Domain Agents on Cognite: 이데미쓰코산이 분야별 AI 에이전트로 플랜트 가동률 90%를 노리는 방식

이데미쓰코산은 플랜트 데이터를 한 기반에 모은 뒤, 전사 공통 AI 하나 대신 운전·품질·생산·안전 분야마다 따로 에이전트를 만들었습니다. 현장이 쓰게 만든 장치는 두 가지입니다. 하나는 모든 수치에 계산식과 참조 데이터를 붙이는 규칙이고, 다른 하나는 PPT 설명 대신 보여 주는 데모입니다. 따라 하려면 먼저 데이터 연결률을 재고, 분야별 질문 목록과 근거 표시 형식을 정해야 합니다.

요약

일본 정유·석유화학 기업 이데미쓰코산(出光興産)의 생산기술센터장인 鳳城延佳(호조) 집행이사는 2026년 9월 17일 Cognite가 도쿄에서 연 연례 행사 Impact World Tour Tokyo 2026에서 회사의 DX·AI 전략을 발표했습니다. MONOist는 11월 5일 이 발표를 정리해 보도했습니다. 이데미쓰코산은 하루 93.1만 배럴의 원유를 처리하고 에틸렌 생산 능력은 연 100만 톤입니다. DX와 AI는 234명이 일하는 생산기술센터가 이끕니다. 이 센터는 자사 제조 거점과 관계사 정유소, 대만·베트남·말레이시아 해외 플랜트까지 지원합니다. 회사는 DX·AX 기반을 데이터, 시스템, 인재 세 영역으로 나눠 정비했고, 인재 쪽에서는 DX 전문가 450명을 키웠습니다. 기반의 중심에는 산업 데이터 플랫폼 Cognite Data Fusion(CDF, 시스템마다 흩어진 설비·운전 데이터를 서로 연결해 주는 플랫폼)이 있습니다.

DX·AX 기반을 세 영역으로 나눠 정비(생산기술센터 발표 기준)

목표는 숫자로 정해 두었습니다. 정기 수리 기간을 뺀 플랜트 평균 가동률이 2023~2025년도 86%였는데, 이를 90% 이상으로 올리는 것입니다. 2030년까지는 이상 감지와 판단 지원을 맡는 AI 에이전트를 현장에 두려고 합니다. 이를 위해 P&ID(배관·계장 도면), 설비 도서, 운전 데이터, 인수인계 기록, 아차사고 사례를 CDF에 모아 대상 데이터의 85%를 연결했습니다. 누적 사용자는 약 2,500명, 하루 평균 약 320명이고 연 약 12만 시간 상당의 업무를 줄였습니다. 이 기반 위에 로코드 개발 도구 Cognite Atlas AI로 운전·품질·생산·안전 분야별 에이전트를 만들었습니다. 회사는 전사 공통 모델도 검토했지만 분야마다 용어와 판단 기준, 데이터베이스가 달라 이 길을 택했습니다. 아래에서는 이 구조를 다섯 가지 메커니즘으로 풀고, 같은 일을 우리 플랜트에서 돌릴 때 필요한 기술·현업 디테일을 붙입니다.

플랜트 평균 가동률(0 기준). 목표는 90% 이상

핵심 메커니즘

Plant Data Foundation: P&ID를 기점으로 흩어진 자료를 잇는 기반

무엇인가. 도면, 설비 문서, 운전 기록, 보수 이력처럼 시스템마다 따로 쌓인 자료를 설비 단위로 연결해 한 화면에서 찾게 하는 데이터 기반입니다.

어떻게 작동하나. 출발점은 P&ID입니다. 도면 속 설비 번호(태그)를 기준으로 설비 문서, 운전 시계열, 인수인계 기록, 아차사고 사례를 이어 붙입니다. Cognite 고객 사례에 따르면 이데미쓰코산은 최신 P&ID 약 1만 장을 모았고, 도면에서 출발해 600만 건이 넘는 기록을 바로 열어 볼 수 있게 했습니다. 이미지와 도면의 글자는 AI-OCR로 읽고, 표기가 조금씩 다른 키는 fuzzy matching(유사 일치)으로 자동 연결합니다.

언제 쓰고 언제 안 쓰나. 같은 설비를 두고 ERP, 운전 데이터 시스템, 문서 서버가 따로 노는 현장에 맞습니다. 에이전트가 답을 지어내지 않게 하려면 참조할 데이터가 먼저 연결돼 있어야 하므로, 분야별 에이전트보다 먼저 깝니다. 데이터가 이미 한 시스템에 정리된 소규모 설비라면 이 단계를 크게 둘 필요가 없습니다.

원문의 예. 이데미쓰코산은 대상 데이터의 85%를 이 기반에 연결했습니다. 누적 약 2,500명, 하루 평균 약 320명이 쓰고 있으며 연 약 12만 시간 상당의 효율화로 이어졌습니다.

작은 예시(가상 예시). 보전 담당자가 열교환기 E-101을 P&ID에서 누르면, 지난 5년 보수 이력과 최근 30일 출구 온도 추세, 작년 인수인계 메모 2건이 한 화면에 함께 뜹니다.

Plant Data Foundation: 시스템마다 흩어진 자료를 P&ID 기점으로 잇는다

Domain-specific Agents: 분야마다 따로 만드는 에이전트

무엇인가. 운전, 품질, 생산, 안전처럼 업무 분야별로 참조 데이터와 답의 모양을 따로 정한 AI 에이전트입니다.

어떻게 작동하나. 분야마다 쓰는 말과 판단 기준, 데이터베이스가 다릅니다. 그래서 에이전트마다 참조할 자료 범위와 출력 형식을 따로 둡니다. 운전 에이전트에 “에틸렌 장치 트러블 대응”을 물으면 관련 P&ID, 요령서, 아차사고 보고서, 과거 사례 목록이 나옵니다. 요약 버튼을 누르면 목적, 전제 조건, 구체 절차, 안전 주의 네 항목으로 정리됩니다. 품질 에이전트는 레귤러 가솔린 규격을 물으면 저장된 최신 규격값으로 답합니다. 생산 에이전트는 원유 투입량 대비 제품 득률(收率)의 계획과 실적을 보여 줍니다.

언제 쓰고 언제 안 쓰나. 분야 사이에 용어와 기준이 크게 갈리는 조직에 맞습니다. 분야가 하나뿐이거나 질문이 단순한 문서 검색에 그친다면 공통 검색 에이전트 하나로도 충분합니다.

원문의 예. 이데미쓰코산은 전사 공통 AI 모델을 먼저 검토했다가 접었습니다. 그리고 산업용 AI 에이전트를 로코드로 만드는 Cognite Atlas AI로 분야별 에이전트를 만들었습니다. 지금은 각 분야가 스스로 유스케이스를 내놓고 있습니다.

작은 예시(가상 예시). 생산관리 쪽에서 KERO라고 쓰는 말을 안전 쪽 보고서는 등유라고 적습니다. 분야별 용어 사전이 있으면 두 표기를 같은 제품으로 묶어 찾습니다.

Domain-specific Agents: 분야마다 참조 데이터와 답의 모양이 다르다

Evidence-first Answer: 수치에 계산식과 참조 데이터를 붙이는 답

무엇인가. 에이전트가 숫자를 낼 때마다 어떤 계산식으로, 어떤 데이터를 써서 냈는지 함께 보여 주게 하는 출력 규칙입니다.

어떻게 작동하나. 생산 에이전트에 이번 주 등유 득률을 물으면 “득률 실적 약 ○○%“라는 답과 함께 계산식과 참조한 데이터가 나옵니다. 현장 담당자는 숫자를 그대로 믿지 않고 계산 과정을 직접 따라가 맞는지 확인할 수 있습니다.

언제 쓰고 언제 안 쓰나. 수치가 운전 판단이나 보고로 이어지는 모든 답에 씁니다. 문서 목록을 찾아 주는 검색형 답이라면 원본 문서 링크만 붙여도 됩니다.

원문의 예. 호조 센터장은 AI가 낸 데이터의 블랙박스를 없애는 일이 중요하다고 했습니다. 어느 데이터를 보고 어떤 식으로 계산했는지 모르는 도구는 현장이 쓰기 무섭다는 이유입니다. 그래서 이데미쓰코산의 에이전트는 수치의 근거인 계산식과 참조 데이터를 반드시 함께 보여 줍니다.

작은 예시(가상 예시). “이번 주 등유 득률 18.2%” 아래에 “등유 생산량 ÷ 원유 처리량 × 100, 11월 2~8일, 출하 탱크 계량값 기준”이라는 근거 줄이 붙습니다.

Evidence-first Answer: 수치는 늘 계산식·참조 데이터와 함께 나간다

Report Structuring: 제각각인 안전 보고서를 분류해 KPI로 바꾸기

무엇인가. 현장 작업자가 자유롭게 쓴 안전 보고서와 아차사고 보고서를 읽어 자동으로 분류·정리하고, 사고 지표를 집계하는 에이전트입니다.

어떻게 작동하나. 보고서는 쓰는 사람에 따라 표현과 자세한 정도가 크게 다릅니다. 안전 에이전트는 이 텍스트를 읽어 분류하고 정리(데이터 클렌징)합니다. 정리된 결과로 사고 건수와 휴업 재해 같은 KPI를 자동으로 집계합니다. 사람이 분류할 때 생기는 실수와 담당자에 따른 편차가 줄어듭니다.

언제 쓰고 언제 안 쓰나. 보고서 건수가 많고 분류를 담당자가 손으로 하던 곳에 맞습니다. 법정 보고처럼 분류 결과가 바로 외부로 나가는 경우는 사람이 최종 확인하는 단계를 둡니다.

원문의 예. 이데미쓰코산은 사고 원인을 구조(仕組み), 사람, 설비 셋 중 어디서 비롯됐는지 자동 분류하는 에이전트를 개발하고 있습니다.

작은 예시(가상 예시). “펌프 기동 전 밸브 확인을 빠뜨림”이라는 보고는 원인 ‘사람’, 장소 ‘출하 설비’, 유형 ‘확인 누락’으로 분류되고 이번 달 아차사고 건수에 더해집니다.

Report Structuring: 자유 서술 보고서를 분류해 KPI로 바꾼다

Field Adoption: 현장이 쓰게 만드는 장 만들기

무엇인가. 새 에이전트를 내놓는 것만으로는 현장이 쓰지 않는다는 전제에서 출발한 정착 활동입니다. 원문은 이를 장 만들기(場づくり)라고 부릅니다.

어떻게 작동하나. 세 가지를 함께 합니다. 첫째, Touch & Feel입니다. 이미 고도화된 제어 시스템 위에 AI를 더하는 가치는 PPT로는 설득되지 않으므로 데모로 직접 보여 줍니다. 둘째, 데이터 거버넌스입니다. 데이터 품질을 챙기고, AI의 정확도와 동작이 완벽하지 않으며 환각이 생길 수 있다는 점을 미리 알려 기대치를 맞춥니다. 셋째, 운전·보전 같은 분야별로 유스케이스를 직접 찾게 합니다.

언제 쓰고 언제 안 쓰나. 운전원과 보전 담당자처럼 기존 시스템에 익숙하고 새 도구를 의심하는 사용자층이 클 때 필요합니다. 사무 부서용 범용 도구라면 이보다 가볍게 해도 됩니다.

원문의 예. 호조 센터장은 AI를 현장에 녹이는 일이 많은 회사가 그렇듯 어렵다고 했습니다. 이데미쓰코산은 이를 데모 중심으로 풀었습니다.

작은 예시(가상 예시). 교대 인수인계 회의 끝 15분에 그 주에 실제로 나온 질문 3개를 에이전트에 넣어 보고, 근거 줄을 함께 확인합니다.

Field Adoption: 현장이 쓰게 만드는 세 가지 활동

통념과 다른 주장

흔히 이렇게 봅니다전사에 AI를 퍼뜨리려면 공통 모델 하나를 두고 모든 부서가 같이 쓰는 편이 효율적이다.

이데미쓰코산은 이렇게 봅니다플랜트 업무는 분야마다 용어·판단 기준·데이터가 달라서, 분야별로 에이전트를 따로 만드는 편이 맞다.

근거공통 모델을 검토했다가 접고 로코드 도구로 운전·품질·생산·안전 에이전트를 만들었습니다. 이후 각 분야가 스스로 유스케이스를 내놓고 있습니다.

흔히 이렇게 봅니다AI 도입은 효과를 정리한 자료로 설득하고, 정확도의 한계는 굳이 앞세우지 않는다.

이데미쓰코산은 이렇게 봅니다현장은 데모로 직접 겪어야 움직이고, AI가 틀릴 수 있다는 점은 처음부터 알려야 오래 쓴다.

근거PPT 대신 데모를 중심에 두고 환각 가능성을 미리 알렸습니다. 수치마다 계산식과 참조 데이터를 붙여 사용자가 직접 확인하게 했습니다.

공통 모델 하나보다 분야별 에이전트를 택한 이유

저자가 든 사례

플랜트 데이터 기반 구축

상황: 1990년대부터 디지털로 쌓은 설비 문서, 운전 이력, 인수인계 기록, 과거 사고 기록이 서로 연결되지 않아 보전 계획을 세울 때 엑셀로 손수 모아야 했습니다(Cognite 고객 사례). 한 일: 2024년 4월 CDF를 도입해 홋카이도 정유소와 지바·아이치·도쿠야마 사업소, 4개 제조 거점에 펼쳤고, P&ID를 기점으로 설비 도서·운전 데이터·인수인계 기록·아차사고 사례를 연결했습니다. 결과: 대상 데이터 85% 연결, 누적 사용자 약 2,500명, 하루 평균 약 320명, 연 약 12만 시간 상당 효율화. 연결: Plant Data Foundation.

Plant Data Foundation 결과: 대상 데이터 85% 연결

데이터 기반 이용 현황(0 기준 막대, 발표 수치)

분야별 에이전트 네 개

상황: 요령서, 아차사고 보고서, 과거 사례에서 필요한 정보를 찾는 데 시간이 많이 걸렸고, 안전 보고서는 작성자마다 표현이 달랐습니다. 한 일: Cognite Atlas AI로 운전(트러블 대응 자료 목록과 4항목 요약), 품질(가솔린 등 최신 규격 답변), 생산(득률 계획·실적 가시화), 안전(보고서 분류와 KPI 집계) 에이전트를 만들고, 모든 수치에 계산식과 참조 데이터를 붙였습니다. 결과: 검색 시간 단축, 안전 의식 향상과 휴먼 에러 감소를 기대 효과로 들었습니다. 분야별 정량 효과는 원문에서 밝히지 않음. 연결: Domain-specific Agents, Evidence-first Answer, Report Structuring.

가동률 90%와 2030년 목표

상황: 정기 수리를 뺀 플랜트 평균 가동률이 2023~2025년도 86%였습니다. 한 일: 디지털 기술 활용, 가동률을 높이는 투자, 현장력 강화, 본사·사업소의 상하·수평 연계라는 네 가지 강화책을 세우고 데모·데이터 거버넌스·유스케이스 발굴로 현장 정착을 밀었습니다. 결과: 90% 이상 가동률과 2030년 이상 감지·판단 지원 에이전트가 목표이며, 달성 여부는 원문에서 밝히지 않음(계획 단계). 연결: Field Adoption.

구상에서 2030 목표까지(연도는 Cognite 고객 사례와 발표 기준)

기술 디테일: 실제로 돌릴 때 필요한 것

Plant Data Foundation의 연결률을 재려면 먼저 “대상 데이터”를 목록으로 못 박습니다. 시스템별 문서·시계열 개수를 분모로 두고, 설비 태그에 하나 이상 연결된 개수를 분자로 둡니다. 태그 추출은 AI-OCR로 하고, 표기가 다른 키(예: E-101, E101, E-101A)는 fuzzy matching 점수로 처리합니다. 점수 구간을 나눠 높은 구간만 자동 연결하고 중간 구간은 데이터 스튜어드(데이터 관리 담당)가 판정합니다. 연결 결과는 아래처럼 설비 노드에 붙여 둡니다(필드명과 값은 가상 예시).

{
  "asset_tag": "E-101",
  "site": "chiba",
  "unit": "ethylene",
  "linked": {
    "pid_sheet": ["PID-ETY-0412"],
    "documents": 37,
    "timeseries": ["E-101.TI-2031", "E-101.PDI-2040"],
    "handover_notes": 12,
    "near_miss": 2
  },
  "match": {"method": "fuzzy", "score": 0.93, "reviewed_by": null},
  "updated_at": "2026-11-02T06:00:00+09:00"
}

Cognite 고객 사례에 따르면 이데미쓰코산은 거점과 부서마다 다른 P&ID 작도 규칙을 한 장씩 점검하고 권장 PDF 형식으로 다시 출력해 연결 정확도를 올렸습니다. 연결률이 낮은 거점은 도면 형식부터 맞춥니다.

가상 예시: 태그 매칭 점수 구간별 처리 규칙

Domain-specific Agents를 설계하려면 에이전트 하나마다 네 가지 설정을 분야 오너가 채웁니다. 용어 사전(KERO와 등유처럼 같은 대상을 부르는 표기 묶음), 허용 데이터 소스 목록, 판단 기준(규격표, 계산식)과 그 버전, 고정 출력 틀입니다. 운전 에이전트라면 출력 틀을 목적·전제 조건·구체 절차·안전 주의 네 섹션으로 고정하고, 섹션마다 출처 문서 ID를 달게 합니다. 검색 범위를 허용 소스 안으로 묶어 두면 다른 분야 문서가 섞여 들어와 기준이 엉키는 일을 막을 수 있습니다. 허용 소스 안에서 근거 문서를 찾지 못하면 답을 지어내지 말고 “찾지 못함”과 가장 가까운 문서 3개를 돌려주게 하고, 이런 질문은 따로 기록해 데이터 연결 목록에 올립니다. 분야별 에이전트는 그 분야 사용자 그룹에만 열어 문서 접근 권한도 함께 나눕니다. 에이전트에 쓴 언어 모델은 공개되지 않았으므로 도구가 지원하는 것 중 사내 보안 기준을 통과한 것으로 고릅니다. 로코드 도구를 쓰더라도 설정 파일은 버전으로 관리하고, 규격 개정일이 바뀌면 품질 에이전트의 판단 기준 버전도 함께 올립니다.

가상 예시: 에이전트 하나를 만들 때 분야 오너가 채우는 설정

Evidence-first Answer를 구현하려면 숫자를 언어 모델이 직접 계산하게 두지 않습니다. 모델은 질문을 해석해 정해진 계산 함수(도구)를 고르고, 함수가 데이터를 읽어 값을 계산한 뒤 계산식과 입력값을 함께 돌려줍니다. 응답은 구조화 출력으로 받습니다(필드명과 값은 가상 예시).

{
  "question": "이번 주 등유 득률",
  "value": 18.2,
  "unit": "%",
  "formula": "kero_output_kl / crude_charge_kl * 100",
  "period": {"from": "2026-11-02", "to": "2026-11-08"},
  "inputs": [
    {"id": "KERO.OUT.TANK", "value": 41250, "unit": "kL", "source": "출하 탱크 계량"},
    {"id": "CDU.CHARGE", "value": 226650, "unit": "kL", "source": "상압 증류 투입량"}
  ],
  "as_of": "2026-11-06T07:00:00+09:00",
  "status": "ok"
}

입력 데이터가 비었거나 기간이 덜 찼으면 status를 insufficient_data로 두고 숫자를 내지 않게 합니다. 평가는 분야마다 골든 질문(정답을 미리 정해 둔 질문) 50개를 만들어 하고, 같은 질문을 3회씩 돌려 답이 같은지도 봅니다. temperature는 0으로 둡니다.

가상 예시: 분야별 골든 질문 평가의 통과 기준(%)

Report Structuring을 돌리려면 분류 결과를 정해진 스키마로 받습니다. 예를 들면 {"report_id", "event_type", "location", "root_cause": "구조|사람|설비", "lost_time": true/false, "confidence"}입니다. 같은 보고서를 3회 분류해 2회 이상 같으면 자동 확정하고, 셋이 모두 갈리거나 confidence가 낮으면 안전 담당자의 검토 대기열로 보냅니다. 시작 전에 안전 담당자 두 명이 보고서 200건을 따로 분류해 사람끼리 일치율을 먼저 잽니다. 에이전트 목표는 이 사람 간 일치율 수준으로 둡니다. KPI 집계는 확정된 표에서 SQL로 계산하고, 언어 모델은 집계에 쓰지 않습니다.

가상 예시: 반복 분류가 갈리면 사람이 본다

Field Adoption을 운영하려면 데모를 현장의 실제 질문으로 만듭니다. 교대 회의나 인수인계에서 나온 질문 10개를 골라 미리 돌려 보고 근거 줄이 맞는지 확인한 뒤 보여 줍니다. 답마다 맞음/틀림 버튼을 달아 틀린 답은 매주 30분 회의에서 분야 오너가 모아 원인(데이터 미연결, 용어 누락, 계산식 오류)을 붙입니다. 이용 지표는 일간 사용자와 재방문율로 봅니다. 이데미쓰코산이 밝힌 하루 평균 약 320명은 누적 약 2,500명의 13% 정도이므로, 우리 현장의 비율을 비교할 기준선으로 쓸 수 있습니다.

가상 예시: 현장 정착을 위해 운영하는 네 가지

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
생산기술 부서장(추진 조직장)	가동률 목표와 연결, 첫 분야 선정, 확대 판정
분야 오너(운전·품질·생산관리·안전 각 1명)	질문 목록, 용어 사전, 판단 기준·계산식 제공, 골든 질문 정답 확정
데이터 스튜어드	대상 데이터 목록, 연결률 측정, 중간 점수 매칭 판정
에이전트 개발자(로코드 도구 담당)	설정 구성, 계산 함수 연결, 평가 실행
운전원·반장	데모 참여, 맞음/틀림 피드백, 현장 질문 제보
IT·보안	접근 권한, 제어망과 정보망 분리 확인

준비물. 시스템별 데이터 목록(문서·도면·시계열·보고서 개수), 최근 3개월 교대 인수인계에서 나온 질문 모음, 분야별 규격표와 득률 계산식, 안전 보고서 최근 1년치, 현재 문서 검색에 쓰는 시간을 재는 2주짜리 기록표가 필요합니다. 연간 효율화 시간을 나중에 계산하려면 기준선이 있어야 하므로, 검색 시간 기록은 도입 전에 시작합니다.

기간	할 일	산출물
1~2주	대상 데이터 목록 작성, 연결률 측정, 분야별 질문 수집	연결률 기준선, 분야별 질문 50개
3~5주	첫 에이전트(품질: 규격 질의) 구성, 근거 표시 형식 확정	에이전트 1차, 응답 스키마
6~8주	현장 데모, 골든 질문 평가, 피드백 수집	평가표, 틀린 답 원인 목록
9~12주	두 번째 에이전트(생산: 득률), 확대 판정	득률 계산 함수, 확대 여부 보고

가상 예시: 분야 하나씩 넓히는 12주 계획

첫 분야로 품질을 고른 이유는 정답이 규격표에 있어서 평가가 쉽기 때문입니다(가상 예시의 선택). 득률처럼 계산이 들어가는 생산 분야는 근거 표시 형식이 자리 잡은 뒤에 붙입니다.

현업에 물을 것.

지난주 문서나 도면을 찾느라 쓴 시간은 하루 몇 분인가요? 어느 시스템을 몇 개 열었나요?
같은 설비를 부르는 이름이 부서마다 몇 가지인가요?
에이전트가 낸 숫자를 믿으려면 무엇이 같이 보여야 하나요? 계산식, 원 데이터, 기간 중 무엇인가요?
안전 보고서 분류에서 담당자끼리 가장 자주 의견이 갈리는 항목은 무엇인가요?
AI가 틀린 답을 냈을 때 누구에게 알리면 되나요?

진행 판정 기준(예시). 첫 분야의 대상 데이터 연결률이 80% 이상이어야 에이전트를 붙입니다. 골든 질문 수치 일치 98% 이상, 근거 표시 100%, 3회 반복 일치 95% 이상이면 현장 데모로 넘어갑니다. 데모 뒤 4주 동안 대상 인원의 하루 평균 사용 비율이 10% 이상이고 틀림 피드백이 주마다 줄어들면 두 번째 분야로 넓힙니다.

AX 적용 제언. 정유, 석유화학, 철강, 정밀화학처럼 연속 공정 플랜트를 여러 거점에 둔 기업에 바로 옮길 수 있는 사례입니다. 출발점은 AI가 아니라 데이터 연결률입니다. 경영진에는 가동률 같은 플랜트 KPI 하나에 묶어 보고하고, 현업 스폰서는 분야 오너 넷 중 정답이 가장 분명한 분야에서 찾습니다. 전사 공통 챗봇을 먼저 깔려는 계획이 있다면, 분야별 질문 목록을 먼저 모아 공통 모델로 답이 되는지 시험해 보고 판단하도록 순서를 바꿉니다. 안전 보고서 분류는 KPI 집계 시간을 바로 줄이므로 두 번째나 세 번째 성과로 두기 좋습니다.

원문 사례

항목	내용
기사	MONOist 인공지능 뉴스, 2026.11.05 게재(遠藤和宏)
발표	Cognite Impact World Tour Tokyo 2026(2026.09.17), 鳳城延佳(호조) 집행이사·생산기술센터장
회사 규모	원유 처리 하루 93.1만 배럴, 국내 연료유 판매 연 3,300만 kL, 에틸렌 연 100만 톤, 연결 종업원 약 1만 4,000명
추진 조직	생산기술센터 234명, 시스템 고도화 기술실, 해외(대만·베트남·말레이시아) 플랜트까지 지원
DX·AX 기반	데이터·시스템·인재 3영역, DX 전문가 450명 육성
데이터 기반	Cognite Data Fusion, P&ID·설비 도서·운전 데이터·인수인계 기록·아차사고 사례 연결, 대상 데이터 85%
이용	누적 약 2,500명, 하루 평균 약 320명, 연 약 12만 시간 상당 효율화
에이전트	Cognite Atlas AI(로코드), 운전·품질·생산·안전 분야별
신뢰 장치	수치마다 계산식과 참조 데이터 표시
개발 중	사고 원인을 구조·사람·설비로 자동 분류
현장 정착	Touch & Feel(데모), 데이터 거버넌스·기대치 관리, 분야별 유스케이스 발굴
목표	평균 가동률 86%(2023~2025년도) → 90% 이상, 2030년 이상 감지·판단 지원 에이전트

핵심 개념

P&ID: Piping and Instrumentation Diagram. 플랜트의 배관, 설비, 계측기와 그 연결을 그린 도면입니다. 설비 태그 번호가 붙어 있어 자료를 잇는 기준으로 씁니다.
Cognite Data Fusion: Cognite의 산업 데이터 플랫폼. 시계열, 문서, 도면, 이벤트를 설비 단위로 연결합니다.
Cognite Atlas AI: Cognite의 산업용 AI 에이전트 개발 도구. 로코드로 에이전트를 구성합니다.
득률: 원유 투입량 대비 특정 제품이 나온 비율. 정유소 생산 계획의 기본 지표입니다.
아차사고: 사고로 이어지지는 않았지만 이어질 뻔한 사례. 일본 현장에서는 히야리핫토(ヒヤリハット)라고 부릅니다.
fuzzy matching: 철자나 기호가 조금 다른 키를 비슷한 정도로 점수를 매겨 같은 대상으로 묶는 방법입니다.
골든 질문: 정답을 미리 정해 두고 에이전트 답과 비교하는 평가용 질문 묶음입니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist에 실린 「プラントの平均稼働率90％以上を目指す、出光興産のAIエージェント活用術」(2026.11.05, 遠藤和宏)입니다. 데이터 기반의 도입 연도, 4개 제조 거점, P&ID 약 1만 장, 600만 건 이상의 기록, AI-OCR·fuzzy matching, 도면 형식 정비는 같은 회사 데이터 기반을 다룬 1차 자료인 Cognite 고객 사례(cognite.com, 이데미쓰코산 플랜트 데이터 일원화 사례)에서 가져왔습니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 기술 디테일, 현업 실행 디테일, JSON 예시, 점수 구간, 평가 기준, 일정표, 판정 기준, 인포그래픽은 실제로 돌릴 때 필요한 내용을 새로 작성했으며 가상 예시는 그렇게 밝혔습니다. 전체 내용은 원문에서 볼 수 있습니다.