제조 AI의 정밀도는 현장 데이터에서 결정된다

제조 현장에서는 입고부터 출하까지 수십 개의 데이터 터치포인트가 존재합니다. 입고 검수, 피킹, 조립, 품질 검사, 포장, 출하 — 이 모든 지점에서 생성되는 데이터가 AI의 원료입니다.

문제는 이 데이터의 대부분이 파편화되어 있거나, 수기로 기록되거나, 아예 수집되지 않고 있다는 것입니다.

AI 프로젝트 실패의 70%는 데이터에서 시작된다

AI 프로젝트의 80%가 의미 있는 성과 없이 종료됩니다(RAND Corporation, 2024). 이 실패의 70%는 데이터 품질 문제가 원인입니다(Informatica, 2024). Gartner는 2026년까지 AI 프로젝트의 60%가 AI-ready 데이터 부재로 중단될 것이라고 예측합니다(Gartner, 2025).

제조업에서 이 문제는 더 심각합니다. 수기 작성된 생산 일보는 40%가 부정확하고(MachineMetrics), 수기 입력은 1,000건당 30–40건의 오류를 발생시킵니다(Evocon). 부정확한 데이터 위의 AI는 부정확한 의사결정으로 이어집니다.

입고부터 출하까지, 데이터가 놓치는 곳

제조 프로세스를 데이터 관점에서 보면, AI가 필요로 하는 데이터가 어디서 생성되는지 명확해집니다.

• 입고·창고: 입고 수량, LOT 번호, 유통기한, 자재 위치 — 이 구간의 데이터가 부정확하면 이후 모든 공정 데이터가 오염됩니다.
• 조립·생산: 부품 설치 추적, 조립 지시, 피킹 — 어떤 부품이, 어떤 조건에서 조립되었는지 정확히 기록해야 불량 패턴을 발견할 수 있습니다.
• 라인사이드: 설비 가동 이력, 자산 관리, 공정 투입 자재 모니터링 — 예측 정비와 공정 최적화 AI의 기반입니다.
• 출하·창고: 출하 수량 검증, 운송장 매칭 — 이 구간의 자동화만으로 출하 검수 시간을 85% 단축한 사례가 있습니다.

AI가 필요로 하는 데이터 유형

제조 현장의 데이터는 단순한 숫자가 아닙니다. 다양한 형태의 물리적 데이터가 빠짐없이 수집되어야 AI의 정확도가 높아집니다.

1D/2D 바코드 — 제조 프로세스 전 구간에서 사용되는 가장 기본적인 식별 데이터입니다. 문제는 훼손, 오염, 인쇄 불량으로 읽히지 않는 바코드가 수기 입력으로 대체되고, 그 오류가 AI 모델을 왜곡한다는 것입니다.

DPM 코드 — 금속·플라스틱 표면에 직접 각인된 코드로, 라벨을 부착할 수 없는 환경에서 부품 단위의 추적성(traceability)을 확보합니다. 불량 원인 분석과 리콜 대응의 핵심 데이터이지만, 일반 스캐너로는 인식이 어렵습니다.

텍스트(OCR) — LOT 번호, 시리얼 넘버, 유통기한 등 라벨에 인쇄된 비정형 텍스트입니다. 정확하게 디지털화되지 않으면 같은 LOT가 시스템에서 다른 LOT로 기록되어, 품질 이슈 발생 시 영향 범위를 특정할 수 없게 됩니다.

이 데이터들이 끊기지 않고 연결될 때 — 입고 바코드 → 조립 DPM → 검사 텍스트 → 출하 바코드 — AI는 비로소 전체 맥락을 학습할 수 있습니다.

Physical AI 시대, 데이터의 기준이 달라진다

NVIDIA CEO 젠슨 황은 CES 2026에서 이렇게 말했습니다.

진정한 Physical AI는 AI가 중력, 속도, 거리, 안전 로직을 이해하고, 실제 세계에서 자신의 행동에 대한 결과를 책임질 때 시작된다.

제조 현장의 AI는 텍스트를 생성하는 AI와 다릅니다. 정비 시점, 품질 홀드, 공정 변경 — 실제 물리적 행동을 결정하며, 의사결정의 정확도는 입력 데이터의 정확도에 비례합니다. 입력 데이터가 부정확하면 디지털 트윈은 디지털 추측에 불과합니다.

한국 정부는 2030년까지 AI 공장 500개 구축을 목표로 제조 AX 예산을 84% 증액했습니다(KoreaTechDesk, 2025). 하지만 데이터 기반 없이 이 투자가 집행되면, 80%의 실패율을 답습할 위험이 있습니다.

수기 입력 vs. 자동화 캡처

항목	수기 입력	자동화 캡처
정확도	약 96% (1,000건당 오류 30–40건)	99.99% 이상
재고 실사 속도	수 시간	수 분 (최대 10배 향상)
출하 검수 시간	수십 분	수 분 (최대 85% 단축)

96%의 정확도는 일반 업무에서는 충분할 수 있지만, AI 모델에게는 치명적입니다. 1,000건 중 30–40건의 오류가 학습 결과를 체계적으로 왜곡합니다. AI의 품질은 데이터의 품질을 초과할 수 없습니다.

데이터가 정확해야 AI가 정밀해진다

AX 프로젝트를 검토하고 계신다면, 가장 먼저 확인할 것은 AI 알고리즘이 아닙니다. 현장 데이터가 AI를 학습시킬 수 있는 수준인지를 확인하는 것입니다. 바코드가 빠짐없이 읽히고 있는지, DPM 코드가 인식되고 있는지, 텍스트 데이터가 구조화되어 시스템에 반영되고 있는지.

이 질문에 "예"라고 답할 수 있을 때, AX는 비로소 성과를 낼 수 있는 조건을 갖추게 됩니다.

Data Connect는 SCANDIT의 한국 공식 파트너로서, 제조 현장의 데이터 캡처 기반 구축부터 MES/ERP 연동, AI 활용까지의 전체 여정을 지원합니다. 현장 환경에 맞는 PoC를 통해 실질적인 효과를 먼저 확인해 보시기 바랍니다.