제조AI는 검증 모델 재사용 중심이 나을까, 공장별 맞춤 개발이 나을까?

📌 오늘의 안건
제조AI는 검증 모델 재사용 중심이 나을까, 공장별 맞춤 개발이 나을까?

산업통상부는 11월 3일 AI 팩토리 확산전략을 발표했다. 지금까지 245개 기업의 AI 팩토리 전환을 지원했고, 38개 우수사례에서 생산성 30.1% 향상, 불량률 15.5% 감소를 확인했다. 한편 한 공장에서 성공한 기술을 다른 공장이 처음부터 다시 개발하는 중복 투자가 한계로 드러났다. 이에 541개 AI 모델을 분석하고, 검증된 모델을 비슷한 공정에 추가학습으로 재사용하며, 대기업 주도로 협력사와 지역 산단까지 넓히는 4단계 체계를 가동한다. 투자 대비 성과(ROI) 평가체계도 새로 만든다. 2027년 정부안에는 풀스택 AI 팩토리 1,200억원, 제조 암묵지 AI 솔루션 2,900억원 등이 포함됐다. 재사용 중심이면 확산 속도와 비용 면에서 유리하지만, 공장마다 설비와 데이터가 달라 효과가 줄 수 있다는 반론이 있다. 중소 협력사와 대기업, 업종 전문 AI기업 중 누구 입장에서 어떤 조건이면 재사용 방식이 더 낫다고 보는지 따져 봐야 한다.

재사용이 정말 통하는지 먼저 묻겠습니다. 이 방식이 놓치고 있는 전제와 맹점을 제가 끝까지 따져 보겠습니다.

공장 바닥에서 설비를 붙들고 씨름해 본 경험으로 말씀드릴게요. 중소 협력사가 실제로 이 방식을 쓸 수 있는지, 비용과 일손 면에서 하나씩 짚어 볼게요.

품질은 검사로 만들어지지 않고 시스템에서 만들어진다는 오랜 믿음을 이 자리에 가져왔습니다. 모델 재사용이 산업 전체의 체계에 장기적으로 무엇을 남길지 살피겠습니다.

숫자부터 볼게요. 발표된 성과와 예산이 어떤 근거에서 나왔는지, 재사용이 낫다는 말을 데이터가 얼마나 받쳐 주는지 확인해 드릴게요.

결론: 재사용은 '기본값'이 아니라 '조건부 예외'여야 합니다. 재사용이 통하는 경우는 설비 모델, 센서 사양, 라벨 기준이 같은 공정에 한정됩니다. 그 조건을 맞추지 못한 중소 협력사에게 "추가학습이면 된다"는 말은 비용을 떠넘기는 셈입니다.

38건이 무엇을 증명합니까? 지원 기업 245곳 중 38곳, 약 15.5%만 우수사례로 보고됐습니다. 나머지 207곳의 성과는 어디에 있습니까? 생산성 30.1%, 불량률 15.5% 감소는 잘 된 곳만 고른 표본의 평균이라고 봐야 합니다. 이 수치를 재사용의 근거로 쓰면 생존자 편향을 그대로 확산 정책으로 옮기는 셈입니다. 게다가 이 모델들은 원래 공장에서 성공했을 뿐, 다른 공장에서 검증된 적이 없습니다. - 기계를 바꾸는 순간 성능이 무너진다는 연구가 있습니다. 산업 상태감시 공개 데이터 7종을 대상으로 한 벤치마크에서, 데이터를 무작위로 나눠 검증할 때는 모든 모델의 정확도가 높았습니다. 그러나 다른 기계로 옮기는 상황을 가정해 검증하자 성능이 크게 떨어졌습니다. (arXiv 2409.12785[1])

• 같은 공정이라도 라인마다 설비 특성과 생산 방식이 달라 센서 데이터의 분포가 어긋납니다.

(arXiv 2601.12663[1])

• 초음파 센서는 센서 자체, 부착 방식, 접촉 압력에 따라 파형이 달라집니다. 그래서 모델이 특정 센서와 부착법에 묶입니다. (CORE[2])
• 대상 설비에 센서가 원래 설비보다 적으면 모델에 들어가는 입력 자체가 달라집니다. 이런 차이는 추가학습으로 메울 수 없고 재설계가 필요합니다. (US12032929[3])

그렇다면 누구에게, 어떤 조건에서 재사용이 낫습니까?

• 대기업: 가장 유리합니다. 협력사 라인의 설비와 센서 규격을 직접 표준화할 힘이 있기 때문입니다. 단, 표준화 투자를 대기업이 부담한다는 전제가 붙습니다.
• 업종 전문 AI기업: 같은 모델을 여러 번 팔 수 있어 수익 구조가 좋아집니다. 그 대가로 현장마다 성능이 떨어지는 위험은 고객에게 넘어갑니다.
• 중소 협력사: 손해 보기 쉽습니다. 추가학습에 필요한 라벨링 인력, 데이터 정제, 성능 미달 시의 손실을 결국 협력사가 떠안기 때문입니다.

정책을 제 기준으로 정리하면 이렇습니다.

1. 재사용 승인 전에 '공장 단위 교차검증'을 의무화해야 합니다. 원 공장 데이터를 빼고 대상 공장에서 성능이 얼마나 떨어지는지 공개하는 방식입니다.
2. 541개 모델에 설비·센서·라벨 명세서를 붙여, 조건이 맞는 공정에만 재사용을 허용해야 합니다.
3. 새로 만드는 ROI 평가는 38건이 아니라 245곳 전체, 특히 실패 사례를 기준으로 삼아야 합니다.
4. 2,900억원 규모의 암묵지 예산은 모델 재사용보다 협력사의 라벨링과 센서 표준화에 먼저 써야 합니다.

이 조건을 갖추지 못한 재사용은 확산 속도를 높이는 것처럼 보여도, 실제로는 성능 저하를 넓게 퍼뜨릴 뿐입니다.

참고: 541개 모델, 38건 우수사례, 30.1% 같은 이번 발표의 세부 수치는 검색으로 원문을 확인하지 못해 질문 본문을 그대로 인용했습니다. 관련 배경으로는 파이낸셜뉴스(2025.10)[1] 보도를 참고했습니다.

제 결론은 검증 모델의 조건부 재사용을 기본으로 삼되, 공정 차이가 성능을 바꾸는 곳에는 맞춤 개발을 허용해야 한다는 것입니다. 38개 우수사례의 성과는 출발점이지만, 그 수치를 다른 공장의 기대 성과로 곧장 옮길 근거는 아닙니다. 데밍은 생산의 산포를 공통원인과 특수원인으로 구분하고, 생산 체계의 지속적 개선을 경영의 책무로 보았습니다. 따라서 재사용 여부도 모델의 이름이나 업종보다 설비·원재료·측정 방식이 만들어 내는 산포를 비교해 결정해야 합니다. (데밍의 논문[1], [산업부 전략 보도](asiatoday.co.kr[2] 가려짐›

공정 차이를 무시한 단일 모델은 한 공장의 편향을 표준으로 굳혀, 여러 협력사에서 같은 불량을 놓치거나 정상적인 변동을 이상으로 판정할 수 있습니다. 그 결과 공급망 전체의 변동성이 함께 커지고, 문제의 원인도 협력사의 실행력으로 잘못 돌리게 됩니다. 중소 협력사에는 현장 검증과 재학습 비용을 감당할 수 있을 때, 대기업에는 협력사별 성능 차이와 공급망 전체의 품질 변동을 함께 관리할 때, 업종 전문 AI기업에는 실패 사례까지 모델 개선에 반영할 수 있을 때 재사용이 장기적으로 유리합니다. ROI 역시 개별 공장의 도입 성과에 그치지 말고 공급망의 총비용과 품질 산포를 추적해야 합니다.

발표된 점→선→면→입체는 확산의 순서이지, 그 자체로 데밍의 지속적 개선 사이클은 아닙니다. 데밍 연구소가 설명하는 계획→실행→연구→조치(PDSA)에 맞추려면 각 확산 단계에서 공장별 결과를 연구하고, 적용 기준과 모델을 고친 뒤 다시 검증하는 고리가 필요합니다. 그 고리가 작동한다는 조건에서 재사용 중심 체계가 공장별 반복 개발보다 산단 전체의 변동성을 더 오래, 더 넓게 줄입니다. (데밍 연구소의 PDSA 설명[1], 데밍의 14개 경영 원칙[2])

중소 협력사 입장에선 표준 단위 공정은 '검증 모델 재사용(추가학습)'으로 초기 비용을 아끼되, 노후 설비 연동과 데이터 정비 비용을 합산해 2년 내 투자 회수(ROI)가 나오는 곳만 선별 도입해야 해요. 반월·시화 산단 사출·용접 공장 사장님들 만나 보면, AI 모델 하나 처음부터 만들려다 데이터 라벨링과 외주 인건비로 수억 원만 날리고 멈춘 설비가 한둘이 아니거든요. 정부 'AI 팩토리 확산전략'(대한민국 정책브리핑[1])이나 중소벤처기업부 제조AI 플랫폼(KAMP[2])에 검증된 541개 모델과 사출·도금·비전검사 표준 데이터셋이 이미 나와 있으니, 밑바닥부터 개발비 태울 이유가 없어요.

다만 현장에서 '추가학습 재사용'이 먹히느냐 '맞춤 개발'로 가야 하느냐는 결국 설비 인터페이스와 공정 변수라는 돈 문제로 갈려요. 재사용이 이득인 조건 (중소 협력사·업종 전문 AI기업): 머신비전 외관 검사, 가열로 온도 제어, CNC 예지보전처럼 물리 법칙이 같고 센서 규격(OPC-UA·모드버스)이 표준화된 공정이에요. 최근 소규모 데이터 미세조정(Fine-tuning) 방식을 쓰면 1~2개월치 현장 데이터만으로 초기 구축비를 맞춤 개발 대비 60~70% 이상(수천만 원대) 아끼고, AI 공급기업도 박리다매로 수익을 낼 수 있어요. 처음부터 맞춰야 하는 조건 (대기업 주력 라인·특수 배합 공정): 공장마다 금형 노후도, 원재료 배합비, 작업자 숙련도(암묵지)가 제각각인 다품종 소량 공정이나 통신 포트가 막힌 20년 넘은 구형 PLC 설비예요.

여긴 모델을 공짜로 가져와도 PLC 개조와 센서 부착, 데이터 전처리에만 배보다 배꼽이 더 큰 비용(1억~2억 원 이상)이 들어가니, 대기업이 '제조 암묵지 AI' 예산(2,900억 원)을 태워 공급망 단위로 표준화해 주지 않으면 중소 협력사 단독으론 무조건 적자예요.

결국 현장에서 진짜 돌아가는 ROI 평가는 모델 알고리즘 점수가 아니라 '숨은 현장 정착비 대비 현금 회수 기간'으로 따져야 해요. 예전에 한 자동차 부품 2차 협력사도 대기업이 쓰던 불량 예측 모델을 그대로 들여왔지만, 정작 현장 전담 인력이 없어 센서 값 튈 때마다 외주사를 부르다 유지보수비로만 연 3천만 원을 날렸거든요. 산업부(산업통상자원부[1])의 새 ROI 평가체계 역시 단순 불량률 감소 수치만 볼 게 아니라, ① 구형 설비 데이터 수집기(IoT) 부착비, ② 데이터 정제·유지보수 외주비, ③ 불량·비가동 감소로 건지는 연간 순절감액을 1:1로 대조해 1.5~2년 안에 본전을 뽑는 공정에만 재사용 예산을 집중해야 현장에서 살아남아요.

발표 수치의 표본과 비교 기준부터 공식 자료로 대조한 뒤, 재사용과 맞춤 개발 중 어느 쪽이 ROI에 유리한지 판단하겠습니다.재사용·추가학습을 기본값으로 두고, 설비·품질 스펙이 물리적으로 다른 공정만 맞춤 개발로 빼는 쪽이 ROI가 낫습니다. 30.1%·15.5%는 재사용 성과가 아니에요.

11월 3일 산업통상부 발표를 디지털데일리·아주경제가 옮긴 숫자는 지원 245개사, 그중 38개 우수사례의 생산성 +30.1%·불량률 −15.5%입니다. 같은 30.1%·15.5%는 8월 4일 연합뉴스가 이미 썼어요. 그때 모수는 170여 곳 중 일찍 착수한 42개 사업장 평균이었고, 비교 기간·지표 정의·대조군은 공개되지 않았습니다. 541개는 “분석했다”가 아니라 “분석해 핵심 과업을 뽑겠다”는 계획이고, 철강 가열로 온도 모델을 다른 열처리에 옮긴다는 문장은 예시일 뿐 이전 전후 데이터는 없습니다. 풀스택 AI 팩토리 1,200억 원·제조 암묵지 2,900억 원은 9월 1일 2027년 예산안의 신규 편성액입니다. ROI 평가체계는 이제 만들겠다는 항목이라, 이 돈으로 재사용 수익률이 나왔다고 읽으면 안 됩니다.

• 중소 협력사는 재사용이 맞아요. 파이낸셜뉴스가 인용한 정부 기준으로 중소 제조 AI 도입률은 약 1%라, 공장마다 처음부터 모델을 짤 현금이 없습니다. 조건은 대기업·업종 AI기업이 센서 스키마와 불량 정의를 맞춰 주고, 현장 데이터로만 추가학습하는 계약입니다.
• 대기업은 그룹·협력사로 넘기는 공통 공정(검사, 용접, 온도·에너지)은 재사용, 수율과 레시피가 경쟁력인 핵심 라인만 맞춤입니다. 면(面) 확산의 데이터 주도권도 여기 있습니다.
• 업종 전문 AI기업은 38개 사례를 제품으로 묶고, 매출은 공장별 추가학습·유지보수에서 나오는 구조가 맞습니다. 공장마다 신규 개발을 반복하면 541개 모델이 그대로 재고가 됩니다.

맞춤 개발은 공정 물리와 품질 규격이 달라 추가학습으로 오차가 안 줄 때로 한정하세요. 정부는 그 경계를 ROI 체계로 재야 하고, 그 전에는 30.1%를 확산 목표치로 쓰면 안 됩니다.

출처: ddaily.co.kr[1] · ajupress.com[2] · yna.co.kr[3] · korea.kr[4] · x.com[5]

재사용을 무조건 기본값으로 삼자는 제 기존 주장을 한 걸음 물려, '대기업·AI 공급사가 센서 규격 통일과 공장 간 교차검증 비용을 선부담하는 계약'이 전제될 때만 재사용을 기본값으로 삼는 조건부 절충안으로 보완할게요. 한서윤 님이 짚어주신 대로 541개 모델 분석은 아직 계획 단계이고 30.1% 향상 수치도 38곳 우수사례의 단일 공장 성과일 뿐이며(연합뉴스[1]), 강태원 님 근거처럼 기계나 초음파 센서 부착 압력만 달라도 파형이 틀어지고(arXiv 2409.12785[2], CORE[3]) 센서 개수 자체가 부족하면 추가학습조차 불가능하니까요(US12032929[4]).

현장에서 봐도 남의 공장 모델 믿고 섣불리 들여왔다간, 어긋난 데이터 분포(arXiv 2601.12663[1]) 잡는 라벨링과 튜닝 외주비로 중소 협력사 허리만 휘는 게 현실이에요.

하지만 그렇다고 강태원 님처럼 재사용을 '예외'로만 묶어두면, AI 도입률이 1%에 불과한 중소 제조 현장은 수억 원짜리 맞춤 개발비를 감당 못 해 아예 손도 못 대요. 또 데밍 님 말씀대로 공급망 전체의 품질 산포를 보거나 PDSA 사이클을 돌리는 건 이상적이지만(데밍 연구소의 PDSA 설명[1]), 당장 내일 납기 맞추기 바쁜 2·3차 협력사 사장님들에겐 남의 얘기거든요. 결국 해법은 재사용을 포기하는 게 아니라 '누가 어떤 돈으로 현장 차이를 메우느냐'를 ROI 계약 구조에 박아 넣는 것이에요. 도입 전 '하드웨어·센서 명세 대조표' 및 교차검증 비용의 공급사 부담:* 강태원 님의 교차검증·명세서 제안을 현장에 맞게 비틀어, 센서 수와 통신 규격이 맞는 공정만 추리되 원 공장 모델을 대상 공장에 얹었을 때의 성능 하락 폭 검증과 초기 미세조정 비용은 모델을 반복 판매해 마진을 남기는 업종 전문 AI기업과 원청 대기업이 지게 해야 해요.

• 실패 사례(207곳)의 '숨은 정착비'를 반영한 2단계 ROI 정산: 한서윤·강태원 님 지적처럼 미공개된 207곳이 왜 막혔는지부터 까보고, 구형 설비 개조나 센서 재부착에 배보다 배꼽이 더 크면 정부 2027년 예산안(풀스택 1,200억·암묵지 2,900억 원)으로 원청이 라인 표준화를 먼저 해준 뒤 협력사는 순수 운영·유지비 대비 2년 내 현금 회수가 될 때만 잔금을 치르는 '성공보수형 재사용'으로 가야 현장에서 진짜 돌아가요.

제 입장을 일부 고치겠습니다. 중소 협력사에게 재사용이 기본값이라는 한서윤 님의 지적이 맞습니다. 협력사가 실제로 고르는 선택지는 재사용이냐 맞춤 개발이냐가 아닙니다. 중소 제조업의 AI 도입률이 1%라면, 대부분에게 맞춤 개발은 애초에 없는 선택지입니다. 재사용을 거부하면 남는 것은 AI를 도입하지 않는 길뿐입니다. 그래서 '조건부 예외'라는 제 표현은 철회합니다. 다만 기본값이라는 말이 협력사가 위험을 떠안는다는 뜻이어서는 안 됩니다.

그렇다면 지금 모두가 동의하는 전제 가운데 가장 약한 것은 무엇입니까? "OPC-UA나 모드버스로 규격이 표준화된 공정이면 재사용이 통한다"는 오세진 님의 전제입니다. - 통신 규격이 같다고 데이터도 같습니까? OPC-UA는 신호를 주고받는 방식, 즉 인터페이스를 맞출 뿐입니다. 센서가 내보내는 값의 분포까지 맞춰 주지는 않습니다. 제가 앞서 인용한 벤치마크에서 기계를 바꾸자 성능이 무너진 분야가 바로 상태감시, 곧 CNC 예지보전이 속한 영역입니다. '안전한 재사용 영역'으로 꼽힌 곳이 오히려 가장 깨지기 쉬운 곳입니다. - 38건은 새로 측정한 수치입니까? 한서윤 님 자료를 따라가면, 8월에는 170여 곳 중 42곳의 평균이었고 지금은 245곳 중 38곳의 평균입니다. 모수가 75곳 늘고 사례가 4곳 줄었는데 30.1%와 15.5%가 소수점까지 그대로입니다. 다시 측정한 값이 아니라 이전 숫자를 그대로 가져온 것으로 봐야 합니다. 이 수치는 재사용 효과의 근거가 될 수 없습니다.

• 데밍의 틀도 재사용 낙관론을 받쳐 줍니까? 데밍 님의 틀은 오히려 제 쪽을 뒷받침합니다. 원래 공장의 데이터로 학습한 모델은 그 공장의 공통원인 산포를 '정상'으로 외웁니다. 이 모델을 다른 공장으로 옮기면 그 공장의 정상적인 산포가 특수원인, 즉 이상으로 판정됩니다. 그 경보에 대응해 현장이 설비를 계속 조정하면, 데밍이 경고한 과잉조정(tampering)이 일어나 산포가 오히려 커집니다. 재사용 실패는 성능이 0인 상태에 머물지 않고 마이너스로 갈 수 있습니다.

결론은 이렇습니다. 재사용을 기본으로 하되, 위험은 모델을 파는 쪽이 지게 하십시오.

1. 섀도 운영 후 지급: 도입 전 2~4주 동안 기존 검사와 AI 판정을 병행합니다. 그 기간에 대상 공장에서 성능이 얼마나 떨어지는지 측정하고, 정해 둔 기준을 넘을 때만 대금을 지급합니다. 이렇게 하면 업종 전문 AI기업이 고객에게 넘기던 성능 저하 위험을 스스로 가격에 반영하게 됩니다.
2. ROI 항목 보강: 오세진 님의 '숨은 정착비'에 두 가지를 더해야 합니다. 시간이 지나며 데이터 분포가 바뀌어 성능이 떨어질 때 드는 재학습 비용, 그리고 오경보로 생긴 비가동 손실입니다.
3. 재사용 승인 기준: 541개 모델의 재사용 여부는 업종 이름이 아니라 대상 공장의 섀도 운영 결과로 판정합니다.

이렇게 하면 확산 속도는 지키면서, 표본을 골라 낸 평균을 근거로 한 재사용은 걸러낼 수 있습니다.

강태원의 초안은 다른 기계로 옮겼을 때의 성능 저하를 확산의 핵심 위험으로 끌어올린 점에서 제 판단을 바로잡습니다. 다만 38개 우수사례가 245개 기업 중 일부라는 사실만으로 나머지를 실패로 셀 수는 없습니다. 제가 더 중시할 것은 성공 사례의 평균보다 공장을 옮길 때 성능과 품질 산포가 어떻게 달라지는가입니다. 한 공장의 특수한 조건을 표준으로 굳히면 여러 협력사에 같은 오판이 전파되고, 시스템이 만든 문제를 개별 공장의 책임으로 돌리는 왜곡까지 생깁니다.

오세진의 초안은 현장 정착비를 보게 하지만, 근거가 제시되지 않은 절감률·회수기간·현장 일화로 장기 판단의 문턱을 정할 수는 없습니다. 한서윤의 초안은 우수사례 성과를 재사용 성과로 읽어서는 안 된다는 점에서 옳습니다. 그러나 공통 공정이면 재사용한다는 경계도 아직 넓습니다. 데밍의 산포 관점에서 공통성을 가르는 기준은 공정의 이름이 아니라 설비·측정·불량 정의의 차이가 모델의 판단을 바꾸는지입니다.

따라서 결론을 조금 좁히겠습니다. 재사용은 공급망 전체에서 공장 간 성능 차이를 측정하고, 그 결과로 적용 범위와 모델을 반복해 고칠 수 있을 때에만 기본 경로로 삼아야 합니다. 그 차이를 관리할 수 없는 공정에는 맞춤 개발이 장기적으로 더 낫습니다. 발표의 점→선→면→입체가 확산의 순서라면, 데밍 연구소가 설명하는 계획→실행→연구→조치(PDSA)[1]는 매 단계의 결과로 체계를 수정하는 고리입니다. 이 고리가 없는 빠른 확산은 산단 전체의 변동성을 함께 키울 수 있습니다.

같은 설비군, 같은 센서 스키마, 같은 불량 정의가 겹칠 때만 재사용이 ROI에서 이깁니다. 셋이 어긋나면 추가학습은 성능이 무너진 이전이라, 재설계하거나 도입을 멈추는 편이 맞습니다. 강태원 지적이 맞아요. 상태감시 7종 벤치마크(arXiv 2409.12785)는 기계를 바꿔 검증하자 정확도가 무너졌고, 입력이 더 적은 설비는 추가학습으로 안 메워집니다(US12032929). 38/245만 우수사례로 남은 평균을 확산 목표로 쓰면 생존자 편향이 정책 숫자가 됩니다.

중소 협력사는 “현금이 없으니 재사용”만으로는 부족해요. 라벨링, 정제, 성능 미달 손실을 협력사가 지면 재사용은 비용 전가입니다. 대기업이나 업종 AI기업이 스키마 정합과 교차검증 비용을 계약에 넣고, 대상 공장 데이터만으로 성능 하락폭을 공개한 뒤에야 중소에 유리합니다. 오세진이 짚은 구형 PLC, 센서 부착, 유지보수 같은 숨은 정착비는 ROI 식에 넣어야 합니다. 60~70%, 1억~2억 원, 연 3천만 원은 이번 공식 발표 밖에 있어 근거로 쓰지 않습니다. 541개를 KAMP에 이미 깔린 검증 모델로 읽는 것도 과합니다. 11월 3일 자료의 541은 분석해 핵심 과업을 뽑겠다는 계획입니다.

새 ROI 체계는 38곳 평균 대신 245곳 전체, 공장 간 성능 하락, 품질 산포를 같이 봐야 합니다. 데밍 초안의 PDSA가 여기서 유효해요. 점·선·면 단계마다 적용 조건을 고치지 않으면 한 공장의 편향이 협력사 표준이 됩니다. 업종 AI기업은 그 실패 폭까지 설비·센서·라벨 명세서에 붙여 팔 때 재사용 매출이 성립합니다.

지금 합의된 "위험은 모델을 파는 쪽이 지게 하라"는 결론은 중소 협력사를 보호하지 못합니다. 오히려 선택 편향을 공급사 단계에서 다시 만들고, 협력사의 암묵지를 원청에게 넘기는 통로가 됩니다. 약점 공략은 제가 리뷰 1에서 낸 제안부터 하겠습니다.

섀도 운영 2~4주로 성능 저하를 잴 수 있습니까? 재지 못합니다. 두 가지 이유가 있습니다.

• 불량 표본이 너무 적습니다. 불량률이 0.1%이고 하루 1,000개를 만드는 라인을 가정하겠습니다. 이 라인에서는 불량이 하루에 한 개꼴로 나옵니다. 그런데 "놓친 불량 0건"이라는 결과로 미검출률이 10% 미만이라고 말하려면, 3의 법칙(놓친 건수가 0이면 n건 중 미검출률 상한은 약 3/n)에 따라 불량을 30건가량 봐야 합니다. 4주로는 겨우 경계선입니다. 소재 로트나 계절이 바뀌어 생기는 데이터 분포 변화는 이 기간에 아예 잡히지 않습니다.
• 비교 기준이 정답이 아닙니다. 섀도 운영은 AI 판정을 기존 검사와 비교합니다. 그런데 중소 공장의 기존 검사는 대개 사람이 눈으로 하는 육안검사이고, 그 자체에 오차가 있습니다. 결국 정확도가 아니라 '틀릴 수 있는 사람과 얼마나 일치하는가'를 재게 됩니다.

그래서 기준을 바꿔야 합니다. 대금 지급은 기간이 아니라 확인된 불량 건수를 채웠을 때 하고, 판정의 기준이 되는 정답 라벨은 정밀검사로 다시 확인한 표본으로 정해야 합니다.

위험을 공급사에 넘기면 공급사는 어떻게 움직입니까? 고객을 고릅니다. 성능 미달의 책임을 지는 업종 전문 AI기업은 원 공장과 설비가 비슷한 협력사만 받으려 할 것입니다. 구형 PLC나 수기 라벨에 의존하는 공장, 즉 도입률 1%가 묶여 있는 바로 그 공장들은 또 빠집니다. 245곳 중 38곳만 골라 평균을 낸 문제가 이번에는 '공급사가 받아 준 고객'이라는 형태로 되풀이됩니다. 그러면 ROI 평가는 다시 좋게만 나옵니다. 따라서 지원금 배분은 쉬운 공장 비율이 아니라 설비 노후도나 데이터 성숙도가 낮은 공장을 얼마나 맡았는지에 연동해야 합니다. 그렇지 않으면 재사용 확산은 이미 준비된 공장들끼리 돌고 끝납니다.

협력사가 추가학습에 넣은 데이터는 누구의 것이 됩니까? 아무도 묻지 않은 질문입니다. 대기업 주도로 재사용하면 협력사의 공정 데이터가 원청이나 공급사의 기본 모델로 돌아갑니다. 2,900억원짜리 '암묵지 AI'라는 이름 그대로, 협력사의 노하우가 옮겨 쓸 수 있는 자산으로 바뀌는 것입니다. 이 자산은 원청의 단가 인하 협상이나 협력사 교체에 쓰일 수 있습니다. 같은 기본 모델을 쓰는 경쟁 협력사의 성능을 올려 주는 데도 쓰입니다. 숨은 정착비보다 큰 비용이 ROI 식에서 통째로 빠져 있습니다.

제 결론은 이렇습니다. 협력사가 추가학습으로 만든 모델과 그 데이터를 협력사가 소유하고, 이를 기본 모델에 다시 반영하려면 대가와 동의를 거치도록 계약에 명시될 때에만 재사용이 중소 협력사에게 낫습니다. 이 조항이 없으면 재사용은 협력사의 비용을 줄이는 수단이 아니라 원청과 공급사가 협력사 데이터를 가져가는 구조입니다.

중소 협력사에는 '노후 설비 가중치 지원금·정밀검사 불량 30건 검증·파생 데이터 독점권'을 묶은 조건부 재사용이 정답이고, 이 기준에서 탈락한 공정만 정부 예산으로 맞춤 개발해야 해요. 앞선 논의에서 기간제 섀도 운영의 허점과 공급사의 고객 골라 받기, 암묵지 유출 위험을 짚어주신 건 현장에서도 무릎을 탁 칠 만큼 날카로웠어요. 당장 불량 한두 개 나오는 공장에서 4주 돌려보고 잔금 치렀다간, 계절 바뀌어 소재 로트 틀어질 때 오판 손실과 라벨링 외주비를 협력사가 고스란히 뒤집어쓰거든요.

그래서 실행 기준과 비용 부담 주체를 아예 못 박아야 해요. 첫째, 38개 단일 공장 성공 수치는 재사용 목표에서 폐기하고, OPC-UA 같은 통신 규격이 같더라도 센서 부착 압력(arXiv 2409.12785[1])이나 설비 노후도로 데이터 분포(arXiv 2601.12663[2])가 어긋나면 추가학습이 안 먹히니, 정밀검사로 확인한 실제 불량 표본 30건(3의 법칙)을 채울 때까지 라벨링·정제비와 오판 책임을 원청·공급사가 전액 부담해야 해요. 둘째, 이 검증에서 미검출률 기준을 못 넘기면 즉시 재사용을 중단하고, 매몰 비용은 공급사가 털되 정부 풀스택 예산(1,200억 원)을 설비 노후도가 높고 수기 라벨에 의존하는 하위 99% 공장에 가중 배분해 맞춤 개발이나 라인 개조로 전환해야 공급사의 '쉬운 고객 골라 받기'를 막을 수 있어요.

셋째, 2,900억 원짜리 암묵지 AI 사업이 협력사 노하우를 원청에 상납하는 통로가 되지 않도록, 추가학습 데이터와 파생 모델의 소유권은 협력사에 귀속시키고 원청 기본 모델에 반영할 땐 별도 기술료를 정산해 납품 단가 인하 방어권까지 계약서에 넣어야 현장에서 진짜 돌아가요.

최종안입니다. 중소 협력사에게는 재사용을 기본값으로 두되, 위험은 이득을 보는 원청과 모델을 파는 공급사가 함께 지고, 재사용 여부는 공장 이름이나 통신 규격이 아니라 그 공장의 실제 데이터로 판정해야 합니다. 앞서 저는 "위험은 파는 쪽이 지라"고 했습니다. 이 부분은 제가 고치겠습니다. 위험을 공급사 혼자 지면 공급사는 쉬운 공장만 받을 것이고, 그건 제가 직접 짚은 문제입니다. 그럼 위험을 함께 져야 할 쪽은 누구입니까? 공급망 전체의 품질이 올라가 가장 큰 이득을 보는 원청입니다. 처음 추가학습을 하는 데 드는 비용, 그러니까 라벨링·데이터 정제·재설계 1회분은 공급사와 원청이 나눠 냅니다. 협력사는 자기 인력을 투입하는 만큼만 부담합니다. 이 구조가 없다면 협력사에게 재사용을 기본값으로 두는 것은 비용을 협력사에 떠넘기는 것과 같습니다.

근거는 세 가지입니다.

1. 통신 규격이 같다는 사실로 재사용을 허가해서는 안 됩니다. 같은 규격이라도 센서 값의 분포, 설비 노후도, 불량 정의가 다르면 같은 데이터가 아닙니다. 데밍의 틀로 보면 해법도 분명합니다. 먼저 대상 공장의 정상 산포로 관리한계를 다시 잡아야 합니다. 그 전까지 AI 경보는 참고만 하고, 경보만 보고 설비를 조정하지 않습니다. 이렇게 해야 재사용이 실패해도 손해가 0에서 그치고, 과잉조정으로 오히려 나빠지지 않습니다. 2. 재설계와 중단 기준을 미리 정해 둡니다. 확인된 불량이 30건가량 쌓이면 판정합니다. 기준은 정밀검사로 다시 확인한 정답 라벨에 비춘 미검출률과 오경보율입니다. 한 번 미달하면 공급사 비용으로 재설계합니다. 두 번 미달하면 재사용을 중단하고 맞춤 개발로 바꿀지 철수할지 정합니다. 중단 때 협력사가 쓴 라벨링 인건비와 비가동 손실은 원청과 정부 지원금에서 보전합니다. 공급사에서는 지원금 일부를 돌려받습니다. 실패에 값을 매겨 두지 않으면 ROI 평가는 성공한 사례만 셈합니다. 3.

38건은 확산 목표가 아닙니다. 개별 공장이 각자 만들어 낸 성공의 평균이고, 생존한 사례만 남은 값입니다. ROI 평가의 기준선은 재사용을 시도한 공장 전부로 잡아야 합니다. 중단된 사례도 등록하고 공개해야 합니다. 그래야 541개 모델 중 어느 모델이 어떤 공정 조건에서 실제로 옮겨 쓸 수 있는지 처음으로 데이터가 쌓입니다.

그렇다면 누구에게 어떤 조건에서 재사용이 낫습니까?

• 대기업: 협력사 품질 데이터를 공급망 전체에서 표준화할 수 있다는 점에서 이득입니다. 대신 위험을 함께 부담해야 합니다.
• 업종 전문 AI기업: 노후 설비나 데이터 성숙도가 낮은 공장을 맡은 비율만큼 지원금을 받을 때 낫습니다. 그래야 쉬운 고객만 골라 받지 않습니다.
• 중소 협력사: 세 조건이 모두 갖춰질 때만 낫습니다. 비용을 함께 나눌 것, 중단 시 손실을 보전받을 것, 추가학습으로 만든 모델과 데이터를 협력사가 소유할 것입니다. 하나라도 빠지면 재사용은 협력사를 돕는 정책이 아니라 협력사 데이터를 가져가는 구조가 됩니다.

검증 모델의 재사용을 기본 경로로 삼되, 그 기본값은 공장 간 성능 산포를 관리할 수 있는 공정에만 적용해야 합니다. 통신 규격이나 공정명이 같아도 센서 분포, 설비 노후도, 불량 정의가 다르면 같은 모델의 판단은 달라집니다. 데밍의 시스템 관점에서 한 공장의 조건을 표준으로 굳히면 오판이 공급망 전체로 전파되고, 그 손실이 개별 협력사의 책임으로 잘못 귀속됩니다. 38개 우수사례의 성과는 개별 도입의 성과이며 선정된 사례의 수치이므로, 재사용 효과나 확산 목표의 근거로 삼아서는 안 됩니다.

따라서 4단계 확산의 각 단계에는 계획→실행→연구→조치(PDSA)의 수정 고리가 있어야 합니다. 재사용 여부는 공장별로 정밀검사로 확인한 불량 표본을 충분히 확보하고, 설비·로트가 달라질 때의 성능과 품질 산포를 비교해 결정해야 합니다. 합의한 오판·산포 기준을 넘으면 모델과 적용 범위를 재설계하고, 재검증 뒤에도 넘으면 해당 공정의 재사용을 중단해 맞춤 개발로 전환해야 합니다. 기간만 채운 시험이나 기존 육안검사와의 일치율만으로 통과시켜서는 안 됩니다.

이 조건을 충족하더라도 중소 협력사가 라벨링·데이터 정제비와 성능 미달 손실까지 떠안는다면 재사용의 이익은 시스템 밖으로 비용을 밀어낸 결과일 뿐입니다. 원청과 모델 공급사가 재설계·중단 비용을 계약에 따라 부담하고, 협력사의 데이터와 추가학습 결과를 기본 모델에 반영하려면 협력사의 동의와 대가를 받도록 해야 합니다. 그때 재사용은 협력사와 대기업에 장기적으로 유리하며, 업종 전문 AI기업에도 개선 가능한 적용 범위를 제공합니다. 그 조건을 지킬 수 없는 공정에는 맞춤 개발이 더 낫습니다.

재사용은 중소 협력사 기본값이 될 수 있어요. 조건은 세 개입니다. 설비군·센서 값 분포·불량 정의가 겹칠 것, 추가학습 모델과 원데이터 소유는 협력사에 남을 것, 대금과 중단은 주 수가 아니라 정밀검사로 확정된 불량 건수를 채웠을 때 결정할 것.

불량률 0.1%, 하루 1,000개 라인이면 불량은 하루에 1건이에요. 놓친 불량 0건으로 미검출 상한을 말하려면 3의 법칙상 불량 30건이 필요하고, 4주는 그 경계에 걸쳐 로트·계절 이동은 밖에 둡니다. 육안검사와의 일치는 사람 오차를 같이 재는 합치율이에요. 미달 책임을 공급사에만 넘기면 쉬운 공장만 받아 38/245 편향이 고객 선별로 돌아옵니다. 지원금은 설비 노후·데이터 저성숙 공장을 맡은 비중에 묶어요. 2,900억 암묵지 과제는 협력사 데이터가 원청 단가·교체·경쟁 협력사 성능으로 넘어가는 통로라, 기본 모델 재반영은 대가와 동의가 있을 때만 열립니다.

명세 밖으로 떨어지면 추가학습을 멈추고 재설계하거나 도입을 접어요. 그 비용과 오판 손실은 공급사·주관 대기업이 지고 데이터는 협력사에 둡니다. 생산성 30.1%, 불량률 15.5%는 38곳 개별 성공치라 재사용 성과도 확산 목표도 아니에요. 대기업은 데이터 사용권을 살 때만, 업종 AI기업은 실패 폭과 어려운 공장 할당이 계약에 있을 때만 재사용이 성립합니다. OPC-UA·모드버스가 같아도 분포·노후·불량 정의가 갈라지면 그 계약은 열리지 않아요.