[개별 컨설팅] 제조기업 설계 검토 AI 적용 진단 사례

어떤 상황이었나

제조기업의 설계 검토 업무였습니다. 검토할 물량은 늘어나는데 판단할 수 있는 숙련 인력은 한정돼 있습니다. 고객사는 도면에서 뽑아낸 정보와 사내 검토 기준을 AI에 함께 넣어 검토를 돕는 방안을 살펴보고 있었습니다. 실제로 적용하기 전에 “이 방식이 우리 업무에서 버틸 수 있는가”를 먼저 확인하는 자리였습니다.

처음 시도한 방식의 한계

초기 접근은 단순했습니다. OCR로 읽은 도면 판독 결과와 검토 규칙을 생성형 AI에 함께 넘기고 판단을 맡기는 것이었습니다. 빠르고 손이 덜 갑니다.

들여다보니 문제가 분명했습니다. 규칙이 명확한 항목에서도 AI가 규칙 대신 그럴듯한 추정을 앞세울 여지가 있었습니다. 생성형 모델은 빈칸이 있으면 채우도록 만들어져 있습니다. 근거가 없을 때 “모르겠다”가 아니라 그럴듯한 값을 내놓습니다. 설계 검토는 한 번의 오판이 뒤 공정으로 갈수록 커지는 업무입니다. 게다가 왜 그 판정이 나왔는지 설명하지 못하면 승인 근거로 쓸 수 없습니다.

검토 업무를 네 단계로 나눴다

• 데이터 추출 — 도면 이미지를 통째로 해석하게 하는 대신, 검토에 필요한 항목만 뽑아 데이터로 옮깁니다.

• 기준 대조 — 검증 가능한 규칙으로 대조합니다. 이 단계는 AI의 판단이 아니라 규칙의 판정입니다.

• 예외 판단 — 규칙으로 걸러지지 않는 건만 사람에게 넘깁니다.

• 사람 승인 — 최종 판정과 책임은 담당자가 집니다.

이 구조에서 AI가 맡는 자리는 분명합니다. 자료를 정리하고, 확인이 필요한 후보를 표시하는 데까지입니다.

AI와 사람의 경계를 여기에 둔 이유

선택지는 두 개였습니다. 판독 정확도를 끌어올려 AI 판정을 믿는 쪽과, 정확도와 무관하게 틀렸을 때 반드시 사람 눈에 걸리는 구조를 만드는 쪽입니다. 후자를 택했습니다.

설계 검토처럼 책임이 따르는 업무에서는 99% 정확한 판정보다, 나머지 1%가 어디서 걸러지는지 말할 수 있는 편이 낫습니다. 도면을 그대로 넘겨 해석하게 하면 같은 도면에도 매번 다른 답이 나오고 근거가 남지 않습니다. 필요한 항목만 데이터로 옮겨 두면 결과를 설명할 수 있고, 다음 검토에서도 같은 기준이 유지됩니다.

같은 고민이라면

판정 정확도부터 재지 마시고, 틀렸을 때 그게 어디서 걸러지는지를 먼저 그려 보시길 권합니다. 그 그림이 없으면 정확도가 아무리 높아도 현업에서 쓰지 못합니다.