AI Agent의 핵심 아키텍처는 보통 인지, 계획, 메모리, 도구 호출, 실행 피드백의 다섯 부분으로 구성됩니다. 대규모 모델이 추론 엔진 역할을 하며 사용자 목표를 실행 가능한 단계로 분해하고 인터페이스를 통해 동작을 완료합니다.
1. AI Agent가 해결하는 문제와 챗봇과의 차이
챗봇은 무엇인지에 답하고 AI Agent는 어떻게 완수할지를 해결합니다. 전자는 한 번의 문답으로 끝나지만 후자는 목표를 받아 과제를 스스로 분해하고 도구를 찾고 결과를 확인한 뒤 접근 방식을 조정합니다. 이 차이가 둘을 가르는 경계입니다.
제조업 맥락에서 이 차이는 매우 실용적입니다. 전자 공장의 MES가 매일 긴급 주문 삽입, 자재 부족, 설비 알람을 대량으로 발생시키고 전통적 방식에서는 계획 담당자가 하나하나 판단해 일정을 수동으로 바꾸는 상황을 가정합니다. 챗봇은 자재 부족이 작업지시 세 건에 영향을 준다고 알려 줄 수만 있지만, 에이전트는 자재 입고 시점을 확인하고 설비 능력을 검토해 일정 재조정안을 제안하고 확인 후 MES에 기록할 수 있습니다.
업계는 흔히 에이전트를 다섯 계층으로 나눕니다. 인지 계층은 텍스트, 이미지, 센서 데이터, 시스템 메시지를 받고, 계획 계층은 대규모 모델로 과제 분해와 경로 선택을 수행하며, 메모리 계층은 단기 문맥과 장기 지식 베이스를 분리하고, 도구 계층은 MES, SCADA, WMS, 설비 인터페이스를 호출 가능한 함수로 감싸며, 실행 계층은 동작을 수행하고 결과를 반환합니다. 계층은 고립되지 않고 상태 전달을 통해 루프를 형성합니다.
2. 기술 원리와 핵심 능력
핵심은 대규모 모델 추론과 도구 오케스트레이션입니다. 대규모 모델이 설비를 직접 제어하지는 않으며 출력하는 것은 구조화된 호출 의도입니다. 예를 들어 OPC-UA 규격에 맞는 읽기 쓰기 요청이나 REST 인터페이스용 파라미터 세트를 생성합니다. 실제 읽기와 쓰기는 도구 계층이 수행하고 결과가 모델로 돌아가 판단을 거치며 루프를 형성합니다.
메모리 계층은 에이전트가 쓸수록 나아지는지를 결정합니다. 단기 메모리는 컨텍스트 윈도로 관리하고 장기 메모리는 보통 벡터 저장소와 구조화 지식 그래프를 사용해 설비 대장, 공정 파라미터, 과거 작업지시를 보존합니다. 장기 메모리가 없으면 에이전트는 과제마다 처음부터 시작해야 하고 현장 특화 경험을 축적할 수 없습니다.
피드백 단계는 쉽게 간과됩니다. 산업 시나리오는 추적성을 요구하므로 실행 계층은 보통 영수 검증이 필요합니다. MES에 기록한 작업지시 번호가 정상 생성되었는지, PLC 명령이 접수 확인되었는지, 비전 검사 결과가 저장되었는지 확인해야 합니다. 영수 검증이 없으면 시연은 매끄러워 보이지만 가동 순간 생산이 어긋납니다.
3. 전형적 제조 시나리오
자동차 부품 기업의 가공 작업장에서 설비 알람이 잦고 원인이 분산되어 있다고 가정합니다. SCADA 실시간 데이터에 연결된 에이전트는 먼저 알람을 코드별로 군집화한 뒤 해당 설비의 정비 기록과 공구 수명 데이터를 조회해 현재 알람이 알려진 반복 문제인지, 신규 고장인지, 센서 드리프트에 의한 오작동인지 판단합니다. 결론은 작업지시 비고로 기록되어 다음 발생 시 더 빠르게 처리됩니다.
다음은 전자 공장의 SMT 모델 교체 시나리오입니다. 모델 교체에는 스텐실, 피더 스테이션, 프로그램, 초도품 확인이 관련됩니다. 에이전트는 작업지시별로 BOM과 스테이션 표를 읽고 자재 충족 여부를 확인하며 해당 제품의 실장 프로그램을 호출하고 초도품 체크리스트를 생성해, 엔지니어가 여러 시스템을 조회해야 했던 과정을 하나의 진입점으로 바꿉니다.
또 다른 방향은 품질 추적 문답입니다. 사출 성형 기업이 고객으로부터 특정 배치의 치수 편차를 설명해 달라는 요청을 받았을 때, 에이전트는 원재료 배치, 금형 온도 곡선, 보압 파라미터, 검사 기록을 연결해 데이터 흔적이 있는 보고서를 만들 수 있습니다. 누군가 이틀 동안 시스템을 뒤질 필요가 없습니다.
4. 선정과 배포 시 주의할 점
통합 방식을 어떻게 선택할 것인가. 먼저 대상 시스템에 개방 인터페이스가 있는지 확인하십시오. MES와 ERP는 대개 REST나 데이터베이스 인터페이스를 제공하지만 PLC와 CNC 같은 설비 계층은 보통 OPC-UA, Modbus, 게이트웨이가 필요합니다. 모든 데이터를 읽을 수 있다고 가정하지 말고 필드 단위로 확인하십시오.
하드웨어와 배포 조건을 어떻게 정의할 것인가. 대규모 모델 추론은 클라우드 API나 로컬 배포를 사용할 수 있습니다. 공정 파라미터와 고객 도면 같은 민감 데이터가 관련되면 로컬 배포가 더 안전하며 이때 GPU 메모리와 동시성을 평가해야 합니다. 도구 계층은 보통 사내 서버나 엣지 노드에서 실행됩니다.
구현에 얼마나 걸리는가. 알람 원인 귀속과 추적 문답 같은 단일 지점 시나리오는 인터페이스가 명확하면 수 주 내에 가동할 수 있고, 시스템 간 스케줄링 에이전트는 여러 인터페이스와 데이터 거버넌스를 수반해 보통 수 개월이 걸립니다. 주기 길이는 주로 인터페이스 준비도와 데이터 품질에 달려 있으며 에이전트 코드 자체와는 관계가 적습니다.
흔한 오해가 두 가지 있습니다. 첫째, 에이전트를 범용 인터페이스로 보고 데이터 거버넌스를 우회해 모든 것을 운영하기를 기대하는 것으로, 잘못된 파라미터와 유실된 영수를 낳습니다. 둘째, 영수 검증 없이 시연만 만드는 것으로, 데모에서는 매끄럽지만 생산에서는 실패합니다.
5. AI Agent가 적합한 곳과 그렇지 않은 곳
적합한 시나리오는 세 가지 특성을 갖습니다. 과제에 명확한 목표가 있으나 단계가 완전히 고정되지 않은 경우, 예를 들어 고장 진단, 일정 조정, 추적 분석이 그렇습니다. 시스템 인터페이스가 비교적 표준적이고 데이터를 읽고 쓸 수 있어야 합니다. 추적성은 필요하지만 초 단위 이하 지연은 필요하지 않아야 합니다.
적합하지 않은 시나리오도 분명합니다. 서보 동기화와 고속 플라잉 셔 같은 밀리초 폐쇄 루프 제어는 PLC와 모션 컨트롤러가 처리해야 하며 에이전트는 실시간 루프에 들어가지 않습니다. 반사율이 높거나 변형이 큰 부품의 비전 검사는 전용 비전 솔루션이 필요합니다. 안전 인터록 제어는 절대 확률적 추론에 맡겨서는 안 됩니다.
ERP 시대부터 수십 년간 구축된 산업 기반, 120만 고객과 수천만 단말을 국내외 시장에 배치한 경험은 한 가지를 보여 줍니다. 에이전트의 가치는 모델이 얼마나 강한지가 아니라 기존 시스템 체인에 얼마나 잘 꽂히는지에 있습니다. 아키텍처 설계가 모델 선택보다 중요합니다.