제조AI 다음 승부처는 ‘확산’…최재식 KAIST 교수가 그리는 ‘M.AX’

국내 AXI 대표기업 인이지 최재식 대표 특강
제조AI 실증 성공적…“단계별 전략 필요”
성공 모델 ‘공통 자산화’해야, 체계 구축 필요

14일 대구 엑스코에서 열린 M.AX 혁신 서밋 첫 강연자로 나선 최재식 <주>인이지 대표가 제조AI 확산 전략에 대해 설명하고 있다. 이승엽 기자

제조 현장에 인공지능(AI)을 접목하는 '제조AX(M.AX)' 확산을 위해서는 검증된 AI 모델과 데이터를 다른 제조 현장에서 반복 활용할 수 있는 체계 구축이 시급하다는 제언이 나왔다. AI 기술의 성능 경쟁을 넘어 '확산 가능한 구조'를 만드는 게 향후 M.AX의 성패를 좌우할 것이라는 분석이다.

최재식 <주>인이지 대표(KAIST 김재철AI대학원 교수)는 지난 14일 대구 엑스코에서 열린 '2026 대한민국 산업단지 수출박람회(KICEF 2026)' 부대행사인 'M.AX 혁신 서밋'의 첫 강연자로 나서 제조AI의 현장 적용 성과와 산업단지 확산 전략을 제시했다. '설명 가능한 인공지능(XAI)'을 통해 제조현장의 공정 최적화 및 안정적인 프로세스 자동화를 돕는 국내 대표 XAI 스타트업 인이지는 철강·시멘트·정유 등 국내 여러 제조 현장에 AI 솔루션을 적용하고 있다.

산업통상부의 '제조AI 2030 프로젝트' 설계자이기도 한 그는 이날 예측·최적화·폐루프 제어로 이어지는 제조AI 단계별 수준표(레벨 1~5)를 공개했다. 다만, 수요·생산계획부터 공정제어, 검사, 설비보전, 물류·출하까지 각 공정의 AI 수준이 다른 만큼, 기업의 경쟁력과 투자 효과를 고려해 필요한 공정부터 자율화 수준을 단계적으로 끌어올리는 전략이 필요하다는 게 최 대표의 설명이다. 그는 "모든 공정의 레벨이 '5'일 필요는 없다. 기업의 최대 경쟁력은 무엇인지, 2030년까지 각 공정을 어느 수준까지 끌어올릴 것인지 정한 뒤 한 단계씩 AI 수준을 높여야 한다"고 설명했다.

제조AI의 성과는 현장에서 수치로 나타나고 있다. 산업부의 AI팩토리 선도 프로젝트에 지원한 170여개 사업장 중 성과가 가시화한 42개 사업장을 살펴보면 생산성은 평균 30.1% 향상됐고, 불량률은 평균 15.5% 감소했다. 문제는 개별 공장의 성과가 다른 제조 현장으로 이어지지 않는다는 점이다. 기업마다 설비와 데이터가 달라 성공한 AI 모델을 다른 제조 현장에 섣불리 적용하기 어렵기 때문이다. 최 대표는 "개별 실증에서 성공한 AI 모델을 공통 자산화하고, 상호 검증을 거친 후 산업단지 전반으로 확산하는 체계를 구축해야 한다"며 "이 체계를 적용한 시멘트·철강 등 일부 모델에서는 1호 공장의 성과를 2·3호 공장으로 확산하는 데 개발 기간은 50~85%, 안정화 기간은 최대 80% 단축하는 성과를 냈다"고 강조했다.

그는 제조AI 확산의 핵심을 알고리즘이 아닌 '데이터'에서 찾았다. 새로운 공장은 학습 데이터가 부족한 경우가 많은 만큼, 기존 제조 현장에서 학습한 모델을 가져와 새 현장의 소규모 데이터로 다시 학습시키는 '전이학습'을 활용하면 AI 구축 기간과 비용을 줄일 수 있다는 게 최 대표의 설명이다. 또, 정확도 못잖게 안전성과 검증체계의 중요성을 강조하며 센서 오류 등이 발생해도 검증된 범위 안에서 공정을 제어할 수 있는 '가드레일'이 필요하다고 덧붙였다.

최 대표는 "제조 현장에서는 숙련 인력의 고령화와 은퇴가 이어지면서 현장의 '암묵지'를 데이터와 AI 모델로 자산화하는 게 최대 숙제로 떠올랐다"며 "제조AI 정책의 성패는 몇 개의 AI 팩토리를 만들었냐가 아니라 성공한 기술을 얼마나 빠르고 안전하게 확산했느냐로 평가해야 할 것"이라고 말했다.

이승엽기자 sylee@yeongnam.com