지난 2년간 대규모 모델은 대화를 완성했지만 기업은 대화가 직접적 가치를 만들지 못한다는 것을 곧 발견했다. 사람들이 기꺼이 비용을 지불하게 만드는 것은 소프트웨어가 한 가지 일을 처음부터 끝까지 스스로 처리할 수 있는지다. AI Agent가 무대 중앙으로 밀려난 배경이 여기에 있다. 지능형 제조 업계에서는 MES 도입 여부 같은 옛 주제보다 더 자주 논의된다.
1. AI Agent의 핵심 정의: 챗봇이 아니라 손발이 있는 실행 단위
한 문장으로 정의하면, AI Agent는 대규모 모델을 추론 핵심으로 삼아 목표를 자율적으로 분해하고 외부 도구를 호출하며 피드백에 따라 행동을 조정하고 과제가 완료될 때까지 계속 실행할 수 있는 소프트웨어 개체다.
세 가지 키워드로 풀어보자. 자율성은 사람이 단계가 아니라 목표만 준다는 뜻이다. 예를 들어 세 라인의 이번 주 예외 작업지시를 우선순위대로 정렬하고 담당자에게 알린다는 목표만 주고, 데이터를 어떻게 조회하고 우선순위를 어떻게 판단하며 어떤 메시지를 보낼지는 에이전트가 스스로 정한다. 도구 호출은 실제 시스템을 조작할 수 있다는 뜻이다. 데이터베이스를 읽고, 설비 인터페이스를 호출하고, 작업지시를 쓰고, 메일을 보낼 수 있으며 텍스트 생성에 머물지 않는다. 폐루프는 실행 결과를 확인하고 실패하면 한 번 답을 내고 멈추는 대신 다른 경로를 시도한다는 뜻이다.
전통적 자동화 스크립트와의 차이는 스크립트는 결정적 흐름을 처리하고 에이전트는 불확실성이 있는 과제를 처리한다는 것이다. RPA와의 차이는 RPA는 사람의 클릭을 모사하고 에이전트는 과제 의도를 이해한다는 것이다. 인터페이스가 개편되면 RPA는 깨지지만 에이전트는 우회할 수 있다.
2. 기술 원리와 핵심 역량: 추론, 메모리, 도구, 성찰
에이전트의 동작은 입력 인지, 계획과 분해, 도구 호출 실행, 결과 관찰, 수정 후 재실행의 루프로 이해할 수 있다. 네 가지 역량이 이 루프를 지탱한다.
계획은 에이전트의 두뇌다. 어느 공정의 불량률을 낮춘다는 모호한 목표를 마주하면 이를 이력 데이터 조회, 고발생 구간 위치 파악, 공정 파라미터 비교, 조정 권고 제시, 검증 과제 발행의 하위 단계로 나누고 어떤 단계를 병렬로 돌릴 수 있는지 판단해야 한다. 주류 접근은 대규모 모델로 과제 분해를 수행하며 사고 사슬 추론으로 분해 품질을 높인다.
메모리는 단기와 장기로 나뉜다. 단기 기억은 현재 과제의 컨텍스트를 담아 다회 실행이 표류하지 않게 하고, 장기 기억은 이력 과제의 경험, 예를 들어 특정 종류의 알람을 과거에 어떻게 처리했는지를 축적해 다음에 바로 재사용한다. 제조 시나리오에서 장기 기억은 보통 공정 문서와 보전 기록에 연결된 벡터 데이터베이스나 지식베이스에 둔다.
도구 호출은 에이전트를 순수 모델과 구별하는 핵심이다. 업계의 일반적 접근은 기업 시스템 인터페이스를 에이전트가 인식할 수 있는 도구 설명으로 감싸 각 도구가 무엇을 하고 어떤 파라미터가 필요한지 알게 한다. MES 작업지시 조회, PLC 레지스터 읽기와 쓰기, ERP 재고 인터페이스가 모두 그 손발이 될 수 있다.
성찰은 신뢰성을 결정한다. 각 단계 후 에이전트는 결과가 기대에 맞는지 판단하고 아니면 롤백해 방식을 바꾼다. 이 메커니즘은 산업 시나리오에서 특히 중요하다. 잘못된 설비 명령의 비용이 매우 크기 때문이다. 업계는 보통 핵심 행동 전에 사람 확인 노드를 삽입해 에이전트가 제안하고 사람이 결정하는 반자율 모드를 만든다.
3. 제조 적용 시나리오: 보조 질의응답에서 과제 실행까지
시나리오 1. 전자 공장의 SMT 교체가 잦고 공정 엔지니어가 매일 스텐실, 솔더 페이스트, 리플로 파라미터의 매칭을 확인하는 데 많은 시간을 쓴다고 하자. 에이전트를 배치하면 엔지니어는 이 품번으로 교체할 시간이라고만 말하고, 에이전트가 BOM을 가져오고 유사 이력 제품의 공정 파라미터를 조회하고 현재 설비 상태를 비교해 교체 체크리스트를 만들어 스테이션 단말로 푸시한다. 엔지니어는 다섯두엣 시스템을 확인하던 일에서 목록 하나를 검토하는 일로 이동한다.
시나리오 2. 자동차 부품사가 하루 수백 건의 설비 알람을 받고 당직 인력이 지친다고 하자. 에이전트가 설비 데이터와 보전 지식베이스에 연결되면 알람에 대해 센서 오작동, 공구 마모, 파라미터 드리프트 같은 예비 원인 판정을 하고 유사 이력 사례의 처리 방법을 붙이며 라인 영향도로 정렬할 수 있다. 당직자는 원시 알람 스트림이 아니라 판단이 붙은 할 일 목록을 본다.
시나리오 3. 이산 제조사가 고객 주문 변경이 잦고 일정을 수정할 때마다 기획자가 자재 키팅을 다시 확인해야 한다고 하자. 에이전트는 변경 영향 분석을 맡을 수 있다. 주문이 바뀌면 자재 부족, 설비 능력 점유, 납기 리스크를 자동으로 훑고 영향을 받는 작업지시 목록과 대안을 출력한다. 기획자가 결정하고 에이전트가 검증한다.
이 세 시나리오의 공통점은 과제에 명확한 목표가 있고 시스템 간 데이터를 가져와야 하며 실행 경로가 완전히 고정되어 있지 않다는 것이다. 바로 이것이 에이전트의 안락 지대다. 반대로 프로세스가 완전히 고정되고 입출력이 매우 결정적인 단계에는 전통적 자동화가 더 경제적이다.
4. 선정과 실행 조언: 고빈도, 시스템 간, 내결함성 있는 진입점을 찾아라
첫째, 핵심 제어 단계부터 시작하지 않는다. 오늘의 에이전트는 보조 의사결정과 과제 조정에 적합하고 라인 설비의 직접 폐루프 제어에는 적합하지 않다. 오류에 안전망이 있고 수동으로 하면 시간이 많이 드는 단계, 예를 들어 보고서 검증, 이상 1차 분류, 변경 영향 분석을 고른다.
둘째, 도구 인터페이스의 표준화가 구현 속도를 결정한다. 에이전트가 아무리 똑똑해도 인터페이스가 작동하지 않으면 무용하다. 선정 시 벤더가 기존 시스템 API를 명확한 도구 세트로 만들 수 있는지에 주목한다. 이 작업을 얼마나 세심하게 하는지가 가동 주기를 직접 결정한다.
셋째, 사람 확인 노드를 설계에 넣는다. 산업 시나리오는 오류 허용도가 낮으므로 초기에는 쓰기 작업 전에 확인을 두어 에이전트가 권고를 돌리고 사람이 실행을 클릭하게 하며, 원활히 돌면 점진적으로 개방한다.
넷째, 벤더의 산업 지식 축적을 본다. 에이전트 계획의 품질은 업무 이해도에 크게 좌우되며, 범용 에이전트를 현장에 두면 과제 분해를 잘못하는 경우가 많다. 수십 년간 ERP 시대를 함께해 온 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 기업은 보통 제조 업무 논리에 축적이 견고하고, 그런 벤더가 만든 에이전트는 과제 분해가 실제 공정 흐름에 더 가깝다.
다섯째, 답변 정확도가 아니라 과제 완료율로 결과를 평가한다. 챗봇의 지표는 답이 맞는지이고 에이전트의 지표는 일이 끝났는지다. 가동 전에 과제 완료율, 수동 개입률, 평균 처리 시간 세 지표를 정의하고 주간으로 추이를 본다.
5. 전망: 주목할 세 방향
방향 1, 다중 에이전트 협업. 단일 에이전트의 능력은 한정되어 있고 업계는 계획 에이전트, 자재 에이전트, 설비 에이전트가 가상 작업조처럼 분업해 교차 영역 과제를 처리하는 방식을 탐색하고 있다. 제조의 기획, 구매, 영업 협업 시나리오는 이 아키텍처에 자연스럽게 맞는다.
방향 2, 에이전트와 디지털 트윈의 결합. 에이전트가 트윈 환경에서 계획을 리허설하고 검증한 뒤 실제 라인에 발행해 시행착오 비용을 0에 가깝게 만든다. 이 방향은 프로세스 산업에서 이미 초기 실무 사례가 있다.
방향 3, 에이전트 개발 플랫폼. 앞으로 기업이 모든 시나리오를 벤더에 맞춤 개발시키는 일은 줄고, 로우코드 에이전트 오케스트레이션 플랫폼으로 업무를 이해하지만 코드를 모르는 엔지니어가 직접 에이전트를 만들게 될 것이다. 이 흐름이 성숙하면 에이전트 보급은 RPA보다 훨씬 빠를 것이다.
처음 문장으로 돌아가자. AI Agent의 가치는 말을 얼마나 잘하는지가 아니라 한 가지 일을 처음부터 끝까지 처리할 수 있는지다. 제조기업에게 이것은 이제 관심을 가질지의 문제가 아니라 어떤 진입점을 먼저 시도할지의 문제다. 고빈도, 시스템 간, 내결함성 있는 작은 시나리오를 골라 석 달 돌려 보는 것이 보고서 열 개를 읽는 것보다 유용하다.