엑셀에서 신경망까지: AI가 생산 계획을 변화시키는 방식과 완전 자율화의 시점

생산 계획 분야의 인공지능(AI)은 인간을 대체하는 도구에서 인간의 능력을 보강하는 강력한 보조 수단으로 진화하고 있다. 프라운호퍼 연구소(Fraunhofer Institute) 연구진이 제시한 '디지털 플래닝 패널' 개념이 이를 잘 보여주는데, 알고리즘이 수천 개의 숨겨진 제약 조건을 검토해 최적의 일정을 제시하지만 최종 결정은 여전히 인간의 몫으로 남는다. 러시아에서는 스콜코보 재단(Skolkovo Foundation)과 디지털 경제 비영리조직(Digital Economy ANO)의 공동 연구를 통해 생성형 AI에 대한 신중한 관심이 드러났다. 주요 걸림돌로는 직원들의 저항(약 절반의 기업이 지목), 낮은 데이터 품질, 투자수익률(ROI, Return on Investment) 평가 및 정보 보안상의 어려움 등이 꼽혔다. 이러한 어려움에도 불구하고 엔지니어들은 생성형 모델과 생산 네트워크의 그래프 표현을 결합하고, 대형언어모델(LLM, Large Language Model)을 활용해 비정형 질의를 해석하며, 수학적 선형계획법을 적용하는 하이브리드 시스템을 구축하고 있다. 대표적 사례인 'AI-칸토로비치(AI-Kantorovich)' 시스템은 화장품 생산 파일럿 프로젝트에서 계획 수립 시간을 2~3분으로 단축하고 비용을 3% 이상 절감했다. 스콜코보 연구진은 대규모 전환을 예측한다. 1~2년 내에는 시나리오 분석을 위한 적응형 모델이, 2~3년 내에는 디지털 트윈을 활용한 고정밀 모델이, 3~5년 내에는 산업별 솔루션과 역량 센터가 등장할 것이라는 전망이다. 실제 적용 사례도 다양하다. US Steel과 Google의 MineMind는 장비 가동 중단 시간을 20% 줄였고, Botswana Diamonds는 380GB에 달하는 지질 데이터에서 7곳의 새로운 다이아몬드 매장 후보지를 발견했다. Severstal의 AI 챗봇은 유지보수 감사 시간을 60인일(person-day)에서 단 하루로 단축했으며, NLMK의 AI 어시스턴트는 소프트웨어 개발 속도를 53% 향상시켰다. SIBUR와 Sber는 디지털 모델링을 통해 신소재 폴리머를 설계하고 있고, Tatneft와 ITMO가 공동 개발한 '아켈라(Akela)' 어시스턴트는 계획 효율을 30% 높이고 노동력을 16~20배 절감했다. Rolls-Royce는 합금 개발 과정에서 물리적 실험을 90% 줄였으며, LEAP 71은 신경망이 설계한 에어로스파이크(Aerospike) 로켓 엔진을 단 3주 만에 시험했다. Siemens의 산업용 코파일럿은 유지보수 시간을 최대 25% 절감했고, Rosneft와 ITMO는 북극 항만 개념 설계 기간을 10분의 1로 단축했다. DOM.RF와 Rocket Group은 매일 20개 이상의 개발 콘셉트를 생성하고 있다. 이러한 내용을 보고한 Creative Way사는 가장 큰 병목 현상이 역량 부족과 정제되지 않은 데이터에 있다고 지적하면서도, 바로 그 영역이야말로 프로젝트 시작 후 몇 개월 내에 투자 대비 성과를 회수할 수 있는 가장 빠른 성장 기회를 제공한다고 보고 있다.