End-to-end AI planning platform: BD가 공장 전반에 수요·생산계획과 재고를 잇는 AI를 깔고 옛 시스템을 걷어낸다

BD는 AI를 여러 부서에 얇게 나눠 쓰지 않고 제조 계획, R&D 유지 엔지니어링, 영업 세 곳에 몰았습니다. 제조에서는 수요계획부터 고객 공급까지를 한 플랫폼으로 묶으면서 기존 플랫폼을 걷어내는 길을 골랐습니다. 따라 하려면 계획 단계마다 지금 쓰는 시스템과 데이터를 한 장에 그려 놓고 어느 시스템을 언제 끌지부터 정해야 합니다.

요약

BD(Becton, Dickinson and Company)는 병원 약품 분배기(Pyxis), 환자 모니터링(APM), 의료 소모품을 만드는 미국 의료기기 회사입니다. 2026년 11월 5일 열린 2026 회계연도 4분기 실적 콜에서 Tom Polen 회장 겸 CEO는 Citi 애널리스트의 AI 질문에 답하며 회사 안에서 AI를 쓰는 곳을 세 군데 꼽았습니다. 첫째는 제조입니다. 녹취에 Cognite로 적힌 end-to-end 플랫폼(계획 전 과정을 한곳에서 다루는 플랫폼)을 공장 전반에 깔기 시작했습니다. 이 플랫폼으로 수요계획, 생산계획, 재고 수준, 고객 공급 수준을 자동화하고 개선합니다. 둘째는 R&D입니다. 이미 출시한 제품을 유지하는 sustaining engineering(유지 엔지니어링)에서 AI로 비효율을 걷어내는 목표를 세웠습니다. 셋째는 영업으로, 채용 선별과 방문 준비, 영업 계획, 실적 분석에 AI를 씁니다.

실적 콜에서 CEO가 꼽은 세 영역. 원문 설명을 표로 다시 정리

효과를 보여 주는 수치는 내놓지 않았습니다. 대신 영역마다 AI가 무엇을 바꾸는지를 설명했습니다. 제조 플랫폼은 다른 플랫폼 여러 개를 걷어내는 계기가 되어 IT 스택 통합으로 이어집니다. R&D에서 줄인 유지 엔지니어링 지출은 새 제품 개발로 옮깁니다. 영업 AI는 새로 뽑는 영업 사원의 행동을 성과 좋은 사원과 견주어 편향 없이 뽑게 돕습니다. 조직도 손봤습니다. 캘리포니아 어바인에 AI CoE(Center of Excellence, AI 전담 조직)를 세웠고 Lenovo에서 일하던 Art Hu를 새 CIO로 데려왔습니다. Polen은 자세한 계획을 12월 10일 투자자의 날에 내놓겠다고 했습니다. 아래에서 다섯 가지 작동 원리를 풀고 공개되지 않은 부분은 실제로 돌릴 때 필요한 기술·현업 디테일로 채웁니다.

자세한 로드맵은 12월 10일 투자자의 날에 공개 예정

핵심 메커니즘

End-to-end planning platform: 수요부터 고객 공급까지 한 흐름으로 계획

제조사는 흔히 수요예측, 생산계획, 재고관리, 출하 약속을 서로 다른 시스템과 스프레드시트로 나눠 돌립니다. 한 단계의 결과를 다음 단계로 넘길 때마다 파일을 내보내고 숫자를 맞추는 일이 생깁니다. Polen이 설명한 플랫폼은 이 사슬을 한곳에 모읍니다. 그가 꼽은 범위는 수요계획, 생산계획, 재고 수준, 고객 공급 수준 네 가지이며 플랫폼은 이를 자동화하고 개선하는 데 쓰입니다. 앞 단계의 숫자가 바뀌면 뒤 단계가 같은 데이터로 다시 계산되므로 단계 사이에 사람이 옮겨 적는 일이 줄어듭니다. 공장이 여러 곳이고 같은 제품을 여러 공장에서 만드는 회사일수록 효과가 큽니다. 반대로 공장이 하나뿐이고 제품 수가 적다면 기존 ERP 계획 기능으로 충분할 수 있습니다. 어떤 모델과 알고리즘을 쓰는지, 어느 공장부터 시작했는지는 콜에서 밝히지 않았습니다. 가상 예시로, 어느 주사기 제품군의 주간 수요 신호가 10% 오르면 생산계획, 안전재고, 고객 납기 약속이 한 번에 다시 계산되고 계획자는 바뀐 부분만 확인합니다.

CEO가 꼽은 네 범위를 한 흐름으로 그린 개념도. 칸 안의 세부 항목은 일반적인 예

Platform consolidation: 새 플랫폼을 들이며 옛 시스템을 끈다

AI 도구를 들이면 보통 기존 시스템은 그대로 두고 그 위에 하나를 더 얹습니다. Polen은 반대 방향을 말했습니다. 새 계획 플랫폼 덕분에 다른 플랫폼 여러 개를 걷어낼 수 있고 이를 IT 스택 통합의 한 단계로 본다는 설명입니다. AI 도입을 시스템 수를 줄이는 계기로 쓰는 셈입니다. 이 방식은 계획 단계마다 시스템이 따로 있고 그 사이 인터페이스 유지에 드는 비용이 큰 회사에 맞습니다. 기존 시스템에 규제 기록이나 품질 이력이 묶여 있다면 끄기 전에 그 기록을 어디로 옮길지부터 정해야 합니다. 몇 개 플랫폼을 언제 끄는지는 콜에서 공개하지 않았습니다.

왼쪽은 흔한 도입 방식의 개념도, 오른쪽은 실적 콜 발언 정리

Sustaining engineering reallocation: 유지 업무에서 아낀 돈을 신제품으로

의료기기 회사의 엔지니어링 인력은 상당 부분이 이미 팔고 있는 제품을 유지하는 데 들어갑니다. 부품 단종에 따른 설계 변경, 문서 갱신, 규제 대응 같은 일입니다. Polen은 R&D에서 AI로 비효율을 걷어낼 목표를 세웠고 특히 이 유지 엔지니어링을 겨냥한다고 했습니다. 여기서 아낀 지출은 새 혁신 과제로 옮깁니다. 디지털 관련 일을 하던 중앙 R&D 인력도 모두 재배치했다고 덧붙였습니다. 시간이 지나면 일반관리비(G&A)에서도 효율을 낼 여지가 있다고 봤지만 시점은 말하지 않았습니다. 절감액을 이익으로 돌리기 전에 행선지부터 정해 둔 셈입니다. 가상 예시로, 부품 교체 설계 변경 한 건마다 영향받는 도면과 시험 문서를 AI가 먼저 추려 엔지니어의 검토 시간을 줄이고 줄어든 시간만큼 신제품 과제에 인력을 배정할 수 있습니다.

원문의 재배치 방향을 흐름으로 그림. 첫 칸의 업무 예는 일반적인 예

AI in the sales cycle: 채용부터 실적 분석까지

영업에서는 사람을 뽑는 단계부터 AI를 씁니다. 채용과 선별에 AI를 쓰고 새로 뽑는 영업 사원의 행동을 성과 좋은 사원의 행동과 견주는 도구로 편향 없이 사람을 데려오려 합니다. 뽑힌 사원은 고객을 찾아가기 전에 AI로 연습하고 준비합니다. 영업 계획에도 AI를 쓰고 실적 데이터를 분석해 팀이 볼 기회와 문제를 짚어 줍니다. Polen은 준비 발언에서 AI 영업 도구를 인재, 규율 있는 영업 프로세스, 성과 연동 보상제와 한 묶음의 영업 강화책으로 소개했습니다. AI 도구가 채용 기준, 보상 제도와 함께 움직이는 구조입니다.

CEO가 밝힌 영업 AI 쓰임새를 영업 사원의 흐름 순서로 정리

AI CoE와 새 CIO: 집중할 곳을 정하는 조직

AI 활용을 이끌 조직도 따로 세웠습니다. BD는 캘리포니아 어바인에 AI CoE를 만들었고 녹취에는 책임자 이름이 Bilal로만 나옵니다. 여기에 Lenovo 출신 Art Hu를 새 CIO로 데려왔습니다. Polen은 AI를 회사 전체에 고르게 펴 바르지 않고 몇 곳에 집중한다고 했는데, 그의 표현으로는 “rather than just peanut butter spreading it”입니다. CoE와 CIO 조직이 일을 어떻게 나누는지는 콜에서 밝히지 않았습니다.

조직 구조와 세 영역의 관계를 새로 그린 개념도. CoE와 각 영역의 보고 관계는 원문에 없음

통념과 다른 주장

흔히 이렇게 봅니다AI 도입 초기에는 부서마다 시범 과제를 열어 가능성을 넓게 시험하는 편이 안전하다.

BD는 이렇게 봅니다AI를 고르게 나눠 쓰지 않고 몇 영역에 집중합니다. 제조 계획, R&D 유지 엔지니어링, 영업을 골랐고 영역마다 바뀌는 것을 정해 둡니다.

근거제조에서는 플랫폼 도입과 함께 다른 플랫폼을 정리하고 R&D에서는 아낀 지출을 신제품 개발로 옮긴다고 밝혔습니다. 이를 이끌 AI CoE와 새 CIO도 함께 갖췄습니다.

왼쪽은 흔한 방식의 개념도, 오른쪽은 실적 콜 발언 정리

저자가 든 사례

제조 공장 배치: 계획 플랫폼과 시스템 정리를 함께

상황: BD는 여러 공장에서 제품을 만들고 계획 단계마다 여러 플랫폼을 써 왔습니다.
한 일: 수요계획, 생산계획, 재고, 고객 공급을 잇는 end-to-end AI 플랫폼을 공장 전반에 배치하기 시작했습니다.
결과: 다른 플랫폼 여러 개를 걷어내 IT 스택을 통합하는 중입니다. 배치한 공장 수, 일정, 절감액은 원문에서 밝히지 않았습니다.
연결: End-to-end planning platform, Platform consolidation.

결과 수치는 원문에서 밝히지 않음

Incada AI 플랫폼: 고객에게 파는 AI도 재고를 겨냥

상황: BD는 병원 약품 분배기 Pyxis Pro를 팔고 있었습니다.
한 일: Incada AI 플랫폼을 Pyxis Pro에 얹는 유료 추가 기능으로 내놓았습니다. 고객 병원이 재고 수준을 줄이도록 돕는 기능을 담았고 SaaS 방식의 새 매출원으로 삼습니다. 앞으로 BD의 모든 제품이 Incada로 데이터를 보내고 APM의 환자 센서 데이터와 알고리즘도 여기에 합칩니다.
결과: 준비 발언에서는 부착률 95%, 질의응답에서는 새 Pyxis 설치 100% 부착이라고 말했습니다. 두 수치의 기준 차이는 녹취에 설명되어 있지 않습니다.
연결: 회사 안의 계획 플랫폼과 고객용 Incada가 모두 재고를 줄이는 데 AI를 씁니다. 같은 문제를 안팎에서 다루는 사례입니다.

부착률은 준비 발언과 질의응답에서 다르게 나옴. 둘 다 그대로 적음

기술 디테일: 계획 플랫폼과 유지 엔지니어링 AI를 직접 만든다면

아래 필드명, 설정값, 기준은 실행 제안이자 가상 예시이며 BD가 밝힌 구현이 아닙니다.

End-to-end 계획을 돌리려면 데이터 객체 네 개를 먼저 고정합니다. 수요 신호(SKU·고객·주 단위), 생산 능력(공장·라인·주 단위), 재고 위치(SKU·창고·일 단위), 공급 약속(주문·고객 단위)입니다. 네 객체가 같은 SKU 코드와 공장 코드를 써야 단계 사이에 다시 맞추는 일이 사라집니다. 코드 체계가 공장마다 다르면 매핑 표부터 만듭니다.

가상 예시. 객체 이름과 단위는 실행 제안이며 BD가 밝힌 구조가 아님

숫자 계산과 설명을 나눕니다. 수요예측은 시계열 모델이, 생산 배정은 최적화 솔버가 맡습니다. LLM은 숫자를 직접 만들지 않고 계획이 바뀐 이유와 예외를 계획자에게 설명하는 데 씁니다. LLM에는 예외 한 건을 한 번의 호출 단위로 넣고 temperature는 0~0.2로 낮춥니다. 출력은 JSON으로 강제하고 evidence에 근거 데이터의 키가 없으면 버립니다.

{
  "exception_id": "EXC-2026W46-0137",
  "type": "stockout_risk",
  "sku": "SYR-10ML-LL",
  "plant": "PLANT-03",
  "week": "2026-W48",
  "projected_on_hand": -1200,
  "cause_summary": "수요 신호 12% 증가, 라인 2 정비로 가동 시간 감소",
  "evidence": ["demand_signal:SYR-10ML-LL:2026-W46", "capacity:PLANT-03:L2:2026-W48"],
  "options": [
    {"action": "shift_volume", "to_plant": "PLANT-07", "qty": 1500},
    {"action": "expedite_raw_material", "item": "BARREL-10ML", "days": 4}
  ],
  "needs_planner_decision": true
}

가상 예시. 역할 분담은 실행 제안

플랫폼 정리를 계획하려면 시스템 목록을 표 하나로 만듭니다. 열은 시스템 이름, 맡은 계획 단계, 연동 인터페이스 수, 연간 유지 비용, 묶인 규제·품질 기록, 대체 기능 유무, 끄는 예정일입니다. 대체 기능이 새 플랫폼에서 4주 이상 병행 운영으로 검증된 시스템만 끄는 후보에 올립니다.

유지 엔지니어링 AI를 돌리려면 설계 변경 요청 한 건을 호출 단위로 잡습니다. 입력은 변경 요청 본문, 대상 부품 번호, 관련 도면·시험 문서 목록입니다. 출력은 affected_documents, required_tests, regulatory_impact(없음·통보·재승인), confidence 필드입니다. 같은 요청을 3회 돌려 세 번 모두 나온 문서만 확정 후보로 두고 한 번만 나온 문서는 엔지니어 검토로 보냅니다. regulatory_impact가 없음이 아니면 언제나 사람이 승인합니다.

영업 채용 AI를 쓸 때는 성과 좋은 사원의 행동을 기준으로 삼되, 성별·나이처럼 차별에 쓰일 수 있는 속성과 그 대리 변수를 입력에서 뺍니다. 분기마다 집단별 통과율을 비교하고 한 집단의 통과율이 가장 높은 집단의 80% 아래로 떨어지면 기준을 다시 봅니다.

막히는 경우	증상	대응
공장마다 SKU 코드가 다름	같은 제품이 수요와 재고에서 따로 집계됨	코드 매핑 표를 먼저 만들고 매핑 없는 SKU는 계획에서 제외 표시
LLM이 숫자를 지어냄	설명 속 수량이 솔버 결과와 다름	숫자는 솔버 출력에서만 채우고 LLM은 문장만 쓰게 템플릿화
옛 시스템을 못 끔	병행 운영이 몇 달째 이어짐	끄는 날짜를 시범 시작 때 정하고 판정 회의에서 확정
계획자가 예외를 무시함	승인 없이 쌓인 예외가 늘어남	예외를 금액 영향 순으로 정렬하고 상위 20건만 매일 보여 줌
설계 변경 영향 누락	출시 뒤 문서 불일치 발견	3회 실행 합집합을 엔지니어에게 보여 주고 놓친 문서를 학습 자료로 기록

현업 실행 디테일: 누가, 언제, 무엇을

원문은 AI CoE와 새 CIO를 두고 세 영역에 집중한다고 밝혔습니다. 아래 역할, 일정, 기준은 이를 바탕으로 새로 짠 가상 예시입니다.

역할	맡는 일
COO 또는 공급망 책임자	시범 공장과 제품군 선정, 끌 시스템 최종 결정
CIO	시스템 목록, 플랫폼 계약, 데이터 연결과 시스템 끄기 일정
AI CoE 리더	영역별 목표 설정, 모델과 LLM 사용 원칙, 성과 측정
수요·생산 계획자 2~3명	병행 계획 작성, 예외 판정, 기존 방식과 비교
공장 생산관리자	라인 능력과 정비 일정 제공, 생산계획 현실성 확인
품질·규제 담당	끌 시스템에 묶인 기록 확인, 설계 변경 AI의 승인 규칙

준비물. 시범 공장 1곳과 제품군 1개의 최근 12개월 주문·출하·재고 데이터, 라인별 가동 시간과 정비 일정, 계획 단계별로 쓰는 시스템과 스프레드시트 목록, 단계 사이에 사람이 옮겨 적는 일의 주간 소요 시간 기록, 지난 6개월 결품·긴급 생산 건 목록이 필요합니다.

기간	할 일	산출물
1~2주	계획 단계별 시스템 지도 그리기, 옮겨 적는 시간과 결품 기준선 측정	시스템 지도, 기준선 표
3~4주	네 데이터 객체 연결, 코드 매핑, 예외 설명 프롬프트 구성	연결된 데이터, 매핑 표, 예외 JSON 샘플
5~7주	기존 방식과 새 플랫폼으로 같은 주간 계획을 나란히 작성	주별 비교표, 예외 판정 기록
8주	판정 회의, 끌 시스템과 다음 공장 결정	진행·보완·중단 결정서

가상 예시 일정. 공장 1곳, 제품군 1개 기준

현업에 물을 것.

수요계획에서 고객 납기 약속까지 숫자가 몇 번 다른 시스템으로 옮겨지나요?
지난 6개월 결품과 긴급 생산 가운데 단계 사이 정보 지연이 원인이었던 건은 몇 건인가요?
공장마다 SKU 코드와 단위가 같나요?
끄면 안 되는 시스템은 무엇이고 그 이유는 규제 기록인가요 아니면 다른 시스템과의 연동인가요?
유지 엔지니어링 인력이 한 달에 처리하는 설계 변경은 몇 건이고 한 건에 며칠이 걸리나요?

진행 판정 기준(예시). 병행 운영 3주 동안 새 플랫폼의 계획이 기존 계획보다 결품 위험 주차를 같거나 적게 남기고 단계 사이 옮겨 적는 시간이 절반 이하로 줄면 다음 공장으로 넓힙니다. 계획자가 예외 설명을 그대로 받아들인 비율이 50% 아래면 데이터 연결과 프롬프트를 2주 더 손봅니다. 데이터 코드 매핑이 끝나지 않으면 확대하지 않습니다.

AX 적용 제언. 이 사례는 공장이 여러 곳인 제조사에 바로 옮길 수 있습니다. 순서는 시스템 지도, 데이터 객체 고정, 병행 운영, 시스템 끄기입니다. AI 플랫폼을 고르기 전에 계획 단계별 시스템 목록과 끄는 조건부터 합의해 두면, 도입이 시스템을 하나 더 늘리는 일로 끝나지 않습니다. 첫 대상은 결품이나 긴급 생산 비용이 큰 제품군이 좋고 현업 스폰서는 공급망 책임자가 맡습니다. R&D 쪽은 유지 엔지니어링 인력 비중을 먼저 재고, 아낀 시간을 어느 신제품 과제로 옮길지 예산 단계에서 정해 둡니다. 영업 AI는 채용 기준과 보상 제도를 함께 바꿀 수 있는 회사에서만 효과를 기대할 수 있습니다.

원문 사례

항목	내용
원문	The Motley Fool 실적 콜 녹취, BD 2026 회계연도 4분기, 2026.11.5
발언자	Tom Polen(회장 겸 CEO), Vitor Roque(CFO), Shawn Bevec(IR 담당 부사장)
AI 발언 계기	Citi 애널리스트의 마진과 AI 관련 질문
제조	녹취에 Cognite로 적힌 end-to-end AI 플랫폼, 수요계획·생산계획·재고 수준·고객 공급 수준, 공장 전반 배치 시작, 다른 플랫폼 정리와 IT 스택 통합
R&D	AI로 비효율 제거 목표, 특히 유지 엔지니어링, 아낀 지출을 신제품 개발로 재배치, 디지털 관련 중앙 R&D 인력 전원 재배치, 장기적으로 G&A 효율
영업	채용·선별, 성과 좋은 사원과 행동 비교, 방문 전 연습·준비, 영업 계획, 실적 분석. 인재·영업 프로세스·성과 연동 보상과 한 묶음
조직	캘리포니아 어바인에 AI CoE 설립, Lenovo 출신 Art Hu를 CIO로 영입
고객용 AI	Incada AI 플랫폼, Pyxis Pro 유료 추가 기능, 부착률 95%(준비 발언)·새 설치 100%(질의응답), 병원 재고 감축, SaaS 매출, 모든 BD 제품 데이터 연결 예정
공개하지 않은 것	공장 수, 일정, 절감액, 정리할 시스템 수, 사용 모델
다음 발표	12월 10일 투자자의 날(뉴욕)

핵심 개념

Pyxis: 병원 병동과 약제부에 두는 BD의 자동 약품 분배 캐비닛 제품군입니다.
APM: Advanced Patient Monitoring. BD의 환자 모니터링 사업으로, 환자 센서 데이터와 관련 알고리즘을 다룹니다.
Attachment rate: 본 제품을 팔 때 추가 기능이나 서비스가 함께 붙어 팔린 비율입니다.
IT tech stack: 회사가 업무에 쓰는 소프트웨어와 플랫폼, 그 사이 연동을 한데 일컫는 말입니다.
G&A: General and Administrative. 재무, 인사, 법무처럼 특정 제품에 묶이지 않는 일반관리 비용입니다.
SaaS: 소프트웨어를 구독료를 받고 서비스로 제공하는 판매 방식입니다.

내 메모

TODO: 내 생각 추가

원문은 The Motley Fool에 실린 「Becton Dickinson (BDX) Q4 2026 Earnings Call Transcript」(2026.11.5 콜)이며 이 노트는 그 가운데 AI 관련 발언만 근거로 썼습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 BD 경영진의 발언을 AX Review가 다시 정리했습니다. 녹취에는 받아 적기 오류가 있을 수 있다는 고지가 붙어 있고 플랫폼 이름 Cognite는 녹취 표기를 따랐습니다. 제조사의 일반적인 계획 시스템 구성, 유지 엔지니어링의 업무 예, Pyxis·APM·G&A 같은 용어 풀이는 일반적인 설명으로 보탰습니다. 데이터 객체, JSON 예시, 역할 분담, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 발언 전문은 원문 페이지에서 볼 수 있습니다.