[세종=뉴스핌] 정성훈 경제부장 = 용광로 안은 사람이 직접 들어가 확인할 수 없는 공간이다. 내부 온도는 부분적으로 2300℃까지 치솟고 철광석과 코크스가 뒤섞여 복잡한 화학반응을 일으킨다. 과거 조업자는 불꽃의 색과 설비 소리, 압력과 온도 변화를 종합해 고로의 상태를 판단했다. 같은 수치가 나타나도 원료 성분과 전날의 조업조건에 따라 대응은 달랐다. 오랜 현장 경험이 생산량과 품질을 가르는 이유였다.

포스코 포항제철소 2고로는 이 숙련의 일부를 데이터와 알고리즘으로 옮겼다. 센서에서 실시간으로 들어오는 정보와 30년 이상 근무한 베테랑의 조업지식을 결합해 통기성·연소성·용선온도·부착물·출선 상태를 예측하고 조업조건을 선제적으로 제어하는 구조다. 포스코는 인공지능(AI) 고로 적용으로 하루 쇳물 생산량이 240톤(t) 늘고 연간 약 8만5000톤의 추가 생산 효과가 나타났다고 설명한다. 용선 1톤당 연료투입량도 4킬로그램(kg) 줄었다는 것이 회사 측 분석이다.

숫자만 보면 AI가 생산성을 높인 성공사례다. 하지만 이 사례의 진짜 의미는 240톤이 아니다. 문제는 자동화가 아니라 판단의 주체가 바뀌었다는 데 있다. 기계가 정해진 동작을 반복하던 스마트공장을 넘어, AI가 현장 상태를 해석하고 결과를 예상한 뒤 설비의 조건까지 조정하는 자율제조로 이동하고 있다. 제조업의 경쟁력 원천이 설비 규모와 숙련인력 숫자에서 '현장 데이터를 얼마나 빨리 학습하고 다시 공정에 반영하느냐'로 옮겨가는 것이다.

제조 AI가 작동하려면 세 가지가 필요하다. 첫째는 설비의 현재 상태를 읽을 센서다. 둘째는 정상과 이상을 구분할 수 있는 과거 데이터다. 셋째는 숫자로 기록되지 않은 현장 작업자의 판단 기준이다. AI는 이 세 요소를 결합해 '현재 상태가 어떤 결과로 이어질지'를 예측한다. 예측이 추천에 머물면 의사결정 지원이고, 설비 설정값을 직접 바꾸면 자율제어에 가까워진다.

포스코는 2026년 2월 소결 공정에도 AI 기반 스마트 제어 시스템을 적용했다고 밝혔다. 소결은 가루 형태의 철광석을 고로에 투입하기 좋은 덩어리로 만드는 공정이다. 장입선과 배가스 온도, 대차 속도를 연계해 자동 조절한 결과 3소결 공정에서 조업 가동률 99%, 적중률 97%를 기록했고 2·4소결로 확대 적용하고 있다는 설명이다. 고로 하나의 최적화에서 앞 공정과 뒤 공정이 서로 데이터를 주고받는 '공정 간 선순환'으로 범위가 넓어진 셈이다.

이 과정에서 숙련의 의미도 달라진다. AI는 베테랑을 지우는 기술이 아니라 베테랑의 판단을 공장의 공통 표준으로 바꾸는 기술에 가깝다. 과거에는 특정 작업자가 교대조에 있을 때만 가능했던 최적 조업을 누구나 재현할 수 있게 만든다. 반대로 숙련자의 경험이 데이터와 로직으로 전환된 뒤 그 가치가 제대로 보상되지 않으면 현장 협조를 얻기 어렵다. 데이터 구축이 기술사업인 동시에 조직관리와 노사관계의 문제인 이유다.

국내 대기업의 계획도 같은 방향을 가리킨다. 삼성전자는 2030년까지 국내외 생산공장을 'AI 자율공장'으로 전환하겠다는 전략을 발표했다. 생산계획과 예지보전, 수리, 물류 조정에 목적형 AI 에이전트를 투입해 AI가 현장 상황을 이해하고 최적 결정을 실행하는 구조를 구축하겠다는 구상이다. 아직 계획 단계인 만큼 생산성·비용 효과는 향후 실제 사업장에서 검증해야 한다.

현대차그룹은 AI가 소프트웨어를 넘어 물리적 설비와 로봇의 몸을 통해 작동하는 '피지컬 AI'에 집중하고 있다. 휴머노이드 아틀라스를 2028년 미국 조지아의 현대차그룹 메타플랜트 아메리카에 투입해 부품을 생산순서에 맞춰 정렬하는 서열 작업부터 맡기고, 2030년에는 조립까지 확대할 계획이다. 위험하고 무거운 반복작업을 로봇에 맡기되 공정 단위로 안전성과 품질을 검증한 뒤 범위를 넓히는 방식이다.

이 변화는 공장 자동화의 마지막 퍼즐이 로봇의 힘이 아니라 학습과 적응이라는 점을 보여준다. 기존 산업용 로봇은 위치와 순서가 미리 정해진 환경에서 강했다. 생산품이 바뀌거나 부품 위치가 달라지면 다시 프로그래밍해야 했다. AI 로봇은 카메라와 촉각센서로 상황을 읽고 새로운 작업을 학습한다. 다품종 생산과 잦은 모델 변경에 대응할 수 있다면 공장의 경제성은 '한 제품을 오래 많이 만드는 능력'에서 '변화에 빠르게 적응하는 능력'으로 이동한다.

문제는 이 전환이 모든 제조기업에 같은 속도로 일어나지 않는다는 점이다. 대기업은 이미 수년간 센서와 제조실행시스템, 품질관리시스템을 구축해 대규모 데이터를 축적했다. 자체 연구조직과 클라우드·컴퓨팅 자원도 갖고 있다. AI를 적용할 공정과 실패했을 때 감당할 투자여력도 있다.

중소 제조기업은 출발점부터 다르다. 오래된 설비는 데이터를 자동으로 뽑아내기 어렵고, 공정 기록이 수기나 엑셀에 남아 있는 경우가 적지 않다. 어떤 문제에 AI를 써야 하는지 정의할 인력도 부족하다. 중소벤처기업부가 2025년 공개한 조사에서는 중소 제조기업의 AI 도입 장애요인으로 초기 비용 부담이 44.2%로 가장 높았고, 인력 부족 20.5%, 전략 부재 14.9%가 뒤를 이었다. 경제협력개발기구(OECD)와 한국노동연구원도 2025년 보고서에서 한국 중소기업의 AI 이용률을 31%로 제시하며 독일의 50% 이상보다 낮다고 분석했다.

정부의 스마트공장 사업 성과지표는 생산성 증가 33.6%, 원가 절감 30.7%, 품질 향상 44.4%를 제시한다. 다만 여러 기업과 사업을 합산한 수치인 만큼 기업별 투자비와 업종 차이, 효과 지속기간을 함께 봐야 한다. AI 도입 자체보다 설비 연결과 데이터 정비에 더 많은 비용이 들어간 기업도 있다. 정부 지원으로 첫 구축은 가능했지만 클라우드 사용료와 모델 업데이트, 유지보수비를 감당하지 못해 활용도가 낮아지는 문제도 확인할 필요가 있다.

문제는 AI 모델의 성능이 아니라 AI가 학습할 수 있는 공장인지 여부다. 데이터가 없는 공장에 고성능 모델을 넣어도 판단할 근거가 없다. 데이터 형식이 기업마다 다르면 한 공장에서 검증한 모델을 다른 공장으로 옮기기도 어렵다. 중기부가 2026년 제조데이터 표준화 참조모델 사업을 추진하는 이유도 여기에 있다.

제조 AI를 둘러싼 가장 큰 우려는 일자리다. 기업은 AI가 반복·고위험 업무를 줄이고 사람이 고부가가치 업무에 집중하게 한다고 설명한다. 실제로 설비 감시와 기록, 단순 검사 업무는 줄어들 수 있다. 반면 데이터 품질을 관리하고 AI의 판단을 검증하며 예외상황을 처리하는 업무는 늘어난다. 작업자는 설비를 직접 조작하는 사람에서 AI가 제시한 판단의 타당성을 확인하고 공정을 개선하는 사람으로 이동한다.

그러나 업무가 고도화된다는 설명이 모든 노동자에게 자동으로 적용되는 것은 아니다. 재교육 기회가 관리자와 엔지니어에게 집중되고 생산직은 단순 감시업무만 남을 수 있다. 생산성이 높아져도 인원 감축이나 외주화로만 이어질 가능성도 있다. OECD는 한국에서 일부 전통적 AI 활용이 제조업의 청년·중저학력 정규직 고용 증가와 부정적 상관을 보였다고 분석했다. AI 도입 과정에서 근로자 협의와 현장형 재교육이 중요한 이유다.

숙련자의 노하우를 AI에 학습시키면서도 그 기여를 평가하는 방식은 거의 논의되지 않았다. 기업이 경험을 데이터화해 영구적인 자산으로 만들었다면, 이를 제공한 작업자에게 교육·직무전환·성과보상으로 돌려주는 구조가 필요하다. 생산성 향상의 이익이 기업 이익에만 머물면 현장에서는 AI를 자신의 경험을 빼앗는 기술로 받아들일 수 있다.

산업통상부는 11개 분과, 1500여개 기업·기관이 참여하는 M.AX 얼라이언스를 통해 제조 AI 확산을 추진하고 있다. 2026년 산업 AX(인공지능 전환) 예산은 1조1000억원 규모다. 이는 연간 사업 예산으로, 정부가 별도로 제시한 '제조AI 2030 전략'의 민관 20조원과는 층위가 다르다. 20조원은 2030년까지 민관이 합쳐 투자하는 누적 목표치다. 정부는 AI 팩토리 참여기업 사례로 반도체 장비 오류를 예측해 웨이퍼 손실을 30% 줄인 사례와 AI 비전검사로 조선 기자재 검사시간을 30% 단축한 사례를 제시했다.

정책의 방향은 맞지만 평가방식은 더 엄격해져야 한다. AI 솔루션을 설치한 기업 수나 사업비 집행률만으로는 산업 전환을 판단할 수 없다. 도입 전후의 생산량과 불량률, 에너지비, 인건비, 유지비를 같은 기준으로 측정해야 한다. 실증사업 종료 후 2~3년이 지나도 시스템이 가동되는지, 다른 공장과 협력사로 확산됐는지도 공개해야 한다.

중소기업에는 'AI 바우처'보다 먼저 데이터 건강검진이 필요하다. 설비 연결 가능성, 데이터 누락률, 공정 표준화 수준, 해결하려는 문제가 무엇인지 진단한 뒤 도입 여부를 결정해야 한다. 산업단지에는 개별기업이 감당하기 어려운 제조데이터 정제와 보안, 클라우드, AI 인력을 공동으로 제공하는 센터가 필요하다. 대기업이 협력사 데이터를 활용할 때는 데이터 소유권과 사용범위, 모델 개선으로 발생한 이익의 배분기준도 계약에 담아야 한다.

제조업 AI 경쟁의 본질은 가장 큰 AI 모델을 보유하는 데 있지 않다. 현장의 작은 이상신호를 놓치지 않고, 그 판단을 실제 설비에 안전하게 반영하며, 성과를 다음 공장으로 복제하는 능력에 있다. 포스코의 AI 고로가 보여준 것은 숙련이 사라지는 미래가 아니다. 숙련이 데이터로 바뀌는 순간 그 데이터의 주인과 혜택의 귀착점을 새롭게 정해야 한다는 사실이다.

■ 한 줄 요약
제조 AI의 본질은 로봇이 사람을 대신하는 데 있는 것이 아니라 숙련자의 판단을 데이터화해 공정이 스스로 예측하고 제어하도록 만드는 데 있으며, 해법은 AI 보급 숫자를 늘리는 것이 아니라 데이터 표준·현장 재교육·성과검증·이익배분을 함께 설계하는 데 있다.

* [AI로 읽는 경제]는 AI 어시스턴트가 분석한 내용을 바탕으로 기자가 정리한 내용입니다. ChatGPT, Google Gemini, Perplexity, Claude AI 모델이 적용됐습니다. 상단의 'AI MY 뉴스' 로그인을 통해 뉴스핌의 차세대 AI 콘텐츠 서비스를 활용해 보기 바랍니다.

jsh@newspim.com