[비즈한국] 儘管政府為增強產業競爭力，積極推動製造業向人工智慧轉型（AX）政策，但作為製造業基礎的中小及中堅企業，其生產現場對AI技術的應用仍處於起步階段。
這是因為大多數中小企業的智慧工廠建設仍處於基礎階段，加之投資回報的不確定性以及專業人才的匱乏，多重因素交織導致企業現場的技術承載力嚴重不足。因此，政策體系亟需改革：擺脫單純擴大支援企業數量的模式，轉而透過分階段提升現場基礎設施，並強化各部門間的協同，以引匯出實質性的成效。
即便是在智慧工廠，四分之三仍處於“基礎階段”
根據中小風險企業部和智慧製造創新推進團去年4月釋出的《第一次智慧製造創新實態調查》，國內製造業中小及中堅企業的製造AI採用率僅佔總數的0.1%。有采用計劃的企業也僅為1.6%。在擁有工廠的16萬3273家中小及中堅製造企業中，智慧工廠的普及率也僅停留於19.5%，而這被視為AI應用的前置階段。
即便將範圍縮小到已引進智慧工廠的企業，情況也並無太大改善。在已建立智慧工廠的企業中，僅有5.2%的企業採用了製造AI或制定了相關計劃。這意味著在通往智慧工廠下一階段的AI轉型面前，大多數企業停滯不前。此外，在已引入智慧工廠的企業中，75.5%仍處於基礎階段，意味著在邁向AI應用之前，還有一道需要跨越的門檻。
這種普及滯後現象與企業規模和地區差異緊密相關。國內企業整體的AI利用率顯示，大企業為48.8%，而中小企業僅維持在28.7%的水平。按行業劃分，服務業利用率為53.0%，而製造業僅為23.8%，相對較低。按地區劃分，首都圈（40.4%）與非首都圈（17.9%）的利用差距超過兩倍。這表明，傳統製造業比重越高的地區，其地方中小企業在將數字技術真正落地時越發困難。
投入7.5億韓元效果仍不明確，且缺乏專業人才
製造現場AI轉型進度緩慢的最主要原因，被認為是“數字轉型（DX）基礎薄弱”，即缺乏可實現資料收集與控制的環境。AI系統要學習工藝資料並執行質量檢測或裝置維護，必須以穩定的裝置介面和計算機網路為前提，但中小製造企業的智慧工廠普及率僅為19.5%。
即便審視已建立智慧工廠的企業內部，質的提升也十分緩慢。在引入智慧工廠的企業中，75.5%處於“基礎水平”，採用的技術也大多以庫存及資源管理的電子化（ERP，佔76.3%）為主。而工藝實時控制系統（MES，14.4%）、控制器（16.9%）以及工藝自動化機器人和AI模型的應用相對匱乏。
資料管理方式也尚未系統化。許多表示正在收集製造資料的企業，仍然依賴於操作員手動將產量或不良記錄寫入作業日誌的方式。這類碎片化資料缺乏時序連續性和標準規格，難以直接應用於高階機器學習模型。如果不先行更換裝置上安裝的老舊介面並構建通訊網路等基礎資料基礎設施，應用AI技術必然存在結構性侷限。
成本負擔和投資回報率（ROI）的不確定性也是阻礙採用的主要因素。根據實態調查，中小製造企業建立智慧工廠的平均費用約為7.5億韓元（整體平均為11.3億韓元）。考慮到超過半數（56.9%）的資金來自自有資金，初期投入本身就構成了進入壁壘。中小風險企業部製造創新課相關人士也指出，現場企業感受到的最大壓力在於“相對於鉅額的裝置建設支出，難以明確在現場能夠獲得什麼樣的實際效用和成果”。
人才短缺也是阻礙採用的重要原因，且不亞於成本問題。在韓國中堅企業聯合會釋出的調查中，中堅企業在AI引入過程中遇到的最大困難是“缺乏專業人才（41.2%）”。這一比例高於技術及基礎設施不足（20.6%）和初期投資成本（11.8%）。在中堅企業認為推進AI引入和普及所需的政策支援中，“培養AI專業人才（21.3%）”也名列前茅。
中小風險企業部的實態調查也印證了現場的人才結構。在企業平均14.7名員工中，負責智慧工廠相關業務的人員僅為5.4名。設有專門部門或專職人員的企業僅佔總數的19.5%，而擁有專門教育預算的企業僅為6.6%。雖然有14.5%的企業計劃擴大人員，但近半數企業表示未能落實的最主要原因是成本負擔（47.1%）。
關鍵不在“普及了多少”，而在“現場發生了多少變化”
專家指出，鑑於國內傳統製造業比重較高的產業特性，若要使製造業AX政策取得成效，必須擺脫短期績效主義，輔以夯實基礎的階段性支援政策。必須摒棄以單純普及數量為中心的定量目標管理，全面改革政策結構，轉而以不良率降低、交期縮短、成本節約等現場可感知的實質性績效指標（KPI）為核心。
國會立法調查處立法調查官樸宰英（音譯）表示：“政府擴大普及專案的方向是正確的，但不能再糾結於智慧工廠數量或自動化裝置採用率等單純數字。智慧工廠化的核心在於現場體質的改善，只有透過工廠現場能夠切實體會到的質的提升指標來衡量成果，才能確保政策的實效性。”