제조 AI는 챗봇이 아니라, 현장 노하우를 실행하는 에이전트다

2026.09.10

#제조AI #AI에이전트 #AX #현대자동차 #EFORESTPOLARIS #피지컬AI #지식그래프 #대학컨설팅 #교육과정

제조 AI는 챗봇이 아니라, 현장 노하우를 실행하는 에이전트다

제조 현장에 AI를 도입한다는 말은 이제 낯설지 않다.

하지만 여전히 많은 AI 도입 논의는 챗봇에 머문다. 작업자가 질문하면 매뉴얼을 찾아주고, 문서를 요약하고, 보고서를 대신 써주는 방식이다. 물론 이것도 필요하다. 그런데 제조 현장의 AI가 거기서 멈추면 아쉽다.

현대자동차그룹 TEAM HMG의 제조AI기술개발 직무 영상은 조금 다른 방향을 보여준다.

영상에서 소개된 핵심은 제조 현장에 특화된 AI 에이전트 시스템인 E-FOREST: POLARIS다. 품질, 생산, 설비, 물류 같은 제조 전 영역에서 업무 경험과 현장 노하우를 AI 에이전트로 구현하고, 검증하고, 실제 서비스로 운영하는 생태계를 만들겠다는 이야기다.

여기서 중요한 단어는 AI가 아니라 현장이고, 더 중요한 단어는 운영이다.

제조 AI는 모델 하나를 붙이는 일이 아니다.

현장의 데이터, 문서, 설비, 작업표준, 엔지니어의 암묵지를 AI가 실행 가능한 구조로 바꾸는 일이다.

POC에서 멈추는 AI와 공장에서 돌아가는 AI는 다르다

AI 프로젝트가 POC에서 끝나는 이유는 대체로 비슷하다.

데모는 잘 된다. 특정 문서를 넣고 질문하면 답도 잘한다. 샘플 데이터에서는 불량 원인도 그럴듯하게 찾는다. 임원 보고용 화면도 예쁘게 나온다.

그런데 공장에 올리면 문제가 달라진다.

데이터가 여러 시스템에 흩어져 있다.
설비 ID와 공정 ID가 일관되지 않다.
작업표준서는 버전이 많다.
현장 용어와 시스템 용어가 다르다.
센서 데이터와 품질 데이터가 바로 연결되지 않는다.
AI 답변을 누가 승인할지 정해져 있지 않다.
틀렸을 때 책임 소재가 불명확하다.

영상에서도 제조 AI 활용의 어려움으로 두 가지가 언급된다. 하나는 데이터가 여러 시스템에 분산되어 통합 활용이 어렵다는 점이다. 다른 하나는 현장 엔지니어의 노하우는 풍부하지만, 그 노하우를 AI 에이전트로 연결하는 데 기술적 허들이 있다는 점이다.

이 말은 제조 AX의 본질을 잘 보여준다.

AX는 AI 툴을 사는 일이 아니다. 현장의 업무 구조를 AI가 읽고 실행할 수 있게 바꾸는 일이다.

자동차 프레임 공정으로 생각해보자

자동차 프레임, 더 정확히는 차체/바디 프레임 제조 공정을 생각해보자.

단순화하면 흐름은 이렇다.

강판 투입
→ 프레스 성형
→ 부품 이송
→ 용접/접합
→ 치수 검사
→ 표면/외관 검사
→ 조립 라인 전달

이 공정에서 AI 에이전트를 가장 먼저 붙이기 좋은 영역은 용접 품질이다.

프레임 공정에서는 스폿 용접, 접합 위치, 차체 치수, 강판 로트, 지그 상태, 로봇 상태가 서로 얽혀 있다. 불량 하나가 발생해도 원인은 하나가 아닐 수 있다.

예를 들어 이런 문제가 생겼다고 하자.

라인: Body Line 2
공정: Side Frame Spot Welding
로봇: R-12
용접 포인트: W-238
불량: 용접 강도 저하
시간: 09:42

사람 엔지니어는 무엇을 볼까.

용접 전류
통전 시간
가압력
동저항
팁 드레싱 이력
팁 교체 이력
로봇 알람
강판 로트
프레스 성형 편차
CMM 치수 측정값
비전 검사 이미지
작업표준서
FMEA
Control Plan
과거 정비 이력

이 데이터는 한 화면에 있지 않다. MES, QMS, 설비 로그, 정비 시스템, 문서 저장소, 검사 장비에 흩어져 있을 가능성이 높다.

제조 AI 에이전트가 해야 할 일은 바로 여기서 시작된다.

프레임 용접 품질 원인분석 에이전트

자동차 프레임 공정에 AI 에이전트를 실제로 구현한다면, 첫 MVP는 이렇게 잡을 수 있다.

프레임 용접 품질 원인분석 에이전트

목표는 단순하다.

불량 이벤트가 들어오면, AI가 관련 데이터를 찾아서 가능 원인과 우선 확인 항목을 정리한다.

단, AI가 바로 공정 조건을 바꾸면 안 된다. 초기 단계에서 AI의 역할은 실행이 아니라 근거 기반 추천이어야 한다.

에이전트 내부 흐름은 이런 식이다.

1. 불량 유형 분류
2. 해당 용접 포인트의 기준 조건 조회
3. 최근 용접 파라미터 조회
4. 같은 로봇/용접건의 다른 포인트 비교
5. 같은 자재 로트의 품질 이슈 확인
6. 팁 드레싱/교체 이력 확인
7. 과거 유사 사례 검색
8. 관련 SOP/FMEA/Control Plan 검색
9. 가능 원인 후보 생성
10. 안전/승인 룰 적용
11. 조치 체크리스트와 티켓 초안 출력

이때 LLM이 모든 것을 혼자 판단해서는 안 된다.

전류 추이, 동저항 변동, 불량률 변화, 로트별 분포 같은 계산은 SQL, 시계열 분석, 룰 기반 진단, 이상탐지 모델이 해야 한다. LLM은 그 결과를 현장 언어로 설명하고, 문서 근거를 연결하고, 조치 체크리스트를 만드는 역할을 맡는 편이 안전하다.

필요한 것은 RAG 하나가 아니다

제조 AI를 문서 RAG로만 보면 한계가 금방 온다.

문서 검색은 필요하다. 작업표준서, 설비 매뉴얼, 품질 기준서, FMEA, Control Plan을 찾는 일은 중요하다.

하지만 프레임 공정의 질문은 문서 검색만으로 끝나지 않는다.

이 용접 포인트와 같은 용접건이 담당하는 다른 포인트도 이상한가?
같은 강판 로트를 쓴 다른 차체에서도 불량이 있었나?
최근 팁 교체 이후 불량률이 줄었나?
프레스 치수 편차와 용접 강도 저하가 같이 나타났나?

이 질문은 관계를 묻는다.

그래서 제조 AI에는 벡터 DB와 함께 지식 그래프가 필요하다.

라인 → 스테이션 → 로봇 → 용접건 → 용접 포인트 → 품질 결과
부품 → 강판 로트 → 프레스 공정 → 용접 공정 → 검사 결과
설비 → 알람 → 정비 이력 → 조치 결과 → 재발 여부

현대차 영상에서 언급된 온톨로지 기반 지식 그래프가 중요한 이유도 여기에 있다.

제조 현장의 노하우는 문장만으로 존재하지 않는다. 관계 속에 존재한다. 어떤 설비가 어떤 공정에 있고, 어떤 부품을 만들며, 어떤 품질 기준과 연결되고, 어떤 알람이 어떤 고장 모드와 이어지는지 알아야 한다.

AI 답변은 예쁘면 안 되고, 추적 가능해야 한다

현장용 AI 답변은 블로그 글처럼 유려할 필요가 없다.

오히려 형식이 고정되어야 한다.

예를 들어 용접 강도 저하에 대한 답변은 이렇게 나와야 한다.

## 불량 요약
- 라인: Body Line 2
- 공정: Side Frame Spot Welding
- 로봇: R-12
- 용접 포인트: W-238
- 불량: 용접 강도 저하

## 가능 원인 후보
1. 용접 팁 마모 가능성 높음
   - 근거: tip life count 92%
   - 근거: 최근 3일간 동저항 변동폭 증가
   - 근거: 인접 용접 포인트 W-235, W-236에서도 경미한 품질 저하

2. 자재 로트 편차 가능성 중간
   - 근거: 동일 강판 lot 일부 body에서 유사 불량 발생
   - 반례: 다른 라인에서는 동일 lot 불량률 증가가 크지 않음

3. 지그 위치 편차 가능성 낮음
   - 근거: 최근 CMM 측정값이 허용범위 내

## 우선 확인 항목
1. R-12 / G-12 팁 상태 육안 확인
2. W-238 최근 50대 용접 전류·동저항 추이 확인
3. 동일 lot 사용 body의 불량 분포 확인
4. 팁 드레싱 후 재검사
5. 불량 지속 시 팁 교체 및 조건 재검증

## 관련 문서
- Spot Welding SOP v2026.08, p.42
- Control Plan BODY-SIDE-LH, section 3.2
- FMEA Side Member Welding, failure mode FM-17

## 승인 조건
- AI 단독 공정 조건 변경 금지
- 조건값 변경은 품질 엔지니어 승인 후 수행
- 조치 후 W-238 30대 샘플링 검사 필요

이런 답변은 화려하지 않다. 하지만 쓸 수 있다.

현장에서 중요한 것은 말솜씨가 아니라 추적 가능성이다. 어떤 근거로 원인 후보를 냈는지, 어떤 문서와 연결되는지, 어떤 조치는 사람이 승인해야 하는지가 보여야 한다.

검증이 답변 품질의 문제가 아니라 생산 품질의 문제가 되는 순간이다.

Physical AI는 로봇에서 시작하지 않는다

영상 후반부에서 향후 5년의 변화로 Physical AI가 언급된다. 지금은 AI 에이전트가 데이터와 문서를 조회하고 분석해 인사이트를 제공하는 소프트웨어 레벨이지만, 앞으로는 공장 라인의 파라미터를 자동으로 조절하고 로봇과 결합해 물리적 작업까지 지원하는 방향으로 확장될 것이라는 전망이다.

이 부분이 흥미롭다.

많은 사람은 Physical AI를 로봇부터 떠올린다. 로봇 팔, 휴머노이드, 자율 이동 로봇 같은 장면이다.

하지만 제조 현장에서 Physical AI는 로봇에서 시작하지 않는다.

먼저 데이터가 연결되어야 한다. 용어가 정리되어야 한다. 설비와 공정과 품질 기준이 매핑되어야 한다. 현장 노하우가 문서와 로그와 그래프에 들어와야 한다. AI가 해도 되는 행동과 하면 안 되는 행동이 구분되어야 한다.

그다음에야 AI가 물리 세계에 개입할 수 있다.

AI 에이전트가 로봇 팔을 움직일 때, 책임은 어디에 기록되는가에서 말했듯, 화면 밖으로 나가는 AI에는 더 강한 책임 설계가 필요하다.

AI가 용접 전류를 0.2kA 올리자고 제안하는 것과, 실제로 전류를 바꾸는 것은 완전히 다른 일이다. 전자는 분석이고, 후자는 제조 책임이다.

현장 엔지니어는 대체되는 것이 아니라 번역자가 된다

제조 AI 논의에서 자주 빠지는 사람이 있다.

현장 엔지니어다.

AI가 현장 노하우를 학습한다고 말하면, 마치 현장 엔지니어의 경험이 사라지는 것처럼 들린다. 하지만 실제 구현에서는 반대에 가깝다.

좋은 제조 AI 에이전트는 현장 엔지니어 없이는 만들어지지 않는다.

왜 이 알람을 먼저 봐야 하는지, 어떤 소음은 위험 신호이고 어떤 진동은 정상 범위인지, 같은 불량처럼 보여도 어느 경우에는 설비 문제이고 어느 경우에는 자재 문제인지, 작업표준서에는 없지만 현장에서 늘 확인하는 포인트가 무엇인지 설명해줄 사람이 필요하다.

AI 시대의 현장 엔지니어는 단순 실행자에서 번역자로 이동한다.

현장 언어를 데이터 언어로 번역한다.
암묵지를 작업 규칙으로 번역한다.
경험적 판단을 검증 가능한 체크리스트로 번역한다.
반복 조치를 에이전트 업무 루프로 번역한다.

이건 마크다운이 직원이다에서 말한 흐름과도 연결된다. 업무가 파일과 루프로 바뀌면, 현장 노하우도 에이전트가 읽을 수 있는 구조로 바뀐다.

대학의 AI 교육도 여기서 배워야 한다

이 영상을 대학컨설팅 관점에서 보면 더 중요한 메시지가 보인다.

제조 AI 직무가 요구하는 역량은 단순 모델 사용법이 아니다.

AI 에이전트 아키텍처 이해
제조 도메인 이해
데이터 통합
지식 그래프
멀티모달 분석
SLM 파인튜닝
MCP 기반 도구 연결
현장 문제 정의
프로덕션 서비스 운영
AI 안전과 승인 구조

이 정도면 AI 교육은 컴퓨터공학 한 과목으로 끝나지 않는다.

산업공학, 품질관리, 설비 데이터, 소프트웨어 아키텍처, 현장실습, 교육과정 설계, AI 거버넌스가 함께 들어가야 한다.

학생은 AI를 쓰는데, 왜 점수는 떨어질까에서 말한 것처럼, AI 교육의 핵심은 사용 자체가 아니다. AI를 어디에, 어떤 조건으로, 어떤 책임 구조 안에서 쓸 것인가를 배우는 것이다.

제조 AI 인재교육도 마찬가지다.

학생이 AI 모델을 호출할 줄 아는 것만으로는 부족하다. 현장 문제를 정의하고, 데이터를 연결하고, 에이전트가 할 수 있는 일과 하면 안 되는 일을 구분하고, 결과를 검증하고, 실제 서비스로 운영할 수 있어야 한다.

결론: 제조 AX는 현장 노하우의 제품화다

현대차 제조AI기술개발 영상이 보여주는 핵심은 명확하다.

제조 AI는 챗봇 도입이 아니다.

제조 현장의 업무 경험과 노하우를 AI 에이전트로 구현하고, 검증하고, 실제 서비스로 운영하는 일이다.

자동차 프레임 공정으로 보면 더 선명하다. 용접 품질 하나를 분석하려 해도 문서, 로그, 설비, 자재, 품질검사, 정비 이력, 작업자 노하우가 함께 필요하다.

그래서 제조 AX의 핵심은 모델 선택이 아니다.

현장 노하우를 실행 가능한 업무 루프로 바꾸는 것이다.

POC에서 멈추는 AI는 답을 보여준다.

공장에서 돌아가는 AI는 근거를 남기고, 사람의 승인을 받고, 현장의 다음 행동을 바꾼다.

제조 AI의 승부는 거기서 갈린다.

참고자료

현대자동차그룹(HYUNDAI), [「AI 에이전트로 제조 현장을 바꾸다, 현대자동차 제조AI기술개발 직무

TEAM HMG」](https://youtu.be/vJXHtfkIMKI), YouTube, 2026.