Mazak Foundation Model: 사내 데이터로 만든 기반 모델을 고객 공장 데이터로 키워 가공 노하우를 지키는 구상

Yamazaki Mazak은 사내 데이터로 사전 학습한 Mazak 기반 모델을 납품 때 고객 데이터로 조정하고 고객 공장에서 쓰면서 계속 학습시켜 그 공장만의 모델로 키우겠다고 밝혔습니다. 발표의 요지는 경쟁력이 모델보다 가공 기록이 다음 가공으로 돌아오는 학습 고리에서 나온다는 것입니다. 따라 하려면 장비 벤더의 AI를 기다리는 동안 우리 가공 프로그램과 수정 이유를 기록으로 쌓기 시작해야 합니다.

요약

2026년 10월 26~31일 도쿄 빅사이트에서 JIMTOF2026(제33회 일본국제공작기계견본시)이 열렸습니다. Yamazaki Mazak은 부스 세미나에서 제조업의 “비전의 소스”(秘伝のタレ, 가게마다 대물림해 온 비법 양념에 빗댄 현장 노하우)가 어디에 있는지를 주제로 삼았습니다. 연단에는 정책연구대학원대학 니시가키 준코 특임교수와 Yamazaki Mazak 사와다 요스케 상석집행임원(상품개발본부 부본부장)이 올랐고 MONOist의 미시마 가즈타카 기자가 11월 4일 내용을 정리했습니다. 출발점은 AI가 현장 노하우를 재현하게 되면 제조업의 강점이 어디에 남느냐는 물음이었습니다. 니시가키 교수는 교토부 우지시의 HILLTOP을 예로 들었습니다. 사와다 부본부장은 MAZATROL(Mazak 공작기계의 대화형 프로그래밍 방식) 프로그램을 축으로 한 자사 구상으로 답했습니다.

세미나 하나의 흐름. 질문 하나에 두 회사의 답, 그리고 같은 구조

사와다 부본부장이 밝힌 구상은 세 단계입니다. Mazak 사내 데이터로 기반 모델을 미리 학습시키고 기계를 납품할 때 고객 데이터로 조정해 고객 고유 모델을 만듭니다. 그다음 실제 공장에서 쓰면서 계속 학습시켜 다른 곳에 없는 고객 공장 고유 모델로 키웁니다. 노하우를 형식지로 바꾸면 경쟁사에 빼앗기지 않느냐는 물음에는 공장, 공정, 기기마다 가공 조건이 달라 다른 공장에 옮겨 써도 똑똑하게 일하지 못한다고 답했습니다. 니시가키 교수는 두 회사의 현장과 기반이 달라도 실가공에서 얻은 지식을 다음 가공과 판단에 되돌리는 구조는 같다고 짚었습니다. 그리고 경쟁의 초점이 개별 AI 모델에서 도입 뒤에도 똑똑해지는 학습 시스템으로 옮겨 가고 있다고 정리했습니다. 사와다 부본부장은 자사 AI 에이전트를 전개하기까지 약 2년이 걸린다고 밝히면서 “重要なのはこれらの仕組みや加工データだ”(중요한 것은 이 구조와 가공 데이터)라고 덧붙였습니다. 아래에서는 네 가지 작동 원리와 두 사례를 정리하고 이 구상을 우리 공장에서 미리 준비할 때 필요한 기술·현업 디테일을 붙입니다.

니시가키 교수의 정리. 오른쪽이 두 발표자가 말한 경쟁력의 자리

핵심 메커니즘

MAZATROL Program Record: 무엇을 어떻게 깎았는지가 남는 기록

사와다 부본부장은 암묵지를 형식지로 바꾸려면 먼저 업무로 무엇을 했는지를 파악해야 한다고 봅니다. Mazak에서 그 역할을 맡는 것이 MAZATROL 프로그램입니다. 프로그래머가 도면과 소재, 기계와 공구를 보고 프로그램을 짜면 무엇을 어떤 방법으로 가공했는지가 그 안에 상세하게 남습니다. 프로그램이 곧 업무 기록이 되는 셈입니다. 사와다 부본부장은 이 가공 내용이 회사마다 다른 고유 자산이고 경쟁력으로 이어질 수 있다고 말했습니다. 같은 부품군을 반복해 깎는 공장일수록 기록이 많이 쌓이고 쓸모도 커집니다. 프로그램이 개인 PC에 흩어져 있거나 현장에서 고친 값이 프로그램에 다시 반영되지 않으면 기록이 실제 가공과 어긋납니다. 가상 예시를 들면, 알루미늄 하우징 포켓을 깎을 때 숙련자가 떨림 때문에 이송 속도를 낮췄다면 낮춘 값과 그 이유가 함께 남아야 다음 프로그램이 같은 실수를 피합니다.

프로그램을 짜는 일 자체가 업무 기록을 남기는 일

Mazak Foundation Model: 기반, 고객, 공장으로 좁혀 가는 세 단계 모델

Mazak 기반 모델(Mazak Foundation Model)은 Mazak이 사내 데이터로 미리 학습시킨 공통 모델입니다. 납품 때 고객 데이터로 이 모델을 조정해 고객 고유 모델을 만들고 공장에서 쓰는 동안 계속 학습시켜 고객 공장 고유 모델로 키웁니다. 입력은 단계마다 달라집니다. 첫 단계는 Mazak이 가진 가공 데이터, 둘째 단계는 고객사의 데이터, 셋째 단계는 그 공장이 매일 만들어 내는 가공 기록입니다. 출력은 같은 형태의 모델이지만 단계가 올라갈수록 그 공장의 기계, 공정, 조건에 맞춰집니다. 이 구조는 공통 지식은 벤더가 대고 고유 지식은 고객 현장에서 붙이는 분업입니다. 기반 모델만으로 충분한 일은 범용 공구 선택처럼 공장 사이에 차이가 작은 판단이고 공장 고유 모델이 필요한 일은 특정 기계와 소재 조합의 절삭 조건처럼 현장 경험이 갈리는 판단입니다.

사와다 부본부장이 밝힌 세 단계. 계단 높이는 개념을 나타낼 뿐 측정값이 아님

Learning Loop: 제안, 실가공, 평가, 재학습이 도는 고리

사와다 부본부장은 학습 결과를 다음 가공에 살리는 고리를 만들 수 있다는 점을 이 구상의 중핵으로 꼽았습니다. 니시가키 교수의 두 번째 질문도 같은 고리를 묻습니다. AI가 가공 조건을 제안하면 기계가 실제로 깎습니다. 그 결과를 평가해 다시 학습하는 데까지가 한 바퀴입니다. 이 고리가 돌 때마다 모델은 그 공장에 조금씩 더 맞춰집니다. 고리가 끊기는 지점은 대개 평가입니다. 실가공 결과가 프로그램과 연결되어 저장되지 않으면 재학습할 재료가 없습니다. 니시가키 교수가 말한 HILLTOP의 사이클도 구조가 같습니다. 한 번 해 본 일을 기계에 넘기고 사람은 새 일에 도전하는데, 그 도전의 결과가 다시 기계가 맡을 일로 쌓입니다.

사와다 부본부장이 중핵으로 꼽은 학습 고리. 네 단계 이름은 니시가키 교수의 두 번째 질문에서 가져옴

Learning System: 모델보다 학습 구조를 경쟁력으로 보는 다섯 질문

니시가키 교수는 좋은 학습 시스템을 만들려면 다섯 가지를 정해야 한다고 했습니다. 첫째는 무엇을 배우느냐입니다. 성공 조건만이 아니라 실패, 시행착오, 판단 이유까지 남겨야 합니다. 둘째는 AI 제안, 실가공, 평가, 재학습을 어떻게 계속 돌리느냐입니다. 셋째는 무엇을 가치로 보느냐로, 정밀도와 품질에서 멈추지 않고 납기, 원가, 수익으로 잇는 일입니다. 넷째는 가치가 누구의 것이냐입니다. 현장 지식의 권리와 이용 범위, 이익 배분을 설계해야 합니다. 다섯째는 어디까지 잇느냐로, 다른 기계와 CAM(컴퓨터 지원 가공 프로그램 작성 도구), 다른 기업을 넘어 지식을 쓸 수 있느냐입니다. 앞의 세 질문은 공장 안의 일이고 뒤의 두 질문은 장비 벤더·고객·협력사 사이의 계약과 연결의 문제입니다.

다섯 질문. 왼쪽 칸은 흔히 챙기는 범위, 오른쪽 강조 칸은 더 넓혀야 할 범위

통념과 다른 주장

흔히 이렇게 봅니다현장 노하우를 데이터로 만들어 AI에 넣으면 그 노하우가 밖으로 새어 나가 경쟁력을 잃을 수 있다.

저자는 이렇게 봅니다사와다 부본부장은 가공 조건이 공장, 공정, 기기마다 고유해서 다른 공장에서 그대로 쓰면 똑똑하게 일하지 못한다고 봅니다. 뾰족하기 때문에 가치가 있고 평준화하면 그 가치가 사라진다는 견해입니다.

근거Mazak 구상에서 마지막 단계의 모델은 그 공장의 가동 기록으로만 자랍니다. 같은 기반 모델에서 출발해도 공장마다 다른 모델이 됩니다.

고유함이 지켜 주는 것은 데이터 자체보다 그 공장에 맞춘 조건

흔히 이렇게 봅니다AI 경쟁력은 더 좋은 모델을 먼저 고르는 데서 나온다.

저자는 이렇게 봅니다니시가키 교수는 경쟁의 초점이 개별 AI 모델에서 학습 시스템으로 옮겨 가고 있다고 봅니다. 도입한 뒤에도 계속 똑똑해지는 능력이 경쟁력입니다.

근거HILLTOP과 Mazak은 현장도 기반도 다르지만 실가공에서 얻은 지식을 다음 가공과 판단에 되돌리는 구조가 같고 그 반복이 경쟁력을 만든다는 것이 니시가키 교수의 설명입니다.

HILLTOP과 Mazak이 같은 구조라는 점이 근거

저자가 든 사례

Yamazaki Mazak: 납품 뒤에도 자라는 공장 고유 모델

구분	내용
상황	AI가 현장 노하우를 재현하게 되면 고객 제조사의 강점이 어디에 남는지가 공작기계 업계의 물음이 됨
한 일	MAZATROL 프로그램 기록을 축으로 피지컬 AI를 추진. 사내 데이터로 Mazak 기반 모델을 만들고 납품 때 고객 데이터로 조정하고 공장에서 계속 학습시키는 계획
결과	구상과 계획 단계. 자사 AI 에이전트를 전개하기까지 약 2년이 걸린다고 밝힘. 효과 수치는 원문에서 밝히지 않음
연결	MAZATROL Program Record, Mazak Foundation Model, Learning Loop

효과 수치는 원문에서 밝히지 않음

HILLTOP: 한 번 한 일은 기계에 맡기는 공장

구분	내용
상황	교토부 우지시의 HILLTOP은 사람이 재미를 느끼는 일, 곧 새로운 도전을 추구함
한 일	한 번 해 본 일은 기계에 맡기는 사이클을 만들려고 AI를 업무에 넣음. AI 활용을 포함한 DX를 하고 있지만 AI가 출발점은 아님
결과	도전의 주기가 빨라지고 학습 범위가 넓어짐. 수치는 원문에서 밝히지 않음
연결	Learning Loop, Learning System

AI는 출발점이 아니라 도전 주기를 빠르게 하는 수단. 수치는 원문에서 밝히지 않음

기술 디테일: 공장 고유 모델을 미리 준비한다면

아래는 원문에 없는 내용으로, Mazak 같은 장비 벤더의 AI가 들어오기 전에 공장이 스스로 준비해 둘 것을 정리했습니다. 필드명과 숫자는 가상 예시입니다.

가공 기록을 학습 데이터로 쓰려면(MAZATROL Program Record와 연결) 프로그램 파일만 모으면 부족합니다. 프로그램, 실가공 결과, 현장 수정을 한 건으로 묶어야 재학습에 쓸 수 있습니다. 니시가키 교수의 첫 질문대로 실패와 판단 이유가 빠지면 모델은 성공한 조건만 따라 하게 됩니다. 한 가공 건을 다음과 같은 JSON 한 줄로 남기는 방식을 권합니다.

{
  "run_id": "R-2026-1107-0042",
  "program_id": "HSG-A12-OP10", "program_rev": 7,
  "machine_id": "VCN-03", "material": "A5052", "part_family": "housing",
  "units": [{"type": "pocket", "tool_id": "EM10-3F", "rpm": 9000, "feed_mm_min": 1800, "depth_mm": 2.0}],
  "result": {"cycle_time_s": 412, "first_pass_ok": false, "defect": "chatter_mark"},
  "edits": [{"field": "units[0].feed_mm_min", "before": 2400, "after": 1800,
             "by": "programmer_kim", "reason_code": "VIBRATION", "reason_text": "벽 두께 3mm 구간 떨림"}]
}

edits.reason_code는 자유 서술보다 VIBRATION, TOOL_WEAR, DIMENSION, CYCLE_TIME처럼 10개 안팎의 코드로 고정하고 서술은 보조로 둡니다. 코드가 있어야 나중에 이유별로 묶어 학습 데이터를 고를 수 있습니다. first_pass_ok가 false인 건도 지우지 않고 남깁니다.

세 단계 모델을 나눠 두려면(Mazak Foundation Model과 연결) 층마다 고치는 주기를 다르게 잡습니다. 기반 층은 벤더가 관리하고 공장은 손대지 않습니다. 고객 층과 공장 층은 기반 모델 위에 덧붙이는 작은 조정 층으로 두거나, 처음에는 학습 없이 과거 유사 가공 건을 검색해 제안에 붙이는 방식(RAG, 검색 결과를 근거로 답하게 하는 방식)으로 시작합니다. 검색형은 기록이 수백 건만 있어도 돌릴 수 있고 어떤 과거 건을 근거로 제안했는지 보여 줄 수 있습니다. 조정 학습은 같은 부품군 기록이 충분히 쌓인 뒤로 미룹니다. 공장 층 데이터는 공장 안에 두고 기반 모델 개선에 쓸지는 계약으로 따로 정합니다.

세 단계 모델을 실제로 나눠 두는 한 방법. 층 구분과 저장 위치는 원문에 없는 가정

고리를 돌리고 채점하려면(Learning Loop와 연결) 모델이 나아졌는지를 숫자로 확인해야 고리가 돕니다. AI가 제안한 조건을 프로그래머가 고치지 않고 쓴 비율, 고친 필드 수, 첫 가공 합격률, 사이클 타임, 공구 수명을 같은 부품군 기준으로 매주 봅니다. 검색 색인은 매주 새 기록을 넣어 갱신하고 조정 층 재학습은 분기에 한 번으로 묶습니다. 재학습 전에는 그동안 쌓인 기록 가운데 50건 정도를 시험용으로 떼어 두고 새 모델과 이전 모델의 제안을 같은 건에서 비교합니다. 새 모델이 첫 가공 합격률에서 이전 모델보다 낮으면 배포하지 않고 이전 모델로 둡니다. 니시가키 교수의 세 번째 질문을 따라 평가 지표에는 품질뿐 아니라 납기와 원가로 이어지는 사이클 타임과 공구비를 넣습니다.

막히는 경우	증상	대응
현장 수정이 프로그램에 반영 안 됨	기록상 조건과 실제 조건이 다름	기계 쪽 최종 프로그램을 가공 종료 시 자동 수집, 수정 이력 비교
수정 이유가 비어 있음	`reason_code` 공란이 절반 넘음	수정 저장 시 코드 선택을 필수로, 코드는 10개 안팎으로 제한
한 기계에만 맞춘 제안	같은 조건이 다른 기계에서 불량	제안 근거 검색을 같은 기계 → 같은 기종 → 전체 순으로 좁혀 감
성공 건만 쌓임	제안이 보수적인 조건으로 몰림	실패 건과 시험 가공 건을 별도 태그로 남겨 학습에 포함
공구·소재 공급처 변경	지난달까지 맞던 제안이 틀림	공구 ID·소재 로트를 기록 필드에 두고 변경 시점 이전 건의 가중치 낮춤

현업 실행 디테일: 누가, 언제, 무엇을

장비 벤더가 말한 약 2년은 공장 쪽에서 보면 기록을 쌓을 시간입니다. 아래 역할과 일정은 공작기계를 여러 대 쓰는 부품 가공 공장을 가정한 예시입니다.

역할	맡는 일
생산기술 책임자	시범 셀과 부품군 선정, 지표 정의, 분기 판정
CNC 프로그래머 2~3명	수정 이유 코드 정의, 수정 때마다 코드 입력, 제안 검토
기계 오퍼레이터	가공 결과(합격 여부, 불량 유형) 입력
품질 담당	불량 유형 코드와 첫 가공 합격 판정 기준 제공
IT·OT 담당	기계에서 프로그램과 가공 결과 자동 수집, 저장소 운영
구매·법무	장비 벤더와 데이터·모델 권리 조항 협의

시작 전 준비물은 기계 목록과 컨트롤러 종류, 최근 1년치 가공 프로그램 위치, 불량 유형 목록, 부품군 분류표입니다. 프로그램이 개인 PC나 USB에 흩어져 있다면 그 목록부터 만듭니다.

첫 분기 일정 예시(가상). Mazak이 말한 약 2년을 기다리지 않고 쌓기 시작하는 구간

기간	할 일	산출물
1~2주	프로그램 보관 위치와 수정 관행 조사, 반복 가공 부품군 3개 선정	기록 현황표, 시범 부품군
3~4주	기록 양식(JSON 필드)과 수정 이유 코드 10개 안팎 확정	기록 양식, 코드표
5~8주	시범 셀 한 곳에서 모든 가공 건을 기록	가공 기록 수백 건, 코드 입력률
9~12주	과거 유사 건을 찾아 조건을 제안하는 검색형 시제품을 프로그래머가 써 봄	무수정 채택률, 수정 필드 수 기준선

현장과 벤더에 던질 질문입니다. 프로그래머에게는 “지난달 가장 자주 고친 조건은 무엇이고 왜 고쳤나”, 오퍼레이터에게는 “첫 가공에서 버린 부품의 이유를 어디에 적나”를 묻습니다. 장비 벤더에게는 고객 데이터로 조정한 모델의 소유자는 누구인지, 공장 데이터가 기반 모델 학습에 쓰이는지와 거부할 수 있는지, 다른 회사 기계나 CAM의 기록도 넣을 수 있는지, 모델이 공장 안에서 도는지를 묻습니다. 이 네 질문은 니시가키 교수의 넷째·다섯째 질문을 계약 문구로 옮긴 것입니다.

진행 판정 기준(예시)은 이렇습니다. 12주 뒤 시범 셀 가공 건의 90% 이상이 기록되고 수정 건의 80% 이상에 이유 코드가 붙으면 다음 셀로 넓힙니다. 검색형 제안의 무수정 채택률은 첫 분기에 목표를 두지 않고 기준선으로만 씁니다. 기록률이 60%에 못 미치면 확대하지 않고 자동 수집부터 고칩니다.

AX 적용 제언입니다. 한국의 부품 가공사와 장비를 많이 쓰는 제조사라면 장비 벤더의 AI 출시를 기다리는 동안 두 가지를 먼저 할 수 있습니다. 하나는 생산기술 조직이 주도해 가공 기록과 수정 이유를 쌓는 일입니다. 다른 하나는 구매·법무가 다음 장비 계약에 데이터와 조정 모델의 권리, 이용 범위를 넣는 일입니다. Mazak의 설명대로 가공 조건이 공장마다 고유하다면, 그 고유함을 기록으로 가진 회사가 벤더 AI가 들어왔을 때 가장 빨리 가치를 얻습니다. 현업 스폰서는 공장장이나 생산기술 임원이 맡는 것이 좋고 첫 대상은 반복 가공이 많고 불량 비용이 큰 부품군으로 고릅니다.

원문 사례

항목	내용
원문	MONOist, 미시마 가즈타카, 2026.11.4 게재
행사	JIMTOF2026(제33회 일본국제공작기계견본시), 2026.10.26~31, 도쿄 빅사이트, Yamazaki Mazak 부스 세미나
발표자	니시가키 준코(정책연구대학원대학 특임교수, MONOist 연재 「제조업 ‘X’ 탐방」 필자), 사와다 요스케(Yamazaki Mazak 상석집행임원, 상품개발본부 부본부장)
HILLTOP	교토부 우지시. 새 도전을 추구하고 한 번 한 일은 기계에 맡기는 사이클을 위해 AI를 업무에 넣음. 도전 주기가 빨라지고 학습 범위가 넓어짐
Mazak 구상	MAZATROL 프로그램 중심의 피지컬 AI. Mazak 기반 모델(사내 데이터 사전 학습) → 고객 고유 모델(납품 때 고객 데이터로 조정) → 고객 공장 고유 모델(공장에서 계속 학습)
유출 우려에 대한 답	공장·공정·기기의 가공 조건은 고유해 다른 공장에서 그대로 통하지 않음. 평준화하면 가치가 사라짐
다섯 질문	무엇을 배우나 / 어떻게 계속 배우나 / 무엇을 가치로 / 가치는 누구 것 / 어디까지 잇나
시점	자사 AI 에이전트 전개까지 약 2년
관련 발표	MONOist 2026.10.19 기사: Mazak과 ABEJA가 공정 설계·생산 계획 AI 에이전트를 공동 개발, 2028 회계연도 출시 목표

핵심 개념

秘伝のタレ: 가게마다 대대로 지켜 온 비법 양념이라는 일본어 표현으로, 이 세미나에서는 남이 흉내 내기 어려운 제조 현장의 노하우를 가리킵니다.
암묵지·형식지: 암묵지는 숙련자 머릿속에만 있는 경험 지식, 형식지는 문서·데이터로 옮겨 남이 쓸 수 있게 된 지식입니다.
피지컬 AI: 기계·로봇처럼 물리 세계에서 움직이는 장비를 AI가 판단하고 제어하게 하는 것을 말합니다.
MAZATROL: Mazak 공작기계 컨트롤러의 대화형 프로그래밍 방식으로, 가공 종류·공구·조건을 단계별로 입력해 프로그램을 만듭니다.
CAM: Computer-Aided Manufacturing. 3D 모델에서 공구 경로와 가공 프로그램을 만드는 소프트웨어입니다.
JIMTOF: Japan International Machine Tool Fair. 도쿄에서 2년마다 열리는 일본 최대 공작기계 전시회입니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist의 「製造業の「秘伝のタレ」はAIに奪われるのか、競争力の源泉はどこにある？」(미시마 가즈타카, 2026.11.4)이며 JIMTOF2026 Yamazaki Mazak 부스 세미나에서 사와다 요스케와 니시가키 준코가 한 발표를 다룹니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. 원문 사례 표의 ABEJA 공동 개발과 출시 목표는 원문이 연결한 MONOist 2026.10.19 기사에서 가져왔습니다. MAZATROL, CAM, JIMTOF, 피지컬 AI의 뜻풀이는 일반적인 정의로 보탰습니다. JSON 기록 양식, 층 구분과 데이터 저장 위치, 검색형 시작과 재학습 주기, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. Mazak이 공개한 두 그림(공정 최적화의 AI 활용, 고유하게 자라는 AI 활용의 흐름)은 원문 페이지에서 볼 수 있습니다.