Executive Summary
지난 몇 년간 팬데믹과 지정학 리스크, 수요의 급변이 겹치며 시장 변동성은 일상이 됐습니다. 그러면서 계획 조직의 진짜 병목이 드러났습니다. 신호는 넘쳐났지만, 그것을 실행 가능한 결정으로 바꾸는 속도가 따라가지 못했습니다.
속도가 성과를 좌우한다는 점은 연구로도 뒷받침됩니다. 변동성에 신속히 대응하는 공급망 민첩성이 기업 성과와 뚜렷한 정(正)의 상관을 보인다는 사실이, 63개 실증연구, 1만 4천여 개 기업을 종합한 메타분석에서 확인되고 있습니다[1]. 이는 민첩성이 곧 성과로 이어진다는 것을 데이터를 통해 인지할 수 있음을 의미합니다.
이러한 문제의식에서 출발한 개념이 "Decision-Centric Planning(의사결정 중심 계획, 이하 DCP)"입니다. 계획의 출발점을 지금 가장 중요한 의사결정에 두고, 그 결정을 가장 잘 내리기 위해 프로세스를 거꾸로 설계하자는 발상입니다.
DCP는 한동안 애널리스트의 블로그와 일부 벤더의 마케팅 언어에 머물던 개념이었으나, 2026년 들어 시장의 실제 움직임으로 나타나기 시작했습니다. 주요 공급망 계획 솔루션 벤더들은 거의 동시에 "의사결정 중심"을 전면에 내건 제품과 비전을 내놓았습니다. 이는 DCP 전환이 실제 진행되고 있음을 알리는 신호로 해석될 수 있습니다.
본 리포트에서는 이 전환이 지금 어디까지 왔는지, 기술과 벤더 지형은 어떻게 재편되고 있는지, AI 붐 속에서 (AI에 대한) 과장된 기대는 어떻게 걸러내야 하는지를 국내 SCM·IT 의사결정자의 시선에서 짚어 보려 합니다.
전통적인 계획은 정해진 절차를 따라갑니다. 월간 S&OP(판매·운영계획) 회의가 열리고, 수요와 공급을 맞추고, 다음 회의까지 그 계획을 유지합니다. 문제는 현실이 회의 일정을 기다려 주지 않는다는 데 있습니다.
DCP는 이 순서를 뒤집는 개념입니다. 무슨 절차를 밟을지가 아니라 지금 가장 중요한 결정이 무엇인지를 먼저 묻고, 그 결정을 중심으로 데이터와 프로세스를 끌어옵니다. 일부 전문가들은 이를 정적이고 사일로화된 배치 중심 계획에서, 컴포저블하고 지속적이며 통합된 의사결정 중심 계획으로의 전환이라고 정의합니다.
이 전환을 떠받치는 운영 역량은 하나의 의사결정 루프로 설명할 수 있습니다. 먼저 공급망 이벤트를 실시간으로 감지합니다. 그 사건이 비용·서비스·리스크에 미치는 영향을 정량화하고, 다음 회의를 기다릴지 지금 결정할지를 달력이 아니라 영향의 크기로 판단합니다. 판단이 서면 정해진 절차에 얽매이지 않고 상황에 맞게 계획을 다시 수립합니다. 이는 감지에서 실행까지가 끊김 없이 맞물려 도는 구조로 볼 수 있습니다.
국내 제조·유통 기업의 계획 관행은 여전히 월간·주간 회의 사이클에 깊이 묶여 있습니다. 그러나 DCP가 던지는 질문은 의외로 단순합니다. "우리 조직의 어떤 결정이 정해진 회의 주기를 벗어나, 사건의 크기에 따라 즉시 내려져야 하는가." 이 질문에 답하는 것만으로도 어디서부터 계획을 다시 설계해야 하는지가 보이기 시작합니다.
에이전틱 AI 역할 중 하나인 자율 에이전트는 신호를 감지하고 대안을 제시합니다. 필요하면 일부 결정은 직접 실행하기도 합니다. 디지털 트윈은 실제 공급망을 가상으로 복제해 시나리오를 검증하고, 생성형 AI는 플래너가 자연어로 시스템과 대화하게 해 줍니다. 이런 기술들이 DCP의 발판을 빠르게 다지고 있습니다.
시장 전망도 같은 방향을 가리키고 있습니다. 공급망·물류 영역의 에이전틱 AI 시장은 2026년 약 99억 달러에서 2031년 178억 달러 규모로 커질 것으로 추정되고 있으며, 더 넓은 엔터프라이즈 에이전틱 AI 시장은 2030년 400억 달러대에 이를 것이라는 전망도 있습니다[2]. 도입 속도도 가파릅니다. 생성형 AI를 쓰는 기업 가운데 에이전틱 AI 파일럿을 가동하는 비중이 2025년 25%에서 2027년 절반 수준으로 늘 것이라는 예측이 있으며, 한 조사에서는 응답 기업의 74%가 2027년까지 AI 에이전트를 최소 "중간 수준" 이상으로 활용하겠다고 답했습니다[3]. 다만 추정 기관마다 성장률 편차가 크니, 절대값보다 "빠른 확산"이라는 방향성으로 읽는 편이 적절합니다.
기술의 발전 속도와는 별개로, 시장에는 에이전트 역량을 실제보다 부풀리는 과장 마케팅에 대한 경계가 필요합니다. 현재 대부분의 에이전트 기능은 질의 해석과 추천, 대화형 지원 수준에 머물러 있습니다. 계획을 자동 생성하고 최적안을 스스로 선택해 끊김 없이 실행하는 진정한 자율 계획이 가까운 시일 안에 완성된다는 주장은, 아직 그대로 받아들이기에는 시기상조라 할 수 있습니다.
과장된 기대와 실제 성과의 간극은 이미 여러 조사에서 드러나고 있습니다. BCG가 1,250개 기업을 조사한 결과, AI에서 의미 있는 가치를 규모 있게 실현한 기업은 5%에 그쳤고, 60%는 상당한 투자에도 뚜렷한 성과를 내지 못했습니다[4]. MIT 연구진의 분석에서도 기업의 생성형 AI 파일럿 가운데 약 95%가 손익에 측정 가능한 효과를 내지 못한 채 정체된 것으로 나타났습니다. 대다수 기업은 도구를 들였지만 일하는 방식은 크게 바꾸지 못하고 있습니다.
솔루션 벤더가 E2E(End-to-End) 자율 계획을 약속할 때, 기업은 그 주장을 실증으로 되물어야 합니다. 실제 터치리스(무인 처리) 비율은 얼마이고, 어떤 부분 및 어느 영역까지 자동화되어 있는지를 확인해야 합니다. 거기에 그 근거를 설명할 수 있는지까지 반드시 확인해야 합니다.
AI 도입에 대한 기대와 현실의 간극은 공급망에서도 나타납니다. WEF(세계경제포럼)가 소개한 BearingPoint 조사(유럽·미국·중국 임원 620명)에서 90% 이상이 AI가 2030년까지 공급망을 크게 바꿀 것이라 기대했지만, AI 기반 계획·오케스트레이션을 전면 통합한 기업은 8%에 그쳤습니다[5]. 이는 공급망에 국한된 현상도 아닙니다. Accenture가 2,000개 기업을 조사한 결과, AI를 전사적으로 확장할 역량을 갖춘 "reinvention-ready" 기업은 15%에 불과했습니다[6]. 이는 투자 의지는 높지만 이를 뒷받침할 운영 모델은 대다수 조직에서 아직 마련되지 않은 것으로 분석할 수 있습니다.
2026년 상반기에는 주요 벤더들의 발표가 몇 주 간격으로 이어졌습니다. 공통점은 한결같이 "의사결정"을 전면에 내걸었다는 점입니다.
| 벤더 | 2026년 상반기 핵심 행보 | 강점 영역 |
|---|---|---|
| OMP | AI 오케스트레이션 프레임워크 UnisonIQ(2025.10)를 방법론으로 브랜딩한 Unison Decision-Centric Planning 발표(2026.3)[7] | 화학·생명과학 등 프로세스 제조 |
| Kinaxis | 노코드로 에이전트를 구성하는 Maestro Agent Studio 출시(2026.2)[8] | 실시간 동시(同時) 계획 |
| Blue Yonder | 역할별 AI 에이전트(2026.3)에 이어 ICON 2026에서 인지형(Cognitive) 솔루션을 생산계획·스케줄링으로 확장[9] | 대형 유통·실행 통합 |
| o9 | 지식그래프 기반 "Digital Brain"에 생성형 에이전트 결합[10] | 지식그래프 기반 통합 계획 |
| SAP | 공급망 전용 Joule 에이전트 출시 후 Sapphire 2026에서 "자율 기업(Autonomous Enterprise)" 비전 공식화[11] | ERP 통합·전사 프로세스 |
| ToolsGroup | 차세대 에이전틱 플랫폼 Decion 발표(2026.5), "Self-steering" 공급망 지향[12] | 수요예측·재고 최적화 자동화 |
이와 같은 발표를 통해, 우리는 어느 한 기업의 전략이 아니라 시장 전체가 의사결정 중심이라는 한 방향으로 수렴하고 있다는 점에 집중할 필요가 있습니다. 물론 이 발표들 역시 앞서 언급한 과장 마케팅의 잣대로 어느 정도는 정제하여 받아들여야 합니다. 다만 개별 기능의 성숙도와는 별개로, 주요 벤더들의 투자와 포지셔닝이 DCP 한곳을 가리킨다는 사실은 하나의 유의미한 시장 신호로 볼 수 있습니다.
각 벤더가 강조하는 차별점도 다릅니다. OMP는 화학·생명과학 같은 프로세스 제조의 복잡성에 대한 깊이, Kinaxis는 실시간 동시 계획, Blue Yonder는 대형 유통·실행 통합, o9는 지식그래프 기반 통합 계획에 강점을 두고 있습니다. 단일한 승자는 없으며, 적용 산업이 이산(Discrete)이냐 프로세스(Process)냐에 따라 선택의 출발점이 서로 달라지게 됩니다.
벤더 지형이 빠르게 재편되는 시기에는 기능 목록을 비교하는 것보다, 우리 공급망의 핵심 의사결정에 어떤 벤더가 가장 잘 맞는지를 먼저 따져야 합니다. 따라서, 벤더를 고를 때 가장 먼저 볼 것은 산업 적합성입니다. 우리 산업의 계획 난제를 다뤄 본 깊이가 있는지를 봐야 하는데, 반도체·디스플레이처럼 이산과 프로세스의 경계에 걸친 공정이라면 특히 그렇습니다. 솔버(Supply Chain Planning Solver)의 깊이도 빼놓을 수 없습니다. 제약 조건이 복잡한 대규모 계획을 실제로 풀어내는 최적화 엔진의 성능과 수행속도는 벤더 선택 시 여전히 가장 중요한 항목 중 하나입니다. 실증 레퍼런스 역시 중요합니다. 화려한 약속이 아니라 실제 도입 사례와 터치리스 비율로 증명되는지도 확인해 봐야 합니다. 끝으로 통합 부담, 즉 기존 기업이 보유한 레거시 시스템인 ERP·MES·SRM등과 얼마나 매끄럽게 연결되느냐 또한 중요한 점검 포인트가 될 수 있습니다.
BCG가 2026년 내놓은 공급망 계획 보고서의 제목은 "왜 AI만으로는 충분하지 않은가"였습니다. 보고서에 따르면 AI에서 눈에 띄는 성과를 낸 리더 조직은 50% 이상의 생산성 향상을 달성한 반면, 기술 도입을 앞세운 조직은 구현 비용까지 따지면 한 자릿수 또는 마이너스 수익에 그쳤습니다[14]. Capgemini 조사에서도 공급망·조달을 포함한 운영 기능에서 26~31%의 AI 비용 절감이 확인되는 만큼, 성과의 잠재력 자체는 분명합니다[15]. BCG는 이러한 차이의 원인을 기술이 아니라 플래너 역량의 적용 방식과 워크플로우 재설계에 있다고 판단하고 있습니다 [14].
BCG가 제시하는 핵심 원칙은 기술을 배치하기 전에 워크플로우를 다시 설계하라는 것입니다[16]. 어떤 결정을 AI에 맡기고(일상적 재주문, 표준 할당, 예측 가능한 수요 변동) 어떤 결정을 사람이 쥘 것인지(신제품 출시, 공급사 관계, 전략적 네트워크 변경)를 먼저 구분해야 합니다. 운영 모델 측면에서는 AI가 자율적으로 모니터링·이상 탐지·권고를 수행하고 사람은 승인과 통제를 맡는 “human-in-the-loop에서 human-on-the-loop으로”의 전환을 제시하고 있습니다[17].
이러한 변화 속에서 플래너의 역할은 사라지지 않고 오히려 더 중요해집니다. 이는 플래너가 단순히 계획을 수립하고 실행을 모니터링하는 영역을 뛰어넘어, 데이터를 인사이트로 바꾸고 정량 지표와 AI를 인간의 판단과 융합하는 “의사결정 설계자(decision-shapers)”가 되어야 함을 의미합니다. 다만 역할 구성과 역량 수준의 재정의는 불가피합니다.
변화관리와 업스킬링이 도입 ROI를 가른다는 점은 여러 조사에서 발견할 수 있습니다. 앞서 본 BCG 조사에서, AI로 실제 가치를 낸 상위 5% 기업의 차별점은 기술에 있지 않았습니다. 내부 인력의 절반 이상을 대상으로 한 광범위한 업스킬링, 그리고 워크플로우 재설계에 차별점이 있다고 할 수 있습니다[4]. 뒤집어 말하면, 도구만 들이고 사람과 프로세스를 바꾸지 못한 다수는 여전히 성과의 문턱을 넘기 어려울 것으로 예상할 수 있습니다. ERP·MES·SRM이 복잡하게 얽힌 기업 환경에서 AI 에이전트를 기존 시스템에 그냥 덧붙인다면, 앞서 본 "성과 없이 좌초하는" 다수에 합류할 가능성이 높습니다. 따라서 운영 결정과 관련된 작은 파일럿에서 시작해 워크플로우를 재설계하며 단계적으로 넓히는 것이 현실적인 출발점이 될 수 있습니다.
삼성·LG·SK·현대의 2026년 조직 개편에는 공통점이 있습니다. AI 전환(AX)을 전략 중심에 두면서, 실행 무대를 스마트팩토리와 AI 공장으로 잡았다는 점입니다. 앞서 본 "시장의 수렴"이 글로벌 벤더의 발표라면, 그에 호응하는 수요측 신호가 바로 이 국내 흐름입니다. 국내 대기업은 DCP라는 용어를 거의 쓰지 않으면서도, 그 본질만큼은 빠르게 실행하고 있습니다.
삼성전자는 2026년 3월, 2030년까지 국내외 생산 공장 전체를 "AI 자율공장"으로 전환하겠다고 발표했습니다. 품질·생산·물류 AI 에이전트가 공급망 상황을 종합 분석해 최적 생산 계획을 자동으로 수립하고, 이상이 생기면 자동 대응하며, 전 공정에 디지털 트윈을 적용한다는 구상입니다[19]. 삼성SDS는 2026년 4월 Cello Square Conference에서 “에이전트 AI 공급망 시대”를 선언하며 자율 의사결정 Control Tower, 디지털 트윈, 그리고 탄소·리스크·기회비용까지 반영한 토털 코스트(Total Cost) 기반 의사결정을 3대 축으로 제시했습니다[20]. SK하이닉스는 2026년 6월 NVIDIA와 다년 파트너십을 맺고 Omniverse 기반의 반도체 팹 디지털 트윈으로 자율 운영 역량 고도화를 목표로 협력을 확대하고 있습니다.[21]
LG와 현대차그룹의 방향도 다르지 않습니다. LG CNS는 스마트팩토리 통합 브랜드 "팩토바(Factova)"를 앞세워 2026년 5월 북미 제조 AX 시장 공략을 공식화했고, 현대차그룹은 같은 달 AI가 생산·품질·물류를 하나의 소프트웨어로 통합 제어하는 "소프트웨어 중심 공장(SDF)" 전담 조직을 신설했습니다.
이 사례들은 용어는 다르지만 지향점은 큰 틀에서 DCP와 동일한 구조를 가지고 있습니다. 실시간 감지, 영향 평가, 임팩트 기반 대응, 모듈화된 의사결정 등 한국의 선도 기업들은 이미 DCP 중심의 현장으로 변화되고 있음을 알 수 있습니다. 국내 추진의 무게중심이 아직 공장·생산 운영에 있는 만큼, 같은 역량을 수요·공급 계획 전반으로 넓히는 과제는 아직 남아 있습니다. 결국, 한국 제조의 강점(반도체 팹의 디지털 트윈, 정밀한 공정 제어, EMRO 같은 국내 SRM 생태계 등)과 글로벌 SCP(Supply Chain Planning) 솔루션을 DCP를 중심으로 한 그림 안에서 설계할 수 있느냐가 기업 변화와 성장의 속도를 좌우할 것으로 예상됩니다.
DCP 적용을 위한 전략 과제는 많습니다. 그러나 모든 것을 한 번에 시작할 수는 없습니다. 국내 기업의 환경과 특수성을 고려해, 실행 가능한 출발점을 네 단계 로드맵으로 제시합니다.
1단계 · Decision Inventory(의사결정 목록화): 우리 조직의 계획 의사결정을 빠짐없이 작성 및 정리하고, 그중 정해진 회의 주기를 벗어나 사건의 크기에 따라 즉시 내려져야 하는 결정을 구분합니다.
2단계 · Decision Mapping(자동화 경계 설정): 각 결정을 위험도와 반복성에 따라 분류합니다. 재고 보충이나 발주 파라미터처럼 반복적이고 저위험인 결정은 자동화 후보로, 신제품 출시·공급사 관계·전략적 네트워크 변경처럼 고위험인 결정은 사람을 중심으로 두고 AI를 보조로 둡니다.
3단계 · Automation(점진적 자동화와 기반 정비): 기술을 배치하기 전에 워크플로우를 먼저 재설계하고, 데이터와 레거시, 인재라는 세 기반을 정비합니다. 소프트웨어 라이선스에 쓰는 비용만큼을 직원 교육과 일하는 방식의 재설계에도 투자해야 합니다. 이벤트를 실시간으로 감지하려면 마스터 데이터 정비와 내·외부 데이터 통합이 선행되어야 하며, 기존 시스템에 에이전트를 덧붙이기보다, 업무 범위에 따라 새 워크플로우로 재설계하는 편이 유리할 수 있습니다.
4단계 · Human Guardrail(가드레일과 검증): 자동화가 넓어질수록 사람의 역할은 승인·통제·예외 처리로 이동합니다. AI가 실수하거나 잘못된·부적절한 결정을 내리지 않도록 사람이 충분한 역할을 해야 합니다. 아울러 벤더를 평가할 때는 완전 자동화와 같은 과장 마케팅을 경계하며, E2E 간 자율 운영 주장은 실증 사례와 실제 자동화 수준, 설명 가능성으로 반드시 검증해야 합니다.
위 단계를 관통하는 원칙은 작게 시작하되 구조를 먼저 보는 것입니다. 파일럿은 작게, 그러나 그 파일럿이 어떤 워크플로우·권한·감사 체계 위에서 돌아가는지는 처음부터 크게 그려야 합니다. 아울러 이벤트 감지부터 결정·실행까지 걸리는 리드타임, 계획 결정 가운데 사람 손을 거치지 않고 처리되는 비율처럼 의사결정 속도를 측정하는 지표를 함께 정의해 두어야 전환의 진척을 객관적으로 평가할 수 있을 것입니다.
결국 공급망 계획의 경쟁력 기준은 얼마나 정확히 예측하는가에서 얼마나 빠르고 투명하게 결정하는가로 옮겨가고 있습니다. 이 전환에서 기술은 필요조건일 뿐, 승부를 가르는 것은 기술을 둘러싼 워크플로우와 거버넌스, 그리고 사람입니다. 공급망 계획을 책임지는 리더라면, 다음 네 가지를 기억해야 합니다.
1. 공급망 계획의 무게중심이 예측 정확도에서 의사결정 속도로 이동하고 있습니다.
2. DCP는 솔루션 기능이 아니라 계획 철학의 전환입니다. 출발점을 프로세스가 아닌 의사결정에 둡니다.
3. 성패를 가르는 것은 기술 도입이 아니라 워크플로우 재설계와 플래너의 역할 전환입니다.
4. 과장된 기대는 실증과 점진적 로드맵으로 걸러내야 합니다.
기술은 앞으로도 계속 빨라질 것입니다. 그러나 그 속도를 성과로 바꾸는 것은 결국 조직과 사람입니다. 어떤 결정을 AI에 맡기고 어디에 사람을 남길지를 먼저 설계한 기업만이, 이 전환을 비용이 아닌 경쟁력으로 만들 수 있습니다.
이 아티클은 AI를 활용하여 기획, 제작되었습니다.
- 리서치 및 원천 데이터 조사·교차검증: Claude (Opus 4.8)
- 발행 직전 검수·정합성·문장 보완: Claude (Opus 4.8)
아닙니다. DCP는 S&OP를 폐기하는 것이 아니라 보완하고 확장하는 개념입니다. 전략적 정렬은 정례 회의가 계속 담당하되, 회의 주기를 기다릴 수 없는 결정은 사건의 영향 크기에 따라 즉시 내리는 이중 구조를 지향합니다.
반복적이고 위험도가 낮은 결정이 출발점입니다. 재고 보충, 발주 파라미터 조정, 예측 가능한 수요 변동 대응이 대표적입니다. 반면 신제품 출시, 공급사 관계, 전략적 네트워크 변경처럼 위험도가 높은 결정은 사람이 중심을 잡고 AI를 보조로 두어야 합니다.
기능 목록보다 산업 적합성입니다. 우리 산업의 계획 난제를 다뤄 본 깊이가 있는지, 최적화 엔진(솔버)이 복잡한 제약 조건을 실제로 풀어내는지, 그리고 실제 도입 사례와 터치리스 비율로 성과를 증명할 수 있는지를 확인해야 합니다. 완전 자율 계획과 같은 약속은 실증으로 되물어야 합니다.
오히려 반대입니다. 플래너의 역할은 계획 수립과 모니터링을 넘어, 데이터를 인사이트로 바꾸고 AI의 권고를 인간의 판단과 융합하는 의사결정 설계자(Decision-shaper)로 진화합니다. 다만 역할 구성과 요구 역량의 재정의는 불가피하며, 광범위한 업스킬링이 도입 성과를 좌우합니다.
의사결정 속도를 재는 지표를 정의해야 합니다. 이벤트 감지부터 결정·실행까지 걸리는 리드타임, 그리고 계획 결정 가운데 사람 손을 거치지 않고 처리되는 터치리스 비율이 대표적입니다. 이 지표가 있어야 전환의 진척을 객관적으로 평가할 수 있습니다.
