제조업 경쟁력, AI 모델에서 학습 시스템으로

야마자키 마자크는 2026년 10월 26일부터 31일까지 도쿄 빅사이트에서 열린 JIMTOF2026(제33회 일본 국제 공작기계 박람회)에서 정책연구대학원대학 특임교수 니시가키 아쓰코와 자사 상석집행임원 사와다 요스케가 제조업 경쟁력을 만드는 ‘비법’에 관해 강연했다고 밝혔습니다. 제조 현장에서 AI가 숙련자의 지식을 재현할 수 있게 될 경우, 기업 고유의 강점을 어떻게 지킬지가 논점이 됐습니다.

니시가키 교수는 교토부 우지시의 HILLTOP을 사례로 들었습니다. 이 회사는 AI 활용을 포함한 디지털 전환을 추진하지만, AI 도입 자체가 출발점은 아니며 ‘사람이 흥미를 느끼는 일’, 즉 새로운 도전을 중시한다고 설명했습니다. 이미 한 작업을 기계에 맡기고 사람이 다음 도전으로 옮겨가는 순환 과정에 AI를 넣으면서 도전의 속도가 빨라지고 학습 범위도 넓어졌다는 설명입니다.

사와다 임원에 따르면 야마자키 마자크는 마자트롤 프로그램을 중심으로 제조 현장에 피지컬 AI를 구현하는 작업을 진행하고 있습니다. 말로 표현하기 어려운 현장 지식인 암묵지를 명시적 지식으로 바꾸려면 업무에서 실제로 무엇을 했는지 파악해야 한다고 그는 말했습니다. 마자트롤에는 무엇을 어떻게 가공했는지 상세한 기록이 남으며, 가공 내용은 각 회사의 고유 자산이 됩니다. 학습 결과를 다음 가공에 활용하는 체계가 경쟁력으로 이어진다는 설명입니다.

회사는 사내 데이터로 기본 학습을 마친 ‘마자크 기반 모델’을 마련하고, 장비 납품 때 고객 데이터로 조정해 고객별 모델을 만들 계획입니다. 사와다 임원은 공장에서 실제로 사용하며 학습을 이어가 고객 공장에 특화된 모델로 키우겠다고 설명했습니다. 공장과 공정, 장비마다 가공 조건이 달라 한 공장의 조건을 다른 공장에 그대로 적용해도 같은 작업을 할 수 있다고 보장할 수는 없습니다. 가공 기술이 평준화되면 이런 고유성이 지닌 가치가 사라진다고 그는 말했습니다.

니시가키 교수는 HILLTOP과 야마자키 마자크가 현장과 기반은 다르지만, 실제 가공에서 얻은 지식을 다음 가공이나 판단에 활용한다는 공통점이 있다고 지적했습니다. 경쟁의 초점은 개별 AI 모델에서 학습 시스템으로 옮겨가며, 도입 뒤에도 계속 똑똑해지는 역량이 중요하다고 강조했습니다.

니시가키 교수가 제시한 학습 시스템 구축 요건은 5가지입니다. 성공뿐 아니라 실패와 시행착오, 판단 이유를 기록하는 방법, AI 제안과 실제 가공·평가·재학습을 순환시키는 방법, 정확도와 품질을 납기·원가·수익으로 연결하는 방법, 현장 지식의 권리와 이용 범위·이익 배분을 정하는 방법, 서로 다른 기계와 CAM(컴퓨터 지원 제조), 기업을 넘어 지식을 활용하는 방법입니다. 사와다 임원은 자사의 AI 에이전트 배치까지 약 2년이 걸릴 것이라며, 그동안 시스템과 가공 데이터를 준비하면 AI 시대에 곧바로 가치를 얻을 수 있다고 말했습니다.

야마자키 마자크는 2026년 10월 26일부터 31일까지 도쿄 빅사이트에서 열린 JIMTOF2026(제33회 일본 국제 공작기계 박람회)에서 정책연구대학원대학 특임교수 니시가키 아쓰코와 자사 상석집행임원 사와다 요스케가 제조업 경쟁력을 만드는 ‘비법’에 관해 강연했다고 밝혔습니다. 제조 현장에서 AI가 숙련자의 지식을 재현할 수 있게 될 경우, 기업 고유의 강점을 어떻게 지킬지가 논점이 됐습니다.

니시가키 교수는 교토부 우지시의 HILLTOP을 사례로 들었습니다. 이 회사는 AI 활용을 포함한 디지털 전환을 추진하지만, AI 도입 자체가 출발점은 아니며 ‘사람이 흥미를 느끼는 일’, 즉 새로운 도전을 중시한다고 설명했습니다. 이미 한 작업을 기계에 맡기고 사람이 다음 도전으로 옮겨가는 순환 과정에 AI를 넣으면서 도전의 속도가 빨라지고 학습 범위도 넓어졌다는 설명입니다.

사와다 임원에 따르면 야마자키 마자크는 마자트롤 프로그램을 중심으로 제조 현장에 피지컬 AI를 구현하는 작업을 진행하고 있습니다. 말로 표현하기 어려운 현장 지식인 암묵지를 명시적 지식으로 바꾸려면 업무에서 실제로 무엇을 했는지 파악해야 한다고 그는 말했습니다. 마자트롤에는 무엇을 어떻게 가공했는지 상세한 기록이 남으며, 가공 내용은 각 회사의 고유 자산이 됩니다. 학습 결과를 다음 가공에 활용하는 체계가 경쟁력으로 이어진다는 설명입니다.

회사는 사내 데이터로 기본 학습을 마친 ‘마자크 기반 모델’을 마련하고, 장비 납품 때 고객 데이터로 조정해 고객별 모델을 만들 계획입니다. 사와다 임원은 공장에서 실제로 사용하며 학습을 이어가 고객 공장에 특화된 모델로 키우겠다고 설명했습니다. 공장과 공정, 장비마다 가공 조건이 달라 한 공장의 조건을 다른 공장에 그대로 적용해도 같은 작업을 할 수 있다고 보장할 수는 없습니다. 가공 기술이 평준화되면 이런 고유성이 지닌 가치가 사라진다고 그는 말했습니다.

니시가키 교수는 HILLTOP과 야마자키 마자크가 현장과 기반은 다르지만, 실제 가공에서 얻은 지식을 다음 가공이나 판단에 활용한다는 공통점이 있다고 지적했습니다. 경쟁의 초점은 개별 AI 모델에서 학습 시스템으로 옮겨가며, 도입 뒤에도 계속 똑똑해지는 역량이 중요하다고 강조했습니다.

니시가키 교수가 제시한 학습 시스템 구축 요건은 5가지입니다. 성공뿐 아니라 실패와 시행착오, 판단 이유를 기록하는 방법, AI 제안과 실제 가공·평가·재학습을 순환시키는 방법, 정확도와 품질을 납기·원가·수익으로 연결하는 방법, 현장 지식의 권리와 이용 범위·이익 배분을 정하는 방법, 서로 다른 기계와 CAM(컴퓨터 지원 제조), 기업을 넘어 지식을 활용하는 방법입니다. 사와다 임원은 자사의 AI 에이전트 배치까지 약 2년이 걸릴 것이라며, 그동안 시스템과 가공 데이터를 준비하면 AI 시대에 곧바로 가치를 얻을 수 있다고 말했습니다.