이 글은 상용차의 엣지 인텔리전스 경제학을 다룬 연재물인 ‘가동 시간 방정식(The Uptime Equation)’의 1부입니다.
간헐적으로 오류 코드가 발생하는 대형 트럭 한 대가 대리점에 들어왔다. 정비사는 가장 가능성이 높은 부품을 교체하고, 오류 코드를 지운 뒤 트럭을 다시 출고시켰다. 3주 후, 같은 오류 코드가 다시 나타나 트럭이 돌아왔다. 그리고 같은 현상이 또다시 발생했다. 네 번째 방문에서야 비로소 누군가가 진짜 원인을 찾아냈다. 바로 오류 코드가 가리킨 위치에서 두 모듈 떨어진 곳에 있는 마모된 배선 하네스였다. 이 일련의 방문으로 인해 해당 차량 운영사는 일주일 중 대부분을 트럭을 사용할 수 없었다. OEM은 고장 나지 않은 부품 3개와 3차례에 걸친 보증 수리 비용을 부담해야 했으며, 다음 차량 교체 시기에 필요할 협력 관계에도 타격을 입게 되었다.
아무도 잘못한 것은 없습니다. 오류 코드는 설계된 대로 정확히 작동했습니다. A J1939 오류 코드(SPN/FMI)는 은 기술자에게 어떤 신호가 예상 범위를 벗어났는지, 그리고 어떤 방식으로 벗어났는지를 알려줍니다. 그 원인은 설명하지 않습니다. 단 하나의 배선이나 커넥터 문제만으로도 여러 모듈에 걸쳐 동시에 오류 코드가 발생할 수 있습니다. 상용차는 수년 동안 텔레매틱스 기반의 유지보수 시스템을 운영해 왔으며, DTC로 트리거되는 작업 지시서, 대시보드, 알림 등이 제공되고 있으며, 이 시스템은 잘 작동합니다. 제한적인 부분은 이 시스템에 입력되는 신호의 해상도입니다.
누락된 맥락이 초래하는 대가
다음에 따르면 ATRI의 ‘2026년 트럭 운송 운영 비용 분석’에 따르면에 따르면, 2025년 트럭 1대당 평균 운영 비용은 마일당 2.336달러에 달해 사상 최고치를 기록했다. 수리 및 유지보수 비용은 8.6% 상승한 마일당 0.215달러를 기록했는데, 이는 통행료를 제외한 모든 항목 중 가장 큰 증가폭이었다. 수리 비용이 상승함에 따라, 모호한 오류 코드로 인해 발생하는 재방문 건마다 더 많은 비용이 소요된다. 진단이 지연되는 경우가 흔한데: 맥킨지의 2026년 설문조사 에 따르면, 애프터서비스 및 품질 담당 임원들을 대상으로 한 조사에서 근본 원인을 확정하는 데 약 7주가 소요되는 것으로 나타났으며, 데이터 품질 저하가 기계 학습( AI )을 활용해 품질 문제를 예측하는 데 있어 주요 장애물로 지적되었다.
OEM의 입장에서 볼 때, 이러한 모호함은 보증 비용으로 나타납니다. ‘ Sonatus ’ 블로그 게시물에서 언급된 바와 같이, 자동차 업계 전반의 보증 비용은 2024년에 580억 달러에 달해 2012년 수준보다 두 배로 증가했습니다. AI 가 해결하기 위해 탄생한 ‘580억 달러 규모의 문제’. 보증에 따라 불필요하게 교체된 모든 부품과 “결함 없음” 판정을 받은 모든 반품 건이 이 수치에 포함됩니다.
가동 시간은 상업용 차량 라인이 다음 차량 함대 계약을 따낼지 여부를 결정하는 데 중요한 요소이며, 차량 함대 운영사들은 구매 요건에 가동 시간과 진단 기능을 점점 더 많이 포함시키고 있다.
맥락이 누락되면 인적 비용도 발생합니다. 경고가 모호하거나, 늦게 전달되거나, 잘못된 경우가 자주 반복되면 운전자는 더 이상 경고를 따르지 않게 되고, 기술자들은 직접 대시보드를 확인하기 시작합니다. 아무도 신뢰하지 않는 경고는 경고가 없는 것보다 더 나쁩니다. 왜냐하면 사람들이 중요한 경고를 무시하도록 만들게 되기 때문입니다.
차량 전체 및 트럭 내부 전반에 걸친 분산 현상
전체 차량 군을 통틀어 볼 때, 브랜드 간 일관성 부족이 문제입니다. '앞으로의 길: 표준화된 상용차 데이터로 새로운 기회 창출', 이 보고서는 차량 함대의 90% 이상이 여러 브랜드의 차량을 혼합하여 운용하고 있으며, 각 브랜드 고유의 신호 형식과 명명 규칙으로 인해 통합이 어렵다는 사실을 강조했습니다. COVESA 는 상용차 텔레매틱스 시장이 2022년 330억 달러에서 2032년 950억 달러로 성장할 것으로 전망하며, 이러한 성장의 기반은 바로 이 파편화된 데이터 계층에 있습니다.
단일 트럭 내에서 문제는 소유권입니다. 대형 트럭 OEM은 통합자 역할도 합니다. 엔진, 변속기, 배기가스 후처리 장치, 브레이크 컨트롤러는 대개 서로 다른 공급업체에서 공급되며, 각 공급업체는 고장 정보를 자신만의 방식으로 보고합니다. OEM은 차량과 보증 관계를 소유하고 있지만, 오류 코드를 발생시키는 모든 ECU를 소유하는 것은 아닙니다. COVESA VSS와 같은 표준은 브랜드 간 오류 코드 명명 체계에 도움을 줍니다. 그러나 이러한 표준은 공급업체 ECU의 오류 코드에 누락된 맥락을 보완해 주지는 못합니다.
‘차량 컨텍스트’가 실제로 무엇을 의미하는가
‘차량 컨텍스트’는 단순히 데이터의 양이 많다는 것을 의미하지 않습니다. 이는 특정 이벤트와 관련된 신호, 시스템 상태 및 이력을 적절한 시점에 포착한 것을 의미합니다:
- 코드뿐만 아니라 결함 주변의 전체적인 맥락을 살펴보세요. 트리거 전후의 신호는 해당 상태가 어떻게 전개되었는지를 보여줍니다.
- 그 순간의 도메인 간 상태. 즉, 엔진, 배기 후처리 장치, 전기 시스템 및 듀티 사이클이 동시에 어떤 상태를 유지하고 있었는지를 의미합니다.
- 이벤트 자체에 의해 트리거되는 수집. 캡처는 모든 내용을 기록하거나 고정된 일정에 따라 샘플링하는 방식이 아니라, 제기된 질문에 초점을 맞춥니다.
- 차량에 기록된 이력. 특정 패턴이 나타나면, 엔지니어는 결함이 재발할 때까지 기다릴 필요 없이 몇 주 전의 기록을 되짚어 볼 수 있습니다.
이것이 바로 다음과 같은 이벤트 기반 데이터 수집의 기본 개념이며 Fastlane™ Collector와 같은 이벤트 기반 데이터 수집의 기본 개념이며, 이는 에이전틱 루프의 ‘Collect’ 단계에 해당합니다. 또한 데이터의 활용 목적도 변화시킵니다. 맥락이 없는 오류 코드는 작업 지시를 생성하는 데는 사용할 수 있지만, 예측 모델을 훈련시키는 데는 부적합한 자료입니다. 모호한 레이블로 훈련된 모델은 그 모호함까지 학습해 버리기 때문입니다. 맥락이 풍부한 이벤트 데이터야말로 AI/ML 기반 예측을 실현 가능하게 만드는 핵심 요소입니다. 이에 대해서는 이 시리즈의 후속 편에서 다시 다루겠습니다.
왜 이것이 차량에 따라 결정되는가
더 나은 대시보드라고 해도 차량이 한 번도 포착하지 못한 상황 정보를 복원할 수는 없습니다. 차량 상황 정보는 이벤트 발생 전후 몇 초 동안 차량 내 에지(edge)에서, 플랫폼이 감지·저장·전송하도록 설계된 기능을 통해 결정됩니다. 따라서 이는 OEM의 아키텍처 결정 사항입니다. 차량 운용사들은 이러한 문제를 체감하고, 구매 요구 사항을 통해 이를 상위 단계로 전달합니다. OEM의 플랫폼 및 E/E 아키텍처 팀이야말로 이 문제를 해결할 수 있는 주체입니다.
이러한 맥락을 파악하는 데는 센서, 온보드 연산, 저장 공간, 대역폭 등 일정한 비용이 소요됩니다. OEM 업체들은 승용차에 비해 마진이 적고 생산량이 적은 상용차 라인 전반에 걸쳐 자재명세서(BOM) 비용을 관리해야 하므로, 이는 결코 가볍게 내릴 수 있는 결정이 아닙니다. 결국 두 가지 선택지로 귀결됩니다. OEM 업체는 더 높은 성능을 갖춘 하드웨어를 도입해 정밀한 데이터를 확보하거나, 차량에 이미 탑재된 하드웨어로도 충분한 데이터를 얻을 수 있을 만큼 효율적인 소프트웨어를 개발해야 합니다.
결론: 상업용 차량 함대는 이미 차량 데이터를 기반으로 운영되고 있습니다. 문제는 차량의 맥락입니다. 오류 코드는 고장 난 부품이 아니라 모니터링 대상 매개변수를 표시할 뿐이며, 이러한 모호성으로 인해 반복 수리, 보증 비용 증가, 경보 피로, 그리고 AI 에 활용하기에는 너무 거친 훈련 데이터가 발생합니다. 이를 해결하는 것은 이벤트 발생 시점, 즉 차량 현장에서 이루어지는 OEM 플랫폼의 결정이며, 이는 제2부에서 다룰 비용 상의 절충을 요구합니다.