제조업 AI 자동화 — 어디서부터 시작하나
AI 제조는 다들 말하지만 중소 제조업은 뭘 어디서 시작할지 막막하다. 데이터가 먼저인 이유와 제조 AI가 실제로 하는 네 가지 일을 예시와 함께 현실적으로 정리한다.
“AI로 공장을 스마트하게.” 어디서나 듣는 말이지만, 정작 중소 제조업 대표에게는 막막하다. 무엇을, 어디서, 어떻게 시작하라는 건지 답이 없다. 전시회에 가면 화려한 데모가 넘치는데, 우리 공장에 가져오면 무엇부터 해야 할지 감이 안 온다.
이 글은 과장을 걷어내고, 제조 AI가 실제로 무엇을 할 수 있는지, 그리고 무엇이 먼저인지를 정리한다.
AI 이전에 데이터가 먼저다
가장 중요한 사실부터. AI는 데이터 위에서만 작동한다. 재고가 장부와 안 맞고, 생산 실적이 월말에 몰아서 엑셀로 정리되고, 원가가 감으로 잡히는 상태에서는 어떤 AI도 쓸모가 없다. 쓰레기를 넣으면 쓰레기가 나온다(garbage in, garbage out).
그래서 순서가 있다. ERP·MES로 데이터를 전산화하고, 재고를 실시간화하고, 실적·LOT를 기록하는 것이 먼저다. 그 위에 AI가 올라간다. AI 도입이 막막하다면, 대개 아직 AI 단계가 아니라 데이터 단계인 것이다. 반대로 데이터가 쌓여 있다면, AI는 생각보다 빨리 값을 낸다.
제조 AI가 실제로 하는 네 가지 일
거창한 이야기 말고, 지금 실제로 값을 내는 영역은 대략 넷이다.
- 생산계획 최적화 — 주문·재고·설비 상황을 놓고 무엇을 언제 얼마나 만들지 계획을 짠다. 사람이 엑셀로 맞추던 것을 더 빠르고 촘촘하게.
- 재고예측·발주 추천 — 과거 소비 패턴과 리드타임을 보고 “무엇을 언제 얼마나 주문할지”를 추천한다. 품절과 과잉재고를 동시에 줄인다.
- 품질 이상탐지 — 검사·공정 데이터에서 평소와 다른 패턴을 잡아낸다. 불량이 터지기 전에 신호를 준다.
- 회계 자동분류 — 은행거래·전표를 계정과목에 자동으로 분류·추천한다. 반복 사무를 줄인다.
AI 인사이트 · 오늘
| 유형 | 내용 | 신호 |
|---|---|---|
| 발주 추천 | 토마토 페이스트 — 5일 내 품절 예상, 200kg 발주 권장 | 주의 |
| 재고 예측 | 완제품 소스 — 다음 주 수요 +12% 예상 | 참고 |
| 원가 이상 | 배치 PB-0830-03 — 재료비 평소 대비 +9% 이탈 | 확인 |
| 품질 이상 | 금속검출 CCP — 최근 24시간 정상 범위 | 정상 |
MillioAI 화면 예시(도식) — 발주 추천·수요 예측·원가 이상·품질 이상을 한 화면에서 신호로 보여준다. 실제 구현: millioai.com
공통점은 반복적이고 규칙이 있는 일이라는 점이다. 여기서 AI가 값을 낸다. 반대로 창의적 판단이나 예외투성이 업무는 AI가 약하다.
왜 ’데이터 연결’이 핵심인가
제조 AI의 힘은 단일 데이터가 아니라 연결된 데이터에서 나온다. 위 화면의 발주 추천이 정확하려면 판매·재고·생산·리드타임이 한곳에 이어져 있어야 한다. 원가 이상탐지가 의미 있으려면 원가 데이터가 배치·BOM과 연결돼 “평소”를 알아야 한다. 규정·재고·회계가 따로 놀면, AI도 반쪽짜리 답만 낸다.
그래서 제조 AI는 “AI 모델”의 문제이기 이전에 데이터가 하나로 연결돼 있는가의 문제다. 연결된 데이터 위에서라야 AI가 전체 그림을 보고 판단한다. 화려한 알고리즘보다 데이터 통합이 먼저인 이유다.
어디서부터 — 가장 반복적인 것부터
시작은 화려한 것이 아니라 가장 반복적이고 규칙적인 업무여야 한다.
- 매일·매주 반복되는 발주 판단 → 재고예측·발주 추천
- 매 거래 반복되는 분류 작업 → 회계 자동분류
이런 영역은 데이터가 쌓여 있고 규칙이 뚜렷해 AI가 빨리 값을 낸다. 예를 들어 은행거래 자동분류는 “이 입금은 어느 거래처의 무슨 매출인가”를 매번 사람이 맞추던 일을 AI가 추천해 주므로, 도입 즉시 사무 시간이 준다. 여기서 효과를 확인한 뒤 생산계획·품질로 넓히는 것이 현실적이다.
과장에 속지 않기
- AI는 마법이 아니다. 데이터가 부실하면 결과도 부실하다.
- 완전 자동이 아니라 보조다. AI는 추천하고, 사람이 판단한다. “AI가 알아서 다 한다”는 광고는 경계한다. 발주 추천도 최종 승인은 사람이 한다.
- 작게 시작해 검증한다. 한 영역에서 효과를 확인하고 넓힌다. 전사 AI 전환을 한 번에 시도하지 않는다.
시작 순서
- 데이터 전산화 확인. 재고·실적·원가가 시스템에 있는가.
- 가장 반복적인 업무 하나 고르기. 발주 추천 또는 회계 분류.
- AI 추천을 사람이 검증하는 방식으로 시작. 신뢰가 쌓이면 자동화 폭을 넓힌다.
- 효과 측정 후 확장. 품절률·재고회전·처리시간 등으로 확인.
자주 묻는 질문
Q. 데이터가 몇 달치는 있어야 AI가 되나요? A. 예측·이상탐지는 과거 데이터가 많을수록 정확해진다. 다만 회계 자동분류처럼 규칙성이 강한 영역은 비교적 적은 데이터로도 효과를 낸다. “충분한 데이터가 쌓일 때까지 기다리기”보다, 데이터를 쌓기 시작하는 것 자체가 먼저다.
Q. 우리 같은 소규모도 AI가 의미 있나요? A. 규모보다 반복성이다. 매일 발주를 고민하고 매 거래를 분류한다면, 소규모여도 그 반복을 줄이는 값이 크다.
Q. AI가 틀리면 어떡하나요? A. 그래서 초기에는 ‘AI 추천 → 사람 승인’ 구조로 쓴다. AI를 최종 결정자가 아니라 보조자로 두면, 틀려도 사람이 걸러낸다. 신뢰가 쌓이면 자동화 범위를 넓힌다.
정리하면 제조 AI는 데이터 위에서만 작동하며, 실제로는 생산계획·재고예측·품질 이상탐지·회계 자동분류 같은 반복 업무에서 값을 낸다. 핵심은 화려한 모델이 아니라 규정·재고·회계가 하나로 연결된 데이터다. 막막하다면, AI가 아니라 데이터부터 시작할 때다.