지식 센터
목차

AI Agent는 린 개선을 어떻게 지원하는가

AI Agent의 린 개선 지원은 본질적으로 문제 발견, 근본 원인 분석, 대책 수립, 효과 검증이라는 린 순환을, 사람이 서로 지켜보고 경험으로 판단하는 방식에서 Agent가 현장 데이터를 지속 감지하고 개선안을 선제적으로 제안하며 착지 여부를 추적하는 새로운 업무 방식으로 바꾸는 것이다. 린 방법론 자체를 대체하는 것이 아니라 린 도구 안의 반복적 정보 수집, 데이터 비교, 예외 추적을 인수해 개선 주기를 더 촘촘하게 만들고 개선안이 월말 몰아치기에 의존하지 않게 한다. 5S, TPM, 표준작업을 여러 차례 돌렸지만 개선 동력이 식은 공장이라면 이런 솔루션을 진지하게 평가할 만하다.

1. 린 개선에서 AI Agent가 실제로 해결하는 문제

많은 공장이 린에서 어색한 지점에 멈춘다. 도구는 다 쓰고 있고 보드도 벽에 붙어 있지만 개선 제안 건수는 해마다 줄어든다. 이유는 복잡하지 않다. 문제를 찾는 데 인력이 너무 많이 든다. SMT 라인 한 개가 하루에 수만 건의 설비 로그와 수천 건의 오류 기록을 만들고, 반장이 교대조 말에 보고서를 넘기면 그중 이상 항목의 10분의 1도 보이지 않는다. 하나를 발견해도 그것이 수입 자재 편차인지 설비 열화인지 스케줄 충돌인지 판단하려면 부서를 넘나들며 데이터를 요청해야 하고, 답이 오는 데 2~3일이 걸려 그때는 개선 창이 이미 닫혀 있다.

여기서 AI Agent의 역할은 퇴근하지 않는 현장 분석가다. MES의 작업지시 진행, SCADA의 설비 상태, QMS의 검사 기록을 동시에 읽고 린 관점으로 연관시킨다. 예를 들어 같은 결함 유형이 한 스테이션에서 세 교대조 연속 나타나면 그 패턴을 전환 시간, 수입 자재 배치, 작업자 교대 명단과 대조해 금형 교체 후 초물 확인이 누락된 것으로 보인다는 실행 가능한 판단을 제시하며, 해석하라고 차트만 쏟아내지 않는다. 전통적 비즈니스 인텔리전스 보고서와의 차이는 BI가 무슨 일이 있었는지에 답하는 반면 Agent는 한 걸음 더 나아가 유력한 원인이 무엇이고 어디부터 볼지에 답한다는 점이다.

2. 이를 뒷받침하는 기술 원리와 핵심 역량

나누어 보면 실제로 일할 수 있는 린 Agent는 보통 세 계층이다. 인지 계층은 현장 데이터 소스에 연결하며 흔한 프로토콜로 OPC-UA와 Modbus TCP가 있고, 위로는 RESTful API나 직접 데이터베이스 연결로 MES, WMS, QMS에 붙으며 일부 시나리오는 IPC-A-610 같은 공정 표준을 비교 기준선으로 함께 가져온다. 분석 계층이 핵심이고 일반적으로 대형 언어 모델과 규칙 엔진의 혼합으로 구동된다. 규칙 엔진은 하드 제약을 처리한다. 예를 들어 택트가 표준 시간을 15퍼센트 초과하면 경고를 발동한다. 대형 모델은 비정형 정보를 처리한다. 예를 들어 정비 작업지시의 자유 텍스트를 금형 교체, 공구, 프로그램, 수입 자재라는 근본 원인 범주로 분류한다. 실행 계층은 개선 권고를 구체적 매체로 밀어낸다. 안돈 보드일 수도, 기업 메신저 알림일 수도, A3 보고서 초안 자동 생성일 수도 있다.

핵심 역량에서는 몇 가지가 중요하다. 첫째는 이상 귀속의 입도로, 좋은 Agent는 공정과 심지어 파라미터까지 특정한다. 사출에서 37번 사출 후 보압이 흘러나갔다고 지적하지, 사출 불량이 늘고 있다고 모호하게 말하지 않는다. 둘째는 개선안의 폐루프 추적으로, 모든 권고에 담당자, 마감, 검증 지표가 붙고 제때 종결되지 않으면 자동으로 상향 보고된다. 셋째는 린 도구 내장 지원으로, 5 Why, 특성요인도, PDCA를 손으로 그릴 필요 없이 Agent가 이상 기록에서 초안을 만들고 사람은 수정만 한다. 유의할 점은 이런 역량이 데이터 품질에 달려 있다는 것이다. 설비 연결성이 낮고 작업지시 보고가 수기이면 Agent의 판단 정확도는 눈에 띄게 떨어진다.

3. 어떤 제조 공정에서 먼저 성과가 나타나는가

자동차 부품사의 가공 작업장에 CNC 설비가 20대 넘게 있고 공구 마모 이상으로 인한 치수 초과가 오래 골칫거리였다고 하자. 전통적 방식은 주기적 공구 교체로, 너무 일찍 바꿔 공구 수명을 낭비하거나 너무 늦게 바꿔 배치 단위 폐기를 만든다. Agent를 배치하면 스핀들 부하, 절삭 파라미터, 각 설비의 샘플링 기록을 읽어 공구 수명의 동적 예측을 만들고 마모 변곡점 48시간 전에 교체를 권고하며 계획 정지 구간에 교체를 배치한다. 여기서 데이터 요구는 설비가 부하 전류와 이송 오버라이드를 잡을 수 있어야 하고, 노후 설비는 전류 센서로 개조할 수 있으므로 반드시 신규 설비가 필요한 것은 아니다.

다음으로 전자 공장의 SMT 구간에서 전환이 잦고 소량 배치가 많아 전환 후 초물 확인이 자주 건너뛰어진다고 하자. Agent는 전환 기록과 초물 검사 보고서를 대조해 특정 품종이 전환 후 솔더 페이스트 인쇄 오프셋을 반복적으로 보이는 것을 발견하면 전환 후 스텐실 위치 재교정을 요구하는 개선안을 자동 푸시하고 유사 문제의 이력 처리 기록을 참고로 붙인다. 관련 기술은 복잡하지 않고, 중요한 것은 MES의 전환 시간과 검사 타임스탬프가 정확한가다.

또 다른 시나리오는 조립 라인의 표준작업 준수율이다. 많은 기업이 공정 엔지니어의 정해진 순찰에 의존하고 하루 순찰로 몇 개 라인밖에 보지 못한다. Agent는 스테이션 카메라의 동작 인식으로, 얼굴 인식이 아니라 손 동작 순서와 SOP의 편차만 판정하며, 택트 데이터와 결합해 어느 스테이션이 표준작업 순서를 벗어나고 어느 동작에 편차가 집중되는지 출력한다. 이 방향은 조명과 스테이션 가림에 민감해 스테이션이 고정되고 동작 폭이 큰 조립 단계에 적합하며, 미세 수동 삽입 시나리오는 신중히 평가해야 한다.

4. 구축 과정에서 피할 수 없는 실무 문제 몇 가지

통합 방식을 어떻게 선택하는가. 기존 MES 벤더가 표준 API를 제공하면 API를 우선하라. 데이터 시의성이 보장된다. 인터페이스가 없는 노후 설비는 엣지 게이트웨이로 프로토콜을 변환하는 것이 흔한 관행이며, OPC-UA를 MQTT로 바꿔 클라우드로 보내든 로컬 서버로 보내든 마찬가지다. 처음부터 공장 전체를 덮으려는 것은 바람직하지 않고 통증이 가장 분명한 한 라인에서 검증하는 것이 안전하다.

하드웨어가 얼마나 필요한가. Agent 자체는 서버나 클라우드에서 돌고 현장 측은 주로 데이터 수집 요구에 달려 있다. 설비 데이터 수집은 산업용 게이트웨이 한 대로 충분하고, 비전 응용만 카메라 해상도와 프레임레이트를 추가로 고려해야 한다. 동작 인식은 보통 1080p 15fps로 동작하고 정밀 측정은 별개 문제다. 네트워크는 라인 측 유선을 우선하고 무선은 AGV 배차 같은 이동 시나리오에만 권장한다.

구축에 대략 얼마나 걸리는가. 단일 라인 파일럿은 데이터 통합부터 Agent가 쓸 만한 개선 권고를 내기까지 보통 4~8주이며 데이터 소스 연결 속도에 달려 있다. 공장 전체 확산은 표준화 정도에 달려 있고, 작업장마다 데이터 정의가 다르면 데이터 거버넌스만으로도 몇 달이 끌린다. 여기에 지름길은 없으며 데이터 기반이 견고하지 않으면 Agent가 내는 결론도 신뢰할 수 없다.

비용 구성을 어떻게 보는가. 크게 세 부분이다. 데이터 수집 하드웨어와 네트워크 개조, Agent 플랫폼 라이선스나 구독, 내부 린팀과 IT의 공수다. 셋째가 가장 과소평가되기 쉬운데, Agent가 만든 개선안을 검증하고 실행할 사람이 필요하고 린 추진 조직 자체가 약하면 어떤 도구도 돌게 할 수 없기 때문이다.

흔한 함정 하나를 언급할 만하다. Agent를 자동 개선 기계로 보는 것이다. 잘하는 것은 이상 발견, 원인 분석, 종결 추적이고, 대책의 최종 결정, 부서 간 조율, 현장 검증은 여전히 사람에게 달려 있다. 가동 후 원가 절감이 자동으로 일어나리라 기대하면 대개 실망하게 된다.

5. 어떤 시나리오가 적합하고 어떤 시나리오가 그렇지 않은가

적합한 시나리오는 몇 가지 특징을 공유한다. 설비나 스테이션에 이미 어느 정도 데이터 기반이 있어 핵심 파라미터가 최소한 자동 수집되고, 제품 배치가 비교적 안정적이며 라우팅이 명확하고, 린 조직이 기본 체계를 갖춰 개선안 검토와 실행을 맡을 사람이 있다. 이산 제조의 가공, SMT, 조립 구간과 프로세스 제조의 핵심 공정 파라미터 모니터링에서 성과가 비교적 쉽게 나온다.

부적합한 사례도 분명히 말해야 한다. 수입 일관성이 극히 나쁘고 공정 파라미터가 매일 바뀌는 시생산 작업장은 안정적 패턴을 학습할 수 없어 Agent의 귀속이 자주 빗나간다. 데이터 수집이 전혀 없는 순수 수작업 스테이션은 Agent 배치보다 데이터 기반 구축이 급하다. 또한 표준 시간과 BOM 정확도 같은 기초 데이터를 아직 정리하지 않은 기업은 Agent의 분석이 기존 데이터 오류를 확대해 상황을 더 나쁘게 만든다.

ERP 시대 이후 수십 년간 일하고 120만 고객사, 수천만 대 단말 배포, 국내외 시장 커버리지를 갖춘 벤더 생태계에서 이런 Agent 솔루션은 개념 검증에서 생산 라인 실사용으로 이동하고 있다. 선택 시 두 가지에 주목하라. 기존 MES 및 SCADA와의 통합 사례가 충실한지, 개선 권고에 폐루프 추적 메커니즘이 붙어 있는지다. 이 두 가지가 데모인지 실제로 일할 수 있는 도구인지를 가른다.

주제: AI 및 AI 에이전트 백과