제조업에서 AI는 개별 공정 최적화(예: 품질 예측, 이상 감지)를 넘어, 생산·품질·물류·유지보수·에너지까지 연결하는 의사결정 자동화(Decision Automation)로 확장되고 있다. 최근에는 생성형 AI와 에이전트 기반 워크플로, 디지털 트윈 기반의 시뮬레이션/검증 그리고 Edge·Device로의 AI 하향 전개가 결합하면서, ‘툴’이 아닌 ‘운영 모델(Operating Model)’을 재설계하는 기술로 자리 잡고 있다.

본고에선 제조업 AI를 의사결정 레이어(Device–PLC/Edge–Cloud/Enterprise)로 구조화하고, Agentic AI(업무 오케스트레이션), Vertical AI(도메인 전문 판단), Physical AI(시뮬레이션 기반 행동 학습과 현장 실행), Digital Twin × Ontology(공통 현실 표현 계층)를 핵심 구성 요소로 정리한다. 결론적으로 제조업 AI 경쟁력은 단일 모델 성능보다, 레이어별 전문성을 가진 AI를 공통 거버넌스 하에 결합·운영할 수 있는 역량에 의해 재정의될 가능성이 높다.

1. 서론 – ‘자동화의 지능화’를 넘어
‘운영체계의 재설계’로

제조업에서 AI는 더 이상 단일 공정의 품질 예측이나 설비 이상 감지(예: 예지보전)만을 의미하지 않는다. 생산/품질/물류/유지보수/에너지 등 공장 운영 전반을 관통하는 의사결정 자동화(Decision Automation)로 진화하고 있다. 특히 최근 2~3년 사이에는 (1) 생성형 AI 확산, (2) 에이전트(Agentic AI) 기반 워크플로 자동화, (3) 디지털 트윈/시뮬레이션 기반 학습·검증의 가속, (4) Edge·Device 레벨로의 AI 하향 전개가 동시다발적으로 진행되면서, AI는 제조업의 ‘툴’이 아니라 운영 모델(Operating Model)을 바꾸는 기술로 자리 잡고 있다.

2. 배경 – ‘현장 확산(Scale)’이
Key Success Factor

제조업 AI 프로젝트 실패의 주요 원인은 알고리즘 성능 자체보다 다음 영역에서 발생하는 경우가 많다.
•데이터 품질 및 전처리
•문제 정의와 물리·공정 기반 모델링
•기존 자동화/IT 시스템과의 통합
•폐루프(Closed-loop) 운영 구조 부재

또 제조 현장은 지연 시간(Latency), 안전(Safety), 신뢰성(Reliability) 요구가 매우 강하기 때문에 AI는 클라우드 단일 계층으로 작동하기 어렵고, 의사결정 범위에 따라 Device–PLC/Edge–Cloud/Enterprise로 계층화되어야 한다.

3. 정의 및 범위
– ‘의사결정 레이어’와 ‘다층 AI’

제조업 AI를 현실적으로 적용하기 위해서는 “어떤 AI를 쓸 것인가”보다 “어디에서 어떤 결정을 자동화할 것인가”를 먼저 정의해야 한다. 제조 현장은 의사결정의 시간 축, 책임 소재, 리스크 수준이 근본적으로 다르므로 AI는 단일 계층이 아닌 의사결정 책임 기반의 다층 구조로 설계되어야 한다.

1) 의사결정 레이어 기반 분류
•Device Level : µs~ms 단위 응답, 안전·신뢰성 최우선. 센서 신호 전처리/노이즈 필터링/상태 추정 등 상위 의사결정을 위한 기초 정보 생성
•PLC / Edge Level : ms~s 단위 실시간 처리. 제어 안정성과 Fail-safe fallback 전제하에 국소 최적화 및 적응 제어 수행(현장 변동성 완충)
•Cloud / Enterprise Level : s~분~시간 단위 의사결정. 계획·예측·전략 판단 중심이며, 설명 가능성과 시뮬레이션 기반 의사결정이 요구됨

2) 적용 예시(Use Case Domain)
•Device Level : 센서 이상 감지, 상태 추정(State Estimation), 진동·전류 기반 조기 이상 탐지 등(신뢰 가능한 관측과 신호 정제 중심)
•PLC/Edge Level : 공정 파라미터 자동 보정, 품질 편차 최소화, 에너지 최적 운전 등(즉각적 제어·조정 필요 영역)
•Cloud/Enterprise Level : CAPEX 우선순위, 생산·유지보수 정책 최적화, 에너지·탄소 전략 시뮬레이션, 공급망 리스크 분석 등(중장기 전략 판단)

4. 최신 동향 및 발전 방향

1) Agentic AI – ‘업무 수행형
(Workflow-Executing)’으로 진화
제조 현장의 AI는 단순 질의응답이나 개별 업무를 보조하는 Assistant 단계를 넘어, Device–PLC/Edge–Cloud/Enterprise에 분산된 의사결정을 상호 연결하여 하나의 연속된 Workflow로 계획·실행하는 ‘업무 수행형 AI(Agentic AI)’로 진화하고 있다. 이는 여러 전문 에이전트를 조율·조합하는 ‘에이전트 오케스트레이션(Agent Orchestration)’ 관점과도 부합한다.
•유지보수(예) : Device(이상 감지) → Edge(단기 리스크 완화) → Enterprise(CAPEX 및 정책 최적화)
•품질(예) : Device(전조 감지) → Edge(파라미터 자동 보정) → Enterprise(정책 표준화 및 ROI 기반 우선순위)

2) Vertical AI
– Domain Ontology 기반 ‘업무 전문 AI’
제조업은 설비·공정·품질·에너지 등 각 영역이 강한 도메인 제약과 물리적 맥락을 가지므로, 범용 AI만으로는 현장의 의사결정을 충분히 설명하거나 신뢰를 확보하기 어렵다. 이에 따라 도메인 온톨로지/정보모델과 결합된 Vertical AI(업무 전문 AI)가 확산되고 있다.
•Vertical AI : 도메인 맥락 해석, 실행 가능한 행동 후보 생성, 비용·리스크·성능 영향 평가
•Agentic AI : 여러 Vertical AI를 조합·연결하여 목표 설정, 단계 구성, 승인 및 학습을 포함한 Workflow 완결

3) Physical AI – 시뮬레이션에서 학습된
행동을 현실로 옮기는 실행 AI
Physical AI의 핵심은 ‘현장에서 시행착오로 학습’하는 것이 아니라, 물리 Solver 기반 Digital Twin에서 다양한 상황을 시뮬레이션하고(필요시 Synthetic Data를 합성하여) 행동 정책(Policy)을 학습한 뒤, 이를 현장 제어 시스템(PLC/Edge/Controller)으로 안전하게 전개(Sim-to-Real)하는 접근이다.
•Multi-modal 엔진 : 센서(Time-series), 상태(State), Vision, 공정 맥락(Context) 통합
•Physics-aware 판단 : 동역학·마찰·관성·열·제어 안정성 등 물리 제약과 안전 경계 동시 고려
•Simulation-first learning : 물리 엔진/Solver 기반 시나리오 생성 → 정책 학습 → 단계적 자율화(Guardrail 및 Human-in-the-loop 포함)
Physical AI는 목표를 설정하지 않으며, Agentic AI가 설계한 Workflow 내에서 Vertical AI의 판단과 결합되어 자율 운영의 마지막 실행 계층(Last-mile Execution Layer)으로 기능한다.

4) Digital Twin × Ontology
– 제조 AI의 기반 인프라
Agentic AI와 Vertical AI가 신뢰성 있게 작동하기 위해서는, 각 AI가 ‘동일한 현실을 동일한 의미로 이해’하는 공통 기준(공통 현실 표현 계층)이 필요하다. Digital Twin과 Ontology(Information Model)의 결합은 이를 위한 기반 인프라로 작동한다.
•Digital Twin : 현재 상태(State) 표현 + 미래 시나리오(Simulation) 생성 + 물리 Solver 기반 결과 계산
•Ontology/Information Model : 의미(Semantics) 정의 + 관계(Relationship) 표준화 + 시스템 간 해석 일관성 보장
이를 결합함으로써 (1) AI 판단의 설명 가능성(Explainability by Design), (2) 시뮬레이션 기반 사전 검증(Simulation-first Validation), (3) 공장 간 지식 재사용 및 확산(Scalable Knowledge Reuse)이 가능해진다. 특히 Ontology는 공장/라인/설비가 달라도 동일 개념(예: 고장 모드, 공정 단계, 품질 특성)을 일관된 형태로 매핑하여, Best Practice와 정책을 조직 전반에 확산시키는 ‘공통 언어’로 기능한다.

5. 미래와 시사점 – 자율운영(Autonomous
Operations)을 위한 협업 + 거버넌스
제조업 AI는 단일 모델이나 단일 플랫폼으로 완성되기 어렵다. 제조 AI는 Agentic AI, Vertical AI, Physical AI, Digital Twin × Ontology 등 서로 다른 역할을 수행하는 다수 모듈이 협력하는 구조이며, 계층별·분야별 전문성을 가진 여러 기업/조직 간 협업을 통해서만 실질적인 가치 창출이 가능하다.

1) 왜 제조업 AI는
‘협업형 생태계’가 될 수밖에 없는가?
계층별 요구 사항의 본질적 차이로 인해 단일 기업이 End-to-End 역량을 확보하기 어렵다.
•Device/Edge : 실시간성, 안전 인증, 물리적 신뢰성, 하드웨어 이해
•Domain Vertical AI : 공정·설비·품질·에너지에 대한 도메인 지식
•Agentic AI/Enterprise : Workflow 오케스트레이션, 시나리오 평가, KPI 기반 의사결정, 거버넌스
또한 자율 운영은 생산성(OEE), 품질, 에너지·탄소, 비용, 안전·규제 등 상충 목표의 균형을 지속적으로 조정하는 System-of-Systems 문제이므로, 여러 전문 AI의 판단을 조율하는 역량이 핵심 경쟁력이 된다.

2) Autonomous Operations의 핵심
: 기술보다 ‘운영 구조’
자율 운영은 관측–판단–조치–학습이 하나의 Close-loop Workflow로 지속 실행되는 운영 구조를 의미한다. 핵심 질문은 ‘AI가 있는가’가 아니라, ‘AI가 운영의 일부로서 지속적으로 일을 수행하는 구조가 설계되어 있는가’이다.

3) 자율 운영 확산의 전제 조건
: Governance by Design
통제 없는 자동화가 아니라, 기술 구현과 동시에 명시적 거버넌스 설계가 필요하다.
•권한 경계(Decision Boundary)
•책임 구조(Accountability)
•승인 체계(Human-in-the-loop)
•추적성과 설명 가능성(Auditability / Explainability)

4) 시사점 : 제조업 AI 경쟁력의 재정의
: ‘레이어별 전문성 기반 협업 생태계’
향후 제조업 AI 경쟁력은 개별 기술이나 단일 솔루션의 우수성보다, 서로 다른 의사결정 레이어에서 전문성을 가진 AI와 기업들을 얼마나 효과적으로 결합하고 운영할 수 있는가에 의해 재정의될 가능성이 높다.

[Appendix A]

(1) IBM Think – AI agent orchestration (definition and concept)
(2) NVIDIA Glossary – Physical AI and the role of reinforcement  learning in simulation
(3) Karabulut et al. (2023) – Ontologies in Digital Twins : Systematic Literature Review (arXiv)
(4) Perzylo et al. – OPC UA NodeSet Ontologies and semantic digital twins (PDF)
(5) Laukaitis et al. (2025) – Dual Digital Twin Framework for Reinforcement Learning (MDPI Electronics)
(6) NVIDIA Blog (2025) – Newton physics engine, OpenUSD and  Isaac Sim for digital twins (overview) 

ilgon.ko@festo.com