MES에는 데이터가 쌓입니다. 설비 가동률, 생산 실적, 공정 조건, 작업자 투입, 품질 검사 결과. 실시간으로 모니터링할 수 있습니다.
하지만 문제는 반복됩니다. 계획 대비 생산량이 부족합니다. 품질 불량이 올라갑니다. 납기가 지연됩니다.
"MES 데이터가 이렇게 많은데, 왜 원인을 못 찾나요?"
MES 데이터만으로는 원인을 찾기 어렵기 때문입니다. 이 글에서는 MES AI 도입이 왜 어려운지, 데이터가 많아도 왜 생산 문제가 반복되는지, 그리고 어떻게 해결할 수 있는지 정리합니다.
MES가 관리하는 데이터, ERP와 무엇이 다른가
ERP는 계획, MES는 실행
ERP는 "무엇을 얼마나, 언제 만들 것인가"를 관리합니다. 주문, 재고, 구매, 회계, 인사, 공급망 같은 전사 자원을 다룹니다. 중장기 계획과 경영 의사결정에 맞춰져 있습니다.
"다음 달에 A 제품 1,000개를 생산하려면 원자재는 얼마나 필요하고, 언제 발주해야 하나?" 같은 질문에 ERP가 답합니다.
MES는 "지금 공장에서 실제로 어떻게 만들고 있는가"를 관리합니다. 작업 지시, 생산 진행, 설비 상태, 품질, 작업자 투입 같은 현장 실행과 통제를 다룹니다. 실시간 데이터 수집이 핵심입니다.
"지금 A 라인은 몇 개를 만들었고, 설비는 정상인가? 불량은 몇 개 나왔나?" 같은 질문에 MES가 답합니다.
MES가 관리하는 5가지 데이터
MES에는 5가지 종류의 데이터가 쌓입니다.
첫째, 설비 데이터입니다. 가동/정지 상태, 고장 이력, 센서값(온도, 압력, 습도)이 기록됩니다. 설비가 언제 멈췄고, 언제 다시 가동했는지 알 수 있습니다.
둘째, 공정 데이터입니다. 작업 순서, 공정 조건, 생산 실적, 진행률이 저장됩니다. 어느 공정이 얼마나 진행됐는지 실시간으로 확인할 수 있습니다.
셋째, 자재 데이터입니다. 투입 자재, 자재 이동, 재고 사용 현황이 기록됩니다. 어떤 원자재가 언제 어느 공정에 투입됐는지 추적할 수 있습니다.
넷째, 작업자 데이터입니다. 배치, 자격, 작업 이력, 수동 입력값이 남습니다. 누가 언제 어떤 작업을 했는지 알 수 있습니다.
다섯째, 품질 데이터입니다. 검사 결과, 불량 정보, 측정값, 관리도 분석용 데이터가 쌓입니다. 불량이 언제 어디서 발생했는지 기록됩니다.
데이터는 많습니다. 그런데 왜 생산 문제는 반복될까요?
MES 데이터만으로는 원인을 못 찾는 이유
사례 1: 계획 대비 생산량 부족
식품 제조사에서 생산량이 계획 대비 10% 부족했습니다. 생산팀은 MES 데이터를 확인했습니다. 작업 시간, 투입 인원, 원료 사용량을 봤습니다.
MES 대시보드에는 모든 데이터가 표시되어 있었습니다. 작업 시간은 계획대로, 원료 사용량도 정상이었습니다. 하지만 생산량은 부족했습니다.
결론은 "작업자 투입이 부족했다"였습니다. 다음 달에는 작업자를 늘렸습니다. 하지만 생산량은 여전히 부족했습니다.
진짜 원인은 달랐습니다. 특정 설비의 잦은 소규모 정지가 누적되어 가동률이 떨어진 것이었습니다. 한 번에 10분씩, 하루에 5~6번 멈췄습니다.
작업자는 "설비가 자주 멈춘다"고 느꼈지만, MES에는 정확히 기록되지 않았습니다. MES는 생산 실적만 기록하지, 설비 정지 상세 이력은 설비 센서 시스템에 따로 저장되었습니다.
설비 센서 데이터에는 모든 정지 기록이 남아 있었습니다. 하지만 생산팀은 MES만 봤습니다. 설비 데이터는 설비팀만 봤습니다.
MES 데이터만으로는 설비 문제를 못 찾습니다.
사례 2: 품질 불량 원인
전자부품 제조사에서 특정 제품의 불량률이 올랐습니다. 품질팀은 MES의 품질 데이터를 분석했습니다. 불량 유형, 발생 시점, 검사 결과를 확인했습니다.
불량이 언제 어디서 발생했는지는 알았습니다. 하지만 왜 발생했는지는 품질 데이터만으로는 알 수 없었습니다.
담당자는 공정 조건을 확인했습니다. 온도, 압력, 속도 모두 정상 범위였습니다. 작업자도 바뀌지 않았습니다. 설비도 정상이었습니다.
3주 후에 우연히 발견했습니다. 같은 시점에 원자재 공급업체가 바뀌었고, 그 원자재의 미세한 규격 차이가 조립 불량으로 이어진 것이었습니다.
원자재 공급업체 변경 정보는 ERP 구매 데이터에 있었습니다. 품질팀은 ERP를 보지 않았습니다. MES 품질 데이터만 봤습니다.
만약 MES 품질 데이터와 ERP 구매 데이터가 연결되어 있었다면? "불량률 상승 시점 = 공급업체 변경 시점"을 3일 만에 찾을 수 있었습니다.
MES 데이터만으로는 구매 문제를 못 찾습니다.
사례 3: 납기 지연 반복
기계 제조사에서 납기 지연이 반복됐습니다. 생산팀은 MES에서 공정별 진행률을 확인했습니다. 어느 공정이 늦는지는 알았습니다.
조립 공정이 계획보다 2일씩 늦었습니다. 하지만 왜 늦는지는 몰랐습니다. 작업자가 부족한가? 자재가 늦게 들어온가? 설비가 느린가?
MES에는 조립 공정이 늦다는 사실만 기록되어 있었습니다. 작업자 배치 정보는 인사 시스템에, 자재 입고 정보는 ERP에, 설비 가동 속도는 설비 센서에 각각 따로 있었습니다.
담당자가 인사 시스템, ERP, 설비 센서 시스템을 하나씩 열어서 3일 동안 엑셀로 정리해야 원인을 찾을 수 있었습니다.
알고 보니 특정 부품의 입고가 매번 1~2일 늦었고, 그 부품이 없어서 조립 공정이 대기하고 있었습니다.
MES 데이터만으로는 복합 원인을 못 찾습니다.
공통점: 데이터 사일로
세 사례 모두 MES에는 데이터가 있었습니다. 생산 실적, 품질 검사 결과, 공정 진행률이 모두 기록되어 있었습니다.
하지만 설비 센서 데이터, ERP 구매 데이터, 인사 시스템 데이터와 연결되지 않았습니다. 생산팀은 MES만, 설비팀은 설비 시스템만, 구매팀은 ERP만 봤습니다.
생산 문제의 원인은 한 시스템에만 있지 않습니다. MES, 설비, ERP, 품질, 인사 데이터를 함께 봐야 원인이 보입니다.
MES AI 도입 실패 사례
실패 1: 한 라인 성공, 전사 확대 실패
중견 기계 제조사가 이상 탐지 AI를 만들었습니다. MES와 센서 데이터로 설비 이상 징후를 감지하는 시스템이었습니다.
파일럿 라인에서는 성공했습니다. AI가 90% 정확도로 설비 이상을 사전에 감지했습니다. 보고서도 좋았습니다. 경영진은 전사 확대를 지시했습니다.
하지만 다른 라인으로 확대하려니 문제가 생겼습니다. 각 라인의 센서 데이터 형식이 달랐습니다. 파일럿 라인은 OPC UA 프로토콜인데, 다른 라인은 Modbus, 또 다른 라인은 자체 개발 프로토콜이었습니다.
같은 "온도"라도 라인마다 데이터 단위와 저장 형식이 달랐습니다. 파일럿 라인에서 학습한 AI 모델을 그대로 쓸 수 없었습니다.
통합 작업만 6개월 걸렸습니다. 비용이 급증했습니다. 현업은 "파일럿은 성공했는데 왜 이렇게 오래 걸리나"며 불만을 표했습니다.
결국 전사 확대는 포기했습니다. 파일럿 라인에만 남았습니다. 투자 대비 효과가 미미했습니다.
실패 2: 데이터 추출에 수개월
소재 제조사가 MES AI를 도입했습니다. 과거 생산 데이터로 생산 최적화를 하는 AI였습니다.
하지만 레거시 MES에서 데이터를 꺼내고 정리하는 데만 수개월이 걸렸습니다. MES가 15년 된 시스템이라 현대적인 API가 없었습니다. 배치 파일을 만들어서 밤마다 데이터를 내보내야 했습니다.
데이터 형식도 제각각이었습니다. 같은 "온도"라도 설비값, 제품값, 외기값이 섞여 있었습니다. AI가 의미를 구분하지 못했습니다. 수동으로 라벨링 작업을 해야 했습니다.
품목 코드도 정리되지 않았습니다. 같은 제품인데 "A-123", "A123", "제품A"로 세 번 등록되어 있었습니다. 데이터 표준화 작업이 필요했습니다.
데이터 추출과 정제 작업에 6개월, 비용이 AI 도입 비용의 2배가 들었습니다. 프로젝트가 지연되면서 현업의 관심도 떨어졌습니다.
실패 3: QMS만 보고 원인 못 찾음
앞서 본 전자부품 제조사 사례입니다. 품질 불량 원인을 MES의 품질 데이터만으로 찾으려 했지만, 설비 상태와 구매 맥락이 빠져서 3주 동안 원인을 못 찾았습니다.
AI는 품질 데이터만 학습했습니다. 불량 패턴은 찾았지만 왜 그런 패턴이 생겼는지는 몰랐습니다. "이 조건에서 불량률이 높다"는 말할 수 있지만, "왜 이 조건이 생겼나"는 답하지 못했습니다.
공통점: 데이터 통합 실패
성공한 MES AI는 MES+설비+품질+물류 데이터를 통합했습니다. 한 기업은 시간당 생산량을 36% 높이고 불량률을 91% 줄였습니다.
실패한 MES AI는 한 시스템만 봤거나, 형식이 제각각이었습니다. 파일럿은 성공해도 확장 단계에서 막혔습니다.
MES AI 도입의 성패는 AI 모델 정확도가 아니라 데이터 통합에 달려 있습니다.
다비스(DARVIS) - MES 바꾸지 않고 데이터만 연결
레거시 MES 그대로
다비스(DARVIS)는 MES를 교체하지 않습니다. 15년 된 MES, 10년 된 자체 개발 MES. 모두 그대로 둡니다.
API가 없어도, 데이터 형식이 제각각이어도 괜찮습니다. 배치 파일로 밤마다 내보내는 방식이어도 괜찮습니다. 데이터를 옮기지 않고 논리적으로만 연결합니다.
소재 제조사 사례입니다. 15년 된 MES, 20년 된 ERP, 각 라인별로 다른 설비 센서 프로토콜(OPC UA, Modbus, 자체 개발). 모두 그대로 두고 4주 만에 생산 원인 분석 시스템을 구축했습니다.
시스템 교체 제로, 데이터 마이그레이션 제로, 프로토콜 통합 제로입니다.
MES+설비+ERP+품질 통합
생산량 부족 원인을 찾으려면? MES 생산 데이터만으로는 부족합니다. 설비 센서 데이터, ERP 자재 데이터, 인사 시스템 작업자 데이터를 함께 봐야 합니다.
다비스(DARVIS)는 이 모든 데이터를 자동으로 연결합니다. "이번 주 생산량이 왜 부족해?"라고 자연어로 물으면, AI가 MES, 설비, ERP, 인사 시스템을 자동으로 조회하고 분석합니다.
"A 라인 생산량 부족은 설비 소규모 정지 누적 때문. 일 5~6회, 회당 10분씩 정지. 동일 시점 자재 입고는 정상, 작업자 투입도 계획대로. 설비팀 확인 결과 특정 부품 마모로 판단."
담당자가 MES, 설비 시스템, ERP, 인사 시스템을 오가며 3~5일 걸려 찾던 원인을 2시간 내에 자동으로 제공합니다.
현장 맥락 보완
MES 데이터에 맥락이 부족해도 괜찮습니다. 베테랑의 판단 기준을 활용합니다.
"온도 기준보다 5도 높으면 사절 위험 높음", "B 라인 가동률 30% 이하면 재고 과잉 가능성", "특정 자재 lot는 불량률 높은 경향", "작업자 교대 후 첫 1시간은 불량률 상승" 같은 현장 노하우를 구조화해서 AI에게 가르칩니다.
데이터가 완벽하지 않아도, 베테랑의 경험이 보완합니다. 30년 경력 생산 담당자의 판단 기준을 시스템이 학습합니다.
기계 제조사 사례입니다. 베테랑 생산 관리자가 "조립 공정 지연은 보통 특정 부품 입고 지연 때문"이라는 노하우를 갖고 있었습니다.
이 판단 기준을 구조화해서 다비스(DARVIS)에 입력했습니다. 이제 조립 공정이 지연되면, AI가 자동으로 해당 부품의 입고 이력을 확인합니다.
4주 만에 시작
전사 시스템 통합처럼 6개월~1년 걸리지 않습니다. 4주 만에 하나의 문제를 해결합니다.
생산량 부족 원인 분석, 품질 불량 원인 추적, 납기 지연 원인 파악 중 하나를 선택합니다. 지금 가장 아픈 문제, 해결하면 즉시 효과가 보이는 것을 고릅니다.
앞 2주는 현장 컨설팅입니다. MES에 어떤 데이터가 있는지, 현장에서 문제가 생기면 어떻게 판단하는지를 함께 정리합니다. "생산량이 부족하면 어떤 순서로 확인하나요?", "어떤 기준으로 원인을 판단하나요?"를 추출합니다.
뒤 2주는 프로토타입 구현입니다. 실제 MES 데이터로 작동하는 원인 분석 시스템을 만듭니다. 담당자가 직접 질문해보고, 결과를 확인하고, 수정이 필요한 부분을 조율합니다.
중견 기계 제조사는 생산 부족 원인 분석 시간을 3일에서 2시간으로 단축했습니다. 4주 만에 성과가 나왔습니다. 한 달에 5~7건의 원인 분석 업무가 있었는데, 한 건당 3일씩 절감되니 월 15~21일이 절감됐습니다.
MES 데이터, 연결이 핵심입니다
MES에는 데이터가 많습니다. 설비 가동률, 생산 실적, 품질 검사 결과, 공정 진행률. 실시간으로 쌓입니다.
하지만 MES 데이터만으로는 생산 문제의 원인을 찾기 어렵습니다.
생산량 부족은 설비 정지 때문일 수도, 자재 품질 때문일 수도, 작업자 부족 때문일 수도 있습니다. MES, 설비, ERP, 인사 데이터를 함께 봐야 원인이 보입니다.
품질 불량은 공정 조건 때문일 수도, 원자재 규격 때문일 수도, 설비 마모 때문일 수도 있습니다. MES, ERP, 설비 데이터를 함께 봐야 원인이 보입니다.
"우리 회사는 생산 부족 원인을 찾는 데 얼마나 걸리나요?"
만약 3일 이상 걸린다면, 데이터 사일로 문제입니다. 만약 레거시 MES가 부담스럽다면, MES를 바꾸지 않고 데이터만 연결하면 됩니다. 만약 데이터 형식이 제각각이라면, 논리적 연결로 해결할 수 있습니다.
MES AI 도입, 시스템 교체가 아니라 데이터 연결이 먼저입니다. 다비스(DARVIS)로 시작하세요.
MES AI 도입 성공 사례와 레거시 시스템 연결 전략이 궁금하시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 더 많은 제조 AI 인사이트는 'AI 인사이트 더 보러가기'에서 확인하세요.