AX 프로젝트

AX(AI Transformation)의 핵심은 AI 자체가 아니라, 신기술을 현장에 적용해 기존 대비 유의미한 결과를 만드는 것이다.

핵심은 무엇일까. AI인 것일까?

그것은 아니다. 시대가 바뀌어도 결국 신기술을 현장에 적용해서 기존 대비 유의미한 결과를 내는 것이 중요하다.

AX에서 가장 중요한 것은 현재 사람이 하고 있는 업무 프로세스를 먼저 뜯어보고, 그중 AI가 들어갔을 때 비용, 시간, 품질이 크게 개선될 수 있는 지점을 찾아내는 것이다.

1. 업무 흐름부터 그려내기

가장 먼저 기존 업무 흐름과 데이터가 생산되는 과정을 그려내야 한다.

예를 들어 제조업이라면 다음과 같다.

설비 데이터 발생
  ↓
작업자가 데이터 확인
  ↓
이상 여부 판단
  ↓
엑셀 정리
  ↓
관리자 보고
  ↓
조치 결정

여기서 바로 ML이나 LLM을 붙이지 말고 각 단계에 질문을 붙여야 한다.

설비 데이터 발생
  ↓
  [Q] 데이터 수집이 자동화되어 있는가?

작업자 확인
  ↓
  [Q] 사람이 반복적으로 판단하는가?
  [Q] 판단 기준이 어느 정도 정형화되어 있는가?

엑셀 정리
  ↓
  [Q] 반복 작업인가?

관리자 보고
  ↓
  [Q] 문서 요약이 필요한가?

조치 결정
  ↓
  [Q] 과거 데이터를 이용해 추천할 수 있는가?

이렇게 하면 AI 적용 후보가 나온다.

2. AX 후보 정리하기

업무 흐름에서 찾은 질문을 바탕으로 AX 후보를 Automation, Prediction, Detection, Knowledge 유형으로 나눌 수 있다.

유형	질문	기술
Automation	사람이 반복하는 업무인가?	Agent, RPA
Prediction	미래를 예측해야 하는가?	ML, 시계열
Detection	이상/불량을 찾아야 하는가?	CV, Anomaly Detection
Knowledge	문서/지식을 찾아 판단해야 하는가?	LLM, RAG

예를 들어 제조 회사라면 다음과 같이 정리할 수 있다.

불량 검사
  → Detection
  → Vision AI

설비 고장 예측
  → Prediction
  → Time Series / ML

작업 매뉴얼 질문
  → Knowledge
  → RAG

일일 생산 리포트
  → Automation
  → LLM Agent

문제에서 AI 기술로 탑다운하는 것이 중요하다.

3. KPI 설정하기

AX 프로젝트가 잘되고 있는지 판단하려면 정량적인 KPI가 필요하다.

"AI를 만들긴 했는데 그래서 뭐가 좋아졌지?"

목표가 없으면 이런다.

중요한 것은 문제와 방법을 선택한 다음 KPI를 설정하고 목표 달성 여부를 확인하는 것이다.

기존

작업자 1명

매일 데이터 확인
  30분

보고서 작성
  20분

총 50분/day

KPI

업무시간
  50분 → 10분

이상 탐지 Recall
  90% 이상

보고서 작성시간
  20분 → 2분

이렇게 정량적인 숫자가 있어야 AX를 하는 이유가 명확해진다.

4. 그다음에 AI 적용 가능성을 평가

후보별 Impact와 Feasibility를 평가해 무엇부터 구현할지 정해야 한다.

평가 후보를 정하고 각 요소를 비교한다.

Business Impact
AI Feasibility
Data Availability
Implementation Cost
Operational Risk

예시는 다음과 같다.

프로젝트	Impact	AI 가능성	데이터	비용	우선순위
불량 탐지	5	5	4	3	★★★★★
보고서 자동화	3	5	5	5	★★★★
수요 예측	5	3	3	3	★★★★
완전자율 생산	5	1	2	1	★

Impact × Feasibility가 높은 문제를 PoC 대상으로 선택한다.

5. PoC는 아주 작게 시작하기

PoC는 우선순위가 가장 높은 문제 하나를 선택해 작게 시작해야 한다.

AX에서 처음부터 모든 기능을 붙이면 프로젝트가 꼬인다. 그러므로 가장 높은 우선순위부터 하나씩 구현한다.

Data
  ↓
AI
  ↓
Result
  ↓
Simple Dashboard

이런 형식으로 시작할 수 있다.

설비 센서 데이터
  ↓
이상 탐지 모델
  ↓
이상 점수
  ↓
Dashboard

조금 더 발전시키면 다음과 같다.

설비 데이터
  ↓
Anomaly Detection
  ↓
이상 이벤트
  ↓
LLM
  ↓
"3번 설비에서 진동 이상 발생"
  ↓
조치 매뉴얼 RAG
  ↓
"베어링 점검 권장"

이렇게 전체 흐름을 먼저 보고 그 안을 채워나가면 된다.

6. 전체 아키텍처

AI는 시스템 한가운데 단독으로 존재하는 것이 아니라 기존 업무 시스템 사이에 들어간다.

                 ┌──────────────┐
                 │    사용자     │
                 └──────┬───────┘
                        │
                        ▼
                ┌──────────────┐
                │ Dashboard    │
                └──────┬───────┘
                       │
                 Backend API
                       │
        ┌──────────────┼──────────────┐
        │              │              │
        ▼              ▼              ▼
     AI Model       LLM/RAG        Agent
        │              │              │
        └──────────────┼──────────────┘
                       │
                      DB
                       │
              ┌────────┴────────┐
              │                 │
            MES/ERP          Sensor

결론

AX 프로젝트는 As-Is → AI → To-Be를 먼저 정의하고 시작해야 한다.

As-Is → AI → To-Be

AX Project Canvas

Problem: 현재 어떤 업무가 문제인가?
User: 누가 이 업무를 하는가?
As-Is: 현재 업무 프로세스는 어떻게 되는가?
Pain Point: 시간, 비용, 오류가 어디서 발생하는가?
AI Opportunity: AI가 어떤 부분을 대신하거나 보조할 수 있는가?
Data: 어떤 데이터가 존재하는가?
Solution: 어떤 AI 시스템을 만들 것인가?
KPI: 무엇이 얼마나 개선되어야 하는가?
PoC Scope: 이번 프로젝트에서는 어디까지 만들 것인가?
To-Be: 도입 후 업무 프로세스가 어떻게 바뀌는가?

현업 문제 → 기존 프로세스 → Pain Point → AI 적용 이유 → 시스템 아키텍처 → PoC → 성능 → 비용, 시간 절감 → To-Be

AX 프로젝트, 문제 정의부터 확산까지