xFusion CPQ AI Agent·Multi-Agent Scheduling: 서버 회사가 견적·공급망·생산계획을 에이전트로 바꾼 세 사례

xFusion은 서버 견적, 계약 이후의 공급망, 공장 생산계획 세 곳에 에이전트를 넣었습니다. 세 곳 모두 답을 LLM에게 통째로 맡기지 않았습니다. LLM은 사람의 요청과 문서를 구조로 바꾸고 공급·마진·호환·가동능력 같은 제약은 규칙과 지식 그래프, 수리최적화 솔버가 결과 앞단에서 지키게 했습니다. 옮기려면 이 제약을 기계가 읽는 형태로 먼저 정리하고 사람이 승인할 지점을 정해야 합니다.

요약

xFusion Digital Technologies(중국명 超聚变)는 중국 정저우에 거점을 둔 서버·컴퓨팅 기업입니다. 2025년 4월 정저우 행사의 CEO 기조연설을 다룬 언론 보도에 따르면 2024년 매출이 300억 위안을 넘었고 중국 서버 시장에서 2위입니다. 회사 웹사이트는 정저우 공급센터가 2021년 12월 18일 문을 열었고 SMT(표면 실장) 설비와 MES(제조 실행 시스템)로 디지털화돼 있다고 소개합니다. 이 회사가 2026 Gartner Eye on Innovation Awards 첨단 제조 부문에 제출·소개한 사례는 세 건입니다. 첫째는 영업 견적을 짜는 CPQ AI Agent(configure, price, quote: 사양 구성·가격 산정·견적 작성을 맡는 에이전트)입니다. 둘째는 계약·이행·배송을 잇는 AI-Driven Supply Chain Transformation, 셋째는 공장 생산계획을 짜는 AI-Optimized Production Scheduling입니다. 세 사례는 고객 요청이 견적이 되고 견적이 계약과 주문이 되고 주문이 생산계획이 되는 한 줄 위에 놓입니다.

회사가 보고한 결과는 이렇습니다. 견적 구성은 15분에서 3분으로 줄고 조작 단계가 85% 줄었습니다. 신규 인력 교육은 2주에서 30분이 됐습니다. 공급망은 계약·이행·배송 자동화율이 0%에서 90.21%가 됐고 연 350만 달러를 아꼈으며 연간 오류가 253건에서 0건이 됐습니다. 생산계획은 지능형 계획 적용률이 0%에서 91%로 올랐고 가동능력 활용이 85%에서 93%, 납기 예측 정확도가 82%에서 95%로 올랐습니다. 세 사례의 공통점은 역할 분리입니다. LLM은 고객의 말, 계약서, 긴급 주문 메일처럼 정리되지 않은 입력을 읽어 구조로 바꿉니다. 그 뒤의 결정은 규칙, 지식 그래프(부품·정책·위험을 노드와 관계로 묶은 데이터), OR 솔버(operations research 기반 수리최적화 계산기)가 맡습니다. 회사는 2025년 7월 WAIC(세계인공지능대회)에서 R&D·생산·서비스에 걸쳐 단일 업무용 에이전트 100여 개를 사내에 만들었다고 밝혔습니다(언론 보도). 세 사례가 그 목록에 들어 있는지는 확인하지 못했습니다. 아래에서는 이 구조를 다섯 개념으로 풀고 한국 제조 대기업이 옮길 때 필요한 필드, 역할, 일정을 덧붙입니다.

핵심 메커니즘

CPQ AI Agent: 요구 해석, 전략 실행, 검증을 나눈 견적 에이전트

CPQ AI Agent는 고객 요구를 받아 바로 견적에 쓸 수 있는 부품 구성(BOM)을 내는 에이전트입니다. 사례집은 이 에이전트가 하는 일을 셋으로 나눴다고 설명합니다. 요구 해석 단계는 고객 요청을 CPU, 메모리, 저장장치, 수량, 납기 같은 사양 필드로 바꿉니다. 전략 실행 단계는 판매 전략과 재고 마진을 반영해 구성안을 만듭니다. 검증 단계는 공급·마진·기술 제약을 견적이 나가기 전에 확인합니다. 한 모델이 처음부터 끝까지 답을 쓰지 않으니 어느 단계에서 틀렸는지 추적할 수 있습니다.

이 구조는 옵션 조합이 많고 부품 가격과 공급이 자주 바뀌는 B2B 구성형 제품에 맞습니다. xFusion은 제품 170개 이상, 부품 6,400개 이상을 영업 관리자 2,000명과 채널 파트너 350곳 이상이 다룹니다. 표준 품목 몇 개를 가격표대로 파는 사업이라면 이만큼 나눌 필요가 없습니다. 작은 예시(가상 예시)를 들면 이렇습니다. 고객이 ‘AI 추론용 서버 20대, 6주 안 납품, 예산 상한 있음’이라고 쓰면 해석 단계가 GPU 수, 납기, 예산을 필드로 뽑고 빠진 메모리 요구는 ‘미확인’으로 남깁니다. 전략 단계는 재고가 넉넉한 SSD 모델을 고릅니다. 검증 단계는 그 SSD의 6주 안 공급 가능 수량을 확인합니다.

Knowledge Graph + Hybrid Reasoning: 제약은 규칙으로, 선호는 LLM으로

견적 에이전트 뒤에는 회사가 직접 만든 지식 그래프가 있습니다. 사례집에 따르면 이 그래프는 부품 호환성, 운영 위험, 판매 전략을 모델링합니다. 어떤 CPU가 어떤 메인보드와 맞는지, 어떤 부품 조합에 공급 위험이 있는지, 어떤 고객군에 어떤 구성을 먼저 권하는지가 관계로 들어갑니다. 그 위에서 hybrid reasoning engine(하이브리드 추론 엔진)이 두 종류 판단을 합칩니다. 반드시 지켜야 할 제약은 규칙 기반 준수 검사가 맡고 고객이 무엇을 더 중시하는지 읽는 일은 LLM의 선호 분석이 맡습니다.

이렇게 나누는 이유는 LLM의 약점 때문입니다. LLM은 그럴듯하지만 조립할 수 없는 조합을 낼 수 있습니다. 호환과 공급을 규칙과 그래프가 먼저 거르면 LLM이 고를 수 있는 후보가 처음부터 실행 가능한 것으로 좁혀집니다. 사례집은 이 구조로 ‘100% 실행 가능한 견적’을 냈다는 회사 주장을 싣고 있습니다. 모든 위험이 사라졌다는 독립 검증은 아닙니다. 이 방식이 맞지 않는 경우도 있습니다. 호환 규칙이 문서로 정리돼 있지 않고 일부 엔지니어의 머릿속에만 있다면, 그래프를 먼저 만들어야 에이전트가 돌아갑니다.

Intelligent Workflow Hub: 수주에서 청구까지 일을 배정하는 허브

두 번째 사례의 중심은 지능형 워크플로 허브입니다. 사례집은 이 시스템을 LLM, OCR(문서 이미지에서 글자를 읽는 기술), 위험통제 엔진, data middle platform(데이터 중간 플랫폼: 여러 업무 시스템의 데이터를 한곳에 모아 공통 형식으로 내주는 층)으로 만들었다고 설명합니다. 허브는 주문에서 청구(order-to-billing)까지 각 건을 다음 담당이나 시스템으로 보내고 지금 어디에 있는지를 실시간으로 보여 줍니다.

작동 순서는 이렇습니다. 계약서와 주문 문서가 들어오면 OCR과 LLM이 고객, 품목, 단가, 납기 같은 필드를 뽑습니다. 위험통제 엔진은 그 값이 규정, 견적, 공급 상황과 맞는지 검사합니다. 통과한 건은 허브가 주문 생성, 이행, 배송, 청구로 넘깁니다. 이전에는 이 구간의 자동화율이 0%였고 정보가 늦게 전달되고 사람이 손으로 검증하다 보니 연 253건의 오류가 났습니다. 경영진은 이 사례를 AI와 RPA(반복 화면 작업을 대신하는 소프트웨어 로봇), 조직 재편을 함께 한 결과로 설명했습니다. 시스템과 함께 업무 조직도 다시 짰다는 설명입니다.

Predictive Control Tower와 dual-random reviews: 구매, 창고 배송을 앞서 보기

같은 사례의 두 번째 축은 예측 관제탑(predictive control tower)입니다. 관제탑은 구매, 창고 배송을 한 화면에서 감시하고 지연이나 부족이 생기기 전에 위험을 표시합니다. 사례집은 이 관제탑이 dual-random reviews를 쓴다고만 적었습니다. 중국 행정 감독에서 같은 이름(双随机)은 검사 대상과 검사자를 모두 무작위로 뽑는 방식을 가리킵니다. xFusion이 이 방식을 어떻게 적용했는지는 사례집에 없습니다. 이름대로라면 자동 처리된 건 일부를 무작위로 뽑고 검토자도 무작위로 배정해, 자동화가 놓친 오류를 표본으로 찾는 장치로 읽을 수 있습니다.

자동화율이 높아질수록 사람이 직접 보는 건은 줄어듭니다. 자동화율이 90.21%라면 대부분의 건을 사람이 보지 않으므로 시스템이 맞게 처리했는지 따로 확인할 장치가 필요합니다. 회사는 연간 오류가 0건이 됐고 차단율이 95%를 넘었다고 보고했습니다. 차단율의 분모는 사례집에 없습니다.

Multi-Agent Collaborative Scheduling Engine: LLM 해석, 솔버, 디지털 트윈을 묶은 생산계획

세 번째 사례는 생산계획입니다. 계획 담당자들은 하루 200건이 넘는 주문과 6,000개가 넘는 변동 데이터를 손으로 다뤘고 창고와 생산 현장의 정보가 제때 맞춰지지 않았습니다. 긴급 주문과 자재 부족이 겹치면 생산이 멈추거나 납기 약속을 어겼습니다. 회사가 만든 Multi-Agent Collaborative Scheduling Engine(여러 에이전트가 함께 생산계획을 짜는 엔진)은 세 기술을 묶습니다. LLM이 긴급 주문이나 자재 부족 알림 같은 입력을 해석합니다. OR 솔버는 가동능력과 납기를 두고 계획을 최적화하고 디지털 트윈(공장을 가상으로 재현한 모델)은 그 계획을 미리 돌려 봅니다.

에이전트는 역할별로 나뉩니다. 사례집에 따르면 공장 가동능력을 맞추는 일, 긴급 자재 이동을 조율하는 일, 생산계획을 최적화하는 일, 진행 상황을 감시하는 일을 각각 맡습니다. 창고와 생산을 함께 조율한 결과 월 6,400건의 수동 피킹 작업이 사라졌습니다. 이 구조는 다품종에 주문 변동이 큰 공장에 맞습니다. 같은 제품을 고정된 계획대로 대량 반복 생산하는 라인이라면 기존 APS(고급 계획·스케줄링 시스템)로 충분할 수 있습니다.

통념과 다른 주장

사례 재구성

견적: 영업 약속과 공장 현실을 맞추기

구분	내용
상황	AI로 전 세계 컴퓨팅 수요가 해마다 25%씩 늘고 CPU·메모리·SSD·HDD의 공급과 가격이 흔들림. 제품 170개 이상, 부품 6,400개 이상을 영업 관리자 2,000명과 채널 파트너 350곳 이상이 손으로 구성해 응답이 느리고 오류와 이행 불가 견적이 나옴
한 일	요구 해석·전략 실행·검증을 나눈 CPQ AI Agent, 호환·위험·판매 전략을 담은 자체 지식 그래프, 규칙 준수와 LLM 선호 분석을 합친 하이브리드 추론 엔진
결과	구성 시간 15분→3분(효율 80% 향상), 조작 단계 85% 감소, 교육 2주→30분, 연 20만8,000건 견적에서 249만6,000분 절감 예상, 100% 실행 가능 견적(회사 주장)
연결	CPQ AI Agent, Knowledge Graph + Hybrid Reasoning

공급망: 수동 0%에서 종단 간 자동화로

구분	내용
상황	계약·이행·배송이 수작업으로 나뉘어 자동화율 0%. 계약 3일, 이행 20일, 배송 5일이 걸렸고 수동 검증으로 연 253건 오류. 규정 위반·공급 중단 위험 관리가 사후 대응에 머묾
한 일	LLM·OCR·위험통제 엔진·데이터 중간 플랫폼으로 종단 간 공급망 시스템 구축. 지능형 워크플로 허브가 주문에서 청구까지 배정하고 예측 관제탑이 구매·창고·배송을 감시하며 dual-random reviews 적용
결과	종단 간 자동화 90.21%, 연 350만 달러 절감, 계약 주문 0.5일, 이행 9일, 배송 2일, 연간 오류 253건→0건, 차단율 95% 초과
연결	Intelligent Workflow Hub, Predictive Control Tower

생산계획: 사후 대응에서 계획 기반 운영으로

구분	내용
상황	경직되고 부서별로 끊긴 기존 계획 방식이 수요 변동, 긴급 주문, 자재 부족을 따라가지 못함. 계획 담당이 하루 주문 200건 이상과 변동 데이터 6,000개 이상을 수동 처리
한 일	LLM 해석·OR 솔버·디지털 트윈을 묶은 Multi-Agent Collaborative Scheduling Engine. 에이전트가 가동능력, 긴급 자재 이동, 계획 최적화, 진행 감시를 나눠 맡음
결과	연 경제효과 약 70만5,000달러. 그 안에서 월 수동 피킹 6,400건 제거로 연 36만300달러, 가동능력 활용 85%→93%로 직접비 34만5,000달러 절감(두 세부 값의 합과 총액은 반올림 차이가 있어 따로 더하지 않음). 계획 적용 0%→91%로 전체 효율 20% 향상, 납기 예측 정확도 82%→95%
연결	Multi-Agent Collaborative Scheduling Engine

경영진은 이 엔진이 공장의 부서 칸막이를 허물고 제조를 ‘reactive firefighting to AI-driven operational resilience’로 옮겼다고 평가했습니다.

기술 디테일: 우리 회사에서 돌리려면

아래는 실제로 돌릴 때 필요한 것을 새로 정리한 내용입니다. 필드명, 숫자, 도구 이름은 시작점으로 쓰는 가상 예시이며 xFusion이 쓴 값이 아닙니다.

CPQ AI Agent의 요구 해석은 JSON 스키마로 고정합니다. 해석 단계 출력이 자유 문장이면 뒤 단계가 그것을 다시 해석해야 합니다. 모델은 고객 정보를 다루므로 사내 배포나 기업용 계약이 된 것을 고릅니다. 구조화 출력(모델이 정해진 JSON 형식으로만 답하게 하는 기능)을 켜고 temperature는 0~0.2로 둡니다. 같은 요청을 3회 해석해 필드 값이 다르면 그 필드를 ‘conflict’로 표시하고 영업 담당에게 되묻습니다. 빠진 값은 추측해 채우지 않고 unknown_fields에 넣습니다.

{
  "request_id": "RQ-2026-10-0412",
  "customer_segment": "internet_ai",
  "workload": "inference",
  "qty": 20,
  "gpu_count_per_node": 8,
  "memory_gb_per_node": null,
  "storage": {"type": "nvme_ssd", "tb_per_node": 15.36},
  "deliver_by": "2026-12-10",
  "budget_cap": null,
  "must_have": ["gpu_count_per_node", "deliver_by"],
  "nice_to_have": ["power_efficiency"],
  "unknown_fields": ["memory_gb_per_node", "budget_cap"],
  "conflict_fields": []
}

Knowledge Graph는 관계 여섯 종류부터 넣습니다. 노드는 Product, Component, Supplier, PriceBook, Risk, SalesPolicy로 시작합니다. 관계는 COMPATIBLE_WITH, REQUIRES, EXCLUDES(같이 쓸 수 없음), SUPPLIED_BY(속성 lead_time_days, available_qty, as_of), HAS_RISK, PREFERRED_FOR입니다. 저장소는 Neo4j 같은 그래프 DB로 시작해도 되고 규모가 작으면 관계형 DB의 관계 테이블로도 충분합니다. 공급과 가격처럼 자주 바뀌는 관계에는 반드시 as_of 날짜를 붙이고 24시간보다 오래된 값으로 검증하면 실패로 처리합니다. 호환 규칙은 제품기획이, 공급 관계는 SCM이, 판매 정책은 영업운영이 주인을 맡아 바꿀 때마다 변경 이력을 남깁니다.

검증은 순서를 정해 앞에서 끊습니다. 기술 호환, 공급 가용, 마진 하한, 납기 순으로 검사하고 앞 단계가 실패하면 뒤는 돌리지 않습니다. 실패할 때는 사유 코드와 대안 후보를 함께 돌려줍니다. 예를 들어 E_SUPPLY라면 같은 성능대의 대체 SSD 두 개와 각각의 공급 가능 수량을 붙입니다. 검증은 LLM이 아니라 그래프 질의와 규칙 코드로 돌려야 같은 입력에 늘 같은 답이 나옵니다.

Intelligent Workflow Hub의 문서 추출은 필드와 신뢰도를 함께 냅니다. 계약서에서 뽑을 필드는 customer_name, contract_no, line_items(품목·수량·단가), payment_terms, incoterms, deliver_by, export_control_flag 정도로 시작합니다. 필드마다 confidence를 내게 하고 0.9 미만이면 사람 검토 큐로 보냅니다. 위험통제 엔진의 첫 규칙은 세 개면 충분합니다. 계약 단가가 승인된 견적과 다른 경우, 납기가 공급 가능일보다 이른 경우, 고객이나 목적지가 수출통제 검토 대상인 경우입니다. 규칙에 걸린 건은 허브가 자동으로 넘기지 않고 담당자에게 사유와 함께 배정합니다.

Predictive Control Tower에는 무작위 표본 검토를 함께 설계합니다. 사례집의 dual-random reviews를 이름대로 옮긴다면, 자동 처리된 건 중 하루 2~5%를 무작위로 뽑고 검토자도 무작위로 배정합니다. 검토 결과로 ‘자동 처리했지만 틀린 건’의 비율을 주 단위로 계산하고 이 값이 1%를 넘으면 해당 규칙이나 추출 필드를 다시 봅니다. 차단율을 보고할 때는 분모(전체 위험 건수를 무엇으로 셌는지)를 먼저 정의합니다.

Multi-Agent Scheduling은 LLM이 제약을 쓰고 솔버가 푸는 구조로 둡니다. LLM은 긴급 주문 메일을 {order_id, sku, qty, due, priority, eligible_lines} 형태의 제약 JSON으로 바꾸기만 하고 계획을 직접 짜지 않습니다. 솔버는 OR-Tools CP-SAT 같은 제약 프로그래밍이나 MILP(혼합 정수 계획) 솔버 중 공장 규모에 맞는 것을 고릅니다. 목적함수는 납기 위반 최소화와 가동률을 함께 두고 가중치를 달리한 계획안 2~3개를 냅니다. 디지털 트윈은 각 안을 24~72시간 앞으로 돌려 자재 부족과 병목을 확인합니다. 솔버가 해를 못 찾으면 어떤 제약을 풀어야 하는지(예: 주문 하나의 납기 하루 연장) 후보를 계획 담당에게 보여 줍니다. 재고 스냅샷이 늦으면 계획 전체가 틀리므로, 계획을 낼 때마다 입력 데이터의 시각을 함께 표시합니다.

성과 측정은 사례집 지표를 그대로 KPI로 씁니다. 견적은 구성 시간, 조작 단계 수, 신규 인력 교육 시간, 이행 불가 견적 건수를 봅니다. 공급망은 단계별 소요 일수, 자동화율, 연간 오류 건수와 차단율을 봅니다. 생산계획은 계획 적용률, 가동능력 활용률, 납기 예측 정확도를 봅니다. 도입 전 2~4주 동안 같은 정의로 기준선을 재야 전후 비교가 성립합니다.

현업 실행 디테일: 누가, 언제, 무엇을

한국 제조 대기업이 이 사례를 자기 과제로 옮길 때의 역할, 준비물, 일정입니다. 모두 가상 예시입니다.

역할	맡는 일
AX 추진 PM	과제 범위·KPI 정의, 주간 판정 회의 주관
영업운영 리더	견적 이력·반려 사유 제공, 파일럿 영업 담당 5~10명 지정
제품기획·BOM 담당	호환·필수·배제 규칙 정리, 지식 그래프 호환 관계의 주인
SCM 계획 담당	리드타임·가용 수량 갱신 주기 정의, 공급 관계의 주인
재무	마진 하한과 예외 승인권자 정의
생산계획 담당	긴급 주문 처리 기록 제공, 솔버 계획안 승인
데이터·IT 엔지니어	ERP·MES·CRM 연결, 그래프·솔버·추출 파이프라인 구축
법무·수출통제	위험통제 엔진의 차단 규칙 검토

시작 전 준비물. 최근 6~12개월 견적 이력과 반려·수정된 견적 목록(사유 포함), 부품 호환 규칙이 담긴 문서나 엑셀, 가격표와 원가, 부품별 리드타임과 가용 수량, 계약서 샘플 200건 안팎, 주문에서 청구까지 단계별 타임스탬프, 생산계획 엑셀과 최근 3개월 긴급 주문 기록을 모읍니다.

일정. 견적 과제를 기준으로 12주를 잡습니다. 1~2주에 기준선을 재고 3~6주에 제약 사전과 지식 그래프 첫 판을 만듭니다. 7~8주는 그림자 운영(shadow mode: 에이전트가 사람과 같은 요청을 받아 견적을 내되 고객에게는 사람 견적만 나가는 기간)입니다. 9~10주에 제품군 하나로 파일럿을 하고 11~12주에 확대 여부를 판정합니다.

확인 질문. 영업에게는 “최근 반려된 견적의 상위 사유 다섯 가지는 무엇인가”, “신규 영업 담당이 혼자 견적을 내기까지 얼마나 걸리나”를 묻습니다. 제품기획에게는 “호환 규칙 중 문서에 없는 것은 누가 알고 있나”를 묻습니다. SCM에게는 “단가와 리드타임은 며칠마다 갱신되나”를, 재무에게는 “마진 하한 예외는 누가 몇 시간 안에 승인하나”를 묻습니다. 생산계획 담당에게는 “긴급 주문은 하루 몇 건이고 어떤 정보가 빠진 채 들어오나”를 묻습니다.

진행 판정 기준(예시). 그림자 운영 기간에 에이전트 견적의 검증 통과율이 사람 견적보다 낮지 않아야 합니다. 조립 불가 견적은 0건이어야 하고 구성 시간은 기준선 대비 50% 이상 줄어야 합니다. 계약 추출은 필드 정확도 98% 이상을 넘겨야 자동 배정으로 넘어갑니다. 생산계획은 솔버 계획안의 채택률이 70%를 넘고 납기 위반이 기준선보다 줄 때 확대합니다.

AX 적용 순서는 xFusion의 세 사례가 놓인 순서를 따르는 편이 낫습니다. 견적이 구조화된 데이터로 나와야 계약 추출과 위험 검사가 쉬워지고 계약이 정리된 주문으로 들어와야 생산계획 솔버의 입력이 깨끗해집니다. 한국 제조 대기업이라면 산업용 장비, 전장 부품, 서버·네트워크 장비처럼 옵션 조합이 많고 영업 약속과 공장 사정이 자주 어긋나는 사업부에서 견적부터 시작합니다. 스폰서는 영업본부장과 SCM 본부장이 함께 맡아야 합니다. 지식 그래프의 호환 관계와 공급 관계는 두 조직이 나눠 관리해야 하기 때문입니다. 첫 12주의 산출물은 에이전트 자체보다 제약 사전과 지식 그래프입니다. 이 자산은 뒤의 공급망과 생산계획 과제가 그대로 이어서 씁니다.

원문 사례

사례	해결하려던 문제	구현	회사 보고 수치	수치 성격
Agentic AI for Quote Configurations	제품 170개+, 부품 6,400개+, 영업 2,000명, 파트너 350곳+의 수동 구성	CPQ AI Agent, 자체 지식 그래프, 하이브리드 추론 엔진	15분→3분, 조작 단계 85%↓, 교육 2주→30분, 연 20만8,000건·249만6,000분 절감	절감 분은 예상치, 100% 실행 가능은 회사 주장
AI-Driven Supply Chain Transformation	계약·이행·배송 자동화 0%, 연 오류 253건	LLM·OCR·위험통제 엔진·데이터 중간 플랫폼, 워크플로 허브, 예측 관제탑	자동화 90.21%, 연 350만 달러, 계약 3일→0.5일, 이행 20일→9일, 배송 5일→2일, 오류 0건, 차단율 95% 초과	회사 보고 실적
AI-Optimized Production Scheduling	하루 주문 200건+, 변동 데이터 6,000개+ 수동 처리	LLM 해석·OR 솔버·디지털 트윈 기반 멀티 에이전트 엔진	연 약 70만5,000달러, 피킹 월 6,400건 제거(연 36만300달러), 가동률 85%→93%(34만5,000달러), 적용 0%→91%, 효율 20%↑, 납기 예측 82%→95%	회사 보고 실적, 세부 합계와 총액은 반올림 차이

공개 자료	확인한 사실
언론 보도(china.com, 2025년 4월 17일)	2024년 매출 300억 위안 초과, 중국 서버 시장 2위
언론 보도(快科技, 2025년 4월 18일)	사내 데이터·AI 플랫폼 xRAY와 xERP·xCRM·xDRM 발표. xRAY로 공급·제조 등 업무 에이전트 생성
언론 보도(china.com, 2025년 7월 29일)	WAIC 2025에서 R&D·생산·서비스 단일 업무 에이전트 100여 개 사내 구축 발표
회사 웹사이트	정저우 공급센터 2021년 12월 18일 개소, SMT 설비·MES 기반

핵심 개념

BOM

Bill of materials. 제품 하나를 만드는 데 드는 부품과 수량 목록입니다. 견적에서는 고객에게 약속하는 구성 그 자체입니다.

quote-ready

추가 수정 없이 바로 고객 견적으로 낼 수 있는 상태. 이 사례에서는 호환·공급·마진 검증을 통과했다는 뜻입니다.

RPA

Robotic process automation. 사람이 화면에서 반복하는 클릭과 입력을 소프트웨어 로봇이 대신하는 기술입니다.

order-to-billing

주문 접수부터 청구까지 이어지는 업무 구간. 계약, 이행, 배송, 청구가 들어갑니다.

Decision Intelligence Platform

데이터, 분석 모델, 규칙을 묶어 업무 결정을 돕거나 자동으로 내리는 플랫폼. 견적 사례의 기술 목록에 들어 있습니다.

SLA

Service level agreement. 고객과 약속한 납기나 서비스 수준으로, 생산계획 사례에서 지키지 못한 납기 약속을 가리킵니다.

APS

Advanced planning and scheduling. 제조사가 생산계획과 일정을 짜는 데 쓰는 기존 계획 시스템입니다.

내 메모

TODO: 내 생각 추가

근거: 사용자가 제공한 Gartner 2026 Eye on Innovation Awards Greater China 사례 자료(첨단 제조, 슬라이드 19~21, xFusion Digital Technologies 3건)와 확인한 공개 자료입니다. 공개 자료는 회사 웹사이트(https://www.xfusion.com/en/videos/supply-chain-introduction), 언론 보도 세 건(https://m.tech.china.com/redian/2025/0417/042025_1661583.html, https://news.mydrivers.com/1/1042/1042696.htm, https://m.tech.china.com/redian/2025/0729/072025_1706474.html)입니다. 세 사례를 직접 다룬 회사 공식 자료나 Gartner 수상 결과 페이지는 확인하지 못했으며 이 노트는 세 사례를 수상작으로 단정하지 않습니다. 성과 수치는 회사가 제출한 것으로 제3자가 검증한 값이 아닙니다. 요약·메커니즘·사례 재구성·원문 사례 표는 사례 자료와 공개 자료를 AX Review가 다시 정리했습니다. 기술·현업 디테일, JSON 예시, 일정·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것을 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. dual-random reviews의 풀이는 용어의 일반적 뜻에 따른 것입니다.