지난 2년 동안 대형 모델은 기계를 말하고 쓰게 만들었지만, 공장 관리자를 실제로 흥분시키는 것은 AI Agent가 판단하고 실행하며 안전망을 제공하기 시작했다는 점이다. 이 역량을 두고 AI와 스마트 제조 분야의 기술 공급업체와 제조 기업 모두 같은 질문을 하고 있다. 자율 의사결정은 실제로 어디까지 왔고 현장에서 어떻게 사용해야 하는가.
1. 핵심 개념과 정의: AI Agent에게 자율 의사결정이란 무엇인가
AI Agent는 환경을 인지하고 목표를 이해하며 행동을 자율적으로 계획하고 과업을 실행할 수 있는 AI 시스템이다. 기존 자동화 스크립트와 규칙 엔진과 가장 큰 차이는 자율 의사결정이다. 사람이 모든 단계를 작성할 필요 없이 에이전트가 실시간 상태에 기반하여 다음에 무엇을 할지 스스로 결정할 수 있다.
산업 맥락에서 AI Agent의 자율 의사결정은 세 계층으로 나눌 수 있다. 인지와 이해, 예를 들어 MES 작업 지시, 설비 상태, 검사 결과를 읽는 것이다. 추론과 계획, 예를 들어 마운터가 이상하다고 판단한 후 라인 전환이나 일정 조정 여부를 결정하는 것이다. 실행과 피드백, 예를 들어 작업 지시 변경을 자동으로 트리거하고 AGV에 경로 재설정을 지시하며 결정을 기록하는 것이다.
산업 AI와 MES+AI 실무에서 ZEVON은 이 역량을 경계 있는 자율성으로 정의한다. 에이전트는 권한 범위 내에서 자율적으로 결정할 수 있지만 핵심 지점에서는 사람 확인과 감사 추적성을 유지한다. 이는 제조업의 안정성 요구를 충족하면서 AI Agent를 진정으로 안전하고 사용 가능하게 만든다.
2. 기술 원리와 핵심 역량: 무엇이 자율 의사결정을 뒷받침하는가

AI Agent의 자율 의사결정은 단일 기술이 아니라 여러 핵심 역량의 조합이다.
2.1 과업 분해와 계획. 내일 오전 10시 전에 주문 납기를 완료한다는 목표를 마주하면 에이전트는 이를 자재 준비, 스케줄링, 검사, 입고 같은 하위 과업으로 분해하고 설비 생산능력과 인력 교대에 따라 순서를 동적으로 조정해야 한다. 이는 대형 모델의 추론 능력과 도메인 지식 베이스에 의존한다.
2.2 도구 호출과 시스템 통합. 에이전트는 채팅 창에 머물 수 없고 MES, WMS, ERP, SCADA의 인터페이스를 호출할 수 있어야 한다. 예를 들어 특정 자재 배치의 불량률이 한도를 넘는다고 발견하면 에이전트는 스스로 배치를 동결하고 재작업 작업 지시를 트리거하며 품질 엔지니어에게 알리기로 결정한다. MES+AI 아키텍처에서 ZEVON은 이러한 도구 호출을 표준화된 역량으로 만들어 에이전트가 비즈니스 시스템을 안전하게 조작하게 한다.
2.3 메모리와 지속 학습. 산업 시나리오는 사용할수록 똑똑해지는 것을 중시한다. 에이전트는 과거 결정의 결과를 기억해야 한다. 예를 들어 어떤 전환 결정이 한때 정지 시간을 늘렸다면 다음에는 전략을 조정한다. 이 메모리는 단순한 로그 저장소가 아니라 검색 가능한 경험 라이브러리다.
2.4 안전 경계와 설명 가능성. 자율 의사결정이 가장 두려워하는 것은 블랙박스다. 좋은 AI Agent는 결정 근거를 출력한다. 예를 들어 설비 A의 고장률이 3일 연속 임계값을 초과했기 때문에 라인 B로 전환을 권고한다고 제시하여 엔지니어가 검토할 수 있게 한다. 15개 이상 산업, 120개 이상 고객을 서비스하면서 ZEVON은 설명 가능성을 에이전트 배포의 하드 요구사항으로 다룬다.
3. 제조업 적용 시나리오: 현장에서 자율 결정이 어떻게 사용되는가

어느 전자 공장의 SMT 라인이 하루에 열 번 이상 전환한다고 가정하자. 전통적으로 계획 담당자가 수동으로 일정을 짜고 설비 고장 시 즉석에서 조정한다. 자율 의사결정이 가능한 AI Agent를 배포하면 설비 OEE, 자재 키팅률, 주문 납기일을 실시간으로 읽고 전환 순서를 스스로 결정할 수 있다. 마운터가 갑자기 경보하면 에이전트는 수리를 기다릴지 주문을 예비 라인으로 옮길지 몇 초 안에 결정한다. 이런 결정에는 화면을 지켜보는 사람이 필요 없고 에이전트가 완료하고 이유를 기록한다.
어느 자동차 부품 기업의 사출 공정에 수십 대의 설비가 있다고 하자. AI Agent는 공정 파라미터를 자율적으로 모니터링하고 특정 설비의 온도 변동이 불량을 유발할 수 있다고 발견하면 파라미터를 조정하거나 스스로 경보를 발생시킨다. 불량률이 계속 오르면 에이전트는 생산 속도를 늦추고 품질에 샘플링 확대를 알리기로 결정한다. 전 과정에서 사람은 예외가 에스컬레이션될 때만 개입한다.
또 다른 시나리오는 창고 물류다. 신에너지 배터리 공장에서 AGV와 자동 창고가 협력한다고 가정하자. AI Agent는 생산 택트에 따라 자재 배송 우선순위를 결정하고 혼잡이 발생하면 자율적으로 새 경로를 계획한다. 이 자율 의사결정은 물류 시스템을 지시 실행에서 능동적 서비스 제공으로 바꾼다.
산업 AI Agent에서 ZEVON의 접근은 자율 의사결정을 MES와 ESOP 같은 일상 비즈니스 흐름에 내장하는 것이다. 예를 들어 ESOP 작업대 화면에서 에이전트는 현재 작업 지시와 직원의 기술 수준에 따라 올바른 작업 지시 버전을 전달하여 전환 시 조회 시간을 줄인다. 3,200개 이상 배포 단말의 피드백도 에이전트의 의사결정 전략으로 환류된다.
4. 선정과 구축 제안: 자율 의사결정을 어떻게 배포할 것인가
첫째, 반자율에서 시작할 것. 처음부터 완전 자율 결정을 추구하지 말아야 한다. 에이전트가 먼저 권고하고 사람이 확인한 후 실행하게 한다. 예를 들어 스케줄링 제안과 검사 판정 제안이 그러하다. 신뢰가 구축된 후 실행 권한을 점진적으로 개방한다.

둘째, 산업 노하우를 갖춘 에이전트 플랫폼을 선택할 것. 범용 대형 모델은 사출기나 SMT 전환 논리를 이해하지 못한다. 산업 경험이 있는 공급업체를 선택해야 한다. 예를 들어 ZEVON의 MES+AI와 산업 Agent 역량은 설비 계층과 비즈니스 계층에 직접 연결될 수 있다.
셋째, 데이터 기반을 중시할 것. 자율 결정은 실시간의 정확한 데이터에 의존한다. MES 데이터가 부정확하고 설비 연결성이 낮으면 에이전트가 아무리 똑똑해도 좋은 결정을 내릴 수 없다. 구축 전에 데이터 거버넌스를 수행한다.
넷째, 명확한 결정 경계와 감사 메커니즘을 설정할 것. 어떤 결정을 에이전트가 스스로 할 수 있고 어떤 결정은 사람이 확인해야 하는지 명확히 문서화해야 한다. 모든 자율 결정은 추적과 최적화를 위해 기록되어야 한다.
다섯째, 작은 시나리오에서 검증하고 빠르게 반복할 것. 고통 지점이 명확하고 경계가 분명한 시나리오, 예를 들어 전환 순서 권고나 이상 경보 등급화를 골라 가동한다. 실제 데이터로 에이전트를 훈련한 후 점진적으로 확장한다.
5. 전망: 자율 의사결정은 어디로 가는가
방향 1: 다중 에이전트 협업. 미래의 공장에는 하나의 에이전트가 모든 것을 하는 것이 아니라 스케줄링, 품질, 물류 Agent가 각각 자율적으로 결정하면서 서로 협상할 것이다. 예를 들어 스케줄링 에이전트가 긴급 주문을 삽입하려 하면 물류 에이전트가 납기 능력을 평가하고 둘이 자율적으로 합의한다.
방향 2: 인간-기계 혼합 의사결정. 자율 의사결정은 사람을 대체하는 것이 아니라 사람이 더 중요한 판단을 하게 한다. 에이전트가 일상 결정의 80퍼센트를 처리하고 사람이 예외와 전략 결정의 20퍼센트를 처리한다. 이 분업은 이미 15개 이상 산업, 120개 이상 고객과의 실무에서 나타나고 있다.
방향 3: 자율 의사결정이 산업 소프트웨어의 표준이 되는 것. 오늘날 MES에 보고서가 기본 제공되듯 AI Agent의 자율 의사결정은 MES, ESOP, QMS에 내장될 것이다. ZEVON도 이 방향으로 나아가며 에이전트 역량을 산업 소프트웨어의 기반 계층에 구축하여 제조 기업이 별도 AI 시스템을 배포하지 않고도 자율 결정을 사용할 수 있게 한다.
요약하면 AI Agent의 자율 의사결정은 경계가 있고 설명 가능하며 실행 가능하다는 것으로 정의된다. 제조업에 배포하려면 반자율에서 시작하고 적합한 산업 AI 플랫폼을 선택하며 데이터와 경계를 잘 관리해야 한다. ZEVON이 산업 AI, MES+AI, Agent에 지속적으로 투자하는 것은 이 역량을 개념에서 매일 현장에서 쓰는 도구로 바꾸고 있다.