중소 제조기업 AI 도입, 실패하지 않는 파트너 선택법
같은 "AI 구축"인데 결과가 갈리는 이유
제조 분야 중소기업의 AI 연구를 정리한 한 문헌 리뷰는 최근 몇 년 사이 AI의 가능성에 주목하는 중소기업이 늘고 있다고 짚습니다. 관심이 커진 만큼 누구와, 어떤 조건으로 시작할지에 대한 고민도 함께 커집니다.
AI 프로젝트의 성패는 알고리즘만으로 정해지지 않습니다. 우리 공정 데이터로 무엇이 가능한지 정직하게 말해 주는지, 구축 뒤의 재학습과 유지보수를 누가 어떤 비용으로 맡는지, 성과를 어떤 지표로 판정할지가 계약 전에 정리되어 있는지도 결과에 영향을 줍니다.
이 글에서는 파트너 유형별 특징과 비용 구조, 공개된 저비용 연구 사례, 안전·데이터 요건, 실패로 이어지는 계약 포인트를 차례로 살펴보고 위험을 나누는 발주 방식까지 정리합니다.
중소기업이 AI 도입에서 실제로 막히는 지점
2024년 국제 학술지 Management Review Quarterly에 온라인 게재된 체계적 문헌 리뷰는 제조 분야 중소기업의 AI 도입을 다룬 논문 71편을 분석해 27가지 도입 장애 요인을 정리했습니다. 언급한 논문 수 기준으로 가장 많았던 것은 AI 관련 지식 부족(35편)이었고, 비용(24편), IT 인프라·디지털 성숙도(17편), 데이터 가용성(16편), 경영진의 판단·지지(14편), 투자 효과 평가의 어려움(13편), 데이터 품질(12편)이 뒤를 이었습니다.
이 결과는 파트너 선정과 바로 연결됩니다. 지식·인프라·데이터처럼 기업 안에서 단기간에 채우기 어려운 공백을 메우는 것이 곧 파트너의 역할이기 때문입니다. 반대로 이 공백을 진단하지 않고 솔루션부터 내미는 파트너라면 한 번 더 따져 볼 필요가 있습니다.
같은 리뷰는 다른 기업의 AI 사례를 그대로 옮겨 쓰기 어렵다는 점도 지적합니다. 데이터 양이나 설비 상태 같은 출발 조건이 기업마다 달라, 상당한 맞춤 작업 없이 1:1로 적용하기 어렵다는 것입니다. "같은 업종 구축 사례가 있다"는 말만으로 판단하지 말고, 그 사례의 출발 조건이 우리 공장과 얼마나 닮았는지까지 확인해야 하는 이유입니다.
파트너 유형별 장단점 비교
AI 파트너는 크게 세 갈래로 나눠 볼 수 있습니다. 어느 쪽이 우월하다기보다, 과제의 성격과 내부 역량에 맞는 유형이 따로 있다고 보는 편이 정확합니다.
- 솔루션 패키지형: 비전 검사·설비 모니터링처럼 기능이 정해진 제품을 공급합니다. 도입은 빠르지만 우리 공정에 맞지 않는 부분은 바꾸기 어렵습니다.
- 맞춤 구축형(SI): 공정과 데이터 구조에 맞춰 모델과 연동을 새로 설계합니다. 적합도는 높지만 범위가 커지기 쉽고, 구축 후 수정도 같은 업체에 기대게 됩니다.
- 연구기관·대학 연계형: 새로운 방법을 시도하거나 기술 타당성을 검증할 때 유리합니다. 다만 과제가 끝난 뒤 운영과 유지보수를 맡을 주체가 있는지 확인해야 합니다.
| 구분 | 솔루션 패키지형 | 맞춤 구축형(SI) | 연구기관·대학 연계형 |
|---|---|---|---|
| 적합한 과제 | 범용 검사·모니터링 | 공정 특화 예측·최적화 | 기술 타당성 검증, 신규 시도 |
| 비용 구조 | 라이선스·구독 중심 | 개발 인건비 중심 | 과제 단위 예산 |
| 맞춤 수준 | 제한적 | 높음 | 높음 |
| 운영·유지보수 | 공급사 정책에 따름 | 계약 범위에 따라 편차 큼 | 과제 종료 후 공백 가능 |
| 핵심 확인점 | 우리 데이터로 성능이 재현되는가 | 산출물·소스 권리 범위 | 운영 이관 계획 |
견적서에 잘 드러나지 않는 비용
AI 견적서는 대개 하드웨어, 소프트웨어 라이선스, 개발 인건비로 구성됩니다. 그런데 실제 예산을 흔드는 항목이 그 바깥에 있기도 합니다.
Oldemeyer 등의 리뷰는 투자 효과를 미리 판단하기 어려운 이유로 두 가지를 듭니다. 기업마다 필요한 맞춤 작업의 비용을 사전에 계산하기 어렵고, AI 구축은 여러 번의 시행착오를 거쳐야 작동하는 경우가 많아 일정과 효과 시점을 예측하기 어렵다는 것입니다.
- 데이터 준비 비용: 수집 기준이 없던 현장이라면 정제와 라벨링(불량 이미지에 정답을 붙이는 작업)에 상당한 시간이 듭니다. 이 작업을 누가 맡는지에 따라 내부 부담이 크게 달라집니다.
- 재학습·튜닝 비용: 원자재, 제품 사양, 조명, 설비 상태가 바뀌면 모델 성능이 떨어질 수 있습니다. 재학습이 유지보수에 포함되는지, 별도 과금인지 확인해야 합니다.
- 설비 연동 비용: PLC·MES와 연결하려면 통신 인터페이스를 추가하거나 기존 설비를 손봐야 할 수 있습니다. 노후 설비가 많을수록 이 항목이 커집니다.
- 내부 인력 시간: 요구사항 정리, 데이터 검수, 현장 테스트 참여는 견적서에 나오지 않지만 실제로 적지 않은 비용입니다.
"한 번 구축하면 끝"이라는 전제로 비교하면, 초기 견적이 낮은 업체가 운영 기간 전체로는 더 비쌀 수 있습니다. 견적은 최소한 구축비와 연간 운영비를 나란히 놓고 비교해야 합니다.
작게 시작한 공개 연구 사례: 웹캠으로 노후 CNC 데이터 수집
비싼 AI부터 들이기 전에, 데이터를 모으는 단계에서 비용을 크게 줄인 공개 연구 사례가 있습니다. 2019년 국제 학술지 Sensors에 실린 서울대학교 연구팀의 논문은 네트워크 연결 기능이 없는 기존 CNC 공작기계의 조작 화면을 일반 웹캠으로 촬영해 운전 데이터를 읽어 내는 모니터링 방식을 제안했습니다.
연구팀은 웹캠, 소형 컴퓨터, 오픈소스 문자 인식 소프트웨어를 조합해 3축 CNC 밀링기에서 시제품을 평가했습니다.
- 시제품의 직접 비용은 약 393달러였고, 연구팀은 총소유비용이 500달러 미만으로 수천 달러가 들던 기존 방식과 대비된다고 설명합니다.
- 설치는 1시간 이내, 모니터링 조건 설정은 30분 이내에 끝나, 며칠이 걸리던 기존 방식보다 짧았습니다.
- 서로 다른 컨트롤러의 조작 화면 3종에서 데이터 인식을 확인했고, 연구팀은 특정 컨트롤러에 의존하지 않는 방식이라고 평가했습니다.
이 사례는 연구용 시제품 평가이며, 학습형 AI 모델보다는 문자 인식과 규칙 기반 처리에 가깝습니다. 그래도 파트너 선정 관점의 시사점은 분명합니다. 노후 설비가 많은 중소 공장에서는 "어떤 AI를 쓸지"보다 "데이터를 어떻게 싸고 안정적으로 모을지"가 먼저일 수 있고, 좋은 파트너라면 이 순서를 먼저 제안할 수 있어야 합니다.
안전·데이터 요건: 계약 전에 확인할 것
AI가 알림을 넘어 설비 제어까지 관여하면 안전 문제가 따라옵니다. 비상정지나 방호장치처럼 작업자 안전과 직결된 기능은 AI 판단과 분리된 독립 안전 회로로 유지하고, AI는 그 위에서 보조 판단을 하도록 설계하는 방식이 권장됩니다.
데이터와 관리 체계 측면에서는 아래 세 가지를 확인합니다.
- 데이터 보관 위치와 접근 권한: 공정 데이터가 외부 클라우드로 나가는지, 누가 열람할 수 있는지를 계약서에 적어 둡니다.
- 영상 데이터와 개인정보: 작업자가 찍히는 카메라를 쓴다면 촬영 범위, 보관 기간, 작업자 고지 절차를 미리 정합니다.
- AI 관리 체계: 국제적으로는 AI 경영시스템 표준(ISO/IEC 42001)처럼 AI의 위험 관리와 책임 체계를 다루는 기준이 마련되어 있습니다. 인증 보유 여부보다 모델 변경 이력과 성능 저하 대응 절차를 문서로 운영하는지 보는 것이 실무적입니다.
실패로 이어지는 계약 포인트 세 가지
정확도 하나로 성능을 판단하는 경우
높은 정확도 수치는 불량이 드문 공정에서 착시를 만들 수 있습니다. 예를 들어 불량률이 1%인 라인에서 모든 제품을 양품으로 판정하는 모델도 정확도는 99%가 나옵니다. 정작 잡아야 할 불량은 하나도 잡지 못하는데도 말입니다.
그래서 불량 검출 과제라면 실제 불량 중 몇 개를 잡았는지(검출률)와 양품을 불량으로 잘못 걸러 낸 비율(과검출률)을 따로 요구해야 합니다. 두 지표의 목표치와 평가용 데이터를 계약 전에 합의해 두면, 구축 뒤 성능을 두고 다툴 여지가 줄어듭니다.
데이터 품질 문제를 뒤로 미루는 경우
문헌 리뷰에 포함된 일부 사례 연구에서는 중복되거나 의미가 불분명한 데이터 때문에 구축 프로젝트가 실패했습니다. 데이터 정제를 "구축하면서 맞추자"고 넘기면 모델 문제와 데이터 문제가 뒤섞여 원인 파악부터 어려워집니다. 착수 전에 파트너가 우리 데이터를 직접 보고 품질 진단 결과를 내놓는지 확인하는 것이 좋습니다.
데이터·모델 권리를 정하지 않은 경우
학습된 모델과 학습 데이터, 전처리 코드의 권리를 정해 두지 않으면 업체를 바꾸는 순간 처음부터 다시 시작해야 할 수 있습니다. 최소한 우리 공장 데이터의 소유권, 계약 종료 시 모델과 데이터의 인도 범위, 재학습에 필요한 자료 제공 의무는 계약서에 넣어 둡니다.
파트너 평가 기준 비교표
상담 자리에서 던질 질문을 "무엇을 증빙으로 받을지"와 함께 정리해 두면 업체 간 비교가 쉬워집니다.
| 평가 항목 | 상담 시 질문 | 받아야 할 증빙 | 주의 신호 |
|---|---|---|---|
| 현장 이해도 | 우리와 출발 조건이 비슷한 구축 경험이 있는가 | 사례의 설비·데이터 조건 설명 | 업종명만 나열하고 조건 설명이 없음 |
| 데이터 진단 | 착수 전에 우리 데이터를 직접 검토하는가 | 데이터 품질 진단 결과 | 데이터를 보기 전에 성능부터 약속 |
| 성능 지표 | 어떤 지표로 성공을 판정하는가 | 검출률·과검출률 목표와 평가 데이터 | 정확도 하나만 제시 |
| 설비 연동 | PLC·MES 연동 방식과 추가 공사 범위는 | 연동 구성도와 개조 범위 | 연동 비용을 "별도 협의"로만 표기 |
| 운영·재학습 | 재학습 주기와 비용이 유지보수에 포함되는가 | 유지보수 범위·단가 명세 | 구축 후 지원 범위가 모호함 |
| 권리·종료 | 계약 종료 시 모델·데이터를 어떻게 넘기는가 | 산출물 인도 조항 | 모델을 업체 자산으로만 규정 |
| 지원사업 | 정부 스마트공장 지원사업 수행 경험이 있는가 | 수행 이력과 맡았던 역할 | 지원금 규모에 맞춰 과제 범위를 정함 |
위험을 나누는 발주 방식: PoC 분리 계약
처음부터 전체 구축을 한 번에 계약하기보다, 짧은 기술 검증(PoC)을 별도 계약으로 떼어 내는 방식이 위험을 줄입니다. 검증 결과를 본 뒤 본 구축 여부와 범위를 다시 정할 수 있기 때문입니다. 흐름은 과제 정의, 데이터 진단, 성공 기준 합의, PoC 수행, 판정 순으로 이어집니다.
- 성공 기준을 먼저 정합니다: 검증 대상 라인, 평가 데이터, 목표 지표를 PoC 착수 전에 문서로 합의합니다.
- 산출물을 남깁니다: 결과가 기대에 못 미쳐도 데이터 진단 결과와 검증 보고서는 다음 판단의 자산이 됩니다.
- 판정 뒤 갈림길을 열어 둡니다: 기준을 넘으면 본 구축 계약으로, 못 넘으면 과제 재정의나 파트너 재검토로 넘어갑니다.
여러 업체에 같은 조건으로 PoC를 맡겨 비교하는 방법도 있습니다. 다만 현장 담당자의 데이터 준비와 테스트 부담이 업체 수만큼 늘어나므로, 내부에서 감당할 수 있는 범위인지 먼저 따져 봐야 합니다.
기술 소개보다 "조건과 약속"을 비교하는 선정
중소 제조기업이 AI 도입에서 막히는 지점은 지식, 비용, 인프라, 데이터처럼 내부에서 단기간에 채우기 어려운 영역에 몰려 있습니다. 파트너를 고르는 일은 이 공백을 누가, 어떤 조건으로 메워 줄지를 정하는 일입니다.
그래서 비교의 기준도 기술 소개서가 아니라 조건과 약속이어야 합니다. 우리 데이터를 먼저 진단하는지, 운영비까지 포함한 비용을 제시하는지, 성능 지표와 데이터 권리를 계약서에 담을 수 있는지가 핵심입니다.
첫걸음으로는 상담 전에 내부에서 과제 하나를 한 장으로 정리해 보길 권합니다. 대상 라인, 지금 겪는 문제, 성공으로 판정할 기준을 적은 뒤, 위 평가표를 모든 후보 업체에 같은 조건으로 적용하면 비교가 훨씬 선명해집니다.
참고문헌
- Oldemeyer, L., Jede, A., Teuteberg, F. "Investigation of artificial intelligence in SMEs: a systematic review of the state of the art and the main implementation challenges." Management Review Quarterly (Springer), 75권, 1185–1227쪽(2025). 2024-02-01(온라인 게재). https://link.springer.com/content/pdf/10.1007/s11301-024-00405-4.pdf. 라이선스: CC BY 4.0.
- Kim, H., Jung, W.-K., Choi, I.-G., Ahn, S.-H. "A Low-Cost Vision-Based Monitoring of Computer Numerical Control (CNC) Machine Tools for Small and Medium-Sized Enterprises (SMEs)." Sensors (MDPI). 2019-10-17. https://www.mdpi.com/1424-8220/19/20/4506. 라이선스: CC BY 4.0.
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.