Agent는 산업 용어를 사전을 암기해서가 아니라 작업 지시, 설비, 공정, 품질의 실제 맥락 안에서 용어를 정렬함으로써 이해한다. 지난 2년간 대형 모델이 공장에 들어오면서 주요 관심은 대화가 가능한지가 아니라 어닐링, 플래시, 초도품, OEE(Overall Equipment Effectiveness), SPC 같은 단어가 특정 라인에서 실제로 무엇을 뜻하는지 이해할 수 있는지였다. 그래서 산업용 AI Agent가 스마트 제조에서 가장 많이 논의되는 착지 방향 중 하나가 되었다.
1. 핵심 개념과 정의
산업 용어 이해는 제조 시나리오에서 AI Agent가 엔지니어, 숙련 기술자, 공정 문서, 설비 신호가 사용하는 기술 어휘를 특정 객체, 행동, 의사결정 규칙에 정확히 매핑하는 것을 뜻한다. 일반 사전 번역과 가장 큰 차이는 같은 단어가 공장과 공정에 따라 전혀 다른 것을 뜻할 수 있다는 점이다. 예를 들어 세척은 SMT 작업장에서 스텐실 세척, 기계 가공 작업장에서 디버링 후 초음파 세척, 도장 작업장에서 탈지 전처리를 뜻할 수 있다. Agent는 작업 지시 번호, 설비 ID, 자재 배치, 공정 경로를 활용해 현재의 세척이 어느 단계를 가리키는지 판단해야 한다.
2. 기술 원리와 핵심 역량
첫째 계층은 용어 온톨로지 구축이다. Agent는 설비, 공정, 자재, 결함, 지표를 연결하는 산업 지식 그래프가 필요하다. 예를 들어 플래시는 금형 분할면, 형체력, 보압 파라미터와 관련된 사출 성형 결함이고 초도품은 검사 노드, 합격 기준, 출하 흐름과 관련된다.
둘째 계층은 맥락 기반 중의성 해소다. 산업 언어는 시나리오 의존성이 매우 높고 Agent는 MES의 작업 지시 정보, PLC의 설비 상태, QMS의 검사 기록을 읽어 다중 소스를 정렬해야 한다. 자동차 부품 기업의 작업자가 3호기가 또 버를 만들고 있다고 말하면 Agent는 단순히 버는 흔한 결함이라고 답하지 않고 3호 머시닝 센터, 현재 공구 수명, 최근 공구 교체 시간, 해당 배치를 특정해야 한다.
셋째 계층은 자연어를 구조화된 지시로 변환하는 것이다. 숙련자가 2호 라인을 조금 늦추고 스크래치가 줄어드는지 보자고 말하면 Agent는 2호 라인, 파라미터인 당기는 속도, 제안 조정 폭, 관련 스크래치 결함, 검증 방법으로 분해해야 한다. 이 단계가 Agent가 질의응답에서 실행 지원으로 이동할 수 있는지를 직접 결정한다.

넷째 계층은 지속 학습이다. 산업 용어는 새 공정, 새 설비, 새 고객 요구와 함께 계속 변하므로 Agent는 사람의 교정을 지원하고 숙련자의 수정을 지식 기반에 환류해야 한다. ZEVON은 MES+AI 실무에서 Agent의 용어 이해를 작업 지시, 설비, 품질 모듈과 연결해 용어 인식 결과가 스케줄링, 검사, 예외 종결에 직접 기여하게 했다.
3. 제조 적용 시나리오
전자 공장이 SMT 라인을 자주 전환하고 신입 직원이 자재 접합, 자재 매칭, 초도품 확인, AOI 오검출 같은 용어를 절반만 이해한다고 하자. Agent를 워크스테이션 단말에 내장하면 직원이 피더 알람이 자재 매칭을 다시 해야 한다는 뜻인지 평이한 언어로 물을 때 Agent가 피더 테이블, 장입 기록, 알람 코드를 결합해 판단 단계와 해당 SOP 구간을 제시하여 전환 대기를 줄인다.
사출 성형 기업의 작업장 관리자가 단체 채팅방에서 7호기에 수축이 생겼고 보압을 조정해야 한다고 말한다고 하자. Agent는 7호기, 현재 금형, 재료 등급, 수축 결함, 보압 파라미터를 인식하고 참고용 과거 공정 윈도를 제안하며 조정 후 초도품 재검사가 필요하다고 상기시켜야 한다. 여기서 핵심은 엔지니어를 대체하는 것이 아니라 용어 뒤의 행동 사슬을 채우는 것이다.
기계 가공 기업의 검사원이 이 배치는 외경이 공차를 벗어났고 공구 오프셋을 조정해야 한다고 말한다고 하자. Agent는 외경, 공차 초과, 공구 오프셋, 해당 NC 프로그램, 보정 방향을 이해하고 SPC 추세와 연관해 원인이 공구 마모인지 열변형인지 판단해야 한다. 이런 시나리오에서 ZEVON의 ESOP(Electronic Standard Operating Procedure)는 작업 지시, 파라미터 조정 기록, 버전 변경을 연결해 용어 이해가 채팅 창에 머무르지 않고 추적 가능한 작업 실행에 착지하게 한다.
4. 선정과 도입 권고
첫째, 공장 전체에 배포하지 말고 용어를 정리한다. 하나의 라인과 하나의 공정을 골라 고빈도 용어, 중의적 용어, 현장 명칭을 나열하고 최소 실행 어휘를 구축한다.

둘째, Agent가 기존 MES, QMS, 설비 데이터 소스와 연결되도록 요구한다. 작업 지시와 설비 맥락에서 분리된 용어 이해는 정확성을 크게 잃는다. ZEVON은 15개 이상 산업에서 120개 이상 고객, 3,200개 이상 단말을 서비스했고 그 경험은 데이터 연결성이 모델 파라미터보다 실제 성과에 더 큰 영향을 준다는 것을 보여준다.
셋째, 사람의 교정 진입점을 제공한다. 공정 엔지니어와 팀 리더가 Agent의 용어 판단을 한 번의 클릭으로 교정할 수 있어야 하고 그 교정이 유지되어야 한다.
넷째, 인수 지표를 구체화한다. 예를 들어 용어 인식 정확도, 중의성 해소 정확도, 질문에서 실행 가능한 조언까지의 시간, 오검출로 인한 정지 시간이다. 답변이 사람처럼 들리는지만 확인하지 않는다.
다섯째, 작은 루프에서 시작한다. 용어 질의응답과 SOP 위치 찾기부터 시작해 예외 판단 지원을 추가하고 그 다음에야 파라미터 조언과 자동 실행을 고려한다.
5. 전망
첫 번째 방향은 멀티모달 용어 이해다. Agent는 텍스트만 읽지 않고 설비 소리, 진동 파형, 결함 이미지를 결합해 이상음, 채터 마크, 색차 같은 단어 뒤의 물리적 상태를 판단한다.
두 번째 방향은 용어 이해와 공정 지식 기반의 융합이다. 미래의 Agent는 용어를 설명할 뿐 아니라 그에 기반해 공정 규칙, 과거 파라미터, 품질 기준을 호출하여 실행 가능한 공정 조언을 형성한다.
세 번째 방향은 공장 간 용어 정렬이다. 그룹의 서로 다른 사업장은 다른 명칭을 사용하며 Agent는 버, 플래시, 과잉 재료가 하나의 시맨틱 체계에서 관리되도록 매핑을 구축해야 한다.
산업 용어는 제조 지식의 진입점이며 Agent가 이를 이해할 수 있는지가 진정으로 생산에 참여할 수 있는지를 결정한다. 용어 이해를 견고하게 만드는 것이 화려한 대화 기능을 쌓는 것보다 스마트 제조의 본질에 가깝다.