생산 계획용 AI Agent란 자율 추론과 도구 호출 능력을 가진 Agent가 생산 계획의 스케줄링, 이상 점검, 권고, 실행 추적 단계를 담당하여, 과거 계획 담당자가 스프레드시트를 뽑고 회의에서 조율하던 업무를 사람이 확인하고 트레이드오프하는 시스템 생성 실행 계획으로 바꾸는 것입니다. 이것은 계획을 세울지 여부를 다루는 것이 아니라, 계획 수립 주기가 너무 길고 이상 대응이 너무 느리며 사람이 다중 제약 아래에서 계산할 수 없다는 문제를 다룹니다. 간단히 말해 AI Agent는 ERP 스케줄링 모듈을 대체하지 않고, ERP, MES, APS 위에 사고하고 되물으며 스스로 데이터를 찾을 수 있는 계획 어시스턴트를 추가합니다.
1. AI Agent가 생산 계획에서 실제로 해결하는 문제
생산 계획의 전통적인 방식은 이렇습니다. 계획 담당자가 ERP에서 주문과 재고를 뽑고, MES에서 생산 능력과 진행 상황을 뽑고, Excel이나 APS에서 스케줄을 실행한 뒤, 삽입 주문과 자재 부족, 설비 고장을 전화와 회의로 처리합니다. 고통은 스케줄링 주기가 길다는 것입니다. 많은 공장이 주 1회 계획을 세우고 긴급 주문은 감으로 처리합니다. 이상 감지가 지연되어 자재 부족이 생산 직전에야 드러나는 경우도 많습니다. 다중 목표가 충돌할 때 정량적 근거가 없어 납기, 모델 전환 횟수, 설비 가동률의 균형이 경험에 의존합니다.
AI Agent가 겨냥하는 것은 바로 이 단계들입니다. 주문 풀, 자재 키팅 상태, 설비 상태, 인력 교대조를 지속적으로 읽고, 제약이 바뀌면 능동적으로 재스케줄링하며, 계획이 왜 이렇게 나왔는지 명확히 설명할 수 있습니다. 쉽게 말해 계획 담당자를 데이터 이동 담당자에서 의사결정 검토자로 바꿉니다. ERP 시대부터 수십 년에 걸쳐 구축된 산업 기반, 120만 고객 서비스, 수천만 대 단말 배포는 이런 능력이 ERP 및 MES와의 깊은 통합 위에 서 있어야 함을 보여줍니다. 독립형 스케줄링 도구는 좀처럼 자리를 잡지 못합니다.
2. AI Agent 스케줄링의 기술 원리와 핵심 역량
핵심은 지각, 추론, 실행의 세 계층입니다. 지각 계층은 OPC-UA, REST API 또는 데이터베이스 직접 연결을 통해 ERP에서 주문과 BOM을, MES에서 공정 보고를, WMS에서 재고 배치를, SCADA에서 설비 상태를 수집합니다. 추론 계층은 대형 모델로 작업 분해와 제약 해석을 수행하고 혼합 정수 계획법, 제약 계획법 같은 운영 연구 알고리즘으로 실제 스케줄을 해결하며, 역할 분담이 명확합니다. 대형 모델은 A 주문을 모델 전환을 늘리지 않고 이틀 앞당기라는 자연어 지시를 이해해 제약으로 변환하고, 솔버는 수 분 내에 실행 가능한 해를 산출합니다. 실행 계층은 결과를 APS나 MES에 기록하고 예외 작업 지시를 생성합니다.
네 가지 핵심 역량이 있습니다. 첫째는 제약 모델링으로, 설비 능력, 금형 수명, 모델 전환 시간 행렬, 자재 키팅, 교대조 캘린더를 표현할 수 있어야 하며, 전환 시간은 보통 설비군과 제품군별 행렬로 유지하고 고정값으로 두지 않습니다. 둘째는 롤링 재스케줄링으로, 이벤트 기반 재계산을 지원하여 예를 들어 설비 정지가 보고되면 영향 범위를 자동으로 평가합니다. 셋째는 설명 가능성으로, 작업 지시별 스케줄링 근거와 충돌 지점을 출력하여 계획 담당자가 검토할 수 있게 합니다. 넷째는 통합 능력으로, 보통 ISA-95 계층 인터페이스를 통해 MES와 작업 지시 및 보고 데이터를 표준 API로 교환하고 설비 측은 OPC-UA를 사용하여 지점 간 하드 코딩을 피합니다.
3. 어떤 제조 시나리오가 계획용 AI Agent에 적합한가
첫 번째 시나리오는 전자 공장의 SMT 모델 전환 최적화입니다. 다품종 소량 생산을 하는 공장에서 SMT 모델 전환이 잦고 스텐실과 피더 셋업 시간이 길다고 가정합니다. AI Agent는 제품군별로 주문을 클러스터링하고 같은 제품군 주문을 연속 생산으로 병합하면서 납기를 충족하여 모델 전환 횟수를 눈에 띄게 줄일 수 있습니다. SMT 스케줄링은 솔더 페이스트 개방 시간과 리플로 존 프로파일 제약을 고려해야 하므로 Agent가 라우팅에서 이 파라미터를 읽어야 하며 납기만으로 스케줄링해서는 안 됩니다.
두 번째 시나리오는 자동차 부품 기업의 긴급 주문 대응입니다. 완성차 업체에 사출 부품을 공급하는 업체가 추가 주문을 자주 받는다고 가정합니다. 전통적인 방식은 계획 담당자가 수동으로 주문을 재배열하며 금형 냉각 시간이나 수지 건조 시간을 놓치기 쉽습니다. 긴급 주문이 들어오면 AI Agent는 기존 작업 지시에 대한 영향을 자동 평가하고 어떤 주문을 연기하고 어느 고객의 납기가 영향을 받는지 비교안을 제시하며, 계획 담당자가 하나를 선택해 실행합니다. 사출은 금형과 기기 간 호환성 행렬도 필요하며 이는 보통 공정 부서가 유지합니다.
세 번째 시나리오는 장비 제조의 장주기 자재 키팅입니다. 비표준 장비 제조사가 기기당 수천 개의 자재 항목을 가지고 있고 부품 하나가 빠지면 라인이 멈춘다고 가정합니다. AI Agent는 작업 지시별 키팅 시뮬레이션을 실행하고 병목 자재를 사전에 식별하며, 실행 순서를 납기 순에서 키팅률 순으로 바꾸어 재공품 적체를 줄일 수 있습니다. 이런 시나리오는 BOM 정확도 요구가 높으며, BOM이 부정확하면 Agent의 권고가 왜곡됩니다.
4. 구현 시 주의해야 할 고빈도 문제
통합 방식을 어떻게 선택할 것인가. 기존 MES와 ERP API를 우선 사용하고 시스템을 우회하여 데이터베이스를 직접 읽지 않아야 하며, 그렇게 하면 나중에 유지보수 비용이 커집니다. 설비 데이터는 OPC-UA를 사용하는 것이 일반적이며, 인터페이스가 없는 구형 설비는 엣지 게이트웨이가 프로토콜 변환을 담당합니다. 데이터 갱신 주기는 스케줄링 세분성과 일치해야 하며, 일 단위 스케줄링에 초 단위 수집이 필요하지는 않습니다.
구현에 얼마나 걸리는가. 단일 라인 파일럿은 보통 주 단위로 측정되고, 다중 제약 아래 다중 작업장 스케줄링은 분기 단위로 측정됩니다. 일정은 주로 기초 데이터 품질에 달려 있습니다. 라우팅, 전환 행렬, BOM 정확도가 부족하면 Agent가 아무리 똑똑해도 실행 가능한 계획을 만들 수 없습니다.
흔한 함정은 무엇인가. 첫째는 Agent를 블랙박스로 취급하고 제약을 주지 않은 채 결과를 요구하는 것이며, 실행 불가능한 계획이 나옵니다. 둘째는 첫날부터 완전 자동 무인 스케줄링을 기대하는 것이며, 실제로는 Agent가 제안하고 사람이 확인하는 인간-기계 협업입니다. 셋째는 마스터 데이터 거버넌스를 소홀히 하고, 실제로는 한 자재가 여러 코드를 가진 문제를 알고리즘 탓으로 돌리는 것입니다.
비용 구조를 어떻게 볼 것인가. 크게 세 부분입니다. 소프트웨어 라이선스나 구독료, 기존 시스템과의 인터페이스 개발, 마스터 데이터 거버넌스와 공정 매핑 서비스 작업입니다. 세 번째는 자주 과소평가되지만 프로젝트 성패를 결정합니다.
5. AI Agent 스케줄링이 적합한 시나리오와 부적합한 시나리오
적합한 시나리오는 다품종 소량, 모델 전환이 잦은 이산 제조입니다. 전자 조립, 사출, 가공 등이 해당합니다. 주문 패턴이 변동성이 크고 삽입 주문이 많은 수주 생산 공장, ERP와 MES 기반이 이미 있고 마스터 데이터가 비교적 표준화된 공장도 포함됩니다. 이런 시나리오는 제약이 복잡해 사람이 손으로 계산할 수 없으므로 Agent의 증분 가치가 분명합니다.
부적합한 시나리오는 공정 산업의 연속 생산 라인으로 전환 비용이 매우 높고 스케줄링 여지가 본래 작은 경우, 단일 제품 대량 생산으로 한 라인이 한두 제품만 만들어 전통적인 APS나 수동 스케줄링으로 충분한 공장, 마스터 데이터가 혼란스럽고 BOM 정확도가 낮아 지능형 스케줄링을 논하기 전에 데이터 거버넌스를 완료해야 하는 공장입니다. 또한 명시화하기 어려운 수동 경험에 크게 의존하는 공정은 Agent가 지원 권고만 제공할 수 있으며 완전 자동을 약속해서는 안 됩니다. 솔루션 선정 시 단일 라인에서 개념 검증을 먼저 수행하고 실제 주문으로 비교 라운드를 운영하여 스케줄의 실행 가능률과 계획 담당자의 검토 시간을 확인한 뒤 확산 범위를 결정할 것을 권장합니다.