1. 서 론

최근 4차 산업혁명과 디지털 전환의 가속화로 제조업은 데이터 기반의 스마트 제조체계로의 전환이 필수적인 과제가 되었다. 이는 인더스트리 4.0에서 5.0으로 넘어가는 패러다임의 변화와도 맥을 같이 한다. 스마트팩토리는 단순 자동화를 넘어 CPS, 디지털 트윈, AI 등 첨단기술을 융합하여 지능적 생산 운영을 가능케 하는 체계이고, 인더스트리 5.0은 인더스트리 4.0의 기술 중심 자동화에서 벗어나 인간 중심성, 지속가능성, 회복탄력성을 핵심 원칙으로 하는 가치 지향적 제조 패러다임의 변화를 의미한다. 하지만 지역의 중견 혹은 중소 제조기업은 대기업과 달리 자원과 역량의 한계로 이러한 혁신과 변화에 대응하는데 있어서 구조적 어려움이 있다.

정부는 2025년까지 스마트팩토리 3만 개 구축을 목표로 지원을 확대해 왔으며, 스마트팩토리는 제조 혁신의 핵심 인프라로 자리 잡았다. 특히 MES(Manufacturing Execution System)는 이러한 운영을 실시간으로 실행·관리하는 기반 시스템으로 평가받는다. 하지만 이러한 정책적 확산에도 불구하고 실제 경영성과에 미치는 영향에 대한 검증은 충분하지 않으며, MES의 단순 도입보다는 실시간 데이터 기반의 의사결정과 조직 내 정착 수준이 성과를 좌우한다는 의견이 많다.

기존의 MES관련 연구는 주로 설문조사나 단기 지표 분석에 치중하여, 중소·중견기업의 정량·정성적 통합 분석은 미흡한 연구가 많다. 또한 MES 중심의 스마트팩토리의 실제 운영 경험을 심층적으로 다룬 사례도 드물다. 본 연구는 이러한 한계를 극복하기 위해 자동차 부품 중견기업 이면서 우리나라 완성차 업체의 대표적인 1차 벤더인 S社 성서공장의 MES 기반 스마트팩토리 구축 과정과 구성요소를 분석하여, 중견 제조기업이 실제로 어떠한 전략과 절차를 통해 시스템을 구현했는지를 체계적으로 정리하였다. 최근의 급변하는 경영환경에서 경쟁력을 유지하기 위해서는 투자와 혁신이 필요한데 중견기업이나 중소기업은 쉽지 않다. 이러한 중견, 소기업의 성공사례를 발굴하고 혁신을 찾아내는 것은 산업전반의 변화를 위해 매우 중요한 일이라는 점 때문에 S社를 분석하였다.

또한 도입 전후 데이터를 비교 분석함으로써, 생산성·재고·불량률 등 정량적 지표와 업무 효율·대응성 등 정성적 효과를 실증적으로 확인하였다. 그리고 현재 운영 과정에서 드러난 한계와 개선 과제를 도출하고, 데이터 기반 의사결정과 조직 운영체계의 향상 방향을 모색하였다. 이러한 사례 분석 결과를 토대로 유사 제조기업의 전략 수립 및 인더스트리 5.0으로의 패러다임 변화의 확인 그리고 정부의 스마트팩토리 정책 고도화에 실질적 시사점을 제공하는 것을 목표로 하였다.

연구의 분석 범위는 스마트팩토리 구성 요소 중 MES를 중심으로 한 생산, 자재, 설비, 품질관리 기능을 중심으로 하였으며, 개별 자동화 기술보다는 공정 통합성과 정보 흐름 관점에서의 운영 효과에 중점을 두었다. 연구 기간은 2020년 7월부터 2021년 4월까지의 구축 단계와 이후 3년간(2021~2024년)의 데이터를 대상으로 설정하였다.

연구 방법은 질적 사례연구와 문헌 분석을 병행하였다. 사례연구를 통해 시스템 도입 배경과 운영 변화, 성과를 분석하였으며, 문헌 분석을 통해 스마트팩토리 수준과 운영성과 간의 관계를 비교·정리하였다. 이를 통해 실제 운영 데이터를 기반으로 MES 중심 스마트팩토리의 효과를 실증적으로 검토하고, 중견 제조기업 및 정부 스마트팩토리 정책에 대한 시사점을 도출하였다. 이러한 시사점은 인더스트리 4.0 기반의 기술 중심의 제조업에서 디지털 전환을 출발점으로 하여, MES를 매개로 인간 중심성, 회복탄력성과 지속가능성을 강화함으로써 인더스트리 5.0으로의 확장 가능성을 제시하는 의미가 있다.

2. 이론적 배경

2.1 생산 자동화

생산자동화는 제조 현장에서 사람의 개입을 최소화하고 기계와 시스템이 자율적으로 작업을 수행하도록 구성된 기술적·운영적 체계를 의미한다. 초기에는 반복 작업의 기계화에 머물렀으나, 전기·전자 제어와 정보 시스템의 도입을 거쳐 최근에는 CPS·IoT·AI를 기반으로 생산 전반을 실시간으로 통합·최적화하는 스마트 자동화 단계로 발전하고 있음을 <Table 1>이 보여주고 있다[2, 3, 11].

이러한 자동화 발전 과정에서 MES는 ERP와 현장 설비를 연결하는 핵심 매개 시스템으로 기능한다. MES는 생산계획을 실행 단위의 작업지시로 전환하고, 생산·자재·설비·품질 데이터를 실시간으로 수집·분석함으로써 공정 운영의 가시성과 대응성을 향상시킨다[1, 7]. 생산자동화와 MES는 상호보완적 관계에 있으며, 통합적으로 운영될 때 성과가 극대화된다. 그러나 국내 중소·중견기업은 공정 간 데이터 연계 부족으로 자동화 효과가 제한되는 경우가 많으며, S社 성서공장은 MES 기반 통합 운영을 통해 이러한 한계를 극복한 사례로 평가된다.

2.2 MES(Manufacturing Execution System)

MES는 생산계획과 현장 실행을 연결하는 핵심 정보시스템으로, 작업지시, 생산실적, 자재 흐름, 설비 상태, 품질 정보를 실시간으로 관리·통제하는 역할을 수행한다. MES는 ERP의 계획 정보를 실행 가능한 단위로 전환하고, 현장 데이터를 실시간으로 수집·분석함으로써 공정 가시성과 의사결정의 정확성을 향상시킨다. 특히 스마트팩토리 환경에서 MES는 생산·자재·설비·품질 관리의 통합 운영을 가능하게 하는 중심 축으로 기능하며, 자동화 설비 및 정보 시스템과의 연계를 통해 데이터 기반 운영체계 구축을 지원한다. 따라서 MES의 효과는 단순 도입 여부가 아니라, 현장 내재화 수준과 운영 활용도가 중요하다.

2.3 스마트팩토리

스마트팩토리는 정보통신기술(ICT)을 기반으로 생산, 설비, 자재, 인력 등 제조 요소를 상호 연결하고, 데이터를 실시간으로 수집·분석·활용하여 자율적 판단과 제어가 가능한 지능형 제조 환경을 의미한다. 이는 단순 반복작업의 자동화를 넘어, 데이터 기반 의사결정, 실시간 최적화, 운영 민첩성을 핵심 가치로 하는 제조 혁신 체계이다[1, 7].

국내에서는 스마트제조 고도화 전략을 통해 스마트팩토리를 제조 전 과정의 디지털화·지능화를 통해 고부가가치를 창출하는 통합 제조 플랫폼으로 정의하고 있으며, 독일의 Industry 4.0, 미국의 Smart Manufacturing, 일본의 Society 5.0 등 주요 국가에서도 유사한 개념을 기반으로 정책이 추진되고 있다. 즉, 스마트팩토리는 개별 시스템 도입의 집합이 아니라, 상호 연계된 시스템을 통해 가치를 창출하는 통합 운영체계로 이해할 수 있다.

스마트팩토리는 일반적으로 기술 활용 수준과 운영 역량에 따라 단계적으로 구분된다. <Table 3>에서 기초 단계(Level 1~2)는 자동화 설비와 MES·ERP를 연계한 실시간 모니터링 수준이며, 중간 단계(Level 3~4)는 공정 간 데이터 연동과 실시간 의사결정 및 최적화 제어가 가능해진 단계이다. 최종적으로는 AI와 CPS 기반의 자율공정 운영이 가능한 고도화 단계(Level 5)로 발전한다[1, 6, 13]. S社 성서공장은 정부 고도화 사업을 통해 Level 2 수준의 MES 기반 스마트팩토리를 구축하고, 데이터 기반 운영관리 체계의 고도화를 검토 중인 사례에 해당한다.

스마트팩토리는 기능적으로 다층 구조를 가진다. 데이터 수집 계층에서는 IoT 센서, PLC, RFID 등을 통해 현장 데이터를 실시간으로 확보하고, 운영 관리 계층에서는 MES를 중심으로 생산·자재·설비·품질 관리가 통합 수행된다. 상위 계층에서는 ERP, SCM 등과 연계된 분석 및 의사결정이 이루어지며, 시각화 계층을 통해 주요 지표가 실시간으로 공유된다. 최근에는 디지털 트윈, 빅데이터, AI 기술이 결합되어 예지보전과 공정 최적화 기능까지 포함되고 있다.

이러한 발전 흐름은 생산자동화에서 MES로 그리고 스마트팩토리로 이어지는 구조라고 할 수 있다. 생산자동화는 설비 중심의 물리적 제어 단계이며, MES는 공정 실행과 데이터 통합을 담당하는 핵심 시스템이다. 스마트팩토리는 MES에 축적된 데이터를 기반으로 AI와 분석 기술을 결합하여 자율적이고 최적화된 공장 운영을 구현하는 단계이다. 따라서 스마트팩토리의 성과는 기술 보유 여부가 아니라, 시스템 연계 수준, 데이터 활용도, 조직 내 운영 내재화 역량에 의해 결정된다. 스마트팩토리는 개별 기술의 나열이 아닌, 제조 전 과정이 데이터로 연결되고 자율적으로 반응하는 유기적 제조 생태계이며, 이는 제조기업의 경쟁력과 지속가능성, 향후 AI 기반 제조로의 이행을 위한 핵심 기반으로 작용한다.

2.4 운영성과

스마트팩토리 및 MES 기반 시스템의 도입 목적은 기술 구축 자체가 아니라, 생산성, 품질, 납기, 비용, 운영 유연성 등 핵심 운영성과의 실질적 향상에 있다. 제조기업의 운영성과는 일반적으로 생산성, 품질, 납기준수율, 비용 효율성, 유연성으로 구성되며, 이는 기업의 전략과 실행 결과를 반영하는 핵심 지표이다[4]. 생산계획과 현장 실행을 연결하여 생산·자재·설비·품질 데이터를 실시간으로 통합 관리함으로써 공정 병목을 완화하고 의사결정의 정확성을 높인다. 선행연구에 따르면 MES 기반 스마트팩토리는 생산성 향상, 불량률 감소, 납기 안정화 등 정량적 운영성과를 유의미하게 개선하며[5], 이러한 효과는 시스템 도입을 기반으로 데이터 연동성, 실시간성, 그리고 현장 내재화 수준에 의해 좌우된다[1, 7].

본 연구는 S社 성서공장의 MES 기반 스마트팩토리 도입 이후 운영성과 지표 변화를 분석하여, 스마트팩토리 수준 향상이 실제 운영성과 개선으로 어떻게 연결되는지를 실증적으로 규명하고, 운영상의 한계와 고도화 방안을 통합적으로 고찰함으로써 기존 연구의 공백을 보완하고 실무적·정책적 시사점을 제시하였다.

3. 스마트팩토리 구축사례

3.1 기업개요

S社는 자동차 조명 시스템을 주력으로 전자제어 장치(SBCM) 등 전장 부품을 생산하는 대한민국의 대표적인 자동차 부품 전문기업이다. 조명 분야에서 국내 시장 점유율 1위를 유지하고 있으며, 현대자동차그룹, GM, Ford, BMW, Stellantis 등 글로벌 완성차 업체에 제품을 공급하는 1차 협력사이다. 2025년 기준 국내 임직원은 약 4,800명, 글로벌 인력은 약 13,000명 규모로, 광범위한 생산 및 연구 네트워크를 보유하고 있다. 특히 전장화 및 자율주행 기술 개발과 함께 MES, WMS 등 제조정보시스템을 도입하여 대구 성서공장을 중심으로 스마트팩토리 Level 2 이상을 운영하고 있으며, 향후 CPS, AI 기반 데이터 분석, 디지털 트윈을 결합한 SDF 구축을 추진 중이다.

본 연구 대상인 성서공장은 S社의 핵심 전장 부품 생산 거점으로써, LED 모듈, SBCM 등 헤드램프용 전자부품을 연간 약 1,000만 세트 규모로 생산할 수 있는 설비 인프라를 갖추고 있다. SMT 라인, 조립 및 검사 설비, AGV 기반 물류 시스템을 기반으로 다품종 소량 생산에 대응하고 있으며, 2020년부터 MES 기반 통합 시스템을 도입하여 생산·자재·설비·품질 정보를 실시간으로 연계·관리하는 데이터 기반 생산관리 체계를 구축하였다. 또한 S社의 스마트팩토리는 단기 정보화가 아닌 장기적 디지털 제조 혁신 전략이며, 단순한 MES 도입을 넘어 제조 현장의 유연성과 품질경쟁력을 확보할 목적으로 추진하고 있으며 향후 고도화를 통해 Level 3 이상으로의 전환할 계획을 가지고 있다.

3.2 MES 구성

S社 성서공장의 스마트팩토리는 MES를 허브로 하여 생산(POP), 자재(WMS), 품질(QMS), 설비(EAM) 관리 모듈을 단일 플랫폼으로 통합된 시스템이다. 생산관리는 ERP 계획의 작업지시 자동 변환, 공정별 WIP(재공품) 및 병목구간을 실시간 가시화하고, 자재관리는 자재 입출고 및 로트(Lot) 추적 시스템 연동, 적정 재고 실시간 관리체계를 구축하였다. 품질관리는 검사 데이터 자동 수집 및 불량 발생 시 로트 추적성(Traceability) 체계를 구현하고, 설비관리는 설비 가동/비가동 이력의 자동 집계, 데이터 기반의 예방보전 체계를 구축하였다.

이러한 구축체계는 <Figure 1>에서 설명하고 있는데 상위 ERP와 하위 현장 설비(PLC/Sensor) 사이에 MES가 ERP와 설비사이의 '계획-지시-실행-분석'의 가교역할을 함으로써 수직적 통합(Vertical Integration)역할을 수행함과 동시에 완성차 업체 및 하위 부품업체에 공정, 재고, 품질, 설비정보를 실시간으로 제공하는 데이터베이스 및 시스템을 구축하여 S社를 중심으로 하는 공급망의 밸류체인 전반의 수평적 통합(Horizontal Integration)이 가능하게 하는 역할을 동시에 하고 있다고 할 수 있다.

3.3 스마트팩토리 구축

3.3.1 구축 배경

자동차 산업은 전기차 및 자율주행차 확산, 고객 맞춤형 제품 증가, 글로벌 공급망 복잡성 심화로 인해 다품종 소량생산, 납기 단축, 품질 추적성 강화를 동시에 요구받고 있다. 이에 따라 자동차 부품기업은 자재 관리의 정밀성, 설비 가동률 기반의 생산 안정성, LOT 단위 품질 추적 체계를 확보해야 할 필요성이 지속적으로 증대되고 있으며, 이는 ISO 9001 및 IATF 16949에서 요구하는 공급망 관리 요건과도 직접적으로 연계된다.

<Figure 2>는 S社의 스마트팩토리 구축 체계를 나타낸다. 전형적인 스마트팩토리의 모형처럼 보이지만 왼쪽부분은 구현된 MES 중심의 자동화와 ERP를 통한 제조관리 시스템이다. 오른쪽 사각형은 앞으로 스마트팩토리 Level을 높이면서 구현될 AI 기반 지능화 단계를 보여준다. 전체 그림은 데이터를 기반으로 하는 데이터 학습 시스템과 이를 바탕으로 의사결정을 하는 AI 시스템을 구축을 향후 목표로 하고 있다. 스마트팩토리의 성공을 위해서 왼쪽의 ERP와 MES의 완성이 필수인데 김성민과 안재경[8]의 연구에서도 확인할 수 있다. AI기반 지능화를 위해서는 학습화를 위한 데이터의 수집기반 인프라 구축이 중요한데 MES기반 스마트팩토리는 정합성을 가진 데이터의 수집을 기본 기능으로 하고 원활한 매개를 할 수 있는 충분한 데이터베이스를 구축하여 원활한 지능화 시스템 구현을 위한 기반을 구축하였다.

현재 구현된 MES기반의 스마트팩토리는 ERP와 Shop Floor의 연계를 통한 생산관리. 설비, 품질의 정보를 학습 가능한 형태의 데이터로 연계시켜줄 수 있는 시스템으로 구성되었고 이를 바탕으로 데이터 러닝과 제조현장의 의사결정을 결정할 수 있는 AI시스템이 향후 도입된다면 향후 완성된 스마트팩토리가 될 것이다.

3.3.2 구축 이전 문제점

스마트팩토리 도입 이전의 S社 성서공장은 자동·반자동화 설비와 일부 MES 모듈을 보유하고 있었으나, 실제 운영 방식은 정보가 분산된 수작업 중심 구조에 머물러 있었다. 이로 인해 제조 현장의 실시간성, 데이터 정합성 및 신뢰성이 저하되었으며, 생산성과 품질 개선에 구조적인 한계가 존재하였다.

생산실적관리는 수기 기록과 엑셀 입력에 의존하여 데이터 누락과 지연이 빈번히 발생하였고, 실시간 모니터링이 불가능하였다. 실제로 생산실적 자동 수집 비율은 약 37% 수준에 그쳐, 공정 간 협업과 관리 의사결정에 제약이 있었다. 자재 입고·사용·출고 정보가 부분적으로만 관리되어 실시간 재고 파악이 어려웠으며, 바코드 기반 이력관리 부재로 자재 위치 추적과 부서 간 정보 일관성이 확보되지 못했다.

품질관리는 불량 발생 이후의 사후 대응에 집중되어 있었고, 검사 결과가 분산 관리되어 반복 불량에 대한 구조적 원인 분석과 선제적 품질 개선이 제한되었다. 설비 가동 및 유지보수 정보가 분산 관리되어 스마트팩토리 구축 이전 일부 MES 모듈에서는 MTTR, MTBF 등 설비 신뢰성 지표의 정량적 관리가 불가능하였으며, 예방보전보다 사후 수리에 의존하는 운영 구조를 보였다.

종합적으로 성서공장은 생산·자재·품질·설비 관리가 단절된 상태로, 데이터의 연결성과 가시성을 확보하지 못하고 있었다. 이러한 구조적 한계를 해소 하고 글로벌 고객사의 품질·납기 요구에 대응하기 위해, 생산 실행 정보를 중심으로 전사 기능을 통합하는 MES 기반 스마트팩토리 구축이 필연적으로 요구되었다.

3.3.3 구축과정에서의 애로사항과 경험

S社는 규모가 큰기업이지만 아직까지는 지방에 있는 기업으로 글로벌 환경과 기술이 급변하는 경영환경에서 단순 MES기반 ERP시스템에서 스마트팩토리를 지향하는 고도화된 시스템으로 전환을 결정하고 투자를 이끌어 내는 일이 가장 어려운 일이라고 할 수 있다. 무엇보다도 제조환경의 위기를 인식하고 AI등 신기술이 급변하는 경영환경을 위기로 인식하는 최고경영층의 결단을 유도하는 일이 중요하고 가장 큰 어려움이라고 할 수 있다.

또한, 국내 중소·중견 제조기업의 경우, 특정 공정의 자동화율은 높지만 공정 간 연계나 데이터 흐름이 단절된 경우가 많다. 이는 자동화 효과를 충분히 체감하지 못하게 하는 주요 요인으로 지적된다. 이러한 애로를 새로운 시스템이 해결할 수 있다는 생각을 구성원이 공유하는 일이 또한 가장 큰 애로라고 할 수 있는데, 끊임없는 교육과 설득 그리고 경영층의 결심을 이끌어 내는 과정이 가장 중요한 경험 이라고 할 수 있다. 이를 통해 인더스트리 5.0이 지향하는 인간중심, 지속가능성, 회복탄력성을 받아들이는 토대를 만드는 일이 가장 큰 애로였다.

프로젝트 진행과정에서의 애로는 사용자가 쉽게 사용하도록 하는 UI의 디자인, 충분히 큰 데이터베이스를 안정화시키는 일, 설비들과 MES의 인터페이스 등에 어려움이 있었지만 무엇보다도 납기를 지키기 위한 프로젝트의 일정관리가 가장 어려운 애로였다.

4. 운영성과 분석

4.1 정량적 성과 분석

4.1.1 구축 전후 단기 비교 효과

구축 전후 개선효과를 비교하면 <Table 4>와 같이, 실적 자동화 정착과 KPI(Key Performance Index) 가시성 확보가 생산·자재·품질·설비 지표 개선으로 연결되었음을 확인할 수 있다. 이러한 KPI는 S社가 완성차의 1차 벤더로 제조업체로써 중요하게 관리할 수밖에 없는 지표들이고 스마트팩토리가 MES의 고도화로 완성되는 시스템이기 때문에 선정한 지표들이다.

생산관리측면에서 보면 MES기반의 스마트팩토리 도입 후 실적 자동 수집이 정착되며 실적 자동 집계율이 37%에서 100%로 향상되었다. 계획 대비 실적, 직행률, 라인 생산성 등이 실시간 대시보드로 가시화되면서 병목 공정 조기 인지 및 작업 배분 조정이 가능해졌다. 그 결과 생산계획 이행률은 약 85%에서 97% 이상, 월 납기 지연은 3건 이상에서 0.5건 이하, 리드타임은 약 12% 단축되었다.

자재관리는 WMS와 PDA 기반 바코드 추적을 통해 자재 입출고·투입 이력이 실시간 기록되고 재고가 자동 갱신되었다. 이에 따라 재고 정확도는 약 82%에서 98% 이상으로 개선되었고, 발주 오류 및 불용 자재 발생이 감소하며 수급 안정성이 강화되었다.

품질관리는 LPA, 4M 변경 이력, 불량 유형 데이터가 통합 관리되면서 사후 대응 중심에서 선제적 관리 체계로 전환되었다. 그 결과 불량률은 약 15% 감소, 불량 조치 리드타임은 평균 2일에서 1일 이내로 단축되었다. 설비관리의 경우는 설비 상태·고장·예비품 정보가 통합 기록되며 MTBF/MTTR 등 신뢰성 지표의 정량 관리가 가능해졌다. 예방점검 이행률은 65%에서 90% 이상, MTBF는 약 20% 향상, MTTR은 약 30% 단축되어 설비 안정성이 강화되었다.

4.1.2 구축 이후 시계열 개선 효과

스마트팩토리 효과는 구축 직후뿐 아니라, 시간 경과에 따라 지속적으로 개선되고 있음을 확인할 수 있다. <Figure 3>과 <Table 5>에 따르면, 2019~2024년 동안 매출은 1,231억 원에서 2,958억 원으로 증가하는 가운데, 생산성(UPMH)은 58EA에서 256EA로 상승했고, 인당 매출(억원/명)은 5.6에서 15.5로 상승했고, 재고일수는 27.1일('20)에서 12.6일('24)로 감소했다. 공정 불량(ppm)은 429에서 106으로, 클레임 불량(ppm)은 665에서 284로 감소했다. 설비 비가동(분)은 10,017('20)에서 3,303('24)으로 감소했다. 즉, 생산성·품질·재고·설비 안정성 지표가 전반적으로 개선 된 추세를 보였다.

4.1.3 종합 분석 및 업계 벤치마크 비교

본 사례는 구축 직후의 가시적 개선과 중장기적인 추세 개선을 동시에 보여준다. 국내 스마트팩토리 도입 기업 평균(생산성 25% 향상, 불량률 27% 감소) 및 글로벌 선도 사례(생산성 10~20% 향상)와 비교할 때, S社의 성서공장은 생산성(UPMH) 142% 향상, 인당 생산성 108% 향상, 클레임 불량 77% 감소 등 상대적으로 큰 개선 폭을 보였다. 이는 MES 중심의 프로세스 재설계와 데이터 기반 운영체계가 성공적으로 결합되었기 때문으로 해석할 수 있다.

4.2 정성적 성과 분석

스마트팩토리 도입은 정량 지표 개선뿐 아니라, <Table 6>과 같이, 운영 방식과 협업 구조도 변화되었다.

업무 표준화·정합성 강화측면에서는 작업 절차·점검항목·품질 기준이 시스템 기반으로 표준화되며 업무 편차가 감소하고, 데이터 기반 의사결정이 강화되었다. 작업자 디지털 역량 강화와 자율성 제고측면은 PDA/태블릿 기반 전산 업무가 확대되며 현장 구성원의 데이터 활용 역량이 향상되고, 개선 참여가 촉진되었다고 보고되었다. 부서간 협업 강화와 커뮤니케이션 개선측면에서는 생산·자재·품질·설비가 동일 데이터 플랫폼을 공유하면서 원인 추적과 대응 속도가 개선되었다.

인더스트리 5.0의 측면에서 성과를 살펴보면 MES기반 스마트팩토리가 작업자와 관리자의 의사결정을 지원하는 인간중심의 협업 매개체로 분명히 자리매김했다는데 성과가 가장 크다고 할 수 있다. 이 부분은 기술 중심의 인더스트리 4.0과는 분명히 다른 개념이다. 기존의 경험과 관리자의 판단 중심의 의사결정을 데이터 중심으로 빠르고 신속한 의사결정이 가능하게 되어 조직을 수평적이게 하고 자율성과 협업이 강조되도록 변화시켰다. 이는 궁극적으로 커뮤니케이션 강화와 갈등 감소로 이어지는 선순환을 일으킨다. 회복탄력성 측면으로 보면 돌발상황 대응능력이 향상되어 공정중단이 급격히 줄었고 이는 외부충격에 회복하는 능력의 향상으로 입증되었다고 할 수 있다. 이러한 선순환성 효과는 결국 지속가능성으로 이어질 수밖에 없으며 다시는 지난날의 제조현장으로 돌아갈 수가 없으며 자연스럽게 인더스트리 5.0의 효과로 연결된다고 볼 수 있다.

4.3 운영성과의 한계점

성과에도 불구하고 운영 과정에서 다음 한계가 확인된다. 설비 실시간 연동이 아직 완벽하진 않고, 비가동 사유·고장 이력이 일부 수동 입력에 의존하여 고급 유지보전 체계 구축에 제약이 있다. 또한 자재-품질-변경(4M) 데이터의 통합 분석 기능이 제한적이어서 불량 원인의 자동 추적 및 분석 고도화에 약점이 아직 존재한다. 또한 예측·최적화 등 고급 분석 및 의사결정 활용은 아직 미흡하다고 할 수 있다.

이러한 한계점은 시스템이 안정화 되면서 향상될 것으로 기대한다. 이러한 이행실적은 향후 기업의 구체적인 매출과 영업이익의 실적으로 확인될 것이며 지속적인 고도화 작업과 AI 시스템이 구현된 스마트 팩토리의 완성으로 확인될 수도 있다.

5. 결 론

5.1 연구요약

본 연구는 S社 성서공장의 MES 기반 스마트팩토리 구축 사례를 대상으로 구축 배경과 운영 변화, 운영성과를 분석하였다. 분석 결과, 스마트팩토리 도입은 단순한 시스템 구현을 넘어 데이터 기반 운영체계, 표준 프로세스, 조직의 활용 역량이 결합될 때 성과로 연결됨을 확인하였다. 특히 MES 기반 스마트팩토리가 향후 인더스트리 5.0측면에서 MES를 작업자와 관리자의 의사결정을 지원하는 인간중심의 협업의 핵심 매개체로 역할 할 수 있도록 시스템을 구현했다는 의의가 있다. 이는 중소·중견 제조기업의 디지털 전환 전략 수립 및 정책 설계에도 활용 가능한 실증적 근거를 제공한다.

5.2 시사점

스마트팩토리 실무적 성과는 기술 구현 그 자체보다 현장 인력의 디지털 수용성과 운영 정착이라고 할 수 있다. 본 사례는 개별 기술보다 데이터 기반 운영 절차의 정렬로 수평적 조직, 단순화된 의사결정구조가 핵심 성공 요인임을 보여준다. 이러한 조직 전반의 변화가 가장 중요하다는 시사점이 있다. 정책적 시사점으로, 정부 정책은 시스템 보급 확대 중심에서 기 구축 기업의 성숙도와 데이터 활용 역량에 기반한 맞춤형 지원으로 전환될 필요가 있다. 또한 정책 성과 평가는 생산성·불량률 등 KPI뿐 아니라 업무 방식 변화, 협업 체계, 사용자 만족도 등 조직 내부 변화 지표를 함께 포함해야 한다는 점을 지적하고 있다. 중소·중견기업의 디지털 전환을 위해서는 표준화된 데이터 체계와 지원 인프라가 병행되어 기업의 초기 진입 비용과 시행착오를 줄이는 방향으로 설계되도록 정책방향이 수립해야 한다는 점을 들 수 있다.

5.3 연구 한계점

본 연구의 한계점으로는 먼저 단일 기업 사례 분석으로 수행되어 결과의 일반화에 한계가 있다는 점이다. 향후에는 업종·규모·공정 특성이 다른 복수 사례 비교가 필요하다. 또한 기업의 장기적 경영성과에 대한 종단 분석은 제한적이다. 시간 축을 확장한 추적 연구가 필요하다.