우리 회사 ERP에는 3년치 데이터가 쌓여 있습니다. 매출, 재고, 고객 구매 이력, 프로젝트 공수. 그런데 그 데이터가 실제 의사결정에 쓰인 적이 얼마나 있습니까. 대부분의 회사에서 ERP는 기록을 위한 시스템입니다. 데이터는 쌓이지만, 꺼내서 쓰는 일은 드뭅니다.
잠자는 도서관
ERP는 도서관과 비슷합니다. 3년치 지식이 책장에 빼곡히 꽂혀 있습니다. 그런데 아무도 읽지 않습니다. 읽으려면 직접 서가를 뒤져야 하고, 필요한 책을 찾는 데만 반나절이 걸리기 때문입니다. 결국 급할 때는 기억에 의존하거나 담당자에게 물어봅니다.
AI는 이 도서관의 사서입니다. 매일 아침 "오늘 꼭 봐야 할 것들"을 꺼내 테이블 위에 놓습니다. 발주가 필요한 품목, 이탈 신호가 보이는 고객, 이번 주 보고서에 들어가야 할 수치. ERP에 있던 데이터가 매일 열리는 가게가 됩니다.
사례 1 — 자동차 부품 제조업: 경험에 의존하던 발주를 AI가 맡다
도입 전 상황
구매팀 차장이 매일 오전 9시에 하는 일이 있었습니다. ERP를 열고, 품목별 재고 현황을 확인하고, 지난 주 소비량과 납품 리드타임을 머릿속에서 계산해 발주 여부를 판단하는 것입니다. 10년 경력이 쌓인 판단이었지만, 공급망이 흔들린 해에 발주 지연으로 인한 생산 중단이 연 4회 발생했습니다. 그 중 두 번은 미리 알 수 있었던 상황이었습니다.
AI 연동 방법
ERP API를 통해 재고·입출고 데이터를 실시간 연동했습니다. 과거 2년치 소비 패턴과 공급사별 실제 리드타임 데이터를 학습한 AI가 품목별 "발주 필요 예상 시점 D-7"을 자동 알림으로 전송합니다. 이상 소비 패턴(급격한 수요 증가, 불규칙 소진)도 감지해 담당자에게 사전 경보를 보냅니다.
결과
- 발주 지연으로 인한 생산 중단: 연 4회 → 0회 (도입 후 8개월 기준)
- 재고 모니터링에 쓰는 시간: 담당자 1인 기준 일 2시간 → 30분
- 과잉 재고 비용: 도입 6개월 후 18% 감소
사례 2 — 식품 유통업: 3년치 고객 데이터가 처음으로 영업에 쓰이다
도입 전 상황
CRM에 3년치 고객 구매 데이터가 있었지만, 영업팀이 활용하는 방법을 몰랐습니다. 단골 거래처가 조용히 구매를 끊어도 영업 담당자는 2~3개월 후에야 파악했습니다. "왜 연락 안 했어요?"라고 물으면 "이탈하려는 줄 몰랐다"는 대답이 돌아왔습니다. 데이터는 있었고, 신호도 있었습니다. 읽는 사람이 없었습니다.
AI 연동 방법
CRM 구매 이력 데이터를 AI가 분석해 거래처별 이탈 위험 점수를 산출합니다. 마지막 구매 경과 기간, 구매 빈도 변화율, 구매 금액 추이를 종합한 점수가 영업팀 대시보드에 표시됩니다. 위험도가 임계치를 넘으면 담당 영업사원에게 자동 알림이 발송되고, 해당 거래처의 최근 구매 패턴 요약도 함께 전달됩니다.
결과
- 이탈 고객 재활성화: 월 평균 3건 → 11건
- 영업팀이 사후에 파악한 이탈 비율 vs AI 조기 감지 비율: 27% vs 73%
- 동일 인원으로 커버 가능한 거래처 수: 30% 증가
사례 3 — 경영 컨설팅 서비스업: 팀장들의 금요일 오후를 돌려주다
도입 전 상황
매주 금요일 오후가 되면 팀장 5명이 각자의 자리에서 똑같은 작업을 반복했습니다. ERP에서 프로젝트 공수를 꺼내고, 프로젝트 관리 툴에서 진행 현황을 복사하고, 영업 파이프라인 데이터를 수기로 정리해 경영진용 보고서 양식에 채워 넣는 일입니다. 팀장 1인당 2~3시간. 5명 합산 주당 12시간 이상이 이 작업에 사라졌습니다.
AI 연동 방법
ERP, 프로젝트 관리 툴(Jira), 영업 파이프라인 데이터를 AI가 자동으로 취합합니다. 미리 정의된 보고서 템플릿에 맞춰 주간보고 초안이 금요일 오전에 자동 생성됩니다. 팀장은 AI 초안을 검토하고 코멘트를 추가한 뒤 제출합니다.
결과
- 팀장 1인 주간보고 작성 시간: 2~3시간 → 10~15분
- 5명 기준 주당 절감 시간: 약 12시간 (월 48시간)
- 형식 불일치·데이터 누락으로 인한 보고서 재작업 제거
ERP AI 연동 전에 현실적으로 확인해야 할 것들
사례를 보면 간단해 보이지만, 실제 프로젝트에서 막히는 지점은 대부분 기술이 아니라 준비 상태입니다. 착수 전에 아래 네 가지를 먼저 점검하세요.
- API 지원 여부 — ERP 벤더가 REST API를 공식 지원하는가. SAP, 더존, ECount 등 주요 ERP는 대부분 지원하지만, 구버전이나 커스텀 개발 ERP는 별도 연동 작업이 필요할 수 있습니다.
- 데이터 품질 — AI 연동 전에 ERP 데이터의 정합성과 누락 여부를 먼저 점검해야 합니다. 데이터가 지저분하면 AI 결과도 신뢰할 수 없습니다. 쓰레기가 들어가면 쓰레기가 나옵니다.
- 보안 처리 방식 — 사내 민감 데이터가 외부 AI 모델로 전송될 때 어떻게 처리되는지 확인하세요. 데이터 마스킹, 온프레미스 배포 옵션, 계약상 데이터 사용 조항을 반드시 검토해야 합니다.
- 유지보수 구조 — ERP가 업데이트될 때 AI 연동 로직도 함께 유지보수될 수 있는 구조인지 확인하세요. 벤더가 사라진 뒤 내부에서 관리할 수 있는 설계여야 합니다.
ERP에는 이미 기업의 핵심 데이터가 있습니다. 새 시스템을 구축하는 것이 아니라, 잠자던 데이터를 처음으로 읽는 작업입니다. 그래서 다른 AI 도입 영역보다 투자 대비 효과가 빠르게 나타납니다. 도서관에 책이 있는데 아무도 읽지 않는다면, 해결책은 새 도서관이 아니라 사서입니다.