01 서론

□ 연구 배경 및 필요성

 ㅇ 제조업은 한국 경제의 핵심축이며, 중소 제조기업의 경쟁력 강화를 위해 디지털 전환(DX)은 시급한 정책과제임

 ㅇ 정부는 2014년부터 「스마트공장 보급･확산사업」을 통해 2024년까지 약 3만 5천 개의 스마트공장을 보급했으나, 스마트공장 도입 기업 중 제조 AI를 도입했거나 도입 계획을 가진 기업은 5.2%에 불과하여, 여전히 AI 전환이 더딤

 ㅇ AI 도입의 구조적 제약 요인

  - (기술 기반 취약) 노후 설비, 수기 데이터 수집 등으로 AI 학습 가능한 데이터 축적이 어려움

  - (자본력 및 전문인력 부족) AI 솔루션의 높은 초기 비용과 지속적 지출 부담, AI 숙련 인력 확보의 어려움

  - (기술 인프라 미비) 중소기업의 AI, 클라우드, 빅데이터, IoT 등 4차 산업혁명 기술 활용률이 대기업보다 현저히 낮음

□ 연구 목적

 ㅇ 중소 제조기업의 DX 과정을 체계적으로 파악하기 위해 구체적인 AI 활용 수요와 AI 전환 선도 기업들의 기술 도입 경로 및 기반 기술을 확인하는 데 초점을 둠

02 중소 제조기업의 AI 기반 DX 추진 환경

□ 스마트제조혁신 정책 동향

 ㅇ 정부는 2025년 10월 스마트제조혁신 3.0을 발표하며, 정책 방향을 AI 기반 자율화로 재편함

  - 2030년까지 AI 중심 스마트공장 약 1.2만 개 보급 및 전체 중소 제조기업 중 10% 이상 AI 활용을 정책목표로 함

 ㅇ 2026년 지원사업의 주요 변경점은 ‘제조AI특화’ 신규 사업 도입 (총 400개 과제), 최대 5억원 지원하는 고액 트랙 신설 등 AI 중심으로 지원이 전환됨

□ 국내외 제조업 AI 시장 동향

 ㅇ 글로벌 시장은 2025년 약 342억 달러→2030년 약 1,550억 달러 전망됨 (연평균 35.3% 성장)

 ㅇ 국내 시장은 2025년 약 11.5억 달러→2030년 약 59.8억 달러 전망됨(연평균 39.0% 성장)

 ㅇ 기술은 머신러닝이 주류이나, 생성형 AI가 향후 5년간 연평균 69.7%의 폭발적 성장이 예상됨

 ㅇ 응용 분야는 예지정비 및 설비점검이 가장 큰 비중을 차지, 품질 관리 분야가 가장 큰 성장이 기대됨

□ AI 활용 현황 및 격차 (통계청 기업활동조사, 2017~2023년)

 ㅇ 전반적으로 AI 활용률은 2017년 0.4%에서 2023년 6.1%로 증가함

 ㅇ 2023년 기준 기업규모･업종･지역별 격차가 뚜렷한데, 비수도권･제조업 중소기업의 AI 활용률이 상대적으로 저조함

  - (규모) 중소기업(4.5%)이 대기업(13.5%) 대비 활용률이 현저히 낮음

  - (업종) 제조업 중소기업(2.5%)이 서비스업 중소기업(6.8%)보다 활용률이 낮음

  - (지역) 수도권 중소기업(6.1%)이 비수도권 중소기업(1.8%) 대비 3.4배 높음

□ 중소 제조기업의 AI 활용 수요 (AI 도입 계획 342개 기업 사업계획서 분석)

 ㅇ 제조실행(88.6%), 품질관리(81.9%), 설비보전(69.9%) 순 생산 현장 효율화 분야에 집중됨

 ㅇ AI 기능은 자동화･제어(80.7%)와 의사결정 지원(78.4%)이 가장 높음

 ㅇ AI 기술은 머신러닝･딥러닝(82.7%)과 컴퓨터비전(48.2%)이 주를 이룸

 ㅇ AI 도입 목적은 생산성 향상(49.4%)과 품질 개선(48.0%)이 최우선 목표이며, 비용 절감(1.5%)은 낮음

03 중소 제조기업의 DX 고도화 경로 분석

□ DX 마일스톤 분석 (AI 도입/예정 51개 기업 기술 도입 이력 분석)

 ㅇ 최초 DX 기술로 ERP(65%)를 처음 도입한 기업이 가장 많았고, AI를 처음 도입한 기업은 2곳(3.9%)에 불과함

 ㅇ 창업 시점부터 AI 도입까지 평균 27.7년이 소요되었고, 1999년 이전 창업 기업은 평균 37.2년이 걸렸으나, 2015년 이후 창업 기업은 평균 5.7년 만에 AI를 도입하여 6.6배 빠른 전환 속도를 보임

□ DX 기술 전이 네트워크 분석

 ㅇ 중심축 기술로는 MES가 매개 중심성 0.305로 압도적 1위를 차지, AI(0.146)가 2위임

 ㅇ DX 경로 전체에 있어 주요 전이 경로는 MES와 ERP 간 양방향 전이가 가장 빈번(총 49회)함

 ㅇ AI로 유입되는 전이(80건) 중 MES(11건), FEMS(9건), ERP(8건) 순으로 많았고, AI 도입 직후에는 AI → MES (9건), AI → FEMS (4건) 등 역방향 전이가 나타남

 ㅇ AI 도입 전 기술이 6개 이상 구축된 기업은 AI 도입 후 추가 투자가 없었으나, 기초 체력이 약한 기업일수록 AI 도입 후 시스템 재정비(추가 투자)가 뒤늦게 발생함

□ AI 도입 경로 유형화

 ㅇ AI 선도형 (3.9%)은 선행 기술 없이 AI와 기타 기술을 동시에 도입하는 역방향 접근 방식으로, 초기 비용 및 시스템 재설계 부담 큼

 ㅇ 빠른 전환형 (23.5%)은 기초 기술 기반으로 짧은 시간 안에 AI를 도입한 후, 데이터 품질 및 시스템 안정성 확보를 위해 대규모 시스템 재정비가 필요했던 유형

 ㅇ 단계적 고도화형 (68.6%)은 장기간 선행 기술을 순차적으로 도입･안정화 후 AI를 적용함

 ㅇ 체계적 구축형 (3.9%)은 10년 이상 장기간에 걸쳐 6개 이상의 다양한 기술을 체계적으로 축적한 후 AI를 도입함

□ 업종별 DX 사례 분석

 ㅇ DX 속도는 의약품(44.5년)이 가장 길고, 식품(14.5년)이 가장 짧음

 ㅇ 기계(83.3%), 전자/전기(80.0%)는 MES를 첫 기술로, 의약품(100.0%)은 ERP로 시작함

 ㅇ 자동차부품(11건), 금속가공(4건)에서 AI 통합 심화를 위한 활발한 추가 투자가 이루어짐

04 정책적 시사점

□ 중소 제조기업의 AI 기반 DX는 업종의 공정 특성, 디지털 기반 수준, 도입 단계, AI 적용 이후 재정비 요구까지 기업별로 조건이 크게 다르므로, 단일 지원 방식으로는 산업 전체의 전환 속도 제고가 어려움

□ 이러한 현실을 반영하여 최근 발표된 「AI 기반 스마트제조혁신 3.0 전략」도 중소 제조기업의 AI 전환 촉진을 위한 지원체계를 확장하고 있음

□ 본 연구는 이와 유사한 방향에서 다음의 정책 방향을 도출함

  ① 업종별 핵심 공정문제를 기준으로 대표 문제 목록을 도출하고, 이를 중심으로 AI 패키지를 설계･운영함

  ② 데이터 환경, 시스템 연동성, 공정 적합성 등을 종합한 AI 준비도를 기준으로 기업별 맞춤 지원을 제공함

  ③ 모든 기업에 필요한 공통 인프라와 업종별 공정 특성에 따른 특화 인프라를 분리하여 지원함

  ④ 부처별로 분산된 지원사업을 통합하여 기업이 단일 플랫폼에서 준비도에 맞는 AI 서비스를 선택･활용할 수 있도록 함

  ⑤ AI 구축 완료 시점이 아닌 도입 후 1~2년간의 운영 안정화 및 재정비 과정까지 공식 지원범위에 포함함

  ⑥ 업종별 성공･실패 사례를 구조화한 전환 아카이브를 구축하고, 이를 기반으로 공급망 단위 확산체계를 설계함

 1) 업종별 공정문제 중심 AI 솔루션 체계 강화

□ 제조업의 AI 적용 양상은 업종마다 뚜렷한 차이를 보이기 때문에, AI 기술 도입의 출발점은 범용 기술 목록이 아니라 업종별 핵심 공정 문제여야 함

□ 우선 지원 대상 업종 선정 및 업종별 대표 공정문제를 도출하고, 민관 협력 개발 구조 기반 업종별 AI 패키지 설계

 ㅇ 우선 지원 대상 업종 선정 시 기준 : ① 불량･사고 발생 시 파급효과가 큰 업종, ② 설비 자동화와 데이터 축적으로 단기 성과 확인이 가능한 분야, ③ 선도 기업의 레퍼런스가 있어 후발 기업의 학습 경로 단축이 가능한 업종

 ㅇ 각 업종에서 5~10개의 대표 공정문제를 도출하고, 이를 공모 과제 설계, 기술개발 방향, 평가 지표 등 정책 운영의 공식 기준으로 정비할 필요

 ㅇ 업종 공통 요구사항은 표준으로 제공하고 기업 규모나 공정 복잡도에 따라 필요 기능만 선택 가능하게 설계

 ㅇ 정부는 문제 정의, 데이터 표준, 성능 검증 기준을 제시하고, 민간은 솔루션 기업이 공모를 통해 패키지 개발･고도화하는 민관 협력 개발 체계를 마련

 2) AI 준비도(readiness) 기반 단계별 지원 체계 전환

□ AI가 실제로 작동하려면 데이터 품질, 시스템 연동 구조, 공정 변동성 관리, 운영 인력의 대응 역량 등이 동시에 충족되어야 하나, 이는 DX 성숙도 지표만으로 진단에 한계

□ AI가 작동하기 위한 실질 조건을 반영하고 기술 난이도와 기업 도입 능력을 정확히 연결하는 기준으로서 AI 준비도 측정 도구 마련

 ㅇ AI 준비도 측정을 위해 데이터 환경, 시스템 연동성, 공정의 AI 적합성, 조직 운영 역량, 경영 의지 등을 종합

 ㅇ 준비도 중심 지원체계는 도입-실패-중단의 악순환을 차단하고, 각 기업 조건에 가장 적합한 기술 투입을 가능하게 함

 3) 공통 기반과 업종 특화 기반 인프라 이원화

□ AI 기반 DX에는 공통 기반과 업종 특화 기반이 동시에 필요

 ㅇ 공통 기반은 데이터 표준화, 정합성 있는 MES 기반 운영, 설비･센서 간 연동 구조, 핵심 공정의 디지털화 등으로 구성, AI 모델이 데이터를 안정적으로 수집･해석･활용할 수 있는 구조적 토대

 ㅇ 업종 특화 기반은 공정 위험구조, 품질 요구, 규제 조건에 따라 차별화

□ 이 둘을 구분하지 않으면 기초 기반이 부족한 기업이 고난도 인프라를 지원받거나, 업종 필수 특화 기반을 확보하지 못하는 불균형이 발생할 우려

□ AI 기반 인프라 이원화 체계를 통해 인프라 과잉･부족 문제를 동시 해결, 업종별로 필요한 기반을 정확히 지원, 공급망 전체의 기술 일관성 제고, AI 도입의 속도와 품질 개선이 가능

 4) 단일 창구 기반 AI 바우처 체계 마련

□ 여러 정부 부처에 산재한 AI 지원사업들의 칸막이를 제거하고, 통합･일원화한 모델인 수출 바우처 모델을 벤치마킹하여 제조 AI 전환에 적용

 ㅇ 현재 중소벤처기업부, 산업통상부, 과학기술정보통신부, 농림축산식품부 등이 중소기업 대상 각각 다른 사업 운영함에 따라 유사 목적 사업 중복 운영 또는 부처 경계의 융합 영역 지원 공백 발생

 ㅇ 기업은 여러 부처의 공고 비교 및 상이한 신청 서류 반복 작성 필요, 전담 인력이 부족한 소규모 기업일수록 행정 부담이 실질적 진입장벽으로 작용

□ AI 바우처 플랫폼 구조는 신청부터 진단, 패키지 선택, 공급기업 매칭, 정산까지 전 과정 통합처리 가능하도록 설계하고, 업종 표준 패키지와 선택형 모듈을 결합해 바우처 구성

 ㅇ 운영 데이터 축적 시 AI 추천 알고리즘이 유사 기업의 성공 경로를 학습해 AI 준비도 단계 맞춤 최적 패키지를 자동 제안

 5) AI 도입 후 후속 고도화 단계를 포함한 전주기 지원

□ 사례 분석 결과 AI 시스템이 공정에 적용된 후 대부분 12~24개월간 대규모 조정이 발생

□ 기존 정책은 AI 구축 완료 시점에서 지원 종료됨에 따라 도입 후 발생하는 주요 문제를 정책적으로 다루지 못하며, 결과적으로 AI 성능 저하, 모델-데이터 불일치, 시스템 충돌로 이어져 AI 기능 중단 또는 폐기 사례 발생

□ 도입 후 최소 1~2년간의 재정비 과정을 ‘후속 고도화 단계’로 정의하고 공식 지원범위에 포함

 ㅇ 데이터 이상치 제거, 구조 재정의, 라벨링 재정비, 모델 재학습･튜닝, MES 연동성 보정, 센서･카메라 재조정, 운영자 교육, 공정 변경 시 성능 점검 등을 지원

 6) 업종･공급망 단위 전환 경로 아카이브 구축

□ 업종별 성공･실패 패턴이 구조적으로 정리되지 않아 후발 기업이 불필요한 시행착오를 반복

□ 업종별 주요 공급망 특성에 따른 공정 전환 경로를 정리하여 국가 단위의 전환 아카이브로 구축하고, 업종별 전환 패턴을 구조화해 후발 기업에 최적 전환 루트를 제공하는 근거로 활용

 ㅇ 아카이브 구성 내용은 초기 디지털화 단계 확보 데이터, 공정 변곡점을 만든 게이트웨이 기술, AI 최초 적용 공정, 모델 성능 저하 시 재정비 조치, 실패 사례의 구조적 원인 등

 ㅇ 공급망 상위기업이 구축한 AI 기반 공정, 품질 기준, 데이터 흐름을 협력사와 공유해 협력사도 업종별 패키지와 준비도 기반 지원을 통해 빠르게 따라올 수 있도록 설계, 이를 통해 공급망 전체의 전환 속도가 동시적으로 제고

□ 지역 산업단지나 주력 산업을 중심으로 특정 업종･공정 특화 모델을 개발하여 산업 전체의 전환 속도를 높이고, 지역･기업 간 전환 격차를 완화