AI는 이제 단순한 기술 도구를 넘어, 제조ㆍ금융ㆍ의료ㆍ문화 등 다양한 산업 분야에서 혁신을 이끌고 새로운 가치를 창출하고 있습니다. 이처럼 AX(AI Transformation, 인공지능 전환)는 거스를 수 없는 세계적 흐름이 되었습니다. 그런데 2024년 4월, 미국의 경영컨설팅 회사 베인앤컴퍼니(Bain & Company)가 발표한 보고서에 따르면, 90% 이상의 기업이 데이터를 수집하고도 이를 효과적으로 활용하지 못하고 있는 것으로 나타났습니다. 이는 많은 기업이 비즈니스 문제 정의 없이 데이터를 먼저 수집했기 때문입니다.

이런 상황은 AI 도입이 현장의 고통(Pain Point)과 명확한 문제 인식에서 출발해야 한다는 점을 시사합니다. 결국 기술 자체가 목적이 아니라 그 기술이 매출 증대, 수주 확대, 고객 불편 해소 같은 실제 비즈니스 목표에 어떻게 기여할지를 출발부터 분명히 해야 한다는 것입니다. 이렇게 해야 조직의 공감과 지원을 얻고, 투자 대비 명확한 성과를 도출할 수 있습니다.

“우리 조직의 고질적인 고통이 무엇인가?”라는 질문에서 시작해야 합니다. AI 도입은 기술 실험이 아니라 현장의 문제 해결에서 출발해야 합니다. 예를 들어, 품질 불량률 증가나 예측 어려운 수요 변동, 숙련자 부족으로 인한 생산지연 등 구체적 고통을 정의하고, 그것을 완화하거나 제거하는 데 AI를 활용해야 합니다. 예를 들어, 미국의 철강기업 US스틸(US Steel)의 경우 “정비 효율을 높여 설비휴지 시간을 줄인다”는 뚜렷한 목표 아래 대형 트럭 정비 시간을 20% 단축하는 성과 목표를 세웠습니다.

또, AI가 곧 제품 판매 증대, 고객 주문 납기 단축, 운영비 절감으로 이어져야만 조직의 전폭적인 지지를 얻습니다. 성공한 AI 도입은 투자 의사결정의 리스크를 줄이고 수익성을 높이는 사업 전략에 밀접히 연관되어야만 비즈니스모델 혁신으로 인정받을 수 있습니다.

비즈니스 문제 해결 중심으로 접근할 때 비로소 AI가 기업 생존에 기여하는 ‘무기’가 될 것입니다. 결국 “우리 비즈니스에 AI가 꼭 풀어줘야 할 문제는 무엇인가?”를 먼저 자문하는 것이 제조업 AI 도입의 첫 단추라고 하겠습니다.

저는 AX 상황을 어떤 용어로 정의하느냐보다, 구체적 문제를 어떻게 해결해나가는지에 집중해야 한다고 봅니다. 먼저, 각 기업의 AI 혁신 흐름부터 짚어봅시다. 2025년 7월, 포스코그룹은 지난달 AWS(아마존 웹서비스)와 손잡고 제조 현장용 AI 엔지니어 에이전트 개발을 발표했는데,이 ‘AI 엔지니어’는 공장 데이터로부터 설비 설계도와 보고서를 자동 생성하고, 프로그램 제어장치(PLC)의 코드를 AI가 작성하는 수준까지 활용할 수 있습니다. 이 기술 도입으로 프로그래밍과 문서작업의 부담을 혁신적으로 줄여 업무 생산성 향상에 기여할 것으로 예상됩니다. 올해 3월에는 제조 AX의 핵심 기술로 ‘피지컬 AI(Physical AI)’를 공개했는데, 이는 가상 시뮬레이션 환경에서 AI를 먼저 학습시키고 검증하여 실제 제조 현장에 투입하는 방식입니다. 예를 들어, 수십 톤의 코일을 크레인으로 자동 적재하는 AI 모델을 개발할 때, 실제 적용 전 가상 테스트 드라이브를 거쳐 안정성과 성능을 검증하는 것입니다. 이는 CES 2025에서도 화두가 된 피지컬 AI 개념을 선도적으로 실현하고 있다는 평가를 받고 있습니다.

중국 바오우(Baowu) 그룹은 2024년 말, 철강 산업에 특화된 대형 AI 모델(xIn³Plat)을 출시하며 스마트 제철소 구축에 박차를 가하고 있다고 합니다. 이 모델은 연구개발, 생산, 운영, 서비스 등 철강 밸류체인 전반을 아우르며, 라인별 연간 1천만 위안 이상의 효율 개선과 R&D 생산성 30% 향상이라는 성과를 낸 것으로 알려졌습니다.

일본제철(Nippon Steel)은 ‘제로 결함 공정’을 목표로 AI를 도입해, 육안으로 못 찾는 미세 결함도 AI 비전으로 검출하고 에너지 사용을 AI로 최적 제어하는 시스템을 갖추고 있습니다.

글로벌 철강사들과 비교할 때, 포스코의 ‘인텔리전트 팩토리’는 ‘연결과 통합의 깊이’ 측면에서 차별성을 보입니다. 단순히 몇 가지 AI 솔루션을 도입한 수준이 아니라, 생산 전 공정과 경영 시스템을 데이터와 AI로 실시간 연결하는 ‘플랫폼화’를 이뤄냈다는 것입니다. 예를 들어 스마트 고로의 경우, 용광로 내부를 실시간 센싱(Sensing)하고 AI로 자동 제어하여 기존에 노종(爐操)*이라 불리던 숙련자의 경험 영역까지 디지털화했습니다.

*노종(爐操): 고로(용광로) 조작을 의미하는 전문 용어로, 숙련된 조업자의 경험이 핵심이던 영역

또 도금공정(CGL, Continuous Galvanizing Line)에서의 AI 기반 코팅중량 제어는 수십 년 현장 노하우를 알고리듬에 녹여 제품 품질 편차를 최소화한 것으로 평가받았습니다. 이러한 핵심 공정 기술들을 모아 자체 플랫폼으로 구축한다면 글로벌 경쟁사들도 쉽게 따라하기 어려울 것입니다. 특히 미국과 유럽의 철강사들이 외부 솔루션에 의존하는 반면, 포스코는 DX추진 초기부터 내부 인력 육성을 강조하여 현장 엔지니어가 AI모델을 많이 개발하고 있고, 포스코DX라는 그룹 내 IT전문 사업회사의 역량을 활용해 현장 밀착형으로 개발해왔기에 기술 내재화 수준이 높습니다. 포스코의 인텔리전트 팩토리는 ‘파편화된 스마트 솔루션의 집합’이 아니라 ‘통합된 지능형 생산 시스템’을 지향한다고 할 수 있습니다.

앞으로 포스코가 더욱 차별화된 AI 기반 미래 경쟁력을 확보하려면, 포스코 고유의 문제 해결에 깊이 천착하는 자세를 가지고 문제를 적극적으로 해결하는 동시에 장기적인 전략도 세워야 합니다. 최고 경영진부터 IT, AI, 경영, 현장 조직까지 모두가 한마음이 된다면 포스코는 산업현장의 AX를 주도하고 확산할 수 있을 것입니다.

포스코의 AX 전환 과정에서 예상되는 리스크는 크게 △전략적 리스크 △기술적 리스크 △운영 리스크 △조직ㆍ문화적 리스크로 나눌 수 있습니다.

AI 프로젝트의 성격상 단기적으로 ROI(투자대비효과)를 보장하기 어렵고, 센서, 네트워크, 데이터라벨링 등 초기 인프라 구축과 인재 확보에는 막대한 자본이 소요됩니다. 포스코도 스마트고로, AI코팅 제어 등에서 수년 간 투자-검증-확산 과정을 거쳤으며, 일부 공정에서는 여전히 ROI를 계산하기 어려운 파일럿 단계에 머물러 있는 것도 사실입니다. 이를 해결하기 위해서는 AI 프로젝트의 전단계에서 ‘가치 가설’ 기반으로 투자안과 효과 예측 시뮬레이션을 병행해야 합니다. AI 프로젝트별로 예상 비용-예상 성과-리스크-실현가능성 등을 평가해 우선순위를 설정하고 단계적 투자 전략을 취하는 방식이 필요합니다.

AX 전환으로 센서-AI-제어시스템이 실시간 연결되면서, 해킹ㆍ데이터 유출ㆍAI 판단 오류ㆍ예외 상황 오작동 등 기술적 위험이 커집니다. 특히 철강 제조는 초고온ㆍ중장비 작업이 많아 안전사고로 이어질 가능성이 있으므로, AI 모델의 신뢰성 확보와 시스템 이중화가 핵심입니다. 가상공간에서 충분히 학습ㆍ검증된 AI만 현장에 적용하는 전략이 필요합니다. 포스코DX에서는 광학 랩 등을 활용해 현장 조도ㆍ온도ㆍ센서 신호를 가상화하여, 실제와 같은 환경에서 오차 범위를 측정하고 튜닝해 대응을 하고 있습니다.

AI 시스템은 좋은 데이터 없이는 좋은 성능을 낼 수 없고, 그 데이터를 현장에서 계속 확보하고 전처리ㆍ라벨링하는 유지관리 비용이 매우 큽니다. 또한, 긴급 정지나 특수 합금 제품 등 학습되지 않은 예외 상황에 대한 오작동 가능성도 존재합니다. 이를 방지하기 위해서는 지속 가능한 데이터 수집 및 품질 관리 체계와 함께, 운영 중 피드백 순환구조를 통한 모델 재학습 구조가 필요합니다. 포스코는 이와 관련해 ‘AI 플랫폼 기반 운영 시나리오’를 통해 현장 피드백을 정기 반영하는 프로세스를 시도 중인 것으로 압니다. 향후엔 현장 작업자의 실시간 피드백을 반영한 ‘휴먼인루프(Human-in-the-loop)’ 시스템이 필수로 자리잡을 것입니다.

AI 도입이 현장에서 ‘일자리 위협’이나 ‘업무 통제’로 인식될 경우, 사용자 협조 부족과 시스템 방치로 이어질 수 있습니다. 실제로 AI 시스템이 작동 중에도 “익숙한 수작업이 더 낫다”며 사용하지 않는 사례가 여전히 많습니다. 또한 AI의 결정에 대해 책임 주체가 불분명해지는 위험도 존재합니다. 이를 해결하기 위해선, AX 도입 초기부터 적극적인 직원 참여를 유도하고 AI의 판단 과정과 한계를 투명하게 공유하는 것이 중요합니다. 포스코그룹은 이를 위해 AI 기반 조업 의사결정 시스템을 도입하면서도, 최종 판단은 항상 작업자가 확인하도록 보완 시스템을 유지하고 있습니다. 더 나아가, 디지털 전환 교육과 함께 AI 사용 시 발생 가능한 리스크 및 법적 책임도 함께 교육하고, 디지털 윤리 가이드라인을 함께 정립할 필요가 있습니다.

2024년 열린 한 AI 서밋에서, “AI 프로젝트 성공의 최대 난관은 사람과 변화관리”라는 지적이 나왔습니다. 현업 직원들이 새로운 AI 시스템을 신뢰하지 못하거나 업무방식 변화를 꺼리면 아무리 뛰어난 모델도 현장에 안착하지 못한다는 것입니다. 실제로 많은 AI 프로젝트가 현장의 저항과 활용 부족으로 투자대비효과를 내지 못하고 중단되곤 합니다. 유럽의 한 대형 제조기업은 사내에 ‘AI 팩토리’라는 크로스펑셔널 조직*을 신설하고, 2000명의 직원들에게 AI 리터러시 교육을 실시해 큰 성과를 거두었습니다. AI 전문 인력만 늘리는 대신 현업 부서 직원들을 함께 교육시켜 데이터 활용 역량을 높이고 거부감을 낮춘 것입니다. 그 결과, 문서 처리 시간이 75% 단축되고, AI가 마케팅에 기여하는 등의 뚜렷한 개선 성과가 나타났습니다.

*크로스펑셔널 조직(Cross-functional team) : 다양한 기능과 역할을 갖는 사람들로 구성된 팀

AI 도입 초기부터 현업 부서의 목소리를 듣고 함께 프로젝트를 기획하면 ‘남의 일’이 아닌 ‘우리의 일’이라는 심리적 주인 의식이 생깁니다. 작은 파일럿 성공 사례를 단계적으로 쌓아 구성원들이 “AI가 내 일에 도움이 된다”라는 체감을 할 수 있게 해야 합니다. 초기에는 제한된 공정이나 업무에 AI를 적용해 빠른 성공(quick win)을 만들고, 이를 조직 내부에 공유하면 자발적 참여가 확산됩니다. 교육과 역량 강화도 필수적입니다. 새로운 AI 도구를 현장이 쓰도록 강요하기보다, 사전에 충분한 교육으로 데이터 리터러시와 AI 활용 스킬을 갖추게 하면 두려움이 자신감으로 바뀝니다. 동기부여 시스템도 고려해야 합니다. AI 아이디어 공모전, 우수 활용자 포상, 성과 연계 인센티브 등을 통해 구성원들이 적극 나서서 AI 혁신을 추진하도록 유도할 수 있습니다. AI 도입으로 인한 역할 변화, 업무재설계에 대해 투명하게 설명하고, “AI는 사람을 대체하는 것이 아니라 업무를 도와주는 도구”라는 메시지를 일관되게 전해야 합니다.

직원들이 “저 AI가 나의 업무 부담을 덜어주고 있다”, “AI 덕분에 실수가 줄었다”라는 성공 경험을 직접 느껴봐야 합니다. 이를 위해 단계별 전략이 필요합니다. 처음부터 조직 전 부문에 AI를 일괄 적용하기보다는, 1단계로 작은 성공을 만들 파일럿 프로젝트를 선정합니다. 이때 구성원 참여를 높이기 위해 프로젝트 팀을 다부서 혼합으로 구성하고, 현장의 의견을 적극 반영합니다. 2단계로 파일럿에서 성과가 나오면 이를 사내 홍보와 교육을 통해 다른 부서에 전파합니다. 동시에 파일럿에 참여했던 직원들을 사내 AI 엠버서더(전도사)로 육성해, 동료들에게 사용법을 가르치고 경험을 공유하도록 합니다. 이렇게 동료가 동료를 가르치는 형태의 전파는 강제성이 없기 때문에 자발적 확산을 기대할 수 있습니다. 3단계로 AI 적용 범위를 점차 확대합니다. 이때도 신규 적용 부서의 현업 의견을 수렴하고, 필요하면 커스터마이즈(현장 맞춤 조정)를 합니다. 기술을 일방적으로 밀어붙이는 것이 아니라 현장의 목소리에 따라 개선해나가면 직원들은 자신들이 변화를 주도하고 있다는 긍정적 인식을 갖게 됩니다. 조직 문화적으로도 중요한 점은 ‘AI 도입이 바로 일자리 위협’이라는 인식을 해소하는 것입니다. 직원들이 AI를 두려워하면 협력이 나올 수 없겠지요. 경영진이 반복적으로 “AI는 사람을 대체하는 게 아니다. 위험하고 반복적인 업무를 대신해 주어 인간이 더 창의적이고 가치 있는 일에 집중하도록 돕는 도구다”라는 사실을 직원들에게 알리고 소통해야 합니다.

인센티브와 인정 문화도 중요합니다. 현장에서 AI 아이디어를 제안하고 구현한 직원들을 포상하거나, AI 활용 우수사례를 공개적으로 치하하면 구성원들이 “우리도 해보자”라는 선의의 경쟁과 호기심을 갖게 됩니다. 이러한 문화적 요소들은 강요가 아니라 스스로 움직이게 하는 자발성을 불러일으킵니다.

 

동종 제조기업과 연합하는 AX 정책이 필요합니다. 개별적으로 AX하는 회사보다, 여러 동종의 경쟁 제조기업이 같이 AX를 시도하는 것을 묶어서 지원하는 정책으로, AX정책의 효율성을 높이는 동시에, AX서비스 제공 기업이 좀 더 일반화하는 AI 모델과 방법론을 개발할 수 있도록 하는 것이 중요합니다. 이에 더 나아가 제조기업 등 많은 기업들의 자사의 데이터를 자원화하는 동시에 이의 활용을 장려하는 연합 데이터 뱅크에 참여할 수 있도록 새로운 종류의 기관을 만들 필요가 있습니다.

철강업계를 포함한 제조업계는 AI를 단순히 기술적 보완 수단으로만 인식하는 경향도 있었습니다. 그러나 포스코그룹의 AI 도입과 인텔리전트 팩토리 혁신과 같은 움직임은 AI가 기술적 진보일뿐 아니라 첨단기술을 기반으로 밸류체인을 최적화해 전통 제조업의 구조적 문제를 해결하고 저탄소, 고부가가치화로 글로벌 경쟁력을 확보하는 길이라는 인식을 불러왔습니다. 제조업 AX는 선택이 아닌 과제이며, 철강산업의 미래는 이제 고온의 용광로보다 정밀한 데이터에 달려있다는 평가도 나오고 있다는 사실을 기억해야 할 것입니다.