TECH CONTRIBUTION SERIES ① — SMART FACTORY → DARK FACTORY

Smart Factory는 무엇을 바꾸었고, 무엇을 남겨두었는가

연결된 공장에서 스스로 판단하는 공장으로

3초 요약

1. 연결과 가시화의 기반 구축 / 설비·센서·생산시스템의 데이터를 실시간으로 수집하고 생산 현장을 보이게 했다.
2. 판단의 병목은 여전히 사람 / 이상 원인 해석, 미래 품질 예측, 공정 조건 변경은 숙련자의 경험에 의존한다.
3. 다음 경쟁력은 실행 전환 / 데이터를 예측·판단·실행으로 연결해 대응 시간과 판단 편차를 줄여야 한다.

Smart Factory는 왜 필요했는가

제조 현장은 본질적으로 변동이 큰 시스템이다. 같은 설비와 같은 작업표준을 사용하더라도 원재료 특성, 주변 온도, 설비 마모, 작업 순서, 생산 속도와 같은 조건이 달라지면 품질과 생산성이 함께 흔들린다. 과거에는 이러한 변동을 작업자의 경험과 사후 검사로 관리했지만, 제품 종류가 늘고 납기가 짧아질수록 사람의 관찰만으로 전체 공정을 안정적으로 관리하기 어려워졌다.

Smart Factory가 등장한 이유는 이 복잡성을 데이터로 다루기 위해서다. 설비의 PLC, 센서, 카메라, MES, SCADA, 품질시스템에서 발생하는 정보를 연결하면 생산량과 불량률을 빠르게 확인할 수 있고, 문제가 발생한 시점과 조건을 역추적할 수 있다. NIST는 Smart Manufacturing을 다양한 제조 공정에서 수집한 데이터를 의사결정에 활용할 수 있는 지식으로 전환하는 시스템으로 설명한다.¹

이 정의에서 중요한 단어는 단순한 "데이터 수집"이 아니라 "의사결정"이다. Smart Factory는 데이터를 모으는 기반을 만들었지만, 실제 현장에서는 데이터가 판단과 실행으로 연결되는 마지막 구간이 충분히 자동화되지 않은 경우가 많다. 이 지점이 Smart Factory와 다음 단계의 자율 제조를 구분한다.

Smart Factory가 만든 세 가지 기반

1. 연결성 / 설비·센서·생산시스템의 정보를 한곳에서 조회하고, 공정 간 데이터를 시간과 제품 단위로 연결할 수 있게 됐다.
2. 가시성 / 생산량, 품질, 설비 상태, 에너지 사용량과 같은 KPI를 실시간 또는 짧은 주기로 확인할 수 있게 됐다.
3. 추적성과 표준화 / 작업 이력과 판단 근거가 데이터로 남으면서 공정 비교, 불량 원인 추적, 개선 효과 검증의 기반이 마련됐다.

연결과 가시화가 만든 실제 성과

Smart Factory의 성과는 단순히 대시보드를 구축했다는 사실이 아니라, 데이터를 현장의 운영 방식과 결합했을 때 나타난다. World Economic Forum이 2025년 발표한 신규 Global Lighthouse 생산시설은 AI, 머신러닝, 고급 분석과 같은 디지털 기술을 대규모로 적용해 평균 53%의 노동생산성 향상과 26%의 전환비용 감소를 기록했다. 신제품 도입기간은 50%, 자재 폐기물은 30%, 에너지·용수 사용량은 평균 25% 감소했다.²

그림 1. 2025년 신규 Global Lighthouse 생산시설의 평균 개선 성과 — 출처: World Economic Forum, 2025

숫자가 보여주는 것은 "기술 도입"보다 "운영 전환"이다

위 수치는 모든 Smart Factory가 동일한 성과를 낸다는 의미가 아니다. Global Lighthouse는 디지털 전환을 실제 생산성과 품질 개선으로 확장한 선도 생산시설을 대상으로 한다. 따라서 이 결과는 일반 제조업 평균이라기보다, 데이터와 자동화 기술을 공정 운영에 끝까지 연결했을 때 도달할 수 있는 수준을 보여주는 사례에 가깝다.

성과가 큰 생산시설은 대개 한 가지 기술만 도입하지 않았다. 설비 데이터를 수집하고, AI로 이상과 품질을 분석하며, 작업표준과 제어 조건을 함께 바꾸었다. 즉, 센서 설치나 대시보드 구축이 출발점이었다면, 실제 성과는 데이터가 작업자의 판단과 설비 동작을 바꾸는 지점에서 발생했다.

Smart Factory가 현장에 남긴 운영 자산

이 네 가지 자산은 Dark Factory를 새로 만드는 재료이기도 하다. 자율 제조는 기존 Smart Factory를 폐기하고 처음부터 다시 구축하는 방식이 아니라, 이미 연결된 데이터와 시스템 위에 예측·판단·실행 기능을 단계적으로 추가하는 방식으로 접근해야 한다.

공장이 보이는데도 대응이 늦는 이유

현장에서 자주 발생하는 문제는 "데이터가 없다"가 아니라 "데이터가 행동으로 바뀌는 시간이 길다"는 것이다. 설비 이상이 대시보드에 표시되더라도 작업자가 화면을 확인하고, 여러 시스템에서 관련 데이터를 찾고, 원인을 해석하고, 관리자 승인을 받아 조건을 변경해야 한다면 대응은 여전히 사람의 속도에 의해 결정된다.

NIST는 제조 데이터 분석 도구를 도입한 기업이 실행 가능한 결과를 너무 늦게 얻어 실제 영향으로 연결하지 못하는 경우가 있다고 설명한다. 또한 데이터 분석 도구와 데이터 수집 시스템, 의사결정 지원 시스템을 통합하는 것이 주요 기술 장벽이라고 지적한다.³ 이는 분석 정확도만 높여서는 충분하지 않으며, 분석 결과가 언제 어떤 시스템으로 전달되고 누가 실행하는지까지 설계해야 함을 의미한다.

그림 2. 일반적인 Smart Factory에서 발생하는 데이터-행동 간 병목 — 출처: 아이티브 AI 재구성

Smart Factory 이후에도 남는 네 가지 병목

숙련자의 판단은 중요하지만, 확장하기 어렵다

숙련자의 경험이 잘못되었다는 의미는 아니다. 오히려 복잡한 공정에서 숙련자는 수많은 변수와 예외를 빠르게 종합해 대응한다. 문제는 이 판단 과정이 개인에게 집중될 때 조직 전체로 복제하기 어렵다는 점이다. 교대조와 근무경력에 따라 결과가 달라지고, 숙련자가 부재한 시간에는 대응이 늦어질 수 있다.

또한 공정 변수가 수십 개 이상으로 늘어나면 사람이 모든 조합과 시간 지연 효과를 동시에 고려하기 어렵다. 따라서 다음 단계의 제조 AI는 숙련자의 지식을 없애는 것이 아니라, 판단 기준을 데이터로 구조화하고 반복 가능한 형태로 확장해야 한다. 사람은 목표와 안전 범위를 관리하고, AI는 반복적인 감시·예측·조건 계산을 담당하는 역할 분담이 필요하다.

제조업의 관심은 "모니터링"에서 "예측과 품질"로 이동하고 있다

Rockwell Automation의 2025년 글로벌 조사에서는 17개 주요 제조국의 1,560명 응답자 가운데 95%가 향후 5년 내 AI·머신러닝에 투자했거나 투자할 계획이라고 답했다. 품질관리에 AI·머신러닝을 적용할 계획이라는 응답은 50%였으며, 48%는 Smart Manufacturing 투자로 인해 인력을 재배치하거나 추가 채용할 계획이라고 답했다.⁴

그림 3. 2025년 제조기업의 AI 투자 및 인력 운영 관련 응답 — 출처: Rockwell Automation, 2025

왜 품질관리가 AI의 첫 번째 적용 영역인가

품질관리는 AI 도입 효과를 비교적 명확하게 측정할 수 있는 영역이다. 검사 결과를 OK/NG, 결함 종류, 결함 크기, 위치, 형상 편차와 같은 정량값으로 표현할 수 있고, 도입 전후의 불량 검출률·오검률·검사시간·인력 투입량을 비교하기 쉽다. 영상해석 AI가 먼저 확산되는 이유도 여기에 있다.

그러나 Dark Factory로 이어지려면 검사에서 끝나서는 안 된다. 검사 결과가 어느 설비 조건에서 발생했는지 연결하고, 불량이 반복되기 전에 공정 상태를 예측하며, 조정 가능한 변수의 변경 방향까지 제시해야 한다. 즉, QC 자동화가 공정 예측과 제어로 확장될 때 품질 데이터가 생산 시스템의 피드백 신호가 된다.

사례: 영상검사와 공정 제어가 함께 연결될 때

World Economic Forum이 소개한 CITIC Dicastal Morocco 생산시설은 주조·가공 고급 알고리즘, AI 기반 영상검사, 천연가스 품질 변동을 관리하는 공정 제어를 함께 적용했다. 그 결과 OEE는 17%, 노동생산성은 27% 향상됐고, 결함은 31.1%, Scope 1·2 배출은 53% 감소했다.⁵

그림 4. AI 영상검사·고급 분석·공정 제어를 결합한 생산시설의 성과 — 출처: World Economic Forum, 2025

이 사례의 핵심은 특정 AI 모델의 정확도가 아니라, 감지-분석-제어가 하나의 운영 체계로 연결되었다는 점이다. 영상검사가 결함을 찾고, 공정 분석이 원인과 조건 변화를 해석하며, 제어 시스템이 결과를 현장에 반영할 때 품질·생산성·환경 성과가 함께 개선될 수 있다.

대시보드에서 Closed-loop 운영으로

Smart Factory에서 Dark Factory로의 전환은 "무인화 여부"만으로 구분하기 어렵다. 중요한 기준은 데이터가 어느 단계까지 운영에 개입하는가이다. 데이터를 보여주는 단계에서 시작해 미래를 예측하고, 최적 조건을 제안하고, 안전 범위 내에서 자동 실행하는 단계로 발전한다.

그림 5. Smart Factory에서 자율 제조로 이어지는 5단계 — 출처: 아이티브 AI 기술 관점 재구성

전환 성과는 정확도보다 "운영 KPI"로 측정해야 한다

AI 모델의 정확도는 중요하지만, 제조 현장에서는 모델 성능만으로 사업 효과를 판단할 수 없다. 예측이 정확해도 결과가 늦게 도착하거나 작업자가 사용하지 않으면 운영 성과로 이어지지 않는다. 따라서 다음과 같은 KPI를 함께 관리해야 한다.

우리 공장은 어느 단계에 있는가: 12점 자가진단

아래 항목을 각 0점(미구축), 1점(부분 구축), 2점(운영 중)으로 평가하면 현재 수준과 우선 과제를 빠르게 확인할 수 있다. 본 진단은 아이티브 AI의 기술 관점에서 구성한 예시이며 공인 인증 기준은 아니다.

점수 해석 — 04점: 연결 기반 정비 단계 | 58점: 분석·예측 고도화 단계 | 9~12점: 가이드·자율 제어 준비 단계

Smart Factory에서 Dark Factory로 이어지는 세 가지 질문

Dark Factory로의 전환은 모든 공정을 즉시 무인화하는 프로젝트가 아니다. 현재 구축된 Smart Factory 자산을 기준으로 아래 세 가지 질문에 답하고, 효과가 크고 안전 범위를 명확히 정의할 수 있는 공정부터 단계적으로 확장해야 한다.

아이티브 AI가 바라보는 전환 방향

아이티브 AI는 Smart Factory에서 Dark Factory로의 전환을 "현장의 데이터를 실행 가능한 지능으로 바꾸는 과정"으로 정의한다. 첫 번째 단계는 영상·센서·공정 데이터를 정확히 수집하고 정량화하는 것이다. 두 번째 단계는 AI가 품질과 공정 결과를 예측하고, 목표 결과를 달성하기 위한 조건을 계산하는 것이다. 마지막 단계는 계산된 가이드를 작업자 또는 PLC·로봇·설비 제어 시스템에 연결하는 것이다.⁶

이 구조에서 영상해석은 제품과 설비 상태를 인식하는 공장의 눈이 되고, 공정 데이터 추론은 미래 결과를 계산하는 두뇌가 된다. AI Guidance는 최적 조건을 제시하고, AI Agent는 공정 데이터와 작업표준을 이해해 필요한 행동을 계획한다. 중요한 것은 각 기술을 개별 솔루션으로 분리하지 않고 데이터 수집-분석-판단-실행-학습의 하나의 흐름으로 설계하는 것이다.

핵심 결론

Smart Factory는 공장을 연결하고 보이게 했다. 다음 경쟁력은 수집된 데이터를 필요한 시간 안에 예측·판단·실행으로 연결해, 정상 조건에서는 사람의 반복적인 개입을 줄이고 예외 상황에서는 더 빠르고 일관된 판단을 지원하는 데서 만들어진다.

다음 회차에서는 Dark Factory를 단순히 "불을 끈 무인 공장"으로 정의하지 않고, 감지·예측·판단·실행·학습이 연결된 자율 제조 시스템의 관점에서 구체적으로 살펴본다.

글을 마치며

"Smart Factory는 제조 현장을 연결하고 보이게 만드는 데 큰 역할을 했습니다. 이제는 수집된 데이터가 늦지 않게 판단과 실행으로 이어지도록 설계해야 합니다. 다음 단계의 제조 경쟁력은 더 많은 데이터를 모으는 데서가 아니라, 데이터를 얼마나 빠르고 일관되게 행동으로 전환하느냐에서 결정될 것입니다."

※ 외부 통계는 각 기관의 조사와 선도 사례를 요약한 것으로, 개별 공장의 성과를 보장하지 않습니다. 자가진단과 성숙도 단계는 기술 설명을 위해 아이티브 AI 관점에서 재구성한 예시입니다.

참고자료 및 출처

본문에 사용한 외부 수치와 사례는 기관 및 기업의 공식 공개자료를 기준으로 정리했다. 그래프는 원문의 수치를 아이티브 AI가 시각적으로 재구성했으며, 각 그림 아래에 자료명과 원문 링크를 표시했다.

참고문헌