제조 AI가 아직 풀지 못한 문제: 공장은 어떻게 판단하는가

Vision AI는 결함을 찾고, MES는 생산을 기록하며, 로봇은 작업을 수행합니다. 하지만 문제가 생겼을 때 어떤 데이터를 연결하고 무엇부터 확인할지는 여전히 사람이 정합니다. 이 글은 제조 공정을 개선하는 사람의 판단 방식을 AI가 활용할 수 있는 기업의 판단 체계로 만드는 방법을 다룹니다.

사람은 의미·절차·경험을 함께 사용해 판단합니다

공장에서 문제가 생겼다고 해서 숙련자가 지표 하나만 보고 결론을 내리지는 않습니다. 먼저 어떤 상황에서 문제가 발생했는지 살펴보고, 과거 비슷한 사례에서는 어떻게 대응했는지 떠올립니다. 이런 판단에는 보통 세 가지 지식이 함께 쓰입니다.

1. 의미 지식(Semantic Knowledge)

업무에서 사용하는 질문과 숫자의 뜻을 정확히 아는 지식입니다.

“A라인의 FPY가 왜 떨어졌는가?”에 답하려면 먼저 계산 기준과 조회 범위를 알아야 합니다. FPY(1차 통과수율)는 일반적으로 최초 검사 합격 수량을 공정 투입 수량으로 나눈 비율입니다. 어떤 제품과 기간을 대상으로 하는지, 재검사와 재작업을 어떻게 처리하는지에 따라 숫자가 달라질 수 있습니다. 제품·공정·설비·작업조·자재 Lot·불량 유형처럼 FPY를 나누어 살펴볼 기준도 필요합니다.

2. 절차 지식(Procedural Knowledge)

문제를 풀기 위해 무엇부터 확인하고, 어떤 순서로 원인 후보를 좁힐지 아는 지식입니다.
FPY가 떨어지면 먼저 검사 기준의 변경 여부와 증가한 불량 유형을 확인합니다. 이후 제품·공정·설비·작업조·자재 Lot별로 정상 생산과 비교하며 문제가 집중된 조건을 찾아갑니다.

3. 경험 기억(Episodic Memory)

과거 비슷한 문제에서 무엇을 확인하고 어떤 조치를 했으며, 결과가 어땠는지를 사례로 떠올리는 능력입니다.

“지난번에는 조립 장비의 설정을 바로잡은 뒤 FPY가 회복됐다”거나 “같은 부품 Lot(동일한 조건으로 생산·입고된 부품 묶음)이 다른 작업대에서는 문제없이 사용됐다”는 경험은 다음 문제에서 무엇부터 확인할지 정하는 데 도움이 됩니다.

하지만 기업 안에서는 이 세 가지 지식이 서로 떨어져 있습니다. 지표의 정의는 시스템과 문서에 흩어져 있고, 문제를 푸는 순서는 숙련자의 머릿속에 있습니다. 과거의 조치와 결과도 회의록이나 작업일지에만 남는 경우가 많습니다. 담당자가 바뀌면 같은 문제를 다시 처음부터 풀어야 합니다.

HEARTCOUNT Decision Layer는 이렇게 흩어진 의미·절차·경험을 기업이 반복해서 활용할 수 있도록 구조화합니다.

사람이 사용하는 지식과 기억	HEARTCOUNT 구성요소	하는 일
의미 지식	Semantic Context	질문의 의미를 파악하고 기준에 맞는 숫자 제공
절차 지식	Decision Graph	문제를 분석하는 순서와 판단 기준을 구조화
경험 기억	Decision Memory	상황과 선택한 조치, 이후 결과를 기록

Semantic Context는 질문과 데이터의 의미를 연결하고, Decision Graph는 문제를 분석하는 순서와 판단 기준을 담습니다. Decision Memory에는 당시 상황과 선택한 조치, 이후 결과가 남습니다.

이 세 가지가 HEARTCOUNT의 Decision Layer를 구성합니다. 대시보드를 하나 더 만드는 것이 아니라, 기업이 문제를 풀어온 방식을 조직의 자산으로 축적하는 기반입니다.

제조 현장에서는 이렇게 작동합니다

간단한 사례를 살펴보겠습니다.

전자제품 조립 A라인은 하루에 제품 1,000개를 생산합니다. 평소에는 980개가 첫 검사에서 바로 합격했지만, 최근에는 910개만 통과했습니다.

FPY: 98% → 91%
첫 검사 불합격: 20개 → 90개
재작업 후 최종 양품률: 99% 유지

최종 양품률만 보면 큰 문제가 없어 보일 수 있습니다. 첫 검사에서 불합격한 제품도 다시 손봐서 대부분 출하했기 때문입니다. 하지만 재작업과 재검사가 늘면서 생산시간과 비용도 함께 증가했습니다.

이제 담당자는 다음과 같은 질문에 답해야 합니다.

실제 조립 공정의 문제인가, 검사 기준이 바뀐 것인가?
어떤 불량 유형이 가장 많이 늘었는가?
문제가 특정 작업대나 시간대에 집중됐는가?
같은 조건으로 생산된 제품 중 어디까지 확인해야 하는가?

HEARTCOUNT Decision Layer는 이 문제를 세 단계로 나누어 살펴봅니다.

Semantic Context: 질문과 데이터의 뜻을 연결합니다

먼저 “A라인의 FPY가 98%에서 91%로 떨어졌다”는 말이 어떤 데이터를 뜻하는지 확인합니다.

MES(Manufacturing Execution System, 생산실행시스템)의 작업지시와 생산실적, 검사시스템의 최초 검사 결과, 작업대와 설비, 투입 부품, 작업시간과 작업조 정보를 같은 제품과 생산 시점을 기준으로 연결합니다. 재검사에서 합격한 제품을 첫 통과 제품으로 잘못 계산하지 않도록 FPY 기준도 하나로 맞춥니다.

데이터가 서로 다른 시스템에 있어도 제품 코드, 작업지시, 생산 Lot, 검사 시각과 같은 공통 식별자를 기준으로 연결합니다. 시스템마다 코드가 다르면 매핑 규칙을 적용하고, 숫자가 서로 다를 때는 어떤 시스템을 공식 기준으로 삼을지 미리 정합니다.

흩어진 기록을 한 줄로 이으면 다음과 같습니다.

제품 P-102 → A라인 → 최근 작업지시 3건 → FPY 98%에서 91%로 하락 → 첫 검사 불합격 20개에서 90개로 증가

사람이 여러 화면에서 숫자를 복사해 맞춰보는 대신, 질문의 뜻에 맞는 데이터를 찾아 같은 기준으로 계산합니다.

Decision Graph: 무엇부터 확인할지 정합니다.

다음으로 같은 제품이 정상적으로 생산됐던 기간과 비교해 무엇이 달라졌는지 살펴봅니다.

검사 기준이나 검사 장비가 바뀌었는가?
어떤 불량 유형이 가장 많이 증가했는가?
문제가 특정 작업대·작업조·시간대에 집중됐는가?
FPY가 떨어지기 전에 조립 장비나 투입 부품이 바뀌었는가?

Decision Graph에 정의된 순서에 따라 데이터로 확인할 수 있는 항목부터 비교합니다. 분석 결과가 다음과 같다고 가정해 보겠습니다.

증가한 불량의 70%가 ‘전원이 켜지지 않음’이었습니다.
특정 작업대에서 이 불량이 평소보다 3배 높은 비율로 발생했습니다.
설비관리 기록에서 해당 작업대의 조립 장비가 교체된 이력이 확인됐고, 교체 직후부터 FPY가 떨어졌습니다.
불량 제품에 투입된 것과 같은 부품 Lot이 다른 작업대에서는 문제없이 사용됐습니다.

이 결과를 종합하면 해당 작업대의 장비 교체 이후 달라진 조립 조건이 1순위 원인 후보가 됩니다. 같은 부품 Lot이 다른 작업대에서는 문제없이 사용됐기 때문에 부품 문제의 가능성은 상대적으로 낮습니다. 추가 확인이 필요한 범위도 장비 교체 이후 해당 작업대에서 생산된 제품으로 좁힐 수 있습니다.

다만 이 단계에서 원인을 확정하지는 않습니다. 데이터는 불량 증가와 함께 달라진 조건을 보여주지만, 그것만으로 원인을 증명할 수는 없습니다. 실제 원인인지는 현장 점검과 조치 전후의 결과를 비교해 확인합니다.

Decision Memory: 판단 과정과 실행 결과를 남깁니다

마지막으로 문제를 분석하고 조치한 과정을 기록합니다.

당시 제품·라인·작업지시와 생산 조건
어떤 순서로 원인 후보를 좁혔는지
어떤 데이터를 근거로 후보의 우선순위를 정했는지
담당자가 어떤 조치를 선택하고 승인했는지
조치 후 FPY와 재작업 물량이 어떻게 달라졌는지

담당자가 해당 작업대의 장비 설정과 조립 상태를 점검하고, 장비 교체 이후 생산된 제품만 다시 검사했다고 가정해 보겠습니다. 장비를 조정한 뒤 FPY가 91%에서 97.8%로 회복되고 같은 불량이 다시 늘지 않았다면, 이번 판단 과정과 결과는 다음 유사 상황에서 참고할 수 있습니다.

그렇다고 모든 기록을 곧바로 정답으로 취급하지는 않습니다. 충분히 반복되고 서로 비교할 수 있으며, 조치 결과까지 확인된 경험만 신뢰할 수 있는 사례로 활용합니다.

이렇게 FPY 하락이라는 신호는 실제 확인과 조치의 흐름으로 바뀝니다.

무엇이 달라졌는가 → 어떤 조건이 함께 달라졌는가 → 어느 제품까지 확인해야 하는가 → 무엇부터 조치할 것인가 → 조치 후 개선됐는가

Vision AI만으로 충분하지 않을까요?

Vision AI(영상과 이미지로 결함을 판별하는 인공지능)와 자동검사 장비는 불량을 빠르고 일관된 기준으로 찾아내는 데 강합니다. 하지만 검사 판정과 공장 운영의 판단은 서로 다른 일입니다.

구분	묻는 질문	내놓는 결과
Vision AI·자동검사	이 이미지나 측정값은 정상인가, 불량인가?	OK/NG, 결함 종류·위치·신뢰도
Decision Layer	불량은 왜 늘었고, 어디까지 영향을 받았으며, 무엇부터 확인해야 하는가?	원인 후보, 영향 범위, 확인·조치 우선순위

Vision AI는 불량을 찾지만, 그 불량이 어떤 작업지시와 자재 Lot에서 발생했는지, 이미 출하된 제품에도 영향이 있는지, 설비와 자재 중 무엇부터 확인해야 하는지까지 판단하기는 어렵습니다.

이를 판단하려면 검사 결과를 MES의 생산실적, 설비 이력, 자재 Lot, 품질 및 출하 정보와 연결해야 합니다. 정상 생산과 비교해 원인 후보를 순서대로 확인하고, 조치 후 결과도 다시 살펴봐야 합니다.

따라서 검사 정확도를 높이는 것과 공장의 대응 능력을 높이는 것은 별개의 과제입니다. Decision Layer는 검사 결과를 생산 맥락과 연결해 현장이 무엇부터 확인하고 조치할지 판단할 수 있도록 돕습니다.

공장에서는 여러 시스템이 따로 움직입니다

제조 현장에는 이미 다양한 시스템과 AI가 들어와 있습니다.

Vision AI와 자동검사 장비는 결함을 찾습니다.
MES는 작업지시, 생산실적과 재공(WIP, 공정 중인 제품)을 기록합니다.
센서와 PLC(Programmable Logic Controller, 설비 제어기)는 온도·속도·압력과 설비 알람을 수집합니다.
로봇과 Physical AI(센서 정보를 바탕으로 현실에서 움직이고 작업하는 AI)는 실제 작업을 수행합니다.

국내 제조업에서도 AI 비전검사를 도입해 육안검사의 편차를 줄이고, 결함 판정 기준을 일정하게 만든 사례를 확인할 수 있습니다. 하지만 각 시스템의 데이터는 서로 다른 화면에 나뉘어 있고, 제품과 설비를 구분하는 식별자도 제각각인 경우가 많습니다.

결함을 잘 찾고 설비 이상을 빠르게 예측한다고 해서 공장 전체의 판단과 대응이 자동으로 좋아지는 것은 아닙니다. 여러 신호를 연결해 문제의 범위를 좁히고, 조치 순서를 정한 뒤, 실행 결과를 다음 판단에 반영하는 과정이 필요합니다.

제조 AI의 다음 단계는 ‘연결된 판단’입니다

Gartner는 AI가 분석과 행동을 맡으려면 업무 맥락과 Semantic Layer(지표와 데이터의 의미를 정의하는 계층), Decision Intelligence(데이터와 AI로 판단 과정과 결과를 개선하는 체계)가 필요하다고 설명합니다. AI가 답을 내놓는 것뿐 아니라, 어떤 근거와 절차로 판단했는지 확인할 수 있어야 한다는 뜻입니다.

McKinsey가 제조기업 COO 101명을 조사한 결과, 운영 전반에 AI를 적용했다고 답한 기업은 2%에 불과했습니다. 46%는 데이터 또는 IT/OT(정보시스템과 생산설비 기술) 기반의 한계를 지적했습니다. AI 모델을 만드는 것과 공장 운영에 정착시키는 것은 다른 과제입니다.

McKinsey가 소개한 Midea 태국 공장은 고객 불만과 공장 품질 데이터를 연결하고, AI가 유사 사례와 원인 후보를 찾으면 엔지니어가 이를 검토하도록 했습니다. 그 결과 품질 문제를 발견한 뒤 조치계획을 세우기까지 걸리는 시간이 60일 이상에서 하루로 줄었습니다. 성과를 만든 것은 특정 모델 하나가 아니라 연결된 데이터, 판단 절차, 사람의 검토와 결과 확인이었습니다.

국내 제조 AI도 같은 방향으로 움직이고 있습니다

삼성SDS는 제조 Agentic AI의 기반으로 MES·ERP·PLM 데이터의 통합과 표준화, 설명 가능한 AI, HITL(Human-in-the-loop, 사람의 검토와 승인)을 제시합니다.
LG CNS는 AI 자율제조를 위해 공장 전체의 데이터를 실시간으로 수집·분석하는 통합 시스템이 필요하다고 설명합니다.
현대 오토에버는 SDF(Software-defined Factory, 소프트웨어 중심 공장)를 MES·품질·생산계획·AI 비전검사·디지털 트윈·예지보전·AI Agent가 연결되는 구조로 제시합니다.

Decision Intelligence, Agentic AI, 자율제조, SDF처럼 사용하는 용어는 다르지만 지향점은 같습니다. 개별 AI의 검출·예측 결과를 생산 맥락과 연결하고, 판단과 실행, 결과 확인까지 하나의 흐름으로 이어가는 것입니다.

HEARTCOUNT는 이 흐름을 제조 운영에 적용한 체계를 Manufacturing Decision Intelligence라고 부릅니다.

문제는 달라도 판단의 구조는 반복됩니다

오늘은 FPY 하락의 원인을 찾아야 하지만, 내일은 납기 지연이나 특정 자재의 영향 범위를 확인해야 할 수 있습니다. 다루는 지표와 데이터는 달라져도 해야 할 일은 비슷합니다. 숫자의 기준을 정하고, 비교 순서에 따라 원인과 영향 범위를 좁힌 뒤, 조치와 결과를 기록하는 것입니다.

Decision Layer는 개별 문제의 답을 미리 정해두는 솔루션이 아니라, 여러 제조 문제를 풀어가는 공통 구조를 제공합니다.

납기 지연 위험: 작업지시, 재공, 자재 입고 일정과 생산능력을 연결해 지연 가능성이 큰 주문과 대응 순서를 판단합니다.
자재 Lot 추적: 문제 자재가 사용된 제품과 출하 범위를 찾아, 정상 제품까지 불필요하게 보류하는 일을 줄입니다.
신제품 양산 안정화: 과거 유사 제품의 초기 수율과 반복 불량을 비교해 주의해야 할 공정과 생산 조건을 찾습니다.
설비·라인 투자: 생산속도, 대기 물량, 비가동 시간과 납기 영향을 함께 분석해 우선 개선할 설비를 판단합니다.

문제가 달라도 기본 흐름은 같습니다.

질문과 데이터의 의미 연결 → 분석 순서와 판단 기준 적용 → 조치와 결과 기록 → 다음 유사 상황에 활용

물론 문제마다 필요한 데이터와 판단 기준은 새로 정의해야 합니다. 하지만 공통 구조를 활용하면 새로운 AI 활용 사례를 만들 때마다 데이터의 의미와 분석 절차를 처음부터 다시 설계하는 부담을 줄일 수 있습니다. 이미 정리된 데이터와 판단 절차, 검증된 경험에서 시작할 수 있기 때문입니다.

Physical AI가 늘수록 공장 전체의 판단이 중요해집니다

로봇과 자율설비가 많아질수록 개별 작업보다 공정 전체를 살피는 능력이 중요해집니다. 자동화 범위가 넓고 실행 속도가 빠를수록 잘못된 조건도 빠르게 확산될 수 있기 때문입니다. 각 로봇이 맡은 작업을 정확히 수행하더라도, 그 결과가 품질·납기·생산성·에너지·안전에 미치는 영향까지 스스로 판단하기는 어렵습니다.

AI 비전검사와 센서는 현장의 상태를 감지합니다.
MES는 생산을 지시하고 기록합니다.
로봇과 자율설비는 작업을 실행합니다.
HEARTCOUNT Decision Layer는 각 시스템의 결과를 연결해 원인 후보와 영향 범위를 좁히고, 조치 우선순위를 제시합니다.

중요한 것은 무인화 자체가 아닙니다. 무엇을 왜 실행했는지 설명할 수 있고, 그 결과를 다음 판단에 반영할 수 있어야 합니다.