제조 현장에 AI를 도입했지만, 실제로 운영되는 사례는 많지 않다. 수많은 제조 AI 프로젝트가 PoC 단계에서 멈추거나 양산 라인에 안착하지 못한 채 사라졌다. 이 문제를 기술 한계로만 설명하는 시선도 여전하다. 그러나 라온피플 윤기욱 CTO는 제조 AI의 실패 원인을 전혀 다른 지점에서 짚는다. “제조 AI는 기술 문제가 아니라 운영 구조의 문제”라는 것이다. GPU 인프라와 AI 전문 인력을 전제로 설계된 기존 접근 방식은 오래된 생산 라인과 복잡한 공정 환경을 가진 제조 현장과 충돌할 수밖에 없었다. 여기에 데이터 관리, 모델 유지, 성능 저하 대응이라는 현실적인 과제가 더해지며 제조 AI는 ‘도입은 했지만 쓰이지 않는 기술’로 남았다. 라온피플은 제조 AI 플랫폼 ‘NAVI AI PRO’, 통합 MLOps 플랫폼 ‘EZ PLANET’, 생성형 AI 기반 지능형 관제 ‘Odin AI’, AI 에이전트 ‘HI FENN’을 통해 이 구조적 한계를 재정의하고 있다. 여기서는 제조 AI와 생성형 AI가 어떻게 ‘현장에서 살아남는 기술’로 전환되고 있는지를 짚는다. 제조 AI는 왜 현장에 정착하지 못했나 제조 AI는 오랫동안 ‘도입 대비 효과가 불분명한 기술’
스마트팩토리 및 제조 AI 솔루션 전문기업 엠아이큐브솔루션이 상장 이후 첫 무상증자를 결정하며 주주환원과 유통주식 확대에 나선다. 엠아이큐브솔루션은 보통주 1주당 신주 2주를 배정하는 200% 무상증자를 결의했다고 27일 밝혔다. 이번 무상증자의 신주 배정 기준일은 2026년 2월 10일로, 기준일 현재 주주명부에 등재된 주주에게 보유 주식 1주당 2주의 신주가 배정된다. 무상증자가 완료되면 총 발행 주식 수는 기존 503만7930주에서 1511만3790주로 3배 확대된다. 신주의 상장 예정일은 2026년 3월 4일이다. 무상증자 발표 직후 시장 반응도 나타났다. 엠아이큐브솔루션 주가는 공시 당일인 1월 26일 전 거래일 대비 29.97% 상승한 1만320원에 거래를 마치며 강세를 보였다. 유통 주식 수 확대에 따른 거래 활성화 기대가 주가에 반영된 것으로 풀이된다. 엠아이큐브솔루션은 2025년을 ‘자율제조 시대를 여는 기업’의 원년으로 삼고, 품질 예측, 이상 탐지, 예지보전, 공정 최적화로 구성된 제조 AI 솔루션 4종을 공개한 바 있다. 제조 현장에서 수요가 높은 핵심 기능을 중심으로 솔루션 라인업을 구축하며 시장 변화에 대응해왔다. 이 같은 기술 경쟁
마키나락스는 한국인공지능산업협회가 주관하는 ‘2026 Emerging AI+X Top 100’에 선정됐다고 밝혔다. 이로써 마키나락스는 2021년 이후 제조 부문에서 6년 연속 이름을 올리게 됐다. ‘Emerging AI+X Top 100’은 한국인공지능산업협회(AIIA)가 국내 AI 기업을 대상으로 기술 경쟁력과 산업 적용 성과, 성장성을 종합적으로 평가해 선정하는 리스트다. 마키나락스는 첨단 제조 현장에 특화된 AI 솔루션을 상용화하고 운영해 온 경험을 바탕으로 산업 융합 성과를 인정받았다. 마키나락스는 자체 AI 플랫폼 런웨이(MakinaRocks Runway)를 기반으로 제조 기업이 데이터를 수집·분석하는 단계부터 모델 개발, 운영, 확산까지 전 주기(End-to-end)를 관리할 수 있는 환경을 구축해왔다. 최적화, 예측, 예지보전 등 전통적인 제조 특화 AI 분야뿐 아니라, 최근에는 대형언어모델(LLM)과 에이전트 기술을 접목한 특화 솔루션 공급도 가속하고 있다. 중공업과 반도체 등 고복잡 제조 환경을 대상으로 한 도면 특화 AI 솔루션은 이러한 기술 역량을 대표하는 사례다. 첨단 제조 설비 하나를 제작하는 과정에서는 수천 장의 도면이 생성되며,
정부가 제조·산업 전반의 AI 대전환(AX)을 국가 핵심 전략으로 공식 선언한 가운데, 2026년 제조 AX의 본격적인 변화와 미래 전략을 조망하는 대규모 온라인 컨퍼런스가 열린다. 오는 2월 2일 오후 2시부터 4시까지 진행되는 '2026 제조AX(M.AX) 대전망 온라인 컨퍼런스 Day1. 제조AI'는 AI 지능화와 자율제조, 지속가능 생산 혁신을 주제로 국내 제조기업과 관련 기관에 실질적인 인사이트를 제공할 예정이다. 이번 컨퍼런스는 대한민국 산업계가 직면한 'AI 대전환'의 거대한 흐름을 정확히 분석하고, 미래 경쟁력 확보를 위한 선제적 대응 방안을 모색하는 자리로 마련됐다. 특히 '제조 AX 얼라이언스(M.AX Alliance)' 출범과 함께 2026년을 기점으로 산업 현장에서 본격화될 변화의 방향성을 제시한다는 점에서 업계의 높은 관심이 예상된다. 첫 번째 세션에서는 백인송 한국마이크로소프트 매니저가 '성공적인 AI 도입과 혁신 전략'을 주제로 발표에 나선다. 글로벌 기술 기업의 시각에서 바라본 제조업 AI 도입의 핵심 성공 요인과 실행 전략을 공유할 예정이다. 이어서 이원희 데이터랩스 책임연구원이 '제조 혁신의 과거, 현재, 그리고 미래'라는 주
정부가 제조·산업 전반의 AI 대전환(AX)을 국가 핵심 전략으로 공식 선언한 가운데, 2026년 제조 AX의 본격적인 변화와 미래 전략을 조망하는 대규모 온라인 컨퍼런스가 열린다. 오는 2월 2일 오후 2시부터 4시까지 진행되는 '2026 제조AX(M.AX) 대전망 온라인 컨퍼런스 Day1. 제조AI'는 AI 지능화와 자율제조, 지속가능 생산 혁신을 주제로 국내 제조기업과 관련 기관에 실질적인 인사이트를 제공할 예정이다. 이번 컨퍼런스는 대한민국 산업계가 직면한 'AI 대전환'의 거대한 흐름을 정확히 분석하고, 미래 경쟁력 확보를 위한 선제적 대응 방안을 모색하는 자리로 마련됐다. 특히 '제조 AX 얼라이언스(M.AX Alliance)' 출범과 함께 2026년을 기점으로 산업 현장에서 본격화될 변화의 방향성을 제시한다는 점에서 업계의 높은 관심이 예상된다. 첫 번째 세션에서는 백인송 한국마이크로소프트 매니저가 '성공적인 AI 도입과 혁신 전략'을 주제로 발표에 나선다. 글로벌 기술 기업의 시각에서 바라본 제조업 AI 도입의 핵심 성공 요인과 실행 전략을 공유할 예정이다. 이어서 이원희 데이터랩스 책임연구원이 '제조 혁신의 과거, 현재, 그리고 미래'라는 주
앤시스코리아는 지난 22일 서울 삼성동 코엑스에서 엔지니어링 시뮬레이션 기반 AI 적용 전략을 공유하기 위해 마련한 ‘산업 맞춤형 시뮬레이션 AI 솔루션 세미나’를 성황리에 마쳤다고 밝혔다. 이번 세미나는 ‘설계부터 운영까지, AI가 바꾸는 엔지니어링’을 주제로, AI 도입 이후 엔지니어링 시뮬레이션의 역할과 범위가 어떻게 재정의되고 있는지를 살펴보고, 제품 개발 전 주기에서 변화하는 시뮬레이션 프로세스와 산업 현장의 주요 트렌드를 실제 사례를 바탕으로 공유하기 위해 마련됐다. 행사 당일에는 다양한 산업군의 엔지니어와 실무 담당자 약 190명이 참석했다. 세미나는 패드메쉬 맨들로이 앤시스 고객지원 부문 아시아 부사장이 ‘AI로 혁신하는 엔지니어링 시뮬레이션’을 주제로 개회사를 전하며 시작됐다. 이후 산업 현장에서 요구되는 시뮬레이션 기반 AI 적용 방안을 중심으로 총 6개의 발표 세션이 진행됐다. 첫 발표에서는 강태신 앤시스코리아 전무가 ‘앤시스가 만드는 디지털 제조 생태계’를 주제로 디지털 전환 시대 제조 산업이 직면한 핵심 과제를 짚고, 제품 설계부터 제조 공정까지 전 과정을 아우르는 엔드투엔드 시뮬레이션 플랫폼 기반 접근 방식을 소개했다. 또한 시뮬레이
정책은 AI를 향하지만, 산업 승부는 장비·기계 기술에서 갈린다 AI 이후 준비하는 제조업, 한국이 마주한 구조적 한계와 선택지 제조업 현장에서 인공지능(AI)은 더 이상 선택의 문제가 아니다. 공정 자동화, 품질 검사, 예지보전, 자율로봇 운영까지 AI는 제조 경쟁력의 핵심 도구로 자리 잡았다. 글로벌 제조 AI 시장은 2025년 약 342억 달러에서 2030년 1,550억 달러 규모로 성장할 것으로 전망되며, 연평균 성장률은 35%를 상회한다. 주요 제조국들은 예외 없이 AI를 제조업 혁신의 핵심 축으로 삼고 정책과 투자를 확대하고 있다. 그러나 최근 산업계와 정책 현장에서 보다 근본적인 질문이 제기되고 있다. AI 경쟁이 일정 수준에 도달한 이후, 제조업의 진짜 승부처는 어디인가라는 물음이다. 한국기계연구원이 발간한 기계기술정책 보고서는 이에 대해 분명한 방향성을 제시한다. AI 경쟁의 다음 국면에서 국가와 기업의 경쟁력을 가르는 요소는 AI 그 자체가 아니라, AI가 구현되는 ‘기계와 장비의 본질적 성능’이라는 진단이다. AI가 주도한 제조 혁신, 그러나 물리적 한계는 여전히 존재 제조 AI는 방대한 데이터를 분석해 공정의 최적해를 도출하고, 불량과
씨이랩이 피지컬 AI 확산 흐름에 맞춰 산업 현장에서 인공지능을 빠르고 안정적으로 적용할 수 있는 통합 솔루션 모델을 강화하고 있다고 15일 밝혔다. 피지컬 AI는 센서와 카메라, 레이더 등을 통해 물리적 환경을 인식하고, AI가 상황을 판단한 뒤 로봇과 장비가 직접 행동하는 지능형 시스템이다. 이동과 조작, 협업 등 현실 공간에서의 물리적 상호작용을 기반으로 산업 자동화 수준을 한 단계 끌어올리는 핵심 기술로 주목받고 있다. 다만 실제 산업 현장에서는 AI 성능 검증 이후 확산 단계에서 인프라 운영 부담과 비용 증가, 현장 신뢰성 검증 부족 등의 문제로 적용에 속도를 내지 못하는 경우가 많다. 씨이랩은 이러한 병목을 해소하기 위해 AI 인프라 운영, 비전 AI 분석, 디지털 트윈 기반 검증이라는 세 가지 핵심 사업 영역을 유기적으로 연결한 통합 구조를 구축했다. AI 인프라 영역에서는 GPU 클러스터 관리 솔루션 아스트라고(AstraGo)를 통해 대규모 AI 모델이 구동되는 환경에서도 효율적인 자원 운영을 지원한다. GPU 자원의 자동 할당과 모니터링을 통해 성능 저하와 유휴 자원 낭비를 줄여, 산업 현장의 인프라 운영 부담을 낮춘다는 설명이다. 비전 AI
AI를 도입하는 기업은 늘어나고 있지만, 실제 현장에선 ‘효과’보다 ‘피로감’이 더 커지고 있다. 글로벌 기업의 84%가 AI에 큰 기대를 걸지만 실제 적용률은 14%, 프로젝트 실패율은 무려 80%에 달한다. 데모는 화려하고 PoC는 준수하게 돌아가지만, 정작 프로덕션 확산 단계에서 번번이 좌초되는 이유는 무엇일까. AVEVA 윤병철 프로는 그 답을 ‘데이터 구조’에서 찾는다. 정유 플랜트의 경우 복잡한 조건, 패턴, 배치, 품질, 에너지 데이터를 AI가 스스로 이해할 수 있게 만들기 위해서는 시간·구조·맥락·추적성을 갖춘 지능형 데이터 허브가 필수라고 강조한다. 그는 EF(Event Frame)와 AF(Asset Framework)라는 두 축을 통해 AI가 현장 의사결정을 대체하는 수준으로 작동하는 실제 사례를 제시하며, 이제는 ‘시도’가 아닌 ‘실행’에 투자할 때라고 말한다. AI 도입 실패하는 이유, 기술이 아니라 데이터 구조의 빈틈 산업 현장에서 AI 도입은 선택이 아닌 생존 전략으로 인식되고 있다. 그러나 숫자는 냉정하다. 글로벌 기업의 84%가 AI에 큰 기대를 걸지만 실제 적용 비율은 14%에 머무르며, 프로젝트 실패율은 무려 80%를 기록한다
제조업에서 AI의 역할을 둘러싼 논쟁은 오래 지속돼 왔다. 자동화가 인력을 대체하고 현장 역할을 약화시킬 것이라는 두려움도 여전히 남아 있다. 그러나 로크웰오토메이션코리아 신경철 부장이 제시한 글로벌 제조 트렌드는 다른 방향을 가리킨다. AI는 인력을 줄이는 기술이 아니라, 현장의 사고방식과 업무구조를 재편하는 촉매에 가깝다. 로직스 AI·가디언 AI·비전 AI·코파일럿은 설비 기반 예지보전, 품질 검사, 제어 자동화 등 제조업의 핵심 업무를 새로운 방식으로 재정의하며, 숙련 인력 부족·품질 편차·운영 복잡성 등 오래된 제조 과제를 풀기 위한 현실적 접근법을 제시한다. AI는 더 이상 미래의 실험이 아니다. 공장의 한 모터, 한 라인, 한 카메라에서 시작해 전체 운영 체계로 확장되는 실질적 전환의 시기가 도래했다. 글로벌 제조 AI 트렌드와 스마트 팩토리 과제의 재정의 전 세계 제조업이 AI 도입을 검토하는 단계에서 기업들은 기술 자체보다 ‘운영 지속성’에 초점을 맞추기 시작했다. 신경철 부장은 로크웰오토메이션이 10년 넘게 추적해 온 글로벌 스마트 제조 보고서의 데이터를 통해, 제조 AI가 단순한 기술 실험에서 벗어나 운영 체계 전반에 영향을 미치는 변곡점
설비 신호가 흐르고 검사 장비의 측정치가 쌓이며 전사적자원관리(ERP)와 제조실행시스템(MES) 등 체계에도 방대한 이력이 남는다. 그런데도 불량 대응이나 공정 안정화 속도가 기대만큼 오르지 않는 이유는 데이터의 ‘양’이 부족해서가 아니다. 데이터가 ‘결론’과 ‘조치’까지로 이어지지 못하기 때문이다. 이레테크는 제조 데이터 활용을 단순한 ‘수집’ 단계에서 매듭짓지 않는다. 제조·품질 현장이 운영 의사결정하는 과정에서 병목 지점을 세분화해 그에 맞는 시스템을 지원한다. 특히 현장 내 데이터 수집·연결·모니터링·분석·시뮬레이션까지를 하나의 흐름으로 통합하는 방법론을 취한다. 이를 통해 현장에서 유사한 문제가 반복될 때마다 공정 설계를 처음부터 다시 시작해야 하는 비효율을 완전히 제거하겠다고 나섰다. 대시보드는 구축돼 있는데 왜 결론은 늦어지는가 산업 현장에는 대부분 모니터링·알람·리포트가 고도화된 대시보드가 도입돼 있다. 하지만 정작 의사결정이 지연되는 사례는 부지기수다. 지표가 ‘시각화되는 것’과 이상 발생 시 ‘즉각적으로 움직이는 것’은 전혀 다른 차원의 문제기 때문이다. 이레테크가 방법론의 최상단에 둔 것은 화려한 분석 기법이 아니라 실전적인 운영 효율 극
제조 현장에서 AI가 체감으로 이어지지 않는 이유는 ‘인공지능(AI) 성능이 약해서’가 아니라 ‘현장이 결론에 도달하는 속도가 느려서’라는 말이 나온다. 공정이 아무리 빨라도 문제가 생겼을 때 범위를 좁히고 원인을 가설화하고 재발 방지까지 결정하는 흐름이 느리면 비용은 커진다. 컨포트랩은 이러한 문제의 해법을 제조 AX 관점에서 제시한다. 핵심은 AI 도입 여부가 아니라, 기록·추적·보고가 자동화돼 의사결정까지 걸리는 시간을 얼마나 줄이느냐다. 노코드 기반 제조 운영 관리 솔루션 ‘포타(POTa)’는 현장 데이터를 구조화된 기록으로 연결하고, 품질·생산·설비 예지보전까지 하나의 흐름으로 묶는다. 이를 통해 제조 현장은 숙련자 의존에서 벗어나, 데이터 기반으로 빠르게 판단하고 계획정지를 설계하는 운영 체계로 전환하고 있다. 제조 AX의 승부처는 ‘정확도’보다 ‘결론까지 도달하는 시간’ 최근 현장에서 발생하는 모든 비용은 불량률 그래프 하나로 설명이 끝나지 않는다. 더 큰 비용은 불량이 터진 이후에 발생한다. 범위를 넓게 잡으면 폐기, 재작업, 자발적 수거, 납기 차질 등까지도 비용에 영향을 미친다. 이러한 위협은 고객 리스크로 이어진다. 결국 핵심은 얼마나 빨
2026년은 AI 실험 단계를 넘어 신뢰할 수 있는 데이터 기반의 자율 운영과 실질적 성과 창출의 해가 될 것 데이터 관리 분야 글로벌 선도 기업 디노도(Denodo)가 2026년 기업이 주목해야 할 데이터 시장 10대 전망을 발표했다. 디노도는 2026년이 기업들이 단순한 인공지능(AI) 실험 단계를 넘어, 신뢰할 수 있는 실시간 데이터와 강력한 거버넌스를 바탕으로 ‘자율 에이전트(Autonomous Agent)’를 본격 도입하고 실질적인 투자 수익률(ROI)을 거두는 원년이 될 것으로 내다봤다. 특히 물리적 데이터 이동을 최소화하는 ‘논리적 데이터 관리’가 데이터 레이크를 보완하며 AI 전환의 핵심 동력이 될 것이라고 강조했다. 디노도가 제시하는 2026년 주요 데이터 시장 전망은 다음과 같다. 하나, AI, ‘어시스턴트’를 넘어 ‘자율 에이전트 운영자’로 진화 AI는 수동적인 어시스턴트 역할을 넘어 다단계 업무 수행, 워크플로우 실행, 트랜잭션(Transaction) 작업 승인, 인간과의 협업까지 수행하는 자율형 에이전트로 진화할 것이다. 다만 이러한 자율형 에이전트가 확산되기 위해서는 실시간으로 관리할 수 있고 거버넌스가 적용된 데이터 기반이 필수적이
생산성·정밀가공 요구 커지는 제조 환경 변화에 공동 대응 SIMTOS 2026 공동 컨퍼런스 통해 기술 전략 공유 본격화 자동차 산업과 공작기계 산업이 생산제조 기술을 매개로 협력의 보폭을 넓힌다. 한국공작기계산업협회와 한국자동차산업협동조합은 지난 12월 23일 자동차 및 부품 제조 분야의 기술 경쟁력 강화를 위한 업무협약을 체결하고, 산업 간 연계를 통한 공동 대응 체계를 구축하기로 했다. 양 산업은 전통적으로 긴밀하게 연결돼 왔지만, 최근 협력의 필요성은 더욱 분명해지고 있다. 친환경차 전환 가속화, 글로벌 공급망 재편, 생산 효율과 품질을 동시에 요구하는 제조 환경 변화 속에서 고정밀 가공 기술과 고생산성 장비의 중요성이 커지고 있기 때문이다. 여기에 데이터 기반 제조 AI 확산까지 더해지며, 공작기계 기술과 자동차 제조 공정 간 연계 수요도 빠르게 증가하고 있다. 이번 협약은 이러한 산업 환경 변화를 공동으로 대응하기 위한 실질적 협력 모델 구축에 초점이 맞춰져 있다. 양 기관은 산업 간 교류 확대를 위한 공동 사업 발굴을 비롯해, 생산제조 기술 관련 정보 교류를 위한 컨퍼런스 공동 기획·운영, 주최 전시회 상호 참가, 협력 사업 홍보 자료 공유 등
우리가 사용하는 플라스틱 제품 대부분은 녹인 플라스틱을 금형에 주입해 동일한 제품을 대량 생산하는 사출성형 공정을 통해 만들어진다. 그러나 공정 조건이 조금만 달라져도 불량이 발생하기 쉬워, 그동안 제조 현장에서는 숙련자의 경험과 감에 크게 의존해 왔다. 고숙련자 은퇴와 외국인 인력 증가로 제조 지식 단절이 우려되는 가운데, 국내 연구진이 인공지능으로 공정을 스스로 최적화하고 지식을 전수하는 해법을 제시했다. KAIST는 기계공학과 유승화 교수 연구팀이 사출 공정을 스스로 최적화하는 생성형 AI 기술과, 현장 지식을 누구나 활용할 수 있도록 지원하는 LLM 기반 지식 전이 시스템을 세계 최초로 개발하고 그 성과를 국제학술지에 연속 게재했다고 22일 밝혔다. 연구는 기계공학과와 이노코어 PRISM-AI 센터가 공동으로 수행했다. 첫 번째 성과는 환경 변화나 요구 품질에 따라 자동으로 최적 공정 조건을 추론하는 생성형 AI 기반 공정추론 기술이다. 기존에는 온도나 습도, 목표 품질이 바뀔 때마다 숙련자가 반복적인 시행착오를 거쳐 공정 조건을 다시 설정해야 했다. 연구팀은 실제 사출 공장에서 수개월간 수집한 환경 데이터와 공정 파라미터를 활용해 확산 모델(Diff
상호명(명칭) : (주)첨단 | 등록번호 : 서울,자00420 | 등록일자 : 2013년05월15일 | 제호 :헬로티(helloT) | 발행인 : 이종춘 | 편집인 : 김진희 |
본점 : 서울시 마포구 양화로 127, 3층, 지점 : 경기도 파주시 심학산로 10, 3층 | 발행일자 : 2012년 4월1일 | 청소년보호책임자 : 김유활 | 대표이사 : 이준원 | 사업자등록번호 : 118-81-03520 | 전화 : 02-3142-4151 | 팩스 : 02-338-3453 | 통신판매번호 : 제 2013-서울마포-1032호
copyright(c) HelloT all right reserved
UPDATE: 2026년 01월 31일 11시 03분
