제조업에서 AI 활용은 빠르게 늘고 있습니다.
하지만 AI의 도입이 곧바로
현장 업무의 변화로 이어지는 것은 아닙니다.
결국 중요한 것은 AI를
얼마나 도입했느냐가 아니라,
AI의 역할을 실제 문제 해결과 업무 실행까지
얼마나 확장할 수 있느냐는 것입니다.
지난 21일 경기도 고양시 킨텍스에서는
‘2026 아시아 기계&
제조 산업전(AMXPO 2026)’이 개최됐는데요.
올해는 산업AI EXPO와 함께
AI·로봇·자율제조기술을 조명했습니다.
행사 연계 컨퍼런스인
‘INSIGHT CONNECT 2026 xAMXPO’에서
미라콤아이앤씨 안응원 컨설턴트는
‘제조 AI의 성공적인 활용을 위한
3가지 핵심 요소 구현 방법’을
주제로 발표했습니다.
안 컨설턴트는 자동차 안전부품 제조기업의
자재 공급 사례를 통해
AI가실제 제조 업무에 적용되는 과정과
기술적 접근법을 소개했습니다.
| 자재 공급, 작업자의 경험에서 AI의 사전 판단으로
여러 생산라인에서
다양한 자재를 사용하는 제조 현장에서는
생산계획과 재고 상황에 따라
필요한 자재와 공급 시점이 계속 달라집니다.
발표에서 소개된 자동차 안전부품 제조기업 역시
ERP를 운영하고 있었지만,
어느 자재가 언제 부족해질지
판단하는 업무는 상당 부분
작업자의 경험에 의존하고 있었습니다.
미라콤은 이러한 자재 공급 업무를
AI Agent가 지원할 수 있도록 구축했습니다.
먼저 ERP·MES·PDM 데이터를 활용해
생산계획에 따른 자재 소요량과
현재 가용재고,
향후 예상재고를 계산할 수 있는
데이터셋을 구성했습니다.
이를 기반으로 Material Supply Agent가
생산계획에 따른 자재 소요량과 가용재고,
미래재고를 분석해 자재 공급 계획을 수립하고,
피킹 작업 목록(Worklist)을
자동 생성하도록 했습니다.
작업자는 생성된 목록에 따라
자재를 피킹·이송·공급하고,
수행 결과는 다시
ERP와 MES에 반영됩니다.
자재 부족에 사후 대응하던 업무를
사전에 공급필요량을 판단하는 방식으로,
작업자의 경험에 의존하던 판단을
표준화된 프로세스로 전환한 것입니다.
| 제조 AI를 업무에 적용하는 세 가지 핵심 요소
그렇다면 미라콤은 이러한 업무를
어떻게 AI 기반으로 전환했을까요?
안 컨설턴트는 그 핵심 요소로
AI Ready Data, Agent Design,
AX Platform을 제시했습니다.
AI Ready Data는 AI가 숫자와 코드를 넘어
제조 상황의 의미까지
이해할 수 있도록 준비한 데이터입니다.
예를 들어 센서의 ‘180℃’라는 값만으로는
어느 설비에서 어떤 레시피로
제품을 생산할 때 측정된 온도인지
알 수 없습니다.
AI가 이를 판단해 활용하기 위해선
시스템마다 다른 설비 ID와
단위, 시간 기준을 맞추고
공정·설비·제품 간 관계를
연결해야 합니다.
단순히 데이터를 읽는 것과
제조 현장의 맥락을 이해하는 것은
다른 문제이기 때문입니다.
이를 위해 먼저 PLC·MES 등에서
수집한 데이터를
공통 기준으로 표준화하고,
각 데이터가 어떤 설비와 공정,
레시피에 해당하는지
연결하는 과정이 필요합니다.
나아가 온톨로지를 통해
제조 현장의 핵심 개념과
관계를 정의하고,
실제 데이터를 매핑해
지식 그래프로 구성합니다.
이를 통해 AI가
개별 데이터의 의미뿐 아니라
데이터 간의 관계와
제조 상황을 파악할 수 있는
기반을 마련하는 것입니다.
실제 자재 공급 사례에서 미라콤은
ERP·MES·PDM 데이터를 활용해
세 가지 Agent용
데이터셋을 구성했습니다.
생산라인·제품·BOM을 기준으로
향후 자재 소요량을 계산하는
Material Requirement,
위치별 가용재고를 파악하는
Inventory Position,
향후 수요와 예정 입고를 반영해
미래재고를 계산하는
Future Inventory입니다.
이처럼 자재 공급 판단에 필요한 데이터를
목적에 따라 구성하고,
Agent가 공급 계획을 수립하고
피킹 작업 목록을 생성하는 데
활용하도록 했습니다.
Agent Design은 AI가
실제 제조 업무에서 무엇을 판단하고
어디까지 실행할지 설계하는 과정입니다.
AI Ready Data가
제조 상황을 이해하기 위한 기반이라면,
Agent Design은 이를 활용해
업무를 수행하는 방법을
구체화하는 단계입니다.
제조 현장에서는
특히 모든 업무를 AI에 맡기기보다
위험수준과 실행 권한에 따라
자동화 범위와 사람의 통제 영역을
구분하는 것이 중요한데요.
Agent Design을위해 먼저 업무를
독립적인 작업 단위로 나누고,
규칙·머신러닝·LLM 등 판단 방식과
사람의 승인이 필요한 영역을 구분합니다.
이후각 작업에 필요한 데이터와
Skill·Tool을 연결하고,
실행결과를 검증하는
과정까지 설계합니다.
자재 공급 사례에서는
Material Supply Agent의 업무를
부족징후 분석, 공급 계획 수립,
피킹 작업 생성 등의
Skill로 나누어 설계했습니다.
또한 일정 주기로
자재 공급 상태를 재계산하거나
생산계획 변경 등 현장 상황에 따라
Agent가 다시 판단하도록
트리거(Trigger)를 설정했습니다.
이를 토대로 자재 공급 판단부터
작업목록 생성까지
일련의 업무를 수행하도록
구성한 것입니다.
AX Platform은 이렇게 설계한 Agent를
개별적으로 구축하는 데 그치지 않고,
다양한 제조 업무에
반복적으로 활용할 수 있도록
지원하는 기반입니다.
Agent 구축에 필요한 데이터 연결과
Skill·Tool, 실행·운영 기능 등을
공통 자산으로 관리하는 것이 핵심입니다.
예를 들어 설비 이상 Agent를 구축할 때
데이터 매핑과 제조 맥락 구성,
지식 연결, API·워크플로우 설계
등의 작업이 필요합니다.
이후 품질이나 자재 관리 Agent를
구축할 때마다
같은 과정을 반복한다면 중복 개발과
운영 부담이 커지게 됩니다.
AX Platform은 이러한 기능과 자산을
재사용할 수 있도록 해
Agent의 구축과 수정,
운영 및 확산을 지원합니다.
자재 공급 사례에서는 AX Platform을 통해
Agent의 역할과 기본 지침, 실행 트리거를
정의하는 방식을 소개했습니다.
또한 자재 분석과 공급 계획 수립,
피킹 작업 생성 등의 Skill을 구성하고,
각 Skill에 실제 업무 시스템과 연결되는 Tool을
연계하는 과정을 보여줬습니다.
이처럼 Agent를 구성하는 기능들을
플랫폼에서 관리함으로써
새로운 Agent를 구축하고
운영할 수 있는 체계를 마련할 수 있습니다.
| AI의 판단을 로봇의 실행으로 연결하는 다음 단계
이번 사례에서 AI Agent는
자재 공급 작업 목록까지 생성하지만,
실제 피킹과 이송은 작업자가 수행합니다.
안 컨설턴트는 다음 단계로
이러한 작업을 로봇과 연결하는
제조 RX(Robotics Transformation)
방향을 제시했습니다.
AI가 생성한 작업 목록에 따라
로봇이 자재를 피킹하고
AMR·AGV 등이 생산라인으로 이송한 뒤,
공급 결과를 다시 시스템에
반영하는 방식입니다.
이번 사례는 제조 AI가
분석과 예측에 머무르지 않고,
실제 업무의 판단과 작업 계획 수립까지
역할을 확대할 수 있음을 보여준다는 점에서
의미가 있습니다.
앞으로는 이러한 AX 기반 위에
로봇의 물리적 실행을 연결하면서
제조 AI의 활용 범위가
더욱 확대될 것으로 전망됩니다.
이러한 변화에 대응하려면
제조기업은 현장의 데이터뿐 아니라
숙련자의 경험과 노하우까지
AI가 활용할 수 있는 지식으로 축적하고,
판단부터 실행·검증까지 연결하는 체계를
갖춰야 하는데요.
결국 이러한 기반을 얼마나 충실히 마련하느냐가
향후 제조 AX·RX의 적용 범위와
확장 가능성을 좌우하는
중요한 요소가 될 것입니다.
미라콤이 제시하는 제조 AX·RX의 방향도
이러한 흐름과 맞닿아 있습니다.
MES를 통해 축적한 제조 현장의
실행·관리 데이터를 DX로 연결하고,
AX를 통해 데이터에 제조 맥락을 부여해
AI가 판단할 수 있도록 하며,
나아가 RX를 통해
물리적 실행까지 확장하고자 하는데요.
제조 현장의 데이터를 기록하는 데서,
그 데이터로 현장을 이해하고 판단하며
실행하는 단계로.
미라콤은 제조 AX·RX를 통해
이러한 제조 운영 방식의 변화를
만들어 갈 것입니다.
