멀티 AI 에이전트 기반 제조 의사결정 자동화

1. 단편 자동화의 시대에서 

종합 판단의 시대로

지난 10여 년간 국내 제조 현장에는 다양한 AI 기술이 도입되어 왔다. 휴머노이드 로봇은 조립과 이송을 자동화하고, AGV·AMR은 자재를 운반하며, AI 비전은 외관 검사를 수행하고, 예지보전 AI는 설비 고장을 예측한다. 그러나 이들 AI에는 공통적인 한계가 존재한다. 각각의 영역 안에서만 작동한다는 점이다. 로봇은 재고 상황을 알지 못하고, AGV는 납기 정보를 이해하지 못한다. 예지보전 AI 역시 ‘3호기 진동 이상’을 감지할 수는 있지만, 해당 이상 징후가 어떤 작업 지시에 영향을 미치고, 어떤 고객 수주의 납기를 위협하는지 종합적으로 판단하지는 못한다.

진정한 자율형 공장(Autonomous Factory)으로 나아가기 위해서는 공장 전체의 흐름을 이해하고, 부서 간 연쇄 영향을 분석하며, 상황을 종합적으로 판단할 수 있는 AI가 필요하다. 웨이스는 이러한 과제의 해법으로 ‘멀티 AI 에이전트 기반 제조 의사결정 자동화’를 제시한다.

본고에서는 VEXPLOR Logic Studio와 VEX-PLOR AI Agent Platform을 기반으로 구축한 멀티 에이전트 아키텍처와 실제 운영 중인 고객사 A의 자율형 공장 사례를 소개하고, 한국 제조업이 반드시 짚어야 할 구조적 전제에 대해 살펴보고자 한다.

2. 챗봇에서 AI 에이전트로 

- 메모리가 만드는 차이

먼저 ‘AI 에이전트’라는 용어를 명확히 정의할 필요가 있다. 흔히 OpenAI의 ChatGPT 같은 대화형 AI를 ‘AI 에이전트’라고 부르지만, 양자는 본질적으로 다르다. 대화형 AI는 각 세션이 단절된 일회성 구조이기 때문에, 동일한 질문을 세 번 입력하면 세 번 모두 처음부터 다시 분석한다. 아무리 오랫동안 사용해도 사용자와의 관계는 첫날과 크게 달라지지 않는다.

반면 진정한 AI 에이전트는 다르게 동작한다. 예를 들어 1월에 ‘B라인 불량 원인 분석’을 수행하면서 금형 온도 이상 패턴을 학습하였다면, 2월에는 “지난달과 동일한 패턴입니다. 당시에는 베어링 교체로 문제를 해결하였습니다. 보전 요청을 진행할까요?”라고 답할 수 있다. 나아가 3월에는 사용자가 묻기 전에 먼저 알린다. “금형 온도 이상 패턴이 재발하였습니다. 3일 내 불량 발생이 예상되어 보전 요청을 준비하였습니다.”

기술적 차이는 단순히 메모리의 유무처럼 보일 수 있다. 그러나 제조 현장에서 창출되는 가치의 차이는 결정적이다. 메모리가 없는 AI는 언제까지나 신입사원에 머무르지만, 메모리를 갖춘 AI 에이전트는 경험을 축적하며 10년 차 베테랑처럼 성장한다.

3. 단일 에이전트의 한계 

- 왜 멀티 에이전트인가

메모리를 갖춘 단일 AI 에이전트 역시 기존 챗봇보다 훨씬 진보된 형태이지만, 제조 현장에는 본질적인 한계가 존재한다. 바로 의사결정이 지닌 ‘크로스 도메인(Cross-Domain)’ 특성이다. 예를 들어 설비 고장 하나를 판단하더라도 생산관리(MES), 영업(ERP), 품질(QMS), 설비 자재(EAM), 공급망(SC M), 인사(HR) 등 최소 여섯 개 영역을 동시에 검토해야 비로소 올바른 결론에 도달할 수 있다. 단순한 알람이나 개별 시스템의 판단만으로는 해결할 수 없는 문제인 셈이다.

웨이스가 제안하는 멀티 AI 에이전트 시스템은 실제 공장 조직의 위계 구조를 AI에 그대로 반영한 것이 특징이다. 최상위에는 전략적 의사결정과 KPI 모니터링을 담당하는 CEO 에이전트가 위치하며, 그 아래에는 생산관리·품질관리·SCM·재무·인사·보전 등 6개의 Supervisor 에이전트가 각 부문을 총괄한다. 또한 그 하위에는 라인 반장, QC 검사원, 구매 담당자 등 33개 이상의 Worker 에이전트가 배치되어 실무를 수행한다. 공장장이 모든 업무를 직접 처리하지 않듯, AI 역시 위임과 협업을 기반으로 한 계층 구조를 갖는다.

예를 들어 ‘3호기 진동 이상’ 상황이 발생하면, 설비 보전 에이전트의 이상 감지를 시작으로 생산관리 에이전트의 대체 설비 제안, 품질관리 에이전트의 불량률 영향 분석, SCM 에이전트의 재고 점검이 순차적으로 이뤄진다. 이후 CEO 에이전트가 이를 종합해 최종 의사결정을 내리고 공장장에게 보고한다. 과거에는 여러 부서가 회의실에 모여 두 시간 넘게 논의하여야 했던 일이, 이제는 AI 에이전트 간 협업을 통해 단 몇 분 만에 끝난다.

4. AI 에이전트 4대 필수 요건 

- AI보다 구조가 먼저다

여기서 가장 중요한 통찰을 짚고 넘어가야 한다. AI 에이전트의 성공 여부는 AI 자체의 지능이 아니라, AI가 제대로 작동할 수 있도록 뒷받침하는 구조에 달려 있다. 아무리 뛰어난 LLM(거대언어모델)을 도입하더라도 네 가지 핵심 구조가 잘 갖춰지지 않으면 ‘Garbage In, Disaster Out’의 상황에 직면하게 된다. 즉, 잘못된 데이터와 구조는 치명적인 자율 판단 오류로 이어질 수 있다는 의미다. 국내 대기업들이 AI PoC를 반복적으로 실패하는 가장 큰 이유 역시 기술 부족 때문만은 아니다. 오히려 AI가 데이터를 이해하고 맥락화할 수 없는 구조에 문제가 있었기 때문이다.

 첫 번째는 AI-Native 데이터 구조이다. 동일한 ‘부품’을 두고도 MES에서는 item_cd, ERP에서는 prod_no, QMS에서는 part_id로 서로 다르게 관리하는 환경에서는, AI조차 “브레이크패드를 찾아라”라는 명령에 어디를 조회해야 하는지 판단하지 못한다. 따라서 통합 마스터 데이터(MDM) 구축과 외래 키 체계의 일원화는 선택이 아니라 필수다.

두 번째는 시맨틱 관계 정의다. 단순한 외래키만으로는 데이터 간 관계가 무엇을 의미하는지, 즉 ‘생산하는지’, ‘소비하는지’, ‘검사하는지’를 이해할 수 없다. 이를 위해서는 PRODUCES, CONSUMES, USES_EQUIPMENT, RESOLVES, CAUSED_BY, INSPECTED_BY 등 22개의 시맨틱 관계 타입을 정의해야 한다. 관계의 ‘동사’가 구조화되면 AI는 ‘B라인 불량 원인’이라는 단일 질의만으로도 여러 시스템을 자동 탐색해 “공급업체 변경과 설비 진동 상승이 복합적으로 작용한 결과”라는 결론을 도출할 수 있다.

세 번째는 온톨로지와 지식그래프(Knowledge Graph)다. 데이터를 단순 저장하는 수준을 넘어, 공장의 개체·행동·인과관계를 구조화하면 “A 설비 고장이 고객 E의 수주 D 납기에 어떤 영향을 미치는가”와 같은 다중 홉(Multi-hop) 추론이 가능해진다. 이러한 추론은 기존 SQL 기반 구조에서는 사실상 구현이 어렵지만, 지식그래프 탐색 환경에서는 즉시 수행할 수 있다.

네 번째는 메모리 아키텍처다. 세션 단위 작업 기억, 사용자 업무 프로필, 도메인 지식(매뉴얼·CA PA·표준), 실행 이력 등 6계층 메모리 구조를 구성함으로써, AI 에이전트가 시간이 지날수록 더욱 정확하고 빠르게 판단하도록 만드는 것이다. 결국 이 네 가지 구조가 갖춰져야 비로소 AI 에이전트는 현장 맥락을 이해하고, 적응적 의사결정을 수행할 수 있다.

5. 3분 의사결정 

- 멀티 에이전트가 만든 새로운 일상

이 모든 구조가 갖춰졌을 때 제조 현장의 의사결정은 어떻게 달라질까? 자동차 부품 공장에서 웨이스가 실제 운영 중인 사례를 통해 살펴볼 수 있다. 

오전 7시 55분, IoT 센서가 3호기 프레스에서 진동 0.28mm를 감지한다. 이는 임계치인 0.25mm를 초과한 수치다. 설비보전 에이전트가 해당 이상 징후를 즉시 CEO 에이전트에 보고하면, CEO 에이전트는 What-If 시뮬레이션을 통해 세 가지 대응 시나리오를 동시에 분석한다.

첫 번째는 ‘5호기 즉시 전환’ 시나리오로, 시스템이 우선적으로 권고하는 방안이다. 두 번째는 ‘3호기 감속 운전’, 세 번째는 ‘야간 작업 추가’ 시나리오다. AI 에이전트는 시나리오별로 납기 영향, 비용 변화, 품질 리스크를 종합적으로 비교·평가한 뒤 최적의 대응안을 도출한다.

오전 7시 58분, 공장장 대시보드에 다음과 같은 알림이 표시된다. “3호기 진동 이상 감지. 5호기 자동 전환 완료. 납기 영향 없음.” 인간의 개입은 단 한 차례도 없었고, 전체 의사결정에 소요된 시간은 단 3분이다. 과거 같았으면 4개 부서가 두 시간 이상 회의를 거쳐야 처리할 수 있었던 상황이다.

이 3분 동안 AI 에이전트는 6개 솔루션에 분산된 15개 이상의 테이블과 30개 이상의 데이터 포인트를 종합적으로 분석한다. 설비보전(EAM)의 진동 데이터·정비이력·MRO 재고, 생산관리(MES)의 작업 지시·금형 호환성, 영업(ERP)의 수주·납기·진행률, 품질(QMS)의 불량률 추이, 공급망(SCM)의 부품 재고와 리드타임, 인사(HR)의 근무 스케줄까지 함께 검토한다. 

즉 단순한 이상 알람 수준을 넘어, 6개 도메인의 맥락을 통합적으로 이해하고 종합 판단을 수행한다는 점이 멀티 AI 에이전트가 만들어내는 핵심 가치다.

6. 실증 사례와 거버넌스 

- 고객사 A 자율형 공장

이러한 멀티 AI 에이전트 기반 자율형 공장은 더 이상 구상에 머물지 않는다. 웨이스는 2025년 중소벤처기업부 자율형 공장 구축지원사업의 일환으로, 국내 알루미늄 전해 콘덴서 케이스 전문 제조 기업인 고객사 A(가칭)에 자율형 공장 솔루션을 공급·운영하고 있다.

고객사 A는 SMD 타입과 Liquid Type 제품 모두에서 글로벌 시장 점유율 50% 이상을 차지하는 강소기업이다. 또한 MES·EMS·자동창고·AMR 25대·AI 비전 시스템 30대·2차 프레스 186대 등 이미 고도화된 자동화 인프라를 구축한 상태다. 

그러나 이처럼 다양한 자동화 자산을 보유하고 있음에도, 각각의 시스템이 개별 영역 안에서만 동작한다는 한계는 여전히 존재한다. 결국 문제의 본질은 1장(1. 단편 자동화의 시대에서 종합 판단의 시대로)에서 제기한 질문으로 돌아간다.

웨이스가 적용한 솔루션은 디지털 트윈 기반의 3D 시각화 환경에서 구현된다. 이 환경에서는 자재 요청 우선순위 결정, 반제품 소진율 예측, 물류 경로 최적화, 품질 상관관계 분석, 자율 제어 등 5종의 AI 에이전트가 유기적으로 협업한다.

하부 구조는 AAS(IEC 63278 Asset Administration Shell) 국제 표준을 기반으로 구축되었으며, OPC UA와 Apache Kafka를 통해 데이터를 표준화한다. 또한 Edge 컴퓨팅 서버가 100ms 이내 지연으로 현장 데이터를 실시간 처리한다.

여기서 강조하고 싶은 점은 LSTM, XGBoost, YOLO 같은 전통적 머신러닝 모델이 솔루션의 핵심이 아니라는 점이다. 이들 모델은 AI 에이전트가 상황에 따라 호출하는 ‘도구(tool)’ 가운데 하나에 불과하다. 진정한 핵심은 AI 에이전트가 생산 시간, 잔여 자재량, 설비 중요도, 생산 효율성, 요청 대기 시간, 후속 공정 상태 등 6개 변수를 종합적으로 분석해 실시간 의사결정을 수행하는 구조 자체에 있다.

여기서 가장 자주 받는 질문이 있다. “AI가 자동 발주를 잘못해 큰 손실이 발생하면 어떻게 할 것인가?”, “감사 과정에서 왜 그런 의사결정을 하였는지 설명할 수 있는가?”라는 우려다.

이에 대한 해답이 바로 Agent Authority Frame-work(AAF)와 불변 감사 로그 체계다. AAF는 AI의 권한 수준을 L0(조회)·L1(제안)·L2(승인 후 실행)·L3(규칙 기반 자동 실행)·L4(완전 자율) 등 다섯 단계로 구분하고, 이를 산업별 규제 체계와 직접 연계한다. 예를 들어 IATF 16949(자동차 품질), 21 CFR Part 11(의약), ISO 13485(의료기기) 등은 L2 이상의 단계에서 반드시 사람의 승인을 요구한다. 반면 ISO 45001(산업안전)은 긴급 정지 상황에 한해 L4 수준의 자율 실행을 허용한다.

또한 운영 데이터는 읽기 전용으로 고정되며, 시뮬레이션 환경은 별도로 분리되어 What-If 분석이 실제 운영 환경에 영향을 미치지 않도록 설계된다. 모든 실행 이력은 SHA-256 기반 체인 해시로 연결되어 5년 이상 변경 불가능한 형태로 저장된다. 따라서 감사가 진행되더라도 특정 시점의 의사결정 흐름을 그대로 재현할 수 있다.

이러한 거버넌스 체계가 갖춰져 있기 때문에, 고객사 A와 같은 다품종 대량생산 공장은 물론 자동차 부품·제약·바이오·의료기기와 같은 규제 산업으로도 단계적 확장이 가능하다.

7. 공장이 먼저 AI를 이해시켜야 

2026년 현재, 인공지능 전환(AX)은 거스를 수 없는 흐름이 되었다. 그러나 기술의 화려함에만 집중하면 정작 제조 현장의 본질을 놓치기 쉽다. 웨이스가 지난 5년간 수많은 공장에서 반복적으로 확인한 실패 패턴 역시 단순하였다. AI를 먼저 도입하였지만, 이를 뒷받침할 데이터 구조가 갖춰져 있지 않아 결국 실질적인 가치를 만들어내지 못한 경우다.

따라서 AI 도입에 앞서 MES·ERP·QMS 데이터가 연계·통합될 수 있는 구조인지부터 점검해야 한다. 또한 Level 1(대화형 조회) 단계에서 현장 신뢰를 확보한 뒤, Level 2(감시·알림), Level 3(계획·실행)으로 점진적으로 권한을 확대해 나가야 한다. 처음부터 L4 수준의 완전 자율화를 시도하면 실패 가능성이 높다. 여기에 AI 권한 체계와 불변 감사 로그까지 갖춰지지 않으면, 현장은 결코 AI를 신뢰하지 않는다. 즉 거버넌스는 도입 이후 보완하는 요소가 아니라, 초기 설계 단계부터 함께 구축돼야 하는 핵심 기반이다.

멀티 AI 에이전트 기반 제조 의사결정 자동화는 더 이상 미래의 개념이 아니다. 글로벌 시장 점유율 50% 이상을 확보한 고객사 A에서는 실제 운영이 이뤄지고 있으며, 자동차 부품 Tier 1 공장에서는 52개 이상의 AI 에이전트가 20개 솔루션과 1,441개 이상의 표준 테이블을 기반으로 실질적인 의사결정을 수행하고 있다. 이 모든 사례의 공통점은 하나다. AI보다 먼저 구조를 구축하였다는 점이다.

결국 한국 제조업이 자율형 공장으로 진화하기 위해서는 데이터 주권을 확보하고, 시맨틱 관계를 정의하며, 온톨로지와 지식그래프를 통해 공장의 세계관을 AI가 이해할 수 있도록 구조화해야 한다. 여기에 메모리 아키텍처를 더해 경험과 학습이 지속적으로 축적되는 환경을 구축해야 비로소 진정한 자율성이 가능하다.

혁신의 본질은 새로운 LLM을 도입하는 데 있지 않다. 묵묵히 돌아가는 설비 한 대 그리고 그 곁에서 매일 같은 판단을 반복하는 작업자 한 사람의 경험과 데이터를 AI가 이해할 수 있는 구조로 번역하는 데 있다. 결국 공장이 먼저 AI를 이해시켜야, AI 역시 공장을 이해할 수 있다.

bangdk@wace.me

㈜웨이스 

㈜웨이스(https://vexplor.com)는 2026년 4월 기업부설연구소(인정번호 제2026111564호)를 취득한 R&D 중심 솔루션 기업이다. 현재 제조 노코드 플랫폼인 VEXPLOR Logic Studio와 엔터프라이즈 Low-Code AI Agent 플랫폼인 VEXPLOR AI Agent Platform의 두 가지 핵심 라인업을 운영하고 있다. 또한 2026년 1분기 기준 매출 5억 1300만 원을 기록하였으며, 2026년 누적 계약 규모는 60억 원, 누적 고객사는 80곳 이상에 이른다.