AI Agent와 전통 소프트웨어의 가장 근본적인 차이는 이것입니다. 전통 소프트웨어는 사람이 도구를 조작해 프로세스를 실행하는 것이고, AI Agent는 사람이 목표를 주면 에이전트가 자율적으로 계획하고 도구를 호출해 작업을 완수하는 것입니다. 다시 말해 전통 소프트웨어는 업무 프로세스를 일련의 메뉴와 버튼으로 하드코딩해 사람의 클릭으로 구동하지만, AI Agent는 목표를 작업 순서로 번역하고 무엇을 먼저 할지, 어느 인터페이스를 호출할지, 예외를 어떻게 우회할지 스스로 결정합니다. 이 차이가 제조에서 두 가지의 적용 경계를 완전히 다르게 만듭니다.
1. AI Agent란 무엇이고 어떤 문제를 해결하는가
전통 소프트웨어는 확정적 프로세스를 반복 실행하는 문제를 해결합니다. MES가 작업 지시로 작업을 배차하고, ERP가 BOM으로 자재를 계산하며, SCADA가 주기적으로 데이터를 수집하며, 입력과 출력은 미리 정의되어 있습니다. AI Agent는 목표는 명확하지만 경로가 불확실한 문제를 해결합니다. 전자 공장의 설비 엔지니어가 아침에 출근해 SMT 라인 수율이 2퍼센트 포인트 떨어졌음을 발견했다고 가정해 보겠습니다. 전통적인 방식은 그가 SPC 보고서를 넘기고, 스텐실 세정 기록을 확인하고, 리플로우 존 프로파일을 직접 비교하는 것이며 두세 시간이 걸립니다. “이 라인의 수율이 왜 떨어졌는지 찾아라”는 목표가 주어지면, AI Agent는 스스로 하위 작업으로 분해합니다. 최근 세 교대의 SPC 데이터를 당기고, 인쇄 파라미터 편차를 비교하고, 같은 제품 모델의 과거 이상 기록을 검색하고, 설비 로그 인터페이스를 호출한 뒤, 마지막으로 의심 요인을 상관성 순으로 출력합니다. MES를 대체하는 것이 아니라 MES, SCADA, QMS 위에 서서 시스템 간 작업을 오케스트레이션합니다.
2. 기술 원리와 핵심 역량은 전통 소프트웨어와 어떻게 다른가
전통 소프트웨어의 핵심은 룰 엔진과 데이터베이스 트랜잭션이며 로직이 하드코딩되어 조건을 바꾸려면 변경 절차를 거쳐야 합니다. AI Agent의 핵심은 대형 모델 추론, 도구 호출, 메모리의 3층 구조입니다. 대형 모델은 모호한 목표를 실행 가능한 단계로 나누고, 도구 호출 계층은 API, OPC-UA, MQTT를 통해 MES, PLC, 데이터베이스 같은 실제 시스템에 도달하며, 메모리 메커니즘은 중간 결과와 문맥을 보존해 다단계 작업이 매번 한 단계를 잃지 않게 합니다. 핵심 역량에서 전통 소프트웨어는 트랜잭션 일관성과 권한 통제에 강하고, AI Agent는 예외 분기 처리와 자연어 상호작용에 강합니다. 구체적으로 비교하면, 전통 소프트웨어에서 A라인의 어제 OEE를 조회하려면 먼저 보고서 모듈을 선택하고, 라인을 선택하고, 날짜를 선택해야 합니다. AI Agent에게는 그냥 물으면 되고, 그것이 OEE 계산 인터페이스를 스스로 호출합니다. 반대로 재무 전기와 배치 추적처럼 강한 일관성이 요구되는 작업에서는 전통 소프트웨어의 트랜잭션 메커니즘이 여전히 대체 불가능하며, AI Agent는 현재 조회, 분석, 조언, 경량 촉발처럼 오류 허용도가 높은 작업에 더 적합합니다.
3. 제조에서 어떤 작업이 실제로 효과를 보는가
첫 번째 시나리오는 설비 이상의 근본 원인 분석입니다. 자동차 부품사의 다이캐스팅 설비가 금형 온도 이상을 자주 보고한다고 가정하면, 전통적인 방식은 숙련자의 경험에 의존하지만 AI Agent는 금형 온도 컨트롤러 로그, 냉각수 유량 기록, 이형제 분사 파라미터를 동시에 당겨 시간 창으로 정렬한 뒤 의심 요인을 순위화할 수 있습니다. 두 번째 시나리오는 검사 규칙의 동적 조정입니다. 전자 공장의 AOI 오경보율이 높을 때 AI Agent는 오경보 이미지의 공통 특징을 분석해 판정 임계값 조정이나 학습 샘플 추가를 권고할 수 있으며, 사람이 하나하나 재확인할 필요가 없습니다. 세 번째 시나리오는 시스템 간 작업 지시 조율입니다. ERP가 긴급 주문을 발행하면 AI Agent가 MES 능력, WMS 자재 키팅, SCADA 설비 상태를 자동으로 확인해 수용 가능 여부, 시작 시점, 부족 자재를 판단하여 예전에 계획 담당자가 전화를 여러 번 돌려야 하던 일을 한 번의 대화로 압축합니다. 이 시나리오들의 공통점은 시스템 간 작업이고, 경로가 고정되지 않으며, 판단을 위해 여러 데이터 소스를 읽어야 한다는 것입니다.
4. 구축 시 주의할 실무 문제
연계가 첫 번째 관문입니다. AI Agent는 시스템 인터페이스를 호출할 수 있어야 하는데, 많은 현장 설비가 Modbus, OPC-UA 같은 산업 프로토콜만 지원하고 바로 쓸 수 있는 REST API가 없어 미들웨어로 프로토콜을 변환해야 하며 이 작업량이 자주 과소평가됩니다. 하드웨어는 클라우드 모델 추론을 쓰면 현장에는 게이트웨이와 네트워크만 있으면 됩니다. 데이터를 공장에 두기 위해 로컬 배포가 필요하면 GPU 서버 사양을 평가해야 하며, 7B에서 14B 파라미터 모델이면 라인 수준 작업에는 이미 충분하지만 동시성과 응답 지연을 실제 작업대 수로 계산해야 합니다. 구축 주기는 보통 세 단계입니다. 인터페이스 연결이 가장 큰 비중을 차지하고, 지식 베이스와 Prompt 튜닝이 그다음이며, 시운전 관찰 기간은 건너뛸 수 없습니다. 흔한 함정은 현장에 만능 질의응답 로봇으로 던져버리는 것입니다. 실제로는 Agent의 작업 경계, 호출 가능한 도구 화이트리스트, 사람 확인 지점을 미리 정의해야 하며, 그렇지 않으면 해서는 안 되는 동작을 촉발할 수 있습니다.
5. 적합과 부적합의 경계
적합한 시나리오는 시스템 간 데이터 조회와 집계, 이상 근본 원인의 1차 선별, 설명 가능한 규칙 기반 분석과 조언, 보고서의 자연어 검색, 사람 검토를 폴백으로 둔 경량 작업 촉발입니다. 부적합한 시나리오는 강한 트랜잭션 일관성이 요구되는 전기 작업, 밀리초 실시간 제어 루프, 안전 인터록 로직, 과거 데이터가 없어 뒷받침할 수 없는 완전히 새로운 공정에 대한 판단입니다. 또한 입고 자재 일관성이 나쁘고 데이터 소스가 오염되고 불완전한 라인은 Agent를 논하기 전에 데이터 거버넌스를 해야 하며, 그렇지 않으면 쓰레기 데이터 위에서 더 빨리 달릴 뿐입니다. ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포한 벤더의 산업 기반은 한 가지를 보여줍니다. 제조에는 시스템이 부족한 것이 아니라 시스템끼리 대화하게 만드는 오케스트레이션 계층이 부족하며, AI Agent의 가치가 바로 거기에 있습니다. 다만 그것이 하위 시스템의 확정적 실행을 대체할 수는 없고, 둘의 관계는 오케스트레이터와 오케스트레이션 대상입니다.