AI Park: GE Appliances가 공장 직원에게 AI 도구를 열어 주고 성과 난 시범만 넓히는 방식

GE Appliances는 공식 지원 AI 도구를 모은 디지털 허브 AI Park를 열고 공장 현장이 자기 문제를 자기 예산으로 풀게 합니다. 쓸모가 입증된 시범만 같은 문제를 가진 공장으로 넓힙니다. 따라 하려면 도구 목록과 IT 가드레일을 먼저 정하고 시범마다 기준선과 절감액을 재는 등록 양식을 갖춰야 합니다.

요약

IndustryWeek의 Dennis Scimeca 기자는 가전 제조사 GE Appliances가 AI 개발을 IT 부서에 모아 두지 않고 현장 직원에게 맡기는 방식을 소개했습니다. 중심에는 AI Park가 있습니다. 회사가 공식 지원하는 AI 제작 도구를 한곳에 모은 디지털 허브입니다. 회사는 이를 대학 캠퍼스 등에서 운영해 온 제작 공간 FirstBuild의 가상판으로 봅니다. 지원은 린(lean, 낭비를 줄이는 생산 방식) 조직 아래의 AI Lab이 맡습니다. IT는 안전·보안·법무 가드레일을 걸고 예산은 각 공장이 냅니다. 제조 담당 부사장 Bill Good은 AI를 쓸 준비가 된 사람에게 “the prompt’s the limit”라고 말합니다.

기사는 공장이 스스로 시작한 시범 세 건을 들었습니다. AP5 공장의 3D 비전 표면 검사는 약 3개월 만에 투자를 회수했고 지금까지 120만 달러를 아꼈습니다. AP3 공장의 비전 누수 판정은 사람이 87%였던 정확도를 99%로 올렸습니다. 라인 밸런싱 앱 LineBalancer는 약 150만 달러를 아낀 것으로 회사는 추정합니다. 린 담당 시니어 디렉터 Richard Calvaruso는 AI가 린과 잘 맞는 이유로 둘 다 낭비를 줄이는 일이고 그중 가장 큰 낭비가 되돌릴 수 없는 시간이라는 점을 듭니다. 아래에서는 이 구조를 네 가지 메커니즘으로 풀고 세 사례와 실제로 돌릴 때 필요한 기술·현업 디테일을 붙입니다.

핵심 메커니즘

AI Park: 공장 직원이 쓰는 가상 maker space

AI Park는 회사가 승인한 AI 제작 도구를 모아 둔 사내 허브입니다. 작동 방식은 단순합니다. 중앙이 도구를 고르고 열어 두면(입력), 현장 직원·감독자·공장 팀이 자기 문제에 맞는 해법을 직접 만들고(처리), 쓸모가 보인 결과물이 시범으로 올라옵니다(출력). 회사는 이를 FirstBuild의 확장으로 설명합니다. FirstBuild는 University of Louisville에서 시작한 제작 공간으로, 2023년 Connecticut주 Stamford에 두 번째 공개 공간을 열었습니다. CEO Kevin Nolan이 두 공간에 힘을 실어 왔습니다. 물리 공간에서 주던 만들 자유를 AI 도구로 옮긴 셈입니다. AI Park에 어떤 도구가 들어 있는지는 기사에 나오지 않습니다. 이 방식은 현장 문제가 많고 흩어져 있을 때 맞습니다. 반대로 한 번의 실수가 큰 사고로 번지는 설비 제어처럼 위험이 큰 영역에는 별도 승인 절차를 둬야 합니다.

AI Lab과 IT 가드레일: 돕는 조직과 막는 조직을 나누기

두 번째 메커니즘은 역할을 나누는 방식입니다. Bill Good이 만든 AI Lab은 Calvaruso가 이끄는 린 조직 아래에 있습니다. AI Lab은 승인된 도구를 지원하지만 프로젝트를 위에서 밀어붙이지는 않습니다. IT는 안전 가드레일을 세우고 사이버 보안 리스크와 법적 문제를 막는 거버넌스를 맡습니다. Good은 이것이 IT 본연의 일이라고 봅니다. 돈은 공장에서 나옵니다. 세 시범 모두 공장 예산으로 이뤄졌습니다. 이렇게 나누면 무엇을 풀지는 현장이 정하고 무엇을 하면 안 되는지는 IT가 정합니다. 기사는 AI Lab의 인원 규모와 도구 승인 절차를 밝히지 않았습니다.

Problem-first와 중복 문제 찾기: 확장할 시범 고르기

세 번째는 시범을 고르고 넓히는 방식입니다. Calvaruso는 도구가 아니라 문제에서 출발해야 한다고 말합니다. 한 공장의 실제 문제를 푼 해법은 같은 문제를 가진 다른 공장에도 쓸모가 있기 때문입니다. 흐름은 이렇습니다. 현장이 아이디어를 내고 공장 관리 총괄 Tim Vibbert가 유망한 것을 Good에게 올립니다. Good은 조직 전체에서 비슷한 문제를 찾아보고 넓게 통할 해법이면 확장을 결정합니다. Vibbert는 큰 건이면 바로 확장하자고 밀어 준다고 말합니다. 표면 검사가 AP5에서 Appliance Park 전체로 넓어지는 것이 이 흐름의 예입니다.

Lean과 AI: 시간을 가장 큰 낭비로 보기

네 번째는 AI를 어느 조직이 맡느냐입니다. GE Appliances는 AI 지원 조직을 린 조직 아래에 두었습니다. Calvaruso는 AI가 결국 낭비를 줄이는 도구이므로 린 방법론에 꼭 들어맞는다고 봅니다. 그리고 낭비 가운데 가장 큰 것으로 시간을 꼽습니다. 한번 쓴 시간은 되찾을 수 없기 때문입니다. 세 사례도 모두 시간을 겨냥합니다. 사람이 오래 들여다보던 검사를 비전이 대신하고 종이로 하던 계산을 앱이 즉시 해 줍니다. 린 활동을 하던 조직이라면 기존 개선 과제 목록을 그대로 AI 후보 목록으로 쓸 수 있다는 뜻입니다.

통념과 다른 주장

저자가 든 사례

AP5: 냉장고 도어 표면 검사

항목	내용
상황	보호 필름을 벗긴 냉장고 도어(약 3×6피트, 18제곱피트 강판)를 작업자가 눈으로 훑어 긁힘·찍힘을 찾음. 하루 종일 하면 지치고 사이클 타임 안에 98~99% 신뢰도로 잡기는 매우 어려움
한 일	3D 이미징 비전 시스템이 60개 넘는 SKU를 비교 분석하고 품질 문제를 찾으면 바로 정비 인력에게 알림
결과	약 3개월 만에 투자 회수, 지금까지 120만 달러 절감, Appliance Park 전체로 확장 중(카메라 기종·공급사·확장 일정은 원문에서 밝히지 않음)
연결	AI Park, Problem-first와 중복 문제 찾기

AP3: 식기세척기 누수 판정

항목	내용
상황	작업자가 라인 위 식기세척기 아랫면의 결로(누수 신호)를 직접 확인. 느리고 하기 싫은 일
한 일	비전 시스템이 아랫면을 훑어 결로를 찾고 원인일 가능성이 큰 부품을 추정해 작업자가 해당 상류 공정에 알리게 함
결과	판정 정확도 사람 87% → 시스템 99%, 설치 뒤 결로 점검 구간을 통과하는 의심품 12% 감소(기준값과 다른 공장 확장 여부는 원문에서 밝히지 않음)
연결	Lean과 AI, AI Lab과 IT 가드레일

LineBalancer: 손 계산을 대신한 라인 밸런싱 앱

항목	내용
상황	감독자와 개선 담당이 라인 상태, 라인 속도, 택트 타임, 비가동 시간을 종이나 스프레드시트로 계산
한 일	AI의 도움으로 만든 시뮬레이션 앱. PC와 모바일에서 돌고 표준 템플릿이 있으며 속도를 바꾸면 어떻게 되는지 바로 따져 볼 수 있음. Rockwell Automation의 본격 시뮬레이션 소프트웨어를 보완하는 가벼운 도구
결과	도입 뒤 약 150만 달러 절감 추정. 감독자 교육 도구로도 쓰이고 작업자와 감독자가 현장에서 바로 효율을 조정하기 시작함(사용 공장 수는 원문에서 밝히지 않음)
연결	Lean과 AI, AI Park

기술 디테일: 도구 허브와 현장 앱을 실제로 돌리려면

아래는 원문의 메커니즘과 사례를 다른 제조사에서 돌릴 때 필요한 구성을 새로 작성한 것입니다. 도구 이름, 필드, 임계값은 모두 가상 예시입니다.

AI Park 같은 허브를 열려면 도구 카탈로그를 데이터 등급과 묶어 둡니다. 카탈로그에는 도구마다 허용 데이터 등급(공개, 사내, 기밀)을 적습니다. 범용 LLM 채팅은 사내 문서까지, 노코드 앱 빌더는 공장 운영 데이터까지, 비전 학습 도구는 라인 이미지까지 허용하는 식입니다. 도면, 원가, 고객 정보 같은 기밀 등급은 외부 서비스로 나가지 않게 IT가 프록시에서 막습니다. 호출 로그는 90일 이상 보관해 감사와 사고 조사에 씁니다. 이것이 IT 가드레일을 문서가 아니라 시스템으로 거는 방법입니다.

공장 시범은 등록 양식 한 장으로 시작합니다. 확장 판단을 하려면 시범마다 같은 필드로 기록이 남아야 합니다. 아래는 AP3 같은 누수 판정 시범을 등록하는 예시입니다. 핵심은 baseline(시작 전 기준선)과 similar_problems(같은 문제를 가진 다른 공장)입니다. 기준선이 없으면 87%에서 99% 같은 비교를 만들 수 없습니다. 중복 문제 필드는 등록부 전체를 임베딩 검색으로 훑어 비슷한 problem 문장을 자동 추천하게 하면 채우기 쉽습니다. 유사도 0.8 이상을 후보로 띄우고 사람이 확인합니다.

{
  "project_id": "AP3-2026-014",
  "plant": "AP3",
  "problem": "식기세척기 하부 결로 확인이 느리고 놓침이 잦음",
  "waste_type": "검사 시간",
  "baseline": {"accuracy_pct": 87, "measured_on": "2026-10-01", "sample_n": 500},
  "tool": "AI Park 승인 도구: 비전 학습 키트",
  "data_class": "사내",
  "owner": "라인 감독자",
  "budget_source": "공장",
  "similar_problems": ["AP?-하부 누수 확인"],
  "status": "pilot"
}

비전 검사는 신뢰도로 갈라 사람 재확인을 남깁니다. 표면 검사와 누수 판정은 같은 구조로 돌릴 수 있습니다. 한 대마다 판정 결과를 아래처럼 남깁니다. confidence 0.9 이상은 자동 판정, 0.6~0.9는 작업자 재확인, 0.6 미만은 불량 의심으로 빼냅니다. suspected_component와 upstream_process가 있어야 AP3처럼 원인 공정에 바로 알릴 수 있습니다. 60개 넘는 SKU를 다루려면 SKU마다 정상 기준 이미지를 최소 수십 장 확보하고 새 SKU가 들어오면 기준 이미지를 먼저 등록한 뒤 판정을 켭니다. 정확도는 같은 표본(예: 500대)을 사람과 시스템이 각각 판정하고 정답과 맞춰 비교해야 공정합니다. 사람이 놓쳤다 재확인한 건은 주 1회 모아 다시 학습시킵니다. 불량 이미지가 적은 초기에는 정상 이미지만으로 배우는 이상 탐지 모델로 시작하고 불량 이미지가 쌓이면 결함 종류를 나누는 분류 모델을 더합니다. 조명이나 필름 잔여물 때문에 오판이 갑자기 늘 수 있으니 model_version별 오판율을 매일 봅니다. 하루 오판율이 기준선의 2배를 넘으면 자동 판정을 끄고 전량 재확인으로 돌립니다.

{
  "unit_serial": "DW-240511-0932",
  "sku": "DW-A12",
  "station": "condensation_check",
  "image_id": "cam2/20261106/0932.png",
  "result": "suspect_leak",
  "suspected_component": "inlet_valve",
  "confidence": 0.82,
  "route": "human_recheck",
  "upstream_process": "valve_assembly",
  "model_version": "leak-v1.3"
}

LineBalancer 같은 계산 앱은 계산을 코드로 고정합니다. 택트 타임(가용 생산 시간을 수요로 나눈 값)과 라인 속도는 정해진 공식이므로 LLM이 매번 계산하게 두지 않습니다. AI는 앱 화면과 공식 코드를 짜는 데 쓰고 계산은 결정적 함수로 고정합니다. 템플릿에는 라인 ID, 공정별 작업 시간, 작업자 수, 교대당 가용 시간, 목표 생산량, 비가동 시간 필드를 둡니다. 배포 전에는 지난 한 달의 스프레드시트 계산 10건을 앱으로 다시 돌려 결과가 일치하는지 확인합니다. 본격 시뮬레이션이 필요한 설비 배치 변경은 기존 전용 소프트웨어로 넘깁니다.

현업 실행 디테일: 누가, 언제, 무엇을

공장 한 곳에서 AI Park 방식을 8주 동안 시범 운영하는 안입니다. 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
확장 결정	제조 담당 임원 1명	시범 결과 검토, 다른 공장 확장 결정
AI 지원	린·개선 조직 2~3명	승인 도구 교육, 등록부 관리, 막힌 시범 지원
거버넌스	IT·보안 1명, 법무 1명	도구 승인, 데이터 등급 규칙, 로그 점검
시범 주인	라인 감독자 1명	문제 선정, 기준선 측정, 결과 보고
만드는 사람	작업자·개선 담당 2~4명	도구로 해법 제작, 병행 측정
비용	공장장	시범 예산 승인

시작 전 준비물은 다섯 가지입니다. 승인 도구 3~5개와 데이터 등급표, 공장별 개선 과제 목록, 시범 등록 양식, 기준선 측정 방법(정확도·시간·불량 건수), 공장 예산 한도입니다.

기간	할 일	산출물
1~2주	공장별 과제 목록에서 시간 낭비가 큰 문제 3개 선정, 기준선 측정	시범 등록 3건, 기준선 표
3~6주	승인 도구로 해법 제작, 기존 방식과 병행 운영	병행 비교표, 오판 목록
7~8주	절감액·정확도·회수 기간 계산, 같은 문제를 가진 공장 찾기	1쪽 판정서, 확장 후보 공장 목록

확인 질문도 정해 둡니다. 이 문제에 하루 몇 시간이 들어가나. 같은 일을 하는 라인이 다른 공장에 몇 개 있나. 사람이 지금 몇 %를 잡아내나. 시스템이 틀렸을 때 누가 어떻게 알아채나. 쓰는 데이터 중 외부로 나가면 안 되는 것은 무엇인가.

**진행 판정 기준(예시)**은 세 가지입니다. 기준선보다 정확도나 처리 시간이 뚜렷이 나아질 것(정확도면 5%p 이상), 투자 회수 기간이 12개월 이내일 것, 같은 문제를 가진 라인이 다른 공장에 하나 이상 있을 것. 앞의 둘을 넘고 셋째가 없으면 그 공장 안에서만 계속 쓰고 확장 목록에는 올리지 않습니다.

AX 적용 제언. 이 사례는 AI를 IT 과제가 아니라 현장 개선 활동의 연장으로 놓은 경우입니다. 제조 고객사라면 이미 돌고 있는 린·TPM·6시그마 과제 목록을 AI 후보로 바로 쓰고 AI 지원 조직을 생산혁신팀 아래에 두는 편이 빠릅니다. 스폰서는 제조 담당 임원이 맡고 IT에는 승인 도구 목록과 데이터 반출 규칙을 2주 안에 내도록 요청합니다. 첫 성과는 검사처럼 기준선을 재기 쉽고 같은 공정이 여러 공장에 있는 영역에서 고릅니다. 공장 예산으로 시작하게 하면 현장이 진짜 아픈 문제를 고르게 됩니다. 전사 확장 예산은 회수 기간이 확인된 뒤에 붙입니다. 순서는 검사 시범 하나로 기준선과 회수 기간을 증명하고 이어 LineBalancer 같은 계산 앱으로 감독자 참여를 넓힌 뒤, 시범 등록부가 10건 정도 쌓이면 중복 문제 찾기와 확장 판정을 정례화하는 흐름이 무난합니다.

원문 사례

항목	내용
기사	IndustryWeek, Dennis Scimeca, 2026.11.5
등장 인물	Bill Good(제조 담당 부사장), Richard Calvaruso(린 담당 시니어 디렉터), Tim Vibbert(공장 관리 총괄), Kevin Nolan(CEO)
AI Park	공식 지원 AI 제작 도구를 모은 디지털 허브, FirstBuild 제작 공간의 가상판
운영 구조	AI Lab(린 조직 산하) 지원, IT 거버넌스(안전·보안·법무), 공장 예산
AP5 표면 검사	3D 비전, SKU 60개 이상 비교, 약 3개월 투자 회수, 누적 120만 달러 절감, Appliance Park로 확장 중
AP3 누수 판정	정확도 사람 87% → 시스템 99%, 의심품 통과 12% 감소, 원인 부품 추정
LineBalancer	라인 속도·택트 타임·비가동 계산 앱, PC·모바일, 약 150만 달러 절감 추정, 교육 도구로도 사용
함께 언급된 도구	Rockwell Automation 시뮬레이션 소프트웨어(별도 도구)

핵심 개념

FirstBuild

GE Appliances가 운영하는 공개 제작 공간입니다. University of Louisville에서 시작했고 2023년 Stamford에 두 번째 공간을 열었습니다.

maker space

누구나 장비와 도구를 써서 직접 만들어 볼 수 있게 열어 둔 작업 공간입니다.

takt time

가용 생산 시간을 고객 수요로 나눈 값으로, 제품 하나를 몇 초마다 내보내야 하는지를 뜻합니다(일반 정의).

line balancing

공정마다 작업량을 고르게 나눠 한 공정에 일이 몰려 라인 전체가 늦어지지 않게 하는 일입니다.

SKU

Stock Keeping Unit. 모델·색상·사양별로 나눈 제품 관리 단위입니다.

Appliance Park

GE Appliances의 대규모 생산 단지입니다. AP3, AP5는 단지 안 건물 이름입니다.

내 메모

TODO: 내 생각 추가

원문은 IndustryWeek에 실린 Dennis Scimeca의 「GE Appliances Created a Virtual Maker Space for AI」(2026.11.5)입니다. 후보 주소와 같은 원문 페이지를 읽었습니다. 요약, 핵심 메커니즘의 원문 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사에 나온 Bill Good, Richard Calvaruso, Tim Vibbert의 설명을 AX Review가 다시 정리했으며 절감액과 정확도는 회사 측 수치입니다. AI Park에 들어 있는 도구 이름, AI Lab 인원, 카메라 기종과 공급사는 기사에서 밝히지 않았습니다. 기술 디테일, 현업 실행 디테일, 표의 역할·일정·판정 기준, JSON 예시, 인포그래픽은 실제로 돌릴 때 필요한 내용을 새로 작성한 것입니다. takt time 정의는 일반적인 설명입니다. 전체 내용은 원문에서 볼 수 있습니다.