Manufacturing AX
불량을 AI가 찾아낸 다음에는 누가 일하는가
AI가 불량을 찾아내도 원인 조사와 조치, 검증은 남습니다. 제조 AX 시리즈의 세 번째 글에서는 감지부터 학습까지 품질 업무를 여덟 단계로 정리합니다. 각 업무의 위험과 불확실성을 살펴, 사람이 맡을 일과 관리형 에이전트·고정형 업무 흐름에 맡길 일을 구분합니다.
2026.10.08 · 13분 읽기
점선 밑줄이 있는 용어에 마우스를 올리거나 탭하면 설명을 볼 수 있습니다.
불량을 AI가 찾아낸 다음에는 누가 일하는가
품질 AX로 보는 사람과 AI의 업무 흐름
제조 AI를 이야기할 때 가장 먼저 나오는 사례 가운데 하나가 비전 검사다. 카메라가 제품을 찍고, AI가 정상과 불량을 가르고, 사람보다 빠르게 많은 제품을 본다. 분명 중요한 발전이다.
그런데 품질 담당자의 하루를 따라가 보면 이상한 점이 하나 있다. AI가 불량을 찾아낸 순간, 품질 업무는 끝나는 것이 아니라 시작된다.
「제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다」에서 본 것처럼, A사의 최종 검사에는 이미 AI 비전 검사가 들어가 있었고 불량은 잘 찾고 있었다. 일이 쌓이는 곳은 그다음이었다.
장면으로 보기
불량 판정은 끝이 아니라 시작이다
도식은 좌우로 밀어 볼 수 있다
1 / 3 · A사의 비전 검사가 불량을 판정한다
A사의 최종 검사에서는 AI 비전 검사가 불량을 잘 잡는다. 많은 품질 AI 그림은 여기서 끝난다.
A사의 비전 검사가 불량을 판정하는 데서 끝나는 그림에서 출발해, 그 순간 담당자에게 남는 아홉 가지 질문을 쌓고, 판정 한 칸 뒤에 일곱 칸의 일이 남아 있다는 것을 보여 준다. 단계 버튼이나 키보드 좌우 화살표로 넘길 수 있다
- A사의 비전 검사가 불량을 판정한다: A사의 최종 검사에서는 AI 비전 검사가 불량을 잘 잡는다. 많은 품질 AI 그림은 여기서 끝난다.
- 그 순간 질문이 쏟아진다: 판정이 나오면 담당자에게는 아홉 가지 질문이 남는다. 어느 Lot인지부터 무엇을 바꿔야 다시 안 생기는지까지, 이 질문에 답해야 품질 업무가 끝난다.
- 판정은 여덟 칸 가운데 첫 칸이다: 이 질문에 답하는 일을 단계로 펼치면 판정 뒤에 일곱 칸이 더 있다. 비전 AI가 바꾼 것은 첫 칸이다.
- 품질 업무의 대부분은 감지 뒤에 있다: 비전 AI가 더 정확해질수록 경쟁은 판정 뒤의 일곱 칸으로 옮겨 간다. 그 일곱 칸이 무엇인지는 아래의 순환에서 하나씩 채운다.
이 글은 제조 AX 시리즈의 세 번째 글이다. 앞의 두 글이 일을 발견하고 판단의 흐름까지 나눠 보는 법을 다뤘다면, 이 글은 그 방법을 품질 업무에 적용한다. 불량을 발견한 뒤 문제를 해결하고 그 경험을 다음 업무에 반영하기까지의 절차를 정리한다. 각 단계에서 사람, 관리형 에이전트, 고정형 업무 흐름이 맡을 일도 구분한다.
감지는 품질 업무의 첫 단계일 뿐이다
불량이 하나 발견되면 품질 담당자가 궁금한 것은 “불량인가”가 아니다. 어느 Lot에서 나왔는지, 같은 Lot의 다른 제품도 위험한지, 언제부터 시작됐는지, 당시 설비 조건과 원자재는 무엇이었는지, 예전에도 같은 문제가 있었는지, 생산을 계속해도 되는지, 이미 출하된 물량은 없는지, 무엇을 바꿔야 다시 생기지 않는지다.
전통적인 제조 문제 해결도 같은 구조다. 미국품질학회(ASQ)가 정리한 8D 문제 해결(Eight Disciplines)은 문제를 정의한 뒤 임시 격리, 근본 원인과 유출 지점의 확인, 영구 시정 조치의 선택과 검증, 재발 방지로 이어진다.
유출 지점(Escape Point) — 8D의 D4 단계에서 근본 원인과 함께 확인하는 지점이다. 문제가 생긴 그때 알아채지 못하고 다음 단계로 넘어간 자리를 말한다.
시그나이터는 그래서 품질관리의 본질을 감지보다 문제 해결에 가깝다고 본다.
품질은 제조 AI의 첫 번째 적용 영역이다
Deloitte 독일이 140곳이 넘는 제조기업을 조사한 2026년 보고서에서 AI를 적용한 영역은 품질이 62%로 가장 많았고, 생산 57%, 물류와 공급망 49%가 뒤를 이었다. 보고서는 데이터가 풍부하고 성과를 측정할 수 있으며 운영 책임이 분명한 영역에서 AI 도입이 특히 활발하다고 설명한다. 응답 기업의 자기 보고라는 점은 감안해야 한다.
감지 기술도 빠르게 좋아지고 있다. 보쉬의 힐데스하임 공장은 전기 모터 부품의 새 제품 라인에서 검사 AI를 학습시키는 데 필요한 불량품 사진을 충분히 모으기 어려웠다. 제품의 품질이 높아 불량품이 드물었기 때문이다. 보쉬는 생성형 AI를 이용해 불량 유형마다 두 자릿수의 실제 이미지를 바탕으로 합성 이미지 약 15,000장을 만들어 검사 모델을 학습시켰고, 프로젝트 기간이 6개월 줄 것으로 기대한다고 밝혔다. 운영 기준도 생기고 있다. 자동차 산업 단체인 AIAG(Automotive Industry Action Group)는 2026년 6월 AI 비전 검사 시스템의 역량, 정확도, 신뢰성을 평가하고 위험을 관리하는 지침 CQI-38을 내놓았다.
시그나이터는 이런 사례와 평가 지침을 품질 AI가 실제 생산 현장에 적용되고, 성능과 위험을 관리하는 기준도 마련되고 있다는 신호로 본다. 이제 살펴볼 것은 AI가 불량을 찾아낸 뒤의 업무다.
불량을 더 잘 찾게 됐을 때, 그 뒤의 일도 함께 바뀌는가?
원인을 찾기 전에 근거부터 모아야 한다
「MES도 ERP도 있는데, 왜 제조 현장은 여전히 엑셀과 메일로 움직이는가」에서 본 것처럼, A사의 품질 담당자는 원인을 생각하기 전에 MES와 설비 데이터와 QMS를 돌며 근거를 모으는 데 시간을 썼다. 근본 원인 분석(RCA) 이전에 근거 모으기가 있다. 그리고 이 일은 매번 같은 순서로 돈다.
연구도 이 지점을 다룬다. 2025년 Manufacturing Letters에 실린 van der Pas 등의 연구는 사례 기반 추론과 프로세스 마이닝을 결합해, 데이터를 모으고 근본 원인을 찾는 과정을 연결하는 방법을 제안했다. 같은 해 Advanced Engineering Informatics에는 제조 품질 관리용 RAG 시스템을 세라믹 타일 제조에 적용한 연구가 실렸다. 다만 자료를 찾는 일과 원인을 확정하는 일은 같은 일이 아니다.
감지에서 학습까지, 품질 지능 순환
A사의 품질 이상 대응을 처음부터 다시 설계하면 여덟 단계의 순환이 된다.
품질 지능 순환(Quality Intelligence Loop) — 이 글에서 사용하는 표현이다. 감지, 맥락 모으기, 조사, 진단, 결정, 조치, 검증, 학습의 여덟 단계로 품질 문제를 닫고, 검증된 원인과 조치를 다음 조사의 지식으로 되돌리는 흐름을 뜻한다.
장면으로 보기
품질 지능 순환, 단계마다 누가 맡는가
도식은 좌우로 밀어 볼 수 있다
1 / 6 · 감지: 검사 시스템
설비 3호기에서 두 Lot 연속 같은 유형의 불량이 잡힌다. A사에서는 검사 시스템 안의 AI 비전 검사가 이 칸을 이미 잘한다.
A사의 품질 이상 대응을 여덟 단계 순환으로 한 단계씩 다시 그린다. 감지는 검사 시스템, 맥락 모으기와 조치는 고정형 업무 흐름, 조사와 진단의 후보 정리는 관리형 에이전트, 원인 확정과 결정과 검증은 사람이 맡고, 학습은 다음 조사로 돌아간다
- 감지: 검사 시스템: 설비 3호기에서 두 Lot 연속 같은 유형의 불량이 잡힌다. A사에서는 검사 시스템 안의 AI 비전 검사가 이 칸을 이미 잘한다.
- 맥락 모으기: 고정형 업무 흐름: Lot, 공정, 설비 조건, 원자재 Lot, 검사 이력, 교대 일지를 정해진 순서대로 모은다. 매번 같은 경로라 고정형 흐름이 맞다.
- 조사와 진단: 후보는 에이전트, 확정은 엔지니어: 관리형 에이전트가 과거 유사 불량 보고서와 작업 표준을 읽고 설비 조건 차이를 비교해, 관찰 근거, 반대 근거, 더 필요한 근거로 나눈 원인 후보를 내놓는다. 원인 확정은 품질 엔지니어가 한다.
- 결정: 사람: 격리 범위, 생산 중단, 고객 통보는 사람이 정한다. 출하 보류 규칙 ①에 걸리는 경우만 고정형 흐름이 먼저 제안하고, 확정은 역시 사람이 한다.
- 조치: 고정형 업무 흐름: 결정이 나면 QMS 건 생성, 담당 배정, 협력업체 요청, 시정·예방 조치(CAPA) 초안이 따라온다. 사람은 초안을 고치고 승인한다.
- 검증은 사람이, 학습은 다음 조사로: 조치 뒤 같은 불량이 다시 나오는지 사람이 확인하고, 검증된 원인과 조치는 다음 건에서 찾을 사례로 남는다.
- 사람이 서야 할 자리: 사람이 서는 자리는 원인 확정, 결정, 검증이다. 모으기와 조치는 고정형 흐름이, 읽고 비교하는 일은 관리형 에이전트가 맡고, 에이전트의 결과는 언제나 사람이 확인한다.
이번 건은 설비 3호기에서 두 Lot 연속 같은 유형의 불량이 나왔다. 앞 글에서 규칙으로 적은 출하 보류 기준 ①에 해당하므로 고정형 업무 흐름이 출하 보류를 제안하고 팀장이 확정했다. 앞 글에서 QMS 검색은 고정형 흐름이, 보고서를 읽고 비교하는 일은 AI가 맡았듯이, 조사 단계의 관리형 에이전트도 모인 자료를 읽고 비교해 원인 후보를 정리한다. 이때 에이전트가 내놓아야 하는 것은 그럴듯한 확률 하나가 아니라 세 갈래로 나눈 근거 묶음이다.
8D가 묻는 유출 지점도 드러났다. 공정 중에 확인하는 단계가 없어 최종 검사에서야 잡혔다는 것이다. 결정이 나면 고정형 흐름이 QMS 건과 담당 배정과 시정·예방 조치(CAPA) 초안을 만들고, 사람이 조치 뒤 재발 여부를 확인하면, 검증된 원인과 조치는 다음 건에서 찾아 쓸 사례로 남는다.
시그나이터는 이 순환의 핵심을 AI가 품질 엔지니어를 없애는 데서 찾지 않는다. 지금 사람이 하는 단계 가운데 사람이 직접 맡아야 하는 일과 AI나 고정형 업무 흐름에 맡길 수 있는 일을 다시 구분하는 데서 찾는다. 좋은 AX는 사람을 순환에서 빼는 것이 아니라 사람이 어디에 서야 하는지를 다시 설계한다.
완전한 자율보다 정확한 위임
에이전트를 들이면서 흔히 생기는 착각이 있다. 에이전트가 더 많은 일을 알아서 할수록 더 발전된 시스템이라는 생각이다. 「우리 조직은 AI를 쓰고 있는가, AI가 일할 수 있는 조직인가」에서 고정형 업무 흐름, 관리형 에이전트, 자율형 에이전트는 성숙도의 순서가 아니라고 했다. 품질 업무에서 그 말은 업무의 위험과 불확실성에 맞춰 위임의 수준을 고르라는 뜻이 된다.
A사의 순환에서 나온 여섯 가지 일을 직접 나눠 보자. 먼저 고르고, A사의 선택과 이유를 확인한 뒤, 아래 지도에서 전체 배치를 볼 수 있다.
먼저 골라 보기
품질 지능 순환의 여섯 가지 일, 누가 맡을까
일마다 고정형 업무 흐름, 관리형 에이전트, 사람 가운데 하나를 고르면 A사의 선택과 이유가 바로 나온다.
1Lot, 공정, 설비 조건, 원자재 기록을 모은다
이상이 감지되면 매번 같은 시스템에서 같은 항목을 꺼낸다.
2과거 유사 불량 보고서를 읽고 이번 건과 비교한다
QMS 검색 결과 가운데 어떤 사례를 볼지, 무엇을 비교할지가 건마다 다르다.
3관찰, 반대, 더 필요한 근거로 원인 후보를 정리한다
모은 자료를 읽고 가설마다 근거를 나눈다.
4같은 설비 두 Lot 연속이면 출하 보류를 제안한다
앞 글에서 선임의 기준 가운데 규칙으로 적은 경우다.
5생산 중단과 고객 통보를 정한다
잘못되면 고객과 납기에 직접 영향을 준다.
6QMS 건을 만들고 담당과 CAPA 초안을 붙인다
결정이 내려진 뒤의 정해진 후속 작업이다.
6가지를 모두 고르면 정리가 나온다. (0 / 6)
A사의 품질 지능 순환에서 나온 여섯 가지 일마다 고정형 업무 흐름, 관리형 에이전트, 사람 가운데 누가 맡을지 먼저 골라 보고 A사의 선택과 이유를 확인한다. 응답은 저장되지 않는다
좋은 제조 AX는 가장 자율적인 시스템을 만드는 것이 아니라, 업무의 위험과 불확실성에 맞게 자율성을 정확히 배치하는 것이다.
품질 AI의 다음 경쟁은 감지 이후에 있다
시그나이터는 비전 검사와 합성 데이터가 계속 좋아질수록 경쟁이 그다음 단계로 옮겨 간다고 본다. 누가 이상을 더 빨리 이해하는가, 누가 근거를 더 빨리 모으는가, 누가 원인을 더 정확히 검증하는가, 누가 시정 조치를 실제 업무 흐름까지 잇는가, 누가 이전 문제를 다음 문제의 지식으로 만드는가.
품질팀에 필요한 것은 또 하나의 AI 도구가 아닐 수 있다. 필요한 것은 불량을 찾은 순간부터 문제가 해결되고 조직이 배울 때까지 이어지는 새로운 품질 업무 흐름이다. 이미 비전 AI나 검사 자동화를 들였다면, 그 뒤의 일이 얼마나 달라졌는지부터 점검해 볼 수 있다.
내 업무로 점검하기
비전 AI를 들인 뒤, 감지 다음의 일은 얼마나 바뀌었는가
감지 다음 일곱 단계 가운데 실제로 방식이 바뀐 단계를 고르면, 지금 어디에 있는지와 먼저 바꿀 단계가 정리된다.
보이는 신호를 고르면 여기에 정리된다.
비전 AI나 검사 자동화를 들인 뒤 감지 다음의 일곱 단계 가운데 실제로 방식이 바뀐 단계를 고르면, 지금이 감지만 바뀐 상태인지 순환이 바뀌기 시작한 상태인지와 먼저 바꿀 단계가 정리된다
다음 글에서는 이 순환을 실제 시스템과 잇는 구조로 내려간다. 에이전트가 MES, ERP, QMS와 어떻게 함께 일하는지, 그리고 연결할 수 있다는 것과 실행해도 된다는 것을 왜 나눠야 하는지를 다룬다.
Reference Notes
- ASQ, Eight Disciplines (8D) — ASQ Quality Resources 내용을 옮긴 ASQ 커뮤니티 글(2023)을 참고했다. D0 계획부터 D2 문제 정의, D3 임시 격리, D4 근본 원인과 유출 지점 확인, D5 영구 시정 선택·확인, D6 실행·검증, D7 재발 방지, D8 팀 인정까지의 구성을 참고했다.
- Deloitte 독일, AI in Manufacturing 2026: From pilot value to scaled industrial impact. 140곳 이상 제조기업 조사. AI 적용 영역 품질 62%, 생산 57%, 물류·공급망 49%와, 도입이 데이터 신호가 풍부하고 성과를 잴 수 있고 운영 책임이 분명한 영역에서 가장 강하다는 설명을 참고했다. 표본의 국가 구성은 페이지에서 확인하지 못했고, 응답 기업의 자기 보고라는 점을 감안했다.
- Bosch, Generative AI in manufacturing. 힐데스하임 공장 고정자 새 제품 라인에서 생성형 AI로 합성 불량 이미지 약 15,000장(불량 유형마다 두 자릿수 실제 이미지 기반)을 만든 사례, 프로젝트 기간 6개월 단축 예상을 참고했다. 기업 발표이며 기대치라는 점을 감안했다.
- AIAG, CQI-38 AI Vision Inspection Application and Assessment Guideline, 2026년 6월. 자동차 제조 AI 비전 검사 시스템의 역량·정확도·신뢰성 평가와 위험 관리, IATF 16949 보완이라는 소개를 참고했다.
- M. van der Pas·A. Akçay·R. M. Dijkman·I. Adan, Combining case-based reasoning and process mining for root cause analysis in complex manufacturing environments, Manufacturing Letters, 2025. 요지만 확인했다.
- J. A. Heredia Álvaro·J. González Barreda, An advanced retrieval-augmented generation system for manufacturing quality control, Advanced Engineering Informatics 64, 2025. 세라믹 타일 제조에 적용했다는 요지만 확인했다.
- 고정형 업무 흐름, 관리형 에이전트, 자율형 에이전트의 구분은 시그나이터 Knowledge의 「Fixed · Managed · Autonomous — 시그나이터의 3단계 Agent 분류」에서, 사람에게 남길 판단의 경계는 「I Am Not a Robot — AI Delegation Boundary」에서 더 자세히 다룬다.
- 본문의 A사는 컨설팅 현장에서 반복해 만난 장면을 하나로 각색한 가상의 기업이며 특정 고객사를 가리키지 않는다. 설비 3호기, 원자재 Lot, 노즐 온도 같은 근거 예시와 역할 배치도 장면을 설명하기 위한 각색이다.
이 글은 제조 AX 시리즈의 세 번째 글이다. 앞의 두 글에서는 시스템 사이에서 사람이 하는 일을 찾고, 그 일을 판단의 순서까지 나눠 봤다. 이번 글에서는 불량 감지부터 학습까지 품질 업무를 정리하고 단계별 담당 주체를 정했다. 다음 글에서는 이 업무를 MES·ERP·QMS 등 실제 시스템과 어떻게 연결할지 다룬다.
관련 글: 「MES도 ERP도 있는데, 왜 제조 현장은 여전히 엑셀과 메일로 움직이는가」, 「제조업 자동화는 과업이 아니라 업무 흐름을 봐야 한다」.
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.
Next step