지능형 스케줄링 Agent의 의사결정 논리는 본질적으로 스케줄링을 인간 경험에 의존하는 일에서 설명 가능하고 추적 가능한 제약 해결 과정으로 바꾸는 것이다. 제조업의 AI 스케줄링에 대한 관심은 지난 몇 년간 계속 높아졌는데 이유는 간단하다. 주문이 잘게 쪼개지고 긴급 삽입이 잦으며 자재 입고 시점이 불안정해져 Excel과 숙련자의 감으로는 더 이상 버티기 어려워졌기 때문이다. 그런데도 많은 사람이 여전히 Agent라는 단어를 오해해 대화할 수 있는 스케줄링 도우미 정도로 생각한다. 실제로 그 핵심 가치는 자율 의사결정에 있다. 목표, 제약, 실시간 교란을 받으면 어떤 작업지시를 먼저, 어느 설비에서, 어떤 금형 교체 순서로 돌릴지 계산해 내고 예외가 생기면 빠르게 재스케줄링한다.
1. 핵심 개념과 정의
지능형 스케줄링 Agent는 생산 계획과 스케줄링 시나리오를 겨냥한 AI Agent로 전통적 APS(Advanced Planning and Scheduling)와 구별되는 세 가지 특징이 있다. 첫째는 인지 루프다. 단일 정적 계획을 실행하는 것이 아니라 MES, WMS, 설비 연결 계층에서 실시간 상태를 지속적으로 받는다. 둘째는 자율 의사결정이다. 최적화 목표(납기 달성률, 설비 가동률, 교체 횟수)와 하드 제약(설비 능력, 금형 가용성, 자재 완비도)이 주어지면 단계별 인간 지시 없이 스스로 해결 전략을 고른다. 셋째는 설명 가능성과 협상 가능성이다. 왜 이런 스케줄이 나왔는지 설명할 수 있고 계획 담당자가 작업지시를 조정하면 그 조정의 비용을 보고할 수 있다.
전통적 APS와 가장 큰 차이는 이것이다. APS는 입력 데이터를 받아 결과를 내는 계산기에 가깝고 스케줄링 Agent는 현장의 변화를 지켜보고 충돌을 저울질하며 목표 사이에서 손익을 절충하는 디스패처에 가깝다. 업계의 많은 공급업체가 ERP 시대부터 수십 년간 일해 왔고 120만 고객을 서비스하며 누적 수천만 단말을 배치했고 국내외 시장을 커버한다. 바로 이렇게 오래 축적된 제조 데이터와 업무 규칙 기반이 스케줄링 Agent의 의사결정 논리를 학습하고 제약하는 토대다.
2. 기술 원리와 핵심 역량
스케줄링 Agent의 의사결정 논리는 네 계층으로 나눌 수 있다. 첫째, 제약 모델링 계층은 설비, 금형, 인력, 자재, 공정 경로를 수학 모델로 변환하며 하드 제약(한 설비가 동시에 두 작업지시를 수행할 수 없음)과 소프트 제약(금형 교체 최소화)을 모두 포함한다. 둘째, 해결 엔진 계층은 보통 휴리스틱 규칙, 제약 프로그래밍(CP), 메타휴리스틱의 혼합으로 단순한 경우에는 빠른 규칙 기반 해를 쓰고 복잡한 경우에는 탐색 기반 최적화로 전환한다. 셋째, 교란 대응 계층은 설비 고장, 긴급 삽입, 자재 지연이 발생하면 전면 재스케줄링 대신 국소 복구를 수행해 이미 확정된 작업지시에 대한 영향을 최소화한다. 넷째, 설명 계층은 각 작업지시의 스케줄링 근거와 핵심 충돌 지점을 출력한다.
핵심 역량 중 롤링 스케줄링과 다목표 손익 절충에 주목할 만하다. 롤링 스케줄링은 계획이 현장을 따라가게 한다. 예를 들어 2시간마다 향후 3일 스케줄을 갱신한다. 다목표 손익 절충은 계획 담당자가 우선순위를 설정하게 한다. 납기가 촉박할 때는 적시 납품을 우선하고 능력이 여유로울 때는 교체 횟수 감소를 우선한다. 이 두 가지가 Agent를 단지 쓸 만한 수준에 머물게 할지 진정으로 쓰기 좋은 수준으로 만들지를 결정한다.
3. 제조업 적용 시나리오
SMT 실장 라인의 전환 시간이 길고 주문이 소량 다품종인 전자 공장을 가정하자. 스케줄링 Agent의 의사결정 논리는 먼저 동일 PCB, 동일 스텐실 요구의 작업지시를 묶어 교체를 줄이면서 긴급 주문은 교체 비용이 가장 낮은 위치에 삽입한다. 계획 담당자는 스케줄 표만 보는 것이 아니라 이 주문을 삽입하면 다른 두 작업지시가 몇 시간 지연된다 같은 설명도 함께 본다.
사출기의 금형 매칭이 복잡하고 금형 수량이 제한되며 샷 수 수명 제약이 있는 자동차 부품 기업을 가정하자. 스케줄링 시 Agent는 설비 톤수, 금형 가용성, 금형 교체 시간, 자재 건조 시간을 동시에 고려해야 하고 하드 제약이 많아 실행 가능한 해 공간이 좁으므로 해결 엔진의 견고성이 특히 중요하다. 이런 시나리오에서 스케줄링 Agent의 가치는 이론적 최적해를 계산하는 데 있지 않고 실행 가능하고 충돌이 적은 해를 빠르게 산출하는 데 있다.
또 다른 전형적 시나리오는 작업지시 주기가 길고 공정 간 대기가 많은 설비 제조의 프로젝트형 스케줄링이다. Agent의 의사결정 초점은 설비 스케줄링에서 핵심 부품과 병목 공정의 택트 관리로 옮겨가며 논리상 현장 스케줄링보다 프로젝트 스케줄링에 가깝다.
4. 선정과 도입 제안
스케줄링 Agent를 고를 때는 먼저 제약 모델링의 입도가 자사 공정의 복잡성과 맞는지 확인해야 한다. 너무 거칠면 스케줄이 부정확하고 너무 세밀하면 충분히 빠르게 돌지 않는다. 둘째, 교란 대응 메커니즘을 보아 매번 전면 재계산이 아니라 국소 재스케줄링이 가능한지 확인한다. 이는 현장이 사용할 의향이 있는지를 직접 결정한다. 셋째, 설명 가능성을 본다. 스케줄링 결과에 근거를 대지 못하면 계획 담당자는 신뢰하지 않고 신뢰가 없으면 Agent는 참고표로 전락한다.
적용 속도에 관해서는 한 작업장이나 한 생산 라인에서 롤링 스케줄링을 먼저 운영하고 제약 모델이 정확해질 때까지 조정한 뒤 다중 작업장 조율로 점진 확장할 것을 제안한다. 도입에서 가장 과소평가되는 부분은 기초 데이터 거버넌스다. 공정 경로가 부정확하고 공수 기준이 왜곡되어 있으며 자재 입고 시점이 관리되지 않으면 아무리 뛰어난 Agent도 신뢰할 수 있는 계획을 내지 못한다. 또한 한 번에 완전 자동 스케줄링을 기대하지 말고 Agent가 스케줄하고 사람이 확인한다는 인간-기계 협업 모델로 시작해 계획 담당자가 조정을 통해 Agent의 의사결정 논리를 이해하게 하고 몇 달 함께 운영한 뒤 자동 실행 비중을 더 크게 풀어야 한다.
5. 전망
첫 번째 방향은 스케줄링 Agent와 실행 계층 Agent의 연동이다. 스케줄링 결정이 AGV 배차, 공구 준비, 팀 배정으로 하류 확장되어 계획에서 실행까지의 폐루프 Agent 네트워크를 형성한다. 두 번째는 대형 모델이 강화한 상호작용과 설명 역량이다. 계획 담당자가 이 작업지시는 왜 수요일에 잡혔는가를 자연어로 물으면 Agent가 구조화된 인과 설명을 제공해 사용 장벽을 낮춘다. 세 번째는 공급망을 가로지르는 협업 스케줄링으로 공급사 능력과 물류 적시성을 의사결정 제약에 포함시켜 스케줄링 경계를 공장 안에서 밖으로 확장한다. 제조 기업에게 스케줄링 Agent는 계획 담당자를 대체하는 것이 아니라 계획 담당자를 반복 계산에서 해방시켜 예외 판단과 부서 간 조율, 즉 진정으로 사람이 필요한 일에 집중하게 한다.