자동화 기술이 발전했지만 인간 작업자가 최소한으로 개입하면서도 생산적이고 유연한 자동화 시스템에 대한 약속은 현실과 거리가 멀다.
원인
자동화 기술은 제한적으로 채택된다. 기업이 자동화에서 얻는 생산성 증가의 편익은 프로세스 유연성에서 손실되는 경향이 있어 결과가 제로섬이 된다.
해결책
포지티브섬 자동화는 기계, 시스템, 팀이라는 3가지 수준에서 성공을 측정한다. 자동화를 통해 인간 팀이 더 행복해지고 업무를 더 잘 수행할 수 있게 된다면 성공이라고 볼 수 있다.
1982년 GM은 ‘미래의 공장’을 짓겠다고 발표했다. 미시간 주 새기노에 지어질 이 시설은 생산 자동화를 통해 일본 자동차 제조사 도요타, 닛산과의 경쟁이 치열한 상황에 GM의 사업에 활력을 불어넣을 것으로 기대를 모았다. GM은 2년 전 7억6300만 달러의 손실을 기록했다. 72년 역사상 두 번째로 큰 손실이었다. CEO 로저 스미스는 도요타 공장을 방문한 뒤 GM이 경쟁에서 살아남기 위해 반드시 자동화를 이루겠다고 결심했다.
새기노 프로젝트는 4000대의 로봇 군단을 통한 생산 자동화를 계획했다. 생산성과 유연성을 높이는 것이 목표였다. 로봇을 통해 5년 생산주기에서 최대 2년을 단축하고 GM의 다양한 모델들끼리 전환이 가능하도록 계획했다. 직원 생산성은 300% 높아지고 수작업 시스템과 인터페이스가 사라질 것이다. 로봇은 매우 효과적이어서 사람이 거의 필요하지 않을 것이다. 심지어 공장에 불을 켤 필요조차 없을 것이다.
GM의 ‘깜깜한 공장’ 실험은 엉망이었다. 로봇을 이용한 미래의 공장은 수천 명의 노조 노동자를 고용하는 공장보다 생산비가 높았다. 로봇은 자동차 모델을 잘 구분하지 못했다. 뷰익 범퍼를 캐딜락에 부착하거나 캐딜락 범퍼를 뷰익에 부착하려고 했다. 도장 공정에서도 문제를 일으켰다. 라인을 따라 이동하는 자동차에 페인트를 분사하는 대신 로봇들끼리 페인트를 칠했다. GM은 1992년 새기노 공장을 폐쇄했다.
공장이 문을 닫은 뒤 30년 동안 과학자와 엔지니어들은 로봇 하드웨어(물리적 기계)와 자동화 소프트웨어(기계를 구동하는 컴퓨팅 인텔리전스)에서 놀라운 발전을 이뤄냈다. 로봇과 그 밖의 자동화 기술은 높은 안전성과 정확도로 반복 작업을 수행한다. 사고 없이 일관되게 금속을 절단하고 용접할 수 있다. 자동차에 제대로 페인트를 칠할 수 있다. 이제 자동화는 공장 현장을 넘어 더 정교한 새로운 상황에 적용된다.
자동화 기술의 발전에도 최소한의 인력으로 생산적이고 유연한 자동화를 실현하는 깜깜한 공장의 전망은 크게 2가지 이유로 현실과 거리가 멀다. 첫째, 기술 채택이 중단되고 제한돼왔다. 2018년 미국 인구조사 데이터에 따르면 미국 제조사의 10% 미만이 로봇을 사용한다고 보고했다. 코로나19 팬데믹과 봉쇄명령으로 공장 자동화 수요가 늘어날 것으로 예상됐던 2020년 미국, 독일, 일본의 로봇 구매량은 2019년 수준 이하로 떨어졌다. 중국에서는 자동화를 추진하기 위한 국가전략의 일환으로 로봇 도입에 막대한 보조금을 지급했는데도 로봇을 사용하는 제조업체의 비중은 미국과 거의 비슷한 수준으로 추정된다. 연구결과에 따르면 기업이 자동화 기술을 채택하더라도 생산성이 높아지면서 직원 수가 줄어드는 것이 아니라 결국 늘어난다.
둘째, 우리 연구결과에 따르면 기업이 자동화에서 얻는 생산성 향상의 편익은 프로세스 유연성에서 손실되는 경향이 있다. 센서 재조정 같은 정기적인 로봇 유지보수를 위해 외부 컨설턴트가 방문하는 동안 생산이 중단될 수 있다. 사전 프로그래밍 된 로봇은 똑같은 방법으로 작업을 완수하기 때문에 일선 노동자의 혁신을 방해한다. 우리는 이를 제로섬 자동화라고 한다.
MIT의 ‘미래의 일’ 태스크포스의 일환으로 진행된 수십 건의 인터뷰와 현장 방문, AI와 로봇공학을 연구·개발 및 배포한 경험을 바탕으로 우리는 기업이 깜깜한 공장 계획을 포기하면 제로섬 자동화를 피할 수 있음을 깨달았다. 기업은 기계의 비용과 생산량을 인간 작업자의 비용과 생산량과 비교해 프로젝트 성공을 측정하지 말아야 한다. 그런 접근방식은 자동화가 여러 차원에서 프로세스를 개선하는 데 어떻게 기여할 수 있는지 간과한다. 그 대신 기업은 다음과 같은 질문에 집중해야 한다. 현재 자동화 작업을 수행하는 팀이 새로운 작업을 수행하는 것이 더 생산적이지는 않을까? 자동화 기술을 사용하는 팀은 그렇지 않은 팀보다 더 혁신적인 아이디어를 떠올리거나 더 다양한 작업을 수행하게 될까?
이 아티클에서 우리는 ‘생산성과 유연성을 향상시키는 새로운 기술의 설계와 배포’라고 정의한 포지티브섬 자동화의 개념을 소개한다. 포지티브섬 자동화는 일선 직원이 쉽게 로봇을 훈련하고 소프트웨어 버그를 수정할 수 있는 기술을 설계하고, 어떤 작업을 자동화할지 찾기 위해 상향식 접근법을 사용하며, 성공을 측정하기 위한 올바른 지표를 선택하는 데 달렸다.
‘깜깜한 공장’ 자동화의 한계
생산성을 극대화하도록 설계된 자동화 기술은 크게 3가지 방식으로 유연성을 제한하는 경향이 있다. (1)외부환경 변화에 쉽게 적응할 수 없다. (2)프로그래밍과 수리에 고도의 특정한 기술력을 필요로 한다. (3)인간의 피드백이나 개입 없이 작동하는 ‘블랙박스’가 되는 경향이 있다. 이런 제한 때문에 기업은 깜깜한 공장의 목표를 버리고 인간 노동자의 유연성, 창의성, 즉흥적인 대응력에 의존하게 된다.
일론 머스크는 테슬라 모델3를 대량생산하기 위해 2017년 깜깜한 공장 아이디어를 다시 시도했다. 캘리포니아 공장의 생산량을 늘리고 노동자 채용과 교육문제를 해결하는 데 도움이 되는 로봇을 만들었다. 테슬라는 생산 지연에 직면했고 머스크가 “미치게 복잡한 컨베이어벨트 네트워크”라고 표현한 문제를 해결하는 데 어려움을 겪었다. GM과 마찬가지로 테슬라는 방향을 바꿔 자동화에 대한 투자를 일부 포기하고 숙련된 노동인력을 확장했다. 머스크는 “인간이 과소평가됐다”고 결론 내렸다.
중국의 제조사들도 비슷한 결론에 도달했다. 당초 전자부품을 조작하고 조립하기 위해 공장 전체에서 폭넓게 로봇을 사용할 계획이었지만 전자부품을 조립하는 데 필요한 섬세한 작업을 로봇이 인간만큼 잘 수행하지 못한다는 사실이 드러났다. 하버드대 사회학자 야웬 레이는 어느 제조사 임원의 말을 인용했다. “로봇은 섬세하고 값비싼 부품을 망가뜨리곤 했다. 그 과정에서 나는 사람의 몸이 마법이라는 걸 깨달았다.”
이번에는 제조와 로봇공학 밖에서 사례를 찾아보자. 2013년 MD 앤더슨 암센터는 IBM의 왓슨을 사용해 의사가 방대한 연구 데이터베이스에서 치료법을 신속하게 찾을 수 있도록 지원했다. 하지만 이 소프트웨어는 환자의 복잡한 의료기록을 이해하는 데 어려움을 겪었고 진단에 조언을 주려면 사람이 광범위한 정보를 입력해야 했다. 어떤 경우에는 신뢰할 수 없거나 불완전했다. 의학적 증거가 바뀌면(예컨대 새로운 임상시험에서 새로운 치료법이 제안되면) 사람이 수작업으로 업데이트해야 했다. 처음에는 열렬한 기대를 받았지만 이후 사용자들은 왓슨이 제한적이라고 판단했다. 암센터는 2017년 프로그램을 취소했다.
로봇의 외부조건은 회사가 생산공정을 업데이트하거나 제품의 새로운 버전을 생산하기 시작하는 등 불가피하게 변경될 수밖에 없다. 이런 경우 자동화 시스템을 다시 프로그래밍하고, 테스트하고, 가르쳐야 한다. 새로운 작업을 수행하기 위해 자동화 시스템을 전환하는 비용은 종종 인간 작업자 팀을 전환하는 비용보다 훨씬 크다. 전환 비용이 너무 큰 이유 하나는 자동화 시스템을 조정, 수리, 재프로그래밍하는 전문성이 보통 이를 사용하는 팀의 외부에서 나오기 때문이다. 생산팀은 자동화 시스템 재프로그래밍을 위해 외부업체나 수리팀에 의존해야 한다. 결제시스템이 고장나면 병원 회계팀은 소프트웨어를 수정하기 위해 IT 부서에 전화해야 한다. 바로 이 시점에 ‘깜깜한 공장’의 불이 꺼진다.
포지티브섬 자동화
포지티브섬 자동화를 달성하려면 기업은 생산성과 유연성을 모두 갖춘 시스템을 설계해야 한다. 유연한 자동화를 위한 3가지 열쇠는 다음과 같다.
쉽게 이해할 수 있는 도구를 설계하고 교육에 투자하라 많은 로봇과 자동화 시스템이 뻣뻣해서 부러지기 쉬운 방식으로 외부 기술 컨설턴트에 의해 설계 및 구성된다. 생산 환경이나 공정의 작은 변화조차도 시스템을 방해할 수 있다. 이런 문제를 방지하기 위해 기업은 기술적 지식이 없는 일선 직원이 실시간으로 수리하거나 조정할 수 있는 로우코드 프로그래밍 인터페이스처럼 쉽게 이해할 수 있는 기술을 자동화 시스템에 통합해야 한다.
직원들이 작동방식을 미세 조정할 수 없어서 자동화 사용을 거부하는 사례를 살펴보자. 과학적 감지 장비를 조립하는 어느 미국 공장에서 로봇은 기술자들과 긴밀히 협력해 작업한다. 기술자가 페달을 밟으면 로봇이 조립품을 머리 위로 옮겨 왼쪽으로 회전시킨 다음 아래쪽 앞으로 기울인다. 그러면 기술자는 패스너를 배치하고 섬세한 센서를 설치하는 등 손재주가 필요한 작업을 한다. 기술자와 로봇이 함께 하면 기술자가 혼자 작업하는 시간과 같거나 더 짧은 시간에 일을 끝마칠 수 있다. 로봇은 기술자가 목을 길게 빼거나 손목을 불편하게 비틀지 않게 해준다. 하지만 로봇이 사용되지 않는 경우도 많다. 선택권이 주어지면 기술자는 옆의 스테이션에서 로봇의 도움 없이 작업하기를 선호한다. 한 작업자에게 이유를 묻자 로봇은 동작 순서가 미리 프로그래밍 돼 있지만 자신은 다른 순서로 작업하는 걸 좋아한다고 말했다. 시스템이 유연하지 않게 구축되면 로봇의 움직임에 대한 코드가 복잡해서 기술자가 개인적인 선호대로 로봇이나 작업 공간을 조정할 수 없다.
현재 여러 스타트업과 연구소는 일선 직원이 로봇을 구성하고 문제를 해결할 수 있게 하는 로우코드 자동화 소프트웨어에 집중하고 있다. 다른 로우코드 툴은 로봇이 인간 전문가에게 새로운 다단계 작업을 배울 수 있도록 한다. 인간이 로봇에게 프로세스를 보여주면 로봇이 보고 배운다. 로봇이 작업을 수행할 준비가 되면 인간은 프로세스를 관찰해 로봇이 작업을 제대로 하는지 확인한다.
기업은 올바른 하드웨어와 소프트웨어를 선택하는 것 외에도 기술의 운영과 새로운 애플리케이션에 맞게 재구성하는 일선 직원의 독립성을 구축하기 위한 교육에 투자해야 한다. 실패 지점이 없고 결과를 설계, 통합, 측정하는 데 다양한 관점이 고려되도록 교육은 여러 역할의 다양한 사람들을 포함해야 한다. 자동화에 투자하는 회사는 기술이 어떻게 발전하는지 최신 정보를 유지하고, 기술이 향상되면서 개선하거나 강화할 수 있는 새로운 기회를 찾아야 한다.
일선 직원에게 피드백을 요청하라 기업이 자동화에 하향식 접근방식을 사용할 때의 목표는 주로 생산성을 극대화하는 것이다. 고위관리자는 조직의 프로세스를 분석하고 컨설팅 회사나 IT 팀의 도움을 받아 자동화 툴을 구축한다. 하지만 고위관리자는 보통 프로세스가 무엇을 수반하는지, 자동화가 얼마나 유연하게 구축돼야 하는지, 처리할 수 없는 상황의 유형이 무엇인지 자세히 알지 못한다. 상향식 접근방식에서는 프로세스가 어떻게 운영돼야 하는지 잘 알고 있는 직원들이 자동화 방법을 조언하고 개발하는 역할을 맡는다. 우리 연구에 따르면 생산현장 직원, 결제 전문가, 고객 서비스 담당자 등 일선 직원이 유연하게 작업을 수행하고 지시할 수 있는 자동화는 직원과 회사의 혁신 능력을 높이고 속도를 더한다. 상향식 자동화를 구현하면 노동자의 동의와 지지를 얻기도 더 쉽다.
매스 제너럴 브리검 병원은 시스템 전반에 걸쳐 상향식 접근방식으로 행정 자동화를 추구했다. 적절한 기술을 찾도록 도와주는 컨설팅 회사를 고용한 다음 행정부서의 여러 팀에 어떤 작업을 자동화해야 할지 물었다. 일상적 프로세스를 잘 아는 직원들은 전문 클리닉으로 이송된 환자 추적, 직원자격증 업데이트 확인, 입금 관리 등 몇 가지 일상 활동을 찾았다. 그런 다음 병원은 특히 자동화를 구현할 팀 내부에서 인재를 찾는 데 중점을 두고 봇을 프로그래밍하는 방법을 배울 직원을 모집했다. 개별 팀 직원들은 봇 프로그래밍 교육을 받은 이들과 협력해 소프트웨어를 복잡한 프로세스에 정확히 맞출 방법을 찾았다. 자동화될 작업을 하던 직원들은 2018년 처음 가동된 봇이 특히 지루한 반복 작업을 덜어줬기 때문에 프로젝트를 지지했다.
오하이오의 G&T 제조는 2016년 유사한 변화를 시작했다. 20명 규모의 공장은 항공우주에서 농업에 이르는 다양한 산업 분야의 부품을 생산한다. 이전에 직원들은 금속 부품을 절단하고 성형하는 선반 안팎으로 20kg 가까이 되는 기계부품을 물리적으로 옮기는 작업을 한 시간에 여러 번 반복했다. G&T는 수작업 노동을 자동화하고자 했다. 비슷한 상황에 놓인 기업은 주로 외부업체의 전문성에 의존해 자동화 프로세스 관리에 도움을 받는다.
외부 전문업체는 G&T가 로봇을 도입하도록 도왔지만 G&T의 부사장 콜릿 컷츠는 로봇을 훈련하고 재훈련하는 방법을 스스로 터득했다. 그런 다음 G&T의 기계공에게 로봇을 프로그래밍하고 문제를 해결하는 방법을 가르쳤다. 그들은 새로운 부품 생산으로 전환할 때 공정을 개선하거나 새로운 것을 시도하기 위해 적용할 수 있는 현장 로봇용 프로그래밍 지침 라이브러리를 개발했다. 컷츠의 목표는 변화하는 생산 환경에 로봇을 적응시키는 전문 지식인 소프트웨어 스킬을 기계공의 일상 업무 중 일부로 만드는 것이었다.
G&T가 새로운 시스템을 채택하기 전에는 기계당 한 명의 기계공이 부품을 끼우고 빼고 검사했다. 이제 기계 3대당 1명의 기계공이 감독 역할을 한다. 기계공은 부품을 들어 올리고 끼우는 대신 부품을 검사하고 문제가 발생할 경우 대응하는 데 집중한다. 작업이 자동화된 이후 G&T의 폐기물은 12%에서 1% 미만으로 떨어졌고 작업자당 생산량은 3배 이상 증가했다.
자동화될 기존 잡업을 하던 직원들은 봇이 지루한 반복 갖업을 덜어줬기 때문에 자동화 프로젝트를 지지했다.
올바른 KPI를 선택하라 자동화의 성공을 결정할 수 있는 유일한 공식은 없다. 기업은 자동화할 각각의 프로세스, 관련된 각각의 팀, 작업이 변경될 수 있는 직원 한 명 한 명을 고려해 KPI를 개발해야 한다. 제품 혁신, 직원 만족도와 안전 개선, 재설계된 프로세스 등 보이지 않는 이점도 고려해야 한다.
생산성은 기업이 자동화 기술을 채택하는 가장 큰 동기다. 하지만 우리가 더 깊이 파고들어 관리자들에게 이유를 자세히 설명해 달라고 하자 매우 다양한 동기를 내놓았다. 어떤 회사는 위험한 작업을 처리하기 위해 자동화를 구축했다. 어떤 회사는 작업자가 하지 않으려는 작업을 자동화하기로 선택했다. 다른 회사는 폐기물 감소나 프로세스 안정성 개선에 중점을 뒀다. 우리가 이야기를 나눈 몇몇 회사는 호기심 때문에 또는 경쟁사가 로봇을 이용해서 도입하기도 했다. 그들은 로봇을 도입하고 몇 달이 지난 뒤에도 여전히 비즈니스 적용 사례를 파악하고 있었다.
기업마다 동기가 세세하게 다르기 때문에 성공을 측정하는 데도 미묘한 차이가 있어야 한다. 경우에 따라서는 수작업 시스템과 자동화 시스템을 비교하는 게 무의미할 수도 있다. 자동화 시스템에는 비효율적인 단계를 제거하고 다른 단계를 추가하는 프로세스 리엔지니어링이 필요하다. 이를 감안해 회사는 기계, 시스템, 팀이라는 3가지 수준에서 다양한 지표를 개발해야 한다. 기계 수준에서 성공 측정은 실용적인 유연성, 즉 자동화 시스템이 인간 작업자에 비해 새로운 작업을 학습하는 데 얼마나 시간이 걸리는지에 초점을 맞출 수 있다. 시스템 수준에서는 전환 비용에 중점을 둘 수 있다. 로봇이나 자동화 소프트웨어가 새로운 프로세스를 시작하고 실행하는 데 얼마나 걸리는지 주목하는 것이다.
우리는 인간 팀의 성공 척도가 가장 중요하다고 생각한다. 자동화된 시스템이 팀원들이 업무를 더 잘 수행하게 하는가? 팀원들이 이전보다 더 높은 성과를 내는가? 자신의 역량을 더 창의적으로 적용할 수 있게 하는가? 자동화 기술 덕분에 팀이 전에는 할 수 없었던 일을 할 수 있는가?
미래 공장에 대한 GM의 비전은 노동자를 위한 불을 밝히지 않은 생산성과 유연성이었다. 우리가 자동화의 최전선에 있는 기업에게 배운 것은 그들이 깜깜한 공장을 달성할 수 있다 하더라도 선택하지 않으리라는 점이다. 그들은 생산성과 유연성을 결합하려면 인간이 그 과정에 참여해 기술이 잘 작동하는 부분과 개선될 수 있는 부분이 무엇인지 학습해야 한다는 점을 배웠다. 기업은 똑똑한 기계, 관리자, 엔지니어, 일선 직원 모두의 강점을 활용하는 포지티브섬 자동화를 통해 최상의 결과를 낼 수 있다. 비전은 인간을 없애는 것이 아니라 자동화된 시스템이 인간을 더 유능하고 활력 있게 만드는 것이다.
벤 암스트롱(Ben Armstrong)은 MIT 산업성과센터 전무이사이자 연구과학자로 미래의 일(Work of the Future) 이니셔티브를 공동으로 이끌고 있다. 줄리 샤(Julie Shah)는 MIT 항공우주학과 교수다. 인터랙티브 로보틱스(Interactive Robotics) 그룹의 리더이며 미래의 일 이니셔티브를 공동으로 이끌고 있다.