AI Agent와 전통 MES의 통합은 본질적으로 MES를 기록 시스템에서 의사결정 및 실행 시스템으로 업그레이드하는 것이며, 세 단계로 진행된다. 먼저 데이터 인터페이스를 연결하고, 다음으로 Agent가 국소 의사결정 폐루프를 맡게 하며, 마지막으로 인간과 기계의 협업 스케줄링 계층을 형성한다. 오늘날 통하는 통합 방식은 모든 것을 뜯어고쳐 새 시스템을 만드는 것이 아니라 MES 위에 Agent 오케스트레이션 계층을 추가하고 OPC-UA, REST API, 메시지 큐로 기존 작업지시, 품질, 설비 모듈에 연결하는 것이다.
1. MES 내부에서 AI Agent가 실제로 해결하는 것
많은 공장이 MES를 제법 잘 쓴다. 작업지시가 배차되고 실적이 수집되며 추적성도 작동한다. 문제는 그다음에 무엇을 할지에 걸린다. 예외가 오면 MES는 알람만 올리고 사람이 판단하며, 일정이 바뀌면 MES는 결과만 기록하고 사람이 다시 계획하며, 품질이 흔들리면 MES는 데이터만 저장하고 사람이 원인을 찾는다. AI Agent가 메우는 것이 바로 이 데이터와 행동 사이의 틈이다.
전통 MES는 규칙 기반 트랜잭션 시스템으로 결정적 흐름에 강하다. 작업지시 상태 전이, 자재 로트 결속, SPC 이탈 규칙이다. AI Agent는 목표 기반 의사결정 단위로 불확실한 상황에 강하다. 다중 제약 일정 조정, 이상의 1차 원인 분류, 교차 시스템 과제 조정이다. 둘은 대체 관계가 아니다. MES는 기록과 현실의 일관성을 관리하고 Agent는 판단과 실행을 관리한다.
2. 통합의 기술 원리와 핵심 역량
통합의 핵심은 3계층 구조다. 하위 계층은 기존 MES 트랜잭션 엔진과 데이터베이스로, 작업지시, 자재, 품질, 설비 데이터의 권위를 보존한다. 중간은 Agent 오케스트레이션 계층으로 표준 프로토콜로 MES 데이터를 얻으며, 흔히 설비와 워크스테이션 상태는 OPC-UA, MES 작업지시 인터페이스는 REST API, 라인 이벤트 스트림 구독은 MQTT를 쓴다. 상위 계층은 Agent의 의사결정 출력으로, MES에 다시 기록해 폐루프를 닫거나 팀 단말이나 기업 메시징 도구로 밀어낼 수 있다.
네 가지 핵심 역량이 있다. 첫째는 도구 호출로, Agent가 MES 스케줄링, 조회, 리포팅 인터페이스를 호출해 말하기를 행하기로 바꾼다. 둘째는 맥락 기억으로, 특정 기기의 최근 고장 이력이나 특정 주문의 공정 파라미터 편차를 기억해 판단이 매번 영에서 시작하지 않게 한다. 셋째는 멀티 Agent 협업으로, 스케줄링, 품질, 설비 Agent가 각자 구간을 맡고 메시징으로 제약을 교환한다. 넷째는 인간 참여 루프로, 중요 결정에 승인 노드를 두어 Agent가 조언하고 사람이 결정하게 하며, 이는 통제된 프로세스에 대한 ISO 9001 요구를 충족한다.
기술 파라미터 측면에서 통합의 실시간성은 시나리오에 달려 있다. 설비 상태 수집은 보통 초에서 분 단위가 필요하고 OPC-UA 샘플링 주기는 100ms에서 1s로 설정할 수 있다. 작업지시 수준 결정은 지연에 민감하지 않아 분 단위 응답으로 충분하다. Agent 의사결정의 근거는 추적 가능해야 한다. 모든 출력이 어떤 MES 데이터를 호출했고 어떤 규칙이나 모델을 썼는지 기록해야 하며, 이는 제조 감사의 기본 요구다.
3. 제조업의 어떤 시나리오가 먼저 작동하는가
전자 공장이 SMT 실장 라인을 운영하고 사양 변경이 잦다고 하자. 전통적으로 계획 담당자는 MES의 작업지시 큐와 설비 상태를 보고 수동으로 순서를 바꾼다. 통합 방식에서는 스케줄링 Agent가 MES 작업지시 풀과 설비 OEE 데이터를 구독하고 사양 변경 시간 매트릭스와 결합해 권장 순서를 제안하며, 계획 담당자가 확인하면 MES에 기록한다. 이 시나리오는 경계가 명확하고 제약을 열거할 수 있어 구현 난이도가 낮다.
자동차 부품 기업의 품질 이상을 보자. 특정 공정의 CPK가 계속 하락하면 MES SPC 모듈이 알람을 올린다. 품질 Agent는 해당 배치의 인, 기계, 자재, 방법, 환경 데이터를 조회하고 유사 이력 배치와 비교해 지그 마모 의심 같은 1차 판단을 내리며, MES에 확인 대기 예외 티켓을 자동 생성한다. 여기서 Agent는 최종 판단을 하지 않고 근본 원인 범위를 좁혀 엔지니어를 데이터 탐색에서 해방시킨다.
설비 보전도 흔한 진입점이다. 기계 가공 공장의 MES에 수리 기록이 있고 SCADA에 스핀들 부하와 진동 데이터가 있다고 하자. 보전 Agent가 특정 기기의 부하 패턴이 기준선에서 벗어난 것을 감지하면 수리 이력으로 원인이 공구 마모인지 베어링 문제인지 판단하고 사전 보전 권고를 생성한다. 이런 시나리오는 충분한 이력 데이터가 필요하며, 데이터가 희박한 신규 라인이나 설비는 여기서 시작하기에 적합하지 않다는 점에 유의해야 한다.
4. 구현 시 유의할 점
통합 방식을 어떻게 선택할 것인가. MES가 이미 있고 인터페이스가 개방되어 있으면 변경을 최소화하는 API나 메시지 큐를 우선한다. 레거시 MES가 폐쇄적이면 데이터베이스 뷰 계층에서 읽기 전용 추출이 가능하지만, 기록 시에는 트랜잭션 로직을 우회하지 않도록 신중히 처리해야 한다. OPC-UA는 설비 계층 데이터 보완에 적합하며 MES 비즈니스 인터페이스의 대체가 아니다.
구현 주기를 어떻게 가늠할 것인가. 단일 시나리오 개념 검증은 보통 수 주에서 수개월이 걸리며 인터페이스 개방성과 이력 데이터 품질에 달려 있다. 멀티 Agent 협업은 Agent 간 제약 충돌과 우선순위 규칙을 해결해야 하므로 더 오래 걸린다. 전 공정을 한 번에 가동하려 기대하지 말고 경계가 명확한 시나리오 하나를 골라 먼저 폐루프를 닫아야 한다.
흔한 오해는 두 가지다. 하나는 Agent를 만능 질의응답 봇으로 여겨 지식 베이스를 연결하고 가동했지만 답이 추적 불가능하고 MES에 기록할 수 없어 2주 만에 방치되는 것이다. 다른 하나는 MES를 우회해 Agent가 생산을 직접 관리하게 하는 것으로, 트랜잭션 일관성을 보장하는 사람이 없어 기록이 곧 현실과 어긋난다. 올바른 자세는 MES는 기록, Agent는 판단이며 책무를 명확히 분리하는 것이다.
비용 구조에서 주요 지출은 인터페이스 개발, 데이터 거버넌스, 시나리오 튜닝이며 모델 자체가 가장 큰 항목은 아니다. 이력 데이터 정제는 흔히 과소평가되며, 설비 코딩 불일치나 작업지시 명명 비표준이 모두 Agent의 판단 정확도를 늦춘다.
5. 적합한 시나리오와 부적합한 시나리오의 경계
적합한 시나리오는 일정 조정이 잦고 제약을 열거할 수 있는 이산 제조, 품질 이상의 빠른 원인 수렴이 필요한 공정, 계획 보전에서 상태 기반 보전으로 이동하는 보전, MES와 WMS와 SCADA에 걸친 과제 조정이다. 공통점은 실행 가능한 데이터 기반, 명확한 의사결정 경계, 안전장치로서의 사람 확인 단계다.
부적합한 시나리오는 입고 자재 일관성이 나쁘고 공정 파라미터가 정리되지 않은 신제품 시험 라인, 추가 평가가 필요한 반사율이 높거나 변형이 심한 부품의 시각 검사, MES 데이터 정확도가 낮아 작업지시가 현실과 맞지 않는 공장(데이터 기반을 먼저 고쳐야 Agent를 논할 수 있다), 그리고 완전 무인 무등 라인으로 오늘날 Agent의 신뢰성은 무감독 결정에 아직 충분하지 않다.
수십 년간 ERP 시대에서 활동하며 120만 고객을 서비스하고 수천만 단말을 배치한 벤더의 산업 관행을 보면, 제조 시스템은 항상 교체가 아니라 계층 추가로 진화해 왔다. AI Agent와 MES의 통합도 마찬가지다. 인터페이스를 먼저 연결하고, 시나리오를 먼저 좁게 유지하고, 사람을 먼저 루프 안에 두며, 이 세 단계가 견고해진 뒤에 확대를 논해야 한다.