AI Compressor · 제조업에 파는 소프트웨어 회사는 어떤 시간을 줄여야 하는가
현장 요구 발견에서 제품 출시, 두 번째 고객 도입까지
자동차 부품 공장의 품질팀이 소프트웨어 회사에 “AI로 검사 성적서를 만들어 달라”고 한다. 실제로 한 건을 따라가 보니 성적서 작성은 20분이면 끝난다. 더 오래 걸리는 일은 일련번호를 기준으로 검사기와 생산관리시스템(MES)의 결과를 맞추고, 재검사 후 어떤 판정이 최종인지 확인하는 것이다. 공급사가 문서 생성 기능부터 출시하면 품질 담당자는 더 빨리 만들어진 초안을 보면서 여전히 같은 세 화면을 확인해야 한다.
제조업 시장에서 AI를 제품으로 개발하는 회사에는 줄여야 할 시간이 두 종류 있다. 고객에게는 이상이 생긴 순간부터 원인을 확인하고 생산을 재개하거나, 납품 요건을 받은 뒤 적합성을 입증하기까지의 시간이 있다. 공급사에는 현장 문제를 이해하고 첫 기능을 검증한 뒤, 그 결과를 다른 고객에게 적용하기까지의 시간이 있다. 첫 편에서 다룬 제조사의 로봇·시스템 투자를 이번에는 공급사의 제품 전략에서 본다. 1편 · AI Compressor와 제조업 투자
- 현장 업무 관찰최근 불량 한 건의
조회·대기·승인 기록 - 작은 기능 출시한 품목·한 장비에서
이력 조회부터 승인까지 - 품질·시간 검증누락과 판정 오류
현장 지원 시간 확인 - 다음 고객 도입공통 기능 재사용
차이가 있는 부분 검증
운영 중 발견한 오류와 대기를 다음 기능의 우선순위에 반영한다.
첫 번째 흐름은 현장 업무의 시작부터 끝까지 따라 읽으면 된다. 품질 담당자가 요청한 성적서 자동화 기능을 바로 개발하기 전에, 실제로 시간이 걸린 조회·대기·승인을 확인한다. 한 품목에서 그 업무를 끝낼 수 있는 기능을 만들고, 누락과 판정 오류, 현장 지원 시간을 함께 측정한다. 두 번째 고객에게서는 장비와 데이터의 차이를 확인한다. 공통 기능을 재사용하면서 그 차이를 검증할 수 있어야 공급사의 도입 시간도 줄어든다.
고객이 요청한 기능을 실제 업무 한 건으로 검증한다
인터뷰를 요약하고 지원 문의를 분류하면 조사 준비가 빨라진다. 그렇게 줄인 시간으로 제품 매니저는 작업자와 품질 담당자가 최근에 처리한 불량 건 하나를 함께 볼 수 있다. 어떤 사건이 업무를 시작하게 했는지, 어느 시스템에서 근거를 찾았는지, 누구의 확인을 기다렸는지, 몇 번 다시 입력했는지를 기록한다. 같은 일이 다른 교대와 고객사에서도 생기는지 확인하면 로드맵에 넣을 근거가 생긴다.
앤드루 응은 《Harvard Business Review》에서 인터넷 기업의 대규모 데이터 중심 접근을 제조업에 그대로 적용하는 데 한계가 있다고 설명했다. 제조 검사에서는 공정과 품목에 따라 문제와 사용 가능한 데이터가 달라진다. 이 글의 사례에 대입하면 고객별 차이를 먼저 확인하고, 공통으로 반복되는 작업을 제품의 첫 적용 범위로 고르는 것이 합리적이다. MIT Sloan의 산업 AI 기사도 의사결정을 맡은 현장 인력에게 필요한 정보를 제때 전달해야 운영 중에 결과를 확인하고 개선할 수 있다고 설명한다. Andrew Ng, Harvard Business Review, 2021 · Sara Brown, MIT Sloan, 2025
소프트웨어 회사가 첫 현장 방문에서 확인할 자료는 최근의 불량 처리 기록, 승인된 작업 기준서, 실제로 제출한 성적서다. 가능하다면 같은 라인에서 품목만 바뀐 두 건을 비교한다. 검사 결과가 어디에 저장되는지, 품질팀이 재검사 결과를 어떻게 승인하는지, 야간 교대에서 누구에게 인계하는지가 달라질 수 있다. AI는 인터뷰와 지원 기록에서 반복 표현을 찾아주는 데 쓸 수 있다. 관찰한 사실과 담당자의 추정은 원자료로 돌아가 구분하고, 제품팀은 원인이 데이터 누락인지, 권한 대기인지, 사람마다 다른 작업 기준인지를 확인한다.
조사 결과는 기능 요청 목록을 넘어 실제 구매 조건으로 정리한다. 예를 들어 ‘성적서 자동화’라는 요청에서 품질 담당자는 원기록을 찾는 시간을 줄이려 하고, 공장장은 라인 정지 없이 도입하기를 원하며, IT팀은 고객 자료를 어디에 보관하는지 검토한다. 같은 고객사라도 승인 기준이 다르다. 도입 주체와 예산, 일정을 확인한 뒤 품질 감사나 공급사 심사처럼 기한이 있는 문제를 첫 시장으로 삼으면 파일럿의 범위와 구매 판단 시점을 함께 정할 수 있다.
첫 출시는 품질팀이 실제로 끝낼 수 있는 업무 하나로 잡는다
앞서 본 공장이라면 첫 기능을 표준 품목 한 종류의 검사 이력 확인으로 잡을 수 있다. 사용자가 일련번호를 입력하면 제품은 검사 당시의 기준 버전, 각 검사 결과, 재검사 여부, 승인된 최종 판정을 원본 링크와 함께 보여준다. AI는 OEM 요구사항과 보유 기록을 대조해 빠진 항목을 찾아준다. 최종 판정과 기록의 일치는 시스템의 규칙으로 확인하고 품질 담당자가 성적서를 승인한다.
출시 전에 고객과 정상 건, 재검사 건, 결과가 없는 건, 기준이 바뀐 건으로 시험한다. 시험판은 일부 품목에서 기존 절차와 병행해 결과를 비교한다. 실제 업무에서는 일련번호 검색부터 승인된 증빙까지 걸린 시간, 누락 건수, 최종 판정의 일치 여부, 현장 엔지니어가 개입한 시간을 본다. 예를 들어 담당자의 주당 지원 업무가 6시간 줄어도, 시험 생산을 하려면 연속된 라인 시간과 품질 담당자의 일정이 함께 확보돼야 한다. 그 단계까지 확인해야 고객에게 무엇이 앞당겨졌는지 설명할 수 있다.
MIT Technology Review Insights의 지멘스 후원 보고서는 디지털 트윈으로 제품과 생산 공정을 가상 환경에서 검토하는 사례를 다룬다. 《The Economist》도 제조 자동화에서 시뮬레이션이 설계와 공정 검증을 더 쉽고 저렴하게 하는 흐름을 다뤘다. 소프트웨어 공급사는 실제 라인 시간이 부족할 때 과거 기록이나 시험 환경에서 먼저 문제를 재현하고, 그 결과를 바탕으로 현장 시험 범위를 정할 수 있다. MIT Technology Review Insights, The Emergent Industrial Metaverse · The Economist, The “ChatGPT moment” has arrived for manufacturing
파일럿에서 실제로 구현할 흐름은 좁게 정의한다. 승인된 품목 하나와 검사기 한 대를 연결하고, 특정 일련번호의 기록을 모아 담당자가 제출 자료를 승인할 수 있게 한다. 가령 두 주 동안 비교 가능한 요청을 20건 처리한다고 가정하자. 고객과 미리 조회부터 승인까지의 중앙값, 누락을 발견한 건, 잘못된 기록을 제시한 건, 엔지니어 개입 시간을 정한다. 수량이 적은 경우에는 예외를 한 건씩 검토하고 운영 기간을 늘려 판단한다.
두 번째 출시의 범위는 첫 운영 결과로 결정한다. 현장 담당자가 원본을 다시 열어보는 경우가 많다면 원본 링크와 시간·단위 표시부터 고친다. 재검사 승인 대기가 가장 길다면 담당자에게 넘기는 흐름과 알림을 개선한다. 유사한 업무를 여러 부서가 서로 다른 양식으로 처리한다면 셀프서비스 서식 설정을 검토한다. 매번 줄이려는 시간과 허용할 오류 기준을 함께 정하면 업데이트의 결과를 다음 고객에게 보여줄 수 있다.
코드를 완성한 시점부터 현장 출시까지 잰다
공급사의 개발팀도 AI로 장비 문서에서 필드 이름을 찾고, 연동 코드나 테스트 초안을 만들 수 있다. 문제는 생성된 결과가 장비별 시간대, 단위, 결측값과 재전송을 제대로 다루는지 확인하는 데 있다. 검토와 현장 수정이 늘면 코드 작성에서 줄인 시간이 시운전으로 옮겨간다. 제품팀은 코드 작성 시간과 함께 요구 확정부터 현장 승인까지 걸린 기간, 배포 후 수정 건수, 고객별 엔지니어링 시간을 기록한다.
Brynjolfsson, Li, Raymond의 《Quarterly Journal of Economics》 연구에서는 생성형 AI 보조를 받은 고객지원 상담원의 시간당 해결 건수가 평균 15% 늘었다. 반면 METR의 2025년 무작위 실험에서는 익숙한 오픈소스 프로젝트에서 작업한 숙련 개발자들이 당시 AI 도구를 사용할 수 있을 때 과제를 완료하는 데 평균 19% 더 오래 걸렸다. 두 수치는 업무, 참가자, 도구가 서로 다른 연구에서 나왔다. 제조 소프트웨어팀에는 지원 업무와 개발 업무 각각에서 어디까지 완료됐는지를 직접 측정할 이유가 된다. Brynjolfsson·Li·Raymond, Generative AI at Work · Becker 외, METR 개발자 생산성 실험
지멘스와 마이크로소프트의 협업은 산업 지식과 AI 개발 역량을 어떻게 묶을 수 있는지 보여준다. 마이크로소프트가 공개한 thyssenkrupp Automation Engineering 사례에서 엔지니어는 Industrial Copilot을 활용하고, 회사는 업무별로 필요한 데이터와 구성요소별 엔지니어링을 담당한다. 자체 데이터를 통제하며, 제품별 데이터는 지멘스와 공유하지 않는다고 설명한다. 고객사가 누가 어떤 기록에 접근할 수 있는지 정할 수 있어야 산업용 AI를 기존 업무에 도입할 수 있음을 보여주는 공급사 사례다. Microsoft Source, Siemens·thyssenkrupp 사례
실제 제품에서 AI와 규칙이 맡는 역할도 분명해야 한다. AI는 수기 메모에서 품목 후보를 찾거나 고객 요구 문서의 변경점에 근거 링크를 붙일 수 있다. 제품은 일련번호와 기준 버전의 일치를 검사하고, 승인 절차는 담당자 권한으로 통제한다. 필수 원기록이 없거나 자료끼리 충돌하면 확인이 필요한 항목을 표시한다. 품질 담당자가 사실관계를 재구성할 수 있도록 어떤 원자료와 기준을 사용했는지도 남긴다.
엔지니어링팀은 현장에서 발견한 예외를 다음 릴리스의 검증 항목으로 만든다. 같은 일련번호가 재전송된 경우, 현장 시각과 서버 시각이 다른 경우, 모델 업데이트 후 옛 양식이 선택되는 경우를 다시 시험한다. 소수 라인에 먼저 배포하고, 기존 승인 절차로 돌아가는 데 필요한 시간도 확인한다. AI가 연동 코드를 빨리 작성했더라도 현장 수정 요청과 지원 시간이 늘었다면 도입 리드타임을 다시 계산한다.
- 운영 기록 검토무엇 때문에
업무가 끝나지 않았는가? - 원인에 맞춰 개선기록 누락 → 연동 검증
승인 대기 → 인계 개선 - 같은 업무 재측정승인까지의 시간
정정·지원 건수 확인
제조 고객이 확인할 효과
증빙 준비·재검사 시간, 심사 일정 준수
소프트웨어 공급사가 확인할 효과
고객별 연동·검증 시간, 지원 비용, 본계약 전환
두 번째 흐름은 출시 후 다음 기능을 정하는 과정이다. 예를 들어 이력 누락이 업무 완료를 막으면 장비 연결과 기록 검증을 개선하고, 승인 대기가 길면 담당자 인계와 알림을 개선한다. 같은 업무를 다시 측정할 때 제조 고객은 증빙 준비와 재검사가 얼마나 줄었는지 보고, 공급사는 연동·검증과 지원에 얼마의 시간을 쓰는지 본다. 고객 업무가 빨라지면서 공급사의 반복 도입 부담도 줄어드는지를 두 결과로 확인한다.
두 번째 고객에게 적용할 때 공급사의 시장이 보인다
첫 고객의 검사 이력 요구를 해결하고 나면, 다음 고객이 어떤 이유로 같은 기능에 비용을 지불할지 확인할 수 있다. 예를 들어 첫 고객은 신규 완성차 업체의 공급사 심사를 준비하고, 두 번째 고객은 기존 납품처의 품질 이의 제기에 대응해야 한다. 상황은 달라도 두 회사 모두 부품별 원기록을 빠르게 찾고, 당시 기준과 최종 판정을 입증해야 한다. 일련번호, 검사 시점, 기준 버전, 승인 이력은 제품의 공통 기능으로 제공하고, 장비별 데이터 연결과 제출 양식은 현장에 맞춰 설정할 수 있다.
시장 개발의 첫 대상은 이 업무가 반복되고 도입 이유가 분명한 고객군이다. 영업팀은 심사 일정이나 계약 조건처럼 구매 시점을 만드는 사건과, 품질·생산·IT 담당자의 검토 조건을 확인한다. 유료 파일럿은 한 라인과 한 품목에서 시작하고, 검증한 이력과 시간 개선을 다음 라인 도입의 근거로 삼는다. 장비 제조사나 현장 시스템 통합업체에 같은 검증 절차와 연동 범위를 제공하면, 공급사의 작은 엔지니어링팀도 지원할 수 있는 고객을 늘릴 수 있다.
두 번째 고객에게는 첫 고객과 공통으로 쓰는 기능과 추가 작업을 각각 견적에 반영할 수 있다. 공통으로 제공할 것은 검사 기록 조회, 원자료 연결, 승인 이력이다. 새 장비 연결이나 전용 양식이 필요하면 작업 범위와 승인 항목을 계약 전에 합의한다. 가령 첫 도입에 엔지니어 80시간, 두 번째에 45시간이 들었다고 하자. 이 차이가 공통 연동 모듈의 효과인지, 두 번째 장비가 단순했기 때문인지 확인하려면 고객별 장비 수와 데이터 상태, 검증 범위를 함께 기록해야 한다.
이 제품을 다른 산업으로 확장할 때도 업무를 기준으로 시장을 정한다. 장비 유지보수에서는 작업 지시부터 복구 승인까지, 다품종 생산에서는 주문 확정부터 승인된 작업 조건 적용까지가 비슷한 후보가 된다. 각 시장의 담당자와 구매 이유는 다르므로 한 번에 같은 제품을 제안할 근거는 달라진다. 먼저 검사 이력 기능을 쓰는 고객군 안에서 파일럿의 본계약 전환, 고객별 지원 시간, 다른 라인 도입에 걸린 기간을 확인하면, 확보한 엔지니어 시간을 다음 시장 조사에 얼마나 배정할지 판단할 수 있다.
- 제조 고객은 증빙 준비 시간, 재검사 시간, 심사 마감 준수, 실제 수주 후 적용 품목을 본다.
- 공급사는 계약부터 첫 유효 결과까지 걸린 기간, 고객별 연동·검증 시간, 운영 지원 시간, 파일럿의 본계약 전환을 본다.
- 다음 출시는 현장 지원 기록을 근거로 정한다. 이력 누락이 가장 많으면 연결과 기록 검증을 개선하고, 담당자가 증빙 양식을 바꾸는 데 시간을 쓴다면 설정 기능을 우선한다.
다음 고객도 비슷한 업무를 더 빨리 끝내고, 공급사 역시 설치와 검증에 더 적은 엔지니어링 시간을 쓴다면 한 공장의 요구가 시장 기회로 바뀐다. 그때 고객에게 제안할 수 있는 성과도 구체적이다. “AI로 문서를 만듭니다”라는 기능 설명에서 출발해, 첫 시험 생산에서 어떤 기록을 검증하고 언제까지 납품 증빙을 제출할 수 있는지 약속할 수 있다.