알림 목록

분석지역: 울산광역시

핵심지역: 북구·동구·남구·울주군

Agenda:대기업과 지역 협력업체 사이의 AX 준비·확산·수익 격차

Golden Time Type: Supply-chain AX Polarization Risk

기준일: 2026.08.28

Version: Regional AX Golden Time Intelligence v3.2
 

현대자동차는 AI·로봇·디지털 트윈을 결합한 소프트웨어 정의 공장을 확대하고, HD현대는 2030년까지 조선소 생산성 30% 향상과 건조기간 30% 단축을 목표로 FOS를 추진하고 있다. 울산 제조업의 경쟁단위가 개별 설비에서 공장 전체의 데이터·AI 운영체제로 이동했지만 협력업체의 AI 적용률과 공정데이터 연결 수준은 지역 단위로 공개되지 않는다. 2026~2028년 원청의 납품기준이 실시간 품질·탄소·납기 데이터로 바뀌면 대응하지 못한 협력사는 생산능력과 무관하게 거래에서 이탈한다. 울산의 AX 격차는 기술 격차를 넘어 공급망 잔존 여부를 결정하는 단계에 진입했다.

정부는 2026년 산업 AX 예산을 2025년 5,651억 원에서 1조1,347억 원으로 확대했고, AI 팩토리 예산도 1,582억 원에서 2,200억 원으로 늘렸다. 제조정책의 중심이 스마트공장 보급에서 자율제조 AI 확산으로 이동했지만 2024년 기준 자율제조 AI 팩토리는 전국 26개에 불과했다. 향후 2~3년간 선도기업 중심 배치가 지속되면 예산 확대와 지역 협력사의 실제 도입 사이에 격차가 남는다. 국가 AX 투자는 가속됐지만 협력업체 현장 확산은 초기 단계다.

중소벤처기업부는 2025년 제조 AI 전략에서 AI 중심 스마트공장 1만2,000개를 구축해 중소 제조기업 AI 도입률 10%를 달성하는 목표를 제시했다. 정책 목표 자체가 현재 중소 제조업의 AI 활용이 낮은 수준임을 드러내며, 울산 협력업체만 별도로 산출한 도입률은 확인되지 않는다. 2026~2028년에도 도입기업이 전체의 소수에 머물면 원청의 AI 전환속도와 공급망 평균 전환속도는 더 벌어진다. 중소 제조업 AX는 대중화 단계가 아니라 초기 확산 단계로 판정된다.

대기업은 설계·조달·생산·물류·제품·경영을 연결하는 자체 데이터와 AI 인력을 보유한다. 협력업체는 원청 시스템을 통해 발주·품질 정보를 교환하지만 독자 데이터 저장·분석·모델 운영 수준은 공개되지 않는다. 2~3년 내 원청 AI가 협력사 선정과 단가·납기 평가에 적용되면 데이터 생산능력이 없는 기업은 평가대상이면서 평가모델에는 접근하지 못한다. 대기업은 AX 운영주체이고 다수 협력업체는 AX 데이터 제공자에 머물 가능성이 높다.

울산의 자동차·조선·석유화학 생산은 대기업 공장과 다단계 협력업체가 공정·납품·정비·물류를 분담하는 구조다. 완성품 경쟁력이 공급망 전체의 납기와 품질에 좌우되지만 AI 투자는 자본·데이터·인력이 집중된 원청에서 먼저 진행된다. 협력업체 단계별 AX 수준과 병목기업의 위치는 공개되지 않는다. 2028년까지 하위 협력망이 연결되지 않으면 대기업 내부 생산성 상승도 외부 조달의 변동성에 의해 제한된다. 울산 제조 AX의 실질 단위는 대기업 공장이 아니라 다단계 공급망이며 현재 측정 단위는 그보다 좁다.

협력업체는 원청의 생산량·차종·선종·정비계획 변화에 매출이 연동된다. AX 투자로 발생한 생산성 이익이 단가·물량·장기계약 중 어떤 방식으로 협력업체에 배분되는지는 공개 Evidence가 없다. 2~3년 동안 이익은 원청에 집중되고 투자비는 협력업체가 부담하면 전환기업일수록 투자회수 위험이 커진다. 울산의 AX 격차는 기술 보유보다 생산성 이익의 배분구조에서 확대될 수 있다.

현대자동차는 생산설비·물류로봇·품질검사·디지털 트윈을 결합하고 SDV·전동화 생산체계를 확대하고 있다. 자동차 경쟁이 조립품질에서 소프트웨어·배터리·전자제어 데이터의 통합으로 이동했지만 지역 내연기관 부품사의 소프트웨어 매출과 전동화 전환율은 확인되지 않는다. 2026~2028년 신규 차종의 부품구성이 고정되면 기존 부품사의 전환기회는 차기 플랫폼까지 지연된다. 완성차 AX는 가속 단계이고 기존 부품 공급망의 AX는 기업별 생존이 갈리는 단계다.

전기차·SDV는 부품 수 감소와 전장·소프트웨어 비중 상승을 동반한다. 기존 협력업체가 납품하던 기계부품의 수요가 줄어드는 동시에 데이터 제출·추적성·사이버보안 기준은 높아졌지만 울산 부품사의 준비도를 보여주는 통합지표는 없다. 2~3년 내 부품 감소와 디지털 인증비용이 겹치면 영세기업부터 매출과 투자여력이 동시에 축소된다. 자동차 협력업체의 GAP은 공장 자동화뿐 아니라 납품품목 자체의 소멸위험을 포함한다.

HD현대는 AI 설계, 디지털 트윈, 로봇, 명장 에이전트를 포함한 FOS를 추진하고 있다. 조선 생산이 숙련자의 현장조정에서 데이터 기반 예측·자율운영으로 이동했지만 블록·배관·용접·도장 협력업체의 독자 AI 운영실적은 확인되지 않는다. 2028년까지 원청 공정만 지능화되면 협력업체의 수작업 품질 편차가 전체 건조기간의 병목으로 남는다. 조선 대기업의 AX 포트폴리오는 종합형이고 지역 협력망의 AX는 부분 연결형이다.

조선업은 외국인력 확대와 현지 맞춤형 훈련으로 생산인력을 보충하고 있다. 인력구조가 다국적 작업조로 바뀌었지만 협력업체가 작업표준·영상·품질데이터를 다언어 디지털 체계로 운영하는 비율은 확인되지 않는다. 2~3년 동안 숙련자 이탈과 인력 순환이 겹치면 디지털 지식기반이 없는 업체부터 재작업·안전·납기 위험이 커진다. 조선 협력업체의 AX 격차는 인력 부족과 숙련 복제 실패가 결합된 격차다.

울산 석유화학 대기업은 장기간 분산제어시스템·공정최적화·예지정비 기술을 운영해 왔다. 공정 AX가 수율·에너지·정비를 통합하는 단계로 이동했지만 보수·검사·물류·환경관리 협력업체의 데이터 연결 범위는 공개되지 않는다. 2026~2028년 설비 감산과 사업재편이 진행되면 원청 시스템에 종속된 협력업체는 거래처 축소와 AX 투자회수 실패를 동시에 겪는다. 석유화학 협력업체의 GAP은 기술도입보다 원청 구조조정에 대한 데이터 가시성 부족이다.

화학제품의 경쟁기준은 가격·품질에서 탄소발자국과 원료 이력까지 확대됐다. 대기업은 제품 단위 탄소정보를 구축할 여력이 있지만 운송·정비·폐기물 처리기업의 배출데이터가 연결되지 않으면 공급망 전체 검증이 완성되지 않는다. 2~3년 안에 고객사의 검증기준이 강화되면 데이터가 없는 협력업체는 실제 배출량과 관계없이 공급망 위험으로 분류된다. 탄소데이터 GAP은 환경평가를 넘어 거래자격 격차로 전환 중이다.

스마트공장 보급사업은 생산관리·설비연결·품질데이터 수집을 중소 제조현장에 확산시켰다. 그러나 제조 AI는 수집된 데이터의 품질·축적기간·공정 표준화를 전제로 하며, 설비 연결만으로 자율예측이 형성되지 않는다. 울산 스마트공장의 실제 활용률과 AI 모델 운영률은 공개자료에서 분리되지 않는다. 2026~2028년 기초 디지털화와 AI 운영을 같은 성과로 집계하면 현장 격차는 통계에서 사라진다. 스마트공장 구축실적은 AX 준비의 증거지만 AX 작동의 증거는 아니다.

중소벤처기업부는 2026년 스마트 제조혁신 사업에서 스마트공장 활용률 85%와 AI 스마트공장 확대를 제시했다. 정책기준이 구축 수에서 활용률·AI 성과로 이동했지만 울산 기업의 비가동 시스템, 데이터 결손, 공급업체 유지보수 의존도는 확인되지 않는다. 2~3년 동안 시스템 활용이 낮으면 추가 AI 투자는 기존 데이터 오류를 증폭한다. 울산 협력업체 AX의 선행 GAP은 AI 모델보다 기존 스마트공장의 실사용 수준이다.

대기업은 완성차·선박·화학제품의 설계·생산·품질·고객 데이터를 전 주기에 걸쳐 보유한다. 협력업체는 자신이 담당한 공정 데이터만 보유하거나 원청 시스템에 입력한 뒤 재사용 권한을 확보하지 못하는 구조가 일반적이지만 계약별 데이터 권리는 공개되지 않는다. 2~3년 동안 원청 데이터로 학습한 AI가 생산 의사결정을 대체하면 협력업체는 자체 모델을 만들 학습기반을 잃는다. 울산 AX 격차의 중심은 서버 보유량보다 산업데이터 접근권이다.

원청은 여러 협력업체의 품질·납기 데이터를 비교해 최적 공급자를 선택할 수 있다. 개별 협력업체는 원청이 가진 비교 데이터와 수요예측에 접근하지 못해 설비투자와 인력배치를 과거 주문에 의존한다. 2028년까지 정보 비대칭이 유지되면 원청의 예측정확도는 상승하고 협력업체의 재고·유휴설비 위험은 커진다. 공급망 AI는 공동 최적화보다 협상력 비대칭을 확대할 가능성이 확인된다.

울산 대기업은 자동차·조선·석유화학 전반에서 AI 설계, 디지털 트윈, 로봇, 예지정비를 추진하고 있다. 기술 적용범위가 기업활동 전반으로 확대됐지만 협력업체의 AI 도입률·활용률·투자규모는 지역 통계로 확인되지 않는다. 2~3년 안에 격차를 측정하지 못하면 지원대상과 공급망 병목의 일치 여부도 판정되지 않는다. 대기업 준비수준은 ‘고도화’, 협력업체 준비수준은 ‘부분 디지털화·AX 미확인’이다.

중소 제조기업 AI 도입률 10%가 향후 정책목표로 제시됐고 전국 자율제조 AI 팩토리는 2024년 26개였다. 현재 기반이 소수 선도사 중심임을 보여주지만 울산 협력업체의 업종·규모별 분포는 공개되지 않는다. 2028년까지 AI 도입이 상위 협력사에 집중되면 하위 협력망의 준비수준은 변하지 않는다. 공급망 평균 준비수준은 대기업의 선도사례보다 현저히 낮은 것으로 판정된다.

대기업의 AI·로봇 적용사례는 생산·검사·물류·설계에서 확인된다. 적용이 개별 공정을 넘어 공장 운영체제로 확대됐지만 동일 기술이 협력업체 공장에 확산된 비율은 확인되지 않는다. 2~3년 동안 원청 공장 내부 확산만 지속되면 공급망의 처리속도 차이가 납기 병목을 만든다. 대기업 내부 확산은 진행됐고 기업 간 확산은 미확인이다.

정부는 2030년까지 자율제조 AI 팩토리 500개 이상을 목표로 제시했지만 2024년 기준은 26개였다. 확산목표와 현재 기반 사이에 약 19배의 규모 차이가 존재하며 울산의 배정·선정 물량은 확인되지 않는다. 향후 2~3년은 목표 달성의 초기 확산기이므로 선도 프로젝트에서 제외된 기업의 격차가 먼저 확대된다. AI 팩토리 확산은 시작됐지만 울산 협력망 전체를 포괄하는 단계는 아니다.

대기업은 전담 AI 조직과 외부 기술기업·대학·글로벌 플랫폼 기업의 협업망을 보유한다. 중소기업은 최신 기술 습득, 전문인력 채용과 제조 도메인 결합에서 어려움을 겪는 것으로 NIA 조사에서 확인됐지만 울산 협력업체의 AI 전담인력 수는 공개되지 않는다. 2~3년 동안 채용격차가 유지되면 동일 솔루션을 도입해도 모델 개선과 장애대응 속도가 달라진다. 울산의 인력 GAP은 도입비용보다 AI를 계속 운영할 조직의 유무에서 발생한다.

협력업체의 현장지식은 대표·공장장·숙련자에게 집중돼 있다. 인력 고령화와 외국인력 확대가 진행되지만 작업지식을 데이터·규칙·모델로 축적한 기업 비율은 확인되지 않는다. 2028년까지 숙련 이탈이 AX 조직 형성보다 앞서면 디지털화할 원천지식부터 소실된다. 협력업체의 AX 시간위험은 AI 인재 부족과 제조지식 소멸이 동시에 진행되는 구조다.

대기업은 AI를 통해 생산성·품질·재고·에너지 비용을 통합 절감할 수 있는 규모와 데이터를 보유한다. 협력업체는 도입비용을 부담하지만 생산성 상승분이 납품단가·물량·계약기간에 반영된 사례는 지역 단위로 확인되지 않는다. 2~3년간 성과배분 구조가 형성되지 않으면 AX 투자의 경제성은 원청과 협력업체 사이에서 다르게 나타난다. 기술 확산보다 AX 이익의 공급망 확산이 더 낮은 단계로 판정된다.

스마트공장과 제조 AI 지원은 구축비 일부를 줄이지만 유지보수·데이터 정제·모델 갱신비는 반복 발생한다. 지원 종료 후 독자 운영률과 투자회수기간은 공개자료가 부족하다. 2026~2028년 시스템 교체·구독비가 누적되면 저마진 협력업체는 가동 중단이나 외부 공급자 종속을 선택하게 된다. 협력업체 AX는 초기 도입보다 반복비용을 감당하는 수익구조에서 취약하다.

자동차 SDV·전동화, 조선 FOS, 석유화학 사업재편은 모두 2026~2028년 공급망 구성을 바꾸는 일정에 들어가 있다. 원청의 제품·공정 전환이 협력업체의 투자·인력 전환보다 앞서지만 기업별 대응기간은 공개되지 않는다. 차종·선종·설비 재편이 확정된 뒤에는 신규 공급사 인증과 투자회수 시간이 부족해진다. 울산 협력업체의 골든타임은 원청 AX 완성시점이 아니라 공급망 재선정 이전에 종료된다.

정부 AX 예산은 확대됐지만 AI 팩토리와 고도화 지원은 심사·선정을 거쳐 일부 기업에 집중된다. 2~3년 동안 상위기업이 반복 선정되면 데이터와 성과가 다시 선도기업에 축적되고 미도입기업의 격차는 복리로 확대된다. 사업 종료 뒤 후발기업은 더 높은 기술수준에서 출발해야 한다. AX 지원의 시간위험은 미선정 기간 자체가 경쟁격차로 누적된다는 데 있다.

AI 모델은 생산·불량·정비 데이터가 누적될수록 정확도가 높아진다. 대기업과 선도 협력사가 먼저 데이터 순환을 형성하면 후발기업은 설비도입 외에 수년간의 학습데이터 격차를 동시에 부담한다. 2028년까지 데이터 축적이 시작되지 않으면 자본투자만으로 선도기업의 모델성능을 따라잡기 어렵다. 제조 AI 격차는 시간이 지날수록 커지는 데이터 누적형 비가역 위험이다.

원청의 디지털 공급망은 품질·납기·탄소·보안을 실시간 평가해 공급사 선정에 반영한다. 한 번 공급망에서 이탈한 업체는 매출 감소로 AX 투자여력을 잃고 재인증에 필요한 데이터도 축적하지 못한다. 2~3년 안에 이탈이 발생하면 기술격차와 거래격차가 서로를 강화한다. 협력업체 AX 실패는 시스템 미도입이 아니라 공급망 퇴출로 고정되는 비가역성을 가진다.

압축 판정:협력업체가 원청 AI에 데이터를 제공하는 수준을 넘어 데이터 재사용권, 독자 운영능력, 생산성 이익을 동시에 확보하는지가 울산 공급망 AX의 분기점이다.

울산의 대기업 AX는 투자·데이터·인력·현장 적용에서 고도화 단계, 지역 협력업체 AX는 기초 디지털화와 일부 선도기업을 제외하면 초기·미확인 단계로 판정된다.

현재 격차는 단순한 기술 수준 차이가 아니다. 대기업은 공급망을 예측·평가하는 주체가 되고, 협력업체는 자신의 데이터를 제공하면서도 비교정보와 수요예측에는 접근하지 못하는 비대칭 구조다.

이 격차가 2028년까지 지속되면 울산은 대기업 공장의 AX 경쟁력을 확보하는 대신 지역 협력생태계의 부가가치와 기업 수를 잃을 가능성이 높다.

Golden Time Judgment: Enterprise AX Acceleration + Supply-chain Polarization Risk

Evidence Sources

• 산업통상부, 2026년 산업 AX·AI 팩토리 예산 및 구축목표
• 중소벤처기업부, AI 기반 스마트제조혁신 3.0 전략
• 중소벤처기업부, 2026년 스마트 제조혁신 지원사업
• NIA, 기업 내 AI 활용 현황 및 애로사항 분석
• NIA, 국내 제조업 경쟁력 강화를 위한 Physical AI 활용 방안
• 스마트공장 사업관리시스템
• HD현대, 미래형 조선소 FOS 구축
• 산업통상부, 산업단지 AX 분과 및 M.AX 클러스터

Structural Insight — 대기업 AX가 성공할수록 협력업체의 독립성은 약해질 수 있다

대기업의 AI는 여러 협력업체의 가격·품질·납기·불량 데이터를 동시에 학습한다. 데이터가 축적될수록 원청은 공급망 전체를 더 정확히 예측하고 공급사를 더 빠르게 교체한다. 반면 협력업체는 자신의 데이터만 보유하거나 원청 시스템에 입력한 데이터조차 독자적으로 활용하지 못한다.

이 비대칭에서는 협력업체의 디지털 연결이 곧 AX 역량을 뜻하지 않는다. 원청 플랫폼에 연결된 기업은 데이터 생성에는 참여하지만 모델의 소유·비교정보·의사결정에는 참여하지 못한다. 연결 정도가 높아질수록 원청 의존도도 함께 상승하는 역설이 발생한다.

원청 AI가 생산성을 높이면 더 적은 공급사와 더 정확한 납품체계를 운영하는 방향이 경제적으로 유리해진다. 협력업체의 AX 지원이 독자 경쟁력으로 이어지지 않으면 AI는 공급망 전체를 성장시키기보다 우수기업만 선별하는 장치로 작동한다.

따라서 울산의 구조적 위험은 협력업체가 AI를 늦게 도입하는 데만 있지 않다. 협력업체가 AX에 참여할수록 데이터를 더 많이 제공하지만 자신의 예측력과 협상력은 높아지지 않는 구조가 고착되는 것이 더 큰 위험이다.