52억 4,000만원을 투입해 진천 냉동식품 공정을 시험한다

2026년 11월 11일 CJ제일제당은 산업통상부 AI Factory 지원사업의 식품업종 수요기업으로 참여한다고 밝혔다. 과제명은 'PINN 모델 및 Physical AI 기술 적용 F&B 자율제조 및 통합 예지보전 기술개발'이다. 컨소시엄의 총사업비는 52억 4,000만원이며 연구개발은 2028년 12월까지 이어질 계획이다. 이는 CJ제일제당이 혼자 집행하는 투자금이 아니다.

아이벡스가 주관기관이며 원프레딕트와 한국생산기술연구원이 공동연구기관으로 참여한다. CJ제일제당은 실제 제조현장을 제공하는 수요기업이다. 실증 장소는 충북 진천 CJ블로썸캠퍼스의 냉동식품 생산라인이다. 원육 전처리, 튀김, 소스 코팅, 냉각, 포장에 걸친 공정별 AI 기술을 시험한다.

공개된 추진 순서는 2026년 실험실 검증, 2027년 파일럿, 2028년 실제 생산라인 실증이다. 즉 이번 발표는 자율제어의 상용 성과가 아니라 연구개발·실증 일정에 관한 것이다. 특정 제품의 수율 향상이나 생산성 개선율이 이미 검증됐다고 해석해서는 안 된다.

식품공장은 정해진 동작을 반복한다고 같은 품질이 나오지 않는다

기계가 정해진 속도와 온도로 움직여도 원료가 매번 동일한 상태인 것은 아니다. 같은 종류의 원육이라도 크기, 초기 온도, 수분 상태가 다를 수 있고, 열처리·냉각의 실제 결과는 설비 조건과 공정 시간에 따라 달라질 수 있다. 식품공장의 자동화에는 원료 변동을 함께 다뤄야 하는 어려움이 있다.

튀김 공정에서 온도를 올리면 생산성이 높아진다는 단순한 명제만으로 최적 조건을 결정할 수 없다. 투입량, 재료의 상태, 튀김유의 사용 이력, 제품 특성에 따라 결과가 달라질 수 있다. 품질과 안정성이 흔들린다면 운전속도가 빨라도 좋은 제조성과라고 보기 어렵다.

따라서 실제 자율제조는 온도계나 카메라에 AI를 연결하는 것에서 끝나지 않는다. 원료·설비·운전조건과 완성품의 품질 사이에서 어떤 관계를 측정할 수 있는지, 무엇을 모델이 예측해야 하는지 먼저 정의해야 한다. 이번 PINN 과제의 의미는 그 제약을 다루려는 데 있다.

PINN은 물리법칙을 반영하지만 모든 조건에서 정답을 보장하지 않는다

PINN(Physics-Informed Neural Network)은 학습 과정에서 관측 데이터와 함께 알려진 물리적 관계를 반영하는 신경망 접근이다. 열전달 등 관계를 모델의 제약으로 사용할 수 있으며, 측정 데이터만으로는 포착하기 어려운 조건을 추론하는 데 도움이 될 가능성이 있다.

원프레딕트는 온도 등 센서 데이터에 물리적 관계를 반영해 튀김유 상태 변화 같은 공정 현상을 예측하고, 일정한 제품 품질에 필요한 운전조건을 도출하려 한다. 이것은 기술개발 목표이지 실제 양산 공정의 예측 정확도와 품질 개선이 이미 입증됐다는 의미가 아니다.

PINN을 사용한다고 모델이 알려지지 않은 화학·생물학적 변화를 모두 자동으로 이해하는 것은 아니다. 적용한 물리적 가정이 실제 공정을 설명하는지, 센서 값이 정확한지, 원료와 설비 조건이 달라져도 결과가 유지되는지 검증해야 한다. 평가 기준은 기술 명칭보다 오차·재현성·실제 품질과의 연결이다.

예측이 맞는 것과 설비 제어를 맡길 수 있는 것은 다르다

AI가 튀김유 상태를 예측해 작업자에게 알리는 것은 하나의 역할이다. 같은 예측값으로 튀김기의 설정값을 직접 바꾸는 것은 다른 역할이다. 전자는 사람이 추가 정보를 검토해 판단할 여지가 있고, 후자는 실제 생산 조건과 제품 품질에 바로 영향을 줄 수 있기 때문이다.

자율제어를 검증하려면 세 단계를 나누어야 한다. 먼저 상태 예측의 정확성, 다음으로 품질·속도·에너지 등 목표 사이에서 어떤 조치를 선택하는지, 마지막으로 선택된 조치를 안전한 범위에서 실제 설비에 적용할 수 있는지다. 가장 정확해 보이는 예측이 항상 실행 가능한 제어 명령은 아니다.

가령 모델이 효율적인 운전조건을 추천해도 그 설정이 품질·위생·안전 기준을 충족하는지 확인해야 한다. 작업자 승인, 제한된 자동제어 범위, 기존 안전설비와의 관계 같은 통제 장치는 검토할 수 있는 일반적인 설계 선택지다. CJ제일제당이 이미 특정 제어권한 체계를 구축했다고 발표한 것은 아니다.

품질검사·예지보전·작업자 안전은 같은 AI 문제로 묶을 수 없다

과제에는 머신비전·로봇·엣지 AI 기반의 이물·파손·포장 불량 검사도 포함된다. 원프레딕트는 설비의 진동·전류 데이터를 활용한 고장 징후 감지, 데이터 수집·분석 플랫폼과 안전 모니터링을 맡는다. 아이벡스는 비전 AI와 로봇 기반 품질검사·자율 품질제어를 담당한다.

작업자 안전 영역에서는 AI CCTV로 쓰러짐이나 위험구역 출입 등의 위험 상황을 인식하고, 필요한 경우 생산설비를 감속·정지하는 기술을 개발하려 한다. 그러나 위험을 감지하는 모델을 설치했다는 사실만으로 기존 안전장치를 대체할 수 있는 것은 아니다. 감지 지연이나 오경보가 있을 때도 안전 대응이 적절한지 확인해야 한다.

공정에서는 품질 편차와 운전 안정성이, 비전 검사에서는 미검출과 과검출이, 예지보전에서는 실제 고장 예측과 불필요한 정지가, 작업자 안전에서는 위험감지와 안전대응의 신뢰성이 중요하다. 네 영역을 하나의 홍보 숫자로 합치지 않고 서로 다른 지표로 검증해야 실제 개선을 평가할 수 있다.

MES와 공정 데이터를 연결한 다음에야 제어 판단이 가능하다

CJ제일제당은 기존 스마트팩토리와 생산자동화를 통해 쌓아 온 DX 기반 위에서 이번 프로젝트를 추진한다고 설명한다. 과제는 설비 데이터를 실시간으로 연결해 AI 학습에 쓸 수 있는 AI-Ready 데이터 기반을 마련하고, 기존 제조실행시스템(MES)과도 연동할 계획이다.

그러나 데이터가 수집됐다는 사실만으로 자율운전에 필요한 정보가 확보된 것은 아니다. 센서 측정값이 어느 제품·생산 배치·설비 상태에서 나왔는지 연결돼야 하고, 시간 차이·누락·설비 정비 이후의 측정 변화도 관리해야 한다. 그렇지 않으면 품질 결과와 원인을 잘못 연결할 수 있다.

AI가 예측한 공정상태가 실제 제어명령으로 이어지려면 데이터의 의미, 신뢰성, 제어 시스템의 권한과 반응 시간도 맞아야 한다. 기업 입장에서는 새 모델의 크기보다 생산 배치와 조건, 품질 결과를 일관되게 연결하는 데이터 구조가 더 먼저 필요한 자산이 될 수 있다.

왜 식품기업·산업 AI 기업·비전 AI 기업·연구기관이 함께 개발하는가

이번 컨소시엄은 식품공장 데이터를 가진 수요기업 CJ제일제당, 프로젝트 주관사 아이벡스, 공정 최적화와 예지보전 등 산업 AI를 담당하는 원프레딕트, 공정요인 분석을 지원하는 한국생산기술연구원으로 구성됐다. 제조현장에 필요한 기술이 단일 소프트웨어 모델로 완성되기 어렵다는 사실을 보여주는 구조다.

식품기업은 실제 원료와 생산라인의 조건, 품질 요구를 알고 있다. 산업 AI 기업은 설비·공정 데이터 분석을, 비전 AI 기업은 현장의 검사·판단 기술을 다루고, 연구기관은 공정 현상을 분석한다. 이들이 함께 실증해도 각 기관의 기술이 실제 양산 기준을 통과했는지는 별개로 평가해야 한다.

장기적으로는 진천 현장에서 검증한 기술이 다른 공장에도 적용될 가능성이 있다. 다만 제품과 장비가 바뀔 때마다 센서, 모델, 제어로직을 상당히 다시 개발해야 한다면 확산 비용이 커진다. 하나의 성공적인 연구과제와 반복 판매 가능한 제조 AI 제품의 경제성은 다른 문제다.

2028년 실증의 성과는 모델 정확도가 아니라 공정 결과로 확인해야 한다

실험실·파일럿·실제 공장의 결과는 서로 다를 수 있다. 2028년 진천공장 실증에서는 모델의 예측 오차뿐 아니라 AI 적용 전후의 품질 편차, 생산 중단, 운전 안정성, 검사 결과, 안전 대응을 검증하는 것이 유용하다. 원료나 설비 상태가 달라도 개선이 유지되는지가 특히 중요하다.

또한 설비 정비, 원료 변경, 작업자 숙련도와 운영조건 개선 등이 동시에 영향을 줄 수 있다. 단순한 전후 비교를 AI만의 성과로 보지 않고, 가능한 한 비슷한 조건과 반복 생산 배치에서 재현성을 확인해야 한다. 실제 공정에서 얻은 결과와 모델의 예측을 서로 다른 지표로 평가할 필요가 있다.

현재 공개자료에는 자율제어로 불량률이 몇 퍼센트 감소했는지, 에너지가 얼마나 절감됐는지, 예지보전으로 얼마를 아꼈는지에 관한 실증 수치가 없다. 기술개발 기간과 예산을 성과로 바꿔 제시해서는 안 된다. 이번 프로젝트를 판단할 기준은 예측의 정확성, 제어의 안전성, 공정 결과의 재현성이다.

식품 Physical AI의 상업성은 다른 공장에 적용하는 비용에서 갈린다

Physical AI는 휴머노이드 로봇만을 의미하지 않는다. 물리적 환경의 데이터를 인식하고 실제 장치의 동작을 제어하는 기술은 고정식 생산설비에도 적용될 수 있다. CJ제일제당의 과제는 원육 전처리에서 포장까지 이어지는 식품공정의 상태와 제어를 연결하려는 사례다.

그러나 진천의 특정 제품·설비에 맞춰 만든 모델이 다른 식품공장에서도 그대로 통하지는 않을 수 있다. 새 원료·기계·센서가 들어올 때 재측정·재학습·품질 검증에 얼마나 많은 시간과 비용이 드는지가 확산 가능성을 좌우한다. 안전과 위생 기준을 충족한 뒤에도 지속 운영할 수 있어야 한다.

그렇기 때문에 사업적 질문은 'AI가 튀김유를 예측했는가'에서 끝나지 않는다. '실제 설비에 안전하게 적용했는가, 여러 생산 조건에서 같은 성과가 나왔는가, 다른 공장으로 복제할 수 있는가'가 중요하다. 이번 52억 4,000만원 연구개발의 장기 가치는 그 답이 공개될 때 평가할 수 있다.

BANSEOG VIEW

BANSEOG VIEW | 공정의 미래를 예측해도 안전하게 제어할 수 있어야 한다

CJ제일제당의 식품 Physical AI 프로젝트는 센서 데이터와 물리적 제약으로 공정을 예측하는 PINN, 머신비전 품질검사, 고장 예측, 작업자 안전을 하나의 실증 목표 안에 넣었다. 그러나 각각의 AI가 좋은 결과를 낸다고 전체 공장이 자율적으로 안전하게 운전된다는 뜻은 아니다.

분석 결과를 보여주는 모델과 실제 설비 설정을 바꾸는 시스템은 검증해야 할 위험 수준이 다르다. 생산조건이 변할 때도 품질·안전을 유지할 수 있는지, 예측 오류를 제어 단계에서 어떻게 처리할지 확인해야 한다.

장기적으로는 진천공장에서 얻은 성과를 다른 설비와 제품에 적용하는 데 필요한 데이터·재학습·검증 비용이 사업성을 좌우한다. 정확한 예측, 신뢰할 수 있는 제어, 재현 가능한 공정 성과가 함께 있어야 제조 AI가 지속 가능한 생산 역량이 될 수 있다.

SOURCES

근거가 된 원자료

2026-11-12 기준 공식 발표와 11월 11일 보도 확인. CJ제일제당은 산업부 AI Factory 지원사업의 식품업종 수요기업으로 PINN 모델 및 Physical AI 기반 F&B 자율제조·통합 예지보전 과제를 추진한다고 발표. 아이벡스 주관, 원프레딕트·한국생산기술연구원 공동연구. 총사업비 52억 4,000만원은 컨소시엄 전체 금액이며 CJ 단독 투자가 아님. 2028년 12월까지 개발, 2026 실험실, 2027 파일럿, 2028 진천 CJ블로썸캠퍼스 냉동식품 생산라인에서 실증을 계획. 원육 전처리·튀김·소스 코팅·냉각·포장에 단계적으로 적용. 원프레딕트의 튀김유 상태 등 공정 변화 예측, 예지보전·MES 연동·안전 모니터링, 아이벡스의 비전 AI·로봇 품질검사, CJ의 AI-Ready 데이터 및 공정·설비 안전제어 개발계획 구분. 모두 연구개발 목표이지 공장 완전자율운전·실현된 품질/생산성/에너지 성과가 아님. PINN 기술 설명, 안전한 제어 설계, 사업화와 반복 배포 비용 논의는 공개사실에 기초한 일반적 분석이며 특정 실제 구현을 의미하지 않는다.