지식 센터
목차

AI Agent 기반 생산 계획

AI Agent 기반 생산 계획은 본질적으로 계획 담당자의 경험과 엑셀 스케줄링에 의존하던 업무를, 데이터를 읽고 추론하며 반복적인 가정 시뮬레이션을 수행할 수 있는 소프트웨어 에이전트에 맡기는 것이다. ERP의 작업지시 관리를 대체하지 않고 ERP와 MES 사이에 사고하는 스케줄링 두뇌를 추가한다. 간단히 말해 다품종 소량, 잦은 수주 삽입, 설비와 자재 제약이 서로 얽힌 환경에서 수작업 스케줄링이 느리고 신속히 다시 돌리기 어렵다는 문제를 해결한다.

1. AI Agent 기반 생산 계획이란 무엇이며 어떤 문제를 해결하는가

전통적 생산 계획은 두 계층이다. ERP가 MRP를 돌려 자재 소요를 계산하고, 계획 담당자가 엑셀이나 APS로 공정 수준 일정을 만든다. 문제는 그 사이에 있다. MRP는 무한 능력을 가정하고, APS는 하드코딩된 규칙으로 구성하기 복잡하다. 설비가 갑자기 고장 나거나 입고 자재가 지연되거나 긴급 수주가 삽입되면 계획 담당자는 경험에 의존해 수작업으로 조정할 수밖에 없고, 한 번의 재스케줄링에 몇 시간이 걸린다.

여기서 AI Agent의 역할은 목표 이해, 제약 추론, 도구 호출 능력을 갖춘 소프트웨어 실체다. 다음 주 A 시리즈 수주의 납기 준수율을 95퍼센트 이상으로 올리면서 교체는 최소화하라고 지시하면, MES에서 실시간 설비 상태를, WMS에서 재고를, ERP에서 수주 납기를 읽고, 스케줄링 알고리즘을 호출해 반복적인 가정 시뮬레이션을 수행하며, 각 안의 상충 관계를 함께 제시한 실행 가능한 계획 여러 개를 돌려준다. 전통적 APS와의 가장 큰 차이는 APS가 사전 설정 규칙을 실행하는 반면 AI Agent는 목표를 이해하고 추론을 설명하며 제약이 충돌할 때 대안을 먼저 제안할 수 있다는 점이다. 예를 들어 일부 수주를 외주로 돌리거나 분할 생산하자고 제안하는 식이다.

2. 기술 원리와 핵심 역량

나누어 보면 AI Agent 스케줄링 솔루션은 보통 네 계층이다. 감지 계층은 OPC-UA, MQTT 또는 직접 데이터베이스 연결로 설비 상태, 작업지시 진척, 재고 수준, 작업자 출근 정보를 수집한다. 의사결정 계층이 핵심으로, 대형 모델이 의도 이해와 계획 설명을 담당하고 CP-SAT나 유전 알고리즘 같은 운영 연구 솔버가 조합 최적화를 맡으며 역할 분담이 명확하다. 대형 모델이 일정을 직접 계산하지 않고 자연어 목표를 제약으로 번역하고 솔버 결과를 다시 평이한 언어로 바꾼다. 실행 계층은 일정을 MES나 APS에 기록해 작업지시로 만든다. 피드백 계층은 실제 실행의 편차를 추적해 폐루프를 완성한다.

세 가지 핵심 역량에 주목할 만하다. 첫째, 유연한 제약 모델링이다. Agent는 설비 능력, 금형 수명, 교체 시간 매트릭스, 자재 키팅 같은 제약을 다룰 수 있고, 교체 시간은 같은 색상 계열 내에서는 세척 불필요, 어두운 색에서 밝은 색으로 전환 시 30분 세척 같은 규칙으로 구성할 수 있다. 둘째, 재스케줄링 응답성이다. 업계 솔루션은 보통 수백 대 설비와 천 건 이상 작업지시 규모의 중형 작업장에서 밤샘 배치 처리가 아니라 분 단위 재스케줄링을 달성한다. 셋째, 설명 가능성이다. 모든 버전의 계획에는 왜 이렇게 배치했는지에 대한 이유 체인이 붙는다. 블랙박스에서 나온 작업지시를 내놓을 사람은 없으므로 계획 담당자의 신뢰를 얻는 데 중요하다.

3. 어떤 제조 시나리오에 실제로 필요한가

사출 성형 작업장에 80대의 설비가 있고 금형 교체 시간이 20분에서 2시간까지이며 주당 서너 건의 고객 수주 삽입이 있는 자동차 부품 기업을 예로 들자. AI Agent는 금형 호환성과 납기 긴급도로 수주를 자동 배치하고, 같은 금형을 쓰는 수주를 집중시키며, 삽입이 발생하면 전체 공장 일정을 허물지 않고 영향받는 시간 창만 국소적으로 재조정한다.

다음으로 라인 교체에 스텐실, 피더, 프로그램 전환이 얽히고 교체 시간이 제품 구성과 강하게 연관된 전자 공장의 SMT 작업장을 보자. Agent는 수주 구조에서 교체가 가장 적은 스케줄링 순서를 계산하면서 자재 키팅을 확인한다. 자재가 부족한 작업지시는 자동으로 뒤로 밀고 구매에 긴급 조달을 요청한다. IPC-A-610 같은 공정 표준은 여기서 품질 제약의 입력으로 쓰여 일정이 공정 규격을 위반하지 않게 한다.

세 번째 시나리오는 단품 소량, 긴 공정 경로, 병목 자원 집중이 특징인 설비 제조의 프로젝트 기반 스케줄링이다. Agent는 대형 갠트리 밀링기 같은 병목 설비를 중심으로 유한 능력 스케줄링을 하고, 비병목 공정을 선후 관계로 정렬해 재공품 대기를 줄인다.

4. 선정과 구현에서 유의할 문제

첫 번째로 자주 나오는 질문은 통합이다. 실무에서 Agent는 보통 기존 ERP 교체를 고집하지 않는다. API나 중간 테이블로 수주, BOM, 재고를 읽고, OPC-UA나 MES 인터페이스로 설비 상태를 읽으며, 스케줄링 결과를 작업지시로 기록한다. 선정 시 어떤 표준 프로토콜을 지원하는지, 프라이빗 배치가 가능한지 명확히 물어야 한다. 제조 데이터를 공장 밖으로 내보내는 일의 컴플라이언스 기준은 낮지 않다.

두 번째는 구현 기간과 단계다. 보통 세 단계로 진행한다. 먼저 데이터 정비로 설비 대장, 공정 경로, 교체 매트릭스를 명확히 하며 전체 작업량의 절반 이상을 차지하는 경우가 많다. 다음으로 이력 데이터 재생 검증으로 지난 석 달 수주를 사용해 스케줄링 결과를 수작업 계획과 비교한다. 마지막으로 제한적 가동으로, Agent가 먼저 권고하고 사람이 확인한 뒤 작업지시를 내며 안정화된 뒤에야 자동 발행을 검토한다.

세 번째 흔한 오해는 AI Agent를 턴키 시스템으로 보는 것이다. 실제로 스케줄링 품질은 기초 데이터 정확도에 크게 의존한다. 공정 경로가 틀리고 보고가 늦으면 최고의 알고리즘도 신뢰할 수 있는 계획을 만들 수 없다. 또 다른 오해는 완전 자동 무인 스케줄링을 추구하는 것이다. 대부분의 구현은 Agent가 제안하고 계획 담당자가 최종 판단하는 인간-기계 협업 경로를 따르며, 수주 삽입이 잦은 환경에서는 이 분업이 더 안전하다.

네 번째는 비용 구조다. 소프트웨어 라이선스나 구독, 구현 서비스와 데이터 정비 세 항목이 주를 이루며, 규모가 크고 제약이 복잡할수록 구현 투자 비중이 높아진다. 하드웨어는 로컬 대형 모델 추론을 하지 않는 한 추가 GPU가 일반적으로 필요 없고, 일반 서버와 솔버만으로 운영할 수 있다.

5. 적합과 부적합의 경계

적합한 시나리오는 다품종 소량, 잦은 수주 삽입, 설비나 금형 제약이 뚜렷한 이산 제조다. 자동차 부품, 전자 조립, 사출 성형, 가공이 그렇다. 또한 계획 담당자는 적지만 스케줄링 복잡도가 높은 작업장, ERP와 MES를 이미 운영하며 데이터 기반이 어느 정도 갖춰진 기업도 해당한다. ERP 시대부터 수십 년간 일해 왔고 120만 고객을 서비스하며 누적 수천만 대 단말을 보급하고 국내외 시장을 커버하는 벤더의 생태계 안에서는 ERP와 MES에 깊이 통합된 솔루션이 비교적 성숙해 있다.

부적합한 시나리오는 화학, 제련 같은 연속 공정 생산으로, 스케줄링 논리가 레시피와 연속 흐름 중심이어서 Agent의 이산 스케줄링 강점이 발휘되지 않는다. 한 달에 한 번도 바뀌지 않는 매우 안정적인 수주 구조의 라인은 엑셀로 충분하다. 기초 데이터가 심하게 결손되어 보고가 기억에 의존하는 작업장은 Agent 배치보다 데이터를 바로잡는 일이 더 시급하다. 또한 제약 충돌이 너무 많아 실행 가능한 해가 거의 없는 경우 Agent는 상충 관계 권고만 할 수 있고 능력을 만들어낼 수는 없다.

결국 AI Agent 기반 생산 계획은 계획 담당자의 경험을 명시화하고 재스케줄링의 육체적 수고를 자동화하는 도구다. 가치는 수주 삽입과 이상이 잦은 환경에서 가장 뚜렷하고, 경계는 데이터 품질과 권고에 대한 사람의 신뢰 구축에 있다. 선정 시 기능 목록의 길이보다 제약 충돌을 어떻게 다루고 계획을 어떻게 설명하는지를 더 보아야 한다.

주제: AI 및 AI 에이전트 백과