한솔PNG

home콘텐츠기술 콘텐츠

2026년 5월 한솔그룹 CIO 뉴스레터

인사이트 리포트2026.05.01

2026년 5월호

CIO NewsLetter

안전관리 TBM AI Agent

1-1. 매일 반복되는 작업 전 안전 점검, 무엇이 문제였나

추락·협착·화학물질 취급 등 위험이 따르는 작업은 시작 전에 반드시 TBM(Tool Box Meeting, 작업 전 안전 점검 회의) 을 진행합니다. 그 날 작업의 위험 요인을 짚고, 안전 대책을 공유하고, 보호구 착용을 확인하는 자리입니다.

그런데 그 자료는 매번 사람이 직접 작성해야 했습니다.

•
작업마다 위험요인과 대책을 수기로 정리
•
작업 종류가 많아 작성에 많은 시간 소요
•
작성자에 따라 내용의 빠짐과 품질 편차 발생

이번에 우리는 외부 솔루션을 새로 들이지 않고, 자체 시스템만으로 이 문제를 풀었습니다.

•
ESH(안전관리시스템) — 모든 작업의 위험성평가·작업지도서 데이터 보유
•
Atlas AI — 그 데이터를 분석해 즉시 활용 가능한 형태로 가공
•
두 시스템을 연결해, 데이터 기반의 AI TBM 서비스를 구축

관리자의 작업 입력 한 번이, 현장 근로자의 안전 브리핑으로 이어집니다.
"우리의 안전 데이터(ESH) + 우리의 AI(Atlas) = 현장에서 쓰이는 TBM"

1-2. 작업명 한 줄이면, 위험요인부터 현장 멘트까지 요약

1.
작업 자동 매칭 "고소작업"만 입력해도 AI가 사업장에 등록된 작업 중 가장 유사한 것을 찾아줍니다. (예: 공장 2층 점검통로 작업)
2.
TBM 브리핑 자동 작성작업 내용, 위험성평가 결과, 기본 정보를 한 번에 정리.
3.
위험요인 · 대책 자동 제시추락 · 협착 · 걸림 등 잠재 위험을 등급별 색상으로 표시하고, 각 위험에 맞는 안전 대책을 함께 제공.
4.
현장 낭독용 멘트 생성근로자에게 그대로 읽어줄 수 있는 1분 / 3분 분량의 멘트를 자동 작성.
5.
사진 기반 위험성평가현장 사진을 찍어 올리면 AI가 즉석에서 위험 요인을 짚어줌. (예: "난간 불완전, 발판 파손 — 즉시 사용 중지 권고")

관리자의 작성 부담은 줄고, 자료의 품질은 일정해집니다.

1-3. 안전 TBM AI Agent는 이미 일하고 있고, 곧 더 많은 일을 합니다.

✅ 현재 구현 완료

•
TBM 자료 자동 조회 — 작업명 입력 시 위험요인·대책·기본정보 자동 정리
•
사진 기반 위험성평가 — 현장 사진을 분석해 위험 요인 즉시 제시
•
현장 낭독용 멘트 생성 — 1분/3분 분량의 안내 멘트 자동 작성

🚀 확장 예정 기능

•
QR 서명근로자가 퀴즈를 풀고 QR로 서명 → 출석·이해도 확인을 자동화
•
역할극 시뮬레이션"동료가 보호구 없이 올라가려 합니다. 어떻게 하시겠습니까?" 같은 상황 기반 안전 교육
•
녹음 요약현장 대화를 녹음하면 AI가 요약본을 자동 저장
•
TBM 결과 입력 개선현장 적용 결과를 시스템에 손쉽게 기록

안전은 매일 같은 절차지만, AI가 곁에 있으면 매일 더 빨라지고, 더 꼼꼼해집니다.

Agentic AI

2-1. 지시를 받는 AI에서 스스로 일하는 AI로

AI에게 '보고서를 요약해줘'라고 말하는 시대는 지나가고 있습니다. 이제는 AI에게 '이번 분기 비용 절감 방안을 찾아서, 관련 부서와 일정을 조율하고, 결과를 정리해 보고해줘'라고 말할 수 있는 시대가 열리고 있습니다.

Agentic AI는 단순히 더 나은 프롬프트가 아닙니다. 장기적이고 복잡한 다단계 업무 전반에 걸쳐 스스로 추론하고, 도구를 활용하며, 결과를 반복 개선하는 지속적 실행 능력입니다.

AI를 도입하지 않은 기업을 찾기 어려운 시대입니다. McKinsey(2025)에 따르면 88%의 기업이 AI를 최소 하나의 업무에 활용하고 있습니다. 그러나 파일럿을 넘어 실제 운영에 배포한 조직은 극소수에 불과하며, 대부분의 AI 투자는 코파일럿·기초 자동화 등에 분산된 채 성과를 내지 못하고 있습니다.

Gartner(2026 CIO Survey)는 이 간극을 더 선명하게 드러냅니다. 현재 AI 에이전트를 실제 배포한 조직은 전체의 17%에 불과하지만, 60% 이상이 향후 2년 내 도입 계획을 밝혔습니다. 이는 최근 10년 내 그 어떤 신기술보다 빠른 채택 곡선입니다.

반면 Deloitte(2026 State of AI)의 조사는 냉정한 현실도 보여줍니다. AI 예산의 93%가 기술 도입에 집중되고, 인력·워크플로 재설계에는 7%만 투입되고 있습니다. '도입했다'와 '달라졌다'의 차이는 바로 여기서 갈립니다.

▶ 출처: McKinsey State of AI 2025 / Gartner 2026 CIO Survey / Deloitte State of AI in the Enterprise 2026

이 간극을 좁히는 열쇠는 바로 Agentic AI 입니다.

2-2. Agentic AI란 무엇인가 - 기존 AI와 무엇이 다른가

Agentic AI를 이해하는 가장 빠른 방법은 기존 AI 도구들과 비교하는 것입니다. RPA는 정해진 규칙대로 반복 처리하고, 챗봇은 질문에 답하며, 생성형 AI는 콘텐츠를 만들어냅니다. 그러나 이 모든 도구는 공통점이 있습니다. '지시를 받아야 움직인다'는 것입니다.

Agentic AI는 다릅니다. 목표를 부여받으면 스스로 계획을 수립하고, 필요한 도구(검색·API·데이터베이스)를 선택하며, 결과를 평가해 다음 행동을 결정합니다. KPMG는 이를 'PRAL 루프(Perceive → Reason → Act → Learn)'로 정의합니다. 정적 자동화가 아닌, 환경에 반응하는 동적 지능입니다.

구분	기존 AI (생성형·RPA·챗봇)	Agentic AI
실행 방식	단계별 지시 필요 (Human-in-the-loop)	목표 부여 → 자율 계획·실행 (Human-on-the-loop)
처리 범위	단일·반복 작업 (Single-step)	복합·다단계 워크플로 (Multi-step)
도구 활용	사전 정의된 프로세스만 실행	외부 API, DB, 검색 등 자율 선택·조합
대응 능력	예외 상황 시 중단·에스컬레이션	컨텍스트 이해 후 스스로 재계획
학습·개선	정기 재학습 필요	피드백 루프 통해 지속 개선(PRAL)

▶ 출처: KPMG, Agentic AI: The Future of Autonomous Intelligence (2025.10)

Gartner는 2026년 말까지 기업용 애플리케이션의 40%가 태스크 특화 AI 에이전트를 탑재할 것으로 전망합니다 (2025년 기준 5% 미만). 단순한 기능 추가가 아닌, IT 아키텍처 전반의 재설계가 요구되는 수준의 변화입니다.

2-3. 글로벌 도입 트렌드 - 도입사례

Deloitte(2026)는 조사 대상 기업 중 34%가 AI로 비즈니스 모델 자체를 재창조하고 있다고 밝혔습니다. 또한 30%는 핵심 프로세스를 AI 중심으로 재설계하고 있으며, 나머지 37%는 기존 프로세스에 AI를 표면적으로 적용하는 수준에 머물고 있습니다. 그러나 McKinsey(2025)에 따르면 AI 투자에서 기업 전체 수익(EBIT)에 실질적인 영향을 확인한 조직은 전체의 39%에 불과하며, 그마저도 대부분 5% 미만의 기여에 그칩니다. '해봤다'와 '성과를 냈다'의 차이는 분명합니다.

아래는 제조업 도입 사례 입니다. 공통점은 단순 자동화가 아닌, '복합 판단이 필요한 업무'에 Agentic AI를 적용했다는 점입니다. 반복 작업 대체가 아닌, 전문가 역량을 증폭시키는 방향으로 설계됐습니다.

54%

AI 에이전트 핵심 운영 도입

KPMG Q1 2026 AI Pulse Survey

5.1개월

에이전트 투자 평균 회수기간

BCG Forrester 2026

$4.4조

Agentic AI 글로벌 잠재가치

McKinsey Global Analysis

[제조·예지보전] 글로벌 자동차 제조사 — AI 에이전트 기반 예지보전 시스템

글로벌 자동차 제조사가 공장 설비 전반에 Agentic AI 예지보전 에이전트를 도입한 사례입니다. 에이전트는 IoT 센서 데이터·생산 스케줄·정비 이력을 실시간으로 통합 분석해 고장 예측 시 자동으로 수리 계획을 수립하고, 부품 발주와 정비 인력 배정까지 자율 실행합니다. 기존 캘린더 기반 정비 방식에서 조건 기반 자율 운영 체계로 전환한 대표 사례입니다.
* 성과 : 비계획 다운타임 최대 50% 감소 / 정비 비용 10~40% 절감 / 설비 수명 최대 40% 연장

▶ 출처: McKinsey, A Three-Step Plan for a High-Performing Global Production System, 2026.01 / Deloitte, State of Manufacturing Maintenance 2025)

[제조·품질검사] 반도체 제조사 — 비전 AI 에이전트 기반 실시간 불량 검출

반도체 제조 사례에 따르면, 비전 AI 에이전트가 조립 라인의 실시간 영상을 분석해 미세 결함을 자율 검출하고, 불량품 발생 패턴을 학습해 공정 파라미터를 즉시 조정합니다. 기존 수만 장의 실제 불량 이미지가 필요하던 모델 학습을 AI 생성 합성 이미지로 대체해 검사 모델 구축 비용과 시간을 대폭 단축했습니다. 에이전트는 불량 탐지 즉시 상위 공정에 알림을 전송하고 재작업 오더를 자율 생성합니다.
* 성과 : 품질 검사 정확도 25% 향상 / 제조 비용 최대 20% 절감 / 불량 검출 모델 구축 기간 대폭 단축

▶ 출처: McKinsey, AI-Driven Quality Control in Manufacturing 분석 / Gartner, Agentic AI Stats 2026)

[제조·공급망] 글로벌 화학 기업 — 멀티에이전트 기반 공급망 자율 최적화

글로벌 화학 기업이 멀티에이전트 시스템을 공급망 전반에 도입한 사례입니다. 수요 예측 에이전트·재고 관리 에이전트·물류 조율 에이전트가 실시간으로 협력해 공급 차질 발생 시 대체 공급업체를 자율 탐색하고 계약 조건을 재협상합니다. 3개 생산 거점의 전환 사이클을 수년에서 10개월로 단축했으며, 생산 능력은 40~50% 증가했습니다. Gartner는 2030년까지 공급망 관리 솔루션의 절반이 Agentic AI를 내장할 것으로 예측합니다.
* 성과 : 수요 예측 정확도 30% 향상 / 납기 지연 50~80% 감소 / 생산 전환 사이클 수년 → 10개월 단축

▶ 출처: McKinsey, Transforming Factories 2026 / Deloitte, The Agentic Supply Chain in Manufacturing 2026 / Gartner, Supply Chain AI Predictions 2025)

❗주목할 리스크

Gartner는 현재 추진 중인 Agentic AI 프로젝트의 40% 이상이 2027년까지 중단될 것으로 경고합니다. 주요 원인은 불명확한 ROI, 거버넌스 부재, 비용 초과입니다. 도입 자체보다 ‘어떤 업무에, 어떤 범위로 시작할 것인가’가 핵심입니다.

▶ 출처: Gartner, 2026 Hype Cycle for Agentic AII

2-4. 글로벌 도입 트렌드 - 제조산업 혁신 분야 혁신 촉진

[자율적인 생산 라인]

•
수요, 자원 가용성, 기계 성능을 토대로 제품 생산 스케줄을 실시간으로 최적화
•
낭비 절감 및 품질관리 제고를 위해 능동적으로 결함을 추적하고 개선
•
기계별 입력 값을 스스로 조정해 산출은 극대화하면서 비용은 최소화

[자율적 유지보수 및 자산 관리]

•
지속적으로 센서 데이터를 분석함으로써 기계의 고장을 예측 또는 예방하여 다운타임(Downtime, 기계나 시스템이 장애로 인해 사용할 수 없는 시간) 최소화
•
Agentic AI 기반 디지털 트윈은 마모 및 손상 시뮬레이션을 통해 다양한 유지보수 전략을 테스트하여 기계 수명 연장

[대량 맞춤 생산을 위한 스마트 제조]

•
AI 기반 공장은 고객 취향에 따라 생산라인 재설계하여 초(超)개인화된 생산 가능
•
자율적인 디자인 에이전트는 고객별 상세 조건에 따라 개인화된 제품 설계를 지원
•
Agentic AI는 엔지니어링, 생산, 물류 간 끊김 없는 협업을 실시간으로 지원

[자율 최적화 공급망]

•
다양한 시장 지표 실시간 모니터링 기반 비용 최적화 및 리스크 헷지를 위한 조달 전략을 능동적으로 조정공급망 내 재고 조정
•
시장변화·기후위기 또는 지정학적 변화를 바탕으로 발주 패턴 분석 함으로써 공급망 회복탄력성 수립 지원

[순환경제 및 지속가능한 제조]

•
Agentic AI는 생산 과정 전반에서 폐기물 감소 기회를 식별해 원자재 사용 및 재활용 최적화 지원할 뿐 아니라 능동적 전력 소비 조정으로 환경 영향 최소화
•
자율형 시스템은 탄소 배출량을 실시간으로 추적해 환경 규제를 준수하도록 지원

[사람-AI 협업을 통한 의사결정]

•
Agentic AI 는 다양한 시나리오 분석 및 최적화된 전략 제안해 생산 매니저 보조
•
협업 AI(Intelligent Copilot)는 작업 현장 근로자에게 권고사항을 실시간으로 제시
•
AI 기반 훈련 시뮬레이션은 개인화된 학습 경험을 통해 임직원 역량 강화 가속화

▶ 출처: KPMG International“Intelligent manufacturing: A blueprint for creating value through AI-driven transformation” (2025)

2-5. 글로벌 도입 트렌드 - 제조산업 주요실행 과제

01. 제조 기업 핵심역량에 부합하는 AI 전략으로 가치 창출화

•
제조 기업의 AI 전략은 각 기업의 생산, 공급망, 운영 역량과 부합하도록 정립
•
유지보수 예측, 스마트 자동화, 공급망 탄력성 확보 등 목표하는 영역에서 가치를 창출할 수 있도록 기업별 AI 이니셔티브 수립 필요

주요 실행 과제

•
영향력이 높은 AI 활용 사례(Use Case)의 우선순위화 필요. 유지보수 예측, 불량 탐지를 통한 생산 최적화, AI 기반 공급망 예측과 같이 즉각적으로 운영 역량을 강화할 수 있는 AI 활용에 집중할 것
•
AI 거버넌스 및 리더십 프레임워크 개발. 제조 엔지니어, IT 리더, 데이터 사이언티스트, 공급망 매니저 등 전략, 가치, 실행을 아우를 수 있도록 주요 분야를 통틀어 AI 운영 위원회를 수립할 것
•
AI 확장성 및 호환성 확보. 공장, 생산라인, 사업 지원 분야를 막론하고 AI가 효과적으로 확장될 수 있도록, 기 구축된 MES·ERP·산업용 IoT 시스템과 원활히 통합될 수 있는 AI 솔루션을 디자인할 것
•
명확한 AI 평가 지표 및 ROI 측정방안 정의. AI가 창출하는 가치를 명확하게 보여줌으로써 지속적인 투자를 가능하게 해야 하며 이를 위해 측정 가능한 목표 (예: 다운타임 하락, 불량 감소, 재고 정확도 개선 등)를 수립할 것

02. AX 로드맵에 대한 신뢰 유지 및 확보

•
제조 기업의 AI 도입에 있어 신뢰는 핵심적인 요소. 기업은 AI 기반의 의사결정이 합당하고 합리적으로 해석 가능함을 입증하고, 임직원과 이해관계자에게 AI 기반 자동화에 대한 확신을 빠르게 심어주기 위하여 설명 가능한 AI(Explainable AI, XAI) 구현 필요

주요 실행 과제

•
설명 가능한 AI 구현. AI 모델이 해석 가능한 의사결정 과정을 제공하고 편향 탐지 및 공정성 감사를 수행함으로써 엔지니어·현장 근로자·경영진에게 명확한 통찰을 제시할 것
•
AI 개발 시 엔지니어, 운영자, 공급망 부서의 참여 유도. AI 학습 시 현장 근로자, 생산 관리자, 구매조달 책임자를 참여시키고 피드백 체계, AI 기반 업무 흐름을 함께 설계하여 AI 도입과 신뢰 확보에 기여
•
AI 윤리와 컴플라이언스 체계 수립. 책임 있는 AI 도입을 위해 ISO 27001(보안), GDPR(데이터 보안), 산업 안전 규정과 같이 산업 내 표준에 맞춰 AI 거버넌스 프레임워크 개발
•
지속적인 검증. AI 모델에 대한 피드백 체계를 통합하여 AI 산출물에 대한 정확도와 신뢰성 제고. 신뢰할 수 있고 정확하며 투명한 AI 기능은 보다 높은 수준의 성공과 도입으로 연결)를 수립할 것
•
검증된 AI 성공 모델 제시. AI가 효율성 증진, 비용 절감, 품질 관리 제고에 어떻게 기여했는지 보여줄 수 있는 실제 사례를 공유함으로써 AI 도입에 대한 신뢰와 확신 강화

03. AI 도입을 위해 지속가능한 기술 및 데이터 인프라 구축

•
제조 기업 내 AI 도입이 성공하려면 확장 및 호환 가능하고 보안이 우수한 인프라 구축 필요
•
제조 기업은 스마트한 의사결정 자동화를 지원하기 위해 레거시 시스템을 현대화하고 흩어진 데이터 원천을 통합할 뿐 아니라 실시간 AI 통합이 가능한 기반 마련 필수

주요 실행 과제

•
AI 도입을 위한 레거시 시스템 현대화. 노후화되고 분산된 IT 시스템에서 클라우드 기반 구조로 전환 필요. 이를 통해 실시간 분석, 자동화 및 머신러닝 모델 구현을 지원할 것
•
플랫폼 간 데이터 통합 및 표준화. 통용되는 데이터 표준을 구현하고 센서, MES, 공급망 플랫폼과 고객 피드백 시스템에서 도출되는 데이터를 통합할 수 있는 데이터 레이크를 만들 것
•
보안 중심의 AI 기반 데이터 거버넌스에 투자. 데이터 무결성, 표준화, 보안 수준을 증진하면서 프라이버시 및 규제 준수에 대한 대응을 자동화 하기 위해 AI 기반 데이터 관리 도구 사용
•
지속적인 검증. AI 모델에 대한 피드백 체계를 통합하여 AI 산출물에 대한 정확도와 신뢰성 제고. 신뢰할 수 있고 정확하며 투명한 AI 기능은 보다 높은 수준의 성공과 도입으로 연결)를 수립할 것
•
엣지 AI(Edge AI) 및 산업용 IoT 도입을 통한 실시간 AI 처리 구현. 원천에 있는 데이터를 직접 처리하고 실시간으로 처리함으로써 결함을 감지할 뿐 아니라 머신러닝 기반 최적화 및 유지보수 예측 등을 실현

04. 임직원 역량 강화를 위한 AI 활용 문화 확보

•
AI는 임직원 전문성을 대체하는 것이 아니라 임직원의 역량을 증진하는 데 활용 필요
•
제조 기업은 사람과 AI가 협업하는 문화를 만들고, 임직원의 역량을 강화하며 AI가 생산성, 안전성, 의사결정을 하는 데 활용될 수 있는 기반 구축 필요

주요 실행 과제

•
AI 학습 과정을 임직원의 역량 강화 프로그램과 통합. AI 이해도를 엔지니어링, 운영, 공급망 훈련 과정에 포함시켜 임직원이 AI 기반의 자동화 및 의사결정 시스템을 활용하도록 준비시킬 것
•
제조 기업 내 전문가들의 역량 재교육 및 강화. AI 핵심역량 교육 과정을 경영진, 현장 근로자, 엔지니어, 공급망 관련 부서에 제공하여 AI 기반의 시스템과 효과적으로 협업할 수 있는 역량을 기르게 할 것
•
AI를 특정 업무를 대체하기 위한 요소가 아니라 특정 업무가 가능하게 하는 동력으로 포지셔닝. AI의 역할을 생산성을 제고하고 반복 업무를 줄이며 운영 효율성을 높이는 것으로 커뮤니케이션할 것
•
다양한 분야 간 협업 촉진. 제조 엔지니어, AI 전문가, 데이터 사이언티스트 간 파트너십을 강화하여 작업 현장 수요에 맞는 AI 솔루션을 공동으로 개발하도록 지원할 것