지식 센터
목차

주문 납기에서 AI Agent는 어떻게 활용되는가

주문 납기 영역에서 AI Agent는 다음 단계를 제안하는 보조자에 그치지 않고, 스스로 보고 스스로 판단하며 스스로 일을 밀어붙이는 실행자 역할을 한다. 과거에는 사람이 지켜봐야 했던 수주 검토, 자재 키팅, 생산 스케줄링, 예외 처리, 출하 정산을 하나의 자동으로 흐르는 사슬로 연결하고, 규칙 경계 안에서는 자율적으로 의사결정하며 경계를 벗어난 사안만 사람에게 되돌린다. 제조기업 입장에서 이는 수주 접수부터 납품까지의 사이클이 더 통제 가능해지고, 긴급 주문과 자재 부족, 주문 변경이 일으키는 연쇄 반응을 더 빠르게 흡수할 수 있다는 뜻이다.

1. 주문 납기에서 AI Agent가 실제로 해결하는 문제

주문 납기에서 가장 어려운 부분은 어느 한 단계가 아니라 단계와 단계 사이의 대기와 책임 공방이다. 영업이 주문을 받으면 계획이 생산능력을 검토하기를 기다리고, 계획이 생산을 스케줄링하면 구매가 자재를 확인하기를 기다리며, 창고가 출하하면 재무가 정산하고 청구서를 발행하기를 기다린다. 모든 대기 뒤에는 정보의 수작업 이관이 있고, 주문이 쌓이기 시작하면 납기는 허공에서 끌어낸 숫자가 된다.

AI Agent가 파고드는 지점이 바로 이 이음새다. ERP의 주문 및 재고 데이터, MES의 라인 상태, SCM의 공급사 리드타임에 동시에 연결되어 주문을 실행 가능한 작업 순서로 분해하고 각 항목을 점검하고 밀어붙인다. 자재가 부족하면 사전에 설정된 규칙 아래 대체 자재 요청이나 리드타임 협의를 발동하고, 라인이 멈추면 영향받는 주문의 우선순위를 다시 매기며, 출하 후에는 포장 명세와 주문 라인을 자동으로 대조한다. 사람은 메시지를 전달하는 일에서 예외를 처리하는 일로 옮겨간다.

2. 기술 원리와 핵심 역량의 기반

핵심은 세 개의 역량 계층으로 이루어진 스택이다. 인지 계층은 표준 프로토콜로 데이터를 끌어온다. OPC-UA는 라인 설비에 연결되고, MQTT는 창고와 물류 노드의 상태를 수집하며, API는 ERP의 주문 마스터 데이터를 가져온다. 이것이 전체 그림을 볼 수 있게 하는 전제다. 의사결정 계층은 규칙 엔진에 경량 모델을 더한 형태다. 주문 우선순위, 키팅 판정, 대체 자재 규칙은 결정론적 로직으로 하드코딩하고, 리드타임 예측과 예외 원인 귀속만 모델에 맡겨 확률적 판단을 하게 함으로써 완전히 불투명한 블랙박스를 피한다. 실행 계층은 RPA나 시스템 인터페이스를 통해 행동을 착지시킨다. ERP의 납기 변경, MES의 작업지시 조정, 공급사에 대한 협업 요청 발송 등이다.

핵심 역량은 세 가지다. 첫째는 키팅 시뮬레이션이다. BOM을 단계별로 전개하고 운송 중, 보유 중, 이미 할당된 수량을 조합해 실제 부족분을 계산하는데, 정확도는 BOM 정확도와 재고 기록이 실물 재고와 일치하는 정도에 달려 있다. 둘째는 동적 리드타임 재계산이다. 주문이 변경되거나 라인이 멈추면 제약 조건 아래에서 다시 스케줄링하며, 보통 응답 시간은 분 단위다. 셋째는 예외 종결이다. 자재 부족, 품질 보류, 물류 지연을 추적 가능한 이벤트로 만들어 책임 주체가 행동하도록 밀어붙이고 상태를 기록으로 되돌려 놓는다. 업계의 시스템 통합은 일반적으로 ISA-95 계층 모델을 따르며, 주문 납기 Agent는 보통 Level 3과 Level 4 사이에 위치해 상향으로는 ERP, 하향으로는 MES와 SCADA에 연결된다.

3. 제조 현장에서 가장 효과가 큰 공정과 시나리오

다품종 소량 수탁 생산을 하는 전자 공장을 생각해 보자. 배치가 작고 라인 전환이 잦으며 긴급 주문이 일상적이다. 여기서 AI Agent는 주로 두 가지를 한다. 주문을 받으면 현재 SMT 라인의 택트와 전환 시간으로부터 약속 가능한 납기를 산출해 영업이 즉석에서 납기를 약속하지 않게 한다. 자재 측면에서는 IPC-A-610에 해당하는 공정 요구사항과 대조해 핵심 부품의 키팅을 점검함으로써, 결품 주문이 라인 투입 시점이 아니라 조기에 드러나게 한다.

완성차 업체에 납품하는 자동차 부품 공급사를 보자. 납기 성과를 엄격히 평가하고 패널티도 무겁다. Agent는 완성차 업체의 롤링 예측, 자체 재고, 운송 중 화물 데이터를 정렬하고, 지연 위험이 있는 주문에 대해 독촉이나 분할 출하 제안을 사전에 발동한다. 출하에서는 ISO 9001의 추적성 요구에 맞춰 배치 번호, 검사 결론, 출하 세부 정보를 하나로 묶어 두어 정산 시점에 바로 조회할 수 있게 하고 월말의 실랑이를 줄인다.

다음으로 리드타임이 길고 변경이 잦은 프로젝트형 주문을 수행하는 설비 제조사를 보자. Agent는 설계 변경이 자재와 스케줄에 미치는 영향을 감시한다. ECN이 발행되는 즉시 영향을 받는 운송 중 발주와 진행 중 작업지시를 자동으로 식별하고, 계속 진행, 재자재 투입, 취소 중 하나의 처리 권고를 제시한다. 이런 시나리오는 BOM 버전 관리에 대한 요구가 매우 높은데, 버전이 엉키면 시뮬레이션 결과가 신뢰할 수 없게 되기 때문이다.

4. 도입 시 반드시 살펴야 할 실무 문제

통합은 어떻게 접근하는가. 네이티브 시스템 인터페이스를 우선한다. ERP는 표준 API나 중간 테이블, 라인 설비는 OPC-UA, 창고와 물류는 MQTT나 EDI를 쓴다. 인터페이스가 없는 레거시 시스템은 화면 수준 데이터 수집을 RPA로 대체할 수 있지만, RPA는 안정성이 높지 않아 과도기 용도에만 적합하다. 통합 전에 주문, 자재, BOM 세 가지 마스터 데이터의 코딩 규칙을 통일해야 한다. 그렇지 않으면 Agent가 받는 데이터가 서로 맞지 않아 모든 시뮬레이션이 틀린다.

어떤 하드웨어 조건이 필요한가. Agent 자체는 서버나 클라우드에서 돌아가며 연산 요구가 크지 않다. 실제로 하드웨어를 소모하는 것은 데이터 수집 측이다. 라인은 핵심 스테이션에 상태 수집 포인트가 필요하고, 창고는 입출고 지점에 스캔이나 RFID 노드가 필요하며, 네트워크는 현장에서 전산실까지 저지연 연결을 보장해야 한다. 수집 포인트가 없는 공정은 Agent에게 블랙박스일 뿐이고 시뮬레이션 정확도는 할인된다.

도입에 얼마나 걸리는가. 단일 시나리오, 예를 들어 키팅 시뮬레이션만으로 진입하면 마스터 데이터가 깨끗할 때 몇 주에서 두세 달이면 가동된다. 스케줄링, 출하, 정산까지 전 구간을 덮으려면 보통 분기 단위로 잡는다. 기간은 주로 마스터 데이터 거버넌스와 인터페이스 연결성에 의해 제한되며 Agent 자체 때문이 아니다.

흔한 함정이 두 가지 있다. 하나는 Agent를 만능 예측기로 보고 납기 100퍼센트 정확도를 기대하는 것인데, 실제 가치는 불확실성을 없애는 것이 아니라 변화에 빠르게 대응하는 데 있다. 다른 하나는 규칙을 충분히 정리하기 전에 가동하는 것이다. 우선순위 규칙과 대체 자재 규칙이 모호하면 Agent는 사람이 이해할 수 없는 행동을 하게 되고 신뢰 비용이 올라간다.

5. 적합과 부적합의 경계

적합한 시나리오는 몇 가지 특성을 공유한다. 주문량이 적당하고 BOM 구조가 비교적 안정적이며 마스터 데이터 정확도가 높고 납기 성과에 대한 압박이 실제로 존재한다. 다품종 소량 전자 수탁 생산, 완성차 업체향 자동차 부품 공급, 프로젝트형 설비 제조는 데이터 기반이 수용 가능한 수준이라면 단계 간 대기 시간을 분명히 압축할 수 있다.

부적합한 사례도 똑같이 분명히 말해야 한다. 주문이 아주 적어 수작업 경험만으로 납기를 감당할 수 있는 소규모 공장은 Agent의 투자 회수가 투자비를 정당화하지 못한다. BOM이 크게 그리고 자주 바뀌고 자재 대체가 규칙 없이 이루어지는 연구개발 시험 생산에서는 시뮬레이션 결과를 신뢰할 수 없다. 반사율이 높거나 변형이 심한 부품의 수입 검사에서 키팅 점검을 비전에 의존한다면 이미징 조건을 별도로 평가해야 한다. 또한 마스터 데이터가 오랫동안 부정확했던 기업은 기록과 실물 재고를 먼저 일치시키고 코딩을 통일한 뒤에 Agent를 논해야 한다. 그렇지 않으면 나쁜 기초 위에 집을 짓는 셈이다.

ERP 시대 이후 수십 년간 쌓아온 실적, 120만 고객사, 수천만 대 단말 배포, 국내외 시장 커버리지는 한 가지를 보여준다. 주문 납기의 디지털화는 단일 도구로 해결되지 않으며, Agent의 가치는 그 뒤에 있는 시스템의 깊이와 데이터의 두께에 달려 있다. 선택할 때 중요한 것은 Agent가 얼마나 영리한가가 아니라, 이미 보유한 ERP, MES, 공급망 데이터를 안정적으로 인계받을 수 있는가다.

주제: AI 및 AI 에이전트 백과