"지난주에 연료비가 왜 늘었을까요."
회의에서 이 질문 하나가 나옵니다.
답하려면 담당자가 엑셀 세 개를 열고, 설비 목록을 다시 확인하고, 그 값이 어느 공정에서 나온 건지 되짚어야 합니다.
MES도 있고 데이터 레이크 구축도 끝났는데, 제조업 AI 에이전트를 찾아보게 되는 순간은 대개 여기입니다.
데이터가 없어서가 아니라, 다 있는데 답이 안 나오기 때문입니다.
이런 상황을 겪어보신 적 있으신가요?
저희 팀리부뜨는 AI를 활용해 기업의 반복 업무와 데이터 활용을 자동화하고 있습니다.
문제는 데이터의 양이 아니라, 데이터가 표로만 있다는 점입니다.
표는 값을 담습니다. 그런데 관계는 담지 못합니다.
설비 코드 하나가 어느 공정에 속하는지, 그 공정에서 나온 부산물이 어디로 흘러가는지, 그래서 이 설비가 멈추면 무엇이 연달아 흔들리는지는 표 어디에도 적혀 있지 않습니다.
그 관계는 전부 오래 근무한 담당자의 머릿속에 있습니다.
AI에게 표를 주면 표를 읽습니다. 관계를 묻는 질문에는 답하지 못합니다.
"왜 늘었나"는 값이 아니라 관계를 묻는 질문이라, 정확히 여기서 막힙니다.
문제는 모델이 약해서가 아니라, 관계가 데이터로 존재하지 않기 때문입니다.
이 지점에서 보통 시각화 도구를 추가하거나 통합 DB를 한 번 더 만듭니다.
그런데 대시보드는 이미 정해둔 질문에만 답합니다. 화면에 없는 질문이 나오면 다시 사람이 엑셀을 엽니다.
데이터 레이크도 마찬가지입니다. 값을 한곳에 모으는 일과, 값들 사이의 관계를 정의하는 일은 다른 작업입니다.
그래서 스마트팩토리 구축을 마친 기업에서도 활용 단계에서 멈추는 일이 자주 생깁니다.
쌓기는 끝났는데 읽히지가 않는 상태입니다.
팀리부뜨는 기업용 AI 에이전트를 구축하고 있습니다. 회사의 업무 맥락을 학습한 에이전트 하나가 사람이 하던 반복 작업과 판단을 대신 처리하는 방식입니다.
이 에이전트를 제조 현장에 적용할 때는 순서가 하나 더 붙습니다. 에이전트가 읽을 수 있도록 현장에 실제로 존재하는 것들을 객체로 세우고, 그 사이의 관계를 데이터로 만드는 작업이 먼저입니다.
[팀리부뜨 AI 에이전트의 제조 데이터 처리 과정]
실제 데이터 스키마를 먼저 훑습니다. 이상적인 모델을 그려두고 나중에 데이터를 붙이면 붙지 않습니다. 현장 데이터에는 그 객체가 없거나, 있어도 다른 이름으로 세 군데에 흩어져 있기 때문입니다.
반복해서 등장하는 실체를 객체 타입으로 뽑습니다. 공정, 공정 사이를 흐르는 물질과 에너지, 흐르지 않고 계산되는 지표를 서로 다른 타입으로 나눕니다. 비율 같은 지표를 흐르는 것과 같은 통에 넣으면 총량을 집계할 때 숫자가 조용히 틀립니다.
인스턴스는 한 곳에만 둡니다. 설비 목록이 관리대장에도 있고 설정 파일에도 있고 도면에도 있으면 세 개가 반드시 어긋납니다. 하나를 원본으로 정하고 나머지는 파생 뷰로 둡니다.
원단위나 비율 같은 계산 결과는 객체 속성으로 박지 않고 규칙으로 분리합니다. 분모를 무엇으로 볼지가 분석 목적에 따라 달라지기 때문에, 속성으로 박아두면 정의가 바뀔 때마다 데이터를 전부 다시 채워야 합니다.
모든 항목에 검증 상태를 남깁니다. 확인 전인지, 검토가 필요한지, 확정인지를 데이터 안에 표시해두면 에이전트가 "이건 아직 미검증입니다"라고 말할 수 있습니다.
기존 시스템은 그대로 둡니다. MES도 ERP도 교체하지 않습니다. 이미 쌓여 있는 데이터 위에 관계와 규칙을 얹는 방식이라, 현장 운영을 멈추지 않고 시작할 수 있습니다.
연쇄 영향 추적
설비 하나가 멈췄을 때 무엇이 연달아 흔들리는지를 에이전트가 관계를 타고 따라갑니다. 담당자가 머릿속으로 짚던 다섯 단계, 여섯 단계짜리 연쇄 경로를 시스템이 순서대로 제시하기 때문에, 원인 회의에 들어가기 전에 후보를 좁힐 수 있습니다.
부서마다 다른 용어를 같은 것으로 인식
같은 설비를 부서마다 서너 가지 이름으로 부르는 상황이 흔합니다. 에이전트가 별칭 규칙을 들고 있으면 표기가 달라도 집계가 쪼개지지 않아서, 같은 지표가 부서별로 다른 숫자로 보고되는 일이 줄어듭니다.
의심 태그 자동 선별
값이 더 이상 갱신되지 않는 태그, 스케일이 열 배 이상 차이 나는 태그 쌍, 중복 생성된 태그 후보를 에이전트가 목록으로 올립니다. 전체 3천 개를 다 보는 대신 이번 분석에 쓰이는 30개부터 검증하면 되기 때문에, 착수 전에 정리 기간을 현실적으로 잡을 수 있습니다.
베테랑의 판단을 규칙으로 보존
두 시간짜리 회의 자료와 녹취를 함께 넣으면 에이전트가 재사용 가능한 규칙 후보를 스무 개 남짓 뽑아냅니다. 전문가는 검토와 승인만 하면 되고, 검증된 것만 지식으로 올라가기 때문에 확정되지 않은 감각값이 사실처럼 굳어지는 일을 막습니다.
무역 서류 입력
제조 데이터만 다루는 것은 아닙니다. 거래처마다 양식이 다른 인보이스와 선적서류가 메일로 들어오면 에이전트가 품목과 수량, 결제조건을 뽑아 ERP에 입력합니다. 한 건에 20분씩 걸리던 입력이 1분에서 2분짜리 검토 작업으로 바뀝니다. 자세한 내용은 수출입 서류 자동화 글에서 정리했습니다.
영수증과 전표 정리
경영지원 쪽도 같은 에이전트가 처리합니다. 사진으로 올라온 영수증에서 상호와 금액, 날짜를 읽어 계정과목까지 분류해두면, 월말에 하루 넘게 걸리던 정리가 검토 시간만 남습니다.
제조 현장의 AI 활용 범위를 먼저 훑어보고 싶으시다면 제조업 AI 도입 글에 기본적인 내용을 정리해두었습니다.
제조업 AI 에이전트가 성과를 못 내는 이유는 대개 모델이 약해서가 아니라, 데이터가 관계 없이 표로만 있기 때문입니다.
전부 정리한 다음에 시작할 필요는 없습니다. 필요한 데이터부터, 불확실한 부분을 표시한 채로 좁게 시작하는 편이 현실적입니다.
지금 데이터는 다 갖춰져 있는데 질문 하나에 엑셀부터 열고 계신다면,
어디부터 객체로 세워야 할지 팀리부뜨의 산업 AI 자동화 전문가와 함께 정리해보세요.
상담 시 현재 쓰고 계신 시스템과 자주 나오는 질문 두세 가지를 알려주시면 준비 범위를 바로 확인해드립니다.
상담문의 시 "제조업 AI 에이전트 글을 보고 문의했다"고 남겨주시면 보다 원활한 상담이 가능합니다.
%202.png){kind=logo}
