제조 데이터로 무엇을 자동화할 수 있나 — 우선순위 정하는 법

제조업에서 자동화 아이디어를 적기 시작하면 목록이 길어진다 — 재고 부족 알림, 발주 추천, 생산계획, 생산실적 집계, LOT 추적, 수율 계산, 원가 계산, 품질 이상탐지, 은행거래 분류, 자동분개, 문서 작성, 보고서 요약. 문제는 무엇을 자동화할 수 있느냐가 아니다. 대부분은 기술적으로 어느 정도 자동화할 수 있다. 실제 경영에서 더 어려운 질문은 이것이다 — “이 가운데 무엇부터 자동화해야 하는가.”

자동화 우선순위는 기능이 화려한 순서로 정하면 안 된다. 가장 많은 시간을 쓰는 업무라고 무조건 먼저 해야 하는 것도, AI를 적용할 수 있다는 이유만으로 먼저 할 필요도 없다. 업무 하나를 자동화 후보로 올려놓고 최소한 몇 가지 조건을 함께 봐야 한다.

후보 A — 원재료 입고 후 재고 반영

원재료 500kg이 입고되면 담당자가 입고내역을 ERP에 등록하고, 시스템은 품목 · 수량 · LOT · 입고일 · 보관위치 · 품질상태 기준으로 재고를 증가시킨다. 이 업무에는 복잡한 판단이 거의 없다. 입고가 승인되면 정해진 Transaction에 따라 재고가 는다. 반복빈도는 높고, 규칙도 명확하고, 오류가 나도 원거래와 재고이력을 연결해 검증할 수 있다. 이런 업무는 자동화 후보로 좋다. 그런데 이걸 굳이 AI라고 부를 필요는 없다 — 명확한 업무 Event를 정해진 Rule로 처리하는 자동화다. 제조업 자동화에서 가장 먼저 찾아야 할 것은 이런 업무일 수 있다.

후보 B — 다음 주 원재료 발주량 결정

구매담당자가 원재료 A를 다음 주에 얼마나 주문할지 결정한다. 현재고만 보는 게 아니라 가용재고 · 확정 생산계획 · 예측수요 · 미입고 발주량 · 공급업체 리드타임 · 안전재고 · MOQ · 소비기한을 함께 본다. 반복되는 업무지만 판단요소가 많고, 데이터도 여러 시스템에서 가져와야 하고, 추천값이 틀리면 과잉재고나 품절로 이어진다. 그렇다면 첫 단계부터 자동발주까지 갈 필요는 없다. 재고부족 후보 표시 → 발주 필요품목 추천 → 추천수량 계산 → 담당자 검토로 자동화 수준을 높인다. 같은 ’발주 자동화’라도 어느 수준까지 자동화할지가 별도의 의사결정이다.

후보 C — 회계 전표 생성

생산이 완료되거나 매입채무를 지급하면 정해진 거래유형과 회계정책에 따라 전표를 생성한다. 반복성이 높지만 여기서 중요한 건 반복성만이 아니다. 잘못된 계정으로 수천 건이 자동분개되면 월말 수정비용이 크고, 세무·결산과 연결되는 거래라면 오류 영향도도 고려해야 한다. 그래서 “반복적이니까 자동화 1순위”라고 단순하게 판단하기보다 Rule이 명확한가 · 원거래를 추적할 수 있는가 · 잘못된 처리를 취소·수정할 수 있는가 · 마감통제가 가능한가를 함께 봐야 한다. 자동화하기 쉬운 업무와 자동화해도 안전한 업무는 같은 말이 아니다.

후보 D — 품질 이상탐지

센서 데이터에서 평소와 다른 Batch를 찾는 업무다. 사람이 수천 개 센서값을 계속 감시하는 건 비효율적이라 자동화 효과가 커 보인다. 하지만 조건도 까다롭다 — 정상 데이터가 충분한가, 제품과 Recipe Version이 구분되는가, 센서와 Batch가 연결되는가, AI가 경고했을 때 담당자가 무엇을 해야 하는가, 오탐이 많으면 확인할 인력이 있는가, 미탐의 위험은 어느 정도인가. 이런 조건이 정리 안 된 공장이라면 품질 AI는 기술적으로 구현할 수 있어도 우선순위가 낮아진다. 반대로 이미 센서·Batch 데이터가 잘 연결돼 있고 품질팀이 많은 데이터를 수작업 검토하고 있다면 상당히 좋은 후보다. 즉 동일한 기능이라도 회사의 데이터 준비상태에 따라 우선순위가 달라진다.

반복성 × 규칙성만으로는 부족하다

자동화 후보를 평가할 때 반복성과 규칙성은 여전히 중요하지만, 여기에 최소 여섯 가지를 함께 봐야 한다.

빈도          얼마나 자주 발생하는가 (절감효과)
규칙성        판단기준이 얼마나 명확한가 (고정 Rule vs 다변수 판단)
데이터 준비도  필요한 정보가 이미 시스템에 있는가 (엑셀·종이·기억에 흩어졌나)
오류 영향도    잘못됐을 때 무슨 일이 생기나 (단순 추천 vs 출하·품질·회계·구매)
예외 빈도      표준 흐름으로 처리 못 하는 사건이 얼마나 잦은가
성과 측정 가능성 자동화 전후를 숫자로 비교할 수 있는가

이 여섯 조건을 보면 자동화 후보를 훨씬 현실적으로 비교할 수 있다.

같은 업무도 회사마다 점수가 달라진다

은행거래 분류를 예로 들자. 회사 A는 매월 같은 거래처와 비슷한 거래가 반복되고 전자세금계산서·ERP 채권채무 데이터도 연결돼 있다 — 자동매칭을 적용하기 좋은 환경이다. 회사 B는 프로젝트성 거래가 많고 같은 거래처와 여러 종류의 거래를 하며 증빙도 늦게 들어와 은행 적요만으로는 거래 성격을 알기 어렵다. 두 회사 모두 ’은행거래 자동분류’라는 같은 기능을 검토하지만 난이도와 효과는 전혀 다르다. 그래서 자동화 기능에 고정된 우선순위표를 붙이는 것은 위험하다. 기능이 아니라 회사의 업무 구조를 평가해야 한다.

자동화 우선순위표를 실제로 만들어 본다

어떤 식품 제조기업이 여섯 업무 — 재고 입출고 반영, 은행거래 매칭, 발주 추천, 생산계획, 품질 이상탐지, 신제품 개발 의사결정 — 를 후보로 올렸다고 하자. 각 업무를 1~5점으로 평가한다.

재고 입출고 반영: 빈도 5 / 규칙성 5 / 데이터 4 / 오류통제 4 / 예외 적음 4 / 측정 5
품질 이상탐지:   빈도 4 / 규칙성 2 / 데이터 2 / 오류영향 높음 / 예외 많음 / 측정 중간

이 회사라면 재고 Transaction 자동화가 품질 AI보다 먼저일 가능성이 높다. 하지만 이미 5년간 센서 데이터를 축적하고 Batch와 품질결과까지 연결해둔 회사라면 품질 이상탐지의 데이터 준비도가 5점이 될 수도 있다. 그러면 우선순위가 바뀐다.

점수는 정답이 아니라 대화를 위한 도구다

점수를 모두 더해 가장 높은 업무부터 무조건 자동화하자는 뜻은 아니다. 숫자는 판단을 구조화하는 도구다. 두 업무가 비슷한 점수를 받았는데 하나는 잘못됐을 때 품질사고 위험이 크고 다른 하나는 단순 행정업무라면 후자를 먼저 선택할 수 있고, 반대로 점수는 낮지만 회사의 가장 큰 병목을 해결하는 업무라면 전략적으로 먼저 투자할 수도 있다. 우선순위 매트릭스의 목적은 AI가 정답을 내는 게 아니라 왜 이 업무를 먼저 하는지 조직이 설명할 수 있게 만드는 것이다.

가장 좋은 첫 자동화는 ’지루한 것’일 가능성이 높다

AI 프로젝트를 검토하면 경영진은 눈에 보이는 기능 — 수요예측, 불량 사전 감지, 자동 생산계획 — 에 관심을 갖기 쉽다. 물론 가치가 있다. 하지만 현장에서 먼저 효과가 나는 건 더 단순한 경우가 많다 — 입고 승인 후 재고 자동반영, 생산실적에서 실제투입량 자동차감, 완제품 생산 후 LOT 생성, 정해진 Event에서 회계 전표 후보 생성, 검사예정일 자동알림, 반복 보고서 자동생성. 이런 자동화는 화려하지 않지만 기준이 명확하고 결과를 바로 검증할 수 있다. 그리고 더 중요한 효과가 있다 — 자동화하면서 제조 데이터가 구조화된다.

자동화는 데이터를 소비하면서 동시에 데이터를 만든다

생산실적을 자동으로 재고에 반영하려면 생산지시 · 제품 · Batch · 실제투입량 · 완성수량이 연결돼 있어야 한다. 자동화 기능을 만들면서 자연스럽게 Transaction 구조가 정리되고, 그 데이터는 다시 원가계산·수율분석·LOT 추적·발주추천에 쓰인다. 즉 첫 번째 자동화의 가치는 사람의 입력시간을 줄이는 데서 끝나지 않고, 다음 자동화를 가능하게 하는 데이터도 함께 만들어낸다. 이 관점에서 자동화 후보를 고르면 단기 효과와 장기 데이터 가치를 함께 볼 수 있다.

자동화 순서는 ’기능 목록’보다 ’데이터 의존관계’로 본다

AI 발주추천을 하고 싶다면 필요한 건 정확한 현재고 · 가용재고 · 실제 소비량 · 확정 생산계획 · 미입고 발주량 · 실제 리드타임이다. 그런데 실제 소비량을 얻으려면 생산현장에서 실제 투입량을 기록해야 하고, 실제투입량을 관리하려면 생산지시와 Batch 구조가 필요하다. 즉 발주추천이라는 상위 기능 아래에 여러 기초 Transaction이 존재한다. 품질 이상탐지도 센서값만으로는 부족하고 설비 · Batch · 제품 · Recipe Version · 품질결과와 연결돼야 한다.

이렇게 보면 자동화는 단순한 사다리보다 의존관계가 있는 네트워크에 가깝다. 어떤 회사는 재고부터, 어떤 회사는 생산실적부터, 어떤 회사는 회계 매칭부터 시작할 수 있다. 중요한 건 다음 자동화가 어떤 데이터를 필요로 하는지 보는 것이다.

AI가 없어도 자동화할 수 있는 업무가 훨씬 많다

자동화와 AI는 같은 말이 아니다. 현장에서는 상당수 반복업무를 Rule Engine · Workflow · Scheduler · Barcode · PLC 연동 · API · RPA로 처리할 수 있다. 소비기한 임박알림, 재고 부족경고, 생산완료 후 완제품 입고, 승인완료 후 상태변경, 정기 검사 일정알림은 머신러닝이 없어도 된다. 반면 미래수요 예측, 복잡한 이상패턴 탐지, 문서 의미분류, 비정형 데이터 처리에서는 AI가 더 유용하다. 중요한 판단기준은 “AI를 쓸 수 있는가”가 아니라 “가장 단순하면서도 안정적인 기술로 해결할 수 있는가” 다.

Rule로 될 문제에 AI를 넣으면 오히려 설명하기 어려워진다

원재료가 최소재고 이하로 떨어지면 알림을 보내야 한다면 조건이 명확하다 — Available Stock < Min Stock이면 된다. 여기에 AI를 붙여 “재고 부족 가능성 93%“라고 표시할 이유가 없다. 오히려 담당자는 93%가 무엇인지 물어야 한다. 명확한 조건은 명확한 Rule로 처리하고, AI는 Rule로 표현하기 어려운 패턴을 다루는 곳에 쓴다. 이 원칙 하나만 지켜도 불필요한 AI 프로젝트를 상당히 줄일 수 있다.

하지만 Rule이 많아지는 것도 좋은 시스템은 아니다

반대로 모든 예외를 Rule로 만들기 시작하면 또 다른 문제가 생긴다 — 품목 A면 이렇게, 거래처 B면 저렇게, 금요일이면 다르게, 여름이면 다른 기준, 긴급주문이면 예외. Rule 수가 계속 늘면 관리하기 어려운 시스템이 된다. 이 시점에서는 문제 자체를 다시 봐야 한다 — 규칙을 더 만드는 게 맞는지, 통계모델이나 최적화가 필요한지, 사람의 판단영역으로 남겨야 하는지. 자동화의 목적은 사람의 복잡한 판단을 수천 개의 IF 문으로 옮기는 게 아니다.

모든 자동화가 ’완전 자동’을 목표로 할 필요도 없다

자동화를 세 단계로 생각하면 실무적으로 편하다 — 알림(문제 가능성을 알려줌), 추천(다음 행동까지 제안), 실행(정해진 조건에서 실제 Transaction 수행). 발주업무라면 재고부족 알림 → 추천수량 제시 → 담당자 승인 후 발주서 생성 → 조건 충족 시 자동발주로, 품질관리라면 이상후보 표시 → 확인 우선순위 추천 → 담당자 판단 → 회사 절차에 따른 조치로 나눌 수 있다. 이렇게 보면 자동화 여부를 YES/NO로만 결정할 필요가 없다.

자동실행 여부는 오류비용으로 결정한다

매일 반복되는 내부 보고서 생성이 조금 틀렸으면 사람이 확인하고 수정하면 된다. 반면 품질상태를 잘못 AVAILABLE로 바꾸면 출하에 영향을 주고, 5억원짜리 구매발주를 잘못 생성하면 재무적 영향이 크다. 같은 정확도 99%라도 자동실행 허용수준은 달라야 한다. 그래서 자동화 수준을 결정할 때는 모델·Rule 정확도만큼 오류 한 건의 비용을 봐야 한다. 이것이 높은 업무에서는 사람 승인이나 추가 통제를 유지하는 게 합리적이다.

자동화하면 안 되는 업무도 ’영구 금지’는 아니다

거래처 협상·경영 판단·최종승인을 사람의 영역으로 구분하는 방향은 이해하기 쉽지만, 기술적으로 영구히 자동화할 수 없다고 단정할 필요는 없다. 더 정확한 표현은 현재 조직에서 사람의 책임과 판단을 유지해야 하는 영역이다. 거래처 협상에서도 AI가 과거 가격·구매량을 분석해 협상자료를 만들 수 있고, 신제품 기획에서도 시장자료를 정리하고 후보 아이디어를 제시할 수 있다. 다만 최종 거래관계와 경영책임을 기계에 넘기는 것과 의사결정을 지원하는 것은 다르다. ’사람의 영역’이라는 표현보다 AI 지원영역과 자동실행영역을 분리한다고 보는 편이 더 정확하다.

승인 자체도 자동화 대상이 아니라 ’통제 설계’의 문제다

모든 발주를 사람이 클릭해서 승인한다고 내부통제가 좋은 건 아니다. 수천 건을 기계적으로 승인한다면 실제 검토가 이루어지지 않는다. 반대로 저위험 반복거래는 일정 조건 아래 자동승인하고 고액 · 신규 거래처 · 단가 급변 · 계약 외 거래만 사람이 확인하는 구조가 더 효과적일 수도 있다. 즉 사람 승인 = 안전이라는 공식도 절대적이지 않다. 중요한 건 어떤 거래를 자동처리하고, 어떤 조건에서 승인을 요구하며, 누가 예외를 확인하고, 어떤 이력을 남기는가다. 자동화가 발전할수록 승인버튼의 개수보다 예외 통제의 품질이 중요해진다.

자동화 전에는 반드시 현재 업무시간을 측정한다

효과를 평가하려면 기준선이 있어야 한다. 구매담당자가 발주검토에 하루 2시간을 쓰다가 자동화 후 30분으로 줄었다면 비교할 수 있지만, 실제 업무시간을 측정하지 않았다면 “자동화해서 업무가 많이 줄었다”는 느낌만 남는다. 자동화 후보마다 최소한 하나의 Before 지표 — 처리시간 · 수작업 건수 · 오류건수 · 재작업 건수 · 긴급발주 · 재고차이 · 계획변경 · 미분류 거래 — 를 잡는 게 좋다. 어떤 지표를 쓸지는 업무마다 다르지만 중요한 건 자동화 전부터 측정하는 것이다.

절감시간만 봐도 부족하다

하루 2시간이 30분으로 줄었어도 자동화 오류를 수정하는 데 매주 8시간이 든다면 실제 효과는 준다. 그래서 자동화 효과는 절감된 입력시간뿐 아니라 예외처리 시간 · 오류 수정시간 · 운영 유지시간까지 함께 봐야 한다. AI 모델이라면 재학습·검증비용도, 시스템 유지보수도 필요하다. 그래서 ROI를 평가할 때는 기존 인건비 − 자동화 후 인건비만 계산하기보다 총 운영비용을 함께 보는 편이 현실적이다.

사람을 몇 명 줄였는가는 좋은 KPI가 아닐 수 있다

“그래서 사람 몇 명 줄일 수 있습니까?“는 쉽게 나오는 질문이다. 일부 업무에서는 실제 인력효율이 생기지만, 제조업 자동화의 가치가 항상 인원감축으로 나타나는 건 아니다. 같은 인원이 더 많은 주문을 처리하거나, 월말 마감이 빨라지거나, 재고차이가 줄거나, 품질담당자가 단순 기록검토 대신 원인분석에 시간을 쓰거나, 구매담당자가 발주서 입력 대신 공급업체 관리에 집중할 수 있다. 따라서 자동화 성과를 사람 감소 하나로 평가하면 중요한 효과를 놓친다.

현장에서 가장 가치 있는 건 ’예외만 보게 만드는 것’이다

좋은 자동화 시스템은 정상적인 거래는 조용히 흘러가고 문제가 있는 것만 사람에게 올라온다. 하루 500건의 재고 Transaction 중 493건이 정상이라면 담당자가 500건을 다 확인할 필요 없이 재고가 음수가 되는 거래 · LOT가 없는 거래 · HOLD 재고를 출고하려는 거래 · 수량차이가 큰 거래 몇 건만 보면 된다. 회계도 은행거래 300건 중 270건이 기존 채권채무와 확실히 매칭되면 나머지 30건만, 품질도 수천 개 센서데이터 중 이상후보 몇 개만 확인하도록 만들 수 있다. 자동화의 효과는 업무 전체를 없애는 것보다 정상과 예외를 분리해 사람이 예외에만 집중하도록 만드는 것에서 크게 나타난다.

그래서 좋은 KPI 중 하나는 ’사람이 확인해야 하는 건수’다

처리건수가 늘었는지보다 이것을 보는 게 더 유용할 때가 있다.

은행거래   300건 모두 확인  → 미매칭 22건만 확인
원재료     200개 모두 검토  → 발주위험 17개만 확인
생산 Batch  80건 모두 수율확인 → 기준이탈·이상 6건만 확인

이렇게 사람의 Attention을 어디에 쓰게 만드는지가 자동화의 핵심 성과가 된다.

자동화를 따로 떼어 설계하지 않는 이유도 여기 있다

발주추천을 하려면 재고와 생산계획이, 품질 이상탐지를 하려면 Batch와 설비 데이터가, 원가 이상탐지를 하려면 실제투입량과 수율이, 은행거래 자동매칭을 하려면 매입·매출·채권채무 데이터가 필요하다. 즉 자동화 기능만 별도로 만드는 것보다 생산 · 재고 · 품질 · 원가 · 회계 Transaction을 먼저 연결하는 게 중요하다. 자동화 기능을 ERP·MES 바깥의 별도 AI 화면으로만 만들지 않아야 하는 것도 같은 이유다 — 자동화가 기존 업무데이터를 읽고, 추천이나 결과가 다시 원래 Transaction으로 돌아와야 별도 입력과 별도 관리가 늘어나지 않는다.

자동화 후보를 하나 고르는 가장 현실적인 방법

자동화할 업무가 열 개 보인다면 먼저 모두 적고, 각 후보 옆에 여섯 질문을 붙인다 — 얼마나 자주 반복되는가, 판단규칙이 얼마나 명확한가, 필요한 데이터가 이미 있는가, 틀렸을 때 영향은 얼마나 큰가, 예외는 얼마나 자주 발생하는가, 효과를 숫자로 측정할 수 있는가. 여기까지 적으면 상당수 후보의 우선순위가 자연스럽게 갈린다. 그다음 한 가지를 더 본다 — 이 자동화를 만들면 다음 자동화에 필요한 데이터도 좋아지는가.

이 조건까지 좋은 업무라면 첫 프로젝트로 상당히 가치가 있다. 실제 생산투입 자동기록은 그 자체로 입력업무를 줄이면서 재고·수율·원가·LOT 추적·발주예측에 필요한 데이터를 동시에 개선한다 — 하나의 업무를 줄이는 동시에 다음 단계의 기반을 만든다.

로드맵은 기능 순서가 아니라 의존관계로 그린다

모든 회사가 재고 자동화 → 발주 AI → 품질 AI → 생산계획 AI 순서로 갈 필요는 없다. 식품공장 A는 생산실적과 LOT 연결이 가장 시급하고, 회사 B는 회계 인력이 부족해 은행·증빙 매칭부터, 회사 C는 이미 MES와 센서 데이터가 충분해 품질 이상탐지를 바로 시도할 수 있다. 그래서 하나의 표준 순서보다 지금 존재하는 데이터 → 가능한 자동화 → 새롭게 쌓이는 데이터 → 다음 자동화 관계로 로드맵을 만드는 편이 현실적이다. 자동화는 계단식으로 발전할 수 있지만 모든 회사가 같은 계단을 밟는 건 아니다.

마지막에는 자동화를 하나 지울 수 있어야 한다

자동화 아이디어가 열 개 나왔고 기술적으로 모두 가능해 보인다면, 하나씩 추가하기 전에 이런 질문도 해야 한다 — 이 업무를 자동화하지 않으면 실제로 어떤 문제가 생기는가, 지금 가장 큰 병목인가, 자동화 이후에도 사람이 거의 같은 일을 다시 해야 하는가, 필요한 데이터가 신뢰할 만한가, 오류를 발견하고 되돌릴 수 있는가, 성과를 측정할 수 있는가. 이 질문에 답하기 어렵다면 그 자동화는 뒤로 미뤄도 된다.

자동화 전략은 가능한 기능을 최대한 많이 구현하는 경쟁이 아니라 사람이 반복해서 처리하던 정상업무를 시스템으로 넘기고, 사람이 봐야 할 예외를 더 정확하게 남기는 과정이다. 그래서 제조 데이터를 활용한 자동화의 우선순위를 정할 때 가장 중요한 숫자는 AI 모델의 개수도, 자동화 기능의 개수도 아니다. 하루에 500건을 보던 사람이 이제 30건만 보면 되고, 그 30건이 정말 사람이 판단해야 하는 30건이라면 이미 자동화의 목적은 상당 부분 달성된 것이다.

좋은 제조 자동화는 사람이 필요 없는 공장을 만드는 게 아니다. 사람이 필요하지 않은 판단을 줄여, 사람이 필요한 판단에 시간을 쓰게 만드는 시스템이다.

참고 — 자동화 수준·승인 통제·내부회계관리 요건은 회사 규모·업무·관련 법령에 따라 다르다. HACCP·품질 관련 자동화는 식품안전나라 기준을, 회계·세무 자동화는 전문가 확인을 함께 둔다.