명장의 감각을 AI로 복제한다? 제조업의 미래, 암묵지 M.AX가 바꾸는 공장과 일자리

6월 15, 2026

숙련공 은퇴가 제조업 위기로 번지는 이유, 480억 원 암묵지 AI 프로젝트 분석

한국 제조업의 진짜 경쟁력은 최신 설비에만 있지 않다.

반도체 생산라인에서 미세한 이상을 알아채는 엔지니어의 감각, 용접 부위의 색과 형태만 보고 전압과 속도를 조절하는 작업자의 판단, 기계 소리의 변화를 듣고 고장 가능성을 예측하는 정비사의 경험이 함께 제품의 품질을 만든다.

문제는 이러한 지식이 매뉴얼에 완전히 기록돼 있지 않다는 점이다.

숙련자는 “보면 안다”, “소리가 평소와 다르다”, “이 정도 온도에서는 속도를 조금 낮춰야 한다”고 판단한다. 수십 년 동안 반복된 경험이 몸과 감각에 축적돼 있지만, 그 이유를 숫자와 문장으로 모두 설명하기는 어렵다.

이처럼 경험을 통해 몸에 쌓였지만 말이나 문서로 완전히 표현하기 어려운 지식을 암묵지라고 한다.

2026년 한국 제조업은 이 암묵지를 지켜야 하는 중요한 시점에 놓였다. 숙련인력의 은퇴는 빨라지고 있지만 제조 현장으로 들어오는 청년은 줄고 있다. 노하우가 제대로 전수되지 않으면 단순히 사람 한 명이 퇴직하는 것이 아니라 기업의 품질관리 능력과 생산성이 함께 사라질 수 있다.

정부가 제조업 AI 대전환인 M.AX를 통해 암묵지 데이터화에 나선 이유다.

산업통상부는 2026년 추가경정예산으로 확보한 480억 원을 투입해 30개 제조공정의 암묵지 데이터셋과 AI 모델을 구축하는 시범사업을 추진하고 있다.

우선순위는 위험성이 높고 구인난이 심각하며 숙련자의 판단 의존도가 높은 공정이다. 숙련자의 경험을 AI에 학습시켜 작업자의 결정을 돕고, 청년이 제조 현장에 빠르게 적응할 수 있는 교육 도구로 활용하겠다는 계획이다.

이 정책의 본질은 사람을 AI로 교체하는 것이 아니라, 사람이 퇴직해도 기업의 핵심 노하우가 사라지지 않도록 지식의 형태를 바꾸는 데 있다.

그러나 암묵지는 카메라를 설치하고 작업 영상을 모은다고 자동으로 데이터가 되지 않는다.

숙련자가 어떤 상황에서 무엇을 보고, 왜 그런 결정을 내렸으며, 결과가 실제 품질에 어떤 영향을 줬는지를 함께 기록해야 한다. 노동자의 지식에 대한 보상과 데이터 소유권, 감시 위험, 오판 책임도 해결해야 한다.

제조 암묵지 AI가 한국 산업의 새로운 경쟁력이 될지, 값비싼 시범사업에 머물지는 기술보다 현장 노동자와 AI 개발자가 얼마나 신뢰를 바탕으로 협력하느냐에 달려 있다.

암묵지는 매뉴얼과 무엇이 다른가

기업이 보유한 지식은 크게 형식지와 암묵지로 나눌 수 있다.

구분	형식지	암묵지
의미	문서와 숫자로 표현할 수 있는 지식	경험과 감각에 체화된 지식
대표 형태	매뉴얼·도면·작업표준·검사기준	손의 감각·소리 판단·상황별 조정
전달 방식	읽기·강의·온라인 교육	관찰·실습·도제식 훈련
복제 난도	상대적으로 낮음	매우 높음
AI 활용	문서 검색·규칙 자동화	영상·센서·설명 데이터를 함께 학습
소실 위험	문서가 남으면 보존 가능	숙련자 퇴직과 함께 사라질 수 있음

예를 들어 용접 작업표준에는 다음과 같은 내용이 기록될 수 있다.

사용해야 할 전압
가스 유량
용접 속도
소재의 두께
적정 온도
허용 가능한 결함 기준

그러나 실제 제조 현장에서는 소재의 표면 상태, 습도, 장비의 미세한 편차, 작업 전 공정의 품질에 따라 조건을 조정해야 한다.

매뉴얼에는 전압을 100으로 설정하라고 적혀 있어도 숙련자는 용접부의 빛깔과 소리를 확인하고 97이나 103으로 바꿀 수 있다.

이때 중요한 지식은 설정값 자체가 아니다.

어떤 신호를 보고, 어떤 위험을 예상해, 어떤 값을 바꿨는지에 관한 판단 과정이다.

AI가 암묵지를 학습하려면 결과값만 수집해서는 부족하다. 숙련자의 관찰과 이유까지 데이터로 만들어야 한다.

한국 제조업에서 암묵지가 특히 중요한 이유

한국은 반도체, 자동차, 조선, 철강, 배터리, 기계, 화학 등 복잡한 생산공정을 기반으로 성장해 왔다.

이들 산업은 설비를 구입했다고 곧바로 높은 품질의 제품을 생산할 수 있는 구조가 아니다.

같은 장비와 소재를 사용해도 다음 요소에 따라 생산성이 달라진다.

장비를 조정하는 방법
공정 사이의 미세한 편차 관리
불량 징후를 알아채는 속도
예외 상황에 대응하는 능력
정비 시점을 판단하는 경험
작업자 사이의 협업 방식
공장별 온도·습도·진동 조건

반도체 공정에서는 수천 개의 공정변수 가운데 작은 변화가 수율을 떨어뜨릴 수 있다.

수율은 투입한 제품 중 정상적으로 생산돼 판매할 수 있는 제품의 비율이다. 수율이 높아지면 같은 설비에서 더 많은 정상 제품을 만들 수 있어 원가가 낮아진다.

조선소에서는 선박마다 크기와 구조가 달라 작업조건이 반복적으로 바뀐다. 자동차 공장에서도 새로운 차종과 소재가 도입될 때마다 작업방법을 조정해야 한다.

중소 제조업은 문제가 더 크다.

대기업은 연구소와 교육센터, 데이터 관리조직을 운영할 수 있지만 중소기업은 한두 명의 숙련자에게 핵심 공정이 의존하는 경우가 많다.

그 사람이 퇴직하거나 이직하면 다음 문제가 발생할 수 있다.

불량률이 높아진다.
설비 고장 대응시간이 길어진다.
신규 작업자의 교육기간이 늘어난다.
납기 지연과 고객 불만이 증가한다.
품질 인증과 거래관계를 잃을 수 있다.

암묵지의 소실은 인력 문제가 아니라 기업가치와 공급망 안정성의 문제다.

M.AX는 기존 스마트공장과 어떻게 다른가

M.AX는 Manufacturing AI Transformation의 약자로 제조업 AI 대전환을 뜻한다.

기존 스마트공장은 센서와 자동화 장비, 생산관리시스템을 연결해 공정 데이터를 수집하는 데 초점이 맞춰져 있었다.

M.AX는 수집한 데이터를 AI가 분석해 공정의 상태를 판단하고, 작업자에게 최적의 선택을 제안하도록 만드는 단계다.

구분	자동화	스마트공장	M.AX
핵심 기능	정해진 동작 반복	설비와 생산정보 연결	AI가 상태를 분석하고 판단 지원
데이터 활용	제한적	실시간 수집·모니터링	예측·최적화·이상 탐지
사람의 역할	기계 조작	공정 감시와 관리	AI 결과 검증과 예외 판단
대표 사례	로봇 팔·자동 컨베이어	MES·센서·생산현황판	불량 예측·고장 진단·조건 추천
주요 가치	인건비와 작업시간 절감	공정 가시성 확보	생산성과 품질의 지속적 개선

MES는 제조실행시스템을 뜻한다. 어떤 제품이 언제 생산됐고, 어떤 설비와 소재가 사용됐는지를 관리하는 시스템이다.

기존 스마트공장이 공장 안에서 무슨 일이 일어나는지 보여줬다면, 제조 AI는 왜 문제가 발생했으며 다음에 무엇을 해야 하는지를 알려주는 방향으로 발전한다.

정부는 AI 팩토리, 산업용 로봇과 휴머노이드 실증, 온디바이스 AI 반도체, 제조 데이터 활용 등을 M.AX의 주요 축으로 추진하고 있다.

2026년 제조 AX 관련 예산은 암묵지 사업을 포함해 약 1조1,000억 원 규모로 확대됐다.

암묵지는 어떻게 AI 학습데이터가 될까

암묵지를 AI로 바꾸는 과정은 일반적인 문서 디지털화보다 복잡하다.

숙련자의 작업을 촬영한 영상만으로는 판단의 이유를 알 수 없기 때문이다.

실제 개발은 다음 단계를 거쳐야 한다.

첫째, 가치가 높은 판단 업무를 선택한다

모든 작업을 AI로 만들 필요는 없다.

다음 조건을 가진 공정이 우선 대상이 될 수 있다.

숙련자에 따라 품질 차이가 큰 공정
사고와 산업재해 위험이 높은 공정
구인난이 심각한 공정
불량 발생 비용이 큰 공정
신규 작업자의 교육기간이 긴 공정
설비와 품질 데이터를 수집할 수 있는 공정
숙련자의 은퇴가 임박한 공정

단순 반복작업보다 예외 상황에서 사람의 판단이 중요한 공정이 암묵지 AI의 가치가 높다.

둘째, 작업자의 감각과 행동을 동시에 수집한다

숙련자는 한 가지 정보만 보고 판단하지 않는다.

용접공은 불꽃의 모양과 색, 소리, 진동, 소재의 상태를 동시에 본다. 정비사는 장비의 소리와 냄새, 온도, 최근 수리이력을 함께 고려할 수 있다.

따라서 데이터도 여러 형태로 수집해야 한다.

작업 영상과 이미지
마이크로 기록한 장비 소리
온도·압력·진동·전류 센서
장비 설정값
제품 검사 결과
불량 유형
작업자의 음성 설명
유지보수 기록
원재료와 날씨·습도 정보

이처럼 문자, 영상, 음성, 센서값 등 여러 종류의 데이터를 함께 사용하는 방식을 멀티모달 데이터 활용이라고 한다.

셋째, 결정의 이유를 기록한다

숙련자가 전압을 바꿨다는 사실만으로는 부족하다.

다음 질문에 대한 답을 확보해야 한다.

무엇을 보고 이상하다고 판단했는가
어떤 결함이 발생할 것으로 예상했는가
왜 다른 조치가 아니라 이 값을 선택했는가
비슷한 상황에서 예외는 무엇인가
판단 결과가 실제 품질 개선으로 이어졌는가

숙련자에게 작업 중 모든 이유를 말하게 하면 집중력이 떨어지고 안전사고 위험이 생길 수 있다.

따라서 작업 영상을 촬영한 뒤 별도 인터뷰를 진행하거나, 특정 장면을 다시 보여주면서 판단 이유를 설명하게 하는 방식이 필요하다.

넷째, 데이터를 표준화한다

같은 상태를 작업자마다 다르게 표현할 수 있다.

한 사람은 “불꽃이 거칠다”고 말하고, 다른 사람은 “튀는 소리가 크다”고 설명할 수 있다. 두 표현이 같은 현상을 의미하는지 확인해야 한다.

AI 기업과 현장 전문가는 다음 작업을 함께 수행해야 한다.

용어 통일
작업 상태 분류
불량 유형 정의
판단 기준의 수치화
영상·센서·설명 데이터의 시간 동기화
잘못 기록된 데이터 제거
예외 상황 별도 표시

암묵지 AI의 성능은 모델의 크기보다 데이터의 의미를 얼마나 정확히 정의했는지에 좌우될 수 있다.

다섯째, AI 모델을 개발하고 현장에서 검증한다

공정 특성에 따라 서로 다른 AI 기술이 필요하다.

AI 기술	활용 영역
컴퓨터 비전	용접부·표면·조립 상태의 이미지 판정
시계열 분석	온도·압력·진동 변화와 고장 예측
이상 탐지	정상 범위를 벗어난 공정 상태 발견
지식그래프	공정·원인·조치·결과의 관계 연결
생성형 AI	작업자 질문에 매뉴얼과 사례를 바탕으로 답변
디지털 트윈	가상공장에서 조건 변경 결과를 시험
최적화 AI	생산순서·속도·에너지 사용량 조정

모델의 정확도가 높아도 실제 현장에서 사용할 수 없다면 의미가 없다.

현장에서는 새로운 소재, 장비 노후화, 계절 변화, 생산제품 변경처럼 학습 당시 없던 상황이 계속 발생한다.

따라서 초기에는 AI가 설비를 직접 제어하기보다 작업자에게 추천값과 근거를 제공하고, 사람이 최종 결정을 내리는 구조가 안전하다.

이를 휴먼 인 더 루프라고 한다.

성원의 파이프 용접 사례가 보여주는 가능성

전남 광양에 본사를 둔 성원은 조선, 건설, 오일·가스, 반도체 등에 사용되는 스테인리스 용접강관을 생산한다.

스테인리스 강관은 부식에 강하지만 용접 품질이 일정하지 않으면 누설이나 균열 위험이 발생할 수 있다.

기존에는 작업자가 용접된 파이프의 외관을 육안으로 확인하고 전압, 가스량, 용접 속도를 조절했다.

문제는 같은 상태를 보더라도 경험이 적은 작업자는 어떤 값을 조정해야 할지 판단하기 어렵다는 점이다.

성원은 다음 데이터를 AI에 학습시켰다.

용접부 영상과 이미지
장비 설정값
숙련공이 선택한 전압
가스 공급량
용접 속도
해당 조건을 선택한 이유
최종 제품의 품질 결과

AI는 작업자의 결정을 대신 확정하기보다 현재 용접 상태를 분석하고 적절한 조건을 제안한다.

이 모델의 경제적 가치는 단순 자동화보다 넓다.

신규 작업자의 학습기간을 줄일 수 있다.
작업자별 품질 편차를 낮출 수 있다.
불량과 재작업 비용을 줄일 수 있다.
위험한 상태를 조기에 알려줄 수 있다.
숙련자가 퇴직해도 판단 기준을 보존할 수 있다.

명장의 경험이 개인의 감각에서 조직이 반복 활용할 수 있는 자산으로 바뀌는 것이다.

AI는 명장을 완전히 대체할 수 있을까

암묵지를 데이터화한다고 해서 숙련자의 지식을 100% 복제할 수 있는 것은 아니다.

숙련자는 과거에 보지 못했던 상황에서도 소재와 장비, 주변 조건을 종합해 대응한다. AI는 기본적으로 학습한 데이터 안에서 규칙과 패턴을 찾는다.

다음 상황에서는 사람의 판단이 계속 중요하다.

새로운 소재와 제품이 투입된 경우
센서가 고장 났거나 잘못된 값을 보내는 경우
복수의 문제가 동시에 발생한 경우
생산성과 안전 사이에서 선택해야 하는 경우
고객 요구가 기존 품질 기준과 다른 경우
AI 결과와 작업자의 감각이 충돌하는 경우

암묵지를 지나치게 단순한 숫자로 바꾸면 오히려 중요한 맥락을 잃을 수 있다.

예를 들어 숙련자가 “소리가 조금 무겁다”고 표현한 것을 진동 수치 하나로만 바꾸면, 온도와 재료 상태가 함께 작용한 원인을 놓칠 수 있다.

AI는 명장의 복제본이라기보다 명장이 더 많은 작업자를 동시에 지원할 수 있도록 만든 보조도구에 가깝다.

숙련자는 AI 모델을 검증하고 새로운 예외 사례를 추가하며, 청년 작업자는 AI의 안내를 바탕으로 경험을 빠르게 축적할 수 있다.

제조 암묵지 AI의 산업 밸류체인

암묵지 AI는 제조기업과 AI 개발사만의 시장이 아니다.

데이터 수집부터 장비 제어, 보안, 교육까지 여러 산업이 연결된다.

현장 센서 → 산업용 카메라 → 데이터 수집 → 정제·표준화 → AI 모델 → 엣지 컴퓨팅 → 생산설비 → 작업자 교육

단계	주요 역할	성장 조건
센서·계측	온도·압력·진동·소리 측정	정확도와 내구성
산업용 카메라	제품과 작업 상태 촬영	조명·속도 변화 대응
데이터 플랫폼	여러 설비 데이터를 통합	서로 다른 장비와의 호환성
데이터 가공	작업 영상과 판단 기준을 정리	산업 분야에 대한 이해
AI 모델	불량·고장·최적 조건 예측	충분한 현장 데이터
엣지 컴퓨팅	공장 가까이에서 AI 실행	빠른 반응과 보안
로봇·제어	AI 결과를 실제 동작에 반영	안전성과 실시간 제어
디지털 트윈	가상공정에서 결과 검증	현실 공정과의 정확한 일치
교육 솔루션	신규 작업자 훈련	현장 사례와 평가체계
사이버보안	생산기밀과 설비 보호	접근권한과 데이터 암호화

엣지 컴퓨팅은 모든 데이터를 외부 클라우드로 보내지 않고 공장 내부나 설비 가까운 장치에서 처리하는 방식이다.

제조기업은 생산조건과 불량원인 같은 데이터를 핵심 영업비밀로 본다. 외부 서버에 데이터를 전송하는 것을 꺼릴 수 있기 때문에 현장 내부에서 작동하는 AI 수요가 커질 가능성이 높다.

제조기업이 얻을 수 있는 경제적 효과

불량률 감소

불량은 원재료와 전기, 인건비, 설비시간을 사용한 뒤 판매하지 못하는 제품을 만든다는 뜻이다.

AI가 불량 징후를 조기에 발견하면 생산을 즉시 조정해 손실을 줄일 수 있다.

설비 가동률 향상

설비가 고장 난 뒤 수리하는 방식은 장시간의 생산중단을 발생시킨다.

진동과 온도, 소리의 변화를 분석해 고장 가능성을 미리 예측하면 생산이 적은 시간에 정비할 수 있다.

이를 예지보전이라고 한다.

교육기간 단축

신규 작업자가 숙련자의 판단을 익히는 데 수년이 걸릴 수 있다.

AI가 실제 사례와 조건을 보여주면 교육생은 다양한 상황을 짧은 기간에 반복 학습할 수 있다.

품질의 표준화

작업자마다 판단이 달라 품질 편차가 발생하는 공정에서는 AI가 공통 기준을 제공할 수 있다.

다만 표준화가 모든 작업자를 동일하게 통제하는 방향으로 흐르면 예외 대응능력이 약해질 수 있다.

산업재해 예방

위험한 설비 점검과 고온·고압·유해물질 공정에서 AI와 센서가 이상을 먼저 감지하면 작업자의 노출시간을 줄일 수 있다.

숙련자의 생산성 확대

숙련자 한 명이 모든 공정에 직접 참여하기는 어렵다.

암묵지가 AI에 반영되면 숙련자는 AI가 발견한 이상 사례를 검토하고 여러 작업자를 동시에 지원할 수 있다.

청년에게는 새로운 제조업 진입 경로가 될 수 있다

청년이 제조업을 기피하는 이유를 단순히 힘든 일을 싫어해서라고 해석해서는 안 된다.

산업현장에서는 다음 문제가 함께 나타난다.

위험하고 반복적인 작업
낮은 초기 임금
장기간의 도제식 훈련
불명확한 경력개발 경로
지역 산업단지의 생활 인프라 부족
디지털 기술을 활용할 기회 부족
숙련자와 신규 인력 사이의 소통 차이

암묵지 AI 사업은 제조업 일자리를 다음과 같이 바꿀 수 있다.

기존 역할	변화 가능한 역할
장비 조작	AI 추천값 검증과 공정 최적화
육안 검사	비전 AI 결과의 예외 판정
고장 후 수리	센서 데이터 기반 예방 정비
선배 관찰 중심 교육	디지털 사례와 시뮬레이션 훈련
수작업 기록	현장 데이터 분석과 모델 개선
반복 생산	로봇·AI 운영과 품질관리

청년 AI 인재도 제조 현장을 새로운 진로로 볼 수 있다.

소비자용 앱을 개발하는 것과 달리 제조 AI에서는 기계, 소재, 공정, 안전과 데이터 과학을 함께 이해해야 한다.

암묵지 사업에 참여한 청년은 다음 경력을 쌓을 수 있다.

산업 데이터 엔지니어
제조 AI 개발자
컴퓨터 비전 엔지니어
디지털 트윈 개발자
산업용 AI 기획자
스마트공장 컨설턴트
로봇·설비 통합 엔지니어
AI 안전·품질 검증 전문가

제조업의 미래 일자리는 현장 경험과 AI 기술 가운데 하나만 아는 사람이 아니라 두 영역을 연결할 수 있는 사람에게 열릴 가능성이 높다.

숙련공에게 적정한 보상이 필요한 이유

숙련자의 노하우는 기업이 월급을 지급했기 때문에 자동으로 모두 소유할 수 있는 단순 데이터가 아니다.

수십 년 동안 개인이 시행착오를 거치며 축적한 판단과 감각이 포함돼 있다.

숙련자가 자신의 지식을 AI에 제공하면 기업은 퇴직 이후에도 해당 지식을 반복해서 사용할 수 있다. 따라서 데이터 구축에 참여한 노동자에게 적절한 보상과 인정이 필요하다.

가능한 보상 방식은 다음과 같다.

데이터 구축 참여수당
AI 모델 개발 성과급
명장·전문가 자문료
생산성 개선 성과의 공유
사내 지식재산 기여도 인정
퇴직 후 교육·자문 계약
공동 특허와 개발자 표시
청년 멘토 역할에 대한 보상

보상 기준이 없다면 숙련자는 자신의 지식이 회사와 AI 기업에 일방적으로 이전된다고 느낄 수 있다.

반대로 모든 암묵지에 개인 소유권을 적용하면 기업의 생산활동과 지식관리도 어려워질 수 있다.

기업이 축적한 공정정보와 개인이 축적한 경험의 경계를 정하고, 사전에 합의된 보상원칙을 마련하는 것이 중요하다.

노동자 감시 기술로 변질될 위험

작업자의 암묵지를 수집하려면 영상, 음성, 작업속도, 장비 조작기록을 모아야 한다.

이 데이터는 AI 개발에 유용하지만 동시에 개인의 행동을 세밀하게 평가할 수 있는 자료가 된다.

노동자가 우려할 수 있는 문제는 다음과 같다.

개인별 작업속도 비교
휴식시간과 이동경로 감시
실수와 불량의 책임을 개인에게 집중
AI 기준보다 느린 작업자의 인사상 불이익
숙련지식 수집 후 인력감축
동의하지 않은 다른 사업장과의 데이터 공유
퇴직 후에도 개인의 음성과 영상 사용

이러한 불신이 생기면 작업자는 중요한 예외 상황과 판단 이유를 숨기거나 형식적으로만 데이터 구축에 참여할 수 있다.

결국 AI 품질도 떨어진다.

따라서 데이터 수집 전에 다음 사항을 명확히 해야 한다.

어떤 데이터를 수집하는가
어떤 목적으로 사용하는가
개인 인사평가에 사용하는가
누가 데이터에 접근할 수 있는가
외부 AI 기업에 어디까지 제공하는가
보관기간은 얼마나 되는가
사업 종료 후 삭제할 수 있는가
AI 오류가 발생했을 때 누가 책임지는가

노동조합이나 근로자 대표가 초기 설계 단계부터 참여해야 노사상생이라는 정책 목표가 현실화될 수 있다.

데이터 소유권은 제조 AI의 핵심 쟁점이다

암묵지 데이터에는 여러 권리가 겹친다.

기업의 공정기밀
작업자의 경험과 노하우
설비기업의 장비 데이터
AI 기업의 데이터 정제 기술
모델 개발사의 알고리즘
고객사의 제품 사양
정부 지원으로 만들어진 결과물

예를 들어 정부 지원으로 중소기업의 용접 AI를 개발했다고 가정해 보자.

이 모델을 다른 기업에 판매할 수 있는지, 원래 작업자의 영상과 설명을 재사용할 수 있는지, 모델이 학습한 지식을 경쟁사에 제공할 수 있는지가 문제가 된다.

계약 단계에서 다음을 구분할 필요가 있다.

자산	권리 기준의 예시
원본 공정 데이터	제조기업 소유
작업자 영상·음성	별도 동의와 목적 제한
정제·라벨 데이터	공동 소유 또는 이용권 설정
AI 모델	개발사·기업 간 계약
공통 기술	다른 사업장 활용 가능
기업 특화 지식	경쟁사 제공 제한
정부 지원 결과물	공공 확산 범위 별도 설정

소유권이 불명확하면 성공적인 모델이 개발돼도 사업화와 확산 단계에서 분쟁이 발생할 수 있다.

제조 AI는 클라우드보다 현장이 중요하다

일반적인 생성형 AI 서비스는 인터넷을 통해 외부 서버에 접속해 사용한다.

그러나 제조 현장에서는 모든 데이터를 클라우드로 보낼 수 없는 경우가 많다.

첫째, 생산조건과 불량 데이터는 핵심 영업비밀이다.

둘째, 설비 이상에 즉시 대응하려면 통신 지연이 없어야 한다.

셋째, 인터넷 연결이 끊겨도 생산라인은 계속 작동해야 한다.

넷째, 고해상도 영상과 센서 데이터를 계속 전송하면 비용이 많이 든다.

이 때문에 제조 AI는 공장 내부 서버나 장비 가까이에서 실행되는 엣지 AI와 결합할 가능성이 높다.

장기적으로는 다음과 같은 구조가 형성될 수 있다.

공장 내부에서는 실시간 판단
중앙 데이터센터에서는 여러 공장의 학습
민감한 원본 데이터는 외부 전송 제한
공통 패턴과 모델 업데이트만 공유
작업자는 현장에서 AI 결과를 검증

이러한 구조는 산업용 컴퓨터, AI 반도체, 통신장비, 보안 솔루션 시장과도 연결된다.

글로벌 제조 강국은 어떤 전략을 쓰고 있나

독일과 유럽연합

독일의 인더스트리 4.0은 공장 설비와 제품, 공급망을 디지털로 연결하는 데 중점을 두고 발전했다.

유럽연합은 이를 Industry 5.0으로 확장해 생산성과 자동화뿐 아니라 사람 중심, 지속가능성, 공급망 회복력을 강조하고 있다.

AI가 노동자를 대체하는 방향보다 위험한 작업을 줄이고 노동자의 판단을 강화하는 방향을 중요하게 본다.

한국의 암묵지 M.AX가 노사상생과 작업자 교육을 강조하는 것은 유럽의 인간 중심 제조와 유사한 흐름이다.

일본

일본 역시 장기간 축적된 모노즈쿠리 기술과 숙련자의 고령화를 중요한 산업 과제로 다뤄왔다.

모노즈쿠리는 단순한 제품 생산이 아니라 장인정신, 품질개선, 현장 중심의 제조문화를 포함하는 개념이다.

일본은 제조 명장 제도와 실무교육, 기술 전수를 운영하면서 최근에는 숙련자의 노하우를 알고리즘과 디지털 도구로 바꾸는 사례를 확대하고 있다.

한국보다 중소 제조기업의 디지털 전환이 느릴 수 있지만 장기적인 숙련 형성과 현장 개선문화에서는 강점이 있다.

미국

미국은 제조 데이터 표준과 모델 기반 기업, 스마트 제조 연구를 통해 사람이 보유한 경험을 디지털 시스템에 연결하려는 연구를 진행해 왔다.

특히 AI가 사람의 판단을 완전히 대체하기보다 작업자와 함께 생산일정, 정비, 품질 문제를 해결하는 인간 중심 AI가 강조된다.

미국의 강점은 클라우드·AI 플랫폼과 소프트웨어 생태계다. 한국은 실제 제조공장과 대규모 양산 데이터가 강점이다.

한국의 경쟁력은 AI 모델의 크기보다 세계 수준의 공정과 숙련기술을 동시에 보유하고 있다는 데 있다.

한국이 글로벌 제조 AI 시장에서 유리한 이유

한국은 반도체와 자동차, 조선, 철강, 배터리, 디스플레이처럼 AI가 학습할 수 있는 복잡한 제조 현장을 보유하고 있다.

제조 AI는 인터넷 문서만 학습해서 만들 수 없다.

실제 장비와 센서, 불량제품, 작업자의 판단 데이터가 필요하다. 이 데이터는 공장이 존재하는 국가와 기업이 확보하기 유리하다.

한국의 강점은 다음과 같다.

세계적 수준의 대형 제조공장
반도체·자동차·조선 등 다양한 업종
빠른 통신과 디지털 인프라
산업용 로봇과 자동화 설비 활용 경험
숙련된 현장 엔지니어
AI 반도체와 메모리 생태계
대기업과 촘촘한 협력사 공급망

약점도 분명하다.

중소기업의 데이터 부족
오래된 설비의 연결성 문제
제조 AI 전문인력 부족
기업 간 데이터 공유에 대한 불신
프로젝트별로 다른 데이터 형식
작업자 보상과 권리 기준 부족
AI 솔루션의 해외 의존 가능성
시범사업 이후 유지보수 예산 부족

한국이 제조 AI 강국이 되려면 개별 공장의 성공 사례를 쌓는 데서 끝나지 않고 업종별 데이터와 기술을 반복 활용할 수 있는 구조를 만들어야 한다.

중소기업에서 AI 도입이 어려운 이유

대기업은 수년간 데이터를 저장하고 자체 연구인력을 확보할 수 있다.

중소 제조기업은 AI가 필요하다는 사실을 알아도 다음 장벽에 부딪힌다.

어떤 공정에 적용해야 할지 모른다.
센서와 데이터가 충분하지 않다.
오래된 설비에서 데이터를 꺼내기 어렵다.
AI 개발비를 부담하기 어렵다.
개발 이후 관리할 인력이 없다.
생산을 멈추고 테스트하기 어렵다.
투자비 회수효과를 증명하기 어렵다.

정부 지원은 모델 개발비만 제공해서는 부족하다.

공정 진단, 센서 설치, 데이터 정제, 모델 개발, 실증, 작업자 교육과 유지보수를 하나의 패키지로 지원해야 한다.

사업 종료 후 AI 성능이 떨어졌을 때 업데이트할 비용과 책임도 정해야 한다.

제조 AI의 성공은 모델을 납품한 시점이 아니라 2~3년 뒤에도 현장에서 계속 사용하는지로 평가해야 한다.

생산성 향상이 고용감소로 이어질까

AI가 작업자의 판단을 대신하면 필요한 인원이 줄어들 수 있다는 우려가 있다.

일부 반복검사와 단순 기록업무는 실제로 감소할 수 있다.

그러나 제조업 전체의 고용효과는 한 방향으로만 결정되지 않는다.

고용이 줄어들 수 있는 영역

반복적인 육안검사
단순 공정 모니터링
수기 생산기록
정해진 기준의 품질 분류
위험한 설비 점검

새롭게 늘어날 수 있는 영역

산업 데이터 수집·정제
AI 모델 검증
센서·로봇 유지보수
사이버보안
공정 최적화
작업자 교육 콘텐츠 개발
디지털 트윈 운영
AI 안전과 품질인증

기업의 생산성이 높아져 가격경쟁력과 수주가 늘면 전체 생산량과 고용이 확대될 수도 있다.

반대로 AI가 비용 절감에만 사용되고 새로운 제품과 시장을 만들지 못하면 인력감축 효과가 더 크게 나타날 수 있다.

따라서 정책은 AI 도입 건수뿐 아니라 다음을 함께 평가해야 한다.

생산량과 매출 증가
신규 채용
기존 근로자의 직무 전환
임금과 숙련도 변화
위험작업 감소
노동시간 변화
하청업체에 미치는 영향

투자와 산업 분석에서 확인할 핵심 기준

제조 AI와 관련됐다는 이유만으로 모든 기업이 장기적인 성과를 얻는 것은 아니다.

실제 제조 데이터를 확보했는가

범용 AI 기술만으로는 공장 문제를 해결하기 어렵다.

고객의 설비와 공정을 이해하고 반복적으로 활용할 데이터를 확보했는지가 중요하다.

시범사업이 유료 계약으로 이어지는가

정부 지원사업이 끝난 뒤 제조기업이 자체 비용으로 서비스를 계속 사용하는지 확인해야 한다.

무료 실증은 많지만 실제 구매로 이어지지 않을 수 있다.

제품화가 가능한가

고객마다 처음부터 새로 개발하면 매출이 늘수록 인력과 비용도 함께 증가한다.

여러 공장에 반복 설치할 수 있는 표준 모듈을 보유해야 수익성이 높아진다.

현장 유지보수가 가능한가

제조 AI는 설치 후에도 생산품과 장비 상태에 따라 성능이 달라진다.

현장 엔지니어와 원격관리 체계가 필요하다.

보안과 데이터 권리를 해결했는가

공정 데이터가 유출되면 고객사의 핵심 경쟁력이 손상될 수 있다.

보안 인증과 접근통제, 계약체계가 중요하다.

생산성 향상이 수치로 증명되는가

AI 정확도보다 다음 경제지표가 중요하다.

불량률
설비 가동률
정비시간
제품당 원가
전력 사용량
생산량
신규 작업자 교육기간

정책 효과를 판단할 지표

2026년 시범사업의 성과는 30개 AI 모델이 개발됐다는 사실만으로 평가해서는 안 된다.

지표	확인할 내용
불량률 감소	AI 적용 전후 품질이 개선됐는가
가동중단 시간	설비 고장과 정비시간이 줄었는가
교육기간	신규 작업자의 숙련 속도가 빨라졌는가
산업재해 위험	위험공정의 사람 노출이 감소했는가
현장 사용률	작업자가 실제로 AI를 사용하는가
추천 수용률	AI 제안이 실제 작업에 반영되는가
오판 발생률	잘못된 추천과 사고 위험은 없는가
작업자 만족도	도움이 되는 도구로 평가하는가
재계약률	정부 지원 종료 후에도 계속 사용하는가
청년 채용	새로운 제조 AI 일자리가 생겼는가
숙련공 보상	지식 제공에 적절한 보상이 이뤄졌는가
다른 공장 확산	개발 기술이 반복 활용되는가

현장 사용률은 매우 중요하다.

AI 모델의 시험 정확도가 높아도 작업자가 결과를 신뢰하지 않거나 화면이 불편하면 사용하지 않을 수 있다.

좋은 제조 AI는 가장 복잡한 모델이 아니라 작업자가 실제 상황에서 빠르게 이해하고 판단할 수 있는 모델이다.

성공 가능성이 높은 공정과 낮은 공정

초기 성과가 나오기 쉬운 공정

영상으로 불량을 구분할 수 있는 검사
센서가 충분히 설치된 설비
결과가 정상과 불량으로 명확히 나뉘는 작업
같은 작업이 반복되는 공정
불량과 고장 기록이 축적된 공정
작업자가 판단 이유를 비교적 설명할 수 있는 공정

개발이 어려운 공정

매번 제품과 조건이 크게 달라지는 작업
데이터가 거의 없는 수작업
품질 결과가 수개월 뒤에 확인되는 공정
소리·냄새·촉감 등 측정하기 어려운 감각 의존 공정
작업자마다 판단 기준이 크게 다른 공정
안전사고 발생 가능성이 매우 높은 제어업무

어려운 공정이 중요하지 않다는 뜻은 아니다.

초기에는 AI가 직접 답을 내리는 방식보다 사례를 검색하고 숙련자의 판단을 연결하는 교육 시스템부터 시작할 수 있다.

앞으로 예상되는 세 가지 시나리오

생산성 혁신 시나리오

숙련자와 작업자가 적극적으로 참여하고, 데이터 품질과 보상체계가 확보되는 경우다.

AI가 불량과 고장을 줄이고 신규 인력의 교육기간을 단축한다. 성공 모델이 같은 업종의 중소기업으로 확산되면서 제조 AI 시장도 성장할 수 있다.

교육 도구 중심 시나리오

공정을 자동으로 제어할 만큼 데이터가 충분하지 않지만 숙련자의 사례를 교육용으로 활용하는 경우다.

AI는 작업 매뉴얼과 과거 사례를 검색해 신규 작업자에게 설명하고, 숙련자가 최종 판단을 담당한다.

자동화 효과는 제한적이지만 노하우 전수와 인력양성에는 도움이 될 수 있다.

데이터만 남고 현장에서는 쓰이지 않는 시나리오

사업기간 동안 영상과 데이터를 수집하고 모델을 개발하지만 작업자가 신뢰하지 않거나 유지보수 예산이 없어 사용이 중단되는 경우다.

노동자 보상이 부족하고 데이터 소유권이 불명확하면 분쟁이 발생할 수도 있다.

정책이 세 번째 시나리오를 피하려면 개발 모델 수보다 현장의 지속 사용을 성과기준으로 삼아야 한다.

제조 AI의 미래는 사람 없는 공장이 아니다

공장의 모든 판단을 AI가 수행하는 완전 무인화는 일부 표준화된 공정에서는 가능할 수 있다.

그러나 제조업은 예외 상황이 많은 산업이다.

새로운 제품이 투입되고 장비가 노후화하며, 원재료의 품질과 고객 요구도 계속 바뀐다.

미래 제조업에서 사람의 역할은 사라지기보다 달라질 가능성이 높다.

기계를 직접 조작하는 역할은 감소한다.
AI 결과를 검증하는 역할은 증가한다.
반복작업보다 예외 상황의 판단이 중요해진다.
한 가지 공정보다 데이터와 설비 전체를 이해해야 한다.
숙련자는 작업자이면서 모델의 교사 역할을 맡는다.
청년은 AI 개발자이면서 제조기술을 배우게 된다.

암묵지 AI는 명장의 지식을 박제하는 사업이 아니라 명장과 청년, 작업자와 AI가 함께 지식을 계속 업데이트하는 구조가 돼야 한다.

결론

한국 제조업이 보유한 가장 가치 있는 자산 가운데 하나는 공장과 설비 안에 기록되지 않은 숙련자의 경험이다.

공정 최적화, 불량 판단, 용접 조건 조정, 설비 점검과 같은 업무에는 수십 년의 시행착오로 만들어진 암묵지가 들어 있다.

그러나 숙련자의 고령화와 은퇴, 청년 인력 감소가 동시에 진행되면서 이 지식이 사라질 위험이 커지고 있다.

정부는 2026년 480억 원을 투입해 30개 공정의 암묵지 데이터셋과 AI 모델을 개발하는 시범사업을 추진하고 있다.

정책의 방향은 분명하다.

숙련자의 지식을 영상·센서·설명 데이터로 만든다.
AI가 불량과 고장, 최적 작업조건을 분석하도록 한다.
작업자가 AI 결과를 검증하며 현장에 적용한다.
청년이 AI와 제조기술을 함께 배우도록 한다.
위험하고 인력이 부족한 공정부터 개선한다.

그러나 성공 조건은 기술보다 복잡하다.

숙련자의 지식에 대한 보상, 노동자 감시 방지, 기업 기밀 보호, AI 오류 책임, 데이터 소유권과 장기 유지보수 체계가 함께 마련돼야 한다.

AI가 숙련자의 노하우를 가져간 뒤 노동자를 줄이는 도구로 사용된다면 현장의 협력을 얻기 어렵다.

반대로 AI가 위험작업을 줄이고, 작업자의 판단력을 높이며, 청년에게 새로운 제조업 경력을 제공한다면 한국은 제조 데이터와 AI를 결합한 독자적인 경쟁력을 확보할 수 있다.

한국이 글로벌 AI 경쟁에서 가진 가장 큰 강점은 거대한 언어모델만이 아니다.

반도체·자동차·조선·철강·배터리 공장에서 축적된 세계 수준의 생산경험과 현장 노하우가 존재한다는 사실이다.

이 지식을 안전하고 공정하게 데이터화한다면 암묵지는 더 이상 한 사람의 머리와 손끝에만 머무르지 않는다. 기업의 품질자산이 되고, 청년의 교육도구가 되며, 새로운 제조 AI 산업의 기반이 될 수 있다.

여러분은 숙련자의 노하우를 AI에 학습시키는 것이 제조업 경쟁력을 지키는 방법이라고 보시나요, 아니면 노동자의 지식과 일자리를 위협할 가능성이 더 크다고 보시나요?

해시태그

#제조업AI #M_AX #제조AI #암묵지 #스마트팩토리 #AI팩토리 #산업용AI #디지털트윈 #예지보전 #산업용로봇 #컴퓨터비전 #스마트공장 #제조업전망 #AI일자리 #청년취업 #산업데이터 #엣지AI #온디바이스AI #반도체산업 #자동차산업 #조선산업 #철강산업 #공장자동화 #생산성향상 #중소기업지원 #정부지원사업 #AI기업 #산업안전 #로봇산업 #경제전망

#정리

기업	주요 거점	사업 구조	기대 요인	주요 위험
성원	전남 광양	스테인리스 용접강관 제조	용접 품질 안정·교육기간 단축	데이터 부족과 공정 변화
카라멜라	광주광역시 남구	AI 데이터 정제·구조화·연동	산업별 암묵지 데이터 구축 수요	프로젝트 의존과 인력 확보
기아	서울·광명·화성·광주	완성차 생산과 제조기술	품질·정비·작업표준의 디지털 전수	노동자 감시 논란과 데이터 권리
삼성전자	경기 수원·화성·평택 등	반도체·가전·생산기술	수율·예지보전·품질 AI 확대	공정기밀과 높은 검증 기준
포스코	경북 포항·전남 광양	제철·고부가 철강 생산	조업 판단·설비진단의 데이터화	노후 설비와 복잡한 공정변수
HD현대중공업	울산	선박 설계·건조·해양플랜트	용접·의장·블록 조립 노하우 활용	주문별 공정 차이와 작업환경 변화
현대위아	경남 창원	공작기계·자동차부품·로봇	장비 데이터와 AI 제조솔루션 결합	설비투자 경기와 해외 경쟁
인터엑스	울산	제조 AI·자율공장 솔루션	중견·중소기업 AI 도입 확대	고객별 맞춤 개발비 부담