문제
2022년 12월, 겨울 폭풍 엘리엇(Elliott)이 내리칩니다. 사우스웨스트항공은 7일 동안 16,900편의 항공편을 취소했습니다. 승객 200만 명이 발이 묶였습니다. 승무원 배정 전화의 대기 시간은 8시간에 달했습니다. 총 비용은 12억 달러를 넘겼습니다. 다른 모든 주요 미국 항공사는 같은 폭풍을 맞고도 48시간 안에 정상화되었습니다. 사우스웨스트만 일주일 내내 혼란에 빠졌습니다.
이것은 날씨 문제가 아니었습니다. 항공사가 복구되기 며칠 전에 이미 날씨는 개어 있었습니다. 이것은 소프트웨어 문제였습니다. 사우스웨스트의 스케줄링 시스템, 즉 SkySolver라는 레거시 솔버는 모든 조종사와 승무원의 위치를 알아야 했습니다. 그러나 승무원 통보 시스템이 마비 상태에 빠졌습니다. 승무원들은 몇 시간씩 통화 대기에 갇혀 자신의 위치를 보고할 수 없었습니다. 결국 SkySolver는 몇 시간 전의 데이터를 놓고 최적화를 수행했습니다. 시스템은 존재하지 않는 유령 항공사의 스케줄을 짜고 있었던 것입니다 — 더 이상 시스템이 믿는 위치에 승무원들이 없었기 때문입니다.
모든 새 스케줄은 인쇄되는 순간 무효가 되었습니다. 시스템은 단순히 느려진 것이 아니라 붕괴했습니다. 12월 26일까지 사우스웨스트는 항공편의 50% 이상을 취소했습니다 — 활주로의 얼음 때문이 아니라 자기 직원들의 행방을 파악하지 못했기 때문입니다. 완벽한 데이터가 있어야 작동하는 솔버에 운영이 의존하고 있다면, 같은 위험에 직면하게 됩니다. 질문은 위기가 여러분의 네트워크를 덮치느냐가 아닙니다. 질문은 위기가 닥쳤을 때 여러분의 시스템이 충분히 빠르게 사고할 수 있느냐입니다.
왜 이것이 귀사의 비즈니스에 중요한가
사우스웨스트 참사는 우연한 사건이 아니었습니다. 이것은 운송, 물류, 공급망 운영 전반에 걸쳐 공유되는 구조적 약점을 드러낸 스트레스 테스트였습니다. 재정적 피해가 그 이야기를 말해 줍니다:
- 단 일주일 만에 12억 달러 손실. 단 한 번의 사건으로 사우스웨스트의 린(lean) 운영 모델이 수년간 쌓아 온 효율성 개선이 사라졌습니다.
- 16,900편의 항공편 취소. 몇 달에 걸친 것이 아니라 불과 7일 만에 벌어진 일입니다. 운영 백로그를 리셋하려면 사실상 전면 중단이 필요했습니다.
- 취소의 66%는 예방 가능했습니다. Veriprajna가 그래프 기반 AI 에이전트로 동일한 위기를 시뮬레이션한 결과, 피해를 지역적 사건으로 억제하고 전체 취소를 3분의 2로 줄였습니다.
이 수치들은 항공 분야를 넘어 적용됩니다. 해양 항만도 같은 조합적 난제에 직면합니다. 선박 한 척이 지연되면 접안 슬롯을 놓치고, 크레인 배치가 바뀌고, 트럭이 몇 시간씩 줄을 섭니다. 철도망은 잘못된 운행 판단 하나가 수백 마일에 걸쳐 양방향으로 지연을 전파하면서 정체됩니다.
핵심 비즈니스 리스크는 다음과 같습니다: 여러분의 레거시 계획 시스템은 안정적인 세계를 위해 만들어졌습니다. 버퍼와 중복성을 제거하는 방식으로 효율성을 최적화합니다. 이는 조건 변화가 솔버의 재계산 속도보다 빨라지기 전까지만 유효합니다. 그 순간이 오면 우아한 감속이 일어나지 않습니다. 절벽에서 떨어지듯 붕괴합니다. 경영진은 "테일 리스크(tail risk)", 즉 10년에 한 번 오는 재난이 10년 주기로 보면 이제 지배적인 비용 요인임을 이해해야 합니다. P&L의 질문은 평상시에 얼마나 절약하느냐가 아닙니다. 다음 폭풍이 닥쳤을 때 얼마나 잃느냐입니다.
시스템 내부에서 실제로 일어나는 일
레거시 스케줄링 시스템은 수학자들이 말하는 NP-하드(NP-Hard) 문제를 풉니다 — 가능한 해의 수가 너무 빠르게 증가하여 어떤 컴퓨터도 전부 검증할 수 없는 유형의 퍼즐입니다. 하루 4,000편을 운항하는 항공사의 경우, 유효한 승무원-항공편 조합의 수는 사실상 무한대입니다. 레거시 솔버는 세계의 동결된 스냅샷을 찍은 뒤, 가장 저렴한 스케줄을 찾기 위해 옵션들을 하나씩 소모적으로 탐색합니다.
한 시간에 한 번만 경로를 재계산할 수 있는 GPS라고 생각해 보십시오. 평상시에는 문제없습니다. 그러나 고속도로가 닫히고, 교량이 침수되고, 세 개의 출구가 차단된다면 — 모두 20분 안에 — 여러분의 GPS는 여전히 한 시간 전의 상황을 기준으로 길을 안내합니다. 그리고 곧장 정체 구간으로 안내합니다. SkySolver에게 일어난 일이 정확히 이것입니다. 재계산 주기는 약 60분이었습니다. 위기는 5분마다 변하고 있었습니다. 솔버는 늘 뒤처져 있었습니다.
이것이 백서에서 말하는 "최적화-실행 격차(Optimization-Execution Gap)"입니다. 해를 계산하는 데 걸리는 시간이 그 해가 여전히 유효한 시간 창을 초과한 것입니다. 그리고 이런 솔버들은 엄격하게 결정론적입니다 — 확실한 사실이 필요합니다. 어떤 조종사가 덴버에 있다는 확신이 50%뿐이라면 시스템은 작동하지 못합니다. 운영자는 추측할 수밖에 없고, 오류는 매 주기마다 누적됩니다. 항공사는 계획이 끊임없이 재계산되지만 끝내 성공적으로 실행되지 않는 루프에 진입합니다. 솔버는 우아하게 성능이 저하되지 않습니다. 조합의 절벽에 부딪혀 추락합니다.
효과 있는 것과 없는 것
업계는 이 문제를 고치기 위해 경쟁하고 있습니다. 그러나 인기 있는 많은 접근법은 새 포장으로 원래의 실수를 반복합니다.
레거시 솔버 위에 씌운 챗봇 래퍼. SkySolver 위에 대화형 AI 인터페이스를 얹는다고 SkySolver가 고쳐지지 않습니다. 기반 엔진이 조합 폭발에 갇혀 있다면, 챗봇이 말로 꾀어낼 수는 없습니다. 여러분이 얻는 것은 여전히 실패하고 있는 시스템의 좀 더 예쁜 인터페이스입니다.
스케줄링에 쓰이는 대규모 언어 모델(LLM). LLM은 시퀀스에서 다음 단어를 예측합니다. 승무원 배정이 8시간 휴식 규정을 위반하는지는 검증하지 않습니다. 벤치마크에 따르면 스케줄링 문제가 커질수록 LLM은 제약조건을 건너뛰고, 배정을 중복 생성하며, 그럴듯해 보이지만 운영상 불법적인 스케줄을 만들어 냅니다. "99% 정확한" 승무원 스케줄은 결국 결항된 항공편입니다.
역사 데이터로 튜닝한 휴리스틱. 휴리스틱 규칙 — 빠르지만 대충 만든 지름길 — 은 조건이 과거와 일치할 때 효과가 있습니다. 위기 상황에서는 조건이 휴리스틱이 한 번도 본 적 없는 영역에 진입합니다. 시스템은 콜드 스타트(cold start) 문제에 시달립니다. 장애가 선택지를 연결 끊긴 섬들로 조각내 버렸기 때문에 유효한 출발점을 찾지 못합니다.
실제로 효과가 있는 것 — Veriprajna가 구축하는 아키텍처는 다음과 같습니다:
그래프 신경망은 여러분의 네트워크를 지도처럼 읽습니다. 여러분의 운영은 스프레드시트가 아닙니다. 공항, 승무원, 차량, 항만으로 이어진 연결된 노드들의 웹입니다. 연결된 데이터를 위해 특별히 설계된 AI 모델인 그래프 신경망(Graph Neural Networks, GNNs)은 모든 개체와 그 관계를 인코딩합니다. 블리자드가 덴버를 덮치면, GNN은 그 위험 신호를 연결된 모든 승무원, 항공편, 하류 목적지로 즉시 전파합니다. 사람이 화이트보드에 그리기도 전에 장애의 충격 반경을 파악합니다.
강화학습 에이전트는 시뮬레이션 경험을 통해 의사결정을 학습합니다. 동결된 스냅샷에서 가장 저렴한 스케줄을 계산하는 대신, 이 에이전트들은 여러분의 운영을 고충실도로 재현한 디지털 트윈(Digital Twin) 안에서 수백만 번의 시뮬레이션 위기를 거치며 정책을 학습합니다. 폭풍, 기계 결함으로 인한 운항 중단, 노동 파업을 포함한 10,000년 치의 시뮬레이션 장애로 훈련합니다. 덴버행 항공편의 20%를 조기에 취소하면 동부 해안 네트워크를 95% 가동 상태로 유지할 수 있다는 것을 배웁니다. 시스템 생존을 위한 전략적 희생을 배우는 것입니다.
기호 제약 엔진이 법적 게이트키퍼 역할을 합니다. AI 에이전트가 행동을 제안합니다. 결정론적 규칙 엔진이 FAA 규정, 노조 협약, 정비 규칙 같은 강성 제약조건과 모든 제안을 대조합니다. AI가 불법적인 배정을 제안하면 엔진이 자동으로 차단합니다. 출력은 항상 유효하고 규정을 준수하는 결정입니다. 코딩된 규칙의 안전성과 함께 AI의 속도를 얻게 됩니다.
바로 이 마지막 계층이 여러분의 컴플라이언스 및 감사 팀에 가장 중요합니다. 모든 결정에는 추적 가능한 논리 흔적이 남습니다. 기호 엔진은 각 행동이 여러분의 특정 규제 제약조건에 대해 왜 통과했거나 실패했는지 기록합니다. 감사인에게 시스템이 무엇을 고려했고, 무엇을 기각했으며, 왜 그랬는지 정확히 보여 줄 수 있습니다. 블랙 박스는 없습니다.
Veriprajna는 단계적 접근 방식으로 이를 배포합니다: 첫째, 그래프 모델과 디지털 트윈을 구축합니다. 둘째, 실제 운영과 나란히 AI 에이전트를 섀도우 모드(shadow mode)로 실행하여 정확도를 검증합니다. 셋째, 디스패처를 위한 의사결정 지원 도구로 배포합니다. 넷째, 저위험·고빈도 결정에 대해 자율 실행을 활성화합니다. 신뢰가 쌓이는 곳은 섀도우 모드입니다. AI의 권고를 인간 운영자의 실제 결정과 비교하고 — 비용, 지연, 회복 시간의 차이를 측정할 수 있습니다.
핵심 요점
- 사우스웨스트가 12억 달러를 잃은 것은 날씨 때문이 아니라, 스케줄링 소프트웨어가 빠르게 움직이는 위기를 따라가지 못했기 때문입니다.
- 레거시 솔버는 완벽한 데이터와 안정적인 조건을 필요로 합니다 — 어느 하나라도 존재하지 않으면 조합의 절벽에 부딪혀 붕괴합니다.
- 오래된 솔버를 감싼 챗봇과 LLM은 핵심 문제를 고치지 못합니다 — 실패하는 시스템과 대화하기만 편해질 뿐입니다.
- 수천 번의 시뮬레이션 위기로 훈련된 그래프 기반 강화학습 에이전트는 사우스웨스트 마비 재현에서 취소를 66% 줄였습니다.
- 기호 제약 엔진은 모든 AI 결정이 실행 전에 강성 규제 검사를 통과하도록 보장하며, 완전한 감사 추적을 만듭니다.
결론
여러분의 물류 시스템은 안정적인 세계에서의 효율성을 위해 만들어졌습니다. 다음 대규모 장애는 그 시스템들이 압박 속에서 추론할 수 있는지, 아니면 단순히 붕괴할지를 시험합니다. AI 벤더에게 물으십시오. 연쇄 위기 중 데이터 블랙아웃이 닥쳤을 때 규정을 준수하는 회복 계획을 여전히 산출할 수 있는지, 그리고 모든 단계의 의사결정 논리를 보여줄 수 있는지를 말입니다.