1. AI를 둘러싼 전방위적 압력에 직면한 기업의 현실
세상을 덮은 AI FOMO
AI 도입하지 않으면 도태된다 는 공포에 휩싸이다
전 세계적으로 AI FOMO(Fear Of Missing Out)가 심화되고 있다. 64%의 CEO는 “일단 투자하자“ 말하고 46%는 PoC(개념증명 단계)에서 운영 전환을 포기한다. 이 중 39% 만이 실제 EBIT(Earnings Before Interest and Taxes)에 긍정적인 영향을 받았다고 답했다. 이처럼 많은 기업이 AI 도입과 활용에 뒤쳐졌다고 여기며 무분별하게 투자하다 보니 운영으로의 전환, 그리고 성과로 이어지지 못하는 악순환이 벌어지는 경우가 많다.
10년 사이, 모든 산업의 기술투자 비중이 2~3배 상승
실제 하이테크 산업부터 공공산업까지 기술 투자 비중이 크게 상승했다. 이때 기술은 총 투자 중에 디지털 관련 투자, 운영비 중 AI · 소프트웨어 · 데이터와 관련된 투자, 전체 인력 중에 AI · 데이터 · 플랫폼 전문 인력 비율 등을 종합적으로 고려한 비중이다. 하이테크 산업의 2025년 기술 투자 비중은 25~35%으로 10년 전에 비해 15%p 이상 상승했다.
AI가 쏘아올린 산업 생태계 변화
전통 기업과 AI 경쟁력을 갖춘 신흥 기업을 비교하면
AI 투자에 성공한 기업과 실패한 기업
성공과 실패를 가른 것은 산업별 ‘전략’과 ‘실행 방식’
제조 · 중공업: R&D, 생산, 품질, 유지보수 전 과정을 AI로 한 번에 혁신하고자 시도한 것이 주된 실패 요인이다. AI 모델은 불안정하고, AI 모델에 대한 현장의 불신이 생기고, ROI는 점점 불명확해진다.
화학 · 소재: AI가 모든 것을 해결해줄 것이라는 기대감으로 일괄 적용한 것이 주된 실패 요인이다. 결국 데이터 재현성 부족으로 모델에 대한 신뢰가 떨어지고 연구진의 거부감이 생기며, 결국 PoC 단계로 마치면서 프로젝트가 중단된다.
금융: 금융 산업은 소비자 접점에 맞닿아 있기 때문에 빠른 시도가 중요하다. 그러나 금융 업무는 본질적으로 리스크 · 책임 · 규제와 맞물려 있다. 이를 간과한 채 “AI가 판단하도록 하자”라고 접근하면서, AI 판단의 편향과 오류가 규제기관과 리스크 관리 조직으로부터 반발을 불러일으키고, 실제 현장에 적용되지 못하는 사례가 잇따르고 있다.
공공 · 인프라: 공공은 책임 · 표준 · 보안 · 감사 가능성이 가장 중요하다. 그런데
이를 건너뛰어 ‘AI PoC부터 실행 → PoC는 성공 → 운영 확산은 실패’라는 패턴을 반복하고 있다.
산업의 특성을 고려하지 않고 움직인 결과
빠른 투자는 더 빠른 후회를 부른다! 기술 중심의 함정
ex. IBM Watson Health
IBM은 AI 의료 시장 선점을 위해 2015년~2020년까지 40억 달러 이상을 투자했다. 그러나 ‘기술이 먼저, 데이터와 실행은 나중’ 이라는 관점으로 접근하다 보니, 병원 현장과 괴리가 커졌다. 그 결과, AI 모델 정확도 문제, 규제 대응 실패, 의료진 신뢰 부족이 겹치며 2022년 사업을 매각했다. 결국 IBM 사례는 혁신의 상징에서 비즈니스 실패의 대표 사례로 남았다.
PoC는 많았지만, 고객은 남지 않았다
ex. Uber Freight
2018~2021년, 전 세계 물류기업이 AI 물류 플랫폼 전쟁에 뛰어들었다. Uber Freight, XPO, DHL 모두 AI 기반의 예측 배송 · 스마트 물류 PoC를 진행했지만, 고객 가치보다 기술 경쟁에 집중했다. Uber Freight는 5년간 누적 적자 끝에 2023년 구조조정을 시행했다. ‘AI 물류 플랫폼’으로의 전략은 화려했지만, 결국 고객 경험과 수익구조를 혁신하는 데 실패했다.
기술을 도입했으나, 현장은 알지 못한 ‘스마트 팩토리의 유령’
ex. GE
GE는 2014년 산업용 IoT 시장 선점을 목표로 Predix 플랫폼에 60억 달러를 투자했다. 그러나, 기술 플랫폼은 완벽했지만 내부 공정별 데이터 품질과 OT(운영기술) 표준이 갖춰지지 않아 현장 도입에 실패했다. 현장에서의 신뢰와 운영 통합이 이뤄지지 않은 것이다. 결국 Predix는 2019년에 매각되었고, 디지털 산업의 대표적인 실패 사례로 남았다.
보여주기식 혁신은 한계가 있다! 공공 · 인프라 산업의 PoC 무덤
ex. 국가·지자체 단위 AI PoC PJT
“AI 행정”, “스마트시티” 등의 이름으로 수백 건의 PoC를 시행했으나, 대부분 데이터 표준화와 운영 내재화 없이 일회성 과제로 마쳤다. 담당자가 변경되고 예산이 소진된 이후 유지보수가 중단되면서 시스템이 방치됐다. 결과적으로 ‘PoC 성공률 80%’를 외쳤지만 실제 서비스화는 10% 미만에 그쳤다.
2. AI 도입 시 고려해야 하는 3대 산업 특성
Tech. Intensity 기술의존도
AI가 사업에 미치는 영향도 : 우리 산업이 얼마나 기술에 의존하는가?
- High : 기술이 곧 경쟁력이며, 신기술이 나오는 즉시 경쟁우위가 뒤바뀐다.
- Med : 기술이 경험과 효율을 강화하며, 기술은 경쟁력의 일부이지만 고객경험이 더 중요하다.
- Low : 기술은 보조적인 역할이며, 규제 및 현장 운영의 안정성이 더 중요하다.
Cycle Speed 시장 변화속도
AI 투자와 실행에 대한 시간적인 민감도 : 속도가 얼마나 중요한가?
- Fast Moving : 매주 기능이 바뀌고 경쟁자가 새롭게 등장하여, 적용 속도가 큰 경쟁력이 된다.
- Customer Driven : 고객 행동변화가 전략을 결정하며, 개선 속도는 중요하나 무조건적으로 빠를 필요는 없다.
- Safety First : 확산보다 안전과 검증이 우선시되며, AI 오류가 치명적인 비용과 규제로 이어진다.
Value Driver 가치 기준
고객과 현장이 AI를 평가하는 기준 : 우리에게 무엇을 기대하는가?
- Innovation Driven : 새로운 기능과 창의성이 가치의 큰 비중을 차지하며, 사용자들이 새로움·엄청난 기능적 도약을 기대한다.
- CX Driven : 더 쉽고, 빠르고, 개인화된 경험이 가치의 핵심이며, 기능이나 성능 자체보다 고객경험을 개선하고 경험의 일관성을 유지하는 것이 중요하다.
- Stability Driven : 이미 일관된 경험을 제공하고 있고 정확성·신뢰·안전이 무엇보다 중요하며 문제 없이 비용 효율적으로 운용되는 것이 최우선이다.
3. AI 전략 수립의 첫 단계: 우리는 어떤 유형에 속하는가?
유형을 확인하는 로직
본격적으로 AI 전략을 수립하기 앞서, 우리 산업이 속한 유형이 무엇인지 아래 로직을 통해 확인해보자. 유형은 총 3가지로, 시장 창출형, 기술 확장형, 운영 혁신형이 있다.
산업 유형별 핵심 성공요인
1) 시장 창출형 : 혁신의 속도와 규모가 곧 경쟁력
AI와 기술 자체가 시장을 만드는 시장 창출형은 혁신 속도와 규모가 중요하다. 기술 그 자체가 차별성을 갖기 때문에, 새로운 기능과 경험을 시장에 가장 먼저 제공하는 기업이 시장을 선점할 수 있다. 즉 기술을 빠르게 실험, 배포, 커머셜라이즈해야 시장 지배력을 높일 수 있다.
2) 기술 확장형 : 고객경험·효율·전환율의 일관된 개선
기술을 ‘경험 고도화의 수단’으로 바라보고 접근하며, 검색, 추천, CS, 전환율 등 고객 여정의 전반을 개선하는 것이 핵심 성공요인 중 하나다. 성능, 상용화, 확장성의 균형이 중요하다.
3) 운영 혁신형 : 비용 · 효율 · 품질 · 안전의 구조적 개선
운영 혁신형은 공정 안정성, 생산성, 수율, 원가가 생존을 좌우한다. 이를 조금씩만 개선하더라도 수백억 가치를 만들어낼 수 있다. AI가 현장과 운영에 깊게 적용되어야 의미가 있다.
AI 성공을 결정짓는 4대 전략 레버
각 유형별로 투자, 조직, 속도, 거버넌스 4개의 레버를 얼마나 강하게 당길 것인지에 따라 AI 성공 여부가 달라진다.
4. 유형① 시장 창출형
레버를 얼마나 당겨야 할지에 대한 바로미터
시장 창출형은 넓은 투자, 중앙집중형 조직, 빠른 실험 속도, 이를 위한 가벼운 통제를 요구한다.
드론 시장의 압도적 1인자, DJI
드론 기업 DJI와 Parrot의 비교
2010년 설립된 스타트업, DJI는 시가총액 약 20조원, 매출 약 5.8조원으로 드론 시장을 선도하고 있다. 2010년, 경쟁사 Parrot의 시장 점유율이 DJI보다 높았으나, 2013년부터 역전 현상이 본격적으로 나타났다. Parrot은 2013년부터 카메라 개선, 경량화, 화질 개선, 열화상 및 산업용 보안인증 기술 등 부가 하드웨어 기술에 지속적으로 투자했다. 반면 DJI는 드론 구매에 대한 핵심 가치 제안(Value Proposition)이 하드웨어보다는 소프트웨어 역량에 있다고 판단했다. 이에 비행을 어떻게 자율적으로 할 것인지, 기본 피사체를 어떻게 인식하고 추적할 것인지, AI 기반으로 어떻게 자동 촬영할 것인지 등 소프트웨어와 AI 기술 개발에 집중하며 제품 고도화에 성공했다.
시장 실험 중심으로 넓게 투자하며, 빠르게 상용화한 DJI
DJI는 단순히 AI 알고리즘에 국한하지 않고, NPU 기반 SoC부터 OTA 업데이트 생태계에 이르기까지 기술 스택 전반에 넓게 투자했다. 또한 임베디드 조직 측면에서는 AI, 데이터 팀을 제품 스쿼드 안에 내장함으로써, 기술 개발과 제품 개선이 동시에 이루어지도록 구조를 설계했다. 또한 분기 단위의 빠른 업데이트를 통해 기능을 고도화 했으며, OTA 기반의 펌웨어 반복 실험(ActiveTrack, APAS 등)을 진행했다.
자율비행 알고리즘, 온디바이스 NPU, OTA/SDK 생태계 동시 투자
DJI는 스택 전반(하드웨어, 소프트웨어, 알고리즘, 앱/클라우드, SDK)에 대해 동시 투자를 진행함으로써 기능과 가격에 대한 곡선을 가파르게 끌어올린다. 알고리즘에만 집중할 경우 컴퓨팅 성능에 발목이 잡히고, 모든 영역을 단독으로 해결하려 할 경우 가격 경쟁력과 속도 측면에서 불리해질 수 있기 때문이다.
이에 비전과 자율 주행코어, 엣지 컴퓨팅과 전력 최적화, OTA/SDK · 테스트 인프라를 세 가지 핵심 투자 축으로 설정하고, 이들 간의 연계를 고려한 로드맵을 매년 운영하고 있다. 실제로 하드웨어가 출시되기 6~12개월 이전부터 소프트웨어와 AI 베타 파일럿을 운영하고, 해당 결과를 차기 모델에 어떻게 반영할지 지속적으로 관리한다.
설계 – 실험 – 배포 – 현장 피드백의 원 팀(One Team) 구성
기술과 제품 고도화를 빠르게 추진하기 위해 DJI는 설계, 실험, 배포, 현장 피드백까지 하나의 흐름으로 통합한 원 팀 구조를 구축했다. 각 투자 축별로 기능 단위의 스쿼드가 운영되며, 일반적으로 10~15개의 스쿼드가 동시에 활동한다. 이 팀들은 프로젝트 팀이라 불러도 무방하다. 기능 개발이 완료되면 일부 팀은 해체되거나 유지보수 조직으로 전환되고, 신규 솔루션을 개발해야 할 때는 새로운 스쿼드로 재구성된다.
단순히 팀만 만들었다고 빠르게 움직이진 않는다. 이들은 주간 단위의 운영 리듬을 통해 작업해 속도를 높인다. 예를 들어, 월요일은 목표 설정과 같은 지표 리뷰를, 화/수요일에는 모델 튜닝과 시뮬레이션을, 목요일에는 필드 테스트를 진행하고, 금요일에는 미니 릴리즈를 검토하며 생산성을 극대화하고 있다.
이들은 일 단위, 주 단위, 분기 단위로 KPI를 모니터링하면서 필요 시 즉각적으로 방향을 수정하는 애자일한 운영 방식을 유지하고 있다.
출시 후 3~6개월 내 기능 고도화 및 차기 하드웨어 내재화
DJI는 제품 출시 이후에도 분기 단위로 새로운 기능과 개선 요소를 지속적으로 탐색, 개발한다. 월 단위로는 미니 릴리즈를 통해 소프트웨어 업데이트를 이어간다. 반기 단위로는 보다 큰 규모의 최적화와 배포를 진행한다. 핵심은 이러한 활동이 단순히 소프트웨어 업데이트에 그치지 않고, 여기서 검증된 알고리즘과 최적화 기술이 다음 분기, 또는 차년도 하드웨어 설계의 주요 인풋으로 활용된다는 점이다. 상대적으로 비용 부담이 낮은 소프트웨어 실험을 통해 충분히 검증한 후, 해당 결과를 하드웨어, 센서, SoC 설계 개선으로 연결하는 활동을 스프린트 형태로 반복함으로써 기술 고도화의 선순환을 만든다.
5. 유형② 기술 확장형
레버를 얼마나 당겨야 할지에 대한 바로미터
기술 확장형 산업에 대한 4대 전략 레버는 다음과 같다.
고객경험(CX) 기반 AI 확장으로 시장 경쟁력을 강화하는 산업
서비스 산업 중심으로 보는 기술 확장형
서비스 산업에서의 기술 확장은 제품의 신기능 자체보다, 경험을 어떻게 확장하느냐에 따라 시장경쟁력이 결정된다. 고객 경험이 전환율로 이어지고, 이 전환율이 고객평생가치(LTV)로 연결되며, 결과적으로 매출을 견인한다. 따라서 기술 확장형 산업에서의 핵심은 새로운 기능 개발보다는, 고객 여정 곳곳에 존재하는 페인 포인트를 AI로 어떻게 개선하고, 얼마나 세밀하게 경험을 설계할 수 있는가에 있다.
고객경험(Customer Experience)이 매출을 결정하는 산업
기술 확장형 산업은 신기능이 아니라, 고객경험(CX) 여정 곳곳의 페인 포인트를 개선하는 것이 핵심
기존 방식의 한계
고객 · 직원 여정 설계의 구조적 한계
고객 경험과 직원 경험은 여정 기반으로 설계되지만, 개인의 모든 행동을 있는 그대로 반영하기에는 어려울 수 밖에 없다. 사람은 각각 다른 특성과 맥락을 가진 존재이기 때문이다. 전통적인 페르소나 모델은 결국 평균적인 고객을 기반으로 제한된 시나리오를 만드는 수준에 머무를 수밖에 없다. 흔히 초개인화라는 표현을 사용하지만, 평균값에 기반한 접근 방식으로는 진정한 의미의 초개인화에 도달하기 어렵다. 그저 고객을 더 잘 이해하는 수준의 개선에 그칠 가능성이 높다.
모든 고객 데이터 확보의 어려움과 대안적 접근
위와 같은 한계의 원인은 모든 고객 데이터를 확보하고 학습시키는 것이 현실적으로 불가능하기 때문이다. 일론 머스크는 중국에서 펼쳐진 자율주행 자동차에 대한 테스트에서 1등을 차지한 적이 있다. 흥미로운 점은 테슬라가 데이터 반출 금지 법규 때문에 현지에서 학습 데이터나 주행 데이터를 확보할 수 없었음에도 불구하고 성과를 낸 것이다. 어떻게 가능했을까? 테슬라는 ‘월드 시뮬레이터(World Simulator)‘를 통해 중국의 도로, 환경, 상황을 합성 데이터로 구현하고 이를 학습에 활용했다. 이는 실제 데이터가 부족한 환경에서도 유효한 학습과 성과를 도출할 수 있음을 보여준 사례다.
합성 데이터와 가상 유저
합성 데이터(Synthetic Data) 기반 월드 시뮬레이터
월드 시뮬레이터는 실사처럼 보이는 가상의 환경을 정교하게 설계한 후, 그 안에서 다양한 시나리오를 테스트하는 방식이다. 실제 운전자가 가상 환경에서 차량을 테스트하고 자율주행 엔진을 검증한다. 이 개념은 고객 경험 설계에도 확장해볼 수 있다. 무한한 수의 가상 인간을 생성할 수 있다면, 고객 행동을 사전에 시뮬레이션하고 경험을 검증하는 것이 가능하다.
CX 분석과 설계의 게임 체인저 : 가상 유저(Synthetic User)
여러 기업에서는 이미 가상 유저를 활용한 시뮬레이션을 진행하고 있다.
ex. 익스피디아
검색, 클릭, 예약, 체크인까지 고객의 행동 데이터로 가상 유저 시뮬레이션을 진행한다. 이탈, 반복검색, 장바구니 포기 등 희소 행동도 해당 모델이 직접 탐색한다.
ex. 우버이츠
가상 유저를 통해 음식 종류, 거리, 조리시간, 날씨, 교통 등 수백 개의 변수를 조합해 AI가 자동으로 탐색한다. 이를 통해 배달 도착 시간에 대한 정확도를 높이고, 재방문율과 장바구니 전환율을 개선한다.
ex. 스타벅스
고객의 위치, 시간대, 날씨, 과거 주문 이력 등 데이터를 기반으로 가상 고객 상태(State)를 생성한다. 그리고 가상 고객이 특정 상황에서 어떤 선택을 할지 시뮬레이션을 한다. 이를 통해 고객 LTV 및 재방문율을 높일 수 있다.
실제 적용 방식과 사례
가상 관광객(Synthetic Tourist) 기반 GCC 국가 여행산업 육성 프로그램 설계
위와 같은 방식은 업계 1위, 글로벌 빅테크 기업에만 한정되지 않는다. 사우디아라비아 , 두바이 등 GCC(Gulf Cooperation Council) 국가는 관광산업 육성을 위해 가상 관광객을 기반으로 한 프로젝트를 수행했다. 기존 프로세스를 보면, 먼저 핵심 페르소나 정의하고, 인터뷰, 유저 패턴 범주화, 편향 위험 분석 등을 수행한다. 그리고 나서 고객 여정 단계를 정의하고, 접점별 요구와 문제를 식별하는 등 여정을 설계한다. 이후, 고객이 소구하는 포인트는 무엇인지, 우리가 제공할 가치는 무엇인지 도출한다. 이러한 기존 프로세스는 최소 수개월의 시간이 필요했다.
이제 가상 유저 기반의 접근을 통해 각 세그먼트 별 수백~수만 명의 가상 페르소나를 즉시 생성하고, 이들에게 설문과 인터뷰를 진행할 수 있다. 이들은 감정은 없지만, 자신의 성향을 바탕으로 무엇이 개선되면 좋겠는지 등 의견을 준다. 이 과정에서 도출된 데이터를 기반으로 실제 유사 고객을 찾아 검증하는 단계로 이어지고, 가치제안 역시 자동으로 도출할 수 있다. 이러한 프로젝트는 수시로, 빠르게 진행할 수 있다.
다양한 고객 여정 설계·분석 현장에서 이미 사용되고 있음
가상 유저는 실제 사용자의 행동과 특성을 모방한 인공 엔터티로, 사용자 경험(UX)과 시장 적합성을 신속하게 검증하는 데 활용된다.
단순히 가상 인물을 생성하는 것을 넘어, 이들을 대상으로 ACTS(Awareness, Consideration, Trial, Sustain) 설문조사도 진행할 수 있다. 이를 통해 페르소나 니즈, 불편 요소를 사전에 검증하고, 설문 내용을 조정할 수 있다. 가상 유저 대상으로 한 테스트 이후, 정식 설문을 실제 사용자에게 배포함으로써 전략을 훨씬 정교화할 수 있다. 또한, 시장 변화에 따라 처음부터 모든 과정을 재설계할 필요 없이, 스프린트 방식으로 신속하게 반복하고 보완할 수 있다는 점도 중요한 장점이다. AI를 도입할 때 산업과 무관하게 어떤 기술이 우리 주변에 있는지 부터 탐색해보는 것이 매우 중요할 것이다.
6. 유형③ 운영 혁신형
레버를 얼마나 당겨야 할지에 대한 바로미터
운영 혁신형 산업에 대한 4대 전략 레버는 다음과 같다. 투자는 좁은 범위로, 조직은 현장 중심으로 구성하는 것이 중요하다. 속도는 빠른 것보다 단계적으로 진행하는 것이 중요하며, 최대한 정교하게 진행해야 한다.
더는 줄일 데가 없다! AI 도입 영역에 대한 산업별 고민
화학 산업
조선사업
철강사업
다른 산업보다 어려운 이유와 핵심 성공방안
화학 산업
긴 실험 · 검증주기: R&D, 파일럿, 플랜트 전환까지 최소 6개월~2년까지 소요되며, 잘못된 AI 적용은 전체 배치를 무효화 시킬 수도 있다.
데이터 구조의 복잡성: 반응 조건(온도·압력·촉매·조성)이 다양하여 일괄 모델링이 불가능하다.
→‘속도’보다 ‘정밀성’이 생명
조선 산업
큰 공정 편차: 대부분의 작업환경은 제어 가능한 환경에서 하는 것이 아니기 때문에, 조립 블록, 용접부, 도장, 배관 등 작업 환경이 매번 다르다. “한 번 만든 모델”을 전체 공정에 일괄 적용하면 100% 오작동이 발생한다.
센서 데이터 품질의 불균일: 실외/실내, 날씨, 조도, 장비 진동 등 데이터 변동성이 극단적이다.
→‘많이’가 아니라 ‘어디에 먼저 적용할까’가 생존을 결정
철강 산업
이미 최적화의 끝판왕: 압연 · 정련 · 에너지 · 품질 시스템이 이미 극한까지 자동화되어 있다.
잔여 개선 여지가 ‘극히 제한적’: 1~2% 개선조차 어렵고 어디가 Value Zone인지 찾기 어렵다.
→‘전사 혁신’이 아니라 ‘정확한 Value Zone 1~2개’가 성패
글로벌 기업의 성공 사례
화학 산업: BASF(바스프), Infineum(인피니움), Shell(쉘)
수백 개 공정 데이터에서 Energy, Catalyst, Quality Zone 이라고 하는 상위 20%에서만 AI를 도입하고 있다. AI 적용 대상 공정을 6개 핵심 Value Zone에 집중하는데, 이미 산업에서 성과가 검증된 영역에만 도입한다는 것이 큰 차이다. 그 영역은 예지보전(PdM), 공정 최적화(APS), 비전 품질검사 등이 있다. 또한, 기술별 ROI, 도입 난이도., 데이터 요건을 점수화해 이미 검증된 기술만 도입하고, 효과가 큰 영역만 선별해 도입하고 있다.
조선 산업: Navantia(나반티아), Fincantieri(핀칸티에리)
선체 블록 제작 공정 중 생산성 편차가 가장 큰 자재 흐름이나 블록 조립, 용접 품질 같은 Value Zone만을 식별한다. 그래서 ‘Smart Yard 전체화’가 아니라 ‘3대 핵심 공정’에만 집중해서 AI를 도입하고 있다.
철강 산업: ArcelorMittal(알셀로미탈), Nippon steel(일본제철)
압연온도, 재가열 에너지, 표면 결함 등 전체 비용 중 70%가 발생하는 4개 Zone에 집중하고 있다. 공정변동과 센서 편차를 고려해 Zone별 미세패턴까지 재분류한다. 또한 표면결함 비전 검사, 압연온도 예측, 로열티 검증된 APS 등 검증된 기술만 도입하고 있다.
이들의 성공 공식은 ‘성과를 낼 수 있는 영역(Value Zone)’과 ‘검증된 솔루션(Proven Tech)’ 기반으로 정밀하고 선택적인 AI 도입을 하는 것이다.
Value Zone Mapping
제조 산업에서 AI 도입 대상을 정의할 때는 업무 기능이나 제품 단위가 아닌, 공정, 설비, 품질, 에너지 등 밸류 체인을 분해하는 것이 선행되어야 한다. 반응, 증류, 도장, 용접 등 단위 공정과 Furnace, Converter, Crane, Coater 등 단위 설비, 품질 · 에너지 · 수율 항목별로 체계를 나눈 뒤, 각 요소에 대한 효과(Impact)와 실행 가능성(Feasibility)을 평가한다.
효과 평가는 원가절감 효과, 품질 개선 · 불량 · 리워크 비용, 안전 · 환경 리스크, 에너지 비용 등 지표를 기준으로 수행한다. 실행가능성은 설비별 데이터 성숙도, 공정 안정성, 기술적용 가능성을 세부적으로 점검한다. 이러한 분석 없이 ‘제조 공정 전반에 AI를 도입한다’고 막연하게 접근한다면 실질적인 성과로 이어지기 어렵다.
따라서 Zone 단위로 미세 패턴을 세분화함으로써 편차가 발생하는 지점을 핀포인트로 특정할 수 있다. Kearney 프로젝트 수행 중에 많은 전통기업 경영진과 이야기 나누어 보면, 그들도 AI 혁신의 필요성을 인식하고 있지만 조급하게 속도를 내기보다 안심하라고 조언한다. 공정 효율이 극한에 도달한 상황에서는 우선순위를 좁혀 집중할 영역부터 찾아보는 것이 중요하기 때문이다.
Proven Tech Scouting
AI 투자는 데이터 기반의 의사결정을 필요로 한다. 실제 적용 가능한 기술을 수집하고 자산화한 뒤, 이를 근거로 투자 우선순위를 정의하는 접근이 필요하다. 그러나 많은 조직은 현장의 요구에만 반응하는 방식에 머물러, 이미 활용 가능한 기술이 있음에도 이를 인지하고 적용하지 못하는 사례가 많다. 따라서 ‘지금 시장에서 사용 가능하지만 우리는 아직 쓰지 못하고 있는 기술이 무엇인가’라는 질문으로 접근해보자.
첫째, 기술 카탈로그 구축이 필요하다. 기술 도입은 단발성 RFP로 해결할 문제가 아니라, 명확한 로드맵 위에서 관리되어야 한다. 예지보전, 비전공정 검사, 로보틱스 등 선별된 Zone에 필요한 영역을 기준으로 전 세계 벤더 및 솔루션을 조사해 약 200~300개 수준의 후보군을 확보한다.
둘째, 확보된 기술에 대해 Scoring Framework를 적용한다. 기술의 검증된 경제성(ROI), 성공 레퍼런스, 성숙도, 장기적인 운영 안정성, 벤더의 지속가능성 등을 기준으로 리서치 기반의 평가를 수행한다. 이를 통해 자사 공정에 적합한 상위 5~10개 기술을 도출한다.
셋째, Zone- to-Tech Fit 매핑을 수행한다. Value Zone 내 아이템 단위로 가장 적합한 기술을 연결하고, 적용 우선순위와 도입 시퀀스를 정의한다.
당장 실행 가능한 ‘3가지 점검 포인트’
AI 및 데이터 기반 개선 과제를 반드시 대규모 프로젝트로 시작할 필요는 없다. 아래 3가지 정도로 현재 수준을 간단하게 점검해볼 수 있다.
첫째, 자사 공장의 Value Zone을 식별하는 것이다. 최근 12개월 데이터를 기준으로 불량 및 리워크가 가장 많이 발생한 공정, 에너지 비용이 가장 큰 공정, 품질 편차가 가장 큰 공정을 상위 3개 도출한다. 이를 통해 우선적으로 집중해야 할 영역을 알 수 있다. 만약 이러한 기본적인 식별조차 어렵다면, 이는 분석 이전에 데이터 및 관리 체계부터 정비해야 할 수도 있다.
둘째, 각 Zone별로 데이터 상태를 점검한다. 센서 데이터의 신뢰도가 높은지, 현장에서 실제로 해당 데이터를 의사결정에 활용하고 있는지, 혹은 여전히 개인의 경험과 감각에 과도하게 의존하고 있는지 등을 확인한다. 이 과정을 통해 데이터가 좋은 공정과 나쁜 공정을 분류해볼 수 있다.
셋째, 기존 도입 기술의 실질적 ROI를 검토한다. 단순히 적용 여부가 아니라, 실제로 의미 있는 개선 효과가 있었는지를 기준으로 평가해야 한다. 효과가 확인된 기술과 그렇지 않은 기술을 각각 정리하면, 기술 성숙도 문제인지, 구조적으로 적합하지 않은 기술인지 등에 대한 1차적인 파단이 가능해진다.
간단히 시작할 수 있는 ‘3가지 Pre-Work’
내부 진단을 마무리하고 본격적인 프로젝트 착수하기 앞서, 간단히 Pre-work를 수행해볼 수 있다. 해당 결과를 통해 내부 준비를 먼저 진행할 것인지, 외부 기술 공급업체들과 협의를 시작할 것인지, 혹은 보다 구조적인 로드맵 및 진단이 필요한지에 대한 방향성을 설정할 수 있다.
첫째, Pre-work는 Mini Value Zone 워크숍이다. 이는 ‘어디부터 시작할 것인가‘를 내부적으로 도출하는 과정이다. 생산, 품질, 에너지, 안전 분야의 리더 각 1인이 참여하여, 최근 6개월의 KPI 데이터를 기반으로 논의한다. 참여자들은 본인이 가장 어렵다고 느끼는 이슈에 대한 질문 3가지를 사전에 준비하고, 이를 바탕으로 워크숍을 진행하면 내부적으로 우선 검토할 수 있는 Value Zone 후보군 3개를 도출할 수 있다.
둘째, 기존 도입 기술에 대한 Tech Fit 자가 진단 및 점수화다. 이미 도입된 기술을 대상으로 5점 척도의 평가를 실시함으로써, 지속적으로 투자할지, 중단할지, 또는 다른 공정으로 확장할 수 있을지에 대한 내부 기준을 마련할 수 있다.
셋째, 일정 수준의 가능성이 확인될 경우 Pilot ready 여부를 점검한다. 이것은 파일럿을 시작할 수 있는 기본 조건을 충족하는지에 대한 자가 진단이다. 주요 항목은 다음 세 가지다. 첫번째, 해당 공정의 데이터 정합성이 최소 70% 이상 확보되어 있는지, 두번째, 현장 엔지니어가 주 1회 이상 파일럿에 참여할 수 있는지, 세번째, 해당 공정이 단계적으로 개선 적용이 가능한 구조인지를 확인한다. 이 과정을 통해 파일럿 성공 확률을 스스로 판단할 수 있다. “PoC를 해보자, 파일럿을 해보자“는 제안에 대해 보다 주체적인 기준과 판단을 갖출 수 있다.
