에이전틱 AI는 신뢰할 수 있는 자산 데이터 없이 실패할 것

에이전틱 AI는 자산 집약적인 산업에서 논의에서 배포로 빠르게 이동하고 있습니다. 생성적 AI와는 달리 정보를 요약하거나 추천서를 작성하는 에이전틱 AI는 목표를 설정하고, 단계를 분해하고, 여러 시스템에서 데이터를 가져오고, 그에 따라 행동할 수 있습니다. 유지 보수 기록을 검토하고, 개방된 작업 주문, 크루 스케줄을 비교하고, 사람이 수동으로 모든 정보를 연결할 필요 없이 추천서를 생성할 수 있습니다.

그런 기능이 바로 많은 조직이 채택하기 위해 서두르고 있는 이유입니다. 2026 Gartner CIO와 기술 책임자 설문조사에 따르면, 조직의 17%만이 에이전트를 배포했지만, 60% 이상이 향후 2년 내에 그렇게 할 것으로 예상합니다. 이는 설문조사에 포함된 다른 새로운 기술보다 더 빠릅니다.

제가 지원한 배포에서, 팀은 단일 운영 결정을 내리기 위해 시스템, 스프레드시트, 검사 노트 및 이메일 사이를 전환하는 데 너무 많은 시간을 보냈습니다. 에이전틱 AI는 그 마찰을 줄여주고, 계획자들이 작업을 더 빠르게 준비하고, 기술자들이 기관의 기억에만 의존하지 않고 자산 기록을 더 잘 볼 수 있도록 도와줍니다.

그러나 그 약속은 쉽게 간과할 수 있는 조건이 따라옵니다. 제가 본 바에 따르면, 에이전틱 AI는 모델링 문제보다 운영 신뢰 문제입니다.

자산 집약적인 산업에서, 에이전트는 작동하는 데이터만큼 좋습니다. 데이터가 불완전하거나, 구식이거나, 일관성이 없으면, 에이전트는 반드시 큰 소리로 실패하지는 않습니다. 그것은 자신감 있게 실패할 수 있습니다. 잘못된 자산에 작업을 추천하거나, 의존성을 놓치거나, 위험을 낮추거나, 우선순위를 잘못 판단할 수 있습니다.

에이전트에게 나쁜 데이터를 공급하면, 그것은 지능을 확장하지 않습니다. 그것은 운영 위험을 확장합니다.

새로운 속도에서 같은 오래된 데이터 문제

에이전틱 AI가 노출하는 데이터 품질 문제는 새로운 것이 아닙니다. 시스템 및 엔터프라이즈 자산 관리 배포에서 17년 이상 작업한 결과, 제가 반복적으로 같은 문제를 보았습니다. 중복된 레코드, 누락된 자산 관계, 일관되지 않은命名 규칙, 구식의 임계값, 오래된 고장 코드 등입니다.

변한 것은 이러한 문제의 본질이 아니라, 그 범위입니다.

경험 많은 기술자는 나쁜 레코드를 잡기 전에 행동하기 전에 수년간의 기관 지식을 이용하여 그것을 잡을 수 있습니다. 에이전트는 그 본능이 없습니다. 그것은 수천 개의 레코드를 사람보다 빠르게 처리할 수 있지만, 누군가가 알기 전에 같은 결함 있는 가정에 따라 확장할 수 있습니다.

더 넓은 기업 구현 문제는 이미 보입니다. 예비 MIT 프로젝트 NANDA 보고서는 95%의 조직이 생성적 AI 이니셔티브에서 측정 가능한 이익을 얻지 못했다고 밝혔습니다. 보고서는 그 차이를 주로 학습 및 통합 격차로归因했습니다. 이러한 격차에는 도구가 컨텍스트를 유지하지 못하거나 기존 워크플로에 효과적으로 적응하지 못하는 경우가 포함됩니다. 자산 집약적인 운영에서 잘못된 추천이 물리적 장비에 영향을 미칠 수 있는 경우, 그 격차는 더 심각합니다.

나쁜 데이터가 안전하지 않은 결정으로 되는 곳

운영 환경에서, 그 결과는 물리적입니다.

유지 보수 우선순위를 생각해 보십시오. 에이전트가 최근의 고장을 볼 수 없거나, 지연된 작업 주문, 또는 자산 상태의 변경을 볼 수 없으면, 잘못된 우선순위를 할당할 수 있습니다. 이것은 한 영역에서 불필요한 작업을 생성하고, 다른 곳에서는 더 큰 위험을 해결하지 못하게 할 수 있습니다.

자산 관계 자체가 잘못된 경우, 더 심각한 문제가 발생합니다. 이것은 적색 깃발을 올리는 시나리오입니다. 시스템이 정확하게 자산이 연결되어 있는지, 작업을 시작하기 전에 어떤 장비를 분리해야 하는지, 또는 특정 사이트에서 어떤 제약이 적용되는지 반영하지 못하는 경우, 그 추천은真正로 안전하지 않을 수 있습니다.

그것이 조직이 에이전틱 AI에 대한 비판적인 결정을 내리기 전에 신중하게 생각해야 하는 이유입니다. 자발적인 NIST AI 위험 관리 프레임워크는 AI 시스템의 수명주기 전반에 걸쳐 신뢰성을 통합하는 구조를 제공합니다. AI는 정보를รว잡고, 옵션을 표면화하고, 추천서 뒤에 있는 증거를 요약할 수 있습니다. 그러나 안전성, 규정 준수 또는 서비스 신뢰성이 걸린 경우, 사람들은 여전히 참여해야 합니다.

적어도 초기에는, 목표는 결정을 지원하는 AI가되어야 합니다. 결정을 내리는 것이 아닙니다.

엔터프라이즈 자산 관리는 백오피스가 아니라 기초입니다

엔터프라이즈 자산 관리, 또는 EAM은 운영 현실이 조직화되는 곳입니다. 작업 주문, 유지 보수 전략, 검사, 승인, 자산 관계 및 장비 기록이 기록되고 관리되는 곳입니다.

강력한 EAM 기초는 에이전트에게 신뢰할 수 있는 운영 데이터를 제공합니다. 약한 기초는 거의 즉시 노출될 수 있습니다. EY의 AI를 사용한 엔터프라이즈 자산 관리 분석에서도 실제 데이터 및 분석의 역할을 강조하며, 조직이 반응적인 유지 보수에서 예방적인 유지 보수로 이동하는 데 도움이 됩니다.

조직은 EAM을 백오피스 시스템으로 취급하지 말고, 운영 제어 계층으로 취급해야 합니다. 그것은 에이전트가 접근할 수 있는 데이터, 따라야 하는 프로세스, 의존하는 증거 및 여전히 인간의 승인이 필요한 곳을 결정합니다.

EAM은 또한 운영 결정을 내리는 데 필요한 컨텍스트를 제공합니다. 유지 보수 추천은 단지 개별 자산의 상태에만 기반을 두어서는 안 됩니다. 그것은 자산의 임계성, 최근의 고장, 연결된 장비, 사용 가능한 부품, 안전 절차, 크루 가용성 및 다운타임이 더 넓은 운영에 미치는 영향을 고려해야 합니다.

그 컨텍스트가 없으면, 기술적으로 정교한 에이전트도 잘못된 조치를 추천할 수 있습니다.

데이터가 실제로 “AI 준비”된 것인지?

조직은 광범위하고 추상적인 데이터 품질 검토를 시작하는 대신, 특정 사용 사례, 예를 들어 AI를 지원하는 유지 보수 계획과 같은 사용 사례에서 시작하여, 목표된 질문을 해야 합니다.

이것은 제가 먼저 묻는 질문입니다. 자산 계층을 신뢰할 수 있습니까? 고장 기록이 신뢰할 수 있습니까? 작업 계획이 최신 상태입니까? 크루 가용성이 정확합니까? 안전 계획이 최신 상태입니까?

데이터가 완벽할 필요는 없습니다. 거의 모든 조직은 완벽한 운영 데이터를 갖지 않을 것입니다. 데이터는 AI가 실제로 사람들의 결정을 지원하기에 충분히 정확하고, 최신의 상태이며, 잘 관리되어야 합니다.

이 접근 방식은 데이터 개선을 더 관리 가능하게 만듭니다. 조직은 모든 레코드를 조직 전체에 걸쳐 청소하려고 시도하는 대신, 선택한 사용 사례에 직접적으로 영향을 미치는 정보에 집중할 수 있습니다.

잘못된 경우의 위험은 均等하게 분포되지 않습니다. 디지털 결정을 물리적 운영에 영향을 미치는 산업은 가장 큰 노출을 가지고 있습니다. 이것이 NIST가 중요한 인프라 운영자가 AI를 사용하는 것을 위한 신뢰할 수 있는 AI에 대한 AI 위험 관리 프레임워크 프로파일을 개발하는 이유입니다. 낮은 위험 프로세스에서, 나쁨 AI 추천은 불편함이나 추가 작업을 유발할 수 있습니다. 그러나 전력망, 물 공급 시스템, 광산, 운송 네트워크 또는 통신 환경에서, 그것은 안전성에 영향을 미치거나, 다운타임을 유발하거나, 규정 준수 문제를 일으키거나, 서비스를 중단할 수 있습니다.

그것은 이러한 산업이 에이전틱 AI를 피해야 한다는 것을 의미하지 않습니다. 데이터 품질, 거버넌스 및 인간의 감독에 대해 더 신중해야 한다는 것을 의미합니다.

에이전틱 AI를 위한 실용적인 경로

실용적인 구현 경로는 에이전트가 과도한 위험을 도입하지 않고 가치를 추가할 수 있는 특정 사용 사례에서 시작합니다.

그런 다음 조직은 사용 사례에 의존하는 데이터를 매핑하고, 그 정보가 신뢰할 수 있는지 진지하게 평가해야 합니다. 팀은 가장 중요한 자산 데이터를 수정하고, 명확한 소유권을 할당하며, 작업, 고장 및 운영 변경 사항을 기록하는 방법을 표준화해야 합니다.

AI는 기존 거버넌스 프로세스 안에서 작동해야 하며, 그 주변에서 작동해서는 안 됩니다. 초기 단계에서, 에이전트는 계획자, 신뢰성 팀 및 기술자를 지원하여 정보를 수집하고, 패턴을 식별하고, 가능한 조치를 추천할 수 있습니다.

이것은 조직이 에이전트의 추천과 실제 결과를 비교하고, 데이터 격차를 식별하며, 필요한 제어가 작동하는지 확인할 시간을 줍니다.

결과가 이해된 후에야 조직은 AI에 더 큰 책임을 부여하는 것을 고려해야 합니다. 자율성은渐進적으로 증가해야 하며, 관련 위험이 명확하고, 제어되고, 감사가 가능할 때만 증가해야 합니다.

성공적인 에이전틱 AI 전략은 에이전트를 신뢰할 수 있는 자산 데이터와 강력한 EAM 워크플로에 연결하고, 명확한 거버넌스와 인간의 책임으로 지원합니다. Deloitte의 2026년 엔터프라이즈 AI 상태는 위에서 아래로 같은 결론에 도달합니다. 신뢰할 수 있는 데이터 기초가 AI를 확장하는 데 필수적이라고 설명합니다. 조직은 AI가 추천하거나 취하는 행동에 대해 책임을 지며, 그 책임은 알고리즘에 의해 생성된 결정일지라도 사라지지 않습니다.

에이전틱 AI는 운영에 들어가는 것을 벌어야 하며, 주어져서는 안 됩니다. 狭く 시작하고, 그 추천을 실제로 일어난 것과 비교하고, 나타나는 데이터 격차를 수정하고, 증거가 그것을 정당화할 때만 역할을 확장합니다. 저는 에이전트가 작은 양의 신뢰를 얻고 그것을 유지하는 것을보다 큰 양의 신뢰를 받고 그것을 잃는 것을보다 선호합니다. 자산 집약적인 산업에서, 그忍耐力은 AI가 신뢰를 얻는 것과 AI가 조용히 그것을 잃는 것 사이의 차이입니다.