Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities

본 논문은 엔지니어링 및 제조 분야에서 에이전트 AI 의 현재 활용 가치와 도입 장벽을 심층 인터뷰를 통해 분석하고, 데이터 단편화, 보안 요구사항, 레거시 시스템 통합 문제 등 기술적·조직적 한계를 극복하기 위한 신뢰성 있는 검증 체계와 단계적 자동화 전략의 필요성을 강조합니다.

핵심

이 논문은 **"엔지니어링과 제조 현장에서 인공지능 (AI), 특히 '스마트 에이전트'가 어떻게 쓰이고 있는지, 그리고 왜 아직 완전히 자리 잡지 못했는지"**에 대한 현장의 목소리를 담고 있습니다.

간단히 비유하자면, 이 논문은 **"AI 라는 새로운 직원이 공장에 들어왔을 때, 실제로 어떤 일을 잘해내고, 어떤 문제 때문에 아직 '주인공'이 될 수 없는지"**를 30 명 이상의 현장 전문가 (대기업, 중소기업, AI 개발자, 소프트웨어 회사) 와 인터뷰하며 분석한 보고서입니다.

핵심 내용을 일상적인 비유로 설명해 드릴게요.

---

1. AI 는 지금 무엇을 잘할까요? (현재의 능력)

현재 AI 는 **'반복적이고 지루한 일'**과 **'방대한 데이터를 정리하는 일'**을 아주 잘합니다.

• 비유: AI 는 공장의 **'초고속 비서'**나 **'정리 정돈 도우미'**와 같습니다.
  • 반복 업무: 수백 페이지에 달하는 요구사항 문서를 읽어서 핵심만 뽑아내거나, 엑셀에 데이터를 일일이 입력하는 일을 AI 가 대신하면 인간은 훨씬 빨리 끝낼 수 있습니다.
  • 데이터 정리: 과거에 쌓아둔 수많은 설계 도면이나 실패 기록을 AI 가 뒤져서 "이런 문제는 과거에 이런 식으로 해결했어"라고 알려주면, 엔지니어는 시간을 아껴서 더 창의적인 일을 할 수 있습니다.
  • 프로세스 조율: 여러 단계의 작업 (예: 견적 요청 → 부품 선정 → 제조 가능성 분석) 을 AI 가 자동으로 연결해 주는 '오케스트라 지휘자' 역할도 시작되고 있습니다.

하지만, AI 는 아직 **'위험한 결정'**을 내릴 수는 없습니다. 비행기 날개를 설계하거나 원자로를 제어할 때 AI 가 "이거 괜찮아요"라고 해도, 최종 확인은 반드시 인간 엔지니어가 해야 합니다.

2. 왜 아직 AI 가 공장을 완전히 장악하지 못했을까요? (3 가지 큰 장벽)

논문은 AI 기술 자체가 부족해서가 아니라, 주변 환경이 아직 준비되지 않아서라고 말합니다.

① "데이터가 흩어져 있고, AI 가 읽을 수 없는 언어로 되어 있다"

• 비유: 공장에 보물 (데이터) 은 가득 쌓여 있는데, 보물상자 (데이터) 가 모두 다른 자물쇠로 잠겨 있고, 열쇠 (포맷) 가 제각각입니다.
  • 어떤 정보는 PDF 파일에, 어떤 건 엑셀에, 어떤 건 엔지니어의 머릿속에 있습니다.
  • 특히 오래된 설계 도면이나 손으로 쓴 메모는 AI 가 읽을 수 없습니다. AI 가 보려면 이 모든 것을 "AI 가 이해할 수 있는 디지털 언어"로 번역해야 하는데, 이 작업이 너무 어렵고 비쌉니다.

② "비밀 유지와 보안이 너무 엄격하다"

• 비유: AI 는 보통 구름 (클라우드) 에 있는 거대한 두뇌를 사용합니다. 하지만 국방이나 항공 우주 같은 분야는 **"비밀 문서를 구름에 올릴 수 없다"**는 법이 있습니다.
  • "우리 회사의 설계 도면을 다른 사람 (클라우드 서버) 이 볼 수 있게 하면 안 돼요!"라는 이유로, AI 를 쓸 수 있는 환경이 매우 제한적입니다.
  • 그래서 AI 가 공장에서 일하려면 **인터넷에 연결되지 않은 별도의 방 (온프레미스)**에서 혼자 일할 수 있어야 하는데, 이런 기술은 아직 흔하지 않습니다.

③ "오래된 기계와 AI 가 말을 통하지 않는다"

• 비유: 공장에 있는 30 년 된 구형 CNC 기계는 AI 가 명령할 수 있는 '스마트 인터페이스'가 없습니다.
  • AI 가 "이거 만들어줘"라고 해도, 기계는 "나는 마우스로 클릭해야 작동해"라고 답합니다.
  • AI 가 자동으로 여러 기계를 조율하려면, 모든 기계가 AI 와 대화할 수 있는 '공용 언어 (API)'를 써야 하는데, 아직 대부분의 공장은 그런 준비가 안 되어 있습니다.

3. 엔지니어들은 AI 를 어떻게 생각할까요? (신뢰와 문화)

• "블랙박스"에 대한 두려움: 엔지니어들은 "왜 이 결과가 나왔는지"를 정확히 알고 싶어 합니다. 하지만 AI 는 "이렇게 계산했어"라고 설명하기보다 "결과만 내놔"라고 하는 경우가 많습니다. 왜 실패했는지 이유를 알 수 없으면, 안전이 중요한 공장은 AI 를 믿지 않습니다.
• 인간이 마지막 확인자 (Human-in-the-loop): "AI 가 제안은 해줘도, 내가 최종 확인하고 결정할 거야"라는 태도가 지배적입니다. AI 를 '대체제'가 아니라 '도움말'로 받아들이는 것이 가장 성공적인 사례입니다.
• 문화의 차이: 어떤 회사는 "빨리 시도해보자"고 하지만, 어떤 회사는 "실패하면 큰일 나니 신중하게"라고 합니다. 이 문화적 차이가 AI 도입 속도를 좌우합니다.

4. 앞으로 무엇이 필요할까요? (미래를 위한 열쇠)

이 논문은 AI 가 공장에서 진짜 주인공이 되려면 다음 세 가지가 꼭 필요하다고 말합니다.

1. 검증 가능한 신뢰: AI 가 실수했을 때 그 이유를 설명할 수 있어야 하고, 안전 기준을 통과했다는 것을 증명할 수 있어야 합니다. (마치 비행기 엔진이 안전 검사를 통과해야 하는 것처럼요.)
2. 데이터와 도구의 연결: 오래된 기계와 AI 가 대화할 수 있게 해주는 '번역기'와 '연결 케이블'이 필요합니다.
3. 공간을 이해하는 AI: AI 가 단순히 글만 쓰는 게 아니라, 3 차원 공간에서 부품이 어떻게 맞물리는지, 물리 법칙이 어떻게 작용하는지 이해할 수 있어야 합니다. (현재 AI 는 글은 잘 쓰지만, 3D 도면을 보고 "이 부품이 다른 부품에 닿을 거야"라고 예측하는 건 아직 서툴러요.)

요약하자면

이 논문은 **"AI 는 이미 훌륭한 비서지만, 아직 공장의 '책임자'가 될 준비는 안 됐다"**고 말합니다.

기술이 부족해서가 아니라, 데이터가 정리되지 않았고, 보안이 까다로우며, 오래된 기계와 소통이 안 되기 때문입니다. 앞으로는 AI 가 혼자 일하는 것이 아니라, 인간과 AI 가 서로의 장점을 살려서 (인간은 판단, AI 는 계산) 함께 일하는 시스템을 만드는 것이 핵심입니다.

이것이 바로 엔지니어링과 제조 현장에서 AI 가 겪고 있는 현실과 미래입니다.

기술 요약

논문 개요

이 연구는 엔지니어링 및 제조 워크플로우에서 인공지능 (AI), 특히 에이전트 AI(Agentic AI) 시스템의 현재 채택 현황, 제공 가치, 그리고 광범위한 배포를 위해 필요한 조건들을 탐구합니다. 2026 년 3 월 발표된 이 논문의 저자들은 MIT 의 새로운 제조 이니셔티브 (MIT Initiative for New Manufacturing) 의 지원을 받아, 산업계 전문가들의 관점을 바탕으로 AI 의 실질적 적용 가능성과 장벽을 분석했습니다.

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 글로벌 제조업은 GDP 의 중요한 부분을 차지하며, 미국을 중심으로 리쇼어링 (Reshoring) 과 근접 생산 (Nearshoring) 이 가속화되고 있습니다. 그러나 숙련된 엔지니어 및 기술 인력의 부족 (2033 년까지 190 만 명 부족 예상) 과 노령화, 기술의 빠른 발전 속도가 생산성 저하의 주요 원인으로 지목됩니다.
• 문제: AI 가 이러한 인력 부족과 복잡성 증가를 해결할 핵심 솔루션으로 부상하고 있지만, 실제 엔지니어링 및 제조 환경에서의 채택은 예상보다 더디게 진행되고 있습니다.
• 핵심 질문: 현재 AI 는 어떤 엔지니어링 작업에 유효한가? 채택을 저해하는 기술적, 조직적 장벽은 무엇이며, 에이전트 AI 가 자율적으로 작동하기 위해 필요한 인프라와 거버넌스는 무엇인가?

2. 연구 방법론 (Methodology)

• 연구 설계: 탐색적이고 질적 (Qualitative) 인 실습 연구 (State-of-practice study).
• 데이터 수집: 4 가지 주요 이해관계자 그룹 (대기업, 중소기업/SME, AI 개발자, CAD/CAM/CAE 벤더) 에 속한 28 개 기업의 33 명 전문가와 심층 인터뷰를 수행했습니다.
• 참여자: NASA, GE Vernova, Autodesk, PTC, Siemens 등 주요 기업 및 스타트업의 CEO, CTO, 엔지니어, AI 개발자 등이 포함되었습니다.
• 분석 방법: 반구조화된 인터뷰를 통해 수집된 데이터를 반복적이고 귀납적 (Inductive) 인 방식으로 분석하여 주제 (Task types, Data constraints, Organizational dynamics) 를 도출했습니다.

3. 주요 기여 (Key Contributions)

1. 산업 관점의 종합: 다양한 이해관계자의 인터뷰를 바탕으로 AI 와 에이전트 시스템이 현장에서 어떻게 이해되고 채택되는지 체계화했습니다.
2. 엔지니어링 작업 지형도 (Task Landscape) 규명: AI 가 근접한 미래에 적용 가능한 작업 (반복적, 데이터 집약적) 과 검증/신뢰/거버넌스가 필요한 고위험 작업 (Safety-critical) 을 구분했습니다.
3. 실용적 장벽과 돌파구 제시: 데이터 접근성, 표현 방식, 레거시 도구 통합, 보안, 공간 추론 (Spatial reasoning), 검증, 거버넌스 등 채택을 위한 핵심 장벽과 이를 해결하기 위한 기술적/사회적 돌파구를 제시했습니다.

4. 주요 결과 및 발견 (Results)

A. 에이전트 AI 의 작업 지형도 (Task Landscape)

• 즉각적인 기회 (Well-posed Tasks):
  • 반복적이고 고밀도의 작업: 요구사항 문서 분석, BOM(부품 목록) 작성, 데이터 입력 등 구조화된 대량 작업.
  • 데이터 집약적 작업: 역사적 데이터 (과거 설계, 테스트 결과) 의 검색 및 요약, 문서 생성 및 검토, 설계 변경 사항 비교.
  • 프로세스 오케스트레이션: 여러 단계의 워크플로우 (예: 견적 요청 - 제조성 분석 - 비용 계산) 를 에이전트들이 조율하여 자동화.
• 미래의 도전 과제 (Challenging Tasks):
  • 고위험/안전 필수 작업: 현재 AI 는 자율적 의사결정자가 아닌 **보조 도구 (Assistive role)**로만 사용됨. 인간이 최종 검증 (Human-in-the-loop) 을 수행해야 함.
  • 새로운 상호작용 패러다임: '동행자 (Co-pilot)'와 '자율 에이전트'의 구분 필요. 완전한 자동화를 위해서는 디지털 도구 (API 등) 의 부재가 큰 걸림돌.

B. 데이터의 현재 상태 (The Current State of Engineering Data)

• 보안 및 규정 준수: ITAR, GDPR, ISO 등 엄격한 보안 규정으로 인해 클라우드 기반 AI 모델 사용이 제한됨. 데이터는 물리적으로 격리 (Air-gapped) 되어야 함.
• 데이터 파편화 (Fragmentation): 데이터가 개인 하드드라이브, SharePoint, 커스텀 DB 등 산재되어 있어 검색에 수주~수개월이 소요됨. "사람 고고학 (People Archaeology)"이 필요할 정도로 데이터 위치가 불명확함.
• 데이터 표현 (Representation): 중요한 사양 정보가 PDF, 수기 노트, 비정형 문서에 잠겨 있어 AI 가 처리하기 어려움. CAD-to-CAM 변환과 같은 3D 기하학적 이해 및 공간 추론 능력이 부족함.
• 지식 표현 (Knowledge Representation): 숙련된 엔지니어의 암묵지 (Tacit knowledge) 가 문서화되지 않고 개인에게 머무르고 있어, 은퇴 시 지식 손실 위험이 큼.

C. 신뢰 및 거버넌스 (Trust and Governance)

• Human-in-the-Loop (HITL) 필수: 안전이 중요한 분야에서는 AI 의 제안이 인간에 의해 검증되어야 하며, AI 가 독립적으로 결정하는 것은 허용되지 않음.
• 설명 가능성 (Explainability) 과 결정론: 엔지니어링 문화는 재현 가능하고 설명 가능한 결정론적 결과를 요구하지만, AI(특히 LLM) 는 확률적 (Probabilistic) 이고 '블랙박스' 성격을 가짐. 이 간극이 신뢰 구축의 주요 장벽.
• 기존 검토 프로세스와의 정합성: AI 를 기존 엔지니어링 검토 프로세스 (PDR, CDR, TRR 등) 에 통합하여 검증해야 하며, 새로운 거버넌스를 만들려는 시도보다는 기존 프레임워크 내에서의 통합이 채택률을 높임.

D. 채택 장벽 (Barriers)

1. 검증 및 신뢰성 격차: 엔지니어링 등급의 검증 표준 (재현성, 오차 범위 정량화) 부재.
2. AI 문해력 (Literacy) 부족: 엔지니어들이 AI 를 '사용'하는 것은 익숙하지만, '구축', '설정', '비판적 평가' 능력은 부족함.
3. 공간 추론 및 다중 물리 이해 부족: 현재 AI 는 3D 공간 관계, 물리적 제약, 다중 물리 현상 (열, 전기, 기계적 하중 등) 의 통합적 이해에 한계가 있음.
4. 레거시 도구 통합 문제: 기존 엔지니어링 소프트웨어 (CAD, CAE 등) 는 API 가 부족하고 GUI 기반이라 에이전트 AI 의 프로그래밍적 접근이 어려움.
5. 조직 문화의 양극화: 위험 회피형 대기업과 빠른 실행을 추구하는 스타트업 간의 문화적 차이가 채택 속도에 영향을 미침.

E. 필요한 기술적 돌파구 (Key Breakthroughs)

• 표준화된 에이전트 인터페이스: 도구 간 상호작용을 위한 표준 프로토콜 (예: Model Context Protocol, MCP) 필요.
• 엔지니어링 전용 검증 프레임워크: 확률적 시스템을 위한 새로운 검증 방법론 개발.
• 내재적 공간 및 다중 물리 추론 AI: 3D 기하학과 물리 법칙을 내재한 아키텍처 혁신.
• 포괄적 데이터 변환 파이프라인: 비정형 데이터 (PDF, 이미지 등) 를 구조화된 지식으로 변환하는 기술.
• 문화적 변화 메커니즘: 조직 내 AI 리터러시 향상 및 신뢰 구축을 위한 교육 및 커뮤니티 형성.

5. 의의 및 결론 (Significance and Conclusion)

• 핵심 통찰: 엔지니어링 및 제조업에서 AI 채택의 주요 제약은 모델의 성능이 아니라 **생태계의 준비도 (Ecosystem Readiness)**입니다. 파편화된 데이터, 레거시 도구, 보안 규정, 검증 부재가 주요 병목 현상입니다.
• 전략적 제안:
  • 조직적 관점: AI 도입을 단순한 소프트웨어 구매가 아닌 조직 변혁으로 접근해야 합니다. 데이터 인프라 구축, 검증 프로세스 강화, workforce 의 AI 리터러시 향상이 우선되어야 합니다.
  • 벤더 및 연구자 관점: 오픈 API, 온프레미스 배포 옵션, 설명 가능한 AI, 기존 엔지니어링 워크플로우에 통합된 검증 프레임워크 개발이 필요합니다.
• 미래 전망: AI 는 당분간 인간을 대체하기보다 증강 (Augmentation) 도구로 작용할 것이며, 신뢰, 인프라, 검증 체계가 성숙됨에 따라 점진적으로 고차원적인 자동화로 발전할 것입니다.

이 연구는 AI 기술 자체의 발전뿐만 아니라, 이를 수용할 산업 인프라와 거버넌스 체계의 동시적 성장이 필수적임을 강조하며, 엔지니어링 분야의 AI 전환을 위한 실질적인 로드맵을 제시합니다.