홈페이지

베테랑이 퇴근해도 현장 지식은 남아야 한다

정비 매뉴얼과 고장 이력을 연결하는 AI, 제조기업 AX의 실용적 출발점

야간 생산라인이 멈췄다. 화면에는 오류 코드가 뜨지만 매뉴얼의 설명만으로는 원인을 알기 어렵다. 담당자는 문서함과 과거 정비일지를 뒤지고, 결국 퇴근한 선임에게 전화를 건다. 기업이 오랫동안 축적한 경험이 특정인의 기억에 집중돼 있다면, 자료가 많아도 필요한 순간에 활용하기 어렵다.

이 문제는 숙련인력 부족과 신규 직원 교육, 설비 가동률을 동시에 건드린다. 최근 제조 현장의 AI 적용에서 주목할 변화는 매뉴얼과 고장 이력, 전문가의 판단 근거를 연결해 작업자의 질문에 답하도록 만드는 것이다. AI를 활용한 업무 전환인 AX는 이런 지식의 전달 과정을 개선하는 데서도 시작할 수 있다.

현장에 필요한 것은 '근거를 찾아주는 AI'다

핵심 기술 중 하나가 검색증강생성, RAG다. 질문이 들어오면 관련 사내 자료를 먼저 검색하고, 그 내용을 바탕으로 AI가 답을 구성하는 방식이다. 예를 들어 "이 설비의 센서 오류가 반복되는 이유는?"이라는 질문에 해당 모델의 매뉴얼과 유사 정비 기록을 찾아 함께 보여준다.

문서 검색에서는 정확한 오류 코드를 찾는 키워드 검색과 표현이 달라도 의미가 비슷한 기록을 찾는 벡터 검색을 결합할 수 있다. Microsoft의 공식 문서는 이런 혼합 검색을 설명하며, 복잡한 질문을 여러 검색으로 나누는 에이전틱 검색도 소개한다. 다만 해당 문서에서 AI 기반 질의 계획은 미리보기로 표시돼 있다. 정식 제공 기능이 필요한 업무에서는 기존 RAG 방식으로 시작할 수 있다.[2]

또한 긴 문서를 검색 가능한 작은 단위로 나누되 관련 문맥을 유지하는 준비가 필요하다.[3] 정비 업무라면 점검 절차와 경고문이 따로 검색돼 안전 조건이 빠지지 않도록 구성하는 것이 중요하다. 이는 기술의 자동 기능에 맡겨둘 일이 아니라 구축 단계에서 검증할 설계 과제다.

실제 사례: Rockwell 싱가포르 공장의 유지보수 AI

Microsoft가 2026년 9월 24일 공개한 사례에 따르면, Rockwell Automation의 싱가포르 사업장은 2025년 10월부터 사내 유지보수 AI 도우미를 운영했다. 설비 매뉴얼, 제조 소프트웨어 데이터, 숙련 엔지니어의 지식을 활용해 작업자가 고장 원인과 대응 방법을 찾아볼 수 있게 했다.

발표에는 설비 정지시간 33% 감소와 정비·부품 관련 비용 약 25% 감소가 제시됐다. 이는 해당 현장의 설명과 회사 내부 추적에 근거한 수치로, 공급업체인 Microsoft가 소개한 사례다. 비교 기간과 통제 조건이 충분히 공개된 독립 실험은 아니므로 국내 기업의 예상 절감률로 그대로 옮겨서는 안 된다.

해당 도우미는 현장에서 운영 중인 사내 시스템이다. 같은 구성이 모든 기업에 완제품으로 제공된다는 뜻은 아니다. 다른 국가의 공장으로 확대하는 내용은 기사 당시 계획으로 소개됐다.[1]

가상 적용 예시: 전기부품 공장의 교대조 업무

국내 전기부품 제조기업을 가정해보자. 다음은 앞선 사례의 실제 구축 내용이 아닌, 본 칼럼이 제안하는 적용 예시다.

작업자가 "2호 조립기에서 부품 감지 오류가 반복된다"고 입력하면 AI는 먼저 설비 모델과 오류 코드, 최근 부품 교체 여부처럼 빠진 정보를 확인한다. 이어 해당 모델의 최신 매뉴얼과 승인된 정비 기록을 검색한다.

답변에는 확인된 사실, 가능한 원인, 추가 확인이 필요한 사항을 나눠 표시한다. 과거 기록에 센서 오염 사례가 있더라도 현재 고장의 확정 원인처럼 표현하지 않는다. 각 제안에는 문서명과 개정일, 해당 절차를 연결한다. 작업자가 실제 조치를 마친 뒤에는 기록 초안을 만들고, 담당자가 확인한 결과만 지식 저장소에 반영한다.

업무 단계 AI가 지원할 내용 현장에서 확인할 사항
고장 접수 설비·증상·오류 코드 정리 대상 설비와 실제 현상
자료 조회 매뉴얼·유사 이력과 근거 제시 적용 모델과 문서 개정판
교대 인계 미해결 사항과 수행 조치 요약 누락·추정 표현 여부
정비 기록 원인·조치·재발 여부 초안 작성 검증된 사실과 최종 승인

초기에는 정보 조회와 기록 작성부터 맡기는 편이 합리적이다. 설비 재가동이나 제어 설정 변경은 별도의 권한과 검증이 필요한 작업으로 남겨둔다.

문서의 양보다 '쓸 수 있는 기록'이 중요하다

도입의 첫 과제는 자료 정리다. "조정 후 정상"이라는 기록만으로는 무엇을 왜 조정했는지 알기 어렵다. 설비 식별번호, 증상, 확인한 원인, 수행한 조치, 결과를 일정한 형식으로 남겨야 다음 작업자가 활용할 수 있다.

문서에는 적용 설비, 개정일, 승인 상태, 관리자를 붙인다. 비슷한 이름의 다른 설비 기록이 섞이지 않도록 검색 범위를 제한하고, 폐기된 절차가 검색 대상에서 빠지는지도 점검한다. 선임의 경험담은 유용하지만 제조사의 안전 지침과 동등한 승인 문서로 취급해서는 안 된다.

AI가 근거를 찾지 못할 때 답을 보류하는 동작도 평가해야 한다. 출처 링크가 붙어 있다는 사실만으로 답변이 정확해지는 것은 아니다. 링크의 실제 내용이 제안한 조치를 뒷받침하는지 사람이 확인할 수 있어야 한다.

기대 효과는 검색시간과 재작업을 함께 측정하자

기대할 수 있는 효과는 자료 탐색 부담 감소, 교대 인계의 일관성 향상, 신규 직원의 학습 지원이다. 설비 정지시간이 줄어드는지는 고장 난이도, 부품 수급, 담당자의 숙련도에도 영향을 받으므로 별도로 측정해야 한다.

가령 하루 20회의 자료 조회에서 회당 탐색시간이 8분에서 3분으로 줄고 월 20일 사용한다면, 계산상 월 약 33시간의 탐색 업무가 줄어든다. 이는 설명용 가정이다. 답변 검토, 잘못된 안내의 수정, 지식 갱신에 드는 시간을 빼야 실제 효과가 드러난다.

평가에는 근거가 정확한 답변 비율, 잘못된 모델 문서 인용률, 답변 보류의 적절성, 같은 고장의 재발 여부도 포함하자. 질문 횟수가 늘었다는 지표만으로 업무 성과를 판단하기는 어렵다.

한 설비군에서 검증하고, 확인된 지식부터 넓히자

첫 주에는 반복 고장이 있는 설비군 하나를 고르고 최근 정비 기록과 최신 매뉴얼을 모은다. 둘째 주에는 숙련자가 실제 질문과 정답 근거를 마련한다. 정상 사례뿐 아니라 자료가 없거나 서로 충돌하는 사례도 포함한다.

셋째 주에는 기존 업무와 나란히 사용하며 답변의 근거와 탐색시간을 비교한다. 넷째 주에는 승인된 사용자에게만 조회 기능을 제공하고, 기록 수정과 문서 갱신 책임자를 정한다. 오류가 발견되면 답변만 고칠 것이 아니라 원문, 검색 과정, 자료 연결 중 어디에서 문제가 생겼는지 살펴야 한다.

제조기업의 지식은 기록되고 검증돼 다음 사람이 꺼내 쓸 수 있을 때 조직의 역량이 된다. 현장 AI의 가치는 숙련자가 쌓은 판단의 근거를 필요한 순간에 전달하고, 새로 확인된 결과를 다시 회사의 지식으로 남기는 과정에서 커진다.

출처

  1. Microsoft Source, 2026.9.24. 발표 — Rockwell Automation 유지보수 AI 운영 사례
  2. Microsoft Learn, 2026.8.4. 최종 수정 — Azure AI Search의 RAG와 에이전틱 검색
  3. Microsoft Learn, 2026.7.2. 최종 수정 — RAG를 위한 문서 분할

자료 확인일: 2026.11.9. 제품의 제공 상태와 적용 조건은 도입 시 다시 확인해야 한다.

홈페이지