안녕하세요. 저희는 KT의 IT Ops본부에서 탄소중립 관련 플랫폼AX 기술을 연구하고 있는 김현숙, 고영근입니다. 이 글에서는 현재 기후변화에 민감하게 진행되고 있는 탄소 중립 규제의 최신 동향을 분석하고, 매년 ESG 보고서 제출하는 업무를 도울수 있는 탄소배출량 관리 Agent를 현재 어느 수준까지 개발 가능하고, 향후에는 어떤 수준까지 발전할 수 있는지, 전반적으로 소개하고자 합니다.

아침마다 출근길 라디오에서는 ‘강릉 가뭄으로 인한 물 부족 사태’, ‘커피와 초콜릿 가격을 올리는 기후플레이션’, ‘기후변화로 산불 더 자주 더 크게', '인도 북부, 폭우로 100여명 사망’ 이라는 무시무시한 이야기가 흘러 나옵니다.

지구의 온도가 변해서 발생되는 기후위기를 최대한 늦추기 위한 국제적인 노력은 1992년부터 시작되었습니다. 리우협약^1992년에서는 기후 변화의 심각성을 인지하고 온실가스 감축 약속을 했으며, 교토의정서^1997년에서는 주요 선진국에 구체적인 감축 의무를 부과하고 배출권 거래 제도를 도입하였습니다. 2015년 12월, 파리 기후 협약에서는 선진국과 개발도상국 모두에게 자발적 감축 목표(NDC)를 설정하도록 의무화하고 산업화 이전 대비 지구 평균 온도 상승을 2℃보다 현저히 낮은 수준으로 유지하고, 1.5℃ 이상 상승하지 않도록 억제하는것을 목표로 하였습니다.

인류의 존폐와 관련있는 기후변화를 야기하는 6대 온실가스^{이산화탄소,메탄,아산화질소, 수소불화탄소, 과불화탄소, 육불화황}의 배출을 줄이고자 세계 여러 나라에서는 지금도 노력하고 있습니다. 온실가스는 탄소배출량으로 환산하여, 배출되는 탄소의 양으로 그 책임을 기업과 나라에 부과하고 있습니다.

자. 이제부터 탄소배출 규제에 대한 이야기를 해드리겠습니다. 그리고, 우리는 또 어떤 노력을 해야할까요? AI는 과연 기후변화 대응에 도움이 될까요?

온실가스 감축을 위한 국제사회의 약속은 국제법의 지위를 갖습니다. 즉, 각국은 비준을 거쳐 국내법을 제정하고 이에 근거해 탄소저감 활동을 이행하게 됩니다. 이에 따라 기업은 탄소배출량을 공개하고 감축을 이행해야 합니다.

 

직접적인 규제의 근거로는 ‘배출권거래제’를 들 수 있습니다. 이 제도는 ‘온실가스 배출권의 할당 및 거래에 관한 법률’에 따른 기업의 의무로서 공개와 감축을 모두 포함하고 있습니다. 2015년부터 5년 단위로 3차에 거쳐 진행되었고 2026년부터 2030년까지 4차 계획기간이 운영됩니다. 4차 계획기간에는 배출권총수량 중 시장안정화 용도의 예비분을 배출허용총량에 포함시키고 (가용한 예비분의 감소효과), 배출권 할당에 있어 유상할당을 확대하는 등 기업이 국가의 감축목표^(NDC) 달성에 실질적인 기여를 하도록 유도하고 있습니다.^[1]

동시에, 기업은 국내 규제와 함께 그 기업이 사업을 영위하는 모든 국가의 규제도 준수해야 합니다. 특히 탄소배출량의 공개에 있어서는 국내외의 압력은 점점 커지고 있는 실정입니다.

해외의 규제 프로그램 중 가장 넓은 범위의 보고를 요구하는 것은 IFRS^{(국제회계기준)}의 표준입니다. IFRS 산하의 ISSB^{(국제지속가능성기준위원회)}에서 개발한 공시기준에 따르면, 기업은 연결회계 기준에 따라 연결회사의 탄소배출량을 모두 공개하여야 합니다. 우리나라의 경우 한국회계기준원 주도로 KSSB^{(한국 지속가능성 공시기준)}로 현지화를 진행하고 있으며, 2028년부터 기업의 공시를 의무화할 예정에 있습니다.

국내 기업에 영향력이 큰 주요 해외 규제는 다음의 표에 정리하였습니다^[2].

1-2. 기업의 탄소 배출량 관리 업무  

기업이 탄소배출량을 공개하는 활동은 MRV (측정^measurement, 보고^report, 검증^verification) 사이클에 따릅니다. 측정 및 보고의 기준은 GHG Protocol^[3]에 따르고 있는데, 기업이 직접 배출하는 온실가스 (Scope 1), 기업이 에너지 (전기, 열)를 사용함으로써 간접적으로 배출되는 온실가스 (Scope 2), 기업의 가치사슬에서 발생하는 온실가스 (Scope 3)로 구분됩니다. 즉, 기업이 배출하는 온실가스는 Scope 1+2, 기업의 가치사슬망에서 배출하는 온실가스는 Scope 3라고 정리할 수 있겠습니다. 국내의 경우 배출권거래제가 2015년부터 시행됨에 따라 Scope 1+2를 산정하는 방법은 정착되어가고 있으나, Scope 3의 산정은 그렇지 않습니다.

Scope 3의 산정이 어려운 이유는 보고기업이 직접 보유하지 못한 데이터 접근에 한계가 있기 때문입니다. 가치사슬망에는 공급망 기업들로부터 보고기업의 제품을 사용하는 고객에 이르기까지 광범위한 구성원이 포함되는데, 필요한 직접 정보(Primary data)의 주체는 보고기업이 아닙니다. 따라서, 여러 주체로부터 이 정보를 제공 받거나, 어려울 경우 간접 정보(Secondary data)를 발굴하여 추정해야 할 필요가 있습니다.

예를 들어, GHG Protocol에서 정의한 Scope 3 산정 가이드라인^[4] 중 구매한 상품의 경우, 공급원별 산정^{공급망이 상품의 배출량 정보를 제공할 경우}, 하이브리드 산정^{공급망이 기업의 배출량 정보를 제공할 경우}, 지출기반 산정 ^{공급망이 기업의 배출량 정보를 제공하지만 보고기업이 구매량을 정량화할 수 없을 때} 등을 제시하고 있으며, 어떤 정보도 없을 경우 평균 산정법^{산업 평균으로부터 추정} 을 적용하도록 하고 있습니다. 이는 다양한 선택지를 제공하기도 하지만, 방법에 따라 다른 결과가 산출되는 등 보고에 어려움을 가중하는 이유이기도 합니다.

각 Scope 1, 2,3의 의미와 예시는 다음 표에 정리하였습니다.

탄소배출량을 공개하기 위해서, 기업은 다음과 같은 업무를 수행합니다. 즉 설비가 기업의 소유 또는 통제범위에 있는지 확인하고, 모니터링 방법을 결정하여 활동자료를 수집하고 해당 활동자료에 적용되는 배출계수를 확인하여 배출량으로 전환합니다. 이 과정에서 탄소배출량관리 업무전문가는 기업내 다양한 부서와 협력하여 업무를 처리하여야 합니다.

 

더욱이, 감축을 이행하는 활동을 고려하면 기업의 배출량관리 업무는 연간 1회 (대부분의 규제 프로그램은 1년 주기의 보고를 요구) 발생하는 업무가 아닌 상시업무로 보아야 합니다.

감축이행의 과정은 일반론적인 성과관리 사이클인 계획(Plan) → 이행(Do) → 평가(Check)의 과정을 따릅니다. 이 사이클은 1년 주기의 보고 사이클보다 길거나 짧은 여러 사이클이 동시에 진행되는 특성을 갖습니다. 예를 들어 노후설비를 고효율 설비로 교체하는 활동과 재생에너지로 생산된 전력 (RE)을 구매하는 활동은 동시에 진행될 수 있지만 업무가 지속되는 기간은 다를 수 있습니다. 게다가 두 활동은 각각 다른 업무지식을 요구하는 활동입니다. 특히 RE 구매 또는 배출권 경매 등에 참여하여 기업의 비용을 최적화하기 위해서는 그 업무범위가 탄소재무 전략까지 확장될 것입니다. 이때는 언급한 협력대상 이외에도 특정 시장전문가의 도움이 필요할 수도 있습니다.

정리하자면, 규제의 변화에 따라 이제 기업의 탄소배출량 관리 업무는 1년에 한번 발생하는 보고업무를 넘어 기업 내외부의 여러 업무 전문가가 연중 협력하여야 하는 복잡한 업무로 바뀌고 있습니다. 특히, 2026년부터 2030년까지의 기간은 4차 배출권거래제, KSSB 법정공시 개시(2028), 국가 배출량 40%감축목표(2030) (2023년 실적은 12%에 불과) 등이 겹쳐 업무의 집중이 예상되는 시기입니다.

이에 우리는 그동안 탄소배출량 관리 시스템을 개발하고 Assistive agent를 접목했던 경험과 함께 최근 빠르게 발전하고 있는 Agentic AI 기술이 이 업무의 개선에 도움을 줄 수 있을지 고민했던 과정을 여기에 소개하고 여러 전문가들의 조언을 구하고자 합니다.

탄소배출량 관리 기술은, ESG를 위해 전력/회계 데이터를 수집하고 연 1회 보고서를 제출하던 단발성 보고에서, 데이터 수집과 보고를 자동화 하고, 나아가 감축 계획과 실행하는 자동화 시스템으로 발전하고 있습니다.

현재 우리의 수준은 데이터 수집과 보고를 자동화 하고 수집된 데이터를 분석하여 감축 계획을 수립하는 AI 적용 중간 단계로, MS의 Sustainability Manager 를 활용하여 AI기반의 탄소배출량 관리 기술을 검증하였습니다.

• PoV는 Proof of Value의 약자로, Microsoft에서 제공하는 특정 기술이나 솔루션이 실제 비즈니스 환경에서 가치가 있는지 검증하는 과정을 의미합니다.
• 우리는 24년 7월부터 25년 7월까지, 약 1년에 거쳐 KT의 Scope 1/2/3 실데이터를 기반으로 Microsoft Sustainability Manager^(MSM) 솔루션이 MRV에 활용 가능한지 검증하였습니다.

• KT는 2006년부터 자발적으로 ESG 보고서를 매년 발간하고 있으며, 23년부터는 Scope 3 를 포함하여 외부컨설팅을 통해 글로벌 표준에 맞는 ESG보고서를 연 1회 공개하고 있습니다.
• 대부분의 기업은 ESG 보고를 위해, 데이터 수집은 ESG 업무 담당자의 전화/이메일 요청으로 현업, 그룹사로부터 수집하고 있으며, 컨설팅사의 인력기반으로 보고서 작성이 이루어지고 있습니다.
  
  

2-2. ESG 데이터 측정/보고서 자동화 시스템: MRV

MRV: 측정(Measurement), 보고(Reporting),검증(Verification)

• MRV는 온실가스 배출량이나 기타 환경 관련 데이터를 정량적으로 측정하고, 이를 투명하게 보고하며, 제3자 기관으로부터 그 신뢰성을 검증받는 체계적인 과정을 의미합니다. 이는 탄소국경조정제도(CBAM)와 같은 국제 탄소 규제에 대응하고, ESG 경영의 신뢰성을 확보하며, 탄소 크레딧 시장의 기반을 다지는 데 중요한 역할을 합니다.
  
  
• MRV 단계

1. 측정: 주요 배출원을 파악하여 인벤토리를 구축하고 데이터를 수집하는 단계로, 제품 생산 및 서비스 제공 과정에서 발생하는 탄소 배출량이나 환경 부하를 객관적이고 과학적인 방법으로 측정합니다.
2. 보고: 측정된 데이터를 기반으로 연간 또는 일정 기간 동안의 환경 영향을 대내외적으로 투명하게 공개하고 보고하는 체계를 구축합니다.
3. 검증: 측정 및 보고된 데이터의 신뢰성을 확보하기 위해, 자체 검증이 아닌 공신력 있는 외부 제3자 기관으로부터 평가받는 과정입니다.
   
   

[구현 사례] KT의 MSM ^{(Microsoft Sustainability Manager)} 기반 ESG 데이터 수집/산출/보고서 자동화 기술 검증

• 왜 MSM인가요?
  MSM는 Scope 1/2/3 데이터 구조가 국제 표준과 정합합니다. 또한, 데이터 수집·계산·리포트까지 워크플로 내장되어 있고. 탄소배출량 관리에 Agent 기능을 적용하는것을 검증하기에 적합합니다. 또한 파워플랫폼기반으로, 손쉽게 원하는 기능을 추가 수정할수 있어, 복잡한 Scope3 를 한국형에 맞게 프로토타이핑 구현하기에 용이하였습니다.

• 우리가 한 검증은?
  수집한 Scope1,2,3 활동 자료와·배출 계수 데이터를 MSM 인제스천 포맷으로 자동 변환·업로드을 수행하였고,  MSM 대시보드·리포트 기능을 통해 Scope`1/2/3 배출량 산출 일관성·정확성을 검증하였습니다. 또한 Copilot Studio 기반으로 생성한 Assistive Agent를 통해, 공급망관리의 용이성을 검증하였습니다.

MSM 대시보드

* KT Carbon Disclosure Assistive Agent: 기업의 ESG 담당자가 활용 가능하도록 챗봇 형태로 개발한 탄소배출량 지원 Agent입니다. 프로토타입으로 개발된 주요 기능으로는 사용법 가이드 문의 등 질의응답 기능, KT Value Chain Portal내 공급망사 ESG 활동데이터 요청/수집 기능, 기업별 탄소배출량 분석과 Insight 제공, 신규 판매제품의 LCA 배출량 자동 산출 기능 등이 있습니다. 이 프로토타입 Agent는 MWC 와 AI tour, WIS 전시를 통해 일반인들에게 소개되었고, 좋은 평가를 받았습니다. 

공급망사 활동데이터 수집 포털

KT Carbon Disclosure Assistive Agent: Scope3 배출량 산출을 위한 신제품 LCA 배출량 자동 산출

• 그래서, 우리가 이룬 성과는?
  첫번째, 기존 수작업 대비 탄소 데이터 및 배출량을 산출하는 소요 시간을 약 40% 이상 단축시킬 수 있었습니다. ESG 보고  서까지 소요되는 기간은 평균적으로 6개월이며, 이중 그룹사/협력사들로 부터 데이터 수집 요청 및 산출에 소요되는  기간은 약 2개월 정도 소요됩니다. 이를 Agent 기반으로 자동화 개발하여, 전체 데이터 수집 시간을 2달 → 2주로 단축할 수 있었습니다.
  두번째, ESG 데이터에 대한 품질 관리가 가능함을 확인하였습니다. 이는 출처/버전 로그가 MSM 내 이력으로 남아  Assurance 대응이 가능하였습니다. 또한, MSM을 통해 향후 Agent Mesh의 ‘검증 레이어’로 활용할 수 있을 것으로 보입니다.

기업 도메인에서 Agentic AI 기술은 업무 담당자들의 역할을 AI Agent로 정의하고, Multi-Agent구조를 통해 전 주기 자동화 및 최적화 기술로 발전하고 있습니다.

1장에서 설명했듯이, 기업의 탄소배출량을 공개하는 과정에서 많은 업무 담당자가 필요합니다. 각 업무의 담당자는 설비가 기업의 소유 또는 통제범위에 있는지 확인하고, 모니터링 방법을 결정하여 활동자료를 수집하고 해당 활동자료에 적용되는 배출계수를 확인하여 배출량으로 전환합니다.  이 과정에서 탄소배출량관리 업무전문가는 기업내 다양한 부서와 협력하여 업무를 처리하여야 합니다. 이와 같은 다수의 업무 담당자 역할을 AI Agent로 대체하기 위해서는 하나의 Agent가 아닌 여러 Agent들로 구성하여 서로 협업하는 환경이 필요합니다. 

앞으로 탄소배출량 관리 업무에 Agentic AI를 적용하기 위해서는 다음과 같은 기술이 고려되어야 합니다.

Agent Mesh란?

• 하나의 Agent가 아닌, 여러 AI Agent들이 역할을 나눠 조직처럼 협업하며, 여러 개의 자율적인 AI Agent들이 서로 협력하고 통신하며 복잡한 작업을 분산 처리할 수 있도록 지원하는 Multi-Agent 시스템의 인프라 구조입니다. 즉, AI Agent들 간의 "네트워크" 또는 "운영체제" 역할을 제공합니다.

• 어떤 Agent가 어떤 기능을 수행할 수 있는지 자동으로 탐색하고, Agent간 통신 및 협업 기능, 신뢰할 수 있는 Agent만 통신 가능하도록 보안 인증 및 권한 관리를 하고, 작업 중복 방지 와 여러 Agent가 동시에 수행할수 있도록 오케스트레이션을 제공합니다.

• Agent Mesh Protocol(AMP)을 사용하여 전체 Agent 네트워크를 조율합니다. Agent 등록, 발견, 메시지 라우팅, 워크플로우를 담당합니다.
• A2A(Agent-to-Agent)는 Agent ↔︎ Agent 직접 연동을 위한 프로토콜로 P2P 방식으로 작업(Task)와 결과를 주고 받습니다.
• MCP(Model Context Protocol)는 각 Agent가 외부 도구(API, DB, 앱 등)를 호출할 수 있도록 연결하는 인터페이스 역할을 합니다.
• 도구 ↔︎ 엔터프라이즈 시스템 연동은 일반적으로 시스템에서 제공하는 RESTful/GraphQL 등을 사용하여 연동합니다.

주요 프레임워크

• CrewAI
  LangChain이나 기타 agent 프레임워크에 의존하지 않고, 완전히 독립적으로 처음부터 스크래치로 개발된 가볍고 매우 빠른 Python 기반 오픈 프레임워크입니다.  전체 Agent 조직을 의미하는 Crew(팀), 특정 역할을 수행하는 Agent, Agent가 수행해야 구체적인 업무인 Task(작업), Agent가 외부 API, 계산기, 검색엔진 등과 상호 작용할 수 있게 해주는 Tool(도구), 작업 흐름을 정의 하는 Process 로 구성됩니다.
  
  

• AutoGen
  Microsoft에서 개발한 Agentic AI 기반 오픈소스 프레임워크로, AI Agent들이 협력하여 복잡한 작업을 수행할 수 있도록 설계된 도구입니다. 특히 Multi-Agent 시스템을 통해 자율성과 협업 능력을 극대화하며, 다양한 산업과 업무에 적용 가능합니다.
  핵심기능으로 Multi-Agent 협업, 자동화된 코드 실행 및 디버깅, 대화형 워크플로우, 사용자 개입 최소화, AutoGen Studio 등을 제공합니다.

• LangGraph
  LangChain은 대규모 언어 모델(LLM)을 활용한 애플리케이션을 쉽게 개발할 수 있도록 돕는 오픈소스 프레임워크로, 복잡한 AI 워크플로우를 간소화하고, 다양한 데이터 소스와 통합하여 지능형 애플리케이션을 만들 수 있게 해줍니다.  LangGraph는 LangChain 프레임워크를 기반으로 구축된 LLM 중심의 워크플로우 오케스트레이션 엔진으로, 복잡한 작업 흐름을 DAG(Directed Acyclic Graph) 형태로 모델링하여 조건 분기, 반복 실행, 상태 공유를 정밀하게 제어할 수 있도록 설계된 시스템입니다. 
  핵심 기능으로 단순한 체인 기반 LLM 호출을 넘어, Multi-Agent 협업, 비결정적 흐름 제어, 에러 복구 로직까지 포함하는 고급 AI 애플리케이션의 실행 환경을 제공합니다.

이제 각 업무 프로세스에 필요한 담당자 (Human)를 식별하고 이들을 도와줄 수 있는 Agent와 그 Agent에 연동이 필요한 도구들을 아래 표에 정의하였습니다.

다음은 정의된 Agent들을 연결하는 구조입니다. 구조의 선택에 있어 규제라는 업무의 특성을 고려하여 협업의 자유도보다는 수퍼바이저의 통제가 용이한 계층적 구조를 선택하였습니다.  여기서, 여러 Agent들이 중복하여 사용하는 도구들이 연결되어 있으며, 이 연동은 MCP(Model Context Protocol)을 통해 해결할 수 있습니다.

다만, 구현에 있어, 규제에 따른 업무 프로세스의 변경, 가용한 도구의 발전, Agent의 신뢰도 변화 등을 고려할 필요가 있습니다. 특히 Agent가 스스로 판단한 결과에 대한 신뢰도가 높아지는 추세에 있다면, 경직된 계층적 구조로부터 협업이 용이한 네트워크 구조로의 변경을 고려해야 할 수도 있습니다. 우리는 Agent Mesh 기술이 이때의 복잡성과 불확실성을 완화하는데 도움을 줄 것으로 예상합니다.

4. 탄소 배출량 관리 기술: AI Agent 기반 Use Case

AI Agent를 활용한 탄소배출량 관리 기술은 많은 연구가 진행되고 있습니다. 인력 위주의 사업을 AI로 대체하는 것은 많은 효과를 얻을 수 있는 과제이기 때문입니다. 전문 인력 기반의 ESG 분야에서 AI Agent를 어떤식으로 적용하는지 학술적 관점과 산업 적용 관점 사례를 소개해드리겠습니다.

ESG 평가를 위한 Multi-Agent 기반 의사결정 모델^[9]

•  본 논문에서는, ESG 평가 시 다양한 이해관계자(Agent)의 선호 차이를 반영한 의사결정 모델을 제안합니다. 퍼지 추론 시스템을 통해 숨겨진 선호 정보를 추출하고, TOPSIS 기법으로 ESG 점수 산출합니다.
  - Multi-Agent 시스템(MAS): 각 Agent는 ESG 요소에 대해 서로 다른 선호를 가짐
  - 퍼지 추론(Fuzzy Reasoning): Agent의 모호한 선호 정보를 수치화
  - TOPSIS 기법: 대안들 중 이상적인 ESG 점수에 가장 가까운 기업을 선택
  - 그룹 의사결정 모델: Agent 간 의견을 통합하여 최종 ESG 평가 도출
• 30개 기업 데이터를 기반으로 실험하여 모델의 유효성 검증하였습니다. ESG 평가의 다양성과 불확실성을 해결하는 데 효과적입니다.

기후 투자 시뮬레이션을 위한 Multi-Agent 강화학습 벤치마크^[10]

• 본 논문에서는, 기업과 투자자를 Agent로 설정하여, ESG 공시 정책이 기업의 기후 투자 행동에 어떤 영향을 미치는지 시뮬레이션하였습니다. 기업은 완화, 그린워싱, 회복탄력성에 자본을 배분하고, 투자자는 ESG 점수를 기반으로 투자를 결정합니다.
  - Multi-Agent 강화학습(MARL): 기업과 투자자를 각각 Agent로 설정
  - 기업은 자본을 세 가지 영역(완화, 회복탄력성, 그린워싱)에 배분
  - 투자자는 ESG 점수를 기반으로 투자 결정을 내림
  - ESG 공시 정책이 존재할 때와 없을 때의 행동 차이를 비교
•  ESG 의식이 높은 투자자가 많을수록 기업의 협력과 기후 리스크 감소가 촉진됩니다. ESG 정책 설계 시 투자자 행동을 고려한 MAS 활용 시뮬레이션 기반 접근 가능합니다.

제조 환경에서의 AI 기반 Multi-Agent 시스템 구현 방법론^[11]

• 본 논문에서는, Industry 4.0 환경에서 MAS를 실제 제조 시스템에 적용하기 위한 6단계 구현 절차^{요구사항 분석→아키텍처 설계→Agent 정의→통신 프로토콜 설정→시뮬레이션→테스트 및 검증} 제시하였습니다.
• 기술 스택
  - OPC UA, FIPA, 디지털 트윈, 시뮬레이션 플랫폼
  - 하이브리드 계층형 MAS 구조: 상위 Agent가 전략적 의사결정, 하위 Agent가 실행 담당

• 스마트 팩토리 환경에서 시뮬레이션 및 디지털 트윈을 활용하여 테스트 및 검증하였습니다. ESG와 직접 연결되지는 않지만, MAS의 산업 적용 사례로, ESG 중 ‘환경’ 영역에서 에너지 효율, 자원 최적화 등에 활용 가능합니다.

GreenX: Agentic AI 기반 탄소배출 관리 시스템

• 국내 AIPIM 사에서 개발한 GreenX는 제조 산업을 중심으로 탄소배출을 정밀하게 측정하고 관리하는 디지털 플랫폼입니다. Agentic AI를 기반으로 하여, 단순한 모니터링을 넘어 자율적 판단과 실행까지 가능한 시스템으로 설계되어 있습니다. 
• 주요 기능으로는 실시간 탄소배출량 측정 및 예측, LCA 기반 탄소 영향 평가, Scope 1,2,3 통합관리, 배출권 거래 및 시세 예측, SaaS 및 구축형을 지원합니다.

• 적용 사례

        - 독일 자동차 제조사: 공장 내 17개 에너지 시스템 통합 → 탄소 13% 감축, 에너지 비용 8% 절감

        - 아시아 유통기업: 물류 허브 재설계 → 이동 거리 22% 단축, 탄소 18% 감축

        - 스웨덴 도시개발: 건축 자재·냉난방·교통 흐름 최적화 → CO₂ 30% 감축

Carboledger: AI Agent 기반 ESG 보고 및 탄소 회계 시스템

• Carboledger는 ESG 보고 및 탄소 회계를 자동화하고 최적화하기 위해 AI Agent 기반 플랫폼을 제공하는 글로벌 솔루션입니다. 복잡하고 수작업이 많은 ESG 업무를 50개 이상의 목적별 AI Agent가 협업하여 처리합니다.

• 주요 기능
  - AI Agent들이 Scope 1, 2, 3 데이터를 자동 수집, 계산, 보고
  - GHG Protocol, CSRD, SEC 규정에 맞춘 자동 보고서 생성
  - 이상 탐지 및 규제 대응 자동화

• 특징
  - 예측 분석으로 감축 경로 시뮬레이션
  - 블록체인 연계로 데이터 신뢰성 확보
  - AI Agent 협업 구조로 ESG 워크플로우 자동화

GHGSat: Vanguard 위성 + AI Agent 통합 사례

• GHGSat의 ‘Vanguard’ 위성은 고해상도 탄소 감시 기술과 AI Agent 시스템을 통합하여, 산업 현장의 탄소 배출을 정밀하게 추적하고 관리합니다.  고해상도 위성을 통해 전 세계 CO₂ 배출을 실시간 추적 하고, AI Agent가 개별 발전소 단위까지 배출량 분석합니다.

• 적용 사례
  - 11개의 위성을 운영, Vanguard는 최초로 CO₂를 고정밀 추적하는 상업용 위성 _{(TIME 선정 ‘2024년 최고의 발명품)}

AT&T + Ericsson 협력 사례

•  AT&T와 Ericsson은 2023년 12월, 약 140억 달러 규모의 5년간 전략적 협력 계약을 체결하며 미국 통신 인프라의 미래를 함께 구축하는 대형 프로젝트를 시작하였습니다.

• 기술 적용
  - AI 기반 Radio Applications (rApps): 네트워크 성능 및 에너지 소비 최적화
  - Micro Sleep TX: 트래픽이 적은 시간에 자동으로 송신 중단
  - Digital Twin 기술: 인프라 가상화로 물리적 방문 최소화

• 성과

        - 연간 22,963톤의 탄소배출 절감

        - 에너지 효율 20~25% 향상, 운송 거리 260만 마일 절감

NEC의 Multi-Agent Simulator for Carbon Neutrality^[12]

•  복잡한 글로벌 공급망 내에서 탄소중립을 달성하기 위한 전략을 시뮬레이션하는 도구입니다. 특히 Scope 3 탄소배출을 정밀하게 모델링하고, AI Agent 기반으로 다양한 시나리오를 분석할 수 있도록 설계되었습니다. 

• 기술 구성

        - 공급망 내 다양한 주체(공장, 창고, 소비자 등)를 Agent로 모델링

        - 각 Agent가 자율적으로 의사결정하며 탄소배출량을 계산

        - ‘What-if’ 시나리오를 통해 정책/운영 변화의 영향을 예측

• 모든 산업군에 적용 가능하지만, 통신사에서의 실제 적용 사례는 아직 없습니다.

Agentic AI는 자율적인 판단과 행동을 지향하는 기술입니다. 이를 탄소배출량관리와 같은 규제적 업무에 적용하는 것은 법률 위배와 같은 심각한 결과를 초래할 수도 있습니다. 인간에 직접적인 영향을 미칠 수 있는 ‘고영향 AI’에 대한 사회적 논의는 진행되고 있지만, 규제영역에서의 AI 응용은 RAI의 또 다른 주제가 아닐까 합니다.

책임이 따르는 규제적 업무에 Agentic AI 기술을 적용하기 위해서는 설명가능성 (Explainability)에 대한 고려가 필요합니다. 즉, AI가 자율적으로 내린 결정에 대해서도 그 논리적인 이유와 판단 근거를 설명할 수 있어야 합니다. 이를 위해서는 판단에 따르는 충분한 로그를 기록할 필요가 있는데, 이 로그는 AI의 설명 기능 뿐 아니라 담당자 (Human)의 감사추적 기능에도 활용될 수 있어야 합니다.

다음으로는 담당자의 개입 (Human intervention)입니다. 즉, AI가 판단할 수 있는 범위에 대한 제한설정을 통하여 중요하거나 최종적인 판단에 있어 담당자의 개입을 요청하는 Human in the loop 기능을 구현하여 담당자의 승인/거절 절차를 병행할 필요가 있습니다.

끝으로 학습 모델의 개선에 대한 고려입니다. ‘담당자의 개입’을 통하여 AI가 규제와 배치되는 판단을 하는 것을 완화할 수는 있지만, 이는 규제적 업무의 생산성을 높이고자 했던 최초의 목적성을 훼손할 수 있습니다. 즉, AI가 학습을 통하여 규제와 배치되는 판단을 줄여나가도록 하는 방법을 고민할 필요가 있습니다. 이때 담당자의 승인 행위를 강화학습의 보상으로 활용할 수 있을 것으로도 보고 있습니다.

이제 기후공시는 단순한 보고를 넘어, 상시 운영과 재무 전략의 핵심 요소로 자리 잡고 있습니다. 기후변화 대응은 더 이상 선택이 아닌 필수이며, 상시 운영, 감축 검증, 재무 연계를 위해서는 단기적 해법이 아닌 전 과정 자동화를 위한 거시적 기술 접근이 필요합니다.

그 첫걸음으로, 우리는 탄소배출량 관리 시스템인 MSM PoV를 통해 공급망 관리 분야에 Assistive Agent를 적용하고 검증했습니다. 기업 도메인에서 Agentic AI 기술은 업무 담당자들의 역할을 AI Agent로 정의하고, Agent Mesh, MCP/A2A 기반의 Multi-Agent구조를 통해 전 주기 자동화 및 최적화 기술로 발전하고 있습니다. 우리는 이와 같은 기술 트렌드가 탄소배출량 관리업무의 발전에도 기여할 것으로 믿고 있습니다. 다만, 규제적 업무에 있어 Agent의 판단범위에 대해서는 사회적 기술적 합의가 필요한 분야라고 생각합니다.

기후 대응의 미래는 이미 시작되었으나 그 길은 험난합니다. 전문가 영역에 해당하는 어려운 ESG 분야에서 누구나 활용할 수 있는 Agent로 그 역할을 대신하고, 사람이 미쳐 파악하지 못하는 작은 부분 하나라도 놓치지 않고 탄소 배출을 줄일 수 있도록, 우리는 AI 기술로 해답을 만들어 가고자 꾸준히 노력하겠습니다. 끝까지 읽어주셔서 감사합니다.