안전 문화가 성숙해짐에 따라 제조·산업 기업은 필연적으로 중상해 사고만 집계하던 수준을 넘어 미세 부상, 위험 상황, 협력업체 사고까지 기록하게 됩니다. 이러한 투명성은 리스크에 대한 객관적인 시야를 제공하지만 안전보건 부서의 업무 부담을 기하급수적으로 늘립니다. 문서 유입량이 전문가들의 검토 역량을 초과하면서 분석 품질이 저하되는 것입니다. 목재 산업 지주회사 Sveza 소속 안전보건 매니저인 Arina Kuzyukova 연사가 판재 사업부 사례를 바탕으로 분석의 깊이를 유지하면서 초동 조사 감사를 자동화하는 방법을 소개합니다.
자작나무 합판 제조 현장은 20세기 초에 지어진 일부 공장의 오래된 건축물과 최신 설비, 원목 열수 처리 수조, 열압 프레스, 절삭 공구, 빈번한 지게차 이동이 공존하는 환경입니다. 2015년 당시 전사 통계는 연간 약 30~40건 수준의 심각한 사고만 다루었기 때문에 수작업으로도 면밀한 검토와 보완이 가능했습니다. 그러나 2018년에 미세 부상과 아차사고를 집계 대상에 포함하고, 2020년에 협력업체 인력과 관련된 모든 사고까지 범위를 확대하자 수십 건이던 보고서가 수백 건으로 불어나면서 세 가지 구조적 장벽이 드러났습니다.
방법론 담당자의 반복 업무를 줄이고 현장 관리자가 보고서 작성 단계부터 도움을 받을 수 있도록 회사는 사내 사고 조사 표준, 5 Whys 기법, SMART 기준을 언어 모델용 시스템 프롬프트와 규칙 체계로 전환했습니다. 이 솔루션은 개인정보와 민감 데이터 유출을 원천 차단하기 위해 사내 보안 망 내부에 구축되었으며, 스마트폰이나 컴퓨터에서 익숙한 사내 챗봇을 통해 바로 접속할 수 있습니다. 어시스턴트 지식 베이스에는 사내 규정과 작업 표준서가 통합되어 있어 작업반장이 별도의 IT 서비스를 찾거나 수동으로 표준 문서를 대조할 필요가 없습니다.
챗봇 내 보고서 작성 및 검토 과정은 순차적인 분석 필터 구조로 설계되었습니다.
초동 감사 자동화를 통해 보고서 1건당 검토 및 보완 시간은 며칠에서 몇 분 수준으로 평균 82% 단축되었습니다. 신속한 피드백 덕분에 조사 보고서의 최종 승인이 빨라졌으며, 현장의 역량도 서류 왕복이 아닌 재발 방지를 위한 공학적·시스템적 방어벽 구축에 집중될 수 있었습니다. 동시에 이번 발표에서는 기술의 한계선도 명확히 짚습니다. 신경망 모델은 논리 훈련 도구이자 교정 보조자일 뿐 최종 승인 주체가 아니며, 이해관계가 얽힌 부서장의 사실 은폐까지 스스로 적발해 낼 수는 없습니다.
Sveza 내부에서는 데이터 신뢰성 문제를 조직적 장치와 안전 문화 발전으로 해결하고 있습니다. 조사 위원회에 전문 방법론 담당자, 지주사 전문가, 그룹 내 타 사업장의 독립 전문가를 참여시키고, 반복 발생 사고는 매 건 개별 조사하되 구조적 결함은 사업장 또는 사업부 단위의 표적 개선 프로젝트로 묶어 해결합니다. 또한 AI 도구 자체의 고도화를 위해 목격자 면담 시나리오 생성, 현장 작업자가 이해하기 쉬운 언어로 작성된 안전 포스터 및 5분 안전 조회 자료 자동 발행 기능을 챗봇에 확대 적용하고 있으며, 위험성 평가용 어시스턴트 개발과 더불어 리더십 안전 감사, 안전 교육 진행, 인터뷰 기반 안전 문화 진단을 연습할 수 있는 대화형 시뮬레이터도 테스트하고 있습니다.