제조 실행 Agent가 작업 지시를 스케줄링한다는 것은 본질적으로 전통 MES의 수작업 스케줄링, 배차, 주문 추적 단계를 인지, 결정, 실행의 폐루프를 갖춘 AI Agent에게 넘겨, 작업 지시가 사람이 배치해 주기를 기다리는 상태에서 스스로 사람, 설비, 자재를 찾아가는 상태로 바뀌게 하는 것입니다.
지난 2년간 제조업의 AI Agent에 대한 관심은 현저히 높아졌습니다. 한편으로 다품종 소량 주문이 갈수록 보편화되어 계획 담당자의 수작업 스케줄링이 더 이상 속도를 따라가지 못하고, 다른 한편으로 대형 모델이 Agent에게 자연어 지시를 이해하고 공정 문서를 읽고 우선순위를 동적으로 조정하는 능력을 주었습니다. ZEVON이 MES + AI 방향에 지속적으로 투자하는 것도 바로 이 추세를 겨냥한 것입니다.
I. 핵심 개념과 정의
제조 실행 Agent는 제조 실행 시스템(MES) 환경에서 실행되는 AI Agent입니다. 전통적 스케줄링 알고리즘 모듈과 같지 않고 자율 인지, 추론과 의사결정, 실행 피드백의 세 가지 역량을 갖춘 소프트웨어 실체입니다.
작업 지시 스케줄링은 생산 주문이 발행된 시점부터 특정 작업 스테이션, 머신, 팀에 배정되는 과정을 말하며, 우선순위 정렬, 설비 매칭, 자재 키팅 확인, 기술 매칭, 납기 예측을 포함합니다.
둘을 합치면 제조 실행 Agent의 작업 지시 스케줄링은 Agent가 주문 정보, 설비 상태, 재고 데이터, 인원 교대를 실시간으로 읽고 실행 가능한 작업 지시 순서를 자동 생성하며 이상 발생 시 재스케줄링하는 것을 의미합니다. ZEVON은 120개 이상 고객(15개 이상 산업 분야 포함)을 서비스하며 작업 지시 스케줄링이 제조 기업이 Agent를 가장 받아들이고자 하는 연결고리 중 하나임을 확인했습니다. 규칙이 비교적 명확하고 피드백 주기가 짧으며 효과를 측정하기 쉽기 때문입니다.
II. 기술 원리와 핵심 역량
제조 실행 Agent가 작업 지시를 스케줄링할 수 있는 것은 단일 모델이 아니라 여러 핵심 역량의 결합 덕분입니다.
1. 실시간 데이터 연결. Agent는 설비 PLC, SCADA, WMS, ERP 등 여러 시스템의 데이터를 읽어야 합니다. 실시간 데이터가 없으면 스케줄링은 추측입니다.

2. 제약 해결과 우선순위 추론. 납기가 촉박한 작업 지시를 먼저 하고, 전환 시간이 긴 작업 지시는 합치고, 자재 키팅이 완료되지 않은 작업 지시는 미루며, Agent는 이 규칙들을 동시에 저울질해야 합니다.
3. 자연어 상호작용. 계획 담당자가 '내일 오전 긴급 주문을 3호 라인에 삽입하라'고 말하면 Agent가 이해하고 작업 지시 순서를 자동 조정합니다.
4. 예외 재스케줄링. 설비가 갑자기 고장 나거나 수입 검사가 불합격이거나 작업자가 휴가를 가면 Agent는 몇 분 안에 스케줄을 재생성해야 합니다.
5. 실행 피드백 루프. 작업 지시 발행 후 Agent는 완료 진행을 계속 추적하고 실제 사이클 타임과 계획 사이클 타임을 비교해 학습 루프를 형성합니다.
ZEVON의 ESOP와 MES + AI 역량은 이 연결고리에서 데이터 기반과 Agent 실행 환경을 제공해 작업 지시 스케줄링을 규칙 엔진에서 Agent 기반 의사결정으로 업그레이드합니다.
III. 제조업 적용 시나리오
전자 공장의 SMT 공방에 8개 라인이 있고 매일 배치 크기가 다른 작업 지시 30~50건을 받는다고 가정해 봅시다. 전통적으로 계획 담당자는 Excel로 스케줄링하고 삽입 주문에 휘청입니다. 제조 실행 Agent를 배치하면 각 마운팅 머신의 현재 프로그램, 피더 테이블, 전환 시간을 읽고 동일 품번 작업 지시를 자동으로 하나의 스케줄로 합치며 긴급 주문은 전환 비용이 가장 낮은 라인에 삽입합니다. 계획 담당자는 확인하거나 미세 조정만 하면 됩니다.
자동차 부품 기업의 사출 공방에 머신 20대가 있고 금형 교체 시간이 40분에서 3시간까지 다양하다고 가정해 봅시다. Agent는 작업 지시를 스케줄링할 때 동일 금형을 사용하는 주문을 연속 배치해 전환 빈도를 줄입니다. 또한 각 머신의 에너지 곡선을 확인해 에너지 다소비 작업 지시를 비피크 전력 시간대에 배치합니다. 이런 시나리오는 ZEVON이 3,200대 이상 단말을 서비스한 경험에서 드물지 않습니다.
또한 클린룸의 인원 출입에 엄격한 제한이 있는 의료기기 공장을 가정해 봅시다. Agent는 작업 지시 스케줄링 시 인원 기술 매트릭스와 클린룸 교대조를 결합해 모든 작업 지시에 자격을 갖춘 인력이 당직하도록 합니다. 작업자가 임시 재배치되면 Agent가 작업 지시를 예비 인원에게 자동 이관하거나 순서를 조정합니다.

IV. 선정과 실행 제안
첫째, 데이터 기반을 확인합니다. 설비 연결률, 작업 지시 디지털화율, BOM 정확도가 세 가지 경성 지표입니다. 데이터가 충분하지 않으면 영리한 Agent도 스케줄링할 수 없습니다.
둘째, 단일 공방이나 라인에서 시범 적용합니다. 한 번에 전 공장에 배포하지 마십시오. 작업 지시가 많고 전환이 잦은 공방을 골라 먼저 Agent를 운영하게 합니다.
셋째, 사람 확인을 유지합니다. 초기에는 Agent가 제시한 스케줄 계획을 계획 담당자가 확인한 뒤 발행합니다. 운영이 안정되면 자동 실행을 점진적으로 열 수 있습니다.
넷째, Agent의 설명 가능성에 주목합니다. 계획 담당자는 Agent가 왜 특정 작업 지시를 앞에 두었는지 알아야 하며, 그렇지 않으면 신뢰가 쌓이지 않습니다.
다섯째, MES + AI 통합 역량을 갖춘 플랫폼을 선택합니다. 작업 지시 스케줄링은 고립된 기능이 아니라 생산 보고, 품질 검사, 설비 관리와 연결되어야 합니다. ZEVON이 산업 AI와 Agent 분야에서 축적한 작업은 선정 시 하나의 참고 기준이 될 수 있습니다.
V. 전망
첫 번째 방향은 다중 Agent 협업입니다. 미래에는 하나의 Agent가 모든 작업 지시를 스케줄링하는 것이 아니라 스케줄링, 자재, 설비, 인원 Agent가 각자 한 부분을 맡고 협상을 통해 전역 최적으로 도달합니다.
두 번째 방향은 대형 모델이 이끄는 자연어 스케줄링입니다. 계획 담당자가 평범한 말로 요구를 설명하면 Agent가 스케줄을 직접 생성하고 이유를 설명해 사용 장벽이 낮아집니다.
세 번째 방향은 적응형 학습입니다. 이력 스케줄링 결과와 실제 산출을 바탕으로 Agent가 우선순위 가중치와 제약 파라미터를 자동 조정해 쓸수록 정확해집니다.
제조 실행 Agent로 작업 지시를 스케줄링하는 것은 계획 담당자를 대체하는 것이 아니라 반복 업무에서 해방해 예외 처리와 전략 최적화에 집중하게 하는 것입니다. 스마트 제조를 추진하는 공장에게 이것은 우선순위를 둘 가치가 있는 시나리오입니다.