안녕하세요, 디피니트입니다.
AI 에이전트 도입을 검토 중인 여러 제조업체에서 자주 보이는 모습이 있습니다. PoC발표 자리에서 시연이 잘 작동합니다. 다음 단계를 검토하자며 회의가 끝납니다. 그리고 6개월이 지나면 그 다음 단계는 보통 멈춰 있습니다.
왜 이런 문제가 생길까요?
데모와 실제 운영 사이에는 현실적인 갭이 있습니다. 그리고 그 갭을 결정하는 핵심은 데이터 통합이 아니라 ‘데이터 연’결입니다. 같은 출발선에서 다른 길을 택해 운영 단계까지 안착한 기업들이 공통적으로 따르는 세 가지 규율을 정리해보겠습니다.
데모는 잘 됐는데 실제 운영은 왜 어려울까?
“제대로 운영하기 위해서는 데이터부터 정리해야 합니다.”
제조업의 AI 에이전트 도입 현장에서는 이런 말이 많이 들립니다.
시스템마다 다르게 쓰는 자재·설비 코드를 하나로 맞추고 흩어진 데이터를 한 곳에 모으고 ERP(전사적 자원관리 시스템)와 MES(제조실행시스템) 같은 기간 시스템을 다시 정비해야 한다는 이야기가 따라붙습니다. PoC 한 번 잘 됐다고 그런 장기 프로젝트를 결재할 수 있는 임원은 거의 없습니다.
진짜 병목은 모델이 아닙니다. 조직이 복잡하기 때문입니다.
기술 자체는 데모에서 잘 돌아갑니다. 문제는 그 기술을 실제 조직의 복잡성 안에서 굴리려는 순간 시작됩니다. 그 복잡성의 정체는 셋입니다.
1) 데이터가 흩어져 있고, 2) 업무 처리 과정을 정의한 적이 없으며, 3) 예외를 통제하지 못합니다. 이 셋이 운영 환경에서 동시에 부딪힙니다.
한국 중견 제조업체에서 이 풍경은 더 익숙합니다. ERP는 한쪽에 있습니다. MES는 다른 라인에 따로 붙어 있고요. 자재 마스터는 ERP에 있는데 실제 입고 현황은 창고 담당자의 엑셀에 있습니다. 품질 이력은 종이로 쌓여 있다가 가끔 PDF로 정리됩니다. 납기 약속은 영업부 메신저에서 결정됩니다.
이런 환경에서 PoC를 돌리면 어떻게 될까요. 잘 정리된 한 영역만 떼어다 시연합니다. 그 영역에서는 잘 됩니다. 박수가 나옵니다. 그런데 진짜 운영이 되려면 다른 시스템의 데이터까지 함께 봐야 합니다. 그 순간 모든 게 무너집니다.
특히 정의된 적 없는 프로세스를 자동화하려 할 때 문제가 두드러집니다. 직원들은 예외 상황을 어떻게 처리할지 알고 있습니다. 십수 년 라인을 본 사람은 압니다. 그런데 그 지식이 어디에도 적혀 있지 않습니다. 자동화 규칙으로 옮기려는 순간에야 사라진 규칙이 적나라하게 드러납니다.
이걸 풀려면 반대 방향에서 접근해야 합니다.
핵심 정리
운영을 막는 진짜 병목은 모델 성능이 아니라 조직이 복잡하다는 점입니다.
흩어진 데이터, 정의된 적 없는 업무 처리 과정, 통제 못 하는 예외가 동시에 부딪힙니다.
특히 글로 적혀 있지 않은 현장 지식을 자동화 규칙으로 옮기려 할 때 문제가 가장 두드러집니다.
첫 번째 원칙 - 데이터를 옮기지 말고 연결하라
가장 흔한 실수가 'AI를 하려면 데이터부터 정리해야 한다'고 결론 내리는 겁니다.
그러면 1년 이상 걸리는 데이터 레이크 프로젝트가 시작됩니다. 견적이 들어옵니다. 컨설턴트가 들어옵니다. ETL(데이터를 추출·변환·적재하는 작업) 작업이 시작됩니다.
그동안 라인의 데이터는 또 바뀝니다. 새 설비가 들어옵니다. 자재 코드 체계가 바뀝니다. 어떤 라인은 멈춥니다. 6개월 뒤 데이터 레이크가 절반쯤 채워졌을 때 처음 정의한 데이터 구조는 이미 현실과 어긋나 있습니다. 1년 뒤엔 '그거 다시 해야겠는데요'라는 보고가 올라옵니다.
이게 통합 프로젝트의 함정입니다.
다른 길이 있습니다. 데이터를 옮기지 말고 그 자리에서 연결하는 겁니다.
ERP는 ERP대로 둡니다. MES는 MES대로 둡니다. 창고 엑셀은 엑셀대로 둡니다. 그 위에 가상 연결 계층을 얹습니다. AI 에이전트는 이 계층을 통해 필요한 순간에 필요한 데이터를 가져다 씁니다. 복제하지도 옮기지도 않습니다. 그 자리의 데이터를 그대로 봅니다.
예를 들어 자재 발주 시점을 결정하는 작업을 떠올려봅시다. 지금까지는 누군가가 ERP에서 안전 재고 기준을 뽑고 MES에서 어제까지의 사용 속도를 받아오고 생산계획에서 다음 주 수요를 확인한 뒤 엑셀에 모아 결정했습니다. 연결 계층 위의 에이전트는 이 셋을 한 번의 질의로 묶어 답을 만듭니다. 데이터는 각자 자리에 그대로 있고 사람이 매주 했던 모음 작업만 사라집니다.
핵심은 이겁니다. 기반 시스템에 있는 데이터가 보통 가장 깨끗한 원천입니다. 옮겨서 가공한 데이터는 시간이 지날수록 원본과 어긋납니다. 가공하기 전에 시스템이 만들어내는 그 자리의 데이터가 늘 가장 정확합니다.
거래량이 너무 많아 어차피 옮길 수도 없는 데이터도 있습니다. 시간 단위로 쏟아지는 센서 데이터나 분 단위로 갱신되는 생산 실적이 그런 예입니다. 이런 데이터를 통째로 어디론가 복사하려는 시도 자체가 비현실적입니다. 그 자리에서 연결해 쓰는 게 처음부터 답이었습니다.
이렇게 접근하면 첫 워크플로우(업무 처리 과정)를 띄우기까지의 시간이 1년 이상이 아니라 한두 달로 줄어듭니다. 데이터를 다 정리하고 시작하는 게 아닙니다. 가장 명확한 한두 영역만 우선 연결해서 시작합니다. 운영하면서 나머지를 붙여갑니다.
핵심 정리
데이터 통합 프로젝트는 진행되는 사이 현실과 어긋나기 시작합니다.
ERP·MES·엑셀을 그대로 두고 그 위에 가상 연결 계층을 얹는 방식이 대안입니다.
기반 시스템의 데이터가 보통 가장 깨끗한 원천이라는 점이 출발점입니다.
첫 워크플로우를 가동하기까지의 시간이 1년 이상이 아니라 한두 달로 줄어듭니다.
두 번째 원칙 - 에이전트를 디지털 직원처럼 관리하라
PoC와 운영의 결정적 차이가 여기서 갈립니다.
PoC는 사람이 옆에서 지켜보는 환경입니다. 결과가 이상하면 바로 잡습니다. 운영은 다릅니다. 사람이 매번 옆에서 보지 못합니다. 그러면 에이전트가 무슨 일을 하고 있는지 어디서 막혔는지 어떤 결정을 내렸는지 추적하지 못합니다.
그래서 운영에 들어간 에이전트는 디지털 직원처럼 관리해야 합니다. 직원에게 KPI(핵심 성과 지표)가 있고 일일 리포트가 있고 잘못된 판단을 했을 때 검토할 기록이 있는 것처럼요.
구체적으로 세 가지가 필요합니다.
먼저 일일 지표입니다. 어제 에이전트가 몇 건을 처리했는지, 자동으로 완료한 비율은 얼마인지, 사람이 몇 번 개입해야 했는지, 에러는 얼마나 났는지. 이 정보를 매일 한눈에 봐야 합니다.
다음은 예외 추적입니다. 에이전트가 처리하지 못하고 사람에게 넘긴 케이스가 어떤 패턴인지 봅니다. 같은 유형의 예외가 반복되면 그건 워크플로우를 다듬을 신호입니다. 안전 장치가 부족하거나 맥락 정보가 빠졌거나 도구 권한을 잘못 설정했다는 뜻입니다.
마지막은 감사 가능성입니다. 어떤 결정이든 '왜 이렇게 했는가'를 추적할 수 있어야 합니다. 에이전트가 자재 발주 시점을 변경했다면 어떤 데이터와 규칙을 보고 결정했는지 기록을 남겨야 합니다.
특히 한국 제조업처럼 품질·납기 이슈가 곧바로 클레임이나 페널티로 이어지는 환경에서는 감사 기록이 운영의 전제입니다. 무엇을 기준으로 어떤 행동을 했는지 설명하지 못하는 자동화는 현장에서 신뢰받지 못합니다.
이런 관리 계층 없이 에이전트를 운영에 올리면 두 달쯤 지나서 '이거 뭘 하고 있는 건지 모르겠다'는 말이 나옵니다. 그 시점부터 라인 담당자들은 에이전트의 결과를 무시하기 시작합니다. 그러면 운영에 올라간 게 아니라 그냥 데모를 늘려놓은 셈입니다.
핵심 정리
일일 지표: 어제 처리 건수와 자동 완료 비율, 사람이 개입한 비율을 매일 한눈에 봅니다.
예외 추적: 같은 패턴의 예외가 반복되면 워크플로우를 다듬을 신호입니다.
감사 가능성: 어떤 결정이든 근거가 된 데이터와 규칙을 기록으로 남깁니다.
세 번째 원칙 - 좁고 명확한 워크플로우부터 시작하라
마지막 원칙이 가장 자주 무시됩니다. 'AI를 도입한다'고 결정한 순간 모두가 큰 그림을 그리고 싶어합니다. 공장 전체를 AI로 돌리고 모든 라인을 자동화하고 경영진 대시보드까지 한 번에 만들겠다는 식입니다.
이렇게 시작한 프로젝트는 거의 예외 없이 멈춥니다. 범위가 너무 넓으면 어디서부터 손대야 할지 알 수 없고 성과를 측정할 기준점도 흐려집니다. 6개월 뒤 '뭐가 좋아졌는지' 물어봤을 때 답하지 못하는 상태가 됩니다.
운영에 안착하는 기업들은 반대로 갑니다. 좁고 명확한 한 가지부터 시작합니다. 구조가 분명하고 리스크가 통제 가능하고 결과를 숫자로 측정할 수 있는 워크플로우 하나입니다. 한국 중견 제조업체라면 출발점은 보통 셋 중 하나입니다.
재고: 자재 발주 시점을 결정하는 워크플로우
지금은 ERP의 안전 재고 기준과 MES의 실제 사용 속도, 생산계획의 향후 수요가 각자 다른 시스템에 흩어져 있습니다. 누군가가 매주 엑셀로 모아서 발주 의사결정을 합니다. 에이전트가 이 셋을 가로질러 보면 사람보다 더 자주, 더 정확한 시점에 발주 알림을 줍니다.
품질: 라인 점검 결과와 과거 클레임 이력을 묶는 워크플로우
지금은 라인 점검 데이터가 매일 쌓이고 클레임 이력은 영업·품질팀이 따로 관리합니다. 둘을 연결해서 보면 같은 패턴의 라인 변화가 과거에 어떤 클레임으로 이어졌는지 알 수 있습니다. 검사자가 우선 살펴봐야 할 라인을 매일 아침 한 장으로 받습니다.
납기: 영업 약속과 가용 생산 능력을 매일 비교하는 워크플로우
지금은 영업이 '이번 달 안에 됩니다'라고 약속하고 생산이 '이번 달엔 어렵습니다'라고 답하는 일이 반복됩니다. 가용 생산 능력(캐파)을 매일 자동으로 계산해 영업에 보내주면 약속이 들어가기 전에 한 단계 검증이 생깁니다.
세 영역 모두 공통점이 있습니다. 결과를 명확한 숫자로 측정할 수 있다는 점입니다. 발주 정확도, 클레임 사전 포착률, 납기 준수율 같은 지표로 성과를 바로 확인합니다. 한 영역에서 의미 있는 자율 처리 비율을 확보하면 그게 다음 영역의 명분이 됩니다. 안 되면 그 영역만 정리하고 다른 곳을 시도합니다. 어느 쪽이든 'AI 도입'이라는 거대한 프로젝트로 묶이지 않습니다.
핵심 정리
한국 중견 제조업체의 출발점은 보통 재고·품질·납기 셋 중 하나입니다.
결과를 명확한 숫자로 측정할 수 있는 워크플로우부터 시작합니다.
한 영역의 성과가 다음 영역의 명분이 되는 식으로 확장합니다.
'AI 도입'이라는 거대 프로젝트로 묶지 않는 것이 핵심입니다.
데모와 운영 사이의 갭을 줄이는 방법
세 가지 원칙을 다시 정리해보겠습니다. 데이터를 옮기지 말고 연결합니다. 에이전트를 디지털 직원처럼 관리합니다. 좁고 명확한 워크플로우 하나에서 시작합니다.
이 셋이 흥미로운 점은 모두 '큰 프로젝트를 거부한다'는 공통점이 있다는 겁니다.
데이터 통합 프로젝트를 거부합니다. 거대 자동화 프로젝트를 거부합니다. 한 번에 모든 라인을 바꾸려는 시도를 거부합니다. 대신 가장 작은 단위에서 시작해 운영하면서 다듬어갑니다. 이게 데모와 운영을 가르는 지점입니다.
디피니트가 DARVIS를 만들면서 가장 먼저 고른 원칙도 같은 맥락입니다.
ERP나 MES를 옮기지 않습니다. 그 자리에 두고 그 위에 운영 의사결정을 위한 연결과 기준만 얹습니다. 통합이 아니라 연결, 거대 프로젝트가 아니라 운영부터 시작하는 겁니다.
재고·품질·납기 중 어디서 출발하면 좋을지, 우리 회사 시스템 환경에서 첫 워크플로우를 어떻게 정의할지 같이 정리해보고 싶다면 디피니트에 한 번 문의해주세요. 짧은 상담으로도 출발점이 보일 때가 많습니다.
자주 묻는 질문
Q. AI 에이전트와 일반 챗봇의 차이는 무엇인가요?
챗봇이 미리 정해둔 답변을 출력하는 데 그친다면 AI 에이전트는 여러 시스템을 가로질러 데이터를 조회하고 의사결정을 자동으로 수행합니다. 자재 발주 시점 결정, 라인 점검 우선순위 산정, 납기 약속 검증 같은 작업이 대표적인 예입니다. 챗봇이 대화형 인터페이스라면 AI 에이전트는 업무 처리 주체입니다.
Q. 데이터 통합과 데이터 연결의 차이는 무엇인가요?
데이터 통합은 흩어진 데이터를 한 곳으로 옮겨 모으는 작업입니다. 데이터 레이크나 데이터 웨어하우스를 구축하는 방식이 대표적입니다. 반면 데이터 연결은 데이터를 옮기지 않고 각 시스템 그 자리에서 필요할 때 가져다 쓰는 방식입니다. 통합은 1년 이상의 장기 프로젝트인 반면 연결은 한두 달 안에 첫 결과를 냅니다.
Q. AI 에이전트를 도입하려면 ERP나 MES를 먼저 정비해야 하나요?
아닙니다. 기반 시스템에 있는 데이터가 보통 가장 깨끗한 원천입니다. 시스템을 그대로 두고 그 위에 가상 연결 계층을 얹는 방식이 더 빠르고 안정적입니다. ERP·MES 정비를 운영 안착의 전제 조건으로 보는 통념이 오히려 도입을 멈추게 하는 가장 큰 원인입니다.
Q. 어떤 영역부터 시작하면 좋나요?
한국 중견 제조업체의 자연스러운 출발점은 재고·품질·납기 셋 중 하나입니다. 결과를 명확한 숫자로 측정할 수 있는 워크플로우부터 시작하는 게 핵심입니다. 재고는 발주 정확도, 품질은 클레임 사전 포착률, 납기는 준수율로 성과를 바로 확인합니다.
Q. PoC에서 운영으로 넘어가는 데 보통 얼마나 걸리나요?
전통적인 데이터 통합 프로젝트를 거치면 1년 이상이 걸리지만 데이터 연결 방식으로 좁고 명확한 워크플로우 하나부터 시작하면 한두 달 안에 첫 운영을 시작합니다. 핵심은 영역을 좁히는 것, 결과를 숫자로 측정하는 것, 운영하면서 다듬어가는 것입니다.
운영에 안착하는 AI 에이전트를 만드는 법
운영에 안착하는 AI 에이전트는 한 번에 만들어지지 않습니다.
데이터를 옮기지 말고 그 자리에서 연결하는 데서 시작해서 에이전트의 결정을 매일 추적할 수 있는 관리 계층으로 신뢰를 쌓아야 합니다. 그리고 가장 명확한 워크플로우 하나부터 운영에 올린 뒤 그 성과를 다음 영역으로 넓혀가는 구조로 다듬어집니다. 한두 달짜리 좁은 PoC에서 이 사이클을 한 번 검증해보는 것이 출발점이 됩니다.
디피니트는 이런 방식의 PoC를 함께 검증해온 회사입니다. AI 에이전트 도입을 고민하고 계신다면, 재고·품질·납기 중 어디서 출발하면 좋을지 가볍게 이야기 나눠보셔도 좋겠습니다.
PoC로 시작하는 제조업 AI 에이전트 도입
운영까지 가는 AI 에이전트, 계속 고민만 하는 것보다 좁은 PoC로 직접 검증해보는 것이 빠릅니다. 우리 회사 데이터를 어떻게 연결해서 어떤 워크플로우부터 운영에 올릴지, 한두 달짜리 PoC 한 번이면 가늠할 수 있습니다.
디피니트의 기업용 AI 솔루션 DARVIS는 ERP·MES·생산계획 시스템을 그대로 두고 그 위에 운영 의사결정을 위한 연결과 기준을 얹는 방식으로 동작합니다. 재고·품질·납기 워크플로우의 자동화, 아직 막연하게 느껴지시나요?
아래에서 디피니트의 AI 솔루션 DARVIS 서비스 소개서를 받아보세요. PoC 문의는 언제든 환영입니다.