Review, Coach, Generate: Autoliv·BorgWarner가 공장 AI에 권한을 단계적으로 넘기는 법
AMNA 2026 패널에서 Autoliv는 발주서와 사전 출하 통지(ASN) 점검을 AI 에이전트에 맡겨 자재 부족을 일찍 찾고 과한 안전재고를 줄이려 한다고 밝혔습니다. BorgWarner는 AI 권한을 검토, 코칭, 생성 순으로 넓힙니다. 점검 필드, 단계 전환 기준, 8주 일정을 붙였습니다.
공장 AI는 한 번에 맡기지 않고 권한을 단계별로 넘길 때 현장에 퍼집니다. Autoliv는 플래너가 손으로 하던 발주·출하 통지 점검을 에이전트에 맡겼고 BorgWarner는 AI가 사람 작업을 검토하는 데서 시작해 코칭을 거쳐 결과를 직접 만드는 단계로 갑니다. 따라 하려면 풀 문제와 KPI, 공장 간 공통 정의, 측정값을 믿을 근거, 단계를 넘길 기준을 먼저 정해야 합니다.
요약
Automotive Manufacturing Solutions의 Timo Gilgen이 Automotive Manufacturing North America(AMNA) 2026 패널 토론을 정리한 기사입니다. 연사는 Autoliv Americas의 IT 총괄 부사장 Nitin Sethi, BorgWarner의 변환·디지털화 글로벌 수석 엔지니어 Maria Beemer, 제조 디지털화 전문가 Rajeev Kalamdani, Kistler Group의 산업 생산 영업 디렉터 Hiroyuki Natsume입니다. 주제는 AI 파일럿 하나하나를 넘어 생산 전반에서 작동하는 디지털 체계를 만드는 방법입니다. Autoliv는 플래너가 손으로 하던 발주서(PO)와 ASN(Advance Shipping Notice, 공급사가 보내는 사전 출하 통지) 분석을 AI 에이전트에 맡겼습니다. 목표는 자재 부족을 더 일찍 찾고 부족이 두려워 높여 두던 최소 재고를 줄이는 것입니다. BorgWarner는 엔지니어링 규정 준수 감사에 AI를 넣어 최종 감사가 아니라 개발 단계에서 문제를 걸러냅니다.
PO·ASN Pre-check Agent: 플래너가 하던 부족 점검을 에이전트가 먼저 한다
Autoliv 플래너는 자재 부족 가능성을 조사하는 데 많은 시간을 썼습니다. 생산 차질을 피하려고 최소 재고를 올려 두는 일이 잦았고 그만큼 비용이 늘었습니다. 지금은 손으로 하던 점검 일부를 AI 에이전트가 맡아 발주서와 ASN을 분석합니다. 입력은 발주 내역과 공급사의 출하 통지이고 처리는 둘을 대조해 부족 가능성을 찾는 일이며 출력은 플래너가 미리 볼 경고입니다. 부족을 일찍 볼수록 불안 때문에 쌓아 두던 재고를 덜 쌓아도 됩니다. 공급사가 많고 ASN이 전자적으로 들어오는 공장에 잘 맞습니다. ASN이 이메일이나 전화로만 오면 먼저 입력 경로부터 정리해야 합니다. 가상 예시로, 납기 3일 전까지 ASN이 없는 부품이나 ASN 수량이 발주보다 적은 부품을 매일 아침 목록으로 올리는 방식을 생각할 수 있습니다.
BorgWarner는 AI에 처음부터 일을 맡기지 않습니다. 1단계에서는 사람이 만든 결과물을 AI가 검토해 오류 가능성을 표시합니다. 신뢰도가 확인되면 2단계로 가서 AI가 진행 중인 작업에 피드백을 주는 코치 역할을 합니다. 3단계에서 AI가 결과를 직접 만들되 처음에는 사람이 검토합니다. 완전 자율 운영은 그 업무에 맞을 때만 둡니다. 순서를 지키면 AI가 틀려도 사람이 먼저 잡고 단계마다 AI가 얼마나 맞는지 기록이 쌓입니다. 안전과 보안이 걸린 결정에는 사람의 감독이 계속 필요하다는 것이 Beemer의 입장입니다. 2단계 코칭은 숙련 엔지니어의 지식을 젊은 직원에게 넘기는 통로도 됩니다.
Sethi는 OT와 IT를 잇는다고 사업 가치가 자동으로 생기지 않는다고 봅니다. 먼저 풀 운영 문제와 개선할 지표를 정해야 합니다. MES(제조 실행 시스템), PLM(제품 수명 주기 관리)과 다른 앱 사이에 용어, 데이터 소유, 마스터 데이터 구조가 다르면 그 위에 올린 앱이 흔들립니다. Beemer가 든 예가 CoPQ(Cost of Poor Quality, 품질 불량 비용)입니다. 어떤 공장은 급송 운임을 넣고 어떤 공장은 빼서 공장끼리 비교가 어렵습니다. 여러 공장을 한 AI로 비교하거나 순위를 매기려 할 때 이 정리가 먼저입니다. 공장 하나 안에서만 쓰는 도구라면 범위를 좁혀 시작해도 됩니다. Sethi는 기술 공급사가 자동차 요구에 맞춘 데이터 모델을 내놓으면 도입이 빨라질 것이라고 봤습니다.
Kalamdani가 설명한 방식은 설비마다 가동(running), 정지(stopped), 막힘(blocked), 굶음(starved) 상태를 계속 기록하는 데서 출발합니다. Blocked는 하류가 막혀 결과물을 내보내지 못하는 상태, starved는 상류에서 자재가 오지 않아 서 있는 상태입니다. AI 에이전트가 몇 주에서 몇 달치 기록을 훑어 계속 반복되는 생산 제약을 찾습니다. 두 상태가 바뀌는 지점을 보면 병목의 위치가 드러나고 과도한 사이클 타임, 다운타임, 신뢰성 문제 가운데 무엇이 원인인지도 가늠할 수 있습니다. 팀은 많은 데이터를 손으로 보지 않고도 어느 스테이션이 가장 큰 차질을 만드는지 압니다. 디지털 트윈과 결합하면 이 결과를 생산 현장 직원에게 바로 줄 수 있습니다.
디지털 트윈으로 결정을 내리기 전에 측정값이 실제 공정을 대표하는지 확인해야 합니다. Kalamdani는 MSA(Measurement System Analysis, 측정 시스템 분석)로 불확실성을 수치로 확인하라고 권합니다. 정밀해 보이는 데이터가 잘못된 결론을 낼 수 있어서입니다. PLC와 CNC 프로그램을 바꾸면 버전 관리와 변경 관리를 엄격히 해야 디지털 모델이 실제로 도는 것과 같아집니다. 같은 설비가 여러 대 있는 라인에서는 마스터 사본을 정확히 두고 수정 내역을 추적해야 합니다. Natsume는 데이터 수집을 용도에 맞추라고 했습니다. 어떤 공정 변수는 고빈도로 봐야 하지만 상태 감시는 훨씬 적은 데이터로 됩니다. 시제품 단계의 피드백 고리는 양산에 들어가면 약해지고 설계 변경·공급사 변경·공정 조정이 쌓이며 가상 모델과 실제 공장이 벌어집니다. 그래서 양산 시작 6개월과 12개월 뒤에 편차를 체계적으로 검토해 모델을 고치고 다음 프로젝트에 반영하라고 제안했습니다.
자율화의 출발점으로 연사들은 복잡한 예측 판단보다 규칙이 분명한 정비 업무를 권했습니다. 기사가 든 예는 운전 50,000사이클마다 정비가 필요한 CNC 설비입니다. 사이클 수가 기준에 닿으면 작업 지시가 자동으로 생깁니다. 판단이 단순하고 틀렸을 때 피해가 작아 위험이 낮습니다. 공정에 따라서도 자율화 정도가 다릅니다. 용접·접합이 이미 크게 자동화된 차체 공장은 자율을 넓히기 좋지만, 손작업이 많은 최종 조립은 그보다 어렵습니다. 오래된 설비는 센서와 통신 게이트웨이를 덧달아 바꾸지 않고도 연결할 수 있지만, 맞는지는 설비와 필요한 데이터에 달려 있습니다.
흔히 이렇게 봅니다공장 데이터를 OT와 IT로 연결해 한곳에 모으면 AI가 가치를 찾아낸다고 봅니다.
저자는 이렇게 봅니다연결만으로는 사업 가치가 생기지 않습니다. 풀 문제와 KPI, 공장 간 공통 정의를 먼저 세워야 합니다.
근거Sethi는 시스템마다 다른 용어와 마스터 데이터 구조가 앱을 흔든다고 했고 Beemer는 급송 운임을 넣고 빼는 차이로 공장 간 CoPQ 비교가 어렵다는 예를 들었습니다.
흔히 이렇게 봅니다AI 도입의 목표는 사람 손을 빨리 빼는 완전 자동화라고 봅니다.
저자는 이렇게 봅니다권한은 검토, 코칭, 생성 순으로 넘기고 완전 자율은 맞는 업무에만 둡니다. AI를 써도 결정 책임은 사람에게 남습니다.
근거BorgWarner는 단계마다 신뢰도를 확인하고 넘어가며 연사들은 규칙이 단순한 정비부터 자율화를 시작하라고 권했습니다.
저자가 든 사례
Autoliv: 발주·출하 통지 점검을 에이전트에
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 플래너가 부족 가능성 조사에 많은 시간을 쓰고 차질이 두려워 최소 재고를 올림 | 손으로 하던 점검 일부를 AI 에이전트로 옮겨 PO와 ASN을 분석. IT 전문가, 제조 IT팀, 자동화 엔지니어를 한 문제에 묶음 | 부족을 더 일찍 찾고 과한 안전재고를 줄이는 것이 목표. 수치는 원문에서 밝히지 않음 | PO·ASN Pre-check Agent, Problem and KPI First |
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 엔지니어링 규정 준수 문제가 최종 감사에서야 드러남 | AI가 엔지니어링 공정의 점검을 지원. 권한은 검토, 코칭, 생성 순으로 넓힘. 직원에게 기초 데이터 사이언스를 가르침 | Beemer에 따르면 감사 처리 능력이 늘고 후속 공정 품질이 좋아짐. 수치는 원문에서 밝히지 않음 | Review, Coach, Generate |
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 지속적 생산 제약을 찾으려면 많은 데이터를 손으로 봐야 함 | 설비 상태 네 가지를 계속 기록하고 AI 에이전트가 몇 주~몇 달치를 분석 | 차질을 가장 크게 만드는 스테이션과 원인 후보를 수작업 없이 파악 | Equipment-State Bottleneck Analysis |
PO·ASN 점검 에이전트를 돌리려면 규칙으로 걸러낼 것과 모델이 판단할 것을 나눕니다. 수량 차이, ASN 미도착, 도착 예정일이 소요일보다 늦은 경우는 규칙으로 잡습니다. 공급사 메모나 이메일처럼 글로 된 지연 사유만 LLM이 읽어 위험도를 매깁니다. 출력은 JSON으로 고정하고 temperature는 0으로 둡니다. 아래는 가상 예시입니다.
{
"po_id": "PO-48213",
"part_no": "SB-7710",
"need_date": "2026-11-20",
"asn_qty": 1800,
"po_qty": 2400,
"asn_eta": "2026-11-19",
"gap_qty": 600,
"risk": "high",
"reason_code": "QTY_SHORT",
"evidence": ["ASN-99120 line 3", "supplier note 11-12"],
"checked_at": "2026-11-14T06:00"
}하루 2~4회 돌리고 같은 건을 세 번 돌려 위험도가 갈리면 사람 확인으로 넘깁니다. 안전재고는 경고 적중률을 몇 주 지켜본 뒤에 부품군별로 낮춥니다. 적중률이 낮은 부품군은 기존 최소 재고를 유지합니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 담당 | 하는 일 |
|---|---|---|
| 문제 소유자 | 자재 계획 팀장 또는 엔지니어링 감사 책임자 | 풀 문제와 KPI 확정, 단계 전환 승인 |
| 플래너·감사자 | 현업 실무자 3~5명 | 검토 단계에서 AI 표시마다 판정 기록 |
| 제조 IT·자동화 엔지니어 | 각 1명 | PO·ASN·설비 데이터 연결, 마스터 사본 관리 |
| AI 개발자 | 1~2명 | 규칙·프롬프트·JSON 스키마, 지표 대시보드 |
| 데이터 정의 담당 | 품질·원가 담당 | CoPQ 같은 공통 정의 문서화 |
준비물은 최근 6개월 PO와 ASN 원본, 과거 부족 발생 기록, 부품군별 최소 재고 기준, 공장별 KPI 계산식입니다. 아래 일정은 가상 예시입니다.
시작 전 확인 질문은 이렇습니다. 지난 분기에 부족을 처음 안 시점은 생산 며칠 전이었나? 최소 재고를 올린 이유가 기록돼 있나? 공장마다 CoPQ에 어떤 비용을 넣나? 측정 장비의 MSA 결과가 최근 것인가? 진행 판정은 가상 예시로, 과거 부족 사례의 80% 이상을 사흘 전에 잡았고 플래너가 경고의 절반 이상을 유효하다고 판정하면 계속합니다. 둘 다 못 미치면 규칙과 입력 데이터를 다시 봅니다.
AX 적용 순서로는 규칙이 분명하고 틀려도 피해가 작은 업무부터 고르는 편이 좋습니다. 제조 고객사라면 사이클 기반 정비 지시나 PO·ASN 점검처럼 이미 규칙이 있는 일을 첫 과제로 잡고 검토 단계 로그를 쌓아 경영진에게 단계 전환을 데이터로 보고합니다. 여러 공장을 비교하는 대시보드나 디지털 트윈은 공통 정의와 MSA를 마친 뒤로 미룹니다. BorgWarner처럼 현업에 기초 데이터 사이언스를 가르치면 공정 전문가와 AI 개발자가 같은 말을 쓰게 돼 단계 전환 판단이 빨라집니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | Automotive Manufacturing Solutions, 2026.11.4 게재, Timo Gilgen(국제 편집장) 작성 |
| 행사 | Automotive Manufacturing North America(AMNA) 2026 패널 |
| Autoliv | Nitin Sethi(Autoliv Americas IT 총괄 부사장). PO·ASN 점검을 AI 에이전트로, 부족 조기 발견과 과한 안전재고 축소 목표. IT 전문가·제조 IT·자동화 엔지니어 협업. 공급사의 자동차용 데이터 모델 필요 |
| BorgWarner | Maria Beemer(변환·디지털화 글로벌 수석 엔지니어). 엔지니어링 규정 준수 감사 지원, 감사 능력·후속 품질 개선. 검토→코칭→생성(사람 검토)→제한적 자율. 기초 데이터 사이언스 교육 |
| 병목 분석 | Rajeev Kalamdani. running·stopped·blocked·starved 상태를 몇 주~몇 달 분석 |
| 트윈 유지 | MSA, PLC·CNC 버전 관리, 마스터 사본. Kistler의 Hiroyuki Natsume: 용도별 수집 빈도, 양산 6·12개월 뒤 편차 검토 |
| 자율화 시작점 | 50,000사이클 정비 작업 지시 같은 규칙 기반 정비. 차체 공장이 최종 조립보다 자율화에 유리 |
| 성과 수치 | 원문에서 밝히지 않음 |
핵심 개념
- ASN (Advance Shipping Notice)
- 공급사가 물건을 보내기 전에 품목, 수량, 도착 예정일을 알려 주는 전자 통지입니다.
- Safety stock
- 수요나 공급이 흔들려도 생산이 멈추지 않도록 따로 들고 있는 재고입니다.
- CoPQ (Cost of Poor Quality)
- 불량 때문에 생기는 폐기, 재작업, 급송 같은 비용의 합입니다. 무엇을 넣느냐가 공장마다 다를 수 있습니다.
- MSA (Measurement System Analysis)
- 측정 장비와 측정 방법이 만드는 오차가 얼마인지 따져 측정값을 믿어도 되는지 판단하는 분석입니다.
- PLC·CNC 프로그램
- 설비를 움직이는 제어 프로그램입니다. 바뀐 버전이 디지털 트윈에 반영되지 않으면 모델과 현장이 어긋납니다.
- MES·PLM
- MES는 생산 실행을, PLM은 설계부터 단종까지 제품 정보를 관리하는 시스템입니다.
내 메모
TODO: 내 생각 추가
원문은 Automotive Manufacturing Solutions의 「From connected data to virtual factories: How AI delivers value in automotive manufacturing」(Timo Gilgen, 2026.11.4)입니다. AMNA 2026 패널에서 Nitin Sethi(Autoliv), Maria Beemer(BorgWarner), Rajeev Kalamdani, Hiroyuki Natsume(Kistler)가 한 이야기를 기사가 정리한 것입니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 기사에 성과 수치는 없습니다. ASN·CoPQ·MSA 같은 용어 풀이와 Gage R&R 기준은 일반적인 정의로 보탰습니다. JSON 예시, 규칙·LLM·사람의 역할 나누기, 단계 전환 지표와 기준, 병목 계산 방법, 역할·일정·판정 기준, 인포그래픽은 기사에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.