AI Agent의 핵심 아키텍처는 보통 인지, 계획, 메모리, 도구 호출, 실행 피드백의 다섯 모듈로 구성되며, 이 중 계획과 도구 호출이 기존 자동화 스크립트와 진정한 Agent를 가르는 핵심 분수령입니다. 대형 모델 역량이 산업 현장으로 내려오면서 AI Agent는 대화형 보조도구에서 생산 라인 의사결정으로 이동하고 있으며, 스마트 제조에서 가장 주목받는 기술 방향 중 하나가 되었습니다.
I. 핵심 개념과 정의
AI Agent는 흔히 에이전트로 번역되며, 환경을 자율적으로 인지하고 목표를 분해하며 도구를 호출하고 실행을 지속적으로 이터레이션해 특정 작업을 완료할 수 있는 소프트웨어 실체를 말합니다. 전통 RPA 및 규칙 엔진과 가장 큰 차이는 RPA는 미리 설정된 흐름대로 버튼만 클릭할 수 있지만 AI Agent는 목표 지향 추론을 갖추어 예외를 만나면 스스로 경로를 조정할 수 있다는 점입니다.
산업 맥락에서 AI Agent는 흔히 MES, ESOP, QMS 같은 시스템에 내장되어 사고하는 운영 계층이 됩니다. ZEVON은 산업 소프트웨어 분야에서 오랫동안 일해 왔으며, MES와 ESOP 제품군을 통해 Agent 역량을 생산 스케줄링, 공정 안내, 품질 추적으로 가져와 시스템을 기록 도구에서 의사결정 보조도구로 업그레이드하고 있습니다.
II. 기술 원리와 핵심 역량
완전한 AI Agent 아키텍처는 다섯 계층으로 나눌 수 있습니다.

1. 인지 계층: 설비 PLC 데이터, MES 작업 지시, 비전 검사 이미지, 음성 명령, 텍스트 작업 지시 등 멀티모달 입력을 수신합니다. 산업 시나리오에서 인지 계층은 OPC UA, Modbus 같은 프로토콜 변환도 처리해야 합니다.
2. 계획 계층: Agent의 두뇌입니다. 사용자나 시스템이 발행한 목표를 하위 작업으로 분해하며 ReAct 추론, 사고 연쇄, 작업 트리 분해 등의 기법을 사용합니다. 예를 들어 '오늘 A 라인의 불량률을 2퍼센트 이하로 낮춰라'를 실시간 데이터 추출, 불량 공정 위치 파악, 이력 파라미터 비교, 튜닝 권장안 생성, 검증 작업 지시 발행으로 분해합니다.
3. 메모리 계층: 단기 메모리와 장기 메모리로 나뉩니다. 단기 메모리는 현재 세션의 맥락을 담고, 장기 메모리는 공정 파라미터와 문제 해결 경험을 벡터로 저장해 향후 유사 시나리오에서 검색합니다. 메모리 계층이 없는 Agent는 매번 처음부터 시작하며 현장은 이를 받아들이기 어렵습니다.
4. 도구 호출 계층: Agent는 API나 함수 호출로 외부 시스템을 조작합니다. MES 작업 지시 조회, ESOP를 통한 작업 지시 푸시, AGV 배차 촉발, 품질 보고서 생성 등입니다. 도구 호출의 정확도가 Agent의 착지 여부를 직접 결정합니다.
5. 실행과 피드백 계층: 실행 결과가 인지 계층으로 환류해 폐루프를 완성합니다. 산업 시나리오는 추적성을 중시하며 모든 결정이 기록을 남겨야 하므로, ZEVON은 MES + AI 아키텍처에서 감사 로그를 중점으로 설계합니다.
핵심 역량 측면에서 산업 AI Agent는 세 가지 엄격한 요구를 충족해야 합니다. 라인 사이클 타임이 보통 초 단위로 측정되므로 낮은 지연 응답, 단 한 번의 환각도 라인을 멈추게 해서는 안 되므로 높은 신뢰성과 내결함성, 그리고 공정 담당자가 왜 그 파라미터 조정을 권장하는지 알아야 하므로 설명 가능성입니다.

III. 제조업 적용 시나리오
전자 공장의 SMT 공방에서 전환이 잦고 불량률이 높다고 가정해 봅시다. 전통적으로는 엔지니어가 경험으로 마운팅 머신 파라미터를 조정합니다. AI Agent를 배치하면 마운팅 머신의 불량 데이터를 실시간으로 읽고 이력 전환 기록과 자재 배치 정보를 결합해 노즐 진공값, 마운팅 높이, 속도 조합을 자동 권장하며 ESOP를 통해 조정 단계를 작업 스테이션 단말로 푸시합니다. 작업자가 확인하면 Agent는 이번 조정의 효과를 기록해 새로운 메모리 항목을 형성합니다. ZEVON의 ESOP는 여기서 최종 단계 실행 채널 역할을 하며 Agent의 권장안이 작업자에게 정확히 도달하게 합니다.
기계 가공을 하는 자동차 부품 기업에서 공구 마모가 치수 드리프트를 일으킨다고 가정해 봅시다. AI Agent는 CNC 공작 기계의 진동과 전류 신호에 연결되어 치수가 공차를 벗어나기 전에 잔여 공구 수명을 예측하고 공구 교체 작업 지시를 자동 생성해 MES 스케줄링과 동기화합니다. 공구 교체가 납기에 영향을 주면 Agent는 서로 다른 스케줄링 옵션을 시뮬레이션하고 정지 시간이 최소인 안을 권장합니다. 이런 시나리오에서 Agent의 가치는 엔지니어를 대체하는 것이 아니라 반복 판단에서 해방하는 것입니다.
또한 셀 그레이딩 데이터가 방대한 신에너지 배터리 공장을 가정해 봅시다. AI Agent는 그레이딩 곡선을 실시간으로 클러스터링하고 이상 셀을 자동 표시하며 코팅과 권취 공정의 파라미터 편차를 추적합니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)을 서비스하며, 제조 기업이 가장 필요로 하는 것은 화려한 대형 모델이 아니라 작업자의 조작 습관을 바꾸지 않고 기존 MES와 ESOP 흐름에 내장되는 Agent 역량임을 확인했습니다.
IV. 선정과 실행 제안
첫째, Agent의 경계를 정의합니다. 처음부터 만능 공장 두뇌를 구축하지 말고 ESOP 작업 지시 자동 생성, 설비 점검 이상 폐루프 처리, 수입 검사 보고서 자동 판정 같은 단일 고빈도 시나리오에서 시작합니다. 시나리오가 좁을수록 빨리 착지합니다.

둘째, 데이터 기반을 점검합니다. AI Agent의 계획 역량은 고품질 데이터에 의존합니다. MES의 작업 지시, 자재, 설비 데이터가 여전히 섬이라면 영리한 Agent도 아무것도 밀어낼 수 없습니다. 먼저 데이터 거버넌스를 하고 핵심 필드의 완전성과 시계열 데이터의 추적 가능성을 확보하는 것이 좋습니다.
셋째, 도구 호출의 안정성을 중시합니다. 현장은 '대충 맞음'을 허용하지 않습니다. 도구 호출은 멱등성, 롤백, 사람 확인 메커니즘을 갖추도록 설계해야 합니다. 파라미터를 발행하는 조작에는 사람의 2차 확인을 유지하고 Agent는 먼저 조언자, 나중에 실행자가 되게 합니다.
넷째, 설명 가능한 아키텍처를 선택합니다. 공정 담당자는 Agent가 왜 그런 권장을 하는지 알아야 합니다. 계획 계층은 추론 체인을 출력할 수 있어야 하고 메모리 계층은 어떤 이력 사례를 참조했는지 보여야 합니다. 블랙박스 Agent는 제조업에서 인수를 통과하기 어렵습니다.
다섯째, 작은 단계로 검증하고 빠르게 이터레이션합니다. 먼저 이력 데이터로 오프라인 검증을 하고, 다음으로 비핵심 라인에서 온라인 시범 운영을 하며, 그 후에야 메인 라인으로 확장합니다. ZEVON은 MES + AI 실행 실무에서 보통 고객에게 Agent의 1단계 목표를 완전 자동 의사결정이 아니라 엔지니어의 반복 조회 시간을 30퍼센트 이상 줄이는 것으로 설정하도록 권고합니다.
V. 전망
첫 번째 방향은 다중 Agent 협업입니다. 미래의 공장에는 Agent가 하나가 아니라 스케줄링 Agent, 품질 Agent, 설비 Agent, 물류 Agent가 각자 역할을 가지고 메시지로 협상합니다. 예를 들어 품질 Agent가 이상을 발견하면 스케줄링 Agent에 순서 조정을, 설비 Agent에 파라미터 점검을 능동적으로 요청합니다.
두 번째 방향은 Agent와 디지털 트윈의 융합입니다. Agent가 가상 라인에서 먼저 시뮬레이션하고 검증한 뒤 물리 라인에 배포합니다. 안전을 보장하고 전략 이터레이션을 가속합니다. ZEVON은 ESOP와 MES 통합 아키텍처에서 Agent의 의사결정 과정을 디지털 트윈에 매핑해 리허설하는 방안을 탐색하고 있습니다.
세 번째 방향은 엣지 Agent입니다. 대형 모델 추론은 비용이 크고 라인 사이클 타임은 기다려 주지 않습니다. 미래에는 경량 Agent가 엣지 게이트웨이나 산업용 PC에 배포되고 복잡한 추론만 클라우드로 보냅니다. 엣지는 실시간 응답을, 클라우드는 전략 최적화를 담당합니다.
전체적으로 AI Agent의 핵심 아키텍처는 신비롭지 않으며, 어려운 점은 인지, 계획, 메모리, 도구 호출, 실행 피드백의 다섯 계층을 현장에서 작동시키는 것입니다. 제조 기업에게는 개념을 쫓기보다 ESOP, MES 같은 기존 시스템에서 시작해 Agent가 먼저 하나의 구체적 문제를 해결하게 하는 것이 낫습니다. ZEVON은 3,200대 이상 단말을 서비스해 왔으며, 그 경험은 착지하는 Agent는 언제나 기존 산업 소프트웨어와 함께 성장하는 Agent라는 것을 보여줍니다.