AI 에이전트가 사람을 대신해 산업 현장을 운영하는 시대가 오고 있습니다. 소프트웨어 영역에서 시작된 변화가 이제 물리적 공간으로 확장되고 있기 때문입니다. 이미 인터넷 세계에서는 생태계의 무게중심이 사람에서 AI 에이전트로 이동하고 있습니다. 전체 웹 트래픽의 절반 이상을 에이전트가 차지하고 있으며, 서비스에 배포되는 소스코드의 상당수도 직접 작성합니다.
미국의 벤처캐피털 a16z는 지금이 과거 웹과 모바일이 열었던 플랫폼 전환의 초기 국면과 같다고 진단합니다. 실제 서비스 이용량은 빠르게 늘어나고 있지만, 그 위에서 수익을 내는 사업 모델은 아직 자리를 잡는 중이라는 뜻입니다. 과거 웹이 기업에 온라인 상점을 열어주고 모바일이 그 상점을 소비자의 주머니 속에 넣어주었듯, 에이전트가 단순한 질문 응답을 넘어 실제 과업을 완수하는 단계로 넘어가면서 거래와 소비의 주도권이 사람에서 에이전트로 옮겨가고 있습니다. 이제는 AI 에이전트가 사람 대신 어떤 도구를 쓰고, 어떤 서비스를 구독하며, 어디에 비용을 지불할지를 직접 결정합니다. a16z는 이처럼 에이전트가 새로운 '일등 고객'으로 부상하는 유통 구조를 B2A(Business-to-Agent) 경제라고 명명했습니다.
디지털 분야에서 먼저 검증된 이 변화는 거대한 물리적 산업 현장이 앞으로 겪게 될 전환의 예고편에 가깝습니다. 이곳에서 AI 에이전트는 서비스를 구매하는 소비자가 아니라 설비를 가동하는 현장의 운영자가 될 것입니다. B2A에 빗대자면 M2A(Machine-to-Agent)의 시대가 열리고 있는 것입니다.
화면을 보며 조언하는 AI에서 설비를 직접 움직이는 에이전트로
지금까지 거의 모든 현장은 사람의 확인과 조치를 전제로 설계되었습니다. HMI 화면과 SCADA 대시보드, 알람 목록, 업무 교대 일지, 그리고 20년 근속 기술자의 암묵지가 현장을 유지해 왔습니다. 기존의 산업용 AI도 고장을 예측하고 이상 징후를 포착하기는 했지만, 후속 조치를 실행하는 일은 온전히 사람의 몫이었습니다. 시스템이 알람을 띄우면 결국 엔지니어가 현장으로 달려가 원인을 점검하고 설비를 복구하는 구조였습니다.
M2A는 이 운영 방식을 근본적으로 바꿉니다. AI 에이전트가 설비 데이터에 직접 접속해 이상 원인을 파악하고, 필요한 작업을 판단해 제어 명령까지 직접 실행하게 됩니다. 이 구조에서 사람은 화면을 일일이 감시하는 대신 AI 에이전트에게 목표를 부여하고 결과만 검증하는 역할을 맡습니다.
실제로 팔란티어의 AI 플랫폼(AIP)을 중심으로 에이전트가 단순 경고를 넘어 현장 운영의 판단과 조치를 직접 실행하는 적용 사례가 나오기 시작했습니다. 예를 들어 미국의 외식 프랜차이즈 웬디스(Wendy's)는 전국 매장의 재고와 수요 데이터를 실시간으로 추적하는 AI 에이전트를 도입했습니다. 수급 불균형이 포착되면 AI 에이전트가 즉시 물량 재배분과 재고 조정 절차를 실행합니다. 유나이티드 항공의 경우, AI 에이전트가 방대한 정비 기록과 항공기 센서의 실시간 상태 신호를 통합 분석해 이상 징후를 미리 포착하고, 고장으로 운항이 지연되기 전에 부품을 선제 교체하도록 지시합니다. 파나소닉 에너지에서는 AI 에이전트가 설비 센서 데이터와 과거 고장 이력, 기술 문서를 대조해 고장 원인을 짚어내고 정비사에게 복구 절차를 안내합니다.
운영 조율을 넘어 설비를 직접 제어하는 공정에서도 AI 에이전트가 쓰이기 시작하고 있습니다. 페이드라(Phaidra)는 코어위브(CoreWeave) 데이터센터에서 AI 에이전트가 서버 랙의 전력 부하 급증을 실시간으로 읽고, 열이 확산하기 전에 냉각수 분배장치의 목표 설정값을 직접 바꾸도록 했습니다. 이뮤빗(Imubit)은 옥스보우(Oxbow)의 고온 열처리 공정에 AI 에이전트를 적용해 연소 온도와 원료 변동을 예측하고 분 단위로 최적 운전값을 직접 입력하게 했습니다. 블루 라딕스(Blue Radix) 역시 AI 에이전트가 온실 센서와 기상 예보, 에너지 가격 데이터를 실시간으로 분석해 온실 제어 컴퓨터에 난방·환기·관수 명령을 24시간 자율적으로 내리도록 했습니다.
왜 현장은 웹처럼 빠르게 전환되지 못할까
이처럼 물리적 현장에서도 변화는 시작되었지만, 확산 속도는 인터넷 세계와 큰 차이를 보입니다. 에이전트가 작동하는 기반 자체가 다르기 때문입니다. 웹 생태계에서는 이미 AI 에이전트가 사람처럼 브라우저 화면을 일일이 클릭하는 방식에서 벗어나, API나 MCP(Model Context Protocol) 같은 전용 통로를 통해 외부 도구에 직접 접속하고 있습니다. 모든 접점이 표준화된 규격 위에서 작동하기 때문에 가능한 속도입니다.
반면 물리적 현장은 웹과 전혀 다른 구조를 가지고 있습니다. 우선 통신 규격이 단일화되어 있지 않습니다. 현장은 수십 년에 걸쳐 여러 제조사가 납품한 설비가 혼재된 공간입니다. 1990년대의 구형 PLC 옆에 최신 로봇이 배치되어 있고, 설비마다 모드버스(Modbus), 프로피넷(Profinet), OPC UA 등 서로 다른 프로토콜을 사용합니다.
여기에 더해 데이터 자체에 현장의 맥락이 빠져 있다는 점도 걸림돌입니다. 설비에서 올라오는 것은 DB10.DBD4 같은 메모리 주소나 약어 태그뿐이고, 이 값이 어떤 장비의 무슨 수치인지를 정의한 매뉴얼과 도면은 데이터망과 분리되어 있습니다. 데이터와 맥락이 단절되어 있으니 AI 에이전트가 수치를 읽고도 즉시 의미를 해석할 수 없습니다.
응답 속도와 판단 방식의 기준도 다릅니다. 생산 설비는 정해진 주기 안에 오차 없이 동일한 동작이 보장되어야 하는 결정론적 시스템입니다. 반면 AI 에이전트는 추론에 일정 시간이 걸리고 결과값이 확률적으로 달라질 수 있습니다. 실시간 제어 루프에 AI 에이전트를 즉각 투입하기 어려운 이유입니다.
잘못된 판단이 곧 사고로 이어지는 현장, 어떻게 제어 권한을 넘길 것인가
기술적 장벽을 넘어선다 해도 권한 문제가 남습니다. 지금까지 제조 현장의 설비 제어망은 외부 소프트웨어의 접근을 원천 차단하는 폐쇄성을 안전의 기준으로 삼아 왔습니다. 공정의 운전 데이터 자체가 영업비밀인 탓에 현장에서는 이에 대한 조회 권한을 외부 시스템에 주는 것을 조심스럽게 생각합니다. 이런 상황에서 제어 권한을 넘기는 것에는 더욱 신중할 수밖에 없습니다. 온라인 거래에서는 AI 에이전트가 잘못 판단해도 결제를 취소하면 되지만, 물리적 현장에서는 잘못된 판단이 곧바로 설비 파손이나 안전사고로 이어질 수 있기 때문입니다. 고온·고압 설비나 중장비처럼 엄격한 안전 기준이 적용되는 핵심 공정의 완전 자율 제어가 아직은 대부분 파일럿 실증 단계에 머물러 있는 이유입니다.
따라서 현장에 AI 에이전트를 도입할 때의 핵심은 조회 권한과 제어 권한의 명확한 분리, 그리고 실시간 실행 통제와 하드웨어적 안전장치입니다. AI 에이전트는 목표를 달성하기 위해 접근 제한을 우회하려는 성향을 보일 수 있으므로, 시스템은 에이전트가 전달하는 제어 명령을 매 단계에서 실시간으로 검증해야 합니다. 냉각수의 유량이나 압력을 정해진 안전 구간 내에서만 조절하도록 허용하되, 안전 잠금장치(인터록)의 해제나 설비의 비상 정지를 유발하는 제어 명령은 하위 제어기 단에서 원천 차단하는 방식입니다. 로봇 셀 복구 스타트업 던 인더스트리즈(Dawn Industries)는 초기에는 AI 에이전트가 제안한 복구 방안을 엔지니어가 승인하는 방식으로 운영하다가, 안전 범위가 검증된 공정에 한해서만 자동 실행을 허용하고 있습니다. SK이노베이션에서 AI 에이전트의 판단을 엔지니어가 최종 검토하는 체계를 '듀얼 브레인'이라고 부르는 것도 같은 맥락입니다.
기존 설비를 그대로 둔 채 AI 에이전트를 연결하려면
이러한 권한 분리와 안전 통제를 실제 현장에 구현하려면 기존 설비의 구조적 한계부터 넘어야 합니다. 수십 년간 가동해 온 설비와 제어기는 막대한 교체 비용과 라인 정지에 따른 생산 차질 때문에 함부로 바꿀 수 없습니다. 결국 M2A는 기존의 설비와 하위 제어기를 그대로 유지한 채, 그 상위에 다양한 산업용 프로토콜을 흡수해 AI 에이전트가 이해할 수 있는 표준 인터페이스로 변환하는 중간 연결 계층을 얹는 형태로 진화할 것입니다. 과거에는 외부 접속을 막아두는 것이 설비의 미덕이었다면, 이제는 AI 에이전트가 막힘없이 접근해 데이터를 조회하고 제어 명령을 내릴 수 있는 표준 인터페이스를 얼마나 잘 열어주느냐가 설비와 솔루션의 경쟁력을 가르는 기준으로 바뀌고 있습니다.
이 중간 연결 계층의 표준화 작업은 이미 구체화되고 있습니다. 앤트로픽(Anthropic)은 AI 에이전트가 서로 다른 제조사의 물리적 장비를 일관된 규격으로 제어하도록 하는 MHS(Model Hardware Standard)를 제시했습니다. 기존 산업 표준 위에 AI 에이전트를 연결하는 상호운용성 아키텍처 구축도 속도를 내고 있습니다. 국제 산업통신 표준기구인 OPC 재단(OPC Foundation)은 기존 산업 표준(OPC UA)과 각 산업별 정보 모델을 MCP와 AI 워크플로우에 최적화된 형태로 변환하는 'UA-for-AI' 이니셔티브를 본격화했습니다. AI 에이전트와 산업 자동화 현장을 잇는 표준 의미론적 계층(Semantic layer)을 마련하기 위해서입니다. 산업용 엣지 데이터 플랫폼 기업 리트머스(Litmus) 역시 공식 MCP 서버를 출시해 현장의 이기종 설비 데이터 조회와 엣지 장치 관리를 AI 에이전트와 직접 연결하고 있습니다. 스마트제조 플랫폼 기업 튤립(Tulip) 또한 단일 통신 프로토콜로 모든 설비를 통일하는 것은 불가능하다고 진단합니다. 대신 설비마다 상이한 태그 표기(예: SV_01과 Target_Temp)를 '목표 온도'나 '이상 알람' 같은 공통의 현장 개념으로 표준화하는 작업을 핵심 과제로 지목했습니다.
이 연결 계층이 현장에서 실질적으로 작동하려면 두 가지 조건을 충족해야 합니다. 첫째는 특정 제조사에 종속되지 않는 개방성입니다. 하나의 공장 내부에도 화낙(FANUC), 지멘스, 미쓰비시 등 여러 업체의 설비가 혼재되어 있으므로 이기종 설비의 통신 규격을 단일 체계 안에서 통합 처리할 수 있어야 합니다. 둘째는 데이터에 설비 구조와 공정 흐름의 맥락을 부여하는 작업인 이른바 산업용 온톨로지(Ontology)의 구축입니다. 매뉴얼과 도면에 흩어져 있던 설비 계층과 공정 간 인과관계를 데이터 모델로 구조화해 메모리 주소(DB10.DBD4)나 태그에 연결해야 AI 에이전트가 해당 수치의 물리적 의미를 정확히 파악하고 안전하게 판단을 내릴 수 있습니다.
이렇게 기존 설비 위에 표준 연결 기반이 구축되면 현장의 운영 방식은 시간이 경과할수록 견고해질 것입니다. 설비의 가동 데이터와 에이전트가 처리한 고장 이력, 아차사고의 기록이 하나의 데이터 체계 안에 축적되기 때문입니다. 과거 ERP에 기업의 업무 프로세스가 축적되었듯, M2A 연결 기반 위에는 숙련 기술자의 암묵지와 현장 운영 노하우가 데이터로 축적될 것입니다.
데이터로 남는 현장 운영 노하우, 이제 막 열린 시장
운영 노하우를 데이터로 축적하는 작업은 개인의 숙련도에 의존해 온 기존 현장 운영 방식이 한계에 부딪히면서 더욱 중요해지고 있습니다. 미국의 한 설비 신뢰성 엔지니어는 "숙련자들은 은퇴하고 신입들은 아직 습득하는 과정이라 그 사이를 이을 중간 세대가 부재하는 상황"이라고 현장의 단절을 지적했습니다. 국내 역시 설비가 아무리 자동화되어도 돌발 상황은 현장 경험으로 해결해야 하는 구조가 이어지고 있습니다. M2A는 단순한 생산성 향상을 넘어, 개인에게 머물던 판단 기준과 대응 노하우를 시스템의 데이터로 전환해 현장을 안정적으로 유지하는 현실적인 기반이 될 것입니다.
다만 실제 산업 현장의 AI 에이전트 도입 수준은 아직 초기 단계에 머물러 있습니다. 중소벤처기업부의 '2024년 스마트제조혁신실태조사' 결과에 따르면 국내에서 공장을 보유한 중소·중견기업 16만여 곳 가운데 제조 AI를 도입한 기업은 0.1%에 불과합니다. 인터넷 세계가 표준 API와 MCP를 발판 삼아 B2A로 재편되고 있듯, 산업 현장 역시 흩어진 설비 데이터와 맥락을 통합해 AI 에이전트와 연결하는 기반이 정착될 때 비로소 본격적인 전환을 맞이할 것입니다. 사람이 화면을 보며 설비를 다루던 시대를 넘어 AI 에이전트가 현장을 운영하는 M2A 시대가 도래하고 있습니다.