공장 AI 요구사항 분석 프레임워크의 핵심 결론은 이것입니다. 공장은 AI를 도입하기 전에 요구를 정량화되고 검증 가능하며 실행 가능한 분석 프레임워크로 먼저 분해해야 하며, 그렇지 않으면 가장 앞선 AI Agent도 시연 단계에 머물게 됩니다. 지난 2년간 제조 기업의 AI Agent, 산업 AI, 로보틱스에 대한 관심은 계속 높아졌지만, 실제로 프로젝트의 현장 적용을 막는 것은 알고리즘이 아니라 요구사항 분석을 제대로 하지 않았다는 점인 경우가 많습니다. ZEVON은 15개 이상 산업에서 120개 이상 고객에게 서비스하면서 요구사항 분석 프레임워크가 공장 AI 프로젝트 성패의 80%를 결정한다는 것을 확인했습니다.
1. 핵심 개념과 정의
공장 AI 요구사항 분석 프레임워크는 제조 기업이 AI Agent, 산업 AI 모델, 로봇 시스템을 도입하기 전에 비즈니스 과제, 데이터 기반, 컴퓨팅 조건, 인력 역량, 투자 수익을 구조화하는 방법론입니다. 단순한 IT 요구사항 조사가 아니라, 공장의 비즈니스 목표를 AI가 실행할 수 있는 작업 목록으로 번역하는 작업입니다.
이 프레임워크는 보통 다섯 가지 차원을 포함합니다. 비즈니스 차원은 해결할 문제가 품질, 효율, 원가, 안전 중 무엇인지 명확히 합니다. 데이터 차원은 데이터가 확보 가능하고 깨끗하며 실시간인지 평가합니다. 알고리즘 차원은 해당 작업이 규칙 엔진, 머신러닝, AI Agent 중 무엇에 적합한지 판단합니다. 시스템 차원은 MES, ERP, SCADA, ESOP(Electronic Standard Operating Procedure) 시스템과 어떻게 연결할지 확인합니다. 조직 차원은 누가 사용하고 누가 관리하며 누가 유지보수하는지 명확히 합니다.
ZEVON은 산업 AI와 MES + AI 실무에서 요구사항 분석 프레임워크를 프로젝트 착수의 첫 번째 프로세스로 삼아, 고객이 요구가 모호한 상태에서 AI 도구를 맹목적으로 구매하는 것을 방지합니다.
2. 기술 원리와 핵심 역량

공장 AI 요구사항 분석 프레임워크의 근본 논리는 모호한 공장 문제를 계산 가능한 작업으로 바꾸는 것입니다. 구체적으로 세 가지 핵심 역량에 의존합니다.
첫째는 작업 분해입니다. 예를 들어 공장이 수율을 높이고 싶다고 하면, 프레임워크는 이를 결함 검출, 근본 원인 분석, 파라미터 최적화, 공정 권고의 네 가지 하위 작업으로 나누고 각 하위 작업이 AI에 적합한지 판단합니다.
둘째는 데이터 준비도 평가입니다. 산업 AI는 시계열 데이터, 이미지 데이터, 텍스트 데이터, 작업 지시 데이터에 의존합니다. 프레임워크는 데이터 수집 주기, 라벨링 품질, 보관 기간이 모델 학습 요구사항을 충족하는지 판단해야 합니다. 많은 공장 AI 프로젝트가 실패하는 이유는 모델이 약해서가 아니라 데이터 준비도를 명확히 평가하지 않았기 때문입니다.
셋째는 AI Agent 오케스트레이션입니다. 현대의 공장 AI는 더 이상 단일 모델이 아니라 여러 AI Agent가 함께 작동하는 구조입니다. 예를 들어 검사 에이전트가 결함을 식별하고, 진단 에이전트가 원인을 분석하며, 스케줄링 에이전트가 라인 파라미터를 조정합니다. ZEVON의 에이전트 방향 역량은 바로 공장이 여러 AI 역량을 실행 가능한 워크플로로 오케스트레이션하고 MES + AI 시스템과 연결해 폐쇄 루프를 형성하도록 돕는 것입니다.
3. 제조 적용 시나리오
전자 공장이 AI로 SMT 실장 수율을 높이려 한다고 가정해 봅시다. 요구사항 분석 프레임워크에 따르면 첫 단계는 냉납률을 낮추는 비즈니스 목표를 정의하는 것입니다. 두 번째 단계는 데이터를 평가하는 것으로, 리플로 온도 프로파일, 솔더 페이스트 인쇄 파라미터, AOI 검사 이미지가 완비되어 있는지 확인합니다. 세 번째 단계는 작업을 판단하는 것으로, AOI 이미지는 딥러닝에, 온도 프로파일은 시계열 모델에, 근본 원인 분석은 AI Agent 추론에 적합합니다. 네 번째 단계는 시스템 통합을 확인하는 것으로, AI 결과가 MES에 다시 기록되고 ESOP를 통해 작업장에 푸시되어야 합니다. 다섯 번째 단계는 조직적 실행으로, 공정 엔지니어가 라벨링을, IT가 배포를, 생산 라인이 검증을 담당합니다.

이제 자동차 부품 공급사가 AI로 설비 예지 보전을 하려 한다고 가정해 봅시다. 프레임워크는 먼저 질문을 분해합니다. 베어링 마모인지, 공구 수명인지, 유압 시스템 고장인지 판단하는 것입니다. 그다음 진동 센서, 전류 신호, 보전 작업 지시의 데이터 품질을 평가합니다. 이어서 어떤 작업은 규칙 엔진으로 이미 처리 가능하고 어떤 작업은 AI 모델이 필요한지 판단합니다. 마지막으로 기존 MES + AI 플랫폼 및 ESOP 시스템과 어떻게 통합할지 확인하여, 보전 작업 지시가 자동 생성되고 교대조에 푸시되도록 보장합니다.
또 다른 시나리오는 이산 제조의 생산 스케줄링 최적화입니다. 가공 공장이 수주 변동이 크다고 가정해 봅시다. 프레임워크는 먼저 스케줄링 목표가 납기 우선인지 원가 우선인지 명확히 하고, 설비 상태, 금형 수명, 작업자 숙련도 같은 데이터를 평가한 뒤, 운영 연구 최적화를 쓸지 AI Agent의 동적 스케줄링을 쓸지 판단하고, 마지막으로 ERP 및 MES와 어떻게 연계할지 확인합니다.
4. 선택과 구현 권고
첫째, AI 제품을 고르기 전에 요구사항 분석을 먼저 하십시오. 많은 공장이 반대로 합니다. 벤더 시연을 먼저 보고 요구사항을 역으로 맞추다가 결국 사용할 수 없는 AI를 사게 됩니다. 공장 AI 요구사항 분석 프레임워크로 작업 목록을 먼저 산출한 뒤 그에 맞춰 기술 해법을 매칭하는 것이 좋습니다.
둘째, 작은 시나리오에서 시작하되 프레임워크는 공장 전체를 포괄하게 하십시오. 예를 들어 AI 비전 검사부터 시작하되 요구사항 분석 단계에서 향후 MES + AI, ESOP, 설비 관리와의 연계를 고려해야 합니다. ZEVON은 고객이 프레임워크 단계에서 데이터 기반과 시스템 인터페이스를 계획하여 이후 중복 구축을 피하도록 권고합니다.
셋째, AI Agent의 설명 가능성과 유지보수성을 중시하십시오. 현장은 AI가 왜 그런 판단을 내렸는지 알아야 합니다. 요구사항 분석 프레임워크에는 설명 가능성 요구사항이 포함되어야 하며, 예를 들어 결함 검출은 히트맵을 출력하고 스케줄링 권고는 제약 조건을 명시해야 합니다.

넷째, ESOP를 요구사항 분석 범위에 포함하십시오. 많은 AI 분석 결과가 결국 작업장 운영에 도달해야 하는데, ESOP 시스템이 AI 지시를 받을 수 없다면 루프가 끊어집니다. ZEVON은 ESOP와 AI를 결합하는 성숙한 실무를 보유하고 있으며, 3,200개 이상 단말의 경험은 작업장 수준의 디지털화가 AI 현장 적용을 가능하게 하는 중요한 부분임을 보여줍니다.
다섯째, 검증 가능한 수용 지표를 설정하십시오. 요구사항 분석 프레임워크는 결함 검출률, 오경보율, 응답 시간, 수작업 대체 비율 같은 각 AI 작업의 수용 기준을 산출해야 합니다. 수용 기준이 없으면 프로젝트는 결코 종료될 수 없습니다.
5. 전망
첫 번째 트렌드는 AI Agent가 단일 지점에서 협업으로 이동하는 것입니다. 미래의 공장에는 검사 에이전트, 스케줄링 에이전트, 보전 에이전트, 에너지 에이전트가 있게 되며, 이들은 서로 소통하고 협상해야 합니다. 공장 AI 요구사항 분석 프레임워크도 이에 맞춰 업그레이드되어 다중 에이전트 협업을 평가하는 차원을 추가해야 합니다.
두 번째 트렌드는 MES와 AI의 심층 통합입니다. MES는 더 이상 단순한 실행 시스템이 아니라 AI의 스케줄링 허브입니다. 요구사항 분석 프레임워크는 어떤 AI 역량이 MES에 내장되고, 어떤 것이 독립 배포되며, 어떤 것이 ESOP를 통해 엣지로 푸시되는지 판단해야 합니다.
세 번째 트렌드는 요구사항 분석 프레임워크 자체가 지능화되는 것입니다. 공장 데이터를 자동으로 읽고 작업 목록을 생성하며 알고리즘을 매칭하는 AI 기반 요구사항 분석 도구가 등장할 수 있습니다. 그러나 도구가 어떻게 변하든 비즈니스 목표, 데이터 준비도, 조직 역량이라는 세 가지 핵심 차원은 변하지 않습니다. ZEVON은 산업 AI, AI Agent, MES + AI 분야에서 계속 심화해 나가며 더 많은 제조 기업이 AI 요구사항 분석을 견고하게 수행하여 공장 AI가 실제 성과를 내도록 도울 것입니다.