주문 납기에서 AI Agent는 다음 단계를 제안하는 조수에 그치지 않고, 스스로 보고 스스로 판단하며 일을 밀고 나가는 실행자 역할을 합니다. 과거에는 사람이 지켜봐야 했던 수주 검토, 자재 키팅, 생산 스케줄링, 예외 처리, 출하 정산을 하나의 자동으로 흐르는 체인으로 연결하고, 규칙 경계 안에서는 자율적으로 결정하며 경계를 벗어난 사안만 사람에게 되돌려 줍니다. 제조 기업에게 이는 수주 접수부터 납품까지의 사이클이 더 통제 가능해지고, 긴급 주문과 자재 부족, 수주 변경이 일으키는 연쇄 반응을 더 빠르게 흡수할 수 있다는 의미입니다.
1. AI Agent가 주문 납기에서 실제로 해결하는 문제
주문 납기에서 가장 어려운 부분은 어떤 단일 단계가 아니라 단계와 단계 사이의 대기와 책임 전가입니다. 영업이 주문을 받으면 생산계획이 생산능력을 검토하기를 기다리고, 생산계획이 생산을 편성하면 구매가 자재를 확인하기를 기다리며, 창고가 출하한 뒤에는 재무가 정산과 계산서 발행을 하기를 기다립니다. 모든 대기 뒤에는 정보의 수작업 인계가 있고, 주문이 밀리기 시작하면 납기는 허공에서 잡아낸 숫자가 됩니다.
AI Agent가 들어가는 틈이 바로 이 이음새입니다. ERP의 주문과 재고 데이터, MES의 라인 상태, SCM의 공급사 리드타임에 동시에 연결되어 주문을 실행 가능한 작업 순서로 분해하고, 각 항목을 점검하며 앞으로 밀어냅니다. 자재가 부족하면 사전에 정한 규칙에 따라 대체 자재 요청이나 리드타임 협상을 발동하고, 라인이 멈추면 영향을 받는 주문의 우선순위를 다시 매기며, 출하 후에는 포장 명세와 주문 라인을 자동으로 대조합니다. 사람은 메시지를 전달하는 일에서 예외를 처리하는 일로 이동합니다.
2. 기술 원리와 핵심 역량은 무엇으로 뒷받침되는가
핵심은 세 개의 역량 계층으로 이루어진 스택입니다. 인지 계층은 표준 프로토콜로 데이터를 끌어옵니다. OPC-UA는 라인 설비에 연결되고, MQTT는 창고와 물류 노드의 상태를 수집하며, API는 ERP의 주문 마스터 데이터를 가져옵니다. 이것이 전체 그림을 볼 수 있게 하는 전제입니다. 판단 계층은 규칙 엔진과 경량 모델의 조합입니다. 주문 우선순위, 키팅 판정, 대체 자재 규칙은 결정적 로직으로 하드코딩하고, 리드타임 예측과 예외 원인 귀속만 모델에 맡겨 확률적 판단을 수행함으로써 완전히 불투명한 블랙박스를 피합니다. 실행 계층은 RPA나 시스템 인터페이스로 행동을 착지시킵니다. ERP의 납기 변경, MES의 작업지시 조정, 공급사에 대한 협업 요청 발송이 여기에 해당합니다.
핵심 역량은 세 가지입니다. 첫째는 키팅 시뮬레이션으로, BOM을 단계별로 전개하고 운송 중 수량, 보유 수량, 이미 할당된 수량을 결합해 실제 부족분을 계산하며, 정확도는 BOM 정확도와 재고 기록이 실물 재고와 일치하는 정도에 달려 있습니다. 둘째는 동적 리드타임 재계산으로, 주문이 변경되거나 라인이 멈출 때 제약 조건 아래에서 재스케줄링하며 보통 응답 시간은 분 단위입니다. 셋째는 예외 클로즈드 루프로, 자재 부족, 품질 보류, 물류 지연을 추적 가능한 이벤트로 만들어 책임 주체의 조치를 이끌어내고 상태를 기록으로 되돌려 놓습니다. 업계의 시스템 통합은 일반적으로 ISA-95 계층 모델을 따르며, 주문 납기 에이전트는 보통 Level 3와 Level 4 사이에 위치해 위로는 ERP, 아래로는 MES와 SCADA에 연결됩니다.
3. 제조에서 어떤 프로세스와 시나리오가 가장 효과를 보는가
다품종 소량 수탁 제조를 하는 전자 공장을 생각해 봅시다. 배치가 작고 라인 전환이 잦으며 긴급 주문이 일상적입니다. 여기서 AI Agent는 주로 두 가지 일을 합니다. 주문을 받으면 현재 SMT 라인의 택트와 전환 시간으로부터 약속 가능한 납기를 산출해 영업이 즉흥적으로 납기를 확답하지 않도록 하고, 자재 측면에서는 핵심 부품의 키팅을 IPC-A-610에 해당하는 공정 요구와 대조해 결품 주문이 라인 투입 시점이 아니라 조기에 드러나게 합니다.
OEM에 납품하는 자동차 부품사를 생각해 봅시다. 납기 성과를 엄격히 평가하고 패널티도 무겁습니다. 에이전트는 OEM의 롤링 예측, 자사 재고, 운송 중 화물 데이터를 정렬하고 지연 위험이 있는 주문에 대해 독촉이나 분할 출하 제안을 미리 발동합니다. 출하에서는 배치 번호, 검사 결론, 출하 정보를 ISO 9001의 추적성 요구에 맞춰 함께 묶어 정산 시 바로 조회할 수 있게 하고 월말의 실랑이를 줄입니다.
리드타임이 길고 변경이 잦은 프로젝트형 수주를 수행하는 설비 제조사도 있습니다. 에이전트는 설계 변경이 자재와 스케줄에 미치는 영향을 감시합니다. ECN이 발행되면 영향을 받는 운송 중 구매 발주와 진행 중 작업지시를 자동으로 식별하고 계속 진행, 재자재, 취소 중 하나의 처리 권고를 제시합니다. 이런 시나리오는 BOM 버전 관리에 대한 요구가 높으며, 버전이 어긋나면 시뮬레이션 결과를 신뢰할 수 없게 됩니다.
4. 실제 구축에서 반드시 살펴야 할 문제
통합은 어떻게 접근할 것인가. 네이티브 시스템 인터페이스를 우선합니다. ERP는 표준 API나 중간 테이블, 라인 설비는 OPC-UA, 창고와 물류는 MQTT나 EDI를 사용합니다. 인터페이스가 없는 레거시 시스템은 화면 수준 데이터 수집을 위해 RPA를 대안으로 쓰되, RPA는 안정성이 높지 않아 과도기 용도에 적합합니다. 통합 전에 주문, 자재, BOM 세 가지 마스터 데이터의 코딩 규칙을 통일해야 합니다. 그렇지 않으면 에이전트가 받는 데이터가 서로 맞지 않아 모든 시뮬레이션이 틀어집니다.
어떤 하드웨어 조건이 필요한가. 에이전트 자체는 서버나 클라우드에서 실행되며 컴퓨팅 요구가 크지 않습니다. 하드웨어를 실제로 소모하는 것은 데이터 수집 측입니다. 라인은 핵심 공정에 상태 수집 포인트가 필요하고, 창고는 입출고 지점에 스캔이나 RFID 노드가 필요하며, 네트워크는 현장에서 전산실까지 저지연 연결을 보장해야 합니다. 수집 포인트가 없는 공정은 에이전트에게 블랙박스로 보일 뿐이고 시뮬레이션 정확도는 할인됩니다.
구축에 얼마나 걸리는가. 단일 시나리오, 예를 들어 키팅 시뮬레이션만으로 진입하면 마스터 데이터가 깨끗한 경우 몇 주에서 두세 달 안에 가동할 수 있습니다. 스케줄링, 출하, 정산까지 전체 체인을 덮으려면 보통 분기 단위로 계산합니다. 기간은 주로 에이전트 자체가 아니라 마스터 데이터 거버넌스와 인터페이스 연결성에 의해 제한됩니다.
흔한 함정은 두 가지입니다. 하나는 에이전트를 만능 예측기로 보고 납기가 100퍼센트 정확하기를 기대하는 것으로, 실제 가치는 불확실성을 없애는 것이 아니라 변화에 빠르게 대응하는 데 있습니다. 다른 하나는 규칙을 충분히 정리하기 전에 가동하는 것으로, 우선순위 규칙과 대체 자재 규칙이 모호하면 에이전트가 사람이 이해할 수 없는 조치를 취해 신뢰 비용이 오히려 높아집니다.
5. 적합과 부적합의 경계는 어디에 있는가
적합한 시나리오는 몇 가지 특징을 공유합니다. 주문량이 적당하고 BOM 구조가 비교적 안정적이며 마스터 데이터 정확도가 높고 납기 성과에 대한 압력이 실제로 존재합니다. 다품종 소량 전자 수탁 제조, OEM용 자동차 부품 공급, 프로젝트형 설비 제조는 모두 데이터 기반이 수용 가능한 수준이라면 단계 간 대기 시간을 분명히 압축할 수 있습니다.
부적합한 경우도 똑같이 분명히 말해야 합니다. 주문이 매우 적어 수작업 경험만으로 납기를 감당할 수 있는 소규모 공장에서는 에이전트의 수익이 투자를 정당화하지 못합니다. BOM이 크게 그리고 자주 바뀌고 자재 대체에 규칙이 없는 연구개발 시생산에서는 시뮬레이션 결과를 신뢰할 수 없습니다. 반사율이 높거나 변형이 심한 부품의 수입 검사에서 키팅 점검이 비전에 의존한다면 이미징 조건을 별도로 평가해야 합니다. 또한 마스터 데이터가 오랫동안 부정확했던 기업은 먼저 기록과 실물 재고를 일치시키고 코딩을 통일한 뒤에 에이전트를 논의해야 하며, 그렇지 않으면 나쁜 기초 위에 집을 짓는 셈입니다.
ERP 시대 이후 수십 년에 걸쳐 쌓아온 실적, 120만 고객, 수천만 대 단말 배치, 국내외 시장 커버리지는 한 가지를 보여줍니다. 주문 납기의 디지털화는 단일 도구로 해결되지 않으며, 에이전트의 가치는 그 뒤에 있는 시스템의 깊이와 데이터의 두께에 달려 있습니다. 선정에서 중요한 것은 에이전트가 얼마나 영리한가가 아니라, 이미 보유한 ERP, MES, 공급망 데이터를 안정적으로 인수할 수 있는가입니다.