2026년 네 번째 분기이며, 대부분의 기업이 2027년 예산 사이클을 마무리하고 있다. 공급망 및 창고 IT 리더들은 모두 같은 질문에 답하고 있다. 내년의 AI 예산이 실제로 어디로 가야 하는가? 직감에 의존하기보다, 발표된 두 건의 업계 조사에서 출발해 데이터로부터 답을 도출해 볼 가치가 있다.
2027년 창고 AI 예산 환경에 대한 두 조사의 시사점
'MHI와 Deloitte가 2025년 3월에 공동 발표한 ‘2025 MHI 연간 산업 보고서’(공급망 실무자 조사 기반)에 따르면, 응답자의 28%가 이미 공급망 운영에 AI를 사용하고 있다고 답했고, 또 다른 54%가 다섯 년 이내에 사용할 계획이었다. 이는 2029년까지의 다섯 년 누적 도입률이 약 82%에 달함을 의미한다. AI 적용 의향이 가장 높은 세 영역은 재고 및 네트워크 최적화(92%), 클라우드 컴퓨팅 및 스토리지(91%), 센서 및 자동 식별(88%)이었다. 한편 응답자의 45%는 향후 세 년 이내에 AMR, 자동 저장·검색 시스템, 로봇 등의 자동화 장비를 구매할 계획이었고, 재교육·재훈련 노력을 늘리겠다고 한 조직의 비율은 2024년 25%에서 2025년 38%로 상승했다.
두 번째 데이터 포인트는 Modern Materials Handling의 '2026 전망 조사'에서 나왔다. 응답자의 28%가 2026년에 자재 취급 솔루션에 대한 기업 지출이 증가할 것으로 예상했고, 평균 증가율은 27%였다. 투자를 계속 진행하는 기업 중 59%는 WMS 같은 기술 정보 시스템에, 41%는 자동화 기술에 지출하고 있었다. 두세 년 앞을 내다보면 42%가 지출 증가를 예상해 전년도 35%에서 올랐다.
종합하면 신중한 예산이지만 방향은 분명하다. 대부분의 기업은 현상 유지나 관망 중이지만, 지출되고 있는 돈은 소프트웨어——WMS, WCS, 데이터 플랫폼——와 자동화 장비 쪽으로 결정적으로 기울고 있다. 이것이 내년 창고 AI 예산이 어디로 흘러갈지를 묻는 올바른 출발점이다. 이제 질문은 AI에 투자할 것이냐가 아니라, 어떤 프로젝트가 먼저 자금을 받느냐다.
2027년 창고 AI 예산을 흡수할 세 가지 프로젝트 유형
논리는 이렇다. 2023–2025년은 창고 AI의 파일럿 시대로, 개념 검증(PoC) 프로젝트가 중심이었다. 2027년 예산 사이클은 복제와 수익화로의 전환을 알린다. 이러한 배경과 위의 두 조사에 부합하게, 자본은 세 가지 범주로 흘러 들어갈 가능성이 가장 높다.
첫째는 ROI가 입증된 프로젝트의 대규모 복제——AI 비전 검사, 수요 예측 기반 보충이다. MHI 조사에서 재고 및 네트워크 최적화가 AI 의향 92%로 첫 번째를 차지했다. 이들 프로젝트의 공통점은 이미 한두 사업장에서 입증되었고, 효과가 측정 가능하며, 추가 사업장으로 확대하는 한계 비용이 낮다는 것이다. 2027년 예산에서 이들에 대한 태도는 또 한 번의 실험이 아니라 확대가 될 것이다.
둘째는 즉각적이고 계산 가능한 회수가 기대되는 프로세스 자동화——AMR 플릿 스케줄링 최적화, 입고 문서의 지능형 인식이다. 이들 프로젝트는 거창한 주장을 하지 않는다. 계산은 직설적이다. 절감된 노동 시간, 줄인 빈 이동 마일, 빨라진 문서 처리는 모두 열두 달 안에 달러로 환산된다. '노동 요구 감소'에 대한 투자 의향이 높아졌다는 MMH 조사의 결과도 같은 방향을 가리킨다. 한 가지 명확히 할 점은, 이것은 자동화와 알고리즘 최적화의 결합이지 장비 구매 단독이 아니라는 것이다. 하드웨어에는 별도의 자본 예산 항목이 있다. AI 예산은 장비를 더 똑똑하게 만드는 데 쓰는 돈이다.
셋째는 데이터 인프라다. 마스터 데이터 거버넌스, 데이터 레이크, 시스템 간 데이터 관찰 가능성이다. 가장 화려하지 않고 삭감하기 가장 쉽지만, 2027년 AI 예산에서 가장 경직된 항목이 될 수 있다. 근거는 MHI 보고서의 놀라운 고백에 있다. 많은 기업이 이미 고도화된 데이터 수집 시스템과 포인트 솔루션에 막대한 투자를 했음에도 데이터 분석, 더 큰 맥락에 두기, 진정으로 쓸 만한 인사이트 도출에 여전히 고전하고 있다. 보고서의 권고는 '통합되고 정확한 데이터'에서 시작한다. 이 기반 없이는 앞의 두 범주를 복제하는 일이 멈출 것이다.
주목할 만한 두 가지 관찰
관찰 하나, 2025년 3월에 발표된 MHI/Deloitte 조사(미국 공급망 실무자 표본)에서: 기업의 45%가 세 년 이내에 AMR, AS/RS, 로봇을 구매할 계획이었다. 이는 '파일럿에서 조달로'의 신호다. 2023–2024년의 창고 AI가 주로 소프트웨어 개념 검증에 있었다면, 2027년 예산 사이클에는 장비 쪽 자금이 따라잡고 있다. 실무적 시사점은 AI 예산 계획이 소프트웨어 항목만 따로 볼 수 없고 자동화 자본 지출과 발을 맞춰 움직여야 한다는 것이다. 비전 품질 검사용 검사 카메라, AMR 플릿용 스케줄링 알고리즘, AS/RS용 디지털 트윈——소프트웨어와 하드웨어는 하나의 장부다.
관찰 둘, 2026년 초 Modern Materials Handling 조사에서: 투자를 계속하는 기업 중 59%의 지출이 WMS 같은 정보 시스템으로 향했고, 자동화 기술로 향한 41%를 크게 웃돌았다. 소프트웨어 투자가 하드웨어를 앞서고 있으며, 그 순서가 말해준다——돈은 먼저 보이지 않는 데이터 작업, 즉 시스템 업그레이드, 인터페이스 통합, KPI 데이터 수집으로 흐르고 있다. 같은 조사는 '자동화를 통한 핵심 성과 지표(KPI) 데이터 수집, 데이터에서 가치를 얻는 데 인공지능이 역할을 할 가능성이 높음'이라는 새로운 패턴을 지적했다. 다시 말해, 데이터 인프라 지출은 이미 일어나고 있다. 많은 기업이 아직 별도의 예산 항목을 부여하지 않았을 뿐이다. 2027년에는 정식으로 테이블에 오를 것이다.
2027년 AI 예산 배분을 위한 참조 프레임워크
위의 논리에 근거해, 실용적인 출발 프레임워크는 검증된 프로젝트의 확대에 약 50%(위험 최저, 수익 가장 확실), 회수 중심의 프로세스 자동화에 30%(열두 달 회수 기준 심사), 데이터 인프라에 20%(마스터 데이터 거버넌스, 데이터 레이크, 인터페이스 표준화)를 배분한다.
명확히 해두자. 이 5:3:2 분할은 휴리스틱 프레임워크이지, 발표된 어떤 조사의 통계적 결과가 아니다. 실제 비율은 각 기업의 디지털 수준을 따라야 한다. WMS 데이터 품질이 낮은 기업은 데이터 인프라 비중을 높여야 하고, 이미 두 개 이상의 AI 활용 사례를 입증한 기업은 복제에 더 무게를 둘 여유가 있다. 이 프레임워크의 가치는 논의의 출발점으로서지, 표준 정답으로서가 아니다.
역발상 예측
돈의 흐름만으로 순수하게 판단하면 역발상적인 결론이 나온다. 내년 창고 AI 예산 사이클의 최대 승자는 알고리즘 벤더가 아니라, 창고가 데이터를 정비하도록 돕는 서비스 제공자일 수 있다.
논리의 연결고리는 탄탄하다. MHI 조사는 공급망 AI 도입이 28%에서 다섯 년 내 82%로 오를 것을 보여준다——돈이 들어오고 있다. 그러나 같은 보고서는 병목이 알고리즘 부족이 아니라 파편화되고 지저분하며 연결되지 않은 데이터임을 인정한다. 알고리즘 벤더는 역량을 판다. 데이터 거버넌스, 시스템 통합, 마스터 데이터 서비스 제공자는 AI가 작동하기 위한 전제 조건을 판다. 예산 승인 언어로 말하면, 전제 조건이 역량보다 위원회를 통과하기가 쉬운 경우가 많다. 하나는 이미 느끼는 고통을 다루고, 다른 하나는 아직 오지 않은 이익을 약속하기 때문이다.
이 예측에는 시간적 경계가 있다. 파일럿에서 복제로의 전환기인 2027년 창에 적용된다. 2028–2029년까지 대부분 기업이 데이터 인프라 따라잡기를 마치면, 예산의 무게중심은 자연스럽게 알고리즘과 에이전트 쪽으로 돌아올 것이다.
2027년 말에 다시 살펴볼 세 가지 질문
결론 대신, 2027년 말에 다시 살펴볼 가치가 있는 세 가지 질문을 남긴다. 첫째, MHI 조사의 82%라는 다섯 년 도입률이 조기에 달성될 것인가, 아니면 현실에 의해 할인될 것인가. 둘째, 업계가 데이터 인프라 지출의 ROI를 계산하는 신뢰할 만한 방법에 합의할 수 있을 것인가. 셋째, AMR 스케줄링과 보충 결정이 알고리즘에 넘어간 뒤, 창고의 사람들은 도대체 무엇을 관리하게 되는가.
그 답이 2028년 예산의 향방을 결정할 것이다. 그리고 2027년에 대해서는, 데이터가 시사하는 바는 돈이 먼저 복제 가능한 것, 셀 수 있는 것——그리고 다른 모든 것이 작동할 만큼 데이터를 깨끗하게 만드는 것으로 흐를 것이라는 점이다.
Dr. Chen, 공급망 연구원 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.
