생성형 AI 공급망 관리, 제조 현장 적용 영역과 데이터 준비 조건
공급망 업무의 상당 부분은 숫자가 아니라 문서다
제조기업 공급망 담당자의 하루를 떠올려 보면, 문서를 다루는 일에 적지 않은 시간을 씁니다. 협력사의 납기 회신 메일을 읽고, 발주서와 견적서를 대조하고, 운송사마다 양식이 다른 출하 서류를 다시 입력합니다.
ERP와 수요 예측 시스템이 있어도 시스템과 시스템 "사이의 일"은 대부분 사람 손에 남아 있습니다. 생성형 AI가 공급망에서 주목받는 이유도 여기에 있습니다.
다만 생성형 AI에 거는 기대는 사람이 하던 일을 통째로 대신하는 데 있지 않습니다. 문서를 찾고 정리하고 초안을 쓰는 시간을 줄여, 담당자가 판단이 필요한 일에 집중하도록 돕는 쪽에 가깝습니다.
이 글은 기대효과를 나열하는 대신 제조 현장 관점에서 세 가지를 다룹니다. 생성형 AI가 실제로 맡을 수 있는 업무는 어디까지인지, 비용은 어디서 커지는지, 그리고 도입 전에 어떤 데이터가 준비되어 있어야 하는지입니다.
기존 공급망 AI와 생성형 AI는 맡는 일이 다르다
공급망에 쓰이던 AI는 대부분 숫자를 다루는 모델이었습니다. 과거 출하량으로 다음 달 수요를 예측하거나, 재고·운송 비용을 최소화하는 생산 계획을 계산하는 식입니다. 입력과 출력이 모두 정형 데이터라 결과가 맞았는지 수치로 검증할 수 있습니다.
생성형 AI, 그중에서도 대규모 언어 모델(LLM)은 다루는 대상이 다릅니다. 메일·계약서·작업 지시서·매뉴얼 같은 비정형 텍스트를 읽고, 사람이 쓰는 말로 답하거나 문서 초안을 만듭니다. 반면 대규모 조합 최적화 문제를 직접 푸는 데는 약하고, 그럴듯하지만 사실과 다른 답을 만드는 "환각" 문제가 있습니다.
그래서 두 기술은 경쟁 관계라기보다 역할이 다른 도구로 보는 편이 정확합니다.
| 구분 | 예측·최적화형 AI | 생성형 AI(LLM) |
|---|---|---|
| 주로 다루는 데이터 | 출하량, 재고, 리드타임 등 정형 수치 | 메일, 계약서, 매뉴얼, 서식 문서 등 비정형 텍스트 |
| 출력 | 예측값, 최적 계획안 | 요약, 답변, 문서 초안, 설명 |
| 강점 | 계산 결과의 정확도와 재현성 | 자연어 질의응답, 문서 처리 속도 |
| 약점 | 결과를 현장 언어로 설명하기 어려움 | 환각, 복잡한 수치 최적화에 약함 |
| 적합한 업무 | 수요 예측, 생산·물류 계획 | 협력사 소통, 서류 작성, 예외 상황 설명 |
제조 공급망에서 생성형 AI가 들어갈 자리
적용 영역을 고르는 기준은 단순합니다. 사람이 문서를 읽고 옮겨 적거나, 흩어진 정보를 찾아 요약하는 데 시간을 많이 쓰는 업무일수록 효과가 큽니다. 반대로 결과가 곧바로 돈이나 안전으로 이어지는 결정은 생성형 AI 단독에 맡기지 않습니다.
구매·협력사 관리
협력사 메일과 견적서는 형식이 제각각이라 담당자가 일일이 읽고 비교해야 합니다. 생성형 AI는 이런 문서를 정리하고 회신 초안을 만드는 데 강점이 있습니다.
- 협력사 납기 회신 메일에서 품목·수량·변경 납기를 뽑아 표로 정리합니다.
- 견적 요청서(RFQ) 등 구매 문서 초안을 만들고 담당자가 검토합니다.
계획 변경과 예외 대응
생산 계획 자체는 기존 계획 시스템이 계산합니다. 생성형 AI는 계획이 바뀐 이유를 설명하고 관련 회의 내용을 정리하는 일을 거듭니다.
- "이번 주 납기 지연 위험 품목은?" 같은 질문에 시스템 데이터를 근거로 답합니다.
- 계획 변경 회의록을 요약하고 후속 조치를 정리합니다.
품질·정비 문서 검색
설비 매뉴얼, 과거 불량 보고서, 작업 표준서는 쌓여 있어도 필요할 때 찾기 어렵습니다. 사내 문서를 검색해 근거와 함께 답하게 하면 숙련자에게 묻던 질문의 일부를 덜어 낼 수 있습니다.
- 불량 유형별 과거 조치 이력을 찾아 요약합니다.
- 설비 매뉴얼을 근거로 점검 절차를 안내합니다.
출하·수출입 서류
운송사와 거래처마다 요구하는 서식이 달라 같은 정보를 여러 번 입력하는 업무입니다. 초안은 AI가 만들고 전문가가 검토하는 방식이 현실적입니다.
- 출하 정보를 바탕으로 운송사별 서류 초안을 생성합니다.
- 선적 서류 사이의 수량·품번 불일치를 찾아 표시합니다.
실증 사례: 영국 중소기업 재고 시스템에 LLM을 붙여 본 결과
2025년 MDPI 학술지에 실린 오픈액세스 연구는 영국의 한 중소기업(A사)과 대학 연구진이 함께 진행한 실증 결과를 담고 있습니다. A사는 가구 업계의 재고·주문·배송을 관리하는 자체 시스템을 운영하고 있었습니다.
연구진이 시스템 로그 분석과 직원 인터뷰로 찾아낸 문제는 제조기업에도 익숙한 것들이었습니다. 배송업체마다 별도의 업무 흐름을 만들어야 해서 관리할 흐름이 계속 늘었고, 컨테이너 입고 정보는 대부분 수기로 입력했습니다. 새 업무 흐름을 하나 추가하려 해도 매번 소프트웨어 개발이 필요했습니다.
연구진은 GPT-4 기반 대화형 어시스턴트에 공급망 업무 문서와 이미지를 검색해 답의 근거로 삼는 RAG(검색 증강 생성) 구조를 결합했습니다. 이 시제품을 기존 시스템에 연동해 주문 관리와 재고 배정 같은 업무를 자동화하는 시뮬레이션을 진행했고, LLM으로 사용자 요구에 맞는 업무 흐름을 만들고 수작업을 줄이는 것이 기술적으로 실현 가능하다고 결론 내렸습니다.
눈여겨볼 대목은 연구가 한계를 스스로 밝힌 부분입니다. 정확도·응답 시간·확장성은 평가했지만, 잡음이 섞인 입력이나 악의적인 프롬프트에 대한 견고성 시험은 이번 연구 범위 밖이라고 명시했습니다. 시제품 단계의 성공이 곧 현장 운영의 안정성을 뜻하지는 않는다는 점을 보여 줍니다.
비용은 모델 사용료만이 아니라 데이터 준비와 운영 관리까지 따져야 한다
도입 비용을 따질 때 흔히 모델 사용료부터 계산하지만, 위 연구는 비용 구조를 다르게 봅니다. 연구가 주요 비용 요인으로 꼽은 것은 데이터 준비였습니다. 데이터를 모으고, 정제하고, 필요하면 사람이 라벨을 붙이고, 개인정보 규정에 맞추는 과정 전체가 여기에 들어갑니다. 모델을 업무에 맞게 미세조정한다면 연산 비용이 추가됩니다.
모델을 쓰는 방식도 비용 구조를 바꿉니다. 사용한 만큼 내는 "토큰 과금형"은 초기 투자가 적지만 사용량에 따라 비용이 달라지고, "자체 호스팅"은 인프라 투자가 먼저 들어가는 대신 데이터 통제권이 높습니다. 연구진은 클라우드 호스팅 실험에서 관리 장치 없이 운영하면 비용이 급격히 불어났다고 보고했습니다.
규모를 가늠할 수 있는 수치도 있습니다. 연구진은 하루 50건의 배송 서류를 생성·검증하는 시나리오에서 월 약 400만 토큰, 비용은 모델 선택(GPT-3.5 또는 GPT-4)에 따라 월 70~100달러 수준으로 추정했습니다. 2025년 발표 당시 요금 기준이고, 서류 처리라는 좁은 업무 하나에 한정된 추정이라는 점을 함께 봐야 합니다.
연구가 따로 강조한 것은 "숨은 비용"입니다. 같은 업무라도 아래 요인에 따라 사용량과 비용이 크게 달라집니다.
- 사용자가 넣는 입력 문서의 길이 편차
- 답변·문서 초안 등 생성되는 출력의 분량
- 업무 규칙을 담은 프롬프트의 복잡도
- 화면 뒤에서 자동으로 일어나는 추가 API 호출
도입 전에 갖춰야 할 데이터 조건
생성형 AI의 답은 연결된 데이터만큼만 정확합니다. 위 연구가 제안한 구조도 데이터 원천, 데이터 정제, LLM, 응용 업무의 네 계층으로 되어 있어, LLM 앞단의 두 계층이 LLM의 답을 떠받친다는 점을 보여 줍니다. 제조기업이 우선 살펴볼 조건은 세 가지입니다.
정형 데이터의 기준 정보 정합성
ERP의 품목 코드, 협력사 코드, 단위가 부서마다 다르면 AI는 같은 품목을 다른 물건으로 읽습니다. 위 연구도 조직마다 다른 데이터 모델을 하나의 표준 틀로 맞추는 일을 공급망의 큰 과제로 짚었습니다.
비정형 문서의 보관 위치와 최신본
메일, 매뉴얼, 작업 표준서가 개인 PC와 공유 폴더에 흩어져 있으면 검색 기반 답변의 근거가 흔들립니다. 문서가 어디에 있고 어느 것이 최신본인지 정해져 있어야 AI가 옛 기준으로 답하는 일을 줄일 수 있습니다.
문서별 열람 권한
단가, 협력사 계약 조건, 고객 정보는 모든 직원이 볼 수 있는 정보가 아닙니다. AI에 연결하기 전에 문서별 열람 권한이 정리되어 있어야, AI를 거쳐 권한 밖의 정보가 노출되는 일을 막을 수 있습니다.
실증 연구가 짚은 실패 지점: 데이터와 운영
시제품이 현장 운영으로 이어지려면 모델 성능 말고도 넘어야 할 조건이 있습니다. 위 실증 연구가 짚은 지점을 제조 현장에 비춰 보면 네 가지로 정리됩니다.
먼저 환각과 낡은 정보입니다. LLM을 단독으로 쓰면 사실이 아닌 내용을 지어내거나 오래된 정보로 답할 수 있습니다. 연구진은 관련 문서를 검색해 답의 근거로 붙이는 RAG 구조로 이 문제를 줄였지만, 근거 문서 자체가 틀리면 답도 틀립니다. 앞서 본 데이터 조건이 실패 예방과 바로 연결되는 이유입니다.
다음은 기존 시스템과의 연동입니다. 연구는 오래된 기존 시스템과의 통합을 실제 도입의 과제로 짚고, 시스템 사이에 데이터를 주고받는 연결 통로(API) 설계를 핵심 요소로 들었습니다. 연동이 빠지면 AI는 업무와 "따로 노는 챗봇"으로 남기 쉽습니다.
세 번째는 현장 수용입니다. 연구는 수작업에 익숙한 직원에게 교육과 지속적인 지원이 필요하고, 실제 사용자를 개발과 피드백 과정에 참여시켜야 새 도구가 정착한다고 봤습니다.
마지막은 비용 관리의 부재입니다. 사용량과 비용을 정기적으로 계획과 비교하지 않으면 앞서 본 숨은 비용이 쌓여 예산을 넘기기 쉽습니다.
데이터 보안과 AI 거버넌스 요건
공급망 데이터에는 단가, 거래 조건, 고객 정보처럼 외부로 나가면 안 되는 정보가 많습니다. 위 연구는 LLM 기반 공급망 시스템의 기본 요건으로 암호화, 접근 통제, 사용자 인증을 들고, 개인정보 보호 관련 규정 준수를 전제로 삼았습니다.
보안만큼 중요한 것이 "설명 가능성"입니다. AI가 어떤 근거로 어떤 답을 냈는지 기록이 남아야 오류가 생겼을 때 원인을 추적할 수 있습니다. 연구는 모델 문서화, 결과 설명 기법, 감사 기록을 투명성을 확보하는 수단으로 제시했습니다.
현장 운영 원칙으로 옮기면 다음과 같습니다.
- 외부 생성형 AI 서비스에 입력해도 되는 정보와 안 되는 정보를 사내 기준으로 구분합니다.
- 발주 확정, 계약 조건 변경처럼 돈과 직결되는 결과는 담당자가 최종 승인합니다.
- AI 질의·응답 기록을 남겨 사후 점검이 가능하도록 운영합니다.
조직 차원의 관리 체계를 갖추려는 기업이라면 AI 경영시스템에 관한 국제표준(ISO/IEC 42001)도 정책과 책임, 위험관리 체계를 정비하는 참고 틀이 될 수 있습니다.
기존 계획 시스템은 두고 생성형 AI를 앞단에 붙이는 방식
생성형 AI를 도입한다고 해서 기존 수요 예측·생산 계획 시스템을 바꿀 필요는 없습니다. 현실적인 구성은 계산은 기존 최적화 엔진이 맡고, 생성형 AI는 사람과 시스템 사이에서 "통역" 역할을 하는 혼합 방식입니다.
위 연구가 검토한 선행 연구 가운데에도 이런 방향이 있습니다. 사용자가 최적화 결과를 일상 언어로 질의할 수 있게 해 복잡한 조합 최적화 문제를 이해하기 쉽게 만들면서, 정보 보호 문제도 함께 고려한 틀입니다.
제조 현장에 적용하면 흐름은 다음과 같습니다. 담당자가 질문하면 생성형 AI가 질문의 의도를 해석하고, ERP나 계획 시스템이 실제 데이터 조회와 계산을 수행합니다. 생성형 AI는 그 결과를 문장과 문서로 정리하고, 담당자가 검토해 승인합니다.
이 구조에서는 수치의 정확도를 검증된 기존 시스템이 책임지고, 생성형 AI는 해석과 문서화만 맡습니다. 생성형 AI가 숫자를 지어낼 여지가 줄어들고, 문제가 생겨도 어느 단계에서 생겼는지 추적하기 쉬워집니다.
생성형 AI 공급망 도입은 문서 업무 하나와 데이터 정비에서 출발한다
생성형 AI는 공급망의 계산을 대신하는 기술이 아니라, 계산과 계산 사이에 놓인 문서·소통 업무를 줄이는 기술입니다. 비용은 모델 사용료만이 아니라 데이터 준비와 운영 관리까지 따져야 하고, 실증 연구가 짚은 실패 지점은 환각·시스템 연동·현장 수용·비용 관리입니다. 그래서 기존 계획 시스템이 계산을 맡고 생성형 AI가 해석과 문서화를 맡는 혼합 구조가 위험을 좁히는 현실적인 선택입니다.
첫걸음으로는 협력사 납기 회신 정리나 출하 서류 작성처럼 반복되는 문서 업무 하나를 고르는 것을 권합니다. 그 업무에 필요한 데이터가 어디에 있는지, 기준 정보는 맞는지, 최신본과 열람 권한은 정리되어 있는지 먼저 확인해 보십시오. 그 과정에서 드러나는 데이터 문제가 곧 우리 회사의 도입 준비 수준을 보여 줍니다.
참고문헌
- Javidroozi, V., Tawil, A.-R., Azad, R. M. A., Bishop, B., Elmitwally, N. S. "AI-Enabled Customised Workflows for Smarter Supply Chain Optimisation: A Feasibility Study." Applied Sciences, 15(17), 9402. MDPI. 2025-08-27. https://www.mdpi.com/2076-3417/15/17/9402 (CC BY 4.0)
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.