하만 AI 스마트팩토리 사례, 생산성 30% 올린 3단계 도입 프레임워크: 데이터 수집, 예측, 자동화

하만 AI 스마트팩토리는 무엇을 얼마나 바꿨나?

공개된 수치는 세 가지다. 4개 제조 사이트의 총 실장 물량 약 30% 증가, 100만 개당 불량 수(DPMU) 37% 개선, 설비종합효율(OEE) 6~8%p 상승. 파트너인 아치 시스템즈(Arch Systems)의 팩토리 인텔리전스 플랫폼을 중국 쑤저우 공장에 먼저 적용(등대 배포)한 뒤 검증된 방식만 다른 공장으로 복제했다.

하만은 JBL, 하만카돈 같은 오디오 브랜드로 알려져 있지만 실제로는 차량용 전장 부품을 만드는 삼성전자 자회사다. 전장 생산라인의 SMT(표면실장) 공정은 초당 단위로 부품을 기판에 얹는 공정이라, 실장 물량이 곧 생산성 지표가 된다. 그 물량이 설비 증설 없이 30% 늘었다는 것은 기계가 놀던 시간과 불량으로 버려지던 시간을 데이터로 찾아내 회수했다는 뜻이다.

하만 오토모티브의 제조혁신 부사장 돈 반스(Don Barnes)는 이번 패널을 앞두고 "우리에게 AI는 제조 사이트 전반의 품질과 생산성을 끌어올리는 조력자(enabler)"라고 말했다. 도구가 주인공이 아니라는 화법인데, 실제 도입 경과를 보면 말 그대로다. 가장 화려한 기술(에이전틱 AI)은 가장 마지막에 들어갔다.

AI 스마트팩토리의 성패는 자동화 단계가 아니라 데이터 수집 단계에서 이미 결정된다.

3단계 도입 프레임워크: 왜 데이터 수집이 먼저인가?

예측과 자동화는 모두 데이터를 먹고 산다. 데이터가 연결되지 않은 상태에서 자동화부터 시작하면, AI는 현장을 모른 채 실행만 하게 된다. 하만의 실제 전개 순서도 데이터 연결 → 알림·워크플로우(예측) → 에이전틱 AI(자동화)였다. 각 단계에는 다음 단계로 넘어가도 되는지 판단하는 체크포인트가 있다.

1단계 데이터 수집: 흩어진 신호를 한 화면으로

하만이 처음 한 일은 기계 데이터와 생산 데이터를 실시간으로 플랫폼에 연결하는 것이었다. 설비마다 제조사도 프로토콜도 다른 신호를 하나의 화면에서 보이게 만드는 일로, 가장 지루하고 가장 오래 걸리는 단계다. 체크포인트: "지금 라인(업무)이 어떤 상태인지 5분 안에 숫자로 말할 수 있는가." 이 질문에 답하지 못하면 다음 단계의 예측은 감으로 하는 예측이 된다.

2단계 예측: 사람이 찾기 전에 신호가 먼저 오게

데이터가 모이면 그 위에 우선순위 알림과 역할 기반 가이드 워크플로우를 얹는다. 문제가 커지기 전에 이상 신호를 감지해 담당자에게 먼저 알리고, 무엇을 확인해야 하는지 순서를 제시하는 구조다. 사람의 일이 "문제를 찾아다니는 것"에서 "온 알림을 판단하는 것"으로 바뀐다. 체크포인트: "문제를 사람이 먼저 발견하는 비율이 줄고 있는가."

3단계 자동화: 조사와 조치 추천까지 위임

하만이 최근 추가한 단계가 에이전틱 AI 기반 품질 조사 자동화다. 광학검사(AOI)와 회로검사(ICT)에서 불량이 잡히면, AI 에이전트가 공정 상류로 거슬러 올라가 원인을 추적하고 교정 조치를 추천한다. 사람이 하던 원인 조사 자체를 위임한 것이다. 이 프로젝트의 공식 명칭이 "에이전틱 AI로 팩토리 인텔리전스 확장하기"인 이유가 여기 있다. 체크포인트: "AI의 추천을 사람이 검토하는 관문이 있고, 추천이 틀렸을 때의 기록이 남는가."

순서를 요약하면 이렇다. 보이게 만들고(수집), 먼저 알게 만들고(예측), 그다음에 맡긴다(자동화). 거꾸로 가면 각 단계의 실패가 다음 단계에서 증폭된다.

개인과 팀 단위에 적용하면 어떤 순서가 되나?

공장의 3단계는 규모만 다를 뿐 개인 업무에도 그대로 대응된다. 1단계 기록(내 반복 업무의 목록·소요 시간·오류), 2단계 예측(AI가 기록을 읽고 병목을 먼저 짚어주게), 3단계 위임(검증 관문을 붙이고 실행을 맡기기). 여기서도 대부분의 실패는 1단계를 건너뛰고 3단계부터 시작할 때 일어난다.

기업 교육 현장에서 이 순서를 프레임워크로 만들어 쓰고 있다. 국내 대기업 전략부문의 재무·회계 실무자를 대상으로 풀데이 워크숍을 진행할 때 하네스 엔지니어링 프레임워크(Prompt → Context → Harness → Loop)를 기반으로 했는데, 구조가 하만의 순서와 정확히 겹친다. Context가 데이터 수집에, Harness(권한과 검증 관문 설계)가 자동화 직전의 안전장치에, Loop(측정과 개선)가 체크포인트에 해당한다. 공장이든 사무직이든, AI에 일을 맡기는 구조의 뼈대는 같다.

개인 버전의 체크포인트를 단계별로 적으면 이렇다.

• 1단계 통과 기준: 지난주에 반복한 업무를 항목·횟수·소요 시간으로 적을 수 있다. 못 적겠다면 이번 주는 기록만 한다
• 2단계 통과 기준: AI에게 기록을 주고 "가장 시간을 많이 먹는 병목 3개"를 받아봤고, 그중 하나 이상이 예상과 달랐다(예상과 다 같다면 기록이 부실할 가능성이 크다)
• 3단계 통과 기준: 자동화한 업무에 "외부로 나가기 전 사람이 확인하는 지점"이 정의되어 있다

사무직 기준의 구체적인 실행 방법(도구 선택, 첫 자동화 대상 고르기)은 직장인이 외주 없이 AI로 반복 업무를 자동화하는 3단계에 따로 정리해뒀다. 이번 글이 순서와 체크포인트라면, 그 글은 실행편이다.

국내 도입 시 참고할 기준선은 무엇인가?

하만의 30%는 예외적 성공이 아니라 반복되는 패턴에 가깝다. 산업통상자원부가 지원한 AI 팩토리 170곳에서 생산성 평균 30.1% 향상, 불량률 평균 15.5% 감소가 확인됐고, 정부는 2030년까지 AI 팩토리를 500곳으로 늘릴 계획이다. 삼성전자도 2030년까지 국내외 생산 공장의 AI 자율공장 전환을 공식화했다.

숫자가 비슷하게 반복된다는 것은 "AI를 쓰면 30% 오른다"는 뜻이 아니다. 데이터 수집부터 순서대로 밟은 조직에서 30% 수준의 개선이 관측된다는 뜻이고, 뒤집으면 순서를 건너뛴 조직의 실패는 이런 통계에 잡히지 않는다는 뜻이기도 하다. 도입 결정 전에 물어야 할 질문은 "우리도 AI를 도입해야 하나"가 아니라 "우리는 지금 몇 단계에 있나"다.

단계 진단이 중요한 또 하나의 이유는 투자 배분이다. 1단계(데이터 수집)에 있는 조직이 3단계(에이전틱 AI) 솔루션을 사면, 도구 비용보다 데이터 정비 비용이 뒤늦게 청구된다. 에이전트에게 실행을 맡기기 전 갖춰야 할 권한·검증 설계는 하네스 엔지니어링 총론에서 단계별로 다뤘다.