An Applicability Study of LLM-Based Agentic Flow for Manufacturing Automation: AGV Control and Data Preprocessing Scenarios

제조 환경 자동화를 위한 LLM 기반 Agentic Flow 적용 가능성 연구 : AGV 제어 및 데이터 전처리 시나리오를 중심으로

Abstract

This study analyzes the limitations of conversational large language models (LLMs) such as ChatGPT and evaluates the potential of applying the Agentic Flow approach an autonomous multi-step task execution framework to manufacturing automation scenarios. In the first scenario, involving the development of an autonomous guided vehicle (AGV) module within a factory, the use of LLM agents to support code generation and testing was shown to improve the efficiency of repetitive tasks. Compared to using the GPT-4o API, the user’s active working time decreased from 10.8 minutes to 0.8 minutes (92.6% reduction), and the unit test pass rate increased from 87.5% to 95.8%. In the second scenario, focused on preparing image data for a quality inspection AI system, the agent effectively performed the data collection and organization workflow. When processing 1,247 files, user working time was reduced from 7.6 minutes to 0.5 minutes (93.4% reduction), while processing accuracy improved from 96.4% to 99.2%. These results suggest that the Agentic Flow approach can enhance task quality in manufacturing environments.

본 연구는 ChatGPT와 같은 대화형 LLM의 한계점을 분석하고, 복잡한 작업을 여러 단계에 걸쳐 자동으로 수행하는 Agentic Flow를 제조 환경 자동화 시나리오에 적용하여 그 가능성을 평가한다. 첫 번째 시나리오는 공장의 자율주행 AGV 모듈 개발 상황에서 LLM 에이전트를 활용해 코드 생성 및 테스트를 지원하여 반복 작업의 효율성을 향상 시킬 수 있음을 확인하였다. GPT-4o API 단독 사용 방식과 비교하여 사용자 작업 시간이 10.8분에서 0.8분으로 92.6% 감소하였으며, unit test 통과율은 87.5%에서 95.8%로 향상되었다. 두 번째 시나리오는 품질검사 AI 시스템을 위한 이미지 데이터 준비 과정에서 에이전트가 데이터 수집 및 정리 workflow를 효과적으로 수행할 수 있음을 검증하였다. 1,247개 파일 처리 시 사용자 실작업 시간을 7.6분에서 0.5분으로 93.4% 감소되고, 정확도는 96.4%에서 99.2%로 향상되었다. 이러한 결과를 통해 제조 환경에서 Agentic Flow 접근법의 작업 향상 가능성을 확인하였다.

1. 서론

4차 산업혁명 시대로 접어들면서 제조업은 디지털 전환을 통해 근본적인 변화를 겪고 있다. 특히 스마트 팩토리는 단순한 자동화를 넘어, 지능형 시스템이 생산 전반을 최적화하는 미래 제조의 핵심 패러다임으로 자리 잡고 있다. 이처럼 복잡하게 얽힌 스마트 팩토리에서는 수많은 설비, 센서, 제어 시스템이 서로 긴밀히 연결되어 있으며, 이로 인해 실시간 데이터 기반의 의사결정이 핵심 과제로 부상하고 있다. 이러한 과정에서 AI (Artificial Intelligence)의 역할은 점점 더 중요해지고 있다[1]. 최근에는 대규모 언어 모델(LLM, Large Language Model)의 급속한 발전과 더불어, LLM에 다양한 역할을 부여해 자율적으로 작업을 수행하는 에이전트(Agent)에 대한 관심이 빠르게 증가하고 있다. 해당 기술은 자연어 이해와 생성 능력을 기반으로 사람과 유사한 수준의 추론을 수행할 수 있어, 제조 현장의 다양한 문제 해결에 새로운 접근법을 제시하고 있다. 특히 LLM이 단순한 질의응답 도구를 넘어, 복잡한 작업의 맥락을 이해하고 실제로 수행할 수 있는 역량을 갖추게 되었다는 점은 주목할 만 하다[2]. 그러나 현재 산업 현장에서의 LLM 활용은 여전히 ChatGPT와 같은 대화형 인터페이스 수준에 머물러 있으며, 주로 작업자가 질문을 입력하고 답변을 받는 방식에 의존하고 있다. 이러한 형태는 정보 검색이나 단순한 문제 해결에는 유용하지만, 자동화 설비 프로그래밍, 품질 데이터 분석, 공정 최적화 등과 같은 복잡한 제조 작업에는 여러 한계를 드러낸다. 특히 연속적인 작업 수행이나 자동화 설비 라인에 사용되는 로봇과의 상호작용이 필요한 경우, 매 단계마다 사용자의 개입이 요구되어 비효율이 발생한다. 이러한 한계를 극복하기 위해 최근 주목받고 있는 개념이 ‘에이전틱 플로우(Agentic Flow)’이다. 이 개념은 LLM을 단순한 응답 생성 용도가 아닌 자율 에이전트로 활용함으로써, 주어진 목표를 달성하기 위한 계획 수립, 도구 활용, 중간 결과 평가 및 수정 등의 일련의 과정을 스스로 수행할 수 있도록 하는 접근 방식이다. Agentic Flow는 사람의 개입을 최소화하면서도 복잡한 작업 흐름을 효율적으로 처리할 수 있는 가능성을 보여주고 있다[3]. 본 연구에서는 이러한 Agentic Flow의 개념적 기반과 기술적 구성 요소를 살펴보고, 이를 실제 제조 현장의 문제 해결에 어떻게 적용할 수 있을지에 대한 연구를 진행한다. 특히 두 가지 제조 환경에서의 시나리오를 통해 그 가능성을 구체적으로 검토한다. 첫 번째는 공장 내 자율주행 AGV(Automated Guided Vehicle) 모듈 개발 과정에서의 코드 생성 및 테스트 자동화 방안이며, 두 번째는 비전 기반 품질검사 시스템을 위한 이미지 데이터 수집 및 구조화 지원에 대한 활용이다.

2. 연구 배경

2.1 제조 분야 관련 국내 특허 및 연구 동향

최근 제조 분야에서는 인공지능 기반 자동화를 위한 다양한 특허가 출원되고 있다. KR20230072853A는 시계열 데이터를 이미지로 변환해 자동 전처리하는 장치를 제안하여, 제조 데이터 준비 단계의 효율화를 실현하였다[4]. 또한 KR102796694B1은 가중치 데이터를 인코딩·블록화하는 전처리 장치를 제시하여 AI 학습 데이터의 품질 향상을 지원한다[5]. KR20220096754A는 디지털 트윈 객체에 학습 모델을 연결한 디지털 트윈 에이전트 구조를 제안하였고[6], KR101866637B1은 IoT 센서를 활용한 스마트 게이트웨이형 자동 제어 시스템을 제시하였다[7]. 이러한 특허들은 제조 데이터 전처리, 실시간 제어, 예측·피드백 자동화 등 본 연구의 Agentic Flow 아키텍처가 지향하는 지능형 자동화 구조와 직접적인 관련이 있다. 한편, 학술 연구 또한 국내에서도 연구가 활발히 진행되고 있다. [8]연구는 AI 기반 멀티 에이전트 시스템 제조 환경 도입 방법론을 통해 요구분석부터 제어·모니터링, 레거시 시스템 통합에 이르는 6단계 구현 절차를 제시하였으며,[9]연구는 MCP 기반 AAS-디지털 트윈 통합 모델을 제안하여 지능형 제조 공정에서 멀티 에이전트와 디지털 트윈을 결합한 아키텍처의 타당성을 입증하였다. 이러한 연구들은 제조 현장에서 AI 기반 Agentic Flow가 적용될 수 있는 학술적 근거와 기술적 기반을 함께 제공한다.

2.2 LLM 기반 Multi Agent 시스템

그림 1은 LLM의 자연어 처리 능력에 기반한 에이전트 시스템이다. 이러한 시스템은 LangChain, LangGraph와 같은 프레임워크를 활용하여 다중 에이전트 기반의 워크플로우를 구성하고, 각 에이전트가 독립적으로 작업을 수행하며 중간 결과를 공유하거나 평가하는 방식으로 설계된다[10],[11]. 이로 인해 기존 AI의 단순 응답으로 해결하기 어려웠던 복잡한 작업 시나리오에서도 효율적이고 능동적인 문제 해결이 가능해졌다.

그림 1. Agent기반 시스템

Fig. 1. Agent-based systems

2.3 LLM의 등장 및 활용

4차 산업혁명과 함께 제조업은 디지털 전환을거치며 스마트 팩토리라는 새로운 패러다임으로 전환되고 있다. 이러한 전환의 핵심에는 AI 기술이 자리하고 있으며, 특히 최근에는 LLM을 기반으로 한 연구가 활발하게 논의되고 있다. LLM은 특히 비정형 데이터 해석 능력과 맥락 이해 능력을 바탕으로 제조업 내 새로운 자동화 시스템의 핵심 기술로 부상하고 있다. 기존의 전통적인 자동화 시스템이 구조화된 데이터를 기반으로 작동했다면, LLM은 자연어로 기록된 작업지시서, 품질 리포트, 유지보수 이력 등의 데이터를 분석하여 실질적인 응답을 제공할 수 있다. 이러한 특성은 복잡한 문제 해결과 전문가 수준의 의사결정에 강점을 가지며, 제조 현장에서는 이를 통해 운영 효율성 향상과 자원 낭비를 최소화 할 수 있는 효과를 기대할 수 있다[12].

2.4 Agentic Flow의 개념 및 구조

Agentic Flow는 LLM 기반 에이전트를 자율적 의사결정 주체로 활용하여 작업 흐름의 자동화를 실현하는 접근 방식으로 주목받고 있다. 해당 접근은 아래 그림 2와 같이 목표 달성을 위한 계획 수립, 외부 도구 호출, 피드백 기반 재수정을 포함하는 일련의 복합적인 작업 체계를 스스로 구성하고 실행하는 것이 특징이다. 특히 제조업 환경에서는 이러한 에이전틱 시스템이 전통적 자동화 방식으로는 달성하기 어려운 적응형 제조 프로세스를 구현할 수 있다. Agentic Flow의 작동 원리는 그림 2와 같이 입력/요청에서 시작하여 목표 달성까지의 순환적 프로세스로 구현된다. 사용자의 입력이 들어오면 시스템은 상황을 인식하고 목표를 설정한 후, 이를 달성하기 위한 계획을 수립한다. 계획 실행 후 목표 달성 여부를 평가하며, 목표가 달성되지 않았을 경우 최종 보고/완료 대신 계획을 재조정하여 다시 시도하는 반복적 개선 사이클을 형성한다. 이러한 구조는 제조 환경에서의 복잡한 의사결정과 작업 수행 과정을 자율적으로 관리할 수 있는 구조이다. 이러한 구조를 바탕으로 최근 연구는 복수의 AI 에이전트가 협력하고 반복적 개선을 수행하는 프레임워크가 제안되었으며, 이는 제조와 같은 복잡 환경에서도 효율적인 문제 해결 가능성을 제시한다[13].

그림 2. Agentic Flow 워크플로우

Fig. 2. Work Flow of Agentic Flow

2.5 Agentic Flow와 기존 LLM

Agentic Flow란 LLM을 중심으로 한 AI 에이전트가 일련의 작업을 능동적으로 수행하도록 설계된 워크플로우를 의미한다[14]. 전통적인 단일 AI 모델(예: ChatGPT)이 주어진 질문에 답변을 생성하는 수동형 처리와 달리, Agentic Flow에서는 에이전트가 목표를 인식하고 계획을 세워 일련의 행동을 연속 수행한다. Agentic Flow 시스템에서 개별 에이전트는 필요에 따라 도구(tool), 리소스(resource)를 사용하거나 다른 하위 모델과 협업하며[15], 메모리를 통해 상태를 유지하고, 플래닝 모듈을 통해 다음 행동을 결정하는 구조이다. 요약하면, Agentic Flow는 생각(thought)에서 행동(action)으로의 전환을 구현한 것으로, 복잡한 문제를 여러 단계로 나누어 해결하고 각 단계를 자동으로 진행하도록 하는 AI 워크플로우 자동화 기술이다[16]. International Institute for Analytics(IIA)의 보고서에 따르면, 이러한 아키텍처에서 각 에이전트는 특정 도구에 연결된 LLM 인스턴스로서 서로 통신하며 분업한다[17]. 이처럼 계층화된 시스템 구조를 통해 단일 LLM 대비 복잡한 제조 현장의 과제들을 효율적으로 처리할 수 있으며[18], 특히 각 계층과 모듈이 명확히 구분되어 유지보수와 확장이 용이하다는 장점이 있다. Agentic Flow가 제안되는 배경에는 기존 챗봇 기반 LLM 활용의 한계를 극복하기 위함이다. 기존의 LLM은 사용자가 명령을 내리면 그에 대한 응답은 제공할 수 있지만, 스스로 새로운 목표를 설정하거나 외부의 다양한 프로그램 및 장비와 실시간으로 소통하지는 못한다. 반면 Agentic Flow에서는 에이전트 스스로 계획 → 실행 → 피드백 → 수정의 사이클을 반복하며 목표 달성을 위해 지속적으로 접근한다. 예를 들어, 하나의 에이전트가 문제를 분석하여 계획을 수립하면, 다른 에이전트(또는 같은 LLM의 다른 단계)가 그 계획에 따라 작업이나 장비를 제어할 수 있다. 특히 이 과정에서 외부 도구 사용(설비 제어 코드 생성기, 공정 데이터 분석기, MES 시스템 연결기,IoT 센서 데이터 수집기, 비전 시스템 처리기 등)이 필요하면 에이전트가 직접 호출하여 정보를 얻거나 실시간 이상 탐지와 같은 능동적 행동을 수행한다. 이러한 자율적인 상호작용을 위해 Open Manus와 같은 구현체는 사전에 정의된 다양한 도구들을 LLM이 실행할 수 있도록 준비해 두고, 필요한 도구들을 통해 복잡한 작업을 처리할 수 있다.

표 1에서 볼 수 있듯이, 기존의 대화형 LLM 활용 방식과 Agentic Flow 기반 접근법 사이에는 명확한 차이가 존재한다. 우선 문제 해결 방법 측면에서 기존 대화형 LLM은 사용자의 질문에 개별적인 응답을 제공하는 수동적 방식인 반면, Agentic Flow는 에이전트가 목표 인식, 계획 수립 및 연속적인 작업 수행을 스스로 관리하는 자동화 방식이다. 또한 작업 수행 형태에서도 기존 LLM은 개별 응답 중심의 단편적 처리 구조로 인해 복잡한 연속적 작업을 처리하는 데 한계가 있지만, Agentic Flow는 계획–실행–평가–수정으로 구성된 연속적인 워크플로우를 통해 복잡하고 반복적인 작업을 효율적으로 처리할 수 있다. 특히 제조 환경과 같은 고도로 복잡하고 실시간성이 요구되는 분야에서는 단순한 LLM의 질의응답 기능만으로는 한계가 명확하다. 생산 라인의 제어, 품질 데이터의 실시간 분석, 비정형 정보의 해석 등과 같은 작업에서는 에이전트가 주체가 되어 지속적인 학습과 판단, 도구 활용을 병행해야 한다. 이러한 관점에서 Agentic Flow는 단순한 도구가 아닌, 자율적 작업 수행자(Autonomous Worker)로서 기능하며, 작업자의 의존도를 낮추고 시스템 전반의 자동화를 실현할 수 있는 실질적인 수단이 된다. 또한 Agentic Flow는 단일 에이전트뿐 아니라, 다중 에이전트 협업 구조를 바탕으로 더욱 확장된 활용이 가능하다. 예를 들어, 제조 데이터 분석을 담당하는 에이전트와 설비 제어 코드를 작성하는 에이전트가 서로 협력하여 문제를 해결할 수 있으며, 이 과정에서 중간 결과를 평가하거나 조율하는 조정 에이전트(mediator agent)가 개입할 수도 있다. 이러한 구조는 복잡한 문제를 다층적으로 접근하고 해결할 수 있는 강력한 프레임워크를 제공한다. 결론적으로 Agentic Flow는 단순한 기술적 발전을 넘어, 기존 LLM 중심의 AI 사용 패러다임을 구조적으로 전환할 수 있는 가능성을 제시하며, 특히 제조업과 같은 고난도 업무 환경에서 큰 효용성을 발휘할 수 있다. 이와 같은 자동화 프레임워크의 발전은 향후 산업 현장의 생산성 향상, 품질 개선, 작업자 부담 완화 등 다방면의 긍정적인 영향을 미칠 것으로 기대된다. 더불어 Agentic Flow는 반복 수행을 통해 축적된 작업 이력을 기반으로 점진적으로 실행 전략을 최적화할 수 있다. 이는 단순 응답형 LLM과 달리, 시간 경과에 따라 성능이 향상되는 자기 개선(self-improving) 구조를 가능하게 한다. 또한 시스템 구조가 모듈화되어 있어 특정 제조 환경에 맞춰 도구나 에이전트를 유연하게 교체하거나 확장할 수 있다는 점도 실무적 강점으로 작용한다. 결과적으로 Agentic Flow는 지능적 자동화의 핵심 구성 요소로서, 향후 스마트 팩토리 전환을 위한 실질적인 기반 기술로 주목받고 있다. 또한 Agentic Flow는 사용자 피드백을 반영해 작업 흐름을 실시간으로 조정할 수 있어, 예기치 않은 상황에도 유연하게 대응할 수 있는 구조적 강점을 가진다. 이러한 특성은 고도화된 제조 환경에서의 안정성과 확장성을 동시에 만족시키는 핵심 요소로 평가된다. 결과적으로 Agentic Flow는 지능적 자동화의 핵심 구성 요소로서, 향후 스마트 팩토리 전환을 위한 실질적인 기반 기술로 주목받고 있다. 따라서 본 연구에서는 이러한 Agentic Flow를 실제로 구현하기 위해 Open Manus 프레임워크를 활용하였다.

표 1. Agentic Flow 기반 접근과 기존 LLM 활용 방식의 비교

Table 1. Comparison between Agentic Flow-based approach and conventional LLM utilization methods

3. 제조 환경 특화 Agentic Flow 아키텍쳐

그림 3에서는 제조 환경에 특화된 AgenticFlow 아키텍처를 계층적으로 제시하였다. 이 아키텍처는 사용자 인터페이스 레이어에서부터 제조환경 연결 레이어까지 레이어별로 구성되어 있으며, 각 레이어들은 특정 기능을 담당하며 유기적으로 연결된다. 첫 번째 사용자 인터페이스 레이어는 사용자 인터페이스, 자연어 인터페이스, 응답 생성기로 구성되어 작업자와 시스템 간의 상호작용을 담당한다. 이를 통해 작업자는 자연어로 시스템에 요청을 전달하고, 시스템의 응답을 받을 수 있다. 두 번째 계층은 Agentic Flow 코어 레이어로, 인텐트 매니저에서 시작하여 태스크 매니저, 메모리 매니저를 거쳐 피드백 매니저로 이어지는 순차적 처리 흐름을 갖는다. 인텐트 매니저는 사용자의 의도를 파악하고, 태스크 매니저는 세부 작업을 계획하며, 메모리 매니저는 이전 작업과 결과를 저장하고, 피드백 매니저는 결과를 평가하여 개선점을 찾는 역할을 담당한다. 이 네 가지 매니저의 유기적 연결을 통해 복잡한 작업을 효율적으로 처리할 수 있다. Agentic Flow 코어 내부에는 에이전트 컴포넌트가 포함되어 있다. 이 컴포넌트는 행동 계획, 실행 파이프라인, 콘텍스트 관리, 상태 프로 세싱 등의 핵심 기능을 제공한다. 행동 계획은 목표 달성을 위한 구체적 단계를 수립하고, 실행 파이프라인은 계획된 작업의 순차적 실행을 관리하며, 컨텍스트 관리는 작업 환경과 조건에 대한 정보를 유지하고, 상태 프로세싱은 현재 시스템과 작업의 상태를 모니터링한다. 이러한 에이전트 컴포넌트는 Agentic Flow 코어의 지시에 따라 실질적인 작업을 수행하는 실행 엔진 역할을 한다. 세 번째 레이어는 도구 통합 레이어로, 제조 환경에 필요한 다양한 도구들을 통합 관리한다. 해당 레이어는 도구 컨트롤러와 도구 레지스트리를 통해 도구 접근과 관리를 체계화하며, 웹 검색, 웹 브라우징, 코드 작성, 파일 시스템, API, 데이터베이스 등의 기본 도구를 제공한다. 특히 점선으로 표시된 영역에는 제조 특화 도구인 설비 제어 코드 생성기, 공정 데이터 분석기, MES 시스템 연결기, IoT센서 데이터 수집기, 비전 시스템 처리기 등이 포함된다. 이러한 특화 도구들은 제조 환경에서 Agentic Flow가 실질적인 가치를 창출할 수 있는 핵심 요소이다. 마지막 레이어는 실제 제조 환경과의 인터페이스로, MES, SCADA, 공정 로봇, IoT 센서 등 스마트 팩토리의 다양한 시스템 및 장비와 연결된다. 해당 레이어를 통해 상위 레이어에서 계획되고 실행된 작업이 실제 제조 현장에 적용되어 물리적 변화를 만들어냄으로써 생산 프로세스의 효율성을 향상시킨다. 이러한 레이어별로 분리되어 설계된 아키텍처는 앞서 설명한 Agentic Flow의 개념을 제조 환경에 적용하기 위한 구체적인 구현 방안을 제시한다. 특히 각 레이어 간의 명확한 역할 분담과 효율적인 정보 흐름 제어를 통해 복잡한 제조 작업을 효율적으로 자동화할 수 있는 기반을 마련한다. 본 절에서 제시한 아키텍처는 다음 절에서 소개할 자율주행 AGV 모듈 개발과 품질검사 AI 시스템 구축 시나리오의 기술적 기반이 된다.

그림 3. 제조 환경에서의 Agentic Flow 적용 방안

Fig. 3. Implementation Strategies for Agentic Flow in Manufacturing Environments

4. 제조 환경에서의 Agentic Flow 활용 방안

본 장에서는 제조 환경의 두 가지 시나리오를 통해 Agentic Flow의 활용 가능성을 검증한다. 4.1절에서는 실험 환경을 제시하고, 4.2절과 4.3절에서 각각 AGV 제어 모듈 개발과 데이터전처리 자동화 시나리오를 다룬다.

4.1 실험 환경 및 방법론

4장에서 제시되는 두 시나리오에 공통으로 적용된 실험 환경은 표 2와 같다.

표 2. 실험 환경 구성

Table 2. Hardware and System Specifications

모든 실험은 각 방식(GPT-4o API, Agentic Flow)으로 5회 반복 수행하고 평균±표준편차를 산출하였다. GPT-4o API 방식은 사용자가 프롬프트를 입력하고 응답받은 결과를 수동으로 저장·실행하는 방식이며, Agentic Flow 방식은 Open Manus 프레임워크를 통해 초기 명령 1회 후 전체 프로세스를 자동 실행하도록 구성하였다.

4.2 자율주행 AGV 제어 모듈 개발 활용 시나리오

4.2.1 기존 접근 방식

AGV(Automated Guided Vehicle)는 공장 내 자재 운반 등에 활용되는 자율주행 로봇으로, 스마트 팩토리 구현에 핵심적인 요소이다. 새로운 AGV를 도입하거나 개발할 때는 이 로봇이 주행 경로를 따라 장애물을 피하면서 이동하도록 자율주행 제어 소프트웨어를 작성해야 한다. 전통적으로는 로봇 공학 전문가가 차량의 센서 입력과 모터 제어 로직을 프로그래밍하고, 시뮬레이터나 테스트 환경에서 반복 실험을 거쳐 성능을 개선한다. 이 과정에서 전문적인 코딩 지식과 많은 시간이 필요하며, 코드에 버그가 있으면 개발자가 직접 원인을 분석하고 수정해야 한다. ChatGPT와 같은 기존 LLM을 활용한다면, 개발자가 로봇의 주행 로직에 대해 질문하여 코드 예시를 얻을 수는 있다. 하지만 ChatGPT가 반환한 코드 조각을 실제로 로컬 환경에서 실행하여 테스트하는 일은 개발자 몫이다. 만약 ChatGPT가 생성한 코드에 오류가 있거나 성능 개선이 필요하면, 사용자가 직접 그 결과를 확인한 후 다시 챗봇에게 수정 요청을 보내야 한다. 이러한 수동 반복 작업은 번거로울 뿐 아니라, LLM이 맥락을 충분히 기억하지 못하면 매번 세부사항을 다시 설명해야 하는 비효율적인 상황이 발생한다.

4.2.2 Agentic Flow 기반 AGV 제어 모듈 개발

표 3은 Agentic Flow를 활용한 AGV 제어 모듈 자동 개발의 5단계 워크플로우를 나타낸다. 이 프로세스는 사용자의 초기 자연어 명령 (Phase 1)을 시작점으로, Planner-Executor-Evaluator로 구성된 3개의 에이전트가 순차적이면서도 반복적으로 작업을 수행하는 구조이다. Phase 1에서 작업자는 "상태전이를 포함한 Python AGV 제어 모듈 작성"과 같은 고수준(high-level)의 자연어 요구사항을 입력하며, 이는 코드 작성 문법이나 세부 구현 방식에 대한 전문 지식 없이도 시스템과 상호작용할 수 있는 인터페이스를 제공한다.

표 3. Agentic Flow를 활용한 AGV 제어 모듈 코드 작성

Table 3. AGV Control Module Code Generation with Agentic Flow

Phase 2에서 Planner Agent는 이 요구사항을 분석하여 작업을 세부 단위로 분해하고(Task Decomposition), 필요한 파일 구조(agv_control.py, README.md)를 설계하며, 각 단계에서 사용할 도구(code_writer, file_manager, unittest_runner)를 선택하는 실행 계획을 수립한다. Phase 3에서 Executor Agent는 계획에 따라 code_writer 도구를 통해 Python 코드를 생성하고, file_manager를 통해 로컬 파일 시스템에 직접 저장한다. 이는 기존 대화형 LLM에서 사용자가 수동으로 수행해야 했던 복사-붙여넣기 작업을 자동화한 것이다. Phase 4의 Evaluator Agent는 unittest_runner를 실행하여 생성된 코드를 자동으로 검증하며, 표 3의 사례에서는 12개 테스트 중 12개가 통과하고 코드 커버리지 94%를 달성하였다. 만약 테스트 실패 시, Evaluator는 실패 원인을 분석하여 "상태전이 로직 오류" 또는 "쓰레드 안전성 문제"와 같은 구체적인 피드백을 생성하고, 이를 Planner Agent에 전달하여 Phase 2로 자동 복귀한다. 이러한 피드백 루프는 최대 5회까지 반복될 수 있으며, 본 실험에서는 평균 2.4회의 반복으로 목표를 달성하였다. Phase 5에서는 검증이 완료된 최종 산출물(agv_control.py, README.md, 테스트 리포트) 이 작업자에게 전달되며, 작업자는 이를 검토하고 프로덕션 환경에 배포할 수 있다. 특히 Phase 1과 Phase 5를 제외한 모든 중간 단계에서 사용자 개입이 불필요하다는 점이 기존 대화형 LLM 방식과의 핵심 차이점이다. 표 3에서 주목할 점은 각 Phase마다 명확한 입력(Input)과 출력(Output)이 정의되어 있어, 에이전트 간 정보 흐름이 구조화되어 있다는 것이다. 이는 작업의 재현성(reproducibility)과 추적 가능성(traceability)을 보장하며, 오류 발생 시 어느 단계에서 문제가 발생했는지 명확히 식별할 수 있게 한다. 또한 Tool Used 열에 명시된 도구들(code_writer, file_manager, unittest_runner)은 Open Manus 프레임워크에 사전 정의된 기능 모듈로, 에이전트가 운영체제 및 외부 시스템과 실제로 상호작용할 수 있는 수단을 제공한다. 이와 같은 Agentic Flow 기반 접근법은 제조 환경에서 반복적으로 발생하는 AGV 제어 로직 수정, 새로운 센서 통합, 주행 알고리즘 최적화 등의 개발 작업을 자동화함으로써, 작업자의 개입을 최소화하고 개발 품질의 일관성을 확보할 수 있는 방안을 제시한다.

4.2.3 결과

표 4는 GPT-4o API 단독 사용 방식과 Agentic Flow 접근법 간의 AGV 제어 모듈 개발 성능을 비교한 결과를 보여준다. 실험 결과, Agentic Flow는 전체 실행 시간측면에서 GPT-4o API 대비 약 52% 더 소요되었다(18.7분). 이는 Planner–Executor–Evaluator로 구성된 에이전트들이 순차적으로 작업을 수행하며, 각 에이전트가 독립적으로 LLM을 호출하고, Evaluator Agent가 자동으로 unittest를 실행·분석하는 과정에서 추가 시간이 발생했기 때문이다. 특히 검증 단계(Phase 4) 에서 평균 4.2분의 오버헤드가 관찰되었다. 반면, 사용자 실작업 시간은 Agentic Flow에서 92.6% 감소하였다(0.8분). GPT-4o API 방식의 경우 사용자가

표 4. 실험 결과 비교

Table 4. Comparison of Experimental Results

(1) API 호출을 위한 프롬프트 입력,

(2) 응답받은 코드 복사 및 파일 저장,

(3) 터미널 명령 실행,

(4) 오류 발생 시 로그 확인 및 재수정

등의 단계를 평균 6.2회 반복하며 지속적으로 개입해야 했다. 또한 사용자 개입 횟수 역시 6.2회에서 1.0회로 83.9% 감소하였는데, 이는 초기 자연어 명령 1회를 제외한 모든 과정이 자동화된 결과이다. 따라서 제조 현장에서 작업자는 AGV 제어 모듈 개발이 자동으로 진행되는 동안 설비 점검, 품질 데이터 분석, 생산 계획 수립 등 병행 작업을 수행할 수 있으며, 이는 단순 실행 시간을 넘어서는 운영 효율성 향상으로 이어질 수 있다. 코드 품질 측면에서도 Agentic Flow는 두 가지 주요 개선 효과를 보였다.

첫째, 코드 수정 반복 횟수가 4.8회에서 2.4회로 50% 감소하였다. 이는 Evaluator Agent가 실패 원인을 정확히 분석하여 Planner Agent에 구체적인 피드백을 제공함으로써 불필요한 시행착오를 줄였기 때문이다. 둘째, unittest 통과율이 87.5%에서 95.8%로 8.3%p 향상되었다.

Evaluator Agent는 실패한 테스트 케이스를 분석하여 “상태 전이 로직에서 MOVING → STOPPED 조건 누락”, “스레드 종료 시 리소스 정리 미흡” 등 구체적인 개선사항을 도출하였고, 이를 통해 평균 6.4분의 추가 실행 시간 대비 코드 완성도 향상이라는 효과를 보였다. 종합적으로, Agentic Flow는 전체 실행 시간이 다소 증가하였으나, 사용자의 작업 부담을 크게 줄이고 최종 산출물 품질을 향상하는 접근법으로 평가할 수 있다. 특히 제조 현장에서 다중 설비를 병렬로 관리하거나, 야간 무인 운영 환경에서 배치 작업을 수행하는 경우 Agentic Flow의 자동화 이점이 극대화될 가능성이 높다.

4.3 품질검사 AI 도입을 위한 데이터 전처리 자동화 활용 시나리오

4.3.1 기존 접근 방식

제조 공정에서 품질검사(Quality Inspection)를 위한 AI 비전 모델을 도입하기 위해서는, 모델 학습용 이미지 데이터를 체계적으로 준비하는 과정이 선행되어야 한다. 예를 들어, 불량품 검출을 위한 모델을 학습하려면, 라인 카메라로 촬영된 다량의 제품 이미지들을 날짜, 공정 단계, 품질 상태 등에 따라 분류하고, 라벨링을 포함한 전처리 과정을 거쳐 학습 데이터셋을 구성해야 한다. 특히 대규모 생산 환경에서는 하루에도 수천~수만 장의 이미지가 누적되며, 이를 사람이 수작업으로 분류·정리하는 데는 상당한 시간과 노력이 요구된다. 전통적인 데이터 전처리 방식은 다음과 같은 단계로 진행된다. 첫째, 작업자는 촬영 완료된 이미지가 저장된 디렉터리에 접근하여 파일 목록을 확인한다. 하나의 폴더에 수백~수천장의 이미지가 혼재되어 있는 경우, 파일명이나 속성 정보를 개별적으로 확인하는 작업이 필요하다. 둘째, 각 이미지의 촬영 날짜를 파악하기 위해 파일 속성 창을 열거나 EXIF 뷰어 프로그램을 사용하여 메타데이터를 확인해야 한다. EXIF 정보가 누락된 파일의 경우 파일명이나 수정 날짜를 기준으로 수동 추정이 필요하다. 셋째, 날짜별 폴더 구조를 수동으로 생성한다. 작업자는 식별된 날짜 목록을 바탕으로 탐색기나 터미널에서 "2025-03-26", "2025-03-27"과 같은 폴더를 일일이 생성한다. 넷째, 각 이미지를 해당 날짜 폴더로 수동 이동시킨다. 이는 마우스 드래그 앤 드롭이나 복사-붙여넣기 방식으로 수행되며, 파일 수가 많을 경우 잘못된 폴더에 이동시키거나 프로그램 오류가 발생할 가능성이 존재한다. 이러한 한계를 극복하기 위해 Python 스크립트를 작성하여 자동화를 시도하는 경우도 있다. 예를 들어, os.listdir()로 파일 목록을 가져오고, PIL 라이브러리로 EXIF 데이터를 추출한 뒤, shutil.move()로 파일을 이동시키는 방식이다. 그러나 이 방식은 Python 프로그래밍 지식이 필요하며, EXIF 필드 구조 이해, 예외 처리 로직(EXIF 없는 파일, 손상된 이미지 등), 중복 파일명 처리 등 다양한 케이스를 고려한 코드 작성이 요구된다. 또한 새로운 분류 기준(예: 공정 단계별 분류, 불량 유형별 분류)이 추가될 경우 스크립트를 수정하거나 재작성해야 하는 유지보수 부담이 발생한다. 최근에는 ChatGPT와 같은 LLM을 활용하여 데이터 전처리 스크립트를 생성하는 방식도 시도되고 있다. 작업자는 "이미지를 촬영 날짜별로 분류하는 Python 스크립트를 작성해줘"와 같은 프롬프트를 입력하고, 생성된 코드를 복사하여 .py 파일로 저장한 뒤 실행한다. 이 방식은 코드 작성 시간을 단축할 수 있으나, 다음과 같은 한계가 존재한다. 첫째, 생성된 코드를 실제 환경에서 실행하는 것은 여전히 사용자의 몫이다. 코드를 파일로 저장하고, 터미널에서 실행한 뒤, 오류가 발생하면 에러 메시지를 다시 ChatGPT에 입력하여 수정된 코드를 받는 반복 과정이 필요하다. 둘째, ChatGPT는 특정 디렉터리의 실제 파일 구조나 EXIF 필드 형식을 알 수 없으므로, 생성된 코드가 실제 환경과 맞지 않아 실행 오류가 발생하는 경우가 있다. 셋째, 일반적으로 생성된 스크립트는 기본 기능만 구현되어 있어, "몇 개 파일이 이동되었는지", "EXIF 추출 실패한 파일은 몇 개인지" 등의 상세한 검증 리포트를 자동 생성하지 않는다. 따라서 작업자는 스크립트 실행 후 수동으로 폴더별 파일 수를 확인하거나 예외 처리된 파일 목록을 별도로 점검해야 한다. 이처럼 현시점의 LLM은 파일 시스템에 직접 접근하거나 이미지 메타데이터를 실시간으로 추출·분류하는 등의 작업 실행 기능이 제한적이므로, 실제 파일 이동, 예외 처리, 폴더 생성, 결과 검증 등은 사용자가 수행하거나 별도의 스크립트를 통해 이뤄져야 한다. 완전한 자동화 시스템을 구축하기 위해서는 LLM이 단순히 코드를 생성하는 수준을 넘어, 실제 운영체제와 상호작용하며 파일 시스템 작업을 직접 수행하고, 실행 결과를 검증하여 사용자에게 신뢰할 수 있는 리포트를 제공하는 통합 워크플로우가 필요하다.

4.3.2 Agentic Flow 기반 데이터 전처리 자동화

표 5는 Agentic Flow를 활용한 품질검사용 이미지 데이터 자동 정리의 7단계 워크플로우를 나타낸다. 이 프로세스는 AGV 제어 모듈 개발(표3)과 동일한 Planner-Executor-Evaluator 에이전트 구조를 기반으로 하되, 데이터 전처리 작업에 특화된 도구 구성을 적용한 사례이다. Phase 1에서 작업자는 "지정 폴더의 제품 검사 이미지를 촬영 날짜별로 정리하라"는 자연어 명령과 함께 대상 디렉터리 경로를 입력한다. 이는 Python 스크립트 작성이나 파일시스템 명령어에 대한 전문 지식 없이도 데이터 정리 작업을 요청할 수 있는 직관적인 인터페이스를 제공한다. Phase 2에서 Planner Agent는 이 요구사항을 분석하여 (1) 디렉터리 스캔, (2) EXIF 메타데이터 추출, (3) 날짜별 그룹화, (4) 폴더 생성 및 파일 이동, (5) 결과 검증의 5개 서브태스크로 분해하고, 각 단계에 필요한 도구 (file_manager, metadata_extractor)를 선택하는 실행 계획을 수립한다. Phase 3에서 Executor Agent는 file_manager 도구를 통해 지정된 디렉터리의 모든 파일을 스캔하고, 이미지 파일(.jpg, .png, .jpeg)만 필터링한다. 본 실험에서는 1,247개의 이미지 파일이 식별되었다. Phase 4에서는 metadata_extractor 도구를 사용하여 각 이미지의 EXIF 메타데이터에서 DateTimeOriginal 필드를 추출한다. EXIF 데이터가 없는 파일의 경우, 파일명 패턴 분석(예: IMG_20250326.jpg → 2025-03-26)을 통해 날짜를 추정하는 대체 로직이 자동으로 적용된다. 추출된 날짜 정보를 기반으로 파일들을 그룹화한 결과, 본 실험에서는 15개의 서로 다른 촬영 날짜가 식별되었다. Phase 5에서 Executor Agent는 날짜별 매핑 정보를 바탕으로 file_manager를 통해 YYYY-MM-DD 형식의 하위 폴더를 자동 생성하고(예: 2025-03-26/, 2025-03-27/), 각 이미지를 해당 날짜 폴더로 이동시킨다. 이 과정은 os.makedirs()와 shutil.move() 함수를 내부적으로 활용하며, 사용자의 수동 개입 없이 1,247개 파일 전체에 대해 자동 실행된다. Phase 6에서 Evaluator Agent는 작업 결과를 검증한다. 구체적으로 (1) 처리된 파일 수가 초기 스캔 결과와 일치하는지, (2) 생성된 폴더 수가 식별된 날짜 수와 일치하는지, (3) 파일 이동 중 오류가 발생하지 않았는지를 확인한다. 본 실험에서는 1,247개 파일이 모두 정상 처리되었으며, 0건의 오류가 발생하였다. Phase 7에서는 최종 리포트가 작업자에게 전달된다. 리포트에는 처리된 파일 수, 생성된 폴더 수, EXIF 데이터 추출 성공률, 파일명 기반 추정 비율 등이 포함되며, 작업자는 이를 검토하여 데이터셋이 AI 모델 학습에 사용될 준비가 완료되었는지 확인한다. 특히 Phase 1과 Phase 7을 제외한 모든 중간 단계는 에이전트에 의해 자동으로 수행되므로, 기존 방식에서 요구되던 스크립트 작성, 파일 경로 확인, 수동 이동, 오류 처리 등의 반복 작업이 불필요하다. 표 5에서 주목할 점은 AGV 개발 시나리오(표 3)와 달리 Executor Agent가 Phase 3~5에서 연속적으로 작업을 수행한다는 것이다. 이는 데이터 전처리 작업의 특성상 파일 스캔 → 메타데이터 추출 → 파일 이동의 흐름이 순차적으로 이어지기 때문이며, 각 단계의 출력(Output)이 다음 단계의 입력(Input)으로 직접 전달되는 파이프라인 구조를 형성한다. 또한 metadata_extractor와 같은 전문화된 도구의 사용은 Agentic Flow가 도메인별로 확장 가능한 구조임을 보여준다. 이와 같은 Agentic Flow 기반 데이터 전처리 자동화는 제조 환경에서 대량의 품질검사 이미지, 공정 데이터, 센서 로그 등을 체계적으로 관리해야 하는 상황에서 작업자의 부담을 최소화하고 데이터 품질의 일관성을 확보할 수 있는 실용적 방안을 제시한다.

표 5. Agentic Flow를 활용한 데이터 전처리 과정

Table 5. Data Preprocessing with Agentic Flow

4.3.3 실험 결과

표 6은 GPT-4o API 단독 사용과 Agentic Flow 접근법의 데이터 전처리 자동화 성능을 비교한 결과이다. 실험 결과, Agentic Flow는 전체 실행 시간(Total Execution Time) 측면에서 GPT-4o API 대비 약 33% 더 소요되었다(8.4분 → 11.2분). 이는 Planner Agent의 작업 분해, Executor Agent의 파일 스캔 및 메타데이터 추출, Evaluator Agent의 결과 검증이 순차적으로 수행되기 때문이다. 특히 metadata_extractor 도구가 1,247개 이미지의 EXIF 데이터를 개별적으로 추출하고, EXIF가 없는 파일에 대해 파일명 패턴 분석을 수행하는 과정에서 평균 2.8분의 추가 시간이 발생하였다. 반면, 사용자 실작업 시간(User Active Time)은 Agentic Flow에서 93.4% 감소하였다(7.6분 → 0.5분). GPT-4o API 방식의 경우 사용자가 (1) 데이터 전처리 스크립트 요청, (2) 생성된 코드 복사 및 .py 파일 저장, (3) 터미널에서 실행, (4) 실행 결과 확인 및 오류 발생 시 재요청의 과정을 평균 3.8회 반복하며 지속적으로 개입해야 했다. 사용자 개입 횟수(User Interventions) 측면에서도 3.8회에서 1.0회로 73.7% 감소하였으며, 이는 초기 자연어 명령 1회를 제외한 모든 과정이 자동화된 결과이다. 따라서 제조 현장에서 작업자는 데이터 전처리가 자동으로 진행되는 동안 품질 데이터 분석, 라벨링 작업, 모델 학습 준비 등 후속 작업을 병행할 수 있었으며, 이는 단순 실행 시간을 넘어서는 운영 효율성 향상 효과를 가져왔다. 데이터 품질 측면에서 Agentic Flow는 두 가지 개선 효과를 보였다. 첫째, 처리 정확도(Processing Accuracy)가 96.4%에서 99.2%로 2.8%p 향상되었다. 이는 Evaluator Agent가 처리된 파일 수와 초기 스캔 결과를 자동 비교하고, 생성된 폴더 수와 식별된 날짜 수의 일치 여부를 검증함으로써, 수동 처리 시 발생할 수 있는 파일 누락이나 중복 이동을 방지한 결과이다. 둘째, EXIF 추출 성공률(EXIF Extraction Success Rate)이 94.8%에서 98.8%로 4.0%p 향상되었다. metadata_extractor 도구는 DateTimeOriginal 필드 추출 실패 시 자동으로 DateTime, CreateDate 등 대체 필드를 순차 탐색하며, 모든 EXIF 필드가 없는 경우에만 파일명 패턴 분석으로 전환하는 다층 로직을 적용하였다. 본 실험에서는 1,247개 파일 중 1,232개(98.8%)가 EXIF를 통해 날짜가 추출되었으며, 15개(1.2%)만 파일명 기반으로 처리되었다. 종합적으로, Agentic Flow의 전체 실행 시간은 GPT-4o API 대비 다소 증가하였으나, 사용자의 실작업 부담을 93.4% 감소시키고 처리 정확도를 2.8%p 향상시키는 효과를 보였다. 특히 제조 환경에서 대량의 품질검사 이미지를 일일 단위로 정리해야 하는 상황에서, Agentic Flow는 작업자가 초기 명령만 입력하면 나머지 과정이 자동으로 수행되어 반복 작업의 부담을 최소화하며, 자동 검증 메커니즘을 통해 데이터 품질의 일관성을 확보할 수 있는 실용적 접근법임이 확인되었다.

표 6. 실험 결과 비교

Table 6. Comparison of Experimental Results

4.4 시나리오별 비교 분석

표 7에서 AGV 제어 모듈 개발과 데이터 전처리 자동화 두 시나리오의 실험 결과를 비교한 결과작업 복잡도와 무관하게 일관된 패턴과 시나리오별 차이점이 관찰되었다.첫째, Agentic Flow의 가장 두드러진 효과는 사용자 부담 감소이다. 작업 복잡도와 무관하게 사용자 실작업 시간이 약 93% 일관되게 감소하였으며(AGV: 92.6%, 데이터: 93.4%), 작업자는 초기 자연어 명령만 입력하면 나머지 과정이 자동 수행되어 다른 업무를 병행할 수 있다. 둘째, 전체 실행 시간 오버헤드는 작업 복잡도에 비례하나(AGV: +52%, 데이터: +33%), 제조 환경의 많은 작업은 실시간 응답보다 정확성과 일관성이 중요하다. 특히 야간 배치 작업이나 주말 데이터 정리 등에서는 무인자동화 가능 여부가 핵심이며, 작업자 투입 시간이 93% 감소하므로 실질적 효율성은 높다. 셋째, 워크플로우는 작업 특성에 따라 조정된다. AGV 시나리오는 평균 2.4회의 피드백 사이클을 통한 반복 개선 구조로 문제 해결형 작업에 적합하며, 데이터 전처리는 순차적 파이프라인으로 대량 데이터 처리 작업에 효과적이다. 자동 검증 메커니즘은 두 경우 모두 품질 향상을 가져왔다(AGV: +8.3%p, 데이터: +2.8%p). 종합하면, Agentic Flow는 작업 유형에 관계없이 사용자 부담을 90% 이상 감소시키고 품질을 향상시키는 효과를 보였다. 특히 프로그래밍 지식 없이 자연어 명령만으로 복잡한 작업을 자동화할 수 있다는 점이 제조 환경에서의 실용적 가치가 있음을 확인 하였다.

표 7. 시나리오별 Agentic Flow 성능 비교 종합

Table 7. Comprehensive Performance Comparison of Agentic Flow Across Scenarios

5. Agentic Flow의 제조 환경 도입에 따른 기대효과 및 시사점

5.1 제조 환경 Agentic Flow 활용 효과

본 연구에서 제시한 두 가지 시나리오는 제조 환경에서 Agentic Flow의 잠재적 활용 가능성을 보여준다. 자율주행 AGV 모듈 개발 시나리오와 품질검사 AI 데이터 전처리 자동화 사례는 사용자의 개입을 줄이면서도 복잡한 작업 흐름을 효율적으로 처리할 수 있는 방향성을 제시한다. 자율주행 AGV 모듈 개발 사례에서는 복잡한 의사 결정 로직과 센서 데이터 처리 과정이 Agentic Flow를 통해 체계적으로 구조화되었다. 이는 전통적인 프로그래밍 방식으로는 처리하기 어려운 불확실성과 예외 상황에 대응하는 유연한 시스템 구축 가능성을 보여준다. 품질검사 AI 데이터 전처리 자동화 사례에서는 대량의 이미지 데이터를 날짜별로 분류하고 표준화하는 작업이 자동화되었다. 이는 품질검사 AI 모델 개발을 위한 데이터 준비 시간을 대폭 단축할 수 있었다. 주요 기대효과로는 생산성 및 효율성 향상, 유연성 및 적응성 강화, 그리고 지식 관리 및 전이 촉진을 들 수 있다. 특히 반복적이고 시간 소모적인 작업을 자동화함으로써 작업자들이 보다 창의적이고 전략적인 업무에 집중할 수 있는 환경을 조성할 수 있다.

5.2 도입 고려사항 및 미래 방향성

Agentic Flow를 제조 현장에 도입할 때 고려해야 할 주요 사항으로는 기존 레거시 시스템과의 통합, 데이터 품질 확보, 그리고 보안 이슈가 있다. 대부분의 제조 기업들은 이미 ERP, MES, SCADA 등 다양한 레거시 시스템을 운영하고 있으며, Agentic Flow를 이러한 기존 시스템과 효과적으로 통합하는 것이 중요한 과제이다. 특히 초기 도입 단계에서는 제한된 영역에서의 파일럿 프로젝트를 통한 검증과 작업자들과의 협업 체계 구축이 중요하다. 또한 도입 효과를 높이기 위해서는 제조 공정의 특성을 반영한 도메인 특화 에이전트 개발과 함께, 운영 인력의 재교육이 필요할 수 있다. 향후 발전 방향으로는 사용자-에이전트 협업 모델 구축과 지속적 학습 및 개선 체계 수립이 중요하다. Agentic Flow는 인력을 대체하기보다는 사용자의 능력을 증강하고 보완하는 방향으로 발전해야 하며, 운영 데이터 분석을 통한 지속적 학습 및 개선 체계를 구축함으로써 시스템의 성능을 꾸준히 향상시킬 필요가 있다. 다양한 제조 환경에서 Agentic Flow를 효과적으로 활용하기 위해서는 기술적 측면뿐만 아니라 조직 문화와 프로세스의 변화를 함께 고려한 통합적 접근이 요구된다. 이러한 측면에서 본 연구의 시나리오는 제조업의 Agentic Work Flow 기반 자동화를 위한 탐색적 방향성을 제시하는 의미가 있다.

6. 결론 및 향후 연구

본 연구에서는 ChatGPT와 같은 기존 대화형 LLM의 한계를 극복하기 위해, LLM 기반 Agentic Flow를 제조 환경 자동화에 적용하고 두 가지 시나리오 기반 실험을 통해 그 적용 가능성을 평가하였다.자율주행 AGV 제어 모듈 개발 시나리오에서는 GPT-4o API 단독 사용 대비 사용자 실작업 시간이 10.8분에서 0.8분으로 92.6% 감소하였으며, unittest 통과율은 87.5%에서 95.8%로 향상되었다. 품질검사 AI 데이터 전처리 시나리오에서는 1,247개 파일 처리 시 사용자 실작업 시간을 7.6분에서 0.5분으로 93.4% 감소시켰으며, 처리 정확도는 96.4%에서 99.2%로 향상되었다.두 시나리오 비교 분석 결과, Agentic Flow는 작업 유형에 관계없이 사용자 부담을 일관되게 약 93% 감소시키는 효과를 보였다. 다만 전체 실행 시간은 작업 복잡도에 비례하여 33%에서 52% 증가하였으나, 제조 환경의 야간 배치 작업이나 무인 운영 특성을 고려할 때 실질적 효율성은 높은 것으로 평가된다.본 연구의 한계점은 다음과 같다. 첫째, 시뮬레이션 환경에서 구성한 시나리오로 제한되어 실제 제조 현장의 다양한 변수를 완전히 반영하지 못하였다. 둘째, Open Manus 단일 프레임워크 만을 사용하여 다른 Multi-Agent 프레임워크와의 비교가 이루어지지 않았다. 셋째, 장기 운영 시 안정성 및 오류 누적 패턴에 대한 검증이 부족하다. 넷째, 에이전트 의사결정의 투명성과 거버넌스 체계(권한 관리, 감사 로그, 안전 통제 등)에 대한 고려가 미흡하다. 향후 연구에서는 실제 제조 현장 파일럿 테스트를 통한 현장 적합성 검증, 레거시 시스템(ERP, MES, SCADA)과의 통합 방법론 개발, 에이전트 의사결정의 투명성 확보를 위한 XAI 결합, 그리고 장기 운영 데이터 기반 지속적 학습 체계 구축이 필요하다. 본 연구는 제조 환경에서 Agentic Flow 접근법이 사용자 부담을 90% 이상 감소시키고 작업 품질을 향상시킬 수 있다는 것을 시나리오 기반 실험을 통해 정량적으로 입증하였다. 이는 프로그래밍 지식 없이 자연어 명령만으로 복잡한 작업을 자동화할 수 있는 실용적 방안으로, 제조업의 디지털 전환 과정에서 LLM 기반 자동화 기술의 적용 가능성을 제시한다.