제조업 AI 자동화 — 어디서부터 시작하나

제조업에서 AI를 도입한다고 하면 가장 먼저 무엇을 떠올릴까. 수요예측·자동 생산계획·불량예측·설비예지보전·재고 최적화 같은 기능이 먼저 거론된다. 하지만 실제 도입에서는 기능보다 먼저 물어야 할 질문이 있다. “우리 공장에서 지금 사람이 반복해서 판단하고 있는 일은 무엇인가?”

예를 들어 구매담당자가 매일 아침 재고를 확인하고 발주 여부를 결정한다고 하자. 담당자는 현재 재고수량만 보는 게 아니라 최근 사용량·생산계획·미입고 발주량·공급업체 리드타임·최소주문수량·소비기한·긴급주문 가능 여부를 함께 보고 판단한다. AI 자동화를 검토한다면 바로 이런 업무에서 시작할 수 있다. AI를 먼저 설치하는 게 아니라, 사람이 어떤 데이터를 보고 어떤 판단을 반복하고 있는지부터 구조화하는 것이다.

AI 후보는 ’힘든 일’보다 ’반복되는 판단’에서 찾는다

공장에서 가장 힘든 업무가 반드시 AI 도입 1순위인 건 아니다. 한 달에 한 번 발생하는 복잡한 의사결정보다 하루에 수십 번 반복되는 단순한 판단이 자동화 효과가 더 클 수 있다. 예를 들면 —

재고를 확인하고 발주 필요성을 판단하는 일
생산계획을 세우면서 주문과 재고를 맞추는 일
수백 개의 거래내역을 계정·거래유형별로 분류하는 일
생산실적 가운데 평소와 다른 Batch를 찾는 일
검사결과나 공정데이터에서 이상값을 확인하는 일

이런 업무의 공통점은 사람이 매번 비슷한 데이터를 보고 일정한 기준에 따라 판단한다는 것이다. 제조 AI의 첫 후보는 이런 곳에서 찾는 편이 현실적이다.

먼저 이 업무가 Rule로 해결되는지 확인한다

여기서 바로 AI를 붙이면 안 된다. AI보다 단순한 방법으로 해결할 수 있는 업무가 많기 때문이다. 원재료 재고가 100kg 이하가 되면 경고를 띄우는 건 AI가 없어도 된다 — Available Stock ≤ 100kg → Alert면 충분하다. 소비기한 30일 이하 재고 표시도, 법정 검사 예정일 14일 전 알림도 일정관리와 Rule Engine으로 구현한다.

그런데 문제가 조금 달라진다. “현재 재고와 다음 달 생산계획, 최근 사용량, 공급업체 리드타임을 고려하면 언제 주문하는 게 적절한가?“는 여러 변수를 동시에 고려해야 하고, 계절성이나 주문변동까지 반영하려면 통계모형이나 머신러닝을 검토할 수 있다. 즉 제조 자동화에서는 먼저 세 단계를 구분하는 게 좋다.

고정된 조건이면          → Rule
반복되는 패턴을 계산하면  → 통계·최적화
복잡한 패턴을 학습해야 하면 → AI·머신러닝

AI를 쓰지 않아도 해결되는 문제에 AI를 쓰는 것은 기술적으로 가능해도 좋은 설계라고 보기 어렵다.

’AI 자동화’라는 이름 아래 서로 다른 기술이 섞여 있다

제조업에서 AI라 부르는 기능을 열어보면 성격이 상당히 다르다.

수요예측 — 과거 판매·주문 패턴을 이용한 시계열 예측
생산계획 — 주문·재고·설비능력·납기·작업순서 제약을 고려하는 최적화
품질 이상탐지 — 센서·검사데이터에서 평소와 다른 패턴 찾기
거래 자동분류 — 과거 거래 특성으로 분류하거나 규칙과 모델을 조합
작업일지·품질문서 요약·질의응답 — 생성형 AI가 더 적합

모두 ’AI’로 묶을 수 있지만 필요한 데이터와 구현방법은 서로 다르다. 그래서 프로젝트를 시작할 때는 “AI를 도입하자”보다 “어떤 판단을 자동화하거나 지원할 것인가” 를 먼저 정의해야 한다.

데이터가 있다고 AI를 할 수 있는 건 아니다

ERP에 데이터가 5년치 쌓여 있으면 AI를 바로 적용할 수 있을까. 반드시 그렇지 않다. 원재료 코드가 중간에 여러 번 바뀌었거나, 같은 거래처가 서로 다른 이름으로 등록됐거나, 생산실적은 완제품 기준인데 원재료 투입량은 표준 BOM으로만 차감했거나, 설비가 변경됐는데 설비코드 이력이 없거나, 불량사유가 작업자마다 다른 표현으로 입력돼 있을 수 있다. 이런 데이터는 양은 많지만 학습·분석에 바로 쓰기 어렵다. AI에 필요한 건 단순한 데이터의 양이 아니라 같은 의미로 비교할 수 있는 데이터다.

제조 데이터에서는 ’연결’이 특히 중요하다

품질 이상을 예측하고 싶다고 하자. 검사결과만 모으면 정상과 부적합의 차이는 볼 수 있지만, 왜 부적합이 발생했는지 찾으려면 다른 데이터가 필요하다 — 어떤 원재료 LOT를 썼는지, 어느 Recipe Version으로 생산했는지, 실제 투입량은 얼마였는지, 어느 설비를 썼는지, 공정조건은 어땠는지, 작업시간은 얼마나 걸렸는지, 최종 수율은 얼마였는지. 그래서 제조 AI에서 데이터 연결의 기본단위로 Production Batch나 LOT가 중요해진다.

Batch를 중심으로 생산·재고·품질·원가 데이터가 연결돼 있으면 같은 사건을 여러 방향에서 분석할 수 있다. 반대로 품질은 품질시스템, 재고는 ERP, 생산은 엑셀, 설비는 PLC에 각각 존재하면서 공통키가 없다면 데이터는 많아도 서로 연결하기 어렵다.

데이터 연결은 AI만을 위한 작업이 아니다

여기서 중요한 사실이 하나 있다. Batch와 LOT를 기준으로 데이터를 연결하는 작업은 AI를 위해서만 필요한 게 아니다. 원재료 추적에도, 재고관리에도, 원가계산에도, HACCP 기록과 품질관리에도 쓰인다. 즉 제대로 구축된 제조 데이터 구조는 AI 프로젝트를 하지 않더라도 이미 운영가치가 있다. 이 관점이 중요하다. AI를 위해 별도의 거대한 데이터베이스부터 만드는 것보다 현재 생산·재고 업무에서 정확한 Transaction이 생성되게 만드는 게 먼저일 수 있고, 그 데이터가 쌓이면 나중에 분석과 AI에도 쓸 수 있다.

첫 번째 후보: 발주 판단

원재료 구매는 AI를 검토하기 좋은 영역이지만, 처음부터 “AI 자동발주”를 목표로 할 필요는 없다. 현재 구매담당자가 무엇을 보고 판단하는지부터 적어본다 — 사용가능재고, 미입고 발주량, 확정 생산계획의 필요량, 공급업체 실제 리드타임, MOQ·주문배수, 소비기한. 이 정보가 시스템에 없다면 AI보다 먼저 데이터를 만들어야 하고, 충분히 관리되고 있다면 Rule 기반 발주추천부터 시작할 수 있다. 이후 실제 소비패턴과 수요변동이 충분히 쌓이면 예측모델을 결합한다.

처음부터 AI가 발주서를 확정하는 것보다 추천수량 제시 → 구매담당자 검토 → 발주확정 구조가 안전하다. 그리고 중요한 데이터가 하나 더 생긴다 — 시스템은 500kg을 추천했는데 담당자가 300kg으로 바꿨다면 그 이유다. MOQ·가격·공급업체 사정·프로모션·생산계획 변경 같은 수정사유가 다시 데이터가 된다.

두 번째 후보: 생산계획

생산계획은 AI라는 이름을 붙이기 좋지만 실제로는 상당히 어려운 문제다. 주문량만 보고 생산수량을 정하는 게 아니라 완제품 재고·원재료 가용재고·납기·설비능력·작업인원·제품별 생산시간·세척 및 교체시간·최소생산 Batch·공정순서 같은 제약조건이 동시에 존재한다. 식품공장에서는 알레르기 유발물질이나 세척조건 때문에 생산순서가 중요할 수도 있다.

“다음 주 제품 A가 5,000개 팔릴 것 같다”는 예측이고, “그렇다면 월요일에 A 2,000개, 화요일에 B 3,000개를 어떤 라인에서 생산하자”는 계획이다. 예측이 맞아도 생산계획이 실행 가능하지 않을 수 있다. 그래서 생산계획 자동화에서는 AI보다 먼저 제약조건이 시스템에 표현돼 있는지 확인해야 한다.

세 번째 후보: 품질 이상탐지

품질에서는 AI의 역할을 조금 다르게 보는 게 좋다. AI가 제품의 적합·부적합 판정을 임의로 대신하는 것과 평소와 다른 패턴을 찾아주는 것은 다른 문제다. CCP의 한계기준이 명확하다면 기준 초과 여부는 Rule로 판정하면 되고 AI가 필요 없다. 반면 아직 기준을 벗어나지 않았지만 온도 패턴이 평소와 다르게 움직이고 있다면 이상탐지 모델이 참고신호를 줄 수 있고, 특정 원재료 LOT를 쓴 Batch에서 수율저하나 품질편차가 반복되는 패턴을 찾을 수도 있다. 이 경우 AI의 역할은 법정·HACCP 기준을 대신 만드는 게 아니라 사람이 확인할 이상후보를 더 빨리 찾는 것에 가깝다. 품질 분야에서는 이 경계를 특히 명확히 해야 한다.

네 번째 후보: 원가 이상탐지

표준원가와 실제원가 차이가 Batch별로 축적되면 사람이 모든 Batch를 하나씩 열어보지 않아도 된다. 평소 제품 A의 실제 재료비가 표준 대비 ±2%에서 움직이는데 특정 Batch만 +8%가 났다면 시스템이 우선 확인대상으로 표시할 수 있다. 여기서도 처음부터 복잡한 AI가 필요한 건 아니다 — 임계값이나 통계적 범위로도 상당 부분을 찾는다. 데이터가 충분히 쌓인 이후 원재료 가격·실제투입량·수율·생산시간·설비조건을 함께 분석하면 더 복잡한 패턴을 탐지한다. AI는 원가가 왜 올랐는지 확정하는 회계담당자가 아니라 이상한 Batch를 먼저 찾아주는 분석도구로 시작하는 편이 현실적이다.

다섯 번째 후보: 반복 문서업무

제조 AI라면 예측모델부터 떠올리지만 생성형 AI가 비교적 빠르게 적용되는 영역도 있다 — 작업일지 요약, 회의록 정리, 품질문서 검색, SOP 질의응답, 내부 보고서 초안, 거래내용 분류 보조. 다만 문서를 생성할 수 있다는 것과 공식 기록을 자동으로 확정할 수 있다는 것은 구분해야 한다. 특히 HACCP 기록·품질판정·회계전표처럼 책임과 승인절차가 필요한 데이터는 생성형 AI가 만든 내용을 그대로 확정값으로 저장하는 구조를 조심해야 한다. AI가 초안을 만들고 사람이 검토·승인하는 구조가 더 적합하다.

모든 AI에 많은 과거 데이터가 필요한 건 아니다

“AI를 하려면 몇 년치 데이터가 필요하다”는 말을 자주 듣지만 일률적으로 정하기 어렵다. 수요예측처럼 계절성·장기패턴을 분석하려면 충분한 과거 데이터가 중요하고, 새로운 품질 이상을 학습하려면 정상·이상 사례가 적절히 확보돼야 한다. 반면 문서검색이나 생성형 AI 기반 업무지원은 과거 거래데이터가 수년치 없어도 시작할 수 있고, Rule 기반 추천은 학습데이터 자체가 필요 없을 수도 있다. 그래서 AI 준비도를 데이터 보유기간 하나로 판단하면 안 된다 — 하려는 문제에 필요한 데이터가 있는가를 확인해야 한다.

AI 정확도보다 먼저 ’틀렸을 때 무슨 일이 생기는가’를 본다

제조 AI에서 중요한 평가기준 중 하나다. AI가 발주수량을 잘못 추천했는데 담당자가 확인하고 수정할 수 있다면 위험은 제한적이다. AI가 이상 Batch를 놓쳤어도 기존 품질검사 절차가 그대로 존재한다면 AI는 보조수단으로 기능한다. 반대로 AI가 임의로 생산을 중단하거나 품질판정을 확정하거나 회계전표를 승인한다면 오류의 영향이 커진다. 그래서 자동화 수준은 정확도만으로 결정하면 안 되고 잘못된 판단의 영향도가 얼마나 큰가를 함께 봐야 한다. 위험도가 높은 업무일수록 사람의 승인이나 기존 통제절차를 유지하는 게 필요하다.

사람이 AI 추천을 계속 무시한다면 이유를 찾는다

시스템이 매일 발주를 추천하지만 구매담당자가 대부분 수정한다면 두 가지 가능성이 있다. AI가 좋지 않을 수도 있고, AI가 모르는 정보가 현장에 존재할 수도 있다. 특정 공급업체가 다음 주 휴무라는 사실을 담당자는 알지만 시스템엔 없고, 대형 주문이 취소될 예정인데 아직 ERP에 반영 안 됐을 수 있다. 이 경우 사람의 수정은 AI 실패기록이 아니라 시스템에 빠진 변수의 발견이 된다. 그래서 AI 추천을 수정할 때 수정사유를 남기는 구조가 유용하다. 추천값과 최종결정의 차이를 다시 분석하면 다음 개선대상을 찾는다.

AI를 붙이기 전에 기준 데이터를 먼저 고정한다

제조 AI에서 모델보다 먼저 정리할 것이 Master Data다. 품목코드가 중복되고, 거래처명이 제각각이고, 단위가 kg와 g로 섞이고, Recipe Version을 구분하지 않고, 설비코드가 없고, 불량사유가 자유문장으로만 기록된다면 AI뿐 아니라 일반적인 분석도 어렵다. 그래서 AI 프로젝트를 준비한다면 최소한 품목 · BOM/Recipe · 공정 · 설비 · 거래처 · 단위 · LOT/Batch · 불량·손실 사유 같은 기준정보부터 확인하는 게 좋다. 이것은 AI 준비작업이면서 동시에 ERP·MES 데이터 품질 개선작업이다.

AI가 별도의 섬이 되면 다시 입력이 시작된다

제조업에서 피해야 할 구조 중 하나는 ERP 옆에 별도의 AI 시스템을 만들고 필요한 데이터를 다시 입력하는 것이다. ERP에서 재고를 관리하는데 AI 발주프로그램에 현재고를 다시 입력하고, MES에 생산실적이 있는데 AI 분석용 엑셀을 다시 만들고, 품질시스템에 검사결과가 있는데 AI용 데이터파일을 별도로 관리한다. 이렇게 되면 AI를 도입하면서 새로운 수기업무가 생긴다.

AI 기능을 별도의 독립 서비스보다 생산·재고·원가·회계 Transaction과 연결해서 설계해야 하는 이유가 여기 있다. AI가 판단에 필요한 데이터를 기존 업무에서 가져오고, 추천결과와 사람의 최종결정 역시 다시 같은 업무데이터에 남는 구조가 돼야 한다.

자동화 수준은 한 번에 올릴 필요가 없다

같은 발주업무라도 자동화 수준을 단계적으로 높일 수 있다.

재고부족 경고 → 발주 필요품목 추천 → 추천수량 계산 → 담당자 검토·확정
→ (검증된 저위험 품목만) 회사 정책에 따라 더 높은 수준의 자동화 검토

중요한 건 처음부터 완전자동화를 목표로 잡지 않는 것이다. 자동화 수준은 기술이 얼마나 발전했느냐보다 데이터 신뢰도 · 업무위험 · 예외빈도 · 책임구조에 따라 결정해야 한다.

제조업 AI 도입 순서는 회사마다 달라야 한다

어떤 회사는 재고가 가장 큰 문제고, 다른 회사는 생산계획에 매일 몇 시간이 걸리고, 품질검사 데이터가 많은 회사는 이상탐지가 먼저일 수 있고, 사무인력이 반복 문서업무에 시간을 많이 쓰는 회사는 생성형 AI 업무지원이 더 빠른 효과를 낼 수도 있다. 그래서 재고예측 → 생산계획 → 품질AI → 회계AI 같은 하나의 정답 순서는 없다. 대신 후보업무를 놓고 네 가지를 비교한다.

반복빈도가 높은가.
판단에 필요한 데이터가 존재하는가.
결과를 측정할 수 있는가.
틀렸을 때 사람이 통제할 수 있는가.

이 조건이 좋은 업무가 첫 번째 AI 프로젝트에 적합하다.

처음 AI를 도입한다면 ’한 가지 결정’을 고른다

“우리 공장을 AI 공장으로 만들자”는 목표는 너무 크다. 대신 이렇게 바꾸는 편이 낫다.

“원재료 200종 가운데 이번 주 발주검토가 필요한 품목을 자동으로 추천하자.”
“하루 생산 Batch 가운데 평소 원가범위를 벗어난 Batch를 자동으로 찾아보자.”
“작업자가 작성한 일일 생산기록에서 관리자에게 필요한 내용을 자동으로 요약하자.”

문제가 작아지면 필요한 데이터도 보이고, 정답을 어떻게 검증할지도 정할 수 있고, 성과도 측정할 수 있다. 그 결과가 유효하면 다음 판단으로 범위를 넓히면 된다.

제조업 AI 자동화의 시작점은 AI 모델을 고르는 일이 아니다. 공장에서 사람이 반복해서 내리고 있는 결정 하나를 고르는 일이다. 그 결정에 필요한 데이터가 무엇인지 확인하고, Rule로 해결할 수 있는지 먼저 검토하고, 필요하다면 통계·최적화·AI를 적용하고, 결과를 사람이 검증하면서 실제 업무성과를 측정한다. 이 순서를 지키면 AI는 공장 위에 따로 얹힌 기능이 아니라 기존 제조 데이터를 사용하는 하나의 업무도구가 된다.

그리고 그때부터 질문도 달라진다. “우리 회사에 AI를 도입할 수 있을까?“가 아니라 “다음에는 어떤 반복 판단을 데이터로 바꿀 것인가?” 가 된다.

참고 — 품질판정·HACCP 기준은 AI가 대신 확정할 수 없으며 관련 법령·관할 기준을 따른다. 실제 적용은 식품안전나라로 확인한다.