MES 데이터, 왜 AI의 출발점인가 — "데이터 없다"는 착각을 넘어서

"AI를 도입하고 싶은데 데이터가 없어서..."

제조 현장에서 가장 많이 듣는 말입니다. MOAI가 수십 곳의 중소·중견 제조사를 만나면서 깨달은 사실이 있습니다. 데이터가 없는 회사는 거의 없다는 것. 다만 그것이 시스템화되지 않았을 뿐, 각자 관리하는 서류와 기록은 놀라울 정도로 잘 되어 있습니다.

엑셀 파일에 정리된 품질 검사 기록, 수기로 작성하는 설비 점검 일지, 메일로 주고받는 불량 보고서, 작업자가 매일 쓰는 생산 일보. 이 모든 것이 AI의 원료가 될 수 있습니다. 문제는 데이터의 부재가 아니라, 데이터가 흩어져 있고 연결되지 않았다는 점입니다.

그리고 이 흩어진 데이터를 가장 체계적으로 모아둔 곳이 바로 MES(Manufacturing Execution System)입니다. 이 글에서는 MES 데이터가 왜 AI의 출발점이 되는지, 그리고 실제로 어떻게 시작할 수 있는지를 단계별로 풀어보겠습니다.

당신의 공장에는 이미 데이터가 있다

IDC의 예측에 따르면, 전 세계 데이터의 약 80%는 비정형 데이터(unstructured data)이며, 기업이 보유한 데이터 중 실제 분석에 활용되는 비율은 5%에 불과합니다. 제조업에서 이 비율은 더 낮습니다. 공장에서 매일 쏟아지는 설비 로그, 품질 기록, 작업자 메모, 점검 일지의 대부분이 '다크 데이터(Dark Data)'로 잠들어 있습니다.

Gartner는 다크 데이터를 "일상적인 비즈니스 활동 중 수집·처리·저장되지만 다른 목적에 활용되지 않는 정보 자산"이라 정의합니다. 제조 현장에 이 정의를 대입하면, 그 규모는 어마어마합니다. 매일 기록되는 생산 일보, 품질 검사 성적서, 설비 보전 기록, 공정 파라미터 변경 이력 — 이 모든 것이 규제 준수나 단순 보관 목적으로만 쌓여 있다면, 그 자체가 다크 데이터입니다.

MOAI가 고객사를 처음 만나면 반드시 하는 작업이 있습니다. 현장에서 어떤 서류와 기록을 사용하는지 전수 조사하는 것입니다. 그리고 매번 놀랍니다. MES가 없는 회사도 엑셀과 수기 서류로 상당한 양의 데이터를 관리하고 있고, MES가 있는 회사는 생각보다 훨씬 풍부한 데이터를 이미 축적하고 있습니다. 다만 아무도 이것을 'AI에 쓸 수 있는 데이터'로 인식하지 못했을 뿐입니다.

실제로 MOAI가 "데이터가 없다"고 말하는 고객사에게 가장 먼저 보여주는 것이 바로 이것입니다. 지금 쓰고 있는 엑셀 파일, 메일 내역, 현장 서류 — 이 모든 것이 AI의 입력값이 될 수 있다는 사실. 어떤 것도 데이터가 될 수 있습니다. 핵심은 완벽한 데이터가 아니라, 지금 가진 것에서 시작하는 것입니다.

MES: 공장 데이터의 중심축

MES가 있는 회사라면 출발점은 더 명확합니다. MES는 생산 현장의 거의 모든 활동을 기록하는 시스템입니다. 글로벌 MES 시장은 2024년 148.2억 달러에서 2030년 257.8억 달러로, 연평균 10.1% 성장할 것으로 전망됩니다. 이 성장의 핵심 동력이 바로 AI와의 결합입니다.

MES가 기록하는 데이터는 크게 다섯 가지로 나눌 수 있습니다.

생산 이력: LOT 번호, 생산 수량, 투입·완료 시간 등 생산 활동의 기본 기록입니다. 이 데이터만으로도 시간대별 생산성 분석, 납기 예측, 라인 간 효율 비교가 가능합니다.

품질 검사 결과: 각 공정 단계에서의 측정값, 합격/불합격 판정, 불량 유형 분류 등을 담고 있습니다. AI가 불량 패턴을 학습하고, 특정 조건에서 불량 발생 확률을 예측하는 데 핵심이 되는 데이터입니다.

설비 상태: 가동/비가동 시간, 알람 발생 이력, 비가동 사유 등 설비의 건강 상태를 보여줍니다. 예지보전(Predictive Maintenance)의 출발점이 바로 이 데이터입니다.

작업자 정보: 누가, 어느 시간에, 어떤 작업을 했는지를 기록합니다. 숙련도별 생산성 차이 분석, 교대 근무 패턴에 따른 품질 변동 추적에 활용됩니다.

공정 파라미터: 온도, 압력, 속도, 시간 등 각 공정의 설정값과 실측값입니다. 최적 공정 조건을 찾는 데 가장 중요한 데이터이며, 미세한 파라미터 변화와 품질 결과의 상관관계를 AI가 분석할 수 있습니다.

여기서 핵심은 이 다섯 가지 데이터가 서로 연결될 때 가치가 폭발적으로 커진다는 것입니다. "3월 15일 야간조에서 A설비 온도가 평소보다 2도 높았을 때 B공정 불량률이 3배 상승했다"는 통찰은, 생산 이력 + 공정 파라미터 + 품질 결과 + 작업자 정보가 연결되어야만 나올 수 있습니다. AI는 이 연결을 사람보다 빠르고 정밀하게 수행합니다.

Step 1: 데이터 현황 파악 — 보물 지도 그리기

AI 프로젝트의 첫 단계는 보유 데이터를 정확히 파악하는 것입니다. McKinsey의 2025년 AI 보고서에 따르면, AI 프로젝트 실패의 70~85%가 기술 문제가 아닌 데이터 준비 부족과 조직적 요인에서 비롯됩니다. 모델이 아무리 정교해도 입력 데이터가 부실하면 의미 있는 결과를 얻을 수 없습니다.

데이터 현황 파악에서 점검해야 할 네 가지 질문이 있습니다.

첫째, 어떤 데이터가 있는가? MES 테이블 구조를 확인하고, 어떤 필드가 실제로 기록되고 있는지 살펴봅니다. MES 외에도 ERP, 품질 관리 시스템, 심지어 엑셀 파일에 분산된 데이터가 있을 수 있습니다. 앞서 말했듯, 시스템에 없더라도 서류로 관리되는 데이터가 있다면 그것도 충분히 활용 가능합니다.

둘째, 얼마나 쌓여 있는가? AI 모델 학습에는 일정량 이상의 데이터가 필요합니다. 최소 6개월, 가능하면 1~2년의 데이터가 있으면 계절적 변동까지 반영한 분석이 가능합니다. 다만 데이터 양이 부족하더라도 시작할 수 없는 것은 아닙니다. 통계 기반 분석이나 규칙 기반 시스템으로 먼저 가치를 만들고, 데이터가 축적되면서 점진적으로 AI 모델로 전환하는 방법도 있습니다.

셋째, 품질은 어떠한가? 누락, 이상치, 중복 등 데이터 품질을 점검합니다. 제조 데이터의 현실은 생각보다 복잡합니다. 레거시 MES/SCADA 시스템의 데이터가 서로 분절되어 있고, 센서 정밀도도 일정하지 않은 경우가 많습니다. 하지만 완벽한 데이터를 기다리면 영원히 시작할 수 없습니다. 핵심 필드의 품질만 확보하면 충분히 시작할 수 있습니다.

넷째, 접근 가능한가? 데이터가 있어도 꺼내 쓸 수 없으면 의미가 없습니다. DB 직접 연결, API, CSV 추출 등 데이터 접근 방법을 확인합니다. 보안 정책상 직접 연결이 어려운 경우도 많으므로, 현실적인 데이터 파이프라인을 설계하는 것이 중요합니다.

Step 2: Quick Win 과제 선정 — 기존 공정에 스며들기

데이터 현황을 파악했다면 다음은 첫 과제를 선정하는 단계입니다. 여기서 MOAI가 가장 강조하는 원칙이 있습니다. 한 번에 많은 것을 하지 않는다. 기존 공정에 그대로 스며들 수 있는 작업부터 시작하고, 천천히 더 시스템화되도록 바꾸는 것입니다.

이것은 단순한 보수적 접근이 아닙니다. Mitsubishi Electric의 자동화 전문가 Jacek Smoluch가 지적했듯, "전 세계 제조 시설 중 고급 AI 솔루션을 성공적으로 구현한 곳은 1,000곳 중 1곳에 불과"합니다. AI의 잠재력과 현실 사이의 격차가 이토록 큰 이유는, 대부분의 프로젝트가 현장의 수용력을 넘어서는 목표를 설정하기 때문입니다.

그래서 첫 과제는 현장 작업자가 기존에 하던 일을 더 쉽게 만들어주는 것이어야 합니다. MOAI가 자주 시작하는 Quick Win 과제들을 유형별로 정리하면 다음과 같습니다.

품질 트렌드 시각화: 시간대별, 설비별, 작업자별 품질 변화를 자동으로 시각화합니다. 기존에 엑셀로 수작업하던 분석을 자동화하는 것만으로도 현장의 반응은 뜨겁습니다. 엔지니어가 데이터 정리에 쓰던 시간을 원인 분석에 쓸 수 있게 됩니다.

불량률 패턴 분석: 과거 데이터에서 불량 발생 패턴을 찾아냅니다. 특정 온도 구간, 특정 원자재 배치, 특정 시간대에 불량이 집중된다는 것을 AI가 발견해줍니다. BMW가 AI 기반 이미지 인식으로 90%의 결함 탐지 정확도를 달성한 것처럼, 중소기업도 자사 데이터 기반의 품질 예측 모델을 구축할 수 있습니다.

설비 이상 감지: 설비의 정상 패턴을 학습한 후, 이상 신호를 조기에 탐지합니다. GE는 AI를 통해 비계획 다운타임을 10~20% 줄였다고 보고합니다. 중소기업 규모에서도 설비 상태 데이터가 있다면 유사한 접근이 가능합니다.

생산성 비교 분석: 라인 간, 교대조 간, 작업자 간 생산성을 비교해 개선 포인트를 찾습니다. 이 분석은 MES의 기본 데이터만으로도 바로 시작할 수 있어, 데이터 품질에 대한 부담이 상대적으로 적습니다.

핵심은 이 과제들이 "새로운 무언가를 만드는 것"이 아니라, "기존에 하던 일을 더 잘하게 해주는 것"이라는 점입니다. 현장에서 거부감 없이 받아들여지는 AI가 살아남는 AI입니다.

Step 3: 파일럿 프로젝트 — 작은 성공이 큰 변화를 만든다

과제가 선정되면, 작은 범위에서 빠르게 검증하는 파일럿을 진행합니다. AI 도입의 업계 표준적인 접근법은 단계적 구현입니다. 통제된 실험에서 시작해 기업 전체로 확장하는 것. 각 단계에서 측정 가능한 결과를 만들어야 합니다.

파일럿 프로젝트의 세 가지 원칙은 다음과 같습니다.

범위 제한: 특정 라인, 특정 설비, 특정 공정으로 범위를 한정합니다. "전 공장 적용"이 아니라 "1번 라인의 프레스 공정"처럼 구체적이어야 합니다. 범위가 좁을수록 변수 통제가 쉽고, 결과 해석이 명확해집니다.

기간 단축: 4~8주 내에 결과를 확인할 수 있는 목표를 설정합니다. 제조 AI의 파일럿은 다운타임 10% 감소, 불량률 5% 저감과 같은 명확한 성공 지표를 가져야 합니다. 너무 긴 프로젝트는 조직의 관심을 잃고, 중간에 좌초되는 경우가 많습니다.

성과 측정: 정량적으로 측정 가능한 KPI를 미리 정의합니다. "AI가 유용했다"가 아니라 "불량 탐지율이 15%에서 45%로 올랐다", "리포트 작성 시간이 2시간에서 10분으로 줄었다"와 같은 숫자가 필요합니다. 이 숫자가 확산 단계에서의 설득력을 만듭니다.

한국 정부의 스마트공장 지원 사업에 따르면, 정부 지원금을 받아 스마트공장을 운영하는 기업들은 평균적으로 생산성 25% 향상, 불량률 27% 감소를 달성했습니다. 파일럿 단계에서 이런 수준의 성과를 보여줄 수 있다면, 확산은 자연스러운 다음 단계가 됩니다.

Step 4: 확산과 고도화 — AI 팀이 되어준다는 것

파일럿이 성공하면 다른 라인과 공장으로 확산하고, 점진적으로 모델을 고도화합니다. 이 단계에서 많은 기업이 고민하는 것이 있습니다. "파일럿은 성공했는데, 확산은 어떻게 하지?" 예산 승인, 다른 부서 설득, IT 인프라 구축 등 여러 허들이 예상됩니다.

하지만 MOAI의 경험에서, 이 허들은 생각보다 크지 않습니다. 핵심적인 이유가 있습니다. MOAI는 AI 솔루션을 파는 것이 아니라, AI 팀이 되어주기 때문입니다. 솔루션을 납품하고 떠나는 것이 아니라, 고객사의 일원으로서 함께 문제를 풀어갑니다. 파일럿의 성과를 직접 경험한 현장 담당자들이 자연스럽게 확산의 주체가 됩니다.

확산 단계에서 진행되는 작업들은 다음과 같습니다.

다른 라인과 공장으로의 적용 확대. 파일럿에서 검증된 모델을 조정해 다른 라인에 맞게 재적용합니다. 라인마다 설비 구성과 공정 조건이 다르기 때문에, 단순 복제가 아닌 맞춤 조정이 필요합니다.

추가 데이터 소스 연동. MES 데이터에 센서 데이터, ERP 데이터, 환경 데이터 등을 결합하면 분석의 정확도와 범위가 한 단계 올라갑니다. IoT 센서 가격이 개당 0.1~0.8달러 수준으로 하락하면서, 추가 센서 설치의 비용 부담도 크게 줄었습니다.

실시간 예측 및 알림 시스템 구축. 초기의 배치 분석에서 실시간 모니터링과 예측으로 전환합니다. 이상 징후가 감지되면 즉시 현장에 알림을 보내고, 조치 가이드를 함께 제공하는 시스템을 구축합니다.

현장 피드백 기반 모델 개선. AI 모델은 한 번 만들어서 끝이 아닙니다. 현장의 피드백을 반영해 지속적으로 학습하고 개선되어야 합니다. 이것이 AI 팀이 필요한 이유이며, MOAI가 지속적으로 함께하는 이유입니다.

실패하지 않기 위한 다섯 가지 원칙

제조 AI 프로젝트의 실패율은 여전히 높습니다. 다양한 조사에서 AI 프로젝트의 70~85%가 실패한다고 보고하며, 프로젝트를 아예 중단한 비율이 17%에서 42%로 급증했다는 데이터도 있습니다. 하지만 성공하는 프로젝트에는 공통 패턴이 있습니다.

첫째, 현장과 함께합니다. AI 팀만의 프로젝트가 되면 실패합니다. 현장 엔지니어가 처음부터 참여해야 데이터의 맥락을 이해할 수 있고, 결과물을 현장에서 실제로 쓸 수 있는 형태로 만들 수 있습니다. McKinsey는 AI 성과가 높은 조직의 특징으로 "비즈니스 프로세스에 AI를 내재화"하는 것을 꼽습니다.

둘째, 작게 시작합니다. 처음부터 완벽한 시스템을 만들려 하지 않습니다. MOAI의 접근법처럼 기존 공정에 스며드는 것부터 시작하고, 성과가 확인되면 점진적으로 확장합니다. 한국 제조 SME의 42%가 디지털 전환의 재정적 부담을 우려한다는 조사 결과가 있습니다. 작게 시작하면 이 부담을 최소화하면서 가치를 증명할 수 있습니다.

셋째, 데이터 품질에 투자합니다. 화려한 모델보다 데이터 정제에 시간을 쓰는 것이 결과적으로 더 빠른 길입니다. 전체 기업 데이터 중 정형 데이터는 5%에 불과하고, 나머지 95%는 반정형 또는 비정형입니다. 이 현실을 인정하고, 핵심 데이터부터 정제해나가는 실용적 접근이 필요합니다.

넷째, 사용성을 최우선에 둡니다. 아무리 정교한 예측 모델이라도, 현장에서 쓰기 불편하면 쓰이지 않습니다. 결과물은 현장 작업자의 기존 업무 흐름에 자연스럽게 녹아드는 형태여야 합니다. 별도의 화면을 띄워야 하거나, 복잡한 조작이 필요하다면 도입 초기의 호기심이 사라진 뒤 방치됩니다.

다섯째, 장기적 관점을 유지합니다. 대부분의 AI 프로젝트는 2~4년의 ROI 타임라인을 가집니다. 단기 성과에만 집착하면 진정한 가치를 놓칠 수 있습니다. 파일럿으로 빠른 성과를 보여주되, 장기적인 데이터 자산 구축이라는 큰 그림을 함께 그려야 합니다.

지금 시작하세요

제조 AI의 시장은 빠르게 성장하고 있습니다. 제조업 AI 시장은 2025년 76억 달러에서 2032년 623억 달러로, 연평균 35.1%의 성장이 예상됩니다. 72%의 제조업체가 AI 도입 후 비용 절감과 운영 효율 향상을 보고하고 있고, PwC에 따르면 98%의 산업 기업이 AI를 포함한 디지털 기술이 운영 효율을 높일 것으로 기대합니다.

하지만 이 숫자들보다 중요한 것이 있습니다. 지금 당장 시작할 수 있다는 사실입니다.

MES 데이터는 이미 많은 가치를 담고 있습니다. MES가 없더라도, 엑셀과 서류로 관리하는 데이터가 있다면 충분합니다. AI는 그 가치를 끌어내는 도구일 뿐입니다. 중요한 것은 거창한 AI 기술이 아니라, 현장의 문제를 정확히 이해하고 데이터로 해결하려는 의지입니다.

MOAI는 MES 데이터를 활용한 AI 도입을 처음부터 끝까지, 그리고 그 이후까지 함께합니다. AI 솔루션을 판매하는 것이 아니라, 당신의 AI 팀이 되어 공장의 문제를 함께 풀어갑니다. 궁금한 점이 있으시면 언제든 연락주세요.

MES 데이터로 AI 시작하기