MX(Machining Transformation): DMG 모리 사장이 본 무인화 공장, 사람 몫은 수주와 프로그래밍이고 AI는 설계·정비를 돕는다

DMG 모리는 공작기계 1대의 연간 가동시간을 대부분 공장 수준인 약 2,000시간에서 바쁜 공장 수준인 약 6,000시간 쪽으로 끌어올리는 것을 AI의 목표로 둡니다. 기계가 멈추지 않으면 사람에게 남는 일은 그 시간을 채울 일감을 따오는 수주와 그 시간 안에 더 많이 깎게 하는 프로그래밍입니다. 따라 하려면 먼저 자기 공장 기계의 실제 가동시간과 멈춘 이유를 재야 합니다.

요약

MONOist의 나가사와 마사히로(長沢正博) 기자가 JIMTOF 2026 기획의 하나로 DMG 모리 대표이사 사장 모리 마사히코(森雅彦)를 인터뷰해 2026년 11월 6일 실었습니다. 회사는 MX(Machining Transformation, 공정 집약·자동화·DX를 묶어 가공 현장을 바꾸는 회사의 방향)를 내걸고 있습니다. 모리 사장은 회사의 AI 활용을 네 갈래로 나눕니다. 기계에 들어가는 AI, 기계를 산 고객이 쓰는 AI, 사내 설계에 쓰는 AI, 고객 현장을 찾는 MRO(유지보수·수리·점검) 엔지니어가 쓰는 AI입니다. 고객 현장의 고장 대응을 돕는 생성형 AI 기능 서비스 에이전트(サービスエージェント)를 막 내놓았습니다. 정비 쪽은 20년 넘게 쌓인 사례 데이터를 이미 디지털화해 수리 방법 제안과 부품 교체 시점 예측에 쓰려 합니다.

AI로 노리는 숫자는 가동시간입니다. 바쁜 공장은 기계 1대를 1년에 약 6,000시간 돌리지만 대부분은 약 2,000시간에 그칩니다. 평균을 올리면 같은 생산량에 필요한 기계 대수와 중간 재고가 줄고 에너지와 인력도 덜 듭니다. 자동화·무인화가 진행되면 사람은 무엇을 하느냐는 질문에 모리 사장은 수주를 꼽았습니다. 기계 10대면 1년에 수만 시간이 생깁니다. 그 시간을 일감으로 채우는 것이 영업이고 그 시간 안에 최대한 많은 공작물을 깎도록 짜는 것이 프로그래밍입니다. 기계를 지령대로 정확하게, 고장 없이 돌게 하는 것은 메이커의 몫입니다. 회사는 2030년 무렵 5년 보증을 본격 도입하려 합니다. 부품 설계 기준의 70% 이상은 이미 6만 시간 이상입니다. 아래에서 여섯 가지 작동 원리와 세 사례를 본 뒤 따라 할 때 필요한 기술·현업 디테일을 붙입니다.

핵심 메커니즘

가동시간: AI 투자의 목표를 연간 가동시간 하나로 모은다

모리 사장이 AI와 자동화를 설명할 때 기준으로 삼는 숫자는 기계 1대의 연간 가동시간입니다. 바쁜 공장은 약 6,000시간, 대부분의 공장은 약 2,000시간입니다. 기계 안 AI는 가공 중 멈춤을 줄입니다. MRO AI는 고장을 미리 막고 고객용 AI는 가공 조건을 찾는 시간을 줄입니다. 갈래는 달라도 모두 같은 숫자를 올리는 쪽을 향합니다. 평균이 오르면 같은 일감을 더 적은 기계로 처리하고 공정 사이에 쌓이는 중간 재고가 줄며 에너지와 인력도 덜 듭니다. 이 기준은 기계가 일감이 없어서 쉬는 공장에는 맞지 않습니다. 그때는 아래의 수주가 먼저입니다. 가상 예시로, 기계 10대가 각각 연 2,000시간 도는 공장이 평균을 4,000시간으로 올리면 같은 2만 시간 분량의 일을 5대로 할 수 있습니다.

사람의 몫: 수주로 기계 시간을 채우고 프로그래밍으로 밀도를 올린다

자동화가 끝까지 가도 회사 입장에서 사람이 해야 하는 일로 모리 사장은 수주를 듭니다. 기계 10대면 1년에 수만 시간의 가공 능력이 생깁니다. 그 시간을 일감으로 채우는 것이 영업이고 정해진 시간 안에 공작물을 최대한 많이 깎게 하는 것이 프로그래밍입니다. 메이커는 기계가 프로그램 지령대로 정확하게, 고장 없이 계속 돌게 책임집니다. 그는 일본 제조업에 부족했던 것이 영업이라고 보고 영어로 세계에 파는 영국 기업을 예로 듭니다. 중국과 미국에서는 언어 장벽이 있어도 현지 기업을 이겨 주문을 따와야 한다고 말합니다. 후계자가 없는 중소기업을 적절한 조건으로 인수해 규모를 키우는 방법도 제시합니다. 사람이 오지 않으면 식사, 깨끗한 공장, 임금을 비용으로 따져 보라고 권합니다.

네 갈래 AI: 기계 안, 고객용, 설계, MRO로 나눠 각자 다른 사람을 돕는다

회사는 AI를 쓰는 사람과 자리에 따라 넷으로 나눕니다. 기계 안 AI는 이미 제품에 들어 있습니다. AI 칩 리무벌(AIチップリムーバル)은 가공 중 칩(절삭 부스러기)이 쌓이는 상태를 분석해 효율적으로 치우고 Adaptive Coolant Flow는 여러 센서 데이터로 쿨런트(절삭유) 흐름을 자동으로 맞춥니다. 고객용 AI는 기계마다 또는 고객마다 에이전트를 붙여 과거 가공 사례를 찾아 주고 공작물 고정 방법을 제안하고 정비를 돕는 구상입니다. 설계 AI와 MRO AI는 아래 두 절에서 따로 봅니다. 사용자가 다르면 필요한 데이터와 책임 범위가 달라지므로 처음부터 나눠 두는 편이 관리하기 쉽습니다.

MRO 사례 데이터: 20년 넘게 쌓은 수리 기록으로 고치는 법과 교체 시점을 낸다

MRO 엔지니어가 고객 현장에서 쓰는 AI의 바탕은 20년 넘게 쌓은 사례 데이터입니다. 회사는 이 기록을 이미 디지털화했습니다. AI는 고객 기계의 상태를 보고 비슷한 과거 사례에 비춰 수리 방법을 제안하고 부품 교체 시점을 예측해 필요한 부품이 없어 기계가 서는 일을 막습니다. 기계마다 개체 차이가 있어 같은 기종이라도 고장 징후가 다르게 나타나므로, 모리 사장은 기계가 네트워크로 연결되어 있어야(커넥티비티) 징후를 일찍 잡고 고장 전에 부품을 바꿀 수 있다고 봅니다. 연결된 기계가 적거나 과거 기록이 종이로만 남아 있다면 이 방식은 데이터 정리부터 시작해야 합니다. 가상 예시로, 주축 진동이 평소보다 커진 기계에서 같은 기종의 과거 베어링 교체 사례 10건을 찾아 교체 권장 시점과 필요 부품을 함께 내놓는 식입니다.

설계 AI: 만들기 전에 디지털 트윈으로 시험하고 과거 설계를 참조한다

사내 설계에서는 기계를 실제로 만들기 전에 디지털 트윈(실물을 본뜬 가상 모델) 위에서 열변위(열로 기계 구조가 늘어나 가공 정밀도가 틀어지는 현상)와 진동을 재현합니다. 생성형 AI는 과거 설계 정보를 찾아 참조하게 돕습니다. 다음 단계로 설계자 한 명마다 AI 에이전트를 붙여 배선과 배관 경로를 자동으로 잡고 검도(도면이 규칙과 사양에 맞는지 확인하는 일)까지 맡기려 합니다. 반복되는 확인 작업을 AI가 덜어 주면 설계자는 열변위와 진동을 줄이는 구조 판단에 시간을 더 씁니다.

6만 시간 설계 기준: 부품 수명을 늘려 2030년 무렵 5년 보증으로 간다

모리 사장이 그리는 이상적인 가공은 알맞은 압력, 속도, 절입량으로 진동과 열변위 없이 깎는 것입니다. 그는 공작물 크기별로 선삭이 가능한 기계 10종 안팎이 절삭, 밀링, 연삭, 기어 가공, 측정 공구를 모두 물 수 있는 모습을 그립니다. 여기에 AMR(자율이동로봇) 10~20대가 팔레트 운반, 공구 교환, 칩 배출을 유연하게 처리합니다. 이를 받치는 것이 내구성입니다. 2030년 무렵 5년 보증을 본격 도입하려고 부품 설계 기준을 높이고 있으며 이미 70% 이상이 6만 시간 이상입니다. 연 6,000시간이면 10년에 해당합니다. 실제 사용인 연 2,000~3,000시간이면 25년 넘게 쓸 수 있습니다. 목표는 그 기간 부품 교체 없이 가동하는 것입니다.

통념과 다른 주장

저자가 든 사례

서비스 에이전트: 고장 대응을 돕는 생성형 AI

• 상황: 기계에 이상이 생기면 고객은 메이커의 응답을 기다려야 했습니다.
• 한 일: 회사는 고객 전용 포털 my DMG MORI에 생성형 AI 기능 서비스 에이전트를 더해 2026년 10월 19일 발표했습니다. 관련 기사에 따르면 대부분 선택형인 대화로 알람 내용, 발생 시점, 빈도를 묻고 엔지니어의 지식을 바탕으로 확인 항목과 답 후보를 보여 줍니다. 매뉴얼, 전기도면, 수리·부품 구매 이력, 가동 감시 소프트웨어 정보를 씁니다.
• 결과: 대화가 끝나면 매뉴얼에 근거한 해결책을 냅니다. 해결되지 않으면 대화 내용으로 수리 의뢰서를 자동으로 만듭니다. 성과 수치는 공개되지 않았습니다.
• 연결: 네 갈래 AI 가운데 고객용, MRO 사례 데이터.

기계 안 AI: 칩과 쿨런트를 기계가 스스로 다룬다

• 상황: 가공 중 칩이 쌓이거나 쿨런트 조건이 맞지 않으면 사람이 지켜보며 조치해야 무인 가동이 이어집니다.
• 한 일: AI 칩 리무벌은 칩 퇴적 상태를 분석해 치우고 Adaptive Coolant Flow는 센서 데이터로 쿨런트 흐름을 자동으로 맞춥니다.
• 결과: 두 기능은 이미 기계에 들어가 있습니다. 효과 수치는 인터뷰에서 밝히지 않았습니다.
• 연결: 가동시간, 네 갈래 AI 가운데 기계 안.

5년 보증 준비: 부품 설계 기준을 6만 시간 이상으로

• 상황: 실제 사용은 연 2,000~3,000시간이고 기계마다 개체 차이가 있어 고장 시점이 다릅니다.
• 한 일: 부품 설계 기준을 끌어올려 70% 이상을 6만 시간 이상으로 맞췄습니다. 커넥티비티로 고장 징후를 일찍 잡아 미리 부품을 바꾸려 합니다.
• 결과: 2030년 무렵 5년 보증을 본격 도입할 계획입니다. 실사용 기준으로는 25년 넘게 쓸 수 있는 수준입니다.
• 연결: 6만 시간 설계 기준, MRO 사례 데이터.

기술 디테일: 가공 현장의 정비·가동 AI를 직접 만든다면

아래 필드명, 설정값, 구성은 실행 제안이자 가상 예시입니다. 인터뷰에서 온 내용은 따로 표시했습니다.

가동시간부터 기계가 직접 기록하게 합니다(가동시간). 인터뷰의 6,000시간과 2,000시간을 자기 공장과 비교하려면 기계마다 상태를 같은 기준으로 남겨야 합니다. 컨트롤러에서 상태를 1분 단위로 읽어 cutting(가공 중), setup(준비), idle_no_job(일감 없음), idle_waiting(작업자·자재 대기), alarm(알람 정지)로 나눕니다. 일감이 없어 쉰 시간과 고장으로 선 시간을 나눠야 영업 문제인지 정비 문제인지가 갈립니다. MTConnect나 OPC UA를 지원하는 컨트롤러라면 별도 센서 없이 시작할 수 있습니다.

{
  "machine_id": "MC-07",
  "date": "2026-11-08",
  "minutes": {"cutting": 812, "setup": 95, "idle_no_job": 240, "idle_waiting": 130, "alarm": 41},
  "alarms": [{"code": "2041", "start": "10:12", "end": "10:53"}],
  "parts_cut": 64
}

사례 데이터는 수리 한 건을 레코드 하나로 정리합니다(MRO 사례 데이터). 20년치 기록을 AI가 쓰려면 자유 서술 보고서를 아래처럼 필드로 나눠야 합니다. 원인과 조치를 분리하지 않으면 검색은 되어도 수리 방법을 제안하지 못합니다.

{
  "case_id": "MRO-2019-04-1182",
  "model": "기종명",
  "machine_hours": 18450,
  "symptom": "주축 고속 회전 시 진동 증가",
  "alarm_codes": ["2041"],
  "root_cause": "주축 베어링 마모",
  "action": "베어링 교체, 예압 재조정",
  "parts": [{"part_no": "BRG-xxxx", "qty": 2}],
  "downtime_hours": 14,
  "verified_by": "MRO 엔지니어",
  "outcome": "재발 없음(90일)"
}

수리 제안은 검색과 생성을 나눕니다. 기계의 알람 코드, 기종, 누적 가동시간으로 비슷한 사례를 먼저 5~10건 찾고(키워드 검색과 임베딩 검색을 함께), LLM은 찾은 사례만 근거로 수리안을 씁니다. 출력은 steps, parts, evidence_case_ids, confidence를 가진 JSON으로 고정하고 temperature는 0~0.2로 둡니다. 근거 사례 ID가 비어 있거나 찾은 사례에 없는 부품 번호가 나오면 그 답은 버리고 엔지니어에게 넘깁니다. 같은 증상을 3회 돌려 수리안이 갈리면 확신도를 낮춰 표시합니다. 엔지니어가 승인하거나 고친 결과는 다시 사례 레코드로 적재해 다음 검색에 씁니다. 모델은 수리 기록과 도면을 회사 밖으로 보낼 수 있는지에 따라 고릅니다. 내보낼 수 없다면 사내에 올릴 수 있는 오픈 모델을, 내보낼 수 있다면 상용 API를 씁니다. 일본어 원본 기록을 한국어 현장에서 쓴다면 검색은 원문 언어로 하고 답만 번역합니다.

부품 교체 시점은 사례와 센서를 함께 씁니다(MRO 사례 데이터, 6만 시간 설계 기준). 과거 사례에서 부품별 교체 당시 누적 가동시간 분포를 구합니다. 여기에 연결된 기계의 현재 가동시간과 진동·온도 추세를 더해 남은 시간을 추정합니다. 기계마다 개체 차이가 있다는 인터뷰 내용대로 기종 평균만 쓰지 말고 같은 기계의 추세를 함께 봅니다. 교체 권장 시점이 부품 조달 리드타임보다 짧아지면 구매 담당에게 알려 결품을 막습니다.

설계 검도 보조는 규칙 검사부터 시작합니다(설계 AI). 배선·배관 자동 경로와 검도는 인터뷰에서 앞으로의 계획으로 나왔습니다. 직접 해 본다면 사내 설계 기준(최소 굽힘 반경, 간섭 거리, 부품 표준 번호)을 체크리스트로 만들어 CAD 데이터에서 규칙으로 먼저 검사하고 LLM은 과거 설계 변경 이력을 찾아 “비슷한 구조에서 바꾼 적이 있는 곳”을 알려 주는 데 씁니다. 규칙 위반 판정은 LLM에 맡기지 않습니다.

막히는 경우	증상	대응
과거 보고서가 자유 서술	검색은 되는데 수리안이 엉뚱함	최근 3~5년치부터 원인·조치·부품 필드로 재정리
기종이 바뀌어 옛 사례가 안 맞음	존재하지 않는 부품 번호 제안	부품 번호를 현재 BOM과 대조, 불일치면 출력 차단
가동 상태 구분이 없음	가동률은 낮은데 원인을 모름	일감 없음과 대기와 알람을 나눠 기록
연결되지 않은 구형 기계	교체 예측 불가	가동시간만이라도 수기 입력, 신형부터 연결
현장이 AI 수리안을 믿지 않음	엔지니어가 결과를 기록하지 않음	근거 사례 ID를 함께 보여 주고 채택·수정 여부를 한 번 클릭으로 남김

현업 실행 디테일: 누가, 언제, 무엇을

인터뷰는 사람의 몫을 수주와 프로그래밍으로, 메이커의 몫을 정확하고 고장 없는 가동으로 나눴습니다. 아래 역할, 일정, 기준은 이 구도를 공작기계를 쓰는 가공 공장에 옮긴 가상 예시입니다.

역할	맡는 일
공장장	시범 대상 기계와 목표 가동시간 확정, 판정 회의 주재
영업 책임자	기계별 남는 시간을 보고 수주 계획 조정
NC 프로그래머 1~2명	가공 시간이 긴 프로그램 개선, 가공 수 변화 기록
설비·정비 담당	알람·고장 기록 정리, 메이커 서비스 창구
IT·데이터 담당	컨트롤러 연결, 가동 상태 수집, 대시보드
공작기계 메이커 서비스	고장 원인 진단, 부품 교체 시점 협의

준비물. 기계별 최근 3개월 가동 기록(없으면 작업 일보), 알람과 고장 수리 기록, 메이커 서비스 이력과 부품 구매 내역, 수주 잔고와 납기표, 주요 품목의 NC 프로그램과 사이클 타임이 필요합니다.

기간	할 일	산출물
1~2주	시범 기계 3~5대 연결, 상태 5분류 기록 시작	기계별 연간 환산 가동시간 기준선
3~4주	지난 2~3년 고장 기록을 사례 레코드로 정리	사례 레코드 100~300건, 정지 원인 순위
5~7주	수리 제안 시범, 일감 없음 시간을 영업과 공유, 사이클 타임 긴 프로그램 개선	수리안 채택률, 알람 정지 시간, 가공 수 변화
8주	판정 회의	확대·보완·중단 결정서

현장에 물을 것.

1. 지난달 기계가 멈춘 시간 가운데 일감이 없어서 쉰 시간과 고장으로 선 시간은 각각 얼마인가요?
2. 가장 자주 나는 알람 다섯 개는 무엇이고 복구에 평균 몇 시간 걸리나요?
3. 고장이 났을 때 과거 비슷한 사례를 어디서 찾고 누가 기억하고 있나요?
4. 부품이 없어 기계가 선 적이 있다면 어떤 부품이었고 조달에 며칠 걸렸나요?
5. 밤이나 주말에 사람 없이 돌리지 못하는 이유는 칩, 공구, 소재 공급 가운데 무엇인가요?

진행 판정 기준(예시). 8주 뒤 시범 기계의 알람 정지 시간이 기준선보다 30% 이상 줄고 수리안 채택률이 50%를 넘으면 다른 기계로 넓힙니다. 알람 정지가 줄어도 일감 없음 시간이 전체의 30%를 넘으면 정비보다 수주가 병목이므로 영업 계획부터 손봅니다. 수리안 채택률이 30%에 못 미치면 사례 레코드 정리를 보완하고 4주 더 봅니다.

AX 적용 제언. 제조업 고객사의 AI 과제를 고를 때 이 인터뷰의 기준은 쓸모가 큽니다. 과제마다 기계 1대의 연간 가동시간을 얼마나 올리느냐로 효과를 적으면 품질 검사, 정비, 프로그래밍, 영업 지원을 같은 저울에 올릴 수 있습니다. 순서는 가동 상태 측정, 정지 원인 분류, 정비 사례 데이터 정리, 수리 제안 AI 순입니다. 측정 결과 일감 없음이 크면 AI 과제보다 수주 확대가 먼저라는 결론도 받아들여야 합니다. 공작기계를 파는 쪽이라면 수리 기록을 필드로 쌓는 일이 곧 정비 AI의 자산이 되므로 서비스 보고서 양식부터 바꾸는 것이 첫 단계입니다. 현장 스폰서는 공장장, 데이터 주인은 정비 담당이 맡는 구도가 좋습니다.

원문 사례

항목	내용
원문	MONOist, 2026.11.6 게재, 나가사와 마사히로(長沢正博) 기자, FA 인터뷰(JIMTOF 2026 기획)
화자	모리 마사히코(森雅彦), DMG 모리 대표이사 사장
회사 방향	MX(Machining Transformation): 공정 집약, 자동화, DX
AI 네 갈래	기계 안, 고객용, 사내 설계, MRO 엔지니어용
기계 안 AI	AI 칩 리무벌, Adaptive Coolant Flow
고객용 AI	기계·고객별 에이전트가 과거 가공 사례 검색, 고정 방법 제안, 정비 지원(구상)
설계 AI	디지털 트윈으로 열변위·진동 재현, 생성형 AI로 과거 설계 참조, 설계자별 에이전트로 배선·배관 자동화와 검도(계획)
MRO AI	20년 넘는 사례 데이터 디지털화, 수리 방법 제안, 부품 교체 시점 예측으로 결품 방지
서비스 에이전트	고장 대응을 돕는 생성형 AI 기능, 최근 발표
가동시간	바쁜 공장 연 약 6,000시간, 대부분 약 2,000시간. 올리면 설비 대수·중간 재고·에너지·인력 절감
사람의 몫	수주(기계 10대면 연 수만 시간을 채울 일감), 프로그래밍(그 시간 안에 가공 수 최대화)
경영 제언	해외 현지 기업을 이기는 영업, 후계자 없는 중소기업 인수, 식사·청결·임금으로 채용
이상적 기계	선삭 가능한 기계 10종 안팎, AMR 10~20대가 팔레트·공구 교환·칩 배출
내구성	부품 설계 기준 70% 이상이 6만 시간 이상, 실사용 연 2,000~3,000시간이면 25년 이상
보증	2030년 무렵 5년 보증 본격 도입 계획, 커넥티비티로 고장 징후 조기 발견

핵심 개념

MRO

Maintenance, Repair and Overhaul. 설비를 유지보수하고 고치고 점검하는 일입니다. 여기서는 고객 공장을 찾아가는 메이커의 서비스 엔지니어 업무를 가리킵니다.

JIMTOF

일본 국제 공작기계 박람회입니다. 2026년 행사는 10월 말 도쿄 빅사이트에서 열렸습니다.

AMR

Autonomous Mobile Robot. 정해진 레일 없이 스스로 경로를 찾아 움직이는 운반 로봇입니다.

열변위

모터나 가공 열로 기계 구조물이 늘어나 공구 위치가 미세하게 틀어지는 현상입니다. 정밀 가공의 오차 원인입니다.

검도

완성된 도면이 설계 기준과 사양에 맞는지, 빠지거나 겹친 곳이 없는지 확인하는 작업입니다.

공정 집약

여러 기계에 나눠 하던 가공을 한 기계에서 한 번에 끝내도록 묶는 방식입니다.

my DMG MORI

DMG 모리 고객 전용 포털입니다. 서비스 에이전트가 이 포털의 기능으로 들어갔습니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist의 「DMG森精機社長が目指す「止まらない工作機械」 無人化で残る「人の仕事」とは」(長沢正博, 2026.11.6)입니다. 인터뷰 질문에 무인화가 나오고 모리 사장은 사람이 해야 할 일로 수주와 프로그래밍을 들었습니다. 6,000시간, 2,000시간, 20년 넘는 사례 데이터, 6만 시간, 70%, 2030년 무렵 5년 보증 같은 수치는 모두 인터뷰의 설명입니다. 서비스 에이전트 사례의 기능과 데이터 출처는 같은 매체의 2026년 10월 21일 기사 「工作機械の不具合対応を生成AIが支援、DMG森精機が新サービス」로 보탰습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 핵심 개념의 뜻풀이(MRO, JIMTOF, AMR, 열변위, 검도, 공정 집약)는 일반적인 정의로 보탰습니다. JSON 예시, 가동 상태 5분류, MTConnect·OPC UA 연결, 검색과 생성 분리, 교체 시점 추정 방법, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 기사에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.