이 시리즈의 제1부에서는 자동차 산업의 데이터 인프라가 지능 인프라보다 앞서게 된 이유를 설명하고, 그 격차를 해소하기 위한 ‘ Sonatus’의 프레임워크인 ‘에이전틱 루프(Agentic Loop)’—탐지(Detect) → 수집(Collect) → 추론(Reason) → 실행(Act) → 학습(Learn)—를 소개했습니다. 제2부에서는 각 단계가 실제로 어떤 역할을 하는지, 그리고 왜 개별 단계만큼이나 그 순서가 중요한지에 대해 구체적으로 살펴보겠습니다.
감지
감지는 루프의 시작점이며, 그 품질에 따라 이후 모든 단계의 품질이 결정됩니다. 제대로 수행되지 않으면 시스템에 잡음이 넘쳐나게 됩니다. 제대로 수행되면 정밀한 필터 역할을 하여, 중요한 신호는 드러내고 중요하지 않은 신호는 무시합니다.
자동차 시스템의 기존 감지 방식은 주로 규칙 기반입니다. 즉, 임계값 초과, 오류 코드 발생, 이진식 합격/불합격 조건 등이 그 예입니다. 이러한 규칙들은 엔지니어들이 특정 시점에 알려진 고장 모드를 바탕으로 작성한 것입니다. 정의상 이 규칙들은 사후적인 성격을 띠며, 문제가 발생하는 더 넓은 시스템적 맥락과는 분리된 상태에서 이미 확인된 문제를 포착하도록 조정되어 있습니다.
에이전트 기반 아키텍처에서의 감지 방식은 다릅니다. 이 아키텍처는 확률적·맥락적 방식으로 작동하며, 파워트레인이나 열 관리, 차량 네트워킹 등 개별 영역뿐만 아니라 이들 간의 교차점을 포함해 여러 차량 영역에 걸친 패턴을 동시에 활용합니다. 특정 주행 시나리오에서 특정 네트워크 트래픽 패턴과 동시에 발생하는 열 관련 현상은, 그 열 관련 현상만 단독으로 발생했을 때와는 다른 신호로 해석됩니다. 맥락은 의미를 변화시키므로, 탐지 시스템은 적절한 순간에 올바른 신호를 포착하기 위해 맥락을 인식할 수 있어야 합니다.
중요한 점은, 탐지 작업이 테스트 일정이 끝난 후 일괄 처리 방식으로 진행되는 것이 아니라, 차량의 지능형 인프라에 내장된 실시간 레이어로 지속적으로 수행된다는 것입니다. 바로 이 점이 이 루프를 단순한 분석적 과정이 아닌 능동적인 과정으로 만드는 것입니다.
COLLECT
조사할 가치가 있는 대상이 탐지되면, 수집 단계에서 어떤 데이터를 수집할지, 그리고 그만큼 중요한 점은 어떤 데이터를 수집하지 않을지를 결정합니다.
여기서 변화의 핵심은 ‘상시 로깅’에서 ‘이벤트 기반, 표적형 수집’으로의 전환입니다. 상시 로깅은 방대한 양의 데이터를 생성하지만, 그 중 대다수는 분석조차 되지 않습니다. 셀룰러 네트워크를 통한 전송 비용이 비싸고, 저장 비용도 많이 들며, 데이터를 처리하는 데 드는 비용도 상당합니다. 더 중요한 점은, 대량의 로그에는 일반적으로 실행 가능한 조치를 취하는 데 필요한 맥락이 부족하다는 것입니다. 데이터 수집을 촉발한 요인을 알지 못하면, 원시 텔레메트리 데이터를 해석하기 어렵습니다.
이벤트 기반 수집은 이러한 관계를 뒤집습니다. 탐지 계층이 조사할 가치가 있는 신호를 식별하면, 수집 단계에서는 대상에 맞춘 캡처를 구성합니다. 즉, 관심 있는 이벤트 주변을 정확하게 포착하여 적절한 채널, 적절한 시간 창, 적절한 도메인 간 컨텍스트를 포함합니다. 엔지니어는 기가바이트 단위의 연속적인 로그 대신, 이벤트가 발생한 조건에 대한 상세한 주석이 달린 중요한 데이터만을 받게 됩니다.
이것이 바로 재실행을 없애주는 원리입니다. 이전에는 놓쳤던 상황, 즉 누구도 로거를 설정하기 전에 창이 닫혀버린 경우, 시스템이 이미 이를 감시하고 있었기 때문에 첫 번째 시도에서 바로 포착됩니다. 프로토타입을 다시 실행할 필요가 없습니다. 엔지니어들은 필요한 정보를 이미 확보했기 때문입니다.
이유
추론은 지능 아키텍처와 데이터 아키텍처를 가장 명확하게 구분 짓는 단계입니다. 바로 이 단계에서 루프가 “무슨 일이 일어났는가”에서 “왜 그런가”로 전환됩니다.
차량 시스템은 그 복잡성 때문에 수동적인 근본 원인 분석을 점점 더 어렵게 만들고 있습니다. 파워트레인, 열 관리, ADAS, 차량 네트워킹 간의 도메인 간 상호작용은 어느 하나의 데이터 스트림만으로는 명확하게 드러나지 않는 고장 모드를 유발합니다. 경험이 풍부한 엔지니어라도 CAN 로그, 이더넷 캡처, 센서 데이터, 시스템 이벤트 트레이스 전반에 걸친 신호 간의 상관관계를 파악하여 근본 원인에 대한 가설을 세우는 데 며칠을 소비해야 할 수도 있습니다. 게다가 이러한 전문 지식은 쉽게 전수될 수 없습니다. 이는 개인에게 내재되어 있으며, 수년간의 진단 업무를 통해 축적된 것이기 때문에, 해당 인력이 다른 기회를 모색하는 순간 인재 유출 위험으로 이어집니다.
에이전트 기반 아키텍처의 추론 단계는 바로 이러한 다중 출처·다분야 데이터에 대해 ‘ AI ’를 활용한 분석을 적용합니다. 이는 엔지니어의 판단을 대체하는 것이 아니라, 데이터에서 가설 도출까지 걸리는 시간을 단축합니다. 또한 엔지니어가 검토하고, 검증하며, 이에 따라 조치를 취할 수 있도록 체계화된 형태로, 뒷받침되는 증거와 함께 잠재적 근본 원인을 제시합니다. 엔지니어는 여전히 의사결정 과정에 참여하며, 이 과정은 단순히 더 빠르게 진행되고, 어떤 개인도 수동으로 처리할 수 있는 것보다 더 복잡한 상황을 처리할 수 있게 됩니다.
또한 업계에서 종종 과소평가하는 ‘지식 보존’이라는 측면도 있습니다. 진단 전문 지식이 추론 계층에 반영될 때, 즉 전문 엔지니어들이 축적한 패턴 인식 능력이 그들의 머릿속에만 머무르지 않고 시스템에 담겨질 때, 이는 지속 가능한 조직적 자산이 됩니다. 이는 사라지지 않고, 시간이 지날수록 그 가치가 배가됩니다.
ACT
행동 단계야말로 이 루프를 단순한 분석적 차원을 넘어 진정한 ‘주체적’ 루프로 만드는 요소입니다. 이 단계가 없다면, ‘주체적 루프’는 그저 정교한 보고 체계에 불과합니다. 이 단계가 있을 때 비로소 지능이 결과로 나타납니다.
조치의 범위는 의도적으로 넓게 설정되어 있습니다. 한쪽 끝에는 검증 엔지니어가 이미 사용하고 있는 도구를 통해, 뒷받침하는 증거와 추정 근본 원인을 포함한 체계적인 분석 결과를 제시하는 것이 있습니다. 다른 쪽 끝에는 특정 차량 그룹에 대한 OTA 구성 업데이트를 실행하거나, 특정 대리점에 있는 차량에 대한 서비스 권장 사항을 표시하는 것이 있습니다. 이 두 극단 사이에는 추론의 신뢰도, 결정의 중요성, 그리고 OEM의 조직 정책에 맞춰 조정된 다양한 자동화 및 반자동화 대응 방식이 존재합니다.
액션 레이어는 또한 루프가 가장 눈에 띄는 비즈니스 가치를 창출하는 곳이기도 합니다. 이전에는 수일간의 수동 분석과 조치를 위한 정기 회의가 필요했던 분석 결과가, 이제는 몇 시간 만에 도출되고 전파될 수 있습니다. 이전에는 보증 청구 급증에 의해 촉발되던 차량 품질 개선 조치가, 이제는 첫 번째 고객 불만이 접수되기 전에 이루어질 수 있습니다.
배워보기
학습 단계는 ‘에이전틱 루프(Agentic Loop)’를 차량 지능에 적용되어 온 그 밖의 모든 접근 방식과 구별 짓는 요소이며, 무엇보다도 전략적으로 가장 중요한 단계입니다.
이 루프의 다른 모든 단계는 그 자체로도 가치가 있습니다. 하지만 학습 단계가 없다면 루프는 정적인 상태에 머무르게 됩니다. 즉, 1,000번째 사이클에서 이루어지는 탐지, 수집, 추론의 품질은 1번째 사이클 때와 다를 바가 없습니다. 학습 단계는 말 그대로 루프를 완성합니다. 즉, 결과물이 탐지 모델과 추론 지식 기반으로 피드백되어, 확인된 내용, 잘못된 내용, 그리고 새롭게 나타난 패턴을 바탕으로 이를 업데이트합니다.
이는 시스템이 시간이 지남에 따라 명백히 더 좋아진다는 것을 의미합니다. 미미한 수준에서 점진적으로 개선되는 것이 아니라, 복리 효과처럼 기하급수적으로 발전하는 것입니다. 각 사이클이 시스템의 축적된 지능에 더해지기 때문에, 그 결과 이후 모든 사이클의 품질이 향상되기 때문입니다. 이것이 OEM 전략에 있어 왜 중요한지에 대해서는 나중에 다시 다루겠습니다. 왜냐하면 이것이 바로 이 아키텍처가 시사하는 가장 중요한 점이라고 믿기 때문입니다.
왜 ‘운영 체제’가 적절한 비유인가
운영 체제 비유에 대해서는 정확히 짚어두어야 합니다. 제대로 근거를 마련하지 않으면 단순한 마케팅용 수사로 들릴 위험이 있기 때문입니다.
운영 체제는 애플리케이션의 기능을 직접 수행하지 않습니다. 대신 컴퓨팅, 메모리, I/O와 같은 기반 자원을 관리하여, 애플리케이션이 본래의 목적에 집중할 수 있도록 합니다. 또한 다양한 종류의 작업이 효율적으로 실행될 수 있는 안정적이고 공유된 플랫폼을 제공합니다.
에이전틱 루프(Agentic Loop)는 차량 지능 분야에서도 동일한 역할을 수행합니다. 이 루프는 차량 데이터의 근본적인 복잡성 — 감지, 수집, 추론, 실행, 학습 — 을 관리함으로써, 이를 기반으로 개발을 진행하는 팀들이 엔지니어링 의사 결정, 제품 품질 개선, 고객 서비스 제공과 같은 본연의 업무에 집중할 수 있도록 돕습니다. 에이전틱 루프는 이러한 기능들을 대체하는 것이 아닙니다. 오히려 이를 통해 각 기능이 에이전틱 루프가 없었을 때보다 훨씬 더 빠른 속도와 높은 품질로 운영될 수 있는 여건을 조성합니다.
또한 운영 체제와 마찬가지로, 그 위에서 실행되는 기능이 많을수록 그 가치는 더욱 높아집니다. 검증, 품질, 서비스 전반에 걸쳐 공유되는 지능 기반은 각 부서가 고립된 상태로 동일한 기능을 구축하는 것보다 더 큰 가치를 지닙니다. 검증 과정에서 학습된 패턴은 현장 감지에 활용되고, 현장에서 확인된 고장 모드는 다시 검증 기준에 반영되기 때문입니다. 이러한 순환 구조는 단순히 한 기능 내에서만 작동하는 것이 아니라, 여러 기능을 서로 연결해 줍니다.
실무에서의 루프: SOP 전과 SOP 후
루프의 아키텍처는 차량 수명 주기 전반에 걸쳐 변하지 않습니다. 변화하는 것은 데이터 소스와 마지막 단계에서 수행되는 작업의 성격입니다.
SOP 이전 단계인 검증 과정에서, 이 루프는 구조화 및 비구조화 테스트 시나리오를 실행하는 시제품 차량을 대상으로 작동합니다. 탐지 기능은 시운전 중 실시간으로 이상 현상을 식별합니다. 표적 수집 기능은 차량이 the garage 로 복귀하여 창이 닫히기 전에 현장에서 관련 맥락을 즉시 포착합니다. 추론 기능은 검증 팀을 위해 당일, 때로는 그보다 더 빨리 잠재적 근본 원인을 제시합니다. 조치란 즉각적인 테스트 프로토콜 조정이나, 담당 엔지니어링 팀으로 전달되는 설계 관련 발견 사항을 의미할 수 있습니다. 학습 기능은 다음 테스트 주기를 위해 탐지 및 추론 모델을 업데이트하므로, 시스템은 후속 테스트에 진입할 때 이미 무엇을 주의 깊게 관찰해야 할지 파악한 상태입니다.
SOP 이후 현장에서는 동일한 루프가 양산 차량 전체에 걸쳐 대규모로 운영됩니다. 탐지 단계에서는 지역, 주행 사이클, 소프트웨어 버전 또는 환경 조건별로 묶이는 고장 모드와 같은 새롭게 나타나는 패턴을 식별합니다. 표적 수집 단계에서는 해당 현상이 발생하는 차량에서 얻은 정확하고 재현 가능한 증거를 통해 신호를 확인합니다. 추론 단계에서는 차량 군 차원에서 근본 원인을 진단합니다. 조치에는 특정 소프트웨어 구성에 대한 OTA 업데이트, 고객에게 고장이 드러나기 전에 선제적으로 실시하는 서비스 캠페인, 또는 부품 공급업체에 대한 품질 경고 등이 포함될 수 있습니다. 학습 과정을 통해 새로운 고장 모드가 탐지 기준에 통합되므로, 다음 플랫폼은 해당 지식이 이미 내장된 상태로 출시됩니다.
검증용 차량과 양산 차량 군 사이에서 아키텍처의 형태는 변하지 않으며, 달라지는 것은 데이터 소스와 최종 단계의 조치뿐입니다. 하지만 이러한 일관성은 단순한 설계상의 세부 사항을 넘어서는 의미를 지닙니다. 바로 이 점이 이러한 유형의 시스템이 운영 기간이 길어질수록 더 큰 가치를 지니게 되는 이유이며, 이는 현재 OEM들이 이 문제를 어떻게 접근해야 하는지에 있어 가장 중요한 논거입니다.
