제조 AX는 공장에 챗봇을 넣는 일이 아니다: 데이터·숙련·보안이 함께 바뀌어야 하는 이유

‘공장에도 AI를 넣는다’는 말을 들으면, 많은 사람이 먼저 챗봇을 떠올립니다. 작업자가 “이 기계는 왜 멈췄나요?”라고 물으면 답을 해 주는 화면 말입니다. 이런 도구도 도움이 될 수 있습니다. 하지만 제조 AX의 핵심은 질문에 답하는 화면 하나를 더하는 데 있지 않습니다. 공장에서 불량을 줄이고, 설비가 고장 나기 전에 신호를 찾고, 숙련자의 판단을 다음 작업자에게 이어 주려면 현장 데이터, 사람의 경험, 보안 규칙, 실제 공정이 함께 바뀌어야 합니다.

산업통상부는 이를 M.AX, 즉 Manufacturing AI Transformation(제조 AI 대전환)이라고 부릅니다. 정부가 2026년 5월 발표에서 제시한 범위에는 생산 공정에 AI를 적용하는 AI 팩토리뿐 아니라 산업용 로봇 실증, AI가 들어간 제품 개발도 포함됩니다. 11개 분과와 1,500여 기업·기관이 참여하는 얼라이언스가 제조 데이터와 공정 전환을 함께 추진한다는 설명도 있습니다. 산업통상부의 M.AX 공식 발표를 보면, 제조 AX는 ‘프로그램을 하나 사는 일’보다 공장이 일하는 방식을 바꾸는 일에 가깝습니다.

이 변화가 왜 공장 바깥의 기반까지 필요하다는 말로 이어질까요? 국가AI전략위원회의 2026~2028 인공지능 행동계획은 산업 AI 전환을 국가 전략 분야로 두고, 데이터·컴퓨팅·반도체·전력·인재를 함께 갖춰야 하는 기반으로 제시합니다. 즉 제조 AX는 AI 모델만의 문제가 아니라, 그 모델이 현장에서 계속 작동할 수 있는 ‘전기·교과서·선생님’을 함께 준비하는 일과 닮았습니다. 다만 이것은 국가 차원의 방향과 계획이지, 모든 공장이 이미 같은 성과를 냈다는 뜻은 아닙니다.

챗봇은 안내 데스크라면, 제조 AX는 공장 전체의 신호 체계입니다

챗봇은 문서에 있는 내용을 찾아 설명하거나, 사람이 쓴 문장을 정리하는 데 강합니다. 반면 공장에서는 온도·압력·진동·전력 사용량·카메라 영상·작업 순서처럼 계속 변하는 신호가 나옵니다. AI가 이 신호를 읽어 불량 가능성을 알려 주려면, 먼저 센서가 무엇을 재고 있는지와 그 숫자가 실제 품질 문제와 어떻게 연결되는지 알아야 합니다.

쉽게 비유하면 챗봇은 학교 안내 데스크에 가깝습니다. 시간표나 규칙을 찾아 설명해 줄 수 있습니다. 제조 AX는 교실, 급식실, 전기실에서 나오는 신호를 모아 학교 전체가 안전하고 효율적으로 돌아가게 만드는 일에 가깝습니다. 안내 데스크가 있어도 전기실의 고장 신호가 없으면 정전은 미리 막기 어렵습니다.

정부가 소개한 개별 현장 사례도 이 차이를 보여 줍니다. 한 반도체 장비 기업은 웨이퍼 가공장비의 오류를 예측·방지해 웨이퍼 손실을 30% 줄였고, 한 조선 기자재 기업은 AI 비전검사로 품질검사 시간을 30% 줄였다고 발표했습니다. 다만 이는 산업통상부가 소개한 개별 참여기업 사례입니다. 모든 공장에 같은 효과가 자동으로 생긴다는 뜻은 아닙니다. 공식 발표의 과제와 사례를 볼 때에는 ‘어떤 공정에서, 어떤 데이터를 써서, 무엇을 줄였는가’를 따로 물어야 합니다.

출처를 넓혀 보면 판단이 더 또렷해집니다. 산업통상부는 8월 5일 M.AX 현장 성과 발표에서 AI 팩토리 프로젝트가 170곳 이상을 지원했고, 그중 비교적 일찍 참여해 측정 가능한 결과가 나온 42곳을 검토한 결과 생산성은 평균 30.1% 높아지고 불량률은 평균 15.5% 낮아졌다고 밝혔습니다. 이 숫자는 ‘모든 제조업 평균’이 아니라 정부가 검토한 일부 초기 참여 현장의 결과입니다. 그래서 좋은 사례는 참고하되, 자기 공정에도 같은 데이터·설비·작업 조건이 있는지를 따로 확인해야 합니다.

이 대목은 앞서 살펴본 AI 데이터센터에서 GPU 다음으로 광섬유 소재를 봐야 하는 이유와도 이어집니다. 데이터센터의 칩과 광통신 장비는 AI 계산을 가능하게 하는 기반입니다. 그러나 제조 AX에서는 그 계산 능력만으로 부족합니다. 계산할 재료인 공정 데이터가 믿을 만해야 하고, 그 결과를 현장 작업이 받아들일 수 있어야 합니다.

데이터는 많이 모으는 것보다, 믿고 쓸 수 있게 만드는 것이 먼저입니다

제조 데이터에는 제품 설계, 설비 조건, 불량 원인, 납품 규격처럼 회사의 영업기밀이 들어갈 수 있습니다. 그래서 기업 입장에서는 “데이터를 내면 누가 보고 어디까지 가져갈 수 있나”가 중요한 질문이 됩니다. 데이터가 없으면 AI 모델은 현장을 배우기 어렵지만, 보호 장치가 약하면 기업은 데이터를 내기 어렵습니다. 이것이 제조 AX에서 데이터와 보안이 떨어질 수 없는 이유입니다.

산업통상부의 6월 제조 데이터 발표는 기업이 제공한 데이터를 안전하게 관리·활용하기 위한 ‘제조 데이터 라이브러리’ 구축을 준비 중이라고 설명했습니다. 발표에 따르면 외부와 차단된 클린룸 안에서만 데이터를 활용하고, 외부 반출은 금지하며, 열람에는 별도 심사 절차를 두는 방안을 마련합니다. 여기서 클린룸은 먼지를 막는 공장 방이 아니라, 민감한 자료를 정해진 사람과 절차 안에서만 다루는 ‘잠긴 자료실’처럼 이해하면 됩니다.

중요한 점은 발표와 완성을 구분하는 것입니다. 이 라이브러리는 구축 준비 단계이고, 업종별 제조 AI 파운데이션 모델 프로토타입은 2026년 말까지 개발한 뒤 참여기업을 대상으로 현장 적용과 성능 검증을 추진할 계획입니다. 따라서 “제조 데이터가 이미 자유롭게 공유된다”거나 “모든 제조 AI가 검증을 마쳤다”고 말하면 현재 발표 범위를 넘습니다. 지금은 데이터를 모으는 기준과 안전하게 쓰는 틀을 만드는 단계라고 읽는 편이 정확합니다.

이 보안 조건은 단순한 주의 문구가 아닙니다. 과학기술정보통신부의 제조AI 2030 전략은 제조 데이터 관리·활용, 제조 특화 AI 모델, 지역 확산을 3대 과제로 두고, 데이터 라이브러리에 표준화·암호화·비식별화 체계와 모델·에이전트·제어 시스템을 아우르는 전 생애주기 보안을 설계하겠다고 밝혔습니다. 또 국가·공공기관 AI 보안 가이드북은 내부 업무용 AI의 외부망 연계처럼 사용 방식에 따라 위협과 대응책을 나눠 제시합니다. 이 가이드북은 공공기관용이라 제조기업의 직접 의무 규정은 아니지만, 공정 데이터도 ‘누가 어떤 경로로 연결되는가’를 먼저 따져야 한다는 비교 기준으로는 도움이 됩니다.

이렇게 보면 최근의 7월 ICT 수출 최대 기록도 조금 다르게 연결됩니다. 반도체와 서버용 저장장치 수요가 커지는 일은 AI를 돌릴 장비의 수요를 보여 줍니다. 하지만 공장의 AI 전환이 실제 성과로 이어지려면, 장비 수출 통계와 별개로 현장 데이터 품질, 보안, 업무 변화까지 확인해야 합니다. 수출액이 모든 기업과 고용의 상태를 한 번에 말해 주지 않듯, AI 장비를 들였다는 사실만으로 제조 AX가 완성되었다고 볼 수는 없습니다.

숙련자는 AI가 대신할 대상이 아니라, AI가 배워야 할 기준입니다

공장에는 설명서에 다 적히지 않는 지식이 많습니다. 숙련 작업자는 소리나 진동의 작은 차이, 재료의 질감, 공정 순서의 미세한 변화를 보고 문제를 알아차리기도 합니다. 이런 경험을 ‘암묵지’라고 합니다. 말이나 문서로 완전히 옮기기 어려운 지식이라는 뜻입니다.

산업통상부는 제조 공정 안의 숙련인력이 가진 암묵지 데이터를 축적하는 제조 암묵지 AI 모델 개발 사업을 추진하겠다고 밝혔습니다. 이 말은 AI가 사람을 곧바로 지운다는 뜻이 아닙니다. 오히려 숙련자의 판단을 어떤 데이터와 규칙으로 남길지, 새 작업자가 그 결과를 언제 믿고 언제 다시 확인할지를 설계해야 한다는 뜻입니다.

그래서 교육도 기술 강의만으로 끝나기 어렵습니다. 산업부는 8월 간부 대상 AX 교육에서 제조 AX 전략, 생성형 AI와 AI 에이전트 활용뿐 아니라 안전한 사용법과 데이터 보안 유의사항을 함께 다뤘습니다. 교육 내용이 담긴 공식 발표는 제조 AX가 개발자만의 일이 아니라 현장 관리자와 정책 담당자가 함께 판단해야 하는 변화임을 보여 줍니다.

지원 체계도 한 부처의 교육에만 머물지 않습니다. 과기정통부·산업부·중기부의 2026년 주요 AX 사업 통합공고는 산업·제조 AX 관련 11개 사업, 4,230억원 규모의 공고를 제시했습니다. 이것은 정부가 데이터·모델·현장 적용·인력 문제를 여러 사업으로 나눠 지원하려는 신호입니다. 하지만 공고 금액이 곧바로 각 공장의 도입이나 성과를 보장하지는 않습니다. 기업은 지원 여부와 별개로 현장 데이터, 작업 절차, 교육 시간, 보안 책임을 직접 설계해야 합니다.

현장에서는 다음과 같은 질문이 필요합니다. AI가 ‘불량 위험’이라고 알려 주면 누가 최종 판단하는가. 모델이 틀렸을 때 작업자는 이의를 제기할 수 있는가. 숙련자가 남긴 기준은 다른 공정·다른 제품에도 그대로 적용되는가. 이 질문에 답하지 못하면 AI는 편리한 화면으로 남을 수는 있어도, 생산방식을 바꾸는 도구가 되기는 어렵습니다.

한 장으로 정리하면

제조 AX 뉴스를 읽을 때에는 ‘AI를 도입했다’는 문장 다음에 네 가지를 확인하면 좋습니다. 첫째, 어느 공정의 어떤 문제를 푸는가. 둘째, 그 판단에 쓰는 데이터는 누가 만들고 검증하는가. 셋째, 숙련자의 판단과 최종 책임은 어디에 남는가. 넷째, 영업기밀 데이터는 누가 어떤 절차로 접근하고 반출을 막는가. 아래 표는 이 순서를 한 장으로 정리한 것입니다.

기술을 고르는 일은 출발점입니다. 그러나 공장에서 성과가 나려면 데이터가 연결되고, 사람이 결과를 이해하고, 보안 규칙이 신뢰를 만들어야 합니다. 정부의 지원 규모나 도입 기업 수만 보는 대신 이 네 질문을 함께 보면, ‘AI 전환’이라는 큰 말이 실제 현장 변화인지 더 정확하게 판단할 수 있습니다.

제조 AX는 공장에 챗봇을 하나 추가하는 프로젝트가 아닙니다. 데이터를 안전하게 모으고, 숙련자의 판단을 연결하고, 사람이 책임 있게 활용하는 방식으로 생산 전체를 바꾸는 일입니다. 그러니 다음에 제조 AI 도입 소식을 보게 되면 “무슨 모델을 썼나”뿐 아니라 “어떤 데이터와 사람, 보안 규칙이 함께 바뀌었나”까지 한 번 더 확인해 보세요.

참고자료

1. 산업통상부, 「대한민국 제조업이 살 길, M.AX를 논하다」
2. 산업통상부, 「AI 시대 우리 제조업의 핵심 전략자산인 데이터, 안전한 저장·활용 시스템 구축하기로」
3. 산업통상부, 「리더십으로 M.AX 가속화, 산업부 간부 AX 교육 실시」
4. 과학기술정보통신부·산업통상부·중소벤처기업부, 「2026년도 주요 AX 사업 통합 공고」
5. 국가AI전략위원회, 「대한민국 인공지능 행동계획(2026~2028)」
6. 과학기술정보통신부, 「2030 Blueprint Is Unveiled for AI-driven Manufacturing Transformation」
7. 산업통상부, 「M.AX Delivers Tangible Results on the Factory Floor」
8. 국가AI전략위원회 게시 국정원, 「국가·공공기관 AI보안 가이드북」