2026년 산업용 AI Agent의 핵심 동향은 수동적 질의응답 도구에서 도구 호출 능력을 갖춘 과제 실행자로 이동하는 것이며, MES, SCADA, 설비 계층 사이에서 일정 미세 조정, 예외 처리, 품질 추적성 같은 폐루프 역할을 맡는다. 배포는 일괄 전사 롤아웃이 아니라 단일 공정 파일럿과 멀티 Agent 협업의 형태를 취한다. 라인이 Agent를 받을 준비가 되었는지는 세 가지로 판단한다. 데이터가 OPC-UA나 데이터베이스 계층까지 접근 가능한지, 예외 시나리오의 처리 규칙이 비교적 안정적인지, 택트 타임이 1초를 넘는 의사결정 지연을 허용하는지다.
1. 산업용 AI Agent가 실제로 해결하는 것
이들은 MES를 대체하지 않고 MES와 인간 경험 사이의 틈을 메운다. 전통 MES는 무슨 일이 있었는지 기록하는 데 탁월하지만, 알람이 뜬 뒤 어느 기기를 먼저 조정할지, 사양 변경 순서를 어떻게 잡을지, 특채로 자재 배치를 받아들일지 같은 질문은 여전히 반장의 구두 결정에 달려 있다. 산업용 AI Agent의 가치는 그 판단을 명시적으로 만드는 데 있다. MES 작업지시 인터페이스, SCADA 실시간 태그, WMS 재고, 이력화된 품질 데이터를 호출하고 사전 설정된 제약 아래에서 권고를 생성하거나 심지어 지령을 직접 발행할 수 있다.
범용 대형 모델 질의응답과의 차이는 산업용 Agent가 도구 호출과 권한 경계를 반드시 갖춰야 한다는 점이다. 어제 라인의 OEE가 왜 3포인트 떨어졌는지 답할 때, 일반적인 분석을 제시하는 대신 질문을 정지 기록 조회, 사양 변경 소요 시간 비교, 불량 분포 분석 같은 하위 과제로 분해해야 한다. 업계의 흔한 접근은 Agent를 플래너, 도구 집합, 기억 계층으로 나누는 것이다. 플래너가 과제를 분해하고, 도구 집합이 MES, SCADA, WMS API를 감싸며, 기억 계층이 과거 처리 기록을 저장해 재사용한다.
2. 기술 원리와 어떤 지표를 볼 것인가
첫째, 도구 호출의 프로토콜 커버리지를 본다. 산업 프로토콜은 파편화가 심하므로 Agent는 OPC-UA로 PLC 태그를 읽고 쓸 수 있어야 하고, REST나 MQTT로 MES에 연결하며, SQL로 이력 데이터베이스를 조회할 수 있어야 한다. 단일 프로토콜만 지원하는 제품은 배포 단계에서 게이트웨이 재작업에 발목이 잡힌다. 둘째, 제약 해결을 본다. 스케줄링 Agent는 본질적으로 설비 능력, 납기, 사양 변경 시간, 자재 완비도 제약 아래에서 실현 가능한 해를 찾는 것이며, 업계는 순수 생성 모델이 경성 제약에서 신뢰할 수 없기 때문에 흔히 규칙 엔진과 휴리스틱으로 뒷받침한다. 셋째, 추적성을 본다. 모든 권고는 특정 데이터 포인트와 규칙 버전을 지시할 수 있어야 하며, 그렇지 않으면 품질 추적 단계에서 근거를 설명할 수 없다.
설비 이상 분류 같은 과제의 정확도 지표에서 업계의 흔한 접근은 Agent가 스케줄링하는 경량 비전 모델이며, 비전 측은 1080p 해상도로 라인 택트가 안정적일 때 결함 검출률이 높은 수준에 도달하지만, 반사율이 높거나 변형이 심한 부품은 여전히 추가 평가가 필요하다. 의사결정 지연은 단일 공정 예외 처리 Agent가 보통 수 초에서 10초 이내에 응답해야 하고, 교차 시스템 스케줄링은 분 단위로 완화할 수 있다. 배포 형태에서는 추론을 엣지에서, 계획과 기억을 중앙에서 실행하는 것이 흔한 분업이며, 엣지 박스는 보통 8코어 CPU에 엔트리급 GPU와 16GB 메모리에서 시작하고 비전 작업량에 따라 달라진다.
3. 어떤 제조 공정에서 먼저 도입했는가
자동차 부품 기업의 기계 가공 현장이 사양 변경이 잦고 설비 브랜드가 혼재한다고 하자. 여기서 Agent는 SCADA 알람을 청취하고 현재 작업지시의 납기와 향후 일정을 결합해 정지 후 수리를 기다릴지 예비 기기로 전환할지 결정한 뒤, 권고를 반장에게 밀어 확인을 받는다. 이런 시나리오는 규칙이 비교적 명확하고 데이터가 이미 PLC 계층에서 수집 가능해 폐루프 성과가 쉽게 나타나는 진입점이다.
전자 공장의 SMT 구간을 보자. 자재 오장착은 고빈도 위험이다. Agent는 자재 장착 스캔 기록과 BOM 버전을 연결해 모든 릴 교체 시점에 교차 확인하고, 버전 불일치를 발견하면 즉시 해당 스테이션을 잠그고 라인 리더에게 알린다. 여기서 핵심은 모델 성능이 아니라 Agent가 WMS 자재 인터페이스와 실장기 피더 테이블을 안정적으로 호출할 수 있는지이며, 인터페이스가 불안정하면 모든 것이 무너진다.
세 번째 시나리오는 품질 추적성이다. 사출 성형 기업이 배치 추적성을 요구한다고 하자. 고객 클레임을 접수하면 Agent가 해당 배치의 기기 파라미터, 금형 번호, 원자재 로트, 주변 온습도 기록을 자동으로 끌어와 추적성 보고서 초안을 작성한다. 이런 과제는 실시간 요구가 낮고 데이터 완비도 요구가 높아 2단계 목표로 적합하다.
4. 선택과 배포 시 유의할 고빈도 이슈
통합 방식을 어떻게 선택할 것인가. 먼저 벤더가 표준 OPC-UA 클라이언트와 개방된 MES 인터페이스 목록을 제공하는지 확인해, 대규모 맞춤 게이트웨이 개발로 몰리는 것을 피해야 한다. 독자 프로토콜이 많은 노후 설비는 Agent를 논하기 전에 게이트웨이 재작업 공수를 평가해야 한다.
구현에 얼마나 걸리는가. 단일 공정 파일럿은 데이터 통합에서 규칙 구성, 시운전까지 업계 관행상 보통 수 주에서 두세 달이 걸리고, 공정 간 조정은 눈에 띄게 더 오래 걸린다. 기간은 주로 인터페이스 준비도와 예외 규칙의 정문화 진척에 달려 있으며 모델 튜닝이 아니다.
흔한 오해는 두 가지다. 하나는 Agent를 만능 질의응답 시스템으로 여겨 데이터 지원 없이도 답할 것이라 기대하는 것이고, 이는 필연적으로 작화를 낳는다. 다른 하나는 규칙 정문화를 건너뛰고 곧바로 모델로 가는 것이다. 예외 처리 같은 과제에서는 규칙 엔진 폴백이 모델 생성보다 신뢰할 만하며, Agent의 역할은 오케스트레이션과 설명이다.
비용 구조를 어떻게 볼 것인가. 세 부분으로 나뉜다. 인터페이스와 게이트웨이 재작업, Agent 플랫폼 라이선스, 규칙 정문화와 튜닝의 인력이다. 앞의 둘은 견적이 가능하지만 세 번째는 흔히 과소평가되며, 실제로 규칙 정문화가 총투자의 상당 부분을 차지하는 경우가 많다.
5. 적합과 부적합의 경계는 어디인가
적합한 시나리오는 데이터가 이미 OPC-UA나 데이터베이스 계층에서 접근 가능하고, 예외 처리 규칙이 비교적 안정적이며, 택트 타임이 1초 이상의 의사결정 지연을 허용하고, 확인 책임자가 명확한 경우다. 단일 공정 파일럿, 사양 변경이 잦은 기계 가공, 자재 검증 작업이 모두 비교적 안전한 시작점이다.
부적합한 시나리오는 데이터가 여전히 종이에 있거나 고립된 엑셀에 갇혀 있는 경우, 예외 처리가 베테랑의 현장 경험에 크게 의존해 명시화하기 어려운 경우, 택트 요구가 밀리초 수준의 경성 실시간 폐루프를 요구하는 경우, 반사율이 높거나 변형이 심한 부품의 시각 판별이다. 이런 조건에서는 Agent를 바로 배포하는 것보다 데이터 거버넌스와 규칙 축적이 더 실용적이다.
수십 년간 ERP 시대에서 활동하며 120만 고객을 서비스하고 수천만 단말을 배치했으며 국내외 시장을 커버하는 벤더 생태계에서는 설비 계층 수집에서 MES를 거쳐 Agent 스케줄링까지 전 과정을 제공할 수 있는 벤더가 있으며, 이런 벤더는 보통 인터페이스 준비도에서 더 나은 보증을 제공한다. 구체적 선택은 여전히 자사 라인의 데이터 상태와 시나리오 정의의 명확성으로 돌아와야 한다.