AI 핵심 요약
beta- 정부는 6월 제조AI 2030 전략을 발표했다
- AI는 공장·농장·연구소를 직접 움직인다
- 핵심은 데이터 순환과 현장 적용이다
!AI가 자동 생성한 요약으로 정확하지 않을 수 있어요.
2030년까지 민관 20조원·AI 팩토리 500개…경제적 부가가치 100조 목표
일곱 산업의 공통조건은 측정→학습→판단→제어→검증의 한 순환
제조 AI 도입기업 83.5%는 일부 부서·프로젝트 활용…전사 적용 2.8%
해법은 설치 대수보다 데이터 건강검진·독립검증·공동인프라&mi
|
AI는 이제 문서를 작성하고 질문에 답하는 소프트웨어를 넘어 공장과 농장, 연구소와 선박을 직접 움직이는 기술로 진화하고 있다. AI는 생산량을 늘리고 불량과 연료비, 농약과 연구개발 기간을 줄이지만 새로운 설비투자와 데이터 종속, 고용 변화와 책임 문제, 그리고 막대한 전력수요를 만들어낸다. <뉴스핌>은 산업 현장에 적용된 국내외 AI 사례를 통해 누가 비용을 줄이고 누가 새로운 비용을 부담하는지, 그 편익이 전력망과 정부 거버넌스라는 한계 안에서 지속 가능한지를 10회에 걸쳐 분석한다. [AI, 산업의 판을 바꾸다] 기획시리즈 10부작 |
[세종=뉴스핌] 정성훈 경제부장 = 정부는 6월 발표한 '제조AI 2030 전략'을 통해 2030년까지 민관 20조원을 투자하고 100조원 이상의 경제적 부가가치를 창출하겠다고 밝혔다. 국가 제조데이터 라이브러리와 제조 인공지능(AI) 파운데이션 모델, 풀스택 AI 팩토리, 지역 제조업 AI 대전환(M.AX) 클러스터를 구축하고 전문인력을 양성한다는 구상이다. AI 팩토리는 2025년 102개에서 2026년 200개 이상, 2030년 500개로 늘린다는 목표다.
숫자만 보면 한국 제조업은 빠르게 AI 공장으로 바뀌고 있는 것처럼 보인다. 그러나 투자액과 설치 대수는 정책의 출발점일 뿐이다. 이 시리즈가 지난 일곱 편에서 확인한 것은 정반대의 교훈이었다. AI가 산업의 판을 바꾸는 힘은 모델의 크기가 아니라, 현장 데이터가 판단과 제어로 이어지고 그 결과가 다시 학습으로 돌아오는 순환을 갖췄느냐에 있었다.
| 일곱 산업이 보여준 하나의 공식 |
앞선 일곱 편에서 살펴본 산업은 서로 달랐지만 AI가 판을 바꾸는 방식은 놀라울 정도로 비슷했다. 제철소의 AI는 숙련공이 불꽃과 압력으로 읽던 고로 내부를 데이터로 바꿨다. 정밀농업의 AI는 밭 전체에 뿌리던 농약을 작물과 잡초를 구분해 필요한 곳에만 투입했다. 신약개발에서 AI는 임상시험을 없애지 못했지만 실패 가능성이 낮은 후보를 이른 단계에서 걸러 실패비용의 발생 시점을 앞당겼다.
반도체 설계 AI는 수많은 배치 조합을 탐색해 설계자의 시행착오를 줄였다. 자율운항선박은 기상·해류·주변 선박을 함께 분석해 항로를 조정했다. 물류센터의 AI는 로봇 한 대가 아니라 수요예측·재고배치·피킹·배차를 연결한 데이터망을 만들었다. 로보택시는 자동차를 개인에게 파는 산업을 차량군 운영과 이동시간 판매로 바꿀 가능성을 보여줬다.
이 일곱 사례를 하나의 축 위에 올리면 다섯 단계의 공통 공식이 드러난다. 첫째 측정, 센서와 거래·실험·운행에서 맥락을 포함한 데이터가 지속적으로 생성된다. 둘째 학습, 데이터 품질과 물리법칙·도메인지식이 결합돼 현장형 모델이 만들어진다. 셋째 판단, AI가 예측을 넘어 생산·투입·설계·운항·배차·주행의 선택을 제시한다. 넷째 제어, 사람의 승인 아래 실제 설비와 서비스가 판단을 실행한다. 다섯째 검증·재학습, 경제성과 실패가 측정돼 다음 모델에 반영된다.
■ 일곱 산업, 하나의 순환
측정 → 학습 → 판단 → 제어 → 검증·재학습. 산업은 달라도 AI가 성과를 만드는 순환은 같다. 이 순환의 어느 고리가 끊기면, 즉 데이터가 없거나(측정) 설비가 연결되지 않거나(제어) 성과가 검증되지 않으면(검증), 아무리 좋은 모델을 넣어도 AI는 화면 위 대시보드에 머문다.
| 일곱 산업을 한 표에 놓으면 병목이 보인다 |
같은 순환을 따르더라도 산업마다 막히는 고리는 다르다. 제조는 데이터와 제어가 성숙했지만 숙련 보상과 중소 확산이 병목이다. 신약은 후보 발굴은 빨라졌지만 임상이라는 검증 단계가 여전히 느리고 후기 자본이 부족하다. 물류와 모빌리티는 데이터가 넘치지만 그 데이터가 플랫폼에 집중되고 안전·책임 제도가 못 따라간다.
이 차이를 하나의 표로 정리하면 한국 산업 AI의 지형이 드러난다. 어떤 산업은 이미 상용화 단계에 진입했고, 어떤 산업은 실증에 머물러 있으며, 어떤 산업은 제도가 기술을 따라가지 못한다. 정책은 이 지형을 무시하고 모든 산업에 같은 바우처를 뿌릴 것이 아니라, 각 산업이 막힌 고리를 골라 풀어야 한다. (상세 비교는 Ⅲ장 참조)
| 도입률이 아니라 '활용의 깊이'를 봐야 한다 |
한국지능정보사회진흥원(NIA)이 제조업을 중심으로 분석한 자료에 따르면 2023년 국내 제조업의 AI 도입률은 25.4%로 전체 업종 평균 30.3%보다 낮았다. 도입기업만 보면 확산이 상당히 진행된 것처럼 보이지만 활용의 깊이는 달랐다.
AI를 활용하는 제조기업의 83.5%는 1~2개 유관부서 또는 개별 프로젝트 단위에서 사용했다. 여러 부서에 연계한 기업은 13.8%, 전사적 활용은 2.8%에 그쳤다. 기업 내부 AI 활용지침이 전혀 없다는 응답도 65.9%였다. 공장에 AI가 들어왔다는 사실과 공장의 의사결정 구조가 AI 중심으로 바뀌었다는 사실은 다르다는 의미다.
AI 도입이 곧바로 인건비 절감으로 이어진 것도 아니다. 조사에서 제조기업의 66.5%는 도입 이후 인력비용에 변화가 없다고 답했고 25.8%는 오히려 증가했다고 응답했다. 데이터 정비와 시스템 운영, 검증·교육을 담당할 인력이 추가로 필요했기 때문이다. 이는 앞선 편들이 반복 확인한 '사람은 사라지지 않고 역할이 바뀐다'는 명제와 정확히 일치한다.
| 대기업에는 데이터, 중소기업에는 비용 |
대기업은 생산설비와 데이터센터, AI 엔지니어, 유지보수 조직을 함께 보유한다. AI가 품질과 가동률을 개선하면 절감된 비용을 다시 센서와 모델에 투자하고 더 많은 데이터를 확보하는 선순환을 만든다. 이는 제조뿐 아니라 물류·반도체·조선 편에서 반복 확인된 '데이터 규모의 경제'다.
중소기업은 출발점이 다르다. 서로 다른 연식과 제조사의 설비를 연결하는 비용, 데이터 정비와 클라우드 이용료, 모델 업데이트와 보안, 유지보수 비용이 한꺼번에 발생한다. NIA 조사에서 제조기업의 애로는 적합한 정보·인프라 부족 36.8%, 전문인력 부족 34.7%, 양질의 AI 기술·서비스 부족 28.3%, 자금 부족 27.1% 순이었다.
경제협력개발기구(OECD) 자료에서도 기업 규모에 따른 격차는 뚜렷하다. 최근 가용연도 기준 AI를 활용한 기업은 250명 이상 대기업 40%, 50~249명 기업 20.4%, 10~49명 기업 11.9%였다. 자율로봇·자율주행·드론 분야에서는 대기업 7.2%, 소기업 0.7%로 격차가 더 컸다. 다만 이 통계는 유럽연합(EU) 기준으로 한국에 직접 적용하지 않고 경향 비교용으로만 인용한다.
| 생산성의 과실은 누구에게 돌아가는가 |
산업 AI가 비용을 줄이면 기업이익이 늘어난다. 그러나 그 과정에서 숙련자의 암묵지와 협력사의 공정데이터, 현장 노동자의 반복적인 오류수정이 AI의 성능을 만든다. 이 기여가 보상되지 않으면 현장의 반발이 커진다. 제조편의 숙련 보상, 농업편의 농민 데이터 권리, 물류편의 노동강도, 반도체편의 엔지니어 노하우가 모두 같은 질문을 던졌다.
정부도 설치 대수와 실증 완료 건수를 성과로 잡으면 공급기업은 짧은 기간에 설치가 쉬운 솔루션을 제안하게 된다. 현장의 구조적 문제를 해결하기보다 사업기간 안에 결과를 보여주는 프로젝트가 선택되는 역선택이 발생한다. 산업 AI 정책은 기술보급 정책이면서 동시에 거래와 분배의 정책이다.
| 지원금보다 먼저 '데이터 건강검진'이 필요하다 |
정책은 AI 솔루션을 고르는 단계에서 시작해서는 안 된다. 우선 기업의 설비 연결성, 데이터 품질, 공정의 경제적 병목, 현장인력과 보안수준을 진단해야 한다. 어떤 기업은 AI보다 센서와 데이터 표준화가 먼저이고, 어떤 기업은 공정 자체를 단순화해야 한다.
지원사업에는 도입 전 기준선이 필요하다. 생산량과 불량률, 에너지, 작업시간, 사고, 유지비를 도입 전에 측정하고 같은 기준으로 1년·3년 뒤 변화를 추적해야 한다. 초기 구축비뿐 아니라 연동·클라우드·업데이트·보안·교육·가동중단을 포함한 총소유비용을 공개해야 한다. 성과 검증은 사업 수행기관과 공급기업만 맡겨서는 안 되며, 업종별 독립 검증기관이 기업 발표 수치를 재현하고 실패한 사업도 원인을 익명화해 축적해야 한다.
중소기업에는 개별 공장마다 데이터센터와 AI팀을 만드는 방식보다 산업단지 공동 AI센터와 엣지컴퓨팅, 공정 시뮬레이션, 보안·법률·데이터 정비 서비스를 함께 제공하는 방식이 효율적이다. 장기적으로는 AI가 설비를 제어할수록 사고 책임기준과 사이버보안, 보험체계를 마련하고, 데이터와 모델을 특정 공급기업에 묶어두지 않도록 이전권과 상호운용성을 보장해야 한다.
한국은 반도체·자동차·조선·철강·기계·배터리 등 세계적인 제조기반과 현장 숙련, 공급망 데이터를 보유하고 있다. 범용 AI 모델 경쟁에서는 뒤처질 수 있어도 제조현장과 AI를 결합하는 산업에서는 선도할 조건이 있다. 그러나 강점이 자동으로 경쟁력이 되지는 않는다. AI 팩토리 500개는 목표가 아니라 시험대다. 500개의 독립된 실증을 만드는 데 그칠지, 산업 전체가 학습하는 데이터와 제도 인프라를 만들지가 한국 제조업의 다음 경쟁력을 결정한다.
■ 한 줄 요약
산업 AI의 본질은 공장에 모델을 설치하는 것이 아니라 현장데이터가 판단과 제어, 검증과 재학습으로 이어지는 운영체계를 만드는 데 있으며, 한국의 해법은 AI 팩토리 숫자를 늘리는 것보다 데이터·노후설비·유지비·인력·책임·이익배분의 병목을 함께 푸는 데 있다.
* [AI로 읽는 경제]는 AI 어시스턴트가 분석한 내용을 바탕으로 기자가 정리한 내용입니다. ChatGPT, Google Gemini, Perplexity, Claude AI 모델이 적용됐습니다. 상단의 'AI MY 뉴스' 로그인을 통해 뉴스핌의 차세대 AI 콘텐츠 서비스를 활용해 보기 바랍니다.
jsh@newspim.com
