불량 보고서가 안 나온다고? AI가 근본 원인을 생산라인 개선 목록으로 바꾼다

최근 제가 컨설팅한 중견 인쇄업체들을 보면, 다들 입으로는 '지속적 개선'을 외치지만 실제 품질 관리 회의록을 들춰보면 개선 사항이 두 군데에서 막혀 있는 경우가 많습니다. 진짜 근본 원인을 찾지 못하거나, 개선 제안이 너무 추상적으로 쓰여 있거나. 생산라인에서 나온 불량 사진이 품질보증 담당자에게 넘어가고, 품보가 상급자에게 전달하면, 상급자는 '현장에서 주의를 강화하라'는 한 마디로 종결 처리합니다. 다음 달에 똑같은 결함이 다시 나와도 아무도 놀라지 않습니다

여기서 부족한 건 태도가 아닙니다. LINE 그룹, 카메라 메모리 카드, 품보 Excel 파일 여기저기 흩어진 불량 정보를 하나로 연결해, 매번의 손실을 조회하고 축적할 수 있는 개선 소재로 만들어 주는 프로세스입니다. AI가 이 장면에서 발휘하는 진짜 가치는 화려한 자동 결함 탐지 기능이 아닙니다. 흩어진 불량 정보를 한 줄로 정리해 매번 손해 본 건이 검색하고 쌓을 수 있는 개선 자료가 되도록 하는 것입니다

제가 대만 중소 인쇄업체의 일상을 관찰해 보면, 불량 데이터가 흩어져 있는 곳은 생각보다 훨씬 많습니다:

・현장 최초 보고 시점: 기계 옆에서 휴대폰으로 찍은 사진, LINE 그룹 보고

・품보 기록: Excel 표, 품보 전표, 결재 서류

・후공정 가공: 접지, 제본, 코팅 등 외주 또는 반제품 구역의 반품 사진

・고객 불만 단계: 영업이 전달한 고객 보고 사진, 반품 전표

이 데이터들의 공통 문제는 형식이 제각각이고, 파일명도 뒤죽박죽이고, 결함과 무관한 대화가 잔뜩 섞여 있다는 겁니다. 정리 없이는 후속 분석 자체가 불가능합니다. AI를 활용하려면 첫 단계는 도구를 사는 게 아니라, 보고 SOP를 먼저 만드는 겁니다

불량 보고 SOP, 어떻게 만들어야 할까?

저는 현장의 반발을 사지 않도록 가장 기본적인 항목부터 시작하길 권합니다. 처음부터 완벽하게 갖추려 하지 마세요:

・불량 사진: 전체 문제를 파악할 수 있는 사진 1장 + 세부 사항이 보이는 사진 1장 이상 (눈금자나 동전을 비례 참조로 활용 권장)

・발생 시간과 기계 번호: 이 두 항목이 없으면 나중에 추이 분석을 할 때 매우 고생합니다

・당번 반장과 작업자: 책임 명확화와 후속 교육 훈련에 필요합니다

・즉각 처리 방식: 폐기, 재작업, 반품 중 어떻게 했는지 일단 기록해 두세요

・용지와 잉크 배치 번호: 결함 원인이 이 두 변수에서 비롯되는 경우가 많습니다

항목이 고정되고 나서야 AI가 안정적으로 데이터를 읽어 들여 형식을 맞추고 후속 분류를 할 수 있습니다. SOP 없이 AI를 도입하려 하면 AI가 사람의 즉흥성에 맞춰야 하는 상황이 되어, 결국 모두가 쓰기 불편하다고 불평하게 됩니다

AI 이미지 분류 얘기가 나오면 생산라인 관리자들이 저한테 가장 많이 묻는 게 '정확한가요?'입니다. 제 대답은 이겁니다. 불량 분류 장면에서는 70~80%의 신뢰도로 충분합니다. 이유는 간단합니다. AI에게 최종 판정을 맡기는 게 아니라, 수천 장의 사진을 미리 분류해 품질보증 담당자가 특정 분류 항목만 검토하면 되도록 돕는 역할이기 때문입니다

자주 나오는 불량 유형은 AI가 비교적 수월하게 처리합니다:

・색차: 배치 간 색상 편차, 교정쇄와의 차이

・판 맞춤 오류: 4색 중첩 인쇄 시 어긋남, 양면 인쇄 정합 오류

・용지 문제: 지분, 지모, 구김, 말림, 치수 오차

・스크래치: 건조 불량으로 인한 이면 긁힘, 운반 중 마찰 자국

・오염: 비산 잉크, 분말 잔류, 지문

・가공 결함: 접지선 편차, 제본 뒤틀림, 코팅 불균일

이 유형들은 시각적 특징이 뚜렷해서 AI 모델 학습 데이터를 모으기도 비교적 쉽습니다. 까다로운 건 '고객이 싫다고 해서'라는 주관적 기대에 의한 반품입니다. 이 부분은 여전히 수작업 기록과 고객 인터뷰에 의존해야 합니다

분류에서 근본 원인까지, 그 사이에는 여전히 거리가 있다

분류는 라벨일 뿐이고, 근본 원인은 '왜 발생했는가'입니다. AI가 이 단계에서 발휘하는 가치는 분류 결과, 작업 지시서, 용지 배치 번호, 기계 파라미터를 한 테이블에 올려 교차 비교함으로써 가능한 방향을 한눈에 보여 주는 것입니다:

・특정 기계의 특정 시간대에 불량률이 갑자기 높아진 경우

・특정 용지 배치 번호의 불량이 특정 유형에 집중된 경우

・특정 작업자의 근무 시간대에 불량률이 평균과 유의미한 차이를 보이는 경우

이런 상관관계 분석은 Excel 피벗 테이블로도 할 수 있습니다. 하지만 AI 도구의 장점은 질문 방식이 자연어에 훨씬 가깝다는 겁니다. '8월 B 기계 2교대의 색차 불량이 특정 용지 배치 번호에 집중되어 있는지 확인해 줘'라는 식의 질문을, 복잡한 함수를 먼저 배우지 않고도 던질 수 있습니다

제가 가장 시간을 들일 만하다고 생각하는 단계가 바로 이겁니다. 데이터 분석이 아무리 훌륭해도, 결국 나온 개선 사항이 '작업자 주의 강화'나 '품보 강화 요청'이라면, 이 시스템은 무효한 회의록을 전자화한 것에 불과합니다

좋은 개선 목록은 몇 가지 특성을 갖춰야 합니다:

・지정 가능: 누가, 무엇을, 언제까지 할지 명확히 기재

・검증 가능: 완료 후 어떤 방식으로 효과를 확인할지 명시 (예: 다음 주 동일 기계·동일 용지의 불량률이 X% 미만)

・추적 가능: 원본 불량 사진, 작업 지시서, 논의 기록으로 연결

AI가 이 단계에서 할 수 있는 건 '초안 생성'입니다. 분류된 불량 데이터, 근본 원인 추정, 개선 방향을 입력하면 AI는 담당 역할 제안, 가능한 검증 방식, 관련 과거 사례가 포함된 구조화된 개선 목록 초안을 만들어 냅니다. 품보 담당자가 이 초안을 수정하는 게 백지에서 시작하는 것보다 훨씬 빠릅니다

주요 불량 유형별 전형적인 개선 방향

고객 현장에서 귀납적으로 정리한 대응표를 참고로 공유합니다:

・색차: 색채 관리 프로세스 점검, 기계 재교정, 교정쇄와 인쇄의 표준 광원 일치 여부 확인

・판 맞춤 오류: 판 당김 위치 점검, 양면 인쇄 정합 장치 점검, 언더레이 조정

・용지 문제: 용지 공급업체에 해당 배치 용지 특성 변화 확인, 급지 장력과 제진 장치 조정

・스크래치: 건조 시스템과 분말 분사량 점검, 적재 방식 조정

・접지선 편차: 접지기 재교정, 용지 결 방향과 접지 설계 확인

이 방향들이 다 기본처럼 보이지만, 실무적으로는 많은 업체에서 표준 작업 절차가 제대로 정리되어 있지 않아 신입은 선배에게 구두로 전수받을 수밖에 없고, 품질이 들쭉날쭉한 것도 당연한 결과입니다

많은 업체의 생산라인 교육이 '선배가 데리고 한다'는 방식에 머물러 있어서, 선배가 휴가를 내거나 퇴사하면 신입은 스스로 부딪혀 배울 수밖에 없습니다. 쌓인 불량 사례를 교육 자료로 만드는 건 개선 경험이 사람을 따라 사라지지 않도록 하는 핵심입니다

저는 세 단계 구조로 정리하길 권합니다:

・1단계: 사례 데이터베이스 — 결함 유형별로 분류하고, 각 사례에 사진·발생 조건·근본 원인·개선 방식을 첨부

・2단계: 표준 작업 절차(SOP) — 사례에서 귀납할 수 있는 표준 동작을 SOP로 작성. 예를 들어 '용지 교체 후 첫 인쇄 색차 확인 절차'

・3단계: 테스트와 재교육 — 사례 데이터베이스의 사진을 수시 테스트에 활용해 신입이 결함 유형과 대응 조치를 구별할 수 있는지 확인

AI가 이 단계에서 도울 수 있는 건 교육 자료 초안 생성과 시험 문제 만들기입니다. 사례 데이터베이스 데이터를 AI에 입력하면 단일 사례를 교육용 상황 설명으로 재구성하고, 관련 선택형 또는 단답형 문제를 생성해 줍니다. 교육 자료의 틀이 나오면 베테랑 선배가 내용을 다듬고 현장의 미묘한 포인트를 보충하면 됩니다

완성된 사례를 바로 확인하고 싶다면, MINDS Knowledge Academy 컨설팅 팀이 불량 보고부터 근본 원인 분석, 교육 자료까지 전체 프로세스를 정리해 두었습니다 (MINDS Knowledge Academy 컨설팅 팀). 실제 도입 고객 사례도 참고할 수 있습니다

몇 군데 업체의 도입 과정을 지원하면서 가장 흔한 실패 원인 세 가지를 정리했습니다:

・현장 기재 거부: 항목이 너무 많고 번거롭다는 이유. 해결책은 가장 적은 항목으로 3개월을 먼저 돌려보고, 실제 필요에 따라 점차 확장하는 겁니다

・전담자 부재: 맞는 사람 한 명을 지정해 장기적으로 운영하는 게, 비싼 AI 도구를 사는 것보다 더 중요합니다

・개선 사항 추적 메커니즘 없음: 회의 끝나고 바로 종결 처리하면 안 한 것과 같습니다. 모든 개선 사항에 추적 담당자와 마감일이 있어야 합니다

이 세 가지 함정은 모두 기술 문제가 아닌 관리 문제입니다. AI 도구가 아무리 좋아도 사람을 관리하지 못하면 소용없습니다

불량 데이터를 쓰레기통에 버릴 사진이 아니라 자산으로 바라보는 것, 이게 가장 핵심적인 관점의 전환입니다. 매번의 손실, 매번의 반품은 앞으로 같은 실수를 한 번 덜 할 수 있는 비용입니다

제가 접한 고객 사례를 보면, 이 프로세스를 제대로 돌린 업체는 대체로 6개월 안에 몇 가지 눈에 띄는 변화를 보입니다. 불량 분류 회의 시간이 줄고, 개선 사항의 실행 가능성이 높아지고, 신입사원 교육 효과가 좋아집니다. 불량률 수치 자체가 떨어지는 건 오히려 부수적인 결과입니다. 주문 구조, 용지 품질, 고객 요구 등 여러 요인이 복합적으로 영향을 미치니까요

다음 단계는 '불량 보고 항목 정의'라는 가장 작은 일부터 시작하면 됩니다. 이론만 논하다가는 절대 굴러가지 않습니다. 일단 돌려보고 나서 최적화하는 겁니다

・불량률이 낮아지지 않는 이유는 대체로 현장이 아닌, 데이터가 제대로 분류·추적되지 않기 때문입니다

・AI 이미지 분류는 결함 분류에서 70~80%의 신뢰도만으로도 품보 효율을 높이는 데 충분합니다

・개선 목록은 지정 가능하고, 검증 가능하며, 추적 가능해야 합니다. 그렇지 않으면 무효한 회의를 전자화하는 것에 불과합니다

・불량 사례 데이터베이스는 신입사원 교육 자료의 원천으로, 개선 경험이 사람을 따라 사라지지 않게 합니다

・도입 실패의 주요 원인은 도구 문제가 아닌 관리 문제입니다. 현장 거부, 전담자 부재, 추적 없음

인쇄 제조 측에서 보면, 불량 데이터의 구조화는 디지털 전환의 첫 단계이자 가장 쉽게 간과되는 단계입니다. 많은 업체가 ERP, MES 도입에 큰돈을 쓰면서 정작 가장 기본적인 현장 데이터 거버넌스를 소홀히 합니다. 종이 또는 Excel 불량 보고서부터 시작해서, 항목과 프로세스를 먼저 안정시키고 나서 AI 부가가치를 논하는 게 순서입니다. AI 응용 및 SaaS 업체 입장에서는 인쇄업체의 불량 관리가 고도로 전문화된 장면임을 인식해야 합니다. 범용 이미지 분류 모델로는 부족하며, 인쇄 공정의 전문 용어와 인과관계를 깊이 이해해야 진정으로 유용한 제품을 만들 수 있습니다. 디자인 측에서는 공장의 흔한 불량 유형과 원인을 알면, 파일 준비 단계에서 문제가 생기기 쉬운 디자인을 미리 피할 수 있습니다. 예를 들어 너무 가는 판 맞춤 인쇄, 이면 인쇄가 비치기 쉬운 전면 진한 색상 등을 피해 양측의 반품 소통 비용을 줄일 수 있습니다

(이 글은 MINDS Knowledge Academy의 오리지널 교육 콘텐츠로, 인용된 업계 지식과 실무 노하우는 모두 컨설팅 팀의 1차 현장 지도 경험에서 비롯된 것입니다)