하나의 업무 흐름을 바꾼 뒤, 공장 전체를 어떻게 바꿀 것인가

하나의 업무 흐름을 바꾼 뒤, 공장 전체를 어떻게 바꿀 것인가

제조 AX를 시범에서 운영 모델로 넓히는 방법

A사의 품질 에이전트가 90일 검증을 통과했다. 감지부터 승인까지 이틀 반 걸리던 일이 하루 반으로 줄었고, 승인 없이 실행된 고위험 행동은 없었다. A사는 같은 공장의 다른 라인부터 넓혔다. 그러자 자연스럽게 이야기가 나온다. “두 번째 공장에도 적용합시다.” “생산계획에도 에이전트를 만들어 봅시다.” “구매팀에도 비슷한 게 필요합니다.” “설비보전에도 하나 만들죠.”

이 순간 제조기업은 새로운 문제를 만난다. 시그나이터는 AI 프로젝트가 늘어나는 것과 AX가 넓어지는 것은 같은 일이 아니라고 본다.

앞 글에서 본 Deloitte 독일의 조사에서 84%의 제조기업은 이미 AI에서 측정 가능한 가치를 얻고 있었지만, 공장이나 전사 수준까지 일관되게 확산된 활용 사례는 20%였다. 시그나이터는 공장 전체로 AI를 확산하려면 모델 성능뿐 아니라 데이터, 시스템 구조, 업무 흐름, 관리 체계, 현장 정착과 운영 역량도 함께 고려해야 한다고 본다.

이 글은 제조 AX 시리즈의 마지막 글이다. 품질 업무 하나에서 검증한 방식을 두 번째 공장과 다른 업무로 넓히려면 무엇을 남기고, 무엇을 공통으로 만들고, 누가 어떻게 운영해야 하는지를 다룬다. 그리고 여섯 편을 하나의 그림으로 묶는다.

---

등대공장은 확산을 설계한다

세계경제포럼(WEF)이 선정한 글로벌 등대공장이 AI의 가치를 거두는 방식을 분석하며 McKinsey는 자산화를 든다.

자산화(Assetization) — 한 번 만든 활용 사례를 다른 라인과 공장에 빠르고 넓게 배포할 수 있도록 묶는 일이다. McKinsey는 그 수단으로 모듈식 설계를 든다.

애질런트(Agilent)의 독일 발트브론 공장이 대표적이다. 세계경제포럼 보고서에 따르면 이 공장은 컴퓨터 비전 도구에 MES와 시험 소프트웨어를 잇는 커넥터를 붙이고, 작업 표준과 사용자 문서와 작업자 교육 자료까지 함께 묶었다. McKinsey는 이 방식으로 애질런트가 57개 작업장과 16개 제품군에 새 응용 5개를 배포하고, 4개월이 안 돼 불량률을 49% 줄였다고 소개한다. 시그나이터가 보는 핵심은 해법 하나의 성능보다 다시 쓸 수 있는 방식으로 만들었는가다.

---

두 번째 공장에서는 처음부터 다시 만들 것인가

A사가 품질 에이전트를 같은 공장의 다른 라인을 거쳐 두 번째 공장으로 가져가자 시스템과 규칙이 곳곳에서 달랐다. 첫 프로젝트를 첫 공장에 맞춰 하드코딩했다면 거의 다시 만들어야 했을 것이다.

여기서 확산의 핵심 질문이 나온다. 첫 프로젝트에서 무엇을 다시 쓸 수 있는 자산으로 남겼는가? A사는 에이전트 코드만이 아니라 여섯 종류의 자산을 남겼고, 두 번째 공장에서는 차이가 걸린 매핑과 표만 고치고 업무 흐름과 에이전트는 그대로 썼다.

장면으로 보기

두 번째 공장에서 A사가 고친 것

도식은 좌우로 밀어 볼 수 있다

1 / 3 · 첫 공장이 남긴 여섯 자산

품질 에이전트를 만들며 남긴 것을 A사는 여섯 칸으로 나눠 두었다. 칸마다 무엇을 담았는지가 두 번째 공장에서 할 일을 정한다.

1. 자산2. 다른 점3. 고친 곳전체 그림

← 이전다음 →

첫 공장이 남긴 업무 흐름, 연결, 지식, 에이전트, 평가, 정착의 여섯 자산을 먼저 보여 주고, 두 번째 공장에서 다른 MES 버전, QMS 불량 분류, 설비 이름 규칙, 작업 표준 문서 구조, 승인 체계 다섯 가지를 옆에 놓은 뒤, 같은 자리에서 연결·지식·정착 자산은 고침으로, 평가 자산은 설비 이름에 걸린 사례만 고침으로, 업무 흐름과 에이전트 자산은 그대로로 바뀌는 장면이다. 단계 버튼이나 키보드 좌우 화살표로 넘길 수 있다

1. 첫 공장이 남긴 여섯 자산: 품질 에이전트를 만들며 남긴 것을 A사는 여섯 칸으로 나눠 두었다. 칸마다 무엇을 담았는지가 두 번째 공장에서 할 일을 정한다.
2. 두 번째 공장은 다섯 군데가 다르다: MES 버전, QMS의 불량 분류, 설비 이름을 붙이는 규칙, 작업 표준의 문서 구조, 승인 체계가 다르다. 두 번째 공장은 팀장 대신 품질 과장이 전결로 정하는 범위가 넓다.
3. 다른 점이 걸린 칸만 고친다: MES, QMS, 설비의 차이는 연결 자산의 매핑에, 작업 표준은 지식 자산에, 승인 체계는 정착 자산의 지역 규칙 표에 걸렸다. 평가 사례는 설비 이름에 걸린 것만 고쳤고, 업무 흐름과 에이전트 자산은 손대지 않았다.
4. 개발이 아니라 적용과 조정: 두 번째 공장의 일은 처음부터 다시 만드는 것이 아니라, 네 칸에서 차이가 걸린 매핑과 표를 고치는 일이었다. 업무 흐름과 에이전트는 그대로다.

그래서 시그나이터는 다른 공장으로 넓힐 때 코드뿐 아니라 업무 흐름, 연결, 지식, 평가와 현장 정착에 필요한 자료도 함께 가져가야 한다고 본다. 앞 글에서 다룬 것처럼, 운영 중 실패한 상황을 평가 사례로 남겨 다음 배포를 평가하는 데 활용한다. 이렇게 운영 경험을 다음 배포의 품질을 높이는 데 쓸 수 있다.

---

활용 사례가 늘면 공통 역량이 필요해진다

두 번째 공장 다음은 다른 업무였다. 생산계획과 구매와 설비보전에서도 에이전트를 원했다. 에이전트가 하나일 때는 프로젝트마다 필요한 것을 만들 수 있다. 그런데 열 개, 쉰 개가 되면 시그나이터가 AI 섬이라고 부르는 상태가 된다.

AI 섬(AI Island) — 에이전트마다 계정과 권한, 커넥터, 지식과 기록, 평가를 따로 만들어 서로 이어지지 않는 상태다.

장면으로 보기

에이전트가 늘면 섬이 생긴다

도식은 좌우로 밀어 볼 수 있다

1 / 3 · 에이전트가 둘일 때

품질 에이전트에 이어 생산계획 에이전트가 생긴다. 프로젝트마다 필요한 계정, 커넥터, 지식, 평가를 그 안에서 만든다. 아직은 문제가 보이지 않는다.

1. 둘2. 넷3. 공통전체 그림

← 이전다음 →

A사의 품질과 생산계획 에이전트가 각자 계정·권한, 커넥터, 지식·기록, 평가를 따로 갖고, 구매와 설비보전 에이전트가 더해지며 같은 것이 네 벌이 된 뒤, 반복된 넷이 사라지고 아래에 공통 역량 층이 생기는 장면이다. 공통 층에서는 섬에서 그대로 내려온 계정·권한, 커넥터, 지식, 평가가 윗줄에 강조되고, 규모가 커지며 더해지는 도구 목록, 모델 접근, 관찰, 보안, 비용, 에이전트 운영은 아랫줄에 흐리게 놓인다. 단계 버튼이나 키보드 좌우 화살표로 넘길 수 있다

1. 에이전트가 둘일 때: 품질 에이전트에 이어 생산계획 에이전트가 생긴다. 프로젝트마다 필요한 계정, 커넥터, 지식, 평가를 그 안에서 만든다. 아직은 문제가 보이지 않는다.
2. 넷이 되면 섬이 된다: 구매와 설비보전에도 에이전트가 생긴다. 네 칸짜리 묶음이 에이전트 수만큼 늘어난다. 쉰 개면 쉰 벌이다.
3. 반복된 것을 아래로 내린다: 네 섬에서 겹친 계정과 권한, 커넥터, 지식, 평가가 아래 층으로 내려간다. 도구 목록, 모델 접근, 관찰, 보안, 비용, 에이전트 운영은 규모가 커지며 같은 층에 더해진다.
4. 섬에서 공통 층으로: 에이전트 쪽에는 각자의 업무만 남고, 겹치던 것은 아래 층에서 함께 쓴다.

그래서 일정 규모 이후에는 여러 에이전트가 함께 쓰는 공통 역량이 필요하다. 다만 순서를 조심해야 한다. 처음부터 거대한 AI 플랫폼을 짓는 것은 또 하나의 기술 먼저 접근이 될 수 있다. 시그나이터는 이렇게 본다.

플랫폼은 업무 흐름보다 먼저 완성되는 것이 아니라, 반복되는 업무 흐름에서 공통 역량을 뽑아내며 자라야 한다.

---

제조 AX는 운영 모델의 문제로 옮겨 간다

에이전트가 하나일 때는 개발자가 관리할 수 있다. 백 개가 되면 그렇게 할 수 없다. 시그나이터는 이때부터 AI를 해법이 아니라 운영 모델의 문제로 본다.

운영 모델(Operating Model) — 에이전트를 누가 책임지고, 누가 어떤 검증을 거쳐 바꾸고, 공장마다 무엇을 다르게 두고, 언제 멈추는지를 정한 운영 방식이다.

A사는 품질 에이전트를 넓히며 일곱 질문에 하나씩 답을 정했다.

시그나이터 Knowledge의 국내 대기업 AX 분석은 사람의 역할, 의사결정권과 책임 구조까지 바뀌는 경우를 운영 모델의 변화로 본다. 이 분석에서는 AX가 바꾸는 범위를 개별 과업, 기능, 업무 흐름, 처음부터 끝까지의 과정, 운영 모델로 구분한다. 우리 회사는 이 질문들에 답이 있는지 점검해 보자.

우리 회사로 점검하기

운영 중이거나 검토 중인 에이전트, 일곱 질문에 답이 있는가

답이 정해진 질문을 고르면, 답이 없는 질문이 먼저 정할 곳으로 정리된다.

• 1책임자 · 에이전트마다 업무 책임자가 있다
• 2변경 권한 · 지시문과 도구를 누가 어떤 검증을 거쳐 바꾸는지 정해져 있다
• 3모델 버전 · 바뀌면 다시 검증하는 절차가 있다
• 4잘못된 행동 · 누가 멈추고 어떻게 대응하는지 정해져 있다
• 5지역 규칙 · 공장마다 다른 규칙을 코드 밖에 따로 둔다
• 6공통과 예외 · 공통 기준과 공장별 예외의 경계가 정해져 있다
• 7정지 기준 · 어떤 지표가 어느 선을 넘으면 멈추거나 되돌리는지 숫자로 있다

보이는 신호를 고르면 여기에 정리된다.

응답은 이 브라우저에만 저장되고 시그나이터로 전송되지 않는다.

우리 회사가 운영 중이거나 검토 중인 에이전트에 대해 책임자, 변경 권한, 모델 버전 검증, 잘못된 행동 대응, 지역 규칙, 공통 기준과 예외, 정지 기준의 일곱 질문 가운데 답이 있는 것을 고르면, 답이 없는 질문이 먼저 정할 곳으로 정리된다

---

국내 제조기업도 전사 AX로 움직이고 있다

삼성전자는 2026년 3월, 2030년까지 국내외 생산 공장을 'AI 자율 공장'으로 바꾸겠다고 발표했다. 자재 입고부터 생산과 출하까지 전 공정에 디지털 트윈 기반 시뮬레이션을 적용하고 품질, 생산, 물류 AI 에이전트를 활용하겠다는 계획이다. 포스코퓨처엠은 2026년 7월, 2028년 상반기 완결을 목표로 프로세스 표준화와 데이터 중심의 전사 AX 로드맵을 발표하며 제조 생산성 30% 향상, 제품 개발 기간 절반 단축, 품질 이슈의 고객사 대응 속도 두 배 향상을 목표로 내걸었다. 두 발표 모두 목표치다.

두 사례를 그대로 따라 하자는 뜻은 아니다. 시그나이터는 두 발표를 AI 도구 하나를 들이는 계획이 아니라, 프로세스 표준화와 데이터와 디지털 트윈과 AI 에이전트를 함께 묶은 전사 계획으로 읽는다.

---

제조 AX 변화 층으로 시리즈를 묶는다

이 시리즈에서 다룬 내용을 여섯 개의 층으로 정리할 수 있다.

층이 여섯이라 공장을 통째로 바꾸는 거대한 프로젝트처럼 들릴 수 있지만, 시그나이터는 기업이 지금 할 일이 이 그림에서 우리 회사가 어느 층에서 막혀 있는지 찾는 것이라고 본다.

---

기술은 바뀌어도 다시 설계하는 능력은 남는다

시그나이터는 이 시리즈를 한 문장으로 이렇게 정리한다.

제조 AX의 목표는 AI 프로젝트를 많이 만드는 것이 아니라, 사람과 업무 흐름과 시스템과 AI가 함께 일하는 방식을 계속 다시 설계할 수 있는 역량을 만드는 것이다.

기술은 계속 바뀐다. 모델도, 에이전트 프레임워크도 바뀐다. 하지만 시그나이터는 기업 안에서 일이 어떻게 이루어지는지 이해하고, 더 나은 방식으로 다시 설계하고, 그것이 실제 성과를 만드는지 검증하는 능력은 남는다고 본다. 그 능력은 한 번의 프로젝트가 아니라 도는 순환으로 쌓인다.

---

Reference Notes

• McKinsey(Bristol 외), How manufacturing's Lighthouses are capturing the full value of AI, 2024년 4월, 그리고 WEF·McKinsey, Global Lighthouse Network: Adopting AI at Speed and Scale, 2023년 12월. 자산화의 정의(활용 사례를 빠르고 넓게 배포하도록 묶는 일)와 모듈식 설계, 애질런트의 5개 응용·57개 작업장·16개 제품군·4개월 미만 불량률 49% 감소(McKinsey), 비전 도구와 MES·시험 소프트웨어 커넥터와 SOP·사용자 문서·교육 자료의 묶음(WEF)을 참고했다. 기업 사례 발표라는 점을 감안했다.
• Deloitte 독일, AI in Manufacturing 2026. 84%가 측정 가능한 가치, 활용 사례의 20%만 공장·전사 수준으로 확산이라는 결과를 앞 글에 이어 참고했다.
• 삼성전자 뉴스룸(국문·영문), 2026년 3월 1일 발표. 국내외 생산 공장의 'AI 자율 공장' 전환, 자재 입고부터 생산·출하까지의 디지털 트윈 시뮬레이션, 품질·생산·물류 AI 에이전트는 국문 발표를, 2030년이라는 시점은 영문 발표를 참고했다. 기업 발표의 목표다.
• 포스코그룹 뉴스룸, 포스코퓨처엠, 전사 AX(AI Transformation)로 초일류 제조혁신 가속, 2026년 7월 28일. 2028년 상반기 완결 목표의 전사 AX 로드맵과 생산성·개발 기간·품질 이슈 대응 속도 목표를 참고했다. 기업 발표의 목표치다.
• 시그나이터 Knowledge, 「국내 대기업의 AX는 어떻게 작동하는가 — 10개 기업에서 발견한 6가지 Operating Model Lens」. 변화 단위(Task → Function → Workflow → End-to-End Process → Operating Model)를 참고했다. 운영 실패를 평가로 바꾸는 순환은 「Agent Improvement Loop」에서 더 자세히 다룬다.
• 본문의 A사는 컨설팅 현장에서 반복해 만난 장면을 하나로 각색한 가상의 기업이며 특정 고객사를 가리키지 않는다. 두 번째 공장의 차이, 자산, 다른 업무의 에이전트, 운영 규칙과 수치도 장면을 설명하기 위한 각색이다.

---

시리즈 전체 보기

1. 「MES도 ERP도 있는데, 왜 제조 현장은 여전히 엑셀과 메일로 움직이는가」 — 시스템 사이에서 사람이 하는 일, 사람 미들웨어를 찾았다.
2. 「제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다」 — 물건·정보·판단의 흐름으로 실제 일을 다시 그렸다.
3. 「불량을 AI가 찾아낸 다음에는 누가 일하는가」 — 품질 지능 순환으로 사람과 AI의 자리를 정했다.
4. 「제조 AI 에이전트는 MES·ERP·QMS와 어떻게 함께 일하는가」 — 연결과 권한을 나누고 다섯 경계를 그었다.
5. 「제조 AX 개념 검증은 90일 동안 무엇을 검증해야 하는가」 — 데모가 아니라 업무 흐름과 결정을 검증했다.
6. 「하나의 업무 흐름을 바꾼 뒤, 공장 전체를 어떻게 바꿀 것인가」 — 성공한 활용 사례를 자산과 운영 모델로 바꿨다.

---

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.