핵심 요약
- AI 활용 제조기업 83.5%는 부서·프로젝트 단위
- 병목은 모델이 아니라 현장 데이터의 순환
- 솔루션 선택보다 ‘데이터 건강검진’이 먼저
- 이번 주 확인할 것: 도입 전 기준선
정부가 6월 발표한 ‘제조AI 2030 전략’은 2030년까지 민관 20조원을 투자해 100조원 이상의 경제적 부가가치를 창출한다는 목표를 담았습니다. 국가 제조데이터 라이브러리와 제조 인공지능(AI) 파운데이션 모델, 풀스택 AI 팩토리, 지역 제조업 AI 대전환(M.AX) 클러스터를 구축하고 전문인력을 양성한다는 구상이며, AI 팩토리는 2025년 102개에서 2026년 200개 이상, 2030년 500개로 늘린다는 목표입니다.
뉴스핌 기획 [AI로 읽는 경제] 9회(정성훈 경제부장)는 이 숫자를 출발점으로 삼아, 앞선 일곱 편에서 다룬 제철소·정밀농업·신약개발·반도체 설계·자율운항선박·물류센터·로보택시 사례에서 하나의 공통 공식을 끌어냈습니다. 측정, 학습, 판단, 제어, 검증·재학습의 다섯 단계 순환입니다. 뉴스핌은 이 시리즈가 AI 어시스턴트가 분석한 내용을 바탕으로 기자가 정리한 것이라고 밝혔습니다.
“이 순환의 어느 고리가 끊기면, 즉 데이터가 없거나(측정) 설비가 연결되지 않거나(제어) 성과가 검증되지 않으면(검증), 아무리 좋은 모델을 넣어도 AI는 화면 위 대시보드에 머문다.”
도입률이 아니라 활용의 깊이
한국지능정보사회진흥원(NIA)이 제조업을 중심으로 분석한 자료에 따르면 2023년 국내 제조업의 AI 도입률은 25.4%로 전체 업종 평균 30.3%보다 낮았습니다. 도입 기업 안에서도 활용 범위는 좁았습니다. AI를 활용하는 제조기업의 83.5%는 1~2개 유관부서 또는 개별 프로젝트 단위에서 사용했고, 여러 부서에 연계한 기업은 13.8%, 전사적 활용은 2.8%였습니다. 기업 내부 AI 활용지침이 전혀 없다는 응답도 65.9%였습니다.
도입이 곧바로 인건비 절감으로 이어진 것도 아니었습니다. 조사에서 제조기업의 66.5%는 도입 이후 인력비용에 변화가 없다고 답했고, 25.8%는 오히려 증가했다고 응답했습니다. 기사는 그 이유를 데이터 정비와 시스템 운영, 검증·교육을 담당할 인력이 추가로 필요했기 때문이라고 설명했습니다.
대기업에는 데이터, 중소기업에는 비용
기사는 대기업이 생산설비와 데이터센터, AI 엔지니어, 유지보수 조직을 함께 보유해 AI로 절감한 비용을 다시 센서와 모델에 투자하는 선순환을 만드는 반면, 중소기업은 서로 다른 연식과 제조사의 설비를 연결하는 비용, 데이터 정비와 클라우드 이용료, 모델 업데이트와 보안, 유지보수 비용이 한꺼번에 발생한다고 짚었습니다. NIA 조사에서 제조기업의 애로는 적합한 정보·인프라 부족 36.8%, 전문인력 부족 34.7%, 양질의 AI 기술·서비스 부족 28.3%, 자금 부족 27.1% 순이었습니다.
경제협력개발기구(OECD) 자료에서는 최근 가용연도 기준 AI를 활용한 기업이 250명 이상 대기업 40%, 50~249명 기업 20.4%, 10~49명 기업 11.9%였고, 자율로봇·자율주행·드론 분야에서는 대기업 7.2%, 소기업 0.7%였습니다. 기사는 이 통계가 유럽연합(EU) 기준이어서 한국에 직접 적용하지 않고 경향 비교용으로만 인용한다고 밝혔습니다.
한국 기업 AX 시사점
기사가 제안한 ‘데이터 건강검진’은 기업 안에서 그대로 자가 점검표로 쓸 수 있습니다. 순서는 AI 솔루션을 고르는 일이 아니라, 설비 연결성과 데이터 품질, 공정의 경제적 병목, 현장인력과 보안수준을 먼저 진단하는 일입니다. 기사 표현대로 “어떤 기업은 AI보다 센서와 데이터 표준화가 먼저이고, 어떤 기업은 공정 자체를 단순화해야 한다”는 판단이 이 진단에서 갈립니다.
다섯 단계 순환을 자사 과제에 대보면 어느 고리가 비어 있는지 드러납니다. 센서에서 맥락이 포함된 데이터가 계속 생성되고 있는지(측정), 사람의 승인 아래 실제 설비가 AI의 판단을 실행할 수 있게 연결돼 있는지(제어), 경제성과 실패가 측정돼 다음 모델에 반영되는지(검증·재학습)를 각각 따져 보십시오. 어느 하나가 비어 있다면 모델을 바꾸는 것보다 그 고리를 잇는 일이 먼저입니다.
비용은 초기 구축비만으로 판단하지 않는 편이 안전합니다. 기사가 총소유비용 항목으로 든 연동·클라우드·업데이트·보안·교육·가동중단을 검토 단계에서부터 견적에 넣고, 데이터와 모델을 특정 공급기업에 묶어두지 않도록 이전권과 상호운용성을 계약 조건으로 확인해 두는 편이 순서입니다. 조사에서 제조기업의 25.8%가 도입 이후 인력비용 증가를 답한 만큼, 데이터 정비·운영·검증·교육 인력을 누가 맡을지도 도입 전에 정해 두어야 합니다.
이번 주에 확인할 것 하나는 도입 전 기준선입니다. 지금 검토 중이거나 이미 진행 중인 AI 과제에 대해 생산량과 불량률, 에너지, 작업시간, 사고, 유지비가 도입 전 수치로 기록돼 있는지, 그리고 1년·3년 뒤 같은 기준으로 다시 잴 계획이 있는지 확인해 보십시오. 기준선이 없으면 성과를 증명할 방법도, 실패에서 배울 방법도 남지 않습니다.