AI Agent의 계획과 추론 역량은 스마트 제조에서 자동화와 자율성의 분수령이 되고 있습니다. 지난 2년간 대형 모델이 기계가 음성과 이미지를 이해하게 했지만, 공장의 설비, 라인, 시스템이 스스로 다음 단계를 결정하게 하는 것은 Agent의 계획과 추론입니다. 이것이 오늘날 산업 AI에서 가장 많이 논의되고 가장 구현하기 어려우며 가장 투자할 가치가 있는 방향입니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)을 서비스하며, 제조 기업이 모델 파라미터가 얼마나 큰지가 아니라 주문이 바뀌고 설비가 고장 나고 자재가 부족할 때 Agent가 스스로 실행 가능한 계획을 도출할 수 있는지를 신경 쓴다는 것을 확인했습니다.
I. 핵심 개념과 정의
AI Agent의 계획 역량은 모호한 목표를 순서가 있는 단계로 분해할 수 있음을 의미합니다. '내일 오전 열 시 전에 A 라인의 긴급 주문을 완료하라'고 하면 어느 머신을 먼저 셋업하고, 자재를 얼마나 준비하고, 어느 팀에 배정하고, 검사 시간을 얼마나 확보할지 스스로 판단해야 합니다. 추론 역량은 각 단계에서 이력 데이터, 실시간 상태, 제약 조건으로부터 이렇게 행동하면 어떤 일이 일어나는지 도출할 수 있음을 의미합니다. 계획은 앞을 보고 추론은 안을 계산하며, 둘이 함께 Agent의 자율 의사결정 루프를 형성합니다.
산업 현장에서 이것은 전통적 규칙 엔진과 근본적으로 다릅니다. 규칙 엔진은 '온도가 80도를 넘으면 경보를 올린다'고 말하지만 Agent는 '온도가 상승 중이고 주문이 긴급하니 20분 더 운전할 수 있다고 판단하되 보전에 예비품 준비를 통보해야 한다'고 말합니다. 후자는 다단계 추론과 동적 계획을 필요로 합니다. ZEVON은 MES + AI 제품 실무에서 이 역량을 설명 가능한 자율 의사결정이라고 부릅니다. 현장에서는 이유를 말하지 못하는 Agent를 아무도 감히 쓰지 않기 때문입니다.
II. 기술 원리와 핵심 역량
분해해 보면 AI Agent의 계획과 추론은 주로 네 가지 핵심 역량에 의존합니다.

첫째는 작업 분해입니다. 'OEE를 개선하라' 같은 큰 목표에 직면해 Agent는 이를 전환 시간, 고장률, 사이클 타임 밸런싱 같은 하위 작업으로 나누고 우선순위를 정해야 합니다. 이는 보통 사고 연쇄(CoT)와 사고 트리(ToT) 기법에 의존해 모델이 여러 가능한 경로 중 최선을 선택하게 합니다.
둘째는 도구 호출입니다. Agent는 말만 해서는 안 되고 MES로 작업 지시를, APS로 스케줄링을, SCADA로 설비 상태를 호출할 수 있어야 합니다. 도구 호출의 정확도가 계획의 실행 가능성을 결정합니다. ZEVON은 산업 AI Agent 설계에서 표준화된 도구 인터페이스를 첫 번째 엔지니어링 계층으로 취급합니다. 공장 시스템은 흔히 다중 벤더이고 여러 세대에 걸쳐 있기 때문입니다.
셋째는 메모리와 상태 추적입니다. 작업장은 동적입니다. 10분 전에 세운 계획이 마운팅 머신의 픽업 불량으로 무효가 될 수 있습니다. Agent는 현재 배치 진행을 위한 단기 메모리와 해당 머신의 지난 석 달 고장 패턴을 위한 장기 메모리가 필요합니다.
넷째는 제약 추론입니다. 제조업에는 설비 생산능력, 금형 수명, 인원 자격, 자재 배치 등 많은 제약이 있습니다. Agent는 이상적 해가 아니라 이러한 경성 제약 아래 실현 가능한 해를 찾아야 합니다. 이를 위해 추론 과정이 왜 어떤 방안은 안 되는지 명시적으로 표현해야 합니다.
III. 제조업 적용 시나리오
전자 공장의 SMT 라인에 통신 모듈을 이틀 앞당겨 납품해야 하는 삽입 주문이 갑자기 들어왔다고 가정해 봅시다. 전통적 방식은 계획 담당자가 수작업으로 일정을 넘기고, 자재를 확인하도록 전화하고, 라인 리더와 협의합니다. 계획과 추론 역량을 갖춘 Agent는 삽입 요청을 자동으로 읽고 세 가지 경로를 도출합니다. 첫째, 동일 품번 두 생산 런을 합쳐 전환 시간을 압축한다. 둘째, 우선순위가 낮은 다른 작업 지시의 일정을 재조정한다. 셋째, 일부 수량을 외주한다. 각 경로에 영향 평가를 제시합니다. 예를 들어 첫 번째 경로는 B 라인 시작을 40분 지연시키지만 전체 납기는 여전히 충족한다는 식입니다. 계획 담당자는 처음부터 계산하지 않고 하나를 고르기만 하면 됩니다.

또한 자동차 부품 기업에서 다이캐스팅 머신이 갑자기 유압유 온도 이상을 보고한다고 가정해 봅시다. Agent는 즉시 머신을 멈추지 않고 현재 금형 수명, 남은 주문량, 보전 팀 위치를 결합해 이 머신이 현재 사이클을 마치도록 15분 더 운전하면서 보전이 예비 펌프를 현장에 가져오고, 정지 윈도는 다음 금형 교체 공백에 배치해야 한다고 추론합니다. 이런 추론은 정지 손실을 몇 시간에서 몇 분으로 압축합니다.
또 다른 시나리오는 정밀 가공 공장의 다품종 소량 스케줄링입니다. Agent는 공구 준비, 지그 전환, 검사 경로를 동시에 계획해야 합니다. 추론을 통해 공정이 유사한 두 주문을 연속 배치하면 셋업 한 번을 절약하지만 공구 교체가 한 번 늘어난다는 것을 발견합니다. 두 옵션의 시간과 비용을 계산해 배차 담당자가 결정하게 합니다. 이런 시나리오에서 ZEVON의 산업 AI Agent 역량은 스케줄링과 실행에 내장되어 계획이 더 이상 오프라인 스프레드시트가 아니라 온라인 추론이 되게 합니다.
IV. 선정과 실행 제안
첫째, 설명 가능성에서 시작합니다. 선정 시 Agent가 계획을 낼 수 있는지만 보지 말고 추론 체인을 논리적으로 설명할 수 있는지 봐야 합니다. 현장에서는 설명할 수 없는 제안을 아무도 거의 쓰지 않습니다.
둘째, 단일 시나리오에서 시작합니다. 곧바로 전 공장 스케줄링을 구축하지 말고 설비 이상 시 자율 추론이나 삽입 영향 분석처럼 경계가 명확한 시나리오부터 시작합니다. 작동하면 확장합니다.
셋째, 데이터 기반을 중시합니다. Agent의 추론 품질은 얼마나 많은 실시간 데이터를 볼 수 있는지에 달려 있습니다. MES, SCADA, WMS 데이터가 여전히 섬이라면 계획은 추측입니다. ZEVON은 3,200대 이상 단말을 서비스하며 데이터 연결 정도가 Agent의 사용 가능성을 직접 결정한다는 것을 거듭 확인했습니다.

넷째, 사람 확인을 폐루프에 유지합니다. 최소한 초기에는 Agent가 계획 권장안을 제시하고 계획 담당자나 팀장이 확인한 뒤 실행합니다. 이는 안전 완충이자 훈련 데이터 원천입니다.
다섯째, 추론 지연에 주목합니다. 현장에서 계획을 3분 기다리는 것과 3초 기다리는 것은 전혀 다릅니다. 선정 시 추론이 클라우드에서 도는지 엣지에서 도는지, 초 단위 응답이 가능한지 명확히 물어야 합니다.
V. 전망
첫 번째 방향은 다중 Agent 협업입니다. 미래에는 하나의 큰 Agent가 전 공장을 관리하는 것이 아니라 스케줄링, 설비, 품질 Agent가 각자 한 구간을 맡고 서로 협상합니다. 예를 들어 스케줄링 Agent는 주문 삽입을 원하고, 설비 Agent는 자기 쪽 금형 수명이 부족하다고 말하며, 품질 Agent는 이 자재 배치의 이력 불량률이 높다고 말하고, 셋이 절충안을 추론해 냅니다.
두 번째 방향은 추론과 시뮬레이션의 결합입니다. Agent는 계획을 제시하기 전에 디지털 트윈에서 먼저 실행해 실현 가능성을 검증합니다. 그러면 추론 결과가 '될 것 같다'가 아니라 '시뮬레이션해 보니 된다'가 됩니다.
세 번째 방향은 지속 학습입니다. 사람이 교정할 때마다 Agent는 왜 사람이 계획을 바꿨는지 기억하고 다음에 자동으로 반영할 수 있습니다. 이렇게 해야 계획 역량이 출하 시점 설정에 머물지 않고 시간이 지나며 진화합니다.
결국 AI Agent의 계획과 추론은 불확실한 작업장에서 결정적인 실행 경로를 찾는 일입니다. 완벽한 계획이 아니라 설명 가능하고 실행 가능하며 이터레이션 가능한 계획을 추구합니다. 제조 기업에게 이것이 바로 자동화 실행에서 자율 의사결정으로 넘어가는 창구이며, 추론 역량을 생산 라인에 먼저 올리는 기업이 유연 생산에서 앞서게 됩니다.