조선업의 AI 대전환 (Part 1)

선박이 만들어지기까지 — 설계, 금융, 조달, 건조의 AI 혁신

작년 11월 말, 어느 주말 저녁이었다. 같은 과 친구에게서 갑작스럽게 연락이 왔고, 번개로 저녁을 같이 먹게 되었다. 그 친구는 어느덧 중년이 되어 모 조선 회사의 연구소에서 실무 총책임을 맡고 있다.

저녁을 먹으며 자연스럽게 일 이야기로 흘러갔다. 내가 클라우드와 AI 관련 업무를 하고 있다는 걸 아는 친구라, 대화는 곧 조선업에서의 AI 적용 이야기로 이어졌다. 물론 그 친구가 들려준 건 조선업 전체를 조망하는 거시적 관점이 아니었다. 연구소에서 직접 다루고 있는 실제 운항 관련 영역의 AI 적용 사례들, 현장에서 부딪히는 기술적 과제들, 그리고 이미 성과를 내고 있는 프로젝트들에 대한 생생한 이야기였다.

솔직히 놀라웠다. 내가 생각했던 것보다 훨씬 폭넓은 영역에서 조선업의 AI 도입은 이미 진행되고 있었다. 그리고 문득 이런 생각이 들었다. 조선업만 그런 게 아닐 것이다. 우리가 떠올릴 수 있는 대표적인 산업들, 자동차, 반도체, 에너지, 물류 같은 산업들도 이미 상당 부분 AI 적용을 진행하고 있거나, 적용을 위한 연구가 활발히 이루어지고 있을 것이다.

그렇다면 각 산업의 엔드투엔드(End-to-End) 프로세스를 체계적으로 정리하고, 각 프로세스에 적용할 수 있는 AI 기술과 방법론을 가이드 형태로 만들 수 있다면 꽤 의미 있는 작업이 되지 않을까. 그래서 시작하기로 했다. 산업별 E2E 프로세스의 AI 적용 가이드를 만들어 보기로 한 것이다.

그 첫 번째 산업은 자연스럽게 정해졌다. 그날 저녁, 친구와 함께 이야기를 나누었던 바로 그 산업, 조선업이다. 조선업의 E2E 프로세스를 설계부터 해체까지 분해하고, 각 프로세스에서 AI가 어떻게 적용되고 있는지, 또는 적용 가능한지를 탐색해 보고자 한다.

선박이 만들어지기까지 — 설계, 금융, 조달, 건조의 AI 혁신

해상운송은 UNCTAD 등 국제기구의 추산에 따르면 세계 무역 물동량의 대다수(약 80% 이상)를 담당하며, 조선업은 이를 가능하게 하는 선박을 공급하는 핵심 제조업이다.[2] 선박 한 척의 생애주기는 설계 단계에서 시작하여 해체 및 재활용 단계에서 종료되며, 선종과 운항 조건에 따라 상이하나 대개 수십 년(통상 2030년대)에 걸쳐 진행된다. 대형 컨테이너선 한 척의 신조가는 약 1.5억2억 달러, LNG 운반선의 경우 2.5억 달러 이상으로, 단일 자산으로서 세계에서 가장 고가인 제품군에 속한다.[4]

TU Delft의 2024년 연구를 비롯한 학술 문헌에서는, 조선업의 디지털 전환을 'Shipbuilding 4.0'이라는 프레임으로 논의하고 있다.[19][21]

이 전환의 핵심은 개별 프로세스의 디지털화를 넘어, R&D부터 해체에 이르는 전체 밸류체인을 하나의 데이터 파이프라인으로 연결하는 것이다. Microsoft Industry Blogs(2025)에서는 이 구조를 'AI 기반 디지털 스레드(Digital Thread)'로 정의하며, 설계 단계에서 생성된 데이터가 건조, 운영, 해체 단계까지 중단 없이 이어지는 폐쇄 루프(Closed-loop) 시스템을 강조하고 있다.[23]

본 시리즈는 조선업의 엔드투엔드(End-to-End) 프로세스를 7개 메가 프로세스로 구분하고, 각 메가 프로세스를 구성하는 세부 프로세스를 분해하여, 세부 프로세스별로 AI가 어떻게 적용되고 있는지를 상세히 분석한다. 모든 내용은 학술 논문, 산업 보고서, 기업 공개 자료 등 검증 가능한 소스를 기반으로 서술한다.

Part 1에서는 선박이 만들어지기까지의 과정, 즉 R&D/설계, 영업/금융, 조달/공급망, 생산/건조의 4개 메가 프로세스를 다룬다. Part 2에서는 선박이 바다에 나간 이후의 과정, 즉 운영, 애프터마켓(MRO), 해체/재활용과 AI 도입의 실무적 장벽을 다룰 예정이다.

E2E 프로세스 전체 개요

조선업의 E2E 프로세스는 아래 7개 메가 프로세스로 구성된다. 각 메가 프로세스는 상호 의존적이며, 디지털 스레드를 통해 데이터가 전 단계에 걸쳐 연결된다.[23]

※ 본 시리즈에서 사용하는 AI 적용 수준의 정의는 다음과 같다.

[상용화]는 해당 기능을 제공하는 상용 소프트웨어 또는 솔루션이 시장에 존재하며, 일부 기업/조선소에서 도입 사례가 보고된 수준을 의미한다. 이는 조선업 전체에서 표준적으로 운영되고 있다는 뜻이 아니다.

[시범]은 특정 조선소/기업에서 파일럿 프로젝트 또는 개념 검증(PoC) 단계에 있는 수준이다.

[연구]는 학술 연구 또는 기술 개발 단계에 있으며, 현장 적용 사례가 공개되지 않은 수준이다.

1. R&D 및 설계 단계

1.1 단계 개요

R&D 및 설계 단계는 조선업 밸류체인의 시작점이며, 선박의 수명 주기 전체 성능과 규제 준수 여부, 경제적 수익성을 결정짓는 가장 핵심적인 단계이다.[3] 제조업 전반에서 널리 알려진 원칙으로, 제품의 총수명주기비용(Life Cycle Cost)의 상당 부분이 설계 단계에서 사실상 확정된다. 조선업도 예외가 아니어서, 선형 설계와 기관 배치 등 초기 의사결정이 이후 수십 년간의 연비, 탄소 배출량, 유지보수 비용 구조를 크게 좌우한다.[16] 따라서 설계 단계의 품질은 선박의 경제적 가치를 사실상 확정하는 역할을 한다.

설계 단계는 크게 선형 설계, 구조 해석, 규제 검토, 재료 선정의 4개 세부 프로세스로 구분된다.

아날로그 시대에는 이 모든 프로세스가 수작업과 경험적 직관에 의존했으나, IT/클라우드 시대를 거쳐 현재 AI 네이티브 시대에는 각 프로세스에 특화된 AI 기술이 적용되고 있다.

1.2 세부 프로세스별 AI 적용

1.2.1 선형 설계 (Hull Form Design) — [상용화]

선형 설계는 선박의 수중 형상을 결정하는 프로세스로, 선박의 저항 성능과 연료 효율에 직접적인 영향을 미친다.

아날로그 시대에는 설계자가 대형 제도판에서 수천 장의 도면을 직접 그렸으며, 선형의 수중 저항을 측정하기 위해 나무나 밀랍으로 만든 축소 모델을 예인 수조(Towing Tank)에서 물리적으로 테스트했다.[5] 이 방식은 하나의 선형을 테스트하는 데 수주가 소요되었고, 테스트 가능한 선형의 수가 물리적으로 제한되었다.

IT/클라우드 시대에는 3D CAD(Computer-Aided Design)와 전산유체역학(CFD: Computational Fluid Dynamics)이 도입되어 물리적 모델 없이도 가상 공간에서 선형의 수중 저항을 시뮬레이션할 수 있게 되었다.[1] 그러나 CFD 시뮬레이션 자체도 상당한 계산 시간이 필요했으며, 설계자가 시뮬레이션할 선형 후보를 먼저 선정해야 하는 구조적 한계가 있었다.

AI 적용 방법

AI 생성형 설계(Generative Design)는 이 한계를 근본적으로 해소한다.

설계자가 목표 제약 조건(중량, 수중 저항, 재료비, 적재 용량 등)을 설정하면, AI가 수천 가지의 선형 후보를 자동으로 생성하고, 각 후보에 대해 CFD 기반 성능 평가를 수행한다.[5] Autodesk Generative Design과 Siemens NX AI 등 생성형 설계를 지원하는 상용 제품이 존재하며, 조선/해양 분야에서도 이를 활용한 선형 최적화 사례가 보고되고 있다. 이러한 접근법은 과거 수개월이 소요되던 선형 탐색 과정을 수일 수준으로 단축할 수 있는 잠재력을 지닌다.[5] 또한, 다목적 최적화(Multi-Objective Optimization) 기법을 통해 저항 최소화, 화물 적재량 최대화, 구조 강도 확보 등 상충하는 목표들 사이의 최적 균형점(Pareto Front)을 자동으로 도출한다.

1.2.2 구조 해석 (Structural Analysis) — [시범]

구조 해석은 선박의 선체와 주요 구조물이 운항 중 발생하는 하중(파도, 화물, 온도 변화 등)에 충분히 견딜 수 있는지를 검증하는 프로세스이다.

아날로그 시대에는 경험식(empirical formula)에 기반한 수계산이 주로 사용되었다.

IT/클라우드 시대에는 유한요소해석(FEA: Finite Element Analysis) 소프트웨어가 도입되어 복잡한 하중 조건에서의 응력 분포를 시뮬레이션할 수 있게 되었다.[1]

AI 적용 방법

AI 네이티브 시대에는 두 가지 방향에서 AI가 구조 해석에 적용되고 있다.

첫째, 머신러닝(ML) 기반 대리 모델(Surrogate Model)이다. 기존 FEA 시뮬레이션은 하나의 하중 조건에 대해 수시간의 계산 시간이 필요하다. ML 대리 모델은 다수의 FEA 결과를 학습하여, 새로운 설계안에 대한 구조 성능을 실시간(수초 이내)으로 예측한다.[7] 이를 통해 설계 초기 단계에서 수천 개의 설계안을 빠르게 선별할 수 있다.

둘째, 디지털 트윈 연동이다. 실제 운항 중인 선박의 센서 데이터(선체 변형, 응력, 진동)를 디지털 트윈에 실시간으로 반영하여, 구조적 피로도(fatigue)를 누적 추적하고, 잔여 수명을 예측하는 방식이다.[7][23]

이 데이터는 다시 차기 선박의 구조 설계에 피드백되어, 설계상의 가설을 실측 데이터로 검증하는 폐쇄 루프를 형성한다.

1.2.3 규제 검토 (Regulatory Compliance) — [시범]

선박 설계는 IMO(International Maritime Organization), 선급협회(Classification Society), 기국(Flag State) 등이 규정한 수천 페이지 분량의 국제 규정을 준수해야 한다.

아날로그 시대에는 설계자가 종이 규정집을 수동으로 대조하며 적합성을 확인했다.

IT/클라우드 시대에는 디지털 규정 데이터베이스 검색이 가능해졌으나, 규정 간 상호 참조와 해석에는 여전히 전문가의 판단이 필요했다.[7]

AI 적용 방법

NLP(Natural Language Processing) 기반 규제 자동 검토 시스템은 설계 도면과 사양서를 분석하여 관련 규정과의 적합성을 자동으로 판정한다.[7] 예를 들어, 특정 구역의 강판 두께가 선급 규정에서 요구하는 최소 두께를 충족하는지, IMO의 안전 규정에서 요구하는 구획(compartment) 배치가 적절한지 등을 자동으로 검증한다. 규정이 개정될 경우, AI 시스템이 기존 설계에 미치는 영향을 자동으로 분석하여 수정이 필요한 부분을 식별하는 기능도 개발되고 있다.

주요 선급협회들은 AI 기반 규제 검토 도구의 개발 및 파일럿 적용을 추진하고 있는 것으로 알려져 있다.[7]

1.2.4 재료 선정 (Material Selection) — [연구]

재료 선정은 선박의 각 구성 요소에 적합한 강재, 합금, 코팅 등을 결정하는 프로세스이다.

아날로그 시대에는 경험에 기반한 선정이 일반적이었으며, IT/클라우드 시대에는 재료 데이터베이스 조회가 가능해졌다.

AI 적용 방법

ML 기반 재료 추천 시스템은 설계 조건(요구 강도, 내식성, 용접성, 비용 제약)과 과거 적용 실적 데이터를 종합하여 최적의 재료와 대체재를 추천한다.[5]

특히 IMO의 2030 탄소 감축 목표와 연계하여, 탄소 발자국(Carbon Footprint)을 최소화하는 재료 조합을 제안하는 기능이 연구되고 있다. 이 분야는 현재 학술 연구 단계에 있으나, 향후 순환경제(Circular Economy) 관점에서 재활용 가능성까지 고려하는 지능형 재료 선정으로 발전할 가능성이 높다.[17]

1.3 설계 단계 AI 적용 종합

2. 영업 및 금융 단계

2.1 단계 개요

영업 및 금융 단계는 선주의 발주 요청에서 시작하여 견적 산출, 신용 평가, 계약 체결까지를 포함한다.

선박이 단일 자산으로는 세계에서 가장 비싼 물건 중 하나라는 점에서, 이 단계의 금융 프로세스는 일반 제조업과 비교할 수 없을 만큼 복잡하다.[4]

아날로그 시대에는 전 과정이 대면 협상과 수작업 문서에 의존했으며, 견적 산출에만 수주가 소요되었다.[16]

IT/클라우드 시대에는 ERP 시스템과 CRM 도구가 도입되어 수주 정보 관리가 체계화되었으나, 견적 산출의 핵심 로직은 여전히 전문가의 경험에 의존하는 부분이 컸다.

2.2 세부 프로세스별 AI 적용

2.2.1 수주 분석 (Order Analysis) — [상용화]

수주 분석은 선주의 발주 요청을 접수한 후, 해당 수주를 수락할 경우의 수익성과 리스크를 평가하는 프로세스이다.

아날로그 시대에는 각 부서(설계, 생산, 자재, 인사)에 수동으로 회람하여 가동률과 인력 현황을 확인했다.

IT/클라우드 시대에는 ERP 시스템을 통해 가동률 데이터를 자동으로 조회할 수 있게 되었으나, 수주의 전략적 가치 판단은 경영진의 정성적 판단에 의존했다.

AI 적용 방법

AI 수주 분석 시스템은 조선소의 현재 가동률, 인력 현황, 도크 점유 일정, 글로벌 강재 가격 추이, 환율 변동 전망 등을 실시간으로 분석하여 특정 수주의 예상 수익률을 산출한다.[4][22]

예를 들어, '이 수주를 수락하면 6개월 후 도크 가동률 공백 시점과 정확히 맞물려 유휴 비용을 줄일 수 있다', '이 선주는 과거 3건의 수주에서 설계 변경 요청을 평균 12회 했으므로 설계 변경 리스크 프리미엄을 반영해야 한다'와 같은 분석을 자동으로 수행한다. 이를 통해 경영진은 정량적 근거에 기반한 수주 의사결정을 내릴 수 있게 된다.

2.2.2 견적 산출 (Cost Estimation) — [상용화]

견적 산출은 선박 건조에 소요되는 총 비용(재료비, 인건비, 간접비 등)을 추정하여 선주에게 제시하는 프로세스이다.

아날로그 시대에는 과거 유사 선박의 실적 데이터와 전문가의 경험에 기반한 수동 산출이 일반적이었다.

AI 적용 방법

AI 동적 원가 추정 모델은 과거 건조 실적 데이터, 실시간 자재 가격 변동, 환율 전망, 노동 시장 상황 등 다변량 데이터를 종합하여 견적을 자동 산출한다.[5][22]

특히 글로벌 강재 가격이 변동하면 견적서의 자재비 항목이 실시간으로 업데이트되며, 설계 변경에 따른 비용 영향(Cost Impact)도 즉시 반영된다.

이러한 시스템을 통해, 과거 수주가 소요되던 견적 산출 과정이 수시간~수일 수준으로 단축될 수 있는 것으로 보고되고 있다.

2.2.3 신용 평가 (Credit Assessment) — [상용화(일반 금융) / 시범(선박 금융)]

선박 건조 금융은 통상 건조 비용의 상당 부분을 대출로 조달하는 구조이다. 신용 평가는 선주(차주)의 상환 능력을 판단하는 프로세스로, 아날로그 시대에는 재무제표 수동 심사와 담보 평가에 수주가 소요되었다.[9]

AI 적용 방법

AI 신용 스코어링은 일반 금융(소비자금융, 기업대출 등) 분야에서는 이미 상용 솔루션이 존재하며 실제 운영 사례가 다수 보고되고 있다. Appinventiv(2024)와 Scalence(2024)는 AI 신용 스코어링이 대체 데이터(alternative data)를 결합하여 대출 의사결정의 속도와 정확성을 향상시킨다고 분석하고 있다.[12][13] HES FinTech(2025)는 AI 기반 대출 심사가 처리 시간 단축과 부실률 저감에 기여한다고 보고하고 있다.[10]

선박 금융에 특화된 AI 신용 평가의 경우, 선주의 과거 운항 기록, 보유 선대의 연료 효율성, 사고 이력, 용선 계약의 안정성 등 해운업 고유의 비정형 데이터를 학습하여 보다 정밀한 신용도를 산정하는 방향으로 연구 및 적용이 진행되고 있으나, 선박 금융에 특화된 공개 상용 사례는 아직 제한적이다.

2.2.4 계약 체결 (Contract Execution) — [시범]

선박 건조 계약은 건조 사양, 인도 일정, 대금 지급 조건, 지연 위약금, 성능 보증 조항 등이 포함된 복잡한 법률 문서이다.

아날로그 시대에는 물리적 서류에 날인하고 보관했으며, IT/클라우드 시대에는 전자 서명과 클라우드 저장이 도입되었다.

AI 적용 방법

블록체인 기반 스마트 계약(Smart Contract)은 계약 조건의 이행을 자동으로 검증하고 집행한다.

Virtue Marine(2024)에 따르면, 싱가포르와 노르웨이의 일부 조선소에서는 '선체 블록 조립 완료', '진수 완료' 등 사전 정의된 마일스톤이 달성되면 자동으로 중도금이 집행되는 스마트 계약을 시범 운영하고 있다.[14] Deep Digital Marine(2024)은 이 기술이 분쟁 감소와 거래 투명성 향상에 기여할 수 있다고 분석하면서도, 법적 효력의 관할권별 차이와 시스템 표준화 등의 과제가 남아 있음을 지적하고 있다.[15]

2.3 영업 및 금융 단계 AI 적용 종합

3. 조달 및 공급망 단계

3.1 단계 개요

선박 한 척을 건조하려면 수천 개의 부품과 자재가 필요하며, 이 부품들은 전 세계에서 조달된다. 엔진은 독일이나 일본, 강판은 한국이나 중국, 전자장비는 유럽 각지에서 공급되는 글로벌 공급망 구조를 갖고 있다.[16]

아날로그 시대에는 부품 하나의 지연이 전체 공정 중단으로 이어지는 경우가 빈번했으며, 조달 상태 추적은 전화와 이메일에 의존했다.

IT/클라우드 시대에는 EDI(Electronic Data Interchange)와 ERP 시스템이 도입되어 발주와 재고 관리가 체계화되었으나, 공급망 전체를 실시간으로 가시화하고 리스크를 예측하는 데는 한계가 있었다.

3.2 세부 프로세스별 AI 적용

3.2.1 수요 예측 (Demand Forecasting) — [상용화]

수요 예측은 선박 건조에 필요한 자재와 부품의 소요량과 소요 시점을 미리 산정하는 프로세스이다.

아날로그 시대에는 유사 선박의 과거 자재 소요 실적에 기반한 경험적 추정이 일반적이었다.

IT/클라우드 시대에는 ERP 기반 MRP(Material Requirement Planning)가 도입되어 BOM(Bill of Materials) 기반의 체계적 소요 산출이 가능해졌다.

AI 적용 방법

ML 기반 수요 예측 모델은 과거 건조 실적 데이터, 설계 변경 이력, 공정 진행률, 외부 시장 데이터(강재 가격 추이, 환율 변동 등)를 종합하여 자재별 소요 시점과 수량을 예측한다.

Spendflo(2026)의 분석에 따르면, AI 예측 조달은 전통적 MRP 대비 재고 정확도를 유의미하게 향상시키며, 동적 안전재고(Dynamic Safety Stock) 설정을 통해 과잉 재고와 재고 부족을 동시에 줄인다.[11] AVEVA(2024)는 디지털 조선 기술 도입이 재고 비용 절감과 긴급 발주 감소에 기여하고 있다고 보고하고 있다.[20]

3.2.2 공급사 선정 및 리스크 관리 (Supplier Selection) — [시범]

공급사 선정은 품질, 가격, 납기, 재무 안정성 등을 종합 평가하여 최적의 공급사를 결정하는 프로세스이다. 아날로그 시대에는 관계 기반 선정이 일반적이었으며, IT/클라우드 시대에는 입찰 포탈과 공급사 평가 데이터베이스가 도입되었다.

AI 적용 방법

AI 공급사 리스크 스코어링 시스템은 공급사의 재무 상태, 납기 준수율, 품질 이력, 지정학적 리스크, 기상 패턴 등을 실시간으로 분석하여 공급사별 리스크 점수를 산정한다.

예를 들어, 특정 공급사가 위치한 지역에 폭설이나 태풍이 예보되면 해당 공급사의 납기 지연 확률을 자동으로 상향 조정하고, 대체 공급사를 사전에 식별하여 제안한다. 이 접근법은 공급망 중단 리스크를 사전에 감지하고 대응하는 선제적 공급망 관리를 가능하게 한다.

3.2.3 물류 추적 (Logistics Tracking) — [상용화]

물류 추적은 발주된 자재와 부품이 공급사에서 출발하여 조선소에 도착하기까지의 이동 상태를 모니터링하는 프로세스이다.

아날로그 시대에는 전화와 이메일에 의존했으며, IT/클라우드 시대에는 EDI와 GPS 기반 추적이 도입되었다.

AI 적용 방법

IoT 센서와 AI를 결합한 실시간 물류 추적 시스템은 자재의 현재 위치, 운송 환경(온도, 습도, 충격), 예상 도착 시간(ETA)을 실시간으로 제공한다. AI는 기상 데이터, 항만 혼잡도, 운송 경로의 교통 상황 등을 분석하여 ETA를 동적으로 조정하며, 지연이 예상되면 조선소의 공정 스케줄에 미치는 영향을 자동으로 분석하여 대응 방안(작업 순서 변경, 대체 운송 수단 확보 등)을 제안한다.

3.2.4 재고 관리 (Inventory Management) — [시범]

재고 관리는 자재와 부품의 입고, 보관, 출고를 관리하는 프로세스이다. 조선소 야드의 공간 제약 특성상, 자재를 너무 일찍 입고하면 보관 공간 부족 문제가 발생하고, 너무 늦게 입고하면 공정이 지연된다.

아날로그 시대에는 입출고를 기록한 수불부에 기반해 관리했으며, IT/클라우드 시대에는 ERP의 재고 관리 기능을 기반 수불부를 개발해 관리하였다.

AI 적용 방법

AI 동적 재고 최적화 시스템은 건조 공정 진행률, 자재별 리드타임, 야드 보관 공간 상태를 종합하여 각 자재의 최적 입고 시점(JIT: Just-In-Time)을 산정한다. 이 시스템은 공정 스케줄이 변경되면 자재 입고 일정을 자동으로 재계산하며, 야드 보관 공간의 활용 효율을 최적화한다.

이 영역은 AI 도입의 'Quick Win' 영역으로 분류되며, 초기 투자 대비 회수 기간이 상대적으로 짧은 것으로 보고되고 있다.[20]

3.3 조달 및 공급망 단계 AI 적용 종합

4. 생산 및 건조 단계

4.1 단계 개요

생산 및 건조 단계는 조선업에서 가장 노동집약적이며, 전체 프로젝트 비용의 가장 큰 비중을 차지하는 단계이다. ResearchGate(2024)에 게재된 'The Role of AI in Global Commercial and Military Shipbuilding' 연구에 따르면, AI 기술은 작업 계획 최적화, 품질 검사 자동화, 야드 물류 효율화 등 건조 전 과정에 걸쳐 적용이 가능하다.[22]

건조 과정은 강재 절단, 가공, 소조립, 중조립, 대조립, 탑재, 진수, 안벽 의장, 시운전의 순서로 진행되며, 각 단계에서 수만 건의 작업이 동시에 수행된다.

4.2 세부 프로세스별 AI 적용

4.2.1 작업 계획 및 스케줄링 (Production Planning) — [시범]

작업 계획은 수만 건의 개별 작업을 시간, 공간, 인력, 장비 자원에 최적으로 배분하는 프로세스이다.

아날로그 시대에는 수기 간트 차트와 작업 지시서에 의존했으며, IT/클라우드 시대에는 프로젝트 관리 소프트웨어(MS Project, Primavera 등)가 도입되었다.

그러나 조선업의 작업 계획은 수만 개의 상호 의존적 작업, 기상에 따른 옥외 작업 가변성, 설계 변경에 따른 연쇄적 일정 조정 등 극도로 높은 복잡도를 가지고 있어, 기존 소프트웨어만으로는 최적화에 한계가 있었다.

AI 적용 방법

AI 동적 스케줄링 시스템은 강화학습(Reinforcement Learning, RL) 기반으로 작업 순서와 자원 배분을 실시간으로 최적화한다. 기상 변화로 옥외 작업이 불가능해지면 실내 작업으로 자동 전환하고, 특정 블록의 자재 도착이 지연되면 다른 블록의 작업을 앞당기는 등 동적 재스케줄링을 수행한다.

National Defense Magazine(2026)은 AI와 디지털 트윈이 조선소의 공정 적체(backlog) 문제 해결에 핵심적인 역할을 할 것으로 전망하고 있다.[24]

4.2.2 용접 및 강재 가공 (Welding & Fabrication) — [시범]

용접은 선박 건조의 가장 핵심적인 작업이며, 선박 품질의 대부분을 결정한다.

아날로그 시대에는 숙련 용접공의 100% 수동 작업이었으며, IT/클라우드 시대에는 반자동 용접 로봇이 도입되어 직선 용접 등 단순 작업이 자동화되었다.

AI 적용 방법

AI 적응형 용접 로봇은 용접 부위의 형상, 재질, 두께를 실시간으로 인식하여 용접 파라미터(전류, 전압, 속도, 와이어 공급량)를 자동으로 조정한다. 특히 LNG 탱크처럼 극저온 환경에서 운영되는 구조물의 특수 용접에 AI의 적용이 기대된다.

숙련공의 고령화 문제와 관련하여, TU Delft(2024)는 베테랑 용접공의 작업 패턴을 센서와 카메라로 기록하고 AI가 분석하여 AR 글래스를 통해 신입 기술자에게 실시간 가이드를 제공하는 '디지털 마스터' 개념을 소개하고 있다.[19]

Institute for Human Rights and Business(2022)의 보고서에 따르면 조선업 숙련공의 평균 연령이 지속적으로 상승하고 있으며, 이에 따라 축적된 암묵지(tacit knowledge)의 소실 위험이 커지고 있어 AI 기반 기술 전수의 필요성이 더욱 부각되고 있다.[18] 이것이 이재명 대통령이 조선업의 문제를 지적하는 지점과 정확하게 맞닿아 있다.

4.2.3 품질 검사 (Quality Inspection) — [상용화]

품질 검사는 용접 부위, 도장 상태, 조립 정밀도 등을 검증하는 프로세스이다.

아날로그 시대에는 검사관의 육안 검사와 수기 기록에 의존했으며, IT/클라우드 시대에는 비파괴검사(NDT: Non-Destructive Testing) 장비와 디지털 기록 시스템이 도입되었다.

AI 적용 방법

컴퓨터 비전(Computer Vision) 기반 AI 품질 검사 시스템은 고해상도 카메라로 용접 부위를 실시간 스캔하여, 인간의 육안으로 감지하기 어려운 미세한 기포, 균열, 언더컷(undercut), 용입 불량 등을 자동으로 탐지한다.[22] 이러한 솔루션은 상용 제품으로 존재하며 일부 조선소에서 특정 공정(예: 패널 라인 용접, 도장 검사 등)에 도입된 사례가 보고되고 있다.

다만, 조선소의 작업 조건 편차가 크기 때문에 전 공정에 걸친 표준 운영 단계에 이르렀다고 보기는 어려우며, 라인별·대상 결함별로 단계적으로 확산되는 추세이다.[19]

TU Delft(2024)의 분석에 따르면, AI 기반 품질 검사는 용접 재작업률을 유의미하게 감소시키며, 검사 인력을 단순 반복 검사에서 고부가 판정 업무로 재배치할 수 있는 기반을 제공한다.[19]

이 영역은 조달 자동화와 함께 AI 도입의 조기 성과(Quick Win) 영역으로, 투자 대비 회수 기간이 상대적으로 짧은 것으로 평가되고 있다.

4.2.4 블록 물류 및 야드 관리 (Block Logistics) — [연구/시범]

선박 건조는 수십 개의 대형 블록을 조립하는 방식으로 진행되며, 각 블록의 제작, 이동, 보관, 탑재 순서가 야드 운영 효율에 직접적인 영향을 미친다.

아날로그 시대에는 크레인 운전원의 경험에 의존한 수동 운영이 일반적이었다.

AI 적용 방법

AI 블록 배치 최적화 시스템은 야드의 가용 공간, 크레인의 작업 반경과 하중 용량, 블록의 크기와 무게, 다음 공정까지의 대기 시간 등을 종합하여 각 블록의 최적 보관 위치를 산정한다. 이를 통해 크레인의 이동 거리를 최소화하고, 다음 공정과의 연계를 고려한 효율적 배치가 가능해진다.

자율주행 AGV(Automated Guided Vehicle)를 활용한 블록 이동은 현재 시범 운영 단계에 있으며, 복잡한 야드 환경에서의 안전성 확보가 상용화의 주요 과제로 남아 있다.[19]

4.2.5 조선소 휴머노이드 로봇 (Shipyard Humanoid Robots) — [연구/시범]

지금까지 살펴본 용접 로봇, 품질 검사 AI, AGV는 모두 '특정 작업에 특화된' 자동화 솔루션이다.

그런데 조선소에는 이러한 특화 로봇으로 해결할 수 없는 근본적인 문제가 있다.

조선소는 공장이 아니다. 고정형 로봇 암은 레이아웃이 일정한 자동차 공장에서는 효과적이지만, 비계를 오르고, 좁은 선체 구획에 들어가고, 매일 바뀌는 현장 조건에 적응해야 하는 조선소 환경에는 구조적으로 맞지 않는다.[H8] 선박 한 척의 내부는 수천 개의 밀폐 공간, 경사면, 협소한 통로로 구성되어 있으며, 건조가 진행될수록 작업 환경이 매일 달라진다. 이것이 조선업계가 범용 휴머노이드 로봇에 주목하는 핵심 이유이다.[H8]

여기에 인력 위기가 겹친다. Lloyd's List(2025) 등 해운 전문 매체 보도에 따르면, 한국조선해양플랜트협회(KOSHIPA)는 국내 조선업이 연평균 12,000명 이상의 인력 부족에 직면하고 있으며, 2027년까지 누적 부족이 13만 명에 이를 것으로 전망한 바 있다.[H6]

2024년 기준 한국 조선소 인력의 상당수가 외국인 근로자로 채워지고 있으며, 신규 채용에서도 임시 비자 소지 외국인의 비중이 높은 것으로 보도되고 있다.[H9]

미국의 경우에도 Persona AI의 분석에 따르면 조선소 숙련 기술직의 이직률이 높으며, 2030년까지 숙련 인력의 상당수가 퇴직할 것으로 예상된다.[H8]

엑소스켈레톤(외골격 로봇)이 피로 경감에는 도움이 되지만, 근본적으로 '사람이 부족하다'는 문제 자체를 해결하지는 못한다.[H8]

현재 진행 중인 프로젝트

2025년을 기점으로 조선소 휴머노이드 로봇은 개념 단계를 넘어 실증 단계에 진입했다. 현재 확인 가능한 주요 프로젝트는 다음과 같다.

첫째, Persona AI와 HD현대의 협력이다.

2025년 5월, 휴스턴 기반 로봇 스타트업 Persona AI가 HD한국조선해양(HD KSOE), HD현대 로보틱스, 부산 기반 자동화 기업 Vazil과 공동 프로그램 계약을 체결했다.[H1]

이 프로젝트의 목표는 조선소 환경에서 정밀 용접을 수행할 수 있는 이족 보행 휴머노이드 로봇을 개발하는 것이다.

Persona AI가 휴머노이드 하드웨어와 AI 기반 제어/학습 알고리즘을 개발하고, Vazil이 용접 도구와 산업 테스트 환경을 제공하며, HD KSOE가 실제 조선소 현장에서의 배치를 지원하고, HD현대 로보틱스가 용접 경로 AI 학습 데이터와 성능 검증을 담당한다.[H1][H2]

프로토타입 완성은 2026년 말, 현장 테스트 및 상용 배치는 2027년을 목표로 하고 있다.[H2]

Persona AI는 NASA의 로봇 핸드 IP를 상용화하는 기업으로, 'Pick Your Persona'라는 모듈형 플랫폼을 통해 하나의 하드웨어 기반으로 용접공, 검사관, 조립공 등 다양한 역할을 수행할 수 있도록 설계하고 있다.[H8]

둘째, NEURA Robotics와 HD현대삼호의 협력이다.

2025년 7월, 독일 인지 로봇 전문기업 NEURA Robotics가 HD현대삼호, HD현대 로보틱스와 전략적 파트너십을 체결했다.[H3]

이 프로젝트는 사족 보행(quadruped) 로봇과 휴머노이드 로봇을 실제 조선소 환경에서 공동 개발하고 테스트하는 것을 목표로 한다.

NEURA Robotics는 자사의 휴머노이드 플랫폼 '4NE1'을 투입하며, HD현대삼호는 실제 조선소 현장을 데모 환경으로 제공하여 용접 및 조립 작업에서의 실용성을 검증한다.[H3][H4]

주목할 점은, HD현대의 모회사 격인 현대자동차그룹이 Boston Dynamics를 보유하고 있음에도, 이번 프로젝트에서는 자체 로봇이 아닌 독일 NEURA의 외부 기술을 채택했다는 것이다.[H5]

이는 Boston Dynamics의 범용 로봇이 조선소라는 특수한 산업 환경에 최적화되어 있지 않으며, NEURA의 인지 로봇(cognitive robot) 기술이 조선소의 비정형 작업 환경에 더 적합하다고 판단한 결과로 해석된다.

셋째, ABS와 Persona AI의 협력이다.

2025년 9월, 세계 최대 선급협회 중 하나인 ABS(American Bureau of Shipping)가 Persona AI와 MOU를 체결했다.[H7]

이 프로젝트의 핵심은 단순한 작업 자동화가 아니라, 휴머노이드 로봇이 수집한 데이터를 선박 건조 과정의 분류(classification) 검사에 활용하기 위한 새로운 ABS 표준을 개발하는 것이다.[H7]

즉, 로봇이 용접하는 것을 넘어 로봇이 검사하고 그 검사 데이터가 선급 인증에 활용되는 단계까지 나아가는 것이다. ABS 사장 John McDonald는 이 협력이 "조선 산업에서 휴머노이드 로봇이 복잡한 작업을 안정적이고 안전하게 수행할 수 있도록 하는 표준과 프로토콜을 확립하는 것"이라고 밝혔다.[H7]

넷째, HD현대삼호의 최신 동향이다.

2026년 2월 현재, HD현대삼호는 조선소 내 휴머노이드 로봇 도입을 위한 ROI 분석을 진행하고 있으며, 어떤 작업 영역에 로봇을 배치하는 것이 가장 효과적인지를 평가하고 있다.[H9]

2025년에 이미 데모 행사에서 휴머노이드 로봇을 활용한 자재 이동과 용접 작업을 시험했으며, 초기에는 저난이도 작업부터 시작하여 점차 고부가가치 작업으로 확대하는 단계적 접근법을 채택하고 있다.[H9]

물리적 배치 목표는 2027년이며, 이에 앞서 직원들에 대한 집중적인 AI 도구 교육을 실시할 계획이다.[H9]

한편, HD현대와 DSME에서는 소형 단일 목적 협동 로봇(co-bot)이 이미 효과를 입증하고 있다.

사람이 로봇 암을 운반하고 설치하면, 로봇이 숙련 용접을 수행하고 그 사이에 작업자는 다른 작업을 수행하는 방식이다. HD현대의 패널 조립 라인에서는 사족 보행 자율 이동 로봇이 이미 반구조화된 환경에서 운영 중이다.[H9]

조선소 휴머노이드의 기술적 과제

조선소 환경에서 휴머노이드 로봇이 실제로 작동하려면 해결해야 할 기술적 과제가 적지 않다.

현재 대부분의 휴머노이드 로봇 배터리 구동 시간은 약 2시간 수준이며, 8시간 교대 근무를 커버하려면 교체형 배터리나 충전 인프라가 필요하다.[H10]

조선소의 분진, 용접 스파크, 기상 조건에 대한 내구성 확보도 과제이다.

그러나 Bain & Company(2025)의 분석에 따르면, 지능(intelligence)과 인식(perception) 기술은 빠르게 발전하고 있으며, 산업 환경 같은 통제된 공간에서의 배치가 가장 먼저 이루어질 것으로 전망된다.[H10]

이 흐름이 의미하는 것

조선소 휴머노이드 로봇은 아직 상용화 단계는 아니지만, 2025년 한 해에만 HD현대 그룹이 Persona AI, NEURA Robotics와 잇따라 파트너십을 체결하고, 선급협회 ABS까지 참여하여 인증 표준을 개발하기 시작했다는 사실은 이 기술이 더 이상 먼 미래의 이야기가 아님을 보여준다.[H1][H3][H7]

2027년 현장 배치 목표는 3년 이내에 조선소에서 사람과 휴머노이드 로봇이 함께 일하는 장면이 현실화될 수 있음을 시사한다.[H2][H9]

조선업의 자동화는 용접 로봇 → 협동 로봇(co-bot) → 휴머노이드 로봇으로 진화하고 있으며, 이 진화의 방향은 '인간이 일하는 환경을 로봇에 맞춰 바꾸는 것'이 아니라 '인간의 환경에 로봇이 적응하는 것'이다.[H8]

4.3 생산 및 건조 단계 AI 적용 종합

Part 2에서는 선박이 바다에 나간 이후의 이야기를 이어간다. 20~30년에 걸친 운영 기간의 AI 항로 최적화와 예측 정비, 동적 보험 요율과 지능형 추심의 애프터마켓 혁신, 그리고 순환경제를 실현하는 AI 기반 해체/재활용까지. 조선업 밸류체인의 나머지 절반을 다룬다.

참고문헌

본문에서 인용한 참고문헌의 상세 정보이다. 각 항목에 제목, 출처 기관, 발행 연도, 접근 가능한 URL 또는 DOI를 포함하였다. 참고문헌은 학술 논문·국제기구 보고서·선급 발표 등 1차 출처와, 산업 분석·기술 블로그 등 2차 출처를 포함한다. 2차 출처(벤더 블로그, 컨설팅 리포트 등)는 트렌드와 개념 설명의 맥락으로 인용하였으며, 본문의 정량 수치 및 KPI는 가능한 한 1차 출처에 기반하였다.

[1] "Leveraging Digital Tools Towards Ship Design and Production," IMarEST (Institute of Marine Engineering, Science & Technology), 2023. https://library.imarest.org/record/11257/files/EAAW_9_paper_11.pdf

[2] UNCTAD, Review of Maritime Transport 2024: Navigating Maritime Chokepoints, United Nations Conference on Trade and Development, 2024. https://unctad.org/publication/review-maritime-transport-2024

[3] Flevy.com, "Shipping Industry Value Chain: Deep Dive," 2024. https://flevy.com/blog/shipping-industry-value-chain-deep-dive/

[4] Danish Ship Finance, Shipping Market Review – November 2024, Danmarks Skibskredit, 2024. https://skibskredit.dk/wp-content/uploads/2024/11/Shipping-Market-Review-2024-November.pdf

[5] Thakur, S., Verma, A. et al., "Generative AI in Ship Design," arXiv preprint arXiv:2408.16798, 2024. https://arxiv.org/abs/2408.16798

[6] Trinh, P.N. et al., "Shipbuilding 4.0: A Systematic Literature Review," Applied Sciences, Vol. 14, No. 14, 6363, MDPI, 2024. https://www.mdpi.com/2076-3417/14/14/6363

[7] "AI, Mixed Reality, and the Digital Future of Shipbuilding," SSI (ShipConstructor Software Inc.), 2024. https://www.ssi-corporate.com/blog-lighthouse/ai-in-shipbuilding/

[8] "Ship Recycling: End of Life for a Ship but No End to Regulations," Riviera Maritime Media. https://www.rivieramm.com/news-content-hub/ship-recycling-end-of-life-for-a-ship-but-no-end-to-regulations-87144

[9] "Settlement Administration: Comparing Wire Transfer Methods vs ACH Digital Payments," Talli, 2024. https://blog.talli.ai/settlement-administration-comparing-wire-transfer-methods-vs-ach-digital-payments/

[10] "AI in Lending: AI Credit Regulations Affecting Lending Business 2025," HES FinTech, 2025. https://hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending/

[11] "The Evolution of Procurement: From Paper to AI In 2026," Spendflo, 2026. https://www.spendflo.com/blog/evolution-of-procurement

[12] "AI Credit Scoring for Smarter Lending AI Now," Scalence, 2024. https://www.scalence.com/blogs/ai-credit-scoring-smarter-lending/

[13] "Integration of AI in Credit Scoring Platforms: Use Cases, Benefits & Challenges," Appinventiv, 2024. https://appinventiv.com/blog/ai-credit-scoring/

[14] "How Blockchain Could Revolutionize the Maritime Industry," Virtue Marine, 2024. https://www.virtuemarine.nl/post/how-blockchain-could-revolutionize-the-maritime-industry

[15] "Navigating the Future: Revolutionizing the Maritime Industry with AI and Blockchain Technologies," Deep Digital Marine, Medium, 2024. https://medium.com/@deepdigitalmarine/navigating-the-future-revolutionizing-the-maritime-industry-with-ai-and-blockchain-technologies-6ff554526744

[16] "Shipping Industry Value Chain: Deep Dive," Flevy.com, 2024. https://flevy.com/blog/shipping-industry-value-chain-deep-dive/

[17] "How AI Is Starting to Transform Circular Packaging," Bain & Company, 2024. https://www.bain.com/insights/how-ai-is-starting-to-transform-circular-packaging/

[18] THE SHIP LIFECYCLE, Institute for Human Rights and Business, 2022. https://ihrb-org.files.svdcdn.com/production/assets/uploads/briefings/Shipping_Lifecycle-vF.pdf

[19] "Navigating shipbuilding 4.0: analysis and classification of technologies for the digital transformation of the sector," TU Delft Repository, 2024. https://repository.tudelft.nl/file/File_08bed111-6281-4af1-909a-cbef88d522ef

[20] "Digital shipbuilding: Cutting costs and lead times," AVEVA, 2024. https://www.aveva.com/en/perspectives/blog/digital-shipbuilding-cutting-costs-and-lead-times/

[21] "Navigating shipbuilding 4.0," Ship Technology Research, Taylor & Francis, 2025. DOI: 10.1080/09377255.2025.2522600

[22] "The Role of AI in Global Commercial and Military Shipbuilding," ResearchGate, 2024. https://www.researchgate.net/publication/390554382_The_Role_of_AI_in_Global_Commercial_and_Military_Shipbuilding

[23] "Unlocking the future of manufacturing with AI-powered digital thread," Microsoft Industry Blogs, 2025. https://www.microsoft.com/en-us/industry/blog/manufacturing-and-mobility/2025/03/13/unlocking-the-future-of-manufacturing-with-ai-powered-digital-thread/

[24] "AI, Digital Twins Seen as Solution to Shipyard Backlogs," National Defense Magazine, January 2026. https://www.nationaldefensemagazine.org/articles/2026/1/8/ai-digital-twins-seen-as-solution-to-shipyard-backlogs

조선소 휴머노이드 로봇

[H1] "Humanoid Robots to Help Humans Build Ships," IoT World Today, May 2025. https://www.iotworldtoday.com/robotics/humanoid-robots-to-help-humans-build-ships

[H2] "Humanoid Robotic Welders to Tackle Shipyard Automation," ASSEMBLY Magazine, June 2025. https://www.assemblymag.com/articles/99296-humanoid-robotic-welders-to-tackle-shipyard-automation

[H3] "NEURA Robotics & Hyundai: Robots for the future of shipbuilding," NEURA Robotics, July 2025. https://neura-robotics.com/neura-robotics-hd-hyundai-samho-and-hy-hyundai-robotics-partnership/

[H4] "NEURA Robotics partners with HD Hyundai on shipbuilding robots," The Robot Report, July 2025. https://www.therobotreport.com/neura-robotics-partners-hd-hyundai-shipbuilding-robots/

[H5] "HD Hyundai Tests Out a Humanoid Welding Robot in a Real Shipyard," The Maritime Executive, July 2025. https://maritime-executive.com/article/hd-hyundai-tests-out-a-humanoid-welding-robot-in-a-real-shipyard

[H6] "HD Hyundai invests in humanoid robots to solve labour shortage," Lloyd's List, July 2025. https://www.lloydslist.com/LL1154086/HD-Hyundai-invests-in-humanoid-robots-to-solve-labour-shortage

[H7] "ABS and Persona AI Partner to Bring Humanoid Robotics to Shipyards," BusinessWire, September 2025. https://www.businesswire.com/news/home/20250923457571/en/ABS-and-Persona-AI-Partner-to-Bring-Humanoid-Robotics-to-Shipyards-Advancing-Safety-and-Productivity

[H8] "Humanoid Robots for Shipyards," Persona AI, November 2025. https://persona.ai/humanoid-robots-for-shipyards/

[H9] "HD Hyundai Samho is Making Serious Plans to Install Humanoid Robots," The Maritime Executive, February 2026. https://maritime-executive.com/article/hd-hyundai-samho-is-making-serious-plans-to-install-humanoid-robots

[H10] "Humanoid Robots: From Demos to Deployment," Bain & Company Technology Report 2025. https://www.bain.com/insights/humanoid-robots-from-demos-to-deployment-technology-report-2025/