인력 스케줄링에서 AI Agent의 핵심 가치는 팀장이 즉석에서 정하고 Excel을 주고받으며 고치던 방식을, 소프트웨어가 실행 가능한 근무표를 자동 생성하는 폐루프 시스템으로 바꾸는 것이다. 주문, 근로시간, 스킬 매트릭스, 규정을 읽고 몇 분 안에 여러 안을 만들며, 누군가 휴가를 가거나 주문이 삽입되면 실시간으로 재계획한다. 간단히 말해 스케줄링이 사람이 규칙을 찾아다니는 일에서 규칙이 사람을 찾는 일로 바뀐다.
1. AI Agent 편성이 실제로 해결하는 문제
전통적 편성은 세 가지 혼란스러운 계정을 남긴다. 첫째, 정보가 흩어져 있다. 출퇴근은 타임클록에, 주문은 ERP에, 스킬과 자격은 인사 스프레드시트에, 라인 택트는 MES에 있어 팀장이 머릿속에서 조립해야 한다. 둘째, 제약이 많다. 법정 근로시간 한도, 연속 교대 간격, 특수 직무 자격 요구, 다기능 작업자 비율이며 하나만 넘어도 규정 위험이나 품질 변동이 생긴다. 셋째, 변화가 빠르다. 주문 삽입, 결근, 설비 고장이 언제든 계획을 흔들고 수동 재계획은 당장의 필요만 보고 향후 2~3일 인력 구조를 흐트러뜨리는 경우가 많다.
AI Agent 편성은 이 세 가지를 해결한다. 스케줄링을 제약 최적화 문제로 다루고 솔버와 규칙 엔진으로 근무표를 생성한 뒤 Agent의 감지-판단-실행 루프로 계속 보정한다. 전통적 스케줄링 소프트웨어와의 차이는 기존 시스템은 파라미터를 채우고 표를 받는 방식으로 동작하지만 Agent는 변화를 능동적으로 지켜보고 재계획 필요 여부를 스스로 판단하며 재계획 후 사람에게 통지한다는 점이다.
2. 기술 원리와 핵심 능력
기반은 세 층 구조다. 첫 층은 제약 모델링으로 근로시간 규정, 스킬 매트릭스, 설비 대 인원 비율, 교대 인수인계 규칙을 계산 가능한 제약으로 쓴다. 이 부분은 보통 ISA-95 계층의 MES-ERP 인터페이스 관례를 따르고 OPC-UA나 REST 인터페이스로 실시간 데이터를 가져온다. 둘째 층은 최적화 해결로 흔히 혼합정수계획에 휴리스틱 알고리즘을 더한다. 소규모 사례는 정확히 풀고 수백 명 규모의 다공정 사례는 유전 알고리즘이나 제약 프로그래밍으로 근사해를 구하며, 목적은 보통 노무 원가 최소화와 주문 납기 달성 최대화다. 셋째 층은 Agent 의사결정 루프로, MES 생산 보고 이상, 타임클록 결근 기록, ERP 주문 삽입 같은 이벤트로 트리거되며 트리거 시 영향 범위를 평가해 국소 미세 조정과 전면 재계획 중 하나를 결정한다.
네 가지 핵심 능력에 주목할 만하다. 스킬 매칭은 단순 태깅이 아니라 증서 유효기간 같은 시간 제약을 처리해야 한다. 규정 검증은 지역별로 구성 가능한 규칙 세트를 지원해야 하며, 예를 들어 종합 근로시간제와 표준 근로시간제의 차이다. 설명 가능성은 왜 이 사람이 야간 교대를 배정되었는지 답할 수 있어야 하며 그렇지 않으면 팀장이 쓰기를 꺼린다. 인간-기계 협업은 수동 개입 여지를 남겨 Agent가 안을 만들고 사람이 확인하거나 미세 조정하는 방식이어야 하며 완전 자동 블랙박스여서는 안 된다.
3. 전형적인 제조 응용 시나리오는 어떤 모습인가
전자 공장이 SMT 마운팅을 3개 라인 2교대로 운영하며 AOI 검사, 리플로우 솔더링, 삽입 공정을 포함하고 직원 스킬이 등급화되어 있으며 일부 직무는 IPC-A-610 인증을 요구한다고 하자. 스케줄링 난점은 주문 변동이 크고 다기능 작업자가 제한적이며 야간 교대 규정선이 엄격하다는 것이다. AI Agent는 다음 날 주문 예측과 재직 직원 자격을 바탕으로 매일 오후 근무표를 생성하고, 돌발 결근이 생기면 자격을 갖춘 직원을 스킬 매칭 순으로 자동 추천하며 연속 야간 교대 일수가 한도 내인지 검증한다.
자동차 부품 기업이 사출과 조립을 하며 설비 금형 교체 시간이 길어 스케줄링이 금형 교체 계획과 결합되어야 한다고 하자. Agent는 금형 교체 창을 제약에 접어 넣어 핵심 금형 기술자를 교체와 충돌하는 교대에 배정하지 않고 금형 대기 정지를 줄인다. 이런 시나리오에서 스케줄링은 사람만 배치하는 것이 아니라 사람, 설비, 자재의 결합 리듬을 배치하는 일이다.
창고 물류의 웨이브 피킹 스케줄링도 있다. 주문 웨이브가 몇 개 시간 창에 집중되는데, Agent는 예측 물량에 따라 근무 인원과 교대 시작 및 종료 시각을 동적으로 조정해 고정 교대보다 유휴 시간을 잘 줄인다.
4. 선택과 구현 시 주목할 점
통합이 가장 먼저 명확히 해야 할 부분이다. 편성 Agent는 ERP의 주문과 작업지시, MES의 라인 택트와 생산 보고, 출퇴근 시스템의 인력 상태를 읽을 수 있어야 한다. 인터페이스는 주로 REST와 데이터베이스 뷰이며 레거시 설비 환경에서는 OPC-UA 게이트웨이 지원 여부를 확인한다. 인터페이스가 작동하지 않으면 Agent는 눈이 먼 상태다.
구현 주기는 보통 세 단계다. 제약 매핑과 기준정보 거버넌스가 가장 큰 비중을 차지하고 스킬 매트릭스와 규칙 세트가 깨끗하지 않으면 이후 모든 것이 헛수고가 된다. 그다음 알고리즘 튜닝과 시운전으로 단일 작업장에서 2주간 수동 근무표와 비교하는 것이 좋다. 그 이후에 확산한다. 2주 만에 여러 사업장 가동을 기대하는 것은 사실상 비현실적이다.
흔한 오해는 두 가지다. 첫째, 스케줄링을 순수 알고리즘 문제로 보고 기준정보 품질을 무시하는 것이다. 스킬 태그가 임의로 붙고 근로시간 규칙이 통일되지 않으면 결과 계획은 쓸 수 없다. 둘째, 팀장의 확인 단계 없이 완전 자동화를 추구해 일선 저항으로 오히려 구현이 느려지는 것이다. 합리적인 접근은 Agent가 초안을 쓰고 사람이 최종 승인하며 자동 채택률을 점진적으로 높이는 것이다.
비용 구조는 주로 소프트웨어 라이선스나 구독, 인터페이스 개발, 기준정보 거버넌스 공수, 지속적 규칙 유지 보수다. 규모가 크고 제약이 복잡할수록 거버넌스 비용 비중이 높아지므로 미리 계산해야 한다.
5. 적합과 부적합의 경계
적합한 시나리오는 다교대, 다기능 요구, 명확한 주문 변동, 하드 규정 제약이 있는 생산이나 창고 환경으로 인원 규모가 수십 명에서 수천 명에 이르며, 제약이 구조화될수록 결과가 안정적이다. ERP와 MES 데이터 기반이 이미 있는 기업은 시작이 더 빠르다.
부적합한 시나리오는 인원이 한 자리 수인 초소규모 작업장으로 수동 스케줄링이 더 빠르다. 스킬 요구가 매우 낮고 교대가 고정되어 최적화 여지가 제한적인 경우, 기준정보가 오랫동안 왜곡된 기업도 해당하며 데이터를 먼저 고쳐야 스케줄링을 논할 수 있다. 또한 프로젝트 기반 인력 배치에서 구두 교대 교환이 잦은 것처럼 비구조적 즉석 협의가 많은 스케줄링은 현재 Agent가 대체보다 보조하는 수준이다.
ERP 시대 이후 수십 년간 이 분야에서 일해 온 벤더로서 120만 고객을 서비스하고 누적 수천만 단말을 배치하며 국내외 시장을 아우른 경험으로 볼 때, 편성 Agent의 성공은 알고리즘 자체보다 기준정보 거버넌스와 일선 협업 습관 형성에 달려 있는 경우가 많다. 이를 개봉 즉시 작동하는 소프트웨어가 아니라 가꿔야 하는 시스템으로 보면 성공률이 크게 높아진다.