수주 납기 영역에서 AI Agent는 실행형 배차자 역할을 합니다. 고객 주문, 재고, 생산능력, 물류 사이의 정보 단절을 연결하고, 수주 분할, 스케줄링, 주문 추적, 예외 처리 같은 행동을 자율적으로 수행합니다. 그것은 ERP나 MES를 대체하지 않으며, 그 위에서 시스템 간 실시간 의사결정과 실행을 수행합니다. 제조 기업이 도입 여부를 판단하는 핵심은 주문 변경 빈도, 다품종 소량 생산 비중, 부서 간 조정 시간이 이미 납기 병목이 되었는지입니다.
1. 수주 납기에서 AI Agent는 어떤 문제를 해결하는가?
수주 납기의 고통은 보통 단일 고리 안이 아니라 고리 사이의 접합부에 있습니다. 고객이 긴급 주문을 넣으면 영업은 알고 계획은 모릅니다. 자재가 도착해도 일정이 갱신되지 않습니다. 자재 부족으로 라인이 멈췄는데 구매는 여전히 승인을 기다립니다. 전통적인 ERP는 거래 기록을 관리하고 MES는 현장 실행을 관리하지만, 다음에 무엇을 할지, 어떤 주문을 먼저 돌릴지, 부족분을 어떻게 채울지 같은 판단은 채팅방과 스프레드시트로 정보를 옮겨 다니는 사람에게 크게 의존합니다.
여기서 AI Agent가 등장합니다. 목표 이해, 작업 분해, 도구 호출, 상태 메모리를 갖추고 있어, ERP의 주문 풀, WMS의 재고 수준, MES의 작업지시 진행을 지속적으로 읽고, 납기 우선순위, 자재 키팅률, 가용 설비 생산능력 같은 제약에 따라 스케줄링 권고를 자동 생성하고 실행을 이끌 수 있습니다. 자재 부족, 설비 고장, 고객 주문 변경이 발생하면 에이전트는 재고 전용, 배치 분할, 납기 재협상 같은 대안을 스스로 트리거하며, 사람이 알아차리고 회의를 소집하기를 기다리지 않습니다.
2. AI Agent와 ERP, MES의 핵심 차이는 무엇인가?
ERP는 기록 시스템이고, MES는 실행 시스템이며, AI Agent는 의사결정과 조정의 시스템입니다. 셋은 서로 대체 관계가 아닙니다.
ERP는 어떤 주문이 있고 어떤 자재가 있으며 장부 상태가 어떤지에 답하며, 데이터 일관성에 강하고 실시간 응답에 약합니다. MES는 작업지시가 어느 공정에 있고 설비가 어떤 상태이며 수율이 얼마인지에 답하며, 현장 투명성에 강하고 시스템 간 조정에 약합니다. AI Agent는 지금 무엇을 우선해야 하고, 부족분은 어디서 오며, 예외를 어떻게 우회할지에 답하며, 자율 의사결정과 시스템 간 호출에 강합니다.
기술적으로 에이전트는 API나 메시지 큐를 통해 ERP, MES, WMS, TMS에 연결되며, 흔한 프로토콜로는 RESTful API, 설비 계층의 OPC-UA, MQTT 기반 생산 라인 데이터 수집이 있습니다. 기존 시스템 교체는 필요하지 않으며, 배포는 클라우드 SaaS나 온프레미스 컨테이너화 모두 가능하고 하드웨어 문턱이 낮아 중급 서버나 엣지 게이트웨이 한 대로 추론 작업을 실행할 수 있습니다. 실제로 중요한 것은 연동 대상 시스템의 인터페이스 개방성입니다.
3. 수주 납기에서 AI Agent의 전형적인 적용 시나리오는 무엇인가?
전자 공장이 다품종 소량 PCBA 수탁 생산을 하며 고객 주문 변경이 잦고 자재 대체 관계가 복잡하다고 가정해 봅시다. 매일 아침 에이전트는 미납 주문을 자동으로 가져오고, 재고 키팅 상태와 SMT 라인 전환 시간을 결합해 당일 스케줄링 순서를 생성하고, 부족 자재 목록을 구매로 보냅니다. 특정 자재의 입고가 지연되면 에이전트는 BOM의 AVL 목록을 기준으로 대체 규칙을 자동 확인해 대체 가능 여부를 판단하고, 가능하면 작업지시 자재를 갱신하고 창고에 릴 교체를 알리며, 불가능하면 납기 경고를 트리거하고 분할 납기 권고를 제시합니다.
다른 예로, 완성차 업체에 납품하는 자동차 부품 회사는 납기 리듬이 완성차 업체의 간판에 의해 당겨집니다. 에이전트는 고객 EDI나 간판 시스템에 연결되어 풀 신호를 실시간으로 받고, 재공품 수량과 완제품 재고를 결합해 주문 삽입 여부나 교대 조정 여부를 자동으로 결정합니다. 검사에서 불량 배치가 발견되면 에이전트는 그 배치가 영향을 주는 주문을 추적하고, 재작업이나 보충 권고를 자동 생성하며, 약속 납기를 동시에 갱신합니다.
또 다른 시나리오는 창고 간 이전입니다. 제조 기업이 중앙 창고와 지역 창고를 운영한다면, 에이전트는 주문 목적지, 각 창고 재고, 운송 리드타임을 기준으로 어느 창고에서 출하하는 것이 최적인지 자동으로 결정해 주문 분할과 2차 이전을 줄입니다. 사람도 이런 결정을 할 수 있지만 주문량이 많으면 따라가지 못하며, 에이전트의 가치는 일관성과 연속성에 있습니다.
4. AI Agent를 배치하려면 어떤 조건과 단계가 필요한가?
먼저 인터페이스를 봅니다. 에이전트가 주문을 읽고 작업지시를 쓰고 재고를 조회하려면 ERP, MES, WMS가 호출 가능한 API나 데이터베이스 뷰를 제공해야 합니다. 인터페이스가 폐쇄적이고 데이터 필드가 불명확하면 에이전트의 역량은 크게 줄어듭니다. 구현 전에 인터페이스를 정리하고 어떤 시스템이 실시간 읽기와 쓰기를 지원하며 어떤 시스템이 예약 동기화만 지원하는지 명확히 해야 합니다.
둘째, 데이터 품질을 봅니다. 자재 기준정보, BOM 정확도, 납기 규칙, 대체 관계가 정리되지 않으면 에이전트의 결정이 어긋납니다. 일반적인 구현 주기에서 데이터 거버넌스는 시스템 통합보다 적은 시간을 쓰지 않습니다.
셋째, 구현 리듬을 봅니다. 단일 시나리오로 시작하는 것이 바람직합니다. 예를 들어 대체 권고가 포함된 자재 부족 경고나 일일 스케줄링 권고로 시작해, 가동이 되면 납기 약속과 물류 스케줄링으로 확장합니다. 전체 주기는 연동 시스템 수에 달려 있으며, 단일 시나리오 파일럿은 보통 몇 주에서 몇 달, 전면적인 시스템 간 확장은 더 오래 걸립니다.
넷째, 인간과 기계의 경계를 봅니다. 에이전트의 권고를 자동 실행할지 사람이 확인할지는 리스크 등급에 따라 설정해야 합니다. 스케줄 조정, 자재 대체처럼 영향이 큰 행동은 초기에 사람 승인을 유지하고, 운영이 안정되면 점진적으로 자동 실행을 개방합니다.
다섯째, 비용 구조를 봅니다. 주요 비용은 인터페이스 개발, 데이터 거버넌스, 규칙 구성, 지속 운영이며, 추론 컴퓨팅 파워 자체는 비중이 작습니다. 기존 시스템에 표준 인터페이스와 좋은 데이터 기반이 있다면 구현 비용은 눈에 띄게 낮아집니다.
5. 어떤 시나리오가 수주 납기의 AI Agent에 적합하고 어떤 것이 부적합한가?
적합한 시나리오: 주문 변경이 잦고 다품종 소량 생산이며 자재 대체 관계가 복잡하고 시스템 간 조정 시간이 긴 제조 기업. 납기 주기가 짧고 긴급 주문과 주문 삽입 대응 요구가 높은 산업으로, 전자 수탁 생산, 자동차 부품, 일부 소비재 제조가 그렇습니다. 이미 ERP와 MES 기반이 있고 인터페이스가 비교적 개방된 기업.
부적합한 시나리오: 제품 유형이 단일하고 납기가 여유로우며 수동 스케줄링으로도 충분한 라인. BOM과 재고 기록이 실제와 크게 어긋나는 등 기준정보가 혼란스러운 기업으로, 더러운 데이터 위에서는 에이전트가 신뢰할 만한 결정을 할 수 없습니다. 완전히 폐쇄적이어서 인터페이스를 제공할 수 없는 노후 IT 환경으로, 에이전트를 논하기 전에 통합 문제를 먼저 해결해야 합니다.
또한 AI Agent는 만능 배차자가 아닙니다. 규칙이 명확하고 제약을 정량화할 수 있는 결정에 강하며, 고객 관계, 상업 협상, 공정 경로의 대폭 변경이 관련된 판단은 여전히 사람이 결정해야 합니다. 반복적인 조정 행동을 자동화하고 예외 대응 속도를 높이는 도구로 자리매김하면 기대치가 더 현실적입니다.
ERP 시대 이후 수십 년의 축적, 120만 고객, 수천만 대 단말 구축을 갖춘 산업 기반은 한 가지를 보여줍니다. 수주 납기의 디지털화는 제로에서 시작하는 것이 아니며, 기존 시스템 위에 더해지는 것이 실시간 의사결정과 시스템 간 실행 계층입니다. AI Agent의 가치는 바로 이 계층을 구현 가능하고 운영 가능하며 점진적으로 확장 가능하게 만든다는 데 있습니다.