AI Agent와 전통 MES의 통합은 본질적으로 사람이 소프트웨어를 조작하는 일을 Agent가 시스템 능력을 호출하는 일로 바꾸는 것이다. MES는 생산 데이터의 기록과 통제 기반으로 남고 AI Agent는 그 위에서 의도 이해, 작업 분해, 모듈 간 조정, 예외 처리를 맡는다. 둘은 API, 메시지 큐, OPC-UA 채널로 연결되며 모든 것을 뜯어내고 새 시스템으로 바꾸는 방식이 아니다. 대부분 공장에게 이는 개조 비용을 통제할 수 있고 단계별로 검증할 수 있는 경로다.
1. AI Agent가 MES 내부에서 실제로 해결하는 문제
전통 MES는 공정을 고정하는 데 강하다. 작업지시 발행, 공정 경로, 보고 수집, 품질 추적성 각 단계가 미리 정한 논리로 돈다. 문제는 그 사전 설정 밖에 있다. 삽입 주문을 어떻게 스케줄링할지, 여러 설비가 동시에 경보할 때 어느 것을 먼저 처리할지, 입고 배치가 흔들릴 때 파라미터를 조정할지 등 이런 판단은 오랫동안 사람에게 밀려 있었다. AI Agent가 메우는 것이 바로 이 틈이다. 내일 A 라인의 긴급 주문을 앞당기되 B 라인이 결품되지 않게 하라는 자연어 목표를 이해하고 스케줄링, 자재, 설비 하위 작업으로 분해한 뒤 MES 스케줄링, 재고, 설비 상태 인터페이스를 호출해 실행하고 결과를 기록할 수 있다.
즉 MES는 규칙에 따른 기록과 실행을 맡고 AI Agent는 규칙이 불완전한 지점의 결정을 맡는다. 관계는 대체가 아니다. MES의 실시간 작업지시와 설비 데이터가 없으면 Agent는 공회전하고, Agent가 없으면 MES의 모든 예외를 사람이 지켜봐야 한다.
2. 통합의 기술 원리와 핵심 능력은 무엇인가
통합의 기반은 인터페이스 계층이다. 흔한 접근은 MES가 RESTful API나 메시지 토픽을 노출하고 Agent가 OPC-UA로 설비 측 데이터를 수집하며 MQTT로 라인 이벤트를 구독해 감지-결정-기록 루프를 구성하는 것이다. 핵심 능력은 네 가지다.
의도 파싱과 작업 오케스트레이션. 작업장 감독자의 한 문장을 구조화된 작업 체인으로 나누고 제약(납기, 설비 가용성, 자재 키팅)을 식별한다. 이 단계는 대형 모델의 이해력과 공장 자체 규칙 기반의 검증에 의존한다.
도구 호출. Agent는 데이터베이스를 직접 수정하지 않고 작업지시 생성, 경로 변경, 품질 판정 같은 기존 MES 표준 인터페이스를 호출해 작업이 감사 가능하고 롤백 가능하게 한다.
기억과 컨텍스트. 최근 스케줄링 결과, 설비 고장 이력, 배치 품질 기록을 유지해 Agent의 판단에 근거가 있게 하고 매번 처음부터 시작하지 않는다.
예외 폐루프. 설비 경보가 발생하면 Agent는 같은 설비 모델의 과거 처리 기록을 먼저 조회하고 조치를 제안해 사람 확인으로 푸시하며, 고위험 조치는 절대 자동 실행하지 않는다.
3. 어떤 제조 시나리오가 먼저 작동하는가
전자 공장이 SMT 마운팅을 하고 전환이 잦고 삽입 주문이 많다고 하자. Agent는 MES 스케줄링 모듈에 연결되고 계획 담당자가 A 라인에 오후 3시 전에 긴급 주문을 넣는다고 입력하면 Agent는 스텐실, 피더 스테이션, 마운팅 프로그램이 모두 준비되었는지 확인하고 조정된 스케줄링 안을 제시하며 담당자 확인 후 MES에 기록한다. 이곳은 택트가 안정적이고 데이터가 완전해 검증하기 비교적 쉬운 시나리오다.
자동차 부품 기업이 기계가공을 하고 설비 연결률이 높지만 경보 처리가 숙련 기술자에 의존한다고 하자. Agent는 설비 경보 이벤트를 구독하고 MES의 공정 파라미터와 공구 수명 기록을 결합해 공구 마모인지 파라미터 드리프트인지 판단한 뒤 처리 제안을 교대 리더에게 푸시한다. 이런 시나리오는 데이터 품질 요구가 높고 경보 코드가 표준화되어야 하며 그렇지 않으면 Agent가 읽을 수 없다.
세 번째 시나리오는 품질 추적성이다. 완제품 한 배치가 샘플링 검사에서 불합격하면 Agent는 MES 배치 계보를 따라 같은 원자재, 같은 교대와 설비, 같은 공정 파라미터로 만들어진 재공을 역추적하고 검사가 필요한 범위를 확정한다. 사람이 기록을 넘기는 시간을 대체하며 판단 논리는 여전히 품질 엔지니어가 정의한다.
4. 구현에서 피할 수 없는 실무 질문
통합 방식을 어떻게 고를 것인가. MES 벤더가 노출하는 API를 우선하고 API가 없을 때만 메시지 미들웨어나 데이터베이스 뷰를 고려한다. 생산 데이터베이스를 직접 읽는 것은 위험이 크고 쓰기 작업은 반드시 감사 로그가 있는 인터페이스를 거쳐야 한다.
어떤 하드웨어 조건이 필요한가. Agent 자체는 서버나 엣지 노드에서 돌고 라인 설비에 직접 연결되지 않는다. 실시간 설비 데이터 수집이 필요하면 엣지 게이트웨이가 OPC-UA를 지원해야 하고 샘플링 주기는 공정 단계로 정하며 보통 초 단위면 충분하고 고택트 공정만 추가 평가가 필요하다.
구현에 얼마나 걸리는가. 단일 시나리오 검증은 보통 몇 주 단위로 인터페이스 연결에서 규칙 튜닝으로 진행한다. 작업장 간 확산은 MES 데이터의 표준화 정도에 달려 있고 기준정보가 일치하지 않으면 주기가 눈에 띄게 길어진다.
흔한 오해. 첫째, Agent를 만능 질의응답 로봇으로 여기고 인터페이스 권한을 주지 않아 말만 하고 행동하지 못하는 것이다. 둘째, Agent가 MES 데이터를 흔적 없이 직접 수정하게 해 감사를 통과하지 못하는 것이다. 셋째, 전 공장 스케줄링부터 시작해 제약이 너무 많아 검증 자체가 되지 않는 것이다.
5. 어떤 시나리오가 이 통합에 적합하고 어떤 것이 부적합한가
적합한 경우는 주문 삽입이 잦고 예외 이벤트가 많으며 MES 데이터가 비교적 완전하고 인터페이스 능력이 명확한 라인, 판단 집약적이지만 규칙으로 기술할 수 있는 연결고리(계획, 스케줄링, 예외 처리, 품질 추적성), MES를 교체하지 않고 대응 속도를 높이려는 공장이다.
부적합한 경우는 MES가 아직 안정적으로 돌지 않고 기준정보와 작업지시 정확도가 낮아 Agent가 신뢰할 데이터를 얻지 못하는 공장, 반사가 강하고 변형이 큰 비전 판단 시나리오로 별도 평가가 필요하고 범용 Agent에 맡길 수 없는 경우, 안전 요구가 극히 높아 자동 쓰기 작업을 허용하지 않는 공정으로 Agent는 조언만 할 수 있고 실행할 수 없다.
ERP 시대 이후 수십 년의 산업 축적, 120만 고객 서비스와 누적 수천만 단말 배치는 한 가지를 보여준다. 제조 시스템의 가치는 데이터 연속성에 있다. AI Agent와 전통 MES의 통합은 그 연속성 위에 지능형 스케줄링 계층을 더하는 경로이며, 데이터가 깨끗하고 경계가 명확한 공정 하나를 먼저 검증하는 것이 전 공장 확산보다 신중하다.