제조현장 디지털 전환(DX) 저해 요소 점검

제조업은 오랜 기간 많은 기술 혁신을 통해 발전해 왔다. 그러나 최근 몇 년 동안 급속한 디지털화의 물결은 전례가 없는 변화를 가져왔다. 시장의 세계화,

소비자 니즈의 다양화, 기술 발전으로 전통적인 비즈니스 모델과 생산 방식만으로는 경쟁력을 유지하기 어렵다.

또한 현재 제조업은 생산성 향상, 비용 절감, 신제품 개발, 환경 및 노동력 부족 문제 해결 등 다양한 과제에 직면해 있다.

예를 들어, 생산라인의 트러블이나 기계 고장으로 인한 가동 중지 시간은 생산 효율성을 크게 저하하는 요인 중 하나이다. 갑작스러운 기계 고장으로

생산이 중단되어 연간 상당한 시간의 생산 손실이 발생한다. 부적절한 예방보전 또한 고장 빈도가 증가하고 생산이 중단되기도 한다.

노동력 부족은 제조업 전체의 과제이기도 하다. 저출산 고령화로 인해 젊은 층의 노동력 감소가 심해지고 있다. 노동력 부족은 개별 근로자의 부담을

가중시키는 동시에 과로와 안전의 위험도 증가한다. 새로운 인재 개발과 유치도 어려워 조직 전체의 기술 수준을 유지하기 어려운 환경에 봉착했다.

생산 계획의 비효율성 또한 무시할 수 없다. 시장 수요 변동에 유연하게 대응하지 못하면 과잉 재고나 부족 현상이 발생하여 비즈니스 기회를 놓치게 된다.

글로벌 공급망의 복잡성 증가와 지정학적 위험도 생산 계획을 더욱 어렵게 만드는 요인이다.

이러한 과제의 원인은 어느 요소 단독으로 발생하는 것이 아니므로 서로 얽혀 다방면으로 제조 운영에 좋지 않은 영향을 미친다.

예를 들어, 노동력 부족은 근로자 간의 기술 격차를 확대할 수 있어, 이는 결국 생산 효율과 품질에 영향을 미칠 수 있다. 기계 고장은 전체 생산 계획을 새로

검토해야 하며 다른 부서와 비즈니스 파트너에게도 영향을 미친다.

데이터 및 AI 활용에 대한 기대와 현실

이러한 과제에 대응하여 많은 기업들이 데이터와 인공지능(AI) 활용에 기대를 걸고 있다. 예를 들어, 기계로부터의 센서 데이터를 분석하여 고장 징후를

감지하는 예측 유지보수, 수요 예측 모델을 활용한 생산 계획 최적화, 작업자의 기술 데이터를 활용한 교육 프로그램 구축 등 데이터와 AI를 활용하면

문제를 모두 해결할 수 있을 것으로 생각하고 있다.

실제로 업무에 데이터와 AI를 성공적으로 활용하여 생산성을 향상하고 있는 기업도 있다. 예를 들면, 터키의 선도적인 시멘트 제조업체인 OYAK Cement는

데이터와 AI를 활용하여 대체 연료 사용을 4%에서 30%로 늘린 결과 연간 약 3,900만 달러(약 600억 원)의 비용 절감을 달성한 사례가 있다.

지멘스는 AI와 머신러닝을 활용해 제조 장비의 이상 현상을 실시간으로 예측하는 예측 유지보수 시스템인 Senseye 예측 유지보수를 구현하여 장비 가동

중지 시간을 최대 85%, 유지보수 비용을 최대 40%까지 줄였다. 이를 통해 여러 공장에 있는 500개 이상의 장비를 효율적으로 모니터링하여 장비의

운영 효율성을 크게 향상할 수 있었다.

미국 철강 제조업체인 NIM Group은 예측 분석을 자동화하여 수많은 프로세스를 단축하고 철강 스크랩 비율을 개선했다.

한편, 기대 한대로의 결과가 나오지 않는 경우도 많다. 데이터와 AI에 대한 투자는 생산성 향상이나 비용 절감과 같은 실질적인 효과를 달성하지 못한 채

프로젝트가 중단되는 경우도 있다. 왜 이런 격차가 있을까?

디지털 전환 저해 요소 점검

데이터/AI의 활용을 저해하는 눈에 보이지 않는 조직문화가 있다. 이것은 회사 내에 다양한 문제를 일으키며 데이터 활용 추진에 장애가 된다. 아래에

제조업 특유의 데이터/AI의 활용을 방해하는 디지털 전환 저해 조직문화를 소개한다.

1. 경영진의 주문만 난무

제조 현장에서 경영진이 일방적으로 데이터와 AI의 활용을 촉진하라는 지시를 내린다. 그러나 하향식 접근 방식만으로는 현장의 이해와 협력을 얻을 수 없어

프로젝트가 불완전해지기 쉽다. 예를 들어, 새로운 생산 관리 시스템을 구축하였으나 현장 작업자가 필요성과 운영 방법을 이해하지 못하면 시스템을 충분히

활용하지 못한다. 데이터와 AI 사용은 전사적 활동으로 경영진과 현장이 협력해야 한다.

2. 부서별 데이터 사일로화로 개별 최적화

제조업에는 제조, 품질관리, 물류, 영업 등 다양한 부서가 있다. 각 부서가 독자적으로 데이터와 AI의 활용을 추진하고 있으면, 전사적으로 최적화할 수 없고,

부서 간 조정하기도 어렵다. 예를 들어, 제조 부서 내에는 유사한 설비나 장치를 담당하는 팀이 복수로 존재한다. 이들 각 팀이 독자적으로 요인을 분석할 경우,

기본적인 공유 데이터나 자료를 각 부서 또는 팀별로 준비하느라 동일한 프로세스를 중복하는 경우가 많다. 결과적으로 시간과 자원을 낭비할 뿐 데이터와

AI 활용해도 전체 최적의 효율을 높이기 어렵다.

3. 모든 것을 아웃소싱

데이터/AI 활용 프로젝트의 전부 또는 상당수를 외부 시스템 공급업체에 아웃소싱하거나 컨설턴트에 의뢰하는 경향이 있다. 그러나 이는 내부에

기술과 지식이 축적되지 않아 지속 가능한 발전과 성장을 저해한다. 시스템 개발이나 데이터 분석을 외부에 전부 의뢰하면 장기적으로 데이터/AI 활용을

지속하기 어렵다. 외부 파트너의 협력도 중요하나 회사 내에 기술과 지식을 축적하는 일 또한 중요하다.

4. 개개인의 노력에 대한 의존

제조 현장에는 특정 엔지니어와 작업자가 자발적으로 데이터 분석과 프로세스 개선에 열심인 경우도 있다. 그러나, 데이터와 AI 활용은 전사적으로

추진해야지, 개인의 노력과 능력에 의존하면 지속적인 혁신을 이루기 어렵다. 예를 들어, 엔지니어가 수동으로 데이터를 분석하여 생산라인에 개선을

제안하더라도 조직 전체적으로 이것을 표준화하고 지원하지 않으면 효과가 제한적이고 미미하다. 시스템이나 프로세스 개선은 특정 개인의 노력이 아닌

조직 전체의 시스템으로 추진해야 한다.

5. 도구나 솔루션 도입만으로 관심 끝

최신 제조 관리 시스템이나 IoT(사물 인터넷) 디바이스를 도입하는 것도 중요하지만, 이것만으로는 데이터나 AI의 활용에 성공할 수 없다.

도구는 수단일 뿐이며, 업무 프로세스나 조직문화의 변화와 연동되어야 한다. 예를 들어, BI(비즈니스 인텔리전스)/AI 도구를 도입했는데 직원이 사용법을

이해하지 못하고 업무 개선을 하지 않으면 도입 효과는 제한적이다. 도입 후 도구의 운용 방법과 활용 방법을 명확히 알아야 한다.

6. PoC(실증실험)만 난무

제조업에서는 신기술에 대한 PoC(실증실험)이 필요하며 자원투입이 따른다. 그러나, PoC에 집착한 나머지 실제 비즈니스에 활용할 수 없는 상황이

지속되면 데이터/AI 활용의 큰 저해 요소가 된다. 예를 들어, 스마트팩토리에서 여러 개의 PoC 프로젝트를 시작했지만 생산 현장의 문제 해결로

이어지지 않으면 프로젝트가 정체 상태에 빠지게 된다. PoC는 중요한 단계적 절차이지만, 이를 비즈니스 가치 실현으로 연결하는 구체적인 조치가

없으면 성과를 내기 어렵다.

7. 목적 없는 데이터 인프라 정비

제조업 현장에서 대량의 생산 데이터를 생성하지만, 효과적으로 활용하지 못하는 경우가 많다. 데이터 인프라 정비는 데이터/AI 활용에 있어서

가장 기본적인 일이나, 활용 목적과 방법이 명확하지 않으면 자원 낭비로 그칠 수 있다. 예를 들어, 장비 운영 데이터만 수집․저장하고

특정 비즈니스 과제(예: 기계 고장 예측이나 생산라인 최적화)에 데이터를 사용하지 않는다면 데이터 인프라 개발의 의미가 없다. 데이터 수집 및 분석은

비즈니스의 과제 해결과 직접 연결되지 않으면 의미가 없다.

디지털 전환 저해 근본 원인

위와 같은 디지털 전환 저해 원인은 다음과 같은 핵심 요소가 부족하여 나타난다.

비전과 전략 부족: 데이터/AI로 무엇을 달성하고 싶은지, 이를 달성하기 위해 어떤 전략을 채택할 것인지에 대한 명확한 아이디어가 없으면 추진 방향을

결정할 수 없다. 예를 들어, 활용도를 개선하려는 비율과 이를 달성하기 위해 개선해야 할 프로세스에 대한 명확한 목표를 설정해야 한다.

프로젝트 우선순위 불명확: 자원이 무한하지 않으므로 프로젝트의 우선순위를 결정하지 못하면 효과적인 결과 도출이 어렵다. 모든 문제를 한 번에

해결하려고 하면 자원이 분산되어 결국 중도에 흐지부지되어 버린다.

디지털 전환 조직문화 조성 및 인재 개발 지연: 데이터와 AI 활용에 대한 이해와 협력이 부족하여 현장과 경영진 사이에 격차가 발생한다.

인재 육성이 진행되지 않으면 자사 주도적 디지털 전환이 어려워 외부의 역량에 의존하여야 한다. 데이터 역량을 향상시키고 데이터 활용을 촉진하는

조직문화 또한 조성해야 한다.

출처ㅣhttps://monoist.itmedia.co.jp/mn/articles/2410/30/news007.html