AI Agent 플랫폼 선정은 누구의 모델 파라미터가 더 많은지가 아니라 그 플랫폼이 귀사의 업무 시스템에서 감지, 결정, 실행의 체인을 종단 간으로 돌릴 수 있는지의 문제다. 다시 말해 첫 번째 기준은 통합 능력과 실행 신뢰성이고 모델 능력은 그다음이다. 기존 MES, SCADA, ERP에 연결할 수 없는 Agent 플랫폼은 아무리 똑똑해도 채팅 창에 불과하다.
1. AI Agent 플랫폼이 실제로 해결하는 문제
전통적 자동화 스크립트와 RPA는 규칙이 명확하고 경로가 고정된 과업을 처리한다. 정기 데이터 스크래핑이나 템플릿 기반 양식 채우기가 그렇다. 판단이 필요한 상황이 나타나면 스크립트는 막힌다. 입고 배치의 차이, 설비 경보 원인의 불명확, 작업지시 우선순위 충돌 같은 경우다. AI Agent 플랫폼이 다루는 것은 규칙이 있지만 완전히 규칙 기반은 아닌 이 중간 지대다. 도구를 호출하고 다중 소스 정보를 읽고 여러 단계 추론을 거쳐 조치 권고를 주거나 직접 실행을 트리거할 수 있다.
순수 대형 모델 채팅 제품과의 차이는 Agent 플랫폼이 도구 호출과 과업 폐루프를 강조한다는 점이다. 챗봇에게 실장기 불량률이 왜 높은지 물으면 일반적인 분석을 준다. Agent 플랫폼은 대신 해당 설비의 경보 로그, 노즐 사용 횟수, 피더 캘리브레이션 기록을 가져와 교차 비교하고, 3번 노즐이 마모 한도를 초과했으니 교체 후 피더 높이를 재확인하라는 식의 실행 가능한 결론을 돌려주어야 한다. 전자는 지식 질의응답이고 후자는 과업 실행이다.
2. 플랫폼 역량의 어떤 차원이 중요한가
첫 번째 차원은 도구와 프로토콜 연결성이다. 현장 데이터 소스는 매우 다양하다. PLC는 Modbus나 OPC-UA를 쓰고, MES는 RESTful API를 쓰며, 레거시 설비는 시리얼 포트나 직접 데이터베이스 접속만 제공할 수 있다. 플랫폼이 이에 대한 내장 커넥터를 갖추고 사용자 정의 도구 등록을 지원하는지가 구현 기간을 직접 결정한다. 선정 시 OPC-UA와 MQTT에 대한 네이티브 지원, 그리고 코드 작성 없이 API 호출을 구성할 수 있는지에 주목해야 한다.
두 번째 차원은 과업 오케스트레이션과 추론 체인의 통제 가능성이다. 좋은 Agent 플랫폼은 모델을 자유분방하게 두지 않고 관찰 가능한 추론 단계를 제공한다. 어떤 도구를 어떤 순서로 호출했고 각 단계가 무엇을 출력했는지 보여야 한다. 일부 플랫폼은 사람 개입 승인 노드를 지원하며, 산업 시나리오에서 이것이 중요하다. Agent가 권고하고 사람이 확인하는 것이 라인 파라미터를 직접 바꾸게 하는 것보다 훨씬 안전하다.
세 번째 차원은 지식 베이스와 사설 데이터 융합이다. 제조 지식의 상당 부분은 SOP 문서, 설비 매뉴얼, 이력 정비 기록에 있고 형식은 PDF, 엑셀, 심지어 스캔한 수기 작업지시까지 포함한다. 플랫폼의 문서 파싱 정확도와 표 및 도면 처리 능력이 모델 벤치마크 점수보다 실제 경험에 더 큰 영향을 준다. 벤더에게 귀사가 제공한 매뉴얼로 즉석 파싱 테스트를 하게 해, 특정 서보 모터 모델의 과부하 보호 임계값 같은 세부 질문에 정확히 답하는지 확인할 수 있다.
네 번째 차원은 실행 안전과 권한 격리다. Agent가 도구를 호출할 수 있게 되면 오조작 위험이 생긴다. 플랫폼이 역할별로 호출 가능한 도구 집합을 제한할 수 있는지, 완전한 조작 감사 로그를 남기는지, 리허설용 샌드박스를 제공하는지는 선정 체크리스트에서 모델 능력 못지않게 비중을 두어야 한다.
3. 어떤 업무가 첫 Agent 시험 대상으로 적합한가
전자 공장이 SMT 라인을 운영하며 교체가 잦고 불량률이 흔들린다고 하자. Agent 플랫폼은 불량률 이상 원인 배속부터 시작할 수 있다. 정기적으로 실장기 불량 통계를 읽고, 특정 피더의 불량률이 임계값을 넘으면 해당 피더의 캘리브레이션 기록, 노즐 사용 시간, 최근 정비일을 자동으로 가져와 순위가 매겨진 원인 배속을 출력한다. 이 시나리오는 택트가 안정적이고 데이터 인터페이스가 비교적 표준화되어 진입점으로 적합하다.
자동차 부품 기업이 사출 작업장을 운영하며 설비 브랜드가 혼재하고 경보 코드가 통일되지 않았다고 하자. Agent 플랫폼은 여러 브랜드 기계의 OPC-UA 인터페이스에 연결해 서로 다른 형식의 경보 텍스트를 정규화하고, 금형 정비 기록과 공정 파라미터 이력을 결합해 경보가 금형 문제인지 공정 드리프트인지 판단할 수 있다. 이런 시나리오의 어려움은 프로토콜 적응에 있으므로 선정 시 다중 브랜드 설비 데이터 수집에 대한 플랫폼의 기성 지원을 보아야 한다.
또 다른 방향은 품질 추적과 8D 보고서 보조다. 고객 클레임이 발생하면 Agent가 배치 생산 데이터, 검사 기록, 입고 배치 정보를 자동으로 통합하고 8D 보고서 초안을 작성한다. 실시간 제어가 관련되지 않고 오류 허용도가 넉넉해 Agent 역량을 아직 평가 중인 팀에 적합하다.
4. 선정과 구현 중 고빈도 질문
통합 방식을 어떻게 선택할 것인가. 먼저 플랫폼이 기존 시스템의 인증 방식, 예를 들어 OAuth, API 키, LDAP을 지원하는지, MES와 ERP 연결 템플릿이 사전 설정되어 있는지 확인해야 한다. 벤더가 무엇이든 연결할 수 있다고 하면서 맞춤 개발이 필요하다면 구현 기간은 보통 몇 달부터 시작하므로 각오해야 한다.
배치 하드웨어는 무엇이 필요한가. 순수 클라우드 SaaS 모델은 로컬 하드웨어 요구가 낮지만 데이터가 공장 밖으로 나가는 것이 제한될 수 있다. 프라이빗 배치는 추론 카드 모델과 메모리 요구를 확인해야 하고, 7B에서 14B 파라미터 모델의 도구 호출 추론이라면 단일 카드 메모리가 24기가바이트 이상이 좋다. 여러 Agent를 병렬로 돌리면 하드웨어 예산도 그에 맞게 올라가야 한다.
구현 기간은 어느 정도인가. 설비 경보 원인 배속 같은 단일 시나리오 Agent는 데이터 연결에서 시운전까지 보통 4주에서 8주가 걸리고, 세 개 이상 시스템을 넘나드는 복잡한 오케스트레이션은 3개월부터다. 시간은 주로 데이터 인터페이스 통합과 권한 승인에 쓰이고 모델 튜닝 비중은 상대적으로 작다.
흔한 오해는 Agent를 만능 질의응답기로 쓰는 것이다. 필요가 본질적으로 문서 조회라면 검색 증강 생성으로 충분하고 Agent 플랫폼은 불필요하다. Agent의 가치는 다단계 행동에 있으며 단일 단계 조회에 적용하는 것은 과잉 설계다.
비용 구조는 어떻게 볼 것인가. 플랫폼 라이선스 비용 외에 데이터 인터페이스 재작업, 지식 베이스 정비, 시나리오 튜닝 인력과 지속적 추론 연산 소비를 계산해야 한다. 호출 단위로 과금하는 플랫폼은 고빈도 시나리오에서 비용이 빠르게 누적되므로 선정 시 예상 호출량으로 3년 추정을 해보아야 한다.
5. 적합성 평가: 어디서 시작하고 어디서 기다릴 것인가
시작할 만한 시나리오는 세 개 이상 데이터 소스의 교차 판단이 필요하고, 작업지시 생성이나 경보 발송, 파라미터 변경 권고 같은 명확한 행동 출력이 있으며, 사람 검토를 허용할 오류 허용도가 있는 과업이다. 설비 경보 원인 배속, 입고 이상 1차 판단, 애프터서비스 작업지시 배차, SOP 준수 점검은 먼저 시도할 수 있다.
억지로 밀지 말아야 할 시나리오는 실시간 폐루프 라인 제어다. 택트가 밀리초 단위이고 결정적 응답이 필요해 전통적 PLC와 운동 제어가 더 신뢰할 수 있다. 반사율이 높거나 변형이 큰 부품의 비전 검사는 이미징 조건을 먼저 평가해야 하고 Agent가 이미징 문제를 해결할 수 없다. 데이터 인터페이스가 완전히 폐쇄된 레거시 설비군은 데이터 수집을 업그레이드한 뒤에 Agent를 논해야 한다. 또한 기본 MES 데이터조차 불완전하다면 데이터 기반을 먼저 채워야 한다. Agent 플랫폼은 데이터 결손을 해결할 수 없다.
ERP 시대부터 수십 년간 일해 왔고 120만 고객을 서비스하며 누적 수천만 대 단말을 보급한 벤더 생태계에서는 한 가지 패턴이 보인다. Agent가 잘 착지한 프로젝트는 대개 기존 정보 기반이 탄탄하고 데이터 인터페이스가 표준화된 프로젝트다. 선정 시 먼저 스스로에게 한 가지 질문을 해야 한다. 우리 데이터는 준비되어 있는가. 준비되어 있다면 그때 플랫폼을 고르면 된다.