AI 에이전트 프로젝트

강의 첫 시간, 실습 코드를 열기 전에 화이트보드에 질문 하나를 먼저 적었습니다. "이 Agent가 틀린 답을 내면, 그다음 현장에서는 무슨 일이 생깁니까?" 데모용 챗봇이라면 넘어갈 수 있는 질문이지만, 조업 시스템에 연결된 Agent라면 답변 하나가 점검 순서를 바꿀 수 있습니다. 포스코 과정은 이 질문에서 출발했습니다.

포스코에서 2025년 진행한 8시간 산업용 AI 에이전트 프로젝트 과정입니다. 철강 현장 데이터와 사내 운영 시스템을 전제로, 데모 수준이 아닌 운영 가능한 Agent 설계를 다루고 실증까지 연결했습니다.

안녕하세요, 권앤컴퍼니의 권기현입니다. 이번에는 포스코에서 진행한 AI 에이전트 프로젝트 과정을 소개하려고 합니다. 철강 도메인의 데이터 특성 위에서 Agent 아키텍처, 문서 검색, 시스템 호출, 운영 정책을 어떤 순서로 쌓았는지에 대한 기록입니다.

산업용 AI 에이전트 도입을 검토하다 이 페이지에 도착하셨다면, 아래와 비슷한 상황일 가능성이 높습니다.

공정 데이터는 SCADA(공정 제어 시스템)에, 안전 리포트는 PDF에 흩어져 있어 LLM에 연결하는 첫 단계부터 막힙니다.

Agent가 잘못된 도구를 호출하면 곧장 현장 사고로 이어질 수 있는데, 어디에 가드레일을 두어야 하는지 기준이 없습니다.

보안 정책 안에서 외부 모델과 사내 모델을 어떻게 분리해 운영할지 정리되어 있지 않습니다.

이 과정은 위 세 가지를 철강 현장의 운영 데이터 기준으로 풀어내는 8시간으로 설계되었습니다.

철강 현장의 Agent를 다르게 설계한 이유

AI 에이전트란 LLM이 검색과 도구 호출을 스스로 계획해 여러 단계를 거쳐 과제를 처리하는 실행 구조를 말합니다. 일반 사무 환경에서는 Agent가 틀려도 문서를 고치면 되지만, 철강 현장에서는 공정, 품질, 설비, 안전 데이터가 함께 움직이기 때문에 잘못된 호출 하나의 비용이 다릅니다.

운영 가능한 산업용 Agent는 모델 선택보다 세 가지가 먼저 정해져야 합니다: 어떤 데이터를 어떤 순서로 부를지, 어느 단계에서 검증할지, 어디에서 사람이 승인할지입니다. 이 세 가지가 보이도록 교육 전체를 구성했습니다.

8시간의 골격: 조업 질문에서 운영 Agent까지

커리큘럼은 네 모듈입니다. Agent 골격을 잡고, 철강 문서 검색을 세우고, 사내 시스템 호출에 가드레일을 두고, 마지막으로 실증 이후의 운영 조건을 정리합니다.

1. Agent 골격: 조업 질문 하나가 네 개 시스템을 부르는 구조

특정 라인의 품질 이상 원인을 묻는 질문 하나에 답하려면 공정 변수, 검사 이력, 설비 상태, 안전 기준을 함께 봐야 합니다. 단일 LLM 호출 한 번으로는 풀리지 않는 구조입니다.

이 모듈에서는 다음 내용을 철강 조업 시나리오에 묶어 다룹니다.

• Router·Planner·Executor 분리와 산업 시나리오에서 각 계층의 책임 범위
• Agent loop의 반복 횟수와 타임아웃을 제약 조건으로 고정하는 방법
• 공정·품질·안전 시스템을 다단계 의사결정으로 묶는 패턴
• 자동 실행이 가능한 구간과 사람의 승인이 필요한 구간의 경계 설정

실습에서는 결과보다 구조를 먼저 그리게 했습니다. 어느 단계에서 검색하고 어느 단계에서 도구를 부르며 어디에서 사람이 승인하는지 그림으로 설명할 수 있어야, 실증 이후의 논의가 이어집니다.

2. 철강 문서 RAG: 표와 도면 사이에서 검색이 무너지는 지점

조업 매뉴얼과 안전 규정은 분량이 크고 표·도면이 섞여 있어, 문서를 자르는 단위 하나만 잘못 잡아도 검색이 첫 줄부터 어긋납니다.

RAG(검색 증강 생성)란 답변을 만들기 전에 사내 문서를 먼저 검색해 그 근거를 모델에 얹어주는 방식을 말합니다. 이 모듈에서는 다음 내용을 다룹니다.

• 조업 매뉴얼·안전 규정의 청크 단위 설계와 라인·공정·일자 메타데이터
• 키워드 검색과 벡터 검색을 함께 쓰는 하이브리드 구성
• 컨텍스트 압축과 재랭킹으로 비용·지연을 줄이는 기법
• recall, MRR, hit rate로 검색 품질 자체를 측정하는 방법

청크 하나가 잘못 끊어져 있으면 Agent의 모든 답변이 같은 패턴으로 틀립니다. 이 모듈에서 그 첫 단추를 잡습니다.

3. Tool calling: 조회 함수와 설비를 움직이는 함수는 레인부터 다릅니다

같은 사내 API라도 어떤 호출은 단순 조회이고 어떤 호출은 라인을 멈출 수 있습니다. 이 경계는 프롬프트가 아니라 함수 스키마에서 갈라야 합니다.

Tool calling이란 LLM이 정해진 함수 규격을 통해 사내 시스템을 호출하게 하는 방식을 말합니다. 이 모듈에서는 다음 내용을 사내 API 스타일로 다룹니다.

• read-only 함수와 stateful 함수의 분리: 스키마·권한·로그를 다른 레인으로
• 내부 API 인증 정보를 Agent에 노출하지 않는 호출 구조
• tool 결과 검증과 사용자 확인 단계를 넣는 시점
• 권한·감사 로그·이상 호출 알림을 미들웨어에서 처리하는 방법

현장에서는 Agent의 호출 한 건이 안전 사고로 직결될 수 있습니다. 가드레일은 프롬프트가 아니라 function 단위에 박는 것이 가장 안전합니다.

4. 실증 이후: 평가 셋과 모니터링이 운영을 결정합니다

Agent가 데모에서 운영으로 넘어갈 때 무너지는 지점은 대체로 같습니다. 평가 셋, 모니터링, 운용 정책이 빠져 있을 때입니다.

이 모듈에서는 실증 단계의 Agent를 상시 운영으로 옮기기 위한 조건을 다룹니다.

• 철강 조업 시나리오 기반 평가 셋 설계와 회귀 테스트 자동화
• 추론 모델과 일반 LLM을 혼용할 때의 비용·정확도 균형 측정
• 운영 환경 트레이싱과 이상 호출 감지
• 점진 배포와 롤백, rate limit 운영 정책

평가 셋이 없는 Agent는 운영팀이 매주 손으로 품질을 점검하게 됩니다. 마지막 모듈에서 그 시간을 자동화 영역으로 옮깁니다.

이 과정이 필요한 분들

• 사내 AI 에이전트 서비스를 처음부터 설계해야 하는 개발자·테크리드
• Agent 실증 과제를 운영 환경까지 가져가야 하는 AX·DT 추진 임원
• 공정 데이터와 사내 API를 LLM과 안전하게 연결해야 하는 플랫폼·인프라 담당자

특히 포스코처럼 공정·품질·안전 데이터가 함께 걸리는 철강·제조 환경에서, 데모 Agent를 운영 가능한 Agent로 옮기는 단계에 있는 팀에 가장 큰 시간 절약이 됩니다.

문의 전에 맞춰두시면 좋은 것

제조·산업 조직의 Agent 교육은 현장 맥락이 빠지면 설득력이 약해집니다. 그래서 과정 설계 전에 업종, 대상 직군, 보안 기준, 기대 산출물 네 가지를 먼저 맞춥니다.

이 네 가지가 정리되면 표준 교안이 아니라 실제 조업 언어로 진행되는 과정으로 좁혀지고, 교육이 실증 과제 논의로 이어질 확률이 올라갑니다.

다음 단계

회사 상황에 맞춰 8시간 과정을 그대로 진행하실 수도 있고, 4시간 압축본으로 시작하셔서 차수를 늘려가시는 것도 가능합니다.

가장 빠른 길은 현재 회사 상황과 가능한 일정을 메일로 보내주시는 것입니다. 24시간 안에 비슷한 사례 2~3건과 견적 초안을 함께 회신드리겠습니다.

상담 문의 보내기 | 강의 카탈로그 PDF 받기

내부 검토용으로 공유할 자료가 필요하시다면, 카탈로그 PDF를 먼저 받아두시면 편합니다.

Tags