기술
트윈이 답을 미리 알고 있으면, 그건 트윈이 아닙니다
며칠 전 저희 데모 공장 트윈을 보던 대표가 물었습니다. "이게 완전한 자동 시뮬레이션 공장이 된 건가?"
#제조AI
총 38개의 아티클
AI/ML
산업 AI 에이전트 논문 88편을 훑어보니 — 9할은 아직 실험실에 있었다
저희는 주기적으로 최신 논문과 오픈소스 동향을 훑습니다. 만들고 있는 것이 맞는 방향인지, 학계와 업계가 어디까지 왔는지 확인하기 위해서입니다. 이번 주 스캔에서 눈에 띈 논문이 3편 있었는데, 셋을 나란히 놓으니 하나의 그림이 보였습니다. 오늘은 그 이야기를 하려고 합니다.
비즈니스
그래서 뭐가 다른데요 — 차별점이라는 질문에 대하여
투자 미팅에서 이런 이야기를 들었습니다. "같은 시장을 말하는 회사들과 비교해 특별한 차별점이 보이지 않는다. 그래서 투자가 어렵다."
AI/ML
시험장을 빠져나온 AI — 에이전트에게 어디까지 맡길 것인가
지난달 AI 업계에서 실제로 일어난 일입니다. 오픈AI가 자사 모델의 해킹 능력을 재는 격리 환경(샌드박스) 평가를 돌리고 있었는데, 모델이 문제를 푸는 대신 시험장 밖으로 나갔습니다.
AI/ML
AI가 자기 작업 방식을 고치기 시작했다 — 채점표만 빼고
이번 주 저희는 사내 업무 규칙 문서에 한 줄을 새로 넣었습니다. 사실 검증 게이트, 기준 데이터 대조 점검, 완료 확인 — 이 항목들은 자동화 사이클이 스스로 완화하거나 수정할 수 없는 고정 계층이라는 선언입니다. 바꾸려면 사람의 승인을 거쳐야 합니다.
비즈니스
전문성의 비용이 무너진다 — 공장 운영 노하우가 소프트웨어가 될 때
트위터·코인베이스·듀오링고의 초기 투자사로 유명한 미국 벤처캐피털 USV(Union Square Ventures)가 최근 "Obliterate, Don't Automate"라는 글을 냈습니다(2026년 7월, blog.usv.com). 요지는 한 문장입니다.
기술
노코드로 공장 앱을 만든다는 것
어느 공장이든 전산 요청함에는 현장의 요구가 줄을 서 있습니다. 이 설비만의 점검표, 이 라인만의 작업 기록 화면, 이 공정만의 불량 집계표. 하나하나는 작은 화면인데, 개발 요청으로 올리면 몇 주짜리 일이 됩니다.
AI/ML
피지컬 AI는 공장에서 먼저 온다
피지컬 AI라고 하면 대개 휴머노이드 로봇이나 자율주행차를 떠올립니다. 무대 위에서 걷고, 도심을 달리는 장면들이죠. 그런데 AI가 물리 세계와 만나는 접점은 이미 다른 곳에 훨씬 넓게 깔려 있습니다. 제조업 현장입니다.
AI/ML
RDB, RAG는 정말 끝났나?
그래프 데이터베이스와 GraphRAG가 화제가 되면서 부쩍 자주 듣는 질문이 두 가지 있습니다. "이제 관계형 데이터베이스(RDB)는 끝난 거냐"와 "그래프 RAG라는 게 결국 SQL로도 다 되는 거 아니냐"입니다. 결론부터 말하면 둘 다 아닙니다.
인사이트
디지털트윈은 화면이 아니라 판단이다
3D로 공장을 옮겨 놓은 화면은 확실히 인상적이다. 설비가 돌고, 컨베이어가 움직이고, 로봇팔이 실제처럼 작동한다. 그런데 여기서 한 가지를 짚고 넘어가야 한다. 현장을 그대로 비추기만 하는 3D 화면은, 아무리 정교해도 결국 화려한 스크린세이버다.
인사이트
AI에게 공장 제어를 맡길 수 있을까 — 신뢰는 어디서 오나
공장에 AI를 들이는 이야기는 이제 낯설지 않다. 그런데 막상 "AI가 설비를 직접 제어하게 하자"는 대목에서는 대부분 멈칫한다. 이유는 분명하다. 살아 있는 라인에서 잘못된 명령 하나는 불량으로, 정지로, 사고로 이어진다.
인사이트
공장에는 솔루션이 넘치는데, 왜 아무것도 나아지지 않을까
많은 공장이 이미 충분히 많은 시스템을 갖고 있다. MES가 있고, 품질 관리 도구가 있고, 설비 모니터링이 있고, 부서마다 대시보드가 있다. 최근 몇 년은 여기에 AI 실증까지 얹혔다. 그런데 현장에 물어보면 답은 비슷하다. "데이터는 많은데, 정작 판단이 빨라지지는 않았다."
인사이트
스마트팩토리 구축이 실패하는 진짜 이유 3가지
수억을 들여 MES를 깔고, ERP를 붙이고, 현장에 태블릿까지 돌렸습니다. 그런데 1년이 지나도 공장은 예전과 크게 다르지 않습니다. 품질 문제가 터지면 여전히 담당자가 엑셀을 열어 한참을 헤매고, 설비가 멈추면 사람이 뛰어가 원인을 찾습니다. 시스템은 늘었는데 일하는 방식은 그대로입니다.
인사이트
제조 현장에서 ChatGPT를 못 믿는 이유, 그리고 환각 없는 제조 AI
생성형 AI가 화제가 되면서, 한 번쯤 이런 실험을 해보셨을 겁니다. 공장 데이터를 AI에 넣고 "이 불량의 원인이 뭐냐"고 물어보는 것. 그럴듯한 답이 나옵니다. 문장은 매끄럽고 자신감도 넘칩니다. 그런데 막상 현장 담당자가 보면 고개를 갸웃합니다. "이 설비는 그 공정에 안 쓰이는데?"
인사이트
"표준화 없이 AI 없다" — 온톨로지가 도대체 뭐길래
앞선 글에서 환각 없는 제조 AI는 답을 '정의된 관계'에 묶는다고 했습니다. 그러면 자연스레 질문이 생깁니다. 그 '정의된 관계'는 대체 누가, 어떻게 만드는 걸까요? 여기서 두 단어가 나옵니다. 표준화, 그리고 온톨로지입니다.
인사이트
품질 원인 분석 3시간 vs 30초 — 제조 AI가 실제로 바꾸는 5가지 업무
제조 AI 이야기는 자주 추상적으로 흐릅니다. "혁신", "효율", "자율". 듣기엔 좋지만 현장 담당자에게는 잘 와닿지 않습니다. 그래서 이번 글은 추상을 걷어내고, 실제 업무 다섯 가지가 어떻게 바뀌는지만 구체적으로 적겠습니다. 앞선 글에서 말한 표준화와 닫힌 루프가 갖춰졌을 때 나오는 숫자들입니다.
비즈니스
우리 공장 AI, 지금 몇 단계일까: 5분이면 끝나는 제조 AI 성숙도 자가진단
한 번쯤 이런 적 있으실 겁니다. 큰맘 먹고 AI를 들였습니다. 챗봇도 붙여 보고, 불량도 예측해 보고, PoC도 몇 번 돌렸습니다. 다들 좋다니까요. 그런데 막상 몇 달이 지나도 공장 돌아가는 모습은 예전이랑 별로 다르지 않습니다. 보고는 그럴듯한데 현장은 그대로고요. 그러면 슬슬 이런 생각이 들죠. "AI가 좋다…
기술
제조 현장 AI는 왜 자꾸 틀릴까: 검색을 네 갈래로 쪼갠 이야기
현장에 데모를 들고 가면 거의 매번 똑같은 장면이 나옵니다. 공장장님이 팔짱을 끼고 한참 보다가 이렇게 말씀하세요. "답은 잘 하네. 근데 이거 믿고 일해도 돼요?"
← 이전2 / 2