중소 제조 현장에서 자주 듣는 고민입니다. 생산계획을 바꿀지, 설비를 잠깐 세울지, 의심 로트를 출하할지 같은 결정은 매일 일어나지만, 그 판단 근거는 대부분 사람의 머릿속에 있습니다.

데이터가 없는 것도 아닙니다. 중소벤처기업부의 2024년 스마트제조혁신 실태조사를 보면 상황이 잘 드러납니다.

60.8% 제조데이터 수집 기업

52.1% 수집 기업 중 분석까지 하는 비율

0.1% 제조 AI 도입 기업

1.6% 제조 AI 도입 계획 기업

 

데이터는 쌓이는데 판단은 여전히 사람에게 몰려 있는 상황. 이 빈자리를 메우는 방식으로 "AI 에이전트"가 거론되고 있습니다. 실제 도입 기업은 아직 소수지만, 정부 전략과 현장의 요구가 이 방향으로 빠르게 모이고 있습니다.

이 글에서 다루는 내용 •     에이전트가 기존 시스템과 무엇이 다른지 •     왜 지금 의사결정 보조자로 확산되는지 •     우리 공장이 어디까지 맡기고 무엇부터 따져봐야 하는지

 

AI 에이전트는 정해진 질문에 답만 하는 프로그램이 아닙니다. 여러 시스템의 데이터를 스스로 찾아 조합하고, 상황을 정리한 뒤 다음 행동을 제안하거나 허용된 범위 안에서 직접 처리하는 소프트웨어를 말합니다. 역할을 세 가지로 나누면 다음과 같습니다.

•     조회: MES, 설비 이력, 재고, 주문 정보처럼 흩어진 데이터를 한 번에 모아 봅니다.

•     판단 보조: 지금 상황에서 고려할 선택지와 각각의 영향을 정리해 제시합니다.

•     실행: 승인된 범위 안에서 작업 지시서 초안 작성, 담당자 알림 같은 후속 업무를 처리합니다.

현장에서 이미 쓰는 도구와 나란히 놓으면 차이가 분명해집니다.

구분	대시보드	규칙 기반 알람	단일 목적 예측 AI	AI 에이전트
하는 일	현황을 보여줌	기준 이탈 시 알림	특정 값을 예측	여러 데이터를 엮어 선택지 제안
다루는 범위	화면에 연결된 데이터	미리 정한 조건	한 공정·한 지표	공정·설비·재고·주문 등 여러 영역
사람의 역할	보고 해석	알람 확인 후 판단	예측값 보고 판단	제안을 검토하고 승인
강점	직관적, 도입 쉬움	즉각 대응	정밀한 예측	맥락을 묶어 판단 시간 단축
한계	해석은 사람 몫	예외 상황에 약함	다른 영역과 단절	데이터 연결·권한 설계가 필수

 

핵심은 에이전트가 기존 도구를 대체하기보다 그 위에서 "엮어 주는" 역할을 한다는 점입니다. 대시보드와 예측 모델이 이미 있다면, 에이전트는 그 결과들을 모아 사람이 판단하기 좋은 형태로 정리합니다.

확산의 배경은 한 가지가 아닙니다. 현장의 사람 문제, 데이터 문제, 이미 확인된 AI 성과, 그리고 정부 전략이 같은 방향을 가리키고 있습니다.

① 숙련자의 판단이 데이터로 남지 않고 있습니다

공장의 가장 큰 자산 중 하나는 숙련자의 경험이지만, 그 경험은 문서로 거의 남지 않습니다. 정부가 2026년 6월 공개한 범부처 "제조AI 2030 전략"은 은퇴를 앞둔 숙련 기술자의 "제조 암묵지"를 데이터로 바꿔 AI로 전환하는 대규모 사업을 기초 과제로 담았습니다.

숙련자가 어떤 신호를 보고 어떤 순서로 판단했는지를 기록해 두면, 에이전트가 비슷한 상황에서 참고 근거로 제시할 수 있습니다. 사람이 바뀌어도 판단 기준이 이어지는 구조를 만드는 것, 이것이 확산의 첫 번째 동기입니다.

② 데이터는 모였지만 판단으로 이어지지 않습니다

앞서 본 실태조사에서 스마트공장 도입 기업의 75.5%가 "기초 수준"에 머물렀습니다. 데이터를 모으는 단계는 넘었지만, 그 데이터를 엮어 판단에 쓰는 단계로는 아직 넘어가지 못했다는 뜻입니다.

•     데이터가 여러 시스템에 흩어져 있으면 담당자가 직접 찾아 맞춰 보는 데 시간이 걸립니다.

•     에이전트는 이 "찾아서 맞춰 보는" 시간을 줄이는 데 초점을 둡니다.

③ 공정 단위 AI의 성과가 다음 단계를 요구합니다

공정에 AI를 적용한 효과는 이미 확인되고 있습니다. 산업통상부가 발표한 AI팩토리 선도 프로젝트 점검 결과, 먼저 착수한 42개 사업장에서 생산성은 평균 30.1% 높아지고 불량률은 평균 15.5% 낮아졌습니다.

공정 단위 성과가 확인될수록 "공정 하나가 아니라 계획·자재·납기까지 함께 볼 수는 없을까"라는 질문이 뒤따르게 됩니다. 정부 전략이 설계부터 생산, 유통·물류까지 아우르는 대형 AI 에이전트를 고도화 과제로 둔 것도 같은 방향입니다.

④ 정부 전략이 에이전트를 기반 과제로 올렸습니다

"제조AI 2030 전략"은 2030년까지 민관 합동 20조 원을 투자해 100조 원 이상의 경제적 부가가치를 만드는 것을 목표로 제시했습니다. 에이전트와 관련된 내용은 단계별로 이렇게 담겼습니다.

•     기초 단계: 제조데이터 수집과 AI 모델·에이전트 개발

•     고도화 단계: 설계부터 생산, 유통·물류까지 관리하는 대형 AI 에이전트 개발

정부는 전체 제조기업의 99.6%를 차지하는 중소기업의 AI 전환을 필수 조건으로 꼽았습니다. 정책 방향이 분명해진 만큼, 중소 제조기업도 지원사업과 연계해 검토할 여지가 커졌습니다.

에이전트가 돕는 판단은 거창한 경영 의사결정만이 아닙니다. 오히려 매일 반복되지만 여러 데이터를 맞춰 봐야 해서 시간이 걸리는 판단에서 효과가 먼저 나타납니다. 아래는 이해를 돕기 위한 일반적인 업무 장면 예시입니다.

생산계획을 바꿔야 할 때

긴급 주문이 들어오면 담당자는 설비 가동 현황, 자재 재고, 기존 납기를 하나씩 확인해야 합니다. 에이전트는 이 정보를 한 번에 모아 계획을 바꿨을 때 어떤 주문의 납기가 밀리는지 정리해 보여 줄 수 있습니다.

•     에이전트: 선택지별로 영향을 받는 주문과 설비를 나란히 비교합니다.

•     사람: 최종 순서는 생산 담당자가 거래처 사정까지 고려해 결정합니다.

품질 이상이 감지됐을 때

검사에서 이상 신호가 나오면 원인 후보는 원료, 설비, 작업 조건 등 여러 갈래로 나뉩니다. 에이전트는 같은 시간대의 설비 이력과 원료 로트 정보를 엮어 확인할 순서를 제안할 수 있습니다.

•     에이전트: 과거 비슷한 이상이 있었을 때 어떤 조치를 했는지 기록을 찾아 함께 보여 줍니다.

•     사람: 출하 보류나 재작업 결정은 품질 책임자가 내립니다.

정비 순서를 정해야 할 때

여러 설비에서 동시에 주의 신호가 나오면 정비 인력을 어디에 먼저 보낼지가 문제입니다. 에이전트는 설비별 상태와 그 설비가 맡은 주문의 납기를 함께 고려한 우선순위 초안을 만들 수 있습니다.

•     에이전트: 생산 영향과 고장 위험을 함께 보여 줘 정비 담당자의 판단 시간을 줄입니다.

•     사람: 안전과 직결된 설비는 에이전트의 순위와 관계없이 기존 점검 기준을 우선합니다.

이 밖에도 자재 발주 시점 검토, 작업 일보와 보고서 정리, 안전 점검 기록 확인처럼 반복적인 판단·정리 업무가 에이전트가 먼저 들어가기 좋은 영역으로 꼽힙니다.

확산 이유가 분명해도 현장에서 바로 도입하기 어려운 이유 역시 분명합니다. 대부분은 기술보다 준비 상태의 문제입니다.

도입 전에 부딪히는 네 가지 벽 •     데이터 품질: 설비 데이터와 재고·주문 데이터의 기준 시간이나 코드 체계가 달라 서로 연결되지 않는 경우가 많습니다. •     책임 소재: 에이전트의 제안대로 했다가 문제가 생기면 누가 책임지는지 정해 두지 않으면 아무도 쓰지 않습니다. •     현장 신뢰: 근거 없이 결론만 내놓는 시스템은 숙련자에게 신뢰를 얻기 어렵습니다. •     보안: 공정 조건과 거래처 정보가 외부 서비스로 넘어가는 구조라면 내부 반대가 큽니다.

 

이 네 가지를 먼저 짚어 보면 "우리 공장이 지금 에이전트를 써도 되는가"에 대한 답이 대부분 나옵니다.

에이전트 비용은 소프트웨어 이용료보다 그 주변에서 더 많이 생기는 경우가 흔합니다. 특히 데이터 연결과 운영 체계를 갖추는 비용을 처음부터 계산에 넣어야 합니다.

비용 구분	주요 항목	놓치기 쉬운 부분
데이터 연결	MES·ERP·설비 데이터 연동, 코드 표준화	시스템마다 다른 품목·설비 코드 정리 작업
에이전트 구축	업무 시나리오 설계, 모델·플랫폼 이용료	현장 용어와 판단 기준을 정리하는 인터뷰 시간
운영·관리	사용량 기반 이용료, 모니터링	제안 결과를 검토하고 기준을 고치는 담당자 시간
보안·통제	접근 권한 관리, 기록 보관	외부 전송 데이터 범위 점검, 내부 보안 검토

 

비용을 줄이는 가장 확실한 방법은 범위를 좁히는 것입니다. 판단이 자주 반복되고 데이터가 이미 있는 업무 하나로 시작하면, 연결해야 할 시스템과 정리할 기준이 크게 줄어듭니다.

단계적으로 나눠 보는 방법 첫 단계에서는 조회와 요약만 맡겨 데이터 연결 비용을 확인하고, 효과가 보이면 제안 기능과 다른 업무로 넓힙니다. 투자 판단을 한 번에 크게 하지 않아도 되고, 중간 결과를 근거로 다음 예산을 설명하기도 쉬워집니다.

 

에이전트 도입에서 가장 중요한 설계는 "권한의 단계"입니다. 처음부터 실행까지 맡기기보다, 보여 주기와 제안하기에서 시작해 신뢰가 쌓이는 만큼 범위를 넓히는 방식이 안전합니다.

1.   조회: 흩어진 데이터를 모아 현황만 정리합니다.

2.   제안: 선택지와 근거를 제시하되 결정은 사람이 합니다.

3.   승인 후 실행: 사람이 승인하면 지시서 작성·알림 같은 후속 업무를 처리합니다.

4.   제한적 자동 실행: 영향이 작고 반복적인 업무에 한해 정해진 범위 안에서만 스스로 처리합니다.

설비를 직접 움직이거나 안전과 연결된 판단은 높은 단계로 올리지 않는 것이 원칙입니다. 정부 전략도 모델·에이전트·제어 전 주기에 걸친 보안 기술 개발을 과제로 담고 있어, 에이전트가 제어 영역과 닿을수록 보안 설계가 함께 가야 함을 보여 줍니다.

운영 원칙 세 가지 •     에이전트가 무엇을 근거로 무엇을 제안했는지 기록을 남깁니다. •     실행 권한은 업무별로 나누고, 승인자를 명확히 지정합니다. •     안전과 직결된 설비 정지·가동 판단은 사람의 최종 결정으로 남겨 둡니다.

 

에이전트 도입이 기대만큼 정착하지 못하는 경우에는 비슷한 패턴이 반복됩니다. 미리 알고 피하면 시행착오를 크게 줄일 수 있습니다.

•     범위 과욕: 처음부터 공장 전체를 맡기려다 데이터 연결에서 멈춥니다.

•     근거 없는 답: 결론만 보여 주고 근거를 숨기면 현장이 확인할 방법이 없어 외면합니다.

•     기준 부재: "좋은 제안"의 기준을 정하지 않아 효과를 판단할 수 없습니다.

•     담당자 공백: 제안을 검토하고 기준을 고칠 사람이 없어 초기 오류가 그대로 쌓입니다.

•     현장 배제: 숙련자 없이 설계하면 실제 판단 순서와 맞지 않는 제안이 나옵니다.

결국 성패는 모델 성능보다 "누가 어떤 기준으로 제안을 검토하고 고치는가"에 달려 있습니다.

에이전트를 들인다고 판단의 주인이 바뀌는 것은 아닙니다. 사람과 에이전트가 각자 잘하는 일을 나누는 혼합 운영이 현실적인 출발점입니다.

역할	맡는 일
에이전트	데이터 수집, 상황 요약, 선택지 정리, 반복 보고서 작성
숙련자	예외 상황 판단, 제안 검토, 판단 기준의 수정과 전수
관리자	권한 범위 승인, 성과 지표 관리, 확대 여부 결정

 

특히 숙련자가 에이전트의 제안을 고쳐 주는 과정 자체가 암묵지를 데이터로 남기는 일이 됩니다. 에이전트를 "숙련자의 경험을 이어받는 통로"로 설계하면 현장의 거부감도 줄어듭니다.

아래 항목 중 답하기 어려운 것이 많다면, 에이전트보다 데이터 정리와 업무 기준 정리를 먼저 하는 것이 맞습니다.

업무·데이터 점검 •     ☐ 매주 반복되면서 판단에 시간이 오래 걸리는 업무가 무엇인지 꼽을 수 있는가 •     ☐ 그 판단에 필요한 데이터가 어느 시스템에 있는지 알고 있는가 •     ☐ 숙련자가 그 판단을 어떤 순서로 내리는지 설명할 수 있는가

 

운영 체계 점검 •     ☐ 에이전트의 제안을 검토할 담당자를 지정할 수 있는가 •     ☐ 제안이 좋았는지 판단할 지표(시간, 불량, 납기 등)를 정했는가 •     ☐ 외부로 나가면 안 되는 데이터의 범위를 정했는가

 

앞쪽이 비어 있다면 데이터와 업무 기준 정리부터, 뒤쪽이 비어 있다면 담당자와 지표, 보안 범위를 먼저 정하는 것이 순서입니다. 두 쪽 모두 어느 정도 채워졌다면 판단 업무 하나를 골라 조회 단계의 시범 운영을 검토해 볼 만합니다.

제조 AI 에이전트가 의사결정 보조자로 확산되는 이유는 분명합니다. 숙련자의 판단이 데이터로 남지 않는 문제, 모은 데이터가 판단으로 이어지지 않는 문제, 공정 단위 AI가 다음 단계를 요구하는 흐름, 그리고 이를 뒷받침하는 정부 전략이 한 방향으로 모이고 있습니다.

다만 에이전트의 가치는 결론을 대신 내리는 데 있지 않습니다. 흩어진 데이터를 모아 근거와 선택지를 빠르게 정리해 주고, 사람은 더 나은 판단에 시간을 쓰게 하는 데 있습니다. 그래서 권한은 조회와 제안에서 시작하고, 숙련자가 검토하고 고치는 구조를 함께 만들어야 합니다.

지금 바로 할 수 있는 첫걸음 이번 주에 가장 오래 고민한 판단 하나를 떠올리고, 그 판단에 어떤 데이터가 필요했는지 적어 보세요. 그 목록이 에이전트 도입 검토의 가장 현실적인 출발점이 됩니다.

 

---

참고문헌

1.   중소벤처기업부. "2024년 스마트제조혁신실태조사 결과 발표." 대한민국 정책브리핑(korea.kr). 2025.4.28. https://www.korea.kr/briefing/pressReleaseView.do?newsId=156686561

2.   산업통상부. "(참고자료)인공지능이 이끄는 제조업의 대전환, 2030년 청사진 나왔다." 산업통상부. 2026.6.29. https://www.motir.go.kr/kor/article/ATCL3f49a5a8c/171975/view

3.   산업통상부. "제조업 AI 대전환으로 생산성 30%↑ 불량률 15%↓." 대한민국 정책브리핑(korea.kr). 2026.8.4. https://www.korea.kr/news/policyNewsView.do?newsId=148969347