Siemens Erlangen Factory Agents: 급한 주문에 생산계획 대안을 내고 디지털 트윈에서 검증하는 에이전트

공장에서 에이전트가 맡을 첫 일은 계획을 직접 바꾸는 것이 아니라, 급한 주문이 들어왔을 때 선택지와 그 파급을 빠르게 계산해 사람 앞에 놓는 일입니다. 지멘스 Erlangen 공장은 그 선택지를 디지털 트윈에서 먼저 시험하고, 생산 통제 담당이 승인한 뒤 허용된 변경만 실제 시스템에 넣습니다. 우리 공장에 옮기려면 자재·용량·전환 비용 데이터를 연결하고, 에이전트가 손댈 수 있는 변경의 종류를 먼저 적어 두어야 합니다.

요약

지멘스와 NVIDIA는 2026년 10월 19일, 독일 Erlangen의 지멘스 전자공장에서 함께 만든 산업 AI 적용 사례를 공개했습니다. NVIDIA는 GTC Berlin 라이브 블로그에, 지멘스는 같은 날 보도자료에 실었습니다. 이 공장은 1971년에 세워졌고 생산 인력은 약 1,000명입니다. 드라이브와 주파수 변환기 같은 전력 전자·자동화 제품을 만듭니다. 사례는 둘입니다. 첫째는 생산계획입니다. 일정이 이미 꽉 찼는데 급한 주문이 들어오면, Siemens Intelligence Center X의 에이전트(스스로 도구를 불러 일을 진행하는 AI)가 선택지를 만듭니다. 이 에이전트는 NVIDIA Factory Operations Blueprint(FOX, 공장 운영 에이전트용 참조 설계)로 만들었습니다. 계획 담당은 실제 라인을 돌리는 동안 디지털 트윈(공장 전체를 가상으로 재현한 모델)에서 각 선택지를 시험합니다. 생산 통제 담당이 승인해야 에이전트가 허용된 변경을 계획 시스템에 반영합니다. 둘째는 PCB(인쇄회로기판) 조립품 검사입니다. 설계 데이터로 가상의 golden board(검사 기준이 되는 양품 기판)와 양품·불량 합성 이미지를 만들어, 실물 시제품이 나오기 전에 검사 시스템을 준비합니다.

발표된 효과는 모두 최대치이자 목표 기준입니다(벤더 발표). 검사 프로그램을 만드는 수동 엔지니어링 공수는 최대 85% 감소가 목표이고, 지멘스는 가상 생산 준비로 출시 기간이 최대 40% 짧아질 수 있다고 밝혔습니다. 에이전트 기반 생산계획은 최대 20%의 비용 절감을 내세웠습니다. 기준선과 측정 기간은 발표에 나오지 않습니다. 효과가 나는 이유는 두 사례가 같습니다. 예전에는 실제 라인이나 실물 기판에서 확인해야 하던 일을 가상 환경으로 옮겼습니다. 그래서 확인을 기다리는 시간이 줄고, 한 번에 여러 안을 비교할 수 있습니다. 두 회사는 1월 CES에서 AI로 완전히 움직이는 첫 제조 현장을 함께 만들겠다고 발표했고, 열 달이 안 돼 첫 결과를 내놓았습니다. 아래에서는 계획 에이전트, 트윈 검증, 승인 관문, 합성 검사 데이터, FOX의 작동 방식을 차례로 풀고, 우리 공장에 옮길 때 정할 것을 덧붙였습니다.

핵심 메커니즘

Planning Agent: 선택지와 파급을 계산해 보여 주는 계획 에이전트

계획 에이전트는 급한 주문이 들어왔을 때 생산 시나리오를 여러 개 만들고, 선택지마다 무엇이 달라지는지 보여 줍니다. 공장 데이터와 기존 계획 도구를 불러 네 가지를 비교합니다. 가용 자재, 라인 용량, 납기 약속, 그리고 제품을 바꿔 생산할 때 드는 전환 시간과 비용입니다. 결과는 정해진 KPI(핵심 성과 지표)로 정리됩니다. 계획 담당은 이 주문을 앞당기면 어떤 주문이 밀리는지 한눈에 봅니다. 지멘스는 이 방식으로 새 주문, 자재 부족, 고객 요구 변화에 더 빨리 대응하겠다고 밝혔습니다.

이 방식은 주문 변동이 잦고 품목 전환 비용이 큰 다품종 공장에 맞습니다. 품목이 적고 일정이 몇 주씩 고정된 공장에서는 효과가 작습니다. 발표는 KPI의 종류를 밝히지 않았습니다. 가상 예시로, 한 전장품 공장에 주문 A(납기 3일)가 들어오면 에이전트는 세 안을 냅니다. 라인 2에 끼워 넣기, 잔업 추가, 주문 B의 일부 연기입니다. 각 안의 납기 준수 건수, 전환 횟수, 추가 비용을 한 표에 담습니다.

Digital Twin Validation: 라인을 멈추지 않고 계획을 먼저 돌려 보기

디지털 트윈 검증은 에이전트가 낸 계획을 실제 공장에 넣기 전에 가상 공장에서 돌려 보는 단계입니다. 지멘스는 모든 제안을 공장 전체의 디지털 트윈에서 검증한 뒤에 실행한다고 밝혔습니다. NVIDIA Omniverse 라이브러리(3D 시뮬레이션·시각화 도구 모음)로 실제 공장 데이터를 넣어 계획을 가상으로 시험합니다. 실제 라인은 그동안 원래 일정대로 계속 돌아갑니다.

얻는 것은 두 가지입니다. 계획을 바꿔 보려고 라인을 멈추거나 시험 생산을 할 필요가 없습니다. 그리고 표 위에서는 보이지 않던 병목, 예를 들어 물류 동선 충돌이나 설비 대기를 실행 전에 찾을 수 있습니다. 트윈이 실제 공장과 어긋나면 검증 결과도 믿을 수 없습니다. Erlangen은 10년 넘게 실제 운영에서 디지털 제조 기술을 시험해 온 공장이고, 생산·물류·품질 검사·보전에 AI 알고리즘 100개 이상을 쓰고 있습니다. 트윈에 넣을 데이터가 이미 쌓여 있었다는 뜻입니다.

Human Approval Gate: 승인 전에는 쓰지 않는 에이전트 권한

승인 관문은 에이전트의 제안과 실제 변경 사이에 사람의 결정을 하나 두는 장치입니다. NVIDIA 블로그에 따르면 생산 통제 담당이 트레이드오프를 검토하고 계획을 승인합니다. 그 뒤에야 에이전트가 연결된 계획 시스템으로 허용된 변경을 반영합니다. 에이전트는 계획 시스템에 쓰기 권한을 갖지만, 그 권한은 승인 이후로 한정됩니다. 바꿀 수 있는 항목도 미리 허용된 종류로 묶입니다.

발표는 ‘허용된 변경’이 무엇인지 정의하지 않습니다. 실제로 돌릴 때는 변경 종류별로 권한 표를 만들어야 합니다(아래 기술 디테일). 이 구조 덕분에 에이전트가 틀린 계획을 내더라도 실제 라인에 닿기 전에 두 번 걸러집니다. 한 번은 트윈에서, 한 번은 사람의 승인에서입니다.

Golden Board와 Synthetic Images: 시제품 전에 검사를 준비하는 가상 기판

두 번째 사례는 새 PCB 조립품의 품질 검사 준비입니다. 지멘스에 따르면 예전에는 준비에 수 주가 걸렸습니다. 비전 시스템을 학습시키려면 실물 시제품을 기다려야 했고, 검사 장비 설정도 손으로 했기 때문입니다. 지금은 지멘스의 Teamcenter(제품 수명주기 관리 소프트웨어)와 Process Preparation X가 NVIDIA Cosmos(물리 세계를 생성하는 world model, 학습용 데이터를 만드는 데 씀)와 함께 일합니다. 이들이 기판의 디지털 트윈에서 가상 golden board와 실사에 가까운 양품·불량 이미지를 만듭니다. 이 이미지로 검사 시스템을 학습시키고 검사 프로그램을 미리 만듭니다.

이 방식은 신제품 도입이 잦고 설계 데이터가 디지털로 잘 정리된 공장에 맞습니다. 설계 데이터가 도면 PDF로만 있거나 부품 3D 모델이 없으면 합성 이미지를 만들 재료가 없습니다. 발표된 목표는 검사 프로그램 생성 공수 최대 85% 감소입니다. 바뀐 뒤 준비 기간이 얼마인지는 밝히지 않았습니다.

FOX(Factory Operations Blueprint): 관리자 에이전트와 전문 에이전트의 참조 설계

FOX는 NVIDIA가 내놓은 공장 운영 에이전트용 참조 설계입니다. GitHub에서 early access로 제공되고, 신청 기반 개발자 프로그램으로 운영됩니다. 구조는 상시 가동하는 factory manager agent(공장 관리자 에이전트) 하나가 기계 사이의 작업을 조정하고, 그 아래 전문 에이전트들을 지휘하는 형태입니다. 전문 에이전트는 비전 검사, 원인 분석, 보고서 작성, fleet(로봇·설비 무리) 관리를 맡습니다. 에이전트는 Nemotron, Cosmos 같은 모델에 연결되고, CAD·PLM(제품 수명주기 관리)·시뮬레이션·IT·OT(설비 제어) 시스템을 지식 출처로 씁니다.

Erlangen에서 FOX는 지멘스 Intelligence Center X 에이전트의 기반이 됐습니다. 이 사례에서 눈여겨볼 점은 관리자 에이전트가 모든 일을 직접 하지 않는다는 것입니다. 계획 계산은 계획 도구가, 시험은 트윈이, 결정은 사람이 맡고, 에이전트는 그 사이를 잇습니다. 바깥 벤더의 에이전트도 표준 API로 붙일 수 있게 열어 둔 설계라서, 이미 쓰는 MES(제조 실행 시스템)나 APS(생산 스케줄링) 위에 얹는 방식이 됩니다.

통념과 다른 주장

저자가 든 사례

사례 1. 생산계획: 꽉 찬 일정에 끼어든 급한 주문

항목	내용
상황	생산 일정이 이미 찬 상태에서 급한 주문이 들어옴
한 일	Intelligence Center X 에이전트(FOX 기반)가 자재·용량·납기·전환 비용을 비교해 선택지 제시, 디지털 트윈에서 시험, 생산 통제 담당 승인 뒤 허용된 변경 적용
결과	에이전트 기반 계획으로 비용 최대 20% 절감 가능(벤더 발표). 기준선·기간은 원문에서 밝히지 않음
연결	Planning Agent, Digital Twin Validation, Human Approval Gate

사례 2. PCB 조립품 검사: 실물 없이 시작하는 검사 준비

항목	내용
상황	새 PCB 조립품마다 실물 시제품을 기다려 비전 시스템을 학습시키고 장비를 손으로 설정, 준비에 수 주
한 일	Teamcenter와 Process Preparation X가 Cosmos와 함께 가상 golden board와 양품·불량 합성 이미지를 생성, 시제품 전에 검사 준비
결과	검사 프로그램 생성 공수 최대 85% 감소 목표, 출시 기간 최대 40% 단축 가능(벤더 발표). 바뀐 뒤 준비 기간은 원문에서 밝히지 않음
연결	Golden Board와 Synthetic Images, FOX

기술 디테일: 우리 공장에 계획 에이전트를 붙이려면

아래는 Erlangen의 구조를 우리 공장에 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. 필드명과 숫자는 가상 예시입니다.

Planning Agent를 돌리려면 에이전트가 계획을 직접 계산하지 않게 합니다. 일정 계산은 기존 APS나 최적화 솔버에 맡기고, LLM 기반 에이전트는 입력을 모으고 솔버를 여러 조건으로 부르고 결과를 비교표로 정리합니다. LLM이 일정표를 직접 만들면 실행마다 결과가 달라지고 제약을 어기기 쉽습니다. 입력은 네 가지 데이터입니다. ERP의 자재 가용량과 입고 예정, MES의 라인별 가동 상태와 실적, 품목 간 전환 시간·비용 행렬, 고객별 납기 약속입니다. 출력은 정해진 필드의 JSON으로 받습니다. 시나리오마다 scenario_id, order_moves(순서 변경 목록), kpi_delta(납기 준수 건수, 전환 횟수, 추가 비용, 재공 재고 변화), violations(깨지는 제약), action_class(변경 종류)를 둡니다. 시나리오는 35개로 제한하고, 같은 요청을 다시 돌려도 솔버 결과가 같은지 확인합니다. 에이전트의 요약 문장은 temperature를 00.2로 두고, 표의 숫자는 솔버 출력을 그대로 옮기게 합니다.

Human Approval Gate의 ‘허용된 변경’을 정의하려면 변경 종류별 권한 표를 만듭니다. 에이전트가 계획 시스템에 쓰는 API 호출은 action_class 단위로 허용 목록과 대조하고, 목록에 없거나 승인 토큰이 없으면 거부합니다. 가상 예시로, 동결 구간(보통 24~48시간) 밖의 순서 변경은 승인 1인 뒤 자동 반영 후보로 둡니다. 라인 간 물량 이동은 검토 후 승인 1인, 교대·잔업 추가는 인력과 비용이 걸리므로 승인 2인이 필요합니다. 자재 대체나 발주 변경은 구매 영역이라 에이전트가 제안만 하고 쓰지 않습니다. 모든 반영은 누가 어떤 시나리오를 언제 승인했는지와 함께 로그로 남깁니다.

Digital Twin Validation을 믿으려면 트윈이 실제와 얼마나 맞는지 정기적으로 잽니다. 지난 4주 실적을 트윈에서 다시 돌려 주간 산출량과 전환 시간이 실제 MES 기록과 얼마나 차이 나는지 봅니다. 가상 예시로, 오차가 5% 안이면 검증 결과를 계획 판단에 쓰고, 넘으면 설비 속도·불량률·작업자 수 같은 파라미터를 보정합니다. 확률 요소(고장, 불량)가 있는 트윈은 시나리오마다 5~10회 반복 실행해 평균과 편차를 같이 봅니다. 편차가 큰 시나리오는 추천 순위에서 낮춥니다.

Golden Board와 합성 이미지로 검사를 준비하려면 설계 데이터부터 확인합니다. ECAD(회로 설계) 데이터, BOM, 부품 3D 모델이 있어야 가상 기판을 만들 수 있습니다. 합성할 불량 유형은 기존 공정의 불량 이력에서 고릅니다. 부품 누락, 극성 반대, 납땜 브리지, 부품 틀어짐 같은 항목입니다. 합성 이미지로 학습한 모델은 첫 실물 lot에서 반드시 따로 검증합니다. 가상 예시로, 불량 재현율이 기존 검사 수준(예: 99%)에 못 미치면 실물 이미지를 추가해 다시 학습하고, 그동안은 기존 검사를 병행합니다. 합성 데이터가 실물의 조명·반사를 잘 흉내 내지 못하면 오검출이 늘어나니, 양품 오판정 비율도 함께 봅니다.

실패하는 경우와 대응. 첫째, 자재·재고 데이터가 늦게 갱신되면 에이전트는 없는 자재로 계획을 짭니다. 시나리오 생성 전에 데이터 기준 시각을 확인하고, 기준 시각이 정해 둔 한도(예: 2시간)를 넘으면 추천을 멈춥니다. 둘째, 전환 비용 행렬이 오래되면 추천 순위가 틀어집니다. 분기마다 실적으로 다시 계산합니다. 셋째, 승인 담당이 추천을 습관적으로 승인하면 승인 관문이 무의미해집니다. 추천과 다른 결정을 내린 건의 사유를 기록하게 하고, 승인 소요 시간이 지나치게 짧은 건은 표본 검토합니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	6주 동안 하는 일
스폰서	공장장 또는 생산 본부장	대상 라인과 에이전트 권한 범위 승인
계획 담당	생산계획 담당 2명	급한 주문 사례 정리, 추천 검토와 비교
생산 통제 담당	생산 통제 책임자 1명	승인 기준 작성, 그림자 운영 판정
제조 IT	MES·ERP 담당 1명	자재·용량·실적 데이터 연결, 쓰기 권한 통제
엔지니어	개발자 1~2명	에이전트·솔버 연결, 트윈 실행, 로그
품질	검사 엔지니어 1명	검사 사례를 붙일 경우 불량 이력과 설계 데이터 확인

시작 전 준비물: 최근 6개월의 급한 주문 목록과 그때 실제로 내린 결정, 라인별 용량과 품목 간 전환 시간 표, 동결 구간과 잔업 규칙 같은 계획 규칙 문서, 기존 APS나 시뮬레이션 모델 유무, 계획 시스템의 API 문서와 권한 체계.

주차	할 일	산출물
1주	대상 라인 1개 선정, 자재·용량·전환 데이터 연결	데이터 목록과 갱신 주기
2~3주	과거 4주 실적을 트윈으로 재현, 오차 측정과 보정	트윈 오차 보고서
4~5주	그림자 운영: 에이전트는 추천만 기록, 사람은 기존대로 결정	추천 대 실제 결정 비교표
6주	판정 회의, 권한 표 확정과 확대 대상 결정	판정 보고서, 권한 표

인터뷰 질문(계획 담당·생산 통제 담당용): 급한 주문은 한 달에 몇 건이고, 한 건을 결정하는 데 몇 시간이 걸립니까? 결정할 때 가장 먼저 보는 숫자는 무엇입니까? 지난 급한 주문 중 결정이 틀렸던 건은 무엇이고, 무엇을 미리 알았으면 달랐습니까? 에이전트가 승인 없이 바꿔도 괜찮은 변경은 무엇이고, 절대 맡길 수 없는 변경은 무엇입니까? 추천이 마음에 들지 않을 때 그 이유를 어떻게 기록하겠습니까?

진행 판정 기준(예시): 트윈 오차가 5% 이내, 그림자 운영 기간 추천 채택률(사람이 같은 안을 고른 비율)이 50% 이상, 제약을 어긴 추천이 0건이면 승인 관문을 붙여 실제 운영으로 넘어갑니다. 트윈 오차가 5%를 넘거나 채택률이 30%에 못 미치면 데이터와 KPI 정의를 고쳐 2주차부터 다시 돌립니다.

AX 적용 제언. 이 구조가 먼저 맞는 곳은 다품종 소량 생산으로 급한 주문이 잦은 전장품·부품 공장, 그리고 신제품 도입이 잦은 PCB 조립 라인입니다. 순서는 데이터 연결 → 트윈 신뢰도 확인 → 그림자 운영 → 승인 관문을 붙인 실제 운영이 무난합니다. 처음부터 에이전트에 쓰기 권한을 주지 말고, 4주 이상 추천만 기록해 사람의 결정과 비교하는 쪽이 안전합니다. 트윈이 없는 공장은 공장 전체를 만들려 하지 말고 병목 라인 하나의 시뮬레이션부터 만듭니다. 검사 쪽은 설계 데이터가 디지털로 정리된 신제품 한 품목을 골라, 합성 이미지 학습 모델과 기존 검사를 병행해 첫 lot에서 비교합니다. 권한 표는 IT가 아니라 생산 통제 책임자가 써야 합니다. 무엇을 맡길지는 현업의 판단이기 때문입니다.

원문 사례

항목	내용
발표처	NVIDIA 블로그 GTC Berlin 라이브 업데이트(2026.10.19, NVIDIA Writers), 지멘스 보도자료(2026.10.19)
현장	지멘스 Erlangen 전자공장. 1971년 설립, 생산 인력 약 1,000명, 드라이브·주파수 변환기 등 전력 전자·자동화 제품
공장 배경	10년 넘게 디지털 제조 기술 실운영 시험, AI 알고리즘 100개 이상 사용, 연 생산성 7% 향상, 연 고객 방문 약 3,000회
투자	Erlangen 기술 캠퍼스에 5억 유로, 2030년까지 확장
계획 사례	Intelligence Center X 에이전트(FOX 기반), 자재·라인 용량·납기·전환 시간과 비용 비교, 디지털 트윈 검증, 생산 통제 담당 승인 후 허용된 변경 적용. 비용 최대 20% 절감(벤더 발표)
검사 사례	Teamcenter·Process Preparation X와 Cosmos로 가상 golden board·합성 이미지 생성. 공수 최대 85% 감소 목표, 출시 최대 40% 단축(벤더 발표)
기술	NVIDIA FOX, Omniverse 라이브러리, Cosmos world model
경과	2026년 1월 CES에서 협력 발표, 열 달이 안 돼 첫 결과. 추가 적용은 앞으로 몇 달 안에 예정
현장 방문	NVIDIA Rev Lebaredian·Kari Briski·Deepu Talla, 지멘스 Cedrik Neike·Rainer Brehm·Mark Hindsbo

핵심 개념

Siemens Intelligence Center X

지멘스가 FOX로 만든 공장 운영 에이전트 제품군. Erlangen에서 생산계획 선택지를 제안한다.

production controller

생산 통제 담당. 에이전트가 낸 계획의 트레이드오프를 보고 승인하는 사람.

changeover(전환)

한 라인에서 생산 품목을 바꿀 때 드는 준비 작업. 시간과 비용이 계획 비교의 한 축이다.

Process Preparation X

지멘스의 생산 준비 소프트웨어. 이 사례에서는 검사 프로그램 준비에 쓰였다.

Omniverse

NVIDIA의 3D 시뮬레이션·협업 플랫폼. 라이브러리 형태로 디지털 트윈에 쓰인다.

Nemotron

NVIDIA의 공개 언어 모델 계열. FOX 에이전트의 추론 모델로 연결된다.

early access

정식 출시 전 신청자에게 먼저 여는 공개 방식. FOX는 이 단계에 있다.

내 메모

TODO: 내 생각 추가

원문: NVIDIA Writers, “Siemens and NVIDIA Put Industrial AI to Work in Erlangen”(NVIDIA 블로그 GTC Berlin 라이브 업데이트, 2026.10.19). 공장 배경, 20%·40% 수치, 이전 검사 준비 방식, Omniverse 사용은 같은 날 나온 지멘스 보도자료 ‘Siemens partners with NVIDIA to advance AI-driven autonomous factories’에서, FOX의 구조와 공개 방식은 같은 라이브 블로그의 10월 21일 항목과 NVIDIA 블로그 ‘NVIDIA Factory Operations Blueprint Gives Factories a New AI Brain’에서 확인했습니다. 효과 수치는 모두 벤더 발표이며 최대치·목표 기준입니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 발표 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, 필드명, 권한 표, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다. 원문 전체는 NVIDIA 블로그와 지멘스 보도자료에서 볼 수 있습니다.