FaSTLAne 2030: Stellantis가 프레스 이상 감지와 가상 라인 교육으로 개발·양산 시간을 줄이는 방식
Stellantis 미국 Sterling 공장은 프레스에서 판재가 비정상적으로 움직이면 작업자에게 알리는 AI로 1년 안에 초기 투자의 약 4배를 아꼈고 다른 라인으로 넓힙니다. Sochaux 공장은 가상 라인 교육으로 훈련을 10일에서 5일로 줄였습니다. 회사는 이런 공장 AI를 묶어 개발 기간을 약 40개월에서 24개월로 줄이려 합니다.
Stellantis는 프레스 판재 이상 감지, 고장 전 조치 권고, 지그 없는 형상 검사, 가상 라인 교육을 공장마다 따로 시험한 뒤 효과가 확인된 것부터 다른 라인으로 넓힙니다. 회사는 이 공장 AI를 시뮬레이션 중심 개발과 묶어 차 한 대의 개발 기간을 약 40개월에서 24개월로 줄이겠다고 밝혔습니다. 따라 하려면 라인 하나에서 절감액과 투자액을 같은 장부로 재고 확대 조건을 시작 전에 정해 두어야 합니다.
요약
이탈리아 자동차 매체 ClubAlfa Global의 Francesco Armenio 기자가 2026년 11월 17일에 쓴 기사입니다. Stellantis가 중기 계획 FaSTLAne 2030 아래에서 공장과 개발 조직에 넣은 AI를 공장별로 묶어 소개합니다. 미국 미시간 Sterling 공장에서는 ThinkDigits의 시스템이 프레스 성형(stamping, 판재를 금형으로 눌러 차체 부품을 만드는 공정) 중 판재가 비정상적으로 움직이면 작업자에게 알립니다. 작업자는 부품이 상하기 전에 손을 쓸 수 있습니다. 같은 회사의 SmartFix는 설비 데이터를 분석해 기계가 멈추기 전에 문제를 짚고 작업자에게 조치를 권합니다. 스페인 Zaragoza 공장은 Zeiss 측정 시스템으로 프레스 부품의 형상을 검사합니다. 부품 설계가 바뀌면 검사 기준을 소프트웨어에서 고칩니다. 프랑스 Sochaux 공장은 Uptale의 가상 라인에서 직원을 먼저 훈련시킵니다.
회사가 밝힌 효과는 이렇습니다. Sterling의 판재 감시는 1년 안에 초기 투자의 약 4배를 아꼈고 회사는 다른 생산 라인으로 넓힐 계획입니다. Sochaux에서는 교육 기간이 10일에서 5일로 줄고 사람 실수로 생긴 불량과 라인 정지가 절반으로 줄었습니다(기사는 이 수치를 Alliance News 보도로 인용합니다). 개발 쪽 숫자는 더 큽니다. 가장 오래 걸리는 프로그램 기준 약 40개월인 개발 기간을 약 24개월로 줄이는 것이 목표이며 일부 AI 시뮬레이션은 최대 300배 빨리 돌린다고 회사는 추정합니다. 자동화로 소프트웨어 개발 생산성은 약 37% 오른다고 봅니다. Accenture·Nvidia와는 공장 디지털 트윈(실제 공장을 본뜬 가상 모델)을 만들어 라인을 바꾸기 전에 시뮬레이션합니다. Palantir와는 공급사 관리와 부품 수급 협력을 2031년까지 늘렸습니다. 공장 개선은 2025년 대비 2028년까지 연 60억 유로를 아끼는 목표에도 들어갑니다. 아래에서는 네 가지 공장 AI와 개발 시뮬레이션이 각각 어떻게 돌아가는지 풀고 우리 공장에서 라인 하나로 시작할 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Draw-in Monitoring: 판재가 금형으로 빨려 드는 움직임을 타발마다 본다
무엇인가. 프레스가 판재를 누를 때 판재 가장자리는 금형 안쪽으로 끌려 들어갑니다. 이 움직임을 draw-in(성형 중 판재 유입)이라 부릅니다. 유입량이 평소와 다르면 주름이나 터짐이 생기기 쉽습니다. Sterling 공장의 ThinkDigits 시스템은 이 움직임을 실시간으로 보다가 비정상이면 작업자에게 알립니다.
어떻게 작동하나. 입력은 타발(프레스 한 번 누름)마다 측정한 판재의 움직임입니다. 처리 단계에서 평소 범위와 비교해 벗어났는지 판정합니다. 출력은 작업자 경보이고 작업자는 불량 부품이 줄줄이 나오기 전에 라인을 멈추거나 조건을 고칩니다. 핵심은 다 만든 뒤 검사로 걸러 내는 대신, 만드는 도중에 편차를 잡는 데 있습니다.
언제 쓰나. 같은 금형으로 하루 수천 타발을 찍는 대량 프레스 라인, 소재 로트나 윤활 상태에 따라 품질이 흔들리는 부품에 맞습니다. 금형을 자주 바꾸는 소량 다품종 라인에서는 금형마다 기준을 다시 잡아야 해 효과가 늦게 나타납니다.
원문의 예. Sterling 공장. 1년 안에 초기 투자의 약 4배를 아꼈고 다른 라인으로 넓힐 계획입니다.
SmartFix: 설비 데이터로 고장 전에 할 일을 권한다
무엇인가. ThinkDigits의 또 다른 도구로, 설비 데이터를 분석해 기계가 고장 나기 전에 문제를 찾아내고 현장 작업자에게 해야 할 조치를 권합니다.
어떻게 작동하나. 입력은 설비 데이터입니다. 처리 단계에서 고장으로 이어질 징후를 찾고 출력으로 작업자가 바로 실행할 조치를 내놓습니다. 이상 점수만 띄우는 감시와 달리 “무엇을 하라”까지 건네는 것이 차이입니다.
언제 쓰나. 고장 한 번에 라인 전체가 서는 프레스·용접 설비처럼 정지 비용이 큰 자산에 먼저 씁니다. 정비 이력이 기록돼 있지 않으면 권고의 근거가 약해집니다.
원문의 예. 기사는 SmartFix의 기능만 소개하고 적용 공장이나 수치는 밝히지 않았습니다.
Software-defined Inspection: 지그 없이 형상을 재고 기준은 소프트웨어에서 바꾼다
무엇인가. Zaragoza 공장은 Zeiss 측정 시스템으로 프레스 부품의 형상(geometry)을 검사합니다. 부품 설계가 바뀌면 엔지니어가 소프트웨어에서 검사 기준을 고칩니다.
어떻게 작동하나. 예전 치수 검사는 부품을 매번 같은 자리에 놓으려고 부품 전용 지그(fixture, 고정 장치)를 썼습니다. 설계가 바뀌면 지그도 다시 만들어야 했습니다. 지그 없이 형상을 재고 기준을 소프트웨어로 관리하면 설계 변경이 검사 장비 교체가 아니라 기준 파일 수정으로 끝납니다. 지그가 없다는 점은 같은 행사를 다룬 Mecânica Online 기사에서 보충했습니다.
언제 쓰나. 설계 변경이 잦은 신차 초기 양산, 여러 차종 부품을 한 검사 셀에서 재야 하는 공장에 맞습니다.
Virtual Line Training: 실제 라인에 서기 전에 가상 라인에서 익힌다
무엇인가. Sochaux 공장 직원은 Uptale로 만든 생산 라인의 가상 복제본에서 먼저 훈련한 뒤 실제 라인에 섭니다.
어떻게 작동하나. 작업 순서와 위험 지점을 몰입형 모듈로 보여 주고 신입은 실제 설비를 세우지 않고 반복 연습합니다. 실물 라인을 교육에 내주지 않아도 되고 같은 내용을 누구에게나 똑같이 가르칠 수 있습니다.
언제 쓰나. 신입 채용이 많거나 라인 전환으로 작업자를 다시 가르쳐야 할 때 씁니다. 기계·전기·중량물 위험이 있는 작업은 가상 교육만으로 끝내지 않고 현장 실습과 안전 확인을 거칩니다.
원문의 예. 교육 기간 10일에서 5일, 사람 실수로 생긴 불량과 정지 절반 감소(Alliance News 인용).
Simulation-first Development: 실물보다 시뮬레이션을 먼저 돌린다
무엇인가. 개발 단계에서는 AI 보조 시뮬레이션과 공장 디지털 트윈으로 실물 시험과 라인 변경을 앞당겨 검증합니다. 회사는 일부 시뮬레이션이 최대 300배 빠르다고 추정합니다.
어떻게 작동하나. 설계안을 실물로 만들어 시험하기 전에 시뮬레이션으로 먼저 거릅니다. 생산 라인을 바꿀 때도 Accenture·Nvidia와 만든 디지털 트윈에서 먼저 돌려 봅니다. 시험 한 번의 대기 시간이 줄면 설계를 고쳐 보는 횟수가 늘어납니다. 이것이 약 40개월을 약 24개월로 줄이겠다는 목표의 바탕입니다.
언제 쓰나. 같은 해석을 수백 번 돌려야 하는 설계 탐색, 라인 레이아웃 변경처럼 실물 시험 비용이 큰 결정에 씁니다. 안전 인증처럼 실물 시험이 정해진 항목은 그대로 남습니다.
저자가 든 사례
Sterling 공장(미국 미시간): 프레스 판재 이상 경보
| 구분 | 내용 |
|---|---|
| 상황 | 프레스 성형 중 판재 움직임이 흔들리면 부품이 상함 |
| 한 일 | ThinkDigits 시스템이 비정상 움직임을 감지해 작업자에게 알림 |
| 결과 | 1년 안에 초기 투자의 약 4배 절감, 다른 생산 라인으로 확대 예정. 투자액과 절감액 금액은 원문에서 밝히지 않음 |
| 연결 | Draw-in Monitoring |
Zaragoza 공장(스페인): 소프트웨어로 고치는 형상 검사
| 구분 | 내용 |
|---|---|
| 상황 | 프레스 부품 설계가 바뀔 때마다 검사 방식도 바꿔야 함 |
| 한 일 | Zeiss 측정 시스템으로 형상 검사, 설계 변경 시 기준을 소프트웨어에서 수정 |
| 결과 | 금액·비율은 원문에서 밝히지 않음 |
| 연결 | Software-defined Inspection |
Sochaux 공장(프랑스): 가상 라인 교육
| 구분 | 내용 |
|---|---|
| 상황 | 신입이 실제 라인에서 배우는 동안 실수로 불량·정지가 생김 |
| 한 일 | Uptale로 만든 가상 라인에서 먼저 훈련 |
| 결과 | 교육 10일에서 5일, 사람 실수로 인한 불량·정지 절반 감소(Alliance News 인용) |
| 연결 | Virtual Line Training |
FaSTLAne 2030: 개발 기간과 비용 목표
| 구분 | 내용 |
|---|---|
| 상황 | 가장 긴 개발 프로그램이 약 40개월 걸림 |
| 한 일 | AI 보조 시뮬레이션, 공장 디지털 트윈(Accenture·Nvidia), 공급사·부품 수급 관리(Palantir, 2031년까지 연장) |
| 결과 | 목표 약 24개월, 일부 시뮬레이션 최대 300배, 소프트웨어 개발 생산성 약 37% 향상 추정, 2025년 대비 2028년 연 60억 유로 절감 목표 |
| 연결 | Simulation-first Development |
기술 디테일: 라인 하나에 공장 AI를 붙여 돌린다면
아래는 원문에 없는 내용으로, 우리 공장에서 같은 구조를 실제로 돌릴 때 필요한 것을 정리했습니다. 수치는 모두 가상 예시입니다.
Draw-in Monitoring을 돌리려면 기준부터 금형·소재 단위로 잡습니다. 판재 모서리 몇 곳의 위치를 카메라나 레이저 변위 센서로 타발마다 재고 프레스 톤수 곡선을 함께 남깁니다. 기준 분포는 금형 ID와 코일 로트 조합마다 따로 만듭니다. 소재 로트가 바뀌면 정상 범위 자체가 움직이기 때문입니다. 처음 2주는 경보를 끈 채 기록만 하는 그림자 모드로 정상 범위를 쌓습니다. 경보 규칙은 두 층으로 둡니다. 한 타발이 기준에서 크게 벗어나면 “주의”, 작은 편차가 여러 타발 연속 같은 방향으로 쌓이면 “점검”입니다. 두 번째 규칙이 금형 마모나 윤활 부족처럼 천천히 오는 문제를 잡습니다.
{
"event_id": "DI-20261119-0412",
"press_line": "P3",
"die_id": "D-1182-L",
"coil_lot": "C25-0931",
"stroke_no": 18422,
"corner": "RL",
"draw_in_mm": 41.7,
"baseline_mean_mm": 38.9,
"z_score": 3.4,
"rule": "single_stroke_3sigma",
"level": "주의",
"operator_ack": null,
"operator_finding": null
}
operator_ack와 operator_finding에는 작업자가 경보를 확인하고 실제 이상인지 오경보인지 남깁니다. 이 기록이 쌓여야 임계값을 조정할 수 있습니다. 오경보가 많으면 작업자가 경보를 무시하게 되므로, 파일럿 동안 교대당 오경보 건수를 매일 봅니다. 실패하는 경우는 대개 세 가지입니다. 센서 렌즈 오염이나 조명 변화로 측정값이 튀는 경우, 금형 정비 직후 기준이 바뀌었는데 그대로 쓰는 경우, 코일 교체를 시스템이 모르는 경우입니다. 측정 품질 점검 항목을 따로 두고 금형 정비와 코일 교체 이벤트를 MES에서 받아 기준을 자동으로 바꿉니다.
SmartFix처럼 조치까지 권하려면 권고를 과거 정비 기록에 묶습니다. 설비 시계열에서 이상 점수를 낸 뒤, 같은 설비군의 과거 작업 지시와 정비 메모를 검색해 비슷한 사례를 붙이고 LLM이 그 사례를 근거로 조치 문안을 씁니다. 출력은 asset_id, signal, similar_cases(작업 지시 번호 목록), recommended_action, evidence, confidence, needs_engineer 필드의 JSON으로 고정합니다. similar_cases가 비어 있으면 권고를 쓰지 않고 needs_engineer: true로 넘깁니다. temperature는 0~0.2로 두고 같은 입력을 3회 돌려 권고가 서로 다르면 사람 확인으로 돌립니다. 정비 메모가 “점검함”, “이상 없음”처럼 짧으면 검색이 쓸모없으므로, 시작 전에 최근 2년 작업 지시에서 원인·조치 칸이 채워진 비율을 먼저 셉니다.
{
"asset_id": "PRESS-P3-HYD-01",
"signal": "유압 온도 상승 추세 6시간",
"similar_cases": ["WO-24-1187", "WO-25-0342"],
"recommended_action": "다음 금형 교체 시간에 냉각 필터 점검·교체",
"evidence": "두 사례 모두 같은 추세 뒤 필터 막힘 확인",
"confidence": 0.72,
"needs_engineer": false
}
검사 기준을 소프트웨어로 다루려면 설계 변경 번호와 묶어 버전을 관리합니다. 검사 계획을 part_no, design_rev, feature_id, nominal, tolerance, method 행으로 저장합니다. 설계 변경(ECN)이 들어오면 이전 판과의 차이를 자동으로 뽑아 품질 엔지니어에게 승인 요청을 보냅니다. 승인 전에는 이전 기준으로 계속 재되, 측정 결과에 어느 판 기준으로 쟀는지 남깁니다. 이렇게 해야 설계 변경 직후 합격·불합격 판정을 거슬러 확인할 수 있습니다.
가상 라인 교육의 효과는 교육 일수만으로 재지 않습니다. 교육 일수, 첫 단독 작업까지 걸린 일수, 투입 후 30일 동안 사람 실수로 생긴 불량·정지 건수를 같은 표로 봅니다. 같은 분기 신입을 기존 교육과 가상 교육으로 나눠 비교하면 계절·차종 영향이 섞이지 않습니다.
개발 시뮬레이션을 앞당길 때는 빠른 모델의 결과를 표본으로 대조합니다. AI 대리 모델(surrogate)이 걸러 낸 설계안 가운데 일정 비율(예: 10건 중 1건)을 기존 물리 해석으로 다시 돌려 오차를 기록합니다. 오차가 허용 범위를 넘는 설계 영역에서는 빠른 모델을 쓰지 않습니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 생산기술 담당(파일럿 오너) | 라인·금형 선정, 경보 규칙 승인, 확대 여부 제안 |
| 프레스 반장·작업자 | 경보 확인과 operator_finding 기록, 오경보 신고 |
| 품질 엔지니어 | 불량 연속 길이 집계, 검사 기준 판 관리 승인 |
| 설비 보전 담당 | 정비 이력 정리, 조치 권고의 맞고 틀림 판정 |
| 데이터 엔지니어 | 센서·MES 연동, 기준 재설정 자동화 |
| 공장 재무 담당 | 투자액과 절감액을 같은 기준으로 산정 |
| 교육 담당 | 가상 라인 모듈 범위 결정, 신입 비교 집계 |
시작 전 준비물. 대상 라인의 최근 3개월 불량·재작업·정지 기록, 금형별 타발 수, 코일 로트 기록, 설비 정비 작업 지시 2년 치, 그리고 “절감액”을 무엇으로 셀지 재무와 합의한 한 장짜리 정의서(불량 부품 원가, 재작업 시간, 정지 시간 단가)입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1주차 | 라인 1개·금형 1~2개 선정, 지난 3개월 불량 기준선 산출 | 기준선 표, 절감액 정의서 |
| 2~3주차 | 센서 설치, 그림자 모드로 정상 범위 수집 | 금형·로트별 기준 분포 |
| 4~6주차 | 경보 켜기, 작업자 확인 기록 | 경보 로그, 오경보율 |
| 7~8주차 | 불량 연속 길이·정지 시간 전후 비교, 1년 환산 | 판정 보고서, 확대 제안 |
확인 질문. 지난 분기에 가장 비쌌던 프레스 불량은 무엇이고, 발견까지 몇 타발이 지났나? 경보가 울리면 누가 몇 분 안에 무엇을 하나? 금형 정비와 코일 교체를 시스템이 자동으로 알 수 있나? 절감액 계산에 재무가 동의했나? 다른 라인으로 옮길 때 금형·소재가 얼마나 다른가?
진행 판정 기준(가상 예시). 교대당 오경보 2건 이하, 경보 뒤 불량 연속 길이가 기준선 대비 절반 이하, 1년 환산 절감액이 투자액 이상이면 같은 공장 다른 라인으로 넓힙니다. 하나라도 못 미치면 규칙을 고쳐 4주 더 돌리고 두 번째도 못 미치면 접습니다.
AX 적용 제언. 국내 완성차와 차체·프레스 협력사라면 먼저 손댈 곳은 라인 하나, 금형 하나입니다. Sterling 사례처럼 “1년 안에 투자의 몇 배”를 말하려면 시작할 때부터 재무와 절감액 정의를 맞춰 둬야 확대 결정이 빨라집니다. 감시(draw-in), 보전(조치 권고), 검사(기준 버전 관리), 교육(가상 라인)은 각각 생산·보전·품질·인사 부서 KPI에 묶이므로, 한꺼번에 하기보다 정지 비용이 가장 큰 공정 하나를 골라 순서대로 붙이는 편이 낫습니다. 경영진 보고에서는 개별 절감액과 함께 “신차 양산 준비 기간이 며칠 줄었나”를 같이 올려, 공장 AI가 개발 기간 단축 목표에 어떻게 이어지는지 보여 줍니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | ClubAlfa Global, Francesco Armenio, 2026.11.17 |
| 계획 | FaSTLAne 2030 |
| Sterling(미국 미시간) | ThinkDigits, 프레스 판재 비정상 움직임 경보. 1년 안에 초기 투자 약 4배 절감, 다른 라인 확대 예정 |
| SmartFix(ThinkDigits) | 설비 데이터 분석, 고장 전 문제 탐지, 작업자 조치 권고 |
| Zaragoza(스페인) | Zeiss 측정 시스템, 프레스 부품 형상 검사, 설계 변경 시 기준을 소프트웨어로 수정 |
| Sochaux(프랑스) | Uptale 가상 라인 교육. 교육 10일 → 5일, 사람 실수로 인한 불량·정지 절반(Alliance News 인용) |
| 디지털 트윈 | Accenture·Nvidia와 공장 디지털 트윈, 라인 변경 전 시뮬레이션 |
| 공급사 관리 | Palantir 협력, 2031년까지 연장 |
| 개발 목표 | 약 40개월 → 약 24개월, 일부 AI 시뮬레이션 최대 300배, 소프트웨어 개발 생산성 약 37% |
| 비용 목표 | 2025년 대비 2028년까지 연 60억 유로 절감 |
| 차량 AI | Wayve와 핸즈오프 운전 보조(Turin 시연, 북미 2028년 첫 양산 적용), ChatGPT·Mistral AI 음성 비서, STLA Brain·SmartCockpit·AutoDrive 2027년부터, 연 생산 차량 중 2030년 35% 이상·2035년 70% 초과 |
핵심 개념
- Stamping
- 평평한 판재를 금형 사이에 놓고 눌러 문짝, 지붕 같은 차체 부품 모양을 만드는 프레스 공정입니다.
- Draw-in
- 성형 중 판재 가장자리가 금형 안쪽으로 끌려 들어가는 양으로, 평소와 다르면 주름이나 터짐의 신호가 됩니다.
- Fixture
- 측정할 때 부품을 매번 같은 자리에 고정하는 부품 전용 지그입니다.
- Digital twin
- 실제 공장이나 라인을 본뜬 가상 모델로, 바꾸기 전에 결과를 미리 돌려 보는 데 씁니다.
- Shadow mode
- 새 감시 시스템이 판정은 하되 경보는 내지 않고 기록만 남기며 기준을 쌓는 시험 운영 방식입니다.
- FaSTLAne 2030
- Stellantis의 중기 계획 이름으로, 기사는 개발 기간 단축과 비용 절감 목표를 이 계획 아래에 둡니다.
내 메모
TODO: 내 생각 추가
원문은 ClubAlfa Global에 실린 Francesco Armenio의 기사 「Stellantis bets on artificial intelligence to cut vehicle development to two years」(2026.11.17)입니다. Sochaux 수치는 원문이 Alliance News 보도를 인용해 밝힌 것입니다. draw-in이라는 용어, ThinkDigits가 미국 산업 AI 회사라는 점, Zaragoza 측정이 전용 지그 없이 이뤄진다는 점, 가상 교육이 현장 안전 실습을 대신하지 않는다는 점은 같은 Factory Booster Day 2026 내용을 다룬 Mecânica Online 기사(2026.11.4)로 보충했습니다. 요약과 사례는 원문이 전한 사실을 AX Partners가 다시 정리했고 핵심 메커니즘의 작동 설명, 기술·현업 디테일, 인포그래픽, 표는 새로 작성했습니다(디테일 절의 수치와 일정은 가상 예시). 전체 내용은 원문에서 볼 수 있습니다.