[진단 시뮬레이션] 교육은 여러 번 했지만 현장에서는 AI를 조심스럽게 쓰는 제조기업

“회의록은 되겠는데, 품질 이슈까지 맡겨도 될까요?”

품질 회의가 끝난 뒤, 한 관리자가 이렇게 말한다고 가정해 보겠습니다.

“회의록 정리 정도는 AI로 해볼 수 있을 것 같습니다. 그런데 불량 원인이나 고객사 대응 내용까지 정리하게 해도 되는지는 잘 모르겠습니다.”

이 한마디만 보면 구성원들이 아직 AI에 익숙하지 않은 조직처럼 보일 수 있습니다. 하지만 현장의 몇 가지 장면을 함께 살펴보면 다른 해석이 가능합니다.

이 기업은 AI 교육을 하지 않은 조직이 아닙니다. 전 직원 대상 기본 교육을 진행했고, ChatGPT를 활용한 문서 작성 실습도 여러 차례 운영했습니다. 회의록 정리, 자료 요약, 보고서 초안 작성처럼 비교적 쉽게 따라 할 수 있는 예제를 중심으로 실습도 해보았습니다.

교육장 반응도 나쁘지 않았습니다. 결과물이 빠르게 만들어지는 과정을 보며 직원들은 흥미를 느꼈고, 일부는 “이 정도면 내 업무에도 써볼 수 있겠다”라고 말했습니다.

몇 달 뒤 실제 활용 모습을 보면 AI를 전혀 쓰지 않는 것도 아닙니다. 교육 담당자는 안내문을 다듬을 때 AI를 활용하고, 영업지원 담당자는 고객사 요청사항을 정리할 때 도움을 받습니다. 몇몇 관리자는 회의 내용을 요약하고 후속 조치를 정리하는 데 사용하기도 합니다.

그런데 생산관리, 품질, 구매, 설비처럼 실제 운영과 맞물린 업무로 들어가면 활용 속도가 눈에 띄게 느려집니다.

이들은 AI를 몰라서 멈추는 것이 아닙니다. 실제 자료를 어디까지 입력해도 되는지, 만들어진 결과물을 어느 정도까지 신뢰할 수 있는지, 문제가 생기면 누가 다시 확인해야 하는지를 판단하기 어려워 멈추고 있습니다.

이 장면들을 종합하면 이 기업은 AI 기초 활용 경험이 부족한 조직이라기보다, 자료 활용 범위와 결과물 검토 책임이 정리되지 않아 현업 적용이 제한된 조직에 가깝습니다.

교육장에서는 가능해 보였지만 현장에서는 질문이 달라집니다

교육장에서 사용하는 예제는 대체로 안전합니다.

가상의 회의록을 요약하고, 공개된 자료를 정리하며, 일반적인 보고서 초안을 만들어봅니다. 이런 실습에서는 AI의 장점이 쉽게 드러납니다. 문장은 빠르게 만들어지고, 긴 내용을 구조화하는 데도 도움이 됩니다.

하지만 현장으로 돌아오면 가상의 예제가 아니라 실제 업무 자료를 다루게 됩니다.

품질팀은 불량 원인 보고서와 고객사 클레임 내용을 떠올립니다. 생산 관리팀은 일정 변경 회의와 작업 지시 사항을 생각합니다. 구매팀은 협력사와 주고받은 메일, 단가, 계약 조건, 납기 조정 내용을 살핍니다. 설비 담당자는 점검 기록과 이상 징후 메모를 떠올립니다.

이 지점부터 질문의 성격이 달라집니다.

AI가 내용을 얼마나 잘 요약하는가 보다 이 자료를 입력해도 되는지가 먼저입니다. 문장이 자연스러운가 보다 이 표현이 고객사나 협력사에 전달되어도 되는지가 중요해집니다. 작성 시간이 얼마나 줄었는가 보다 수치나 원인 판단이 잘못되었을 때 누가 확인하고 책임질 것인지가 더 크게 걸립니다.

제조기업의 AI 활용이 문서 작성 기술만으로 해결되지 않는 이유가 여기에 있습니다. 실제 업무 자료에는 품질, 납기, 단가, 계약, 고객 대응, 생산 조건처럼 판단과 책임이 따라붙는 정보가 포함되어 있기 때문입니다.

따라서 현장의 조심스러운 반응을 단순히 저항이나 낮은 활용 의지로 해석해서는 안 됩니다. 오히려 제조 현장에서는 이런 신중함이 정상적인 판단에 가깝습니다.

문제는 조심스럽다는 데 있지 않습니다. 구성원이 어느 범위까지 안전하게 시도할 수 있는지 판단할 기준이 없다는 데 있습니다.

부서마다 다른 것은 AI 수준보다 다루는 자료와 책임입니다

전사 교육에서는 모두가 같은 화면을 봅니다. 같은 예제를 따라 하고, 같은 프롬프트를 입력하며, 비슷한 결과물을 확인합니다. 교육장 안에서는 부서별 차이가 크게 드러나지 않습니다.

그러나 실제 업무에 적용하려는 순간 각 부서가 마주하는 부담은 전혀 달라집니다.

품질팀이 다루는 문서에는 불량 원인, 고객사 클레임, 내부 조치 내용이 포함됩니다. AI가 문장을 매끄럽게 정리해 주더라도 원인과 책임의 뉘앙스가 달라지면 문제가 될 수 있습니다. 특히 사실관계와 책임 범위를 사람이 다시 확인하지 않으면, 보기에는 자연스럽지만 실제 판단과 다른 문서가 만들어질 수 있습니다.

생산 관리팀의 자료에는 일정 변경, 긴급 주문, 설비 상태, 인력 배치와 같은 현장 맥락이 들어갑니다. 이런 내용은 숫자와 문장만으로 충분히 설명되지 않을 때가 많습니다. AI가 회의 내용을 정리할 수는 있어도, 특정 라인의 상황과 생산 우선순위를 스스로 판단하게 할 수는 없습니다.

구매팀은 협력사 커뮤니케이션에서 가능성을 봅니다. 메일 초안을 만들거나 요청사항을 정리하는 데는 AI가 도움이 될 수 있습니다. 그러나 단가, 계약 조건, 납기 조정이 포함되는 순간 문장 하나가 협상 여지나 책임 범위로 해석될 수 있습니다.

반면 교육이나 경영지원 관련 부서는 안내문, 공지, 교육 자료, 설문 응답 정리처럼 상대적으로 민감도가 낮은 업무부터 시작할 수 있습니다.

이 차이를 단순히 “어떤 부서는 AI를 잘 쓰고 어떤 부서는 못 쓴다”로 해석하면 진단을 잘못 내릴 수 있습니다. 실제 차이는 개인의 AI 능력보다 각 부서가 다루는 자료의 민감도와 결과물에 따르는 책임에서 발생할 가능성이 큽니다.

따라서 이 조직의 전사 평균 활용률만 보는 것으로는 충분하지 않습니다. 어떤 부서가 얼마나 사용하고 있는지 보다, 각 부서가 어떤 자료와 결과물 앞에서 멈추고 있는지를 함께 봐야 합니다.

이 조직에서 확인되는 핵심 진단 신호

지금까지의 장면을 종합하면 이 기업에서는 네 가지 신호가 함께 나타납니다.

첫째, 기본적인 AI 경험은 이미 형성되어 있습니다. 구성원들은 문서 정리나 요약처럼 비교적 안전한 업무에서는 AI를 활용하고 있습니다. 따라서 이 조직의 첫 번째 과제를 AI 입문 교육 부족으로 보기는 어렵습니다.

둘째, 실제 업무로 들어갈수록 사용할 수 있는 자료의 범위가 불분명합니다. 공개 자료나 가상의 문서가 아니라 품질, 생산, 구매, 설비 관련 자료를 다루는 순간 구성원은 스스로 판단하기 어려워집니다.

셋째, AI가 만든 결과물을 누가 무엇을 기준으로 검토해야 하는지가 정리되어 있지 않습니다. 특히 수치, 원인, 책임, 계약 조건처럼 사람이 반드시 판단해야 하는 항목이 명확하게 구분되어 있지 않습니다.

넷째, 일부 직원의 활용 경험이 팀의 업무 방식으로 축적되지 않습니다. 어떤 자료를 제외했고, 결과물에서 무엇을 수정했으며, 다음에도 다시 쓸 수 있는 양식이 무엇인지 남아 있지 않기 때문입니다.

이 네 가지 신호를 함께 보면 이 기업의 문제를 단순한 활용률 부족으로 보기는 어렵습니다. 기초 사용은 시작되었지만, 실제 업무로 넘어가는 데 필요한 자료 기준과 검토 구조가 비어 있는 상태로 보는 편이 더 정확합니다.

관리자는 활용을 막는 사람이 아니라 검토 책임을 떠안는 사람입니다

제조기업의 관리자가 AI 활용을 무조건 막으려는 것은 아닙니다. 반복적인 문서 작성이나 회의 정리에 도움이 된다는 점은 인정하고, 팀원들이 새로운 도구를 익혀야 한다는 것도 알고 있습니다.
다만 실제 업무 결과물이 올라오는 순간 관리자는 다른 질문을 하게 됩니다.

• 이 결과물을 어느 정도까지 믿어도 되는가
• AI가 만든 초안에서 무엇을 반드시 다시 확인해야 하는가
• 고객사에 나가는 문서에도 이 방식을 허용할 수 있는가
• 수치나 원인 판단이 잘못되었을 때 누가 책임지는가

이 질문에 대한 답이 없으면 관리자는 활용을 허용하면서도 실제로는 모든 결과물을 처음부터 다시 확인해야 합니다. 그렇게 되면 AI를 사용해 시간을 줄이려던 시도가 오히려 관리자에게 추가 검토 부담을 만들 수 있습니다.

구성원도 이를 민감하게 느낍니다. AI로 초안을 만들었지만 관리자가 다시 처음부터 작성하라고 하면 다음부터는 사용하지 않을 가능성이 큽니다. 반대로 관리자가 “문장 구조와 회의 내용 정리는 AI로 해도 되지만, 수치와 불량 원인, 고객사 책임과 관련된 표현은 반드시 사람이 확인하자”라고 말해주면 시도할 수 있는 범위가 분명해집니다.

따라서 이 기업에서 필요한 것은 막연한 활용 권장이 아니라, 업무별 검토 항목을 정하는 일입니다. 어떤 결과물은 AI가 초안을 만들 수 있고, 어떤 판단은 사람이 유지해야 하는지가 구분되어야 합니다.

다음 교육보다 먼저 정해야 할 업무가 있습니다

이 기업이 다음 AI 교육을 준비한다고 해보겠습니다.

가장 쉬운 선택은 더 많은 프롬프트와 다양한 기능을 알려주는 과정을 다시 여는 것입니다. 아직 AI를 거의 사용해보지 않은 구성원에게는 이런 기초 실습이 필요할 수 있습니다.
하지만 이 조직의 핵심 문제는 기능을 몰라서 생긴 것이 아닙니다. 같은 교육을 한 번 더 진행하더라도 실제 자료를 입력하는 순간에는 다시 같은 질문이 생길 가능성이 큽니다.

• 품질 관련 자료를 어디까지 사용할 수 있는가
• 생산 회의 결과를 AI로 정리해도 되는가
• 협력사 메일 초안에서 사람이 확인해야 할 표현은 무엇인가
• 설비 점검 기록을 요약할 때 빠져서는 안 되는 정보는 무엇인가

이 질문이 정리되지 않은 상태에서 예제만 늘리면 교육장에서는 활용 가능성이 커진 것처럼 보이지만, 현장에서는 이전과 비슷한 수준에 머물 수 있습니다.

따라서 이 기업의 첫 조치는 새로운 과정명을 고르는 일이 아닙니다. 

예를 들어 생산 회의 후속 조치 정리나 설비 점검 기록 요약처럼 내부에서 반복적으로 사용하는 업무를 시작점으로 잡을 수 있습니다. 그런 다음 사용할 수 있는 자료의 범위와 AI가 만든 결과물에서 사람이 반드시 확인해야 할 항목을 함께 정해야 합니다.

이 기준이 실제 업무에서 작동하는지 확인한 뒤에 다른 부서와 업무로 확장하는 편이 안전합니다. 사례를 저장하고 공유하는 체계는 그다음 단계에서 설계해도 늦지 않습니다.

진단의 역할은 바로 이 순서를 정하는 데 있습니다. 조직에 부족한 것이 교육인지, 자료 기준인지, 관리자 검토 구조인지에 따라 첫 번째 조치는 달라져야 합니다.

제조기업의 AI 활용은 현장의 산출물 단위로 설계되어야 합니다

AI 교육에서는 문서 작성, 자료 조사, 회의록 정리, 보고서 초안 작성처럼 폭넓은 표현을 자주 사용합니다. 틀린 표현은 아니지만 제조기업의 실제 업무를 움직이기에는 다소 추상적입니다.

현장은 더 구체적인 산출물로 움직입니다.
불량 원인 보고서, 생산 회의 후속 조치, 작업표준서 개정 초안, 설비 점검 기록, 협력사 납기 조정 메일, 고객사 요청사항 정리, 안전 점검 체크리스트.
구성원은 이런 실제 결과물과 연결될 때 비로소 AI를 자신의 업무 도구로 인식합니다. 동시에 어떤 자료를 사용할 수 있는지, 어떤 부분은 사람이 다시 판단해야 하는지도 구체적으로 논의할 수 있습니다.

따라서 제조기업의 AI 활용을 설계할 때는 도구의 기능보다 업무 산출물을 먼저 정하는 편이 낫습니다.

• 무엇을 입력할 것인지
• AI가 어디까지 초안을 만들 것인지
• 사람이 어떤 사실과 판단을 다시 확인할 것인지
• 완성된 결과물은 누가 승인할 것인지

이 기준이 붙어야 AI 활용이 단순한 개인 실험에서 실제 업무 방식으로 넘어갈 수 있습니다.

현장에서는 “AI 전환을 추진하자”는 선언보다 “다음 생산 회의부터 후속 조치 정리는 이 방식으로 해보자”는 합의가 더 직접적인 변화를 만들기도 합니다.

이 기업의 첫 번째 과제는 교육 확대가 아닙니다

이 제조기업을 단순히 AI 활용이 낮은 조직으로 판단하면 다음 조치는 다시 전 직원 교육이 될 가능성이 큽니다. 그러나 진단 신호를 함께 보면 우선순위는 달라집니다.

이 조직에는 이미 기본적인 활용 경험이 있습니다. 부족한 것은 AI의 기능에 대한 이해보다, 실제 업무 자료를 다룰 때 필요한 판단 기준입니다.

따라서 첫 번째 과제는 교육을 확대하는 것이 아니라, 품질·생산·구매·설비 업무 중 하나를 정해 다음 세 가지를 합의하는 일입니다.

• 사용할 수 있는 자료의 범위는 어디까지인가
• AI가 만든 결과물에서 사람이 반드시 확인할 항목은 무엇인가
• 최종 결과물을 누가 검토하고 승인할 것인가

이 기준이 마련된 뒤에는 교육의 내용도 달라질 수 있습니다. 일반적인 프롬프트 실습이 아니라 실제 산출물을 기반으로 한 직무별 실습과 검토 과정이 필요해집니다.

AX Signal은 AI를 얼마나 자주 사용하는지만 확인하는 진단이 아닙니다. 구성원과 관리자가 어떤 업무에서 멈추고 있는지, 자료와 결과물에 대한 기준이 마련되어 있는지, 개인의 활용이 실제 업무 방식으로 이어질 준비가 되어 있는지를 함께 살펴봅니다.

제조기업에서 먼저 확인해야 할 것은 구성원의 활용 의지가 아닙니다. 품질, 생산, 구매, 설비 업무 중 어느 자료까지 AI에 활용할 수 있는지, 어떤 결과물은 반드시 현업 책임자가 다시 판단해야 하는지가 조직 안에서 정리되어 있는지를 봐야 합니다.

그 기준이 보이면 다음 교육도 달라집니다. 막연히 기능을 더 배우는 과정이 아니라, 실제 업무 하나를 안전하게 바꾸는 과정으로 설계할 수 있습니다.


[↓보고서 샘플 요청하기↓]