① 어떤 상황에서 AI를 활용했나요?
항공정비 현장에서 쌓은 경험과 업무 기준을 시스템으로 구현하고, 축적된 데이터를 차기 도래하는 정비작업에 활용하고자 AI를 사용했습니다. 기존에는 엑셀 8개에 나뉜 자료를 관리하면서 현장 메모를 사무실에서 다시 입력하고, 작업 후 관련 데이터를 각각 파일에 갱신하였습니다. 과거 동일 증상의 결함조치 내용을 찾을 때도 기억에 의존해 연도별 작업지시서 목록을 하나씩 확인해야 하는 불편함이 있었습니다. 프로그램 개발 경험은 없었지만, 시스템 구현에 필요한 정비업무의 순서와 계산/확인 기준은 설명할 수 있었습니다. 이를 AI에 전달하고 구현 결과를 검산하면서 AMMS(Aircraft Maintenance Management System)를 직접 구축했습니다. 데이터 통합에서 시작해 작업자가 입력한 사진/메모를 AI가 분석하여 작업지시서 초안을 제안하고, 정비기록을 자연어로 검색/요약하며, AI가 직접 AD(감항성개선지시서) 원문을 크롤링하고 검토하여 항공기 정비작업에 적용되는지 확인/문서 초안을 작성하는 기능으로 확대했습니다.
목표는 문서 작성시간을 줄이는 데서 한 걸음 더 나아가는 것입니다. AI가 정리한 내용을 사람이 직접 재확인하고, 검증된 기록을 바탕으로 반복 결함과 정비 기한을 살펴 필요한 부품과 정비 작업을 사전에 준비하는 예측 가능한 정비 문화를 만들어가고자 합니다.

② 어떤 AI를 어떻게 활용했나요?
Claude로 기능을 개발하고 중요한 변경 사항은 Codex에 코드 검토를 요청했습니다. 항공기 비행시간 및 횟수 누계와 부품 자체 사용시간의 차이, 점검주기, 작업지시 종결 후 작업문서 기록 등 현장 규칙을 설명하고, 구현 결과를 기존 계산과 대조했습니다. React-Vite, Python FastAPI, SQLite로 시스템을 구성하고 Claude API를 연계했습니다.
시스템 내부의 AI 역할은 세가지입니다.
입력 지원에서는 현장 사진/메모를 분석해 작업지시서(JOCR)의 작업 내용과 ATA(항공기 계통) 분류를 제안하여 초안을 작성합니다. 실제 수행내용과 부품정보는 정비사가 직접 확인/입력하며, 종결된 기록은 결함관리와 월간보고에 활용합니다.
검색 지원에서는 자연어 질문에 관련된 작업일/조치내용/사용부품을 요약하고 근거 기록과 작업지시서 번호를 제시합니다. 마지막으로 정비사는 원문을 확인해 과거 조치를 참고합니다.
검토 지원에서는 자동으로 크롤링한 공개 AD(감항성개선지시서) 원문에서 적용조건, 요구조치, 기한, 반복주기 등을 추출하여 검토서 초안을 작성합니다. 기존에 사용하고 있는 문서양식을 템플릿으로 지정하여 동일한 형태로 인쇄될 수 있도록 구현하였습니다. 과거 담당자가 검토했던 문서를 참조하여 비교하여 구현했으며 최종 적용 여부와 감항성 판단은 담당자의 역할입니다. AI는 해석/요약/초안을, 프로그램은 정해진 기준에 따른 계산/집계를, 사람은 검증과 최종 판단을 담당하도록 구분했습니다.

③ 활용 결과 어떤 변화가 있었나요?
월간 정비실적보고 작성시간이 약120분에서 30분정도로 줄어 75% 단축됐습니다. 월말마다 작업지시서를 다시 읽고 점검/결함/부품교환 내역을 분류하던 업무를 누적 기록의 자동 집계와 최종 확인 방식으로 바꿨습니다. 작업지시서 생성은 약6분에서 1분으로 83%정도, 비행실적 정리는 15분에서 3분으로 80% 단축됐습니다. AI 검색 등을 활용한 과거 이력 확인도 약 15분에서 2분 수준으로 줄었습니다. 모두 사용 경험에 따른 추정 평균이며, AI와 업무 자동화를 함께 활용한 AMMS 전체의 효과라고 생각합니다.
기록의 활용 방식도 달라졌습니다. 작업지시서 1,498건, 7년간의 일일 운항실적 670건, 발생된 결함 94건과 결함 관련 사용/교환 기록 131건을 관리하며 과거 조치와 계통/계절별 발생 추이를 확인합니다. 이 수치는 AI 처리 건수가 아닌 저장된 기록 규모입니다. 반복 증상을 살피고 필요한 부품을 미리 확인/준비하는데 활용하고 있습니다.
점검/시한성 부품의 기한과 현재 누계, 예정 비행편수, 평균 비행시간으로 예상 정비일을 산출해 해당 정비작업의 준비 시점을 검토합니다. 복귀 알림은 급유/정비지원 준비시간 조절에 활용합니다. 결함 감소나 안전성 향상을 수치로 입증한 단계는 아니지만, 기록을 찾고 옮기는 업무를 현저히 줄이고 사전 준비에 활용할 기반을 마련했습니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
정비사의 전문지식을 개발의 출발점이자 결과를 검증하는 기준으로 삼았습니다. AI에게 기능 제작만 요청하지 않고, 어떤 값과 원문을 확인해야 하는지, 업무별 계산 기준이 어떻게 다른지 설명했습니다. 계산이 맞지 않으면 직접 검산한 근거를 제시해 수정했습니다. 현장 경험을 AI가 구현할 수 있는 규칙으로 구체화한 과정이 중요했습니다.
운영에서도 AI의 제안을 그대로 공식 기록이나 판단으로 확정하지 않았습니다. 작업내용/부품 식별정보/누계/자동 입력값은 실제 수행내역과 원기록에 대조합니다. AI 검색의 근거 기록을 직접 확인하고, 관련 기록이 없으면 없다고 답하도록 구성했습니다. AD 검토서도 초안으로 사용하며 담당자가 원문을 확인해 판단하도록 구분했습니다. 현재 업무에서는 서명된 종이 문서를 공식 원본으로 보존하고 AMMS는 작성/검색/분석/저장/통계를 지원합니다.
현재도 기존 방식과 AMMS를 병행해 계산값/기록/출력물을 대조하고 있으며, 2027년까지 병행 사용하면서 정확성과 안정성을 검증할 계획입니다. 여기서 ‘예측 가능한 정비’는 AI가 고장을 예언한다는 의미가 아닙니다. 사람이 확인한 이력과 정비기한을 활용해 필요한 작업을 미리 준비하고, 사용 결과를 반영해 업무체계를 계속 개선한다는 의미입니다. 하지만 데이터가 쌓이고 부품의 신뢰성을 검증할만한 시기가 온다면 예측 가능한 정비도 가능할 것이라 생각합니다.

⑤ 다른 사람도 따라 할 수 있나요?
가능합니다. 먼저 자신의 업무에서 반복되는 업무를 정리하고, 처리 순서와 확인 기준을 AI에 설명하는 것부터 시작할 수 있을 것 같습니다. 공개 가능한 예시 자료로 작은 기능을 만들고, 결과를 알고 있는 사례와 비교한 뒤 실제 업무에 단계적으로 적용하는 방식입니다.
핵심은 AI에 모든 판단을 맡기는 것이 아니라 역할을 나누는 것입니다. 문서 해석과 초안 작성은 AI가 지원하고, 수치 계산과 집계는 프로그램으로 처리하며, 현장 사실과 최종 결과는 담당자가 확인해야 합니다. 기존 방식과 병행하면서 오류를 찾고 수정하는 과정도 필요합니다. AMMS 역시 이 과정을 거치며 기록 통합에서 모바일 버전 구현, 모바일 입력, 자연어 검색, AD 검토 초안과 사전 정비 준비로 활용 범위를 넓혔습니다.
이 방식은 설비/장비/검사처럼 전문적인 업무 규칙과 과거 이력이 중요한 분야에도 응용할 수 있습니다. 저에게 가장 큰 변화는 현장의 불편을 아이디어로 남겨두지 않고 직접 구현하고 검증할 수 있게 된 점입니다. 앞으로도 항공정비사의 전문지식과 AI의 업무 지원, 사람의 검증을 연결해 반복업무를 줄이고, 안전운항을 위한 예측 가능한 항공정비문화를 만들어가겠습니다.