📌 핵심 요약
제조 AI 도입이 막히는 지점은 대개 기술이 아니라 순서입니다. 저희 SAIGE가 현장에서 AI 검사를 설계할 때, 장비보다 먼저 정하는 것은 세 가지입니다.
- 성과를 무엇으로 잴지
- 제품마다 다른 검사 조건을 어떻게 다룰지
- 검사 데이터를 누가 어떻게 재학습에 쓸지
렌즈 생산 라인은 밤에도 돌아가지만, 표면 결함을 판정할 숙련 검사자는 밤새 늘어나지 않습니다. 야간 생산분이 검사를 기다리며 쌓이고, 검사가 생산 속도를 정하는 구조가 됩니다. 연마 불량이나 미세 스크래치, 코팅 이물은 여전히 사람의 눈으로 걸러야 합니다. 저희가 제조 AI(카메라·설비 데이터를 학습해 품질·공정·안전 판단을 자동화하는 AI) 이야기를 시작하는 곳은 대부분 이런 공정입니다.
이 글은 SAIGE VISION으로 구축 중인 광학 렌즈 표면 결함 검사를 중심 제조 AI 도입 사례로 삼습니다. 여기에 먼저 구축을 마친 네 현장의 결과를 더해, 장비보다 먼저 정해야 할 것을 정리합니다.
※ 이 글의 사례는 모두 SAIGE가 직접 구축했거나 구축 중인 현장이며, 고객사 정보 보호를 위해 익명으로 처리했습니다.
제조 AI 도입 사례가 아직 드문 이유
렌즈 공정 같은 고민은 흔하지만, AI가 실제 공정에 들어간 곳은 드뭅니다. 중소벤처기업부 실태조사(2025년 4월)에서 공장을 보유한 중소·중견 제조기업의 스마트공장 도입률은 19.5%였지만, 제조 AI를 실제로 도입한 곳은 0.1%였습니다. 산업연구원이 발표한 제조업 AI 도입률 3.9%와 차이가 나는 이유는 조사 대상에 있습니다. 앞 조사는 중소·중견 기업의 생산 공정 적용을 봤고, 뒤 조사는 규모와 관계없이 AI 활용 전반을 봤습니다.
걸림돌은 비용과 사람입니다. 중소기업중앙회 조사(2025년 10월)에서 도입 애로 1·2위는 초기 비용(44.2%)과 전문인력 부족(20.5%)이었습니다. 대한상공회의소 조사(2025년 11월)에서는 AI 전문인력이 없다는 제조기업이 80.7%였습니다. 그래서 제조 AI 도입 사례를 볼 때는 어떤 모델을 썼는지보다 누가 어떻게 운영하도록 설계했는지를 먼저 봐야 합니다.
📊 출처
- 제조 AI 도입률 0.1%: 중기부·스마트제조혁신추진단 실태조사 (2025.4) — 한국데이터경제신문
- 제조업 AI 도입률 3.9%: 산업연구원 (2025.4) — ZDNet Korea
- 초기 비용 44.2%, 전문인력 20.5%: 중소기업중앙회 502곳 조사 (2025.10) — 파이낸셜뉴스
- 전문인력 없음 80.7%: 대한상공회의소 504곳 조사 (2025.11) — 한국데이터경제신문
제조 AI 도입 사례 ① 광학 렌즈 표면 결함 검사
제조 AI 도입 사례의 출발점, 렌즈 표면 검사가 까다로운 이유
렌즈 표면 검사는 AI에게도 쉽지 않습니다. 이유는 세 가지입니다.
- 렌즈마다 봐야 할 영역이 다릅니다. 도수와 형태에 따라 광학 중심(빛이 굴절 없이 통과하는 기준점)이 달라서, 검사 영역(ROI)을 고정하면 봐야 할 곳을 놓치거나 과하게 잡게 됩니다.
- 먼지가 결함처럼 보입니다. 표면의 먼지는 이미지상 스크래치와 비슷해서 과검(정상품을 불량으로 판정하는 오류)을 늘립니다.
- 결함이 조명에 따라 달라집니다. 연마 불량이나 얼룩은 투명한 곡면 위에서 조명 각도에 따라 보였다 사라집니다.
그래서 이 공정은 AI 모델만큼 광학계 설계가 결과를 좌우합니다. 저희가 광학·설비 파트너와 함께 설계하는 이유입니다.
장비보다 먼저 정한 세 가지
- 성과 기준: 불량 클레임은 드물고 원인을 좁히기 어렵습니다. 반면 야간 생산분이 검사 대기 없이 넘어가는지는 매일 확인할 수 있어서, 생산량을 기준으로 삼았습니다.
- 제품별 검사 조건: 트레이로 투입된 렌즈를 바코드로 식별하고, 렌즈마다 검사 영역을 다시 잡도록 생산관리 시스템 연동을 설계했습니다.
- 데이터 운영: 검사 이미지가 학습 서버로 돌아가 모델을 고도화하는 구조(MLOps)를 처음부터 설계에 넣었습니다. PCB 현장에서도 같은 재학습 구조로 운영 중에 과검률을 계속 개선할 수 있게 했습니다.
결함 판정과 모델 학습·재학습은 SAIGE VISION이 맡고, 광학계와 설비는 파트너가 맡았습니다. 한 회사가 모든 것을 떠안지 않도록 역할을 나눈 구조입니다.
성과로 확인된 제조 AI 도입 사례 4가지
| 현장 | 문제 | 적용 | 확인된 변화 |
|---|---|---|---|
| 가전부품용 필름 | 분당 33m 롤투롤, 은박 소재 난반사로 육안 전수검사 불가 | SAIGE VISION 룰베이스·AI 복합 검사 | 전수검사 전환, 연간 약 10억 원 손실 절감 기반 |
| PCB | 룰베이스 검사기 과검으로 재확인 부담 | 기존 검사기에 SAIGE VISION AI 필터 연동 | 재확인 대상 축소, 재학습 기반 과검률 개선 구조 확보 |
| 건축자재 프레스 | 평균 0.16초인 2차 가압 이상을 PLC로 포착하기 어려움 | 기존 CCTV에 SAIGE VIMS 적용, 약 6분 30초 영상으로 학습 | 30분 구간에서 2차 가압 누락 16건 검출 |
| 철강 코일 가공 | 고가 머신비전 투자 부담, 품질 분쟁 시 증빙 부족 | 라인에 CCTV와 SAIGE VIMS 구성, PLC·ERP 작업 기록 연동 | 코일별 영상·작업 기록 리포트로 품질 증빙 확보, AI 전환 우수사례 대상 수상 |
네 현장의 공통점은 두 가지입니다.
첫째, 대부분 기존 설비를 그대로 두고 AI를 얹었습니다. PCB는 쓰던 검사기에, 프레스는 이미 설치된 CCTV에 AI를 붙였고, 철강 현장도 라인 구조를 바꾸지 않았습니다. 초기 비용 부담을 낮추는 가장 현실적인 방법입니다.
둘째, 각자 줄일 손실을 먼저 정의했습니다. 불량 손실액, 0.16초짜리 동작 누락, 재확인 공수, 품질 분쟁 증빙이 그것입니다. 렌즈 현장이 성과 기준을 생산량으로 잡은 것과 같은 맥락입니다.
제조 AI 도입 사례로 보는 공정별 솔루션 선택
중소기업중앙회 조사에서 AI가 가장 필요한 분야는 품질관리(33.9%), 생산 최적화(32.3%), 공정 자동화(31.9%)로 거의 비슷했습니다. 하나의 AI로 모든 공정을 풀기보다, 문제 유형에 맞는 도구를 고르는 편이 현실적이라는 뜻입니다.
- 제품 외관 결함 판정: 렌즈·필름·PCB 현장처럼 SAIGE VISION
- 설비 동작·공정 이상: 프레스 현장처럼 기존 CCTV 영상으로 정상 사이클을 학습해 이상을 잡는 SAIGE VIMS
- 작업자 안전: 위험 설비 접근이나 보호구 미착용을 감지하는 SAIGE SAFETY
어느 쪽이든 출발점은 같습니다. “무엇을 줄일 것인가”를 먼저 정하면 맞는 솔루션은 자연스럽게 좁혀집니다.
제조 AI 도입 사례 자주 묻는 질문
가능합니다. 앞서 본 철강 코일 가공 중소기업은 고가 머신비전 장비 대신 CCTV 영상에 SAIGE VIMS를 붙이는 방식으로 시작했습니다. 공정 전체가 아니라 손실이 가장 큰 한 지점부터 좁혀 시작하면 초기 부담이 크게 줄어듭니다.
대부분은 아닙니다. PCB 현장은 쓰던 검사기에, 프레스 현장은 이미 설치된 CCTV에 AI를 연동했습니다. 다만 렌즈처럼 미세한 표면 결함을 봐야 하는 공정은 조명과 카메라를 포함한 전용 광학계 설계가 필요합니다.
목적을 좁히면 생각보다 적게 듭니다. 프레스 현장은 약 6분 30초 분량의 영상으로 정상 사이클 기준을 세웠습니다. 결함 검사는 불량 이미지를 충분히 모으는 것이 관건인데, 운영 중 재학습 구조가 있으면 시간이 지날수록 보완됩니다.
요약
- 제조 AI 도입률은 중소·중견 제조기업 기준 0.1%로 낮고, 가장 큰 걸림돌은 비용과 전문인력입니다.
- 성과를 낸 제조 AI 도입 사례들은 기존 설비를 살리고, 줄일 손실을 먼저 정의했습니다.
- 장비보다 먼저 정해야 할 것은 성과 기준, 제품별 검사 조건, 데이터 운영 구조 세 가지입니다.
참고 출처
- 중소벤처기업부·스마트제조혁신추진단, 제1차 스마트제조혁신 실태조사 (2025.4) — 한국데이터경제신문
- 산업연구원, 산업 AI 기업 활용현황 (2025.4) — ZDNet Korea
- 중소기업중앙회, 스마트공장 구축 중소기업 AI 도입 의견조사 (2025.10) — 파이낸셜뉴스
- 대한상공회의소, 제조기업 AI 활용 조사 (2025.11) — 한국데이터경제신문
© SAIGE All Rights Reserved.