TL;DR

• 일반 AI 챗봇은 질문에 답하지만, AI 에이전트는 관찰 → 추론 → 계획 → 행동의 4단계 루프로 작업을 완수합니다.
• 우리 팀은 AI 코딩 도구(Claude Code, Cursor, Codex 등)를 코드 생성기가 아니라 도메인 학습 도구로 먼저 활용합니다.
• 실제 예지정비 프로젝트에서, AI가 만든 코드는 수식은 맞아도 실제 데이터 적용 가능성·단위·결측값 처리·시각화 목적 적합성까지 보장하지 않았습니다.
• 검증은 여전히 개발자의 몫입니다.
• 결국 AI가 줄여준 것은 판단이 아니라 학습과 반복 작업에 걸리는 시간입니다.

 

이 글에서 익명화한 부분

 

이 글은 실제 프로젝트 경험을 바탕으로 하되, 고객사명, 산업군, 설비 규모, 정확한 수치와 그래프는 모두 제거하거나 일반화했습니다.

아래에서 소개하는 "열교환 설비 예지정비" 사례는 실제 프로젝트를 대표성 있게 재구성한 것으로, 특정 고객사를 식별할 수 있는 정보는 포함하지 않습니다.

 

 

---

 

AI Agent란?

 

사용자가 설정한 목표를 달성하기 위해 스스로 상황을 인지하고, 계획을 세우며, 외부 도구를 활용해 독립적으로 업무를 수행하는 지능형 소프트웨어 시스템입니다.

 

AI 에이전트의 핵심 4단계

 

일반적인 AI 챗봇이 단순히 질문에 답하는 것에 그친다면, AI 에이전트는 다음과 같은 4가지 과정을 거쳐 자율적으로 작업을 완수합니다.

 

1. 관찰(Observation): 사용자나 환경으로부터 데이터를 수집
2. 추론(Reasoning): 수집된 데이터를 바탕으로 현재 상황과 맥락을 이해
3. 계획(Planning): 목표 달성을 위해 필요한 작업 단계를 스스로 설계
4. 행동(Action): 외부 앱이나 API를 호출하여 실제로 작업을 실행하고 결과를 도출

 

이 네 단계 중 어느 하나라도 안정적으로 이어지지 않으면, 에이전트는 "일을 끝내지 못하는 챗봇"으로 되돌아갑니다.

이 글은 실제 프로젝트에서 "이 루프를 각 단계별로 어떻게 신뢰할 수 있게 만들었는가"에 대한 내용입니다.

 

 

---

 

1. 기존 개발 방식의 문제

 

예전에는 새로운 프로젝트를 시작하면 개발보다 공부에 더 많은 시간을 사용했습니다.

예를 들어 산업 설비의 이상 징후를 예측하는 프로젝트를 맡았다면, 먼저 해야 할 일은 Python 코드를 작성하는 것이 아니었습니다. 오히려 다음과 같은 질문부터 해결해야 했습니다.

 

• 대상 열화·오염 현상은 무엇인가?
• 설비의 동작 원리는?
• 온도차(ΔT)는 왜 중요한가?
• LMTD는 어떻게 계산하는가?
• 열효율은 무엇을 의미하는가?
• 기존 연구에서는 어떤 Feature를 사용했는가?
• 어떤 AI 모델이 적합한가?

 

이 과정은 논문, 기술 문서, 인터넷 검색을 반복하며 진행되었고, 도메인을 이해하기까지 상당한 시간이 필요했습니다.

 

 

---

 

2. AI가 바꾼 첫 번째 단계는 '개발'이 아니라 '도메인 지식'

 

많은 사람이 AI 코딩 도구를 코드 생성기로 생각하지만, 우리 팀에서는 오히려 도메인 학습 도구로 먼저 활용합니다.

프로젝트를 시작하면 곧바로 구현하지 않습니다. 먼저 Claude Code와 Cursor를 활용해 프로젝트의 배경지식을 빠르게 확보합니다. 예를 들어 다음과 같은 질문을 반복합니다.

 

 

• 핵심 용어 정리
• 관련 수식과 계산 방식
• 유사 연구·사례에서 사용된 접근법

 

 

이렇게 확보한 배경지식을 바탕으로 분석 방향을 설계하고 실제 구현을 시작합니다.

 

 

---

 

3. 실제 사례: 열교환 설비 예지정비 프로젝트

 

아래 사례는 실제 프로젝트를 바탕으로 하되, 특정 고객사를 식별할 수 있는 정보(회사명, 산업군, 정확한 설비 규모·수치)는 모두 제거하고 일반화한 것입니다.

열교환 설비의 오염(Fouling) 예지정비 프로젝트에서는 데이터 분석이 핵심이었습니다.

먼저 Claude Code에게 열교환기의 동작 원리와 관련 수식을 설명하도록 요청했습니다. 예를 들어 다음과 같은 개념을 먼저 이해했습니다.

 

 

• ΔT
• LMTD
• Temperature Effectiveness
• Fouling
• Heat Balance

 

 

이후 이러한 개념을 실제 데이터와 연결하여 어떤 파생 변수를 만들 수 있는지 검토했습니다.

그 다음 Claude Code를 활용해 기본적인 EDA 노트북을 생성했습니다. 노트북에는 다음 내용이 포함되었습니다.

 

• 데이터 정합
• 열 교환 공식 기반 파생 변수 생성
• 기술통계
• 시계열 시각화
• Cycle 패턴 분석

 

 

이후에는 필요한 기능을 하나씩 추가했습니다. 예를 들어 온도 효율 계산 및 시각화 기능은 여러 차례 프롬프트를 수정하며 원하는 형태로 개선했습니다.

그래프의 형태, 색상, 축 구성, 이벤트 표시 방식 등을 반복적으로 수정하면서 실제 분석 목적에 맞는 결과를 얻을 수 있었습니다.

 

 

---

 

4. AI가 만든 코드는 항상 정답이 아니다

 

AI는 상당히 빠르게 코드를 생성합니다. 하지만 생성된 코드가 항상 프로젝트 목적에 맞는 것은 아니었습니다.

예를 들어 온도 효율 계산 과정에서도 수식 자체는 맞았지만, 다음 사항은 개발자가 직접 확인해야 했습니다.

 

 

 

• 실제 공정 데이터에 적용 가능한지?
• 단위가 올바른지?
• 결측값을 어떻게 처리해야 하는지?
• 시각화가 분석 목적에 적합한지?

 

핵심 포인트 AI는 구현 속도를 높여주지만 결과의 정확성을 보장하지는 않습니다. 생성된 결과를 검증하고 프로젝트 목적에 맞게 수정하는 과정은 여전히 개발자의 중요한 역할입니다.

 

 

---

 

5. 우리가 얻은 가장 큰 변화

 

프로젝트를 진행하면서 가장 크게 달라진 점은 코드를 작성하는 속도보다 문제를 이해하는 속도였습니다.

 

예전에는 새로운 도메인을 이해하기 위해 논문과 기술 문서를 오랜 시간 검토해야 했습니다. 이제는 Claude Code와 Cursor를 활용해 핵심 개념과 선행 사례를 빠르게 정리하고, 이를 바탕으로 분석 방향을 설계한 뒤 구현을 시작합니다.

 

이러한 방식은 단순히 개발 시간을 줄이는 것보다 더 큰 효과를 가져왔습니다. 팀원 간 도메인 이해 수준을 빠르게 맞출 수 있었고, 분석 과정에서 시행착오를 줄이며 설계 품질도 함께 높일 수 있었습니다.

 

결국 AI가 대체한 것은 개발자의 판단이 아니라, 학습과 반복 작업에 소요되는 시간이었습니다.

프로젝트의 방향을 결정하고 결과를 검증하는 역할은 여전히 개발자의 몫이며, 이것이 AI를 효과적으로 활용하기 위해 가장 중요한 역량이라고 생각합니다.

 

 

---

 

실무 체크리스트

 

AI 에이전트·코딩 도구를 프로젝트에 도입할 때, 아래 네 가지를 점검해 보세요.

 

 

• [ ] 도메인 학습 우선: 구현 전에 핵심 개념·수식·선행 사례를 AI와 함께 정리했는가
• [ ] 데이터 적용 가능성: 생성된 로직이 실제 데이터의 특성(스케일, 결측치, 이상치)에 맞는가
• [ ] 단위·수식 검증: 수식이 맞더라도 단위 변환, 기준값이 올바른지 별도로 확인했는가
• [ ] 목적 적합성: 시각화·결과물이 실제 분석 목적(의사결정, 보고 등)에 부합하는가

 

 

---

 

본 게시물은 팀의 실제 프로젝트 경험을 재구성한 것으로, 고객사 정보 및 구체적 수치는 포함하지 않습니다.