--- title: "제조업 인공지능, 결국 데이터와 현장 사람이 승부처라는 얘기" published: 2026-05-26T21:01:01.875Z canonical: https://jeff.news/article/3255 --- # 제조업 인공지능, 결국 데이터와 현장 사람이 승부처라는 얘기 조지아공대 토마스 커퍼스 교수가 제조업에서 인공지능보다 중요한 건 데이터를 제대로 모으고 현장 경험과 결합하는 일이라고 강조했다. 금속 3D 프린팅의 23개 이상 변수, 8달러 마이크로폰을 활용한 회전 속도 최적화, 통계 분석만으로 생산 시간 17%를 줄인 사례가 함께 소개됐다. ## “인공지능이 일자리를 뺏는다”보다 더 현실적인 말 - 토마스 커퍼스 조지아공대 석좌교수의 메시지는 꽤 직설적임. 일자리를 빼앗는 건 인공지능 자체가 아니라, 인공지능을 쓸 줄 아는 사람이라는 것 - 26일 인천 송도 컨벤시아에서 열린 2026 밸류팩처링 국제학술대회 기조강연에서 나온 말임 - 커퍼스 교수는 조지아공대 제조 연구소를 이끌고, 제조·에너지·국방 분야 인공지능 기반 첨단 제조 기술을 연구함 - 결론은 “인공지능은 데이터 처리, 사람은 창의성과 경험”이라는 구도임 - 제조업에서 인공지능은 버튼 누르면 알아서 공장이 똑똑해지는 마법이 아님 - 금속 3D 프린팅만 봐도 레이저로 금속 분말을 녹여 층층이 쌓는 과정에 독립 변수가 23개 이상 존재함 - 사람이 모든 변수를 동시에 최적화하기는 사실상 어려움 - 대신 인공지능이 방대한 데이터를 처리하고, 사람이 어떤 변수가 진짜 중요한지 해석하는 방식이 필요함 > [!IMPORTANT] > 제조업 인공지능의 핵심은 “모델을 샀느냐”가 아니라 “좋은 질문을 던질 만큼 데이터와 공정을 이해하느냐”에 가까움. 데이터가 빈약하면 최신 모델도 헛발질함. ## 데이터가 없으면 질문부터 틀릴 수 있음 - 커퍼스 교수가 든 사례가 재밌음. 어떤 회사가 인공지능으로 불량품을 골라내고 싶어 했는데, 불량률이 백만 분의 일이었음 - 백만 개 중 하나꼴이면 불량 데이터가 너무 적어서 학습이 어려움 - 이 경우 “불량품을 찾자”가 아니라 “좋은 부품을 인공지능이 골라내고, 애매한 것만 전문가에게 넘기자”가 더 맞는 질문임 - 구글 맵도 틀린 길을 알려줄 수 있듯, 인공지능도 완벽하지 않다는 전제가 필요함 - 제조 현장의 첫 장벽은 거창한 모델이 아니라 데이터 수집과 저장임 - 아직도 많은 기업이 측정값을 엑셀에 직접 입력한다고 지적함 - 블루투스로 측정값이 자동 입력되는 디지털 캘리퍼스 하나만 도입해도 입력 오류와 시간을 줄일 수 있음 - 마트 계산원이 번호를 직접 치다가 바코드 스캔으로 바뀐 것과 같은 변화가 제조 현장에도 필요하다는 비유가 나옴 - 데이터 체계가 갖춰지면 기대할 수 있는 효과도 구체적으로 언급됨 - 커퍼스 교수는 약 10~15% 수준의 노력 절감 효과를 기대할 수 있다고 말함 - 이건 대규모 공장 자동화 이전에, 기본적인 데이터 흐름만 정리해도 나올 수 있는 숫자에 가까움 ## 비싼 장비보다 문제 정의가 먼저임 - 커퍼스 교수팀은 8달러, 약 1만2000원짜리 마이크로폰으로 기계 소리를 분석해 최적 회전 속도 구간을 찾아냈음 - 기계가 심하게 떨리면 보통 공장은 속도를 줄임 - 그런데 소리 분석으로 떨림이 발생하는 구간을 파악한 뒤, 오히려 속도를 높여 그 구간을 빠져나가는 방식으로 생산성을 올림 - 비싼 센서와 장비가 없어도 관찰 지점이 좋으면 답이 나올 수 있다는 사례임 - 항공기 엔진 터빈 블레이드 제조사와 협력한 사례도 비슷함 - 통계 분석만으로 생산 시간을 17% 줄임 - 블레이드 제작 시간 자체는 안정적이었지만, 블레이드마다 공구 세트가 달라 교체 시간 편차가 컸음 - 비슷한 공구를 쓰는 블레이드끼리 묶어 작업 순서를 조정한 게 핵심이었음 > [!TIP] > 제조 인공지능 도입을 고민한다면 처음부터 고급 알고리즘으로 갈 필요는 없음. 데이터 입력 자동화, 공구 교체 시간 분석, 소리 기반 이상 징후 탐지처럼 작은 문제부터 잡는 쪽이 더 현실적임. ## 한국 제조업에는 중소 공급망 문제가 같이 붙어 있음 - 커퍼스 교수는 기술이 대기업에만 머물면 의미가 작다고 봄 - 현대나 삼성 같은 대기업은 이미 잘하고 있음 - 문제는 텔레비전 나사를 만드는 직원 다섯 명짜리 회사에도 첨단 기술이 닿아야 한다는 점임 - 그는 이를 제조업의 민주화라고 표현함 - 한국과의 협력도 이 맥락에서 설명됨 - 조지아공대와 한국생산기술연구원은 지난해 업무협약을 맺음 - 조지아공대에는 한국인 교수진과 한국 관련 연구 네트워크가 이미 있음 - 현대자동차가 미국 사바나에 새 공장을 열었고, 조지아공대 졸업생도 다수 근무 중이라고 언급함 - 현대차 사바나 공장 사례는 제조 방식 변화의 상징처럼 소개됨 - 기존 컨베이어 벨트 대신 자율이동로봇으로 부품을 운반하는 첨단 기술을 도입함 - 이런 기술은 대기업 내부에서 끝나면 공급망 전체 혁신으로 이어지기 어려움 - 엔지니어링 지원이 부족한 중소기업일수록 외부 기술 협력이 더 절실하다는 지적이 나옴 - ICV2026 자체도 제조업의 방향 전환을 강조하는 행사임 - 생기원이 주관하는 첫 국제학술대회고, 26일부터 28일까지 사흘간 열림 - 밸류팩처링은 가치와 제조를 결합한 말로, 생산성 중심 제조에서 경제·사회적 가치 중심 제조로 가자는 의미임 - 첫 행사인데도 15개국에서 136편의 초록이 접수됨 --- ## 기술 맥락 - 커퍼스 교수가 말한 핵심 선택은 “인공지능으로 모든 걸 자동화하자”가 아니에요. 제조 공정은 변수도 많고 예외도 많아서, 현장 경험 없이 모델만 던지면 답이 이상해질 수 있거든요. 그래서 인공지능은 데이터를 넓게 보고, 사람은 어떤 방향이 맞는지 판단하는 증강 지능 구조가 더 현실적이에요. - 불량률 백만 분의 일 사례가 중요한 이유는 데이터 분포 때문이에요. 불량 데이터가 거의 없으면 모델이 배울 예시가 부족해요. 그래서 불량을 직접 찾는 대신 정상 제품을 걸러내고 애매한 케이스를 사람에게 넘기는 방식으로 문제를 다시 정의한 거예요. - 8달러 마이크로폰 사례는 센서 예산보다 측정 포인트가 중요하다는 걸 보여줘요. 기계 진동을 비싼 장비로만 봐야 한다고 생각하기 쉽지만, 소리에도 회전 상태 정보가 담겨 있거든요. 현장의 물리적 특성을 이해하면 싼 데이터 소스도 꽤 강력해져요. - 터빈 블레이드 생산 시간 17% 절감은 고급 인공지능보다 운영 데이터 분석에 가까워요. 제작 시간이 아니라 공구 교체 시간이 병목이라는 걸 찾았고, 비슷한 공구를 쓰는 작업끼리 묶었어요. 알고리즘이 복잡하지 않아도 병목을 제대로 잡으면 효과가 크게 나올 수 있어요. - 한국 제조업에 이 얘기가 중요한 건 공급망 때문이에요. 대기업 공장만 똑똑해져도 부품 협력사가 엑셀과 수기 입력에 머물면 전체 속도가 맞지 않아요. 중소 제조사가 쓸 수 있는 작은 자동화와 데이터 수집부터 깔려야 인공지능 도입도 실제 효과를 내요. ## 핵심 포인트 - 제조업 인공지능의 핵심은 자동화가 아니라 사람과 인공지능의 협업 - 불량률이 백만 분의 일인 문제는 학습 데이터가 부족해 질문 자체를 바꿔야 함 - 8달러 마이크로폰으로 기계 소리를 분석해 최적 회전 속도 구간을 찾은 사례 제시 - 터빈 블레이드 제조에서 작업 순서 조정만으로 생산 시간 17% 절감 - 한국 중소 제조기업까지 기술 협력이 확산돼야 한다는 문제의식 ## 인사이트 제조 인공지능은 거창한 모델보다 데이터 수집 습관, 공정 지식, 문제 정의가 먼저라는 얘기다. 한국 제조업에는 꽤 현실적인 메시지인데, 특히 중소 협력사까지 디지털화하지 못하면 대기업만 똑똑해지는 구조가 될 수 있다.