Smart Factory 에서 Dark Factory 로: 현실적인 전환 로드맵

TECH CONTRIBUTION SERIES ⑥ — SMART FACTORY → DARK FACTORY

공장 전체를 한 번에 무인화하지 않고, 데이터·예측·가이드·제어를 성과가 검증되는 순서로 확장한다

3초 요약

1. Dark Factory 는 단계적 전환이다 / 데이터 기반 → 검사 자동화 → 예측 → Guidance → 제한 자율 → 다공정 자율로 확장한다.
2. 첫 PoC 는 효과와 통제가 모두 명확해야 한다 / 반복 손실이 크고 데이터가 있으며 조정 변수와 안전 범위를 정의할 수 있는 공정을 고른다.
3. 성과는 운영 KPI 로 증명한다 / 정확도뿐 아니라 불량률·Cycle Time·개입 횟수·에너지·OEE·회수기간을 함께 관리한다.

Dark Factory 는 완성품이 아니라 전환 과정이다

많은 기업이 Smart Factory 를 추진하며 설비 연결, MES·SCADA, 센서, 대시보드와 자동화 설비를 구축했다. Dark Factory 전환은 이 자산을 폐기하고 새로운 공장을 만드는 프로젝트가 아니다. 현재 확보된 데이터와 제어 시스템 위에 AI 영상해석, 공정 예측, AI Guidance 와 AI Agent 를 단계적으로 추가해 사람의 반복적인 판단과 조작을 줄이는 과정이다.

처음부터 공장 전체를 대상으로 하면 데이터 품질, 설비 연동, 조직 역할과 안전 검증이 동시에 복잡해진다. 반대로 한 개 공정에서 명확한 KPI 를 만들고 데이터·모델·실행 구조를 표준화하면 다른 라인과 공정으로 복제할 수 있다. 따라서 전환 로드맵의 핵심은 기술 목록이 아니라 순서와 승격 기준이다.

그림 1. 데이터 연결에서 다공정 자율 운영까지의 6 단계 전환 모델 출처: 아이티브 AI 재구성

1 단계: 데이터가 제품과 공정 단위로 연결되어야 한다

설비 데이터가 많아도 시간과 제품 ID 가 맞지 않으면 품질 원인을 추적하기 어렵다. 첫 단계에서는 PLC·센서·카메라·MES·검사기·작업 이력을 동일한 시간축과 제품·Lot·설비 ID 로 연결해야 한다. 결측률, 수집 주기, 단위, 센서 교정, 데이터 지연을 표준화하고 변경 이력을 관리한다.

이 단계의 성과는 대시보드 화면 수가 아니라 데이터 사용 가능성으로 평가한다. 주요 변수 수집률, 제품 ID 매칭률, 데이터 지연, 결측 복구 시간과 같은 지표를 관리해야 이후 AI 모델이 현장과 동일한 정보를 사용한다.

2 단계: 품질과 설비 상태를 자동으로 정량화한다

사람이 눈으로 판단하던 외관, 형상, 온도, 설비 상태를 2D·2.5D·3D·열화상·센서 데이터로 전환한다. 검사 결과는 OK/NG 뿐 아니라 결함 위치, 크기, 높이, 온도, 이상 점수와 원본 이력을 포함해야 한다. 동일한 기준으로 반복 측정할 수 있어야 공정별 품질 편차와 개선 효과를 비교할 수 있다.

3 단계: 결과가 발생하기 전에 품질과 설비 상태를 예측한다

과거와 현재 공정 데이터로 미래 품질, 불량 가능성, 설비 이상과 에너지 사용량을 추론한다. 예측 대상과 선행시간, 데이터 누출, 제품·기간별 재현성을 검증한다. 이 단계에서는 모델 정확도와 함께 결과가 실제 조정 가능한 시점 전에 도착하는지 확인해야 한다.

4 단계: AI Guidance 가 최적 조건과 작업을 제시한다

예측값과 목표 규격의 차이를 계산하고, 변경 가능한 변수와 제약조건을 고려해 감량·유지·증량 또는 구체적인 추천값을 제시한다. 초기에는 작업자가 추천을 승인하고 결과를 기록한다. 추천 사용률, 승인율, 조정 후 품질 개선과 작업자별 편차 감소를 검증한다.

5 단계: 안전 범위 안에서 제한적 자율 제어를 시작한다

반복성이 높고 위험 범위가 명확한 조건부터 자동 제어한다. AI 명령은 정책 엔진과 인터록을 통과하고, 설비별 허용 범위와 제품 규격, 사용자 권한을 확인한 뒤 실행한다. 통신 장애, 모델 신뢰도 저하, 센서 오류가 발생하면 권고 모드 또는 수동 운전으로 복귀한다

6 단계: 복수 공정과 목표를 연결해 자율 운영한다

한 공정의 최적 조건이 다음 공정의 품질이나 에너지에 불리할 수 있다. 다공정 자율화에서는 품질·생산량·납기·에너지·설비 수명을 동시에 고려하고, 공정 사이의 시간 지연과 재공품 흐름을 반영한다. 사람은 목표와 정책, 안전 한계, 예외와 투자 우선순위를 관리한다.

선도 공장은 단일 기술이 아니라 복수 KPI 를 동시에 개선한다

World Economic Forum 의 2025 년 9 월 신규 Lighthouse 코호트는 평균적으로 노동 생산성 40% 향상, 리드타임 48% 감소를 기록했다. AI 와 생성형 AI 가 적용된 주요 활용사례는 제품 결함 41%, 에너지 소비 28%, Cycle Time 44% 감소와 같은 성과를 보였다.¹

그림 2. 신규 Global Lighthouse 생산시설의 평균 개선 성과 출처: World Economic Forum, 2025 원문 링크

이 결과는 특정 기술 하나를 도입하면 동일한 성과가 발생한다는 의미가 아니다. Lighthouse 는 보통 10~30 개 이상의 활용사례와 조직·운영 혁신을 함께 적용하며, 여러 KPI 에서 검증된 영향을 기준으로 평가된다.² 따라서 Dark Factory 전환도 카메라, AI 모델, 로봇 한 대를 구매하는 방식이 아니라 반복 가능한 운영 능력을 구축하는 방식으로 접근해야 한다.

첫 PoC 공정은 기술 난이도보다 사업성과 통제 가능성으로 선정한다

합계가 높은 공정이 항상 가장 쉬운 공정은 아니다. 그러나 경제적 효과와 데이터, 실행 가능성이 함께 높으면 PoC 이후 운영 전환 가능성이 크다. 반대로 데이터는 많지만 조정 변수가 없거나 결과가 수개월 뒤에 확인되는 공정은 분석 프로젝트로 끝날 가능성이 높다.

PoC 는 90 일 분석이 아니라 운영 승격 과정으로 설계한다

기간은 공정과 데이터 조건에 따라 달라질 수 있다. 중요한 것은 모델 개발 완료를 PoC 종료로 보지 않는 것이다. Shadow 운영에서 실제 데이터 지연과 작업자 사용성을 확인하고, 추천값의 승인·실행 결과를 축적한 뒤 자동 제어 권한을 확대해야 한다.

성과지표는 기술·운영·재무·안전을 함께 본다

조직은 데이터팀과 현장팀을 분리하지 않아야 한다

Dark Factory 는 AI 팀만의 프로젝트가 아니다. 생산은 목표와 제약조건을 정의하고, 품질은 규격과 검증 기준을 설정하며, 설비·제어팀은 PLC·인터록·복구 절차를 설계한다. IT·데이터팀은 수집·저장·권한·모델 운영을 담당하고, 안전 담당자는 자동화 권한과 위험 평가를 검토한다.

각 역할이 분리되어 순차적으로 전달되면 데이터 의미와 현장 제약이 뒤늦게 발견된다. PoC 초기부터 공정 책임자, 작업자, 품질, 설비·제어, AI 개발자가 같은 KPI 와 데이터 정의를 공유해야 한다. 모델 성능 검토와 현장 운영 검토를 별도의 승인 게이트로 운영하는 것도 효과적이다.

확장은 모델 복제가 아니라 운영 자산의 재사용이다

그림 3. Global Lighthouse Network 의 2026 년 규모와 AI 활용 비중 출처: World Economic Forum, 2026 원문 링크

World Economic Forum 은 2026 년 6 월 기준 네트워크가 238 개 생산시설과 1,200 개 이상의 검증된 활용사례로 확대됐다고 설명한다.³ 선도기업의 공통점은 활용사례를 일회성 프로젝트로 두지 않고 데이터 모델, KPI, 사용자 화면, 연동 함수, 교육과 운영 절차를 재사용 가능한 자산으로 만든다는 점이다.

한 라인에서 성공한 모델을 다른 라인에 그대로 복사하면 설비와 제품 조건 차이로 실패할 수 있다. 대신 데이터 스키마, 카메라·센서 선정 절차, 모델 검증 방법, API 와 PLC 인터페이스, 권한·감사 정책을 표준화하고 현장별 파라미터와 모델만 재검증하는 방식이 필요하다.

아이티브 AI 가 연결하는 Dark Factory 기술 스택

아이티브 AI 가 지향하는 Dark Factory 는 카메라나 AI 모델 하나를 공급하는 방식이 아니다. 현장의 상태를 정확히 정량화하고, 공정 결과를 예측하며, 작업자와 설비가 사용할 수 있는 가이드와 명령으로 변환하고, 실행 결과를 다시 학습하는 전체 흐름을 구축하는 것이다.

핵심 결론

Smart Factory 가 공장을 연결하고 보이게 했다면, Dark Factory 는 연결된 데이터를 예측·판단·실행으로 전환한다. 성공적인 전환은 무인화 선언이 아니라 작은 공정에서 검증된 Closed-loop 운영 능력을 단계적으로 복제하는 과정이다.

글을 마치며

김민엽

|

아이티브 AI Smart X 사업부장

E-mail

minyeop@itivai.com

"Dark Factory 는 미래의 거대한 공장 프로젝트가 아니라 현재 현장에서 반복되는 한 가지 판단을 데이터와 AI 로 표준화하는 것에서 시작됩니다. 효과가 크고 안전 범위가 명확한 공정부터 감지·예측·가이드·실행을 연결하고, 검증된 운영 자산을 다른 라인으로 확장해야 합니다. 아이티브 AI 는 이 전환을 현장의 데이터를 실행 가능한 지능으로 바꾸는 과정으로 정의합니다."

참고자료 및 출처

본문의 외부 수치와 사례는 기관·기업의 공식 공개자료 및 제공된 제품 브로셔를 기준으로 정리했습니다. 직접 제작한 그래프와 도식은 원문의 수치 또는 기술 구조를 아이티브 AI 가 시각적으로 재구성한 것입니다.

참고문헌

• NIST, “2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing”. 참고 내용: AI 제조의 효율성·적응성·자율성, 통합·신뢰성·안전 과제와 기술 로드맵. 링크
• NIST, “Operations-driven Performance Measurement for Smart Manufacturing Systems”. 참고 내용: 스마트 제조 성과 측정과 생산성·품질·지속가능성 KPI 의 중요성. 링크
• NIST, “SP 800-82 Rev. 3: Guide to Operational Technology Security”. 참고 내용: 자율 제어 확대 시 OT 성능·신뢰성·안전 요구와 보안 원칙. 링크
• 아이티브 AI, 「AI 솔루션 소개」. 참고 내용: 아이티브 CAM·AI Guidance·AI Agent 를 통한 데이터 수집·예측·가이드·실행 연결. 링크

※ 6 단계 로드맵, PoC 점수표와 기간은 기술 도입 방향을 설명하기 위한 예시입니다. 실제 일정과 승격 기준은 공정 위험도, 데이터 준비도와 고객 운영 규정에 따라 달라집니다.