네이버클라우드, 제조 AX는 모델보다 데이터가 먼저라고 못 박음

• 네이버클라우드가 제조업 AI 전환(AX)에서 제일 중요한 건 모델이 아니라 데이터라고 짚음

  • 엑사원, 하이퍼클로바, 글로벌 빅테크 모델처럼 성능 좋은 AI를 가져와도 현장에서 쓸 수 있는 데이터가 없으면 효과를 기대하기 어렵다는 얘기임
  • 발표는 서울 코엑스에서 열린 제조AX 컨퍼런스에서 나왔고, 주제는 스마트 공장을 넘어 AI 팩토리로 가는 전략이었음

• 핵심 병목은 제조 현장 데이터가 AI가 이해할 수 있는 형태로 정리돼 있지 않다는 점임

  • 현장에는 설비 로그, 센서 데이터, 작업일지, 품질 검사 기록 같은 데이터가 많음
  • 문제는 이 데이터가 문서화되지 않았거나, 디지털화되지 않았거나, 기록은 있어도 AI 학습·추론에 바로 쓰기 어려운 형태라는 것임
  • 직원 머릿속에 있는 도메인 노하우도 큰 자산이지만, 그게 데이터로 구조화되지 않으면 AI 입장에서는 없는 거나 마찬가지임

• PoC에서 잘 됐다고 실제 공장에서도 잘 된다는 보장은 없음

  • 기술검증(PoC) 단계에서는 통제된 조건과 잘 선별된 데이터만 쓰니까 AI가 꽤 그럴듯하게 돌아갈 수 있음
  • 하지만 실제 운영 환경에 들어가면 변수도 많고, 기존 레거시 시스템과 연결해야 해서 난도가 확 올라감
  • 그래서 네이버클라우드는 먼저 우리 회사에 어떤 데이터가 있고, 그 데이터가 AI에 쓸 수 있는 수준인지부터 파악해야 한다고 봄

• 조직 쪽에서도 꽤 현실적인 얘기가 나옴

  • AX 추진 인력은 현업 도메인을 잘 알아야 하고, 동시에 실제 의사결정을 움직일 수 있는 권한이나 후원을 받아야 함
  • AI 기술을 잘 모르는 현업만으로도 어렵고, 현장을 모르는 기술 조직만으로도 어렵다는 뜻임
  • 박용선 네이버클라우드 이사는 C레벨이나 대표급 스폰서십이 필요하다고 봤음

• 맥킨지 조사 수치도 흥미로움

  • 시니어 리더가 기업 내 AI 도입을 직접 챙긴 경우, 그렇지 않은 기업보다 3배 높은 성과를 냈다고 알려짐
  • 제조 AI가 단순한 솔루션 구매가 아니라 조직 운영 방식까지 건드리는 프로젝트라는 걸 보여주는 숫자임

• 외부 벤더에 맡기더라도 내부 역량을 같이 쌓아야 한다는 메시지도 있음

  • 초기에는 외부 벤더 도움을 받을 수밖에 없더라도 내부 담당자가 PoC와 도입 과정에 적극 참여해야 함
  • 그래야 기술이 회사 안에 남고, 나중에 내부 운영과 확장 단계로 넘어갈 수 있음
  • 오너십을 가진 담당 부서를 명확히 정하고, 없다면 내부에서 키워야 한다는 말까지 나옴

• 제조업계 흐름 자체는 이미 단순 자동화를 넘어 AI 기반 생산성·품질 개선으로 넘어가는 중임

  • 삼성전자, 현대자동차, LG전자 같은 국내 주요 제조 기업도 생산 공정, 품질 관리, 설비 운영에 AI 적용 사례를 늘리고 있음
  • 결국 경쟁 포인트는 누가 더 유명한 모델을 쓰느냐가 아니라, 누가 현장 데이터를 더 빨리 AI용 자산으로 바꾸느냐에 가까워지는 분위기임

---

기술 맥락

• 제조 AX에서 모델보다 데이터가 먼저라는 말은 꽤 실무적인 얘기예요. 공장에는 센서값, 설비 로그, 검사 기록이 많지만, 형식과 의미가 제각각이면 모델이 바로 활용하기 어렵거든요.

• PoC가 함정이 되는 이유도 여기에 있어요. 검증 단계에서는 깨끗한 샘플 데이터만 넣고 돌리니까 좋아 보이는데, 실제 운영에서는 결측값, 예외 케이스, 오래된 시스템 연동 문제가 한꺼번에 나와요.

• 그래서 이 기사에서 말하는 선택은 더 큰 모델을 사오는 게 아니라, 먼저 데이터를 정제하고 표준화하고 구조화하는 쪽이에요. 이 과정이 있어야 학습, 평가, 현업 투입이 같은 흐름으로 이어질 수 있어요.

• 조직 설계도 기술만큼 중요해요. 현장을 모르는 AI팀은 문제를 잘못 정의하기 쉽고, 권한 없는 현업 담당자는 도입을 밀어붙이기 어렵거든요. 시니어 리더가 직접 챙긴 기업의 성과가 3배 높았다는 수치가 괜히 나온 게 아니에요.