제조업체는 AI ROI를 달성합니다. 이제 더 큰 영향을 미칠 수 있도록 확장해야 할 때입니다.

AI는 제조 분야에서 ROI를 제공하지만 이를 확장하는 것은 여전히 어려운 과제입니다. 더 강력한 데이터와 네트워크 기반이 없으면 진행이 지연됩니다.

작성자:Nic Leszczynski, Riverbed Technology UKI 수석 솔루션 엔지니어

작업 현장에서 공급망에 이르기까지 인공 지능(AI)은 이미 제조 전반에 걸쳐 측정 가능한 수익을 제공하고 있습니다. 2025년 Riverbed 글로벌 설문조사에서 IT 운영을 위한 인공 지능(AIOps)의 ROI가 기대치를 충족하거나 초과했다고 응답한 부문 리더 중 87%에게 물어보세요.

그러나 문제는 이러한 이익을 기업 전체로 확대하는 것입니다. 현재 AI 이니셔티브의 12%만이 제조 전반에 걸쳐 완전히 배포되고 있으며, 해당 부문 내 조직 중 37%만이 현재 대규모로 AI를 운영할 준비가 되어 있다고 느끼고 있습니다. 이러한 구조적 분할은 AI를 진행 중인 작업으로 묘사합니다. 즉, 부분적으로 구현되었지만 완료될 수는 없습니다.

인더스트리 4.0이 잘 진행되고 있는 상황에서는 AI가 성과를 거두고 있음을 증명할 필요가 없습니다. 데이터는 이미 성과를 보여주고 있습니다. 그러나 통제된 테스트에서는 입증된 효과가 있지만 대부분의 제조업체는 복잡한 실제 환경에서 이러한 이점을 확장하는 데 어려움을 겪고 있습니다. 이는 올바른 디지털 기반이 마련될 때까지 계속 유지될 가능성이 높습니다.

제조업에서 AI 최적화가 방해받는 이유

딜로이트(Deloitte)에 따르면, AI를 활용하여 예측 유지 관리, 품질 보증, 공급망 최적화, 에너지 효율성 모니터링 등을 추진하는 '스마트 제조'는 이미 생산 생산량을 10~20% 개선하고 잠금 해제된 용량을 10~15% 향상시키고 있습니다. 따라서 순 잠재력은 엄청나지만 가능한 영향의 폭으로 인해 AI 확장이 복잡해집니다.

스마트 제조 환경은 모든 장치, 기계, 시설, 물류 네트워크 간의 안정적이고 안전한 데이터 흐름에 달려 있기 때문입니다. AI 모델은 종종 레거시 시스템, 엣지 장치 및 클라우드 플랫폼 전반에 걸쳐 이러한 원격 측정의 얽힘을 실시간으로 수집하고 해석하고 이에 대해 조치를 취해야 합니다. 의사결정자들도 이 정보를 보고 분석할 수 있어야 합니다.

복잡하거나 병목 현상이 있는 데이터 파이프라인은 운영에 부담을 주며, 시스템 동작에 대한 제한된 가시성으로 인해 최적화 및 확장이 훨씬 더 어려워집니다. 인프라 수준에서 이러한 문제를 해결해야 한다는 압력이 커지고 있습니다.

새로운 데이터 준비 격차

AI의 성능 향상은 부인할 수 없습니다. 그러나 일련의 구조적 문제로 인해 이러한 이점의 확장성은 어렵습니다. 기술이 전사적으로 수용되기 전에 제조업체는 이를 지원하는 데 필요한 인프라를 엄격하게 구축해야 합니다. 새로운 연구 결과는 AI 준비에 대한 이러한 추구를 더욱 자세히 설명합니다.

– 91% 의 제조업체는 AI 데이터 이동이 자사 전략에 매우 중요하다고 말합니다.

– 96% 네트워크 성능과 안정성을 최우선 고려 사항으로 꼽습니다.

– 거의 절반(47% ) 데이터의 정확성과 완전성에 대한 확신이 부족합니다.

종합해보면, 이 수치는 아직 더 많은 진전이 필요하다는 것을 증명합니다. 리더 중 10분의 9 이상이 데이터 이동과 네트워크 성능을 중요하게 생각한다면 AI의 통합은 데이터를 빠르고 안정적으로 이동하도록 구축된 인프라에 달려 있습니다. 그러나 동시에 조직 두 곳 중 거의 한 곳은 이동되는 데이터를 완전히 신뢰하지 않습니다. 비생산적인 투자를 방지하려면 두 가지 구성 요소를 모두 해결해야 합니다.

제조업체는 AI가 발전하기 위해 필요한 것이 무엇인지 명확하게 이해하고 있지만, 많은 업체는 여전히 이를 대규모로 수용할 만큼 강력하고 유연하지 않은 디지털 기반에서 운영되고 있습니다. 여기에 여러 관찰 도구로 인한 단편화를 추가하면 생산 작업을 지원하는 시스템이 개념 증명 이니셔티브를 통과할 수 없는 이유가 분명해집니다.

AI 운용 기반 구축

조직 수준에서 AI의 성공은 데이터의 품질, 이동 속도, 데이터를 전달하는 시스템에 대한 팀의 투명성에 따라 결정됩니다. 따라서 본격적인 배포에 투자하기 전에 제조업체는 다음을 수행해야 합니다.

– 네트워크 성능과 데이터 흐름을 전략적 우선순위로 삼습니다.
제조 AI 시스템은 분산된 생산 환경과 상호 연결된 공급망 전반에서 작동해야 하며, 이는 모두 대량의 실시간 데이터를 기반으로 합니다. 결과적으로 네트워크 성능은 더 이상 IT의 배경 문제로 처리될 수 없습니다.

파일럿 모델에서 운영 모델로의 전환에는 의도적인 리더십과 조정이 필요하므로 조직에서는 데이터를 캡처하고 이동하는 방식에 일관성이 필요합니다. OpenTelemetry와 같은 프레임워크는 복잡한 네트워크 전반에 걸쳐 원격 측정을 표준화하여 전략적 조정을 달성하는 데 도움이 되며, AI가 전사적으로 통합하는 데 필요한 안정적이고 기능이 뛰어난 데이터 백본을 생성합니다.

– 데이터 품질 및 신뢰 강화
AI 모델은 사용하는 데이터만큼만 효과적입니다. 그리고 데이터가 생성되어 다양한 활성 소스에 걸쳐 유입되는 제조 분야에서는 불일치나 부정확함으로 인해 위험이 발생하고 무결성이 손상됩니다.

– 리더가 성과 격차를 확인할 수 있도록 도구의 무분별한 확장과 사각지대를 줄입니다.
조직이 일반적으로 9개 공급업체의 13개 관측 가능성 도구를 실행하는 경우, 단편화는 AI 확장의 주요 장벽으로 지속됩니다. 이러한 각 도구는 특정 문제를 해결할 수 있지만, 집합적으로 중복되면 중복이 발생하고 가시성이 제한되어 AI 기반 워크로드에서 시스템이 어떻게 상호 작용하는지 이해하기 어렵습니다.

이러한 아키텍처적 긴장으로 인해 제조업체의 95%가 도구 통합 프로세스를 거치고 있습니다. 이러한 맥락에서 기술 스택을 통합된 관찰 플랫폼에 통합함으로써 글로벌 제조 조직은 데이터 기반의 실행 가능한 통찰력에 액세스하여 생산성과 성능을 향상시킬 수 있었습니다. 이러한 종류의 포렌식 명확성은 조직이 자신 있게 마찰 없이 AI를 확장할 수 있도록 지원합니다.

AI의 잠재력을 운영 현실로 만들기

야심차게도 제조업체 중 85%는 2028년까지 AI 준비가 완료될 것으로 예상합니다. 그러나 현재 37%만이 완전히 준비되었다고 느낀다면 해당 일정의 실행 가능성은 조직이 준비 상태 격차를 얼마나 빨리 해소할 수 있는지에 따라 결정될 것입니다.

향후 몇 년 동안 AI는 지금보다 훨씬 더 깊이 내장될 것입니다. AI가 생산 라인, 공급망 및 의사 결정 프로세스에 미치는 영향은 원격 측정 및 관찰 가능성의 효율성에 추가적인 압력을 가할 뿐입니다.

현재 완전 충실도 데이터와 풀 스택 가시성에 투자하는 동시에 인더스트리 4.0의 새로운 수요를 예측하기 위해 전략적 원칙을 조정하는 제조업체가 성공적인 AI 파일럿을 지속적인 운영 및 상업적 이점으로 전환하는 데 가장 적합한 위치에 있다는 것은 그 어느 때보다 분명해졌습니다.

Nic Leszczynski는 Riverbed Technology의 UKI 수석 솔루션 엔지니어입니다.