AI 시대 자동화 소프트웨어의 현주소와 미래: PLC를 대체할까, 함께 진화할까?

AI가 공장을 스스로 운영한다는 이야기가 빠르게 늘고 있습니다. 하지만 실제 자동화 현장을 보면 AI가 PLC와 제어 프로그램을 통째로 대체하기보다는, 기존 자동화 위에 판단·분석·작업 지원 기능을 더하는 변화가 먼저 진행되고 있습니다.

 

자동화 소프트웨어의 현주소와 앞으로의 방향을 살펴보며, 무엇을 AI에 맡기고 무엇은 계속 검증된 제어 계층에 남겨야 할지 생각해 봅니다.

 

로봇 보급은 계속 커지지만, 이것이 곧 AI 보급률은 아닙니다

국제로봇연맹(IFR)의 World Robotics 2026 발표에 따르면 2025년 전 세계 공장에 설치된 산업용 로봇은 603,307대이며, 연간 설치량은 전년보다 11% 늘었습니다. 가동 중인 산업용 로봇도 500만 대를 넘어섰습니다. 이는 자동화 투자가 넓어지고 있음을 보여주는 지표이지, 새 로봇 모두가 AI로 자율 판단한다는 뜻은 아닙니다.

 

현재 안정적으로 쓰이는 자동화의 중심은 여전히 순서 제어, 모션, 인터록, 비전 검사, 이력·알람 관리입니다. AI가 더해지는 곳은 불량 후보 분류, 이상 패턴 탐색, 예지보전, 공정 조건 분석, 매뉴얼과 이력 검색처럼 데이터를 해석하거나 사람이 판단할 근거를 만드는 영역입니다. IFR도 AI 기반 검사·공정 최적화·예지보전의 활용이 늘고 있다고 설명하는 한편, 범용 Physical AI는 아직 산업 현장급으로 성숙하지 않았고 휴머노이드 대부분은 시제품·파일럿 단계라고 구분합니다.

 

다음 경쟁은 모델보다 데이터의 의미를 연결하는 일

AI가 설비 상태를 이해하려면 숫자만 보는 것으로 부족합니다. 태그 이름, 단위, 장비·공정 관계, 알람 코드, 발생 시각과 품질 기준이 일관되게 연결되어야 합니다. OPC Foundation은 2026년 4월 OPC UA Companion Specification 430여 종을 검색증강생성(RAG), MCP와 AI 지원 엔지니어링에 활용하기 쉬운 형태로 만드는 작업을 발표했습니다. 이는 산업 지식을 표준화해 AI가 맥락을 찾도록 하려는 흐름이며, 모든 공장에 이미 보급된 완성 제품을 뜻하지는 않습니다.

 

그래서 가까운 미래의 자동화 소프트웨어는 ‘AI가 PLC를 대신한다’기보다, 표준화된 설비 정보를 바탕으로 엔지니어와 작업자에게 이력 검색, 원인 후보, 점검 순서, 문서 작성 지원을 제공하는 방향에 가깝다고 봅니다. 모델이 제안한 내용을 담당자가 검토하고, 실제 변경은 권한과 절차를 거치는 구조입니다.

 

안전한 적용 순서는 읽기 전용에서 시작합니다

1) 매뉴얼·알람·작업표준을 검색하고 근거 문서를 함께 보여주는 읽기 전용 지원

2) 비전 검사나 상태 감시에서 AI가 후보를 표시하고 기존 판정 기준과 비교

3) 충분한 현장 검증 뒤 정비·공정 조정 권고를 제시하되, 변경은 담당자 승인 후 적용

4) 제한된 자동 실행이 필요하다면 허용 범위, 계정 권한, 속도·값 상한, 감사 로그, 취소·복구 절차를 별도 제어 계층에서 강제

 

안전 인터록, 비상정지, 사람 보호 기능을 언어모델의 응답이나 확률적 예측에 맡겨서는 안 됩니다. AI 연결이 끊기거나 잘못된 결과를 내도 설비가 기존의 안전한 동작으로 돌아가는지, 변경 전후를 추적할 수 있는지 시험해야 합니다. NIST가 2026년 중요 기반시설용 신뢰 가능한 AI 위험관리 프로파일을 준비하는 것도 고위험 환경에서는 성능뿐 아니라 안전·보안·신뢰성을 함께 다뤄야 함을 보여줍니다. 이 프로파일은 현재 개발 중인 지침 작업이지, 확정된 설비 제어 표준이라고 소개하면 안 됩니다.

 

앞으로의 고찰: 자동화는 더 자율적이기보다 더 설명 가능해야 합니다

AI가 공정에 가까워질수록 중요한 질문은 ‘얼마나 똑똑한가’만이 아닙니다. 어떤 데이터와 모델 버전이 판단했는지, 왜 작업자에게 경고했는지, 오류를 누가 승인했는지, 전통 제어로 어떻게 되돌아갈 수 있는지가 중요합니다. 결국 경쟁력은 AI 모델 하나보다 현장 데이터의 품질, 표준 인터페이스, 제어 시스템과의 통합, 검증·유지보수 체계가 함께 만들어냅니다.

 

현장 도입 전 체크리스트

□ 목적과 성과지표를 정했는가: 오검출, 비가동 시간, 조사 시간 등

□ 입력 데이터의 태그·단위·시각·품질을 점검했는가

□ 처음에는 읽기 전용 또는 작업자 승인 방식으로 시험하는가

□ 안전 제어와 AI 서비스를 분리하고, 통신·모델 장애 시 안전 상태를 검증했는가

□ 모델·설정 변경, 판단 근거, 승인·복구 이력을 남기는가

 

관련 글: C# 설비 알람 로그 CSV 만들기 https://innosoft.tistory.com/52

관련 글: 머신비전 검사 오검출 줄이는 조명·노출·트리거 점검 순서 https://innosoft.tistory.com/50

 

참고 자료

IFR, “Five Million Robots now Operate in Factories Globally”, World Robotics 2026 발표, 2026-09-24: https://ifr.org/ifr-press-releases/news/five-million-robots-now-operate-in-factories-globally

Five Million Robots now Operate in Factories Globally

IFR, World Robotics 2026 – Industrial Robots, Executive Summary: https://ifr.org/img/worldrobotics/Executive_Summary_WR_2026_-_Industrial_Robots.pdf

OPC Foundation, “OPC Foundation Advances OPC UA for the AI Era…”, 2026-04-20: https://opcfoundation.org/news/press-releases/opc-foundation-advances-opc-ua-for-the-ai-era-with-companion-specifications-optimized-for-agentic-ai

NIST, AI RMF Profile on Trustworthy AI in Critical Infrastructure, updated 2026-07-17: https://www.nist.gov/programs-projects/concept-note-ai-rmf-profile-trustworthy-ai-critical-infrastructure

 

이미지 출처: Нечаева Лилия Александровна, “MIREA Laboratory Industry 4.0. Digital robotic manufacturing 13” (2018), Фотостудия РТУ МИРЭА, Wikimedia Commons, CC BY-SA 4.0. 일반 교육·연구용 디지털 제조 연구실 사진이며 이노소프트 고객 현장이나 AI 자동화 실증 사진은 아닙니다. 원본: https://commons.wikimedia.org/wiki/File:MIREA_Laboratory_Industry_4.0._Digital_robotic_manufacturing_13.jpg · 라이선스: https://creativecommons.org/licenses/by-sa/4.0/ .

 

AI 시대 자동화 시스템을 설계할 때도 먼저 안전한 제어 구조와 현장 데이터부터 점검해야 합니다. 설비 소프트웨어 개발·교육 정보는 이노소프트 홈페이지 www.innosoft.kr  에서 확인하실 수 있습니다.