에이전틱 AI는 신뢰할 수 있는 자산 데이터 없이 실패할 것

에이전트형 AI는 자산 집약적 산업에서 논의를 넘어 실제 도입으로 빠르게 나아가고 있습니다. 정보를 요약하거나 권고안을 작성하는 생성형 AI와 달리 에이전트형 AI는 주어진 목표를 단계로 나누고 여러 시스템에서 데이터를 가져와 행동할 수 있습니다. 정비 이력을 검토하고 미완료 작업 지시와 작업조 일정을 확인·비교해 사람이 정보를 일일이 연결하지 않아도 권고안을 만들 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.

전력·수도 같은 공공서비스, 운송, 광업, 통신, 제조 등 자산 집약적 산업에서 AI 에이전트의 품질은 행동의 근거가 되는 데이터에 달려 있습니다. 데이터가 불완전하거나 오래됐거나 일관되지 않아도 실패가 뚜렷하게 드러나지 않을 수 있습니다. 오히려 확신에 차서 잘못된 자산의 작업을 권하거나 의존 관계를 놓치고 위험을 과소평가하며 우선순위를 오판할 수 있습니다.

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

새로운 속도에서 같은 오래된 데이터 문제

에이전트형 AI가 드러내는 데이터 품질 문제는 새로운 것이 아닙니다. 저는 시스템과 기업 자산관리 구축 분야에서 17년 넘게 일하며 중복 기록, 누락된 자산 관계, 일관되지 않은 명명 규칙, 오래된 중요도 등급, 부실한 고장 코드 기록 같은 문제가 수년간 반복되는 것을 봤습니다.

변한 것은 이러한 문제의 본질이 아니라, 그 범위입니다.

숙련된 기술자는 시스템에 기록되지 않은 수년간의 조직 지식을 바탕으로 행동하기 전에 잘못된 기록을 알아챌 수 있습니다. AI 에이전트에게는 그런 직관이 없습니다. 사람의 수작업 검토보다 훨씬 빠르게 수천 건을 처리하며, 누군가 알아채기 전에 같은 잘못된 가정을 대규모로 적용할 수 있습니다.

기업 전반의 도입 문제도 이미 드러나 있습니다. 2025년 예비 MIT 프로젝트 NANDA 보고서는 조사 대상 조직의 95%가 생성형 AI 사업에서 측정 가능한 손익 효과를 얻지 못했다고 밝혔습니다. 보고서는 그 차이를 주로 학습과 통합의 격차로 설명했습니다. 맥락을 유지하지 못하거나 기존 업무 흐름에 효과적으로 적응하지 못하는 도구가 그 예입니다. 잘못된 추천이 화면 속 대시보드를 넘어 실제 장비에 영향을 주는 자산 집약적 운영에서는 AI에 대한 기대와 데이터 현실 사이의 격차가 더욱 중대한 결과를 낳습니다.

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 잘못돼 있으면 위험은 더 커집니다. 특히 경계해야 할 상황입니다. 어떤 자산이 연결돼 있는지, 작업 전에 어떤 장비를 격리해야 하는지, 현장별 제약이 무엇인지 시스템이 정확히 반영하지 못하면 추천이 실제로 안전을 위협할 수 있습니다.

그래서 조직은 중대한 결정에 대한 완전한 자율성을 에이전트형 AI에 부여하기 전에 신중해야 합니다. 자율적으로 채택하는 NIST AI 위험 관리 프레임워크는 배포 이후에만 대응하는 대신 AI 시스템의 수명주기 전체에 신뢰성을 반영하는 구조를 제공합니다. AI는 정보를 빠르게 모으고 선택지를 제시하며 권고 근거를 요약할 수 있습니다. 하지만 안전, 규정 준수, 서비스 신뢰성이 걸린 문제에는 사람이 계속 관여해야 합니다.

적어도 초기 목표는 혼자 결정하는 AI가 아니라 사람의 결정을 지원하는 AI여야 합니다.

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 분석도 실시간 데이터와 분석이 사후 대응형 정비에서 선제적 정비로 전환하는 데 중요하다고 강조합니다.

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 운영 판단의 맥락도 제공합니다. 정비 권고는 개별 자산의 상태만으로 결정해서는 안 됩니다. 자산의 중요도, 최근 고장, 연결 장비, 가용 부품, 안전 절차, 작업조 가용성, 가동 중단이 전체 운영에 미치는 영향도 고려해야 할 수 있습니다.

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.

잘못 적용했을 때의 위험은 고르게 분포하지 않습니다. 디지털 결정이 물리적 운영에 영향을 주는 산업의 노출이 가장 큽니다. 그래서 NIST가 AI 기능을 사용하는 핵심 인프라 운영자를 위한 전용 AI 위험관리 프레임워크 프로파일을 개발하고 있습니다. 위험이 낮은 절차에서는 잘못된 AI 권고가 불편이나 추가 업무를 만드는 데 그칠 수 있습니다. 하지만 전력망, 수도 시스템, 광산, 운송망, 통신 환경에서는 안전에 영향을 주고 가동 중단, 규정 준수 문제, 서비스 장애를 일으킬 수 있습니다.

이런 산업이 에이전트형 AI를 피해야 한다는 뜻은 아닙니다. 책임을 늘리기 전에 데이터 품질, 거버넌스, 사람의 감독을 더욱 신중히 갖춰야 한다는 뜻입니다.

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 절차를 우회하지 말고 그 안에서 작동해야 합니다. 초기에는 정보를 모으고 패턴을 찾으며 가능한 조치를 권고해 계획 담당자, 신뢰성 담당팀, 기술자를 지원할 수 있습니다.

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

결과를 이해한 뒤에야 조직은 AI에 더 큰 책임을 맡길지 검토해야 합니다. 자율성은 관련 위험이 명확하고 통제되며 감사 가능할 때에만 점진적으로 늘려야 합니다.

성공적인 에이전틱 AI 전략은 에이전트를 신뢰할 수 있는 자산 데이터와 강력한 EAM 워크플로에 연결하고, 명확한 거버넌스와 인간의 책임으로 지원합니다. Deloitte의 2026년 엔터프라이즈 AI 상태도 경영 관점에서 같은 결론을 내리며 통합되고 신뢰할 수 있는 데이터 기반이 AI 확장에 필수적이라고 설명합니다. 조직은 AI가 권고하거나 실행하는 행동에 계속 책임을 집니다. 알고리즘이 결정을 만들었다고 그 책임이 사라지지는 않습니다.

에이전트형 AI는 운영 권한을 그냥 받아서는 안 되며 신뢰를 쌓아 얻어야 합니다. 좁은 범위에서 시작해 추천을 실제 결과와 비교하고 드러난 데이터 격차를 고친 뒤, 증거가 뒷받침할 때만 역할을 넓혀야 합니다. 저는 에이전트가 큰 신뢰를 한꺼번에 받고 잃는 것보다 작은 신뢰를 얻고 지키는 편을 택하겠습니다. 자산 집약적 산업에서 이런 인내는 신뢰를 쌓는 AI와 조용히 잃어 가는 AI를 가르는 차이입니다.