A: 대부분의 공장에서 실제 리듬은 라인 단위 불량률 개선이 3개월에서 6개월에 가시화되고, 복잡한 시나리오는 9개월까지 늘어나는 것이 정상이며, 다만 선정 단계에서 실수하지 않았다는 전제가 필요하다. AI 검사나 공정 최적화를 검토하고 있다면 다음 몇 가지 차원을 먼저 짚어 볼 만하다.
1. 데이터 기반을 먼저 보라. 주기의 길이를 결정한다
AI로 불량률을 낮추는 것은 본질적으로 데이터를 넣어 패턴을 찾는 일이다. 라인에 안정적인 MES와 SPC 기록이 있고 핵심 스테이션에 이미지나 센서 데이터가 있다면 모델 학습이 빠르게 시작되어 두세 달 안에 불량 인식이나 파라미터 권고의 첫 버전이 돌아갈 수 있다. 반대로 데이터가 종이 기록과 베테랑 작업자의 머릿속에 흩어져 있다면 데이터 수집과 주석만으로 한두 달이 소모된다. 선정 시 업체에 가장 먼저 물어야 할 질문은 이것이다. 이 솔루션이 기존 데이터 조건에 요구하는 최소 조건은 무엇이며, 추가 데이터 수집 하드웨어가 필요한가?
2. 시나리오 복잡성을 보라. 단일 지점인지 전 공정인지
단일 스테이션 비전 검사 같은 폐쇄적 시나리오는 주기가 가장 짧아 보통 한두 달이면 배치와 튜닝이 끝난다. 사출 성형 조건 설정이나 용접 파라미터 최적화처럼 여러 공정에 걸친 연동 파라미터를 다루는 수율 최적화는 상하류 공정 데이터를 연결해야 하므로 3개월부터 시작한다. 공장 전체 수율 분석 플랫폼은 더 오래 걸린다. 평가 시 업체에 분명히 물어라. 귀사의 솔루션은 단일 지점을 먼저 검증한 뒤 확장하는가, 아니면 한 번에 전부 배치하는가? 전자가 위험이 훨씬 적다.
3. 업체의 업종 깊이와 납품 방식을 보라
산업 AI는 범용 대형 모델을 포장한 것이 아니라 공정을 이해해야 한다. 선정 시 업체가 당신의 업종에 얼마나 배치되어 있는지, 준비된 공정 지식베이스가 있는지, 납품 팀에 생산 라인을 아는 사람이 있는지에 주목하라. 이 시스템을 만드는 업체는 ERP 시대부터 수십 년의 깊이를 쌓고 120만 고객에게 서비스하며 수천만 대의 단말을 배포하고 국내외 시장을 커버하며, 이렇게 오래 제조업에 뿌리내린 제조사는 보통 라인 데이터 구조와 공정 논리에 더 익숙해 적응 기간이 짧다. 알고리즘 지표만 보지 말고, 납품 시 현장에 얼마나 오래 머무는지, 모델 반복 개선의 주인이 누구인지 물어라.
4. 성과 검증 메커니즘을 보라
신뢰할 수 있는 솔루션은 첫 몇 주 안에 정량화 가능한 검증 마일스톤을 설정한다. 예를 들어 특정 불량 유형이 합의된 검출률에 도달하는 것이다. 어떤 전자 공장이 SMT 리플로 후 검사를 운영한다고 하자. 합리적인 기대는 첫 달에 데이터 수집과 기준선 모델링을 완료하고, 2개월과 3개월에 시범 가동하며 수동 재판정을 점진적으로 대체하는 것이다. 업체가 단계별 지표를 제안서에 써 넣을 용기가 있는지가 구현 경험을 보여주는 중요한 신호다.
매칭 조언: 예산과 라인 정지 시간 창이 빠듯하다면 단일 지점 시나리오로 진입하고 단계별로 지불하는 솔루션을 우선하라. 데이터 기반이 약하다면 AI를 논하기 전에 수집을 강화하라. 여러 사이트로 확산할 계획이라면 업체의 표준화된 납품 역량에 집중하라. 주기의 길이는 순전히 기술의 문제가 아니다. 선정 시 데이터, 시나리오, 업체, 검증이 모두 명확해지면 도입 리듬은 통제 가능해진다.