- 산업 지능은 제조사가 쌓아 온 노하우·운영 관행·생산 데이터·사업 이해를 합친 개념으로, 숙련공의 머릿속 판단까지 포함한다.
- 피지컬 AI는 이 지능을 설비에 연결해 ‘인지 → 추론 → 실행’ 구조로 현장 변화에 대응하게 만드는 시스템이다.
- 도입 성패는 모델 성능보다 변경 권한, 안전 경계, 의사결정 기록, 사람의 개입 수단 같은 운영 규율에서 갈린다.
라인 교체(체인지오버)가 끝나고 재가동을 앞둔 때다. 숙련 작업자는 설비 설정값만 확인하지 않는다. 이번에 들어온 소재가 어떻게 반응할지, 직전 교대조에서 무슨 일이 있었는지, 사소해 보이는 편차 가운데 무엇을 다시 봐야 할지까지 함께 따진다.
작업 표준서가 알려 주는 건 순서까지다. 실제 결과는 그 바깥에서 갈린다. 경험에서 나온 판단과 조직이 쌓아 온 노하우가 그것이다.
마이크로소프트가 MIT 테크놀로지 리뷰를 통해 내세운 ‘산업 지능(Industrial Intelligence)’은 바로 이 판단을 개인의 감에서 조직의 자산으로 옮기자는 개념이다. 피지컬 AI를 공장에 들일 생각이라면 모델 사양보다 이 개념을 먼저 짚어야 한다. 설비가 무엇을 기준으로 움직일지가 여기서 정해지기 때문이다.
산업 지능은 데이터가 아니라 ‘맥락이 붙은 노하우’
산업 지능은 한 제조사가 가진 자산 네 가지를 묶은 말이다.
- 축적된 노하우: 숙련자가 경험으로 아는 것
- 운영 관행: 현장에서 실제로 굴러가는 방식
- 생산 데이터: 설비·공정에서 나오는 기록
- 자기 사업에 대한 이해: 무엇이 수익과 품질을 좌우하는지에 대한 감각
일부는 문서로 남아 있다. 상당 부분은 여전히 경험 많은 작업자의 머릿속에 있다. 걸림돌은 도달 범위다. 지식이 한 사람, 한 시스템, 한 공장 안에 머물면 그 밖에서는 꺼내 쓸 수가 없다.
데이터를 더 모은다고 풀리는 문제도 아니다. 공정 변경을 검토하는 엔지니어에게 생산 기록 한 줄로는 정보가 모자란다. 당시 설비 구성은 어땠는지, 품질 요구 조건은 무엇이었는지, 작업자가 어떤 트레이드오프를 감수했는지까지 함께 봐야 판단을 내릴 수 있다. 기록이 나온 배경이 빠지면 숫자만 남는다.
둘의 차이를 표로 놓으면 이렇다.
| 구분 | 알려 주는 것 |
|---|---|
| 데이터 | 무슨 일이 일어나는지 |
| 산업 지능 | 무엇을 해야 하는지, 넘으면 안 되는 제약은 무엇인지, 언제 사람이 판단해야 하는지에 대한 맥락 |
이 맥락이 정비실, 생산계획 부서, 엔지니어링 팀, 생산 현장까지 퍼지면 개선에 참여할 수 있는 사람이 늘어난다. 숙련자 한 사람의 판단을 여러 부서가 함께 쓰게 되는 셈이다.
피지컬 AI, 편차를 ‘보는’ 것보다 ‘반응하는’ 기준이 핵심
지식에 접근할 수 있게 됐다고 일이 끝나지는 않는다. 이제 절반을 왔을 뿐이다. 제조가 다루는 건 소재, 기계, 제품 같은 물리적 대상이다. 판단은 설비가 실제로 움직여야 결과로 이어진다.
피지컬 AI(Physical AI)는 물리 세계에서 상황을 인지하고, 그 상황을 추론하고, 실제 행동까지 하는 시스템을 말한다. 구조는 단순한 편이다.
- 인지: 설비와 공정을 연결해 현장 상황을 선명하게 본다.
- 추론: 그 정보를 바탕으로 에이전트가 패턴을 찾고 문제를 예측해 최선의 조치를 고른다.
- 실행: 연결된 제어 장치가 그 조치를 설비에 적용한다.
부품 위치가 들쭉날쭉한 로봇 핸들링 공정에 대입하면 다음과 같다.
| 단계 | 하는 일 | 로봇 핸들링 공정 예시 | 여기에 필요한 산업 지능 |
|---|---|---|---|
| 인지 | 현장 상황 파악 | 비전 시스템이 들어온 부품의 위치를 판별 | 어떤 편차를 다시 봐야 하는지에 대한 기준 |
| 추론 | 패턴 식별·문제 예측·조치 결정 | 소재와 작업 특성을 반영한 모델이 적절한 동작을 결정 | 소재 거동과 작업 조건에 대한 노하우 |
| 실행 | 설비에 조치 적용 | 연결된 제어 장치가 검증된 한계 안에서 동작을 보정 | 넘으면 안 되는 안전·품질 한계 |
핵심은 마지막 열에 있다. 편차를 ‘보는’ 일은 비전 카메라도 한다. 가치는 그 편차에 ‘적절하게 반응하는’ 데서 나온다. 그리고 무엇이 적절한지는 카메라가 아니라 그 공장의 산업 지능이 정한다. 같은 비전 시스템을 들여도 공장마다 결과가 다르게 나올 수밖에 없다.
도장 불량 25% 감소·정비 학습 9개월→3개월, 둘 다 연결에서 시작
두 기업 사례를 보면 개념이 구체적으로 잡힌다. 수치는 모두 각 회사가 밝힌 결과다.
| 구분 | 도요타 인더스트리즈(Toyota Industries) | 로크웰 오토메이션(Rockwell Automation) |
|---|---|---|
| 적용 현장 | 도장 공정 | 싱가포르 공장, 정비 기술자 |
| 한 일 | 흩어져 있던 도장 공장 데이터를 하나로 연결해, 엔지니어링·운영 팀이 불량 원인을 이해할 맥락 확보 | 제조 데이터, 설비 매뉴얼, 숙련자에게서 수집한 지식을 결합한 ‘정비 코파일럿’ 운영 |
| 성과 | 분석 주기 5일 → 4시간 미만, 파일럿에서 관련 도장 불량 약 25% 감소 | 신입이 수백 대 설비의 문제 해결법을 익히는 기간 9개월 → 3개월 |
숫자만 놓고 보면 도요타 인더스트리즈의 성과가 더 눈에 띈다. 5일 걸리던 분석이 4시간도 안 걸리게 됐고, 불량까지 줄었다. 로크웰 사례는 결이 다르다. 숙련자 머릿속에 있던 판단이 신입에게 넘어가는 속도를 앞당겼다. 숙련 인력의 판단이 특정 개인에게 묶여 있는 공장이라면 로크웰 쪽이 더 가까운 참고 사례다.
두 사례에는 공통점이 세 가지 있다.
- 연결이 먼저였다: 새 신호를 하나 더 찾아낸 게 아니다. 이미 있던 데이터와 사람의 지식을 이어 붙였다.
- 성과는 판단 속도에서 나왔다: 하나는 불량이 왜 생기는지 이해하고 결과가 굳기 전에 대응하는 것이다. 다른 하나는 신입이 숙련자의 판단에 빨리 닿게 하는 것이다. 두 회사 모두 여기서 차이를 만들었다.
- 사람을 빼는 그림이 아니다: 엔지니어는 변경을 확정하기 전에 더 많은 공정 대안을 검토한다. 작업자는 같은 예외 상황을 반복해서 처리하는 대신 시스템의 대응 방식을 개선하는 쪽으로 역할을 옮길 수 있다는 게 마이크로소프트의 설명이다.
첫 번째 공통점이 가장 실용적이다. 새 데이터 소스를 찾아 나서기 전에, 이미 가진 데이터가 서로 이어져 있는지부터 점검해야 한다는 뜻이기 때문이다.
설비를 움직이기 전, 공급사에 물어야 할 운영 조건 6가지
모델이 아무리 정확해도 설비를 직접 움직이는 순간 따져야 할 기준이 달라진다. 이때의 신뢰는 모델에 대한 확신보다 현장에 마련된 실무적 장치에서 나온다.
도입을 검토하거나 공급사를 비교할 때 아래 항목부터 묻는 편이 안전하다.
- 변경 권한: 어떤 시스템이 무엇을 바꿀 수 있는지 명확히 정해져 있는가
- 설비 연결의 신뢰성: 데이터 수집과 제어 명령이 안정적으로 오가는가
- 안전 경계: 자동 조치가 넘을 수 없는 한계가 미리 정의돼 있는가
- 의사결정·조치 기록: 시스템이 언제, 왜, 무엇을 했는지 남는가
- 사람의 개입 수단: 작업자가 불확실성을 알아채고 개입해 설비를 안전 상태로 돌릴 수 있는가
- 시뮬레이션 검증: 제안된 조치를 실제 설비에 적용하기 전 디지털 환경에서 먼저 시험할 수 있는가
6번이 물리적 검증을 대신하지는 못한다. 그래도 생산 라인을 첫 실험 대상으로 삼지 않아도 된다는 점 하나만으로 의미가 크다.
사람에게 들어가는 투자도 장비만큼 무게를 두고 계산해야 한다. 교육과 익힐 시간이 필요하다. 시스템이 어떻게 작동할지 정하는 과정에 현장 인력이 실질적으로 참여하는 구조도 갖춰야 한다. 로크웰 사례에서 학습 기간이 줄어든 것도 숙련자의 지식을 시스템에 담는 과정이 있었기 때문으로 보인다. 앞의 여섯 가지를 다 갖춰도 이 부분이 비면 시스템에 담을 기준이 빈약해진다.
국내 공장이라면 지표·온보딩·공급사 질문부터 바뀐다
아래는 개념을 국내 환경에 대입한 해석이다. 국내 기업의 도입 사례나 성과 수치에 근거한 내용은 아니다.
- 평가 지표가 바뀐다(추정): ‘에이전트를 몇 개 도입했나’보다 ‘숙련자 노하우가 몇 개 부서·공장으로 퍼졌나’가 더 의미 있는 지표가 될 가능성이 크다. 마이크로소프트도 목표는 에이전트를 늘리는 데 있지 않고 기존 지능을 수익성 있는 성장 엔진으로 바꾸는 데 있다고 강조한다.
- 신입 온보딩 기간이 측정 대상이 된다(추정): 숙련 인력의 판단이 개인에게 묶여 있는 문제는 국내 제조업에서도 자주 거론되는 과제다. 로크웰처럼 ‘문제 해결을 익히는 데 걸리는 기간’을 도입 전후로 재 보는 방식은 공장 규모와 상관없이 따라 해 볼 만하다.
- 공급사에 던질 질문이 늘어난다: 데모에서 인식 정확도만 보여 주는 솔루션보다 앞의 운영 조건 6가지에 답할 수 있는 솔루션이 현장 적용에 유리하다. 인식 정확도는 앞 표에서 ‘인지’ 칸 하나를 채울 뿐이다.
- 작은 범위부터 시작한다: 도요타 인더스트리즈도 도장 공정 파일럿으로 성과를 확인했다. 전사 도입보다 불량 원인이 반복되는 공정 하나를 골라 흩어진 데이터를 연결해 보는 쪽이 현실적이다.
확인된 것과 아직 불확실한 것
확인된 것
- 산업 지능의 정의: 제조사의 축적된 노하우, 운영 관행, 생산 데이터, 사업 이해의 결합
- 피지컬 AI의 정의: 물리 세계에서 상황을 인지·추론하고 행동하는 시스템
- 도요타 인더스트리즈: 도장 공장 데이터 연결 후 분석 주기 5일 → 4시간 미만, 파일럿에서 관련 도장 불량 약 25% 감소(회사 보고)
- 로크웰 오토메이션 싱가포르 공장: 정비 코파일럿으로 신입의 문제 해결 학습 기간 9개월 → 3개월
- 책임 있는 도입 조건: 변경 권한, 설비 연결, 안전 경계, 기록, 사람의 개입과 안전 상태 전환
아직 불확실한 것
- 두 사례에 쓰인 구체적 소프트웨어 구성과 도입 비용
- 도요타 인더스트리즈 파일럿 성과의 전체 라인 확대 결과
- 회사 보고 수치에 대한 외부 독립 검증 여부
- 국내 제조사 환경에서의 적용 사례와 효과 규모
- 마이크로소프트가 이그나이트에서 선보일 산업 지능 관련 구체 제품·기능
피지컬 AI가 따를 기준은 가장 오래 일한 사람의 머릿속에 있다
제조업은 늘 사람의 창의성과 점점 유능해지는 도구를 엮어 왔다. 피지컬 AI도 그 연장선에 있다. 반복적이거나 몸이 고된 작업은 지능형 설비가 맡는다. 정보가 많고 조건이 자주 바뀌는 판단은 에이전트가 사람 곁에서 거든다.
마이크로소프트가 내건 다음 과제는 ‘더 많이 생산하는 것’이 아니다. ‘복잡성을 같은 속도로 늘리지 않고 성장하는 것’이다. 이 기준에 비추면 산업 지능의 조건은 세 줄로 압축된다.
- 지식이 사람·시스템·공장의 경계를 넘어 이동할 수 있어야 한다.
- 지능이 물리 공정 안에서 실제로 행동할 수 있어야 한다.
- 그 행동은 사람이 이해하고 멈출 수 있는 범위 안에 있어야 한다.
도입을 고민하는 단계라면 AI 모델 선정보다 먼저 할 일이 있다. ‘우리 공장에서 가장 오래 일한 사람이 아는 것 중 아직 어디에도 기록되지 않은 것’을 목록으로 만드는 일이다. 피지컬 AI가 따를 기준은 결국 그 목록에서 나온다.
