제조 현장관리의 AI 전환 — 품질관리와 설비 예지보전에서 나타나는 변화
제조업은 다른 산업보다 늦게 디지털화됐다는 평가를 받아왔지만, AI 도입 순서만큼은 비교적 분명하다. 가장 먼저 성과가 보고되는 영역은 설비 예지보전(predictive maintenance)과 비전(vision) 기반 품질검사 두 가지다. 둘 다 현장에 센서와 카메라만 있으면 바로 데이터가 쌓이고, 효과를 측정할 지표(다운타임 시간, 불량률)도 이미 공정 관리에서 쓰던 것이라 새로 정의할 필요가 없기 때문이다. 다만 이 두 영역에서 나온 결과를 들여다보면 성과의 크기가 회사마다 크게 갈리고, 그 격차를 만드는 변수는 모델의 성능이 아니라 현장 데이터의 상태라는 점이 반복해서 확인된다.
설비 예지보전 — 며칠 앞서 보는 것의 가치
가장 많이 인용되는 사례는 지멘스(Siemens)의 독일 암베르크(Amberg) 전자제품 공장이다. 지멘스가 자사 블로그와 홈페이지를 통해 공개한 바에 따르면 이 공장은 산업용 자동화 제품인 시마틱(Simatic) 컨트롤러를 연간 약 1,700만 개, 약 1,200개 제품 사양으로 생산하며 하루 평균 350회의 생산 전환(changeover)이 일어난다. 이 공장은 인쇄회로기판(PCB) 가공 설비의 예기치 않은 정지를 줄이기 위해 스핀들의 회전 속도와 구동 전류를 엣지 디바이스로 상시 모니터링하는 체계를 적용했는데, 그 결과 설비 이상 징후를 실제 고장이 발생하기 12시간에서 36시간 전에 미리 파악할 수 있게 됐다고 밝혔다. 현장 작업자가 부품을 교체하거나 작업 일정을 조정할 시간을 벌어준다는 뜻이다. 같은 공장은 디지털 트윈을 활용해 생산 라인 시뮬레이션에서 예상했던 사이클타임 11초를 실제 가동 단계에서 8초까지 줄였다고도 공개했다. 이 수치들은 지멘스가 자체적으로 공개한 것이라 독립적인 외부 감사를 거친 결과는 아니지만, 공장의 생산 규모나 품질 지표(99.9990퍼센트)와 함께 비교적 구체적으로 공개된 축에 속한다.
업계 전반의 통계는 이보다 넓은 범위를 제시한다. 여러 조사·컨설팅 자료가 예지보전 도입으로 설비 다운타임이 30~45퍼센트, 유지보수 비용이 10~25퍼센트 수준 줄어든다고 보고하지만 이 수치들은 대부분 솔루션 공급업체나 업계 설문에서 나온 것이어서 표본과 측정 방식이 제각각이다. 즉 "얼마나 줄어드는가"의 평균값을 구하는 것보다, 지멘스 같은 사례가 왜 더 큰 효과를 냈는지를 보는 쪽이 더 유용하다. 암베르크 공장은 수십 년간 생산 데이터를 쌓아온 공장이고, 예지보전 모델이 학습할 '정상 상태'의 기준이 이미 풍부하게 축적돼 있었다. 예지보전의 성능은 모델 자체보다 그 모델에 넣을 수 있는 이력 데이터의 양과 질에 좌우된다는 뜻이다.
비전 검사 — 사람의 눈을 대체하는 것과 대체하지 못하는 것
품질검사 쪽에서는 비전 AI가 사람의 눈으로 하던 샘플링 검사를 전수 검사로 바꾸는 흐름이 뚜렷하다. IBM이 공개한 검사 솔루션(Inspection Suite) 사례에서는 거치형·휴대형·웨어러블 카메라를 함께 쓰는 방식으로 한 제조업체의 결함·다운타임 감축을 지원했다고 밝혔는데, 이 사례는 구체적인 불량률 개선폭을 공개하지 않아 효과의 크기를 가늠하기는 어렵다. 업계에서 반복적으로 인용되는 수치는 비전 검사가 불량률을 30~50퍼센트 낮추고, 사람이 표본만 보는 것과 달리 생산 속도 그대로 모든 제품을 검사할 수 있다는 점이다. 다만 이 역시 솔루션 공급업체 자료가 출처인 경우가 많아 액면 그대로 받아들이기보다는 "전수 검사가 가능해진다"는 구조적 변화 자체에 주목하는 것이 안전하다.
비전 검사가 못하는 부분도 분명하다. 학습 데이터에 없던 새로운 형태의 결함, 조명이나 각도가 바뀌는 환경, 재질이 자주 바뀌는 다품종 소량생산 라인에서는 오탐과 미탐이 늘어난다는 지적이 꾸준히 나온다. 그래서 실제 도입 현장에서는 비전 AI가 1차 분류를 하고 사람이 경계선에 걸리는 판정만 재확인하는 구조로 운영되는 경우가 많다. 전수 검사로 바뀌었다고 해서 검사 인력이 그 자리에서 바로 사라지는 것은 아니고, 역할이 '모든 것을 보는 사람'에서 '애매한 것만 보는 사람'으로 옮겨가는 것이다.
데이터가 걸림돌이 되는 이유
맥킨지(McKinsey)가 2025년 발표한 연례 AI 설문에서는 조직의 88퍼센트가 최소 한 개 업무 영역에서 AI를 정기적으로 쓰고 있다고 답했지만, 그중 전사 손익(EBIT)에 어떤 수준이든 영향을 미쳤다고 답한 비율은 39퍼센트에 그쳤고 그 39퍼센트 중에서도 대부분은 그 영향이 EBIT의 5퍼센트 미만이라고 답했다. 같은 조사는 제조업을 비용 절감 효과가 상대적으로 뚜렷하게 보고되는 업무 영역으로 꼽았는데, 이는 역으로 다른 산업보다 효과가 숫자로 드러나기 쉬운 공정이 많다는 뜻이기도 하다.
그런데 그 효과가 왜 회사마다 갈리는가를 물으면 돌아오는 답은 대체로 같다. 여러 산업 설문에서 데이터 품질 문제가 AI·머신러닝 프로젝트 실패의 가장 흔한 원인으로 꼽혔고, 생산 현장 데이터가 공급업체·라인·공장별로 흩어져 있어 통합 자체가 큰 작업이라는 지적도 반복해서 나온다. 설비는 이미 센서를 달고 있고 카메라도 이미 라인에 걸려 있는데, 그 데이터가 모델이 학습할 수 있는 형태로 정리돼 있지 않은 경우가 생각보다 많다는 뜻이다. 예지보전과 비전 검사가 제조업 AI 도입의 '쉬운 첫걸음'으로 꼽히는 이유도 여기에 있다. 센서·카메라 데이터는 비교적 구조화돼 있어 다른 업무보다 정리 비용이 낮은 편이지만, 그렇다고 공짜로 쌓이는 것은 아니다.
한국 기업에 주는 시사점
한국 제조업체 다수가 예지보전과 비전 검사 파일럿을 시도했거나 검토 중이라는 보도는 꾸준히 나온다. 대기업 계열에서는 자체 거대언어모델을 설비 고장 예측에 적용하려는 계획이 공개된 바도 있다. 그런데 파일럿에서 본 사업으로 넘어가는 속도는 공장마다, 계열사마다 차이가 크다는 것이 업계 안팎의 공통된 평가다. 그 차이를 가르는 변수가 모델의 성능이 아니라 그 공장이 몇 년치 설비·품질 데이터를 얼마나 정리된 형태로 갖고 있느냐라는 점은, 중소·중견 제조기업에도 같이 적용된다. 설비를 교체하거나 카메라를 새로 다는 투자보다, 이미 쌓여 있는 현장 데이터를 모델이 쓸 수 있는 형태로 정리하는 작업이 먼저 와야 한다는 뜻이다.