AI Agent는 환경을 자율적으로 인지하고 목표를 분해하며 도구를 호출하고 결과가 나올 때까지 과업을 계속 실행할 수 있는 소프트웨어 실체이며, 한 번에 한 질문만 답하는 챗봇과 근본적으로 다르다. 지난 2년 동안 대형 모델의 추론 능력이 향상되고 산업 디지털 기반이 성숙하면서 AI Agent는 스마트 제조에서 빠르게 주목받으며 MES와 산업 인터넷 플랫폼 이후 제조 기업 디지털 업그레이드의 새로운 초점이 되었다. 점점 더 많은 공장 관리자가 묻고 있다. AI Agent가 정확히 무엇을 할 수 있고, 기존 시스템과 어떤 관계이며, 도입할 때 무엇을 주의해야 하는가.
1. 핵심 개념과 정의
AI Agent는 두뇌와 손발을 갖추고 스스로 일할 수 있는 AI 프로그램으로 이해할 수 있다. 여기에는 네 가지 기본 요소가 있다. 목표, 메모리, 계획, 도구 호출이다. 목표를 주면, 예를 들어 오늘 사출 공정의 비정상 정지 원인을 정리하고 책임자에게 알리라고 하면, 스스로 단계를 분해한다. 먼저 설비 로그를 조회하고, 다음으로 공정 파라미터를 비교하고, 그 다음 결론을 생성하며, 마지막으로 메시징 채널로 알림을 보낸다.
기존 소프트웨어와 가장 큰 차이는 기존 소프트웨어는 사람이 미리 작성한 프로세스를 실행하지만 AI Agent는 일정한 자율 의사결정 능력을 갖는다는 점이다. 일반 대형 모델 대화 제품과 비교하면 AI Agent는 답만 하는 것이 아니라 실행한다. MES, ERP, SCADA, WMS의 인터페이스를 호출하고 이메일, 보고서, 작업 지시 같은 도구를 조작하여 폐루프를 닫을 수 있다.
산업 환경에서 AI Agent는 보통 고립되어 존재하지 않고 MES, ESOP, 산업 AI 플랫폼 같은 시스템 위에 위치하며 지능형 배차자 또는 지능형 분석 조수의 역할을 한다. 산업 AI와 MES+AI에서 ZEVON의 탐구는 바로 에이전트 역량을 제조 실행과 현장 작업의 사슬에 내장하여 시스템을 기록 도구에서 실행 조수로 바꾸는 것이다.
2. 기술 원리와 핵심 역량
AI Agent 기술 스택은 대략 네 계층이다. 첫째는 모델 계층으로 언어, 이미지, 시계열 데이터 이해를 담당한다. 둘째는 계획 계층으로 큰 목표를 작은 과업으로 분해하는 일을 담당한다. 셋째는 메모리 계층으로 과거 맥락과 비즈니스 지식을 유지하는 일을 담당한다. 넷째는 도구 계층으로 외부 시스템과 장치를 호출하는 일을 담당한다.
핵심 역량은 네 영역에서 나타난다. 첫째는 과업 분해로 라인 수율 향상 같은 모호한 목표를 실행 가능한 행동으로 분해할 수 있다. 둘째는 도구 호출로 API나 RPA를 통해 MES, ESOP, PLC 시스템을 조작할 수 있다. 셋째는 메모리와 맥락으로 특정 설비의 파라미터가 지난 3일 동안 어떻게 변동했는지 기억할 수 있다. 넷째는 다중 에이전트 협업으로 여러 에이전트가 스케줄링, 검사, 물류를 각각 담당하고 서로 협상할 수 있다.
제조업에서 AI Agent는 종종 산업 지식 베이스와 결합되어야 한다. 공정 파라미터, 설비 매뉴얼, 과거 작업 지시는 모두 에이전트 판단의 근거다. 15개 이상 산업, 120개 이상 고객을 서비스하면서 ZEVON은 방대한 현장 지식을 축적했고, 그 지식이 바로 에이전트가 배포될 때 가장 필요로 하는 연료다. 산업 지식이 없는 에이전트는 공정을 이해하지 못하는 배차자와 같아 생산 라인에 거의 도움이 되지 못한다.
3. 제조업 적용 시나리오
어느 전자 공장의 SMT 실장 단계에서 부품 폐기율이 자주 높다고 가정하자. 전통적으로 엔지니어가 로그를 뒤지고 파라미터를 확인하고 회의를 연다. AI Agent를 배포하면 폐기율을 자동으로 모니터링하고 이상이 나타나면 노즐 진공값, 피더 속도, 환경 온습도 같은 데이터를 끌어와 과거 최적 배치와 비교하고 조정 조언을 제시하며 설비 엔지니어에게 수리 작업 지시를 직접 생성한다. 누구도 프로세스를 시작할 필요가 없다.

어느 자동차 부품 기업의 고객 주문이 자주 바뀌고 일정을 매일 조정해야 한다고 가정하자. AI Agent는 ERP 주문과 MES 생산능력 데이터를 지속적으로 읽고, 긴급 주문이 삽입되면 자동으로 세 가지 스케줄링 옵션을 시뮬레이션하여 납기일과 전환 비용에 대한 영향을 평가하고 가장 좋은 옵션을 계획 담당자에게 전달해 확인을 받는다. 계획 담당자는 수동 스케줄링에서 옵션 검토로 이동하여 효율이 뚜렷하게 향상된다.
또 다른 예로 어느 사출 공장의 야간 근무 품질 변동이 크다고 하자. ESOP 전자 작업 지시와 결합하면 AI Agent는 작업자가 표준 동작을 따르는지 실시간으로 비교하고 편차가 나타나면 작업대 단말로 상기시키며 교대 품질 파일에 기록할 수 있다. 여기서 ZEVON의 ESOP와 에이전트 역량의 결합은 작업 지시를 정적 문서에서 동적 감독으로 바꾼다. 3,200개 이상의 단말 사용자가 대표하는 배포 규모에서 이 역량은 더 넓은 도입의 현실적 근거를 갖는다.
4. 선정과 구축 제안
첫째, Agent가 있으면 좋겠다는 이유만으로 도입하지 말 것. 어떤 단계가 고빈도이고 규칙이 비교적 명확하며 시스템 간 작업이 필요한지 정리한다. 예외 처리, 보고서 통합, 작업 지시 배차처럼 에이전트가 가장 잘 맞는 영역이다.
둘째, 데이터 기반을 중시할 것. 에이전트 결정의 품질은 데이터 품질에 달려 있다. MES 데이터가 부정확하고 설비 연결성이 낮으면 에이전트가 아무리 똑똑해도 어려움을 겪는다. 공급업체를 선정할 때 에이전트 껍데기만 파는지 아니면 전체 MES+AI 역량을 갖췄는지 확인한다.
셋째, 작은 시나리오에서 검증할 것. 하나의 공정, 하나의 라인 또는 한 부류의 예외를 시범으로 삼아 인지, 결정, 실행, 피드백의 폐루프를 닫은 후 점진적으로 확장한다. 산업 AI 구축에서 ZEVON은 시나리오 먼저, 데이터 다음, 에이전트로 폐루프를 닫는다는 순서를 강조하며 이는 현장 현실에 잘 맞는다.
넷째, 설명 가능성과 통제 가능성에 주의할 것. 산업 시나리오는 오류 허용도가 낮으므로 에이전트의 조언은 근거까지 추적 가능해야 하고 핵심 행동은 사람이 확인해야 한다. 선정 시 에이전트의 의사결정 로직을 재현할 수 있는지, 권한을 등급화할 수 있는지, 이상 시 서킷 브레이커를 작동할 수 있는지 명확히 물어야 한다.
다섯째, 기존 시스템과의 호환성을 고려할 것. 에이전트는 MES나 ERP를 대체하는 것이 아니라 강화한다. 표준 인터페이스로 기존 시스템에 연결되고 기존 마스터 데이터와 권한 구조를 재사용할 수 있는지가 배포 비용을 직접 결정한다.
5. 전망
첫 번째 방향은 에이전트와 산업 대형 모델의 심층 통합이다. 미래의 공장에는 스케줄링 Agent, 검사 Agent, 설비 정비 Agent 같은 역할이 있고 이들이 하나의 산업 지식 베이스를 공유하며 협력할 수 있다.
두 번째 방향은 에이전트가 엣지로 확장되는 것이다. 엣지 컴퓨팅 성능이 커지면서 에이전트를 라인 측 엣지 박스에 직접 배포하여 밀리초 대응을 달성하고 클라우드 의존을 줄일 수 있다.
세 번째 방향은 에이전트와 ESOP, MES의 더 깊은 통합이다. 작업 지시, 생산 실행, 예외 처리는 더 이상 사람이 여러 시스템을 따로 조작할 필요 없이 에이전트가 통일적으로 배차하게 될 것이다. ZEVON이 MES+AI와 산업 Agent에 지속적으로 투자하는 것은 이 수렴에 대한 베팅이다. 제조 기업에게 AI Agent를 한 걸음 먼저 이해하는 것은 다음 라운드 디지털 업그레이드에서 한 걸음 먼저 주도권을 잡는 것이다.