대형 모델 기반 Agent의 역량 경계는 한 문장으로 정리됩니다. 인지, 계획, 도구 호출, 검증의 폐루프를 자율적으로 완성할 수 있지만 그 루프의 모든 연결고리에 하드 제약이 있으며, 제약을 넘으면 챗봇으로 퇴화합니다. 현재 업계의 공통 인식은 상당히 일관됩니다. Agent는 흐름이 명확하고 도구 인터페이스가 표준화되었으며 오류 허용도가 정량화된 공정에서는 이미 독립적으로 운용할 수 있지만, 장쇄 시스템 간 추론이 필요하거나 물리 세계에서 강한 실시간 응답이 필요하거나 오류 비용이 되돌릴 수 없는 시나리오에서는 여전히 완전 자율이 아니라 부조종사로만 적합합니다.
1. 대형 모델 기반 Agent가 실제로 해결하는 것
많은 공장이 MES, ERP, SCADA를 구축했고 시스템 안의 데이터는 완비되어 있지만, 인간-기계 상호작용 계층은 연결된 적이 없습니다. 한 배치의 과거 공정 파라미터를 확인하려면 작업자가 세 개의 화면을 오가고 두 개의 스프레드시트를 내보내야 하며, 설비 경보가 나면 베테랑이 경험으로 파라미터를 조정할지 라인을 세울지 판단해야 합니다. Agent가 해결하는 것은 이 마지막 구간의 번역 문제입니다. 자연어 지시를 여러 시스템에 대한 순서 있는 호출로 번역하고, 반환된 결과를 사람이 이해할 수 있는 결론으로 번역합니다.
전통적 RPA와의 핵심 차이는 RPA는 고정 스크립트를 따르므로 화면이 바뀌면 곧바로 깨지지만, Agent는 작업 분해와 도구 선택을 대형 모델에 의존하여 낯선 화면 배치나 손글씨 검사표 사진 같은 비정형 입력을 만나도 어느 정도 일반화 능력을 가진다는 점입니다. 다만 이 일반화 능력에도 상한이 있다는 점은 아래에서 다룹니다.
2. Agent가 포함하는 기술 원리와 핵심 역량
분해해 보면 산업 시나리오에서 쓸 수 있는 Agent는 최소 네 개의 모듈을 포함합니다. 의도 이해와 작업 계획, 도구 호출 인터페이스, 메모리와 컨텍스트 관리, 결과 검증과 롤백입니다.
의도 이해는 대형 모델의 퓨샷 분해에 의존하며, 이 배치에서 불량품을 골라 다시 AOI에 돌려라는 요청을 배치 번호 조회, 과거 AOI 데이터 호출, 불량 유형 필터링, 재검사 작업 지시 생성 같은 하위 작업으로 나눕니다. 도구 호출은 현재 업계에서 Function Calling이나 MCP 프로토콜을 따르며, MES 조회 인터페이스, PLC 읽기와 쓰기 포인트, WMS 로케이션 인터페이스를 Agent가 호출할 수 있는 도구 설명으로 감쌉니다. 여기에는 하드 요구 사항이 하나 있습니다. 도구 설명에 파라미터 유형, 값 범위, 호출 실패 시 오류 코드 의미가 포함되어야 하며, 그렇지 않으면 대형 모델이 파라미터를 무작정 추측합니다.
메모리 관리는 단기와 장기로 나뉩니다. 단기는 컨텍스트 윈도에 의존하고, 장기는 보통 벡터 저장소에 넣어 과거 작업 지시를 검색합니다. 검증 단계는 장난감 Agent와 산업용 Agent의 분수령입니다. 좋은 구현은 모든 도구 호출 후에 규칙 검증을 삽입하여, 예를 들어 PLC에 기록하는 설정값이 공정 카드에 명시된 상한과 하한 안에 있어야 하고 그렇지 않으면 행동을 중단하고 사람에게 넘깁니다.
기술 지표에서 작업 계획 성공률은 수직 도메인에서 Fine-tuning 후 약 80퍼센트에 도달할 수 있지만, 제로샷 교차 도메인 계획 성공률은 50퍼센트 아래로 떨어집니다. 도구 호출의 파라미터 정확도는 인터페이스 문서 품질에 크게 의존하며, 설명이 모호하면 오류율이 두 배로 늘 수 있습니다.
3. 제조에서의 전형적 적용 시나리오
전자 공장이 SMT 전환을 하고 Agent가 스케줄링 시스템과 마운터 프로그램 관리 인터페이스에 연결된다고 가정해 봅시다. 전환 지시가 오면 Agent가 현재 라인 상태를 확인하고, 다음 작업 지시의 스텐실과 피더 요구를 비교하고, 자재 담당자용 자재 교체 목록을 생성하며, 전환 후 초도품 검사 데이터를 가져와 확인합니다. 이 사슬에서 Agent의 가치는 비교와 목록 생성 단계에 있으며 실제 설비 조작은 여전히 사람에게 달려 있습니다.
자동차 부품 기업의 또 다른 시나리오를 봅시다. 다이캐스팅 외관 검사를 하고 Agent가 비전 검사 시스템의 불량 분류 인터페이스와 공정 파라미터 라이브러리에 연결된다고 가정합니다. 특정 불량 유형이 임계값을 넘어 연속 발생하면 Agent가 최근 세 배치의 금형 온도와 사출 속도 곡선을 자동으로 추적해 금형 온도 조절기 설정을 확인하라는 힌트를 줍니다. 여기서 Agent는 연관 검색과 가설 생성을 수행하며 파라미터를 직접 변경하지 않습니다.
또 다른 범주는 설비 정비 보조입니다. 정비원이 이상 소음을 자연어로 설명하면 Agent가 설비 매뉴얼, 과거 정비 기록, 현재 진동 스펙트럼 데이터를 호출해 문제 해결 순서를 제안합니다. 이 시나리오는 실시간 요구가 낮고 오류 허용도가 커서 오늘날 배포하기에 비교적 안정적인 범주입니다.
4. Agent 선정과 구현에서 주의할 점
자주 나오는 질문 하나: Agent가 기존 시스템과 어떻게 통합되는가. 주류 접근은 레거시 시스템을 건드리지 않고 그 밖에 도구 게이트웨이를 감싸 MES, WMS, PLC 인터페이스를 Agent가 인식할 수 있는 도구 설명으로 변환하는 것입니다. OPC-UA는 설비 계층에서 상당히 보편적인 프로토콜이고 비즈니스 계층에서는 RESTful이 가장 흔합니다. 핵심은 게이트웨이가 권한을 수렴해야 한다는 점이며, Agent는 화이트리스트 인터페이스만 호출할 수 있고 직접 데이터베이스 연결을 주어서는 안 됩니다.
자주 나오는 질문 둘: 하드웨어 배포에 무엇이 필요한가. 대형 모델을 사내에 배포하면 7B에서 14B 파라미터 모델 추론에 동시성을 유지하기 위해 최소 24GB 메모리 카드 한 장이 필요하고, 32B 이상은 두 장이 필요합니다. 클라우드 API를 쓰면 엣지 측에는 도구 게이트웨이를 실행할 수 있는 산업용 PC만 있으면 되고 연산 요구는 크지 않습니다. 많은 기업이 데이터를 공장 밖으로 내보내지 않아야 한다는 요구에서 막히며, 이 경우 사내 배포가 가져오는 역량 손실을 감수해야 합니다.
자주 나오는 질문 셋: 구현 주기를 어떻게 추정하는가. 질의형 Agent 같은 단일 지점 시나리오는 인터페이스 분석에서 가동까지 업계에서 흔히 4주에서 8주가 걸립니다. 세 개 이상 시스템을 넘는 폐루프 시나리오는 도구 설명 정합과 예외 분기 분석만으로도 두세 달이 걸립니다. 시나리오가 극히 단순하지 않다면 2주 만에 가동한다는 주장은 믿지 말아야 합니다.
자주 나오는 질문 넷: 흔한 실수. 가장 큰 함정은 Agent를 만능 인터페이스 담당자로 보고 문서화되지 않은 레거시 시스템을 스스로 이해하리라 기대하는 것입니다. 또 다른 함정은 검증 규칙이 없어 Agent가 잘못된 파라미터를 설정할 때 아무도 막지 못하는 것입니다. 일부 기업은 다섯 개 시스템을 넘는 장쇄 작업으로 시작하는데 실패율이 너무 높아 쓸 수 없습니다. 올바른 접근은 한 시스템 내부의 짧은 폐루프에서 시작해 안정된 뒤 연결하는 것입니다.
5. Agent가 적합한 시나리오와 그렇지 않은 시나리오
적합한 시나리오는 몇 가지 특징을 공유합니다. 작업 단계를 나열할 수 있고, 도구 인터페이스가 문서화되어 있으며, 단일 단계 오류를 롤백할 수 있고, 응답 지연 허용도가 초 수준 이상입니다. 작업 지시 조회와 취합, 정비 지식 검색, 스케줄링 제안 생성, 검사 데이터 회고 분석이 그 예이며, Agent가 인간-기계 상호작용의 마찰을 분명히 줄일 수 있습니다.
부적합한 시나리오도 분명합니다. 강한 실시간 폐루프 제어(예를 들어 모션 제어 카드의 보간 주기는 밀리초 수준이며 Agent 추론 지연은 그 루프에 전혀 들어갈 수 없습니다), 오류 비용이 되돌릴 수 없는 공정(예를 들어 일회성 봉지와 고전압 시험), 도구 인터페이스가 완전한 블랙박스이고 문서가 없는 레거시 설비입니다. 또한 입고 일관성이 나쁘고 공정 파라미터가 자주 흔들리는 공정은 완전한 검증 규칙을 작성하기 어려워 주의가 필요합니다.
업계에서 어떤 시나리오에 Agent를 도입할지 평가할 때 흔히 쓰는 단순한 기준이 있습니다. 이 작업을 석 달 전 입사해 시스템 조작은 알지만 공정은 모르는 엔지니어에게 맡긴다면, 그 사람이 문서를 찾고 동료에게 물어 독립적으로 완수할 수 있는가입니다. 가능하다면 Agent도 아마 맡을 수 있고, 불가능하다면 작업 지식이 아직 구조화되지 않은 것이므로 Agent 배포보다 지식 베이스 구축이 더 중요합니다. ERP 시대부터 수십 년간 일해 온, 120만 고객을 서비스하고 국내외에 수천만 대 단말을 설치한 공급사는 바로 이런 인터페이스 표준화와 데이터 거버넌스를 축적해 왔으며, 이것이 Agent가 안정적으로 작동하는지의 기반이 됩니다. 인터페이스 설명을 얼마나 명확히 작성했는지가 Agent 호출 정확도를 직접 결정합니다.