지난 1년간 대형 모델은 계속 뜨거웠지만, 제조업 CIO를 실제로 놀라게 한 것은 AI Agent가 손발을 쓰기 시작했다는 점입니다. 더 이상 질문에 답만 하지 않고 MES를 열어 작업 지시를 확인하고, PLC를 호출해 파라미터를 바꾸고, ERP 재고를 읽고, 품질 보고서를 생성할 수 있습니다. 이 도구 호출 역량의 성숙이 산업 AI를 시연장에서 생산 현장으로 밀어내고 있습니다.
I. 핵심 개념과 정의
AI Agent의 도구 호출 역량은 간단히 말해 Agent가 추론 과정에서 어떤 도구를 어떤 순서로 어떤 파라미터로 사용할지, 반환 결과를 어떻게 처리할지 결정하는 전체 메커니즘입니다. 여기서 도구는 소프트웨어 API에 국한되지 않고 데이터베이스 조회, 파일 조작, 설비 명령, 심지어 또 다른 하위 Agent도 포함합니다.
산업 맥락에서 도구 호출은 AI Agent를 조언자에서 조작자로 바꿉니다. 예를 들어 설비 운영·유지보수를 담당하는 Agent가 사출기 온도 이상을 발견하면 이력 데이터 인터페이스를 호출해 동일 모델 머신의 곡선을 비교하고, 작업 지시 시스템을 호출해 수리 작업을 생성하며, 마지막으로 기업 메신저 시스템을 호출해 담당자에게 통보할 수 있습니다. 전 과정에 단계별 클릭이 필요 없으며 Agent가 스스로 계획하고 실행하고 검증합니다.
ZEVON이 산업 AI 실무에서 보여준 바에 따르면 도구 호출 역량의 수준이 Agent가 전시품인지 실제 제품인지를 직접 결정합니다. 도구 호출이 없으면 Agent는 텍스트 제안만 출력할 수 있고, 도구 호출이 있으면 폐루프로 작업을 완료할 수 있습니다.
II. 기술 원리와 핵심 역량
도구 호출은 간단해 보이지만 네 개의 관문을 통과해야 합니다.
첫 번째 관문은 도구 설명과 발견입니다. 모든 도구는 Agent에게 이름, 기능, 필요한 파라미터, 반환 형식을 알려 주는 기계 판독 가능한 명세가 필요합니다. MES + AI 시나리오에서 ZEVON은 작업 지시 조회, 생산 보고, 품질 데이터 입력, 설비 상태 읽기 같은 일반 작업을 표준 도구로 감싸 Agent가 필요에 따라 호출하게 하고 하드코딩하지 않습니다.
두 번째 관문은 계획과 추론입니다. '어제 A 라인의 불량률을 확인하고 반장에게 통보하라' 같은 작업이 주어지면 Agent는 스스로 분해해야 합니다. 먼저 MES를 호출해 생산 데이터를 받고, 다음 품질 시스템을 호출해 불량률을 계산하고, 그다음 주소록을 호출해 반장을 찾고, 마지막으로 메신저 인터페이스를 호출해 전송합니다. 어느 단계가 실패하면 재시도하거나 다른 경로를 찾아야 합니다.
세 번째 관문은 파라미터 채움과 검증입니다. 도구 호출에서 가장 큰 위험은 잘못된 파라미터를 넘기는 것입니다. 예를 들어 작업 지시 조회에는 라인 번호, 날짜 범위, 작업 지시 상태가 필요하며 Agent는 이를 맥락에서 정확히 추출하고 유형 검증을 수행해야 합니다. 산업 시나리오는 오류 허용도가 낮아 잘못된 파라미터가 잘못된 명령을 촉발할 수 있습니다.
네 번째 관문은 결과 파싱과 피드백입니다. 도구는 흔히 JSON, 표, 상태 코드를 반환하며 Agent는 이를 이해하고 작업이 완료되었는지 판단하며 다음 행동을 결정해야 합니다. 응답이 설비 통신 타임아웃이면 Agent는 재시도할지, 백업 채널로 전환할지, 사람에게 상향할지 알아야 합니다.
이 네 관문을 통과해야 Agent가 진정한 도구 호출 역량을 갖춥니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)을 서비스하며 제조 기업이 세 번째와 네 번째 관문의 안정성을 가장 중시한다는 것을 확인했습니다. 현장은 '대충 맞음'을 허용하지 않기 때문입니다.
III. 제조업 적용 시나리오
전자 공장의 SMT 마운팅 라인 전환이 잦고 매 전환마다 피더 테이블 확인, 리플로 존 조정, MES 작업 지시 갱신이 필요하다고 가정해 봅시다. 전환 보조 Agent를 배치하면 MES를 호출해 새 작업 지시의 BOM과 피더 정보를 받고, 설비 인터페이스를 호출해 현재 피더 위치를 읽고, 차이를 자동 비교해 작업자에게 알리며, 전환이 끝나면 생산 보고 인터페이스를 호출합니다. 작업자는 확인, 비교, 입력에서 확인과 실행으로 이동하고 전환 시간은 눈에 띄게 압축됩니다.

자동차 부품 기업의 품질 검사가 숙련 작업자의 육안 검사에 의존하고 유출률이 흔들린다고 가정해 봅시다. 품질 검사 Agent는 산업용 카메라 인터페이스를 호출해 이미지를 캡처하고, 비전 모델을 호출해 결함을 추론하며, MES를 호출해 검사 결과를 기록하고, 연속 결함이 나타나면 Andon 시스템을 자동 호출해 라인을 정지시킵니다. Agent는 사람을 대체하는 것이 아니라 캡처, 판정, 기록, 경보의 체인을 자동화합니다.
또한 야간조에 무인 운전하는 사출 공장을 가정해 봅시다. 운영·유지보수 Agent는 주기적으로 설비 데이터 인터페이스를 호출하고, 한 머신의 형체력 이상을 발견하면 이력 수리 기록을 자동 비교해 유압유 문제로 판단하고, 예비품 재고를 호출해 재고가 있음을 확인한 뒤 자재 청구를 생성하고 당직자에게 통보합니다. 전 과정이 사람이 문제를 찾는 것에서 문제가 사람을 찾는 것으로 바뀝니다.
이런 시나리오에서 ZEVON의 MES + AI 역량은 하위 데이터 채널과 비즈니스 규칙을 제공하고 Agent는 유연한 호출을 담당합니다. 3,200대 이상 단말의 피드백은 도구 호출이 실제 업무 흐름에 가까울수록 Agent 채택률이 높다는 것을 보여줍니다.
IV. 선정과 실행 제안
첫째, 빈도가 높고 규칙적이며 시스템을 넘나드는 작업을 정리합니다. 도구가 많을수록 좋은 것이 아니며 수작업이 번거롭고 단계가 고정되어 있으며 여러 시스템이 관련된 연결고리를 우선합니다. 예를 들어 '재고를 확인하고 가격을 비교해 구매 청구를 생성하라'는 '시장 수요를 예측하라'보다 좋은 시작점입니다.
둘째, 도구 인터페이스는 안정적이고 원자적이어야 합니다. 하나의 도구는 하나의 일만 하고 파라미터와 반환 형식이 고정되어야 합니다. '작업 지시를 조회하고 상태를 바꾸고 통보하라'를 하나의 도구로 묶지 마십시오. 그러면 Agent가 유연하게 조합할 수 없습니다.
셋째, 사람 확인 노드를 유지합니다. 산업 현장에서 설비 제어, 파라미터 발행, 라인 정지 명령이 관련된 도구 호출은 2차 확인을 거쳐야 합니다. Agent가 제안하고 사람이 최종 권한을 부여합니다.
넷째, 단일 Agent와 단일 도구에서 시작해 점진적으로 확장합니다. Agent가 도구 하나를 호출해 작은 문제 하나를 해결하는 것을 익히고 인지, 계획, 호출, 피드백의 폐루프가 작동한 뒤 더 많은 도구와 복잡한 작업을 추가합니다.
다섯째, 관측 가능성에 주목합니다. 모든 도구 호출은 무엇을 호출했고 무엇을 넘겼고 무엇이 반환되었고 얼마나 걸렸고 성공했는지 기록되어야 합니다. 문제를 소급할 수 있어야 시스템이 계속 개선됩니다.
V. 전망
첫 번째 방향은 도구 호출의 표준화입니다. MCP 같은 프로토콜이 산업계에서 더 빠르게 채택되어 서로 다른 벤더의 MES, ERP, SCADA 도구를 통일된 설명으로 Agent가 발견하고 호출할 수 있게 되어 통합 비용이 크게 낮아집니다.
두 번째 방향은 다중 Agent 간 협업 호출입니다. 생산 Agent가 품질 Agent를 호출하고 품질 Agent가 다시 설비 Agent를 호출해 Agent 간 도구 호출 체인을 형성합니다. 복잡한 제조 흐름의 자동화에 매우 중요합니다.
세 번째 방향은 도구 호출과 엣지 컴퓨팅의 결합입니다. 현장에서는 Agent가 로컬 도구를 호출해 실시간 결정을 하고, 클라우드에서는 빅데이터 도구를 호출해 장주기 최적화를 합니다. 엣지-클라우드 협업 도구 호출이 산업 AI를 현장의 리듬에 더 가깝게 만듭니다.
본질적으로 AI Agent의 도구 호출 역량은 대형 모델에 손발을 붙이는 것입니다. 제조업에게 이 손이 나사를 조이고 버튼을 누르고 서식을 채울 수 있는지가 시를 쓸 수 있는지보다 훨씬 중요합니다. ZEVON이 산업 AI와 MES + AI에 지속적으로 투자하는 것도 이 손을 현장에서 더 안정되고 정확하고 신뢰할 수 있게 만들기 위해서입니다.