산업 분야의 인공지능: 왜 도입 속도가 성과 달성 속도를 앞지르는가?

대부분의 제조업체는 사후 유지보수 비용을 이해하기 위해 타당성 조사가 필요하지 않았습니다. 수년간 계획되지 않은 가동 중단, 추가 복구 시간, 부품 조달의 어려움, 그리고 일정 관리의 정확성과 고객 신뢰도의 점진적인 하락 등 그 비용을 감수해 왔기 때문입니다. 달라진 점은 바로 솔루션의 등장입니다. 유지보수 분야의 AI는 이론적인 개념에서 실현 가능한 솔루션으로 빠르게 발전했고, 이에 투자해야 할 필요성은 자명해졌습니다.

업계의 의지는 분명하지만, 예상했던 속도로 결과가 나타나지는 않고 있습니다. 최근 연구에 따르면 보고된 모든 진전 저해 요인 중 약 78%가 인력과 관련되어 있습니다. 인공지능에 대한 접근성은 빠르게 발전했지만, 이를 일상적으로 활용할 수 있는 능력은 그에 비해 뒤처지고 있습니다. 이러한 격차가 이제 가장 큰 장애물이 되었으며, 기술 발전만큼이나 중요한 사고방식의 변화가 필요합니다.

첫 번째 물결은 모델이 아니라 도구의 효과를 입증했습니다.

제조업체들은 생산성 향상을 위해 인공지능에 투자하고 있지만, 여전히 많은 기업들이 예측 유지보수가 줄여야 할 행동들을 하고 있습니다.

연구 결과에 따르면 예측 유지보수 도입은 매년 두 배 이상 증가한 반면, 반응 유지보수는 정체 상태를 유지하고 있습니다. 반면, 사전 예방 유지보수는 매년 감소하고 있습니다. 이러한 현상의 핵심은 바로 여기에 있습니다. 새로운 방법들이 공장에 도입되고는 있지만, 기존 방법들을 완전히 대체하지는 못하고 있다는 것입니다.

이것을 실패로 해석해서는 안 됩니다. 공장 이전은 실질적인 이유에서 비롯되었으며, 초기 시험 운영은 팀들에게 귀중한 통찰력을 제공했습니다. 이 모델은 전담팀이 있는 검증된 자산에서는 잘 작동할 수 있습니다. 하지만 진정한 시험은 이 모델이 교대 근무, 다양한 위치, 그리고 다양한 수준의 전문성을 가진 구성원들을 아우르는 의사결정을 지원해야 할 때 나타납니다.

여기서 첫 번째 물결은 다음 문제를 드러냈습니다. 기술은 예산에 빠르게 반영될 수 있지만, 업무 습관, 신뢰, 의사 결정 권한, 그리고 현장 직원들의 자신감은 변화하는 데 훨씬 더 오랜 시간이 걸립니다.

AI 투자 성숙 단계

예산 자료에 따르면 지도자들은 인공지능을 포기하는 것이 아니라, 인공지능이 가치를 입증해야 할 분야를 더욱 선별적으로 선택하고 있습니다. 투자는 탐색적 인공지능에서 벗어나 사이버 보안, 데이터 관리, 생성형 인공지능, 산업 인공지능 등 운영 우선순위 분야로 이동하고 있습니다.

이러한 변화는 디지털 성숙도에 대한 보다 현실적인 관점을 반영합니다. 리더들은 지연, 가동 중단, 그리고 부실한 데이터로 인한 비용이 빠르게 드러나는 분야에서 AI를 활용하려고 노력하고 있습니다.

이러한 변화는 인더스트리 5.0에 대한 기대치 또한 재정립하고 있습니다. 산업 기술이 자동화 기반의 인더스트리 4.0 모델에서 인간 참여형 접근 방식으로 전환됨에 따라, 업계 리더들은 예상 소요 기간을 재조정하고 있으며, 현재 40%는 1년에서 4년 사이가 될 것으로 예상하고 있습니다.

모델의 역할은 어디에서 끝나고 관리자의 역할은 어디에서 시작되는가?

인력 제약과 관련된 78%라는 수치를 단순히 노동력 부족, 즉 직원 수, 채용 또는 공급망 문제로 해석하기 쉽습니다. 그러나 실제로는 기업들이 경험 부족, 지식 부족, 숙련 노동력 부족, 그리고 더 광범위한 인력 역량 부족이라는 문제에 직면하고 있습니다. 이 네 가지 범주를 종합하면 단순한 인력 문제보다 훨씬 더 복잡한 문제를 나타냅니다. 이는 조직이 변화된 업무 방식을 수용할 수 있는 역량을 의미합니다.

이는 제가 고객들로부터 끊임없이 듣는 이야기입니다. 도구는 있는데 팀이 따라가지 못한다는 것이죠. 연구자 코헨과 레벤탈은 이를 "흡수 능력"이라고 명명했습니다.

간단히 말해, 기업이 유용한 새로운 지식을 얼마나 빨리 파악하고, 조직 내에 통합하고, 실행 가능한 결과로 전환할 수 있는지를 나타냅니다. 유지보수 맥락에서 이러한 결과는 실제 운영 조건에서 이루어지는 의사결정을 의미합니다. 예를 들어 야간 근무 감독자가 현재 발생한 오작동에 즉각적인 조치가 필요한지, 다음 예정된 가동 중지 시간까지 기다릴 수 있는지, 아니면 이미 임계점을 넘어섰는지 판단하는 것과 같은 의사결정입니다. 모델은 오작동을 식별할 수는 있지만, 그 결정을 내릴 수는 없습니다.

예측 유지보수와 인공지능(AI)은 단순히 도구를 숙달하는 것보다 훨씬 더 어려운, 전문적인 인력 양성을 요구합니다. 영국 정부의 "영국 AI 인력 역량 보고서"는 첨단 제조 부문에서 이러한 격차를 구체적으로 지적하고 있습니다.

AI 모델 학습이나 실시간 분석 통합과 같은 기술적 역량 외에도 , 보고서는 AI 출력 결과를 해석하고, 새로운 인사이트를 바탕으로 워크플로우를 조정하며, 변경 사항을 현장 팀에 전달하는 능력을 강조합니다. 이러한 핵심 역량은 경고가 행동 변화로 이어질지, 아니면 무시될지를 결정하는 중요한 요소입니다.

이러한 이유로 인력 개발은 기술 프로그램과 별개의 인사 기능으로 취급될 수 없습니다. 인력 개발은 투자가 더 나은 실행으로 이어질지 여부를 결정하는 시스템의 일부입니다. 인공지능을 숙달하려면 기술뿐만 아니라 사고방식의 변화가 필요합니다. 5차 산업혁명의 시기는 공장 현장에서 활용 가능한 역량에 따라 결정될 것입니다.

예측에 투자하고, 대응에 비용을 지불한다.

지출 대비 수익률의 격차에서 사업적 영향이 명확하게 드러납니다. 예측 솔루션이 점점 더 많이 도입되고 자본이 투자되고 있지만, 사후 대응적인 문제 해결 방식은 여전히 ​​근본적인 변화를 보이지 않고 있습니다. 많은 조직들이 두 가지 방식으로 동시에 운영되고 있습니다. 데이터 기반 구현에 투자하면서도 예방 가능한 문제 해결에 시간을 허비하고 있는 것입니다.

이러한 단절은 막대한 손실을 초래합니다. 지멘스의 2024년 "다운타임의 진정한 비용" 연구에 따르면, 세계 500대 기업은 계획되지 않은 다운타임으로 인해 연간 1조 4천억 달러의 손실을 입으며, 이는 총 매출의 11%에 해당합니다. 이 수치는 사후 대응 방식에서 예측 방식으로의 전환이 불완전할 때 발생하는 결과를 보여줍니다. 즉, 투자는 이루어졌지만 일상적인 실행이 그 속도를 따라가지 못하고 있는 것입니다. 투자 회수를 위해서는 책임 소재를 명확히 하는 것이 매우 중요합니다.

이러한 격차가 지속되면 기술 투자에 대한 수익이 지연되고 고르지 못하게 됩니다. 일정은 길어지고 원하는 결과를 달성할 수 있다는 확신은 떨어집니다.

실질적인 수익을 달성하는 열쇠

현재 도구와 플랫폼에 적용되는 규율은 그것들을 둘러싼 사람과 프로세스에도 확대되어야 합니다. 많은 조직에서 진정한 가치가 낭비되는 부분이 바로 여기입니다.

리더는 운영 역량이 가장 취약한 부분부터 시작해야 합니다. 어떤 자산이 여전히 한두 명의 숙련된 기술자에 의존하여 상황을 해석해야 하는가? 어떤 작업 기록이 향후 진단을 지원하기에 충분한 세부 정보를 제공하지 못하는가? 어떤 경고가 확실한 조치를 유발하고, 어떤 경고는 적임자가 근무할 때까지 보류되는가?

이러한 질문들은 예측 유지보수가 구현의 필수적인 부분이 되었는지, 아니면 여전히 기존의 사후 대응 방식 위에 덧붙여진 것에 불과한지를 보여줍니다.

직원들이 회사를 떠나기 전에 그들의 기억 속에 잠재되어 있는 경험과 지식을 문서화해야 합니다. 미래의 기술자를 지원할 수 있도록 업무 기록을 충분히 포괄적으로 작성해야 합니다. 운영 및 유지보수 팀이 예측 경고의 의미를 이해하고, 조치가 필요한 증거를 식별하며, 문제를 언제 상위 담당자에게 보고해야 하는지 알 수 있도록 교육해야 합니다. 정보에 기반한 인사이트를 활용하는 것이 예외적인 노력이 아닌 일반적인 업무가 되도록 워크플로를 설계해야 합니다. AI를 제대로 활용하려면 사고방식의 변화가 필요합니다. AI로 대체될 가능성이 가장 높은 직무를 파악하는 것 또한 교육 방향을 설정하는 데 도움이 됩니다.

연결된 신뢰성은 자산 데이터, 유지 보수 이력 및 직원의 직접적인 경험을 연결하여 팀이 여러 교대 근무 및 위치에서 일관되고 반복 가능한 의사 결정을 내릴 수 있도록 함으로써 비즈니스 핵심에 기반을 둘 때 이러한 구현을 지원합니다.

저희 연구 결과는 이러한 추세를 뒷받침합니다. 응답자의 거의 절반이 향후 12개월 동안 연계형 신뢰성 향상 계획을 추진할 예정이며, 신뢰성을 단기적인 운영 요구사항과 장기적인 전략적 목표를 연결하는 실질적인 다리로 보고 있습니다.

제조 부문 리더들에게 전하는 메시지는 분명하고 직접적입니다. 기술 투자만큼이나 인적 및 운영 역량을 면밀히 검토해야 합니다. 어떤 유형의 AI가 도입되었는지 묻는 데 그치지 말고, 다음과 같은 질문을 던져야 합니다. 누가 AI를 활용할 수 있는가? 의사결정 과정에서 어떤 부분이 미흡한가? 어떤 지식이 아직 문서화되지 않은가? 그리고 어떤 워크플로가 여전히 팀의 능동적인 문제 해결을 유도하는가?