제조업 AI 도입률 77% 넘었지만 56%는 통합 준비 불확실…데이터 인프라·예외 대응·인간 참여형 거버넌스가 관건
AI, 공간컴퓨팅, 자율로봇, 실시간 데이터 처리 기술이 결합되며 스마트팩토리는 ‘피지컬 AI’ 시대로 진입하고 있다. 그러나 많은 제조기업은 막대한 투자에도 불구하고 AI의 운영 가치를 충분히 실현하지 못하고 있다. 핵심 원인은 기술 부족이 아니라 데이터 품질, 시스템 통합, 예외상황 대응, 인간과 AI의 역할 설계 등 실행 역량의 부족으로 분석된다.
AI 도입은 늘었지만 성과 전환은 더디다
스마트팩토리의 기술적 가능성은 어느 때보다 커졌다. 인공지능(AI), 공간 AI, 에이전트형 AI, 자율로봇, 실시간 데이터 처리 기술이 제조 현장에 도입되면서 공장은 더 똑똑하고 유연한 운영 체계로 전환되고 있다.
하지만 실제 성과는 기대에 미치지 못하는 경우가 많다. 2025년 제조업 AI 현황 조사에 따르면, 제조기업의 77% 이상이 어떤 형태로든 AI를 도입했지만, 56%는 기존 시스템이 완전한 AI 통합을 감당할 준비가 돼 있는지 확신하지 못하는 것으로 나타났다.
이는 스마트팩토리의 AI 전환이 단순한 기술 도입 문제가 아니라는 점을 보여준다. AI 모델이나 알고리즘 자체보다 이를 현장에 적용하고 운영 성과로 연결하는 실행 체계가 더 큰 변수로 떠오르고 있다.
공간 AI와 에이전트형 시스템, 스마트팩토리의 새 방향
공간 AI는 기계가 3차원 물리 환경을 실시간으로 인식하고 이해하며 행동할 수 있는 능력을 의미한다. 여기에 다단계 업무 흐름에서 목표를 자율적으로 수행하는 에이전트형 AI가 결합되면, 공장은 스스로 상태를 모니터링하고 비효율을 진단하며 물류를 조율하고 생산 조건 변화에 대응할 수 있다.
이는 기존 자동화 방식과 분명히 다르다. 전통적인 산업자동화 시스템은 사전에 정해진 규칙과 명령에 따라 움직였다. 반면 공간 AI와 에이전트형 AI는 현장의 맥락을 이해하고, 모호한 상황에도 대응할 수 있는 추론 능력을 제공한다.
이 모델에서 공장은 고정된 기계 집합이 아니라 스스로 조정하고 개선하는 동적 시스템에 가까워진다. 한 산업 분석에 따르면, AI는 제조 유지보수 비용을 25~40% 절감할 수 있으며, AI를 활용하는 생산시설의 78%는 폐기물 감소 효과를 보고한 것으로 나타났다.
운영 효과의 가능성은 분명하다. 그러나 문제는 이 가능성을 실제 제조 현장에서 얼마나 안정적으로 구현하느냐다.
가장 큰 병목은 알고리즘이 아니라 데이터
스마트팩토리가 AI 가치를 충분히 실현하지 못하는 가장 지속적인 장애물은 센서나 알고리즘 부족이 아니다. 핵심은 AI가 의존하는 데이터의 품질과 구조다.
공장 현장에서 수집되는 원시 데이터는 곧바로 신뢰할 수 있는 의사결정에 활용되기 어렵다. 데이터는 표준화돼야 하고, 정확한 시간 정보가 붙어야 하며, 실제 운영 이벤트와 연결돼야 한다.
데이터 맥락화가 부족하면 AI 시스템은 기술적으로는 맞지만 운영적으로는 오해를 부르는 결과를 낼 수 있다. 예를 들어 일관성 없는 센서 데이터를 학습한 예지보전 모델은 실제 고장이 아닌데도 이상을 경고해 생산 일정을 흔들 수 있다. 반대로 초기 고장 신호를 놓칠 수도 있다.
이 경우 문제는 AI 모델 자체가 아니라 모델에 데이터를 공급하는 파이프라인이다.
많은 제조기업은 여전히 분절된 데이터 생태계에서 운영되고 있다. 기존 MES와 SCADA 시스템, 고립된 PLC 데이터, 품질이 일정하지 않은 센서 데이터가 서로 단절돼 있는 경우가 많다. 이러한 구조가 통합되지 않는 한 AI는 생산 현장의 실제 상황보다 데이터의 빈틈을 반영한 결과를 내놓을 가능성이 크다.
‘단일 진실 공급원’이 스마트팩토리 기반
효과적인 스마트팩토리 운영을 위해서는 통합 데이터 계층이 필요하다. 흔히 ‘단일 진실 공급원’으로 불리는 개념이다.
생산 데이터, 품질 지표, 물류 정보가 서로 다른 시스템에 분리돼 있고 실시간으로 소통하지 않는다면 각 부서는 불완전한 그림을 바탕으로 움직이게 된다. 이때 AI 에이전트가 여러 기능을 동시에 최적화하려 하면 부분적으로는 합리적이지만 전체적으로는 비효율적인 결정을 내릴 수 있다.
통합 데이터 아키텍처로 전환하려면 단순한 기술 투자를 넘어 조직 차원의 결단이 필요하다. 기존 시스템을 통합하거나 단계적으로 정리하고, 부서 간 공통 데이터 표준을 세우며, 이를 지속적으로 유지해야 한다.
제조기업들은 앞으로도 자동화 하드웨어, 센서, 비전 시스템 투자를 확대할 것으로 예상된다. 그러나 이러한 투자가 성과로 이어지려면 그 아래에 있는 데이터 인프라가 먼저 준비돼 있어야 한다.
정상 상황만 보는 AI는 현장에서 무너진다
스마트팩토리 AI 도입에서 반복적으로 발생하는 실패 유형 중 하나는 이상적인 조건에서는 잘 작동하지만 실제 변동 상황에서는 무너지는 시스템이다. 이를 ‘해피 패스 문제’라고도 한다.
자율 시스템이 일상적인 생산 흐름에서는 완벽하게 작동하더라도 공급망 차질, 장비 이상, 인력 변화 등 변수가 발생하면 숨은 병목을 만들 수 있다.
따라서 예외상황 대응은 부가 기능이 아니라 핵심 설계 요건이다. AI 시스템은 자신이 익숙한 범위를 벗어난 상황에 놓였는지 인식할 수 있어야 한다. 또한 불확실성을 명확히 표시하고, 무리한 추정으로 결정을 내리기보다 적절한 단계에서 사람에게 알리거나 승인을 요청해야 한다.
스마트팩토리의 진짜 실력은 정상 운전 때보다 비정상 상황에서 드러난다.
인간 참여형 AI 거버넌스가 경쟁력
‘휴먼 인 더 루프’, 즉 인간 참여형 AI는 종종 AI가 아직 완전하지 않기 때문에 어쩔 수 없이 사람이 개입하는 방식으로 오해된다. 그러나 실제로는 안전성과 성능을 동시에 높이는 의도적인 아키텍처 선택에 가깝다.
2025년 제조업 조사에서도 제조 전문가의 53%는 인간 업무를 완전히 대체하는 AI보다, 인간의 작업 흐름을 지원하는 협업형 AI 에이전트를 선호하는 것으로 나타났다.
가장 효과적인 스마트팩토리 구현은 AI와 인간의 역할이 명확히 나뉜 구조다. AI는 정해진 범위 안에서 빈도가 높고 데이터 집약적인 의사결정을 처리한다. 반면 중대한 판단, 새로운 상황, 고위험 의사결정은 인간이 권한을 유지한다.
이를 운영 체계로 만들기 위해서는 명확한 에스컬레이션과 승인 기준이 필요하다. AI가 언제 계속 진행하고, 언제 멈추며, 언제 작업자에게 알릴지 정해져 있어야 한다.
이 기준이 없으면 두 가지 문제가 발생한다. 하나는 AI가 너무 자주 사람에게 넘겨 자동화 효율을 떨어뜨리는 경우다. 다른 하나는 너무 늦게 알리거나 알리지 않아 오류가 누적되는 경우다.
성과 내는 제조기업의 공통점
공간 AI와 에이전트형 AI 투자에서 일관된 성과를 내는 제조기업들은 공통된 접근 방식을 보인다.
먼저 데이터 인프라를 사후 과제가 아니라 선결 조건으로 다룬다. AI를 도입한 뒤 데이터를 정리하는 것이 아니라, AI가 신뢰할 수 있는 데이터를 활용할 수 있도록 기반을 먼저 만든다.
둘째, 제한된 환경에서 파일럿을 진행한 뒤 확장한다. 이를 통해 실제 조건에서 예외상황 대응 능력을 검증할 수 있다.
셋째, 운영팀을 에스컬레이션 프로토콜 설계에 참여시킨다. 이 과정을 기술 공급업체에만 맡기지 않고, 실제 현장을 아는 운영 인력이 AI 판단의 경계와 사람 개입 기준을 함께 정의한다.
넷째, 성과를 개별 기능이 아니라 시스템 전체 관점에서 측정한다. 특정 설비나 공정의 효율만 볼 것이 아니라 생산, 품질, 물류, 유지보수 전반에서 AI가 어떤 효과를 냈는지 평가한다.
스마트팩토리 AI, 리더십의 문제로 이동
제조업은 정적인 자동화와 고립된 시스템에서 벗어나 동적이고 에이전트형인 생태계로 전환하고 있다. 그러나 이 전환이 실제 가치를 만들지는 기술의 정교함만으로 결정되지 않는다.
핵심은 조직이 데이터를 얼마나 잘 준비하고, 시스템을 얼마나 긴밀하게 통합하며, 예외상황을 얼마나 현실적으로 설계하고, 인간과 기계의 권한 경계를 얼마나 명확히 정의하느냐다.
이는 단순한 기술 선택이 아니라 운영 리더십의 결정이다. 스마트팩토리 전략의 중심에는 AI 도입 여부가 아니라 AI가 실제 공장 운영에서 신뢰할 수 있는 결정을 내릴 수 있도록 만드는 실행 체계가 있어야 한다.
결국 스마트팩토리가 AI를 ‘도입’하는 시대는 이미 시작됐다. 다음 경쟁은 AI를 얼마나 잘 ‘운영’하느냐에서 갈릴 전망이다.
헬로티 김진희 기자 |
