Skip to main content

산업 자동화를 위한 에이전틱 AI 정의

에이전틱 AI가 결정론적 제어를 대체하지 않고 산업 워크플로우를 조정하는 방법

출처: WS Studio 1985/stock.adobe.com; AI로 생성

아비셰크 자다브(Abhishek Jadhav), 마우저 일렉트로닉스

2026년 9월 8일

많은 산업 시스템은 생산에 지장을 주기 전에 잠재적인 문제를 식별할 수 있다. 예를 들어, 예지 정비 모델은 모터나 펌프의 비정상적인 진동을 감지할 수 있다. 하지만 경고가 발생했다고 해서 유지보수 작업이 끝나는 것은 아니다. 기술자는 여전히 자산을 검사하고, 현재의 작동 조건이 이러한 변화를 설명할 수 있는지 판단하며, 생산 요구 사항을 평가하고, 유지보수 기록을 검토하고, 필요한 부품을 파악하여 작업 일정을 수립해야 한다.

이러한 단계는 일반적으로 사람이 직접 프로세스, 유지보수 시스템, 생산 애플리케이션 및 엔지니어링 문서 사이를 오가며 처리해야 한다. 산업용 인공지능(AI)이 초기 인사이트를 도출할 수는 있지만, 그 인사이트를 일련의 조정된 대응으로 전환하는 것은 여전히 사람의 몫이다.

에이전틱 AI(Agentic AI)는 인사이트에서 제어된 조치로 넘어가는 데 필요한 다단계 작업을 조정함으로써 이러한 간극을 좁히는 데 도움을 줄 수 있다. 에이전틱 AI 시리즈의 첫 번째인 이 블로그에서는 에이전틱 AI를 정의하고, 산업 자동화에서 이를 가능하게 하는 핵심 기술을 살펴보며, 산업 운영에 있어 이것이 갖는 잠재적 중요성을 설명한다.

에이전틱 AI란 무엇인가?

에이전틱 AI는 지속적인 일련의 결정과 행동을 통해 부여된 목표를 추구할 수 있는 목표 지향적 소프트웨어 시스템을 의미한다. 에이전트는 운영 컨텍스트(맥락)를 관찰하고, 목표를 해석하며, 이를 더 작은 작업으로 나누고, 어떤 정보나 기능이 필요한지 결정한다.

그런 다음 승인된 데이터 소스, 분석 모델 및 소프트웨어 툴을 선택하고, 승인된 조치를 수행하며, 각 단계가 예상한 결과를 도출했는지 평가할 수 있다. 이는 관찰(observe), 해석(interpret), 계획(plan), 실행(act), 평가(evaluate), 적응(adapt)으로 설명되는 워크플로우 수준의 피드백 주기를 생성한다.

예를 들어 예지 정비 모델이 비정상적인 진동을 감지했다고 가정해 보자. 에이전트는 자산의 작동 모드를 확인하고, 알람을 검색하고, 이전 유지보수 기록을 검토하여 작업 지시서가 이미 존재하는지 확인할 수 있다. 그런 다음 생산 일정과 예비 부품의 가용성을 확인한 후 유지보수 요청을 준비할 수 있다. 만약 에이전트가 진동이 시동 중에 발생했거나 필요한 부품을 구할 수 없다고 판단하면 남은 워크플로우를 조정할 수 있다.

이러한 동작은 에이전틱 AI를 다른 형태의 자동화 및 AI와 구별 짓는다. 기존의 자동화는 논리와 순서를 따른다. 예를 들어, 프로그래머블 로직 컨트롤러(PLC)는 프로세스 입력에 대한 응답으로 사전 정의된 제어 논리를 반복적으로 실행한다. 이러한 결정론적 동작은 반복적이고 시간에 민감한 기계 및 프로세스 제어에 여전히 적합한 선택이다.

또한 산업 운영에서 에이전시(Agency)가 제한 없는 자율성을 의미하는 것은 아니다. 산업용 에이전트는 읽기 전용 권한만 갖고 엔지니어에게 권장 사항만 제공할 수도 있다. 제안된 조치를 취합하여 승인을 기다리거나, 사전 승인되었으며 결과의 영향력이 크지 않은 좁은 범위의 조치만 실행할 수도 있다.

이러한 한계는 에이전틱 AI 생태계의 기본이다. 산업용 에이전트는 감독, 분석 또는 워크플로우 조정 수준에서 작동해야 한다. 권한, 승인, 인터록(interlock) 및 확립된 운영 절차는 허용되는 에이전트의 조치를 지속해서 정의할 것이다.

적절한 목표는 기존의 제어 및 안전 보호 장치를 손상시키지 않으면서 작업을 보다 효과적으로 조정하기 위해 '제한된 에이전시(bounded agency)'를 유지하는 것이다.

산업용 에이전틱 AI를 위한 핵심 기술

산업용 AI 에이전트는 데이터 인프라, 분석 모델, 계획 메커니즘, 애플리케이션 인터페이스 및 운영 제어가 긴밀히 조정되는 통합 아키텍처이다.

각 기능은 서로에게 의존한다. 예를 들어, 모델은 신뢰할 수 있는 컨텍스트가 필요하고, 계획은 툴에 대한 액세스를 요구하며, 툴 호출은 통제되어야 하고, 모든 작업의 결과는 에이전트에게 반환되어 다음 단계를 결정할 수 있어야 한다.

이러한 요구 사항은 상황에 맞는 산업 데이터, 분석 및 추론, 계획 및 오케스트레이션, 산업용 툴에 대한 관리된 액세스라는 4가지 상호 연관된 기능으로 그룹화할 수 있다.

상황에 맞는 산업 데이터

에이전트는 자신이 작동하는 환경에 대한 정확한 표현이 필요하다. 작업에 따라 여기에는 센서 측정값, 장비 상태, 작동 모드, 알람, 유지보수 기록, 생산 일정, 예비 부품 정보, 사용 설명서 및 표준 절차가 포함될 수 있다.

그러나 데이터에 접근하는 것만으로는 전체적인 운영 컨텍스트가 제공되지 않는다. OPC UA(Open Platform Communications Unified Architecture)는 산업 정보를 구조화된 객체, 변수, 유형, 관계, 이벤트 및 메서드로 표현하기 위한 메커니즘을 제공하므로 이와 관련이 깊다.

올해 초 OPC Foundation은 430개 이상의 컴패니언 사양(Companion Specifications)을 검색 증강 생성(RAG), 모델 컨텍스트 프로토콜(MCP) 및 AI 지원 엔지니어링 워크플로우에 최적화된 형식으로 변환할 계획을 발표했다.[1]

분석 및 추론

에이전트가 관련 컨텍스트를 파악하고 나면, 정보를 해석하고 의사 결정을 지원할 수 있는 컴퓨팅 기능이 필요하다. 이러한 기능에는 이상 탐지 및 예측을 위한 머신러닝 모델, 검사를 위한 컴퓨터 비전 모델, 일정을 위한 최적화 알고리즘이 포함될 수 있다.

예를 들어, 언어 모델은 높은 수준의 목표를 해석하거나, 매뉴얼에서 정보를 검색하거나, 근거를 요약하거나, 사용 가능한 어떤 툴이 다음 작업을 수행할 수 있는지 결정함으로써 도움을 줄 수 있다. 그러나 비정상적인 진동을 감지하는 데는 검증된 진동 모델이 여전히 더 적합하다.

에이전트는 이러한 구성 요소들 사이를 조정한다. 예측 모델을 호출하여 장비 상태를 분석하고, 대규모 언어 모델(LLM)을 참조하여 유지보수 문서를 해석하며, 제안된 계획이 운영 요구 사항을 충족하는지 확인하기 위해 결정론적 규칙을 적용할 수 있다.

계획 및 오케스트레이션

계획(Planning)은 목표를 개별 작업으로 바꾸고 완료해야 할 순서를 설정한다. 작업이 진행됨에 따라 에이전트는 누락된 정보를 식별하고, 필요한 분석 툴을 선택하며, 엔지니어가 다음 단계를 승인해야 하는 지점에서 일시 중지할 수 있다.

계획이 반드시 고정되어 있는 것은 아니다. 승인을 기다리는 동안 공장 조건이 변경되면 기존의 제안이 더 이상 유효하지 않을 수 있다. 이때 에이전트는 최신 작동 상태를 확인하고, 계획을 수정하며, 검토를 위해 업데이트된 계획을 제출할 수 있다.

오케스트레이션(Orchestration)은 한 단계에서 다음 단계로 이어지는 이 프로세스를 관리한다. 예측 가능한 동작이 필요한 작업에 대해서는 고정된 제어를 유지하면서도, 새로운 근거가 나타날 때 워크플로우가 그에 적응할 수 있도록 허용한다. 만약 단일 에이전트가 제한된 권한과 툴 세트만으로 작업을 처리할 수 있다면, 에이전트를 추가하는 것은 불필요한 조정 오버헤드만 초래할 수 있다.

툴에 대한 관리된 액세스

워크플로우를 실행하려면 에이전트에게 산업 및 비즈니스 애플리케이션에 대한 인터페이스가 필요하다. 에이전트는 SCADA(감시 제어 및 데이터 수집) 플랫폼에서 장비 상태를 읽어 오거나, MES(제조 실행 시스템)에서 생산 정보를 검색하거나, ERP(전사적 자원 관리) 시스템에서 부품 가용성을 확인할 수 있다. 그런 다음 일정 관리 소프트웨어가 제안된 작업을 언제 수행할 수 있는지 알려줄 수 있다.

에이전트는 현재 작업에 필요한 애플리케이션을 선택하고, 필요한 정보를 전송하며, 쿼리가 성공했는지 확인한다. AI가 운영 소프트웨어에 연결되고 나면 추론 오류로 인해 심각한 결과가 발생할 수 있다. 잘못된 자산을 선택하면 산업 워크플로우에 심각한 지장을 줄 수 있다.

따라서 거버넌스는 반드시 아키텍처에 통합되어야 한다.

에이전틱 AI가 산업 자동화에 중요한 이유

에이전틱 AI의 도입 필요성은 자동화나 분석 지능의 부족에서 비롯되는 것이 아니다.

산업 시설에서는 이미 센서, 컨트롤러, 알람, 머신러닝 모델, 컴퓨터 비전 시스템, 최적화 소프트웨어 및 디지털 트윈 등을 조합하여 사용하고 있을 수 있다. 문제는 이러한 기능들이 전문화되어 있고, 여러 시스템에 분산되어 있으며, 엔드투엔드(end-to-end) 운영 워크플로우와는 단절되어 있다는 점이다.

에이전틱 AI는 이러한 툴을 대체하거나 스스로 더 나은 답을 생성할 필요가 없다. 대신, 각 툴이 언제 유효한지 판단하고, 필요한 입력을 제공하며, 출력을 다음 단계로 전달하고, 전체 워크플로우의 상태를 유지할 수 있다.

에이전틱 AI는 다른 차원의 적응성을 제공한다. 에이전트는 각 단계의 결과를 평가하기 때문에 새로운 정보로 인해 상황이 바뀔 때 남은 워크플로우를 수정할 수 있다. 다른 데이터 소스를 쿼리하거나, 다른 분석 툴을 선택하거나, 추가 승인을 요청하거나, 문제를 담당자에게 에스컬레이션할 수도 있다.

에이전트는 실시간 제어나 안전에 직결된 필수 제어보다는 감독 수준의 결정 및 교차 시스템 워크플로우에 훨씬 적합하다. 산업용 에이전트는 컨트롤러에서 정보를 관찰하거나, 요청된 변경 사항을 준비하거나, 프로세스를 중심으로 승인된 워크플로우를 조정할 수 있다.

Siemens는 오케스트레이터가 자사의 Industrial Copilot 생태계 전반의 작업을 위해 전문화된 에이전트를 선택하는 산업용 AI 에이전트 아키텍처를 설명한다. 이 회사는 이러한 기능을 설계, 계획, 엔지니어링, 운영 및 서비스 전반에 배치하며, 사용자가 위임할 작업을 직접 선택한다고 명시한다.

맺음말

에이전틱 AI는 운영 문제에 대응하는 데 필요한 단계를 조정함으로써 산업 지능을 확장한다. 가장 강력한 산업 활용 사례는 인사이트는 이미 존재하지만 조치들이 여러 산업 시스템에 분산되어 있는 다단계적이고 맥락 의존적인 프로세스가 될 것이다.

따라서 제한된 범위 내에서 작동하는 산업용 에이전틱 AI는 문제를 식별하는 것과 상호 조정 및 통제된 대응을 구현하는 것 사이의 간극을 줄여줄 것이다.

이 시리즈의 다음 글에서는 AI 에이전트가 산업 시스템 전반에서 데이터, 워크플로우 및 의사 결정을 통합하여 예지 정비를 향상시키는 방법을 살펴볼 것이다.

 

[1]https://opcfoundation.org/news/press-releases/opc-foundation-advances-opc-ua-for-the-ai-era-with-companion-specifications-optimized-for-agentic-ai/

 


저자 소개

아비셰크 자다브(Abhishek Jadhav)는 전기 컴퓨터 공학 석사 학위를 취득한 후 테크니컬 Profile Photo of Abhishek Jadhav라이터로 경력을 시작했다. 그는 전력 전자 및 임베디드 시스템을 주요 관심 분야로 삼고 있으며, 프리랜서 테크니컬 라이터로서 5년 이상의 경력을 보유하고 있다. 그의 기고문은 EE Times, embedded.com, Power Electronics News를 비롯한 여러 매체에 게재되었다.