중소 제조기업이 AI Agent를 도입하는 가장 실용적인 경로는 자체 대형 모델을 만드는 것이 아니라, 업무 흐름에서 고빈도이고 규칙이 명확하며 결함 허용도가 감당 가능한 공정 하나를 골라 기존 Agent 플랫폼이나 업종 솔루션으로 단일 지점 검증을 수행하고, 효과가 나오면 수평으로 복제하는 것입니다. 다시 말해 Agent를 먼저 도구를 호출하고 시스템 데이터를 읽고 쓸 수 있는 디지털 직원으로 보고 특정 업무에 배치하는 것이지, 범용 지능을 사서 모셔 놓는 것이 아닙니다. 연매출이 수천만에서 수억 위안 수준인 대부분의 제조기업에게 이 경로는 투자를 통제 가능하게 유지하고 성과 도달 시간을 단축하며 사내 알고리즘 팀이 필요 없습니다.
1. AI Agent가 해결하는 문제와 일반 자동화와의 차이
AI Agent는 간단히 말해 스스로 상태를 지각하고 판단하며 도구를 호출하고 행동을 실행할 수 있는 소프트웨어 개체입니다. 전통적인 자동화와의 핵심 차이는 전통적인 스크립트나 RPA는 고정 규칙을 따르다가 예외를 만나면 사람을 기다리며 멈추지만, Agent는 목표 분해와 도구 호출 능력을 갖추고 사전 설정된 경계 안에서 다음 행동을 선택할 수 있다는 점입니다.
중소기업 시나리오에서 Agent는 세 가지 구체적인 문제를 해결합니다. 첫째는 반복적인 시스템 간 전달입니다. 주문이 이메일로 오면 누군가 ERP에 입력하고 창고에 알리고 납기를 회신해야 하는데, Agent가 이 체인을 맡을 수 있습니다. 둘째는 판단이 포함된 작은 의사결정입니다. 입고 초검 판정, 애프터서비스 작업 지시의 분류와 파견 등입니다. 셋째는 지식 조회와 문서 처리입니다. 설비 매뉴얼 질의응답, 견적 데이터 추출 등입니다.
Agent가 만능 해결책은 아니라는 점에 유의해야 합니다. 규칙이 완전히 고정되고 예외가 매우 적은 단계는 전통적인 RPA나 인터페이스 통합이 더 저렴하고 안정적입니다. Agent의 가치는 변화, 판단, 시스템 간 조율이 동시에 나타나는 업무에 집중됩니다.
2. AI Agent의 기술 원리와 핵심 역량
나누어 보면 배포 가능한 산업용 Agent는 보통 네 계층의 능력을 가집니다. 지각 계층은 API, 데이터베이스 연결, OPC-UA 또는 MQTT를 통해 설비와 시스템에서 데이터를 얻습니다. 의사결정 계층은 모델과 프롬프트, 업무 규칙으로 의도 이해와 단계 계획을 담당합니다. 실행 계층은 도구 호출로 ERP, MES, SCADA, 이메일, 양식 같은 구체적인 시스템을 조작할 수 있습니다. 메모리 계층은 대화 맥락과 이력을 저장해 다중 턴 작업에서 상태를 잃지 않게 합니다.
핵심 역량 중 함수 호출은 분수령입니다. 이것이 없으면 Agent는 대화만 할 수 있고 일을 할 수 없습니다. 구조화된 출력도 중요합니다. 예를 들어 문의 이메일에서 품번, 수량, 납기를 신뢰성 있게 추출하는 것으로, 필드 정확도가 사용 가능성을 직접 결정합니다. 다음은 권한과 감사입니다. Agent가 실제 업무 데이터를 다루므로 어떤 테이블을 읽고 어떤 필드를 변경할 수 있는지 제한할 수 있어야 하고 모든 단계의 추적을 남겨야 합니다.
기술 파라미터에서 중소기업은 매우 큰 모델을 쫓을 필요가 없습니다. 7B에서 14B 범위의 오픈소스 모델을 사설 배포하고 기업 지식 베이스와 연결한 검색 증강 생성을 결합하면 문서 질의응답과 작업 지시 분류 같은 작업에는 이미 충분합니다. 도면과 외관 검사가 포함된 시나리오만 추가 비전 모델이 필요하며, 보통 서브밀리미터 검사 정밀도와 라인 속도에 맞춘 개당 택트를 갖춥니다.
3. 제조 분야 AI Agent의 전형적인 응용 시나리오
SMT 라인 모델 전환이 잦은 소비자 전자 공장을 가정합니다. Agent는 모델 전환 준비 작업을 맡을 수 있습니다. MES에서 작업 지시를 읽고 해당 스텐실과 피더 테이블을 검색하며 자재 키팅 상태를 확인하고, 자재가 부족하면 자재 요청을 자동 생성해 창고 담당자에게 푸시합니다. 여기서 Agent는 MES, WMS, 메시징 시스템을 넘나들며 조율하는데, 택트 요구는 높지 않지만 확인할 정보량이 많고 오류 허용도가 적절합니다.
하루에 수십 건의 고객 문의 이메일을 받는 자동차 부품 기업을 고려해 보겠습니다. Agent는 메일 본문과 첨부를 읽고 품번, 수량, 도면 버전을 추출하며 과거 견적 라이브러리와 매칭해 참고 가격을 제시하고, 영업 담당자가 확인할 견적 초안을 생성합니다. 이는 초안과 사람 확인이며 완전 자동 발송이 아닙니다. 견적은 상업 전략을 포함하므로 사람의 감독이 반드시 필요합니다.
설비 애프터서비스 시나리오도 있습니다. 사출기 제조사를 가정하면 고객이 고장을 신고하면 Agent가 고장 설명을 읽고 지식 베이스의 과거 작업 지시와 매뉴얼 항목과 매칭해 초기 판단을 하며, 가능한 원인과 예비 부품 제안을 제시한 뒤 해당 지역 서비스 엔지니어에게 파견합니다. 이런 시나리오는 모델에 많은 것을 요구하지 않지만 지식 베이스 품질 요구가 높으며, 매뉴얼과 작업 지시 기록을 먼저 정리해야 합니다.
4. 중소기업이 AI Agent 배포 시 주의할 점
첫 번째로 자주 받는 질문은 통합 방식입니다. 표준 API와 데이터베이스 직접 연결을 지원하는 솔루션을 우선하고, OPC-UA, Modbus 같은 산업 프로토콜은 현장 설비에 따라 평가합니다. 공급업체가 인터페이스 클릭만 흉내 내는 방식만 제공한다면 안정성이 크게 떨어집니다. 생산 환경에서 인터페이스가 조금만 바뀌어도 깨지기 때문입니다.
두 번째는 하드웨어와 배포 조건입니다. 사설 배포는 보통 GPU가 있는 서버가 필요하고 7B 모델 추론은 단일 카드로 충분하며 VRAM은 양자화와 동시성에 달려 있습니다. 클라우드 API를 사용하면 데이터의 공장 외부 유출에 관한 규정 준수 문제를 평가해야 하며, 도면과 고객 정보가 포함된 시나리오는 로컬 또는 하이브리드 배포를 사용해야 합니다.
세 번째는 구현 일정과 단계입니다. 실용적인 접근은 단일 시나리오 개념 검증으로, 2주 안에 검증 가능한 단계를 선택하고 효과가 난 뒤에 확산을 논의합니다. 전체 과정은 보통 시나리오 매핑, 데이터 준비, Agent 구성, 소량 트래픽 시험, 수동 검토, 점진적 확장으로 진행하며 한 번에 세에서 다섯 개 시나리오를 동시에 시작하지 않습니다.
네 번째는 비용 구조입니다. 주로 모델이나 플랫폼 라이선스, 연산 하드웨어, 시스템 통합 개발, 지식 베이스 준비를 포함합니다. 지식 베이스 준비는 가장 쉽게 과소평가되며, 과거 문서가 표준화되지 않은 기업에서는 이 작업이 개발 작업량을 초과할 수 있습니다.
다섯 번째 흔한 함정은 Agent를 챗봇으로 사용하는 것입니다. 시스템 통합 없이 질의응답만 하면 가치가 제한되고, 반대로 처음부터 데이터를 완전 자동으로 수정하게 하면 리스크가 너무 큽니다. 합리적인 접근은 Agent 실행과 사람 확인으로 시작하고 안정화된 뒤 권한을 점진적으로 개방하는 것입니다.
5. 어떤 시나리오가 AI Agent에 적합하고 어떤 것이 부적합한가
적합한 시나리오는 몇 가지 특징을 공유합니다. 고빈도 반복 공정이고, 두세 개 시스템에 걸쳐 있으며, 판단이 복잡하지 않고, 오류를 롤백하거나 사람이 검토할 수 있어야 합니다. 주문 처리, 작업 지시 파견, 견적 보조, 초기 고장 분류, 문서 데이터 추출이 모두 이 범주에 속합니다.
부적합한 시나리오도 분명히 밝혀야 합니다. 규정 준수 요구가 엄격하고 오류 허용이 없는 단계, 예를 들어 재무 전표를 직접 수정하거나 품질 판정을 자동으로 해제하는 작업은 현 단계에서 Agent가 독립적으로 수행하도록 권장하지 않습니다. 규칙이 완전히 고정되고 예외가 매우 적은 공정은 전통적인 인터페이스나 RPA가 더 비용 효율적입니다. 데이터 기반이 매우 나쁜 시나리오도 있습니다. 시스템이 연결되지 않고 마스터 데이터가 혼란스러운 경우인데, 이때는 먼저 데이터 거버넌스를 완료해야 합니다. 그런 곳에 배포된 Agent는 그저 헛돌 뿐입니다.
선정 기준을 하나 제시하면 이렇습니다. 어떤 업무의 일상 작업을 한 페이지의 단계로 설명할 수 있고, 관련 시스템이 네 개를 넘지 않으며, 오류 결과를 통제할 수 있다면 에이전트화 후보입니다. 반대로 단계를 명확히 말할 수 없고 암묵지에 크게 의존하는 업무는 보류해야 합니다.
ERP 시대부터 수십 년에 걸쳐 구축된 산업 기반, 120만 고객 서비스, 수천만 대 단말 배포, 국내외 시장 커버리지는 한 가지를 보여줍니다. 중소기업의 디지털 성숙도는 편차가 크고 Agent 배포에 보편적 템플릿은 없습니다. 어디서 시작할지 결정하기 전에 자신의 시스템 통합 수준과 데이터 품질을 이해하는 것이 개념을 쫓는 것보다 훨씬 중요합니다.