[제조업 AX] 제조AI 2030, 공장을 넘어 대한민국의 산업지도를 다시 그려야 한다

인공지능을 이야기하면 많은 사람은 먼저 챗GPT 같은 생성형 AI를 떠올린다. 질문을 입력하면 글을 쓰고, 그림을 만들고, 자료를 요약하는 장면이다. 그러나 AI가 우리 경제와 일자리에 미칠 더 크고 직접적인 변화는 사무실이 아니라 공장에서 일어날 가능성이 크다. 자동차 차체를 용접하고, 선박의 블록을 조립하며, 석유화학 설비의 이상을 감지하고, 반도체 불량을 찾아내는 모든 과정에 AI가 들어오기 시작했기 때문이다.

최근 우리 정부가 마련한 ‘제조AI 2030 전략’은 이러한 변화를 국가 차원에서 추진하겠다는 청사진이다. 제조AI란 제품 설계부터 생산, 품질검사, 설비관리, 물류와 공급망에 이르는 제조 전 과정에 AI를 적용하는 것을 말한다. 단순히 공장에 로봇 몇 대를 설치하는 수준이 아니다. 공장이 데이터를 통해 스스로 상황을 파악하고, 문제를 예측하며, 생산계획을 조정하는 단계로 진화하는 것이다.

정부는 2030년까지 제조AI를 통해 100조 원 이상의 부가가치를 창출하고, 국내총생산을 90조 원 늘리며, AI 팩토리 100억 달러 수출을 달성하겠다는 목표를 제시했다. 제조기업의 생산성을 50% 향상하고, 제조기업의 AI 활용률을 40%까지 끌어올리겠다는 계획도 담았다. 이를 위해 국가대표 제조 데이터셋 120개, 초격차 제조AI 모델 36개, AI 에이전트 1,200개를 구축하고 제조AI 전문인력 3만 명을 양성한다는 구상이다.

목표는 크고 방향도 옳다. 하지만 숫자보다 중요한 질문이 있다.

“AI를 도입한 공장이 몇 개인가?”가 아니라 “AI가 공장의 문제를 얼마나 해결했는가?”를 물어야 한다.

공장의 경쟁력은 이제 데이터에서 나온다

과거 제조업의 경쟁력은 토지, 자본, 설비와 숙련된 노동력에서 나왔다. 앞으로는 여기에 ‘고품질 제조 데이터’가 더해진다. 같은 기계를 보유하더라도 고장 이력, 온도와 진동, 불량 발생 조건, 작업자의 대응 방법이 축적된 기업은 AI를 통해 훨씬 높은 생산성을 얻을 수 있다.

예를 들어 석유화학 공장의 압축기에서 평소와 다른 미세한 진동이 발생했다고 가정해보자. 과거에는 숙련 기술자가 소리와 진동을 확인한 뒤 정비 여부를 판단했다. 제조AI는 수년간 축적된 센서 데이터를 분석해 고장 가능성을 미리 알려준다. 계획정비를 통해 수십억 원의 생산중단 손실과 안전사고를 예방할 수 있다.

자동차 부품공장에서는 카메라가 사람의 눈으로 찾기 어려운 미세한 균열과 도장 불량을 실시간으로 판별한다. 조선소에서는 AI가 선박 블록의 용접 상태를 검사하고, 작업자의 동선과 크레인 운행을 최적화한다. 식품공장에서는 원재료의 크기와 색상, 수분 상태를 분석해 품질을 분류하고, 화장품공장에서는 점도와 온도 변화를 학습해 생산조건을 자동 조정할 수 있다.

제조AI의 핵심 자산은 화려한 알고리즘보다 현장에 축적된 데이터다. 특히 정년을 앞둔 숙련노동자의 머릿속에는 교과서에 없는 지식이 담겨 있다. “이 소리가 나면 베어링을 확인해야 한다”, “오늘처럼 습도가 높으면 온도를 조금 낮춰야 한다”와 같은 암묵지다. 이를 영상, 음성, 작업일지와 센서 데이터로 전환한다면 개인의 경험이 기업과 산업 전체의 지식자산이 된다.

따라서 제조 데이터 수집은 기술사업이면서 동시에 사람사업이어야 한다. 숙련노동자를 단순한 데이터 제공자가 아니라 ‘산업지식 설계자’로 인정하고 적절하게 보상해야 한다. 그렇지 않으면 기업은 필요한 데이터를 얻지 못하고, 노동자는 자신의 경험이 동의 없이 AI에 흡수된다는 불안을 느끼게 된다.

디지털 트윈에서 자율공장까지

글로벌 제조기업들은 이미 AI 경쟁에 속도를 내고 있다. 독일 지멘스의 암베르크 공장은 생산 데이터와 설비, 제품을 연결해 연간 약 1,700만 개의 자동화 제품을 생산한다. 1,000종이 넘는 제품이 동일한 생산체계에서 만들어지며, 제품에 부여된 코드가 기계와 소통하면서 다음 공정을 결정한다. 이는 생산량만 늘리는 자동화가 아니라 다품종 생산을 정교하게 운영하는 지능화다.

BMW는 실제 공장을 바꾸기 전에 가상공장에서 먼저 시험한다. 전 세계 30개가 넘는 생산거점을 디지털 트윈으로 구현해 새로운 차량이 생산라인을 통과할 때 설비와 충돌하지 않는지, 로봇과 물류 동선이 효율적인지를 시뮬레이션한다. 실제 현장에서 몇 주가 걸리던 변경과 검증을 가상공간에서 수행하며, 생산계획 비용을 최대 30% 줄이는 것을 목표로 한다.

삼성전자도 2030년까지 글로벌 제조 사업장을 ‘AI 주도 공장’으로 전환해 자재 입고부터 생산, 품질검사, 출하에 이르는 전 과정을 AI로 연결한다는 전략을 발표했다. 이는 AI가 특정 공정을 돕는 단계를 넘어 공장 전체의 흐름을 관리하는 방향으로 제조 경쟁이 이동하고 있음을 보여준다.

제조AI 2030 전략이 제시한 ‘풀스택 AI 팩토리’도 같은 방향이다. 대형 AI 에이전트가 생산계획과 품질, 설비, 물류를 통합 관리하고, 휴머노이드 로봇이 위험하거나 반복적인 작업을 담당하며, 제조 피지컬 AI가 현실의 기계와 설비를 제어한다. 현장 작업자가 “2번 설비의 온도가 왜 올라갔지?”라고 자연어로 물으면 AI가 센서 기록과 정비 이력을 분석해 원인을 설명하고 조치 방법까지 제안하는 공장이다.

대기업만의 잔치가 되어서는 안 된다

제조AI 정책의 성패는 대기업보다 중소기업에서 결정된다. 대기업은 데이터센터와 전문인력, 자동화 설비를 자체적으로 확보할 수 있지만, 직원 30명 규모의 부품업체가 수억 원짜리 시스템을 도입하기는 어렵다. 공급망의 한 기업만 뒤처져도 전체 산업의 AI 전환은 완성되지 않는다.

정부 전략이 산업단지별 ‘M.AX 클러스터’를 만들고, 선도공장의 성과를 협력기업으로 확산하며, 중소기업을 위한 표준모델과 공동 인프라를 제공하려는 이유가 여기에 있다. 산업단지 안에 테스트베드, 데이터 저장시설, 제조로봇 오픈랩, 엣지컴퓨팅센터와 전문 컨설팅 조직을 갖추면 개별 중소기업이 모든 비용을 부담하지 않고도 AI를 시험할 수 있다.

실제로 삼성전자가 국내 중소기업을 대상으로 지원한 스마트공장 사업에서는 참여기업들의 품질과 생산성이 각각 54%, 58% 향상된 것으로 소개된 바 있다. 대기업의 제조 경험과 기술을 공급망 기업에 나눌 때 산업생태계 전체가 강해질 수 있음을 보여주는 사례다.

다만 중소기업 지원은 “장비를 설치해주고 끝나는 사업”이 되어서는 안 된다. 현장의 문제를 먼저 찾아야 한다. 납기 지연이 문제인지, 불량이 문제인지, 에너지비용이 문제인지부터 진단한 뒤 가장 작은 공정에서 성과를 확인해야 한다. 불량률, 설비정지 시간, 에너지 사용량, 작업자 안전과 같은 지표가 실제로 개선될 때 다음 공정으로 확대해야 한다.

울산을 대한민국 제조AI의 실증도시로

울산은 제조AI 전략을 현실에서 구현하기에 가장 적합한 도시 가운데 하나다. 자동차, 조선, 석유화학, 비철금속과 에너지산업이 한 지역에 집적돼 있고, 대기업과 수많은 협력업체가 촘촘한 공급망을 이루고 있다. 여기에 UNIST를 비롯한 연구기관과 산업지원기관도 있다.

울산은 개별 기업의 스마트공장 지원을 넘어 ‘도시 전체가 하나의 제조AI 실험실’이 되는 전략을 세워야 한다. 자동차에는 비전검사와 자율물류, 조선에는 용접·도장 로봇과 디지털 트윈, 석유화학에는 예지정비와 안전 AI, 중소 부품기업에는 업종별 공동 AI 에이전트를 적용할 수 있다. 기업이 민감한 원천 데이터를 외부에 넘기지 않고도 공동 모델의 혜택을 얻도록 데이터 보안과 권한관리 체계도 갖춰야 한다.

무엇보다 노동정책과 산업정책을 함께 설계해야 한다. AI가 노동자를 밀어내는 기술로 받아들여지면 현장은 데이터를 제공하지 않고 변화에 저항할 수밖에 없다. 반대로 AI를 위험작업과 반복업무에서 사람을 해방하고, 숙련자의 판단력을 확장하는 도구로 설계하면 생산성과 안전을 동시에 높일 수 있다.

현장 재직자에게 데이터 해석, AI 협업, 로봇 운영과 문제해결 역량을 가르치고, 대학과 직업교육기관은 기계·화학·전기 지식과 AI를 결합한 융합형 인재를 길러야 한다. 제조AI 인력 3만 명이라는 목표도 박사급 개발자만을 의미해서는 안 된다. 현장을 이해하는 AI 엔지니어, AI를 사용할 수 있는 작업자, 기술과 사람을 연결하는 ‘제조AI 통역자’가 함께 필요하다.

사람 없는 공장이 아니라 사람이 더 강해지는 공장

제조AI 2030 전략의 최종 목적은 ‘사람이 사라진 공장’이 되어서는 안 된다. 사람이 더 안전하게 일하고, 중소기업도 혁신의 혜택을 누리며, 지역 청년이 양질의 일자리를 찾을 수 있는 공장을 만들어야 한다.

중국은 막대한 데이터와 정부 지원을 바탕으로 제조AI에 속도를 내고 있고, 미국은 빅테크의 자본과 소프트웨어 기술을 앞세워 제조 현장으로 진입하고 있다. 우리가 늦으면 국내 공장의 운영체제와 데이터 주권마저 해외 플랫폼에 의존할 수 있다. 반대로 자동차, 조선, 반도체, 석유화학에서 쌓은 제조 경험을 AI 모델과 패키지로 만들면 공장뿐 아니라 ‘공장을 움직이는 지능’을 수출할 수 있다.

이제 질문을 바꿔야 한다.

“AI가 사람의 일자리를 빼앗을 것인가?”라는 질문을 넘어 “어떻게 하면 AI가 사람의 경험을 더 가치 있게 만들고, 중소기업과 지역을 함께 성장시키게 할 것인가?”를 물어야 한다.

대한민국 제조업의 미래는 가장 지능적인 공장을 만드는 데만 달려 있지 않다. 현장의 경험, 기업의 데이터, 대학의 연구역량, 정부의 정책과 노동자의 신뢰를 얼마나 잘 연결하느냐에 달려 있다. 제조AI 2030은 기술도입 계획이 아니라 대한민국 산업생태계를 다시 설계하는 국가적 프로젝트가 되어야 한다.

이미지 출처: AI 생성 콘텐츠