알림 목록

분석지역:울산광역시

핵심지역:북구 자동차산업권·동구 조선산업권·남구 석유화학산업권

Agenda: AI 도시 선언과 제조현장의 생산성·품질·안전·에너지 Outcome 사이의 일치 여부

Golden Time Type: Infrastructure Acceleration + Factory Transformation Evidence GAP

기준일: 2026.08.28

Version: Regional AX Golden Time Intelligence v3.2 강화기준
 

울산은 2025년 SK–AWS의 7조 원대 AI 데이터센터를 유치했고, 2026년 ‘AI 수도 울산’을 시정 전면에 배치했다. 도시의 AI 전략은 교육·연구 중심에서 대규모 연산 인프라와 제조산업을 결합하는 산업도시형 AI 모델로 이동했다. 그러나 데이터센터 투자와 울산 자동차·조선·석유화학 공장의 AI 적용률·생산성·불량·안전·에너지 개선을 직접 연결한 공개 Evidence는 확인되지 않는다. 2026~2028년 데이터센터 건설과 공장 AI 사업이 별도 경로로 진행되면 울산은 AI 인프라 입지에는 성공해도 산업현장 전환은 외부 클라우드 수요에 종속될 수 있다. 울산의 AI 도시 선언은 인프라 투자에서는 실체가 확인되지만 공장 Outcome에서는 아직 미확인으로 판정된다.

2026년 울산은 중소기업 육성·혁신촉진 예산을 전년보다 26.0% 늘린 1,178억 원으로 편성하고 중소기업 AX를 포함했다. AI 정책의 적용범위는 대기업·연구기관 중심에서 지역 중소기업과 협력업체로 확대되고 있다. 그러나 지원기업 중 PoC를 넘어 실제 생산라인에 AI를 상시 적용한 기업 수와 생산성·매출·고용 변화는 공개자료에서 확인되지 않는다. 2026~2028년 지원이 컨설팅·장비·실증 단계에 머물면 대기업과 협력사의 데이터·인력·공정 격차가 더 커진다. 울산 제조 AX의 확산정책은 확인되지만 중소기업 생산현장의 전환율은 미확인으로 판정된다.

울산은 향후 5년간 산업융합 AI 인재 500명, 대기업 중심 현장실증 150건, 딥테크 창업기업 500개를 목표로 제시했고 UNIST 노바투스 대학원에서 연간 약 100명의 AI 전문인력 양성을 추진한다. 산업 AI 생태계는 인재양성·창업·대기업 실증을 결합하는 구조로 확대됐다. 그러나 실증 150건 → 생산라인 적용 → 유료계약 → 반복매출 → 협력사 확산의 전환기준은 공개되지 않았다. 2~3년 동안 목표가 인재·창업기업·실증 건수로 고착되면 공장의 실제 변화가 생태계 Input에 가려진다. 울산의 산업 AI 기반은 형성 중이지만 Production 전환 Evidence는 부족하다.

산업통상부는 2026년 산업 AX 예산을 1조1,347억 원으로 전년보다 100.8% 확대하고 AI 팩토리 사업예산도 2,200억 원으로 늘렸다. 국가 제조 AX 투자 확대와 울산의 자동차·조선·석유화학 산업구조가 만나는 2026~2028년은 외부재원이 대규모로 유입되는 기간이다. 그러나 국가 선도사업 수주와 울산 공장의 공정별 적용성과를 통합 추적한 공개 Runtime은 확인되지 않는다. 이 기간에 공장 데이터 표준·성과 Baseline·협력사 확산구조가 형성되지 않으면 국가재정 확대는 개별 실증사업으로 소진된다. 울산 제조업의 Golden Time은 AI 예산이 부족한 시점이 아니라 실증과 생산 사이의 전환율을 확정하는 향후 2~3년이다.

Golden Time Thesis — 울산이 글로벌 AI 도시인지 판정하는 단위는 데이터센터 투자액이나 AI 실증 건수가 아니다. AI가 공장의 정지시간·불량·원가·에너지·안전사고를 얼마나 바꿨고 그 변화가 협력업체까지 확산됐는지가 판정단위다.

울산은 북구 자동차, 동구 조선, 남구·울주군 석유화학·에너지 산업이 집적된 제조도시다. AI 적용대상은 단일 공정이 아니라 설계·조달·생산·품질·물류·설비·안전·에너지로 이어지는 전체 가치사슬이다. 그러나 세 주력산업의 공장 수, 공정 수, 설비 데이터화율, AI 적용률을 동일 기준으로 비교한 공식 Baseline은 확인되지 않는다. 2026~2028년 업종별 사업이 별도로 확대되면 울산 전체 공장 전환율은 사후에도 계산되지 않는다. 울산의 산업규모는 명확하지만 AI 전환의 분모는 미확인으로 판정된다.

현대자동차 울산공장과 HD현대중공업, 대형 석유화학 사업장은 대규모 자동화·센서·생산관리 기반을 보유한 앵커기업이다. 울산 제조업은 수작업 중심 공장에서 고도 자동화 공장과 대규모 협력망이 결합된 구조로 이동했다. 그러나 기존 자동화가 AI 기반 예측·자율제어로 전환된 공정 비율과 성과는 기업별 공개범위가 다르다. 2~3년 동안 자동화 설비와 AI 공정을 구분하지 않으면 기존 디지털 투자가 새로운 AX 성과로 중복 계산된다. 울산 공장의 디지털 기반은 강하지만 AI 전환규모는 별도 판정이 불가능한 상태다.

SK–AWS AI 데이터센터는 7조 원대 투자로 소개됐고 2025년 울산시정 베스트5에 포함됐다. 울산의 AI 자산은 지역 대학·공공 실증에서 글로벌 클라우드 사업자의 대규모 연산 인프라로 확대됐다. 그러나 투자액 중 지역 조달·지역고용·지역 제조기업의 연산 이용·전력·용수·세수 효과를 구분한 공개자료는 확인되지 않는다. 2026~2028년 건설투자가 진행돼도 지역 공장이 실제 고객으로 연결되지 않으면 투자규모와 산업전환 규모는 분리된다. AI 데이터센터의 경제적 규모는 확인되지만 울산 공장과의 산업적 연결규모는 미확인으로 판정된다.

울산 스마트도시계획은 2022~2026년을 대상으로 AI 공간정보·디지털트윈 등 21개 사업과 총사업비 2,942억 원 규모를 제시했다. 도시데이터 적용은 교통·안전·공간관리까지 확대됐다. 그러나 스마트도시 데이터와 산업단지·기업 공정데이터를 공통 분석하는 구조는 공개 Evidence에서 확인되지 않는다. 2~3년 동안 도시 AX와 산업 AX가 별도 플랫폼으로 고도화되면 교통·물류·재난·에너지와 공장 운영의 상호영향은 누락된다. 울산의 AI 규모는 도시와 산업 양쪽에서 확대됐지만 두 체계의 연결은 미확인으로 판정된다.

AI 데이터센터, UNIST, 울산테크노파크, 대기업 연구·생산시설, 중소기업 지원사업은 울산의 AI 자산집적을 보여준다. AI 생태계는 연구·인재·연산·제조수요를 한 지역에 보유하는 구조로 성장했다. 그러나 연구성과가 공장 PoC에 진입하고 PoC가 생산라인 계약과 스타트업 매출로 이어지는 전환율은 공개되지 않는다. 2026~2028년 기관과 사업 수가 늘어도 이 전환율이 낮으면 집적은 병렬적 자산목록으로 남는다. 울산은 산업 AI의 구성요소를 보유하지만 작동하는 상업 생태계는 아직 검증되지 않았다.

향후 5년간 대기업 중심 현장실증 150건은 스타트업·연구기관이 실제 제조현장에 진입할 수 있는 대규모 접점을 만든다. 기술개발은 연구실 검증에서 산업데이터와 설비조건을 활용하는 현장검증으로 이동한다. 그러나 실증 이후 생산계약, 다른 공장 복제, 협력사 적용, 유지보수 매출을 평가하는 공개 기준은 확인되지 않는다. 2026~2028년 실증건수가 빠르게 누적되면 종료된 PoC와 가동 중 Production을 구분하지 못한다. 울산의 현장접점은 확대되지만 실증생태계와 생산생태계의 차이는 남아 있다.

UNIST 노바투스 대학원은 연간 약 100명의 AI 전문인력 양성을 추진하고 울산시는 5년간 산업융합 AI 인재 500명을 목표로 제시했다. 인재정책은 일반 AI 교육에서 자동차·조선·에너지 공정을 이해하는 산업융합형 인재로 이동했다. 그러나 수료자의 울산기업 취업·근속·현장 프로젝트·생산성 기여를 연결한 공개 Cohort는 확인되지 않는다. 2~3년 동안 수료인원만 누적되면 지역 인재와 외부 이직, 교육성과와 공장성과가 분리된다. 인재양성 생태계는 존재하지만 울산 공장에 남는 전문역량은 미확인으로 판정된다.

울산시의 500억 원 지역성장펀드와 딥테크 창업기업 500개 목표는 기술개발 이후 사업화 자금을 연결한다. 산업 AI 생태계는 보조사업 중심에서 투자·스케일업 구조로 확장되고 있다. 그러나 펀드 투자기업의 울산 공장 매출, 후속투자, 생존율, 지역정착을 공개 추적한 자료는 아직 초기다. 2026~2028년 창업기업 수가 늘어도 제조고객 확보가 지연되면 기업은 수도권이나 해외시장으로 이전할 수 있다. 창업자금의 기반은 확인되지만 지역 제조수요와의 상업 연결은 미검증으로 판정된다.

제조 AI는 품질검사·예지보전·수요예측 같은 개별 응용에서 설비·로봇·생산계획이 연동되는 자율제조로 이동한다. 산업통상부도 2030년까지 자율제조 AI 팩토리 500개 이상을 구축하는 방향을 제시했다. 그러나 울산에서 공정 추천을 넘어 AI가 생산조건을 폐루프 방식으로 제어하는 공장 수는 공개되지 않는다. 2026~2028년 개별 모델 중심 투자가 고착되면 공정 전체 자율화로 확장하는 비용이 증가한다. 울산 제조 AI는 응용실증 신호는 존재하지만 자율제조 단계는 미확인으로 판정된다.

자동차산업은 내연기관 중심에서 전기차·SDV·로봇·배터리·데이터 서비스가 결합된 산업으로 이동한다. AI는 공정효율뿐 아니라 차량 소프트웨어와 제품수명 전반의 데이터 경쟁으로 범위가 확대됐다. 울산공장 생산데이터와 차량 운행데이터·서비스 데이터를 연결한 지역 산업생태계 Evidence는 공개되지 않는다. 2~3년 동안 공장 AI와 제품 AI가 분리되면 울산은 생산거점으로 남고 고부가가치 소프트웨어는 외부지역에 집중될 수 있다. 울산 자동차 AX는 생산자동화보다 제품·공정 데이터의 결합에서 GAP이 큰 것으로 판정된다.

조선산업은 설계·생산·용접·도장·물류·시운전의 복잡성과 숙련인력 부족을 동시에 겪는다. AI·로봇은 개별 장비 자동화에서 선박 설계와 야드 운영을 연결하는 통합최적화로 이동한다. 울산 조선소의 AI 적용이 공기·재작업·생산성·안전사고를 얼마나 바꿨는지 공통 공개지표는 확인되지 않는다. 2026~2028년 수주잔량을 처리하는 과정에서 임시인력·외주 중심 대응이 고착되면 호황기의 데이터가 장기 자동화 자산으로 축적되지 않는다. 울산 조선 AX는 적용기회는 크지만 호황과 구조전환의 연결 Evidence는 부족하다.

석유화학산업은 글로벌 공급과잉·탄소규제·원가압력에 직면하며 단순 생산량 확대에서 고부가제품·에너지효율·안전·탄소 최적화로 이동한다. AI의 역할도 설비 예지보전에서 공정수율·에너지·배출·안전을 동시에 최적화하는 방향으로 확대된다. 울산 석유화학단지의 기업 간 공정데이터와 에너지·배관·안전데이터를 공동 활용한 공개 Runtime은 확인되지 않는다. 2~3년 동안 기업별 최적화만 진행되면 단지 전체 에너지·원료·안전 연계효과는 제한된다. 울산 석유화학 AX는 개별기업 적용보다 산업단지 공동최적화에서 낮은 Readiness로 판정된다.

울산시는 AI수도추진본부와 울산인공지능위원회를 기반으로 AI 도시 전략을 추진하고, 대규모 데이터센터와 산업 AI를 결합하고 있다. 대응체계는 개별 정보화사업에서 도시정부 차원의 AI Governance로 확대됐다. 그러나 산업별 생산성 Baseline, 공장 적용률, 협력사 확산률, AI 투자수익률을 통합 공개한 Dashboard는 확인되지 않는다. 2026~2028년 조직·위원회·사업이 늘어도 산업 Outcome이 공통 지표로 고정되지 않으면 선언과 공장변화의 거리는 측정되지 않는다. 울산의 Governance 대응은 강화됐지만 제조 Outcome 관리체계는 미확인으로 판정된다.

2026년 중소기업 육성·혁신촉진 예산 1,178억 원에는 중소기업 AX와 창업생태계 지원이 포함됐다. 중소기업 대응은 일반 금융·판로지원에서 AI·디지털 혁신을 포함하는 구조로 이동했다. 그러나 전체 예산 중 실제 AX 배분액, 수혜기업, Production 전환기업, 생산성 개선액은 공개자료에서 분명히 분리되지 않는다. 2~3년 동안 대규모 총예산이 AX 성과로 인식되면 제조전환에 투입된 실제 재원과 효과가 과대평가될 수 있다. 중소기업 대응의 방향은 확인되지만 AX 재정과 Outcome의 연결은 미확인이다.

스마트그린산단 통합관제센터는 2022년 12월부터 2025년 11월까지 130억 원을 투입해 산업단지 안전관리 기반을 구축했다. 산업단지 대응은 개별기업 안전점검에서 지하배관과 단지 위험을 통합 관측하는 구조로 이동했다. 그러나 센터 운영 이후 사고탐지시간·누출·정지시간·공동대응이 얼마나 변화했는지는 공개자료에서 확인되지 않는다. 2026~2028년 구축성과가 시설완료로 종결되면 안전데이터의 공장 운영 활용은 제한된다. 산단 데이터 대응은 인프라 구축을 완료했지만 실제 위험감소 Outcome은 미확인으로 판정된다.

울산의 딥테크 창업기업 500개·산업융합 AI 인재 500명·현장실증 150건 목표는 창업–인재–실증을 하나의 전략에 배치한다. 대응구조는 개별 지원사업에서 전주기 창업생태계로 확장됐다. 그러나 창업기업 1곳이 대기업 실증을 거쳐 중소 협력사로 확산되고 반복매출을 확보하는 전체 Chain은 공개되지 않았다. 2026~2028년 목표별 실적이 따로 관리되면 전주기 전략은 세 개의 독립 실적으로 분리된다. 울산의 전주기 대응은 설계됐지만 작동 여부는 미검증으로 판정된다.

산업통상부는 2026년 산업 AX 예산을 1조1,347억 원으로 확대하고 AI 팩토리 예산을 2,200억 원으로 늘렸다. 울산은 국가 제조 AX 확대의 직접 수요처가 될 자동차·조선·석유화학 집적을 보유한다. 그러나 국가 AI 팩토리 사업 가운데 울산 선정과제 수·투자액·생산라인 적용률을 통합 공개한 지역자료는 확인되지 않는다. 2026~2028년 국가사업 경쟁이 심화되면 산업집적만으로 울산의 선도지위가 보장되지 않는다. 울산은 국가 AX 정책과의 구조적 적합성은 높지만 실제 사업점유율과 Outcome은 미확인이다.

국가 목표는 2030년 자율제조 AI 팩토리 500개 이상이며 2024년 기준은 26개로 제시됐다. 국내 제조 AI가 제한된 선도공장에서 대규모 확산 단계로 이동하는 초기구간이다. 울산 공장이 이 26개와 향후 500개 안에서 어느 위치에 있는지 공식 비교자료는 확인되지 않는다. 2~3년 동안 다른 제조지역이 공통 플랫폼과 공급기업을 선점하면 울산은 대기업 공장 규모에도 불구하고 자율제조 생태계에서 후발이 될 수 있다. 울산의 국내 위치는 산업규모에서는 선도, 자율제조 공장 수에서는 Data GAP으로 판정된다.

글로벌 제조 선도기업은 AI 모델보다 공정데이터 표준·디지털트윈·산업용 소프트웨어·현장 인력의 결합을 경쟁력으로 축적한다. 울산도 대기업 자동화와 산업단지 관제·AI 인재기반을 보유한다. 그러나 기업 간 공정데이터 상호운용, 모델 재사용, 협력사 공동표준을 국제 선도지역과 비교한 자료는 확인되지 않는다. 2026~2028년 독점형 기업 시스템이 강화되면 지역 공동생태계보다 개별 대기업의 내부 AX만 진전된다. 울산의 글로벌 경쟁력은 대기업 내부역량과 지역 전체 확산역량 사이에서 분리된 것으로 판정된다.

7조 원대 AI 데이터센터는 지역 AI 인프라 투자규모에서 강한 선도신호다. 글로벌 클라우드 사업자의 참여는 연산·네트워크·에너지 인프라를 국제시장과 연결한다. 반면 지역 제조기업의 이용조건·비용·보안·국가핵심기술 보호·데이터 반출 기준은 공개적으로 확정되지 않았다. 2~3년 동안 데이터센터가 외부 AI 수요 중심으로 운영구조를 형성하면 울산 공장의 실제 접근성은 투자규모와 무관하게 제한될 수 있다. 울산은 AI 인프라 입지에서는 선도, 제조 데이터 활용체계에서는 미확인으로 판정된다.

7조 원대 AI 데이터센터 투자와 2026년 중소기업 지원예산 1,178억 원을 연결하면 울산 AI 전략의 자본규모는 대형 인프라와 지역기업 지원 사이에서 크게 다르다. 두 숫자는 성격과 기간이 달라 직접 비율로 비교할 수 없지만 인프라 투자와 공장 확산 사이의 구조적 간극을 보여준다. 데이터센터 투자가 중소기업 연산비용·데이터 접근·AI 생산성으로 전환되는 경로는 확인되지 않는다. 2026~2028년 이 연결이 형성되지 않으면 대규모 투자와 지역기업 AX는 별도 정책으로 남는다. 울산 AI 도시의 숫자 GAP은 인프라 투자액과 공장 전환액 사이에 존재한다.

산업융합 AI 인재 500명, 딥테크 창업기업 500개, 현장실증 150건이라는 목표를 연결하면 창업기업 1곳당 현장실증 기회와 인재배치가 자동으로 보장되지 않는다. 목표기간과 대상이 서로 달라 기계적인 비율계산도 성립하지 않는다. 인재–기업–실증–생산계약을 동일 프로젝트로 연결한 자료는 확인되지 않는다. 2~3년 동안 목표별 실적만 누적되면 인재는 배출되고 기업은 설립되지만 공장고객을 확보하지 못하는 미스매치가 발생한다. 울산의 생태계 목표는 규모는 제시됐지만 연결밀도는 미측정으로 판정된다.

UNIST의 연간 약 100명 AI 전문인력 양성과 5년간 500명 목표는 산술적으로 일치한다. 교육공급 계획은 확인되지만 울산 자동차·조선·석유화학 현장의 직무별 수요와는 연결되지 않았다. 수료자의 지역 취업·근속·프로젝트 성과도 공개되지 않는다. 2026~2028년 산업수요가 교육과정보다 빠르게 바뀌면 인원목표를 달성해도 특정 직무 부족은 지속된다. 울산 AI 인재계획은 양적 일관성은 있으나 공장 직무 적합성은 미확인으로 판정된다.

스마트그린산단 통합관제센터 130억 원과 스마트도시계획 2,942억 원은 도시·산단 데이터 인프라에 이미 재정이 투입됐음을 보여준다. 울산의 AX는 선언 이전부터 관제·디지털트윈·공간정보 형태로 진행됐다. 그러나 투자액과 사고감소·에너지절감·설비정지 감소를 연결한 공개 Outcome은 확인되지 않는다. 2~3년 동안 신규 AI 투자만 추가되면 과거 디지털 투자의 실제 수익률은 판정되지 않은 채 중복기능이 발생할 수 있다. 울산의 AI 투자총량은 증가하지만 기존 투자자산의 생산성은 Data GAP으로 남아 있다.

현장실증 150건 목표와 중소기업 AX 지원을 연결하면 대기업 실증의 성과가 협력사로 확산될 가능성이 존재한다. 그러나 실증 1건당 참여 협력사 수, 복제공장 수, 유료계약, 반복매출 지표는 공개되지 않았다. 실증건수는 기술접점이고 확산건수는 산업변화이므로 동일하지 않다. 2026~2028년 두 숫자가 구분되지 않으면 PoC 증가가 공장 AX 확산으로 과대평가된다. 울산 제조 AI의 가장 큰 수치 GAP은 실증 수와 Production 공정 수 사이에 있다.

첫 번째 GAP은 Factory Baseline의 부재다. 울산은 세 주력산업과 대규모 공장을 보유하지만 전체 공정 중 데이터 수집·AI 분석·자동 추천·자율제어 단계별 비율이 공개되지 않는다. 전환의 분모가 없는 구조다. 2026~2028년 실증과 구축사업이 늘면 중복 적용과 미적용 공정을 구분하기 어렵다. 울산 제조 AX의 최대 GAP은 AI 사업 수보다 전체 공장 대비 실제 적용률의 부재로 판정된다.

두 번째 GAP은 PoC–Production 전환 추적의 부재다. 울산은 150건의 현장실증 목표를 제시했지만 실증 종료 후 실제 생산라인 운영과 유료계약 기준은 공개되지 않았다. 기술검증과 산업성과가 다른 단계로 분리된다. 2~3년 동안 실증건수가 성과지표로 고착되면 실패한 실증에서 얻은 교훈과 상용화된 모델의 차이가 사라진다. 산업 AI Readiness는 실증기회보다 Production 전환율에서 미확인으로 판정된다.

세 번째 GAP은 대기업–협력사 데이터 경계다. 앵커기업은 설비·인력·데이터·보안역량을 보유하지만 협력사는 데이터 수집비용과 전문인력 부족이 더 크다. 동일 공급망의 품질·납기·원가는 연결돼 있지만 AI 시스템은 기업별로 분리된다. 2026~2028년 대기업 AX가 먼저 고도화되면 협력사는 더 높은 데이터·품질요구를 감당하지 못할 수 있다. 울산의 산업생태계 GAP은 대기업 내부 최적화와 공급망 전체 최적화 사이에 있다.

네 번째 GAP은 AI 데이터센터와 제조현장의 연결 부재다. 대규모 연산 인프라는 유치됐지만 공장 데이터의 보안·비용·지연시간·핵심기술 보호·모델운영 조건은 공개적으로 확인되지 않는다. 데이터센터와 공장은 같은 지역에 위치해도 자동으로 하나의 AI 생태계가 되지 않는다. 2~3년 동안 계약·운영구조가 외부수요 중심으로 고정되면 지역 제조기업의 접근조건은 후순위로 남는다. 인프라 Readiness는 높지만 산업 활용 Readiness는 미확인으로 판정된다.

다섯 번째 GAP은 공장 Outcome 공개의 부재다. AI 적용성과는 생산성·불량·설비정지·에너지·안전·납기에서 나타난다. 기업기밀 때문에 개별 수치는 제한될 수 있지만 익명·지수형 지역통계도 확인되지 않는다. 2026~2028년 성과가 계속 비공개로 남으면 정책은 지원기업 수와 실증건수만으로 평가된다. 울산의 공장변화는 기업 내부에서는 발생할 가능성이 있지만 도시 전체 Evidence로는 미확인이다.

SK–AWS AI 데이터센터와 기존 산업단지·스마트그린산단 인프라는 연산·네트워크·관제 기반을 확대한다. 울산의 기술 인프라는 개별 공장 서버에서 글로벌 클라우드와 도시·산단 플랫폼이 공존하는 구조로 이동했다. 그러나 지역 공장의 실제 이용률·서비스 비용·지연시간·보안등급은 확인되지 않는다. 2026~2028년 데이터센터 운영모델이 확정되면 초기 이용조건은 장기 산업접근성으로 고착된다. 연산 인프라는 대규모 구축 단계, 지역 제조 접근성은 미확인 단계로 판정된다.

UNIST 노바투스와 산업융합 AI 인재 500명 목표는 전문인력 공급기반을 형성한다. 인재교육은 일반 데이터분석에서 제조공정 문제를 다루는 산업융합형으로 이동했다. 그러나 자동차·조선·석유화학 직무별 수요와 수료자의 지역근속은 공개되지 않았다. 2~3년 동안 대기업·데이터센터·스타트업이 같은 인재를 경쟁하면 중소기업의 인력부족이 먼저 확대된다. 인재 인프라는 공급계획이 확인되지만 산업별 배분과 지역잔존은 미확인으로 판정된다.

자동차·조선·석유화학 공정은 국가핵심기술·영업비밀·안전정보를 포함한다. 산업데이터는 개방 확대보다 제한된 신뢰구역 안에서의 공동학습 구조로 이동한다. 울산의 기업 간 데이터 표준·권한·가명화·연합학습·모델책임 기준은 공개 Evidence에서 확인되지 않는다. 2026~2028년 기업별 독자체계가 고착되면 지역 공통 AI 모델의 학습데이터 확보가 어려워진다. 데이터 Readiness는 대기업 내부에서는 높을 가능성이 있지만 지역 공동활용에서는 낮은 것으로 판정된다.

AI수도추진본부·인공지능위원회·중소기업 AX 계획·창업전략은 제도적 추진기반이다. 울산의 AI 행정은 개별 부서에서 전담조직과 민·산·학 추진체계로 확대됐다. 그러나 사업별 중단기준, 성과검증, 데이터 권리, 노동전환, 안전책임을 통합 관리한 공개 Governance는 확인되지 않는다. 2~3년 동안 사업이 증가하면 기관 수보다 책임경계의 불명확성이 운영위험으로 전환된다. 제도 Readiness는 추진체계 구축에는 도달했지만 산업 AI 책임체계에는 도달하지 않은 것으로 판정된다.

2026년 중소기업 지원예산은 1,178억 원으로 전년보다 26.0% 증가했고 AX가 지원방향에 포함됐다. 정책대상은 대기업과 연구기관에서 지역 중소기업으로 확대됐다. 그러나 AX 지원을 받은 기업 수·공정 수·생산성·고용·매출은 별도 공개되지 않았다. 2026~2028년 총지원예산만 증가하면 실제 AI 생산라인 전환이 금융·판로·일반 혁신지원과 혼합된다. 중소기업 대상 확산은 정책범위에서 확인되지만 공장 Outcome에서는 미확인이다.

대기업 중심 현장실증 150건은 스타트업과 AI 공급기업이 실제 공정데이터에 접근하는 경로다. 기술기업은 연구과제 수혜자에서 제조기업의 문제해결 공급자로 이동할 조건을 얻는다. 그러나 실증비용 부담, 지식재산권, 데이터 접근, 후속구매, 다른 고객 확산 조건은 공개되지 않았다. 2~3년 동안 대기업 맞춤형 무상실증이 반복되면 공급기업은 기술은 축적해도 반복매출을 확보하지 못한다. 스타트업 확산은 현장접점에서 확인되지만 시장형성에서는 미검증으로 판정된다.

공장 AI는 설비정지·안전사고·에너지·품질을 바꿔 근로자의 업무와 위험노출에 영향을 준다. 산업 AX의 주민효과는 기업 생산성뿐 아니라 작업안전·직무변화·고용안정에서 나타난다. AI 적용 전후 사고·숙련직무·고용·재교육을 연결한 울산 공개자료는 확인되지 않는다. 2026~2028년 자동화가 확대되면 생산성 이익과 직무전환 비용이 서로 다른 통계에 남는다. 근로자에게 내려가는 AX 효과는 안전·직무·고용을 함께 보지 않아 미판정 상태다.

AI 데이터센터와 제조 AI 투자는 지역 전력·용수·건설·서비스 수요를 확대한다. 주민·기업에 대한 효과는 지역고용과 세수뿐 아니라 전력망·환경·생활인프라 부담으로도 나타난다. 데이터센터의 지역고용·전력·용수·세수·환경비용을 통합한 공개자료는 확인되지 않는다. 2~3년 동안 시설투자가 진행되면 초기 기대편익은 고정되고 운영비용은 준공 이후 드러날 수 있다. 대규모 AI 인프라의 지역확산은 투자액으로는 확인되지만 순지역가치는 미확인으로 판정된다.

북구 자동차산업권은 대규모 완성차 공장과 부품·물류망이 연결되고, 동구 조선산업권은 거대한 야드와 다단계 협력·외주구조를 가진다. 남구·울주군 석유화학권은 연속공정·배관·에너지·안전이 기업 간에 연결된다. 동일한 제조 AI 정책으로 세 산업의 전환을 측정하기 어려운 구조다. 업종별 공정단위와 Outcome 기준을 구분한 울산 공통 Dashboard는 확인되지 않는다. 2026~2028년 동일 실증건수로 비교하면 업종별 난도와 확산효과가 왜곡된다. 울산 내부의 AX 격차는 지역별 산업구조 차이를 반영하는 측정기준 부재로 판정된다.

대기업 사업장이 집중된 북구·동구·남구와 중소기업·산업단지가 분포한 울주군은 데이터·인력·설비투자 능력이 다르다. 앵커기업 AI는 자체 투자로 진행될 수 있지만 소규모 사업장은 공공지원과 공동인프라 의존도가 높다. 구·군별 제조기업 AI 적용률과 투자액·성과를 비교한 자료는 확인되지 않는다. 2~3년 동안 대기업 중심 성과가 울산 평균을 끌어올리면 미적용 중소사업장의 GAP은 가려진다. 울산 평균 AX는 대기업 성과에 의해 과대평가될 위험이 있는 것으로 판정된다.

AI 데이터센터와 연구·창업기반은 특정 지역에 위치하지만 제조수요는 여러 산업권에 분산돼 있다. 물리적 거리가 짧아도 데이터보안·네트워크·계약·전문인력 접근성이 다르면 활용격차가 발생한다. 지역별 기업의 AI 인프라 이용시간과 비용은 공개되지 않았다. 2026~2028년 초기 고객과 파트너가 고정되면 연결된 기업과 연결되지 않은 기업의 생산성 격차가 장기화된다. 울산 내부 AI 접근성은 거리보다 기업규모와 데이터권한에 의해 비대칭인 것으로 판정된다.

스마트그린산단 통합관제는 산업단지 공동위험을 관측하지만 개별 공장 생산 AI와는 목적·데이터가 다르다. 산업단지 차원의 안전 AX와 기업 내부 생산 AX가 병렬적으로 진행되는 구조다. 두 체계의 경보·설비상태·정비일정을 연결한 공개 Runtime은 확인되지 않는다. 2~3년 동안 별도 시스템이 고착되면 단지 위험과 공장 가동 판단의 시간차가 커진다. 울산 산업공간의 AX는 단지와 공장 사이에서 분절된 것으로 판정된다.

SK–AWS AI 데이터센터 투자가 추진되고 2026년 AI수도추진체계가 본격 가동됐다. 2026~2028년은 데이터센터의 설계·건설·운영조건과 지역 제조기업의 이용구조가 구체화되는 기간이다. 지역 공장 이용률·보안·비용·공동서비스 기준은 아직 확인되지 않는다. 초기 운영모델이 확정된 이후에는 지역 제조수요를 후순위에서 재반영하는 비용이 커진다. 첫 번째 Golden Time은 대규모 연산 인프라와 공장 수요의 관계가 계약으로 고착되기 전으로 판정된다.

산업통상부의 산업 AX 예산은 2026년 1조1,347억 원으로 확대됐고 AI 팩토리 예산도 2,200억 원으로 증가했다. 국가 제조 AX는 제한된 선도사업에서 대규모 확산단계로 진입했다. 울산의 선정과제·Production 공정·협력사 확산을 연결한 지역 Runtime은 확인되지 않는다. 2026~2028년 다른 지역이 업종별 표준·공급기업·레퍼런스를 선점하면 울산의 산업집적 우위는 자동화되지 않은 기존설비 부담으로 바뀔 수 있다. 두 번째 Golden Time은 국가 AX 자원이 초기 산업표준으로 고정되는 향후 2~3년이다.

울산은 5년간 현장실증 150건과 산업융합 AI 인재 500명, 딥테크 창업기업 500개를 목표로 한다. 2026~2028년은 이 목표의 초기 절반이 실행되며 성과평가 방식이 고정되는 기간이다. Production 전환·반복매출·공장 Outcome 기준은 공개되지 않았다. 초기 평가가 실증·교육·창업 수 중심으로 굳어지면 이후 상용화 중심으로 수정하기 어려워진다. 세 번째 Golden Time은 산업 AI 성과의 단위가 실증으로 고착되기 전으로 판정된다.

자동차는 SDV·전기차, 조선은 자율화·디지털선박, 석유화학은 공급과잉·탄소·고부가 전환에 직면했다. 세 산업의 제품·공정·인력구조가 동시에 바뀌는 시점과 울산 AI 투자가 겹친다. 업종별 공정 Baseline과 직무전환 자료는 아직 미완성이다. 2026~2028년 설비·직무·공급망이 재편된 이후에는 잘못 선택한 데이터·AI 구조가 장기 생산체계에 내장된다. 네 번째 Golden Time은 AI 기술주기가 아니라 울산 주력산업의 설비투자주기가 확정되는 기간으로 판정된다.

12-1. Golden Time 기초지자체 적용 사례 ① — 북구

북구에는 현대자동차 울산공장과 자동차 부품·물류 생태계가 집적돼 있다. 자동차 AX는 공장 자동화에서 전기차·SDV·로봇·품질데이터가 연결되는 제품–공정 통합구조로 이동한다. 그러나 완성차의 AI 적용성과가 북구 협력업체의 생산성·납기·품질개선으로 확산된 정도는 공개자료에서 확인되지 않는다. 2026~2028년 완성차 생산체계가 전기차·소프트웨어 중심으로 재편되면 데이터 연계가 약한 협력업체는 기존 납품역량만으로 대응하기 어려워진다. 북구는 대기업 공장 AX의 선도가능성은 높지만 공급망 전체의 전환은 미확인인 지역으로 판정된다.

완성차 공장의 생산량·불량·정지시간은 부품사의 납기와 품질데이터에 연결된다. 공장 AI의 최종 단위는 개별 생산라인이 아니라 부품 입고부터 완성차 출고까지의 공급망이다. 기업 간 모델·데이터 표준과 공동 Outcome은 공개되지 않았다. 2~3년 동안 완성차 내부 최적화가 먼저 고착되면 협력사는 더 짧은 납기와 높은 품질요구를 AI 기반 없이 감당하게 된다. 북구의 Golden Time은 공장 자동화보다 완성차–협력사 데이터 GAP이 공급망 격차로 고정되기 전으로 판정된다.

12-2. Golden Time 기초지자체 적용 사례 ② — 동구

동구에는 HD현대중공업과 조선 협력업체·숙련인력이 집적돼 있다. 조선업 호황과 수주잔량은 AI·로봇·디지털야드 기술을 실제 생산에 적용할 대규모 현장데이터를 제공한다. 그러나 AI 적용이 선박 건조기간·재작업·용접품질·안전사고·인력부족을 얼마나 바꿨는지 지역 공통 Evidence는 확인되지 않는다. 2026~2028년 호황기의 생산압력이 임시인력과 외주확대로 흡수되면 전환에 활용할 현장데이터와 투자여력이 경기하강 전에 소진된다. 동구는 AI 실증의 수요와 자금여력이 동시에 존재하지만 구조전환 Outcome은 미확인인 지역으로 판정된다.

조선소는 주문별 설계와 대형 야드·다단계 공정 때문에 동일 모델을 반복 적용하기 어렵다. 조선 AI는 단일 설비 예지보전보다 설계변경·자재·작업순서·숙련인력을 연결할 때 효과가 커지는 구조다. 원청–협력사 공정데이터와 직무별 생산성을 연결한 공개 Runtime은 확인되지 않는다. 2~3년 동안 개별 로봇·비전 실증이 독립적으로 진행되면 야드 전체의 공기단축으로 합산되지 않는다. 동구의 Golden Time은 실증기술 수보다 조선 프로젝트 전체 Lead Time을 바꾸는 통합효과를 판정하는 기간이다.

AI 데이터센터의 운영구조가 지역 제조업과 분리되면 울산은 연산 인프라의 입지지역이지만 산업데이터의 가치창출지역은 아닐 수 있다. 7조 원대 투자와 제조기업 이용조건 사이의 연결은 확인되지 않는다. 2026~2028년 장기계약·전력·클라우드 고객구조가 고정되면 지역 우선접근과 제조특화 서비스의 반영 여지는 줄어든다. 첫 번째 상실은 데이터센터 유치효과가 아니라 연산 인프라를 지역 산업생산성으로 전환할 시간이다.

현장실증이 Production으로 전환되지 않으면 공장데이터는 일회성 과제에 사용되고 모델은 유지보수 없이 종료된다. 울산은 150건의 실증목표를 보유하지만 상용화 전환기준은 확인되지 않는다. 2~3년 동안 PoC가 누적되면 기업은 실증피로와 데이터 제공비용을 부담하고 공급기업은 반복매출을 얻지 못한다. 두 번째 상실은 실증예산보다 공장과 AI 기업 사이의 신뢰와 상업화 시간으로 판정된다.

대기업 AX와 협력사 AX의 속도차가 커지면 공급망의 품질·납기·보안 기준은 상승하지만 중소기업의 대응역량은 따라가지 못한다. 2026년 중소기업 지원은 확대됐지만 실제 공장전환율은 확인되지 않는다. 2026~2028년 완성차·조선·석유화학 대기업의 시스템이 고정되면 미연계 협력사의 진입비용이 상승한다. 세 번째 상실은 개별 중소기업의 생산성뿐 아니라 울산 공급망의 지역 내 완결성이다.

AI 인재가 양성돼도 울산기업의 현장 프로젝트와 장기고용으로 연결되지 않으면 교육성과는 외부지역으로 이전된다. 연간 약 100명과 5년간 500명 목표는 있지만 취업·근속 Cohort는 확인되지 않는다. 2~3년 동안 데이터센터·대기업·스타트업 간 인재경쟁이 심화되면 중소기업의 산업 AI 인력은 더 부족해진다. 네 번째 상실은 교육인원이 아니라 공정지식과 AI 지식을 동시에 가진 지역 인적자본으로 판정된다.

울산은 자동차·조선·석유화학이라는 대규모 제조수요, UNIST의 인재·연구, 대기업 현장, 스타트업 지원, 글로벌 데이터센터를 동시에 보유한다. 산업 AI의 수요·공급·인프라 구성요소가 한 지역에 존재한다. 그러나 이 요소를 동일 Factory Outcome으로 연결한 공개 Runtime은 확인되지 않는다. 2026~2028년 각 요소의 운영구조가 개별적으로 고착되기 전에는 상호 연결성을 판정할 시간여지가 남아 있다. 현재 Opportunity는 AI 자산 추가보다 이미 집적된 자산의 공장 전환율을 확정하는 기간이다.

자동차·조선·석유화학 공장은 품질·설비·안전·에너지 데이터를 대규모로 생성한다. 울산은 AI 학습에 필요한 실제 산업문제가 부족한 지역이 아니다. 그러나 기업기밀과 데이터 표준의 차이로 지역 공동학습은 확인되지 않는다. 2~3년 동안 기업별 데이터 구조가 더 고도화되면 공통 모델과 협력사 확산비용이 커진다. 현재 Opportunity는 데이터를 새로 만드는 것보다 이미 존재하는 공정데이터의 공통 학습가능성을 판정하는 시간이다.

국가 산업 AX 예산 확대와 울산의 중소기업 지원 증가가 같은 시기에 발생했다. 외부재원과 지역재원이 동시에 증가하는 구조는 제조 AI의 초기 고정비를 흡수할 조건을 제공한다. 그러나 사업별 중복·공정별 공백·성과연결 자료는 확인되지 않는다. 2026~2028년 재정확대기가 지나면 동일 규모의 실증·인프라 투자를 다시 확보하기 어려워질 수 있다. 현재 Opportunity는 지원금 규모보다 여러 재원을 Production 전환으로 연결할 수 있는 재정확대 구간이다.

조선 호황, 자동차 제품전환, 석유화학 구조조정 압력은 서로 다른 산업상황이지만 모두 공정 데이터와 생산성 재설계를 요구한다. 울산은 하나의 범용 AI 정책보다 업종별 실증을 비교할 수 있는 제조 포트폴리오를 보유한다. 업종 간 공통 성과지표는 아직 확인되지 않는다. 2~3년 동안 업종별 전환이 진행되면 성공·실패 Evidence를 상호 학습할 초기기회가 사라진다. 현재 Opportunity는 세 산업을 동일 기술로 묶는 것이 아니라 동일 Outcome 기준으로 비교할 수 있는 기간으로 판정된다.

Industrial AX Runtime

공정 Baseline → 데이터 수집 → AI 실증 → 생산라인 적용 → 품질·정지·원가·안전·에너지 Outcome → 협력사 복제 → 반복매출 → 산업경쟁력 → 다음 공정

Infrastructure Acceleration + Factory Transformation Evidence GAP

울산의 AI 도시 선언은 조직·인재·실증·재정·데이터센터 투자에서 실체를 확보했다.

공장 단위 생산성·품질·안전·에너지 변화는 도시 전체 Evidence로 연결되지 않았다.

현재 위험은 AI 투자의 부족이 아니라 대규모 투자가 실증·인프라 단계에서 공장 Production으로 전환되지 않는 구조다.

2026~2028년은 AI 도시의 명칭이 아니라 공장 전환율이 울산의 실제 지위를 결정하는 구간이다.

최종 판정은 Infrastructure Acceleration + Factory Transformation Evidence GAP이다.

1. 울산 전체 제조공장 수
2. 산업별 전체 생산공정 수
3. 공정데이터 수집률
4. AI 적용 공장·공정 비율
5. 자동화와 AI 적용의 구분
6. AI 추천 공정과 자율제어 공정 비율
7. 현장 PoC 시작·종료 건수
8. PoC→Production 전환율
9. Production 적용 후 12개월 유지율
10. 동일 모델의 다른 공장 복제율
11. AI 적용 전후 설비정지시간
12. AI 적용 전후 불량·재작업률
13. AI 적용 전후 생산 Lead Time
14. AI 적용 전후 에너지 원단위
15. AI 적용 전후 안전사고·Near Miss
16. 대기업–협력사 공동 AI 프로젝트
17. 협력사별 AI 적용률
18. 중소기업 AX 지원액·수혜기업·성과
19. 데이터센터 이용 울산 제조기업 수
20. 제조기업의 연산비용·처리시간
21. AI 인재의 울산기업 취업률
22. AI 인재의 1년·3년 지역근속률
23. 스타트업의 대기업 유료계약률
24. 산업 AI 기업의 반복매출·후속투자
25. AI 투자 대비 공장 Outcome 수익률

Data GAP:공개 Evidence에서는 AI 데이터센터·인재·창업·재정 → 현장실증 → 생산라인 적용 → 생산성·품질·안전·에너지 → 협력사 확산 → AI 기업 반복매출을 동일 공장·프로젝트 ID와 Timeline으로 연결한 울산 제조 AX Runtime이 확인되지 않는다.

Runtime Chain

연산·인재·공정데이터 → PoC → Production → 공장 Outcome → 공급망 확산 → 반복매출 → 산업생산성 → 글로벌 제조경쟁력

Source · Verification

• 울산광역시, AI 수도 울산 추진
• 울산광역시, SK–AWS AI 데이터센터 투자
• 울산광역시, AI 데이터센터 기회발전특구
• 울산광역시, 산업융합 AI 창업·인재·현장실증 전략
• 울산광역시, 2026년 중소기업 육성 및 혁신촉진 계획
• 울산광역시, 스마트그린산단 통합관제센터
• 울산광역시, 2022~2026년 스마트도시계획
• 산업통상부, 산업 AX·AI 팩토리 투자 확대
• 산업통상부, AI 시대 신산업정책
• 울산광역시, 2026년 5월 울산 인구현황

이번 분석에서 남는 구조적 통찰

AI 데이터센터는 연산을 생산하지만 공장은 생산성을 생산한다. 두 시설이 같은 도시에 있다는 사실만으로 연산이 생산성으로 이동하지 않는다. 공장 데이터의 권리·보안·비용·지연시간과 AI 모델의 현장유지체계가 연결될 때만 데이터센터의 연산이 제조가치로 전환된다.

울산의 구조적 특성은 AI 수요가 부족한 것이 아니라 수요가 기업 내부에 갇혀 있다는 데 있다. 자동차·조선·석유화학 공장은 방대한 데이터를 생성하지만 기업과 업종의 경계를 넘지 못하면 AI 공급기업은 매번 새로운 PoC를 만들고 협력사는 동일 전환비용을 반복 부담한다.

따라서 울산 AI 도시의 단일 구조적 통찰은 연산의 집적과 학습의 집적이 서로 다르다는 것이다. 데이터센터는 연산을 한곳에 모으지만, 공장별 실증과 실패·성과가 재사용되지 않으면 산업학습은 집적되지 않는다. 울산이 확보해야 할 것은 가장 큰 AI 시설의 명칭이 아니라 한 공장의 학습이 다음 공장으로 이동하는 속도다.

Golden Time Thesis — 울산이 글로벌 AI 도시가 되는 시점은 AI 데이터센터가 완공되는 날이 아니다. 한 공장의 PoC가 Production으로 전환되고 그 성과가 다른 공장과 협력업체의 불량·정지·원가·안전 개선으로 복제되는 날이다. 2026~2028년 이 복제경로가 형성되지 않으면 울산에는 거대한 연산 인프라와 수많은 AI 실증이 남지만 제조업 전체의 학습속도는 바뀌지 않는다.