5주짜리 S&OP Cycle은 너무 길다: AI 에이전트가 바꾸는 S&OP의 미래 

월요일에는 새로운 사업 기회가 나타나고, 화요일에는 수요 변화가 일어나고, 수요일에는 공급망 네트워크 한편에서 공급업체 리스크가 발생합니다. 

비즈니스 환경은 이처럼 빠르게 변화하지만, 여전히 많은 기업의 공식적인 S&OP 프로세스는 5주에 걸쳐 진행됩니다.

o9 Solutions의 솔루션 컨설팅 디렉터 린다 벨트하위전(Linda Veldhuizen)과 수석 부사장 피터 테일러(Peter Taylor)는 빠르게 변화하는 비즈니스 환경과 기존 Planning 프로세스 간의 속도 차이에 주목했습니다. 두 사람은 Agentic AI가 가장 큰 변화를 만들어낼 수 있는 영역 중 하나라고 설명합니다. 

린다는 aim10x Europe에서 다음과 같이 설명했습니다. "기업은 여러 곳에 구조화되지 않은 채 흩어져 있는 수많은 단편적인 신호에 끊임없이 노출되고 있습니다. 하지만 이러한 정보는 현재의 트랜잭션 시스템과 연결되어 있지 않아, 이를 바탕으로 의사결정을 내리기가 매우 어렵습니다."

두 사람은 이번 세션에서 o9의 Agentic AI 접근 방식이 비즈니스 변화를 감지한 순간부터 어떤 대응을 할지 결정하기까지의 시간을 어떻게 단축할 수 있는지 보여주었습니다.

사후 대응 중심의 Planning이 의사결정을 늦추는 이유

문제의 시작은 정보의 단절에 있습니다.

중요한 비즈니스 신호는 회의록, 이메일, 외부 시스템, 트랜잭션 데이터 등 다양한 곳에 흩어져 있습니다. 기업은 새로운 리스크와 기회가 발생하고 있다는 사실을 인지하더라도, 관련 정보를 체계적으로 통합하고 분석할 수 있는 기반이 부족한 경우가 많습니다.

피터는 이러한 상황을 '의사결정 마비(Decision Paralysis)'라고 설명했습니다.

"리스크와 기회에 대한 충분한 정보도, 이를 제대로 판단할 수 있도록 구조화된 맥락도 부족한 상태입니다. 결국 어떻게 될까요? 그 리스크와 기회에 대해 아무런 조치도 취하지 못하게 됩니다."

여기에 부서별 정보와 계획을 수작업으로 맞추고 조정하는 과정까지 더해지면서 문제는 더욱 복잡해집니다. 각 부서의 담당자들은 정보를 취합하고 분석하는 데 많은 시간을 할애하며, 수립된 계획은 여러 조직을 거쳐 전달됩니다.

이러한 과정이 반복될수록 의사결정은 지연될 수밖에 없습니다.

더 빠른 대응을 위해 각 부서가 개별 업무의 효율성을 높이는 데 집중하는 것 역시 오히려 문제를 심화시킬 수 있습니다. 전사적인 관점에서 의사결정의 파급효과와 트레이드오프(Trade-off)를 충분히 고려하지 못하기 때문입니다.

피터는 이를 두고 "속도를 높이기 위해 오히려 개별 조직의 사일로(Silo)를 최적화하고 있는 셈"이라고 지적했습니다.

Watch

통합된 Planning 환경에서도 여전히 차례대로 진행되는 프로세스

o9 플랫폼은 이미 수요, 공급, 재무 Planning을 하나의 통합된 환경에서 연결하고 있습니다.

린다는 o9의 통합 비즈니스 계획(IBP)을 '하나로 연결된 전사 통합 계획(One Single Connected Plan)'이라고 설명했습니다. 수요, 공급, 재무 계획이 공통 데이터 모델을 기반으로 통합되어 있으며, 엔터프라이즈 지식 그래프(Enterprise Knowledge Graph, EKG)를 기반으로 연결되어 있습니다.

이를 통해 계획 담당자는 여러 시스템을 오가며 계획을 다시 수립할 필요 없이, 재무 전망과 수요·공급 계획부터 CAPA 및 자재 제약사항까지 통합적으로 분석할 수 있습니다. 

하지만 피터는 여기서 한 단계 더 나아갈 가능성에 주목했습니다.

데이터와 계획이 하나로 연결되어 있더라도, 실제 Planning 프로세스는 여전히 차례대로 진행될 수 있기 때문입니다.

수요 담당자는 수요 영역에서, 공급 담당자는 공급 영역에서 각각 업무를 수행합니다. 각 분야의 전문가가 담당 영역의 계획을 분석한 뒤 다음 담당자에게 결과를 전달하는 과정이 기존 S&OP 일정에 따라 차례대로 반복됩니다. 

"문제는 전문가들 사이에서 업무를 차례대로 전달하고, 전통적인 S&OP 일정을 따르다 보면 결국 5주에 걸친 Planning 주기에 갇히게 된다는 점입니다."

Agentic AI는 이러한 순차적인 분석에 대한 의존도를 낮출 새로운 가능성을 제시합니다.

기다릴 필요 없이, AI 에이전트에게 현재 계획을 묻다

피터와 린다는 사용자가 Planning 데이터를 자연어로 조회하고 분석할 수 있도록 설계된 S&OP Coordination Agent를 시연했습니다.

기존에는 경영진이 현재의 비즈니스 전망을 파악하려면 월간 S&OP 주기가 마무리될 때까지 기다려야 했습니다.

하지만 이제는 AI 에이전트에게 현재 S&OP 계획을 보여달라고 요청하는 것만으로 필요한 정보를 확인할 수 있습니다.

사용자가 일상적인 비즈니스 언어로 질문하면, AI 에이전트는 o9 플랫폼의 Symbolic AI 계층을 활용해 답변합니다. 이 계층에는 기업의 데이터와 계획, 비즈니스 규칙 및 프로세스가 반영되어 있습니다. 

피터는 다음과 같이 설명했습니다. "지금까지는 각 팀이 분석을 수행하고 계획을 수립한 뒤, 현재 비즈니스 상황을 경영진에게 보고하기까지 몇 주씩 기다려야 했습니다."

반면 AI 에이전트는 매출 실적, 계획 대비 차이, 마진, 기간별·지역별·제품군별 현황 등을 종합한 요약 보고서를 즉시 제공할 수 있습니다.

이를 통해 사용자는 "지금 문제가 발생하고 있는 곳은 어디인가?"라는 가장 기본적인 질문부터 시작할 수 있습니다.

현재 수립된 계획은 얼마나 신뢰할 수 있을까?

계획과 실적 사이의 차이를 파악하는 것은 시작에 불과합니다.

그다음으로 중요한 것은 현재 수립된 계획을 얼마나 신뢰할 수 있는지 판단하는 것입니다.

린다는 AI 에이전트가 재무 성과 분석에서 한 단계 더 나아가 운영 KPI까지 분석하는 과정을 시연했습니다.

예를 들어 수요예측 정확도(Forecast Accuracy)와 예측 조정에 따른 부가가치(Forecast Value Add, FVA)를 함께 분석하면, 담당자의 수작업 조정이 시스템의 예측 정확도를 실제로 높였는지, 오히려 떨어뜨렸는지 확인할 수 있습니다. 

시연에서는 일부 담당자의 수작업 개입이 오히려 예측 정확도를 낮춘 사례가 확인되었습니다.

"관리자의 수작업 조정으로 인해 예측 정확도가 오히려 떨어졌습니다. AI 에이전트는 이러한 문제를 발견하는 데 그치지 않고, 개선 방법까지 제안합니다."

이는 Planning에서 AI의 역할이 어떻게 달라지고 있는지를 보여줍니다.

AI 에이전트는 단순히 계획을 요약하는 데 그치지 않고, 그 계획의 수립 과정까지 분석하고 개선 방안을 제안할 수 있습니다.

이러한 역량은 반복적인 수작업을 자동화하고 계획 담당자가 예외 상황에 집중하는 터치리스 플래닝(Touchless Planning)으로 전환하는 데 특히 중요합니다.

재무 Gap과 실제 운영 상황을 연결하다

전체적인 지표만 보면 계획이 정상적으로 진행되는 것처럼 보이더라도, 세부 운영 현황에는 예상치 못한 리스크가 숨어 있을 수 있습니다.

이번 시연에서 공급 충족 가능율(Supply Supportability)은 100%로 나타났습니다.

하지만 AI 에이전트가 세부 데이터를 분석한 결과, 한 곳에서는 재고가 과도하게 쌓이지만, 다른 곳에서는 재고가 위험 수준까지 감소한 것으로 나타났습니다. 일부 생산라인은 이미 최대 CAPA로 가동되고 있었습니다.

AI 에이전트는 이러한 운영상의 문제를 앞서 확인한 재무 리스크와 연결해 분석했습니다.

린다는 다음과 같이 설명했습니다. "처음에는 재무적인 리스크를 확인했지만, 분석을 진행하면서 운영상의 병목 현상도 함께 발견할 수 있었습니다."

린다는 이러한 상황에서 민첩성(Agility)의 중요성이 더 커진다고 강조했습니다.

"진정한 민첩성이란 모든 정보가 100% 명확하게 파악되지 않은 상황에서도 어떤 조치를 취할 수 있을지 판단하는 능력입니다."

실제 비즈니스 환경에서는 모든 정보가 확보되기 전에 변화의 신호가 먼저 나타나는 경우가 많습니다.

따라서 중요한 것은 확보된 정보를 체계적으로 정리하고 분석해 대응 방안을 신속하게 검토할 수 있는 기반을 마련하는 것입니다.

비정형 정보를 기업의 구조화된 지식으로 전환하다

기업의 중요한 비즈니스 신호가 반드시 Planning 시스템에서 처음 발생하는 것은 아닙니다.

회의, 이메일, 일상적인 대화, 외부 정보 등 다양한 경로에서 중요한 비즈니스 신호가 나타납니다.

린다는 o9이 이러한 비정형 정보를 엔터프라이즈 지식 그래프(EKG)의 비즈니스 개체와 연결하는 과정을 소개했습니다.

"o9은 비정형 데이터를 EKG의 비즈니스 개체와 연결함으로써, 흩어져 있던 정보를 기업 차원의 구조화된 지식 자산으로 전환합니다."

예를 들어 신규 시장 진출이나 잠재 고객사의 입찰 기회에 관한 논의도 실제 Planning에 활용할 수 있는 정보로 전환할 수 있습니다.

AI 에이전트는 이러한 기회를 식별하고 기존 비즈니스 계획과 연결해, 해당 기회를 추진하는 것이 재무 목표와 실적 간의 Gap을 줄이는 데 도움이 될 수 있는지 분석합니다.

새로운 기회에 투자하기 전, 실현 가능성부터 검증하다

새로운 비즈니스 기회는 의사결정의 한 측면에 불과합니다.

신규 고객이나 시장을 확보하기 위해 본격적으로 자원을 투입하기에 앞서, 공급망이 해당 수요를 실제로 충족할 수 있는지 검증해야 합니다.

피터는 AI 에이전트가 잠재적인 영업 기회를 기존 계획에 반영하고, 추가 수요를 고려한 업사이드 시나리오(Upside Scenario)를 생성하는 과정을 시연했습니다.

AI 에이전트는 추가 수요로 인해 발생할 수 있는 CAPA 제약사항을 파악하고, 이를 해결하기 위한 여러 대응 시나리오를 검토합니다. 이어 각 시나리오를 평가하고 점수를 산출해 권장 조치를 제시합니다. 

"AI 에이전트는 제약사항을 식별하는 데 그치지 않습니다. 이를 해결하기 위한 다양한 시나리오와 대응 방안을 검토하고, 각 시나리오를 평가해 결과를 제시합니다."

이를 통해 Commercial 조직은 새로운 기회를 추진하는 데 본격적으로 시간과 자원을 투입하기 전에 공급망의 대응 가능성을 미리 확인할 수 있습니다.

또한 Commercial 의사결정이 생산능력(CAPA), 비용, 수익성 및 실제 운영에 어떤 영향을 미치는지 종합적으로 파악할 수 있습니다.

최종 의사결정의 중심에는 여전히 사람이 있다

이번 시연에서는 AI 에이전트가 담당해야 할 역할과 사람이 직접 판단해야 할 영역도 명확하게 제시되었습니다.

어떤 시나리오는 매출 극대화에 유리할 수 있고, 다른 시나리오는 수익성 확보에 더 적합할 수 있습니다. 또 다른 시나리오는 지속가능성 목표를 달성하는 데 더 효과적일 수 있습니다.

어떤 선택이 가장 적절한지는 결국 기업의 전략과 우선순위에 따라 달라집니다. 

피터는 다음과 같이 강조했습니다. "바로 이 지점에서 AI 에이전트의 역할이 멈춥니다. 궁극적으로 어떤 시나리오를 선택하고 실행할지는 기업이 내려야 할 비즈니스 의사결정이기 때문입니다."

AI 에이전트는 다양한 선택지의 장단점을 분석하고, 사전에 정의된 평가 기준에 따라 시나리오를 비교·평가하며, 최적의 대응 방안을 권고할 수 있습니다. 

하지만 최종 의사결정은 여전히 기업과 담당자의 몫입니다.

이러한 Human-in-the-Loop 접근 방식은 AI로 분석과 의사결정 속도를 높이는 동시에, 전략적 판단과 책임이 필요한 영역에서는 사람이 주도권을 유지하도록 합니다.

과거를 보고하는 조직에서 실시간 의사결정을 주도하는 조직으로

시연의 마지막 단계에서 AI 에이전트는 분석 결과를 요약 보고서와 프레젠테이션으로 정리해 Commercial 조직 전체와 공유할 수 있는 형태로 제공했습니다.

재무 목표와의 Gap을 파악하는 것부터 새로운 비즈니스 기회를 검토하고, 공급망의 대응 가능성 분석, 시나리오 비교, 결과 보고서 작성까지 모든 과정이 AI 에이전트와의 연속적인 대화를 통해 진행됐습니다.

린다는 이러한 변화를 '단절된 업무 수행 방식에서 AI 에이전트 기반의 통합 오케스트레이션으로의 전환(From Fragmentation to Agentic Orchestration)'이라고 설명했습니다.

"오늘 시연에서 보신 것처럼, Planning 과정에서 발생하는 지연을 완전히 없앨 수 있습니다. o9은 영업, 제조, 물류 조직을 하나로 연결해 기존의 부서 간 사일로를 허물고 있습니다."

궁극적인 목표는 계획 담당자와 비즈니스 담당자가 반복적인 분석과 보고에 쓰는 시간을 줄이고, 더 중요한 의사결정에 집중하도록 하는 것입니다. 

"궁극적으로 이는 조직이 과거의 실적을 보고하는 역할에서 벗어나, 실시간으로 상황을 판단하고 선제적인 의사결정을 주도하는 역할로 전환하도록 하는 것입니다."

Neuro-Symbolic Agentic AI for Agile and Adaptive Enterprises

Enterprises don't struggle to gather data. They struggle to turn it into action while it still matters.

By the time the root cause is clear, the window to respond has often closed. This White Paper outlines how neuro-symbolic AI changes that equation, giving leaders a path from signal to grounded, governed decision in the same cycle the problem appears.

Download now