제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다

점선 밑줄이 있는 용어에 마우스를 올리거나 탭하면 설명을 볼 수 있습니다.

제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다

물건의 흐름과 정보의 흐름을 넘어 판단의 흐름까지

제조기업에서 AI 아이디어를 찾는 워크숍을 열면 비슷한 목록이 나온다. 보고서 자동화, 검사 자동화, 수요 예측, 설비 이상 탐지, 문서 검색.

틀린 아이디어는 아니다. 문제는 이것들 대부분이 일의 설명이 아니라 해법의 이름이라는 데 있다. '보고서 자동화'라는 말에는 그 보고서를 누가, 무엇을 판단하려고 만드는지가 없다. '문서 검색'이라는 말에는 사람이 문서를 찾은 뒤 무엇을 결정하는지가 빠져 있다. 해법의 이름으로 시작하면 그 해법이 들어갈 자리만 찾게 된다.

「MES도 ERP도 있는데, 왜 제조 현장은 여전히 엑셀과 메일로 움직이는가」에서 A사의 품질 이상 대응 한 건을 처음부터 끝까지 따라갔다. 담당자가 손을 쓴 시간은 서너 시간이었지만 이상을 감지한 순간부터 조치가 승인되기까지는 이틀 반이 걸렸고, 출하를 막을지 판단하는 기준은 15년 차 선임 한 사람에게만 있었다. 그 한 건을 이제 분석할 수 있는 모양으로 다시 그려 볼 차례다.

장면으로 보기

물건, 정보, 그리고 판단의 흐름

도식은 좌우로 밀어 볼 수 있다

1 / 4 · 첫 번째 흐름, 물건

A사의 Lot이 생산되고 최종 검사를 거쳐 출하된다. 가치 흐름 지도가 가장 먼저 그리는 흐름이다.

물건, 정보, 판단의 세 흐름을 한 장면씩 쌓아 올리고, 마지막에 출하를 막을지에 대한 판단이 Lot의 길을 보류 창고로 갈라놓는 순간을 보여 준다. 단계 버튼이나 키보드 좌우 화살표로 넘길 수 있다

이 글은 제조 AX 시리즈의 두 번째 글이다. 제조 현장의 업무를 분석할 때는 물건과 정보의 이동뿐 아니라, 사람이 판단하는 순서도 함께 그려야 한다. 그리고 그 흐름을 사람과 AI와 시스템의 역할을 나눌 수 있을 만큼 잘게 나눠야 한다. 이 글은 A사의 한 건으로 그 방법을 따라간다.

린(Lean)은 오래전부터 흐름을 보라고 했다

제조 혁신에는 이미 강력한 사고방식이 있다. 가치 흐름 지도(Value Stream Mapping)다.

가치 흐름 지도(Value Stream Mapping) — 제품이 주문에서 납품까지 가는 데 필요한 물건의 흐름과 정보의 흐름을 단계마다 그리는 린 생산의 도구다. 도요타는 이 도구를 '물건과 정보의 흐름도'라고 부른다.

린 기업 연구소(Lean Enterprise Institute)는 이 도구가 개별 공정이 아니라 흐름 전체를 보게 하고, 물건의 흐름과 정보의 흐름이 어떻게 이어지는지를 보여 준다고 설명한다. 그리고 한 가지를 덧붙인다. 지도를 그리면 흐름에 관한 결정이 드러나 논의할 수 있게 되고, 그러지 않으면 많은 결정이 그냥 관행대로 일어난다는 것이다.

공정 하나를 빠르게 해도 뒤에서 기다리면 전체는 줄지 않는다. 「AI를 도입하기 전에, 우리는 우리의 일을 알고 있는가」에서 다룬 대로, 과업 하나의 효율과 업무 흐름 전체의 효율은 다르다.

AX에는 세 번째 흐름이 필요하다

시그나이터는 린 기업 연구소의 그 마지막 문장을 AI 시대의 과제로 읽는다. 관행대로 이루어지는 결정은 어떤 근거와 기준을 따르는지 먼저 확인해야 한다. 그래야 AI가 도울 수 있는 부분과 사람이 맡아야 하는 부분을 구분할 수 있다. 그래서 물건과 정보의 흐름에 하나를 더 그려야 한다.

판단의 흐름(Decision Flow)이다.

판단의 흐름(Decision Flow) — 이 글에서 사용하는 표현이다. 정보를 받은 사람이 무엇을 판단하고, 그 판단이 다음 판단이나 행동으로 어떻게 이어지는지의 순서를 뜻한다. 정보의 흐름이 “무엇이 어디로 가는가”를 본다면, 판단의 흐름은 “그것을 본 사람이 무엇을 정하는가”를 본다.

A사의 품질 이상 대응에서 불량 데이터가 담당자에게 가고, 담당자가 Lot 이력과 설비 조건과 과거 불량을 찾아 붙이는 데까지는 정보의 흐름이다. 그다음부터 판단이 시작된다.

이번 이상은 어디까지 영향을 미쳤는가?
원인 후보 가운데 무엇부터 확인할 것인가?
추가 검사가 필요한가?
출하를 막아야 하는가?
누구에게 올려야 하는가?

이 다섯 판단은 따로 있지 않고 사슬처럼 이어진다. 영향 범위를 어떻게 보느냐에 따라 확인할 원인 후보가 달라지고, 원인 후보에 따라 추가 검사 여부가, 그 결과에 따라 출하 보류와 보고 대상이 정해진다. 그리고 출하를 막는다는 판단은 다시 물건의 흐름을 바꾼다. 해당 Lot은 출하 대신 보류 창고에 남는다. 앞의 장면 마지막에서 본 갈림길이다.

「AI를 도입하기 전에, 우리는 우리의 일을 알고 있는가」의 업무 지도(Work Map)는 판단을 과업 하나하나의 속성으로 봤다. 판단의 흐름은 판단이 다음 판단으로 어떻게 넘어가는지를 본다. 어느 판단이 규칙으로 정해지고 어느 판단이 경험에 기대는지, 어느 판단에서 일이 멈춰 기다리는지는 판단을 하나씩 떼어 볼 때보다 이어서 볼 때 잘 보인다. 시그나이터는 생성형 AI와 에이전트가 기존 자동화와 다른 지점을 여기서 찾는다. AI는 일정한 범위에서 맥락을 읽고 후보를 비교하고 다음 행동을 제안할 수 있다. 사람이 지금 내리는 판단 가운데 AI가 분석과 비교를 도울 수 있는 부분과 사람이 직접 결정해야 하는 부분을 구분해야 한다.

'품질관리'는 자동화할 수 없다

정확히 말하면, '품질관리'라는 크기의 업무를 통째로 AI에게 맡길 수는 없다는 뜻이다. 업무를 더 작게 나눠야 한다.

프로세스 분해(Process Decomposition) — 큰 업무를 하위 업무로, 하위 업무를 활동과 과업으로 차례로 나눠 서로 다른 크기의 일을 같은 목록에 섞지 않는 작업이다. 얼마나 잘게 나눌지의 수준을 해상도(Granularity)라고 한다.

A사의 품질 이상 대응은 아홉 개의 활동으로 나뉜다. 관련 Lot 조회, 설비 조건 확인, 유사 불량 조회로 근거를 모으고, 영향 범위 확인, 원인 후보 도출, 추가 검사 판단, 조치 결정, 승인을 거쳐 결과를 기록한다. 이것으로도 충분하지 않다. '유사 불량 조회' 한 칸을 다시 나누면 검색 조건 정하기, QMS 검색, 과거 보고서 읽기, 증상 비교, 관련성 판단의 다섯 과업이 나온다.

여기까지 내려와야 같은 칸 안에서 성격이 다른 일이 보인다. 검색 조건은 사람이 정한다. QMS 검색은 정해진 순서대로 도는 고정형 업무 흐름(Fixed Workflow)이 하면 된다. 이 구분은 「우리 조직은 AI를 쓰고 있는가, AI가 일할 수 있는 조직인가」에서 다뤘다. 과거 보고서를 읽고 증상을 비교하는 일은 AI가 거들 수 있다. 이번 불량과 정말 같은 원인인지 관련성을 판단하는 일은 사람이 확인해야 한다.

장면으로 보기

'유사 불량 조회'까지 내려가 보기

도식은 좌우로 밀어 볼 수 있다

1 / 4 · 품질관리는 맡길 수 있는 크기가 아니다

'품질관리'나 '품질 이상 대응' 수준에서 AI 과제를 찾으면 'AI가 품질관리를 돕는다' 같은 막연한 과제가 나온다.

품질관리에서 품질 이상 대응으로, 다시 아홉 활동과 다섯 과업으로 한 단계씩 내려간다. 마지막 단계에서 검색 조건은 사람, QMS 검색은 고정형 업무 흐름, 보고서 읽기와 증상 비교는 AI, 관련성 판단은 사람으로 역할이 갈린다

핵심은 많이 쪼개는 것이 아니다. 사람, AI, 고정형 업무 흐름, 시스템의 역할을 서로 다르게 배치할 수 있는 해상도까지 내려가는 것이다. 그보다 위에서 멈추면 'AI가 품질관리를 돕는다' 같은 막연한 과제가 나오고, 그보다 더 내려가면 지도가 너무 커져 아무도 쓰지 않는다.

공식 절차와 실제 업무 흐름은 다르다

A사의 품질 이상 대응 절차서에는 세 단계가 적혀 있었다. 이상 확인, 원인 분석, 조치.

앞 글에서 따라간 실제 흐름은 열한 단계였다. 그리고 절차서의 '원인 분석' 한 칸 안에 그 대부분이 들어 있었다. MES와 설비 데이터와 QMS 세 시스템, 작업 표준과 검사 기준 두 문서, 생산팀과 협력업체를 기다린 두 번, 그리고 선임의 경험. 절차서만 보고 AI를 설계했다면 이 대부분이 보이지 않았을 것이다.

공식 절차와 실제 업무 흐름 – 위쪽 절차서의 이상 확인, 원인 분석, 조치 세 칸 아래에 실제 흐름 열한 단계가 놓인다. 원인 분석 한 칸이 MES 조회부터 선임에게 묻는 전화까지 여덟 단계를 덮고, 그 안에 시스템 세 개, 문서 두 종류, 두 번의 기다림, 선임의 경험이 들어 있다

그래서 실제 업무는 절차서가 아니라 앞 글에서 제안한 방법, 곧 가장 최근에 처리한 한 건을 발생 시점부터 같이 따라가는 방법으로 복원한다. 단계마다 누가 무엇을 받아 무엇을 내놓았는지, 어떤 시스템을 썼는지, 어떤 판단과 예외와 재작업과 기다림과 업무 인계가 있었는지를 적는다.

시스템 기록은 행동을 보여 주고, 사람은 이유를 설명한다

시스템에 남은 기록으로 실제 업무 흐름을 찾는 방법도 있다. 프로세스 마이닝(Process Mining)이다. 시스템이 남기는 이벤트 로그(Event Log)에서 실제로 일이 어떤 순서로 흘렀는지를 찾아내고, 공식 모델과 실제 실행이 어디서 다른지를 확인한다. Wil van der Aalst의 대표 저서는 로그로 업무 흐름을 찾고, 공식 절차와 비교하고, 조직과 시간의 관점에서 분석해 운영을 지원하는 방법을 체계적으로 다룬다.

그런데 기록만으로는 충분하지 않다. A사의 QMS에는 품질 이상 건이 언제 생성되고, 언제 승인되고, 언제 종결됐는지가 남아 있었다. 기록에는 '팀장 승인'이 남는다. 하지만 왜 승인했는지, 무엇을 보고 판단했는지, 어떤 경우에 반려하는지, 그 기준이 문서에 있는지, 담당자마다 다른지는 남지 않는다. 그 답은 사람의 머릿속에 있다.

A사는 선임과 함께 지난 석 달의 출하 보류 건을 하나씩 짚었다. 선임이 출하를 막는 경우는 크게 셋이었다. 같은 설비에서 두 Lot 연속으로 같은 유형의 불량이 나왔을 때, 자동차 전장 고객에게 가는 제품일 때, 그리고 그 밖의 경우에는 '불량 모양을 보고' 정했다. 앞의 둘은 규칙으로 적을 수 있었고, 마지막 하나는 경험이었다. 이 구분만으로도 출하 보류 판단의 상당 부분이 선임 한 사람에게서 풀려날 길이 보였고, 끝까지 사람이 봐야 하는 판단이 어디인지도 분명해졌다.

시스템 기록은 실제 행동을 검증하고, 사람과의 인터뷰는 판단의 이유를 복원한다.

기록 한 줄이 답하지 못하는 것 – 왼쪽의 QMS 기록 한 줄은 팀장 승인이 언제 일어났는지만 보여 주고, 가운데에는 그 기록이 답하지 못하는 질문인 왜 막았는가, 무엇을 봤는가, 어떤 경우에 막는가가 놓인다. 오른쪽에서 선임과의 인터뷰가 출하를 막는 세 가지 경우를 복원하고, 그중 두 가지는 규칙으로, 마지막 하나는 경험으로 갈린다

A사의 품질 업무 흐름을 네 구간으로 다시 그린다

이렇게 모은 것을 발생, 근거 수집, 판단, 조치와 학습의 네 구간으로 다시 그리면, 구간마다 다른 질문을 붙일 수 있다. 앞 글에서 살펴본 실제 업무를 네 구간으로 정리해, 각 구간에서 무엇을 바꿀지 검토하는 첫 단계다.

A사 품질 업무 흐름의 네 구간 – 발생에는 자동으로 시작되는가, 근거 수집에는 고정형 업무 흐름으로 모으고 AI가 비교할 수 있는가, 판단에는 무엇을 사람이 내려야 하는가, 조치와 학습에는 무엇을 지식으로 남길 것인가라는 질문이 붙고, 그중 판단 구간이 이 글의 중심이다

발생 구간에서는 검사 시스템이 이상을 감지하는 순간 일이 자동으로 시작되는지를 묻는다. 근거 수집 구간에서는 정해진 순서대로 근거를 모으는 일을 고정형 업무 흐름이 맡고, 모은 근거를 과거 사례와 비교하는 일을 AI가 거들 수 있는지를 묻는다. 판단 구간에서는 무엇을 사람이 내려야 하는지를, 조치와 학습 구간에서는 무엇을 다음 건에서 찾아 쓸 지식으로 남길지를 묻는다.

모든 불편이 AI의 기회는 아니다

업무를 이렇게 나누면 불편한 곳이 많이 보인다. 그렇다고 모든 불편에 AI를 넣으면 안 된다. 어떤 문제는 그 활동을 없애면 되고, 어떤 문제는 시스템을 연결하거나 권한을 바꾸면 풀리고, 어떤 문제는 규칙이 더 안정적이다. AI가 필요한 곳은 그다음에 남는 자리다.

A사의 품질 이상 대응에서 다섯 개의 불편을 골라 보자. 먼저 직접 골라 보고, 아래 장면에서 A사가 실제로 어떻게 했는지 확인해 보면 이 구분이 손에 잡힌다.

먼저 골라 보기

A사의 다섯 가지 불편, 무엇으로 풀까

불편마다 가장 단순한 해법을 하나씩 고르면 A사의 선택과 이유가 바로 나온다.

1생산팀 회신을 반나절 기다린다
그날 설비에 특이사항이 있었는지 메신저로 묻고 답을 기다린다.
2팀장 결재를 하루 기다린다
조치안을 메일로 올리고 팀장의 승인을 기다린다.
3출하 판단마다 선임에게 전화한다
'같은 설비 두 Lot 연속', '자동차 전장 고객 제품'처럼 조건이 분명한 경우에도 선임에게 묻는다.
4모은 근거를 과거 불량과 비교한다
Lot 이력, 설비 조건, 과거 보고서를 놓고 비슷한 사례를 찾는다.
5'불량 모양을 보고' 출하를 정한다
규칙에 걸리지 않는 경우 선임이 경험으로 판단한다.

5가지를 모두 고르면 정리가 나온다. (0 / 5)

A사의 품질 이상 대응에서 나온 다섯 개의 불편마다 시스템 연결, 권한 조정, 규칙, AI, 사람 가운데 무엇으로 풀지 먼저 골라 보고 A사의 선택과 이유를 확인한다. 응답은 저장되지 않는다

A사의 답 가운데 둘은 AI와 관계가 없었다. 생산팀 회신 대기는 MES 교대 일지를 끌어오는 시스템 연결로, 팀장 결재 대기는 권한 조정으로 사라졌다. 「모든 전략과제가 AI 과제일 필요는 없다」에서 A사의 견적 승인 병목이 할인율 승인 권한의 문제였던 것과 같은 구조다. 근거는 고정형 업무 흐름이 모으고, AI는 모인 근거를 과거 불량과 비교하는 일만 맡았다.

장면으로 보기

같은 자리, 서로 다른 해법

도식은 좌우로 밀어 볼 수 있다

1 / 5 · 지금의 흐름

앞 글에서 따라간 한 건이다. 회신과 결재를 기다리는 세 번의 대기와 선임 한 사람의 판단 위에 이틀 반이 쌓인다.

A사의 품질 이상 대응 흐름을 제자리에 둔 채, 생산팀 회신 대기는 시스템 연결로, 팀장 결재 대기는 권한 조정으로, 선임의 판단은 규칙과 경험으로, 근거 수집은 고정형 업무 흐름의 자동 수집과 AI 비교로 한 자리씩 바꿔 본다

바뀐 자리 넷 가운데 AI가 맡은 곳은 하나였다. 협력업체의 회신을 기다리는 일과 결과를 QMS에 다시 입력하는 일은 이번에 손대지 않고 다음 과제로 남겼다. 그래서 좋은 AX의 질문은 “여기에 AI를 넣을 수 있는가?”가 아니라 이것이어야 한다.

이 활동은 왜 필요한가? 이 불편을 개선하려면, 업무를 현재 상태에서 어떤 상태로 바꾸는 것이 가장 단순한가?

AI 활용 사례를 찾기 전에 흐름부터

제조기업이 AI를 본격적으로 들이면서 경계해야 할 것은 AI 활용 사례가 부족한 상황이 아니다. 오히려 후보는 너무 많이 나온다. 문제는 어떤 후보가 실제 업무 흐름의 병목을 바꾸는지 가려내는 것이고, 그러려면 물건의 흐름, 정보의 흐름, 판단의 흐름을 함께 그리고, 역할을 나눌 수 있을 만큼의 해상도로 나눠야 한다. 그래야 AI가 할 일과 사람이 계속 해야 할 일을 구분할 수 있다.

A사의 최종 검사에는 이미 AI 비전 검사가 들어가 있었고, 불량은 잘 찾고 있었다. 일이 쌓이는 곳은 불량을 찾은 그다음이었다. 다음 글에서는 바로 그 자리를 다룬다. 질문은 검사 정확도가 아니다.

불량을 AI가 찾아낸 다음에는 누가 일하는가.

Reference Notes

Lean Enterprise Institute, Value Stream Mapping (Lexicon). 가치 흐름 지도를 주문부터 납품까지 물건과 정보의 흐름에 필요한 모든 단계를 그리는 도구로 정의한 부분, 도요타가 이를 '물건과 정보의 흐름도'라 부른다는 부분, 흐름 전체를 보고 물건 흐름과 정보 흐름의 연결을 보여 준다는 설명, 그리고 흐름에 관한 결정을 드러내 논의하게 하며 그러지 않으면 많은 결정이 관행대로 일어난다는 설명을 참고했다.
Wil van der Aalst, Process Mining: Data Science in Action, 2판, Springer, 2016. 이벤트 로그 기반의 프로세스 발견, 적합성 검사, 조직·시간 관점, 운영 지원으로 이어지는 책의 구성을 참고했다.
프로세스 분해와 해상도의 관점은 시그나이터 Knowledge의 「Process Decomposition: 업무를 분석할 수 있는 크기로 나누는 방법」에서, 실제로 처리된 한 건을 시간순으로 따라가는 복원 방법은 「AI-IS Process — PI 인터뷰 진단 로직을 구조화하는 Canonical Playbook」에서 더 자세히 다룬다.
판단의 흐름(Decision Flow)은 가치 흐름 지도의 물건·정보의 흐름에 판단의 순서를 더해 보려는 시그나이터의 관점이며, 가치 흐름 지도의 표준 구성 요소는 아니다.
본문의 A사는 컨설팅 현장에서 반복해 만난 장면을 하나로 각색한 가상의 기업이며 특정 고객사를 가리키지 않는다. 절차서 단계, 선임의 출하 보류 기준, 회신과 결재 대기 시간, 비전 검사 도입 같은 내용도 장면을 설명하기 위한 각색이다.

이 글은 제조 AX 시리즈의 두 번째 글이다. 첫 글에서는 시스템 사이에서 사람이 정보를 모으고 판단하는 업무를 살펴봤다. 이번 글에서는 A사의 품질 이상 대응을 물건·정보·판단의 흐름으로 정리하고, 역할을 나눌 수 있도록 세부 과업으로 나눴다. 업무 지도에 관한 글이 개별 과업을 살펴봤다면, 이번 글은 과업 사이에서 판단이 어떻게 이어지는지도 살펴봤다.

About Seigniter

시그나이터(Seigniter)는 기업의 AI 도입을 넘어, AI로 실제 일하는 방식을 바꾸는 AX(AI Transformation)를 고민하는 컨설팅펌입니다.

어떤 AI 기술을 쓸지부터 정하기보다 기업에서 실제로 어떤 일이 이루어지는지 살펴봅니다. 어디에서 비효율과 병목이 생기는지, 어떤 판단과 반복 작업이 있는지 파악하고 사람과 시스템, AI의 역할을 어떻게 나눌지 설계합니다.

기업의 전략과 현장, 비즈니스 문제와 AI 기술 사이에는 아직 큰 간극이 있습니다.

시그나이터는 이 간극을 연결해 AI가 실제 업무 안에서 작동하는 구조를 만들고자 합니다.

AI를 도입하는 데서 그치지 않고, AI와 함께 일하는 방식을 설계합니다.

제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다

제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다

물건의 흐름과 정보의 흐름을 넘어 판단의 흐름까지

물건, 정보, 그리고 판단의 흐름

린(Lean)은 오래전부터 흐름을 보라고 했다

AX에는 세 번째 흐름이 필요하다

'품질관리'는 자동화할 수 없다

'유사 불량 조회'까지 내려가 보기

공식 절차와 실제 업무 흐름은 다르다

시스템 기록은 행동을 보여 주고, 사람은 이유를 설명한다

A사의 품질 업무 흐름을 네 구간으로 다시 그린다

모든 불편이 AI의 기회는 아니다

A사의 다섯 가지 불편, 무엇으로 풀까

같은 자리, 서로 다른 해법

AI 활용 사례를 찾기 전에 흐름부터

Reference Notes

About Seigniter

글의 관점을 실제 조직 진단과 실행 설계로 연결합니다.