지식 센터
목차

공장 AI 요구 분석 프레임워크: 제조업에 Agent를 배치하기 전에 명확히 해야 할 다섯 가지

점점 더 많은 제조 기업이 AI Agent와 산업용 대형 모델을 논의하지만, 프로젝트를 실제로 멈추게 하는 것은 대개 알고리즘이 아니라 한 번도 명확히 정리되지 않은 요구 사항이다. 공장 AI 요구 분석 프레임워크는 기업이 구축에 착수하기 전에 무엇을 해결하려는가, 데이터가 충분한가, 어디서 시작할 것인가, 비용 대비 효과를 어떻게 계산할 것인가를 정리하도록 돕는 구조화된 방법이다.

1. 공장 AI 요구 분석 프레임워크란 무엇인가

간단히 말하면 AI를 도입하고 싶다 같은 모호한 생각을 평가하고 순위를 매기고 실행할 수 있는 구체적 항목으로 쪼개는 제조 시나리오용 요구 정리 도구다. 전통적 IT 요구 분석과 달리 공장 AI 분석은 한 겹을 더한다. 업무 프로세스가 어떻게 흐르는지만 물을 것이 아니라 데이터가 어디서 생성되고 빈도는 얼마이며 라벨링 비용은 얼마인지, 모델 출력이 틀렸을 때 누가 책임지는지까지 물어야 한다.

업계의 흔한 접근은 이를 다섯 차원으로 나누는 것이다. 비즈니스 페인포인트, 데이터 준비도, 기술 실현성, 변화를 흡수할 조직 역량, 투자 수익이다. 이 다섯 차원을 단순히 나란히 점수화하면 끝나는 것이 아니라, 실제로는 기업 상황에 따라 가중치를 조정해야 한다. 예를 들어 프로세스 제조는 데이터 연속성을 더 중시하고 이산 제조는 잦은 품종 전환에서 비롯되는 모델 일반화 문제를 더 중시한다.

2. 프레임워크를 뒷받침하는 기술 논리와 핵심 역량

사용 가능한 요구 분석 프레임워크는 근간이 AI 시스템의 실제 역량 경계와 대응해야 한다. 오늘날 공장에서 돌아가는 AI 역량은 대략 네 계층으로 나뉜다.

첫째 층은 인지로, 비전 품질 검사, 설비 이상음 인식, 적외선 열화상 온도 측정 등이다. 이런 요구 분석은 촬영 조건을 확인해야 한다. 광원이 안정적인가, 카메라는 어디에 설치하는가, 결함 샘플을 충분히 축적할 수 있는가. 전자 공장이 PCB 솔더 조인트를 검사하려 한다고 하자. 결함률 자체가 수천 개 중 몇 개 수준이라면 석 달간 축적된 결함 이미지가 200장이 안 될 수 있으므로, 요구 분석은 데이터 증강 방안을 먼저 권고하거나 검사 입도를 바꿀 것을 제안해야 한다.

둘째 층은 예측으로, 설비 잔여 수명 예측, 에너지 소비 예측, 스케줄링용 납기 예측 등이다. 이런 요구의 핵심은 이력 데이터의 시간 범위와 라벨 품질이다. 자동차 부품 기업이 다이캐스팅기의 금형 수명을 예측하려 한다고 하자. 지난 2년간 교체 시점이 샷 수로 기록되지 않았다면, 요구 분석 단계에서는 서둘러 모델을 고르는 대신 먼저 데이터 수집의 공백을 메워야 한다.

셋째 층은 의사결정 최적화로, 스케줄링 최적화, 물류 경로 배차, 공정 파라미터 최적화 등이다. 이런 요구는 AI 역량을 가장 과대평가하기 쉽다. 요구 분석 시 반드시 구분해야 한다. 사람에게 권고하고 사람이 확인해 실행하는가, 아니면 직접 폐루프 제어인가. 전자는 오류 허용도가 훨씬 크고 후자는 모델 안정성과 설명 가능성에서 한 자릿수 배 더 요구한다.

넷째 층은 상호작용과 Agent로, 설비 수리 지식 도우미, 공정 문서 질의응답, 생산 보고서 자연어 조회 등이다. 여기서 요구 분석의 초점은 모델 자체가 아니라 지식베이스의 커버리지와 갱신 메커니즘이다. 공장의 숙련 경험 상당수는 문서로 남겨진 적이 없으므로, 요구 분석은 지식 추출을 별도 작업으로 명시하고 공수에 포함해야 한다.

3. 전형적 제조 시나리오 분석

시나리오 하나는 중견 전자 조립 공장이 AI로 SMT 전환 시간을 최적화하려는 경우다. 요구 분석 프레임워크를 돌려 보면 전환 시간이 긴 근본 원인이 스케줄링 알고리즘이 아니라 자재 완비율과 스텐실 준비 공정일 수 있음을 알게 된다. 그렇다면 AI의 진입점은 전역 스케줄링 최적화가 아니라 비전 인식으로 스텐실 번호를 식별해 작업지시와 자동 대조하는 것이어야 한다. 프레임워크의 가치는 바로 AI가 성과를 낼 수 있고 빠르게 결과를 보여 줄 수 있는 좁은 틈을 기업이 찾도록 돕는 데 있다.

시나리오 둘은 프레스 공장에 노후 프레스가 십여 대 있는 자동차 부품 기업이 예지 보전을 도입하려는 경우다. 요구 분석을 해 보면 노후 설비에는 PLC 데이터 인터페이스가 없고 진동 센서 추가 비용이 만만치 않으며 톤수가 다른 프레스의 진동 특성이 크게 다르다는 점이 드러난다. 프레임워크는 핵심 설비 한 대를 먼저 파일럿으로 골라 센서 설치, 데이터 전송, 기준선 모델링, 알람 검증의 전체 사슬을 돌려 보고 나서 확장 여부를 결정하도록 제안할 것이다. 이 과정에서 요구 분석은 파일럿 성공 판정 기준을 정의해야 한다. 예를 들어 어느 수준의 오탐률까지 허용하고 최소 몇 시간 전에 경고해야 하는가다.

시나리오 셋은 정밀 화학 기업이 반응기 온도 지능 제어를 원하는 경우다. 이런 시나리오는 안전 요구가 매우 높으므로 요구 분석 프레임워크는 기술 실현성보다 모델 설명 가능성과 수동 인수인계 메커니즘을 먼저 평가한다. 더 안전한 경로는 운전원 권고 시스템으로 시작해 AI 제안과 숙련 운전의 차이를 비교하고 반년 이상 병행 운전 데이터를 축적한 뒤에 폐루프 제어를 검토하는 것이다.

4. 실무 적용 제안

첫째, 요구 분석에 IT 부서만 참여하게 해서는 안 된다. 공장 AI 요구의 원천은 현장에 있고 설비 엔지니어, 공정 엔지니어, 반장이 모두 참여해야 한다. 반나절을 들여 현장을 걸으며 어떤 공정이 숙련 경험에 가장 의존하는지, 어떤 보고서가 매일 30분씩 수작업으로 채워지는지를 적어 두는 것이 회의실 브레인스토밍보다 효과적이다.

둘째, 모든 요구 항목에 데이터 가용성 태그를 세 등급으로 붙인다. 즉시 사용 가능, 추가 수집 필요, 시스템 간 통합 필요다. 이 태그가 실행 우선순위를 직접 결정한다. 많은 프로젝트가 AI가 작동하지 않아서 실패하는 것이 아니라, 요구 분석 단계에서 데이터 축적에 석 달이 걸린다는 점을 발견하지 못해 실패한다.

셋째, 계산 방식은 현실적이어야 한다. AI가 인력을 얼마나 대체하는지부터 계산하지 말라. 공장에서 실제로 정량화하기 쉬운 효과는 보통 수율 몇 푼 개선, 계획 외 정지 몇 시간 회피, 보고서 작성 시간 단축이다. 요구 분석 단계에서 기준선 데이터를 기록해 두어야 나중에 검수 근거가 생긴다.

넷째, 시행착오 예산을 남겨 두라. 1단계 투자를 감당 가능한 범위로 유지하고 경계가 명확하며 피드백 주기가 짧은 요구를 골라 먼저 돌릴 것을 제안한다. 성과가 나면 프레임워크에 따라 요구 풀을 롤링 방식으로 갱신한다. ERP 시대부터 수십 년간 일하며 120만 고객을 서비스하고 누적 수천만 단말을 배치한 업계 경험도 한 가지를 보여 준다. 제조 기업의 정보화 요구는 항상 반복적으로 도달되는 것이지 한 번에 완전히 계획되는 것이 아니다.

다섯째, 조직 역량을 소홀히 하지 말라. AI 시스템이 가동된 뒤 누가 알람을 보고, 누가 오탐을 보고하고, 누가 지식베이스를 갱신하는지를 요구 분석 단계에서 직무 책임으로 명시해야 한다. 그렇지 않으면 시스템은 만들어지고 아무도 쓰지 않는, 가장 흔한 형태의 낭비가 된다.

5. 전망

첫 번째 방향은 요구 분석 자체가 도구화되는 것이다. 일부 공급업체는 이미 요구 조사 설문, 데이터 준비도 평가, ROI 계산을 표준 템플릿으로 만들려 시도하고 있으며, 앞으로 중소 제조 기업이 AI를 선택하는 장벽은 더 낮아질 것이다.

두 번째 방향은 AI Agent가 요구 경계를 더 동적으로 만든다는 점이다. 전통적 소프트웨어 요구 분석은 모든 것을 한 번에 명확히 정의하라고 요구하지만, Agent형 응용은 사용 과정에서 역량 경계를 점진적으로 확장할 수 있다. 이는 요구 분석 프레임워크가 일회성 문서에서 지속적으로 유지되는 요구 풀로 바뀌어, 분기마다 어떤 요구가 검증되었고 어떤 요구가 반증되었는지를 검토해야 함을 뜻한다.

세 번째 방향은 엣지 AI와 클라우드 협업이 가져오는 새로운 평가 항목이다. 점점 더 많은 검사와 예측 작업이 작업장의 엣지 기기에서 완료되므로, 요구 분석은 한 가지를 더 물어야 한다. 이 모델을 압축해 엣지 박스에서 돌릴 수 있는가, 추론 지연이 라인 택트를 충족하는가. 이것이 향후 공장 AI 요구 분석 프레임워크의 여섯 번째 차원이 될 수 있다.

결국 공장 AI 요구 분석 프레임워크는 심오한 방법론이 아니다. 그 핵심은 기업이 돈을 쓰기 전에 문제를 충분히 생각하게 만드는 것이다. 행동하기 전에 생각하는 것이 무엇보다 중요하다.

주제: AI 및 AI 에이전트 백과