---
title: "네이버클라우드, 제조 AX는 모델보다 데이터가 먼저라고 못 박음"
published: 2026-06-11T08:05:05.702Z
canonical: https://jeff.news/article/4040
---
# 네이버클라우드, 제조 AX는 모델보다 데이터가 먼저라고 못 박음

네이버클라우드는 제조업 AI 전환의 핵심이 더 좋은 모델이 아니라 현장에서 AI가 먹을 수 있는 데이터라고 봤다. 설비 로그, 센서 데이터, 작업일지, 품질 검사 기록은 많지만, 비정형·미정제 상태라면 PoC를 넘어 실제 운영 환경에 들어가기 어렵다는 얘기다. 맥킨지 조사처럼 시니어 리더가 직접 AI 도입을 챙기면 성과가 3배 높다는 점도 함께 강조됐다.

- 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

> [!IMPORTANT]
> 제조 AI의 순서는 모델 도입이 아니라 데이터 점검, 정제, 표준화, 구조화가 먼저임. 그다음에야 학습, 평가, 현업 투입으로 넘어갈 수 있음.

- 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.

## 핵심 포인트

- 제조 AI 성공의 병목은 모델 성능보다 데이터 정제·표준화·구조화에 있음
- PoC에서는 잘 되던 AI도 레거시 시스템과 실제 현장 변수 앞에서 쉽게 막힐 수 있음
- AX 추진 조직은 현업 도메인 이해와 의사결정 권한을 동시에 가져야 함
- 시니어 리더가 AI 도입을 직접 챙긴 기업은 성과가 3배 높다는 조사 결과가 있음

## 인사이트

제조 AI 얘기에서 모델 이름만 보는 건 이제 좀 낡은 관점임. 현장 노하우와 레거시 데이터를 AI가 처리 가능한 형태로 바꾸는 작업이 없으면, 아무리 좋은 모델을 붙여도 데모 이상의 결과가 나오기 어렵다.