현장에서 AI가 틀렸다는 보고가 들어오면, 대부분 가장 먼저 모델을 의심한다. 학습을 다시 해야 하나, 파라미터가 잘못됐나. 그런데 7년차 현장 엔지니어로서 솔직히 말하면, 내가 봐 온 오판의 절반 이상은 모델이 아니라 모델에 들어가는 '입력 데이터'에서 시작됐다. 센서 값이 이상한데도 그대로 믿고 판단을 내보낸 경우다. 모델 정확도는 실험실 숫자이고, 현장의 신뢰도는 입력 검증에서 갈린다.
## 1. 센서 값이 '들어왔다'는 것과 '믿을 만하다'는 건 다르다
현장의 센서는 생각보다 자주 거짓말을 한다. 결측이 생기고, 물리적으로 불가능한 범위를 찍고, 어떤 값에 고정돼 버리는 '고정(stuck)' 상태가 되기도 한다. 온도 센서가 25.0도에 그대로 멈춰 있는데, 모델은 그걸 정상 온도라고 믿고 "이상 없음"을 내보낸다. 통신이 끊긴 구간을 0으로 채워 넣는 경우도 마찬가지다. 데이터가 '들어왔다'는 사실만으로 믿을 만한 입력이 되는 건 아니다. 입력 검증은 모델 앞단에 두는 검문소 같은 것이다. 통과하지 못한 값은 판단 재료에서 빼는 게 맞다.
## 2. 추론 전 3단계 검증 — 범위·변화·일관성
내가 현장에서 쓰는 검증은 거창하지 않다. 세 가지만 본다.
첫째, 범위 체크다. 물리적으로 가능한 범위를 벗어난 값은 바로 차단한다. 압력이 음수가 나올 수는 없는 일이다.
둘째, 변화 체크다. 이전 값과 비교해 급변했거나, 반대로 너무 오래 변하지 않았는지 본다. 갑자기 튀는 값도 문제지만, 몇 시간째 소수점까지 똑같은 값도 센서가 멈췄다는 신호일 수 있다.
셋째, 일관성 체크다. 관련 센서끼리 서로 말이 되는지 본다. 압력은 올라가는데 유량은 그대로라면, 둘 중 하나는 틀린 것이다. 하나의 센서만 보면 놓치는 걸, 센서끼리 대조하면 잡아낸다.
세 단계 중 하나라도 어긋나면 기본값은 '판단 보류 + 사람에게 알림'이다. 애매한 값을 모델에 넘겨서 확신 없는 판단을 받아내는 것보다, 그 판단 하나를 비워 두는 편이 현장에서는 낫다.
## 3. 검증에 실패했을 때 모델이 할 일 — 멈추는 것도 설계다
모델이 "모르겠다"고 말하는 건 실패가 아니라 설계다. 현장 AI에 필요한 건 모든 질문에 답하는 능력이 아니라, 답하면 안 되는 경우를 아는 능력이다. 운영 범위를 정해 두는 일과 같은 맥락이다. (관련 글: 모델이 답하면 안 되는 경우를 먼저 정한다 — 현장 AI의 '운영 범위' 설계법: https://developer-archive.tistory.com/233)
검증에 걸린 입력은 로그에 남기는 것도 잊지 말자. 어떤 입력이, 어떤 규칙에 걸렸는지 기록해 두면, 나중에 "왜 그날 AI가 판단을 안 했나"를 추적할 단서가 된다. 로그 설계가 현장 AI의 기억이다. (관련 글: 설비 알람 1,000건이 쌓이기 전에 내가 먼저 본 것: https://developer-archive.tistory.com/130)
## 그래서 뭘 하면 되나
새 모델을 들이기 전에, 입력 검증 규칙 세 개부터 적어 보자. 범위 하나, 변화 하나, 일관성 하나. 이 세 줄이 현장에서 AI를 믿을 만하게 만드는 첫 단추이다. 모델은 똑똑해지는 중이지만, 현장에서 AI를 살리는 건 결국 "무엇을 믿고 판단할 것인가"를 정해 두는 일이다. 입력이 깨끗해야, 판단도 깨끗해진다.
현장 엔지니어에게 "디지털트윈 만들어달라"는 요청이 오면, 제일 먼저 물어보는 게 있습니다. "도면 있나요?" 그런데 현장에 가보면 오래된 설비일수록 도면이 없습니다. 설계 당시 도면은 있지만, 그 사이 배관이 바뀌고 설비가 옮겨지고 간이 구조물이 하나둘 늘었습니다. 도면대로 모델을 만들면 트윈은 설계 당시의 공장이 됩니다. 지금의 공장이 아니라.
그래서 저는 도면이 없을 때 스캔부터 합니다. 3D 스캔은 지금의 현장을 그대로 점(포인트 클라우드)으로 뜨는 방법입니다. 트윈의 첫 단추는 정확한 모델이 아니라, 지금 현장과 같은 모델입니다.
## 3D 스캔이 도면을 대신하는 이유
도면은 "이렇게 지었다"는 기록이고, 스캔은 "지금 이렇게 있다"는 기록입니다. 트윈이 현장과 어긋나는 이유의 절반은, 모델이 옛날 도면 기준이라서 생깁니다. 스캔으로 만든 모델은 처음부터 현장과 같습니다. 설비 위치가 몇 cm 어긋난 건 트윈 화면에서는 작은 차이 같지만, 로봇 경로를 짤 때는 큰 차이가 됩니다.
또 하나, 스캔은 설비 1대부터 시작할 수 있습니다. 공장 전체를 한 번에 뜰 필요가 없습니다. 트윈이 필요한 설비, 자주 고장 나는 라인, 새로 들어올 설비 자리 — 그 부분만 스캔하면 그날부터 트윈의 재료가 됩니다.
## 스캔 방식 3가지, 현장에서 고르는 기준
스캔 방식은 세 가지입니다. 첫째, 지상 LiDAR 스캐너는 넓은 공장 전체와 배관·레이아웃에 잘 맞습니다. 현장에서는 삼각대를 둘 자리와 사람 통행 시간을 피하는 데 주의합니다. 둘째, 사진측량(포토그래메트리)은 좁은 공간과 설비 외형에 잘 맞습니다. 사진 겹침 60% 이상과 일정한 조명이 중요합니다. 셋째, 핸드헬드 스캐너는 복잡한 형상과 지그·분기점에 잘 맞습니다. 기준점을 먼저 붙이고 일정한 속도로 스캔합니다.
비싼 장비부터 살 필요는 없습니다. 사진측량은 카메라와 소프트웨어만으로 시작할 수 있고, 좁은 구역에서는 이걸로 충분한 경우가 많습니다. 중요한 건 장비 등급이 아니라, 스캔한 데이터가 트윈에서 쓸 만큼 정확한가입니다. 그 기준은 트윈의 용도가 정합니다. 레이아웃 확인용이면 cm 단위로도 되고, 로봇 경로용이면 mm 단위가 필요합니다. 용도부터 정하고 장비를 고르는 순서입니다.
## 스캔해서 트윈까지, 현장 순서
첫째, 스캔 전에 기준점부터 붙입니다. 구역을 나눠 스캔하면 나중에 합쳐야 하는데, 기준점이 없으면 합친 모델이 어긋납니다. 현장 좌표와 모델 좌표를 맞추는 일은 스캔이 끝난 뒤가 아니라 시작 전에 정합니다.
둘째, 구역은 겹치게 스캔합니다. 이웃 구역과 30% 이상 겹쳐야 이어붙일 때 틀어지지 않습니다. 한 번에 넓게보다, 겹치게 여러 번이 정확합니다.
셋째, 점군을 그대로 트윈에 올리지 않습니다. 점군은 재료일 뿐, 트윈이 알아보는 건 객체입니다. 설비·배관·구조물로 나누고, 필요한 만큼만 해상도를 남깁니다. 트윈의 해상도는 정밀할수록 좋은 게 아니라, 용도에 맞는 게 좋습니다.
넷째, 스캔에도 날짜를 남깁니다. 현장은 계속 바뀝니다. 스캔 날짜가 없는 모델은 나중에 "이게 지금 모습이 맞나"를 다시 확인하게 만듭니다. 스캔 데이터도 버전으로 관리합니다.
## 현장에서 바로 할 일
- 도면 없는 설비 1대부터 스캔합니다. 공장 전체가 아니라, 트윈이 제일 필요한 곳부터입니다.
- 용도를 먼저 정하고 장비를 고릅니다. 레이아웃용인지, 로봇 경로용인지에 따라 필요한 정밀도가 다릅니다.
- 스캔 날짜와 기준점을 기록에 남깁니다. 다음에 바뀔 때, 어디가 바뀌었는지 아는 게 트윈 유지의 시작입니다.
도면이 없어서 트윈을 미루는 건, 지도가 없어서 출발을 미루는 것과 비슷합니다. 스캔은 출발하는 방법입니다. 한 대, 한 구역부터 뜨다 보면, 트윈은 도면이 아니라 현장에서 자라기 시작합니다.
예지정비 알림이 10분 늦게 뜬 날이 있었다. 모델을 의심했고, GPU를 의심했고, 코드까지 뒤졌다. 그런데 원인은 따로 있었다. 센서에서 나온 데이터가 게이트웨이를 거쳐 엣지 서버에 닿기까지, 네트워크 구간에서 시간을 먹고 있었던 것이다.
현장에서 AI가 느려 보일 때, 모델보다 먼저 네트워크를 의심해야 한다. 7년차 현장 엔지니어로서, 현장 AI 장애의 절반은 모델이 아니라 "데이터가 제때 도착하지 않는" 문제였다고 말할 수 있다.
## 1. 병목은 한 곳이 아니다 — 데이터가 흐르는 길부터 그려라
현장 데이터는 한 번에 도착하지 않는다. 센서에서 게이트웨이로, 게이트웨이에서 엣지 서버로, 엣지에서 클라우드로 — 구간마다 지연이 생긴다. 어디가 느린지 모르면 고칠 곳도 모른다.
그래서 첫 번째 일은 지도를 그리는 것이다. 내 데이터가 어떤 경로로, 어떤 장비를 거쳐 흐르는지 한 장으로 그려본다. 이 지도만 있어도 "여기서부터는 클라우드 왕복" "여기는 무선 구간" 같은 병목 후보가 보이기 시작한다. 구간마다 타임스탬프를 찍어두면, 나중에 지연이 어디서 생겼는지 숫자로 확인할 수 있다.
## 2. 현장 네트워크의 흔한 범인 3가지
첫째, 무선 구간의 간섭과 음영이다. 금속 설비가 빼곡한 공장 안에서는 와이파이나 무선 센서 신호가 생각보다 자주 끊긴다. 지게차가 지나가는 시간에만 데이터가 비는 패턴이 있다면, 무선 구간을 먼저 의심해볼 일이다.
둘째, 게이트웨이와 스위치의 과부하다. 한 대의 게이트웨이에 센서가 계속 붙다 보면, 어느 순간 처리량이 한계에 닿는다. 특정 시간대에만 지연이 생긴다면, 그 시간대에 몰리는 트래픽을 확인해보자. 교대 시간, 특정 설비 가동 시간이 단서가 된다.
셋째, 클라우드 왕복이다. 엣지에서 끝낼 수 있는 판단을 굳이 클라우드까지 보내고 돌아오는 설계가 의외로 많다. 왕복 한 번에 수백 밀리초가 더해지면, "실시간"이라는 말은 그 순간부터 무너진다.
## 3. 진단 순서 — 큰 것부터, 현장에서 확인하는 법
1단계, 엣지에서 직접 확인한다. 엣지 서버에 직접 붙어 응답 시간을 재본다. 여기서 이미 느리면 문제는 엣지 앞단, 즉 센서·게이트웨이 구간이다.
2단계, 구간별 지연을 측정한다. 각 구간에 타임스탬프를 찍고, 어느 구간에서 시간이 늘어나는지 본다. 감이 아니라 숫자로 확인하는 것이 중요하다.
3단계, 시간대 패턴을 확인한다. 지연이 특정 시간대에만 생긴다면, 그 시간에 무슨 일이 일어나는지 현장에 물어본다. 설비 가동 스케줄, 교대 시간, 무선 간섭원이 숨어 있는 경우가 많다.
## 마무리 — 느린 AI의 절반은 네트워크 문제다
모델을 바꾸기 전에, 데이터를 먼저 의심해보자. 현장에서 AI가 제 역할을 못하는 이유 중 상당수는 모델 성능이 아니라 "데이터가 제때, 제대로 도착하지 않는" 문제다.
그래서 뭘 하면 되나 — 이번 주에 한 가지만 해보자. 가장 중요한 AI 서비스 하나를 골라, 엣지 응답 시간과 구간별 지연을 한 번 재보는 것이다. 숫자가 나오면 그다음은 쉽다. 병목이 보이면, 고칠 곳도 보인다.
오늘(11월 12일) 나온 소식 하나가 제조 현장의 로봇 도입 방식을 바꿀 수 있어 보인다. PwC컨설팅과 피지컬 AI 전문기업 리얼월드가 컨소시엄을 꾸려 제조·물류 기업의 로봇 도입과 현장 실증(PoC)을 지원하기로 했다. 핵심은 PwC의 '피지컬 AI 레디 데이터 플랫폼'과 리얼월드의 로봇 파운데이션 모델(RFM) 'RLDX-1'을 결합한다는 점이다. 모델이 좋아졌다는 얘기가 아니라, 모델을 현장에 '붙이는 비용'을 줄이겠다는 얘기다.
## 왜 지금, 왜 컨소시엄인가
피지컬 AI는 AI가 로봇 같은 물리적 장치를 통해 실제 환경에서 움직이고 작업하는 기술이다. 제조·물류 현장에서 활용이 넓어지고 있지만, 공정이나 작업 환경이 바뀔 때마다 데이터를 새로 수집하고 모델을 재학습해야 한다는 한계가 있다. 도입 비용과 시간이 많이 드는 구조다.
컨설팅사와 모델 기업이 손을 잡았다는 건, 지금 시장의 진짜 병목이 모델 성능이 아니라 '도입의 문턱'이라는 신호다. 로봇을 파는 쪽도, 도입을 돕는 쪽도 이제는 "우리 모델이 얼마나 똑똑한가"보다 "현장에 얼마나 빨리, 얼마나 싸게 붙는가"로 경쟁하고 있다.
## 핵심은 'PAU' — 동작을 단위로 쪼개 재사용한다
이번 컨소시엄에서 가장 눈여겨볼 개념은 PAU(Physical Action Unit, 물리적 행동 단위)다. PwC의 데이터 플랫폼은 로봇 동작을 '다가가기·쥐기·들어올리기·내려놓기' 같은 단위로 나눠 구조화하고, 작업 영상과 로봇 상태, 작업 정보를 하나의 데이터 단위로 묶어 다른 공정에서도 재사용할 수 있게 한다.
현장 관점에서 이게 중요한 이유는 간단하다. 공장은 라인이 바뀌면 동작이 비슷해 보여도 조건이 다르다. '쥐기' 하나를 재사용할 수 있으면 PoC 비용이 확 준다. 다만 한 가지 조건이 있다. PAU가 현장에서 통하려면 힘·속도·오차 허용 범위 같은 '현장 조건'까지 단위에 포함돼야 한다. 영상만 묶인 데이터는 시연용이지, 현장용이 아니다.
## 7년차 현장 관점: PoC가 아니라 '두 번째 라인'이 시험대다
7년차 현장 엔지니어로서 한 줄만 남긴다면, 로봇 한 대가 잘 움직이는 걸 보는 건 PoC의 절반이고, 두 번째 라인에 같은 모델을 얹을 때 진짜 도입 비용이 드러난다는 것이다.
그래서 뭘 하면 되나 — 로봇 도입을 검토한다면 모델 스펙보다 '이 데이터를 다음 라인에서 재사용할 수 있는가'를 먼저 물어보라. 동작 단위 데이터가 쌓이는 구조인지, 재학습 없이 공정 변경에 대응하는 범위가 어디까지인지 확인하는 게 현장의 첫 질문이다.
피지컬 AI 경쟁은 이제 모델 성능이 아니라 '현장에 남는 데이터 구조'의 싸움으로 넘어가고 있다. 이번 컨소시엄이 약속한 것도 결국 하나다. 로봇을 들여오는 비용보다, 들여온 뒤 바꾸는 비용을 줄이는 것. 그 약속이 지켜지는지는 첫 PoC가 아니라 두 번째 라인에서 판가름 날 것이다.
출처: 뉴시스, 「PwC컨설팅, 제조·물류현장 피지컬AI 적용 지원…리얼월드와 컨소시엄」, 2026-11-12 13:49
새벽 2시, 라인이 섰다. 노트북을 펴고 PLC 래더를 열었는데, rung마다 접점과 코일만 빼곡할 뿐 주석이 한 줄도 없었다. 누가, 왜, 이 타이머를 3초로 잡았는지 알 수가 없었다. 그날 나는 고장을 고친 게 아니라, 남이 짠 코드를 해독하는 데 밤을 썼다.
7년차 현장 엔지니어로서 단언한다. 래더의 주석은 '예의'가 아니라 '가동률'이다.
## 1. 주석 없는 래더는 '읽는 시간'이 곧 '멈춘 시간'이다
라인이 멈춘 동안 가장 비싼 건 부품이 아니라 시간이다. 주석이 없으면 장애 대응은 두 단계가 된다. 먼저 코드를 읽어서 의도를 추측하고, 그다음에야 원인을 찾는다. 추측이 틀리면 처음부터 다시 읽는다.
반대로 주석이 있으면 대응은 한 단계다. "센서 채터링 방지용 3초 지연" 한 줄이면, 그 타이머를 의심할지 말지 바로 판단할 수 있다. 고장 대응 시간(MTTR)은 결국 '이해하는 시간'에 비례한다. 주석 한 줄이 라인 정지 시간을 줄이는 셈이다.
## 2. 주석은 '무엇'이 아니라 '왜'를 적는다
많은 주석이 "모터 기동" 같은 설명에 그친다. 하지만 래더를 보면 무엇인지는 이미 보인다. 주석에 필요한 건 '왜'다. 왜 이 인터록이 들어갔는지, 왜 이 값을 3초로 잡았는지, 왜 이 조건을 OR로 묶었는지.
예를 들어 "컨베이어 정지 후 5초 대기 — 센서 잔류 검출 방지, 2024년 오작동 사례 반영" 같은 주석은 다음 사람에게 판단 기준을 넘겨준다. 이 한 줄이 없으면, 누군가 나중에 "굳이 5초나?" 하고 1초로 줄였다가 같은 오작동을 재현한다. 현장에서 반복되는 고장의 상당수는, 이유를 모른 채 값을 바꾼 데서 시작된다.
## 3. 주석 습관을 지키는 3가지 방법
첫째, 코드를 고칠 때 주석도 같이 고친다. 로직만 바꾸고 주석을 그대로 두면 주석이 거짓말이 된다. 거짓말하는 주석은 없는 주석보다 나쁘다. 없는 주석은 의심이라도 하지만, 틀린 주석은 사람을 잘못된 방향으로 확신하게 만든다.
둘째, '임시'라는 말을 쓰면 기한을 함께 적는다. "임시 우회 — 11월 정기보수 때 정식 수정 예정"처럼 말이다. 기한 없는 임시는 영구다. 현장에 몇 년째 남아 있는 임시 우회가 몇 개인지, 한 번 세어보면 안다.
셋째, 내 이름을 남기는 걸 부끄러워하지 않는다. "손효기, 2026-11-12" 같은 서명은 책임이 아니라 연락처다. 다음 사람이 "이거 왜 이래?" 하고 물을 때, 물을 사람이 있다는 것만으로 대응 속도가 달라진다.
## 그래서 뭘 하면 되나
이번 주에 래더를 만질 일이 있다면, 수정하는 rung에 주석 한 줄만 덧붙여보자. "왜 이 값인지" 한 줄이면 된다. 그 한 줄이 쌓이면, 언젠가 새벽 2시에 래더를 여는 누군가의 밤이 짧아진다. 그 누군가는 어쩌면 6개월 뒤의 나 자신일 수도 있다.
휴머노이드가 공장에 들어온다는 뉴스가 쏟아진다. 테슬라 옵티머스, Figure 02의 BMW 라인 투입, 구글 제미나이 로보틱스 2.5의 메르세데스 실증까지. 그런데 오늘(11월 11일) 정부가 내놓은 발표는 시선을 전혀 다른 곳으로 돌린다. 모델이 아니라 부품이다.
정부는 이날 비상경제장관회의에서 '초혁신경제 선도 프로젝트 신규 과제 추진 계획'을 발표했다. 피지컬 AI 핵심부품 3개 분야 — 차세대 센서, 액추에이터, 휴머노이드용 이차전지 — 를 미래 성장동력으로 키우겠다는 내용이다. 액추에이터 등 로봇 핵심부품 기술개발 사업에는 2029년까지 총 1,000억 원 규모가 투입된다.
1. 숫자가 말해주는 현실 — 구동부 국산화율 19.7%
가장 눈에 들어오는 숫자는 국산화율이다. 국내 로봇 부품 국산화율은 2023년 기준 44.9%. 그런데 액추에이터를 포함한 구동부 국산화율은 19.7%에 불과하다. 액추에이터는 로봇의 팔·다리·손가락을 움직이는 부품으로, 휴머노이드 원가의 60~70%를 차지한다.
정부의 목표는 이 국산화율을 80%까지 끌어올리는 것이다. 2029년 상용화를 목표로 고출력·고내구성·경량 액추에이터 핵심기술 개발을 지원하고, 국산 부품의 실증을 통해 조기 상용화를 추진한다.
현장에서 일하는 입장에서 이 숫자는 낯설지 않다. 로봇이 멈추는 이유는 대부분 모델이 아니라 구동부다. 모터가 뜨거워지고, 감속기가 마모되고, 케이블이 끊어진다. AI가 아무리 똑똑해져도, 몸이 버티지 못하면 라인은 선다. 부품 국산화율이 낮다는 건 곧 유지보수 리드타임이 길고, 고장 한 번에 라인이 길게 멈추는다는 뜻이다.
2. 센서 안에 AI를 넣는다 — '온-센서 AI'와 휴머노이드 배터리
두 번째 축은 차세대 센서다. 핵심은 센서 내부에서 AI 연산을 수행하는 '온-센서 AI' 기술이다. 2027년 원천기술 확보, 2028년 모듈 시제품, 2029년 센서 소자·신호변환칩·AI 반도체를 결합한 통합 모듈, 2030년 시스템 시제품 실증 순으로 간다. 온-센서 AI 반도체 기술개발에는 내년부터 2030년까지 국비 498억 원이 투입된다.
세 번째 축은 휴머노이드용 이차전지다. 2027년 배터리 표준 개발, 2028년 소재·셀 개발, 2029년 실증을 거쳐 2030년 상용화가 목표다. 휴머노이드가 하루 종일 일하려면 가볍고 오래 가는 배터리가 필수인데, 이 역시 지금은 해외 의존도가 높은 영역이다.
같은 날 열린 '2026 초혁신경제 포럼'에서도 같은 얘기가 나왔다. 윤국진 KAIST AI대학장은 피지컬 AI의 제조 현장 적용을 위해 핵심부품 경쟁력 강화와 실제 작업 환경에서의 성능 검증이 필요하다고 짚었다. 부품 개발과 현장 실증은 한 묶음이라는 얘기다.
3. 그래서 현장에서는 뭘 보면 되나
7년차 현장 엔지니어로서, 이 발표에서 진짜로 봐야 할 건 돈의 규모가 아니라 '어디에 먼저 쓰이느냐'다. 정부가 로봇·방산·모빌리티 분야를 대상으로 단계별 개발을 진행한다고 밝힌 만큼, 제조 현장에 들어올 첫 수혜는 방산·모빌리티 같은 검증 환경이 갖춰진 곳부터일 가능성이 크다.
그래서 뭘 하면 되나 — 당장 할 일은 세 가지다. 첫째, 우리 라인에 들어올 로봇의 구동부·센서가 어느 회사 부품인지, 국산 대체품이 있는지 지금부터 파악해둘 것. 둘째, 부품 교체 주기와 고장 모드를 로그로 남겨둘 것. 국산 부품 실증이 시작되면 현장 데이터가 있는 곳이 먼저 테스트베드가 된다. 셋째, 온-센서 AI처럼 '센서 단에서 판단하는' 구조가 들어오면 기존 PLC·엣지 아키텍처와 어떻게 붙일지 미리 그려둘 것.
피지컬 AI의 승부는 이제 모델 성능이 아니라 '몸값'과 '몸의 내구성'에서 갈린다. 로봇이 공장에 들어오는 속도를 정하는 건 결국 부품이다. 1,000억 원이 어디에 어떻게 쓰이는지, 앞으로 3년이 그 답을 가른다.
운영 노트가 라인 하나에서 잘 돌기 시작하면, 다음 질문은 꼭 이걸로 온다. "그럼 다른 공장 것도 한 화면에서 볼 수 있나?" 각 공장의 운영 노트를 한데 모아 대시보드를 만들자는 얘기다. 그런데 공장마다 노트를 그대로 합치면, 대시보드는 금방 숫자의 무덤이 된다. A공장 경보 120건, B공장 경보 80건, C공장 경보 200건. 숫자는 모였는데, 그래서 어느 공장이 위험한지, 어디부터 가봐야 하는지는 안 보인다. 운영 대시보드의 본질은 숫자를 모으는 게 아니라, '어디를 먼저 봐야 하는지'를 한눈에 보여주는 일이다.
1. 대시보드는 '공장별 숫자'가 아니라 '판단 순서'를 보여준다
여러 공장의 대시보드를 만들 때 가장 흔한 실수는, 공장마다 같은 지표를 나란히 붙이는 것이다. 경보 횟수, 대응 시간, 재학습 주기를 공장별로 표로 나열하면 보기는 깔끔한데, 보는 사람은 그 표를 보고도 다음 행동을 정하지 못한다. C공장 경보가 200건이면, 그게 많은 건지 적은 건지, 가봐야 하는 건지 지켜봐도 되는 건지 표만으로는 모른다.
그래서 대시보드의 첫 화면은 지표가 아니라 '오늘 볼 곳'이어야 한다. 기준을 넘은 공장을 먼저 보여주고, 그다음에 왜 기준을 넘었는지 보여주는 순서다. 예를 들어, 경보 대응이 24시간 넘게 안 끝난 공장이 있으면 그 공장을 맨 위에 올린다. 대응이 늦은 이유가 재학습 대기인지, 담당자 부재인지, 기준 자체의 문제인지를 두 번째 화면에서 보여준다. 숫자는 그 뒤에 온다. 대시보드는 보고용이 아니라, 아침에 "오늘은 여기부터 간다"고 정하는 도구다.
2. 공장마다 다른 건 숫자, 같이 보는 건 '상태'다
지난 편에서 기준은 '중앙 뼈대 + 현장 숫자'로 나눈다고 했다. 대시보드도 같은 원리로 만든다. 공장마다 경보 임계값이 다르고, 설비도 다르고, 공정이 다르다. 그래서 경보 횟수 같은 절대 숫자를 공장끼리 직접 비교하면, 조건이 다른 걸 같은 잣대로 재는 꼴이 된다.
비교할 수 있는 건 숫자가 아니라 '상태'다. 각 공장의 AI가 지금 정상인지, 주의인지, 대응 중인지, 세 가지 상태로만 나눠서 보여주는 것이다. 상태의 기준은 공장마다 다르다. A공장은 경보 3건이면 주의 상태고, B공장은 경보 30건이 일상이다. 하지만 상태는 같다. "주의"라는 말은 어느 공장이든 "지금 확인이 필요하다"는 같은 뜻이다. 대시보드에서 공장끼리 비교하는 건 숫자가 아니라 상태이고, 상태가 같아야 어느 공장을 먼저 봐야 하는지 정할 수 있다. 상태가 정리되면, 그제야 숫자(경보 횟수, 대응 시간, 재학습 주기)를 들여다볼 이유가 생긴다.
3. 대시보드는 '한 장'으로 시작하고, '한 달'에 한 번 고친다
운영 대시보드를 처음부터 완벽하게 만들려고 하면, 지표 정의 회의만 한 달이 간다. 공장마다 보여주고 싶은 게 다르고, 다 넣다 보면 화면이 열 개가 된다. 그래서 대시보드는 한 장으로 시작하는 게 맞다. 첫 장에는 딱 세 가지만 둔다. 첫째, 오늘 볼 공장(상태가 주의 이상인 곳). 둘째, 각 공장의 상태. 셋째, 대응이 가장 오래 걸리고 있는 건 한 줄. 이 세 가지만 있어도 대시보드는 이미 "오늘 어디부터 가는지"를 정해준다.
그리고 한 달에 한 번, 대시보드를 고친다. 한 달 돌려보면 어떤 숫자는 한 번도 안 보고, 어떤 질문은 대시보드에 없어서 매번 전화로 묻는다는 게 보인다. 안 본 숫자는 빼고, 전화로 묻던 질문을 화면에 넣는다. 대시보드는 만드는 날 완성되는 게 아니라, 한 달씩 돌리며 현장의 질문에 맞춰지는 도구다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 운영 대시보드는 공장들의 숫자를 모으는 화면이 아니라 "오늘 어디부터 볼지"를 정해주는 한 장의 화면이다. 그래서 뭘 하면 되나, 이번 주 할 일은 세 가지다. 첫째, 우리 현장의 공장(또는 라인)별 AI 상태를 정상·주의·대응 중 세 가지로 나눠 적는다. 둘째, '오늘 볼 곳'이 맨 위에 오는 한 장짜리 대시보드 초안을 그린다. 셋째, 한 달 뒤 대시보드를 고칠 때 참고할 질문 목록(대시보드에 없어서 전화로 묻는 것)을 지금부터 메모한다. 잘 만든 운영 대시보드는 숫자가 많은 화면이 아니라, 아침에 그 화면을 본 사람이 "오늘은 여기부터 간다"고 말할 수 있는 화면이다. 다음 편에서는 운영 대시보드를 보고 나서, 분기마다 현장 AI의 '운영 건강'을 어떻게 리뷰하는지 다룹니다.
관련 글: 현장 AI 운영 노트 EP.1(https://developer-archive.tistory.com/175), EP.2(https://developer-archive.tistory.com/180), EP.3(https://developer-archive.tistory.com/184), EP.4(https://developer-archive.tistory.com/190), EP.5(https://developer-archive.tistory.com/195), EP.6(https://developer-archive.tistory.com/200), EP.7(https://developer-archive.tistory.com/205), EP.8(https://developer-archive.tistory.com/210), EP.9(https://developer-archive.tistory.com/215), EP.10(https://developer-archive.tistory.com/220), EP.11(https://developer-archive.tistory.com/233), EP.12(https://developer-archive.tistory.com/238), 데이터 드리프트(https://developerarchive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)
예지정비 알람이 울렸습니다. "3번 컨베이어 모터, 베어링 고장 확률 82%." 그런데 현장에서 진짜로 필요한 답은 그게 아니었습니다. "그래서 지금 뭘 해야 하죠? 이번 주말 정기보수 때 교체하면 되나요, 당장 세워야 하나요?"
예측 AI는 질문의 절반만 답해 줍니다. 2026년 제조 AI의 흐름은 그 나머지 절반, 즉 '처방'으로 넘어가고 있습니다.
예측은 절반의 답이다
예지정비는 분명히 진전했습니다. 진동·온도 센서가 이상을 잡고, 모델이 고장 확률을 숫자로 내줍니다. 그런데 숫자만으로는 작업 지시가 되지 않습니다. 같은 "고장 확률 80%"라도, 다음 정기보수까지 버틸 수 있는 설비와 당장 세워야 하는 설비는 대응이 완전히 다릅니다.
현장에서 알람이 무시되는 이유도 여기에 있습니다. "언제 고장 날지"만 알려주고 "지금 무엇을, 어떤 순서로, 누구와" 해야 하는지 말해주지 않으면, 알람은 결국 또 하나의 소음이 됩니다. 예측의 정확도를 90%에서 95%로 올리는 것보다, 예측 뒤에 붙는 '다음 행동'을 설계하는 게 먼저입니다.
처방형 AI는 무엇이 다른가
처방형 정비(Prescriptive Maintenance)는 예측 결과에 결정 엔진을 붙인 것입니다. "베어링 마모가 진행 중입니다"에서 끝나지 않고, "이번 주 정기보수 시간에 교체하세요. 예비품은 창고 2번 선반에 있고, 교체 후 진동 기준값은 이렇게 다시 잡으세요"까지 이어집니다.
IoT Analytics의 2026년 분석도 같은 방향을 가리킵니다. 이제 병목은 예측 정확도가 아니라, 숙련 정비사의 노하우가 빠져나가는 '지식 손실'이라는 것입니다. 베테랑이 은퇴하면 "이 설비는 이런 소리가 나면 윤활부터 보라"는 판단이 함께 사라집니다. 처방형 AI는 센서 데이터에 수리 절차·매뉴얼·과거 조치 이력을 함께 엮어, 그 판단을 시스템 안에 남기는 쪽으로 가고 있습니다.
현장에서 시작하는 법
거창하게 시작할 필요는 없습니다. 알람 하나에 '다음 행동' 한 줄을 붙이는 것부터입니다.
첫째, 알람마다 조치 항목을 함께 기록합니다. 어떤 부품을, 어떤 공구로, 누가, 얼마나 걸려서 교체했는지. 이 기록이 쌓여야 AI가 "다음엔 이렇게 하라"는 말을 할 수 있습니다. 둘째, 오탐을 따로 셉니다. 처방이 틀린 횟수가 쌓이면 현장은 처방 자체를 안 믿게 됩니다. 오탐이 왜 났는지, 기준값을 어떻게 고쳤는지까지 남겨야 합니다. 셋째, 처음부터 자동 실행하지 않습니다. 처방은 사람이 승인하는 구조로 두고, 승인·거절 이력을 다시 학습 데이터로 씁니다.
7년차 현장 엔지니어로서, 저는 이렇게 봅니다. 예측 AI가 "언제"를 알려줬다면, 처방형 AI는 "어떻게"를 알려주는 단계입니다. 그래서 뭘 하면 되나 — 내일 아침, 가장 자주 울리는 알람 하나를 골라 그 뒤에 "그래서 뭘 해야 하는지"를 한 줄로 적어보세요. 그 한 줄이 모이면, 우리 현장만의 처방집이 됩니다.
현장 AI를 얘기하면 정확도부터 물어봅니다. "몇 % 맞히나요?" 그런데 현장에서 진짜 무서운 건 모델이 틀리는 게 아니라, 틀릴 만한 상황에서 아무렇지 않게 답하는 겁니다. 센서가 얼어붙은 값을 보내고 있는데도 "정상"이라고 답하고, 본 적 없는 불량 패턴에 "양품"이라고 답하는 것. 그래서 저는 모델을 현장에 두기 전에, 모델이 답하면 안 되는 경우를 먼저 정합니다. 그걸 '운영 범위'라고 부릅니다. 답할 수 있는 조건의 목록입니다.
운영 범위란 무엇인가
운영 범위는 모델이 답해도 되는 조건을 미리 적어둔 목록입니다. 크게 세 가지로 나뉩니다. 첫째, 입력 범위입니다. 센서 값이 어느 구간 안에 있어야 하는지, 이미지 밝기나 초점 같은 품질 조건은 어떤지. 둘째, 설비 상태입니다. 라인이 정상 가동 중일 때만 답할 것인지, 예열 중이나 청소 중에도 답할 것인지. 셋째, 데이터 품질입니다. 결측이 몇 %를 넘으면, 같은 값이 몇 분째 그대로면 답하지 않을 것인지.
범위를 벗어난 입력에 모델이 낸 답은, 정확도가 아니라 추측입니다. 추측을 현장 판단에 쓰면 안 됩니다. 범위 밖에서는 "모른다"가 정답입니다. "모른다"를 설계에 넣는 것, 그게 운영 범위의 시작입니다.
범위를 정하는 3가지 질문
어떤 입력인가 — 진동 센서 값이 평소 범위의 2배이면 센서 고장 의심, 답하지 않는다.
어떤 설비 상태인가 — 예열 중, 청소 중, 교체 직후이면 정상 가동 상태가 아니면 답하지 않는다.
결과가 어디까지 가나 — 불량 판정이 라인 정지로 이어지면 영향이 크면 사람 확인을 거친다.
이 표를 채우는 방법은 간단합니다. 지난 3개월의 장애 기록을 펼쳐서, "그때 모델이 답했어야 했나"를 한 건씩 물어보는 겁니다. 답하면 안 됐던 날이 곧 범위의 경계가 됩니다. 경계는 처음부터 완벽할 필요가 없습니다. 한 달에 한 번, 기각 로그를 보며 경계를 다듬으면 됩니다.
범위 밖이면 어떻게 할 것인가
범위 밖 입력이 들어오면 세 가지를 합니다. 첫째, 답하지 않고 기각합니다. "판정 불가"라는 답을 내는 겁니다. 둘째, 사람에게 넘깁니다. 기각된 건은 작업자나 엔지니어의 확인 대기열로 갑니다. 셋째, 안전 상태를 유지합니다. 라인을 세우는 게 아니라, 마지막으로 확인된 안전한 상태를 유지하면서 사람을 기다립니다.
그리고 기각은 그냥 버리지 않습니다. 기각 로그를 남깁니다. 어떤 입력이, 왜 범위 밖이었는지. 이 로그가 쌓이면 두 가지가 보입니다. 하나는 기준이 잘못된 경우 — 범위를 너무 좁게 잡아 멀쩡한 입력까지 기각하는 경우. 다른 하나는 현장이 바뀐 경우 — 새 설비나 새 자재 때문에 입력 분포 자체가 달라진 경우. 기각률이 갑자기 오르면, 모델이 아니라 현장이 먼저 바뀐 신호일 수 있습니다.
현장에서 바로 할 일
한 장짜리 운영 범위 문서를 씁니다. 입력 범위·설비 상태·데이터 품질, 세 가지만 적습니다.
범위 밖 답은 "판정 불가"로 통일합니다. 애매한 답보다 명확한 기각이 현장에서는 안전합니다.
기각 로그를 월 1회 봅니다. 기각이 늘면 기준을 넓힐지, 현장이 바뀐 건지부터 확인합니다.
모델의 실력은 맞힌 개수로만 보이지 않습니다. 답하면 안 되는 곳에서 입을 다무는 것도 실력입니다. 운영 범위를 먼저 정해두면, 모델은 틀릴 만한 날에 조용해지고, 사람은 그 조용함을 보고 현장에 먼저 갑니다. 그게 현장 AI가 현장에서 오래 살아남는 방법이라고, 저는 생각합니다.
