제조현장 AI 에이전트 (멀티 AI, 품질 판단, 데이터 한계)

솔직히 저는 AI가 공장 안으로 들어간다는 말을 들어도 크게 와닿지 않았습니다. 챗봇이나 이미지 생성 정도가 AI라고 생각했거든요. 그런데 중소벤처기업부가 식품·뷰티·자동차부품 같은 실제 제조 현장에 AI 에이전트를 적용하는 실증 프로젝트를 본격 시작했다는 소식을 보고 생각이 바뀌었습니다. AI가 공정 조건을 분석하고 품질 위험까지 예측한다는 건, 사무실 밖 현장 노동자의 판단을 직접 보조하겠다는 뜻이니까요.

 

멀티 AI 에이전트가 뭔지, 저도 처음엔 몰랐습니다

이번 프로젝트의 핵심 기술은 '멀티 AI 에이전트(Multi AI Agent)'입니다. 여기서 멀티 AI 에이전트란, 하나의 AI가 모든 걸 처리하는 게 아니라 여러 AI가 역할을 나눠 협력하면서 복잡한 업무를 처리하는 구조를 의미합니다. 쉽게 말해 공정 분석 담당, 품질 예측 담당, 작업자 지원 담당 AI가 따로 있고, 이것들이 연결돼 하나의 판단을 만들어 내는 방식입니다.

제가 처음 이 개념을 접했을 때는 "그냥 AI 여러 개 쓰는 거 아닌가?" 싶었는데, 실제로는 각 에이전트가 서로 데이터를 주고받으며 맥락을 유지한다는 점에서 단순히 기능을 분리한 것과는 다릅니다. 제조 현장처럼 변수가 많고 실시간 판단이 필요한 환경에서는 이런 구조가 훨씬 유리합니다.

중기부는 충북 음성의 풀무원식품 공장에서 착수간담회를 열고, AI 기술 보유 기업과 수요 제조기업이 컨소시엄을 구성한 12개 과제를 공식 출범시켰습니다. 과제별 지원금은 기술실증(PoC) 단계에서 최대 3억 원이며, 우수 과제는 최대 39억 원 규모의 후속 R&D 지원까지 연결됩니다. PoC란 '기술 가능성 검증(Proof of Concept)'의 약자로, 본격 개발 전에 실제 환경에서 기술이 작동하는지 확인하는 단계를 뜻합니다.

• 참여 분야: 식품, 뷰티, 제약, 자동차부품, 섬유·패션, 생활소비재, 기계·장비, 금속가공 등 8대 중소 제조업
• 구조: AI 기술 보유 중소기업 + 제조 현장 수요기업 컨소시엄 방식
• 지원 규모: PoC 과제당 최대 3억 원, 우수 과제 후속 R&D 최대 39억 원 (최대 2년)
• 총 선정 예정 과제 수: 24개 (1차 12개 착수, 추가 12개 선정 예정)

요약: 멀티 AI 에이전트는 여러 AI가 역할을 나눠 협력하는 구조로, 중기부는 이를 중소 제조 8개 분야에 적용하는 실증을 본격 시작했습니다.

AI가 품질을 판단한다는 게 실제로 어떤 의미인가

제가 이번 기사에서 가장 눈여겨본 부분은 AI가 '품질 판단'을 한다는 표현이었습니다. 보통 품질 관리라고 하면 불량품을 골라내는 카메라나 센서를 떠올리는데, 이번 프로젝트는 그보다 한 단계 앞선 이야기입니다. 원료 상태와 공정 조건 데이터를 바탕으로 품질 위험을 사전에 예측하고, 작업자가 조건을 조정할 수 있도록 돕는 구조이기 때문입니다.

식품 제조 분야에서는 아이제라가 풀무원식품을 대상으로 이 시나리오를 실증합니다. 식품은 원료의 수분 함량, 점도, 온도 같은 변수가 매 배치마다 달라질 수 있어 품질 편차가 생기기 쉬운 업종입니다. AI가 과거 생산 데이터를 학습해 "지금 이 조건이면 불량 가능성이 높다"고 미리 알려준다면, 작업자가 조건을 선제적으로 조정할 수 있습니다. 결과적으로 재작업 비용과 원료 손실을 줄일 수 있는 거죠.

뷰티 제조 분야에서는 카이로스랩이 아이이씨코리아, 인터코스코리아, 엑티브온, 뉴트리어드바이저와 함께 화장품 전 제조 공정에 AI 에이전트를 적용합니다. 처방 설계부터 품질관리, 공정 운영, 규제 검토, 임상 효능 예측까지 커버하는 범위가 상당히 넓습니다. 화장품은 다품종 소량 생산이 많아 공정이 자주 바뀌는데, 그때마다 숙련된 인력이 일일이 조건을 검토해야 하는 부담이 큽니다. AI가 이 부분을 보조하면 제품 개발 속도와 품질 안정성을 동시에 높일 수 있다는 게 이 컨소시엄의 핵심 논리입니다.

중소기업기술정보진흥원(기정원)은 이번 실증에서 데이터 품질 검증과 국가 GPU(그래픽처리장치) 인프라 연계를 지원합니다. 여기서 GPU 인프라란, 대규모 AI 학습에 필요한 고성능 연산 자원을 국가 차원에서 공유 제공하는 시스템입니다. 중소기업이 자체적으로 이런 인프라를 갖추기 어렵다는 점을 감안하면, 이 지원이 실증의 실질적 완성도를 높이는 데 꽤 중요한 역할을 할 것으로 보입니다(출처: 중소기업기술정보진흥원).

요약: 이번 AI 에이전트는 불량품 검출을 넘어 품질 위험을 사전 예측하고 작업자 판단을 보조하는 수준으로, 식품·뷰티 분야에서 구체적인 실증이 진행됩니다.

데이터 한계를 먼저 보지 않으면 이 프로젝트는 반쪽짜리입니다

솔직히 저는 이번 프로젝트를 보면서 기대보다 걱정이 먼저 들었습니다. AI가 현장에서 제대로 작동하려면 학습 데이터의 양과 질이 충분해야 하는데, 중소 제조기업의 현실은 그렇지 않은 경우가 많기 때문입니다.

대기업 제조현장은 스마트팩토리(Smart Factory) 시스템이 어느 정도 구축돼 있어 공정 데이터가 자동으로 수집됩니다. 여기서 스마트팩토리란, 설비와 시스템이 디지털로 연결돼 생산 전 과정의 데이터를 실시간으로 수집·분석하는 지능형 공장을 의미합니다. 반면 중소 제조기업은 작업자가 수기로 기록하거나, 설비별 데이터 형식이 제각각이거나, 품질 문제의 원인이 제대로 라벨링되지 않은 경우가 흔합니다. 이런 상태에서 AI 모델을 올리면 결과의 신뢰도가 떨어질 수밖에 없습니다.

중기부가 기정원을 통해 데이터 품질 검증을 함께 지원한다고 밝힌 건 이런 맥락에서 의미 있는 부분입니다. 단순히 AI 모델 개발비를 지원하는 게 아니라, 데이터를 정제하고 표준화하는 과정을 함께 챙기겠다는 뜻이니까요. 하지만 6개월이라는 실증 기간이 데이터 수집 체계까지 바로잡기에 충분한지는 솔직히 의문입니다.

또 하나 중요한 건 작업자 수용성입니다. AI가 "지금 품질 위험이 있습니다"라고 알려줘도, 현장 작업자가 그 판단을 신뢰하지 않으면 무용지물입니다. 특히 숙련된 작업자는 오랜 경험을 바탕으로 AI와 다른 판단을 내릴 수도 있습니다. 이런 경우 AI의 판단과 현장 판단이 충돌할 때 어떤 기준으로 의사결정을 내려야 하는지, 책임은 누구에게 있는지 같은 운영 기준도 함께 설계돼야 한다고 생각합니다. 제 경험상 기술 자체보다 "이걸 실제로 쓸 사람이 믿을 수 있는가"가 훨씬 더 어려운 문제입니다.

중소벤처기업부 자료에 따르면 국내 중소 제조기업의 스마트화 수준은 대기업 대비 여전히 크게 낮은 것으로 나타나고 있습니다(출처: 중소벤처기업부). AI 에이전트 도입 이전에 기초 데이터 인프라 구축이 선행되지 않으면, 기술 투자가 성과로 연결되기 어렵다는 뜻입니다.

요약: 제조 AI의 성공은 기술보다 데이터 품질과 작업자 수용성에 달려 있으며, 중소 현장의 데이터 인프라 격차가 이번 실증의 핵심 변수입니다.

6개월 뒤, 진짜 평가는 현장에 남아 있는 AI로 합니다

이번 프로젝트가 단순한 정부 과제로 끝나지 않으려면 평가 기준부터 바꿔야 한다고 생각합니다. "AI를 적용했다"는 결과물이 아니라, 불량률이 실제로 줄었는지, 작업자가 계속 사용하는지, 지원이 끊겨도 기업이 자체 비용으로 운영할 의향이 있는지로 봐야 합니다.

AX(AI Transformation)라는 개념이 요즘 자주 쓰이는데, AX란 기업의 업무 방식과 의사결정 구조 자체를 AI 중심으로 전환하는 것을 의미합니다. 단순히 AI 툴을 하나 도입하는 디지털화(Digitalization)와는 다릅니다. 진짜 AX가 일어나려면 현장 작업자의 루틴이 바뀌고, 관리자의 판단 방식이 바뀌어야 합니다. 이번 6개월 실증에서 그 변화의 씨앗을 심을 수 있을지가 관건입니다.

제가 이번 프로젝트를 긍정적으로 보는 이유는 딱 하나입니다. 실험실이 아니라 실제 공장에서 실제 생산 데이터로 검증한다는 것입니다. 아무리 좋은 AI 모델도 현장 데이터를 못 버티면 의미가 없습니다. 반대로, 6개월 실증을 통해 현장에서 쓸 수 있다는 게 증명된다면 식품과 뷰티를 넘어 자동차부품, 금속가공까지 확산될 수 있는 실질적인 근거가 생깁니다.

권순재 중기부 지역기업정책관도 "식품·뷰티를 비롯해 자동차부품, 금속가공 등 주요 제조 분야로 성과를 확산하겠다"고 밝혔습니다. 방향은 맞습니다. 다만 확산의 조건은 성공한 실증이고, 성공의 조건은 데이터와 현장 수용성입니다. 그게 갖춰지지 않으면 과제가 끝난 뒤 공장 어딘가에 서버만 남는 결과가 될 수 있습니다. 저는 6개월 뒤 이 프로젝트의 현장 성과가 어떻게 나올지 꽤 주의 깊게 지켜볼 생각입니다.

요약: 실증의 진짜 성공 기준은 AI 적용 여부가 아니라 불량률 감소·작업자 지속 사용·자립 운영 가능성이며, 6개월 뒤 현장 데이터가 이 프로젝트의 진짜 성적표입니다.

중소 제조현장에 AI 에이전트를 도입하는 방향 자체는 필요하고 타당합니다. 숙련자 고령화, 인력 부족, 품질 편차 같은 문제를 기술로 보완할 수 있다면 중소 제조기업의 경쟁력 격차를 줄이는 데 실질적인 도움이 됩니다. 다만 화려한 기술 발표보다, 6개월 실증이 끝난 뒤 "이 공장에서는 지금도 AI가 돌아가고 있다"는 말이 나와야 진짜 성공입니다. 제조 AI에 관심 있다면 이번 12개 과제의 진행 경과를 따라가 보는 것도 좋을 것 같습니다.

참고: https://n.news.naver.com/mnews/article/421/0009029143