[산업 인사이트] “독자 모델만 기다리다, 자율제조 골든타임 놓칠 수 있다”

AI 자율제조가 더 이상 개념 논의에 그치지 않는 분위기다.

CES 2026과 국내외 제조 콘퍼런스에서는 라인 전체를 바라보며 설비와 IT 시스템을 동시에 제어하는 ‘에이전트’ 데모가 잇따라 등장했다. 반면 국내 논의는 여전히 “어떤 파운데이션 모델을 개발할 것인가”에 무게가 실려 있다. 산업계 안팎에서는 “독자 모델만 기다리다 정작 현장 적용 시점을 놓칠 수 있다”는 경고도 나온다.

질문에 답하는 AI에서, 일을 대신하는 AI로
지난 1~2년간 확산된 생성형 AI는 문서·코드·이미지 생성에 강점을 보여왔다. 사용자가 질문을 던지면 답을 만들어내는 ‘대화형 도구’에 가까운 역할이다. 최근 산업연구원과 국내외 리포트에서 주목하는 에이전틱 AI(Agentic AI)는 질문에 대한 응답을 넘어, 목표를 설정하고 일정을 나누며 외부 도구까지 호출해 일을 수행하는 방향으로 진화하고 있다.

OpenClaw와 같은 에이전트 프레임워크는 브라우저를 열고 파일을 정리하고 코드를 실행하며 로그를 분석하는 작업을 스스로 처리하는 사례로 소개됐다. 제조 현장에 대입하면 공정 데이터를 읽고 설비 설정값을 조정하거나 품질 지표를 보고 작업 순서를 바꾸고, 필요할 경우 재고·물류 시스템과 연동해 자재 흐름을 조정하는 쪽으로 확장될 수 있다. 생성형 AI가 ‘답변을 만드는 도구’였다면, 에이전틱 AI는 실제로 일을 처리하는 디지털 작업자에 더 가까워지고 있다.

공장 전체를 움직이는 네 개의 역할
국내 스마트팩토리와 제조 AI 도입은 그동안 공정·설비 단위의 최적화에 집중되는 흐름이 강했다. 비전 검사 공정에는 불량 검출 모델, 설비 유지보수에는 이상 탐지 모델, 개별 설비에는 에너지 최적화 알고리즘을 붙이는 방식이다. 이런 접근은 개별 공정 효율에는 기여하지만, 라인 전체나 공장 단위의 자율운영 수준까지 끌어올리기에는 한계가 있다는 지적이 지속돼 왔다.


산업연구원은 최근 보고서 '생성형 AI에서 에이전틱 AI로: 자율제조를 위한 AI 에이전트 시스템과 정책적 시사점'에서 자율제조를 위해 필요한 AI 에이전트 구조를 제시했다. 공장 전체의 수요와 제약을 보고 생산 목표와 계획을 세우는 상위 의사결정 에이전트가 ‘두뇌’ 역할을 한다. 어떤 제품을 언제까지 얼마나 만들고, 어떤 설비를 우선 활용할지 판단하는 기능이다.

수립된 계획을 공정·설비·작업자 단위로 쪼개고 설비 고장이나 병목이 생기면 작업을 재배분하는 역할은 워크플로 조정 에이전트가 담당한다. 기존에는 생산관리자가 경험과 엑셀, MES 화면을 보며 수동으로 조정하던 영역이다.

디지털 영역에서는 ERP·MES·WMS 같은 IT 시스템과 연동해 주문 등록, 생산지시, 재고 이동, 품질 보고를 처리하는 실행 에이전트가 필요하다. 이 에이전트는 각 시스템에 명령을 보내고 필요한 데이터를 읽어 와 다른 에이전트와 공유하는 허브 역할을 한다.

물리적인 생산 환경에서는 카메라·센서·로봇을 통해 현장을 인식하고 언어적 지시를 정밀한 동작으로 바꾸는 VLA(비전-언어-행동) 기반 에이전트가 설비를 제어한다. 휴머노이드든 협동로봇이든, 이런 에이전트를 탑재하면 인식·추론·행동 기능을 묶어 작업을 수행할 수 있다는 데모가 CES 2026과 국내 전시회에서 잇따라 발표되고 있다.

센서→AI 분석→제어→결과 피드백이 이들 에이전트를 통해 실시간으로 순환하는 구조가 되면, 해외 사례에서 보고되는 공정 다운타임 감소, 불량률 개선, 에너지 절감 같은 효과에 접근할 수 있다는 분석도 나온다. 개별 공정별 모델을 따로 붙이는 수준을 넘어, 공장 전체를 바라보는 멀티 에이전트 구조가 필요하다는 의미다.

모델 성능보다 어려운 건 시스템 설계와 통합
정부는 ‘AI 자율제조 전략 1.0’과 AI 팩토리 확산 정책을 통해 제조 현장의 AI 도입을 지원하고 있다. 산업부가 발표한 전략 1.0은 자율제조 확산률 30%, 생산성 20% 향상을 목표로 AI 자율제조 도입 확산, 핵심역량 확보, 생태계 진흥 등의 방향을 제시했다. 제조 특화 파운데이션 모델을 개발하고 이를 기반으로 공정별 애플리케이션을 키우겠다는 것이 큰 줄기다. 방향 자체는 의미 있지만, 현 단계 기술과 속도를 감안하면 우선순위를 조정할 필요가 있다는 지적도 산업연구원·국회입법조사처 등의 보고서에서 나온다.

글로벌 AI 기술 진전 속도는 이미 빠르다. OpenClaw 같은 오픈소스·상용 기반 에이전트 프레임워크와 멀티모달·에이전틱 모델은 여러 차례 세대 교체를 거치며 고도화되고 있다. 제조 영역에서도 AGV·협동로봇·검사 시스템에 AI 에이전트를 얹어 공정 중단 시간을 줄이고 품질 편차를 줄인 사례들이 국내외 리포트에 소개되고 있다. 현재 수준의 공개 모델과 도구만으로도 일정 수준의 자율제조 파일럿은 충분히 가능하다는 의미다.

여러 정책·기술 보고서들이 공통으로 지적하는 부분은, 자율제조 구현의 난이도가 개별 모델 성능보다 시스템 설계와 현장 통합에 더 가깝다는 점이다. 어떤 모델을 쓸지보다, 어떤 에이전트에 어떤 역할을 맡길지, 기존 설비·IT 시스템과 어떤 구조로 엮을지, 어떤 데이터로 폐루프를 닫을지, AI 의사결정과 사람의 개입·책임 범위를 어디까지 나눌지를 정하는 작업이 더 어렵다는 것이다. 이 부분은 반드시 독자 파운데이션 모델이 있어야만 손댈 수 있는 영역은 아니다.

이런 맥락에서, 산업연구원 보고서는 제조 AI 정책의 무게를 “파운데이션 모델 확보”에서 “멀티 에이전트 레퍼런스 아키텍처와 현장 통합 프레임워크 마련” 쪽으로 옮길 필요가 있다고 제시한다. 검증된 오픈소스·상용 모델을 활용하되 국내 제조 환경에 맞는 에이전트 구성과 통신·보안 체계를 먼저 설계하자는 취지다. 독자 모델 개발은 중장기 과제로 두면서도, 현재 사용할 수 있는 도구로 공장을 실제로 바꾸는 작업을 병행하라는 주문이다.

기술 도입을 넘어 공장 운영 방식을 다시 짜야
에이전트 기반 자율제조는 특정 기능 위에 AI를 얹는 수준을 넘어, 공장 운영 방식 자체를 다시 설계하는 작업과 맞물려 있다. 에이전트가 계획을 세우고 실행을 담당하는 구조에서는 인간 작업자·엔지니어·관리자의 역할이 어떻게 재편될지, AI 의사결정에 대한 책임을 어디까지 나눌지에 대한 논의가 필수적이다.

현장에서 멀티 에이전트 시스템이 제대로 작동하려면, 에이전트 간 메시지 포맷·API·이벤트 체계를 정하는 통신 표준, 설비·로봇·IT 시스템에 대한 접근 권한·로그·감사를 관리하는 보안·거버넌스 인프라, AI 의사결정에 대한 검증·모니터링 체계가 함께 마련돼야 한다는 점은 여러 기술 백서와 보안 리포트에서 공통적으로 강조된다. 베테랑 작업자의 경험과 규칙을 데이터·시뮬레이션·지식 그래프 형태로 옮기는 ‘지식 디지털화’ 작업 역시 자율제조 전환의 전제조건으로 꼽힌다.

산업연구원과 국회입법조사처 등은 AI 자율제조를 “개별 공정을 자동화하는 과제가 아니라 제조 생태계와 공장 운영 구조를 함께 바꾸는 과정”으로 규정하며, AI 에이전트 간 상호운용성을 확보하기 위한 통신 프로토콜과 보안 체계 구축이 병행되지 않을 경우 기술 도입이 새로운 리스크를 낳을 수 있다고 경고한다. 이는 에이전트 통신·보안 관련 해외 연구가 제기하는 우려와도 맞닿아 있다.

결국 자율제조를 둘러싼 질문은 바뀌어야 한다. “어떤 LLM을 쓸 것인가”보다 “어떤 에이전트를 어떻게 조합해 폐루프를 만들 것인가”, “언제 우리 모델이 나온다”보다 “지금 쓸 수 있는 모델로 어디까지 자동화·자율화를 구현할 수 있는가”, “몇 개 공정에 AI를 붙였는가”보다 “라인·공장 수준에서 AI가 맡는 의사결정의 비중은 어느 정도인가”가 더 중요한 기준이 되고 있다는 것이 최근 국내외 보고서들의 공통된 진단이다.

독자 파운데이션 모델 확보는 분명 필요한 중장기 과제다. 다만 그 완성을 기다리는 사이, 이미 나와 있는 에이전트·모델·플랫폼을 활용해 공장을 바꾸는 시간을 미루는 것은 리스크가 될 수 있다. Databricks의 「State of AI Agents」 등 글로벌 리포트에 따르면 해외 기업들은 멀티 에이전트 시스템을 파일럿을 넘어 실운영으로 옮기는 단계에 들어서고 있다.

“어떤 모델을 더 만들 것인가”라는 질문 옆에, “지금 우리 공장에서 AI가 실제로 하고 있는 일은 무엇인가”라는 질문을 함께 세워야 한다. 자율제조의 승부는 모델 출시 일정이 아니라, 현장에 ‘일하는 AI’를 얼마나 빨리 심느냐에서 갈릴 가능성이 크다.