통계적 공정 관리는 사라지지 않는다, 오히려 더 엄격해진다

지난 6월 30일, 미국 자동차산업협회(AIAG)와 독일 자동차산업협회(VDA)가 통합 통계적 공정 관리 지침서를 공동 발간했다. 그동안 미국식과 독일식으로 나뉘어 있던 통계적 공정 관리 방법을 하나로 맞춘 첫 국제 공통 기준으로, 고장 형태 영향 분석(FMEA) 지침서에 이어 두 단체가 통합한 두 번째 핵심 품질 도구다. 지침서는 7월 1일부터 판매에 들어갔다.

새 지침서는 통계적 공정 관리를 따로 떨어진 감시 활동이 아니라 FMEA, 관리 계획서, 측정 체계 분석과 연결된 품질 경영의 한 부분으로 규정했다. 그동안 미국과 유럽 완성차 고객사에 함께 납품하며 두 가지 통계적 공정 관리 방식을 따로 운영해야 했던 협력사들에게는 부담이 줄어드는 변화다.

한편 제조 현장에서는 “AI가 불량을 미리 예측해 준다”는 이야기도 빠르게 늘고 있다. 그래서 품질 담당자들이 자주 묻는다. “우리는 이미 통계적 공정 관리를 하고 있는데, AI 품질 예측이 따로 필요한가?” 이 글은 그 질문에 답하기 위해 두 방법이 무엇을 보고, 무엇을 놓치며, 어떻게 함께 쓸 수 있는지를 정리한다.

출처: VDA, “International cooperation for enhanced quality: VDA and AIAG publish joint standard for statistical process control in automotive industry” (2026.06) – https://www.vda.de/en/press/press-releases/2026/230701_PM_International_cooperation_for_enhanced_quality_VDA_and_AIAG_publish_joint_standard

1. 통계적 공정 관리란 무엇인가: 공정이 ‘평소처럼’ 움직이는지 감시하는 방법

통계적 공정 관리는 영어 Statistical Process Control을 우리말로 옮긴 말이다. 공정에서 만든 제품의 치수, 무게, 강도 같은 품질 특성을 정해진 간격으로 측정하고, 그 값을 관리도라는 그래프에 찍어 공정이 안정적인지 확인한다.

핵심 생각은 간단하다. 아무리 잘 관리된 공정도 측정값은 조금씩 흔들린다. 이 흔들림 가운데 늘 존재하는 자연스러운 흔들림(우연 원인)과, 설비 이상이나 소재 변화처럼 특별한 원인이 만든 흔들림(이상 원인)을 구분하는 것이 통계적 공정 관리의 목적이다. 평균을 중심으로 위아래에 관리 한계선을 긋고, 측정값이 그 선을 벗어나거나 한쪽으로 계속 쏠리는 등 정해진 규칙에 걸리면 이상 원인이 생겼다고 판단한다.

국제표준화기구(ISO)의 관리도 표준(ISO 7870-2)은 이 방식의 대표인 슈하트 관리도의 사용법을 제시하며, 경고 한계, 추세 형태 분석, 공정 능력 평가 같은 보조 방법도 함께 다룬다¹⁾. 통계적 공정 관리는 100년 가까이 다듬어진 방법이라 기준이 명확하고, 누가 봐도 같은 결론을 낼 수 있다는 것이 가장 큰 강점이다.

2. AI 품질 예측이란 무엇인가: 조건을 보고 결과를 미리 추정하는 방법

AI 품질 예측은 학습된 인공지능 모델이 공정 조건을 입력받아 품질 결과를 미리 추정하는 방식이다. 예를 들어 사출 공정이라면 금형 온도, 사출 압력, 냉각 시간, 수지 로트, 작업장 습도 같은 조건을 받아 “이 제품은 치수 불량이 날 가능성이 높다”고 알려준다.

국제표준화기구와 국제전기기술위원회(IEC)의 인공지능 개념·용어 표준은 인공지능 체계를 사람이 정한 목표에 따라 예측, 추천, 판단 같은 결과를 만들어 내는 공학적 체계로 정의한다²⁾. 품질 예측에 쓰이는 AI는 대부분 과거의 ‘조건→결과’ 자료에서 둘 사이의 관계를 스스로 익히는 기계학습 방식으로 작동한다³⁾.

통계적 공정 관리가 이미 측정된 결과를 보고 “공정이 안정적인가”를 판단한다면, AI 품질 예측은 아직 측정하지 않은 결과를 두고 “이대로 만들면 어떻게 될까”를 묻는다. 출발점이 다르다.

3. 한눈에 보는 차이: 감시하느냐, 예측하느냐

두 방법의 차이를 항목별로 정리하면 다음과 같다.

정리하면 통계적 공정 관리는 결과를 보고 이상을 알리는 감시자이고, AI 품질 예측은 조건을 보고 결과를 내다보는 예보관이다. 감시자는 확실하지만 늦고, 예보관은 빠르지만 가끔 틀린다.

4. 통계적 공정 관리로는 잘 보이지 않는 것

통계적 공정 관리가 잘 작동하는 공정에서도 놓치기 쉬운 상황이 있다. AI 품질 예측이 필요해지는 지점은 대개 여기다.

1. 조건의 조합이 만드는 불량: 금형 온도도, 사출 압력도, 습도도 각각은 관리 범위 안에 있는데, 세 가지가 동시에 한쪽으로 기울 때만 불량이 나는 경우가 있다. 변수 하나씩 따로 보는 관리도로는 이런 조합을 잡기 어렵다.
2. 측정이 늦게 나오는 공정: 열처리 후 경도, 숙성 후 강도처럼 결과를 몇 시간~며칠 뒤에야 알 수 있는 공정에서는, 관리도가 이상을 알릴 때쯤 이미 많은 양의 불량이 만들어져 있다.
3. 이상의 원인: 관리도는 “이상이 생겼다”고 알려주지만 “어떤 조건 때문인지”는 말하지 않는다. 원인 추적은 여전히 담당자의 경험에 기대야 한다.
4. 표본 검사 사이의 공백: 한 시간에 몇 개씩 뽑아 재는 방식이라면, 측정과 측정 사이에 만들어진 제품의 상태는 알 수 없다.

이것은 통계적 공정 관리의 결함이 아니라 설계 목적이 다르기 때문이다. 통계적 공정 관리는 공정의 안정성을 감시하도록 만들어졌지, 여러 조건의 복잡한 관계를 풀거나 미래 결과를 예측하도록 만들어지지 않았다.

5. AI 품질 예측이 오히려 약한 곳

반대로 AI 품질 예측에도 분명한 약점이 있다. 이 부분을 모르고 도입하면 “AI를 넣었는데 품질팀이 안 쓴다”는 결과로 이어진다.

• 판단 근거를 설명하기 어렵다: “불량 가능성 80%”라고 알려줘도 왜 그런지 설명하지 못하면 현장은 조건을 바꾸기 망설인다.
• 고객 제출 증빙으로 쓰기 어렵다: 고객사가 요구하는 공정 능력 지수와 관리도 기록은 정해진 통계 방법으로 만들어야 한다. AI 예측값이 이를 대신할 수는 없다.
• 자료가 적으면 배우지 못한다: 신제품이나 생산량이 적은 품목은 학습할 조건–결과 짝이 부족하다.
• 공정이 바뀌면 다시 배워야 한다: 설비 교체, 금형 수정, 소재 공급처 변경이 있으면 과거에 배운 관계가 더 이상 맞지 않을 수 있다.
• 그럴듯하게 틀린다: 관리도는 규칙에 걸리면 걸린 것이지만, AI는 틀린 예측도 같은 형식의 숫자로 내놓는다.

그래서 AI 품질 예측은 통계적 공정 관리를 걷어내는 도구가 아니라, 통계적 공정 관리 위에 얹는 도구로 설계해야 한다.

6. 함께 쓰는 구조: AI가 내다보고, 통계적 공정 관리가 확인한다

두 방법을 함께 쓰면 각자의 약점을 서로 메울 수 있다. 공정 하나를 기준으로 역할을 나누면 다음과 같다.

이 구조에서 통계적 공정 관리는 여전히 공식 판정과 고객 대응의 기준이고, AI는 그 앞단에서 불량을 줄이는 역할을 맡는다. 품질 담당자는 익숙한 관리도로 최종 판단을 하면서, AI의 예측을 참고 정보로 쓸 수 있다. 현장의 신뢰를 얻기에도 이 방식이 훨씬 수월하다.

7. AI 품질 예측에 필요한 자료: 조건과 결과의 짝

AI 품질 예측을 시작하려면 “어떤 조건에서 만든 제품이 어떤 품질 결과를 냈는가”가 짝지어진 자료가 있어야 한다. 필요한 자료는 다음과 같다.

많은 공장에서 이 자료들은 각각 다른 곳에 따로 있다. 공정 조건은 설비 제어기에, 검사 결과는 품질팀 엑셀에, 소재 로트는 자재팀 장부에 있다. 그리고 셋을 이어 줄 열쇠가 없다. 그래서 AI 품질 예측의 첫 작업은 모델을 고르는 일이 아니라, 생산 로트 번호나 생산 시각을 기준으로 조건과 결과를 같은 줄에 맞추는 일이다. 이미 통계적 공정 관리를 운영하고 있다면 품질 결과 쪽은 상당 부분 갖춘 셈이므로, 공정 조건 기록을 같은 기준으로 연결하는 것이 핵심 과제가 된다.

8. 우리 공정에 AI 품질 예측이 필요한지 가르는 점검표

모든 공정에 AI 품질 예측이 필요한 것은 아니다. 다음 질문으로 판단해 볼 수 있다.

앞의 네 질문은 AI가 필요한가를, 뒤의 두 질문은 AI를 할 준비가 되었는가를 묻는다. 앞에서 ‘예’가 많은데 뒤에서 ‘아니오’가 나온다면, AI 모델보다 자료 연결 작업이 먼저다.

통계적 공정 관리로 감시하고, AI로 내다본다

“AI가 통계적 공정 관리를 대체한다”는 말은 품질 현장의 현실과 맞지 않는다. 도입부에서 보았듯 통계적 공정 관리는 오히려 국제 공통 기준으로 더 단단해지고 있다. 통계적 공정 관리는 공정의 안정성을 확실하게 감시하고 고객에게 증명하는 도구이고, AI 품질 예측은 여러 조건의 관계를 풀어 불량을 미리 막는 도구다.

본문의 핵심을 정리하면 다음과 같다.

• 통계적 공정 관리: 측정값을 관리도로 보고 공정이 평소처럼 안정적인지 판단한다. 기준이 명확하고 고객 증빙의 기본이다.
• AI 품질 예측: 여러 공정 조건을 동시에 보고 아직 측정하지 않은 품질 결과를 추정한다.
• 통계적 공정 관리의 빈 곳: 조건 조합이 만드는 불량, 늦게 나오는 측정 결과, 이상의 원인 추적, 표본 사이의 공백.
• AI의 빈 곳: 판단 근거 설명, 고객 증빙, 자료가 적은 품목, 공정 변경 후 재학습, 그럴듯한 오류.
• 함께 쓰는 구조: AI가 사전에 예측·경보하고, 통계적 공정 관리가 실제 측정값으로 확인·판정하며, 결과는 다시 AI 학습에 쓴다.
• 필요한 자료: 공정 조건, 소재, 설비, 작업 정보와 품질 결과를 로트·시각 기준으로 같은 줄에 맞춘 자료.

제조기업은 AI 품질 예측 도구를 고르기 전에 불량이 반복되는 공정 하나를 골라 공정 조건과 검사 결과를 이어 보는 작업부터 시작할 것을 권한다. 이어 보는 것만으로도 어떤 조건이 품질에 영향을 주는지 실마리가 보이는 경우가 많다. 품질 AI 수행사는 예측 모델 납품을 넘어 기존 통계적 공정 관리 체계와의 연결, 자료 연결 설계, 현장이 받아들일 수 있는 설명 방식까지 함께 제공하는 역량을 경쟁력으로 삼아야 한다. 좋은 품질 관리는 익숙한 도구를 버리는 데서가 아니라, 익숙한 도구가 못 보던 곳을 새 도구로 채우는 데서 시작된다.

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.