공유 폴더에 기술문서가 쌓여 있습니다. 설비를 들일 때 받은 매뉴얼, 개정을 거듭한 운영 기준서, 이십 년 전에 스캔한 도면까지.
몇 년 전에는 지식관리 시스템도 들였습니다. 문서는 그쪽으로 옮겨졌고, 검색창도 생겼습니다.
그런데 현업의 질문은 여전히 사람에게 갑니다. "이 부품 지난번에 왜 바꿨죠?" "이 라인 점검 기준, 지금도 이게 맞아요?"
문서는 어딘가에 있는데, 어느 것이 지금도 유효한지 아는 사람은 담당자 한 명뿐입니다.
저희 팀리부뜨(team reboott)는 기술문서와 PLM, MES 데이터를 온톨로지로 엮어, AI 에이전트가 회사 지식을 관리하도록 만드는 일을 하고 있습니다.
요약
AI 지식관리는 세 단계로 이뤄집니다.
① 스캔본과 PDF 같은 기술문서를 표 구조와 원문 위치를 지켜 디지털화합니다.
② PLM의 부품과 개정, MES의 설비와 공정을 축으로 한 온톨로지에 연결합니다.
③ AI 에이전트가 새 문서 반영, 개정과 충돌 점검, 근거 있는 답변, What-if 분석까지 계속 관리합니다.
기존 PLM과 MES는 바꾸지 않습니다.
지식관리 시스템(KMS)이나 문서 관리 시스템이 문서 창고가 되는 이유는 문서를 모으는 일과 지식을 관리하는 일이 서로 다른 작업이기 때문입니다. 문서는 계속 쌓이지만, 그 문서가 어느 부품과 설비에 관한 것인지, 지금도 유효한지, 다른 문서와 내용이 충돌하지 않는지는 누구도 관리하지 않습니다.
McKinsey Global Institute가 2012년 발표한 보고서 「The social economy」에 따르면, 지식 근로자는 업무 시간의 약 19%를 정보를 찾고 모으는 데 씁니다. 제조 현장에서는 이 시간이 대개 특정 담당자에게 몰립니다. 문서 위치와 유효한 기준을 아는 사람이 그 사람뿐이기 때문입니다.
검색 기능을 좋게 바꿔도 이 구조는 그대로입니다. 검색은 비슷한 문서를 여러 개 보여줄 뿐, 그중 어느 것이 이번 부품과 이번 설비에 해당하는지는 알려주지 않습니다.
문제는 문서가 부족한 것이 아니라, 문서 사이의 관계와 유효 여부를 아무도 관리하지 않는 것입니다.
팀리부뜨는 기업용 AI 에이전트를 구축하고 있습니다. 회사의 업무 맥락을 학습한 에이전트 하나가 사람이 하던 반복 작업을 대신 처리하는 방식입니다. 지식관리 시스템이 다시 창고가 되지 않도록, 이 에이전트는 아래 세 단계로 회사 지식을 다룹니다.
기술문서 디지털화는 스캔본, PDF, PPT, 도면을 AI가 읽을 수 있는 형태로 바꾸는 작업입니다. 핵심은 두 가지입니다. 표의 칸 구조를 지키는 것, 그리고 모든 조각에 원문 위치(문서, 쪽, 표)를 남기는 것입니다.
PDF로 저장돼 있다고 기계가 읽을 수 있는 상태는 아닙니다. 글자만 뽑아내는 방식은 표를 단어 나열로 뭉개고, 어느 값이 어느 항목에 붙어 있었는지를 지웁니다. 기준값과 점검 주기, 허용 범위가 표에 몰려 있는 기술문서에서는 이 손실이 특히 큽니다.
팀리부뜨는 문서 형식마다 변환 방법을 다르게 씁니다. 변환 품질은 문서 유형별 표본을 사람이 만든 정답과 글자 단위, 표 구조 단위로 대조해 확인합니다.
보안 때문에 문서를 밖으로 보낼 수 없는 회사라면 변환과 검색을 사내 서버에서 처리합니다. 자세한 구성은 온프레미스 AI 글에 정리했습니다.
| 문서 유형 | 흔한 문제 | 변환할 때 지키는 것 |
|---|---|---|
| 스캔한 옛 문서 | 글자가 그림으로 저장됨 | 인식한 글자와 원본 이미지 위치 |
| 기준서, 사양서 | 표가 많고 칸이 합쳐져 있음 | 합쳐진 칸까지 포함한 표 구조 |
| 회의 자료 PPT | 도형 속 글자, 순서 없는 배치 | 슬라이드 순서와 도형 묶음 |
| 도면 | 표제란과 주석이 흩어져 있음 | 도면 번호, 개정, 주석 위치 |
디지털화는 출발점입니다. 잘 읽히는 문서가 늘어나도, 문서끼리의 관계와 유효 여부를 관리하지 않으면 다시 창고가 됩니다.
온톨로지는 회사가 다루는 대상(부품, 설비, 공정, 지표, 기준, 결정)과 그 사이의 관계를 정해 둔 지식 구조입니다. 문서를 온톨로지에 연결하면, 문서는 "어느 폴더의 파일"에서 "어느 부품과 설비에 관한 근거"로 바뀝니다.
현업의 질문은 대개 부품이나 설비를 주어로 나옵니다. 그래서 팀리부뜨는 변환한 문서 조각을 PLM의 부품과 개정, MES의 설비와 공정 객체에 붙입니다. 부품 번호와 설비 코드처럼 시스템이 이미 갖고 있는 키로 붙이기 때문에, 문서가 늘어나도 연결이 흐트러지지 않습니다.
같은 뜻을 다른 용어로 적은 문서도 같은 객체에 붙습니다. 그래서 검색어가 달라도 관련 문서가 빠지지 않습니다. 온톨로지를 세우는 순서는 온톨로지 구축 글에서 더 자세히 다뤘습니다.
| 온톨로지 대상 | 원래 있던 곳 | 연결 키 | 에이전트가 할 수 있게 되는 일 |
|---|---|---|---|
| 부품, 개정 | PLM | 부품 번호, 개정 번호 | 같은 부품의 과거 변경과 사유 찾기 |
| 설비, 공정, 지표 | MES | 설비 코드, 태그 | 설비별 기준과 실측값 함께 보기 |
| 기준, 결정 | 기준서, 회의록 | 문서와 쪽 위치 | 답변에 근거와 확인 상태 붙이기 |
PLM도 MES도 그대로 씁니다. 기존 시스템을 바꿀 필요 없이, 그 안의 데이터는 건드리지 않고 문서와 데이터 사이의 관계만 위에 얹습니다.
AI 에이전트가 맡는 지식 관리는 한 번 정리하고 끝나는 작업이 아닙니다. 새 문서가 들어올 때마다 읽어서 온톨로지에 연결하고, 개정과 충돌을 점검하고, 담당자 승인을 받아 반영하는 순환입니다. 사람은 에이전트가 올린 후보를 검토하고 승인하는 일만 합니다.
[팀리부뜨 AI 에이전트의 지식 관리 순환]
| 지식 관리 업무 | 지금까지 | AI 에이전트가 맡은 뒤 |
|---|---|---|
| 새 문서 정리 | 담당자가 폴더와 태그를 직접 지정 | 에이전트가 읽고 객체에 연결, 담당자는 확인 |
| 개정 관리 | 옛 기준이 그대로 남아 섞임 | 옛 기준에 '대체됨' 표시, 최신 기준만 답변에 사용 |
| 문서 간 충돌 | 문제가 생긴 뒤에 발견 | 충돌 목록을 미리 회의 안건으로 올림 |
| 질문 응대 | 아는 사람에게 몰림 | 근거 쪽과 확인 상태를 붙여 에이전트가 답변 |
문서에 아직 남지 않은 숙련자의 판단도 같은 순환에 들어올 수 있습니다. 인터뷰와 회의 녹취에서 기준 후보를 뽑아 MES 데이터와 대조하는 방법은 암묵지 자산화 글에 정리했습니다.
What-if 분석은 "이 설비를 며칠 세우면", "이 부품을 바꾸면" 같은 가정을 두고 영향 범위를 미리 펼쳐 보는 일입니다. 온톨로지에 설비, 공정, 부품, 생산 계획 사이의 관계가 들어 있으면, AI 에이전트가 그 관계를 따라 영향 받는 대상을 찾고 시나리오별로 확인할 기준과 근거를 나란히 보여줍니다.
온톨로지 없이 What-if 질문에 답하려면 담당자가 MES 화면과 PLM 화면, 기준서를 번갈아 열어야 합니다.
온톨로지가 있으면 에이전트가 조립 2라인에서 체결 공정으로, 다시 부품 A-100, B-210과 해당 주문으로 관계를 따라갑니다. 같은 공정을 수행할 수 있는 대체 설비와 그 설비의 점검 기준까지 함께 찾아옵니다.
숫자 예측의 정밀도는 데이터와 시뮬레이션 모델 수준에 따라 다릅니다. 팀리부뜨는 공정 시뮬레이션 모델이 있으면 연결해 수치를 함께 계산하지만, 모델이 검증되기 전에는 영향 범위와 근거를 비교하는 용도로 먼저 씁니다. 최종 선택은 담당자가 합니다.
부품 번호 하나로 관련 문서 모아 보기
부품 번호를 넣으면 도면, 설계변경서, 시험 성적서, 그 부품이 거치는 공정의 기준서를 한 화면에 모읍니다. 폴더 위치를 몰라도 부품에서 출발해 찾을 수 있어서, 첨부파일을 대여섯 개씩 열어보던 확인 작업이 질문 하나로 줄어듭니다.
최신 기준만 골라 답하기
같은 기준서의 개정본이 여러 개여도 에이전트는 '대체됨' 표시가 없는 최신 기준으로 답하고, 언제 무엇이 바뀌었는지 함께 보여줍니다. 옛 기준으로 일하는 실수가 줄어듭니다.
정비 일정 바꾸기 전에 영향 보기
설비 정비 일정을 옮기기 전에 What-if 질문으로 영향 받는 부품과 주문, 대체 설비 후보를 먼저 확인합니다. 회의에서 "그럼 어디가 밀리죠?"를 묻는 시간이 줄어듭니다.
감사, 인증 대응
특정 기준의 근거 문서를 요청받으면 관련 문서 목록과 해당 쪽을 한 번에 모읍니다. 며칠 걸리던 자료 취합이 확인 작업으로 줄어듭니다.
경영지원팀에 반복으로 오는 규정 문의
지식 관리는 공장 문서에만 해당하지 않습니다. 출장비 기준이나 전결 규정처럼 경영지원팀에 하루에도 몇 번씩 오는 질문을, 에이전트가 최신 규정 문서의 해당 조항과 함께 먼저 답합니다. 담당자는 규정에 없는 예외 건만 직접 판단하면 됩니다.
기존 지식관리 시스템은 문서를 모아 두고 검색하게 하는 데 중점을 둡니다. AI 지식관리는 문서를 부품, 설비, 공정 같은 대상과 연결한 온톨로지 위에서 AI 에이전트가 새 문서 반영, 개정 표시, 충돌 점검, 근거 있는 답변을 계속 맡는다는 점이 다릅니다.
바꾸지 않습니다. 팀리부뜨는 PLM의 부품 번호와 MES의 설비 코드처럼 각 시스템이 이미 가진 키로 문서와 데이터를 연결합니다. 온톨로지는 기존 시스템 위에 관계를 얹는 층이라, 기존 시스템의 화면과 데이터는 그대로 씁니다.
처리할 수 있습니다. 글자가 그림으로 저장된 스캔본은 이미지를 읽는 AI 모델로 변환하고, 인식한 글자마다 원본 이미지의 위치를 남깁니다. 변환 품질은 문서 유형별 표본을 정답과 대조해 확인한 뒤 전체에 적용합니다.
변환, 검색, 에이전트를 회사 안 서버에서 운영하는 구성으로 설계합니다. 외부 AI 서비스로 문서를 보내지 않아도 같은 순서로 지식 관리를 할 수 있습니다.
What-if 분석에서 에이전트가 확실하게 돕는 부분은 영향 범위와 근거를 빠짐없이 펼치는 일입니다. 지연 일수 같은 숫자 예측은 연결한 시뮬레이션 모델의 정밀도에 따라 달라지므로, 모델이 검증되기 전에는 비교 자료로 쓰고 최종 판단은 담당자가 합니다.
문서 전체를 한 번에 정리할 필요는 없습니다. 자주 질문이 나오는 부품 몇 개나 설비 한 라인을 골라, 거기에 붙는 문서와 PLM, MES 데이터부터 온톨로지로 엮어 보면 범위와 효과가 금방 보입니다.
지식관리 시스템이 문서 창고가 되어 있다면, 보유한 문서 유형과 쓰고 계신 PLM, MES를 알려주세요. 팀리부뜨의 산업 AI 자동화 전문가가 시작 범위와 순서를 함께 정리해드립니다.
상담문의 시 "지식관리 시스템 글을 보고 문의했다"고 남겨주시면 보다 원활한 상담이 가능합니다.
참고 자료
%202.png){kind=logo}
