노동 생산성 15% 향상, 기계 가동 중단 시간 30% 감소. 숫자만 놓고 보면 꽤 그럴싸하다 싶었는데, 직접 제조 현장을 들여다보니 이게 단순한 수치가 아니라는 걸 실감했습니다. 제조 현장에 AI가 들어오고 있습니다. 자동차 부품을 찍어내는 사출 공정부터 발포 성형, 벤트 비전 검사까지, 사람 눈과 경험에 의존하던 공정들이 하나씩 바뀌고 있습니다.
사출 성형과 AI가 만나는 현장, 무엇이 달라졌나
자동차 콕핏 모듈을 생산하는 공장 이야기입니다. 콕핏 모듈이란 운전석 정면 패널, 즉 계기판 주변에 전자 스위치, 공조 시스템, 오디오 시스템 등을 하나의 구조물로 통합한 부품을 말합니다. 단순해 보여도 안에 들어가는 소재가 고기능성 스마트 소재인 데다 공정도 복잡합니다.
핵심 공정 중 하나가 사출 성형입니다. 사출 성형(Injection Molding)이란 용융 상태의 플라스틱 원료를 금형에 고압으로 주입해 원하는 형태의 부품을 찍어내는 공정입니다. 문제는 금형에 이상이 생기면 사출 미성형, 즉 모양이 제대로 나오지 않는 불량이 발생한다는 점입니다. 기존에는 작업자가 직접 눈으로 확인하는 유관 검사에 의존했습니다. 제가 비슷한 현장을 접해본 경험상, 이 과정에서 휴먼 에러가 생기는 건 어쩔 수 없는 일이었습니다. 아무리 숙련된 작업자라도 8시간, 12시간 집중을 유지하는 건 사람이 할 수 있는 한계가 있으니까요.
이번에 도입된 것이 예지 보전(Predictive Maintenance) 기반의 사출 성형 AI 솔루션입니다. 예지 보전이란 설비가 실제로 고장 나기 전에 센서 데이터와 AI 분석을 통해 이상 징후를 미리 잡아내는 기술입니다. 카메라와 각종 센서가 24시간 금형 상태를 감시하고, 동시에 생산된 모든 제품을 CCD 카메라로 검사해 불량을 실시간 감지합니다. 세계 최초로 사출 성형 예지 AI 설루션을 상용화했다는 점도 눈에 띄는 대목이었습니다.
발포 공정에도 AI가 들어갔습니다. 발포 성형이란 사출 성형품과 스킨 사이에 화학 발포제를 주입해 무게는 줄이고 강도는 유지하는 경량화 기술입니다. 차량 대시보드에 조립되는 카핀 모듈에 주로 쓰입니다. 이 공정에서 까다로운 부분이 온습도 관리입니다. 소재가 온도와 습도에 극도로 민감해서, 조건이 조금만 흔들려도 수축이나 기포가 생깁니다. 기존에는 작업자의 경험에 의존했는데, 이제는 AI가 온습도 데이터를 받아 모델을 구축하고 한 시간 간격으로 이상 유무를 판단합니다. 데이터 기반 판단이 경험 기반 판단보다 결과가 더 좋았다는 현장 담당자의 말이 인상적이었습니다.
AI 솔루션이 가져온 핵심 성과를 정리하면 다음과 같습니다.
- 노동 생산성 15% 이상 향상
- 시간당 생산성 10% 이상 개선
- 기계 가동 중단 시간 30% 이상 감소
- 품질 비용 10% 이상 절감
벤트 비전 검사 공정도 빠지지 않습니다. 기존 비전 검사기는 조명 변화나 색상 차이에 취약해 평면적인 불량 외에는 잡아내기 어려웠습니다. 개선된 AI 비전 검사 설루션은 이러한 변화에 적응하면서 상세한 형상 분석까지 수행해, 기존 대비 98% 이상의 검사 정확도를 기록했다고 합니다.
중소기업이 AI를 도입할 때 진짜 걸리는 것들
솔직히 이건 예상 밖이었습니다. 처음 이 사례를 접했을 때 "이 정도면 중소기업들도 빠르게 따라올 수 있겠다"고 생각했거든요. 실제로는 그렇지 않았습니다. 제가 여러 중소 제조 업체를 접해본 경험상, 가장 큰 걸림돌은 비용 자체보다 도입 이후를 감당할 내부 역량의 부재였습니다.
AI 시스템을 들여놓는다고 끝이 아닙니다. 데이터를 수집하고, 모델을 재학습시키고, 이상 징후를 해석하는 MLOps(Machine Learning Operations) 역할이 필요합니다. MLOps란 AI 모델을 실제 운영 환경에서 지속적으로 관리하고 고도화하는 일련의 프로세스를 말합니다. 이걸 담당할 내부 전문 인력이 대부분의 중소기업에는 없습니다. 도입은 했는데 제대로 운용을 못 하거나, 설루션 업체에 유지보수 비용을 계속 지출하는 구조가 반복됩니다.
2024년 중소기업 실태조사에 따르면 제조업 중소기업 중 스마트 팩토리를 도입한 비율은 전체의 30%를 넘지 못합니다(출처: 중소벤처기업부). 도입한 기업 중에서도 데이터를 체계적으로 활용하는 곳은 소수에 불과하다는 점을 고려하면, 현장과 정책 사이의 온도차가 상당합니다.
제가 직접 들여다본 현장들에서 공통적으로 느낀 건, AI를 도입하기 전에 "어떤 데이터를 최적화할 것인가"에 대한 구체적인 로드맵이 없다는 점이었습니다. 기술이 좋아지고 비용이 낮아졌다고 해서 막연하게 도입부터 하면 투자 대비 효과를 내기 어렵습니다. 품질 비용(Cost of Poor Quality, COPQ)을 줄이겠다, 설비 가동률을 높이겠다 같은 구체적인 목표가 먼저 있어야 AI 솔루션이 그 방향에 맞춰 작동합니다. COPQ란 불량 발생, 재작업, 클레임 처리 등 품질 실패로 인해 기업이 부담하는 총 비용을 의미합니다.
이번 영남권 제조업 AI 융합 기반 조성 사업처럼 과학기술정보통신부와 정보통신산업진흥원이 주관하는 정부 지원은 분명 기회입니다(출처: 정보통신산업진흥원). 방역 연계형, 확산 거점형 등 지원 유형도 다양합니다. 다만 지원금을 받아도 그것을 실질적인 성과로 연결하는 건 결국 기업 내부의 준비도에 달려 있습니다. 막연한 기대보다 현장 데이터 기반의 명확한 목표 설정이 먼저라는 생각이 들었습니다.
AI 기술 자체보다 그것을 운용할 사람과 체계가 더 중요하다는 걸, 제가 여러 현장을 보면서 점점 더 확실히 느끼고 있습니다.
이처럼 중소기업에도 적용할수 있는 모델을 살펴 보았습니다. 품질 실패 비용이 줄고 공장 가동률이 높아지면, 자연스럽게 근로 환경도 개선될 수 있습니다. 중소 제조업이 지금 겪고 있는 인력난도 어느 정도는 그 연장선에서 풀릴 가능성이 있습니다. 현장이 깨끗해지고 안전하고 안정적이면 청년들도 관심을 가질 수 있으니까요. 로드맵을 갖고 정부 지원을 활용하는 기업들이 성공 사례를 만들어낸다면, 그 사례가 업계 전반으로 퍼지는 건 시간문제라고 봅니다. 중소기업들도 빠르게 변화해야 합니다. 이번 영남권 사례가 그 시작점이 되기를 기대합니다.