ASML이 현장 기록을 AI에 활용하면서 생기는 과제

장비를 잘 아는 사람의 판단을 어떻게 공유할까요

ASML은 반도체 회로를 웨이퍼에 새기는 노광장비를 만들어요. 장비의 성능에는 정밀한 부품과 설계뿐 아니라, 현장에서 장비를 조정하고 문제를 해결해 온 경험도 중요해요.

설명서가 있어도 익숙하지 않은 문제가 생기면 경험 많은 엔지니어를 찾게 되죠. 이런 경험 중 말이나 문서로 충분히 표현하기 어려운 지식을 ‘암묵지’라고 해요. 현장 기록을 많이 모았다고 해서 그 판단 능력까지 모두 확보한 것은 아니에요.

ASML이 AI를 적용하는 과정을 보면서 저는 이 점에 관심이 갔어요. 기록을 활용해 문제를 더 빨리 해결할 수 있다면, 그 기록을 누가 어디에서 다루게 되는지도 중요해지거든요.

ASML이 공개한 AI 활용 사례

ASML은 2026년 6월 발표문에서 AI를 개별 기능뿐 아니라 여러 업무와 시스템에 통합하고 있다고 설명했어요. 프랑스 미스트랄 AI와의 협력이 이 과정에 포함돼요.

첫 적용 분야는 마스크 도안 보정이에요. 빛으로 회로를 옮길 때 생기는 왜곡을 줄이도록 도안을 조정하는 과정이죠. ASML은 이 계산에 10년 넘게 AI를 써왔고, 2026년 1월에는 고객사와 생성형 AI 기능의 초기 검증을 마쳤다고 밝혔어요.

EUV 광원의 설정을 조정하는 일과 전자빔 검사도 포함돼요. 광원의 시행착오를 줄이고, 검사 이미지와 검사 위치를 개선해 장비 성능을 높이려는 작업이에요.

제가 특히 주목한 것은 고장 진단이에요. 오류 로그와 서비스 기록을 분석한 초기 시험에서, 일부 하위 시스템의 오류를 엔지니어와 같은 정확도로 70% 이상 빠르게 식별했다고 발표했어요. 설계 대안도 1만 2,000개 넘게 탐색했다고 해요.

숫자의 범위는 구분해야 해요. 특정 오류를 찾은 결과를 공장 전체의 정지 시간 감소로 읽을 수는 없어요. 설계안을 많이 검토했다는 사실도 채택된 설계의 품질을 곧바로 보여주지는 않고요.

제가 확인하고 싶은 후속 지표는 실제 장비에서 검증된 결과예요. 진단이 맞았더라도 수리와 재가동까지 얼마나 걸렸는지, 선택한 설계가 어떤 성능 개선으로 이어졌는지를 봐야 하죠.

ASML 역시 엔지니어가 문제를 정의하고 실제 환경에서 결과를 검증하는 역할을 강조해요. 현장 경험을 AI가 통째로 대체했다는 발표로 받아들이기는 어려워요.