제조업 AX

제조업 AX는 공장의 판단 체계를 바꾸는 일이다

제조업에서 AI를 쓴다는 말은 낯설지 않다. 이미 많은 공장은 센서, 로봇, 자동 검사 장비, MES, ERP, 설비 모니터링 시스템을 갖추고 있다. 그러나 이것만으로 AX 전환이 이루어지지는 않는다.

스마트팩토리가 설비와 공정을 연결하고 데이터를 보이게 만드는 단계였다면, 제조업 AX는 그 데이터를 바탕으로 품질, 설비, 생산계획, 작업자 판단을 더 빠르고 정확하게 만드는 단계다. 핵심은 공장 안의 의사결정이 경험과 보고서에만 의존하지 않고, 데이터와 AI의 추천을 함께 활용하도록 바뀌는 것이다.

제조업 AX의 목적은 단순한 자동화가 아니다. 불량을 더 빨리 찾고, 고장을 미리 막고, 납기 리스크를 먼저 감지하고, 작업자가 현장에서 더 좋은 판단을 내리게 하는 것이다. 결국 제조업 AX는 '잘 만드는 능력'을 지능화하는 일이다.

품질 관리는 검사에서 예방으로 이동한다

제조업에서 가장 먼저 AI 효과를 확인하기 쉬운 영역은 품질이다. 품질 문제는 비용과 직결된다. 불량이 늦게 발견될수록 재작업, 폐기, 클레임, 납기 지연이 커진다. 그래서 AI는 단순히 검사 속도를 높이는 도구가 아니라 불량 발생 자체를 줄이는 도구로 설계되어야 한다.

품질 AX는 세 단계로 발전한다.

첫째, 이미지 검사다. 카메라로 제품 외관을 촬영하고 AI가 흠집, 오염, 변형, 조립 불량, 색상 차이 등을 감지한다. 기존 룰 기반 검사는 미리 정의한 기준에 강하지만, 예상하지 못한 결함이나 미세한 패턴 변화에는 약할 수 있다. 이미지 AI는 많은 양의 정상·불량 이미지를 학습해 사람이 놓치기 쉬운 패턴을 찾는 데 강점이 있다.

다만 이미지 검사 AI는 모델만 좋다고 성과가 나지 않는다. 조명, 카메라 위치, 촬영 각도, 해상도, 불량 라벨 기준이 함께 맞아야 한다. 같은 흠집이라도 어느 정도부터 불량인지 기준이 흔들리면 AI도 흔들린다. 따라서 품질 AI 프로젝트의 첫 작업은 모델 선정이 아니라 검사 기준의 표준화다.

둘째, 불량 원인 분석이다. 불량은 결과이고 원인은 공정 안에 숨어 있다. 원자재 로트, 설비 상태, 온도, 압력, 속도, 작업조, 금형 사용 횟수, 습도, 공급사, 검사자 기준 등 여러 변수가 얽혀 있다. AI는 이 데이터를 함께 분석해 불량과 관련이 높은 조건을 찾아낸다.

이때 AI의 역할은 '정답 선언'이 아니라 '가설의 우선순위 제시'에 가깝다. 예를 들어 특정 설비에서 야간 교대 시간 이후 불량률이 높아졌고, 동시에 압력 편차가 커졌다면 AI는 이를 품질팀과 공정 엔지니어에게 알려준다. 사람은 현장 지식으로 원인을 검증하고 조치한다.

셋째, 공정 조건 추천이다. AI가 과거 생산 이력과 품질 결과를 바탕으로 온도, 압력, 속도, 투입량, 경화 시간, 냉각 조건 같은 공정 변수를 추천하는 방식이다. 이 단계에서는 안전한 범위 설정이 중요하다. AI가 아무 값이나 제안해서는 안 된다. 공정 엔지니어가 허용 가능한 상한과 하한을 정하고, AI는 그 안에서 품질과 생산성을 높이는 조건을 추천해야 한다.

품질 AX의 목표는 검사원을 대체하는 것이 아니다. 검사원과 품질 엔지니어가 더 중요한 문제에 집중하게 하는 것이다. 단순 결함 감지는 AI가 돕고, 원인 판단과 재발 방지 설계는 사람이 맡는 구조가 바람직하다.

예지보전은 설비 데이터를 유지보수 판단으로 연결한다

제조 현장에서 설비 고장은 곧 생산 차질이다. 특히 핵심 설비 하나가 멈추면 전체 라인이 멈춘다. 예지보전은 설비가 고장 난 뒤 수리하는 방식이 아니라, 고장 가능성을 미리 감지해 계획된 시간에 정비하는 방식이다.

예지보전을 위해서는 두 종류의 데이터가 함께 필요하다.

하나는 설비 센서 데이터다. 진동, 온도, 전류, 압력, 유량, 소음, 회전수, 토크, 에너지 사용량 같은 데이터가 여기에 해당한다. 이 데이터는 설비가 현재 어떤 상태인지 보여준다.

다른 하나는 유지보수 이력이다. 언제 어떤 부품을 교체했는지, 어떤 알람이 발생했는지, 고장 원인이 무엇이었는지, 정비 후 얼마나 정상 가동되었는지에 대한 기록이다. 이 데이터는 과거의 고장 패턴을 설명한다.

AI는 두 데이터를 결합해 이상 징후를 찾고 고장 가능성을 점수화한다. 예를 들어 모터의 진동 패턴이 평소보다 달라지고, 전류 사용량이 증가하며, 비슷한 패턴이 과거 베어링 교체 직전에 나타났다면 AI는 정비 필요성을 알려줄 수 있다.

하지만 예지보전도 처음부터 모든 설비에 적용하면 실패하기 쉽다. 먼저 멈추면 손실이 큰 병목 설비를 고르는 것이 좋다. 다음 기준으로 시작 대상을 정할 수 있다.

• 고장 시 생산 손실이 큰 설비

• 고장 빈도가 높거나 원인 파악이 어려운 설비

• 센서 데이터와 정비 이력이 어느 정도 축적된 설비

• 정비팀이 실제 조치를 취할 수 있는 설비

• 부품 수급이나 정비 일정 조정 효과가 큰 설비

예지보전의 성과는 예측 정확도만으로 판단하면 안 된다. 중요한 것은 실제 운영 지표가 좋아졌는가이다. 비계획 정지가 줄었는지, 평균 고장 간격이 길어졌는지, 평균 수리 시간이 줄었는지, 긴급 정비 비용이 감소했는지를 봐야 한다.

AI가 고장을 예측해도 정비 계획이 바뀌지 않으면 AX가 아니다. 예지보전의 핵심은 예측 모델이 아니라 정비 의사결정 프로세스의 변화다.

생산계획과 공급망은 시나리오 기반으로 바뀐다

제조업의 생산계획은 늘 제약 속에서 이루어진다. 수요는 변하고, 자재는 늦게 들어오고, 설비는 멈추며, 인력은 제한되고, 고객 납기는 앞당겨진다. 계획 담당자는 매일 수많은 변수를 조정한다.

AI는 이 복잡한 조정 업무에서 큰 역할을 할 수 있다. 특히 생산계획과 공급망 최적화에서는 다음 질문에 답하는 데 유용하다.

• 이번 주 수요 변동이 생산계획에 어떤 영향을 주는가

• 특정 자재 입고가 늦어지면 어떤 주문의 납기가 위험한가

• 어떤 제품을 먼저 생산해야 전체 지연을 줄일 수 있는가

• 설비 고장 가능성을 반영하면 계획을 어떻게 바꿔야 하는가

• 재고를 더 쌓아야 하는 품목과 줄여야 하는 품목은 무엇인가

기존 계획 시스템이 정해진 조건에서 최적 계획을 계산하는 데 강했다면, AI는 불확실한 상황에서 여러 시나리오를 비교하는 데 강하다. 예를 들어 주요 부품 입고가 3일 지연되는 경우, 대체 공급사를 쓰는 경우, 생산 순서를 바꾸는 경우, 일부 주문을 분할 납품하는 경우를 비교해 손실과 리스크를 보여줄 수 있다.

이때 중요한 것은 AI가 계획 담당자를 대신해 모든 결정을 내리는 것이 아니다. AI는 가능한 선택지를 빠르게 만들고, 각 선택의 영향을 계산한다. 최종 판단은 생산, 영업, 구매, 물류, 재무의 이해관계를 함께 고려해 사람이 내려야 한다.

생산계획 AX를 위해서는 ERP, MES, APS, WMS 같은 시스템 데이터가 연결되어야 한다. ERP는 기업 자원과 주문 정보를 관리하는 시스템이다. MES는 현장 생산 실행 정보를 관리한다. APS는 생산계획과 일정 최적화에 쓰이는 시스템이다. WMS는 창고와 재고 흐름을 관리한다. 이 시스템들이 따로 움직이면 AI는 전체 상황을 알 수 없다.

생산계획 AX의 목표는 완벽한 예측이 아니다. 변화가 생겼을 때 더 빨리 알아차리고, 더 나은 대안을 찾고, 조직이 같은 정보를 보고 조정하게 만드는 것이다.

작업자 지원 AI는 현장의 판단을 돕는다

제조 현장의 지식은 문서에만 있지 않다. 숙련 작업자의 손끝, 설비 소리, 비정상 상태를 알아보는 감각, 과거 문제를 해결한 경험 속에 있다. 이 지식이 일부 사람에게만 머물면 공장은 취약해진다. 숙련자가 휴가를 가거나 퇴직하면 문제 해결 속도가 떨어진다.

작업자 지원 AI는 이 병목을 줄이는 역할을 한다. 작업자는 태블릿, 휴대 단말, 음성 인터페이스, 웨어러블 기기 등을 통해 필요한 정보를 즉시 받을 수 있다.

예를 들어 작업자가 설비 알람 코드를 입력하면 AI가 관련 매뉴얼, 과거 조치 이력, 부품 위치, 안전 절차를 요약해 보여준다. 신규 작업자가 조립 순서를 확인하면 AI가 작업 단계, 주의점, 자주 발생하는 실수, 검사 기준을 안내한다. 안전 위험이 있는 작업에서는 보호구 착용, 전원 차단, 잠금 절차를 먼저 확인하게 할 수 있다.

작업자 지원 AI의 주요 적용 영역은 다음과 같다.

• 작업 지시: 제품별 작업 순서, 공정 조건, 검사 기준 안내

• 안전 안내: 위험 작업 전 필수 절차와 보호구 확인

• 문제 해결: 설비 알람, 품질 이상, 공정 지연에 대한 조치법 제시

• 교육 지원: 신규 작업자에게 단계별 학습과 실습 피드백 제공

• 숙련 지식 전수: 베테랑 작업자의 문제 해결 경험을 검색 가능한 지식으로 축적

이 영역에서 특히 중요한 것은 신뢰성이다. 현장 작업자는 틀린 안내를 받으면 바로 위험에 노출될 수 있다. 따라서 작업자 지원 AI는 최신 승인 문서와 연결되어야 하고, 안전 관련 답변에는 반드시 검증된 절차만 제공해야 한다. 불확실한 경우에는 '모른다'고 답하고 관리자 확인을 요청해야 한다.

또 하나의 원칙은 AI를 감시 도구로 보이게 하지 않는 것이다. 작업자의 속도를 감시하고 압박하는 방식으로 설계하면 현장은 AI를 거부한다. 작업자 지원 AI는 현장의 부담을 줄이고, 실수를 예방하고, 문제 해결을 돕는 도구여야 한다.

스마트팩토리에서 자율공장으로 가는 조건

자율공장은 사람이 필요 없는 공장이 아니다. 자율공장은 정해진 범위 안에서 공장이 스스로 감지하고, 판단하고, 실행하며, 사람은 더 높은 수준의 기준과 예외 판단을 맡는 운영 모델이다.

스마트팩토리와 자율공장의 차이는 데이터의 활용 방식에 있다. 스마트팩토리는 데이터를 수집하고 시각화한다. 지능형 공장은 데이터를 분석해 추천한다. 자율공장은 승인된 범위 안에서 일부 조치를 자동 실행한다.

예를 들어 다음과 같은 변화가 가능하다.

• 품질 이상이 감지되면 해당 로트의 추가 검사를 자동 지시한다.

• 설비 고장 위험이 높아지면 정비 작업 요청을 생성한다.

• 자재 입고 지연이 확인되면 생산 순서 변경안을 제안한다.

• 공정 조건이 허용 범위를 벗어나면 자동으로 경고하고 조정 후보를 제시한다.

• 반복적인 작업 문의는 현장 AI가 즉시 답변한다.

그러나 이런 자율성을 만들려면 먼저 데이터 표준이 필요하다. 제조업 데이터는 설비, 제품, 공정, 품질, 자재, 작업자, 공급망에 흩어져 있다. 각 부서와 시스템이 다른 이름과 코드를 쓰면 AI는 같은 대상을 같은 대상으로 인식하지 못한다.

제조업 AX를 위한 최소 데이터 표준은 다음과 같다.

특히 시간 데이터가 중요하다. 불량이 발생한 시점, 설비 조건이 변한 시점, 자재가 투입된 시점, 작업자가 조치한 시점이 맞물려야 원인을 추적할 수 있다. 시간이 맞지 않으면 AI 분석은 그럴듯하지만 현장에서는 쓸 수 없는 결과가 된다.

제조업 AX 거버넌스는 현장 중심이어야 한다

제조업 AX는 본사 IT 조직만으로 추진할 수 없다. 현장의 품질팀, 생산팀, 설비보전팀, 물류팀, 안전팀이 함께 움직여야 한다. AI 모델을 만드는 사람보다 실제 공정을 아는 사람이 문제를 더 정확히 정의하기 때문이다.

제조업 AX 거버넌스에는 다음 역할이 필요하다.

• 공장 책임자: AX 과제의 우선순위와 현장 적용 범위 결정

• 품질 책임자: 검사 기준, 불량 코드, 품질 성과 지표 관리

• 설비보전 책임자: 정비 이력, 고장 기준, 예지보전 실행 절차 관리

• 생산계획 책임자: 납기, 재고, 생산 순서 변경 의사결정 관리

• IT·OT 보안 담당자: 설비망, 업무망, 클라우드 연결의 보안 기준 관리

• 데이터 담당자: 코드 체계, 데이터 품질, 시스템 간 연결 관리

• 현장 작업자 대표: 실제 사용성, 안전성, 업무 부담 변화 검증

여기서 OT는 운영기술을 뜻한다. 공장 설비, 제어 시스템, 센서, PLC, SCADA처럼 물리적 생산을 움직이는 기술 영역이다. IT가 업무 시스템 중심이라면 OT는 현장 설비 중심이다. 제조업 AX에서는 IT와 OT가 함께 설계되어야 한다.

거버넌스의 핵심은 권한과 책임을 명확히 하는 것이다. AI가 공정 조건을 추천할 수는 있지만, 실제 조건 변경 승인은 누가 하는가. AI가 설비 정비를 권고했을 때 생산 중단 판단은 누가 하는가. AI가 불량 가능성을 높게 판단했을 때 출하 보류 권한은 누구에게 있는가. 이런 질문에 답이 없으면 현장은 AI를 믿고 쓰기 어렵다.

제조업 AX의 성과 지표는 공장 언어로 잡아야 한다

제조업 AX의 성과는 AI 사용량이 아니다. 공장 운영 지표가 좋아져야 한다. 경영진과 현장이 함께 볼 수 있는 지표를 처음부터 정해야 한다.

설비종합효율은 OEE라고도 부른다. 설비가 얼마나 잘 가동되고, 얼마나 빠르게 생산하며, 얼마나 좋은 품질을 내는지를 함께 보는 지표다. 제조업 AX에서는 OEE 같은 종합 지표와 품질·정비·계획 세부 지표를 함께 봐야 한다.

중요한 것은 지표를 너무 많이 만들지 않는 것이다. 첫 과제에서는 3~5개의 핵심 지표면 충분하다. 예를 들어 예지보전 과제라면 비계획 정지 시간, 정비 대응 시간, 긴급 부품 비용, 생산 손실 시간을 보면 된다.

시작은 하나의 라인, 하나의 병목, 하나의 문제에서 한다

제조업 AX를 전사적으로 추진하더라도 시작은 작아야 한다. 처음부터 자율공장을 목표로 모든 라인과 모든 설비를 연결하려 하면 시간이 오래 걸리고 성과가 흐려진다.

좋은 시작점은 현장이 이미 아파하는 문제다. 특정 제품의 불량률이 높거나, 특정 설비가 자주 멈추거나, 특정 자재 때문에 납기가 흔들리는 문제처럼 손실이 분명한 과제가 좋다.

90일 안에 실행 가능한 제조업 AX 파일럿은 다음 순서로 설계할 수 있다.

1. 병목 문제를 하나 정한다.

2. 관련 데이터가 어디에 있는지 확인한다.

3. 품질, 설비, 생산, IT 담당자를 한 팀으로 묶는다.

4. 현재 기준 지표를 측정한다.

5. AI가 추천하거나 감지할 대상을 명확히 정의한다.

6. 처음에는 실제 자동 실행이 아니라 그림자 모드로 운영한다.

7. 현장 검증 후 승인 범위 안에서 적용한다.

그림자 모드는 AI가 추천은 하지만 실제 업무에는 바로 반영하지 않고, 사람이 기존 방식으로 처리한 결과와 비교하는 운영 방식이다. 제조 현장에서는 이 단계가 중요하다. AI가 어느 상황에서 맞고, 어느 상황에서 틀리는지 확인해야 현장의 신뢰가 생긴다.

자율공장의 핵심은 사람 없는 공장이 아니라 학습하는 공장이다

제조업 AX의 최종 모습은 모든 판단을 AI에게 넘기는 공장이 아니다. 오히려 좋은 자율공장은 사람이 더 중요한 판단에 집중할 수 있게 만든다. 반복 감지는 AI가 맡고, 예외 판단은 사람이 맡는다. 데이터 연결은 시스템이 맡고, 운영 기준은 사람이 정한다. 실행은 자동화될 수 있지만, 책임은 조직이 진다.

스마트팩토리에서 자율공장으로 가는 길은 기술 도입 순서가 아니라 운영 성숙도의 변화다. 먼저 현장을 보이게 만들고, 다음에는 원인을 설명하게 만들고, 그다음에는 대안을 추천하게 만들며, 마지막으로 승인된 범위 안에서 실행하게 만들어야 한다.

제조업 AX를 추진하는 기업은 다음 질문을 계속 던져야 한다.

• 우리는 어떤 품질 문제를 AI로 줄일 것인가

• 어떤 설비의 멈춤을 먼저 예측할 것인가

• 생산계획 변경의 근거를 데이터로 설명할 수 있는가

• 작업자가 현장에서 AI를 실제로 쓰고 있는가

• AI의 추천을 누가 승인하고 책임지는가

• 공장 데이터의 코드와 기준은 표준화되어 있는가

이 질문에 답할 수 있을 때 제조업 AX는 단순한 자동화 프로젝트를 넘어선다. 공장은 더 빠르게 배우고, 더 안정적으로 운영되며, 더 정교하게 고객 요구에 대응한다. 이것이 스마트팩토리 다음 단계로서의 자율적이고 지능적인 제조 운영이다.