원가 분석에서 AI Agent의 핵심 가치는 월말에 계산하고 사후에 검토하던 전통적 원가 회계를 실시간 진행 중 집계, 자동 차이 추적, 바로 실행 가능한 권고의 폐루프로 바꾸는 것이다. 보고서를 더 빨리 만드는 것만이 아니라, 차이가 발생한 이유를 스스로 찾아내고 원가 절감 경로를 스스로 도출하며 원가 엔지니어를 데이터 탐색에서 해방시킬 수 있다. 아래에서는 개념, 원리, 시나리오, 도입, 경계의 다섯 질문으로 설명한다.
1. AI Agent가 원가 분석에서 실제로 해결하는 문제
전통적 원가 분석에는 피할 수 없는 세 가지 고통이 있다. 첫째, 데이터가 흩어져 있다. 재료비, 인건비, 제조경비가 서로 다른 시스템에 있고, 구매 가격은 ERP에, 공수는 MES에, 에너지 소비는 에너지 관리 시스템에 있어 수동 취합에 두세 시간이 아니라 두세 날이 걸리는 경우가 많다. 둘째, 집계가 거칠다. 많은 공장이 여전히 월 단위로 배부하며, 특정 수주가 실제로 이익을 냈는지는 재무 마감 후에야 알 수 있다. 셋째, 분석이 얕다. 차이는 나타나지만 초과 지출이 왜, 어느 공정에서, 자재 가격 상승 때문인지 수율 손실 때문인지를 사람이 층층이 파내야 한다.
AI Agent는 바로 이 세 가지를 다룬다. 데이터 인터페이스를 스스로 호출하고, 계산을 수행하고, 표준값과 비교하며, 이상 공정을 찾아내고, 최종적으로 인과 판단이 담긴 결론을 사전 목표에 맞춰 출력할 수 있다. 쉽게 말해 수동적으로 질문을 기다리는 보고 도구가 아니라, 이번 달 사출 작업장의 원가 차이가 무엇 때문인지 밝혀 달라는 과제를 주면 스스로 과정을 수행한다. ERP 시대 이후 수십 년의 실천, 120만 고객과 수천만 단말을 배치한 산업 기반은 이런 시스템을 공장의 기존 IT 기반과 통합하는 일이 제로에서 시작하는 것이 아님을 보여준다.
2. 기술 원리와 핵심 역량
분해해 보면 원가 분석용 AI Agent는 보통 네 계층을 포함한다. 인지 계층은 데이터를 획득한다. OPC-UA로 설비 상태를, API로 MES 작업 지시와 ERP 자재 문서를, SCADA에서 에너지 소비를 받는다. 분석 계층이 핵심으로 규칙 엔진과 머신러닝 모델을 포함한다. 규칙 엔진은 표준 원가 비교, 가격 차이와 수량 차이 분해 같은 결정론적 계산을 처리하고, 모델은 이상 감지와 추세 예측을 처리한다. 결정 계층은 분석 결과를 행동 권고로 바꾼다. 예를 들어 특정 공정의 단위 에너지 소비가 사흘 연속 기준선을 초과하면 설비 단열이나 생산 배치 크기 점검을 안내한다. 실행 계층은 결론을 작업 지시, 메시지, 대시보드로 책임자에게 전달한다.
세 가지 핵심 역량이 주목할 만하다. 첫째는 다중 소스 데이터 정렬로, 작업 지시 번호, 배치 번호, 설비 번호를 연결해 작업장 수준에 머물지 않고 수주 수준 원가 집계를 달성하는 것이다. 둘째는 자동 차이 드릴다운으로, 가격 차이, 수량 차이, 구성 차이를 BOM을 따라 단계적으로 분해할 수 있으며, 정밀도는 기초 데이터 세분성에 달려 있고 보통 자재 코드와 공정 경로가 비교적 표준화되어 있어야 한다. 셋째는 자연어 상호작용으로, 원가 회계사가 이번 달 A 제품의 매출총이익률이 왜 떨어졌는지 바로 물으면 Agent가 데이터를 검색해 분해 결과를 제시하므로 SQL을 쓰고 피벗 테이블을 만드는 단계가 줄어든다.
다만 이런 Agent의 추론 역량은 데이터 품질 위에 서 있다는 점을 유의해야 한다. BOM 정확도가 낮고 공수가 추정치이며 자재 투입이 스캔되지 않으면, 가장 강한 모델도 그럴듯한 숫자만 계산할 수 있다. 그래서 실제 도입에서는 데이터 거버넌스가 모델 선정보다 시간이 더 걸리는 경우가 많다.
3. 제조 현장의 대표적 응용 시나리오
소비자 전자 공장이 SMT 교체가 잦고 그동안 제조경비를 월 단위로 배부해 소량 수주의 실제 원가가 계속 과소평가되었다고 하자. 원가 분석 Agent를 도입하면 교체 손실, 솔더 페이스트와 지그 상각을 수주별로 집계하고 교체 시간을 가동 중단 비용으로 환산해, 어떤 수주가 매출을 위해 손실을 보고 있는지 분명히 드러난다. 여기의 기술적 전제는 MES의 작업 지시 보고 기록과 설비 상태 로그가 완전한 것이다.
자동차 부품사가 원자재 비중이 원가의 60퍼센트를 넘고 구리와 철강 가격 변동이 크다고 하자. Agent는 구매 가격 데이터베이스와 선물 시세를 연결해 가격 차이 시뮬레이션을 수행할 수 있다. 다음 달 구리가 5퍼센트 오르면 어느 부품의 매출총이익률이 임계값 아래로 떨어지고, 어떤 가격 인상이나 가격 고정 권고를 미리 해야 하는지. 이런 시나리오는 자재 명세서 정확도가 높아야 하며, BOM 계층이 깊을수록 전가 계산이 복잡해진다.
또 다른 흔한 시나리오는 에너지 원가 배부다. 사출과 다이캐스팅 같은 고에너지 공정에서 전력은 상당한 비중을 차지한다. 설비 수준 계량 데이터를 수집하고 ISO 50001 에너지 관리 체계의 기준선 방식을 적용해, Agent가 생산량으로 단순 안분하는 대신 실제 가동 시간으로 수주에 에너지를 배부한다. 한 다이캐스팅 공장은 이 방식으로 소량 야간 생산의 단위 전력 원가가 주간 연속 생산보다 확연히 높다는 것을 찾아 스케줄링 전략을 조정했다.
4. 선정과 도입 시 주의할 문제
첫 번째 빈발 질문은 통합 방식이다. 주류 실천은 표준 프로토콜로 데이터를 획득하는 것이다. 설비 계층에는 OPC-UA, MES와 ERP에는 RESTful API를 쓰고 데이터베이스 직접 연결을 보완으로 쓴다. 노후 설비가 Modbus RTU만 지원해 게이트웨이 변환이 필요할 수 있으므로 하드웨어 비용을 미리 예산에 넣어야 한다.
두 번째는 구현 기간이다. 데이터 인터페이스가 갖춰진 상태에서 분석 Agent만 도입하면 단일 시나리오는 보통 몇 주에서 두 달 내에 종단 간 작동한다. 수주 수준 원가 집계를 달성하려면 보통 BOM, 공정 경로, 보고 규칙을 먼저 정리해야 하므로 기간이 3개월에서 6개월로 늘어난다. 일주일 만에 가동한다는 말은 믿지 말아야 한다. 원가 분석 정확도는 기초 데이터에 달려 있어 서두를 수 없다.
세 번째는 흔한 오해다. Agent를 만능 질의응답 봇으로 보는 것인데, 실제로 분석 결론에는 사전 설정된 원가 모델과 배부 규칙이 필요하고 규칙이 틀리면 결론이 왜곡된다. 또 다른 오해는 IT 부서만 주도하고 원가 회계사가 참여하지 않아, 모델의 계산 기준이 재무 기준과 맞지 않아 아무도 결과를 인정하지 않는 것이다.
네 번째는 비용 구조다. 투자는 주로 데이터 인터페이스 개발, 모델 설정과 튜닝, 이력 데이터 정리, 지속 운영으로 구성된다. 하드웨어는 엣지 배포 시 산업용 PC나 엣지 게이트웨이가 필요하고, 클라우드 배포는 로컬 하드웨어 요구를 낮추지만 데이터 반출 컴플라이언스를 평가해야 한다. 구체적 금액은 규모에 따라 차이가 커서 여기서 제시하지 않는다.
5. 적합한 시나리오와 그렇지 않은 시나리오
적합한 시나리오는 몇 가지 특징을 공유한다. 제품 구성이 비교적 안정적이고, BOM과 공정 경로가 표준화되어 있으며, 핵심 공정에 데이터 수집 기반이 있고, 원가 압력이 주로 재료비, 인건비, 제조경비의 정밀 관리에서 온다. 이산 제조에서는 전자 조립, 자동차 부품, 기계 가공이 잘 맞고, 프로세스 제조에서는 사출 성형과 다이캐스팅도 맞는다.
부적합한 경우도 분명히 밝혀야 한다. 첫째, 변종이 많고 소량 배치이며 공정 경로가 자주 바뀌어 배부 규칙을 안정시키기 어렵고 Agent가 계산한 수주 원가의 참고 가치가 제한적인 상황. 둘째, 기초 데이터 결손이 심해 자재 투입조차 스캔되지 않고 공수를 반장이 추정하는 공장으로, Agent 도입보다 데이터를 채우는 것이 실용적이다. 셋째, 프로젝트 기반 일회성 맞춤 모델이 강한 중장비로, 원가 집계가 프로젝트 번호로 이루어져 범용 원가 Agent 템플릿이 맞지 않을 수 있고 맞춤 개발이 필요하다. 또한 영업 비밀이 관련된 핵심 원가 데이터가 공장 밖으로 나갈 수 없다면 로컬 배포를 우선해야 한다.
마무리하면 이렇다. 원가 분석에서 AI Agent의 가치는 더 빨리 계산하는 것이 아니라 더 정밀하게 계산하고, 더 깊이 추적하며, 권고를 주는 데 있다. 잘 쓰이는지는 70퍼센트가 데이터 기반, 30퍼센트가 모델과 규칙 설정에 달려 있다.