Daxi | 닥시
제조업 도메인에서 AI 증강(Augmentation)
인간의 전문성과 역량을 확장하고 향상시키는 증강 지능의 미래
  1. AI 증강의 핵심 철학: 자동화가 아닌 증강 (Augmentation, Not Automation)
  1. 도메인별 적용: 제조업 도메인별 AI 증강 방안 및 사례
  1. 설계 원칙: 성공적인 AI 증강을 위한 설계 원칙 (워커블 AI)
AI 증강의 핵심 철학
설계 원칙
1. 자동화가 아닌 증강 (Augmentation, Not Automation)
AI를 통한 증강은 인간을 대체하는 것과 근본적으로 다릅니다.
A. 목표와 가치 창출
자동화
반복적인 작업을 기계적으로 처리하여 비용 절감과 효율 향상을 추구합니다.
증강
어제는 불가능했던 일을 가능하게 하여 새로운 가치와 성과를 창출하는 데 중점을 둡니다. 증강 지능은 복잡한 데이터에서 통찰력을 도출하여 인간의 의사결정을 지원합니다.
B. 인간의 역할 강조
AI의 역할
지루한 데이터를 처리하고 유의미한 인사이트를 제공하는 보조 도구로 활용됩니다.
인간 전문가의 역할
엔지니어, 관리자는 AI의 도움을 받아 더 빠르고 정확하게 의사결정을 내리지만, 최종 판단과 창의적인 문제 해결은 여전히 사람의 몫으로 남겨둡니다.
C. 협력 모델 선호
현장 노동자들은 AI가 모든 것을 알아서 처리하는 완전 자동화(H1)나 인간이 모두 통제하는 형태(H5)보다, AI와 인간이 서로 긴밀하게 협력하며 시너지를 내는 동등한 파트너십(H3) 형태를 가장 선호하는 것으로 나타났습니다.

이바닥늬우스

AI가 내 일 다 뺏어갈까? 스탠포드에서 연구한 ‘진짜’ 미래

*Future of Work with AI Agents 논문 내용을 분석했습니다. AI 이야기만 나오면 지겹도록 듣는 말이 있습니다. “내 일자리는 괜찮을까?” 불안감이 솟구치고, 언론은 연일 ‘대체될 직업’ 리스트를 뽑아냅니다. 마치 거대한 쓰나미가 몰려오는데 우리는 속수무책으로 바라만 보는 기분이 들죠. 그런데 이 모든 논의에 뭔가 중요한 게 빠져…

도메인별 적용
2. 제조업 도메인별 AI 증강 방안 및 사례
AI는 제조 및 현장 산업의 핵심 과제인 품질 관리, 변경 관리, 현장 운영 효율성, 그리고 지식 보존 영역에서 인간의 역량을 증폭시킵니다.
A. 품질 관리 및 근본 원인 분석 (NG 이슈 RCA 분석) 증강
AI는 품질 엔지니어의 문제 해결 능력을 가속화하고 의사결정의 깊이를 더합니다.
01
이상 징후 탐지 및 원인 후보 제시
불량 이슈(NG)가 발생하면, AI는 방대한 과거 데이터를 몇 초 만에 찾아주고, 이상 패턴을 감지하여 잠재적 원인 단서를 제공합니다.
02
컨텍스트 정보 수집
AI는 관련 기술 문서, 생산 메모 등을 벡터 검색하여 엔지니어에게 종합적인 상황 파악을 지원합니다.
03
인간 주도의 해결책 수립
엔지니어는 AI가 분석한 결과를 바탕으로 근본 원인에 대한 가설을 세우고, 시정/예방 조치 계획(CAPA)을 수립합니다.
04
조치 효과 통계적 평가
AI는 조치 실행 후 관련 KPI 변화를 모니터링하여 조치의 효과를 통계적으로 평가(PASS/FAIL)해 줌으로써, 엔지니어가 데이터 기반 의사결정에 집중하도록 돕습니다.
B. 변경 관리 (4M) 및 전략적 의사결정 증강
제조 공정의 4M 변경(Man, Machine, Material, Method)과 같이 품질에 큰 영향을 줄 수 있는 이벤트에 대한 관리자의 판단을 지원합니다.
과거 사례 기반 근거 제공
AI는 4M 변경 요청 시 과거의 유사 변경 사례를 검색하여, 이전 변경에서 어떤 문제가 발생했고 어떻게 해결되었는지 등의 의사결정 근거를 신속하게 제공합니다.
영향도 예측 및 경고
AI는 통계적 예측 분석을 수행하여, 변경 전후의 품질 지표 데이터를 비교하고 이번 변경이 품질 KPI에 어떤 영향을 미칠지 미리 경고해줍니다.
관리자의 현명한 결정 지원
품질 관리자는 AI가 준비한 예측 데이터와 과거 사례를 바탕으로 위험을 정확히 평가하고, 변경 승인 여부와 대비책을 현명하게 결정할 수 있습니다.
C. 현장 운영 효율성 및 문제 해결 증강
AI는 복잡한 시스템을 실시간으로 분석하여 문제를 식별하고 해결책을 제시함으로써 다운타임(Downtime)을 최소화합니다.
AR/VR 및 디지털 트윈 활용
스마트 안경 같은 AR 웨어러블 디바이스와 AI 시스템을 결합하여, 작업자는 시야에 매뉴얼을 띄우거나, 설비 기기의 상태를 실시간으로 확인하고, 제품의 불량을 즉시 검출할 수 있습니다.
지속적인 기술 개발 지원
AI 시스템이 제공하는 실시간 피드백과 인사이트는 현장 직원의 성과와 생산성 향상을 위한 지속적인 기술 개발을 지원하며 인력 역량을 강화합니다.
물류 및 공급망 관리 (SCM)
AI는 실시간 교통 데이터, 재고 정보 등을 분석하여 최적 배송 경로를 추천하고 수요를 예측합니다. 현장 담당자는 AI 정보를 참고하여 차량 배차나 창고 운영을 결정합니다.
D. 지식 보존 및 숙련 기술 전수 증강
AI는 숙련된 인력의 경험적 지식을 시스템에 내재화하여 지식 보존에 기여하고, 신입 직원들의 역량 격차를 해소하도록 돕습니다.
예지 정비 문서 자동화
설비 센서 데이터, 과거 정비 이력, 전문가들의 메모 등을 학습하여 정비 가이드 문서를 자동 생성하거나 업데이트합니다.
숙련 기술의 디지털 자산화
숙련 기술자의 암묵지였던 노하우가 디지털 자산으로 축적되어, 신입이나 중급 엔지니어들이 AI의 도움으로 고급 지식을 습득하고 기술 전수의 부담을 덜 수 있습니다.
설계 원칙
3. 성공적인 AI 증강을 위한 설계 원칙 (워커블 AI)
제조 환경에서 AI가 인간 중심의 증강 파트너로 기능하기 위해서는 다음과 같은 설계 원칙이 필수적입니다.
A. HITL (Human-in-the-Loop, 인간 개입) 설계
Daxi와 같은 플랫폼은 워크플로우의 중요한 의사결정 단계마다 항상 인간의 판단이 개입하도록 설계되어 있습니다.
자동화 시스템이라도 최종 승인이나 크리티컬한 판단은 사람이 하도록 워크플로우를 멈추고 대기하는 HITL 게이트를 관리합니다. 이는 AI의 오작동을 방지하고 현장의 신뢰를 높입니다.
B. 설명 가능한 AI (Explainable AI, XAI)와 투명성

AI가 내린 판단의 근거를 사용자에게 투명하게 제공해야 합니다. 예를 들어, 불량 원인 분석 시 AI는 관련 기술 문서나 과거 사례를 찾아 근거 자료와 함께 시각화하여 제시합니다.
이러한 투명성은 인간이 AI의 추론을 검토하고 이해하며, 신뢰를 구축하는 데 중요합니다.
C. 지속적인 피드백 루프
검토 및 피드백
사용자는 AI의 판단을 단순 수용하는 것이 아니라, 근거를 검토하고 피드백을 제공할 수 있어야 합니다.
시스템 개선
AI 시스템은 현장 피드백을 수용하여 알고리즘 파라미터 조정이나 추천 결과를 개선하는 데 반영함으로써 시간이 지날수록 현장 적합성을 높여야 합니다.
D. 엔터프라이즈 환경 적합성 (워커블 AI)
AI 시스템은 현장의 업무 흐름(워크플로우)과 IT 환경에 자연스럽게 통합될 수 있도록 설계되어야 합니다.
Daxi 시스템의 경우처럼, 온프레미스(On-premise) 지원이나 DSL(도메인 특화 언어) 기반 워크플로우 정의 등을 통해 현장의 변화에 신속하게 대응할 수 있는 유연성과 신뢰성을 갖추어야 합니다.
결론
협업지성 모델의 구축
요약하자면, 제조업에서의 AI 증강은 AI가 방대한 데이터를 분석하고 최적의 경로를 제시하는 '빠른 생성' 능력(시스템 1)을 제공하는 동안, 인간 전문가가 '깊은 추론' 능력(시스템 2)과 창의적인 판단을 주도하여 새로운 가치를 창출하는 협업지성 모델을 구축하는 것에 달려 있습니다.
시스템 1 은 반복적이고 대량의 데이터를 신속하게 처리하는 역할을 맡으며, 시스템 2는 복잡한 문제 해결과 전략적 의사결정에 중점을 둡니다. 이러한 협력은 제조업의 생산성과 혁신성을 크게 향상시키는 핵심 요소가 될 것입니다.
일자리수? 일자리혁신!
일자리 수가 아니라, 일자리의 내용과 구조를 어떻게 혁신할 것인가의 문제 입니다.
Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligencehttps://digitaleconomy.stanford.edu/wp-content/uploads/2025/08/Canaries_BrynjolfssonChandarChen.pdf