사상 리더

공급망에서 생성형 AI의 역할

Gurdip Singh
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트생성형 AI는 방대한 구조화 및 비구조화 데이터를 처리함으로써 복잡한 다중 계층 공급망의 디지털 모델을 생성할 수 있습니다.
더 보기
  • 생성형 AI는 방대한 구조화 및 비구조화 데이터를 처리함으로써 복잡한 다중 계층 공급망의 디지털 모델을 생성할 수 있습니다.
  • 기업 특화 데이터로 생성형 AI를 미세 조정하는 것은 일반 모델이 고유한 공급망 상황을 해결할 수 없기 때문에 필수적입니다.
  • 생성형 AI는 직원 교육 가속화 및 반복적 의사결정 지원 업무 자동화를 통해 인력 부족 문제를 해결합니다.

2020년 공급망 차질이 이사회에서 자주 논의되었듯 생성형 AI는 2023년의 뜨거운 화제가 되었습니다. OpenAI의 ChatGPT는 첫 두 달 만에 사용자 1억 명를 확보하여 역사상 가장 빠르게 채택된 소비자 애플리케이션이 되었습니다.

공급망은 방대한 데이터를 바탕으로 작동하고 또 생성하므로 생성형 AI를 적용하기에 어느 정도 적합합니다. 데이터의 종류·다양성·규모는 공급망 성과를 어떻게 최적화할지라는 이미 매우 복잡한 현실 문제를 더 어렵게 합니다. 생성형 AI의 활용 범위는 자동화 확대, 수요 예측, 주문 처리·추적, 기계 예지정비, 위험 관리, 공급업체 관리 등으로 넓습니다. 하지만 이 가운데 상당수는 예측형 AI에도 해당하며 이미 대규모로 채택·배포되었습니다.

이 글에서는 공급망에서 특히 생성형 AI에 적합한 몇 가지 활용 사례와, 투자 전에 공급망 책임자가 고려해야 할 주의점을 다룹니다.

의사 결정 지원

공급망에서 AI와 ML의 주된 목적은 의사 결정을 쉽게 하고 속도와 품질을 높이는 것입니다. 예측형 AI는 더 정확한 예측·전망, 아직 발견하지 못한 새로운 패턴, 방대한 관련 데이터를 통해 이를 수행합니다. 생성형 AI는 공급망 관리의 여러 기능 영역을 지원하여 한 걸음 더 나아갈 수 있습니다. 예컨대 관리자가 명확히 하기 위한 질문을 하고 추가 데이터를 요청하며, 영향 요인을 더 잘 이해하고 유사 상황의 과거 의사 결정 성과를 살필 수 있습니다. 즉 의사 결정에 앞선 실사·검토 과정을 훨씬 빠르고 쉽게 만듭니다.

또한 기반 데이터와 모델을 토대로 방대한 정형·비정형 데이터를 분석하고 여러 시나리오를 자동 생성하며 제시된 선택지에 따른 권고를 제공할 수 있습니다. 이는 관리자가 현재 하는 부가가치 없는 업무를 크게 줄여, 데이터 기반 의사 결정에 더 많은 시간을 쓰고 시장 변화에 더 빨리 대응하도록 돕습니다.

공급망 관리 인재 부족의 가능한 해법

최근 몇 년간 기업은 계획 담당자의 소진, 이직, 업무의 복잡성 때문에 신입 직원이 겪는 가파른 학습 곡선으로 공급망 인재 부족을 겪었습니다. 생성형 AI 모델을 기업의 표준 운영 절차, 업무 프로세스, 작업 흐름, 소프트웨어 문서에 맞게 조정하면 맥락에 맞고 관련성 있는 답변을 제공할 수 있습니다. 대화형 인터페이스는 지원 시스템과 상호작용하기 쉽게 하고 질문을 더 구체화할 수 있게 해, 올바른 정보를 찾는 시간을 더욱 줄입니다.

생성형 AI 기반 학습·개발 시스템과 의사 결정 지원을 결합하면 다양한 변화 관리 문제 해결을 앞당길 수 있습니다. 교육 시간과 필요한 실무 경험을 줄여 신입 직원의 적응도 가속할 수 있습니다. 더 중요하게는 소통·인지 능력 향상, 읽기·쓰기 지원, 개인 일정·정보 정리, 지속적인 학습·개발 지원을 통해 AI가 장애인의 역량을 강화할 수 있습니다.

어떤 이들은 앞으로 생성형 AI로 일자리가 줄어들까 우려하지만, 다른 이들은 반복 업무를 없애 전략적 업무의 여지를 만들어 일을 한 단계 높일 것이라고 봅니다. 한편 현재의 만성적인 공급망·디지털 인재 부족을 해결할 것으로도 전망됩니다. 따라서 이 기술과 함께 일하는 법을 배우는 것이 중요합니다.

디지털 공급망 모델 구축

공급망에는 회복탄력성과 민첩성이 필요하며, 이를 위해 기업 전반의 가시성이 있어야 합니다. 가시성을 확보하려면 공급망이 전체 네트워크를 «알아야» 합니다. 하지만 다단계(n-tier) 공급망 전체의 디지털 모델 구축은 비용이 지나치게 클 때가 많습니다. 대기업의 데이터는 수십·수백 시스템에 흩어져 있고 대기업 대부분은 500개 이상의 애플리케이션을 동시에 관리합니다. 여기에는 ERP, CRM, PLM, 구매·소싱, 계획, WMS, TMS 등이 포함됩니다. 이런 복잡성과 파편화 때문에 서로 다른 데이터를 논리적으로 모으기 매우 어렵습니다. 1·2차 공급업체를 넘어 더 아래 단계로 살피면 정형 데이터를 수집하기조차 어려워 문제가 커집니다.

생성형 AI는 마스터 데이터·거래 데이터·EDI 같은 정형 데이터와 계약서·청구서·스캔 이미지 같은 비정형 데이터를 방대하게 처리하고, 제한된 전처리만으로 패턴과 맥락을 파악할 수 있습니다. 패턴을 학습하고 확률 계산과 어느 정도의 인간 개입을 통해 다음의 논리적 출력을 예측하므로, 다단계 공급 네트워크를 더 충실히 반영하는 디지털 모델을 더 빠르고 대규모로 만들어 기업 간·기업 내 협력과 가시성을 최적화할 수 있습니다. 이 모델은 분쟁광물 식별, 환경적으로 민감한 자원·지역의 이용, 제품·공정의 탄소 배출 계산 등을 비롯한 ESG 활동도 지원하도록 확장할 수 있습니다.

생성형 AI는 혁신과 전략적 우위를 위한 큰 기회지만 고려해야 할 우려와 위험도 있습니다.

여러분의 공급망은 고유합니다

ChatGPT나 Dall-E 같은 일반적 생성형 AI는 방대한 공개 데이터로 훈련되어 폭넓은 과제에 성과를 내고 있습니다. 기업 공급망에서 능력을 제대로 활용하려면 해당 기업 데이터와 조직 특유의 맥락에 맞게 미세 조정해야 합니다. 즉 일반적으로 훈련된 모델을 그대로 쓸 수는 없습니다. 기존 전환 프로젝트를 방해하는 데이터 품질·통합·성능 문제는 생성형 AI 투자에도 영향을 미칩니다. 적절한 데이터 관리 솔루션이 미리 없으면 시간과 비용이 많이 드는 작업이 될 수 있습니다.

생성형 AI는 훈련 데이터의 패턴을 이해하는 데 의존합니다. 공급망 전문가가 지난 3년간 배운 것이 있다면 공급망에는 계속 새로운 위험과 전례 없는 기회가 찾아온다는 점입니다.

보안과 규제

생성형 AI 모델은 패턴과 맥락을 이해할 방대한 훈련 데이터에 접근해야 합니다. 그러나 사람 같은 인터페이스는 사용자 사칭, 피싱 등 보안 문제로 이어질 수 있습니다. 모델 훈련을 위한 접근을 제한하면 성능이 저하될 수 있지만, 공급망 데이터에 무제한 접근을 허용하면 중요하고 민감한 정보가 권한 없는 사용자에게 공개되는 보안 사고가 발생할 수 있습니다.

도입이 확대되고 새로운 활용 사례가 나오는 상황에서 각국 정부가 앞으로 어떻게 규제할지도 불분명합니다. 여러 AI 전문가는 AI가 초래하는 위험을 우려하며, 기술 책임자와 정책 입안자가 안전을 위한 규칙과 규제를 정할 때까지 거대 AI 실험을 멈춰 달라고 정부에 요청했습니다.

생성형 AI는 기술을 활용해 인간의 독창성·창의성·의사 결정 능력을 증폭할 수 있는 조직에 풍부한 개선 기회를 줍니다. 다만 공급망 활용에 맞춰 명시적으로 설계·훈련된 모델이 나오기까지는 균형 잡힌 투자 접근이 최선입니다.

적절한 보호 장치를 마련해 AI가 업무 프로세스와 목표에 맞는 최적화된 계획들을 제시하고, 사용자가 검토·선택하도록 하는 것이 현명합니다. 업무 실행 지침인 «비즈니스 플레이북»과 생성형 AI를 결합하는 기업은 원하는 사업 성과를 최적화하면서 팀의 계획·판단·실행 역량을 가장 잘 높일 수 있습니다. 새 기술에 투자하기 전에는 확실한 사업 타당성, 데이터·사용자 보안, 측정 가능한 사업 목표도 고려해야 합니다.

Gurdip Singh는 Blue Yonder의 최고 제품 책임자로 재직합니다. 이 역할에서 그는 Blue Yonder의 제품 및 플랫폼 전략, 제품 로드맵, 제품 마케팅 기능을 담당합니다. 그는 그의 팀과 함께 Blue Yonder가 세계의 공급망 운영 시스템을 만들 수 있도록 도울 전략을 정의하고 있습니다.