
AI를 공장에 붙인다는 얘기를 하면 보통 모델 얘기부터 한다. 정확도가 얼마냐, 어떤 알고리즘을 쓰느냐. 그런데 현장에서 AI 프로젝트가 멈추는 지점은 의외로 모델이 아니라, 그 모델이 데이터를 가져오는 길목인 경우가 많다. AI를 OT망에 연결하는 순간, 지금까지 닫혀 있던 설비 네트워크가 외부와 닿기 시작한다.
7년차 현장 엔지니어로서, AI 도입 검토에서 가장 먼저 확인해야 할 건 모델 성능이 아니라 "이 AI가 어느 망을 타고, 어디까지 닿는가"다. 성능 좋은 모델도, 뚫린 네트워크 위에서는 현장의 리스크가 된다.
1. 첫 번째 구멍 — 평평한 네트워크, 경계가 없는 현장
많은 공장의 OT망은 사실상 하나의 평평한 네트워크다. PLC, 센서, HMI, MES 서버가 같은 구간에 있고, 한 번 들어오면 어디든 갈 수 있는 구조다. 사무망(IT)과도 방화벽 하나로만 나뉘어 있는 경우가 많다.
AI를 붙이면 이 구조에 구멍이 하나 더 생긴다. AI 서버가 데이터를 읽으려면 PLC와 센서에 닿아야 하고, 학습을 위해 클라우드로 데이터를 보내려면 외부로 나가는 길이 필요해진다. 그 길이 곧 진입로가 된다. 그래서 먼저 할 일은 망을 나누는 것이다. 설비 제어 구간, 데이터 수집 구간, AI 분석 구간을 나누고, 구간 사이에는 꼭 필요한 통신만 허용하는 규칙을 둔다. 거창한 보안 솔루션이 먼저가 아니라, "이 구간에서 저 구간으로 가는 통신은 이것만 된다"는 목록 한 장이 먼저다.
2. 두 번째 구멍 — 기본값 그대로인 장비와 계정
현장에서 흔히 보는 게 기본 비밀번호 그대로인 PLC, HMI, 게이트웨이다. 설치할 때 편하려고 그대로 두고, 나중에 바꿀 타이밍을 놓친 경우다. AI 프로젝트로 새 장비를 붙일 때 같은 실수를 반복하면, 새로 뚫린 연결이 곧바로 가장 약한 고리가 된다.
또 하나는 계정이다. AI 서버용 계정에 필요 이상의 권한이 들어가 있는 경우가 많다. 데이터 읽기만 하면 되는데, 설비 제어 권한까지 같이 들어간 식이다. 권한은 "읽기만"으로 시작하는 게 원칙이다. AI가 설비를 직접 건드려야 한다면 그건 별도의 검토를 거쳐, 별도의 계정과 별도의 승인 절차로 나눠야 한다. 권한이 넓을수록, 한 번의 실수가 미치는 범위가 커진다.
3. 세 번째 구멍 — 누가 들어왔는지 모르는 현장
망을 나누고 계정을 정리해도, 누가 언제 들어왔는지 기록이 없으면 사고가 난 뒤에야 알게 된다. OT망은 로그를 남기지 않는 장비가 많고, 남기더라도 아무도 들여다보지 않는 경우가 많다.
그래서 뭘 하면 되나 — 거창한 관제 시스템부터 들일 필요는 없다. 먼저 세 가지만 정해두자. 첫째, AI 서버와 게이트웨이의 접속 기록을 한 곳에 모으는 것. 둘째, 평소와 다른 접속 — 새벽 시간의 접속, 처음 보는 주소에서의 접속 — 을 알아챌 기준 한 줄. 셋째, 이상을 발견했을 때 누구에게 연락하고, 어느 구간을 먼저 끊을지 정해두는 것. 기록이 있으면 사고 뒤에 원인을 찾을 수 있고, 기준이 있으면 사고를 키우기 전에 멈출 수 있다.
그래서 뭘 하면 되나
AI 도입 검토표에 모델 정확도 옆에 보안 항목 세 줄을 추가해 보자. 망이 나뉘어 있는가, 계정 권한이 읽기 전용인가, 접속 기록을 모으고 있는가. 세 가지 중 하나라도 "아니오"라면, 그건 모델을 고를 단계가 아니라 네트워크를 정리할 단계다. AI가 현장에 들어오는 속도는 기술이 아니라, 그 기술을 안전하게 받을 준비가 정한다.
관련 글: 디지털트윈의 진짜 엔진은 데이터 수집이다(https://developer-archive.tistory.com/124), OPC UA 심화(https://developer-archive.tistory.com/136), MQTT 심화(https://developer-archive.tistory.com/151), 엣지 컴퓨팅 심화(https://developer-archive.tistory.com/157)
'산업 IoT & 스마트 팩토리 디지털트윈 > IoT 시스템 아키텍처' 카테고리의 다른 글
| 디지털트윈이 현장과 같은 답을 내는지 확인하는 법 — 트윈 검증용 '골든 데이터셋' 만들기 (0) | 2026.11.18 |
|---|---|
| AI가 느린 게 아니라 네트워크가 느린 거였다 — 현장 AI 병목을 찾는 3단계 진단법 (2) | 2026.11.14 |
| 엣지 AI 장비, 공장 바닥에서 살아남는 법 — 먼지·발열·진동에 대한 현장 운영 노트 (0) | 2026.11.11 |
| 설비별 전력 데이터를 디지털트윈에 올리면 에너지 낭비가 보인다 (0) | 2026.11.10 |
| 가동률(OEE)을 디지털트윈에 제대로 올리는 법 — 가동·성능·품질, 3개 숫자로 설비를 읽는다 (0) | 2026.11.09 |









