AI 산업안전 (기술 현황, 핵심 분석, 실전 전망)
국내 산업재해 사망자 수는 여전히 연간 800명대를 넘나들고 있습니다. 이 숫자를 처음 봤을 때, 솔직히 저는 '기술이 이렇게 발전했는데 아직도?'라는 생각을 먼저 했습니다. 그런데 현장에서 실제로 활용되고 있는 AI 기반 산업안전 기술을 들여다보니, 이미 꽤 많은 것이 바뀌고 있었고, 동시에 우리가 과신하고 있는 부분도 있었습니다.
현장이 먼저 바뀌고 있다: AI 안전 기술의 현황
일반적으로 산업 현장의 안전 관리는 사람이 순찰하고 점검표를 작성하는 방식이라고 알려져 있지만, 제 경험상 이미 그 그림은 상당 부분 달라졌습니다. 건설 현장에 설치된 AI CCTV는 작업자의 안전모 착용 여부를 실시간으로 판별하고, 이상 상황이 감지되면 즉시 관리자에게 알립니다. 그런데 여기서 멈추지 않습니다.
최근에는 VLM(Vision Language Model), 즉 시각과 언어를 동시에 이해하는 인공지능 모델이 현장에 도입되기 시작했습니다. VLM이란 이미지나 영상을 보는 것에 더해 언어적 맥락까지 함께 처리하는 멀티모달 AI를 뜻합니다. 단순히 "쓰러진 사람이 있다"가 아니라, 그 상황이 응급인지 아닌지를 판단하고, 작업자가 구조 신호를 보내는 행동까지 포착해 관리자에게 전달합니다. 처음 이 개념을 접했을 때는 과장처럼 들렸는데, 실제 구현 사례를 확인하고 나서는 생각이 바뀌었습니다.
제조업 쪽도 마찬가지입니다. 자동차 부품 공장처럼 기계 끼임 사고, 즉 협착(挾着) 사고가 빈번한 환경에서는 열화상 센서와 AI를 결합한 시스템이 활용되고 있습니다. 협착 사고란 회전하거나 움직이는 기계 부품 사이에 신체가 끼이는 사고를 말하며, 발생 즉시 치명적인 결과로 이어질 수 있습니다. 이 시스템은 기계 내부의 열원을 추적해 사람임이 감지되는 순간 설비를 자동 정지시킵니다. 인간의 반응 속도로는 절대 막을 수 없는 상황을 AI가 대신 처리하는 구조입니다.
반도체 공장처럼 가스 누출이나 고전압 위험이 상존하는 환경에서는 사족보행 로봇이 24시간 자율 순찰을 수행합니다. 이 로봇은 라이더(LiDAR) 센서를 탑재하고 있습니다. 라이더 센서란 레이저 빛을 발사해 반사 시간을 측정함으로써 주변 공간을 3D로 인식하는 기술을 뜻합니다. 여기에 초음파 카메라를 더해 가스 누출과 이상 온도를 동시에 감지하고, 데이터를 실시간으로 전송합니다. 사람이 들어가기 어려운 위험 구역에서 로봇이 대신 눈과 귀 역할을 한다는 게, 저는 이 기술 중 가장 실용적이라고 봤습니다.
기대와 현실 사이: 핵심 기술의 빛과 그림자
이런 기술들이 정말 현장에서 제 역할을 하는지, 저는 꽤 오래 의심했습니다. AI가 산업 현장에 도입된다고 하면 보통은 "시범 사업 수준"에 머물 것이라는 선입견이 있었기 때문입니다. 그런데 실제 사례를 추적해보니 이야기가 달랐습니다.
미국 텍사스의 건설 현장에서는 웨어러블(Wearable) 센서로 작업자의 체온과 심박을 실시간으로 측정해 온열 질환을 사전에 감지합니다. 웨어러블 센서란 신체에 부착하거나 착용하는 형태로 생체 데이터를 수집하는 소형 기기를 말합니다. 국내 배달 노동자 영역에서도 오토바이 충돌이나 전도 상황을 AI가 자동으로 감지해 구조 요청을 보내는 시스템이 적용되고 있습니다. 이 두 사례의 공통점은 "사고가 난 다음"이 아니라 "사고가 나기 직전"을 포착한다는 점입니다.
그렇다면 현재 AI 산업안전 기술의 핵심 역량은 무엇인가, 제가 정리한 기준으로 나열하면 다음과 같습니다.
- 실시간 이상 감지: 사람이 놓치는 순간을 AI가 연속적으로 모니터링
- 자동 개입 및 정지: 협착 사고처럼 반응 시간이 0에 가까워야 하는 상황에서 설비 자동 차단
- 예측 기반 경보: 열화상·생체 데이터를 분석해 사고 발생 전 선제 대응
- 위험 환경 대체 순찰: 사족보행 로봇을 통해 인간이 진입하기 어려운 구역 커버
다만 솔직히 이건 예상 밖이었습니다. 기술은 꽤 성숙해 있는데, 현장 적용의 속도는 기업 규모에 따라 편차가 큽니다. 대기업 계열 공장은 발 빠르게 도입하고 있지만, 중소 사업장은 여전히 도입 엄두를 못 내는 경우가 많습니다. 이 간극이 실제 산재 통계에 그대로 반영되고 있다는 게 저의 판단입니다. 한국산업안전보건공단(KOSHA)의 통계에서도 소규모 사업장의 산재 비율이 대형 사업장에 비해 현저히 높게 나타나고 있습니다.
기술이 현장에 뿌리내리려면: 실전 적용과 전망
디지털 트윈(Digital Twin) 기술도 점점 존재감을 드러내고 있습니다. 디지털 트윈이란 실제 물리 환경을 가상 공간에 그대로 복제해 시뮬레이션하는 기술을 뜻합니다. 신입 작업자가 실제 현장에 투입되기 전에 위험 구역을 가상으로 체험하고, 사고 상황을 반복 학습할 수 있습니다. 저는 이 기술이 AI CCTV나 로봇 순찰보다 오히려 더 즉각적인 효과를 낼 수 있다고 봅니다. 장비가 아무리 좋아도, 그것을 운영하는 사람이 위험 감수성을 갖추지 못하면 사고는 반복되기 때문입니다.
㈜미스릴 같은 스타트업이 이 시장에서 주목받는 이유도 여기 있습니다. 미스릴은 산업 환경에 특화된 파운데이션 모델(Foundation Model) 기반 AI 플랫폼을 개발 중입니다. 파운데이션 모델이란 방대한 데이터를 사전 학습해 다양한 하위 과제에 적용 가능한 대형 AI 기반 모델을 의미합니다. GS건설의 기업형 벤처캐피탈(CVC)인 엑스플로인베스트먼트로부터 투자를 유치한 것은, 단순한 자금 조달을 넘어 건설 현장이라는 특정 도메인에서의 실증 기회를 확보했다는 의미이기도 합니다. 제 경험상 스타트업이 산업 현장에 파고들 때 가장 큰 장벽이 "실증 데이터 부족"이었는데, 대형 건설사와의 연계는 그 장벽을 상당 부분 낮춰줍니다.
정부도 중소 사업장의 스마트 안전 장비 도입을 위한 보조금을 확대하고 있습니다. 스마트 안전 펜스처럼 기존에는 대기업 현장에서나 볼 수 있던 장비가 중소 사업장에도 보급되기 시작한 것은 분명히 긍정적인 신호입니다. 고용노동부의 산업안전 스마트화 지원 사업 역시 이 흐름의 일환입니다. 다만 기술이 보급된다고 해서 곧바로 사고가 줄어드는 건 아닙니다. 장비 도입 후 현장 운영 방식까지 함께 바뀌어야 한다는 점을, 저는 가장 중요한 변수로 봅니다.
산업 현장의 AI 안전 기술은 이미 "실험 단계"를 지났습니다. 문제는 기술의 수준이 아니라 얼마나 빠르게, 그리고 얼마나 제대로 현장에 심을 수 있느냐입니다. 대기업과 스타트업, 정부가 각자의 역할로 이 간극을 메워가는 지금, 중요한 것은 도입 이후의 운영 역량까지 함께 키우는 것입니다. 기술을 도입한 현장이 실제로 사고를 줄였는지, 그 데이터를 축적하고 공개하는 문화가 자리 잡아야 다음 단계로 넘어갈 수 있다고 생각합니다.
