생산 계획을 위한 AI Agent 지원은 자율 추론과 도구 호출 능력을 갖춘 에이전트로 계획 업무의 고빈도 판단 작업, 즉 데이터 수집, 능력 산정, 스케줄링 제안, 예외 대응을 맡아 계획원을 수작업 표 대조와 반복 커뮤니케이션에서 해방시키는 것이다. ERP나 MES를 대체하지 않고 그 위에서 동적 의사결정 지원을 제공하며, 핵심 가치는 계획 주기를 단축하고 삽입 오더와 자재 부족에 대한 대응을 앞당기는 것이다. 이 역량은 오더 변동이 크고 공정 단계가 긴밀히 연결된 전자와 자동차 부품에서 더 빨리 착지하고 있지만, 전제 조건은 정확한 마스터 데이터와 연결된 시스템 인터페이스다.
1. AI Agent가 생산 계획에서 실제로 해결하는 문제
전통적 계획에서 계획원은 판매 오더, 재고, 자재 키팅, 설비 능력, 인력 교대조라는 다섯 데이터 집합을 동시에 보면서 Excel에서 이어 붙여야 한다. 오더가 쌓이고 삽입이 잦아지면 결과 계획은 다음 날이면 낡는 경우가 많다. AI Agent는 바로 여기에 들어간다. 정해진 주기로 ERP에서 오더와 재고를, MES에서 작업 지시 진척을, WMS에서 자재 입고 상태를 자동으로 가져오고, 공정 경로와 표준 시간으로 능력 부하를 계산하며, 실행 가능한 스케줄 초안을 생성하고, 자재 부족이나 설비 정지, 긴급 삽입이 발생하면 조정 제안을 낸다.
전통적 APS 스케줄링 소프트웨어와의 차이는 APS가 하드코딩된 규칙과 제약 모델에 의존해 규칙이 바뀌면 재구성이 필요하지만, AI Agent는 자연어 지시를 이해한다는 점이다. 계획원이 이번 주 수요일에 3라인이 정비라서 긴급 오더를 앞당겨야 한다고 말하면 에이전트는 변경된 제약을 인식하고 재계산하며 상호작용 문턱이 훨씬 낮다. 또한 완전 자동 무인 스케줄링을 목표로 하지 않는다. 그 위치는 계획원의 부조종사이며 최종 확인은 여전히 사람의 몫이다.
2. 기술 원리와 핵심 역량
이런 에이전트의 역량 기반은 세 부분이다. 첫째는 데이터 접속 계층으로, OPC-UA, REST API, 데이터베이스 직접 연결로 ERP, MES, WMS, SCADA를 연결하고 오더, BOM, 공정 경로, 설비 상태, 재공 수량을 하나의 시간축에 통일한다. 둘째는 추론 및 결정 계층으로, 대형 모델로 작업을 분해해 다음 주 일정을 짜는 일을 자재 키팅 계산, 능력 부하 계산, 납기 우선순위 비교, 스케줄 생성의 하위 작업으로 나누고 스케줄링 알고리즘이나 운영 연구 모듈을 호출해 해를 구한다. 셋째는 실행 피드백 계층으로, 스케줄링 결과를 작업 지시로 MES에 기록하고 실제 진척과 계획의 편차를 추적하며 편차가 임계값을 넘으면 재스케줄링을 트리거한다.
핵심 역량은 세 지표에서 드러난다. 스케줄링 응답 시간은 보통 분 단위로 초안을 요구하고, 예외 인식의 세밀도는 자재 부족 경고가 구체적 작업 지시와 자재 로트를 짚어 주는 수준이며, 다중 제약 하 실행 가능성 검증은 설비 능력, 금형 수명, 전환 시간처럼 자주 간과되는 제약을 포함한다. 업계의 흔한 관행은 운영 연구 알고리즘과 대형 모델의 역할을 나누는 것으로, 모델은 의도를 이해하고 결과를 설명하며 알고리즘은 제약 공간에서 실행 가능한 해를 찾아 대형 모델이 곧바로 실행 불가능한 일정을 만드는 일을 피한다.
3. 제조에서 먼저 도입된 공정 단계
전자 제조가 전형적 사례다. 전자 공장의 PCBA 생산에서 SMT 실장은 전환이 길고 오더가 다품종 소배치라고 하자. AI Agent는 공유 스텐실과 피더 스테이션 기준으로 오더를 통합해 전환 횟수를 줄이고, 자재 키팅 확인 시 WMS와 연결해 부족 오더를 조기에 표시하여 스케줄링 후 라인이 서는 일을 피한다. 여기서 공정 제약은 실장 정밀도와 부품 간격의 정합, 그리고 IPC-A-610의 납땜 품질 요구에 대한 공정 능력 검증이다.
자동차 부품은 다른 논리를 따른다. 정밀 프레스 부품 업체에서 완성차의 콜오프 계획 변동이 크고 안전 재고 설정이 골칫거리라고 하자. 에이전트는 과거 납품 변동과 완성차 롤링 계획으로 안전 재고 수준과 생산 배치 크기를 동적으로 제안하고, 금형 정비가 필요하면 관련 작업 지시를 자동으로 연기하고 납기 리스크를 표시한다. 사출 단계는 캐비티 수와 사이클 타임으로 설비 매칭을 더할 수 있다.
공정 산업에도 배치가 있다. 배치 생산의 반응기 스케줄링처럼 세척 전환 시간과 배치 우선순위를 고려해야 하며 에이전트가 전환 매트릭스로 배치 그룹화를 제안할 수 있다. 다만 공정 산업은 연속성과 안전 제약이 엄격해 에이전트는 보통 조언만 하고 자동 실행하지 않는다.
4. 선정과 배치 시 유의할 사항
기존 ERP와 MES와 어떻게 통합하는지가 첫 관문이다. 에이전트 벤더가 주요 ERP의 데이터 모델을 지원하는지, 인터페이스가 API인지 중간 테이블인지, 스케줄링 결과를 MES에 작업 지시로 기록할 수 있는지 확인해야 한다. 인터페이스가 연결되지 않으면 에이전트는 대시보드일 뿐 계획 가치를 만들지 못한다.
하드웨어와 데이터 조건은 무엇이 필요한가. 에이전트는 보통 클라우드나 로컬 서버에 배포되고 연산 요구는 모델 크기와 스케줄링 빈도에 달려 있어 일반적으로 추가 라인 하드웨어가 필요 없다. 실제 문턱은 데이터 측에 있다. BOM 정확도, 공정 경로 완전성, 적시 보고다. 이 세 가지가 부족하면 일정이 신뢰할 수 없어 가동 전에 마스터 데이터 거버넌스 한 라운드가 보통 필요하다.
구축 기간은 얼마나 걸리는가. 단일 공장이나 단일 라인 파일럿은 인터페이스 연결에서 쓸 만한 스케줄 초안까지 보통 몇 달 단위이며, 다중 공장 확산은 마스터 데이터 통일과 규칙 보정 시간이 더해진다. 기간은 모델이 아니라 인터페이스 수와 마스터 데이터 품질에 주로 달려 있다.
흔한 오해는 이를 완전 자동 스케줄링 도구로 보는 것이다. 초기에는 사람 확인 단계를 유지해 계획원이 에이전트 제안을 수정하게 하고 그 수정이 다시 규칙을 학습하게 해야 한다. 또 하나의 오해는 제약 설정을 소홀히 하는 것으로, 전환 시간과 금형 수명 같은 파라미터가 유지되지 않으면 스케줄링 결과가 현실과 크게 벌어진다.
5. 적합한 시나리오와 부적합한 시나리오의 경계
오더 변동이 크고 공정 단계가 긴밀히 연결되며 삽입이 잦은 시나리오에 적합하다. 전자 조립, 자동차 부품의 프레스와 사출, 다품종 소배치 이산 제조가 그렇다. ERP와 MES 기반이 이미 있고 데이터가 비교적 완전한 기업, 계획원이 부족해 스케줄링이 개인 경험에 의존하는 팀에도 적합하다.
수주 생산으로 공정 경로가 매우 불안정하고 오더가 전적으로 주문 설계인 경우에는 적합하지 않다. 표준 시간조차 없는 심각한 마스터 데이터 공백이 있는 공장도 마찬가지로, 데이터를 고치는 일이 에이전트를 사는 일보다 시급하다. 안전 제약을 최우선으로 하고 시스템이 조정을 제안하는 것조차 허용하지 않는 고위험 공정 단계에도 적합하지 않다. 선정 시에는 한 라인을 먼저 파일럿하고 스케줄 초안 채택률과 계획 변경 횟수를 검증 지표로 삼은 뒤 확산을 결정해야 한다. ERP 시대부터 수십 년 이 분야에서 일해 왔고 120만 고객에게 서비스하며 수천만 대의 단말을 보급하고 국내외 시장을 커버하는 벤더 생태계에서는 이런 산업 소프트웨어와 인터페이스 경험이 있는 서비스 제공자가 보통 데이터 통합에 더 강하다.