Beyond the Pilot: 산업 현장 피지컬 AI, 97%가 쓰지만 지속 최적화까지 간 곳은 8%

산업 현장 AI는 거의 모든 회사가 써 보고 있지만, 운영 전체에 녹여 계속 개선하는 단계까지 간 곳은 열에 하나도 안 됩니다. 막는 것은 의지가 아니라 사람과 통합입니다. 다음 투자는 새 파일럿보다 지금 돌아가는 파일럿 하나를 기존 설비·시스템에 붙여 상시 운영으로 만드는 데 쓰는 편이 맞습니다.

요약

Hitachi는 2026년 10월 22일 「Beyond the Pilot: Industry’s Physical AI Progression」 리포트를 냈습니다. 에너지, 제조, 운송, 물류처럼 멈추면 안 되는 산업의 의사결정권자 200여 명에게 피지컬 AI(physical AI, 설비·로봇·현장 작업처럼 물리 세계에서 감지하고 판단하고 움직이는 AI)를 어디까지 쓰고 있는지 물었습니다. 질문은 세 갈래입니다. 전략 의지와 실제 준비도의 차이, 전면 도입을 막는 장벽, 용도별 우선순위입니다. 일부 수치는 제조 응답자만 따로 집계했다고 밝혔습니다.

조사 개요 (Hitachi 보도자료 기준)

응답자의 97%가 어떤 형태로든 현장 용도에 피지컬 AI를 쓰고 있습니다. 그런데 운영 배치가 지속 최적화·혁신(continuous optimization and innovation) 단계에 이르렀다는 곳은 8%뿐입니다. 의지는 강합니다. 87%는 도입을 늦추면 실질적 위험이 생긴다고 답했고 3분의 2 이상은 회사 목표에 매우 또는 극히 중요하다고 했습니다. 리더십이 AI를 적극 지원한다는 응답은 75%인데 자원이 충분하다는 응답은 38%에 그칩니다. 장벽 1위는 AI 전문성 부족(43%), 2위는 시스템 통합(31%)이고, 49%는 AI·머신러닝 인재를 가장 큰 내부 공백으로 꼽았습니다. Rio Kurokawa Hitachi 최고 Lumada 사업 책임자는 많은 기업이 진전을 이뤘지만 복잡한 운영 환경 전체로 넓히는 일이 다음 과제라고 말했습니다. 아래에서는 이 간극을 개념별로 풀고, 파일럿 하나를 상시 운영으로 옮길 때 필요한 데이터, 역할, 일정을 덧붙였습니다.

주요 응답 비율 (0 기준, 막대 길이 비례)

핵심 메커니즘

Physical AI: 현장 설비 안에서 판단하고 움직이는 AI

피지컬 AI는 화면 속 문서가 아니라 설비, 로봇, 작업 현장에서 동작하는 AI입니다. 센서와 카메라 신호를 받아 상태를 판단하고, 설비를 제어하거나 작업자에게 알립니다. Hitachi는 이 영역의 AI가 결정적(deterministic, 같은 입력에 같은 결과)이고 설명 가능하며 감사 가능해야 한다고 강조합니다. 핵심 인프라에서는 오류가 용납되지 않기 때문입니다. 사무용 생성형 AI처럼 그럴듯한 답을 내는 것으로는 부족하고, 왜 그렇게 판단했는지 나중에 되짚을 수 있어야 합니다. 그래서 같은 모델이라도 현장에 넣을 때는 버전 고정, 판단 기록, 사람 확인 지점을 함께 설계해야 합니다. Hitachi는 자사 HMAX 제품군을 이런 피지컬 AI 솔루션으로 소개합니다.

피지컬 AI의 작동 구조 (요구 조건은 보도자료 기준)

Use-case Ladder: 검사·예지 정비에서 공정·공급망으로

조사는 용도별 성숙도가 다르다는 점을 보여 줍니다. 실제 운영(production)에서 가장 흔한 용도는 검사와 예지 정비(predictive maintenance, 고장 전에 이상 징후를 잡아 정비하는 방식)입니다. 공정 최적화와 공급망 최적화는 배치를 앞두고 있습니다. 투자가 늘어나는 곳은 행동 분석, 스마트 CNC 기계, 안전용 컴퓨터 비전처럼 더 복잡한 요청입니다. 순서에는 이유가 있습니다. 검사와 예지 정비는 설비 하나, 라인 하나 단위로 범위를 좁혀 시작할 수 있고 성과(불량 검출, 계획외 정지)를 재기 쉽습니다. 공정·공급망 최적화는 여러 설비와 시스템의 데이터를 묶어야 해서 통합 부담이 큽니다. 가상 예시로, 프레스 라인 한 곳의 진동 데이터로 시작한 예지 정비는 몇 주 안에 결과를 볼 수 있지만, 같은 공장의 생산 계획 최적화는 MES와 ERP 연결이 먼저입니다.

용도 사다리 (Hitachi 보도자료 기준, 순서는 원문 분류)

Continuous Optimization: 97%와 8% 사이의 거리

리포트 제목 그대로 핵심은 파일럿 너머입니다. 97%가 쓰고 있다는 숫자는 어딘가에서 AI가 돌아간다는 뜻일 뿐, 운영 방식이 바뀌었다는 뜻은 아닙니다. Hitachi는 지속 최적화·혁신 단계를 가장 높은 단계로 두고, 현재 배치 대부분이 아직 그 단계에 이르지 못했다고 봅니다. 리포트 소개 페이지도 같은 결론을 적었습니다. 단계 정의는 보도자료에 나오지 않습니다. 단계 이름을 풀어 쓰면, 파일럿은 용도 하나가 라인 하나에서 돌아가고 성과를 사람이 따로 정리하는 상태입니다. 지속 최적화는 여러 용도가 운영 데이터로 연결되고 모델이 그 데이터로 계속 개선되는 상태입니다. 두 상태 사이에는 데이터 연결, 운영 책임자, 모델 관리 체계가 놓여 있습니다.

97%와 8% 사이에 있는 것 (오른쪽 묘사는 단계 이름을 풀어 쓴 개념도)

Support-Resource Gap: 지원은 75%, 자원은 38%

경영진의 말과 실제 배정 사이에 틈이 있습니다. 리더십이 AI 과제를 적극 지원한다는 응답은 75%인데 자원이 충분하다는 응답은 38%입니다. 자원 중 가장 부족한 것은 사람입니다. 장벽 1위가 AI 전문성 부족(43%)이고, 49%가 AI·머신러닝을 가장 큰 인재 공백으로 꼽았습니다. 장벽 2위는 시스템 통합(31%)입니다. 오래된 설비와 제어 시스템이 많은 현장에서는 AI 모델보다 그 모델을 기존 설비에 붙이는 일이 더 어렵다는 뜻입니다. 도입 동기는 절반가량이 운영 효율과 생산성이고 비용 절감이 바로 뒤를 잇습니다. 효율을 노리는 투자가 정작 그 효율을 만들 사람과 통합 작업에 돈을 덜 쓰고 있는 셈입니다.

장벽과 인재 공백 (0 기준, 막대 비례)

Frontline Gap: 일선·정비 인력의 AI 사용은 평균 16%

AI가 현장에 들어갔다고 해도 현장 사람이 쓰는 비율은 낮습니다. 일선 작업자와 정비·수리 팀이 협동 로봇이나 스마트 PPE(개인 보호 장비) 같은 AI 도구를 상당히 쓴다는 응답은 평균 16%입니다. 응답자의 절반 가까이는 이들이 받는 AI 지원이 적다고 답했습니다. 검사와 예지 정비가 운영 중이라는 응답과 함께 보면, AI가 설비 데이터를 보는 일은 늘었지만 정비사가 그 결과를 들고 조치하는 흐름까지는 덜 연결됐다고 읽을 수 있습니다. 예지 정비 경보가 울려도 정비사가 그 근거를 보고 작업을 바꾸지 않으면 계획외 정지는 줄지 않습니다.

현장 인력 쪽 응답 (보도자료 기준)

통념과 다른 주장

흔히 이렇게 봅니다거의 모든 기업이 산업 AI를 쓰고 있으니 이미 성숙 단계에 들어섰다.

조사는 이렇게 보여 줍니다사용 여부와 운영 성숙도는 다른 문제이고, 대부분은 아직 파일럿 너머로 넓히지 못했다.

근거응답자의 97%가 피지컬 AI를 쓰지만 지속 최적화·혁신 단계에 이른 곳은 8%입니다.

흔히 이렇게 봅니다경영진이 적극 지원하면 현장 AI는 자연스럽게 퍼진다.

조사는 이렇게 보여 줍니다지원 선언과 실제 자원 사이에 큰 틈이 있고, 확산을 막는 것은 전문 인력과 기존 시스템 통합이다.

근거리더십 지원 75%에 자원 충분 38%, 장벽은 전문성 부족 43%와 시스템 통합 31%, 인재 공백 49%입니다.

통념과 조사 결과 비교

기술 디테일: 파일럿을 상시 운영으로 옮기려면

검사·예지 정비 파일럿을 상시 운영으로 옮기려면 먼저 데이터 경로를 고정합니다. 설비 신호는 PLC나 히스토리언에서 OPC UA 같은 표준 프로토콜로 받아 시계열 저장소에 쌓고, 검사 이미지는 라인 카메라에서 제품 일련번호와 함께 저장합니다. 이 연결이 장벽 2위인 시스템 통합 작업입니다. 오래된 설비는 게이트웨이를 하나 더 달아야 하는 경우가 많으므로 설비별 연결 방식을 표로 먼저 정리합니다. 아래 표와 그림의 데이터, 모델, 지표는 실행 제안이며 Hitachi 조사에 나온 구현이 아닙니다.

용도별 데이터·모델·지표 (실행 제안, 원문에 없는 내용)

결정적이고 감사 가능한 판단을 만들려면 (Physical AI 요구 조건) 운영 모델은 버전을 고정하고, 판단 하나마다 입력 요약, 모델 버전, 임계값, 결과, 사람 확인 여부를 한 줄로 남깁니다. 생성형 모델을 정비 지원에 쓸 때는 temperature를 0으로 두고, 답에 설비 매뉴얼이나 정비 이력의 근거 문서 ID를 반드시 붙이게 합니다. 근거가 없으면 답하지 않도록 구조화 출력의 필드를 비워 두게 합니다.

{
  "event_id": "PM-2026-11-0412-07",
  "asset_id": "PRESS-L2-03",
  "signal": "vibration_rms",
  "window_min": 30,
  "model_version": "pm-anomaly-v1.4",
  "score": 0.87,
  "threshold": 0.80,
  "decision": "inspect_within_24h",
  "evidence_docs": ["MAN-PRESS-ch7", "WO-2026-0931"],
  "reviewed_by": "maint_shift_b",
  "action_taken": null
}

8% 쪽으로 가는지 재려면 (Continuous Optimization) 모델 성능이 아니라 운영 지표로 봅니다. 예지 정비는 경보 중 실제 결함으로 확인된 비율과 계획외 정지 시간, 검사는 놓친 불량과 오탐 비율을 매주 기록합니다. 운영 데이터가 바뀌면 모델 성능도 떨어지므로, 주요 입력 신호의 분포를 기준 4주와 매주 비교해 PSI(분포 변화 지수)가 0.2를 넘으면 알림을 띄우고 재학습 후보로 올립니다. 경보 확인 비율이 2주 연속 기준선 아래로 떨어져도 같은 절차를 밟습니다.

일선 인력이 결과를 쓰게 하려면 (Frontline Gap) 경보는 정비사 단말에 근거 그래프와 권장 조치를 함께 보내고, 정비사가 맞음·틀림·조치함을 한 번에 누르게 합니다. 이 응답이 다음 학습 데이터가 됩니다.

막히는 경우	증상	대응
오래된 설비 연결 불가	데이터가 일부 라인만 들어옴	설비별 연결 방식 표, 게이트웨이 우선순위 지정
오탐 경보 누적	정비사가 경보를 무시	임계값 주간 조정, 오탐 표시 버튼
모델 담당자 부재	파일럿 종료 후 성능 하락	운영 책임자와 모델 담당자를 따로 지정
근거 없는 답변	정비 지원 답이 매뉴얼과 다름	근거 문서 ID 필수, 없으면 답하지 않음

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
공장장·생산 본부장	파일럿 목록 승인, 상시 운영 전환 판정
설비·정비 팀장	대상 설비 선정, 경보 처리 기준 정의
품질 팀장	검사 기준과 불량 판정 기준 제공
OT·IT 엔지니어	설비 연결, 데이터 저장소, 감사 로그
데이터 사이언티스트(내부 또는 파트너)	모델 운영, 재학습, 주간 리포트
일선 정비사 대표 2~3명	경보 화면 시험, 맞음·틀림 피드백

준비물. 지금 돌아가는 AI 파일럿 목록(용도, 라인, 시작일, 담당자, 성과 지표), 대상 설비의 연결 방식과 데이터 보존 기간, 최근 12개월 정비 작업 지시 기록과 계획외 정지 기록, 검사 불량 기록이 필요합니다. 기준선은 시작 전 4주치로 잡습니다.

파일럿 1건을 상시 운영으로 옮기는 12주 일정 (가상 예시)

현업에 물을 것.

지금 돌아가는 AI 파일럿은 몇 개이고, 그중 누가 매주 성과를 보고 있나요?
파일럿이 끝난 뒤 모델을 고치는 사람은 정해져 있나요?
대상 설비의 데이터는 사람이 내려받나요, 자동으로 들어오나요?
경보가 울리면 정비사는 무엇을 보고 조치 여부를 정하나요?
AI 예산 중 사람(전문 인력·교육)과 통합 작업에 쓰는 비중은 얼마인가요?

진행 판정 기준(예시). 상시 운영 4주 동안 세 조건을 채우면 같은 용도를 다음 라인으로 넓힙니다. 데이터가 사람 손을 거치지 않고 매일 들어와야 하고, 경보 중 실제 결함 확인 비율이 기준선보다 높아야 하며, 정비사 피드백 응답률이 70% 이상이어야 합니다. 하나라도 못 채우면 원인을 찾고 4주를 더 봅니다.

AX 적용 제언. 국내 제조·에너지·물류 기업이라면 이 조사를 자가 진단표로 쓰면 됩니다. 먼저 사내 AI 파일럿을 모두 적고, 각각 파일럿·라인 운영·여러 용도 연결 중 어디에 있는지 표시합니다. 새 파일럿을 늘리기 전에 성과가 이미 보인 검사나 예지 정비 하나를 골라 데이터 연결, 운영 책임자, 모델 담당자를 붙여 상시 운영으로 옮깁니다. 예산 회의에서는 “리더십 지원”을 선언으로 끝내지 말고 전문 인력과 통합 작업에 배정한 금액을 따로 적습니다. 일선 정비사가 결과를 쓰는 비율을 지표로 두면 16%라는 현장 격차를 우리 회사 숫자로 바꿔 볼 수 있습니다.

원문 사례

항목	내용
발표	Hitachi 보도자료, 2026.10.22 (Santa Clara)
리포트	Beyond the Pilot: Industry’s Physical AI Progression
응답자	에너지·제조·운송·물류 의사결정권자 200명 이상, 일부 수치는 제조 응답자만
사용과 성숙도	어떤 형태로든 사용 97%, 지속 최적화·혁신 단계 8%
의지	도입 지연은 실질적 위험 87%, 매우·극히 중요 3분의 2 이상, 주 동기는 효율·생산성(약 절반)과 비용 절감
지원과 자원	리더십 적극 지원 75%, 자원 충분 38%
장벽과 인재	AI 전문성 부족 43%, 시스템 통합 31%, AI·ML 인재가 최대 공백 49%
현장 인력	일선·정비 인력의 상당한 AI 사용 평균 16%, 절반 가까이 지원 부족
용도	운영 중: 검사·예지 정비 / 배치 임박: 공정·공급망 최적화 / 투자 증가: 행동 분석·스마트 CNC·안전용 비전
발언	Rio Kurokawa(최고 Lumada 사업 책임자): 복잡한 운영 환경 전체로 넓히는 일이 다음 과제

핵심 개념

predictive maintenance: 설비 신호에서 고장 징후를 미리 잡아 고장 전에 정비하는 방식. 조사에서 검사와 함께 가장 많이 운영 중인 용도입니다.
smart PPE: 센서를 단 안전모·조끼 같은 개인 보호 장비. 작업자 상태나 위험 접근을 감지합니다.
collaborative robot: 안전 펜스 없이 사람 옆에서 함께 일하도록 만든 로봇. 협동 로봇이라고 부릅니다.
smart CNC: 가공 조건을 센서 데이터로 스스로 조정하는 수치 제어 공작기계.
HMAX: Hitachi가 사회 인프라용 피지컬 AI 솔루션으로 내세우는 제품군.
OPC UA: 설비와 상위 시스템이 데이터를 주고받는 산업용 표준 통신 규격. 기술 디테일에서 연결 예시로 들었습니다.

내 메모

TODO: 내 생각 추가

원문은 Hitachi 보도자료 「Hitachi Report Examines Readiness for Physical AI in Industrial Companies」(2026.10.22)와 리포트 「Beyond the Pilot: Industry’s Physical AI Progression」 소개 페이지입니다. 같은 조사를 다룬 Smart Industry 기사(「Hitachi maps where manufacturers are deploying AI and where they’re falling short so far」)는 열 수 없어 그 기사에만 실린 제조 응답자 세부 수치는 싣지 않았습니다. 요약, 핵심 메커니즘의 조사 내용, 통념과 다른 주장, 원문 사례 표는 Hitachi가 밝힌 내용을 AX Review가 다시 정리했습니다. 단계 묘사의 풀이, 기술·현업 실행 디테일, JSON 예시, 데이터·모델·지표 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 리포트 전문은 Hitachi 사이트에서 신청해 받을 수 있습니다.