배터리 AX, 셀 이력부터 품질 판단까지

1. 도입 이유

배터리는 품질 문제 하나가 브랜드 문제로 커질 수 있는 제품입니다. 공급사와 모델이 늘어나자, 같은 로트를 쓴 팩을 찾아내는 일을 사람 손에만 맡겨 둘 수 없었습니다.

2. 현장 조건

전기 이륜차와 소형 모빌리티에 들어가는 배터리 팩을 만드는 사업이었습니다. 셀을 받아 모듈과 팩으로 조립하고, 팩마다 충방전 검사를 했습니다.

셀 공급사의 성적서, 조립 공정 기록, 충방전 검사 결과, 출고 후 들어오는 반품과 수리 기록이 각자 다른 시스템과 파일에 기록돼 있었습니다.

배터리는 안전과 브랜드가 함께 걸린 제품입니다. 현장에서 품질 문제 한 건만 보고돼도 같은 로트를 쓴 팩이 어디로 출고됐는지 빠르게 확인해야 했습니다.

사업 규모가 커지면서 공급사와 모델 수가 늘었습니다. 셀 번호, 모듈 번호, 팩 번호를 연결하는 규칙이 모델마다 조금씩 달랐습니다.

게다가 설계와 품질 데이터는 사내 보안 등급이 높아 외부 AI 서비스에 올릴 수 없었습니다.

기존 방식의 한계

• 반품이 들어오면 품질 담당자가 팩 번호로 시작해 모듈, 셀까지 엑셀로 하나씩 추적해야 했습니다.
• 검사 결과의 미세한 차이가 반품과 관련이 있는지 볼 방법이 마땅치 않았습니다.
• 사업기획팀이 품질 현황을 물으면 품질팀이 매번 따로 자료를 만들었습니다.

3. 해결 방법

셀, 모듈, 팩, 검사, 반품의 관계 정의

공급사 로트부터 출고된 팩, 반품 기록까지 번호 체계를 맞춰 온톨로지로 정의했습니다. 모델마다 다른 번호 규칙은 현장에 파견된 엔지니어(FDE)가 생산기술팀과 하나씩 확인해 넣었습니다.

품질 문제 접수 때 영향 범위부터 확인

반품이나 품질 문제가 접수되면 Agent가 같은 로트 셀을 쓴 팩 목록과 출고처, 그 팩들의 검사 결과를 모아 품질팀에 전달합니다.

판단 근거를 같이 보여 주기

검사 값이 다른 팩과 어떻게 다른지, 어느 공정 기록을 보고 나온 결과인지 함께 표시합니다. 회수나 추가 검사 결정은 품질팀이 맡습니다.

검토했다가 뺀 방법

• 반품 원인을 AI가 판정: 안전과 책임이 걸린 판단이라 근거를 모으고 정리하는 데까지만 맡겼습니다.

4. 진행 과정

1. 인사이트 세미나: 품질, 생산기술, 사업기획 담당자와 배터리 품질 대응에서 시간이 오래 걸리는 구간을 짚었습니다.
2. 대상 업무 · KPI 설정: 품질 문제 접수 후 영향 범위를 확인하는 시간을 KPI로 정했습니다.
3. 현장 파견 · OS 설계: FDE가 사업장에 머물며 번호 체계와 검사 데이터 구조를 정리하고 설계안을 만들었습니다.
4. PoC AI OS 구축: 모델 하나에서 이력 추적과 근거 수집을 먼저 시범 운영하고, 약 5일마다 고쳐서 배포했습니다.
5. 시범 운영 · 확산: 모델을 확대해 시범 운영하고, 공급사 성적서 자동 수집을 다음 단계로 잡았습니다.

5. 도입 후 달라진 점

프로젝트를 함께 진행해 보니 어땠나요?

브랜드가 걸린 AX 과제에서도 기술 파트너로서의 깊이를 확인할 수 있었습니다. 초기 요구 정리부터 구축, 이후 확장 논의까지 한 팀이 책임 있게 이어 받아 주셔서 안심하고 맡길 수 있었습니다.

도입하고 나서 무엇이 달라졌나요?

품질 문제가 접수됐을 때 대응하는 방식이 달라졌습니다. 예전에는 품질 담당자가 팩 번호로 시작해 모듈, 셀까지 엑셀로 하나씩 추적했는데, 이제는 같은 로트를 쓴 팩 목록을 바로 확인합니다. 셀 번호 하나로 공급사 성적서부터 반품 기록까지 조회합니다.

운영하면서 특히 나아진 점이 있다면 무엇인가요?

품질 현황을 따로 정리하지 않아도 된다는 점입니다. 예전에는 사업기획팀이 물을 때마다 품질팀이 자료를 새로 만들었는데, 지금은 사업기획팀이 같은 화면에서 품질 현황을 확인할 수 있게 됐습니다.

— 고객사 담당자