제조AI, 공장 하나의 성공을 국가 산업으로 — 산업부 'AI 팩토리 4단계 확산전략' 해설

산업통상부가 지난 11월 3일 「AI 팩토리 확산전략」을 발표했다. 한 문장으로 줄이면 이렇다. 지난 3년간 개별 공장에서 검증된 제조 인공지능(AI) 모델을, 이제 다른 공장·다른 공급망·다른 산업단지로 복제하는 것을 정책의 본업으로 삼겠다는 선언이다. 그 근거로 제시된 숫자가 245개 AI 팩토리와 541개 AI 모델, 그리고 생산성 30.1% 향상·불량률 15.5% 감소다.

흥미로운 것은 이 정책이 '무엇을 새로 개발한다'가 아니라 '이미 만든 것을 어떻게 퍼뜨린다'에 방점을 찍는다는 점이다. 관공서 문서에서 흔히 보는 신기술 개발 계획이 아니라, 확산(diffusion)을 주제로 한 산업정책이라는 뜻이다. 이 차이가 이번 발표를 읽는 열쇠다.

왜 지금 '퍼뜨리기'인가

산업부가 스스로 밝힌 문제의식은 명확하다. 지금까지 지원한 245개 기업의 AI 팩토리 전환 사업에서 38개 우수사례가 생산성 30.1% 향상과 불량률 15.5% 감소를 냈다. 그런데 한 공장에서 성공한 기술을 다른 공장이 처음부터 다시 개발하는 중복 투자가 발생했다는 것이다. 혁신이 개별 공장이라는 '점'에 머물러 있다는 자기 진단이다.

정책 문서에서 정부가 자기 사업의 한계를 명시하는 경우는 흔치 않다. 이 대목이 나온다는 것은, 기존 사업의 성과 보고가 '지원 기업 수'와 '우수사례 수'라는 양적 지표에 기대고 있었다는 뜻이기도 하다. 기업 245곳을 지원해 사례 38건을 만들었다면, 나머지 200여 곳의 성과는 이번 발표에서 수치로 제시되지 않았다.

4단계 확산 체계 — 점·선·면·입체

발표의 뼈대는 네 단계다. 먼저 점은 우수 모델을 골라내는 단계다. 기존 541개 AI 모델을 분석해 확산 가능성이 높은 과업을 시각화한 'M.AX 핵심과업 히트맵'을 만들고, 제조기업의 AX(인공지능 전환) 수준을 진단해 맞춤형 'M.AX 처방전'을 발급한다. 여기에 투자 대비 성과(ROI) 평가체계를 새로 만들어, 실제로 수익이 나는 현장 투자를 유도하겠다는 구상이다.

선은 검증된 모델을 유사 공정으로 옮기는 단계다. 원문이 든 예시는 철강 가열로의 온도 예측 AI를 다른 기업의 유사 열처리 공정에 적용하는 경우다. 현장 특성에 맞춘 추가 학습(fine-tuning)으로 재사용해 확산 속도를 높이고, 특정 업종에 특화된 제조AI 전문기업도 집중 육성한다.

면은 이 선들을 묶는 단계다. 대기업(앵커기업)이 협력사와 함께 공통의 제조 난제를 발굴해 AI 모델을 개발·실증하고, 산업단지 단위로도 공통 수요를 찾는다. 자동차·기계는 광주·창원, 반도체·디스플레이는 천안·청주·구미, 석유화학·철강은 울산·여수, 조선은 대불·군산이 무대로 명시됐다.

입체는 최종 지향점이다. 생산계획부터 제조·검사·물류까지 공장 전체를 AI가 통합 제어하는 풀스택(full-stack) AI 팩토리다. 기술개발 초기부터 실제 현장 실증을 병행해 요소기술을 빠르게 고도화하고, 공장 단위 통합실증으로 완전자율운영 기술을 확보한 뒤 모듈화·표준화해 다른 현장으로 옮긴다는 계획이다.

정책브리핑(korea.kr) 화면 캡처 — 산업통상부 보도자료 「대한민국 제조업 판 바꾼다… 산업부, 제조AI 4단계 확산전략 가동」(2026.11.3. 배포, 11.4. 조간)

돈은 어디에, 얼마나 붙나

보도자료에 명시된 2027년 정부안 사업은 다음과 같다. 모두 2027년도 정부 예산안 기준 금액이며, 국회 심의를 거치지 않은 '안(案)'이라는 점을 감안해야 한다.

• 제조암묵지활용 AI솔루션 개발 — 2027~2031년, 2027년 정부안 2,900억원, 주관 KEIT
• 기계장비산업기술개발 — 2009년부터 계속 사업, 2027년 정부안 2,223억원, 주관 KEIT
• 풀스택 AI 팩토리 및 제조AI 파운데이션 모델 기술개발 — 2027~2031년, 2027년 정부안 1,200억원, 주관 KEIT
• AI자율제로SDM플랫폼기술개발 — 2025~2027년, 2027년 정부안 75억원, 주관 KEIT
• 지역기반 제조AX 현장 인력양성 — 2027~2030년, 2027년 정부안 130억원, 주관 KIAT
• 지역산단 기반 M.AX Academy 구축 — 2027~2030년, 2027년 정부안 47.2억원, 주관 KIAT

가장 큰 축은 2,900억원 규모의 '제조 암묵지' 사업이다. 암묵지(暗默知)는 문서로 남지 않고 숙련공의 손끝과 경험에 축적된 지식이다. 이를 AI로 형식화하겠다는 것은, 고령 숙련 인력이 빠져나가는 제조 현장의 구조적 공백을 기술로 메우겠다는 문제의식과 맞닿아 있다. 다만 보도자료는 이 사업이 구체적으로 어떤 과업을 다루는지까지는 밝히지 않았다.

누가 무엇을 얻고 무엇을 잃는가

중소·중견 제조기업이 1차 수혜자다. 자신이 처음부터 모델을 개발하지 않고, 이미 검증된 유사 공정 모델을 추가 학습해 쓰는 비용 절감이 핵심 편익이다. ROI 평가체계와 '처방전'은 투자 판단의 기준을 제공하지만, 동시에 정부 지원의 선별 기준이 될 수 있다.

대형 앵커기업은 공급망 단위 실증의 주도권을 얻는다. 현대모비스·HD한국조선해양·LS엠트론 같은 기업이 협력사와 함께 과제를 발굴하는 구조에서는, 협력사의 데이터와 공정 정보가 앵커기업의 모델 학습에 들어간다. 공급망 전체의 경쟁력이라는 명분과, 데이터 주도권이 대기업으로 모이는 효과는 같은 현상의 두 얼굴이다.

제조AI 전문기업에게는 시장이 열린다. 업종 특화 전문기업 육성은 곧 정부 사업의 수주 기회를 뜻한다. 반면 범용 AI 솔루션 기업은 업종별 레퍼런스가 없는 한 밀려날 수 있다.

숙련 노동자의 처지는 이 문서에서 가장 불투명한 부분이다. 암묵지의 AI 형식화는 곧 개인의 경험을 조직의 자산으로 바꾸는 작업이다. 재직자 대상 M.AX Academy는 역량 강화를 내세우지만, 그 프로그램이 노동자의 지위를 올려주는지 아니면 숙련의 가치를 낮추는지는 보도자료에 적혀 있지 않다.

통념과 다른 지점 — '많이 도입'에서 '빨리 퍼뜨리기'로

김정관 장관의 발언이 이 정책의 성격을 압축한다. "AI를 얼마나 많이 도입했느냐를 넘어, 검증된 기술을 얼마나 빠르게 폭넓게 확산해 기업의 실질적인 매출과 이익으로 연결하느냐에 집중해야 할 때"라고 그는 말했다. AI 도입률을 성과 지표로 삼던 관행을 스스로 내려놓겠다는 선언으로 읽힌다.

또 하나 눈에 띄는 것은 시점이다. 확산전략을 발표하면서 실제 예산은 대부분 2027년 사업으로 편성됐다. 2026년 11월에 전략을 내놓고, 지원의 실질적 시작은 이듬해 예산안 심의 이후라는 뜻이다. 정책의 명분을 먼저 세우고 예산을 뒤따르게 하는 전형적인 순서다.

반론과 한계 — 이 전략이 풀지 못하는 것

첫째, 확산의 가장 큰 장벽은 기술이 아니라 데이터 주권과 보안이다. 경쟁 관계에 있는 기업이 같은 모델을 쓰려면 공정 데이터를 어디까지 공유할지 합의해야 하는데, 보도자료는 이 문제를 다루지 않는다. 확인되지 않음.

둘째, ROI 평가체계의 설계다. 제조 AI의 성과는 불량률·가동률처럼 계량화가 쉬운 지표와, 품질 안정성·납기 신뢰처럼 어려운 지표로 나뉜다. 계량 지표만 반영하면 단기 투자로 편향될 위험이 있다. 구체적 산식은 공개되지 않았다. 확인되지 않음.

셋째, 수요 기업의 투자 여력이다. 정부가 마중물을 붓는다 해도 최종 투자는 기업 몫이다. 원문은 산업성장펀드·국민성장펀드 등 금융 지원을 언급하지만, 지원 규모와 조건은 명시하지 않았다. 확인되지 않음.

넷째, 245개 지원 기업 중 38개만 우수사례로 제시된 점이다. 나머지 기업에서 전환이 정착되지 못한 이유에 대한 분석은 이번 발표에 포함되지 않았다. 실패 원인을 진단하지 않은 확산전략은 같은 실패를 더 넓게 복제할 수 있다.

기업이 실제로 확인해야 할 것

제조기업이라면 우선 'M.AX 처방전'과 히트맵이 언제, 어떤 경로로 제공되는지 확인할 필요가 있다. 보도자료에는 이 서비스의 공개 시점과 신청 절차가 없다. KEIT와 KIAT가 2027년 사업 추진계획을 발표했으므로, 두 기관의 사업 공고를 주기적으로 확인하는 것이 현실적인 첫 단계다.

추가 학습을 전제로 한 모델 재사용을 검토한다면, 자사 공정이 원 모델의 학습 조건과 얼마나 유사한지가 관건이다. 철강 열처리와 자동차 열처리가 같은 모델로 묶일 수 있는지는 공정 온도·소재·측정 주기 같은 변수에 달려 있다. 원문의 '유사 공정'이라는 표현은 이 판단을 기업에 맡기고 있다.

협력사 입장에서는 앵커기업 주도 과제에 참여할 때 데이터 제공 범위와 활용 권한을 계약 단계에서 명확히 해두는 것이 좋다. 원문은 이 부분의 지침을 제시하지 않는다.

사료의 한계

이 글의 근거는 산업통상부가 배포한 보도자료와 그 첨부 hwp 원문이다. 보도자료는 정부의 입장을 정리한 문서이므로, 확산전략의 성과와 필요성은 정부의 자기 평가 기준으로 서술돼 있다. 지원 기업 200여 곳의 미흡한 성과, 데이터 공유 갈등, 노동시장 영향에 대한 반대편 시각은 이 문서에 담기지 않았다. KEIT·KIAT의 실제 공고문, 국회 예산 심의 과정, 참여 기업의 현장 평가가 공개되면 그림이 달라질 수 있다. 정책의 방향을 평가하기보다 제도가 무엇을 어떻게 바꾸는지 설명하는 데 초점을 두었다.

참고 자료

• 산업통상부(산업인공지능정책관 산업인공지능정책과), 「대한민국 제조업 판 바꾼다… 산업부, 제조AI 4단계 확산전략 가동」, 2026년 11월 3일 배포(11월 4일 조간)
• 정책브리핑 보도자료 원문: https://www.korea.kr/briefing/pressReleaseView.do?newsId=156787789
• 붙임: AI 팩토리 전략회의 개요(2026.11.3. 14:30~15:50, 프레스센터 20F 국제회의장)