한국생산기술연구원 바이오메디칼생산기술센터에서 약 13개월간 카테터 제조 개발 업무를 하며, 현장에 데이터는 쌓이지만 제대로 쓰이지 못한다는 한계를 느꼈습니다. 카테터 성능 시험은 7~9회의 반복 측정 결과를 직접 선별하고 CSV 값을 수작업으로 변환해 그래프를 만들어야 해서 샘플 하나에 2시간 이상이 걸렸고, 국내 의료기기 기업 5곳에서 의뢰한 시료 19종마다 같은 작업이 반복됐습니다. 벌룬 성형 장비는 압력과 온도 값이 장비 화면에만 보이고 기록이 남지 않아, 같은 조건에도 외경이 7.5mm에서 8.4mm까지 달라지고 절반이 성형 중에 터졌지만 원인을 찾을 근거가 없었습니다.

그래서 먼저 반복되는 작업의 처리 기준을 정리했습니다. 측정 결과 중 무엇을 고르고, 어떤 형식으로 바꿔, 어떤 그래프로 그릴지를 단계로 나눠 LLM에 요청하고, 나온 결과를 실제 측정 파일과 대조하며 고쳤습니다. 성능 시험 장비에는 오프라인 로컬 LLM(Gemma)을 구축해 누적되는 측정 데이터를 자동으로 분석하고, 유사도가 높은 결과 선별부터 Origin 그래프 제작까지 한 번에 처리하도록 구현했습니다. 벌룬 성형 장비는 장비 소프트웨어를 LLM으로 분석해 TCP로 전달되는 센서 값을 수집하는 프로그램을 만들고, 기록한 값을 그래프와 성형 조건 대시보드로 볼 수 있게 했습니다.

그 결과 샘플당 2시간 이상 걸리던 작업을 약 5분 만에 완료할 수 있었습니다. 외부 업체의 샘플 평가에도 적용해 서로 다른 형식의 결과를 동일한 기준으로 정리할 수 있도록 확장했고, 원시 파일에서 바로 변환하니 손으로 옮겨 적을 때 생기던 오류 가능성도 없어졌습니다. 벌룬 성형에서는 기록한 데이터로 벌룬 52개 중 51개가 조건에 상관없이 오른쪽으로 밀린 상태로 제작되고, heating block 온도가 90~110℃ 사이에서 불균일하게 변한다는 것을 발견했습니다. 이후 gripper와 heating block을 새로 제작해 같은 조건에서 발생하던 외경 편차를 0.15mm로 줄일 수 있었습니다.

제 방식의 핵심은 AI를 한 번 쓰고 끝나는 도구가 아니라 결과를 검증하는 시스템으로 운영하는 것입니다. AI는 실수를 책임지지 않기 때문에, 사람이 AI를 감당할 수 있는 구조가 먼저 있어야 한다고 생각했습니다. 그래서 claude code에 rule과 skill 문서로 작업 기준을 정하고, hook 검사로 차단할 작업과 권고로 남길 작업을 나눴습니다. claude code에서 codex를 호출하는 교차 검증 구조를 만들어 반박 검토와 리뷰로 환각과 작업 누락을 줄였고, 작업 난이도에 따라 fable-astra, opus-sol, sonnet-luna로 모델을 나눠 작업 시간과 토큰 낭비를 줄였습니다. 같은 환경으로 Tip-Die 설계와 점탄성 이론처럼 낯선 압출 개념을 익힐 때는 codex로 논문 3,800편을 모으고 workflow로 내용을 정리해, 4일 만에 90p 학습 자료를 만들어 팀에 공유했습니다.

이 방식은 누구나 따라 할 수 있습니다. 저도 처음에는 CLI 기반 AI가 익숙하지 않았지만, 대화로 질문하고 테스트하며 hook, rule, skill 같은 구성 요소의 역할을 익혔습니다. 첫째, 반복되는 작업을 골라 처리 기준을 단계로 나눕니다. 둘째, 그 기준대로 AI에게 도구를 만들게 하고 다른 AI에게 한 번 더 검토시킵니다. 셋째, 결과를 실제 원본 파일과 대조해 확인한 뒤에만 업무에 씁니다. 완성한 성능 시험 프로그램은 클릭 2회로 실행되어 담당자가 바뀌어도 같은 절차로 자료를 만들 수 있고, FT-IR 변환 과정도 절차 문서로 정리해 다음 조가 그대로 재사용할 수 있게 했습니다. 실험실이든 사무실이든 반복 작업과 쌓인 데이터가 있다면 같은 방식으로 시작할 수 있습니다.