A: 가장 흔한 오해는 AI를 린의 '증폭기'가 아니라 '대체재'로 여기는 것입니다. 많은 공장이 처음부터 간판, 안돈, 표준작업 같은 기본 실무를 알고리즘으로 대체하려 하는데, 돈은 다 쓰고도 현장은 예전처럼 막힙니다.
첫째, AI를 만능약으로 여기고 린의 기본을 건너뜀
업계에서 흔한 상황입니다. 5S가 탄탄하지 않고 택트 타임을 정확히 측정한 적도 없으며 이상 대응이 고함에 의존하는데, 공장은 AI 스케줄링이나 AI 검사로 서둘러 뛰어듭니다. 린의 핵심은 공정을 먼저 안정시키고 표준을 명확히 해 AI가 학습할 데이터를 갖게 하는 것입니다. 어떤 자동차 부품 제조사가 스테이션 자재를 무작위로 두고 전환 시간 편차가 큰 상태라면, 그 시점에 AI 스케줄링 모델을 넣는 것은 지저분한 데이터를 넣는 것이고 생성된 계획은 다음 날이면 무효가 됩니다. 올바른 순서는 린으로 택트, 재공품, 전환 흐름을 먼저 정리하고, 그 다음 AI가 다변수 상황에서 동적 최적화를 하게 하는 것이며, 그래야 AI가 실제로 활약할 여지가 생깁니다.
둘째, AI는 반드시 크고 모든 것을 포괄하는 시스템이어야 한다고 가정
많은 기업이 AI 지원이란 전 공장 MES에 AI 플랫폼을 더하는 것이라 생각하는데, 시간이 오래 걸리고 비용이 크며 성과가 더디게 나타납니다. 실제로 린은 작고 빠른 단계를 선호하며, AI는 단일 지점에 도입하는 편이 낫습니다. 포카요케와 결품 검출을 위한 비전 인식, 설비 이상 알림을 위한 시계열 모델, 공수 병목 분석을 위한 경량 알고리즘이 그 예입니다. 15개 이상 산업, 120여 개 고객사 배포 경험에서 가장 빠른 성과는 대개 한 스테이션이나 한 라인의 작은 시나리오에서 나왔고 이후 복제되었습니다.
셋째, AI 예측을 참고가 아니라 지시로 받아들임
AI 수요 예측과 품질 예측은 확률적 출력이지 결정론적 지시가 아닙니다. 일부 공장은 예측 결과를 라인에 그대로 밀어 넣으면서 현장 이상과 자재 변동을 무시하는데, 이는 린 일상 관리가 다루어야 할 영역입니다. 더 신중한 방법은 AI 출력을 기존 린 관리 루프에 넣는 것입니다. 조회에서 예측 편차를 검토하고, 일일 리뷰에서 파라미터를 조정하며, 관리자에게 거부권을 주어 알고리즘이 현장을 직접 지휘하지 않게 하는 것입니다.
넷째, 현장 참여와 데이터 피드백 루프를 무시
AI 모델을 가동하는 것이 결승선이 아닙니다. 많은 프로젝트가 가동 직후 방치되며 실패합니다. 현장이 오경보를 신고하지 않고 이상을 라벨링하지 않으면 모델은 시간이 갈수록 더 어긋납니다. 린은 전원 참여와 지속 개선을 강조하며, AI도 오경보 피드백과 이상 라벨링이 일상 행동이 되어야 합니다. 예를 들어 안돈 대응에 'AI 판정이 맞았는가' 체크박스를 추가해 데이터가 환류되고 모델이 반복 개선되게 하는 것입니다.
다섯째, AI를 사후 보고서에 쓰고 공정 중 개입에 쓰지 않음
다소 숨은 오해입니다. 많은 기업이 AI로 분석 보고서를 잔뜩 만들지만 생산은 이미 끝난 뒤입니다. 린이 원하는 것은 공정 중 개입이며, AI의 가치는 경고를 이상보다 몇 분 앞당기는 데 있습니다. 예를 들어 설비 진동 추세가 벗어나는 즉시 팀 단말로 알림을 보내는 것이고, 다음 날 어제 어느 기계에 문제가 있었는지 알려주는 것이 아닙니다.
실무 조언: 먼저 린 진단을 돌려 병목 공정을 찾고, 정량화 가능한 작은 시나리오 하나를 AI 파일럿으로 고르며, AI 출력을 기존 조회, 안돈, 일일 리뷰 프로세스에 넣고 현장 피드백의 진입점을 설계하십시오. 3,200여 대 단말 경험은 린에서 AI의 가장 안정적인 역할이 린을 뒤엎고 별도 시스템을 세우는 것이 아니라 '개선 활동에 더 정확한 신호를 제공하는 것'임을 보여줍니다.