ERP AI 도입, 왜 이렇게 어려울까?

ERP는 이미 사용하고 있습니다. 구매, 생산, 재고, 품질 데이터가 쌓입니다. 이제 AI를 도입해서 자동화하고 예측하고 최적화하고 싶습니다.

하지만 막막합니다. "ERP를 통째로 바꿔야 하나?", "API 개발에 얼마나 걸리나?", "데이터 정제는 어떻게 하나?", "우리 20년 된 ERP에도 가능할까?"

ERP AI 도입이 어려운 이유는 명확합니다. 레거시 시스템 통합 문제, 데이터 품질 문제, 비용과 시간 문제가 겹쳐 있기 때문입니다.

이 글에서는 ERP AI 도입이 왜 어려운지, 일반적인 접근법의 한계는 무엇인지, 그리고 ERP를 바꾸지 않고 AI를 도입하는 방법을 정리합니다.

ERP AI 도입의 5가지 장벽

장벽 1: 레거시 API 부족

오래된 ERP는 현대적인 API 표준이 없거나 제한적입니다. AI가 실시간으로 데이터를 읽고 쓰기 어렵습니다.

10~20년 전에 구축된 ERP는 당시 기술로 만들어졌습니다. REST API, GraphQL 같은 최신 표준을 지원하지 않습니다. 데이터를 가져오려면 배치 파일을 만들어서 밤마다 내보내야 합니다.

실시간 연동이 안 되니, AI가 추천한 발주량을 즉시 반영할 수 없습니다. 하루 지나서 반영됩니다. "AI가 어제 추천한 발주량을 오늘 확인하세요"라는 식입니다. 빠른 의사결정이 어렵습니다.

장벽 2: 데이터 형식 불일치

ERP, MES, WMS, CRM의 데이터 형식이 제각각입니다. 품목 코드, 거래처명, 규격 정보가 시스템마다 다릅니다.

ERP에서는 "A-123"이라는 품목 코드를 쓰는데, MES에서는 "A123", WMS에서는 "A_123"을 씁니다. 같은 품목인데 코드가 셋입니다.

AI는 이 셋을 같은 것으로 인식하지 못합니다. 매핑 작업이 필요합니다. 품목이 수천 개면 매핑도 수천 개입니다. 누가 언제까지 하나요? 담당자가 몇 개월 동안 엑셀로 정리해야 합니다.

장벽 3: MDM(마스터 데이터 관리) 품질 문제

거래처명, 품목명, 규격 정보가 중복되거나 틀립니다. AI가 이 데이터로 학습하면 잘못된 추천을 합니다.

같은 거래처인데 "삼성전자", "삼성전자(주)", "Samsung Electronics"로 세 번 등록되어 있습니다. AI는 이걸 세 개의 다른 거래처로 인식합니다. 발주 추천이 틀립니다.

품목 규격이 "10mm"인데 어떤 건 "10 mm", 어떤 건 "1cm"로 입력되어 있습니다. AI가 재고 예측을 하면 정확도가 떨어집니다.

MDM을 정비하려면? 전사 데이터를 점검하고, 중복을 제거하고, 표준을 정하고, 시스템에 반영해야 합니다. 6개월~1년 걸립니다.

장벽 4: 보안과 권한 관리

ERP에는 재무, 인사, 거래 정보가 들어 있습니다. AI가 이 데이터에 접근하려면 권한 관리, 감사 로그, 개인정보 보호가 필요합니다.

AI가 모든 데이터를 볼 수 있으면 보안 위험이 생깁니다. 재무 데이터, 급여 정보, 고객 거래 내역까지 AI가 학습하면 어떻게 될까요?

하지만 권한을 너무 제한하면 AI가 제대로 작동하지 않습니다. 생산 데이터만 보고 품질 예측을 하면 정확도가 낮습니다.

균형을 맞추기 어렵습니다. 보안팀, IT팀, 현업팀이 몇 개월 동안 협의해야 합니다.

장벽 5: 통합 비용 급증

커넥터 개발, 데이터 정제, 예외 처리, 운영 모니터링 비용이 쌓입니다. 초기 AI 도입 비용보다 통합 비용이 더 클 수 있습니다.

AI 솔루션 자체는 몇천만 원입니다. 하지만 ERP 연동 작업에 몇억 원이 듭니다. 커넥터 개발, API 구축, 데이터 매핑, 보안 설정, 예외 처리, 사용자 교육까지 포함하면 6개월~1년 걸립니다.

더 큰 문제는 유지보수입니다. ERP가 업데이트되면 커넥터도 수정해야 합니다. AI 모델이 바뀌면 연동도 다시 점검해야 합니다. 매년 수천만 원이 듭니다.

ERP AI 도입 실패 사례

사례 1: 데이터 준비 없이 AI 먼저 도입

중견 제조사가 수요 예측 AI를 도입했습니다. 과거 판매 데이터로 미래 수요를 예측하는 시스템이었습니다. "이제 발주를 자동화할 수 있다"는 기대가 컸습니다.

하지만 ERP 데이터가 정리되지 않았습니다. 품목명이 중복되고, 거래처 정보가 틀리고, 판매 기록에 누락이 많았습니다. 같은 제품인데 "A 제품", "A제품", "제품A"로 세 번 등록되어 있었습니다.

AI는 이 데이터로 학습했습니다. 예측 정확도는 60%에 그쳤습니다. "그냥 작년 수치 보는 게 나아"라는 반응이 나왔습니다.

데이터 정제 작업을 시작했습니다. 품목명 통일, 거래처 중복 제거, 누락 데이터 복구. 6개월 걸렸고, 비용이 AI 도입 비용의 2배가 들었습니다.

결국 경영진이 "이렇게까지 해야 하나"며 프로젝트를 중단했습니다.

사례 2: MDM 부실로 신뢰 무너짐

식품 제조사가 발주 자동화 AI를 도입했습니다. 재고 수준과 리드타임을 보고 자동으로 발주하는 시스템이었습니다.

파일럿 테스트에서는 잘 작동했습니다. 하지만 본격 운영에 들어가자 문제가 터졌습니다.

거래처 정보가 중복되어 있었습니다. "A 공급업체"와 "A공급업체(주)"가 별도로 등록되어 있었습니다. AI는 이걸 다른 거래처로 인식했습니다.

같은 원자재를 두 거래처에 중복 발주했습니다. 원자재가 2배로 들어왔습니다. 구매팀은 급히 반품 처리를 했습니다. 공급업체와 관계도 틀어졌습니다.

현업의 신뢰가 무너졌습니다. "AI는 믿을 수 없다. 우리가 직접 확인하겠다"는 말이 나왔습니다. 다시 엑셀로 돌아갔습니다. AI 시스템은 방치됐습니다.

사례 3: PoC 성공, 본 운영 실패

전자부품 제조사가 품질 불량 예측 AI를 만들었습니다. 센서 데이터로 불량 가능성을 미리 감지하는 시스템이었습니다.

파일럿 라인에서는 90% 정확도로 작동했습니다. 보고서도 좋았습니다. 경영진은 전사 확대를 지시했습니다.

하지만 다른 라인으로 확대하려니 문제가 생겼습니다. 각 라인의 센서 데이터 형식이 달랐습니다. 파일럿 라인은 OPC UA 프로토콜인데, 다른 라인은 Modbus, 또 다른 라인은 자체 개발 프로토콜이었습니다.

API도 제각각이었습니다. 통합 작업만 6개월 걸렸습니다. 비용이 급증했습니다. 현업은 "파일럿은 성공했는데 왜 이렇게 오래 걸리나. 언제 쓸 수 있나"며 불만을 표했습니다.

결국 전사 확대는 포기했습니다. 파일럿 라인에만 남았습니다. 투자 대비 효과가 미미했습니다.

공통점: 데이터 + 통합 문제

세 사례 모두 AI 기술 자체는 문제가 없었습니다. 수요 예측 알고리즘도, 발주 자동화 로직도, 불량 예측 모델도 잘 작동했습니다.

데이터 품질과 시스템 통합이 문제였습니다. ERP 데이터가 정리되지 않았고, 시스템 간 연동이 복잡했고, 표준이 없었습니다.

ERP AI 도입의 실패는 AI가 부족해서가 아니라, ERP와 AI를 연결하는 과정에서 발생합니다.

ERP AI 도입의 두 가지 일반적 접근법과 한계

방법 1: ERP 교체

첫 번째 방법은 ERP를 통째로 교체하는 것입니다. AI 기능이 내장된 최신 ERP(SAP S/4HANA, Oracle Cloud ERP 등)로 바꿉니다.

장점은 AI와 ERP가 처음부터 통합되어 있다는 점입니다. API도 최신 표준이고, 데이터 형식도 일관됩니다. 문서 자동 입력, 수요 예측, 발주 추천 기능이 기본으로 제공됩니다.

하지만 문제가 큽니다. 비용이 수억~수십억 원 듭니다. 구축 기간이 6개월~1년 이상 걸립니다. 조직 전체가 새 시스템에 적응해야 합니다.

기존 데이터를 옮기는 마이그레이션 작업도 필요합니다. 10년, 20년 동안 쌓인 구매, 생산, 품질, 재무 데이터를 모두 새 시스템으로 옮겨야 합니다. 데이터 구조가 다르면 변환 작업이 필요합니다.

리스크도 큽니다. 마이그레이션 중 데이터가 손실되거나 틀어지면? 업무가 중단되면? 직원들이 새 시스템에 적응 못 하면?

매출 500억~5,000억 중견 제조기업이 감당하기 어려운 규모입니다.

방법 2: 복잡한 통합 (API 개발, 커넥터)

두 번째 방법은 기존 ERP를 두고, AI와 연결하는 커넥터를 개발하는 것입니다.

레거시 ERP와 AI 사이에 API를 만들고, 데이터 형식을 맞추고, 실시간 동기화를 구현합니다. 데이터 정제 작업도 필요합니다. MDM 정비, 중복 제거, 표준화를 먼저 합니다.

장점은 ERP를 바꾸지 않아도 된다는 점입니다. 기존 시스템을 계속 쓰면서 AI 기능을 추가할 수 있습니다.

하지만 개발 비용이 큽니다. 커넥터 개발, 데이터 매핑, 예외 처리, 보안 설정에 몇 개월~1년 걸립니다. 비용이 몇억 원 듭니다. SI 업체를 쓰면 더 늘어납니다.

더 큰 문제는 유지보수입니다. ERP가 업데이트되면 커넥터도 수정해야 합니다. AI 모델이 바뀌면 연동도 다시 점검해야 합니다. 지속적인 관리 인력과 비용이 듭니다.

기술 부채도 쌓입니다. 커넥터가 복잡해질수록 유지보수가 어려워집니다. 처음 개발한 사람이 퇴사하면? 다음 담당자가 이해하기 어렵습니다.

공통 문제: 중견기업에게 과함

두 방법 모두 대기업에는 맞을 수 있습니다. 수십억 원 예산이 있고, 전담 IT 조직이 있고, 1년 이상 프로젝트를 진행할 여유가 있다면 가능합니다.

하지만 매출 500억~5,000억 중견 제조기업에게는 부담입니다.

시간, 비용, 리스크가 모두 큽니다. "AI 도입하고 싶은데, 이렇게까지 해야 하나?"라는 고민이 생깁니다. 결국 포기하거나, 시작했다가 중단하는 경우가 많습니다.

다비스(DARVIS) - ERP 바꾸지 않고 위에 얹기

20년 된 ERP 그대로

다비스(DARVIS)는 ERP를 교체하지 않습니다. 커넥터를 개발하지도 않습니다. 기존 ERP를 그대로 두고, 그 위에 AI 판단 기능만 얹습니다.

20년 된 SAP, 15년 된 더존, 10년 된 영림원, 오래된 자체 개발 ERP. 모두 그대로 둡니다. API가 없어도, 데이터 형식이 제각각이어도 괜찮습니다.

데이터를 옮기지 않습니다. 논리적으로만 연결합니다. ERP는 계속 작동하고, 다비스(DARVIS)는 필요한 데이터를 읽어서 분석합니다. 시스템 교체 리스크가 없습니다.

소재 제조사 사례입니다. 20년 된 ERP와 15년 된 MES를 그대로 두고, 4주 만에 재고 원인 분석 시스템을 구축했습니다.

시스템 교체 제로, 커넥터 개발 제로, 데이터 마이그레이션 제로, 조직 혼란 제로입니다. 기존 시스템은 하나도 건드리지 않았습니다.

MDM 완벽하지 않아도 OK

일반 ERP AI는 데이터 품질이 완벽해야 작동합니다. 거래처명이 중복되거나, 품목 코드가 불일치하면 예측이 틀립니다. MDM 정비에 6개월~1년 써야 합니다.

다비스(DARVIS)는 베테랑의 판단 기준으로 보완합니다.

"A 거래처와 A 거래처(주)는 같은 곳", "B 라인 가동률 30% 이하면 재고 과잉 가능성", "특정 원료 배치는 불량률 높은 경향", "온도 기준보다 5도 높으면 사절 위험" 같은 현장 노하우를 구조화해서 AI에게 가르칩니다.

데이터가 완벽하지 않아도, 베테랑의 경험이 보완합니다. 30년 경력 담당자의 판단 기준을 시스템이 학습합니다.

식품 제조사 사례입니다. 거래처명이 중복되어 있었지만, "이 세 개는 같은 거래처"라는 규칙을 입력했습니다. AI가 이 규칙을 따라 분석했습니다. MDM 정비 없이도 정확한 결과가 나왔습니다.

문서 입력이 아니라 원인 분석

일반 ERP AI는 문서 자동 입력, 수요 예측, 발주 추천에 집중합니다. 반복 업무를 자동화합니다. 세금계산서를 읽어서 ERP에 입력하고, 과거 판매 데이터로 다음 달 수요를 예측합니다.

다비스(DARVIS)는 원인 분석에 집중합니다. "왜 재고가 쌓였나?", "왜 불량이 올랐나?", "왜 납기가 지연됐나?"에 답합니다.

"이번 달 재고가 왜 늘었어?"라고 자연어로 물으면, AI가 ERP의 구매 데이터, MES의 생산 데이터, 품질 시스템 데이터를 자동으로 연결해서 분석합니다.

"A 자재 과잉은 3월 2주차 생산 계획 변경으로 B 라인 가동률 30% 하락 때문. 동일 시점 판매 계획은 유지됐으나 생산량만 감소. 유사 사례 3건에서는 타 라인 전환으로 해소."

담당자가 ERP, MES, 영업 시스템을 오가며 3~5일 걸려 찾던 원인을 2시간 내에 자동으로 제공합니다.

ERP 교체 없이 AI 도입 가능합니다

ERP AI 도입이 어려운 이유는 레거시 시스템, 데이터 품질, 통합 복잡성 때문입니다.

일반적인 접근법은 두 가지입니다. ERP 교체(수억 원, 1년, 조직 혼란) 또는 복잡한 통합(커넥터 개발, 지속 유지보수, 기술 부채). 둘 다 중견기업에게는 부담입니다.

하지만 세 번째 방법이 있습니다. ERP를 바꾸지 않고 위에 얹는 것입니다.

"우리 회사는 ERP가 오래됐는데 AI 도입이 가능할까요?"

20년 된 ERP도 괜찮습니다. API가 없어도 괜찮습니다. MDM이 완벽하지 않아도 괜찮습니다. 데이터 형식이 제각각이어도 괜찮습니다.

기존 시스템 그대로 두고, 데이터만 논리적으로 연결하면 됩니다. 베테랑의 판단 기준으로 데이터 품질을 보완하면 됩니다. 4주 만에 시작할 수 있습니다.

ERP AI 도입, 교체나 통합이 아니라 그 위에 얹기부터 시작하세요. 다비스(DARVIS)로 시작하세요.

ERP AI 도입 성공 사례와 레거시 시스템 연결 전략이 궁금하시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 더 많은 제조 AI 인사이트는 'AI 인사이트 더 보러가기'에서 확인하세요.