공급망 관리에서 AI Agent의 역할은 본질적으로 조달, 재고, 물류, 계획의 결정 행위를, 사람이 지켜보고 쫓고 추측하던 방식에서 스스로 감지하고 판단하고 실행할 수 있는 소프트웨어 실체로 넘기는 것이다. 더 화려한 보고 도구가 아니라 ERP, WMS, TMS 위에서 최종 결정을 내리는 실행 계층이다. 구체적으로 주문, 재고, 운송 중 화물, 생산능력 같은 실시간 신호를 받아 미리 정한 목표에 따라 견적 요청, 재고 이동, 자재 독촉, 주문 변경 같은 조치를 스스로 시작하며, 사람은 규칙을 정하고 예외를 처리한다.
1. AI Agent가 실제로 해결하는 공급망 문제
전통적 공급망 시스템의 능력 경계는 분명하다. ERP는 장부를 관리하고 WMS는 로케이션을 관리하며 TMS는 운송을 관리하지만 대부분 기록하고 제시할 뿐 능동적으로 결정하지 않는다. 구매 담당자는 매일 결품 목록과 공급사 리드타임을 손으로 대조해야 하고, 계획 담당자는 삽입 주문의 영향을 반복 시뮬레이션해야 하며, 물류 배차 담당자는 전화 한 통씩 픽업 시간을 확인해야 한다. 이런 행위의 공통점은 규칙이 비교적 명확하고 반복 빈도가 높으며 시스템을 넘나들어 보아야 한다는 것이다.
AI Agent가 메우는 것은 시스템이 기록을 마치고 사람이 판단해야 하는 이 틈이다. 시스템을 넘나들어 데이터를 읽고 목적 함수에 따라 판단하며 인터페이스로 조치를 업무 시스템에 기록한다. 전자 공장의 실제 고통 하나를 보자. SMT 라인 전환이 잦고 자재 키팅 확인이 BOM과 재고 표를 손으로 넘기는 것에 의존하며 한 번 놓치면 라인이 멈춘다. 이런 시나리오는 규칙이 명확하고 데이터가 온라인에 있어 Agent가 맡기에 적합한 부분이다.
2. 기술 원리와 핵심 능력
기술 구성에서 쓸 만한 공급망 Agent는 보통 네 계층을 갖는다. 인지 계층은 API나 메시지 큐로 ERP 주문, WMS 재고, TMS 운송 중 데이터에 연결하며 흔한 프로토콜은 RESTful, OPC-UA, EDI다. 의사결정 계층은 규칙 엔진과 예측 모델로 안전재고 재계산, 리드타임 약속 가능성 평가 같은 판단을 한다. 실행 계층은 RPA나 시스템 인터페이스로 구매 요청, 이동 지시, 독촉 통지를 시작한다. 피드백 계층은 조치 결과를 기록해 전략을 교정한다.
세 가지 핵심 능력에 주목할 만하다. 첫째, 다원 데이터 융합으로 구조화된 재고 수량과 반구조화된 공급사 메일 확인을 동시에 읽는 것이다. 둘째, 제약 해결로 생산능력, 보관 공간, 결제 조건의 다중 제약 아래 실행 가능한 계획을 만들며 단순히 임계값에 알람만 울리지 않는다. 셋째, 설명 가능한 조치 로그로 각 단계에서 왜 이동을 트리거했고 어떤 규칙에 근거했는지 추적 가능해야 하며, 이는 ISO 9001 품질 시스템 감사의 하드 요구다. 유의할 점은 Agent가 ERP 트랜잭션 처리를 대체하지 않고 트랜잭션 사이의 조정 결정을 한다는 것이다.
3. 제조 현장의 전형적인 응용 시나리오
자동차 부품 기업에서 사출 작업장과 최종 조립 작업장이 같은 구매 부품 배치를 공유하고, 최종 조립이 급히 필요한데 사출이 먼저 가져가는 일이 자주 생긴다고 하자. Agent는 작업지시 우선순위와 키팅률에 따라 재고 할당을 동적으로 잠글 수 있어 선착순을 납기 위험 기반 할당으로 바꾼다. 자재 키팅과 우선순위 이동 시나리오다.
전자 공장에서 고객 주문이 자주 삽입되거나 수량이 바뀌어 계획 담당자의 수동 시뮬레이션이 시간이 많이 들고 장리드타임 자재를 놓치기 쉽다고 하자. BOM과 공급사 리드타임 데이터에 연결되면 Agent는 신규 주문에 대해 수주 가능 약속 계산을 수행하고 수 초 안에 주문 수락 후 어떤 자재가 부족해질지 보고하며 대체 자재나 연기할 작업지시를 권고한다. 주문 약속과 주문 삽입 시뮬레이션 시나리오다.
세 번째 시나리오는 물류 측이다. 수출 가전 기업이 여러 포워더와 항로를 쓴다고 하자. Agent는 선박 스케줄, 운임, 관세 규칙으로 자동 비교해 부킹 권고를 생성하고, 항만 혼잡 같은 이상이 생기면 항로 변경 평가를 능동적으로 트리거한다. 이런 시나리오는 규칙이 명확하고 선택지가 제한적이어서 완전 자동 조달보다 구현이 오히려 쉽다.
4. 구현 시 주목할 점
통합이 가장 먼저 명확히 해야 할 부분이다. Agent가 ERP 데이터를 직접 데이터베이스 연결로 읽는지 표준 API로 읽는지는 차이가 크다. 직접 연결은 구현이 빠르지만 버전 업그레이드에서 쉽게 깨지고, API는 표준화되어 있지만 ERP 측에서 인터페이스를 열어야 한다. 대부분 벤더는 읽기 전용 접근으로 시작하고 조치 실행은 권고와 사람 확인 모드로 먼저 운영할 것을 권한다.
두 번째 고빈도 질문은 구현 주기다. 재고 경보와 키팅 확인 같은 단일 지점 능력은 데이터 인터페이스 연결 후 몇 주면 가동할 수 있다. 다공장 이동과 주문 약속은 제약 규칙과 승인 흐름을 정리해야 하고 주기는 몇 달 단위다. 길이는 주로 기준정보 품질에 달려 있으며, 자재 코드가 일치하지 않고 공급사 리드타임 필드가 비어 있으면 아무리 똑똑한 Agent도 정확히 계산할 수 없다.
흔한 오해는 두 가지다. 첫째, Agent를 BI로 써서 시각화만 하고 조치 폐루프가 없어 가치가 제한되는 것이다. 둘째, 규칙을 너무 경직되게 설정해 Agent가 예외에서 막히는 고급 매크로가 되는 것이다. 합리적 접근은 사람 폴백 채널을 유지하고 예외 주문을 사유와 함께 자동으로 사람에게 라우팅하는 것이다.
비용 구조는 세 부분이다. 인터페이스 개발과 데이터 거버넌스, 규칙 구성과 모델 튜닝, 지속 운영이다. 처음 두 개는 일회성 투자이고 세 번째는 연간 비용이다. 선택할 때는 벤더가 조치 로그 내보내기와 시각적 규칙 편집을 지원하는지 보아야 하며, 이 두 가지가 이후 운영 비용을 직접 결정한다.
5. 어떤 시나리오가 AI Agent에 적합하고 어떤 것이 부적합한가
적합한 시나리오는 몇 가지 특성을 공유한다. 데이터가 온라인에 있고 필드가 완전하며, 결정 규칙을 명시적으로 기술할 수 있고, 조치를 시스템 인터페이스로 실행할 수 있으며, 예외에 명확한 사람 인수 경로가 있다. 자재 키팅 확인, 안전재고 재계산, 수주 가능 약속 계산, 운송 모드 비교가 모두 이 조건을 충족한다.
부적합한 시나리오도 분명하다. 공급사 생산능력과 리드타임이 전적으로 구두로 확인되어 시스템 기록이 없는 경우, 신제품 도입기로 수요 변동이 극심하고 참조할 이력 데이터가 없는 경우, 대규모 상업 협상과 기본계약 변경이 걸린 조달 결정이다. 이런 시나리오는 사람의 판단이 규칙보다 훨씬 크고 Agent를 억지로 넣으면 혼란만 더한다. 또한 입고 품질 판정처럼 물리 검사가 필요한 연결고리는 Agent가 데이터를 정리할 수만 있고 IPC-A-610 같은 표준에 따른 실제 검사를 대체할 수 없다.
ERP 시대 이후 수십 년간 쌓아 온 산업 기반, 120만 고객 서비스와 누적 수천만 단말 배치는 한 가지를 보여준다. 공급망 디지털화의 기반은 이미 깔려 있고 Agent는 그 기반 위의 증분 조정 계층이지 처음부터 다시 짓는 것이 아니다. 선택할 때 어떤 역할의 어떤 반복 판단을 대체할지 먼저 명확히 하는 것이 전 공급망 지능화를 추구하는 것보다 현실적이다.