지식 센터
목차

주문 납기에서 AI Agent의 역할

주문 납기에서 AI Agent의 핵심 가치는 영업 주문 접수, 자재 키팅, 생산 스케줄링, 품질 출하 승인, 물류 출하처럼 예전에는 사람이 서로를 재촉하며 처리하던 단계들을 스스로 판단하고 진전시킬 수 있는 폐루프로 엮어내는 것입니다. 이는 ERP나 MES를 대체하지 않습니다. 대신 그러한 시스템 위에 보고, 생각하고, 행동할 수 있는 실행 계층을 하나 더 얹어, 주문 납기를 “사람이 주문을 지켜보는” 방식에서 “시스템이 주문을 지켜보고 사람은 예외를 처리하는” 방식으로 바꿉니다.

1. 주문 납기에서 AI Agent가 실제로 해결하는 문제

주문 납기의 고통은 단일 시스템 안에 있는 경우가 드물고, 시스템과 시스템 사이의 틈에 존재합니다. 고객이 주문을 변경하면 영업은 알지만 계획은 모릅니다. 자재가 늦게 도착하면 구매는 알지만 스케줄링은 모릅니다. 품질이 특채를 승인해도 창고는 출하 가능 여부를 모릅니다. 이러한 틈은 전화, 메시지, 단체 채팅으로 메워지며, 주문량이 늘어나면 빠뜨리는 일이 생깁니다.

AI Agent가 정확히 겨냥하는 것이 이런 시스템 간, 역할 간 주문 재촉입니다. 기존 자동화 스크립트와 구별되는 세 가지 특징이 있습니다. 비정형 입력을 이해할 수 있고(고객 메일이나 채팅 기록에 묻혀 있는 변경 요청), 다중 시스템 데이터로 판단할 수 있으며(이 배치 자재가 충분한가, 이 납기를 약속할 수 있는가), 도구를 호출해 동작을 실행할 수 있습니다(MES의 작업 지시 우선순위 변경, ERP의 재고 잠금, 공급사에 독촉 통지 발송). 즉 RPA는 프로세스를 클릭으로 따라가지만, AI Agent는 목표에 도달하는 방법을 스스로 찾아냅니다.

주문 납기에서 이것이 의미하는 바는 확정 납기(ATP/CTP)를 더 세밀하게 계산할 수 있고, 예외 발생 후 재스케줄링이 더 빠르게 이루어지며, 주문 담당자의 역할이 재촉에서 Agent가 올려보내는 예외를 처리하는 일로 이동한다는 것입니다.

2. 전체 주문 흐름을 뒷받침하는 역량

세분해 보면, 주문 납기를 지원하는 AI Agent는 보통 네 개의 역량 계층으로 구성됩니다.

첫 번째 계층은 데이터 접근과 의미 정렬입니다. 주문 납기에는 ERP의 영업 주문과 재고, MES의 작업 지시와 공정 진행, WMS의 입출고 이동, SRM의 구매 운송 중 물량, QMS의 검사 결과가 얽힙니다. Agent는 이 시스템들의 데이터를 주문 번호, 자재 번호, 작업 지시 번호로 정렬해야 하며, 일반적인 연계 방식은 API와 데이터베이스 직접 연결이고 설비 측은 OPC-UA나 MQTT를 사용합니다. 의미 계층에서는 가용 재고의 정의를 통일해야 합니다. 장부 재고인지, 할당을 차감한 뒤의 가용 수량인지인데, 이 단일 정의가 일관되지 않으면 하위의 모든 판단이 틀어지기 때문입니다.

두 번째 계층은 의사결정과 계획입니다. 납기를 약속하는 일은 본질적으로 제약 만족 문제입니다. 설비 능력 제약, 자재 키팅 제약, 공정 경로 제약이 그것입니다. 내부적으로 Agent는 보통 스케줄링 엔진이나 룰 엔진을 호출해 해를 구하고, 대형 모델은 모호한 요구를 구조화된 제약으로 변환합니다. 고객이 어느 배치를 사흘 앞당길 수 있는지 묻는다면, Agent는 수량, 품번, 목표일을 추출한 뒤 스케줄링 엔진에 가능 여부를 묻습니다.

세 번째 계층은 도구 호출과 실행입니다. 무엇을 할지 결정한 뒤 Agent는 미리 정의된 도구 인터페이스로 행동합니다. 작업 지시 우선순위 조정, 자재 부족 경보 발생, 출하 계획 생성 등입니다. 여기서 핵심은 명확한 권한 경계입니다. 어떤 동작을 Agent가 자동 실행할 수 있고 어떤 것은 사람이 확인해야 하는지를 금액, 고객 등급, 변경의 영향 범위에 따라 등급화합니다.

네 번째 계층은 추적성과 설명 가능성입니다. 모든 납기 변경과 우선순위 조정에 대해 Agent는 판단 근거를 남겨야 합니다. 어느 재고 기록, 어느 능력 수치, 어느 규칙에 근거했는지입니다. 이는 품질 추적성 요구이면서, 계획 담당자가 Agent를 신뢰하기 위한 전제 조건입니다.

기술 지표에서 중요한 것은 모델의 파라미터 수가 아니라 몇 가지 엔지니어링 지표입니다. 주문 상태 동기화의 지연 시간(분 단위인지 시간 단위인지), 납기 계산의 정확도(약속 납기와 실제 납기의 편차 분포), 예외 감지의 재현율, 도구 호출의 성공률입니다.

3. 제조에서 어떤 업무와 시나리오가 먼저 도입하는가

주문 납기 Agent는 보통 전체 흐름을 한 번에 시도하기보다, 변경이 잦고 협업 주체가 많은 시나리오에서 시작합니다.

다품종 소량 생산을 하는 전자 공장을 예로 들어 보겠습니다. 고객의 긴급 주문과 변경 주문이 일상입니다. Agent는 영업 주문 변경 입력 지점을 지켜볼 수 있습니다. 고객이 메일로 특정 모델을 2주 앞당겨 납품해 달라고 하면, Agent는 변경 내용을 해석하고 해당 모델의 PCBA 키팅 상태, SMT 라인의 가용 능력, 이미 계획된 작업 지시의 조정 여지까지 자동으로 확인한 뒤, 약속 가능, 협의 필요, 불가능이라는 세 단계 결론을 근거와 함께 제시하며 계획 담당자는 확인만 하면 됩니다. 여기서 관련되는 산업 표준으로는 PCBA 외관 합격 판정의 IPC-A-610이 있으며, Agent는 특채 출하가 가능한지 판단할 때 이 표준을 인용합니다.

다른 예로, 납기 평가가 엄격한 완성차 업체에 부품을 공급하는 자동차 부품사를 보겠습니다. Agent의 가치는 출하 단계에서 드러납니다. 고객의 수요 계획, 완제품 재고, 운송 중 차량, VMI 창고의 소모 데이터를 함께 보고 이틀 뒤 라인이 부족해질 수 있음을 미리 식별하여 보충 제안과 운송 계획을 자동으로 촉발합니다. 자동차 산업에서 흔히 쓰이는 MMOG/LE 물류 평가는 Agent가 물류 단계의 준수 여부를 판단하는 규칙 출처로 활용될 수 있습니다.

또 다른 전형적인 시나리오는 설계 변경(ECN)과 주문의 연결입니다. 배치가 이미 생산 중인데 고객이나 설계 부서가 변경을 제기하면, Agent는 재공품, 구매 자재, 이미 출하된 제품에 대한 영향 범위를 판정하고 격리, 재작업, 생산 지속 중 하나를 권고해야 합니다. 이런 판단에는 ISO 9001의 변경 관리 요구가 관련되며, Agent가 하는 일은 그 조항들을 실행 가능한 점검 항목으로 바꾸는 것입니다.

4. 선정과 도입에서 주의해야 할 핵심 질문

가장 자주 받는 질문은 연계 방식입니다. 실제로 ERP와 MES는 서로 다른 벤더, 다른 시대의 제품인 경우가 많고 인터페이스 역량도 고르지 않습니다. 선정 시에는 Agent 솔루션이 API, 데이터베이스 뷰, 메시지 큐, 파일 교환을 나란히 지원하는지, 주요 ERP와 MES용 어댑터를 기본 제공하는지를 확인해야 합니다. 연계 방식을 하나만 지원하는 솔루션은 레거시 시스템 환경에서 반드시 막히게 됩니다.

두 번째는 하드웨어와 배포 조건입니다. Agent가 생산 라인 설비 데이터에 접근해야 한다면, 현장에 엣지 컴퓨팅 노드가 있는지, 네트워크가 격리되어 있는지, OPC-UA를 지원하는지를 확인해야 합니다. 순수 주문 수준의 Agent는 컴퓨팅 요구가 크지 않아 사설 클라우드나 로컬 서버에 배포할 수 있지만, 비전 판정이나 대형 모델 추론을 돌리려면 GPU 자원과 데이터가 공장 외부로 나가지 않아야 한다는 컴플라이언스 요구를 평가해야 합니다.

세 번째는 구축 주기와 단계입니다. 합리적인 경로는 주문 상태 가시성과 예외 감지에서 시작해 납기 계산 보조로 넘어가고, 그 다음에야 자동 실행으로 가는 것입니다. 처음 두 단계는 데이터 거버넌스이며 기간은 과거 데이터 품질과 시스템 인터페이스의 개방성에 달려 있습니다. 자동 실행 단계에는 사람이 확인하는 그레이 릴리스 메커니즘이 필요합니다. 석 달 안에 완전 자동 주문 재촉을 기대하는 것은 현실적이지 않습니다.

네 번째는 흔한 함정입니다. 가장 흔한 것은 Agent를 더 똑똑한 리포트로 취급하는 것입니다. 보여주기만 하고 아무 동작도 하지 않는다면 BI 대시보드와 다를 바 없습니다. 두 번째는 권한을 너무 넓게 주어 Agent가 승인 없이 기준 생산 계획을 바꾸게 하는 것입니다. 세 번째는 데이터 정의 거버넌스를 소홀히 하는 것입니다. 가용 재고, 재공 수량 같은 기본 정의가 일관되지 않으면 Agent의 판단은 틀릴 수밖에 없습니다.

다섯 번째는 비용 구조입니다. 주요 비용은 시스템 연계 개발, 데이터 거버넌스, 규칙과 도구 인터페이스 구성, 이후의 모델 튜닝과 운영에 있습니다. 엣지 디바이스와 비전 수집이 포함되지 않는 한 하드웨어 비중은 보통 작습니다.

5. 어떤 기업이 먼저 도입하고, 어떤 경우 기다려야 하는가

적합한 시나리오는 특징이 분명합니다. 주문 배치가 많고, 변경이 잦고, 시스템 간 협업 주체가 세 곳을 넘고, 주문 담당자가 하루 대부분을 데이터 조회와 재촉에 쓰는 경우입니다. 이런 기업에서는 한계 수익이 분명합니다. 절약되는 것이 고빈도 반복 판단 업무이기 때문입니다.

부적합한 경우와 기다려야 하는 경우도 분명히 말해야 합니다. 주문량이 적고 제품이 단일하며 납기 주기가 긴 기업은 애초에 수동 주문 재촉이 어렵지 않아 투자 수익이 맞지 않습니다. ERP의 재고와 작업 지시 데이터가 오랫동안 부정확한 등 기초 데이터가 심하게 결손된 기업은 데이터 거버넌스를 먼저 해야 합니다. 오염된 데이터 위에 세운 Agent는 오류만 증폭시키기 때문입니다. 또한 변경이 안전 부품이나 규제 부품에 영향을 주는 경우 Agent는 조언을 줄 수 있지만, 출하 결정은 반드시 사람의 승인을 유지해야 하며 완전 자동화할 수 없습니다.

ERP 시대부터 수십 년간 업계에 종사하며 120만 고객에게 서비스하고 수천만 대의 단말을 배포했으며 국내외 시장을 아우르는 벤더 생태계에서는 이미 Agent 역량을 기존 ERP와 MES 연결 고리에 내장하는 접근이 나타났습니다. 기존 시스템을 허물지 않고 그 위에 실행 계층을 더하는 방식입니다. 제조 기업에게 시험은 간단합니다. 먼저 자신의 주문 납기가 어디에서 막히는지 보고, 그 틈을 Agent로 메울 가치가 있는지 판단하면 됩니다.

주제: AI 및 AI 에이전트 백과