Factory Booster Day: Stellantis가 63개 공장의 현장 과제에 외부 해법을 붙이는 방식

공장 AI를 본사가 골라 내려보내지 않고 공장이 먼저 문제를 내놓게 한 뒤 외부 해법을 맞붙이는 방식입니다. Stellantis는 63개 공장의 과제에 280여 곳이 답했고 프레스 공장 한 곳의 감시 시스템은 연간 투자의 약 4배를 아낀다고 발표했습니다. 우리 회사에 옮기려면 과제를 같은 양식으로 받는 접수 틀, 파일럿 성과를 같은 식으로 재는 절감 계산, 다른 라인에 다시 맞추는 확산 절차가 함께 있어야 합니다.

요약

Stellantis는 2026년 10월 21일 미국 Auburn Hills에서 Factory Booster Day를 열고 다음 날 보도자료를 냈습니다. 행사의 뼈대는 Open Challenge(공장이 과제를 공개하고 외부가 해법을 내는 공모)입니다. 전 지역 63개 공장의 현장 팀이 실제 운영 과제를 냈고 공급사와 스타트업 280여 곳이 해법을 제출했습니다. 회사는 그중 80여 곳을 골라 행사에서 발표하게 했습니다. 해법 분야는 AI, 자동화, 첨단 로보틱스, 비전 시스템, 에너지 관리, 디지털 제조입니다. 행사에는 경영진이 제조 우선순위를 설명하는 Beyond the Booths 세션과, 직원·공장의 기여를 시상하는 Innovation Global Awards도 함께 열렸습니다. 회사는 이 프로그램이 2016년에 시작됐다고 밝힙니다.

회사가 내세운 사례는 세 나라에서 하나씩입니다. 미국 Sterling(미시간) 프레스 공장은 미시간의 산업용 AI 기업 ThinkDigits와 blank draw-in(프레스 성형 때 철판 가장자리가 금형 안으로 끌려 들어가는 양)을 실시간으로 감시해, 성형 편차를 더 일찍 잡고 공정 제어를 강화했습니다. 회사는 연간 절감액이 초기 투자의 약 4배라고 밝혔고 다른 생산 라인으로 넓힐 계획입니다. 스페인 Zaragoza 공장은 ZEISS와 함께 전용 검사 지그 없이 프레스 부품의 형상을 재는 방식을 들였고 프랑스 Sochaux 공장은 Uptale과 함께 종이 작업 지시서를 몰입형 디지털 교육과 가상 라인 견학으로 바꿨습니다. 공장의 실제 문제에서 출발하고 바로 배치할 수 있는 해법에 집중하니 현장 혁신이 빨라진다는 것이 회사의 설명이고 세 사례를 2030 전략 계획 FaSTLAne 2030의 품질 목표와 연결합니다. 아래에서는 이 구조가 굴러가는 원리를 풀고 우리 공장에서 과제 접수부터 확산까지 돌릴 때 필요한 기술 설정과 일정을 덧붙였습니다.

핵심 메커니즘

Open Challenge: 공장이 문제를 내고 외부가 답하는 공모

Open Challenge는 기술을 먼저 고르지 않고 문제부터 모으는 조달 방식입니다. 입력은 각 공장 팀이 적어 낸 실제 운영 과제이고 처리 단계에서 회사가 그 과제에 맞는 공급사·스타트업의 해법을 짝지으며 출력은 품질·효율·안전·지속가능성을 높이는 현장 프로젝트입니다. 63개 공장이 같은 창구로 과제를 내니, 본사는 어느 공정에 어떤 문제가 몰려 있는지 한 번에 봅니다. 외부 기업은 막연한 기술 소개 대신 특정 공장의 특정 문제에 답을 냅니다. 문제와 성과 지표가 분명한 공정 개선 과제에 잘 맞고 여러 부서가 함께 바꿔야 하는 전사 시스템 교체에는 맞지 않습니다. 가상 예시로, 한 차체 공장이 “도장 전 이물 불량을 검사원 눈으로 잡는다”는 과제를 내면 비전 검사 스타트업 몇 곳이 그 라인 조건에 맞춘 제안서를 냅니다.

Factory Booster Day: 280여 개 제안을 80여 개 발표로 좁히는 자리

Factory Booster Day는 Open Challenge의 결과를 한자리에 모으는 행사입니다. 제출된 280여 개 해법 가운데 80여 개만 발표 기회를 얻으니, 행사 전에 이미 한 차례 거르기가 끝난 셈입니다. 발표장에서는 공장 리더가 자기 과제에 맞춘 해법을 직접 보고 Beyond the Booths 세션에서 경영진이 제조 우선순위를 설명해 외부 기업이 다음 제안의 방향을 잡게 합니다. Innovation Global Awards는 외부 기업이 아니라 사내 직원과 공장의 기여를 시상합니다. 과제를 낸 현장이 상을 받으니, 다음 해에도 공장이 과제를 낼 이유가 생깁니다. 이런 행사는 공장 수가 많고 비슷한 공정이 여러 곳에 있을 때 효과가 큽니다. 공장 두세 곳뿐인 회사라면 행사보다 분기별 공모가 더 가볍습니다.

Real-time Draw-in Monitoring: 프레스 성형 편차를 타발마다 잡는 감시

프레스로 철판(blank)을 눌러 차체 부품을 만들 때, 철판 가장자리는 금형 안쪽으로 조금씩 끌려 들어갑니다. 이 이동량이 draw-in입니다. 너무 많이 끌려 들어가면 주름이 생기고 너무 적으면 철판이 늘어나다 찢어집니다. 그래서 draw-in은 부품 품질을 미리 알려 주는 지표로 쓰입니다. 실시간 감시는 타발마다 이 값을 재서 정상 범위와 비교하고 벗어나기 시작하면 불량이 쌓이기 전에 알립니다. 보도자료는 ThinkDigits의 해법이 성형 편차를 더 일찍 찾아 공정 제어를 강화한다고만 밝히고 센서나 모델 구성은 공개하지 않았습니다. 같은 문제를 다룬 Oak Ridge 국립연구소의 연구(USCAR·AutoForm 협업)는 공정 변수 15개로 draw-in을 예측하고 거꾸로 원하는 draw-in을 내는 공정 변수도 예측해 한 생산 주기 안에 공정을 보정하는 방향을 제시합니다. 이 감시는 같은 부품을 대량으로 찍는 라인에 맞고 금형을 자주 바꾸는 소량 다품종 라인에서는 기준선을 잡기 어렵습니다.

Scale-out: 한 라인의 성과를 다른 라인과 공장으로 넓히기

회사는 성공한 프로젝트를 여러 공장에 적용할 수 있게 준비해, 아이디어를 산업 배치로 옮긴다고 설명합니다. Sterling 사례도 다음 단계로 다른 생산 라인 확장을 꼽았습니다. 순서는 한 라인 파일럿, 투자 대비 절감 확인, 같은 공장의 다른 라인, 같은 공정을 가진 다른 공장입니다. 63개 공장의 과제를 한 창구에서 받았기 때문에, 한 공장에서 통한 해법을 같은 문제를 낸 다른 공장에 바로 연결됩니다. 확산은 공정이 표준화된 회사일수록 빠르고 공장마다 설비와 데이터 형식이 다르면 라인마다 다시 맞추는 비용이 듭니다.

통념과 다른 주장

회사가 든 사례

Sterling 프레스 공장(미국): ThinkDigits의 실시간 draw-in 감시

• 상황: 미시간 Sterling 프레스 공장에서 성형 편차를 늦게 발견하는 문제.
• 한 일: 미시간의 산업용 AI 기업 ThinkDigits와 blank draw-in을 실시간으로 감시해 편차를 더 일찍 잡고 공정 제어를 강화했습니다.
• 결과: 회사 발표로 연간 절감액이 초기 투자의 약 4배입니다. 투자액과 절감액 자체는 공개하지 않았습니다. 다음 단계는 다른 생산 라인 확장입니다.
• 연결: Real-time Draw-in Monitoring과 Scale-out의 사례입니다.

Zaragoza 공장(스페인): ZEISS의 지그 없는 형상 측정

• 상황: 프레스 부품의 형상을 재려면 부품마다 전용 검사 지그(부품을 고정하는 치구)가 필요했습니다.
• 한 일: ZEISS와 함께 지그 없이 형상을 측정하는 방식을 들였습니다.
• 결과: 회사는 검사 유연성이 높아졌고 낮은 도입 비용으로 큰 운영 효과를 얻었다고 밝혔습니다. 수치는 공개하지 않았습니다.
• 연결: Open Challenge가 AI 외에 비전·계측 해법까지 받는다는 사례입니다.

Sochaux 공장(프랑스): Uptale의 몰입형 교육과 가상 견학

• 상황: 작업 교육이 종이 지시서에 기대고 있었습니다.
• 한 일: Uptale과 함께 몰입형 디지털 교육 모듈과 가상 생산 라인 견학을 만들어 종이 지시서를 대체했습니다.
• 결과: 원격에서도 제조 공정을 볼 수 있게 됐고 회사는 교육이 더 몰입감 있고 넓게 쓸 수 있게 됐다고 밝혔습니다. 수치는 공개하지 않았습니다.
• 연결: 과제가 설비만이 아니라 사람의 숙련 전달에서도 나온다는 사례입니다.

기술 디테일: 우리 공장에서 이 구조를 돌리려면

과제 접수부터 같은 양식으로 받습니다(Open Challenge). 공장마다 과제를 자유 문장으로 받으면 비교도 묶기도 어렵습니다. 아래처럼 필드를 정한 양식으로 받고 현장이 자유롭게 쓴 글은 LLM으로 이 필드에 맞춰 정리한 뒤 담당자가 확인합니다. 언어가 다른 공장의 과제도 같은 필드로 모이니, 임베딩 유사도로 비슷한 과제를 묶어 “여러 공장의 공통 과제”가 드러납니다. 공통 과제가 곧 확산 후보입니다. 금액 필드는 LLM이 추정하지 않게 하고 모르면 null로 두게 합니다.

{
  "challenge_id": "PLT07-STP-0012",
  "plant": "가상 공장 7", "line": "프레스 2라인", "process": "stamping",
  "problem": "도어 아우터 패널 균열을 최종 검사에서야 발견",
  "current_kpi": {"name": "scrap_rate", "value": null, "unit": "%"},
  "target_kpi": {"name": "scrap_rate", "value": null, "unit": "%"},
  "annual_loss_estimate": null,
  "data_available": ["press_plc_stroke", "coil_lot", "lube_log"],
  "constraints": ["OT 네트워크 외부 접속 금지", "라인 정지 없이 설치"],
  "owner": "프레스 생산 팀장",
  "similar_challenges": ["PLT02-STP-0004"]
}

해법 제안도 같은 필드로 받아 채점합니다. 제안서마다 과제 적합도, 설치 난이도(라인 정지 시간), 필요 데이터, 초기 비용을 05점으로 채점합니다. LLM 채점은 제안서 하나씩 따로 호출하고 temperature는 00.2로 둡니다. 같은 채점을 3회 돌려 표준편차가 1점을 넘는 항목만 공정 엔지니어가 다시 봅니다. 280개를 80개로 줄이는 1차 거르기는 이렇게 하고 최종 선정은 과제를 낸 공장 팀이 합니다.

draw-in 감시를 프로토타입으로 만들 때(Real-time Draw-in Monitoring). 금형 가장자리 4~8곳에 레이저 변위 센서나 카메라를 달아 타발마다 철판 가장자리 위치를 재고 프레스 PLC의 스트로크 번호와 맞춰 저장합니다. 한 타발의 기록은 press_id, die_id, part_no, coil_lot, stroke_id, timestamp, 측정점별 drawin_mm, cushion_force, lube_state 정도면 시작하기에 충분합니다. 정상 생산 2주치로 금형(die_id)별 기준선을 잡고 측정점마다 관리 한계(평균 ±3σ)를 둡니다. 한 점만 보지 말고 여러 점이 함께 움직이는 패턴을 다변량 이상 탐지 모델로 봐야, 코일 로트나 윤활 상태처럼 원인이 같은 변화를 묶어 잡습니다. 다음 단계는 앞의 연구처럼 공정 변수로 draw-in을 예측하고 편차가 나면 쿠션 압력 같은 보정값을 제안하는 것입니다.

실패하는 경우를 먼저 막습니다. 금형을 바꾸거나 수리하면 기준선이 달라지므로 die_id와 수리 이력별로 기준선을 다시 잡습니다. 윤활유나 철 가루로 센서가 더러워지면 값이 튀니, 센서 자가 점검 신호를 따로 두고 이상 알림과 섞지 않습니다. 오탐이 많으면 현장이 알림을 끕니다. 그래서 처음 2주는 알림 없이 기록만 하는 shadow mode(그림자 운영)로 돌리고 실제 불량과 맞춰 본 뒤 알림을 켭니다.

절감액을 우리 숫자로 다시 계산합니다(Scale-out의 판단 근거). 회사가 밝힌 “약 4배”는 회사 발표이고 금액과 계산법이 공개되지 않았으므로 우리 판단에 그대로 쓰지 않습니다. 연간 절감액은 줄어든 스크랩 수 × 부품 단가, 줄어든 라인 정지 시간 × 시간당 손실, 줄어든 재작업 시간 × 인건비를 더해 계산하고 초기 투자에는 센서·설치·소프트웨어·교육·라인 정지 비용을 넣습니다. 파일럿 전 4주의 기준값을 먼저 재 두어야 비교가 됩니다.

확산할 때 다시 맞출 것. 같은 해법이라도 라인마다 금형과 프레스가 다르니 기준선과 관리 한계를 라인별로 다시 잡습니다. 다른 공장으로 갈 때는 OT 네트워크 보안 심사와 데이터 형식 변환이 가장 오래 걸립니다. 첫 파일럿 때 데이터 필드 이름을 표준으로 정해 두면 두 번째 공장부터 연결 작업이 줄어듭니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	맡는 일
과제 오너	라인 생산 팀장	과제 작성, 파일럿 라인 제공, 매일 알림 확인
공정 엔지니어	프레스·공정 담당 1명	측정점 선정, 기준선 확인, 제안서 기술 검토
품질 담당	품질팀 1명	불량 기준값 측정, 알림과 실제 불량 대조
외부 협력	구매 또는 오픈 이노베이션 담당	공모 공지, 제안서 접수, 파일럿 계약
IT·OT 보안	담당 1명	센서 데이터 반출 경로와 접속 권한 승인
재무	공장 원가 담당	절감액 계산식 승인, 결과 검증
AX 추진	본사 담당 1명	과제 데이터베이스 관리, 공통 과제 묶기, 확산 기준

시작 전에 모을 것. 공장별 최근 1년 스크랩·라인 정지·재작업 기록, 공정별 불량 상위 5개, 라인에서 이미 수집하는 데이터 목록(PLC, 검사 장비, 생산 실적), 외부 기업이 현장에 들어올 때의 보안·안전 규정, 파일럿 예산 상한입니다.

기간	할 일	산출물
1~2주	과제 양식 배포, 공장별 과제 접수, 비슷한 과제 묶기	과제 데이터베이스, 우선순위 상위 10개
3~4주	외부 공모, 제안서 구조화와 1차 채점, 공장 팀 최종 선정	과제별 선정 해법 1~2개
5~8주	한 라인 파일럿. 앞 2주는 shadow mode, 뒤 2주는 알림 운영	타발별 기록, 알림 대 실제 불량 대조표
9~10주	절감액 계산, 재무 검증, 진행 판정	1장 판정 보고서
11~12주	같은 공장 다른 라인과 같은 과제를 낸 공장에 확산 계획	확산 일정과 라인별 준비 목록

과제를 받을 때 공장 팀에 물을 것. 지난 분기에 이 문제로 버린 부품과 멈춘 시간은 얼마입니까? 문제를 지금 어디서 발견합니까(타발 직후, 최종 검사, 고객)? 이 공정에서 이미 기록하는 데이터는 무엇입니까? 해법이 들어오면 누가 매일 화면을 봅니까? 라인을 멈추지 않고 설치할 수 있는 시간대는 언제입니까?

진행 판정 기준(예시). 파일럿 4주 동안 알림이 실제 불량 발생보다 앞섰고 하루 오탐 알림이 라인당 3건 이하이며 재무가 승인한 계산으로 연간 절감액이 초기 투자의 2배 이상이면 확산합니다. 절감액이 1배에 못 미치거나 현장 담당자가 알림을 확인하지 않았다면 측정점과 알림 기준을 다시 정해 4주를 더 돌리고 그래도 안 되면 과제를 다음 순위 해법에 넘깁니다. 기준은 파일럿 전에 정해 둡니다.

AX 적용 제언. 공장이 여러 곳인 국내 제조사라면 연 1회 행사보다 상시 과제 접수 창구를 먼저 여는 편이 낫습니다. 과제 데이터베이스가 쌓이면 그 자체가 공장 AX 포트폴리오가 되고 같은 과제를 낸 공장 수가 많은 순으로 투자 순서를 정하면 됩니다. 첫 과제는 프레스·용접·도장처럼 같은 부품을 대량으로 만들고 불량 비용이 금액으로 바로 잡히는 공정에서 고릅니다. 현업 스폰서는 공장장, 확산 책임은 본사 AX 조직에 두고 재무가 절감 계산식을 처음부터 승인하게 해야 파일럿 뒤 확산 예산 논의가 짧아집니다. 행사는 과제와 성과가 몇 번 쌓인 뒤, 공장끼리 해법을 나누는 자리로 여는 순서가 맞습니다.

원문 사례

항목	내용
발표처	Stellantis 보도자료(2026.10.22, Auburn Hills), 행사는 2026.10.21
프로그램	Factory Booster Day, Open Challenge 방식. 회사 발표로 2016년 시작
규모	과제 제출 63개 공장(전 지역), 해법 제출 280여 곳, 행사 발표 80여 곳
해법 분야	AI, 자동화, 첨단 로보틱스, 비전 시스템, 에너지 관리, 디지털 제조
행사 구성	해법 발표, Beyond the Booths(경영진 세션), Innovation Global Awards(직원·공장 시상)
미국 사례	Sterling(미시간) 프레스 공장 × ThinkDigits, 실시간 blank draw-in 감시. 연간 절감액이 초기 투자의 약 4배, 다른 라인으로 확장 예정
스페인 사례	Zaragoza 공장 × ZEISS, 전용 지그 없는 프레스 부품 형상 측정. 수치 미공개
프랑스 사례	Sochaux 공장 × Uptale, 몰입형 디지털 교육과 가상 라인 견학으로 종이 지시서 대체. 수치 미공개
발언	Francesco Ciancia(최고제조책임자): 제조 팀과 공급사의 협업, 실제 공장 과제에서 출발한 배치 가능한 해법 강조
연결 전략	FaSTLAne 2030 전략 계획, 차량 품질과 소유 경험
공개하지 않은 것	투자·절감 금액, 나머지 공급사와 공장 이름, 전면 배치에 이른 프로젝트 수

핵심 개념

blank

프레스에 넣기 전, 부품 모양에 맞춰 잘라 둔 평평한 철판.

stamping(프레스 성형)

금형 사이에 철판을 넣고 눌러 차체 패널 같은 부품 모양을 만드는 공정.

checking fixture(검사 지그)

부품을 정해진 자리에 고정해 형상이 맞는지 재는 전용 치구. 부품마다 따로 만들어야 합니다.

shadow mode

새 시스템을 실제 운영에 영향 없이 나란히 돌려 기록만 하며 정확도를 확인하는 단계.

관리 한계(control limit)

정상 공정에서 값이 흩어지는 범위. 보통 평균 ±3σ로 잡고 벗어나면 이상으로 봅니다.

FaSTLAne 2030

Stellantis가 보도자료에서 세 사례와 연결한 2030 전략 계획.

내 메모

TODO: 내 생각 추가

원문: Stellantis 보도자료 「Factory Booster Day 2026 Accelerates Innovation Across Stellantis Global Manufacturing Network」(2026.10.22). 수치와 효과는 모두 회사 발표이며 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 보도자료 내용을 AX Review가 다시 정리했습니다. draw-in의 일반 원리와 예측 방향은 Oak Ridge 국립연구소의 발표 「AI-assisted feedback to sheet metal stamping processes for automotive applications」(TechConnect World 2024)로 보강했고 ThinkDigits 해법의 실제 구성과는 별개입니다. 기술·현업 실행 디테일, JSON 예시, 계산틀, 일정, 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했습니다. 전체 내용은 원문 링크에서 볼 수 있습니다.