Featured
제조업 에너지 관리 AI, 낭비는 작고 분산돼 있어 눈에 안 띕니다
대기 전력, 압축공기 누설, 노후 설비의 과부하는 하나하나는 작지만 여러 설비에서 계속되면 요금에 그대로 쌓입니다. 눈에 띄지 않아 방치되는 에너지 낭비를 AI가 어떻게 찾아내는지 정리합니다.
해외 기업 AI 활용 사례 모음, 성과를 금액으로 밝힌 곳은 어디였을까요?
국내 대기업 AI 활용 사례 7곳 총정리, 어떤 업무에서 성과가 수치로 증명됐을까?
제조업 문서관리 AI, 문서와 현장 작업이 자꾸 달라지는 이유와 해결법
제조업 공급망 리스크 관리, 협력사 정보가 항상 늦게 오는 이유
디피니트, 스타트업 모닝커피 출연
씨엔티테크 전화성 대표가 진행하는 스타트업 모닝커피에서 디피니트를 다뤘습니다. 제조기업의 원가 의사결정을 자동화하는 솔루션으로 DARVIS 를 분석했습니다.
제조업 납기 지연 관리, 조기에 발견하여 해결하는 방법
월간 납기준수율은 이미 늦은 뒤 알려주는 지표입니다. 납기 위험을 미리 보려면 주문별 예상완료일을 매일 다시 계산해야 합니다. 제조업 납기 지연을 조기에 발견해 해결하는 방법을 정리합니다.
김도환 대표, AI 온톨로지 세미나 발표
김도환 대표가 AI 온톨로지 사례 및 적용 방안 세미나에서 발표했습니다. 기능을 여러 개 만들지 말고 재고 사전 하나를 만들라는 것이 요지였습니다.
제조업 품질관리 AI, 불량을 찾는 게 아닌 예측으로 막는 방법
샘플링 검사는 검사하지 않은 제품에 불량이 없다는 뜻이 아닙니다. 육안 검사는 피로와 숙련도에 따라 판정이 달라집니다. 불량을 찾는 대신 예측으로 막는 AI 품질관리가 이 한계를 어떻게 보완하는지 정리합니다.
제조업 데이터 거버넌스, 대시보드는 많은데 아무도 숫자를 안 믿는 이유
Gartner는 2027년까지 조직의 60%가 데이터 거버넌스 부족으로 AI 기대 가치를 실현하지 못할 것이라고 전망합니다. 제조업에서 데이터 거버넌스가 무엇이고, 왜 특히 어려운지, 어떻게 구축해야 하는지 정리합니다.
AI 생산성이 오른 회사에서 근무 시간이 늘어난 이유
AI를 만드는 회사의 직원들이 주 90시간 일하고 있습니다. AI 생산성이 올랐는데 근무 시간은 왜 늘었을까요? 줄어든 시간이 어디로 갔는지, 우리 회사에서는 어떻게 확인할 수 있는지 정리했습니다.
제조업 재고 손실 관리, ERP는 있다는데 실물은 없는 이유
수요 예측 오류가 과잉 구매로, 과잉 구매가 부진재고로, 부진재고가 진부화 손실로 이어집니다. 재고 손실은 폐기되는 재고의 구매원가보다 훨씬 큽니다. 제조업 재고 손실이 발생하는 구조와 조기에 발견하는 방법을 정리합니다.
식품 제조 원가관리 AI, 원가의 1% 누수가 이익률 10%를 좌우합니다
식품 제조업은 원재료비가 원가의 60~80%를 차지합니다. 시세가 조금만 흔들려도 마진이 크게 요동칩니다. 월말에야 확인되던 원가 이상을 조기에 발견하는 방법, 식품 제조 원가관리 AI 도입 효과를 정리합니다.
AI 에이전트 도입, 85%가 PoC에서 멈춥니다
두 달간 정상이던 에이전트가 갑자기 틀리기 시작했습니다. AI 에이전트 도입에서 PoC와 실제 운영을 가르는 것은 성능이 아닙니다. 배포 후 확인해야 할 것을 정리했습니다.
제조 원인분석 AI, "왜"라는 질문에 답하는 AI가 필요한 이유
"이상 확률 92%"는 알려주지만 왜 그런지는 알려주지 않습니다. 이상을 감지하는 것과 원인을 찾는 것은 전혀 다른 문제입니다. 제조 원인분석 AI가 기존 예측·이상감지 AI와 무엇이 다른지, 왜 필요한지 정리합니다.
제조업 AI 신뢰성을 높이는 방법, '근거 없이 답하지 않는 것'부터 시작입니다.
AI가 불량을 판정해도 현장은 다시 확인합니다. 정확도가 낮아서가 아니라, 왜 그렇게 판단했는지 설명하지 못하기 때문입니다. 제조업에서 AI 신뢰성이 왜 중요한지, 근거 없는 답변이 어떻게 도입을 막는지 정리합니다.
AI를 도입했는데 일하는 속도가 그대로인 이유
AI 도입을 했는데도 성과가 안 보이는 이유와 성과를 낸 조직의 차이를 정리했습니다.
사내망이 10분 만에 뚫렸습니다, AI 에이전트 보안 점검 항목
명령어 8줄에 사내망이 10분 만에 뚫렸습니다. AI 에이전트 보안 사고는 모델 성능이 아니라 권한 범위에서 시작됩니다. 도입 전에 확인할 아홉 가지를 정리했습니다.
제조 시맨틱 레이어, AI가 우리 회사 데이터를 이해하게 만드는 방법
같은 질문인데 어제와 오늘 AI 답이 다릅니다. 불량률을 물으면 부서마다 다른 숫자가 나옵니다. AI가 똑똑하지 않아서가 아니라, 데이터가 회사만의 의미로 정의되지 않았기 때문입니다. 제조 시맨틱 레이어가 무엇이고 왜 필요한지 정리합니다.
제조업 의사결정 시스템 vs ERP, 기록하는 것과 판단하는 것의 차이
ERP는 데이터를 기록하도록 설계됐습니다. 의사결정하도록 설계되지 않았습니다. 왜 불량률이 올랐는지, 왜 납기가 밀리는지는 여전히 사람이 여러 시스템을 뒤져야 답할 수 있습니다. 제조업 의사결정 시스템이 ERP와 무엇이 다른지 정리합니다.
김도환 대표, KoreaTechDesk 단독 인터뷰
영문 매체 KoreaTechDesk 가 김도환 대표를 단독 인터뷰했습니다. 제조 AI 가 막히는 이유는 데이터가 부족해서가 아니라 데이터가 질문에 답하도록 설계되지 않았기 때문이라는 내용입니다.
AI 할루시네이션이 아닌데 틀린 답이 나오는 이유
AI가 자신 있게 틀린 답을 내놓는 일을 기업 57%가 겪었습니다. 원인이 AI 할루시네이션이 아니라 시스템마다 어긋난 데이터 정의라면 대응은 달라져야 합니다. 문서 검색을 늘려도 해결되지 않는 이유, 그리고 기업 AI 도입을 넓히기 전에 확인할 점검 항목을 정리했습니다.
스마트팩토리 ROI를 높이는 조건과 낮추는 원인
스마트팩토리 ROI는 업종과 공정에 따라 1.5년에서 5년 이상까지 차이가 납니다. 병목 공정부터 시작하고 정량 KPI를 먼저 잡는 현장이 더 빠릅니다. ROI를 높이는 조건과 낮추는 원인을 현실적으로 정리합니다.
AI 도입 효과, '얼마나 썼나'가 아니라 '무엇을 끝냈나'를 봐야합니다
AI에 돈은 썼는데 값을 하는지 안 보이는 이유는 도입률만 봤기 때문입니다. 완료된 업무, 성공한 작업당 비용, 신뢰성으로 AI 도입 효과를 측정하는 법을 정리했습니다. 싼 모델이 오히려 더 비쌀 수 있는 이유까지 짚습니다.
디피니트, 정부 혁신 프리미어 1000 선정
디피니트가 2026년도 제2차 혁신 프리미어 1000 기업에 선정됐습니다. 과학기술정보통신부 선정 108개사 명단에 포함됐습니다.
제조업 PoC, 기술 검증에서 현장 적용으로 넘어가는 조건
PoC는 "될까"를 확인하는 단계입니다. 그런데 제조 현장에서는 PoC 성공 후 파일럿, 전사 확산으로 이어지지 않는 경우가 반복됩니다. 제조업 PoC가 실제 운영으로 연결되려면 무엇이 달라야 하는지 사례 중심으로 정리합니다.
AI 도입 리스크, 속도보다 '검증'이 먼저인 이유
내부 테스트를 통과한 AI가 왜 현장에서 틀리는지, AI에 얼마나 맡길지를 리스크에 따라 어떻게 정하고 재현성을 검증해야 하는지 정리했습니다. AI 도입 리스크를 어디까지 감수해야 할지 고민하는 의사결정자를 위해 속도보다 검증이 먼저인 이유를 짚습니다.
제조업 온톨로지, 데이터를 모으는 기술이 아니라 연결하는 기술입니다
같은 불량을 두고 생산은 공정 문제, 품질은 검사 문제, 설비는 유지보수 문제로 봅니다. 데이터는 있는데 해석이 갈라지는 이유입니다. 제조업 온톨로지가 왜 필요한지, 어떻게 데이터 연결과 원인 분석을 빠르게 만드는지 정리합니다.
제조업 AI 도입 비용을 줄이는 현실적인 방법
AI 도입 비용이 부담스러운 이유는 대부분 전체를 한 번에 하려 하기 때문입니다. PoC부터 정부지원 활용, 작게 시작해 ROI를 먼저 확인하는 방법까지 제조업 AI 도입 비용을 현실적으로 줄이는 접근을 정리합니다.
공장 데이터 사일로, 시스템을 바꾸지 않고 해소하는 방법
공장 데이터 사일로를 없애려면 기존 시스템을 모두 교체해야 할까요. 그렇지 않습니다. 가장 아픈 문제 하나에서 시작해 데이터를 연결하는 방식으로도 의사결정 지연과 불량 추적 문제를 줄일 수 있습니다. 현실적인 접근법을 정리합니다.
제조업 AX, DX 다음에 오는 것은 무엇인가
제조업 AX를 도입한 현장에서 생산량 29% 향상, 공정 불량 90% 감소, 납기 19% 단축 효과가 보고됩니다. AI가 데이터를 판단하고 다음 행동까지 제안하는 제조업 AX, 어디서 어떻게 시작해야 하는지 정리합니다.
제조업 데이터 연결의 현실, '데이터는 있는데 왜 의사결정은 느릴까?'
같은 공장 안에서 부서마다 숫자가 다르게 보인다면, 데이터 연결 문제입니다. 시스템을 새로 도입하지 않아도 됩니다. 기존 ERP·MES·설비 데이터를 연결해 의사결정 속도를 높인 제조 현장의 접근을 살펴봅니다.
제조업 LLM, 범용 AI로 안 되는 이유와 해결 방법
ChatGPT 같은 범용 LLM은 제조 현장의 전문 용어와 공정 맥락을 모릅니다. 설비 코드, 불량 유형, 사내 표준이 빠진 답변은 현장에서 쓰기 어렵습니다. 제조업에서 LLM을 제대로 활용하려면 무엇이 필요한지, 구축 방법과 사례를 중심으로 정리합니다.
[PoC 사례] 롯데웰푸드 DARVIS - AI(온톨로지) 기반 운영 지표 분석
BI 도구를 도입한 조직에는 비슷한 패턴이 있습니다. 데이터는 화면에 잘 정리되지만 그다음 단계의 판단은 늘 사람의 일이었습니다. 롯데웰푸드와 디피니트가 DARVIS로 진행한 PoC에서는 시스템이 어디까지 다룰 수 있는지, 기존 BI 도구와 어떤 차이가 있는지 정리합니다.
공장 의사결정 자동화, 반복되는 판단을 시스템이 먼저 처리하게 하는 방법
같은 문제를 반복 논의하고, 결론이 사람마다 달라지는 현장. 의사결정이 느린 이유는 대부분 데이터가 흩어져 있고 판단 기준이 명확하지 않기 때문입니다. 공장 의사결정 자동화가 현장에서 어떻게 작동하는지 정리합니다.
AI 에이전트 제조업, 답을 주는 AI에서 일을 처리하는 AI로
일반 AI, 생성형 AI, AI 에이전트는 제조 현장에서 역할이 다릅니다. 예측하고 생성하는 AI를 넘어, 목표를 쪼개고 실행까지 이어가는 AI 에이전트가 제조업에서 어떻게 쓰이는지 사례와 함께 살펴봅니다.
디피니트, Pre-Series A 브릿지 투자 유치
디피니트가 더이노베이터스로부터 Pre-Series A 브릿지 라운드 투자를 유치했습니다. 신규 제품군을 고도화하고 제조 대기업 현장으로 제품을 넓히는 데 씁니다.
스마트팩토리 구축 전에 알아야 할 현실적인 조건 4가지
기초부터 고도화까지, 스마트팩토리 구축은 단계가 있습니다. 전체를 한 번에 바꾸려다 실패하는 경우가 많습니다. 성과를 낸 제조 현장이 어디서, 무엇부터 시작했는지 구축 단계와 비용, 성공 요인을 중심으로 정리합니다.
제조업 ERP의 한계, 기록은 되는데 현장은 안 됩니다
ERP를 잘 구축했는데도 납기 지연, 불량, 재고 오류가 반복된다면 ERP 문제가 아닐 수 있습니다. ERP는 기록과 집계에는 강하지만, 현장 실시간 대응과 원인 분석에는 한계가 있습니다. 제조업 ERP의 구조적 한계와 현실적인 보완 방법을 정리합니다.
제조업 설비 이상 감지, AI로 바꾸면 무엇이 달라지는가
계획되지 않은 설비 정지 한 번이 수억 원의 손실로 이어집니다. 고장 후 수리에서 고장 전 감지로 전환한 제조 현장은 다운타임을 최대 50% 줄이고 유지보수 비용도 낮췄습니다. 설비 이상 감지 AI가 현장에서 작동하는 방식을 정리합니다.
온프레미스 AI 제조업, 공장 데이터를 안에 두는 것이 왜 중요한가?
공정 조건, 설비 데이터, 품질 노하우가 외부 클라우드로 나가도 괜찮을까요? 제조업이 온프레미스 AI를 선호하는 이유는 보안만이 아닙니다. 데이터 주권부터 실시간 대응까지, 제조 현장의 특수한 조건을 살펴봅니다.
[PoC사례] (주)한독, 제약회사의 보고서 자동화 - 제약 AI 사례
보고서 한 건당 반나절, 제약회사가 안고 있는 이 부담을 AI가 어디까지 풀 수 있을까요?(주)한독과 진행한 제약 AI PoC 사례입니다.
탄소섬유 공장, 불량 추적 30일에서 3시간으로
한국데이터경제신문이 디피니트 도입 사례를 심층 리포트로 다뤘습니다. 탄소섬유 제조사 H사가 DARVIS 로 공정 불량 원인 추적 시간을 30일에서 3시간으로 줄인 실증 내용입니다.
생성형 AI 제조업, 어디에 어떻게 쓰이고 있을까?
설계, 문서화, 고객 대응, 생산계획 보조까지 — 생성형 AI가 제조업 현장에 실제로 쓰이는 방식을 사례 중심으로 정리합니다. 아직 초기 단계지만, 텍스트 기반 업무에서 뚜렷한 성과가 확인되고 있습니다.
제조 AI 도입, AI 솔루션 회사부터 찾지 마세요
AI 도입을 검토하는 제조사 의사결정자가 가장 자주 빠지는 함정은 AI 솔루션 회사부터 찾는 것입니다. 결과를 만들어 내는 회사들의 출발점은 다릅니다.
제조업 디지털전환, 성공한 현장에서 배우는 현실적인 접근
디지털전환을 시도한 제조 현장은 많지만, 실질적인 성과로 이어진 곳은 많지 않습니다. 납기를 40% 단축하고 재고 비용을 23% 줄인 현장은 무엇이 달랐는지, 국내 제조업 디지털전환 사례를 통해 살펴봅니다.
제조 데이터 분석, 왜 해도 해도 제자리일까
제조 데이터는 쌓이는데, 막상 원인 파악에는 쓰지 못하는 경우가 많습니다. 데이터가 없어서가 아니라, 분석이 현장 문제와 연결되지 않기 때문입니다. 제조 데이터 분석이 실질적인 운영 개선으로 이어지려면 무엇이 달라져야 하는지 짚어봅니다.
기업 AI 도입, 데이터 통합부터 할 필요 없습니다
기업 AI 도입을 미루는 가장 흔한 이유 중 하나는 데이터부터 정리해야 한다는 부담입니다. 하지만 글로벌 사례들이 보여준 길은 다릅니다.