인사이트로 연결하는 체계는 여전히 부족하다. 실제로 데이터 기반 의사결정을 하는 기업이 그렇지 않은 기업보다 3배 이상의 성과를 낸다는 조사 결과는, 데이터 자체가 아니라 활용 방식이 경쟁력을 좌우한다는 사실을 보여준다.

 

또 하나의 문제는 AI에 대한 오해다. 많은 기업이 생성형 AI를 도입하면 데이터 분석까지 자동으로 해결될 것이라 기대하지만, 제조 현장은 다른 기준을 요구한다. “제조에서는 창의성보다 재현성과 신뢰성이 중요하다”는 민 부장의 설명은 이 차이를 명확하게 드러낸다.

 

결국 스마트 팩토리의 다음 단계는 ‘데이터 수집’이 아니라 ‘데이터 해석’이며, 그 중심에는 신뢰할 수 있는 분석 체계가 놓여야 한다는 문제의식이 점점 더 중요해지고 있다.

 

 

생성형 AI의 한계, 제조 현장이 요구하는 ‘다른 AI’

 

최근 몇 년 사이 생성형 AI는 산업 전반에 빠르게 확산됐다. 보고서 작성, 이미지 생성, 코드 작성 등 다양한 영역에서 혁신적인 생산성을 보여주고 있다. 하지만 제조 현장에서는 이 흐름이 그대로 적용되지 않는다.

 

민경현 부장은 생성형 AI의 한계를 이렇게 설명한다. “데이터를 넣고 분석을 해보면 결과는 그럴듯하지만, 근거가 없는 경우가 많다. 현실적으로 적용하기 어려운 결과도 자주 나온다.”

 

이 발언은 제조 산업에서 AI가 실패하는 이유를 단적으로 보여준다. 제조는 실험이 아니라 ‘운영’의 영역이다. 결과가 반복 가능해야 하고, 그 과정이 설명 가능해야 하며, 무엇보다 결과를 신뢰할 수 있어야 한다.

 

이 지점에서 등장하는 개념이 ‘반응형 AI’다. 반응형 AI는 검증된 데이터와 규칙 기반 알고리즘을 활용해 명확한 원인과 결과를 제시한다. 즉, 왜 이런 결과가 나왔는지를 설명할 수 있는 AI다.

 

민 부장은 “생성형 AI와 반응형 AI를 함께 활용해야 한다”고 강조한다. 생성형 AI는 아이디어를 확장하고 문제 해결 방향을 제시하는 데 유용하고, 반응형 AI는 실제 데이터를 기반으로 정확한 분석과 예측을 수행하는 역할을 맡는다.

 

이처럼 제조 현장에서 요구되는 AI는 단일 기술이 아니라, 서로 다른 성격의 AI를 결합한 ‘하이브리드 구조’다. 그리고 이 구조를 어떻게 설계하느냐가 향후 제조 경쟁력을 좌우할 핵심 요소로 떠오르고 있다.

 

 

데이터는 왜 연결되지 않는가, 분절된 분석 프로세스의 한계

 

많은 기업이 데이터 분석의 중요성을 인식하고 있음에도 불구하고, 실제 현장에서 분석이 제대로 작동하지 않는 이유는 무엇일까. 그 답은 ‘프로세스의 단절’에 있다.

 

기존 제조 환경에서는 데이터를 각 시스템에서 추출한 뒤 엑셀로 정리하고, 다시 분석 툴로 옮긴 후 결과를 PPT나 보고서로 작성하는 방식이 일반적이었다. 이 과정은 단순히 번거로운 수준을 넘어, 데이터 신뢰성을 훼손하는 구조적 문제를 안고 있다.

 

민 부장은 이 문제를 “데이터 이동 과정에서 발생하는 휴먼 에러와 정보 단절”이라고 지적한다. 데이터가 여러 단계를 거치며 변형되거나 누락될 가능성이 높고, 분석 결과 역시 일관성을 유지하기 어렵다.

 

또한 이러한 구조에서는 협업이 제한된다. 각 단계가 분리되어 있기 때문에 부서 간 데이터 공유가 어렵고, 문제 해결 과정이 단편적으로 진행된다.

 

결국 데이터 분석은 존재하지만 ‘문제 해결’로 이어지지 않는 상황이 반복된다. 분석 결과가 실제 공정 개선으로 연결되지 않는 이유도 여기에 있다.

 

이 문제를 해결하기 위해서는 단순히 더 좋은 분석 도구를 도입하는 것이 아니라, 데이터 흐름 자체를 재설계해야 한다. 즉, 데이터 수집부터 분석, 공유까지 전 과정이 하나의 흐름으로 연결되는 구조가 필요하다.

 

 

데이터 분석의 진짜 병목은 ‘전처리’, 그리고 자동화의 필요성

 

데이터 분석 프로젝트에서 가장 많은 시간이 소요되는 단계는 분석 자체가 아니라 ‘전처리’다. 실제로 전체 과정의 60% 이상이 데이터 정제에 사용되는 경우도 많다.

 

현장의 문제는 단순하다. 데이터는 존재하지만, 바로 사용할 수 없는 상태라는 점이다. 결측치, 이상치, 형식 불일치 등 다양한 문제가 존재하며, 이를 사람이 일일이 처리해야 한다.

 

민 부장은 이를 “요리를 하기 전 재료 손질과 같다”고 비유한다. 재료가 준비되지 않으면 아무리 좋은 레시피가 있어도 의미가 없다는 것이다. 이 과정이 반복되면서 분석 프로젝트는 지연되고, 결국 현장에서는 “데이터 분석은 시간이 오래 걸린다”는 인식이 굳어진다.

 

또 하나의 문제는 전문성이다. 통계나 데이터 분석에 대한 이해가 부족한 현장 인력은 분석 자체를 시도하기 어려운 경우가 많다.

 

이러한 문제를 해결하기 위해 등장한 것이 자동화와 AI 기반 전처리 기술이다. 자연어 명령을 통해 데이터 정제를 수행하거나, 반복 작업을 워크플로우로 저장해 재사용하는 방식은 분석의 진입장벽을 크게 낮춘다.

 

결국 데이터 분석의 경쟁력은 ‘얼마나 빠르게 분석하느냐’가 아니라, ‘얼마나 빠르게 분석 가능한 상태를 만들 수 있느냐’에 달려 있다.

 

데이터는 어떻게 ‘의사결정’이 되는가, 실제 사례가 보여준 변화

 

데이터가 실제 의사결정으로 이어지는 과정은 생각보다 복잡하다. 단순히 분석 결과를 도출하는 것만으로는 충분하지 않다. 중요한 것은 그 결과를 어떻게 해석하고, 어떻게 실행으로 연결하느냐다.

 

반도체 웨이퍼 생산 공정에서 발생한 결함률 문제 사례는 이를 잘 보여준다. 해당 프로젝트에서는 품질, 생산, 설계, 연구개발 부서가 동시에 참여해 문제 해결을 진행했다.

 

먼저 브레인스토밍을 통해 가능한 원인을 최대한 도출하고, 그중 중요한 변수를 선정했다. 이후 데이터를 수집하고 전처리한 뒤 분석을 수행했다.

 

분석 결과 특정 라인에서 문제가 집중적으로 발생하고 있음을 확인했으며, 추가적인 모델 분석을 통해 공정 조건과 결함률 사이의 관계를 구체적으로 파악했다.

 

특히 민 부장은 “모델의 정확도뿐 아니라 실제 적용 가능성도 중요하다”고 강조한다. 예측력이 높은 모델이라도 현장에서 이해하고 적용하기 어려우면 의미가 없다는 것이다.

 

이 사례는 데이터 분석이 단순한 기술이 아니라, 협업과 해석, 실행이 결합된 ‘문제 해결 프로세스’임을 보여준다. 그리고 이 프로세스가 제대로 작동할 때 비로소 데이터는 가치로 전환된다.

 

스마트 팩토리의 다음 경쟁력, ‘데이터를 연결하는 능력’

 

스마트 팩토리의 초기 단계가 데이터 수집과 자동화였다면, 다음 단계는 명확하다. 데이터를 얼마나 효과적으로 연결하고 활용하느냐가 핵심 경쟁력이 된다.

 

민경현 부장은 “AI는 단순한 도구가 아니라, 데이터를 해석하고 활용하는 플랫폼으로 봐야 한다”고 말한다. 이 관점에서 보면 중요한 것은 기술 자체가 아니라 ‘구조’다. 생성형 AI와 반응형 AI를 어떻게 결합할 것인지, 데이터 흐름을 어떻게 통합할 것인지, 그리고 분석 결과를 어떻게 현장 실행으로 연결할 것인지가 핵심이다.

 

특히 클라우드 기반 환경은 이러한 구조를 구현하는 데 중요한 역할을 한다. 데이터, 분석, 협업이 하나의 공간에서 이루어질 때 비로소 데이터 기반 의사결정이 현실화된다.

 

결국 스마트 팩토리의 미래는 더 많은 데이터를 쌓는 것이 아니라, 데이터를 ‘이해하고 활용하는 능력’에 달려 있다. 그리고 그 출발점은 지금까지 당연하게 여겨왔던 데이터 활용 방식에 대한 근본적인 질문에서 시작된다.

 

헬로티 임근난 기자 |