바다를 향하여:
SCM 전체 최적화로의 도전
섬을 넘어 바다로
생산 현장에서의 연이은 성공은 AI에 대한 전사적인 신뢰를 단단히 굳혔습니다.
불량률 40% 감소, 설비 다운타임 80% 감소, 검수 정확도 99.2%...
숫자로 증명된 성공은 조직 전체를 설레게 만들었습니다. 이제 AI는 더 이상 '실험'이 아니라 '현실'이었습니다.
하지만 송주환 CIO는 여기에 만족하지 않았습니다.
어느 날 아침, 그는 AICoE 팀원들을 회의실로 불러 모았습니다. 그의 표정은 진지했습니다.
"지금까지 우리는 각 생산 라인이라는 '섬' 안에서 문제를 해결해왔습니다. A-7 모듈, B-3 라인, C-5 라인... 각각은 훌륭한 성공이었습니다."
그는 화이트보드에 여러 개의 작은 원을 그렸습니다. 각각의 생산 라인을 의미했습니다.
"하지만 진짜 문제는 여기에 있습니다."
그는 원들 사이의 넓은 공간을 손으로 가리켰습니다.
"섬과 섬을 연결하는 '바다', 즉 공급망(Supply Chain)입니다. 아무리 생산을 잘해도, 원자재가 제때 도착하지 않거나, 만들어진 제품이 물류 창고에 쌓여있으면 아무 소용이 없습니다."
회의실에 정적이 흘렀습니다.
"로드맵에 따라 CRM 혁신과 R&D 효율화도 병렬적으로 준비해야 하지만, 지금 가장 큰 출혈이 발생하고 있는 곳은 바로 공급망입니다."
송 CIO의 목소리에 힘이 실렸습니다.
"이제 우리는 개별 라인의 최적화를 넘어, 공급망 전체를 하나의 유기체처럼 움직이게 만드는 더 큰 도전을 시작해야 합니다."
1. 문제의 핵심을 파고드는 전문가, 이수진 책임
송주환 CIO의 지시에 따라, SCM 팀 출신으로 AICoE에 합류한 이수진 책임이 공급망 문제 분석의 선봉에 섰습니다.
35살의 이수진 책임은 네메시스에서 10년을 근무하며 구매, 생산계획, 물류를 모두 경험한 공급망의 산 증인이었습니다. 특히 그녀는 숫자에 강했습니다. 문제를 데이터로 증명하고, 해결책을 논리로 설득하는 능력이 탁월했습니다.
그녀는 SCM 팀과 함께 몇 주에 걸쳐 구매, 생산계획, 물류팀의 실무자들을 심층 인터뷰하고 데이터를 분석했습니다.
2. 진단: 채찍 효과와 사일로의 덫
한 달 후, 이수진 책임은 두툼한 분석 보고서를 들고 송 CIO를 찾아왔습니다.
"CIO님, 우리 공급망의 문제는 전형적인 두 가지 병폐 때문이었습니다."
그녀는 노트북을 열어 첫 번째 차트를 보여주었습니다.
문제 1: 채찍 효과 (Bullwhip Effect)
"첫째는 '채찍 효과(Bullwhip Effect)'입니다."
화면에는 파도처럼 증폭되는 그래프가 표시되었습니다.
"고객의 작은 수요 변화가 상위 공급망으로 전달될수록 왜곡되고 증폭되어 엄청난 재고 비용과 결품 손실을 유발하고 있었습니다."
그녀는 구체적인 사례를 들었습니다.
"지난 3월, 한 대리점에서 A-7 모듈 주문이 평소보다 20개 증가했습니다. 영업팀은 '트렌드가 바뀌나?'라고 생각하고 100개를 추가 주문했습니다. 생산계획팀은 안전재고를 고려해 150개를 생산하라고 지시했고, 구매팀은 원자재 부족을 우려해 200개 분량의 부품을 발주했습니다."
송 CIO가 눈살을 찌푸렸습니다.
"그래서 결과는?"
"실제 추가 수요는 20개에 불과했는데, 우리는 200개 분량의 원자재를 구매했습니다. 180개 분량은 3개월간 창고에 묶여 있었고, 일부는 유통기한이 지나 폐기되었습니다."
문제 2: 부서별 사일로 (Departmental Silos)
이수진 책임은 두 번째 차트로 넘어갔습니다.
"더 큰 문제는 부서별 사일로입니다. 각 부서가 전체 최적화가 아닌, 자신들의 KPI에만 매몰되어 있었습니다."
그녀는 표를 가리키며 설명했습니다.
"각자는 자기 역할을 완벽하게 수행하고 있다고 생각하지만, 전체 공급망은 삐걱거릴 수밖에 없습니다."
3. 기존 시스템의 한계
송 CIO가 물었습니다.
"이 책임, 좋은 분석이오. 그렇다면 기존 SCM 시스템이나 APS(생산 계획 및 스케줄링) 솔루션을 고도화하는 걸로는 부족한가?"
이수진 책임은 단호하게 고개를 저었습니다.
"부족합니다. 기존 시스템들은 우리가 미리 정해준 규칙(Rule)에 따라 움직이는 '정교한 계산기'와 같습니다."
그녀는 예를 들었습니다.
"'재고가 100개 미만이면 200개를 발주하라'처럼 정해진 시나리오에서는 완벽하게 작동하죠. 하지만 현실은 훨씬 복잡합니다."
그녀의 목소리에 힘이 실렸습니다.
"베트남 항구 파업, 경쟁사의 깜짝 할인, 원자재 가격 폭등... 이런 예측 불가능한 변수들이 동시에 터지면, 기존의 규칙 기반 시스템은 속수무책입니다. 과거의 규칙으로는 새로운 문제를 풀 수 없으니까요."
송 CIO가 천천히 고개를 끄덕였습니다.
"그렇다면 우리에게 필요한 것은?"
"더 빠른 계산기가 아닙니다."
이수진 책임의 눈빛이 빛났습니다.
"우리에게 필요한 것은 수많은 변수와 상충하는 목표(비용, 속도, 재고) 사이에서 최적의 균형점을 스스로 학습하고 찾아내는 '숙련된 전략가'입니다."
그녀는 잠시 말을 멈췄다가 힘주어 말했습니다.
"예측을 넘어, 자율적으로 최적의 의사결정을 내리고 행동까지 하는 실행자, 바로 AI 에이전트입니다."
4. 지능형 ERP로의 진화: Joule 도입
이수진 책임의 명확한 분석을 바탕으로, 송주환 CIO와 AICoE는 SCM 혁신의 최종 목표를 확정했습니다.
"상충하는 변수들 사이에서 최적의 균형점을 찾아 자율적으로 의사결정하고 실행하는 AI 에이전트 구축"
하지만 AI 에이전트가 공급망 전체를 관찰하고 행동하기 위해서는 생산, 재고, 구매, 물류 데이터가 실시간으로 연동되는 것이 필수적이었습니다.
기존 시스템의 한계
네메시스의 구형 S/4HANA Cloud는 부서별로 데이터가 분리되어 있었습니다.
구매팀은 구매 모듈만, 생산팀은 생산 모듈만, 물류팀은 물류 모듈만 보고 있었습니다.
마치 코끼리 다리만 만지고, 코만 만지고, 귀만 만지는 장님들처럼, 각자는 부분만 볼 수 있었습니다.
AI 에이전트가 활동하기 위한 기반이 되기에는 역부족이었습니다.
완벽한 타이밍
마침 네메시스는 SAP와의 5년 클라우드 계약 갱신 시점을 맞이하고 있었습니다.
송주환 CIO는 이 시점을 놓치지 않았습니다.
그는 'RISE with SAP'로의 계약 전환을 통해 S/4HANA Cloud를 최신 버전으로 업그레이드하고, AI 비서인 Joule을 도입하는 안을 경영진에 보고했습니다.
Joule이 만드는 차이
"Joule은 단순히 데이터를 쉽게 보여주는 툴이 아닙니다."
송 CIO는 경영진 앞에서 명확하게 설명했습니다.
"이것은 ERP를 모든 임직원이 실시간으로 활용 가능한 '지능형 신경망'으로 바꾸는 마지막 퍼즐입니다."
그는 화면에 데모를 띄웠습니다.
Before Joule (기존 ERP):
영업사원: "3분기 A-7 모듈 판매 현황 보고서가 필요해"
→ IT 부서에 요청 → SQL 쿼리 작성 → 데이터 추출 → 엑셀 가공 → 3일 후 리포트 수령
After Joule (지능형 ERP):
영업사원: "Joule, 3분기 A-7 모듈 판매 현황 보여줘"
→ 즉시 대시보드와 인사이트 제공 → 10초 완료
"더 중요한 것은..."
송 CIO가 두 번째 데모를 보여주었습니다.
"Joule은 우리가 만들려는 SCM AI 에이전트가 세상을 관찰하는 '눈'이 될 것입니다.
AI 에이전트는 Joule을 통해 실시간으로 생산 현황, 재고 수준, 공급사 상태, 물류 진행 상황을 파악하고, 최적의 의사결정을 내릴 수 있습니다."
결국 경영진은 그의 제안을 승인했습니다.
5. 자율적 최적화 시대를 향한 첫걸음
지능형 ERP라는 강력한 기반 위에서, AICoE는 마침내 궁극의 목표였던 'SCM 최적화 AI 에이전트' 개발 프로젝트를 공식적으로 시작했습니다.
개발의 복잡성
이수진 책임은 프로젝트 킥오프 미팅에서 솔직하게 말했습니다.
"개발 과정은 쉽지 않을 것입니다."
수많은 변수가 얽혀있는 공급망의 복잡성을 AI 에이전트가 학습하도록 만들기 위해, AICoE는 지난 5년간의 데이터를 바탕으로 수백만 가지의 가상 시나리오를 만들어 시뮬레이션을 반복해야 했습니다.
청사진
하지만 방향은 명확했습니다.
송 CIO는 화이트보드에 청사진을 그렸습니다:
[실시간 관찰]
↓
[AI 에이전트 - 최적화 엔진]
- 목표: 비용 최소화 + 서비스 수준 유지 + 재고 최적화
- 학습: 강화학습으로 최적 의사결정 정책 학습
↓
[자율 행동]
- 발주 조정
- 생산 계획 수정
- 물류 경로 변경
- 대체 공급사 활성화
"청사진은 그려졌고, 기반은 다져졌습니다."
송 CIO가 팀원들을 바라보며 말했습니다.
"네메시스는 이제껏 가장 대담한 도전을 시작하려 하고 있습니다. 바로 공급망 전체를 지휘할 디지털 두뇌를 만드는 것입니다."
6. 나무가 아닌 숲을 보는 전체 최적화
네메시스가 생산 라인의 성공을 넘어 공급망 전체의 혁신으로 나아가는 과정은 우리에게 중요한 교훈을 던져줍니다.
바로 부분 최적화(Local Optimization)의 한계와 전체 최적화(Global Optimization)의 중요성입니다.
나무와 숲의 비유
생산 라인의 불량률을 개선하고 설비 고장을 예측하는 것은 분명 가치 있는 성공입니다.
즉, '성공적인 나무'를 심은 것과 같습니다.
하지만 기업이라는 거대한 '숲'의 관점에서 보면, 아무리 튼튼한 나무 몇 그루를 심어도 숲 전체의 생태계가 건강해지지 않으면 의미가 퇴색될 수 있습니다.
아무리 A-7 모듈의 생산 효율을 극대화해도:
원자재 입고가 늦어지거나
완성된 제품이 창고에서 잠자고 있다면
그 가치는 빛을 잃고 맙니다.
부분 최적화의 함정
송주환 CIO와 이수진 책임의 통찰력은 바로 이 지점에서 빛을 발했습니다.
그들은 개별 부서의 KPI(구매팀의 단가, 생산팀의 효율, 물류팀의 속도)라는 '나무'에 매몰되지 않고, 원자재 조달부터 고객 인도까지 이어지는 '공급망'이라는 '숲' 전체를 바라보았습니다.
AI 에이전트의 필요성
바로 이런 복잡하게 얽힌 전체 시스템의 최적화를 위해, 예측을 넘어 자율적으로 행동하는 AI 에이전트의 필요성이 명확해진 것입니다.
진정한 혁신은 관점의 전환에서
네메시스의 여정이 우리에게 주는 핵심 교훈은 명확합니다.
진정한 운영 혁신은 개별 기술의 도입이 아닌, 비즈니스 전체를 관통하는 '전체론적 관점'에서 문제를 재정의하고, 그 문제를 풀기 위한 가장 적합한 도구를 선택하는 데서 시작된다는 것입니다.
- 문제를 정의할 때: 나무가 아닌 숲을 보라
- 목표를 설정할 때: 부분이 아닌 전체를 위하라
- 기술을 선택할 때: 유행이 아닌 본질에 집중하라
이것이 바로 이 장이 우리에게 던지는 핵심 메시지입니다.
하지만 이러한 대담한 도전에는 혼자서는 불가능합니다. 네메시스는 어떻게 이 복잡한 AI 에이전트를 실제로 구현할 수 있었을까요?
다음 화에서는 네메시스가 어떤 파트너들과 함께 이 도전을 완수해 나갔는지, 그리고 성공적인 파트너십을 위해 어떤 원칙들을 지켰는지 살펴보겠습니다.