클라우드 ERP 전환, 왜 이렇게 어려울까요

ERP 전환은 이제 많은 기업에게 선택이 아닌 비즈니스 필수 과제가 됐습니다. 클라우드로 현대화해야 기존 온프레미스 인프라로는 대규모로 지원하기 어려웠던 AI, 자동화, 분석 기능을 활용할 수 있기 때문입니다. 하지만 전환 프로젝트는 쉽지 않습니다. 수많은 이해관계자가 참여하고, 비즈니스와 기술 양쪽에서 수천 가지 결정을 내려야 합니다.

�鶹ԭ��는 이런 부담을 덜기 위해 마이그레이션 및 현대화 어시스턴트를 선보였습니다. 올해 �鶹ԭ�� Sapphire에서 에이전트 기반 전환 도구를 소개한 데 이어, 현재 네 가지 어시스턴트가 얼리 어답터 고객에게 제공되어 실제 클라우드 ERP 전환 프로젝트를 돕고 있습니다.

데이터 품질, 가장 먼저 풀어야 할 숙제

ERP 전환에서는 방대한 데이터의 품질 문제를 파악하고 이관에 미칠 영향을 따져 우선순위를 정해야 합니다. 데이터관리 어시스턴트(Data Management Assistant)는 데이터 품질 지표를 분석해 비즈니스 영향도에 따라 문제의 우선순위를 정하고, 해결 방안을 추천하며, 자동 수정과 가이드형 수정으로 실제 조치까지 돕습니다.

글로벌 페인트·코팅 기업 악조노벨(AkzoNobel)이 대표적인 사례입니다. RISE with �鶹ԭ�� 여정에서 ERP 환경을 통합하는 대규모 전환을 진행 중인 악조노벨은 �鶹ԭ�� Early Adopter Care 프로그램에 참여해, 이 어시스턴트로 데이터 품질 범위를 정하고 비즈니스 영향이 큰 순서대로 개선 작업을 진행하고 있습니다.

“Data Management Assistant 덕분에 가장 중요한 데이터 품질 문제를 명확히 파악하고, 가장 시급한 곳부터 개선 우선순위를 정할 수 있었습니다. 분석에 드는 노력은 줄고 계획은 빨라졌으며, 앞으로의 전환 과제를 준비하면서 데이터 품질 관리를 체계적으로 이어갈 수 있게 됐습니다.”

틸락 셀밤(Thilak Selvam), AkzoNobel, 마스터 데이터 프로그램 리드

테스트와 커스텀 코드, 반복 작업은 줄이고 속도는 높이고

테스트 범위를 정하고 테스트 케이스를 준비하는 일에는 비즈니스와 IT 팀 모두의 노력이 많이 듭니다. 테스트관리 어시스턴트(Test Management Assistant)는 비즈니스 프로세스, 요구사항, 사용자 스토리를 분석해 핵심 시나리오를 찾고 테스트 케이스와 필요한 테스트 데이터까지 준비합니다. 이 케이스는 �鶹ԭ�� Test Automation by Tricentis로 넘어가 자동 실행되어, 수작업은 줄고 핵심 프로세스의 커버리지와 배포 준비 상태에 대한 확신은 높아집니다.

커스텀코드 어시스턴트(Custom Code Assistant)는 �鶹ԭ�� Cloud ERP Private으로 전환하는 과정에서 자체 개발 코드를 현대화하고, 전환 이후에도 클린코어(clean core) 준수를 지원합니다. 자율적으로 작동하며 진단 결과를 복잡도별로 분류하고, 가능한 자동 수정은 실행하며, 나머지에는 AI 기반 권장안과 코드 수정안을 제시합니다. 덕분에 기술 부채는 줄이고 기업만의 차별화된 강점은 지킬 수 있습니다.

비즈니스 구성부터 전 과정까지, 계속 넓어지는 어시스턴트

�鶹ԭ�� Cloud ERP를 도입하는 고객에게는 비즈니스구성 어시스턴트(Business Configuration Assistant)가 비즈니스 설계와 구현 계획을 앞당겨 줍니다. 산업, 세그먼트, 비즈니스 목표에 맞는 구성을 추천해 자율적으로 적용하고, 기존 구성에서 �鶹ԭ�� 목표 요건과 다른 부분을 짚어내며 전체 감사 추적(audit trail)도 남깁니다.

�鶹ԭ��는 앞으로 포트폴리오를 전환 전 과정으로 넓힐 계획입니다. 시스템분석 어시스턴트(System Analysis Assistant)는 기존 시스템에 대한 고객 맞춤형 이해를 만들어 다른 모든 어시스턴트의 기반이 되고, 프로젝트관리 어시스턴트(Project Management Assistant)는 실시간 인사이트와 선제적 위험 파악을, 롤아웃 어시스턴트(Rollout Assistant)는 글로벌 템플릿과 지역별 요건의 정렬을 돕습니다. 더 자세한 내용은 에서 확인할 수 있습니다.

Maura Hameroff is chief marketing officer for �鶹ԭ�� Cloud ERP Private and RISE with �鶹ԭ��.
Sonja Liénard is head of ABAP Platform at �鶹ԭ�� SE.
Soeren Ruder is chief product officer and global head of Customer Experience & Solutions for �鶹ԭ�� SE.

The post �鶹ԭ��, 클라우드 ERP 전환에 AI 어시스턴트 4종 투입 appeared first on �鶹ԭ�� Korea 뉴스센터.

젵ӡ�업체�� 추진 과정에서 얻은 데이터 정리, 표준화, 통합 경험 덕분에 AI 도입이 유리하지만, AI 통합률은 16%로 산업 평균보다 낮습니다. 성공적인 AI 확장의 핵심은 데이터 품질, 기존 시스템과의 통합, 점진적 접근법에 있습니다.

저자: 주디 큐비스(Judy Cubiss), 번역: 클로드(Claude)

은 단순히 을 확장하는 방법을 알아내는 것이 아니라, 이미 상당한 선두 자리를 차지하고 있습니다.

이 분야는 이미 으로 을 경험했으며, 기기를 연결하고, IoT를 통합하며, 데이터를 실행 가능한 인사이트로 전환했습니다. 이들 기업은 수년간 디지털화의 복잡한 현실을 헤쳐나갔고, 이제 그 교훈을 제조업 AI에 적용하고 있습니다.

그러나 연구에 따르면, 제조업체들이 데이터, 통합, 확장에 관한 경험을 통해 다른 분야가 일반적인 함정을 피하고 AI 전환을 가속화하는 데 도움을 줄 수 있지만, 현재까지 산업 제조업체의 16%만이 AI를 통합했으며, 이는 전체 산업 평균 25%에 비해 낮은 수치입니다.

이는 흥미로운 발견입니다. 이것이 시급성 부족을 보여주는 것일까요? 만약 그렇다면, 왜일까요? 산업 제조업의 AI 도입 장벽은 대부분의 산업보다 낮지만, 아마도 이들 기업이 신중하게 접근하는 이유는 무엇보다도 전환 피로감 때문일 것입니다. 그리고 이것이 바로 이들 기업의 여정이 가치 있는 청사진을 제공하는 이유입니다.

제조업 AI: 새로운 상황에서의 익숙한 도전

산업 제조업체에 있어 AI는 데자뷰처럼 느껴집니다. AI 확장은 인더스트리 4.0 혁명 당시 직면했던 많은 장애물—분산된 데이터, 레거시 시스템, 인력의 회의적 태도—을 다시 떠오르게 합니다. 하지만 이러한 과제를 이전에 해결해 본 경험이 있기에, 이들 기업은 어디에 에너지를 집중해야 할지 알고 있습니다.

예를 들어 데이터를 살펴보겠습니다. AI는 공급받는 데이터만큼만 좋을 수 있으며, 제조업체들은 엉망이고 일관성 없는 입력이 나쁜 결과로 이어진다는 것을 배웠습니다. 인더스트리 4.0으로 전환하는 동안, 그들은 IoT 센서와 생산 라인에서 나오는 데이터 스트림을 정리하고, 표준화하며, 통합하는 데 많은 투자를 했습니다. 이러한 기초 작업이 이제 성과를 내고 있으며, AI 확장에 있어 명확한 우위를 제공하고 있습니다.

이제 막 시작하는 산업에 있어 이 교훈은 매우 중요합니다: 확장하기 전에 먼저 정리 작업을 해야 합니다.

그 다음은 시스템 문제입니다. 산업 제조업이 핵심적인 레거시 인프라에 의존한다는 사실은 오래된 시스템의 교체가 항상 가능한 옵션은 아니라는 뜻입니다.

대신, 이들 기업은 구기술과 신기술 사이의 다리를 놓는 전문가가 되었습니다. 가장 화려한 접근법은 아닐지 모르지만, 효과적이며—다른 분야에 있어서도 처음부터 시작하는 것보다 통합이 종종 더 실용적이고 덜 위험함을 상기시켜줍니다.

AI가 제조업에 가져오는 게임 체인저

인더스트리 4.0이 점들을 연결하는 활동이었다면, AI는 다음에 무엇이 올지 예측하는 일입니다. AI를 통해 제조업은 이미 운영 전반에 걸쳐 획기적인 결과를 보고 있습니다.

AI는 프로세스의 속도를 높일 뿐 아니라, 더 스마트하게 만들고 있습니다:

• 예측 유지보수: 센서 데이터를 분석하여 장비 고장을 예측하고, 비용이 많이 드는 가동 중단을 방지합니다.
• 품질 보증: AI 기반 비전 시스템을 사용하여 생산 라인에서 실시간으로 결함을 발견합니다.
• 에너지 관리: 수요를 예측하여 에너지 사용을 최적화함으로써 지속가능성과 비용 효율성을 모두 향상시킵니다.

이러한 적용 분야는 운영상의 두통을 해결할 뿐 아니라 실질적인 가치도 제공합니다. 그리고 제조업에 뿌리를 두고 있지만, 그 뒤에 있는 논리는 보편적입니다. 모든 산업에는 더 스마트하고 데이터 기반 솔루션의 혜택을 받을 수 있는 병목 현상이 있습니다.

다른 산업을 위한 3가지 교훈

제조업체가 AI와 함께 직면하는 과제는 다른 모든 사람들이 씨름하고 있는 문제와 동일합니다. 데이터 사일로, 연결되지 않은 시스템, 인력 준비 상태는 전반적인 장벽입니다.

하지만 산업 제조업의 경험은 이러한 장애물을 헤쳐나가기 위한 플레이북을 제공합니다:

1. 데이터 품질은 나중에 생각할 문제가 아닙니다. 제조업체들은 쓰레기 데이터가 들어가면 쓰레기 결과가 나온다는 것을 알고 있으며, AI를 확장하기 전에 데이터 스트림을 정리하는 데 투자했습니다.
2. 중단보다 통합을 우선시하세요. 이는 새로운 기술이 기존 시스템을 완전히 대체하기보다는 보완하도록 보장합니다.
3. 작게 시작하세요. 물류 최적화나 재고 관리와 같은 타겟팅된 AI 적용 분야에 집중하면 모멘텀을 만들고 조직 전체에 신뢰를 구축합니다.

향후 전망: AI의 진화

산업 제조업의 AI 여정은 각각 이전 단계를 기반으로 하는 세 가지 도입 단계를 강조합니다:

1. 자동화: 첫 번째 단계로, 반복적인 작업이 효율성을 향상시키기 위해 간소화됩니다.
2. 프로세스 전환: AI가 운영 방식을 재고하기 시작하여, 더 스마트하고 적응력 있게 만듭니다.
3. 자율성: 궁극적인 목표로, AI 시스템이 실시간 변화에 인간 개입 없이 대응하며 독립적으로 워크플로우를 관리합니다.

대부분의 산업은 현재 자동화와 전환 사이 어딘가에 있습니다. 그러나 제조업에서 볼 수 있듯이, 자율성은 전에 생각했던 것만큼 멀리 있지 않습니다. AI 확장에 투자할 의지가 있는 기업에게는 자연스러운 진행 과정입니다.

더 큰 그림: AI는 전략적 변화

결론적으로 AI는 단순한 도구가 아니라 전략적 변화입니다. 제조업의 인더스트리 4.0 여정은 전환이 단일 프로젝트가 아니라 마인드셋이라는 사실을 보여주었습니다.

AI 확장에는 인내, 끈기, 반복할 의지가 필요합니다. 하지만 그 보상—더 큰 효율성, 더 스마트한 의사결정, 향상된 고객 가치—은 그 노력의 가치가 있습니다.

제조업체들이 배운 교훈은 명확합니다. 기본에 집중하고, 통합을 수용하며, 지속적인 개선을 목표로 하세요.

• 원문: , , Forbes.com

The post AI가 제조업의 미래를 바꾼다 appeared first on �鶹ԭ�� Korea 뉴스센터.