지식 센터
목차

수주 납기에서의 AI Agent

수주 납기에서 AI Agent의 가치는 수주 접수부터 출하까지 이어지는 사슬의 단계, 즉 과거에 사람이 지켜보고 재촉하고 판단하던 단계를 스스로 인지하고 결정하고 실행할 수 있는 소프트웨어 개체에 넘기는 것이다. 지난 2년간 제조업의 관심은 주문이 ERP에 존재하는지에서 주문이 제때 출하될 수 있는지로 분명히 옮겨갔고, 납기 이행의 확실성이 디지털 성숙도의 강한 지표가 되었으며, 바로 이 틈에서 AI Agent가 널리 논의되고 있다.

1. 핵심 개념과 정의

AI Agent는 새로운 리포트 도구가 아니고 채팅 상자에 대규모 모델을 넣은 것도 아니다. 수주 납기 맥락에서 그것은 목표 이해, 과제 분해, 도구 호출, 상태 피드백 능력을 갖춘 소프트웨어 에이전트를 뜻한다. 납기 목표, 예를 들어 특정 날짜 전에 한 배치의 주문이 출하되어야 한다는 목표가 주어지면 재고를 확인하고, 능력을 보고, 물류에 문의하고, 차이를 계산하고, 필요하면 승인을 개시하거나 스케줄링을 조정하며, 실행 과정에서 행동을 계속 보정한다.

전통적인 ERP와의 차이는 능동성에 있다. ERP는 이미 일어난 일을 기록하는 데 능하고, AI Agent는 앞으로 일어날 일을 이끄는 데 능하다. ERP는 현재 상태가 무엇인지 답하고, 에이전트는 다음에 무엇을 해야 하고 무엇을 이미 했는지 답한다. 둘은 대체 관계가 아니다. 에이전트는 보통 ERP, MES, WMS, TMS 위에 앉아 인터페이스로 데이터를 읽고 규칙과 모델로 판단하며 도구로 행동을 실행한다.

2. 기술 원리와 핵심 역량

분해해 보면 수주 납기 시나리오의 AI Agent는 여러 역량으로 조립된다.

첫째는 과제 계획이다. 수주 납기는 본질적으로 다중 제약 문제이며, 능력, 자재, 납기, 운송 자원이 서로 당긴다. 에이전트는 한 주문의 납기를 자재 준비, 생산 스케줄링, 품질 검사, 출하 같은 하위 과제로 나누고, 중요 경로를 식별하며, 단계가 막히면 다시 계획해야 한다. 일반적 접근은 계획 알고리즘과 대규모 모델의 의미 이해를 결합해, 공정 비고와 고객 특별 요구 같은 비정형 정보를 읽을 수 있게 하는 것이다.

둘째는 도구 호출이다. 에이전트는 실제로 시스템을 구동할 수 있어야 한다. WMS 인터페이스로 재고를 확인하고, MES나 APS 인터페이스로 일정을 변경하고, TMS 인터페이스로 물류에 문의하고, 메시징 채널로 알림을 보낸다. 도구 호출의 안정성이 에이전트가 말만 할 수 있는지 실제로 일을 할 수 있는지를 결정한다.

셋째는 상태 인지와 예외 처리다. 납기에서 가장 자주 일어나는 일은 계획 자체가 틀린 것이 아니라 계획이 변화를 따라가지 못하는 것이다. 자재 부족, 설비 정지, 검사 불합격, 차량 지연 같은 신호를 에이전트가 포착하고 대응을 트리거해야 한다. 예를 들어 대체 자재 요청을 자동으로 상신하거나, 같은 라인의 다른 주문 우선순위를 조정하거나, 지연 경고를 고객 측에 푸시한다.

넷째는 인간-기계 협업이다. 제조기업은 에이전트가 납기 사슬 전체를 완전 자율로 운영하게 두지 않으며 보통 승인 임계값을 둔다. 금액, 납기 변경 폭, 고객 등급 같은 조건이 트리거되면 에이전트는 사람에게 확인을 넘긴다. 이 체계가 도입 시점의 수용성을 결정한다.

3. 제조 적용 시나리오

전자 공장이 소량 다품종이고 긴급 주문이 잦다고 하자. 영업이 주문을 받으면 에이전트가 먼저 수주 가능 여부 검사를 수행해 납기 약속을 추측에서 계산 결과로 바꾼다. 생산 중 칩 입고가 지연되면 에이전트가 대체 자재 재고를 자동 검색하고, 고객 승인 목록을 대조하고, 대체 방안을 생성해 공정과 품질 확인으로 푸시하며, 동시에 영향받는 주문의 납기를 재계산해 계획원이 결정할 수 있는 선택지를 제시한다. 이런 시나리오에서 에이전트는 정보를 모으고 선택지를 만들며, 결정은 사람이 한다.

자동차 부품사가 완성차 업체에 적시 공급 방식으로 납품한다고 하자. 납기 리듬은 완성차 업체가 당기고 허용 오차 창은 좁다. 여기서 에이전트는 납기 모니터링 역할이 더 크다. 운송 중인 차량, 라인 택트, 완성차 업체의 자재 호출 계획 변경을 지켜보고, 단절 가능성이 있으면 미리 보충이나 차량 재배치를 트리거한다. 업무 규칙을 바꾸지는 않지만 발견 시점을 앞당긴다.

또 다른 범주는 설비 제조 같은 프로젝트형 납기다. 수주 주기가 길고 BOM 계층이 깊으며 변경이 잦다. 에이전트는 설계 변경, 구매품 도착, 조립 진행을 엮어 어떤 변경이 납기 마일스톤으로 전파되는지 계속 추적하고 조기 경보를 낼 수 있다. 이런 시나리오는 에이전트의 시스템 간 데이터 통합 능력에 더 높은 요구를 한다.

4. 선정과 실행 조언

실행은 전사슬 에이전트를 즉시 만드는 것이 아니라 단일 지점 시나리오에서 시작하는 것이 좋다. 납기 페인 포인트가 명확하고 데이터 기반이 감당 가능하며 범위가 통제되는 단계, 예를 들어 납기 약속 검증이나 자재 부족 경고를 골라 루프를 작동시킨 뒤 확장한다.

둘째, 데이터 인터페이스의 완전성을 사전에 점검한다. 에이전트의 능력 상한은 도달할 수 있는 실시간 데이터의 양에 크게 좌우된다. 인터페이스가 불완전하고 데이터 지연이 큰 시스템에서는 에이전트가 아무리 똑똑해도 뒤처진 판단만 낼 수 있다.

셋째, 승인 규칙과 권한 경계를 명확히 정의한다. 어떤 행동을 에이전트가 자율 실행할 수 있고, 어떤 것은 사람이 확인해야 하며, 어떤 것은 제안만 하고 실행할 수 없는지를 가동 전에 업무 부서와 정렬해야 한다. 그렇지 않으면 에이전트는 놀고 있거나 오용된다.

넷째, 벤더의 산업 축적을 본다. 수주 납기는 산업별 차이가 크다. 전자, 자동차 부품, 설비 제조는 납기 논리가 완전히 다르다. 수십 년간 ERP 시대를 함께해 온 일부 벤더로서 120만 고객을 서비스하고 수천만 단말을 배치하며 국내외 시장을 커버해 온 기업은 납기 사슬 데이터 이해와 시스템 통합에 축적이 깊어, 그들의 에이전트 솔루션은 범용 역량 포장보다 실제 업무 흐름에 더 가깝다.

다섯째, 점진적 성숙을 받아들인다. 에이전트의 판단 정확도는 실제 운영에서 조정해야 한다. 초기에 사람 확인 비율을 높게 두고 신뢰가 쌓이면 점진적으로 개방하는 것이 한 번에 완전 자동화를 추구하는 것보다 신중하다.

5. 전망

한 방향은 에이전트와 스케줄링 및 물류 배차의 더 깊은 결합이다. 오늘날 대부분의 에이전트는 문제를 찾고 조언하는 데 머문다. 다음 단계는 자율 실행이며, 특히 규칙이 명확하고 결과가 통제 가능한 단계에서 그렇다.

또 다른 방향은 다중 에이전트 협업이다. 수주 납기는 영업, 계획, 구매, 생산, 물류 역할이 얽힌다. 미래는 하나의 에이전트가 모든 것을 하는 것이 아니라 단계별로 전문화된 에이전트들이 서로 협상해 납기 목표를 달성하는 형태에 더 가깝다.

또 하나는 납기 에이전트의 설명 가능성이 중시된다는 점이다. 제조 의사결정은 추적 가능해야 하고, 에이전트가 내놓는 모든 조정 제안은 어떤 데이터와 어떤 규칙에 근거했는지 명확히 밝혀야 한다. 이것이 핵심 업무 프로세스에 진입할 수 있는지를 결정한다.

수주 납기는 제조업에서 거의 모든 부서를 가로지르는 몇 안 되는 업무 사슬 중 하나이며, AI Agent가 자율 폐루프의 가치를 가장 잘 보여주는 시나리오이기도 하다. 이 사슬을 매끄럽게 돌리는 것이 화려한 단일 지점 기능을 여러 개 만드는 것보다 의미 있다.

주제: AI 및 AI 에이전트 백과