AI Agent 플랫폼 선정은 누구의 모델 파라미터가 더 많은가가 아니라, 플랫폼이 에이전트를 기존 업무 시스템에 안전하게 심고 폐루프를 닫을 수 있는가입니다. 먼저 세 가지를 확인해야 합니다. 데이터를 현장에 두는 프라이빗 배포를 지원하는지, MES, ERP, SCADA에 표준 프로토콜로 연결할 수 있는지, 공정별 권한 격리와 사람의 인수인계를 허용하는지입니다. 이 세 가지가 정리된 뒤에야 모델 능력과 오케스트레이션 효율을 논할 수 있습니다.
1. AI Agent 플랫폼이 실제로 해결하는 문제
많은 공장이 AI에 대응해 채팅 창을 사고 나서 질의응답은 활발한데 라인은 여전히 예전처럼 멈춘다는 것을 발견합니다. AI Agent 플랫폼은 대화가 아니라 실행을 해결합니다. 대형 모델 추론을 스케줄링, 감사, 중단이 가능한 작업 단위로 감싸서, 에이전트가 텍스트만 내는 것이 아니라 설비 상태를 읽고 공정 지식 베이스를 호출하며 작업 지시 흐름을 발동할 수 있게 합니다.
전통적인 RPA와의 차이는 RPA가 고정 규칙으로 인터페이스를 클릭하다가 인터페이스가 바뀌거나 분기가 생기면 깨지는 반면, AI Agent는 어느 정도 의도 이해와 예외 처리를 갖추어 규칙 밖에서도 제한적으로 판단할 수 있다는 점입니다. 에이전트가 만능은 아니라는 점에 유의해야 합니다. 안전 인터록과 정밀 보상이 관련된 조치는 여전히 PLC와 모션 컨트롤러가 담당하고 에이전트는 권고와 흐름 오케스트레이션만 합니다.
2. 플랫폼 능력을 볼 때 중요한 기술 차원
1. 오케스트레이션과 도구 호출 프로토콜. 플랫폼이 OPC-UA, Modbus TCP, MQTT 같은 산업 프로토콜을 기본 지원하는지, RESTful이나 gRPC로 MES 작업 지시 인터페이스를 호출할 수 있는지 확인해야 합니다. 산업 프로토콜 적응 계층 없이 HTTP 플러그인만 지원하는 플랫폼은 현장 수준에서 크게 고전합니다. 도구 호출의 시간 초과 제어, 재시도 전략, 멱등성 설계가 구성 가능한지가 라인에서의 에이전트 안정성을 직접 결정합니다.
2. 지식 베이스와 검색 품질. 제조 지식은 상당 부분 SOP, 공정 카드, 설비 매뉴얼, 과거 보전 기록에 있으며 형식은 PDF, 스캔본, Excel 파라미터 표를 포함합니다. 플랫폼은 표 구조화 파싱과 텍스트 및 이미지 혼합 추출을 지원해야 하고, 검색은 벡터와 키워드의 혼합 검색에 재순위화를 제공하는 것이 좋습니다. 순수 벡터 검색은 모델 코드나 품번 같은 정확 일치 사례에서 재현율이 눈에 띄게 떨어집니다.
3. 권한과 감사. 현장 시나리오는 모든 에이전트 행동을 추적할 수 있어야 합니다. 누가 개시했는지, 어떤 도구를 호출했는지, 어떤 작업 지시를 읽었는지, 어떤 권고를 출력했는지입니다. 플랫폼에는 작업 로그, 도구 호출 사슬 추적, 역할 기반 데이터 접근 경계가 필요합니다. 공정 파라미터와 관련된 쓰기 작업은 사람의 확인 단계를 지원해야 하며 완전 자동이어서는 안 됩니다.
4. 배포 형태. 프라이빗 배포는 컨테이너 기반 납품을 지원하는지, 인터넷 없이 격리된 현장 네트워크에서 실행할 수 있는지, 모델을 로컬 오픈소스 모델로 교체할 수 있는지 확인해야 합니다. 하이브리드 클라우드 아키텍처에서는 데이터 반출과 비식별화 정책을 확인해야 하며, 특히 제품 도면과 공정 파라미터를 가진 기업은 더욱 그렇습니다.
3. 어떤 제조 단계부터 시작하는 것이 안전한가
전자 공장이 SMT 전환을 한다고 가정하면, 에이전트 플랫폼은 먼저 전환 체크리스트 자동 확인을 맡을 수 있습니다. MES에서 작업 지시 모델을 읽고, 해당 스텐실과 피더 테이블의 공정 파일을 검색하며, 현재 장착 테이블과 대조해 불일치를 라인 반장에게 확인용으로 푸시합니다. 이런 시나리오는 택트가 안정적이고 판단 규칙이 명확하며 리스크가 낮고 빈도가 높아 첫 단계로 좋습니다.
자동차 부품 회사가 설비 점검을 한다고 가정하면, 에이전트는 SCADA 위에 앉아 교대조별 진동, 온도, 전류 추세를 가져오고 과거 보전 작업 지시와 대조해 이상을 선별하며 보전팀에 점검 권고를 생성합니다. 여기서 에이전트는 정지 명령을 직접 내리지 않고 경고 등급만 매겨 오판이 OEE를 해치는 일을 피합니다.
또 다른 범주는 품질 이상 추적입니다. 사출 성형 공장에서 불량 배치가 나오면 에이전트는 결함 유형을 금형 보전 기록, 배럴 온도 곡선, 원료 배치 번호와 자동으로 연결하고 확률 순으로 유력 원인을 공정 엔지니어에게 출력합니다. 이런 시나리오는 검색과 상관 능력이 강하게 요구되지만 실시간 요구가 낮아 엣지 서버에 적합합니다.
4. 선정과 도입 시 주의해야 할 실무 문제
통합을 어떻게 선택할 것인가. 미들웨어 계층을 줄이기 위해 표준 프로토콜로 직접 연결을 지원하는 플랫폼을 우선해야 합니다. MES 업체가 인터페이스를 폐쇄했다면 플랫폼이 읽기 전용 데이터베이스 뷰 접근이나 메시지 큐 구독을 제공하는지 확인해야 합니다. 에이전트가 운영 데이터베이스에 직접 쓰게 해서는 안 되며, 읽기와 쓰기의 분리가 최저선입니다.
하드웨어 요구는 얼마나 까다로운가. 프라이빗 배포의 추론 노드는 동시성과 모델 크기에 달려 있습니다. 7B에서 14B 모델은 추론 카드 한 장에서 실행되지만 에이전트가 동시에 돌면 메모리와 컨텍스트 길이가 빠듯해집니다. 엣지 측은 보통 경량 추론을 하는 산업용 PC를 쓰고 무거운 작업 스케줄링은 중앙에 두며, 한 기기가 모든 것을 하리라 기대해서는 안 됩니다.
도입에는 얼마나 걸리는가. 단일 단계 파일럿은 환경 구성부터 폐루프 작동까지 보통 몇 주에서 두 달이며 인터페이스 난이도와 지식 베이스 품질에 달려 있습니다. 지식 베이스 데이터가 지저분하고 SOP 버전이 혼란스러운 기업은 정리에 시간이 눈에 띄게 더 들며, 이 작업은 종종 과소평가됩니다.
흔한 오해는 무엇인가. 하나는 도구 경계를 정의하지 않고 에이전트를 만능 질의응답으로 여겨 무엇이든 답하게 하는 것이고, 다른 하나는 권한 설계를 건너뛰고 운영 시스템에 바로 연결하는 것이며, 세 번째는 도메인 미세 조정이나 규칙 제약 없이 범용 대형 모델로 공정 파라미터를 계산하게 하는 것입니다. 업계의 흔한 관행은 소형 모델, 규칙 안전장치, 사람 확인의 3층 구조이지 하나의 대형 모델이 모든 것을 하는 것이 아닙니다.
5. 적합성 판단: 무엇이 맞고 무엇을 아직 미뤄야 하는가
적합한 시나리오는 택트가 비교적 안정적이고 판단 규칙을 설명할 수 있으며 예외 분기가 제한적인 단계입니다. 예를 들어 전환 확인, 점검 경고, 초기 품질 추적, 작업 지시 정보 보완, 설비 매뉴얼 질의응답입니다. 이들은 오류 허용도가 높고 사람 확인을 끼워 넣기 쉬운 지점입니다.
부적합하거나 신중해야 할 시나리오는 안전 인터록이 관련된 실시간 제어, 고정밀 모션 보상, 반사가 강하거나 변형이 큰 부품의 비전 판단, 다품종 소량이고 공정 지식이 아직 디지털화되지 않은 단계입니다. 이들은 에이전트 응답 사슬을 넘어서는 실시간 성능을 요구하거나 기초 데이터가 추론을 뒷받침하기에 너무 부족합니다. 반사가 강하고 변형이 큰 부품 검사는 광학 솔루션과 표본 수를 별도로 평가해야 하며, 에이전트가 하드웨어 부족을 보상하리라 가정해서는 안 됩니다.
ERP 시대부터 수십 년간 일하고 120만 고객을 서비스하며 수천만 대의 단말을 구축하고 국내외 시장을 커버해 온 업체 생태계에서는 설비에서 관리 계층까지 완전한 데이터 경로를 제공하는 솔루션이 에이전트 통합에서 잘못된 길로 덜 들어갑니다. 선정 시에는 데모 영상의 대화 유창성을 판단하기보다, 내 MES에 연결할 수 있는지, 문제가 생겼을 때 누가 리스크를 부담하는지를 명확히 묻는 것이 훨씬 유용합니다.