모델만 10배 빨라져도 전체는 1.29배 — 검사 시스템 “5~10배 빠른 커미셔닝”이 성립하려면

초록

Siemens와 P&G는 2026년 9월 18일 AI 기반 품질검사 플랫폼 Visual Inspection Cockpit(VIC)을 P&G의 전 세계 생산거점으로 확대한다고 발표하면서, 신규 배치의 커미셔닝¹이 기존 맞춤형 비전 시스템 대비 5~10배 빠르다고 밝혔다. 이 수치를 암달의 법칙² 구조로 되짚으면 통념이 뒤집힌다. AI 모델 단계만 10배 빨라져도 라인 전체 리드타임은 1.29배(22.5 %)밖에 줄지 않는다. 발표된 5배가 성립하려면 단축 대상이 리드타임의 88.9 % 이상이어야 하고, 10배를 부분 배수 5로 달성하는 것은 산술적으로 불가능하다. 즉 이 발표가 실제로 말하는 것은 모델 재사용이 아니라 조명·기구·통합·인수까지 포함한 주변 규격의 표준화이며, 검사 시스템 도입의 병목은 처음부터 AI가 아니었다.

1. 결론부터 — “5~10배”는 모델이 빨라졌다는 뜻이 아니다

상황(Situation). Siemens와 P&G가 공동 개발한 엣지 기반 검사 플랫폼 VIC가 시범 적용을 끝내고 P&G 전 세계 생산 조직으로 확대된다³. 공개된 성과는 두 가지다 — 제품군에 따라 스크랩률 10~20 % 감소, 그리고 신규 배치 커미셔닝 5~10배 단축.

복잡성(Complication). 두 수치는 성격이 전혀 다르다. 스크랩률은 운전 중 성능이고 커미셔닝 배수는 도입 리드타임이다. 그런데 보도와 업계 반응은 둘을 묶어 “AI가 빨라져서 도입도 빨라졌다”로 읽는다. 이 독해는 검증된 적이 없다.

질문(Question). 검사 시스템 도입 리드타임에서 AI 모델 개발이 차지하는 몫이 절반이 안 된다면, 모델이 아무리 빨라져도 전체가 5~10배 줄 수 있는가.

답(Answer). 없다. 부분 최적화의 전체 기여에는 암달의 법칙이라는 천장이 있고, 이 천장은 가정값을 어떻게 잡든 뚫리지 않는다. 발표 수치가 사실이라면, 단축된 것은 모델이 아니라 리드타임의 거의 전부다. 그리고 그 “거의 전부”에는 AI와 무관한 항목들이 들어 있다.

2. 공개된 것과 공개되지 않은 것

항목	공개 내용	공개되지 않은 것
플랫폼 구성	P&G 자체 딥러닝 모델 + 소비재 제조 도메인 지식 / Siemens 엣지 컴퓨팅 하드웨어·소프트웨어 스케일링 프레임워크·산업 AI 포트폴리오	모델 아키텍처, 엣지 하드웨어 사양
검사 성능	생산 중 실시간 검사, 풀 라인속도에서 전수 검사 범위 확보	라인속도 절대값(m/min), 해상도, 결함 최소 크기(mm)
품질 성과	제품군에 따라 스크랩률 10~20 % 감소	기준선이 자사 기존 비전 시스템인지 무검사인지
도입 성과	신규 배치 커미셔닝 5~10배 단축(기존 맞춤형 비전 시스템 대비)	단축 대상 범위 — 라인 전체인지 모델 배포 단계만인지
전개 범위	P&G 전 세계 생산거점	거점 수, 전개 일정

이 글은 커미셔닝 배수를 라인 전체 리드타임으로 읽고 계산한다. 원문이 범위를 명시하지 않았으므로 이는 해석이며, 만약 실제 대상이 모델 배포 단계만이라면 4절의 역산은 성립하지 않는다. 이 조건을 먼저 밝혀 둔다.

3. 리드타임 분해 — 모델은 4분의 1이다

가정 시나리오를 세운다. 맞춤형 비전 시스템을 라인 1기에 새로 도입할 때의 리드타임을 아래와 같이 분해한다. 실무 관찰에 기반한 임의 설정값이며, 자사 실적으로 치환해 재계산해야 한다.

단계	내용	리드타임 비중(가정)	AI 모델 재사용으로 단축되는가
①	요구 정의·결함 정의·샘플 수집	20 %	부분적 — 결함 정의가 기존과 같을 때만
②	모델 학습·튜닝	25 %	예
③	조명·광학·기구 설치	25 %	아니오
④	현장 통합·시운전·검증	20 %	아니오
⑤	운영 인수·문서화	10 %	아니오

이제 암달의 법칙을 적용한다. 전체 중 비중 f인 부분이 s배 빨라질 때 전체 단축 배수 S는

S = 1 ÷ [ (1 − f) + f ÷ s ]

단축 대상	f	부분 배수 s = 5	s = 10	s = ∞(즉시 완료)
② 모델만	0.25	1.25배 (20.0 %↓)	1.29배 (22.5 %↓)	1.33배 (25.0 %↓)
①+② 모델·요구정의	0.45	1.56배 (35.9 %↓)	1.68배 (40.5 %↓)	1.82배 (45.0 %↓)
①+②+③ 광학까지	0.70	2.27배 (56.0 %↓)	2.70배 (63.0 %↓)	3.33배 (70.0 %↓)
전부	1.00	5.00배 (80.0 %↓)	10.00배 (90.0 %↓)	—

표 3의 첫 줄이 이 글의 출발점이다. 모델 학습을 10배 가속해도 전체 리드타임은 22.5 %만 줄어든다. 발표된 5~10배와는 자릿수가 다르다. 모델을 무한히 빠르게 만들어도 25 % 이상은 줄지 않는다 — 나머지 75 %가 그대로 남아 있기 때문이다.

4. 역산 — 5배가 성립하려면 대상이 88.9 % 이상이어야 한다

방향을 뒤집어 본다. 목표 전체 배수 S를 달성하려면 단축 대상 f가 얼마여야 하는가. 위 식을 f에 대해 풀면

f = (1 − 1÷S) ÷ (1 − 1÷s)

목표 전체 배수 S	부분 배수 s = 5	s = 10	s = 20	s = ∞
5배	f = 100.0 %	f = 88.9 %	f = 84.2 %	f = 80.0 %
10배	f = 112.5 % — 산술적으로 불가능	f = 100.0 %	f = 94.7 %	f = 90.0 %

읽어야 할 것은 세 가지다.

첫째, 5배조차 f ≥ 80 %를 요구한다. 부분 배수 s를 무한대로 키워도 마찬가지다. 즉 “5배 빠른 커미셔닝”은 리드타임의 최소 5분의 4에 손을 댔다는 뜻이며, 표 2의 분해에서 ②(25 %)만으로는 어떤 경우에도 도달할 수 없다.

둘째, 10배를 부분 배수 5로 달성하는 것은 산술적으로 불가능하다. f = 112.5 %가 나오기 때문이다. 100 %를 넘는 비중은 존재하지 않는다. 따라서 발표된 상단값 10배가 사실이라면, 단축 대상이 전부이면서 동시에 부분 배수가 10 이상이어야 한다.

셋째, 그렇다면 무엇이 ③④⑤를 줄였는가. 답은 발표문 안에 이미 있다 — Siemens가 제공한 것은 모델이 아니라 엣지 컴퓨팅 하드웨어와 소프트웨어 스케일링 프레임워크다³. 하드웨어가 규격화되면 ③(조명·광학·기구)이 매번 새로 설계되지 않고, 스케일링 프레임워크가 있으면 ④(현장 통합·시운전)가 배치 절차로 바뀌며, 플랫폼이 동일하면 ⑤(인수·문서화)가 사본으로 끝난다. AI는 이 구조에서 단축의 원인이 아니라 단축을 가능하게 한 표준화의 대상 중 하나일 뿐이다.

5. 층위 구분 — 운전 중 성능과 도입 리드타임은 다른 문제다

이 사이트에서 앞서 다룬 인라인 3D 검사의 대역폭 대 택타임 이중 제약 편은 검사 시스템이 돌고 있을 때 무엇이 먼저 한계에 걸리는지를 다뤘다. 이 글은 그 시스템을 들여놓는 동안 무엇이 시간을 잡아먹는지를 다룬다. 두 계산은 독립적이다. 대역·지연 예산이 충분한 설계라도 도입에 18개월이 걸릴 수 있고, 반대로 하루 만에 배치되는 시스템이 풀 라인속도를 못 따라갈 수도 있다. 검사 투자를 심의할 때는 두 표를 각각 요구해야 한다.

스크랩률 쪽도 층위를 구분해 둔다. 이 감소가 OEE⁴로 어떻게 나타나는지는 FAQ에서 따로 다루는데, 결론만 먼저 적으면 OEE 개선폭은 0.4 %p 미만으로 작고, 투자 회수는 OEE가 아니라 재료비와 폐기물 처리비에서 나온다. OEE 요소별 한계 기여의 일반 구조는 인허가 동결 국면의 OEE 3요소 한계 증산 편에서 이미 분해했으므로 여기서는 반복하지 않는다.

FAQ

Q1. 표 2의 비중이 임의값인데, 그 위에 세운 계산을 믿을 수 있나?
표 2가 바뀌면 표 3의 숫자는 바뀐다. 그러나 표 4는 바뀌지 않는다. 표 4는 목표 배수와 필요 f의 관계식일 뿐 분해값에 의존하지 않기 때문이다. 이 글의 핵심 주장 — “5배는 f ≥ 80 %를 요구한다”, “10배는 s = 5로 불가능하다” — 는 가정값과 무관하게 성립한다. 표 2가 하는 일은 “실제 f가 80 %에 한참 못 미칠 가능성이 높다”는 정황을 제시하는 것뿐이며, 그 정황이 틀렸다면 반박은 자사 실적 분해표로 해야 한다. 그것이 현장 적용 노트 1번이다.

Q2. 스크랩 20 % 감소면 OEE가 꽤 오르지 않나?
오르지 않는다. 기준 스크랩률 2.0 %를 가정하면 20 % 감소는 1.6 %이고 품질 요소 Q는 98.0 % → 98.4 %다. 가용성 88 %·성능 92 % 기준선에서 OEE는 79.34 % → 79.67 %, 즉 +0.32 %p다. 10 % 감소면 +0.16 %p에 그친다. 반면 절감되는 재료는 스크랩 물량에 정비례하므로 재료비 효과는 20 %를 그대로 받는다. 이 투자를 OEE 개선 명목으로 품의하면 숫자가 초라해 보이고, 재료비·폐기물 처리비 명목으로 품의하면 정직하다. (측정 조건: 기준 스크랩률 2.0 %, A 88 %·P 92 %는 모두 가정값이며 기준선은 비교 가능성을 위해 앞선 글과 동일하게 잡았다.)

Q3. 그러면 AI 검사 도입은 별 의미가 없다는 말인가?
반대다. 이 분석이 가리키는 것은 투자 심의의 질문을 바꾸라는 것이다. “모델 정확도가 몇 %인가”는 표 2의 ② 하나에만 걸리는 질문이고, 리드타임의 75 %를 결정하는 것은 “조명·기구가 규격품인가”, “통합 절차가 문서화돼 있는가”, “인수 기준이 이미 합의돼 있는가”다. 플랫폼형 솔루션의 값이 비싸 보인다면, 그 가격에 포함된 것이 모델이 아니라 ③④⑤의 표준화라는 점을 함께 계산해야 한다.

현장 적용 노트

월요일 아침에 바로 실행 가능한 항목만 정리한다.

#	할 일	산출물	소요
1	최근 도입한 비전 시스템 2~3기의 실제 리드타임을 표 2 양식으로 분해한다. 착수일·모델 확정일·기구 설치 완료일·시운전 완료일·인수일을 뽑으면 된다.	자사 f 실적값	1일
2	1번의 f를 표 4에 대입해 자사가 5배 단축을 말할 수 있는지 판정한다. f < 0.80이면 어떤 솔루션도 5배를 줄 수 없다.	판정 1줄	0.5일
3	공급사에 커미셔닝 배수의 적용 범위를 서면으로 확인한다 — 라인 전체인가, 모델 배포 단계만인가. 이 한 문장이 제안서 비교의 기준을 바꾼다.	질의서 1건	0.5일
4	리드타임 비중 상위 2개 단계(대개 ③ 광학·기구, ④ 통합·시운전)에 대해 사내 표준품·표준 절차가 있는지 점검한다. 없으면 여기가 진짜 개선 지점이다.	표준화 갭 목록	1일
5	검사 투자 품의서의 효과 항목을 OEE에서 재료비·폐기물 처리비로 교체하고 금액을 다시 산출한다.	수정 품의 근거	0.5일

출처 및 측정 조건 주석

¹ 커미셔닝(commissioning) — 설비를 설치한 뒤 규정된 성능을 내는지 확인하고 운전 조직에 인계하기까지의 일련의 시험·조정·검증 절차. 이 글에서는 발표 원문의 “commissioned”를 그대로 옮겨 쓴다.
² 암달의 법칙(Amdahl’s law) — 전체 중 일부만 개선했을 때 전체 성능 향상에는 상한이 있다는 관계식. 원래는 병렬 컴퓨팅에서 나왔으나, 전체가 직렬 단계의 합으로 표현되는 모든 문제에 같은 형태로 적용된다.
³ Siemens 보도자료 “Siemens and Procter & Gamble roll out AI-based quality inspection worldwide”, 2026-09-18. AIwire·Industry EMEA·WebWire 등에 동일 내용 게재. 표 1의 전 항목, 그리고 4절의 “엣지 컴퓨팅 하드웨어·소프트웨어 스케일링 프레임워크” 서술의 출처.
⁴ OEE(Overall Equipment Effectiveness, 종합설비효율) — 가용성 × 성능 × 품질. 이 사이트는 이 정의를 고정해 사용하며 사이클타임·FPY와 혼용하지 않는다.

산정 조건. 표 2의 단계별 비중, 기준 스크랩률 2.0 %, 가용성 88 %·성능 92 %는 모두 본문에 명시한 가정값이다. 표 4의 관계식은 가정값에 의존하지 않는다. 발표 수치의 측정 기간·표본 수·대상 제품군은 원문에 공개되지 않아 반영하지 않았다.

특허 참고. 이번 회차 리서치 기준기간(2026-09-16 ~ 2026-09-23)에 공개된 관련 특허는 0건이었고, 30일로 확장 검색했으나 역시 0건이었다. 아래는 일반 선행기술 참고로만 제시하며 이번 소재와 직접적 대응 관계를 주장하지 않는다.

• US11120306B2 — Edge-based adaptive machine learning for object recognition (공개 2021-09-14)
• US11544566B2 — Deep learning model insights using provenance data (공개 2023-01-03)

이번 호 다른 기사

• 자격 3종이 같은 지속시간에 모인 이유 — DSX Ready BESS에서 사이징을 정하는 것은 출력축이다
• 확약 16 GWh와 예약 190 GWh — 2.97배 계단을 흡수하는 것은 라인이 아니라 계약이다