제조 AI 도입 범위를 업무 단위로 정하여야 기간을 산정할 수 있다

제조 AI 도입 기간은 연계 시스템, 기준정보 항목, 제약 조건, 승인 단계의 수로 산정하며, 네 항목의 수는 도입 범위를 업무 한 건으로 정하여야 파악됩니다. 업무별 산정표로 전사 데이터 기반과 업무 단위 중 어느 쪽으로 시작할지 회의 전에 비교할 수 있습니다.

데이터 구조를 먼저 갖추자는 주장도 범위를 정한 뒤에야 기간으로 환산된다

머니투데이 기고는 "AX(AI 전환)의 출발은 기술 도입이 아니라 데이터 자산화에 있다"고 적었습니다.

이 주장은 타당합니다. 하지만 같은 기고도 "AI에 쓸 데이터와 그렇지 않은 데이터를 구분해 본 적 있는지"를 점검 기준으로 꼽습니다. 이 구분은 데이터를 쓸 업무가 정해져야 가능하고, 자산화 기간도 그 범위로 산정됩니다. 범위를 먼저 정하고 규모를 산정하는 절차는 공공 SW 사업에 이미 있습니다.

공공 SW 사업의 대가 산정도 측정 범위를 먼저 정하고 기능점수를 산정한다

공공 SW 사업의 개발비는 한국인공지능·소프트웨어산업협회의 업계 가이드인 「SW사업 대가산정 가이드」에 따라 산정합니다. 이 가이드는 규모를 '기능점수', 곧 사용자 관점에서 측정한 소프트웨어 기능의 양으로 나타냅니다.

측정 순서도 정해져 있습니다. 2025년 개정판 134~135쪽에 따르면 개발 대상 업무를 선정하고, 측정 범위를 설정한 뒤, 측정 대상 애플리케이션과 다른 애플리케이션 사이의 경계를 정합니다. 가이드는 이 경계를 기술 구조로 긋지 말고 업무 성격이 명확히 다른 업무 단위로 나누도록 안내합니다.

137쪽 표 3-7은 경계를 지나치게 크게 잡을 때 생기는 문제를 설명합니다. 경계가 크면 다음 단계에서 측정하는 데이터 기능(측정 대상이 유지하거나 참조하는 데이터 묶음)이 작게 식별됩니다. 경계를 올바른 경계보다 크게 잡으면 기능점수는 작게 산출됩니다.

제조 AI 도입 기간은 연계 시스템, 기준정보, 제약 조건, 승인 단계 네 항목으로 산정한다

제조 AI 도입 기간도 같은 순서로, 업무를 먼저 정하고 그 업무에 해당하는 항목의 수를 집계하여 산정할 수 있습니다. 연계 시스템은 AI가 데이터를 조회하거나 결과를 기록하는 원천 시스템입니다. 설비 상태는 생산관리(MES), 주문과 재고는 전사자원관리(ERP), 검사 결과는 품질관리 시스템(QMS)이 관리하며, 절차서·작업표준 같은 문서와 메일이 더해집니다.

'기준정보'는 같은 설비·자재·제품을 시스템마다 다르게 부르는 코드와 이름을 하나로 통일한 값입니다. 제약 조건은 납기, 규격 한계처럼 AI의 판단이 위반하면 안 되는 조건이고, 승인 단계는 결과가 업무에 반영되기 전 확정 권한자가 검토하는 단계입니다.

기간은 주로 시스템 접속 권한 확보, 부서 간 기준정보 합의, 제약 조건 문서화, 승인 결재 체계 반영에 소요됩니다.

업무 한 건을 정하면 네 항목의 수가 확정된다

업무를 「품질 개선」처럼 넓게 정의하면 어느 항목도 집계할 수 없습니다. 하지만 식품 제조 공장을 예로 들어 불량 원인 분석, 다음 주 생산계획, 새 고시의 제품 영향 검토를 각각 업무 한 건으로 정하면 표 1처럼 항목마다 이름과 수를 적을 수 있습니다.

생산계획 열의 제약을 어떤 도구로 계산할지는 생산 스케줄링 AI를 고르는 기준에서 다룹니다. 합계는 비교용 값이고 실제 기간은 항목마다 회사의 과거 소요 기간 실적을 곱해 구합니다.

업무를 합치면 겹치는 항목만큼만 기간이 줄어든다

세 업무를 합치면 표 1의 합계 26은 21이 됩니다. 줄어든 다섯은 연계 시스템 셋(품질관리, 생산관리, 전사자원관리)과 기준정보 둘(설비 코드, 품목 코드)이며, 제약과 승인 단계는 한 건도 줄지 않습니다. 이 21은 업무별로 집계한 항목에서 겹치는 항목만 뺀 값이므로, 범위를 처음부터 「품질 개선」처럼 넓게 정의하여 항목을 적게 산정한 경우와는 다릅니다.

다만 업무를 합치면 데이터 기준 시점을 맞추는 작업이 추가됩니다. 같은 설비라도 불량 원인 분석은 불량이 발생한 시점의 설비 상태 값을, 생산계획은 현재 값을 읽습니다. 후보 업무 두 건이 있다면 표 2를 채웁니다.

합친 범위의 합계가 A와 B를 더한 값보다 크게 줄면 전사 데이터 기반을 먼저 구축하고, 거의 줄지 않으면 업무 단위로 시작합니다.

후보 업무의 항목이 많이 겹치면 전사 데이터 기반을 먼저 구축하는 쪽이 유리하다

표 2의 결과가 늘 업무 단위 도입을 가리키지는 않습니다. 후보 업무가 같은 설비와 시스템을 공유하면 전사 데이터 기반을 먼저 구축하는 쪽이 두 번째 업무부터 기간을 줄입니다. 업무 단위로 시작해도 두 번째 업무는 첫 업무의 시스템과 기준정보를 다시 쓰지만, 첫 업무에 맞추어 정한 코드 체계와 접속 권한을 다시 조정하는 작업이 생기며, 겹치는 항목이 많을수록 이 조정도 커집니다. 랜드연구소의 2024년 AI 프로젝트 실패 원인 보고서도 데이터 거버넌스와 모델 배포 인프라에 미리 투자하면 AI 프로젝트 완료 시간을 크게 줄일 수 있다고 권고합니다.

조합형은 업무마다 산정한 범위와 계산을 선택해 결합하는 방식이다

반대로 겹침이 적어 업무 단위로 시작한다면, 두 번째 업무를 추가하는 방식이 다음 과제입니다. '조합형'(Composable)은 업무마다 필요한 범위와 계산을 선택해 결합하는 방식입니다. 범위는 연계 시스템, 기준정보 항목, 제약 조건, 승인 단계 네 항목이고, 계산은 규정 대조, 조건 추론, 추세 예측 같은 판단의 종류입니다.

두 번째 업무는 첫 업무의 시스템과 기준정보를 다시 쓰고 제약 조건과 승인 단계를 더합니다. 이렇게 쌓인 구조를 퓨처워크랩은 엔터프라이즈 월드(이전 명칭 비즈니스 월드모델)라고 부릅니다. 개념 설명은 비즈니스 월드모델이란 무엇인가 — 회사의 지금 상태를 AI가 다룬다는 것에, 판단 기록을 남기는 방법은 AI가 실제 결과에서 배우려면 판단 시점에 무엇을 기록하여야 하는가에 있습니다.

AI 프로젝트 실패의 가장 흔한 원인인 문제 정의 오류는 범위 설정 단계에서 생긴다

조합형으로 업무를 더해 가려면 첫 업무부터 정확히 정하여야 하며, 이는 AI로 풀 문제를 정하는 일입니다. 랜드연구소가 경력 5년 이상의 데이터 과학자·엔지니어 65명을 면담해 분석한 AI 프로젝트 실패 원인 가운데 가장 흔한 것은 AI로 풀 문제를 잘못 이해하거나 전달하는 경우입니다.

「품질 개선」처럼 정의한 범위로는 표 1을 채울 수 없으므로, 풀 문제를 잘못 정한 프로젝트는 기간 산정 단계에서 드러납니다.

AX Flow는 업무마다 필요한 커넥터와 판단 엔진만 활성화한다

퓨처워크랩의 AX Flow는 산정표의 네 항목을 구축 단위로 씁니다. 연결 층은 그 업무에 필요한 시스템만 연동해 설비 상태, 주문, 재고, 검사 결과와 절차서, 메일, 음성 기록을 수집합니다. 구조화 층에는 그 업무의 기준정보와 제약 조건이 등록됩니다.

AX Router가 업무마다 엔진을 정합니다. 규정 대조는 AX Rule Engine, 조건 추론은 AX Reasoning Engine, 추세 예측과 이상 탐지는 AX Predict Engine이 맡습니다. 실행 층은 결과를 승인 단계에 올려 업무를 종결합니다. 관리 층에는 승인자와 실행 근거가 지울 수 없는 기록으로 남습니다.

정리하며

제조 AI 도입 기간을 묻는 회의라면 업무 한 건의 이름을 먼저 적는 데서 산정이 시작됩니다.

도입 상담 요청하기 · 후보 업무 두 건의 산정표를 함께 작성해 드립니다.

자주 묻는 질문 (FAQ)

제조 AI 도입 기간은 무엇으로 산정하나요?

연계 시스템, 기준정보 항목, 제약 조건, 승인 단계의 수로 산정합니다.

전사 데이터 기반을 먼저 갖추는 편이 빠르지 않나요?

두 업무의 시스템과 기준정보가 많이 겹치면 전사 데이터 기반을 먼저 구축하는 편이, 적게 겹치면 업무 단위로 시작하는 편이 빠릅니다.

조합형은 모델을 여러 개 쓴다는 뜻인가요?

아닙니다. 조합형은 업무마다 필요한 범위와 계산을 먼저 고르고, 모델은 그 뒤에 선택하는 방식입니다.

공공 대가 산정 방식을 제조 AI에 그대로 쓸 수 있나요?

그대로 쓰지는 않습니다. 가져오는 것은 범위와 경계를 먼저 정하고 항목을 측정하는 순서입니다.

참고한 것

• 한국인공지능·소프트웨어산업협회, 「SW사업 대가산정 가이드」(2025년 개정판) 134~137쪽

• RAND, 「The Root Causes of Failure for Artificial Intelligence Projects」(2024)

• 머니투데이, 「AI 전환, 기술보다 데이터 구조가 먼저다」(2026-03-30)