지식 센터
목차

생산 계획을 지원하는 AI Agent

생산 계획을 지원하는 AI Agent는 자율 추론과 도구 호출 능력을 갖춘 Agent로 수요 예측, 능력 균형, 일정 조정, 예외 대응의 의사결정 지원을 맡아 계획 담당자를 대량의 엑셀 확인과 시산 작업에서 해방시키는 것이다. ERP나 MES를 대체하지 않고, 두 시스템 위에 생각하고 되묻고 스스로 교정하는 스케줄링 두뇌를 추가한다. 변형이 많고 소량 배치에 주문 삽입이 잦은 제조업에서 이런 Agent의 가치가 먼저 드러난다.

1. AI Agent가 생산 계획에서 실제로 해결하는 것

전통적 스케줄링은 사람과 엑셀에 의존하며, 핵심 고충은 계산 한계가 아니라 정보가 흩어져 있고 변화가 빠르며 경험을 재사용하기 어렵다는 점이다. 주문 납기, 자재 키팅, 설비 상태, 인력 교대, 공정 제약이 서로 다른 시스템에 있어 삽입이 발생할 때마다 계획 담당자는 데이터를 다시 끌어오고 두세 가지 시산 버전을 돌린 뒤 경험으로 결정한다. AI Agent가 들어서는 지점이 바로 이 반복적인 데이터 취합과 시나리오 시산 작업이다.

하는 일은 세 계층으로 나눌 수 있다. 첫째는 인지로 ERP의 주문과 재고, MES의 작업지시 진척, SCADA가 수집한 설비 상태, WMS의 자재 키팅 상태를 통일된 뷰로 집계한다. 둘째는 추론으로 제약 아래에서 여러 스케줄링 옵션을 생성하고 각 옵션을 납기 달성률, 설비 가동률, 사양 변경 횟수로 수치화한다. 셋째는 행동으로 선택된 옵션을 작업지시 권고로 기록하거나 예외 작업지시에 대해 재스케줄링 경보를 올린다. 한 문장으로 말하면, Agent는 스케줄링을 사람이 데이터를 찾아 옵션을 계산하는 일에서 사람이 규칙을 정하고 Agent가 옵션을 산출하는 일로 바꾼다.

2. Agent 기반 스케줄링의 기술 원리와 핵심 역량

세 가지 핵심 역량이 있다. 제약 모델링, 다중 옵션 최적화, 예외 폐루프다.

제약 모델링에서 Agent는 설비 능력, 금형 수명, 사양 변경 시간, 자재 리드타임, 공정 경로 선후 관계를 계산 가능한 제약 집합으로 변환해야 한다. 업계는 흔히 APS 모델링 사상을 차용하고 OPC-UA로 수집한 실시간 설비 상태로 동적 보정을 적용한다. 예를 들어 SMT의 사양 변경 시간은 스텐실과 피더 구성에 따라 달라지는데, Agent는 고정값을 쓰는 대신 이력 사양 변경 기록에서 추정할 수 있다.

다중 옵션 최적화는 흔히 휴리스틱 규칙과 메타휴리스틱을 결합해 납기 우선, 최소 사양 변경, 부하 균형 같은 목표 사이에서 파레토 절충을 수행한다. Agent의 부가가치는 자연어로 목표 선호를 받아들이는 데 있다. 예를 들어 이번 주는 A 고객의 긴급 주문을 우선하되 사양 변경 횟수는 완화한다고 말하면 자동으로 가중치를 조정해 다시 푼다.

예외 폐루프가 전통 APS와 구분되는 지점이다. 설비가 갑자기 고장 나거나 입고 검사가 실패하거나 긴급 주문이 삽입되면 Agent는 재스케줄링을 트리거하고 영향 범위를 평가하며 어떤 주문이 며칠 지연되는지, 외주가 필요한지 권고할 수 있다. 또한 누락된 정보를 능동적으로 되물을 수 있다. 이 자재 배치가 내일 오전에 오는지 오후에 오는지에 따라 일정이 달라지기 때문이다. 한 문장으로 말하면, 제약 모델링은 숫자가 맞는지를 결정하고 예외 폐루프는 매일 쓸 수 있는지를 결정한다.

3. 제조업의 전형적 적용 시나리오

전자 공장이 SMT와 조립 라인을 혼류 운영하며 변형이 많고 소량 배처이며 하루에 긴급 주문이 5~10건 삽입된다고 하자. 계획 담당자는 기존에 매일 아침 두 시간을 자재 키팅 확인에 썼다. AI Agent는 야간에 키팅 시뮬레이션을 돌려 아침에 착수 가능한 작업지시 목록과 자재가 부족한 작업지시 및 최종 보충 시각을 전달하고, 계획 담당자는 예외만 확인하면 된다.

자동차 부품 기업이 사출과 기계 가공을 연계하고 금형 교체 시간이 길다고 하자. Agent는 금형 수명과 주문 납기로 공동 스케줄링하고, 동일 금형을 쓰는 주문을 묶으면서 묶음의 납기 위험을 평가하며, 사양 변경 횟수와 정시 납품률 사이의 절충 곡선을 제시할 수 있다. 이런 시나리오는 ISO 9001 아래 추적성 요구가 높아 Agent의 모든 스케줄링 조정이 추적용으로 기록된다.

세 번째 시나리오는 설비 예외 대응이다. 기계 가공 현장에서 CNC 스핀들 알람으로 한 대가 멈추면 Agent는 몇 분 안에 후속 작업지시를 재스케줄링하고 대체 가능한 작업을 예비 기기로 옮기며, 세 건의 주문이 영향을 받고 그중 한 건은 잔업으로 만회할 수 있다고 보고한다. 한 문장으로 말하면, 삽입이 잦고 사양 변경이 복잡하며 예외가 빈번한 운영이 Agent 기반 스케줄링이 가장 먼저 뿌리내리는 토양이다.

4. Agent 기반 스케줄링 배포 시 유의할 이슈

통합이 첫 번째 빈도 높은 질문이다. Agent는 보통 ERP 작업지시를 직접 다시 쓰지 않고 API나 중간 테이블로 권고를 출력하며, 계획 담당자가 확인한 뒤 기록되므로 기존 승인 흐름과 충돌하지 않는다. MES 통합은 대부분 RESTful 인터페이스나 메시지 큐를 쓰고, 설비 계층은 OPC-UA나 Modbus 수집에 의존한다.

하드웨어 요구는 크지 않다. 추론 측은 공장 내 서버나 사설 클라우드에서 실행할 수 있고, 엣지 측은 프로토콜 변환과 데이터 캐싱용 산업용 PC 한 대면 충분해 비전 검사 응용의 연산 요구보다 훨씬 낮다. 실제 장벽은 데이터 품질이며, 설비 상태 수집이 불완전한 것이 흔한 결함이다.

구현 주기는 제약 모델링 복잡도와 이력 데이터 완비도에 따라 단일 라인 파일럿이 보통 수 주에서 두세 달 걸린다. 흔한 오해는 일괄 완전 자동 스케줄링을 추구하는 것이다. 실제로는 권고와 사람 확인을 결합한 반자동 모드로 시작해 계획 담당자의 신뢰를 쌓은 뒤 권한을 점진적으로 열어주는 편이 성공률이 높다. 비용은 주로 소프트웨어 라이선스, 제약 모델링 컨설팅, 데이터 거버넌스로 구성되고 하드웨어 비중은 작다. 한 문장으로 말하면, 데이터 가용성을 먼저 해결하고 그다음 알고리즘 정교함을 논하라.

5. 어떤 시나리오가 Agent 기반 스케줄링에 적합하고 어떤 것이 부적합한가

적합한 시나리오는 특징이 비교적 명확하다. 주문 변형이 많고 소량 배치에 삽입이 빈번하며, 설비와 자재 제약이 복잡해 수동 시산에 시간이 많이 들고, ERP와 MES 기반이 이미 있어 데이터를 수집할 수 있으며, 계획 경험이 한두 사람에게 집중되어 승계 위험이 있다. 이런 기업은 Agent 지원 스케줄링에서 뚜렷한 한계 이익을 본다.

부적합한 사례도 밝혀야 한다. 단일 변형 대량 생산으로 택트가 안정적이면 전통 APS나 간판 관리로 충분하며 Agent를 더하는 것은 과잉 설계다. 설비 상태를 수동 보고하는 데이터 기반이 약한 현장에서는 Agent가 실제 제약을 얻지 못해 옵션이 신뢰할 수 없으므로 데이터 수집이 먼저다. 공정 경로가 극도로 불안정해 매일 바뀌는 시험 현장에서는 제약 모델링 비용이 수익을 넘을 수 있어 신중히 평가해야 한다.

수십 년간 ERP 시대에서 활동하며 120만 고객을 서비스하고 수천만 단말을 배치했으며 국내외 시장을 커버하는 벤더의 산업 관행에서 보면, 스케줄링 Agent의 가치는 사람을 대체하는 것이 아니라 계획 담당자의 경험을 재사용 가능한 규칙과 모델로 정류하는 데 있다. 선택 시에는 알고리즘 유행어가 아니라 제약 모델링의 유연성과 예외 폐루프의 완결성에 주목해야 한다. 한 문장으로 말하면, 시나리오가 맞으면 AI Agent는 계획 담당자의 부조종사이고, 맞지 않으면 최고의 알고리즘도 장식이다.

주제: AI 및 AI 에이전트 백과