제조 실행 Agent로 작업지시를 스케줄링한다는 것은 본질적으로 전통적 MES 업무 중 수동 계획과 경험 기반 배차에 의존하는 부분을, 라인 상태를 인지하고 추론하며 폐루프로 실행할 수 있는 AI Agent에 넘기는 것입니다. 지난 2년 동안 대형 모델 능력이 현장으로 내려오면서 점점 더 많은 제조 기업이 작업지시를 Agent가 자동으로 스케줄링할 수 있는지, 무엇을 근거로 결정하는지, 기존 APS와 MES 계획과 어떻게 다른지 묻고 있습니다. 이 글은 개념, 원리, 시나리오, 구현, 추세의 다섯 영역으로 설명합니다.
I. 핵심 개념과 정의
제조 실행 Agent는 제조 실행 시스템(MES) 위에 추가된 AI Agent 계층입니다. 작업지시, 설비, 인력, 자재, 공정 경로를 실시간으로 인지하고 작업지시를 자율적으로 분할하고 배차하고 우선순위를 조정하며 이상 발생 후 재스케줄링할 수 있습니다. 간단히 말해 전통적 MES는 기록 시스템이고 제조 실행 Agent는 결정과 실행의 시스템입니다.
작업지시 스케줄링은 생산 주문을 실행 가능한 공정 단위 작업으로 나누고 특정 설비, 작업장, 교대조에 배정하는 것입니다. 납기, 생산능력, 교체 비용, 자재 완비도, 설비 상태를 동시에 만족해야 합니다. 전통적 접근은 계획 담당자의 경험과 APS 알고리즘에 의존하지만, Agent 접근은 인지, 추론, 실행, 피드백의 루프로 교란이 발생하면 몇 초 안에 재스케줄링할 수 있습니다.
여기서 혼동하기 쉬운 세 개념을 구분해야 합니다. APS는 최적 계획을 풀고, MES는 명확한 기록을 풀며, 제조 실행 Agent는 조정할 수 있고 빠르게 조정하고 정확하게 조정하는 것을 풉니다. 이들은 대체재가 아니라 계층입니다. MES+AI에서의 ZEVON 실무는 Agent 능력을 제조 실행 계층에 내장해 작업지시 스케줄링이 오프라인 계획에서 온라인 자율로 이동하게 합니다.
II. 기술 원리와 핵심 능력
제조 실행 Agent의 작업지시 스케줄링은 네 계층의 능력에 기반합니다.
첫째 계층은 실시간 인지입니다. 설비 인터페이스, 바코드 스캐너, RFID, PLC 데이터를 통해 Agent는 작업지시 진행, 설비 OEE, 재공품 위치, 출근 현황을 지속적으로 획득합니다. 이 데이터가 없으면 Agent는 눈이 먼 상태입니다.
둘째 계층은 제약 모델링과 추론입니다. Agent는 납기 우선순위, 설비 호환성, 금형 수명, 교체 시간 매트릭스, 자재 완비도를 포괄하는 제약 모델을 유지합니다. 새 작업지시가 삽입되거나 설비가 멈추면 규칙 엔진과 휴리스틱으로 빠르게 풀고, 필요할 때 대형 모델을 호출해 의미 이해와 이상 원인 분석을 수행합니다.
셋째 계층은 자율 실행입니다. Agent는 조언만 하지 않고 MES에 배차 지시를 보내고, 작업지시 순서를 재배열하고, 자재 호출을 트리거하고, 반장에게 알릴 수 있습니다. 결과는 인지 계층으로 되돌아와 루프를 닫습니다.
넷째 계층은 인간-기계 협업입니다. Agent가 권한을 넘는 충돌, 예를 들어 납기와 비용이 심하게 상충하는 상황을 만나면 두세 가지 대안과 그 영향을 담아 계획 담당자에게 에스컬레이션합니다. 이는 매우 중요합니다. 현장은 완전 자동 블랙박스가 될 수 없습니다.
작업장에서의 ZEVON ESOP 상호작용은 Agent에 필요한 최종 단계 실행 피드백을 정확히 제공합니다. 작업자는 ESOP 안내에 따라 작업하고 실제 사이클 타임과 이상이 실시간으로 보고되며, Agent는 후속 작업지시의 순서를 동적으로 보정합니다. 이러한 MES+AI+ESOP의 결합은 스케줄링이 더 이상 계획실의 탁상 계획이 아님을 의미합니다.
III. 제조 적용 시나리오

SMT 실장 라인 교체가 잦고 매일 수십 건의 작업지시를 스케줄링해야 하는 전자 공장을 예로 들어 봅시다. 전통적으로는 계획 담당자가 아침에 한 번 계획하고 오후에 수동으로 조정합니다. 제조 실행 Agent는 실장기가 자재 부족으로 멈추면 호환 가능한 작업지시를 자동으로 앞당기고, 창고에 보충을 알리고, 교체 시간이 비슷한 작업지시를 병합해 다운타임 손실을 줄일 수 있습니다. 작업자가 ESOP 단말에서 보는 것은 갱신된 작업 순서이며 전화 확인이 필요 없습니다.
사출 성형 작업장에 수십 대의 설비와 긴 금형 교체 시간이 있는 자동차 부품 업체를 예로 들어 봅시다. Agent는 금형 수명, 설비 톤수, 납기 긴급도를 결합해 같은 금형을 쓰는 작업지시를 묶고, 동시에 전기 요금이 높은 시간대를 피합니다. 긴급 주문이 들어오면 어떤 기존 주문이 영향을 받고 전체 납기가 얼마나 밀리는지 평가해 설명 가능한 조정안을 제시합니다.
조립 작업지시에 다단계 BOM과 조달 기간이 긴 자재가 포함된 설비 제조사를 예로 들어 봅시다. Agent는 완비도를 주시합니다. 자재가 불완전한 작업지시는 투입하지 않고 완비된 것부터 스케줄링해 라인이 중간에 부품을 기다리며 멈추는 일을 피합니다. 이러한 시나리오에서 Agent의 가치는 얼마나 정밀하게 계산하는가가 아니라 얼마나 빠르게 반응하고 얼마나 신뢰성 있게 루프를 닫는가입니다.
IV. 선정과 구현 권장사항
첫째, 데이터 기반을 보십시오. Agent 스케줄링은 작업지시, 설비, 자재 데이터가 온라인이고 정확하다는 것을 전제로 합니다. MES 데이터가 여전히 수동 입력이라면 Agent를 논의하기 전에 데이터를 먼저 바로잡으십시오.
둘째, 작은 시나리오에서 시작하십시오. 처음부터 공장 전체, 모든 작업지시의 자율을 목표로 하지 마십시오. 한 라인, 한 작업장, 한 유형의 작업지시, 예를 들어 예외 재스케줄링만 또는 자재 완비도 점검만으로 시작하고 루프가 작동한 후 확장하십시오.
셋째, 설명 가능성을 중시하십시오. 현장은 블랙박스를 받아들이지 않습니다. 선정 시 Agent가 조정 사유, 영향 평가, 수동 개입 진입점을 제공할 수 있는지 확인하십시오. 15개 이상 산업의 120여 고객에게 서비스하면서 ZEVON은 바로 이러한 설명 가능하고 개입 가능한 엔지니어링 경험을 축적해 왔습니다.
넷째, 인간과 기계의 권한을 분리하십시오. 어떤 조치를 Agent가 자율적으로 실행하고 어떤 조치에 사람의 확인이 필요한지는 사전에 정의해야 합니다. 흔한 권고는 일상적 재스케줄링은 자율로, 납기 약속 변경은 에스컬레이션하는 것입니다.
다섯째, 실용적인 지표를 선택하십시오. 알고리즘이 얼마나 앞서 있는지만 보지 말고 정시 납기율, 설비 교체 횟수, 계획 담당자 조정 빈도, 이상 대응 시간의 추세를 보십시오.
V. 전망
첫째 방향은 Agent와 APS의 융합입니다. 미래는 양자택일이 아닙니다. APS는 중장기 최적화를 담당하고 Agent는 단기 교란 대응을 담당하며 하나의 제약 모델을 공유합니다.
둘째 방향은 다중 Agent 협업입니다. 공장에는 일정, 자재, 설비, 품질 Agent가 있으며 협상 메커니즘이 필요합니다. 제조 연합에 가까운 구조입니다.
셋째 방향은 자연어 상호작용입니다. 계획 담당자가 내일 A라인이 반나절 멈추면 어떤 작업지시가 지연되는지 묻기만 하면 Agent가 자연어로 조정 제안과 함께 답합니다. 대형 모델이 이 상호작용을 가능하게 합니다.
종합하면 제조 실행 Agent의 작업지시 스케줄링은 사람을 대체하지 않고 계획 담당자를 반복 조정에서 해방시켜 더 높은 가치의 예외 결정을 하게 합니다. 이미 MES 기반을 갖추고 다품종 소량 압박에 직면한 제조 기업에게 이는 진지하게 평가할 가치가 있는 경로입니다.