# 베테랑 기술을 “AI가 학습할 수 있는 형태”로 만든다. 올로가 도전하는 기술 계승, 그 다음의 물리적 AI

> https://bookfactory.kr/board/news/19939
> 게시판: 뉴스
> 작성자: tachikoma43
> 작성일: 2026-10-04T05:03:30.164Z

---

주식회사 올로 대표이사社長 川합 氏（왼쪽）、取締役 営業·마케팅 책임자 백석 氏（오른쪽）

제조업 분야에서 AI 활용이 확산되고 있다. ChatGPT를 비롯한 생성 AI를 활용한 자료 작성 및 정보 검색은 점차 확산되고 있는 반면, 공장 내에서 실제로 이루어지고 있는 “사람의 작업”에 AI를 통합하는 움직임은 아직 널리 확산되지 않았다.

제조업용 AI 제품을 개발하는 올로(Ollo) 주식회사 대표이사社長의 川合氏は、現状について「ChatGPT 등을 사용하여 문서 작업을 만들거나, 슬라이드 제작을 효율화하는 데 활용되는 것은 상당히 확산된 것 같습니다. 한편으로는 실제 현장에서 발생하는 작업을 분석하거나, 그 결과를 실측 측으로 피드백하는 활용은 아직 그다지 확산되지 않았습니다」라고 말한다.

특히 큰 과제는 숙련자가 가진 기술의 계승이다. 인력 부족과 고령화가 심화되는 제조 현장에서는 특정 베테랑에게 작업이 의존하고, “그 사람이 물러나면 생산이 멈춘다”는 상황도 발생할 수 있다. 그러나 숙련자의 작업을 영상으로 촬영하고, 매뉴얼로 남길 수 있다면 기술 계승이 완료되는 것은 아니다.

そもそも 숙련자의 어떤 점이 우월한지, 그리고 신입과 어떤 점이 다른지 알아야 합니다. 본인 스스로도 인지하지 못하는 부분을 어떻게 찾고, 다음 사람에게 어떻게 전달할 것인지 고민해야 합니다. 본고에서는, 작업 영상을 AI로 분석하여 작업 공정의 시각화, 숙련자와 신인의 비교, 개선 포인트 추출 등을 수행하는 “Ollo Factory”를 제공하는 株式会社Ollo 대표取締役社長 川合氏와取締役 営業·マーケティング責任者の白石氏에게, AI에 의해 제조업의 기술 계승이 어떻게 변화하는지 질문했습니다.

주식회사 올로 대표取締役社長, 카와가타 켄토 님.

2014년에 츠부카대학교 대학원 컴퓨터과학전공 졸업했습니다. 그 후 도쿄대학교 마츠오 연구실에서 공동 연구 프로젝트 리더를 여러 번 경험했습니다. 2019년에 올로(Ollo)를 창업했습니다.

주식회사 올로 이사 사장 영업·마케팅 책임자 백석 고지

[중요]

신입 사원으로 키엔스(Keyence)사에 입사했습니다. 국내 영업 그룹 책임자 경험 후 해외에 파견되어 영업 전략을 추진하고 기술 그룹 책임자, 사업부의 마케팅 책임자로서 종무 업무를 담당했습니다. 2024년부터 올로(Ollo)에 참여했습니다.

“이 사람이 떠나면 곤란하다”. 그럼에도 불구하고 기술을 남기는 것이 어려운 이유

이 기사는 일본의 한 매체에서 발표한 내용으로, 특정 인물의 퇴사로 인해 발생할 수 있는 문제점을 지적하고 있습니다. 특히, 핵심 인력의 이탈이 조직에 미치는 부정적인 영향에 대한 우려가 담겨 있습니다. 

기사 내용 중 일부는 일본어 텍스트로 구성되어 있으며, 이를 한국어로 번역했습니다. 

*   그럼에도 불구하고 (krarumedo gugo gugo) - 비록, 그럼에도 불구하고
*   기술 (gi-sul) - 기술
*   을 (eul) - (목적격 조사)
*   남기는 것이 (namgineun geosi) - 남기는 것이
*   어려운 이유 (eoryeoun iyueu) - 어려운 이유

제조업에서의 AI 활용에 대해, 공장에서 실제로 사람이 수행하는 작업을 AI로 인식 및 분석하고 현장에 피드백을 제공하는 방식은 아직 검증 단계에 있는 기업들이 많다는 것이다. 특히 중견 및 중소 제조업계에서는 AI 이전의 과제 또한 크다. 대기업의 경우, 제조 공정을 분석하는 개선 담당자를 배치할 수 있다. 하지만 규모가 작아질수록, 개선 활동이나 매뉴얼 작성 등을 담당하는 인력을 확보하는 것 자체가 어려워진다.

하시바시 씨는 “개선 활동을 하고 싶어도, 그곳에 투입할 인력이 없다. 매뉴얼을 만들고 싶어도 사람을 찾을 수 없다. 중견·중소 고객님들이 사실 AI의 혜택을 받을 수 있는 부분이 많지 않느냐”라고 말합니다.

더욱이 과제가 되는 것이 특정 숙련자에 대한 의존이다.

중소기업에서는 베테랑이 작업하고 있고, 그 사람이 은퇴하면 생산이 멈추는 것과 같은 상황이 발생하기도 한다. 그 사람의 노하우를 매뉴얼 등에 어떻게 녹여나갈 수 있는가라는 요구가 있다.

가장 중요한 점은 “그러면 숙련자의 작업을 매뉴얼화하면 되겠다”라고 단순하게 해결할 수 있는 문제가 아니라는 것이다. 숙련자의 기술에는 언어가 없는 것들이 많기 때문이다. 부품을 어떻게 잡느냐, 어떤 손을 사용하느냐, 어떤 순서로 도구를 잡느냐, 어느 정도의 힘을 가하느냐 등은 장년의 숙련자에게는 ‘정상적인 일’이지만, 신입에게는 그렇지 않다는 것을 인지하지 못할 수도 있다.

의 기술 계승으로 처음 부딪히는 벽은 “어떻게 가르칠지”보다 앞선다. “そもそも 무엇을 계승해야 하는가”라는 질문에, 영상 이해 AI를 활용할 여지가 생겨나고 있다.

## 숙련자와 신인의 “차”에서 암묵지를 찾는다

숙련자의 기술을 AI로 포착하는 방법 중 하나는 작업을 세부 요소로 분해하고 신인과의 “차이”를 찾는 것이다. 예를 들어, 조립 작업을 촬영한 영상에서 “부품을 꺼내고”, “부품을 조립하고”, “나사를 조이는”과 같은 작업 단계를 추출한다. 그 위에 숙련자와 신인이 같은 작업을 하는 영상을 비교하면, 같은 과정에서도 작업 시간이 다르거나, 몸짓이 다른 부분이 드러난다. 카와가와氏は, 나사 조임을 예로 들어 다음과 같이 설명했다.

“예를 들어, 숙련자가 왼손으로 부품을 잡고 나사를 조이고, 신인이 왼손으로 잡지 않았다면, ‘잡지 않았습니다’라는 차이를 AI로 출력할 수 있다.”

중요한 것은 숙련자의 움직임을 전체적으로 “정답”으로 저장하는 것이 아니다. 숙련자와 신인의 차이를 하나씩 추출하고, “왜 이 움직임이 다른가”, “그것은 품질이나 작업 시간에 영향을 미치는가”를 확인해 나가는 것이다.

제조 현장에는 원래 개선 활동으로 培われてきた 다양한 시각이 있습니다. 예를 들어, 한쪽 손이 사용되지 않고 남아 있는지, 부품을 취하기 위해 여러 번 같은 장소를 왕래하지 않는지, 작업이 상에서 하으로 자연스럽게 흐르는 배치로 되어 있는지 등을 고려할 수 있습니다. 이러한 관점과 영상 분석을 결합함으로써, 지금까지 개선 담당자나 숙련자가 경험적으로 발견했던 “이질감”을 AI에 의해 拾い上げられる可能性があります. 백석 회장은 “いきなり技能継承의 포인트에 대해 정확히 파악하기는 기본적으로 어렵다”고 말합니다.

우선 베테랑 직원이 어떤 업무를 수행하고 있는지 시각적으로 보여주는 것을 목표로 합니다. 그 중에서도 신입 직원과 비교하여 차이점을 명확히 함으로써 전체 업무에서 필요한 기술 이양에 필요한 부분을 찾아갑니다. 그 단추가 필요합니다.

이러한 생각은, 기존의 기술 계승 방식과는 약간 다르다. 숙련된 분께 “노하우를 알려주세요”라고 요청하고, 그것을 문장이나 영상으로 기록하는 것은 아니다. 먼저 실제적인 행동을 데이터로 기록하고, 다른 사람과의 비교를 통해 차이를 발견한다. 그 차이에 의미를 부여함으로써, 암묵지를 계승 가능한 정보로 바꿔나간다. AI가 수행하는 역할은 “기술 그 자체를 이해하는” 것보다, 인간이 기술을 발견하기 위한 도구를 제공하는 역할을 할 수 있다.

AI는 숙련자를 대체하는 것이 아니라, “학습 방식”을 바꾸는

숨겨진 전문 지식을 발견한 후에는, 이를 신입에게 어떻게 전달할 것인지라는 과제가 존재한다. 제조 현장에서의 숙련도 교육에서는 숙련자가 신입의 옆에서 지도를 하는 OJT가 오랫동안 중심적인 역할을 담당해 왔지만, AI가 들어오면 OJT 자체가 필요 없어질까. 이 질문에 대해 시라이시氏は부정했다.

OJT가 완전히 사라지지 않을 것이라고 생각하지 않습니다. 영상을 활용하여 ‘여기서 이 정도 차이가 있다’라고 시각화함으로써, 가르치는 사람도 배우는 사람도 무엇을 우선적으로 개선해야 하는지가 보일 것입니다.

이전의 OJT에서는 숙련된 작업자가 신입 직원의 작업을 보고, 그 자리에서 알아낸 것을 지도해야 했다. 영상과 AI에 의해 차이를 추출할 수 있다면, 작업 후 숙련자와 신입이 함께 되돌아보며 “여기 시간이 걸린다”, “이 움직임이 다르다”를 확인 할 수 있다. 더 나아가 숙련자가 그 자리에도 없더라도, 신입 스스로가 자신의 작업을 되돌아볼 수 있다. 작업하고, 숙련자와의 차이를 보면서, 그리고 수정점을 의식しながら 다시 작업한다. 이 사이클을 반복하고, 차이가 줄어들면, 숙련도 습득 과정을 시각화 할 수 있다.

물론, 여기에는 주의가 필요하다. 카메라로 작업자를 촬영하고 AI로 분석하는 시스템은 한 번 잘못되면 “직원을 감시하는 시스템”으로 인식될 수 있다. 시라이시 氏가 “‘감시당하고 있지는 않은가’라는 우려가 발생하는 경우는 있다”고 언급한다. 그래서 AI를 통한 작업 분석을 평가나 관리의 목적으로만 사용하는 것이 아니라, 본인이 기술을 습득하기 위한 피드백으로 어떻게 설계하는지가 중요하다.

단순히 부정적인 것을 보는 존재로서는 아닌, 긍정적인 측면에서 성장 과정을 지켜볼 수 있는 형태를 어떻게 만들어야 하는지 생각한다. (시라이시 씨는)

또한, 기술 계승은 “숙련자와 똑같은 것을 할 수 있게 된다”는 것만이 목표가 아니다. 숙련자 자신도 수십 년 동안 전혀 다른 작업을 계속해 온 것은 아니다. 현장에서 시행착오를 겪으면서 더 빠르고, 더 안전하게, 더 품질을 안정화시킬 수 있는 방법으로 변화시켜 왔다. 즉, 진정으로 계승해야 하는 것은 “현재의 작업 방법”만이 아니라, 지속적으로 개선하는 능력 또한 중요하다.

시라이시 부회장은 “베테랑도 끊임없이 같은 것을 하고 있는 것은 아니다. 하면서 계속해서 더 나아지도록 한다. 그것이 개선 활동이다”라고 말한다.

영상 분석에서는 숙련자와 신인의 차이뿐만 아니라, 작업 자체에 숨어 있는 개선 여지를 찾는 것도 가능하다. 예를 들어, 부품이 작업대에서 떨어져 있어 불필요한 이동이 발생하고, 몸을 크게 숙여서 부담이 가해지는 경우와 같이 말이다. 기존에는 이러한 문제점을 발견하기 위해서는 개선 담당자가 현장을 관찰하고, 스톱워치로 시간을 측정하며, 데이터를 정리하는 것이 필요했다. AI가 그 “관찰과 분석”의 일부를 담당한다면, 인간은 분석 결과에서 “그렇다면 무엇을 바꾸는가”를 생각하는 데 시간을 사용할 수 있다.

카와가와 씨는 지금까지 일부 담당者に 의존하던 개선 활동을 AI에 의해 더 많은 현장 작업자들이 담당할 수 있게 될 가능성을 지적했다.

“기존에 한 사람 또는 두 사람에게 기술 계승과 개선이 의존하던 곳을 AI를 사용하여 일반 작업자도 분석할 수 있도록 하는 것이다. 탑다운으로 해왔던 것을 바텀업으로도 돌려가고 싶다고 생각하는 기업은 잘 진행되고 있는 인상을 가지고 있다”(카와가와 씨)

AI에 의한 기술 계승의 본질은 숙련자를 AI로 대체하는 것이 아니다. 숙련자만이 가지고 있던 “볼 만한 포인트”를 확장하고, 현장 전체에서 학습과 개선을 돌릴 수 있도록 하는 것일지도 모른다.

## 지금 찍는 “사람의 작업”이, 미래의 물리적 AI의 교과서가 될

그러면 아직 AI에 의한 기술 계승에 참여하지 않은 기업은 무엇부터 시작해야 하는가? 시라이시 씨가 언급한 것은 놀랍게도 AI 도입은 아니었다.

먼저 베테랑 분의 영상을 찍어두어 달라고 부탁드리는 것은 앞으로 매우 도움이 될 것이라고 생각합니다. 지금 필요하지 않더라도, 보관해 두어 주시면 좋겠습니다.

이는 중요한 지적입니다. AI는 앞으로도 진화할 것입니다. 반면, 퇴직한 숙련자의 작업을 후속 촬영하는 것은 불가능합니다. 현재는 단순한 영상으로 보일지라도, 미래의 AI가 그 영상에서 작업 과정, 동작, 노하우를 더욱 정교하게 추출할 수 있는 가능성이 있습니다. 그래서 “어떤 AI를 도입할 것인가”와 동시에 “AI에게 전달 가능한 현장 데이터를 보유하고 있는가”라는 관점이 필요합니다. 그리고 그 데이터의 용도는 인간에 대한 기술 계승에만 국한되지 않습니다. 카와가 대표가 그 다음으로 내다보는 것은 물리 AI입니다.

“물리 AI는 기술 계승에 매우 유사합니다. 말하자면, 인간이 하고 있는 작업을 로봇에게 가르치는 것입니다.”

숙련자의 작업을 신입에게 가르치기 위해 기록한 데이터가 미래에는 로봇에게 작업을 가르치는 데 사용될 수 있습니다. 그렇게 생각한다면, 기술 계승과 자동화는 별개의 주제가 아닙니다.

“사람이 어떻게 작업하고 있는지 보여주는 영상이나, 어떤 부분을 개선하고 있는지 보여주는 데이터는 앞으로 보존해야 합니다. 그것이 있으면 지금까지 쌓아온 개선 사항을 끊지 않고 지속할 수 있습니다. 신입 교육에도 사용할 수 있고, 미래에는 자동화에도 기여할 것입니다.”(카와가 대표)

또한, 시라이시 대표는 일본 제조업의 강점의 원천을 “현장의 힘”이라고 표현합니다.

일본은 제조업이 강하다고 여겨지지만, 무엇이 강한지는 역시 현장의 힘이라고 생각합니다. 현장에서 창의적인 아이디어와 개선을 이어나가는 그 힘이 일본의 제조업을 지탱해 왔는지 여지가 있습니다.

지금까지 숙련공 전수는 “사람에서 사람으로 기술을 전달하는 것”이었습니다. 하지만 AI에 의해 사람의 작업을 데이터로 기록하고 비교하여, 그로부터 암묵지를 발굴할 수 있게 된다면 그 의미는 달라지게 됩니다. 왜 그 작업이 우월한지 발견하고, 다음 세대가 배우고, 더욱 개선하는 것입니다. 그리고 그곳에서 축적된 데이터를 언젠가는 기계에도 넘겨줄 것입니다.

AI 시대의 숙련공 전수에서 기업이 남겨둬야 할 것은 완성된 “매뉴얼”만이 아닙니다. 숙련된 사람이 아직 현장에 있는 지금, 그 사람이 실제로 어떻게 움직이고, 어떻게 개선하고 있는지에 대한 “실제 작업 데이터”를 남기는 것입니다. 그것은 사람에게 숙련공 전수하는 것뿐만 아니라, 미래의 자동화까지 고려한 첫걸음이 될 것입니다.

[원문 보기](https://ledge.ai/articles/ollo-interview-202610) | 출처: Ledge.ai