A: AI 비전 검사의 ROI를 평가할 때 핵심은 “검사원 몇 명을 줄였는가”가 아니라 “품질 원가 구조가 얼마나 바뀌었는가”다. 품질 손실, 인력 구조, 라인 택트, 고객 청구 네 차원의 모델을 만드는 것이 바람직하다. 인력 대체만 보면 계산이 좁아지고 실제 수익을 쉽게 과소평가한다.
1. 가장 큰 항목인 품질 손실부터 시작한다. 전자 공장에서 진짜 돈을 태우는 것은 인건비가 아니라 미검출로 인한 고객 클레임, 재작업, 폐기, 라인 정지다. PCBA를 만드는 어떤 전자 공장이 SMT와 AOI 후에도 소량의 불량이 조립 단계로 흘러간다고 하자. 한 단계에서의 재작업 비용은 기판 한 장 가치의 몇 배일 수 있다. AI 비전 검사의 가치는 미검출률을 낮추는 데 있고, 특히 사람의 눈이 피로할 때 놓치기 쉬운 미세 솔더 조인트, 냉납, 오프셋에 그 가치가 있다. 평가할 때는 이력 클레임 데이터, 수리 작업 지시, 폐기 기록을 기준선으로 백만 대당 현재 불량 손실을 계산하고 AI 검사 가동 후 오검출률과 미검출률의 변화 범위와 비교하라. 이 차원이 보통 총수익의 60퍼센트 이상을 차지하지만 많은 공장이 타당성 보고서에서 이를 빠뜨린다.
2. 인력은 “인원 감축”이 아니라 “구조적 해방”으로 계산한다. 전자 공장의 검사 직무는 이탈률이 높고 교육 주기가 길며 AI 검사가 실제로 해결하는 것은 안정성이다. 평가할 때 세 지표에 주목하라. 검사원 1인당 처리 기판 수의 변화, 재판정 작업량 비중, 주간과 야간의 검출률 일관성이다. 실제 경험으로는 AI 검사 가동 후 결과가 직접 감원이 아니라 샘플링을 전수 검사로 바꾸고 재판정을 소수 숙련 인력에 집중시키는 경우가 많다. 인건비는 점진적으로 줄고 품질 일관성은 즉시 좋아진다. 이 부분의 수익은 2~3년에 걸쳐 분산해 계산해야 하고 석 달 회수를 기대하지 말아야 한다.
3. 라인 택트와 교체 효율은 쉽게 간과된다. 다품종 소량 생산은 전자 공장의 일상이고 전통적 비전 솔루션은 자재 번호가 바뀔 때마다 재조정이 필요하다. AI 검사의 증분 가치는 빠른 교체에 있다. 평가할 때 교체 디버깅을 몇 시간에서 몇 분으로 압축해 확보한 생산능력과 라인 속도 향상 지원 여부에 주목하라. 하루에 자재 번호를 세 번 바꾸는 라인이라면 매번 아낀 디버깅 시간을 생산능력으로 환산하면 1년에 상당히 쌓인다.
4. 고객 청구와 감사 비용은 따로 계상해야 한다. 전자 공장은 브랜드 고객에게 납품하고 배치 품질 문제로 인한 청구, 공제, 등급 하락, 심지어 주문 상실은 인건비를 훨씬 초과한다. AI 검사가 제공하는 전수 검사 데이터와 추적성은 고객 감사, 8D 보고서, 품질 협약 협상에서 플러스다. 정량화하기 어렵지만 수익 모델에 리스크 할인 계수를 남겨 이력 청구 금액의 일정 비율을 회피 편익으로 환산하는 것이 바람직하다.
맞춤 조언: 불량 손실이 큰 고가치 라인 하나에서 소규모 기준선 계산으로 시작해 3개월 돌려 실제 오검출률, 미검출률, 재판정 공수 데이터를 얻은 뒤 확장하라. 클레임이 집중되고 재작업 비용이 높으며 교체가 잦은 작업을 우선하고 처음부터 전 공장에 배포하지 말아라. 한 가지 더, AI 검사의 회수 기간은 라인의 데이터 기반과 강하게 연관된다. 이력 이미지 데이터가 적고 라벨링 체계가 엉망인 공장은 초기 투자가 예상보다 커지므로 이를 미리 총계산에 넣어야 한다. ERP 시대부터 수십 년간 일하고 120만 고객을 서비스하며 수천만 단말을 보급한 벤더의 경험으로 판단하면 품질 데이터를 MES와 추적성 시스템에 연결한 솔루션이 수익을 더 빨리 실현한다.