제조업의 디지털 전환이 확산되면서 산업계의 관심은 이제 ‘자율제조’로 향하고 있다. 설비와 공정에서 방대한 데이터가 수집되고 AI가 이상 징후를 감지하며 고장을 예측하는 단계까지는 도달했지만, 실제 현장에서는 여전히 사람이 알람을 확인하고 원인을 분석한 뒤 최종 의사결정을 내리는 경우가 많다. 그렇다면 AI는 언제쯤 단순 분석을 넘어 제조 운영의 핵심 의사결정까지 담당할 수 있을까? 엠아이큐브솔루션 최형준 AI실행기획팀장은 “제조업의 미래 경쟁력은 AI 모델의 정확도 자체가 아니라, AI가 도출한 결과를 실제 공정 운영과 설비 제어로 연결하는 의사결정 자동화에 있다”고 강조했다. 이어 “불량 검출과 예지보전에서 한 단계 더 나아가 폐쇄 루프, 디지털 트윈, 멀티에이전트 AI, LLM 기반 지식 시스템을 결합해야 진정한 자율제조가 가능하다”며 “AI가 문제를 발견하는 수준을 넘어 스스로 판단하고 실행하는 체계를 구축하는 것이 제조 혁신의 핵심 과제”라고 설명했다. 이제 제조업의 경쟁력은 자동화를 넘어 ‘스스로 판단하고 실행하는 공장’을 구현하는 데 달려 있다.
DX에서 AX로…제조업은 왜 ‘판단 자동화’를 요구하게 됐나
제조업은 지난 10여 년 동안 디지털 전환(DX)을 중심으로 빠르게 진화해 왔다. MES, ERP, SCADA, FDC, 설비 모니터링 시스템, 데이터 레이크, AI 분석 플랫폼 등이 현장에 대거 도입되면서 제조기업들은 과거와 비교할 수 없을 정도로 방대한 데이터를 확보하게 됐다. 생산설비는 실시간 데이터를 생성하고, 품질 시스템은 불량 정보를 기록하며, 운영 시스템은 공정 상태를 지속적으로 축적하고 있다. 제조업은 이제 데이터가 가장 풍부한 산업 중 하나로 자리 잡았다.
하지만 데이터가 늘어날수록 현장의 의사결정 부담도 함께 증가하고 있다. 설비마다 수천 개의 센서가 생성하는 데이터와 수많은 알람은 오히려 작업자의 판단 부담을 가중시키고 있다. 시스템은 이상 상황을 감지해 알려주지만, 무엇이 문제인지, 왜 문제가 발생했는지, 어떤 조치를 취해야 하는지는 여전히 사람이 결정해야 한다.
최형준 AI실행기획팀장은 이러한 차이를 DX와 AX의 개념으로 설명했다. DX가 사람의 판단을 지원하는 기술이라면 AX는 시스템이 스스로 판단하고 실행하는 기술이라는 것이다. 지금까지 제조 AI는 데이터를 분석해 인사이트를 제공하는 데 초점을 맞춰 왔지만, 앞으로는 인사이트를 넘어 실제 행동(Action)까지 수행하는 방향으로 진화해야 한다는 설명이다.
이 같은 변화가 요구되는 배경에는 제조 환경 자체의 변화가 자리하고 있다. 생산 품목의 다양화와 수요 변동성 증대로 인해 사람이 모든 상황을 실시간으로 판단하기 어려워졌고, 공장 내 데이터는 폭발적으로 증가했지만 시스템 간 연계 부족으로 정보 단절 현상은 여전히 존재한다. 여기에 글로벌 제조 경쟁이 심화되면서 보다 빠르고 정확한 의사결정 체계가 기업 경쟁력의 핵심 요소로 부상하고 있다.
정책적 흐름도 이를 뒷받침한다. 유럽은 AI Act를 통해 제조 현장의 자율형 AI를 고위험군으로 분류하면서도 적극적인 도입을 준비하고 있으며, 미국은 규제 완화를 기반으로 제조 AI 경쟁력 확보에 나서고 있다. 국내 역시 인공지능기본법 시행과 제조 AX 얼라이언스 출범을 통해 자율제조를 국가 전략 산업으로 육성하고 있다. 정부는 오는 2030년까지 50개의 자율제조 공장 구축이라는 목표도 제시했다.
결국 제조업은 단순한 디지털화 단계를 넘어 ‘의사결정 자동화’라는 새로운 전환점에 진입하고 있다. 그리고 그 중심에 AX가 자리하고 있다.
제조 현장의 보이지 않는 벽…왜 AI는 예측만 하고 멈췄나
많은 제조기업들이 AI를 도입했음에도 기대했던 수준의 혁신을 체감하지 못하는 이유는 무엇일까. 최 팀장은 그 원인을 ‘오픈 루프(Open-Loop)’ 구조에서 찾는다.
현재 제조 현장에는 MES, FDC, QA 등 다양한 시스템이 구축돼 있다. FDC는 설비 이상을 감지하고, MES는 공정 흐름을 관리하며, QA는 품질 결과를 기록한다. 각각의 시스템은 제 역할을 수행하지만 유기적으로 연결돼 있지는 않다. 이상 상황이 발생하면 작업자가 여러 시스템에 흩어져 있는 정보를 직접 수집하고 분석해야 하는 구조다.
예를 들어 설비에서 이상 진동이 발생하면 FDC는 알람을 발생시킨다. 하지만 해당 알람이 생산 중인 제품의 품질에 어떤 영향을 미치는지, 이후 공정에 어떤 문제가 발생할 수 있는지는 별도의 분석과 판단이 필요하다. 품질 시스템은 결과를 제공할 뿐이며 MES는 공정 이력을 관리한다. 데이터를 연결하고 의미를 해석하는 역할은 결국 사람이 담당한다.
문제는 이러한 구조가 데이터 증가와 함께 더욱 복잡해지고 있다는 점이다. 하루에도 수백, 수천 건의 알람이 발생하지만 어떤 알람이 실제 생산 차질로 이어질 수 있는지 판단하기가 점점 어려워지고 있다. 결과적으로 AI는 예측 모델을 제공하지만 실행 단계에서는 여전히 사람의 경험과 직관에 의존하는 상황이 반복된다.
최 팀장은 “실질적인 병목은 예측 정확도가 아니라 예측 결과를 실행으로 연결하는 의사결정 레이어”라고 설명했다.
이는 제조 AI 발전 방향에 중요한 시사점을 제공한다. 그동안 제조기업들이 예측 모델의 정확도 향상에 집중해 왔다면 앞으로는 AI가 도출한 결과를 실제 공정 제어와 운영 의사결정으로 연결하는 체계 구축이 더욱 중요해질 것이라는 의미다.
결국 제조 현장의 문제는 데이터 부족이나 AI 기술 부족이 아니다. 데이터를 행동으로 전환하는 연결고리가 부족한 것이다. AX는 바로 이러한 단절을 해소하기 위한 새로운 접근 방식이다.
예지보전의 성공과 한계…현장은 왜 여전히 사람을 필요로 했나
제조 AI가 의미 있는 성과를 내지 못한 것은 아니다. 실제로 많은 제조기업들이 AI 기반 예지보전과 이상탐지 기술을 활용해 생산성과 품질 향상이라는 가시적인 성과를 거두고 있다. 다만 이러한 성과가 생산 현장의 최종 의사결정까지 연결되지 못했다는 점이 한계로 지적된다.
엠아이큐브솔루션은 사출성형 공정에서 알람 연관규칙 분석을 통해 설비 가동률을 67%에서 80%까지 향상시킨 경험을 보유하고 있다. 또한 바이오에너지 공정에서는 진동과 소음 데이터를 딥러닝으로 분석해 이물질 유입 탐지 정확도 95.4%를 달성했다.
콘택트렌즈 제조사의 사례 역시 대표적인 예지보전 성공 사례로 꼽힌다. 해당 기업은 설비 운영 데이터와 고장 이력을 결합해 AI 모델을 학습시켰고, 설비 고장이 발생하기 약 3시간 전에 전조 알람을 감지할 수 있었다. 예측 성능만 놓고 보면 상당한 성과다.
바이오에너지 공정에서는 컨베이어 벨트에 석재나 이물질이 유입될 경우 발생하는 파쇄기 고장 문제를 해결하기 위해 진동 센서, 소음 센서, IP 카메라 기반 딥러닝 시스템을 구축했다. AI는 위험 신호를 정확히 포착했고 조기 경고 체계도 구현됐다.
그러나 두 사례 모두 공통된 한계를 드러냈다. AI가 알람을 발생시키더라도 이후 어떤 설비를 정지할지, 어떤 부품을 교체할지, 언제 보전을 수행할지는 결국 작업자가 판단해야 했다. 즉, AI는 ‘무슨 일이 발생할 것인가’를 알려줄 수는 있었지만 ‘무엇을 해야 하는가’에 대한 실행까지 담당하지는 못했다. 이것이 지금까지 제조 AI가 안고 있던 가장 큰 구조적 한계였다.
폐쇄 루프가 바꾼 제조 현장…예측이 실행이 되는 순간
AX가 지향하는 핵심은 폐쇄 루프(Closed-Loop) 구조다. 인식, 예측, 결정, 제어가 하나의 순환 체계로 연결되는 구조를 의미한다. 자동차 부품 제조사의 오토미션 부품 검사 공정은 이러한 변화의 대표적인 사례다. 기존에는 작업자가 육안으로 불량 여부를 판정했다. 검사 기준이 사람마다 달랐고 숙련도에 따라 결과도 달라졌다. 하지만 AI 비전 검사 시스템이 도입되면서 카메라가 이미지를 촬영하면 AI가 즉시 불량 여부와 유형을 판정하고, 결과를 품질 시스템에 자동 반영하는 구조로 전환됐다.
성과도 뚜렷했다. 생산성은 6% 이상 향상됐고 검사 편차는 크게 감소했다. 무엇보다 중요한 변화는 판단의 주체가 사람에서 시스템으로 이동했다는 점이다.
포장용기 제조사의 인쇄 공정 사례는 한 단계 진화한 형태를 보여준다. 이 기업은 반복적으로 발생하던 인쇄 박리 불량 문제를 해결하기 위해 AI 예측 모델과 최적화 알고리즘을 결합했다. 온도, 습도, 공기량, 라인 속도 등을 변수로 활용해 DNN 모델이 불량 발생 확률을 예측하고, PSO 알고리즘이 최적의 공정 조건을 자동 산출하도록 했다. 특히 산출된 파라미터는 MES를 통해 설비에 직접 전달됐다. AI가 단순히 예측 결과를 제공하는 데 그치지 않고 실제 설비 운전 조건 변경까지 수행한 것이다.
이것이 오픈 루프와 폐쇄 루프를 구분하는 결정적 차이다. 제조업은 이제 ‘예측하는 AI’에서 ‘실행하는 AI’ 시대로 이동하고 있으며, 그 중심에 폐쇄 루프 구조가 자리하고 있다.
LLM·멀티에이전트·디지털 트윈이 완성하는 제조 AX의 최종 단계
제조 현장은 수치 데이터만으로 운영되지 않는다. 작업일지, 설비 매뉴얼, 품질 클레임 보고서, 정비 이력, 숙련자의 노하우 등 다양한 비정형 정보가 존재한다. 이러한 지식 자산을 활용하지 못한다면 완전한 자율 제조 구현은 어렵다.
엠아이큐브솔루션은 이를 해결하기 위해 LLM과 벡터DB 기반의 멀티에이전트 구조를 구축했다. 핵심은 AI가 단순히 데이터를 분석하는 수준을 넘어 현장의 경험과 맥락까지 이해하도록 만드는 데 있다.
철강 제조 사례는 이러한 접근 방식을 잘 보여준다. 철강 생산은 가열, 압연, 냉각, 권취 등 수많은 공정이 연속적으로 연결된다. 하나의 공정 조건이 다음 공정의 품질에 직접적인 영향을 미치기 때문에 전체 공정을 실시간으로 분석하고 최적화하는 것은 매우 복잡한 과제다.
이를 위해 엠아이큐브솔루션은 데이터 수집 레이어, 디지털 트윈 엔진 레이어, LLM 서비스 레이어를 통합한 구조를 구축했다. 디지털 트윈이 실제 공장을 가상공간에 실시간으로 구현하고, 멀티에이전트 AI가 데이터를 해석하며, 작업자에게 최적의 실행 가이드를 제공하는 방식이다.
2차전지 제조 사례에서는 설비 관리 시스템 전체를 벡터DB 기반으로 구축했다. 작업자는 “베어링 온도가 급상승하는데 원인이 무엇인가”와 같은 자연어 질문만으로 과거 고장 사례, 정비 이력, 조치 결과 등을 즉시 확인할 수 있다. SQL 작성이나 복잡한 검색 과정 없이도 전문가 수준의 지식을 활용할 수 있게 된 것이다.
이 단계에서 제조 AI는 단순 자동화를 넘어 지식 기반 자율 시스템으로 진화한다. 디지털 트윈이 현실을 재현하고, 폐쇄 루프가 실행을 담당하며, LLM 기반 멀티에이전트가 경험과 지식을 연결한다. 이것이 최형준 팀장이 제시한 제조 AX의 궁극적인 모습이다.
“제조 AX의 승부처는 예측이 아니라 실행”
최형준 AI실행기획팀장은 제조업의 경쟁력이 더 이상 예측 정확도만으로 결정되지 않을 것이라고 진단했다. 앞으로는 AI가 생성한 결과를 실제 공정 운영과 의사결정으로 연결하는 실행 역량이 핵심 경쟁력이 될 것이라는 설명이다.
엠아이큐브솔루션이 소개한 다양한 구축 사례는 공통적으로 데이터 통합, AI 예측, 의사결정 자동화, 지식 융합 기반 멀티에이전트 시스템으로 이어지는 단계적 발전 경로를 보여준다.
결국 제조 AX는 특정 기술 하나만으로 구현되지 않는다. 폐쇄 루프, 디지털 트윈, LLM, 멀티에이전트, 벡터DB, 그리고 제조 도메인 전문성이 유기적으로 결합될 때 비로소 완성된다. 그리고 그 중심에는 ‘사람의 판단을 시스템의 판단으로 전환하는 과정’이 존재한다.
제조업의 다음 경쟁력은 더 많은 데이터를 보유한 기업이 아니라 데이터를 행동으로 전환할 수 있는 기업이 확보하게 될 가능성이 높다. AX는 바로 그 변화를 상징하는 새로운 제조 혁신의 이름이다.
헬로티 임근난 기자 |
* 이 글은 AI TECH 2026 컨퍼런스에서 엠아이큐브솔루션 최형준 AI실행기획팀장이 ‘자율제조 시대를 위한 제조 시스템의 진화’를 주제로 발표한 내용을 재구성하여 정리한 것입니다.
