공장 AI 요구 분석 프레임워크는 본질적으로 공장이 실제로 AI로 무엇을 해결해야 하는가라는 모호한 질문을 실행 가능한 목록으로 바꾸는 방법이다. 지난 2년간 제조업의 AI에 대한 관심은 할지 말지에서 무엇을 먼저 할지로 빠르게 이동했지만, 실제로 프로젝트 실행을 막는 것은 알고리즘 능력이 아니라 명확히 분해되지 않은 요구사항인 경우가 많다. 좋은 요구 분석 프레임워크는 프로젝트 승인 전에 공장이 우선순위, 데이터 조건, 투자 수익 논리를 보게 한다.
I. 핵심 개념과 정의
공장 AI 요구 분석 프레임워크는 제조 시나리오를 지향해 AI 응용 요구를 식별, 분류, 순위화하는 구조화 방법이다. IT 요구 조사와 같지 않고 단순 기능 목록도 아니며 네 가지 질문에 동시에 답한다. 이 시나리오에 AI를 쓸 가치가 있는가, 데이터가 충분한가, 기술적으로 구현 가능한가, 현업이 사용할 의향이 있는가.
구성 측면에서 보통 다섯 차원을 포함한다. 비즈니스 통점, 데이터 준비도, 기술 실현 가능성, 조직 수용도, 투자 수익이다. 각 차원 아래 구체 지표가 있다. 예를 들어 통점 차원은 정지 손실, 수율 변동, 수동 검사 강도를 보고, 데이터 차원은 과거 데이터량, 라벨링 품질, 수집 주기를 보며, 기술 차원은 작업 유형이 분류인지 회귀인지 이상 탐지인지를 본다.
산업 AI 실무에서 이 프레임워크는 MES, 전자 표준 작업 절차(ESOP) 같은 시스템과 함께 쓰이는 경우가 많다. 예를 들어 ZEVON은 제조업체를 지원할 때 먼저 기존 시스템의 공정 데이터, 설비 데이터, 작업자 행동 데이터를 정리한 뒤 어떤 링크가 AI에 먼저 적합한지 판단한다. 작업 지시와 공정 관리 시스템인 ZEVON의 ESOP는 자체적으로 대량의 표준 공수, 공정 버전, 작업 기록을 축적하고 있어 요구 분석 시 데이터 준비도를 판단하는 중요한 입력이 된다.
II. 기술 원리와 핵심 역량
이 프레임워크의 기저 논리는 AI 프로젝트를 기술 주도에서 가치 주도로 이동시키는 것이다. 모든 시나리오를 한 번에 커버하는 것이 아니라 점수화와 선별로 가치가 높고 장벽이 낮은 진입점을 찾는다.
핵심 역량은 세 측면에 나타난다. 첫째는 시나리오 분해로 검사 효율 향상이라는 큰 목표를 표면 결함 인식, 치수 측정, 조립 완전성 판정 같은 독립 평가 가능한 하위 작업으로 나눌 수 있다. 둘째는 데이터 평가로 기존 데이터가 지도 학습, 비지도 학습, 소량 샘플 학습 요구를 충족하는지 판단할 수 있다. 셋째는 우선순위화로 보통 가치와 실현 가능성의 2차원 매트릭스를 사용해 요구를 지금 실행, 파일럿, 관망, 보류로 분류한다.

기술적으로 현대 공장 AI 요구 분석은 점점 Agent 접근에 의존한다. 사람이 항목별로 양식을 채우는 대신 AI Agent가 MES 작업지시, 설비 로그, ESOP 작업 기록을 자동으로 읽어 후보 시나리오 초기 목록을 생성하고 공정, 품질, IT 담당자가 공동 검토한다. 이 접근은 부서 간 커뮤니케이션 비용을 크게 줄이고 즉흥적으로 시나리오를 고르는 일을 피한다.
III. 제조업 적용 시나리오
전자 공장이 SMT 실장을 하고 리플로 후 냉납이 자주 발생한다고 하자. 요구 분석 프레임워크로 분해하면 통점 차원은 불량 유출이 고객 클레임으로 이어져 점수가 높고, 데이터 차원은 AOI 설비에 과거 이미지가 많지만 라벨링이 불완전하며, 기술 차원은 냉납 검출이 성숙한 비전 작업이고, 조직 차원은 품질 부서가 협조할 의향이 있다. 종합 판단은 이 시나리오가 파일럿에 적합하며 소량 샘플 라벨링과 모델 검증부터 시작하고 전 라인에 즉시 확산하지 않는 것이다.
자동차 부품 기업이 가공을 하며 스핀들 이상으로 계획되지 않은 정지가 납기에 영향을 준다고 하자. 프레임워크 분석은 진동 데이터 수집 주기는 충분하지만 고장 라벨이 없음을 발견한다. 이 경우 기술 경로는 지도 분류보다 비지도 이상 탐지를 우선해야 한다. 동시에 요구 분석은 한 작업장에서 데이터 수집과 기준선 구축을 먼저 시작한 뒤 점진 확대할 것을 권고한다.
식품 포장 공장이 포장 외관 검사에 AI를 쓰려 한다고 하자. 프레임워크는 식품 산업이 교체가 잦고 SKU가 많으며 SKU별로 별도 모델을 학습하면 유지보수 비용이 매우 높아진다고 지적한다. 따라서 요구를 단순 결함 검출이 아니라 소량 샘플로 빠르게 교체하는 것으로 정의해야 한다. 이런 판단이 바로 요구 분석 프레임워크의 가치다.
IV. 선정 및 구축 권고
첫째, 기술 선정보다 요구 인벤토리를 먼저 하라. 많은 공장이 반대로 해서 알고리즘 플랫폼을 먼저 사고 나중에 시나리오를 찾아 플랫폼이 유휴 상태가 된다. 올바른 순서는 비즈니스가 통점을 제시하고 IT가 데이터를 제시하며 공정이 표준을 제시하고 세 가지가 함께 프레임워크를 통과하는 것이다.
둘째, 파일럿으로 프레임워크의 정확도를 검증하라. 데이터 기반이 비교적 좋은 고가치 시나리오를 골라 2~4주간 실현 가능성을 검증하라. 검증하는 것은 모델 정확도가 아니라 요구 판단이 올바른지, 데이터가 실제로 사용 가능한지, 현업이 실제로 쓰려 하는지다.

셋째, 요구 분석을 지속 메커니즘으로 만들어라. 공장 AI 요구는 일회성이 아니며 설비 갱신, 공정 변경, 주문 구조 변화에 따라 우선순위가 바뀐다. 분기마다 같은 프레임워크로 재평가할 것을 권장한다.
넷째, 시스템 간 데이터 연결을 중시하라. MES, ESOP, QMS가 서로 고립되어 있으면 요구 분석이 데이터 획득 난이도를 과소평가한다. ZEVON의 산업 AI와 MES+AI 실무는 작업 지시, 공정 기록, 품질 데이터를 같은 데이터 기반에 올리면 요구 분석 정확도가 눈에 띄게 향상됨을 보여준다. 3,200개 이상 단말과 15개 이상 산업, 120개 이상 고객으로 대표되는 제조 생태계에서 이 연결 능력은 단일 지점 알고리즘보다 중요하다.
다섯째, 조직 수용도를 무시하지 말라. AI 시나리오가 아무리 좋아도 일선 작업자가 번거롭다고 느끼면 결국 폐기된다. 요구 분석 단계에서 인간-기계 인터페이스가 친화적인지, 추가 조작이 생기는지를 이미 점수에 포함해야 한다.
V. 전망
첫째 방향은 지능형 요구 분석이다. 미래의 공장 AI 요구 분석 프레임워크는 점점 더 Agent가 실행한다. Agent가 MES, ESOP, 설비 데이터를 읽고 후보 시나리오, 데이터 평가 보고서, 우선순위 권고를 자동 생성하며 사람은 검토와 결정만 한다.
둘째 방향은 프레임워크와 산업 대형 모델의 결합이다. 대형 모델은 공정 문서, 작업 지시, 과거 작업지시를 이해해 비구조적 비즈니스 통점을 구조화된 요구로 바꿀 수 있다. 이는 요구 분석의 진입 장벽을 크게 낮춰 더 많은 중소 공장이 접근할 수 있게 한다.
셋째 방향은 요구 분석을 라인 설계 단계로 앞당기는 것이다. 생산 라인을 구축하거나 업그레이드할 때 AI 요구를 전체 계획에 포함하고 라인 가동 후에 추가하지 않아야 한다. 이는 요구 분석 프레임워크가 사후 도구에서 설계 도구로 진화해 디지털 트윈, 가상 시운전과 함께 쓰이게 됨을 의미한다.
전반적으로 공장 AI 요구 분석 프레임워크는 정적인 표가 아니라 동적인 의사결정 방법이다. 공장이 무엇을 먼저 하고 왜 하며 할 수 있는지와 할 가치가 있는지를 답하게 하고 AI 프로젝트를 기술 데모에서 실제 제조 가치로 이동시킨다.