공장 AI 요구사항 분석 프레임워크는 본질적으로 공장이 AI로 무엇을 하려는지를 생산 라인, 설비, 품질, 스케줄링에서 AI가 실제로 할 수 있는 일, 필요한 데이터, 책임 소재로 번역하는 구조화된 방법이다. 지난 2년간 AI 에이전트, 산업 AI, 로보틱스에 대한 제조업의 관심은 분명히 높아졌지만, 프로젝트를 실제로 지연시키는 것은 보통 알고리즘이 아니라 명확히 분해되지 않은 요구사항이다. 15개 이상 산업, 120개 이상 고객에 서비스하면서 ZEVON은 요구사항을 프레임워크로 일찍 정렬한 프로젝트가 납기 주기와 재작업률이 훨씬 통제 가능하다는 것을 확인했다.
I. 핵심 개념과 정의
공장 AI 요구사항 분석 프레임워크는 IT 요구사항 체크리스트가 아니라 현장을 위한 문제-역량 매핑 도구다. 그것은 네 가지 질문에 답해야 한다. 첫째, 비즈니스 통증이 어느 공정 단계나 설비 유형에서 발생하는가. 둘째, 그 통증이 AI에 적합한가, 아니면 기존 자동화나 관리 개선이 더 비용 효율적인가. 셋째, AI 출력이 어느 시스템에 내장되어야 하는가, 예를 들어 MES, ESOP, QMS 또는 설비 제어 시스템이다. 넷째, AI 결과가 옳은지 누가 판단하고 누가 폐루프를 닫는가.
일반 AI 요구사항 분석과 달리 공장 프레임워크에는 세 가지 강한 제약이 있다. 실시간성, 설명 가능성, OT 시스템과의 호환성이다. 예를 들어 사출 현장의 공정 파라미터 권고가 몇 초 지연되면 택트에 영향을 줄 수 있고, 표면 결함 검출에서 AI가 결함 유형과 위치 없이 NG만 반환하면 라인 작업자는 재판단할 수 없다. 산업 AI와 MES+AI 실무에서 ZEVON은 보통 요구사항을 감지, 예측, 의사결정, 상호작용의 네 계층으로 나누고 이를 구체적 에이전트 역량에 매핑한다.
II. 기술 원리와 핵심 역량
기술적으로 공장 AI 요구사항 분석 프레임워크는 세 가지 주요 흐름을 따른다. 첫째는 데이터 경로로, 설비 PLC, 센서, MES 작업지시, ESOP 작업지시서, 품질 기록이 통일된 타임스탬프에서 정렬될 수 있는지 여부다. 둘째는 모델 역량으로, 어떤 시나리오가 비전 검사, 시계열 예측, 공정 파라미터 최적화, 자연어 상호작용에 적합한지다. 셋째는 에이전트 오케스트레이션으로, 대형 모델의 이해력과 규칙 엔진, 지식 베이스, 도구 호출을 결합해 작업을 실행할 수 있는 에이전트를 구성하는 것이다.
핵심 역량은 다섯 가지로 나눌 수 있다. 첫째는 의도 인식으로, 현장 관리자의 요즘 버(burr)가 자꾸 나온다는 말을 분석 가능한 품질 특성으로 바꾸는 것이다. 둘째는 데이터 가용성 평가로, 요구사항이 필요로 하는 데이터가 이미 수집되고 있는지, 주기가 충분한지, 라벨이 올바른지 판단하는 것이다. 셋째는 대략적 ROI 스크리닝으로, 공수, 불량률, 다운타임 같은 정량 지표로 우선순위를 정하는 것이다. 넷째는 인간-기계 협업 설계로, AI가 조언하는지, 차단하는지, 직접 제어하는지 명확히 하는 것이다. 다섯째는 지속적 반복 메커니즘으로, 현장 피드백이 모델과 규칙으로 환류되게 하는 것이다. ZEVON의 ESOP와 MES+AI 역량은 이 다섯 가지 역량에 구성 가능한 기반을 제공하여 요구사항 분석이 종이에 머물지 않게 한다.

III. 제조 적용 시나리오
한 전자 공장이 SMT 라인을 운영하며 라인 교체 후 초도품 확인이 느리고 오판이 많다는 문제를 자주 겪는다고 가정하자. 프레임워크로 분해하면 통증은 초도품 검사 단계에 있고, 데이터는 AOI 이미지와 SPI 솔더 페이스트 검사 결과를 포함하며, 시각 비교와 규칙 기반 판단이 AI 역량에 적합하고, 출력은 ESOP와 MES 작업지시에 내장되어야 하며, IPQC가 최종 릴리스를 준다. 따라서 요구사항은 막연한 AI 비전 검사 요청이 아니라 초도품 AI 보조 판단 에이전트로 구체화된다.
한 자동차 부품 기업이 가공을 하며 공구 마모로 치수 편차가 생기고 공구 교체를 위해 정지하면 생산 능력이 낭비된다고 가정하자. 프레임워크는 분석을 이끈다. 통증은 공구 수명 예측이고, 데이터는 스핀들 전류, 진동, 가공 횟수를 포함하며, 시계열 모델이 잔여 수명 예측에 적합하고, 출력은 설비관리시스템으로 가서 공구 교체 알림을 트리거하며, 반장이 확인한다. 이런 요구사항을 그대로 대형 모델 챗봇에 넘기면 문제는 해결되지 않을 것이다.
세 번째 시나리오는 조립 현장의 작업지시서다. 한 전자 공장이 다품종 소량 생산을 하며 SOP가 자주 바뀌고 신입 직원의 적응이 느리다. 프레임워크는 이를 상호작용형 요구사항으로 판단하며, ESOP와 AI 에이전트를 결합한 자연어 질의응답 및 단계 푸시가 적합하고, 데이터는 공정 문서와 과거 예외 기록에서 오며, 출력은 스테이션 단말로 가고, 라인 리더가 지식 베이스를 유지한다. 이런 시나리오에서 ZEVON은 보통 요구사항 분석 결과를 ESOP 구성 항목에 직접 매핑하여 이중 번역을 줄인다.
IV. 선정과 구현 조언
첫째, 대형 모델을 논하기 전에 요구사항을 계층화하라. 요구사항을 반드시 AI를 써야 하는 것, 기존 알고리즘으로 가능한 것, 관리 수단으로 해결 가능한 것으로 나누면 많은 의사 요구사항이 걸러진다. 둘째, 가상 시나리오로 스트레스 테스트하라. 데이터가 10초 지연되면 요구사항이 여전히 성립하는지, 모델 정확도가 85퍼센트에 불과하면 현장이 받아들이는지 등이다. 셋째, 책임자와 수용 기준을 명명하라. 누가 AI 출력을 검토하고, 얼마나 자주, 어떤 지표로 검토하는가. 넷째, 기존 MES, ESOP, QMS와 연결되는 솔루션을 선호하여 새로운 데이터 사일로를 만들지 말라. 다섯째, 작은 단계로 검증하라. 한 스테이션이나 한 라인에서 루프를 돌린 뒤 수평으로 복제하라. 3,200개 이상 최종 사용자 사이트에서의 ZEVON 경험은 프레임워크를 잘 사용하면 이후 구현 분쟁이 훨씬 적다는 것을 보여준다.
V. 전망
첫 번째 방향은 에이전트화다. 미래의 프레임워크는 스케줄링 에이전트, 검사 에이전트, 유지보수 에이전트 같은 작업 지향 에이전트를 점점 더 겨냥할 것이며, 요구사항 서술은 보고서를 원한다에서 지시를 따르고 자동으로 경보를 올리는 어시스턴트를 원한다로 바뀔 것이다. 두 번째는 엣지-클라우드 협업이다. 실시간 제약이 강한 요구사항은 엣지로 내려가고 지식 관리와 모델 학습은 클라우드에 남으므로, 프레임워크에는 배치 위치 차원이 필요하다. 세 번째는 지능형 요구사항 분석 그 자체다. AI로 인터뷰 노트, 작업지시 데이터, 예외 로그를 소화해 후보 요구사항 목록을 자동으로 작성하고 사람이 보정하게 하는 것이다. 제조사에게는 요구사항 분석 프레임워크를 먼저 표준화하는 쪽이 산업 AI 도입에서 우회로를 덜 걷게 된다.