AI와 자동화, 공장에서는 어떻게 다를까
같은 라인 위에서도 AI와 자동화는 하는 일이 다릅니다
"AI 비전검사를 붙이면 라인이 알아서 불량을 걸러 주나요?" 스마트공장 도입 상담에서 자주 듣는 질문입니다. 질문 밑에는 AI와 자동화를 하나의 기술로 보는 시각이 깔려 있습니다.
실제 라인에서 두 기술은 맡는 일이 다릅니다. 비전 AI가 "불량 가능성이 높다"고 판정하면, 그 결과를 받아 배출 실린더를 움직이는 것은 PLC가 실행하는 자동화 로직입니다. 둘 중 하나만 있으면 불량품은 라인 밖으로 나가지 않습니다.
이 글에서는 두 기술의 작동 원리 차이, 공정별로 무엇을 써야 하는지 가르는 기준, 비용이 실제로 발생하는 지점, 안전 기능을 다루는 원칙, 두 기술을 함께 운영하는 구조를 차례로 살펴봅니다.
자동화는 정해진 동작을, AI는 확률적 판단을 맡습니다
자동화: 사람이 설계한 규칙과 제어를 그대로 실행
공장 자동화는 사람이 미리 설계한 제어 로직에 따라 설비를 움직이는 기술입니다. PLC 시퀀스 제어처럼 "센서가 제품을 감지하면 실린더 전진" 같은 조건 논리도 있고, 온도나 속도를 목표값에 맞추는 피드백 제어도 있습니다. 어느 쪽이든 동작 기준은 사람이 정하고, 같은 조건에서는 같은 동작이 나옵니다.
- 동작을 예측할 수 있어 검증 기준이 비교적 명확합니다.
- 품종이나 공정 조건이 바뀌면 사람이 로직이나 레시피를 고쳐야 합니다.
AI: 데이터에서 찾은 패턴으로 상태를 추정
제조 현장에서 쓰는 AI는 대부분 머신러닝 모델입니다. 과거 데이터에서 "정상과 불량", "건강한 설비와 열화된 설비"를 가르는 패턴을 학습한 뒤, 새로 들어온 데이터가 어느 쪽에 가까운지 추정합니다. 결과는 확정된 답이 아니라 분류 결과나 이상 점수 같은 추정값입니다.
- 규칙으로 적기 어려운 판단, 예컨대 외관 결함이나 미세한 진동 변화를 다룰 수 있습니다.
- 학습 데이터에 없던 상황에서는 추정이 틀릴 수 있고, 판단 근거를 설명하기 어려운 경우가 많습니다.
| 구분 | 자동화 | AI |
|---|---|---|
| 판단 기준 | 사람이 설계한 규칙·제어 로직 | 데이터에서 학습한 패턴 |
| 출력 형태 | 정해진 동작(ON/OFF, 위치, 속도) | 추정값(분류 결과, 이상 점수, 잔여 수명) |
| 같은 입력에 대한 결과 | 항상 같음 | 같은 모델이면 같지만, 결과 자체가 확률적 추정 |
| 조건이 바뀔 때 | 사람이 로직·레시피 수정 | 데이터 재수집·재학습 필요 |
| 잘하는 일 | 반복 동작, 정밀 위치 제어, 인터록 | 외관 검사, 이상 감지, 고장 예측 |
| 한계 | 규칙 밖 상황에 대응하지 못함 | 학습 범위 밖 상황에서 오판 가능 |
"AI는 쓸수록 스스로 똑똑해진다"는 오해
AI는 쓸수록 스스로 개선된다는 설명을 흔히 듣습니다. 현장에 배포된 모델 대부분은 그렇게 동작하지 않습니다. 학습이 끝난 모델은 고정된 상태로 추론만 반복하며, 성능을 다시 끌어올리려면 사람이 새 데이터를 모아 재학습하고 검증한 뒤 교체해야 합니다.
문제는 공장 데이터가 계속 변한다는 점입니다. 원자재 로트가 바뀌거나 공구가 마모되거나 계절에 따라 온도·습도가 달라지면, 입력 데이터의 분포가 학습 당시와 달라집니다. 입력 분포가 달라지는 현상을 "데이터 드리프트"라고 부르며, 드리프트가 쌓이면 도입 초기에 잘 맞던 모델의 판단이 점점 어긋납니다.
2025년 발표된 예지보전 머신러닝 체계적 문헌 리뷰는 실제 운영에 들어간 연구들의 공통 요소 가운데 하나로, 모델을 교체 가능한 형태로 배포하고 데이터 드리프트가 감지되면 재학습하는 구조를 꼽았습니다. AI 도입은 모델 하나를 사는 일이라기보다 모델을 계속 관리하는 운영 체계를 들이는 일에 가깝습니다.
어디에 무엇을 쓸까: 두 가지 질문으로 나누는 기준
공정마다 AI가 필요한지 판단할 때는 두 가지를 물어보면 정리가 쉽습니다. 첫째는 판단 기준을 규칙으로 명확히 적을 수 있는가, 둘째는 소재·형상·환경 같은 입력 조건의 변동이 큰가입니다.
| 구분 | 입력 조건 변동이 작음 | 입력 조건 변동이 큼 |
|---|---|---|
| 판단 기준을 규칙으로 적을 수 있음 | 규칙 기반 자동화 (치수 공차 판정, 정위치 이송 등) | 자동화 + 품종별 레시피 관리 |
| 판단 기준을 규칙으로 적기 어려움 | AI 판단 보조 + 사람이 최종 확인 | AI 판단과 자동화 실행 결합 + 재학습 체계 |
판단 기준이 명확하다면 입력 조건이 자주 바뀌더라도 레시피 관리로 대응하는 편이 AI보다 단순하고 검증도 쉽습니다. AI가 제 역할을 하는 곳은 규칙으로 적기 어려운 판단이 있는 공정이며, 처음에는 사람의 확인을 거치는 보조 역할로 시작해 신뢰가 쌓인 뒤 자동 실행으로 넓히는 순서가 안전합니다.
도입 검토를 시작할 때는 "AI를 어디에 넣을까"보다 "규칙으로 풀리지 않는 판단이 어디에 있는가"를 먼저 찾는 편이 투자 낭비를 줄입니다.
비용은 설비보다 데이터와 운영에서 갈립니다
자동화 투자는 비용이 앞단에 몰립니다. 설비·로봇 구매, 치구 제작, PLC 프로그래밍과 시운전이 초기 비용의 대부분이고, 이후에는 정기 정비와 품종 변경 때마다 로직을 고치는 비용이 따라옵니다.
AI는 반대로 눈에 덜 띄는 비용이 길게 이어집니다. 모델 개발비보다 데이터를 모으고 정리하는 비용, 운영 중 성능을 감시하고 재학습하는 비용이 더 오래 지속됩니다.
| 비용 항목 | 자동화 | AI |
|---|---|---|
| 초기 투자 | 설비·로봇·치구, PLC 프로그래밍, 시운전 | 센서·카메라·엣지 장비, 데이터 수집 환경, 모델 개발 |
| 숨은 비용 | 품종 변경 시 로직·레시피 수정, 로봇 티칭 | 불량·고장 데이터 라벨링, 데이터 정제, 기존 시스템 연동 |
| 운영비 | 정기 정비, 예비 부품 | 성능 모니터링, 재학습·재검증, 보안 관리 |
| 비용이 커지는 조건 | 품종이 자주 바뀔 때 | 불량·고장 사례가 드물 때, 데이터 형식이 제각각일 때 |
라벨링 비용은 특히 과소평가되기 쉽습니다. 앞의 리뷰 논문은 지도학습 모델이 품질 좋은 라벨 데이터에 의존하는데, 산업 현장에서는 해당 데이터를 확보하는 일이 비싸거나 현실적으로 어려운 경우가 많다고 지적했습니다. 고장이 드문 설비라면 라벨 없이 정상 상태만 학습해 이상을 감지하는 방식을 먼저 검토할 만합니다.
안전 기능은 AI에 맡기지 않습니다
AI와 자동화를 함께 쓸 때 가장 먼저 정할 원칙은 안전 기능의 분리입니다. 비상정지, 안전 펜스 도어 인터록, 라이트커튼 감지 정지처럼 사람을 보호하는 기능은 동작을 예측할 수 있고 고장이 나도 안전한 쪽으로 멈추도록 설계·검증된 안전 제어로 구현해야 합니다.
기계 안전 분야의 국제표준(ISO 13849, IEC 62061 등)은 안전 관련 제어 기능이 요구되는 신뢰성 수준을 만족하는지 설계 단계부터 검증하도록 요구합니다. 학습 데이터에 따라 결과가 달라지는 AI 모델은 이 검증 체계에 그대로 들어맞지 않습니다. 국제로봇연맹(IFR)도 2022년 개정한 로봇 분야 AI 포지션 페이퍼에서 안전 표준·규제와 인증 문제를 별도 주제로 다뤘습니다.
현장에서는 역할을 아래처럼 나누는 방식을 권합니다.
- 안전 계층: 비상정지·인터록·속도 제한은 안전 PLC나 안전 릴레이가 AI와 독립적으로 수행합니다.
- 판단 계층: AI는 품질 판정, 이상 징후 알림, 정비 시점 추천처럼 판단이 틀려도 사람이 다치지 않는 영역을 맡습니다.
- 연결 원칙: AI 출력이 설비를 움직일 때도 안전 계층의 조건을 우회하지 못하도록 인터록 아래에 둡니다.
네트워크에 연결된 AI 시스템은 보안 위협에도 노출됩니다. 앞의 리뷰 논문은 센서 데이터가 하드웨어 고장이나 사이버 공격으로 왜곡되면 모델이 고장을 놓치거나 잘못 예측할 수 있다고 경고했습니다.
AI 판단과 자동화 실행을 잇는 혼합 운영 구조
두 기술의 가치는 연결될 때 커집니다. AI가 이상을 정확히 감지해도 그 결과가 작업 지시나 설비 동작으로 이어지지 않으면, 담당자 모니터에 경고만 쌓입니다.
앞의 리뷰 논문은 2020~2024년 발표된 예지보전 연구 60편을 분석해, 실제 운영 단계에 들어간 연구들의 공통 구조를 정리했습니다. 공장 관점으로 옮기면 세 가지 요소로 요약할 수 있습니다.
- 데이터 수집: 엣지에서 센서 데이터를 개방형 프로토콜로 일관되게 모아 중앙으로 보냅니다.
- 모델 운영: 모델을 교체 가능한 형태로 배포하고, 데이터 드리프트가 감지되면 재학습합니다.
- 실행 연결: 알림에 판단 근거를 함께 보여 주고, 예측 결과를 설비보전관리시스템(CMMS)에 연결해 작업 지시로 바로 전환합니다.
판단 결과가 설비 동작으로 이어질 때는 PLC가 실행하되, 앞에서 설명한 안전 계층 아래에서 움직입니다. 이 구조에서 AI와 자동화는 경쟁하지 않습니다. 자동화는 데이터를 만들어 내는 기반이자 판단을 실행하는 손이고, AI는 규칙으로 정할 수 없던 판단을 채웁니다.
실험실 정확도가 현장 성과로 이어지지 않는 이유
같은 리뷰가 분석한 60편 가운데 실제 운영 단계에 들어간 연구는 40편, 실제 공장 데이터를 사후 분석만 한 연구는 4편이었습니다. 나머지 16편, 약 4분의 1은 시험 장비·시뮬레이션·공개 데이터셋 평가에 머물렀습니다.
현장 적용 단계에서 반복되는 실패 패턴은 크게 세 가지입니다.
- 정확도의 착시: 불량이 드문 데이터에서는 모든 제품을 "양품"이라고만 해도 정확도가 높게 나옵니다. 리뷰 논문은 95%가 넘는 정확도를 보고하면서 불량·정상 데이터 비율을 밝히지 않은 연구가 여럿이라고 지적했습니다.
- 단일 조건 학습: 한 종류 설비, 한 종류 센서 데이터로만 학습한 모델은 설비와 환경이 다양한 실제 공장에서 성능이 떨어지기 쉽습니다.
- 기존 시스템과의 단절: 예측 결과가 MES나 정비 시스템과 연결되지 않으면 현장에서 외면받기 쉽습니다. 리뷰도 실시간 제약, 배포 비용, 레거시 시스템 연동을 현장 검증 과제로 꼽았습니다.
그래서 AI 솔루션의 성능 자료를 볼 때는 정확도 숫자보다 "불량 데이터가 몇 건이었는지", "우리 라인과 같은 조건에서 시험했는지", "결과가 어느 시스템으로 이어지는지"를 먼저 확인해야 합니다.
규칙으로 풀리는 일부터 나누면 AI 투자 범위가 보입니다
자동화는 사람이 정한 규칙을 정확히 반복하고, AI는 규칙으로 적기 어려운 판단을 데이터로 추정합니다. AI 비용은 데이터 라벨링·재학습·시스템 연동 같은 운영 영역에서 길게 발생하며, 안전 기능은 처음부터 AI와 분리해 검증된 안전 제어에 맡겨야 합니다.
첫걸음으로 지금 라인에서 사람이 눈으로 보고 판단하는 지점을 목록으로 적어 보세요. 기준을 규칙으로 적을 수 있는 것은 자동화로, 적을 수 없고 데이터가 쌓이는 것은 AI 후보로 나누면 투자 범위가 구체적으로 보입니다. 후보마다 판단 결과를 어느 설비·시스템이 실행할지까지 정해 두면, 도입 후 "경고만 쌓이는 AI"를 피할 수 있습니다.
참고문헌
- Tsallis, C., Papageorgas, P., Piromalis, D., Munteanu, R. A. "Application-Wise Review of Machine Learning-Based Predictive Maintenance: Trends, Challenges, and Future Directions." Applied Sciences, MDPI. 2025.04.28. CC BY 4.0. https://www.mdpi.com/2076-3417/15/9/4898
- International Federation of Robotics. "Artificial Intelligence in Robotics." IFR. 2022.03.08. https://ifr.org/ifr-press-releases/news/artificial-intelligence-in-robotics
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.