지식 센터
목차

AI Agent와 전통 MES의 통합 경로

AI Agent와 전통 MES의 통합은 본질적으로 MES를 기록 시스템에서 의사결정 시스템으로 업그레이드하는 일이며, 3단계 경로를 따릅니다. 먼저 데이터 인터페이스를 연결하고, 다음으로 에이전트를 특정 공정에 붙여 보조 판단을 하게 하며, 그 다음에야 공정 간 자율 스케줄링으로 넘어갑니다. 핵심 기준은 하나뿐입니다. 에이전트의 출력이 MES의 작업 지시, 자재, 품질 모듈에서 직접 실행될 수 있는가입니다. 실행할 수 없는 통합은 데모일 뿐입니다.

1. AI Agent와 전통 MES의 통합이 실제로 해결하는 문제

전통적인 MES는 실행 계층에 강합니다. 작업 지시 배분, 실적 수집, 배치 추적, SPC 이탈 검출은 1990년대부터 쓰인 논리로 관계형 데이터베이스와 규칙 엔진 위에 구축되어 있습니다. 약점은 계산이 느린 것이 아니라 절충을 저울질하지 못한다는 점입니다. 예를 들어 SMT 전환에서 MES는 어느 실장기에 보충이 필요한지 알려주지만, 어느 라인을 먼저 바꾸고 전환 손실과 납기 리스크를 어떻게 균형 잡을지는 판단해 주지 않습니다.

AI Agent가 바로 이 간극을 채웁니다. MES 데이터 기반 위에 대형 모델 추론과 도구 호출을 더하고, 구조화된 MES 데이터를 받아 실행 가능한 권고를 출력하거나 작업 지시 파라미터를 직접 기록합니다. 둘은 대체 관계가 아닙니다. MES는 단일 권위 데이터 소스로 남고 에이전트는 그 앞에 붙는 조언자입니다.

2. 통합의 기술 원리와 핵심 능력

통합의 물리적 형태는 보통 중간 계층으로, 업계에서는 Agent Gateway 또는 오케스트레이션 계층이라고 부릅니다. 아래로는 OPC-UA, MQTT, RESTful API로 MES와 설비 계층에 연결되고, 위로는 자연어 인터페이스와 의사결정 API를 노출합니다. 네 가지 핵심 능력이 있습니다.

첫째는 도구 호출입니다. 에이전트는 MES의 작업 지시, BOM, 공정 경로, 검사 기록을 읽고 써야 하므로 보고서 내보내기만으로는 부족하고 세밀한 MES API가 필요합니다. 둘째는 컨텍스트 주입으로, 현재 작업 지시의 공정 파라미터, 과거 수율, 설비 상태를 에이전트 입력 컨텍스트로 묶되 현재 공정과 관련된 필드만 넣어 토큰 예산을 통제합니다. 셋째는 제약 검증으로, 에이전트의 권고는 규칙 엔진을 통과해야 하며 예를 들어 어떤 작업 지시도 설비의 정격 택트를 초과할 수 없습니다. 이 단계는 생략할 수 없습니다. 넷째는 추적성으로, 모든 에이전트 결정은 입력 데이터, 추론 근거, 출력 행동과 함께 기록되어 ISO 9001의 공정 추적 요구를 충족해야 합니다.

프로토콜 수준에서는 설비 데이터에 OPC-UA가 더 안정적이고, MES 업무 데이터에는 RESTful, 실시간 요구가 높은 스테이션 신호에는 MQTT가 적합합니다. 정밀도에 관해서 에이전트는 서보를 직접 제어하지 않고 파라미터와 명령을 출력하며 실제 실행 정밀도는 여전히 PLC와 모션 컨트롤러가 보장합니다. 이 구분은 중요합니다.

3. 제조업의 대표적인 응용 시나리오

전환이 잦고 품번이 많은 SMT 실장을 하는 전자 공장을 가정해 보겠습니다. 에이전트는 스케줄링 단계에 붙어 MES에서 작업 지시 납기, 현재 실장기 프로그램, 피더 잔량을 읽고 전환 순서 권고를 출력합니다. 작업자는 MES 인터페이스에서 권고를 보고 한 번의 확인으로 작업 지시 순서를 조정합니다. 여기서 에이전트는 설비를 건드리지 않고 스케줄링만 다룹니다.

공구 마모로 치수 드리프트가 발생하는 가공을 하는 자동차 부품 공장을 가정해 보겠습니다. 에이전트는 MES의 SPC 데이터와 공구 수명 카운트를 받아 CPK가 하한에 접근하면 공구를 조기에 교체하도록 권고하고, 교체 지시를 MES 보전 작업 지시에 기록합니다. 이는 고정 교체 주기보다 공구 수명을 더 살리고 순수 수동 판단보다 시의적절합니다.

세 번째 시나리오는 품질 추적입니다. 특정 배치가 고객 불만을 일으키면 엔지니어는 자연어로 이 자재의 베이킹 기록과 리플로우 프로파일에 이상이 있는지 에이전트에게 묻고, 에이전트는 MES 배치 추적 인터페이스와 SCADA 프로파일 데이터를 호출해 상관 분석을 산출합니다. 이런 시나리오는 실시간 요구가 낮아 가장 빠르게 구현됩니다.

4. 선정과 도입 시 유의할 점

통합 방식이 첫 번째 함정입니다. 많은 레거시 MES는 API 없이 직접 데이터베이스 연결만 제공합니다. 이 경우 데이터 서비스 계층을 추가하거나 MES 업체의 SDK를 사용해야 합니다. 에이전트 접근을 위해 운영 데이터베이스를 직접 조회하는 것은 운영 환경에서 리스크가 있으므로 읽기 전용 복제본을 사용해야 합니다.

하드웨어 요구는 크지 않습니다. 에이전트 추론은 엣지 서버나 프라이빗 클라우드에서 실행할 수 있습니다. 핵심은 규정을 준수하는 네트워크 격리로, OT와 IT 네트워크 사이의 단방향 게이트웨이는 생략할 수 없습니다. GPU 평가가 필요한 것은 비전 기반 에이전트뿐이며 순수 텍스트 추론은 CPU로 충분합니다.

도입 주기는 단일 공정 보조 판단이 보통 주 단위, 공정 간 스케줄링이 월 단위로 측정됩니다. 어려움은 모델이 아니라 데이터 거버넌스입니다. 공정 경로가 부정확하고 BOM 버전이 혼란스러우면 아무리 뛰어난 에이전트도 신뢰할 만한 권고를 낼 수 없습니다.

흔한 오해는 에이전트를 MES 옆에 질문에만 답하고 기록하지 않는 챗봇으로 붙이는 것으로, 가치를 제한합니다. 다른 하나는 에이전트가 규칙 검증을 우회하여 제어 명령을 직접 발행하게 하는 것으로, 이산 제조에서는 매우 위험합니다.

5. 적합한 시나리오와 그렇지 않은 시나리오

적합한 경우는 전환이 잦고 품번이 많으며 스케줄링이 사람의 경험에 의존하는 이산 제조, 품질 추적 사슬이 길고 불만 분석에 시간이 많이 드는 시나리오, SPC 이탈 후 근본 원인을 빠르게 찾아야 하는 설비 파라미터가 많은 시나리오입니다. 이런 시나리오는 데이터 기반이 어느 정도 있고 의사결정 경계가 명확하여 에이전트의 증분 가치가 분명합니다.

부적합한 경우는 연속 생산이고 라인 정지 비용이 극히 높은 프로세스 산업의 구간으로, 에이전트의 권고 지연과 불확실성을 받아들이기 어렵습니다. 데이터 수집이 불완전한 라인은 SCADA와 MES 커버리지를 먼저 높여야 합니다. SIL 인증이 필요한 인터록 제어에는 에이전트가 들어가서는 안 됩니다.

이 시스템을 제공하는 업체는 ERP 시대부터 수십 년간 일하고 120만 고객을 서비스하며 수천만 대의 단말을 구축하고 국내외 시장을 커버해 왔으며, MES 데이터 모델에 대한 이해가 통합의 기반이 됩니다. 다만 자사 라인에 대해서는 먼저 한 가지를 물어야 합니다. MES API가 충분히 개방되어 있고 공정 데이터가 정확한가? 그 답이 통합이 어디까지 갈 수 있는지를 결정합니다.

주제: AI 및 AI 에이전트 백과