AI Agent와 전통 소프트웨어의 가장 본질적인 차이는 전자는 자율적으로 인지하고 결정하며 과업을 실행할 수 있고, 후자는 미리 설정된 규칙에 따라 수동적으로 반응만 할 수 있다는 점입니다. 지난 2년간 대형 모델 역량이 산업 시나리오로 내려오면서 제조업의 AI Agent라는 용어에 대한 관심이 분명히 뜨거워졌습니다. 많은 공장 관리자가 오늘 쓰는 MES, ERP, SCADA와 대체 무엇이 다른지, 또 하나의 포장만 바꾼 개념이 아닌지 묻고 있습니다. 이 글은 그 문제를 쉬운 언어로 설명합니다.
1. 핵심 개념과 정의
MES, ERP, WMS 등 전통 소프트웨어는 본질적으로 사람이 시스템을 지휘하는 도구입니다. 운영 논리는 사람이 프로세스를 정의하고 시스템이 실행하며, 사람이 데이터를 입력하고 시스템이 규칙에 따라 결과를 출력하는 것입니다. 작업 지시 배차라면 계획 담당자가 수동으로 스케줄링하고 수동으로 배포해야 하고, 설비 경보라면 사람이 화면을 보고 라인 정지 여부를 결정해야 합니다.
AI Agent는 다릅니다. 두뇌를 가진 실행자에 가깝습니다. 설비 데이터, 주문 정보, 품질 기록을 읽어 환경을 인지하고, 이상의 원인을 판단하고 다음 행동을 예측해 자율적으로 추론하며, 작업 지시를 자동 생성하고 파라미터를 조정하고 담당자에게 알려 도구를 호출합니다. 다시 말해 전통 소프트웨어는 손이고 AI Agent는 손에 두뇌를 더한 것입니다.
산업 AI에서 ZEVON의 MES + AI 방향 실천은 이 사고를 반영합니다. MES를 허물고 다시 짓는 대신 기존 시스템 위에 에이전트 역량을 얹어 무슨 일이 있었는지 기록하는 것에서 무엇을 해야 하는지 판단하는 것으로 업그레이드합니다.
2. 기술 원리와 핵심 역량
전통 소프트웨어의 핵심은 규칙 엔진과 데이터베이스입니다. 역량 경계는 프로그래머가 하드코딩한 로직으로 정해지며 한 번도 본 적 없는 예외에서 막힙니다.
AI Agent의 핵심은 대형 모델에 도구 호출과 기억을 더한 것입니다. 구체적으로 세 가지 핵심 역량이 있습니다.
첫째, 자연어 이해와 과업 분해입니다. 자동차 부품 기업의 작업장 감독자가 어젯밤 교대분에서 초과 치수 부품을 뽑아 재검사를 잡으라고 말한다고 가정합니다. 전통 소프트웨어는 누군가 메뉴를 단계별로 클릭하고 필터 조건을 설정해야 하지만, AI Agent는 그 문장을 직접 이해해 야간 교대 배치 조회, 초과 치수 기록 필터링, 재검사 작업 지시 생성의 세 가지로 분해해 모두 실행합니다.
둘째, 자율 의사결정과 동적 계획입니다. 설비가 갑자기 고장 나면 전통 소프트웨어는 경보만 낼 수 있지만, AI Agent는 과거 수리 기록, 현재 주문 납기, 예비품 재고를 결합해 백업 기계로 전환할지 수리를 기다릴지 권고하고 심지어 전환을 직접 발동할 수도 있습니다.
셋째, 지속 학습과 피드백 루프입니다. 전통 소프트웨어 로직은 고정되어 있지만 AI Agent는 매 실행 결과에 따라 전략을 조정합니다. 예를 들어 전자 공장 AOI 검사 단계에서 에이전트는 오검 피드백을 바탕으로 판정 임계값을 계속 최적화하여 사용할수록 정확해집니다.
ZEVON의 산업 AI Agent 역량은 이 세 가지를 중심으로 구축되어 있으며, 설명 가능하고 개입 가능하며 추적 가능한 행동을 강조하여 블랙박스 결정이 생산에 초래할 위험을 피합니다.
3. 제조 현장 적용 시나리오
시나리오 하나는 전자 공장의 SMT 전환 스케줄링입니다. 전통적으로는 계획 담당자가 경험으로 전환 순서를 정하고, 자재가 도착하지 않았거나 프로그램이 준비되지 않아 라인이 자재를 기다리며 멈추는 일이 잦습니다. AI Agent는 자재 재고, 설비 상태, 프로그램 버전을 실시간으로 읽고 최적 전환 순서를 자동 생성하며 자재 준비와 프로그램 배포를 미리 발동할 수 있습니다. 이 공장에 SMT 라인이 스무 개라면 에이전트는 하루에 수천 건의 전환 결정을 처리할 수 있어 수동 대응 속도를 훨씬 넘어섭니다.

시나리오 둘은 가정한 자동차 부품 기업의 품질 추적입니다. 전통적 MES는 어느 부품 배치가 어느 자재 배치를 썼는지 기록할 수 있지만 그 자재가 하류 고객 클레임으로 이어질지 선제적으로 판단하지는 못합니다. AI Agent는 공급업체 이력 품질 데이터, 현재 공정 파라미터, 고객 클레임 기록을 결합해 고위험 배치를 선제적으로 경고하고 격리나 재검사를 권고할 수 있습니다.
시나리오 셋은 정밀 가공 공장의 설비 보전입니다. 전통적 방식은 정기 정비나 고장 후 수리입니다. AI Agent는 실시간 스핀들 진동, 온도, 전류 데이터로 공구 수명을 예측하고 공구 교체 작업 지시를 자동 생성하며 스케줄링 계획을 동기화할 수 있습니다. 그 배경에는 시계열 데이터를 모델링하는 산업 AI 역량이 있습니다.
이러한 시나리오에서 ZEVON의 MES + AI 솔루션은 기존 시스템을 대체하지 않고 에이전트를 그 지능형 부조종사로 만듭니다. ZEVON은 15개 이상 산업의 120여 고객을 서비스해 왔고 현재 3,200여 단말이 그 시스템을 운영하며, 이 단말이 생성하는 데이터가 바로 에이전트를 학습하고 최적화하는 토양입니다.
4. 선정과 도입 권고
첫째, 에이전트를 위한 에이전트를 도입하지 마십시오. 규칙은 명확하지만 수동 대응이 느린 연결 고리, 경험 기반 판단이 필요하지만 사람이 부족한 연결 고리를 매핑하십시오. 전자는 자동화 스크립트에, 후자는 AI Agent에 적합합니다.
둘째, 단일 지점 시나리오로 진입합니다. 설비 이상 자동 배차나 품질 이상 자동 격리처럼 하나의 루프가 작동한 뒤 확장하십시오. 데이터 품질과 프로세스 성숙도가 따라오지 못하는 시작 단계에서 공장 전체 스케줄링을 시도하지 마십시오.
셋째, 설명 가능성을 중시합니다. 산업 시나리오는 오류 허용치가 낮으므로 모든 에이전트 결정이 왜 권고되는지 설명할 수 있어야 합니다. 에이전트가 이 라인을 멈추라고 하면서 이유를 제시하지 못하면 현장 감독자는 사용할 엄두를 내지 못합니다.
넷째, 수동 개입 진입점을 남겨 둡니다. 에이전트가 아무리 똑똑해도 사람의 안전망이 필요합니다. 좋은 설계는 에이전트가 제안하고 사람이 확인한 뒤 실행하거나, 에이전트가 행동한 뒤 언제든 사람이 롤백할 수 있게 합니다.
다섯째, 데이터 기반이 탄탄해야 합니다. 에이전트의 의사결정 품질은 입력 데이터 품질에 달려 있습니다. 설비 데이터를 계기에서 손으로 옮겨 적고 품질 데이터를 나중에 채워 넣는다면 최고의 에이전트도 작동할 수 없습니다.
5. 트렌드 전망
방향 하나는 단일 에이전트에서 멀티 에이전트 협업으로의 전환입니다. 미래 공장에서는 스케줄링, 품질, 설비 에이전트가 서로 통신하며 팀처럼 협력합니다. 스케줄링 에이전트가 납기 압박을 보면 설비 에이전트에 생산 능력 확인을, 품질 에이전트에 리스크 확인을 요청합니다.
방향 둘은 에이전트와 디지털 트윈의 깊은 통합입니다. 에이전트가 디지털 트윈 환경에서 결정의 효과를 시뮬레이션하고 문제가 없다고 확인한 뒤 실제 라인에 배포하여 시행착오 비용을 크게 줄입니다.
방향 셋은 로우코드 구성과 산업 템플릿입니다. 오늘날 산업 에이전트를 훈련하려면 여전히 상당한 맞춤 작업이 필요하지만, 향후에는 전자, 자동차 부품, 사출 성형용 에이전트 템플릿이 있어 공장이 약간의 구성만으로 가동할 수 있게 됩니다. ZEVON이 MES + AI와 산업 에이전트에 기울인 지속적 투자는 이 방향으로 나아갑니다. 15개 이상 산업 120여 고객의 공통 요구를 재사용 가능한 역량으로 만들고 3,200여 단말의 피드백으로 반복 개선하는 것입니다.
한 문장으로 말하면 전통 소프트웨어는 도구이고 AI Agent는 파트너입니다. 도구는 모든 단계를 지시받아야 하지만 파트너는 스스로 판단하고 선제적으로 행동할 수 있습니다. 제조 기업에게 문제는 쓸 것인가가 아니라 어떤 시나리오에서 시작할 것인가입니다.