Seeking Value: 스프레드시트 75개로 돌던 Toyota 북미 공급 계획을 공용 데이터 기반으로 바꾼 방식

Toyota 북미는 숙련자의 판단과 스프레드시트에 기대던 공급 계획을, 여러 앱이 함께 쓰는 데이터 기반과 공용 서비스 위로 옮겼습니다. 반도체 부족 때는 ML 디지털 트윈으로 조립 가능한 차종을 가렸습니다. 따라 하려면 계획에 쓰는 시트부터 지도로 그리고 차종·부품 코드를 하나로 맞춘 뒤, 투자 효과를 한 줄 예측이 아니라 범위로 재무팀과 합의해야 합니다.

요약

Newsweek은 Cognizant가 후원하는 영상 시리즈 Seeking Value에서 Toyota Motor North America(TMNA)의 디지털 혁신 담당 부사장 Jason Ballard와 Cognizant 제조·자동차 사업부장 Nishanth Vallabhu를 인터뷰했습니다. 진행은 Newsweek의 Gabriel Snyder가 맡았습니다. 기사는 Adam Mills가 썼습니다. Ballard가 꺼낸 출발점은 월간 공급망 계획이었습니다. 한 번 돌리는 데 스프레드시트가 75개 넘게 들었습니다. 끝낼 즈음이면 다음 달 계획을 다시 시작해야 했습니다. COVID-19와 반도체 부족을 겪으며 딜러 재고는 50일치 넘던 수준에서 10여 일치로 떨어졌습니다. 숙련 직원들이 그때마다 버텨 냈지만 Ballard는 이런 개인 역량에 계속 기댈 수는 없다고 봤습니다. Toyota는 북미 수요 예측과 공급 계획에 머신러닝(ML)과 최적화를 먼저 넣었습니다. 그 뒤 생성형 AI를 더했고 지금은 에이전트를 개발하고 있습니다.

Ballard는 이 전환이 5~6년 동안 투자 1달러당 약 3달러를 돌려줬다고 밝혔습니다. 생성형 AI만의 수치가 아니라 ML을 포함한 여러 과제의 합계입니다. Vallabhu는 이 효과를 Toyota 재무팀이 수치로 확인했다고 덧붙였습니다. Ballard의 설명에서 효과와 이어지는 대목은 세 가지입니다. 개별 시범 과제가 공용 플랫폼을 끌어냈습니다. 차종 구성을 수요에 더 가깝게 맞춰 매출이 늘었습니다. 플래너는 반복 작업 대신 정보를 보고 판단하는 데 시간을 쓰게 됐습니다. 아래에서는 네 계층 구조, 디지털 트윈, 모델 선택, 범위로 쓴 비즈니스 케이스, 사람부터 시작하는 순서를 차례로 풉니다. 이어서 국내 제조사가 같은 구조를 만들 때 필요한 데이터와 일정을 덧붙였습니다.

핵심 메커니즘

Modular Layers: 데이터 기반 위에 서비스, 지능 계층, 공통 화면을 쌓는 구조

Ballard가 설명한 구조는 네 층입니다. 맨 아래에 믿을 수 있는 데이터가 있고 그 데이터 위에 서비스를 만듭니다. 그 위에 에이전트와 제품을 받칠 지능 계층(intelligence layer)을 개발하고 있으며 맨 위에서 직원들은 하나의 공통 화면을 씁니다. 핵심은 공용 부품입니다. 수요 예측 앱과 공급 계획 앱이 각자 데이터를 따로 모으지 않고 아래층의 같은 데이터와 서비스를 함께 씁니다. 그래서 새 앱을 붙일 때마다 처음부터 만들지 않아도 됩니다. 이 구조는 계획 업무가 여러 부서의 시트에 흩어져 있고 같은 숫자를 여러 번 옮겨 적는 회사에 맞습니다. 앱이 하나뿐이고 더 늘릴 계획이 없다면 계층을 나누는 비용이 더 클 수 있습니다. 가상 예시로 들면 조립 가능 차종 계산이 서비스 하나로 있으면 생산 계획 화면과 영업 배정 화면이 같은 답을 봅니다.

ML Digital Twin: 부품 제약으로 지금 만들 수 있는 차종을 가리는 모델

반도체 부족 때 Toyota는 ML로 디지털 트윈(digital twin, 실제 공급망과 생산을 데이터로 본뜬 모델)을 만들었습니다. 이 모델은 어떤 부품을 쓸 수 있는지, 그 부품으로 어떤 차를 아직 만들 수 있는지를 평가했습니다. 결과는 생산 결정에 쓰였고 공급이 막힌 상황에서도 조립 라인을 계속 돌리는 데 보탬이 됐습니다. 작동을 풀면 입력은 부품별 입고 가능량과 차종별 필요 부품입니다. 처리는 부품 제약을 차종마다 대입하는 일이고 출력은 지금 조립할 수 있는 차종 목록입니다. 부품 한두 개가 여러 차종을 동시에 막는 상황에서 쓸모가 큽니다. 공급이 넉넉하고 차종 구성이 단순하면 계획 담당이 표로도 충분히 판단합니다.

Model Choice: 모델 공급사 한 곳에 묶이지 않는 설계

Toyota는 한 AI 공급사에 맞춰 시스템을 짓기보다 여러 모델 가운데 골라 쓸 자유를 원합니다. Ballard는 새 버전이 나올 때마다 선두 모델이 바뀐다는 점을 이유로 들었습니다. 예전 기업 시스템에서 겪은 일도 배경입니다. 비싸고 유지하기 어려웠으며 손댈 때마다 큰돈이 들었다고 했습니다. 지능 계층을 따로 두는 구조는 이 원칙과 맞물립니다. 화면과 서비스는 그대로 두고 그 사이의 모델만 바꿀 수 있어야 하기 때문입니다. 인터뷰에서 특정 모델 이름은 나오지 않았습니다.

Range Business Case: 한 줄 예측 대신 결과 범위로 투자를 설득하는 방식

처음에는 비즈니스 케이스가 불확실했습니다. Toyota는 재무·회계팀에 좁은 예측 하나가 아니라 넓은 결과 범위를 제시했습니다. 초기 과제들이 그 범위의 상단에 가까운 결과를 내면서 다음 투자의 근거가 됐습니다. Ballard는 초기 판단을 두고 “It’s a bit scientific. It’s a bit gut feel.”이라고 표현했습니다. 매출 쪽 효과도 있었습니다. Toyota는 차종 구성(트림·사양 조합)을 늘 수익 기준으로 맞추지는 않았는데, 고객이 원하는 사양 데이터가 좋아지자 구성을 수요에 맞춰 추가 매출을 냈습니다. Vallabhu는 가치로 가는 경로 전체를 가정하지 말고 끝까지 따라가 확인해야 한다고 봤습니다. 품질, 재고, 재작업 감소는 바로 잴 수 있지만 사무직의 절약 시간은 그 시간이 무엇을 만들었는지 봐야 돈이 됩니다. 늘어난 공장 능력도 그만큼의 수요가 있어야 가치가 됩니다.

People, Process, Technology: 숙련자를 재설계 안으로 들이는 순서

Ballard는 사람에서 시작해 프로세스로 가고 기술은 그다음에 맞춘다고 말했습니다. 같은 문제를 수십 년 다뤄 온 숙련 직원들이 운영 재설계에 직접 참여했습니다. 이들 가운데 일부는 새 기술을 알아 대안을 내놓을 정도였습니다. 목표는 운영 전체를 다시 그리는 큰 전환이었습니다. Toyota는 일의 목적과 도구가 쓰는 사람을 어떻게 돕는지를 반복해 설명했습니다. 변화가 직원들에게 일방적으로 닥치는 것이 아니라 직원들을 위해 일어난다고 느끼게 하려는 것이었습니다. Ballard에 따르면 플래너들은 반복 작업에 쓰던 시간을 이제 주어진 정보를 보고 판단하고 움직이는 데 씁니다.

통념과 다른 주장

인터뷰에 나온 사례

사례	상황	한 일	결과	연결
월간 공급 계획	스프레드시트 75개 넘게 쓰고 끝나면 곧 다음 달 계획 시작	북미 수요 예측·공급 계획에 ML과 최적화 적용, 공용 계층 구축	플래너의 반복 작업 감소(수치 미공개)	Modular Layers
반도체 부족	부품 공급이 막혀 무엇을 만들지 판단해야 함	ML 디지털 트윈으로 부품 가용성과 조립 가능 차종 평가	생산 결정 지원, 라인 가동 유지	ML Digital Twin
차종 구성	구성을 늘 수익 기준으로 맞추지 않음	고객 선호 사양 데이터로 구성을 수요에 맞춤	추가 매출(금액 미공개)	Range Business Case
투자 판단	비즈니스 케이스 불확실	재무팀에 넓은 결과 범위 제시	초기 실적이 상단 근처, 5~6년 1달러당 약 3달러	Range Business Case

기술 디테일: 같은 구조를 직접 만든다면

아래 데이터, 필드, 설정값은 실제로 돌릴 때 필요한 것을 정리한 제안이며 Toyota가 밝힌 구현이 아닙니다.

데이터 기반을 만들려면(Modular Layers) 먼저 지금 계획에 쓰는 시트를 전부 목록으로 만듭니다. 시트마다 소유자, 입력 출처, 출력이 넘어가는 다음 시트, 갱신 주기를 적으면 75개짜리 흐름이 하나의 지도로 보입니다. 같은 값이 여러 시트에 손으로 옮겨지는 곳이 첫 정리 대상입니다. 그다음 차종 구성(모델·트림·옵션 패키지), 부품, 공급사, 공장, 딜러 주문, 딜러 재고일수를 공통 코드로 맞춥니다. 각 데이터에는 갱신 주기, 책임 부서, 허용 결측률을 적은 데이터 계약을 붙입니다.

조립 가능 차종을 계산하려면(ML Digital Twin) 차종별 BOM(자재 명세)을 부품 단위로 펼치고 부품별 확정 입고량과 예상 입고량을 붙입니다. 예상 입고량은 공급사별 과거 납기 편차로 학습한 ML 모델이 구간(하한·중앙·상한)으로 냅니다. 조립 가능 대수는 혼합정수 계획 같은 최적화로 풉니다. 목적 함수는 대당 공헌이익 합계이고 제약은 부품 재고, 공장 라인 능력, 딜러 주문 잔량입니다. 하한 입고량 기준과 중앙값 기준을 둘 다 돌려 두 결과가 크게 다른 차종을 플래너에게 표시합니다. 계산은 매일 생산 계획 확정 전에 한 번, 부품 공급 공지가 들어오면 그때 한 번 더 돌립니다. LLM은 계산에 쓰지 않고 결과를 설명하는 문장과 공급사 공지 요약에만 씁니다.

{
  "plan_date": "2026-11-10",
  "plant_id": "NA-PLT-02",
  "config_id": "SUV-MID-XLE-PKG3",
  "constraining_part": "ECU-7781",
  "part_supply_p10": 1200,
  "part_supply_p50": 1650,
  "buildable_units_p10": 1180,
  "buildable_units_p50": 1590,
  "open_dealer_orders": 2100,
  "contribution_margin_rank": 3,
  "flag": "supply_range_wide",
  "model_version": "buildable-twin-v1",
  "planner_decision": null
}

모델을 바꿔 끼울 수 있게 하려면(Model Choice) 서비스와 화면이 모델 공급사 API를 직접 부르지 않게 합니다. 사이에 모델 게이트웨이를 두고 과제마다 입력·출력 스키마를 JSON으로 고정합니다. 과제별로 정답이 있는 평가 세트를 50~100건 만들어 둡니다. 새 모델이 나오면 같은 세트로 정확도, 응답 시간, 건당 비용을 비교합니다. 같은 입력을 3회 돌려 결과가 달라지는 비율도 같이 봅니다. 기준을 넘으면 게이트웨이 설정만 바꿔 갈아 끼웁니다. 에이전트는 시트나 원천 시스템을 직접 읽지 않고 수요 예측·부품 제약·조립 가능 계산 같은 서비스를 도구로 호출합니다.

투자 효과를 범위로 적으려면(Range Business Case) 과제마다 낮음·기준·높음 세 값과 그 가정을 적고 효과를 원가 절감과 매출 증가로 나눕니다. 플래너 시간 절약은 그 시간이 무엇으로 바뀌었는지(예: 차종 구성 재검토 횟수, 결품 대응 속도)를 함께 적을 때만 금액으로 칩니다. 차종 구성 매출은 바꾸기 전 4~8주 구성과 바꾼 뒤 구성의 대당 공헌이익 차이에 판매 대수를 곱해 계산합니다. 재무팀이 분기마다 실적을 범위에 대어 보고 범위를 좁힙니다.

막히는 경우	증상	대응
시트마다 차종 코드가 다름	같은 차종이 여러 줄로 잡힘	공통 코드표를 먼저 만들고 매핑이 안 된 줄은 매일 예외 목록으로 소유자에게 보냄
공급사 입고 예상이 자주 틀림	조립 가능 대수가 날마다 크게 흔들림	하한 기준으로 확정, 중앙값은 참고로만 표시
모델 교체 뒤 출력 형식이 바뀜	서비스가 응답을 못 읽음	게이트웨이에서 스키마 검증, 실패하면 이전 모델로 되돌림
시간 절약만 효과로 보고	재무팀이 금액을 인정하지 않음	절약 시간으로 바뀐 결과 지표를 같이 기록
숙련 플래너가 화면을 안 씀	시트를 따로 계속 유지	화면 설계 단계부터 숙련자를 넣고 예외 판단 기록을 화면에만 남기게 함

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
공급 계획 본부장	시범 범위(지역·차종) 선정, 진행 판정
숙련 플래너 2~3명	시트 지도 검토, 예외 판단 규칙 정리, 화면 설계 참여
데이터 엔지니어	공통 코드표, 데이터 계약, 서비스 API
분석가·최적화 담당	입고 예측 모델, 조립 가능 계산
재무·회계 담당	결과 범위 합의, 분기별 실적 대조
영업·딜러 운영 담당	딜러 주문 잔량과 고객 선호 사양 데이터 제공

준비물. 월간 계획에 쓰는 시트 전부와 소유자 목록, 차종별 BOM, 최근 12개월 공급사별 납기 실적, 공장 라인 능력표, 딜러 주문 잔량과 재고일수, 차종 구성별 공헌이익 자료가 필요합니다. 기준선은 시작 전 최근 3개월의 계획 작성 소요일, 결품으로 바뀐 생산 계획 건수, 딜러 재고일수로 잡습니다.

1~2주 숙련 플래너와 함께 시트 지도를 그리고 손으로 옮기는 지점을 표시합니다. 3~5주 공통 코드표와 데이터 계약을 만들고 차종 1~2개군으로 범위를 좁힙니다. 6~9주 수요 예측과 부품 제약 서비스를 붙여 조립 가능 계산을 돌립니다. 10~12주 기존 시트 계획과 나란히 돌려 결과를 비교하고 진행 여부를 정합니다.

현업에 물을 것.

1. 월간 계획 시트 가운데 하나가 늦으면 전체가 멈추는 시트는 어느 것인가요?
2. 부품 공급이 막혔을 때 지금은 누가, 무엇을 보고 만들 차종을 정하나요?
3. 같은 숫자를 두 번 이상 손으로 옮기는 곳은 어디인가요?
4. 차종 구성을 정할 때 공헌이익 자료를 보나요, 판매량만 보나요?
5. 재무팀은 플래너 시간 절약을 지금 어떤 기준으로 인정하나요?

진행 판정 기준(예시). 병행 운영 3주 동안 다음을 채우면 다른 차종군과 지역으로 넓힙니다. 월간 계획 작성 소요일이 기준선보다 30% 이상 줄고 조립 가능 계산 결과와 실제 생산 대수 차이가 차종별 10% 이내여야 합니다. 숙련 플래너가 화면 결과를 받아들인 비율이 70% 이상이어야 합니다. 재무팀이 결과 범위와 실적 대조 방식에 서명해야 합니다. 하나라도 못 채우면 원인을 찾아 3주를 더 봅니다.

AX 적용 제언. 국내 완성차, 부품사, 차종·사양 조합이 많은 조립 제조사라면 AI 모델 선정보다 시트 지도와 공통 코드부터 시작하는 편이 낫습니다. 부품 제약과 차종 데이터가 공통 코드로 정리돼 있어야 공급 위기가 왔을 때 조립 가능 차종을 바로 계산할 수 있습니다. 첫 과제는 부품 제약으로 조립 가능 차종을 가리는 계산처럼 재무가 금액으로 확인하기 쉬운 것을 고르고 재무팀과는 처음부터 범위로 합의합니다. 모델 게이트웨이는 첫 과제부터 넣어 두어야 나중에 모델을 바꿀 때 화면과 서비스를 다시 만들지 않습니다. 현업 스폰서는 공급 계획 본부장이 맡고 숙련 플래너를 설계 회의의 고정 멤버로 둡니다.

원문 사례

항목	내용
발표	Newsweek 영상 시리즈 Seeking Value(Cognizant 후원), 기사 2026.10.25
등장 인물	Jason Ballard(TMNA 디지털 혁신 부사장), Nishanth Vallabhu(Cognizant 제조·자동차 사업부장), 진행 Gabriel Snyder(Newsweek)
출발점	월간 공급망 계획에 스프레드시트 75개 이상, 끝나면 곧 다음 달 계획 시작
계기	COVID-19와 반도체 부족, 딜러 재고 50일치 이상에서 10여 일치로 감소
1단계	북미 수요 예측·공급 계획에 ML과 최적화 적용, 이후 생성형 AI 추가, 에이전트 개발 중
구조	데이터 기반, 공용 서비스, 지능 계층(개발 중), 공통 직원 화면
디지털 트윈	반도체 부족 때 ML로 부품 가용성과 조립 가능 차종 평가
모델 전략	한 공급사에 묶이지 않고 여러 모델 중 선택
수익	5~6년 동안 투자 1달러당 약 3달러(ML 포함 여러 과제 합계, 재무팀 검증이라고 Vallabhu 설명)
매출	고객 선호 사양 데이터로 차종 구성을 수요에 맞춰 추가 매출
파트너	Cognizant, Toyota와 약 20년 협업, 결정 과정에 함께 참여

핵심 개념

days' supply

지금 재고로 며칠치 판매를 감당할 수 있는지 나타내는 재고 지표입니다.

demand forecasting

지역·차종·사양별로 앞으로 팔릴 양을 예측하는 일입니다.

supply planning

예측된 수요와 부품·생산 능력을 맞춰 무엇을 얼마나 만들지 정하는 일입니다.

intelligence layer

데이터와 서비스 위에서 에이전트와 AI 제품이 공통으로 쓰는 계층. Toyota는 개발 중이라고 밝혔습니다.

vendor lock-in

특정 공급사 기술에 맞춰 지어서 다른 공급사로 옮기기 어렵고 비싸지는 상태입니다.

path to value

AI가 만든 변화가 실제 절감이나 매출로 이어지는 경로. Vallabhu는 이를 가정하지 말고 끝까지 확인해야 한다고 봤습니다.

내 메모

TODO: 내 생각 추가

원문은 Newsweek에 실린 Adam Mills의 「Seeking Value: Toyota says digital overhaul returned $3 for every $1 spent」(2026.10.25)입니다. Cognizant가 후원하는 시리즈입니다. 요약, 핵심 메커니즘의 인터뷰 내용, 통념과 다른 주장, 사례, 원문 사례 표는 Ballard와 Vallabhu의 발언을 AX Review가 다시 정리했으며 효과와 수치는 회사 측 설명입니다. 기술·현업 실행 디테일, JSON 예시, 표, 일정과 판정 기준, 인포그래픽은 새로 작성한 실행 제안이며 Toyota가 밝힌 구현이 아닙니다. 전체 내용은 원문에서 볼 수 있습니다.