BNBM AI-Native Operations: 석고보드 공장 120여 곳의 운전·가격·재고 판단을 에이전트가 맡다

BNBM은 석고보드 공장 120여 곳의 운전 조정과 가격·재고 결정을 플랫폼 하나로 묶었습니다. 이 플랫폼에서는 에이전트 여러 개가 지시를 만들어 설비 제어와 업무 시스템에 바로 보냅니다. 공장 한 곳에서 거둔 작은 절감도 같은 라인이 100곳 넘게 있으면 큰 금액이 됩니다. 우리 회사에 옮기려면 공장마다 같은 기준으로 잰 기준선과, 결정 종류별로 어디까지 자동으로 반영할지 정한 범위가 먼저 있어야 합니다.

요약

BNBM(Beijing New Building Materials, 北新建材)은 중국건재그룹 계열 상장사로, 회사 소개로는 세계 최대의 석고보드·경량철골 그룹입니다. 사례집에 따르면 BNBM은 120개 이상 공장에서 해마다 약 20억㎡의 석고보드를 만듭니다. 공장 운전은 사람이 손으로 맞추고 판단은 경험에 기댔습니다. 그 결과 품질이 들쭉날쭉하고 에너지가 새고 비용은 오르는데 판매는 줄었습니다. BNBM은 석고보드 산업용 AI-native 플랫폼(처음부터 AI가 판단하도록 설계한 운영 플랫폼)을 만들었습니다. 이 플랫폼은 전사 데이터를 실시간으로 받습니다. 그 위에서 agent swarm(여러 AI 에이전트가 결정을 나눠 맡는 군집)이 최적 지시를 만들고, 지시는 산업 제어 시스템과 업무 시스템으로 바로 내려가 실행까지 닫힙니다. Agentic AI, LLM, 머신러닝, 수리최적화, 신경망 다섯 가지를 함께 쓰고 클라우드와 엣지(공장 현장 서버)를 묶어 배포했습니다.

사례집이 밝힌 성과는 생산과 경영 양쪽에 걸칩니다. 생산 쪽 실적은 단위당 석탄 사용 3% 감소, 공장당 연간 약 7만 달러의 에너지 비용 절감입니다. 같은 방식을 전 공장으로 넓히면 연 800만 달러 이상을 아낄 수 있다고 봅니다. 이 값은 확대 적용 시 추정입니다. 경영 쪽에서는 AI 가격 최적화로 연 약 140만 달러의 추가 매출을 냈습니다. 대응 시간은 수일에서 수시간으로 줄어 효율이 10배가 됐고, 재고일수는 20% 줄었습니다. BNBM 고위 임원은 클라우드·엣지 배포가 공장별 적응을 쉽게 해 『scale gypsum board optimization through cloud-edge deployment』를 가능하게 했다고 평가했습니다. 아래에서는 플랫폼의 네 가지 구현 메커니즘을 풀고, 다공장 제조사가 이 구조를 자기 과제로 옮길 때 정할 지표, 자동화 범위, 일정을 덧붙였습니다.

핵심 메커니즘

Composite Stack: 다섯 기술을 역할별로 나눠 쓰기

BNBM은 한 가지 모델에 모든 판단을 맡기지 않았습니다. 사례집은 Agentic AI, LLM, 머신러닝, operations research(수리최적화), 신경망을 겹쳐 쓴 composite stack(복합 기술 스택)이라고 적습니다. 공장 운영에는 성격이 다른 문제가 섞여 있어서 이렇게 나눕니다. 건조기 온도와 석탄 투입량의 관계처럼 센서 신호에서 패턴을 읽는 일은 신경망과 머신러닝이 맡습니다. 정해진 제약 안에서 가장 좋은 값을 고르는 일은 수리최적화가 잘합니다. 공장 설비 한계, 재고 상한, 지역별 가격 하한 같은 제약이 여기에 들어갑니다. LLM은 사람과 시스템 사이에서 질문을 받고 지시와 근거를 사람 말로 풉니다. Agentic AI는 이 모델들을 결정 단위로 묶어 실행까지 끌고 갑니다. 기술별 역할 배치는 사례집이 밝힌 것이 아니라 일반적인 구성을 바탕으로 한 해석입니다.

언제 쓰나: 숫자로 답해야 하는 결정(운전값, 가격, 재고량)이 많고 그 결정에 물리적 제약이 걸린 곳에 맞습니다. LLM 하나로 운전값을 정하게 하면 실행마다 값이 흔들리고 제약을 어길 수 있습니다. 숫자를 정하는 일은 최적화와 예측 모델에 두고, LLM은 설명과 질의에 두는 편이 안전합니다.

Agent Swarm: 결정마다 에이전트를 두고 묶기

사례집은 플랫폼이 agent swarm으로 최적 지시를 전달한다고 적습니다. 에이전트 하나가 모든 일을 하지 않고, 결정 종류마다 에이전트를 따로 두는 구조입니다. 각 에이전트는 자기 입력을 받아 예측과 최적화를 돌리고 지시 하나를 냅니다. 한 에이전트의 출력은 다른 에이전트의 입력이 됩니다. 수요 예측이 바뀌면 재고 에이전트가 목표 재고를 다시 잡고, 그에 맞춰 생산 계획과 가격 판단도 움직이는 식입니다. 두 지시가 부딪히면 조율 규칙이 우선순위를 정합니다. 에너지를 아끼려고 라인 속도를 낮추는 지시와 납기를 맞추려고 속도를 올리는 지시가 부딪히는 경우가 그 예입니다. 사례집은 에이전트의 이름과 개수, 조율 방식을 밝히지 않았습니다.

작은 예시(가상 예시): 화북 지역 수요가 2주 연속 예측보다 높게 나오면 재고 에이전트가 그 지역 창고의 목표 재고일수를 올리라고 제안합니다. 가격 에이전트는 같은 신호를 보고 할인 폭을 줄이라고 권고합니다. 생산 에이전트는 가까운 공장 두 곳의 생산 비중을 늘립니다. 세 지시가 같은 데이터에서 나오므로 서로 어긋나는 일이 줄어듭니다.

Closed-loop Execution: 권고를 제어·업무 시스템까지 내려보내기

많은 공장 AI가 대시보드에 권고를 띄우는 데서 멈춥니다. 사례집에 따르면 BNBM은 권고를 산업 제어 시스템과 업무 시스템에 직접 보내 closed-loop execution(폐루프 실행, 판단에서 실행과 결과 측정까지 사람 손을 거치지 않고 한 바퀴 도는 구조)을 만들었습니다. 산업 제어 시스템은 DCS(분산 제어 시스템)나 PLC를 말합니다. 업무 시스템은 ERP나 판매·재고 시스템을 말합니다. 실행 결과는 다시 실시간 데이터로 들어와 다음 판단의 입력이 됩니다. 대응 시간이 수일에서 수시간으로 준 것도 사람이 보고서를 읽고 회의를 거쳐 시스템에 입력하던 단계가 빠진 결과로 읽힙니다.

언제 쓰고 언제 아끼나: 결과가 빨리 보이고 되돌리기 쉬운 결정(건조기 온도, 투입량)은 폐루프에 일찍 올립니다. 결과가 늦게 보이거나 고객에게 바로 닿는 결정(가격)은 승인 단계를 남긴 채 시작하는 편이 안전합니다.

Cloud-Edge Deployment: 공통 모델은 클라우드, 공장 적응은 엣지

공장 120여 곳은 설비 연식, 원료 석고의 종류, 연료, 기후가 다릅니다. 모델 하나를 그대로 복사하면 공장마다 맞지 않습니다. BNBM은 클라우드와 엣지를 결합해 공장별 적응을 지원했다고 밝혔습니다. 일반적인 분담은 이렇습니다. 클라우드에서는 전사 데이터를 모아 공통 모델과 에이전트 규칙을 관리합니다. 엣지에서는 공장 신호를 실시간으로 처리하고 그 공장 설비에 맞게 모델을 보정합니다. 제어 지시처럼 늦으면 안 되는 일은 엣지가 맡고, 여러 공장의 경험을 모아 모델을 고치는 일은 클라우드가 맡습니다. 칸 안의 분담은 사례집이 아니라 해석입니다.

공장당 연 약 7만 달러는 한 공장으로 보면 작은 금액입니다. 같은 설계의 라인이 100곳 넘게 있으면 공통 모델을 복사하고 공장별 보정만 하면 됩니다. 사례집의 전 공장 확대 추정(연 800만 달러 이상)도 이 반복 구조를 전제로 합니다.

통념과 다른 주장

사례 재구성

석고보드 생산·경영 자율운영

구분	내용
상황	공장 120개 이상, 연 약 20억㎡ 생산. 수동 제어와 경험 위주 판단 때문에 품질 편차, 에너지 낭비, 비용 상승, 판매 감소가 겹침
한 일	석고보드 산업용 AI-native 플랫폼 구축. 전사 실시간 데이터 수집, agent swarm이 만든 지시를 제어·업무 시스템으로 보내 폐루프 실행. 클라우드·엣지 결합으로 공장별 적응
결과	단위당 석탄 3% 감소, 공장당 연 약 7만 달러 절감(실적). 전 공장 확대 시 연 800만 달러 이상(추정). 가격 최적화 추가 매출 연 약 140만 달러. 대응 시간 수일 → 수시간(효율 10배). 재고일수 20% 감소
연결	Composite Stack(예측·최적화·LLM 분담), Agent Swarm(생산·가격·재고 결정 분할), Closed-loop Execution(대응 시간 단축), Cloud-Edge Deployment(공장별 확산)

공개 자료로 확인한 관련 도입: 데이터 질의 에이전트

사례집 밖의 공개 자료도 하나 찾았습니다. 2026년 4월 중국 기술 매체에 실린 벤더 플랫폼 도입 사례 기사입니다. 기사에 따르면 BNBM은 2025년 3월 중국 소프트웨어 업체 炎黄盈动(Actionsoft)의 플랫폼을 골라 iPaaS(시스템 연결 서비스)로 ERP 데이터를 잇고 데이터 중대(공통 데이터 기반)를 쌓기 시작했습니다. 2025년 11월에는 같은 회사의 기업용 AI 플랫폼을 들였습니다. 첫 장면은 구매·영업·생산 부서가 자연어로 지표를 묻고 원인을 단계별로 파고드는 데이터 질의 에이전트입니다. 권한은 지역, 사업 라인, 직위별로 걸렀고 2개월 안에 안정 운영에 들어갔다고 합니다. 기사는 이 에이전트의 효과 수치를 싣지 않았습니다. 이 도입이 사례집의 자율운영 플랫폼과 같은 것인지, 그 일부인지도 공개 자료로는 확인하지 못했습니다. 다만 업무 용어 규칙을 먼저 정비하고 데이터 기반 위에 에이전트를 올린 순서는 사례집의 구조와 같은 방향입니다.

기술 디테일: 다공장 라인에서 돌리려면

아래는 BNBM이 밝힌 구조를 다른 다공장 제조사가 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. BNBM이 쓴 모델, 변수, 필드는 사례집에 나오지 않으므로 여기 적은 이름과 숫자는 가상 예시입니다.

Composite Stack의 입력을 모으려면 공정 데이터와 경영 데이터를 같은 시간축과 같은 공장 코드로 맞춥니다. 석고보드 라인이라면 석고 소성(하소)과 보드 건조 단계에서 연료를 많이 씁니다. 그래서 소성로·건조기의 온도 구간별 값, 연료 투입량, 라인 속도, 보드 두께와 수분, 강도 검사값을 1~10초 주기로 받습니다. 경영 데이터는 일 단위 출하, 지역별 판매가, 창고별 재고, 원료와 연료 단가를 붙입니다. 품질 검사값은 몇 시간 늦게 나오므로 생산 시각에 맞춰 붙여야 학습이 틀어지지 않습니다.

Agent Swarm의 출력은 지시와 근거를 함께 남깁니다. 지시 한 건마다 아래처럼 기록하면 승인, 실행, 사후 검토에 같은 기록을 씁니다.

{
  "plant": "plant_07",
  "agent": "energy_dryer",
  "ts": "2026-10-28T09:20:00+08:00",
  "decision": "dryer_zone2_temp_c",
  "current": 182,
  "recommended": 178,
  "bounds": [170, 190],
  "max_step": 3,
  "expected": { "fuel_per_10k_m2": -1.2, "moisture_pct": 0.0 },
  "inputs_ref": ["line_speed", "board_moisture", "ambient_humidity"],
  "confidence": 0.81,
  "mode": "auto_within_bounds",
  "target_system": "DCS",
  "rationale_text": "습도가 낮아 2구역 온도를 낮춰도 수분 기준 유지"
}

bounds와 max_step은 공정 엔지니어가 정하고 에이전트가 바꾸지 못하게 둡니다. rationale_text는 LLM이 숫자 근거를 읽고 쓰는 설명이며, 값 자체는 최적화 모델이 정합니다. 가격 에이전트라면 decision이 지역·제품별 판매가가 되고 mode는 approval_required, target_system은 판매 시스템이 됩니다.

Closed-loop Execution을 안전하게 하려면 결정 종류마다 자동화 수준을 따로 둡니다. 설비에 가깝고 되돌리기 쉬운 결정부터 범위 안 자동 반영을 엽니다. 가격처럼 고객에 닿는 결정은 승인 단계를 남깁니다. 모든 지시에는 실행 여부와 실행 뒤 30분·4시간·1일 결과를 붙여, 효과가 없거나 반대로 간 지시를 골라냅니다.

성과를 재려면 사례집의 항목 이름을 그대로 쓰되 측정 방법을 공장 사이에 통일합니다. 석탄 단위당 사용량은 표준탄 환산 연료량을 생산 면적으로 나눕니다. 원료와 계절 영향이 크므로 에이전트를 켠 기간과 끈 기간을 1~2주씩 번갈아 같은 조건끼리 비교합니다. 에너지 절감액은 단가 변동을 빼고 사용량 차이에 고정 단가를 곱해 재무가 환산합니다. 가격 최적화 효과는 추천가를 적용한 지역과 비교 지역의 매출 차이로 보고 비용 절감과 섞지 않습니다. 사례집도 이 둘을 구분해 적었습니다.

실패하는 경우와 대응. 센서 값이 비거나 튀면 에이전트가 잘못된 지시를 냅니다. 주요 태그의 결측이나 급변을 감지하면 그 공장의 자동 반영을 멈추고 기존 제어로 돌아갑니다. 원료 석고의 산지나 연료 종류가 바뀌면 이전 데이터로 맞춘 모델이 어긋나므로, 바뀐 뒤 2~4주는 승인 모드로 되돌리고 엣지에서 다시 보정합니다. 에이전트 지시가 서로 부딪히는 일이 하루 몇 건 이상 반복되면 조율 규칙의 우선순위를 다시 정합니다. 모델 갱신은 클라우드에서 한 번에 밀지 않고 공장 2~3곳에 먼저 반영해 1주 관찰한 뒤 넓힙니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	제조 총괄 또는 COO	대상 공장과 결정 범위 승인, 확산 결정
공장 책임	시범 공장장	운전 범위·안전 기준 승인, 교대조 조율
공정 엔지니어	소성·건조 담당 1~2명	변수 목록, bounds·max_step 설정, 지시 검토
영업·SCM	지역 영업 책임자, 수요·재고 계획 담당	가격 하한·재고 상한 설정, 가격·재고 지시 승인
데이터·AI	데이터 엔지니어 1명, 모델 담당 1~2명	태그 수집, 경영 데이터 연결, 에이전트 개발·감시
재무	공장 원가 담당 1명	기준선 확정, 절감액·추가 매출 환산

시작 전 준비물: 시범 공장의 최근 12개월 DCS 태그 이력, 품질 검사 기록, 원료·연료 변경 이력, 설비 정지·정비 기록, 월별 연료 사용량과 단가, 지역별 판매가와 출하 이력, 창고별 재고 이력. 공장 코드와 제품 코드가 시스템마다 다르면 이 대응표부터 만듭니다.

기간	할 일	산출물
1~3주	데이터 진단, 공장·제품 코드 정리, 단위당 연료·재고일수 기준선 산출	데이터 진단서, 기준선 지표표
4~6주	건조기 에너지 에이전트를 승인 모드로 운전, 승인율과 거부 사유 집계	주간 지시 보고서
7~9주	재고·가격 에이전트를 권고 모드로 추가, 에너지 에이전트는 범위 안 자동 반영	켜기·끄기 비교표, 가격 권고 기록
10~12주	재무 확인, 판정 회의, 다음 공장 2~3곳 선정	판정 보고서, 확산 계획

현장 인터뷰 질문: 교대 중 가장 자주 손대는 변수는 무엇이며 무엇을 보고 바꿉니까? 원료 석고나 연료가 바뀌면 운전을 어떻게 달리합니까? 넘으면 안 되는 범위와 그 이유는 무엇입니까? 지역 가격을 바꿀 때 누가, 어떤 자료를 보고, 며칠 걸려 정합니까? 재고가 쌓이거나 모자란 것을 처음 아는 사람은 누구이며 조치까지 며칠 걸립니까?

진행 판정 기준(예시): 단위당 연료가 기준선보다 통계적으로 낮고 품질 편차가 커지지 않아야 합니다. 여기에 재무가 절감액을 확인하면 다음 공장으로 넘어갑니다. 품질 편차가 커지거나 승인 거부율이 30%를 넘으면 변수와 범위를 다시 정해 승인 모드부터 다시 돌립니다.

AX 적용 제언. BNBM에서 배울 점은 두 가지입니다. 하나는 같은 라인이 여러 공장에 반복되는 구조를 확산의 지렛대로 쓴 것입니다. 다른 하나는 생산과 경영 판단을 한 플랫폼에 올린 것입니다. 한국 제조 대기업이라면 시멘트, 석고·건자재, 유리, 제지, 식품, 2차전지 소재처럼 같은 공정이 여러 공장에 반복되고 에너지 비용 비중이 큰 사업이 맞습니다. 순서는 이렇게 권합니다. 에너지를 가장 많이 쓰는 설비 하나에서 에너지 에이전트로 시작해 현장 신뢰를 얻습니다. 같은 데이터 기반에 재고·가격 에이전트를 붙여 경영 쪽 효과를 따로 잽니다. 효과 확인은 재무가 맡고, 공통 모델과 공장별 보정을 나눈 배포 구조를 처음부터 잡습니다. 공장당 절감액이 작아 보여도 공장 수를 곱한 확대 효과로 투자를 판단하되, 그 값은 추정으로 따로 표시합니다.

원문 사례

항목	내용
회사	BNBM(Beijing New Building Materials Public Limited Company, 北新建材), 중국 베이징
출처	Gartner 2026 Eye on Innovation Awards for Advanced Manufacturing에 제출·소개된 사례(Greater China 사례집 5번째 슬라이드)
사례명	Autonomous AI Platform(석고보드 생산·경영 자율운영)
규모	공장 120개 이상, 연 약 20억㎡ 생산(사례집)
기술	Agentic AI, LLM, 머신러닝, 수리최적화, 신경망. Gartner 분류: AI Agents, Data & Analytics, Domain-Specific Language Models, Decision Intelligence Platforms
구조	전사 실시간 데이터 수집, agent swarm 지시, 산업 제어·업무 시스템으로 폐루프 실행, 클라우드·엣지 결합
생산 성과	단위당 석탄 3% 감소, 공장당 연 약 7만 달러 에너지 절감(실적), 전 공장 확대 시 연 800만 달러 이상(추정)
경영 성과	가격 최적화 추가 매출 연 약 140만 달러, 대응 시간 수일 → 수시간(효율 10배), 재고일수 20% 감소
공개 자료: 회사 규모	2025년 석고보드 생산능력 36.6억㎡, 생산량 21.2억㎡(증권 분석 보도). 국내외 산업기지 122곳, 연매출 224억 위안 이상, 직원 약 1.6만 명(2026년 4월 기술 매체 보도)
공개 자료: 관련 도입	2025년 3월 炎黄盈动 플랫폼 선정·ERP 데이터 연결, 2025년 11월 기업용 AI 플랫폼 도입, 데이터 질의 에이전트 2개월 내 가동(벤더 도입 사례 보도, 효과 수치 없음)

핵심 개념

석고보드(gypsum board)

소성한 석고를 물과 섞어 종이 사이에 굳힌 뒤 건조한 판. 벽체·천장 마감재로 쓴다.

소성(calcination)

원료 석고를 가열해 결정수를 빼는 공정. 건조와 함께 석고보드 라인에서 연료를 많이 쓰는 단계다.

Decision Intelligence Platform

예측·최적화·규칙을 묶어 업무 결정을 만들고 그 결과를 추적하는 플랫폼. Gartner가 이 사례에 붙인 기술 분류 중 하나다.

Domain-Specific Language Model

특정 산업의 용어와 데이터로 맞춘 언어 모델. 사례집이 기술 분류로 표기했다.

DCS

Distributed Control System. 공장 설비를 실시간으로 제어하고 센서 값을 모으는 시스템.

재고일수(inventory days)

지금 재고로 며칠 치 출하를 감당하는지 나타내는 값. 재고를 일평균 출하량으로 나눈다.

iPaaS

Integration Platform as a Service. 여러 업무 시스템의 데이터를 잇는 클라우드형 연결 서비스.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(BNBM, Autonomous AI Platform, 첨단 제조)와 확인한 공개 자료 2건입니다. ① 「北新建材基于炎黄盈动企业级AI平台，构建智能问数赋能经营决策」(中华网 科技, 2026.4.2, 벤더 플랫폼 도입 사례 기사) https://m.tech.china.com/articles/20260402/202604021838609.html ② 「北新建材(000786):“一体两翼”成效显著 石膏板基本盘改善」(格隆汇, 증권 분석 보도) https://m.gelonghui.com/news/5234890 . 사례집에 수상 여부는 표기되지 않아 ‘제출·소개된 사례’로 적었습니다. 성과 수치는 BNBM이 제출한 값으로 제3자 검증 값이 아니며, 실적·확대 추정·추가 매출 구분은 사례집 표기를 따랐습니다. 요약·메커니즘·사례 재구성·원문 사례 표는 사례집과 공개 자료를 AX Review가 다시 정리했고, 기술별 역할 배치와 클라우드·엣지 분담은 해석입니다. 기술·현업 디테일, JSON 예시, 지표표, 일정·판정 기준, 인포그래픽·표는 실제로 돌릴 때 필요한 것을 새로 작성했으며 그 안의 이름과 숫자는 가상 예시입니다.