기존 OMS는 예외 상황(재고 부족·주소 오류·EDD 미충족·결제 실패 등)이 발생하면 운영 인력의 수기 개입이 필요해 평균 30분~수시간이 지연됐다. RT-O2는 이를 해결하기 위해 LLM 기반 Agentic AI(ReAct 패턴 + tool use)를 도입한다. 예외 이벤트가 워크플로우에서 감지되면 Agent가 유형을 분류하고, tool 후보를 자율 선정해 1~3 step 자동 chaining으로 실행하며, 처리 결과를 검증한 뒤 회고 로그를 학습 corpus에 저장한다.

처리 가능 범위를 벗어나는 예외는 명확한 사유와 함께 사람에게 에스컬레이션한다. 모델은 Anthropic Claude 3.5 Sonnet 또는 GPT-4o의 function calling 기반으로 구성되며, RT-O1의 단일 레이블 분류 한계를 이어받아 예외 처리 자동화율 90%+·평균 처리시간 4초를 2월 KPI로 설정했다.

# 예외 처리 에이전트 시스템 메시지
EXCEPTION_AGENT_PROMPT = """
당신은 물류 예외 처리 전문 AI입니다.
발생한 예외 유형을 파악하고 정해진 대응 절차에 따라
자율적으로 처리하되, 고객 영향을 최소화하세요.
처리 불가 시 담당자에게 에스컬레이션하세요."""

# tool 정의 (function calling schema)
TOOLS = [
    tool("swap_node", "다른 거점으로 swap"),
    tool("partial_ship", "가용 SKU 부분 출하"),
    tool("reroute_carrier", "운송사 재라우팅"),
    tool("address_correct", "gmaps_geocode 보정"),
    tool("notify_customer", "SMS/이메일 사전 알림"),
    tool("manual_escalate", "관리자 큐 등록"),
]

def handle_exception(event):
    plan = agent.plan(event, TOOLS)   # ReAct: Reason → Act
    result = chain_execute(plan)
    if verify(result):
        corpus.append(event, plan, result)
        return "ok"
    return agent.escalate(event, reason=result.fail_reason)

예) NODE-A 재고 0인 SKU 주문이 들어오면 detect 1.0(SKU_SHORTAGE) → plan 1.0(swap_node→partial_ship→notify) → execute 1.0(NODE-B에서 부분 출하) → verify 통과 → escalate 0 → automation_rate에 1건 가산.

SKU 부족·EDD slip·HAZMAT은 deterministic tool chain으로 90%+ 자동화가 가능하지만, 결제 실패는 외부 게이트웨이 의존성 때문에 71% 수준에 머문다. 주소 오류는 gmaps_geocode로 보정 가능한 케이스가 많아 88%, 단 고객 응답 대기 때문에 평균 처리시간(18s)이 길다.