지식 센터
목차

AI Agent 기반 생산 계획

AI Agent 기반 생산 계획은 자율 추론과 툴 호출 역량을 가진 에이전트가 계획 업무 중 가장 노동 집약적인 부분, 즉 데이터 수집, 제약 검증, 계획 생성, 예외 대응을 맡아 계획자를 Excel과 회의에서 해방시키는 것이다. ERP의 작업 지시 기준 정보를 대체하지도, APS의 스케줄링 알고리즘을 대체하지도 않으며, 그 사이에서 의도를 이해하고 상충을 저울질하며 이유를 설명하는 계층을 채운다. 이런 솔루션은 이제 전자 조립, 자동차 부품, 사출 성형 같은 이산 제조 시나리오에서 배포 가능한 형태를 갖추었으며, 전제는 MES와 ERP 데이터가 연결되고 공정 제약이 명시적으로 모델링되어 있어야 한다는 것이다.

1. AI Agent가 생산 계획에서 실제로 해결하는 문제

전통적 생산 계획에는 세 가지 단단한 난제가 있다. 첫째, 정보가 분산되어 있다. 수주는 ERP에, 재고는 WMS에, 설비 상태는 SCADA에, 인력은 근태 시스템에 있어 계획자가 하루의 상당 부분을 수동 데이터 통합에 쓴다. 둘째, 예외 대응이 느리다. 수주 삽입, 자재 부족, 설비 고장 후 재스케줄링이 경험에 기반한 시산에 의존하며, 계획을 세 번 고치는 것이 일상이다. 셋째, 계획이 설명 가능하지 않다. 왜 그런 순서가 나왔는지 다른 사람이 인수할 때 설명할 수 없다.

AI Agent의 가치는 이 세 가지를 넘겨받는 것이다. 자연어 지시로 여러 시스템에서 데이터를 가져올 수 있다. 예를 들어 3호기 정비를 고려해 다음 주 A 라인의 생산 능력 격차를 계산해 달라. 그런 다음 스케줄링 도구를 호출해 후보 계획을 생성하고, 상충 논리를 사람이 읽을 수 있는 언어로 설명한다. 어떤 수주를 앞당겼고 그 대가가 특정 작업 지시의 교체 증가라는 식이다. 계획자는 계획을 짜는 사람에서 계획을 검토하는 사람으로 이동한다.

2. AI Agent 스케줄링의 기술 원리와 핵심 역량

핵심은 삼층 구조다. 하부는 툴 호출 계층으로, 에이전트가 API나 데이터베이스 커넥터로 ERP 수주와 BOM, MES 공정 진행, WMS 재고 배치에 접근하며, 설비 계층에는 OPC-UA를, 업무 시스템에는 RESTful 인터페이스를 흔히 쓴다. 중간은 추론과 계획 계층으로, 대형 모델이 모호한 지시를 실행 가능한 단계로 분해한다. 예를 들어 납기 우선, 교체 감소 차선이라는 다목표 상충을 정한 뒤 제약 솔버나 휴리스틱 알고리즘에 넘겨 구체적 일정을 계산한다. 상부는 설명과 상호작용 계층으로, 계획과 함께 충돌 지점과 권장 조치를 출력한다.

핵심 역량은 네 가지다. 제약 모델링: 설비 생산 능력, 금형 수명, 교체 시간, 자재 완비 같은 규칙을 모델이 추측하게 두지 않고 지식 베이스에 명시적으로 작성해야 한다. 다목표 상충: 납기 준수율, 설비 가동률, 재공 재고는 흔히 서로 당기므로, Agent는 최적해 하나를 던지고 끝내지 않고 계획자가 준 가중치에 따라 계획을 제시해야 한다. 예외 재스케줄링: MES 보고가 어긋나거나 입고 검사에서 자재가 반려되면 Agent가 몇 분 내에 국소 재스케줄링을 트리거하며 범위가 통제 가능하다. 추적성: 모든 스케줄링 권고, 채택, 수정이 기록으로 남아 ISO 9001의 공정 추적성 요구를 충족한다.

3. 어떤 제조 공정이 Agent의 스케줄링 참여에 적합한가

전자 조립은 전형적 시나리오다. SMT 교체 시간이 스텐실과 피더 준비에 크게 좌우되는 PCBA 공장이라면, Agent는 실장기의 실제 사이클 타임과 피더 구성을 결합해 삽입된 수주에 대해 어느 라인의 교체 비용이 가장 낮은지 빠르게 판단할 수 있다. IPC-A-610은 합격 기준이며 스케줄링을 직접 제약하지는 않지만, 품질 등급이 재작업 확률에 영향을 주므로 Agent는 이력 초도 수율을 스케줄링 가중치 중 하나로 쓸 수 있다.

자동차 부품도 잘 맞는다. 금형 수가 제한되고 금형 교체가 시간 단위인 사출 공급사라면, Agent는 수주를 납기와 가용 금형 윈도에 매칭하고, 설비 정비 계획과 충돌할 때 조기 생산으로 재고 보유 비용을 지는 방안과 납기를 늦추고 긴급 운송 비용을 지는 방안을 비교해 제시한다.

또 다른 시나리오는 긴 흐름 공정과 이산 공정이 섞인 작업장이다. 예를 들어 판금에서 도장, 조립으로 이어지는 경우다. 여기서 Agent의 가치는 공정 간 연동에 있다. 상류 프레스의 배치 크기가 하류 도장의 지그 활용을 결정하며, 이런 결합은 사람 머리로 계산하기 어렵지만 Agent는 규칙으로 정립해 반복 적용할 수 있다.

4. 도입 시 주의해야 할 실무 문제

첫 번째 빈발 질문은 통합 방식이다. Agent는 기존 시스템을 뒤엎을 필요가 없고, 보통 중간 데이터베이스나 메시지 큐로 ERP, MES와 데이터를 교환하며 수주를 읽고 제안 작업 지시를 쓰고 최종 확인은 여전히 ERP에서 완료한다. 스케줄링에 필수적인 필드가 무엇인지 미리 명확히 해, 인터페이스만 잔뜩 열리고 핵심 제약이 빠지는 일이 없게 해야 한다.

두 번째는 하드웨어와 배포 조건이다. 추론은 온프레미스에 배포할 수 있고, 연산 요구는 모델 크기와 동시 계획자 수에 달려 있으며, 중소 공장은 GPU 서버 한 대로 시작하는 것이 흔하다. 클라우드 API를 쓰면 수주 데이터의 익명화 요구를 평가해야 한다. 현장에는 새 수집 하드웨어가 필요 없으며, MES 보고 데이터가 적시에 정확하면 된다.

세 번째는 구현 기간과 단계다. 실용적 접근은 먼저 이력 수주로 오프라인 백테스트를 해 Agent 계획과 숙련자 계획의 편차가 수용 가능한지 검증하고, 다음으로 한 라인에서 섀도 운영을 하며, 그 뒤에야 권고를 생성해 채택하게 하는 것이다. 전 과정은 달 단위로 측정되며 2주 만의 가동을 기대해서는 안 된다.

네 번째는 흔한 오해다. Agent를 APS처럼 사서 자동 최적 스케줄을 기대하면 대개 실망한다. 올바른 기대는 변화 대응과 설명에 강하다는 것이며, 정상 상태 스케줄링은 여전히 규칙 엔진의 몫이다. 또 다른 오해는 제약을 정리하기 전에 모델링부터 하는 것으로, 쓰레기 입력에 쓰레기 출력이 된다. 공정 데이터가 부정확한 시나리오는 기반을 먼저 고쳐야 한다.

5. 이 솔루션이 적합한 대상과 그렇지 않은 대상

적합한 시나리오: 변종이 많고 소량 배치이며 수주 삽입이 잦고 계획 인력이 적지만 시스템 데이터가 비교적 완전한 이산 제조사, 이미 MES를 운영하며 보고 세분성이 공정까지 내려가는 공장, 숙련 계획자의 경험을 재사용 가능한 규칙으로 정립해 개인 의존을 줄이려는 팀.

부적합한 시나리오: 공정 경로가 매우 불안정하고 BOM이 자주 바뀌며 버전 관리가 없는 작업장으로 Agent가 신뢰할 입력이 없는 경우, 화학 같은 순수 프로세스 산업으로 스케줄링이 연속 반응에 제약되어 접근이 다른 경우, 재고 정확도가 90퍼센트 미만인 데이터 기반이 약한 공장으로 Agent보다 데이터 거버넌스가 먼저인 경우.

ERP 시대 이후 수십 년간 구축된 벤더 생태계, 120만 고객과 국내외 시장에 수천만 단말을 배치한 실적에서 이런 Agent 역량은 점차 제조 실행 소프트웨어의 표준 모듈이 되어 가고 있다. 선정 시에는 모델 파라미터를 좇지 말고, 제약 모델링이 개방적인지, 기존 시스템과의 통합 사례가 같은 업종인지, 예외 재스케줄링 트리거가 설정 가능한지를 보아야 한다. 계획자가 결국 그것을 쓰는지는 생성된 계획을 이해하고 수정하고 책임질 수 있는지에 달려 있으며, 이 세 가지가 스케줄링 알고리즘 자체보다 도입 성패를 더 크게 좌우한다.

주제: AI 및 AI 에이전트 백과