On-premise LMM: 가와사키중공업이 도면과 숙련 엔지니어의 판단 기준을 사내 AI로 정리한다

가와사키중공업은 리코의 문서 독해형 LLM·LMM을 자사 서버에 들여와 도면과 기술 문서에 묻힌 설계 지식, 숙련 엔지니어의 판단 기준을 AI로 정리하는 실증을 시작했습니다. 따라 하려면 모델보다 먼저 세 가지를 갖춰야 합니다. 기밀 도면을 밖으로 내보내지 않는 배치, 숙련자에게서 판단 기준을 꺼낼 질문, 그 답을 검증할 평가 질문 세트입니다.

요약

리코와 가와사키중공업(川崎重工業)은 2026년 11월 2일 설계 업무의 지식 자산을 AI로 활용하는 전략적 파트너십을 발표했고, 제조업 매체 MONOist가 11월 5일 이를 전했습니다. 무대는 항공기와 로봇처럼 복잡한 제품을 만드는 가와사키중공업의 설계·기술 영역입니다. 리코는 기업 문서 독해에 강한 자사 LLM(대규모 언어 모델)과 LMM(Large Multimodal Model, 글과 그림을 함께 처리하는 모델)을 가와사키중공업의 온프레미스(사내 서버) 환경에 설치합니다. 가와사키중공업은 철도 차량·선박·항공기·로봇 개발에서 쌓은 설계 지식과 도면·표·그래프가 든 기술 문서, 업무 데이터, 실증 환경을 내놓습니다. 실제 업무 환경에서 두 가지를 검증합니다. 설계 문서와 도면에 쌓인 지식을 꺼내 쓰는 방법, 그리고 숙련 기술자의 경험·노하우·판단 기준 같은 암묵지를 AI로 정리·시각화해 조직이 이어받는 방법입니다.

실증의 뼈대. 자료와 모델이 모두 가와사키중공업 사내에 있습니다.

배경은 제조업 전반의 문제입니다. 사내에 쌓인 설계 문서와 도면은 충분히 쓰이지 못하고 숙련자의 노하우는 특정 개인에게 묶여 있습니다. 인력 부족과 숙련 기술자 은퇴가 겹치면서 이 지식을 조직 전체가 이어받을 구조가 급해졌다고 두 회사는 설명합니다. 모델을 사내에 설치하는 이유는 기밀성이 높은 설계 데이터와 도면을 회사 안에서 다루기 위해서입니다. 실증을 막 시작한 단계라 기간, 참여 인원, 생산성 수치는 발표되지 않았습니다. 두 회사는 이번 실증에서 얻은 지식과 유스케이스를 넓혀 설계 노하우 계승과 생산성을 높이고 기술자가 더 창의적인 일에 집중하게 하겠다고 밝혔습니다. 아래에서는 이 구조를 네 가지 메커니즘으로 풀고, 같은 실증을 다른 제조사가 돌릴 때 필요한 기술·현업 디테일을 붙입니다.

실증 착수 단계의 발표라 숫자 대신 범위와 역할이 나와 있습니다.

핵심 메커니즘

On-premise LLM·LMM: 기밀 도면을 회사 밖으로 내보내지 않는다

On-premise(온프레미스) 배치는 모델을 외부 클라우드 API로 부르지 않고 회사 서버에 설치해 돌리는 방식입니다. 도면과 문서는 사내 저장소에서 사내 서버의 모델로만 흘러가고 질문, 답, 기록도 사내에 남습니다. 방산·항공처럼 도면 반출이 계약이나 규정으로 막혀 있거나 협력사 도면이 섞여 있는 곳에 맞습니다. 다루는 문서가 대부분 공개 자료이고 최신 대형 모델의 성능이 더 중요하다면 클라우드가 빠릅니다. 이번 발표에서 리코는 사내 환경에서 쓸 수 있는 LLM·LMM 기반 생성형 AI 기반을 제공하고, 기밀성 높은 설계 데이터와 도면을 회사 안에서 안전하게 다룰 수 있다는 점을 강점으로 들었습니다. 가상 예시를 들면, 협력사 도면 번호가 찍힌 조립도를 질문에 붙여도 그 이미지는 사내 망을 벗어나지 않습니다.

두 배치 방식의 일반적인 차이. 오른쪽이 이번 실증의 선택입니다.

LMM 문서 독해: 도면·표·그래프를 글과 함께 읽는다

리코 설명에 따르면 LMM은 텍스트, 이미지, 음성, 영상처럼 형식이 다른 데이터를 한꺼번에 처리하는 모델입니다. 설계 문서의 핵심은 본문보다 도면, 부품표, 시험 그래프에 담긴 경우가 많습니다. 글만 읽는 모델은 문자 인식으로 뽑은 글자 조각만 보지만 LMM은 페이지 이미지를 그대로 받아 표의 행과 열, 도면의 표제란과 주기를 함께 읽고 글로 답합니다. 스캔 도면, 손글씨 메모, 그래프가 많은 시험 보고서에 특히 쓸모가 있습니다. 가와사키중공업이 내놓는 자료가 바로 도면·표·그래프를 포함한 기술 문서이고, 리코는 자사 모델이 기업 내 문서 독해에 강하다고 설명합니다. 리코는 2025년 12월 문서·도면·보고서 같은 비정형 데이터를 AI로 쓰는 기업용 플랫폼 Hi.DEEN(히덴)을 발표했습니다. 이번 실증에 Hi.DEEN을 그대로 들이는지는 발표에 나오지 않습니다. 가상 예시로, 설계자가 “이 브래킷의 재질을 바꾼 이력이 있나”라고 물으면 개정 이력 표와 도면 주기를 함께 찾아 답하는 식입니다.

글만 읽는 모델과 달리 그림과 표를 같은 입력으로 받습니다.

Tacit Knowledge 시각화: 숙련자의 판단 기준을 꺼내 보이게 한다

Tacit knowledge(암묵지)는 문서에 적히지 않고 사람 머릿속에 남은 경험, 노하우, 판단 기준입니다. 이번 실증은 이것을 AI로 정리하고 시각화해 조직 안에서 이어받고 활용하는 방법을 시험합니다. 구체적인 추출 방법은 발표에 나오지 않아 아래 작동 순서는 실행 예시입니다. 숙련자 인터뷰 녹취, 설계 검토 회의록, 도면 개정 사유처럼 판단의 흔적이 남은 자료를 모읍니다. AI가 그 자료에서 “어떤 상황에서 무엇을 보고 어떻게 판단했나”를 규칙 카드로 뽑습니다. 숙련자가 카드를 고치고 예외를 보탠 뒤 판단 흐름도나 검토 체크리스트로 만들어 후배 설계자와 공유합니다. 판단이 손 감각에 있어 말이나 기록으로 남지 않는 작업에는 이 방식이 잘 듣지 않습니다.

암묵지 정리를 실제로 돌리는 순서의 실행 예시. 발표는 정리·시각화·계승을 검증한다고만 밝혔습니다.

Cross-domain 지식: 사업부마다 흩어진 설계 지식을 가로질러 찾는다

리코 발표문은 설계 지식을 사업 영역을 가로질러(横断的に) 이해·정리·활용한다고 표현합니다. 가와사키중공업이 지식을 내놓는 영역은 철도 차량, 선박, 항공기, 로봇입니다. 실제로 돌린다면 사업부별 문서를 한 색인에 모으되 사업부, 제품, 개정, 접근 권한을 태그로 달아 둡니다. 그러면 한 사업부의 설계자가 다른 사업부에서 비슷한 문제를 어떻게 판단했는지 찾아봅니다. 사업부 사이 정보 공유가 계약이나 수출 규정으로 막혀 있으면 권한 태그부터 정리한 뒤 색인을 합칩니다.

가와사키중공업이 지식을 내놓는 네 사업 영역과, 이를 가로질러 찾게 하는 색인의 실행 예시

통념과 다른 주장

흔히 이렇게 봅니다설계 AI의 목표는 설계안을 자동으로 만들어 사람 손을 덜어 주는 것이다.

가와사키중공업은 이렇게 봅니다AI에 설계를 맡기려는 것이 아니라 기술자가 AI를 써서 사고와 판단의 폭을 넓히게 하려는 것입니다.

근거리코 발표문에 실린 가와사키중공업 川﨑卓巳 상무집행임원(기술개발본부장)의 설명입니다. 두 회사는 숙련자의 판단 기준을 조직이 이어받고 기술자가 창의적인 일에 집중하는 환경을 목표로 들었습니다.

설계 AI를 자동화 도구가 아니라 판단 보조로 놓는 관점

저자가 든 사례

가와사키중공업 × 리코: 설계 도면과 숙련자 판단 기준을 사내 AI로

상황: 사내 설계 문서와 도면의 지식이 충분히 쓰이지 못하고 숙련 기술자의 노하우가 개인에게 묶여 있습니다. 인력 부족과 숙련자 은퇴로 계승이 어려워지고 있습니다.
한 일: 리코와 전략적 파트너십을 맺고 리코의 LLM·LMM을 사내 환경에 설치해, 항공기·로봇 등 설계·기술 영역에서 설계 지식 활용과 암묵지 정리·시각화·계승 방법을 실제 업무 환경에 맞춰 검증합니다. 리코는 생성형 AI 기반과 도입·활용 노하우를, 가와사키중공업은 설계 지식, 기술 문서, 업무 데이터, 실증 환경을 맡습니다.
결과: 2026년 11월 2일 발표 시점에 실증을 시작했습니다. 기간, 대상 인원, 생산성 수치는 원문에서 밝히지 않았습니다. 얻은 지식과 유스케이스를 넓혀 나갈 계획입니다.
연결: On-premise LLM·LMM, LMM 문서 독해, Tacit Knowledge 시각화, Cross-domain 지식.

사례 재구성. 결과는 아직 착수 단계입니다.

기술 디테일: 사내 서버에서 도면 지식 실증을 돌린다면

아래 필드명, 설정값, 수량은 실행 제안이자 가상 예시입니다. 발표에서 온 내용은 따로 표시했습니다.

도면은 페이지 단위로 나눠 표제란부터 구조화합니다(LMM 문서 독해). 한 파일에 수십 장이 묶인 도면집을 통째로 넣으면 어느 페이지에서 나온 답인지 추적하기 어렵습니다. 페이지마다 LMM에 넣어 아래처럼 JSON으로 뽑습니다. 스캔본은 해상도를 300dpi 이상으로 맞추고, 원본 CAD가 있으면 PDF로 다시 내보낸 파일을 우선 씁니다.

{
  "doc_id": "DWG-RB-10234",
  "revision": "C",
  "status": "current",
  "business_unit": "robot",
  "doc_type": "assembly_drawing",
  "page": 3,
  "title_block": {
    "part_name": "아암 브래킷",
    "material": "A5052",
    "approved_date": "2024-06-12"
  },
  "notes": ["모서리 R2 이상", "용접 후 응력 제거"],
  "tables": [{"name": "부품표", "rows": 14}],
  "access_group": "robot-design",
  "source_path": "pdm://robot/DWG-RB-10234/C.pdf"
}

추출은 temperature 0으로 같은 페이지를 3회 돌려 필드 값이 모두 같은지 봅니다. 한 번이라도 다른 필드는 사람 확인 대기열로 보냅니다. 처음 2주 동안 대기열에 오르는 비율이 20%를 넘으면 스캔 품질이나 프롬프트부터 고칩니다.

사내 서버 안에서 도는 다섯 단계 파이프라인(가상 예시)

답에는 근거 도면 번호와 개정을 붙입니다(On-premise LLM·LMM, Cross-domain 지식). 검색은 질문을 받으면 access_group으로 볼 수 있는 문서만 먼저 거르고, status가 폐기된 개정은 기본에서 뺍니다. 답은 doc_id, revision, page를 인용하지 못하면 내보내지 않고 “근거 문서를 찾지 못했다”로 돌려줍니다. 모델, 색인, 질의 기록을 모두 사내 서버에 두고 기록은 사용자, 질문, 인용 문서를 남겨 감사에 씁니다. 다른 사업부 문서를 인용할 때는 답에 사업부 이름을 표시해 설계자가 맥락 차이를 알아보게 합니다.

판단 기준은 규칙 카드로 뽑습니다(Tacit Knowledge 시각화). 인터뷰 녹취나 회의록을 넣고 아래 형식으로 초안을 받습니다. 카드는 숙련자가 확인해야 reviewed_by가 채워지고, 확인 전 카드는 검색 답에 쓰지 않습니다.

{
  "card_id": "RULE-0087",
  "situation": "경량화로 브래킷 두께를 줄일 때",
  "signal": "고정 볼트 간격이 두께의 10배를 넘음",
  "decision": "리브 추가를 먼저 검토",
  "reason": "진동 시험에서 균열이 난 이력",
  "exceptions": ["실내 고정 설비는 제외"],
  "evidence_docs": ["DWG-RB-10234 rev.B", "시험보고 TR-2291"],
  "author": "interview-2026-12-03",
  "reviewed_by": null
}

evidence_docs가 빈 카드는 경험담으로만 분류해 따로 둡니다. 판단 흐름도는 같은 situation을 공유하는 카드를 묶어 그립니다.

숙련자 질문 세트로 채점합니다. 숙련자 3명이 최근 1년 사이 후배에게 실제로 받은 질문 50개를 모으고 정답과 근거 문서를 적어 둡니다. 같은 질문을 3회씩 돌려 아래 기준으로 채점하고, 3회 점수 차가 2점을 넘는 질문은 따로 모아 원인을 봅니다.

평가 질문 채점 기준(가상 예시)

막히는 경우	증상	대응
스캔 품질 낮음	치수·주기를 잘못 읽음	원본 CAD에서 다시 내보내기, 재스캔
개정이 섞임	옛 개정 값으로 답함	`status` 필터, 답에 개정 표시 의무화
사업부 간 권한 충돌	보안 부서가 색인 통합 반대	`access_group` 정리 후 단계적 통합
숙련자 시간 부족	규칙 카드 확인이 밀림	30분 녹음 인터뷰, 카드 확인은 주 1회 묶음
사내 서버 자원 부족	피크 시간 응답 지연	추출은 야간 배치, 낮에는 질의응답만

현업 실행 디테일: 누가, 언제, 무엇을

발표는 리코가 AI 기반과 도입 노하우를, 가와사키중공업이 설계 지식과 데이터, 실증 환경을 맡는다고 밝혔습니다. 아래 역할, 일정, 기준은 이를 바탕으로 새로 짠 가상 예시입니다.

역할	맡는 일
설계 부문장(스폰서)	대상 제품군 선정, 진행 판정, 사업부 간 공유 승인
숙련 엔지니어 3~5명	인터뷰, 규칙 카드 확인, 평가 질문과 정답 작성
젊은 설계자 5~10명	실제 질의 사용, 답 유용성 평가
문서 관리(PDM) 담당	도면·문서 추출, 개정 상태 정리
IT 인프라	사내 GPU 서버, 백업, 접근 기록
정보보안·수출 관리	반출 금지 범위, 권한 태그 기준
AI 벤더(리코 역할)	모델 설치, 추출·검색 설정, 튜닝

준비물. 대상 제품군 하나의 최근 5년 도면과 개정 이력, 설계 검토 회의록, 시험 보고서, 설계 기준서가 필요합니다. 숙련자별로 가장 자주 받는 질문 10개를 미리 적어 오게 하고, 정보보안 부서와는 사내 서버 밖으로 나가면 안 되는 문서 범위를 첫 주에 확정합니다.

12주 실증 일정(가상 예시)

숙련자에게 물을 것.

후배의 설계 검토에서 가장 자주 되돌려 보내는 이유는 무엇인가요?
설계 기준서에는 없지만 늘 확인하는 항목은 무엇인가요?
과거 문제를 보고 판단을 바꾼 사례가 있나요? 그 근거 문서는 어디에 있나요?
다른 사업부의 설계를 참고해 문제를 푼 적이 있나요?
이 판단을 신입에게 설명할 때 어떤 도면을 펼쳐 보이나요?

진행 판정 기준(예시). 평가 질문 50개의 평균이 4점 이상이고 0점 답이 3개 이하이며, 숙련자가 확인한 규칙 카드가 50장을 넘고 젊은 설계자 절반 이상이 검토 준비 시간이 줄었다고 답하면 다른 제품군으로 넓힙니다. 평균이 3~4점이면 개정 정리와 카드 확인을 보완해 6주 더 봅니다. 3점에 못 미치거나 근거 없는 단정 답이 반복되면 문서 정리부터 다시 합니다.

AX 적용 제언. 자동차 부품, 플랜트 설계, 반도체 장비처럼 도면 반출이 막혀 있고 숙련자 은퇴가 다가오는 제조사라면 같은 순서가 그대로 들어맞습니다. 순서는 보안 범위 확정, 제품군 하나의 도면 정리, 숙련자 질문 세트 작성, 사내 모델 실증, 규칙 카드 확대입니다. 모델을 고르기 전에 숙련자 질문 50개와 정답부터 만들면 벤더 비교와 진행 판정에 같은 잣대를 씁니다. 스폰서는 IT가 아니라 설계 부문장이 맡아야 숙련자 시간이 확보됩니다.

원문 사례

항목	내용
원문	MONOist 기계설계 뉴스, 2026.11.5 게재, 편집부
1차 자료	리코 보도자료, 2026.11.2
참여	리코(入佐孝宏 CSO), 가와사키중공업(川﨑卓巳 상무집행임원·기술개발본부장)
형태	설계 업무 지식 자산 활용을 위한 전략적 파트너십
대상 영역	가와사키중공업 설계·기술 영역, 항공기·로봇 등 복잡한 제품
배경	설계 문서·도면 활용 부족, 노하우 개인 의존, 인력 부족과 숙련자 은퇴
리코 역할	사내 환경용 LLM·LMM 생성형 AI 기반, 도입·활용 노하우
가와사키중공업 역할	철도 차량·선박·항공기·로봇 설계 지식, 도면·표·그래프 포함 기술 문서, 업무 데이터, 실증 환경
검증 내용	설계 문서·도면 지식 활용, 경험·노하우·판단 기준의 정리·시각화·계승 방법
관련 제품	리코 Hi.DEEN(2025.12 발표, 이번 실증 적용 여부는 언급 없음)
수치	기간·인원·생산성 수치 언급 없음

핵심 개념

技術継承(기술 계승): 숙련자의 기술과 판단을 다음 세대 기술자에게 넘기는 일입니다. 일본 제조업에서 은퇴 세대 증가와 함께 자주 쓰는 말입니다.
Title block(표제란): 도면 오른쪽 아래에 부품명, 도면 번호, 재질, 작성·승인자, 개정 기호를 적는 칸입니다. 도면을 구조화할 때 가장 먼저 읽는 곳입니다.
PDM: Product Data Management. 도면과 설계 문서의 개정과 승인 상태를 관리하는 시스템입니다.
RAG: Retrieval-Augmented Generation. 질문과 관련된 문서를 먼저 찾아 모델에 넣고 그 근거로 답하게 하는 방식입니다.
Hi.DEEN: 리코가 2025년 12월 발표한 기업용 AI 플랫폼입니다. 문서, 도면, 보고서 같은 비정형 데이터를 AI로 활용하는 것을 내세웁니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist의 「設計図面や熟練技術者のノウハウをAIで活用、リコーと川崎重工が連携」(2026.11.5, 편집부)입니다. 가와사키중공업 측의 목표 설명(AI에 설계를 맡기지 않고 기술자의 사고·판단을 넓힌다), 설계 지식을 사업 영역을 가로질러 활용한다는 표현, LLM·LMM의 정의, 사내 설치의 이유는 같은 발표를 담은 리코 보도자료(Digital PR Platform, 2026.11.2)로 보탰습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 두 자료의 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작동 순서와 작은 예시, 핵심 개념의 뜻풀이는 일반적인 설명으로 보탰습니다. JSON 예시, 채점 기준, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명, 부품명, 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.