Digital Twins for Key Decisions: 공급망 큰 결정을 1주 안에 평가하는 기업 18%, 무엇이 갈랐나

공급망 실무자 144명 가운데 큰 결정을 1주 안에 평가하는 곳은 18%였습니다. 속도를 가른 것은 예산이나 회사 규모가 아니라 시나리오 분석을 늘 켜 두는 운영 방식과 전용 설계 도구였습니다. 따라 하려면 데이터가 완벽해지기를 기다리지 말고 있는 데이터로 오늘의 공급망 모델을 먼저 세운 뒤 채운 가정을 표시해 두고 질문을 받기 시작해야 합니다.

요약

공급망 전문 매체 Supply Chain Media와 공급망 설계 소프트웨어 회사 Optilogic이 2026년 전 세계 공급망 실무자 144명을 조사해 보고서 「The supply chain you have vs. the one you need」를 냈습니다. Supply Chain Movement는 11월 6일 이 결과를 웨비나 토론과 함께 실었습니다. 토론자는 컨설팅사 Argon & Co의 Rob Carlisle과 Accenture의 Andrea Paciaroni입니다. 응답자는 지난 12개월 가장 큰 타격으로 지정학 불안(68%), 관세·무역 제한(64%), 인플레이션·비용 상승(56%)을 꼽았습니다. 가장 흔한 대응은 재고를 늘려 완충(buffer)을 키우는 것(28%)이었습니다. 공급망을 모델링하는 도구는 스프레드시트가 67%로 가장 많았고 전용 설계 소프트웨어는 33%였습니다.

큰 공급망 결정 하나를 평가하는 데 57%가 1~6주, 25%가 그보다 오래 걸렸고 1주 안에 끝내는 곳은 18%였습니다. 전용 설계 소프트웨어를 쓰는 기업은 1주 안에 결정할 가능성이 2배, AI 도구를 쓸 가능성이 4배 높았습니다. 가장 큰 걸림돌은 데이터 품질(70%)이었고 예산을 꼽은 곳은 22%에 그쳤습니다. 같은 조사를 다룬 10월 30일 기사에 따르면 시나리오 분석을 상시로 돌리는 기업은 79%가 핵심 시나리오를 2주 안에 평가했고 프로젝트 단위로 돌리는 기업은 30%였습니다. 차이를 만든 것은 회사 규모가 아니라 분석을 조직하는 방식이었습니다. 기사의 결론도 같은 방향입니다. 수백만 유로가 걸린 결정을 더는 스프레드시트에 맡길 수 없다는 것입니다. 아래에서는 늘 켜 둔 공급망 모델, 결정 평가 시간, 버퍼와 재설계, 데이터 품질, AI, 사내 역량을 차례로 풀고 같은 구조를 시범으로 돌릴 때 필요한 데이터와 일정을 붙입니다.

핵심 메커니즘

Always-on digital twin: 데이터가 계속 들어와 늘 켜 둔 공급망 모델

공장, 창고, 운송 경로, 비용, 능력을 옮겨 놓은 공급망 모델에 실데이터를 계속 흘려 넣고 질문이 생기면 그 자리에서 시나리오를 돌리는 방식입니다. Optilogic의 EMEA 영업 부사장 Christophe Frère는 이 모델이 오늘의 공급망을 보여 주는 동시에 내일의 공급망을 설계하는 데 쓰인다고 설명했습니다. 입력이 계속 갱신되니 모델도 계속 쓸 수 있다는 점이 프로젝트형 분석과 다릅니다. 프로젝트형은 질문이 올 때마다 데이터를 다시 모으고 모델을 다시 짜야 하므로 몇 주가 걸립니다.

관세 변경이나 생산지 이전처럼 네트워크 구조를 건드리는 질문이 분기마다 돌아오는 조직에 맞습니다. 한 번뿐인 결정이라면 프로젝트형으로도 충분합니다. 조사에서 지금의 공급망보다 앞으로 필요한 공급망에 더 많은 시간을 쓰는 곳은 16%였고 Frère는 미래 공급망을 다루지 않으면 개선도 없다고 봤습니다. 가상 예시로, 미국 수출 비중이 큰 제조사라면 관세율 표가 바뀐 날 기준 모델에 새 세율을 넣고 멕시코 조립, 국내 생산 유지, 현지 창고 확대 세 안의 비용을 그 주에 비교하는 식입니다.

Scenario evaluation lead time: 질문에서 판단까지 걸리는 시간

큰 결정(거점 이전, 조달처 변경, 네트워크 재편)이 제기된 뒤 대안 비교 결과가 나오기까지 걸리는 기간입니다. Paciaroni는 1~6주가 57%라는 결과를 오히려 나쁘지 않게 봤습니다. 몇 달씩 걸리는 회사를 많이 본다는 이유였습니다. 그는 AI가 결정 준비와 시나리오 분석을 도와 이 기간을 줄일 수 있고 목표는 1주 안 결정이어야 한다고 했습니다. 10월 30일 기사는 이 시간이 분석 방식에 달려 있다고 봤습니다. 상시 분석형은 79%가 2주 안에 핵심 시나리오를 평가했지만 프로젝트형은 30%였습니다. 시나리오 모델링을 연속 과정으로 보는 곳은 전체의 20%였습니다.

Buffer vs redesign: 재고로 시간을 벌고 그 시간에 구조를 바꾼다

28%가 첫 대응으로 재고를 늘렸습니다. Carlisle은 이를 논리적인 첫걸음으로 봤습니다. 버퍼가 서비스 수준을 지키고 시간을 벌어 주기 때문입니다. 다만 오래가는 해법은 아니라고 했습니다. 공급망에 유연성을 더하고 어디서 만들고 물건이 어떻게 흐르는지를 다시 평가해야 한다는 것입니다. Paciaroni는 지정학과 무역 혼란 때문에 생산을 내재화하거나 가까운 곳으로 옮기는 방안을 검토하는 고객이 늘었다고 전했습니다. 버퍼가 벌어 준 몇 달을 재설계 검토에 쓰지 않으면 재고 비용만 남는 셈입니다.

Pragmatic data: 완벽한 데이터를 기다리지 않는 모델링

모델링의 가장 큰 걸림돌로 70%가 데이터 품질을, 52%가 시스템 통합 부족을 꼽았습니다. 예산은 22%였습니다. 두 토론자는 이 결과를 다르게 읽었습니다. Paciaroni는 데이터 품질이 실제로 막는 요인인지 의심했습니다. AI가 데이터를 준비하고 빈칸을 근거 있는 가정으로 채워 줄 수 있다는 이유였습니다. Carlisle은 데이터가 완벽해지는 날은 오지 않으니 있는 데이터로 일하며 앞으로 나아가는 실용적 태도가 필요하다고 했습니다. 두 사람 모두 데이터 정비를 모델링의 선행 조건이 아니라 모델링과 함께 가는 일로 봤습니다.

AI scenario generation: 기대는 70%, 실제 사용은 16%

응답자의 70%는 AI가 시나리오 자동 생성에서 가치를 낼 것으로 봤습니다. 데이터 정제·시스템 통합(60%), 수요 예측(59%), 재고 최적화(52%), 위험 감지(44%), 네트워크 재설계(43%)가 뒤를 이었습니다. 실제로 AI 기반 모델링 도구를 쓰는 곳은 16%였고 여러 공급망 프로세스에 AI를 폭넓게 쓰는 곳은 4%, 시범 단계는 30%였습니다. 설계 소프트웨어를 쓰는 기업이 AI 도구를 쓸 가능성이 4배라는 결과는 AI가 혼자 들어오지 않고 모델 위에 얹힌다는 뜻으로 읽힙니다. 시나리오를 자동으로 만들려면 그 시나리오를 돌릴 모델이 먼저 있어야 합니다.

In-house capability: 사람, 도구, 데이터를 사내에 갖춘 성숙 기업

조사는 성숙 기업과 나머지를 비교했습니다. 성숙 기업은 공급망 CoE(Center of Excellence, 전문 조직)를 둔 비율이 59%(나머지 23%), 전용 설계 소프트웨어 55%(29%), 시나리오 상시 분석 41%(16%), AI 기반 도구 36%(12%)였습니다. 핵심 시나리오를 1~3일 안에 평가하는 비율도 27%로 나머지(12%)의 두 배를 넘었습니다. 성숙 그룹은 22명이어서 10월 30일 기사는 이 비교를 참고용으로 봤습니다. Paciaroni는 이사회가 회사가 지금 어떤 시나리오에 있고 무엇을 해야 하는지 알고 싶어 한다고 했습니다. 거기에 답하려면 데이터, 그것을 해석할 사람, 쓸 수 있는 도구가 함께 있어야 하고 그래서 사내 역량을 쌓는 투자가 결국 돌아온다고 봤습니다.

통념과 다른 주장

저자가 든 사례

이 글에는 개별 기업 사례가 없습니다. 대신 조사 안의 집단 비교와 토론자들의 현장 관찰을 사례로 정리합니다.

빠른 기업과 느린 기업: 도구가 달랐다

• 상황: 같은 지정학·관세 충격을 맞았지만 큰 결정을 평가하는 속도가 기업마다 크게 달랐습니다.
• 한 일: 빠른 기업은 전용 설계 소프트웨어(42%, 느린 기업 19%)와 AI 기반 도구(23%, 느린 기업 6%)를 더 많이 썼습니다.
• 결과: 설계 소프트웨어 사용 기업은 1주 안 결정 가능성이 2배, AI 도구 사용 가능성이 4배였습니다.
• 연결: Always-on digital twin, AI scenario generation.

지난 혼란을 돌아보니: 시나리오 모델링이 아쉬웠다

• 상황: 지난 2년 가장 큰 공급망 혼란 때 조직이 충분히 준비돼 있었다고 답한 곳은 8%였습니다.
• 한 일: 무엇이 있었으면 달랐을지 물었습니다.
• 결과: 더 나은 시나리오 모델링(29%), 더 빠른 데이터 접근(23%), 더 나은 네트워크 가시성(19%) 순이었습니다.
• 연결: Scenario evaluation lead time, Pragmatic data.

현장의 움직임: 리쇼어링 검토와 채널 사이 수요 이동

• 상황: Paciaroni는 통제할 수 없는 지정학 요인 때문에 생산을 내재화하거나 가까이 옮기려는 고객이 늘었다고 봤습니다. Carlisle은 수요 변동성이 5위(44%)에 그친 결과가 너무 낮다고 봤습니다.
• 한 일: Carlisle은 수요 총량보다 수요가 판매 채널 사이를 얼마나 자주 옮겨 다니는지에 주목했습니다.
• 결과: 그는 공급망이 그 어느 때보다 유연해졌지만 능력과 재고를 채널 사이로 옮기는 데는 여전히 느리다고 했습니다.
• 연결: Buffer vs redesign. 두 관찰 모두 모델에 넣어 돌려 볼 질문이 됩니다.

기술 디테일: 늘 켜 둔 공급망 모델을 시범으로 만든다면

아래는 원문에 없는 내용으로, 같은 구조를 시범으로 돌릴 때 필요한 것을 새로 정리한 가상 예시입니다.

기준 모델을 세우려면 (Always-on digital twin) 데이터 객체 다섯 개부터 정합니다. sites(공장·창고·물류센터, 능력과 고정비), lanes(거점 사이 경로, 운임과 리드타임), demand(SKU×판매 채널×월, 최근 12~24개월), costs(생산·보관·관세 단가), assumptions(채워 넣은 값 목록)입니다. 채널을 demand의 축으로 둬야 Carlisle이 말한 채널 사이 수요 이동을 시나리오로 돌릴 수 있습니다. 모델을 믿을 수 있는지는 보정으로 판단합니다. 지난 12개월 실제 총물류비와 서비스 수준을 모델에 다시 돌려, 비용 차이가 ±5% 안이면 기준 모델로 씁니다.

AI로 빈칸을 채울 때 (Pragmatic data) 채운 값마다 출처를 붙입니다. 필드 예시는 value_source(measured·derived·assumed), assumption_note(근거 한 줄), owner(확인할 담당자), confidence(높음·중간·낮음)입니다. LLM은 ERP 추출본, 운송 계약서, 관세율 표에서 값을 뽑게 하고 temperature 0으로 같은 문서를 3회 돌려 값이 다르면 사람 확인 대기열로 보냅니다. assumed 값은 민감도 분석에서 ±20% 흔들어 봅니다. 결론이 뒤집히는 값이 있으면 그 데이터부터 정비합니다. 이렇게 하면 데이터 품질 문제를 “전부 고친 뒤 시작”이 아니라 “결론을 흔드는 값부터 고치기”로 바꿀 수 있습니다.

시나리오를 자동으로 만들 때 (AI scenario generation) LLM이 자연어 질문을 구조화된 시나리오로 바꾸게 합니다. 출력 JSON은 다음 정도면 됩니다.

{
  "scenario_id": "S-2026-11-tariff-25",
  "trigger": "미국향 완제품 관세 25%로 인상",
  "changes": [
    {"object": "costs", "field": "tariff_rate", "where": "lane=KR-US", "from": 0.10, "to": 0.25}
  ],
  "options": ["현 체제 유지", "멕시코 조립", "미국 창고 확대"],
  "kpis": ["total_landed_cost", "service_level", "lead_time_days"],
  "horizon_months": 24
}

스키마 검증을 통과한 시나리오만 담당자가 승인하고 승인된 것만 네트워크 최적화 솔버(혼합정수계획 등)에 넣습니다. 결과표에는 KPI 세 개와 함께 “assumed 값을 흔들었을 때 순위가 바뀌는가”를 한 줄로 붙입니다.

실패	증상	대응
보정 실패	실제 물류비와 모델 차이 10% 이상	lanes 운임과 costs 보관비부터 다시 확인
가정 과다	assumed 비중 30% 이상	민감도 상위 10개 값만 실측으로 교체
시나리오 오해석	LLM이 변경 대상을 잘못 짚음	changes 승인 단계에서 반려, 질문 문장 표준화
모델 노후	마스터 데이터 갱신이 한 달 넘게 멈춤	ERP·TMS 추출을 주 1회 자동 적재

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할, 일정, 판정 기준은 같은 구조를 들이려는 조직을 위한 예시입니다.

역할	맡는 일
SCM 기획 리더(스폰서)	모델로 답할 경영 질문 3개 확정, 판정 회의 주관
네트워크 설계 분석가 1~2명	기준 모델 구축과 보정, 시나리오 실행
데이터 담당(ERP·TMS)	객체별 추출, 주 1회 적재, assumptions 담당자 배정
재무 컨트롤러	보정 기준 비용 확정, 시나리오 결과의 비용 검증
구매·통관 담당	관세율·조달처 대안 정보 제공

준비물은 지난 12개월 출하 실적, 거점별 능력과 고정비, 운임표, 관세율 표, 그리고 지금 스프레드시트로 돌리고 있는 분석 파일입니다.

기간	할 일	산출물
1~2주	경영 질문 3개 선정, 객체별 데이터 추출	질문 목록, 데이터 목록과 빈칸 표
3~4주	기준 모델 구축, 실적 대비 보정	보정 보고서(비용 차이 %)
5주	첫 시나리오 3개 실행, 민감도 분석	대안 비교표
6주	새 질문 하나를 받아 1주 안에 답하는지 시험, 판정 회의	확대·보완·중단 결정서

시작 전에 물을 질문. 지난 1년 동안 결론을 내는 데 가장 오래 걸린 공급망 결정은 무엇이었고 몇 주가 걸렸나? 그때 시간을 가장 많이 잡아먹은 단계는 데이터 수집, 모델 작성, 검토 중 어디였나? 지금 쓰는 스프레드시트는 누가 만들었고 그 사람이 없으면 다시 돌릴 수 있나? 채널별 수요가 바뀐 사실을 알아채는 데 며칠이 걸리나? 이사회가 다음 분기에 물을 것 같은 질문은 무엇인가?

진행 판정 기준(예시). 보정 비용 차이가 ±5% 안이고 6주차 새 질문에 5영업일 안에 대안 비교표를 냈고 assumed 비중이 30% 아래이면 상시 운영으로 넘어갑니다. 보정이 안 되면 2주 보완하고 두 번째도 안 되면 범위를 거점 한 권역으로 좁힙니다.

AX 적용 제언. 관세와 지정학 변화로 생산지·조달처를 다시 따져야 하는 수출 제조사라면 디지털 트윈을 큰 IT 프로젝트로 띄우기보다 경영 질문 세 개로 시작하는 편이 빠릅니다. 스폰서는 SCM 기획 리더가 맡고 데이터 정비는 모델이 “결론을 흔든다”고 짚어 준 값부터 합니다. 첫 성과 지표는 모델의 정교함이 아니라 질문에서 답까지 걸린 일수로 잡습니다. 시나리오 생성 같은 AI 기능은 기준 모델이 보정된 뒤에 붙여야 효과가 나고 이 순서는 조사에서 설계 소프트웨어 사용 기업이 AI 도구도 4배 더 쓰는 결과와 맞닿아 있습니다.

원문 사례

항목	내용
원문	Supply Chain Movement, 「Digital twins help evaluate key decisions within a week」, Marcel te Lindert, 2026.11.6
함께 읽은 기사	Supply Chain Movement, 「Companies are far too slow at analysing supply chain scenarios」, Henrieke Wagenvoort, 2026.10.30 (같은 조사)
조사	Supply Chain Media·Optilogic, 2026 Supply Chain Design & Resilience Survey, 공급망 실무자 144명, 보고서 「The supply chain you have vs. the one you need」
토론자	Rob Carlisle(Argon & Co), Andrea Paciaroni(Accenture), Christophe Frère(Optilogic EMEA 영업 부사장)
가장 큰 타격	지정학 불안 68%, 관세·무역 제한 64%, 인플레이션·비용 상승 56%, 수요 변동성 44%(5위)
첫 대응	재고 등 버퍼 확대 28%
모델링 도구	스프레드시트 67%, ERP·계획 시스템 42%, 전용 설계 소프트웨어 33%, AI 기반 도구 16%, 디지털 트윈 10%
결정 평가 시간	1주 안 18%, 1~6주 57%, 그 이상 25%
도구와 속도	설계 소프트웨어 사용 기업 1주 안 결정 가능성 2배, AI 도구 사용 가능성 4배. 빠른 기업 설계 소프트웨어 42%·AI 23%, 느린 기업 19%·6%
분석 방식	상시 분석형 79%, 프로젝트형 30%가 2주 안 핵심 시나리오 평가. 연속 과정으로 보는 곳 20%
걸림돌	데이터 품질 70%, 시스템 통합 52%, 예산 22%
AI	기대 분야 시나리오 자동 생성 70%, 데이터 정제·통합 60%, 수요 예측 59%. 폭넓게 사용 4%, 시범 30%
성숙 기업	CoE 59%(나머지 23%), 설계 소프트웨어 55%(29%), 상시 분석 41%(16%), AI 도구 36%(12%), 1~3일 평가 27%(12%). 성숙 그룹 22명
기타	미래 공급망에 더 시간 쓰는 곳 16%, 지난 혼란에 충분히 준비됐던 곳 8%

핵심 개념

Supply chain design software

공급망 네트워크를 모델로 만들어 거점, 경로, 조달처를 바꿨을 때의 비용과 서비스를 비교하는 전용 도구입니다.

Scenario analysis

관세 인상이나 생산지 이전 같은 가정을 모델에 넣어 결과를 미리 견줘 보는 분석입니다.

Buffer

재고, 여유 능력, 여유 리드타임처럼 충격을 흡수하려고 일부러 남겨 두는 완충입니다.

Reshoring · Nearshoring

해외 생산을 본국으로 되돌리거나 가까운 나라로 옮기는 것입니다.

Network redesign

공장·창고 위치와 물류 흐름을 다시 짜는 일입니다.

Center of Excellence (CoE)

특정 역량을 모아 전사에 지원하는 전문 조직입니다.

내 메모

TODO: 내 생각 추가

원문은 Supply Chain Movement의 「Digital twins help evaluate key decisions within a week」(Marcel te Lindert, 2026.11.6)입니다. 같은 조사를 다룬 같은 매체의 「Companies are far too slow at analysing supply chain scenarios」(Henrieke Wagenvoort, 2026.10.30)와 보고서 소개 페이지의 수치(시스템 통합 52%, AI 기대 분야, 성숙 기업 비교 일부, 상시 분석형 79% 등)를 함께 반영했습니다. 조사는 Supply Chain Media와 설계 소프트웨어 회사 Optilogic이 함께 했습니다. 요약, 핵심 메커니즘, 통념과 다른 주장, 사례는 원문 내용을 AX Partners가 다시 정리했습니다. 기술 디테일, 현업 실행 디테일, 인포그래픽, 표의 필드명·설정값·일정·판정 기준과 메커니즘의 작은 예시는 원문에 없는 내용으로 새로 작성한 가상 예시입니다. 전체 내용은 원문과 보고서에서 볼 수 있습니다.