제조 현장에서는 한 번 해결한 불량이 시간이 지나 다시 나타나는 일이 드물지 않습니다. 당시에는 원인을 찾아 조치했더라도, 그 과정이 기록으로 남지 않거나 담당자의 경험에만 머물면 같은 문제를 처음부터 다시 풀어야 하기 때문입니다. 이런 반복을 줄이는 방법으로 불량 재발 방지 AI가 주목받고 있습니다.
이 글에서는 재발 방지의 개념과 불량이 반복되는 이유, AI의 역할, 정부 동향과 적용 사례, 도입 시 확인할 점을 순서대로 살펴봅니다.
불량 재발 방지란
불량 재발 방지는 불량품을 처리하는 데서 끝내지 않고, 불량이 생긴 원인을 제거해 같은 문제가 다시 일어나지 않게 하는 활동입니다. 눈앞의 불량품을 골라내는 일과 불량이 생기는 구조를 바꾸는 일은 서로 다른 단계입니다.
미국 FDA의 품질시스템 지침은 이 차이를 시정조치와 예방조치로 구분합니다. 시정조치는 기존 불일치의 원인을 제거하는 조치이고, 예방조치는 잠재적 불일치의 원인을 제거하는 조치입니다. 이미 발생한 불량의 원인을 없애는 것이 시정조치라면, 아직 발생하지 않았지만 같은 위험이 있는 다른 공정과 제품에서 미리 원인을 없애는 것이 예방조치입니다. 재발 방지는 두 조치가 이어질 때 비로소 완성됩니다. 여기에 조치한 내용과 그 근거를 기록으로 남겨 다음 문제에 참고할 수 있게 하는 일까지 더해져야 같은 불량이 다시 나타나는 것을 막을 수 있습니다.
불량이 반복되는 이유
불량이 반복되는 대표적인 이유는 원인과 조치에 관한 지식이 흩어져 있기 때문입니다. 조치 이력, 검사 결과, 설비 상태, 작업자의 경험이 개인과 여러 시스템에 나뉘어 있으면 다음 문제가 생겼을 때 과거의 해결 경험을 찾아 쓰기가 어렵습니다. 담당자가 바뀌거나 비슷한 라인으로 문제가 번지면 같은 불량을 다시 겪을 수 있습니다.
FDA 지침은 예방조치의 예로 조직 지식을 포착하는 일을 함께 제시합니다. 누가 알고 있느냐보다 조직이 필요할 때 찾아 쓸 수 있느냐가 중요하다는 뜻입니다. 정부도 비슷한 방향을 보고 있습니다. 산업통상부는 2026년 9월 보도자료에서 숙련 작업자의 노하우를 AI가 활용하도록 하는 '제조 암묵지 활용 AI솔루션 개발'을 2027년 정부예산안 신규사업으로 소개했습니다.
불량 재발 방지 AI의 역할
불량 재발 방지 AI는 흩어진 데이터를 연결하고, 그 안에서 원인을 찾고, 해결 경험을 다시 쓸 수 있게 돕는 도구입니다. 크게 세 가지 방식으로 정리할 수 있습니다.
데이터 연결: 품질, 공정, 설비, 작업 기록을 이어 어떤 조건에서 불량이 났는지 확인
원인 후보 도출: 사람이 시스템을 하나씩 열어 대조하던 작업을 AI가 거들어 원인 후보를 좁힘
지식 재사용: 과거 불량과 조치 이력을 검색할 수 있는 지식으로 남겨 유사 사례를 빠르게 찾음
데이터 사이의 관계를 정리하는 온톨로지나 지식 그래프, 문서를 근거로 답하는 RAG 같은 기술이 이런 구조를 뒷받침합니다. 예를 들어 새로운 불량이 나타났을 때 과거에 비슷한 조건에서 어떤 불량이 있었고 어떤 조치로 해결했는지를 바로 찾아볼 수 있다면, 같은 시행착오를 줄일 수 있습니다. 다만 최종 판단과 조치는 현장 담당자의 몫이며, AI는 근거를 빠르게 모아 주는 역할을 합니다.
정부 동향과 현장 성과
제조 현장의 AI 전환을 지원하는 정부 사업도 성과를 내고 있습니다. 산업통상부는 2026년 8월 제조 AX 얼라이언스의 지원으로 성과가 나기 시작한 42개 사업장을 점검한 결과, 생산성이 30.1% 향상되고 불량률이 평균 15.5% 줄었다고 밝혔습니다. 2030년까지 AI팩토리를 500곳 구축하겠다는 목표도 제시했습니다. 이 수치는 산업부가 점검한 사업장의 결과입니다.
개별 기업의 움직임도 소개되었습니다. 산업부 보도자료에 따르면 LG전자는 원소재, 생산설비, 제품 품질 정보를 하나로 연결하고, AI를 활용해 불량 원인을 분석하며 최적의 생산조건을 만들어 가고 있습니다.
불량 재발 방지 AI 적용 사례 - 탄소섬유 H사
국내 탄소섬유 제조사 H사는 공정에서 불량이 생기면 원인을 찾는 데 오래 걸리는 문제가 있었습니다. 담당자가 ERP, MES, WMS, 센서 등 여러 시스템을 각각 열어 직접 대조해야 했고, 이 과정에 약 한 달이 걸렸습니다.
여기에 디피니트의 의사결정 지원 시스템 다비스(DARVIS)가 적용되었습니다. 다비스(DARVIS)는 기존 시스템을 교체하지 않고 읽기 전용으로 연결하며, 온톨로지를 기반으로 데이터의 의미를 맞춰 불량 원인을 추적합니다. 한 언론의 심층 리포트에 따르면 30일이 걸리던 불량 원인 추적이 3시간으로 줄었습니다.
이 사례는 원인을 찾는 시간을 줄인 사례입니다. 원인이 빨리 확인되면 조치와 그 근거를 기록으로 남기기도 쉬워지므로, 불량 재발 방지 AI를 활용하는 첫 단계가 될 수 있습니다.
도입 시 확인할 점
불량 재발 방지 AI는 범위를 좁혀 시작하면 부담이 적습니다. 먼저 반복 빈도가 높거나 원인 파악에 시간이 오래 걸리는 불량 유형을 정합니다. 이어서 품질과 공정, 설비 데이터가 기존 시스템에 어떻게 쌓이고 있는지 점검하면 연결 범위를 정하기 수월합니다. 원인과 조치를 어떤 형식으로 기록할지도 현장 담당자와 함께 정해 두면, 쌓인 기록이 다음 문제를 푸는 자산이 됩니다. 도입 후에는 같은 유형의 불량이 얼마나 줄었는지, 원인을 찾는 데 걸린 시간이 어떻게 달라졌는지를 함께 살펴보면 효과를 판단하기 좋습니다.
불량 재발 방지 AI는 현장 지식을 조직의 자산으로 남기는 방법입니다
불량 재발 방지 AI는 흩어진 데이터와 조치 이력을 연결해 원인을 빠르게 찾고, 그 경험을 다음 문제에 다시 쓰도록 돕는 방식으로 활용되고 있습니다. 정부도 제조 암묵지를 활용하는 AI 솔루션 개발을 추진하고 AI팩토리를 확대하고 있어, 앞으로 현장 지식을 남기고 재사용하는 AI의 활용 범위는 더 넓어질 것으로 기대됩니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 블로그를 구독해 보세요. 업무 현장에 적용할 수 있는 AI 활용 사례와 노하우를 공유합니다.
더 많은 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.