AI 자율제조, 제조현장은 어디까지 왔나
로봇 500만 대 시대, 공장은 '스스로 판단'까지 갈 수 있을까
국제로봇연맹(IFR)이 2026년 9월 발표한 자료에 따르면, 2025년 전 세계 공장에서 가동 중인 산업용 로봇은 500만 대에 이르렀습니다. 7년 전의 두 배가 넘는 규모이고, 한 해 동안 새로 설치된 로봇만 60만 대를 넘었습니다.
한국은 같은 해 약 3만 대를 설치해 세계 4위 시장 자리를 지켰습니다. 다만 연간 설치 대수는 2019년 이후 3만 1,000대 안팎에서 큰 변화 없이 이어지고 있습니다. 로봇을 "더 많이" 들이는 단계에서, 이미 들여놓은 설비가 "더 똑똑하게" 움직이도록 만드는 단계로 관심이 옮겨 가는 배경입니다.
그다음 단계로 거론되는 개념이 "AI 자율제조"입니다. 정부도 2026년 6월 범부처 '제조AI 2030 전략'을 내놓고 제조 데이터 관리 체계, 제조 특화 AI 모델, 산업단지 중심 확산을 세 축으로 제시했습니다.
이 글에서는 AI 자율제조가 기존 자동화와 어떻게 다른지, 휴머노이드는 어디까지 왔는지부터 정리합니다. 이어서 도입을 검토하는 기업이 실제로 따져봐야 할 비용, 안전, 실패 지점, 운영 방식을 차례로 살펴봅니다.
자동화와 AI 자율제조는 무엇이 다른가
기존 공장 자동화는 사람이 정해 둔 규칙대로 설비가 움직이는 방식입니다. 제품이나 조건이 바뀌면 사람이 프로그램을 고쳐야 합니다. AI 자율제조는 설비와 공정에서 나온 데이터를 AI가 해석해 다음 동작을 정하고, 실행까지 이어가는 것을 목표로 합니다.
둘 사이에는 "데이터로 상황을 읽되 결정은 사람이 하는" 중간 단계가 있습니다. 예지보전 알림이나 AI 비전 검사가 여기에 해당하며, 자율제조로 가려면 대개 이 단계를 먼저 거치게 됩니다.
| 구분 | 규칙 기반 자동화 | 데이터 기반 분석·예측 | AI 자율제조 |
|---|---|---|---|
| 판단 주체 | 사람이 작성한 프로그램 | AI가 제안, 사람이 결정 | AI가 판단·실행, 사람은 감독 |
| 조건 변화 대응 | 사람이 프로그램 수정 | 이상 징후를 미리 알림 | 모델이 동작을 스스로 조정 |
| 대표 적용 | PLC 시퀀스 제어, 고정 경로 로봇 | 예지보전, 비전 검사 | 공정 조건 자동 최적화, 로봇 작업 자동 재계획 |
| 핵심 요구 사항 | 정확한 설비 제어 | 데이터 수집·축적 | 데이터 + 검증된 모델 + 안전한 실행 체계 |
표에서 보듯 단계가 올라갈수록 요구 사항이 쌓이는 구조입니다. 앞 단계의 데이터 기반 없이 바로 AI 자율제조로 건너뛰기 어려운 이유가 여기에 있습니다.
AI 자율제조를 이루는 세 개의 층
AI 자율제조는 하나의 솔루션이 아니라 세 개의 층이 맞물려 돌아가는 구조로 이해하면 쉽습니다. 어느 한 층이 비어 있으면 나머지가 아무리 좋아도 "자율"은 성립하지 않습니다.
- 데이터 층: 센서, 설비 PLC, MES 등에서 공정 데이터를 모으고 정리하는 기반입니다. AI 판단의 품질은 이 층에서 정해집니다.
- 판단 층: 데이터를 해석해 불량 원인을 찾거나 다음 공정 조건을 정하는 AI 모델과 AI 에이전트입니다.
- 실행 층: 판단 결과를 실제 동작으로 옮기는 로봇과 설비 제어기입니다. 정부 전략에서 말하는 "피지컬 AI"가 이 영역에 해당합니다.
세 층은 한 방향으로 끝나지 않습니다. 실행 결과가 다시 데이터로 쌓이고, 그 데이터로 모델을 보정하는 순환이 이어져야 현장 조건이 바뀌어도 판단이 틀어지지 않습니다.
휴머노이드는 지금 어디쯤 와 있나
휴머노이드는 사람과 비슷한 몸으로 사람이 쓰던 작업 공간과 도구를 그대로 쓰는 것을 목표로 하는 로봇입니다. 라인을 로봇에 맞춰 뜯어고치지 않아도 된다는 점이 기대를 모으는 이유입니다.
협동로봇과는 구분해서 봐야 합니다. 협동로봇은 정해진 위치에서 사람 옆에서 일하도록 힘과 속도를 제한한 로봇 팔로, 조립·검사·포장 현장에서 이미 쓰이고 있습니다. 휴머노이드는 이동과 양팔 작업을 함께 하는 별도 범주이며, 제조 현장 적용은 실증을 통해 가능성을 확인해 가는 단계입니다. 정부의 '제조AI 2030 전략'도 제조 특화 휴머노이드를 기술 고도화 단계의 과제로 두고 있습니다.
- 기대 효과: 기존 라인 배치를 크게 바꾸지 않고 사람 작업을 대신하거나 보조할 가능성이 있습니다.
- 현재 과제: 반복 작업의 속도와 안정성, 장시간 가동 성능은 실증으로 확인해 가야 하는 영역입니다.
- 실무 판단: 당장의 투자 대상이라기보다, 실증 결과를 지켜보며 적용 후보 공정을 미리 골라 두는 단계로 보는 편이 현실적입니다.
AI 자율제조 비용, 장비 값만 보면 놓치는 것들
AI 도입 예산을 짤 때 먼저 눈에 들어오는 항목은 로봇, 서버, 소프트웨어 라이선스입니다. 그런데 프로젝트 일정과 비용을 흔드는 요인은 그 바깥에 있는 경우가 많습니다.
2022년 Applied Sciences에 실린 스마트 제조 AI 리뷰 논문은 학습에 쓸 데이터를 안정적으로 모으고 저장하는 일 자체가 인력과 비용이 많이 드는 작업이며, 대개 새로운 인프라 설치가 따라온다고 짚었습니다. 오류 제거, 형식 변환, 라벨링 같은 데이터 준비에도 별도의 공수가 든다고 봤습니다.
| 비용 구분 | 주요 항목 | 놓치기 쉬운 이유 |
|---|---|---|
| 초기 투자 | 센서·네트워크 증설, 서버·엣지 장비, 로봇·제어기 | 기존 설비에 데이터 수집 기능이 없으면 개조가 먼저 필요 |
| 데이터 준비 | 데이터 정제, 형식 통일, 정상·불량 라벨링 | 현장 전문가의 시간이 들어가 장부상 비용으로 잘 잡히지 않음 |
| 운영·유지 | 모델 성능 감시, 재학습, 보안 관리 | 도입 후에도 계속 발생하는 반복 비용 |
| 인력·협업 | AI·자동화·공정 엔지니어 간 협업 체계 | 외주로 끝내면 내부에 운영 역량이 남지 않음 |
견적을 비교할 때는 초기 구축비만 볼 것이 아니라, 데이터 준비를 누가 맡는지와 도입 후 재학습 비용이 포함됐는지를 함께 확인해야 합니다.
사람 곁에서 움직이는 AI, 안전은 어떻게 설계하나
AI가 실행 층까지 맡으면 안전을 바라보는 방식도 달라져야 합니다. 정해진 규칙대로만 움직이는 설비는 동작을 미리 검증할 수 있지만, AI 판단은 학습 데이터와 현장 조건에 따라 결과가 달라질 수 있기 때문입니다.
로봇 안전에는 이미 산업용 로봇 안전 국제표준(ISO 10218)과 협동 작업 지침(ISO/TS 15066)이 있습니다. 핵심 요건을 기능 중심으로 풀면 다음과 같습니다.
- 작업 전체 위험성 평가: 로봇 본체만이 아니라 공구, 작업물, 주변 동선까지 포함한 작업 전체를 기준으로 위험을 평가합니다.
- 접촉 시 힘 제한: 사람과 닿을 수 있는 작업은 충돌 시 힘과 압력을 신체 부위별 허용 범위 안으로 제한합니다.
- 속도·거리 감시: 사람이 가까워지면 로봇이 감속하거나 멈추도록 감지 장치를 연동합니다.
AI를 더할 때 지켜야 할 실무 원칙은 "안전 기능은 AI와 분리한다"입니다. 비상정지, 안전 구역 감지, 속도 제한은 AI 판단과 상관없이 독립된 안전 제어기에서 동작하도록 설계해야 합니다. AI는 효율을 높이는 판단을 맡고, 사람을 지키는 판단은 검증된 안전 회로가 맡는 구조입니다.
휴머노이드처럼 이동하며 작업하는 로봇은 고정형 로봇을 전제로 만든 기준을 그대로 적용하기 어려운 부분이 있습니다. 도입을 검토한다면 어떤 안전 기준과 인증을 적용했는지 공급사에 구체적으로 확인해야 합니다.
현장에서 AI 프로젝트가 멈추는 지점
AI 프로젝트는 실증(PoC) 결과가 좋아도 실제 라인 운영으로 넘어가는 과정에서 막히곤 합니다. 앞서 소개한 리뷰 논문이 짚은 데이터 문제 세 가지에 현장 수용성 문제를 더하면 네 가지로 정리됩니다.
데이터가 적고 라벨이 없다
불량은 드물게 발생하기 때문에 학습할 사례 자체가 부족합니다. 논문은 현장 데이터가 양이 적거나, 라벨이 없거나, 시간이 지나면서 성격이 바뀔 수 있다고 짚었습니다.
- 점검 포인트: 시뮬레이션이나 합성 데이터로 부족분을 보완하더라도, 최종 성능 검증은 반드시 실제 현장 데이터로 합니다.
설비가 늙으면 모델도 늙는다
설비 마모나 작업 조건 변화로 데이터 패턴이 달라지면 처음 만든 모델의 정확도가 떨어집니다. 고장 패턴은 설비 수명 전체에 걸쳐 나타나므로, 처음부터 모든 경우를 모아 두기도 어렵습니다.
- 점검 포인트: 모델 성능 감시 지표와 재학습 주기를 운영 계획에 처음부터 넣어 둡니다.
데이터를 밖으로 내보내기 어렵다
공정 조건이나 공급망 정보는 영업 비밀에 가까운 데이터입니다. 외부 클라우드에서 학습과 추론을 하면 전송·처리 과정에서 노출될 위험이 생깁니다.
- 점검 포인트: 민감한 데이터는 현장 엣지 장비나 사내 서버에서 처리하는 구성을 먼저 검토합니다.
현장이 결과를 믿지 않는다
AI가 왜 그런 판단을 했는지 설명하지 못하면, 작업자는 결과를 따르지 않고 익숙한 방식으로 돌아갑니다. 기술이 아니라 신뢰 때문에 멈추는 경우입니다.
- 점검 포인트: 도입 초기에는 판단 결과와 함께 어떤 데이터가 판단에 영향을 줬는지 화면에 보여 줍니다.
완전 자율 대신 고를 수 있는 혼합 운영 방식
처음부터 사람 개입이 전혀 없는 "완전 자율"을 목표로 삼을 필요는 없습니다. 판단을 얼마나 AI에 맡길지, 데이터를 어디서 처리할지에 따라 현실적인 조합을 고를 수 있습니다.
- 사람 승인형: AI가 공정 조건 변경을 제안하고 담당자가 승인하면 실행합니다. 판단 이력이 쌓여 신뢰가 생기면 승인 범위를 줄여 갑니다.
- 부분 자율형: 품질 영향이 작은 조건은 AI가 직접 조정하고, 핵심 공정 조건은 사람이 결정합니다.
- 엣지·클라우드 분담형: 실시간 제어와 민감 데이터는 현장 엣지 장비에서 처리하고, 대규모 학습에만 외부 컴퓨팅 자원을 씁니다.
- 로봇 조합형: 휴머노이드 상용화를 기다리기보다 협동로봇과 자율이동로봇(AMR)을 조합해 사람의 반복 작업부터 덜어냅니다.
이 방식들은 서로 배타적이지 않습니다. 공정마다 위험도와 데이터 민감도가 다르므로, 같은 공장 안에서도 라인별로 다른 조합을 쓰는 것이 자연스럽습니다.
자율제조의 출발점은 판단을 맡길 수 있는 데이터다
AI 자율제조는 로봇 한 대나 AI 솔루션 하나로 완성되지 않습니다. 데이터를 모으는 층, 판단하는 층, 실행하는 층이 맞물리고, 실행 결과가 다시 모델을 고치는 순환이 돌아갈 때 비로소 "자율"이라고 부를 수 있습니다.
비용 계획에는 장비 값뿐 아니라 데이터 준비와 모델 운영까지 담아야 하고, 안전 기능은 AI와 분리된 독립 회로로 지켜야 합니다. 휴머노이드는 실증 결과를 지켜보며 적용 후보 공정을 골라 두는 정도가 현실적인 대응입니다.
첫걸음으로, 우리 공장에서 사람이 가장 자주 판단을 내리는 공정 하나를 골라 보시기 바랍니다. 그 판단에 쓰이는 데이터가 지금 기록되고 있는지 확인하는 것, 그것이 AI 자율제조로 가는 가장 현실적인 출발점입니다.
참고문헌
- International Federation of Robotics. "Five Million Robots now Operate in Factories Globally." IFR Press Release (World Robotics 2026). 2026-09-24. https://ifr.org/ifr-press-releases/news/five-million-robots-now-operate-in-factories-globally
- Xu, J., Kovatsch, M., Mattern, D., Mazza, F., Harasic, M., Paschke, A., Lucia, S. "A Review on AI for Smart Manufacturing: Deep Learning Challenges and Solutions." Applied Sciences, 12(16), 8239. MDPI (CC BY 3.0). 2022-08-17. https://www.mdpi.com/2076-3417/12/16/8239
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.