지식 센터
목차

창고 물류의 AI Agent: WMS와 WCS 위에 놓이는 의사결정 계층

창고 물류에서 AI Agent는 사람이 물건을 찾고, 사람이 주문을 보고, 사람이 배차하던 수동적 모델을, 재고를 자율적으로 감지하고 경로를 결정하며 설비를 배차하고 예외를 폐쇄 루프로 처리하는 소프트웨어 에이전트로 바꿉니다. 이는 전통적인 WMS나 WCS와 같지 않습니다. 두 시스템 위에 추론과 도구 호출 능력을 갖춘 의사결정 계층을 얹어, 창고 시스템을 무슨 일이 있었는지 기록하는 단계에서 다음에 무엇을 할지 능동적으로 결정하는 단계로 이동시킵니다.

1. AI Agent는 정확히 무엇이며 WMS, WCS와 어떻게 다른가

WMS는 재고 장부와 입출고 문서를 관리하고, WCS는 컨베이어 라인, 스태커 크레인, AGV에 대한 명령 배차를 관리합니다. 둘 다 규칙 기반입니다. 조건이 충족되면 정해진 동작이 트리거됩니다. AI Agent는 목표 이해, 작업 분해, 도구 호출 능력을 갖는다는 점이 다릅니다. 쇼핑 축제 전 예약 판매 주문이 몰리는 같은 상황에서 WMS는 웨이브 규칙으로 피킹 작업만 생성하지만, Agent는 재고 분포를 직접 조회하고, 피킹 스테이션 작업 부하를 평가하며, 웨이브 전략을 일시적으로 조정해야 하는지 판단하고, WCS 인터페이스를 호출해 AGV 배차 우선순위를 바꾸며, 결과를 시스템에 기록합니다. Agent가 호출하는 도구에는 WMS API, WCS 설비 명령 인터페이스, 재고 데이터베이스, 심지어 야드 도크 예약 시스템도 포함됩니다. 업계에서 창고의 에이전틱 AI라고 부르는 것은 바로 이런 시스템 간 자율 조율이 가능한 소프트웨어 실체이며, 채팅 창이 아닙니다.

2. 창고 의사결정을 뒷받침하는 기술 역량

핵심 역량은 네 계층으로 나눌 수 있습니다. 인지 계층은 WMS 재고 스냅샷, WCS 설비 상태, RFID나 비전으로 포착한 화물 위치 등 실시간 창고 데이터 스트림에 의존합니다. 프로토콜 측면에서는 생산 설비 연결에 OPC-UA가 흔하고 비즈니스 시스템에는 RESTful API가 흔합니다. 의사결정 계층은 대형 모델의 작업 계획 능력을 활용해, 오늘 오후 3시까지 화동 지역 긴급 주문을 모두 출고하라는 지시를 피킹 순서, 인력 배치, 포장 자재 준비 같은 하위 작업으로 분해한 뒤 우선순위에 따라 스케줄링합니다. 실행 계층은 도구 호출에 의존해 결정을 WMS 웨이브 생성, WCS 경로 재계획, 전자 라벨 점등 명령으로 변환합니다. 피드백 계층은 폐쇄 루프 검증을 수행합니다. 예를 들어 피킹 완료 후 실제 스캔을 작업 목록과 대조하고 편차가 임계값을 넘으면 재검수를 트리거합니다. 기술 파라미터 측면에서 경로 Agent는 보통 응답 지연이 수 초 이내여야 하고, 설비 배차 명령의 타이밍 정밀도는 WCS 자체의 제어 주기에 달려 있습니다. Agent 계층은 대부분 분 단위의 전략 조정을 담당합니다. 창고 시나리오는 대화 시나리오보다 정확도 요구가 훨씬 높고 재고 차감과 작업 분배에서 허용 오차가 거의 없으므로, Agent 출력은 일반적으로 규칙 검증을 거친 뒤 데이터베이스에 기록됩니다.

3. 제조 창고의 대표적인 적용 시나리오

전자 공장을 가정해 봅시다. 원자재 창고에 천여 종의 SMD 자재가 있고 라인 전환이 잦습니다. Agent는 전환 자재 준비 작업을 맡을 수 있습니다. MES에서 작업 지시 변경을 받으면 BOM을 자동 확인하고, 라인 측 재고를 검증하고, 피킹 목록을 생성하고, AGV에 자재 카트를 해당 라인 입구로 운반하도록 알리며, 자재가 부족하면 사전에 구매 경보를 트리거합니다. 여기서 핵심 단계는 키트 완전성 검사로, Agent가 여러 작업 지시의 자재를 몇 분 안에 대조하며, 사람이 스프레드시트를 넘기는 것보다 훨씬 빠릅니다.

자동차 부품 회사를 하나 더 가정해 봅시다. 출하 성수기에 완제품 창고 도크가 혼잡합니다. Agent는 TMS에서 차량 도착 시간을, 완제품 재고의 위치 분포를, 도크 점유 상황을 읽고 피킹 순서와 도크 배분을 동적으로 조정하며, 먼저 피킹하고 트럭을 기다리는 방식을 트럭이 도착하면 화물이 준비되어 있는 방식으로 바꿉니다. 이런 시나리오에서 Agent의 제약은 기존 TMS, WMS 인터페이스와 정합해야 하고, 시스템을 우회해 데이터를 직접 변경해서는 안 된다는 것입니다.

또 다른 흔한 시나리오는 예외 처리입니다. 창고에서 가장 인력이 많이 드는 부분은 정상 흐름이 아니라 피킹 부족, 위치 오배치, 설비 걸림 같은 예외입니다. Agent는 WCS 고장 알람과 WMS 재고 불일치를 모니터링하고, 보충할지, 재할당할지, 사람에게 에스컬레이션할지 자동으로 결정하며, 교대 감독자에게 처리 제안을 푸시합니다. 이런 적용의 가치는 예외 체류 시간을 줄이는 데 있지, 사람을 완전히 대체하는 데 있지 않습니다.

4. AI Agent 구현 시 중요한 실무 이슈

첫 번째 관문은 통합입니다. 창고 시스템에는 레거시 WMS와 새로 배치한 WCS가 함께 있고 인터페이스 프로토콜도 통일되어 있지 않습니다. 좋은 출발점은 API 게이트웨이로, 재고 조회, 작업 생성, 설비 상태 같은 고빈도 인터페이스를 먼저 표준화하여 Agent가 게이트웨이만 호출하고 하위 시스템에 직접 연결하지 않도록 하는 것입니다. 하드웨어 측면에서 Agent 자체는 서버나 엣지 노드에서 실행되며 추가 센서가 필요하지 않습니다. 다만 비전 검증이 필요하면 워크스테이션 카메라의 해상도와 조명 조건을 평가해야 하고, 반사가 강하거나 변형이 큰 부품이 있는 시나리오는 추가 평가가 필요합니다.

구현 주기 측면에서 키트 완전성 검사 Agent 같은 단일 지점 시나리오는 보통 창고 전체 배차 Agent보다 훨씬 짧습니다. 따라서 경계가 명확하고 규칙을 열거할 수 있는 하위 작업부터 시작해 성과가 나온 뒤 확장하는 것이 바람직합니다. 흔한 실수는 Agent를 만능 배차자로 취급해 모든 웨이브와 설비를 한 번에 맡기려는 것이며, 결국 인터페이스가 연결되지 않고 예외를 잡아 줄 사람이 없게 됩니다. 더 안전한 접근은 Agent가 제안하고 반자동으로 운영하며, 핵심 동작에는 사람의 확인을 남기는 것입니다. 비용은 주로 세 부분으로 구성됩니다. 인터페이스 개조, Agent용 추론 컴퓨팅 파워, 현장 시운전 인력이며, 인터페이스 개조가 가장 큰 경우가 많습니다.

5. 어떤 창고 시나리오가 적합하고 어떤 것이 적합하지 않은가

적합한 시나리오는 몇 가지 특징을 공유합니다. 작업에 명확한 목표가 있지만 경로가 고정되어 있지 않은 경우, 예컨대 웨이브 최적화, 예외 배차, 시스템 간 조율입니다. 데이터 기반이 좋아 WMS 재고 정확도가 높은 수준으로 유지되고 WCS가 설비 상태를 보고할 수 있는 경우입니다. 예외 빈도가 적당해 최적화 여지가 있으면서도 대량의 무작위 이벤트에 Agent가 잠기지 않는 경우입니다. 부적합한 시나리오도 분명합니다. 장부 재고와 실물 재고가 심하게 불일치하는 창고는 Agent 의사결정의 입력이 오염된 데이터이므로 재고 실사와 데이터 거버넌스가 먼저입니다. 순수 수동 피킹에 WCS나 전자 라벨이 없는 소형 창고는 Agent가 실행할 도구가 없어 가치가 제한적입니다. 밀리초 단위 명령 타이밍이 필요한 설비 제어 계층은 여전히 WCS가 담당하고 Agent는 상위 전략을 맡아야 합니다. ERP 시대부터 수십 년간 현장에서 일해 온 시스템 벤더들은 120만 고객에게 서비스하고 국내외 시장에 수천만 단말을 배치하면서 인터페이스 표준과 현장 실무에 깊은 경험을 축적했습니다. 선정 단계에서는 해당 창고 모듈이 Agent 호출에 충분한 API를 노출하는지, 설비 계층 연결에 OPC-UA 같은 표준 프로토콜을 지원하는지 확인할 가치가 있습니다. 단일 고빈도 예외 시나리오로 검증을 시작하고 점차 시스템 간 조율로 확장하는 것이 바람직합니다.

주제: AI 및 AI 에이전트 백과