실제 AI 에이전트 활용 사례, 각 산업별로 어떻게 활용하고 있을까?

AI 에이전트가 일상 속에 스며들고 있습니다. AI 에이전트는 일정 관리, 자료 조사,
보고서 작성과 같은 반복 업무를 대신 처리하거나, 필요한 정보를 찾아 분석한 뒤 결과를 정리해주고 있습니다. 오픈클로, 나노클로와 같은 AI 비서가 24시간 일해주는 덕분에 많은 분들의 업무의 효율성은 높아지고 있습니다. 

그런데 AI 에이전트가 단순 사무 업무를 넘어, 특정 분야의 전문성을 갖춘다면 어떨까요?

실제 제조, 공급망, 국방, 데이터 품질 관리 등 각 산업에서 AI 에이전트가 활용되며
기업의 의사결정을 지원하고 운영 효율을 높이고 있습니다.

그렇다면 각 분야별로 기업들은 AI 에이전트를 실제 업무에 어떻게 활용하고 있을까요? 대표적인 AI 에이전트 활용 사례를 살펴보겠습니다. 이뿐만 아니라 AI 에이전트
개발자분들을 위한 특별한 노하우까지 준비했으니, 끝까지 읽어주시면 감사하겠습니다. 

각 업계별 AI 에이전트 활용 사례

제조 기업

1. 예지 보전

제조 현장에서는 수많은 설비와 생산 공정이 동시에 움직입니다. 만약 설비 하나가 갑자기 멈춘다면,  단 하루, 몇 시간일지라도 생산 차질과 비용 손실이 발생할 수 있습니다. 

이렇게 설비가 멈추기 전, AI 에이전트로 설비 상태를 실시간으로 파악해서 예방할 수 있습니다. 제조업을 위한 AI 에이전트는 설비에 부착된 센서 데이터를 지속적으로 분석하여 이상 징후를 탐지할 수 있습니다. 

예를 들어 특정 장비의 온도, 진동, 전력 사용량이 평소와 다른 패턴을 보인다면 고장 가능성을 예측하고 담당자에게 알림을 보내는 것입니다.

2. 제품 분류

다품종의 제품을 생산하는 제조 기업이라면 제품을 정확하게 분류하는 것이 중요합니다. 여기에 생산량이 많거나 같은 제품 사이에서도 그 형태가 다양할 경우, 사람이 일일이 확인하고 분류하는 데에는 한계가 있습니다. 

실제로 모 대기업은 재활용 AI를 활용해 재질별로 쓰레기를 선별하고 있었지만, 데이터 품질 문제로 인해 모델 성능 개선에 어려움을 겪고 있었습니다. 예를 들자면 같은
플라스틱이라도 재질에 따라 종류가 다양했고, 투명하거나 빛을 반사하는 물체는 AI가
제대로 인식하지 못하는 문제가 있었습니다. 또한 조금만 형태가 변형되어도 AI가
처음 보는 물체로 인식하는 경우가 발생했습니다.

이에 AI 에이전트 기반 데이터 품질 관리 플랫폼 (AADS, Agentic AI Data Scientist)으로 재활용 AI 속 데이터의 품질을 개선했습니다. 에이전트에게 데이터
편향과 부족한 학습 데이터를 분석하게 하여, 기존의 AI가 다양한 환경과 형태의 재활용품을 학습할 수 있도록 지원했습니다. 이전보다 실제 현장과 유사한 데이터를 보다
효율적으로 확보할 수 있었으며, 재활용 AI의 인식 성능과 안정성을 향상시킬 수 있었습니다. 

국방·방산 기관 및 기업 

1. 지휘 및 의사결정 지원

국방을 지키기 위해서는 전장 상황에 따라 신속하게, 적절한 전략을 수립해야 합니다. 하지만 현대 전장은 드론, 위성, 레이더, 통신 장비 등 다양한 시스템에서 방대한 양의 데이터가 실시간으로 생성되기 때문에 사람이 모든 정보를 분석하고 판단하기에는 한계가 있습니다. 아무리 그간 쌓아온 판단력이 좋더라도, 정보가 부족하다면 판단력은 힘을 잃습니다. 

이때 AI 에이전트가 도움을 줍니다. 여러 시스템의 정보를 연결지어, 통합적으로 분석하여 전장 상황을 요약합니다. 위험 요소와 우선 대응 과제를 식별하여 지휘에 도움을 줄 수 있습니다. 다양한 시나리오를 기반으로 대응 방안을 제안하는 의사결정 지원 도구로 활용될 수도 있습니다. 

2. 표적 탐지 

전장에서는 적군과 아군 등, 표적을 정확히 탐지해야 우위를 점할 수 있습니다. 정확한 탐지를 위해 국방에서도 AX 전환이 이루어지면서, 국방 AI를 도입하는 기관이 늘고 있습니다.  

그러나 국방은 다른 산업과 AI를 구축하기에 어려운 부분이 많습니다. 우선 보안 문제로 인해 실제 데이터를 수집하기 어렵습니다. 다양한 환경을 반영하여 데이터를 확보하는 데에도 많은 시간과 비용이 들어갑니다. 특히 계절, 날씨, 지형, 촬영 거리 등이 조금이라도 달라지고, AI가 이를 인식하지 못하는 상황이라면, 실제 전쟁에서 우려되는 상황이 발생할 수 있습니다. 

이에 모 국방 기관은 AI 에이전트 기반 데이터 품질 관리 플랫폼(AADS)과 합성데이터 생성 기술을 활용하여, 탱크, 트럭을 탐지하는 AI에서 부족한 데이터를 분석하고 보완했습니다. AI가 다양한 환경에서 촬영된 드론 데이터를 학습할 수 있도록 지원하고, 실제 환경과 유사한 데이터셋을 구축한 것입니다. 그 결과 해당 프로젝트에서 AI의 성능과 안정성을 향상시킬 수 있었습니다.

IT, 커머스 등 데이터로 일하는 모든 기업

1. 데이터 분석 및 인사이트 도출

데이터는 아직 다듬지 않은 원석 같은 존재라 볼 수 있습니다. 다듬지 않으면 그저 돌로 남고, 다듬으면 보석이 됩니다. 즉 수많은 데이터가 쌓여 있지만, 그 안에서 인사이트를 도출하지 못한다면 무의미합니다.

그런데 여러 시스템에 데이터가 흩어져 있거나 분석해야 할 데이터가 방대할 경우, 사람이 직접 데이터를 확인하고 의미 있는 결과를 도출하는 데에는 많은 시간이 소요됩니다.

이때 AI 에이전트는 여러 데이터 소스를 연결하여 데이터를 빠르게 분석하고, 이상
징후나 주요 패턴을 발견하는 데 활용될 수 있습니다. 또한 분석 결과를 요약하고 의사결정에 필요한 인사이트를 도출하여 담당자에게 제공할 수 있습니다.

예를 들어 특정 제품의 판매량 감소 원인을 분석하거나, 고객 이탈 가능성이 높은 집단을 찾아내거나, 데이터 품질 문제를 사전에 탐지하는 업무를 수행하는 것입니다.

2. 지속적인 데이터 품질 관리

데이터의 품질이 우수해야 해당 데이터로 수행하는 업무들의 결과도 우수해집니다.
따라서 품질 관리가 필수적인데, 데이터 특성 상 품질 관리는 한두 번의 관리만으로
끝내기 어렵습니다.

중요한 것은 데이터를 일시적으로 진단하고 개선하는 것뿐만 아니라, 데이터를 지속적으로 관찰하고 개선하며 운영하는 것입니다. 

• 특히 최근 AX(AI Transformation)를 추진하며 자사 맞춤형 AI 에이전트를 구축하려는 기업이라면 데이터 품질 관리의 중요성은 더욱 커집니다. AI 에이전트는
  기업 내부 데이터를 기반으로 판단하고 행동하는데, 데이터의 품질이 떨어진다면 AI 에이전트 역시 잘못된 판단을 내릴 가능성이 높아집니다. 

• 또한 데이터 품질을 진단하고 개선하기 위해서는 데이터 과학자의 전문적인 분석과 반복적인 작업이 필요했습니다. 자사에 데이터 전문가가 없는 기업은 이를 보완하기 위해 데이터 솔루션을 도입하더라도, 데이터를 지속적으로 운영하고 최적화하는 데 어려움을 겪는 경우가 많았습니다. 

그래서 새로운 방식이 등장하고 있습니다. 데이터 품질 관리 업무 자체를 AI 에이전트가 수행하는 것입니다. AI 에이전트가 데이터를 지속적으로 모니터링하고, 품질 문제를 발견하고, 개선이 필요한 영역을 분석하는 것입니다. 

따라서 데이터 인프라 그룹 페블러스는 자율형 AI 데이터 과학자인 AADS(Agentic AI Data Scientist)를 개발했습니다. 데이터 과학자로서의 전문성을 갖춘 데이터 품질 관리에 특화 AI 에이전트로, 데이터셋에 대한 품질 진단, 데이터 개선, 재평가까지 데이터 관리 전 과정을 자율적으로 수행하는 AI 에이전트입니다.

• 먼저 AADS는 데이터 그린하우스(Data Greenhouse) 라는 운영 체제 속에서 움직입니다. 데이터 그린하우스는 AADS가 데이터를 진단·개선하고, 페블로심이 부족한 데이터를 생성하며, 결과를 다시 검증하는 AI 에이전트 기반 데이터 운영 환경입니다. 

• 사용자가 데이터셋을 업로드하면 먼저 데이터의 구조와 특성을 분석합니다. 이 과정에서 데이터셋으로부터 온톨로지와 데이터 구조를 자동으로 추출하고, 데이터의
  특성에 가장 최적화된 데이터 렌즈(Lens)를 스스로 선택합니다. 이후 데이터의
  중복, 오류, 편향, 부족한 데이터를 진단한 뒤 알맞은 개선 전략을 결정합니다.

• 또한 AADS는 데이터셋의 품질을 유지하면서 불필요한 데이터를 줄입니다. 이른바 데이터 다이어트(Data Diet) 기능을 수행하는 것입니다. AI 모델 성능에 미치는
  영향을 분석하여 어떤 데이터를 유지하고 어떤 데이터를 줄여야 하는지를 자율적으로 판단하는 것이죠. 데이터의 규모를 필요한 만큼만 유지하면서도, 학습 성능과
  운영 효율을 함께 높일 수 있습니다. 실제 처방 과정에서는 여러 후보 구성을 비교
  분석하고, 성능 변화까지 예측하여 최적의 데이터 구성을 제안합니다.

• AI 에이전트는 데이터 벌크업, 합성 데이터 생성 과정까지 자동으로 해냅니다. 그 과정에서 페블로심(PebbloSim)이 사용됩니다. 페블로심은 데이터 그린하우스 위에서 동작하는 AI 에이전트 기반 합성데이터 생성 도구입니다. AADS가 분석한 결과를 바탕으로 부족한 데이터를 보완하기 위해, 다양한 환경을 반영한 정밀 타게팅 학습 데이터를 생성하여 AI 모델이 실제 업무 환경에서도 안정적으로 동작할 수 있도록 지원합니다. 

• AI 에이전트는 데이터를 한 번 개선한 이후에도 또다시 데이터 품질을 재평가하고, 다시 개선합니다. 끊임 없이 변화하는 데이터 환경에 걸맞게, 데이터 품질을 지속적으로 관리하는 것입니다.

• ISO/IEC 5259-2 기반 데이터 품질 평가 체계를 활용한 자율 진단 기능도 지속적으로 고도화하고 있습니다. 나아가 KOLAS 인정 수준의 품질 평가 체계를 AI 에이전트가 수행할 수 있도록 연구를 진행하고 있으며, 기업은 데이터 품질을 일회성으로 점검하는 것이 아니라 지속적으로 모니터링하고 개선하는 체계를 구축할 수 있습니다.

원리도 중요하지만, 실제 어떤 결과물을 내는지가 중요합니다.

과거에는 걸음마 수준이었지만 현재 AADS는 다릅니다. 이제 데이터셋 다운로드에서 진단과 다이어트, 그리고 재진단까지 에이전트 기반으로 완전히 자율적으로 수행될
정도로 성능이 높아졌습니다. 

AADS는 과학기술정보통신부 글로벌 빅테크 개발사업으로 선정되어, 3개년 연구개발 과제의 일환으로 개발되고 있습니다. 아래 성과는 프로젝트 1차 연도에 달성한 주요
결과입니다.

• ISO/IEC 5259 기반 데이터 품질 지수 88점 달성

• 100개 이상 태스크 수행 성공률 95%

• ISO 42001 Annex A 로그 충족률 80%

• 데이터 품질 관리 업무 시간 30% 단축

• ChatGPT-4o 수준의 약 90% 정확도 달성

AI 에이전트 기반 합성데이터 생성 도구 페블로심을 통해 합성데이터를 생성한 실제
기업 사례도 일부 공개합니다.

• A사(모빌리티): 데이터 취득 시간을 15일에서 1시간 이하로 단축, AI 모델 성능 약 200% 향상

• B사(가상 아이돌): 약 15% 경량화만으로 학습 시간 1주일에서 1일로 단축, 학습 기간을 무려 7배나 단축했습니다.  

‘AI 에이전트’만 보느라, 많은 분들이 놓치고 있는 사실

지금까지 AI 에이전트 활용 사례를 읽어보시면서, 자연스럽게 AI 에이전트 그 자체에만 주목하셨을 수 있습니다. 최근 AX(AI Transformation)를 추진하며 자사에 맞는 AI 에이전트를 도입하거나 개발하려는 기업들이 늘고 있습니다. 

실제로 각 산업에서 성과를 내고 있는 AI 에이전트 뒤에는 공통적으로 '건강한 데이터'가 있습니다.

페블러스가 이 문제에 대해 분석한 결과, AI 모델 자체의 문제도 있겠지만 데이터 품질에서 문제가 비롯되는 경우가 많다고 판단했습니다. AI 에이전트는 기업의 데이터와 지식을 기반으로 판단하고 행동합니다. AI 에이전트의 근간이 되는 데이터가 부족하거나 중복, 오류 데이터가 많다면? AI 에이전트의 성능 역시 떨어질 수밖에 없습니다. 

믿을 수 있는 AI 에이전트를 개발하기 위해 어떻게 데이터의 품질을 관리해야 할까요?

AI 에이전트는 재고를 확인하고, 배송 지연 가능성을 분석하고, 담당자에게 알림을
보내는 등 여러 단계를 거쳐 업무를 수행하기 때문입니다. 

그러면 데이터의 관계, 맥락의 중요성을 세부적으로 알아보겠습니다. 

1. 데이터 간의 관계를 연결해야 합니다.

AI 에이전트를 개발하려는 분들께서 이렇게 질문을 주십니다. 

“이번에 개발한 AI 에이전트가 계속 오류를 내는데 어떻게 해야 하나요?”

“가진 데이터는 많은데 왜 AI 에이전트가 제대로 작동하지 않는 걸까요?”

그 해답이 여기에 있습니다. 쉽게 예를 들어, 물류 공급망을 위한 AI 에이전트에게 이런 업무를 준다고 가정해보겠습니다. 

“배송 지연이 예상되는 주문을 찾아 우선순위를 정하고 필요한 후속 조치를 해줘.”

AI 에이전트가 단일 데이터만 보면 해당 업무에 대한 해결책을 알지 못합니다. 주문자 이름만 보거나, 후속 조치 전략을 개별적으로만 보면 업무를 처리할 수 없다는 뜻입니다. 

AI 에이전트는 고객, 주문, 제품, 재고 정보를 종합적으로 분석해야만 현재 상황을 파악할 수 있습니다. 그리고 이렇게 업무를 처리합니다. 

• 김OO 고객이 주문한 ㅁㅁ 제품이 재고 부족으로 인해 O일 정도 배송이 지연될
  가능성이 있습니다.

• ㅁㅁ 제품에 대한 추가 발주가 필요하여, 추가 발주를 진행하겠습니다.

• 김OO 고객에게 배송 지연에 대한 사과 메시지 & 할인 쿠폰을 전달하겠습니다.

이처럼 AI 에이전트에게 개별 데이터만이 아니라 데이터의 관계까지 명확하게 알려주어야 올바르게 일처리를 할 수 있습니다. 

2. 데이터의 의미와 맥락도 이해해야 합니다

또한 AI 에이전트가 정확한 판단을 내리기 위해서는 데이터의 의미와 맥락까지 이해할 수 있어야 합니다. 

기업을 예로 들자면, 같은 제품이라도 부서마다 다른 명칭으로 부르거나, 동일한 고객을 여러 시스템에서 서로 다른 방식으로 관리하는 경우도 존재합니다.

좀 더 구체적으로 설명해볼까요? 기업 내부에서 사용되는 '승인'이라는 용어는 상황에 따라 다른 의미를 가질 수 있습니다.

• 구매 승인

• 보안 승인

• 결재 승인

만약 특정 업무를 승인해달라고 했을 때, 맥락을 이해하지 못하고 구매 승인이 아니라 보안 승인을 해버리면 어떻게 될까요? 보안이 위험해질 수 있습니다.

사람은 맥락을 통해 자연스럽게 구분할 수 있지만, AI 에이전트는 이러한 기준이 정의되어 있지 않다면 잘못된 의미로 해석할 수 있습니다. 사람의 맥락을 AI 에이전트에게 학습시켜주어야 하는 것입니다.

해결책은 ‘온톨로지’

팔란티어 등 전 세계의 엔터프라이즈 기업들이 AI 개발 시 주목하고 있는 그 개념,
맞습니다.

AI 에이전트의 성능을 높이고 싶다면 온톨로지 구축이 중요합니다. 하지만 온톨로지를 만들었다고 해서 AI 에이전트가 똑똑해지는 것은 아닙니다. 

데이터 간 관계가 누락되어 있지는 않은지, 업무 맥락이 제대로 반영되어 있는지, 실제 현업에서 사용하는 용어와 개념이 정확하게 정의되어 있는지 지속적으로 검증해야 합니다.

이 과정을 거쳐야만 AI 에이전트가 기업의 업무 프로세스를 이해하고, 사람처럼 맥락을 고려하여 판단할 수 있게 되는 것입니다.

이처럼 페블러스는 실제로 AI 자율형 데이터 과학자인 AADS를 개발하고 운영하며, 고객사의 데이터를 진단하고 개선해오고 있습니다. 

앞으로 AX 전환을 추진하며 자사 맞춤형 AI 에이전트를 구축하려는 기업이라면, 먼저 믿을 수 있는 데이터, 온톨로지를 가지고 있는지 점검해보시길 바랍니다. 

AI 에이전트를 도입했는데, 정작 AI 에이전트가 제대로 일할 수 있는 데이터 환경이 없다면 AI 에이전트는 오류만 발생시킵니다. 

AI 에이전트 도입과 데이터 품질 관리에 대해 고민하고 계신다면, 실제 업무 현장에서 AI 에이전트를 개발 및 도입한 데이터 인프라 그룹 페블러스와 함께 현재 데이터 환경을 진단해 보시기 바랍니다. AI 에이전트에 대한 이해도, 데이터에 대한 이해도 모두 높은 기업으로서, 최선의 해결책을 보여드리겠습니다.