AI와 자율제조를 연결하는 Agentic AI의 가능성과 중소 제조의 현실

Agentic AI, Ontology
그리고 자율제조 AX의 방향성

제조업의 AI 전환(AX)은 더 이상 미래의 과제가 아니다. 이제 제조 기업이 고민해야 할 질문은 “AI를 도입할 것인가”가 아니라 “어떤 방식으로 현장에 안착시킬 것인가”에 가깝다. 생성형 AI의 확산으로 시장과 기술의 변화 속도는 한층 빨라졌고, 제조 현장 역시 예외가 아니다. 특히 최근에는 단순 질의응답을 넘어 스스로 판단하고 실행하는 Agentic AI가 부상하면서 자율제조를 향한 산업계의 기대도 빠르게 높아지고 있다.

그러나 제조 현장의 AX는 여전히 쉽지 않다. 기술적 가능성은 충분히 확인됐지만, 실제 적용 단계에 들어서면 데이터, 제어, 신뢰, 책임이라는 복합적인 과제가 동시에 등장한다. 제조업에서 AI는 단순한 효율화 도구를 넘어 생산성과 품질, 나아가 안전과 직결되는 핵심 기술이기 때문이다.

따라서 제조 AX의 본질은 ‘더 똑똑한 AI’를 도입하는 데 있지 않다. 오히려 AI가 이해할 수 있는 데이터 구조를 만들고, 신뢰 가능한 방식으로 통제할 수 있는 실행 체계를 설계하는 것이 더 중요하다.

자율제조는 더 이상 미래의
개념이 아니라, 산업의 방향

최근 제조업에서 가장 상징적인 키워드 가운데 하나는 ‘Dark Factory’다. 이는 사람이 상주하지 않아도 AI와 자동화 시스템이 공장을 24시간, 주 7일 운영하는 완전 자율형 생산 체계를 의미한다. 한때는 미래 공장을 설명하는 상징적 표현에 가까웠지만, 이제는 글로벌 제조 기업들이 실제 전략 과제로 검토하는 현실적 개념으로 자리 잡고 있다.

그동안 AI의 영향은 화이트칼라 직무를 중심으로 논의되어 왔지만, 자율제조의 흐름은 블루칼라 영역까지 AI 혁신의 직접적인 대상이 되고 있음을 보여준다. 생산, 검사, 유지보수, 품질 대응, 설비 제어에 이르기까지 제조의 핵심 업무가 점차 데이터 기반의 자율 시스템으로 전환되고 있기 때문이다. 결국 제조업은 단순한 자동화를 넘어 AI가 실제로 공장을 운영하는 시대로 진입하고 있다. 그리고 그 중심에는 Agentic AI가 있다.

Agentic AI는 왜 제조업의
핵심 기술로 부상했는가

Agentic AI는 단순히 질문에 답하는 AI가 아니다. 목표가 주어지면 스스로 상황을 해석하고, 필요한 도구를 선택하며, 실제 행동까지 수행하는 AI를 의미한다. 자율주행차가 목적지를 입력받으면 경로를 계획하고, 주변 환경을 인지하며, 차선을 변경하고 위험을 회피하듯이, Agentic AI 역시 목표 달성을 위해 일련의 판단과 실행을 연속적으로 이어간다.

글로벌 AI 기업들의 정의를 종합해 보면 그 성격은 더욱 분명해진다. OpenAI는 목표 달성을 위한 자율적 수행을 강조하고, Anthropic은 다양한 도구를 활용하면서 사전 정의된 워크플로우를 따르는 구조에 주목한다. Google 역시 단순한 사고를 넘어 실제 행동(Action)으로 이어지는 AI라는 점을 강조한다. 이를 종합하면 Agentic AI는 특정 목표를 달성하기 위해 다양한 도구를 활용하고, 정해진 실행 구조 안에서 실제 행동을 수행하는 AI라고 정리할 수 있다.

이 개념이 제조업에서 특히 중요한 이유는 명확하다. 자율제조는 단순한 분석만으로는 완성되지 않기 때문이다. 공정 데이터 수집, 이상 감지, 품질 판단, 조건 예측, 설비 제어 그리고 결과에 대한 피드백까지 이어지는 전 과정이 하나의 실행 체계 안에서 유기적으로 연결돼야 한다. 결국 제조 현장에서 Agentic AI는 ‘대화형 AI’를 넘어, 현장을 이해하고 스스로 행동하는 운영형 AI로 받아들여져야 한다.

제조업의 자율제조를
가로막는 진짜 문제

그렇다면 기술만 확보되면 자율제조는 곧바로 가능할까. 현실은 그렇지 않다. 많은 제조 기업이 AI 도입을 시도하지만, 기대한 성과에 도달하지 못하는 경우가 적지 않다. 문제의 핵심은 AI 알고리즘 자체가 아니라, 그것이 작동해야 할 현장의 데이터와 운영 구조가 충분히 준비되어 있지 않다는 데 있다.

그동안 많은 조직은 데이터의 ‘양’을 가장 큰 과제로 인식해 왔다. 이를 해결하기 위해 MES, ERP, 설비 로그, 검사 데이터 등 다양한 정보를 지속적으로 축적해 왔다. 이후에는 데이터 ‘품질’ 문제가 부각되면서 전처리, 정합성 확보, 이상치 제거와 같은 데이터 품질 관리가 중요한 과제로 떠올랐다. 그러나 오늘날 제조 현장에서 AI 적용이 지연되는 보다 근본적인 이유는 따로 있다. 바로 데이터가 AI가 이해할 수 있는 형태로 구조화되어 있지 않다는 점이다.

이는 단순한 저장의 문제가 아니다. 데이터가 존재한다고 해서 AI가 이를 곧바로 이해할 수 있는 것은 아니다. 제조 데이터는 대개 설비별·공정별·시스템별로 분산되어 있고, 코드 중심으로 저장되며, 그 의미와 관계가 명확히 정의되지 않은 경우가 많다. 그 결과 AI는 숫자와 문자열은 받아들일 수 있어도, 그것이 무엇을 의미하며 어떤 맥락 속에 놓여 있는지 파악하지 못한다.

결국 ‘데이터가 존재한다’는 것과 ‘AI가 그 데이터를 학습 가능하고 실행 가능한 형태로 해석할 수 있다’는 것은 전혀 다른 문제다. 제조업의 AI 도입이 실질적인 성과로 이어지지 못하는 이유도 바로 이 지점에서 시작된다.

‘Ontology’는 데이터에
문맥을 부여하는 구조

이 지점에서 핵심적인 역할을 하는 개념이 바로 ‘Ontology’다. 다소 어렵고 추상적으로 들릴 수 있지만, 그 본질은 비교적 단순하다. 각각의 데이터에 의미를 부여하고, 데이터 간의 관계를 정의하는 구조다. 다시 말해, 제조 현장의 데이터를 AI가 ‘이해할 수 있는 언어’로 변환해주는 지식 체계라고 볼 수 있다.

예를 들어 어떤 시스템에 ‘P001 = 11’이라는 값이 있다고 가정해 보자. 이 값만으로는 사람조차 그것이 생산량인지, 온도인지, 압력인지 쉽게 알기 어렵고, AI는 더더욱 해석할 수 없다. 그러나 여기에 “P001은 A공장 B라인 C설비의 생산량을 의미한다”는 정의가 부여되고, 공장–라인–설비–파라미터 간의 관계가 함께 연결된다면 상황은 완전히 달라진다. 이때 AI는 P001을 단순한 코드가 아니라, 특정 설비의 생산 상태를 나타내는 의미 있는 정보로 이해할 수 있다.

결국 Ontology는 데이터를 설명하는 일종의 ‘사전’이자, 제조 현장의 객체·공정·속성·관계를 구조화하는 의미 기반의 지식 체계다. 제조업에서 AI 시스템이 제대로 작동하기 위해서는, 현장을 의미 단위로 재구성하는 작업이 선행되어야 한다.

데이터 통합의 본질은
‘연결’이 아니라 ‘정렬’

대부분의 제조 기업은 방대한 데이터를 보유하고 있다. 그러나 데이터의 양이 많다는 사실만으로 AI가 제대로 작동하는 것은 아니다. 생산기술팀, 품질팀, 설계팀, 고객지원팀, 경영진은 각기 다른 지표와 시스템을 사용하며, 같은 조직에 속해 있으면서도 서로 다른 목표와 언어로 소통하는 경우가 많다. 이른바 ‘사일로(Silo)’의 문제다.

이러한 단절은 단순한 협업의 비효율에 그치지 않는다. 데이터가 단절되면 목표도 함께 단절되고, 목표가 단절되면 AI 역시 현장을 일관된 맥락으로 해석할 수 없다. 예를 들어 수율 중심의 조직과 고객 성능 지표 중심의 조직이 서로 다른 기준을 적용한다면, 하나의 통합된 데이터 체계 위에서 일관된 판단을 내리는 것은 사실상 불가능하다.

따라서 제조업의 AX에서 중요한 것은 단순한 ‘데이터 수집’이 아니다. 핵심은 동일한 의미 체계 위에서 데이터를 정렬하고 해석할 수 있도록 하는 데 있다. Ontology가 중요한 이유도 여기에 있다. 경영진부터 현장 운영자에 이르기까지, 부서와 시스템의 경계를 넘어 모두가 동일한 데이터를 동일한 맥락에서 이해할 수 있도록 하는 구조가 필요하다.

‘Ontology’는 강력하지만,
결코 자동으로 구축되지 않아

그렇다고 ‘Ontology’가 해결책은 아니다. 많은 기업이 이 지점을 가장 크게 오해한다. 데이터 플랫폼이나 AI 솔루션을 도입하면 데이터가 자동으로 통합되고, AI가 곧바로 현장을 이해할 것이라 기대하지만 현실은 전혀 다르다. Ontology 구축은 상당한 시간과 수작업 그리고 무엇보다 현장에 대한 깊은 이해를 요구하는 작업이다.

제조 현장은 복잡하다. 공정은 다층적으로 얽혀 있고, 설비는 이기종으로 구성되며, 데이터 형식은 제각각이다. 여기에 이력 관리조차 충분히 표준화되어 있지 않은 경우가 많다. 이러한 환경에서 공장–라인–설비–파라미터–이벤트–품질 결과 간의 관계를 정의하고 표준화하는 일은 결코 단기간에 끝날 수 없다.
 개념 자체는 단순해 보여도, 실제 구축 과정은 높은 수준의 도메인 이해와 지속적인 정비를 전제로 한다. 결국 제조 AX의 핵심은 ‘좋은 AI 솔루션’을 도입하는 데 있지 않다. AI가 실제로 이해하고 활용할 수 있는 데이터 구조를 현실적으로 설계하고, 이를 지속적으로 축적해 나가는 데 있다.
  

제조 AI의 출발점은
빅데이터가 아니라 ‘Traceability’

중소 제조 기업 현장에서는 “MES도 있고 ERP도 있기에 이미 데이터를 충분히 모으고 있다”는 말을 자주 듣는다. 실제로 데이터는 축적되고 있다. 그러나 AI 엔지니어 입장에서는 그 데이터로 학습이 불가능한 경우가 많다.

이유는 명확하다. 데이터는 충분하지만, 데이터들이 AI가 학습 가능한 방식으로 연결되어 있지 않기 때문이다. 생산량 데이터, 공정 조건 데이터, 검사 결과 데이터가 각각 따로 저장되어 있다면, 어떤 불량이 정확히 어떤 조건에서 발생했는지를 추적할 수 없다. 각 데이터를 동일한 Timestamp로 엮어서 기록하지 않았기에 조건 데이터와 결과 데이터를 한 데 연결할 수 없고, LOT 단위 관리에 머무르면 개별 제품 단위의 상관관계를 추적할 수 없기 때문이다. 결국 AI가 학습해야 할 원인-결과의 맥락이 부재한 현실이다.

따라서 제조 AI의 출발점은 빅데이터 자체가 아니라 Traceability, 즉 데이터 추적성이다. 개별 제품 기준으로 생산 시점, 공정 파라미터, 설비 상태, 검사 결과가 하나의 시계열 기준 안에서 1:1로 연결될 때, 비로소 AI는 학습 가능한 제조 데이터를 확보할 수 있다.

데이터 추적성이 확보될 때,
비로소 AX가 현실이 된다

Traceability가 확보되면 제조 현장에서 AI의 적용 방식은 근본적으로 달라진다. 물리 공장과 가상 공장을 실시간으로 동기화하는 디지털 트윈이 가능해지고, OPC UA나 Asset Administration Shell(AAS)과 같은 국제 표준 기반의 CPS를 통해 설비와 시스템 간 데이터 연동도 한층 정교해진다. 나아가 AI 예측 모델은 최적 공정 조건을 도출하고, 이를 설비 제어와 직접 연결함으로써 자율적인 파라미터 조정까지 수행할 수 있다.

예지보전 역시 마찬가지다. 정상 상태의 패턴을 학습한 AI 모델은 이상 징후를 조기에 포착하고, 고장이 발생하기 전에 전조 신호를 탐지할 수 있다. 이는 다운타임을 줄이고 예방 정비의 수준을 높이며, 궁극적으로 생산 안정성을 강화하는 기반이 된다. 결국 디지털 트윈, 자율 제어, 예지보전과 같은 고도화된 AX는 개별 솔루션의 문제가 아니다. 그것은 추적 가능한 데이터 구조 위에서만 성립할 수 있는 결과다.

제조 현장이 AI를
쉽게 신뢰하지 못하는 이유

제조업은 AI의 성능만으로 움직이는 산업이 아니다. 실제 현장에서는 “AI가 얼마나 똑똑한가”보다 “AI를 얼마나 신뢰할 수 있는가”가 훨씬 더 중요한 문제로 작동한다. 일반적인 디지털 서비스에서는 99% 정확도의 AI도 충분히 우수한 성과로 평가될 수 있다. 그러나 제조 현장에서는 상황이 다르다. 99%의 정확도는 1만 개 중 100개의 불량 가능성을 의미하며, 이는 곧 품질 사고, 생산 중단, 안전 리스크, 막대한 비용 손실로 직결될 수 있다. 제조업에서 1%의 오차는 단순한 통계가 아니라 현실의 손실이다.

AI는 본질적으로 확률 기반의 모델이며, 제조 현장은 이러한 블랙박스 형태의 판단을 그대로 수용할 수 없다. 결국 제조업에서 필요한 것은 완전한 자율성이 아니라, 설명 가능하고 통제 가능한 방식으로 AI를 운영할 수 있는 구조다.

제조 특화 Agentic AI는
통제 가능한 Workflow 위에서 동작해야

이러한 맥락에서 제조 현장에 필요한 Agentic AI는 무제한적인 자율성을 지닌 AI가 아니다. 오히려 사전에 정의된 워크플로우 내에서 검증된 도구를 활용하고, 통제 가능한 범위 안에서만 행동하도록 설계된 Agentic AI가 요구된다.
 제조업은 데이터 연동, 디지털 트윈, 비전 검사, 이상감지, 예측모델, 설비 제어, 알림 기능 등 매우 다양한 요소기술을 필요로 한다. 그리고 고객의 목적에 따라 필요한 기능과 액션은 달라진다. 따라서 제조용 Agentic AI는 하나의 모델이 모든 것을 해결하는 구조가 아니라, 다양한 기능을 플랫폼 차원에서 통합하고 목적에 따라 서로 다른 Action을 연결할 수 있어야 한다.

제조 현장에서 AI를 가능하게 한 것은 단순히 정확도 높은 AI 모델이 아니라, AI의 제어와 정의였다. 다시 말해 제조 AI의 출발점은 ‘자율적인 지능’이 아니라 ‘믿을 수 있는 제어’다. AI가 무엇을 할지 스스로 결정하도록 내버려두는 것이 아니라, 무엇을 할 수 있고 무엇을 해서는 안 되는지를 먼저 정의해야 한다.

이러한 구조 안에서 Agentic AI는 비로소 제조 현장에 적합한 형태를 갖춘다. 다양한 도구와 기능을 활용하되, 실행 가능한 세계와 절차가 먼저 정의되어 있고, 그 안에서만 자율적으로 판단하고 행동하는 방식이다. 이때 자율성은 위험이 아니라 생산성을 높이는 수단이 된다.

자율제조의 문은
AI를 통제할 수 있을 때 열려

제조업의 AX는 화려한 데모나 일회성 AI 적용만으로 완성되지 않는다. 현실적인 데이터 구조, 추적 가능한 이력 관리, 표준 기반의 시스템 연동, 통제 가능한 워크플로우 그리고 현장의 문맥을 이해하는 Agentic AI가 단계적으로 결합될 때 비로소 실질적인 자율제조로 이어질 수 있다.

중요한 것은 “AI를 도입했다는 사실 자체가 아니라, AI가 현장을 이해하고 신뢰 가능한 방식으로 실행될 수 있는 구조를 갖추었는가”다. 자율제조는 AI가 더 똑똑해질 때가 아니라, AI를 통제 가능하게 만들 수 있을 때 비로소 시작된다.

AX는 ROI 이전에 생존의 문제

많은 제조 기업은 여전히 AI를 ROI 관점에서 먼저 판단한다. 당장에는 AI 도입보다 설비 한 대를 추가로 구입하는 것이 더 즉각적인 KPI 향상으로 이어질 수 있기 때문이다. 그러나 AX는 단순한 투자수익률의 문제가 아니다. 이는 더 큰 의미에서의 ROR (Return on Risk), 즉 기업의 생존과 향후 경쟁력을 좌우하는 문제다.

DX(Digital Transformation)가 늦어지면 시장 경쟁에서 도태될 수 있다. AX(AI Transformation)는 그보다 더 빠르고 직접적으로 기업의 생존 자체를 위협하고 있다. 이제 제조 기업은 ‘AX를 할 것인가’를 고민할 단계가 아니라, ‘어떤 방식으로 현실적이고 통제 가능하게 AI를 도입할 것인가’를 고민해야 한다.

결국 중요한 질문은 ‘AI가 당장 얼마의 수익을 만들어낼 수 있는가’가 아니다. ‘우리는 AI가 들어올 수 있는 구조를 갖추고 있는가’ 그리고 ‘AI를 통제 가능한 방식으로 운영할 준비가 되어 있는가’다.

제조 AX는 현실적이고, 단계적이며,
통제 가능한 방식으로 추진되어야

제조업에서 Agentic AI는 반드시 준비해야 할 핵심 기술이다. 다만 그 도입 방식은 철저히 현실적이어야 한다. 데이터 구조를 재정비하고, 추적성을 확보하며, 의미 체계를 구축하고, 통제 가능한 워크플로우를 설계하는 과정이 선행되어야 한다. 이러한 기반 위에서야 비로소 Agentic AI는 자율제조를 실현하는 실질적인 도구가 될 수 있다.

결국 자율제조는 AI가 충분히 똑똑해졌을 때 도달하는 단계가 아니다. AI를 통제할 수 있고, 현장을 이해할 수 있는 데이터 구조가 갖춰졌을 때 비로소 그 문이 열린다. AX는 선택의 문제가 아니라 생존의 문제다. 그리고 그 출발점은 화려한 AI 모델이 아니라, 제조 현장을 이해하고 연결하며 제어할 수 있는 구조를 만드는 데 있다.

nkh@uvc.co.kr