1. 서 론
최근 국제 정세의 변화와 함께 K-방산은 글로벌 시장에서 그 위상을 빠르게 높여가고 있다. 이러한 양적 성장은 항공우주, 유무인 복합체계 등 첨단 기술 분야로의 확장과 개별 무기체계를 넘어선 플랫폼 중심의 통합 체계(System of Systems) 구축이라는 질적 고도화를 동반하고 있다. 이처럼 시스템이 복잡해지고 상호 운용성이 중요해짐에 따라, 개발부터 운용 유지에 이르는 전 생애주기(Choi, 2019)에 걸쳐 품질을 보증하고 잠재적 결함을 선제적으로 관리하는 것이 방산 경쟁력의 핵심 과제로 부상하고 있다.
이러한 시대적 요구에 부응하여, 방위산업은 데이터와 AI 기술을 기반으로 하는 '국방 품질 4.0' 패러다임으로의 전환을 서두르고 있다(Seo, 2021). 그러나 방위산업은 일반 제조업과 달리 고도의 기밀성(Confidentiality)이 요구되고 경쟁사와의 기술 공유나 벤치마킹(Benchmarking)이 원천적으로 불가능한 폐쇄적 속성을 지닌다. 과거 산업 현장에서 검증된 린6시그마(LSS), 가치공학(VE), 트리즈(TRIZ) 등의 방법론은 분명 유효한 도구이나, 참조 데이터가 부족하고 다품종 소량 생산이 주를 이루는 방산 환경에서는 통계적 유의성을 확보하거나 외부 사례를 모방하는 데 명백한 구조적 한계를 보여왔다. 즉, 국방 분야의 특수성을 고려하지 않은 일반적인 방법론의 적용은 복잡한 무기체계의 다층적 문제를 해결하는 데 있어 제한적일 수밖에 없다.
최근 이러한 한계를 극복하기 위해 AI 기술을 기존 방법론에 접목하려는 연구들이 시도되고 있다. 머신러닝을 활용해 시험성적서와 같은 비정형 데이터를 분석하거나(Huh, 2025), 린6시그마의 분석 단계를 빅데이터를 활용하여 자동화하는 등의 연구(Huh, 2023)는 각 분야의 효율성을 높이는 데 기여했다. 그러나 대다수의 연구는 특정 문제 해결을 위한 AI 도구의 단편적 응용에 머물러 있다. 폐쇄적인 국방 환경 속에서 외부 벤치마킹 없이도 내부 데이터를 통해 스스로 가치를 창출하고(VE), 공정을 최적화하며(LSS), 기술적 모순을 해결(TRIZ)할 수 있도록 돕는 AI 기반의 유기적 통합 프레임워크는 여전히 미비한 실정이다.
이에 본 연구는 국방산업의 고유한 특성을 반영하여 국방 품질 4.0을 실현할 실질적 대안으로 “지능형 융합 품질 개선 방법론(AI-SVT, Intelligent Convergence Quality Improvement Methodology)”을 제안한다. 본 방법론은 외부 벤치마킹이 어려운 방산 분야의 제약을 극복하기 위해, AI가 축적된 내부 데이터를 학습하여 예측 모델을 생성하고, VE와 TRIZ를 통해 상충하는 성능 변수들 간의 최적해를 도출하는 자립형 품질 혁신 체계이다(Shin, 2016). 본 연구는 이를 통해 무기체계 전 생애주기에서 발생하는 복합적 품질 문제에 대해 보안성을 유지하면서도 지능적인 최적화를 가능케 하는 새로운 접근법을 제시함으로써, K-방산의 지속 가능한 성장을 뒷받침하는 핵심적인 토대를 마련하는 것을 목적으로 한다.
따라서 본 연구는 다음과 같은 연구 질문에서 출발한다: 1) 방위산업의 폐쇄적 특성 하에서 기존 품질개선 방법론들을 어떻게 유기적으로 통합할 수 있는가? 2) AI 기술은 외부 데이터 참조 없이 내부 데이터 학습만으로 이 통합 프레임워크를 어떻게 지능적으로 증강시키는가? 3) 제안된 지능형 융합 방법론은 기존 방식 대비 국방 품질 향상(신뢰성, 비용 효율성 등)에 어떠한 실질적 기여를 하는가? 이러한 질문에 답하기 위해 본 연구는 AI-SVT 방법론을 개발하고, 실제 방산 사례 적용을 통해 그 실효성을 검증하고자 한다.
2. 문헌 고찰과 품질경영 모형
2.1 품질경영 기법 고찰
2.1.1 품질 개선 방법론의 종류 및 특징
오늘날 기업 환경은 기술의 발전과 시장의 글로벌화로 인해 그 어느 때보다 치열한 경쟁에 직면해 있다. 이러한 상황에서 기업이 지속 가능한 경쟁 우위를 확보하기 위한 핵심 요소는 단연 품질이다. 단순히 불량을 줄이는 소극적 품질 관리에서 벗어나, 고객 만족을 극대화하고 프로세스의 효율성을 근본적으로 혁신하는 적극적인 품질 경영 활동이 기업의 생존과 성장을 좌우하게 되었다. 이에 따라 지난 수십 년간 수많은 품질개선 방법론이 등장하여 기업 현장에 적용되어 왔으며, 각 방법론은 고유의 철학과 절차, 도구를 통해 조직의 문제 해결 및 성과 향상에 기여해왔다. 본 절에서는 대표적인 품질개선 방법론인 PDCA, 6시그마(DMAIC, DFSS), 그리고 린6시그마의 개념과 특징을 고찰하고자 한다.
가장 기초적이고 전통적인 품질개선 방법론은 데밍(W. Edwards Deming)에 의해 체계화된 PDCA 사이클이다. PDCA는 계획(Plan), 실행(Do), 검토(Check), 조치(Act)의 4단계를 반복적으로 수행하며 점진적인 개선을 추구하는 동적인 순환 모델이다. '계획' 단계에서는 목표를 설정하고 개선 과제를 정의하며, '실행' 단계에서는 계획에 따라 과제를 수행한다. '검토' 단계에서는 실행 결과를 측정하고 목표 달성 여부를 평가하며, 마지막 '조치' 단계에서는 평가 결과를 바탕으로 표준화하거나 다음 개선을 위한 계획에 피드백한다. PDCA는 그 구조가 단순하고 명확하여 어떤 조직이나 프로세스에도 쉽게 적용할 수 있다는 장점이 있으며, 지속적인 개선 활동을 조직 문화로 정착시키는 데 효과적인 기반을 제공한다(Jeong, 2023).
1980년대 모토로라에서 시작된 린6시그마는 통계적 기법을 활용하여 프로세스의 변동을 최소화하고 오류를 제거함으로써 품질 수준을 획기적으로 향상시키는 것을 목표로 하는 강력한 방법론이다. 린6시그마는 100만 개의 제품 또는 서비스 기회 당 3.4개의 결함만을 허용하는 거의 완벽에 가까운 품질 수준을 지향한다. 린6시그마의 추진 방법론은 크게 두 가지로 나뉜다. 첫째, DMAIC는 기존 프로세스의 문제를 개선하기 위한 방법론으로, 문제 정의(Define), 성과 측정(Measure), 원인 분석(Analyze), 개선(Improve), 관리(Control)의 5단계로 구성된다. 각 단계는 데이터에 기반한 과학적 분석을 통해 진행되며, 문제의 근본 원인을 찾아 해결하고 개선된 성과가 지속되도록 관리하는 체계적인 로드맵을 제공한다. 둘째, DFSS(Design For Six Sigma)는 신제품 개발이나 새로운 프로세스를 설계하는 단계에서부터 린6시그마 품질 수준을 만족시키도록 하는 사전 예방적 방법론이다. 고객의 요구사항을 명확히 파악하고(Define), 기능적 요구사항으로 변환하여(Measure), 다양한 설계 대안을 분석하고 최적화하며(Analyze, Design), 최종 설계안을 검증(Verify)하는 DMADV와 같은 절차를 따른다. DFSS는 문제 발생 후 해결하는 DMAIC와 달리, 초기 설계 단계에서부터 품질 문제를 원천적으로 방지하여 개발 비용과 시간을 단축시키는 데 그 목적이 있다(Kim, 2015).
한편, 2000년대에 들어서면서 린6시그마의 엄격한 품질 관리 능력과 도요타 생산 시스템(TPS)에서 유래한 린(Lean) 방법론의 장점을 결합한 린6시그마가 주목받기 시작했다. 린 방법론의 핵심은 낭비(Waste) 요소를 제거하여 프로세스의 속도와 효율성을 높이는 데 있다. 여기서 낭비란 과잉생산, 대기, 불필요한 운반, 과잉가공, 재고, 불필요한 동작, 불량 등 부가가치를 창출하지 않는 모든 활동을 의미한다. 린6시그마는 린의 '속도'와 '효율성'이라는 가치와 린6시그마의 '품질'과 '정확성'이라는 가치를 동시에 추구하는 통합적 접근법이다. 즉, 린 기법을 통해 프로세스 내의 낭비를 제거하여 흐름을 개선하고, 동시에 린6시그마 기법을 통해 변동을 줄여 결함을 제거함으로써, 기업은 '더 빠르고, 더 좋고, 더 저렴하게' 제품과 서비스를 제공할 수 있게 된다. 이처럼 각기 다른 강점을 가진 방법론들의 등장은 기업이 처한 상황과 해결하고자 하는 문제의 성격에 따라 최적의 도구를 선택하고 활용할 수 있는 기반을 마련해 주었다.
이러한 품질개선 방법론의 적용 범위는 민간 기업에만 국한되지 않는다. 특히 린6시그마는 공공 부문의 효율성 증대와 예산 절감을 위한 강력한 도구로 인식되면서 국방 분야로까지 그 영역을 확장하였다. 대한민국 국방 분야의 품질 경영 혁신은 2005년 당시 윤광웅 국방부 장관이 '국방경영혁신'을 강력하게 추진하면서 본격화되었다. 국방부는 국방 운영의 효율성을 높이고 낭비 요소를 제거하기 위해 린6시그마를 공식적으로 도입하였으며, 이는 정비, 군수, 행정 등 다양한 국방 업무 프로세스에 적용되어 가시적인 성과를 거두었다. 나아가 이러한 혁신 활동은 2006년 개청한 방위사업청을 중심으로 국내 방산업체로까지 체계적으로 확대되었다(Kim, 2021). 정부는 방산 업체의 품질 경쟁력을 글로벌 수준으로 끌어올리기 위해 린6시그마 도입을 적극적으로 지원하였고, 이는 방산 제품의 품질 향상과 원가 절감, 납기 단축으로 이어져 K-방산의 위상을 높이는 중요한 밑거름이 되었다(Jeon, 2020). 이처럼 린6시그마는 민간 부문을 넘어 국방이라는 특수하고 전문적인 분야에서도 조직의 체질을 개선하고 혁신을 이끄는 범용적인 경영 혁신 도구로서 그 가치를 입증하였다.
2.1.2 융합 방법론의 대두
21세기에 들어서면서 기업을 둘러싼 경영 환경은 과거와 비교할 수 없을 정도로 복잡하고 예측 불가능한 양상으로 전개되고 있다. 4차 산업혁명으로 대변되는 디지털 기술의 급격한 발전, 파괴적 혁신(Disruptive Innovation)의 부상, 그리고 고객 니즈의 극심한 개인화는 기업에게 새로운 차원의 도전을 요구하고 있다. 이러한 환경 속에서 PDCA, 린6시그마, 린과 같은 개별적인 전통적 품질개선 방법론만으로는 더 이상 지속적인 경쟁 우위를 확보하기 어렵다는 인식이 확산되기 시작했다. 단일 방법론은 특정 문제 해결에는 효과적일 수 있으나, R&D, 제조, 마케팅, 서비스 등 기업 활동 전반에 걸쳐 발생하는 복합적인 문제를 해결하고 시장을 선도하는 혁신을 창출하기에는 그 범위와 깊이에 한계가 있었기 때문이다.
이러한 배경 속에서 글로벌 선도 기업들은 기존의 품질개선 방법론들을 넘어서, 각 기업의 고유한 경영 철학과 전략적 목표에 맞춰 다양한 방법론을 통합하고 재창조하는 '융합 품질 방법론'을 구축하기 시작했다. 융합 방법론은 단순히 여러 기법을 물리적으로 결합하는 것을 넘어, 조직의 비전과 전략 방향에 맞춰 문제 해결 체계를 유기적으로 통합하고, 이를 전사적 혁신 문화로 승화시키는 것을 목표로 한다. 이는 품질 활동이 더 이상 생산 현장의 효율성 개선에만 머무르는 것이 아니라, 기업의 미래 가치를 창출하는 핵심 전략 활동으로 진화하고 있음을 시사한다.
이러한 융합 방법론의 대표적인 사례는 삼성의 '하나로 혁신' 활동에서 찾아볼 수 있다. 2000년대 초반, 삼성의 제조 현장에서는 TPM, 린6시그마, TPS 등 여러 혁신 활동이 개별적으로 운영되면서 업무가 가중되고 현장의 혼란이 발생하는 문제가 있었다. 이에 대한 해결책으로 각각의 방법론이 가진 장점을 유기적으로 통합한 '하나로 혁신'이 탄생하게 되었다. '하나로 혁신'의 핵심 철학은 세 가지 방법론의 역할을 명확히 하는 데 있다. 첫째, TPS(Toyota Production System)는 '철저한 낭비 배제'라는 혁신의 기본 '사상'을 제공한다. 둘째, 린6시그마는 데이터에 기반한 통계적 문제 해결 '방법'론으로서 과학적 분석의 틀을 제시한다. 마지막으로 TPM(Total Productive Maintenance) 은 '기본을 중시하는 현장 활동'으로서, 설비 중심의 현장 안정화와 기본 지키기 활동의 근간이 된다. 이처럼 삼성은 각기 다른 강점을 가진 세 가지 활동을 '사상', '방법', '현장'이라는 축으로 통합하여 복잡한 혁신 활동을 단순화하고, 전사적인 시너지를 창출하는 독자적인 혁신 프레임워크를 구축하였다.
최근에는 디지털 전환(Digital Transformation, DX)이라는 거대한 흐름이 품질 경영에 새로운 변화를 가져오고 있으며, 이는 LG전자의 'DXSS(Digital Transformation Six Sigma)' 사례에서 명확히 드러난다. LG전자는 기존의 린6시그마 활동에 AI, 빅데이터, 사물인터넷(IoT)과 같은 디지털 기술을 전면적으로 접목하여 DXSS를 새로운 혁신 방법론으로 제시했다(Kim and Kim, 2024). DXSS의 핵심은 과거의 경험이나 제한된 데이터에 의존하던 문제 해결 방식을 넘어, 방대한 실시간 데이터를 수집하고 분석하여 고객의 숨겨진 니즈를 발굴하고, 프로세스를 지능적으로 자동화하며, 데이터 기반의 신속하고 정확한 의사결정을 내리는 데 있다. 예를 들어, IoT 센서를 통해 수집된 제품 사용 데이터를 분석하여 고장 패턴을 예측하고 사전에 서비스를 제공하거나, AI 비전 기술을 활용하여 미세한 불량까지 자동으로 검출하는 방식이다(Lim, 2025). 이처럼 DXSS는 린6시그마의 체계적인 문제 해결 능력과 디지털 기술의 강력한 분석 및 예측 능력을 융합함으로써, 품질 개선의 수준을 한 차원 높이고 새로운 고객 가치를 창출하는 혁신 플랫폼으로 기능하고 있다.
결론적으로, 현대의 품질 방법론은 개별 기법의 도입 단계를 지나, 각 기업의 특성과 시대적 요구에 맞춰 진화하는 '전략적 융합'의 시대로 접어들었다. 삼성의 '하나로 혁신'이 다양한 제조 현장 개선 방법론을 통합하여 시너지를 창출했다면, LG의 DXSS는 여기에 디지털 기술을 결합하여 품질 혁신의 패러다임을 바꾸고 있다. 이러한 흐름은 미래의 품질 경영이 기술, 전략, 조직 문화가 총체적으로 결합된 전사적 혁신 활동이 될 것임을 명확하게 보여준다.
2.1.3 AI를 활용한 경영 방법론 관련 문헌 연구
AI 기반의 경영혁신 사례를 주제로 한 최근 연구로는 다양한 산업의 적용 논문이 나오고 있으며, 첫 번째로 AI 기반 품질경영 및 스마트 팩토리 연구이다. Cho & Shin(2021)은 딥러닝 기반의 스마트 공장 공정 품질 예측 모델에 관한 연구를 수행하였으며, 특히 KAMP(Korea AI Manufacturing Platform)에서 수집되는 센서 데이터를 기반으로 딥러닝 모델(LSTM, CNN)으로 분석하여 미래의 품질 상태를 예측하는 방법을 설명하고 있다. Park & Jung(2022)은 자동차 부품 품질검사를 위한 비전시스템 개발과 머신러닝 모델 비교를 한 연구로서, 5가지 머신러닝 모델을 구축 및 비교 분석하여, 자동차 부품의 품질을 자동으로 판정하는 최적의 프로세스를 제시하고 있다.
두 번째로 린6시그마의 진화와 AI 데이터 활용 연구이다. Kim & Kim(2024)은 빅데이터 기반 린6시그마 방법론(DXSS)의 유효성 분석을 통해 제조공정의 효율성에 미치는 영향과 성공적인 도입 및 정착을 위한 핵심 성공 정책을 도출한 사례이다. 여기서 빅데이터 분석 및 ML, DL 등의 모델에 대한 세부 운영 방법과 성공 노하우가 사례로 연구되어 있다.
세 번째로 AI 기술을 활용한 비정형 데이터의 처리 및 개선 연구이다. 예를 들어 Seo et al.(2023)은 AI를 활용하여 산불 피해 지역을 예측하는 모델을 개발하고 그 성능을 비교 분석하는 연구를 수행하였다. Kim et al.(2024)는 딥러닝 기반의 OCR 기술로 학생들의 알림장을 자동 검사하는 도구를 개발하였으며, 이를 통해 학생들의 필기 능력 향상에 기여할 수 있는 AI의 교육적 잠재력을 확인하였다.
이런 선행 연구들은 다양한 산업 분야의 개별 영역에서 AI를 활용하여 예측 정확도를 높이거나, 자동화된 분석을 통해 효율성을 증대시키는 데 기여했다. 하지만 대부분의 연구가 품질 예측, 공정 개선, 비정형 데이터 처리 등 특정 문제 해결에 국한되어 있다.
2.1.4 AI와 융합 개선 방법론 문헌 연구
기존 AI와 융합 개선을 주제로 한 대표적인 연구로는 Dounia et al.(2023)이 있으며, 이 연구는 2011년부터 2022년 6월까지 관련 데이터베이스 및 출판사 엔진에서 총 134편의 논문을 검색하여, 린6시그마와 인더스트리 4.0(AI, IoT 등)을 통합하는 'LSS 4.0'의 개념을 제시하고, AI가 어떻게 실시간 데이터 분석을 통해 린6시그마의 DMAIC 각 단계를 강화하는지에 대한 최신 연구들을 종합적으로 분석한 문헌 연구적 내용이다. Hasan & Tobias(2022)가 2012년부터 2021년까지 제조 분야의 예측 품질을 다룬 출판물을 포괄적이고 체계적으로 검토함으로써 예측 품질 연구가 전체적으로 어느 단계에 있는지, 어떤 접근법이 연구되고 있는지, 그리고 어떤 과제가 존재하는지에 대한 종합적인 시각을 제공한다. 스마트팩토리에서 머신러닝을 활용한 예측적 품질관리에 대한 연구들을 체계적으로 검토한 논문으로서, 특히, 공정 데이터를 분석해 불량을 사전에 예측하는 다양한 알고리즘을 소개하고 있다. Stelian et al.(2022)는 기술 시스템의 창의적 문제 해결에서 자연어 처리(NLP) 모델이 이끄는 AI 알고리즘의 도움을 받아 더욱 생산적으로 처리할 수 있고, RAG 모델을 기반으로 한 프로세스가 창의적 사고에 새로운 가치를 부여하고 더 높은 품질의 해법을 제공한다는 TRIZ와 AI의 융합 연구가 이루어졌다. 또한 Ikhbayar(2021)은 건설 프로젝트에서 VE 대안을 검토하기 위해 BIM(Building Information Modeling)과 VR(Virtual Reality) 기술의 활용에 관한 연구로서, AI 기반 시뮬레이션이나 분석 도구와의 연계 가능성, AI 기반 의사결정 지원 시스템과 통합될 수 있는 구조도 제시되었다. 특히, Zhuming et al.(2021)은 고객 후기 데이터를 활용하여 제품의 기능을 자동으로 분석하는 AI 기반 접근법을 제안한다. 자연어 처리 기술을 활용해 기능 관련 정보를 추출하여, 설계 개선을 위한 데이터 기반 의사결정 지원하는 것을 특징으로 한다. 이 접근법은 특히 제품 개발 초기 단계에서 고객의 요구를 반영하는 데 효과적이며, 기존의 설계 방법론에 비해 자동화와 확장성 측면에서 강점을 갖는 연구이다.
이처럼 선행 연구들은 린6시그마, VE, TRIZ, 예측 품질 등 개별 방법론에 AI를 접목하여 각 분야의 분석을 자동화하고 데이터 기반의 의사결정을 강화하는 성과를 보였다. 하지만 이들 연구는 AI와 단일 방법론의 융합에 초점을 맞추고 있어, 이들을 포괄하는 전체적인 품질 혁신 프레임워크 안에서 유기적으로 통합하는 데까지는 나아가지 못했다. 선행 연구들을 종합해 볼 때, AI와 개별 방법론의 융합은 각 영역에서 유의미한 성과를 보였으나, 프로세스, 가치, 기술 혁신을 포괄하는 통합적 품질 개선 프레임워크의 부재라는 명확한 '연구 공백(Research Gap)'이 존재한다. 따라서 본 연구는 이러한 공백을 메우기 위해, 개별 융합 시도를 넘어 유기적으로 통합하고 AI로 증강시킨 새로운 전사적 방법론을 개발하고자 한다.
3. 지능형 융합 품질개선 방법론 개발
3.1 연구 목표
4차 산업 혁명 시대에 AI와 빅데이터 기술의 발전은 국방 품질 분야의 근본적인 패러다임 전환을 요구하고 있다. 현재 방위산업 현장에서는 린6시그마, TRIZ 등 다양한 품질개선 기법들이 활용되고 있으나, 이는 전문가 중심으로 선별 적용되어 시간과 노력이 많이 소요되며 복잡한 시스템 고장 분석에는 명확한 한계를 보인다. 최근 AI를 활용한 품질개선이 시도되고 있지만, 아직은 단편적인 문제 해결에 머물러 있다.
따라서 본 연구는 기존의 다원화된 품질개선 방법론들을 AI 기술과 체계적으로 융합하여, 지능형 통합 품질개선 모델을 개발하는 것을 목표로 한다. 이를 통해 방산 시스템의 복합적인 고장 원인을 보다 신속하고 효율적으로 분석하고, 데이터 기반의 최적 개선안을 도출함으로써 국방 품질 경영의 혁신을 선도하고자 한다.
3.2 연구 방법론
본 연구는 품질 분야의 방법론 및 관련 프로세스 개선 프로젝트로서 방법론을 자체적으로 비교 및 분석, 개선을 위한 체계적인 TF(Task Force)를 구성하여 연구에 착수하였다. 따라서 당사의 품질 개선 방법론인 린6시그마를 채택하여 진행하는 것을 기본 방향으로 결정하였다. (Chen, 2012; Kim, 2015; Baek, 2017; Huh, 2025) 등 선행연구에 따르면, 기존 프로세스의 개선이 아닌 신규 프로세스(시스템, 방법론)를 설계할 때 DFSS(DMADOV)가 타당함이 입증된다. 본 연구는 기존에 없던 AI 융합 방법론을 ‘새롭게 설계’하는 과정이므로, DMAIC보다 DMADOV가 적합하다. 그래서, Table 1과 같이 DMADOV 방법론을 통해 단계 및 활동을 기획하였다(Lee, 2004).
3.3 개발 프로젝트 정의(Define Phase)
3.3.1. 프로젝트 문제 및 목표 정의
현재 방위 산업 분야의 품질 개선은 그 과제의 성격과 목표에 따라 다양한 개선 방법론이 독립적으로 활용되고 있다. 현장 분임조 활동에는 PDCA와 QSS(Quick Six Sigma)가, 전사적 품질 개선 과제에는 DMAIC 방법론이 주로 적용된다. 또한, 신규 프로세스/시스템 개발은 DFSS, 원가 절감을 목표로 하는 설계 단계에서는 VE, 창의적 아이디어 발상이 필요시에는 TRIZ가 사용되는 등 각 방법론의 Procedure, 지침 등에 의해 표준적인 진행 및 관리가 되고 있어 표준적인 주제는 안정적으로 개선 성과를 도출해 왔다.
그러나, 이러한 개별적 방법론 운영 방식은 시스템의 복잡도가 높고 여러 원인이 융합된 문제에 직면했을 때 명확한 한계를 드러낸다. 근본 원인을 분석하고 최적의 개선안을 도출하기까지 과도한 시간과 노력이 소요되며, 문제 유형에 따라 적합한 방법론을 새로 선정하고 절차를 수동으로 조정해야 하는 비효율이 발생한다. 이 과정은 소수 전문가의 경험과 판단에 크게 의존하여 일관성 있는 대응을 어렵게 만든다.
빅데이터를 활용해 고객 불량과 공정 데이터를 연계하여 원인을 추적하려는 시도(Huh, 2023)도 있었으나, 방위산업의 긴 개발 수명주기와 단종 부품 등으로 인한 데이터 추적성의 한계로 인해 데이터만으로 복잡한 시스템 문제를 해결하기에는 어려움이 있다. 결과적으로 이러한 비효율은 높은 부실 품질비용(COPQ, Cost of Poor Quality)을 야기하고, 엔지니어 개인의 역량에 의존하는 문제 해결 방식이 고착화되는 주요 원인이 되고 있다. 따라서, SE적인 구조에 기반한 근본 원인 분석과 VE와 같은 기능 전개에 의한 분석, 개선이 필요한데, 이는 팀원들의 CFT 활동에 많이 의존하는 어려움이 있다.
다행히 최근 AI를 통한 제품과 기술의 확인이 용이한 점을 배경으로, 이를 활용한 품질개선 프로세스를 구축하고 기존 심층 분석, 창출의 기법을 선택하는 체계적인 가이드가 추가되어 컨설팅이 진행된다면 효율적이면서 논리적인 개선 절차 강화 및 품질 경영 고도화 과정의 기반을 마련하는 것을 본 연구의 목표로 정의하였다.
3.3.2. 프로젝트 CTQ 정의
최근 군수분야 품질혁신 방법론과 관련 문헌 연구(Baek, 2017; Huh, 2025; Kang, 2024; Lee, 2025)와 VOC 취합을 통해 1차 잠재 인자를 도출한 후, 사내 품질 전문가 5인(10년 차 이상 품질운영, 개발품보, 양산품보, 협력사품보, 형상관리)의 델파이 기법(Cho, 2024)을 통해 최종 CTQ와 목표 수준(Spec)을 확정하여 타당성을 확보하였다. Table 2와 같이 VOC는 '(1)원인분석', '(2)개선 방법', '(3)개선안' 등 불만관련 3개 중요 중분류로 파악되었다. 세부 VOC는 상세화 한 후 '1. 분석 시간 단축', '2. 근본 원인분석의 정확성', '3. 사용 편의성', '4. 추천 방법의 적절성', '5. 개선안의 실행 가능성', 그리고 '6. 확장성' 등 6개를 CTQ로 결정하였다.
도출된 CTQ를 기준으로 방법론을 평가하여 본 프로젝트의 최종 선택 여부를 결정하였다. 또한, '5. 개선안의 실행 가능성' 에서 개선안이 중요한 아이디어 발굴에서는 9개의 항목의 핵심 CTQ를 Table 4와 같이 선정하였다(Kim et al. 2018). 이는 창의적 아이디어 발상법(TRIZ)에서 사용하는 것으로, 개선 방법론에서 핵심인 창출된 아이디어들을 평가시 활용할 것이다.
3.4 개발 프로젝트 측정지표 설정(Measure Phase)
Measure 단계에서는 Define 단계에서 도출한 프로젝트 CTQ(Table 2)를 대변할 수 있는 Y를 선정하고 이에 대한 목표를 설정하였다. 여기서 Y는 측정 가능한 지표로 정의하되 프로젝트의 성공 여부를 대변할 수 있는 구체적인 지표이다(Kang, 2024). Table 3에서 Y’s로 총 6개 지표로 정의하였다. 현 수준은 방법론이 개발되기 전의 상태로서 'NA' 처리를 하였다. Target level은 사내 프로세스의 사례(기술 대안 정량적 평가, DTC(Design To Cost))를 검토하였고, 유사사례(제조 생산성 경진대회, 연구개발 테크노 컨퍼런스, 경영혁신 경진대회, 품질 분임조 대회, 사내 특허 평가, TRIZ Idea 도출 평가)의 벤치마킹 결과, 사내 개선 평가 전문가 집단이 델파이로 수준을 결정하였다.
Table 4는 아이디어가 도출되고 평가할 때 활용한다. 이 리스트는 당사의 TRIZ의 핵심 평가 기준 또는 아이디어 점검표로, 각 항목은 아이디어나 해결책이 얼마나 효과적이고 실현할 수 있으며 혁신적인지를 평가하는 데 사용한다. 이 9개는 3개의 중분류가 가능한데, 1~4번은 기능성과 효과성을 평가하며, 기능을 유지하거나 향상이 되는지를 확인하며, 유해한 기능은 제거하고, 부작용을 유발하지 않는지, 상충하는 요구조건을 해결하는지를 본다. 5~8번은 실행 가능성과 자원 활용으로서 도출된 신규 아이디어가 복잡한지, 쉽게 자원을 활용할 수 있는지, 구현이 쉬운지, 비용 대비 효과가 높은지 등을 확인하게 된다. 마지막 9번은 창의성으로서, 혁신성과가 출원이 가능할 정도로 독창적인 아이디어인지 평가한다.
3.5 개념 설계 및 분석 (Analyze Phase)
3.5.1. AI 기술에 대한 다각적 TRIZ 분석: 전략적 혁신을 위한 통합적 접근
최근 AI 기술은 단순한 기술적 진보를 넘어 산업과 사회의 구조를 근본적으로 재편하는 핵심 동력으로 부상하였다. 이러한 변곡점에서 기업과 연구 조직이 마주한 과제는 단기적인 기술 흐름을 추종하는 것을 넘어, AI의 장기적인 진화 경로를 예측하고 미래의 기술적 모순을 선제적으로 해결하여 지속 가능한 경쟁 우위를 확보하는 것이다. 그러나 AI의 발전 속도와 복잡성으로 인해 직관이나 단편적인 분석에 의존한 전략 수립은 한계에 봉착하였다. 이에 본 연구는 기술 시스템의 보편적인 진화 패턴을 체계화한 TRIZ 방법론을 통해 AI 기술을 심층적이고 다각적으로 분석하여, 미래 예측과 전략적 혁신을 위한 새로운 프레임워크를 제시하고자 한다.
본 연구가 9-Windows, 기술 시스템 진화 법칙(TESE: Trends of Engineering System Evolution), 그리고 40가지 발명 원리, 이 세 가지 TRIZ 분석 도구를 통합적으로 활용한 이유는 다음과 같다. 이 세 가지 도구는 각각 거시적 조망, 동적 패턴 분석, 미시적 해결책 도출이라는 상호 보완적인 임무를 수행하며, AI 기술에 대한 입체적이고 심층적인 이해를 가능하게 하므로 선정하였다. 첫째, 9-Windows 분석은 AI 기술 생태계의 거시적 '지도(Map)'를 제공한다. AI를 시스템으로 정의하고, 그 하위 시스템(반도체, 알고리즘)과 상위 시스템(소프트웨어 생태계, 사회적 기반)을 과거-현재-미래의 시간 축에 따라 조망함으로써, 우리는 AI가 어디에서 와서 어디로 가고 있는지에 대한 구조적인 통찰을 얻을 수 있다. 둘째, TESE 분석은 9-Windows 지도가 그려지는 동적인 '힘 = 세력(Force)'을 설명한다. AI가 왜 상위 시스템으로 전이하고, 왜 이상성이 증가하는 방향으로 발전하는지와 같은 근본적인 진화의 동력과 패턴을 규명한다. 이는 9-Windows의 정적인 분석에 동적인 인과관계를 부여하여 예측의 깊이를 더한다. 마지막으로, 셋째, 40가지 발명 원리 매핑은 거시적, 동적 분석을 통해 파악된 문제 상황에 대한 미시적 '해결 도구(Toolkit)'를 제공한다. AI 기술의 역사적 돌파구들이 어떤 보편적인 발명 원리에 의해 이루어졌는지를 분석하고, 이를 통해 현재와 미래의 기술적 모순을 해결할 수 있는 구체적이고 창의적인 아이디어를 체계적으로 도출할 수 있다. 결론적으로, 본 연구는 이 세 가지 분석을 유기적으로 결합하여, AI 기술의 거시적 진화 경로를 예측하고(9-Windows), 그 기저에 흐르는 법칙을 이해하며(TESE), 당면 과제를 해결할 실질적인 방법(40대 발명원리)을 찾는 통합적인 분석 프레임워크를 구축하는 것을 목적으로 한다. 이 분석 결과를 배경으로 융합 방법론의 요소로 이용하는 것이 'Analyze' 단계의 목표이다.
3.5.2. AI 진화에 대한 트리즈(TRIZ) 법칙 적용 분석 1 (9-Windows)
AI 기술은 생성형 AI의 보편화를 넘어 자율적으로 과업을 수행하는 에이전틱 AI(Agentic AI)의 등장으로 또 한 번의 패러다임 전환을 맞이하고 있다. 이는 AI가 더 이상 특정 영역에 국한된 분석 도구가 아닌, 사회 전반의 인프라를 구성하는 핵심적인 기술 시스템으로 자리매김하고 있음을 의미한다. 역사적으로 볼 때, 특정 기술이 이처럼 변곡점을 맞이하는 시기에는 현재의 현상에만 집중하기보다 그 기술의 과거로부터 이어진 진화의 맥락을 이해하고, 미래의 발전 경로를 체계적으로 예측하는 거시적 안목이 필수적으로 요구된다. 특히 본 연구에서와 같이 새로운 기술인 AI를 경영 혁신 도구로 채용하려면, AI의 시간적인 시계열 분석과 시스템적인 구조분석을 통해 장기적으로 사용할 수 있는 외부/내부 요소를 분석해야, 더욱 체계적인 방법론의 구성요소로 대안이 강구할 수 있는 목적으로 분석에 돌입하게 되었다.
이러한 맥락에서 본 연구는 일차적으로 트리즈(TRIZ)의 '9-Windows' 분석 도구를 활용하여 AI 기술의 진화 궤적을 입체적으로 분석하고자 하였다. 9-Windows는 분석 대상을 '상위 시스템(Supersystem)', '시스템(System)', '하위 시스템(Subsystem)'의 세 가지 차원으로 구조화하고, 각각을 '과거(Past)', '현재(Present)', '미래(Future)'의 시간 축에 따라 조망함으로써 AI 기술의 동적인 발전 과정을 체계적으로 이해하게 돕는 분석 프레임워크이다.
본 분석이 ’25년 현재 시점에서 AI의 과거와 미래를 분리하여 조망하는 이유는 명확하다. 과거 시점(~’24년)은 현재 AI 혁명을 가능하게 한 딥러닝의 이론적 토대와 GPU 병렬 컴퓨팅이라는 하드웨어적 기반이 마련된 중요한 시기이다. 또한, 미래(’26년~)를 내다보는 것은 단기적인 기술 트렌드를 넘어 AI가 사회 및 기술 생태계와 상호작용하며 나아갈 장기적이고 근본적인 방향성을 탐색하기 위함이다. 따라서 본 9-Windows 분석은 AI 기술의 진화 법칙을 이해하고, 미래에 나타날 새로운 기술적 모순과 기회를 예측하며, 새로운 경영 혁신 전략 수립에 있어 중요한 통찰을 제공하는 것을 목적으로 진행하였다.
Table 5와 같이, AI 기술 시스템에 대한 9-Windows 분석 결과, AI의 발전이 무작위적이거나 단편적인 사건의 연속이 아니라, TRIZ의 '기술 시스템 진화 법칙'에 따라 예측할 수 있는 패턴을 그리며 체계적으로 진화해 왔음을 확인할 수 있었다.
분석 결과를 계층별로 3가지로 나누어 하위 시스템, 본 시스템, 상위 시스템으로 설명할 수 있다.
첫째, 하위 시스템(Subsystem)은 하드웨어와 알고리즘의 공진화 특징을 보인다. AI의 바탕을 이루는 하위 시스템은 반도체와 핵심 알고리즘이다. 과거 CPU 기반의 직렬 처리와 규칙 기반 알고리즘은 '에너지 전도성 증가의 법칙'에 따라 데이터 처리 효율을 높이기 위해 현재의 GPU 기반 병렬 컴퓨팅과 트랜스포머 아키텍처로 진화했다. 특히, 단어를 문자가 아닌 수학적 '장(Field)'으로 변환하는 단어 임베딩 기술은 '물질-장 상호작용 증가의 법칙'을 명확히 보여준다. 미래에는 인간의 뇌 구조를 모방한 뉴로모픽 칩과 같이, 연산의 단위를 더욱 근본적인 미시계로 옮기는 '거시계에서 미시계로의 전이 법칙'이 가속화될 것으로 예측된다. 이는 알고리즘(소프트웨어)의 발전이 하드웨어의 한계라는 모순을 낳고, 다시 그 모순을 극복하는 하드웨어의 발전이 새로운 알고리즘의 등장을 촉진하는 '시스템 요소의 불균일 발전 법칙'이 역동적으로 작동한 결과이다.
둘째, 주 시스템(Main system)은 AI 모델 및 애플리케이션의 진화이다. AI 모델 자체는 과거의 고정된 기능만을 수행하던 시스템에서, 현재는 프롬프트에 따라 역할이 실시간으로 변하는 '역동성 증가의 법칙'을 극명하게 보여주고 있다. 특히, 스스로 목표를 설정하고 외부 도구를 활용하는 에이전틱 AI의 등장은 제어부, 작동부, 엔진, 전달 장치를 모두 갖춘 '시스템 완전성의 법칙'이 달성되었음을 의미한다. 미래에는 거대한 서버라는 물리적 시스템은 사라지지만 번역, 요약 등의 기능은 스마트폰에서 즉시 수행되는 '온디바이스 AI'가 보편화될 것이다. 이는 시스템의 유해한 비용(서버, 통신)은 최소화되고 유용한 기능만 남는 ‘이상성 증가의 법칙’에 따른 필연적인 진화 경로이다.
셋째, 상위 시스템(Supersystem)은 기술 생태계로의 통합과 확장이 큰 특징이다. 과거에 독립적인 연구 도구나 개별 프로그램으로 존재했던 AI는, 현재 MS 오피스나 포토샵 등 기존의 생산성 도구에 핵심 기능으로 통합되는 'AI 코파일럿'의 형태로 발전하고 있다. 이는 AI가 단일 시스템을 넘어 더 큰 상위 시스템 일부가 되는 '상위 시스템으로의 전이 법칙'을 따르는 전형적인 사례이다. 미래에는 AI가 전기나 인터넷처럼 보이지 않는 유틸리티(Utility) 형태로 모든 기술 및 사회 인프라에 깊숙이 내재화될 것이다. 즉, AI 자체가 상위 시스템이 아니라, AI에 의해 완전히 재편된 새로운 사회 기술 생태계가 미래의 상위 시스템이 될 것으로 전망된다.
종합적으로 본다면, TRIZ 9-Windows 분석은 복잡하고 다층적으로 전개되는 AI 기술의 진화 과정을 체계적이고 구조적인 시각으로 조망할 수 있는 유용한 프레임워크를 제공한다. 본 분석을 통해 AI의 발전은 단순히 알고리즘의 혁신에 국한된 것이 아니라, 하드웨어(하위 시스템), AI 모델(메인 시스템), 그리고 기술 생태계(상위 시스템)가 서로 영향을 주고받으며 TRIZ의 보편적인 진화 법칙을 따라 발전해 왔다는 사실을 확인할 수 있었다. 이는 현재 우리가 마주하고 있는 AI 기술의 본질을 이해하는 것을 넘어, 미래의 발전 방향을 예측하는 데 중요한 시사점을 제공한다. 예를 들어, AI 모델의 규모와 에너지 소비 사이의 모순, 데이터 프라이버시와 초개인화 서비스 사이의 모순 등 미래에 심화할 기술적 모순을 예측하고, 이를 해결하기 위한 혁신 기회를 탐색하는 데 본 분석의 결과가 중요한 나침반 역할을 할 수 있을 것이다. 따라서 기업과 연구기관은 이러한 거시적 진화의 법칙에 대한 이해를 바탕으로 장기적인 R&D 전략, 혁신 전략을 수립해야 할 것이다.
3.5.3. AI 진화에 대한 트리즈(TRIZ) 법칙 적용 분석 2 (TESE)
AI의 발전 과정은 종종 순수한 소프트웨어와 알고리즘의 영역으로 인식되지만, 그 진화의 궤적은 트리즈(TRIZ)의 '기술 시스템 진화 법칙'과 유사한 경향을 보인다. Table 6에서와 같이 진행된 TESE 분석은 AI의 핵심적인 발전 단계를 9가지 TRIZ 진화 법칙에 대입하여, AI가 어떻게 하나의 완전한 시스템으로 구조를 갖추고, 물리적 한계를 극복하며, 더 큰 시스템으로 확장되어 가는지를 설명한다. 기술 시스템은 완전한 구조를 갖추고 외부 환경에 유연하게 적응하는 방향으로 진화한다. AI 역시 이러한 법칙을 따르며 하나의 독립적이고 역동적인 시스템으로 발전하고 있다. 이는 기술 경영적인 측면에서뿐만 아니라, 기술개발 및 개선의 도구로서도 고차원적인 도구임을 또한 입증하는 분석 결과로 볼 수 있다.
TESE 분석 결과는 선행한 9-Windows에서 관찰된 현상들의 근본적인 동력을 설명해 주었다. AI의 발전은 무작위적인 사건이 아니라, '이상성 증가', '에너지 전도성 증가', '시스템 요소의 불균일 발전' 등 예측 가능한 법칙에 따라 진화하였음을 확인했다. 예를 들어, 온디바이스 AI로의 발전은 시스템의 유해함(서버, 비용)은 줄이고 유용한 기능만 남기려는 '이상성 증가의 법칙'의 발현이며, 알고리즘과 반도체의 상호 발전은 '시스템 요소의 불균일 발전 법칙'이 낳은 기술적 모순과 그 해결 과정의 반복임을 규명했다.
3.5.4. AI 진화에 대한 트리즈(TRIZ) 법칙 적용 분석 3 (Inventive Principles)
주요 AI 기술들을 40가지 발명 원리에 Table 7과 같이 대응한 결과, AI 분야의 핵심적인 돌파구들이 TRIZ의 보편적인 창의적 원리와 깊은 연관성을 맺고 있음을 발견했다. 원리 1(분할, Segmentation): 거대 모델을 여러 전문 모델로 나누어 처리하는 Mixture of Experts(MoE) 아키텍처는 분할 원리의 대표적인 사례이다. 원리 10(사전 조치, Prior Action): 방대한 데이터로 미리 모델을 학습시키는 사전 학습(Pre-training) 기술은 본격적인 과업 수행 전에 미리 성능을 갖추는 사전 조치 원리에 해당한다. 원리 15 (동적성, Dynamicity): 사용자의 프롬프트에 따라 모델의 기능과 역할이 실시간으로 변하는 프롬프트 엔지니어링은 시스템의 유연성을 극대화하는 동적성 원리의 구현이다. 원리 35 (속성 변환, Parameter Changes): 딥러닝에서 학습률(Learning Rate)과 같은 하이퍼 파라미터를 동적으로 조정하는 기술은 시스템의 물리적 상태(속성)를 변화시켜 최적의 결과를 찾는 원리와 일치한다. 이러한 분석은 AI 기술 혁신이 결코 예측 불가능한 영역이 아니며, 체계적인 원리에 기반한 문제 해결이 가능함을 시사한다.
3.5.5. AI 진화에 대한 트리즈(TRIZ) 분석 종합 결과
3.5.5.1 경영 혁신 전략 관점
본 연구의 다각적 TRIZ 분석은 AI 시대의 경영 혁신 전략/방법론 수립에 다음과 같은 중요한 시사점을 제공한다.
첫째, 미래 예측 기반의 선제적 R&D 투자가 가능해진다. 9-Windows와 TESE 분석은 AI의 거시적 진화 방향(예: 미시계로의 전이, 이상성 증가)을 제시하므로, 기업은 단기적 유행을 넘어 뉴로모픽 컴퓨팅, 온디바이스 AI 최적화 등 차세대 기술에 대한 장기적이고 전략적인 R&D 투자를 집행할 수 있다.
둘째, 체계적인 문제 해결 및 특허 전략 수립이 용이해진다. 40대 발명 원리 분석은 기업이 당면한 AI 관련 기술적 모순(예: 모델 성능 vs. 에너지 효율)을 해결하는 데 있어 창의적이면서도 체계적인 아이디어 도출을 돕는다. 이는 경쟁력 있는 원천 기술을 확보하고 강력한 특허 포트폴리오를 구축하는 데 직접적으로 이바지할 수 있다.
3.5.5.2 차세대 혁신 방법론 생성 관점
본 연구에서 수행된 3단계 TRIZ 분석 접근법은 그 자체로 AI 시대에 특화된 새로운 혁신 방법론의 청사진을 제시한다. 기존의 범용 TRIZ를 넘어, 'AI-TRIZ'라고 명명할 수 있는 이 방법론은 다음과 같은 체계적인 프로세스를 통해 작동할 수 있다. 1단계(거시 환경 분석): 9-Windows를 활용하여 특정 AI 기술 문제의 현재 위치와 생태계(하위/상위 시스템)를 조망하고 전략적 방향성을 설정한다. 2단계(진화 경로 예측): TESE를 적용하여 해당 기술의 가장 가능성 있는 미래 발전 경로를 예측하고, 그 과정에서 발생할 핵심적인 기술적 모순을 사전에 정의한다. 3단계(창의적 문제 해결): 40대 발명 원리를 포함한 TRIZ의 문제 해결 도구를 활용하여 2단계에서 정의된 모순을 해결할 구체적이고 독창적인 해법을 체계적으로 도출한다.
이러한 'AI-TRIZ' 방법론은 AI 기술개발 과정에서 겪는 불확실성을 최소화하고, 예측할 수 있고 체계적인 혁신을 가능하게 하는 강력한 프레임워크가 될 것이다. 결론적으로, 본 다각적 TRIZ 분석은 AI 기술의 본질을 깊이 있게 이해하는 것을 넘어, 미래를 예측하고 창조하는 실질적인 전략과 방법론을 제공한다는 점에서 중요한 의의가 있다. 위 분석된 AI-TRIZ의 내용을 기반으로 기존 연구의 분석을 통해, 다음 단계 Design 단계의 실무적인 경영 혁신 방법론을 도출하는 과정으로 넘어간다.
본 장에서 수행된 다각적 TRIZ 분석은 차세대 혁신 방법론의 설계 원칙을 도출하는 이론적 기반이 된다. 예를 들어, TESE 분석에서 도출된 '이상성 증가 법칙'은 AI-SVT의 Improve 단계에서 단순히 문제를 해결하는 것을 넘어 비용은 최소화하고 기능은 극대화하는 'AI-VE' 모듈을 포함해야 한다는 설계의 당위성을 제공한다. 또한, 40대 발명 원리 분석은 'AI-TRIZ' 모듈이 어떤 원리를 중심으로 아이디어를 추천해야 하는지에 대한 구체적 지침이 되었다.
3.5.6. AI 와 트리즈(TRIZ) 융합 연구 결과
지금까지 AI 기술을 트리즈 차원의 분석을 하였고, 이어서, AI-TRIZ 융합 관련 최신 연구들을 대상으로 분석, 평가하였다. AI-TRIZ 융합 연구 중 3개의 논문을 선정했으며, 이의 특성을 Table 8과 같이 평가하였다. 이 세 연구는 AI와 TRIZ를 융합하는 대표적인 접근법으로, 각각 완전 자동화(AutoTRIZ), 인간-AI 협업(TRIZ-GPT), AI 팀 시뮬레이션(TRIZ Agents)이라는 독특한 관점을 제시한다.
3.6 상세 설계(Design Phase)
3.6.1. LLM 기반 AutoTRIZ 시스템
앞 단계 Analyze 단계에서 수행한 AI와 TRIZ 융합 관련 문헌 연구에서는 각 융합 방법론을 평가하였다. 특히 가장 중요한 성능 향상의 방법론으로 우수한 것이 AutoTRIZ였다. 본 연구에서도 AutoTRIZ를 평가하고, 이를 현업 개선 문제에 적용해 보기로 하였고, 상세 설계 단계에서 우선 선정하여 적용하였다.
AutoTRIZ는 TRIZ의 복잡한 추론 과정을 LLM으로 자동화함으로써(Lee, 2025), 비전문가도 손쉽게 혁신적인 아이디어를 생성할 수 있도록 설계된 시스템이다. 사용자가 자연어로 문제 상황을 입력하면, 시스템은 내부적으로 4개의 핵심 단계를 거쳐 구조화된 해결 보고서를 생성한다.
첫째, '문제 정의' 단계에서는 사용자가 입력한 자연어 텍스트를 LLM이 분석하여 핵심적인 문제 요소와 기술적 상황을 추출한다. 이 과정에서 LLM은 제로 샷 추론(zero-shot reasoning)과 인컨텍스트 학습(in-context learning) 능력을 활용하여, 불필요하거나 부수적인 정보를 제거하고 문제의 본질을 명확한 진술 형태로 정제한다.
둘째, '모순 식별' 단계는 TRIZ 방법론의 핵심으로, 정제된 문제 진술로부터 상충하는 두 개의 공학 변수를 찾아내는 과정이다. AutoTRIZ는 LLM에 TRIZ의 39개 표준 공학 변수에 대한 정보를 사전 학습시킨 후, 주어진 문제 상황에서 '개선하려는 특성'과 그로 인해 '악화하는 특성'의 쌍을 자동으로 추론한다. 이 과정은 LLM의 일반적인 지식과 추론 능력에 기반하여 수행된다.
셋째, '발명 원리 검색' 단계에서는 앞서 식별된 모순 쌍을 해결하는 데 가장 유용한 TRIZ의 40가지 발명 원리를 찾아낸다. AutoTRIZ의 LLM은 TRIZ의 '모순 매트릭스'의 구조와 내용을 학습하여, 해당 모순에 통계적으로 가장 많이 사용되었던 발명 원리들을 우선순위로 도출하고 제시한다.
마지막으로, '해결책 생성 및 보고서 작성' 단계에서는 추천된 발명 원리들을 일종의 '창의적 힌트'로 사용하여, LLM이 주어진 문제에 대한 구체적인 해결 아이디어를 생성한다. 최종적으로 시스템은 문제 정의부터 모순 식별, 추천 원리, 구체적인 아이디어 제안에 이르는 전 과정을 명확히 기술한 구조화된 보고서 형태로 사용자에게 결과를 제공하여, 추론 과정의 해석 가능성과 실제 설계 적용 가능성을 높인다.
3.7 최적화 설계 (Optimize Phase)
3.7.1. 융합 설계 기획
앞 단계 Design 단계에서 수행한 AutoTRIZ 의 파악된 단점을 보완하기 위해서, Figure 1과 같이 원인-대책 계통도를 통해 대책을 수립한 결과, 기존의 방법론과 기법의 장점이 있는 린6시그마, VE, TRIZ의 방법론, Tool을 활용하는 융합 방법론으로 개발의 방향이 결정 되었다. 물론 일차적으로 이 3가지 기존 독립적인 방법론을 융합하되, 이차적으로 AI의 장점을 살리기 위해 AI와 최종 융합하기 위한 단계로 2단계 설계 계획을 추진하게 되었다.
3.7.2. 융합 방법론 1단계(SVT)
앞서 도출된 AutoTRIZ의 한계점을 근본적으로 해결하기 위해, Figure 1과 같이 원인 대책 계통도를 활용하여 해결 방안을 구조적으로 분석하였다. 그 결과, 근본 원인분석의 피상성은 린6시그마의 DMAIC로, 기능/구조 분석의 한계는 VE의 기능 분석으로 보완할 수 있다는 결론을 얻었으며, 이를 바탕으로 SVT 방법론을 설계하였다. 구체적으로, 첫째로 AutoTRIZ의 근본 원인분석 피상성을 극복하기 위해 린6시그마의 논리적 DMAIC 절차를, 둘째로 텍스트 입력에만 의존하는 한계를 보완하여 시스템의 기능과 구조를 심층 분석하기 위해 VE의 가치 중심의 기능 분석을 통합하였다. 3가지 각 방법론과 기법들을 분석하여, 린6시그마의 'S', VE의 'V', 마지막으로 TRIZ의 'T'를 채택하여, Figure 2와 같이 융합한 SVT 방법론을 개발하였다.
먼저 Procedure 특징은 첫째, Define 단계에서 선택적 루프(Option Loop)를 수행한다는 점, 둘째, Measure 단계에서 VE, TRIZ적인 분석, 개선이 필요한 개선 주제를 선택적 단계(Option Step)로 분기할 수 있다는 점, 셋째, Improve 단계의 선택적 단계가 다시 표준 단계(Standard Step)로 재진입한다는 점이다.
첫째, Define 단계이다. 린6시그마의 DMAIC를 유지하여, 개선 주제가 회사의 경영에 어떤 의미가 있고, 과제의 선정, 정의, 승인을 받는 과정은 그대로 진행한다. 그러나, Define에서도 시장분석, 목표 원가 분석을 통한 step을 추가하였다. 이후, TRIZ적인 문제에 대한 묘사를 통해 시스템을 정확히 구조화하고, 경계영역과 아닌 지역을 식별한다. 그리고 관련 특허나 최근 개선책까지 확인한다. 둘째, Measure 단계이다. 기존 타 융합 방법론에서 Measure 단계나 Analyze 단계에서 분기하는 보충 정도의 결합 형태를 탈피하는데 제일 큰 특징이다. 즉, 린6시그마에서 다룰 수 있는 것은 그대로 진행하되, 기능과 창의적 아이디어 발상이 추가 분석이 필요한 것은 이 단계에서부터 가이드에 따라 option step으로 우회할 수 있게 추가하였다. 이는 Measure 단계의 잠재 개선 인자만으로도 기능성과 창의성이 주된 대상인지가 파악할 수 있기 때문이다. 기능 분석을 VE의 원가/기능 분석, 기능 원가 도출, 여지 분석을 한 후 TRIZ를 이용하도록 하였다. 셋째, Improve 단계이다. 12. Verify Result step에서 모든 아이디어를 같이 검증하는 절차로 Closed loop을 만들어 다시, 린6시그마의 논리적인 문제 해결 과정에 흐름을 같이한다. 이는 TRIZ, VE, AI에 의한 개선활동 시 발생되는 단점 중에 결과검증과 관리계획이 명확하지 않거나, 다른 개선들과의 시차 차이로 인한 동반 검토, 개선의 기회를 상실하는 것을 예방하기 위한 것이다.
제안하는 SVT 방법론은 기법과 tool의 활용하는 측면에서 다음과 같은 세 가지 주요 특징을 갖는다. 첫째, 린6시그마 DMAIC 절차와 VE/TRIZ 도구의 유기적 통합이다. 본 방법론은 VE와 TRIZ를 단순한 선택적 '옵션(Option)' 단계로 분리하지 않는다. 린6시그마의 표준 DMAIC 절차를 진행하는 과정에서도 VE의 원가/기능 분석 도구나 TRIZ의 창의적 발상 도구를 활용하도록 하여, 타 방법론의 관점을 지속적으로 유지하게 하였다. 이는 기존의 단순 품질개선 활동이 초래할 수 있는 원가 상승이나 소폭의 점진적 개선이라는 한계를 탈피하고, '종합 관리' 기능을 수행하도록 설계된 것이다. 둘째, '선(先) VE, 후(後) TRIZ'의 체계적 적용 순서 확립이다. 본 방법론은 TRIZ의 창의적 발상에 앞서 VE의 기능 분석과 원가 분석을 의도적으로 선행 배치하였다. 이는 아이디어 생성에만 몰입한 나머지 투입 비용이나 적용성을 고려하지 못하는 TRIZ의 잠재적 한계를 보완하기 위함이다. 즉, 기능 및 원가에 대한 현실적 검토를 바탕으로 창의성을 극대화함으로써, 해결안의 실질적인 적용 가능성을 높이고자 하였다. 셋째, 다양한 보조 도구(Sub-tool)를 활용한 분석의 심화이다. 기존의 융합 시도가 각 방법론의 대표적인 핵심 도구(Main tool)만을 활용하여 신속한 결과 도출에 집중했다면, 본 방법론은 핵심 도구의 전후에 VE와 TRIZ의 다양한 보조 도구들을 전략적으로 배치하였다. 이는 숨겨진 자원을 탐색하거나 기술적 모순뿐만 아니라 물리적 모순까지 접근하는 등, 다각적이고 근원적인 분석을 가능하게 한다. 이로 인해 분석 시간은 다소 증가할 수 있으나, 문제 해결의 근본적인 효과성을 극대화하여 방법론의 완성도를 제고하였다.
SVT 방법론은 린6시그마의 DMAIC방법론과 단절된 것이 아니라, 이를 계승하고 발전시킨 관계에 있다. 이는 전통적인 품질개선 방법론이 방산업과 같은 현대의 복잡한 시스템 환경에서 문제를 해결하기 위해 진화하고 확장된 계승 및 발전의 관계에 있다. 그 의의는 다음과 같이 세 가지로 요약할 수 있다. 첫째, 계승적 확장성이다. SVT 방법론은 검증된 프레임워크인 DMAIC를 기본 골격으로 계승하여, 데이터 기반의 체계적인 프로젝트 관리 안정성을 확보하는 동시에, DMAIC의 각 단계에 VE와 TRIZ를 유기적으로 접목하여 분석의 깊이와 해결책의 혁신성을 확장한다. 특히 프로젝트 기반 사업이 중심인 방위산업에서 DMAIC의 채택은 조직의 문제 해결 실행력을 담보하는 핵심 기제가 된다. 둘째, 방법론적 상호 보완성이다. 린6시그마가 통계적 데이터 분석을 통해 '프로세스의 안정화'에 강점을 보인다면, VE는 '고객 가치 중심의 기능-비용 최적화'에, TRIZ는 '기술적 모순 해결을 통한 창의적 발상'에 특화되어 있다. SVT는 이 세 가지 방법론을 융합하여, 각 접근법의 한계를 상호 보완한다. 즉, 프로세스 안정화(S: 린6시그마)를 넘어 고객 가치(V: VE)를 극대화하고, 기술적 난제(T: TRIZ)에 대한 혁신적 해결책을 모색하는 다각적인 접근이 가능해지며, 이는 AutoTRIZ와 같은 단일 융합 방식 대비 우월한 점이다. 셋째, 문제 해결 범위의 심화이다. 전통적인 DMAIC 절차가 주로 '어떻게(How)' 문제를 측정하고 분석하여 관리할 것인가에 집중한다면, SVT는 여기에 '무엇을(What)' 개선해야 고객 가치가 높아지는가(VE)와 '어떻게(How)' 기존의 틀을 깨는 해결책을 만들 것인가(TRIZ)? 라는 질문을 추가한다. 이는 단순히 주어진 문제의 변동을 줄이는 것을 넘어, 문제 자체를 재정의하고 시스템의 근본적인 가치를 혁신하는 심화된 문제 해결을 지향한다는 점에서 중요한 의의가 있다.
이 융합 방법론은 다음 세 가지 핵심 목적을 기반으로 설계되었다.
첫째, 복잡한 문제 해결이다. 단일 방법론으로는 해결하기 어려운 현대 산업의 기술, 비용 및 프로세스 과제가 복잡하게 얽혀 있는 문제를 포괄적으로 해결하고자 한다. 둘째, 혁신 주도 개선을 하려는 방법론이다. 점진적인 품질개선을 넘어, 기술적 한계를 극복하는 창의적이고 혁신적인 솔루션을 문제 프로세스에 접목하기 위해 노력한다. 셋째, 고객 가치 중심 최적화를 위한 방법론이다. 모든 품질개선 활동이 궁극적으로 고객 가치 증대로 이어지도록 기능-비용 분석을 핵심 기준으로 활용하여 자원 낭비를 방지하고 개선 효과를 극대화한다.
이 융합 방법론은 다른 경영 혁신 개선 방법론과 비교했을 때 세 가지 특징을 갖는다.
먼저 첫째, 유기적으로 통합된 프로세스이다. 단순히 린6시그마, VE, TRIZ를 나열한 도구 상자가 아니라, VE의 기능 분석과 TRIZ의 모순 해결이 DMAIC라는 단일 프로세스 흐름 내에 유기적으로 통합된 체계적 절차를 갖춘다. 둘째, 정량적·정성적 분석의 균형을 이룬 방법론이다. 린6시그마의 정량적 데이터 분석, VE의 정량적 가치 분석, 그리고 TRIZ의 정성적·개념적 원칙을 조화롭게 결합함으로써 데이터, 논리, 그리고 창의성을 활용하는 균형 잡힌 접근 방식을 구현한다. 셋째, 시스템 최적화 관점이다. 프로세스(σ), 가치(V), 기술(T)의 세 가지 차원에서 문제를 동시에 조망함으로써, 부분 최적화의 함정을 피하고 시스템 전체의 최적화를 목표로 한다. 이러한 관점은 본 연구의 시초가 방산업체에서의 SE 기반 하의 시스템 체계 종합을 주로 하는 SI(System Integration) 제조에서 발생한 여러 개발, 품질 문제점들을 위한다는 명분에 더욱 부합한다고 볼 수 있다. SE에서는 요구사항으로부터 최종 고객의 사용 환경에서의 검증을 위한 V&V(Verification & Validation) 활동에 맞게 전 생애주기 동안에 문제가 없도록 하는 방법론인 것을 또한 염두에 둔 특징이기도 하다.
3.7.3. 융합 방법론 2단계(AI-SVT)
SVT 방법론은 린6시그마의 논리적 문제 해결과 과학적인 분석의 특화된 안정된 방법론이며, 이를 제품의 근본 분석과 아이디어 창출의 특화된 VE, TRIZ를 통해 더욱 강화된 방법론이 제안되었다. 1단계 SVT 방법론 역시 각 단계에서 필요한 광범위한 자료 수집, 특허 분석, 자원 탐색 등은 여전히 개선팀의 경험과 시간에 크게 의존한다는 잠재적 한계를 내포하고 있다. 이러한 한계를 극복하고 방법론의 효율성과 깊이를 극대화하고자, SVT의 각 절차에 AI의 신속한 정보 탐색 및 분석 능력을 접목한 2단계 AI-SVT 방법론을 개발하였다. 4.4에서 확인한 AutoTRIZ에서의 AI의 정보 창출력, 신속성을 다시 2단계로 통합한 AI-SVT는 한 단계 더 강화된 정보 확장성, 생산성을 보장해주는 목표로 개발되었다. 이를 위하여 TRIZ의 40가지 발명 원리와 AI 기법을 매칭하여 AI 기법들의 사용성을 더욱 세밀하게 확인한 후 SVT 방법론과 융합을 시도하였다. Figure 3과 같이 AI 관련 기법과 사용처 들을 매칭하였고, 이를 바탕으로 SVT 방법론과 강화 방안을 연구하였다.
AI-SVT 방법론의 특징은 다음과 같이 3가지로 정리할 수 있다. 첫째, AI를 통한 전형적인 지식검색을 통한 증강이다. SVT 방법론 자체가 린6시그마, VE, TRIZ의 논리적 절차와 도구는 강점이나, 개선 주제에 대한 전반적인 지식, 자료들에 관한 확인은 개선팀 팀원들의 노하우가 많을 때 유용하지만, 자칫 정보가 부족한 팀원들은 새로운 정보에 약할 수 있고, 파급효과로 단편적인 해결안이나 과거의 해결안에 머무를 수 있다. 이때, AI가 지식검색을 증강 보조할 수 있다. VE 기능의 측면에서 보자면 AI는 VE의 비용 데이터 검색, 기능 분석 등을 인터넷 기반으로 지원할 수 있으며, TRIZ 기능의 측면에서는 특허, 청구항, 회피 기능, 자원 분석 등을 지원할 수 있게 된다. 하지만, 지식검색만으로 AI의 증강 기능이 최대 효과가 아니며, 세부적이고 심층적인 추론이 필요할 때는 AI의 다양한 모델과 하위 Tool, 프롬프트가 추가 고려가 돼야 한다. 따라서, 그 이차적인 AI 증강 단계를 Figure 4와 같이 구성·배치하였다. 에이전트 AI(Agent AI), 생성형 AI(Generative AI), 거대 언어 모델(LLM), AI 비전(AI-Vision), AI 시뮬레이션(AI-Simulation), AI 기반 통계적 공정 관리(AI-based SPC) 등이 Phase, Step별로 제안하여 아이디어를 증강할 수 있는 세부 방안을 매핑하였다. 특히, AI-SVT의 AI 증강은 ‘도메인 특화 파인튜닝(Fine-tuning)’보다는, 전문가의 지식이 담긴 고도화된 프롬프트 엔지니어링(Figure 5)과 ‘역할 정의(Role-playing)’를 통해 사전 학습된(Pre-trained) LLM의 추론 능력을 특정 방법론(TRIZ, VE)에 맞게 극대화하는 방식이라고 판단한다.
1, 2단계를 정리하면, 1단계에서 2단계로 발전시킨 것은 단순한 프로세스 변경이 아닌, AI를 통해 전통적 품질개선 방법론의 각 단계를 더욱 빠르고, 정확하며, 예측할 수 있게 만들기 위한 '지식적 진화'를 유도한 것이다. 1단계가 전문가의 역량에 의존도가 높을 수 있는 것을 낮추고, 데이터 기반의 객관적인 개선을 도모한 것이 대표적인 취지이다. 1단계가 기존 SVT의 각 step 중심의 보강 기능을 상세히 기재했다면, 2단계는 그것을 어떤 AI 모델과 기법이 더 적합할지를 대표적인 사례, 기능으로 추가하였다. 2단계에서 더욱 중요한 것은 전문가의 체계적인 개입이다. 즉, AI가 정보를 제공하고 전문가(간사)가 판단/결정하는 상호작용이 각 단계에 Step의 목적을 이루었는지 관점으로 판단하고 추가로 개입하여 AI의 역할을 추가 부여해야 한다. 그렇지 않으면, AI의 단편적인 정보에 성과의 극대화가 이뤄질 수 없다. Define에서는 시장의 정보, 문제의 영향성, 관련 특허가, Measure단계에서는, 잠재 x인자 외의 기타 개선 요인, Analyze단계에서는 TRIZ는 자원, VE는 기능에 대한 AI의 정보 요구가 필요하다.
3.8 목표 검증 (Verify Phase)
본 연구에서 개발한 AI-SVT 방법론의 실효성을 최종 검증하기 위해, 실제 수행할 생산기술 팀원들을 대상으로 설문조사를 실시하였다. 본 검증 단계는 AI-SVT 방법론 자체가 3.4절(Measure Phase)에서 설정한 6개의 핵심 성과 지표(Y’s)를 달성했는지 평가(2단계)하는 것을 목표로 하였다. Table 9와 같이, 6개 지표중 4개는 목표를 상회하였으나, '사용의 편의성(Y21)', '해결안의 신뢰성과 실현가능성(Y31)' 2개 항목은 목표에 미달하였다. 첫째, '사용의 편의성(Y21)'지표의 미달은 방법론의 활용이 사용자의 숙련도에 따라 영향을 받는 사항으로 판단된다. 이는 향후 체계적인 교육을 확대하고 관련 서식 및 지침을 강화함으로써 충분히 개선될 수 있을 것으로 예상된다. 둘째, '해결안의 신뢰성과 실현 가능성(Y31)'지표의 미달은 도출된 일부 대안이 기존에 이미 검토된 개선 사항과 중복된 결과가 반영된 것이다. 이는 향후 방법론 적용 시, 도출된 아이디어를 기존의 개선안과 비교하여 차별성을 검토하는 정제 과정을 보강함으로써 그 수준을 제고할 수 있을 것으로 보인다.
본 연구 결과는 개별 개선 주제에 맞는 분야별 방법론에서 탈피하여 융합된 품질개선 방법론을 개발하되, 최근에 나온 AI의 역량을 활용한 AutoTRIZ 방법론과 대비하여, 기능분석과 자원분석 등의 국방산업의 개선에 더 적합한 AI-SVT 방법론을 DMADOV 절차에 맞게 성공적으로 개발하였고 실전 적용이 가능함을 사례에 적용하여 입증하였다. AI 융합 방법론에서 선택한 AutoTRIZ는 LLM 기반하에 특허를 통한 아이디어의 창출 시간이 빠르며, 단계별 계획과 절차를 알려주는 등의 효과가 있었다. 그러나, LLM의 특징인 입력에 의존한 한정된 단방향의 단점, 즉, 입력 정보의 의존성 문제, 근본 원인 분석의 피상성 문제가 크게 단점으로 확인되었다. 이를 해결하기 위해, 방위산업 및 제조산업에서 근본 원인 분석에 필요한 SE적으로 효과가 검증된 VE를 차용하고, 논리적인 문제와 의사결정의 합리적 절차를 제공하는 린6시그마를 포함한 구조의 AI-SVT를 개발하게 되었다. AI-SVT의 기본 구조(SVT)를 1차 설계 도출하였고, 이를 기반으로 2차 설계에서는 AI를 활용하는 부분에 초점을 두고 강화된 증강 기능을 Option step으로 포괄된 구조를 설계하였다. 이를 적용 대상 case인 현장의 품질 문제 사례에서 본 구조의 AI-SVT를 적용한 결과, 산출된 아이디어가 AutoTRIZ보다 많은 건수와 현실적인 대안들로 얻어지는 것을 확인하였다. 또한 방법론적인 목표를 달성하였는지를 6개의 지표로 평가한 결과. 2개 외에 모두 목표를 상회하였고, 나머지 미달 지표도, 방법론에 대한 교육 및 숙지, 지침과 서식을 마련하고 준비를 맞게 한다면 보다 상승된 결과를 얻을수 있다고 본다. 이런 단계적인 방법론 개발과 분석에 의해서, AI와 TRIZ 등의 개선을 지원하는 방법론을 활용 시의 단점을 최소화하고 현실적인 더욱 최적화된 품질개선 방법론의 개발 가능성을 입증했다.
4. 국방 품질 개선 적용 사례
4.1 적용 대상 선정
본 연구는 다양한 품질개선을 운영하는 방법론을 개발하는 것이며, 방법론 간의 효과를 비교해 보기 위해, 실제 문제가 발생한 품질 개선 이슈를 선정하여, 연구내 개발된 방법론의 대안들간 비교 시 사용할 대상이다. 국내 기 전력화 된 다양한 EO/IR 제품은 국방무기체계 감시정찰 분야의 핵심 제품 중 하나로써, 항공분야, 함정용 등 다양한 국방 무기체계(플랫폼)에 적용되고 있다. 본 논문에서 언급된 EO/IR의 송풍기 팬은 EO/IR 내부에 강제 대류를 발생시켜 내부 온도를 적정하게 유지시켜 줌으로써, EO/IR의 기능 및 성능을 충족시키기 위한 주요 구성품 중 하나이다. EO/IR은 안정적 성능과 정확한 온도 측정을 위해 내부 핵심 센서인 "열화상 센서 모듈"의 적정 온도 유지가 필수적이다. 이를 위해 대부분의 EO/IR 제품은 본 논문과 유사한 형태의 송풍기 팬을 적용하고 있다.
대상 내용은 협력업체가 체계업체에 납품한 EO/IR 체계의 구성품인 송풍기의 Fan이 동계기간 운용 중 Figure 6과 같이 하우징 안지름과 닿아 파손되어 자체 점검 기능 이상 발생으로 상위 체계 장비의 운용이 불가해진 문제로부터 시작되었다. 수리 기간 내 헬기가 미운용되는 영향이 있었으며, 1차적인 문제 해결 방법이 수립되었으나, 더욱 근원적인 해결책을 마련하고자 주제로 채택되었다. 송풍기가 차상위 체계 장비 내에서 발생하는 공기를 아래쪽 방면으로 이동시키는 과정에서 관련된 Fan, Blower Assembly(송풍기 조립체), Outer Housing(외부 틀) 등이 관련된 구조이다. 따라서, 본 사례는 기계적 파손, 열 수축, 설계 오류, 공정 관리 등 국방 품질 문제의 가장 대표적인 '복합적 속성(Complex nature)'를 모두 내포하는 대표적인 개선 대상 사례이다. 따라서, 이 사례의 해결은 단순한 단일 건의 해결이 아니라, 유사한 복합 문제에 본 방법론이 적용 가능함을 시사한다.
4.2. AutoTRIZ 적용
4.2에서는 앞서 3.6.1에서 설명한 AutoTRIZ 시스템의 실제 성능을 검증하기 위해 국내 방위산업 현장에서 발생했던 "KOO FOOO 송풍팬 날개 파손" 문제를 적용 대상 사례로 선정하였다.
적용 문제의 배경 및 상황 : 해당 문제는 Figure 6의 무기체계 KOO에 장착되는 장비(FOOO)의 유닛(TOO) 내부 송풍팬에서 발생했다. 동계와 같은 저온 환경에서 운용 시, 송풍기 외부 구조물이 금속의 수축 현상으로 인해 미세하게 작아지면서 내부의 팬 날개와의 틈새가 좁아져 마찰이 발생하고, 이에 따라 날개가 파손되는 현상이 5회 이상 반복되었다. 기존의 해결책은 원제작사에서 납품하는 송풍기 중 편심이 적은 양품을 수작업으로 선별하고, 조립 시 고무패드와 몰딩제(RTV)를 사용하여 틈새를 확보하는 방식이었다. 이는 근본적인 해결책이 아니라 원제작사의 품질에 의존하는 임시방편이었고, 정비 시 몰딩제를 제거하고 다시 바르는 작업성이 매우 불편하다는 단점을 안고 있었다.
4.2.1. AutoTRIZ 적용 과정 및 산출물
첫째, '문제 정의(Problem Identification)' 단계에서는 주요 특징, 모순 관련 정보를 식별하였다.
문제 정의: KOO FOOO의 팬 블레이드가 겨울철에 외부 하우징의 수축으로 인해 파손되어 마찰이 발생하고 송풍기 블레이드와 외부 구조물 사이의 간격이 좁아졌다. 현재의 해결책은 수동적이고 불편하며 원래 제조업체의 송풍기 품질에 따라 달라진다.
둘째, ‘모순 식별(Contradiction Detection)’ 단계로서, 위 문제를 TRIZ의 39가지 공학적인 Parameter로 식별할 때, Table 10과 같이 AutoTriz는 개선된 기능은 '신뢰성(#27)', 악화하는 기능은 '수리 용이성(#34)'로 식별하였으며, 주요 모순은 이 '신뢰성'과 '수리 용이성'과의 기술적 모순으로 파악하였다.
셋째, '발명 원리 검색(Inventive Principle Retrieval)' 단계에서는 앞서 식별된 모순 쌍을 해결하는 데 가장 유용한 TRIZ의 40가지 발명 원리를 찾아내는데, AutoTRIZ의 LLM은 TRIZ의 '모순 매트릭스'의 구조와 내용을 학습하여, 해당 모순에 통계적으로 가장 많이 사용되었던 발명 원리들을 Table 11과 같이, 우선순위로 원리 1(분할), 원리 10(사전 조치), 원리 15(동역학), 원리 28(기계적 대체)을 식별하고 제시하였다.
넷째, '해결책 생성 및 보고서 작성(Solution Generation & Report)' 단계로서, 먼저 앞 단계에서 추천된 발명 원리들을 기반으로 사용하여, LLM이 주어진 문제에 대한 구체적인 해결 아이디어를 생성한다. Table 12는 발명 원리 1에 대한 구체화한 아이디어들의 일반화된 설명, 실행 방안, 도전 사항, 전략, 평가 사항이 기재되어 있다.
최종적으로 시스템은 Table 13과 같이, 문제 정의부터 모순 식별, 추천 원리, 구체적인 아이디어 제안에 이르는 전 과정을 구조화된 보고서 형태로 사용자에게 결과를 제공하였다.
4.2.2. AutoTRIZ 적용의 분석 및 토의
본 연구에서는 AutoTRIZ 시스템을 통한 방산 실사례로 아이디어를 도출하는 과정을 진행 후 다음과 같은 명확한 효용성과 내재적 한계점을 확인할 수 있었다.
AutoTRIZ 시스템의 효용성 평가로 3가지 사항이 특징이다.
첫째, 성과 도출의 효율성 및 다각성 측면에서 뛰어난 강점을 보였다. 사용자가 문제 상황을 자연어로 입력한 후, 시스템은 문제의 핵심 모순과 관련 공학 변수를 정의하고, 이를 해결하기 위한 TRIZ 발명 원리를 추천하며, 나아가 구체적인 해결 아이디어와 전체 분석 과정을 담은 보고서까지 총 4가지의 구조화된 결과물을 동시에 생성하였다. 이는 단일 입력으로 다층적인 분석 결과를 확보할 수 있다는 점에서 높은 효율성을 시사한다. 둘째, 분석 과정의 신속성은 기존의 수동적 분석 방식과 비교할 수 없을 정도로 뛰어났다. 문제 상황을 입력하는 데 약 10분이 소요됐지만, LLM이 실제 분석을 수행하고 최종 보고서를 생성하기까지 걸린 시간은 10여 초에 불과했다. 이러한 시간의 획기적인 단축은 신속한 의사결정이 요구되는 산업 현장에서 혁신 활동의 속도를 크게 향상시킬 수 있는 잠재력을 보여준다. 셋째, 사용자 편의성 및 접근성 측면에서 TRIZ 방법론의 대중화 가능성을 제시하였다. 복잡한 TRIZ 이론을 사전에 학습하지 않은 비전문가라 할지라도, 해결하고자 하는 문제를 명확하게 기술하는 것만으로 시스템에 내재한 TRIZ 지식베이스를 LLM 모델을 통해 효과적으로 활용하고 창의적인 해결안을 도출할 수 있었다.
이러한 명백한 효용성에도 불구하고, AutoTRIZ 시스템의 작동 방식에서 비롯되는 근본적인 한계점 또한 발견되었다.
첫째, 입력 정보 형태의 의존성 문제이다. 현 시스템은 오직 텍스트로 기술된 정보만을 입력받아 분석을 수행하므로, TRIZ의 중요한 분석 도구인 물질-장 분석이나 기능 분석과 같이 시스템의 구성요소 및 기능 관계를 도식화한 정보는 처리하지 못한다. 이에 따라 분석이 사용자가 입력한 문장의 표면적 수준에 머무르게 되며, 시스템의 구조적, 기능적 관계에 대한 심층적인 이해를 바탕으로 한 문제 정의에는 한계를 보인다. 둘째, 근본 원인 분석의 피상성이다. 본 시스템은 팀원 간의 상호작용과 심층적인 토의를 통해 문제의 다양한 메커니즘을 탐색하는 과정을 생략하고, 마치 '지식 검색 도구' 처럼 주어진 문장에 대해 즉각적인 답변을 생성한다. 이러한 방식은 문제의 근본적인 원인을 파고들기보다는 현상에 대한 빠른 해결책을 제시하는 데 초점이 맞춰져 있어, 깊이 있는 문제 해결에는 다소 부적합할 수 있다는 한계를 내포한다. 그런데도 빠른 처리 시간은 초심자나 소규모 팀이 초기 아이디어를 신속하게 얻는 데에는 효과적인 보조 도구가 될 수 있을 것으로 판단된다.
이처럼 실제 수행을 통해 발견된 의존성과 피상성을 개선하기 위해, 본 개선 연구팀은 AutoTRIZ에 머물지 않고, 단점을 보완하는 방법론 개발에 들어가게 되었다.
4.3 AI-SVT 적용
1단계로 린6시그마, VE, TRIZ의 방법론과 Tool에서 방법론과 기법들을 분석하여 융합한 SVT 방법론을 제안한 후, 2단계로 AI를 통한 강화된 AI-SVT 방법론을 개발하였다.
AI-SVT를 실제 사례에 적용하여 Table 14와 같이 최종 Idea 대안들로 6개가 도출되었다. 개별 대안들의 방법론 적용 과정을 살펴보면, Figure 7, 8처럼, 1번 대안은 린6시그마 Measure 단계에서, 선택 매트릭스 ⓑ Step에 따라 TRIZ(물리적 모순 +자원 분석표 + 분리의 법칙), 자원 분석표는 AI를 활용하여 외부 자원인 "주전원"이 도출된 경우이다. 이를 이용하여 "주전원 인가와 송풍기 팬의 동작하는 시간을 분리한다"라는 최종 아이디어가 얻어진다. Figure 9, 10처럼, 5번 대안은 린6시그마 Measure 단계에서, 선택 매트릭스 ⓐ Step에 따라 VE의 기능 분석 시스템 기법(FAST)을 통해 ‘고정력의 전달’ 기능의 중복성을 확인하였고, 여지분석(Redundancy)과 AI를 활용한 자원 분석을 통해 스페이서와 두꺼운 고무패드라는 유용한 자원을 발굴하였다. 최종적으로 TRIZ(기술적 모순+자원 분석표+발명 원리(#16: 초과 나 과부족)), AI 증강 및 TRIZ(#24: 중간 매개체(Intermediary)에 의해, 중간 고정 매개체를 이용한 정비성 향상 대안이 나왔다. 이를 이용하여 "팬 구조물의 고정대 사이 틈새를 스페이서 적용한 후, 늘어난 틈만큼 송풍기와 고정대 사이에 두꺼운 고무패드를 적용한다" 라는 구체적인 아이디어를 도출하였다. 즉, 2개 모두, AI-SVT의 세부 option step을 거치면서, 대안들이 증강되고 개수와 완성도가 향상됨을 확인할 수 있었다.
4.4 방법론 결과 비교
본 연구는 AutoTRIZ(Table 13, 4개)와 AI-SVT 방법론(Table 14, 6개) 방법론으로 도출된 아이디어 대안을 객관적으로 비교하기 위해 Table 15와 같이 Pugh Matrix 평가를 수행하였다. 평가 기준은 TRIZ의 핵심 평가 기준(Kim, 2018)을 본 연구의 사례에 맞게 재구성하였으며, 기준별 가중치는 방산 분야 품질 전문가 5인의 FGI(Focus Group Interview)를 통해 중요도에 따라 1~5점으로 설정하였다. 비교기준(Reference)는 문제 정의 단계에서 언급한 기존 개선안으로 하였다.
Pugh Matrix 평가 결과, AI-SVT는 총 6개의 대안을 도출하여 AutoTRIZ(4개) 대비 양적으로 우수했다. 질적 측면에서, AI-SVT는 3개의 대안이 기준안보다 높은 총점을 획득했으나, AutoTRIZ는 기준안을 상회하는 대안이 없었다. 특히 AI-SVT 대안이 '신규 유해 효과 생성'이 적고 '자원 활용성'이 높게 나타난 이유는, 방법론에 내재된 VE의 기능-비용 분석이 현실성과 효율성을 사전에 검토하고, 린6시그마의 DMAIC 절차가 개선안의 부작용을 체계적으로 검증했기 때문으로 분석된다. 이는 AutoTRIZ의 한계로 지적된 피상성을 극복한 핵심 요인이다.
개별 항목을 세부적으로 분석한 결과, AutoTRIZ의 대안들은 '신규 유해 효과 생성(Criteria #3)' 및 '시스템 복잡성(Criteria #4)' 항목에서 부정적인 평가를 받았다. 이는 개선에 따른 부작용이나 복잡화를 충분히 고려하지 못했음을 시사한다. 또한, '자원 이용성(Criteria #6)' 점수가 낮은 것은 4.2.2절에서 분석한 LLM 고유의 한계(입력 의존성, 피상성)와 연관된다. 즉, AutoTRIZ는 LLM이 입력된 문제에 대해 유사 특허를 신속하게 참조하여 '특허 가능성(Criteria #7)'이 높은 제안을 하는 데는 강점이 있으나, 실용성이나 현장 자원을 고려하는 데는 한계를 보였다.
반면, AI-SVT는 기능 항목군(유해 효과, 복잡성)과 활용 항목군(자원 이용성) 모두에서 상대적으로 우수한 평가를 받았다. '신규 유해 효과 생성' 항목의 우수성은 린6시그마의 관리(Control) 단계가 잠재적 리스크를 검토하도록 절차화한 결과이며, '쉬운 자원 이용성'의 확보는 VE의 기능 분석과 TRIZ의 자원 분석이 시스템 내외부의 미활용 자원을 체계적으로 탐색하도록 유도한 결과로 해석된다.
종합적으로, AutoTRIZ는 특허성과 유용 기능 유지 측면에서 강점을 보였으나, AI-SVT는 유해 효과를 억제하고 시스템 복잡성을 낮추며 가용자원을 효과적으로 활용하는, 실용성과 현장 접근성이 높은 현실적인 개선 아이디어를 도출하는데 더욱 강점이 있음을 확인하였다.
5. 토론과 시사점
5.1 연구의 의의 및 기여점
본 연구 결과는 학문적, 실무적으로 중요한 기여점을 가진다. 먼저, 본 연구의 학문적 기여는 다음과 같이 요약할 수 있다. 첫째, 기존의 단일 융합 연구를 넘어, 린6시그마-VE-TRIZ를 AI와 통합한 "포괄적 프레임워크(AI-SVT)"를 제안하고, 이를 실제 사례에 적용하여 대안적 방법론(AutoTRIZ)과 실증적으로 비교 분석한 선도적 연구라는 점이다. 본 연구가 기존의 'AI +단일 방법론'의 연구를 넘어 "AI 기반의 융합 방법론"이라는 새로운 연구 분야를 개척했으며, 그 구체적인 프레임워크와 실증 사례를 제시했다. 본 연구의 배경 논문들(Park, 2023)에서는 AI+TRIZ, TRIZ+QC-story, Big Data+린6시그마의 개별 융합이며, 내부의 기법들에 대한 다양한 분석이 없는 데 반해, 본 연구는 체계적인 분석과 방법론에 기반한 비교 연구라는 점이 차별점을 둔다. 단순히 융합 가능성을 보인 것을 넘어, 1) 베이스라인 모델(AutoTRIZ)을 적용하고, 2) 그 구조적 한계(LLM의 특징인, 입력 제한성, 원인접근의 피상성)을 명확히 분석한 뒤, 3) 이를 극복하기 위한 고도화된 대안(1단계 VE+TRIZ+DMAIC 융합, 2단계 AI 융합)을 체계적으로 검증했다는 점에서 기술 최적화 연구의 완결된 로드맵을 제시한 최초의 연구라는 점에서 학문적 의의가 크다. 둘째, DMADOV라는 체계적 개발 방법론을 통해 AI를 통한 방법론 개발 연구의 완결된 로드맵을 제시했다는 점이다. 기존 TRIZ와 AI를 융합하여 적용함이 가능하다는 수준의 연구가 아닌, 실제 방산업체 엔지니어들이 사용할 점을 고려하여, 최대한 활용도를 감안한 연구를 수행하였다. 품질 개선 방법론(DMADOV, PUGH Matrix) 등을 활용하여 각 설계 단계별 요구사항과 설계기능, 내용과의 연계를 논리적으로 보였고, 산출물의 결과를 직접 확인하면서 개발한 맞춤형 개발이었다. 과제 초기 설정한 품질 보증 능력을 향상하는데 유효함 및 개선의 안정성을 프로젝트-Y별로 개선 유무를 확인하였고, 각 개선 제안들의 특성별 차이를 효과성, 실효성, 고유성 관점으로 정량적으로 확인했으며, 진행된 방법론에 대한 step별 사용 차이 등을 또한 6가지로 분석, 입증을 수행하였다. 국방 품질 분야에서 품질 발생 사례 Case의 문제 사항 분석에서 시작하여, 최종 사용 가능성 평가를 하여 품질 분야에 맞는 연구 절차를 수행함으로써, 향후 품질 개선의 파급과 연속성을 고려한 연구였다.
실무적 기여는 첫째, 방위 산업 현장에서 엔지니어와 품질 관리자가 본 방법론을 어떻게 활용할 수 있는지 구체적인 가이드라인을 제시할 수 있다. 예를 들어, 신규 무기체계 개발의 개념 설계 단계에서는 AI+VE 모듈을, 양산 안정화 단계에서는 린6시그마+AI 모듈을, 기술적 난제 해결 시에는 AI+TRIZ 모듈을 선택적으로 활용할 수 있다. 둘째, AI에 의한 개발, 개선의 단점을 커버할 수 있는 논리성, 근본적 분석 가능성을 보완한 개발 과정을 제시하였다. 입력에 한하여 확률적으로 해답을 찾는 피상성, 근본원인에 대해서는 반복 검토 과정과 구조적 분석이 되지 않은 피상성을 해결하기 위한 VE, TRIZ를 활용하는 방법을 제시하였다. 셋째, AI에 대한 개선, 혁신에 대한 가능성과 시간, 구조, 개별 기법에 대한 분석을 TRIZ의 분석 기법으로 상세히 하여 융합 가능성을 확인하였다. TESE(기술진화법칙), 9-Windows, 발명원리 등의 TRIZ 분석으로 AI의 세부 요소들이 어떻게 품질 개선에 도움이 될지 분석함으로써, AGI, AI-Chatbot, Physical AI와 같은 AI 활용의 성장 단계에 개선 활용의 과정 및 배경에 대한 시사점을 다룬 연구이다. 품질보증 및 품질개선 능력을 체계적으로 평가하고 개선할 수 있는 기반의 세분화 및 방법을 제시하였다는 점에서 그 의의가 있다.
5.2 연구의 한계점 및 향후 연구 방향
본 연구의 한계점은 다음과 같다. 첫째, 시간과 지원의 한계로 참여 인력을 개발팀, 품질팀 내 특정 부서 인원과 단일 개선 테마 사례를 통한 실증 분석이라는 한계를 가진다. 따라서 향후 연구에서는 다양한 방산 분야(예: 항공, 유도무기, 지상장비)에 추가 검증하여 방법론의 일반화 가능성을 검증할 필요가 있다. 물론, 다른 산업(예: 반도체, 바이오, 서비스업)에 적용한다면, 본 방법론에서 염두에 둔 SE 기반의 step의 연결, tool의 배치가 해당 업종의 제품, 공정 특성에 따른 잠재적 고려사항과 비교하거나 수정/조정의 필요성이 있다. 둘째, 제안된 방법론이 개념적 프레임워크에 머물러 있다는 점에서, 향후에는 AI 증강 기능(Figure 3, 4)을 실제 소프트웨어로 구현하고, 사용성 평가(Usability Test)를 통해 현장 적용성을 높이는 연구를 제안한다. 셋째, 본 연구에서 제언한 방법론이 이제 파일럿 과정으로서, 향후 수년간의 수행되고 해당 방법론에 대한 성공 정책에 대한 연구가 진행되고, 타 주제에 대해서 성과도 검증하여 실증분석이 이루어져야 한다고 생각한다.
종합하자면, 급변하는 최신 기술을 생산 현장에 접목하려는 과정에서 제한점을 개선, 발전하기 위해 제품 분야, 제품 생애 주기 단계, 보안성 및 도구의 다양성 등을 팀 외부의 전문가들과 협력하여 연구 범위를 넓혀야 한다. 이를 통해 범용화되고 시의적절한 방법론을 확보하며, 연구 결과의 객관성과 신뢰성을 제고할 수 있다고 보인다.
6. 결론
6.1 연구 요약
본 연구는 방위산업의 ‘품질 4.0’ 활동의 일환으로, AI를 활용하여 품질 개선을 효과적으로 추진하는 지능형 방법론 개발을 목표로 하였다. 연구 초기, DMADOV 방법론에 따라 LLM 기반의 AutoTRIZ를 베이스라인으로 선정하고 실제 사례에 적용하였다. 그 결과 4개의 개선안을 도출하였으나, 제안된 아이디어들이 낮은 자원 활용성 및 높은 투자 비용을 요구하여 실용적 적용에 근본적인 한계를 보임에 따라, 고도화된 방법론의 필요성이 대두되었다. 이러한 한계를 극복하고자, 후속 최적화 연구에서는 논리적 절차(DMAIC), 가치 분석(VE), 창의적 해결(TRIZ)을 융합한 SVT 방법론을 개발하고, AI 기술로 각 세부 단계를 증강하는 AI-SVT를 최종 제안하였다. AI-SVT를 동일 사례에 적용한 결과, AutoTRIZ 대비 50% 더 많은 대안을 창출하면서도 실제 적용성과 자원 활용성이 향상된 아이디어를 도출함으로써 제안 방법론의 효율성과 실용성을 입증하였다. 본 연구를 통해 도출된 최종 방법론은 실무 적용성 평가에서도 설정된 목표치에 근접한 결과를 보였으며, 이는 최신 AI 기술이 국방 품질 개선 분야에 효과적으로 통합, 적용될 수 있음을 시사한다.
6.2 제언
본 연구 결과를 바탕으로 다음과 같은 실무적, 정책적 제언을 할 수 있다. 첫째, 기업은 담당자의 과거 기억에 기반한 경험적 개선이나 일회성 부품 교체 방식에서 벗어나야 한다. 대신, 개선 방법론을 정예화하고 이를 분야별로 전문화된 시스템으로 구축하여 활용하도록 지원해야 한다. 품질 보증 측면에서 업체의 개선 능력을 방법론으로 형식지화하여 그 과정을 분석함으로써 그 노하우를 공유하면서도, AI나 선진 기법으로 불량 개선 과정을 좀 더 고도화하여 시장 불량 시간을 단축하고 품질비용을 낮추어 경영 전반에 이바지할 수 있을 것으로 판단된다. 둘째, 품질 인력들은 방산업 생산 사이클 내의 단계별 구성품 별 해결안에 대한 지속적인 연구가 필요하다. 단순히 불량 부품의 일회성 교체를 통한 해결에 멈추지 말고, 급변하는 새로운 트렌드의 기술에 대한 비교, 검토, 적용이 상시화되어야 한다. 셋째, 정부와 기관은 개선 과정 및 적용하는 방법과 인적 능력 수준을 고려한 품질의 개선 수준을 체계적으로 진단하고 맞춤형 교육과 과제를 제공하여 품질 개선을 지원해야 한다. AI를 활용한 개선 방법과 기법의 표준화 및 절차의 정책 변경 등도 고려해야 한다. 결론적으로 본 연구는 '국방 품질 4.0' 시대에 부응하는 새로운 지능형 품질개선 방법론의 청사진을 제시했다는 점에서 중요한 학문적·실무적 의의를 가진다. 제안된 AI-SVT 방법론은 향후 방위산업뿐만 아니라 복잡한 시스템의 품질 문제를 다루는 다양한 첨단 산업 분야로 확장될 수 있는 잠재력을 가지며, 이는 후속 연구를 통해 지속적으로 탐구될 가치가 있다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation 
Print 
