[철강산업의 AI 도입] 우리나라의 주요 기업 및 정책 동향과 과제 ②

지난 호에는 주요국 철강기업들의 AI 도입 동향과 사례에 대해 살펴보았다. 이번 호에는 우리나라 철강기업들의 최근 AI 도입 내용과 관련 정책을 다루고, 현재의 문제점과 개선 방향을 제시하고자 한다.

1. 한국 주요 철강기업들의 AI 도입 사례

한국 철강업계는 최근 몇 년간 AI를 핵심 도구로 삼아 생산·안전·환경·물류 전반의 지능화를 추진하고 있다. 주요 흐름은 △공정 자동화 및 최적화 △예측 유지보수 △안전·환경 관리 강화 △LLM(거대언어모델) 활용 △물류·하역 자동화 로 요약된다.

(1) 포스코

AI 도입기 (2016~2017년) :

포스코는 2016년부터 스마트팩토리 플랫폼(PosFrame) 개발에 착수해 연속공정 데이터 통합과 AI 제어 실험을 시작했다. 특히 2017년 초에는 도금라인(CGL)에서 인공지능 기반 도금량 예측·제어 모델을 실제 생산에 적용했다.

스마트팩토리와 AI 제강 토대 구축 (2018–2021년) :

2018년 무렵부터는 제강 전로 열수지(Heat balance) 모델을 구축하고, 이를 공정 데이터와 결합해 품질·온도 예측 정확도를 높였다. 도금량 제어, 전로 최종 온도 적중률 개선 등 실질적 성과가 나타났고, 이 시기에 ‘AI 용광로’라는 개념도 제시되어 용광로 상태 예측·제어에 딥러닝을 접목하는 시도가 이루어졌다.

안전·설비보전 중심 현장 AI 시범 (2022–2023년) :

2022년부터는 포항 4연주 공정에 AI 기반 스마트 CCTV가 도입되어, 수십 톤 슬래브의 주행을 실시간 인식하고 충돌 위험을 사전 감지했다. 이후 출하검사·철도 건널목 등 사람·차량·장비 동선이 교차하는 위험 구간으로 확대되었으며, 동시에 공정 내 예지보수 시스템도 적용되기 시작했다. 이 무렵까지 250여 개의 AI 모델이 포스코 공정 전반에 확산되면서 전사적 차원의 AI 활용이 정착하기 시작했다.

제강 원터치 자율조업의 본격 자동화 단계 (2024년) :

2024년에는 광양제철소를 중심으로 전로 정련 자동화가 현실화되었다. 이것은 기존 25단계 수동 작업을 ‘원터치’로 단축시킨 사례로, IoT 영상 모니터링·딥러닝·열수지 모델을 결합하여 용선 온도·성분·조건을 통합 판단하고 최적 정련 방법을 자동으로 선택하는 방식이다. 이를 통해 고온 위험작업에서 인력 부담을 크게 줄이는 동시에, 온도·성분 적중률을 향상시키고 불량률을 감소시키는 효과를 거두었다.

인텔리전트 팩토리 확장기 (2025년) :

2025년 포스코는 스마트에서 인텔리전트 팩토리로의 전환을 공식화했다. 포항 제강 3공장에서 황 제거·슬래그 제거 등 예비처리 전 과정(KR 공정)이 자동화되어, 조업시간 단축 및 수율 향상을 달성했다. 또한 예지 보수가 고도화되어 전로 내 서브랜스(Sub Lance : 전로 내 용강온도 측정 및 성분 분석을 위한 시료 채취 장치)의 냉각수 이상을 최대 14시간 전 탐지하는 AI 모델이 도입되었다. 광양제철소에서는 LiDAR(레이저를 이용하여 물체까지의 거리를 측정하고 주변 환경의 3D 정보를 획득하는 원격 감지 기술)에 AI CCTV 기반의 실수방지 설계(Smart Fool Proof)가 설치되어, 크레인 구역 접근 시 자동 차단바가 내려가고 사람·차량·크레인 동선을 AI가 구분·통제함으로써 안전을 강화했다.

한편, 포스코는 생산공정 외에도 경영지원 GPT를 사내 전면 개방하여 인사·노무·법무 등 관리 기능을 AI로 지원하고, 생성형 AI를 도입해 엔지니어링 업무와 제어코딩까지 지원하는 영역으로 확장하고 있다.

(2) 현대제철

스마트팩토리 기반 마련 (2017–2019년) :

현대제철은 2017년을 기점으로 AI·빅데이터 기반 스마트팩토리 고도화를 본격적으로 추진했다. 제선·제강·압연 등 주요 공정의 데이터 표준화·수집 체계를 갖추고, 공정 예측·제어 모델을 실험적으로 적용하기 시작했다. 이는 단순한 자동화를 넘어, 전사적 디지털 전환을 지향하는 스마트 엔터프라이즈 비전으로 이어졌다.

내재화와 인력 양성 (2020–2022년) :

2020년대 초반에는 현장 교육, 로우코드·RPA 기반 시민개발(직원들이 직접 쉬운 AI 도구를 사용해 현장 문제 해결 기법 발견하는 것), 전담 조직 운영 등을 통해 디지털 내재화 역량을 키웠다. 또한 예지 보수, 영상 인식, 공정 시뮬레이션 등의 과제를 단계적으로 적용하며, 단일 기술의 실험을 넘어 공정 전반으로 AI 확산 가능성을 탐색했다.

생성형 AI와 AI 비전 협업 (2023–2025년) :

2024년 들어 현대제철의 AI 도입은 한층 가속화되었다. 2024년 5월, 사내용 생성형 AI 플랫폼인 ‘HIP’라는 문서 검색과 경영지원 챗봇을 결합한 사내 지식정보 플랫폼을 구축했다. 2024년 6월, AI·빅데이터 페스티벌을 통해 총 36건의 스마트팩토리 과제를 발굴하고, 15건을 우수 과제로 선정했다. 이 때, 전로 질소 거동 예측, 후판 주조폭 최적화 등 현장 중심의 공정 예측·최적화 성과가 발표되었다. 2024년 7월, 싱가포르 ARTC(과학기술처 산하 연구센터)와 비전 AI 기술개발을 협력하여 제품 표면 결함 인식 AI 모델을 공동 개발하고, 검사·불량 검출 공정의 자동화와 정밀화를 추진했다. 한편, 2024년 12월에는 흩어져 있던 기술 조직을 DX연구개발실로 통합했다. 이는 AI 도입을 프로젝트 단위의 실험에서 조직 차원의 실행으로 끌어올리려는 목적이었다. 이 때 현대제철은 2025년부터 당진 2냉연 등 주요 라인에 AI 적용을 확대해 차세대 생산 체제를 본격화하겠다고 발표했다.

현재, 현대제철은 당진제철소의 2냉연 연속아연도금라인(1CGL)에 AI 기반 불순물 제거 시스템을 도입해 가동 중이다. 이 시스템은 460 ℃의 고온 아연 용융 욕조 내에서 머리카락 굵기보다 작은 0.1 mm 이하의 철강 불순물을 AI 비전 시스템이 탐지한 뒤, 제거 로봇에 실시간 명령을 보내는 방식이다. 이의 최종 검수 공정에서는 초고해상도 카메라와 열화상 센서가 강판을 360도 스캔하며 ㎡당 수천만 개의 데이터를 생성해 0.005mm 단위의 결함까지 잡아낸다고 한다.

(3) KG 스틸

AI 도입 및 예비 적용 · 본격 가동( ~ 2023년) :

KG스틸은 2022년 11월, 연속용융아연도금(CGL) 공정의 가열로 내부 온도와 속도 데이터를 바탕으로 공정 변수와 최종 제품의 품질을 예측·제어하는 기능을 포함한 AI 가열로 예측제어 시스템을 시범 운영했다고 발표했다. 이어 2023년 6월에는 해당 공정에 본 AI 시스템을 본격 운영하기 시작했다. 이는 15초 단위로 공정 상태 데이터를 수집하고, 약 2시간 후 제품 물성을 예측하는 방식인데, 이를 통해 예측 정확도가 높은 수준에서 달성됨으로써 현장 제어 신뢰도를 크게 끌어올린 것으로 나타났다.

확대 적용 및 예측 모델 고도화 (2024년) :

2024년 7월, KG스틸은 공장 내 15개소에 AI 기술을 적용했다고 발표했다. 도입된 기술은 지능형 안전 CCTV(작업자의 위험 행동과 이상 상황을 실시간 탐지), 가열로 열처리 설비 형상 결함 감지(제품 불량을 조기에 인식), 원료 절단량 제어(원재료 투입량의 최적화로 효율 개선) 및 기타 생산성과 안전성 향상을 위한 AI 솔루션 등이다. 이어 2024년 12월에, KG 스틸은 아연도금 라인에 미세 성분 변화 예측 모델을 개발했다고 발표했다. 이 모델은 도금 포트(Pot) 내 아연 농도의 변화를 실시간으로 예측하여 작업 지침을 제공하는 역할을 하는데, 도입 결과 농도 관리의 정밀도가 크게 개선될 것으로 예상되었다.

설명가능한AI 예측 시스템 도입 (2025년) :

2025년 4월, KG스틸은 AI 예측 시스템을 도입했는데, 이 시스템은 열처리 후 제품 물성을 예측하거나 공정 온도를 자동 제어할 수 있으며, 예측 근거를 사람이 이해할 수 있는 방식으로 설명해준다고 한다. 이것의 도입으로 인해 도시가스 사용량에서 큰 절감 효과를 가져올 것으로 기대된다.

2. 한국 철강산업의 AI 도입 활성화 정책

그동안 한국 철강산업에서 AI 도입을 활성화하려는 주요 정부 정책으로는 다음과 같은 내용을 제시할 수 있다.

2021년 1월, 산업통상자원부는 철강업계와 AI 기업, 연구기관이 함께 참여하는 철강 디지털 전환 연대를 출범시켰다. 이는 철강산업에 AI를 본격적으로 도입하기 위한 첫 번째 협력 플랫폼으로서, 공정 최적화·안전 관리·데이터 표준화 등 공동 과제를 논의하는 것을 목적으로 했다. 이 연대에 참여한 기업들(포스코, 현대제철, 세아그룹, 동국제강, 태웅) 은 AI·센싱 기술개발, 디지털 인프라, AI 인력 교육 등에 향후 5년간 7,000억원 이상을 투자할 계획이라고 하였다

2024년 10월, 중소벤처기업부는 지능형(스마트)제조혁신 생태계 고도화 방안의 발표를 통해 제조업 전반을 대상으로 디지털 전환 인프라 강화 정책을 확대하였다. 철강업도 이 정책의 주요 대상이 되었다. 특히 여기에서는 스마트팩토리, AI 솔루션 실증 과제 등을 중심으로 산업 AI 확산이라는 큰 방향이 설정되었다. 또한 산업통상자원부는 AI 자율제조 프로젝트라고 하여 철강업을 포함한 제조업에 AI를 접목한 자율 제조 환경 구축을 본격적으로 추진하기로 하였다. 그리고 2025년 5월, AI 자율제조 프로젝트를 AI 팩토리 사업으로 확대 개편하고, 철강 기업 참여를 독려하며, 2028년까지 국비 100억원을 포함한 125억원을 투입해 포스코, 뉴로메카, 한국로봇융합연구원 등과 협력하여 제철 공정의 AI 자율화를 추진하기로 하였다.

2025년 6월, 한국철강협회는 Steel-AI 안전환경협의체를 발족하여 업계 차원에서 AI 기반 안전·환경 관리 기술을 공유하기 시작했고, 여기에서는 제철소 전역 CCTV AI 분석, 무인 크레인, 위험작업 자동화 등의 사례가 발표되었다.

2025년 7월, 산업통상자원부는 산업AI 솔루션 실증·확산 지원 사업을 본격 추진했다. 중견·중소기업 컨소시엄이 AI 솔루션을 현장에 적용할 수 있도록 전체 예산 126억원을 설정하고, 과제별로는 21억원 규모의 지원금을 배정했다. 철강업체들 대해서도 단순한 시범사업 수준을 넘어, 공정 실증 및 현장 적용 사업에 참여할 수 있는 실질적인 재정 지원을 확대하는 역할을 했다.

이와 같이 그동안의 정부 AI 도입 정책의 특징을 보면, 우선 철강 산업만을 위한 것이 아니라 제조업 전반에 대한 것임을 알 수 있다. 또한 초기에는 실증 중심에서 점차 철강업 전반으로 확산시키려는 것이며, AI를 단순히 생산성 향상 수단으로 보기보다는 산업안전, 환경 관리 역량 강화와 연계하려는 방향이다. 향후 관련 협의체에 의한 지식 및 사례 공유 활동이 강화되어 가고, 또한 AI 도입에 정책 사업을 통한 자금 지원도 크게 증가할 전망이다.

3. 향후 정책 추진 방향

한국 철강업계의 AI 도입은 빠르게 진전되고 있으나, 아직 AI 도입이 활성화되기 위해서는 현장과 제도 양 측면에서 개선되어야 할 점이 많다.

첫째, 선도 대기업들은 PoC(개념 검증)에서 운영 단계로의 전환 속도가 빠른 반면, 중소·중견기업은 데이터 품질, 인력, 예산 부족으로 확산이 지체되고 있다. 실제로 정부 조사에서도 제조 현장의 AI 도입률은 0.1%에 불과하다는 점이 이를 나타낸다. 둘째, 공정·설비마다 데이터 구조가 달라 표준과 품질 격차가 크다. 구조화된 데이터를 표시하는 스키마 마크업이 각각이라 모델의 이식성과 확장성이 낮고, 기업·라인 간 성능 비교도 어렵다. 셋째, 중견·중소기업은 센서 확충, 데이터 레이크 구축, OT(운영기술) 연계에 필요한 투자 여력이 부족하다. AI 도입의 실증 사업 이후 운영비(OPEX)와 유지보수 부담까지 겹치며, 지원사업은 있지만 기간·규모 한계로 확산이 지연된다. 넷째, 단기 성과 위주의 사업 구조 탓에 파일럿의 함정(어떤 수준을 뛰어넘어야 하는데 그것을 못 넘어서는 현상)이 반복된다. 투자수익률(ROI가 증명되기 전에 과제가 종료되어 상용화로 이어지지 못하고, 이후 운영 공백이 생긴다. 다섯째, 고열·분진·강한 자기장 등 특수 환경에 맞는 안전·로봇·자율장비의 기준·시험·인증 체계가 미비해, 무인 크레인·자율주행 장비 확산 속도가 느리다. 여섯째, 탈탄소 목표와 AI 성과의 정합성이 떨어져, 현장 성과지표(에너지·배출)와 정부가 요구하는 성과지표가 연계되지 않아 감축 실적이 인센티브로 연결되지 못한다. 여기에 OT–IT 통합 난이도, 데이터 사일로, 안전·책임 규정 부재, 현장 인력의 데이터·MLOps(모델의 학습·배포·모니터링·업데이트를 지속적으로 운영하는 체계) 역량 부족이 그 간극을 키우고 있다.

따라서 한국 철강업계가 AI를 단순 시범 수준에서 넘어 확산·정착 단계로 발전하기 위해서는 이러한 문제점을 해결하기 위한 방향의 개선 전략이 필요하다.

우선, 그러한 전략의 중심에서 철강업 특화 표준 레퍼런스 아키텍처 구축하는 것이 요구된다. 이를 위해 공정·설비·품질·에너지·안전 로그 데이터를 통합하는 Steel-CDM(철강 공통 데이터 모델)을 마련하고, 벤더 중립(특정 공급업체에 의존하지 않는) API와 국제 표준(OPC UA: 산업 자동화 시스템 전반에서 기계, 애플리케이션 간의 범용적인 데이터 통신 표준, MTConnect : 제조 장비의 모니터링 및 데이터 분석을 위한 읽기 전용 프로토콜)과의 연계 규칙을 정립해 데이터의 호환성과 이식성을 높여야 한다. 동시에 비전검사, 예지보전, 자율장비 등 주요 분야별 AI 모델의 성능과 안전성을 검증할 수 있는 적합성·안전 인증 체계를 만들어, 실증 이후 현장 적용까지 신속하게 이어지도록 해야 할 것이다.

또한 재정과 사업 설계도 단기 실증 중심에서 벗어나야 한다. AI 도입의 실증과 확산을 분리 지원하고, 성공 시 자동으로 확산 단계로 이어질 수 있는 약 24~36개월 규모의 장기 트랙을 마련해야 한다. 또한 운영비(OPEX)와 보안 유지비 부담을 덜어주기 위해, 결함률·가동률·에너지 절감 등 성과 달성과 연동된 바우처를 제공해 파일럿의 함정을 해소할 필요가 있다.

다음 현장 역량 강화를 위해서는 엔지니어 직무 단위의 AI 적용 자격 제도를 신설하고, PdM·비전검사·에너지 최적화 등의 과제 중심 교육을 기업·대학·AI솔루션업체가 공동 운영하는 것이 필요하다. 아울러 AI업체와 수요자 합동으로 MLOps 코치단을 구성해, 데이터 품질 개선, 모델 성능 검증, 버전 관리 등 운영단계 문제를 정기적으로 지원할 수 있도록 해야 할 것이다.

안전과 로봇·자율장비 분야에서는 제철소 특수 환경을 고려해 철강 특화 안전 샌드박스를 도입하는 것이 필요하다. 이를 통해 무인 크레인, 무인 산업용 운반차량(AGV, 자율로봇을 실증하고, 사고 결과와 상황별 문제처리 절차를 표준화해 향후 인증 체계에 반영해야 할 것이다.

아울러 탈탄소 대응과의 연계도 강화해야 한다. 자율제조 성과지표(생산성·결함·에너지)와 기업의 온실가스·에너지 회계를 연계하여 통합 관리하여, AI가 만들어낸 절감 효과가 자동으로 감축 성과로 집계·인증되도록 제도화할 필요가 있다. 이와 함께 공인 에너지 절감 지표를 기준으로 세액공제나 전력요금 인센티브를 제공해 기업의 참여 유인을 높여야 할 것이다.

끝으로, OT–IT·클라우드 융합이 심화되는 만큼, 철강 특화 보안 프레임워크를 마련하여 데이터 경로, 모델 배포, 원격 패치 절차를 표준화하고, 적용 AI 모델의 의무 등록제와 감사 로그 기록을 의무화해야 할 것이다.

(연재 끝)