월말이 되면 월례행사처럼 이번 달 납기준수율을 확인합니다. 그런데 이 숫자는 이미 벌어진 일을 알려줄 뿐입니다. 납기 위험을 미리 보려면 매일, 심지어 매 사건이 발생할 때마다 각 주문의 예상완료일을 다시 계산해야 하죠. 대부분의 현장은 이 계산을 하지 못한 채 지연을 마지막 순간에야 발견합니다.
이 글에서는 제조업에서 납기 지연이 어떤 구조로 발생하는지, 왜 미리 알기 어려운지, 그리고 어떻게 조기에 발견하고 해결할 수 있는지를 살펴보겠습니다.
납기 지연의 원인은 하나가 아닙니다
납기 지연을 한 부서의 실수로 보면 문제의 본질을 놓치게 됩니다. 실제로는 여러 요인이 겹쳐서 발생하기 때문이죠.
가장 먼저, 계획 자체가 현실과 다른 경우가 많습니다. 표준 리드타임은 오래전에 설정된 값이거나 제품 믹스 변화를 반영하지 못해, 시스템이 3일이면 끝난다고 계산해도 실제로는 5일이 걸릴 수 있습니다. 병목 공정 하나가 포화 상태면 전체 공장의 평균 가동률이 여유 있어 보여도 전체 리드타임은 길어집니다.
또 다른 요인으로는, 자재 수급의 불확실성도 큰 비중을 차지합니다. 부품 하나의 결품이 전체 조립을 멈추게 합니다. 특히 여러 부품이 필요한 제품일수록, 그중 값싸고 사소해 보이는 부품 하나가 늦어져도 전체 일정이 흔들립니다.
설비 이상도 마찬가지입니다. 병목 설비 하나가 고장 나면 그 설비를 거쳐야 하는 여러 주문이 동시에 밀립니다. 품질 문제는 특히 과소평가되는 원인입니다. 재작업은 기존 계획에 없던 부하로 새로 들어오기 때문에, 다른 정상적인 주문까지 뒤로 밀리게 만듭니다.
중요한 것은 이 요인들이 독립적이지 않다는 점입니다. 서로 의존관계로 얽혀 있어서, 작은 지연 하나가 다음 공정, 그다음 공정으로 계속 전파됩니다.
왜 미리 알기 어려울까요?
현장에 정보가 없어서 납기 위험을 늦게 아는 것이 아닙니다. 정보를 위험으로 변환하는 체계가 없어서입니다.
계획 데이터와 실행 데이터가 분리되어 있는 것이 핵심 원인입니다. ERP에는 고객 납기일이, MES에는 설비 상태가, 품질 시스템에는 검사 결과가 각각 남습니다. 이 정보들이 하나의 주문을 중심으로 연결되지 않으면, 설비 고장이 어떤 주문에 얼마나 영향을 주는지 자동으로 계산되지 않습니다.
ERP상 재고가 있다는 것과 실제로 지금 쓸 수 있다는 것은 다른 이야기입니다. 검사 대기 중이거나 이미 다른 주문에 할당된 재고는 시스템상으로는 존재해도 당장 쓸 수 없습니다. 이 차이를 놓치면 계획은 안전해 보이는데 현장은 이미 위험한 상태일 수 있습니다.
이벤트와 납기 위험도 다른 개념입니다. 설비가 4시간 멈췄다고 반드시 납기가 늦어지는 것은 아닙니다. 중간 재고나 대체 설비가 그 충격을 흡수할 수 있기 때문입니다. 반대로 계획 대비 지연이 없어 보여도, 병목 공정 직전의 마지막 대기 재고가 소진되는 시점이라면 이미 여러 주문의 납기가 위태로운 상태일 수 있습니다. 즉 "계획보다 늦었는가"와 "고객 납기를 지킬 수 있는가"는 서로 다른 질문입니다.
조기 발견을 위한 최소 조건은 무엇이 있을까요?
AI를 도입하기 전에 먼저 갖춰야 할 기반이 있습니다.
첫째는 주문 단위 연결입니다. 판매 주문부터 생산 지시, BOM, 공정, 설비, 자재, 검사, 출하까지 하나의 흐름으로 추적할 수 있어야 합니다. 이 연결이 없으면 어떤 설비 문제가 어떤 고객 주문에 영향을 주는지 알 수 없습니다.
둘째는 "가용"이라는 말의 공통 정의입니다. 자재는 입고됐다는 것이 아니라 검사를 통과해 실제로 쓸 수 있는 상태를 뜻해야 합니다. 제품도 생산이 끝났다는 것이 아니라 검사와 포장까지 마쳐 출하할 수 있는 상태를 뜻해야 합니다.
셋째는 이벤트가 발생할 때마다 관련 주문의 예상완료일을 다시 계산하는 것입니다. 설비가 멈추거나, 핵심 자재의 도착 예정일이 바뀌거나, 품질 보류가 생기면 그 즉시 영향을 받는 주문들의 완료일을 재계산해야 합니다.
넷째는 위험 판단을 실제 업무로 만드는 것입니다. "예상 출하일이 약속 납기일을 넘는" 주문을 매일 확인하고, 위험 수준에 따라 누가 언제까지 어떤 조치를 결정할지 미리 정해둬야 합니다.
AI가 하는 역할은 무엇일까요?
이 기반이 갖춰지면 AI는 사건을 주문별 위험으로 변환하는 역할을 합니다. "설비가 4시간 멈췄다"는 단순한 사실을, "이 설비를 거쳐야 할 세 개의 주문 중 두 개는 지연 위험이 크고, 하나는 대체 설비로 전환하면 납기를 지킬 수 있다"는 구체적인 정보로 바꿔줍니다.
납기일을 하나의 확정된 날짜가 아니라 확률과 범위로 보여주는 것도 AI의 역할입니다. "9월 12일 입고 예정"이라는 단일 값보다 "대부분의 경우 12일, 최악의 경우 16일"처럼 범위로 제시하면 담당자가 더 미리 대응할 수 있습니다. 여러 대응안 중 어떤 것이 납기와 비용 측면에서 더 유리한지 비교해 제시하는 것도 가능합니다.
다비스(DARVIS)를 도입한 정밀 부품 제조사 H사의 사례가 이런 연결의 힘을 보여줍니다. 여러 시스템에 흩어진 데이터를 사람이 수작업으로 대조하던 방식에서, 재고와 생산, 설비 데이터를 자동으로 연결해 원인 후보를 제시하는 방식으로 전환한 결과, 원인 파악 시간이 30일에서 3시간으로 줄었습니다. 이 같은 데이터 연결 방식은 불량 원인 추적뿐 아니라, 어떤 자재 지연이나 설비 이상이 어느 주문의 납기에 영향을 주는지 조기에 파악하는 데도 동일하게 적용됩니다.
지연을 확정된 뒤가 아니라 미리 보는 방법!
다비스(DARVIS)는 기존 ERP·MES를 교체하지 않고 위에 얹는 방식으로 재고, 생산, 납기 데이터를 연결합니다. 설비 이상이나 자재 지연 같은 사건이 발생하면, 이것이 어떤 주문에 영향을 주는지 원인과 함께 미리 알려줍니다. 담당자는 문제가 확정되기 전, 아직 선택지가 남아 있을 때 대응할 수 있습니다.
기존 시스템 변경은 0건이고, 도입까지 5주입니다. 납기 지연은 출하 직전에 발견하면 이미 특근, 특송, 패널티 같은 비싼 대응만 남습니다. 그 발견 시점을 최대한 앞당기는 것, 그것이 납기 지연 관리의 핵심입니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.