상업적 후크 (Commercial Hook): 헨트(Ghent)와 안트베르펜(Antwerp)의 제조업체들은 자신들의 ERP 시스템이 성숙하고 SCADA가 모든 것을 기록하고 있기 때문에 AI 준비가 되었다고 믿습니다. 고통스러운 진실은 다음과 같습니다. 운영 데이터 수집과 AI가 소비 가능한 데이터 파이프라인 (Data Pipelines)은 근본적으로 다른 인프라 문제입니다. 대부분은 AI 구현 계약을 체결한 후, 구현을 시작하고 6개월이 지나서야 이 격차를 발견하게 될 것입니다.

헨트와 안트베르펜은 유럽에서 가장 회복 탄력성이 높은 산업 클러스터 중 일부를 구축해 왔습니다. 헨트 외곽의 섬유 가공업체, 운하 분지를 따라 위치한 식품 가공업체, 안트베르펜 항구를 지원하는 화학 원료 공급업체, 더 넓은 동플랑드르(East Flanders) 회랑에서 운영되는 정밀 기계 가공 기업들 — 이들은 운영 규율, 린 프로세스 (Lean Process) 사고, 그리고 유행어에 거의 인내심을 갖지 않는 실용적인 엔지니어링 문화 위에 세워진 기업들입니다.

동일한 문화적 특성으로 인해, 30인 규모의 정밀 부품 제조업체의 상무 이사가 "우리는 AI를 위한 준비가 되지 않았다"라고 말한다면, 그들은 대개 옳습니다. 하지만 그 이유는 틀렸습니다. 문제는 거의 항상 AI 리터러시 (AI Literacy) 때문이 아닙니다. 플랑드르 제조 중소기업(SMEs)은 일반적인 서비스 기업보다 프로세스 로직, 생산에서의 인과 관계, 그리고 상관관계 (Correlation)와 노이즈 (Noise)의 차이를 훨씬 더 잘 이해하는 경향이 있습니다. 문제는 기존 시스템과 도입하려는 AI 도구 사이에 존재하는 것입니다. 즉, 대부분의 AI 벤더들이 이미 계약이 체결될 때까지 존재 여부를 말해주지 않을 데이터 인프라 격차 (Data Infrastructure Gap)입니다.

이 기사는 자신이 실제로 어디에 서 있는지, 그리고 "AI에 관심 있는" 단계에서 "AI를 운영하는" 단계로 넘어가기 위해 무엇이 필요한지에 대한 정직한 그림을 원하는 헨트와 안트베르펜 제조 기업의 생산 관리자, 운영 이사, 그리고 CTO를 위한 것입니다.

운영 규율의 함정 (The Operational Discipline Trap)

플랑드르(Flemish) 제조 중소기업(SMEs)은 린(Lean) 도입, ISO 준수, ERP 보급률 측면에서 유럽 평균을 지속적으로 상회합니다. 직원 수 10~50명 규모의 기업들은 종종 자신들보다 3배나 큰 서비스 기업들보다 더 구조화된 운영 데이터를 보유하고 있습니다. 이는 AI 준비도(AI readiness)를 평가할 때 위험한 가짜 자신감(false confidence)을 만들어냅니다.

이 함정은 다음과 같이 작동합니다. 생산 이사가 실시간으로 표면 결함을 감지하는 AI 품질 관리 도구의 시연을 봅니다. 시연은 매우 설득력이 있습니다. 공급업체는 시스템이 기존 생산 라인과 통합될 것이라고 확언합니다. 이사는 다음과 같이 생각합니다. "우리는 모든 것을 기록합니다. ERP도 있습니다. 우리의 SCADA는 30초마다 기계 상태를 캡처합니다. 우리는 데이터가 풍부합니다." 그리고 계약이 체결됩니다.

6개월 후, 프로젝트는 중단됩니다. AI 도구에는 생산 배치(batch) 메타데이터와 연결된 깨끗하고, 라벨링(labelled)되었으며, 시간 동기화(time-synchronised)된 이미지 데이터가 필요합니다. 하지만 기업이 실제로 보유한 것은 다음과 같습니다. 일관되지 않은 명명 규칙(naming conventions)을 가진 로컬 NAS에 교대 근무(shift)별로 저장된 이미지 아카이브, 아무도 예산을 책정하지 않은 미들웨어(middleware) 계층이 필요한 독점적 형식(proprietary format)의 SCADA 내보내기 파일, 그리고 기계 로그와 공통된 타임스탬프(timestamp) 형식을 공유하지 않는 ERP 배치 기록입니다. 데이터는 존재합니다. 단지 AI가 소비할 수 있는 형태가 아닐 뿐입니다.

이것은 야망이나 지능의 실패가 아닙니다. 이는 운영 데이터 수집(인간 작업자와 컴플라이언스 감사에 최적화됨)과 AI 데이터 요구사항(모델 학습 및 추론 파이프라인에 최적화됨) 사이의 구조적 격차입니다. 이 격차를 메우는 것이 제조업체를 위한 실제적인 AI 준비 작업입니다.

대부분의 플랑드르 제조업체가 직면하는 네 가지 데이터 인프라 격차

베네룩스(Benelux) 지역의 산업 중소기업(SMEs) 전반에서 관찰된 패턴을 바탕으로, 네 가지 구조적 격차가 지속적으로 반복됩니다:

1. 타임스탬프 파편화 (Timestamp fragmentation). ERP 시스템, SCADA 플랫폼, 품질 관리 소프트웨어(QMS), 그리고 작업자 로그북은 일반적으로 독립적인 시간 참조(time references)를 기반으로 작동합니다. 이를 예측 유지보수 (predictive maintenance) 모델을 위해 병합하려면 통일된 이벤트 타임라인 (unified event timeline)이 필요한데, 이는 대부분의 기업이 지금까지 필요로 하지 않았던 요소입니다. 기계 상태 로그와 품질 검사 기록 사이에 단 30초의 오차만 있어도 학습 데이터셋 (training dataset)을 오염시킬 수 있습니다.

2. 지도 학습 (Supervised learning)을 위한 레이블 부족. 품질 관리 AI는 양품과 불량품 출력에 대한 레이블링된 (labelled) 예시를 필요로 합니다. 대부분의 제조업체는 QMS에 결함 기록을 보유하고 있지만, 이는 특정 기계 상태나 상류 공정 파라미터 (upstream process parameters)와 연결된 것이 아니라 교대 근무(shift)나 배치(batch) 단위로 기록되어 있습니다. 소급하여 레이블을 생성하는 작업은 노동 집약적이며, 시스템이 아닌 숙련된 작업자의 머릿속에 있는 도메인 지식 (domain expertise)을 필요로 하는 경우가 많습니다.

3. 독점적 SCADA 종속 (Proprietary SCADA lock-in). 많은 플랑드르(Flemish) 중소기업들은 개방형 데이터 내보내기 API를 제공하지 않는 벤더의 SCADA 시스템을 사용합니다. AI 도구가 소비할 수 있는 형식으로 기계 상태 데이터를 가져오려면 종종 제3자 OPC-UA 커넥터, 미들웨어 (middleware) 계층, 또는 경우에 따라 전체 SCADA 업그레이드가 필요하지만, 이 중 어느 것도 AI 벤더의 제안서에는 포함되어 있지 않습니다.

4. ERP 데이터 완결성 (ERP data completeness). 이 정도 규모의 기업에서 ERP 시스템은 공정 분석 (process analytics)이 아닌 재무 보고 및 재고 관리를 위해 구성되는 경향이 있습니다. AI에 중요한 필드들 — 생산 주문별 기계 할당, 작업자 ID, 주변 환경 조건, 공구 상태 — 는 종종 작업자가 건너뛰거나 일관성 없게 채우는 선택적 필드인 경우가 많습니다. ERP는 재무적 관점에서는 완결된 것처럼 보이지만, AI 관점에서는 구조적으로 불완전합니다.

이러한 격차 중 극복 불가능한 것은 없습니다. 다만 이 모든 것들은 AI 도입을 시작하기 전에 정직한 평가를 필요로 합니다.

제조 AI 준비도 평가 (Manufacturing AI Readiness Assessment)가 실제로 다루는 내용

Ghent 또는 Antwerp 지역의 제조 중소기업(SME)을 위한 신뢰할 수 있는 AI 준비도 평가(AI readiness assessment)는 단순한 성숙도 설문조사가 아닙니다. 이는 특정 AI 유스케이스(use case) 요구사항에 따른 데이터 인프라의 기술적 감사(technical audit)입니다. 그 결과물은 다음 다섯 가지 질문에 답할 수 있어야 합니다.

데이터를 추출할 수 있는가? 이는 생산 관련 데이터를 보유한 모든 시스템 — ERP, SCADA, QMS, 그리고 존재하는 경우 MES — 을 감사하여, 데이터가 정해진 일정에 따라 또는 실시간으로 구조화된 형식(structured format)으로 내보내질 수 있는지 확인하는 것을 의미합니다. 독점적 형식(Proprietary formats), 벤더 종속(vendor lock-in) 조항, API 문서 누락 등의 문제들이 이 단계에서 모두 드러납니다.

데이터를 결합할 수 있는가? 시스템 간의 타임스탬프 정렬(timestamp alignment) 작업을 통해 서로 다른 소스의 기록들을 신뢰성 있게 병합할 수 있는지 확인합니다. 이는 기업이 자사 시스템들이 서로 동일한 시간 언어를 사용하지 않고 있다는 사실을 처음으로 발견하게 되는 경우가 많습니다.

데이터가 목표 유스케이스에 맞게 라벨링(labelled)되어 있는가? 품질 관리(quality control) AI의 경우, 이는 결함 기록이 현재 어떻게 생성되는지, 그리고 이를 소급하여 기계 상태와 연결할 수 있는지 이해하는 것을 의미합니다. 예지 보전(predictive maintenance)의 경우, 고장 이벤트가 기계 판독 가능 형식(machine-readable format)으로 기록되고 있는지 이해하는 것을 의미합니다.

충분한 이력 데이터가 있는가? 제조 품질 관리를 위한 대부분의 지도 학습(supervised learning) 모델은 6~18개월 분량의 라벨링된 생산 데이터를 필요로 합니다. 최근에 ERP 시스템을 이전했거나 제품 라인을 변경한 기업은 관련 구성(configuration)에 있어 역사적 깊이가 불충분할 수 있습니다.

운영 환경에서 데이터 파이프라인의 소유권은 누구에게 있는가? 데이터 엔지니어가 유지보수해야 하는 AI 시스템은 25명 규모의 제조업체에게 운영적으로 실행 가능하지 않습니다. 준비도 평가는 제안된 AI 아키텍처가 기존 운영 인력에 의해 유지될 수 있는지, 아니면 지속적인 외부 지원이 필요한지를 식별해야 합니다.

이 다섯 가지 질문에 대한 답변은 기업이 AI 구현을 진행해야 할지, 데이터 인프라에 먼저 투자해야 할지, 아니면 머신러닝(ML) 수준의 데이터 품질을 요구하지 않는 더 가벼운 자동화 방식을 추구해야 할지를 결정합니다.

헨트(Ghent) 및 안트베르펜(Antwerp) 제조업체를 위한 올바른 순서

직원 수 10~50명 규모의 대부분의 플랑드르(Flemish) 제조 중소기업(SME)에게 올바른 AI 도입 순서는 "AI 활용 사례를 찾고, 도구를 조달하고, 구현하는 것"이 아닙니다. 그 순서는 다음과 같습니다.

첫째: 가장 우선순위가 높은 두세 가지 운영상의 고충(pain points) — 일반적으로 품질 관리 수율(quality control yield), 계획되지 않은 다운타임(unplanned downtime), 또는 공급망 리드 타임 변동성(supply chain lead time variability) — 을 기준으로 데이터 인프라 감사(audit)를 실시합니다.

둘째: 영향력이 가장 큰 데이터 격차(data gaps)를 해결합니다. 대부분의 경우 이는 타임스탬프 동기화 계층(timestamp synchronisation layer), 구조화된 결함 라벨링 프로세스(structured defect labelling process), 그리고 SCADA로부터의 확정된 데이터 내보내기(data export)를 의미합니다. 이 단계는 보통 8~12주가 소요되며, 화려하지는 않지만 필수적입니다.

셋째: 명확하게 정의된 성공 지표를 가지고 단일 생산 라인 또는 제품군에 대해 제한된 파일럿(pilot)을 실행합니다. 품질 관리의 경우, 특정 부품에 대한 결함 탐지율(defect detection rate)이 될 수 있습니다. 예지 보전(predictive maintenance)의 경우, 단일 핵심 장비의 계획되지 않은 다운타임 감소가 될 수 있습니다.

넷째: 기준점(baseline)과 비교하여 파일럿을 정직하게 평가합니다. 많은 제조업체가 2단계의 데이터 인프라 작업이 AI 모델을 배포하기도 전에 이미 운영 개선을 가져다준다는 사실을 발견할 것입니다. 이는 데이터를 정제하고 구조화하는 과정이 이전에 없던 프로세스 규율(process discipline)을 강제하기 때문입니다.

이러한 순서는 벤더의 데모가 시사하는 것보다는 느리지만, 잘못된 방식으로 진행하는 것보다는 빠릅니다.

이것이 귀하의 기업에 의미하는 바

헨트와 안트베르펜의 제조 중소기업(SME)은 AI 도입을 위한 좋은 위치에 있습니다. 하지만 준비 작업은 문화적 작업이 아니라 인프라 작업입니다. 향후 3년 동안 해당 분야를 선도할 기업은 반드시 AI 야망이 가장 높은 기업은 아닙니다. 그들은 지금 데이터 파이프라인(data pipeline) 작업을 수행하고, 경쟁사들이 번거로워하며 만들지 않은 라벨링된 데이터셋(labelled datasets)을 구축하며, 실제로 이를 지원할 수 있는 토대 위에 AI를 배포하는 기업들입니다.

만약 귀사가 품질 관리 (Quality Control), 예측 유지보수 (Predictive Maintenance), 또는 공급망 예측 (Supply Chain Forecasting)을 위한 AI 도구를 평가하고 있다면, 첫 번째 투자는 도구 자체에 이루어져서는 안 됩니다. 대신 현재 귀사의 데이터가 무엇을 지원할 수 있고 무엇을 지원할 수 없는지를 이해하는 데 투자가 이루어져야 합니다.

자주 묻는 질문 (Frequently Asked Questions)

제조 분야 중소기업 (SME)의 AI 준비도 평가에는 얼마나 걸리나요?

직원 수 10~50명 규모의 제조업체를 대상으로 하는 철저한 AI 준비도 평가 (AI readiness assessment)는 대상 시스템의 수와 기술 문서의 가용성에 따라 통상 2주에서 4주 정도 소요됩니다. 결과물은 일반적인 성숙도 점수가 아니라, 특정 유스케이스 (Use Case)와 연결된 우선순위가 지정된 격차 목록 (Gap List)입니다.

AI를 도입하기 전에 ERP나 SCADA를 교체해야 하나요?

반드시 그렇지는 않습니다. 많은 경우, 미들웨어 계층 (Middleware Layer)이나 구조화된 내보내기 프로세스 (Structured Export Process)만으로도 기존 시스템을 AI 호환 가능하게 만드는 데 충분합니다. 전체 교체는 핵심 시스템에 데이터 내보내기 기능이 전혀 없거나, 다른 운영상의 이유로 이미 업그레이드가 계획되어 있는 경우에만 정당화됩니다.

직원 수 10~50명 규모의 플랑드르 제조업체에게 가장 높은 ROI를 보이는 AI 유스케이스는 무엇인가요?

이 정도 규모의 기업에서는 품질 관리 자동화와 예측 유지보수가 일관되게 가장 강력한 ROI (투자 대비 수익)를 보여줍니다. 이는 결함 및 계획되지 않은 다운타임 (Unplanned Downtime)으로 인한 기본 비용이 상당하며, 해당 유스케이스가 소규모 파일럿 테스트를 수행할 수 있을 만큼 충분히 잘 정의되어 있기 때문입니다. 공급망 예측은 더 많은 데이터 이력 (Data History)을 요구하는 경향이 있어 2단계 단계에 더 적합합니다.

EU AI 법 (EU AI Act)이 벨기에 제조업체의 AI 조달에 어떤 영향을 미치나요?

제조업의 품질 관리나 예측 유지보수에 사용되는 AI 시스템은 일반적으로 EU AI 법에 따라 제한적 위험 (Limited-risk) 또는 최소 위험 (Minimal-risk)으로 분류되며, 이는 준수 의무가 상대적으로 가볍다는 것을 의미합니다. 그러나 작업자의 성과나 안전에 직결된 프로세스에 관한 결정에 영향을 미치는 모든 AI 시스템은 더 신중한 규제 준수 검토가 필요합니다. AI 준비도 평가에는 규제 리스크 스크리닝 (Regulatory Risk Screen)이 포함되어야 합니다.

작성자: Dr Hernani Costa | 제공: Core Ventures

First AI Movers에 최초 게시됨.

기술은 쉽습니다. 하지만 기술을 손익 계산서 (P&L)에 매핑하는 것은 어렵습니다. First AI Movers에서 우리는 단순히 코드를 작성하는 것이 아니라, EU 중소기업 (SMEs)을 위한 '경영진 신경계 (Executive Nervous System)'를 구축합니다.

귀하의 아키텍처 (Architecture)는 기술 부채 (Technical Debt)를 만들고 있습니까, 아니면 비즈니스 자산 (Business Equity)을 만들고 있습니까?

👉 귀하의 AI 준비도 점수 확인하기 (무료 기업 평가)

EU 제조업체를 위한 당사의 AI 준비도 평가 (AI readiness assessment)는 데이터 인프라 감사 (Data infrastructure auditing)와 비즈니스 프로세스 최적화 전략 (Business process optimization strategy)을 결합하여, 운영 규율 (Operational discipline)과 AI 운영 역량 (AI-operational capability) 사이의 격차를 줄일 수 있도록 지원합니다.