기술 요약: 재고 관리용 AI 에이전트: 인간-LLM-OR 상보성

문제 정의

본 논문은 유한 기간 동안 불확실한 수요에 맞춰 주문량을 결정해야 하는 의사결정자가 직면하는 근본적인 운영 과제인 다기간 재고 관리 문제를 다룹니다. 구체적인 설정은 단일 제품에 다음과 같은 요소를 포함합니다:

• 상태 동역학: 재고 재고, 운송 중인 주문, 과거 수요.
• 불확실성: 확률적 수요와 확률적 리드타임 (배송이 도착하지 않는 분실 주문 가능성 포함).
• 목표: 판매 수익에서 잔여 재고의 보관 비용을 뺀 총이익을 극대화합니다.
• 제약 조건: 결정은 1 기간 관찰 지연을 두고 순차적으로 이루어지며, 판매 손실은 백오더 (미결제 주문) 되지 않습니다.

핵심적인 도전 과제는 전통적인 운영 연구 (OR) 알고리즘이 이론적 근거와 계산 효율성을 갖추고 있음에도 불구하고, 수요 분포가 변하거나 계절성, 공급 차단과 같은 맥락 정보를 공식적으로 인코딩하기 어려운 경우 종종 실패하는 경직된 가정 (예: 정상 수요, 알려진 리드타임) 에 의존한다는 점입니다. 반면, 대규모 언어 모델 (LLM) 은 유연한 추론과 세계 지식을 제공하지만 최적 재고 계산을 위한 수학적 정밀도가 부족하고 비용 구조에 대한 보정이 미흡할 수 있습니다.

방법론

본 연구는 알고리즘 벤치마크와 인간-인공지능 루프 실험의 두 부분으로 구성됩니다.

제 1 부: 알고리즘 벤치마크 (InventoryBench)

저자들은 1,320 개의 인스턴스로 구성된 벤치마크인 InventoryBench를 구축했습니다:

• 720 개의 합성 인스턴스: 10 가지 매개변수 수요 패턴 군 (예: 정상, 평균 이동, 추세, 계절성, 자기상관) 을 3 가지 리드타임 체계 (영, 고정, 확률적) 와 3 가지 임계 분수 (비용 비율) 와 교차하여 구성.
• 600 개의 실제 인스턴스: 200 개의 서로 다른 H&M 패션 제품의 역사적 판매 데이터에서 파생되었으며, 실제 세계 수요 패턴과 제품 설명을 포함.

네 가지 의사결정 방법을 세 가지 최첨단 LLM(Gemini 3 Flash, Grok 4.1 Fast, GPT-5 Mini) 을 사용하여 평가했습니다:

1. OR: 경험적 수요 추정을 사용하는 데이터 기반 캡핑된 베이스 스톡 정책.
2. LLM: OR 입력 없이 맥락과 역사를 기반으로 모든 결정을 내리는 에이전트.
3. OR→LLM: OR 파이프라인이 추천을 생성하고, LLM 이 이를 검토 (추론 포함) 하여 이를 무효화할지 결정합니다.
4. LLM→OR: LLM 이 맥락에 기반하여 불확실한 매개변수 (수요 평균, 분산, 리드타임) 를 추정하고, 이러한 추정치가 최종 계산을 위해 캡핑된 베이스 스톡 정책에 입력됩니다.

제 2 부: 인간-인공지능 루프 실험

세 가지 협업 모드를 통해 웹 기반 재고 게임을 수행한 69 명의 참가자를 대상으로 한 통제된 교실 실험:

• 모드 A (OR→Human): 인간은 OR 추천을 받고 최종 결정을 내립니다.
• 모드 B (OR→LLM→Human): 인간은 OR 추천과 LLM 의 추론/추천을 받고 최종 결정을 내립니다.
• 모드 C (OR→LLM + Human Guidance): LLM 이 자율적으로 결정을 내리고, 인간은 주기적인 점검점에서 고수준 전략적 지침을 제공합니다.

상보성을 위한 이론적 프레임워크

본 논문은 집단 수준과 개인 수준의 상보성을 구분하는 이론적 프레임워크를 제시합니다.

• 집단 수준: 팀의 평균 성과가 평균 인간과 평균 AI 성과 중 최댓값을 초과합니다.
• 개인 수준: 특정 개인의 협업 성과가 해당 개인의 단독 성과와 AI 의 단독 성과 중 최댓값을 초과합니다.
• 기여: 저자들은 엄격히 양의 상보성을 경험하는 개인들의 비율에 대한 **분포 자유 하한 (Theorem 1)**을 유도했습니다. 이 하한은 단독 성과와 협업 성과 분포 간의 콜모고로프 - 스미르노프 통계량을 사용하여 추정되며, 동일한 개인을 두 조건 모두에서 관찰하지 않고도 개인적 이익을 추정할 수 있게 합니다.

주요 결과

알고리즘 성능

• 상보성: 하이브리드 방법은 고립된 방법보다 일관되게 우수한 성과를 거둡니다. OR→LLM이 가장 우수한 전체 성과 (정규화된 보상 0.538) 를 달성하여 OR 단독 대비 21% 개선되었습니다.
• 맥락적 강점: LLM 은 수요 변동을 감지하고, 제품별 세계 지식 (예: 수영복의 계절성) 을 통합하며, 공급 차단 (분실 주문) 을 식별하는 데 뛰어납니다.
• 수학적 정밀도: OR 알고리즘은 특히 결정적 리드타임 하에서 베이스 스톡 계산을 위해 필요한 정밀도를 제공합니다.
• 보정: 순수 LLM 은 OR 또는 하이브리드 방법보다 비용 구조 (임계 분수) 에 대한 보정이 덜 되어 있습니다. LLM 의 영향력이 커질수록 임계 분수에 대한 반응성이 감소합니다.
• 리드타임 민감도: 분실 주문이 있는 확률적 리드타임 하에서, LLM 이 최종 결정을 내리는 방법 (OR→LLM) 이 우월합니다. 이는 분실된 배송을 감지하고 적응할 수 있기 때문이며, 반면 OR 기반 방법은 파이프라인 재고 누락을 보정하지 못합니다.

인간-AI 상호작용

• 모드 B 의 우위: OR→LLM→Human 모드 (모드 B) 가 가장 높은 성과를 내어 모드 A(OR→Human) 와 모드 C(LLM + 지침) 를 모두 크게 능가합니다.
• 인간 판단의 가치: 인간 협업 모드는 자동화된 대응물 (모드 A > OR; 모드 B > OR→LLM) 보다 우수한 성과를 보여, 인간 판단이 자동화된 방법 단독 이상의 가치를 더함을 입증합니다.
• 개인 상보성: 이론적 하한을 적용한 결과, **30% 에서 60%**의 개인이 엄격히 양의 상보성을 경험하는 것으로 나타났습니다. 이는 약한 인간이 AI 를 따르고 강한 인간이 무시하는 선택 효과 때문이 아니라, 인간이 AI 추론을 활용하여 자신의 결정을 개선하는 진정한 시너지임을 나타냅니다.
• 가치의 메커니즘: 인간은 수요 추세에 반응하고, 이상치 (분실 주문 등) 를 감지하며, 계절적 추론을 적용함으로써 가치를 더합니다. 이러한 능력은 순수 OR 대비 LLM 의 강점과 일치하며, 두 에이전트가 서로 다른 오류 프로파일을 가지지만 맥락적으로 추론하는 '코파일럿' 관계를 시사합니다.

중요성과 주장

본 논문은 효과적인 재고 관리가 한 방법의 대체가 아닌 상보적 시스템으로부터 혜택을 받는다는 체계적인 증거를 제공한다고 주장합니다.

• 시너지: OR 는 구조적 엄격함과 수학적 정밀도를 제공하고, LLM 은 세계 지식과 맥락적 추론을 기여하며, 인간은 상황적 판단과 감독을 제공합니다.
• 인간-AI 연구의 신규성: 이전 연구들은 인간-AI 협업이 종종 성능을 저하시키거나 최상의 개별 구성 요소를 초과하지 못한다고 시사한 반면, 본 연구는 풍부한 맥락 신호를 가진 순차적 의사결정 설정에서 진정한 상보성을 입증합니다.
• 자원 기여: 저자들은 향후 공급망 관리 및 인간-AI 협업 연구를 촉진하기 위해 InventoryBench(1,320 개의 인스턴스로 구성된 벤치마크) 와 AI-인간 재고 게임(오픈 소스 웹 인터페이스) 을 공개합니다.

저자들은 더 풍부한 에이전트 아키텍처, 더 넓은 참가자 풀 등 많은 방향이 열려 있지만, 그들의 결과는 OR, LLM, 인간 판단의 통합이 수요 변동과 공급 불확실성에 강건하며 고립된 단일 구성 요소보다 우수한 의사결정 파이프라인을 창출한다고 결론지었습니다.