지식 센터
목차

변경 관리에서의 AI Agent

변경 관리에서 AI Agent의 가치는 한 문장으로 말할 수 있다. 사람이 지켜보고 이메일로 재촉하고 회의로 정렬하던 변경 프로세스를, 에이전트가 능동적으로 감지하고 판단하고 추진하고 폐루프를 닫는 자동화 프로세스로 바꾸어, 변경이 사람이 일을 찾아가는 방식에서 일이 사람을 찾아가는 방식으로 옮겨가게 한다.

제조업은 변경 관리가 낯설지 않다. 엔지니어링 변경 통보 한 건 뒤에는 BOM, 공정 경로, 구매 발주, 재공품, 재고, 애프터서비스 예비품의 긴 사슬이 매달려 있다. 많은 공장이 한 달에 수십에서 수백 건의 변경을 처리하며 여전히 스프레드시트 대장과 채팅방에 의존한다. 변경이 제대로 실행되지 않아 발생한 배치 재작업에 대한 업계 논의는 끊긴 적이 없고, AI Agent가 도움이 되기를 기대하는 이유다.

1. 핵심 개념과 정의

변경 관리는 제품 설계, 자재, 공정, 공급사 또는 생산 조건이 조정될 때 기업이 영향 평가, 결정 승인, 실행, 결과 검증을 수행하는 일련의 완전한 프로세스를 말한다. 해결하는 핵심 문제는 이것이다. 한 가지가 바뀌면 무엇이 영향을 받고, 누가 바꾸며, 실제로 제대로 바뀌었는가.

여기서 AI Agent는 단순한 워크플로 승인 도구가 아니다. PLM, ERP, MES의 변경 데이터를 읽고, 변경 통보의 의미 내용을 이해하고, 영향 범위를 자율적으로 판단하고, 관련 역할에 과제를 능동적으로 제기하고, 모든 실행 노드의 완료 상태를 추적할 수 있는 감지, 추론, 행동 능력을 갖춘 소프트웨어 에이전트다. 전통적인 워크플로 엔진과의 차이는 워크플로가 미리 정해진 경로를 따르는 반면, 에이전트는 변경의 구체적 내용에 따라 다음 단계를 동적으로 결정할 수 있다는 점이다.

2. 기술 원리와 핵심 역량

분해해 보면 변경 관리의 AI Agent는 주로 네 가지 역량에 의존한다.

첫째, 의미 이해다. 변경 통보는 흔히 자연어 설명이다. 예를 들어 특정 커넥터 모델의 도금을 주석에서 금으로 바꾸며 조립 스테이션 세 곳에 영향이 있다는 내용이다. 에이전트는 품번, 공정, 영향 범위 같은 구조화 정보를 추출할 수 있어 누구도 다시 양식을 채울 필요가 없다. 대규모 모델의 역할은 비정형 텍스트를 실행 가능한 판단 입력으로 바꾸는 것이다.

둘째, 영향 사슬 추론이다. 변경 관리의 어려운 점은 결코 승인이 아니라, 자재 변경이 어느 BOM 계층, 어느 운송 중 구매 발주, 어느 이미 스케줄된 작업지시에 영향을 주는지 밝히는 것이다. 에이전트는 BOM 트리와 공정 경로를 따라 다중 홉 추론을 수행해 직접 영향과 간접 영향을 모두 나열하고 영향 목록을 만든다. 이 단계는 과거 선임 엔지니어의 경험에 의존했지만 이제 재사용 가능한 추론 경로가 있다.

셋째, 과제 오케스트레이션과 능동 추진이다. 영향을 식별한 뒤 에이전트는 역할별 과제 배정을 생성하고 핵심 노드에서 알림과 상향 독촉을 보낸다. 예를 들어 공급사 확인이 기한을 넘기면 누군가 프로세스가 막힌 것을 알아차리기를 기다리지 않고 대체안 문의를 자동으로 트리거한다.

넷째, 폐루프 검증이다. 실행 완료가 변경 완료를 뜻하지는 않는다. 에이전트는 실행 전후 데이터를 대조해 BOM 버전이 동기화되었는지, 구 자재가 격리되었는지, 공정 문서가 갱신되었는지 확인하고, 검증 결과를 변경 통보에 기록해 완전한 이력을 만든다.

3. 제조 적용 시나리오

자동차 부품사가 프레스 부품의 재질 등급을 변경해야 한다고 하자. 전통 방식은 공정 엔지니어링이 변경 통보를 발행하고 구매가 운송 중 발주를 확인하고 생산이 재공품을 확인하는 데 전화 통화로 이틀 사흘이 걸린다. 에이전트가 있으면 변경 통보가 상신되는 순간 관련 운송 중 구매 수량, 작업장의 미완료 작업지시, 이미 출하된 고객 배치를 함께 끌어와 긴급 처리가 필요한 세 곳을 표시하고 담당자 휴대전화로 과제를 직접 푸시한다. 과거 부서 간 조정 회의가 필요했던 일이 여러 개의 병렬 과제 흐름이 된다.

전자 공장에서 고객이 특정 배치의 포장재를 갑자기 바꾸라고 요구했다고 하자. 이런 변경은 수량은 적지만 빈번하고 인수인계에서 가장 놓치기 쉽다. 에이전트는 변경 통보를 작업지시에 결합하고 포장 스테이션 시작 전에 자재 버전을 자동 검증하며, 불일치가 있으면 차단하고 라인 리더에게 알린다. 이런 실행 전 검증은 과거 샘플링 점검에 의존해 커버리지가 제한적이었다.

또 다른 시나리오는 공급사 측 변경이다. 가공 기업이 공급사로부터 자재 대체 요청을 받으면, 에이전트는 대체 자재의 기술 파라미터를 기존 공정 요구와 자동 비교하고 리스크 경고를 내며 엔지니어링 평가가 필요한 항목을 나열해 엔지니어링, 품질, 구매 간 확인 왕복을 줄인다.

4. 선정과 실행 조언

구현 시 세 수준을 고려한다.

프로세스 수준에서는 먼저 변경을 분류한다. 모든 변경에 에이전트가 필요한 것은 아니다. 고빈도 저위험 포장과 라벨 변경은 완전 자동 처리에 적합하고, 안전 부품과 규제 부품 관련 변경은 여전히 사람의 통제가 필요하다. 분류가 명확해지면 에이전트 개입 경계도 명확해진다.

데이터 수준에서 변경 관리는 데이터 섬을 가장 두려워한다. 에이전트의 판단 품질은 읽을 수 있는 시스템 데이터의 양에 달려 있다. 최소한 PLM BOM, ERP 운송 중 발주, MES 작업지시 상태 중 두세 원천은 연결되어야 한다. 업계의 일부 벤더는 수십 년간 ERP 시대를 함께해 왔고 120만 고객을 서비스하며 수천만 단말을 배치하고 국내외 시장을 커버해 왔다. 이런 벤더는 데이터 인터페이스와 제조 공정 이해에 축적이 있으므로, 선정 시 에이전트 기능 목록만 보지 말고 기존 시스템에 연결하는 능력을 보라.

실행 속도는 영향 분석 단독으로 시작한다. 변경 관리 사슬은 길고 전면 도입은 리스크가 크다. 먼저 변경 통보가 오면 영향 목록을 자동 생성하는 단계를 작동시켜 엔지니어링과 계획 부서가 편안함을 느끼게 하고, 그 뒤 과제 추진과 폐루프 검증으로 확장한다. 이 순서가 첫날부터 전 공정 자동화를 하는 것보다 안전하다.

자주 간과되는 점 하나. 에이전트의 판단은 흔적을 남겨야 한다. 각 영향 추론의 근거와 각 과제의 트리거 로직이 추적 가능해야 한다. 변경 관리는 그 자체로 품질 체계의 일부이며, 감사에서 왜 그런 판단을 했는지 설명하지 못하면 프로세스가 아무리 매끄러워도 실패한다.

5. 전망

앞으로 세 방향을 주목할 만하다.

첫째, 변경 관리와 디지털 트윈의 결합이다. 에이전트가 영향 범위를 추론할 때 공정 시뮬레이션이나 라인 트윈 모델을 호출할 수 있다면, 어떤 작업지시가 영향받는지를 넘어 이 변경이 택트와 수율에 어떤 영향을 주는지까지 판단해 더 깊은 판단 차원을 얻는다.

둘째, 다중 에이전트 협업이다. 변경 관리는 엔지니어링, 구매, 생산, 품질 역할이 얽힌다. 미래는 하나의 에이전트가 모든 것을 하는 것이 아니라 도메인 에이전트들이 협력하는 형태다. 엔지니어링 에이전트가 기술적 실현성을 평가하고, 구매 에이전트가 자재 차이를 계산하고, 생산 에이전트가 전환 계획을 배치하며, 서로 해법을 협상한다.

셋째, 변경 지식의 축적과 재사용이다. 모든 처리 경로, 함정, 검증 결과를 에이전트가 축적해 검색 가능한 경험 기반으로 만들 수 있다. 새 공정 엔지니어가 유사한 변경을 만나면 이력 처리 방안을 끌어와 참고할 수 있다. 이 가치는 시간이 지날수록 커지고, 오늘날 많은 공장이 가장 부족한 부분이기도 하다.

변경 관리는 새로운 주제가 아니지만 AI Agent가 새로운 해법을 준다. 사람의 경험과 판단을 시스템 데이터 능력과 연결해 변경이 더 빠르고 더 적게 새도록 만드는 것이다. 제조기업에게 이는 쓸지 말지의 문제가 아니라 어느 단계부터 시작할지의 문제다.

주제: AI 및 AI 에이전트 백과