스마트팩토리아 · AI 생산계획

AI 생산계획·스케줄링, 납기 지연과 재고를 함께 줄일 수 있을까

다품종 중소 공장의 데이터 조건과 단계별 적용 기준

납기는 밀리는데 창고는 차 있다면, 계획부터 흔들리고 있을 수 있습니다

급한 주문이 들어오면 생산계획표를 다시 짜고, 설비가 멈추면 또 바꿉니다. 그러다 보면 정작 납기가 급한 품목은 뒤로 밀리고, 당장 필요하지 않은 품목은 미리 만들어 창고에 쌓이는 일이 되풀이됩니다. 많은 중소 제조 현장이 겪는 이 모순은 설비나 인력보다 계획을 세우고 고치는 방식에서 시작되는 경우가 적지 않습니다.

그래서 "AI로 생산계획을 세우면 납기와 재고를 함께 줄일 수 있느냐"는 질문이 자주 나옵니다. 답을 먼저 말씀드리면, 줄일 수 있다는 근거는 있지만 조건이 붙습니다. AI에게 맡기는 일이 일정 편성인지 수요 예측인지에 따라 기대할 효과가 다르고, 데이터와 기준정보가 갖춰지지 않으면 효과보다 혼란이 먼저 찾아옵니다.

이 글에서는 공개 연구에 보고된 실제 공장 적용 결과와 국내 실태조사 수치를 바탕으로, AI 생산계획이 무엇을 바꾸는지와 어디서 멈추는지, 어떤 순서로 시작하면 되는지를 정리합니다. 마지막에는 도입 전에 스스로 점검할 수 있는 체크리스트를 담았습니다.

1. 생산계획에서 AI가 맡는 일은 예측, 스케줄링, 재계획 세 가지입니다

생산계획은 "무엇을 얼마나 만들지" 정하는 일과 "언제, 어느 설비에서, 어떤 순서로 만들지" 정하는 일로 나뉩니다. 앞의 것은 수요 예측과 재고 정책에, 뒤의 것은 스케줄링에 해당합니다. AI는 이 두 영역과 함께, 계획이 틀어졌을 때 남은 일을 다시 짜는 재계획 영역에서 쓰입니다.

수요 예측

과거 수주와 출하 기록에서 패턴을 학습해 앞으로 필요한 양을 추정합니다. 예측이 맞을수록 원자재 발주량과 안전재고를 과하지 않게 잡을 수 있습니다.

• 신경망, 랜덤 포레스트 같은 머신러닝 모델과 기존 통계 예측을 품목별로 비교해 고릅니다.
• 수요 변동이 큰 품목에서 머신러닝 모델이 상대적으로 나은 결과를 냈다는 연구가 있습니다.
• 예측 결과는 발주 시점과 수량을 정하는 재고 정책과 연결될 때 재고 감소로 이어집니다.

생산 스케줄링

주문별 작업을 어느 설비에 어떤 순서로 배정할지 정합니다. 공개 문헌을 분석한 연구에서는 입자 군집 최적화(PSO), 신경망, 강화학습이 스케줄링 문제에 가장 많이 쓰인 기법으로 정리되었습니다.

• 목표는 전체 작업 완료 시간인 "메이크스팬", 납기 지연, 생산비용처럼 공장마다 다르게 둡니다.
• 현장 문제는 여러 목표가 얽혀 있어, 두 가지 이상을 함께 따지는 다목적 최적화가 잘 맞습니다.

동적 재계획

설비 고장이나 긴급 주문 같은 돌발 상황이 생기면 남은 작업을 다시 배정합니다. 계산 시간이 짧아지면 하루에도 여러 번 계획을 고칠 수 있다는 점이 핵심입니다.

• 현장 적용 연구에서 보고된 효과 가운데 계산 시간 단축이 36%의 사례에서 확인되었습니다.
• 강화학습을 다룬 현장 적용 연구의 81.8%가 2021년 이후 발표될 만큼 최근 연구가 몰리는 분야입니다.

2. 엑셀, ERP, APS, AI 계획 방식은 무엇이 다를까

지금 쓰는 계획 방식과 견주어 보면 AI가 더하는 부분이 분명해집니다. 국내 중소·중견 제조기업 가운데 스마트공장을 도입한 곳이 주로 갖춘 기술은 ERP로 76.3%였고, MES는 14.4%였습니다. 생산계획의 출발점이 ERP의 자재소요계획(MRP)과 엑셀 일정표인 곳이 많다는 뜻입니다.

AI 기반 계획은 앞의 방식을 밀어내기보다 그 위에 얹히는 구조입니다. ERP의 수주·재고 데이터와 MES의 생산 실적 데이터가 AI의 입력이 되기 때문입니다. 공개 연구에서도 AI 예측·재고 모델을 ERP를 대체하는 시스템이 아니라 ERP를 보완하는 확장 도구로 제안합니다.

3. 연구로 확인된 효과: 납기와 재고는 어디까지 줄었나

AI 생산 스케줄링 연구는 많지만, 실제 공장에 적용해 기업이 얻은 효과까지 보고한 연구는 많지 않습니다. 2011년부터 2023년까지의 문헌을 분석한 체계적 문헌고찰은 실제 산업 현장 사례를 다룬 연구 31편을 추려 효과를 정리했습니다. 보고된 효과는 생산비용, 생산 효율, 계산 시간, 작업 완료 시간, 납기 지연, 에너지 사용 등으로 다양했습니다.

스케줄링 쪽: 작업 완료 시간과 납기 지연

재고 쪽: 예측만으로는 부족했습니다

덴마크의 한 수주생산(MTO) 중소기업을 다룬 연구는 영업 담당자의 감에 기대던 수요 예측과 ERP의 MRP 기반 발주를 데이터 기반 방식과 비교했습니다. 여러 완제품에 공통으로 들어가는 핵심 부품 3개의 46개월 데이터로 통계 예측, 머신러닝 예측, 강화학습 기반 발주를 시험했습니다.

결과는 단순하지 않았습니다. 예측 오차만 보면 단순한 통계 모델이 여러 머신러닝 모델보다 나았지만, 그 모델은 세 부품 모두에서 매 기간 결품을 냈습니다. 반대로 오차가 더 큰 일부 머신러닝 모델은 결품을 크게 줄였고, 결품을 한 번도 내지 않은 모델은 그 대신 재고를 매우 높게 유지해야 했습니다. 예측 오차와 현장 지표가 서로 다른 결론을 낸 것입니다. 반면 강화학습(Q-러닝) 기반 발주 정책은 세 부품 모두에서 실제 운영 방식과 고전적 경제적 주문량(EOQ) 방식보다 총이익이 높았고, 주문 수량을 수요에 맞춰 조절하며 재고를 낮게 유지했습니다.

4. 국내 중소 제조 현장의 출발선은 어디일까

2024년 스마트제조혁신 실태조사에 따르면 공장을 보유한 중소·중견 제조기업 가운데 스마트공장을 도입한 곳은 19.5%이고, 도입 기업의 75.5%는 기초 수준에 머물러 있습니다. 제조데이터를 수집하는 기업은 60.8%로 적지 않지만, 이 가운데 실제 분석까지 하는 곳은 52.1%입니다.

AI 단계로 넘어가면 숫자가 크게 작아집니다. 제조AI를 도입한 기업은 0.1%, 도입 계획이 있는 기업은 1.6%이며, 제조데이터·AI 전담 부서와 인력을 둔 기업은 0.8%에 그칩니다. 생산계획에 AI를 쓰려는 중소 공장 대부분은 "데이터를 계획에 쓸 수 있는 상태로 만드는 일"부터 시작해야 한다는 의미로 읽힙니다.

정책 흐름도 이 방향과 맞닿아 있습니다. 산업통상부는 제조업 AI 전환(M.AX)의 범위를 생산공정에 그치지 않고 생산계획, 공급망·재고관리까지 넓혀 추진한다고 밝혔습니다. 지역별 AX/DX협업지원센터는 지역 기업을 대상으로 AX 애로상담, 개념검증(PoC), 컨설팅, 제조·AI 공급기업 매칭을 지원합니다.

5. 비용 구조: 소프트웨어 값보다 데이터 정비와 운영이 더 무겁습니다

AI 생산계획 솔루션의 가격은 적용 범위와 구축 방식에 따라 차이가 커서, 일반화할 수 있는 공개 수치를 찾기 어렵습니다. 참고로 같은 실태조사에서 스마트공장 평균 도입비용은 11.3억 원, 중소기업은 7.5억 원으로 조사되었는데, 이는 생산계획 시스템만이 아니라 스마트공장 구축 전체를 포함한 금액입니다.

그래서 비용은 한 덩어리로 보기보다 항목을 나눠 따져 보는 편이 현실적입니다. 견적서에 드러나는 비용과 현업 시간으로 흡수되는 비용을 함께 봐야 합니다.

6. 도입이 멈추는 지점: 시행착오에서 얻는 점검 포인트

AI 생산계획이 기대만큼 효과를 내지 못하는 원인은 알고리즘 바깥에 있는 경우가 적지 않습니다. 공개 연구도 기업이 얻는 효과가 데이터의 품질과 확보 수준에 크게 좌우된다고 짚습니다. 연구가 지적한 한계와 실태조사에 나타난 현장 조건을 겹쳐 보면 반복되는 지점이 보입니다.

성공 판단 기준을 먼저 적어 두기

파일럿을 시작하기 전에 "무엇이 좋아지면 성공인가"를 숫자로 적어 두어야 합니다. 납기준수율, 평균 리드타임, 재고일수, 결품 횟수처럼 경영진과 현장이 함께 보는 지표를 두세 개 정하고, 지금 값을 먼저 측정합니다. 기준값이 없으면 효과가 나도 설명하기 어렵고, 효과가 없을 때도 원인을 찾기 어렵습니다.

7. 우리 공장은 어디서 시작해야 할까: 유형별 접근

모든 공장이 같은 순서를 밟을 필요는 없습니다. 계획이 얼마나 복잡한지와 데이터가 얼마나 준비되어 있는지, 두 가지를 기준으로 출발점을 고르면 됩니다. 여기서 복잡도는 품목 수, 공정 경로의 다양성, 주문 변동의 크기를 함께 본 개념입니다.

• 복잡도가 낮고 데이터가 부족하다면 기준정보 정비와 수작업 구간 축소가 먼저입니다. AI 없이도 효과가 나는 구간입니다.
• 복잡도는 낮지만 데이터가 충분하다면 수요 예측과 발주 기준 조정부터 시작해 재고 쪽 효과를 확인합니다.
• 복잡도가 높은데 데이터가 부족하다면 설비 제약을 규칙으로 정리한 스케줄링으로 시작하고, 그 과정에서 데이터를 쌓습니다.
• 복잡도가 높고 데이터도 충분하다면 AI 동적 재계획을 검토할 단계입니다. 납기 지연과 리드타임을 목표 지표로 둡니다.

8. AI와 계획자가 함께 쓰는 혼합 운영

현장에서 무리 없는 형태는 AI가 계획안을 만들고 계획자가 확인해 확정하는 방식입니다. AI는 수많은 조합을 빠르게 비교하는 데 강하고, 계획자는 고객사 사정이나 설비 상태처럼 데이터에 잘 잡히지 않는 정보를 알고 있습니다.

혼합 운영의 세 가지 형태

어느 형태를 고르느냐는 AI안에 대한 신뢰가 얼마나 쌓였는지에 따라 달라집니다. 대개 추천형에서 시작해 예외 승인형으로 옮겨 가는 흐름을 생각해 볼 수 있습니다.

• 추천형: AI가 일정안 몇 개를 제시하고 계획자가 고릅니다. 도입 초기에 맞습니다.
• 예외 승인형: 평소에는 AI안을 그대로 쓰고, 정해 둔 기준을 넘는 변경만 계획자가 승인합니다.
• 분담형: 수요 예측은 통계 모델, 발주 결정은 강화학습처럼 업무별로 다른 방식을 섞어 씁니다.

덴마크 중소기업 연구에서도 수요 예측에서는 기존 통계 방식이 여전히 쓸 만한 선택지였고, 발주 결정에서는 강화학습이 나은 결과를 냈습니다. 한 가지 기법으로 모든 것을 풀기보다 업무마다 맞는 방식을 고르는 편이 현실적입니다.

9. 단계적 실행 순서

실행은 다섯 단계로 나눠 보는 것이 좋습니다. 앞 단계의 결과물이 다음 단계의 입력이 되므로, 순서를 건너뛰면 뒤에서 다시 돌아오게 됩니다.

1. 문제와 지표 정하기: 납기 지연과 재고 과잉 가운데 무엇이 더 시급한지 정하고, 납기준수율·재고일수·리드타임의 현재 값을 잽니다.
2. 기준정보 정비: BOM, 공정 순서, 표준시간, 설비 능력을 실제와 맞추고, 우선순위와 교체 조건 같은 계획 규칙을 문서로 남깁니다.
3. 데이터 연결: ERP의 수주·재고와 MES의 생산 실적을 같은 품목 코드로 잇고, 비가동·불량·계획 변경 이력을 함께 쌓습니다.
4. 파일럿 병행 운영: 한 라인의 핵심 품목에서 AI안과 기존 계획을 나란히 돌리며, 예측 오차와 함께 결품·재고 지표로 비교합니다.
5. 확대와 운영 정착: 재학습 주기와 계획자 승인 규칙을 정하고, 지표를 정기 점검하며 다른 라인으로 넓힙니다.

10. 도입 전 자가진단 체크리스트

아래 항목에서 체크하지 못한 항목이 많은 그룹이 지금 먼저 손봐야 할 영역입니다. 문제와 목표, 기준정보 그룹이 비어 있다면 AI 솔루션 검토보다 그 정비가 우선입니다.

AI는 계획을 대신 세우기보다, 더 자주 더 정확하게 다시 세우게 해 줍니다

생산계획에 AI를 적용하면 납기와 재고를 줄일 수 있느냐는 질문에, 공개된 근거는 "줄일 수 있다, 다만 무엇을 맡기느냐와 준비 상태에 따라 다르다"고 답합니다. 스케줄링과 재계획에서는 작업 완료 시간과 납기 지연이 줄어든 현장 사례가 보고되었고, 재고는 수요 예측과 발주 정책을 함께 다룰 때 효과가 나타났습니다.

동시에 국내 중소 제조 현장의 다수는 아직 데이터를 계획에 쓸 수 있는 상태로 만드는 단계에 있습니다. 그래서 첫 과제는 모델 선택이 아니라 지표를 정하고 기준정보를 맞추는 일입니다. 이 기반이 갖춰지면 작은 파일럿에서 AI안과 기존 계획을 나란히 비교하며 범위를 넓혀 갈 수 있습니다.

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.