Agentic Production Planning: 지멘스 Erlangen이 주 3~5회 계획을 바꾸며 비용을 최대 20% 줄이는 방식

지멘스 Erlangen 공장은 생산계획을 정해진 날짜에 짜지 않고 새 주문이나 자재 부족이 생길 때마다 다시 짭니다. 그 횟수가 지금 주 3~5회입니다. 에이전트가 안을 내고 전체 생산 트윈이 검증하는 이 흐름에 계획 비용 최대 20% 절감이 붙어 있습니다. 우리 공장에서 같은 숫자를 주장하려면 먼저 변경 계기와 계획 비용을 사건 단위로 기록해 기준선을 만들어야 합니다.

요약

이 노트는 10월 26일에 올린 Siemens Erlangen Factory Agents 노트의 후속입니다. 계획 에이전트의 구조와 FOX(NVIDIA Factory Operations Blueprint, 공장 운영 에이전트용 참조 설계)는 그 노트에 있고 여기서는 새 숫자를 봅니다. CIO.de의 Bernd Reder는 11월 6일 분석 기사에서 Erlangen 전자공장의 PCB(인쇄회로기판) 생산을 다시 짚었습니다. 지멘스와 NVIDIA가 약 10개월 만에 함께 만든 첫 솔루션을 이 라인에서 가동 중에 시험하고 있습니다. 새 수치는 계획이 바뀌는 빈도입니다. 공장은 지금 주 3~5회 생산계획을 조정할 수 있고 그 계기는 새 주문, 자재 부족, 고객 요구 변경입니다. 예전에는 계획 담당이 용량·자재·납기·라인을 경험으로 저울질했습니다. 지금은 주문이 들어오면 에이전트가 시나리오를 여러 개 만들고 KPI로 영향을 보여 줍니다.

결과 수치는 넷입니다. 에이전트 계획을 전체 생산의 디지털 트윈(공장을 가상으로 재현한 모델)에서 검증한 뒤 적용하는 흐름으로 비용을 최대 20% 줄입니다. 신규 PCB는 엔지니어링 공수가 최대 85%, 출시 기간이 최대 40% 줄었습니다. 공장 전체로는 매년 생산성이 7%씩 오릅니다. CIO.de는 85%와 40%를 이미 줄어든 값으로 썼습니다. 지멘스 10월 19일 보도자료는 세 수치 모두 최대 얼마까지 줄일 수 있다는 가능치로 표현했고 두 자료 모두 기준선과 측정 기간은 밝히지 않았습니다. 효과가 나는 이유는 확인 작업을 실물에서 가상으로 옮겼기 때문입니다. 계획은 라인을 돌리기 전에 트윈에서, 검사는 시제품이 나오기 전에 가상 기판으로 확인합니다. 아래에서는 재계획 주기, 트윈 사전 검증, 가상 기판, 공장을 시험장으로 쓰는 방식을 풀고 이런 수치를 우리 공장에서 재는 방법을 덧붙였습니다.

핵심 메커니즘

Event-driven Replanning: 날짜가 아니라 사건이 계획을 다시 부른다

Event-driven replanning(사건 기반 재계획)은 생산계획을 주간·월간 같은 정해진 주기에만 짜지 않습니다. 새 주문, 자재 부족, 고객 요구 변경 같은 사건이 생길 때마다 다시 짭니다. Erlangen에서는 주문이 들어오면 에이전트가 생산 시나리오를 자동으로 여러 개 만들고 정해진 KPI로 각 안의 영향을 보여 줍니다. 입력은 그 사건 하나와 현재의 용량, 자재, 납기, 라인 상태입니다. 출력은 안별 비교표와 적용할 계획입니다. CIO.de는 지금 이 조정이 주 3~5회 가능하다고 전했습니다.

이 방식은 품목이 많고 주문이 자주 바뀌는 공장에 맞습니다. Erlangen은 드라이브와 주파수 변환기를 만들고 PCB 구성이 자주 바뀝니다. 한 달에 한두 번만 계획이 흔들리는 대량 생산 라인이라면 정기 계획으로 충분합니다. 가상 예시로, 화요일 오후 핵심 부품 입고가 이틀 늦어진다는 통보가 오면 에이전트는 세 안을 냅니다. 영향받는 주문을 뒤로 미는 안, 다른 품목을 앞당겨 라인을 채우는 안, 대체 부품을 쓰는 안입니다.

Twin-before-Execute: 실행 전에 공장 전체에서 먼저 돌려 본다

에이전트가 낸 안은 바로 라인에 들어가지 않습니다. 실행 전에 생산 전체의 디지털 트윈에서 검증합니다. NVIDIA Omniverse 라이브러리(3D 시뮬레이션 도구 모음)가 실제 공장 데이터로 계획을 가상 시험하게 해 줍니다. CIO.de는 이 사전 검증까지 거친 흐름이 비용을 최대 20% 줄인다고 정리했습니다. 기사 제목의 20%가 바로 이 대목입니다.

20%는 계획 한 건의 비용이 아니라 계획 흐름 전체의 효과로 읽어야 합니다. 경험에 기대면 한두 안만 따져 보고 문제는 실행 뒤에 드러납니다. 트윈이 있으면 여러 안을 실행 전에 비교하고 동선 충돌이나 설비 대기를 미리 찾습니다. 트윈 신뢰도 점검과 승인 권한 표는 이전 노트에 정리했습니다.

Golden Board: 시제품 없이 검사부터 준비하는 가상 기판

Golden board(검사 기준이 되는 양품 기판)는 이번 기사에서 디지털 트윈 자체로 정의됩니다. 예전에는 새 PCB의 품질 검사를 준비하려면 실물 시제품이 나와야 비전 시스템을 학습시킬 수 있었고 그 뒤에 수동 설정이 이어져 흔히 수 주가 걸렸습니다. 지금은 AI가 기판의 디지털 트윈에서 실사에 가까운 가상 이미지를 만들고 이 이미지로 검사를 학습시킵니다. NVIDIA Cosmos(학습용 데이터를 만드는 world model)가 이 데이터를 만듭니다. 그 결과 신규 PCB의 엔지니어링 공수가 최대 85%, 출시 기간이 최대 40% 줄었습니다.

같은 날 dpa-AFX 기사는 현장의 불편을 더 구체적으로 전합니다. 자동 광학 검사(AOI)를 사람이 손으로 학습시키는 데 매번 몇 시간이 걸렸고 그동안 생산을 멈춰야 했습니다. 그래서 85%는 엔지니어의 책상 시간만이 아니라 라인 정지 시간과도 이어진 숫자입니다. 신제품 도입이 잦고 설계 데이터가 디지털로 정리된 라인에 맞습니다. 설계가 도면 PDF로만 남아 있으면 가상 기판을 만들 재료가 없습니다.

Factory as Lab: 가동 중인 공장을 제품 시험장으로 쓴다

Erlangen은 지멘스가 산업 AI를 시험하는 실험실 역할을 합니다. 두 회사는 이 라인을 멈추지 않고 가동 중인 상태에서 제조용 운영 체계를 시험합니다. 그래서 실제 생산 요구에 맞춘 기능을 만들 수 있습니다. 지멘스는 산업·소프트웨어·자동화 기술을, NVIDIA는 AI·시뮬레이션·컴퓨팅 기술을 보탰습니다. 첫 솔루션은 약 10개월 걸렸습니다.

공장의 성과도 숫자로 나옵니다. Erlangen은 매년 생산성을 7%씩 올리고 연 3,000회 안팎의 고객 방문을 받습니다. 지멘스 이사 Cedrik Neike는 7% 생산성 향상을 들어 Erlangen을 세계에서 가장 앞선 공장 가운데 하나로 꼽았고 이 일의 목표를 “AI를 데이터센터에서 꺼내 공장으로” 옮기는 것이라고 말했습니다. 7%는 이번 AI 솔루션만의 효과가 아니라 공장 전체의 연간 개선 폭입니다.

통념과 다른 주장

저자가 든 사례

사례 1. 주 3~5회 바뀌는 생산계획

항목	내용
상황	새 주문, 자재 부족, 고객 요구 변경이 잦음. 예전에는 계획 담당이 용량·자재·납기·라인을 경험으로 저울질
한 일	주문이 들어오면 에이전트가 생산 시나리오를 자동 생성하고 KPI로 영향 표시, 전체 생산 트윈에서 실행 전 검증
결과	비용 최대 20% 절감, 현재 주 3~5회 조정 가능. 기준선·측정 기간은 원문에서 밝히지 않음
연결	Event-driven Replanning, Twin-before-Execute

사례 2. 신규 PCB 검사 준비

항목	내용
상황	검사 준비에 흔히 수 주(시제품 대기 + 수동 설정). AOI 재학습 때마다 수 시간 생산 정지(dpa-AFX)
한 일	디지털 트윈을 golden board로 삼아 실사 가상 이미지 생성, 시제품 전에 검사 학습
결과	엔지니어링 공수 최대 85%, 출시 기간 최대 40% 감소. 바뀐 뒤 준비 기간은 원문에서 밝히지 않음
연결	Golden Board, Factory as Lab

기술 디테일: 이런 수치를 우리 공장에서 재려면

아래는 Erlangen의 수치를 우리 공장의 목표로 옮길 때 필요한 설계로, AX Review가 새로 작성했습니다. 필드명과 숫자는 가상 예시입니다. 에이전트·솔버 연결과 권한 표는 이전 노트의 기술 디테일을 그대로 씁니다.

Event-driven Replanning을 돌리려면 사건을 먼저 정형화합니다. 에이전트를 부르는 단위는 “계획 한 번”이 아니라 “사건 한 건”입니다. 사건 레코드에 event_id, event_type(new_order, material_shortage, customer_change), received_at, affected_orders, horizon_days(다시 짤 기간), data_as_of(재고·실적 기준 시각)를 둡니다. 같은 자재에 대한 부족 통보가 30분 안에 여러 번 오면 한 건으로 묶습니다. 주 3~5회라면 한 건에 반나절을 써도 됩니다. 그래도 시간 예산을 정해 두면 늦어지는 단계를 찾기 쉽습니다. 예를 들어 시나리오 생성 15분, 트윈 실행 30분, 사람 결정 1시간입니다. 사건이 주 10건을 넘기 시작하면 계획 담당이 따라가지 못하니, 우선순위 큐를 두고 납기 영향이 큰 사건부터 처리합니다. 일정 계산은 기존 APS나 최적화 솔버에 맡기고 LLM 에이전트는 사건을 읽어 솔버를 조건별로 부르고 비교표를 씁니다. 트윈 실행이 시간 예산을 넘으면 안을 3개로 줄이거나 영향받는 라인만 잘라 돌립니다.

Twin-before-Execute의 20%를 검증하려면 비용 원장과 반사실 비교가 필요합니다. 시나리오 출력의 plan_cost를 하나의 숫자로 받지 말고 항목별로 나눕니다. overtime_cost, changeover_cost, expedite_cost, late_penalty, wip_holding_cost 다섯 항목이면 대부분의 계획 비용이 잡힙니다. 비교 대상도 정합니다. 사건마다 계획 담당이 혼자 세웠을 안(또는 실제로 고른 안)과 에이전트 추천안을 같은 트윈에서 함께 돌려 비용 차이를 남깁니다. 확률 요소가 있으면 안마다 5~10회 돌려 평균을 씁니다. 20%처럼 “최대” 값은 가장 좋은 사건 하나에서 나올 수 있으니, 보고서에는 중앙값과 상위 10% 값을 함께 적습니다.

Golden Board의 85%를 재려면 공수를 단계별로 기록합니다. 신규 PCB 품목마다 variant_id, 단계(stage: data_prep, synth_images, aoi_program, first_lot_tuning), 단계별 엔지니어 시간, 라인 정지 분을 남깁니다. 기준선은 가상 기판을 쓰기 전 최근 품목 5~10개의 같은 기록입니다. 합성 이미지로 학습한 검사는 첫 실물 lot에서 기존 검사와 나란히 돌립니다. 불량 재현율과 양품 오판정률이 기존 수준에 못 미치면 실물 이미지를 섞어 다시 학습합니다. 이 재학습 시간도 공수에 넣어야 85%와 같은 기준이 됩니다.

실패하는 경우와 대응. 사건 기록이 빠지면 재계획 횟수와 효과를 모두 놓칩니다. 이메일이나 전화로 들어온 변경도 event_type을 붙여 같은 큐에 넣게 합니다. data_as_of가 오래되면 에이전트는 없는 재고로 안을 짭니다. 기준 시각이 2시간을 넘으면 추천을 멈추고 데이터부터 갱신합니다. 공장 전체 생산성(Erlangen의 7% 같은 값)은 여러 개선이 섞인 숫자이므로, 에이전트 효과는 사건 단위 비용 차이로 따로 잽니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	담당	하는 일
스폰서	공장장	측정 대상 라인과 판정 기준 승인
계획 담당	생산계획 2명	사건 기록, 에이전트 안과 실제 결정 비교
원가 담당	공장 원가·컨트롤링 1명	비용 원장 항목과 단가 확정, 비용 차이 검증
제조 IT	MES·ERP 담당 1명	사건 큐, data_as_of 갱신, 트윈 데이터 연결
품질	검사 엔지니어 1명	신규 PCB 공수 단계별 기록, 첫 lot 병행 검사

시작 전 준비물: 최근 3개월의 계획 변경 내역(언제, 왜, 누가), 잔업·특송·납기 페널티 단가, 품목 간 전환 비용 표, 최근 신규 PCB 5~10개의 준비 일정과 라인 정지 기록, 기존 트윈이나 시뮬레이션 모델의 범위.

인터뷰 질문(계획·원가·품질 담당용): 지난 한 달 동안 계획을 바꾼 사건은 몇 건이고 계기는 무엇이었습니까? 한 건을 결정하는 데 몇 시간이 걸렸고 그동안 누가 기다렸습니까? 계획 변경으로 생긴 비용 중 장부에 따로 잡히는 것과 묻히는 것은 무엇입니까? 신규 PCB 하나를 검사 가능한 상태로 만드는 데 엔지니어 몇 명이 며칠을 쓰고 라인은 몇 시간 멈춥니까? 벤더가 말하는 최대 20%를 내부 보고서에 옮길 때 무엇과 비교한 값인지 설명할 수 있습니까?

진행 판정 기준(예시): 그림자 운영 기간에 에이전트 추천안이 실제 결정보다 사건당 계획 비용을 중앙값 10% 이상 낮추고 추천 채택률이 50% 이상이며 제약을 어긴 추천이 0건이면 확대합니다. 비용 차이가 5%에 못 미치거나 채택률이 30%에 못 미치면 KPI 정의와 비용 원장을 고친 뒤 기준선부터 다시 잽니다.

AX 적용 제언. 먼저 맞는 곳은 주문 변동이 잦은 다품종 전장품·부품 공장과 신제품 도입이 잦은 PCB 조립 라인입니다. 순서는 사건 기록과 비용 원장 → 기준선 4주 → 그림자 운영 → 승인 관문을 붙인 실제 운영이 무난합니다. 에이전트부터 만들고 효과를 나중에 재면 비교할 기준이 남지 않습니다. 계획 쪽 지표는 원가 담당이, 검사 쪽 지표는 품질 담당이 소유하게 합니다. 그래야 벤더 수치를 우리 공장의 목표로 바꿀 때 근거를 댈 수 있습니다. 경영진 보고에는 Erlangen의 20%·85%·40%를 목표로 옮기지 말고 우리 기준선에서 나온 중앙값을 씁니다.

원문 사례

항목	내용
원문	CIO.de 분석 기사(2026.11.6, Bernd Reder)
보조 자료	지멘스 보도자료(2026.10.19), dpa-AFX 기사(2026.10.19)
현장	지멘스 Erlangen 전자공장 PCB 생산. 드라이브·주파수 변환기
개발	지멘스·NVIDIA 공동, 첫 솔루션 약 10개월. 가동 중인 라인에서 시험
NVIDIA 구성 요소	Cosmos(검사 학습 데이터), FOX(계획 에이전트), Omniverse 라이브러리(실데이터 기반 가상 시험)
계획	에이전트 시나리오 + 전체 생산 트윈 검증, 비용 최대 20% 절감, 주 3~5회 조정(새 주문·자재 부족·고객 요구 변경)
PCB	엔지니어링 공수 최대 85%, 출시 기간 최대 40% 감소. 예전 검사 준비 흔히 수 주, AOI 재학습 때마다 수 시간 생산 정지(dpa-AFX)
공장	연 생산성 7% 향상, 연 고객 방문 약 3,000회
자동화 수준	지금 30~40%, AI로 70~80% 가능(Neike, dpa-AFX)
표현 차이	CIO.de는 85%·40%를 감소한 값으로, 지멘스 보도자료는 세 수치를 가능치(최대)로 표현

핵심 개념

AOI(Automated Optical Inspection)

카메라로 기판을 찍어 부품 누락·납땜 불량을 찾는 자동 광학 검사.

Cosmos

NVIDIA의 world model 계열. 이 사례에서는 검사 학습용 가상 이미지를 만든다.

Omniverse

NVIDIA의 3D 시뮬레이션 플랫폼. 라이브러리 형태로 실제 공장 데이터를 넣어 계획을 가상 시험한다.

time-to-market

신제품을 설계 확정부터 시장에 내놓기까지 걸리는 시간.

counterfactual(반사실) 비교

에이전트가 없었다면 내렸을 결정을 같은 조건에서 돌려 효과를 재는 방법.

Digital Industries

지멘스의 자동화·산업 소프트웨어 사업부. Cedrik Neike가 이끈다.

내 메모

TODO: 내 생각 추가

원문: Bernd Reder, “Siemens spart 20 Prozent Fertigungskosten mit KI von Nvidia”(CIO.de, 2026.11.6). 수치의 표현(가능치·최대)과 Neike의 발언은 지멘스 보도자료 ‘Siemens partners with NVIDIA to advance AI-driven, autonomous factories’(2026.10.19)에서, AOI 재학습 때의 생산 정지와 자동화 수준 30~40%·70~80%는 같은 날 dpa-AFX 기사 ‘Siemens und Nvidia wollen Fabriken automatischer machen’에서 확인했습니다. 계획 에이전트의 구조와 FOX는 이전 노트(2026.10.26)에 있습니다. 효과 수치는 모두 회사 발표 기준이며 최대치입니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. 기술·현업 디테일, 필드명, 비용 원장, 일정·판정 기준, 인포그래픽은 새로 작성했으며 숫자는 가상 예시입니다. 원문 전체는 CIO.de에서 볼 수 있습니다.