[지디넷코리아]
어떤 공장이 있다. 생산라인에 품질 예측 AI를 올리는 데 여섯 달이 걸렸고 해보자. 현장 데이터를 정리하고 설비와 MES(제조실행시스템)를 연결했고, 보안팀과 작업자가 결과를 검증했다. 다음 과제는 예지보전 AI를 올리는 거다. 이 에는 다섯 달이 걸렸다. 앞의 AI를 올리는 것보다 한 달이 줄었다. 팀원의 숙련 덕분이다. 하지만 조직에 남은 자산은 없다.
AI도입과 사용의 병목은 모델이 아니다. 운영 방식이다. 과제마다 데이터 파이프라인과 대시보드를 따로 만들고 권한 체계와 배포 환경을 다시 설계한다. 실증이 쌓일수록 유지·관리 비용이 누적된다. 다음 과제도 처음부터 비슷한 비용을 치른다. 담당자나 외부 개발사가 바뀌면 모델 관리 주체도 불분명해진다. 성공한 실증이 조직에 청구서를 남기는 셈이다. 이를 ‘AI 실증 부채’라 부른다. AI를 반복적으로 연결·배포·운영할 플랫폼이 없다는 데 문제가 있다.
해법은 ERP(전사적 자원관리), MES, SCADA(설비 감시·제어 시스템) 같은 기존 시스템을 하나로 갈아엎는 것이 아니다. 다음 과제가 재사용할 공통 자산을 남기는 것이다. 공통 API(시스템 간 데이터·기능 연계 규칙), 모델 개발·검증·승인·배포·모니터링을 관리하는 MLOps, 공통 보안·권한 기준이 여기에 해당한다. 여기에 데이터가 어떤 제품과 로트(같은 조건에서 생산된 제품 묶음), 설비와 공정에서 생성됐는지를 설명하는 업무 맥락과 AI 판단을 실제 조치로 연결하는 실행 규칙이 더해져야 한다. 데이터와 모델, 업무 절차와 사용자 화면, 운영 모니터링을 공통 API·보안 체계·MLOps를 기반으로 하나의 실행 흐름으로 묶는 것이 산업 AI 플랫폼 엔지니어링이다.
이 플랫폼은 데이터를 모아두는 저장소가 아니다. 같은 온도 값도 제품과 로트, 공정에 따라 의미와 대응이 달라진다. AI 판단이 별도 대시보드에만 남으면 결과가 실제 조치로 이어지기 어렵다. 판단은 MES와 현장 업무 안에서 제품 격리, 설비 점검, 공정 조건 조정으로 이어져야 한다. 이후 조치 결과가 다시 모니터링과 학습으로 돌아갈 때 AI는 일회성 분석 도구가 아니라 생산·품질관리 체계의 일부가 된다.
이 접근은 글로벌 제조 현장에서 구현되고 있다. 폭스바겐그룹은 2019년부터 아마존웹서비스와 디지털생산플랫폼을 구축했고, 2025년 협력을 5년 연장했다. 그룹 내 AI 애플리케이션은 1200개를 넘으며, 조립 공정을 조율하는 GVC(Guided Vehicle Completion)는 13개 공장에 적용됐다.
BMW의 품질 플랫폼 ‘AIQX’도 카메라와 센서 데이터를 실시간 분석해 시각·음향 품질검사를 수행하고 결과를 작업자의 스마트기기로 전달한다. BMW는 이를 사내 표준으로 확립했으며, 협력사에도 제공하는 방안을 검토하고 있다. 두 사례의 공통점은 한 번 만든 기능과 운영 방식을 여러 공장과 과제에 반복 적용한다는 데 있다.
다만 플랫폼을 처음부터 전사 완성형으로 구축해서는 안 된다. 검증되지 않은 표준과 절차를 먼저 만들면 현장에 맞지 않는 또 다른 부담이 된다. 폭스바겐도 2019년 구축을 시작한 뒤 2025년까지 전 세계 114개 생산거점 중 43곳으로 적용 범위를 단계적으로 넓혔다. 먼저 현장 과제를 수행하고, 반복적으로 활용된 기능과 절차를 공통화한 뒤 적용 대상을 확대해야 한다.
역할도 분명해야 한다. 현업은 공정 문제와 판단 기준을 맡고, 플랫폼팀은 데이터 연결과 배포·운영 경로를 만든다. 판단은 현장에 두되 실행 경로는 공통화해야 한다. 이 경로에는 정상 운영뿐 아니라 AI를 중단하고 복구하는 절차도 포함해야 한다. 산업 AI는 물리적 공정을 움직이기 때문이다. 신뢰는 오류가 없다는 약속보다 이상을 빨리 찾아내고 안전하게 멈추며 이전 모델이나 수동 업무로 돌아갈 수 있는 능력에서 나온다. 미국 국립표준기술연구소(NIST)도 2026년 보고서에서 기능과 운영 상태, 인간과의 상호작용, 보안과 준법 등을 배포 후 AI 시스템의 주요 모니터링 범주로 제시했다.
성과 기준도 바뀌어야 한다. 첫 모델의 정확도 뿐 아니라 다음 과제의 적용 기간, 공통 기능 재사용률, AI 권고가 실제 조치로 이어진 비율, 장애 복구 시간과 현장 사용률을 봐야 한다. 정책도 실증 건수보다 실제 운영 기간과 운영 조직으로의 인계 여부를 평가해야 한다. 중소·중견기업에는 데이터 연결, 배포, 보안, 모니터링을 공동 활용할 산업별 기반이 필요하다.
첫 번째 AI를 올리는 힘은 프로젝트 역량이다. 열 번째 AI를 첫 번째보다 빠르게 올리는 힘이 플랫폼이다. 산업 AI의 다음 기초체력은 좋은 모델만 만드는 능력이 아니라, AI가 매일 작동하는 플랫폼을 설계하고 운영하는 능력이다. 그래야 실증이 일회성 시연을 넘어 K-AX의 경쟁력으로 남는다.