제조업 AI 에이전트 교육: 태광산업 전사 리터러시를 생산관리 AI 에이전트 제작으로 확장하다
제조업의 AI 교육은 생산·품질·안전 데이터를 읽고 반복 과업을 자동화해
현장에 필요한 AI 에이전트를 만드는 단계까지 이어져야 합니다.
안녕하세요, 데이터다이빙입니다.
제조업에는 일정한 기준과 절차에 따라 반복되는 업무가 많습니다.
생산 데이터를 취합해 지표를 계산하고, 품질 이상을 확인하며, 공정별 위험요인과 대응 절차를 문서로
정리하는 업무가 대표적입니다. 이러한 업무는 현장에 대한 이해와 사람의 판단이 필요하지만, 자료를 찾고 분류하거나 정해진 기준에 따라 계산하고 초안을 작성하는 구간은 생성형 AI로 효율화할 수 있습니다.
태광산업은 이러한 가능성을 일회성 교육으로 다루지 않았습니다.
전사 구성원이 같은 교육에 참여한다고 해서 모두가 같은 수준에서 시작하는 것은 아니기 때문입니다.
이미 생성형 AI를 업무에 활용하고 있는 실무자가 있는 반면, 기본적인 화면 조작부터 안내가 필요한 구성원도 있습니다. 본사와 공장의 업무가 다르고, 같은 공장 안에서도 생산관리·품질·안전 등 담당 업무에 따라 필요한 활용 방식이 달라집니다.
태광산업은 이러한 차이를 고려해 전사 공통의 AI 이해도를 먼저 맞춘 뒤, 석유화학공장과 화섬공장의
핵심 인력을 대상으로 실제 업무 산출물을 만드는 심화 과정으로 교육을 연결했습니다.
이번 글에서는 태광산업과 함께 진행한 ‘제조업 AI 에이전트 교육’을 소개합니다.
리터러시 교육에서 생산관리 심화로
태광산업의 2026년 AI 역량강화 교육은 갑자기 시작된 단발성 과정이 아니었습니다.
2024년 태광그룹은 임원과 신입사원을 대상으로 생성형 AI 리터러시 교육을 진행했습니다.
핵심인재를 대상으로 한 ChatGPT 리더 교육도 별도로 운영하며, 조직 안에서 생성형 AI를 이해하고 활용할 수 있는 기반을 마련했습니다.
앞서 진행한 태광산업 신입사원 교육이 제조업에서 ChatGPT를 활용할 수 있는 기본 역량을 만드는 과정이었다면, 2026년에는 교육의 대상을 임원을 포함한 본사 전 직원과 두 공장의 임직원으로 확대했습니다.
전사 공통 교육에서는 생성형 AI와 AI Agent의 변화를 이해하고, ChatGPT를 업무에 활용할 때 필요한
기본 원칙을 다뤘습니다. AI가 잘할 수 있는 일과 사람이 판단해야 하는 일을 구분하고, 생성된 결과의
근거와 사실관계를 검토하는 기준을 조직 전체에 공유하는 데 초점을 맞췄습니다.
이후 공장별 핵심 인력을 대상으로 한 심화 과정에서는 목표를 생산관리 직무의 실행 역량으로 좁혔습니다. 세 과정 모두 생산관리 담당자가 실제로 다루는 안전·생산·품질 데이터와 반복 업무를 중심으로 구성하고, 업무 구조화에서 데이터 자동화와 AI 에이전트 제작까지 단계적으로 확장했습니다.
석유화학공장과 화섬공장은 공정과 현장 환경이 다른 만큼 교육을 분리해 운영하되, 공통적인 생산관리
업무 구조를 유지하면서 각 공장에서 접하는 자료와 사례에 맞춰 실습의 맥락을 조정했습니다.
생산관리 업무를
AI가 처리할 수 있는 단위로 바꾸다
제조업에서 생성형 AI를 효과적으로 활용하려면
먼저 생산관리 업무를 구체적인 작업 단위로 나눌 수 있어야 합니다.
생산 일정 수립과 실적 관리, 품질 이상 확인, 안전 기준 검토와 같이 생산관리 담당자가 수행하는 업무에는 현장의 경험과 판단이 필요합니다. 그러나 필요한 자료를 찾고 분류하거나, 정해진 기준에 따라 데이터를
분석하고 결과의 초안을 만드는 구간은 AI가 지원할 수 있습니다.
첫 번째 심화 과정에서는 생성형 AI가 생산관리 업무에서 맡을 수 있는 역할과 한계를 이해하고,
각자의 업무에서 적용 가능한 과업을 발굴했습니다.
기능을 먼저 배우기보다 현재 업무에서 반복되는 구간과 사람의 판단이 필요한 구간을 나누는 데서
시작했습니다.
이후 업무의 목적과 맥락, 입력 자료, 처리 기준, 출력 형식과 예외 상황을 구체화했습니다. AI가 단순히
그럴듯한 답변을 생성하는 것이 아니라, 생산관리 담당자가 정한 절차와 기준에 따라 결과를 제공하도록
업무 지시를 구조화한 것입니다.
대표 실습에서는 라인별 생산량과 불량률, 가동률 등의 데이터를 분석하고 개선이 필요한 구간을 찾는
생산관리 솔루션 비서를 GPTs로 구성했습니다. 생산 데이터를 입력하면 이상 징후와 개선 포인트를
정리하고, 후속 조치의 방향을 검토할 수 있도록 지침과 참고 자료를 연결했습니다.
이 실습에서 중요한 것은 GPTs를 제작했다는 사실 자체가 아닙니다. 생산관리 업무에 필요한 데이터와
판단 기준을 AI가 반복해서 활용할 수 있는 형태로 정리했다는 점입니다.
업무의 입력 자료와 처리 기준, 출력 형식이 명확해지면 일회성 질문은 반복 가능한 워크플로우가 됩니다. 이후 제조 현장의 업무용 GPT와 AI 에이전트를 제작하기 위한 기반도 이러한 업무 구조화에서
시작됩니다.
제조 데이터를 분석하고
반복 업무를 자동화하다
두 번째 심화 과정에서는 생산관리 담당자가 반복적으로 다루는
제조 데이터와 Excel 업무에 생성형 AI를 연결했습니다.
제조 현장에는 생산량과 불량률, 설비효율, 자재와 품질 결과 등 다양한 데이터가 축적됩니다.
그러나 같은 항목이 파일마다 다른 기준으로 작성되거나, 필요한 정보가 여러 문서에 흩어져 있어 분석
전에 데이터를 정리해야 하는 경우가 많습니다.
AI에게 Excel 파일을 업로드하는 것만으로는 원하는 결과를 얻기 어렵습니다. 데이터가 어떤 업무에서
만들어졌는지, 각 열과 지표가 무엇을 의미하는지, 어떤 문제를 확인해야 하는지와 결과를 어떤 형식으로 정리할 것인지가 함께 제시되어야 합니다.
교육생은 원본 데이터의 구조를 확인하고, 누락된 값과 이상치를 찾아 분석 가능한 형태로 정리했습니다.
이후 생산성과 품질 상태를 확인하는 지표를 계산하고, 분석 결과가 실제 생산관리 업무에 활용될 수
있도록 업무 맥락과 처리 기준을 AI에 전달했습니다.
반복되는 Excel 작업은 함수와 VBA 코드로 자동화했습니다. AI가 생성한 수식과 코드를 실제 데이터에
적용하고, 오류가 발생하는 구간을 확인하며 결과가 의도한 기준에 맞게 계산되는지 검증했습니다.
분석 결과는 생산관리 KPI 대시보드로 연결했습니다. 데이터의 성격에 맞는 차트를 선택하고, 생산량의
변화와 주요 지표를 한눈에 확인할 수 있도록 정보의 우선순위와 화면 구성을 설계했습니다.
실습을 통해 여러 항목이 포함된 원본 데이터가 생산량 추이와 항목별 비교 차트로 전환된 과정을 확인할 수 있습니다. 데이터를 단순히 시각화한 것이 아니라, 반복적으로 확인해야 하는 생산관리 지표를 빠르게 파악할 수 있도록 분석 구조를 만든 것입니다.
이처럼 매일 또는 매주 반복되는 데이터 취합과 계산, 오류 확인과 보고서 작성은 제조업에서 AI 자동화의 효과가 크게 나타날 수 있는 영역입니다. 처리 순서와 기준을 명확히 정리하면 AI는 단순한 분석 도구를
넘어 일련의 작업을 수행하는 업무 AI 에이전트로 발전할 수 있습니다.
업무용 GPT에서
Codex 기반 현장 프로토타입으로
세 번째 심화 과정에서는 앞선 과정에서 학습한 업무 구조화와 데이터 활용 방법을
실제 웹 프로토타입으로 발전시켰습니다.
교육생은 자신의 업무에 따라 GPTs와 Codex 중 적합한 제작 방식을 선택했습니다. 정해진 문서와 기준을 바탕으로 반복적인 질문에 답해야 하는 업무에는 GPTs를 활용하고, 사용자가 정보를 입력하고 결과를
확인하는 화면과 기능이 필요한 경우에는 Codex를 활용했습니다.
Codex 실습에서도 곧바로 코드를 생성하는 것부터 시작하지 않았습니다. 먼저 웹페이지의 목적과 사용자, 필요한 입력값과 처리 과정, 결과 형식과 준수해야 할 기준을 요구사항 문서로 정리했습니다. 이후 화면과 기능을 단계적으로 구현하고, 각 단계의 결과가 요구사항에 맞는지 확인했습니다.
공통 실습에서는 현장 작업 전 위험요인과 안전조치를 구조화하는 작업안전분석 지원 웹페이지를 제작했습니다. 사용자가 작업 정보를 입력하면 확인해야 할 항목을 정리하고, 결과를 검토하거나 저장할 수 있는
기본적인 업무 흐름을 구현했습니다.
개인 프로젝트에서는 교육생이 자신의 생산관리 업무에서 개선이 필요한 구간을 직접 선정했습니다.
필요한 입력 자료와 처리 과정, 최종 출력물을 정의하고, AI가 맡을 작업과 사람이 검토·승인해야 할 지점을 나눴습니다.
그 결과 근태 자료를 검증하는 프로그램, 현장의 위험요소를 확인하는 화면, 저장품 산정 기준을 판정하고 전산·실물 재고를 대사하는 도구, 유지보수 실적을 관리하는 결과물 등 서로 다른 현장 과업이 웹 기반
프로토타입으로 구현됐습니다.
해당 결과물은 실제 사내 시스템에 배포된 완성형 서비스가 아니라, 교육생이 자신의 업무 요구사항을 화면과 기능으로 구현해본 시제품입니다. 그러나 자연어로 기능을 요청하는 데서 그치지 않고, 현장의 업무
기준과 데이터 처리 과정을 문서화한 뒤 실제 작동하는 형태로 전환했다는 점에 의미가 있습니다.
제조업에는 생산과 품질, 안전, 자재, 설비와 유지보수 등 일정한 기준에 따라 반복되는 과업이 많습니다.
이번 결과물은 이러한 업무가 단순한 문서 작성뿐 아니라 데이터 검증과 판정, 조회와 관리 기능을 갖춘
현장형 AI 에이전트로 확장될 수 있다는 가능성을 보여줍니다.
교육 결과물이 일회성 실습으로 끝나지 않도록 GPT의 지침과 참고 자료, 요구사항 문서와 프로젝트 폴더도 함께 남겼습니다. 교육 이후에도 같은 업무를 반복하거나 기능을 수정할 때 다시 활용할 수 있는 구조를
만든 것입니다.
제조업 AI 에이전트 교육으로
현장의 실행 역량을 키우다
제조업은 생성형 AI와 AI 에이전트의 적용 가능성이 큰 산업입니다.
생산·품질·안전 업무에는 반복적으로 확인해야 하는 데이터와 문서가 많고, 일정한 기준과 순서에 따라
처리되는 과업도 많습니다. 이러한 업무는 자료 수집과 분류, 계산, 이상 징후 확인, 보고서 초안 작성과
같은 구간을 자동화하기에 적합합니다.
다만 제조 현장의 업무는 단순한 사무 자동화와 다릅니다. 데이터의 의미와 공정의 맥락을 이해해야 하며, 작은 오류도 품질과 안전에 영향을 줄 수 있습니다. 따라서 AI가 결과를 생성하는 것만큼 사람이 기준과
근거를 확인하고 최종 판단하는 절차가 중요합니다.
태광산업은 2024년 임원과 신입사원, 핵심인재를 대상으로 생성형 AI의 기본 활용 역량을 마련한 뒤, 2026년에는 교육의 범위를 모든 임직원으로 확대했습니다. 동시에 생산관리 직무의 핵심 인력을 대상으로 제조 데이터 분석과 Excel 자동화, 업무용 GPT와 Codex 기반 웹 프로토타입 제작까지 심화했습니다.
각 과정은 별개의 기능을 배우는 방식이 아니라 앞선 학습을 다음 결과물에 이어 사용하는 구조로 설계했습니다. 전사교육에서 AI를 활용하는 공통 기준을 세우고, 심화과정에서 생산관리 업무를 구조화한 뒤,
데이터 자동화와 현장형 제조업 AI 에이전트 제작으로 연결했습니다.
제조기업의 AI 활용 역량은 많은 도구의 사용법을 아는 것만으로 만들어지지 않습니다. 현장의 업무를 AI가 처리할 수 있는 단위로 정의하고, 데이터와 판단 기준을 명확히 전달하며, 생성된 결과를 검증해 실제 업무에 연결할 수 있어야 합니다.
태광산업의 사례는 생성형 AI 리터러시 교육이 조직 전체의 공통 역량을 거쳐 생산관리 직무의 자동화와
AI 에이전트 제작으로 어떻게 확장될 수 있는지를 보여줍니다.
데이터다이빙은 조직의 AI 활용 경험과 제조 현장의 업무 구조를 분석하고, 교육에서 배운 내용을
반복 가능한 워크플로우와 현업 결과물로 전환할 수 있도록 기업별 교육 과정을 설계합니다.
상세 커리큘럼이 궁금하신가요?
제조업 AI 에이전트 교육 커리큘럼에 대해 자세히 알고 싶으시다면,
아래 버튼을 클릭하여 문의해 주세요. 귀사의 특성에 맞는 맞춤형 교육 방안을 제안해 드리겠습니다.
![SK텔레콤 챗GPT를 활용한 엑셀 업무자동화 교육(집합교육) – [2/2]](https://datadiving.net/wp-content/uploads/2023/12/기업교육-16_9-집합교육__SK2-768x432.png)
