인공지능을 통해 생산업체가 가공비를 최대 20%까지 줄일 수 있게 되면서, 인공 지능은 급격히 산업 운용의 생산성 개선에 필수적인 요소가 되고 있다. 하지만 BCG 글로벌 서베이의 참가자들은 기술향상 만으로는 산업 운용에서 AI의 가능성을 완전히 실현시킬 수 없다고 지적한다.
목표 vs 현실
서베이 응답자들 중, 87%는 향후 3년 내로 생산활동에서 AI를 실행할 계획이라고 답했다. 하지만 실제로 종합적인 실행계획을 준비하고 있다고 답한 응답자들이 겨우28%인 것을 보면, 이 목표는 상당히 비현실적인 듯 하다. AI 도입을 주도해 왔던 산업과 기업들은 기술의 혜택에 대해 높은 기대치를 갖고 있으며 전략, 거버넌스, 직원 역량, 인프라와 관련된 핵심 실행가능요인을 잘 확립하고 있을 가능성도 더 높다.
격차 줄이기
아직까지 AI 실행을 전체적인 시각으로 접근하지 않은 생산업체들은 체계적인 접근을 취하면서, 즉 AI 가 해결할 수 있는 기존의 문제점을 평가하고, 실행가능요인을 확립하고, 해결책을 시험하고 확장하면서, 신속히 기량을 향상시켜야 한다. 기계 생산업체와 자동화 관련 업체들은 AI를 설비에 통합함으로써, 성공을 견인하는 중요한 역할을 수행할 것이다.
인공지능(AI)은 비즈니스 기술분야에서 큰 화제거리이며 공업기업들은 특히 큰 관심을 보이고 있다. AI 기술을 적절히 조합해 배치함으로써, 생산업체들은 효율성을 증대하고, 유연성을 개선하며, 프로세스를 가속화하고 자율최적화를 가능하게 할 수도 있다. BCG 분석을 통해 AI 사용으로 생산업체의 가공비가 최대 20% 절감될 수 있고, 노동생산성의 증가로 인한 비용절감이 최대 70%에 달하는 것으로 드러났다. 생산업체들은 AI를 이용해 특정 고객에 맞춤화된 혁신 상품을 개발 및 생산할 수 있으며 그 출시속도 역시 획기적으로 단축함으로써 추가 매출을 올릴 수 있다. 이런 식으로 AI는 기술이 공장구조와 프로세스의 유연성을 개선하는 미래의 공장에서 필수요소가 된다. (2016년 12월, BCG 포커스 ‘미래의 공장(The Factory of the Future)’ 참조.)
당연하게도, 전세계 모든 산업의 기업들이 AI를 기업 운영에 활용하는 방안을 모색하고 있다. 하지만 일부 임원진들은 여전히 AI가 혜택을 줄 것인지에 대해 회의적인 입장이다. 그 기회와 도전과제를 더 잘 이해하기 위해서, 최근 보스톤컨설팅그룹(Boston Consulting Group)은 산업 운영측면에서 AI에 대한 기대치와 AI 도입 현황에 대한 조사를 실시했다.
BCG연구조사는 다양한 생산업 종사 임직원 1000여명을 대상으로 한 글로벌 서베이 결과를 집중분석했다. (‘연구조사에 대해’ 참조.) 전반적으로, 생산업체들은 AI가 생산성 향상의 핵심적인 수단이 될 수 있을 것이라고 기대하고 있음이 드러났다. 하지만 실제 실행은 기대에 미치지 못하고 있는데 그 이유는 많은 기업들에서 전략(종합적인 로드맵 등), 실행 거버넌스 모델, 관련 직원 역량, 지원 IT 인프라의 AI의 네 가지 핵심 실행요인이 부족하기 때문이다.
이 서베이에 따르면, 교통 및 물류, 자동차, 기술 기업들이 AI 도입을 주도하고 있으며, 공정 산업(화학산업 등)은 다소 뒤쳐져 있다. 미국, 중국, 인도의 기업들은 일본, 프랑스, 독일과 같은 국가들의 기업에 비해 AI 도입에 있어 눈에 띄게 앞선 행보를 보인다. 국가간 AI 도입 속도의 격차는 AI 가 가져다 줄 혜택에 대한 기대치의 격차를 반영한다.
중국과 같은 개발도상국은 이런 혜택에 대해 열성적인 경향이 있는 반면, 독일과 같은 선진국에서는 보다 보수적인 입장을 취한다. 독일 기업들은 AI 도입의 세부계획수립에 있어서도 뒤쳐져있기 때문에, 그들의 후발주자로서의 위치는 앞으로도 계속될 것으로 보인다. 독일에서, 자동차 산업은 가장 신속하게 AI를 도입하고 있는데 비해, 공정 산업은 갈 길이 훨씬 멀다.
이 연구조사에 대해
2018년 2월과 3월, BCG는 기업들의 산업운영 측면의 AI 도입현황을 평가하기 위한 온라인 서베이를 실시했다. 산업 운영(industrial operations)은 BCG 정의상 생산과 유지보수, 상품 품질, 물류 등 관련 기능을 포함하는 생산업체의 핵심 변혁 프로세스를 말한다. 또한, 이 서베이에서는 엔지니어링 및 공급 사슬 관리내용도 포함된다.
이 서베이는 다양한 분야의 생산 산업을 대표하는 전 세계 1096개 기업의 임원진과 생산 및 기술 매니저를 대상으로 실시되었으며, 해당 산업에는 자동차, 소비재, 에너지, 공학제품, 헬스 케어, 공정산업, 교통 및 물류, 기술 등이 포함된다. 대상업체들은 오스트리아, 캐나다, 중국, 프랑스, 독일, 인도, 일본, 멕시코, 폴란드, 싱가포르, 영국, 미국에 본사를 둔 기업들이었다.
이 서베이의 목적은 현재와 2030년 산업운영에서 AI의 중요도에 대한 응답자들의 의견을 조사해 AI 도입 현황을 평가하고, 기업의 향후 계획을 살펴보며, 중요 도전과제들을 파악하기 위한 것이었다. 또한, 산업운영에서 구체적인 AI 사용사례의 중요도와 도입 정도 및 서베이 참가자들이 기대하는 혜택을 자세히 분석했다.
이 서베이 결과는 AI 목표를 이루기 위해서는 산업 생산업체들이 실행노력을 대폭 강화시켜야만 함을 시사한다. 기술만으로는 이 목표를 달성할 수 없다. AI의 잠재력을 충분히 실현하기 위해서 기업들은 반드시 모든 필수 실행가능요인들을 조직차원에서 검토해야 한다.
AI 는 산업운영을 변혁한다
AI는 컴퓨터와 기계가 스마트한 방식으로 작업을 수행할 수 있도록 한다. 생산업체들이 목표를 달성하기 위한 최적의 작업순서를 결정할 수 있도록 해 주며, 운영을 실시간으로 원격 조종할 수 있도록 해 준다. (‘운영에서의 AI활용 기본사항’)
많은 산업 리더들이 AI가 엔지니어링, 조달, 공급 사슬 관리, 산업 운영(생산 및 관련 기능), 마케팅, 영업, 고객서비스에 이르는 가치사슬의 모든 프로세스를 변화시킬 것으로 예상하고 있다. 최근 연구에 따르면, 공업기업의 임원들은 운영부분을 AI의 영향을 가장 많이 받을 것 같은 영역으로 꼽았다. (2017년 가을 BCG와 MIT 슬론 매니지먼트 리뷰(Sloan Management Review) 보고서, ‘인공지능으로 비즈니스 쇄신하기(Reshaping Business with Artificial Intelligence)’ 참조.)
AI는 생산업체들이 생산성을 지속적으로 개선하기 위해 적용하는 기존의 수단들을 대체하는 것이 아니라 강화시키는 역할을 한다. 4차 산업혁명의 주요한 구성요소 중 하나이다. (2015년 4월 BCG 포커스, ‘4차 산업혁명: 제조업 생산성과 성장의 미래(Industry 4.0: The Future of Productivity and Growth in Manufacturing Industries’ 참조.) 뿐만 아니라, 생산업체들은 AI를 이용해 자동화와 린 경영과 같은 전통적인 효율성 수단을 향상시킬 수 있다. (2017년 12월 BCG 포커스, ‘린 경영이 4차 산업혁명을 만났을 때: 운영우수성의 다음 단계(When Lean Meets Industry 4.0: The Next Level of Operational Excellence)’ 참조.) AI는 예를 들어, 품질 이슈의 근본원인을 밝혀내고 결점 제거를 돕는 등, 낭비를 최소화하고자 하는 린 경영 활동을 지원한다. 실제로, 이 조사 참가자의 40%가 AI가 2030년 생산성 증대의 중요한 동인이 될 것이라고 예측한다. 이는 현재 생산성 개선에 AI가 중요하다고 생각하는 응답자가 29%인 것과 비교되는 수치이다. (보기 1 참조.)
AI 도입으로 인해 생산 프로세스의 수작업의 필요성이 줄어들어 가공비용이 낮아지면서, 인력 구조가 대대적으로 변화할 것이다.
운영에서의 AI활용 기본사항
산업운영에서의 AI의 사용은 많은 경우 머신러닝(machine learning)-데이터 마이닝(data mining)과 데이터 과학에서 사용하는 알고리즘의 집합체-을 활용한다. 이 알고리즘들은 정적인 혹은 이미 정해진 규칙이나 지시사항을 따르기 보다는, 데이터를 분석해서 그 인사이트를 사용해 예측을 하거나, 예측 모델을 정교화하면서 학습한다.
AI 기술은 수많은 운영 어플리케이션을 가지고 있다.
- 머신비전(machine vision). 시각, 엑스레이, 혹은 레이저 신호를 통해 생산 환경을 감지한다. 예를 들어, 카메라를 이용해 부품과 상품을 분류한다.
- 음성인식. 언어 및 기타 음성 신호를 처리한다. 예를 들어, 알렉사(Alexa)나 시리(Siri)와 같은 가상 비서를 이용해 품질이슈에 대해 작업자의 의견을 처리한다.
- 자연언어 프로세싱. 텍스트를 분석해 가장 그럴듯한 의미를 추론해 낸다. 예를 들어, 다양한 실적 보고서의 요약본을 작성한다.
- 정보 프로세싱. 불규칙한 텍스트에서 정보를 추출하고, 질문에 대한 답을 도출한다. 예를 들어, 생산관련 텍스트 보고서를 검색한다.
- 데이터를 통한 학습. 생산관련 실증 데이터를 기초로 가치를 예측 및 분류한다. 예를 들어, 기계와 프로세스가 생성한 과거 데이터를 이용해 사고를 예측한다.
- 계획 및 탐색. 명시된 목표를 극대화하기 위한 작업의 순서를 결정한다. 예를 들어, 무인운반차(AGV: automated guided vehicle)를 이용해 그 다음 최적동작을 결정한다.
- 음성 생성. 문자 혹은 음성언어로 사람들과 소통한다. 예를 들어 지시사항을 소리 내어 읽어준다.
- 취급 및 통제. 물체를 조정한다. 예를 들어, 로봇이 특별히 훈련을 받지 않고도 부품 상자에서 분류되지 않은 부품을 찾을 수 있다.
- 길찾기 및 이동. 물리적 환경을 조작한다. 예를 들어, AGV가 공장 내에서 자동으로 움직이고 최적화된 경로로 이동할 수 있다.
예를 들어, 현재 강도 높은 인적 개입이 요구되는 품질관리 관련 작업은 고도로 자동화되고 광범위한 AI 지원을 받게 될 것이다. 하지만 기존의 직업이 사라진다고 해도, AI를 보완하기 위해 필요한 기술을 요하는 직업이 생겨날 것이다. 전체적으로, 서베이 응답자들 중에는 AI의 순효과로 전체 인력이 감소할 것이라고 예상하는 쪽이 다소 높게 나타났다.
하지만, 이런 예상은 국가별로 매우 상이하게 나타났다. 예를 들어, 중국 기업의 서베이 응답자들은 AI 도입으로 인해 전체 노동인력이 대폭 줄어들 것이라고 생각하고 있지만, (저숙련 노동자를 대체할 기술을 생각한다면) 독일 기업의 응답자들은 고숙련 노동인력에 대해서는 아주 약간의 감소만이 있을 것이라고 예상하고 있다.
AI 사용사례
AI는 공장의 패러다임 전환을 의미한다. 현재 공장은 룰 기반 접근을 통해 프로세스와 기계를 자동화하고, 로봇공학 프로그래밍은 고정된 시나리오를 취급한다. 하지만, 미래의 공장에서는 AI 가 프로세스와 기계의 자동화를 도와 스마트한 결정이 가능해지면서 낯설고 예상치 못한 상황에 대응할 수 있게 된다. 결과적으로, 기술 시스템이 더욱 유연해지고 새로운 환경에 적응이 가능하게 될 것이다. 예를 들어, 룰 기반 접근에서는, 로봇이 정리되지 않은 부품 상자에서 필요한 부품을 찾아서 선택할 수가 없다. 다양한 방향으로 놓여있는 부품을 다루는 것에 필요한 상세한 프로그래밍이 없기 때문이다. 하지만, AI가 적용된 로봇은 부품이 놓여있는 방향에 상관없이 정리되지 않은 부품 뭉치에서 원하는 부품을 찾아낼 수 있다.
다양한 AI 사용사례들 중에는 공장내외의 주요 운영 분야에서의 생산성 향상도 포함된다. 서베이 참가자 중, 37%가 생산을 AI가 생산성 증대의 가장 중요한 수단이 되는 공장 운영 분야로 평가했으며, 25%는 품질을 가장 높게 보았고, 12%는 물류를 꼽았다. 이 결과와 일관되게, 기업들은 가장 중요한AI 사용사례를 자율 최적화 기계, 품질 불량 감지, 효율성 감소 예측으로 들고 있다. 각 기업마다 특히 가치 있다고 평가하는 사용사례들은 서로 다르지만, 모든 생산업체들은 AI를 적용해 데이터 풀을 다양한 팀, 공급업체, 고객들과 통합해야만 온전한 혜택을 누릴 수 있다.
공장 외부. 공장 바깥에서는, 엔지니어링과 공급사슬관리가 AI를 적용할 수 있는 가장 중요한 운영 분야이다.
- 엔지니어링. 생산업체들은 AI를 이용해 설계를 최적화하고, 고객 요구 및 기대치에 더욱 효과적으로 대응하며 생산을 단순화하는 등 연구개발 노력을 개선시킬 수 있다. AI는 알고리즘을 통해 정해진 목적이나 제한사항을 기초로 가능한 모든 설계 솔루션을 탐색하는 생성적 상품 설계(generative product design)에 도움이 된다. 반복 테스트와 학습을 통해, AI 알고리즘은 설계를 최적화 하고 사람들이 생각하기에는 파격적으로 보일 수 있는 솔루션을 제안한다. 몇몇 항공우주 기업들은 생성적 설계를 통해 전통적인 디자인과 같은 기능을 수행하지만 훨씬 가벼운 생체공학적인 구조를 이용하는 등, 완전히 새로운 디자인으로 항공 부품을 개발하고 있다
- 공급 사슬 관리. 수요예측은 AI를 공급사슬 관리에 적용하는 데 있어서 핵심 주제이다. 수요변화를 보다 정확히 예측함으로써, 기업은 생산 프로그램을 효율적으로 조정하고 공장 가동률을 개선할 수 있다. AI는 상품 출시, 언론정보, 날씨 등과 관련한 데이터를 분석 및 학습해 고객수요를 예측하는 데 도움을 준다. 일부 기업들은 머신 러닝 알고리즘을 이용해 창고와 ERP 시스템의 데이터를 고객 인사이트와 통합해, 수요 패턴을 파악한다.
- 공장 내부. 공장 안쪽에서는, AI가 생산과 유지관리, 품질, 물류 등의 기능에 다양한 혜택을 줄 것이다.
- 생산. 우리 연구조사는 생산환경의 전 범위를 포함한다. 지속적인 프로세스(화학물질 및 건축자재 생산 프로세스 등)와 개별 생산(조립 작업 등)을 포함한다. 모든 환경에서, 생산업체들은 AI를 이용해 비용을 줄이고 속도를 높임으로써, 생산성을 증대시킬 것이다. 또한 유연성을 개선하고, 고객 맞춤형 상품 제조 등에서 생산의 복잡성을 해결하는 데에도 AI를 활용할 것이다. AI는 기계와 상품 유닛이 지속적으로 현재 및 과거의 데이터를 분석하고 학습함으로써 실시간으로 변수를 조정하는 자율 최적화 시스템이 될 수 있도록 할 것이다. 이미, 몇몇 철강 생산업체들은 AI를 이용해 용광로가 자동으로 설정을 최적화 할 수 있도록 하고 있다. AI는 투입된 철의 재료구성물을 분석해 안정적인 프로세스를 위한 최저온도를 알아내고 이를 통해 전체 에너지 소비를 최소화한다. 생산에서 또 다른 중요한 사용사례는 로봇이 지능형 영상인식 능력을 통해 기능이 향상되어, 불특정 위치, 즉 부품 상자나 컨베이어 벨트 등에서 정리되지 않은 부품들을 집을 수 있게 되는 것이다. 초기 응용사례들은 이미 자동차 산업 등에서 사용되고 있다.
- 유지보수. 생산업체들은 AI를 사용해 설비고장을 줄이고 자산 효용성을 증대할 것이다. AI는 예측 유지보수에도 도움이 된다. 예를 들어, 실제 상태를 기초로 낡은 부품을 교체함으로써 고장을 방지할 수 있다. AI는 지속적으로 기계와 유닛(예를 들어, 센서 데이터와 상품 구성 등)이 생성하는 데이터를 분석하고 이를 통해 학습한다. 이 기술은 특히 고장이 매출손실로 이어지는 공정산업에 도움이 될 것이다. 예를 들어, 일부 정유소들은 설비 고장까지 남은 시간을 계산하는 머신 러닝 모델을 실행하고 있다. 이 모델들은 재료 투입, 재료 산출, 프로세스 변수, 날씨 등과 관련한 1000여개 이상의 변수들을 고려한다.
- 품질. 생산업체들은 AI를 이용해 품질 이슈를 최대한 빨리 알아낼 수 있다. 비전 시스템(vision system)은 영상인식 기술을 이용해 상품 기능에 결함이나 오차를 알아낸다. 이 시스템은 계속해서 학습하기 때문에 시간이 지남에 따라 성능이 향상된다. 자동차 업체들은 머신러닝 알고리즘을 적용한 비전 시스템을 이용해 그 알고리즘을 학습하는데 사용된 데이터 세트에 포함되지 않은 결점을 포함해, 품질 문제가 있는 부품을 알아낸다. AI는 또한 계속해서 기계와 그 생산환경에서 만들어진 데이터를 분석하고 이를 통해 학습할 수 있다. 예를 들어, AI는 시추기계 설정을 자재의 성질 및 행동 패턴과 비교해 공차레벨 초과 리스크를 예측할 수 있다.
- 물류. 이번 연구조사에서는 외부 공급사슬의 물류보다는 공장 내 물류와 창고관리를 중점적으로 다뤘다. AI는 공장 내에서 자율적인 이동과 효율적인 자재 공급을 가능하게 하는데, 이는 특히 다양한 상품 및 고개맞춤형 상품 제조로 인해 가중되는 복잡성을 관리하는 데 있어 매우 필수적인 기능이다. 공장과 창고 내에서 물품을 수송하는 자율주행 차량은 AI를 이용해 장애물을 감지하고 차량 주행경로를 조정해 최적의 경로를 찾는다. 헬스케어 설비 제조업체들은 정비센터에서 자율주행 차량을 사용하기 시작했다. 이 차량들은 마그네틱 선이나 컨베이어의 지시에 의존하지 않고, 장애물을 만나면 멈춰 서서, 자율적으로 최적경로를 결정할 수 있다. 머신러닝 알고리즘은 물류데이터-자재의 유출입, 재고 수준, 부품의 회전률 등 –를 이용해 창고운영이 자율적으로 최적화될 수 있게 한다. 예를 들어, 수요가 적은 부품을 먼 곳으로 옮기고, 수요가 많은 부품을 근처로 옮겨 접근을 신속하게 하는 알고리즘도 있다.
몇몇 AI 사용사례들은 하나 이상의 운영분야에 적용된다. 예를 들어, 언어 생성 및 프로세싱이 가능한 애플(Apple)의 시리(Siri)와 아마존(Amazon)의 알렉사(Alexa) 등과 유사한 가상 비서(virtual agent)는 작업자들에게 IT 시스템에서 추출한 맥락에 따른 정보를 제공한다. 일부 기업들은 이미 픽바이보이스(pick-by-voice)시스템을 이용해 부품의 피킹(picking), 포장, 입고, 보충작업을 하고 있다. 이런 응용사례에서, ERP 시스템의 물자표(BOM:bill of material)와 연결된 음성시스템은 정확한 부품상자로 작업자를 안내한다.
AI 시스템은 기계 고장, 품질불량, 성능저하 등의 사고에 대해 사고보고서(사진 및 문서 보고서)를 바탕으로 해결방안을 제시하며, 이를 지속적으로 분석하고 학습한다. 항공기 제조업체들은 사고보고서를 이용해 생산문제의 패턴을 파악하고, 과거의 유사사고와 현 사고를 비교해 해결책을 제안하는 자율학습 알고리즘을 실행했다.
연구조사 참가자들 중, 앞서 언급한 각각의 사용사례에 대한 기대치는 2030년까지 각각 81%에서 88%에 이르는 정도로 매우 중요해 질 것으로 보이지만, 이미 다양한 생산분야에서 완전히 실행되고 있는 역량들에 대한 기대치는 6%에서 8%로 매우 낮았다. 보기 2는 서베이 참가자들이 미래의 공장에서 가장 중요하다고 생각하는 사용사례들을 보여준다.
목표와 현실 사이의 괴리
많은 기업들이 곧 AI를 실행할 계획을 하고 있지만, 이번 조사에 따르면, 특히 중국, 인도, 싱가포르에서, 평균적으로, 생산에서 AI를 머지 않은 미래에 사용할 것이라는 가장 야심 찬 목표를 세우고 있다. 조사대상이었던 개별 산업들 중, 헬스케어와 에너지 산업이 단기간 기준으로 가장 높은 목표를 설정하고 있으며, 공정 산업과 공학제품은 다소 낮은 것으로 나타났다.
조사에 참여한 대부분의 기업들은 AI가 점차 중요해 질것으로 생각한다고 답했다. 하지만, 그들의 투자, 계획, 실행은 아직 그 목표에 미치지 못한다. 조사 응답자의 87%가 향후 3년 내로 AI를 생산에 활용할 계획이라고 밝혔지만, 겨우 28%만이 종합 실행 로드맵을 수립했다. 나머지 72%의
기업들은 상세한 계획이 부족했다. 그 중 32%는 선별된 사용사례를 시험 중이며, 27%는 경우 초기 아이디어만을 구상한 상태이고, 13%는 AI가 우선순위에서 밀리거나, 아직 고려대상이 아니었다.
이렇듯 실행이 제한적으로 이루어지는 것은 종합적인 계획이 부족함을 반영하는 것이며 목표와 현실 사이에 큰 간극을 보여주는 것이다. 과거, AI 사용사례 구현시 목표를 달성한 기업은 겨우 50%에 불과했다. 따라서, 현재 여러 공장지역에서 하나 이상의 AI 사용사례를 전면적으로 실행- 우리가 얼리어답터(early adopter)가 되기 위한 조건으로 정의하는 성과-하고 있는 기업들이 16%에 그치는 것은 놀랄 일도 아니다. 이번 조사에 포함된 12개국 중, 얼리어답터 기업들의 비중은 특히 미국(25%), 중국(23%), 인도(19%)에서 높고, 일본(11%), 싱가포르(10%), 프랑스(10%)에서 제일 낮다. (보기 3 참조.) 조사대상 독일 기업들은 겨우 15%만이 얼리어답터이다.
미국 기업들이 보인 높은 도입률은 이 지역에서 AI 기술의 광범위한 가용성을 반영하는 것이다. 미국이 앞서고는 있지만, 중국은 AI 펀딩에 있어 미국을 앞질러 작년에는 전 세계 AI 스타트업 투자의 절반가량을 차지했다. 또한, 2017년, 중국 국무원(State Council)은 차세대 인공지능개발계획(Next-Generation Artificial Intelligence Development Plan)을 발표해, 2030년까지 AI 우위를 달성하기 위한 3단계 개발계획을 수립했다. 베이징(Beijing) 인근의 텐진(Tianjin) 시 정부는 AI 산업을 지원하기 위해 50억 달러의 자금지원을 공표하기도 했다. 인도와 같은 다른 신흥개발국들 역시 이와 마찬가지로 AI 도입이 자국 생산산업의 국제적인 경쟁우위를 유지하는데 필수적이라고 간주하며 AI에 대대적인 투자를 실시했다. 이와는 대조적으로, 일본 등의 선진국에서는 여전히 과거 경쟁력 향상에 쓰였던 전통적인 수단(린 제조공정 등)에 집중하고 있다.
우리가 집중적으로 살펴본 8개 산업 중, 교통 및 물류(21%)와 자동차(20%) 산업이 얼리어답터 기업에 가장 많이 속해 있었으며, 공학제품(15%)과 가공 산업(13%)은 뒤쳐진 모습을 보였다. (보기 4 참조.) 이런 격차는 산업별로 출발점이 다르며 디지털화에 대한 친숙도가 다름을 보여준다. 자동차 기업과 기술기업들이 가장 앞서고 있는 것은 당연한 일이다. 디지털 전술이 이 두 업종에서는 이미 수년 동안 가치사슬의 중요한 부분이었지만, 다른 산업들은 아직 배울 것이 많이 남아있다.
한 회사가 고용하는 직원의 수 역시 AI 실행에 영향을 미친다. 소기업들은 대기업에 비해 얼리어답터가 될 가능성이 낮을 것이다. 규모가 작은 기업일수록 AI 도입에 전념할 예산과 역량 역시 부족할 가능성이 높기 때문이다. 비록 최근의 기술발전과 데이터 저장 및 프로세싱 비용의 하락으로 인해 AI 자금 투자의 문턱이 낮아지기는 했지만, 전반적인 역량 부족은 지속될 것으로 보인다.
격차 줄이기
전략과 로드맵, 거버넌스 모델, 직원 역량, IT 인프라의 네 가지 실행요인은 AI가 운영부문에서 성공적으로 구현되기 위해 매우 중요하다. 얼리어답터 기업들은 후발주자들에 비해 훨씬 더 효과적으로AI 실행요인들이 그 기능을 완전히 발휘하도록 했다. (보기 5 참조.)
전략 및 로드맵. 모든 AI 실행활동에 대한 방향과 지침을 제공하기 위해, 기업은 확실한 전략을 세워야만 한다. AI 전략은 가장 가치 있는 사용사례, 즉 그 회사의 특정한 비즈니스 니즈와 도전과제를 해결하는 것, 에 집중해야 하며, 그 회사의 전반적인 디지털 전략에 부합해야 한다. 기업은 또한 투자에 대해 확실한 사업성과 측정가능한 목표를 설정하는 명확한 실행 로드맵이 필요하다. 서베이 참가자들은 운영에 대한 명확한 AI 전략을 갖추는 것을 가장 중요한 실행요인으로 손꼽았다.
거버넌스 모델. 경영진의 적극적인 노력은 개선 가능성을 실현하는 데 매우 중요하다. 최고 경영진은 조직 내에서 AI를 정확히 이해할 수 있도록 체계적인 커뮤니케이션을 해야 한다. AI 실행에 대한 역할과 책임을 분명히 정하고 조직 구조도 정확히 구성해야 한다. 관련 팀들 간의 효율적인 협업과 커뮤니케이션은 AI 도입에 대한 문화적인 저항을 극복하는 데 중요하다.
직원 역량. AI 도입과 전반적인 디지털화를 위해, 기업은 특히 프로그래밍, 데이터 관리, 분석기술 등에 우수한 역량을 갖춘 직원들을 확보해야 한다. 기업이 필요로 하는 역량들을 정확히 파악하고 이 니즈와 실제 현 직원들의 보유역량간의 격차를 측정해야 한다.
산업운영에서 AI의 기본사항에 대한 이해 등의 내용에 대해서는, 직원들이 회사 내부 혹은 외부 교육 프로그램을 통해 필요한 스킬을 습득할 수 있다. 고급 분석기술 등 IT 관련 정식코스가 필요한 주제에 대해서는, 회사가 데이터 과학자 등 새로운 역량을 갖춘 전문가를 채용해야 할 것이다.
연구조사 참가자들 중, 93%가AI를 운영 영역에서 실행하기 위해 요구되는 역량을 사내에 충분히 확보하지 못하고 있다고 답했다. 4분의 1 이상(29%)은 그들의 회사가 AI 전담 인력을 늘렸다고 답했고 약 절반(47%)이 그 수가 앞으로 몇 년 간 증가할 것으로 예상했다.
IT 인프라. 응용 프로그래밍 인터페이스와 네트워크 기준을 통해 향상된 레거시 IT시스템과 기계 설비의 상호운용성은 AI 실행성공에 필수적이다. 사이버보안은 AI 및 4차 산업혁명 관련 종사자들에게 또 다른 중요한 관심사이다.
AI를 구현함에 있어, 기업은 전략과 로드맵을 요구사항이 변함에 따라 조정할 수 있도록 에자일(agile) 근무방식 도입을 고려해야 한다. AI 기술 도입에 있어, 기업은 페일패스트(fail-fast), 최소기능제품(minimum-viable-product) 접근법을 도입해야 하는데, 새로운 아이디어를 소규모로 시험하고 전면적인 출시를 위해 본격적으로 실행하기 전에 신속한 반복작업을 통해 이를 정제시키는 방식이다. 얼리어답터 기업들은 후발주자들보다 이 같은 에자일 업무방식을 더 잘 활용할 것이다.
시작하기
연구조사 결과, 공업 기업들과 산업 기계 및 자동화 생산업체들 모두의 행동이 요구됨이 드러났다. (‘기계 및 자동화 부문에 시사하는 바’ 참조.)
AI실행의 달리기에서 뒤쳐지지 않기 위해, 공업기업들은 체계적인 3단계 접근법을 취해야 한다.
현상태 평가하기. 기업은 현재의 불편사항과 AI 성숙도를 평가하는 것에서 시작해 동종업계의 다른 기업들이나 업계 평균과 비교해 기업의 현 위치를 파악해야 한다. 강력한 IT 인프라는 AI 실행에 필수적이기 때문에, 기업은 반드시 운영 IT의 현황을 평가해야 한다. 생산현장평가를 실시하기에 앞서 전제조건은 평가주제와 기준을 모바일 기기에 저장할 수 있도록 하는 것이다.
실행가능요인 설정하기. 기업은 반드시 포괄적인 AI 사용사례 목록을 작성해 현황 파악 시 발견된 불편 사항들을 해결해야 한다. 모든 관련자들이 워크샵을 통해 사용사례에 대해 심도 있는 토론을 하고 어느 것을 우선순위로 실행할 것인지 결정해야 한다. 우선적으로 선택된 사용사례들의 재무적, 비재무적 혜택을 평가함에 있어, 회사는 투자의 사업성을 고려해야 한다. 관련혜택과 이를 위한 투자를 수치화하는 것에 경험이 있는 AI 전문가의 의견이 이 단계에서 절대적으로 중요할 것이다. 사용사례의 우선순위를 결정한 후에, 회사는 오퍼레이션 AI의 목표상을 결정하고 실행을 위한 로드맵을 그려야 한다.
회사의 거버넌스 모델은 AI 실행의 책임과 역할을 분명하고 상세하게 정하고, 일관된 조직 구조를 정립해야 한다. 회사는 또한, 현재의 인력과 AI 사용사례를 실행하기 위해 필요한 인력의 자질을 비교해 그 차이를 어떻게 줄일 것인지 판단해야 한다. 뿐만 아니라, 사용사례 실행을 위한 IT 요건을 정의하고 효과적이고 효율적인 데이터 관리를 위한 2차 거버넌스 모델을 수립해야 한다. 데이터 과학자와 AI전문지식을 갖춘 IT전문가가 이 요건정의 작업에 참여해야 할 것이다.
기계 및 자동화 부문에 시사하는 바
다른 모든 종류의 공업기업들의 공급업체로서, 기계 및 자동화 관련 생산업체들은 AI 기술의 잠재가능성을 실현하고 공장에서 AI 응용에 대한 수요를 충족시키는데 중요한 역할을 하게 될 것이다. AI는 기계 및 자동화 생산업체들이 서비스형 기계(machinery as a service)와 같은 새로운 수익창출 비즈니스 모델을 개발할 수 있도록 해 줄 것이다. 이 시장을 최대한 활용하기 위해서, 관련 생산업체들은 설비를 개선하고 데이터를 수집해AI 기술을 실험해야 한다.
모든 산업에서, 서베이 참가자들은 자율 최적화 기계를 가장 중요한 AI 사용사례라고 답했다. 기계 및 자동화 관련 생산업체들은 공업기업에게 머신러닝 기법을 이용해 실시간으로 매개변수를 분석하고 프로세스를 최적화하는 기기를 제공할 수 있을 것이다.
서베이 응답자들은 또한 머신비전 시스템의 중요성이 날로 증대되고 있다고 생각했다. 기계 생산업체들은 머신비전을 직접 기계 시스템에 통합할 수 있다. 기반 AI 기술이 유수의 벤더를 통해 가용하지만, 특정 벤더에 의존해야만 하는 상황을 막기 위해 기계 생산업체의 자체 AI 솔루션 개발을 고려해야 할 것이다.
AI를 활용한 분석기술 및 자율 최적화 기계를 개발하기 위한 첫 번째 단계로, 기계 및 자동화 생산업체들은 설비 기능에 대해 완전한 투명성을 달성하기 위해 노력해야 한다. 이를 통해 사용자들은 기계의 매개변수를 감지하는 것에서 데이터를 활용하고 이를 통해 지속적으로 학습하는 것에 이르기까지의 AI 여정을 진행할 수 있을 것이다. 매개변수 감지 및 데이터 활용에는 기계의 상태와 생산되는 부품의 품질에 대한 인사이트를 얻기 위한 온도, 토크, 진동 등 프로세스 매개변수의 모니터링이 포함된다. 궁극적으로, 투명성은 자율규제 시스템의 기초가 될 것이다. 뿐만 아니라, 기계가 접근한 데이터들이 안전하게 비공개로 유지될 것임을 고객들에게 확신시켜줄 수 있을 것이다.
솔루션 테스트 및 확장하기. 회사는 AI 사용사례를 공장의 특정 부분에서 테스트해야 한다. 이 프로세스를 가속화하기 위해, 목표를 정의하고 실행가능요인들을 확정하는 동시에 첫 번째 파일럿 프로그램 시작해야 한다. 각 파일럿의 목적은 최소기능제품을 신속히 개발한 후에 에자일 개발방법을 통해 그 파일럿의 디자인을 여러 번 반복함으로써 개선하는 것이 되어야 할 것이다. 직원들은 파일럿 프로그램들과 상호작용하면서, AI 사용사례에 대한 감을 익히고 친숙하게 될 것이다. 파일럿을 효과적으로 진행하기 위해 괴사는 즉각적인 영향을 가능하게 하는 자산 모니터링 센서나 스마트 안경 등의 툴을 사용할 수 있어야 한다. 그리고, 파일럿을 통해 테스트를 성공적으로 마친 솔루션을 확장해야 한다. 마지막으로, AI실행의 잠재력을 온전히 실현하기 위해, 회사는 통합 솔루션을 전면적으로 실시해야 한다.
우리의 연구조사는 AI가 이제 막 운영 생산성 향상의 가장 중요한 수단이 되려고 하고 있음을 분명히 보여줬다. 하지만, 많은 기업들이 AI의 혜택을 누리기 위해서는 기술투자 이상의 것이 필요함은 깨닫지 못하고 있다. 확실한 전략은 중요한 출발점이 되지만, 이것 또한 충분치 못하다. 회사는 반드시 적절한 거버넌스와 기반 인프라를 갖춰야 하며 인력을 재구성하고 재교육해야 한다. 아직까지 AI 실행에 대한 전체적인 관점으로 접근하지 않은 생산업체는 얼리어답터 기업을 따라잡기 위해 지금 당장 기량향상에 주력해야 할 것이다.
