작업장 안전에 AI Agent를 적용하는 핵심은 수동적 위험 점검을 능동적 위험 모니터링으로 바꾸는 것이다. 멀티모달 지각으로 영상, 센서, 작업지시 데이터를 실시간으로 읽고 작업 행동이 규정을 준수하는지, 설비 상태가 이상한지 자율적으로 판단하며, 필요하면 경보나 정지 인터록을 건다. 전통적 안전 모니터링과 가장 큰 차이는 AI Agent가 장면 맥락을 이해하고 의사결정할 수 있으며 단순히 영상을 기록하고 재생하는 데 그치지 않는다는 점이다.
1. 작업장 안전에서 AI Agent가 실제로 해결하는 문제
전통적 안전 관리는 오랫동안 세 지점에서 막혀 있었다. 불안전한 인간 행동을 전부 관찰할 수 없고, 불안전한 설비 상태를 늦게 발견하며, 관리 조치가 착지하지 않는다. 카메라는 많지만 사람이 화면을 보면 한 교대조 안에 집중력이 사라진다. 가스, 온도, 진동 센서 데이터는 SCADA에 도달하지만 임계값 알람이 너무 자주 울려 작업자가 그냥 음소거한다. AI Agent의 가치는 인지, 판단, 행동을 폐루프로 꿰는 데 있다. 헬멧 미착용, 펜스 넘기, 화기 작업 주변 가연물 미정리 같은 행동 위험을 인식하고, 설비 진동 스펙트럼과 온도 추세를 결합해 잠재 고장도 판단한다. 한 전자 공장의 가상 훈련에서 SMT 현장의 야간 자재 교체 시점처럼 인원 이동이 많은 시간대에 Agent가 해당 기간 위반 감지 민감도를 자동으로 높이고 모든 영상을 사람 앞에 쌓는 대신 고위험 클립을 당직 관리자에게 밀어 넣었다.
2. 기술 원리와 핵심 역량을 뒷받침하는 것
AI Agent는 단일 모델이 아니라 인지, 추론, 실행 계층의 결합이다. 인지 계층은 멀티모달 입력에 의존한다. 영상 스트림은 객체 검출과 자세 추정을 거치고, 센서 데이터는 시계열 이상 감지를 거치며, 작업지시와 허가서는 자연어 파싱을 거친다. 추론 계층은 보통 규칙 엔진과 경량 대형 모델을 결합해 공동 판단한다. 승인된 화기 작업 허가서와 가연성 가스 농도 초과가 겹치는 교차 모달 충돌은 임계값 알람만으로 잡을 수 없지만 Agent는 잡을 수 있다. 실행 계층은 OPC-UA로 PLC에 연결되고 MES 인터페이스로 작업지시를 발행하며 음향 및 시각 경보를 연동한다. 핵심 파라미터에서 영상 행동 인식은 실시간 개입을 위해 보통 200밀리초 이내 추론 지연을 요구하고, 가스 센서 샘플링은 1Hz 이상이어야 하며, Agent의 의사결정 로그는 ISO 45001 추적 요구를 충족하도록 완전히 보존되어야 한다. 업계는 일반적으로 엣지 추론과 클라우드 모델 반복 개선을 채택하며, 엣지 박스는 채널 수와 모델 복잡도에 따라 보통 수십 TOPS 범위다.
3. 제조업의 어떤 공정에서 실제로 쓸 수 있는가
시나리오 하나, 자동차 부품 기업의 프레스 현장이다. 프레스 위험 구역은 라이트 커튼으로 보호되지만 금형 교체와 셋업에는 사람이 들어가야 하는 경우가 많다. AI Agent는 라이트 커튼 신호와 영상 자세 판단을 결합한다. 기기가 수동 모드이고 누군가 위험 구역에 들어가면 즉시 음향 및 시각 경보를 트리거하고 슬라이드 하강을 잠근다. 여기서 핵심은 정상 셋업과 무단 진입을 구분하는 것이며, 작업지시 상태와 인원 권한을 활용한 공동 판단에 의존한다.
시나리오 둘, 전자 공장의 위험물 창고다. Agent는 창고 내 온도, 습도, VOC 센서에 연결되고 입출고 기록과 결합해 판단한다. 용제 입고 후 창고의 VOC 농도 상승률이 이상하면 창고 관리자에게 확인 과제를 자동으로 밀어 넣고 해당 구역 영상을 끌어와 포장 파손 여부를 확인한다. 이는 농도가 임계값을 초과하기만 기다리는 것보다 대응 창을 앞당긴다.
시나리오 셋, 식품 가공 기업의 밀폐 공간 작업이다. 허가서 승인 후 Agent는 작업자 수, 가스 검지기 판독값, 작업 지속 시간을 계속 비교하고, 감시자가 자리를 비웠거나 검출 데이터가 중단되면 안전 관리자에게 자동 통보하고 기록을 보존한다. 이런 시나리오는 허가서 필드가 기업마다 크게 달라 규칙 구성의 유연성이 높아야 한다.
4. 구현 시 주목할 실무 이슈
통합 방식이 첫 번째 관문이다. Agent는 영상 플랫폼에서 GB/T 28181이나 RTSP로 스트림을 끌어오고, SCADA에서 OPC-UA나 Modbus로 실시간 데이터를, MES에서 작업지시 상태를 가져와야 한다. 데이터 사전 검토로 시작해 허가 상태, 설비 모드 같은 핵심 필드의 값 정의를 정렬해야 하며, 그렇지 않으면 Agent의 판단 로직이 허점을 드러낸다.
하드웨어 측면에서 영상 분석 채널 수가 엣지 연산을 결정한다. 현장에 행동 인식용 카메라가 16대이고 각각 1080p 15프레임으로 샘플링한다고 하자. 엣지 박스는 여러 검출 모델을 병렬로 실행할 수 있어야 하며, 벤더에 실제 모델로 스트레스 테스트를 요청해야 한다. 센서 측면에서 SCADA 수집이 이미 있으면 Agent는 보통 읽기만 하고 쓰지 않아 원래 제어 루프에 영향을 주지 않는다.
2주 만에 가동하려 기대하지 말아야 한다. 실제로 현장에 Agent를 배포하는 데는 세 단계가 있다. 데이터 접근과 현장 정렬에 약 2~3주, 규칙 구성과 시나리오 튜닝에 약 3~4주, 오경보 수렴을 포함한 시운전에 다시 2~4주다. 오경보율이 시운전 단계의 핵심 지표이며, 행동 인식은 복잡한 조명과 가림에서 오경보가 더 많이 나므로 현장에서 음성 샘플을 수집해 모델을 반복 개선해야 한다.
흔한 오해는 Agent를 만능 감시로 여기는 것이다. 규칙은 사람이 정의하고 유지해야 하며, 허가서 필드가 바뀌거나 설비 모드가 추가 제거되면 규칙도 갱신해야 한다. 네트워크 조건도 간과해서는 안 된다. 영상 스트림과 센서 데이터가 동시에 흐르면 현장 스위치 백플레인 대역폭과 VLAN 분할을 사전에 평가해야 한다.
5. 어떤 시나리오가 적합하고 어떤 것이 부적합한가
적합한 시나리오는 작업 흐름이 비교적 표준화되고 기존 영상과 SCADA 데이터 기반이 있으며 안전 위험이 인간 행동과 설비 상태의 관찰 가능한 차원에 집중된 공정이다. 프레스, 사출, 위험물 보관, 밀폐 공간 작업, 화기 작업 감독이 그렇다. 이런 시나리오는 규칙을 열거할 수 있고 데이터를 얻을 수 있어 Agent의 폐루프 가치가 분명하다.
부적합한 시나리오는 반사가 강하거나 분진이 많거나 가림이 심한 시각 조건으로 행동 인식 정확도가 눈에 띄게 떨어져 보조 조명이나 다른 카메라 각도를 평가해야 한다. 공정 메커니즘이 매우 복잡하고 고장 샘플이 극히 적은 설비는 시계열 이상 감지에 학습 데이터가 부족해 전통적 임계값과 수동 순찰이 더 신뢰할 만하다. 허가가 전부 종이 기반이고 전자 작업지시 흐름이 없는 기업은 Agent가 판단 근거를 갖지 못하므로 프로세스를 먼저 디지털화한 뒤 Agent를 논해야 한다.
수십 년간 ERP 시대에서 활동하며 120만 고객을 서비스하고 수천만 단말을 배치했으며 국내외 시장을 커버하는 기업 생태계에서는 데이터 접근에서 엣지 추론까지 전 과정을 제공할 수 있지만, 선택은 여전히 현장별 소규모 범위에서 검증하며 오경보율과 처분 종결률이 말하게 해야 하고 데모 효과만으로 판단해서는 안 된다.