Digital Employees: ZTE 난징 공장에서 에이전트 80여 개가 생산·주문·창고를 맡는 방식
ZTE 난징 빈장 기지에서는 에이전트 80여 개가 디지털 직원으로 생산 계획, 주문 흐름, 제품 전 주기 관리를 맡고, 공급망에서만 하루 토큰 90억 개 이상을 씁니다. 야간 창고 최적화 에이전트는 월 피킹 거리를 40만여 m에서 16만 m로 줄였습니다. 멍뉴 목장 진료 에이전트 사례와 야간 재배치 파이프라인, 디지털 직원 역할 카드, 8주 시범 계획을 붙였습니다.
ZTE 난징 빈장 기지에서는 에이전트 80여 개가 '디지털 직원'으로 일하며 생산 계획, 주문 흐름, 제품 전 주기 관리를 나눠 맡습니다. 그중 창고 최적화 에이전트 하나가 월 피킹 거리를 40만여 m에서 16만 m로 줄였습니다. 따라 하려면 에이전트를 직무 단위로 정의하고, 사람이 일하지 않는 시간에 돌릴 일을 고르고, 토큰 사용량과 업무 지표를 함께 재는 장치부터 갖춰야 합니다.
요약
신화통신 기자 세 명이 쓴 이 기사는 ZTE(中兴通讯) 난징 빈장 기지의 자동 창고에서 시작합니다. 보관 위치(库位) 10만여 개가 층층이 늘어선 입체 창고에서 4방향 셔틀, 리프트, 스태커 크레인이 쉬지 않고 생산 라인에 자재를 보냅니다. 어느 상자를 언제 라인 어디로 보낼지는 여러 에이전트가 판단하고 지시합니다. 기사는 이어 멍뉴(蒙牛) 목장의 진료 에이전트, 우한 차오커우구(硚口区)의 민원 처리 에이전트, 누비아 AI폰의 음성 명령 처리를 소개합니다. 배경으로는 연초 오픈소스 에이전트 OpenClaw가 일으킨 열풍과 더우바오 업무(豆包工作), 첸원 오피스(千问办公), Kimi Work 같은 제품 출시를 듭니다. AI가 대화 상대에서 실제로 일을 처리하는 쪽으로 옮겨 가고 있다는 것이 기사의 진단입니다.
기사가 든 시장 지표도 같은 방향입니다. 한 조사에서 중국 기업의 에이전트 도입률은 2024년 말 17.3%에서 2026년 상반기 40.3%로 올랐습니다. 다만 조사 기관 이름은 기사에 나오지 않습니다. 2026년 상반기 중국 AI 네이티브 앱의 월간 활성 사용자는 4억 9,900만 명으로 1년 전보다 85.4% 늘었습니다. 정부 업무보고에 ‘智能体(에이전트)‘가 처음 들어갔고, 3개 부처가 대표 응용 시나리오 19개를 담은 실시 의견을 냈으며, 에이전트 상호연결 국가표준 7종이 나왔습니다. 전문가들은 고객 서비스나 마케팅처럼 반복적이고 규칙이 뚜렷한 업무에서 효과가 크다고 봤습니다. 기사는 투자 수익을 낸 기업이 아직 적다는 조사와 긴 과업의 안정성, 보안 위험도 함께 짚습니다. 아래에서는 ZTE와 멍뉴 사례를 중심으로 다섯 메커니즘을 풀고, 실제로 돌릴 때 필요한 디테일을 덧붙입니다.
핵심 메커니즘
창고 최적화 에이전트: 피킹 없는 밤에 내일 쓸 자재를 앞으로 당긴다
ZTE 부총재 저우젠펑(周建峰)이 직접 든 예입니다. 이 에이전트는 창고에 피킹 작업이 없는 밤 시간에 일합니다. 입력은 다음 날 생산 주문입니다. 에이전트는 이를 기준으로 자재 배치를 다시 짜고, 자주 쓰는 자재를 출고 쪽에 가까운 위치로 미리 옮깁니다. 이튿날 피킹이 시작되면 설비가 오가는 거리가 짧아집니다. 결과는 월 피킹 거리 40만여 m에서 16만 m로, 60% 남짓 줄어든 셈입니다. 이 방식은 이동을 셔틀과 크레인이 맡는 자동 창고에서, 그리고 다음 날 생산 주문을 전날 밤에 받아 볼 수 있는 공장에서 잘 맞습니다. 당일 주문이 자주 바뀌는 곳이라면 밤에 짠 배치가 낮에 얼마나 유지되는지부터 확인해야 합니다.
디지털 직원(数字员工): 에이전트를 직무 단위로 업무 라인에 세운다
ZTE 난징 기지에는 업무 라인에서 일하는 디지털 직원이 80여 명 있습니다. 기사는 이들을 ‘명’으로 셉니다. 어떤 디지털 직원은 생산 계획을 짜고, 어떤 직원은 주문이 넘어가는 흐름을 지켜보며, 또 다른 직원은 제품 전 주기 관리를 맡습니다. 에이전트를 기능 묶음이 아니라 맡은 일과 담당 범위가 있는 자리로 본다는 뜻입니다. 이렇게 나누면 누가 어떤 판단을 내렸는지 직무 이름으로 추적할 수 있습니다. 사람 관리자를 붙이거나 성과를 따로 재기도 쉬워집니다. 가상 예시로, ‘주문 흐름’ 디지털 직원은 출하 예정일이 지난 주문을 매시간 찾아 담당 계획자에게 알리는 일 하나만 맡을 수 있습니다.
토큰 사용량(词元消耗): 에이전트가 얼마나 일하는지 보여 주는 숫자
토큰은 언어 모델이 글을 읽고 쓸 때 쓰는 처리 단위입니다. 에이전트가 판단하고 지시할 때마다 모델을 부르므로, 에이전트 일이 늘수록 토큰 소비도 늘어납니다. ZTE는 공급망 시나리오에서만 하루 토큰 소비량이 90억 개를 넘고 지금도 빠르게 늘고 있다고 밝혔습니다. 이 숫자는 에이전트가 실제 업무에 깊이 들어갔다는 사용량 지표로 읽힙니다. 비용과 직결되는 숫자이기도 합니다. 실제로 쓸 때는 피킹 거리 같은 업무 지표와 나란히 두고, 일 한 건을 처리하는 데 토큰이 얼마나 드는지로 봐야 투자 판단에 쓸 수 있습니다.
현업이 만든 에이전트: 멍뉴 직원이 WorkBuddy로 만든 ‘AI 의사’
멍뉴 원료사업부 직원 왕궈인(王国银)은 여러 목장을 오가며 일하다가, 외진 목장에서는 소 무리에 이상이 생겨도 바로 치료받기 어렵다는 것을 봤습니다. 그는 코딩 경험이 없었지만 Tencent의 WorkBuddy로 진료 도구를 만들었습니다. 권위 있는 서적과 실무 경험을 도구에 학습시켰습니다. 현장 직원이 사료를 먹지 않는다, 체온이 39.5도다, 산유량이 떨어졌다처럼 증상을 설명하면 두 차례 대화 끝에 진료 방안이 나옵니다. 목장 한 곳의 진료 시간은 1.5일에서 2시간으로 줄었습니다. 업무를 가장 잘 아는 사람이 직접 에이전트를 만들고, 지식 출처를 정해 넣은 사례입니다.
에이전트 순환 구조: 대형 모델에 기억, 도구 호출, 계획을 묶는다
중국공정원 원사 우허취안(邬贺铨)은 대형 모델에 기억 시스템, 도구 호출, 계획 능력을 더해 순환시키면 특정 과업을 수행하는 에이전트가 된다고 설명했습니다. 국가발전개혁위원회 거시경제연구원의 천시(陈曦) 연구원은 에이전트를 대형 모델 위에서 스스로 인지하고 기억하고 결정하고 상호작용하고 실행하는 시스템으로 정의했습니다. 싸이디연구원(赛迪研究院)의 중신룽(钟新龙) 부연구원은 DeepSeek, 즈푸(智谱), MiniMax 같은 기초 모델의 과제 이해, 계획, 도구 사용, 여러 에이전트 협업 능력이 좋아진 것을 확산 배경으로 들었습니다. 가상 예시로 창고 최적화 에이전트에 대입하면 모델은 배치 판단, 기억은 지난 몇 주의 자재 사용 빈도, 도구는 WMS 이동 지시, 계획은 밤사이 이동 순서에 해당합니다.
통념과 다른 주장
흔히 이렇게 봅니다에이전트를 업무 시스템에 붙이면 투자 수익은 곧 따라온다.
기사는 이렇게 봅니다도입은 빠르게 늘지만 수익은 아직 일부 기업에만 돌아갑니다. 효과가 큰 곳은 반복적이고 규칙이 뚜렷한 업무입니다.
근거KPMG 2026 글로벌 기술 보고서에서 응답 기업의 88%가 에이전트를 시스템에 통합했지만 투자 수익을 낸 곳은 24%였습니다. 중신룽 부연구원은 긴 과업을 안정적으로 수행하는 능력이 모자라고 핵심 업무에 깊이 들어가기 어렵다고 짚었습니다.
저자가 든 사례
ZTE 난징 빈장 기지: 에이전트가 움직이는 자동 창고
| 구분 | 내용 |
|---|---|
| 상황 | 보관 위치 10만여 개의 입체 창고에서 4방향 셔틀·리프트·스태커 크레인이 쉬지 않고 라인에 자재 공급 |
| 한 일 | 여러 에이전트가 상자별 배송 시간과 위치를 정해 지시. 창고 최적화 에이전트가 밤에 다음 날 주문 기준으로 자재 재배치 |
| 결과 | 월 피킹 거리 40만여 m → 16만 m. 디지털 직원 80여 명, 공급망 토큰 하루 90억 개 이상 |
| 연결 | 창고 최적화 에이전트, 디지털 직원, 토큰 사용량 |
멍뉴 목장: 비개발자가 만든 진료 에이전트
| 구분 | 내용 |
|---|---|
| 상황 | 외진 목장은 소 무리 건강에 이상이 생겨도 바로 치료받기 어려움 |
| 한 일 | 코딩 경험 없는 원료사업부 직원이 Tencent WorkBuddy에 권위 서적과 실무 경험을 학습시켜 진료 도구 제작 |
| 결과 | 증상 설명 후 두 차례 대화로 진료 방안. 목장 한 곳 진료 시간 1.5일 → 2시간 |
| 연결 | 현업이 만든 에이전트, 에이전트 순환 구조 |
우한 차오커우구: 민원 처리 에이전트
| 구분 | 내용 |
|---|---|
| 상황 | 격자 담당자(网格员)가 주민 요구를 받아 처리 |
| 한 일 | ‘바이두 다쯔(百度搭子)‘가 커뮤니티 정책과 업무 규칙에 맞춰 답변을 만들고, 요구 분류·작업지시서 생성·배정까지 수행 |
| 결과 | 기사에서 수치 밝히지 않음 |
| 연결 | 디지털 직원(정해진 직무를 끝까지 처리), 반복적이고 규칙이 뚜렷한 업무 |
기술 디테일: 야간 재배치 에이전트와 디지털 직원을 실제로 돌린다면
아래 필드명, 설정값, 수량은 실제로 돌릴 때 필요한 것을 새로 쓴 가상 예시입니다.
창고 최적화 에이전트를 돌리려면 배치 계산은 최적화 솔버에, 조율과 설명은 LLM에 맡깁니다. 다음 날 생산 주문을 BOM(자재 명세)으로 전개해 자재별 예상 피킹 횟수를 냅니다. 자재마다 ‘예상 피킹 횟수 × 옮겼을 때 줄어드는 거리’로 점수를 매기고, 솔버가 이동 상한 안에서 어느 자재를 어느 위치로 옮길지 정합니다. LLM은 실행 창을 확인하고, 솔버 결과를 사람이 읽을 이동 사유로 풀어 쓰고, 예외를 담당자에게 넘깁니다. 실행 창은 WMS에 열린 피킹 작업이 0건인 시간으로 잡고, 작업이 생기면 바로 멈춥니다. 하룻밤 이동 상한은 셔틀·크레인 처리 능력의 70% 안팎에서 시작합니다. 이동 지시는 아래 JSON처럼 내보냅니다.
{
"run_id": "slot-2026-11-16",
"window": {"start": "00:30", "end": "05:30", "open_pick_tasks": 0},
"moves": [
{"sku": "MAT-10482", "from": "A-17-03", "to": "A-02-01",
"expected_picks_tomorrow": 46, "distance_saved_m": 38,
"reason": "내일 라인 3·5 주문에 반복 사용"}
],
"move_cap": 800,
"locked_locations": ["B-04-*"],
"kpi": {"metric": "monthly_pick_distance_m", "baseline_m": 400000}
}
디지털 직원은 역할 카드 한 장으로 정의합니다. ZTE처럼 디지털 직원을 ‘명’으로 세려면 자리마다 범위와 권한이 정해져 있어야 합니다. 카드에는 agent_id, role(생산 계획·주문 흐름·제품 전 주기 중 하나), inputs(읽는 시스템), tools(호출하는 API), permissions(read, write, approve를 나눠 적음), human_owner(책임지는 사람), escalation(사람에게 넘기는 조건), kpi, daily_token_budget를 둡니다. write 권한은 사람 승인 단계를 거치게 하고, 카드가 없는 에이전트는 운영 환경에 올리지 않습니다.
토큰 사용량은 디지털 직원과 시나리오 태그로 나눠 계량합니다. 모델 호출마다 agent_id, scenario(예: supply_chain), task_id, tokens_in, tokens_out, outcome(완료·사람 이관·실패)을 남깁니다. 대시보드는 하루 총량과 함께 ‘완료된 일 한 건당 토큰’을 보여 줍니다. 전날보다 30% 넘게 늘었는데 완료 건수가 그대로면 같은 일을 되풀이하는 루프를 의심합니다. 공급망에서만 하루 90억 개를 쓰는 규모라면 이 단위 원가가 예산 판단의 기준이 됩니다.
멍뉴식 진료 에이전트는 문진 필드를 고정하고 근거 출처를 붙입니다. 기사에 나온 증상(사료 섭취, 체온, 산유량)을 1턴의 필수 필드로 두고, 빠진 값이 있으면 에이전트가 되묻습니다. 2턴에서는 진료 방안과 함께 근거가 된 서적의 장·절, 현장 경험 카드 번호, vet_review_required(수의사 확인 필요 여부)를 냅니다. 같은 증상을 temperature 0으로 3회 넣어 방안이 갈리면 사람에게 넘깁니다. 실무 경험은 검토자가 승인한 질문·답 카드로만 넣어, 출처가 불분명한 조언이 섞이지 않게 합니다.
기사가 든 보안 위험은 권한 설계로 막습니다. 기사는 개인정보 유출, 권한 밖 작업, 행동 통제 상실을 대규모 도입의 제약으로 꼽았습니다. 기본 권한은 읽기 전용으로 두고, 설비나 주문을 바꾸는 호출은 역할 카드에 적힌 범위 안에서만 허용합니다. 한 과업의 최대 단계 수(예: 20단계)와 중지 스위치를 두고, 모든 호출을 감사 로그에 남깁니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 밤사이 주문 변경 | 아침에 생산 주문이 바뀌어 재배치가 헛수고가 됨 | 확정 주문만 입력, 변경률을 주간으로 재서 실행 창 조정 |
| 낮 작업과 충돌 | 재배치 중 긴급 피킹 발생 | 열린 피킹 작업이 생기면 즉시 중단, 남은 이동은 다음 날 밤으로 |
| 토큰 급증 | 완료 건수는 그대로인데 사용량만 늘어남 | 일 한 건당 토큰 경보, 같은 task_id 반복 호출 차단 |
| 진료 방안 편차 | 같은 증상에 다른 방안 | 3회 실행 불일치 시 수의사 이관, 근거 출처 첨부 |
현업 실행 디테일: 누가, 언제, 무엇을
아래 역할, 일정, 기준은 ZTE 사례를 참고해 새로 짠 가상 예시입니다.
| 역할 | 맡는 일 |
|---|---|
| 공장장·SCM 리더(스폰서) | 시범 창고 선정, 확대 여부 최종 결정 |
| 창고 운영 책임자 | 실행 창 시간 확정, 이동 상한 승인, 낮 작업 영향 확인 |
| 생산계획 담당 | 다음 날 주문 확정 시각 약속, 주문 변경률 공유 |
| WMS·IT 엔지니어 | 주문·위치·피킹 이력 연결, 이동 지시 연동 |
| AI 엔지니어 | 점수·솔버 구성, 역할 카드와 토큰 계량 구현 |
| AX 추진 | 디지털 직원 목록 관리, 업무 지표와 토큰 대시보드 보고 |
준비물. 최근 3개월 피킹 이력과 위치별 출고 지점까지 거리, 자재 마스터와 BOM, 다음 날 생산 주문이 확정되는 시각, 설비별 시간당 처리 능력, 현재 월 피킹 거리 기준값이 필요합니다. 첫 주에 에이전트가 읽고 쓸 수 있는 시스템 범위를 정보보안과 정합니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 현황 측정, 실행 창과 이동 상한 확정, 역할 카드 작성 | 월 피킹 거리 기준값, 역할 카드 |
| 3~4주 | 데이터 연결, 점수·솔버 구성 | 자재별 점수표, 이동 계획 초안 |
| 5~6주 | 섀도 실행(계획만 내고 사람이 검토), 이후 일부 구역 실제 이동 | 일별 이동 지시, 토큰 로그 |
| 7~8주 | 효과 판정, 확대 범위 결정 | 전후 비교표, 확대 보고 |
창고 운영 책임자에게 물을 것.
- 피킹 작업이 확실히 없는 시간대는 몇 시부터 몇 시까지인가요?
- 다음 날 생산 주문은 몇 시에 확정되고, 그 뒤 얼마나 자주 바뀌나요?
- 옮기면 안 되는 자재나 위치(위험물, 대형 부품)는 무엇인가요?
- 하룻밤에 설비가 감당할 수 있는 이동 횟수는 몇 회인가요?
- 재배치가 틀렸을 때 누가 되돌리나요?
진행 판정 기준(예시). 시범 구역의 월 환산 피킹 거리가 기준값보다 20% 이상 줄고 재배치 때문에 생긴 낮 작업 지연이 0건이면 창고 전체로 넓힙니다. 10~20%면 점수식과 이동 상한을 고쳐 4주 더 봅니다. 10% 미만이면 주문 변경률과 실행 창부터 다시 점검합니다.
AX 적용 제언. 자동 창고나 부품 창고를 가진 국내 제조사라면 ZTE의 야간 재배치를 첫 과제로 삼기 좋습니다. 사람이 일하지 않는 시간에 돌아서 현장 반발이 적고, 피킹 거리라는 숫자 하나로 효과가 바로 드러납니다. 그다음에는 에이전트를 디지털 직원 목록으로 관리하고 자리마다 사람 책임자를 붙입니다. 도입은 늘어도 수익을 낸 곳은 적다는 조사를 생각하면, 토큰 사용량과 업무 지표를 한 화면에서 같이 보는 장치가 경영 보고의 기본이 됩니다. 멍뉴처럼 현업 전문가가 직접 도구를 만들게 하려면, 지식 출처 승인과 권한 범위를 정한 플랫폼을 먼저 깔아 둡니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | 신화통신 「中国经济看“新”」 연재 기사, 저우위안·왕보·리리커 기자. 중국어판 11.12 베이징발, 한국어판 2026.11.14 |
| ZTE 난징 빈장 기지 | 보관 위치 10만여 개 입체 창고, 4방향 셔틀·리프트·스태커 크레인. 창고 최적화 에이전트로 월 피킹 거리 40만여 m → 16만 m. 디지털 직원 80여 명(생산 계획·주문 흐름·제품 전 주기 관리). 공급망 토큰 하루 90억 개 이상, 계속 증가 |
| 멍뉴 목장 | 원료사업부 직원 왕궈인이 Tencent WorkBuddy로 진료 도구 제작(코딩 경험 없음). 두 차례 대화로 진료 방안, 목장 한 곳 진료 1.5일 → 2시간 |
| 우한 차오커우구 | 바이두 다쯔가 정책·규칙 기반 답변, 요구 분류, 작업지시서 생성·배정 |
| 누비아 AI폰 | 음성 한 마디로 시간·목적지 파악, 차량 호출 서비스·차종·경로 선택. 초기 검증 단계 |
| 시장 지표 | 기업 에이전트 도입률 17.3%(2024년 말) → 40.3%(2026년 상반기), 조사 기관 미기재. AI 네이티브 앱 월간 활성 사용자 4억 9,900만 명(2026년 상반기, 전년 대비 85.4% 증가) |
| 정책 | 정부 업무보고에 에이전트 첫 언급, 3개 부처 실시 의견(대표 시나리오 19개), 에이전트 상호연결 국가표준 7종, 2030년까지 차세대 스마트 단말·에이전트 보급률 90% 이상 목표 |
| 과제 | KPMG 2026 글로벌 기술 보고서: 응답 기업 88% 통합, 24% 투자 수익. 긴 과업 안정성, 핵심 업무 진입, 개인정보 유출·권한 밖 작업·통제 상실 위험 |
| 인물 | 저우젠펑(ZTE 부총재), 천시(국가발전개혁위원회 거시경제연구원), 우허취안(중국공정원 원사), 중신룽(싸이디연구원 인공지능연구센터 부연구원) |
핵심 개념
- 库位(보관 위치)
- 창고 선반에서 자재 한 단위를 두는 칸입니다. 어떤 자재를 어느 칸에 두느냐가 피킹 거리를 정합니다.
- 피킹(拣选)
- 주문이나 생산에 필요한 자재를 보관 위치에서 꺼내 오는 작업입니다.
- 스태커 크레인(堆垛机)
- 입체 창고의 통로를 오가며 높은 선반에 화물을 넣고 꺼내는 자동 설비입니다.
- 4방향 셔틀(四向穿梭车)
- 선반 층 안에서 앞뒤좌우로 움직이며 화물을 나르는 자동 운반차입니다.
- OpenClaw
- 연초 중국에서 열풍을 일으켰다고 기사가 소개한 오픈소스 에이전트입니다.
- 网格员(격자 담당자)
- 지역을 작은 구역으로 나눠 맡아 주민 요구를 받고 처리하는 중국 지방 행정의 현장 담당자입니다.
내 메모
TODO: 내 생각 추가
원문은 신화통신의 ZTE 난징 디지털 직원 기사(신화망 한국어판, 2026.11.14)입니다. 한국어판 주소는 이 작업 환경에서 열리지 않아, 같은 신화통신 기사의 중국어판 「智能体加速落地,“数字员工”走进千行百业」(저우위안·왕보·리리커, 11.12 베이징발, 중국신문망 2026.11.13 게재, https://www.chinanews.com.cn/cj/2026/11-13/10731570.shtml)을 읽고 썼습니다. 인명·기관명의 한국어 표기는 중국어판을 기준으로 옮겨 한국어판과 다를 수 있습니다. 중국 관영 매체의 동향 기사이며 기업 수치는 회사나 기사가 밝힌 값입니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 피킹 거리 감소율(60% 남짓)과 1.5일의 36시간 환산은 기사 수치로 계산한 값입니다. 기술·현업 디테일, JSON 예시, 역할·일정·질문·판정 기준, 인포그래픽과 표는 실제로 돌릴 때 필요한 것으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.