SRM,SCM 관련 시스템 현장에서 20여년을 보낸 사람으로서, 나는 구매 담당자가 가장 많은 시간을 쏟는 업무가 ‘판단’이 아니라 ‘조회’라는 사실을 잘 안다. 재고 시스템 열고, ERP 확인하고, 이메일 뒤지고, 공급업체 단가표 찾고. 정작 ‘이 품목을 지금 얼마나 사야 하는가’를 결정하는 데는 10분도 안 걸리면서, 그 결정을 위한 데이터를 모으는 데 하루의 절반을 쓴다.
전통적인 기업 구매 시스템은 정교한 룰 엔진과 담당자의 숙련도에 의존해 왔다. 하지만 생산 계획의 변동성이 극심해지고 공급망의 복잡도가 임계점을 넘어서면서, 기존의 정형화된 로직만으로는 실시간 대응이 불가능해졌다. 2026년 현재, 업계의 시선은 단순히 생성형 AI를 도입하는 수준을 넘어, ERP라는 강력한 데이터 백본 위에 RAG와 OpenClaw 아키텍처를 결합한 자율 구매로 향하고 있다.
ERP: 자율 구매의 중추이자 신뢰의 기점
생성형 AI가 기업용 솔루션으로 작동하기 위해 가장 먼저 선행되어야 할 것은 ERP와의 유기적인 연결이다. ERP는 기업의 모든 자원 흐름이 기록되는 단일 진실 공급원이다. 자율 구매 시스템에서 ERP는 단순히 데이터를 저장하는 창고가 아니라, AI 에이전트가 판단의 근거로 삼는 실시간 기준점이 된다.
생산 계획 데이터가 ERP에서 확정되는 즉시, AI 에이전트는 OpenClaw 프레임워크를 통해 해당 데이터를 실시간으로 수집한다. 이후 RAG 엔진은 ERP 내의 자재 명세(BOM), 현재고 현황, 그리고 기존 계약 정보를 즉시 대조한다. 이 과정에서 ERP와의 실시간 동기화는 AI가 과거의 데이터가 아닌 지금 이 순간의 팩트에 기반해 구매 요청(PR)을 생성하게 만드는 핵심 장치다.
구매 자동화에 필요한 ERP 연결 데이터는 크게 네 가지 영역이다.
① 생산·재고 데이터 (MRP/WMS 연동) 주차별 생산 계획 수량 및 자재 소요량(BOM 기반), 창고별 현재 재고 수량, 안전재고 기준치 및 재주문점(ROP), 현재 진행 중인 발주 잔량 및 예상 입고일
② 구매·계약 데이터 (MM/SRM 연동) 공급업체별 현행 계약 단가 및 유효기간, 리드타임 및 최소 발주 수량(MOQ), 공급업체 평가 점수 및 납기 이행률
③ 재무·승인 데이터 (FI/CO 연동) 품목별 예산 잔액 및 집행 한도, 금액 구간별 결재 라인 및 승인권자, 원가센터별 구매 실적
④ 담당자·조직 데이터 (HR 연동) 품목 카테고리별 구매 담당자 배정 현황, 담당자 현재 업무량 및 부재 여부, 직급별 승인 한도액
ERP와 RAG를 연결하는 방법은 두 가지다. API 실시간 조회 방식은 RAG가 질의할 때마다 ERP API를 직접 호출해 최신 데이터를 가져온다. 재고처럼 분 단위로 변하는 데이터에 적합하다. CDC(변경 데이터 캡처) 방식은 ERP 데이터베이스의 변경사항을 실시간으로 감지해 RAG 지식베이스를 자동 업데이트한다. 계약 단가나 공급업체 정보처럼 변경 빈도가 낮은 데이터에 적합하다. 현실적으로는 두 방식을 혼합 적용하는 것이 최선이다.
RAG 엔진이 해결하는 LLM의 태생적 한계
많은 기업이 생성형 AI 도입을 망설이는 이유는 LLM이 가진 몇 가지 치명적인 약점 때문이다. RAG는 바로 이 지점에서 LLM의 부족한 부분을 보완하며 기업용 AI의 실효성을 완성한다.
| LLM 단독의 한계 | RAG 적용 후 |
|---|---|
| 오늘 재고를 모름 | ERP 실시간 조회 후 현재 수량 전달 |
| 사내 품목코드 모름 | 품목 마스터 DB에서 정확한 코드 검색 |
| 계약 단가 모름 | 계약 관리 시스템에서 현행 단가 조회 |
| 환각으로 잘못된 수치 생성 | 검색된 데이터 기반으로만 답변 생성 |
| 답의 근거 불명확 | 출처(ERP 조회 시각, 문서명) 함께 제공 |
첫째, 환각 현상의 제어다. LLM은 확률적으로 가장 그럴듯한 답변을 내놓기에 사실과 다른 정보를 생성할 위험이 있다. 하지만 RAG는 답변을 생성하기 전, ERP와 사내 규정집 등 검증된 내부 데이터에서 먼저 정보를 검색한 뒤 이를 참조하여 답변한다. 즉, AI의 판단에 명확한 각주와 출처를 달아줌으로써 정보의 신뢰도를 비약적으로 높인다.
둘째, 최신성 유지와 데이터 학습 비용의 절감이다. LLM은 특정 시점까지의 데이터로 학습된 정적인 모델이다. 매초 변하는 원자재 가격이나 생산 계획을 학습시키기 위해 매번 재학습을 하는 것은 불가능에 가깝다. RAG는 모델을 건드리지 않고도 외부의 최신 ERP 데이터를 실시간으로 참조하게 함으로써, 언제나 살아있는 정보를 바탕으로 업무를 수행하게 한다.
셋째, 강력한 보안 레이어의 형성이다. 민감한 구매 단가나 협력사 정보가 외부의 LLM으로 유출되는 것은 기업 입장에서 치명적이다. RAG는 데이터 본체는 기업 내부 인프라나 프라이빗 클라우드에 둔 채, AI가 필요한 정보의 맥락만을 읽어 가도록 설계할 수 있다.
OpenClaw와 워크플로우 자동화: PR에서 PO까지
이러한 RAG 기반의 지능형 엔진은 OpenClaw의 오케스트레이션 레이어를 통해 실제 업무로 구현된다.
OpenClaw는 2025년 11월 오스트리아 개발자 Peter Steinberger가 출시 후 GitHub 스타 25만 개를 돌파한 오픈소스 AI 에이전트다. LLM이 단순히 답을 생성하는 것을 넘어, 실제로 시스템을 조작하고 워크플로를 실행할 수 있게 해주는 것이 핵심이다.
생산계획 → 발주까지 실제 흐름
1단계: 자동 구매요청 생성 RAG 엔진이 MRP 시스템에서 다음 주 생산계획을 읽고, WMS에서 현재 재고를 조회하고, 기발주 잔량을 확인한 뒤 부족분을 계산한다. LLM은 이 데이터를 받아 “품목 A, 500단위, 희망 납기 D+7, 우선 공급업체 B사(계약 단가 기준)” 형태의 구매요청 초안을 자동 생성한다. 결정의 근거가 되는 ERP 조회 시각과 수치 출처가 함께 기록된다.
2단계: 담당자 자동 배정 + 최적 시나리오 전달 OpenClaw가 품목 카테고리, 금액 한도, 현재 업무량을 기준으로 최적 담당자를 선정하고 Slack 또는 Teams로 즉시 알림을 발송한다. 이때 단순 알림이 아니라, RAG가 ERP 데이터를 분석해 제안하는 최적의 발주 시나리오가 함께 전달된다. 담당자는 단가, 리드타임, 공급사 리스크까지 한눈에 확인한다.
3단계: 승인 즉시 자동 발주 담당자가 모바일에서 승인 버튼을 누르면, OpenClaw가 공급업체 포털이나 EDI 시스템에 발주서를 직접 전송한다. 발주 결과는 ERP에 자동 기록되고 회계 시스템에도 동시 반영된다.
이론적으로 생산계획 확정부터 발주 전송까지 사람의 개입 없이 15분 이내 완료가 가능하다.
현장 도입의 3가지 현실적 장벽
장벽 1: 환각 — “없는 재고를 있다고 한다”
RAG를 도입해도 환각이 완전히 사라지지는 않는다. RAG가 잘못된 문서를 검색하거나, LLM이 검색 결과를 잘못 해석하는 경우가 여전히 발생한다.
해결 방안: 모든 구매요청에 근거 데이터 출처를 필수로 첨부하도록 설계한다. “재고 423단위”라는 숫자 옆에 반드시 “ERP WMS 조회, 2026-03-22 09:14 기준, 창고 A동”이 표시되어야 한다. 근거 없이 생성된 수치는 자동으로 보류 처리해 사람이 확인하는 단계를 거친다.
장벽 2: 사내 데이터 부족 — “우리 품목코드를 모른다”
초기 RAG 지식베이스가 비어 있으면 LLM은 사내 맥락 없이 일반적인 답을 생성한다. 도입 전 지식베이스 구축 작업이 반드시 선행되어야 한다.
해결 방안: 품목 마스터, 공급업체 계약서, 과거 3년 발주 이력, 사내 구매 규정 문서를 벡터 데이터베이스에 인덱싱한다. 처음 3개월은 AI 자동화 비율을 30% 이내로 제한하고, 오류 패턴을 지식베이스에 지속적으로 추가해야 한다.
장벽 3: 보안 — “AI가 ERP에 직접 접근한다는 것”
OpenClaw 보안 감사(Kaspersky, 2026년 1월)에서 512개 취약점이 발견됐으며 이 중 8개는 치명적 수준으로 분류됐다. 기업 ERP에 검토 없이 연결하는 것은 절대 금물이다.
해결 방안: 세 가지 원칙을 반드시 지켜야 한다. 최소 권한 원칙 — AI에는 구매요청 생성과 발주서 전송 권한만 부여하고, 계약 변경·결제·마스터 수정 권한은 부여하지 않는다. 온프레미스 배포 — 사내 서버에 설치해 외부 네트워크와 차단된 환경에서 운영한다. 인간 승인 게이트 — 건당 일정 금액 이상은 반드시 사람이 최종 승인하는 단계를 유지한다.
도입 로드맵: 한꺼번에 하지 마라
| 단계 | 기간 | 범위 |
|---|---|---|
| 1단계 | 1~2개월 | RAG 지식베이스 구축 + ERP API 연결 테스트 |
| 2단계 | 3~4개월 | 구매요청 초안 자동 생성 (담당자 검토 후 수동 입력) |
| 3단계 | 5~6개월 | 담당자 자동 배정 + 승인 알림 + 소액 자동 발주 |
| 4단계 | 6개월 이후 | 전체 품목 자동화 범위 확대 |
마치며
결국 자율 구매의 본질은 사람이 하던 물리적인 프로세스를 AI가 완벽히 보좌하고, 사람은 오직 전략적 의사결정에만 집중하도록 만드는 데 있다. ERP라는 든든한 뿌리 위에 RAG라는 정교한 엔진이 더해질 때, 비로소 기업은 진정한 의미의 공급망 자동화를 달성할 수 있을 것이다.
공급망 리스크 분석, 신규 공급업체 발굴, 원가 협상 — 진짜 전문가의 역할은 그 다음부터다.
본 칼럼은 AIMultiple, RAGAboutIt, KDnuggets, Informatica, StackAI, Appinventiv, NexaStack, CNBC, Institutional Investor 등의 2025~2026년 최신 자료를 바탕으로 작성되었으며 특정 시스템이나 솔루션, 기업을 추전하지 않습니다. 자세한 실행은 전문업체나 전문가의 도움을 받으시기 바랍니다.
출처:
Top 10 Agentic AI ERP Systems & 6 Solutions in 2026, AIMultiple Research
Private Cloud RAG: Secure and Fast Retrieval-Augmented Generation, NexaStack, 2026
RAG Data Ingestion: Enterprise Implementation, Informatica
RAG Integration for Business Applications, Appinventiv, 2025
What is Enterprise RAG and How to Use it Effectively in 2026, StackAI
Top 10 Agentic AI ERP Systems & 6 Solutions in 2026, AIMultiple Research
Fixing RAG in 2026: Why Your Enterprise Search Underperforms, Medium, 2026
OpenClaw: The AI Agent Institutional Investors Need to Understand, Institutional Investor, 2026