제조업 AI 교육은 생산 데이터에서 시작합니다

"다른 회사에서 하신 커리큘럼 좀 보내 주시겠어요?"

보내 드리면 제조 기업 담당자분들이 자주 하시는 말이 있습니다. "이메일이나 회의록은 사무직한테는 맞는데, 생산팀이랑 연구소는 좀 다르게 가야 할 것 같은데요."

맞는 말씀입니다. 그래서 제조업은 처음부터 나눠서 설계합니다.

한 회사 안에 성격이 다른 업무가 있습니다

제조 기업의 특징이 이겁니다. 건물 하나에 전혀 다른 일을 하는 사람들이 모여 있어요.

사무·관리 쪽은 품의, 보고서, 거래처 메일을 다룹니다. 다른 업종과 크게 다르지 않죠. 생산·품질은 생산 실적, 불량률, 설비 가동률, 재고, 납기를 봅니다. 연구개발은 기술 문서, 특허, 실험 데이터, 공정 조건을 다루고요.

같은 "AI 활용 교육"이라도 이 셋은 손에 쥐고 있는 데이터가 다릅니다. 그래서 직무별로 나누면 각자 자기 파일을 가져와 실습할 수 있어서 밀도가 확 올라갑니다.

반도체 장비 기업에서는 하루 과정을 오전 사무직 트랙, 오후 연구개발 트랙으로 나눠 운영했습니다. 오전엔 문서와 데이터 정리를, 오후엔 기술 문서 분석과 공정·실험 데이터를 다뤘죠. 필요한 쪽만 듣고 가셔도 되게 했는데, 결과적으로 양쪽 다 만족도가 높았습니다.

생산 실적 분석부터 들어갑니다

제조 현장엔 데이터가 이미 쌓여 있습니다. 생산 실적, 불량 이력, 설비 가동 기록, 재고, 납기 준수율. 데이터가 없는 게 아니라 엑셀에서 꺼내 해석하는 데 시간이 드는 거죠.

교육에서 다루는 건 이런 작업입니다.

• 라인별·품목별 실적을 기간으로 비교하는 집계표
• 불량 유형을 분류하고 상위 원인을 추려내기
• 설비별 가동 이력에서 반복되는 패턴 찾기

여기서 중요한 건 참가자 본인 회사의 실제 데이터로 한다는 점입니다. 자기 파일로 하면 교육이 끝날 때 바로 쓸 수 있는 도구가 하나 남거든요. 다음 달에 데이터만 갈아 끼우면 같은 결과가 나옵니다.

보안상 실데이터를 가져오기 어려운 경우도 많습니다. 그럴 땐 구조만 같은 대체 데이터를 준비합니다. 컬럼 구성과 형식은 같고 값만 바꾼 파일이죠. 도구는 교육장에서 만들고, 실제 데이터는 사내에 돌아가서 넣으시면 됩니다. 이 방식도 결과는 똑같이 나옵니다.

주간·월간 보고서 자동화는 반응이 제일 좋습니다

생산관리나 품질 부서는 매주 같은 형식의 보고서를 만듭니다. 여러 부서에서 받은 파일을 합치고, 표를 만들고, 그래프를 붙이고, 전주 대비 증감을 적죠.

형식이 정해져 있어서 자동화가 잘 맞습니다. 교육에서는 이 순서로 갑니다.

1. 매주 만드시는 보고서 파일을 그대로 가져옵니다
2. AI에게 그 형식을 설명하고 집계 코드를 받습니다
3. 내 PC에서 실행해서 결과를 확인합니다
4. 다음 주 데이터로 한 번 더 돌려 봅니다

마지막 단계를 꼭 넣습니다. 한 번 돌아간 것과 다음 주에도 돌아가는 건 다르거든요. 여기까지 확인하고 나가셔야 현업에서 실제로 씁니다.

매주 세 시간씩 걸리던 품질 회의 자료를 매크로 하나로 집계하게 된 제조 기업 사례가 있는데, 교육 중에 만든 게 그대로 부서 표준이 됐습니다.

사내 지식을 연결하는 건 그다음입니다

제조업은 사람 머릿속에 있는 지식의 비중이 큽니다. 설비 이력, 과거 불량 대응, 협력사 특성, 공정 노하우. 이게 문서로 흩어져 있거나 아예 문서가 없는 경우가 많죠.

여기서 다루는 건 두 가지입니다.

하나는 흩어진 문서를 묶어서 질문하는 방식입니다. 설비 매뉴얼, 작업 표준서, 과거 품질 보고서를 한곳에 올려두고 "이 설비에서 이런 증상이 있었던 적 있나"를 묻습니다. 신규 입사자나 부서 이동자가 가장 빨리 효과를 보시더군요.

다른 하나는 현장 기록을 쌓이는 형태로 바꾸는 것입니다. 작업일지나 점검 기록을 사진과 메모로만 남기면 나중에 찾기가 어렵습니다. AI가 읽을 수 있는 형태로 정리하는 습관을 같이 다룹니다.

이 부분은 교육만으로 끝나지 않습니다. 어떤 문서를 모을지, 누가 관리할지는 조직이 정해야 해서 임원 과정과 이어서 진행하는 경우가 많습니다.

연구개발 쪽은 진도가 빠릅니다

R&D 인력은 이미 논문이나 기술 자료를 많이 읽습니다. 그래서 "요약해 준다" 정도로는 별 감흥이 없으세요. 이쪽에서 반응이 오는 건 이런 것들입니다.

특허나 논문 여러 건을 놓고 비교표를 만드는 것. 실험 데이터를 넣고 조건별 경향을 보는 것. 분석 스크립트를 직접 만들어 같은 분석을 반복하는 것.

데이터를 다루는 데 익숙한 분들이라 진도가 빠른 편입니다. 네 시간이면 사무직 과정의 하루치를 나가기도 합니다. 대신 결과를 검산하는 방법을 같이 다룹니다. AI가 만든 계산 코드가 맞는지 확인하는 법을 알고 계시면 속도를 올려도 안심이 되거든요.

상담 때 정해두면 좋은 것

몇 가지만 미리 알려주시면 설계가 훨씬 정확해집니다.

대상 직무를 어떻게 나눌지 — 사무·생산·R&D를 따로 모으실지, 한 자리에 모으실지. 섞으실 거면 공통 사례 위주로 짭니다.

실습 데이터를 무엇으로 할지 — 실데이터인지 대체 데이터인지에 따라 준비가 달라집니다.

반출 가능 범위 — 원가나 거래조건은 외부 업로드가 막혀 있는 경우가 많습니다. 미리 아시면 그에 맞는 방식으로 설계합니다.

사내에서 쓸 수 있는 도구 — 이게 의외로 자주 걸립니다. 교육에서 쓴 도구를 회사에서 못 쓰면 다음 날 적용이 안 되니까요. 미리 확인하면 사내에서 되는 도구로 바꿔서 진행합니다.

제조업 교육은 강의 내용보다 어떤 데이터로 실습하느냐가 결과를 많이 바꿉니다.

정리

사무·생산·R&D는 다루는 데이터가 달라서 트랙을 나누면 각자 밀도가 올라갑니다. 생산 실적 분석과 주간·월간 보고서 자동화가 효과가 빨리 보이고, 사내 지식 연결은 조직 결정이 필요해서 임원 과정과 묶는 편이 좋습니다.

어떤 데이터를 실습에 쓸 수 있는지만 정리해 주시면 나머지는 저희가 맞춰서 설계합니다. 그 한 가지가 교육 하루의 결과를 꽤 바꿉니다.