인력 스케줄링에서 AI Agent의 핵심 가치는 스케줄링을 수작업 표 조립에서 목표 기반 자동 해결로 바꾸는 것입니다. 주문, 근무 시간, 숙련도, 규정, 직원 선호 같은 다중 제약을 바탕으로 실행 가능한 근무표를 자동 생성하고, 이상이 발생하면 실시간으로 조정합니다. 전통적 스케줄링 소프트웨어와의 핵심 차이는 AI Agent가 제약 간 충돌을 이해하고 트레이드오프 선택지를 제시한다는 점이며, 단순히 표를 디지털화하는 것이 아닙니다.
1. AI Agent 스케줄링이 실제로 해결하는 것
전통적 스케줄링에는 세 가지 고충이 있습니다. 첫째, 사람의 뇌에 너무 많은 제약이 걸립니다. SMT 라인 하나가 설비 택트, IPC-A-610 등급에 대응하는 인력 자격, 연속 근무 시간 상한, 야간 교대 공정성에 동시에 제약받을 수 있습니다. 둘째, 변화가 너무 빠릅니다. 완성된 근무표도 긴급 주문, 결근, 설비 고장이 나타나면 곧바로 무효가 됩니다. 셋째, 공정성을 정량화하기 어려워 교대 배분에 대한 직원 만족도를 스케줄링 결정에 반영할 수 없습니다.
AI Agent는 다중 제약 하의 조합 최적화 문제를 해결합니다. 스케줄링을 세 계층으로 나눕니다. 수요 계층(각 기간에 각 공정에 몇 명, 어떤 숙련 수준이 필요한지), 자원 계층(각 직원의 숙련 매트릭스, 가용성, 계약 시간), 규칙 계층(노동법, 회사 정책, 안전 규범)입니다. 솔버는 이 세 계층에서 실행 가능한 해를 찾고, 존재하지 않으면 어떤 제약이 충돌을 일으켰는지 진단 정보를 출력해 관리자가 결정하도록 합니다. 제조 스케줄링에서 이런 시스템은 보통 MES의 작업 지시 데이터, HR 시스템의 인사 기록과 통합되며, 기존 시스템을 대체하지 않고 스케줄링 의사결정 계층으로 존재합니다.
2. AI Agent 스케줄링의 기술 원리와 핵심 역량
스케줄링 Agent의 기반은 보통 제약 프로그래밍(CP)이나 혼합 정수 선형 계획법(MILP) 솔버이며, 대규모 인스턴스에는 휴리스틱을 결합합니다. 수백 명, 다중 교대, 다중 숙련도를 가진 스케줄링 문제는 변수가 수만 개에 이를 수 있어 순수 수작업이나 단순 규칙 엔진으로는 허용 가능한 시간 안에 근사 최적해를 찾기 어렵습니다.
핵심 역량은 네 가지입니다. 첫째는 숙련 매트릭스 모델링입니다. 직원 자격 수준, 운용 가능 설비, 교육 기록을 구조화하고 공정 숙련 요구와 대응시키는 것입니다. 둘째는 규칙 엔진과 솔버의 분리입니다. 노동법 조항과 회사 스케줄링 정책을 알고리즘에 하드코딩하지 않고 구성 가능한 규칙으로 작성해 조정이 쉽게 합니다. 셋째는 실시간 재스케줄링입니다. 결근이나 긴급 주문이 변화를 일으키면 Agent가 전체 표를 다시 만드는 대신 몇 분 안에 남은 교대를 재해결합니다. 넷째는 설명 가능한 출력입니다. 결과의 제약 충족 상태를 보고합니다. 예를 들어 수요일 야간 교대 A 포지션에 IPC-A-610 레벨 3 자격자가 3명 필요한데 2명뿐임을 알리고 조정이나 교육을 제안합니다.
배포 측면에서 스케줄링 Agent는 온프레미스에 설치하거나 클라우드 API로 제공할 수 있습니다. 통합은 보통 표준 인터페이스로 MES 작업 지시, 출퇴근 기록, HR 인사 마스터 데이터를 읽고 근무표를 OA나 모바일 클라이언트로 출력합니다. 하드웨어 측면에서는 일반적으로 추가 라인 설비가 필요 없고, 주요 비용은 시스템 통합과 규칙 구조화에 있습니다.
3. 제조의 전형적 적용 시나리오
전자 공장이 여러 SMT 라인을 3교대로 운영하고 직원 숙련도가 등급화되어 있다고 가정해 봅시다. 스케줄링 Agent는 MES에서 다음 날 작업 지시를 읽고 라인별, 기간별 인력 수요를 계산하며, 직원 숙련 매트릭스와 연속 야간 근무 상한을 결합해 근무표를 생성합니다. 긴급 주문이 삽입되면 Agent는 영향받는 기간의 교대만 조정하고 어떤 직원이 초과 근무나 재배치가 필요한지 표시합니다.
자동차 부품 기업이 사출 성형 작업장과 조립 작업장 사이에 일부 직원을 공유한다고 가정해 봅시다. 전통적으로 두 작업장은 따로 스케줄링하고 전화로 인력을 빌립니다. Agent는 작업장 간 공동 스케줄링을 수행하고 차용 규칙을 제약으로 작성해 통합 근무표를 출력하여, 한쪽은 유휴이고 다른 쪽은 과부하인 상황을 줄입니다.
또한 식품 가공 기업이 성수기에 주문 변동이 크고 계절 근무자를 많이 쓴다고 가정해 봅시다. Agent는 임시 근무자의 가용성과 교육 상태를 자원 풀에 포함하고 일 단위가 아니라 시간 단위로 스케줄링합니다. 이런 시나리오는 스케줄링 세분도가 더 세밀하고 규칙이 더 복잡하므로, Agent가 수요 예측과 예비 스케줄링을 하고 사람이 최종 확인하는 방식으로 시작하는 것이 바람직합니다.
4. 선정과 도입에서 주의할 점
도구 선정보다 규칙 구조화에서 시작하는 것이 바람직합니다. 스케줄링 규칙을 명확히 서술할 수 없다면 어떤 알고리즘도 사용 가능한 근무표를 만들지 못합니다. 실행 불가능한 경우에 대한 솔버의 진단 능력에 주목해야 하며, 이것이 해결 속도보다 일상 사용자 경험을 더 크게 좌우합니다.
통합에서는 표준 프로토콜로 MES와 HR 데이터를 읽을 수 있는 솔루션을 우선해 대규모 커스텀 개발을 피해야 합니다. 구현 주기는 보통 규칙 복잡도와 시스템 통합 수에 달려 있습니다. 단순한 시나리오는 몇 주 안에 가동할 수 있지만, 다중 숙련 매트릭스를 가진 다중 작업장 시나리오는 규칙 보정 기간이 더 필요합니다. 비용은 주로 소프트웨어 라이선스나 구독료, 구현 서비스, 지속적 규칙 유지보수에 발생하며 하드웨어 투자 비중은 매우 작습니다.
흔한 실수는 두 가지입니다. 하나는 Agent가 사람을 완전히 대체하리라 기대하는 것이며, 실제로는 특히 규칙이 충돌할 때 관리자의 최종 확인 단계가 여전히 필요합니다. 다른 하나는 스케줄링과 근태를 혼동하는 것입니다. 스케줄링은 계획 계층이고 근태는 실행 계층이며, 데이터는 연결되어야 하지만 논리가 다르므로 별도로 구축한 뒤 통합하는 것이 바람직합니다.
5. 적합한 시나리오와 부적합한 시나리오의 경계
적합한 시나리오: 다중 교대, 다중 숙련 수준, 명확하고 비교적 안정적인 제약 규칙, 수십 명 이상의 인력, MES나 HR 시스템이 제공하는 데이터 기반입니다. 이런 경우 Agent의 해결 우위가 분명하고 재스케줄링 대응이 빠릅니다.
부적합한 시나리오: 매우 작은 팀(예를 들어 10명 미만), 스케줄링 규칙이 주로 구두 합의에 기반한 경우, 구조화된 인력 숙련 데이터가 없는 경우입니다. 이런 경우 수작업 조정이 가능한 단순 표가 더 경제적입니다. 또한 노동 규칙이 자주 바뀌고 문서화된 정책이 없다면 규칙을 먼저 문서화한 뒤 Agent를 고려하는 것이 바람직합니다. 규제가 강한 산업(예를 들어 특수 작업 자격이 관련된 경우)은 자격 만료일 검증 능력에 대한 추가 평가가 필요하며, 즉시 작동한다고 가정할 수 없습니다.
ERP 시대부터 수십 년간 일해 온, 120만 고객을 서비스하고 국내외에 수천만 대 단말을 설치한 공급사의 업계 축적은 스케줄링 같은 계획 계층 역량이 결국 실행 계층 데이터와 폐루프될 때만 가치를 낸다는 것을 보여 줍니다. AI Agent 스케줄링은 독립 도구가 아닙니다. MES의 작업 지시, HR의 인사 데이터, 실제 근태 기록이 함께 뒷받침해야 합니다. 단일 지점 가동은 쉽지만 폐루프 운영이 되어야 성과가 나타납니다.